基于CART算法的茶園精準灌溉方法

苗犇犇 張 武,2* 王志鴻,3 馮金磊 王瑞卿 江朝暉,2 饒 元,2 金 秀,2

(1.安徽農業大學 信息與計算機學院，合肥 230036； 2.智慧農業技術與裝備安徽省重點實驗室，合肥 230036； 3.四創電子股份有限公司，合肥 230036)

安徽黃山太平地區茶園種植面積廣泛，是當地主要經濟作物，但目前人們仍多采用個人經驗進行澆灌，這一方面容易造成過度灌溉，浪費水源，同時，不合理的灌溉也會損害茶樹本身，造成產量下降等問題。另一方面，由于茶樹屬于區域性作物，不如小麥與水稻等作物種植面積廣，茶樹精準灌溉研究的關注度較低。因此運用人工智能技術開展茶樹的精準灌溉方法研究，改變人工憑經驗進行灌溉的傳統模式，這對提升茶葉產量、降低生產成本具有重要意義。

目前國內外主要從以下3個方面進行精準灌溉制度研究：1)分析環境與作物需水量之間的關系；2)使用作物灌溉模型進行仿真試驗；3)利用專家知識獲取灌溉規則。在分析環境與作物需水量之間的關系方面，Li等通過分析環境因素對灌溉水分生產力(Irrigation water productivity，IWP)變化的貢獻，確定最佳灌溉策略。Snchez-Molina等通過測量土壤濕度與作物灌溉之間的關系，確定合理的灌溉方法。Kourosh等通過監測土壤濕度及使用水平衡方程式計算土壤水分滲透率，從而獲取作物正常生長發育所需的灌溉量。朱小倩通過擴展的自回歸模型(Auto regressive models with external input，ARX)預測下一時刻的土壤濕度，隨后計算預測值與茶樹最佳生長時的土壤濕度差值，最終實現茶園的自動化控制。然而上述研究主要分析土壤濕度對灌溉的影響，忽略了其他環境因素與灌溉之間的關系，且其所使用的部分傳感器造價昂貴，不利于大面積推廣；在使用作物灌溉模型進行仿真試驗的研究方面，周始威等使用根區水質模型(Root zone water quality model，RZWQM)、王忠波等使用CROPWAT模型、邵光成等使用農業技術轉移決策支持系統(Decision support system for agrotechnology transfer，DSSAT)、邵東國等使用AquaCrop模型、馮紹元等使用標準加權平均降水量(Standard weighted average precipitation，SWAP)模型進行仿真研究。上述模型多通過往年環境數據模擬分配固定時間內的作物灌溉量，對于精準灌溉而言則缺少了一定的及時性；在利用專家知識獲取灌溉規則的研究上，蔣再揚等、戚迎龍等使用專家經驗等方式獲取最佳灌溉制度，魯旭濤等使用多種決策模型完成數據的處理，然后利用模糊控制完成作物精準灌溉系統的設計。然而，由于上述研究所使用的專家知識過于復雜，且不同作物之間專家灌溉決策所需要掌握的判斷尺度難以把握。

CART算法是一種使用二分遞歸分割技術構建預測模型的智能算法，該算法通過分析多種屬性與決策之間的關系，從而生成易于理解的規則進行預測，目前已被廣泛應用于節能降耗、醫學預測等多個領域。

因此，為解決黃山太平地區茶園精準灌溉問題中合理灌溉時機的問題，本研究擬以猴魁為研究對象，采用CART算法對土壤濕度、生長期、降雨量等9個屬性與灌溉需求之間的關系進行分析，并通過Penman-Monteith公式、有效降雨量公式等計算茶樹所需灌溉量，從而確定精準灌溉問題中的灌溉量，以期為黃山太平地區茶樹的精準灌溉提供合理的控制策略。

