«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:

第46卷

期数:

2018年10期

页码:

232-236

栏目:

农业工程与信息技术

出版日期:

2018-05-20

文章信息/Info

Title:

A soil moisture prediction algorithm based on artificial neural network

作者:

杨晓霞¹; 2;  贾嵩³;  张承明¹; 2;  程清¹; 2;  张航¹; 2

1.山东农业大学信息科学与工程学院，山东泰安 271018； 2.山东省数字农业工程技术研究中心，山东泰安 271018；
3.中国联通有限公司泰安市分公司，山东泰安 271000

Author(s):

Yang Xiaoxia; et al

关键词:

粒子群; 神经网络; 土壤湿度; 预测

Keywords:

-

分类号:

S126；TP183

DOI:

-

文献标志码:

A

摘要:

对土壤湿度进行的高质量时序预测对科学研究和农业生产实际都有重要的意义。利用无线传感器网络得到长时序观测数据，建立一种新的基于BP神经网络的土壤湿度时序预测方法。针对神经网络收敛速度慢、易陷入局部最优的问题，提出基于动量因子和自适应学习率的BP神经网络改进方法，并且利用粒子群算法优化BP神经网络的初始阈值和权值。针对标准粒子群算法(PSO)中惯性权重线性递减、学习因子取常数，而导致的PSO收敛速度慢、易错过全局最优解等问题，将迭代次数和适应度值相结合改进惯性权重和学习因子，有效提高算法找到全局最优解的速度。选取“渤海粮仓”山东试验区东营市垦利县20个观测站2013—2014年的时间序列观测数据，分别采用本研究提出的方法和其他4种方法进行预测，结果显示本研究提出的方法预测在预测精度、收敛速度方面都优于其他4种方法。

Abstract:

-

参考文献/References:

［1］Qiu J X，Gao Q，Wang S，et al.Comparison of temporal trends from multiple soil moisture data sets and precipitation：the implication of irrigation on regional soil moisture trend［J］. International Journal of Applied Earth Observation and Geoinformation，2016，48(4)：17-27.
［2］Nunzio R. Soil moisture at local scale：measurements and simulations［J］. Journal of Hydrology，2014，516(6)：6-20.
［3］李雨鸿，李倩倩，李辑，等. 东北地区春播期土壤水分预测方法研究［J］. 干旱地区农业研究，2013，33(6)：178-183.
［4］孙倩倩，刘晶淼，梁宏，等. 东北地区土壤湿度的区域性预报模型研究［J］. 自然资源学报，2014，29(6)：1065-1075.
［5］Ren C，An N，Wang J，et al. Optimal parameters selection for BP neural network based on particle swarm optimization：a case study of wind speed forecasting［J］. Knowledge-Based System，2014，56(3)：226-239.
［6］Tascikaraoglu A，Uzunoglu M. A review of combined approaches for prediction of short-term wind speed and power optimal parameters selection for BP neural network based on particle swarm optimization：a case study of wind speed forecasting［J］. Renew and Sustain Energy Reviews，2014，34(6)：243-254.
［7］Huang Z，Chalabi Z S. Use of time-series analysis to model and forecast wind speed［J］. Journal of Wind Engineering & Industrial Aerodynamics，1995，56(2/3)：311-322.
［8］Erdem E，Shi J. ARMA based approaches for forecasting the tuple of wind speed and direction［J］. Applied Energy，2011，88(4)：1405-1414.
［9］Su Z，Wang J，Lu H，et al. A new hybrid model optimized by an intelligent optimization algorithm for wind speed forecasting［J］. Energy Conversion and Management，2014，85(9)：443-452.
［10］Lydia M，Suresh Kumar S，Immanuel Selvakumar A，et al. Linear and non-linear autoregressive models for short-term wind speed forecasting［J］. Energy Conversion and Management，2016，112(6)：115-124.
［11］Liu H，Tian H Q，Li Y F. Comparison of two new ARIMA-ANN and ARIMA-Kalman hybrid methods for wind speed prediction［J］. Applied Energy，2012，98(1)：415-424.
［12］Liu H，Chen C，Tian H Q，et al. A hybrid model for wind speed prediction using empirical mode decomposition and artificial neural networks［J］. Renewable Energy，2012，48(6)：545-556.
［13］师洪涛，杨静玲，丁茂生，等. 基于小波-BP神经网络的短期风电功率预测方法［J］. 电力系统自动化，2011，35(16)：44-48.
［14］刘莉，叶文. 基于BP神经网络时间序列预测模型的降水量预测［J］. 水资源与水工程学报，2010，21(5)：156-159
［15］Meng A B，Ge J F，Yin H et al.Wind speed forecasting based on wavelet packet decomposition and artificial neural networks trained by crisscross optimization algorithm［J］. Energy Conversion and Management，2016，114(6)：75-88.
［16］Haque A U，andal P M，Meng J，et al.Wind speed forecast model for wind farm based on a hybrid machine learning algorithm［J］. International Journal of Sustainable Energy，2015，34(1)：38-51.
［17］Hassen B. Multiple architecture system for wind speed prediction［J］. Applied Energy，2011，88(7)：2463-2471.
［18］Erasmo C.Wind speed forecasting in three different regions of Mexico，using a hybrid ARIMA-ANN model［J］. Renewable Energy，2010，35(12)：2732-2738
［19］HO S L，Xie M，Goh T N，et al. A comparative study of neural network and Box-Jenkins ARIMA modeling in time series prediction［J］. Compute & Industrial Engineering，2002，42(2/3/4)：371-375.
［20］Li G Q，Xu S W，Li Z M. Short-term price forecasting for agro-products using artificial neural networks［J］. Agriculture and Agricultural Science Procedia，2010，1(156)：278-287.
［21］Yang H X，Zhao C，Du X J，et al. Risk prediction of city distribution engineering based on BP［J］. Systems Engineering Procedia，2012，5(3)：55-60.
［22］Wang Z，Wang F，Su S. Solar irradiance short-term prediction model based on BP neural network［J］. Energy Procedia，2011，12(39)：488-494.
［23］Zhang Y X，Gao X D，Katayama S. Weld appearance prediction with BP neural network improved by genetic algorithm during disk laser welding［J］. Journal of Manufacturing Systems，2015，34(11)：53-59.
［24］Zhen J X. Application of PSO-trained artificial neural network in high speed milling force modeling［J］. Comput Integrated Manufacturing Systems，2008，14(9)：1709-1716.
［25］胡寿松，张正道. 基于神经网络的非线性时间序列故障预报［J］. 自动化学报，2007，33(7)：744-748.
［26］杨娜. 利用BP神经网络由特征气象要素预测土壤湿度［J］. 土壤通报，2011，42(6)：1324-1329.
［27］Chang Q L，Zhou H Q，Hou C J. Using particle swarm optimization algorithm in an artificial neural network to forecast the strength of paste filling material［J］. Internation Journal of Mining Scicence and Technology，2008，18(4)：551-555.
［28］Liang G M，Zheng X. An improved BP Neural Network based on IPSO and its application［J］. Journal Computes，2013，8(5)：1267-1272.

