田间智能灌溉在线控制管理方法
阅读：782发布：2024-02-15
专利汇可以提供田间智能灌溉在线控制管理方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种田间智能 灌溉 在线控制管理方法，小型自动气象站采集气象数据， 土壤 水 环境监测设备实时测定作物根区的土壤含水率，导入并存储到 数据库 中；客户端在线登录 服务器 上的农田实时智能灌溉系统；进行田间土壤信息的管理、 农作物 信息管理、农田实时监控、田间实时灌溉模拟与灌溉预报、田间信息查询、信息统计。本发明可进行远程在线灌溉实时指导。基于网络，对 数据采集 系统实时采集的数据进行分析、归纳、处理等二次加工，计算作物的实时蒸腾 蒸发 量和在线进行作物实时非充分灌溉模拟、灌溉预报和灌溉管理，通过模型模拟、参数仿真等系统内部处理，精准确定作物是否需要灌溉、灌溉的水量和灌溉的时间等决策。，下面是田间智能灌溉在线控制管理方法专利的具体信息内容。
1.一种田间智能灌溉在线控制方法，其特征在于包括以下步骤：
步骤一，小型自动气象站采集气象数据，土壤水环境监测设备实时测定作物根区的土壤含水率，采集和测定的数据导入并存储到位于互联网上的服务器的数据库中；
步骤二，客户端在线登录位于所述服务器上的农田实时智能灌溉软件系统；
步骤三，所述农田实时智能灌溉软件系统调用所述数据库中的数据，根据客户端操作进行田间土壤信息的管理、农作物信息管理、农田实时监控、田间实时灌溉模拟与灌溉预报、田间信息查询、信息统计。
2.根据权利要求1所述的田间智能灌溉在线控制方法，其特征在于：所述田间实时灌溉模拟与灌溉预报，在短期气象预报的基础上，根据灌区各田块实际土壤水分、作物实际蒸腾蒸发量、作物生长状况，通过建立土壤墒情预测模型、作物需水预测模型、实时灌溉预报模型、作物系数实时修正模型，实时预测作物在预报期是否需要灌水以及灌水的时间、灌水量，并在每个计算时段结束时，用土壤含水率实测值对土壤含水率的模拟值、作物系数进行修正。
3.一种田间智能灌溉在线控制管理方法，包括用于监测土壤湿润层含水量W的土壤水分检测单元，用于监测实际降雨量P的降雨检测单元，以及灌溉系统，其特征在于，还包括土壤墒情预测模型、作物实时需水量的模糊聚类预测模型和在线实时灌溉预报及控制模型；
所述土壤墒情的实时预测模型：Wi＝Wi-1+P0i+WTi-ETi+Mi+Ki
其中：Wi-1——第i天初始计划湿润层的土壤含水量；
Wi——第i天结束时计划湿润层的土壤含水量；
P0i——第i天的有效降雨量；
WTi——第i天由计划湿润层增加而增加的水量；
ETi——第i天的作物需水量；
Mi——第i天的灌水量；
Ki——第i天的地下水补给量；
所述作物实时需水量的模糊聚类预测模型：ET＝ET0'·Kc·Kw＝s·ET0·Kc·Kw；
其中：ETi—第i天的作物需水量；
ET0i—第i天的参考作物需水量；
Kci—第i天的作物系数；
Kwi—实行非充分灌溉时第i天的土壤水分修正系数；
s-不同天气类型的聚类中心；
得到以天为时段的作物在线实时灌溉预报模型：
Mi＝Wi-1+P0i+WTi-ETi+Ki-Wi
所述在线实时灌溉预报及控制模型根据作物实时灌水量Mi控制灌溉系统对作物实时进行灌溉。
4.根据权利要求3所述田间智能灌溉在线控制管理方法，其特征在于，还包括作物计划湿润层含水率的逐日递推预测模型，若研究区域的地下水埋深较深，地下水对作物补给忽略不计时，则以天为预报时段的作物计划湿润层的水量平衡模型为：
Wi＝Wi-1+P0i+WTi-ETi+Mi；
其中，第i天初始、结束时计划湿润层土壤含水量如下：
Wi-1＝1000nHi-1θi-1
Wi＝1000nHiθi
其中：Hi-1—第i天初始计划湿润层深；
Hi—第i天结束时的计划湿润层深；
θi-1—第i天初始土壤含水率，以占土壤体积百分比计；
θi—第i天结束时的土壤含水率，以占土壤体积百分比计；
n—土壤孔隙率；
第i时段内因计划湿润层的增加而增加的水量WTi；
WTi＝1000(Hi-Hi-1)·n·θdeep
其中：θdeep—深层土壤含水率；
可得出作物计划湿润层含水率的逐日递推预测模型：
按照作物计划湿润层含水率的逐日递推预测模型，从作物的种植日期开始，逐日对作物根区的土壤墒情进行预测，直至作物收获，从而进行作物整个生育期内土壤水分状况的逐日递推预测。
5.根据权利要求3所述田间智能灌溉在线控制管理方法，其特征在于，还包括作物需水量ET0的模糊聚类预测方法：对不同天气类型下历史长系列ET0进行模糊聚类，得到不同天气类型的聚类中心s，进行ET0的自修正：ET′ 0＝s·ET0，达到更加精确的预测未来天气情景下作物需水量；
所述聚类中心s的方法确定：
设xij为不同天气类型下的ET0值，其中，i表示天气类型，i＝1，2，3，4，分别表示晴、云、阴、雨；j表示旬，j＝1，2，……，36；由ET0分类统计表可得全年各旬不同天气类型下多年平均ET0的特征值矩阵：
各旬ET0特征值的相对隶属度矩阵：
其中：maxxij——j旬ET0特征值的最大值；
则j旬第i种天气类型下的相对隶属度矩阵为：
设i种天气类型下ET0的模糊聚类中心矩阵为：
其中：sih——为分类模式h下i种天气类型下ET0的特征值规格化数，0≤sih≤1；
h＝1，2，…，c；
假设按对晴天ET0的相对隶属度进行分类，即c＝2，则其模糊聚类矩阵为：
且满足条件：
则j旬样本与不同天气类型ET0聚类中心h间的差异，可用广义欧氏权距离表示，即其中：i——天气类型总数；
以uhj为权重得到样本j与类别h间的加权广义欧氏权距离：
F(uhj)＝uhj||wi(rj-sh)||，
计算出聚类中心s，得到ET0的修正值ET′ 0。
6.根据权利要求5所述田间智能灌溉在线控制管理方法，其特征在于，最优模糊聚类中心矩阵s求解步骤具体如下：
(1)给定uhj与sih所要求满足的计算精度ε1、ε2；
(2)假设一个满足约束条件uhj且元素不全部相等的初始模糊聚类矩阵
(3)代入 对应的初始模糊聚类中心矩阵
(4)代入 求一次近似模糊聚类矩阵
(5)代入 求一次近似模糊聚类中心矩阵
(6)逐个比较矩阵 和 以及矩阵 的对应元素，若 且
则迭代结束， 为最优聚类中心矩阵s，否则 重复(3)至(5)的步骤
直至满足精度要求，已有研究已证明了迭代的收敛性；经模糊聚类计算，可以得到云、阴、雨天气情况下ET0对于晴天ET0的模糊聚类中心。
7.根据权利要求3所述田间智能灌溉在线控制管理方法，其特征在于，根据作物来水条件进行充分或非充分灌溉，当来水量很大，足以满足灌溉需求时，灌水量Mi为：
Mi＝1000·n·Hi(1-θi)·θmax
其中：θi—第i天(阶段)的初始土壤含水率；
Hi—第i天(阶段)的作物计划湿润层深度；
当来水不足或者水资源量紧缺时，对作物进行非充分灌溉；灌水量Mi为：
Mi＝1000·n·Hi(θc1-θi)·θmax
其中：θc1—灌溉后所要达到的土壤含水率，非充分灌溉时根据作物耐受度确定具体取值。
8.根据权利要求3所述田间智能灌溉在线控制管理方法，其特征在于，土壤水分的分层测定及土壤水分的实时修正；
本系统将作物根系活动区域以上土层视为一个整体系统，从所监测土壤水分数据中选取当天2时、8时、14时、20时等四个监测时刻的实测土壤水含水率，取作物所处计划湿润层深度以上所有传感器不同时刻所测土壤含水率的均值做为当天的土壤水分实测值；
令θwi(j，hl)表示第i天在j监测时刻位于土层深hl处传感器所测的土壤含水量，则第i天2时、8时、14时、20时在土层深hl处的土壤水分值就可以分别记为：θwi(2，hl)、θwi(8，hl)、θwi(14，hl)、θwi(20，hl)，则可采用算数平均法计算第i天给定土层深hl处的土壤水分值
采用加权均值法则可得到第i天计划湿润层的土壤水分值θi：
式中：wi—为土壤层深度hl的土壤水分值 对θi的影响权重；
m—土层个数；
在进行土壤含水率预测时，以天为计算时段，递推过程如下：生育期第一次运行时，在生育期第一天开始时实测一次土壤含水率，作为阶段初始值，利用土壤水分逐日递推公式(6)逐日递推每一天阶段末的土壤含水率，并和当日实测的土壤含水率进行对比和修正，并把修正后的土壤含水率作为下一阶段的初始值，如此逐日顺序递推，进行每日计划湿润层含水率的模拟和修正；
在进行计算的过程中，如果推算得到第i日含水率小于或者等于作物所处生育期最低允许含水率，同时考虑天气预报情况，在无雨或降雨量极少的情况下，采用第
