CN105050385A

CN105050385A - 用于自动化微分灌溉的方法和系统

Info

Publication number: CN105050385A
Application number: CN201380069584.1A
Authority: CN
Inventors: 卡罗琳贝蒂·赫德利; 贾卡斯钱德拉·埃卡纳亚克; 皮埃尔·路迪尔; 伊扎克·特威奇
Original assignee: Landcare Research New Zealand Ltd
Current assignee: Landcare Research New Zealand Ltd
Priority date: 2012-11-06
Filing date: 2013-11-06
Publication date: 2015-11-11
Also published as: IL238628A0; CA2890328A1; HK1214919A1; EP2916647A1; EP2916647A4; WO2014073985A1; AU2013341873A1; SG11201503523SA; US20150272017A1

Abstract

本发明公开了一种至少部分地基于对农田的空间土壤性质的分析和对来自置于农田不同部分中的土壤传感器的数据的外推来优化灌溉借此向农田的不同部分灌溉不同量的自动化方法。

Description

用于自动化微分灌溉的方法和系统

【技术领域】

本发明涉及农业灌溉的领域。

【背景技术】

已知有多种用于自动化农业灌溉的系统。

【发明内容】

在多个优选实施例中，本发明提供了一种至少部分地基于对农田空间土壤性质的分析和对来自置于农田不同部分中的土壤传感器的数据的外推通过向农田的不同部分供应不同水量来减少灌溉农田所需水量的方法。

根据本发明的优选实施例，提供了一种计算机化微分灌溉系统，其包括：

计算机化地形整合地下水保持(TIGER)图生成器，其接收至少以下输入：

地形输入，其描述了待灌溉面积的地形特征；以及

电磁输入，其描述了所述待灌溉面积的导电特征，以及

其中，所述计算机化地形整合地下水保持(TIGER)图生成器包括：

计算机化地形特征处理功能，其提供与所述待灌溉面积的坡度、坡向和集水面积特征中的至少一个有关的信息；以及

计算机化地形特征利用功能，其采用所述待灌溉面积的坡度、坡向和集水面积特征中的至少一个来自动确定在所述待灌溉面积内的多个不同区域处的持水度；以及计算机化计算功能，其采用所述地形整合地下水保持(TIGER)图，结合位于所述待灌溉面积内的所述多个不同区域处的湿度传感器的至少当前输出，来生成当前灌溉计划；以及

计算机化灌溉控制子系统，其自动利用所述当前灌溉图，以基于当前灌溉指令控制在所述待灌溉面积内的灌溉并且向所述待灌溉面积内的所述不同区域提供不同的水量。

本发明还提供了一种计算机化灌溉规划系统，其包括：计算机化地貌整合地下水保持(TIGER)图生成器，其接收至少以下输入：

地形输入，其描述了待灌溉面积的地形特征；以及

电磁输入，其描述了所述待灌溉面积的导电特征，以及

计算机化地形特征利用功能，其采用所述待灌溉面积的坡度、坡向和集水面积特征中的至少一个来自动确定在所述待灌溉面积内的多个不同区域处的持水度；以及计算机化计算功能，其采用所述地形整合地下水保持(TIGER)图，结合位于所述待灌溉面积内的所述多个不同区域处的湿度传感器的至少当前输出，来生成当前灌溉计划。

本发明还提供了一种自动化地形整合地下水保持(TIGER)图生成系统，其包括：

数据输入界面，其接收至少以下输入：

地形输入，其描述了待灌溉面积的地形特征；以及

电磁输入，其描述了所述待灌溉面积的导电特征，

计算机化地形特征处理功能，其自动从所述输入推导与所述待灌溉面积的坡度、坡向和集水面积特征中的至少一个有关的信息；以及

计算机化地形特征利用功能，其采用所述待灌溉面积的坡度、坡向和集水面积特征中的至少一个来自动确定在所述待灌溉面积内的多个不同区域处的持水度。

本发明还提供了一种自动化土壤类型分类系统，其包括：

输入界面，其接收：

离线现有实验室生成的土壤干燥曲线，其指示多种不同类型的土壤的至少以下参数：田间持水量、凋萎点和补灌点；以及

计划灌溉农田的经验田间干燥曲线；以及

计算机操作的自动相关器，其采用所述离线现有实验室生成的土壤干燥曲线和所述计划灌溉农田的经验田间干燥曲线为所述计划灌溉农田提供土壤类型图。

本发明还提供了一种计算机化微分灌溉系统，其包括：

地形输入，其描述了待灌溉面积的地形特征；以及

电磁输入，其描述了所述待灌溉面积的导电特征，以及

计算机化自动土壤类型分析功能，其排除对所述待灌溉面积中的土壤进行实验室试验的需要。

本发明还提供了一种计算机化灌溉效率度量生成系统，其包括：

地形输入，其描述了待灌溉面积的地形特征；以及

电磁输入，其描述了所述待灌溉面积的导电特征，以及

计算机化地形特征利用功能，其采用所述待灌溉面积的坡度、坡向和集水面积特征中的至少一个来自动确定在所述待灌溉面积内的多个不同区域处的持水度；以及

计算功能，其采用所述地形整合地下水保持(TIGER)图，结合位于所述待灌溉面积内的所述多个不同区域处的湿度传感器的至少当前输出，来生成当前灌溉计划；以及

灌溉效率分析器，其用于：

基于所述当前灌溉计划确定灌溉所述面积所需的水量；

确定如果不采用微分灌溉那么灌溉所述面积所需的水量；以及

计算表示采用所述当前灌溉计划产生的节水度的灌溉效率度量。

本发明还提供了使用在本公开主体内的任何一个所描述和/或要求的系统的方法。

公认的是，术语“包括”在不同的审查权限范围下可以归结为排他的或包括的意思。针对本说明书的目的，并且除非另有说明，否则这些术语旨在具有包括的含义，即，这些术语将用于表示，不仅包括使用直接引用所列出的部件，而且还包括其他未指定的部件或元件。

本申请与2012年11月6日提交的标题为“PrecisionIrrigationScheduling”的新西兰临时专利申请NZ603449有关并且要求其优先权，其全部内容以引用的方式并入本文。

【附图说明】

本发明将通过以下结合附图对本发明的详细描述而得以更加充分地理解和认同，在图中：

图1为简化示意图，提供了根据本发明实施例构成且工作的微分灌溉系统的纵览。

图2是简化示意图，图示了根据本发明优选实施例的地形整合地下水保持(TIGER)分区图的创建。

图3是简化示意图，图示了自动化土壤类型确定过程的操作。

图4是简化示意图，图示了灌溉逻辑过程的操作。

图5是简化示意图，图示了控制滴灌系统的本发明的实施例。

图6是简化示意图，图示了根据本发明优选实施例的确定灌溉水利用度量(IWUM)，这对优化供水商定价和分配时有用。

图7是图1的地形整合地下水保持(TIGER)分区图115的示例。要了解，该图包括三个灌溉管理分区。参照图2，这些分区对应于上面提供的土壤物理性质和土壤水分数据；

图8是土壤干燥曲线表的图像，图示了图2的自动化土壤类型确定过程270的结果。要了解，这些曲线表描绘了土壤干燥曲线的汇集；每条线与特定样本(右板)相关。这些样本成功倾斜并且分组为不同的土壤类别。

图9是根据本发明优选实施例构成且操作的移动计算App的屏幕的图像。软件的屏幕图像演示了灌溉规划过程的全自动化。要了解，如果没有图1的微分灌溉器100提供的全自动化，那么该App和屏幕都不可能。举例说明，许多因素，诸如，气候、相关植被、相关事件和相关土壤，都需要向用户显示。用户也需要查看农田105的更大更详细的图，以便考虑如何进行灌溉。相反，示出的App向用户提供了简便的自动化使用，这与“电视遥控器”的自动化使用相似，而不是复杂软件的自动化使用。要了解，如果没有本发明提供的微分灌溉的自动化，那么不可能实现该简便性。

【具体实施方式】

现在参照图1，图1是提供了本发明的纵览的简化示意图。

针对大型农田进行灌溉规划，是决定针对大型农田的哪个部分供应多少水的过程，在本领域中是一个公知的复杂过程，并且是尚未成功实现自动化的过程。该灌溉若需的硬件是现成的，以及一个示例称为定点变量灌溉(SS-VRI或VRI)。但是，使该变量灌溉的值最大化的自动化过程或微分灌溉目前尚不存在。有关影响灌溉需求的多种因素，已经有了很多研究和认识。但是，针对特定农田、农作物和气候分析这些多种因素并且将它们自动转换为有效的自动化灌溉计划的过程直到目前仍然是一个已经拒绝自动化并且需要定点、手动、持续专家分析的过程。

Evans等人的最新报告“综述:Adoptionofsite-specificvariableratesprinklerirrigationsystems”(灌溉科学杂志(Irrig.Sci)2013)指出(除了其他之外)：“算法、传感器规范以及SS-VRI的放置标准和决策支持系统的研发仍然处于萌芽阶段。用于实施SS-VRI系统方案的通用型、宽泛型、直观型和易于调节型软件(决策支持)对于众多农作物、气候条件、地形和土壤质地都不可用。优化多目标、多变量(灌溉)方案以动态改变管理分区的复杂性对于科研人员、产业和种植者等都将是一种实质性挑战。”

