基于蟻群算法和支持向量機(jī)的節(jié)水灌溉技術(shù)優(yōu)選

翟治芬，嚴(yán)昌榮，張建華，張燕卿，劉 爽

（1.中國農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)環(huán)境與可持續(xù)發(fā)展研究所，北京 100081；2.農(nóng)業(yè)部規(guī)劃設(shè)計(jì)研究院，北京 100125；3.中國農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)信息研究所，北京 100081）

0 引 言

節(jié)水灌溉技術(shù)是我國未來農(nóng)業(yè)高效用水的主要方式［1］。隨著現(xiàn)代農(nóng)業(yè)的發(fā)展，節(jié)水灌溉技術(shù)的應(yīng)用受到越來越多的關(guān)注，其主要包括噴灌、滴灌、膜灌、溝畦灌4種。由于不同節(jié)水灌溉技術(shù)的適用條件和適用范圍存在較大差異，且實(shí)施節(jié)水灌溉的地區(qū)自然、經(jīng)濟(jì)、社會條件千差萬別，灌溉的對象也多種多樣，造成節(jié)水灌溉技術(shù)在實(shí)際推廣中常常出現(xiàn)節(jié)水效果不理想，農(nóng)民接受率低等情況［2］。因此，在節(jié)水灌溉技術(shù)推廣前，需依據(jù)不同地區(qū)、不同作物的要求，對農(nóng)業(yè)節(jié)水灌溉技術(shù)進(jìn)行優(yōu)選?，F(xiàn)階段我國節(jié)水灌溉技術(shù)的優(yōu)選方法主要是通過專家實(shí)地考察和推薦的方法，該方法存在速度慢、勞動強(qiáng)度大和不經(jīng)濟(jì)等缺點(diǎn)，影響了農(nóng)業(yè)節(jié)水灌溉技術(shù)的推廣和普及。

近年來，國內(nèi)外學(xué)者在節(jié)水灌溉技術(shù)優(yōu)選方面進(jìn)行了研究。賀延國等［3］采用實(shí)碼加速遺傳算法進(jìn)行PP建模，簡化了投影尋蹤技術(shù)的實(shí)現(xiàn)過程，為投影尋蹤技術(shù)在節(jié)水灌溉工程中的廣泛應(yīng)用提供了新的有力工具。陳歡等［4］采用基于變異系數(shù)權(quán)重的屬性識別模型對節(jié)水灌溉方案進(jìn)行優(yōu)選，減小了確定權(quán)重時的主觀性。盧玉邦等［5］和張慶華等［6］分別運(yùn)用層次分析理論和方法，提出了用于節(jié)水灌溉方式優(yōu)化選擇的項(xiàng)目綜合評價方法。趙振霞等［7］和高峰等［8］采用模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用遺傳算法對模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，該模型最大限度地避免了模糊綜合評判中權(quán)重矩陣取值的人為干擾。Schuck等［9］利用美國科羅拉多洲歷史上嚴(yán)重干旱的數(shù)據(jù)，研究了干旱程度如何影響農(nóng)戶節(jié)水灌溉技術(shù)的選擇，結(jié)果表明干旱程度顯著提高了農(nóng)戶采用更有效的噴灌技術(shù)的比例。Moreno等［10］研究了節(jié)水灌溉技術(shù)的選擇與農(nóng)作物選擇的聯(lián)合估計(jì)。Montazar等［11］應(yīng)用層次分析法為3個不同區(qū)域優(yōu)選灌溉技術(shù)。對于節(jié)水灌溉技術(shù)優(yōu)選研究，前人多采用層次分析法、模糊綜合評價法、投影尋蹤法等傳統(tǒng)優(yōu)選方法，這些方法大多需要構(gòu)造指標(biāo)集與優(yōu)選標(biāo)準(zhǔn)值間的函數(shù)關(guān)系和計(jì)算權(quán)重，且隨著區(qū)域不同建立的優(yōu)選模型也需要改變；基于神經(jīng)網(wǎng)絡(luò)算法的優(yōu)選模型雖然克服了這些缺點(diǎn)，但存在收斂速度慢且容易陷入局部極小值的缺點(diǎn)，使得在應(yīng)用中受到一定的限制。另一方面，大多優(yōu)選模型未對指標(biāo)進(jìn)行優(yōu)化和篩選，致使非關(guān)鍵指標(biāo)過多，影響了優(yōu)選結(jié)果的準(zhǔn)確性。