5.2节的实时灌溉预报模型对该日做出灌溉预报，并进行网络发布，当日土壤含水率修正到灌水后的土壤含水率，再以此为初始值进行计划湿润层含水率的递推，直至生育期结束；如果天气预报有降雨发生，则需要考虑有效降雨量，采用土壤水分逐日递推对计划湿润层的含水率进行分析预测，在
作物生育期如有较大降雨发生，致使模拟计算过程中出现土壤含水率超过田间持水率的情况时，则将土壤含水率处理为田间持水率，多余的水量渗入深层土壤。
9.根据权利要求3所述田间智能灌溉在线控制管理方法，其特征在于，所述作物系数实时修正模型为 式中，ET′i-1为修正后第i-1天的作物实际需
水量，计算公式为：ET′i-1＝Wi-1+P0i-1+W′ri+Mi-1-W′i，K′w,i-1为第i-1天的实际土壤水分修正系数，Wi-1和Wi-1'分别为第i-1天的初始、结束时的土壤含水量，Mi-1为第i-1天的灌水量，P0i-1为第i-1天的有效降雨量；
第i-1天结束时，第i天的实测土壤水分初始值θi即为已知；若第i天预测的土壤水分初始值θi'与实测土壤水分初始值θi非常接近，第i-1天的作物系数就取初始值；如果θi'与θi相差比较大，由实测土壤水分值θi可反推第i-1天的作物实际需水量：
ET′i-1＝1000nHi-1θi-1+P0i-1+W′ri+Mi-1-1000nHiθi
其中：ETi-1′—修正后的第i-1天作物的实际需水；
Mi-1—第i-1天的灌水量；
则修正后第i-1天的作物实际需水量为：
ET′i-1＝Wi-1+P0i-1+W′ri+Mi-1-W′i
式中：Wi-1、W′i——分别为第i-1天的初始、结束时的土壤含水量；
进而可得到修正后的第i-1天作物系数K′ci-1；
即在第i-1天结束时修正了当天的作物系数值，并把该修正值作为下一个计算时段的输入值，依此类推，实现对全生育期作物系数Kc值的逐日修正。
10.根据权利要求3所述田间智能灌溉在线控制管理方法，其特征在于，
还包括对作物计划湿润层深初始值的确定模型：
其中：Hi——作物第i天(阶段)的计划湿润层深度；
hn-1——第n个生育期初始时计划湿润层深度；
hn——第n个生育期结束时计划湿润层深度；
n——作物所处生育期；
i——作物播种后的生长累积天数；
——第n个生育期的生长天数；
——第j个生育期的生长天数，j＝1,2,…,n。
田间智能灌溉在线控制管理方法
技术领域
[0001] 本发明涉及农田智能灌溉管理技术领域，特别是涉及一种田间智能灌溉在线控制管理方法。
背景技术
[0002] 当前我国水资源严重短缺，水资源供需矛盾日益突出，农业用水尤其紧张。因此，加强我国农田灌溉管理，实现农田灌溉的精准化、自动化、智能化和现代化，切实提高农业水资源的高效、节水利用水平，不断完善农业水资源的优化配置制度，全面提高水资源利用效率、实现水资源的可持续发展已成为当务之急；也是以农田灌溉的现代化支撑并促进水利现代化建设、实现农业现代化的迫切要求。
[0003] 我国农业水资源紧缺对粮食安全造成了很大威胁，在作物生长期如何充分、有效地利用当地降水，缓解农业水资源紧缺，切实提高作物产量，是目前急需解决的难点问题之一。
[0004] 传统的农田灌溉用水管理一般是根据不同水文年的配水方案预先制定灌溉制度，然而在生产实践中，由于实际年型与预测的水文年型之间存在着差异，传统的用水管理很难适应瞬息万变的天气条件。在目前水资源紧缺、农业供水形势日益严峻、灌溉管理水平比较低的情况下，结合未来时段的天气预报进行农田灌溉用水动态管理具有重要意义。随着计算机网络技术与监测技术的快速发展，将农业、气象等实时数据作为输入，探讨作物实时灌溉制度和预报技术，解决非充分灌溉条件下作物实时灌溉的科学问题，也正在成为一种新的研究内容。
发明内容
[0005] 本发明针对我国缺乏可用于实际操作的远程在线控制技术和农业高效用水智能决策技术问题，提供一种田间智能灌溉在线控制管理方法。
[0006] 技术方案：一种田间智能灌溉在线控制方法，包括以下步骤：
[0009] 步骤三，所述农田实时智能灌溉软件系统调用所述数据库中的数据，根据客户端操作进行田间土壤信息的管理、农作物信息管理、农田实时监控、田间实时灌溉模拟与灌溉预报、田间信息查询、信息统计。
[0010] 所述田间实时灌溉模拟与灌溉预报，在短期气象预报的基础上，根据灌区各田块实际土壤水分、作物实际蒸腾蒸发量、作物生长状况，通过建立土壤墒情预测模型、作物需水预测模型、实时灌溉预报模型、作物系数实时修正模型，实时预测作物在预报期是否需要灌水以及灌水的时间、灌水量，并在每个计算时段结束时，用土壤含水率实测值对土壤含水率的模拟值、作物系数进行修正。
[0011] 一种田间智能灌溉在线控制管理方法，包括用于监测土壤湿润层含水量W的土壤水分检测单元，用于监测实际降雨量P的降雨检测单元，以及灌溉系统，还包括土壤墒情预测模 型、作物实时需水量的模糊聚类预测模型和在线实时灌溉预报及控制模型；
[0012] 所述土壤墒情的实时预测模型：Wi＝Wi-1+P0i+WTi-ETi+Mi+Ki
[0013] 其中：Wi-1——第i天初始计划湿润层的土壤含水量；
[0014] Wi——第i天结束时计划湿润层的土壤含水量；
[0015] P0i——第i天的有效降雨量；
[0016] WTi——第i天由计划湿润层增加而增加的水量；
[0017] ETi——第i天的作物需水量；
[0018] Mi——第i天的灌水量；
[0019] Ki——第i天的地下水补给量；
[0020] 所述作物实时需水量的模糊聚类预测模型：ET＝ET0'·Kc·Kw＝s·ET0·Kc·Kw；
[0021] 其中：ETi—第i天的作物需水量；
[0022] ET0i—第i天的参考作物需水量；
[0023] Kci—第i天的作物系数；
[0024] Kwi—实行非充分灌溉时第i天的土壤水分修正系数；
[0025] s-不同天气类型的聚类中心，
[0026] 得到以天为时段的作物在线实时灌溉预报模型：
[0027] Mi＝Wi-1+P0i+WTi-ETi+Ki-Wi
[0028] 所述在线实时灌溉预报及控制模型根据作物实时灌水量Mi控制灌溉系统对作物实时进行灌溉。
[0029] 还包括作物计划湿润层含水率的逐日递推预测模型，若研究区域的地下水埋深较深，地下水对作物补给忽略不计时，则以天为预报时段的作物计划湿润层的水量平衡模型为：
[0030] Wi＝Wi-1+P0i+WTi-ETi+Mi；
[0031] 其中，第i天初始、结束时计划湿润层土壤含水量如下：
[0032] Wi-1＝1000nHi-1θi-1
[0033] Wi＝1000nHiθi
[0034] 其中：Hi-1—第i天初始计划湿润层深；
[0035] Hi—第i天结束时的计划湿润层深；
[0036] θi-1—第i天初始土壤含水率，以占土壤体积百分比计；
[0037] θi—第i天结束时的土壤含水率，以占土壤体积百分比计；
[0038] n—土壤孔隙率；
[0039] 第i时段内因计划湿润层的增加而增加的水量WTi；
[0040] WTi＝1000(Hi-Hi-1)·n·θdeep
[0041] 其中：θdeep—深层土壤含水率；
[0042] 可得出作物计划湿润层含水率的逐日递推预测模型：
[0043]
[0044] 按照作物计划湿润层含水率的逐日递推预测模型，从作物的种植日期开始，逐日对作物根区的土壤墒情进行预测，直至作物收获，从而进行作物整个生育期内土壤水分状况的逐日递推预测。
[0045] 还包括作物需水量ET0的模糊聚类预测方法：对不同天气类型下历史长系列ET0进行模糊聚类，得到不同天气类型的聚类中心s，进行ET0的自修正：ET′ 0＝s·ET0，达到更加精确的预测未来天气情景下作物需水量；
[0046] 所述聚类中心s的方法确定：
[0047] 设xij为不同天气类型下的ET0值，其中，i表示天气类型，i＝1，2，3，4，分别表示晴、云、阴、雨；j表示旬，j＝1，2，……，36；由ET0分类统计表可得全年各旬不同天气类型下多年平均ET0的特征值矩阵：
[0048]
[0049] 各旬ET0特征值的相对隶属度矩阵：
[0050] 其中：maxxij——j旬ET0特征值的最大值；
[0051] 则j旬第i种天气类型下的相对隶属度矩阵为：
[0052]
[0053] 设i种天气类型下ET0的模糊聚类中心矩阵为：
[0054]
[0055] 其中：sih——为分类模式h下i种天气类型下ET0的特征值规格化数，0≤sih≤1；
[0056] h＝1，2，…，c；
[0057] 假设按对晴天ET0的相对隶属度进行分类，即c＝2，则其模糊聚类矩阵为：
[0058]
[0059] 且满足条件：
[0060]
[0061] 则j旬样本与不同天气类型ET0聚类中心h间的差异，可用广义欧氏权距离表示，即
[0062]