事实上，目前，规划微分灌溉的当前过程与自动化相去甚远并且非常依赖熟练的手工专门知识，导致上述报告认为(除了其他之外)：“现在需要对种植者、顾问、经销商、技术人员和其他人员就如何定义管理分区(面积)、编写方案和开发季节性农作物灌溉管理指南进行专门的持续的硬件、软件和先进农事原理训练。因为训练个人开发管理区、编写恰当的农作物专用方案、以及利用决策制定过程进行辅助的标准尚未定义，所以已经延缓了这一进程。”

当前的灌溉逻辑方法试图通过使用传感器进行测量或使用模型进行预测来衡量许多影响灌溉的复杂因素。这些复杂因素包括农作物因素(农作物类型和阶段)、气候因素(温度、湿度、风等)、以及土壤因素(土壤类型、土壤持水量和土壤水分)。该信息如此复杂，导致其不能自动“转化”为灌溉计划。相反，然后将“原始”信息提供给咨询该问题的农夫，然后手动地决定如何灌溉。

对于大型农田，该挑战更大。可以通过较简单的土壤水分传感器“闭环”系统充分解决小型家庭花园或菜棚的灌溉逻辑需要。这类系统简单使用土壤水分传感器并且进行灌溉以补足所需土壤水分阈值。但是，将这类系统扩展到大型农田则每个灌溉器需要数十个土壤传感器，通常一个农场需要上百个土壤传感器，成本高昂并且会干扰田间栽培(诸如，翻耕)。

发明人已经认识到，如果存在绘制有农田的“保水”性质(例如，粘土保持的水比沙土多)的准确图，那么会非常有用。如果存在这样的图，那么可以将农田分为有效灌溉分区，并且监测这些分区中的每一个中的土壤水分，从而得知有望找到该分区内任何地方的相同土壤水分。那么因此，可以指导灌溉。

可接受的尝试创建这类灌溉管理分区的方式依赖于导电率(EC)映射，也称为电磁(EM)映射，是一种测量土壤的传导性并由此给出其含水量的指示的过程，这在下文将进一步描述。

发明人早前试图基于EC映射开发农田的这种可靠的“保水”图，以便指导灌溉，但是他们已经失败了。在其研究(Hedley，AGWAT2009)中，通过使用针对导电率映射和数据分析的可接受方法，他们直接基于农田的导电率映射创建并且实验了灌溉分区的有效性。然后，他们在研究的32公顷农田中按照50米的间隔将50个土壤水分传感器安装成一个网格，以期证明在三个基于EC的土壤分区中的每一个内的土壤水分读数存在很小的变化。这可指示分区是有效的并且意味着，可以在一个分区中使用单个传感器并且可以期望该传感器的测量结果反映出整个分区的土壤水分。

遗憾的是，结果事实上指示在基于EC的分区中的每一个内的传感器读数存在明显的变化，而在分区之间的差异很小甚至没有差异(在两个基于EC的灌溉分区中的平均偏差和标准偏差(SD)相同，并且与第三分区之间的差异小于1个SD，在所有三个分区中的变化系数(％)(％CV)在9％到14％范围内)。在相同传感器随着时间的多个读数之间存在很小的变化这一事实进一步验证了该观察结果，从而指示传感器本身是可靠的。

本发明提出了一种产生新颖且可靠的持水潜力图(此处称为地形整合地下水保持(TIGER)图)并且将其分为准确反映持水性质的有效灌溉管理分区的不同方法。该方法基于一种新颖的计算机化的分析和整合方法，该方法分析地形属性并且将这些属性与EC映射数据的分析整合在一起。本发明的地形整合地下水保持(TIGER)分区图首次实现了微分灌溉规划过程的自动化，如图1所示。

根据本发明的优选实施例，微分灌溉器100优选地体现为在通用计算机上或在结合有基于互联网的计算服务器的移动计算和/或通信装置上运行的自动化灌溉决策支持软件，用于通过对农田105的不同部分进行微分灌溉来实现农田105的高效灌溉。农田的土壤组成和地形不均匀的情况时有发生，因此，农田的不同部分常常需要不同的灌溉量。

根据本发明的优选实施例，微分灌溉器100优选地首先至少部分地基于农田105的导电率映射数据(表示为EC数据112)和地形数字高程映射数据(表示为DEM数据114)对农田105执行一次初步评估110。EC数据优选地获得自EM映射。EM映射通过使用电磁传感器来测量土壤的表观导电率，这些电磁传感器通常通过适配有RTKGPS的沙滩车在农田的表层土壤上拖行。EM传感器使用诱发磁场的发射线圈，该磁场根据土壤的深度而发生强度变化。接收线圈读取在土壤中的一次和二次感应电流。正是这些一次和二次电流之间的关系测量出土壤导电率。可以通过使用市售EM映射硬件(诸如，Geomatrix的EM31和EM38)来执行EM映射，通过使用公开可用的软件将数据处理为EC图。该数据也可以从提供农田EM感测服务的服务提供商处获得，并且将获得的数据处理为EC图。最新的报告总结了当前的实践，并且图示了适合的设备的示例和服务提供商(2006年发表在澳大利亚GRDCPrecisionAgricultureManual杂志的“StandardsforElectromagneticInductionmappinginthegrainsindustry”)。

因为通常通过使用将DEM数据115记入日志的RTKGPSK来执行EM勘探，通常收集DEM数据作为EM勘探的一部分，所以DEM数据114也可以从EM映射输出获得。重要的是要注意，DEM数据114与EC数据无关，并且在现有技术中通常丢弃。作为替代实施方案，DEM数据114可以从其他DEM数据114源获得，包括：DEM数据114的数据库、记录DEM数据114的器械、以及DEM数据114映射的服务。下文将参照图2对EC数据112和DEM数据114以及获得这些数据的模式进行进一步描述。

初步评估110生成地形整合地下水保持(TIGER)分区图115，该地形整合地下水保持(TIGER)分区图115优选地为农田105中的每个位置提供相对于该农田中的所有其他位置的土壤湿度潜力分数，该土壤湿度潜力分数反映了在农田105中的该位置的相对“持水潜力”。该土壤湿度潜力分数是基于EC数据112和DEM数据114的分析，并且反映了农田105的土壤物理性质(反映在EC数据112中)和地形属性(基于对DEM数据114的分析计算得到)的计算结果。

地形整合地下水保持(TIGER)分区图115还优选地根据灌溉分区的土壤湿度潜力分数将农田105分为多个灌溉分区。在本发明的优选实施例中，多个灌溉分区通常是三个灌溉分区：分区-1120、分区-2125和分区-3130。这些灌溉分区中的每一个预选地具有土壤物理性质和地形属性，这些性质和属性指示该分区会不同地持水，因此需要与其他灌溉分区中的每一个不同的灌溉量和灌溉定时。

地形整合地下水保持(TIGER)分区图115还优选地用于定义一个或多个合适位置，用于将一个或多个土壤传感器放置在分区-1120、分区-2125和分区-3130中的每一个中。在本发明的优选实施例中，传感器-1140是位于分区-1120内的传感器节点，传感器-2145是位于分区-2125内的传感器节点，以及传感器-3150是位于分区-3130内的传感器节点。

在本发明的优选实施例中，通过地形整合地下水保持(TIGER)分区图115为传感器-1140确定的位置至少部分地基于传感器-1140的测量结果，微分灌溉器100可以有效地预测整个分区-1120的灌溉情况。对于传感器-2145和传感器-3150及其对应的分区-2125和分区-3130也如此。传感器-1140、传感器-2145和传感器-3150中的每一个是优选地包括一个或多个传感器的传感器节点。在本发明的优选实施例中，每个传感器节点可以包括两个土壤水分传感器，这两个土壤水分传感器根据农作物类型安装在两个不同的土壤深度处。在本发明的优选实施例中，每个节点还包括温度传感器。下文将参照图2对初步评估110和地形整合地下水保持(TIGER)分区图115进行进一步描述。

传感器-1140、传感器-2145和传感器-3150优选地连接、优选地无线连接、优选地经由网关155连接至微分灌溉器100。在本发明的优选实施例中，也可以利用其它传感器，包括但不限于用于检测降雨、气候条件和植被参数的传感器，并且这些传感器相似地连接至微分灌溉器100。虽然本发明的操作不需要这些传感器，但是他们对于改进本发明的性能却是有用的。

一旦上述安装完成，微分灌溉器100优选地通过以下重复过程对农田105实现有效灌溉。

表示为“感测165”的步骤从传感器-1140、传感器-2145和传感器-3150中的每一个接收测量结果。这些测量结果优选地分别表示分区-1120、分区-2125和分区-3130的土壤水分和灌溉情况。

接下来，表示为“评估170”的步骤对从传感器-1140、传感器-2145和传感器-3150中的每一个接收到的测量结构进行评估。至少部分地基于这些测量结果，步骤“评估170”确定适合分区-1120、分区-2125和分区-3130中的每一个的灌溉量，该灌溉量优选地可以彼此不同。下文将参照图4对步骤“评估170”的优选操作进行进一步描述。