相似文献/References:

[1]王丽爱,谭昌伟,马昌,等.农情信息遥感监测预报模型构建算法研究进展[J].江苏农业科学,2013,41(11):1.
　Wang Liai,et al.Research progress of remote sensing forecast modeling algorithms on crop information[J].Jiangsu Agricultural Sciences,2013,41(10):1.
[2]景卓鑫,张远,王珂靖,等.基于Radarsat-2雷达数据的水稻参数反演[J].江苏农业科学,2013,41(11):61.
　Jing Zhuoxin,et al.Rice parameters inversion based on Radarsat-2 data[J].Jiangsu Agricultural Sciences,2013,41(10):61.
[3]李春霆.基于图像处理与改进神经网络的大豆品质检测研究[J].江苏农业科学,2014,42(03):263.
　Li Chunting.Study on quality testing of soybean based on image processing and improved neural network[J].Jiangsu Agricultural Sciences,2014,42(10):263.
[4]费强,赵武云,戴飞,等.基于BP神经网络及遗传算法的组合式板齿脱粒装置参数优化[J].江苏农业科学,2014,42(03):351.
　Fei Qiang,et al.Parameter optimization of composite board tooth threshing device based on BP neural network and genetic algorithm[J].Jiangsu Agricultural Sciences,2014,42(10):351.
[5]孙爱东,尹令,石凯歌,等.基于RFID的群养种鹅个体产蛋记录方法[J].江苏农业科学,2016,44(02):420.
　Sun Aidong,et al.Individual egg recording method of laying goose with group rearing based on RFID[J].Jiangsu Agricultural Sciences,2016,44(10):420.
[6]吴春辉,朱成立,彭义.关中地区耕地变化驱动因素及预测模型[J].江苏农业科学,2014,42(04):281.
　Wu Chunhui,et al.Study on driving factors and prediction model of cultivated land change in Guanzhong region[J].Jiangsu Agricultural Sciences,2014,42(10):281.
[7]刘静,傅泽田,张小栓.基于GM-RBF神经网络的冷链运输环境预测[J].江苏农业科学,2015,43(10):498.
　Liu Jing,et al.Prediction of cold-chain transportation environment based on GM-RBF neural network[J].Jiangsu Agricultural Sciences,2015,43(10):498.
[8]孟翠丽,杨文刚,王涵,等.武汉市日光温室冬季温湿度环境的神经网络模拟[J].江苏农业科学,2017,45(03):176.
　Meng Cuili,et al.Neural network simulation of winter temperature and humidity environment of greenhouse in Wuhan City[J].Jiangsu Agricultural Sciences,2017,45(10):176.
[9]喻俊,李晓敏,张权,等.基于实测高光谱数据的太湖湖滨带典型植被分类[J].江苏农业科学,2017,45(05):240.
　Yu Jun,et al.Classification of typical vegetation zones of Taihu Lake based on measured hyperspectral data[J].Jiangsu Agricultural Sciences,2017,45(10):240.
[10]李妍,朱景福,罗文博,等.玉米叶片病斑多光谱特征提取及识别方法[J].江苏农业科学,2017,45(09):184.
　Li Yan,et al.Extraction and recognition method of multi spectral feature of corn leaf spot[J].Jiangsu Agricultural Sciences,2017,45(10):184.

备注/Memo

备注/Memo:

收稿日期：2017-07-20
基金项目：山东省省级水利科研与技术推广项目(编号：SDSLKY201503、SDSLKY201603)；中国气象局旱区特色农业气象灾害监测预警与风险管理重点实验室开放研究项目(编号：CAMF-201701)。
作者简介：杨晓霞(1980—)，女，山东青岛人，硕士，讲师，主要从事遥感信息提取方面的研究。E-mail：yangxx@sdau.edu.cn。
通信作者：张承明，博士，教授，主要从事遥感信息提取方面的研究。E-mail：chming@sdau.edu.cn。

常用功能

更新日期/Last Update: 2018-05-20