土壤含水率的预测模型(通用7篇)
土壤含水率的预测模型 篇1
土壤入渗是降雨或灌溉条件下水分进入土壤实现再分配的过程,是由土壤类型及其土壤理化性状等多种因素综合作用的结果。合理确定表述土壤水分入渗过程的模型参数对提高降水利用率、灌溉水利用效率和促进作物增产具有重要的指导意义。国内外众多学者对土壤水分入渗进行了大量的研究,得出了许多被普遍认可的土壤水分入渗模型,如Kostiakov、Huggins-Monke等经验模型,Horton、Holtan等半经验模型及Green-Ampt、Philip等物理模型[1]。其中Kostiakov二参数模型因形式简单、计算方便以及对土壤水分入渗瞬变过程拟合效果好而被广泛采用。土壤水分入渗模型参数各有其特定的物理意义,直接决定着入渗过程模拟的准确性,因此,获取准确的土壤水分入渗参数是进行作物水分调控和田间用水管理的关键。
目前测定田间土壤入渗参数的方法主要有2种,一是直接获取土壤入渗模型参数的双套环入渗仪法,即用实测试验数据依据模型拟合出入渗参数;二是大田灌水法,此法基于水量平衡原理,在田间灌水时,通过观测入畦单宽流量和地表水深等资料来推求入渗模型的待测参数[2]。Shepard[3]等在假定沟灌土壤水分入渗符合Philip入渗模型和水流推进距离与时间呈幂函数关系的基础上,提出了推求沟灌条件下Philip入渗模型参数的一点法。Elliott[4]通过研究大田沟灌水流入渗得出了推求Kostiakov-Lewis入渗模型参数的两点法。王维汉、缴锡云[5]等依据水量平衡原理创建了估算畦灌条件下土壤入渗参数的线性回归方程。管孝艳[6]利用Iparm方法提出了沟灌Kostiakov-Lewis入渗模型参数的线性估算方法。以上研究为获取土壤水分入渗参数提供了重要途径,但由于试验及观测过程耗时长,工作量大,且线性估算精度不高,使得上述获取土壤水分入渗参数的方法在实际生产过程中受到一定限制。本文基于土壤传输函数的理念,选取Kostiakov、Kostiakov-Lewis以及Philip入渗模型结构,运用土壤传输函数法将易获得的土壤理化参数与土壤入渗模型参数联系起来,建立土壤水分入渗模型参数与易获得的土壤理化参数间的非线性关系———预测模型,通过比较3种模型的预测精度的比较,推荐黄土高原区土壤水分入渗参数预测精度最高的模型参数。
1 材料与方法
1.1 研究区概况
论文所依托的样本试验在山西黄土高原区进行,农田耕作土壤有翻松土、自然土、密实土等多种,土壤结构有团粒状、网粒状、柱状等多种类型;试验田的选择贯穿山西省全境,包括玉米、冬小麦、蔬菜等多种种植条件,涵盖多种地形地貌单元;在自然和人工条件的综合影响下土壤质地类型丰富,以黄褐土、棕壤土和栗钙土为主;土样理化状态多样,土壤的密度、质地类型和有机质含量等理化参数值梯度较大,是山西省黄土高原区农田耕作土壤的典型代表。样本土壤主要参数特征指标见表1。
1.2 试验方案
试验方案分为田间土壤水分入渗试验和土壤基本理化参数试验2部分。试验用水主要为试验点当地深井水或灌溉用水,水温、酸碱度值和溶解离子等参数与试点地下水差异不大。
田间土壤水分入渗试验采用双套环入渗仪法进行测定。此入渗试验设备内外环直径分别为26和64.4cm,其高度均为25.0cm。为保证水分能充分入渗到犁底层,试验前要对地表进行简单处理,去掉表层土壤杂草、秸秆等覆盖物,并将双套环埋在深为20cm左右的土层中,试验开始后,用1 000mL量筒分时段向入渗仪内缓慢加水,避免水流过大冲击表层土壤,受到外环的隔离作用,内环中水流垂直渗入土壤,基本无侧漏损失。运用自制水位控制器来调控入渗环的内外水位差始终保持2cm,以保证入渗试验全过程具有相同的水势梯度。入渗试验前10min内,每分钟观测一次,10~60min内,每5min观测一次,60~90min内,每10min观测一次,分别记录不同时刻的累积入渗量数据。大量研究证明[7,8],水分入渗60min时已基本达到相对稳定状态,为保证数据的准确性,选择90min为试验结束时间。
试验点分布于山西省全省,代表性试点数量较多,如大同试点,平均海拔700~1 400 m,季节温差大,受地貌构造的作用,形成了山地、丘陵、平川等多种地形;吕梁试点处于山西中西部,平均海拔1 000~2 000m,四季分明,降雨集中于夏季,在吕梁山脉影响下,形成了由南到北地势由高山逐渐变平川的分布形态。试验前要分别测定试验点处0~10、10~20和20~40cm土层深度的密度值,用100cm3环刀切割未扰动的农田土壤,削平环刀上下表面,将土样装入事先称重的铝盒内,用烘干法称量计算单位体积的烘干土重量,便可得到土壤密度值。实验室测定的土壤基本理化参数有土壤质地、土壤有机质含量。利用比重计法测定土壤的机械组成,得到黏粒、粉粒和沙粒的质量分数,进而确定土壤质地类型;土壤有机质含量采用灼烧法测定,用精密电子秤称量土壤灼烧前后变化的质量,计算得出土壤中有机质的质量分数。
1.3 入渗模型
根据本文选择的3种入渗模型的结构形式,利用Matlab软件对入渗试验获得的时间与累积入渗量数据按模型形式进行非线性拟合,得到Kostiakov入渗模型参数K和α、Kostiakov-Lewis入渗模型参数K′、α′和f0以及Philip入渗模型参数S、A。3种模型结构如下。
Kostiakov二参数入渗模型:
Kostiakov-Lewis入渗模型:
Philip入渗模型:
式中:I(t)、H和I′(t)都表示t时刻的累积入渗量,cm;K为入渗系数,cm/min,表示入渗开始后第1个单位时间末扣除稳定入渗后的累积入渗量;α为入渗指数,表征土壤入渗速度的衰减速度,无量纲;f0为土壤相对稳定入渗率,cm/min,是在单位土壤势梯度下饱和土壤的入渗速度或非饱和土壤入渗达到相对稳定阶段的入渗速度;S为吸渗率,cm/min0.5,接近第1个单位时段末的累积入渗量;A为稳渗率,cm/min,近似等于土壤的水力传导度。
1.4 建模样本
经过分析与筛选,确定具有代表性的80组数据样本建立模型,并预留10组进行精度检验。表2是随机选取的5组土壤样本不同土层深度的体积含水率和密度值以及黏粒、粉粒、有机质质量分数等基本理化参数数据,对应的入渗模型参数见表3。
2 多元非线性预报模型
2.1 输出参数与输入参数
土壤入渗能力受土壤结构、土壤含水率、土壤质地类型和土壤表层有机质含量等因素影响显著[9,10,11,12,13]。分别从耕作层、犁底层及犁底层以下土壤对水分入渗的影响机理进行分析。
土壤水分入渗初始时段的入渗速率与耕作层土壤理化性质密切相关,耕作层土壤含水率越高,土水势的平均梯度反而减小,使得土壤水分入渗缓慢。表层土壤密度值在一定程度上反映了耕作层土壤的孔隙状况和板结程度,土壤越密实,土壤中大孔隙被压缩破坏,土壤蓄持水的能力减弱,水分便难以渗入土中。土壤质地反映了土壤不同粒径的组成情况,黏粒对土壤水分的吸附作用可以对水分的运动产生重要驱动力,另外黏粒含量越高,土壤发育形成的微小孔隙越密集,在毛管吸力作用下水分入渗越快。土壤表层有机质在裂解过程中能够改善土壤特性,使土壤中小孔隙发育良好,另外,有机质含量高的土壤,形成的团粒结构多且密实,在水流冲击下能保持结构稳定,因此土壤水分的入渗速率快。
随着时间的推移,水分入渗到犁底层,此时入渗速率减缓。犁底层土壤的体积含水率是影响水分入渗的主要因素之一,随着水分的入渗,土壤含水率显著增大,水分的入渗速度逐渐趋于稳定,因此土壤入渗能力的衰减速度加快。在土壤水分入渗过程中,由于自重作用使土壤大孔隙减少,土壤密实程度提高,水分入渗速度随之减慢。土壤黏粒含量越多,土壤发育形成的小孔隙越多,在水分充满大孔隙转而流向小孔隙的过程中,水分入渗路径增长,使入渗速度减缓。
