基于改进BP神经网络的灌溉需水量预测研究

摘要：为了解决我国农业灌溉自动化程度不够高，灌溉用水量不够精确等问题。本文使用基于遗传算法改进的BP神经网络建立了灌溉需水量预测模型，选取了对灌溉需水量的主要影响因素作为输入数据进行仿真实验，实验结果表明，遗传算法改进的神经网络算法能够准确预测灌溉需水量。

关键词：BP神经网络；遗传算法；灌溉需水量预测

1 绪论

中国是一个农业大国，合理的灌溉是中国农业种植的重要举措。[1]传统的灌溉通过人工作业实现，主要依据人为判断自然条件，然后依靠以往经验决定灌水量的多少，无法有效地实现节水目的。[2]针对上述问题，本文提出一种基于改进神经网络的灌溉需水量预测方法，能够根据天气条件、土壤温湿度以及作物生长习性预测出当前作物的需水量，在达到精确灌溉的同时也能够节约灌溉用水。

2 神经网络及遗传算法原理

2.1 BP神经网络算原理

BP神经网络是一种双向传输的神经网络，包括正向传输与反向传输。在正向传输中，输入信号从输入层逐层传播到输出层，如果输出值未达到预期，则将其转移到反向传播，并调整网络权重和阈值，以使BP神经网络输出接近预期值。[3]

2.2 遗传算法原理

遗传算法是根据适应度值以及通过遗传的选择，交叉和突变筛选个体，保留具有良好适应度值的个体，并且消除适应度值差的个体，这样反复操作，直到适应度值达到条件。[4]遗传算法的基本操作分为：选择、交叉和变异。

3 遗传算法改进的BP神经网络

遗传算法改进BP神经网络共分为三部分：

1）神经網络结构确定部分。

2）遗传算法优化部分。

3）神经网络预测部分。

改进后的算法流程如下图所示。

4 实验及结论

4.1 数据获取

将本文提出的预测方法用Matlab软件进行仿真。采用黑河流域盈科灌区2012年试验数据。[5]为了使神经网络能够处理非数值型数据，数据特征中的数字特征和非数字特征被统一地数字编码和标准化。

4.2 参数设置

神经网络中，输入层节点、隐藏层节点和输出层节点数设置为（10，15，1），算法最大训练周期设置为1000，精度设置为0001；遗传算法中，种群初始大小设置为200，最大进化代数设置为200，选择率、交叉率和变异率分别设置为（0.9，0.8，0.09）。

4.3 预测结果

对改进后的算法进行建模并训练，以预测2012年的10套测试验证样本。将实验得到的预测结果与实际结果进行比较。相比之下，改进后的算法模型对灌溉用水需求预测的最低准确度为91.67%。

5 结语

本文使用改进后的算法进行建模，用2012年灌溉用水量以及其主要影响因素作为实验数据，并使用剩下10组数据作为测试组，实验结果表明，改进的算法比传统的预测方法具更准确、更快速，可作为预测灌溉需水量的可靠方法。

参考文献：

[1]史爱克.节水灌溉在中国的发展与机遇[J].四川农机，2001，（5）：2627.

[2]川陈莉.浅谈节水灌溉技术[J].山西农业科学，2002，（10）：4344.

[3]郇洪江，宫宁生，胡斌.改进的BP神经网络在交通流量预测中应用[J].微电子学与计算机，2010（1）：106108.

[4]高玉明，张仁津.基于遗传算法和BP神经网络的房价预测分析[J].计算机工程，2014，40（4）：187191.

[5]闫昕，刘钰，张宝忠，等.基于双作物系数模型的田间灌溉水利用效率估算[J].安徽农业科学，2015，43（12）：371373，378.

作者简介：杨昊（1995），男，四川德阳县人，硕士，研究方向：智能控制理论及应用。