基于神经网络的蔬菜育苗潮汐灌溉策略研究
陈铭晖+黄丹枫+朱兰娟
摘 要：基于不结球白菜育苗潮汐灌溉的需求，尝试根据气象条件，通过BP神经网络算法来预测作物的需水量，优化控制规则，作为指导种苗灌溉的依据。验证结果表明，该神经网络达到预期效果，经过训练的神经网络可以用于预测湿度变化率或需水量。
关键词：潮汐灌溉；神经网络；需水量预测
中图分类号：S634.3；S275.9 文献标识码：A 文章编号：1001-3547（2014）22-0038-03
1 农业节水技术研究状况
潮汐灌溉是一项成熟的农业灌溉技术，它能够将水分灌溉和养分供应有机地结合起来，并且保持植株地上部的干燥，所以对植物生长发育十分有利，能够有效促进作物生长，防止病虫害的发生，并且灌溉效率很高，在国际上已经普遍应用[1]。潮汐灌溉的原理是在涨潮时水或肥料通过封闭的管道输送到盆栽底部，退潮时又通过管道退回，经消毒、过滤后的营养液或者灌溉水可重复使用[1]。潮汐灌溉的水或者肥料的利用效率很高，可达90%；植物叶片表面无水膜，保证了最大限度的光合作用，从而更多地吸收根部的水分和养分，因而作物生长速度明显加快，苗龄可缩短10%～15%；同时，既能手动操作，又便于自动化作业，标准化的灌溉控制保证了叶片、茎蔓和花等植物性状的统一，作物产品的合格率大幅度提高；此外，不淋水肥的花和叶的表面更有光泽，品相好，令市场售价大幅提升，经济效益可观。因此，这项技术的推广应用前景十分广阔[3]。
2 农业节水灌溉的自动控制状况
第一套节水灌溉控制器是在1954年由美国的本纳米和欧弗尔开发而成，当它测得的土壤含水量低于设定值时就打开灌水阀门。经过几十年的发展，土壤湿度传感器已逐渐应用在目前的许多自动灌溉控制系统中，控制系统将传感器采集的实时湿度与设定值比较并决定是否灌溉。这类控制系统实际运行的结果表明，影响控制系统性能的因素主要有：系统的软硬件，包括软件的设计思路及算法；
土壤湿度传感器的稳定性及可靠性；控制电磁阀和压力调节装置的可靠性，以及过滤器、流量计等组件的性能。其中，土壤湿度传感器对于系统的影响极大[4]。
然而，因为土壤湿度传感器是非线性的，所以测得的湿度值往往和实际值存在一定的偏差；另外，因为普通的土湿传感器存在较大的输出时滞，快速响应的传感器价格又极其昂贵，所以传统的反馈控制系统的性能受到很大的影响[4]。近年来随着人工智能技术的飞速发展，人工智能技术逐渐应用在节水灌溉中，其中包括专家决策系统、模糊逻辑控制系统、利用神经网络算法来建模和预测，这些智能技术使得灌溉控制器能及时、准确地预测环境变量，以便及时采取正确、有效的控制措施，保障作物在最优化的环境下生长。本研究在不结球白菜穴盘质量与基质相对湿度之间的相关关系研究的基础上，尝试通过气象数据的神经网络算法，为灌溉控制提供技术支持。
3 基于神经网络的蔬菜育苗潮汐灌溉策略研究
根据李梅玲等[5]对不结球白菜穴盘质量与基质相对湿度之间的试验数据，运用SPSS相关性分析，得出播种穴盘质量变化量和基质相对湿度差之间的关系为ΔY=31.211ΔX，而蒸发蒸腾量可看成等于穴盘盘质量的减少量，因此，通过土壤相对湿度差的预测，可以预测蒸发蒸腾量即需水量，从而指导种苗的灌溉。
大量灌溉试验资料表明，作物需水量与气象条件（包括日照、气温、风速和湿度等）有着直接的关系，土壤相对湿度差和日照、气温、风速和空气湿度有着紧密的关系[6]。
温室育苗处于室内，风速影响很小[1]，所以在研究土壤湿度的变化率时主要选取光照（klx）、气温（℃）、空气湿度（%），以土壤湿度的每半小时的变化率作为研究对象，光照、气温、空气湿度作为输入项，土壤湿度作为输出项。
