陳銘暉+黃丹楓+朱蘭娟

摘 要：基于不結球白菜育苗潮汐灌溉的需求，嘗試根據(jù)氣象條件，通過BP神經(jīng)網(wǎng)絡算法來預測作物的需水量，優(yōu)化控制規(guī)則，作為指導種苗灌溉的依據(jù)。驗證結果表明，該神經(jīng)網(wǎng)絡達到預期效果，經(jīng)過訓練的神經(jīng)網(wǎng)絡可以用于預測濕度變化率或需水量。

關鍵詞：潮汐灌溉；神經(jīng)網(wǎng)絡；需水量預測

中圖分類號：S634.3；S275.9 文獻標識碼：A 文章編號：1001-3547（2014）22-0038-03

1 農(nóng)業(yè)節(jié)水技術研究狀況

潮汐灌溉是一項成熟的農(nóng)業(yè)灌溉技術，它能夠將水分灌溉和養(yǎng)分供應有機地結合起來，并且保持植株地上部的干燥，所以對植物生長發(fā)育十分有利，能夠有效促進作物生長，防止病蟲害的發(fā)生，并且灌溉效率很高，在國際上已經(jīng)普遍應用[1]。潮汐灌溉的原理是在漲潮時水或肥料通過封閉的管道輸送到盆栽底部，退潮時又通過管道退回，經(jīng)消毒、過濾后的營養(yǎng)液或者灌溉水可重復使用[1]。潮汐灌溉的水或者肥料的利用效率很高，可達90%；植物葉片表面無水膜，保證了最大限度的光合作用，從而更多地吸收根部的水分和養(yǎng)分，因而作物生長速度明顯加快，苗齡可縮短10%～15%；同時，既能手動操作，又便于自動化作業(yè)，標準化的灌溉控制保證了葉片、莖蔓和花等植物性狀的統(tǒng)一，作物產(chǎn)品的合格率大幅度提高；此外，不淋水肥的花和葉的表面更有光澤，品相好，令市場售價大幅提升，經(jīng)濟效益可觀。因此，這項技術的推廣應用前景十分廣闊[3]。

2 農(nóng)業(yè)節(jié)水灌溉的自動控制狀況

第一套節(jié)水灌溉控制器是在1954年由美國的本納米和歐弗爾開發(fā)而成，當它測得的土壤含水量低于設定值時就打開灌水閥門。經(jīng)過幾十年的發(fā)展，土壤濕度傳感器已逐漸應用在目前的許多自動灌溉控制系統(tǒng)中，控制系統(tǒng)將傳感器采集的實時濕度與設定值比較并決定是否灌溉。這類控制系統(tǒng)實際運行的結果表明，影響控制系統(tǒng)性能的因素主要有：系統(tǒng)的軟硬件，包括軟件的設計思路及算法；

土壤濕度傳感器的穩(wěn)定性及可靠性；控制電磁閥和壓力調節(jié)裝置的可靠性，以及過濾器、流量計等組件的性能。其中，土壤濕度傳感器對于系統(tǒng)的影響極大[4]。

然而，因為土壤濕度傳感器是非線性的，所以測得的濕度值往往和實際值存在一定的偏差；另外，因為普通的土濕傳感器存在較大的輸出時滯，快速響應的傳感器價格又極其昂貴，所以傳統(tǒng)的反饋控制系統(tǒng)的性能受到很大的影響[4]。近年來隨著人工智能技術的飛速發(fā)展，人工智能技術逐漸應用在節(jié)水灌溉中，其中包括專家決策系統(tǒng)、模糊邏輯控制系統(tǒng)、利用神經(jīng)網(wǎng)絡算法來建模和預測，這些智能技術使得灌溉控制器能及時、準確地預測環(huán)境變量，以便及時采取正確、有效的控制措施，保障作物在最優(yōu)化的環(huán)境下生長。本研究在不結球白菜穴盤質量與基質相對濕度之間的相關關系研究的基礎上，嘗試通過氣象數(shù)據(jù)的神經(jīng)網(wǎng)絡算法，為灌溉控制提供技術支持。