蟻群算法（Ant colony optimization，ACO）具有較強(qiáng)的全局搜索能力、信息處理的隱并行性、魯棒性和可規(guī)?；葍?yōu)點(diǎn)［12］。支持向量機(jī)（Support vector machine，SVM）作為一種新的機(jī)器學(xué)習(xí)算法，以最小結(jié)構(gòu)風(fēng)險代替了傳統(tǒng)的經(jīng)驗(yàn)風(fēng)險，求解的是一個二次型尋優(yōu)問題，得到的是全局最優(yōu)點(diǎn)，解決了在神經(jīng)網(wǎng)絡(luò)方法中無法避免的局部極值問題，且支持向量機(jī)的拓?fù)浣Y(jié)構(gòu)由支持向量決定，避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)需要經(jīng)驗(yàn)試湊的不足，在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出特有的優(yōu)勢［13］。因此，本文采用蟻群算法進(jìn)行評價指標(biāo)的優(yōu)化和篩選，并通過支持向量機(jī)建立了農(nóng)業(yè)節(jié)水灌溉技術(shù)性優(yōu)選模型，以山西省43個縣為對象進(jìn)行試驗(yàn)，分別對每個縣可能種植的小麥、玉米、大豆和棉花選擇適宜的節(jié)水灌溉技術(shù)（噴灌、滴灌、膜灌、溝畦灌、不宜種植該作物）。試驗(yàn)結(jié)果表明該優(yōu)選模型具有良好性能，與當(dāng)?shù)貙?shí)際情況相符合，可為決策者提供科學(xué)依據(jù)，對節(jié)水灌溉項(xiàng)目規(guī)劃設(shè)計(jì)中選擇適宜的節(jié)水灌溉技術(shù)有較大的現(xiàn)實(shí)意義。

1 本文優(yōu)選模型

基于蟻群算法和支持向量機(jī)的節(jié)水灌溉技術(shù)優(yōu)選算法流程圖如圖1所示，該算法針對小麥、玉米、大豆、棉花4種作物分別訓(xùn)練4種優(yōu)選模型，由數(shù)據(jù)預(yù)處理、蟻群算法篩選評價指標(biāo)、應(yīng)用支持向量機(jī)對節(jié)水灌溉技術(shù)進(jìn)行優(yōu)選3部分組成。

1.1 數(shù)據(jù)預(yù)處理

分別輸入小麥、玉米、大豆、棉花4種作物的訓(xùn)練樣本，為了消除指標(biāo)之間量綱、量級等不同的影響，且使各個指標(biāo)具有可比性，在分析之前需對數(shù)據(jù)進(jìn)行歸一化處理。對于越小越優(yōu)型指標(biāo)選用式（1）處理，而越大越優(yōu)型指標(biāo)選用式（2）處理，數(shù)學(xué)定義如下:

圖1 本文模型流程圖Fig.1 Flow chart of proposed model

1.2 利用蟻群算法篩選評價指標(biāo)

蟻群算法主要功能為節(jié)水灌溉技術(shù)評價指標(biāo)的篩選［14］，其主要步驟為:

（1）初始化蟻群參數(shù)。將評價指標(biāo)看作節(jié)點(diǎn)，樣本看作螞蟻，假設(shè)n為所有的評價指標(biāo)數(shù)，m為待評價的樣本數(shù)，即螞蟻群體的數(shù)目，將m只螞蟻均勻分布在n個節(jié)點(diǎn)上。螞蟻k根據(jù)各條路徑上的信息素濃度選擇節(jié)點(diǎn)轉(zhuǎn)移，并不斷更新信息素及轉(zhuǎn)移概率。t時刻，螞蟻k由節(jié)點(diǎn)i轉(zhuǎn)移到節(jié)點(diǎn)j的概率公式為:

式中:tabuk為禁忌表，記錄螞蟻k已走過的節(jié)點(diǎn)，以禁止螞蟻選擇已選擇的評價指標(biāo)；α為殘留信息τij的相對重要程度；β為期望值ηij的相對重要程度；ηij表示螞蟻k從節(jié)點(diǎn)i轉(zhuǎn)移到節(jié)點(diǎn)j的期望程度；τij表示鏈接節(jié)點(diǎn)i－j路徑上的信息量。

（2）適應(yīng)度值的計(jì)算。將評價指標(biāo)選擇算法的適應(yīng)度函數(shù)定義為:

式中:D為候選指標(biāo)集的維數(shù)；d為指標(biāo)子集x的維數(shù)；P為支持向量機(jī)輸入指標(biāo)子集x下的評價正確率；λ為評價正確率在評價函數(shù)中所占的權(quán)重系數(shù)，計(jì)算公式如下:

可見，f（x）越大表明選擇的指標(biāo)子集性能越好，即利用較少的指標(biāo)獲得了較高的優(yōu)選正確率。

（3）局部搜索。若對應(yīng)解中某位是否進(jìn)行變異的概率為:r＜r0，則對應(yīng)解中該位標(biāo)記值取反。重新計(jì)算新解的適應(yīng)度函數(shù)，如果新的適應(yīng)度函數(shù)值大于局部搜索前的值，則將新的適應(yīng)度函數(shù)值取代原來的解，否則原解不變。選取適應(yīng)度較高的前m個螞蟻進(jìn)行局部搜索，且m＝0.1×n，r0＝0.1。

（4）信息素更新。選取質(zhì)量較好的前m只螞蟻進(jìn)行信息素的更新。假設(shè)在第k次迭代結(jié)束以后，螞蟻對信息素τij進(jìn)行更新，公式如下:

式中:ρ為信息素蒸發(fā)損失系數(shù)；Δτij為該路徑上信息素的增加值。

（5）終止蟻群算法。最優(yōu)解的搜索過程是通過定義域上所分布的螞蟻按照轉(zhuǎn)移概率不斷地選擇路徑，以試圖找到更好的解，在其中嵌入領(lǐng)域搜索機(jī)制，當(dāng)?shù)螖?shù)T＝Tmax時算法終止，最終找到最優(yōu)解。

1.3 應(yīng)用支持向量機(jī)對節(jié)水灌溉技術(shù)進(jìn)行優(yōu)選

利用蟻群算法篩選后的指標(biāo)對節(jié)水灌溉技術(shù)樣本進(jìn)行選擇，過程如下:

（1）選取核函數(shù)與參數(shù)。目前應(yīng)用較多的3種核函數(shù)分別是:p階多項(xiàng)式分類器、徑向基函數(shù)和Sigmoid函數(shù)。徑向基函數(shù)可將數(shù)據(jù)非線性地映射到高維特征空間，具有處理特征變量和分類變量的非線性關(guān)系的能力，且徑向基函數(shù)的參數(shù)少，降低了模型選擇的復(fù)雜程度［15］，因此本文選擇徑向基函數(shù)作為支持向量機(jī)的核函數(shù)。

（2）支持向量機(jī)訓(xùn)練與測試。分別輸入4種作物的測試樣本，根據(jù)蟻群算法篩選的指標(biāo)提取數(shù)據(jù)，并采用徑向基核函數(shù)對支持向量機(jī)進(jìn)行訓(xùn)練，并根據(jù)訓(xùn)練所得參數(shù)測試樣本輸出最佳節(jié)水灌溉技術(shù)優(yōu)選正確率。

