基于實時質量的環境決策灌溉模型在設施基質藍莓種植的應用研究

TheApplicationResearch ofEnvironmental Decision IrrigationModel Based onReal-timeWeight inFacilitySubstrateBlueberryCultivationProcess

YAO Caihong1，LI Yang1，WANG Jianchun1，FENG Chengzhi2，BAI Yulong2，WANG Guoliang3 （1.TianjinAcademyofAgriculturalSiences，anjinO9Cina;2.stituteofgiculturalEconomicsndInfoatiosu AcademyofAclturaiesosa;ngfacholopyited，nj Abstract：Inresosetoprobeoflowintellgncendoorgationprecisioinfacilitsubstrateueberrultivatiooe， anenvirnmentaldecisionirigationmodelbasedonreal-timeweightwasproposedinthisstudytoensurethenoralgrowthofblue beyplantandsavewaterandfertlizer.Firstly，theweightof“plant+substrate”whichouldbegotbyautomaticweighingunit，was usedtoreplacetesubstratehumidityasthebasisforiigation，toavoidinaccuratehumiditydatafromsensorcausedbyunevenwater distributioninsbstrateandonlycollctingpartialsubstrateiformatioaroundsensor.Inotherords，thelinearrelationshipetwen theweightof“plant+substrate”andsubstratehumiditywasestablished.Sotheprecisionofiigationbasisasimproved.Secondlyan irigationmodelatablsdiifntgrowthagsoftuebithgatiosarttgtodiifr quency，andsingleirigationamountasfourkeyparameters，according tofivesetsofdata： the weightof“plant + substrate”，thevolumeof irigationeuent，enironmentaltmperature，lightintensityandpotosyheticallyactiveadiationhichwereobaindby multiplesenssistalldinetestingsite.Teigaonodelwasimplemnedroughteintellgtiaoncontrolsi nally，comparativeexperimentcrosingtentirebluebeygowthcycleasoductedtoomparetersultsofaterandfertiler consumption，plantgrowthstatusandfruityieldbetweeenvironmentaldecisioniigationmodelandtimedquantitativeiigationThe result showed that the overall water-saving rate using the environmental decision model increases by11.67 % .Compared with timed quantitativeiigation，theleafareaandfreshleafweightinearlyfruitingperiodwhichcouldacuratelyandcomprehensivelyreflcted theplant growth status in the group using the environmental decision model increased by 32.51% and 28.06% respectively.Meanwhile，the fruit yield as a key evaluation indicator for model effect increased by 12.9% . In conclusion， environmental decision irigationmodelis superior to timedquantitative irrigation in waterand fertilizer conservation and increasing production.

Keywords：oelpaealtht;otalisi;prgai;atetloi

藍莓果實肉質細膩，味道甜酸適宜，具有抗氧化、防止腦神經衰老、明目、預防癌癥、增強心臟功能等功效，已被聯合國糧食及農業組織列為“五大健康食品\"之一[-2]。藍莓為淺根系植物，根系不發達，無根毛，吸收能力差。研究表明，種植藍莓對生長環境要求極高，土壤條件直接影響藍莓產量和品質4。溫室栽培藍莓可以達到反季生產藍莓鮮果的目的，無土基質栽培可以根據藍莓生長條件調整基質相關物理性質，滿足藍莓生長要求，并且溫室基質栽培的藍莓鮮果品質更佳，從而可獲得更高的經濟效益。但現階段設施基質藍莓種植管理方式粗放，尤其是灌溉管理主要通過人為觀察、定時定量方式進行，較少考慮植株的生長狀態和設施的環境因素，存在忽視水分需求規律、不匹配設施內環境因子的現象，這不僅造成水資源浪費嚴重，還易引起藍莓枝條發育不良、葉片失綠，嚴重影響藍莓的產量和品質[6-7]。

