基于神经网络预测的大棚灌溉系统及方法与流程

本发明属于灌溉技术领域，尤其涉及一种基于神经网络预测的大棚灌溉系统及方法。

背景技术

大棚原是蔬菜生产的专用设备，随着生产的发展大棚的应用越加广泛。当前大棚已用于盆花及切花栽培；果树生产用于栽培葡萄、草莓、西瓜、甜瓜、桃及柑桔等；林业生产用于林木育苗、观赏树木的培养等。随着人口的日益增多和工业化的发展，水资源匮乏问题越来越显著。这就要求我们改变传统低水分利用率的农业模式，进行智慧农业经营模式。以作物各时期对水分的需求量为依据，以提高作物的水分利用率为目标，适时适量地进行灌溉，使作物一直生长在最佳土壤湿度状态，最终实现农业生产的高品质、高产量、高效益。

智慧农业是在传统农业基础上，运用高新技术进行生产管理的一种农业模式。智慧农业较传统农业其先进之处主要是应用全球定位系统、地理信息技术、计算机控制技术等先进技术，实现对农业生产的定位、定时、定量的管理，做到精耕细作。精准灌溉就是在智慧农业的基础上发展起来的。由于农业管理点较为分散，用传统方法进行数据采集和信息传输的缺点是精度差、速度慢。因此，把电子技术、微电子技术和通信技术紧密结合起来，采用现代方法进行自动化监控和管理是非常必要的。

因此，国内外学者对于灌溉预测与决策的控制方法开展了大量的研究工作，他们认为，采取有效的控制方法如模糊逻辑推理、专家知识、神经网络等来预测农作物的灌溉用水量，并且不断根据环境参数进行及时的调节，满足不同环境下的作物的生长用水是最合理和有前景的方法，相关的控制方法研究较多，可分为现代控制策略、模型预测控制和无模型的智能控制方法三大类。

针对作物精准灌溉中亟待解决的需水量预测与智能决策控制等关键问题，开展理论分析、数值模拟、创新优化与实验研究，并以大棚为实验对象进行实验验证，最终形成以神经网络预测和模糊控制决策为基础的作物灌溉的控制理论与方法，推动精准灌溉控制技术的发展，做到适时适量的精准灌溉。

技术实现要素：

为达到上述目的，本发明采用的技术方案为：基于神经网络预测的大棚灌溉系统及方法，

进一步的，气象监测模块，所述气象监测模块设于大棚外,所述气象监测模块与所述神经网络预测模块连接。

进一步的，所述气象监测系统能够是气象监测仪、气象传感器或气象卫星。

进一步的，所述神经网络预测模块依靠所述监测模块和气象监测模块预测作物腾发量。

进一步的，所述神经网络预测模块采用penman-monteith公式和bp神经网络对作物需水量进行建模和预测。

进一步的，所述神经网络预测模块采用bp神经网络et0预测模型。

进一步的，所述灌溉模块包括控制系统和灌溉系统。

进一步的，所述灌溉系统能够是洒水机、洒水喷头或灌溉管道。

进一步的，基于神经网络预测的灌溉方法，包含以下步骤：

s1、监测模块将湿度监测系统、温度监测系统和土壤墒情监测系统收集的数据传输到神经网络预测模块；

s2、神经网络预测模块分析收集到的数据预测作物的腾发量，并将分析后的数据输入到模糊控制决策模块；

s3、模糊控制决策模块结合土壤墒情、气象信息等外界因素对作物各生长阶段灌溉量的影响，分析作物需水量的变化趋势，并将分析数据输送到灌溉模块；

s4、灌溉模块根据需水量变化趋势对作物进行精准灌溉。

进一步的，施肥模块，所述施肥模块与所述模糊控制决策模块连接，所述监测模块还包括肥料监测系统；

s1、监测模块将肥料监测系统收集的数据传输到神经网络预测模块；

s2、神经网络预测模块分析收集到的数据预测作物的需肥量，并将分析后的数据输入到模糊控制决策模块；

s3、模糊控制决策模块结合土壤墒情、气象信息等外界因素对作物各生长阶段施肥量的影响，分析作物施肥量的变化趋势，并将分析数据输送到施肥模块；

本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

1本发明采用神经网络预测和模糊控制决策，再配合计算机控制技术等先进技术，对大棚的灌溉施肥实行定位、定时、定量的自动化监控和管理。

2采用penman-monteith公式和bp神经网络对作物需水量进行建模和预测，利用前一阶段的气象数据、大棚温湿度和作物需水量来预测后一阶段需水量，从而揭示气象数据和作物需水量之间的复杂关系，对发展节水灌溉理论，实行有效的灌溉具有重要的理论意义和实用价值。

3由于灌溉系统具有大惯性、非线性和纯时延等特点，提出基于bp神经网络预测的模糊pid控制算法，进行在线优化设计，从而实现高效、可靠、准确的控制。

4本发明根据大棚面积大小设置监测区个数，监测区在大棚里可以阵列排布，或者根据水田地理位置灵活设置，保证水田监测区中监测模块收集的数据具有代表性。

5本发明在大棚外部设置气象监测模块监测外部气象信息，收集气象数据，因为外部气象对大棚内部有一定影响，所以不仅要考虑大棚内部温湿度也要考虑外部气象，从而精准预测植物需水量。

