基于深度學習人工神經(jīng)網(wǎng)絡(luò)的青椒調(diào)虧灌溉水量預測

劉婧然，武海霞，劉 心，劉 真，王鵬宇，張有強，李玉瓊

(1.河北工程大學水利水電學院，河北 邯鄲 056038；2.河北省智慧水利重點試驗室，河北 邯鄲 056038；3.河北工程大學信息與電氣工程學院，河北 邯鄲 056038)

首屆聯(lián)合國國際水資源大會(UNESCO-IWC 2019)提出，水資源是人類可持續(xù)發(fā)展的關(guān)鍵因素，而全球都面臨淡水資源緊缺[1]。中國也是一個水資源嚴重短缺的農(nóng)業(yè)大國[2]，水資源的匱乏已經(jīng)成為可持續(xù)發(fā)展的瓶頸[3]。農(nóng)業(yè)是我國最主要的用水部門[2-3]，其用水量約占全國水資源消耗總量的70%左右。其中農(nóng)田灌溉用水約占農(nóng)業(yè)用水的90%以上[4]。因此，實施節(jié)水灌溉技術(shù)，發(fā)展精準農(nóng)業(yè)，實現(xiàn)智能精準灌溉對解決中國水資源短缺問題尤為重要。

滴灌是目前最有效的節(jié)水灌溉技術(shù)之一[5]，滴灌既可以實現(xiàn)精準灌溉，又能提高作物根區(qū)水肥分布的均勻度，提高灌溉效率，因此在干旱半干旱地區(qū)得到了廣泛的應用[6-8]。覆蓋栽培作為一種有效的節(jié)水技術(shù)，在農(nóng)業(yè)生產(chǎn)中已進行了大量研究，研究表明通過秸稈覆蓋技術(shù)可以使土壤體積含水率始終保持較高水平，改善田間土壤環(huán)境，提高水分利用效率和耕層土壤有機質(zhì)含量，促進作物根系發(fā)育，有利于作物增產(chǎn)[9-14]。調(diào)虧灌溉(regulated deficit irrigation，RDI)是在作物某一生育期人為的施加水分虧缺，可以提高作物抗旱能力、水分利用效率和作物產(chǎn)量及品質(zhì)，或使產(chǎn)量保持不變[15]。調(diào)虧灌溉的節(jié)水增產(chǎn)效應已被很多試驗證實[4,16-21]。此外，壟溝集雨種植技術(shù)通過田間起壟覆膜，使降水集中于作物根部，減少地面水分蒸發(fā)，最大限度地充分利用自然降水，盡可能多地將降水保蓄于土壤中，該技術(shù)能顯著提高作物產(chǎn)量和水分利用效率，已成為全球農(nóng)田生態(tài)系統(tǒng)的一項重要的集水節(jié)灌技術(shù)[22-27]。本文將上述節(jié)水灌溉技術(shù)相結(jié)合，將部分秸稈覆蓋的集雨調(diào)虧滴灌種植技術(shù)(MFR-RDI)用于河北省南部的青椒種植中，對實施多重節(jié)水灌溉提供技術(shù)支持。

