基于Stacking集成學習的棗樹智能灌溉系統設計與試驗

竇文豪 孫三民 徐鵬翔

摘要：南疆降雨量少，氣候干燥，農業用水緊張，水資源節約尤為重要，針對此問題設計一套智能灌溉系統。系統使用阿里云服務器作為上位機，樹莓派作為下位機，并搭建相應的操作頁面。根據Penman-Monteith公式中需要的氣象數據、過去7天需水量以及前1天氣象數據為輸入向量，作物需水量為輸出向量，構建基于隨機森林、BP神經網絡與嶺回歸的Stacking集成學習預測模型。結果表明Stacking集成學習預測模型擬合系數R²為0.973，且MAE、RMSE、MAPE三類誤差更小，Stacking集成學習預測模型預測效果更強。灌溉試驗中自動灌溉決策正確，系統運行穩定，為新疆地區農業提高水資源利用問題提供思路。

關鍵詞：棗樹；智能灌溉系統；Stacking集成學習；隨機森林；BP神經網絡；嶺回歸

中圖分類號：S274.2; TP183

文獻標識碼：A

文章編號：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

*基金項目：新疆生產建設兵團科技項目（2021CB021）；第一師阿拉爾市科技計劃項目（2022XX01）

第一作者：竇文豪，男，1999年生，山東德州人，碩士研究生；研究方向為灌溉排水理論與節水灌溉。E-mail： dwh0629@outlook.com

通訊作者：孫三民，男，1977年生，新疆阿拉爾人，博士，教授；研究方向為農業節水灌溉技術與理論。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

南疆地處亞洲大陸腹地，沙漠、戈壁面積占比高，氣候干旱，降水稀少，水資源短缺。受地理位置，氣候環境影響，主要以農牧業為主，農業用水占比高達97%^[1]。水資源是南疆經濟發展與生態環境保護的關鍵。南疆農業高效節水不僅需要推廣膜下滴灌、噴灌等節水技術，也要發展智能灌溉設備。

我國智能灌溉系統起步相對較晚，市面上智能化的灌溉系統較少，大多只依靠人工控制。國內外有大量學者對灌溉系統進行研究，楊文忠^[2]討論了農業節水灌溉的技術現狀與發展趨勢，得出一定要將信息技術與農業節水灌溉技術結合的結論。潘曉燕^[3]介紹了農業智能灌溉系統的基本組成。陳艷麗等^[4]設計了基于ZigBee的農業智能灌溉系統，但ZigBee傳感器組網范圍小，不適合農田大范圍搭建傳感器。程章翔等^[5]設計了基于NB-IoT的智能灌溉控制系統，NB-IoT技術具有廣覆蓋、連接設備數大的優勢，但對網絡要求極高，灌溉設備一般布設地點處于野外無法保證網絡要求。目前大多智能灌溉系統的核心控制器為單片機^{[6， 7]}，單片機開發周期短，但單片機速度慢、資源少且每次更新代碼都需要重新燒寫，相對麻煩。由此出現了以樹莓派為核心控制器的新一代智能灌溉系統^[8-10]，樹莓派是一種使用ARM內核處理器運行Linux系統的微型計算機，可以直接在本地進行編程、運行程序，連接上網后可以直接進行遠程操作，可以完成單片機很多無法完成的操作。近年來不少設計者也在系統中加入了基于機器學習、神經網絡、模糊控制、灰色預測等算法的需水量預測模型^[11-14]。但單一預測方法可能存在有效信息不充分的問題，其他信息被舍棄，不同的預測方法往往可以利用不同的有用信息^[15]。Stacking集成學習方法能將多個模型的規則進行結合并使用某種規則將初級學習器的結果進行再訓練^[16]。為保證預測的可靠與準確，本文使用Stacking集成學習方法，將隨機森林、BP神經網絡作為初級學習器，嶺回歸作為次級學習器進行綜合預測，且相對于傳統需水量預測增加影響因素，達到改善預測效果。

