基于神經(jīng)網(wǎng)絡(luò)的蔬菜育苗潮汐灌溉策略研究

陳銘暉，黃丹楓，朱蘭娟

（1.上海交通大學(xué)電子信息與電氣工程學(xué)院，200240；2.上海交通大學(xué)農(nóng)業(yè)與生物學(xué)院）

1 農(nóng)業(yè)節(jié)水技術(shù)研究狀況

潮汐灌溉是一項(xiàng)成熟的農(nóng)業(yè)灌溉技術(shù)，它能夠?qū)⑺止喔群宛B(yǎng)分供應(yīng)有機(jī)地結(jié)合起來，并且保持植株地上部的干燥，所以對植物生長發(fā)育十分有利，能夠有效促進(jìn)作物生長，防止病蟲害的發(fā)生，并且灌溉效率很高，在國際上已經(jīng)普遍應(yīng)用[1]。潮汐灌溉的原理是在漲潮時(shí)水或肥料通過封閉的管道輸送到盆栽底部，退潮時(shí)又通過管道退回，經(jīng)消毒、過濾后的營養(yǎng)液或者灌溉水可重復(fù)使用[1]。潮汐灌溉的水或者肥料的利用效率很高，可達(dá)90%；植物葉片表面無水膜，保證了最大限度的光合作用，從而更多地吸收根部的水分和養(yǎng)分，因而作物生長速度明顯加快，苗齡可縮短10%～15%；同時(shí)，既能手動(dòng)操作，又便于自動(dòng)化作業(yè)，標(biāo)準(zhǔn)化的灌溉控制保證了葉片、莖蔓和花等植物性狀的統(tǒng)一，作物產(chǎn)品的合格率大幅度提高；此外，不淋水肥的花和葉的表面更有光澤，品相好，令市場售價(jià)大幅提升，經(jīng)濟(jì)效益可觀。因此，這項(xiàng)技術(shù)的推廣應(yīng)用前景十分廣闊[3]。

2 農(nóng)業(yè)節(jié)水灌溉的自動(dòng)控制狀況

第一套節(jié)水灌溉控制器是在1954年由美國的本納米和歐弗爾開發(fā)而成，當(dāng)它測得的土壤含水量低于設(shè)定值時(shí)就打開灌水閥門。經(jīng)過幾十年的發(fā)展，土壤濕度傳感器已逐漸應(yīng)用在目前的許多自動(dòng)灌溉控制系統(tǒng)中，控制系統(tǒng)將傳感器采集的實(shí)時(shí)濕度與設(shè)定值比較并決定是否灌溉。這類控制系統(tǒng)實(shí)際運(yùn)行的結(jié)果表明，影響控制系統(tǒng)性能的因素主要有：系統(tǒng)的軟硬件，包括軟件的設(shè)計(jì)思路及算法；土壤濕度傳感器的穩(wěn)定性及可靠性；控制電磁閥和壓力調(diào)節(jié)裝置的可靠性，以及過濾器、流量計(jì)等組件的性能。其中，土壤濕度傳感器對于系統(tǒng)的影響極大[4]。

然而，因?yàn)橥寥罎穸葌鞲衅魇欠蔷€性的，所以測得的濕度值往往和實(shí)際值存在一定的偏差；另外，因?yàn)槠胀ǖ耐翝駛鞲衅鞔嬖谳^大的輸出時(shí)滯，快速響應(yīng)的傳感器價(jià)格又極其昂貴，所以傳統(tǒng)的反饋控制系統(tǒng)的性能受到很大的影響[4]。近年來隨著人工智能技術(shù)的飛速發(fā)展，人工智能技術(shù)逐漸應(yīng)用在節(jié)水灌溉中，其中包括專家決策系統(tǒng)、模糊邏輯控制系統(tǒng)、利用神經(jīng)網(wǎng)絡(luò)算法來建模和預(yù)測，這些智能技術(shù)使得灌溉控制器能及時(shí)、準(zhǔn)確地預(yù)測環(huán)境變量，以便及時(shí)采取正確、有效的控制措施，保障作物在最優(yōu)化的環(huán)境下生長。本研究在不結(jié)球白菜穴盤質(zhì)量與基質(zhì)相對濕度之間的相關(guān)關(guān)系研究的基礎(chǔ)上，嘗試通過氣象數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)算法，為灌溉控制提供技術(shù)支持。

表1 2013年8月5日小白菜育苗氣象土壤濕度部分?jǐn)?shù)據(jù)記錄

3 基于神經(jīng)網(wǎng)絡(luò)的蔬菜育苗潮汐灌溉策略研究

根據(jù)李梅玲等[5]對不結(jié)球白菜穴盤質(zhì)量與基質(zhì)相對濕度之間的試驗(yàn)數(shù)據(jù)，運(yùn)用SPSS相關(guān)性分析，得出播種穴盤質(zhì)量變化量和基質(zhì)相對濕度差之間的關(guān)系為ΔY=31.211ΔX，而蒸發(fā)蒸騰量可看成等于穴盤盤質(zhì)量的減少量，因此，通過土壤相對濕度差的預(yù)測，可以預(yù)測蒸發(fā)蒸騰量即需水量，從而指導(dǎo)種苗的灌溉。

