CN105588930A - 温室大棚土壤参数测量方法 - Google Patents

Abstract

本发明公开了一种温室大棚土壤参数测量方法，包括以下步骤：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；求解神经网络的最优输入参量；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。本发明采用软测量技术，实现实时准确测量控制土壤参数。

Description

温室大棚土壤参数测量方法

技术领域

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

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。

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

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。

本发明的目的通过以下技术方案予以实现：

一种温室大棚土壤参数测量方法，包括以下步骤：

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；

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；

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)。

本发明的目的还可以通过以下技术措施来进一步实现：

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：

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；

计算粒子适应度的函数为：

$Fitness=\underset{i}{\Σ}{(O_i-O_i^{\′})}^2$

其中，O_i表示神经网络输出向量的第i个元素，O′_i为理论期望的输出向量的第i个元素；

2)更新粒子群：粒子群的运动方程如下：

v(t)＝ω·v(t-1)+c₁·(lbest-x(t))+c₂·(gbest-x(t))

x(t+1)＝x(t)+c₃·v(t)

其中ω取为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；

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；

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)。

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。

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：

$\mathrm{\ω}(t+1)=\mathrm{\ω}\left(t\right)-(1-a)\mathrm{\η}\frac{\∂E_T}{\∂\mathrm{\ω}\left(t\right)}+a\mathrm{\Δ}\mathrm{\ω}\left(t\right)$

其中Δω(t)＝ω(t)-ω(t-1)，E_T为神经网络的训练误差，η为权重，a为动量因子，取0.95。

本发明的目的还可以通过另一种技术方案予以实现：

一种温室大棚土壤参数测量方法，包括以下步骤：

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；

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：

①采用实数编码，初始化染色体，形成初始种群；

②利用适应度函数评价各代中的每个染色体；

③进行遗传操作；

④重新计算每个个体的适应值；

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；

⑥判断是否达到进化代数，若没有，则返回第②步，否则结束；

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。

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)。

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

图1是本发明的神经网络结构图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

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：

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，附加动量学习规则，训练神经网络；附加动量学习法更新规则如下式：

$\mathrm{\ω}(t+1)=\mathrm{\ω}\left(t\right)-(1-a)\mathrm{\η}\frac{\∂E_T}{\∂\mathrm{\ω}\left(t\right)}+a\mathrm{\Δ}\mathrm{\ω}\left(t\right)$

其中Δω(t)＝ω(t)-ω(t-1)，E_T为神经网络的训练误差，η为权重，a为动量因子，取0.95。

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：

(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；

计算粒子适应度的函数为：

$Fitness=\underset{i}{\Σ}{(O_i-O_i^{\′})}^2$

其中，O_i表示神经网络输出向量的第i个元素，O′_i为理论期望的输出向量的第i个元素；

(2)更新粒子群：粒子群的运动方程如下：

v(t)＝ω·v(t-1)+c₁·(lbest-x(t))+c₂·(gbest-x(t))

x(t+1)＝x(t)+c₃·v(t)

其中ω取为i为粒子群算法的本次迭代次数，c₁，c₂，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；

(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；

(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)。

3)由于神经网络建立了空气温度、湿度、二氧化碳含量、空气流量，与土壤温度、含水量、二氧化碳含量之间的映射关系，神经网络经过训练以后，可以用可测的空气温度、湿度、二氧化碳含量、空气流量等参数估计出不能直接实时测量的土壤参数，实现了土壤参数的软测量。为了取得更好的测量效果，缩小神经网络估计误差，需要更新训练神经网络。

因此，依据上一循环中，人工采样所得的土壤温度、含水量、二氧化碳含量数据与神经网络估计数据的误差来判断本次是否需要再次进行人工采样测量，其判断规则为：若上次人工采样数据与神经网络数据误差较小，则延长下次人工采样与本次采样的间隔时间，若本次人工采样采样数据与神经网络数据误差较大，则缩小下次人工采样与本次采样的间隔时间；具体的采样间隔时间则需根据农业生产的要求决定。如果对神经网络不断更新训练，则估计值不断逼近于实测值，所需的离线人工采样测量分析的次数可以减少，采样间隔可以加大，减轻了人工工作负担。

具体做法为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)。

步骤2)求解出神经网络的最优输入参量，即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通过本发明的方法求解出与之对应的空气温度、湿度、二氧化碳含量、空气流量，然后通过加热设备、加湿设备、风机、制氧机、二氧化碳发生机等对大棚的气相参数进行控制，从而间接控制土壤相应的含量，最终达到土壤符合农作物生长所需温度、含水量、二氧化碳含量理想值的目的。

本发明的目的还可以通过另一种技术方案予以实现，即同样基于软测量控制方法，建立神经网络，但是使用遗传算法，求解神经网络的最优输入参量。

具体包括以下步骤：

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；

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：

①采用实数编码，初始化染色体，形成初始种群；

②利用适应度函数评价各代中的每个染色体；

③进行遗传操作；

④重新计算每个个体的适应值；

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；

⑥判断是否达到进化代数，若没有，则返回第②步，否则结束；

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。

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)。

遗传算法是一种基于生物进化过程的随机搜索的全局优化方法，它通过交叉和变异大大减少了初始状态的影响，使搜索得到最优结果，而不停留在局部最小处。因此，为了发挥遗传算法和BP算法各自的长处，用BP算法调节和优化具有局部性的参数，用遗传算法优化具有全局性的参数。

无论哪种方法实现的对土壤的温度、含水量、二氧化碳含量的软测量值都可以通过有线或无线网络将大棚的实时参数传输至远程的监控服务器，以实现对大棚农业生产控制的信息化、网络化。

除上述实施例外，本发明还可以有其他实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。

Claims (5)

1.一种温室大棚土壤参数测量方法，其特征在于，包括以下步骤：

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；

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；

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)。

2.如权利要求1所述的温室大棚土壤参数测量方法，其特征在于，所述粒子群算法，步骤如下：

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；

计算粒子适应度的函数为：

$Fitness=\underset{i}{\Σ}{(O_i-O_i^{\′})}^2$

其中，O_i表示神经网络输出向量的第i个元素，O′_i为理论期望的输出向量的第i个元素；

2)更新粒子群：粒子群的运动方程如下：

v(t)＝ω·v(t-1)+c₁·(lbest-x(t))+c₂·(gbest-x(t))

x(t+1)＝x(t)+c₃·v(t)

其中ω取为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；

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；

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)。

3.如权利要求2所述的温室大棚土壤参数测量方法，其特征在于，所述粒子群算法步骤2)的c₁,c₂取值为3，c₃取值为0.4。

4.如权利要求1所述的温室大棚土壤参数测量方法，其特征在于，所述附加动量学习法，更新规则如下式：

$\mathrm{\ω}(t+1)=\mathrm{\ω}\left(t\right)-(1-a)\mathrm{\η}\frac{\∂E_T}{\∂\mathrm{\ω}\left(t\right)}+a\mathrm{\Δ}\mathrm{\ω}\left(t\right)$

其中△ω(t)＝ω(t)-ω(t-1)，E_T为神经网络的训练误差，η为权重，a为动量因子，取0.95。

5.一种温室大棚土壤参数测量方法，其特征在于，包括以下步骤：

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；

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：

①采用实数编码，初始化染色体，形成初始种群；

②利用适应度函数评价各代中的每个染色体；

②进行遗传操作；

④重新计算每个个体的适应值；

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；

⑥判断是否达到进化代数，若没有，则返回第②步，否则结束；

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；

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)。