溫室大棚土壤參數(shù)測量方法
【技術領域】
[0001] 本發(fā)明涉及一種土壤參數(shù)測量方法，尤其涉及一種溫室大棚土壤參數(shù)測量方法， 屬于檢測技術領域。
【背景技術】
[0002] 農業(yè)生產(chǎn)具有季節(jié)性的特點，溫室大棚可以幫助克服農業(yè)生產(chǎn)的季節(jié)性，提高農 業(yè)生產(chǎn)效率。大棚內影響農作物生長的環(huán)境因素有溫度、濕度、光照和空氣流通情況，尤其 是土壤作為農作物生長的基地，土壤的溫度、濕度、酸堿度、含水量、二氧化碳含量、通氣狀 況、氮、磷、鉀、鈣等養(yǎng)分的含量等對農作物的生長都具有直接影響。為了達到農業(yè)生產(chǎn)的效 率化、優(yōu)質化，對上述各種土壤環(huán)境參數(shù)的量化測量與控制很重要。目前的溫室大棚環(huán)境控 制僅能對空氣環(huán)境的參數(shù)進行自動實時測量控制，但對土壤的系列參數(shù)由于技術、設備限 制，對這一系列土壤物理量的測量往往采用的方法是人工間隔一定時段采樣一次，再使用 儀器做離線分析得出。由于土壤的上述參數(shù)涉及氣、固、液三相，難以采用傳感器直接進行 測量，很難實時的獲知土壤物理量的準確值，因而無法準確、實時自動調節(jié)上述土壤物理 量，滿足不了農業(yè)生產(chǎn)測量控制信息化、網(wǎng)絡化的要求。
[0003] 采用軟測量技術，建立容易實時測量的輔助變量和難以測量的目標主導變量之間 的數(shù)學模型關系，為準確測量控制土壤參數(shù)提供了一條新途徑。

【發(fā)明內容】

[0004] 本發(fā)明的目的在于提供一種溫室大棚土壤參數(shù)測量方法，解決現(xiàn)有技術對溫室大 棚農作物生長的土壤環(huán)境參數(shù)難以用傳感器直接進行測量，而采用人工間隔時段測量采 樣，再使用儀器做離線分析，造成無法實時的獲知土壤物理量準確值的技術問題。本發(fā)明以 軟測量技術實時測量調節(jié)土壤物理量，以滿足農業(yè)生產(chǎn)測量控制信息化、網(wǎng)絡化的要求。
[0005] 本發(fā)明的目的通過以下技術方案予以實現(xiàn)：
[0006] -種溫室大棚土壤參數(shù)測量方法，包括以下步驟：
[0007] 1)根據(jù)對溫室大棚的空氣和土壤數(shù)據(jù)的記錄，統(tǒng)計出空氣溫度、濕度、二氧化碳含 量、空氣流量，對應時刻的土壤溫度、含水量、二氧化碳含量的數(shù)據(jù);將空氣溫度、濕度、二氧 化碳含量、空氣流量作為輸入?yún)⒘?，將土壤溫度、含水量、二氧化碳含量作為輸出參量，建?神經(jīng)網(wǎng)絡，根據(jù)已有的歷史監(jiān)測數(shù)據(jù)，使用BP神經(jīng)網(wǎng)絡，附加動量學習規(guī)則，訓練神經(jīng)網(wǎng)絡； [0008] 2)根據(jù)農作物生長所需的土壤的溫度、含水量、二氧化碳含量的理想值，由粒子群 算法，求解神經(jīng)網(wǎng)絡的最優(yōu)輸入?yún)⒘浚纯諝鉁囟?、濕度、二氧化碳含量、空氣流量?br>[0009] 3)根據(jù)上一循環(huán)神經(jīng)網(wǎng)絡估計誤差判斷是否需要人工采樣，如需要，通過人工采 樣然后離線分析，對比得出實測的土壤溫度、含水量、二氧化碳含量與神經(jīng)網(wǎng)絡估計出的土 壤溫度、含水量、二氧化碳含量的誤差，然后將這組實測土壤溫度、含水量、二氧化碳含量數(shù) 據(jù)，以及神經(jīng)網(wǎng)絡估計與實測的土壤溫度、含水量、二氧化碳含量誤差數(shù)據(jù)一起，使用附加 動量學習規(guī)則，更新訓練神經(jīng)網(wǎng)絡;如不需要人工采樣，則返回步驟2)。
[0010] 本發(fā)明的目的還可以通過以下技術措施來進一步實現(xiàn)：
[0011] 前述溫室大棚土壤參數(shù)測量方法，其中粒子群算法，步驟如下：
