淡水并不是无限的。降雨不可以预测的。而且植物并不总是渴的。
世界上只有3%的水是可饮用的，其中70%以上的淡水用于农业。不必要的灌溉浪费了大量的水- -有些作物的灌溉量是它们需要的两倍- -并造成含水层、湖泊和海洋的污染。
一个结合了植物生理、实时土壤状况和天气预报信息的预测模型，可以帮助人们更明智地决定灌溉的时间和数量。根据康奈尔大学的一项新研究，这可以节省传统方法消耗的40%的水。
“如果你有一个框架，把所有这些优秀的大数据来源和机器学习联系起来，我们就能让农业变得更智能，”史密斯化学与生物分子工程学院(Smith School of Chemical and Biomolecular Engineering)能源系统工程学教授、罗克珊·e·扎克(Roxanne E. Zak)和迈克尔·j·扎克(Michael J. Zak)教授优凤琪(Fengqi you)说。
您是《具有主动不确定性学习和数据分析的灌溉系统的鲁棒模型预测控制》一书的高级作者，该书于5月份在IEEE控制系统技术会刊上发表。本文由亚伯拉罕Stroock‘95年,戈登•l .种植50史密斯教授和主任威廉·c·胡言乱语学校,世卫组织正致力于节水战略与苹果农民在纽约州和杏仁,苹果和葡萄种植者在干旱地区的西海岸。
斯特洛克说:“这些作物生长在加州中央山谷半干旱、半干旱的环境中，消耗大量的水——每颗杏仁消耗一加仑水。”“因此，这是一个真正的机会，可以改善我们在这种情况下管理水资源的方式。”
他说，精确控制植物水分还可以提高葡萄等敏感特种作物的品质。
本文的第一作者是赵尚，他曾是史密斯学院的博士后研究员，现在是清华大学自动化专业的助理教授。
在此之前，斯特洛克的团队开发了传感器来确定植物什么时候渴了。但仅靠传感器是不够的，因为如果下雨，种植者不需要灌溉。你说，考虑到天气预报更好，但并不理想，因为预报往往是错误的，而且预报的不确定性可能大于预期的降雨量。
研究人员的方法使用历史天气数据和机器学习来评估实时天气预报的不确定性，以及从树叶和土壤流失到大气中的水分的不确定性。这与描述土壤水分变化的物理模型相结合。
他们发现，将这些方法集成起来，可以更加精确地做出令人垂涎三滴的决定。
“我们必须运行这些数据驱动的方法来获取历史数据，并试图从历史上理解预测的准确性，然后我们试图对冲这种不确定性，”尤说。这既适用于降雨的时间，也适用于降雨的确切位置。
在这篇论文中，研究人员以爱荷华州的草料作物为例进行了研究。他们发现他们的预测控制系统使用的水比其他方法少得多。
一组学生目前正在康奈尔果园的盆栽苹果上安装一个基于该系统的阀门网络，以测试其未来的使用。虽然纽约州和东北部的降雨量可能很丰富，但仲夏干旱正变得越来越频繁，可能会造成毁灭性的后果。例如，康奈尔大学和自然保护协会(Nature Conservancy)进行的一项调查显示，2016年夏季的干旱导致纽约州非灌溉果园的作物减产近50%。
“我们在纽约对苹果的研究是在为未来做准备的背景下进行的。而在华盛顿州和加利福尼亚州，这是现在的情况。”“每年夏天，他们每天都在量水。以一种不是最优的方式来做这件事。”
这项研究的部分挑战是确定每种作物的最佳方法，并确定从人工操作系统转向自动化系统的成本和效益。由于苹果树相对较小，对降水变化反应迅速，它们可能不需要数周或数月的天气数据。杏仁树往往更大，适应速度也更慢，它们从长期预测中受益。
斯特洛克说:“我们需要评估控制策略的复杂程度，最好的方法可能不太合理。”“手放在阀门上的专家非常棒。我们必须确保，如果我们打算建议有人投资新技术，我们必须比那些专家做得更好。”
这项研究的部分资金来自康奈尔大学数字农业项目。
新闻旨在传播有益信息，英文原版地址：http://news.cornell.edu/stories/2019/07/smart-irrigation-model-predicts-rainfall-conserve-water