為提高藍莓植株的水肥利用效率，減少人工勞動成本，推動整個行業智能化、自動化進程，國內外相關科技工作者在設施基質藍莓的灌溉管理上已開展了相關研究[8-]。楊富云等通過先進的數字化灌溉管理和動態作物模型分析技術找到四川地區水肥等因素與藍莓基質栽培高產優質的關系。Ortega-FariasSamuel等以地中海地區種植的兔眼藍莓為例，研究滴灌方式下不同灌溉水平對植株水分狀況、產量、果實品質、水分生產率的影響，但是沒有得出定量化的智能、精準灌溉模型。吳丹等[2和孟祥等[13]基于LoRa無線遠距離通信技術設計精準灌溉系統并應用于藍莓生長，但是得到的灌溉系統并未全面反映設施環境信息和藍莓植株生長狀態信息。因此，依據藍莓植株的生長狀態和設施環境因素建立智能、精準的灌溉模型，進而得出完整、定量的灌溉管理策略，這不僅填補了當前研究領域空白，也將是未來研究熱點。

目前，設施基質作物灌溉主要依賴濕度傳感器采集的數據判斷。當傳感器采集的數據低于設定值，灌溉開始；數據達到設定值，灌溉停止4。由于基質內水分分布不均、傳感器只能采集局部信息等原因，濕度數據不準確，嚴重影響灌溉精度[5。植株質量是作物整體水平的直接反映，也是評價作物生長的重要表型指標，一天內植株質量的變化多來自灌溉吸水與蒸騰散發，植株質量可間接表征基質濕度的變化情況。隨著物聯網、傳感器等信息技術的快速發展，通過質量傳感器和信息采集傳輸模塊構建的自動稱質量單元能夠實現植株質量的實時、連續采集，可以作為基質濕度精準獲取的新方式[18-19]。

綜上所述，針對設施基質藍莓灌溉管理中存在的智能化程度低、精確度差的問題，本研究將物聯網技術與傳感器技術結合，依托智能灌溉控制系統和自動稱質量單元，以設施環境因子為基礎，以實時質量為依據，以灌溉開始時間、灌溉結束時間、灌溉頻次、單次灌溉量4個關鍵參數建立環境決策灌溉模型，在藍莓生長不同階段設定不同初始參數，形成全生長周期灌溉管理策略。其中，為保證模型的準確性，將基質濕度用藍莓“植株 + 基質”質量代替，可以解決基質濕度測量不均、不準的問題，通過對照試驗比較定時定量方式和環境決策灌溉模型方式在節水節肥和增產增收方面的作用，為設施基質藍莓在不同生長期基于不同環境因子的生長模型提供理論基礎。

1材料與方法

1.1試驗場地

試驗在天津市藍莓種植溫室內進行，溫室長 75m 寬 15m ，脊高 5.5m ，種植藍莓270株，9株1行，共30行，行距 1.9m ，株間距 0.9m 試驗所用藍莓品種為綠寶石，采用無土基質栽培。試驗從花芽分化期開始，果實全部采收完畢結束，時間為6個月左右，分為花芽分化期、葉片生長期、開花期、盛果期4個階段，每個階段的天數分別為35、40、45、45d。利用對照試驗驗證模型效果，選取6棵藍莓植株分別作為對照組、試驗組，兩組采用同一種肥液配方灌溉，對照組采取的灌溉方案如下：每株藍莓從10：00開始灌溉，每 0.5h 灌溉1次，每次灌溉量為 250mL ，共計10次，試驗組根據環境決策灌溉模型進行灌溉。

1.2試驗準備

將相關傳感器、流量計、電磁閥布置于試驗組中，質量傳感器采用S型拉力傳感器，分辨率為 1g 量程為 30kg ，通過支架將藍莓植株和基質懸掛于空中（距離地面 20cm ），光合有效輻射傳感器與空氣溫度光照傳感器放置于支架頂端，共同構成自動稱質量單元。流量計和電磁閥放置于植株所在行的北側，控制單次灌溉量和灌溉頻次，液體體積傳感器放置于植株所在行的南側，測量排出灌溉液體積。液體體積傳感器與中心控制器共同構成智能灌溉控制系統。

