基于深度学习人工神经网络的青椒调亏灌溉水量预测

刘婧然，武海霞，刘 心，刘 真，王鹏宇，张有强，李玉琼

(1.河北工程大学水利水电学院，河北 邯郸 056038；2.河北省智慧水利重点试验室，河北 邯郸 056038；3.河北工程大学信息与电气工程学院，河北 邯郸 056038)

首届联合国国际水资源大会(UNESCO-IWC 2019)提出，水资源是人类可持续发展的关键因素，而全球都面临淡水资源紧缺[1]。中国也是一个水资源严重短缺的农业大国[2]，水资源的匮乏已经成为可持续发展的瓶颈[3]。农业是我国最主要的用水部门[2-3]，其用水量约占全国水资源消耗总量的70%左右。其中农田灌溉用水约占农业用水的90%以上[4]。因此，实施节水灌溉技术，发展精准农业，实现智能精准灌溉对解决中国水资源短缺问题尤为重要。

滴灌是目前最有效的节水灌溉技术之一[5]，滴灌既可以实现精准灌溉，又能提高作物根区水肥分布的均匀度，提高灌溉效率，因此在干旱半干旱地区得到了广泛的应用[6-8]。覆盖栽培作为一种有效的节水技术，在农业生产中已进行了大量研究，研究表明通过秸秆覆盖技术可以使土壤体积含水率始终保持较高水平，改善田间土壤环境，提高水分利用效率和耕层土壤有机质含量，促进作物根系发育，有利于作物增产[9-14]。调亏灌溉(regulated deficit irrigation，RDI)是在作物某一生育期人为的施加水分亏缺，可以提高作物抗旱能力、水分利用效率和作物产量及品质，或使产量保持不变[15]。调亏灌溉的节水增产效应已被很多试验证实[4,16-21]。此外，垄沟集雨种植技术通过田间起垄覆膜，使降水集中于作物根部，减少地面水分蒸发，最大限度地充分利用自然降水，尽可能多地将降水保蓄于土壤中，该技术能显著提高作物产量和水分利用效率，已成为全球农田生态系统的一项重要的集水节灌技术[22-27]。本文将上述节水灌溉技术相结合，将部分秸秆覆盖的集雨调亏滴灌种植技术(MFR-RDI)用于河北省南部的青椒种植中，对实施多重节水灌溉提供技术支持。

我国关于灌溉预测方法研究起步较晚。近年来国内外的相关研究主要有：冀荣华[28]等人研究了基于多值神经元复数神经网络的土壤墒情预测，指出预测结果可作为节水灌溉策略制定的理论依据。Dureun[29]等人通过人工神经网络模型对土壤水分变化进行预测，利用水平衡原理计算滴灌系统中樱桃树的需水量，从而进行灌溉决策，该灌溉决策系统有效地提高了作物水分利用效率，并降低了系统能耗。顾哲[30]等人为提高日光温室的灌溉水利用效率，构建了基于ET和水量平衡方法的实时精准灌溉决策，该研究为实现灌溉决策提供参考。Li Maona[31]等人开发了基于模糊推理的实时灌溉决策支持系统(IDSS)及相关软件。于合龙[32]等人提出，一种物联网下人参种植的智能精准灌溉决策模型，通过信息采集和传输模块对土壤含水率、空气温湿度等环境信息进行实时采集，结合采集到的环境数据，建立决策数学模型，实现预报灌溉时间、灌溉最佳量的灌溉决策功能，实现精准灌溉，结果表明所设计的模型能够实现有效决策。综上，我国关于灌溉预测的方法研究大多是以水量平衡原理为基础的数学模型，关于人工神经网络在灌溉预测方面的研究较少，尤其是近几年广泛应用的“深度神经网络”[33]。