[0012] 1)初始化粒子群：確定粒子群大小NP，粒子群算法迭代次數(shù)NG，初始化粒子位置， 計算每個粒子的適應度并初始化全局最優(yōu)解與個體最優(yōu)解；
[0013] 計算粒子適應度的函數(shù)為：
[0015] 其中，〇,表示神經(jīng)網(wǎng)絡輸出向量的第i個元素，為理論期望的輸出向量的第i個 元素；
[0016] 2)更新粒子群:粒子群的運動方程如下：
[0017] v(t)= ω · v(t_l)+ci·(lbest-x(t))+C2 · (gbest-x(t))
[0018] x(t+l) =x(t)+C3 · v(t)
[0019]
，i為粒子群算法的本次迭代次數(shù)，C1， C2，C3為常數(shù)，lbest為 每個粒子搜索過的個體最優(yōu)解，gbest為所有粒子搜索過的全局最優(yōu)解；
[0020] 3)計算本次迭代的粒子適應度，更新個體最優(yōu)解與全局最優(yōu)解：即對每個粒子，將 本次迭代產(chǎn)生的適應度，與當前個體最優(yōu)解相比，取適應度較小的為個體最優(yōu)解，與所有粒 子搜索過的全局最優(yōu)解相比，取適應度較小的為全局最優(yōu)解；
[0021] 4)判斷是否達到迭代NG次，若是，則輸出全局最優(yōu)解，若否，則返回步驟2)。
[0022] 前述溫室大棚土壤參數(shù)測量方法，其中粒子群算法步驟2)的C1，c2取值為3，C3取值 為 0.4。
[0023]前述溫室大棚土壤參數(shù)測量方法，其中附加動量學習法，更新規(guī)則如下式：
[0025] 其中Δ ω (t)= ω (t)-co (t-Ι)，Ετ為神經(jīng)網(wǎng)絡的訓練誤差，η為權重，a為動量因 子，取0.95。
[0026] 本發(fā)明的目的還可以通過另一種技術方案予以實現(xiàn)：
[0027] 一種溫室大棚土壤參數(shù)測量方法，包括以下步驟：
[0028] 1)根據(jù)對溫室大棚的空氣和土壤數(shù)據(jù)的記錄，統(tǒng)計出空氣溫度、濕度、二氧化碳含 量、空氣流量，對應時刻的土壤溫度、含水量、二氧化碳含量的數(shù)據(jù);將空氣溫度、濕度、二氧 化碳含量、空氣流量作為輸入?yún)⒘?，將土壤溫度、含水量、二氧化碳含量作為輸出參量，建?神經(jīng)網(wǎng)絡，根據(jù)已有的歷史監(jiān)測數(shù)據(jù)，使用BP神經(jīng)網(wǎng)絡，附加動量學習規(guī)則，訓練神經(jīng)網(wǎng)絡； [0029] 2)根據(jù)農作物生長所需的土壤的溫度、含水量、二氧化碳含量的理想值，由遺傳算 法，求解神經(jīng)網(wǎng)絡的最優(yōu)輸入?yún)⒘?，即空氣溫度、濕度、二氧化碳含量、空氣流?所述遺傳 算法包括以下步驟：
[0030] ①采用實數(shù)編碼，初始化染色體，形成初始種群；
[0031] ②利用適應度函數(shù)評價各代中的每個染色體；
[0032]③進行遺傳操作；
[0033]④重新計算每個個體的適應值；
[0034] ⑤選擇好新種群后，對新種群中的最優(yōu)個體進行保留，用上代的最優(yōu)個體取代本 代的最差個體；
[0035] ⑥判斷是否達到進化代數(shù)，若沒有，則返回第②步，否則結束；
[0036]⑦將新種群中的最優(yōu)個體的值作為和，保持不變，采用BP算法進行學習，直到滿足 性能指標。
[0037] 3)根據(jù)上一循環(huán)神經(jīng)網(wǎng)絡估計誤差判斷是否需要人工采樣，如需要，通過人工采 樣然后離線分析，對比得出實測的土壤溫度、含水量、二氧化碳含量與神經(jīng)網(wǎng)絡估計出的土 壤溫度、含水量、二氧化碳含量的誤差，然后將這組實測土壤溫度、含水量、二氧化碳含量數(shù) 據(jù)，以及神經(jīng)網(wǎng)絡估計與實測的土壤溫度、含水量、二氧化碳含量誤差數(shù)據(jù)一起，使用附加 動量學習規(guī)則，更新訓練神經(jīng)網(wǎng)絡;如不需要人工采樣，則返回步驟2)。
