水是许多半干旱和干旱地区的重要资源,但这类地区的淡水消耗量却不断增加[57],[61]。伊朗[44],[46],[55]、埃及[20]、印度[37]和巴西[42]以及地中海部分地区面临严重的地下水水位下降和盐碱化问题。滴灌系统被视为最节水的灌溉方式之一,但在干旱和盐碱环境中,其长期可靠性常常因矿物沉淀(尤其是碳酸钙结垢)而受到威胁[8],[42]。
Langelier饱和指数(LSI)和Ryznar稳定性指数(RSI)是广泛用于评估水系统中碳酸钙(CaCO?)结垢或腐蚀潜力的水质指标。LSI用于量化水析出或溶解碳酸钙的趋势,正值表示结垢可能性,负值表示腐蚀性。
传统的LSI和RSI计算方法虽然历史悠久且应用广泛,但在干旱和半干旱地区的滴灌管理中存在重大实际缺陷。这些方法依赖于对钙硬度、总碱度和总溶解固体等参数的实验室分析,此外还需要测量pH值和温度。这种做法通常将监测频率限制在每周或每月一次,无法满足农民实时监测滴头堵塞的需求。此外,这些指数是在假设化学平衡的条件下计算得出的,而实际灌溉系统中的流量、压力、温度和水质参数是不断变化的。因此,传统LSI/RSI值容易出错,对测量误差非常敏感,也无法有效应对炎热、多尘的田间环境中的传感器噪声和瞬态干扰。
本研究提出的混合机器学习-深度学习-小波模型仅使用pH值、温度和电导率这三个参数,这些参数可以通过低成本、可靠的现场传感器连续测量。通过遗传算法和贝叶斯技术的优化,该模型计算量小,可以在低成本微控制器或云平台上运行,即使是在基础设施较差的偏远地区也能适用。这种从依赖实验室的平衡状态指数向快速、基于传感器的实时预测工具的转变,是真正的实践突破,使水资源匮乏地区的农民能够进行主动的结垢风险评估和预防。
传统计算LSI等指标的方法存在一些局限性,文献中已多次指出。例如,Abyaneh等人[4]和Abbasnia等人[2]发现伊朗地下水中测量的LSI/RSI与各参数之间存在高相关性(R2 = 0.90–0.99),但他们的评估完全依赖于定期实验室采样,无法实现早期预警。Lodha等人[37]基于实验室测量的参数(钙、碱度、总溶解固体等)计算了乌代布尔的地下水LSI和RSI,虽然能够解释结垢和腐蚀风险,但无法实现实时监测。类似地,最近在加纳[6]、埃及[20]、印度[29]和巴西[42]的应用研究也依赖于离线分析,而这些参数在偏远农业环境中难以持续测量。
相比之下,低成本、耐现场环境的pH值、温度和电导率传感器已广泛普及,加上机器学习和深度学习的最新进展,使得无需实验室测量钙硬度或碱度即可准确估算LSI。尽管单独的机器学习模型(如人工神经网络、随机森林和基于支持向量机的混合模型)已成功应用于河流和工业环境中的水质指数预测[12],[19],[22],[26],[30],[41],但尚未有模型专门针对干旱农业条件下资源匮乏和数据有限的滴灌系统中的实时LSI预测问题。
本研究的主要目标是开发一个可在现场使用的实时LSI预测框架,以克服传统指数和现有机器学习方法的局限性。其主要创新点包括:(1)仅使用三种低成本传感器数据;(2)采用遗传算法和贝叶斯优化以实现抗噪声的轻量级部署;(3)首次在滴灌系统中实现主动结垢预防。