1.一种温室大棚土壤参数测量方法，其特征在于，包括以下步骤：

1)根据对温室大棚的空气和土壤数据的记录，统计出空气温度、湿度、二氧化碳含量、空气流量，对应时刻的土壤温度、含水量、二氧化碳含量的数据；将空气温度、湿度、二氧化碳含量、空气流量作为输入参量，将土壤温度、含水量、二氧化碳含量作为输出参量，建立神经网络，根据已有的历史监测数据，使用BP神经网络，附加动量学习规则，训练神经网络；

2)根据农作物生长所需的土壤的温度、含水量、二氧化碳含量的理想值，由粒子群算法，求解神经网络的最优输入参量，即空气温度、湿度、二氧化碳含量、空气流量；

3)根据上一循环神经网络估计误差判断是否需要人工采样，如需要，通过人工采样然后离线分析，对比得出实测的土壤温度、含水量、二氧化碳含量与神经网络估计出的土壤温度、含水量、二氧化碳含量的误差，然后将这组实测土壤温度、含水量、二氧化碳含量数据，以及神经网络估计与实测的土壤温度、含水量、二氧化碳含量误差数据一起，使用附加动量学习规则，更新训练神经网络；如不需要人工采样，则返回步骤2)。

2.如权利要求1所述的温室大棚土壤参数测量方法，其特征在于，所述粒子群算法，步骤如下：

1)初始化粒子群：确定粒子群大小NP，粒子群算法迭代次数NG，初始化粒子位置，计算每个粒子的适应度并初始化全局最优解与个体最优解；

计算粒子适应度的函数为：

其中，Oi表示神经网络输出向量的第i个元素，O′i为理论期望的输出向量的第i个元素；

2)更新粒子群：粒子群的运动方程如下：

v(t)＝ω·v(t-1)+c1·(lbest-x(t))+c2·(gbest-x(t))x(t+1)＝x(t)+c3·v(t)

其中ω取为 i为粒子群算法的本次迭代次数，c1,c2,c3为常数，lbest为每个粒子搜索过的个体最优解，gbest为所有粒子搜索过的全局最优解；

3)计算本次迭代的粒子适应度，更新个体最优解与全局最优解：即对每个粒子，将本次迭代产生的适应度，与当前个体最优解相比，取适应度较小的为个体最优解，与所有粒子搜索过的全局最优解相比，取适应度较小的为全局最优解；

4)判断是否达到迭代NG次，若是，则输出全局最优解，若否，则返回步骤2)。

3.如权利要求2所述的温室大棚土壤参数测量方法，其特征在于，所述粒子群算法步骤

2)的c1,c2取值为3，c3取值为0.4。

4.如权利要求1所述的温室大棚土壤参数测量方法，其特征在于，所述附加动量学习法，更新规则如下式：其中△ω(t)＝ω(t)-ω(t-1)，ET为神经网络的训练误差，η为权重，a为动量因子，取

0.95。

5.一种温室大棚土壤参数测量方法，其特征在于，包括以下步骤：

1)根据对温室大棚的空气和土壤数据的记录，统计出空气温度、湿度、二氧化碳含量、空气流量，对应时刻的土壤温度、含水量、二氧化碳含量的数据；将空气温度、湿度、二氧化碳含量、空气流量作为输入参量，将土壤温度、含水量、二氧化碳含量作为输出参量，建立神经网络，根据已有的历史监测数据，使用BP神经网络，附加动量学习规则，训练神经网络；

2)根据农作物生长所需的土壤的温度、含水量、二氧化碳含量的理想值，由遗传算法，求解神经网络的最优输入参量，即空气温度、湿度、二氧化碳含量、空气流量；所述遗传算法包括以下步骤：①采用实数编码，初始化染色体，形成初始种群；

②利用适应度函数评价各代中的每个染色体；

②进行遗传操作；

④重新计算每个个体的适应值；

⑤选择好新种群后，对新种群中的最优个体进行保留，用上代的最优个体取代本代的最差个体；

⑥判断是否达到进化代数，若没有，则返回第②步，否则结束；

⑦将新种群中的最优个体的值作为和，保持不变，采用BP算法进行学习，直到满足性能指标；

3)根据上一循环神经网络估计误差判断是否需要人工采样，如需要，通过人工采样然后离线分析，对比得出实测的土壤温度、含水量、二氧化碳含量与神经网络估计出的土壤温度、含水量、二氧化碳含量的误差，然后将这组实测土壤温度、含水量、二氧化碳含量数据，以及神经网络估计与实测的土壤温度、含水量、二氧化碳含量误差数据一起，使用附加动量学习规则，更新训练神经网络；如不需要人工采样，则返回步骤2)。