土壤墒情预测是农业发展的重要内容之一,对于实现作物的增产增收、提高作物经济效益方面具有重要的意义。本文采用深度神经网络算法对土壤墒情进行预测,合理控制水分供给,实现茶园灌溉用水的科学供给。土壤墒情是具有时间序列非线性属性的一种数据。目前,对于时间序列应用较多的是循环神经网络(RNN)。从原理上讲,长短期记忆网络(LSTM)善于发掘时间序列数据间的非线性关系,适用于土壤墒情预测问题。为此本文主要研究内容如下:(1)详细介绍了对土壤墒情的预测难点以及常用方法,并且阐述了神经网络基本概念。包括BP神经网络、循环神经网络、长短期记忆网络几种常见的神经网络模型的基本概念,结构图、推导过程等。(2)对土壤墒情数据及其气象数据进行采集,通过归一化处理,将数据分布在[0,1]的范围内,然后进行相关性分析,提取对土壤墒情影响较大的因子数据作为模型的输入。从模型构建方面,对不同隐层神经元数量的模型进行训练并对训练结果进行对比分析,以此来说明模型结构对预测精度的影响。优化方法方面,分别采用SGD、RMSprop以及Adam法对网络训练过程进行优化,以此来研究不同的优化方法对模型精度的影响,并最终选出最适用于LS TM深度神经网络的优化方法。(3)使用的数据集为黄山太平地区2018年三个月采集的气象和土壤墒情数据。通过实验结果的分析,LSTM神经网络模型预测精度相对于BP神经网络、多元二次回归模型预测模型更加精确。同时,表明LSTM神经网络模型在土壤墒情预测方面也具有十分好的应用前景,基于LSTM神经网络土壤墒情预测模型的建立和研究,能够为其他地区土壤墒情预测提供一个参考。本文提出深度神经网络技术在精细化土壤墒情预测上的方法,研究了时间序列法在土壤墒情预测上应用,拓展了区域化土壤墒情预报手段。