大棚種植川貝母分區(qū)變量灌溉系統(tǒng)研制

廖 敏，粟 超，張 宇，楊亞軍，張 強(qiáng)

大棚種植川貝母分區(qū)變量灌溉系統(tǒng)研制

廖 敏，粟 超，張 宇，楊亞軍，張 強(qiáng)

（1.西華大學(xué)現(xiàn)代農(nóng)業(yè)裝備研究院，成都 610039；2. 西華大學(xué)機(jī)械工程學(xué)院，成都 610039）

名貴中藥材川貝母喜濕、怕高濕特性成為人工灌溉的難點(diǎn)，智能化精準(zhǔn)灌溉系統(tǒng)可實(shí)現(xiàn)川貝母按需節(jié)水灌溉。該研究開發(fā)了基于無線傳感器網(wǎng)絡(luò)的川貝母分區(qū)變量灌溉系統(tǒng)。在人工種植試驗(yàn)過程中，采用電容法和土壤水分測定儀獲得了川貝母生長需水及灌溉用水?dāng)?shù)據(jù)，建立了川貝母生長含水率模型和灌溉含水率模型。為了實(shí)現(xiàn)川貝母分區(qū)變量灌溉，建立了灌溉模糊控制決策模型，該模糊控制器為雙輸入單輸出結(jié)構(gòu)，利用遺傳算法優(yōu)化模糊控制量化因子、比例因子、模糊控制規(guī)則和隸屬函數(shù)，實(shí)現(xiàn)遺傳算法優(yōu)化的模糊控制對川貝母灌用水進(jìn)行精確決策和川貝母分區(qū)變量灌溉。在川貝母種植大棚內(nèi)應(yīng)用了該分區(qū)變量灌溉技術(shù)和系統(tǒng)，結(jié)果表明，模糊控制決策的灌溉有一定節(jié)水效果，遺傳算法優(yōu)化后的模糊控制每次灌溉土壤含水率增量主要分布在5%～7%，灌溉土壤含水率增量有明顯下降。特定種植密度下灌溉試驗(yàn)結(jié)果表明，優(yōu)化后川貝母變量灌溉誤差能控制在±5%附近，滿足川貝母按需灌溉需求，分區(qū)變量灌溉效果明顯；隨川貝母種植密度增加，所需灌溉用水也增大，二者基本呈線性關(guān)系（2=0.975）；川貝母分區(qū)變量灌溉節(jié)水率與種植密度比之間呈拋物線關(guān)系，優(yōu)化后標(biāo)準(zhǔn)種植密度的年節(jié)水率為27.6%。該研究可為川貝母種植密度和灌溉節(jié)水提供參考和技術(shù)支持。

模糊控制；遺傳算法；變量灌溉；節(jié)水灌溉；川貝母

0 引 言

中國很多果園或大棚配備微噴或滴灌設(shè)備，但自動灌溉系統(tǒng)應(yīng)用較少，大多數(shù)采用人工調(diào)控。不同作物對水分的需求有明顯差別，作物在不同生長階段對水分的需求也不一樣，例如，果農(nóng)靠個人經(jīng)驗(yàn)灌溉柑橘，缺乏科學(xué)灌溉依據(jù)，未必最適宜果樹需求[1]，需結(jié)合作物種類和生長情況綜合確定灌水量。農(nóng)業(yè)用水的關(guān)鍵為節(jié)水，人工憑經(jīng)驗(yàn)灌溉會造成作物用水不精確、水資源浪費(fèi)[2]。農(nóng)業(yè)節(jié)水以高效用水為核心，其中對作物實(shí)施精量灌溉一直是節(jié)水灌溉的研究重點(diǎn)，即解決何時灌和灌多少的問題[3-4]。

川貝母屬于多年生草本植物，主要生長在高海拔地區(qū)，喜冷涼氣候條件，具有耐寒、喜濕、怕高濕、喜蔭蔽的特性。目前川貝母人工種植技術(shù)還未成熟，通常為大棚種植，對環(huán)境溫濕度要求較高。川貝母灌溉一般是人工澆灌，不同年份、不同季節(jié)、不同土壤條件和種植密度的貝母生長需水都不一樣，不同種植小區(qū)需要采用不同的灌溉決策，人工灌溉的方式很難滿足川貝母用水需求，可能引起貝母高濕或者干旱造成巨大損失，且人力成本較高、水資源利用率低。目前分區(qū)變量灌溉技術(shù)在國內(nèi)外已經(jīng)獲得了成功應(yīng)用[5-8]。對川貝母等經(jīng)濟(jì)價值高的藥材實(shí)施變量、精準(zhǔn)灌溉的需求越來越急迫，因此需要研發(fā)一種可控的川貝母分區(qū)、精量灌溉技術(shù)。

目前，以色列、美國、荷蘭、西班牙、意大利、法國、印度、南非等國都在應(yīng)用水肥一體化滴灌技術(shù)[2,9]。中國水肥一體化技術(shù)研究起步較晚，但進(jìn)步很快，且日趨成熟。李久生等[10]在國內(nèi)率先開展了變量灌溉理論和控制技術(shù)的研究，發(fā)展了適用于缺水地區(qū)的非充分變量灌溉理論。一些學(xué)者針對荔枝、柑橘等果園以及花卉、茶園提出了結(jié)合作物生長參數(shù)分析的精確灌溉系統(tǒng)解決方案，根據(jù)作物需水信息和環(huán)境條件，按一定策略進(jìn)行適時、適量、定位灌溉[11-14]。這種智能化、精確化灌溉節(jié)水思想為本研究提供了技術(shù)支持。

該研究針對川貝母精量灌溉需求，基于分區(qū)變量灌溉的思想[15-18]，應(yīng)用遺傳算法優(yōu)化的模糊控制器設(shè)計方法[19]，優(yōu)化模糊控制器的量化因子、比例因子、隸屬函數(shù)和模糊規(guī)則，建立川貝母變量灌溉決策模型，以提高模糊控制器在川貝母分區(qū)變量灌溉中的控制效果，滿足川貝母按需灌水的需求，以期達(dá)到精準(zhǔn)、節(jié)水灌溉目的。

