CN113406007B - 一种基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统及原位标定方法 - Google Patents

Abstract

本发明涉及一种基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统及原位标定方法，该智能监测系统由全同弱光纤光栅阵列含水率传感器、弱光纤光栅解调分析仪、气象站和远程电源管理器组成。标定方法如下：将全同弱光纤光栅阵列含水率传感器埋入待测土体，选取标定弱光纤光栅在其周围布置常规传感器，并配置给水管；通过给水管给土体定点输水，对土体含水率进行监测；用常规传感器测得的土壤含水率值对弱光纤光栅传感器测得的最大升温值进行标定；拟合得含水率与最大升温值的标定曲线。本发明采用全同弱光纤光栅阵列传感器构建传感网络，并结合人工神经网络算法，能实现对土体含水率长距离、高密度的精细化智能监测，并通过原位标定方法提高传感器标定曲线精度。

Description

一种基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测 系统及原位标定方法

技术领域

本发明涉及土壤含水率监测技术领域，具体涉及基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统及原位标定方法。

背景技术

土壤含水率直接影响植物的水循环和生长过程，影响土体强度和稳定性。土壤含水率的精确测定对理论研究和工程实践都具有重要意义。现阶段的土壤水分测试技术中，光纤感测技术能够原位实时监测土体含水率，同时具有灵敏度高，防腐蚀，抗干扰等优点，近年来得到迅速发展和广泛应用。

光纤布拉格光栅具有反射特定波长光波的特性，应变和温度会使光栅反射光谱中心波长发生漂移，因此通过分析光纤光栅反射光谱便可得出相应传感器的应变和温度变化量。若对埋入土体的光纤光栅传感器进行脉冲加热，由于水与土颗粒、空气的导热系数不同，热量在不同含水率土体中的扩散速度会存在差异，从而可以依据光纤光栅传感器温度变化特征，如最大升温值，达到测试土壤水分的目的。需要注意的是：首先需通过标定建立光纤光栅传感器最大升温值与土壤含水率之间的经验关系，才能根据现场获取的最大升温值的实测值推求待测土体的土壤含水率。

传统的光纤光栅传感采用波分复用技术来构建传感网络，受到解调仪光源工作波长范围的限制，单一通道复用传感器有限，无法实现大容量的传感网络。而最新发展的光纤光栅阵列分布式传感技术采用波分加时分的混合复用技术，结合了时分技术分布式测量的优点，通过不同光栅反射光的到达时间实现不同位置光栅的精准定位，能极大的扩大同通道可串联的光栅传感器数量，从而满足长距离、大容量、高密集的监测要求。普通的光纤光栅传感器反射率较高，若用其组成光栅阵列，大部分入射光会被阵列前段的光栅反射，使得阵列后段透射光强衰减明显，影响后段传感器的信号探测。因此，需要采用具有低反射率、窄反射带宽特点的弱光纤光栅组成光栅阵列，减小光信号传输损耗，增强光纤光栅复用能力。

由前述可知，采用弱光纤光栅阵列传感器监测土体含水率具有长距离、大容量、高密集等突出优点。但目前传感器最大升温值与含水率之间的经验关系通常是通过室内标定获取，即配置含水率不同的土样在实验室进行标定试验，而当监测场地涉及复杂的土壤类型和结构时，便会使得室内标定方法工作量大且操作复杂。除此之外，取样和配置过程会对土体造成扰动，土体孔隙率、土体结构、边界条件等因素都会发生相应改变，从而影响土体的热力学性质，同时室内标定和原位监测中传感器与土体的接触情况、传感器布置带来的埋设扰动也存在差异，这些因素都会导致现场取样后的室内标定结果不能精准符合实际场地土层，影响土体含水率的监测精度。

除此之外，由于地质与岩土工程监测领域具有时效长、范围大、环境复杂的特点，涉及的数据体量大、变量多、分析难度大。而近年来随着机器学习研究的不断发展，我们可以运用人工智能算法强大的数据处理功能对监测数据进行有效分析。

