溫室大棚土壤參數(shù)測(cè)量方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種土壤參數(shù)測(cè)量方法，尤其涉及一種溫室大棚土壤參數(shù)測(cè)量方法， 屬于檢測(cè)技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 農(nóng)業(yè)生產(chǎn)具有季節(jié)性的特點(diǎn)，溫室大棚可以幫助克服農(nóng)業(yè)生產(chǎn)的季節(jié)性，提高農(nóng) 業(yè)生產(chǎn)效率。大棚內(nèi)影響農(nóng)作物生長(zhǎng)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(nóng)作物生長(zhǎng)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(duì)農(nóng)作物的生長(zhǎng)都具有直接影響。為了達(dá)到農(nóng)業(yè)生產(chǎn)的效 率化、優(yōu)質(zhì)化，對(duì)上述各種土壤環(huán)境參數(shù)的量化測(cè)量與控制很重要。目前的溫室大棚環(huán)境控 制僅能對(duì)空氣環(huán)境的參數(shù)進(jìn)行自動(dòng)實(shí)時(shí)測(cè)量控制，但對(duì)土壤的系列參數(shù)由于技術(shù)、設(shè)備限 制，對(duì)這一系列土壤物理量的測(cè)量往往采用的方法是人工間隔一定時(shí)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(jìn)行 測(cè)量，很難實(shí)時(shí)的獲知土壤物理量的準(zhǔn)確值，因而無(wú)法準(zhǔn)確、實(shí)時(shí)自動(dòng)調(diào)節(jié)上述土壤物理 量，滿足不了農(nóng)業(yè)生產(chǎn)測(cè)量控制信息化、網(wǎng)絡(luò)化的要求。
[0003] 采用軟測(cè)量技術(shù)，建立容易實(shí)時(shí)測(cè)量的輔助變量和難以測(cè)量的目標(biāo)主導(dǎo)變量之間 的數(shù)學(xué)模型關(guān)系，為準(zhǔn)確測(cè)量控制土壤參數(shù)提供了一條新途徑。

【發(fā)明內(nèi)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(cè)量方法，解決現(xiàn)有技術(shù)對(duì)溫室大 棚農(nóng)作物生長(zhǎng)的土壤環(huán)境參數(shù)難以用傳感器直接進(jìn)行測(cè)量，而采用人工間隔時(shí)段測(cè)量采 樣，再使用儀器做離線分析，造成無(wú)法實(shí)時(shí)的獲知土壤物理量準(zhǔn)確值的技術(shù)問(wèn)題。本發(fā)明以 軟測(cè)量技術(shù)實(shí)時(shí)測(cè)量調(diào)節(jié)土壤物理量，以滿足農(nóng)業(yè)生產(chǎn)測(cè)量控制信息化、網(wǎng)絡(luò)化的要求。
[0005] 本發(fā)明的目的通過(guò)以下技術(shù)方案予以實(shí)現(xiàn)：
[0006] -種溫室大棚土壤參數(shù)測(cè)量方法，包括以下步驟：
[0007] 1)根據(jù)對(duì)溫室大棚的空氣和土壤數(shù)據(jù)的記錄，統(tǒng)計(jì)出空氣溫度、濕度、二氧化碳含 量、空氣流量，對(duì)應(yīng)時(shí)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(luò)，根據(jù)已有的歷史監(jiān)測(cè)數(shù)據(jù)，使用BP神經(jīng)網(wǎng)絡(luò)，附加動(dòng)量學(xué)習(xí)規(guī)則，訓(xùn)練神經(jīng)網(wǎng)絡(luò)； [0008] 2)根據(jù)農(nóng)作物生長(zhǎng)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(luò)的最優(yōu)輸入?yún)⒘?，即空氣溫度、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(luò)估計(jì)誤差判斷是否需要人工采樣，如需要，通過(guò)人工采 樣然后離線分析，對(duì)比得出實(shí)測(cè)的土壤溫度、含水量、二氧化碳含量與神經(jīng)網(wǎng)絡(luò)估計(jì)出的土 壤溫度、含水量、二氧化碳含量的誤差，然后將這組實(shí)測(cè)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(luò)估計(jì)與實(shí)測(cè)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(dòng)量學(xué)習(xí)規(guī)則，更新訓(xùn)練神經(jīng)網(wǎng)絡(luò);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(guò)以下技術(shù)措施來(lái)進(jìn)一步實(shí)現(xiàn)：