[0063] 其中：i——天气类型总数；
[0064] 以uhj为权重得到样本j与类别h间的加权广义欧氏权距离：
[0065] F(uhj)＝uhj||wi(rj-sh)||，
[0066] 计算出聚类中心s，得到ET0的修正值ET0'。
[0067] 最优模糊聚类中心矩阵s求解步骤具体如下：
[0068] (1)给定uhj与sih所要求满足的计算精度ε1、ε2；
[0069] (2)假设一个满足约束条件uhj且元素不全部相等的初始模糊聚类矩阵[0070] (3)代入 对应的初始模糊聚类中心矩阵
[0071]
[0072] (4)代入 求一次近似模糊聚类矩阵
[0073]
[0074] (5)代入 求一次近似模糊聚类中心矩阵
[0075] (6)逐个比较矩阵 和 以及矩阵 的对应元素，若 且则迭代结束， 为最优聚类中心矩阵s，否则 重复(3)至(5)的步骤
直至满足精度要求，已有研究已证明了迭代的收敛性；经模糊聚类计算，可以得到云、阴、雨天气情况下ET0对于晴天ET0的模糊聚类中心。
直至满足精度要求，已有研究已证明了迭代的收敛性；经模糊聚类计算，可以得到云、阴、雨天气情况下ET0对于晴天ET0的模糊聚类中心。
[0076] 进一步，还对预报精度的分析方法：
[0077] 采用绝对累计偏差(ABE)、均方根误差(RMSE)、相对误差(RE)、决定系数(R2)和认同系数(IA)等指标来评定预报精度；
[0078]
[0079]
[0080]
[0081]
[0082]
[0083]
[0084]
[0085] 以上各式中xk为预测值，yk为实际值，k＝1，2，3，4，5……，n； 分别为预测值序列和实际值序列的平均值，n为预测值和实际值序列的样本数。
[0086] 预测结果精度评价标准
[0087]
[0088] 进一步，根据作物来水条件进行充分或非充分灌溉，当来水量很大，足以满足灌溉需求时，灌水量Mi为：
[0089] Mi＝1000·n·Hi(1-θi)·θmax
[0090] 其中：θi—第i天(阶段)的初始土壤含水率；
[0091] Hi—第i天(阶段)的作物计划湿润层深度；
[0092] 当来水不足或者水资源量紧缺时，对作物进行非充分灌溉；灌水量Mi为：
[0093] Mi＝1000·n·Hi(θc1-θi)·θmax
[0095]
[0096] 其中：θi—第i天土壤含水率，以占土壤体积百分比计；
[0097] θmax—田间持水率，以占土壤体积百分比计；
[0098] θc1—非充分灌溉适宜土壤水分上限指标，以占田间持水率θmax的百分数表示，研究中分别按不同的实验方案进行确定；
[0099] θc2—非充分灌溉适宜土壤水分下限指标，以占θmax的百分数表示；研究中分别按不同的实验方案进行确定；
[0100] α—经验系数，同一作物为固定值。
[0101] 进一步，所述作物系数Kci初值的确定，在首次运行系统时，确定作物系数Kci的初值，Kci的计算初值采用随作物生育期累计天数i逐日变化的计算方法：
[0102]
[0103] 其中：I—生育期总天数。
[0104]
[0105] 第i-1天结束时，第i天的实测土壤水分初始值θi即为已知；若第i天预测的土壤水分初始值θi'与实测土壤水分初始值θi非常接近，第i-1天的作物系数就取初始值；如果θi'与θi相差比较大，由实测土壤水分值θi可反推第i-1天的作物实际需水量：
[0106] ET′i-1＝1000nHi-1θi-1+P0i-1+W′ri+Mi-1-1000nHiθi
[0107] 其中：ETi-1′—修正后的第i-1天作物的实际需水；
[0108] Mi-1—第i-1天的灌水量；
[0109] 则修正后第i-1天的作物实际需水量为：
[0110] ET′i-1＝Wi-1+P0i-1+W′ri+Mi-1-Wi'
[0111] 式中：Wi-1、Wi′——分别为第i-1天的初始、结束时的土壤含水量；
[0112] 进而可得到修正后的第i-1天作物系数K′ci-1。
[0113] K'c,i-1＝ET′ i-1/(K'w,i-1·ET0,i-1)
[0114] 即在第i-1天结束时修正了当天的作物系数值，并把该修正值作为下一个计算时段的输入值，依此类推，实现对全生育期作物系数Kc值的逐日修正。
[0115] 进一步，还包括对作物计划湿润层深逐日初始值确定模型：
[0116]
[0117] 其中：Hi——作物第i天(阶段)的计划湿润层深度；
[0118] hn-1——第n个生育期初始时计划湿润层深度；
[0119] hn——第n个生育期结束时计划湿润层深度；
[0120] n——作物所处生育期；
[0121] i——作物播种后的生长累积天数；
[0122] ——第n个生育期的生长天数；
[0123] ——第j个生育期的生长天数，j＝1,2,…,n。
[0124] 本土壤水分的分层测定及土壤水分的实时修正。本系统将作物根系活动区域以上土层视为一个整体系统，从所监测土壤水分数据中选取当天2时、8时、14时、20时等四个监测时刻的实测土壤水含水率，取作物所处计划湿润层深度以上所有传感器不同时刻所测土壤含水率的均值做为当天的土壤水分实测值。
[0125] 令θwi(j，hl)表示第i天在j监测时刻位于土层深hl处传感器所测的土壤含水量，则第i天2时、8时、14时、20时在土层深hl处的土壤水分值就可以分别记为：θwi(2，hl)、θwi(8，hl)、θwi(14，hl)、θwi(20，hl)，则可采用算数平均法计算第i天给定土层深hl处的土壤水分值
[0126]
[0127] 采用加权均值法则可得到第i天计划湿润层的土壤水分值θi：
[0128]
[0129] 式中：wi—为土壤层深度hl的土壤水分值 对θi的影响权重；
[0130] m—土层个数。
[0131] 在进行土壤含水率预测时，以天为计算时段，递推过程如下：生育期第一次运行时，在生育期第一天开始时实测一次土壤含水率，作为阶段初始值，利用土壤水分逐日递推公式(6)逐日递推每一天阶段末的土壤含水率，并和当日实测的土壤含水率进行对比和修正，并把修正后的土壤含水率作为下一阶段的初始值，如此逐日顺序递推，进行每日计划湿润层含水率的模拟和修正。
[0132] 在进行计算的过程中，如果推算得到第i日含水率小于或者等于作物所处生育期最低允许含水率，同时考虑天气预报情况，在无雨或降雨量极少的情况下，采用第5.2节的实时灌溉预报模型对该日做出灌溉预报，并进行网络发布，当日土壤含水率修正到灌水后的土壤含水率，再以此为初始值进行计划湿润层含水率的递推，直至生育期结束。如果天气预报有降雨发生， 则需要考虑有效降雨量，采用土壤水分逐日递推 对计划湿润层的含水率进行分析预测，在
作物生育期如有较大降雨发生，致使模拟计算过程中出现土壤含水率超过田间持水率的情况时，则将土壤含水率处理为田间持水率，多余的水量渗入深层土壤。
作物生育期如有较大降雨发生，致使模拟计算过程中出现土壤含水率超过田间持水率的情况时，则将土壤含水率处理为田间持水率，多余的水量渗入深层土壤。
[0133] 作物系数Kci初值的确定，在首次运行系统时，确定作物系数Kci的初值，Kci的计算初值采用随作物生育期累计天数i逐日变化的计算方法
[0134]
[0135] 其中：I—生育期总天数。
[0136] 所述作物系数实时修正模型为K'c,i-1＝ET′ i-1/(K'w,i-1·ET0,i-1)，式中，ET′i-1为修正后第i-1天的作物实际需水量，计算公式为：ET′i-1＝Wi-1+P0i-1+W′ri+Mi-1-Wi'，K'w,i-1为第i-1天的实际土壤水分修正系数，Wi-1和Wi-1'分别为第i-1天的初始、结束时的土壤含水量，Mi-1为第i-1天的灌水量，P0i-1为第i-1天的有效降雨量。
[0137] 第i-1天结束时，第i天的实测土壤水分初始值θi即为已知；若第i天预测的土壤水分初始值θi'与实测土壤水分初始值θi非常接近，第i-1天的作物系数就取初始值；如果θi'与θi相差比较大，由实测土壤水分值θi可反推第i-1天的作物实际需水量：
[0138] ET′i-1＝1000nHi-1θi-1+P0i-1+W′ri+Mi-1-1000nHiθi
[0139] 其中：ETi-1′—修正后的第i-1天作物的实际需水；
[0140] Mi-1—第i-1天的灌水量；
[0141] 则修正后第i-1天的作物实际需水量为：
[0142] ET′i-1＝Wi-1+P0i-1+W′ri+Mi-1-Wi'
[0143] 式中：Wi-1、Wi′——分别为第i-1天的初始、结束时的土壤含水量；
[0144] 进而可得到修正后的第i-1天作物系数K′ci-1。