研究数据选取了从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实测数据，如表1。
为了确保输入样本和输出的精确性，使BP网络取得最佳的学习效果，要求在训练神经网络前，务必对输入和输出样本进行无量纲（归一化）化处理[7]，使处理后的输入输出样本的数据在[0，1]范围之内。
Sigmoid是BP神经网络的隐含层采用的函数，即f（x）={1+exp[-ξ（x-η）]}-1。该函数与自变量在中间位置附近的一个邻域内，基本上为线性关系；但在这一邻域外为趋向于一个极限的非线性关系[8]；所以BP神经网络对于取值范围两端的数据与中间部分的数据处理后的精度不一样，两端的要差些。将输入数据压缩处理后可减少这种影响[9]。同时不同量纲的输入数据，其绝对值差异较大，会延长网络训练及学习的时间，处理结果也会带来不利影响，所以也需要归一化处理。函数中的ξ、η两参数是为了应对不同的情况，实现对函数的伸缩和平移。
样本经过归一化处理之后，用newff建立一个前向BP函数[10，11]，格式如下：net=netff（PR，[S1 S2...SN1]，{TF1 TF2...TFN1}，BTF，BLF，PF）
其中，net为新创建的BP神经网络；
S 为隐含层和输出层神经元数目；
TF 为隐含层和输出层的传递函数，默认为tansig；
BTF 表示BP网络的训练函数，默认为trainlm；
BLF 表示BP网络的学习函数，默认为learngdm；
PF 表示BP网络的性能函数，默认为mse。
本文将使用三层BP神经网络，即输入层、隐含层和输出层。输入层将为光照、气温、空气湿度这3个指标，输出层为1，隐含层一般根据经验加公式方式确定。一般我们可以参考公式y=■+m，其中a为输入层神经元个数，b为输出层神经元个数，m为[1，10]之间的常数。基于该公式，隐含层的数量在[3，12]之间。根据经验隐含层数为9时，收敛效果较好，误差精度好，泛化效果不错，因此我们取9为隐含层个数。至此，我们确定该BP神经网络结构为3-9-1的网络模型。
将经过归一化处理的数据放入BP神经网络，经过202次训练达到预期的训练要求（图1）。
4 系统验证和结果分析
4.1 随机查看最后10组数据
运用上述的BP神经网络模型对48个训练集样本数据进行训练，训练时设置允许最大总误差为0.001，最大训练次数为5 000次，实际经过训练202次后达到预期效果，总误差为0.009 97（图1）。随机抽取的最后10组数据表明，总体误差在±2%之内，学习效果达到预期（表2）。
4.2 运用学习好的神经系统进行验证
验证数据采用2013年8月5日11：55～16：25间的数据，学习结果如表3。
验证结果为10组数据的总体误差在±6%之内，证明该神经网络达到预期效果，经过训练的神经网络可以用于对于湿度变化率或需水量的预测。
5 结语
目前潮汐灌溉的自动控制系统多以湿度传感器测得的土壤湿度值和气象参数来预测作物需水量，然后把控制信号传送到执行机构，控制水泵、电磁阀等按时序动作，决定潮汐灌溉的频次和灌溉时间。这种灌溉决策方式由于土壤湿度传感器本身的非线性特性和输出时滞较大，导致反馈控制系统与作物需水要求偏离较大，控制性能受到很大的影响。采用气象参数运用神经网络算法来预测需水量，优化控制规则，可以更好地指导种苗的科学灌溉，为信息化管理和专家系统的建立提供技术支撑。
参考文献
[1] 杨仁全，卓杰强，周增产，等.潮汐式灌溉系统在温室中的应用研究[C].纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会（CSAE 2009）论文集，2009.