最后，表示为“灌溉175”的步骤优选地将日灌溉图180传送至控制灌溉器190的灌溉器控制器185。灌溉器190优选地可以是机械化灌溉装置，诸如，枢轴式灌溉器、平移式灌溉器或其他灌溉器。因此，灌溉器190然后对农田105进行灌溉。下文将参照图4对步骤“灌溉175”的优选操作进行进一步描述。

在本发明的优选实施例中，可以按照预定间隔，诸如，每日，来执行“感测165”、“评估170”和“灌溉175”该迭代过程。在本发明的其他优选实施例中，该迭代过程可以发生在每个灌溉事件之后、或在每个计划的灌溉事件之前、或在系统用户要求时。

现在参照图2，图2是图示了图1的初步评估110的基本原理和操作的简化示意图，是对本发明极为重要的一个过程。

附图标记200表示描绘了地形不平坦的待灌溉农田的示意图像。从其外观判断，该农田非常“普通”。其植被看起来非常均匀。其似乎与具有相似外观的其他农田没有区别。当前的灌溉系统可以对这样的农田进行均匀灌溉，或最好是仅以EC数据112为基础进行灌溉。通过了解到EC数据112并非是影响地面湿度的唯一因素，本发明采取不同的方法，并且将明显影响土壤持水因此影响灌溉的地形属性纳入考虑。利用对这些多种特征的分析产生了实现微分灌溉规划的自动化的地形整合地下水保持(TIGER)分区图115。下文将对这些地形属性以及分析并且将这些地形属性与EC数据整合的方法进行进一步描述。

附图标记205表示描绘了示意图像200的农田的EC图的示意图像，该示意图像示出了基于EC的灌溉管理分区。虽然示意图像200的农田看起来“普通”，但是其是以表示不同土壤分区的EC数据为基础的。

附图标记210表示描绘了图像200的农田的集水面积映射的示意图像。集水面积是指地形上低于周围的面积，该面积的土壤易于更加潮湿。

附图标记215表示描绘了图像200的农田的“坡向映射”的示意图像：坡向映射指示太阳暴晒程度并且利用面朝太阳的面积接收更多太阳照射因此比不面朝太阳的区域干燥得更快这一事实。

附图标记220表示描绘了图像200的农田的“坡度映射”的示意图像并且利用坡度陡峭的区域的持水与坡度缓和的面积不同这一事实。从示意图像205至220了解到，存在多种影响图像200的农田的持水性质的因素。

附图标记225表示描绘了上面提及的四种数据集的叠加的示意图像：EC映射205、集水映射210、坡向映射215和坡度映射220。根据本发明的优选实施例，将至少一种前述映射，优选地，所有前述映射，整合为单个连贯图，即，地形整合地下水保持(TIGER)相干图。

如上面指出的，附图标记205描绘了基于EC数据分为三个灌溉分区的相同农田的导电率(EC)图。EC数据可以从电磁(EM)映射推导得到。通过使用EM传感器(诸如，Geonics公司的EM38Mk2和EM31传感器)获取EM映射，这些传感器优选地组合有RTK-DGPS和数据采集器，该数据采集器安装在全地形车辆上以获取在两次单独勘探中的高分辨率EM38和EM31垂直模式数据集。可以使用Trimble公司的Agl70田间计算机来同时获取高分辨率的位置数据和ECa数据。

这些传感器优选地测量表观导电率(EC)的加权平均值为1.5m深度(EM38)和5.0m深度(EM31)。优选地以15kph的平均速度按照1秒的间隔采集勘探数据点，沿着间隔10m的断面大约每隔4m记录测量结果。优选地，可以将包括维度、经度、超出平均海平面的高度以及ECa(mSnrf1)的过滤数据输入ArcGIS(环境系统研究所(1999))。通过使用球面半偏差模型和普通克里格将这些点克里格在地里统计分析工具(1999)中，以产生ECa预计地面图。优选地，可以(通过使用Jenks自然断点)将三个管理分区定义在该图上，用于进一步土壤取样。EM勘探在很大多数程度上基于非盐条件下的土壤质地和水分来量化土壤变异性。

表示为“计算并且绘制集水面积230”的过程计算集水层210，该集水层210是农田105中的每一点的集水面积值的空间表示。集水面积定义为ln(a/tanβ)，其中，是每单位等高线长通过某一点排出的局部上坡面积，以及tan是局部坡度。当一个位置在地形上相对于周围面积较低时，该位置具有较高的集水面积。因此，处于具有较高集水面积的位置处的土壤易于保持更多的水并且更加“潮湿”。举例说明，水更可能累积在山谷的谷底，而不是累积在山顶。存在多种计算集水的方法。

在本发明的优选实施例中，通过集水面积估计将地表径流和次地表径流参数化。通过使用FREEMAN(1991)的多流向方法来计算集水面积(CA)(定义为产生各个网格单元的上坡面积的汇流面积)以及比集水面积(定义为每单位等高线宽的相应排水面积)。

在另一优选实施例中，结合地形湿度指数(TWI)来使用SAGA湿度指数。SWI与TWI相似，但是其基于修改后的集水面积计算(out.mod.carea)，不会如在常规算法中计算集水面积一样，将流当作薄膜。因此，SWI易于向与水道相隔较小垂直距离的谷底中的网格单元分配一个比TWI更实际的、更高的潜在土壤湿度。然后，优选地使用计算机代码对不同的预测因子进行积分，去除低点，并且校正重叠结果。执行集水面积计算的计算机代码采取在预测灌溉管理分区方面已经发现有效的方式并且附有计算机代码列表。

表示为“计算并且绘制坡向235”的过程计算坡向层215，该坡向层215是农田105中的每一个点的一组“坡向”值的空间表示。坡向表示该土地所面朝的方向。举例说明，面朝太阳的土地会干得更快，因此所需的水比背朝太阳的土地更多。表示为“计算并且绘制坡度240”的过程计算坡向层220，该坡向层220是农田105中的每一个点的坡度值(单位：度)的空间表示。举例说明，坡度更陡的土地所需的水量与更平坦的土地不同。执行坡度和坡向计算的计算机代码采取在预测灌溉管理分区方面已经发现有效的方式并且附有计算机代码列表。

在已经计算了上面提及的四个数据集(即，传导率分数图205、集水分数图210、坡向分数图215和坡度分数图220)之后，下一个步骤是创建地形整合地下水保持(TIGER)图。要了解，这些图中的每一个都不能单独用于指导灌溉。进一步地，要了解，如图像250和225图示的，简单地覆盖这些图也是没有用的。优选地使用以下算法和方法，以便仔细分析这些数据集中的每一个中的各个数据点，将它们进行整合，以生成整合湿度潜力图115。

要了解，上面的数据集205-220中的每一个都是农田105的图，其中，在农田105的该图中的每个位置都与一个值相关联的。举例说明，集水分数图210包括该图中每个点的集水分数。对于EC值图、坡向分数值图和坡度值图也如此。为了整合这些分数，创建一个大的矢量组，这些矢量对应于研究的农田105中的所有位置，例如，已经获得了EC数据112和DEM数据114的所有位置。该矢量组表示为矢量池。每个矢量优选地包括八个属性：位置特性(其在农田105内的位置(优选地，x位置和y位置)，以及与上面提及的四个数据集有关的一组六个测量属性或计算属性：表层EC分数、深层EC分数、集水分数、坡向分数、坡度分数和高程(根据该位置的DEM数据114))。重要的是，高程与土壤湿度无关，但是已经发现其是一个重要的属性，对于创建整合湿度潜力图115有用，如下文将描述的。

随机选择若干矢量。这些矢量中的每一个都用作整合湿度潜力分数分区的核。在本发明的优选实施例中，初始尝试性核的数量优选地为100，从而提供了农田105中的整合湿度潜力分数的详细图。在另一优选实施例中，初始核的数量优选地为一个小得多的数字：所需灌溉分区的数目通常为3或4。在又一优选实施例中，该数目可以是所需灌溉分区的数目的两倍，以便在每个灌溉分区内具有一个供传感器放置的“内分区”，从而将传感器放置在最佳地代表了这些传感器所在灌溉分区的位置中。

对矢量池中的每个矢量距离核中的每一个的距离进行评估，并且将其添加到最近的核中。距离表示整合距离，是将矢量的各个属性与在每一个核中的该属性的距离纳入考虑的距离。在本发明的优选实施例中，优选地，可以将该距离计算成平方误差函数。

当已经由此将池中的所有矢量分配到核时，计算各个核的重心，并且重复将矢量池中的各个矢量评估到核并且将其分配至最近核的过程。利用每次迭代，进一步优化各个核的中心。重复该过程，直到核的中心所在位置不会在迭代之间移动。在本发明的优选实施例中，优选地重复该过程1000次。

在本发明的优选实施例中，描述了在评价在传导率分数图205、集水分数图210、坡向分数图215和坡度分数图220中的各个位置在整合湿度潜力图115上的各个相应位置上的整合效果时执行的计算的函数可以如下描述和计算：

