当前位置:主页 > 农业论文 > 农业工程论文 >

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】

相关期刊论文 前10条

1 胡耀华;舒宜通;邢益兑;阕求登;;估算橡胶树叶片日蒸腾量的一个数学模型[J];热带作物学报;1986年01期

2 卢振民,张翼,牛文元;田间作物蒸腾量测算方法研究[J];生态学报;1988年01期

3 ;利用杨柳人工林处理污水[J];内蒙古林业;1989年08期

4 刘贤赵,康绍忠;不同光照条件下作物蒸腾量计算的研究[J];水利学报;2001年06期

5 田砚亭 ,满荣州;利用氚水测量树木蒸腾量和生物量方法的介绍[J];北京林学院学报;1984年03期

6 杨军军;封建民;何志斌;;基于热比率法的青海云杉林蒸腾量估算[J];植物生态学报;2018年02期

7 王卓民;邵东国;杨丰顺;;湖北省参考作物蒸腾量时空变异特征[J];灌溉排水学报;2013年03期

8 张娜,于振良,赵士洞;长白山植被蒸腾量空间变化特征的模拟[J];资源科学;2001年06期

9 刘春江;;侧柏林分蒸腾量的研究[J];北京林业大学学报;1991年S2期

10 张大龙;李建明;吴普特;李玮黎;赵志华;徐菲;李俊;;温室甜瓜营养生长期日蒸腾量估算模型[J];应用生态学报;2013年07期

相关会议论文 前4条

1 佟长福;史海滨;霍再林;李为萍;乔冬梅;;参考作物腾发蒸腾量等值线图的绘制[A];中国农业工程学会农业水土工程专业委员会第三届学术研讨会论文集[C];2004年

2 伍德林;毛罕平;曹成茂;;温室设施作物蒸腾量计算方法及模型[A];现代节水高效农业与生态灌区建设(上)[C];2010年

3 李新宇;赖娜娜;孙林;郄怡彬;蔺艳;;北京园林五种乔木蒸腾模拟及其对环境因子的响应比较[A];2008北京奥运园林绿化的理论与实践[C];2009年

4 王晓江;贺康宁;唐道峰;;几种退耕还林主栽灌木树种耗水特性研究[A];中国北方退耕还林工程建设管理与效益评价实践[C];2008年

相关重要报纸文章 前10条

1 方圆;遇高温小麦蒸腾量加大叶尖易干枯[N];江苏农业科技报;2015年

2 邓运川;秋季树木栽植五不宜[N];山东科技报;2015年

3 邓运川;秋季树木栽植五不宜[N];中国花卉报;2015年

4 ;棚室番茄巧用水[N];吉林农村报;2009年

5 林初;如何选择栽植季节[N];中国花卉报;2004年

6 ;棚室番茄浇水有技巧[N];吉林农村报;2008年

7 迁西县林业局 刘国新 员明亮;暴雨后果园咋管理[N];河北科技报;2012年

8 赵梅素;棚(室)番茄浇水法[N];山西科技报;2000年

9 战丹丹;夏季植树降低风险有门道[N];河南科技报;2009年

10 郑州神力润升化工有限公司 齐向军;夏季栽树降低风险有门道[N];中国花卉报;2009年

相关博士学位论文 前6条

1 李霞;设施蔬菜蒸腾调控机理与方法的研究[D];西北农林科技大学;2009年

2 黄金廷;半干旱区蒸散发对地下水变化响应机制研究[D];长安大学;2013年

3 熊伟;六盘山北侧主要造林树种耗水特性研究[D];中国林业科学研究院;2003年

4 陈立欣;树木/林分蒸腾环境响应及其生理控制[D];北京林业大学;2013年

5 袁洪波;日光温室封闭式栽培系统关键技术研究[D];中国农业大学;2015年

6 刘贤赵;土壤水分与遮阴对作物水分利用的影响机理与效应研究[D];西北农林科技大学;2001年

相关硕士学位论文 前10条

1 刘天凤;基于作物蒸腾量智能预测的农田优化灌溉系统[D];东华大学;2018年

2 高荣;渭北高原红富士苹果树蒸腾规律与水肥耦合研究[D];西北农林科技大学;2008年

3 周威;城镇绿地智能化灌溉决策系统研究[D];西安建筑科技大学;2014年

4 邓勇;川西亚高山冷杉林树干液流变化与蒸腾量估测研究[D];南京林业大学;2006年

5 穆宾;芝麻需水规律研究及水分胁迫对花期丙二醛与脯氨酸含量的影响[D];安徽农业大学;2013年

6 殷秀辉;油松树干液流动态研究[D];西北农林科技大学;2010年

7 张大龙;温室甜瓜蒸腾模型的模拟与验证[D];西北农林科技大学;2013年

8 周珊珊;渭北高原红富士苹果树蒸腾规律的研究[D];西北农林科技大学;2011年

9 矫亚涛;城市绿地智能化灌溉系统研究[D];西安建筑科技大学;2010年

10 郝虹;山西中部旱地农田蒸发与蒸腾量研究[D];中国农业科学院;2015年



本文编号:2609935

资料下载
论文发表

本文链接:https://www.wllwen.com/nykjlw/nygclw/2609935.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户1d28f***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com