将动态贝叶斯模型预测的作物系数与自动蒸渗仪技术相结合，以实现高度精确的用水控制

《Computers and Electronics in Agriculture》：Combining dynamic Bayesian prediction of the crop coefficient with automated lysimetry for highly accurate water-use control

智能 lysimeter 系统通过IoT传感器、云端动态贝叶斯网络算法实时估算作物系数Kc，优化灌溉决策，在意大利地中海气候下实现17%节水、64%径流减少，RMSE达6.7%。

　　

亚历山大·科西安（Alexander Kocian）|法特永·塞拉（Fatjon Cela）|朱莉娅·卡马西（Giulia Carmassi）|西蒙娜·奇蒂（Simone Citti）|费尔南多·马洛尔吉奥（Fernando Malorgio）|费德里卡·帕加内利（Federica Paganelli）|斯特凡诺·切萨（Stefano Chessa）|保罗·米拉佐（Paolo Milazzo）|卢卡·因克罗奇（Luca Incrocci）

意大利比萨大学农业、食品与环境系，Via del Borghetto 80，56124 比萨

摘要

作物蒸散作用是高效灌溉的关键参数，可以通过基于参考蒸散量和作物特定系数（Kc）的标准化FAO-56技术来估算。然而，这个系数需要通过实验测量，并且会随着环境条件以及作物叶片面积的发展而变化。Kc的实验评估模拟了复杂的土壤-植物-大气相互作用。这涉及到解决大量方程，需要整个生长季节的详细气象数据、作物数据和基质数据。由于这一过程需要大量的时间和资源，基于作物蒸散量的灌溉方法常常被忽视。为了使这种方法在无土栽培中可行，我们开发了一种智能渗滤计，它由商用传感器、云服务器和轻量级的物联网客户端组成，能够控制灌溉时间以保持淋溶分数的恒定。渗滤计收集的传感器数据通过基于动态贝叶斯网络的人工智能组件在云服务器上进行分析，从而生成每日Kc的估算值。该人工智能组件随着时间的推移从传感器数据中学习，以预测几天的Kc变化，并调整物联网客户端中的灌溉阈值。结合Kc估算值和短期天气预报，这种智能渗滤计可以轻松预测作物蒸散量，并在不同地理区域实施高效灌溉。在多种天气条件下对观赏性荚蒾（Viburnum opulus L.）进行的实验表明，在地中海夏季，与经验丰富的农民手动灌溉相比，我们的渗滤计实现了17%的灌溉用水节省和64%的径流减少。Kc的均方根误差（RMSE）在1到7天的所有预测时段内为全规模的6.7%。

引言

园艺领域的无土栽培（在温室或其他能够减少气候对作物生产影响的系统中种植蔬菜和观赏作物）是农业最重要的领域之一。无土栽培的特点是使用基质或液体营养液作为根系的支撑，而不是土壤。通常，根区的体积比传统的土壤栽培系统小十倍，因此需要频繁灌溉并持续供应养分（肥水灌溉），导致大量的排水，从而降低了水分和养分的利用效率（Fussy & Papenbrock, 2022）。在北欧国家，无土栽培技术非常发达，占温室作物的95%以上，技术水平很高，农民使用昂贵的气候计算机来控制灌溉管理，这需要良好的农艺技能（Moreno et al., 2024, Incrocci et al., 2020）。在地中海地区，由于气候温和，作物保护结构简单，技术要求也较低。地中海地区的温室总面积约为150,000公顷，无土栽培占保护性种植面积的10-15%（取决于国家）（Argento et al., 2024）。在地中海盆地，无土栽培也用于露天种植芳香植物（如鼠尾草、迷迭香、薰衣草等）和盆栽的硬质观赏苗木。在意大利，这些作物的种植面积超过3500公顷（Incrocci et al., 2019）。无论是温室蔬菜生产还是露天无土栽培，都需要显著提高水分生产力（或水分利用效率），为此需要最佳的灌溉管理。考虑到欧洲许多地区（包括南欧）淡水资源的日益稀缺，这一点尤为重要（Thompson et al., 2020）。在地中海地区，大多数无土栽培采用开环系统，这意味着淋溶液中的养分溶液（排水）不会重新用于同一作物，导致大量水资源和养分的浪费（Gruda et al., 2019, D'Amico et al., 2023）。无土栽培灌溉效率低的主要原因是未能准确估计何时需要灌溉以补充作物蒸散作用（ETc）所消耗的水分（Nikolaou et al., 2020）。一旦知道ETc，就可以精确安排灌溉时间。

一种标准化且简单的ETc估算方法是所谓的联合国粮食及农业组织（FAO）-56方法（Allen et al., 1998）。根据这种方法，将与作物无关的参考蒸散量（ET0）乘以作物特定系数（Kc）ET0是通过使用Penman–Monteith（PM）方程（Monteith, 1965）计算得出的，该方程考虑了全球辐射（RG）、空气温度（T）、空气湿度（RH）、风速（WS）和空气动力阻力（AR）等多个气候参数。然而，作物系数Kc必须通过实验测量，并且会随着作物叶片面积的发展而变化。其计算至少每10天进行一次，既耗时又费钱。因此，种植者很少在日常操作中使用这种方法。无土栽培中的另一个重要问题是肥水灌溉的控制，必须调节以避免根区盐分积累，从而降低作物产量。为了保持根区的最佳化学生长条件，农民必须每天检查淋溶分数（LF）——即排水量与同一时期灌溉量的比例——以及排水液的pH值和电导率（EC）值。这三个指标对于控制无土系统和防止灌溉及营养管理错误至关重要，但由于时间不足，农民常常忽略这些测量。在之前的研究中，我们部分解决了这个问题（Kocian et al., 2020, Kocian et al., 2020a），提供了一种基于当前和过去几天的测量数据预测蒸散量ETc的方法。然而，预测的准确性很大程度上取决于对未来天气事件的正确预测。在另一项研究中（Kocian et al., 2023），我们提出了一种基于Kc近似的ETc估算方法，即一个归一化到全球辐射的作物系数Kr，该方法仅依赖于全球辐射，排除了风速和相对空气湿度等环境参数。这种假设简化了Kc的估算，但同时也使其不适合在露天或不同地理区域进行灌溉控制，除非对系统进行专门调整。