附图说明

下面结合附图和实施例对本发明进一步说明；

图1为本发明的优选实施例的；

图2为大棚内部示意图；

图中：1、监测模块；2、湿度监测系统；3、温度监测系统；4、土壤墒情监测系统；5、气象监测模块；6、大棚；7、神经网络预测模块；8、模糊控制决策模块；9、灌溉模块。

具体实施方式

现在结合附图和实施例对本发明作进一步详细的说明，这些附图均为简化的示意图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅本发明的一部分实施例，而不是全部的实施例。仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

以下结合具体实施方式对本发明的实现进行详细的描述。

如图1和图2所示，基于神经网络预测的大棚灌溉系统及方法，包括：若干大棚6监测区，所述大棚6监测区设于大棚6内，所述大棚6监测区内设有监测模块1，所述监测模块1包括湿度监测系统2、温度监测系统3、土壤墒情监测系统4；神经网络预测模块7，所述神经网络预测模块7与所述监测模块1连接，所述神经网络预测模块7用于大棚6内作物的腾发量；模糊控制决策模块8，所述与所述神经网络预测模块7连接，所述模糊控制决策模块8采用模糊pid控制方式；灌溉模块9，所述灌溉模块9与所述大棚6以及模糊控制决策模块8连接。

根据作物需水量(腾发量)优化神经网络预测，应用当前的智能化技术根据天气环境参数来预测作物的腾发量。将人工神经网络技术与多维自回归模型相结合，通过多个气象因素与作物需水量的相关分析，来确定网络的拓扑结构，用训练好的神经网络实时预测作物需水量。由于神经网络在处理非线性、不确定性或模糊关系方面具有独特的优势，采用penman-monteith公式和bp神经网络对作物需水量进行建模和预测，利用前一阶段的气象数据和作物需水量来预测后一阶段需水量，从而揭示气象数据和作物需水量之间的复杂关系，对发展节水灌溉理论，实行有效的灌溉具有重要的理论意义和实用价值。

气象监测模块5，所述气象监测模块5设于大棚6外,所述气象监测模块5与所述神经网络预测模块7连接。气象监测模块设于大棚外部收集各类气象信息，鉴于外部气象对大棚内部有一定影响，所以应把外部气象考虑到影响因素中来，外部气象信息结合大棚内部温湿度信息可准确预测植物需水量。

所述气象监测系统能够是气象监测仪、气象传感器或气象卫星。

所述神经网络预测模块7依靠所述监测模块1和气象监测模块5预测作物腾发量。监测模块1和气象监测模块5将收集的数据输送到神经网络预测模块7，神经网络预测模块7经过处理预测腾发量。

所述神经网络预测模块7采用penman-monteith公式和bp神经网络对作物需水量进行建模和预测。

所述神经网络预测模块7采用bp神经网络et0预测模型。采用bp神经网络et0预测模型，拟选取八个基本的气象数据——最高气温、平均气温、最低气温、实际日照时间、风速、平均相对湿度、纬度、海拔，利用彭曼公式计算出et0值作为标准值，接着选取不同气象数据作为输入值，彭曼公式计算值为输出值，依次训练网络。根据8个基本气象参数与et0的相关性，通过依次减少气象参数并进行组合，接着利用bp神经网络预测算法对et0值进行预测，分析相应的预测精度。

所述灌溉模块9包括控制系统和灌溉系统。可以理解的是，制系统可以是自动化控制系统。

所述灌溉系统能够是洒水机、洒水喷头或灌溉管道。可以理解的是，灌溉系统不限于洒水机、洒水喷头或灌溉管道，可以根据需要选择。

灌溉方法，包含以下步骤：

s1、监测模块1将湿度监测系统2、温度监测系统3和土壤墒情监测系统4收集的数据传输到神经网络预测模块7；

s2、神经网络预测模块7分析收集到的数据预测作物的腾发量，并将分析后的数据输入到模糊控制决策模块8；

s3、模糊控制决策模块8结合土壤墒情、气象信息等外界因素对作物各生长阶段灌溉量的影响，分析作物需水量的变化趋势，并将分析数据输送到灌溉模块9；

s4、灌溉模块9根据需水量变化趋势对作物进行精准灌溉。

施肥模块，所述施肥模块与所述模糊控制决策模块8连接，所述监测模块1还包括肥料监测系统；

s1、监测模块1将肥料监测系统收集的数据传输到神经网络预测模块7；

s2、神经网络预测模块7分析收集到的数据预测作物的需肥量，并将分析后的数据输入到模糊控制决策模块8；

s3、模糊控制决策模块8结合土壤墒情、气象信息等外界因素对作物各生长阶段施肥量的影响，分析作物施肥量的变化趋势，并将分析数据输送到施肥模块；

s4、灌溉模块9根据施肥量变化趋势对作物进行精准施肥。

施肥模块和灌溉模块9互相配合，实现精准灌溉和精准施肥，合理分配资源，使水资源达到高效率的利用。

以上依据本发明的理想实施例为启示，通过上述的说明内容，相关人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定技术性范围。