本文在查阅与对比国内外土壤墒情预报模型优缺点的基础上,考虑到土壤墒情易于获得且其变化包含了气象、灌溉以及作物生长等因素的变化,并考虑到土壤墒情是一个复杂的大滞后系统,且BP网络具有强大的非线性映射能力,提出了根据土壤不同层次不同时刻的墒情,建立基于BP算法的土壤墒情预报模型。研究期间,作者在北京市海淀区八家北京林业大学实验苗圃内,于2010年3月至2010年11月和2011年3月至2011年11月两个时间段内,每天以1h的采样间隔实时获取土壤10cm、30cm和50cm处的土壤墒情,共获得样本数据13000多组。其中,一半数据用来建立墒情预报模型,另一半用来验证模型的准确性。本文最终建立了以土壤10cm处前1小时时刻和前4小时时刻的土壤墒情,30cm处前3h和前4h时刻的墒情,50cm处前1h、前2h、前3h和前4h时刻的墒情作为输入,土壤30cm处当前墒情作为输出,隐含层神经元个数为8个,学习算法为trainlm的单隐层BP模型。实验验证的结果表明,该模型预报准确,能基本预报土壤墒情的变化规律。为了验证本模型应用到实际的可行性和准确性,本文设计了精准灌溉控制系统。该系统基于强大的ARM+linux平台,带有良好的人机交互界面。系统运行结果表明,精准灌溉控制系统可以实现灌区土壤及时、精准的灌溉。