在这项工作中，我们旨在通过开发一种适用于无土栽培的智能渗滤计来提供准确的Kc估算（根据FAO标准定义）。该设计整合了物联网传感、基于云的人工智能和渗滤技术，以实现高度适应性和高效的灌溉管理。它包括商用传感器、云服务器和轻量级的、服务质量意识强的物联网客户端。物联网设备收集传感器数据，并以软实时方式上传到云服务器。云服务器则运行基于动态贝叶斯网络的人工智能组件，生成每日Kc参数的估算值。该组件随着时间的推移从传感器数据中学习，以预测几天的Kc变化。基于Kc估算值和短期本地天气预报，人工智能组件可以预测作物蒸散量ETc。在此基础上，该系统可以在两种模式下使用：1）计算Kc，然后用于基于FAO-56方法的灌溉管理系统；2）在物联网设备中自主控制灌溉的启动（与Kocian et al., 2023的工作不同）。这使得智能渗滤计成为在不同地理区域实现高效灌溉的多功能工具，即使在面临水资源短缺的情况下也是如此。最后，我们在不同天气条件下使用观赏性荚蒾（Viburnum opulus L.）进行了实际案例研究，以评估该渗滤计的效果。

技术前沿

近年来，多项研究探讨了将机器学习模型应用于Kc和/或ETc的估算或预测。一些研究展示了采用机器学习模型（如神经网络、随机森林或支持向量机）相对于经验模型或传统回归模型所带来的性能提升（Hailegnaw et al., 2024, Han et al., 2021, Kocian and Incrocci, 2020, Teshome

智能渗滤计

智能渗滤计旨在通过确保高效用水同时维持植物健康生长来优化灌溉管理。具体来说，它通过估算生物量增长来适应植物的水分需求，并通过动态调整灌溉阈值来保持基质湿度的最佳状态。它无需人工干预即可自主运行，从而实现连续灌溉、排水和重量测量。

实验设置

实验测试于2024年7月12日开始，2024年9月8日结束。试验在意大利因佩里亚省塔吉亚（Taggia）的Florcoop Sanremo s.c.a.农场进行。Viburnum opulus var. Roseum（雪球荚蒾）采用直径为18厘米的盆栽方式种植。实验区域被划分为四个灌溉地块：两个由农民手动管理（对照地块），两个由基于渗滤计的灌溉系统自动管理（处理地块）。

灌溉控制

为了说明物联网客户端中的状态机，让我们考虑图7中的数值示例，该示例显示了灌溉事件附近传感器测量的重量时间序列。假设最后一次灌溉n-1在7月2日上午结束，重量为28700克（n-1）。系统当前处于等待状态，灌溉阈值（w*）随时间调整，目前为24550克，作物特定的淋溶分数LF*预设为0.15（=15%）。下午8:30时，测量到的重量为...

结论

我们的研究表明，智能渗滤计显著提高了灌溉效率，证明它是现代农业中一种高效的工具。在我们的实验中，与经验丰富的农民手动管理的传统灌溉相比，在地中海气候条件下，两个月的田间试验中，荚蒾（Viburnum opulus L.）的径流减少了64%，灌溉用水减少了17%，同时保持了...

未来研究

虽然这项研究概述了未来研究的一般方向，但还需要更具体的建议。我们提出以下下一步：

• •
  进行多个生长季节的长期试验，以评估系统的耐久性和长期性能。
• •
  在多种无土栽培作物（番茄、辣椒、茄子、浆果等）以及不同气候条件下的观赏植物和切花上测试该系统，以评估其更广泛的应用

CRediT作者贡献声明

亚历山大·科西安（Alexander Kocian）：撰写——原始草稿、验证、软件开发、方法论、数据分析。法特永·塞拉（Fatjon Cela）：撰写——原始草稿、验证、数据管理。朱莉娅·卡马西（Giulia Carmassi）：撰写——审稿与编辑、数据管理。西蒙娜·奇蒂（Simone Citti）：验证。费尔南多·马洛尔吉奥（Fernando Malorgio）：撰写——审稿与编辑、数据管理。费德里卡·帕加内利（Federica Paganelli）：撰写——审稿与编辑、软件开发。斯特凡诺·切萨（Stefano Chessa）：撰写——原始草稿、资源协调、项目管理、方法论、资金筹集。保罗·米拉佐（Paolo Milazzo）：

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本工作部分得到了意大利AGRITECH“国家农业技术研究中心（https://agritechcenter.it, (Spoke 9) – CUP CN00000022）的支持，该中心由“国家复苏与韧性计划”（PNRR）下一代欧盟项目以及比萨大学的“数字化园艺作物以提高其可持续性”（DIGIORT, PRA_2022_55）项目资助。