论文部分内容阅读
摘要：农田灌溉是农业生产中的一个重要环节，现代农业要求应用现代科学技术来进行管理和分析。本文主要研究了如何运用GIS和计算机的方法进行精细化灌溉模拟，通过把农田的环境条件、水肥渗透、喷灌水压及喷洒范围等各种因素作为模拟的指标，并采取模型模拟计算来得到农田的喷灌点的位置，到达喷灌点的合理布设，达到充分灌溉和节约水资源的目的。最后，以农地覆盖率来评价农地灌溉计算机模拟的质量和效率。
关键词：GIS；农田灌溉；喷灌
中图分类号：S607+.1 文献标识码：A 文章编号：
1引言
随着社会经济的高速发展，生态失衡、环境污染、人口爆炸、资源短缺等问题已经成为世界各国共同面临的全球性问题。无论是发达国家，还是发展中国家，都毫无例外地承受着不断加剧的水资源短缺问题的困扰。而需水总量较大的农业生产，因水资源问题的影响尤为严重(曾庆发,1993)。在我国，占全国用水总量80％左右的农田灌溉，存在着三大突出矛盾：一是水资源严重不足，制约着农业灌溉面积的进一步扩大和现有灌溉面积保证程度的提高。近十多年来．我国每年受旱面积在2 000万～2 700万hm2，每年约有670万hm2灌溉面积得不到灌溉。由于缺水，我国每年少产粮食700亿～800亿kg；二是已经开发利用的水资源浪费严重。加之不少地方由于灌溉工程老化失修、灌区灌溉用水管理不善和灌水技术落后等原因，灌溉水的利用率很低，平均只有40％左右，而发达国家的灌溉利用率可达80％～90％；三是可资利用的水资源遭受严重污染，为进一步利用带来很大困难。上述问题的存在，导致农业水土资源与生态环境的不断恶化。以致于影响我国农业和整个国民经济的可持续发展(吴景杜等,1998)。
为了更充分高效的利用好农业用水，世界各国结合了自己的实际采用了节水灌溉技术，并且在实际应用中发挥了很好的成效。但不管采用那种类型的节水灌溉技术，都离不开对灌溉渠道的布局和建设(汪悬华，2004)。农田灌溉渠道布局涉及到线路布局领域的许多方面，最优路径的选择就是其重要应用之一，这是一类高效典型的组合优化问题。优化是一个重要的数学分支，同时也是一门应用相当广泛的学科，目的是对于给出的实际问题，从众多方案中选择出最优方案。随着计算机科学技术的飞速发展和智能算法研究的深入，组合优化问题已经得到了较为广泛的应用和发展，同时也有效促进各种优化问题的理论创新和工程应用，优化问题在各行各业中占据的地位也越来越凸显。然而，随着实际应用的深入和优化问题呈现出越来越复杂，组合优化问题成为当前计算机科学技术研究中的重要研究课题。随着社会经济的高速发展，生态失衡、环境污染、人口爆炸、资源短缺等问题已经成为世界各国共同面临的全球性问题(袁亚湘等,1998)。
精细农业己在世界许多国家开始实施，美国国家研究院于1997年建议将精细农业的研究与发展纳入国家战略(Rey,1997)。精细农业的提出为未来农业指明了一种可持续发展模式。精细农业的核心思想就是对农作物的个体差异实行精细的数字化管理。例如:获取每个小区域的土地水分、肥力和农作物个体生长发育等要素信息,按需对每个较小尺度的区域农作物进行灌溉和施肥。这样的种植模式不仅可以科学的使用土地,而且能减少滥用化肥和农药造成的农田环境污染,节约成本投入,提高农产品的产量和品质。要实现以上的精细农业模式,需要结合现代各种科学技术(张黎明等,2001)。
2精细农田灌溉应用现状
2.1国内外研究现状
农田灌溉渠道布局中的路径寻优问题其实是属于 TSP 问题，而对这类问题的解决方法和算法其实也有很多,其中应用比较广泛有蚁群算法，深度优先搜索算法，广度优先搜索算法等(李保国等,2003)。蚁群优化算法(Ant Colony Optimizatinn，ACO),最初是由意大利学者 DorigoMacro 和 Colorni A 等人于 20 世纪 90 年代初期率先提出，它是利用群集智能解决优化问题的典型例子。他们通过对真实蚂蚁自组织的群体高度协作寻优进行模仿，并成功的运用于 TSP 问题的解决上，引起了学术界的广泛关注。