1 系統(tǒng)總體結(jié)構(gòu)設(shè)計

利用無線傳感器網(wǎng)絡(luò)、分布式控制、最優(yōu)化等技術(shù)[20-21]，設(shè)計變量灌溉控制器，開發(fā)基于無線傳感器網(wǎng)絡(luò)的川貝母分區(qū)變量灌溉系統(tǒng)，采集大棚內(nèi)川貝母灌溉用水信息，由灌溉系統(tǒng)決策輸出用于不同區(qū)域的川貝母變量灌溉控制方案，實(shí)現(xiàn)滿川貝母按需灌溉控制。

如圖1所示，川貝母分區(qū)變量灌溉系統(tǒng)[22]包括灌溉主機(jī)、灌溉電磁閥、噴頭、傳感器、電腦客戶端、移動客戶端、遠(yuǎn)程服務(wù)器和水塔。根據(jù)灌溉具體需求，一個遠(yuǎn)程服務(wù)器能匹配多個灌溉主機(jī)、多個電腦客戶端和多個移動客戶端，一個灌溉主機(jī)能匹配多個灌溉電磁閥和多個傳感器，一個灌溉電磁閥能匹配多個噴頭。

灌溉主機(jī)包括主控系統(tǒng)、灌溉泵、進(jìn)水電磁閥、工控顯示屏，主控系統(tǒng)包括核心處理器、數(shù)據(jù)采集模塊、Wi-Fi模塊、以太網(wǎng)模塊、天線、控制電路、電源、降壓電路。核心處理器通過串行外圍設(shè)備接口（Serial Peripheral Interface，SPI）總線與數(shù)據(jù)采集模塊相連，數(shù)據(jù)采集模塊與天線連接，進(jìn)水電磁閥與灌溉泵通過控制電路與核心處理器連接，工控顯示屏、Wi-Fi模塊和以太網(wǎng)模塊分別與核心處理器連接。上述模塊通過電源和降壓電路供電。主控系統(tǒng)中的各個信息采集和控制模塊采用的芯片型號分別是：核心處理器為STM32F103VET6，數(shù)據(jù)采集模塊為SI4438，Wi-Fi模塊為ESP8266，以太網(wǎng)模塊為W5500，天線為2450AT18A100E。

灌溉主機(jī)的主控系統(tǒng)通過信號線與灌溉電磁閥的受控端連接，灌溉主機(jī)的灌溉泵通過水路管網(wǎng)與灌溉電磁閥連接，灌溉主機(jī)通過無線網(wǎng)絡(luò)（433 M射頻）與傳感器通信，灌溉主機(jī)的進(jìn)水電磁閥與水塔通過水路管網(wǎng)連接，遠(yuǎn)程服務(wù)器通過無線（Wi-Fi）或有線網(wǎng)絡(luò)接入因特網(wǎng)分別與灌溉主機(jī)和電腦客戶端連接，移動客戶端通過無線（GPRS/3G/4G/5G、Wi-Fi等）與遠(yuǎn)程服務(wù)器連接。

傳感器是信息采集終端，包括終端處理器、終端數(shù)據(jù)傳輸模塊、終端天線、空氣溫濕度傳感器、光強(qiáng)度傳感器、土壤溫濕度傳感器以及終端充電電路、終端電源和終端太陽能充電器。終端處理器通過SPI總線與終端數(shù)據(jù)傳輸模塊連接，終端數(shù)據(jù)傳輸模塊與終端天線連接，空氣溫濕度傳感器、光強(qiáng)度傳感器通過集成電路（Inter-Integrated Circuit，IIC）總線與終端處理器連接，土壤溫濕度傳感器通過模擬/數(shù)字轉(zhuǎn)換電路與終端處理器連接。上述部件通過終端電源供電，終端太陽能充電器通過終端充電電路與終端電源連接。傳感器中的各個信息采集和傳輸模塊采用的芯片型號分別是：終端處理器為STM32F103C8T6，終端數(shù)據(jù)傳輸模塊為SI4438，空氣溫濕度傳感器為SHT30，光強(qiáng)度傳感器為BH1750，土壤溫濕度傳感器為LM393，終端天線為2450AT18A100E。

2 川貝母分區(qū)變量灌溉控制方法

為了實(shí)現(xiàn)川貝母分區(qū)變量灌溉，首先建立川貝母生長含水率模型，表示川貝母生長需水情況。再建立川貝母灌溉含水率模型，表示川貝母灌溉用水情況。最后基于川貝母生長含水率模型和灌溉含水率模型進(jìn)行川貝母分區(qū)變量灌溉控制策略研究。

2.1 川貝母生長含水率模型

目前川貝母主要種植在高原地區(qū)（如四川阿壩、丹巴等地），川貝母生長需水是波動變化的，與川貝母的生長年份、氣候、季節(jié)、土壤、種植密度等有關(guān)。氣候又與季節(jié)有關(guān)，季節(jié)變化將引起空氣濕度、溫度變化。不同種植區(qū)域的種植密度和土壤含水率可能不同，因此在川貝母人工種植試驗(yàn)過程中，考察了川貝母年份、季節(jié)、土壤和種植密度對川貝母生長需水的影響。由于種植技術(shù)還不成熟，技術(shù)人員在種植大棚內(nèi)不斷探索和試驗(yàn)較適宜川貝母生長的土壤含水率。在2018-04-10—2020-12-31期間，采用電容法測試川貝母葉片或鱗莖的電容值，間接判斷川貝母生長需水情況。當(dāng)川貝母葉片或鱗莖水分減少時，電容值也逐漸減小，反之，電容值增大。在川貝灌溉過程中，技術(shù)人員不斷試驗(yàn)和總結(jié)經(jīng)驗(yàn)，觀察川貝母的生長情況（例如缺水和澆水過多時，川貝母嫩葉會變黃），確定了川貝母葉片或鱗莖電容值在某一范圍時，川貝母處于較佳生長狀態(tài)，利用TZS-II土壤水分測定儀結(jié)合稱重法獲得川貝母生長需水?dāng)?shù)據(jù)。通過對標(biāo)準(zhǔn)種植密度的3年生川貝母生長需水監(jiān)測與數(shù)據(jù)統(tǒng)計，采用分段多項(xiàng)式擬合法建立川貝母生長含水率模型，公式為