目前傳統灌水大都使用經驗法、水文法等估算法，在一定程度上是不準確的^[17]。紅外遙感技術可通過作物生理特征判斷作物土壤含水率與需水量^{[18， 19]}，可為使用者在節水灌溉上提供支持，但此技術精度不夠。為解決此類問題，本文將隨機森林、BP神經網絡與嶺回歸相結合。構建由數據采集模塊、控制模塊、灌溉模塊、云服務器與在線控制平臺組成的農業灌溉智能控制系統。

1 系統總體設計

智能灌溉系統主要包括數據采集模塊、控制模塊、灌溉模塊、云服務器與在線控制平臺，系統由太陽能模塊供電，系統框架如圖1所示。數據采集模塊使用空氣溫濕度傳感器、土壤溫濕度傳感器、土壤pH值傳感器、土壤EC值等多個傳感器來監測棗園空氣及土壤中各項數據信息，使用LoRa通訊Modbus協議來進行數據傳輸。控制模塊使用樹莓派作為上位機對傳感器所得數據傳輸至云端，同時可對電磁閥下達開關指令。灌溉模塊由水泵、電磁閥、流量計等構成，同樣使用LoRa通訊技術來進行數據傳輸。在線控制平臺可實時查看棗園各項傳感器數據以及控制電磁閥進行灌溉。

此系統以傳感器技術、物聯網技術、無線通信技術及人工智能技術為基礎，實現了對農田的實時環境監控功能，數據采集、傳輸與分析功能、智能預測需水量功能和遠程灌溉控制功能。

進行灌溉時系統首先通過數據采集模塊采集數據，數據通過LoRa通訊傳輸至控制模塊，控制模塊將數據上傳到云服務器并進行灌溉決策。系統根據土壤儲水量與Stacking集成學習預測模型預測值對比判斷是否需要灌溉。灌溉系統設備實物如圖2所示。

2 預測模型構建

2.1 Stacking集成學習算法

Stacking是目前機器學習領域熱門研究方向之一，是一種集合學習算法，主要包括兩種學習器，分別為初級學習器與次級學習器，此算法能將多個模型的規則進行結合并使用某種規則將初級學習器的結果進行再訓練。Stacking集成學習算法的預測效果基于學習器的選擇，初級學習器應選取預測效果好且具有差異性，即各學習器是由不同的預測模型組成^[20]。因為多個分類模型往往是不同的算法，所以其框架往往是異構的^[21]。本文構建Stacking集成學習算法結構如圖3所示。

2.1.1 隨機森林模型

隨機森林算法是一種基于決策樹的集成學習算法，具有很高的預測準確率，對異常值和噪聲具有很好的容忍度，而且不容易出現過擬合。隨機森林是以決策樹為基學習器的基礎上，由很多決策樹分類模型組合成的組合分類模型，每個決策樹分類模型都有投票權來選擇最優分類結果。隨機森林原理如圖4所示。D是樣本集，D₁、D₂、…、D_k分別是隨機抽樣后形成的決策樹^[22]。

2.1.2 BP神經網絡模型

BP神經網絡核心思想是利用已有結果的數據對網絡進行訓練，之后用訓練好的網絡模型對未知數據樣本進行輸出預測^[23]。BP神經網絡因具有良好的非線性映射能力、自學習和自適應能力，成為目前應用最多的神經網絡之一。BP網絡在訓練的過程中可以進行誤差反轉，在得到的輸出結果不滿足誤差要求時，輸出便會按著原來的通道進行反向傳播，重新訓練直到輸出滿足誤差要求為止^[24]。BP神經網絡模型結構如圖5所示，輸入層為X₁～X₄，Y為輸出向量。

2.1.3 嶺回歸模型

嶺回歸是回歸方法的一種，屬于統計方法。嶺回歸是帶二范數懲罰的最小二乘回歸。當輸入變量之間具有較強相關性時，利用最小二乘法進行擬合會造成較大偏誤。但這些變量彼此之間存在多重共線性，如果不能解決變量之間的多重共線性，研究結果會出現較大偏誤^[25]。

