基于作物蒸腾量智能预测的农田优化灌溉系统

发布时间：2020-04-01 03:18

【摘要】：作物蒸腾量(ET0)是大气陆地水文循环中最重要的组成部分,随着物联网技术的发展,实时采集一些气象数据和土壤环境数据成为可能。在农业灌溉领域,为了持续有效的节约灌溉水资源,精准预测作物需水量十分关键。本文针对如何使用智能算法提高作物蒸腾量预测精度展开研究,采用生物启发式优化算法优化模型的参数,同时引入波形叠加的函数调整极限学习机预测模型的激活函数,该改进策略提高了极限学习机算法的稳定性和预测的准确性;此外借鉴人脑学习记忆机理,结合概念漂移大数据流特点,提出一种深度极限学习机网络模型,提高了作物蒸腾量的预测精度,减少了预测时间损耗和计算成本,实现实时数据在线预测。本论文的主要工作如下:(1)针对小数据模型,构建合理的神经网络预测模型,采用改进的极限学习机算法(PSO-SWELM)预测作物蒸腾量;首先极限学习机的预测的稳定性能与输入层和隐含层之间的连接权值和阈值密切相关,本文将通过粒子群算法不断迭代寻优的思想寻找其输入层和隐含层的最优权值和阈值,其中算法的预测输出值与彭曼公式计算的理想目标输出值之间的平方根误差和(RMSE)被作为粒子群寻优过程中的适应度函数;同时在激活函数选择阶段,考虑有限的土壤环境数据和气象数据的特点,选取具有强调高低频拟合能力的小波函数和反双曲线正弦函数相结合的波形叠加函数作为新的激活函数,提高了作物蒸腾量的预测精度。(2)针对大规模实时采集数据,提出一种新的动态深度极限学习机网络模型(DELM);DELM模型借鉴人脑对已经学习过的知识的再次巩固学习机制,构建了深度极限学习机的再次训练机制;根据每个数据块的预测精度,定义预测精度与隐含层节点的函数关系,动态调整隐含层节点来提高模型的预测精度;同时将采集的大规模数据分成多个小数据块,采用“求同存异”策略,基于已有模型和新的数据集运用增量式极限学习机训练更新模型。DELM模型在处理大数据训练样本时,不仅提高了作物灌溉需水量的预测准确度,而且还缩短了算法的预测时间。(3)农业物联网智能灌溉系统平台框架的构建,通过采集物联网设备的各类型传感器采集农田的土壤数据和气象数据等关键信息,然后建立良好的数据库采集系统将采集数据实时存到数据库中,然后实现数据库与Matlab算法仿真平台的导通,最后采用计算机设备利用建立的智能预测模型求解具体的作物需水量,合理的制定灌溉方案,进而控制灌溉设备,实现适时、适量灌溉。本文结合生物智能优化算法和深度学习机制通过参数的优化来改进传统的极限学习机智能预测模型,实现准确的预测作物需水量,其成果对于节约水资源,合理灌溉农作物具有重要贡献。
【图文】：

农业,体系结构,技术

第二章农业物联网及较差。构建农业物联网体系结构需要考虑以下几条因素：系统的复利用性能以及数据传输的安全性能和可靠性能[42]。可扩展性网体系除了能够执行好系统本身的功能外，还可以扩展自身并能。例如对系统新增加一些数据采集节点，该体系应能在保证原都正常运转的前提下，能够针对新的数据快速建立采集系统，同统的运行。可复用性是指农业物联网中各类传感器采集的数据信用到多个工程应用中，提高了数据的采集效率，实现了资源的高约成本。安全性和可靠性顾名思义：农业物联网体系所处环境复传感器设备不仅要稳定可靠，集成度高，而且整个体系结构的部突发事件，多种任务调度，以确保网络的正常运转[43]。根据农业物联网体系的基本构建原则以及农业的具体需求如图 2.1 所示，目前采用五层的农业物联网层次结构模型，由下包括全面感知层、硬件接口层、网络传输层、数据处理层和最终对应通信协议各不相同[44]。

信息传感器,农业

第二章农业物联网及机器学习智能目前是农业物联网感知信息、传输数据的重要途径。传感器类农田参数进行选择，图 2.2 所示为农业采集信息的一些传感器业传感器将趋向微型化、低能耗和高可靠性，所以如何采用智感网络的路由分布策略，延长其使用寿命，降低传感器网络采究重点[46]。别技术。是指在感知层中对各个物体身份进行特定的标号识用的身份识别为射频识别技术，用来对物体进行编码识别。术。这里的通信技术大致可以分为两类：其中一类是指无线通离的自组织网络，如 ZigBee、Wifi 等；另一类是指网络接入实现，例如 WLAN 等专业网络，GSM 等蜂窝网。理技术。在农业物联网数据层，，采用智能算法对这些大量的信，例如数据挖掘算法、生物启发式优化算法、图像处理中的模数据云计算等技术。
【学位授予单位】：东华大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;S274.2

【相似文献】