因一行有9株藍莓植株，并且灌溉模型是以單株為例構建，故灌溉模型得出的單次灌溉量乘以9為流量計通過肥液量，液體體積傳感器獲取數值除9為每株排出量。傳感器每隔 10min 將采集的信息數據上傳至中心控制器，用于灌溉模型的構建，采集的溫度、光照強度、光合有效輻射、實時質量、排出液體積數據均為當前環境條件和植株生長狀態下的實時數據。實際安裝效果如圖1所示。同時，中心控制器通過4G傳輸方式將采集的環境信息與灌溉模型信息上傳至藍莓生長全周期數字化管理系統，供用戶在智能端查看、修改，完成對藍莓生長過程的管理。數字化管理系統界面如圖2所示。

1.3試驗方法與儀器

灌溉模型研究與植株蒸騰作用密切相關，灌溉肥液被藍莓植株吸收后，除一部分通過光合作用合成糖外，剩余部分則被植株蒸騰作用消耗，蒸騰作用與溫室內溫度、光照度、光合有效輻射等環境信息緊密相關。試驗總體設計按照數據收集、分析和應用三個步驟進行，在數據收集步驟采集的信息包括“植株 + 基質\"質量、排出液體積、溫度、光照強度、光合有效輻射量5項。利用傳感器技術與物聯網技術，將采集的信息上傳至中心控制器。由中心控制器分析處理信息，明確數據信息與灌溉開始時間、灌溉結束時間、灌溉頻次、單次灌溉量之間的定量關系，建立灌溉模型，完成數據分析步驟。灌溉模型建立后，智能灌溉控制系統按照灌溉模型指揮現場的電磁閥與流量計實施灌溉；灌溉結束后，流量計將當天累計灌溉量上傳至數字化管理系統，完成數據應用步驟閉環。整體框架如圖3所示。

灌溉模型的實現須依賴于智能灌溉控制系統，智能灌溉控制系統的核心部件即中心控制器，中心控制器也是灌溉模型建立的關鍵部件，為本研究自主研發設計，其核心芯片為STM32F103RCT6，功能穩定，價格低廉，能夠完成采集信息的處理、灌溉模型的建立與數字化管理系統通信，同時驅使電磁閥和流量計按照灌溉模型執行灌溉操作。中心控制器硬件電路圖如圖4所示。

1.4建立模型

基于實時質量的設施基質藍莓環境決策灌溉模型的建立包括兩個步驟。第一步，利用實時質量替代基質濕度并作為灌溉依據，即建立基質濕度與實時質量之間的關系。第二步，根據采集的環境信息和植株生長信息，建立采集信息與灌溉開始時間、灌溉結束時間、灌溉頻次、單次灌溉量之間的定量關系，形成灌溉模型。

1.4.1建立基質濕度與實時質量之間的關系將購置基質反復沖洗，直至洗凈基質中的鹽分，此時基質滿足定植條件，可以定植。選取部分洗凈的基質烘干至恒質量，并分為質量相等的45組，質量記為SubWei，試驗重復3次，每15組為1次。每次試驗步驟如下：（1）選取15株長勢相同的藍莓植株移植到基質中并作為試驗對象，此時“植株 + 基質”質量記為SBBWei；（2）向15組試驗對象中分別加入不同質量的肥液 WWei₁"WWei₂...WWei₁₅"，待穩定后測量15個試驗對象的質量，記為SBBWei， SBBWei₂.. ：SBBWei₁₅"，此時基質濕度Humi分別為 WWei₁/ SubWeix 100% ，WWei/SubWeix100%...WWeij5SubWeix100% ；（3）將3次重復試驗中15組試驗對象的“植株 + 基質”質量平均值作為最終結果，數據如表1所示。以“植株 + 基質”質量 SBBWei_i（i=1…15） 為橫坐標，基質濕度 Hum_i（i=1...15 為縱坐標建立曲線，曲線圖如圖5所示。

