CN101799465A - 基于微环境信息的旱地农田水势软测量方法及软测量网络 - Google Patents

Abstract

一种基于微环境信息的旱地农田水势软测量方法及软测量网络，方法是选择确定农田水势软测量的辅助变量；按照辅助变量设置相应的传感器；对采集的数据进行数据处理，生成输入数据；构建农田水势软测量模型，采用由试验获得的样本数据对该软测量模型进行训练和检验；将预处理的数据送入农田水势软测量模型，得到农田水势估计值。软测量网络包括有多个子网络和精准灌溉决策中心，精准灌溉决策中心通过GSM/GPRS分别与多个子网络进行数据通信，所述的子网络是由一个农田水势软测量站和多个网络节点组成的。本发明可实现农田水势的连续自动监测，能够及时准确地反映旱地作物生长过程中的水分胁迫状态；实现了多种农田小气候参数的连续自动监测。

Description

基于微环境信息的旱地农田水势软测量方法及软测量网络

技术领域

本发明涉及一种旱地农田水势软测量方法，特别是涉及一种基于微环境信息的旱地农田水势软测量方法及软测量网络。

背景技术

现代农业正在向精准化方向迈进，作为精准农业重要子系统的精准灌溉(Precision Irrigation，PI)更加强调高新技术对高效节水型农业的支撑和保障作用。连续自动获取旱地农田水势(土壤水势ψ_s、作物叶水势ψ_L和大气水势ψ_a的统称)是实现精准灌溉的先决条件。其中，大气水势ψ_a的自动监测技术较为成熟；土壤水势ψ_s的自动监测技术也有了很大进步；现有三种作物叶水势检测方法中，液相平衡法和压力平衡法属于传统方法，检测过程均依靠手工操作，且需要切割活体样品，无法适应作物水势连续自动监测；气相平衡法相对较为先进，可以用于作物活体(叶片)水势的连续自动监测，但必须将作物叶片放置在密封良好的样品室内，且对温度测量精度和分辨度有非常高的要求(通常采用高精度热电偶温度传感器)。总体而言，旱地农作物叶水势自动监测技术尚处在发展初期，我国的作物叶水势检测仪器目前主要依赖进口，价格昂贵，维修不便，很难在设施农业和露地农田中推广使用，成为实现精准灌溉的瓶颈之一。

软测量(Soft-sensing)技术是依据某种最优准则，选择一组既与主导变量(Primary Variable)有密切关系又容易测量的辅助变量(SecondaryVariables)，构造某种软测量模型(Soft-Sensing Model)，通过软计算估计主导变量的先进检测技术，目前已在诸多工业过程控制中(石油化工、钢铁冶金等)得到成功应用。将软测量技术引入旱地农田水势自动监测，可利用与农田水势关系密切且易于自动监测的微环境信息，通过建立农田水势软测量模型，准确可靠地估算出旱地农田水势{ψ_s，ψ_L，ψ_a}。具有信息化程度高、成本低廉、易于推广等方面的优势，是解决旱地农作物叶水势连续自动监测问题的重要途径之一。

发明内容

本发明所要解决的技术问题是，提供一种能够为精准灌溉决策提供可靠的农田水势信息的基于微环境信息的旱地农田水势软测量方法及软测量网络。

本发明所采用的技术方案是：一种基于微环境信息的旱地农田水势软测量方法及软测量网络，其中，基于微环境信息的旱地农田水势软测量方法，包括如下阶段：

1)选择确定农田水势软测量中的辅助变量，这些辅助变量均是可测的作物微环境变量；

2)按照所确定的辅助变量，选择获取相应微环境信息的传感器及其布设位置；

3)对所采集的微环境数据进行数据预处理，生成农田水势软测量模型的输入数据；

4)构建农田水势软测量模型，并采用由试验获得的样本数据对该软测量模型进行训练和检验；

5)将经过数据预处理的微环境数据送入农田水势软测量模型，得到农田水势估计值{ψ_s ^*，ψ_L ^*，ψ_a ^*}，其中，ψ_s ^*是土壤水势估计值，ψ_L ^*作物叶水势估计值，ψ_a ^*是大气水势估计值。