式中為川貝母生長需水，%；為月份。

如圖2所示，曲線①是標(biāo)準(zhǔn)種植密度的3年生川貝母生長含水率模型。依據(jù)《川貝母生產(chǎn)技術(shù)規(guī)程》（DB51/T 900—2009），川貝母種植密度范圍一般為900～1 100粒/m2，具體的實(shí)際種植密度應(yīng)根據(jù)農(nóng)藝需要調(diào)整。經(jīng)農(nóng)藝專家根據(jù)單位面積植株數(shù)確定，該研究中川貝母標(biāo)準(zhǔn)種植密度為1 000株/m2。其他年份的多年生川貝母生長需水趨勢與圖2中3年生川貝母生長需水基本一致，但具體生長需水多少有所不同?？傮w上，除川貝母生長期影響外，川貝母生長需水與川貝母種植密度有關(guān)，密度大，生長需水越大。此外，川貝母生長較佳含水率與其品種和土壤條件也有一定關(guān)系，需要長期監(jiān)測和統(tǒng)計分析。該研究中川貝母品種是暗紫貝母，土壤為配方有機(jī)基質(zhì)土。一般川貝母種植時間為4年，1年生和2年生川貝母不開花也不結(jié)果，第3年開始有花期，第4年開始結(jié)果。川貝母的生長期大致劃分為播種期（4月底）、出苗期（5月初）、初花期（6月初）、盛花期（7月初）、幼果期（7月中旬）、熟果期（8月初）、休眠期（10月到次年4月初）。8月中旬，川貝母開始倒苗，到9月底完全倒苗。從圖2中可知，川貝母出苗期到倒苗期間生長需水比其余時期生長需水小。

2.2 川貝母灌溉含水率模型

川貝母種植在大棚中，不同種植區(qū)域的光照、土壤情況、種植密度等條件有差異，導(dǎo)致不同區(qū)域的土壤含水率有差異。在川貝母灌溉完成后，利用土壤水分測定儀采集不同分區(qū)的土壤含水率，獲得川貝母灌溉用水?dāng)?shù)據(jù)，如圖2所示。通常，人工灌溉時，以灌溉后土壤含水率不超過川貝母生長含水率為原則。如果灌溉管理得當(dāng)，灌溉含水率模型曲線②的總體趨勢與川貝母生長含水率模型曲線①基本一致。

2.3 川貝母分區(qū)變量灌溉控制策略

2.3.1 川貝母變量灌溉決策模型

灌溉作業(yè)能調(diào)節(jié)川貝母種植土壤的含水率，但由于川貝母年份、土壤、種植密度等條件不同，川貝母生長需水和灌溉用水很難相等，這是一個動態(tài)過程，不易用準(zhǔn)確的數(shù)學(xué)公式（或模型）來計算這種動態(tài)性。模糊控制適用于多輸入、具有不確定因素的非線性控制系統(tǒng)，不需要構(gòu)建精準(zhǔn)的數(shù)學(xué)模型，其優(yōu)點(diǎn)在于具有較高的穩(wěn)定性和適應(yīng)能力，廣泛應(yīng)用于智能控制方面[23-24]。

川貝母變量灌溉決策模型如圖3所示。川貝母灌溉決策模型采用遺傳算法優(yōu)化的模糊控制方法，輸出灌溉土壤含水率增量。灌溉程序利用灌溉土壤含水率增量按一定策略執(zhí)行灌溉。

從圖3可知，川貝母灌溉決策模型決定于川貝母生長需水、灌溉用水、種植密度、模糊控制器和遺傳算法。川貝母生長需水與灌溉用水求差運(yùn)算結(jié)果作為模糊控制系統(tǒng)的輸入數(shù)據(jù)。種植密度與種植區(qū)域（分區(qū)）有關(guān)，不同分區(qū)的種植密度由農(nóng)藝專家依據(jù)川貝母植株數(shù)確定，在灌水量決策模型中反映為標(biāo)準(zhǔn)種植密度下川貝母生長需水的系數(shù)。

注：U為比較器，表示川貝母生長需水與灌溉用水求差運(yùn)算；e為求差運(yùn)算后土壤含水率差值，%；c為種植密度，粒·m-2；u為灌溉土壤含水率增量，%；E、C、U分別為e、c、u的模糊控制語言變量；Ke、Kc分別為輸入變量e和c對應(yīng)的量化因子；Ku為模糊控制比例因子。

該研究中模糊控制器結(jié)構(gòu)為雙輸入單輸出，輸入變量為川貝母生長需水與灌溉用水的差值（%），種植密度，輸出變量為灌溉土壤含水率增量（%）。輸入變量、的精確值范圍分別為（min，max）和（min，max），輸出變量的精確值范圍為（min，max），作為模糊控制的基本論域。輸入變量、的模糊論域?yàn)閇-,]（為常數(shù)），輸出變量的模糊論域?yàn)閇0,]，模糊控制量化因子K、K計算公式[25-26]如下：

式中下標(biāo)分別為輸入變量和。模糊控制比例因子K計算公式[25-26]如下：

該研究中=6。

精確值模糊化處理后的輸入語言變量、與輸出語言變量分別在其對應(yīng)的模糊集論域中，將模糊集論域劃分為多個模糊集合，常用的模糊集合可以由NB、NM、NS、ZO、PS、PM、PB等語言值來表示，分別代表負(fù)大、負(fù)中、負(fù)小、零、正小、正中和正大。隸屬函數(shù)是模糊集合中用到的函數(shù)，表示元素屬于某模糊集合的“真實(shí)程度”，常用的隸屬函數(shù)有三角形、梯形等隸屬函數(shù)[25-26]。如圖4所示，該研究中初步確定輸入語言變量、和輸出語言變量的隸屬度函數(shù)為梯形和三角形，然后通過遺傳算法進(jìn)行優(yōu)化和完善。

模糊控制規(guī)則建立在輸入語言變量的基礎(chǔ)上，通常根據(jù)操作者經(jīng)驗(yàn)和專家知識得出[26]。該研究中由川貝母種植農(nóng)藝專家和灌溉專家共同確定模糊控制規(guī)則，如表1所示。

