Neue Methoden zur Steuerung der Wassergabe mit Neuronalen Netzen in der Bewässerungslandwirtschaft

Im Wettbewerb um die knappe Ressource Wasser steht die Bewasserungslandwirtschaft als groster Verbraucher mit dem geringsten Wirkungsgrad neben allen anderen Konsumenten. Zur Verbesserung des Wirkungsgrads ist man in der Bewasserungslandwirtschaft auf simulationsbasierte Optimierungsmethoden angewiesen. Bei der Anwendung der simulationsbasierten Optimierung stost man bei allen Bewasserungsverfahren auf Probleme, da die numerischen Simulationsmodelle komplex, aufwandig und mitunter auch instabil sind. Zudem erschwert die nichtlineare Zielfunktion eine optimale Steuerung in Echtzeit. An Stelle der problematischen direkten Minimierung einer Zielfunktion mit numerischen Bewasserungsmodellen wird in dieser Arbeit ein zweiphasiges Vorgehen vorgeschlagen, welches die Stromungsmodellierung und die optimale Bestimmung der Bewasserungsparameter entkoppelt. Dafur wurde eine neue neuronale Netzarchitektur, die selbstorganisierende Merkmalskarte mit variabler Ein-/Ausgabefunktion (SOM-MIO), entwickelt. In der Arbeit wird die SOMMIO Architektur zusammen mit ein-, zweiund dreidimensionalen Stromungsmodellen innerhalb der zweiphasigen Optimierungsstrategie verwendet. Umfangreiche Anwendungen der SOM-MIO Architektur erfolgten zur deterministischen und stochastischen Steuerung der Tropfbewasserung sowie zur Steuerung der Furchenbewasserung bei bedarfsgerechter Bewasserungsplanung und bei Defizitbewasserung. 1 Der Hintergrund der Arbeit Durch die Steuerung eines Bewasserungsvorganges auf einem Feld kann mit den unterschiedlichen Bewasserungsverfahren (siehe Abb.1) die raumliche Verteilung der fur ein Bewasserungsereignis zur Verfugung stehenden Wassermenge auf und schlieslich im Boden gezielt beeinflust werden. Die Ausbreitung des Wassers wird durch die Parameter Intensitat (oder Zuflusrate) und die Bewasserungszeit gesteuert. Eine schlechte Steuerung der Wasserverteilung hat eine Reihe von negativen Folgen. Beispielsweise fuhrt eine zu grose Intensitat bei allen Verfahren zu hohem oberirdischen Abflus, d.h. zu grosen Verlusten, weil das Wasser vom Feld wegfliest. Andererseits kann eine zu geringe Intensitat der Wasseraufleitung z.B. bei der Furchenbewasserung eine sehr ungleiche Verteilung des Wassers langs des Feldes bewirken. Eine gute Steuerung derWasserverteilung erreicht hingegen eine gleichmasige Befeuchtung des Pflanzenwurzelraums ohne Verluste vonWasser durch Abflus oder Perkolation. Fluten Fluten Beregnen Tropfbewasserung ) d ( ) c ( ) b ( ) a ( uber Furchen Abbildung 1: Die wichtigsten Bewasserungsverfahren (nach [Ach80]). In Gebieten, in denen die Bewasserungslandwirtschaft eine lange Tradition besitzt und eine bestimmte soziale Kontinuitat gewahrt werden konnte, fuhrt heute noch die Anwendung uberlieferter Bewasserungsregeln zu erstaunlich guten Ergebnissen. Bei der Neuerschliesung, Umstrukturierung oder Ausweitung bewasserter Anbauflachen wird seit mehreren Jahrzehnten versucht, den Mangel dieses umfassenden empirischen Wissens durch den Einsatz von Optimierungsalgorithmen in Verbindung mit Simulationsmodellen auszugleichen. Gegenwartig ist man nur mit numerischen Prozesmodellen1 in der Lage, die Wasserbewegung auf dem Feld und im Boden fur die unterschiedliche Bewasserungsverfahren (siehe Abb.1) in geeigneter Weise zu simulieren. Dadurch kann man auf teure Feldexperimente verzichten, die sehr langwierig (Tage und Wochen) sind oder zu irreversiblen Schaden (z.B. Versalzung durch Grundwasseranstieg bei Uberbewasserung) fuhren konnen. Leider ist die Berechnung von Bewasserungsszenarien mit numerischen Prozesmodellen relativ aufwandig. Beim Einsatz iterativer Optimierungsverfahren oder bei Untersuchungen von stochastischen Einflussen mittels Monte-Carlo Simulation ergeben sich Berechnungszeiten von Stunden bis Tagen, die in der Bewasserungspraxis nicht akzeptiert werden. Auserdem erfordert die Arbeit mit den Simulationswerkzeugen spezifische mathematische Kenntnisse, um numerische Instabilitaten bei den Simulationen von Bewasserungsvorgangen zu vermeiden. In der Praxis wird daher haufig auf vereinfachte Modelle zuruckgegriffen, die lediglich die Wasserbewegung auf dem Feld simulieren und die infiltrierte Wassermenge abschatzen [McC00, RW97, ZSFP01]. Auf die schwierigere Simulation der Dynamik der Wasserbewegung im Boden wird verzichtet. Dadurch kann man jedoch keine Informationen daruber erhalten, ob das infiltrierte Wasser sich hauptsachlich in den Pflanzenwurzelraum bewegt oder in fur die Pflanze unereichbare Bodenschichten perkoliert. Deshalb wird in dieser Arbeit eine neue Strategie zur optimalen Steuerung der Wassergabe entwickelt, die die komplexen Prozesmodelle in der Bewasserungslandwirtschaft praktisch anwendbar macht, ohne deren Nachteile in Kauf nehmen zu mussen. 1Diese Modelle wurden auf der Grundlage der physikalischen Gesetzmasigkeiten der Wasserbewegung, die bei der Bewasserung durch Schwerkraft, Druckkraft und Kapillarkraft verursacht wird, abgeleitet. 172 Bewasserungssteuerung mit Neuronalen Netzen

