基于SVM算法的農(nóng)田節(jié)水灌溉路徑自動規(guī)劃方法

馬俊青 苗興樂

摘 要 在面對地域面積大且地勢起伏大的農(nóng)田時，傳統(tǒng)的農(nóng)田節(jié)水灌溉技術(shù)無法從根本上解決水資源浪費的情況，因此提出基于支持向量機（Support Vector Machine，SVM）算法的農(nóng)田節(jié)水灌溉路徑自動規(guī)劃方法。通過構(gòu)建農(nóng)田節(jié)水灌溉路徑的模型獲取農(nóng)田節(jié)水灌溉方案，利用SVM算法對農(nóng)田節(jié)水灌溉最優(yōu)路徑進行自動規(guī)劃。結(jié)果表明，SVM算法自動規(guī)劃出的路徑用水總量為994.42 m3·hm-2，而按照人工所規(guī)劃出的路徑用水總量為1 368.42 m3·hm-2，在同樣時間內(nèi)可以更有效地對農(nóng)田進行節(jié)水灌溉，可見此次基于SVM算法自動規(guī)劃的農(nóng)田節(jié)水灌溉路徑是有效果的。

關(guān)鍵詞 農(nóng)田;節(jié)水灌溉路徑;SVM算法;規(guī)劃方法

中圖分類號：S274.2 文獻(xiàn)標(biāo)志碼：A DOI：10.19415/j.cnki.1673-890x.2022.09.045

收稿日期：2022-02-11

作者簡介：馬俊青（1977—），女，內(nèi)蒙古包頭人，本科，工程師，主要從事農(nóng)田水利工程建設(shè)與管理。E-mail：347589556@qq.com。

農(nóng)業(yè)作為我國第一產(chǎn)業(yè)，是發(fā)展國民經(jīng)濟的基礎(chǔ)。在水資源匱乏和分布不均等情況下，通過技術(shù)手段可以提高農(nóng)田糧食產(chǎn)量，同時減少水資源的過度消耗。結(jié)合我國當(dāng)前情況，需要大力開展節(jié)水灌溉技術(shù)的推廣應(yīng)用，并合理規(guī)劃出節(jié)水灌溉路徑方法。

支持向量機（Support Vector Machine，SVM）算法是利用分類和總結(jié)來分析系統(tǒng)數(shù)據(jù)的監(jiān)督學(xué)習(xí)模型和算法，是當(dāng)今時代一種新型的機器學(xué)習(xí)算法，可以用最少的風(fēng)險結(jié)構(gòu)代替?zhèn)鹘y(tǒng)的人工經(jīng)驗產(chǎn)生的風(fēng)險。支持向量機是一類可用于分類和回歸的有監(jiān)督機器學(xué)習(xí)模型，通過最優(yōu)化算法得到所有解答中的最優(yōu)方案，可以解決在傳統(tǒng)網(wǎng)絡(luò)中沒有辦法避開的局部問題[1]。因此，通過SVM算法構(gòu)建農(nóng)田節(jié)水灌溉的基礎(chǔ)模型，可以選擇出最優(yōu)的節(jié)水灌溉路徑。

1? 基于SVM算法的農(nóng)田節(jié)水灌溉路徑自動規(guī)劃方法

1.1? 構(gòu)建農(nóng)田節(jié)水灌溉模型

建立節(jié)水灌溉模型是為了使農(nóng)田的節(jié)水灌溉系統(tǒng)可以更好地實現(xiàn)監(jiān)督和預(yù)測功能，而節(jié)水灌溉模型包含數(shù)據(jù)輸入與預(yù)測數(shù)據(jù)輸出兩個層面。

1.1.1? 數(shù)據(jù)輸入

數(shù)據(jù)輸入主要包括影響農(nóng)田節(jié)水灌溉的因素，分別是環(huán)境因素、土壤因素和農(nóng)作物自身因素。因此需要對影響節(jié)水灌溉的因素進行研究和分析，更加準(zhǔn)確地預(yù)測出農(nóng)田可以達(dá)到節(jié)水目標(biāo)的灌溉量。

1）環(huán)境因素方面，主要是受農(nóng)作物灌溉需要的用水量影響，特別是會體現(xiàn)在農(nóng)田的蒸發(fā)水量W0上，其計算過程如下：

[W0=0.408ΔFX-Tα900S+273i3R0-RnΔ+α1+0.34i3] （1）

（1）式中：FX是農(nóng)田內(nèi)凈化后的輻射數(shù)量，單位為MJ·m-2·d-1;T是農(nóng)田區(qū)域土壤的密集度，單位為mg·m-3;S、i3分別是距離地面3 m檢測到的平均氣溫與風(fēng)速，單位分別為℃、m·s-1;R0、Rn分別是農(nóng)田種植地面的飽和壓力和實際壓力值，單位為MPa;Δ是農(nóng)田蒸發(fā)曲線的斜率;α是農(nóng)田區(qū)域?qū)嶋H檢測到的常量數(shù)值。