我國關(guān)于灌溉預測方法研究起步較晚。近年來國內(nèi)外的相關(guān)研究主要有：冀榮華[28]等人研究了基于多值神經(jīng)元復數(shù)神經(jīng)網(wǎng)絡(luò)的土壤墑情預測，指出預測結(jié)果可作為節(jié)水灌溉策略制定的理論依據(jù)。Dureun[29]等人通過人工神經(jīng)網(wǎng)絡(luò)模型對土壤水分變化進行預測，利用水平衡原理計算滴灌系統(tǒng)中櫻桃樹的需水量，從而進行灌溉決策，該灌溉決策系統(tǒng)有效地提高了作物水分利用效率，并降低了系統(tǒng)能耗。顧哲[30]等人為提高日光溫室的灌溉水利用效率，構(gòu)建了基于ET和水量平衡方法的實時精準灌溉決策，該研究為實現(xiàn)灌溉決策提供參考。Li Maona[31]等人開發(fā)了基于模糊推理的實時灌溉決策支持系統(tǒng)(IDSS)及相關(guān)軟件。于合龍[32]等人提出，一種物聯(lián)網(wǎng)下人參種植的智能精準灌溉決策模型，通過信息采集和傳輸模塊對土壤含水率、空氣溫濕度等環(huán)境信息進行實時采集，結(jié)合采集到的環(huán)境數(shù)據(jù)，建立決策數(shù)學模型，實現(xiàn)預報灌溉時間、灌溉最佳量的灌溉決策功能，實現(xiàn)精準灌溉，結(jié)果表明所設(shè)計的模型能夠?qū)崿F(xiàn)有效決策。綜上，我國關(guān)于灌溉預測的方法研究大多是以水量平衡原理為基礎(chǔ)的數(shù)學模型，關(guān)于人工神經(jīng)網(wǎng)絡(luò)在灌溉預測方面的研究較少，尤其是近幾年廣泛應用的“深度神經(jīng)網(wǎng)絡(luò)”[33]。

深度神經(jīng)網(wǎng)絡(luò)(depth neural network，DNN)是當前熱點研究的人工智能算法，又稱深度學習[34-35]。與傳統(tǒng)的淺層神經(jīng)網(wǎng)絡(luò)相比，深度學習可以從低價值密度的樣本中提取高水平特征，更好地提取復雜數(shù)據(jù)特征，獲取有價值知識，并且具有更強的泛化能力，能夠從少數(shù)樣本中學習到事物的本質(zhì)特征，深度神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型相比，性能得到了顯著的提升[36-38]。近年來，深度學習已廣泛應用于各行各業(yè)[39-41]，其在我國農(nóng)業(yè)中的應用主要涉及病蟲害監(jiān)測、植物和水果識別、農(nóng)作物及雜草檢測與分類等智能農(nóng)業(yè)領(lǐng)域[42]。但深度學習在農(nóng)業(yè)智能精準灌溉中的應用還有待深入研究，因此，本文探討了深度學習神經(jīng)網(wǎng)絡(luò)在MFR-RDI種植模式下青椒智能灌溉預測應用中的適用性，為深度學習人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)智能精準灌溉中的應用提供技術(shù)支持，對發(fā)展精準農(nóng)業(yè)、實現(xiàn)智能精準灌溉、節(jié)約灌溉用水和緩解中國水資源短缺有重要的現(xiàn)實意義。

1 研究區(qū)及數(shù)據(jù)

1.1 研究區(qū)域

田間試驗于2014—2018年在河北工程大學精準灌溉試驗場進行。試驗場位于河北省邯鄲市區(qū)(114°29′23″E，36°35′20″N，海拔62.22 m)。屬于溫帶大陸性季風氣候區(qū)，多年平均降水量約為548 mm，年平均氣溫約為14℃，全年無霜期約200 d。試驗地土壤為壤土，土質(zhì)均勻。0～50 cm土層平均容重約為1.6 g·cm-3，田間持水量(占干土質(zhì)量)約為29.5%，土壤pH值約為7.4。

圖1為試驗小區(qū)布置示意圖，小區(qū)長為1.2 m，寬為1 m，青椒行距50 cm，株距30 cm。采用集雨調(diào)虧滴灌(MFR-RDI)種植方式(圖1a、c)：種植溝和壟的寬度分別為60 cm和40 cm；壟的高度15 cm左右，塑料薄膜鋪設(shè)于壟上，溝內(nèi)種植青椒，將秸稈粉碎成20 cm左右均勻撒于溝內(nèi)，各試驗小區(qū)的測孔距離滴頭約5 cm。試驗將青椒生育期劃分為4個時期：苗期、開花坐果期、結(jié)果盛期和結(jié)果后期，其對應生育期的天數(shù)分別約為：35、30、45 d和40 d。MFR-RDI種植方式中，每個生育期分別設(shè)置2種虧水處理，各虧水處理分為重度虧水(用 S 表示：灌水至70%～60%田間持水量)和輕度虧水(用 L 表示：灌水至80%～70%田間持水量)。對照組為正常充分灌水(用 N 表示，灌水至90%～80%田間持水量)，傳統(tǒng)平作(圖1b、d)采用地面灌，各生育期水分調(diào)虧具體見表1所示。每個處理設(shè)置3組重復。當測得的土壤含水率平均值低于試驗方案設(shè)定的土壤水分下限時，對其補充灌水至各處理上限。試驗區(qū)設(shè)有自動氣象站及自動遮雨棚，當降水量達到試驗設(shè)定的土壤含水量最高限時，各試驗小區(qū)的遮雨棚自動打開。試驗區(qū)地下水位平均埋深約25 m，因此無地下水補給。

