[发明专利]一种基于APSO-ELM和模糊逻辑的灌溉时间计算方法

说明书

本发明公开了一种基于APSO‑ELM和模糊逻辑的灌溉时间计算方法，具体按照以下步骤实施：步骤1、构建灌溉在线监测系统，进行实时监测作物生长环境参数，建立APSO‑ELM模型，通过APSO‑ELM网络预测模型，将监测得到的生长环境数据作为输入，输出预测参考作物的蒸发蒸腾量；建立模糊控制的灌溉时间预报模型；步骤2、将步骤1中得到的作物蒸发蒸腾量以及土壤湿度下降率数据作为模糊控制的输入，输入到模糊控制的灌溉时间预报模型中，最终输出作物需要的灌溉时间，完成灌溉时间计算，解决了现有技术中存在的ELM算法输入层与隐含层随机生成的权值和阈值给网络预测精度带来不稳定的问题。

技术领域

本发明属于设施农业技术技术领域，涉及一种基于APSO-ELM和模糊逻辑的灌溉时间计算方法。

背景技术

我国作为一个农业大国，水资源却十分稀缺。我国淡水总资源为28000亿M3，虽然总量看起来很多，但实际仅占全球6％，约为世界人均淡水资源的四分之一，是全球人均水资源较匮乏的国家之一。其中，农业用水占到了总用水量的70％左右，由于灌溉效率普遍偏低，水的利用率仅为45％，因此解决农业灌溉用水问题对于缓解水资源的紧缺是非常重要的，已成为我们关注的主要内容。

在当前农业精准灌溉的需求下，参考作物蒸发蒸腾量是必须考虑的问题之一。因标准参考作物蒸发蒸腾量计算模型参数过多，容易造成参数获取成本过高，并且有部分参数不易获取，所以李家明等人利用通径分析法研究出漳河灌区参考作物蒸发蒸腾量的主要环境因子。张志政等人在BP神经网络的基础上引入了PSO，通过组合不同的参考作物蒸发蒸腾量的影响因子确定了输入量，最终对参考作物蒸发蒸腾量的预测精度达到了0.96，但因BP的正向传播输出层得不到预期的效果时，则反向传播需要不断的对网络各连接权值进行修正，则会导致网络训练的速度下降。因ELM模型具有较强的泛化性能，所以崔宁博等人利用该模型对西北地区的参考作物蒸发蒸腾量进行了预测，预测结果达到了0.96以上，相较于BP，精度达到了良好的效果，但却忽略了训练速度的影响。

模糊控制在灌溉时间控制中的研究十分广泛。吴兴利等人利用土壤湿度偏差和湿度偏差变化率作为模糊控制的输入，以电磁阀的控制量作为输出，间接实现对灌溉时间的控制；X PENG等人利用土壤湿度和空气温度作为模糊控制的输入，L XIAO等人利用最佳土壤湿度和当前土壤湿度的差作为输入,S FAZACKERLEY等人利用土壤湿度、水流失率的数学函数来计算灌溉时间；刘东等人利用土壤温度和土壤湿度下降率作为模糊控制的输入。上述控制的输出都是灌溉时间，但考虑的全是土壤因素对灌溉时间的影响，忽略了作物本身因素带来的影响。

发明内容

本发明的目的是提供一种基于APSO-ELM和模糊逻辑的灌溉时间计算方法，解决了现有技术中存在的ELM算法输入层与隐含层随机生成的权值和阈值给网络预测精度带来不稳定的问题。

本发明所采用的技术方案是，一种基于APSO-ELM和模糊逻辑的灌溉时间计算方法，具体按照以下步骤实施：

步骤1、构建灌溉在线监测系统，进行实时监测作物生长环境参数，建立APSO-ELM模型，通过APSO-ELM网络预测模型，将监测得到的生长环境数据作为输入，输出预测参考作物的蒸发蒸腾量；建立模糊控制的灌溉时间预报模型；

步骤2、将步骤1中得到的作物蒸发蒸腾量以及土壤湿度下降率数据作为模糊控制的输入，输入到模糊控制的灌溉时间预报模型中，最终输出作物需要的灌溉时间，完成灌溉时间计算。

本发明的特点还在于：

步骤1中的灌溉在线监测系统包括多个无线智能传感器模块和现场预报终端模块，多个无线智能传感器模块分别与现场预报终端模块通过ZigBee模块进行通讯连接，现场预报终端模块通过GPRS通讯方式与控制中心连接。

现场预报终端模块包括中央处理器和分别与中央处理器连接的电源模块、存储模块及GPRS模块，GPRS模块与控制中心通过GPRS通讯方式连接。