《Applied Sciences》：Autonomous Intelligent Irrigation Systems in Hop Plantations (Republic of Chuvashia, Russia)
编辑推荐：
在啤酒花种植园中实现智能灌溉的可能性具有若干不可否认的优势，主要包括能够确定灌溉时间，并将灌溉水量适配于特定土壤上的特定植物类型。研究人员训练了一个神经网络，基于基础土壤水分保持曲线（SWRC）描述土壤水分动态。该网络能够考虑广泛的输入数据，如土壤固相比表面积
在啤酒花种植园中实现智能灌溉的可能性具有若干不可否认的优势，主要包括能够确定灌溉时间，并将灌溉水量适配于特定土壤上的特定植物类型。研究人员训练了一个神经网络，基于基础土壤水分保持曲线（SWRC）描述土壤水分动态。该网络能够考虑广泛的输入数据，如土壤固相比表面积、孔隙度、湿度等，针对给定的初始土壤水分剖面。研究人员优先选择递归神经网络，因该类型擅长处理序列数据，能考虑时间依赖性并解决土壤水力性质梯度衰减问题。神经网络处理输入特征向量——湿度、温度、进出水量等——并将其与不同深度传感器获取的湿度动态相关联。在模拟不同边界和初始条件下的质量-盐分迁移时，研究人员利用水分保持对水分传导函数的依赖性，从而计算溶解养分的 moisture 如何在压力梯度和浓度梯度作用下在土壤中移动。由于SWRC是直接测量数据的函数，易于为田间每个关注点和每个深度设定。模拟过程中，土壤被划分为基本体积单元（从2–3毫米到1厘米），并在每个点构建数据集数组。研究在真实啤酒花种植园（俄罗斯楚瓦什共和国茨维利斯基区Opytny村）进行。不同深度的土壤湿度传感器值，连同便携式气象站数据，被输入神经网络。根据啤酒花允许的最低湿度，模型预测湿度达到临界值并启动灌溉的情况。因此，所实施的方法能够实现灌溉管理的自动化，提高用水效率并确保植物最佳生长条件。
论文解读
研究背景与问题
农业用水约占全球淡水资源的70%，但许多地区灌溉效率仍然低下。传统灌溉系统依赖定时器，无法适应环境变化。智能灌溉系统结合人工智能（AI）可自动确定灌溉时机与水量，但现有研究多集中于短期验证，缺乏长期田间试验，且强化学习在真实控制器中的应用罕见。啤酒花（Humulus lupulus L.）作为喜湿作物，需维持土壤适度湿润但避免积水，其根系在0–60 cm土层吸收约60%水分，60–130 cm土层吸收40%。永久萎蔫点（PWP）对应土壤基质势约?1500 kPa，但文献中未明确啤酒花的PWP值。研究人员在俄罗斯楚瓦什共和国的真实啤酒花种植园开展研究，旨在开发一套自主智能灌溉系统，基于土壤水分动态预测与神经网络决策，实现灌溉自动化，提高用水效率。论文发表在《Applied Sciences》。
主要技术方法
研究人员采用递归神经网络（RNN）结合长短期记忆（LSTM）或门控循环单元（GRU）建模土壤水分动态。模型输入包括土壤湿度、温度、进出水量等时序特征，通过LayerNorm归一化、Dropout防过拟合，最终输出灌溉决策。核心技术基于土壤水分保持曲线（SWRC）描述水分运动，利用有限差分法将土壤划分为基本体积单元（2–3 mm至1 cm），模拟质量-盐分迁移。研究在俄罗斯楚瓦什共和国茨维利斯基区Opytny村的啤酒花种植园进行，田间部署8个土壤湿度传感器（深度0.1、0.33、0.66、1 m），结合便携式气象站数据，训练神经网络预测灌溉时机。
研究结果
3.1 自动化灌溉的神经网络训练
研究人员基于不同深度和初始湿度剖面的土壤水分动态训练神经网络。训练数据经过清洗和归一化，选用损失函数优化层数与神经元数。模型预测质量通过均方根误差（RMSE）和决定系数（R2）评估。啤酒花稳定萎蔫对应的湿度阈值约为60–70%，模型据此判断何时启动灌溉，确保植物无胁迫生长。
3.2 滴灌与干燥模拟
滴灌模拟显示，土壤孔隙度从表层0.62均匀递减至0.5 m深度的0.48，比表面积从44 m2/g递增至49 m2/g。不同初始湿度剖面（均匀分布、随深度递减、随深度递增）下的体积湿度动态如图3所示。干燥模拟结果（图4）展示了三种初始分布下的水分再分布特征。验证集包含78天连续测试（6月1日至8月17日，覆盖开花与球果发育关键期），共12,480个数据点（每10分钟读取8个传感器）。模型在未见数据上的RMSE为0.032 m3·m?3，R2为0.89，灌溉决策F1分数为0.93；最热周性能仅轻微下降（RMSE+0.005），表明稳健泛化能力。时间交叉验证确认模型在未训练周次上平均绝对误差低于0.04 m3·m?3。
3.3 盐分积累与“盐边”现象
灌溉后土壤干燥过程中，溶解矿物质（氮、磷、钾等）在干湿界面处局部积累，形成“盐边”（salt rim）。该现象源于毛细管吸附压差导致水分向蒸发面迁移，溶剂蒸发后盐分结晶，形成高浓度带。研究人员开发了基于Richards方程与对流-扩散方程的数值模拟程序，可设定初始水分剖面、养分浓度、灌溉参数及土壤水力特性，用于预测盐分再分布并优化灌溉方案。通过比较模拟与实验数据，调整数值系数以减小误差。
3.4 神经网络的泛化训练
研究人员用不同初始湿度、温度、土壤上方湿度剖面，训练神经网络处理土壤干燥与结壳情况。针对特定土壤的啤酒花，确定最低允许与最优湿度水平。模型学习识别湿度降至临界值并触发灌溉，实现智能预测与自动化管理。
讨论与结论
讨论部分强调：该系统的优势在于仅需土壤容重、质地（砂/粉/黏粒比例）和初始湿度剖面等少量输入，避免迭代求解复杂微分方程，可在低功耗微控制器（Arduino、ESP32、STM32）上部署，无需依赖云端，确保田间自主性与可靠性。结论部分翻译如下：
已开发出啤酒花果园（来自啤酒花种植园的Humulus lupulus L.）的智能灌溉系统，能自动确定供水开始时间、强度和总水量。这些参数动态适应啤酒花植物的当前生理需求（取决于生长阶段、天气条件和土壤水力性质）。系统分析来自多深度土壤湿度传感器、地表空气和土壤温度、以及水分平衡（降水/灌溉输入 vs. 蒸散发和排水）的实时数据。利用最低允许湿度的生理阈值，系统预测根区湿度降至临界水平并主动启动灌溉以防止植物胁迫。其关键优势在于输入需求最小：仅需土壤容重、土壤质地（砂/粉/黏粒比例）和初始湿度剖面。计算方法避免迭代求解复杂微分方程，使得能在低功耗微控制器（Arduino、ESP32、STM32）上部署，无需依赖云端，从而确保田间自主性与可靠性。该算法也兼容更广泛的数字农业应用，包括产量预测和数字土壤孪生。