[0145] K'c,i-1＝ET′ i-1/(K'w,i-1·ET0,i-1)
[0146] 即在第i-1天结束时修正了当天的作物系数值，并把该修正值作为下一个计算时段的输入值，依此类推，实现对全生育期作物系数Kc值的逐日修正。
[0147] 发明的系统功能包括：
[0148] 1、进行远程在线灌溉实时指导。该管理系统基于网络，根据短期天气预报结果和土壤的实时含水率结果，根据模型对数据采集系统实时采集的数据进行分析、归纳、处理等二次加工，计算作物的实时蒸腾蒸发量和在线进行作物实时非充分灌溉模拟、灌溉预报和灌溉管理，通过模型模拟、参数仿真等系统内部处理，精准确定作物是否需要灌溉、灌溉的水量和灌溉的时间等决策，为用户提供灌溉决策的实时咨询，并提供协助用水户确定不同灌溉方案 的服务功能，对农业灌溉做出实时指导。能够实现作物灌溉的远程控制、信息管理和实时监控，还可以对数据进行备份、查询和统计，生成数据的统计报表。
[0149] 2、远程实时显示数据信息曲线图。远程实现农田微环境系统实时灌溉信息的采集、查询和存贮管理，动态显示土壤含水率等实时数据的变化情况，利用有效数据对监控对象的状况进行分析、管理，能够连续提供土壤墒情的实时变化，以及图形和数据前后处理。
[0150] 3、实时进行作物生长期的生长模拟。利用模型库中的模型对作物根区土壤含水率进行实时模拟，对根区水分、作物的根深进行动态实时仿真，展示实时监控结果。
[0152] 图1是系统主要功能模块图；
[0154] 图3是农田实时灌溉系统数据库ER图；
[0155] 图4是采集实时墒情数据示意图；
[0156] 图5是作物实时灌溉模型程序编制流程图；
[0157] 图6是作物系数修正流程图；图7是实时灌溉中作物系数Kc具体修正图。
具体实施方式
[0158] 实施例1：参见图1，田间智能灌溉在线控制管理方法包括田间试验站监控与管理单元和中心站管理单元，其中，田间试验站监控与管理单元包括气象数据采集模块和土壤墒情监测模块；中心站管理单元包括用户管理模块、数据上传模块、田间管理模块、农作物信息管理、作物灌溉模拟、农田实时监控、实时灌溉预报、图表显示、田间信息查询和信息统计。
[0159] 1用户管理模块
[0160] 用户管理模块主要对系统用户进行管理，对系统用户可以进行查询、添加、修改和删除操作。用户通过用户名和密码可登陆系统，用户管理模块存储了用户的真实姓名、联系方式等信息，用户可查看、更改和添加自己的信息。
[0161] 系统可通过网络进行远程访问，为了保证系统的安全稳定，除了用户信息和联系方式外，模块还设置了用户的双权限管理模式，即用户根据权限分为普通用户身份和管理员身份。普通权限用户仅可以对系统内的显示数据和图像进行浏览访问，无法对系统数据进行添加、修改和删除等操作；而高级权限用户，即管理员用户，不仅可以浏览访问系统数据和图表，而且有权对系统的各种信息和数据进行管理和操作。
[0162] 2数据上传模块
[0163] 数据上传模块主要是导入或导出数据库中的数据，对系统进行维护。
[0164] 3田间管理模块
[0165] 田间管理模块中主要包含的信息为土壤参数值。在田间管理模块，可以实现对土壤信息、土壤水适宜含水率上、下限值的查询、添加、修改和删除功能，方便用户对多个田块土壤状况进行管理与监控。
[0166] 4农作物信息管理
[0167] 农作物信息模块可以呈现出所监控的农作物信息，包括农作物的种类、田块、土壤含水率上、下限、雨量站、作物种植日期、作物收获日期、田间初始土壤水含水率等信息。用户可按照需求对以上信息进行查询、添加、修改和删除，并通过Java语言中先进的Ajax技术对土壤墒情信息、降雨信息以及相应的监测数据等进行同步更新和异步调取，为作物模拟和灌溉预报做充分准备。
[0168] 5作物灌溉模拟
[0169] 作物灌溉模拟模块功能可以根据数据库中的数据，利用模型库中的模型对作物生长和根区土壤含水率、作物系数等参数实现逐日递推，制定作物的实时灌溉制度，并采用实测结果对模拟结果进行实时修正，从而对模拟模型中的参数进行校验和修正，确定作物系数、根深等参数与作物生长时数的依变关系。
[0170] 登陆成功后可以实现以下几部分功能：
[0171] 计算作物根区土壤含水率：根据需要从种植日期计算某一段时间内的土壤日含水率均值；
[0173] 进行土壤水分修正系数kw的修正：根据实测的土壤含水率，对模拟计算结果进行修正。
[0174] 6农田实时监控
[0175] 系统对监控对象进行远程监控，利用有效数据对监控对象进行分析和管理，并利用曲线图的直观性对监控对象进行动态实时仿真，展示实时监控结果。
[0176] 7实时灌溉预报
[0177] 基于非充分灌溉理论、实时在线非充分实时灌溉预报和模拟模型，利用短期的气象预报和田间土壤水分实时监测数据，充分考虑降水的利用，进行灌溉制度的1日、3日和7日不同时段的预报。通过系统模型运转，可以远程实时确定作物的灌溉时间、灌溉定额，同时实现对作物系数Kc的实时修正。
[0178] 此模块主要实现对灌溉日期的预测。该模块由管理员自当前阶段，顺序向后推算1日、3日、7日，由作物灌溉制度模拟模型，可得到阶段末的土壤含水量，与设定的土壤含水率下限值进行比较，从而判断面临阶段是否需要灌溉，以及灌水日期。
[0179] 8图表显示
[0180] 可实现对降雨、蒸发、土壤湿润层、土壤时段含水率、土壤平均含水率、以及灌溉数据的查询、添加、修改和删除功能，对作物系数经验值以及作物系数模拟值进行比较，并可对统计的数据以图表的形式进行直观的展示。
[0181] 9田间信息查询
[0182] 可实现对田间信息的单一或组合查询。用户根据土壤名称、信息时间、数据值进行单一或组合查询，为用户提供了多种查询方式，更加方便用户对田间信息进行查询。
[0183] 10信息统计
[0185] 系统的软硬件组成
[0186] 参见图2系统硬件测量及数据输出总体结构图，采用温度传感器、湿度传感器、降水检测仪器、风速风向检测仪器和光照强度传感器等监测大气环境，利用土壤水分采集器(如EnviroScan)对根系不同深度的土壤水分进行检测，以数据库作为中间层，运用接口对数据的传输，完成对土壤状况的实时采集、处理和监控。
[0187] 本发明以实现农田灌溉的自动化、智能化管理为目标，以土壤水环境实时监测设备EnviroScan和农田小型自动气象站AWS为硬件依托，以气象资料和农田基本信息为基础，针对已有作物实时灌溉预报中未能充分利用降雨的不足，以归纳形成的数学模型为依据，对土壤水分进行预测和分析，辅助决策者进行决策，用以实现农田水分灌溉自动化的智能管理系统。针对系统的总体设计，综合管理系统数据库ER图如图3所示。这一系统的应用与发展将实现作物水分管理的精准、高效定量决策，为节水农业发展提供一条新的解决方法和思路。
[0188] 与国内其他类似系统的区别及优越性如下：
[0189] 1、能够实现灌溉管理的信息采集－处理－决策－信息反馈－监控为一体的节水实时在线综合管理。针对目前我国尚缺乏在线灌溉管理系统的问题，以作物非充分在线实时灌溉模型和预报模型为核心理论，运用面向对象思想，采用JAVA语言，开发了可视化、交互式的农田灌溉在线实时综合管理系统，实现了信息采集－处理－决策－信息反馈－监控为一体的节水综合管理。该系统以充分利用降雨，实时、适量的水量分配为出发点，实现了对农田实时灌溉的网络化和远程化管理。系统可以快速反应出参数的变化，与自动气象站和土壤水环境实时监测系统EnviroScan所测的数据同步；能够依据天气变化和作物生长状况做出灌溉决策和预报建议，系统对提高农业用水效率，节约农业水资源，缓解农业用水矛盾，解决半旱地农业粮食安全生产问题，实现农田灌溉的现代化具有重要的现实意义和巨大的社会、经济效益。
[0190] 2、在灌溉预报模型中首次采用实时的关键参数。针对现有国内外灌溉管理中，灌溉模型关键参数采用阶段均值导致模型失真的现状，提出了灌溉和预报模型中关键参数的确定与实时修正方法，田间智能灌溉在线控制管理方法采用的是短期实时参数，属国内外首创，实现了作物非充分在线实时灌溉模拟和预报。
[0191] 3、灌溉预报：针对已有作物灌溉预报中未能充分利用降雨的不足，已有的系统缺少对作物实时根区数据和面临阶段天气情况的考虑，特别是在应用实施时缺乏可操作性等问题。该系统结合田间的测量硬件，得到农作物生长过程中周围环境对其生长状况影响因素的监测结果，调用系统的模型库，基于短期天气预报，可以预测未来时段(1日、3日、7日等)的土壤含水量，实时模拟作物生长过程中对水分需求的动态变化，及时掌握农作物的生长状况，并且根据作物根区的土壤含水量进行灌溉预报，从而达到充分利用降水，有效提高农业水资源利用率的效果。所制定的灌溉制度既符合作物的生长需要，能满足其对土壤水环境的要求，又最大限度地提高了资源的有效利用率，能够在保证质量、提高作物产量的同时降低生产成 本。
