[发明专利]一种灌水时间动态调控方法及其系统

说明书

技术领域

本发明涉及自动调控技术领域，更具体地，涉及一种灌水时间动态调控方法及其系统。

背景技术

农业用水短缺是制约我国设施蔬菜种植生产可持续发展的重要因素，而一些生产者对灌溉时机的选择和灌水量的确定基本依靠主观经验，很多滴灌用户仍采用传统灌溉方式的灌溉周期和灌溉量，普遍缺乏节水意识，造成灌溉用水浪费且减少蔬菜产量。因此，实现对设施蔬菜生产过程中需水量的准确预测、动态调控蔬菜灌水时间具有重要的现实意义。

常用的需水量预测方法有神经网络方法、优化神经网络方法、自适应模糊神经网络方法和基于偏最小二乘回归方法等。目前，国内外学者在蔬菜需水量预测的研究趋于成熟。如Makki等通过神经网络方法聚类分析和虚拟编码每个区域的数据完成了数据的准备分析和建模。Chen等通过神经网络与优化模型的应用，使得地表水与地下水联合运用在灌溉，获得较好的灌溉效果。Kisi等利用自适应神经模糊嵌入式模糊C均值对径流预测进行测试，达到了较高的精度。Yan等基于偏最小二乘回归方法建立了蔬菜腾发量与相关因素的预测模型。

以往的需水量预测方法往往是基于大数据的学习适应过程，没有太多的与实际结合，工作量大、文化水平偏低的农民无法掌握。

发明内容

针对现有技术的不足，在设施环境条件下，本发明设计了一种能实时动态调控灌水时间的方法及其系统，减少灌溉用水消耗，以保证设施蔬菜的正常生长，满足农户在实际使用中的需要。

本发明的一种灌水时间动态调控方法，包括：

S1.基于蔬菜在预设时间的环境信息数据，利用基于L-M优化算法的BP神经网络需水量预测模型进行分析确定灌水阈值；

S2.基于所述蔬菜当前的环境信息数据，利用所述基于L-M优化算法的BP神经网络需水量预测模型得到所述蔬菜当前的需水量；

S3.将所述蔬菜当前的需水量与所述灌水阈值进行比较，以调控灌水时间。

优选地，S1中所述基于L-M优化算法的BP神经网络需水量预测模型的构建包括：

基于训练样本中的训练因子，利用BP神经网络需水量预测模型计算得到灌水量输出值，其中，训练样本为预设数量的所述蔬菜在预设时间的环境信息数据；

参照所述灌水量输出值与实际灌水量之间的误差，优化所述BP神经网络的连接权值，直至二者的误差达到设定值；

当二者的误差未达到所述设定值时，采用L-M方法对所述BP神经网络的权值进行优化；

优化所述需水量预测模型的准确性，当预测值收敛于实测值时，确立灌水阈值。

优选地，所述基于L-M优化算法的BP神经网络需水量预测模型的构建包括：

1)设训练样本选取i个属性因子：x₁,x₂,……，x_i，所述属性因子作为BP神经网络的输入元，输出元设为y，表示灌水量；

其中，ω为初始化输入层、隐含层和输出层神经元之间的连接权值，θ为神经元阈值，f为Sigmoid函数，x_ij中的i个元素代表训练样本的属性，x_ij中的j个元素代表训练样本的个数，训练样本为预设数量的所述蔬菜在预设时间的环境信息数据；

2)用BP网络的实际输出与输出样本之间的误差修正网络的连接权值，直至二者的误差达到设定值；误差公式表示如下：

式中，t_k是样本输入量，即预测需水量，z_k是样本输出量，即实验需水量；

3)采用L-M方法对所述BP神经网络的权值进行优化，权值调整公式如下所示：

ω＝(J^TJ+μL)^-1J^Te

其中，e为误差向量；J为误差对权值微分的雅可比矩阵；μ是一个标量；

4)优化需水量预测模型的准确性，当需水量预测值收敛于实测值时，确立灌水阈值。

优选地，S1中所述蔬菜在预设时间的环境信息数据包括每日土壤的最高湿度值、最低湿度值、平均湿度值和各自对应的茎流量值。

优选地，S2中所述蔬菜当前的环境信息数据包括土壤当前的湿度值和茎流量值。

优选地，所述环境信息数据的采集点的确定包括：