2）土壤因素方面，構(gòu)建節(jié)水灌溉模型之初要考慮土壤中可以滲入的水量。在正常降雨和灌溉的情況下，土壤中水量的滲入值計算方法為：

[TU=QZ0+P+DD] （2）

（2）式中：TU是土壤中水量的滲入值，單位為mm·min-1;Q是水分的傳導(dǎo)量，單位為m·d-1;D是滲入水的總深度，單位為m;P是土壤的吸水量，單位為%。

3）農(nóng)作物自身因素方面，主要由水分蒸發(fā)量和土壤可以保持的濕度所決定。

1.1.2? 預(yù)測數(shù)據(jù)輸出

預(yù)測數(shù)據(jù)輸出是根據(jù)所得數(shù)據(jù)輸入構(gòu)建的模型中所得到的可供參考的數(shù)據(jù)[2]。使用上述的模型進行計算，可以獲得所需的節(jié)水灌溉相關(guān)數(shù)據(jù)。

1.2? 獲取節(jié)水灌溉方案

節(jié)水灌溉模型所得到的各項指標(biāo)大部分是積極正向的，如收益率、灌水平均量、節(jié)水量等，這些指標(biāo)的數(shù)值越大越有利;也有一小部分是負(fù)面的，如土壤蒸發(fā)量、水分流失量、平均耗水量等，負(fù)面的指標(biāo)數(shù)值需越小越好。因此在獲取節(jié)水灌溉方案時，需要優(yōu)先處理掉負(fù)面的或不能夠正常使用的數(shù)據(jù)。對所得到的數(shù)據(jù)指標(biāo)進行處理，通過系統(tǒng)整理變換之后，可以使指標(biāo)都趨于正向。具體需要采用數(shù)據(jù)指標(biāo)轉(zhuǎn)換的方法，計算公式是：

[C00=Cmax+Cmin-C0]? ?（3）

（3）式中：C00是處理后的數(shù)據(jù)值;Cmax是數(shù)據(jù)指數(shù)的最大數(shù)值;Cmin是數(shù)據(jù)指數(shù)的最小數(shù)值;C0是原始數(shù)據(jù)值。

式（3）所得到的數(shù)據(jù)就是正常構(gòu)建模型所得到的數(shù)據(jù)[1e，ii=1-n]，另外需要形成以[ββ1，β2，…，βn]為基礎(chǔ)的一組數(shù)據(jù)值k（e），計算公式是：

[ke=i=1nβile，i]? ? ? ?（e≥1）? ?（4）

（4）式中：β為單位數(shù)據(jù)下的長度;l為單位數(shù)據(jù)離散度。

根據(jù)[kee=1-n]進行分類，如式（5）：

[Pβ=Y0H0]? （5）

（5）式中：Y0是數(shù)據(jù)值k（e）的標(biāo)準(zhǔn)差;H0是數(shù)據(jù)值k（e）的分類值。

局部的范圍值可能重合在一起或者極其相近，所以將得到的分類值P（β）代入式（4）即可得到最終節(jié)水灌溉方案的數(shù)據(jù)值k（e），并且是按照從大到小、從優(yōu)到劣的順序進行排列的[3]。

1.3? SVM算法自動規(guī)劃最優(yōu)路徑

SVM算法參考數(shù)值的選擇通常為舉例的方法、智能優(yōu)化的方法和進行網(wǎng)絡(luò)搜索，其中最常用的就是使用網(wǎng)絡(luò)搜索來接收數(shù)據(jù)。該方法可以將誤差數(shù)值A(chǔ)和核函數(shù)參考數(shù)值B分別取X個和Y個數(shù)值，用X×Y個（A，B）組合分別進行分析，并選擇精準(zhǔn)度最高的一組作為最優(yōu)參考數(shù)值。

假設(shè)上述SVM算法分類管理器最佳的誤差數(shù)值和核函數(shù)參考數(shù)值分別為ASVM和BSVM，將數(shù)值在網(wǎng)絡(luò)搜索的基礎(chǔ)上轉(zhuǎn)化成相應(yīng)的坐標(biāo)，即：

[XSVM=PLASVMYSVM=PLBSVM]? （6）

（6）式中：P為參數(shù)自變量，L為自變量更新函數(shù)取值時的值。

由式（6）可知，管理器的數(shù)據(jù)參考范圍為[X∈XSVM-2，XSVM+2]，[Y∈YSVM-2，YSVM+2]?？芍琗、Y是在網(wǎng)絡(luò)搜索的基礎(chǔ)上轉(zhuǎn)化成的坐標(biāo)，當(dāng)數(shù)據(jù)長度為1時，數(shù)據(jù)分別在5個值的范圍內(nèi)，因此最優(yōu)的參考數(shù)值是從其中獲得?；诰W(wǎng)絡(luò)搜索的區(qū)域內(nèi)，在原始數(shù)據(jù)的樣本基礎(chǔ)上再采用最佳SVM分類管理器對數(shù)據(jù)進行分類及擇優(yōu)，從而得到最精確的數(shù)據(jù)范圍[4]。