1.芯片STM32F103RCT6；2.4G通信模塊；3.信息采集傳輸模塊；4.灌溉控制模塊。

為保證45個試驗對象繼續正常生長，對灌溉不足的試驗對象繼續進行灌溉，記錄第2天（作為對照試驗第1天6：0045個試驗對象的質量平均值（ 15.72kg ，記為 SBBWei_1-0 ，其對應的基質濕度為試驗過程中的灌溉初始值。

去掉表1中序號為12、13、14、15的試驗數據后，本研究發現，基質濕度與“植株 + 基質”質量存在線性關系，具體表達式如下：

Hum=15×SBBWei-222.02

式中，Hum為基質濕度；SBBWei為“植株 + 基質”質量，此時線性相關系數為 0.999 。隨著生長周期的推進，“植株 + 基質”質量逐漸增加，線性關系需要修正。試驗過程中，前1天灌溉結束時間至第2天灌溉開始時間間隔一般大于 12h ，因此筆者認定每天6：00基質濕度保持一致，同一時間“植株 + 基質\"質量增加量為藍莓植株的生長量，公式（1）修正為公式（2）。

Hum_j=15×（SBBWei_j-?BBWei_j）-222.02 （2）式中，j為第二步對照試驗開始天數； Hum_j 為第j天基質濕度；SBBWe為第j天“植株 + 基質”質量； abla BBWei為第j天6：00“植株 + 基質”質量與第1天6：00\"植株 + 基質\"質量 SBBWei_1-0 之差，即j天后藍莓植株的生長量。

1.4.2建立灌溉模型參量與采集信息之間的關系根據藍莓植株的灌溉需求，將灌溉模型分為灌溉開始時間、灌溉結束時間、灌溉頻次、單次灌溉量4個參量，并與“植株 + 基質”質量、溫度、光照度、光合有效輻射建立定量關系。同時，灌溉排出液體積與灌溉需求息息相關，若當天灌溉排出液體積大于0時，需調整灌溉模型的單次灌溉量。灌溉模型參量與采集信息關系如圖6所示。

灌溉開始時間是指一天內首次灌溉時間，不同天氣下灌溉開始時間不同。具體來說，灌溉開始時間與溫室內溫度、光照強度因素相關。灌溉結束時間是指一天內最后一次灌溉的時間，灌溉結束時間同樣與季節、天氣相關，以光合有效輻射值確定灌溉結束時間。花芽分化期，當光照強度達到 20000lx 且溫度達到 18^°C 時，開始灌溉；當光合有效輻射為0時，不再灌溉。葉片生長期，當光照強度達到15000lx且溫度達到 15^°C 時，開始灌溉；當光合有效輻射為0時，不再灌溉。開花期、盛果期光照強度、溫度、光合有效輻射數值分別為 10000lx.10‰ 15000lx?15^°C?0W?m^-2 。以上數值為前期研究發現的最適宜數值，將以上數值作為初始參照值輸入模型，在生產過程中，人們可根據實際需求更改數值。

灌溉頻次是指灌溉開始至灌溉結束期間灌溉的次數，單次灌溉量是指開啟當次灌溉后所需的灌溉肥液量，灌溉頻次與單次灌溉量不固定且存在關聯，均以“植株 + 基質”質量為基準。在藍莓生長的整個周期內，一次灌溉后，若“植株 + 基質”質量下降值大于或等于上次灌溉量的 50% 時，即可開啟下一次灌溉，直至灌溉結束時間，以此來確定灌溉頻次。需要說明的是， 50% 灌溉量同樣為前期研究發現的最適宜參照值。

