基于Stacking集成学习的枣树智能灌溉系统设计与试验

窦文豪 孙三民 徐鹏翔

摘要：南疆降雨量少，气候干燥，农业用水紧张，水资源节约尤为重要，针对此问题设计一套智能灌溉系统。系统使用阿里云服务器作为上位机，树莓派作为下位机，并搭建相应的操作页面。根据Penman-Monteith公式中需要的气象数据、过去7天需水量以及前1天气象数据为输入向量，作物需水量为输出向量，构建基于随机森林、BP神经网络与岭回归的Stacking集成学习预测模型。结果表明Stacking集成学习预测模型拟合系数R²为0.973，且MAE、RMSE、MAPE三类误差更小，Stacking集成学习预测模型预测效果更强。灌溉试验中自动灌溉决策正确，系统运行稳定，为新疆地区农业提高水资源利用问题提供思路。

关键词：枣树；智能灌溉系统；Stacking集成学习；随机森林；BP神经网络；岭回归

中图分类号：S274.2; TP183

文献标识码：A

文章编号：2095-5553 （2024） 06-0270-07

收稿日期：2022年10月8日

修回日期：2022年10月22日

*基金项目：新疆生产建设兵团科技项目（2021CB021）；第一师阿拉尔市科技计划项目（2022XX01）

第一作者：窦文豪，男，1999年生，山东德州人，硕士研究生；研究方向为灌溉排水理论与节水灌溉。E-mail： dwh0629@outlook.com

通讯作者：孙三民，男，1977年生，新疆阿拉尔人，博士，教授；研究方向为农业节水灌溉技术与理论。E-mail： ssmaqx@126.com

Design and experiment of jujube intelligent irrigation system based on Stacking integrated learning

Dou Wenhao^{1， 2}， Sun Sanmin^{1， 2}， Xu Pengxiang^{1， 2}

（1. College of Water Resources and Architecture Engineering， Tarim University， Alar， 843300， China；2. Key Laboratory of Modern Agricultural Engineering， Tarim University， Alar， 843300， China）

Abstract： In the south of Xinjiang， the rainfall is low， the climate is dry， agricultural water is scarce， and water conservation is particularly important. An intelligent irrigation system is designed to solve this problem. The system uses Alibaba Cloud server as the upper computer and raspberry pie as the lower computer， and sets up corresponding operation pages. In this paper， according to the meteorological data required in Penman-Monteith formula， the water demand of the past seven days and the meteorological data of the previous day as the input vector， and the crop water demand as the output vector， the Stacking integrated learning prediction model based on random forest， BP neural network and ridge regression is constructed. The results show that the fitting coefficient R²of Stacking integrated learning prediction model is 0.973， and the three types of errors of MAE， RMSE and MAPE are smaller. The prediction effect of Stacking integrated learning prediction model is stronger. In the irrigation experiment， the automatic irrigation decision is correct， and the system operates stably， which provides ideas for improving the utilization of water resources in agriculture in Xinjiang.

Keywords： jujube; intelligent irrigation system; Stacking integrated learning; random forest; BP neural network; ridge regression

0 引言

南疆地处亚洲大陆腹地，沙漠、戈壁面积占比高，气候干旱，降水稀少，水资源短缺。受地理位置，气候环境影响，主要以农牧业为主，农业用水占比高达97%^[1]。水资源是南疆经济发展与生态环境保护的关键。南疆农业高效节水不仅需要推广膜下滴灌、喷灌等节水技术，也要发展智能灌溉设备。

我国智能灌溉系统起步相对较晚，市面上智能化的灌溉系统较少，大多只依靠人工控制。国内外有大量学者对灌溉系统进行研究，杨文忠^[2]讨论了农业节水灌溉的技术现状与发展趋势，得出一定要将信息技术与农业节水灌溉技术结合的结论。潘晓燕^[3]介绍了农业智能灌溉系统的基本组成。陈艳丽等^[4]设计了基于ZigBee的农业智能灌溉系统，但ZigBee传感器组网范围小，不适合农田大范围搭建传感器。程章翔等^[5]设计了基于NB-IoT的智能灌溉控制系统，NB-IoT技术具有广覆盖、连接设备数大的优势，但对网络要求极高，灌溉设备一般布设地点处于野外无法保证网络要求。目前大多智能灌溉系统的核心控制器为单片机^{[6， 7]}，单片机开发周期短，但单片机速度慢、资源少且每次更新代码都需要重新烧写，相对麻烦。由此出现了以树莓派为核心控制器的新一代智能灌溉系统^[8-10]，树莓派是一种使用ARM内核处理器运行Linux系统的微型计算机，可以直接在本地进行编程、运行程序，连接上网后可以直接进行远程操作，可以完成单片机很多无法完成的操作。近年来不少设计者也在系统中加入了基于机器学习、神经网络、模糊控制、灰色预测等算法的需水量预测模型^[11-14]。但单一预测方法可能存在有效信息不充分的问题，其他信息被舍弃，不同的预测方法往往可以利用不同的有用信息^[15]。Stacking集成学习方法能将多个模型的规则进行结合并使用某种规则将初级学习器的结果进行再训练^[16]。为保证预测的可靠与准确，本文使用Stacking集成学习方法，将随机森林、BP神经网络作为初级学习器，岭回归作为次级学习器进行综合预测，且相对于传统需水量预测增加影响因素，达到改善预测效果。