1 茶園精準灌溉系統的構成

本研究融合CART算法與作物理論灌溉量公式，在能夠獲取灌溉時機的同時保證獲得具體灌溉量。本算法流程主要包括2個部分，分別是CART預測灌溉模塊和作物理論灌溉量計算模塊。CART預測灌溉模塊利用數據之間的相關性構建相應的CART灌溉時機預測模型，其功能是獲取在何種情況下需要灌溉的灌溉規則，并且能夠輸出新樣本的預測結果。當輸出結果為需要灌溉時機，作物理論灌溉量計算模塊能夠提供相應的灌溉量范圍。其技術路線圖如圖1所示。

圖1 茶園精準灌溉系統算法技術路線圖Fig.1 Algorithm technology roadmap of tea plantation precision irrigation system

本研究首先利用往年數據構建CART預測模型，當新數據進入到CART預測模型后，模型會判斷當前條件下是否需要進行灌溉。當模型判斷當前條件下需要進行灌溉時，作物理論灌溉量計算模塊通過計算需水差值得到需要的灌溉量，從而最終實現茶園的精準灌溉。

2 試驗數據與方法

2.1 數據采集

數據來源于黃山市太平地區茶園物聯網系統及中國氣象局統計結果，采集2014年2月—2019年12月底茶園環境信息、土壤濕度以及土壤電導率等14個指標數據，共計26 160條數據(表1)。

表1中將用于精準灌溉的外界環境數據分別歸類到14個指標，并將每個指標的數據按一定的標準再進行分類，比如：以生長期為例，一共采集到2 114 d的數據，將這套數據再按照茶樹年生長發育期進行分類，從當年2月—次年2月，共計分為7類，分別是：越冬萌發期、第1次生長(春梢)期、第1次休止期、第2次生長(夏梢)期、第2次休止期、第3次生長(秋梢)期、休眠期。

表1 本研究所采用的14種外界環境數據
Table 1 Fourteen kinds of external environment data used in this study

指標Index樣本數Number of samples分類數Classification number生長期 Growing period2 1147天氣狀況 Weather condition2 11411地下20 cm處土壤濕度Soil moisture at 20 cm underground1 711113地下40 cm處土壤濕度Soil moisture at 40 cm underground1 548107地下60 cm處土壤濕度Soil moisture at 60 cm underground1 577111電導率 Conductivity1 64726光照強度 Light intensity1 839165降雨量 Precipitation2 11419風速 Wind speed1 7284平均空氣溫度 Average air temperature2 002121空氣濕度 Air humidity1 60673最高空氣溫度 Maximum air temperature2 114136最低空氣溫度 Minimum air temperature2 114112光照時長 Light duration1 93239

2.2 數據處理

由于自然環境因素及傳感器自身的因素會導致產生異常數據及殘缺數據，針對其中的異常數據，采用肖維勒準則進行判斷。該準則首先計算樣本中待測值與均值的絕對偏差，再將絕對偏差同對應倍數下的標準差做比較，從而判斷數據是否異常，具體公式如下：

(1)

(2)

式中：

H

為采集的樣本集合；

m

為樣本集合中樣本個數；max

H

為樣本集合

H

的最大值；min

H

為樣本集合

H

的最小值；為樣本集合

H

的均值；

S

為檢驗系數；

F

′為測量值的標準差。若max

H

或min

H

滿足上述公式，則認為其為異常數據，其中

m

=11，

S

=2

.

00。

針對公式(1)、(2)判斷而得的異常數據及殘缺數據，采用前后均值填充法進行修復，具體公式如下：

(3)

