摘要:
针对传统土壤含水量预测算法存在的精度和效率较低等问题，采用支持向量机（SVM, support vector machine）建立预测模型，提出一种改进樽海鞘群算法（SSA, salp swarm algorithm）优化SVM的土壤含水量预测算法。首先，引入反向学习和混沌优化对标准樽海鞘群算法进行改进，解决算法易陷入局部最优解和收敛速度慢的问题；其次，利用改进的樽海鞘群算法对影响 SVM 性能的参数进行优化，构建对应的预测模型；最后，将所提模型与粒子群优化SVM预测模型、鲸鱼算法优化SVM预测模型进行对比。实验结果表明，所提模型的均方误差和决定系数分别为0.42和0.901，与其他两种模型相比性能更优，验证了所提算法的有效性。
关键词： 土壤含水量预测 ; 支持向量机 ; 樽海鞘群算法 ; 反向学习 ; 混沌优化
随着我国现代化建设的不断发展以及人口的快速增长，水资源短缺的问题日益凸显。农业作为我国的基础产业，其用水需求量巨大。近年来，物联网技术的广泛应用为农业的发展注入动力。农业物联网高度集成和综合运用多种新一代信息技术解决农田信息采集、面向不同应用的智慧决策及管理等难题，逐步实现农业生产精细化和智慧化。土壤含水量是陆地与大气能量交换的重要因素，在农业领域具有重要的作用，提高土壤含水量预测水平是实现节水灌溉、提高水资源利用率与作物产能、促进农业可持续发展的关键环节。同时，科学有效的土壤含水量预测也会反作用于农田物联网监测系统，促使系统的决策功能更完善。因此，不断提升土壤含水量预测水平是研究学者关注的课题之一。
目前，常用的土壤含水量预测算法包括经验法、土壤水量平衡法、时间序列法、神经网络法以及支持向量机法等。Lewin 等提出一种基于土壤含水量与贮水