目前传统灌水大都使用经验法、水文法等估算法，在一定程度上是不准确的^[17]。红外遥感技术可通过作物生理特征判断作物土壤含水率与需水量^{[18， 19]}，可为使用者在节水灌溉上提供支持，但此技术精度不够。为解决此类问题，本文将随机森林、BP神经网络与岭回归相结合。构建由数据采集模块、控制模块、灌溉模块、云服务器与在线控制平台组成的农业灌溉智能控制系统。

1 系统总体设计

智能灌溉系统主要包括数据采集模块、控制模块、灌溉模块、云服务器与在线控制平台，系统由太阳能模块供电，系统框架如图1所示。数据采集模块使用空气温湿度传感器、土壤温湿度传感器、土壤pH值传感器、土壤EC值等多个传感器来监测枣园空气及土壤中各项数据信息，使用LoRa通讯Modbus协议来进行数据传输。控制模块使用树莓派作为上位机对传感器所得数据传输至云端，同时可对电磁阀下达开关指令。灌溉模块由水泵、电磁阀、流量计等构成，同样使用LoRa通讯技术来进行数据传输。在线控制平台可实时查看枣园各项传感器数据以及控制电磁阀进行灌溉。

此系统以传感器技术、物联网技术、无线通信技术及人工智能技术为基础，实现了对农田的实时环境监控功能，数据采集、传输与分析功能、智能预测需水量功能和远程灌溉控制功能。

进行灌溉时系统首先通过数据采集模块采集数据，数据通过LoRa通讯传输至控制模块，控制模块将数据上传到云服务器并进行灌溉决策。系统根据土壤储水量与Stacking集成学习预测模型预测值对比判断是否需要灌溉。灌溉系统设备实物如图2所示。

2 预测模型构建

2.1 Stacking集成学习算法

Stacking是目前机器学习领域热门研究方向之一，是一种集合学习算法，主要包括两种学习器，分别为初级学习器与次级学习器，此算法能将多个模型的规则进行结合并使用某种规则将初级学习器的结果进行再训练。Stacking集成学习算法的预测效果基于学习器的选择，初级学习器应选取预测效果好且具有差异性，即各学习器是由不同的预测模型组成^[20]。因为多个分类模型往往是不同的算法，所以其框架往往是异构的^[21]。本文构建Stacking集成学习算法结构如图3所示。

2.1.1 随机森林模型

随机森林算法是一种基于决策树的集成学习算法，具有很高的预测准确率，对异常值和噪声具有很好的容忍度，而且不容易出现过拟合。随机森林是以决策树为基学习器的基础上，由很多决策树分类模型组合成的组合分类模型，每个决策树分类模型都有投票权来选择最优分类结果。随机森林原理如图4所示。D是样本集，D₁、D₂、…、D_k分别是随机抽样后形成的决策树^[22]。

2.1.2 BP神经网络模型

BP神经网络核心思想是利用已有结果的数据对网络进行训练，之后用训练好的网络模型对未知数据样本进行输出预测^[23]。BP神经网络因具有良好的非线性映射能力、自学习和自适应能力，成为目前应用最多的神经网络之一。BP网络在训练的过程中可以进行误差反转，在得到的输出结果不满足误差要求时，输出便会按着原来的通道进行反向传播，重新训练直到输出满足误差要求为止^[24]。BP神经网络模型结构如图5所示，输入层为X₁～X₄，Y为输出向量。