发明内容

本发明的目的是提供一种基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统及原位标定方法。本发明采用全同弱光纤光栅阵列含水率传感器构建传感网络实现对土体含水率的长距离、大容量、高密集原位监测。同时，利用人工神经网络算法建立温度、气压、降雨量等环境因素对土壤水分场扰动的人工神经网络模型，在积累一定数据的基础上根据已知气象信息和含水率信息预测土体水分运移情况。除此之外，所述智能监测系统通过原位标定省去取样标定所需的采样、运输、制样过程，使标定过程更加简单、高效，同时减小取样标定对土体扰动的影响，提高传感器含水率标定曲线精度，进而提高传感器对土体含水率的监测精度。

通过以上介绍，本发明采用如下技术方案：一种基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统，由热脉冲全同弱光纤光栅阵列含水率传感器、弱光纤光栅解调分析仪、气象站和具备远程控制能力的电源管理器四部分构成，热脉冲全同弱光纤光栅阵列含水率传感器和气象站将数据传输给弱光纤光栅解调分析仪进行处理，弱光纤光栅解调分析仪与具备远程控制能力的电源管理器通过蓝牙无线连接；其中，热脉冲全同弱光纤光栅阵列含水率传感器由高导热性管、贯穿高导热性管的光纤和加热装置组成，所述光纤上分布有全同弱光纤光栅，所述高导热性管内与加热装置、光纤间的孔隙填充导热材料，所述的加热装置与具备远程控制能力的电源管理器连接，光纤通过光纤引线和弱光纤光栅解调分析仪连接，弱光纤光栅解调分析仪由解调模块、分析模块、控制模块组成，分析模块内置人工神经网络算法。

所述的热脉冲全同弱光纤光栅阵列传感器监测含水率的具体方法为：通过具备远程控制能力的电源管理器对热脉冲全同弱光纤光栅阵列含水率传感器中的加热装置进行脉冲加热，利用热脉冲全同弱光纤光栅解调分析仪解调模块采集并记录加热过程中各全同弱光纤光栅中心波长读数，并将数据传输至分析模块，分析模块将波长数据转化为热脉冲全同弱光纤光栅布设处的温度信息，再依据传感器标定曲线，将温度信息转化为含水率信息。

气象站将测得的气象数据，包括温度、气压、降雨情况，传输到弱光纤光栅解调分析仪的分析模块。

弱光纤光栅解调分析仪分析模块将气象站和热脉冲全同弱光纤光栅阵列含水率传感器采集的气象信息和含水率信息输入内置的人工神经网络算法建模学习，即对不同自然气候环境中的土壤含水率变化数据集中处理、深度学习，建立温度、气压、降雨量等因素对土壤水分场扰动的人工神经网络模型。不同埋设深度、位置的弱光纤光栅传感器各自创建人工神经网络模型。模型创建的具体实现方法为首先确定一个时间区间将整个监测过程等周期进行划分，再将各时间区间等周期或不等周期划分为多个时间节点。分析模块内置神经网络算法能够创建多层前向人工神经网络，输入层输入数据为任意时间区间气象站监测得的降雨量、温度、气压等气象值和弱光纤光栅传感器监测得的该时间区间土壤初始含水率值，隐含层的层数和节点数由监测精度要求和数据采集量共同决定，输出层为该时间区间结束时的土壤终止含水率值。神经网络模型训练学习的具体方法为将任意时间区间除最后一个时间节点外所有时间节点的气象数据及该时间区间土壤初始含水率值输入人工神经网络模型输入层，将最后一个时间节点的含水率值，即该时间区间结束时的土壤终止含水率值作为输出层数值进行监督学习。即通过时间区间除最后一个时间节点外的气象数据和该时间区间土壤初始含水率值确定最后一个时间节点的含水率数据。将划分得的多个时间区间的监测数据对创建的人工神经网络模型多次训练，提高模型计算、预测精度。所述人工神经网络模型通过改变输入层数据种类可以只考虑单一气象因素(如降雨量)对土壤水分场扰动的影响，也可以通过组合同时考虑多个气象因素对土壤水分场扰动的影响。