阶段1所述的辅助变量包括如下四组共12种农田水势软测量中的辅助变量：

第一组2种：与大气水势ψ_a紧密关联的大气温度T_a和大气湿度RH_a；

第二组4种：与土壤水势ψ_s紧密关联，反映土壤水分及其它特性的土壤水分W_s和土壤温度T_s，反映土壤蒸发状态的地表温度T_sf和地表湿度RH_sf；

第三组4种：与作物叶水势ψ_L紧密关联，反映叶片蒸腾的叶片温度T_L、叶片湿度RH_L，反映作物水分胁迫的冠层温度T_C以及影响作物蒸腾的冠层风速WS；

第四组2种：与叶水势ψ_L紧密关联，反映作物光合作用的光辐射强度R和叶层与大气CO₂浓度差值ΔCO₂。

所述的按照阶段2所确定的辅助变量，选择获取相应微环境信息的传感器及其布设位置，是针对步骤1所确定的12种辅助变量确定作物微环境信息采集器中的传感器种类及设置位置。

阶段3所述的对所采集的微环境数据进行数据预处理，生成农田水势软测量模型的输入数据，是采用基于MMD的异常值侦测算法、滑动均值滤波和最小二乘平滑滤波叠加的随机噪声滤除方法、基于邻域均值算法的时间数据融合方法和基于加权平均算法的叶层温湿度空间融合方法进行的。

阶段4所述的农田水势软测量模型包括有：大气水势、土壤水势和作物叶水势三个软测量模块，并嵌入在农田水势软测量站中运行。

所述的传感器设置位置如下：

1)土壤温度T_s：埋设在作物根部土壤之中；

2)土壤水分W_s：埋设在靠近作物根部的土壤之中；

3)地表温湿度T_sf和RH_sf：布设在作物根部，距地面≤5mm处；

4)叶片温湿度T_L和RH_L：根据作物植株高度，布设若干温湿度传感器；

5)叶层CO₂浓度：布设在中部叶层；

6)冠层温度T_C：布设在作物顶部，感温头从上方垂直向下对准作物冠层；

7)冠层风速WS：布设在作物顶部；

8)光辐射强度R：设置在作物顶部，感光部件垂直面向天空；

9)大气温湿度T_a和RH_a：布设在作物顶部；

10)大气CO₂浓度：布设在作物顶部。

所述的叶层温湿度空间融合方法，包括如下步骤：

1)首先采用基于聚类分析的异常数据侦测算法(MMD算法)对所采集的微环境数据中的异常值进行侦测并加以剔除；

2)顺序采用滑动均值滤波和最小二乘平滑滤波两种方法进行随机噪声滤除；再采用邻域均值算法，对所采集的微环境数据进行时间融合处理；

3)采用加权平均算法，对多个叶层的温度T_Li和多个叶层的湿度RH_Li(i＝1，2，3，……n)，进行空间融合处理；

4)依据各叶层温湿度信息受干扰的程度，权值排列顺序为：中间层＞下层＞上层。

用于基于微环境信息的旱地农田水势软测量方法中所用的农田水势软测量网络，包括有多个子网络和精准灌溉决策中心，精准灌溉决策中心通过GSM/GPRS分别与多个子网络进行数据通信，所述的子网络是由一个农田水势软测量站和多个网络节点组成的。

所述的农田水势软测量站包括有微处理器，分别与微处理器相连的无线传输模块、RS-485总线驱动器、GSM/GPRS模块、GPS模块以及LCD加触摸屏，所述的微处理器还连接灌溉设施。

所述的网络节点为微环境数据采集器，包括有：微控制单元，配置在微控制单元上的8路温湿度数据采集通道、8路模拟量采集通道、数字红外测温模块接口和数字脉冲接口，以及设置在微控制单元上的RS-485通信接口、无线数传模块和SD卡接口。

