燕振剛, 李 薇, Yan Tianhai, 王 鈞, 陳 蕾, 逯玉蘭, 劉 歡, 唐 潔, 張 磊, 陳玉娟,常生華, 侯扶江

?

BP神經(jīng)網(wǎng)絡算法在河西綠洲玉米生產(chǎn)碳排放評估中的應用及算法有效性研究*

燕振剛1, 李 薇2, Yan Tianhai3, 王 鈞1, 陳 蕾1, 逯玉蘭1, 劉 歡1, 唐 潔1, 張 磊1, 陳玉娟1,常生華4, 侯扶江4

(1. 甘肅農(nóng)業(yè)大學信息科學技術學院 蘭州 730070; 2. 甘肅農(nóng)業(yè)大學財經(jīng)學院 蘭州 730070; 3. 農(nóng)業(yè)食品與生物科學研究所 希爾斯伯勒 BT26 6DR; 4. 蘭州大學草地農(nóng)業(yè)科技學院 蘭州 730000)

針對作物生產(chǎn)碳排放預測較為困難的實際問題, 提出基于BP神經(jīng)網(wǎng)絡算法的玉米生產(chǎn)碳排放預測模型。選擇地處河西走廊石羊河下游的民勤綠洲246家農(nóng)戶, 面對面調查玉米種植戶農(nóng)場內生產(chǎn)投入數(shù)據(jù), 將玉米生產(chǎn)投入數(shù)據(jù)作為神經(jīng)網(wǎng)絡輸入層; 查閱和梳理國內外相似區(qū)域玉米生產(chǎn)環(huán)節(jié)碳排放系數(shù), 運用碳足跡生命周期法計算得到的碳排放值作為神經(jīng)網(wǎng)絡輸出層; 基于BP人工神經(jīng)網(wǎng)絡算法, 運用試湊法確定網(wǎng)絡隱含層節(jié)點個數(shù), 建立河西綠洲玉米生產(chǎn)碳排放預測模型, 選擇多元線性回歸模型、多元非線性回歸模型, 對該模型有效性進行評估。研究結果表明, 3層且各層節(jié)點數(shù)9、10、1的神經(jīng)網(wǎng)絡結構能夠準確預測河西綠洲玉米生產(chǎn)碳排放, 其碳排放預測值為0.763 kg(CO2-eq)?kg-1(DM); 9-10-1結構的神經(jīng)網(wǎng)絡預測模型的相關系數(shù)(2=0.984 7)高于多元線性和非線性回歸模型, 該神經(jīng)網(wǎng)絡結構模型的均方根誤差(RMSE=0.069 1)、平均絕對誤差(MAE=0.051 3)均低于其他模型, BP神經(jīng)網(wǎng)絡算法預測性能明顯優(yōu)于其他預測模型。該研究為準確預測農(nóng)業(yè)生產(chǎn)碳排放提供了新思路和可操作方法。

BP神經(jīng)網(wǎng)絡; 玉米生產(chǎn); 碳排放; 算法有效性; 生命周期法; 預測模型

近年來, 人工神經(jīng)網(wǎng)絡在全球氣候變化中的應用快速發(fā)展, 國內外農(nóng)業(yè)領域專家和學者非常關注和重視智能算法在農(nóng)業(yè)領域中應用[1]。人工神經(jīng)網(wǎng)絡廣泛應用于能量需求、河流流水、天氣預報、債務風險、農(nóng)作物產(chǎn)量預測及環(huán)境評估等領域。Ermis等[2]運用人工神經(jīng)網(wǎng)絡分析了世界主要能源諸如碳、石油和天然氣的總量。Clair等[3]運用人工神經(jīng)網(wǎng)絡模型研究氣候變化對河水流量和環(huán)境的影響, 認為人工神經(jīng)網(wǎng)絡作為一個有效的非線性工具, 在研究水流輸出的非線性變化是非常合適的。Viotti等[4]根據(jù)1~2 d的氣象和交通數(shù)據(jù), 利用人工神經(jīng)網(wǎng)絡算法預測城市的污染物濃度, 結果表明該方法比傳統(tǒng)統(tǒng)計確定性模型的預測效果優(yōu)越。Khoshnevisan等[5]運用人工神經(jīng)網(wǎng)絡算法預測伊朗馬鈴薯()生產(chǎn)過程中的能量輸出。陳喜等[6]利用人工神經(jīng)網(wǎng)絡模型預測氣候變化對博斯騰湖流域徑流的影響, 模型的效率系數(shù)在0.85到0.97之間, 模型較為可靠。Melesse等[7]利用人工神經(jīng)網(wǎng)絡算法模擬麥田、草地和森林生態(tài)系統(tǒng)CO2通量, 采用氣象參數(shù)和土壤通量訓練人工網(wǎng)絡模型。紀廣月[8]通過收集1998—2008年中國碳排放及其影響因素資料, 基于人工神經(jīng)網(wǎng)絡模型對中國碳排放進行預測, 利用統(tǒng)計數(shù)據(jù)進行模型訓練和檢驗, 訓練樣本預測平均誤差0.025 2, 驗證樣本平均誤差0.006 6。