当监测周期足够长时，能够划分得到大量时间区间将监测数据用于人工神经网络模型训练，不断提高模型性能。在此基础上，弱光纤光栅解调分析仪分析模块能基于训练后的人工神经网络模型根据已知气象信息和土壤含水率信息预测土体水分运移情况。模型预测的具体方法为依据时间区间及划分的时间节点，弱光纤光栅解调分析仪分析模块将气象站已监测得的该时间区间内除最后一个时间节点外所有时间节点的气象数据和该时间区间土壤初始含水率值输入神经网络输入层，训练后的人工神经网络模型输出层能预测该时间区间最后一个时间节点的含水率数据，即该时间区间土壤终止含水率值。分析模块将预测含水率传输给控制模块，控制模块能预设土壤含水率变化阈值，若预测值超过阈值，控制模块将通过云端传递预警信号。

弱光纤光栅解调分析仪控制模块能智能控制电源管理器，根据气象情况灵活调整监测周期，或者人为远程控制。

所述的加热装置为镍铬电热丝。

所述热脉冲全同弱光纤光栅阵列含水率传感器单独使用、或串联、并联构成监测网。

一种基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统原位标定方法，包括如下步骤：

步骤一：根据监测设计要求将热脉冲全同弱光纤光栅阵列含水率传感器埋入待测土体，选取具有代表性和特殊性的弱光纤光栅传感器作为标定弱光纤光栅，在周围同一水平位置一定范围内布置常规传感器，并配置给水管，埋设过程中确保传感器与土体接触良好；

步骤二：通过给水管分次给土体定点输入水分，输水间隔中用热脉冲全同弱光纤光栅阵列传感器和常规传感器对土体含水率进行监测；

步骤三：将同一时间常规传感器测得的原位土壤体积含水率值对相应位置处的标定弱光纤光栅传感器测得的最大升温值进行标定；

步骤四：基于最小二乘法运用不同函数模型对含水率与最大升温值之间的函数关系进行拟合，选择拟合精度最高的模型确定为各个标定弱光纤光栅的土壤含水率标定曲线，进而得到整个全同弱光纤光栅阵列含水率传感器标定曲线。

步骤一的常规传感器通过读数线与数据采集仪连接，读数线与给水管通过硬质PVC管贯穿土体，数据采集仪通过数据线与弱光纤光栅解调分析仪相连。

有益效果：

1.本发明介绍了一种基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统，采用全同弱光纤光栅阵列含水率传感器构建传感网络监测土体含水率，能满足长距离、大容量、高密集的监测要求。同时，该智能监测系统能建立温度、气压、降雨量等环境因素对土壤水分场扰动的人工神经网络模型，在积累一定数据的基础上能基于所建立的人工神经网络模型根据已知气象信息和含水率信息预测土体水分运移情况，能对与土体水分变化密切联系的地质环境问题及时预警。

2.相比于传统的室内标定方法，本发明在监测场地对全同弱光纤光栅阵列含水率传感器进行原位标定，不需要采样、运输、制样过程，具有简单、高效的特点，尤其适用于大范围的复杂土壤类型土体含水率原位监测。同时，本发明可以避免取样和配置过程对土体的扰动，消除传感器与土体的接触情况差异、传感器布置带来的埋设扰动差异等因素带来的影响，提高弱光纤光栅阵列传感器含水率标定曲线精度。

3.本发明通过给水管定点输水标定，可以精准控制含水率变化范围，相比于利用自然降雨过程标定，可以解决降雨依赖气候条件，且难以影响深部土壤水分场的问题，可控性更强；相比于利用地表人工降水过程标定，可以避免对土体的大范围扰动可能带来的变形和稳定问题，可操作性更强。

4.本发明中常规传感器读数线和给水管通过同一硬质PVC管贯穿土体，提高了管道利用率和布设性价比。同时，硬质PVC管除提供连接通道外，还能对读数线和给水管起到保护和固定作用。

附图说明

图1是本发明所述全同弱光纤光栅阵列含水率传感器内部结构示意图。其中，1.高导热性管；2.光纤；3.镍铬电热丝；4.弱光纤光栅；5.导热材料。

图2是本发明所述基于全同弱光纤光栅阵列的土壤含水率智能监测系统数据传输示意图。

图3是本发明所述弱光纤光栅解调分析仪分析模块内置的人工神经网络模型。

图4是本发明实施例1基于全同弱光纤光栅阵列的土壤含水率智能监测系统原位标定方法的装置示意图。其中，6.粉砂层；7.细砂层；8.中砂层；9.全同弱光纤光栅阵列含水率传感器；10.气象站；11.弱光纤光栅解调分析仪；12.电源管理器；13.数据线；14.光纤引线；15.导线:；16.标定弱光纤光栅传感器；17.硬质PVC管；18.介电常数传感器；19.读数线；20.数据采集仪；21.给水管。

