神经网络就是模拟人类思维的第二种方式。在神经网络模型中，BP网络是应用最为广泛的模型之一。BP网络是一种按照误差逆传播算法训练的多层前馈网络，可以学习和存储许多输入、输出模式的映射关系，在各个领域都得到了广泛的应用。

　　在传统的土壤墒情预测模型中，如果只提供简单的参数，那么模型则很难得到应用，而且许多墒情预测模型都比较复杂，在实际应用中很不方便，也存在一定的误差。因此，可以采用神经网络方法，通过建立神经网络预测模型，对土壤墒情进行准确的预测工作。

　　土壤墒情的主要影响因素包括：气候、水分、土壤的特性以及农作物的生长等，当对某一地区的土壤墒情进行预测时，就要充分考虑神经网络方法的应用，需要对影响土壤墒情的因素进行分组或者数值量化表示，对于普遍的结果进行模型的建立来分析土壤墒情。

　　对于BP网络的算法，由信息的正向传递和误差的反向传播等两部分组成。在信息的正向传递时，信息从输入层到隐含层进行计算，最终传递到输出层，其神经元的状态只对下一层的神经元状态起作用。那么，如果输出的数据不理想，就开始对输出层的误差数值进行计算，接下来进行反向传播，从而利用计算机网络，将误差反向传播回各层的神经元中，最终得到精准的数值。

　　神经网络模型法在土壤墒情的预测上有重要的应用。神经网络具有自主学习的优势，可以自主的建立输入参数和具有可调层数的BP网络模型，这种自主学习的功能还对预测有重要的意义，因此神经网络方法在土壤墒情的预测中可以广泛的应用。此外，神经网络模型所使用到的参数在目标区域都很容易得到，在一定程度上方便了对土壤墒情的预测。