式中：

X

為數據集；為修復后的數據；

m

為其中異常數據或殘缺數據的位置；

n

為異常數據或殘缺數據前后數據的個數。根據上述方法修復異常數據及殘缺數據后，得到29 596條數據，其中

n

=5。

由于CART算法屬于有監督學習方法，需要對樣本進行標簽標記，因此本研究依據黃山市太平地區茶園物聯網系統下2018年12月至2019年12月底灌溉的記錄，結合茶樹種植專家知識、天氣狀況等屬性合理推測茶樹灌溉決策信息，并將茶樹灌溉決策信息與已有的灌溉次數信息共同構成茶園灌溉決策信息。樣本集以灌溉決策數據為標簽，屬性信息為輸入，本研究使用上述表1中的生長期、天氣狀況、地下20、40、60 cm處土壤濕度、電導率、光照強度、降雨量、平均空氣溫度9個屬性作為CART預測灌溉模塊的輸入。光照強度、降雨量、風速、平均空氣溫度、空氣濕度、最高空氣溫度、最低空氣溫度、光照時長8個屬性作為作物理論灌溉量模塊的輸入。

2.3 試驗方法

2

.

3

.

1

CART算法

CART算法使用Gini公式作為劃分模型中分支及節點的依據，具體公式如下：

(4)

式中：

K

為不同屬性的個數；

p

為屬于第

k

類的概率。

對樣本集合計算Gini值時的具體公式如下：

(5)

C

={(

x

,

y

)∈

C/F

(

x

)=

α

},

C

=

C

-

C

(6)

式中：

C

為樣本集合；

F

為

C

上某一可能值

α

；

C

和

C

為樣本集合

C

根據

F

分割形成的2個子樣本集合。

2

.

3

.

2

作物理論灌溉量計算方法

Penman-Monteith公式一般用于計算當前的蒸騰蒸發量ET，其原理是依據外界各種參數計算該環境下的蒸騰蒸發量ET，具體公式如下：

(7)

式中：

R

為作物表面凈輻射量,MJ/m/d；

G

為土壤通熱量密度,MJ/m/d；

T

為日平均溫度，℃；

e

為飽和條件下的水氣壓，KPa；

e

為實際條件下的水氣壓，KPa；

μ

為平均風速，M/s；

Δ

為飽和條件下的水氣壓與溫度的曲線斜率；

γ

為溫度計常數，KPa/K。作物實際需水量ET由蒸騰蒸發量ET與作物系數

K

相乘而得，具體公式如下ET=

K

×ET

(8)

中：ET為作物實際需水量，mm；

K

為作物系數；ET為作物理論需水量，mm。

有效降雨量測算EffP(Effective precipitation)由美國農業部土壤保持公式計算而得，具體公式如下：

當總降雨量<250 mm時,

EffP=

P

×(125-0

.

2

P

)

/

125

(9)

當總降雨量≥250 mm時,EffP=125+0

.

1

P

(10)

式中：EffP為有效降雨量，mm；

P

為實際降雨量，mm。

作物理論灌溉量IWR由作物正常生長的需水量與有效降雨量的差值計算而得，具體公式如下：

IWR=ET-EffP

(11)

式中：IWR為滿足作物生長所需的理論灌溉量，mm；ET為作物需水量；EffP為有效降雨量。

2

.

3

.

3

田間試驗方法

針對上述試驗獲取到的灌溉規則在安徽省黃山市六百里茶園進行現場試驗，試驗條件如下：試驗田為9°試驗區、20°試驗區、45°試驗區3塊不同坡度的茶樹種植區域，每塊區域長約630 m，寬約6 m，其中每塊區域中又劃分3小區域，分別進行茶樹不進行灌溉、茶樹人工灌溉和精準灌溉試驗，試驗田示意圖如圖2所示。

圖2 田間試驗區示意圖Fig.2 Schematic diagram of field test area

3 結果與分析

3.1 CART預測灌溉時機模型檢測

本研究將樣本集隨機按照7∶3比例劃分訓練樣本集和測試樣本集，使用CART算法建立精準灌溉系統中灌溉時機預測模型。為避免模型出現過擬合現象，本研究采用“預剪枝”的方法防止過擬合現象的發生。預剪枝是指在決策樹生成過程中，對每個節點在劃分前進行估計，若不能帶來決策樹的性能提升，則停止劃分。使用網格搜索對模型進行參數調優，獲得參數最優取值(表2)。

