基于神经网络的温室土壤水分动态预测模型研究

万博雨，付 聪，郑世健，范玉德，刘知贵(.西南科技大学信息工程学院，四川 绵阳 6000；.中国物理研究院，化工材料研究所，四川 绵阳 6000)

土壤水分作为一种复杂的非线性耦合系统，易受外界环境因素的影响，且具有较强的时滞性[1]。对于温室小气候系统而言，虽然其隔绝了天气对土壤水分的直接影响，但地形、土壤空间变异性以及人类农业生产带来的影响依然存在。由于土壤空间变异性，传统施水方式在施水后无法降低土壤含水量空间分布差异，促使作物的长势不均。并且其未考虑土壤的时滞性，对土壤水分控制精度低。变量施水也叫变量灌溉或精准灌溉，其考虑到土壤空间变异性，通过对空间内实时精确施水，从而满足种植区所有作物的水分需求[2]。

若要实现温室精细化变量施水，首先需要实现对温室土壤水分的动态预测。目前，常用的土壤水分预测模型的方法主要有：土壤水量平衡模型[3]、土壤水动力学模型[4]、经验性模拟模型[5]和人工神经网络模型[6]等。上述方法在边界确定时可以获得较好结果，但在实际应用中经验性模拟模型的经验系数受时空分布的影响较大；土壤水量平衡模型需要测量和计算的因素较多，若缺少其中部分输入量，模型预测结果会产生较大误差；土壤水动力学模型中参数测量和计算较为复杂，妨碍模型的实际推广应用；人工神经网络模型一般以各层的历史土壤含水量(以一旬或一个月的平均值)作为输入，对未来某阶段土壤含水量变化情况进行预测，只能实现用水评估，而无法进行实时变量施水决策。……