[1]  Brent Clothier,et al.  Infiltration from a surface point source and drip irrigation: 1. The midpoint soil water pressure , 1997 .

[2]  R. Wooding,et al.  Steady Infiltration from a Shallow Circular Pond , 1968 .

[3]  Gerd H. Schmitz,et al.  Analytical solution of simplified surge flow equations , 1987 .

[4]  Jan W. Hopmans,et al.  Two-Dimensional Analysis of Furrow Infiltration , 1992 .

[5]  J. Philip,et al.  Travel Times From Buried and Surface Infiltration Point Sources , 1984 .

[6]  P. Raats,et al.  Steady Infiltration from Point Sources, Cavities, and Basins 1 , 1971 .

[7]  Y. Mualem.  A New Model for Predicting the Hydraulic Conductivity , 1976 .

[8]  Kurt Hornik,et al.  Multilayer feedforward networks are universal approximators , 1989, Neural Networks.

[9]  J. R. Philip.  Upper Bounds on Evaporation Losses from Buried Sources , 1991 .

[10]  Gary P. Merkley,et al.  Intake Parameters from Advance and Wetting Phases of Surface Irrigation , 1995 .

[11]  G. Whitham,et al.  The effects of hydraulic resistance in the dam-break problem , 1955, Proceedings of the Royal Society of London. Series A. Mathematical and Physical Sciences.

[12]  R. Adams,et al.  Salt and Silt in Ancient Mesopotamian Agriculture: Progressive changes in soil salinity and sedimentation contributed to the breakup of past civilizations. , 1958, Science.

[13]  Gang Xu,et al.  An Adaptive Neural Network Scheme for Radar Rainfall Estimation from WSR-88D Observations , 2001 .

[14]  Yen-Chang Chen,et al.  Flood forecasting using radial basis function neural networks , 2001, IEEE Trans. Syst. Man Cybern. Part C.

[15]  A. W. Minns,et al.  Artificial neural networks as rainfall-runoff models , 1996 .

[16]  Miguel A. Mariño,et al.  Surface Irrigation Optimization Models , 1986 .