它是继禁忌搜索算法(Tabu Search,TS)、模拟退火算法 (Simulate Anneal Arithmetic，SAA)、遗传算法 (Genetic Algorithm,GA)和人工神经网络算法 (Artificial Neural Networks,ANNS )等启发式搜索算法之后的一种新型的基于种群的启发式仿生类进化算法，该算法特别适合对组合问题进行优化。例如:TSP 问题中如何遍历所有的城市节点，而实现最小路径的回路；在解决农田灌溉渠道布局问题中如何确定水源与需水农田之间的最短路径等等。通过对这些问题的细致分析和研究，我们发现在这些问题的应用下隐藏了组合优化的自然特性，并且这些问题通常都是属于 NP 难问题。经过长期的科学实践和经验总结：当问题的规模非常大的时候，人们很难在可接受的时间范围内求出问题的精确解。因此，从事问题优化的科研工作者努力去尝试寻找问题的较优解(段海滨等,2005)。
十几年的时间，蚁群算法在国外的研究状况犹如雨后春笋般的发展，并且得到了世界上许多国家研究者的关注和参与，算法也在原来的基础上得到了进一步的改善，应用领域得到迅速推广，大量研究成果陆续发表。Dorigo M 负责组织当初在比利时布鲁塞尔召开的蚁群算法国际研讨会也得到了更多学者的热烈响应，研讨会在随后的时间里每 2 年就召开一次，研讨的内容也越来越受到众多研究者的关注和参与。
蚁群算法具有正反馈、分布式计算和结构性的贪心启发机制的特征，这些特征使得蚁群算法非常适合于求解组合优化问题。其中，对信息的正反馈机制使得算法在搜索问题解的过程中很容易找到比较好的解；而分布式的结构特点，可以实现问题解的多样性而避免过早陷入局部最优；同时，蚁群算法采用的是贪心的啟发机制，在算法执行的过程中问题解得到不断的进化。因此，集这些特性于一身的蚁群算法，正是解决组合优化问题的强有力工具(Binlin,2003)。
2.2存在问题
尽管蚁群算法在解决组合优化问题方面表现出了强有力的优势，但是算法本身也存在着缺陷。由于蚁群算法采用的是随机或按概率的选择搜索机制，使得算法的计算量非常的大，搜索的时间也比较漫长。同时，采用信息的正反馈机制也很容易陷入问题局部最优解而出现运算停滞现象。对于蚁群算法存在这些方面的不足，国内外很多研究者也在尝试改进算法的性能，期望通过对算法的改进能更有效地应用于实际问题的解决。而且该算法没能避免了基本蚁群算法收敛速度慢和容易陷入局部最优的不足，整体上算法的全局搜索能力和稳定性欠佳(王道波等,2004)。
3软件系统架构和功能模块设计构想
3.1软件基本架构
软件采用Visual Studio 2008平台C#语言编写，采用ArcGIS Engine引擎，在地图模块中基本实现了地图浏览，放大缩小，测距等等基本功能(图3-1)。
图3-1 系统架构图
在灌溉决策支持模块中的架构图(图3-2)和灌溉决策模块结构图(图3-3)：
图3-2 灌溉设施决策UML图
图3-3灌溉设施决策结构图
3.2JBoss Drools规则引擎
由于农田灌溉的决策是一个复杂的规则匹配过程，也是本课题的核心，因此需要严密的判断和决策过程，软件采用JBoss的Drools规则引擎来处理这个模块。
Drools 是一个基于Charles Forgy's的RETE算法的，易于访问企业策略、易于调整以及易于管理的开源业务规则引擎，符合业内标准，速度快、效率高。在大型系统中，业务规则、商业逻辑等等都会比较复杂。而且在很多大型系统当中，很多业务规则、商业逻辑并不是一成不变的。甚至当系统进入生产阶段时，客户的业务规则、商业逻辑也会改变。某些系统要求甚至更高，要求能24小时不停机，并且能够实时修改商业规则。这就对商业系统提出了较大的挑战。如果将这些可变的规则直接编写到代码里面的话，业务规则一旦改变，就要修改代码。并由此带来编译、打包、发布等等问题。这对于生产系统来说是极不方便的。因此，如何考虑把一些可变的业务规则抽取到外面，使这些业务规则独立于程序代码。并最好是能够实时的修改业务规则，这样就可以做到不用打包编译发布等等。
