基于 TensorFlow 的 LSTM 算法在农业中的应用

来源：计算机技术与发展杂志2021年第08期北京时间：

作者：勾志竟;宫志宏*;刘布春

单位：1. 天津市气象信息中心,天津 300074;2. 天津市气候中心,天津 300074;3. 中国农业科学院农业环境与可持续发展研究所,北京 100081

摘要：针对如何反映水稻产量与生长周期气象要素的非线性关系,并提高产量预测准确度的问题,提出了在 TensorFlow深度学习框架上构建长短时记忆网络算法(LSTM)的水稻产量预测方法。 该方法避免了传统 BP 神经网络容易陷入局部最优和长期预测精度不高的问题,并以天津市宁河区 1989 ~ 2015 年地面气象观测资料与产量数据为基础,选取移栽-返青期、分蘖期、孕穗期、抽穗期、成熟期 5 个不同生长期的风速、日照、温度等 21 个变量作为预测因子,最后以水稻亩产量(kg)作为预测目标进行了实验。 结果表明,BP 神经网络预测结果的均方根误差(root mean square error,RMSE)和平均绝对误差(mean absolute error,MAE)分别为 75. 12 和 65. 64,LSTM 的 RMSE 和 MAE 分别为 34. 77 和 33. 37,相比 BP 神经网络,LSTM 长短期记忆网络的预测精度更高,可以较好地预测水稻产量的长期发展趋势,为水稻生长期的精准管理和决策提供了新的思路和方法。

关键词：水稻产量;BP 神经网络;LSTM;TensorFlow;预测