碳排放增加引起的全球氣候變暖成為人們普遍關注的焦點, 人們開始關注農(nóng)業(yè)生產(chǎn)引起的碳排放[9]。位于祁連山北麓的河西綠洲, 現(xiàn)已成為甘肅省著名的商品糧基地, 每年生產(chǎn)的糧食占全省年糧食總產(chǎn)量的30%以上, 提供了全省70%的商品糧[10]。玉米()是綠洲的主要農(nóng)作物, 準確、系統(tǒng)評估綠洲玉米生產(chǎn)引起的碳排放研究尚鮮見報道。

國內外研究表明, 智能算法在生態(tài)學研究中已得到廣泛應用, 人工神經(jīng)網(wǎng)絡模型在預測河流流水、天氣預報及復雜生態(tài)系統(tǒng)等方面的非線性變化能力突出, 人工神經(jīng)網(wǎng)絡算法在農(nóng)業(yè)領域碳排放研究中可作為分類、建模和預測的科學工具。國內外學者運用人工神經(jīng)網(wǎng)絡進行預測做了大量研究工作, 主要針對水文和氣象變化預測, 而對于作物生產(chǎn)碳排放預測研究不足, 存在預測指標單一、預測精度不高等問題, 導致研究者和管理者質疑預測結果的科學性。同時, 學術界農(nóng)業(yè)生產(chǎn)碳排放的研究主要集中在排放源確定、排放系數(shù)計算、碳排放量估算以及影響因素等方面, 而針對生產(chǎn)投入導致作物碳排放預測研究薄弱。人工神經(jīng)網(wǎng)絡在農(nóng)業(yè)生產(chǎn)上應用較多, 如作物產(chǎn)量、土壤養(yǎng)分、耕地質量、病蟲害、氣象因子預測等。有鑒于此, 本文在前人工作的基礎上, 針對如何客觀預測綠洲玉米生產(chǎn)碳排放這一重要命題, 基于BP人工神經(jīng)網(wǎng)絡算法, 聯(lián)結農(nóng)戶調查和碳排放系數(shù), 建立河西綠洲玉米生產(chǎn)碳排放預測模型, 并對預測模型有效性進行評估, 該研究可為準確預測農(nóng)業(yè)生產(chǎn)碳排放提供新思路和可操作方法。

1 材料與方法

1.1 數(shù)據(jù)收集及處理

研究區(qū)位于甘肅省民勤縣(103°05′E, 38°38′N), 選取河西綠洲246家玉米種植面積介于0.20~0.27 hm2的農(nóng)戶, 面對面調查農(nóng)戶勞動力數(shù)量、玉米種植面積、播種量、化肥投入、有機肥、地膜用量、機械燃油、灌溉用電和農(nóng)藥投入數(shù)據(jù), 查閱和梳理國內外玉米生產(chǎn)各環(huán)節(jié)碳排放系數(shù)(表1)。按照“就近原則”, 先選擇接近研究區(qū)的碳排放系數(shù), 其次選擇國外報道的系數(shù)值。農(nóng)場內農(nóng)戶尺度玉米生產(chǎn)碳排放值計算[11]如公式(1)所示。

corn=(labor×labor+seed×seed+fer×fer+manure×manure+mulch×mulch+df×df+pes×pes+ie×ie)×corn/DM(1)