Java规则引擎起源于基于规则的专家系统，而基于规则的专家系统又是专家系统的其中一个分支。专家系统属于人工智能的范畴，它模仿人类的推理方式，使用试探性的方法进行推理，并使用人类能理解的术语解释和证明它的推理结论(Seldam,2007)。
图3-4引擎处理流程图
如上图所示(图3-4)，推理引擎包括三部分：模式匹配器（Pattern Matcher）、议程（Agenda）和执行引擎（Execution Engine）。推理引擎通过决定哪些规则满足事实或目标，并授予规则优先级，满足事实或目标的规则被加入议程。模式匹配器决定选择执行哪个规则，何时执行规则；议程管理模式匹配器挑选出来的规则的执行次序；执行引擎负责执行规则和其他动作。
4 结论与讨论
本文通过讨论扇形模型在农田灌溉上的应用进行了一系列的计算机模拟和计算，结果表明，理想状况下每个喷灌点的喷洒区域近似于蜂窝状的六边形；同时，也可以发现，由于水压随着距离的增长而变小，距离灌渠远的喷灌点的喷洒范围相对较小，也导致了喷灌点的分布相对比距离河流近的喷灌点分布更加地密集。
本文提出的扇形模型也存在着一些不足：
1.扇形模型的科学论据相对薄弱，尚没有完善的理论体系，有待进一步研究。
2.本文的农田灌溉仅限于平原地区地势相对较为平坦，地势的影响可以忽略。如果应用在地理高低起伏的农田，效果并不理想。
3.缺乏实地的实验监测和验证数据，稳定性有待提高。
4.在各个参数的设置上相对单一；更多的因素，如温度、湿度等环境因素没有加以考虑。
5参考文献
段海濱.2005.蚁群算法原理及其应用.北京:科学出版社,7(2):38-49.
王道波,朱家强,黄向华.2004.蚂蚁群算法理论及应用研究的进展.控制与决策,19(12):152-155.
汪悬华.2004.“精细农业”的发展与工程技术创新.学生大论文,27(2):85-89.
吴景杜,李能英.1998.我国21世纪农业水危机与节水农业.农业工程学报,2(3):95-101.
袁亚湘,孙文瑜.2003.最优化理论与方法.北京:科学出版社,15(1):99-106.
曾庆发.1993.试论全球性问题及其解决.湖北师范学院学报, 13(02):146-148.
关键词：GIS；农田灌溉；喷灌
中图分类号：S607+.1 文献标识码：A 文章编号：
1引言
随着社会经济的高速发展，生态失衡、环境污染、人口爆炸、资源短缺等问题已经成为世界各国共同面临的全球性问题。无论是发达国家，还是发展中国家，都毫无例外地承受着不断加剧的水资源短缺问题的困扰。而需水总量较大的农业生产，因水资源问题的影响尤为严重(曾庆发,1993)。在我国，占全国用水总量80％左右的农田灌溉，存在着三大突出矛盾：一是水资源严重不足，制约着农业灌溉面积的进一步扩大和现有灌溉面积保证程度的提高。近十多年来．我国每年受旱面积在2 000万～2 700万hm2，每年约有670万hm2灌溉面积得不到灌溉。由于缺水，我国每年少产粮食700亿～800亿kg；二是已经开发利用的水资源浪费严重。加之不少地方由于灌溉工程老化失修、灌区灌溉用水管理不善和灌水技术落后等原因，灌溉水的利用率很低，平均只有40％左右，而发达国家的灌溉利用率可达80％～90％；三是可资利用的水资源遭受严重污染，为进一步利用带来很大困难。上述问题的存在，导致农业水土资源与生态环境的不断恶化。以致于影响我国农业和整个国民经济的可持续发展(吴景杜等,1998)。
为了更充分高效的利用好农业用水，世界各国结合了自己的实际采用了节水灌溉技术，并且在实际应用中发挥了很好的成效。但不管采用那种类型的节水灌溉技术，都离不开对灌溉渠道的布局和建设(汪悬华，2004)。农田灌溉渠道布局涉及到线路布局领域的许多方面，最优路径的选择就是其重要应用之一，这是一类高效典型的组合优化问题。优化是一个重要的数学分支，同时也是一门应用相当广泛的学科，目的是对于给出的实际问题，从众多方案中选择出最优方案。随着计算机科学技术的飞速发展和智能算法研究的深入，组合优化问题已经得到了较为广泛的应用和发展，同时也有效促进各种优化问题的理论创新和工程应用，优化问题在各行各业中占据的地位也越来越凸显。然而，随着实际应用的深入和优化问题呈现出越来越复杂，组合优化问题成为当前计算机科学技术研究中的重要研究课题。随着社会经济的高速发展，生态失衡、环境污染、人口爆炸、资源短缺等问题已经成为世界各国共同面临的全球性问题(袁亚湘等,1998)。