[2] 杨铁顺.谈地面潮汐灌溉[J].农业工程技术：温室园艺， 2009（4）：23-24.
[3] 张晓文，田真，刘文玺，等.潮汐式灌溉系统的研发与推广[J].农业工程，2011（1）：80-84.
[4] 张兵，袁寿其，成立.节水灌溉自动化技术的发展及趋势[J].排灌机械，2003（2）：37-41.
[5] 李梅玲.潮汐灌溉小白菜穴盘栽培的水分管理研究[D].上海：上海交通大学，2014.
[6] 郭晓玲.作物需水量预测模型研究及其在灌溉管理信息系统中的应用[D].武汉：华中科技大学，2007.
[7] 温耀华，罗金耀，李小平，等.基于BP 神经网络的大棚作物腾发量预测模型[J].中国农村水利水电，2008（2）：20-21，25.
[8] 肖蔓君，陈思颖，倪国强，等.基于Sigmoid函数局部视觉适应模型的真实影像再现[J].光学学报，2009（11）：3 050-3 056.
[9] 石建勋，刘新荣，王艳芳，等.基于BP神经网络方法计算灌区农业耗水量的研究[J].工程勘察，2011（5）：41-46.
[10] 张丹.基于BP人工神经网络的水稻需水量预测及灌区灌溉制度研究[D].沈阳：沈阳农业大学，2007.
[11] 周品.MATLAB神经网络设计与应用[M].北京：清华大学出版社，2013.
将经过归一化处理的数据放入BP神经网络，经过202次训练达到预期的训练要求（图1）。
4 系统验证和结果分析
4.1 随机查看最后10组数据
运用上述的BP神经网络模型对48个训练集样本数据进行训练，训练时设置允许最大总误差为0.001，最大训练次数为5 000次，实际经过训练202次后达到预期效果，总误差为0.009 97（图1）。随机抽取的最后10组数据表明，总体误差在±2%之内，学习效果达到预期（表2）。
4.2 运用学习好的神经系统进行验证
验证数据采用2013年8月5日11：55～16：25间的数据，学习结果如表3。
验证结果为10组数据的总体误差在±6%之内，证明该神经网络达到预期效果，经过训练的神经网络可以用于对于湿度变化率或需水量的预测。
5 结语
目前潮汐灌溉的自动控制系统多以湿度传感器测得的土壤湿度值和气象参数来预测作物需水量，然后把控制信号传送到执行机构，控制水泵、电磁阀等按时序动作，决定潮汐灌溉的频次和灌溉时间。这种灌溉决策方式由于土壤湿度传感器本身的非线性特性和输出时滞较大，导致反馈控制系统与作物需水要求偏离较大，控制性能受到很大的影响。采用气象参数运用神经网络算法来预测需水量，优化控制规则，可以更好地指导种苗的科学灌溉，为信息化管理和专家系统的建立提供技术支撑。
参考文献
[1] 杨仁全，卓杰强，周增产，等.潮汐式灌溉系统在温室中的应用研究[C].纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会（CSAE 2009）论文集，2009.
[2] 杨铁顺.谈地面潮汐灌溉[J].农业工程技术：温室园艺， 2009（4）：23-24.
[3] 张晓文，田真，刘文玺，等.潮汐式灌溉系统的研发与推广[J].农业工程，2011（1）：80-84.
[4] 张兵，袁寿其，成立.节水灌溉自动化技术的发展及趋势[J].排灌机械，2003（2）：37-41.
[5] 李梅玲.潮汐灌溉小白菜穴盘栽培的水分管理研究[D].上海：上海交通大学，2014.