深度神经网络(depth neural network，DNN)是当前热点研究的人工智能算法，又称深度学习[34-35]。与传统的浅层神经网络相比，深度学习可以从低价值密度的样本中提取高水平特征，更好地提取复杂数据特征，获取有价值知识，并且具有更强的泛化能力，能够从少数样本中学习到事物的本质特征，深度神经网络与传统的神经网络模型相比，性能得到了显著的提升[36-38]。近年来，深度学习已广泛应用于各行各业[39-41]，其在我国农业中的应用主要涉及病虫害监测、植物和水果识别、农作物及杂草检测与分类等智能农业领域[42]。但深度学习在农业智能精准灌溉中的应用还有待深入研究，因此，本文探讨了深度学习神经网络在MFR-RDI种植模式下青椒智能灌溉预测应用中的适用性，为深度学习人工神经网络在农业智能精准灌溉中的应用提供技术支持，对发展精准农业、实现智能精准灌溉、节约灌溉用水和缓解中国水资源短缺有重要的现实意义。

1 研究区及数据

1.1 研究区域

田间试验于2014—2018年在河北工程大学精准灌溉试验场进行。试验场位于河北省邯郸市区(114°29′23″E，36°35′20″N，海拔62.22 m)。属于温带大陆性季风气候区，多年平均降水量约为548 mm，年平均气温约为14℃，全年无霜期约200 d。试验地土壤为壤土，土质均匀。0～50 cm土层平均容重约为1.6 g·cm-3，田间持水量(占干土质量)约为29.5%，土壤pH值约为7.4。

图1为试验小区布置示意图，小区长为1.2 m，宽为1 m，青椒行距50 cm，株距30 cm。采用集雨调亏滴灌(MFR-RDI)种植方式(图1a、c)：种植沟和垄的宽度分别为60 cm和40 cm；垄的高度15 cm左右，塑料薄膜铺设于垄上，沟内种植青椒，将秸秆粉碎成20 cm左右均匀撒于沟内，各试验小区的测孔距离滴头约5 cm。试验将青椒生育期划分为4个时期：苗期、开花坐果期、结果盛期和结果后期，其对应生育期的天数分别约为：35、30、45 d和40 d。MFR-RDI种植方式中，每个生育期分别设置2种亏水处理，各亏水处理分为重度亏水(用 S 表示：灌水至70%～60%田间持水量)和轻度亏水(用 L 表示：灌水至80%～70%田间持水量)。对照组为正常充分灌水(用 N 表示，灌水至90%～80%田间持水量)，传统平作(图1b、d)采用地面灌，各生育期水分调亏具体见表1所示。每个处理设置3组重复。当测得的土壤含水率平均值低于试验方案设定的土壤水分下限时，对其补充灌水至各处理上限。试验区设有自动气象站及自动遮雨棚，当降水量达到试验设定的土壤含水量最高限时，各试验小区的遮雨棚自动打开。试验区地下水位平均埋深约25 m，因此无地下水补给。

表1 青椒不同生育期不同种植方式的水分调亏处理

1.2 研究数据

本研究经过2014—2017年试验得出灌溉水利用效率(IWUE)最高的试验处理为青椒结果后期重度亏水(T8R)，如图2所示。因此，选取T8R试验处理所需的灌水量来进行预测。2014—2018年青椒结果后期重度亏水的灌水量如图3所示。深度学习人工神经网络的训练集与测试集的比例为4∶1。

此外，通过灌水量与采集的气象因素、作物因素的相关性分析，选取相关性较强的影响此种植方式下灌水量的因素作为预测模型的输入因素，因此本文选取的模型输入数据为2014—2018年青椒作物生育期内的降水量、土壤含水率、作物实际需水量(ET)、生育期天数、前一天的灌水量。降水量、土壤含水率通过气象站和TDR自动采集数据。前四年作物需水量通过采集的土壤含水率，用田间水量平衡方程[43]计算得出，见公式(1)。2018年的ET数据为设计性能较好的神经网络预测ET模型预测得出。