其中，K是分区的数目，N是矢量的数目(即，在农田105中评价的位置)，X是属性，以及i是属性的类型。

要了解，可以使用除了上面列出的属性之外的地形属性来计算整合湿度潜力图115，并且要了解，上面提及的属性仅仅是作为示例提供，不旨在进行限制。进一步要了解，可以使用其他方法来执行整合地形属性和EC数据的方法的上述说明，并且要了解，上面的方法仅仅是作为示例提供，不旨在进行限制。

优选地，可以用合适的格式来表示地形整合地下水保持(TIGER)分区图115以及其中的灌溉分区，包括但不限于多边形和形状文件。这类格式的转换在本领域中是已知的，例如，通过使用“光栅转多边形”和“多边形转形状文件”编程语言(www.r-project.org)。这些格式有利于比较灌溉分区与其他数据，并且与灌溉系统控制器和其他农用系统通信。

根据本发明的优选实施例，如果在相同灌溉器190下的农田105中生长有一种以上的农作物，可以优选地将灌溉分区分为土壤-农作物分区，从而使得每个灌溉分区仅有一种农作物。举例说明，如果在单个土壤-地形灌溉分区“A”内生长有两种农作物(小麦和玉米)，那么可以优选地将该分区“A”分为分区“A-小麦”和分区“A-玉米”。由于这两种农作物的吸水不同因此灌溉余量不同，所以需要单独的传感器对它们进行监测以及单独的灌溉规划逻辑。

最后，针对在地形整合地下水保持(TIGER)分区图115中确定的各个灌溉分区，通过表示为“自动化土壤类型确定过程270”的过程来确定土壤类型，这在下文中将参照图3进行进一步描述。

在农田中对图1的初步评估110和地形整合地下水保持(TIGER)分区图115的准确度进行验证，如下所述。从通过地形整合地下水保持(TIGER)分区图115识别的三种类型中的每一种随机采集三个复制土壤样本(按照三种深度间隔)，从而避免喷洒车和灌溉器轨迹。土壤样本是从三种样本深度(0-200mm、200-400mm、400-600mm)的中间取得的完整土芯(直径为100mm以及高度为80mm)，用于对土壤容重和土壤湿度释放特性(在10kPa下)进行实验室表征；针对在100kPa下的土壤湿度释放取更小分数(直径为50mm以及高度为20mm).也采集一袋松土(土壤深度为0-200mm、200-400mm、400-600mm)进行永久凋萎点(1500kPa)(Burt，2004)和粒度分布的实验室估计。将全部可用的持水量(AWC)估计为在10kPa和1500kPa下的土壤体积含水量(mcv)之差，其中，将10kPa作为田间持水量，以及将1500kPa作为凋萎点。将现有可用的持水量(RAWC)估计为在10kPa和100kPa下的差值。通过有机物去除、粘土分散和湿法筛分大于2mm的土壤粒级，以及然后通过针对小于2mm的土壤粒级采用标准吸管法(Claydon，1989)，来确定这些土壤样本中的沙土、淤泥和粘土的百分比。

表1概述了在通过图1的地形整合地下水保持(TIGER)分区图115识别的三种类型的土壤水力特性之间的一些明显的测量得出的差异。这些测量得出的差异反映了孔径分布差异并且证明了地形整合地下水保持(TIGER)分区图115作为灌溉管理基础的功效。有效含水量(AWC)随着类别号增加反映了在存储植物可用水(尤其是存储在10kPa和100kPa之间的现有可用水(孔径直径为0.03mm至0.003mm))范围内的微孔的比例增加。

表1

在三种管理类别中的土壤的土壤质地和水力特性(±标准偏差)

*RAWC为现有可用的持水量；AWC为可用的持水量

使用的土壤水分传感器也追踪在该研究面积(2)内的土壤类别之间的较大土壤水分差异，反映了它们相反的土壤水分释放特性以及高水位的不同影响，类别3的土壤尤其突出。在2010年春末进行灌溉之前，土壤水分传感器同时监测干燥类别(最低EC值)0.11±0.06m3m-3，与之相比较的是0.1710.26m3m-3(中间EC类别)和0.2710.64m3m-3最湿类别(最高EC值)。干燥类别(图1中的类别1)保持有更好的可用水并且需要比类别3更早灌溉。

对于从2011年2月到2011年3这段时间，水位埋深在任何一个时间都可以变化约70cm(图2)。在3月4日和3月6日之间的降雨事件(66mm)，针对类别1，使水位上升了约50cm，而针对类别3，使水位上升了约70cm(图2)。该差异是因为土壤的存储容量和景观位置不同。类别3的土壤占据了水易于通过地表径流和测流累积的低洼面积，以及水位最接近表层。这些土壤通常更湿，实现饱和所需的降雨更少；以及，一旦饱和，相较于从土壤含水量更干的土壤开始的速率，水位会以更快地速率上升到表层。

在整个灌溉期期间，按照15分钟的间隔，从放置在通过地形整合地下水保持(TIGER)分区图115定义的不同灌溉分区中的九个传感器组成的网络得到的连续土壤水分传感器记录提供了空前的高分辨率时间数据集，确认了地形整合地下水保持(TIGER)分区图115的功效并且为其微调提供了重要的输入。

在本发明的另一优选实施例中，优选地，通过使用随机森林回归数数据挖掘算法(RF,Breiman,2001)，对地下水位进行预测建模可能是有用的。下面将对该方法以及验证该方法有用的实验进行描述。对EM38、EM31的使用、数字高程和降雨数据进行研究，以便将其并入预测模型中。从最近的气象站(相距6千米)获取降雨数据，并且假设降雨在研究面积中在任何一个时间都是恒定的。从数字高程图(见2.3)提取TWI和SWI。通过将数据投影到公共光栅上并且在空间中对协变量建模，来融合数据。开发并且比较两种预测建模方法，即，使用多元线性回归(MLM)的简单方法和使用虽然森林回归数的数据挖掘方法，来解释观察到的水位深度和土壤水分状态的模式(RF，Breiman，2001)。

已经选择了三种预测因子来对土壤含水量和水位深度进行动态建模：EM38、SWI和降雨。由于建模方法假设正态分布，所以已经将EM38和SWI数据进行了对数变换来克服偏斜。已经将三天来的降雨数据进行了整合，以说明降雨事件要充分影响水位深度所需的时间。将这些变量选择作为最佳预测因子，其他属性(包括高程、EM31和TWI)虽然进行了试验但是未改进模型预测结果，所以未将其包括在内，我们的目的是开发最优预测模型。

现在参照图3，图3是图示了自动化土壤类型确定过程270的操作的简化示意图。

如本领域中已知的，不同类型的土壤具有不同的水释放性质。例如，粘土很好地保持水，而沙土则不行。这些土壤水释放性质通常在实验室中进行研究，例如，通过获取完整土芯样本、在实验室条件下降土芯样本烘干、以及记录水从土壤中随着时间的释放，也称为土壤干燥曲线。这样的曲线对于指导灌溉是有用的。尤其重要的是曲线上的三个点，这三个点是通过曲线推导出来的。田间持水量是指在没有径流的情况下土壤所能保持的最大水量。在凋萎点处，植物会凋萎。以及，基于上面这两个计算得到的补灌点表示土壤中的水位，低于该水位，则需要进行灌溉。

补灌点和田间持水量对于控制灌溉都是有用的，这是由于高效灌溉的目标优选地是将土壤水分级别维持在这两者之间的范围内。现有灌溉方案的严重缺陷在于当前只能通过手动的科学实验室过程来获得这些值，因此很昂贵。重要的是，也阻碍了灌溉规划过程的自动化。

自动化土壤类型确定过程270是一个确定农田105中灌溉分区的土壤类型的新颖自动化过程，不需要手动的实验室过程。该过程优选地是通过使用一组已知的田间土壤干燥曲线305和优选地一组已知的实验室土壤干燥曲线305来训练分类器300的自动化过程。一旦接受了训练，分类器300可用于分析未知的田间土壤干燥曲线并且确定其土壤类别性质320或者其定点土壤性质325，如下文将进一步阐释的。

分类器300优选地体现为机器学习计算机软件。在本发明的优选实施例中，分类器300优选地可以是决策树算法。然而，要了解，在现有技术中已知有许多强大的易于实现的机器学习方法、算法和工具，以下描述的实施例仅仅作为示例提供，并且不旨在进行限制。

已知的田间土壤干燥曲线305中的每一个都是通过土壤水分传感器在农田中针对土壤类型进行的一组沿时间轴的土壤水分测量结果。将这些测量结果绘制成土壤干燥曲线。该组已知的田间土壤干燥曲线305包括取自多个位置和土壤类型中的每一个的多个这类土壤干燥曲线。

相似地，已知的实验室土壤干燥曲线305中的每一个都是一组沿时间轴的土壤水分测量结果，不同的是在实验室中进行的，其中，通过称取在烘箱中干燥的土壤样本的重量来准确地测量土壤中的含水量。该组已知的田间土壤干燥曲线305包括取自多个位置和土壤类型中的每一个的多个这类水分测量结果组或土壤干燥曲线组。优选地，至少一部分已知的田间土壤干燥曲线305和至少一部分已知的实验室土壤干燥曲线310取自相同的位置和突然类型。