图5是本发明实施例1弱光纤光栅含水率标定曲线。

具体实施方式

附图提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。下面结合附图和实施例对本发明做过更进一步的解释。

一种基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统由全同弱光纤光栅阵列含水率传感器、弱光纤光栅解调分析仪、气象站和具备远程控制能力的电源管理器四部分及各部分之间的连接线路构成。其中，热脉冲全同弱光纤光栅阵列含水率传感器由三孔高导热性管和管内贯穿的光纤、镍铬电热丝组成，光纤上分布有全同弱光纤光栅，高导热性管孔内与镍铬电热丝、光纤间的孔隙使用导热材料充填。传感器中的镍铬电热丝通过导线和电源管理器连接，光纤通过光纤引线和弱光纤光栅解调分析仪连接。所述全同弱光纤光栅阵列含水率传感器可单独使用、也可以相互串联、并联连接构成监测网。弱光纤光栅解调分析仪由解调模块、分析模块、控制模块组成，分析模块内置人工神经网络算法。

进一步的，所述全同弱光纤光栅阵列传感器监测含水率的具体方法为：通过电源管理器对全同弱光纤光栅阵列含水率传感器中的镍铬电热丝脉冲加热，利用弱光纤光栅解调分析仪解调模块采集并记录加热过程中各全同弱光纤光栅中心波长读数，并将数据传输至分析模块，分析模块将波长数据转化为全同弱光纤光栅布设处的温度信息，再依据传感器标定曲线，将温度信息转化为含水率信息。进一步的，所述气象站通过数据线与弱光纤光栅解调分析仪相连，将测得的气象数据，包括温度、气压、降雨情况，传输到弱光纤光栅解调分析仪的分析模块。

进一步的，所述弱光纤光栅解调分析仪分析模块将所得的气象信息和含水率信息输入内置的人工神经网络算法进行深度学习，即对不同自然气候环境中的土壤含水率变化数据集中处理、深度学习，建立温度、气压、降雨强度、降雨历时等因素对土壤水分场扰动的人工神经网络模型。在积累一定数据的基础上，弱光纤光栅解调分析仪分析模块能基于建立的人工神经网络模型根据气象预报信息预测土体水分运移情况，并将预测信息传输给控制模块，控制模块能预设土壤含水率变化阈值，若预测值超过阈值，控制模块能通过云端传递预警信号。

进一步的，所述弱光纤光栅解调分析仪控制模块能智能控制电源管理器，根据气象情况灵活调整监测周期，也可人为远程控制。

所述的一种基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统原位标定方法包括如下步骤：

步骤一：根据监测设计要求将全同弱光纤光栅阵列含水率传感器埋入待测土体，选取具有代表性和特殊性的弱光纤光栅传感器作为标定弱光纤光栅，在其周围同一水平位置50cm范围内布置常规传感器，并配置给水管，埋设过程中确保传感器与土体接触良好。

步骤二：通过给水管分次给土体定点输入水分，输水间隔中用全同弱光纤光栅阵列传感器和常规传感器对土体含水率进行监测。

步骤三：将同一时间常规传感器测得的原位土壤体积含水率值对相应位置处的标定弱光纤光栅传感器测得的最大升温值进行标定。

步骤四：基于最小二乘法运用不同函数模型对含水率与最大升温值之间的函数关系进行拟合，选择拟合精度最高的模型确定为各个标定弱光纤光栅的土壤含水率标定曲线，进而得到整个全同弱光纤光栅阵列含水率传感器标定曲线，用于后续土壤含水率监测。