ET=I+P+ΔSW-DP-Roff

(1)

式中，ET为作物需水量(mm)，I为灌水量(mm)，P为降水量(mm)，ΔSW为计划湿润层内土壤有效储水量的变化量(mm)，Dp为深层渗漏量(mm)，Roff为径流量(mm)。本试验的灌溉水量仅能满足设计要求，试验在精准灌溉试验小区进行，因此Dp和Roff值忽略。

2 DNN预测模型的建立与结果分析

当前流行的深度学习起源于对神经网络的研究，对于只有一个隐含层的神经网络，在一定的精度要求下，通过增加隐含层的神经元数量可以拟合任何曲线。显然，无限制增加神经元数量是不现实的，直到2006年，深度学习概念由Geoffrey Hinton等人提出，开启了深度学习的浪潮。DNN是多隐含层的神经网络，在这个神经网络中，每一层都把前一层的输出看成是本层的输入。可见，深度多层神经网络包含了许多非线性变换，这些变换使得深度多层神经网络能够简洁地近似表达复杂的非线性函数。DNN善于分辨出数据中的复杂模式，已广泛应用于各行各业。

2.1 数据分析及预处理

MFR-RDI种植方式下青椒ET在作物生长发育期内的变化规律如图4所示。从图4可以看出，2014—2018年，ET从苗期到结果盛期波动式逐渐增加，结果盛期达到峰值，到结果后期，ET又波动式逐渐减少，但仍比苗期大。可见，青椒ET在生育期内呈现出周期规律性变化。

此外，由图3可知，2014—2018年灌水量均为苗期最少，开花坐果期与结果盛期灌水量最多，其次为结果后期。可见，MFR-RDI种植方式下T8R的青椒灌水量在生育期内也呈现出周期规律性变化。

DNN预测模型进行训练时，为了消除原始数据之间的量纲差异与极值对模型的影响，更好地反映各因素之间的相互关系，需要对样本数据进行归一化预处理，将数据转换到[0,1]之间。采用公式(2)进行归一化处理。

(2)

2.2 MFR-RDI种植方式下青椒灌水量DNN预测模型的设计

经过相关分析以及对预测模型的试验，筛选出影响MFR-RDI种植方式下青椒灌水量的主要因素，然后将其作为DNN预测模型的输入层。本研究选取的模型输入因素为：作物生育期天数、作物需水量、土壤含水率、降水量、前一天灌水量。将灌水量作为模型的输出。应用模型预测时，将当天的输入因素输入模型中，则输出当天灌水量。DNN预测模型的流程图如图5所示。具体流程如下：

(1)首先进行原始数据的采集。

(2)将得到的气象数据、作物需水量、灌水量等数据进行归一化处理，消除原始数据之间的量纲差异。

(3)将数据集的80%的数据，即2014—2017年的数据作为DNN模型的训练数据；20%的数据，即2018年的数据作为测试数据(预测数据)。

(4)建立DNN模型，对DNN模型进行训练。

(5)对预测模型的输出结果进行精度检验，如果满足要求，则结束训练，输出预测结果；如果输出结果的精度检验不满足要求，则调整DNN模型的参数，再次对模型进行训练，直到输出结果满足精度要求，结束训练，输出预测结果。

本研究通过对DNN的试验设计，得出采用四个隐含层结果的深度神经网络可以显著提高预测模型的精度，整体模型框架如图6所示。可见，设计的DNN网络结构图中输入层神经元个数为5，隐含层为4层，各隐含层神经元个数分别为：32、16、8、4。网络输出层为预测的当天灌水量，即一个神经元。此外，其余模型的参数设置见表2所示，其中激活函数选取“ReLU”，因为网络层数较多时容易导致梯度消失，此激活函数在多种经典网络模型中效果优异，能够有效缓解梯度消失问题，加快训练速度[44-45]。“adam”优化器是一种自适应参数更新算法，对超参数的选择具有高鲁棒性，因此本研究选取的优化函数为“adam”[44]。