3 基于神經(jīng)網(wǎng)絡的蔬菜育苗潮汐灌溉策略研究

根據(jù)李梅玲等[5]對不結球白菜穴盤質量與基質相對濕度之間的試驗數(shù)據(jù)，運用SPSS相關性分析，得出播種穴盤質量變化量和基質相對濕度差之間的關系為ΔY=31.211ΔX，而蒸發(fā)蒸騰量可看成等于穴盤盤質量的減少量，因此，通過土壤相對濕度差的預測，可以預測蒸發(fā)蒸騰量即需水量，從而指導種苗的灌溉。

大量灌溉試驗資料表明，作物需水量與氣象條件（包括日照、氣溫、風速和濕度等）有著直接的關系，土壤相對濕度差和日照、氣溫、風速和空氣濕度有著緊密的關系[6]。

溫室育苗處于室內(nèi)，風速影響很小[1]，所以在研究土壤濕度的變化率時主要選取光照（klx）、氣溫（℃）、空氣濕度（%），以土壤濕度的每半小時的變化率作為研究對象，光照、氣溫、空氣濕度作為輸入項，土壤濕度作為輸出項。

研究數(shù)據(jù)選取了從2013年8月4日18：25到8月5日18：25一天24 h中小白菜育苗的部分實測數(shù)據(jù)，如表1。

為了確保輸入樣本和輸出的精確性，使BP網(wǎng)絡取得最佳的學習效果，要求在訓練神經(jīng)網(wǎng)絡前，務必對輸入和輸出樣本進行無量綱（歸一化）化處理[7]，使處理后的輸入輸出樣本的數(shù)據(jù)在[0，1]范圍之內(nèi)。

Sigmoid是BP神經(jīng)網(wǎng)絡的隱含層采用的函數(shù)，即f（x）={1+exp[-ξ（x-η）]}-1。該函數(shù)與自變量在中間位置附近的一個鄰域內(nèi)，基本上為線性關系；但在這一鄰域外為趨向于一個極限的非線性關系[8]；所以BP神經(jīng)網(wǎng)絡對于取值范圍兩端的數(shù)據(jù)與中間部分的數(shù)據(jù)處理后的精度不一樣，兩端的要差些。將輸入數(shù)據(jù)壓縮處理后可減少這種影響[9]。同時不同量綱的輸入數(shù)據(jù)，其絕對值差異較大，會延長網(wǎng)絡訓練及學習的時間，處理結果也會帶來不利影響，所以也需要歸一化處理。函數(shù)中的ξ、η兩參數(shù)是為了應對不同的情況，實現(xiàn)對函數(shù)的伸縮和平移。

樣本經(jīng)過歸一化處理之后，用newff建立一個前向BP函數(shù)[10，11]，格式如下：net=netff（PR，[S1 S2...SN1]，{TF1 TF2...TFN1}，BTF，BLF，PF）

其中，net為新創(chuàng)建的BP神經(jīng)網(wǎng)絡；

S 為隱含層和輸出層神經(jīng)元數(shù)目；

TF 為隱含層和輸出層的傳遞函數(shù)，默認為tansig；

BTF 表示BP網(wǎng)絡的訓練函數(shù)，默認為trainlm；

BLF 表示BP網(wǎng)絡的學習函數(shù)，默認為learngdm；

PF 表示BP網(wǎng)絡的性能函數(shù)，默認為mse。

本文將使用三層BP神經(jīng)網(wǎng)絡，即輸入層、隱含層和輸出層。輸入層將為光照、氣溫、空氣濕度這3個指標，輸出層為1，隱含層一般根據(jù)經(jīng)驗加公式方式確定。一般我們可以參考公式y(tǒng)=■+m，其中a為輸入層神經(jīng)元個數(shù)，b為輸出層神經(jīng)元個數(shù)，m為[1，10]之間的常數(shù)?；谠摴?，隱含層的數(shù)量在[3，12]之間。根據(jù)經(jīng)驗隱含層數(shù)為9時，收斂效果較好，誤差精度好，泛化效果不錯，因此我們?nèi)?為隱含層個數(shù)。至此，我們確定該BP神經(jīng)網(wǎng)絡結構為3-9-1的網(wǎng)絡模型。endprint