式中:corn表示玉米碳排放總量[kg(CO2-eq)?kg-1(DM)],labor、seed、fer、manuremulch、df、pes、ie、corn和DM分別表示勞動力投入數(shù)量(人×hm-2)、種子用量(kg×hm-2)、化肥投入量(kg×hm-2)、農(nóng)家肥投入量(kg×hm-2)、地膜用量(kg×hm-2)、機械柴油用量(L×hm-2)、農(nóng)藥用量(kg×hm-2)、灌溉用電(kW×h×hm-2)、玉米種植總面積(hm2)和玉米總干物質產(chǎn)量(kg),labor、seed、fer、manure、mulch、df、pes、ie分別表示表1中羅列的勞動力、種子生產(chǎn)、化肥生產(chǎn)與使用、農(nóng)家肥使用、地膜生產(chǎn)、機械柴油、農(nóng)藥生產(chǎn)和灌溉用電的碳排放系數(shù)。

表1 玉米生產(chǎn)過程各環(huán)節(jié)的碳排放系數(shù)

為了統(tǒng)一度量玉米生產(chǎn)碳排放, 國際氣候變化委員會(Intergovernmental Panel on Climate Change, IPCC)規(guī)定以CO2為度量溫室效應的基本單位, 即1 t CO2-eq=25 t CH4=298 t N2O。

1.2 BP神經(jīng)網(wǎng)絡算法

Topuz[20]認為人工神經(jīng)網(wǎng)絡基于計算模型, 該模型通過模擬人腦神經(jīng)元網(wǎng)絡進行信息處理。常見的人工神經(jīng)網(wǎng)絡由輸入層、隱藏層和輸出層3部分組成, 每層均由稱為節(jié)點的元素組成。在人工神經(jīng)網(wǎng)絡應用研究中, 作為前向網(wǎng)絡核心部分的BP(Back-propagation, BP)神經(jīng)網(wǎng)絡算法的應用范圍較為普遍[21]。

BP神經(jīng)網(wǎng)絡是監(jiān)督式學習算法, 其學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成, 輸入樣本從輸入層不經(jīng)過任何計算進行輸入, 輸入層節(jié)點的個數(shù)通常取輸入向量的維數(shù)。隱含層通過激活函數(shù), 通過反復試湊的方法確定隱含層節(jié)點個數(shù)。輸出節(jié)點的個數(shù)通常取輸出向量的維數(shù), 若輸出層的實際輸出與期望的輸出不等, 則轉到誤差的反向傳播階段。信號正向傳播與誤差反向傳播的各層權值調整過程, 是周而復始進行的。權值不斷調整的過程, 也就是網(wǎng)絡的學習訓練過程。此過程一直進行到網(wǎng)路輸出的誤差減少到可接受的程度, 或進行到預先設定的學習時間, 或進行到預先設定的學習次數(shù)為止。根據(jù)Kolmogorov定理, 具有1個隱層的3層BP神經(jīng)網(wǎng)絡能在閉集上以任意精度逼近任意非線性連續(xù)函數(shù)[5]。本研究選擇單隱層BP神經(jīng)網(wǎng)絡, 如圖1所示。

圖1 基于BP神經(jīng)網(wǎng)絡的玉米生產(chǎn)碳排放預測模型

式中: 激活函數(shù)()為單極性函數(shù), 如公式(4):

()=1/(1+e) (4)

()具有連續(xù)可導的特點, 根據(jù)應用需要,()可為雙極性函數(shù), 如公式(5):

()= (1-e)/(1+e) (5)

BP神經(jīng)網(wǎng)絡算法性能評價通過網(wǎng)絡訓練數(shù)據(jù)和實際數(shù)據(jù)的差值大小來衡量[4], 如公式(6):

式中:為訓練集向量數(shù)據(jù)索引,為輸出向量數(shù)據(jù)索引,t為期望輸出向量,z為輸出層輸出向量?；谏鲜鲈? 選擇相關系數(shù)(coefficient of correlation,2)、均方根誤差(root mean square error,RMSE)和平均絕對誤差(mean absolute error, MAE)進行模型的驗證。

式中:為數(shù)據(jù)集樣本量,t為第個樣本實測值,z為第個樣本的BP神經(jīng)網(wǎng)絡預測值。

1.3 多重共線性診斷

為證明多元回歸模型可靠性, 該研究運用貝爾斯利等[22]提出的條件數(shù)與病態(tài)指數(shù)診斷方法, 定義為公式(10):