[6] 郭晓玲.作物需水量预测模型研究及其在灌溉管理信息系统中的应用[D].武汉：华中科技大学，2007.
[7] 温耀华，罗金耀，李小平，等.基于BP 神经网络的大棚作物腾发量预测模型[J].中国农村水利水电，2008（2）：20-21，25.
[8] 肖蔓君，陈思颖，倪国强，等.基于Sigmoid函数局部视觉适应模型的真实影像再现[J].光学学报，2009（11）：3 050-3 056.
[9] 石建勋，刘新荣，王艳芳，等.基于BP神经网络方法计算灌区农业耗水量的研究[J].工程勘察，2011（5）：41-46.
[10] 张丹.基于BP人工神经网络的水稻需水量预测及灌区灌溉制度研究[D].沈阳：沈阳农业大学，2007.
[11] 周品.MATLAB神经网络设计与应用[M].北京：清华大学出版社，2013.
将经过归一化处理的数据放入BP神经网络，经过202次训练达到预期的训练要求（图1）。
4 系统验证和结果分析
4.1 随机查看最后10组数据
运用上述的BP神经网络模型对48个训练集样本数据进行训练，训练时设置允许最大总误差为0.001，最大训练次数为5 000次，实际经过训练202次后达到预期效果，总误差为0.009 97（图1）。随机抽取的最后10组数据表明，总体误差在±2%之内，学习效果达到预期（表2）。
4.2 运用学习好的神经系统进行验证
验证数据采用2013年8月5日11：55～16：25间的数据，学习结果如表3。
验证结果为10组数据的总体误差在±6%之内，证明该神经网络达到预期效果，经过训练的神经网络可以用于对于湿度变化率或需水量的预测。
5 结语
目前潮汐灌溉的自动控制系统多以湿度传感器测得的土壤湿度值和气象参数来预测作物需水量，然后把控制信号传送到执行机构，控制水泵、电磁阀等按时序动作，决定潮汐灌溉的频次和灌溉时间。这种灌溉决策方式由于土壤湿度传感器本身的非线性特性和输出时滞较大，导致反馈控制系统与作物需水要求偏离较大，控制性能受到很大的影响。采用气象参数运用神经网络算法来预测需水量，优化控制规则，可以更好地指导种苗的科学灌溉，为信息化管理和专家系统的建立提供技术支撑。
参考文献
[1] 杨仁全，卓杰强，周增产，等.潮汐式灌溉系统在温室中的应用研究[C].纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会（CSAE 2009）论文集，2009.
[2] 杨铁顺.谈地面潮汐灌溉[J].农业工程技术：温室园艺， 2009（4）：23-24.
[3] 张晓文，田真，刘文玺，等.潮汐式灌溉系统的研发与推广[J].农业工程，2011（1）：80-84.
[4] 张兵，袁寿其，成立.节水灌溉自动化技术的发展及趋势[J].排灌机械，2003（2）：37-41.
[5] 李梅玲.潮汐灌溉小白菜穴盘栽培的水分管理研究[D].上海：上海交通大学，2014.
[6] 郭晓玲.作物需水量预测模型研究及其在灌溉管理信息系统中的应用[D].武汉：华中科技大学，2007.
[7] 温耀华，罗金耀，李小平，等.基于BP 神经网络的大棚作物腾发量预测模型[J].中国农村水利水电，2008（2）：20-21，25.
[8] 肖蔓君，陈思颖，倪国强，等.基于Sigmoid函数局部视觉适应模型的真实影像再现[J].光学学报，2009（11）：3 050-3 056.
[9] 石建勋，刘新荣，王艳芳，等.基于BP神经网络方法计算灌区农业耗水量的研究[J].工程勘察，2011（5）：41-46.
[10] 张丹.基于BP人工神经网络的水稻需水量预测及灌区灌溉制度研究[D].沈阳：沈阳农业大学，2007.