在本发明的优选实施例中，线性建模过程330将已知的田间土壤干燥曲线305和已知的实验室土壤干燥曲线310与相对应的多个线型图335相适配。对于线型图335中的每一个，执行过程“提取线性参数340”，该过程推导出参数345，优选地，线型图335中的每一个的截距和斜率。参数345是已知的田间土壤干燥曲线305和已知的实验室土壤干燥曲线310中的每一个的方便抽象概念。要了解，可以通过直接使用现有技术中众所周知的多种方法就曲线方面对分类器300进行训练，也可以就除了线性建模过程330之外的抽象概念或模型来训练分类器300，仅作为示例提供。

在本发明的优选实施例中，过程“分为训练集350”将通过已知的田间土壤干燥曲线305推导得到的参数345分为两个数据集：土壤干燥校准集355和土壤干燥验证集360。在本发明的另一优选实施例中，相似地，将通过已知的实验室土壤干燥曲线310推导得到的参数345分为这两个数据集。

“训练分类器365”使用土壤干燥校准集355和土壤干燥验证集360来训练分类器300。对分类器300进行训练，使其识别在土壤干燥校准集355中出现的模式，然后测试其识别在土壤干燥验证集360中的这些模式的成功率。在优选实施例中，土壤干燥校准集355和土壤干燥验证集360优选地根据它们的土壤类型和/或根据其他标准分组，以及，可以对分类器300进行训练，使其识别干燥曲线或其抽象概念，该抽象概念代表了这种土壤类型的该干燥曲线。

现有技术中已知有多种方法来训练机器学习分类器和其他相当的软件算法。这些方法包括但不限于：训练和验证的迭代过程、动态改变并且重叠训练和验证集的过程、以及其他方法。因此，要了解，此处对分类器300的训练的说明是简化的并且仅仅作为示例提供，并不旨在进行限制。

一旦接受了训练，分类器300可用于分析已知的田间土壤干燥曲线315，并且基于该分析，确定该已知的田间土壤干燥曲线315对应的土壤类型370。土壤类别是指一“类”土壤的土壤类型，诸如，“粘土”、“沙土”、“沙质壤土”等。作为示例，要理解，可以将两块不同土地中的土壤归类为“沙质壤土”，虽然在一块土地的“沙质壤土”与另一块土地的“沙质壤土”之间可能存在差异。

在本发明的多个优选实施例中，优选地使用8-12种以下土壤类型的列表，优选地可以使用它们的田间持水量和凋萎点值(v％)：

质地	持水量	凋萎点
			沙土	10	5
壤质沙土	12	5
			沙质壤土	18	8
沙质粘壤土	27	17

壤土	28	14
			沙质粘土	36	25
粉质壤土	31	11
			粉土	30	6
粘壤土	36	22
			粉质粘壤土	38	22
粉质粘土	41	27
			粘土	42	30

在本发明的另一优选实施例中，分类器300确定已知的田间土壤干燥曲线315的定点土壤性质325。如上面提及的，将土壤分组到“类别”(诸如，“粘壤土”等)中是一种普遍做法，然而，事实上，在每个场地中的土壤具有自己特定的持水性质。这些持水性质在此处称为定点土壤性质325。

如在现有技术中已知的，机器学习分类器的准确度、敏感度和特异性取决于训练和验证集的大小和质量并且取决于待分析的未知样本的质量。由于分类器300持续接受训练分类器365的训练，所以分类器300的准确度随时间而增加。其随时间而增加的准确度进一步受到两种因素的推动。首先，已知的田间土壤干燥曲线315随着越来越多的用户使用该系统而不断成长。由于该系统不断将来自所有用户的所有传感器的所有读数流传播至其中央数据库中，所以这累积的从多种土壤类型获得的土壤干燥曲线的数目不断增加。其次，随着时间的流逝，来自特定田地中的特定灌溉分区的读数也累积起来。因此，随着时间的流逝，已知的田间土壤干燥曲线315优选地可以是来自相同位置的多个土壤干燥曲线，而非单个曲线。如在现有技术中众所周知的，提供待识别样本的这类多个“自然变异”作为输入极大地增加了分类器的准确度。

根据本发明的另一优选实施例，可以通过田地用户手动选择一类土壤(表示为“手动选择375”)来获取土壤类型370。可以将微分灌溉器100优选地实施为计算机网络应用或更优选地实施为移动网络应用，其中，明确的指南描述了优选地在8-12种土壤类型之间的差异。优选地，简短的视频或照片指导农夫选择正确的土壤类别的类型。

现在参照图4，图4是图示了图1的评估170和灌溉175的操作的简化示意图。

计算机灌溉过程400优选地接收传感器数据405、土壤性质410和灌溉目标415作为输入。传感器数据405包括从土壤水分传感器和其他传感器(诸如，图1的传感器-1140、传感器-2145和传感器-3150)接收到的读数。土壤性质410包括图3的土壤类别性质320和定点土壤性质325，包括田间持水量和回灌点性质。灌溉目标415优选地包括用户定义指南，指示用户希望进行灌溉的土壤水分级别，优选地相对于该传感器所在分区的土壤的田间持水量和回灌点值。在本发明的优选实施例中，用户可以提供与在回灌点和田间持水量之间的范围相关的百分比数作为其中一个灌溉目标415。灌溉目标415可以包括全局灌溉目标和农作物专用灌溉目标。

“计算灌溉400”将接收到的每个传感器读数、灌溉分区的土壤的土壤性质和用户定义的灌溉目标进行比较，并且因此计算针对该分区的推荐灌溉。

经由App420提供给用户的下一个步骤，优选地经由移动装置或计算机或网络浏览装置上的App，针对图1的农田105的各个分区，优选地呈现一个尝试性灌溉图。

表示为“用户修改并且确认425”的步骤允许用户查看灌溉推荐和简要修改。在本发明的优选实施例中，可以经由移动App，优选地通过使用4次或少于4次点击和/或手势(在多数情况下)，来执行该修改。图9呈现了根据本发明的优选实施例构成且工作的App的多种屏幕布局，图示了全自动化以及使用的简便性和容易性，执行了经由App420呈现给用户的“用户修改并且确认425”步骤。

“格式化并且发送至灌溉器430”图示了图1的“灌溉175”的操作。该过程将在前一步骤中经用户批准的灌溉图格式化为格式化的灌溉计划435，从而适合灌溉器控制器185和灌溉器190进行灌溉。要了解，存在不同类型、品牌和供应商的机械灌溉器，诸如，枢轴式灌溉器和平移式灌溉器。举例说明，“格式化并且发送至灌溉器430”可以将格式化的灌溉图435格式化为“全-VRI”图(即，在这种情况下，在农田中的每一个点都可以接收不同的灌溉量)，或者，针对枢轴速度或部分控制灌溉器(即，在这种情况下，在圆形农田中的不同扇区接收不同的灌溉量)，针对平移式灌溉器的部分或速度控制(即，在这种情况下，在矩形农田中的不同截面接收不同的灌溉量)。在本发明的另一优选实施例中，“格式化并且发送至灌溉器430”可以提供需要灌溉的量，该灌溉量均匀地应用到农田上，从而，基于对农田的各个部分的灌溉需要的评估，优选地基于一种或多种用户偏好，来对灌溉进行优化。该步骤也将灌溉图格式化为适合灌溉器190或灌溉器控制器185的特定销售商的技术格式。

现在参照图5，图5是图示了指导滴灌系统的本发明的实施例的简化示意图。

在根据本发明的另一优选实施例中，图1的微分灌溉器100可以通过使用滴灌系统自动控制农田105的微分灌溉。

在该实施例中，地形整合地下水保持(TIGER)分区图115也优选地定义布置滴灌管的模式，从而，将单独的滴灌管放置在各个灌溉分区(分区-1120、分区-2125和分区-3130)中。这种布置滴灌管的模式允许农夫执行“布置滴灌管118”，因此：将表示为“分区-1-管131”的管布置在分区-1120中，将表示为“分区-2-管132”的管布置在分区-2125中，以及将表示为管“分区-3-管133”的管布置在分区-3130中。

这三根管中的每一个都优选地连接至相应的龙头：分区-1-管131连接至龙头-1134，分区-2-管132连接至龙头-2135，分区-3-管133连接至龙头-3136。

在本发明的优选实施例中，龙头-1134、龙头-2135和龙头-3136是远程操作的龙头，优选地由灌溉器控制器185控制。

与上面参照图1所描述的过程相似，微分灌溉器100按照自动化迭代的方式运行：“感测165”接收来自传感器-1140，传感器-2145和传感器-3150中的每一个的测量结果。“评估170”评估这些测量结果并且确定适合分区-1120、分区-2125和分区-3130的灌溉量，这些灌溉量优选地可以彼此不同。最后，“灌溉175”优选地将图1的日灌溉图180传送至灌溉器控制器185，该灌溉器控制器185又控制龙头-1134、龙头-2135和龙头-3136，从而将合适的灌溉量输送至分区-1120、分区-2125和分区-3130中的每一个。

如上面参照图1所提及的，在本发明的优选实施例中，可以按照预定间隔，诸如，每日，来执行“感测165”、“评估170”和“灌溉175”该迭代过程。在本发明的其他优选实施例中，该迭代过程可以发生在每个灌溉事件之后、或在每个计划的灌溉事件之前、或在系统用户要求时。

