水稻生长预测是农业精确化管理关键的一环。如果能够建立预测模型,在实际生产之前根据输入的环境参数值,预测出对应的水稻长势,进而估算最终产量,将对增强稻田生产潜力,指导耕作方面有着积极意义。水稻生长发育本就是一品种与环境因素共同作用复杂过程,故其预测模型建立也是一非线性复杂问题。目前,在水稻生长预测领域中存在两个不同的思路:一个是通过模拟水稻的同化作用、干物质分配等生理过程所建立的作物生长模型,其可给出水稻在生长要素限定条件下的产量。另一个是基于数据分析的水稻生长预测建模,挖掘水稻产量和温度、光照、水分等环境要素间的隐藏关系,进而预测其产量,主流方法有统计模型和神经网络两种。通过分析各生育期环境因素与生长量复杂关系,论文采用改进Elman神经网络建立预测模型,其模型可以分段预测不同周期长势状况,进而预测最终产量。在研究水稻的生长发育特性和近年长势历史数据的基础上,论文给出兼顾生育周期及各期关键生长指标的水稻生长量定义,以此表征各生育期中水稻的长势,运用Elman神经网络确定各生育期中环境因素与长势的关系。同时为了避免算法容易陷入局部最优,论文提出了用改进遗传算法优化Elman神经网络的初始权值与阈值的解决方案。对返青期、分蘖期、拔节孕穗期、抽穗扬花期、灌浆期、成熟期六个生育周期分别建模,并针对六期的生长量和产量的关系独立建模,训练样本由多种环境参数和各阶段水稻生理指标构成,实验利用若干年的历史样本进行网络训练,得出模型各层权重,实测改进后的模型的精准度有所提升。项目组基于物联网技术,通过温度、光照、水位等传感器感知环境数据变化,ZigBee模块融合环境数据并传输至汇聚网关,由GPRS模块上传至上位机,数据被保存至云服务数据端,利用改进Elman神经网络建立预测模型,完成网络的在线训练和产量预测。目前该系统已经交户实测,其可动态预测各生育期中水稻生长状况,对辅助精准灌溉提供决策支持。