农业技术

本发明公开了一种基于改进Elman神经网络的集雨调亏作物需水量预测方法，该方法在作物不同生育阶段内分别选取对作物需水量影响较明显因素作为预测模型的输入因子，然后采用具有动态建模能力的Elman神经网络进行预测，同时，采用遗传算法选取Elman神经网络的最佳连接权值和阈值，得到状态最优的Elman神经网络。本发明的预测模型能够对作物需水量进行有效的预测，且在充分利用降雨的同时进行调亏滴灌，实现了多重节水，更大限度地节约了水资源。

针对预测作物需水量模型，现有的技术方案是：张兵等人针对BP神经网络收敛速度慢的缺点，将L‑M优化算法BP神经网络应用于作物需水量预测模型中，并对美国田纳西州大学高原实验室的青椒作物需水量进行了预测实例分析。该方案虽然提高了网络的收敛速度，能得到更小的训练误差，但其输入样本仅为气象数据，并未引入作物生理信息，也并未根据作物生育阶段选取不同的影响因素来进行作物需水量预测。商志根等人提出了随机森林与MLP神经网络集成的预测作物需水量模型，该模型可获得更好的预测精度，但模型输入样本仍仅为气象数据，也未按照作物生育阶段对影响作物需水量的因素进行分析和选取。Dahua Tang等人虽然利用遗传算法优化的人工神经网络预测作物需水量时，输入数据考虑了除气象因素外的叶面积指数及植株高度两个作物生理指标，但是并未考虑作物生理信息中的作物冠层温度。

对植物而言，叶片具有多重功能，叶片的气温是植物生理感测的重要指标，其可以反映作物的水分状况，大量研究表明，作物冠层温度是反映作物水分状况的一个良好指标，而作物的水分状况与作物需水量息息相关。作物冠层温度的获取也克服了其它参数测量时存在的取样误差较大和费时的缺点。因此，预测作物需水量模型的输入因子有必要考虑作物冠层温度。另外，以上提到的所有文献中的种植方式也并不是针对作物的集雨调亏滴灌方式。而且所有涉及到作物需水量的预测模型中均没有按照作物生育阶段分别对影响作物需水量因素进行分析和选取。

使用河北工程大学试验地数据对本发明所提GA‑Elman方法的有效性进行了仿真验证，结果表明，本发明的预测模型能够对集雨调亏滴灌模式下的作物需水量进行有效的预测，其性能明显优于作物全生育期仅输入气象因素或作物全生育期仅选取固定的输入因素，并且也优于单一使用Elman神经网络来进行预测。此外，在充分利用降雨的同时进行了调亏滴灌，实现了多重节水，更大限度地节约了水资源。