[发明专利]一种基于神经网络技术的农业水利调度方法及系统

说明书

本发明涉及农业水资源调度领域，尤其涉及一种基于神经网络技术的农业水利调度方法及系统。所述方法包括利用粒子群算法来改进的遗传算法，对农业灌溉区设置多个监测传感器，监测该区域的各类环境数据以及各类作物数据进行处理，从而来优化BP神经网络的初始权值和阈值，建立改进遗传算法的BP神经网络预测模型。通过输出经BP神经网络模型预测的数据来确定该区域农业水利资源调度的方法，实现农业水利资源的合理调度优化和配置。本发明的模型预测输出和实际负荷值拟合度更好，且预测输出稳定性较好，没有出现大幅度的波动，即本发明对农业水资源调度预测更可靠，更有优势。

技术领域

本发明涉及农业水资源调度领域，尤其涉及一种基于神经网络技术的农业水利调度方法及系统。

背景技术

农业在国民经济总用水量中占有很大比重，且农业用水在农业生产中起着十分重要的作用，因此，对农业发展需水量进行估计或对未来农业用水量进行预测，对于合理分配、优化调度有限的水资源，提高水资源利用效率，推动区域农业生产发展具有重要的现实意义。

农业用水量的预测是水资源合理规划和优化配置的重要工作，也是实现农业水利资源优化调度的基础工作。农业用水量的预测就是根据影响农业需水量的因素和指标的发展趋势，对未来农业发展所需的用水量进行定量估算。因为影响农业用水量的因素很多，如农业播种面积、农业播种结构、农业用水价格和天然的降水量等等，农业用水量表现出很大的随机性、波动性和非线性等特征。在现有农业水利资源调度的方法中，特别是广大农村地区，基本属于基于经验人工调度，没有针对局部区域的各种农业数据进行分析预测，有学者提出过一些数学模型，主要有区域水量平衡法、神经网络预测法以及灰色理论法等，各种方法各有利弊。

当前用于农业水利资源预测调度的方法中，都是利用各类数学模型进行农业用水量的预测，但这些模型原理较为复杂，操作较难，相对而言，BP神经网络因对于非线性的负荷数据预测有较好的拟合能力而得到广泛应用，但是BP神经网络不仅计算量大，消耗时间多，也存在一定的缺陷，比如：易陷入局部最小值、收敛速度慢，初始权值、阈值随机赋予和网络训练震荡等，在利用遗传算法改进的神经网络模型对农业用水量进行预测的模型中，由于传统的遗传算法交叉与变异概率是常数，导致在训练过程中，群体易停留在局部最优值，即使预测精度得到提高，但存在局部寻优能力不足，易陷入早期收敛等缺陷；导致农业水利调度不及时，不准确等。

发明内容

为了合理地根据当前地区的近期一个月降水量、年降水量、该区域空气中的温度湿度和二氧化碳浓度、土壤条件(温度、湿度、pH值等)、该区域公共水源总量和区域内水源的数量分布、农作物的类型、播种面积、农作物灌溉方式以及农作物的存活状态和水分含量数据等信息对农业水利资源进行合理优化调度，本发明提出一种基于神经网络技术的农业水资源调度优化方法及系统。

具体的，一种基于神经网络技术的农业水利调度方法及系统，所述方法包括以下步骤：

S1、在农业灌溉区设置多个监测传感器，监测该区域的各类环境数据以及各类作物数据，并对其进行特征提取；

S2、构建BP神经网络模型，输入当前区域的各类环境数据以及各类作物数据，按照设定的初始权值和初始阈值直接预测出当前区域的农业水利的调度数据；

S3、采用遗传算法的方式，将种群个体对应到提取后的特征，设置进化代数计数器t＝0，设置最大进化代数T以及特征种群规模；并随机生成多个特征个体作为初始化的特征种群；

S4、计算出第t代的特征种群中各个特征个体的适应度值；

S5、将不满足收敛条件下的特征个体采用选择、交叉、变异处理，令t＝t+1；再采用粒子群算法进行处理，返回步骤S4，直至其满足收敛条件；在满足收敛条件下，则将具有最大适应度的特征个体作为最优解输出；

S6、将最优解作为该BP神经网络模型优化后的初始权值和优化后的初始阈值，从而优化BP神经网络模型；