表1 模糊控制規(guī)則

注：NB、NM、NS、ZO、PS、PM、PB分別表示輸入語言變量E、C與輸出語言變量U在其對應(yīng)的模糊集論域中的語言值。下同。

1條模糊控制規(guī)則對應(yīng)1條模糊推理語句，模糊推理語句的表達(dá)形式[27]為

: IF=and=, then=（4）

式中為推理語句編號；表示輸入變量的對應(yīng)輸入語言變量的語言值；表示輸入變量的對應(yīng)輸入語言變量的語言值；表示輸出變量的對應(yīng)輸出語言變量的語言值。

模糊控制規(guī)則之間具有“或”的關(guān)系，總的模糊控制規(guī)則為

式中代表模糊控制規(guī)則數(shù)量，整個系統(tǒng)的模糊規(guī)則確定以后，在給定的輸入語言變量（、）下，輸出語言變量（）的計算公式[27]如下：

由模糊控制規(guī)則和模糊控制推理計算以后的輸出語言變量（）是一個模糊集合，對其進(jìn)行反模糊化處理，采用重心法反模糊法[27]，計算公式如下：

（7）

式中為輸出語言變量（）所對應(yīng)論域范圍；為論域值求和變量；u為輸出語言變量（）模糊論域范圍中的論域值；(u)表示論域值為u時輸出語言變量（）的隸屬度值；′為一個確定的論域值。則輸出變量的精確值計算式[27]如下：

式中輸出變量的精確值代表灌溉土壤含水率增量，%，作為灌溉程序的輸入量控制灌溉程序?qū)崿F(xiàn)川貝母的變量、精準(zhǔn)灌溉；K為模糊控制比例因子。

灌溉程序采用“灌溉→浸潤→監(jiān)測土壤含水率→計算川貝母所需土壤含水率和灌溉后土壤含水率的差值→判斷是否結(jié)束灌溉”的策略，如果未達(dá)到灌溉結(jié)束條件，則循環(huán)執(zhí)行灌溉程序；否則，結(jié)束灌溉。其中灌溉和浸潤時間可以根據(jù)需要設(shè)定，灌溉循環(huán)周期數(shù)由系統(tǒng)根據(jù)灌溉土壤含水率增量按設(shè)定時間自動確定。

2.3.2 遺傳算法優(yōu)化的模糊控制器

模糊控制的各因子、隸屬度函數(shù)及規(guī)則選取是模糊控制器決策關(guān)鍵，屬于參數(shù)尋優(yōu)問題，遺傳算法是一種全局優(yōu)化算法，其計算效率和穩(wěn)定性高[28-30]。本研究中采用遺傳算法優(yōu)化模糊控制器。

遺傳算法用于模糊控制器參數(shù)優(yōu)化，包括對模糊控制量化因子K、K、比例因子K、模糊控制規(guī)則和隸屬函數(shù)進(jìn)行優(yōu)化。遺傳個體采用二進(jìn)制編碼。量化因子（K、K）、比例因子K均采用8位二進(jìn)制表示，依次將K、K與K編碼排列在一起構(gòu)成長度為24（3×8）位的二進(jìn)制碼。隸屬度函數(shù)是優(yōu)化坐標(biāo)頂點(diǎn)，每一個坐標(biāo)頂點(diǎn)都采用8位二進(jìn)制表示，輸入語言變量的隸屬度函數(shù)中有19個坐標(biāo)頂點(diǎn)，編碼有152（19×8）位二進(jìn)制碼，輸入語言變量的隸屬度函數(shù)中有13個坐標(biāo)頂點(diǎn)，編碼有104（13×8）位二進(jìn)制碼，輸出語言變量中有19個坐標(biāo)頂點(diǎn)，編碼有152（19×8）位二進(jìn)制碼，則隸屬度函數(shù)編碼的總長度為408（152+104+152）位。模糊控制規(guī)則編碼采用3位二進(jìn)制表示，模糊控制器中輸入語言變量的論域中有7個模糊集合，輸入語言變量的論域中有5 個模糊集合，模糊控制規(guī)則總共有35（7×5）條，對應(yīng)的模糊控制規(guī)則編碼為105（35×3）位二進(jìn)制碼。遺傳個體基因由量化因子與比例因子編碼、隸屬度函數(shù)編碼和模糊控制編碼構(gòu)成，即遺傳個體基因?yàn)?37（24+408+105）位二進(jìn)制碼。針對川貝母不同灌溉分區(qū)，采用式（9）的目標(biāo)函數(shù)來評價控制器的性能。

式中為遺傳算法個體；a、a、a為常數(shù)，分別為輸入變量()、() 和輸出變量()的適應(yīng)度函數(shù)的權(quán)重系數(shù)，分別取0.5、0.4、0.1，數(shù)值越大表明重視程度越高，即相應(yīng)變量在優(yōu)化問題中越重要。

計算個體適應(yīng)度值需要將目標(biāo)函數(shù)轉(zhuǎn)換成最值問題，適應(yīng)度函數(shù)計算公式為

式中()表示個體的適應(yīng)度值，將所有個體的適應(yīng)度由高到低排序，設(shè)定遺傳算法種群規(guī)模為40，最大進(jìn)化代數(shù)為100，采用輪盤賭選擇算法，交叉概率和變異系數(shù)分別取值為0.7、0.05，執(zhí)行遺傳算法，對量化因子K、K與比例因子K、隸屬度函數(shù)、模糊控制規(guī)則進(jìn)行優(yōu)化并輸出最優(yōu)化結(jié)果。如圖3所示，把遺傳算法輸出的最優(yōu)化結(jié)果輸入到模糊控制器進(jìn)行控制得到最優(yōu)化灌溉土壤含水率增量決策結(jié)果，實(shí)現(xiàn)遺傳算法優(yōu)化的模糊控制對川貝母灌溉用水的精確決策，不同種植密度、不同季節(jié)、不同生長階段獲得不同灌溉用水，達(dá)到川貝母分區(qū)變量灌溉的目的。

3 系統(tǒng)應(yīng)用實(shí)例

3.1 分區(qū)變量灌溉系統(tǒng)工作過程

課題組在阿壩縣人工種植川貝母約4 hm2，依托四川省科技示范村項(xiàng)目，選擇其中一個大棚實(shí)施川貝母分區(qū)變量灌溉。大棚面積約400 m2，棚內(nèi)分成3廂，每廂寬度2 m、長約50 m。實(shí)施分區(qū)灌溉時，將每廂長度方向按10 m分區(qū)，整個大棚分成15個灌溉區(qū)。在大棚內(nèi)配備一套川貝母分區(qū)變量灌溉系統(tǒng)，如圖5所示，安裝了灌溉主機(jī)、灌溉電磁閥、溫濕度傳感器、噴頭等。