2 結(jié)果與分析

2.1 研究區(qū)域概況

山西省地處華北西部的黃土高原東翼，地理坐標(biāo)為:北緯34°34′～40°43′、東經(jīng)110°14′～114°33′，海拔為1000～2000m，地形較為復(fù)雜，山地和丘陵占總面積的三分之二以上。該省屬溫帶大陸性季風(fēng)氣候，年均氣溫為3～14℃，南北溫差大；年均降水量為400～650mm，但季節(jié)分布不均勻，6～8月降水量約占年降雨總量的60%以上。對山西省43個縣進(jìn)行了調(diào)研和數(shù)據(jù)收集，調(diào)研區(qū)域如圖2所示。

2.2 初始指標(biāo)體系

通過實(shí)地調(diào)研和查閱文獻(xiàn)，構(gòu)建了初始節(jié)水灌溉技術(shù)優(yōu)選指標(biāo)體系，包括了生產(chǎn)、生態(tài)、經(jīng)濟(jì)、氣象、社會和土壤共6類因素，共30個指標(biāo)，如圖3所示。由于部分指標(biāo)之間有較高相關(guān)性，且不同的作物需要選擇不同的指標(biāo)，因此采用蟻群算法對初始指標(biāo)體系中的指標(biāo)進(jìn)行篩選，以獲得針對不同種類作物的最終評價指標(biāo)。這樣，節(jié)水灌溉技術(shù)優(yōu)選指標(biāo)體系所包含的指標(biāo)既能反映優(yōu)選的目標(biāo)，又少而精，以免增加優(yōu)選的難度和復(fù)雜性［16］。

圖2 山西省調(diào)研區(qū)域Fig.2 Research area in Shanxi Province

圖3 節(jié)水灌溉技術(shù)優(yōu)選指標(biāo)體系Fig.3 Index system for selecting water－saving irrigation technology

2.3 數(shù)據(jù)來源

本研究中，有關(guān)生產(chǎn)、生態(tài)和經(jīng)濟(jì)基本資料數(shù)據(jù)為2008～2010年連續(xù)三年的實(shí)地調(diào)研結(jié)果，其中經(jīng)濟(jì)因素指標(biāo)及技術(shù)重復(fù)使用年限、節(jié)能率、節(jié)水率和節(jié)地率等12項(xiàng)指標(biāo)為數(shù)值型指標(biāo)，而運(yùn)行管理難易程度、消耗勞力程度、與農(nóng)藝技術(shù)結(jié)合程度、技術(shù)施工容易程度、對地下水利用影響程度、對自然環(huán)境影響程度和對農(nóng)田小氣候影響程度等各項(xiàng)為區(qū)間型指標(biāo)，每個指標(biāo)分為5個等級:1為低，2為較低，3為中等，4為較高，5為高；氣象數(shù)據(jù)來源于“中國氣象數(shù)據(jù)共享服務(wù)網(wǎng)”，統(tǒng)計(jì)時段為2001～2010；社會數(shù)據(jù)來源于2001～2010年《山西省統(tǒng)計(jì)年鑒》；土壤基本數(shù)據(jù)來源于“全國土壤基本信息調(diào)查”項(xiàng)目2008年的調(diào)研結(jié)果。地形地貌類型分為3類:1為平原，2為丘陵，3為山地；土壤肥力分為5個等級:1為低，2為較低，3為中等，4為較高，5為高。

2.4 指標(biāo)的篩選

通過收集到的山西省43個縣的區(qū)域數(shù)據(jù)作為樣本，利用蟻群算法和支持向量機(jī)以實(shí)地調(diào)查獲得的節(jié)水灌溉技術(shù)為目標(biāo)分別對小麥、玉米、大豆、棉花4種作物進(jìn)行指標(biāo)的篩選和訓(xùn)練及測試試驗(yàn)。其中優(yōu)選結(jié)果分為5類:1為滴灌，2為噴灌，3為膜灌，4為溝畦灌，5為不宜種植該作物。