將經(jīng)過歸一化處理的數(shù)據(jù)放入BP神經(jīng)網(wǎng)絡，經(jīng)過202次訓練達到預期的訓練要求（圖1）。

4 系統(tǒng)驗證和結果分析

4.1 隨機查看最后10組數(shù)據(jù)

運用上述的BP神經(jīng)網(wǎng)絡模型對48個訓練集樣本數(shù)據(jù)進行訓練，訓練時設置允許最大總誤差為0.001，最大訓練次數(shù)為5 000次，實際經(jīng)過訓練202次后達到預期效果，總誤差為0.009 97（圖1）。隨機抽取的最后10組數(shù)據(jù)表明，總體誤差在±2%之內(nèi)，學習效果達到預期（表2）。

4.2 運用學習好的神經(jīng)系統(tǒng)進行驗證

驗證數(shù)據(jù)采用2013年8月5日11：55～16：25間的數(shù)據(jù)，學習結果如表3。

驗證結果為10組數(shù)據(jù)的總體誤差在±6%之內(nèi)，證明該神經(jīng)網(wǎng)絡達到預期效果，經(jīng)過訓練的神經(jīng)網(wǎng)絡可以用于對于濕度變化率或需水量的預測。

5 結語

目前潮汐灌溉的自動控制系統(tǒng)多以濕度傳感器測得的土壤濕度值和氣象參數(shù)來預測作物需水量，然后把控制信號傳送到執(zhí)行機構，控制水泵、電磁閥等按時序動作，決定潮汐灌溉的頻次和灌溉時間。這種灌溉決策方式由于土壤濕度傳感器本身的非線性特性和輸出時滯較大，導致反饋控制系統(tǒng)與作物需水要求偏離較大，控制性能受到很大的影響。采用氣象參數(shù)運用神經(jīng)網(wǎng)絡算法來預測需水量，優(yōu)化控制規(guī)則，可以更好地指導種苗的科學灌溉，為信息化管理和專家系統(tǒng)的建立提供技術支撐。

參考文獻

[1] 楊仁全，卓杰強，周增產(chǎn)，等.潮汐式灌溉系統(tǒng)在溫室中的應用研究[C].紀念中國農(nóng)業(yè)工程學會成立30周年暨中國農(nóng)業(yè)工程學會2009年學術年會（CSAE 2009）論文集，2009.

[2] 楊鐵順.談地面潮汐灌溉[J].農(nóng)業(yè)工程技術：溫室園藝， 2009（4）：23-24.

[3] 張曉文，田真，劉文璽，等.潮汐式灌溉系統(tǒng)的研發(fā)與推廣[J].農(nóng)業(yè)工程，2011（1）：80-84.

[4] 張兵，袁壽其，成立.節(jié)水灌溉自動化技術的發(fā)展及趨勢[J].排灌機械，2003（2）：37-41.

[5] 李梅玲.潮汐灌溉小白菜穴盤栽培的水分管理研究[D].上海：上海交通大學，2014.

[6] 郭曉玲.作物需水量預測模型研究及其在灌溉管理信息系統(tǒng)中的應用[D].武漢：華中科技大學，2007.

[7] 溫耀華，羅金耀，李小平，等.基于BP 神經(jīng)網(wǎng)絡的大棚作物騰發(fā)量預測模型[J].中國農(nóng)村水利水電，2008（2）：20-21，25.

[8] 肖蔓君，陳思穎，倪國強，等.基于Sigmoid函數(shù)局部視覺適應模型的真實影像再現(xiàn)[J].光學學報，2009（11）：3 050-3 056.

[9] 石建勛，劉新榮，王艷芳，等.基于BP神經(jīng)網(wǎng)絡方法計算灌區(qū)農(nóng)業(yè)耗水量的研究[J].工程勘察，2011（5）：41-46.

[10] 張丹.基于BP人工神經(jīng)網(wǎng)絡的水稻需水量預測及灌區(qū)灌溉制度研究[D].沈陽：沈陽農(nóng)業(yè)大學，2007.

