邱意敏，欣龍，武鵬

(1.安徽工程大學(xué) 電氣工程學(xué)院，安徽蕪湖241000；2.安徽工程大學(xué) 檢測(cè)技術(shù)與節(jié)能裝置安徽省重點(diǎn)實(shí)驗(yàn)室，安徽蕪湖241000)

1 引言

我國(guó)水資源總量位居全球第四，但由于人口眾多，人均水資源量遠(yuǎn)低于世界平均水平。作為我國(guó)水資源利用的主要部分，作物灌溉用水不僅影響水資源的利用效率，還影響農(nóng)作物的生長(zhǎng)。如何用有限的水資源對(duì)農(nóng)作物進(jìn)行合理的灌溉已經(jīng)成為我國(guó)農(nóng)業(yè)發(fā)展進(jìn)程中需要解決的主要問(wèn)題。

目前，我國(guó)大多作物的灌溉仍采用人工灌溉，該方式浪費(fèi)人力，只能對(duì)農(nóng)作物進(jìn)行粗略灌溉，且易造成水資源的大量浪費(fèi)。近幾年，很多學(xué)者利用回歸分析法、公式計(jì)算法、區(qū)域水量平衡預(yù)測(cè)法[1]、灰度系統(tǒng)預(yù)測(cè)法[2]以及神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法[3]等建立了一系列的灌溉模型，以改善我國(guó)農(nóng)作物灌溉的現(xiàn)狀。但這些灌溉模型大多將土壤指標(biāo)作為影響農(nóng)作物生長(zhǎng)的主要因素，很少將作物指標(biāo)和氣象指標(biāo)考慮進(jìn)去[4-5]，易造成無(wú)論農(nóng)作物病態(tài)與否均按照灌溉模型的灌溉量進(jìn)行灌溉。此外，多數(shù)模型僅適合于室內(nèi)溫室作物的灌溉，很少有專門針對(duì)農(nóng)田作物的灌溉模型。因此，研究與設(shè)計(jì)一個(gè)能夠區(qū)分農(nóng)作物生長(zhǎng)狀態(tài)的適用于農(nóng)田作物灌溉的灌溉模型具有一定的現(xiàn)實(shí)意義。

2 總體設(shè)計(jì)

針對(duì)目前灌溉模型存在的問(wèn)題，結(jié)合我國(guó)國(guó)情，設(shè)計(jì)了一個(gè)基于圖像識(shí)別和BP神經(jīng)網(wǎng)的灌溉模型。該模型以小麥為研究對(duì)象，利用圖像識(shí)別技術(shù)對(duì)小麥?zhǔn)欠裉幱诓B(tài)進(jìn)行判斷，若不處于病態(tài)則根據(jù)CWSI指數(shù)判定是否進(jìn)行澆灌，若需要進(jìn)行澆灌則利用BP神經(jīng)網(wǎng)絡(luò)對(duì)小麥生長(zhǎng)相關(guān)較大的五個(gè)因素進(jìn)行訓(xùn)練，以得到小麥的灌溉量，具體流程如圖1所示。

3 作物狀態(tài)區(qū)分

3.1 病態(tài)區(qū)分

農(nóng)作物的生長(zhǎng)狀態(tài)和眾多因素相關(guān)，在這里通過(guò)拍攝農(nóng)作物的圖片[6]以提取作物指標(biāo)，并利用圖像識(shí)別和卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)小麥病態(tài)與否的分類。

3.1.1 圖像處理 小麥的病態(tài)分為變色型、壞死型、萎蔫型、畸形型等。將事先采集的1200張小麥處于正常態(tài)和不同病態(tài)的圖片進(jìn)行圖像處理，包括灰度化、消除噪聲和圖像增強(qiáng)等。圖2和圖3分別為正常型小麥和變色型小麥的圖像處理結(jié)果。

3.1.2 數(shù)據(jù)集制作 將處理后的圖像經(jīng)過(guò)隨機(jī)旋轉(zhuǎn)90°、180°、270°來(lái)增大樣本的數(shù)量，并統(tǒng)一裁剪成100×100的小圖像，利用如圖4所示的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)完成樣本的訓(xùn)練，得到小麥圖像的數(shù)據(jù)集。

3.1.3 圖像識(shí)別 將采集的小麥圖片進(jìn)行預(yù)處理，再進(jìn)行區(qū)域定位和特征提取，最后將提取的特征與之前得到的圖像數(shù)據(jù)庫(kù)進(jìn)行比較，判斷小麥處于正常型、變色型、壞死型、萎蔫型和畸形型中的哪種狀態(tài)，即可區(qū)分小麥?zhǔn)欠癫B(tài)。

