基于TensorFlow的LSTM算法在农业中的应用

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.