[0011] 前述溫室大棚土壤參數(shù)測(cè)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(jì)算每個(gè)粒子的適應(yīng)度并初始化全局最優(yōu)解與個(gè)體最優(yōu)解；
[0013] 計(jì)算粒子適應(yīng)度的函數(shù)為：
[0015] 其中，〇,表示神經(jīng)網(wǎng)絡(luò)輸出向量的第i個(gè)元素，為理論期望的輸出向量的第i個(gè) 元素；
[0016] 2)更新粒子群:粒子群的運(yùn)動(dòng)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(gè)粒子搜索過(guò)的個(gè)體最優(yōu)解，gbest為所有粒子搜索過(guò)的全局最優(yōu)解；
[0020] 3)計(jì)算本次迭代的粒子適應(yīng)度，更新個(gè)體最優(yōu)解與全局最優(yōu)解：即對(duì)每個(gè)粒子，將 本次迭代產(chǎn)生的適應(yīng)度，與當(dāng)前個(gè)體最優(yōu)解相比，取適應(yīng)度較小的為個(gè)體最優(yōu)解，與所有粒 子搜索過(guò)的全局最優(yōu)解相比，取適應(yīng)度較小的為全局最優(yōu)解；
[0021] 4)判斷是否達(dá)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(cè)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(cè)量方法，其中附加動(dòng)量學(xué)習(xí)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(luò)的訓(xùn)練誤差，η為權(quán)重，a為動(dòng)量因 子，取0.95。
[0026] 本發(fā)明的目的還可以通過(guò)另一種技術(shù)方案予以實(shí)現(xiàn)：
[0027] 一種溫室大棚土壤參數(shù)測(cè)量方法，包括以下步驟：
[0028] 1)根據(jù)對(duì)溫室大棚的空氣和土壤數(shù)據(jù)的記錄，統(tǒng)計(jì)出空氣溫度、濕度、二氧化碳含 量、空氣流量，對(duì)應(yīng)時(shí)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(luò)，根據(jù)已有的歷史監(jiān)測(cè)數(shù)據(jù)，使用BP神經(jīng)網(wǎng)絡(luò)，附加動(dòng)量學(xué)習(xí)規(guī)則，訓(xùn)練神經(jīng)網(wǎng)絡(luò)； [0029] 2)根據(jù)農(nóng)作物生長(zhǎng)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(luò)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(shí)數(shù)編碼，初始化染色體，形成初始種群；
[0031] ②利用適應(yīng)度函數(shù)評(píng)價(jià)各代中的每個(gè)染色體；
[0032]③進(jìn)行遺傳操作；
[0033]④重新計(jì)算每個(gè)個(gè)體的適應(yīng)值；
[0034] ⑤選擇好新種群后，對(duì)新種群中的最優(yōu)個(gè)體進(jìn)行保留，用上代的最優(yōu)個(gè)體取代本 代的最差個(gè)體；
[0035] ⑥判斷是否達(dá)到進(jìn)化代數(shù)，若沒(méi)有，則返回第②步，否則結(jié)束；
[0036]⑦將新種群中的最優(yōu)個(gè)體的值作為和，保持不變，采用BP算法進(jìn)行學(xué)習(xí)，直到滿足 性能指標(biāo)。
[0037] 3)根據(jù)上一循環(huán)神經(jīng)網(wǎng)絡(luò)估計(jì)誤差判斷是否需要人工采樣，如需要，通過(guò)人工采 樣然后離線分析，對(duì)比得出實(shí)測(cè)的土壤溫度、含水量、二氧化碳含量與神經(jīng)網(wǎng)絡(luò)估計(jì)出的土 壤溫度、含水量、二氧化碳含量的誤差，然后將這組實(shí)測(cè)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(luò)估計(jì)與實(shí)測(cè)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(dòng)量學(xué)習(xí)規(guī)則，更新訓(xùn)練神經(jīng)網(wǎng)絡(luò);如不需要人工采樣，則返回步驟2)。