[0192] 4、实现节水的非充分实时灌溉：针对实时在线非充分灌溉制度和灌溉预报技术中未充分利用降水、模型关键参数采用阶段均值的不足，系统模型库建立了作物系数、根深和作物生长时数的依变关系，建立了以1日、3日和7日为时段的作物非充分在线实时灌溉模拟和灌溉预报模型，实现了充分利用降水、精准实时灌溉、节约农业用水、提高灌溉水利用率的目的。可应用于限水灌溉和充分灌溉两种情况，帮助用户利用各种灌溉策略进行限量和充分供水决策，缺水一旦达到某一限定程度，系统就会根据实际情况，在考虑灌溉系统基础设置的前提下进行灌溉安排。
[0193] 5、精准、智能灌溉：系统通过大量的信息和相关数据的整理、分析来进行土壤墒情预报，制定相应最优的实时在线灌溉制度，对科学、精准灌溉决策提供技术支持，实现对农田水分灌溉的远程、实时、自动化、网络化的智能管理，方便管理人员和用水户对系统的了解、掌握和使用。
[0194] 6、快速准确地实现大量信息的存储、查询、处理和及时更新，避免可利用信息的丢失；同时，能够及时、直观、形象和全方位的展现复杂系统特征的信息，对作物进行实时的灌溉预报，并且展现结果多以图表、数据形式出现，以Internet为展示平台，易于用户掌握和理解。
[0195] 7、简易性和可扩展性：系统简单方便，用户只需通过网络、无需安装专门的客户端即可进入系统，操作方便；系统可实现功能的不断完善与调整，能够根据用户的需求方便扩展，灵活控制不同区域、不同研究对象的灌水决策。
[0196] 数据的实时采集、获取与处理：
[0197] 实时采集的内容包括气象数据采集模块和土壤墒情监测模块。
[0198] 1气象资料观测
[0199] 在田间设置有小型自动气象站(AWS)，用以测量每天的气象信息，测量内容包括2m风速、风向、太阳辐射、土壤温度、雨量、空气湿度、空气温度、大气压等共计10项。各项气象数据可采用人工手动的方式获取，下载到用户的笔记本电脑，也可以采用无线传输的方式直接获取数据。
[0200] 2土壤水分测定及获取
[0201] 土壤水分是作物生长的重要生态因素，土壤水分的准确测定是实行实时灌溉的一项重要依据。本系统采用目前最先进的土壤水环境监测设备EnviroScan来实时测定作物根区的土壤含水率。
[0202] 使用时系统时，要求在田间按预设位置埋设EnviroScan探测器，每组EnviroScan探测器共安装有16个传感器，测量0-2m土层内的土壤水分数值。每一组探测器包括2个EnviroScan探测器，分别监测0-1.2m、1.2m-2.0m的作物根区土壤水分，两个探测器间的埋设位置间隔为2m。考虑到北方代表性作物-冬小麦的根系生长特点，在0-1.2m作物根区，探测器上每隔10cm安装一个传感器；在1.2-2.0m作物根区，探测器上每隔20cm安装一个传感器。探测器通过电缆与RT6数据采集器相连，每个EnviroScan探测器对应一个RT6数据采集器。数据可以以 sdb格式或者excel格式输出，且两格式间数据可自由转换，采集时间可根据用户需要任意设置，传感器采集的土壤墒情数据以占土壤体积百分比计(见图4)。数据可以以excel形式直接下载使用，或者存储到系统实时数据库供模型调用。监测数据初步分析。为了解作物整个生育期间的土壤水分动态变化情况，对田间作物生育期土壤水分动态变化进行初步分析。
[0203] 田间智能灌溉模拟与灌溉预报(国内的灌溉模型在进行实时灌溉预报时，多是在雨后对土壤水分初始值进行修正，缺乏考虑灌前降雨预报的影响，特别是缺乏可用于实际操作的实时灌溉模型和实时灌溉预报技术)：
[0204] 1实时灌溉预报
[0205] 在线实时灌溉预报是以农田“实时”资料包括土壤基本参数和观测的气象资料为基础，根据最新作物生长动态，实现对作物需水状况的准确、实时预估，并结合田间墒情预测及天气预报情况，及时做出灌溉决策，包括灌水日期和灌水定额等。实时灌溉预报是编制动态用水计划的基础。传统的作物灌溉预报过程中，常常不考虑未来短期内的气象变化，致使灌溉预报结果与实际生产需求不相符合，如可能会做出在降水前需要灌溉等不合理的灌水预报，从而造成降水无法充分利用，灌溉水资源也不能发挥其较高的生产效率，这对于水资源紧缺地区来讲，是对水资源的一种极大浪费。
[0206] 为尽可能的利用降水资源，缓解缺水地区的水资源紧缺状况，进行实时灌溉预报时，不仅要逐日循序地进行作物的水量平衡计算，而且当作物根区土壤含水率降至作物可忍耐的土壤含水量下限附近，在做灌溉预报时就要进一步考虑未来短时期内可能出现的气象情况，根据来水情况预估作物的实际需水状况，并针对不同情形给出相应的解决办法，进而制定相应的灌水计划。
[0207] 在实时灌溉预报时，首先需要根据地形条件、土壤质地、作物品种、作物生育阶段、农田小气候等条件，进行初始状态的修正，确定阶段参数的初始值；接着对所有影响田间水量平衡要素和影响灌水日期、灌水定额等因素进行逐日递推和分析，结合未来田间信息预测值和气象预报情况，做出灌溉决策。同时利用实测信息对相关模型参数进行逐时段修正与自修正，促使作物实时灌溉模型中的参数逐渐趋于稳定，不断提高灌溉预报结果的准确性和实时性。
[0208] 因此，农田在线实时灌溉中，如何利用作物需水模型准确的模拟作物生长过程中的需水动态，是在线实时灌溉预报的核心，如何建立土壤墒情预测模型科学的预测土壤水分动态，是灌溉预报的基础。在作物灌溉预报模型中，往往涉及到多个参数如计划湿润层的深度、作物系数、土壤水分修正系数等，参数的精确程度也是影响模拟结果的重要因素。而充分利用实时监测信息和反馈信息对作物需水模型、土壤墒情模型中的参数进行逐日的修正与自修正成为提高模型精度的有效方法，也是实时灌溉预报研究的重点和关键。
[0209] 2作物非充分在线实时灌溉模型
[0210] 作物在线实时灌溉模型是在短期气象预报的基础上，根据灌区各田块实际土壤水分、作物实际蒸腾蒸发量、作物生长状况等，通过建立土壤墒情预测模型、作物需水预测模型、实时灌溉预报模型、作物系数实时修正模型等，实现实时预测作物在面临阶段是否需要灌水、 灌水量以及灌水时间等。研究在对土壤水分实时监测的基础上，通过作物非充分在线实时灌溉模型，充分考虑面临阶段的降雨情况，尽可能准确、实时地预测未来不同时段的土壤水分动态含量，进而制定合理的灌溉方案，为农业生产提供在线指导和决策参考，为节约农业用水、提高灌溉水利用率提供科学依据。
[0211] (1)土壤墒情预测模型
[0212] 土壤墒情是指一定体积土壤中所含水分的状况，墒情预测即根据前期测墒结果，结合气象条件，通过一定的手段来预测未来某一时期土壤含水量的多少。土壤墒情预测是灌溉预报的基础，对在水资源短缺条件下所进行的农田水分的合理调控具有重要意义。
[0213] 本系统主要运用水量平衡原理分析制定旱作物的灌溉制度，建立土壤水量平衡模型进行土壤墒情预报。以天为预报时段的作物计划湿润层的水量平衡模型如下：
[0214] Wi＝Wi-1+P0i+WTi-ETi+Mi+Ki (1)式中：Wi-1——第i天初始计划湿润层的土壤含水量，mm；
[0215] Wi——第i天结束时计划湿润层的土壤含水量，mm；
[0216] P0i——第i天的有效降雨量，mm；
[0217] WTi——第i天由计划湿润层增加而增加的水量，mm；
[0218] ETi——第i天的作物需水量，mm；
[0219] Mi——第i天的灌水量，mm；
[0220] Ki——第i天的地下水补给量，mm。
[0221] 若研究区域的地下水埋深较深，地下水对作物的补给可以忽略不计，故式(1)可变为：
[0222] Wi＝Wi-1+P0i+WTi-ETi+Mi (2)
[0223] 其中，第i天初始、结束时计划湿润层土壤含水量可分别由下列各式求出：
[0224] Wi-1＝1000nHi-1θi-1 (3)
[0225] Wi＝1000nHiθi (4)
[0226] 式中：Hi-1—第i天初始计划湿润层深，mm；
[0227] Hi—第i天结束时的计划湿润层深，mm；
[0228] θi-1—第i天初始土壤含水率，以占土壤体积百分比计，％；
[0229] θi—第i天结束时的土壤含水率，以占土壤体积百分比计，％；
[0230] n—土壤孔隙率，％。
[0231] 由公式(5)可得第i时段内因计划湿润层的增加而增加的水量WTi。
[0232] WTi＝1000(Hi-Hi-1)·n·θdeep (5)
[0233] 式中：θdeep—深层土壤含水率，％；