[11] 周品.MATLAB神經(jīng)網(wǎng)絡設計與應用[M].北京：清華大學出版社，2013.endprint

將經(jīng)過歸一化處理的數(shù)據(jù)放入BP神經(jīng)網(wǎng)絡，經(jīng)過202次訓練達到預期的訓練要求（圖1）。

4 系統(tǒng)驗證和結果分析

4.1 隨機查看最后10組數(shù)據(jù)

運用上述的BP神經(jīng)網(wǎng)絡模型對48個訓練集樣本數(shù)據(jù)進行訓練，訓練時設置允許最大總誤差為0.001，最大訓練次數(shù)為5 000次，實際經(jīng)過訓練202次后達到預期效果，總誤差為0.009 97（圖1）。隨機抽取的最后10組數(shù)據(jù)表明，總體誤差在±2%之內(nèi)，學習效果達到預期（表2）。

4.2 運用學習好的神經(jīng)系統(tǒng)進行驗證

驗證數(shù)據(jù)采用2013年8月5日11：55～16：25間的數(shù)據(jù)，學習結果如表3。

驗證結果為10組數(shù)據(jù)的總體誤差在±6%之內(nèi)，證明該神經(jīng)網(wǎng)絡達到預期效果，經(jīng)過訓練的神經(jīng)網(wǎng)絡可以用于對于濕度變化率或需水量的預測。

5 結語

目前潮汐灌溉的自動控制系統(tǒng)多以濕度傳感器測得的土壤濕度值和氣象參數(shù)來預測作物需水量，然后把控制信號傳送到執(zhí)行機構，控制水泵、電磁閥等按時序動作，決定潮汐灌溉的頻次和灌溉時間。這種灌溉決策方式由于土壤濕度傳感器本身的非線性特性和輸出時滯較大，導致反饋控制系統(tǒng)與作物需水要求偏離較大，控制性能受到很大的影響。采用氣象參數(shù)運用神經(jīng)網(wǎng)絡算法來預測需水量，優(yōu)化控制規(guī)則，可以更好地指導種苗的科學灌溉，為信息化管理和專家系統(tǒng)的建立提供技術支撐。

參考文獻

[1] 楊仁全，卓杰強，周增產(chǎn)，等.潮汐式灌溉系統(tǒng)在溫室中的應用研究[C].紀念中國農(nóng)業(yè)工程學會成立30周年暨中國農(nóng)業(yè)工程學會2009年學術年會（CSAE 2009）論文集，2009.

[2] 楊鐵順.談地面潮汐灌溉[J].農(nóng)業(yè)工程技術：溫室園藝， 2009（4）：23-24.

[3] 張曉文，田真，劉文璽，等.潮汐式灌溉系統(tǒng)的研發(fā)與推廣[J].農(nóng)業(yè)工程，2011（1）：80-84.

[4] 張兵，袁壽其，成立.節(jié)水灌溉自動化技術的發(fā)展及趨勢[J].排灌機械，2003（2）：37-41.

[5] 李梅玲.潮汐灌溉小白菜穴盤栽培的水分管理研究[D].上海：上海交通大學，2014.

[6] 郭曉玲.作物需水量預測模型研究及其在灌溉管理信息系統(tǒng)中的應用[D].武漢：華中科技大學，2007.

[7] 溫耀華，羅金耀，李小平，等.基于BP 神經(jīng)網(wǎng)絡的大棚作物騰發(fā)量預測模型[J].中國農(nóng)村水利水電，2008（2）：20-21，25.

[8] 肖蔓君，陳思穎，倪國強，等.基于Sigmoid函數(shù)局部視覺適應模型的真實影像再現(xiàn)[J].光學學報，2009（11）：3 050-3 056.

[9] 石建勛，劉新榮，王艷芳，等.基于BP神經(jīng)網(wǎng)絡方法計算灌區(qū)農(nóng)業(yè)耗水量的研究[J].工程勘察，2011（5）：41-46.

[10] 張丹.基于BP人工神經(jīng)網(wǎng)絡的水稻需水量預測及灌區(qū)灌溉制度研究[D].沈陽：沈陽農(nóng)業(yè)大學，2007.