现在参照图6，图6图示了根据本发明的优选实施例的确定灌溉水利用度量(IWUM)，这对优化供水商定价和分配时有用。

由于农田的不同部分常常具有不同的灌溉需要，所以作为当前规范的均匀灌溉常常带来浪费。由此带来的破坏是水浪费、由于过度灌溉导致减产、以及通过化学浸出和废水溢流对地下储水遭到破坏。由于农业用水常常接受了大量补贴或折扣，所以水主和政府将承担由此导致的大部分后果。由于破坏到各州的自然资源，政府和州机构进一步受到该问题的影响。

对于水主、政府和州机构而言，具有允许对使用哪种水进行灌溉的效率进行监测的工具是有利的。重要的一个方面是监测并且给微分灌溉效率评级的工具，即，针对农田的不同部分的不同需要，优化农田的灌溉程度。目前，不存在这样的工具。本发明提供了一种这样的工具，下面将对其进行描述。

本发明提供了一种灌溉水利用度量(IWUM)600，其使水主605能够影响水主605提供给多个农场620中的每一个的水615的定价和分配610。

多个农场620中的每一个都可以包括从地形整合地下水保持(TIGER)分区图(表示为图1的地形整合地下水保持(TIGER)分区图115)推导出来的多个地形整合地下水保持分区(表示为TIGER分区625)。

图1的微分灌溉器100用于分析并且确定TIGER分区625中的每一个的灌溉量、在任何时间的灌溉需要，如果有合适的传感器安装在这些分区中的每一个中。

根据本发明的优选实施例，一个或多个传感器630优选地安装在TIGER分区625中的每一个中。该传感器优选地是土壤水分传感器节点，与图1的传感器-1140、传感器-2145和传感器-3150相似，并且优选地包括安装在两个土壤深度处的两个土壤水分传感器。

通过使用上面参照图1至图4所描述的机构，“计算响应的微分灌溉量635”可以基于来自多个传感器分区625中的每一个中的一个或多个传感器630的输入为任何一个农场620计算响应的灌溉量640。通过将响应的灌溉量640(即，如果该农场本该进行微分且有效地灌溉，那么计算本应该灌溉的水量)与实际灌溉量645(即，该农场实际使用的水量)进行比较，来计算灌溉水利用度量(IWUM)600。举例说明，灌溉水利用度量(IWUM)600可以是响应的灌溉量640与实际灌溉量645之比。

然后，灌溉水利用度量(IWUM)600可由水主605用于影响提供给该一个农场620的水615的分配和定价610。要了解，灌溉水利用度量(IWUM)600可由水主605和其他相关方以多种方式并且结合多种其他要素用于控制水的使用、鼓励节水以及用于其他目的，并且要了解，上面的说明仅仅旨在举例说明，不旨在进行限制。

计算机程序列表

在本发明的优选实施例中使用的计算机代码的以下部分对于理解本发明可以是有用的。要了解，以下计算机代码部分仅仅作为示例提供，不旨在进行限制。

分析地形属性

Library(RSAGA)

#对EM和DEM图进行高斯滤波

#SAGA湿度指数

rsaga.wetness.index(in.dem＝″data/dem_filtered.sgrd″，out.wetness.index＝″data/swi.sgrd″，show.output.on.console＝FALSE)

#坡度

rsaga.slope(in.dem＝″data/dem_filtered.sgrd″，out.slope＝″data/slope.sgrd″，show.output.on.console＝FALSE)

#坡向

rsaga.aspect(in.dem＝″data/dem_filtered.sgrd″，out.aspect＝″data/aspect.sgrd″，show.output.on.console＝FALSE)

整合

#负载库

Library(raster)

#至光栅文件的路径

dem<-raster(″data/dem_filtered.sdat″)

em38<-raster(″data/em38_filtered.sdat″)

swi<-raster(″data/swi.sdat″)

slope<-raster(″data/slope.sdat″)

aspect<-raster(″data/aspect.sdat″)

#堆叠光栅

st<-stack(dem，em38，swi，slope，aspect)

#将层名称分类

names(st)<-c(″dem″，″em38″，″swi″，″slope″，″aspect″)

#确定标记正确

msk<-rasterize(bnd，dem)

##找到一个分区和一个面

st<-mask(st，mask＝msk)

plot(st)

#将RasterStack转换为data.frame

spdf<-as(st，″SpatialPixelsDataFrame″)

##针对属性进行分类

#在这种情况下将坡度和坡向排除

attributes<-c(″dem″，″em38″，″swi″)

n.clust<-3

#此处，使用k均值

clust.res<-kmeans(x＝subset(spdfdata，select＝attributes)，centers＝n.clust，iter.max＝1000)

#通过使用简单的印字设置簇的名称

spdf$cluster<-clust.res$cluster

spdf$mgt<-factor(spdf$cluster)

levels(spdf$mgt)<-LETTERS[1：n.clust]

#转换回RasterStack

st<-stack(spdf)

plot(raster(st，″mgt″)，col＝topo.colors(3))

#写入Geotiff

writeRaster(raster(st，″mgt″)，″mgt_zones.GIF″，overwrite＝TRUE)

##类别：RasterLayer

##尺寸：339，251，85089(nrow，ncol，ncell)

##分辨率：5，5(x，y)

##程度：1502175，1503430，5127390，5129085(xmin，xmax，ymin，ymax)

##coord，ref.：NA

##数据源：/home/pierre/Dropbox/tmp/varigate/river-block/mgt_zones.GIF

##名称：mgt_zones

##值：1，3(min，max)

#将光栅数据转换为多边形

mgt<-rasterToPolygons(raster(st，″mgt″)，dissolve＝TRUE)

spplot(mgt)

#保存管理分区多边形

writeOGR(mgt，dsn＝″mgt_zones.shp″，layer＝″mgt_zones″，driver＝″ESRIShapefile″，overwrite_layer＝TRUE)

图

#读取WSN数据

wsn<-read.table(file＝″data/wsn_bh.csv″，header＝TRUE，as.is＝TRUE，sep＝″，″)

#获取分区ID

zone_ids<-unique(wsn$zone)

#将ID复制为空间数据

mgt$zone<-zone_ids

#由于此时现有的字段无用，所以移除这些字段

mgt$value<-NULL

#数据操作

library(stringr)

library(reshape2)

library(lubridate)

wsn_df<-melt(wsn，c(″zone″，″variable″，″units″，″depthcm″))

head(wsn_df)

#由于存在两列具有相同的名称，所以改变第二个

#移到“日期”

names(wsn_df)[5]<-″date″

#移除日期前的“X”

wsn_df$date<-str_replace(wsn_df$date，″X″，″″)

#将字符串转换为时间对象

wsn_df$date<-dmy(wsn_df$date，tz＝″NZ″)

#动态变量为‘mcv’和‘smd’，余下的变量对于每个都是固定的

#从土壤物理实验室获取的分区

idx<-which(wsn_df$variable％in％c(″fc″，″rp″，″wp″))

soil_physics<-wsn_df[idx，]

wsn_realtime<-wsn_df[-idx，]

#可以绘制实时WSN数据

library(ggplot2)

#制图

p_wsn<-ggplot(wsn_realtime)+geom_line(aes(x＝date，y＝value，colour＝zone))+facet_grid(depthcm～variable)

print(p_wsn)

灌溉逻辑

首先加载库，需要：

library(raster)

library(rgdal)

library(plyr)

library(lubridate)

library(ggplot2)

library(RColorBrewer)

library(gridExtra)

土壤特性说明

可从独立的查询表读取各种土壤类型的特性，

soil_lut.csv：

#读取土壤查询表：

soil_lut<-read.csv(″data/soil_lut.csv″，stringsAsFactors＝FALSE)

print(soil_lut)

该查询表将为我们给出12中土壤类别的水力性质。举例说明，具有以下分类：

这可以从在该季开始时生成的专用文件data/soil_setup.csv读取。

#读取围场专用文件

soil_setup<-read.csv(″data/soil_setup.csv″，stringsAsFactors＝FALSE)

#添加土壤特性

soil_setup<-join(soil_setup，soil_lut，by＝″soil″)

对于每种土壤，存在最大土壤水分亏缺度。最大土壤水分亏缺度是由可用的持水量决定的。最大土壤水分亏缺度可以定义为田间持水量与永久凋萎点之差。可以添加该信息：

idx_top<-which(soil_setup$depth＝＝20)

idx_bottom<-which(soil_setup$depth＝＝60)

#更新传感器值

print(soil_setup)

然后，读取早前产生的管理分区多边形：

#读取管理分区文件

mgt<-readOGR(dsn＝″data/mgt_zones.shp″，layer＝″mgt_zones″)

##具有驱动程序的OGR数据源：ESRIShapefile

##源：″data/mgt_zones.shp″，层：″mgt_zones″

##具有三种特征和一个农田

##特征类型：具有两种尺寸的wkbMultiPolygon

#分区ID重新定级为使用特性

mgt$zone<-factor(mgt$zone，levels＝1：3，labels＝c(″wet″，″intermediate″，″dry″))

summary(mgt)