入渗60min时认为达到相对稳定入渗速率,表明水分入渗已到达犁底层以下,此时土壤由耕作层至犁底层以下的全部水分入渗形成一个整体,入渗速率维持基本稳定。因此稳定入渗阶段的入渗速率与耕作层以及犁底层土壤的土壤密度、体积含水率、土壤质地和有机质质量分数等因素关系密切[14]。
综上分析,选择各入渗模型参数作为多元非线性预报模型的输出参数,影响入渗模型参数的主要理化参数作为输入参数。
2.2 多元非线性预报模型结构
(1)单因素函数形式的确定。在建模的80组数据中各选取30组典型数据,运用单因子分析法确立各影响因子与土壤入渗参数的函数关系,并运用Matlab软件对离散点进行拟合,得到各入渗参数的单因素回归方程,如表4所示。
从表4中看出,土壤水分入渗参数受不同深度土层含水率的综合影响,两者既存在对数关系又存在线性关系:在耕作土壤条件下,密度与入渗参数线性关系明显;土壤质地对土壤水分入渗参数的影响较为复杂,与K呈线性关系,与其他参数呈对数关系;土壤有机质与入渗参数呈现对数关系。
(2)多元非线性函数的确定。分析土壤水分入渗参数与各影响因素间的函数关系,将全部影响因子作为多元非线性方程的输入因子,并依次对各个因子进行T检验,将每次检验中T值最小的因子剔除,直至剩余的所有因子都满足检验要求,即|T|≥T0.025,则认为余下的因子是影响水分入渗参数的主要因子,可作为非线性传输函数的输入参数,检验结果如表5~7所示。
注:*表示该理化参数对此入渗参数无显著影响。
注:n表示模型参数的检验次数;#表示每次进行T检验时最小的T值,认为此因素对方程贡献最小,剔除对应的影响因子,不作为回归方程的自变量;表6、表7与此同。
通过T值检验,确定影响各入渗模型参数的主要因子,并由此建立影响因子与3个入渗模型参数的非线性函数关系式。
Kostiakov模型参数的预报模型:
Kostiakov-Lewis模型参数的预报模型:
Philip模型参数的预报模型:
(3)非线性模型误差分析与推荐。给定显著水平α=0.05,查表得到获得F0.05的临界值,比较后得到3种入渗模型参数的F值均比对应的F0.05值大,由此可以判断所建立的非线性传输函数均是显著的。如表8所示,Kostiakov入渗模2个参数的平均误差为8.92%和7.85%,均控制在9%以下,预测精度明显高于Kostiakov-Lewis入渗模型参数和Philip入渗模型参数,表明选择Kostiakov模型作为参数预报模型效果最好,故推荐选择Kostiakov模型参数的非线性预报模型作为黄土高原区土壤水分入渗参数的预报模型。
3 实例应用验证
对推荐的预报模型,选用大同阳高、忻州原平、晋中榆次、吕梁孝义等多个典型试点的10组不同地理条件的数据检验模型精度,其基本理化参数和入渗参数如表9所示。将试验获取的各土壤基本理化参数值代入本文建立的K和α非线性预报模型中,得到K和α的预测值,再将预测值代入二参数入渗模型可求得土壤累积入渗量预测值,误差比较结果如表10所示。
通过对山西省境内大同、吕梁等多个典型试验点田间入渗实测数据的验证,并对预留的10个试验点的预测值和实测值比较后可以看出:入渗系数K的相对误差平均值为4.13%,入渗指数α的相对误差平均值为5.67%,90min累积入渗量的相对误差平均值为6.14%,3个指标误差均控制在7%以内,对全省黄土高原区农田耕作土壤入渗参数预测误差小,可以满足预测的精度要求,预报结果表明以土壤体积含水率、干密度、黏粒含量、粉粒含量以及有机质含量为输入参数建立的Kostiakov入渗模型参数非线性预报模型可靠性高,预测效果好,可为合理确定山西省境内黄土高原区农田耕作土壤灌水技术参数提供重要支撑。
4 结论与建议
(1)基于土壤传输函数理论,利用土壤常规理化参数预测各种土壤水分入渗模型参数都是是可行的,但从Kostiakov、Kostiakov-Lewis以及Philip入渗模型参数的预测误差比较可知,Kostiakov入渗模型2个参数的误差最小,预测精度最高,相对误差可控制在9%以内,并且Kostiakov入渗模型形式简单、应用广泛,故推荐选择Kostiakov入渗模型参数预报模型作为黄土高原区土壤水分入渗参数的预测模型。
(2)运用多元非线性传输函数一方面克服了其他方法易陷入局部最优的缺点,另一方面较好的表达了各输入理化参数与入渗参数间的非线性关系,提高了预测精度。但在建立预测模型的过程中,输入变量只考虑了各参数的主要影响因素,其他次要因素如水温、酸碱度值和水质等均未考虑在内,因此,仍需要进一步研究探索,不断优化多元非线性传输函数的微观结构,提高预测精度,努力为提高农业生产水管理水平提供支撑。
土壤含水率的预测模型 篇2
研究区位于内蒙古乌拉特中旗新忽热苏木, 摩楞河新忽热水库至其下游乌兰陶勒盖之间, 面积16 km2, 处于半封闭的小型内陆盆地的河谷区, 其地势北高南低。河谷呈南北纵向延伸, 河谷内的堆积物由全新统冲洪积砂砾石层和卵石层组成, 沉积厚度6~8m, 含水层颗粒粗大, 结构松散, 渗透系数均值在220m/d左右, 渗透性良好;河谷宽度200~600m, 河谷两侧与底板由变质岩和侵入岩体组成, 构成透水性极弱的隔水边界和隔水底板。摩楞河自北向南径流, 为一条季节性河流。研究区为典型的强透水弱调节含水层, 具有明显的河流季节补给特征。研究区拟建水源地的开采不仅要满足3000m3/d的需水量要求, 而且还应保证水位降深在允许的范围之内。因此确定合理的开采方式具有重要意义, 本文利用地下水流模型对于研究区拟建水源地的开采方式进行了分析和预测。
二、研究区地下水流数学模型
(一) 数学模型的建立和识别过程。研究区水文地质边界的概化见图1。
据上述条件概化后研究区地下水运动可用以下数学模型来描述:
式中:h—含水层水位 (m) ;h0 (x, y) —含水层初始水位 (m) ;h1 (x, y, t) —一类边界的水位 (m) ;Zb—含水层底板高程 (m) ;k—含水层渗透系数 (m/d) ;?—含水层给水度 (无量纲) ;Wr—含水层垂向综合补给强度 (包括降水、洪水与灌溉水等渗漏补给) (m/d) ;Ws—泉水溢出强度 (m/d) ;Et—地下水蒸发排泄强度 (m/d) ;Qi—开采井流量 (m3/d) ;Γ1—水位边界;Γ2—隔水边界;Γ3—变流量边界;n—边界上的外法线方向;α—变流量边界流量衰减系数;q0—变流量边界初始单宽流量 (m2/d) 。
该数学模型用美国Modflow通用地下水模拟程序进行计算。
模型校验过程分为两阶段, 首先用大型抽水试验对抽水试验井所影响之局部范围进行含水层参数识别;在此基础上, 以大型抽水试验井区地层参数作为基准参数, 用地下水动态和统测水位场对全计算区含水层参数及边界条件进行识别。两阶段的模拟模型 (即抽水试验模拟模型与长观水位模拟模型) , 在含水层参数识别过程中采用了联合求解的方法, 在含水层边界及源汇项等相同的条件下, 通过反复调试以提出能匹配于两个模拟模型的含水层参数。
模型校验与地下水均衡分析结果表明:模型识别的各区段含水层参数与抽水试验计算参数值基本一致, 长观孔水位动态、大型抽水试验观测孔水位降、实测流场以及泉流量等的拟合效果良好 (图2~图3) , 模型计算的地下水均衡量与现状地下水均衡量基本一致。充分说明所建立的数学模型, 能够较好地模拟区域地下水流场及地下水运动规律, 可进一步用于水源地的开采预测。
(二) 研究区地下水开采方式预测与分析。
由于研究区东西两侧基岩的阻水作用, 水源地运行后, 开采漏斗仅能够向南北两个方向扩展, 加之含水层厚度薄以及年内洪水补给集中, 含水层的调节能力较低, 所以开采井宜选在含水层厚度大、水位埋深相对较小的南部富水部位, 该区含水层厚度较大, 水位埋深相对较小, 能够汇集上游两大支流的地下水径流, 且位于地下水由北向南径流“峡口”的上游方, 对截取地下径流较为有利。此外, 为了更大限度地利用浅层地下水资源, 可考虑在位于拟建水源地下游约1km的“峡口”位置, 修筑地下挡水墙, 以便更好地截取地下水径流。