本发明的基于微环境信息的旱地农田水势软测量方法及软测量网络，将软测量技术引入旱地农田水势自动监测，可利用与农田水势关系密切且易于自动监测的微环境信息，通过建立农田水势软测量模型，准确可靠地估算出旱地农田水势{ψ_s，ψ_L，ψ_a}。具有信息化程度高、成本低廉、易于推广等方面的优势，是解决旱地农作物叶水势连续自动监测问题的重要途径之一。本发明与传统检测方法及检测仪器相比，一是可实现农田水势的连续自动监测，能够及时准确地反映旱地作物生长过程中的水分胁迫状态，从而为精准灌溉提供科学依据；二是能够实现多参数自动监测，即在连续自动获取农田水势信息的同时，还实现了多种农田小气候参数的连续自动监测。

附图说明

图1是农田水势软测量原理示意图；

图2是农田水势软测量分层模型结构图；

图3是采用新型RBF网络软测量模型估计叶水势检验曲线(温室盆栽植物)；

图4是采用SVM软测量模型估计叶水势检验曲线(温室盆栽植物)；

图5是采用SVM软测量模型估计叶水势检验曲线(露地农田夏玉米)；

图6是农田水势软测量网络节点组成结构图；

图7是农田水势软测量站组成结构图

图8是农田水势软测量网络组成结构图。

其中：

1：微控制单元         2：RS-485通信接口

3：无线数传模块       4：SD卡接口

5：微处理器           6：无线传输模块

7：RS-485总线驱动器   8：GSM/GPRS模块

9：GPS模块            10：LCD加触摸屏

12：灌溉设施          13：子网络

14：精准灌溉决策中心  15：农田水势软测量站

16：网络节点          A：土壤、作物、大气连续体

B：农田水势软测量模型 C：土壤水势软测量模块

D：大气水势软测量模块 E：作物叶水势软测量模块

具体实施方式

下面结合附图给出具体实施例，进一步说明本发明的基于微环境信息的旱地农田水势软测量方法及软测量网络是如何实现的。

本发明的基于微环境信息的旱地农田水势软测量方法及软测量网络，由若干农田水势软测量站(FWP软测量站)与精准灌溉(PI)决策中心连接成上层星型网络，依靠公共无线通信平台(GMS/GPRS)进行远距离数据传输。PI决策中心接收所辖区域所有FWP软测量站发送的农田水势信息，结合遥感、地理坐标(GPS)、农业气象信息、作物栽培模型以及农业专家知识等，做出大尺度农田的精准灌溉决策，并向相应FWP软测量站发送灌溉控制命令。由FWP软测量站对所辖区域的灌溉设备实施有效监控。

如图1所示，基于微环境信息的旱地农田水势软测量方法，包括如下阶段：

1)选择确定农田水势软测量中的辅助变量；

所述的辅助变量包括如下四组共12种农田水势软测量中的辅助变量：

第一组2种：与大气水势ψ_a紧密关联的大气温度T_a和大气湿度RH_a；

第二组4种：与土壤水势ψ_s紧密关联，反映土壤水分及其它特性的土壤水分W_s和土壤温度T_s，反映土壤蒸发状态的地表温度T_sf和地表湿度RH_sf；

第三组4种：与作物叶水势ψ_L紧密关联，反映叶片蒸腾的叶片温度T_L、叶片湿度RH_L，反映作物水分胁迫的冠层温度(红外辐射)T_C以及影响作物蒸腾的冠层风速WS；

第四组2种：与叶水势ψ_L紧密关联，反映作物光合作用的光辐射强度R和叶层与大气CO₂浓度差值ΔCO₂。

2)按照所确定的辅助变量，选择获取相应微环境信息的传感器及其布设位置；所述的按照所确定的辅助变量，选择获取相应微环境信息的传感器及其布设位置，是针对步骤1所确定的12种辅助变量确定作物微环境信息采集器中的传感器种类及设置位置。所述的传感器设置位置如下：

