温室大棚土壤参数测量方法
【技术领域】
[0001] 本发明涉及一种土壤参数测量方法，尤其涉及一种温室大棚土壤参数测量方法， 属于检测技术领域。
【背景技术】
[0002] 农业生产具有季节性的特点，温室大棚可以帮助克服农业生产的季节性，提高农 业生产效率。大棚内影响农作物生长的环境因素有温度、湿度、光照和空气流通情况，尤其 是土壤作为农作物生长的基地，土壤的温度、湿度、酸碱度、含水量、二氧化碳含量、通气状 况、氮、磷、钾、钙等养分的含量等对农作物的生长都具有直接影响。为了达到农业生产的效 率化、优质化，对上述各种土壤环境参数的量化测量与控制很重要。目前的温室大棚环境控 制仅能对空气环境的参数进行自动实时测量控制，但对土壤的系列参数由于技术、设备限 制，对这一系列土壤物理量的测量往往采用的方法是人工间隔一定时段采样一次，再使用 仪器做离线分析得出。由于土壤的上述参数涉及气、固、液三相，难以采用传感器直接进行 测量，很难实时的获知土壤物理量的准确值，因而无法准确、实时自动调节上述土壤物理 量，满足不了农业生产测量控制信息化、网络化的要求。
[0003] 采用软测量技术，建立容易实时测量的辅助变量和难以测量的目标主导变量之间 的数学模型关系，为准确测量控制土壤参数提供了一条新途径。
【发明内容】
[0004] 本发明的目的在于提供一种温室大棚土壤参数测量方法，解决现有技术对温室大 棚农作物生长的土壤环境参数难以用传感器直接进行测量，而采用人工间隔时段测量采 样，再使用仪器做离线分析，造成无法实时的获知土壤物理量准确值的技术问题。本发明以 软测量技术实时测量调节土壤物理量，以满足农业生产测量控制信息化、网络化的要求。
[0005] 本发明的目的通过以下技术方案予以实现：
[0006] -种温室大棚土壤参数测量方法，包括以下步骤：
[0007] 1)根据对温室大棚的空气和土壤数据的记录，统计出空气温度、湿度、二氧化碳含 量、空气流量，对应时刻的土壤温度、含水量、二氧化碳含量的数据;将空气温度、湿度、二氧 化碳含量、空气流量作为输入参量，将土壤温度、含水量、二氧化碳含量作为输出参量，建立 神经网络，根据已有的历史监测数据，使用BP神经网络，附加动量学习规则，训练神经网络； [0008] 2)根据农作物生长所需的土壤的温度、含水量、二氧化碳含量的理想值，由粒子群 算法，求解神经网络的最优输入参量，即空气温度、湿度、二氧化碳含量、空气流量；
[0009] 3)根据上一循环神经网络估计误差判断是否需要人工采样，如需要，通过人工采 样然后离线分析，对比得出实测的土壤温度、含水量、二氧化碳含量与神经网络估计出的土 壤温度、含水量、二氧化碳含量的误差，然后将这组实测土壤温度、含水量、二氧化碳含量数 据，以及神经网络估计与实测的土壤温度、含水量、二氧化碳含量误差数据一起，使用附加 动量学习规则，更新训练神经网络;如不需要人工采样，则返回步骤2)。
[0010] 本发明的目的还可以通过以下技术措施来进一步实现：
[0011] 前述温室大棚土壤参数测量方法，其中粒子群算法，步骤如下：
[0012] 1)初始化粒子群：确定粒子群大小NP，粒子群算法迭代次数NG，初始化粒子位置， 计算每个粒子的适应度并初始化全局最优解与个体最优解；
[0013] 计算粒子适应度的函数为：
[0015] 其中，〇,表示神经网络输出向量的第i个元素，为理论期望的输出向量的第i个 元素；
[0016] 2)更新粒子群:粒子群的运动方程如下：
[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为粒子群算法的本次迭代次数，C1， C2，C3为常数，lbest为 每个粒子搜索过的个体最优解，gbest为所有粒子搜索过的全局最优解；
[0020] 3)计算本次迭代的粒子适应度，更新个体最优解与全局最优解：即对每个粒子，将 本次迭代产生的适应度，与当前个体最优解相比，取适应度较小的为个体最优解，与所有粒 子搜索过的全局最优解相比，取适应度较小的为全局最优解；
[0021] 4)判断是否达到迭代NG次，若是，则输出全局最优解，若否，则返回步骤2)。
[0022] 前述温室大棚土壤参数测量方法，其中粒子群算法步骤2)的C1，c2取值为3，C3取值 为 0.4。
[0023]前述温室大棚土壤参数测量方法，其中附加动量学习法，更新规则如下式：
[0025] 其中Δ ω (t)= ω (t)-co (t-Ι)，Ετ为神经网络的训练误差，η为权重，a为动量因 子，取0.95。
[0026] 本发明的目的还可以通过另一种技术方案予以实现：
[0027] 一种温室大棚土壤参数测量方法，包括以下步骤：