表2中Splitter為特征劃分點選擇的標準，一般使用“Best”或者“Random”作為標準。前者在特征的所有劃分點中找出最優的劃分點，后者是隨機的在部分劃分點中找局部最優的劃分點。Random_state為預設的隨機樹種子，表2中Random_state=28用于劃分數據集時，Random_state=40用于建模調參時，Max_depth為決策樹的最大深度，Min_samples_split為模型內部節點再劃分時，節點中包含的最小樣本數，Min_samples_leaf為葉子節點中樣本所包含的最少的數目，葉子節點最小的樣本權重和為Min_weight_fraction_leaf，Max_features為建立模型時模型中的特征數目。通過預剪枝構建模型后，構建模型的部分分支如圖3所示。

表2 CART灌溉時機預測模型主要參數最優取值
Table 2 Optimal value of main parameters of CART irrigation timing prediction model

參數Parameter最優取值Optimal valueSplitterBestRandom_state28Random_state40Max_depth5Min_samples_leaf1Min_samples_split2Max_featureNoneMin_weight_fraction_leaf0

圖3 CART模型部分分支圖Fig.3 Partial branch diagram of CART model

如圖3所示，該分支表示在起始節點上有254個樣本數據，其中分別包括了236個“不灌溉”類數據，18個“灌溉”類數據。分支下的1個葉子節點中包含142個樣本數據，其中分別包括了136個“不灌溉”類數據，6個“灌溉”類數據，此時的Gini值為0.088。Gini值低則說明節點內數據趨于一致，對應的規則具有更高的準確性，因此該節點以上的規則可作為合理灌溉的主要規則。

根據“灌溉”分支的數據，可以獲取在該數據下能夠合理進行灌溉的控制方式。從該決策樹的根節點開始一直到最后的葉子節點，其節點中的分支標準與路徑上的規則構成了本研究需要的結論。以上述圖3為例，在判斷茶樹是否進行灌溉的1條規則中首先考慮土壤濕度(20)(地下20 cm處的土壤濕度)的大小，其次考慮天氣是否屬于1(大雨)、2(中雨)、3(大雪)、4(小雨)等狀況以及土壤濕度(40)(地下40 cm處的土壤濕度)的情況。當傳感器采集到的信息滿足上述條件時，可以判斷當前需要進行灌溉。為了更直觀顯示各種屬性與是否需要灌溉之間的關系，對各種數據與是否需要灌溉之間的相關性繪圖表示，如圖4所示。

Ⅰ.生長期;Ⅱ.天氣狀況;Ⅲ.地下20 cm處土壤濕度;Ⅳ.地下40 cm處土壤濕度;Ⅴ.地下60 cm處土壤濕度;Ⅵ.電導率;Ⅶ.光照強度;Ⅷ.降雨量;Ⅸ.平均空氣溫度。Ⅰ, Growth period; Ⅱ, Weather condition; Ⅲ, Soil moisture 20 cm underground; Ⅳ, Soil moisture 40 cm underground; Ⅴ, Soil moisture 60 cm underground; Ⅵ, Electroconductibility; Ⅶ, Light intensity; Ⅷ, Precipitation; Ⅸ, Average air temperature.圖4 茶園外界環境與灌溉需求之間相關性Fig.4 Correlation coefficient between external environment attributes of tea plantation and irrigation demand

由圖4可見：在影響灌溉的屬性中，地下20 cm處土壤濕度對其影響最大，其次是地下40 cm、60 cm處土壤濕度以及天氣狀況和生長期，而平均空氣溫度和電導率對其沒有任何影響，因此后續可以不對該類數據進行采集，減少該類數據傳感器的部署，進一步降低生產成本。另外通過此圖可以了解到在決定是否需要灌溉時，應著重考慮地下不同深度的土壤濕度以及天氣狀況和生長期這些屬性。

本研究選用準確率(Accuracy)、精確率(Precision)、召回率(Recall)和

F

1值作為CART算法性能評價指標(表3)。表3中精確率為在模型預測是正常數據的所有結果中，模型預測對的比重。召回率表示在真實值為正常數據的結果中，模型預測對的比重。