1)土壤温度T_s：选用Pt100铂电阻温度传感器(铠装)，变换为0-5VDC或4-20mA标准信号，埋设在作物根部土壤之中；

2)土壤水分W_s：选用TDR(时域反射)土壤含水量传感器(％)，变换为0-5VDC或4-20mA标准信号，埋设在靠近作物根部的土壤之中；

3)地表温湿度T_sf和RH_sf：选用SHT75数字温湿度传感器，布设在作物根部，距地面≤5mm处；

4)叶片温湿度T_L和RH_L：选用SHT75数字式温湿度传感器，根据作物植株高度，布设若干温湿度传感器(如上、中、下三层各布设一个温湿度传感器)；

5)叶层CO₂浓度：选用NDIR(电调制非分光红外)CO₂传感器模块(0-5VDC或4-20mA标准信号)，布设在中部叶层(枝叶相对浓密处)；

6)冠层温度T_C：选用数字式红外测温传感器，布设在作物顶部，感温头从上方垂直向下对准作物冠层(距作物冠层≤100mm)；

7)冠层风速WS：选用风杯式数字脉冲风速传感器，布设在作物顶部；

8)光辐射强度R：选用对弱光强度也有较高灵敏度的硅兰光伏探测器，将光辐射强度(0～200000Lux)变换为0-5VDC或4-20mA标准信号。设置在作物顶部，感光部件垂直面向天空；

9)大气温湿度T_a和RH_a：选用数字式红外测温传感器，布设在作物顶部(距作物冠层≥500mm处)；

10)大气CO₂浓度：选用NDIR的CO₂传感器模块(0-5VDC或4-20mA标准信号)，并保持与叶层CO₂浓度传感器一致(通过一致性标定)，布设在作物顶部(距作物冠层≥500mm处)。

3)对所采集的微环境数据进行数据预处理，生成农田水势软测量模型的输入数据(向量)；

所述的对所采集的微环境数据进行数据预处理，生成农田水势软测量模型的输入数据，是采用基于MMD(最小平均距离)的异常值侦测算法、滑动均值滤波和最小二乘平滑滤波叠加的随机噪声滤除方法、基于邻域均值算法的时间数据融合方法和基于加权平均算法的叶层温湿度空间融合方法进行的。具体步骤如下：

首先采用基于聚类分析的异常数据侦测算法(MMD算法)对所采集的微环境数据中的异常值进行侦测并加以剔除。这种方法不需要关于过程的先验知识及假设，所采用的MMD算法属于凝聚型，即求取每一个数据对象到邻近点的距离，当这一距离满足相似性测度时，将其划分到邻近点所属的类，否则被判定为异常数据。MMD算法的相似性测度采用平均最小距离(MMD)，即在d维空间，设有N个数据对象的集合{X₁，X₂…X_N}(X_i＝(x_i1，x_i2，…x_id))，则

$\mathrm{MMD}=\frac{1}{N}\underset{i}{\overset{N}{\mathrm{\Σ}}}\underset{j\≠i}{\min }\left[{\left(\underset{k=1}{\overset{d}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}-x_{\mathrm{jk}})}^2\right)}^{1/2}\right]$

若d_i＞C×MMD(C为调节参数)，即判定数据对象X_i为异常数据。在剔除了异常数据之后，顺序采用滑动均值滤波和最小二乘平滑滤波两种方法进行随机噪声滤除；再采用邻域均值算法，对所采集的微环境数据进行时间融合处理。假若微环境信息采样间隔30s(每分钟采集两次)而农田水势软估计时间隔为30min(每30分钟估计一次)，则须对连续6组微环境数据进行一次时间融合(求连续6个数据的均值)；接下来，采用加权平均算法，对多个叶层的温度T_Li和多个叶层的湿度RH_Li(i＝1，2，3，……n)，进行空间融合处理。假若在上中下叶层布设了三个数字温湿度传感器(n＝3)，则有

$T_L=\left(\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i{T}_i\right)/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i$ ${\mathrm{RH}}_L=\left(\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i{\mathrm{RH}}_{\mathrm{Li}}\right)/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i$

以上两式中，{w₁，w₂，w₃}分别为上、中、下三个叶层的权值。依据各叶层温湿度信息受干扰的程度(即可信程度)，权值排列顺序为：中间层＞下层＞上层(例如选择{w₁，w₂，w₃}＝{0.78，1.19，0.93})。