结合研究区地下水赋存条件, 初步拟订两种地下水开采评价方案:1、大口辐射井 (或渗流井) 开采;2、大口井开采。水源地开采量均按2000、2500、3000 m3/d进行模型设置和预报。
由于数值模型中的预测均是按50×50 m的剖分网格设置开采井的, 它实质代表了等效直径为56 m的大口辐射井抽水。为了得到更小口径水井开采的水位降深, 预测模型又进行了水源井网格的加密剖分 (分成18×18小格) , 然后在小格上设置开采井, 其等效直径为3 m的大口井抽水。
大口辐射井和大口井两种开采方式分别对应三个流量的数值模型计算井点水位降深见参见表1。水源地井点井壁水位降深一般不宜超过含水层厚度的1/3 (即3.27m) , 显然采用大口辐射井开采地下水时, 在保证开采量2500 m3/d的同时能满足允许水位降深的要求。
三、结论
对于强透水弱调节这一特殊类型的含水层, 要根据其特性来选择开采井类型, 辐射井不仅取水量大, 而且管理运行费用低。此外, 对于若调节含水层, 辐射井可以有效地避免普通管井或大口井在开采地下水过程中出现地下水位降深过大的现象。所以, 在强透水弱调节含水层开采地下水, 辐射井是一种合理而且可靠的取水工程。
参考文献
[1]内蒙古巴彦淖尔市乌拉特中旗供水水文地质勘查报告, 包钢勘察测绘研究院, 2005
土壤含水率的预测模型 篇3
氮含量是土壤养分检测中的一项重要指标, 相较于传统检测方法操作过程繁琐、耗时长且实时性差[1], 近红外光谱技术具有快速、无破坏、无污染、不需预处理及实时检测等优点, 目前已广泛用于土壤氮含量的检测。由于土壤水分在近红外波段的吸收系数较高, 对土壤含氮量的检测产生很大的干扰, 因此研究土壤水分对近红外光谱检测土壤养分的影响非常必要。宋海燕等对含水率为20%、15%和10%的土壤进行研究, 确定了水分对土壤近红外光谱检测影响的敏感波段和敏感程度[2]。安晓飞等研究了土壤水分对土壤含氮量的影响, 得出随着土壤水分的增加, 土壤光谱反射率逐渐降低, 吸光度逐渐升高[3];Baumgardner等的研究中, 发现1.4 和1.9 微米这两个波段是土壤中水对光谱影响主要体现的位置[4]。由上述研究可知, 土壤水分的含量与光谱反射率之间存在显著的相关性, 其必对光谱预测模型造成影响。本课题以检测土壤氮含量为例, 基于近红外光谱技术, 采用偏最小二乘法 (PLS, partial least squares) 分别建立不同含水率土壤的光谱预测模型, 分析土壤含水率差异对于近红外光谱检测土壤氮含量的影响。
1 材料与方法
1.1 土样制备
实验以有效态成分分析标准物质GBW07412a (辽宁棕壤) 为基础土样, 取110g此标准土样, 将其按质量均等分为22 份, 通过计算称量给每份土样添加不同质量的尿素 (CO (NH2) 2) 粉末, 同时加入去离子水使其达到饱和, 待充分混合后静置12 小时再完全烘干, 配制成土壤氮含量分别为0.08%、0.10%、…、0.50%的22 份土壤样品。将每份配制好的土壤样品适度研磨, 分别用刻度喷雾式喷壶对土壤进行喷水作业使其质量含水率分别达到0%、5%、10%、15%、20%、25%从而得到每种含氮量各6 种不同含水率的土壤, 共132 个待测土样。
1.2 近红外光谱预处理方法
1.2.1 基线校正法
不管是用透射法测得的红外光谱, 还是用红外附件测得的光谱, 其吸光度的基线不可能处在0 基线上, 或透射率光谱的基线不可能处在100%基线上。同时由于仪器、样品背景、噪声等其它因素影响, 近红外光谱分析中经常出现谱图的偏移或漂移现象, 如不加以处理, 同样会影响校正模型建立的质量和未知样品预测结果的准确性[5,6,7]。基线校正的运用, 可有效地消除上述影响。其中, 解决基线的偏移可采用一阶微分, 解决基线的漂移可采用二阶微分。本实验采用一阶微分进行数据处理。
1.2.2 归一化处理法
光谱的归一化处理是将光谱的纵坐标进行归一化, 是解决测量光程变化比较理想的方法之一, 主要用于消除光程变化或样品浓度等变化对光谱产生的影响。常用光谱归一化方法主要有:矢量归一化、最大/最小归一化、回零校正。本实验采用的是矢量归一化方法, 对光谱x (1×m) , 算法如下:
2 结果与分析
2.1 不同含水率土壤样品的光谱特征
实验采用美国Perkin Elmer公司的Frontier近红外光谱仪, 利用积分球附件采集土壤漫反射光谱数据。仪器扫描范围设为10000-4000cm-1, 分辨率为4cm-1。
土壤氮含量为0.08%时, 不同含水率的样品采集的光谱数据曲线自下向上分别表示含水率为0%、5%、10%、15%、20%、25%的土样测得的光谱数据。从中可以看出, 相同氮含量, 不同含水率的土壤吸光度存在明显差异, 吸光度随土壤含水率的增加而增加。
2.2 土壤氮含量预测模型的建立
为研究不同含水率土壤光谱特征与土壤氮含量预测的相关性, 以同一含水率、不同氮含量土样为样品建立预测模型, 并比较预测精度。在PLS分析中, 主因子数 (Factor) 的选取直接关系到模型预测能力的好坏, 文章采用归一化、基线校正处理后的全波段光谱数据建模, 用最小交叉验证均方根误差RMSECV确定最佳主因子数。实验中将132 份土壤样品, 按含水率不同分为6 组, 每组都具有氮含量各不相同的22 个待测样品, 其中任选14 个样品为校正集, 8 个样品为验证集, 进行建模分析。实验结果如表1 所示, 其中RMSEP为预测均方根误差, R2 为决定系数, RMSEP越小, R2 越大表明模型的预测精度越高。
通过表1 可以看出, 相同系列氮含量的土壤样品, 在含水率不同条件下的建模结果有明显差异。总体上, 土壤含水率低的R2较大, RMSEP较小, 显示含水率越低, 预测模型优度越好。
3 实验结果分析
根据6 种不同含水率土样的建模结果, 得到不同水分含量下土壤氮含量预测值和实际值的相关性曲线。
随着土壤含水率的上升, 土壤氮含量的预测值和真实值之间的相关性明显成减弱趋势, 含水率在5%以下其预测结果误差较小, 当含水率大于5%时其预测误差明显增大。
4 结论
文章利用PLS法分别建立不同含水率土壤氮含量检测的预测模型, 实验结果显示:在不同含水率下所建立的土壤氮含量预测模型有明显差异, 呈现随含水率增大而预测误差变大的趋势;通过含氮量预测值与实际值相关性的比较, 可以看出含水率低于5%的土壤预测能力明显优于含水率高于5%的土样, 证明了土壤含水率不同对于建模预测有显著影响, 为后期研究消除水分影响的校正方法提供了依据。
参考文献
[1]于飞建, 闵顺耕, 巨小棠, 等.近红外光谱法分析土壤中的有机质和氮素[J].分析实验室, 2002, 21 (3) :49-51.
[2]宋海燕, 程旭.水分对土壤近红外光谱检测影响的二维相关光谱解析[J].光谱学与光谱分析, 2014 (5) :1240-1243.
[3]安晓飞, 李民赞, 郑立华, 等.土壤水分对近红外光谱实时检测土壤全氮的影响研究[J].光谱学和光谱分析, 2013 (3) :667-681.
[4]Baumgardner M F, Silva, I F, et al.Advances in Agronomy, 1985, 38:1.
[5]鲍一丹, 何勇, 方慧, 等.土壤的光谱特征及氮含量的预测研究[J].光谱学与光谱分析, 2007, 27 (1) :62-65.
[6]隋世江, 叶鑫, 隽英华.近红外光谱技术在土壤成分检测中的研究进展[J].农业科技与装备, 2012 (1) :14-19.