F

1指標綜合精確率和召回率的產出結果，代表模型的性能高低。

F

1的取值0～1，1代表模型性能最好，0代表模型性能最差。

表3 CART算法性能評價指標
Table 3 Performance evaluation index of CART algorithm

指標Index公式Formula準確率AccuracyAccuracy=TP+TNTP+TN+FP+FN精確率PrecisionPrecision=TPTP+FP召回率RecallRecall=TPTP+FNF1值F1 valueF1=2×P×RP+R

注：TP表示預測正確的正例；TN表示預測正確的反例；FP表示預測錯誤的正例；FN表示預測錯誤的反例。
Note: TP, positive example of correct prediction; TN, counter example of correct prediction; FP， positive example of prediction error; FN, counter example of prediction error.

本研究為了驗證CART決策樹模型針對此類數據的預測能力，選取邏輯回歸模型(Logistic Regression)、支持向量機模型(Support vector machine)、隨機森林模型(Random Forests)進行對比分析。為保證參數選取的合理性，對支持向量機、隨機森林均使用網格搜索法進行調參。以隨機森林參數為例，其主要參數與CART參數一致，多出的n_estimators參數,即樹的個數設置為47。通過調參后性能對比結果(表4)顯示4種模型中支持向量機模型在此類數據中預測能力最差，其次是邏輯回歸模型，預測能力最好的是CART與RF模型。

表4 4種預測模型的灌溉預測性能評價對比
Table 4 Evaluation and comparison of irrigation prediction performance of four prediction models

預測模型Prediction model準確率Accuracy精確率Precision召回率RecallF1值F1 value邏輯回歸 LR0.8540.9770.8620.916支持向量機 SVM0.8160.9760.8230.893CART決策樹 CART0.9740.9900.9800.985隨機森林 RF0.9740.9900.9800.985

為了直觀顯示4種模型針對此數據的處理能力，現對4種模型繪制混淆矩陣圖，如圖5所示。圖5 中顯示，在109條測試集中包括102條不灌溉數據以及7條灌溉數據，以邏輯回歸模型為例，圖中表示在邏輯回歸模型中，預測值為不灌溉且真實值為不灌溉的條數為88條，預測值為不灌溉且真實值為灌溉的條數為2條，預測值為灌溉且真實值為不灌溉的條數為14條，預測值為灌溉且真實值為灌溉的條數為5條。對比4種模型的混淆矩陣結果，CART與RF模型處理該類數據的能力最優。綜上對比，本研究最終選用CART決策樹作為茶園預測灌溉的模型。

圖5 4種茶園灌溉預測模型的混淆矩陣圖Fig.5 Confusion matrix of four kinds of tea plantation irrigation prediction models

為避免模型產生過擬合現象，導致其在實際應用中使用效率低下，因此需要使用CART決策樹對往年數據進行預測，通過分析模型預測結果來判斷其是否適應于該地區預測灌溉的調控。具體步驟為調取該茶園物聯網系統中2014—2018年的歷史數據作為檢驗。將2014—2018年數據進行預處理后，輸入到CART模型中，最終輸出預測結果(表5)。

表5中顯示，依據CART模型預測的結果，2014—2018年5年間平均每年預測結果為需要灌溉的次數為12次左右，其中以越冬萌發期和秋梢期最多，平均需進行3～4次灌溉。這與吳丹研究發現滿足茶樹正常年所需水灌溉次數為8～13次吻合。因此可以使用CART決策樹模型預測后續的灌溉時機。

表5 猴魁茶園所需要灌溉次數預測結果
Table 5 Prediction results of irrigation times required for Houkui tea plantation

發育期Period2014年2015年2016年2017年2018年越冬萌發期Overwintering germination period32464春梢期Spring shoot stage31212第1次休止期First rest period21122夏梢期Summer shoot stage10001第2次休止期Second resting period10101秋梢期Autumn shoot stage22433休眠期Dormancy period21211