1.灌溉主機(jī) 2.傳感器 3.噴頭

灌溉系統(tǒng)客戶端工作界面如圖6所示。實(shí)施灌溉之前，需要進(jìn)行參數(shù)設(shè)置，通過電腦客戶端或者移動客戶端（如手機(jī)APP）進(jìn)行網(wǎng)絡(luò)連接和灌溉參數(shù)設(shè)置。根據(jù)圖2中川貝母生長含水率模型數(shù)據(jù)，設(shè)置好川貝母灌溉所需土壤含水率，誤差范圍在±10%之間。在實(shí)際應(yīng)用中，灌溉用水在這個范圍內(nèi)就可以滿足川貝母按需灌水的要求。此外，灌溉有關(guān)參數(shù)設(shè)置也可以在灌溉主機(jī)上進(jìn)行。

土壤含水率由溫濕度傳感器按照系統(tǒng)設(shè)置的灌溉時間參數(shù)采集，并將數(shù)據(jù)通過433 M網(wǎng)絡(luò)傳遞給灌溉主機(jī)，灌溉主機(jī)通過互聯(lián)網(wǎng)將灌溉數(shù)據(jù)上傳到遠(yuǎn)程服務(wù)器，電腦客戶端和移動客戶端與遠(yuǎn)程服務(wù)器進(jìn)行通信，實(shí)現(xiàn)灌溉參數(shù)傳遞和灌溉過程控制。

在電腦客戶端能監(jiān)控灌溉分區(qū)、灌溉狀態(tài)、溫濕度等工作過程，如圖6所示。同樣地，通過移動客戶端和灌溉主機(jī)也可以實(shí)現(xiàn)灌溉過程控制?？蛻舳撕凸喔戎鳈C(jī)聯(lián)合可以實(shí)現(xiàn)對川貝母現(xiàn)場/遠(yuǎn)程灌溉參數(shù)設(shè)置和過程監(jiān)控。

3.2 分區(qū)變量灌溉控制

3.2.1 基于遺傳算法的模糊控制參數(shù)優(yōu)化

1）優(yōu)化前K=0.4、K=30、K=2.5，采用遺傳算法優(yōu)化后得到K=0.5、K=34、K=2.9。

2）基于遺傳算法的隸屬函數(shù)優(yōu)化結(jié)果如圖7所示。對比圖4和圖7可知，輸入語言變量、和輸出語言變量的隸屬度函數(shù)都有改變，總體趨勢是模糊語言變量的論域范圍減小。

3）基于遺傳算法的模糊控制規(guī)則優(yōu)化結(jié)果如表2所示。從表2中可知，在種植密度不變情況下，隨著土壤含水率差值增大，灌溉土壤含水率增量逐漸增大；在土壤含水率差值較大時，灌溉土壤含水率增量隨種植密度增加而增大。

3.2.2 分區(qū)變量灌溉模糊控制

川貝母種植密度應(yīng)根據(jù)農(nóng)藝需要確定，目前還沒有在標(biāo)準(zhǔn)中明確規(guī)定。根據(jù)《川貝母生產(chǎn)技術(shù)規(guī)程》（DB51/T 900—2009），一般以900～1 100粒/ m2播種。根據(jù)《農(nóng)業(yè)機(jī)械試驗(yàn)條件測定方法的一般規(guī)定》（GB/T 5262—2008），在每個分區(qū)內(nèi)以五點(diǎn)法確定測量點(diǎn)位，每點(diǎn)位取樣面積為0.25 m2，分別統(tǒng)計各個點(diǎn)位中川貝母植株數(shù)，計算算術(shù)平均值，獲得各個分區(qū)的種植密度。為了說明遺傳算法優(yōu)化的川貝母分區(qū)變量灌溉節(jié)水的有效性，用川貝母實(shí)際種植密度與標(biāo)準(zhǔn)密度的比值，即密度比，進(jìn)行灌溉用水對比分析。表3是該研究中15個灌溉分區(qū)的密度比。從表3中發(fā)現(xiàn)，川貝母各個分區(qū)的密度比主要分布在0.8～1.2附近。標(biāo)準(zhǔn)種植密度是考察重點(diǎn)，因此本研究選擇標(biāo)準(zhǔn)種植密度（=1.0）和較大密度比（=1.2）進(jìn)行對比。

表2 優(yōu)化后的模糊控制規(guī)則

表3 灌溉分區(qū)的密度比

1）1）密度比=1.0 時，優(yōu)化前后川貝母變量灌溉結(jié)果見圖 8。在圖 8a 中，虛線 SMC1 代表模糊控制決策的輸入變量，由川貝母生長含水率模型和灌溉完成后的土壤含水率（灌溉用水）的差值確定，即表示川貝母的灌溉需求；實(shí)線SMC2 代表優(yōu)化前輸出變量，是分區(qū)變量灌溉優(yōu)化前模糊控制決策的灌溉土壤含水率增量；點(diǎn)劃線SMC3 代表遺傳算法優(yōu)化后輸出變量，是分區(qū)變量灌溉優(yōu)化后模糊控制決策的灌溉土壤含水率增量。從圖8a可知，優(yōu)化前灌溉土壤含水率增量曲線與川貝母灌溉需水曲線規(guī)律一致，模糊控制下灌溉土壤含水率增量并未超出川貝母灌溉需求，說明模糊控制決策的灌溉有一定節(jié)水效果；優(yōu)化后灌溉土壤含水率增量主要分布在5%～7%。對比圖 8a 中曲線 SMC2 和 SMC3 發(fā)現(xiàn)，優(yōu)化后灌溉土壤含水率增量有明顯下降，說明遺傳算法優(yōu)化的模糊控制決策的灌溉節(jié)水效果較好。

在圖8a中，川貝母的灌溉需求和優(yōu)化后灌溉土壤含水率增量的差，稱為灌溉誤差，則灌溉誤差?表示為

式中u為第次灌溉時對應(yīng)的川貝母的灌溉需求，%；ua為第次灌溉時對應(yīng)的優(yōu)化后灌溉土壤含水率增量，%；由式（11）計算優(yōu)化后模糊控制灌溉誤差，如圖8b所示。由圖8b可知，灌溉誤差基本控制在±5%之內(nèi)，符合川貝母灌溉用水誤差范圍要求。