土壤含水率的检测研究进展 篇4
水分是生命之源, 是生物赖以生存的必备条件之一。在一个区域内, 土壤含水率的多少直接影响着区域内作物的生长情况, 也是影响作物品质和产量的重要因素之一[1 - 3]。因此, 土壤合适的水分是植物生存的关键因素。土壤含水率的检测是控制土壤水分的关键技术。通过科学方法检测出的土壤含水量是实现对土壤含水量控制的依据。若能对土壤含水量实施精确检测, 不仅有利于植物的生长, 同时对实现精确灌溉和节约水资源有非常重要的意义。
近年来, 国内研究人员针对土壤含水量检测做了大量的研究[4 - 6], 常用的检测方法包括烘干法、张力计法、中子仪法、介电法和红外光谱法等。其中, 烘干法是最简单的一种检测方法, 但在连续测量时, 需要不断地取土, 给测量带来很大的不便, 同时不能实现智能和实时检测。为此, 总结分析了目前土壤含水率检测的研究现状和存在的问题, 提出了土壤含水率研究未来的发展方向, 为国内相关技术人员的研究提供了参考。
1张力计法
张力计法又称负压计法, 基本原理是通过测量非饱和土壤中水分的张力, 完成土壤含水率的检测。张力计是由1个液压计或者气压计和1个多孔的陶瓷头组成, 测量时将张力计放置于适当深度的土壤里, 让土壤与陶瓷杯紧紧连接在一起, 根据土壤中水分的渗入以及渗出, 气压计或者液压计会产生数值变化, 利用这一变化数值与一定的拟定曲线可以得到土壤含水率。张力计是一种结构简单、价格低廉的测量仪器, 但使用时需根据一定曲线来换算成土壤含水率。 由于土壤内部物理性不同, 对土壤水分有较大影响, 且土壤水分具有多种能态, 因此用张力计法测量土壤含水率通常会产生较大误差, 特别是在极端水分含量情况下。除此之外, 该方法本身存在的滞后响应, 影响测量速度。由于现代电子技术的发展, 为实时监测土壤的水吸力、利用电阻应变原理, 开发了基于张力计的土壤湿度传感器, 可实现土壤水分的自动测量; 但由于受张力计本身适用测量范围的限制以及存在测量误差, 使其使用受到限制。
刘思春、王国栋等[7]对负压式土壤张力计测定法进行了改进, 改进后的张力计读数更加准确, 精度提高了13. 6倍。改进后的方法能直接反映田间两点水势差异情况, 判断田间土壤水分运动趋势, 使研究温度对土壤水势影响更方便; 同时, 还研究了土壤非饱和导水率的测定方法, 为确定土壤水分运动情况提供了参考。
杨金楼、朱连龙利用张力计研究土壤中水分的运动情况, 利用汞柱式张力计估计了地下水位动态变化规律, 通过不同方法研究了土壤渍害情况和排水效果。最后, 阐述了张力计在农田灌溉等方面的应用, 突出了其在实现稳产、高产和保证农作物品质方面发挥的重要作用。
王富庆等自制了一套简单的土壤水分检测装置, 介绍了用张力计测量土壤负压, 并由土壤负压得出土壤中含水率的操作步骤及使用方法。为了避免较大的误差, 得到准确的试验数据, 实验前应先测量张力计的渗透率。
2中子仪法
用中子仪法测量土壤含水率的原理是利用高速运动的快中子与物质相互作用时产生能量损失和方向改变后, 变成慢中子, 本身能量衰减。由于快中子对水中氢原子作用时产生很大的能量损失, 该损失远远超过对其他原子的作用, 所以在测量土壤含水率时, 不同的含水率会产生不同的衰减量, 即被测物质的含水量要通过衰减程度来进行判定。1979 - 1988年, 国内外科学家对中子仪法测量土壤水分做了大量研究, 提出该方法可测量大体积土壤的水分含量, 可在不破坏土壤结构的前提下, 定点连续反复监测, 还可快速准确地得到该样点土壤水分的动态运动规律; 但中子仪垂直分辨率较差, 对农作物生长关系密切的浅层土壤含水量难以测量, 同时仪器价格昂贵。在测量时, 易造成辐射泄漏而对人体产生危害, 因此其使用与推广受到了较大的限制。
林家斌等[8]研制了一种深浅层式中子水分仪, 采用多项式回归代替直线回归, 克服了在高水分测量时, 由非线性问题引起的较大误差, 提高了测量精度; 并可用于浅层土壤含水率检测, 扩大了其使用范围。 试验结果表明, 该仪器测量对总体含水量的估计精度比烘干法高1倍多, 重复性精度比烘干法高2倍多。
郭洪飞、熊运章等[9]做了对中子法测量土壤水分标定方法的改进。采用多点标定与含水率均值分级回归法相结合, 提高了标定曲线的精度, 能较好地适应水分变化的范围。标定曲线方程的相关系数可以达到0. 993 04, 此方法操作简便、易于掌握, 标定成功率高。
肖复兴、王改兰等[10]研究了中子法测旱地土壤水分, 提出了中子测水仪直接进行校正的方法。由于环境因素、地面组成对标准容器计算的影响, 需将标准容器放置于夹层水桶中, 可获得稳定的容器计数。结果表明, 为保证测量数据准确可靠, 测量的最浅深度应大于20cm。比率标定法可以消除仪器变化所引起的误差, 保证测量数据的准确性。
彭士明等[11]对中子法和烘干法测量土壤水分做了比较分析, 说明了中子法在测量时不用取样、精确度高、测速快。研究指出, 中子法在观察水分动态变化或相对测量方面有独到之处, 能够常年稳定测量, 适宜做长达10年以上的长期定点观测以及资料收集工作。
3介电法
介电法是利用土壤的介电特性对土壤的含水率进行测量的一种方法。苏联学者Chernyak在1964年出版的《湿土介电特性研究方法》一书中对土壤介电特性做出系统陈述。以此为基础, 土壤的介电特性迅速地被应用于土壤含水率的测量技术中, 主要包含: 微波吸收法、频域分解法、高频电容法、时域反射法以及驻波率法等。这些测量土壤水分的方法同属于基于 “土壤的介电特性”的监测方法。相对成熟的土壤水分介电测量方法有时域反射法、频域分解法、高频电场法以及驻波率法等。
陈川亮[12]针对膨胀土做了室外及室内标定, 并分析了室内标定曲线的形态, 同时对人工试样的自然脱水过程进行了标定实验: 研究了管壁间隙、水平裂隙和垂直裂隙对测量结果的影响。实验结果表明, 垂直和水平裂隙对测量结果影响较小, 环管壁裂隙影响很大。最后, 通过实验结果拟合了时域反射法测量敏感度的变化曲线。
马孝义等[13]提出了一种基于介电频差的土壤水分传感器。通过研究土壤的电导损耗角与含水率之间的关系, 建立土壤电学模型, 然后研制出一种传感器对土壤含水率进行检测。试验结果表明, 土壤电导率随土壤含水量的增大幅度大于土壤相对介电常数随其含水量的增大幅度。采取频差式并联LC谐振电路, 能够大幅提高测量回路的品质因数。
张志勇[14]研制了一种基于驻波率法的土壤水分传感器, 对传感器的工作特性进行了研究, 导出了土壤探针阻抗和传感器中任意点电压的理论公式。实验结果表明, 传感器探针的结构对水分测量的精确度有较大影响, 四针不等长探针性能较好。土壤盐分对测量结果也有较大影响, 盐分含量较高时, 需进行特殊标定。
赵燕东、王一鸣[15]提出了一种新的土壤含水率测量方法, 其原理是利用传感器探头与传输线的阻抗不同, 会反射一部分信号到信号源; 在传输线上, 入射波和反射波叠加而形成驻波。试验提出不同土质对测量方法有一定的影响, 将该方法与两种常见的测量方法进行比较, 通过试验得出, 这种方法是一种高性能的土壤含水率测量方法。
石庆兰利用驻波法对土壤水分测量系统进行了数学分析, 采用Mat Lab解决了测量时所涉及的公式非线性的问题, 根据驻波法建立系统电路参数推导出的输出阻抗与传递函数之间的关系; 然后, 利用Topp公式等理论建立了以含水率为自变量的数学模型; 再利用matlab进行仿真, 得到几个变量之间的关系曲线。试验表明, 该数据模型可行性较强。
4近红外光谱法
近红外光谱技术应用于土壤水分检测中的研究开始于20世纪60年代, Bowers和Hanks在实验室中对土壤进行光谱观测时, 发现随着土壤含水量增加, 400 ~ 2 500nm波段内光谱的反射率全部下降。近红外光谱土壤含水率检测是根据土壤水分的近红外吸收光谱而进行测量的, 即将近红外波段中水分吸收波长的光照射到土壤上, 土壤中水分含量越高, 这一波长的能量被吸收得就越多, 从而反射回来的光能量就越少。通过检测从被测土壤中反射回来的光能量大小, 就可以通过含水量与反射能量之间的关系得出土壤的含水率。
陈祯[16]研究了土壤含水率变化时, 土壤容重和p H值对光谱反射率的影响。通过实验得出土壤含水率低时, 光谱反射率大; 含水率高时, 反射率小。同时, 构建了变容重土壤含水率和土壤容重变化关系的模型, 研究了几种预处理方法对土壤水分信息的提取; 利用神经网络构建了含水率与反射率之间关系的模型, 实验表明效果较好。