式中:為自變量的相關系數(shù)矩陣;max()、min()分別為矩陣的最大和最小特征值;(R)表示多重共線性程度。該診斷方法規(guī)定: 若(R)<100, 則認為共線程度很小; 若100≤(R)<1 000, 則認為存在中等程度或較強的共線程度; 若(R)>1 000, 則認為存在嚴重的多重共線性。

基于多重共線性診斷方法, 本研究選擇Matlab2014Ra, 利用其相關系數(shù)函數(shù)corrcoef( )、特征值函數(shù)eig( )計算得出研究區(qū)玉米生產(chǎn)各投入自變量之間線性程度(R)= –2.747 9e+18 <100, 即共線程度很小。

多元線性回歸和多元非線性回歸模型的編程實現(xiàn)同樣在Matlab2014Ra環(huán)境中, 選擇多元線性回歸函數(shù)Regress( )和多元非線性回歸函數(shù)nlinfit( )進行驗證實驗, 多元線性回歸Regress( )函數(shù)建立的模型如公式(11):

考慮到多元非線性模型的多態(tài)性, 本研究利用多元非線性回歸函數(shù)nlinfit( )建立兩種模型進行算法有效性驗證, 其模型如公式(12)和(13):

1.4 實驗環(huán)境與數(shù)據(jù)處理

本研究選擇Matlab2014Ra作為BP神經(jīng)網(wǎng)絡算法的實驗環(huán)境, 并對246家農(nóng)戶數(shù)據(jù)進行隨機劃分[23], 其中訓練集占60%, 驗證集占25%, 測試集占15%, 訓練集、驗證集和測試集的數(shù)據(jù)量依次為148、62和36。輸入層數(shù)據(jù)包括勞動力數(shù)量、玉米種植面積、種子生產(chǎn)碳排放、化肥碳排放、有機肥碳排放、地膜生產(chǎn)碳排放、機械燃油碳排放、農(nóng)藥碳排放和灌溉用電碳排放, 農(nóng)戶玉米生產(chǎn)碳排放總量作為輸出層, 運用歸一化函數(shù)premnmx( )將輸入數(shù)據(jù)或輸出數(shù)據(jù)進行歸一化處理。選擇BP網(wǎng)絡創(chuàng)建函數(shù)feedforwardnet( )建立BP網(wǎng)絡結構, 隱含層隱層神經(jīng)元數(shù)設為1到15, 輸出層為1個神經(jīng)元。選擇隱含層和輸出層神經(jīng)元傳遞函數(shù)tansig( )函數(shù)和purelin( )函數(shù)。采用Levenberg-Marquardt算法, 為尋找最優(yōu)預測結構, 對隱含層節(jié)點進行逐點測試。

2 結果與分析

2.1 民勤綠洲玉米生產(chǎn)碳排放評估試驗結果

民勤綠洲農(nóng)場內農(nóng)戶尺度基于碳足跡生命周期的玉米生產(chǎn)碳排放值為0.758kg(CO2-eq)?kg-1(DM), 而其基于BP神經(jīng)網(wǎng)絡的預測值為0.763kg(CO2-eq)?kg-1(DM), 9-10-1結構為最優(yōu)BP網(wǎng)絡預測結構(圖1), 即9節(jié)點輸入層, 10節(jié)點隱含層和1節(jié)點輸出層。在訓練期和驗證期, 隱含節(jié)點為10的RMSE、MAE和MSE均比其他任何節(jié)點都小, 分別為0.063 8(訓練期RMSE)、0.043 6(訓練期MAE)、1.49E-04(訓練期MSE)、0.067 1(驗證期RMSE)、0.050 7(驗證期MAE)和2.51E-04(驗證期MSE), 其相關系數(shù)均比其他任何節(jié)點大, 分別為0.985 8(訓練期2)和0.984 2(驗證期2), 統(tǒng)計值如表2所示。

表2 單隱含層不同節(jié)點數(shù)中BP神經(jīng)網(wǎng)絡預測模型的訓練集與驗證集玉米生產(chǎn)碳排放的均方根誤差(RMSE)、平均絕對誤差(MAE)、R2和均方誤差(MSE)

1)最優(yōu)BP結構。1) The best topology.