藍莓根系為須根系，要求疏水、透氣的土壤環境，并且不同生長階段最適宜的濕度環境要求不同，所以本研究假設試驗第 j 天最適宜的基質濕度為Hum_j-best ，根據公式（2）得出對應的“植株 + 基質”目標質量公式如下：

SBBWei_j-bast=[（Hum_j-best+222.02）/15+?BBWei_j]（3） 式中， SBBWei_j-best 為試驗第j天\"植株 + 基質”目標質量值； ablaBBWei_j 為j天藍莓植株生長量。將自動稱質量單元獲取的試驗第j天6：00“植株 + 基質”質量記為 SBBWei_j=0 ，試驗j天植株生長量公式如下：

?VBBWei_j=SBBWei_j-0=SBBWei_j-0 （4）式中，SBBWei-o為第1天6時\"植株 + 基質\"質量。單次灌溉量以排出液體積大于0的時間點為分界點，分階段進行。分界點之前，排出液體積為0時，單次灌溉量 Irr_j-before 如下：

Irr_j-before={SBBWei_j-best-SBBWei_j-start}/4 （5）式中， SBBWei_j-best 為灌溉開始時間對應的“植株 + 基質”質量，由自動稱質量單元獲得。依據“少量多次”的原則，達到目標質量值前，最少灌溉次數的經驗值為4次。分界點之后，排出液體積不為0時，單次灌溉量 Irr_j-after 公式如下：

Irr_j-after=[SBBWei_j-best-SBBWei_j-open] （6）式中， SBBWei_j-open 為本次灌溉開啟時對應的“植株 + 基質\"實時質量，由自動稱質量單元獲得。

綜上所述，通過建立灌溉開始時間、灌溉結束時間、灌溉頻次、單次灌溉量4個參數與環境因子、質量信息之間的關系，本研究構建了基于實時質量的設施基質藍莓環境決策灌溉模型。

2 結果與分析

2.1 灌溉模型分析

試驗進行40d后，選取試驗組任意一棵進行灌溉模型展示，此時植株處于葉片生長期。依據模型可知，當光照強度達到 15 000ls 且溫度達到15°C 時，開始灌溉；當光合有效輻射為 0W?m^-2 時，不再灌溉。表2展示了幾個重要時間點采集的信息數據，當天溫室內溫度、光照強度、光合有效輻射實時數據曲線如圖7所示。“植株 + 基質”質量變化曲線如圖8所示。排出液體積變化如圖9所示。

Fig.7Thedata curve chartof temperature，light Intensityand photosynthetically active radiation

由圖7可知，溫度、光照、光合有效輻射變化趨勢基本一致。結合表2可知，7：20光照強度開始大于0，卷被打開后太陽升起，溫度逐漸上升，8：10溫度數值為 15.8^°C ，首次大于 15^°C ，光照積累到一定程度后，8：40光照強度為 16 062lx ，首次大于15 000lx，8：50 光合有效輻射為 1.5W?m^-2 ，開始大于0。14：50光合有效輻射再次降為0，此時雖然光照強度數據較高，但溫度逐漸下降。依據前文灌溉模型，本研究發現，灌溉開始時間為8：40，灌溉結束時間為 14：40 此結果與圖8中“植株 ⁺ 基質”質量開始增加的時間和最后一次質量達到峰值的時間一致。

由圖8可知，“植株 + 基質”質量數據曲線呈現鋸齒形，共計出現15個極大值點。結合表2，按時間順序分析，日出之后至灌溉開始時間之前，即7：20—8：40，因植株蒸騰作用、光合作用，整體質量對比夜間出現明顯下降，最低值為 16.4kg（8：00） 。每次灌溉后，質量出現一次極大值，并且從第1次灌溉開始，整體質量逐漸上升，直至出現排出液。由圖9和表2可知，12：00出現排出液，體積為 2.79mL ，質量達到當天最大值（ 17.24kg 。依據前文灌溉模型，本研究發現，當天灌溉頻次為15次，12：00為分界點。其中，分界點之前，灌溉頻次為7次；分界點之后，灌溉頻次為8次。