4)构建农田水势软测量模型，并采用由试验获得的样本数据对该软测量模型进行训练和检验；

所述的农田水势软测量模型包括有：大气水势、土壤水势和作物叶水势三个软测量模块，并嵌入在农田水势软测量站中运行。

本发明确定的农田水势软测量模型采用如图2所示的分层结构，由大气水势、土壤水势和作物叶水势三个软测量模块构成。基于这三个软测量模块编制的软测量程序，嵌入在如图7所示的农田水势软测量站之中运行。其中，大气水势ψ_a软测量模块为2in-1out结构，由于2个辅助变量(T_a和RH_a)与大气水势ψ_a(主导变量)之间存在定量关系ψ_a＝4.624×10⁵T_aln(RH_a)，其软测量模型为纯机理的，由2个辅助变量(T_a和RH_a)的测量值按照公式运算即可得到大气水势ψ_a的估计值ψ_a ^*；土壤水势ψ_s软测量模块为4in-1out结构，4个辅助变量(T_s、W_s、T_sf和RH_sf)与土壤水势ψ_s(主导变量)仅存在定性关系，需要采用某种软计算及相应的优化算法，构建基于数据驱动的软测量模块，由4个辅助变量(T_s、W_s、T_sf和RH_sf)的测量值通过软计算得到土壤水势ψ_s的估计值ψ_s ^*；作物叶水势ψ_L软测量模块为8in-1out结构，其中6个辅助变量(T_L、RH_L、T_C、WS、R和ΔCO₂)反映作物的蒸腾作用和光合作用，而大气水势估计值ψ_a ^*(大气水势软测量模块输出)和土壤水势估计值ψ_s ^*(土壤水势软测量模块输出)作为反映SPAC(土壤-植物-大气连续体)水分传输的2个重要辅助变量，以上8个辅助变量与叶水势ψ_L之间仅存在定性关系。叶水势ψ_L是反映作物水分胁迫的重要指标，也是整个农田水势软测量模型的输出，作物叶水势软测量模块采用精确可靠的软计算方法(人工神经网络ANN、支持向量回归SVR、模糊推理系统FIS等)，可以得到较高的估计精度和优良的泛化性能。

5)将经过数据预处理的微环境数据送入农田水势软测量模型，得到农田水势估计值{ψ_s ^*，ψ_L ^*，ψ_a ^*}，其中，ψ_s ^*土壤水势估计值，ψ_L ^*作物叶水势估计值，ψ_a ^*是大气水势估计值。

本发明的基于微环境信息的旱地农田水势软测量方法，将软测量技术引入农田水势自动监测邻域，由可测且易测的作物微环境信息整体估计土壤-植物-大气连续体(SPAC)中的三种水势{ψ_s，ψ_L，ψ_a}(即农田水势)，如图1所示，U表示导致土壤-植物-大气连续体(SPAC)中水势变化的可测微环境信息(如土壤水分W_s)，θ表示反映SPAC中水势变化的可测微环境信息(如冠层温度T_C)，D2表示对SPAC水势起扰动作用的可测微环境信息(如冠层风速WS)。将这三类可测微环境信息作为农田水势软测量的辅助变量{T_a，RH_a，W_s，T_s，T_sf，RH_sf，T_L，RH_L，T_C，WS，R，ΔCO₂}；而各种不可测的扰动变量在图1中用D1统一表示。在图1中，{ψ_s，ψ_L，ψ_a}表示农田水势(主导变量)的实际值；而{ψ_s ^*，ψ_L ^*，ψ_a ^*}则表示其估计值；图1中的农田水势软测量模型，是依据活体作物微环境信息与农田水势{ψ_s，ψ_L，ψ_a}之间的作用机理(定性或定量关系)，采用先进适用的软计算方法和相应的优化算法构建，形式上是专用于农田水势软测量的程序固件，通过该程序固件的运行，即可由作物微环境信息(辅助变量)整体获得农田水势{ψ_s，ψ_L，ψ_a}的估计值{ψ_s ^*，ψ_L ^*，ψ_a ^*}。图1中的{ψ′_s，ψ′_L，ψ′_a}表示农田水势标准值(期望值)，通常为采用精密仪器(在线测量或离线分析)获得的水势测量值，与对应的微环境采样数据一并构成样本数据，仅在农田水势软测量模型训练、检验和校正期间起作用。农田水势估计值{ψ_s ^*，ψ_L ^*，ψ_a ^*}与标准值{ψ′_s，ψ′_L，ψ′_a}的偏差用于衡量软测量模型的估计精度，为保证农田水势软测量模型的估计精度满足实际应用要求，在其投入实际应用之前，必须进行训练和检验；当检测对象或外界条件发生变化时，还要农田水势软测量模型进行校正，以保证农田水势软测量模型的适用性。