2.2 算法有效性驗證

為了驗證BP神經(jīng)網(wǎng)絡算法對碳排放評估的有效性, 本研究選擇多元線性回歸模型[公式(11)]和多元非線性回歸模型[公式(12)、(13)], 選擇測試集數(shù)據(jù)預測玉米生產(chǎn)碳排放值, 并與9-10-1結構的BP神經(jīng)網(wǎng)絡算法預測的碳排放值進行比較, 以相關系數(shù)2、均方根誤差RMSE和平均絕對誤差MAE作為評價標準, 從而證明BP神經(jīng)網(wǎng)絡算法的有效性。相關系數(shù)2越接近于1說明預測程度越好, 均方根誤差RMSE和平均絕對誤差MAE越小說明預測的效果越好。

結果表明, 測試集BP神經(jīng)網(wǎng)絡中RMSE(0.069 1)、MAE(0.051 3)均比多元線性回歸和多元非線性回歸模型小, 并且BP神經(jīng)網(wǎng)絡中2(0.984 7)比其他模型的2值高(表3)。說明BP神經(jīng)網(wǎng)絡算法能夠有效預測河西綠洲玉米生產(chǎn)碳排放。

表3 測試集BP神經(jīng)網(wǎng)絡、非線性回歸和線性回歸模型預測玉米生產(chǎn)碳排放的根誤差(RMSE)、平均絕對誤差(MAE)和R2統(tǒng)計值

1) 最優(yōu)模型。1) The best model.

3 討論

BP神經(jīng)網(wǎng)絡廣泛應用于農(nóng)業(yè)生態(tài)學領域的預測研究, 為了建立更好的網(wǎng)絡結構模型, 隱含層個數(shù)需要不斷訓練才能確定[23]。本研究隱含層個數(shù)10多于Khoshnevisan等[5]運用人工神經(jīng)網(wǎng)絡算法預測伊朗馬鈴薯生產(chǎn)過程中的能量輸出模型中的隱含層個數(shù)8, 但與?akmak等[24]運用相同算法預測葡萄()干燥速率的隱含層個數(shù)一致。相似的是, 本研究的預測相關系數(shù)0.984 7低于?akmak報道的0.999 1, 但高于Khoshnevisan等[5]報道的0.98和Melesse等[7]運用人工神經(jīng)網(wǎng)絡算法預測森林生態(tài)系統(tǒng)CO2通量的相關系數(shù)0.94, 也高于陳喜等[6]利用人工神經(jīng)網(wǎng)絡模型預測氣候變化對博斯騰湖流域徑流的影響相關系數(shù)0.97。作物碳足跡邊界、測算內容、生產(chǎn)投入、產(chǎn)量等因素是影響作物碳排放值的關鍵因素, 同時, 作物碳足跡受區(qū)域氣候條件、農(nóng)作措施、土壤、產(chǎn)量及社會經(jīng)濟等多因素的影響, 以及相同種植模式在不同區(qū)域都會存在差異[11]。本研究玉米碳排放預測值高于梁修如[25]運用生命周期法測算的國內出口玉米碳排放值[0.54 kg(CO2-eq)×kg-1(grain)], 其碳足跡測算內容未考慮種子生產(chǎn)、勞動力投入、農(nóng)家肥投入、施肥引起的土壤碳排放量和籽實含水量; 也高于史磊剛等[11]和曾憲芳等[19]分別運用碳足跡法測算的河北吳橋縣和寧夏平羅縣的玉米碳排放值[0.29 kg(CO2-eq)×kg-1(products)], 其均未考慮勞動力投入、地膜生產(chǎn)、農(nóng)家肥投入的碳排放和土壤施氮肥引起的農(nóng)田N2O排放。但本研究玉米碳排放預測值接近Ma等[26]實測的北美地區(qū)玉米生產(chǎn)碳排放值[0.756 kg(CO2-eq)×kg-1(grain)]。

本研究提出的基于BP神經(jīng)網(wǎng)絡的玉米生產(chǎn)碳排放預測模型優(yōu)于其他線性和非線性模型, 但研究仍存在不確定。首先, 由于研究區(qū)農(nóng)業(yè)生產(chǎn)投入的碳排放系數(shù)主要引用文獻和IPCC報告數(shù)據(jù), 碳排放系數(shù)值具有不確定性。其次, 246家農(nóng)戶的玉米種植面積介于0.20~0.27 hm2, 調查數(shù)據(jù)略有差異。上述不確定因素主要源于國內及研究區(qū)作物生產(chǎn)碳排放實測數(shù)據(jù)不足。