[11] 周品.MATLAB神经网络设计与应用[M].北京：清华大学出版社，2013.
摘 要：基于不结球白菜育苗潮汐灌溉的需求，尝试根据气象条件，通过BP神经网络算法来预测作物的需水量，优化控制规则，作为指导种苗灌溉的依据。验证结果表明，该神经网络达到预期效果，经过训练的神经网络可以用于预测湿度变化率或需水量。
关键词：潮汐灌溉；神经网络；需水量预测
中图分类号：S634.3；S275.9 文献标识码：A 文章编号：1001-3547（2014）22-0038-03
1 农业节水技术研究状况
潮汐灌溉是一项成熟的农业灌溉技术，它能够将水分灌溉和养分供应有机地结合起来，并且保持植株地上部的干燥，所以对植物生长发育十分有利，能够有效促进作物生长，防止病虫害的发生，并且灌溉效率很高，在国际上已经普遍应用[1]。潮汐灌溉的原理是在涨潮时水或肥料通过封闭的管道输送到盆栽底部，退潮时又通过管道退回，经消毒、过滤后的营养液或者灌溉水可重复使用[1]。潮汐灌溉的水或者肥料的利用效率很高，可达90%；植物叶片表面无水膜，保证了最大限度的光合作用，从而更多地吸收根部的水分和养分，因而作物生长速度明显加快，苗龄可缩短10%～15%；同时，既能手动操作，又便于自动化作业，标准化的灌溉控制保证了叶片、茎蔓和花等植物性状的统一，作物产品的合格率大幅度提高；此外，不淋水肥的花和叶的表面更有光泽，品相好，令市场售价大幅提升，经济效益可观。因此，这项技术的推广应用前景十分广阔[3]。
2 农业节水灌溉的自动控制状况
第一套节水灌溉控制器是在1954年由美国的本纳米和欧弗尔开发而成，当它测得的土壤含水量低于设定值时就打开灌水阀门。经过几十年的发展，土壤湿度传感器已逐渐应用在目前的许多自动灌溉控制系统中，控制系统将传感器采集的实时湿度与设定值比较并决定是否灌溉。这类控制系统实际运行的结果表明，影响控制系统性能的因素主要有：系统的软硬件，包括软件的设计思路及算法；
土壤湿度传感器的稳定性及可靠性；控制电磁阀和压力调节装置的可靠性，以及过滤器、流量计等组件的性能。其中，土壤湿度传感器对于系统的影响极大[4]。
然而，因为土壤湿度传感器是非线性的，所以测得的湿度值往往和实际值存在一定的偏差；另外，因为普通的土湿传感器存在较大的输出时滞，快速响应的传感器价格又极其昂贵，所以传统的反馈控制系统的性能受到很大的影响[4]。近年来随着人工智能技术的飞速发展，人工智能技术逐渐应用在节水灌溉中，其中包括专家决策系统、模糊逻辑控制系统、利用神经网络算法来建模和预测，这些智能技术使得灌溉控制器能及时、准确地预测环境变量，以便及时采取正确、有效的控制措施，保障作物在最优化的环境下生长。本研究在不结球白菜穴盘质量与基质相对湿度之间的相关关系研究的基础上，尝试通过气象数据的神经网络算法，为灌溉控制提供技术支持。
3 基于神经网络的蔬菜育苗潮汐灌溉策略研究
根据李梅玲等[5]对不结球白菜穴盘质量与基质相对湿度之间的试验数据，运用SPSS相关性分析，得出播种穴盘质量变化量和基质相对湿度差之间的关系为ΔY=31.211ΔX，而蒸发蒸腾量可看成等于穴盘盘质量的减少量，因此，通过土壤相对湿度差的预测，可以预测蒸发蒸腾量即需水量，从而指导种苗的灌溉。
大量灌溉试验资料表明，作物需水量与气象条件（包括日照、气温、风速和湿度等）有着直接的关系，土壤相对湿度差和日照、气温、风速和空气湿度有着紧密的关系[6]。
温室育苗处于室内，风速影响很小[1]，所以在研究土壤湿度的变化率时主要选取光照（klx）、气温（℃）、空气湿度（%），以土壤湿度的每半小时的变化率作为研究对象，光照、气温、空气湿度作为输入项，土壤湿度作为输出项。