进一步的，所述步骤一的常规传感器通过读数线与数据采集仪连接，读数线与给水管通过硬质PVC管贯穿土体，并由硬质PVC管提供保护和固定作用。所述步骤一中选取的标定弱光纤光栅数量和位置由待测土体结构和性质、监测精度要求、场地复杂程度等因素确定。代表性是指埋设于结构、性质基本相同的土体中的弱光纤光栅传感器，在其中随机选取全同弱光纤光栅进行标定，得到的标定曲线能代表该部分全部全同弱光纤光栅性质。特殊性是指布设在监测重点位置处的弱光纤光栅传感器，该位置需要加密精确监测，布设的传感器都需要进行标定。

进一步的，所述步骤二中通过定点输水对土体水分场进行扰动，分次输水使传感器可以测量不同含水率的土体，获取足够含水率信息用于全同弱光纤光栅阵列含水率传感器标定，各次输水量的大小及时间间隔由待测土体性质及监测设计要求共同确定。所述步骤二中全同弱光纤光栅阵列传感器监测的具体方法为：在输水间隔过程中，通过电源管理器对全同弱光纤光栅阵列含水率传感器脉冲加热，利用弱光纤光栅解调分析仪解调分析得光纤光栅布设处的温度信息，确定各标定弱光纤光栅的最大升温值。

进一步的，所述步骤三最大升温值定义如下：对弱光纤光栅传感器脉冲加热，光纤温度先升高后趋于稳定，升温值与土体含水率密切相关，可转换为土体含水率信息。为减小加热早期光纤热特性和接触热阻对温度数据的影响，以及土体不均匀、测试系统不稳定等原因造成的误差，可选取温度场稳定后升温值的算数平均值代替某个时间点的升温数据进行分析，称为最大升温值。土体含水率越高的位置导热系数越高、最大升温值越小，即土体含水率与最大升温值为负相关关系。最大升温值可通过分析模块处理温度信息得到。

进一步的，所述步骤四的函数模型包括线性函数、二次函数多项式以及幂函数等多种函数形式，待测土体的性质不同，各函数模型的拟合精度也会有所不同。

进一步的，所述步骤五的环境温度由气象站提供。

实施例1：

本实施例中用全同弱光纤光栅阵列含水率传感器和常规传感器监测各分次定点输水间隔土壤含水率并对全同弱光纤光栅阵列含水率传感器进行标定。待测场地土层从上至下依次为粉砂层、细砂层、中砂层。具体实施步骤如下：

(1)埋设传感器。按照监测设计，将三个全同弱光纤光栅阵列含水率传感器埋入待测土体，全同弱光纤光栅阵列含水率之间串联连接构成监测网络，埋设过程中确保传感器与土体接触良好。

(2)确定标定弱光纤光栅。在三种土层各选出一个弱光纤光栅来代表该土层所有全同弱光纤光栅进行标定，在被选择的三个标定弱光纤光栅周围同一水平位置50cm范围内布置介电常数传感器。

(3)原位监测。通过给水软管分次给土体定点输入水分，输水间隔中用全同弱光纤光栅阵列传感器和介电常数传感器对土体含水率进行监测。具体方法为：通过电源管理器对全同弱光纤光栅阵列含水率传感器的镍铬电热丝脉冲加热，控制加热电流为0.60A，加热时间为120s。利用弱光纤光栅解调分析仪采集并记录光纤从加热升温到回复初值整个过程的全同弱光纤光栅中心波长读数，利用弱光纤光栅解调分析仪中的分析模块将波长数据转化为光栅位置处的温度信息并求得对应的最大升温值。同时利用数据采集仪读取介电常数传感器测得的土壤含水率值。

(4)制图。将同一时间介电常数传感器测得的土壤含水率值和相应位置处的标定弱光纤光栅传感器测得的最大升温值一一对应制成最大升温值ΔT-含水率θ散点图。

(5)拟合含水率标定曲线。基于最小二乘法分别运用线性函数、幂函数以及二次函数多项式模型对含水率与最大升温值的函数关系进行拟合，幂函数拟合精度最高，确定为传感器的标定曲线，如图4所示。由图可知，在该监测过程的环境温度下，监测场地粉砂层、细砂层、中砂层中埋设的弱光纤光栅传感器最大升温值ΔT_max-含水率θ标定曲线分别是ΔT_max＝1.4779θ^-0.509、ΔT_max＝3.1095θ^-0.394、ΔT_max＝5.2487θ^-0.316。