商淑培、王亚利等[17]利用近红外技术建立了土壤含水率分析系统。实验结果表明, 光谱经过校正和处理后, 采用偏最小二乘法得出的模型效果最好。得到预测方程定标的相关系数、交叉验证的相关系数和交叉验证的标准误差分别为0. 98, 0. 97, 0. 92。数学模型经过样品集检验后, 预测相关系数达到0. 96, 能够准确、快速地分析土壤的水分含量。
彭玉魁、张建新等[18]采用近红外光谱法对我国黄土区土壤水分含量进行了分析, 通过标定实验得出水分的相关系数为0. 974, 标准误差为1. 08; 提出利用近红外光谱法评估我国黄土区土壤水分含量时, 具有简便、准确、快速、低耗等优点。
陈桢[19]以湖北地区的潮土、红壤等为研究对象, 研究了外源添加矿物对近红外光谱测量土壤水分时的影响情况, 并以试验为基础建立了相关的模式方程。实验结果表明, 土壤中的各种因子会影响土壤的光谱特性, 从而影响近红外光谱法检测土壤含水率。 土壤中有机质越多, 其光谱反射率降低, 土壤水稳性团聚体越小, 其光谱反射率越大。
肖武、李小昱等[20]为了快速、精确测量土壤含水率及所建模型的使用范围, 提出了将近红外光谱技术与机器视觉技术相结合的方法来分析土壤水分状况, 并通过试验建立了近红外光谱与机器视觉信息融合的土壤水分分析模型。结果表明, 单一的近红外光谱模型或以视觉技术建立的人工神经网络非线性预测模型都具有相应的缺点; 而机器视觉技术与近红外光谱技术相结合建立的预测模型, 决定系数达0. 996 1, 且可预测水分饱和达20% 以上的土壤, 提高了其分析精度和使用范围。
5结束语
目前, 国内土壤含水率检测方法可分为张力计法、中子仪法、介电法和近红外光谱法等; 但土壤含水率的检测方法还存在很多问题, 需要进一步研究。主要存在以下方面问题: 1测量范围有一定的限制, 当土壤的含水率较高时, 测量方法不适用或测量误差较大。2土壤含水率检测过程受其它土壤因子影响较大, 其它因子含量较大时, 测量准确率降低。3所建立的数学模型受到多种因素的影响, 有些需要经过复杂的中间转换过程, 导致测量结果精度降低。
土壤含水率的预测模型 篇5
土壤含水率是农业生产中的一个重要参数,很多情况下都要求对其进行测量或监测。测量土壤含水率的方法很多:一类是对土壤进行取样,然后在实验室中对样品进行分析,测量出土壤含水率;另一类是现场测量,通过仪器实时测量,直接读取结果。实验室测量方法(如烘干称质量法)测量精度高,但无法实现现场实时监测。目前使用的便携式或手持式土壤水分测量仪现场测量,操作简单,可直接读取测量结果,但大多数靠人工操作与人工读数及记录,无法实现长期自动测量。一些土壤含水率测量仪虽具有RS-232,RS-485等通讯接口,可实现测量结果的自动传输,但这类仪器体积较大,工作方式固定,功耗较大,不易实现系统集成,且价格较高。在现代农业生产中,需对土壤含水率实时监测,以实现精确灌溉[1,2,3]。
在一些野外环境中,对土壤含水率进行连续监测时,充分利用太阳能给系统供电,可大大降低更换电池的频率,低碳环保,节约监测成本,同时还能避免因停电或更换电池导致监测数据丢失风险,能方便实现监测的自动化。国内外学者已有将太阳能电池用于农业信息采集的实例[4,5],但对太阳能电源管理部分的设计过程很少阐述。很多系统中使用单块锂电池实现能量的存储,因太阳能具有不确定性,充电过程较长,因此在单锂电池系统中锂电池充放电过程交替进行,对锂电池的寿命存在不利影响[6,7]。
本系统采用电场法实现土壤含水率的实时检测,该方法硬件简单,非常容易进行系统集成[8]。针对单锂电池系统存在的缺陷,设计了双锂电池能量存储系统,将锂电池的充电与放电过程分离。同时设计了电源监控功能,当两块锂电池都不能为系统提供足够能量时能发送报警短消息。采用实时时钟模块及SD卡,能长期记录监测结果,并能通过短消息实时发送监测数据。
1 系统总体结构
系统由太阳能电源模块、水分传感器、数据处理与控制模块、数据存储模块和GSM短消息模块构成,系统结构如图1所示。
太阳能电源模块收集太阳能并存储于锂电池中,同时具有对双锂电池的充放电管理与电压变换等功能。水分传感器利用电场法,把土壤含水率转换成电压信号,通过整流预处理后得到直流电压信号,以便后续处理。数据处理与控制模块用于计算土壤含水率,并实现对整个系统的控制。数据存储模块提供实时时钟信息,用于记录监测结果。GSM短消息模块实现监测数据与系统状态信息的远程发送。
2 硬件结构
2.1 太阳能电源模块
太阳能电源模块由太阳能电池、锂电池充电控制电路、充放电管理电路、双锂电池和电压变换电路等部件构成,如图2所示。
太阳能电池选用多晶太阳能电池,其额定功率3W,电压9V。锂电池充电控制电路由MC34063开关电源及锂电池充电控制器TP4056实现,MC34063将太阳能电池的电压变换到5V,将电压变低后能增大充电电流;TP4056实现对锂电池的充电,充电电流可以设定,本系统中最大充电电流设置为0.8A。充放电管理电路选择充电电池及放电电池,当放电电池的电压降到3.6V以下时,实现电池的切换,将原来充电的电池转换为放电电池,将原来放电的电池转换为充电电池。锂电池选用聚合物锂电池,单节标称电压为3.7V,容量3.4 A·h,充放电次数大于500次。电压变换电路将锂电池输出电压进行升压至5V,为水分传感器、单片机和GSM等模块供电,升压电路由MC34063实现。
2.2 土壤水分传感器
土壤水分传感器由不锈钢探针、50MHz信号源和整流滤波电路构成。探针长180mm,间距30mm,插入土壤深度为170mm。正弦波发生器由50MHz有源晶振实现[8]。整流滤波电路将传感器输出的正弦信号整流后变换成直流电压信号。
2.3 数据处理与控制模块
数据处理及控制模块由单片机实现,单片机选用MICROCHIP公司的PIC18F14K22,其工作电压很宽,且功耗很低。该器件内部集成了A/D转换器、RC振荡器等外设,只需很少的外围器件就能实现需要的功能,简化了设计,提高了系统可靠性。
2.4 数据存储模块
数据存储模块由实时时钟电路和SD卡构成。实时时钟模块用于提供日历及时间信息,采用深圳市兴威帆电子技术有限公司的SD2405ALPI模块实现。该模块通过I2C总线与单片机接口,且内部有充电电池,即使外部电源中断,计时也可继续进行。存储器采用金士顿公司的、容量为4GB的SD卡。用该实时时钟提供的日历信息及土壤含水率构成日志记录,一条记录所需的存储空间为几十个字节,且每天只有很少量的记录,存储卡能存放若干年的数据记录。
2.5 GSM短消息模块
GSM短消息模块采用西门子的TC35模块实现,该模块通过串口与单片机通信。
3 传感器标定及土壤含水率的计算
电场法测量土壤含水率受土壤类型等影响,因此须用被测土壤对传感器进行标定。从被监测农田中取耕层土壤约15L,用烘箱在105℃温度下烘24h以上至恒质量,将自来水与干土按质量比配制成含水率一定的土壤,将其拌匀并在密闭容器中存放24h后,用传感器测定土壤在不同含水率时传感器的输出电压,设5次重复,取平均值。将电压与含水率之间的曲线进行拟合,得到电压与含水率之间的函数表达式。在测量时,利用该函数表达式通过测量得到的电压计算土壤含水率。针对不同类型的土壤进行标定,得到的电压与土壤含水率的关系式不同。
因单片机的计算能力有限,且这些公式为多阶多项式,为降低单片机计算时间与功耗,采用查表法实现电压与土壤含水率之间的转换。将电压与土壤含水率的对应关系先通过函数关系计算出来,形成一张表,将该表存放与单片机中。进行转换时,以传感器输出电压为索引,直接读取土壤含水率。根据传感器测量范围,设定测量量程为0~30%,分辨率设定为0.5%,表的长度为60。对不同类型的土壤标定后制定不同的表,分别存放在单片机中。计算土壤含水率之前,用户必须选定土壤类型,系统根据土壤类型查找对应的表,得到测量结果。
对重庆地区的紫色土和黄壤进行了标定,标定结果见表1所示。经过曲线拟合后,得到电压与土壤含水率的曲线以及函数关系,见图3所示。
从标定数据看出:当土壤含水率超过30%后,传感器输出的电压无明显变化,这是因为水的电阻率远远小于干土的电阻率;当土壤含水率超过30%后,土壤间的空隙基本都被水填充满了,整体表现为土壤阻抗不再随含水率增加而减小。
紫色土壤曲线拟合后的公式为
w=3.9v4-39.4v3+143.5v2-236.8v+172.8(1)
黄壤曲线拟合后的公式为
式中 v—传感器输出电压;
w—土壤含水率。
4 软件设计
4.1 太阳能电源模块
太阳能电源模块与整个系统的耦合度很小,所以太阳能电源模块采用了独立的控制器来实现充放电管理。控制器监控两块锂电池的电压,当放电电池的电压降到设定的阈值以下时,进行电池切换供电;当两块锂电池的电压都降到阈值以下时,给出故障信息,提示系统需要检修或进行人工充电。太阳能电源模块的软件流程图如图4所示。