研究数据选取了从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实测数据，如表1。
为了确保输入样本和输出的精确性，使BP网络取得最佳的学习效果，要求在训练神经网络前，务必对输入和输出样本进行无量纲（归一化）化处理[7]，使处理后的输入输出样本的数据在[0，1]范围之内。
Sigmoid是BP神经网络的隐含层采用的函数，即f（x）={1+exp[-ξ（x-η）]}-1。该函数与自变量在中间位置附近的一个邻域内，基本上为线性关系；但在这一邻域外为趋向于一个极限的非线性关系[8]；所以BP神经网络对于取值范围两端的数据与中间部分的数据处理后的精度不一样，两端的要差些。将输入数据压缩处理后可减少这种影响[9]。同时不同量纲的输入数据，其绝对值差异较大，会延长网络训练及学习的时间，处理结果也会带来不利影响，所以也需要归一化处理。函数中的ξ、η两参数是为了应对不同的情况，实现对函数的伸缩和平移。
样本经过归一化处理之后，用newff建立一个前向BP函数[10，11]，格式如下：net=netff（PR，[S1 S2...SN1]，{TF1 TF2...TFN1}，BTF，BLF，PF）
其中，net为新创建的BP神经网络；
S 为隐含层和输出层神经元数目；
TF 为隐含层和输出层的传递函数，默认为tansig；
BTF 表示BP网络的训练函数，默认为trainlm；
BLF 表示BP网络的学习函数，默认为learngdm；
PF 表示BP网络的性能函数，默认为mse。
本文将使用三层BP神经网络，即输入层、隐含层和输出层。输入层将为光照、气温、空气湿度这3个指标，输出层为1，隐含层一般根据经验加公式方式确定。一般我们可以参考公式y=■+m，其中a为输入层神经元个数，b为输出层神经元个数，m为[1，10]之间的常数。基于该公式，隐含层的数量在[3，12]之间。根据经验隐含层数为9时，收敛效果较好，误差精度好，泛化效果不错，因此我们取9为隐含层个数。至此，我们确定该BP神经网络结构为3-9-1的网络模型。
将经过归一化处理的数据放入BP神经网络，经过202次训练达到预期的训练要求（图1）。
4 系统验证和结果分析
4.1 随机查看最后10组数据
运用上述的BP神经网络模型对48个训练集样本数据进行训练，训练时设置允许最大总误差为0.001，最大训练次数为5 000次，实际经过训练202次后达到预期效果，总误差为0.009 97（图1）。随机抽取的最后10组数据表明，总体误差在±2%之内，学习效果达到预期（表2）。
4.2 运用学习好的神经系统进行验证
验证数据采用2013年8月5日11：55～16：25间的数据，学习结果如表3。
验证结果为10组数据的总体误差在±6%之内，证明该神经网络达到预期效果，经过训练的神经网络可以用于对于湿度变化率或需水量的预测。
5 结语
目前潮汐灌溉的自动控制系统多以湿度传感器测得的土壤湿度值和气象参数来预测作物需水量，然后把控制信号传送到执行机构，控制水泵、电磁阀等按时序动作，决定潮汐灌溉的频次和灌溉时间。这种灌溉决策方式由于土壤湿度传感器本身的非线性特性和输出时滞较大，导致反馈控制系统与作物需水要求偏离较大，控制性能受到很大的影响。采用气象参数运用神经网络算法来预测需水量，优化控制规则，可以更好地指导种苗的科学灌溉，为信息化管理和专家系统的建立提供技术支撑。
参考文献
[1] 杨仁全，卓杰强，周增产，等.潮汐式灌溉系统在温室中的应用研究[C].纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会（CSAE 2009）论文集，2009.