從表2得出，6：00\"植株 + 基質\"質量 SBBWei40-0為 16.66kg;8：00 “植株 + 基質\"質量 SBBWei_40-stan 為16.4kg 。前文中，第1天6：00“植株 ⁺ 基質”質量SBBWei_l-0 為 15.72kg 。依據公式（4）可得，當天植株生長量 BBWei₄₀ 為 0.94kg 。本試驗所選用基質包括土壤、草炭、有機肥、混合椰糠等，葉片生長期最佳基質濕度為 25% 。依據公式（3）可得，當天目標質量值SBBWei_40-best 為 17.4kg 依據公式（5）可得，分界點之前單次灌溉量 Irr_40-before 為 0.25kg 。依據公式（6）可得，分界點之后，單次灌溉量與實時質量相關，約為0.1kg 。

流量計可以顯示通過管道的瞬時流量和累計流量，用于單次灌溉量的控制，并于灌溉結束時間后上傳當天累計灌溉量。為保證數據的獨立性，液體體積傳感器累計數據和流量計累計數據于當日24：00清零，根據流量計上傳數據可知，當天灌溉量共計 2.35kg

2.2灌溉模型結果驗證

以生長過程中肥液消耗量、植株生長狀態和果實產量3項指標表征灌溉模型效果，其中植株生長狀態以葉面積、葉片鮮質量代表。

2.2.1肥液消耗量為驗證灌溉模型在節約肥液上的作用，選取10月、11月、12月、1月、2月、3月某一天試驗組與對照組6棵植株肥液平均消耗量數據，并畫出曲線，如圖10所示。

由圖10可知，試驗組在整個生長周期內用肥量先下降后略有回升，整體呈下降趨勢，日用水量平均值分別為 2.68，2.35，2.10，1.97，2.2，1.95L ，對比對照組肥液消耗量日均 2.5L ，分別下降 -7.2% ） 6.00% 、16.00%.21.2%.12.00%.22.00% 。整體來看，在整個生長周期內，環境決策灌溉模型節水率達到 11.67% ，試驗組用水量遠低于對照組，實現了節水節肥。

藍莓植株在花芽分化期生長較快，并且10月溫室內溫度偏高，植株需水量較大，試驗組根據植株質量變化和溫室環境灌溉，所用灌溉量大于對照組。11一12月中旬為葉片生長期，但此期間外界溫度有所降低，整體用水量較花芽分化期減少，灌溉量低于對照組。12月中旬一1月底為藍莓植株開花期，因植株營養生長已完成且溫室內溫度較低，此時用水量更低。2一3月為盛果期，用水量較開花期略微升高，用于形成果實水分。

2.2.2植株生長狀態葉子是植物的重要組成部分，植物光合作用、蒸騰作用、呼吸作用都離不開葉子。研究表明，在一定的范圍內，作物產量隨著葉面積指數的增大而提高，采用植株葉片面積和葉片鮮質量表征植株生長狀態。2月1日處于盛果期，葉片生長已完成，選取試驗組與對照組6棵植株，對比葉片面積、葉片鮮質量的平均值，對比圖如圖11所示。

試驗組3株植株的平均葉面積為 2.69m² ，平均葉片鮮質量為 686.9g ，對照組3株植株的平均葉面積為 2.03m² ，平均葉片鮮質量為 536.4g 。對比結果表明，葉片面積、葉片鮮質量分別增加 32.51% ，28.06% ，試驗組植株生長狀態優于對照組。

2.2.3果實產量果實產量是灌溉模型好壞的重要評價指標。盛果期采取試驗組、對照組果實采收并稱質量。結果表明，試驗組每株藍莓產量約為 3.5kg 對照組每株藍莓產量約為 3.1kg ，試驗組果實增產12.9% 。