4.2 系统软件
首先设定土壤类型,然后每6 h测量并记录一次土壤含水率,每24 h发送一次测量结果。测量含水率时监控电源状态,如果电源异常发送报警短消息。系统每次工作时间设定4min,其余系统处于休眠状态。除单片机供电外,其余部分电源全部切断,以降低功耗。系统软件流程如图5所示。
5 试验与结果分析
5.1 土壤含水率测试
分别对紫色土和黄壤的5个点进行了测试,用烘干法测得的值作为标准值,计算测量的相对误差。测试结果分别见表2与表3所示。
从表2和表3的测量数据可看出,当用被监测土壤对仪器标定时,把相应模型存储在单片机中,用其测量含水率,测量误差小于6%。
5.2 太阳能电源模块试验
该试验测试了太阳能电源模块的充电时间、放电时间及充放电切换与故障监控功能。
充电时间的测试方法:将被充电电池放电至3.6 V,然后开始充电,测试充电时间。测试在重庆9月进行,由于测试期间天气晴好,充电时间约为4天。放电时间测试方法:将充电刚完成的电池给系统供电,直到电池电压降至3.6V,记录放电时间。测试结果为15天左右。
放电阈值设定为3.6 V,当放电电池电压降至3.6 V时,电源模块能实现电池切换。断开太阳能电池,使两块电池的电压都低于3.6 V,此时电源模块能检测到异常,当系统再次启动土壤水分检测时,会发送报警短消息。
5.3 数据存储与发送试验
将土壤含水率测量结果与日历及时间信息结合在一起构成存储记录,数据记录如表4所示。
一条记录占用10个字节存储空间,一天存储4条记录,存储1年数据需要占用的空间约为14k字节。存储卡的容量为4G字节,不会出现存储空间不足的情况。在每天下午6:00左右的时候,发送当天所有的测量结果。
6 结论与讨论
6.1 结论
本文主要论述了使用太阳能作为能源,能实现长期自动监测土壤含水率,并自动存储及远程发送测量结果的土壤含水率监控仪的研制。该仪器具有以下的特点:
1)用被测土壤进行标定,得含水率与电压关系模型,存储于单片机中。该监测仪能测量0~30%的土壤含水率,测量误差小于6%。
2)利用太阳能实现系统供电,并采用双锂电池结构,实现充电与放电过程的分离,能延长系统的使用寿命。在无太阳能电池情况下,系统最长工作时间15天左右,充电时间视天气情况而定。
3)系统能自动记录存储测量结果,并通过GSM模块,利用短消息能远程发送监测结果与电源故障报警信息。
6.2 讨论
系统存在以下不足,需继续深入研究,具体为:
1)传感器若用于黄壤和紫色土以外的土壤水分监测,需用被测土壤对传感器进行重新标定,建立含水率与电压数学模型,重新设定控制程序。
2)测量量程与精度有待提高。
3)数据记录以二进制形式存储,从存储卡上读出的数据无法直接显示与阅读,需要开发上位机软件来显示记录。
摘要:为实现土壤含水率实时监测及数据的远程传输,以太阳能电池及锂电池作为整个系统的能量供给,采用电场法测量土壤含水率;通过GSM网络,利用短消息实现土壤含水率数据的实时传输。电源模块实现太阳能的收集及存储,并对整个系统的电源实现管理。系统将土壤含水率转换成电压信号后,对其整流、A/D转换、计算等相关处理后得到土壤的含水率。利用实时时钟电路与SD卡,可实现每天的数据存储。土壤含水率及系统状态异常信息可通过短消息发送到指定手机或终端。试验表明,当被监测的紫色土或黄壤含水率低于30%时,测量误差小于6%。系统每6h测量并存储一次监测数据,每24h发送一次,其余时间处于休眠状态。在该条件下,3 W的太阳能电池能满足系统的能量需求。如果太阳能电源模块出现故障,导致锂电池无法充电时,系统能发送警告短消息,提醒用户及时排除故障。
关键词:太阳能电源模块,土壤含水率,电场法,系统监控,电源管理
参考文献
[1]白泽生.一种土壤水分检测仪的设计[J].微计算机信息,2007,23(3-1):202-203.
[2]胡建东,段铁城,石建华,等.土样含水量快速测定传感技术研究[J].仪器仪表学报,2003,24(2):142-145.
[3]孙宇瑞,马道坤,何权,等.土壤水分剖面实时测量传感器试验研究[J].北京林业大学学报,2006,28(1):55-59.
[4]Raul Morais,Miguel A Fernandes,Samuel G Matos,et al.Sun,wind and water flow as energy supply for smallstationarydata acquisition platforms[J].Computers and Electronics inAgriculture,2008,64(2):120-132
[5]Raul Morais,Miguel A Fernandes,Samuel G Matos,et al.AZigBee multi-powered wireless acquisition device for remotesensing applications in precision viticulture[J].Computersand Electronics in Agriculture,2008,62(2):94-106.
[6]张庆,李革臣.锂离子电池充放电特性的研究[J].自动化技术与应用,2008,27(12):107-109.
[7]王震坡,孙逢春.锂离子动力电池特性研究[J].北京理工大学学报,2004,24(12):1053-1057.
土壤含水率的预测模型 篇6
目前国内外对土壤含水率检测的主要方法有烘干法[3]、中子散射法[4]、TDR法[5,6]、频域反射法[7,8]、驻波率法[9]、张力计法[3]、伽马射线衰减法[10]、电容传感法[11]、电阻法[12]、压力膜法[13]、探地雷达法[14]和微波遥感法[15]等方法。其中, 烘干法是比较准确的方法, 但是该方法对土壤样本具有破坏性, 不能重复测量, 而且无法实现对土壤含水率实时监测[16], 因此该方法常用于实验室研究;中子散射法和伽马射线衰减法都是对土壤样本无损的检测方法, 对固态和液态水都有较好的检测效果, 但是由于这2种方法都涉及放射源, 对人员和环境存在潜在的危险性, 所以这2种方法都较少应用[17,18];张力计法和压力膜法是基于力学的土壤含水率检测方法, 适合含水率较大的土壤样本, 而对于含水率较小的土壤样本, 其测量准确性较差[6,18];TDR法、频域反射法、驻波率法、电容传感法、电阻法、探地雷达法和微波遥感法通过测定含水土壤的电学特性, 如电导率、电容、介电常数、微波极化现象等的变化确定土壤含水率, 属于土壤含水率的电测方法。其中, TDR法通过检测高频电信号在插入土壤中的导体的传播时延估计土壤含水率, 该方法是国内外测量土壤含水率的比较常用方法之一, 但时域反射法土壤含水率传感器对被测的土壤环境比较敏感, 如电极与土壤的缝隙会导致测量结果存在误差[19], 含盐量高的土壤不适合使用时域反射法传感器[20];电容传感法则是直接测量插入土壤中的电极间电容从而估算土壤含水率;频域反射法则将电极电容接入高频振荡器的谐振回路, 将土壤含水率的变化引起的传感器电极电容的变化转变为高频振荡器输出信号频率的变化, 根据事先建立的输出信号频率与土壤含水率的对应关系获得土壤样本的含水率;驻波率法通过测量电极信号的驻波比间接估算土壤的含水率。探地雷达法和微波遥感法都属于遥感类方法。探地雷达运行于地表, 电磁波经雷达天线射入土壤中, 土壤中的土层会反射电磁波, 雷达接收机接收反射波, 经过一系列处理过程后获得准确的土壤含水率信息。探地雷达法[21]是一种高效的土壤含水率检测方法, 日作业面积可达25 hm2 (1 hm2=10 000 m2) 。微波遥感法主要用于大面积土壤墒情监测, 机载和星载系统比较常见。近年来不少学者都尝试对上述传统传感器技术进行改进, 如李加念等对传统电容传感法进行了改进, 设计了一种基于真有效值的高频电容式土壤水分传感器[22], 但是, 该传感器没有对元器件参数进行优化设计以提高其性能。蔡坤等人在前人工作的基础上通过最优化设计提出了一种基于RC网络相频特性的土壤含水量传感器[23], 但该传感器中的RC低通网络的最大相频特性变化较小, 使得传感器总体灵敏度偏低, 传感器输出的信号电压摆幅较小。