[0028] 1)根据对温室大棚的空气和土壤数据的记录，统计出空气温度、湿度、二氧化碳含 量、空气流量，对应时刻的土壤温度、含水量、二氧化碳含量的数据;将空气温度、湿度、二氧 化碳含量、空气流量作为输入参量，将土壤温度、含水量、二氧化碳含量作为输出参量，建立 神经网络，根据已有的历史监测数据，使用BP神经网络，附加动量学习规则，训练神经网络； [0029] 2)根据农作物生长所需的土壤的温度、含水量、二氧化碳含量的理想值，由遗传算 法，求解神经网络的最优输入参量，即空气温度、湿度、二氧化碳含量、空气流量;所述遗传 算法包括以下步骤：
[0030] ①采用实数编码，初始化染色体，形成初始种群；
[0031] ②利用适应度函数评价各代中的每个染色体；
[0032]③进行遗传操作；
[0033]④重新计算每个个体的适应值；
[0034] ⑤选择好新种群后，对新种群中的最优个体进行保留，用上代的最优个体取代本 代的最差个体；
[0035] ⑥判断是否达到进化代数，若没有，则返回第②步，否则结束；
[0036]⑦将新种群中的最优个体的值作为和，保持不变，采用BP算法进行学习，直到满足 性能指标。
[0037] 3)根据上一循环神经网络估计误差判断是否需要人工采样，如需要，通过人工采 样然后离线分析，对比得出实测的土壤温度、含水量、二氧化碳含量与神经网络估计出的土 壤温度、含水量、二氧化碳含量的误差，然后将这组实测土壤温度、含水量、二氧化碳含量数 据，以及神经网络估计与实测的土壤温度、含水量、二氧化碳含量误差数据一起，使用附加 动量学习规则，更新训练神经网络;如不需要人工采样，则返回步骤2)。
[0038] 与现有技术相比，本发明的有益效果是:采用软测量技术，建立容易实时测量的辅 助变量和难以测量的目标主导变量之间的数学模型关系，为实时准确测量控制土壤参数提 供了较佳的解决方案。同时，将神经网络、粒子群算法、遗传算法等方法结合，实现温室大棚 农作物生长土壤环境的优化控制。
【附图说明】
[0039] 图1是本发明的神经网络结构图。
【具体实施方式】
[0040] 下面结合附图和具体实施例对本发明作进一步说明。
[0041] 在温室大棚中，土壤温度、含水量、二氧化碳含量对农作物的生长十分重要，为了 提高农作物质量与产量，需要对土壤的物理参数进行测量然后进行调节，如能实现自动控 制则更加方便高效并有利于植物生长。为实现这一目的，应先使用温度计、湿度计、空气流 量计、二氧化碳检测仪等传感器对空气及土壤内的参数进行测量，建立一个该温室大棚空 气和土壤物理量数据库，具体包括以下步骤：
[0042] 1)根据对温室大棚的空气和土壤数据的记录，统计出空气温度、湿度、二氧化碳含 量、空气流量，以及对应时刻的土壤温度、含水量、二氧化碳含量的数据;将空气温度、湿度、 二氧化碳含量、空气流量作为输入参量，将土壤温度、含水量、二氧化碳含量作为输出参量， 建立神经网络，如图1所示。根据已有的历史监测数据，使用BP神经网络，附加动量学习规 贝1J，训练神经网络;附加动量学习法更新规则如下式：
[0044] 其中Δ ω (t)= ω (t)-co (t-Ι)，Ετ为神经网络的训练误差，η为权重，a为动量因 子，取0.95。
[0045] 2)根据农作物生长所需的土壤的温度、含水量、二氧化碳含量的理想值，由粒子群 算法，求解神经网络的最优输入参量，即空气温度、湿度、二氧化碳含量、空气流量;其中粒 子群算法，步骤如下：
[0046] (1)初始化粒子群:确定粒子群大小NP，粒子群算法迭代次数NG，初始化粒子位置， 计算每个粒子的适应度并初始化全局最优解与个体最优解；
[0047]计算粒子适应度的函数为：
[0049] 其中，表示神经网络输出向量的第i个元素，为理论期望的输出向量的第i个 元素；
[0050] (2)更新粒子群:粒子群的运动方程如下：
[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为粒子群算法的本次迭代次数，C1，c 2，C3为常数，C1，C2取 值为3，C3取值为0.4; lbest为每个粒子搜索过的个体最优解，gbest为所有粒子搜索过的全 局最优解；
[0054] (3)计算本次迭代的粒子适应度，更新个体最优解与全局最优解：即对每个粒子， 将本次迭代产生的适应度，与当前个体最优解相比，取适应度较小的为个体最优解，与所有 粒子搜索过的全局最优解相比，取适应度较小的为全局最优解；
[0055] (4)判断是否达到迭代NG次，若是，则输出全局最优解，若否，则返回步骤2)。
[0056] 3)由于神经网络建