選定相應(yīng)待選指標(biāo)，蟻群參數(shù)初始化設(shè)置為螞蟻群體數(shù)量M＝37、信息啟發(fā)因子α＝3、期望啟發(fā)因子β＝2、信息素蒸發(fā)損失系數(shù)ρ＝0.8，則信息素殘留因子1－ρ＝0.2，信息素增加強(qiáng)度Q＝1。分類器支持向量機(jī)采用徑向基核函數(shù)K（x，y）＝，根據(jù)試驗(yàn)發(fā)現(xiàn)核參數(shù)σ＝0.85，懲罰因子C＝100時分類效果最佳。利用蟻群算法分別對小麥、玉米、大豆、棉花4種作物進(jìn)行指標(biāo)篩選，每種作物分別運(yùn)行10次，每次運(yùn)行的迭代次數(shù)為20次，指標(biāo)篩選蟻群算法迭代過程如圖4所示。

圖4 蟻群算法篩選指標(biāo)的迭代過程Fig.4 Iterative process of index selection using ACO

從圖4可看出，第1次迭代的適應(yīng)度函數(shù)值為0.316，第3次的為0.563，迭代到第8次時適應(yīng)度函數(shù)上升到最高為0.976，當(dāng)?shù)降?0次時結(jié)束，同時輸出指標(biāo)篩選結(jié)果。運(yùn)行10次蟻群算法中，指標(biāo)篩選最佳結(jié)果如表1所示。

從表1結(jié)果可看出:

（1）在指標(biāo)數(shù)量方面，初始節(jié)水灌溉技術(shù)優(yōu)選指標(biāo)體系包含30個指標(biāo)，當(dāng)小麥的適應(yīng)度函數(shù)值為0.976時，優(yōu)選出12個指標(biāo)，指標(biāo)減少率為60%；玉米適應(yīng)度函數(shù)值為0.937時優(yōu)選出16個指標(biāo)，指標(biāo)減少率為46%；在適應(yīng)度函數(shù)值分別為0.912和0.916時，大豆和棉花優(yōu)選出17個指標(biāo)，指標(biāo)減少率均為43%。

（2）在指標(biāo)子集方面，小麥的指標(biāo)子集優(yōu)選出12個指標(biāo)，其中生產(chǎn)因素類指標(biāo)包括了消耗勞力程度X3、與農(nóng)藝技術(shù)結(jié)合程度X4；生態(tài)因素有節(jié)能率X6；經(jīng)濟(jì)因素包括單位面積灌水成本X12、水分生產(chǎn)效率X14、灌溉水利用率X15和效益費(fèi)用比X16；氣候指標(biāo)有年均積溫X20、年均降雨量X22；社會因素為年均水資源總量X27；土壤因素包括地形地貌類型X29和土壤肥力等級X30。說明在小麥生產(chǎn)的過程中，種植區(qū)域的基本條件及種植的經(jīng)濟(jì)效益是選定節(jié)水技術(shù)的決定因素。玉米的指標(biāo)子集保留了16個指標(biāo)，比小麥的指標(biāo)子集多4個，分別為:對自然環(huán)境影響程度X10、對農(nóng)田小氣候影響程度X11、年均風(fēng)速X23和農(nóng)民年人均收入X24。這是因?yàn)橛衩锥嗖捎媚す嗉夹g(shù)，地膜的使用對自然環(huán)境造成一定污染，同時對農(nóng)田小氣候產(chǎn)生影響，風(fēng)速太大將限制噴灌技術(shù)的應(yīng)用，農(nóng)民人均收入高的地區(qū)可采用投資量較大的灌溉技術(shù)。大豆和棉花的指標(biāo)子集比玉米的指標(biāo)子集數(shù)量多1個經(jīng)濟(jì)指標(biāo)，即投資回收期X17。這是因?yàn)槊藁ê痛蠖狗謩e為經(jīng)濟(jì)類作物和油類作物，價格較高，采購設(shè)備時投資回收期是個重要指標(biāo)。

蟻群算法通過對相關(guān)性較高的指標(biāo)進(jìn)行去除，實(shí)現(xiàn)了指標(biāo)的優(yōu)化和數(shù)據(jù)的降維，在很大程度上消除了數(shù)據(jù)的冗余。