[17]  Sandhya Samarasinghe,et al.  Solving the Inverse Problem in Stochastic Groundwater Modelling with Artificial Neural Networks , 2002 .

[18]  Gerd H. Schmitz,et al.  Mathematical Zero-Inertia Modeling of Surface Irrigation: Advance in Borders , 1990 .

[19]  Jichun Li,et al.  Radial basis function method for 1-D and 2-D groundwater contaminant transport modeling , 2003 .

[20]  Albert J. Clemmens,et al.  Estimation of surface irrigation parameters , 1990 .

[21]  A. W. Jayawardena,et al.  Use of Radial Basis Function Type Artificial Neural Networks for Runoff Simulation , 1998 .

[22]  Peter J. Thorburn,et al.  WetUp: a software tool to display approximate wetting patterns from drippers , 2003, Irrigation Science.

[23]  M. Kiwan.  ANALYTICAL SOLUTION FOR OPTIMUM DESIGN OF FURROW IRRIGATION SYSTEMS , 1996 .

[24]  Christian Lebiere,et al.  The Cascade-Correlation Learning Architecture , 1989, NIPS.

[25]  Wayne Clyma,et al.  Optimal Design of Border Irrigation Systems , 1981 .

[26]  E. Bresler,et al.  Analysis of trickle irrigation with application to design problems , 1978, Irrigation Science.

[27]  E. Camacho,et al.  IPE: Model for Management and Control of Furrow Irrigation in Real Time , 1997 .

[28]  Gerd H. Schmitz.  Transient Infiltration from Cavities. I: Theory , 1993 .

[29]  John A. Nelder,et al.  A Simplex Method for Function Minimization , 1965, Comput. J..

[30]  G. S. Deep,et al.  A low-cost water detection method for furrow irrigation control , 1997 .

[31]  Albert J. Clemmens,et al.  Irrigation Performance Measures: Efficiency and Uniformity , 1997 .

[32]  Eugenio Gorgucci,et al.  Detection of rain/no rain condition on the ground based on radar observations , 2001, IEEE Trans. Geosci. Remote. Sens..

[33]  M. Th. van Genuchten,et al.  Analysis of water flow under trickle irrigation. I. Theory and numerical solution , 1989 .

[34]  W. R. Gardner.  Calculation of Capillary Conductivity from Pressure Plate Outflow Data 1 , 1956 .

[35]  Miguel A. Mariño,et al.  Infiltration from Trickle Irrigation Source , 1984 .

[36]  Brent Clothier,et al.  Infiltration from a surface point source and drip irrigation: 2. An approximate time‐dependent solution for wet‐front position , 1997 .

[37]  J.-Y. Parlange,et al.  INFILTRATION UNDER PONDED CONDITIONS: 3. A PREDICTIVE EQUATION BASED ON PHYSICAL PARAMETERS , 1990 .

[38]  Steven R. Raine,et al.  Irrigation application efficiency and deep drainage potential under surface irrigated cotton , 2005 .

[39]  Branimir Todorovic,et al.  Estimation of FAO Blaney-Criddle b Factor by RBF Network , 2000 .

[40]  Jiftah Ben-Asher,et al.  Infiltration and Water Extraction from Trickle Irrigation Source: The Effective Hemisphere Model1 , 1986 .

[41]  David P. Dobkin,et al.  The quickhull algorithm for convex hulls , 1996, TOMS.

[42]  J. R. Ni,et al.  Application of artificial neural network to the rapid feedback of potential ecological risk in flood diversion zone , 2003 .

[43]  N. Null.  Artificial Neural Networks in Hydrology. I: Preliminary Concepts , 2000 .

[44]  W. Jury,et al.  Water Movement in Bare and Cropped Soil Under Isolated Trickle Emitters: II. Analysis of Cropped Soil Experiments 1 , 1977 .

[45]  Kuolin Hsu,et al.  Hydrologic Modelling and Analysis Using A Self- Organizing Linear Output Network , 2002 .

[46]  J. Dennis,et al.  Mixed Variable Optimization of the Number and Composition of Heat Intercepts in a Thermal Insulation System , 2001 .

