当前的自动灌溉控制基本上分为以下几类，一种是定时灌溉，即事先规定好灌溉时间表，定时开始，定时结束；一种是根据作物蒸腾量进行灌溉，即根据特定的计算公式进行作物蒸腾量的计算，当达到某一设定值时进行灌溉，并根据计算数据确定灌溉量的大小；一种是根据传感器数据来进行灌溉，即通过插入或埋入土壤里的土壤湿度传感器实时检测土壤湿度的变化，达到某一设定值时进行灌溉，并根据传感器的检验测试的数据确定灌溉停止时间；还有就是综合利用多种传感器的数据确定灌溉行为，比如根据空气的温湿度、光照、风速等气象参数结合土壤湿度传感器做综合判断，最终得到灌溉的控制策略。
以上所述多种自动灌溉操控方法均存在一定的缺陷和不足：一、定时灌溉模式属于开环控制，该式中灌溉制度是静态的，作物所需灌溉用水量及灌溉时间由事先估计来确定，但是作物生长及其环境是动态变化的，作物生长所需灌溉量也是不断随之变化的，该方法无法准确提供作物生长所需用水量，存在多灌或少灌的现象，并且不可以依据气象条件灵活变化，即便存在降水情况，仍然会按照时间表进行灌溉控制，如果某段时间天气特别干旱而事先没有估计到，则会造成作物缺水现象。二、根据作物蒸腾量进行灌溉也属于开环控制，该种方法一般会依据气象信息进行作物蒸腾量的估算，并据此进行灌溉控制，虽然相对定时灌溉，灵活程度有所提高，但是仍旧没办法避免降水情况下执行灌溉行为的情况出现，而且当灌溉管道或滴头、喷头等存在堵塞情况时，作物是否得到了应该得到的灌溉用水量，没有办法进行反馈。三、根据土壤湿度传感器数据来进行灌溉，虽然在某些特定的程度上解决了系统开环存在的问题，但是任旧存在一些不足。其一、传感器数据是不是一直准确没办法保证；其二，不能根据具体气象情况做灵活调整，比如即将有降水出现，但是当前传感器多个方面数据显示应该进行灌溉行为，则也许会出现刚灌溉完毕，很快出现了降水情况，那么在某些特定的程度上就造成了水资源的浪费。四、综合利用多种气象参数和土壤参数进行灌溉控制，虽然和其它方法相比有所进步，但是该种控制多是采用一些智能算法建立模型，然后根据模型进行灌溉控制，而建立模型需要大量的数据，否则控制精度没办法保证。如果采用该种操控方法，需要事先根据本地区的前期大量数据来进行训练才能建立相对精确的控制模型，通用性较差，如果没办法得到本地区的前期气象、土壤等环境参数，则很难利用这种操控方法；而且如果影响模型的参数过少，即便有大量的数据，也没办法保证模型的精度，如果参数过多，比如利用空气温度、空气中水分含量、光照、土壤温度、土壤湿度、风速、雨量监测等等很多参数，不但增加了数据流，造成模型训练速度过慢，有可能在多种参数之间有一些相互矛盾的数据，同时多参数，大数据量也存在数据冗余的情况，直接影响控制模型的计算速度。
为了解决上述的技术问题，本发明的目的是提供一种通用智能灌溉操控方法，该方法采用闭环控制模式，可以依据不同的气象情况和作物生长情况自动灵活的调整灌溉频率和灌溉用水量。
包括多个用于监测空气温度、空气相对湿度、光辐射强度、风速、雨量、饱和水汽压值、土壤温度、土壤基质势的气象信息传感器和多个用于监测土壤湿度的土壤信息传感器，多个所述气象信息传感器连接第一数据汇聚模块，多个所述土壤信息传感器连接第二数据汇聚模块，所述第一数据汇聚模块和第二数据汇聚模块分别连接模型计算及控制模块，所述模型计算及控制模块连接执行器，所述执行器连接灌溉设备；所述模型计算及控制模块包括PLS计算模型和ANFIS计算模型。
优选的，多个土壤信息传感器分别用于监测20-25cm深度土壤湿度、40-45cm深度土壤湿度和70-80cm深度土壤湿度。
空气温度、空气相对湿度、光辐射强度、风速、雨量、饱和水汽压值、土壤温度、土壤基质势、20-25cm深度土壤湿度、40-45cm深度土壤湿度、70-80cm深度土壤湿度；
C、判断是否得到最终有效参数，若得到最终有效参数，则转步骤F，若没有正真获得最终有效参数，则执行步骤D；
D、输入上述步骤B中所有环节及土壤参数值，启动PLS计算模型，将PLS算法得到的影响灌溉用水量的主要影响参数，标记为有效参数，其中根据PLS的计算值和土壤传感器反馈值，每一次执行PLS算法时，不断修正PLS算法，所以有效参数是变化的，然后，根据有效参数实时在线计算作物蒸腾量；根据得到的相邻两次有效参数值自动计算有效参数变化率CVP，若有效参数变化率低于设定值，则将得到的最后一次有效参数标记为最终有效参数；
