论文部分内容阅读
根据我国2016年的水资源公报显示,我国总用水量为6040.2亿m~3,其中农业用水量为3768.0亿m~3,占总用水量的62.4%。而我国目前农业有效用水系数仅为0.52,而其他农业先进国家水平为0.7~0.8,与之相比有较大差距。因此,提高农业生产中对水资源的利用效率对缓解我国水资源短缺的问题是十分有必要的。为解决这一问题,“精确灌溉”的概念被农业工作者提出。精确农业灌溉技术是以大田耕作为基础,按照作物生长过程的要求,采用最精确的灌溉设施对作物进行严格有效的施肥灌水,以确保作物在生长过程中的需要。因此灌溉的精准程度十分重要,而灌溉的精准程度有取决于土壤含水量信息采集的准确与否。目前生产中运用得最为普遍方法是采用传感器测定土壤含水量。但是市面上种类繁多的传感器之间缺少统一标准下的性能评估,难以判别不同传感器的优劣。而且传感器厂家在在设计生产仪器时通常在实验室环境下进行开发,自带的校正模型无法应对实际环境变化,以至于在实际使用中无法达到厂商宣称的性能,从而造成实际生产效率低下,无法达到提高农业用水效率的目标。因此对传感器之间进行同一标准下的性能比较,并针对环境变化对传感器的影响进行研究,同时对传感器进行相关补偿校正,以提高农业生产中获取的土壤含水量信息的准确度。提高获取土壤含水量信息的准确度对于提高农业用水效率,减少水资源浪费等问题来说,无疑是非常有效的解决方案。因此本研究主要分以下三个部分进行:(1)选用市面上常见的土壤含水量传感器(试验中将其编号为A,B,C,D)进行田间准确性测试和室内准确性测试,用以评价不同传感器的在不同条件下的工作准确性。这一部分的试验结果表明传感器在面对不同环境变化时,对于相同土壤含水量的土壤测定结果会随着外界环境变化而有不同的测定结果,其测定误差值也会随之变化,而且在特定条件下传感器的误差的变化值相当明显,虽然传感器厂家在传感器制造过程中针对外界环境变化进行了初步补偿校正,但是相对于真实的自然环境变化来说仍然具有局限性,从本次试验结果来看,如果期望得到更精确的测定结果,针对特定的环境条件对传感器进行再校正是必不可少的。(2)选用准确性评价中使用的传感器,对其进行温度影响测试,用以研究温度变化对不同传感器的影响。这一部分的试验结果表明不同类型传感器对于土壤温度的敏感性受环境其他因素与传感器本身差异的影响,但是传感器对温度的敏感性大小与传感器类型无关。从试验结果中来看,温度对传感器的影响最小为传感器B对含水量为27.01%的土样测试结果,试验总温度变化为3.30%。最大为传感器C对土壤含水量为27.01%土样测试结果,试验总温度变化为14.70%。温度对传感器的影响不容忽视。(3)使用数学软件方法对传感器进行相关补偿校正,对比不同校正方法的补偿结果,并分析不同校正方法的优劣。这一部分的试验结果表明选用了传感器B的测试数据,使用二元回归法与改进后的神经网络法拟合了补偿后的含水量预测模型。拟合结果表明:二元回归法和神经网络法均能够明显的减少传感器监测数据的偏差值,降低温度对传感器监测结果的影响;神经网络法拟合的含水量预测模型与二元回归法拟合的预测模型相比,更为精确,偏差值也更低。上述结论表明了:传感器在面对不同环境变化时,对于相同土壤含水量的土壤测定结果会随着外界环境变化而有不同的测定结果,其测定误差值也会随之变化,难以达到厂家宣称工作精度。而且温度对传感器工作效率的影响不容忽视。二元回归法和神经网络法均能够明显的减少传感器监测数据的偏差值,降低温度对传感器监测结果的影响;神经网络法拟合的含水量预测模型与二元回归法拟合的预测模型相比,更为精确,偏差值也更低。使用数学软件方法对传感器进行补偿校正可以降低传感器工作的误差,提高工作效率。