实施例2：

本实施例是在实施例1获得待测场地全同弱光纤光栅阵列含水率传感器的标定曲线的基础上，对该场地进行长期监测。具体实施步骤如下：

设置远程电源管理器开关时间，每隔4小时给全同弱光纤光栅阵列含水率传感器通电加热1次，加热电流为0.60A，加热时间为120s。利用弱光纤光栅解调分析仪采集并记录光纤从加热升温到回复初值整个过程的弱光纤光栅中心波长读数，运用弱光纤光栅解调分析仪中的解调模块将波长数据转化为光纤光栅布设处的温度信息，并将数据传输至分析模块。分析模块利用标定曲线将温度信息转化为含水率信息，所得的含水率监测数据能通过云端传送，实现对监测场地含水率变化情况的实时监测。同时，弱光纤光栅解调分析仪的分析模块自动读取并记录气象站测得的气象数据，包括温度、气压、降雨情况。分析模块将所得的气象数据和含水率数据输入内置的人工神经网络算法进行深度学习，对不同自然气候环境中的土壤含水率变化数据集中处理、深度学习，建立温度、气压、降雨量等因素对土壤水分场扰动的人工神经网络模型。模型创建的具体实现方法为首先确定每12h为一个时间区间将整个监测过程进行划分，再将各时间区间等周期(周期为4h)划分为4个时间节点。通过分析模块内置神经网络算法创建4层前向人工神经网络，隐含层层数2层，每层节点数为10个。神经网络模型训练学习的具体方法为将任意时间区间除最后一个时间节点外所有时间节点的温度值、气压值、降雨量值及该时间区间土壤初始含水率值输入人工神经网络模型输入层，将最后一个时间节点的含水率值，即该时间区间结束时的土壤终止含水率值作为输出层数值进行监督学习。将划分得的多个时间区间的监测数据对创建的人工神经网络模型多次训练，提高模型计算、预测精度。连续监测过程中将每次新测得的数据输入所得人工神经网络模型，对该模型进一步训练。在连续获取180天数据进行模型训练后，利用建立的人工神经网络模型根据已知气象信息和含水率信息预测某时间区间结束时的土壤终止含水率值，并将预测信息传输给控制模块，若预测值超过控制模块预设的土壤含水率变化阈值，控制模块能通过云端传递预警信号。

Claims (8)

1.一种基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统，其特征在于，由热脉冲全同弱光纤光栅阵列含水率传感器、弱光纤光栅解调分析仪、气象站和具备远程控制能力的电源管理器四部分构成，热脉冲全同弱光纤光栅阵列含水率传感器和气象站将数据传输给弱光纤光栅解调分析仪进行处理，弱光纤光栅解调分析仪与具备远程控制能力的电源管理器通过蓝牙无线连接；其中，热脉冲全同弱光纤光栅阵列含水率传感器由高导热性管、贯穿高导热性管的光纤和加热装置组成，所述光纤上分布有全同弱光纤光栅，所述高导热性管内与加热装置、光纤间的孔隙填充导热材料，所述的加热装置与具备远程控制能力的电源管理器连接，光纤通过光纤引线和弱光纤光栅解调分析仪连接，弱光纤光栅解调分析仪由解调模块、分析模块、控制模块组成，分析模块内置人工神经网络算法；