[47]  Narendra Singh Raghuwanshi,et al.  Modeling Seasonal Furrow Irrigation , 1996 .

[48]  Subhash Chander,et al.  Optimal multicrop allocation of seasonal and intraseasonal irrigation water , 1990 .

[49]  Vladan Babovic,et al.  Hybrid Approach for Modeling Wet Weather Response in Wastewater Systems , 2003 .

[50]  D. Rizzo,et al.  Characterization of aquifer properties using artificial neural networks: Neural kriging , 1994 .

[51]  Jooyoung Park,et al.  Approximation and Radial-Basis-Function Networks , 1993, Neural Computation.

[52]  J. Philip.  Linearized unsteady multidimensional infiltration , 1986 .

[53]  D. L. Bassett,et al.  Unsteady Flow of Water Over a Porous Bed Having Constant Infiltration , 1965 .

[54]  Richard S. Sutton,et al.  Reinforcement Learning: An Introduction , 1998, IEEE Trans. Neural Networks.

[55]  Teuvo Kohonen,et al.  Self-organized formation of topologically correct feature maps , 2004, Biological Cybernetics.

[56]  Niels Schütze,et al.  Self‐organizing maps with multiple input‐output option for modeling the Richards equation and its inverse solution , 2005 .

[57]  S. Murty Bhallamudi,et al.  Complete hydrodynamic border-strip irrigation model , 1996 .

[58]  null null,et al.  Artificial Neural Networks in Hydrology. II: Hydrologic Applications , 2000 .

[59]  M. Schwartzman,et al.  Emitter Spacing and Geometry of Wetted Soil Volume , 1986 .

[60]  K. P. Sudheer,et al.  Estimating Actual Evapotranspiration from Limited Climatic Data Using Neural Computing Technique , 2003 .

[61]  M. Celia,et al.  A General Mass-Conservative Numerical Solution for the Unsaturated Flow Equation , 1990 .

[62]  Wesley W. Wallender,et al.  Hydrodynamic Furrow Irrigation Model with Specified Space Steps , 1992 .

[63]  P. Raats.  Steady Infiltration from Line Sources and Furrows , 1970 .

[64]  Benny Y. C. Hon,et al.  Compactly supported radial basis functions for shallow water equations , 2002, Appl. Math. Comput..

[65]  John Mark,et al.  Introduction to radial basis function networks , 1996 .

[66]  J. Philip,et al.  The Theory of Infiltration , 1958 .

[67]  Thomas J. Trout,et al.  Comparison of HYDRUS-2D simulations of drip irrigation with experimental observations , 2004 .

[68]  Branimir Todorovic,et al.  Forecasting of Reference Evapotranspiration by Artificial Neural Networks , 2003 .

[69]  David E. Goldberg,et al.  Genetic Algorithms in Search Optimization and Machine Learning , 1988 .

[70]  G. Cannell,et al.  Surface Irrigation: Theory and Practice , 1988 .

[71]  Esa Alhoniemi,et al.  Self-organizing map in Matlab: the SOM Toolbox , 1999 .

[72]  O. C. Wilke.  A Hydrodynamic Study of Flow in Irrigation Furrows , 1968 .

[73]  Stephen R. Workman,et al.  Modeling of Evaporation Reduction in Drip Irrigation System , 1999 .

[74]  D. Zerihun,et al.  Analysis and design of furrow irrigation systems , 2001 .

[75]  C. D. Gelatt,et al.  Optimization by Simulated Annealing , 1983, Science.

[76]  Johann Edenhofer,et al.  Ein implizites Charakteristikenverfahren zur Lösung von Anfangsrandwertaufgaben bei hyperbolischen Systemen und seine Konvergenz , 1981, Computing.

[77]  François Lehmann,et al.  Comparison of Iterative Methods for Improved Solutions of the Fluid Flow Equation in Partially Saturated Porous Media , 1998 .

[78]  Narendra Singh Raghuwanshi,et al.  Economic Optimization of Furrow Irrigation , 1997 .

[79]  M. V. Velzen,et al.  Self-organizing maps , 2007 .