4 結論

本研究通過面對面調查246家玉米種植戶生產(chǎn)投入數(shù)據(jù), 查閱和梳理相似區(qū)域公開發(fā)表的玉米生產(chǎn)環(huán)節(jié)碳排放系數(shù), 主要運用BP神經(jīng)網(wǎng)絡算法對河西綠洲玉米生產(chǎn)碳排放進行評估, 對比研究訓練集和驗證集BP神經(jīng)網(wǎng)絡隱含層不同節(jié)點對應的RMSE、MAE和2值, 并對BP神經(jīng)網(wǎng)絡算法性能進行評價。研究表明, 9-10-1結構的BP神經(jīng)網(wǎng)絡結構能夠很好地預測河西綠洲玉米生產(chǎn)碳排放。在評估河西綠洲玉米生產(chǎn)碳排放方面, BP神經(jīng)網(wǎng)絡算法要優(yōu)于其他線性及非線性模型, 該算法能夠有效預測河西綠洲玉米生產(chǎn)碳排放, 該研究將為準確預測農(nóng)業(yè)生產(chǎn)碳排放提供思路和參考方法。

[1] LIU Z L, PENG C H, XIANG W H, et al. Application of artificial neural networks in global climate change and ecological research: An overview[J]. Chinese Science Bulletin, 2010, 55(34): 3853–3863

[2] ERMIS K, MIDILLI A, DINCER I, et al. Artificial neural network analysis of world green energy use[J]. Energy Policy, 2007, 35(3): 1731–1743

[3] CLAIR T A, EHRMAN J M. Variations in discharge and dissolved organic carbon and nitrogen export from terrestrial basins with changes in climate: A neural network approach[J]. Limnology and Oceanography, 1996, 41(5): 921–927

[4] VIOTTI P, LIUTI G, GENOVA P D. Atmospheric urban pollution: Applications of an artificial neural network (ANN) to the city of Perugia[J]. Ecological Modelling, 2002, 148(1): 27–46

[5] KHOSHNEVISAN B, RAFIEE S, OMID M, et al. Application of artificial neural networks for prediction of output energy and GHG emissions in potato production in Iran[J]. Agricultural Systems, 2014, 123: 120–127

[6] 陳喜, 吳敬祿, 王玲. 人工神經(jīng)網(wǎng)絡模型預測氣候變化對博斯騰湖流域徑流影響[J]. 湖泊科學, 2005, 17(3): 207–212CHEN X, WU J L, WANG L. Prediction of climate change impacts on streamflow of lake Bosten using artificial neural network model[J]. Journal of Lake Sciences, 2005, 17(3): 207–212

[7] MELESSE A M, HANLEY R S. Artificial neural network application for multi-ecosystem carbon flux simulation[J]. Ecological Modelling, 2005, 189(3/4): 305–314

[8] 紀廣月. 基于灰色關聯(lián)分析的BP神經(jīng)網(wǎng)絡模型在中國碳排放預測中的應用[J]. 數(shù)學的實踐與認識, 2014, 44(14): 243–249 JI G Y. Application of BP neural network model in the prediction of China’s carbon emissions based on grey correlation analysis[J]. Mathematics in Practice and Theory, 2014, 44(14): 243–249

[9] 李明峰, 董云社, 耿元波, 等. 農(nóng)業(yè)生產(chǎn)的溫室氣體排放研究進展[J]. 山東農(nóng)業(yè)大學學報: 自然科學版, 2003, 34(2): 311–314 LI M F, DONG Y S, GENG Y B, et al. Progress of study on emissions of greenhouse gases of agriculture[J]. Journal of Shandong Agricultural University: Natural Science, 2003, 34(2): 311–314

[10] 陳昌毓. 河西走廊糧倉的生態(tài)環(huán)境代價[J]. 大自然, 2013, (6): 21–22 CHEN C Y. The cost of ecological environment for granary in Hexi Oasis[J]. China Nature, 2013, (6): 21–22

[11] 史磊剛, 陳阜, 孔凡磊, 等. 華北平原冬小麥-夏玉米種植模式碳足跡研究[J]. 中國人口?資源與環(huán)境, 2011, 21(9): 93–98 SHI L G, CHEN F, KONG F L, et al. The carbon footprint of winter wheat-summer maize cropping pattern on North China Plain[J]. China Population Resources and Environment, 2011, 21(9): 93–98

[12] LAL R. Soil carbon sequestration impacts on global climate change and food security[J]. Science, 2004, 304(5677): 1623–1627