针对上述电容传感法的问题, 现设计了一种基于模拟全通滤波网络的土壤含水率传感器。该传感器将电极作为电容接入模拟全通滤波网络。土壤含水量发生的变化会引起模拟全通滤波网络的相频特性发生显著变化。通过相位差检测电路就可以检测该信号参数的变化, 进而估算土壤样本的实际含水率。此外, 在电路设计过程中, 还构建了该传感器的数学模型, 在传感器量程范围内, 以模拟全通网络相频特性变化率的最大化为目标, 对相关电路元件参数进行了优化设计, 取得了比较好的效果。
1 传感器的设计
1.1 传感器的电路结构
传感器由超高频正弦波振荡器、全通滤波网络[24]、电极、相位补偿电路和相位差检测电路组成, 如图1所示。电极以电容的形式接入全通滤波网络。当电极插入土壤中时, 电极电容发生变化, 导致全通滤波网络的相频特性发生变化。超高频正弦波振荡器产生的100 MHz正弦波通过全通网络后就会发生相移。将全通网络输出信号与正弦波经过相位补偿电路输出信号同时输送至相位差检测电路检测二者的相位差, 并以电压信号形式输出。最后用相位差电压信号与土壤含水量建立数学模型。
全通滤波网络是整个传感器的核心部件。图2展示了该网络的电路图。图2中, 电容C1、电阻R1、R2、R3、运算放大器U3共同组成全通滤波网络。电容C1为电极电容, 取值为2 p F~10 n F。为了加工方便起见, 电极被直接蚀刻在PCB板上。电极的结构如图3所示, 电极的长度为59 mm, 电极宽度为5 mm, 2个电极的间距为10 mm。为了使得超高频正弦波振荡器的输出电抗不影响整个全通滤波网络的特性, 在引入超高频振荡信号时需要用1个电压跟随器进行隔离缓冲。电压跟随器选用TI公司出品的THS4304高速运放[25]构成。该运放的-3 d B截止频率为3 GHz。然而, 如图4所示, 通过TINA[26]软件仿真分析得知, 该运放在工作频率100 MHz时存在6.28°相位滞后, 导致超高频正弦波信号在注入全通滤波网络之前就产生了系统误差。为了补偿全通滤波网络中电压跟随器的相位滞后, 在相位差检测电路的另一个输入端设置同样的电压跟随器, 以产生相同的相位滞后, 从而抵消单一电压跟随器对信号产生的误差, 提高了传感器的测量准确度。相位补偿电路如图5所示。
如图2、图5所示, 超高频正弦波信号分别从全通滤波网络和相位补偿电路的Sig_In端注入电路;全通滤波网络的输出信号从D2端输出送入相位差检测电路;相位补偿电路的输出信号从D1端引出, 注入到相位差检测电路。D1输出信号是经THS4304进行电压缓冲后的超高频正弦波信号, 信号的相位比输入的原始信号滞后6.28°。图6中阻容元件的取值都参照AD8302说明书[27]的典型应用电路中的元器件取值, 故不赘述。
1.2 全通滤波网络的优化设计
将从全通滤波器网络的频率特性出发, 根据电极电容C1的变化范围, 对电阻R1进行优化设计。
假定图2所示全通滤波网络中电压跟随器的频率特性与图5所示相位补偿电路的频率特性完全一致, 根据本传感器的测量原理, 电压跟随器和相位补偿电路的频率特性可以相互抵消, 于是在分析全通滤波电路网络的频率特性时电压跟随器的频率特性就可以被忽略。基于以上分析, 全通滤波网络的频率特性可以直接表示为:
式 (1) 中ω表示角频率。当电阻R2=R3时, 式 (1) 化简为
由式 (2) , 模拟全通滤波器的相频特性函数为
式 (3) 中C1∈[Cmin, Cmax]为电容探头的电容量, Cmin=2×10-12F, Cmax=1×10-8F;R1>0, 单位为Ω;该传感器的信号源频率设为固定的100 MHz, 因此ω=ω0=2π×100×106rad/s。为了使得传感器对电容C1在整个量程范围内的变化都能够有最灵敏的反应, 需构建以下目标函数, 求解最优的R1的值。
需要说明的是, 由于全通滤波器的相频特性函数Φ (R1, C1) 对自变量C1是单调递减函数, 因此式 (4) 积分上限为Cmin, 积分下限为Cmax, 以保证定积分结果为正值。于是, 式 (4) 可写为
对式 (5) 求导得到
令式 (6) 为0, 并以R1为自变量解方程
得到
解式 (8) 的方程得到2个解
可见目标函数式 (5) 存在2个驻点, 一个为负值, 另一个为正值。由于式 (5) 的约束条件要求R1>0, 所以式 (9) 中R1取正值, 即有
目标函数式 (5) 对自变量R1的二阶导数为
下面将式 (10) 代入式 (11) 并化简得
由函数极值第二充分条件[28]可知, 目标函数式 (4) 是向上的凸函数, 且式 (10) 所述驻点为该目标函数的极大值点, 同时也是函数的最大值点。分别将元件参数和信号源频率参数Cmin=2×10-12F, Cmax=1×10-8F, ω=2π×100×106rad/s代入式 (10) , 计算求得最优值为R1*=11.25Ω, 与其最接近的E24标准电阻值为11Ω。目标函数 (4) 式的曲线图如图7所示, 曲线为向上的凸函数, 最大值出现在10Ω附近, 与理论推导的结论吻合。
2 试验材料与方法
2.1 试验材料
试验材料包括经24 h烘干的砖红壤土、滴管、量筒、水杯 (上口圆形直径63 mm, 下底圆形直径50 mm, 高度75 mm) 、长柄铁勺、塑料薄膜、上海一恒科学仪器有限公司DHG-9620A型电热鼓风恒温干燥箱、深圳安普特电子科技有限公司APTB-475A型电子台秤、深圳安泰信仪器有限公司TPR3010S型直流稳压电源、美国惠普公司HP-8656B型超高频信号源和美国安捷伦公司Agilent 34401A型台式万用表。
2.2 试验方法
2.2.1 试验土样的制备
1) 将准备好的砖红壤土进行110℃烘干处理24 h。
2) 取11个水杯进行编号, 号码为0~10。杯中土样的含水率将按照水杯编号从小至大排列。
3) 向杯中倒入约200 g的砖红壤土, 并利用电子秤测量, 使得每个杯子中土的质量尽可能相近, 误差小于1 g。
4) 根据杯中土样的质量, 分别计算各杯的注水量。注水后各杯土样质量含水率为一等差数列。数列的起始值为0, 终止值为50%, 公差值为5%。
5) 向杯中注水时需要用滴管在水杯中心缓慢滴注。由于注水时, 水主要被杯中表层土壤吸收而结块, 向下渗透的时间较长。因此, 当注水完毕后, 用长柄铁勺将结块的湿润土块搅碎, 使之与其他干燥土壤混合均匀。然后, 将水杯口用塑料薄膜扎紧封闭, 静置24 h, 确保整杯土样水分均匀分布。
2.2.2 数据采集过程
数据采集过程分为标定试验和对比试验2个部分。
(I) 标定试验步骤:
1) 将电源电压设置为3.3 V送入传感器电源接口。将高频信号源的频率值设置为100 MHz, 输出功率为-6 d Bm。该功率值为普通0705型石英晶体振荡器的信号输出功率;
2) 信号源输出信号经同轴电缆引入传感器的Sig_In接口;
3) 用台式万用表测量VREF和VPHS 2个接口的电压值, 并计算VDVPH S=VREF-VPHS;
4) 将土壤样本立即烘干, 重新测试各个样本的质量含水量。由于土壤样本在静置过程中可能存在水分的蒸发流失, 因此, 需要在试验后立刻用烘干称质量法对被测样本进行土壤含水率的测定;
5) 将电压差值VDVPH S与土壤含水率建立回归模型。
(II) 对比试验步骤:
1) 将电源电压设置为3.3 V送入传感器电源接口。将高频信号源的频率值设置为100 MHz, 输出功率为-6 d Bm;
2) 信号源输出信号经同轴电缆引入传感器的Sig_In接口;
3) 用台式万用表测量VREF和VPHS 2个接口的电压值, 并计算VDVPH S=VREF-VPHS;
4) 利用标定试验得到的回归模型估算土壤样本的质量含水率;
5) 利用RC网络传感器[23]对土壤样本进行测试, 获得土壤样本质量含水率估计值;
6) 将土壤样本立即烘干, 重新测试各个样本的真实质量含水率;
7) 将本文传感器和RC网络传感器的测量结果与土壤样本真实含水率比较。
3 试验与结果分析
3.1 标定试验
标定试验的结果如表1所列。
根据表1所列数据可以得到VDVPHS电压与土壤质量含水率之间的关系:y=17.505x3-65.437x2+81.853x-34.02, 模型的决定系数为R2=0.986。
3.2 对比试验
表2为本文所述传感器与文献[23]所述基于RC网络相频特性的土壤水分传感器的性能对比。为叙述简便起见, 以下将基于RC网络相频特性土壤含水率传感器和本文的基于全通滤波网络的土壤含水率传感器分别简称为RC网络传感器和全通网络传感器。之所以将这2种传感器进行比较, 是因为这2种传感器相位检测电路设计是一致的, 只是前端电路检测电极电容的方法不同, 因此这2种传感器具备可比性。
3.3 结果分析
以上2个试验的数据表明:
1) 输出信号幅度增加。本文的全通网络传感器的输出信号VDVPHS的幅度比RC网络传感器[23]的输出信号幅度大, 有利于简化后续电路设计, 如降低放大器的增益和级联数目;降低A/D转换器的精度等级;
注:1) 传感器A:RC网络相频特性土壤含水率传感器;2) 传感器B:本文所述传感器。
2) 预测误差平均值降低。根据表2数据, 本文全通网络传感器的预测误差的绝对值最大值是当土壤质量含水率为14%时, 预测误差达到4.71%, 而RC网络传感器的最大预测误差出现在土壤质量含水率为29%时, 误差为4.23%。RC网络传感器的平均预测误差为2.68%, 而本文传感器的平均预测误差为1.51%;
3) 预测误差较大的区域缩小。从误差分布情况看, RC网络传感器在土壤质量含水率5%~20%和29%的预测误差都超过3%, 而本文的全通网络传感器预测误差较大的区间缩减至10%~14%之间, 但预测误差的幅度有所增加, 达到4%以上。
4 结论
土壤含水率的预测模型 篇7
1 研究背景
我国是全球人均水资源匮乏的国家之一, 虽我国的总体水资源储藏量较大, 如长江、黄河的水量都较大, 夏季降水量较多等, 但由于我国的人口基数大、农业种植面积大但生产技术较为落后等其他原因, 致使我国的人均水资源量较少。如何提高农业灌溉的有效性、大幅度的减少农业用水, 是提高我国人均水资源量, 缓解我国水资源压力的重要举措。而在此国情下, 我国大部分的农村在进行农业灌溉时都采取人工式的灌溉方法, 单纯的依靠以往的灌溉经验, 利用水管的进行大幅度、大面积灌溉, 不仅在一方面造成了水资源的大量浪费, 而且在另一方面农业的灌溉效用也较低, 土壤并没有及时吸收下那么大的水量, 当然也就没有真正解决土地的干旱问题。近年来, 随着我国科学技术的发展变化以及其在农业生产中的应用, 我国的农业现代化发展逐渐走向了轨道, 并为智能化、科学化、规模化、集约化农业生产模式的产生和推广提供了必要条件和重要前提。
无线传感器网络是随着科学技术的发展进步而出现的新型技术, 是集数据采集及分析处理于一体的全新技术, 具有低成本、低能耗、及时、高效、可靠的特点。其是由一定监测区域的多个微型传感器节点组成, 并构成一个完整的无线网络通讯系统, 并最终把数据处理结果发送到用户终端服务器上, 作为用户决策的依据。将该技术应用到农田土壤含水率的监测工作中, 在不影响农田耕作的前提下, 在农田土壤中布置多个无线传感器节点, 连续、实时、高效的监测土壤中的含水率, 以便用户可以准确知道农田含水率, 并以此为依据判断该农田的灌溉量, 进行及时、有效的灌溉, 这样既节约了农田灌溉用水量, 又有利于农田灌溉水资源的充分利用, 提高农田水资源的管概率, 促进现代农业的可持续发展。
2 关键技术分析
在农业的灌溉技术中, 要想在节约用水的前提下, 实现农业灌溉水资源利用的高效性, 就必须实时、精确的掌握农田土壤的含水率, 对不同的农业用地加以区别对待, 不同程度含水率的土壤采用不同的灌溉方式和不同的灌溉水量。因此, 若想把无线传感器网络技术精准的应用到农田土壤含水率的监测中, 就必须确保数据信息传播的及时准确性, 这也就决定了无线传感器网络技术, 也即WSN技术是整个系统设计中的关键性技术。
WSN技术是一种新型的数据分析及处理技术, 是无线通信、传感器和信息处理三大技术的的融合体。该项技术具有低成本、低能耗的特点, 其虽以普通传感器为技术基点, 却是集信息采集、数据分析处理、网络化应用为一身的综合体, 解决了传统农田土壤含水率监测技术中布线困难、成本高、连续性及实时性较差的缺点。该项技术在农田土壤含水率监测技术的应用中, 不仅大大减少了实际工作量和人工测量误差, 更是农业智能化的发展方向, 在有效农业灌溉的基础之上, 提高了水资源的利用率。
3 总体方案设计
3.1 无线传感器网络的系统设计
本文所研究的无线传感器网络是基于Zigbee技术的基础之上的, 该系统主要是由水分感知节点、网关节点和计算机控制管理中心三部分构成的。水分感知节点主要是用来搜集土壤水分数据的, 并通过多条线路利用无线网络发送到网关节点上, 网关节点则把不同线路发送过来的土壤水分数据汇集起来并暂时保存, 最终将这些数据输送到计算机控制中心, 再由计算机控制管理中心对传输过来的信息加以分析处理, 以供用户使用。
在本文所述的农田土壤含水率的监测中, 该适用的无线传感器网络主要是基于Zigbee技术协议的短程通信传输系统, 主要是通过水分感知节点来进行某一监测区域的农田土壤含水率的实时数据采集, 并通过无线网络通信传输给网关节点, 再最终传输到计算机控制管理中心, 这样用户就可以实时了解农田的含水状态。
3.2 无线传感器网络硬件设计
3.2.1 节点硬件设计
无线传感器的网络节点主要是用来进行信息的采集及传输, 在本文所研究的农田土壤水分含水率的监测中, 无线传感器的网络节点的设计和选择主要考虑了低能耗、低成本、稳定精确性等特点, 以确保其在实际操作中的切实可行性。基于此, 在该农田信息监测过程中, 其网络节点采用模块化的设计方式, 主要分为传感器模块、信息通信模块和电源。电源主要是用来打开无线传感器的网络节点, 进行正常的工作, 传感器模块主要是用来搜集土壤的水分数据, 信息通信模块则主要是用来进行数据信息的无线网络传输, 并将其最终传输到计算机控制管理中心。
3.2.2 无线通信模块选择
在农田土壤的含水率监测系统设计中, 在选择无线通信模块时, 最重要的是要保证节点工作的稳定性, 因此要选择低能耗的;在农业的环境下, 要切实保障农业的正常耕作不会受到影响, 因此要选择小巧的;在数据信息的传输中要保证数据的真实有效性, 因此在进行无线通信的芯片选择时, 要选择那些信号好、发射功率高的;为保证无线传感网络在农业土壤含水率运用中的可推广性, 要保证该模块的低成本性。综合考虑以上几点, 基于Zigbee技术协议的无线通信则是最佳选择, 其不仅应用范围极为广泛, 且其芯片集成度较高, 可靠性高, 并具有低能耗的特点。
3.2.3 传感器的选型
在进行传感器的选型时, 在以实现广泛推广的目的前提下, 要综合考虑到传感器的价格、能耗等因素。在该系统中, 水分传感器是用于信息搜集的, 其所搜集信息数据的准确性将直接决定了整个系统运用分析的真实可靠性, 是该技术在农田土壤含水率监测中具有实用性的第一步。因此, 在选择传感器时, 要充分考虑到农田的环境, 使得选择的传感器不会受到土壤的腐蚀;要充分考虑到农田所在的地区, 选择那些受土质影响较小的传感器;要充分考虑到其对土壤含水率的分辨率, 确保传感器感知土壤含水率的准确性。
3.3 无线传感器网络的软件设计
(1) 在该无线传感器网络的软件设计方面, 各节点的软件设计主要是采用Tiny OS 1.1的嵌入式操作系统。在该系统的操作过程中, 运用Nes C语言根据各节点的不同特点及其本身的功能和作用编程了各自不同的执行程序, 一个执行模块由1个Tiny OS程序和多个组件构成。
(2) 建立新网络。该新建网络的工程主要是由Zigbee来实现的, 并借助具有Zigbee协调能力的设备来促使自身形成一个新的网络节点。该网络节点做为整个无线传感器网络的协调器, 整个系统的网络管理和配置都是由其完成的, 如为子设备分配网络地址、进行传感器节点通信以及接收其他节点输送的数据信息等。
4 结语
在我国的农业大环境下, 无线传感器网络在农田土壤含水率的监测中的应用尚还处于起步阶段, 与国外发达国家相比, 技术比较落后, 再加上我国的农业现代化发展本就起步较晚, 且我国农业的生产经营多为分散式的农村散户经营, 因此在农业科技的应用程度上远不如西方发达国家的农场式规模化经营, 这也就决定了无线传感器网络在农业信息检测中的应用有待于进一步的研究开发。在此过程中, 一定要与我国农业生产经营的实际情况相结合, 充分考虑其其在农田信息监测中的实用性。
摘要:实现农业现代化是国家四个现代化的建设任务之一。随着我国科学技术的发展与进步, 微电子技术、无线网络技术的发展也日趋成熟。与此同时, 以往在农田土壤含水率监测过程中应用的有线网络逐渐暴露出弊端。在此基础上, 本文则研究将无线传感器网络系统运用在农业环境监测上, 以现代化的科学技术来监测农田土壤中的含水率, 解决传统农田含水率监测中存在的问题, 促使我国农业走向现代化的发展道路。
关键词:精细化灌溉,无线传感器网络,农田土壤含水率监测,农业现代化
参考文献
[1]蔡义华, 刘刚, 李莉, 刘卉.基于无线传感器网络的农田信息采集节点设计与试验.[J].农业工程学报, 2009, 25 (04) .