[80]  John Moody,et al.  Fast Learning in Networks of Locally-Tuned Processing Units , 1989, Neural Computation.

[81]  D. Or,et al.  Drip Irrigation , 1999, Applied Agriculture.

[82]  G. Pinder,et al.  Computational Methods in Subsurface Flow , 1983 .

[83]  E. Bresler,et al.  Two-dimensional Transport of Solutes During Nonsteady Infiltration from a Trickle Source1 , 1975 .

[84]  R. Hecht-Nielsen.  Counterpropagation networks. , 1987, Applied optics.

[85]  Helge J. Ritter,et al.  Neural computation and self-organizing maps - an introduction , 1992, Computation and neural systems series.

[86]  Simon X. Yang,et al.  Neural networks for predicting nitrate-nitrogen in drainage water , 2003 .

[87]  S. Hyakin,et al.  Neural Networks: A Comprehensive Foundation , 1994 .

[88]  Sérgio Luiz Aguilar Levien,et al.  Algebraic Computation of Flow in Furrow Irrigation , 1987 .

[89]  S. Sorooshian,et al.  Precipitation Estimation from Remotely Sensed Information Using Artificial Neural Networks , 1997 .

[90]  Yen-Chang Chen,et al.  Estuary water-stage forecasting by using radial basis function neural network , 2003 .

[91]  B. Zur,et al.  Wetted soil volume as a design objective in trickle irrigation , 1996, Irrigation Science.

[92]  A. W. Warrick,et al.  A Generalized Solution to Infiltration from a Surface Point Source , 1988 .

[93]  Joseph B. Raddin,et al.  The Sumerians: Their History, Culture and Character. , 1964 .

[94]  Smith Martin,et al.  Cropwat : a computer program for irrigation planning and management , 1992 .

[95]  Örjan Wikander,et al.  Handbook of ancient water technology , 2000 .

[96]  Mohammad Rayej,et al.  Furrow irrigation simulation time reduction , 1985 .

[97]  Ravi Kothari,et al.  Spatial characterization of remotely sensed soil moisture data using self organizing feature maps , 1999, IEEE Trans. Geosci. Remote. Sens..

[98]  E. Bresler,et al.  Infiltration from a Trickle Source: I. Mathematical Models1 , 1971 .

[99]  J. Wayland Eheart,et al.  Evaluation of Neural Networks for Modeling Nitrate Concentrations in Rivers , 2003 .

[100]  Dan Zaslavsky,et al.  Soil water dynamics , 1960 .

[101]  Tomaso A. Poggio,et al.  Extensions of a Theory of Networks for Approximation and Learning , 1990, NIPS.

[102]  T. Jeffcoate.  “Novak” , 1947 .

[103]  Christian W. Dawson,et al.  Inductive Learning Approaches to Rainfall-Runoff Modelling , 2000, Int. J. Neural Syst..

[104]  Fabio Dell'Acqua,et al.  Pyramidal rain field decomposition using radial basis function neural networks for tracking and forecasting purposes , 2003, IEEE Trans. Geosci. Remote. Sens..

[105]  S. Irmay,et al.  On the hydraulic conductivity of unsaturated soils , 1954 .

[106]  Jörg A. Walter.  Rapid learning in robotics , 1996 .

[107]  Roland K. Price,et al.  A neural network model of rainfall-runoff using radial basis functions , 1996 .

[108]  Holger R. Maier,et al.  Neural networks for the prediction and forecasting of water resource variables: a review of modelling issues and applications , 2000, Environ. Model. Softw..

[109]  Gerd H. Schmitz,et al.  Artificial neural networks for estimating soil hydraulic parameters from dynamic flow experiments , 2005 .

[110]  Theodor Strelkoff,et al.  DIMENSIONLESS SOLUTIONS OF BORDER-IRRIGATION ADVANCE , 1977 .

[111]  Nikolaos D. Katopodes,et al.  Hydrodynamics of Border Irrigation — Complete Model , 1977 .

[112]  Musharraf Zaman,et al.  Modeling of soil behavior with a recurrent neural network , 1998 .