[0234] 由公式(2)、(3)、(4)可得出作物计划湿润层含水率的逐日递推预测模型：
[0235]
[0236] 按照作物计划湿润层含水率的逐日递推预测模型，从作物的种植日期开始，逐日对作物根区的土壤墒情进行预测，直至作物收获，从而进行作物整个生育期内土壤水分状况的逐日递推预测。
[0237] (2)作物实时需水量的模糊聚类预测模型
[0238] 作物在线实时灌溉模型中，作物实时需水量ETi的计算对作物的灌溉影响最大，是进行灌溉预报的关键。
[0239] 作物的实际需水量ET受到作物品种、气象条件、土壤类型、种植条件等诸多因素的影响，变化规律十分复杂。在计算非充分灌溉条件下作物需水量时，除去作物自身的因素，还必须考虑土壤水分低于适宜含水量下限时对蒸发蒸腾的抑制作用。在分析作物需水量计算方法的基础上，综合考虑作物及土壤水分的影响，本系统中分别构建了以1日、3日和7日为计算时段的作物的实时需水量计算模型：
[0240] ETi＝Kci·Kwi·ET0i (7)
[0241] 式中：ETi—第i天(阶段)的作物需水量，mm；
[0242] ET0i—第i天(阶段)的参考作物需水量，mm；
[0243] Kci—第i天(阶段)的作物系数；
[0244] Kwi—实行非充分灌溉时第i天(阶段)的土壤水分修正系数；
[0245] ①参考作物需水量ET0的模糊聚类预测
[0246] 参考作物蒸发腾发量ET0反映了大气环境对作物生长需水的影响程度，短期甚至逐日参考作物蒸发腾发量预测的准确性直接影响着实时灌溉的预报精度，是实时灌溉预报的重点和难点之一。参考作物需水量的计算方法有很多，常用的有：蒸发皿法、修正Penman公式法、Penman—Monteith法、Hargreaves方法、Priestley-Taylor方法等。当已获取实际的气象资料时，用修正的彭曼公式计算ET0是最理想的。但在预测作物蒸发蒸腾量时，由于气象资料不可能完全准确预知，所以在实时预报中要依据不同的天气预测类型进行预报日ET0的预估。
[0247] 根据实时灌溉预报的需要，研究将根据历史资料计算出的ET0数据分别按照晴、云、阴、雨4种天气类型进行逐旬的分类统计，做成不同天气类型下的ET0分类统计表。
[0248] 基于可变模糊集合理论对不同天气类型下的ET0进行模糊聚类，得到不同天气类型的聚类中心s，并通过式(8)确定预报日天气类型下参考作物蒸发腾发量ET0'值，从而进行ET0的自修正：
[0249] ET′0＝s·ET0 (8)
[0251] 设xij为不同天气类型下的ET0值，其中，i表示天气类型，i＝1，2，3，4，分别表示晴、 云、阴、雨；j表示旬，j＝1，2，……，36。由ET0分类统计表可得全年各旬不同天气类型下多年平均ET0的特征值矩阵：
[0252]
[0253] 各旬ET0特征值的相对隶属度矩阵：
[0254] 式中：maxxij——j旬ET0特征值的最大值。
[0255] 则j旬第i种天气类型下的相对隶属度矩阵为：
[0256]
[0257] 设i种天气类型下ET0的模糊聚类中心矩阵为：
[0258]
[0259] 式中：sih——为分类模式h下i种天气类型下ET0的特征值规格化数，0≤sih≤1；
[0260] h＝1，2，…，c。
[0261] 假设按对晴天ET0的相对隶属度进行分类，即c＝2，则其模糊聚类矩阵为：
[0262]
[0263] 且满足条件：
[0264]
[0265] 则j旬样本与不同天气类型ET0聚类中心h间的差异，可用广义欧氏权距离表示，即
[0266]
[0267] 式中：i——天气类型总数。
[0268] 以uhj为权重得到样本j与类别h间的加权广义欧氏权距离：
[0269] F(uhj)＝uhj||wi(rj-sh)|| (16)
[0270] 最优模糊聚类中心矩阵s求解步骤具体如下：
[0271] ①给定uhj与sih所要求满足的计算精度ε1、ε2；
[0272] ②假设一个满足约束条件(14)且元素不全部相等的初始模糊聚类矩阵[0273] ③代入 对应的初始模糊聚类中心矩阵
[0274]
[0275] ④代入 求一次近似模糊聚类矩阵
[0276]
[0277] ⑤代入 求一次近似模糊聚类中心矩阵
[0278] ⑥逐个比较矩阵 和 以及矩阵 的对应元素，若 且则迭代结束， 为最优聚类中心矩阵s，否则 重复(3)至(5)的步骤
直至满足精度 要求，已有研究已证明了迭代的收敛性。
直至满足精度 要求，已有研究已证明了迭代的收敛性。
[0279] 经模糊聚类计算，可以得到云、阴、雨天气情况下ET0对于晴天ET0的模糊聚类中心。二预报精度分析2
[0280] 采用绝对累计偏差(ABE)、均方根误差(RMSE)、相对误差(RE)、决定系数(R)和认同系数(IA)等指标来评定预报精度，各统计参数的评价标准见表1，统计变量具体表达式如式(19)～(25)。
[0281]
[0282]
[0283]
[0284]
[0285]
[0286]
[0287]
[0288] 以上各式中xk为预测值，yk为实际值，k＝1，2，3，4，5……，n； 分别为预测值序列和实际值序列的平均值，n为预测值和实际值序列的样本数。
[0289] 表1预测结果精度评价标准
[0290]
[0291] 作物需水量ET的预测
[0292] 通过以上模糊聚类计算，即可确定不同天气类型对作物潜在腾发ET0的模糊聚类中心矩阵s。根据式(8)完成对ET0的自修正后，即可采用半经验公式(26)进行作物需水量ET的计算，即
[0293] ET＝ET0'·Kc·Kw＝s·ET0·Kc·Kw (26) (3)有效降雨量P0计算模型
[0294] 降水贮存于作物根区后，可以有效地被作物蒸腾蒸发所利用，从而降低作物的灌溉需水量，因此对于缺水地区而言，充分利用降水，可以有效地缓解水资源的紧缺现状。发生降水时，当降水强度大于土壤的入渗能力，或者降水超过土壤贮水能力时，降水量中会有一部分以地表径流形式流走，或形成深层渗漏流出作物根区，从而不能被作物所利用。因此，只有有效降水量才能够补充作物的需水要求。对非充分灌溉来讲，有效降雨量P0是制定作物灌溉制度、灌溉用水管理的一个重要影响因素。
[0295] 影响有效降水的因素很多，因计算目的不同，确定有效降水的估算方法也不尽相同。影响有效降雨量的主要因素有降雨特性、土壤特性等，一般生产中采用经验的降雨有效利用系数法计算有效降雨量P0i，见公式(25)。
[0296] P0i＝αPi (3-25)式中：Pi—实际降雨量(mm)；
[0297] α—降雨有效利用系数，α取值大小与降雨量的大小、降雨强度、降雨延续时间、土壤性质、地面覆盖以及地形因素有关。α取值见表2。
[0298] 表2降雨有效利用系数α取值
[0299]P(mm) <5mm 5～50mm >50mm
α 0 0.8～1.0 0.7～0.8
α 0 0.8～1.0 0.7～0.8
[0300] (4)在线实时灌溉预报模型
[0301] 作物在线实时灌溉预报模型是基于水量平衡原理，结合土壤水分墒情变化和作物需水动态，确定合理、科学的灌水定额和灌水时间。良好的作物实时灌溉预报需要最新的土壤水分等实测资料以及短期气象预报资料，来对每一个面临阶段的预测结果进行实时修正并进行下一阶段的相关参数与决策的预测，同时还需考虑不同田块土壤性状，依据不同土壤储蓄水分的特点，通过动态数值模拟进行灌溉预报。
[0302] 根据水量平衡原理，建立以天为时段的作物在线实时灌溉预报模型：
[0303] Mi＝Wi-1+P0i+WTi-ETi+Ki-Wi (27)
[0304] i一方面表示递推的第i个阶段，同时表示作物种植后的第i天，通过i将模型参数和作物生长相关联，以便寻求相互间的依变关系。
[0305] 式中各符号意义同以上各式。
[0306] 为满足作物正常的生长发育需要，作物任意时段内计划湿润层的根系储水量必须经常保持在一定的适宜范围内。
[0307] 系统运行时，首先利用作物计划湿润层含水率的逐日递推预测模型对土壤墒情进行预测， 当预测的土壤计划湿润层含水率θi不大于设定的土壤水分下限指标θc2时，对应的日期即为预测的灌水日期，需要进行灌溉预报和灌水量计算。由于在线实时灌溉模型受作物计划湿润层含水率的逐日递推预测模型中计划湿润层深Hi、作物系数等参数的影响，灌溉模型模拟结果会有一定的误差，因此在每个计算时段结束时，都需要用土壤含水率实测值对土壤含水率的模拟值进行误差分析与判断，同时对模型参数进行必要的修正。
[0308] 若预测时段的土壤计划湿润层含水率θi不大于设定的土壤水分下限指标θc2，但根据天气预报该时段内有降雨发生，则不灌水或推迟灌水。灌水后，以实测的土壤含水率作为下一阶段的初始土壤含水率，进行下一阶段的灌水日期和灌水量预报。如此进行逐阶段递推，从种植日开始直至作物生长期结束。