另外，該研究的遺傳算法優(yōu)化模糊控制節(jié)水率計算公式如下：

式中為優(yōu)化后川貝母灌溉的年節(jié)水率，%；為一年內(nèi)灌溉程序的執(zhí)行次數(shù)；ub為第次灌溉時對應(yīng)的優(yōu)化前灌溉土壤含水率增量，%；ua為第次灌溉時對應(yīng)的優(yōu)化后灌溉土壤含水率增量，%。通過式（12）計算可知，優(yōu)化前后川貝母灌溉年節(jié)水率為27.6%。

注：SCM1為川貝母的灌溉需求；SCM2為優(yōu)化前灌溉土壤含水率增量；SCM3為優(yōu)化后灌溉土壤含水率增量。下同。

Note: SCM1 isirrigation demand; SCM2 is increment of soil moisture content before optimization; SCM3 is increment of soil moisture content after optimization. Same as below.

圖8 優(yōu)化前后變量灌溉控制結(jié)果（密度比=1.0）

Fig.8 Variable irrigation control results before and after optimization (density ratio=1.0)

2）密度比=1.2時，優(yōu)化前后川貝母變量灌溉結(jié)果見圖9。在圖9a中，優(yōu)化前灌溉土壤含水率增量在12%左右，優(yōu)化后灌溉土壤含水率增量部分在12%以下，說明優(yōu)化后灌溉用水有所下降。圖9b是=1.2時的灌溉誤差，由圖9b可知，灌溉誤差基本控制在±5%以內(nèi)。

通過式（12）計算可知，=1.2時，優(yōu)化前后川貝母灌溉節(jié)水率為4.9%，低于標(biāo)準(zhǔn)種植密度下的灌溉節(jié)水率。

對比圖8和圖9發(fā)現(xiàn)，川貝母灌溉用水與種植密度有關(guān)，密度越大，灌溉用水越多，與實(shí)際情況相符。為了說明川貝母種植密度與灌溉用水、節(jié)水率的關(guān)系，定義灌溉用水比為

式中、1分別表示密度比為和1時優(yōu)化后模糊控制灌溉的年灌溉用水，%。由此可知，灌溉用水比表示一定種植密度與標(biāo)準(zhǔn)種植密度條件下灌溉用水比例。

圖10說明了川貝母種植密度與灌溉用水、節(jié)水率的關(guān)系，其中圖10a表示種植密度與灌溉用水的關(guān)系，圖 10b表示種植密度與灌溉節(jié)水率的關(guān)系。在圖10a中，擬合決定系數(shù)2為0.975，均方根誤差RMSE為0.068，平均絕對誤差MAE為0.055，表明隨川貝母種植密度比增加，即種植密度增加，所需灌溉用水也增大，基本上呈線性關(guān)系。這與圖8和圖9結(jié)果一致。

由圖10b可發(fā)現(xiàn)，川貝母灌溉節(jié)水率與種植密度比之間呈拋物線關(guān)系，不同川貝母種植密度的灌溉節(jié)水率不同，在標(biāo)準(zhǔn)種植密度（密度比=1.0）附近，遺傳算法優(yōu)化模糊控制灌溉節(jié)水率最高。

通過川貝母分區(qū)變量灌溉系統(tǒng)試驗(yàn)和調(diào)試發(fā)現(xiàn)，遺傳算法和模糊控制算法較為成熟，計算效率較高，在網(wǎng)絡(luò)暢通的情況下，整個系統(tǒng)的響應(yīng)在1～2 s之內(nèi)，系統(tǒng)實(shí)時性能滿足應(yīng)用要求。經(jīng)測試，在實(shí)際灌溉作業(yè)中，每次啟動灌溉到灌溉自動結(jié)束，川貝母所需土壤含水率和灌溉后土壤含水率的差值基本能控制在±6%以內(nèi)，系統(tǒng)延遲變化并未引起灌溉控制效果惡化；在系統(tǒng)可靠性方面，進(jìn)行了數(shù)據(jù)庫、數(shù)據(jù)通信、資源共享等方面的優(yōu)化設(shè)計，目前系統(tǒng)運(yùn)行較穩(wěn)定。為了提高模糊控制系統(tǒng)的可靠性和穩(wěn)定性，可采用積分控制等方法進(jìn)行改善。

4 結(jié) 論

1）研制了大棚種植川貝母分區(qū)變量灌溉系統(tǒng)，利用遺傳算法優(yōu)化的模糊控制策略實(shí)現(xiàn)了川貝母分區(qū)變量灌溉。

2）特定種植密度下灌溉用水表明，遺傳算法優(yōu)化后川貝母變量灌溉誤差基本控制在±5%以內(nèi)，實(shí)現(xiàn)了川貝母按需灌溉控制；模糊控制下灌溉用水并未超出川貝母灌溉需求，有一定節(jié)水效果；遺傳算法優(yōu)化后灌溉土壤含水率增量主要分布在5%～7%，較優(yōu)化前明顯下降，說明遺傳算法優(yōu)化的模糊控制決策的灌溉節(jié)水效果較好，遺傳算法優(yōu)化的模糊控制決策模型合理、有效，達(dá)到了節(jié)水灌溉的目的。

3）川貝母種植密度與灌溉用水、節(jié)水率的關(guān)系發(fā)現(xiàn)，隨川貝母種植密度增加，所需灌溉用水也增大，基本呈線性關(guān)系，分區(qū)灌溉效果明顯；川貝母分區(qū)變量灌溉節(jié)水率與種植密度比之間呈拋物線關(guān)系，優(yōu)化后標(biāo)準(zhǔn)種植密度的年節(jié)水率為27.6%。

[1] 楊偉志，孫道宗，劉建梅，等. 基于物聯(lián)網(wǎng)和人工智能的柑橘灌溉專家系統(tǒng)[J]. 節(jié)水灌溉，2019(9)：116-120，124.

