干旱对作物可能是毁灭性的。例如，康奈尔大学和自然保护协会进行的一项调查显示，2016年夏季干旱导致纽约州非灌溉水果农场农作物损失近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的研究主要是针对现在气候条件，”斯特洛克说。“他们每天、每年夏天都在计量用水量。以一种非最佳的方式去做。”，这项研究的部分挑战是确定每种作物的最佳灌水方法，并确定从人工操作系统转变到自动化系统所需要的成本和获得的收益。因为苹果树相对较小，对降水变化反应迅速，所以可能并不需要几周或几个月的天气数据。杏仁树往往更大，适应速度更慢，可能需要长期的预测数据。

斯特洛克说:“我们需要评估控制策略的正确复杂程度，最复杂的可能并不是最有意义的。”。“手动开关阀门的专家非常优秀。如果有人提议打算投资新技术，我们必须确保自己比那些专家更优秀。”这项研究由康奈尔数字农业倡议资助。

《Robust Model Predictive Control of Irrigation Systems With Active Uncertainty Learning and Data Analytics》

《具有主动不确定性学习和数据分析的灌溉系统鲁棒预测控制模型》

论文摘要

针对灌溉系统的自动控制，提出了一种新的数据驱动鲁棒模型预测控制方法。基本思想是将描述土壤水分变化动态的机械模型和描述蒸散和降水预测误差不确定性的数据驱动模型集成到一个整体系统控制框架中。为了更好地获取不确定性分布的支持，我们采用了一种新的基于学习的方法，即从历史数据构建不确定性集合。对于蒸散量预测误差，采用基于支持向量聚类的不确定集，可以方便地从历史数据中建立。对于降水预报误差，我们分析了它们的分布对预报值的依赖性，并根据这类不确定性的性质进一步设计了一个定制的不确定集。这样，整个不确定性分布可以被详细描述，这最终有助于合理和有效的控制决策。为了保证数据驱动的不确定性集合的质量，使用训练校准方案来提供理论性能保证。采用广义仿射决策规则获得最优控制问题的可处理逼近，从而保证了DDRMPC的实用性。使用真实数据的案例研究表明，DDRMPC能够可靠地将土壤湿度保持在安全水平以上，避免作物遭受破坏。与微调开环控制策略相比，建议的DDRMPC方法使总用水量减少了40%。与仔细调整的基于规则的控制和确定性等效多点控制相比，所提出的多点控制方法可以显著降低总用水量，提高控制性能。