智能水肥灌溉控制系统需要科学灌溉与施肥量决策作为控制依据，而施肥量决策
目前主要依靠专家经验，缺乏定量化施肥决策方法的支撑。本文以作物灌溉与施肥用
量决策及提高节水灌溉系统智能化程度为目的，针对灌溉与施肥决策问题复杂性与模
糊性的特点，进行了基于机器学习算法的智能灌溉与施肥决策技术研究及其系统开发，
主要研究内容如下：
灌溉与施肥决策知识获取与表达。根据灌溉与施肥决策支持系统对领域知识库丰
富度的要求，采用网络爬虫技术结合支持向量机构建分类器，完成面向灌溉与施肥领
域的网络爬虫设计，验证了面向灌溉与施肥领域的网络爬虫在领域知识获取上具有更
高效率，形成了基于网络爬虫的灌溉与施肥知识获取新方法，实验结果表明基于支持
向量机分类的灌溉与施肥知识网络爬虫提高了爬虫访问到灌溉与施肥主题网站的几
率，访问到的有效连接数高于普通爬虫，有效链接占比　68.23%高于普通爬虫，在网站
集相同且访问链接层数相同的情况下，运行速度大大提高。
将本体技术应用于灌溉与施肥知识表达中，结合灌溉与施肥决策过程特点，以番
茄灌溉与施肥知识本体构建为例，形成番茄灌溉与施肥本体知识库，实现领域专家知
识结构化表达与智能推理。应用本体建模工具　protégé　与本体建模语言　OWL　完成领域
本体建模，基于　Python　开源库　owlready　编写了　OWL　处理程序以解析本体中的类、属
性和实例，实现基于本体的知识表达在智能水肥决策支持系统中的应用。
基于机器学习的灌水量与施肥量决策模型。针对灌水量决策中作物蒸散量预测的
需求，利用广义回归神经网络构建作物蒸散量决策模型，并结合粒子群算法对神经网
络光滑因子进行优化。实验结果表明使用广义回归神经网络模型进行预测得到的结果
RMSE　为　0.408，MAE　为　0.305，对比可知广义回归神经网络模型的预测结果相比其它
经验模型预测精度高，模型有效性系数高。分析气象数据缺失情况下不同气象参数对
模型计算精度影响程度，得到气温参数对模型精度影响最大，相对湿度和日照时长影
响相对较小，实现了气象参数缺失情况下作物蒸散量的模拟计算。
分析了作物产量时间序列特征，针对施肥量决策对目标产量确定的需求，应用递
归神经网络算法与长短期记忆单元，建立了目标产量时间序列预测方法，实验结果表
明递归神经网络模型测试集上均方根误差为　5.453，而自回归积分滑动平均模型模型为
7.956，小波神经网络模型为　23.232，支持向量回归模型为　15.53，说明递归神网络模型
在目标产量时间序列预测上优于其他模型。
在时间序列目标产量预测基础上，研究以土壤养分含量和目标产量为基础的施肥
量决策模型。构建了以养分含量和目标含量为输入氮磷钾施用量为输出的在线支持向量回归算法模型，与肥料效应函数法和　BP　神经网络方法进行对比，表明在线支持向量
回归模型具有更高精度。通过分析施肥量对目标产量的变化情况，得到了氮磷钾需求
响应曲线，为氮磷钾施用量的智能决策提供了依据。提出了基于最大效益的施肥量决
策方法，得到了综合效益、目标产量、施肥量三者之间定量关系，为施肥量决策提供
依据。
智能水肥灌溉控制系统设计与开发。对智能水肥灌溉系统进行了总体设计开发，
包括使用设备的结构设计，元器件选取，整个控制系统硬件构建和软件应用开发，并
将决策支持系统软件集成到控制系统中，通过在新疆农业科学研究院番茄试验基地采
集数据进行试验，结果显示系统决策得到的方案相比当地经验方案作物长势更优，产
量相对提高　5.08%，验证了系统决策功能的有效性。