如图8所示，本发明的基于微环境信息的旱地农田水势软测量网络包括有：多个子网络13和精准灌溉决策中心14，由计算机构成的精准灌溉决策中心14通过GSM/GPRS分别与多个子网络13进行数据通信，所述的子网络13是由一个农田水势软测量站15和多个网络节点16组成的。

农田水势软测量网络(FWP软测量网络)是实施本发明专利所必须的网络环境。若干子网络13与精准灌溉PI决策中心连接成星型网络，依靠公共无线通信平台(GMS/GPRS)进行远距离数据传输。PI决策中心接收所辖区域所有FWP软测量站发送的农田水势信息，结合遥感、地理坐标(GPS)、农业气象信息、作物栽培模型以及农业专家知识等，做出大尺度农田的精准灌溉决策，并向相应FWP软测量站发送灌溉控制命令。农田水势软测量网络的主从地位明确，数据传送关系简单，采用星型拓扑结构使其具有通信协议简单、数据传送速度快、可靠性高、功耗可预测等优势。

如图7所示，所述的农田水势软测量站15包括有微处理器5，分别与微处理器5相连的无线传输模块6、RS-485总线驱动器7、GSM/GPRS模块8、GPS模块9以及LCD加触摸屏10，所述的微处理器5还连接灌溉设施12。所述的灌溉设施12为已有的农田灌溉设施。

所述的农田水势软测量站15(FWP软测量站)与若干个微环境数据采集器(传感器网络节点)构成星形网络，接收经过数据预处理的微环境数据，通过FWP软测量模型的运行(嵌入式程序固件)，获得各监测点小尺度的农田水势估计值{ψ_s ^*，ψ_L ^*，ψ_a ^*}。FWP软测量站采用某种ARM架构的嵌入式微处理器(S2410或PXA270等)和某种嵌入式操作系统EOS(如Linux2.6)构建的软硬件平台。FWR软测量模型的运行、训练和校正均设计成为FWP软测量站的嵌入式程序固件，由嵌入式操作系统调度运行。按照人机交互的需要配置6.4″LCD加触摸屏，并在QT4等开发软件的支持下，设计图形用户界面(GUI)管理程序；按照与微环境数据采集器(传感器网络节点)数据传输的要求，配置短距离无线模块接口、RS-485通信接口、SD卡接口，制定数据传输协议并开发相应的驱动程序等；根据所辖区域地理坐标信息采集和传输的要求，还配置有GPS模块接口以及相应的读写控制程序；按照与PI决策中心数据通信的要求，还配置有GMS/GPRS模块接口，并根据短消息命令集(AT命令集)和约定的数据格式，开发相应的短消息数据传输程序；如果需要连接互联网(INTERNET)，则还需配置TCP/IP协议栈。

如图6所示，所述的网络节点16为微环境数据采集器，包括有：微控制单元1，配置在微控制单元1上的8路温湿度数据采集通道0～7、8路模拟量采集通道M₀～M₇、数字红外测温模块接口TNR和数字脉冲接口WS，以及设置在微控制单元1上的RS-485通信接口2、无线数传模块3和SD卡接口4。