表2 DNN预测模型参数设置

2.3 预测模型的性能评价

本研究使用均方根误差(RMSE)、平均绝对误差(MAE)和纳什效率系数(Nash-Sutcliffe coefficient，NS)等来评价预测模型的性能。RMSE对一组测量中的特大或特小误差反应非常敏感，能够很好地反映出测量的精密度和整体偏差大小。MAE可以避免误差相互抵消的问题，可以准确反映实际预测误差的大小；NS能很好地反映预测值和实测值之间的吻合程度，反映预测值序列和实测值序列的拟合关系[34]。

(3)

(4)

(5)

其中,Pi为预测值，Oi为实际观测值，Imean是实际值的均值。N为观测数。RMSE和MAE的单位为mm，取值范围从0到∞。NS是无量纲的，取值范围从1到-∞。对模型进行评价时，RMSE和MAE越小，NS越大，预测精度越高。

2.4 青椒灌水量DNN预测结果分析

经过网络试验，将设置好的最优DNN预测模型参数用于2018年MFR-RDI种植方式下青椒结果后期重度调亏的青椒灌水量预测中，DNN网络预测迭代结果示意图如图7所示，图中损失函数为MSE(均方误差)，因为MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述试验数据具有更好的精确度。可见在迭代次数达到300时，MSE已较为稳定，基本停止下降，曲线趋于平坦，说明需要的最大迭代次数为300次，满足了最终要求，训练完成，输出预测结果。

将预测结果进行反归一化处理，将各个生育期内预测值在满足合理灌水量范围的数据作为有效数据进行使用(本研究忽略极小的不合理预测值)，得到最终预测的灌水量数据，将其与实际理论灌水量数据进行对比分析，如图8a所示。可以看出，DNN模型的预测值与实际灌水量的相关系数R2为0.7635，具有较强的相关性。通过公式(3)、(4)及公式(5)得出，DNN预测灌水量模型的RMSE为0.898 mm，MAE为0.257 mm，NS为0.758，可见模型预测的准确度较高，具有较强的适用性。在实际操作中，忽略不合理灌水量预测值，且2018年降水量偏多，作物生育期内实际利用的有效降水量约319 mm，因此最终预测灌水次数为15次，灌水日期如图8b所示。可见，灌水量、灌水日期、灌水次数均可获得，即实现了对MFR-RDI种植方式下青椒结果末期重度亏水灌溉制度的预测，且预测效果较好，为DNN模型用于灌溉制度的预测提供技术支持。

3 结 论

本文使用DNN作为非线性拟合方法，用于河北省南部地区MFR-RDI种植方式下水分利用效率最高的青椒结果后期重度亏水的灌水量预测，为实现多重、高效节水灌溉提供技术支持。经过对网络模型的试验，得出利用作物因素、气象因素、土壤因素作为模型的输入因素，即ET、青椒生育期天数、作物生育期内的降水量、土壤含水率、前一天的灌水量。预测时，将当天的模型输入因素输入预测模型中，模型则输出当天灌水量，并由预测结果可以得到相应的灌水次数、灌水日期、灌水定额和灌溉定额，进而得到MFR-RDI种植方式下青椒结果后期重度亏水的灌溉制度。采用2014—2017年的数据对模型进行训练，对2018年的预测数据进行了验证。结果表明，该预测模型的RMSE、MAE、NS、R2分别为0.898 mm、0.257 mm、0.758、0.7635。综上所述，使用DNN预测模型，直接进行灌水量预测可以得到较好的效果，这为灌区实现灌水量预测提供了新思路。

DNN预测灌水量模型的参数是在一定的管理水平和自然条件下试验获取，有一定的预测适用范围，预测模型不能反映各物理量之间的关系，这是此类预测模型不可避免的局限性。