[0038] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是:采用軟測(cè)量技術(shù)，建立容易實(shí)時(shí)測(cè)量的輔 助變量和難以測(cè)量的目標(biāo)主導(dǎo)變量之間的數(shù)學(xué)模型關(guān)系，為實(shí)時(shí)準(zhǔn)確測(cè)量控制土壤參數(shù)提 供了較佳的解決方案。同時(shí)，將神經(jīng)網(wǎng)絡(luò)、粒子群算法、遺傳算法等方法結(jié)合，實(shí)現(xiàn)溫室大棚 農(nóng)作物生長(zhǎng)土壤環(huán)境的優(yōu)化控制。
【附圖說(shuō)明】
[0039] 圖1是本發(fā)明的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。
【具體實(shí)施方式】
[0040] 下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明。
[0041] 在溫室大棚中，土壤溫度、含水量、二氧化碳含量對(duì)農(nóng)作物的生長(zhǎng)十分重要，為了 提高農(nóng)作物質(zhì)量與產(chǎn)量，需要對(duì)土壤的物理參數(shù)進(jìn)行測(cè)量然后進(jìn)行調(diào)節(jié)，如能實(shí)現(xiàn)自動(dòng)控 制則更加方便高效并有利于植物生長(zhǎng)。為實(shí)現(xiàn)這一目的，應(yīng)先使用溫度計(jì)、濕度計(jì)、空氣流 量計(jì)、二氧化碳檢測(cè)儀等傳感器對(duì)空氣及土壤內(nèi)的參數(shù)進(jìn)行測(cè)量，建立一個(gè)該溫室大棚空 氣和土壤物理量數(shù)據(jù)庫(kù)，具體包括以下步驟：
[0042] 1)根據(jù)對(duì)溫室大棚的空氣和土壤數(shù)據(jù)的記錄，統(tǒng)計(jì)出空氣溫度、濕度、二氧化碳含 量、空氣流量，以及對(duì)應(yīng)時(shí)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(luò)，如圖1所示。根據(jù)已有的歷史監(jiān)測(cè)數(shù)據(jù)，使用BP神經(jīng)網(wǎng)絡(luò)，附加動(dòng)量學(xué)習(xí)規(guī) 貝1J，訓(xùn)練神經(jīng)網(wǎng)絡(luò);附加動(dòng)量學(xué)習(xí)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(luò)的訓(xùn)練誤差，η為權(quán)重，a為動(dòng)量因 子，取0.95。
[0045] 2)根據(jù)農(nóng)作物生長(zhǎng)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(luò)的最優(yōu)輸入?yún)⒘浚纯諝鉁囟?、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(jì)算每個(gè)粒子的適應(yīng)度并初始化全局最優(yōu)解與個(gè)體最優(yōu)解；
[0047]計(jì)算粒子適應(yīng)度的函數(shù)為：
[0049] 其中，表示神經(jīng)網(wǎng)絡(luò)輸出向量的第i個(gè)元素，為理論期望的輸出向量的第i個(gè) 元素；
[0050] (2)更新粒子群:粒子群的運(yùn)動(dòng)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(gè)粒子搜索過(guò)的個(gè)體最優(yōu)解，gbest為所有粒子搜索過(guò)的全 局最優(yōu)解；
[0054] (3)計(jì)算本次迭代的粒子適應(yīng)度，更新個(gè)體最優(yōu)解與全局最優(yōu)解：即對(duì)每個(gè)粒子， 將本次迭代產(chǎn)生的適應(yīng)度，與當(dāng)前個(gè)體最優(yōu)解相比，取適應(yīng)度較小的為個(gè)體最優(yōu)解，與所有 粒子搜索過(guò)的全局最優(yōu)解相比，取適應(yīng)度較小的為全局最優(yōu)解；
[0055] (4)判斷是否達(dá)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(luò)建