所述的微环境数据采集器，具有微环境信息采集、微环境数据预处理以及数据通信三项基本功能。微环境数据采集器的微控制单元MCU选择具有超低功耗和宽工作温度范围等特性的SoC型智能芯片(ATmega128等)以适应在露地农田环境下运行。按照本发明专利确定的作物微环境信息的种类及信号形式，为微环境数据采集器配置了8路温湿度数据采集通道(SHT75数字温湿度传感器)，用于采集大气温湿度(T_a&RH_a)、地表温湿度(T_sf&RH_sf)、上叶层温湿度(T_L1&RH_L1)、中叶层温湿度(T_L2&RH_L2)和下叶层温湿度(T_L3&RH_L3)；配置了8路模拟量(0-5VDC)采集通道，用于采集大气CO₂浓度、叶层CO₂浓度、土壤温度(T_s)、土壤含水量(W_s)光辐射强度(R)；还配置了针对冠层温度(T_C)的数字红外测温模块接口和针对冠层风速(WS)的数字脉冲接口。由微环境数据采集器所采集的微环境信息，经数据预处理程序(微环境数据采集器的程序固件)处理之后，按照与图7所示的农田水势软测量站之间的通信协议打包发送。微环境数据采集器配置有三种数据传输方式可供选择。其一是RS-485有线传送方式(配置RS-485通信接口及相应的驱动程序)；其二是“点对点”近距离(≤1Km)无线数据传送方式(配置短距离无线数传模块及相应的驱动程序)；其三是大容量SD卡转移方式(配置SD卡接口及相应的读写程序)。微环境数据采集器还还配置有简单的人机界面(键盘+LCD)接口，既可为现场观察采集数据提供便利，也可使其成为一个农田环境参数监测仪器独立运行。

本发明的基于微环境信息的旱地农田水势软测量方法及软测量网络，以温室盆栽植物和大田栽培夏玉米为检测对象，分别建立了基于新型RBF神经网络的作物叶水势软测量模型和基于最小二乘支持向量回归(LeastSquares SVR，LSSVR)的作物叶水势软测量模型。其检验结果分别如图3、图4和图5所示。图3表示基于新型RBF神经网络的作物叶水势软测量模型分别采用三种高斯函数参数(σ1，σ2，σ3)，用于温室盆栽植物的检验结果，只要正确选择高斯函数参数即可获得较高的软测量精度。在选择高斯函数参数σ1的情况下，作物叶水势软测量的最大相对误差和平均相对误差分别为8.68和1.01％；图4表示基于最小二乘支持向量回归(LSSVR)的作物叶水势软测量模型用于温室盆栽植物的检验结果，其最大相对误差和平均相对误差分别为5.49％和1.91％；图5表示基于LSSVR的作物叶水势软测量模型用于露地农田夏玉米的检验结果(采用63个训练样本完成，选62个检验样本检验其估计精度)，其平均相对误差为8.1％。作物叶水势软测量模型用于露地农田作物水势软测量的估计精度有较大下降，其主要原因是大气湍流对微环境信息存在严重干扰，需要采用有效措施加以克服，才能保证大田环境下作物叶水势软测量的精度。

Claims (10)

1.一种基于微环境信息的旱地农田水势软测量方法，其特征在于，包括如下阶段：

1)选择确定农田水势软测量中的辅助变量，这些辅助变量均是可测的作物微环境变量；

2)按照所确定的辅助变量，选择获取相应微环境信息的传感器及其布设位置；

3)对所采集的微环境数据进行数据预处理，生成农田水势软测量模型的输入数据；

4)构建农田水势软测量模型，并采用由试验获得的样本数据对该软测量模型进行训练和检验；

5)将经过数据预处理的微环境数据送入农田水势软测量模型，得到农田水势估计值{ψ_s ^*，ψ_L ^*，ψ_a ^*}，其中，ψ_s ^*土壤水势估计值，ψ_L ^*是作物叶水势估计值，ψ_a ^*是大气水势估计值。

2.根据权利要求1所述的基于微环境信息的旱地农田水势软测量方法，其特征在于，阶段1所述的辅助变量包括如下四组共12种农田水势软测量中的辅助变量：

第一组2种：与大气水势ψ_a紧密关联的大气温度T_a和大气湿度RH_a；

第二组4种：与土壤水势ψ_s紧密关联，反映土壤水分及其它特性的土壤水分W_s和土壤温度T_s，反映土壤蒸发状态的地表温度T_sf和地表湿度RH_sf；

第三组4种：与作物叶水势ψ_L紧密关联，反映叶片蒸腾的叶片温度T_L、叶片湿度RH_L，反映作物水分胁迫的冠层温度T_C以及影响作物蒸腾的冠层风速WS；

第四组2种：与叶水势ψ_L紧密关联，反映作物光合作用的光辐射强度R和叶层与大气CO₂浓度差值ΔCO₂。

3.根据权利要求1所述的基于微环境信息的旱地农田水势软测量方法，其特征在于，所述的按照阶段2所确定的辅助变量，选择获取相应微环境信息的传感器及其布设位置，是针对步骤1所确定的12种辅助变量确定作物微环境信息采集器中的传感器种类及设置位置。