2.1.3 岭回归模型

岭回归是回归方法的一种，属于统计方法。岭回归是带二范数惩罚的最小二乘回归。当输入变量之间具有较强相关性时，利用最小二乘法进行拟合会造成较大偏误。但这些变量彼此之间存在多重共线性，如果不能解决变量之间的多重共线性，研究结果会出现较大偏误^[25]。

岭回归模型的损失函数为

J（W）=‖y-X_w‖²₂+γ‖W‖²₂（1）

式中：J（W）——损失函数；

y——预测值；

X——特征向量；

W——回归系数；

γ——惩罚系数。

通过对被解释变量参数进行压缩，能有效解决解释变量之间的多重共线问题，提高研究结果的稳健性。

2.2 模型搭建

2.2.1 数据来源

在进行枣树需水量的预测时要结合枣树生长的实际情况，气象因素为枣树需水量的主要影响因素。需水量计算如式（2）所示。

ET_C=ET₀×K_c（2）

式中：ET_C——作物需水量，mm/d；

ET₀——参考作物蒸散量，mm/d；

K_c——作物系数。

枣树不同时期作物系数不同^[26]，萌芽展叶期K_c=0.86，开花坐果期K_c=1.36，果实膨大期K_c=1.22，果实成熟期K_c=0.83。

一般通过Penman-Monteith公式计算出作物蒸散量

ET₀=0.408Δ（R_n-G）+γ900u₂（e_s-e_a）T+273Δ+γ（1+0.34u₂）（3）

式中：Δ——饱和水汽压—温度曲线的斜率，kPa/℃；

R_n——净辐射，MJ/（m²·d）；

G——土壤热通量，MJ/（m²·d）；

γ——干湿计常数，kPa/℃；

u₂——2 m处风速，m/s；

T——最高最低气温的平均值，℃；

e_s——饱和水汽压，kPa；

e_a——实际水汽压，kPa。

数据来自塔里木大学水利与建筑工程学院灌溉试验基地枣园内气象站2001年4月8日—9月30日气象数据。选取参数除Penman-Monteith公式中的气象因素外还增加7天前的需水量与前1天的气象因素。表1为预测模型所选因素。

以枣园为例分析比较BP神经网络、随机森林预测模型与Stacking集成学习算法在需水量方面的应用。

2.2.2 模型预测

初级学习器BP神经网络与随机森林模型输入值选取表1的19因素，此外构建Penman-Monteith公式中6因素的BP神经网络与随机森林模型，19因素与6因素两类需水量模型进行对比，初级学习器输出值为预测需水量。

BP神经网络预测模型的训练算法采用LM（Levenberg-Marquardt）算法，本文的样本数据为3843组属于中等规模数据，而LM算法在训练中等规模的数据时训练速度最快。传递函数选择‘tansig函数，训练函数选择‘trainlm函数，学习函数选择‘learngdm函数。迭代次数设置为1 000次，学习率设定为0.1，误差精度设置为0.001。隐含层根据2N+1的确定方法^[25]来确定本文设定的隐含层为11。随机森林模型根据数据样本量，使用五折交叉验证寻找最佳参数，决策树数量设置为100，决策树最大深度为14，叶子节点的最大数量为50，进行有放回的抽样，将训练数据导入模型中。

模型训练好后选取2021年样本数据对BP神经网络、随机森林模型进行预测需水量比较，结果如表2所示。表2中实际需水量由传感器所得数据计算得出。

以直观展示预测结果，将模型预测值与真实值进行线性拟合。图6、图7分别为19因素、6因素的需水量预测值与真实值拟合曲线。由图6可知，19因素BP神经网络R²为0.967，6因素BP神经网络R²为0.79。由图7可知，19因素随机森林R²为0.965，6因素随机森林R²为0.801。19因素的随机森林、BP神经网络预测模型R²均大于0.96，拟合信息充足，说明19因素的随机森林与BP神经网络预测模型效果都更好。

初级学习器的预测精度对于Stacking集成预测的性能有较大影响。19因素随机森林、BP神经网络都有较高预测精度，预测可靠性够高，可作为初级学习器使用。将随机森林、BP神经网络预测需水量作为次级学习器输入，建立Stacking集成预测模型进行预测。表3为Stacking集成学习预测模型预测部分结果。

同时建立Stacking集成学习预测模型拟合图，显示部分需水量预测值与真实值拟合曲线与R²，如图8所示。由图8可知，Stacking集成学习预测模型R²为0.973。