表1 蟻群算法對4種作物的節(jié)水灌溉技術(shù)指標(biāo)篩選結(jié)果Table 1 Selected indexes of four kinds of crops for water－saving technology by using ACO

2.5 優(yōu)選模型測試與分析

為了測試基于蟻群算法和支持向量機(jī)的節(jié)水灌溉技術(shù)優(yōu)選模型的實(shí)際效果，提取蟻群算法篩選出的指標(biāo)，以山西省43個縣實(shí)際調(diào)研結(jié)果為標(biāo)準(zhǔn)，在小麥、玉米、大豆和棉花4種作物條件下分別對33個縣進(jìn)行訓(xùn)練，另10個縣進(jìn)行測試，其中測試輸出結(jié)果分為5類:1為滴灌，2為噴灌，3為膜灌，4為溝畦灌，5為不宜種植該作物。測試的具體結(jié)果如表2所示。

表2 本文優(yōu)選模型測試結(jié)果Table 2 Test results of proposed optimization model

從表2可看出，通過10個縣的測試，本文算法根據(jù)小麥、玉米、大豆和棉花4種作物分別優(yōu)選出了相應(yīng)的節(jié)水技術(shù)。在小麥節(jié)水灌溉技術(shù)優(yōu)選方面，陽高、山陰和昔陽3個縣節(jié)水灌溉技術(shù)優(yōu)選結(jié)果都為不適宜種植該作物，沁水、霍州和芮城結(jié)果為膜灌，而清徐、襄垣、五臺、文水優(yōu)選結(jié)果為溝畦灌，其節(jié)水灌溉技術(shù)優(yōu)選結(jié)果與當(dāng)?shù)氐膶?shí)際情況完全吻合。在玉米節(jié)水灌溉技術(shù)優(yōu)選方面，陽高、山陰、五臺、文水、昔陽節(jié)水灌溉技術(shù)優(yōu)選結(jié)果為膜灌，清徐、襄垣、霍州優(yōu)選結(jié)果為溝畦灌，沁水和芮城為滴灌，該優(yōu)選結(jié)果中只有清徐與實(shí)際情況有出入，在清徐縣中最優(yōu)選擇為膜灌而非是溝畦灌，這主要是因?yàn)榍逍炜h的積溫、地形地貌類型和溝畦灌的增產(chǎn)效果等指標(biāo)數(shù)據(jù)偏大的緣故。在大豆節(jié)水灌溉技術(shù)優(yōu)選方面，清徐、沁水、五臺、芮城結(jié)果為噴灌，陽高和昔陽結(jié)果為膜灌，襄垣、山陰、霍州結(jié)果為滴灌，文水結(jié)果為溝畦灌，與當(dāng)?shù)貙?shí)際情況對比，發(fā)現(xiàn)文水應(yīng)該選擇滴灌節(jié)水技術(shù)，因?yàn)樵摽h農(nóng)民年人均收入較山西省其他縣高，且年均蒸發(fā)量大，更適合于滴灌技術(shù)。在棉花節(jié)水灌溉技術(shù)優(yōu)選方面，陽高、襄垣、山陰和昔陽結(jié)果為不適宜種植該作物，清徐、五臺、文水結(jié)果為膜灌，沁水優(yōu)選為噴灌，而霍州、芮城選擇為滴灌，與當(dāng)?shù)貙?shí)際情況完全符合。

通過測試試驗(yàn)發(fā)現(xiàn)，只有清徐縣的玉米作物和文水縣的大豆作物的節(jié)水灌溉技術(shù)選擇結(jié)果與當(dāng)?shù)貙?shí)際情況有出入，而其他縣的節(jié)水灌溉技術(shù)選擇結(jié)果與當(dāng)?shù)貙?shí)際情況全部吻合。因此，本文提出的基于蟻群算法和支持向量機(jī)的節(jié)水灌溉技術(shù)優(yōu)選模型實(shí)用性較好。

