基于SVM算法的農田節水灌溉路徑自動規劃方法

馬俊青 苗興樂

摘 要 在面對地域面積大且地勢起伏大的農田時，傳統的農田節水灌溉技術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）算法的農田節水灌溉路徑自動規劃方法。通過構建農田節水灌溉路徑的模型獲取農田節水灌溉方案，利用SVM算法對農田節水灌溉最優路徑進行自動規劃。結果表明，SVM算法自動規劃出的路徑用水總量為994.42 m3·hm-2，而按照人工所規劃出的路徑用水總量為1 368.42 m3·hm-2，在同樣時間內可以更有效地對農田進行節水灌溉，可見此次基于SVM算法自動規劃的農田節水灌溉路徑是有效果的。

關鍵詞 農田;節水灌溉路徑;SVM算法;規劃方法

中圖分類號：S274.2 文獻標志碼：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，內蒙古包頭人，本科，工程師，主要從事農田水利工程建設與管理。E-mail：347589556@qq.com。

農業作為我國第一產業，是發展國民經濟的基礎。在水資源匱乏和分布不均等情況下，通過技術手段可以提高農田糧食產量，同時減少水資源的過度消耗。結合我國當前情況，需要大力開展節水灌溉技術的推廣應用，并合理規劃出節水灌溉路徑方法。

支持向量機（Support Vector Machine，SVM）算法是利用分類和總結來分析系統數據的監督學習模型和算法，是當今時代一種新型的機器學習算法，可以用最少的風險結構代替傳統的人工經驗產生的風險。支持向量機是一類可用于分類和回歸的有監督機器學習模型，通過最優化算法得到所有解答中的最優方案，可以解決在傳統網絡中沒有辦法避開的局部問題[1]。因此，通過SVM算法構建農田節水灌溉的基礎模型，可以選擇出最優的節水灌溉路徑。

1? 基于SVM算法的農田節水灌溉路徑自動規劃方法

1.1? 構建農田節水灌溉模型

建立節水灌溉模型是為了使農田的節水灌溉系統可以更好地實現監督和預測功能，而節水灌溉模型包含數據輸入與預測數據輸出兩個層面。

1.1.1? 數據輸入

數據輸入主要包括影響農田節水灌溉的因素，分別是環境因素、土壤因素和農作物自身因素。因此需要對影響節水灌溉的因素進行研究和分析，更加準確地預測出農田可以達到節水目標的灌溉量。

1）環境因素方面，主要是受農作物灌溉需要的用水量影響，特別是會體現在農田的蒸發水量W0上，其計算過程如下：

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

（1）式中：FX是農田內凈化后的輻射數量，單位為MJ·m-2·d-1;T是農田區域土壤的密集度，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速，單位分別為℃、m·s-1;R0、Rn分別是農田種植地面的飽和壓力和實際壓力值，單位為MPa;Δ是農田蒸發曲線的斜率;α是農田區域實際檢測到的常量數值。

2）土壤因素方面，構建節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）農作物自身因素方面，主要由水分蒸發量和土壤可以保持的濕度所決定。

1.1.2? 預測數據輸出

預測數據輸出是根據所得數據輸入構建的模型中所得到的可供參考的數據[2]。使用上述的模型進行計算，可以獲得所需的節水灌溉相關數據。

1.2? 獲取節水灌溉方案

節水灌溉模型所得到的各項指標大部分是積極正向的，如收益率、灌水平均量、節水量等，這些指標的數值越大越有利;也有一小部分是負面的，如土壤蒸發量、水分流失量、平均耗水量等，負面的指標數值需越小越好。因此在獲取節水灌溉方案時，需要優先處理掉負面的或不能夠正常使用的數據。對所得到的數據指標進行處理，通過系統整理變換之后，可以使指標都趨于正向。具體需要采用數據指標轉換的方法，計算公式是：

[C00=Cmax+Cmin-C0]? ?（3）

（3）式中：C00是處理后的數據值;Cmax是數據指數的最大數值;Cmin是數據指數的最小數值;C0是原始數據值。

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

[ke=i=1nβile，i]? ? ? ?（e≥1）? ?（4）

（4）式中：β為單位數據下的長度;l為單位數據離散度。

根據[kee=1-n]進行分類，如式（5）：

[Pβ=Y0H0]? （5）

（5）式中：Y0是數據值k（e）的標準差;H0是數據值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）即可得到最終節水灌溉方案的數據值k（e），并且是按照從大到小、從優到劣的順序進行排列的[3]。

1.3? SVM算法自動規劃最優路徑

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

假設上述SVM算法分類管理器最佳的誤差數值和核函數參考數值分別為ASVM和BSVM，將數值在網絡搜索的基礎上轉化成相應的坐標，即：

[XSVM=PLASVMYSVM=PLBSVM]? （6）

（6）式中：P為參數自變量，L為自變量更新函數取值時的值。

由式（6）可知，管理器的數據參考范圍為[X∈XSVM-2，XSVM+2]，[Y∈YSVM-2，YSVM+2]?？芍?，X、Y是在網絡搜索的基礎上轉化成的坐標，當數據長度為1時，數據分別在5個值的范圍內，因此最優的參考數值是從其中獲得?；诰W絡搜索的區域內，在原始數據的樣本基礎上再采用最佳SVM分類管理器對數據進行分類及擇優，從而得到最精確的數據范圍[4]。

當數據經過SVM算法計算過后，可能會存在某類不在正常規定范圍內的數據，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類和少數類分別使用不同的懲罰數值，通過對錯誤的少數樣本數據增加懲罰，從而改善SVM分類管理器的輸出結果。

2? 應用的實驗測試

2.1? 準備工作

選擇農作物的品質和產量都較好的農田作為實驗的數據樣本，標記農田的地理坐標進行模擬測試，農田地理相對位置的坐標為（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），將對應的（x，y）坐標分別標記為a、b、c、d、e、f和g。

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

2.2? 數據監測及反饋結果

在相同時間內，將區域A按照正常坐標路徑進行灌溉，區域B則采用SVM算法計算后自動得到的最優路徑進行灌溉，根據灌溉數據監測結果查看兩個區域內使用水量的情況。為了保證測試的結果更加具有準確性與真實性，共進行15次實驗，結果列于表1。

從表1可以看出，按照正常坐標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算法規劃出的農田節水灌溉路線比正常情況下的灌溉路徑更加節約水資源。

3? 結語

此次規劃路徑的方法是在我國當前節水灌溉技術的基礎上，更加合理地自動規劃出一條適合農田地理環境的節水灌溉路徑，為更多無法用人工規劃路徑的區域提供了更加完整的數據基礎。但只依賴上述的SVM算法規劃路徑無法應用于面積龐大、地勢高低差距大的區域，容易出現誤差，從而影響后續規劃的路徑。今后可以在此算法的基礎上進行優化升級，添加適合面積較大區域的算法模型，將誤差控制在最小的范圍內，規劃出更加準確的農田節水灌溉路徑。

參考文獻：

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

[2] 李學軍，程紅.基于LSTM算法的智能節水灌溉預測模型研究[J].農機化研究，2022，44（3）：22-27.

[3] 劉宇.基于網絡路由算法的智能灌溉系統研究[J].農機化研究，2022，44（8）：215-219.

[4] 王龍強.基于PSO-SVM的來水量預測模型[J].水科學與工程技術，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.

（責任編輯：張春雨? 丁志祥）