3.2 作物理論灌溉量模型檢測

當CART預測灌溉模塊判斷當前需要進行灌溉時，調取作物理論灌溉量計算模塊計算當前情況下的灌溉范圍。本研究以2019年為例，其具體結果如下所示：

1)蒸騰蒸發量ET的計算。

通過對黃山太平地區2019年氣候數據的計算得出具體的ET值。黃山太平地區2019年氣候數據基本信息顯示。該地區該年平均最低溫度為0.7 ℃，平均最高溫度為18.7 ℃，平均濕度為80%，這些表示該地區茶樹所處的生長環境適宜，除冬季需防范茶樹凍害，其余時節較適合茶樹進行生長。但由于該地區處于山區，多大風，其平均風速達到了463 km/d，因此該地區蒸發量較大。該地區平均日照時間為4.8 h，平均輻射量為13.9 MJ/m/d。通過計算得到該地區月ET在2.52～6.00 Mm/d，平均ET為4.22 Mm/d。

2)作物實際需水量ET的計算。

鑒于該地區茶園為多年生茶樹，通過聯合國FAO(聯合國糧農組織)-56推薦表中查詢其

K

c值為1.0，因此作物實際需水量ET與蒸騰蒸發量ET結果一致。

3)有效降雨量EffP的計算

月總降雨量數據來自于安裝在該試驗地區的氣象傳感器，有效降雨量通過美國農業部土壤保持公式計算而得。通過數據采集及計算可知，該地區茶園2019年總降雨量為2 094 mm，總有效降雨量為1 229 mm，月有效降雨量在16.73～167.94 mm，有效降雨量占降雨量的58.69%，其中以5月、6月、7月、8月降雨量最多，降雨量均在226 mm以上。10月、11月、12月降雨量最少，降雨量均在46 mm以下。這表明作物在秋冬季節更易出現缺水的狀況。另外本研究通過計算得知該地區2014—2018年平均ET與2019年間類似，這表明該地區外界環境較為穩定，但不同年份中降雨量存在差異，因此需要對不同年份的有效降雨量進行分析(表6)。

表6 2014—2018年間平均ET與有效降雨量
Table 6 Average ET and effective precipitation range from 2014 to 2018

年份Particular year平均ETO/(mm/d)Average ETO有效降雨量/mmEffective precipitation20144.1732.6～184.620154.2653.9～185.120164.3254.4～185.420174.1140.8～177.420184.2441.8～162.2

表6中顯示不同年份之間該地區ET平均變化程度在5%之內，但2014年、2016年、2018年、2019年之間該地區存在較大有效降雨量變化。因此需要綜合分析，以期提供準確的具體灌溉量。

4)作物理論灌溉量IWR的計算

通過查閱茶樹種植資料，茶樹在不同時期需水量的比例不同，其中以夏梢需水量最高，約占總需水量的37.5%，春梢及秋梢其次，約占總需水量的22.4%，越冬萌發期約占總需水量的10%，其余時期約占總需水量的7.7%。按該地區茶樹年需水總量為1 539 mm計算，結合近6年該地區降雨量推算茶樹不同時期灌溉情況(表7)。

表7 茶樹生長發育期內不同時期灌溉量
Table 7 Irrigation scale at different periods of tea growth and development

茶樹生長時期Tea growingperiod生長月份Growing month需水量/mmWater demand有效降雨量/mmEffectiveprecipitation茶園灌溉量/mmTea plantationirrigation灌溉次數Irrigationtimes春梢期Spring3月上旬—5月上旬Early March to early May345265～345 0～801～4夏梢期Summer6月上旬—7月下旬Early June to late July577217～377200～3600～1秋梢期Autumn8月中旬—10月上旬Mid August to early October345245～345 0～1002～5越冬萌發期Winter12月上旬—2月上旬Early December to early February150130～150 0～202～7其余時期Other time119 79～119 0～401～3