嶺回歸模型的損失函數為

J（W）=‖y-X_w‖²₂+γ‖W‖²₂（1）

式中：J（W）——損失函數；

y——預測值；

X——特征向量；

W——回歸系數；

γ——懲罰系數。

通過對被解釋變量參數進行壓縮，能有效解決解釋變量之間的多重共線問題，提高研究結果的穩健性。

2.2 模型搭建

2.2.1 數據來源

在進行棗樹需水量的預測時要結合棗樹生長的實際情況，氣象因素為棗樹需水量的主要影響因素。需水量計算如式（2）所示。

ET_C=ET₀×K_c（2）

式中：ET_C——作物需水量，mm/d；

ET₀——參考作物蒸散量，mm/d；

K_c——作物系數。

棗樹不同時期作物系數不同^[26]，萌芽展葉期K_c=0.86，開花坐果期K_c=1.36，果實膨大期K_c=1.22，果實成熟期K_c=0.83。

一般通過Penman-Monteith公式計算出作物蒸散量

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

式中：Δ——飽和水汽壓—溫度曲線的斜率，kPa/℃；

R_n——凈輻射，MJ/（m²·d）；

G——土壤熱通量，MJ/（m²·d）；

γ——干濕計常數，kPa/℃；

u₂——2 m處風速，m/s；

T——最高最低氣溫的平均值，℃；

e_s——飽和水汽壓，kPa；

e_a——實際水汽壓，kPa。

數據來自塔里木大學水利與建筑工程學院灌溉試驗基地棗園內氣象站2001年4月8日—9月30日氣象數據。選取參數除Penman-Monteith公式中的氣象因素外還增加7天前的需水量與前1天的氣象因素。表1為預測模型所選因素。

以棗園為例分析比較BP神經網絡、隨機森林預測模型與Stacking集成學習算法在需水量方面的應用。

2.2.2 模型預測

初級學習器BP神經網絡與隨機森林模型輸入值選取表1的19因素，此外構建Penman-Monteith公式中6因素的BP神經網絡與隨機森林模型，19因素與6因素兩類需水量模型進行對比，初級學習器輸出值為預測需水量。

BP神經網絡預測模型的訓練算法采用LM（Levenberg-Marquardt）算法，本文的樣本數據為3843組屬于中等規模數據，而LM算法在訓練中等規模的數據時訓練速度最快。傳遞函數選擇‘tansig函數，訓練函數選擇‘trainlm函數，學習函數選擇‘learngdm函數。迭代次數設置為1 000次，學習率設定為0.1，誤差精度設置為0.001。隱含層根據2N+1的確定方法^[25]來確定本文設定的隱含層為11。隨機森林模型根據數據樣本量，使用五折交叉驗證尋找最佳參數，決策樹數量設置為100，決策樹最大深度為14，葉子節點的最大數量為50，進行有放回的抽樣，將訓練數據導入模型中。

模型訓練好后選取2021年樣本數據對BP神經網絡、隨機森林模型進行預測需水量比較，結果如表2所示。表2中實際需水量由傳感器所得數據計算得出。

以直觀展示預測結果，將模型預測值與真實值進行線性擬合。圖6、圖7分別為19因素、6因素的需水量預測值與真實值擬合曲線。由圖6可知，19因素BP神經網絡R²為0.967，6因素BP神經網絡R²為0.79。由圖7可知，19因素隨機森林R²為0.965，6因素隨機森林R²為0.801。19因素的隨機森林、BP神經網絡預測模型R²均大于0.96，擬合信息充足，說明19因素的隨機森林與BP神經網絡預測模型效果都更好。

初級學習器的預測精度對于Stacking集成預測的性能有較大影響。19因素隨機森林、BP神經網絡都有較高預測精度，預測可靠性夠高，可作為初級學習器使用。將隨機森林、BP神經網絡預測需水量作為次級學習器輸入，建立Stacking集成預測模型進行預測。表3為Stacking集成學習預測模型預測部分結果。

同時建立Stacking集成學習預測模型擬合圖，顯示部分需水量預測值與真實值擬合曲線與R²，如圖8所示。由圖8可知，Stacking集成學習預測模型R²為0.973。