[13] 逯非, 王效科, 韓冰, 等. 中國農(nóng)田施用化學氮肥的固碳潛力及其有效性評價[J]. 應用生態(tài)學報, 2008, 19(10): 2239–2250 LU F, WANG X K, HAN B, et al. Assessment on the availability of nitrogen fertilization in improving carbon sequestration potential of China’s cropland soil[J]. Chinese Journal of Applied Ecology, 2008, 19(10): 2239–2250

[14] CHENG K, PAN G X, SMITH P, et al. Carbon footprint of China’s crop production — An estimation using agro-statistics data over 1993–2007[J]. Agriculture, Ecosystems and Environment, 2011, 142(3/4): 231–237

[15] DUBEY A, LAL R. Carbon footprint and sustainability of agricultural production systems in Punjab, India, and Ohio, USA[J]. Journal of Crop Improvement, 2009, 23(4): 332–350

[16] ADOM F, MAES A, WORKMAN C, et al. Regional carbon footprint analysis of dairy feeds for milk production in the USA[J]. The International Journal of Life Cycle Assessment, 2012, 17(5): 520–534

[17] Intergovernmental Panel on Climate Change (IPCC). 2006 IPCC Guidelines for National Greenhouse Gas Inventories[M]. Hayama, Japan: Institute for Global Environmental Strategies, 2006

[18] 柯水發(fā), 李彪, 楊育紅, 等. 林場運營碳足跡及林木資源碳儲量測算——以內蒙古赤峰市旺業(yè)甸林場為例[J]. 林業(yè)經(jīng)濟, 2013, (9): 93-101 KE S F, LI B, YANG Y H, et al. The evaluation of carbon footprint from the operation of forest farm and carbon storage by forest resources — Based on the Wangyedian Forest Farm in Chifeng of Inner Mongolia[J]. Forestry Economics, 2013, (9): 93–101

[19] 曾憲芳, 趙世偉, 李曉曉, 等. 寧夏回族自治區(qū)平羅縣主要農(nóng)作物碳足跡研究[J]. 水土保持通報, 2012, 32(5): 61–65 ZENG X F, ZHAO S W, LI X X, et al. Main crops carbon footprint in Pingluo County of the Ningxia Hui Autonomous Region[J]. Bulletin of Soil and Water Conservation, 2012, 32(5): 61–65

[20] TOPUZ A. Predicting moisture content of agricultural products using artificial neural networks[J]. Advances in Engineering Software, 2010, 41(3): 464–470

[21] 樊振宇. BP神經(jīng)網(wǎng)絡模型與學習算法[J]. 軟件導刊, 2011, 10(7): 66–68 FAN Z Y. The model and algorithm of BP neural network[J]. Software Guide, 2011, 10(7): 66–68

[22] 趙松山, 白雪梅. 關于多重共線性檢驗方法的研究[J]. 中國煤炭經(jīng)濟學院學報, 2001, 15(4): 296–300 ZHAO S S, BAI X M. Research on the test for multi-co linearity[J]. Journal of China Coal Economic College, 2001, 15(4): 296–300

[23] 沈花玉, 王兆霞, 高成耀, 等. BP神經(jīng)網(wǎng)絡隱含層單元數(shù)的確定[J]. 天津理工大學學報, 2008, 24(5): 13–15SHEN H Y, WANG Z X, GAO C Y, et al. Determining the number of BP neural network hidden layer units[J]. Journal of Tianjin University of Technology, 2008, 24(5): 13–15

[24] ?AKMAK G, YILDIZ C. The prediction of seedy grape drying rate using a neural network method[J]. Computers and Electronics in Agriculture, 2011, 75(1): 132–138

[25] 梁修如. 我國出口谷物產(chǎn)品的碳足跡分析[D]. 合肥: 中國科學技術大學, 2015: 22–23LIANG X R. Carbon footprint of Chinese export grains[D]. Hefei: University of Sciences and Technology of China, 2015: 22–23

[26] MA B L, LIANG B C, BISWAS D K, et al. The carbon footprint of maize production as affected by nitrogen fertilizer and maize-legume rotations[J]. Nutrient Cycling in Agroecosystems, 2012, 94(1): 15–31

Application and validity of BP neural networks on prediction of carbon emissions from corn production in Hexi Oasis*