3.2 灌溉狀態(tài)區(qū)分

只要小麥不處于病態(tài)，就需對(duì)它的灌溉狀態(tài)進(jìn)行判斷，即是否需要灌溉。由于農(nóng)業(yè)生態(tài)環(huán)境具有多樣性，且需要水分的是小麥，故利用作物指標(biāo)來(lái)監(jiān)測(cè)小麥水分的狀況比監(jiān)測(cè)土壤水分可靠性更高[7]。作物指標(biāo)包括葉指標(biāo)、莖指標(biāo)、冠層溫度和作物群體反射率等[8]。由于農(nóng)作物的冠層溫度對(duì)水分脅迫相對(duì)比較敏感，且利用紅外遙感檢測(cè)技術(shù)即可完成對(duì)作物冠層溫度的監(jiān)測(cè)，故這里通過(guò)監(jiān)測(cè)小麥的冠層溫度來(lái)判定小麥?zhǔn)欠裥枰喔取?/p>

若僅通過(guò)設(shè)置小麥冠層溫度的閾值來(lái)判斷其是否需要灌溉，易受時(shí)間和空間影響，且閾值的設(shè)定較為困難。CWSI指數(shù)[9]以熱平衡原理為基礎(chǔ)，利用農(nóng)作物的冠層溫度和冠氣溫差上、下限來(lái)衡量其水分多少，估算精度較高，適用于農(nóng)田灌溉。

首先，分別檢測(cè)噴水的小麥葉面和涂凡士林的小麥葉面的冠層溫度，以確定冠層溫度的上限和下限；再檢測(cè)當(dāng)前小麥冠層溫度與空氣溫度；最后，將數(shù)據(jù)代入至式(1)計(jì)算CWSI數(shù)值。

(1)

其中，Tl是當(dāng)前小麥冠層溫度與空氣溫度的差值；Tmax和Tmin是小麥冠層溫度與空氣溫度差值的上限和下限。由于空氣溫度可以相互抵消，式(1)可以化簡(jiǎn)成式(2)的形式。

(2)

其中，Ta是當(dāng)前小麥冠層溫度；THigh和TLow是小麥冠層溫度的上限和下限。

CWSI值在0到1之間，CWSI的值越大，表示植物越缺水。據(jù)文獻(xiàn)統(tǒng)計(jì)[10]，小麥高產(chǎn)條件下的CWSI閾值為0.26，故一旦檢測(cè)到CWSI的值高于0.26時(shí)，則需對(duì)小麥進(jìn)行灌溉。但由于不同地區(qū)地理、氣候和環(huán)境各不相同，該值存在些許差異，可以根據(jù)具體情況進(jìn)行適量的調(diào)整。

4 灌溉量的確定

4.1 影響農(nóng)作物灌溉量的因素

根據(jù)水平衡公式(3)，可知農(nóng)作物各生育期的灌溉量Mi與農(nóng)作物蒸騰量ETi、土壤貯水變化量ΔSi、地下水利用量WGi與降水量Pi有關(guān)。

Mi=ETi+ΔSi+WGi-Pi(3)

(3)

其中，降水量可以根據(jù)天氣預(yù)報(bào)直接得到相對(duì)精確的值，土壤貯水變化量[11]可以根據(jù)時(shí)段初末土壤含水率差值乘以計(jì)劃濕潤(rùn)層深和土壤孔隙率算出相對(duì)精確的值。而地下水位深度大于3米時(shí)，可將其視為0。由此可見(jiàn)，若知道農(nóng)作物的蒸騰量，只需加減土壤貯水量和降水量即可得到農(nóng)作物的灌溉量。

而農(nóng)作物的蒸騰量是一個(gè)動(dòng)態(tài)變化的值，常見(jiàn)的影響農(nóng)作物蒸騰量的因素分為土壤指標(biāo)、作物指標(biāo)和氣象指標(biāo)[12]。其中，土壤指標(biāo)是土壤含水量；作物指標(biāo)是作物自身生理變化指標(biāo)，包括葉指標(biāo)、莖指標(biāo)、生育期等；氣象指標(biāo)是作物生長(zhǎng)環(huán)境的氣象指標(biāo)，包括環(huán)境溫度、空氣濕度、凈太陽(yáng)輻射等。為了使農(nóng)作物的蒸騰量不單獨(dú)與某類指標(biāo)相關(guān)，這里分別選取三大指標(biāo)中對(duì)農(nóng)作物需水量影響最大的5個(gè)因素，即環(huán)境溫度、空氣濕度、凈太陽(yáng)輻射、土壤含水量以及作物種植天數(shù)作為確定灌溉量的參考因素。

4.2 構(gòu)建灌溉量模型

由于小麥灌溉量和影響小麥灌溉量的因素之間的關(guān)系較為復(fù)雜，難以通過(guò)搭建線性系統(tǒng)的模型來(lái)建立相應(yīng)的映射關(guān)系。人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性擬合能力[13-14]，且自學(xué)能力、自適應(yīng)力和魯棒性很強(qiáng)，能夠?qū)崿F(xiàn)較為復(fù)雜的非線性映射的功能。而BP神經(jīng)網(wǎng)絡(luò)作為人工神經(jīng)網(wǎng)絡(luò)的重要組成部分，主要是通過(guò)利用誤差信息更新參數(shù)，經(jīng)過(guò)多次迭代得到最優(yōu)化參數(shù)集合，以實(shí)現(xiàn)處理信息的同時(shí)不斷自主學(xué)習(xí)的功能。