大量灌溉試驗(yàn)資料表明，作物需水量與氣象條件（包括日照、氣溫、風(fēng)速和濕度等）有著直接的關(guān)系，土壤相對濕度差和日照、氣溫、風(fēng)速和空氣濕度有著緊密的關(guān)系[6]。

溫室育苗處于室內(nèi)，風(fēng)速影響很小[1]，所以在研究土壤濕度的變化率時(shí)主要選取光照（klx）、氣溫（℃）、空氣濕度（%），以土壤濕度的每半小時(shí)的變化率作為研究對象，光照、氣溫、空氣濕度作為輸入項(xiàng)，土壤濕度作為輸出項(xiàng)。

研究數(shù)據(jù)選取了從2013年8月4日18：25到8月5日18：25一天24 h中小白菜育苗的部分實(shí)測數(shù)據(jù)，如表1。

為了確保輸入樣本和輸出的精確性，使BP網(wǎng)絡(luò)取得最佳的學(xué)習(xí)效果，要求在訓(xùn)練神經(jīng)網(wǎng)絡(luò)前，務(wù)必對輸入和輸出樣本進(jìn)行無量綱（歸一化）化處理[7]，使處理后的輸入輸出樣本的數(shù)據(jù)在[0，1]范圍之內(nèi)。

Sigmoid是BP神經(jīng)網(wǎng)絡(luò)的隱含層采用的函數(shù)，即f（x）={1+exp[-ξ（x-η）]}-1。該函數(shù)與自變量在中間位置附近的一個(gè)鄰域內(nèi)，基本上為線性關(guān)系；但在這一鄰域外為趨向于一個(gè)極限的非線性關(guān)系[8]；所以BP神經(jīng)網(wǎng)絡(luò)對于取值范圍兩端的數(shù)據(jù)與中間部分的數(shù)據(jù)處理后的精度不一樣，兩端的要差些。將輸入數(shù)據(jù)壓縮處理后可減少這種影響[9]。同時(shí)不同量綱的輸入數(shù)據(jù)，其絕對值差異較大，會(huì)延長網(wǎng)絡(luò)訓(xùn)練及學(xué)習(xí)的時(shí)間，處理結(jié)果也會(huì)帶來不利影響，所以也需要?dú)w一化處理。函數(shù)中的ξ、η兩參數(shù)是為了應(yīng)對不同的情況，實(shí)現(xiàn)對函數(shù)的伸縮和平移。

樣本經(jīng)過歸一化處理之后，用newff建立一個(gè)前向 BP 函數(shù)[10，11]，格式如下：net=netff（PR，[S1S2...SN1]，{TF1TF2...TFN1}，BTF，BLF，PF）

其中，net為新創(chuàng)建的BP神經(jīng)網(wǎng)絡(luò)；

S為隱含層和輸出層神經(jīng)元數(shù)目；

TF為隱含層和輸出層的傳遞函數(shù)，默認(rèn)為tansig；

BTF表示BP網(wǎng)絡(luò)的訓(xùn)練函數(shù)，默認(rèn)為trainlm；

BLF表示BP網(wǎng)絡(luò)的學(xué)習(xí)函數(shù)，默認(rèn)為learngdm；

PF表示BP網(wǎng)絡(luò)的性能函數(shù)，默認(rèn)為mse。

本文將使用三層BP神經(jīng)網(wǎng)絡(luò)，即輸入層、隱含層和輸出層。輸入層將為光照、氣溫、空氣濕度這3個(gè)指標(biāo)，輸出層為1，隱含層一般根據(jù)經(jīng)驗(yàn)加公式方式確定。一般我們可以參考公式其中a為輸入層神經(jīng)元個(gè)數(shù)，b為輸出層神經(jīng)元個(gè)數(shù)，m為[1，10]之間的常數(shù)。基于該公式，隱含層的數(shù)量在[3，12]之間。根據(jù)經(jīng)驗(yàn)隱含層數(shù)為9時(shí)，收斂效果較好，誤差精度好，泛化效果不錯(cuò)，因此我們?nèi)?為隱含層個(gè)數(shù)。至此，我們確定該BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3-9-1的網(wǎng)絡(luò)模型。

將經(jīng)過歸一化處理的數(shù)據(jù)放入BP神經(jīng)網(wǎng)絡(luò)，經(jīng)過202次訓(xùn)練達(dá)到預(yù)期的訓(xùn)練要求（圖1）。