3 結(jié) 論

（1）針對不同的作物，利用蟻群算法尋優(yōu)的特點(diǎn)進(jìn)行了指標(biāo)的優(yōu)化和篩選，試驗(yàn)結(jié)果表明，在指標(biāo)數(shù)量方面，從初始節(jié)水灌溉技術(shù)優(yōu)選指標(biāo)體系的30個指標(biāo)中，小麥優(yōu)選出12個指標(biāo)，指標(biāo)減少率為60%；玉米優(yōu)選出16個指標(biāo)，指標(biāo)減少率為46%；大豆和棉花優(yōu)選出17個指標(biāo)，指標(biāo)減少率在43%。因此，蟻群算法的應(yīng)用有效減少了指標(biāo)數(shù)量，降低了數(shù)據(jù)維數(shù)。

（2）通過山西省10個縣的試驗(yàn)發(fā)現(xiàn)，只有清徐縣的玉米作物和文水縣的大豆作物的節(jié)水灌溉技術(shù)選擇結(jié)果與當(dāng)?shù)貙?shí)際情況有出入，而其他縣的節(jié)水灌溉技術(shù)選擇結(jié)果與當(dāng)?shù)貙?shí)際情況全部吻合。

（3）本文提出的節(jié)水灌溉技術(shù)優(yōu)選模型，既充分考慮了專家的經(jīng)驗(yàn)和直覺思維的優(yōu)點(diǎn)，又降低優(yōu)選過程中人為地不確定性因素的影響，具有運(yùn)算速度快、準(zhǔn)確率高、過程方便簡捷的特點(diǎn)，對節(jié)水灌溉項(xiàng)目規(guī)劃設(shè)計(jì)中選擇適宜的節(jié)水灌溉技術(shù)有較大的現(xiàn)實(shí)意義。

［1］李小輝.簡論農(nóng)業(yè)節(jié)水灌溉技術(shù)［J］.赤峰學(xué)院學(xué)報:自然科學(xué)版，2009，25（1）:114－115.Li Xiao－h(huán)ui. Agricultural water－saving irrigation technology［J］.Journal of Chifeng University（Natural Science Edition），2009，25（1）:114－115.

［2］孟夏.節(jié)水灌溉適宜技術(shù)選擇方法研究［D］.濟(jì)南:山東農(nóng)業(yè)大學(xué)，2008:41－58.Meng Xia.The disquisition of choosing the watersaving and irrigation technology in order［D］.Ji′nan:Shandong Agricultural University，2008:41－58.

［3］賀延國，付強(qiáng)，邢貞相，等.東北半干旱地區(qū)節(jié)水灌溉技術(shù)組裝模式優(yōu)選研究［J］.灌溉排水學(xué)報，2006，25（2）:81－84.He Yan－guo，F(xiàn)u Qiang，Xing Zhen－xiang，et al.Optimizing the model of water－saving irrigation technique assembling in semi－arid irrigating district of northeast China［J］.Journal of Irrigation and Drainag，2006，25（2）:81－84.

［4］陳歡，葉少有.基于屬性識別模型的節(jié)水灌溉方案優(yōu)選［J］.合肥工業(yè)大學(xué)學(xué)報:自然科學(xué)版，2009，32（12）:1893－1895.Chen Huan，Ye Shao－you.Optimization of water saving irrigation modes based on attribute recognition model［J］.Journal of Hefei University of Technology（Science Edition），2009，32（12）:1893－1895.

［5］盧玉邦，郭龍珠，郎景波.綜合評價方法在節(jié)水灌溉方式選擇中的應(yīng)用［J］.農(nóng)業(yè)工程學(xué)報，2006，22（2）:33－36.Lu Yu－bang，Guo Long－zhu，Lang Jing－bo.Application of integrated appraisal method to water－saving irrigation pattern selection［J］.Transactions of the CSAE，2006，22（2）:33－36.

［6］張慶華，白玉慧，倪紅珍.節(jié)水灌溉方式的優(yōu)化選擇［J］.水利學(xué)報，2002（1）:47－51.Zhang Qing－h(huán)ua，Bai Yu－h(huán)ui，Ni Hong－zheng.Optimal choice of water saving irrigation mode［J］.Journal of Hydraulic Engineering，2002（1）:47－51.