综上，初级学习器的BP神经网络拟合系数R²为0.967，随机森林拟合系数R²为0.965，都满足对需水量的预测情况，初级学习器的效果优秀，Stacking集成学习预测模型的拟合系数R²为0.973。三类模型拟合系数接近，因此增加平均绝对误差MAE、均方根误差RMSE、平均绝对百分比误差MAPE三个衡量指标。三类误差范围都为[0，+∞），当预测值与真实值完全吻合时等于0，即完美模型；误差越大，值越大。由表4可知，Stacking集成学习预测模型各误差均小于BP神经网络与随机森林。综合来看Stacking集成学习预测模型更适合用于枣树的需水预测。

3 灌溉控制平台搭建

为方便灌溉系统的远程控制与实时监测，使用阿里云开发了对应的PC端与移动端的控制平台^[27]，物联网应用开发（IoT Studio）是阿里云针对物联网场景提供的生产工具，包括Web可视化开发、移动可视化开发、业务逻辑等工具，具有可视化搭建、免代码开发等优点。

3.1 PC界面设计

物联网平台PC端界面如图9所示，分别显示环境检测，传感器状态，灌溉控制与设备定位四部分。环境监测部分可供用户查询果园中的实时环境数据；传感器状态部分可向用户展示传感器的工作状态，以便快速发现损坏离线的设备；灌溉控制可让用户查询模型预测出的作物需水量，实现用户控制农田电磁阀远程开关，且通过流量计来显示已灌溉的水量与滴灌带的瞬时流量；设备定位可使用户直观查看设备位置进行设备快速定位。

3.2 移动端界面设计

为解决操作人员不方便使用PC端界面查看农田环境信息与控制电磁阀灌溉问题，同时设计了移动端界面。移动端界面使用阿里云IoT Studio应用开发中的移动应用开发。移动端界面展示田间的环境信息及电磁阀远程开关等功能。为方便操作人员使用，移动端设置为钉钉小程序，同时设置钉钉机器人提示自动灌溉电磁阀开关情况与各传感器状态。移动端界面如图10所示。

4 灌溉试验

系统搭建完成后，对其各部分进行测试。使用枣园内气象站所得数据与数据采集模块各传感器对比，传感器数据正常，同时传感器数据采集与传输正常；使用搭建的PC端与移动端界面对电磁阀进行远程操控，电磁阀的远程控制开关可正常运行。控制平台指令下达可做出正确反馈，得到预期效果。

灌溉试验地位于阿拉尔市塔里木大学水利与建筑工程学院灌溉试验基地枣园内，枣树树龄为10年，灌溉方式采用滴灌。灌溉时首先Stacking集成学习预测模型根据枣园所设传感器采集的气象数据进行需水量预测，预测值与土壤湿度传感器所得土壤湿度计算出的土壤储水量进行比较，当预测需水量大于土壤储水量时系统判断进行灌溉，当土壤湿度传感器检测到土壤储水量大于预测需水量后，灌溉停止；当预测需水量小于土壤储水量时则不进行灌溉。土壤储水量计算如式（4）所示。

S=ρb×h×w（4）

式中：S——土壤储水量，mm；

ρb——土壤容重，g/cm³；

h——土壤厚度，mm；

w——土壤湿度，%。

此次试验中土壤湿度传感器埋深为20 cm，所以h取200 mm；根据团队前期试验数据中得到试验地土壤容重为1.43 g/cm^3[28]。系统灌溉试验如表5所示。其中土壤储水量由土壤湿度由传感器获得数据进行计算。

由表5可知，系统能够正常工作，在土壤储水量小于模型预测值时开始开启灌溉；土壤储水量大于模型预测值时不进行灌溉。

5 结论

1） 本文结合神经网络与随机森林的优点，设计基于Stacking预测模型的智能灌溉系统。以BP神经网络与随机森林为初级学习器，岭回归为次级学习器，建立Stacking预测模型。气象因素和需水量作为初级学习器输入，初级学习器输出为岭回归输入，经由岭回归最终输出需水量。

2） Stacking预测模型拟合系数R²为0.973，MAE、RMSE、MAPE三类误差也相对较小，说明Stacking预测模型准确性较高，可用于灌溉系统中。在灌溉试验中系统各模块均能正常工作，能够根据预测值进行灌溉，开发的远程操作界面能够满足各项操作要求，系统运行稳定。

参 考 文 献

[1]刘建军. 南疆地区水资源保障问题和对策分析[J]. 水资源开发与管理， 2022， 8（8）： 8-11， 5.

Liu Jianjun. Problems and countermeasures of water resources guarantee in Southern Xinjiang [J]. Water Resources Development and Management， 2022， 8（8）：8-11， 5.