綜上，初級學習器的BP神經網絡擬合系數R²為0.967，隨機森林擬合系數R²為0.965，都滿足對需水量的預測情況，初級學習器的效果優秀，Stacking集成學習預測模型的擬合系數R²為0.973。三類模型擬合系數接近，因此增加平均絕對誤差MAE、均方根誤差RMSE、平均絕對百分比誤差MAPE三個衡量指標。三類誤差范圍都為[0，+∞），當預測值與真實值完全吻合時等于0，即完美模型；誤差越大，值越大。由表4可知，Stacking集成學習預測模型各誤差均小于BP神經網絡與隨機森林。綜合來看Stacking集成學習預測模型更適合用于棗樹的需水預測。

3 灌溉控制平臺搭建

為方便灌溉系統的遠程控制與實時監測，使用阿里云開發了對應的PC端與移動端的控制平臺^[27]，物聯網應用開發（IoT Studio）是阿里云針對物聯網場景提供的生產工具，包括Web可視化開發、移動可視化開發、業務邏輯等工具，具有可視化搭建、免代碼開發等優點。

3.1 PC界面設計

物聯網平臺PC端界面如圖9所示，分別顯示環境檢測，傳感器狀態，灌溉控制與設備定位四部分。環境監測部分可供用戶查詢果園中的實時環境數據；傳感器狀態部分可向用戶展示傳感器的工作狀態，以便快速發現損壞離線的設備；灌溉控制可讓用戶查詢模型預測出的作物需水量，實現用戶控制農田電磁閥遠程開關，且通過流量計來顯示已灌溉的水量與滴灌帶的瞬時流量；設備定位可使用戶直觀查看設備位置進行設備快速定位。

3.2 移動端界面設計

為解決操作人員不方便使用PC端界面查看農田環境信息與控制電磁閥灌溉問題，同時設計了移動端界面。移動端界面使用阿里云IoT Studio應用開發中的移動應用開發。移動端界面展示田間的環境信息及電磁閥遠程開關等功能。為方便操作人員使用，移動端設置為釘釘小程序，同時設置釘釘機器人提示自動灌溉電磁閥開關情況與各傳感器狀態。移動端界面如圖10所示。

4 灌溉試驗

系統搭建完成后，對其各部分進行測試。使用棗園內氣象站所得數據與數據采集模塊各傳感器對比，傳感器數據正常，同時傳感器數據采集與傳輸正常；使用搭建的PC端與移動端界面對電磁閥進行遠程操控，電磁閥的遠程控制開關可正常運行。控制平臺指令下達可做出正確反饋，得到預期效果。

灌溉試驗地位于阿拉爾市塔里木大學水利與建筑工程學院灌溉試驗基地棗園內，棗樹樹齡為10年，灌溉方式采用滴灌。灌溉時首先Stacking集成學習預測模型根據棗園所設傳感器采集的氣象數據進行需水量預測，預測值與土壤濕度傳感器所得土壤濕度計算出的土壤儲水量進行比較，當預測需水量大于土壤儲水量時系統判斷進行灌溉，當土壤濕度傳感器檢測到土壤儲水量大于預測需水量后，灌溉停止；當預測需水量小于土壤儲水量時則不進行灌溉。土壤儲水量計算如式（4）所示。

S=ρb×h×w（4）

式中：S——土壤儲水量，mm；

ρb——土壤容重，g/cm³；

h——土壤厚度，mm；

w——土壤濕度，%。

此次試驗中土壤濕度傳感器埋深為20 cm，所以h取200 mm；根據團隊前期試驗數據中得到試驗地土壤容重為1.43 g/cm^3[28]。系統灌溉試驗如表5所示。其中土壤儲水量由土壤濕度由傳感器獲得數據進行計算。

由表5可知，系統能夠正常工作，在土壤儲水量小于模型預測值時開始開啟灌溉；土壤儲水量大于模型預測值時不進行灌溉。

5 結論

1） 本文結合神經網絡與隨機森林的優點，設計基于Stacking預測模型的智能灌溉系統。以BP神經網絡與隨機森林為初級學習器，嶺回歸為次級學習器，建立Stacking預測模型。氣象因素和需水量作為初級學習器輸入，初級學習器輸出為嶺回歸輸入，經由嶺回歸最終輸出需水量。