[2] 杨铁顺.谈地面潮汐灌溉[J].农业工程技术：温室园艺， 2009（4）：23-24.
[3] 张晓文，田真，刘文玺，等.潮汐式灌溉系统的研发与推广[J].农业工程，2011（1）：80-84.
[4] 张兵，袁寿其，成立.节水灌溉自动化技术的发展及趋势[J].排灌机械，2003（2）：37-41.
[5] 李梅玲.潮汐灌溉小白菜穴盘栽培的水分管理研究[D].上海：上海交通大学，2014.
[6] 郭晓玲.作物需水量预测模型研究及其在灌溉管理信息系统中的应用[D].武汉：华中科技大学，2007.
[7] 温耀华，罗金耀，李小平，等.基于BP 神经网络的大棚作物腾发量预测模型[J].中国农村水利水电，2008（2）：20-21，25.
[8] 肖蔓君，陈思颖，倪国强，等.基于Sigmoid函数局部视觉适应模型的真实影像再现[J].光学学报，2009（11）：3 050-3 056.
[9] 石建勋，刘新荣，王艳芳，等.基于BP神经网络方法计算灌区农业耗水量的研究[J].工程勘察，2011（5）：41-46.
[10] 张丹.基于BP人工神经网络的水稻需水量预测及灌区灌溉制度研究[D].沈阳：沈阳农业大学，2007.
[11] 周品.MATLAB神经网络设计与应用[M].北京：清华大学出版社，2013.
将经过归一化处理的数据放入BP神经网络，经过202次训练达到预期的训练要求（图1）。
4 系统验证和结果分析
4.1 随机查看最后10组数据
运用上述的BP神经网络模型对48个训练集样本数据进行训练，训练时设置允许最大总误差为0.001，最大训练次数为5 000次，实际经过训练202次后达到预期效果，总误差为0.009 97（图1）。随机抽取的最后10组数据表明，总体误差在±2%之内，学习效果达到预期（表2）。
4.2 运用学习好的神经系统进行验证
验证数据采用2013年8月5日11：55～16：25间的数据，学习结果如表3。
验证结果为10组数据的总体误差在±6%之内，证明该神经网络达到预期效果，经过训练的神经网络可以用于对于湿度变化率或需水量的预测。
5 结语
目前潮汐灌溉的自动控制系统多以湿度传感器测得的土壤湿度值和气象参数来预测作物需水量，然后把控制信号传送到执行机构，控制水泵、电磁阀等按时序动作，决定潮汐灌溉的频次和灌溉时间。这种灌溉决策方式由于土壤湿度传感器本身的非线性特性和输出时滞较大，导致反馈控制系统与作物需水要求偏离较大，控制性能受到很大的影响。采用气象参数运用神经网络算法来预测需水量，优化控制规则，可以更好地指导种苗的科学灌溉，为信息化管理和专家系统的建立提供技术支撑。
参考文献
[1] 杨仁全，卓杰强，周增产，等.潮汐式灌溉系统在温室中的应用研究[C].纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会（CSAE 2009）论文集，2009.
[2] 杨铁顺.谈地面潮汐灌溉[J].农业工程技术：温室园艺， 2009（4）：23-24.
[3] 张晓文，田真，刘文玺，等.潮汐式灌溉系统的研发与推广[J].农业工程，2011（1）：80-84.
[4] 张兵，袁寿其，成立.节水灌溉自动化技术的发展及趋势[J].排灌机械，2003（2）：37-41.
[5] 李梅玲.潮汐灌溉小白菜穴盘栽培的水分管理研究[D].上海：上海交通大学，2014.
[6] 郭晓玲.作物需水量预测模型研究及其在灌溉管理信息系统中的应用[D].武汉：华中科技大学，2007.