4.根据权利要求1所述的基于微环境信息的旱地农田水势软测量方法，其特征在于，阶段3所述的对所采集的微环境数据进行数据预处理，生成农田水势软测量模型的输入数据，是采用基于MMD的异常值侦测算法、滑动均值滤波和最小二乘平滑滤波叠加的随机噪声滤除方法、基于邻域均值算法的时间数据融合方法和基于加权平均算法的叶层温湿度空间融合方法进行的。

5.根据权利要求1所述的基于微环境信息的旱地农田水势软测量方法，其特征在于，阶段4所述的农田水势软测量模型包括有：大气水势、土壤水势和作物叶水势三个软测量模块，并嵌入在农田水势软测量站中运行。

6.根据权利要求3所述的基于微环境信息的旱地农田水势软测量方法，其特征在于，所述的传感器设置位置如下：

1)土壤温度T_s：埋设在作物根部土壤之中；

2)土壤水分W_s：埋设在靠近作物根部的土壤之中；

3)地表温湿度T_sf和RH_sf：布设在作物根部，距地面≤5mm处；

4)叶片温湿度T_L和RH_L：根据作物植株高度，布设若干温湿度传感器；

5)叶层CO₂浓度：布设在中部叶层；

6)冠层温度T_C：布设在作物顶部，感温头从上方垂直向下对准作物冠层；

7)冠层风速WS：布设在作物顶部；

8)光辐射强度R：设置在作物顶部，感光部件垂直面向天空；

9)大气温湿度T_a和RH_a：布设在作物顶部；

10)大气CO₂浓度：布设在作物顶部。

7.根据权利要求4所述的基于微环境信息的旱地农田水势软测量方法，其特征在于，所述的叶层温湿度空间融合方法，包括如下步骤：

1)首先采用基于聚类分析的异常数据侦测算法(MMD算法)对所采集的微环境数据中的异常值进行侦测并加以剔除；

2)顺序采用滑动均值滤波和最小二乘平滑滤波两种方法进行随机噪声滤除；再采用邻域均值算法，对所采集的微环境数据进行时间融合处理；

3)采用加权平均算法，对多个叶层的温度T_Li和多个叶层的湿度RH_Li(i＝1，2，3，……n)，进行空间融合处理；

4)依据各叶层温湿度信息受干扰的程度，权值排列顺序为：中间层＞下层＞上层。

8.一种用于权利要求1所述的基于微环境信息的旱地农田水势软测量方法中所用的农田水势软测量网络，其特征在于，包括有多个子网络(13)和精准灌溉决策中心(14)，精准灌溉决策中心(14)通过GSM/GPRS分别与多个子网络(13)进行数据通信，所述的子网络(13)是由一个农田水势软测量站(15)和多个网络节点(16)组成的。

9.根据权利要求8所述的基于微环境信息的旱地农田水势软测量方法中所用的农田水势软测量网络，其特征在于，所述的农田水势软测量站(15)包括有微处理器(5)，分别与微处理器(5)相连的无线传输模块(6)、RS-485总线驱动器(7)、GSM/GPRS模块(8)、GPS模块(9)以及LCD加触摸屏(10)，所述的微处理器(5)还连接灌溉设施(12)。

10.根据权利要求8所述的基于微环境信息的旱地农田水势软测量方法中所用的农田水势软测量网络，其特征在于，所述的网络节点(16)为微环境数据采集器，包括有：微控制单元(1)，配置在微控制单元(1)上的8路温湿度数据采集通道(0～7)、8路模拟量采集通道(M₀～M₇)、数字红外测温模块接口(TNR)和数字脉冲接口(WS)，以及设置在微控制单元(1)上的RS-485通信接口(2)、无线数传模块(3)和SD卡接口(4)。

Images