大数据及人工智能技术在灌溉领域的应用初探

2017-03-21王应海

节水灌溉 2017年3期

王应海

(北京东方润泽生态科技股份有限公司，北京 100191)

1 概要

农民渴望对自己的土地状态有动态的掌握，从作物的生长状态到可能破坏作物生长的病虫害、风、雨、雪、霜、热、雾霾等，希望对天气数据、GPS数据、土壤细节、种子、化肥和作物保护剂规格等影响农作物及土地的影响因素了如指掌，但是，在信息爆炸的今天，每个关键信息的背后都需要对海量信息进行处理。例如，1972-2013年,被登记审定的玉米品种总数为6 291个,在2013年现存的审定玉米品种数为4 882个，只有通过大数据数据挖掘，机器学习技术，帮助农民对关键决策做出科学决定：在哪里种植、用什么类型的种子以及预测最佳的播种时间等，以提高产量、降低成本。

另外，一旦播种完毕，围绕着灌溉、施肥和保护作物的各种决策都对时间非常敏感，并且很大程度上受天气的影响。如果农民知道第二天会有大雨，就会决定今天不施肥，因为肥料将会被大雨冲走。知道是否即将下雨也会影响何时灌溉。全世界有70%的淡水资源被用于农业，能够更好地管理农业用水将会对全球淡水供应产生巨大的影响。因此，本文的关注点是大数据及人工智能技术在农业用水方面的应用。

2 作物需水量ETc

对于农业用水，作物需水量是农业生产中最为基础的数据。是研究农田水分变化规律、水分资源开发利用、农田水利工程规划和设计、分析和计算灌溉用水量等的依据之一。作物需水量是在正常生育状况和最佳水、肥条件下，作物整个生育期中，农田消耗于蒸散的水量。一般以可能蒸散量表示，即为植株蒸腾量与株间土壤蒸发量之和，以mm或m3/hm2计。影响田间作物需水量的主要因素有：气象条件、作物种类、土壤性质和农业措施等。气温高，空气干燥，风速大，作物需水量就大；生长期长、叶面积大、生长速度快、根系发达以及蛋白质或油脂含量高的作物需水量就大。

作物不同发育期的需水量差别很大。一般在整个生育期中，前期小，中期达最高峰，后期又减少。生殖生长时期，往往是需水临界期。如禾谷类作物的孕穗期，对缺水最为敏感，此期缺水，对生长发育极为不利，常造成大幅度减产。

确定作物需水量的基本方法有水量平衡法和能量平衡法。前者可用简测法、坑测法和田测法；后者测定项目有净辐射量、乱流热通量、土壤吸收或放出的热量等。在资料短缺时常采用彭曼公式等经验或半经验方法估计可能蒸散量。但是，上述方法均依赖于科研的方式和手段，需要人力、物力和时间投入，不能够自动化的生成作物需水量数据用于指导生产。

从1990年5月专家咨询(Expert Consultation)会议后，FAO Penman-Monteith 方法现被推荐为定义和计算参考作物腾发量(ET0)的标准方法。标准条件下的作物需水量ETc可通过Kc确定，即：

ETc=ET0Kc

需要实现自动化的测报作物需水量ETc，需要实现自动化的测报参考蒸发蒸腾量(ET0)及作物系数Kc。

3 大数据、人工智能与自动化测报参考作物蒸发蒸腾量(ET0)

2016年5月，insentek公司首次公布了其覆盖全中国、1 km精度、具备1981年1月1日到当日，共历时36年具体到天的参考蒸发蒸腾量(ET0)大数据平台，该平台同时还提供了预测未来7日的参考蒸发蒸腾量(ET0)数值服务。

参考蒸发蒸腾量ET0，顾名思义，它是一个参考值，是蒸发蒸腾量的参考、参照值。蒸发蒸腾是地球水循环中最重要的环节之一。水分从植物体表面(主要是叶子)以水蒸气状态散失到大气中的过程叫做蒸腾，土壤中水分汽化进入大气的过程叫做蒸发，合称蒸发蒸腾。由于组成植物体中的水分与蒸发蒸腾所消耗的水分相比微乎其微，因此，可以认为植株的需水量就等于植株蒸腾量和棵间土壤蒸发量之和。与蒸发蒸腾量相关的因素可以分为两大类：气象因素；作物因素(作物的叶面指数、种植模式、土壤环境等)。

气象因素具有大范围内近似一致的特点，国际上一般认为一台气象站可代表10×10 km2范围的气象因素。同时，结合气象遥感卫星、地面气象雷达等现代科技，人们对气象因素的掌握具备了高密度、全覆盖性、准确性、预测性等特点。

利用气象因素的这些特点，对作物需水量的估算可以分为以下两步去完成：

第一步，考虑气象因素对植物需水量的影响，计算出参考蒸发蒸腾量(简称：ET0)；

第二步，考虑作物相关的影响因素，对参考蒸发蒸腾量进行调整或修正，修正系数称之为作物系数Kc，即，ETc=ET0×Kc，完成对植物需水量的估算。

1992年，联合国粮农组织FAO 将参考蒸发蒸腾量ET0定义为：“一种假想参照作物冠层的蒸发蒸腾量，假想作物的高度为0.12 m，固定的冠层阻力为 70 s/m，反射率为 0.23，非常类似于表面开阔、高度一致、生长旺盛、完全覆盖地面而不缺水的绿色草地的蒸发蒸腾量”。并且推荐彭曼公式为标准计算公式。