［7］趙振霞，白清俊，唐濤.基于模糊神經(jīng)網(wǎng)絡(luò)的節(jié)水灌溉適宜技術(shù)優(yōu)選模型研究［J］.水利科技與經(jīng)濟(jì)，2010，16（3）:294－296.Zhao Zhen－xia，Bai Qing－jun，Tang Tao.Optimization model of water－saving irrigation techniques based on fuzzy neural network［J］.Water Conservancy Science and Technology and Economy，2010，16（3）:294－296.

［8］高峰，雷聲隆，龐鴻賓.節(jié)水灌溉工程模糊神經(jīng)網(wǎng)絡(luò)綜合評價模型研究［J］.農(nóng)業(yè)工程學(xué)報，2003，19（4）:84－87.Gao Feng，Lei Sheng－long，Pang Hong－bin.Model of fuzzy nervous network integrated assessment of water－saving irrigation projects［J］.Transactions of the CSAE，2003，19（4）:84－87.

［9］Schuck Eric C，Marshall Frasier W，Webb Robert S，et al.Adoption of more technically efficient irrigation system as a drought response［J］.Water Resource Development，2005（12）:651－662.

［10］Moreno Georgian，Sunding David L.Joint estimation of technology adoption and land allocation with implications for the design of conservation policy［J］.American Journal of Agricultural Economics，2005（11）:1009－1019.

［11］Montazar A，Behbahani S M.Development of an optimised irrigation system selection model using analytical hierarchy process［J］.Biosystems Engineering，2007，98:155－165.

［12］趙學(xué)華，李道亮，楊文柱，等.基于改進(jìn)蟻群算法的棉花異性纖維目標(biāo)特征選擇方法［J］.農(nóng)業(yè)機(jī)械學(xué)報，2011，42（4）:168－173.Zhao Xue－h(huán)ua，Li Dao－liang，Yang Wen－zhu，et al.Feature selection for cotton foreign fiber objects based on improved ant colony algorithm［J］.Transactions of the Chinese Society for Agricultural Machinery，2011，42（4）:168－173.

［13］王書志，張建華，馮全.基于紋理和顏色特征的甜瓜缺陷識別［J］.農(nóng)業(yè)機(jī)械學(xué)報，2011，42（3）:175－179.Wang Shu－zhi，Zhang Jian－h(huán)ua，F(xiàn)eng Quan.Defect detection of muskmelon based on texture features and color features［J］.Transactions of the Chinese Society for Agricultural Machinery，2011，42（3）:175－179.

［14］張智韜，劉俊民，陳俊英，等.基于RS、GIS和蟻群算法的多目標(biāo)渠系配水優(yōu)化［J］.農(nóng)業(yè)機(jī)械學(xué)報，2010，41（11）:72－78.Zhang Zhi－tao，Liu Jun－min，Chen Jun－ying，et al.Water resources allocation of canal system based on multi－objective about RS，GIS and ant colony algorithm［J］.Transactions of the Chinese Society for Agricultural Machinery，2010，41（11）:72－78.

［15］張建華，冀榮華，祁力鈞.基于徑向基支持向量機(jī)的棉花蟲害識別［J］.農(nóng)業(yè)機(jī)械學(xué)報，2011，42（8）:192－197.Zhang Jian－h(huán)ua，Ji Rong－h(huán)ua，Qi Li－jun.Recognition of pest damage for cotton leaf based on RBFSVM algorithm［J］.Transactions of the Chinese Society for Agricultural Machinery，2011，42（8）:192－197.

［16］粟曉玲，康紹忠.石羊河流域多目標(biāo)水資源配置模型及其應(yīng)用［J］.農(nóng)業(yè)工程學(xué)報，2009，25（11）:128－132.Su Xiao－ling，Kang Shao－zhong.Multi－objectives allocation model of water resources and its application in the Shiyang Riverbasin［J］.Transactions of the CSAE，2009，25（11）:128－132.