##类别SpatialPolygonsDataFrame的对象

##坐标：

##最小最大

##x17937391795019

##y55525045553359

##是否投影：是

##proj4string：

##[+proj＝tmerc+lat_0＝0+lon_0＝173+k＝0.9996+x_0＝1600000

##+y_0＝10000000+ellps＝GRS80+units＝m+no_defs]

##数据属性

##湿中等干燥

##111

土壤水分数据

将WSN数据假设为一个具有四列的表：

时间戳

分区

深度

mcv

2011-09-2909：19：24.000

1

20

41.605

2011-09-2909：19：24.000

1

60

53.212

2011-09-2909：23：39.000

2

20

12.913

2011-09-2909：23：39.000

2

60

32.795

…

在该示例中，从文件wsn_bh.csv读取该WSN数据。正使用lubridate库将日期和/或时间信息显式地存储为POSIXct对象。当然，此处使用的是NZ时区。

#读取WSN数据

wsn<-read.csv(″data/wsn_bh.csv″，stringsAsFactors＝FALSE)

#将分区ID重新定级为合适的特性

wsn$zone<-factor(wsn$zone，levels＝1：3，labels＝c(″dry″，″intermediate″，″wet″))

#将时间戳从字符变为时间对象

wsn$timestamp<-dmy(wsn$timestamp，tz＝″NZ″)

#添加分区田间持水量信息

wsn<-join(wsn，soil_setup，by＝c(″zone″，″depth″))

#此处为数据看起来的样子

head(wsn)

处理

为了方便处理，写入两个处理函数。第一个函数做两件事。首先，针对给定时间戳从WSN数据提取原始数据，然后，通过使用在任何一个分区中的土壤水力特性将该原始数据变为“实际的”土壤水分状态。

#将土壤水状态与分区相关联

get_soil_moisture_status<-function(timestamp，zones){

#获取针对当前时间戳的WSN数据

cur_wsn_df<-wsn[which(wsn$timestamp％within％new_interval(timestamp，timestamp))，]

#将土壤信息结合到分区

zonesdata<-join(zonesdata，cur_wsn_df，by＝″zone″)

#使用土壤数据更新MCV值

zones$mcv_mm<-zones$fc_depth<-zones$smd<-NA

#将顶部的传感器排第一

idx_top<-which(zones$depth＝＝20)

idx_bottom<-which(zones$depth＝＝60)

#将传感器值从容量值更新为毫米

zones$mcv_mm[idx_top]<-zones$mcv[idx_top]*2

zones$mcv_mm[idx_bottom]<-2*zones$mcv[idx_top]+4*zones$mcv[idx_bottom]

#在0-20cm与0-60cm之间计算FC值

zones$fc_depth[idx_top]<-2*zones$fc[idx_top]

zones$fc_depth[idx_bottom]<-2*zones$fc[idx_top]+4*zones$fc[idx_bottom]

#计算土壤水分亏缺度

zones$smd<-zones$mcv_mm-zones$fc_depth

#计算土壤中余下的水

zones$water_left<-zones$rp-zones$smd

#返回SpatialPolygonDataFrame对象

分区

}

#试验

res<-get_soil_moisture_status(timestamp＝wsn$timestamp[1]，zones＝mgt)

summary(res)

##类别SpatialPolygonsDataFrame的对象

##坐标：

##最小最大

##x17937391795019

##y55525045553359

##是否投影：是

##proj4string：

##[+proj＝tmerc+lat_0＝0+lon_0＝173+k＝0.9996+x_0＝1600000

##+y_0＝10000000+ellps＝GRS80+units＝m+no_defs]

##数据属性

第二个函数是灌溉逻辑算法。其采取20cm和50cm处的土壤水分状态，得出一个推荐。

#灌溉逻辑函数

#试验

irrigation_logic(smd_top＝-7，smd_bottom＝0，smd_max_top＝-10，smd_max_bottom＝-12)

##[1]7

irrigation_logic(smd_top＝-17，smd_bottom＝-9，smd_max_top＝-10，smd_max_bottom＝-12)

##[1]10

最后，任何事物都可以在单个列表内处理。下面的代码结果是包含推荐的SpatialPolygonsDataFrame列表。针对在WSN数据中可用的每个时间戳，都有一个列表。

bh_irrigation<-Ilply(unique(wsn$timestamp)，function(t){

#获取当前的水分数据

cur_mgt<-get_soil_moisture_status(timestamp＝t，zones＝mgt)

#应用灌溉决定

#将决定合并回分区

res<-mgt

resdata<-join(resdata[，″zone″，drop＝FALSE]，irrigation_decision，by＝″zone″)

#返回分区对象

res

})

names(bh_irrigation)<-unique(wsn$timestamp)

绘图

msk<-raster(″data/swi.sdat″)

msk[！is.na(msk)]<-1

writeRaster(msk，″data/msk.GIF″)

不管怎样，返回图中：

#绘图函数

#

plot_irrigation<-function(t，msk，range_data＝c(0，10)){

#如果有字符被传到函数

if(！is.POSIXt(t))t<-dmy(t，tz＝″NZ″)

idx<-which(names(bh_irrigation)＝＝as.character(t))

cur_spdf<-bh_irrigation[[idx]]

#切换至光栅以便实现更高效的可视化

cur_raster<-rasterize(cur_spdf，msk)

cur_raster<-na.exclude(as.data.frame(cur_raster，xy＝T))

#创建绘图对象

#找到整个数据集的最小和最大推荐

#所以，使用固定的色标

min_range<-min(laply(bh_irrigation，function(x)min(x$decision)))

max_range<-max(laply(bh_irrigation，function(x)max(x$decision)))

#获取围场的光栅标记

#(正在使用光栅而非矢量数据

#进行绘图，其更快)

msk<-raster(′data/mask.GIF′)

#生成图表

plots<-llply(

#此处仅仅取可用日期的子集

#来保存处理时间

.data＝unique(wsn$timestamp)[50：55]，

.fun＝plot_irrigation，

msk＝msk，range_data＝c(min_range，max_range)

)

#也可逐个地打印这些图

#此处是第一图

print(plots[[1]])

#此处是第三图

print(plots[[3]])

#...或者，打印在相同页上

do.call(grid.arrange，plots)

#也可以检查针对各个分区的推荐

reco_zones<-ldply(bh_irrigation，function(x)data.frame(zone＝xdata$zone，decision＝xdata$decision))

#针对各个分区的概率密度函数(注意，对数转换#X轴)

ggplot(reco_zones)+geom_density(aes(x＝decision，colour＝zone))+scale_x_log10()

#可以每月检查发生了什么事

reco_zones$month<-laply(reco_zones$.id，function(x)as.character(month(ymd(x)，label＝TRUE，abbr＝FALSE)))

#针对各个分区的概率密度函数(注意，对数转换#X轴)

ggplot(reco_zones)+geom_density(aes(x＝decision，colour＝zone))+facet_wrap(～month)

土壤类型识别

library(plyr)

library(stringr)

library(reshape2)

library(ggplot2)

library(caret)

##加载所需的程序包：加载簇所需的程序包：对于各个

##加载所需的程序包：点阵

setwd(″/home/pierre/Dropbox/tmp/varigate/curves/code″)

#加载NSD

nsd<-read.csv(″../data/nsd.csv″)

#选择属性

nsd<-subset(nsd，select＝c(″Type.qualifier″，″X0.025.bar″，″X0.05.bar″，″X0.1.bar″，″X0.2.bar″，″X0.4.bar″，″X1.bar″，″X15.bar″))

#移除NAsnsd$texture<-str_replace(nsd$texture，″，as.character(NA))

nsd<-na.exclude(nsd)

#添加一些类型的ID

nsd$id<-lrnrow(nsd)

#重新布置数据

nsd<-melt(nsd，c(″id″，″Type.qualifier″))

#更好的colnames

names(nsd)<-c(″id″，″texture″，″pressure″，″moisture″)

nsd$texture<-factor(nsd$texture)

#更好的压力值

nsd$pressure<-as.numeric(as.character(str_replace(str_replace(nsd$pressure，″X″，″″)，″.bar″，″″)))

#将相似的组分组

#是，lwd＝2)+

##加载所需的程序包：类别

summary(fit)

##

##调用：

##C5.0.default(x＝″scrubbed″，y＝″scrubbed″，trials＝1，rules＝

##″CF″，″minCases″，″fuzzyThreshold″，″sample″，″earlyStopping″，

##″label″，″seed″)))

##

##C5.0[Release2.07GPLEdition]MonSep2309：02：192013

##-------------------------------

##

##由属性‘outcome’规定的类别

##

##从undefined.Data读取1220种情况(3个属性)

##

##未筛选到属性

##

##决策树

##

##截距>59.85417：

##...坡度>-24.79032：粘壤土(75)

##：坡度<＝-24.79032：

##：：..截距>66.29583：腐植土(150)

##:截距<＝66.29583:

##::...坡度<＝-42.33333:粉质壤土(20)

##:坡度>-42.33333:

##::...截距<＝61.45417:腐植土(10)

##:截距>61.45417:粉质壤土(5)

##截距<＝59.85417:

##:...截距<＝40.39167:

##:..截距>33.6125:粉质壤土(255)

##:截距<＝33.6125:

##::...截距<＝31.48333:粉质壤土(25)

##:截距>31.48333:壤质沙土(5)

##截距>40.39167:

##:...坡度<＝-30.80645:粉质壤土(180)

##坡度>-30.80645:

##:…截距<＝51.30416:

##:...坡度<＝-27.02688:

##:....截距<＝47.1125:粘壤土(15)

##::截距>47.1125:粉质壤土(15)

##:坡度>-27.02688:

##:....截距<＝40.65:

##::...截距>40.4:粘壤土(5)

##::截距<＝40.4:

##:::...坡度<＝-18.71505:粘壤土(5)

##::..坡度>-18.71505:粉质壤土(5)

##:截距>40.65:

##::...坡度<＝-8.827957:粉质壤土(295)

##:坡度>-8.827957:

##::..截距>45.825:粉质壤土(40)

##:截距<＝45.825:

##::...截距<＝43.39583:粉质壤土(10)

##:截距>43.39583:粘壤土(10)

##截距>51.30416:

##:....坡度>-5.564516:粉质壤土(15)

##坡度<＝-5.564516:

##:....截距<＝52.3625:粘壤土(10)

##截距>52.3625:

##:...截距<＝53.8375:粉质壤土(20)

##截距>53.8375:

##:...截距<＝54.42083:粘壤土(5)

##截距>54.42083:

##:...坡度<＝-16.45161:粉质壤土(15)

##坡度>-16.45161:

##:...坡度<＝-14.43011:粘壤土(5)

##坡度>-14.43011:

##:...坡度>-7.564516:粘壤土(5)

##坡度<＝-7.564516:

##:...截距>55.72917:粉质壤土(10)

##截距<＝55.72917:

##:...截距<＝55.40833:粉质壤土(5)

##截距>55.40833:粘壤土(5)

##

##对训练数据进行评价(1220种情况)：

##

##决策树

##-------------

##大小错误

##

##280(0.0％)<<

##

##(a)(b)(c)(d)<-分类为

##---------------------------

##5(a):类别壤质沙土

##915(b):类别粉质壤土

##140(c):类别粘壤土

##160(d):类别腐植土

##

##属性使用：

##

##100.00％截距

##76.64％坡度

##

##时间0.0秒

postResample(obs＝valid$texture，pred＝predict(fit，newdata＝valid))

##准确度Kappa

工业适用性

本发明对于需要对土地进行灌溉的任何类型的牧草、农作物或其他农业环境的灌溉面积有用。

本发明提供并且例证了一种至少部分地基于对农田的空间土壤性质(包括地形特征)的分析和对来自置于农田不同部分中的土壤传感器的数据的外推通过向农田的不同部分供应不同的水量来减少灌溉一定面积的土地所需的水量的系统和方法。

本发明由此提供了一种以环境友好的方式灌溉土地的有用系统和方法。

Claims

1.一种计算机化微分灌溉系统，其包括：

地形输入，其描述了待灌溉面积的地形特征；以及

电磁输入，其描述了所述待灌溉面积的导电特征，以及

2.根据权利要求1所述的计算机化微分灌溉系统，其中，所述计算机化地形整合地下水保持(TIGER)图生成器采用自动生成的土壤类型数据。

3.根据权利要求1所述的计算机化微分灌溉系统，其中，所述计算机化地形整合地下水保持(TIGER)图生成器包括计算机化自动土壤类型分析功能，其排除对所述待灌溉面积中的土壤进行实验室试验的需要。

4.一种使用根据权利要求1所述的计算机化系统的方法，其包括：

基于所述当前灌溉计划确定灌溉所述面积所需的水量；

5.根据权利要求4所述的方法，其还包括：采用所述灌溉效率度量来执行控制供水和定价以及发布灌溉政策中的至少一个。

6.一种计算机化灌溉规划系统，其包括：

计算机化地貌整合地下水保持(TIGER)图生成器，其接收至少以下输入：

地形输入，其描述了待灌溉面积的地形特征；以及

电磁输入，其描述了所述待灌溉面积的导电特征，以及

7.根据权利要求6所述的计算机化系统，其中，所述计算机化地形整合地下水保持(TIGER)图生成器采用自动生成的土壤类型数据。

8.根据权利要求6所述的计算机化系统，其中，所述计算机化地形整合地下水保持(TIGER)图生成器包括计算机化自动土壤类型分析功能，其排除对所述待灌溉面积中的土壤进行实验室试验的需要。

9.一种使用根据权利要求6至8中任一项所述的计算机化系统来生成排除对所述待灌溉面积中的土壤进行实验室试验的需要的灌溉计划的方法。

10.一种自动化地形整合地下水保持(TIGER)图生成系统，其包括：

数据输入界面，其接收至少以下输入：

地形输入，其描述了待灌溉面积的地形特征；以及

电磁输入，其描述了所述待灌溉面积的导电特征，

11.根据权利要求10所述的计算机化系统，其中，所述计算机化地形整合地下水保持(TIGER)图生成系统也采用自动生成的土壤类型数据，所述土壤类型数据在所述数据输入界面处输入。

12.根据权利要求10所述的计算机化系统，其中，所述计算机化地形整合地下水保持(TIGER)图生成系统包括计算机化自动土壤类型分析功能，其排除对所述待灌溉面积中的土壤进行实验室试验的需要。

13.一种使用根据权利要求10所述的计算机化系统的方法，其包括：

基于所述当前灌溉计划确定灌溉所述面积所需的水量；

14.根据权利要求13所述的方法，其中，采用所述灌溉效率度量来执行控制供水和定价以及发布灌溉政策中的至少一个。

15.一种自动化土壤类型分类系统，其包括：

输入界面，其接收：

计划灌溉农田的经验田间干燥曲线；以及

16.根据权利要求15所述的自动化土壤类型分类系统，其中，所述计算机操作的自动相关器采用自动化学习技术，通过所述自动化学习技术，相关器性能基于累积相关数据随着时间而提高。

17.根据权利要求15所述的自动化土壤类型分类系统，其中，所述计算机操作的自动相关器采用自动化学习技术，通过所述自动化学习技术，相关器性能基于来自其他农田中的多个自动化土壤类型分类系统的累积相关数据随着时间而提高，所述数据经由计算机网络共享。

18.一种计算机化微分灌溉系统，其包括：

地形输入，其描述了待灌溉面积的地形特征；以及

电磁输入，其描述了所述待灌溉面积的导电特征，以及

19.根据权利要求18所述的计算机化系统，其中，所述计算机化地形整合地下水保持(TIGER)图生成系统也采用自动生成的土壤类型数据，所述土壤类型数据在所述数据输入界面处输入。

20.根据权利要求18所述的计算机化系统，其中，所述计算机化地形整合地下水保持(TIGER)图生成系统包括计算机化自动土壤类型分析功能，其排除对所述待灌溉面积中的土壤进行实验室试验的需要。

21.一种使用根据权利要求18所述的计算机化系统的方法，其包括：

基于所述当前灌溉计划确定灌溉所述面积所需的水量；

22.根据权利要求21所述的方法，其进一步包括：采用所述灌溉效率度量来执行控制供水和定价以及发布灌溉政策中的至少一个。

23.一种计算机化灌溉效率度量生成系统，其包括：

地形输入，其描述了待灌溉面积的地形特征；以及

电磁输入，其描述了所述待灌溉面积的导电特征，以及

灌溉效率分析器，其用于：

基于所述当前灌溉计划确定灌溉所述面积所需的水量；

24.一种使用根据权利要求23所述的计算机化灌溉效率度量生成系统来计算表示节水度的灌溉效率度量的方法，其包括：

基于所述当前灌溉计划确定灌溉所述面积所需的水量；

25.一种通过使用根据权利要求1所述的计算机化灌溉效率度量生成系统采用灌溉效率度量来执行控制供水和定价以及发布灌溉政策中的至少一个的方法。

26.一种根据前述权利要求1-3、6-8、10-12、15-20和23所述的计算机化系统，其中，所述灌溉计划是基于所述地形整合地下水保持(TIGER)图的非微分灌溉计划。

27.一种根据前述权利要求1-3、6-8、10-12、15-20和23所述的计算机化系统，其进一步包括向至少一个预定类型的灌溉器提供灌溉指令的输出界面。

28.一种根据前述权利要求4、5、9、13-14、21-22和24-25中任一项所述的方法，还包括：计算适合第一面积的第一灌溉量和适合第二面积的第二灌溉量，以及其中，所述第一灌溉量与所述第二灌溉量不同，所述第一面积与所述第二面积不同，以及所述第一面积和所述第二面积是一个圆的扇区并且通过枢轴式机械灌溉器灌溉。

29.一种根据前述权利要求4、5、9、13-14、21-22和24-25中任一项所述的方法，还包括：计算适合第一面积的第一灌溉量和适合第二面积的第二灌溉量，所述第一灌溉量与所述第二灌溉量不同，所述第一面积与所述第二面积不同，以及所述第一面积和所述第二面积是一个矩形的矩形横截面并且通过平移式机械灌溉器灌溉。