[7] 温耀华，罗金耀，李小平，等.基于BP 神经网络的大棚作物腾发量预测模型[J].中国农村水利水电，2008（2）：20-21，25.
[8] 肖蔓君，陈思颖，倪国强，等.基于Sigmoid函数局部视觉适应模型的真实影像再现[J].光学学报，2009（11）：3 050-3 056.
[9] 石建勋，刘新荣，王艳芳，等.基于BP神经网络方法计算灌区农业耗水量的研究[J].工程勘察，2011（5）：41-46.
[10] 张丹.基于BP人工神经网络的水稻需水量预测及灌区灌溉制度研究[D].沈阳：沈阳农业大学，2007.
[11] 周品.MATLAB神经网络设计与应用[M].北京：清华大学出版社，2013.
将经过归一化处理的数据放入BP神经网络，经过202次训练达到预期的训练要求（图1）。
4 系统验证和结果分析
4.1 随机查看最后10组数据
运用上述的BP神经网络模型对48个训练集样本数据进行训练，训练时设置允许最大总误差为0.001，最大训练次数为5 000次，实际经过训练202次后达到预期效果，总误差为0.009 97（图1）。随机抽取的最后10组数据表明，总体误差在±2%之内，学习效果达到预期（表2）。
4.2 运用学习好的神经系统进行验证
验证数据采用2013年8月5日11：55～16：25间的数据，学习结果如表3。
验证结果为10组数据的总体误差在±6%之内，证明该神经网络达到预期效果，经过训练的神经网络可以用于对于湿度变化率或需水量的预测。
5 结语
目前潮汐灌溉的自动控制系统多以湿度传感器测得的土壤湿度值和气象参数来预测作物需水量，然后把控制信号传送到执行机构，控制水泵、电磁阀等按时序动作，决定潮汐灌溉的频次和灌溉时间。这种灌溉决策方式由于土壤湿度传感器本身的非线性特性和输出时滞较大，导致反馈控制系统与作物需水要求偏离较大，控制性能受到很大的影响。采用气象参数运用神经网络算法来预测需水量，优化控制规则，可以更好地指导种苗的科学灌溉，为信息化管理和专家系统的建立提供技术支撑。
参考文献
[1] 杨仁全，卓杰强，周增产，等.潮汐式灌溉系统在温室中的应用研究[C].纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会（CSAE 2009）论文集，2009.
[2] 杨铁顺.谈地面潮汐灌溉[J].农业工程技术：温室园艺， 2009（4）：23-24.
[3] 张晓文，田真，刘文玺，等.潮汐式灌溉系统的研发与推广[J].农业工程，2011（1）：80-84.
[4] 张兵，袁寿其，成立.节水灌溉自动化技术的发展及趋势[J].排灌机械，2003（2）：37-41.
[5] 李梅玲.潮汐灌溉小白菜穴盘栽培的水分管理研究[D].上海：上海交通大学，2014.
[6] 郭晓玲.作物需水量预测模型研究及其在灌溉管理信息系统中的应用[D].武汉：华中科技大学，2007.
[7] 温耀华，罗金耀，李小平，等.基于BP 神经网络的大棚作物腾发量预测模型[J].中国农村水利水电，2008（2）：20-21，25.
[8] 肖蔓君，陈思颖，倪国强，等.基于Sigmoid函数局部视觉适应模型的真实影像再现[J].光学学报，2009（11）：3 050-3 056.
[9] 石建勋，刘新荣，王艳芳，等.基于BP神经网络方法计算灌区农业耗水量的研究[J].工程勘察，2011（5）：41-46.
[10] 张丹.基于BP人工神经网络的水稻需水量预测及灌区灌溉制度研究[D].沈阳：沈阳农业大学，2007.
[11] 周品.MATLAB神经网络设计与应用[M].北京：清华大学出版社，2013.