表1 青椒不同生育期不同種植方式的水分調(diào)虧處理

1.2 研究數(shù)據(jù)

本研究經(jīng)過2014—2017年試驗得出灌溉水利用效率(IWUE)最高的試驗處理為青椒結(jié)果后期重度虧水(T8R)，如圖2所示。因此，選取T8R試驗處理所需的灌水量來進行預測。2014—2018年青椒結(jié)果后期重度虧水的灌水量如圖3所示。深度學習人工神經(jīng)網(wǎng)絡(luò)的訓練集與測試集的比例為4∶1。

此外，通過灌水量與采集的氣象因素、作物因素的相關(guān)性分析，選取相關(guān)性較強的影響此種植方式下灌水量的因素作為預測模型的輸入因素，因此本文選取的模型輸入數(shù)據(jù)為2014—2018年青椒作物生育期內(nèi)的降水量、土壤含水率、作物實際需水量(ET)、生育期天數(shù)、前一天的灌水量。降水量、土壤含水率通過氣象站和TDR自動采集數(shù)據(jù)。前四年作物需水量通過采集的土壤含水率，用田間水量平衡方程[43]計算得出，見公式(1)。2018年的ET數(shù)據(jù)為設(shè)計性能較好的神經(jīng)網(wǎng)絡(luò)預測ET模型預測得出。

ET=I+P+ΔSW-DP-Roff

(1)

式中，ET為作物需水量(mm)，I為灌水量(mm)，P為降水量(mm)，ΔSW為計劃濕潤層內(nèi)土壤有效儲水量的變化量(mm)，Dp為深層滲漏量(mm)，Roff為徑流量(mm)。本試驗的灌溉水量僅能滿足設(shè)計要求，試驗在精準灌溉試驗小區(qū)進行，因此Dp和Roff值忽略。

2 DNN預測模型的建立與結(jié)果分析

當前流行的深度學習起源于對神經(jīng)網(wǎng)絡(luò)的研究，對于只有一個隱含層的神經(jīng)網(wǎng)絡(luò)，在一定的精度要求下，通過增加隱含層的神經(jīng)元數(shù)量可以擬合任何曲線。顯然，無限制增加神經(jīng)元數(shù)量是不現(xiàn)實的，直到2006年，深度學習概念由Geoffrey Hinton等人提出，開啟了深度學習的浪潮。DNN是多隱含層的神經(jīng)網(wǎng)絡(luò)，在這個神經(jīng)網(wǎng)絡(luò)中，每一層都把前一層的輸出看成是本層的輸入?？梢?，深度多層神經(jīng)網(wǎng)絡(luò)包含了許多非線性變換，這些變換使得深度多層神經(jīng)網(wǎng)絡(luò)能夠簡潔地近似表達復雜的非線性函數(shù)。DNN善于分辨出數(shù)據(jù)中的復雜模式，已廣泛應用于各行各業(yè)。

2.1 數(shù)據(jù)分析及預處理

MFR-RDI種植方式下青椒ET在作物生長發(fā)育期內(nèi)的變化規(guī)律如圖4所示。從圖4可以看出，2014—2018年，ET從苗期到結(jié)果盛期波動式逐漸增加，結(jié)果盛期達到峰值，到結(jié)果后期，ET又波動式逐漸減少，但仍比苗期大。可見，青椒ET在生育期內(nèi)呈現(xiàn)出周期規(guī)律性變化。