綜上，試驗組在肥液消耗量、植株生長狀態、果實產量方面均優于對照組。

3討論與結論

3.1討論

與對照組使用的定時定量灌溉方式相比，環境決策灌溉模型的4個參量均表現出不同變化。灌溉開始時間更早，灌溉結束時間更晚，上文中展示的灌溉模型時間為11月上旬，此時天氣未轉冷，10：00（定時定量方式灌溉開始時間）之前，設施內溫度、光照度已達到參照值，滿足開始灌溉條件，14：30（定時定量方式灌溉結束時間）之后，設施內環境滿足繼續灌溉的條件。灌溉頻次更多，單次灌溉量更低，累計灌溉量更低，多次灌溉縮短了基質實際濕度與最適宜基質濕度之間的差距，實際濕度向最適宜基質濕度靠近或者圍繞其波動，從而使得單次灌溉量降低，累計灌溉量低于定時定量灌溉。環境決策灌溉模型可依據植株生長需求和設施內環境變化情況將適量灌溉肥液更均勻、更精準地施到植株生長基質中，保證植株更長時間處于適宜生長的狀態。這種長時段、少量多次的灌溉方式可以提高水肥資源利用率，保持藍莓根系環境的透氣性，更有利于植株生長。

與前人提出的智能化、自動化灌溉模型相比，環境決策灌溉模型有3點不同之處。第一，該模型摒棄了基于WTLAB等軟件的復雜模擬算法，將采集的信息與灌溉模型建立較為清晰簡潔的數學關系，應用效果更貼近實際生產情況。第二，溫室設施是一個包含多個學科專業，可以將它比作一個復雜的多因素控制系統，具有參數多、多因素耦合控制的特點2。環境決策灌溉模型采集的信息量不僅包括前人研究中常用的環境信息參數，還包括實時質量、灌溉排出液體積，更全面地考慮了植株生長狀況和灌溉后反饋信息，模型更貼近于溫室設施控制系統，灌溉精準度更高。第三，人機互動性良好，輸入參量可調。前人提出的智能化、自動化灌溉模型可以達到省時省力的效果，但溫室環境變化性大，易受外部天氣情況影響，有時需要人工干預。環境決策灌溉模型中部分參照值為經驗所得，在種植過程中，可利用數字化管理系統人為修改，避免極端天氣下智能化、自動化灌溉模型產生的損失。

3.2 結論

因基質種植脫離土地，灌溉管理作為設施作物獲得能量來源的重要途徑是研究中不可忽略的部分。采用設施基質種植方式的藍莓在國內應用的時間并不長，其灌溉管理還存在很多研究空白，智能化、精準化管理策略尚未形成。本研究基于智能灌溉控制系統和自動稱質量單元，利用實時質量、排出液體積、設施環境溫度、光照強度和光合有效輻射信息5項參數的實時數據在藍莓不同生長階段建立了以灌溉開始時間、灌溉結束時間、灌溉頻次、單次灌溉量為關鍵參量的灌溉模型，通過設定不同初始參數，形成了全生長周期灌溉管理策略。研究表明，空氣溫度、光照強度、光合有效輻射3項數值決定了灌溉開始時間和灌溉結束時間，溫度越高，光照強度越強，灌溉開始時間越早，光合有效輻射數值越大，灌溉結束時間越晚。如花芽分化期處于初秋，因設施內外溫度、光照強度、光合有效輻射數值較大，一天內整體灌溉時長略長于其他生長期，日灌溉量偏大。植株本身的生長狀態以實時質量表征，實時質量的變化決定了單次灌溉量和灌溉頻次。藍莓不同生長階段最適宜的濕度不同，目標質量也不同。目標質量越大，實時質量越小，單次灌溉量越大。排出液體積不為0，表示當前植株已達到相對適宜狀態，此后單次灌溉量應減小，灌溉頻次應增加。環境決策灌溉模型可以保證藍莓植株盡早且穩定處于適宜的濕度狀態，有利于植株生長發育。最后，將模型應用于在實際生產中，通過對照試驗得出環境決策灌溉模型在節水節肥和增產增收方面均優于定時定量灌溉的結論。

參考文獻：

[1]徐立鴻，劉輝輝，徐赫，等.南方藍莓智能溫室促早熟生產多因子協調控制技術[J].智慧農業（中英文），2021，3（4）： 86-98.