[2]杨文忠. 农业节水灌溉技术现状与发展趋势探讨[J]. 农业科技与信息， 2021（4）： 92， 97.

[3]潘晓燕. 物联网技术的农业智能灌溉系统设计与应用研究[J]. 科学技术创新， 2021（26）： 176-177.

[4]陈艳丽， 谢芳. 基于ZigBee的农田智能节水灌溉系统的设计[J]. 中国农机化学报， 2017， 38（2）： 81-83， 129.

Chen Yanli， Xie Fang. Design of intelligent water-saving farmland irrigation system based on ZigBee [J]. Journal of Chinese Agricultural Mechanization， 2017， 38（2）： 81-83， 129.

[5]程章翔， 辛元芳， 姚勇， 等. 基于NB-IoT的智能灌溉系统设计[J]. 集成电路应用， 2021， 38（6）： 44-45.

Cheng Zhangxiang， Xin Yuanfang， Yao Yong， et al. Design of intelligent irrigation system based on NB-IoT [J]. Integrated Circuit Applications， 2021， 38（6）： 44-45.

[6]蓝宇， 黄中舟， 朱彦博， 等. 基于STM32和树莓派智能灌溉系统的设计与实现[J]. 物联网技术， 2021， 11（7）： 114-117.

[7]张吉圭. 基于STC15W单片机农田智能灌溉无线监控系统的实现[J]. 智慧农业导刊， 2021， 1（5）： 33-35.

Zhang Jigui. Realization of intelligent farmland irrigation wireless monitoring system based on STC15W single chip microcomputer [J] Journal of Smart Agriculture， 2021， 1（5）： 33-35.

[8]赵苏徽， 陈晓. 基于树莓派和云平台的智能灌溉系统[J]. 计算机系统应用， 2022， 31（4）： 123-129.

Zhao Suhui， Chen Xiao. Intelligent irrigation system based on Raspberry Pi and cloud platform [J]. Computer System & Application， 2022， 31（4）： 123-129.

[9]谭燕， 秦风元. 基于Raspberry Pi的室内智能灌溉系统设计与研究[J]. 节水灌溉， 2019（7）： 105-108.

Tan Yan， Qin Fengyuan. Design and research of indoor intelligent irrigation system based on Raspberry Pi [J]. Water Saving Irrigation， 2019（7）： 105-108.

[10]许铭鋆. 基于Raspberry Pi的智能灌溉系统设计及其研究[D]. 广州： 广州大学， 2019.

Xu Mingyun. Design and research of intelligent irrigation system based on Raspberry Pi [D]. Guangzhou： Guangzhou University， 2019.

[11]刘振奎. 基于模糊控制的节水智能灌溉系统设计[J]. 安徽农学通报， 2021， 27（23）： 138-140.

Liu Zhenkui. Design of water-saving intelligent irrigation system based on fuzzy control [J]. Anhui Agricultural Science Bulletin， 2021， 27（23）： 138-140.

[12]尹起. 机器学习预测参考作物蒸散量在智能灌溉系统中的应用研究[D]. 乌鲁木齐： 新疆大学， 2021.

Yin Qi. Research on the application of machine learning to predict reference crop evapotranspiration in intelligent irrigation system [D]. Urumqi： Xinjiang University， 2021.

[13]谢佩军， 张育斌. 阻尼累加离散灰色预测的Smith预估智能灌溉系统[J]. 中国农机化学报， 2022， 43（8）： 158-165.

Xie Peijun， Zhang Yubin. Smith predictive intelligent irrigation system based on damping accumulated discrete grey prediction [J]. Journal of Chinese Agricultural Mechanization， 2022， 43（8）： 158-165.

[14]Badi H， Hamza A， Hasan S. New method for optimization of static hand gesture recognition [J]. IEEE， 2017： 542-544.

[15]吕孙云， 许银山， 熊莹， 等. 组合预测方法在需水预测中的应用[J]. 武汉大学学报（工学版）， 2011， 44（5）：565-570.

Lü Sunyun， Xu Yinshan， Xiong Ying， et al. Combined forecasting method for forecasting water demand [J]. Engineering Journal of Wuhan University， 2011， 44（5）： 565-570.

[16]Li Yujie， Zhongmin Liang， Yiming Hu， et al. A multi-model integration method for monthly streamflow prediction： Modified stacking ensemble strategy [J]. Journal of Hydroinformatics， 2020， 22（2）.