此外，由圖3可知，2014—2018年灌水量均為苗期最少，開花坐果期與結(jié)果盛期灌水量最多，其次為結(jié)果后期?？梢?，MFR-RDI種植方式下T8R的青椒灌水量在生育期內(nèi)也呈現(xiàn)出周期規(guī)律性變化。

DNN預測模型進行訓練時，為了消除原始數(shù)據(jù)之間的量綱差異與極值對模型的影響，更好地反映各因素之間的相互關(guān)系，需要對樣本數(shù)據(jù)進行歸一化預處理，將數(shù)據(jù)轉(zhuǎn)換到[0,1]之間。采用公式(2)進行歸一化處理。

(2)

2.2 MFR-RDI種植方式下青椒灌水量DNN預測模型的設(shè)計

經(jīng)過相關(guān)分析以及對預測模型的試驗，篩選出影響MFR-RDI種植方式下青椒灌水量的主要因素，然后將其作為DNN預測模型的輸入層。本研究選取的模型輸入因素為：作物生育期天數(shù)、作物需水量、土壤含水率、降水量、前一天灌水量。將灌水量作為模型的輸出。應用模型預測時，將當天的輸入因素輸入模型中，則輸出當天灌水量。DNN預測模型的流程圖如圖5所示。具體流程如下：

(1)首先進行原始數(shù)據(jù)的采集。

(2)將得到的氣象數(shù)據(jù)、作物需水量、灌水量等數(shù)據(jù)進行歸一化處理，消除原始數(shù)據(jù)之間的量綱差異。

(3)將數(shù)據(jù)集的80%的數(shù)據(jù)，即2014—2017年的數(shù)據(jù)作為DNN模型的訓練數(shù)據(jù)；20%的數(shù)據(jù)，即2018年的數(shù)據(jù)作為測試數(shù)據(jù)(預測數(shù)據(jù))。

(4)建立DNN模型，對DNN模型進行訓練。

(5)對預測模型的輸出結(jié)果進行精度檢驗，如果滿足要求，則結(jié)束訓練，輸出預測結(jié)果；如果輸出結(jié)果的精度檢驗不滿足要求，則調(diào)整DNN模型的參數(shù)，再次對模型進行訓練，直到輸出結(jié)果滿足精度要求，結(jié)束訓練，輸出預測結(jié)果。

本研究通過對DNN的試驗設(shè)計，得出采用四個隱含層結(jié)果的深度神經(jīng)網(wǎng)絡(luò)可以顯著提高預測模型的精度，整體模型框架如圖6所示?？梢姡O(shè)計的DNN網(wǎng)絡(luò)結(jié)構(gòu)圖中輸入層神經(jīng)元個數(shù)為5，隱含層為4層，各隱含層神經(jīng)元個數(shù)分別為：32、16、8、4。網(wǎng)絡(luò)輸出層為預測的當天灌水量，即一個神經(jīng)元。此外，其余模型的參數(shù)設(shè)置見表2所示，其中激活函數(shù)選取“ReLU”，因為網(wǎng)絡(luò)層數(shù)較多時容易導致梯度消失，此激活函數(shù)在多種經(jīng)典網(wǎng)絡(luò)模型中效果優(yōu)異，能夠有效緩解梯度消失問題，加快訓練速度[44-45]?！癮dam”優(yōu)化器是一種自適應參數(shù)更新算法，對超參數(shù)的選擇具有高魯棒性，因此本研究選取的優(yōu)化函數(shù)為“adam”[44]。

表2 DNN預測模型參數(shù)設(shè)置

2.3 預測模型的性能評價

本研究使用均方根誤差(RMSE)、平均絕對誤差(MAE)和納什效率系數(shù)(Nash-Sutcliffe coefficient，NS)等來評價預測模型的性能。RMSE對一組測量中的特大或特小誤差反應非常敏感，能夠很好地反映出測量的精密度和整體偏差大小。MAE可以避免誤差相互抵消的問題，可以準確反映實際預測誤差的大?。籒S能很好地反映預測值和實測值之間的吻合程度，反映預測值序列和實測值序列的擬合關(guān)系[34]。