當(dāng)數(shù)據(jù)經(jīng)過SVM算法計算過后，可能會存在某類不在正常規(guī)定范圍內(nèi)的數(shù)據(jù)，所以需要在上述計算之后，再增加特殊的計算步驟。增加的算法步驟在使用過程中對大多數(shù)類和少數(shù)類分別使用不同的懲罰數(shù)值，通過對錯誤的少數(shù)樣本數(shù)據(jù)增加懲罰，從而改善SVM分類管理器的輸出結(jié)果。

2? 應(yīng)用的實驗測試

2.1? 準(zhǔn)備工作

選擇農(nóng)作物的品質(zhì)和產(chǎn)量都較好的農(nóng)田作為實驗的數(shù)據(jù)樣本，標(biāo)記農(nóng)田的地理坐標(biāo)進行模擬測試，農(nóng)田地理相對位置的坐標(biāo)為（1.36，3.82），（5.98，4.66），（7.65，5.47），（5.09，4.82），（3.28，0.59），（6.19，6.81），（8.64，2.55），將對應(yīng)的（x，y）坐標(biāo)分別標(biāo)記為a、b、c、d、e、f和g。

按照坐標(biāo)順序正常進行灌溉的路徑（a到g）稱為區(qū)域A，如圖1所示，而采用SVM算法進行自動規(guī)劃出的路徑稱為區(qū)域B，如圖2所示。并將區(qū)域A與區(qū)域B用正常方法進行灌溉，測試兩個灌溉路徑的節(jié)水效果[5]。

2.2? 數(shù)據(jù)監(jiān)測及反饋結(jié)果

在相同時間內(nèi)，將區(qū)域A按照正常坐標(biāo)路徑進行灌溉，區(qū)域B則采用SVM算法計算后自動得到的最優(yōu)路徑進行灌溉，根據(jù)灌溉數(shù)據(jù)監(jiān)測結(jié)果查看兩個區(qū)域內(nèi)使用水量的情況。為了保證測試的結(jié)果更加具有準(zhǔn)確性與真實性，共進行15次實驗，結(jié)果列于表1。

從表1可以看出，按照正常坐標(biāo)路徑進行灌溉的用水量基本維持在85～95 m3·hm-2，采用SVM算法計算后自動得到的最優(yōu)路徑進行灌溉的用水量可保持在63～69 m3·hm-2，用水量明顯減少。通過上述測試出的用水量可知，區(qū)域A總用水量為1 368.42 m3·hm-2，平均用水量為91.228 m3·hm-2;而計算所得出的最優(yōu)路線的用水總量為994.42 m3·hm-2，平均用水量則為66.295 m3·hm-2。上述測試表明，采用SVM算法規(guī)劃出的農(nóng)田節(jié)水灌溉路線比正常情況下的灌溉路徑更加節(jié)約水資源。

3? 結(jié)語

此次規(guī)劃路徑的方法是在我國當(dāng)前節(jié)水灌溉技術(shù)的基礎(chǔ)上，更加合理地自動規(guī)劃出一條適合農(nóng)田地理環(huán)境的節(jié)水灌溉路徑，為更多無法用人工規(guī)劃路徑的區(qū)域提供了更加完整的數(shù)據(jù)基礎(chǔ)。但只依賴上述的SVM算法規(guī)劃路徑無法應(yīng)用于面積龐大、地勢高低差距大的區(qū)域，容易出現(xiàn)誤差，從而影響后續(xù)規(guī)劃的路徑。今后可以在此算法的基礎(chǔ)上進行優(yōu)化升級，添加適合面積較大區(qū)域的算法模型，將誤差控制在最小的范圍內(nèi)，規(guī)劃出更加準(zhǔn)確的農(nóng)田節(jié)水灌溉路徑。

參考文獻(xiàn)：

[1] 石會琴.農(nóng)田灌溉管理存在的問題及對策[J].農(nóng)業(yè)科技與信息，2021（23）：103-104.

[2] 李學(xué)軍，程紅.基于LSTM算法的智能節(jié)水灌溉預(yù)測模型研究[J].農(nóng)機化研究，2022，44（3）：22-27.

[3] 劉宇.基于網(wǎng)絡(luò)路由算法的智能灌溉系統(tǒng)研究[J].農(nóng)機化研究，2022，44（8）：215-219.

[4] 王龍強.基于PSO-SVM的來水量預(yù)測模型[J].水科學(xué)與工程技術(shù)，2020（1）：14-16.

[5] 許偉棟，趙忠蓋.基于PCA-SVM算法的馬鈴薯形狀分選[J].控制工程，2020，27（2）：246-253.

（責(zé)任編輯：張春雨? 丁志祥）