[17]Bo Qiuyu， Cheng Wuqun. Intelligent control of agricultural irrigation through water demand prediction based on artificial neural network [J]. Computational Intelligence and Neuroscience， 2021.

[18]张智韬， 许崇豪， 谭丞轩， 等. 基于无人机热红外遥感的玉米地土壤含水率诊断方法[J]. 农业机械学报， 2020， 51（3）： 180-190.

Zhang Zhitao， Xu Chonghao， Tan Chengxuan， et al. Diagnosis method of soil moisture content in corn field based on thermal infrared remote sensing of UAV [J]. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（3）： 180-190.

[19]张振华， 蔡焕杰， 杨润亚. 红外遥感估算春小麦农田土壤含水率的试验研究[J]. 农业工程学报， 2006（3）： 84-87.

Zhang Zhenhua， Cai Huanjie， Yang Runya. Experiment on estimating soil moisture content of spring wheat field with infrared remote sensing [J]. Transactions of the Chinese Society of Agricultural Engineering， 2006（3）： 84-87.

[20]鲍海波， 吴阳晨， 张国应， 等. 基于特征加权Stacking集成学习的净负荷预测方法[J]. 电力建设， 2022， 43（9）： 104-116.

Bao Haibo， Wu Yangchen， Zhang Guoying， et al. Net load forecasting method based on feature-weighted Stacking ensemble learning [J]. Electric Power Construction， 2022， 43（9）： 104-116.

[21]杨冰清， 高珊. 基于Stacking集成学习的蘑菇毒性判别研究[J]. 淮北师范大学学报（自然科学版）， 2022， 43（3）： 17-21.

Yang Bingqing， Gao Shan. A research on the toxicity of mushroom based on Stacking ensemble learning [J]. Journal of Huaibei Normal University （Natural Sciences）， 2022， 43（3）： 17-21.

[22]孙明喆， 毕瑶家， 孙驰. 改进随机森林算法综述[J]. 现代信息科技， 2019， 3（20）： 28-30.

Sun Mingzhe， Bi Yaojia， Sun Chi. A survey of improved random forest algorithms [J]. Modern Information Technology， 2019， 3（20）： 28-30.

[23]王锦程， 郁芸， 杨坤， 等. 基于BP神经网络的脑肿瘤MRI图像分割[J]. 生物医学工程研究， 2016， 35（4）： 290-293.

Wang Jincheng， Yu Yun， Yang Kun， et al. Brain tumor segmentation of MRI based on BP neural network [J]. Journal of Biomedical Engineering Research， 2016， 35（4）： 290-293.

[24]马志昂， 盖艾鸿， 程久苗. 基于BP人工神经网络的区域土地生态安全评价研究——以安徽省为例[J]. 中国农学通报， 2014， 30（23）： 289-295.

Ma Zhiang， Gai Aihong， Cheng Jiumiao. Evaluation on ecological security of regional land based on BP artificial neural Network： A case of Anhui Province [J]. Chinese Agricultural Science Bulletin， 2014， 30（23）： 289-295.

[25]曾津， 周建军. 高维数据变量选择方法综述[J]. 数理统计与管理， 2017， 36（4）： 678-692.

Zeng Jin， Zhou Jianjun. Variable selection for high-dimensional data model： A survey [J]. Mathematical Statistics and Management， 2017， 36（4）： 678-692

[26]王则玉， 谢香文， 刘国宏， 等. 干旱区绿洲滴灌成龄枣树耗水规律及作物系数[J]. 新疆农业科学， 2015， 52（4）： 675-680.

Wang Zeyu， Xie Xiangwen， Liu Guohong， et al. Jujube drip irrigation water consumption and its crop coefficient in oasis of arid areas [J]. Xinjiang Agricultural Sciences， 2015， 52（4）： 675-680.

[27]孙博瑞. 基于LSTM神经网络的智能灌溉系统开发[D]. 阿拉尔： 塔里木大学， 2022.

Sun Borui. Development of intelligent irrigation system based on LSTM neural network [D]. Alaer： Tarim University， 2022

[28]周少梁， 孙三民， 姚宝林， 等. 弥雾灌对枣园冠层环境和光合特性及产量品质的影响[J]. 农业机械学报， 2021， 52（5）： 249-257.

Zhou Shaoliang， Sun Sanmin， Yao Baolin， et al. Effects of mist irrigation on canopy environment， photosynthetic characteristics， yield and quality of jujube orchard [J]. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（5）： 249-257.