表7中顯示茶樹在越冬萌發期及秋梢期需要進行多次的灌溉，這可能是由于該時期降雨量較低，需要多次灌溉防止茶樹缺水，但由于茶樹在該時期需水量并不大，因此不需要進行大額灌溉，茶樹該時期灌溉量在0～100 mm。夏梢期降雨量雖高，但蒸發蒸騰量高且作物在該時期需水量較大，因此需要進行較大額灌溉，茶樹灌溉量在200～360 mm。

3.3 田間試驗結果

2021年2月—2021年5月，在安徽省黃山市六百里茶園進行現場試驗。其中精準灌溉區采用地下鋪管輸水方式進行灌溉，茶樹品種均為太平猴魁，灌溉水源均來自水庫，每塊區域內環境基本相同，9°試驗區、20°試驗區、45°試驗區試驗結果(表8)來自黃山太平地區六百里茶園基地。

表8 不同坡度下試驗區灌溉量及茶葉產量
Table 8 Irrigation amount and tea yield in the experimental area of different slopes

灌溉方式Irrigation method有效降雨量/mmEffectiveprecipi-tation坡度9° Slope 9°坡度20° Slope 20°坡度45° Slope 45°灌溉量/mmIrrigationamount節水率/%Watersavingrate鮮茶產量/kgFreshtea yield灌溉量/mmIrrigationamount節水率/%Watersavingrate鮮茶產量/kgFreshtea yield灌溉量/mmIrrigationamount節水率/%Watersavingrate鮮茶產量/kgFreshtea yield不進行灌溉No irrigation173.00.0—38.10.0—38.60.0—40.5人工灌溉Artificial watering173.0258.0—44.8266.0—47.3287.0—48.8精準灌溉Precision irrigation173.0176.431.644.3183.830.948.0187.434.749.1

由表8可知，茶樹如果不進行灌溉，則會影響茶葉的產量，而且精準灌溉較人工灌溉，在不影響產量的條件下，精準灌溉的需水量低于人工灌溉，節水率為30%～35%。本試驗說明基于CART算法的茶園精準灌溉方法的研究能夠滿足該地區茶樹需水要求，也能實現水資源的高效利用，符合精準灌溉的要求。

4 討論與結論

本研究從灌溉時機與灌溉量2個方面對安徽黃山太平地區茶園的精準灌溉方式進行綜合分析，初步闡明茶園精準灌溉系統中影響灌溉的關鍵屬性。一方面發現不同深度的土壤濕度對精準灌溉影響最大，這與Li等、Snchez-Molina等、Kourosh等、朱小倩認為土壤濕度與灌溉之間的關系最為緊密的結論相似，但是通過試驗發現天氣狀況與生長期同樣對灌溉有著重要的影響；另一方面通過預測得出該地區茶樹的年灌溉次數為12次，這與吳丹的研究得出的茶樹年需水灌溉次數為8～13次結論基本一致。

通過對當地氣候環境及降雨量分析后，發現茶樹夏梢期需補充的灌溉量達到200～360 mm，這與諶介國等研究認為茶樹僅在7月份灌溉需水量就達到176.2 mm的結論略有不同，這可能是由于長沙與黃山地區氣候條件不同所導致。同時針對田間試驗發現隨著坡度的上升，茶樹的產量也在逐步上升，后續可以增加坡度屬性進一步完善本研究。

本研究主要結論如下：

1)用CART算法與邏輯回歸、支持向量機等算法并進行對比預測茶樹灌溉時機，總體性能較好，準確率、精確率、召回率、

F

1值分別達到97.4%、99.0%、98.0%、0.985；

利用本研究構建的CART茶園預測灌溉模型與作物理論灌溉量模型計算得出茶樹在夏梢期需要補充的灌溉量最大，在秋梢期以及越冬萌發期需要進行多次小額灌溉，避免茶樹出現缺水情況。

2)田間試驗驗證發現精準灌溉較人工灌溉節水效果明顯，在保證產量的條件下，節水率達到30%～35%。