研讨灌溉基于模糊粗糙集和D—S证据论述多源灌溉信息融合办法要求

论文导读：和不确定性，单独以某个传感器所提供的信息或者专家的经验进行灌溉决策，势必会影响灌溉决策的精度。因此，为了消除信息之间可能存在的冗余和矛盾，降低灌溉决策信息的不确定性与决策推理的模糊程度，提高灌溉决策的精度，需要对不同来源的数据和专家经验进行分析与综合，通过对各种传感器及其观测信息的合理支配和使用，将互补、冗
摘 要：针对多源灌溉信息决策过程中不确定性信息难以融合的问题，提出了一种基于模糊粗糙集和DS证据理论相结合的决策融合方法。运用模糊粗糙集理论，建立基本概率分配函数，计算各灌溉因子与灌溉决策之间的依赖程度，构建多个融合灌溉因子对灌溉决策的识别框架；然后运用改进的DS证据理论，进行多源灌溉信息决策层级的融合，最终解决不确定信息的表达和合成问题。应用上述方法对华北地区冬小麦土壤水分、光合速率和气孔导度等信息进行灌溉决策融合，结果显示：灌溉决策的不确定性由融合前的最高38%降至9.84%，该方法可有效地提高灌溉决策精度，降低灌溉决策的不确定性。
关键词：模糊粗糙集；不确定性信息；DS证据理论；多源信息融合；权重系数
0 引言
随着精细化、集约化、信息化农业和数字地球的发展，遥感技术、全球卫星定位系统、计算机技术、自动化技术、网络技术等高科技开始大量应用于农业领域，信息表现形式更加多样化、信息来源更加广泛。此外，随着灌溉决策精度的不断提高，需要的数据参数也随之增多，诸如历史积累数据，田间实测信息（土壤水分信息、作物生理指标、作物形态指标等信息），天气预报信息，作物需水量信息，来源于不同尺度和不同区域的农业遥感信息，与地理位置有关的三维空间数据，以及专家经验等信息。由于传感器所提供的信息和专家的经验存在一定的局限性、片面性和不确定性，单独以某个传感器所提供的信息或者专家的经验进行灌溉决策，势必会影响灌溉决策的精度。因此，为了消除信息之间可能存在的冗余和矛盾，降低灌溉决策信息的不确定性与决策推理的模糊程度，提高灌溉决策的精度，需要对不同来源的数据和专家经验进行分析与综合，通过对各种传感器及其观测信息的合理支配和使用，将互补、冗余的信息依据某种优化准则融合起来，产生对观测对象的一致摘自：本科生毕业论文www.7ctime.com
性解释和描述，进而提高灌溉信息的可信度和决策系统的容错能力[1-3]。
为此，本文尝试着将模糊粗糙集和DS（DempsterShafer）证据理论相结合，利用模糊集合构建基本概率分配函数，建立灌溉决策的辨识框架；然后采用距离函数法，将平均距离替代冲突证据，确定各灌溉指标的权重；根据基本概率分配建立置信度矩阵，通过执行矩阵运算，完成多源灌溉信息在决策层级的融合，以解决不确定信息的表达和合成问题。通过实测数据进行验证，结果显示该方法不仅减少了灌溉决策的主观臆断和不确定性，还可提高灌溉信息的融合效率和灌溉决策的准确性和可靠性。通过查阅相关文献，目前该方法在农田灌溉领域还未有成功应用。因此，将该方法应用到灌溉领域是值得尝试的。
1 材料与方法

1.1 实验地基本情况

实验于2010年10月—2011年6月在中国农业科学院农田灌溉研究所作物需水量实验场的大型自动防雨棚内（35°19′N，113°53′E，海拔73.2m）进行。实验场年均降水量588.8mm，年均蒸发量2000mm（水面蒸发皿直径20cm）。土壤为轻沙壤土，田间持水量24%（质量含水量），土壤体积质量1.35（g/cm），0～20cm耕层有机质10.36（g/kg），碱解氮72（mg/kg），速效磷1

7.8（mg/kg），速效钾100（mg/kg）。

供试冬小麦品种为“郑麦9023”，于2010年10月16日播种，2011年6月3日收获，前茬作物为夏棉。采用条播畦灌的种植方式，畦宽3m，畦长10m，行距20cm，人工开沟撒播，播量为113（kg·hm-2）。播前施复合肥（N∶P2O5∶K2O=15∶15∶15）750（kg·hm-2）作为底肥，拔节期追施尿素（含46%N）300（kg·hm-2）。冬小麦生育期内充分供水，施肥、除草、病虫防治等田间管理均按常规管理。

1.2 观测项目与方法

表层至20cm深处土壤含水率采用烘干法测定， 20cm至100cm深度，利用美国的CPN503DR中子土壤水分仪进行测定，每7天测定1次，作物播前、收获后、灌水前后及降雨之后都进行测定。冬小麦拔节以后，在各生育阶段进行2～3次光合速率和气孔导度日变化观测，选择在晴天进行，测定时间为上午10：30—11：30。光合速率采用英国PP System公司生产的CIRAS1便携式光合作用测定系统测定；气孔导度采用A论文导读：
P4动态气孔计测量。
2 利用模糊粗糙集建立基本概率分配函数
在基于证据理论的目标识别信息融合中，基本概率分配函数的获取与应用对象密切相关，是信息融合的关键。根据灌溉信息管理和决策的特点，本文引入模糊粗糙集理论，利用模糊集合的隶属度函数来代替基本概率分配函数[4-7]。隶属度函数主要由被测指标的特点来确定，在设计隶属度函数时，将监测指标划分为两个等级，分别表示为灌溉和不灌溉两个状态，定义的三角形隶属度函数如下：
3 DS证据理论在多源灌溉信息融合中的应用

3.1 基本DS证据理论

DS证据理论[8]是20世纪70年展起来的一种数学工具，它是对贝叶斯理论的一种扩展，主要优点是：不需要先验信息，对不确定信息的描述采用“区间”的方法，解决了关于不确定性信息的表示方法，在区分“不知道”与“不确定”方面以及精确反映证据聚合方面显示出很大的灵活性。因此，在多源信息融合、目标识别和决策分析等领域得到了广泛应用。基本的证据理论是在Dempster 20世纪60年代提出的“上、下概率”及其合成规则的基础上[9]，由 Shafer在其1976年出版的专著《证据的数学理论》[10]中建立的，描述如下：
首先定义识别框架Θ，它由一些互斥且穷举的元素组成。称函数m：2Θ→[0，1]为一个mass函数，如果满足条件：1）m（φ）=0；2）∑AΘm（A）=1，而且如果A0，则称A为焦元。如果假设m1，m2，…，mn为识别框架Θ上n个mass函数，则AΘ，A≠，有如下的DS合成规则：