精细农业己在世界许多国家开始实施，美国国家研究院于1997年建议将精细农业的研究与发展纳入国家战略(Rey,1997)。精细农业的提出为未来农业指明了一种可持续发展模式。精细农业的核心思想就是对农作物的个体差异实行精细的数字化管理。例如:获取每个小区域的土地水分、肥力和农作物个体生长发育等要素信息,按需对每个较小尺度的区域农作物进行灌溉和施肥。这样的种植模式不仅可以科学的使用土地,而且能减少滥用化肥和农药造成的农田环境污染,节约成本投入,提高农产品的产量和品质。要实现以上的精细农业模式,需要结合现代各种科学技术(张黎明等,2001)。
2精细农田灌溉应用现状
2.1国内外研究现状
农田灌溉渠道布局中的路径寻优问题其实是属于 TSP 问题，而对这类问题的解决方法和算法其实也有很多,其中应用比较广泛有蚁群算法，深度优先搜索算法，广度优先搜索算法等(李保国等,2003)。蚁群优化算法(Ant Colony Optimizatinn，ACO),最初是由意大利学者 DorigoMacro 和 Colorni A 等人于 20 世纪 90 年代初期率先提出，它是利用群集智能解决优化问题的典型例子。他们通过对真实蚂蚁自组织的群体高度协作寻优进行模仿，并成功的运用于 TSP 问题的解决上，引起了学术界的广泛关注。它是继禁忌搜索算法(Tabu Search,TS)、模拟退火算法 (Simulate Anneal Arithmetic，SAA)、遗传算法 (Genetic Algorithm,GA)和人工神经网络算法 (Artificial Neural Networks,ANNS )等启发式搜索算法之后的一种新型的基于种群的启发式仿生类进化算法，该算法特别适合对组合问题进行优化。例如:TSP 问题中如何遍历所有的城市节点，而实现最小路径的回路；在解决农田灌溉渠道布局问题中如何确定水源与需水农田之间的最短路径等等。通过对这些问题的细致分析和研究，我们发现在这些问题的应用下隐藏了组合优化的自然特性，并且这些问题通常都是属于 NP 难问题。经过长期的科学实践和经验总结：当问题的规模非常大的时候，人们很难在可接受的时间范围内求出问题的精确解。因此，从事问题优化的科研工作者努力去尝试寻找问题的较优解(段海滨等,2005)。
十几年的时间，蚁群算法在国外的研究状况犹如雨后春笋般的发展，并且得到了世界上许多国家研究者的关注和参与，算法也在原来的基础上得到了进一步的改善，应用领域得到迅速推广，大量研究成果陆续发表。Dorigo M 负责组织当初在比利时布鲁塞尔召开的蚁群算法国际研讨会也得到了更多学者的热烈响应，研讨会在随后的时间里每 2 年就召开一次，研讨的内容也越来越受到众多研究者的关注和参与。
蚁群算法具有正反馈、分布式计算和结构性的贪心启发机制的特征，这些特征使得蚁群算法非常适合于求解组合优化问题。其中，对信息的正反馈机制使得算法在搜索问题解的过程中很容易找到比较好的解；而分布式的结构特点，可以实现问题解的多样性而避免过早陷入局部最优；同时，蚁群算法采用的是贪心的啟发机制，在算法执行的过程中问题解得到不断的进化。因此，集这些特性于一身的蚁群算法，正是解决组合优化问题的强有力工具(Binlin,2003)。
2.2存在问题
尽管蚁群算法在解决组合优化问题方面表现出了强有力的优势，但是算法本身也存在着缺陷。由于蚁群算法采用的是随机或按概率的选择搜索机制，使得算法的计算量非常的大，搜索的时间也比较漫长。同时，采用信息的正反馈机制也很容易陷入问题局部最优解而出现运算停滞现象。对于蚁群算法存在这些方面的不足，国内外很多研究者也在尝试改进算法的性能，期望通过对算法的改进能更有效地应用于实际问题的解决。而且该算法没能避免了基本蚁群算法收敛速度慢和容易陷入局部最优的不足，整体上算法的全局搜索能力和稳定性欠佳(王道波等,2004)。