(3)

(4)

(5)

其中,Pi為預測值，Oi為實際觀測值，Imean是實際值的均值。N為觀測數(shù)。RMSE和MAE的單位為mm，取值范圍從0到∞。NS是無量綱的，取值范圍從1到-∞。對模型進行評價時，RMSE和MAE越小，NS越大，預測精度越高。

2.4 青椒灌水量DNN預測結(jié)果分析

經(jīng)過網(wǎng)絡(luò)試驗，將設(shè)置好的最優(yōu)DNN預測模型參數(shù)用于2018年MFR-RDI種植方式下青椒結(jié)果后期重度調(diào)虧的青椒灌水量預測中，DNN網(wǎng)絡(luò)預測迭代結(jié)果示意圖如圖7所示，圖中損失函數(shù)為MSE(均方誤差)，因為MSE可以評價數(shù)據(jù)的變化程度，MSE的值越小，說明預測模型描述試驗數(shù)據(jù)具有更好的精確度。可見在迭代次數(shù)達到300時，MSE已較為穩(wěn)定，基本停止下降，曲線趨于平坦，說明需要的最大迭代次數(shù)為300次，滿足了最終要求，訓練完成，輸出預測結(jié)果。

將預測結(jié)果進行反歸一化處理，將各個生育期內(nèi)預測值在滿足合理灌水量范圍的數(shù)據(jù)作為有效數(shù)據(jù)進行使用(本研究忽略極小的不合理預測值)，得到最終預測的灌水量數(shù)據(jù)，將其與實際理論灌水量數(shù)據(jù)進行對比分析，如圖8a所示?？梢钥闯?，DNN模型的預測值與實際灌水量的相關(guān)系數(shù)R2為0.7635，具有較強的相關(guān)性。通過公式(3)、(4)及公式(5)得出，DNN預測灌水量模型的RMSE為0.898 mm，MAE為0.257 mm，NS為0.758，可見模型預測的準確度較高，具有較強的適用性。在實際操作中，忽略不合理灌水量預測值，且2018年降水量偏多，作物生育期內(nèi)實際利用的有效降水量約319 mm，因此最終預測灌水次數(shù)為15次，灌水日期如圖8b所示?？梢?，灌水量、灌水日期、灌水次數(shù)均可獲得，即實現(xiàn)了對MFR-RDI種植方式下青椒結(jié)果末期重度虧水灌溉制度的預測，且預測效果較好，為DNN模型用于灌溉制度的預測提供技術(shù)支持。

3 結(jié) 論

本文使用DNN作為非線性擬合方法，用于河北省南部地區(qū)MFR-RDI種植方式下水分利用效率最高的青椒結(jié)果后期重度虧水的灌水量預測，為實現(xiàn)多重、高效節(jié)水灌溉提供技術(shù)支持。經(jīng)過對網(wǎng)絡(luò)模型的試驗，得出利用作物因素、氣象因素、土壤因素作為模型的輸入因素，即ET、青椒生育期天數(shù)、作物生育期內(nèi)的降水量、土壤含水率、前一天的灌水量。預測時，將當天的模型輸入因素輸入預測模型中，模型則輸出當天灌水量，并由預測結(jié)果可以得到相應的灌水次數(shù)、灌水日期、灌水定額和灌溉定額，進而得到MFR-RDI種植方式下青椒結(jié)果后期重度虧水的灌溉制度。采用2014—2017年的數(shù)據(jù)對模型進行訓練，對2018年的預測數(shù)據(jù)進行了驗證。結(jié)果表明，該預測模型的RMSE、MAE、NS、R2分別為0.898 mm、0.257 mm、0.758、0.7635。綜上所述，使用DNN預測模型，直接進行灌水量預測可以得到較好的效果，這為灌區(qū)實現(xiàn)灌水量預測提供了新思路。

DNN預測灌水量模型的參數(shù)是在一定的管理水平和自然條件下試驗獲取，有一定的預測適用范圍，預測模型不能反映各物理量之間的關(guān)系，這是此類預測模型不可避免的局限性。