[11] 周品.MATLAB神經(jīng)網(wǎng)絡設計與應用[M].北京：清華大學出版社，2013.endprint

將經(jīng)過歸一化處理的數(shù)據(jù)放入BP神經(jīng)網(wǎng)絡，經(jīng)過202次訓練達到預期的訓練要求（圖1）。

4 系統(tǒng)驗證和結果分析

4.1 隨機查看最后10組數(shù)據(jù)

運用上述的BP神經(jīng)網(wǎng)絡模型對48個訓練集樣本數(shù)據(jù)進行訓練，訓練時設置允許最大總誤差為0.001，最大訓練次數(shù)為5 000次，實際經(jīng)過訓練202次后達到預期效果，總誤差為0.009 97（圖1）。隨機抽取的最后10組數(shù)據(jù)表明，總體誤差在±2%之內(nèi)，學習效果達到預期（表2）。

4.2 運用學習好的神經(jīng)系統(tǒng)進行驗證

驗證數(shù)據(jù)采用2013年8月5日11：55～16：25間的數(shù)據(jù)，學習結果如表3。

驗證結果為10組數(shù)據(jù)的總體誤差在±6%之內(nèi)，證明該神經(jīng)網(wǎng)絡達到預期效果，經(jīng)過訓練的神經(jīng)網(wǎng)絡可以用于對于濕度變化率或需水量的預測。

5 結語

目前潮汐灌溉的自動控制系統(tǒng)多以濕度傳感器測得的土壤濕度值和氣象參數(shù)來預測作物需水量，然后把控制信號傳送到執(zhí)行機構，控制水泵、電磁閥等按時序動作，決定潮汐灌溉的頻次和灌溉時間。這種灌溉決策方式由于土壤濕度傳感器本身的非線性特性和輸出時滯較大，導致反饋控制系統(tǒng)與作物需水要求偏離較大，控制性能受到很大的影響。采用氣象參數(shù)運用神經(jīng)網(wǎng)絡算法來預測需水量，優(yōu)化控制規(guī)則，可以更好地指導種苗的科學灌溉，為信息化管理和專家系統(tǒng)的建立提供技術支撐。

參考文獻

[1] 楊仁全，卓杰強，周增產(chǎn)，等.潮汐式灌溉系統(tǒng)在溫室中的應用研究[C].紀念中國農(nóng)業(yè)工程學會成立30周年暨中國農(nóng)業(yè)工程學會2009年學術年會（CSAE 2009）論文集，2009.

[2] 楊鐵順.談地面潮汐灌溉[J].農(nóng)業(yè)工程技術：溫室園藝， 2009（4）：23-24.

[3] 張曉文，田真，劉文璽，等.潮汐式灌溉系統(tǒng)的研發(fā)與推廣[J].農(nóng)業(yè)工程，2011（1）：80-84.

[4] 張兵，袁壽其，成立.節(jié)水灌溉自動化技術的發(fā)展及趨勢[J].排灌機械，2003（2）：37-41.

[5] 李梅玲.潮汐灌溉小白菜穴盤栽培的水分管理研究[D].上海：上海交通大學，2014.

[6] 郭曉玲.作物需水量預測模型研究及其在灌溉管理信息系統(tǒng)中的應用[D].武漢：華中科技大學，2007.

[7] 溫耀華，羅金耀，李小平，等.基于BP 神經(jīng)網(wǎng)絡的大棚作物騰發(fā)量預測模型[J].中國農(nóng)村水利水電，2008（2）：20-21，25.

[8] 肖蔓君，陳思穎，倪國強，等.基于Sigmoid函數(shù)局部視覺適應模型的真實影像再現(xiàn)[J].光學學報，2009（11）：3 050-3 056.

[9] 石建勛，劉新榮，王艷芳，等.基于BP神經(jīng)網(wǎng)絡方法計算灌區(qū)農(nóng)業(yè)耗水量的研究[J].工程勘察，2011（5）：41-46.

[10] 張丹.基于BP人工神經(jīng)網(wǎng)絡的水稻需水量預測及灌區(qū)灌溉制度研究[D].沈陽：沈陽農(nóng)業(yè)大學，2007.

[11] 周品.MATLAB神經(jīng)網(wǎng)絡設計與應用[M].北京：清華大學出版社，2013.endprint