我国作为农业大国,农业灌溉决策是农作物产量及土壤水分利用效率的重要影响因素。随着近年来科学技术发展,智能灌溉逐渐在改变传统的灌溉模式,通过智能检测设备以及控制系统完成智能灌溉控制。但目前多数智能灌溉系统仅采用当前田间气象数据进行灌溉决策,未考虑到未来一天气象变化对智能灌溉决策产生的影响。本文以水分场试验区网络气象数据及气象站采集数据为基础,采用数据挖掘技术建立该区域未来一天的降雨量预测模型,并以冬小麦为研究对象,建立作物需水量动态预测模型;根据水分场试验区各层土壤含水率数据,研究冬小麦计划湿润层深度各层土壤含水率相关性,并通过HYDRUS-3D模型模拟考虑根系吸水状态下冬小麦计划湿润层各层土壤含水率变化,建立土壤含水率智能检测模型;最后以水量平衡原理为基础建立智能灌溉决策机制,通过该机制确定冬小麦适宜灌溉时间以及灌溉量,并采用HYDRUS-3D模型模拟该决策的适应性与准确性。模型预测和模拟效果评价采用决定系数(R~2)、均方根误差(RMSE)和相对分析误差(RPD)表达。通过水分场试验区数据和数值模拟结果得到以下结论:(1)采用网络气象数据对降雨量进行预测整体效果较好,网络上直接采集的降雨量数据预测结果R~2、RMSE和RPD分别为0.895、2.1%和3.108,采用LM算法优化网络气象降雨量预测模型,优化后预测结果R~2、RMSE和RPD分别为0.938、1.6%和4.045,而采用BP算法和DT算法优化后并未起到优化作用,表明基于LM算法优化后的降雨量预测模型最优。(2)采用网络气象数据以及现场气象站数据,气象站数据以11、7和4个因子为输入量建立作物需水量预测模型,网络气象数据以7和4个因子为输入量建立作物需水量预测模型。首先,以气象站数据11、7和4个气象因子为输入量建立参考作物需水量预测模型,预测结果R~2分别为0.959、0.943和0.905;RMSE分别为0.6%、0.8%和1.0%;RPD分别为4.982、4.214和3.256。以网络气象数据7和4个气象因子为输入量建立参考作物需水量预测模型,预测结果R~2分别为0.892和0.850;RMSE分别为1.0%和1.2%,RPD分别为3.056和2.598。预测结果表明,输入气象因子越多,预测模型准确性越高,且现场气象站气象数据对参考作物需水量预测更为准确,而网络气象数据建立的参考作物需水量预测结果较气象站数据差,但网络气象数据为实时动态的气象数据,起到了对该地区未来一天的参考作物需水量动态预测的效果,并且模型预测结果7个因子和4个因子R~2均达到0.85以上,能够较好的预测参考作物需水量。然后,以参考作物需水量预测模型为基础依据单作物系数法建立作物需水量动态预测模型。研究表明,当气象数据缺乏时可采用4个因子(最高温度、最低温度、平均温度及平均大气压力)进行作物需水量预测,亦可达到较好的预测效果。因此,基于网络气象数据的作物需水量动态预测模型效果显著,可用于未来一天作物需水量的预测。(3)以冬小麦整个生育期土壤深度30、40、50、60 cm的土壤含水率数据、作物需水量和降雨量数据为基础,分析各层土壤含水率关系,分别以30、40、50、60 cm土壤含水率数据建立预测模型,预测30 cm范围内各层土壤含水率。研究结果表明,以30 cm土壤含水率、作物需水量和降雨量为输入量,建立土壤水分智能检测模型效果最佳。预测40 cm结果R~2、RMSE和RPD分别为0.774、1.1%、2.125;预测50 cm结果R~2、RMSE和RPD分别为0.824、1.1%、2.405;预测60 cm结果R~2、RMSE和RPD分别为0.734、0.9%、1.960。基于严谨的土壤水力参数率定,应用HYDRUS-3D对冬小麦生育期30、40、50、60 cm土壤含水率变化模拟,30 cm实测值与预测值R~2、RMSE和RPD分别为0.705、1.6%、1.968,40 cm实测值与预测值R~2、RMSE和RPD分别为0.690、1.1%、1.801,50 cm实测值与预测值R~2、RMSE和RPD分别为0.758、1.2%、2.035,60 cm实测值与预测值R~2、RMSE和RPD分别为0.620、1.0%、1.625。研究结果表明,基于30 cm土壤含水率数据的预测模型精度更高;HYDRUS-3D对土壤各层含水率变化模拟效果较好,在作物生育期期间水分运移规律的模拟具有一定的适用性。(4)基于以上研究的预测模型,结合田间水量平衡原理,建立智能灌溉决策机制,从而得出冬小麦生育期灌溉时间及灌溉量。应用HYDRUS-3D对决策的灌溉时间及灌溉量进行模拟验证,模拟结果表明,各层生育期计划湿润层深度土壤含水率均保持在土壤含水率上限与下限之间,能够较好的保持在适宜含水率状态。研究结果表明,本文通过水分场试验区数据建立的智能灌溉决策机制决策效果较好,可用于智能灌溉系统设计。