淡水不是无限的。降雨量是不可预测的。植物并不总是渴的。

世界上只有3%的水可以饮用，超过70%的淡水用于农业。不必要的灌溉浪费了大量的水

——作物的用水量是它们所需水量的两倍；

——并且造成了含水层、湖泊和海洋的污染。

通过结合植物生理学、实时土壤条件和天气预报信息的预测模型有助于就何时灌溉和灌溉量做出更明智的灌水决策。根据康奈尔大学的新研究论文及其论文提出的方法可以节省更传统方法消耗的40%的水。

史密斯化学和生物分子工程学院能源系统工程教授冯琪尤说:“如果你有一个框架来连接大数据和机器学习的所有这些数据来源，我们就能让农业变得聪明。”。他是《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》论文的资深作者，该论文于5月份在美国电气与电子工程师协会控制系统技术IEEE电子刊物中在线发表。

斯特洛克说:“这些作物生长在加利福尼亚中央谷半干旱半荒漠环境中，消耗大量的水，如：每颗杏仁的消耗水量是一加仑水。”，“因此，在这种情况下，需要有一种方式来改善我们管理水资源的方式。”，他说，精确控制植物水分，还可以提高对水敏感的特种作物，如葡萄的品质。

论文的第一作者是尚超　Chao Shang，他以前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助理教授。

此前，斯特洛克的小组开发了传感器来确定植物何时缺水。但是光靠传感器是不够的，因为如果遇到降雨，种植者是不需要灌溉。他说，考虑到有天气预报很好，但还不是很理想，因为预报往往是错误的，而且因预报的不确定性，有时降雨可能大于预期降雨量。

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，以及树叶和土壤将大气中流失多少水的不确定性。这需要与描述土壤湿度变化的物理模型相结合。他们发现，整合这些方法会使灌水决策更加精准。

“我们必须运用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，然后我们试图对冲掉这种不确定性，”他说。这适用于预测降雨的时间和准确位置。

在这篇论文中，研究人员基于爱荷华州的草类作物进行了一项案例研究。他们发现控制系统预测使用的灌水量比采用其他方法少得多。

有一组学生目前正在康奈尔果园的盆栽苹果植物上安装基于该系统的阀门网络，以测试其对未来的用途。尽管纽约州和东北部的降雨量可能很丰富，仲夏干旱正变得越来越频繁，而且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。