Yang Weizhi, Sun Daozong, Liu Jianmei, et al. Citrus irrigation expert system based on internet of things and artificial intelligence[J]. Water Saving Irrigation, 2019(9): 116-120, 124. (in Chinese with English abstract)

[2] 韓云，張紅梅，宋月鵬，等. 國內(nèi)外果園水肥一體化設(shè)備研究進(jìn)展及發(fā)展趨勢[J]. 中國農(nóng)機(jī)化學(xué)報，2020，41(8)：191-195.

Han Yun, Zhang Hongmei, Song Yuepeng, et al. Research progress and development trend of water and fertilizer integrated equipment in orchards at home and abroad[J]. Journal of Chinese Agricultural Mechanization，2020，41(8): 191-195. (in Chinese with English abstract)

[3] 高峰，俞立，張文安，等. 基于莖直徑變化的無線傳感器網(wǎng)絡(luò)作物精量灌溉系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報，2008，24(11)：7-12.

Gao Feng, Yu Li, Zhang Wen′an, et al. Preliminary study on crop precision irrigation system based on wireless sensor networks for stem diameter microvariation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(11): 7-12. (in Chinese with English abstract)

[4] Evans R G, King B A. Site-specific sprinkler irrigation in a water-limited future[J]. Transactions of the ASABE, 2012, 55(2): 493-504.

[5] 李茂娜，孫宇，嚴(yán)海軍，等. 基于土壤表觀電導(dǎo)率的變量灌溉管理分區(qū)方法[J]. 農(nóng)業(yè)工程學(xué)報，2020，36(22)：172-180.

Li Maona, Sun Yu, Yan Haijun, et al. Method for variable rate irrigation management zone delineation based on apparent soil electrical conductivity[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 172-180. (in Chinese with English abstract)

[6] Sui R, Yan H. Field Study of variable rate irrigation management in humid climates[J]. Irrigation and Drainage, 2017, 66(3): 327-339.

[7] 孫宇，李茂娜，王云玲，等. 圓形噴灌機(jī)條件下變量灌溉對蘇丹草產(chǎn)量與品質(zhì)的影響[J]. 干旱地區(qū)農(nóng)業(yè)研究，2020，38(4)：32-38.

Sun Yu, Li Maona, Wang Yunling, et al. Effects of variable rate irrigation on sudangrass yield and quality under center-pivot irrigation[J]. Agricultural Research in the Arid Areas, 2020, 38(4): 32-38. (in Chinese with English abstract)

[8] Hedley C B, Bradbury S, Ekanayake J. Spatial irrigation scheduling for variable rate irrigation[J]. Proceedings of the New Zealand Grassland Association. 2010. 72: 97-102.

[9] Meyer-Aurich A, Gandorfer M, Trost B. Risk efficiency of irrigation to cereals in northeast Germany with respect to nitrogen fertilizer[J]. Agriculture System, 2016(149): 132-138.

[10] 李久生，李益農(nóng)，栗巖峰，等. 現(xiàn)代灌溉水肥精量調(diào)控原理與應(yīng)用[J]. 中國水利水電科學(xué)研究院學(xué)報，2018，16(5)：373-384.

Li Jiusheng, Li Yinong, Li Yanfeng, et al. Principle and application of precise regulating water and fertilizers for modernized irrigation technologies[J]. Journal of China Institute for Water Resources and Hydropower Research, 2018, 16(5): 373-384. (in Chinese with English abstract)

[11] 韓安太，何勇，陳志強(qiáng)，等. 基于無線傳感器網(wǎng)絡(luò)的茶園分布式灌溉控制系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2011，42(9)：173-180.

Han Antai, He Yong, Chen Zhiqiang, et al. Design of distributed precision irrigation control system based on wireless sensor network for tea plantation[J], Transactions of the Chinese Society of Agricultural Machinery, 2011, 42(9): 173-180. (in Chinese with English abstract)

[12] 謝家興，余國雄，王衛(wèi)星，等. 基于無線傳感網(wǎng)的荔枝園智能節(jié)水灌溉雙向通信和控制系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(S2)：124-130.

Xie Jiaxing, Yu Guoxiong, Wang Weixing, et al. Bidirectional communication and control system of intelligent water-saving irrigation in litchi orchard based on wireless sensor network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(S2): 124-130. (in Chinese with English abstract)

[13] 余國雄，王衛(wèi)星，謝家興，等. 基于物聯(lián)網(wǎng)的荔枝園信息獲取與智能灌溉專家決策系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(20)：144-152.

Yu Guoxiong, Wang Weixing, Xie Jiaxing, et al. Information acquisition and expert decision system in litchi orchard based on internet of things[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(20): 144-152. (in Chinese with English abstract)

[14] 趙偉霞，李久生，楊汝苗，等. 基于土壤水分空間變異的變量灌溉作物產(chǎn)量及節(jié)水效果[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(2)：1-7.

Zhao Weixia, Li Jiusheng, Yang Rumiao, et al. Yields and water-saving effects of crops as affected by variable rate irrigation management based on soil water spatial variation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(2): 1-7. (in Chinese with English abstract)

[15] Vories E, Stevens W, Rhine M, et al. Investigating irrigation scheduling for rice using variable rate irrigation[J]. Agricultural Water Management, 2017, 179: 314-323.

[16] Stone K C, Bauer P J, Busscher W J, et a1. Variable rate irrigation management using an expert system in the eastern coasta1 plain[J]. Irrigation Science, 2015, 33: 167-175.

[17] Sui R, Daniel K F, Krishna N R. Yield response to variable rate irrigation in corn[J]. Journal of Agricultural Science, 2015, 7(11): 11.

[18] Haghverdi A, Leib B G, Washington-Allen R A, et al. Perspectives on delineating management zones for variable rate irrigation[J]. Computers and Electronics in Agriculture, 2015, 117: 154-167.

[19] 高子茵，杜明剛，李慎龍，等. 基于遺傳算法優(yōu)化和模糊控制動態(tài)優(yōu)化的自動變速器換擋規(guī)律設(shè)計[J]. 兵工學(xué)報，2021，42(4)：684-696.

Gao Ziyin, Du Minggang, Li Shenlong, et al. Design of shifting rules of automatic transmission based on genetic algorithm optimization and fuzzy control dynamic optimization[J]. Acta Armamentarii, 2021, 42(4): 684-696. (in Chinese with English abstract)

[20] Srbinovska M, Gavrovski C, Dimcev V, et a1. Environmental parameters monitoring in precision agriculture using wireless sensor networks[J] Journal of Cleaner Production, 2015(88): 297-307.