[0309] 模型的计算机程序流程见图5。
[0310] (5)实时灌溉制度
[0311] 灌溉制度是否合理或高效主要取决于灌水时期与土壤水分状况变化和产量形成规律的吻合程度。
[0312] (1)灌水定额
[0313] 灌水定额是单位面积上的一次灌水量，与作物种类、土壤持水量、灌溉面积以及可利用的灌水时间有关。灌水定额是灌溉制度的主要内容之一，确定合理的灌水定额，不仅可以正确指导农田灌溉节水高产，而且也是工程设计、水资源合理利用的主要依据。
[0314] 灌水定额通常按照计划湿润层内土壤含水率的上、下限及计划湿润层厚度计算。灌溉定额的计算如下：
[0315] 来水充分时作物灌水量：
[0316] 当来水量很大，足以满足灌溉需求时，灌水量Mi为：
[0317] Mi＝1000·n·Hi(1-θi)·θmax (28)
[0318] 式中：θi—第i天(阶段)的初始土壤含水率；
[0319] Hi—第i天(阶段)的作物计划湿润层深度，m；
[0320] 来水不充分时作物灌水量：
[0321] 当来水不足或者水资源量紧缺时，对作物进行非充分灌溉。灌水量Mi为：
[0322] Mi＝1000·n·Hi(θc1-θi)·θmax (29)
[0323] 式中：θc1—灌溉后所要达到的土壤含水率，非充分灌溉时θc1一般取90％θmax。
[0324] (2)灌水时间
[0325] 由于农田土壤干湿状况会受到降水的强烈影响而发生波动，因此同一区域同一作物需水的关键时期在不同的水文年型也会发生变化。降水规律的不确定导致了作物根区干湿状况的不确定，尤其是在水资源紧缺的半干旱地区，更需要结合作物的耗水过程和产量形成过程深入研究，建立作物非充分在线实时灌溉制度，将有限的水量在作物的不同生育期进行合理分 配。
[0326] 实时灌溉预报是在实测气象资料的基础上，根据建立田间土壤水分的逐日递推模拟模型，对作物短期乃至逐日的土壤水分变化情况做出准确预报，当土壤含水率接近作物所处生育期最低允许含水率时，进行灌溉决策；如果预报期间有降水或灌溉补水发生，则推迟灌溉，并根据实际的具体情况对预报结果进行及时调整，同时修正土壤水分变化曲线。
[0327] 3作物实时灌溉模型关键参数的确定及修正
[0328] 作物非充分在线实时灌溉模型，是在对土壤水分实现逐日监测的基础上，准确、实时地预测未来不同时段的土壤水分动态含量，并充分利用降雨预报信息，制定合理的灌溉方案，为发展节水农业、实现高效率的农田灌溉提供技术支撑。
[0329] 实时灌溉预报不仅需要最新的实测资料和预测资料，对每一阶段灌溉预测进行实时修正来进行下一阶段的预测，而且还需考虑不同田块的特点，对各田块土壤水分含量通过动态数值模拟进行灌溉预报。在实时灌溉模型中，涉及到土壤、作物、气象等各种参数，因此模型参数的确定与修正关系着灌溉预报结果的精确程度和实用程度。
[0330] (1)适宜土壤水分下限指标的研究
[0331] 土壤水分适宜下限值，是指适宜于作物生长的最低的土壤含水量指标。土壤含水率的大小与作物的生长有着密切的关系。当气候和土壤类型已定时，土壤含水率降到一定的范围，会对作物生长有限制作用。在进行非充分灌溉时，制定合理的土壤水分下限指标对于指导作物适时、适量的灌溉和节约水资源具有重要的意义。土壤水分的下限值决定作物的灌水时间，也影响作物灌水次数和灌水量的确定，可以通过制定适宜的水分下限来调控土壤水分，减少灌水量与灌水次数，进而提高作物水分利用效率。
[0332] 作物种类不同，对土壤水分下限的要求也不同。土壤水分对作物生长的作用随作物生长发育阶段的变化而变化。作物生育前期，土壤水分可促进营养生长，对苗数的多少和强弱起决定作用；作物生育中期，充足的水分会促进作物的生长发育，决定作物穗数的多少；生育后期，为保证作物正常灌浆充实，也必须有水分保证。同一作物的不同生育阶段对水分亏缺的敏感性也不同，敏感性越大，其缺水减产的损失越大。另外，土壤质地不同，其含水量及持水能力也不同，对土壤含水率下限的要求也不同。
[0333] 由于影响土壤水分下限指标的因素很多，不同作物、不同地区的土壤水分下限指标的计算方法及制定标准也有所不同。整体来说，大多是按作物生育阶段划分的，对短期内优化或者是按天来计算各参数的模型非常少，与实时灌溉结合不够密切，尚还需要这方面的研究。
[0334] 本系统中，先期利用SWAT模型中作物模块模拟了不同土壤水分上下限条件下冬小麦产量变化情况，通过方案比较，选取了冬小麦适宜的土壤水分上下限指标。
[0335] (2)计划湿润层深度初值的确定
[0336] 计划湿润层深度是指需要通过灌溉补充土壤水分的土层深度。对旱作物来说，土壤计划湿润层深度通常是作物的主要根系吸水层，它主要取决于作物生长状况和作物根系活动层的 深度，与作物品种、生育阶段、田间土壤性质、以及地下水埋深和土壤微生物活动等因素也有关系。
[0337] 计划湿润层深度直接影响着灌水定额的确定，其确定方法通常有两种，一种为动态型，即认为计划湿润层深度应随着作物的生长生育期、作物根系活动层深度以及地下水埋深等发生变化。如冬小麦在幼苗期计划湿润层深为0.3～0.4m，分蘖期为0.4～0.5m，拔节期为0.5～0.6m，抽穗期为0.6～0.8m，灌浆期为0.8～1.0m；玉米在幼苗期计划湿润层深0.3～0.4m，拔节期为0.4～0.5m，孕穗期为0.5～0.6m，抽穗期为0.6～0.8m，灌浆期为0.8；棉花在幼苗期计划湿润层深0.3～0.4m，现蕾期为0.4～0.6m，开花结铃期为0.6～0.8m，吐絮期为0.6～0.8m。春小麦在抽穗前计划湿润层按80cm来计算，在生育期其他时间的灌水计划湿润层按40～60cm考虑。
[0338] 另一种则认为同一作物的计划湿润层深度在整个生育期应始终采用同一深度，但具体计划层深度在应用中各不相同。农作物的主要根系分布层是确定作物适宜湿润层深度的基本依据。
[0339] 本系统中，认为计划湿润层深度应随着作物的生长发育、根系的不断加深而增加。灌溉预报过程中，需要确定整个生育期第i天(阶段)的土壤计划湿润层深度初值，为此，假设作物全生育期各个生长阶段内，计划湿润层呈线性均匀增加，则作物任一天的计划湿润层深度可采用线性的逐日递推模型进行模拟，为此，建立作物计划湿润层深计算模型：
[0340]
[0341] 式中：Hi——作物第i天(阶段)的计划湿润层深度，m；
[0342] hn-1——第n个生育期初始时计划湿润层深度，m；
[0343] hn——第n个生育期结束时计划湿润层深度，m；
[0344] n——作物所处生育期；
[0345] i——作物播种后的生长累积天数，d；
[0346] ——第n个生育期的生长天数，d；
[0347] ——第j个生育期的生长天数，d，j＝1,2,…,n。
[0348] 确定出第i天的计划湿润层深初始值后，可通过Irrimax软件对土壤含水量监测值进行分析，得到实时的作物根深，进而对计划湿润层深的初始值进行修正，利用修正后的计划湿润层深，根据式(5)计算预报时段内由于计划湿润层增加而增加的水量WTi。
[0349] (3)土壤实时墒情监测与数据传输
[0350] 土壤墒情是农田灌溉的一项重要指标，准确的农田墒情测报是实现作物适时适量灌溉的基础，是精准灌溉技术与灌区节水灌溉管理的依据。通过对农田土壤水分变化动态的监视，对灌溉作物需水量和有关参数进行分析和计算，能够实现对未来土壤墒情和旱情趋势的预报，从而制定准确的灌溉计划。
[0351] 本系统将作物根系活动区域以上土层视为一个整体系统，从所监测土壤水分数据中选取当天2时、8时、14时、20时等四个监测时刻的实测土壤水含水率，取作物所处计划湿润层 深度以上所有传感器不同时刻所测土壤含水率的均值做为当天的土壤水分实测值。
[0352] 设第i天作物所处计划湿润层深为100cm时，读取100cm以上(含100cm)不同土层处传感器的所测土壤水分值，记为θwi(j，l)，其中j为观测时刻，l为传感器所处土层深，则第i天不同观测时刻不同土层深传感器所测土壤水分值可如图6表示。
[0353] 令θwi(j，hl)表示第i天在j监测时刻位于土层深hl处传感器所测的土壤含水量，则第i天2时、8时、14时、20时在土层深hl处的土壤水分值就可以分别记为：θwi(2，hl)、θwi(8，hl)、θwi(14，hl)、θwi(20，hl)，则可采用算数平均法计算第i天给定土层深hl处的土壤水分值
[0354]
[0355] 采用加权均值法则可得到第i天计划湿润层的土壤水分值θi：
[0356]