气象站将测得的气象数据，包括温度、气压、降雨情况，传输到弱光纤光栅解调分析仪的分析模块；

弱光纤光栅解调分析仪分析模块将气象站和热脉冲全同弱光纤光栅阵列含水率传感器采集的气象信息和含水率信息输入内置的人工神经网络算法建模学习，即对不同自然气候环境中的土壤含水率变化数据集中处理、深度学习，建立温度、气压、降雨量对土壤水分场扰动的人工神经网络模型；不同埋设深度、位置的弱光纤光栅传感器各自创建人工神经网络模型，模型创建的具体实现方法为首先确定一个时间区间将整个监测过程等周期进行划分，再将各时间区间等周期或不等周期划分为多个时间节点，分析模块内置神经网络算法能够创建多层前向人工神经网络，输入层输入数据为任意时间区间气象站监测得的降雨量、温度、气压的气象值和弱光纤光栅传感器监测得的该时间区间土壤初始含水率值，隐含层的层数和节点数由监测精度要求和数据采集量共同决定，输出层为该时间区间结束时的土壤终止含水率值，神经网络模型训练学习的具体方法为将任意时间区间除最后一个时间节点外所有时间节点的气象数据及该时间区间土壤初始含水率值输入人工神经网络模型输入层，将最后一个时间节点的含水率值，即该时间区间结束时的土壤终止含水率值作为输出层数值进行监督学习，即通过时间区间除最后一个时间节点外的气象数据和该时间区间土壤初始含水率值确定最后一个时间节点的含水率数据，将划分得的多个时间区间的监测数据对创建的人工神经网络模型多次训练，提高模型计算、预测精度；所述人工神经网络模型通过改变输入层数据种类只考虑单一气象因素，如降雨量，对土壤水分场扰动的影响，或通过组合同时考虑多个气象因素对土壤水分场扰动的影响。

2.根据权利要求1所述的基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统，其特征在于，所述的热脉冲全同弱光纤光栅阵列传感器监测含水率的具体方法为：通过具备远程控制能力的电源管理器对热脉冲全同弱光纤光栅阵列含水率传感器中的加热装置进行脉冲加热，利用热脉冲全同弱光纤光栅解调分析仪解调模块采集并记录加热过程中各全同弱光纤光栅中心波长读数，并将数据传输至分析模块，分析模块将波长数据转化为热脉冲全同弱光纤光栅布设处的温度信息，再依据传感器标定曲线，将温度信息转化为含水率信息。

3.根据权利要求1所述的基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统，其特征在于，将监测周期划分得到大量时间区间，将监测数据用于人工神经网络模型训练，不断提高模型性能，在此基础上，弱光纤光栅解调分析仪分析模块基于训练后的人工神经网络模型，根据已知气象信息和土壤含水率信息预测土体水分运移情况；模型预测的具体方法为依据时间区间及划分的时间节点，弱光纤光栅解调分析仪分析模块将气象站已监测得的该时间区间内，除最后一个时间节点外，所有时间节点的气象数据和该时间区间土壤初始含水率值输入神经网络输入层，训练后的人工神经网络模型输出层预测该时间区间最后一个时间节点的含水率数据，即该时间区间土壤终止含水率值；分析模块将预测含水率传输给控制模块，控制模块能预设土壤含水率变化阈值，若预测值超过阈值，控制模块将通过云端传递预警信号。

4.根据权利要求1所述的基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统，其特征在于，弱光纤光栅解调分析仪控制模块能智能控制电源管理器，根据气象情况灵活调整监测周期，或者人为远程控制。

5.根据权利要求1所述的基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统，其特征在于，所述的加热装置为镍铬电热丝。

6.根据权利要求1所述的基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统，其特征在于，所述热脉冲全同弱光纤光栅阵列含水率传感器单独使用、或串联、并联构成监测网。

7.一种使用权利要求1～6任一所述的基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统的原位标定方法，其特征在于，包括如下步骤：

步骤一：根据监测设计要求将热脉冲全同弱光纤光栅阵列含水率传感器埋入待测土体，选取具有代表性和特殊性的弱光纤光栅传感器作为标定弱光纤光栅，在周围同一水平位置一定范围内布置常规传感器，并配置给水管，埋设过程中确保传感器与土体接触良好；

步骤二：通过给水管分次给土体定点输入水分，输水间隔中用热脉冲全同弱光纤光栅阵列传感器和常规传感器对土体含水率进行监测；

步骤三：将同一时间常规传感器测得的原位土壤体积含水率值对相应位置处的标定弱光纤光栅传感器测得的最大升温值进行标定；

步骤四：基于最小二乘法运用不同函数模型对含水率与最大升温值之间的函数关系进行拟合，选择拟合精度最高的模型确定为各个标定弱光纤光栅的土壤含水率标定曲线，进而得到整个全同弱光纤光栅阵列含水率传感器标定曲线，用于后续土壤含水率监测。

8.根据权利要求7所述的原位标定方法，其特征在于，步骤一的常规传感器通过读数线与数据采集仪连接，读数线与给水管通过硬质PVC管贯穿土体，数据采集仪通过数据线与弱光纤光栅解调分析仪相连。

Images