2） Stacking預測模型擬合系數R²為0.973，MAE、RMSE、MAPE三類誤差也相對較小，說明Stacking預測模型準確性較高，可用于灌溉系統中。在灌溉試驗中系統各模塊均能正常工作，能夠根據預測值進行灌溉，開發的遠程操作界面能夠滿足各項操作要求，系統運行穩定。

參 考 文 獻

[1]劉建軍. 南疆地區水資源保障問題和對策分析[J]. 水資源開發與管理， 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]楊文忠. 農業節水灌溉技術現狀與發展趨勢探討[J]. 農業科技與信息， 2021（4）： 92， 97.

[3]潘曉燕. 物聯網技術的農業智能灌溉系統設計與應用研究[J]. 科學技術創新， 2021（26）： 176-177.

[4]陳艷麗， 謝芳. 基于ZigBee的農田智能節水灌溉系統的設計[J]. 中國農機化學報， 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的智能灌溉系統設計[J]. 集成電路應用， 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]藍宇， 黃中舟， 朱彥博， 等. 基于STM32和樹莓派智能灌溉系統的設計與實現[J]. 物聯網技術， 2021， 11（7）： 114-117.

[7]張吉圭. 基于STC15W單片機農田智能灌溉無線監控系統的實現[J]. 智慧農業導刊， 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]趙蘇徽， 陳曉. 基于樹莓派和云平臺的智能灌溉系統[J]. 計算機系統應用， 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]譚燕， 秦風元. 基于Raspberry Pi的室內智能灌溉系統設計與研究[J]. 節水灌溉， 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]許銘鋆. 基于Raspberry Pi的智能灌溉系統設計及其研究[D]. 廣州： 廣州大學， 2019.

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

[11]劉振奎. 基于模糊控制的節水智能灌溉系統設計[J]. 安徽農學通報， 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. 機器學習預測參考作物蒸散量在智能灌溉系統中的應用研究[D]. 烏魯木齊： 新疆大學， 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]謝佩軍， 張育斌. 阻尼累加離散灰色預測的Smith預估智能灌溉系統[J]. 中國農機化學報， 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]呂孫云， 許銀山， 熊瑩， 等. 組合預測方法在需水預測中的應用[J]. 武漢大學學報（工學版）， 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]張智韜， 許崇豪， 譚丞軒， 等. 基于無人機熱紅外遙感的玉米地土壤含水率診斷方法[J]. 農業機械學報， 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]張振華， 蔡煥杰， 楊潤亞. 紅外遙感估算春小麥農田土壤含水率的試驗研究[J]. 農業工程學報， 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]鮑海波， 吳陽晨， 張國應， 等. 基于特征加權Stacking集成學習的凈負荷預測方法[J]. 電力建設， 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]楊冰清， 高珊. 基于Stacking集成學習的蘑菇毒性判別研究[J]. 淮北師范大學學報（自然科學版）， 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]孫明喆， 畢瑤家， 孫馳. 改進隨機森林算法綜述[J]. 現代信息科技， 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]王錦程， 郁蕓， 楊坤， 等. 基于BP神經網絡的腦腫瘤MRI圖像分割[J]. 生物醫學工程研究， 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]馬志昂， 蓋艾鴻， 程久苗. 基于BP人工神經網絡的區域土地生態安全評價研究——以安徽省為例[J]. 中國農學通報， 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， 周建軍. 高維數據變量選擇方法綜述[J]. 數理統計與管理， 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]王則玉， 謝香文， 劉國宏， 等. 干旱區綠洲滴灌成齡棗樹耗水規律及作物系數[J]. 新疆農業科學， 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]孫博瑞. 基于LSTM神經網絡的智能灌溉系統開發[D]. 阿拉爾： 塔里木大學， 2022.

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

[28]周少梁， 孫三民， 姚寶林， 等. 彌霧灌對棗園冠層環境和光合特性及產量品質的影響[J]. 農業機械學報， 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.