[2]張真真，邱立軍，郭衛東.無土栽培技術研究現狀及在藍莓上的應用進展[J].現代農業科技，2022（2）：62-64.

[3]LIULQ，FUWQ，MAYY，etal.DraftgenomeofpinnematodeParatylenchusprojectusrecoveredfromrhizosphereofblueberry[J].Parasitesamp;Vectors，2025，18（1）：77.

[4]郭宇航，邢琳，葉振風，等.不同追肥對基質栽培藍莓生長、產量和品質的影響[J].中國南方果樹，2023，52（5）： 184-187， 195.

[5]楊玉春，王興東，魏鑫，等.溫室藍莓基質栽培技術[J].農業科技通訊，2023（4）：229-231.

[6]卞東超.溫室藍莓智能水肥一體化系統設計及性能試驗研究[D].青島：青島理工大學，2022.

[7]喬建磊，張沖，徐佳，等.加氣滴灌對日光溫室藍莓葉綠素熒光特性的影響[J].灌溉排水學報，2017，36（12）：14-19.

[8]辛世杰，蘇鵬，丁風強.滴灌技術在黃島地區藍莓種植中的應用[J].農業科技通訊，2020（7）：325-328.

[9]沈建煒.基于物聯網技術的藍莓園智能灌溉系統設計[D].鎮江：江蘇大學，2019.

[10]楊富云，韋獻雅，潘霞，等.藍莓智能水肥一體高效綠色基質盆栽技術研究進展[J].四川農業科技，2024（12）：71-74， 82.

[11] ORTEGA -FARIAS S， ESPINOZA -MEZA S， L？PEZ -OLIVARI R，etal.Effectsof different irrgationlevelsonplantwaterstatus，yield，fruit quality，andwaterproductivity in a drip-irrigated blueberry orchard underMediterranean conditions[J].Agricultural Water Management，2021，249： 106805.

[12]吳丹，劉永華，吳玉娟.基于LoRa和SVM-Markov的藍莓園精準灌溉系統研究[J].中國農機化學報，2022，43（11）： 203-208， 215.

[13]孟祥，趙瑩，徐卓威，等.基于LoRa技術的農田智能灌溉系統設計[J].中國農機化學報，2023，44（9）：161-168.

[14]梁新書，廉曉娟，李友麗，等.基于自動灌溉模式的日光溫室黃瓜土壤水分參數設定[J].天津農業科學，2022， 28（6）： 61-65.

[15]腰彩紅，李揚，王建春，等.溫室草莓精準灌溉系統的設計與試驗[J].河北農業大學學報，2024，47（6）：17-23，39.

[16] WANG X T， SHI JL， SUN S K，et al. Understandingcomplex process sensor signal may be the source for deeplearning：A smart IoT delvinginto a tomato weight sensor[J]. Computers and Electronics in Agriculture，2025，231：110012.

[17] JIANG J S，KIMHJ，CHO WJ. On-the-go imageprocessing system for spatial mapping of lettuce freshweight inplant factory[J]. IFAC-PapersOnLine，2018，51（17）： 130-134.

[18]閆嵩，杜彥芳，田海濤，等.基于作物生長的智能補光系統的研發和應用[J].天津農業科學，2023，29（9）：79-86.

[19]LEI HJ，LIANYJ，DUJ，et al. Dynamic optimization ofgreenhouse tomato irrigation schedule based onwater，fertilizer andair coupled production function[J].Agronomy，2023， 13（3）： 776.

[20]周永闖.基于智能控制的農業精準灌溉系統設計研究[J].農機化研究，2023，45（11）：132-135.