[21] Sudha M N, Valarmathi M N, Anni S B, et al. Energy efficient data transmission in automatic irrigation system using wireless sensor networks[J]. Computers and Electronics in Agriculture, 2011, 78(7): 215-221.

[22] 西華大學(xué). 一種川貝母智能灌溉系統(tǒng)及方法：202110296363. 4[P]. 2021.

[23] 郭迎慶，周敏，吳景，等. 基于遺傳算法優(yōu)化的磁流變減震結(jié)構(gòu)模糊控制研究[J]. 應(yīng)用力學(xué)學(xué)報，2020，37(4)：1500-1507，1856.

Guo Yingqing, Zhou Min, Wu Jing, et a1. Study on fuzzy control of magneto-rheological structure based on genetic algorithm optimization[J]. Chinese Journal of Applied Mechanics, 2020, 37(4): 1500-1507, 1856. (in Chinese with English abstract)

[24] 張伶鳦，王潤濤，張長利，等. 基于調(diào)虧理論和模糊控制的寒地水稻智能灌溉策略[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(13)：52-58.

Zhang Lingyi, Wang Runtao, Zhang Changli, et al. Intelligent irrigation strategy based on regulated deficit theory and fuzzy control for rice in cold region[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(13): 52-58. (in Chinese with English abstract)

[25] 辛明影，劉峰，孫大烈，等. 模糊控制器的優(yōu)化設(shè)計(Ⅱ)：三角形隸屬函數(shù)優(yōu)化的研究[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報，2002(3)：296-299.

Xin Mingying, Liu Feng, Sun Dalie, et al. The optimized design of the fuzzy controller (II): The disquisition of optimized triangle subjection function[J]. Journal of Northeast Agricultural University, 2002(3): 296-299. (in Chinese with English abstract)

[26] 廉小親. 模糊控制技術(shù)[M]. 北京：中國電力出版社，2003.

[27] 劉金琨. 智能控制（第4版）[M]. 北京：電子工業(yè)出版社，2017.

[28] Kuo S F, Merkey G. Decision support for, irrigation project planning using a genetic algorithm[J]. Agricultural Water Management, 2000, 45(3): 243-266.

[29] 張帆，羅錫文，張智剛，等. 基于改進(jìn)多父輩遺傳算法的農(nóng)機(jī)調(diào)度優(yōu)化方法[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(9)：192-198.

Zhang Fan, Luo Xiwen, Zhang Zhigang, et al. Agricultural machinery scheduling optimization method based on improved multi-parents genetic algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(9): 192-198. (in Chinese with English abstract)

[30] 李醫(yī)民，胡壽松，李莉. 溫室系統(tǒng)生態(tài)位智能控制方法研究[J]. 農(nóng)業(yè)工程學(xué)報，2002，18(6)：103-106.

Li Yimin, Hu Shousong, Li Li. Intelligent control methods of greenhouse system niche[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2002, 18(6): 103-106. (in Chinese with English abstract)

Development of the partition variable irrigation system for greenhouse planting

Liao Min, Su Chao, Zhang Yu, Yang Yajun, Zhang Qiang

(1.,,610039,; 2.,,610039,)

is one of the most precious traditional Chinese medicines. Some characteristics, like being fond of humidity and fearing of high humidity, have posed a great challenge to the artificial irrigation of. The intelligent precision irrigation system can be expected to realize the water-saving irrigation on demand in recent years. In this study, a partition system of variable rateirrigation was developed using the wireless sensor network. An investigation was made on the impact of growth age, planting season, soil, and planting density on the required irrigation water ofin the process of artificial cultivation between April 2018 and December 2020. A capacitance analyzer was also selected to detect the soil moisture content. The water demand was thus obtained for thegrowth and irrigation water in planting soil. As such, the required and planting soil moisture content model was established for the growth of. The results showed that the required soil moisture content ofgrowth increased, with the increase of planting density, in addition to the factor ofgrowth age. A fuzzy control strategy model was established for the application of partition variable irrigation of. A double-input and simple-output structure was adopted for the fuzzy controller. The input variables were the planting densityand the difference valuebetween the required soil moisture content forgrowth and the planting one. The output variable was the increment of soil moisture contentduring irrigation. Genetic Algorithm (GA) was utilized to optimize the quantification factors of fuzzy control, KandK, the scale factorK, the fuzzy control rules, as well as the membership function, in order to achieve an accurate decision on the irrigation water of. The irrigation water was also applied under the different planting densities, seasons, and growing ages. A field irrigation process was conducted in the greenhouse ofusing the partition variable irrigation technology, according to the increment of irrigation soil moisture content. The experimental results showed that a better water-saving effect of irrigation was achieved using fuzzy control optimized by GA. The increment of soil moisture content was distributed between 5% to 7%, and the consumption of irrigation water decreased significantly. The error of optimized variable irrigation was around ±5% under the specific planting density of, where satisfied the irrigation demand as required water amount ofgrowth. The required irrigation water also increased linearly, with the increase of planting density of. Correspondingly, there was a parabolic relationship between the water-saving rate of partition variable irrigation and the planting density ratio of. The optimum water-saving rate was achieved, where the standard planting density and the annual water-saving rate reached more than 27.6%. This finding can provide a sound reference and technical support to the strategy of planting density and water-saving irrigation for.

fuzzy control; genetic algorithms; variable rate irrigation; water saving irrigation;

廖敏，粟超，張宇，等. 大棚種植川貝母分區(qū)變量灌溉系統(tǒng)研制[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(16)：108-116.doi：10.11975/j.issn.1002-6819.2021.16.014 http://www.tcsae.org

Liao Min, Su Chao, Zhang Yu, et al. Development of the partition variable irrigation system for greenhouse planting[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(16): 108-116. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.16.014 http://www.tcsae.org

2021-03-26

2021-07-15

四川省科技廳項(xiàng)目（2019YFN0084，2019GFW007）

廖敏，博士，教授，研究方向?yàn)楝F(xiàn)代農(nóng)業(yè)裝備與技術(shù)。Email：848264319@qq.com

10.11975/j.issn.1002-6819.2021.16.014

S274.1；S274.2

A

1002-6819(2021)-16-0108-09