4.2.1 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建 文章構(gòu)建的灌溉量模型的輸入有5個(gè)，輸出有1個(gè)，具體的結(jié)構(gòu)如圖5所示。

4.2.2 數(shù)據(jù)的獲取與預(yù)處理 據(jù)上所述，需將環(huán)境溫度、空氣濕度、凈太陽(yáng)輻射、土壤含水量以及作物種植天數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，灌溉量作為BP神經(jīng)網(wǎng)絡(luò)的輸出。通過(guò)中國(guó)氣象數(shù)據(jù)網(wǎng)下載安徽省地面累年值日值數(shù)據(jù)集、中國(guó)氣候輻射國(guó)際交換站基本要素日值數(shù)據(jù)集和安徽省中國(guó)農(nóng)作物生長(zhǎng)發(fā)育的農(nóng)田土壤濕度旬值數(shù)據(jù)集獲取相應(yīng)的環(huán)境溫度、空氣濕度、凈太陽(yáng)輻射和土壤含水量(取20 cm土壤相對(duì)濕度)，而作物種植天數(shù)以作物播種時(shí)間作為起始時(shí)間計(jì)算。灌溉量則是用作物的蒸騰量加上土壤貯水量變化量再減去降水量作為終值，其中土壤貯水量變化量和降水量可以采用上述數(shù)據(jù)集中的數(shù)據(jù)，而作物蒸騰量可以利用上述數(shù)據(jù)集中的數(shù)據(jù)通過(guò)Hargreaves-Samani[15]公式(4)計(jì)算獲取。

ET0=0.0023·Ra(T+17.8)ΔT0.5

(4)

其中，T為平均氣溫，ΔT為氣溫差值，Ra為大氣頂太陽(yáng)輻射。

考慮到數(shù)據(jù)的完整性和時(shí)間連續(xù)性，將上述三個(gè)數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行預(yù)處理，主要包括剔除由于人為和設(shè)備原因缺失的數(shù)據(jù)、相同時(shí)間點(diǎn)的數(shù)據(jù)整合、相近或同一站點(diǎn)的數(shù)據(jù)整合和數(shù)據(jù)單位的統(tǒng)一等。值得一提的是由于農(nóng)田土壤濕度是按照旬值進(jìn)行采集的，這里取與當(dāng)前日期最近的日期所采集土壤濕度值作為當(dāng)前的土壤濕度值。

4.2.3 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 經(jīng)過(guò)預(yù)處理后，得到300組樣本數(shù)據(jù)，將它們隨機(jī)分成三個(gè)部分，其中240組作為訓(xùn)練集，30組作為驗(yàn)證集，其余30組作為測(cè)試集，部分樣本數(shù)據(jù)如表1所示。對(duì)數(shù)據(jù)進(jìn)行歸一化處理，設(shè)定網(wǎng)絡(luò)訓(xùn)練的最大次數(shù)為1000次，設(shè)定網(wǎng)絡(luò)的學(xué)習(xí)速率為0.05，訓(xùn)練目標(biāo)最小誤差為0.001，并選取Levenberg-Marquardt算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

表1 小麥灌溉量部分樣本數(shù)據(jù)

4.2.4 仿真結(jié)果分析 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的仿真結(jié)果如圖6和圖7所示。

從圖6和圖7中可以看出，BP神經(jīng)網(wǎng)絡(luò)的權(quán)值更新8次后能達(dá)到性能最優(yōu)，驗(yàn)證集的均方誤差僅有0.024193，與此同時(shí)，訓(xùn)練集、驗(yàn)證集、測(cè)試集和整個(gè)樣本數(shù)據(jù)集的回歸系數(shù)均十分逼近1。綜上可知，構(gòu)建的小麥灌溉量模型的指標(biāo)選取較為合理，預(yù)測(cè)的灌溉量數(shù)值符合小麥生長(zhǎng)規(guī)律的需要，能夠?qū)崿F(xiàn)對(duì)小麥的合理灌溉。

5 結(jié)論

文章以小麥灌溉模型作為研究對(duì)象，首先利用圖像識(shí)別技術(shù)判斷小麥?zhǔn)欠裉幱诓B(tài)，再利用CWSI指數(shù)判斷非病態(tài)小麥?zhǔn)欠裥枰M(jìn)行灌溉，最后結(jié)合影響小麥生長(zhǎng)的關(guān)鍵因素和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了灌溉量模型。仿真結(jié)果表明，該文構(gòu)建的小麥灌溉量模型具有一定的準(zhǔn)確性，能夠滿足小麥不同生育期的灌溉需要，對(duì)提高灌溉用水的利用率有一定的幫助。