3软件系统架构和功能模块设计构想
3.1软件基本架构
软件采用Visual Studio 2008平台C#语言编写，采用ArcGIS Engine引擎，在地图模块中基本实现了地图浏览，放大缩小，测距等等基本功能(图3-1)。
图3-1 系统架构图
在灌溉决策支持模块中的架构图(图3-2)和灌溉决策模块结构图(图3-3)：
图3-2 灌溉设施决策UML图
图3-3灌溉设施决策结构图
3.2JBoss Drools规则引擎
由于农田灌溉的决策是一个复杂的规则匹配过程，也是本课题的核心，因此需要严密的判断和决策过程，软件采用JBoss的Drools规则引擎来处理这个模块。
Drools 是一个基于Charles Forgy's的RETE算法的，易于访问企业策略、易于调整以及易于管理的开源业务规则引擎，符合业内标准，速度快、效率高。在大型系统中，业务规则、商业逻辑等等都会比较复杂。而且在很多大型系统当中，很多业务规则、商业逻辑并不是一成不变的。甚至当系统进入生产阶段时，客户的业务规则、商业逻辑也会改变。某些系统要求甚至更高，要求能24小时不停机，并且能够实时修改商业规则。这就对商业系统提出了较大的挑战。如果将这些可变的规则直接编写到代码里面的话，业务规则一旦改变，就要修改代码。并由此带来编译、打包、发布等等问题。这对于生产系统来说是极不方便的。因此，如何考虑把一些可变的业务规则抽取到外面，使这些业务规则独立于程序代码。并最好是能够实时的修改业务规则，这样就可以做到不用打包编译发布等等。
Java规则引擎起源于基于规则的专家系统，而基于规则的专家系统又是专家系统的其中一个分支。专家系统属于人工智能的范畴，它模仿人类的推理方式，使用试探性的方法进行推理，并使用人类能理解的术语解释和证明它的推理结论(Seldam,2007)。
图3-4引擎处理流程图
如上图所示(图3-4)，推理引擎包括三部分：模式匹配器（Pattern Matcher）、议程（Agenda）和执行引擎（Execution Engine）。推理引擎通过决定哪些规则满足事实或目标，并授予规则优先级，满足事实或目标的规则被加入议程。模式匹配器决定选择执行哪个规则，何时执行规则；议程管理模式匹配器挑选出来的规则的执行次序；执行引擎负责执行规则和其他动作。
4 结论与讨论
本文通过讨论扇形模型在农田灌溉上的应用进行了一系列的计算机模拟和计算，结果表明，理想状况下每个喷灌点的喷洒区域近似于蜂窝状的六边形；同时，也可以发现，由于水压随着距离的增长而变小，距离灌渠远的喷灌点的喷洒范围相对较小，也导致了喷灌点的分布相对比距离河流近的喷灌点分布更加地密集。
本文提出的扇形模型也存在着一些不足：
1.扇形模型的科学论据相对薄弱，尚没有完善的理论体系，有待进一步研究。
2.本文的农田灌溉仅限于平原地区地势相对较为平坦，地势的影响可以忽略。如果应用在地理高低起伏的农田，效果并不理想。
3.缺乏实地的实验监测和验证数据，稳定性有待提高。
4.在各个参数的设置上相对单一；更多的因素，如温度、湿度等环境因素没有加以考虑。
5参考文献
段海濱.2005.蚁群算法原理及其应用.北京:科学出版社,7(2):38-49.
王道波,朱家强,黄向华.2004.蚂蚁群算法理论及应用研究的进展.控制与决策,19(12):152-155.
汪悬华.2004.“精细农业”的发展与工程技术创新.学生大论文,27(2):85-89.
吴景杜,李能英.1998.我国21世纪农业水危机与节水农业.农业工程学报,2(3):95-101.
袁亚湘,孙文瑜.2003.最优化理论与方法.北京:科学出版社,15(1):99-106.
曾庆发.1993.试论全球性问题及其解决.湖北师范学院学报, 13(02):146-148.