[0357] 式中：wi—为土壤层深度hl的土壤水分值 对θi的影响权重；
[0358] m—土层个数。
[0359] 在进行土壤含水率预测时，以天为计算时段，递推过程如下：生育期第一次运行时，在生育期第一天开始时实测一次土壤含水率，作为阶段初始值，利用土壤水分逐日递推公式(6)逐日递推每一天阶段末的土壤含水率，并和当日实测的土壤含水率进行对比和修正，并把修正后的土壤含水率作为下一阶段的初始值，如此逐日顺序递推，进行每日计划湿润层含水率的模拟和修正。
[0360] 在进行计算的过程中，如果推算得到第i日含水率小于或者等于作物所处生育期最低允许含水率，同时考虑天气预报情况，在无雨或降雨量极少的情况下，采用第5.2节的实时灌溉预报模型对该日做出灌溉预报，并进行网络发布，当日土壤含水率修正到灌水后的土壤含水率，再以此为初始值进行计划湿润层含水率的递推，直至生育期结束。如果天气预报有降雨发生，则需要考虑有效降雨量，采用土壤水分逐日递推公式(6)对计划湿润层的含水率进行分析预测，在作物生育期如有较大降雨发生，致使模拟计算过程中出现土壤含水率超过田间持水率的情况时，则将土壤含水率处理为田间持水率，多余的水量渗入深层土壤。
[0361] 基于土壤墒情预测，采用作物非充分实时灌溉模型、实时灌溉预报模型则可进行作物的实时灌溉和预报。其余如3日、7日、及至2周的灌溉预报，计算的阶段步长相应分别为3日、7日和2周，原理同1日的灌溉预报。
[0362] (4)土壤水分修正系数Kwi的确定
[0363] 在非充分灌溉中，由于田间水分受到调节和控制，作物各生育阶段的根系生长、植株发育、群体结构以及生态指标均会受到影响。
[0364] 对于旱作物，土壤中自凋萎点到田间持水率之间的水分，可以保持在根层内，并能被植物吸收利用。当土壤含水率在临界含水率与田间持水率之间时，土壤水分通过毛管作用充分供给作物蒸发、蒸腾的需要，土壤含水率的高低并不影响作物的蒸发蒸腾；当土壤含水率小 于临界含水率时，土壤水分运移由于受到阻力的作用，运移的实际速率将会小于充分蒸发蒸腾时所需的速率，此时土壤含水率的高低就直接影响到蒸发蒸腾的速率。
[0365] 因此，非充分灌溉条件下引进了土壤水分修正系数Kw来反映土壤水分不充足时土壤含水率对作物需水量的影响。当进行充分灌溉，土壤水分不限制作物蒸发蒸腾时，土壤水分修正系数kw取值为1。
[0366] 由于气象、土壤类型、作物种类、根系深度等因素的影响，kw与θ的关系是非常复杂的。合理地选取以及确定作物系数和土壤水分修正系数对于准确地计算非充分灌溉条件下的作物蒸发蒸腾量有很大影响，对于非充分灌溉应用于生产实际也具有非常重要的指导意义。
[0367] 结合研究区域实际情况，采用以下公式计算土壤水分修正系数Kwi：
[0368]
[0369] 式中：θi—第i天(阶段)土壤含水率，以占土壤体积百分比计，％；
[0370] θmax—田间持水率，以占土壤体积百分比计，％；
[0371] θc1—非充分灌溉适宜土壤水分上限指标，以占田间持水率θmax的百分数表示，研究中分别按不同的实验方案进行确定；
[0372] θc2—非充分灌溉适宜土壤水分下限指标，以占θmax的百分数表示；研究中分别按不同的实验方案进行确定；
[0373] α—经验系数，旱作物可取0.89。
[0374] 4作物系数Kc的实时模拟与修正
[0375] 作物系数Kc是用于估算作物需水量的重要参数，而作物实时需水规律及需水量的预测又是实时灌溉预报的核心，因此，准确的确定及模拟作物系数Kc对于农田发展精准灌溉、节约水资源具有重大意义。
[0376] (1)作物系数Kci初值的确定
[0377] 在首次运行系统时，需要确定作物系数Kci的初值。综合考虑实验区的气候条件、作物类型、模型精度等因素，Kci的计算初值采用随作物生育期累计天数i逐日变化的计算方法：
[0378]
[0379] 式中：I—生育期总天数，d。
[0380] (2)作物系数的Kci修正
[0381] 以往的研究中，在利用作物系数Kc计算作物需水量时，多是采用按生育阶段划分Kc的平均值，缺乏以天为单位的作物系数值和对作物系数的实时、逐日修正，阶段均值的使用与实际多变的天气、土壤及作物生长状况显然不相符，从而致使作物的实时需水量计算和农田实 时灌溉预报不够准确，影响作物的精准灌溉与有限农业水资源的高效利用，导致了作物灌溉预报的失真，失去了应有的指导生产的作用。
[0382] 针对已有作物需水规律研究方面的不足，特别是需水模型中作物系数Kc常取生长阶段均值的问题，本研究充分利用灌溉监测实验与采集的实时信息成果，以及田间的气象资料，提出了作物系数的逐日预测与自修正方法，对作物系数Kc进行率定及逐步逼近修正，以更精准的模拟作物的实时需水规律，为作物在线灌溉制度研究提供基础科学信息。具体计算过程如下：
[0383] 首先利用自动气象站实测气象资料计算出每天的参考作物需水量ET0i，再由计算得到的土壤水分修正系数Kwi、作物系数Kci、参考作物需水量ET0i，根据公式(7)计算作物的实际需水量。由作物在线实时灌溉模型可知，在作物生长过程中，第(i-1)天结束时，该天的土壤含水量、有效降雨量及灌溉水量均已知，由此可根据土壤水分修正系数Kw的计算公式(33)计算出该天的实际土壤水分修正系数K'w,i-1；而初始作物系数Kc值则采用同一地区的经验值。至此，就可以利用公式(7)计算出作物的实际需水量ETi。由第(i-1)天的实测土壤水分初始值θi-1，根据土壤水分逐日递推公式(6)就可推算出第i天的土壤水分初始值θi'。
[0384] 第(i-1)天结束时，第i天的实测土壤水分初始值θi即为已知。若第i天预测的土壤水分初始值θi'与实测土壤水分初始值θi非常接近，第(i-1)天的作物系数就取初始值；如果θi'与θi相差比较大，则由实测土壤水分值θi可反推第(i-1)天的作物实际需水量：
[0385] ETi'-1＝1000nHi-1θi-1+P0i-1+Wr'i+Mi-1-1000nHiθi (35)式中：ETi-1′—修正后的第(i-1)天作物的实际需水量，mm；
[0386] Mi-1—第(i-1)天的灌水量，mm，可由公式(28)或(29)计算得到。
[0387] 则修正后第(i-1)天的作物实际需水量可写为：
[0388] ET′i-1＝Wi-1+P0i-1+W′ri+Mi-1-Wi' (36)
[0389] 式中：Wi-1、Wi′——分别为第(i-1)天的初始、结束时的土壤含水量，mm；
[0390] 进而可得到修正后的第(i-1)天作物系数K′ci-1。
[0391] K'c,i-1＝ET′ i-1/(K'w,i-1·ET0,i-1) (37)
[0392] 即在第(i-1)天结束时修正了当天的作物系数值，并把该修正值作为下一个计算时段的输入值，依此类推，实现对全生育期作物系数Kc值的逐日修正。
[0393] 通过一个生育周期的修正，可得到逐日的作物系数。在地区和作物种类不变的情况下，将该组作物系数作为第二年在线实时灌溉模型中的作物系数初始值，然后进行作物的实时需水量计算，同时根据当年监测结果再次进行逐日修正。依此类推，对作物系数进行逐年自我修正，不断提高作物在线实时的灌溉预报精度，逐步实现农田精准灌溉。实时灌溉中作物系数Kc具体修正过程见图7。经过多年长期的自我修正，作物系数Kc值将逐步趋于稳定，接近于真实的Kc，灌溉预报也会更加精准。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种燃料电池公交车实时全局优化智能控制系统及方法 | 2020-06-07 | 2 |
| 基于路灯对电力系统进行诊断的智能监控系统 | 2020-09-09 | 0 |
| 心脑血管疾病风险预测方法及系统 | 2022-04-22 | 1 |
| 一种基于社交网络大数据的空气质量预警和监测分析系统 | 2022-10-03 | 1 |
| 模型训练及获取附加特征数据的方法、装置、设备及介质 | 2020-06-05 | 0 |
| 一种基于长短期记忆循环神经网络的空调能耗预测方法 | 2020-10-26 | 0 |
| 一种血压测量方法及设备 | 2021-05-31 | 1 |
| 应用程序预加载方法、装置、存储介质及终端 | 2021-05-22 | 0 |
| 一种机械结构异类多目标性能的稳健性度量与均衡优化设计方法 | 2021-06-27 | 0 |
| 基于改进K-means聚类与支持向量机的风功率预测方法 | 2020-08-21 | 1 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