基于改進BP神經網絡的灌溉需水量預測研究

摘要：為了解決我國農業灌溉自動化程度不夠高，灌溉用水量不夠精確等問題。本文使用基于遺傳算法改進的BP神經網絡建立了灌溉需水量預測模型，選取了對灌溉需水量的主要影響因素作為輸入數據進行仿真實驗，實驗結果表明，遺傳算法改進的神經網絡算法能夠準確預測灌溉需水量。

關鍵詞：BP神經網絡；遺傳算法；灌溉需水量預測

1 緒論

中國是一個農業大國，合理的灌溉是中國農業種植的重要舉措。[1]傳統的灌溉通過人工作業實現，主要依據人為判斷自然條件，然后依靠以往經驗決定灌水量的多少，無法有效地實現節水目的。[2]針對上述問題，本文提出一種基于改進神經網絡的灌溉需水量預測方法，能夠根據天氣條件、土壤溫濕度以及作物生長習性預測出當前作物的需水量，在達到精確灌溉的同時也能夠節約灌溉用水。

2 神經網絡及遺傳算法原理

2.1 BP神經網絡算原理

BP神經網絡是一種雙向傳輸的神經網絡，包括正向傳輸與反向傳輸。在正向傳輸中，輸入信號從輸入層逐層傳播到輸出層，如果輸出值未達到預期，則將其轉移到反向傳播，并調整網絡權重和閾值，以使BP神經網絡輸出接近預期值。[3]

2.2 遺傳算法原理

遺傳算法是根據適應度值以及通過遺傳的選擇，交叉和突變篩選個體，保留具有良好適應度值的個體，并且消除適應度值差的個體，這樣反復操作，直到適應度值達到條件。[4]遺傳算法的基本操作分為：選擇、交叉和變異。

3 遺傳算法改進的BP神經網絡

遺傳算法改進BP神經網絡共分為三部分：

1）神經網絡結構確定部分。

2）遺傳算法優化部分。

3）神經網絡預測部分。

改進后的算法流程如下圖所示。

4 實驗及結論

4.1 數據獲取

將本文提出的預測方法用Matlab軟件進行仿真。采用黑河流域盈科灌區2012年試驗數據。[5]為了使神經網絡能夠處理非數值型數據，數據特征中的數字特征和非數字特征被統一地數字編碼和標準化。

4.2 參數設置

神經網絡中，輸入層節點、隱藏層節點和輸出層節點數設置為（10，15，1），算法最大訓練周期設置為1000，精度設置為0001；遺傳算法中，種群初始大小設置為200，最大進化代數設置為200，選擇率、交叉率和變異率分別設置為（0.9，0.8，0.09）。

4.3 預測結果

對改進后的算法進行建模并訓練，以預測2012年的10套測試驗證樣本。將實驗得到的預測結果與實際結果進行比較。相比之下，改進后的算法模型對灌溉用水需求預測的最低準確度為91.67%。

5 結語

本文使用改進后的算法進行建模，用2012年灌溉用水量以及其主要影響因素作為實驗數據，并使用剩下10組數據作為測試組，實驗結果表明，改進的算法比傳統的預測方法具更準確、更快速，可作為預測灌溉需水量的可靠方法。

參考文獻：

[1]史愛克.節水灌溉在中國的發展與機遇[J].四川農機，2001，（5）：2627.

[2]川陳莉.淺談節水灌溉技術[J].山西農業科學，2002，（10）：4344.

[3]郇洪江，宮寧生，胡斌.改進的BP神經網絡在交通流量預測中應用[J].微電子學與計算機，2010（1）：106108.

[4]高玉明，張仁津.基于遺傳算法和BP神經網絡的房價預測分析[J].計算機工程，2014，40（4）：187191.

[5]閆昕，劉鈺，張寶忠，等.基于雙作物系數模型的田間灌溉水利用效率估算[J].安徽農業科學，2015，43（12）：371373，378.

作者簡介：楊昊（1995），男，四川德陽縣人，碩士，研究方向：智能控制理論及應用。