基于改进K-medoids算法的土壤墒情传感器布局优化

针对茶园土壤墒情传感器布局中传感器数量过多、数据冗余度过大的问题，采用改进的K-medoids方法，优化茶园土壤墒情传感器使用数量及部署位置。在保证茶园传感网络全覆盖的基础上，实时采集各传感节点数据；构造各传感器在不同天气条件下的时间序列数据，并运用三次样条插值法拟合成连续函数；应用谱排直法定义新的时间序列数据的距离函数替换K-medoids中的欧氏距离，将聚类中心作为最终的传感器布点；随机选取位置并采集土壤相对含水率以验证聚类中心作为传感器布点的代表性。采用改进前和改进后的K-medoids方法对2018-07—2018-08(试验Ⅰ)和2020-12(试验Ⅱ)采集的土壤墒情数据进行聚类。结果表明:1)改进的K-medoids将32个传感器减少到4个，改进前后簇中心墒情值与簇均值的相对偏差，试验Ⅰ由2.85%降到1.91%，试验Ⅱ由2.01%降到1.43%；2)改进K-medoids所得聚类中心相对含水率与试验区域平均值相近，相对偏差小于2%；3)以改进的K-medoids算法所得聚类中心作为起点的布点路径长度为82.4 m，使用8个传感器，优于改进前的106.5 m和10个传感器。基于改进K-medoids的布局方法能够优化传感器的数量和位置并且在不同天气条件下均适用。     

基于CART算法的茶园精准灌溉方法

针对茶园灌溉系统中灌溉时机与灌溉量难以确定的问题，以黄山太平地区猴魁茶园为研究对象，先利用CART算法对环境因子与灌溉之间的相关性进行分析，并与逻辑回归、支持向量机等预测模型进行对比，后采用Penman-Monteith公式等对灌溉量进行精确计算，再通过田间试验对本研究获得的灌溉方法进行验证。结果表明:1)地下20 cm、40 cm和地下60 cm处土壤湿度与灌溉之间的相关性最大，分别达到40.66%、12.74%、12.25%，因此，土壤湿度是判断灌溉时机最关键的环境因子；2)使用CART算法预测猴魁茶园的灌溉时机，其准确率、精确率、召回率、F1值较逻辑回归模型(Logistic Regression model)、支持向量机模型(Support vector machine model)分别提升了12%~16%、1.3%~1.4%、12%~16%、7%~9%；3)Penman-Monteith公式对灌溉量的计算结果表明，黄山太平地区猴魁茶园年灌溉量为200 ~500 mm，其中，夏梢期灌溉量最多，占全年灌溉量70%以上。田间试验结果表明该灌溉方法节水率达到30%~35%。因此，使用CART算法及Penman-Monteith公式所获取的灌溉策略对于该地区茶园精准灌溉有一定的借鉴意义。