YAN Zhengang1, LI Wei2, YAN Tianhai3, WANG Jun1, CHEN Lei1, LU Yulan1, LIU Huan1, TANG Jie1, ZHANG Lei1, CHEN Yujuan1, CHANG Shenghua4, HOU Fujiang4

(1. College of Information & Science Technology, Gansu Agricultural University, Lanzhou 730070, China; 2. College of Finance & Economics, Gansu Agricultural University, Lanzhou 730070, China; 3. Agri-Food and Biosciences Institute, Hillsborough, Co. Down BT26 6DR, United Kingdom; 4. College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730000, China)

Back-propagation (BP) neural network has been widely used in global climate change researches in recent years. There is also increasing research interests in the application of BP neural network on predicting carbon emission from agricultural lands. Hexi Oasis in the northern side of Qilian Mountain accounts for over 30% of total grain and over 70% of commercial grain production in Gansu Province, of which corn is the primary food crop. However, there has been little research in carbon emissions from corn fields in Hexi Oasis. Therefore, the objectives of this study were to predict carbon emissions from corn production in Hexi Oasis using BP neural network algorithm and to validate the performance of BP neural network algorithm against multiple linear regression and non-linear regression models. This study was done in Minqin Oasis (103°05′E, 38°38′N) located at the downstream of Shiyanghe River in Hexi Corridor. Data were collected on 246 local farms in a face-to-face questionnaire-driven survey. The data of production inputs were used as the inputs for the model in farm and the value of carbon emissions calculated using life-cycle assessment based on carbon emission factors published in the literatures about the similar regions and default figures reported by Inter-governmental Panel on Climate Change (IPCC). In order to predict carbon emissions based on BP neural network, the numbers of node in the hidden layer were calculated by trial and error. The results indicated that neural network structure with three layers predicted carbon emissions in corn productions in Hexi Oasis and the number of nodes for the input layer, hidden layer and output layer were 9, 10 and 1, respectively. The evaluated carbon emission was 0.763 kg(CO2-eq)?kg-1(DM) in the study area. To verify the validity of the BP neural network model, multiple linear regression and non-linear regression models were developed using the same dataset.The results indicated that the correlation coefficient (2= 0.984 7) of BP neural network model with the 9-10-1 structure was higher than that for the corresponding multiple linear regression and non-linear regression models. Also the root mean square error (RMSE = 0.069 1) and mean absolute error (MAE = 0.051 3) of BP model were lower than those of the corresponding multiple linear regression and non-linear regression models. Therefore, the performance of BP neural network model was better than that of the regression models. The BP neural network model developed in this study using data collected from the local farms in Hexi Oaiss combined the local practices and regional carbon emission factors, consequently providing a practical tool applicable in the prediction of carbon emissions in corn fields. Moreover, the validity of BP neural network model was also verified through comparison with multiple linear regression and non-linear regression models, which improved the reliability of its practical application. Therefore, the results of this study contributed new ideas and development methods to accurately predict carbon emissions in agricultural fields for the government and scientific community.

BP neural network; Corn production; Carbon emission; Algorithm validity; Life cycle assessment; Prediction model

, YAN Zhengang, E-mail: yanzhg@gsau.edu.cn

Jan. 17, 2018;

Apr. 24, 2018

TP399

A

1671-3990(2018)08-1100-07

10.13930/j.cnki.cjea.180084

2018-01-17

2018-04-24

* This research was funded by the National Natural Science Foundation of China (31660347).

* 國家自然科學基金項目(31660347)資助

燕振剛, 主要研究方向為信息技術在農(nóng)業(yè)中的應用。E-mail: yanzhg@gsau.edu.cn

燕振剛, 李薇, Yan Tianhai, 王鈞, 陳蕾, 逯玉蘭, 劉歡, 唐潔, 張磊, 陳玉娟, 常生華, 侯扶江. BP神經(jīng)網(wǎng)絡算法在河西綠洲玉米生產(chǎn)碳排放評估中的應用及算法有效性研究[J]. 中國生態(tài)農(nóng)業(yè)學報, 2018, 26(8): 1100-1106

YAN Z G, LI W, YAN T H, WANG J, CHEN L, LU Y L, LIU H, TANG J, ZHANG L, CHEN Y J, CHANG S H, HOU F J. Application and validity of BP neural networks on prediction of carbon emissions from corn production in Hexi Oasis[J]. Chinese Journal of Eco-Agriculture, 2018, 26(8): 1100-1106