[0038] 與現(xiàn)有技術相比，本發(fā)明的有益效果是:采用軟測量技術，建立容易實時測量的輔 助變量和難以測量的目標主導變量之間的數(shù)學模型關系，為實時準確測量控制土壤參數(shù)提 供了較佳的解決方案。同時，將神經(jīng)網(wǎng)絡、粒子群算法、遺傳算法等方法結合，實現(xiàn)溫室大棚 農作物生長土壤環(huán)境的優(yōu)化控制。
【附圖說明】
[0039] 圖1是本發(fā)明的神經(jīng)網(wǎng)絡結構圖。
【具體實施方式】
[0040] 下面結合附圖和具體實施例對本發(fā)明作進一步說明。
[0041] 在溫室大棚中，土壤溫度、含水量、二氧化碳含量對農作物的生長十分重要，為了 提高農作物質量與產(chǎn)量，需要對土壤的物理參數(shù)進行測量然后進行調節(jié)，如能實現(xiàn)自動控 制則更加方便高效并有利于植物生長。為實現(xiàn)這一目的，應先使用溫度計、濕度計、空氣流 量計、二氧化碳檢測儀等傳感器對空氣及土壤內的參數(shù)進行測量，建立一個該溫室大棚空 氣和土壤物理量數(shù)據(jù)庫，具體包括以下步驟：
[0042] 1)根據(jù)對溫室大棚的空氣和土壤數(shù)據(jù)的記錄，統(tǒng)計出空氣溫度、濕度、二氧化碳含 量、空氣流量，以及對應時刻的土壤溫度、含水量、二氧化碳含量的數(shù)據(jù);將空氣溫度、濕度、 二氧化碳含量、空氣流量作為輸入?yún)⒘?，將土壤溫度、含水量、二氧化碳含量作為輸出參量?建立神經(jīng)網(wǎng)絡，如圖1所示。根據(jù)已有的歷史監(jiān)測數(shù)據(jù)，使用BP神經(jīng)網(wǎng)絡，附加動量學習規(guī) 貝1J，訓練神經(jīng)網(wǎng)絡;附加動量學習法更新規(guī)則如下式：
[0044] 其中Δ ω (t)= ω (t)-co (t-Ι)，Ετ為神經(jīng)網(wǎng)絡的訓練誤差，η為權重，a為動量因 子，取0.95。
[0045] 2)根據(jù)農作物生長所需的土壤的溫度、含水量、二氧化碳含量的理想值，由粒子群 算法，求解神經(jīng)網(wǎng)絡的最優(yōu)輸入?yún)⒘?，即空氣溫度、濕度、二氧化碳含量、空氣流?其中粒 子群算法，步驟如下：
[0046] (1)初始化粒子群:確定粒子群大小NP，粒子群算法迭代次數(shù)NG，初始化粒子位置， 計算每個粒子的適應度并初始化全局最優(yōu)解與個體最優(yōu)解；
[0047]計算粒子適應度的函數(shù)為：
[0049] 其中，表示神經(jīng)網(wǎng)絡輸出向量的第i個元素，為理論期望的輸出向量的第i個 元素；
[0050] (2)更新粒子群:粒子群的運動方程如下：
[0051] v(t)= ω · v(t_l)+ci · (lbest-x(t))+C2 · (gbest-x(t))
[0052] x(t+l) =x(t)+C3 · v(t)
[0053]
，i為粒子群算法的本次迭代次數(shù)，C1，c 2，C3為常數(shù)，C1，C2取 值為3，C3取值為0.4; lbest為每個粒子搜索過的個體最優(yōu)解，gbest為所有粒子搜索過的全 局最優(yōu)解；
[0054] (3)計算本次迭代的粒子適應度，更新個體最優(yōu)解與全局最優(yōu)解：即對每個粒子， 將本次迭代產(chǎn)生的適應度，與當前個體最優(yōu)解相比，取適應度較小的為個體最優(yōu)解，與所有 粒子搜索過的全局最優(yōu)解相比，取適應度較小的為全局最優(yōu)解；
[0055] (4)判斷是否達到迭代NG次，若是，則輸出全局最優(yōu)解，若否，則返回步驟2)。
[0056] 3)由于神經(jīng)網(wǎng)絡建