E、判断是不是达到灌溉开启阈值，若未达到开启阈值，则转步骤D，继续计算，若达到开启阈值，则执行灌溉操作，执行完毕转步骤D；
F、输入最终有效参数值，将PLS算法切换为ANFIS算法，实时在线计算作物蒸腾量；
G、判断是不是达到灌溉开启阈值，若未达到开启阈值，则转步骤F，继续计算，若达到开启阈值，则执行灌溉操作，执行完毕转步骤F。
本发明是以各种传感器检验测试到的环境及土壤各项参数(包括空气温度、空气相对湿度、光辐射强度、风速、雨量、饱和水汽压值、土壤温度、土壤基质势、20-25cm深度土壤湿度、40-45cm深度土壤湿度、70-80cm深度土壤湿度)为基础，利用机器学习算法(偏最小二乘回归法PLS和自适应神经模糊推理算法ANFIS)，通过提取所有各项参数中对所需灌溉用水量影响最大的主要参数，并建立相应的作物蒸腾计算模型，进而根据计算结果进行灌溉控制。全面的环境及土壤参数保证了本方法的通用性，不会遗漏对灌溉用水量有影响的任何参数，适用于各种各样的环境及情况；使用前期采用PLS算法，不需要用大数据量进行模型的训练，又能够提取出对灌溉用水量影响较大的有效参数，数据量达到某些特定的程度后，可以切换ANFIS算法，将PLS算法提取的有效参数作为输入变量，即能够完全满足计算精度，又可提升计算速度，同时还避免了由于存在过多参数引起的数据冲突和冗余数据带来的噪声影响
2、可切换的机器学习算法：PLS+ANFIS，PLS算法能够在数据量不足的情况下进行灌溉控制模型的建立和计算，当数据量积累达到某些特定的程度时可以自动切换到ANFIS算法，提高灌溉控制模型的控制精度；
3、充足的环境参数：环境和温度、相对湿度、光辐射强度、饱和水汽压(VPD)、蒸腾量、风速、降水量、土壤温度、土壤基质势、不同深度土壤湿度能确保控制模型的计算精度，而且利用PLS办法能够根据具体情况自动提取有效的参数作为控制模型的输入量，即不降低模型的计算精度，又避免了因数据量多大导致的系统计算速度下降问题，同时有实际效果的减少了冗余数据带来的噪声影响。
如图1所示，一种通用智能灌溉系统，包括多个用于监测空气温度、空气相对湿度、光辐射强度、风速、雨量、饱和水汽压值、土壤温度、土壤基质势的气象信息传感器和多个用于监测土壤湿度的土壤信息传感器，多个所述气象信息传感器连接第一数据汇聚模块，多个所述土壤信息传感器连接第二数据汇聚模块，所述第一数据汇聚模块和第二数据汇聚模块分别连接模型计算及控制模块，所述模型计算及控制模块连接执行器，所述执行器连接灌溉设备；所述模型计算及控制模块包括PLS计算模型和ANFIS计算模型。
其中多个土壤信息传感器分别用于监测20-25cm深度土壤湿度、40-45cm深度土壤湿度和70-80cm深度土壤湿度。
空气温度Ta、空气相对湿度RHa、光辐射强度SR、风速WS、雨量RF、饱和水汽压值VPD、土壤温度Ts、土壤基质势SWP、20-25cm深度土壤湿度VWC1、40-45cm深度土壤湿度VWC2、70-80cm深度土壤湿度VWC3；
C、判断是否得到最终有效参数VP，若得到最终有效参数VP，则转步骤F，若没有正真获得最终有效参数VP，则执行步骤D；
D、输入上述步骤B中所有环节及土壤参数值，启动PLS计算模型，将PLS算法得到的影响灌溉用水量的主要影响参数，标记为有效参数VP，其中根据PLS的计算值和土壤传感器反馈值，每一次执行PLS算法时，不断修正PLS算法，所以有效参数是变化的，然后，根据有效参数实时在线计算作物蒸腾量ET；根据得到的相邻两次有效参数值自动实时计算有效参数变化率CVP，若有效参数变化率CVP低于设定值CVPth，即CVPCVPth,则将得到的最后一次有效参数标记为最终有效参数VP；
E、判断是不是达到灌溉开启阈值ETth，若未达到开启阈值ETth，即ETETth,则转步骤D，继续计算，若达到开启阈值，即ETETth,则执行灌溉操作，执行完毕转步骤D；
F、输入最终有效参数值VP，将PLS算法切换为ANFIS算法，实时在线计算作物蒸腾量ET；
G、判断是不是达到灌溉开启阈值，若未达到开启阈值，即ETETth,则转步骤F，继续计算，若达到开启阈值，即ETETth,则执行灌溉操作，执行完毕转步骤F。
以上所述的实施例仅是对本发明的优选方式来进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