通过这个定义，一方面，把作物、土壤对植物需水量影响因素做了统一的约定，把气象因素作为影响植物需水量的主要变量；另一方面，定义规定了参考作物的生长状态非常美好，但是在生产实际中时常不具备完好的外界条件，因此，参考蒸发蒸腾量ET0表达的是参考的潜在蒸发蒸腾量。

对于ET0的计算，世界上公认理论上最严密，实用上最方便，计算精度最高的公式是彭曼公式。下面阐述了不同时段(从小时到月)ET0的计算方法。FAO Penman-Monteith方程如下：

(1)

式中：ET0为参考腾发量，mm/d；Rn为作物表面净辐射，MJ/(m2·d)；G为土壤热通量密度，MJ/(m2·d)；T为2 m高处气温，℃；u2为2 m高处风速，m/s；es为饱和水气压，kPa；ea为实际水气压，kPa；es-ea为饱和水气压差，kPa；Δ为水气压曲线斜率，kPa/℃；γ为湿度计常数，kPa/℃。

由于insentek公司提供1 km精度的ET0数据，而两台气象站的间隔远大于1 km，因此，需要海量的地理信息数据、遥感卫星数据及模型对气象站之间的气象数据进行模拟处理，计算出FAO Penman-Monteith方程所需要的参数。另外，insentek公司鼓励用户直接使用“天圻”智慧型全电子免维护型气象站自动获得当地ET0数据。

4 大数据、人工智能与自动化测报作物系数Kc

Kc是参考蒸发蒸腾量ET0和作物需水量ETc的比值，ETc需要通过实验的方式获得。使用大型蒸渗仪可以获得ETc数据，但实验成本太高。基于智能管式多深度土壤水分传感器监测到的海量土壤水分大数据、insentek公司采用数据挖掘、机器学习技术，将隐藏在海量数据中的信息和知识挖掘出来，人工智能自动获得作物ETc数据。

例如，“智墒ET100”系统，能够实时监测从地表到地下1 m深，间隔10 cm共10个土层的含水量变化动态。通过对作物耗水状态的智能识别，部署在云端的程序可以自动找出并计算出符合作物需水量ETc概念、定义的数值。

智能程序进行数据挖掘的前提是实时获得传感器产生的海量数据。

以“智墒ET100”为例：

如果每间隔1 h采集一次数据，1天24 h可以采集到24×10土层=240个土壤水分数据，1年365 d可以采集到240×365=87 600条土壤水分数据。同时，“智墒ET100”可以根据土壤水分的变化动态，如识别到正在发生灌溉或降雨，则智能自动加密数据采集间隔，最密可以每间隔5 min采集一次数据。因此，一台“智墒ET100”工作一年可采集到近10万条连续变化的水分数据。

如果采用人工取土烘干的土壤水分数据获得方式，假设一个人工作一天可以获得45个烘干取土数据，则一台“智墒ET100”一年测量产生的数据需要一个人工作约8年才可以获得。同时，以3台土壤烘干箱1.5KW功率连续工作计算，将约消耗约8 万kWh的电能。

另外，云端对数据进行多维度处理，使得智墒能够自动识别植物活动根系深度及分布比例，自动识别农作物是否缺水胁迫，进而可按天计算出土壤储水量、农作物的实际蒸发蒸腾量ET。

结合用户提供的作物类型数据，作物生长状态，云端判断作物耗水状态后，智墒可以计算出具备地理位置信息的作物理想耗水量ET值，即视为作物在当前状态下的需水量ETC数值。根据智墒的GPS定位数据，数据平台自动获得所在位置的考蒸发蒸腾量ET0数据。由此，自动化计算出农作物在当前生长阶段当前位置环境下作物系数Kc。

5 大数据形成全生育期作物系数Kc曲线，自动化测报作物需水量

如图1，由于研究条件的限制，即使在国外农业发达国家，在联合国粮农组织的推荐方案中，也仅常常把作物全生育期的作物系数Kc划分为Kcini、Kcmid和Kcend三个阶段。基于上述作物系数KC可自动获得的实现，insentek公司实现了连续的，有大量数据支撑的Kc数值曲线。由于作物系数Kc数值的大量丰富，为发现反应作物特性作物系数KC背后的更多、更稳定规律提供了可能。

6 构建地图式分布全生育期动态作物系数Kc数据库

结合作物分布图，构建地图式分布全生育期动态作物系数Kc数据库。用户确认选择自己的作物类型后，系统通过用户提供的位置信息，自动为用户匹配推荐采用的作物系数Kc，基于1 km精度，提供36年历史到天数据、同时提供预测未来15 d的参考蒸发蒸腾量ET0数据平台，实现自动化实时测报作物日需水量。如图2为某区域的作物连续3 a的作物系数KC图，如图3，通过大数据累计的KC及ET0数据得到的中国各区域作物需水量图。