论文题目：青椒集雨调亏滴灌智能需水感知与节水灌溉决策研究
摘要：近年来,随着经济的发展,水资源短缺问题日益突出。灌溉用水约占全球水资源量的70%,发展智慧农业,进行作物需水量预测,实现智能灌溉,对节约用水,解决水资源短缺问题尤为重要。本文以河北工程大学精准灌溉试验场（原址）为试验地点,以青椒为试验对象,在2014～2018年进行了覆盖集雨调亏滴灌（MFR-RDI）和传统平作充分灌溉试验。搜集历年土壤、气象、作物的相关数据,针对适宜的节水灌溉方式,以作物需水量预测模型为基础,建立节水灌溉决策系统为目标,综合运用农水、人工智能及物联网等多学科技术,对区域农业智能需水感知与灌溉决策系统相关问题进行研究。选取MFR-RDI种植模式下灌溉水利用效率（IWUE）最高的种植方式进行了青椒需水量智能预测,并以此为基础,建立了灌溉决策系统,最后搭建了决策系统平台,该研究成果对邯郸地区青椒种植的节水灌溉具有重要的指导意义。本文主要研究内容及成果如下:（1）将覆盖集雨技术与调亏滴灌技术相结合,通过田间试验,收集试验数据,进行统计分析,得出在充分灌溉条件下,覆盖集雨滴灌比传统平作可以显著提高青椒果实的产量、Vc含量以及IWUE。在覆盖集雨滴灌种植中,调亏灌溉比充分灌溉(CK1R)可以显著提高果实Vc含量。其中,结果后期重度调亏处理(T8R)的IWUE在2014～2018年均为最高,并且该处理在2015～2018年与CK1R的青椒产量差异不显著,果实Vc含量较高。因此以IWUE最高的T8R得到的试验数据为基础,建立灌溉决策系统,最大限度地节约灌溉用水。（2）构建了由遗传算法（GA）优化的支持向量机（SVM）、GA优化的Elman神经网络、思维进化算法（MEA）优化的Elman神经网络的青椒需水量智能预测模型。结果表明,在相同的输入因素下,GA-Elman神经网络的预测结果优于GA-SVM,MEA-Elman的模型性能优于GA-Elman。在模型输入因素中引入冠层温度能够提高所构建的优化人工智能预测模型精度。此外,在作物不同的生育阶段选择不同的输入因素来进行作物需水量预测,可以使预测模型的精度进一步提高,该预测模型的均方根误差（RMSE）,平均绝对误差（MAE）,纳什-萨克利夫系数（NS）值分别为0.359 mm/d,0.294 mm/d,0.941。（3）基于青椒需水量智能预测模型,构建了深度学习（DNN）的灌溉决策系统。以作物因素、气象因素、土壤因素作为模型的输入因素,以灌溉水量作为模型的输出。用2014～2017年的数据作为模型的训练数据,2018年的数据作为测试数据,最佳DNN灌溉决策系统的隐含层包括4层,各隐含层神经元个数分别为:32、16、8、4。系统的激活函数采用“Re LU”,优化函数为“adam”,该决策系统可得到MFR-RDI种植模式下T8R的灌溉制度。与利用水量平衡方程计算的实际值相比,该决策模型的RMSE,MAE,NS以及节水率分别为:0.898 mm,0.257 mm,0.758,1.3%。在2018年,使用该系统进行灌溉的青椒产量为12886.2 kg·hm-2,Vc含量为51.1 mg·100g,IWUE为32.6kg·hm-2·mm-1,与CK1R相比,其节水率约为26.4%。（4）搭建了基于Lo Ra技术的作物智能需水感知的灌溉决策系统平台。平台实现了农业气象、土壤墒情等数据的监测以及灌溉决策功能。
关键词：智能灌溉;水资源高效利用;作物需水量感知;灌溉决策;青椒
学科专业：水利工程
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 滴灌
1.2.2 调亏灌溉
1.2.3 覆盖集雨种植
1.2.4 人工智能
1.2.5 灌溉决策支持系统
1.3 发展动态分析及问题的提出
1.4 主要研究内容与技术路线
第2章 材料与方法
2.1 试验地概况
2.2 试验设计与田间管理
2.2.1 试验设计与布置
2.2.2 田间管理
2.3 观测项目和测定方法
2.3.1 气象数据观测
2.3.2 土壤含水量的测定
2.3.3 作物生长指标、冠层温度及产量、品质(V_c)的测定
2.3.4 作物需水量(ET)及灌水量的计算与测定
2.3.5 灌溉水利用效率及节水率的测定
2.4 数据处理与分析
2.5 本章小结
第3章 不同灌溉处理对青椒产量、品质(V_c)、灌溉水利用效率的影响
3.1 不同试验处理对青椒产量的影响
3.1.1 不同试验处理条件下的青椒产量分析
3.1.2 2018 年不同试验处理条件下的青椒产量分析
3.2 不同试验处理对青椒品质(V_c)的影响
3.2.1 不同试验处理条件下的青椒品质(V_c)分析
3.2.2 2018 年不同试验处理条件下的青椒品质(V_c)分析
3.3 不同试验处理对青椒灌溉水利用效率(IWUE)的影响
3.3.1 不同试验处理条件下的青椒灌溉水利用效率(IWUE)分析
3.3.2 2018 年不同试验处理条件下的青椒水利用效率分析
3.4 本章小结
第4章 基于人工智能优化算法的青椒需水量预测模型
4.1 作物需水量、数据预处理及模型性能评价指标
4.1.1 作物需水量
4.1.2 数据预处理
4.1.3 预测模型性能评价指标
4.2 优化的支持向量机(SVM)预测模型
4.2.1 支持向量机原理
4.2.2 遗传算法原理
4.2.3 GA-SVM青椒需水量预测模型的建立与比较分析
4.3 优化的Elman神经网络预测模型
4.3.1 Elman神经网络模型原理
4.3.2 思维进化算法原理
4.3.3 MEA-Elman、GA-Elman神经网络预测模型的建立与比较分析
4.4 本章小结
第5章 青椒节水灌溉决策系统
5.1 灌溉水量的影响因素分析
5.2 基于深度神经网络的灌溉决策系统模型的建立
5.2.1 深度学习(DNN)原理
5.2.2 基于DNN的青椒实时节水灌溉决策系统的建立
5.2.3 DNN决策系统应用效果分析与评价
5.3 本章小结
第6章 基于长距离通信技术的决策系统平台
6.1 LoRa概述
6.1.1 LoRa发展简史
6.1.2 LoRa技术特点
6.2 总体结构
6.3 数据采集与传输
6.3.1 LoRa模块的选择
6.3.2 数据采集及控制模块
6.3.3 LoRa终端和LoRa网关
6.3.4 终端节点及LoRa通信
6.3.5 云端智能控制系统
6.3.6 系统测试
6.4 主要功能
6.5 本章小结
结论与展望
参考文献
致谢