圖1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

4 系統(tǒng)驗(yàn)證和結(jié)果分析

4.1 隨機(jī)查看最后10組數(shù)據(jù)

運(yùn)用上述的BP神經(jīng)網(wǎng)絡(luò)模型對48個(gè)訓(xùn)練集樣本數(shù)據(jù)進(jìn)行訓(xùn)練，訓(xùn)練時(shí)設(shè)置允許最大總誤差為0.001，最大訓(xùn)練次數(shù)為5 000次，實(shí)際經(jīng)過訓(xùn)練202次后達(dá)到預(yù)期效果，總誤差為0.009 97（圖1）。隨機(jī)抽取的最后10組數(shù)據(jù)表明，總體誤差在±2%之內(nèi)，學(xué)習(xí)效果達(dá)到預(yù)期（表2）。

表2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果及誤差分析

表3 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)結(jié)果及誤差分析

4.2 運(yùn)用學(xué)習(xí)好的神經(jīng)系統(tǒng)進(jìn)行驗(yàn)證

驗(yàn)證數(shù)據(jù)采用 2013年8月 5日 11：55～16：25間的數(shù)據(jù)，學(xué)習(xí)結(jié)果如表3。

驗(yàn)證結(jié)果為10組數(shù)據(jù)的總體誤差在±6%之內(nèi)，證明該神經(jīng)網(wǎng)絡(luò)達(dá)到預(yù)期效果，經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可以用于對于濕度變化率或需水量的預(yù)測。

5 結(jié)語

目前潮汐灌溉的自動(dòng)控制系統(tǒng)多以濕度傳感器測得的土壤濕度值和氣象參數(shù)來預(yù)測作物需水量，然后把控制信號傳送到執(zhí)行機(jī)構(gòu)，控制水泵、電磁閥等按時(shí)序動(dòng)作，決定潮汐灌溉的頻次和灌溉時(shí)間。這種灌溉決策方式由于土壤濕度傳感器本身的非線性特性和輸出時(shí)滯較大，導(dǎo)致反饋控制系統(tǒng)與作物需水要求偏離較大，控制性能受到很大的影響。采用氣象參數(shù)運(yùn)用神經(jīng)網(wǎng)絡(luò)算法來預(yù)測需水量，優(yōu)化控制規(guī)則，可以更好地指導(dǎo)種苗的科學(xué)灌溉，為信息化管理和專家系統(tǒng)的建立提供技術(shù)支撐。

[1]楊仁全，卓杰強(qiáng)，周增產(chǎn)，等.潮汐式灌溉系統(tǒng)在溫室中的應(yīng)用研究[C].紀(jì)念中國農(nóng)業(yè)工程學(xué)會(huì)成立30周年暨中國農(nóng)業(yè)工程學(xué)會(huì)2009年學(xué)術(shù)年會(huì)（CSAE 2009）論文集，2009.

[2]楊鐵順.談地面潮汐灌溉[J].農(nóng)業(yè)工程技術(shù)：溫室園藝，2009（4）：23-24.

[3]張曉文，田真，劉文璽，等.潮汐式灌溉系統(tǒng)的研發(fā)與推廣[J].農(nóng)業(yè)工程，2011（1）：80-84.

[4]張兵，袁壽其，成立.節(jié)水灌溉自動(dòng)化技術(shù)的發(fā)展及趨勢[J].排灌機(jī)械，2003（2）：37-41.

[5]李梅玲.潮汐灌溉小白菜穴盤栽培的水分管理研究[D].上海：上海交通大學(xué)，2014.

[6]郭曉玲.作物需水量預(yù)測模型研究及其在灌溉管理信息系統(tǒng)中的應(yīng)用[D].武漢：華中科技大學(xué)，2007.

[7]溫耀華，羅金耀，李小平，等.基于BP神經(jīng)網(wǎng)絡(luò)的大棚作物騰發(fā)量預(yù)測模型[J].中國農(nóng)村水利水電，2008（2）：20-21，25.

[8]肖蔓君，陳思穎，倪國強(qiáng)，等.基于Sigmoid函數(shù)局部視覺適應(yīng)模型的真實(shí)影像再現(xiàn)[J].光學(xué)學(xué)報(bào)，2009（11）：3 050-3 056.

[9]石建勛，劉新榮，王艷芳，等.基于BP神經(jīng)網(wǎng)絡(luò)方法計(jì)算灌區(qū)農(nóng)業(yè)耗水量的研究[J].工程勘察，2011（5）：41-46.

[10]張丹.基于BP人工神經(jīng)網(wǎng)絡(luò)的水稻需水量預(yù)測及灌區(qū)灌溉制度研究[D].沈陽：沈陽農(nóng)業(yè)大學(xué)，2007.

[11]周品.MATLAB神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用[M].北京：清華大學(xué)出版社，2013.