基于CART算法的茶园精准灌溉方法

苗犇犇 张 武,2* 王志鸿,3 冯金磊 王瑞卿 江朝晖,2 饶 元,2 金 秀,2

(1.安徽农业大学 信息与计算机学院，合肥 230036； 2.智慧农业技术与装备安徽省重点实验室，合肥 230036； 3.四创电子股份有限公司，合肥 230036)

安徽黄山太平地区茶园种植面积广泛，是当地主要经济作物，但目前人们仍多采用个人经验进行浇灌，这一方面容易造成过度灌溉，浪费水源，同时，不合理的灌溉也会损害茶树本身，造成产量下降等问题。另一方面，由于茶树属于区域性作物，不如小麦与水稻等作物种植面积广，茶树精准灌溉研究的关注度较低。因此运用人工智能技术开展茶树的精准灌溉方法研究，改变人工凭经验进行灌溉的传统模式，这对提升茶叶产量、降低生产成本具有重要意义。

目前国内外主要从以下3个方面进行精准灌溉制度研究：1)分析环境与作物需水量之间的关系；2)使用作物灌溉模型进行仿真试验；3)利用专家知识获取灌溉规则。在分析环境与作物需水量之间的关系方面，Li等通过分析环境因素对灌溉水分生产力(Irrigation water productivity，IWP)变化的贡献，确定最佳灌溉策略。Snchez-Molina等通过测量土壤湿度与作物灌溉之间的关系，确定合理的灌溉方法。Kourosh等通过监测土壤湿度及使用水平衡方程式计算土壤水分渗透率，从而获取作物正常生长发育所需的灌溉量。朱小倩通过扩展的自回归模型(Auto regressive models with external input，ARX)预测下一时刻的土壤湿度，随后计算预测值与茶树最佳生长时的土壤湿度差值，最终实现茶园的自动化控制。然而上述研究主要分析土壤湿度对灌溉的影响，忽略了其他环境因素与灌溉之间的关系，且其所使用的部分传感器造价昂贵，不利于大面积推广；在使用作物灌溉模型进行仿真试验的研究方面，周始威等使用根区水质模型(Root zone water quality model，RZWQM)、王忠波等使用CROPWAT模型、邵光成等使用农业技术转移决策支持系统(Decision support system for agrotechnology transfer，DSSAT)、邵东国等使用AquaCrop模型、冯绍元等使用标准加权平均降水量(Standard weighted average precipitation，SWAP)模型进行仿真研究。上述模型多通过往年环境数据模拟分配固定时间内的作物灌溉量，对于精准灌溉而言则缺少了一定的及时性；在利用专家知识获取灌溉规则的研究上，蒋再扬等、戚迎龙等使用专家经验等方式获取最佳灌溉制度，鲁旭涛等使用多种决策模型完成数据的处理，然后利用模糊控制完成作物精准灌溉系统的设计。然而，由于上述研究所使用的专家知识过于复杂，且不同作物之间专家灌溉决策所需要掌握的判断尺度难以把握。

CART算法是一种使用二分递归分割技术构建预测模型的智能算法，该算法通过分析多种属性与决策之间的关系，从而生成易于理解的规则进行预测，目前已被广泛应用于节能降耗、医学预测等多个领域。

因此，为解决黄山太平地区茶园精准灌溉问题中合理灌溉时机的问题，本研究拟以猴魁为研究对象，采用CART算法对土壤湿度、生长期、降雨量等9个属性与灌溉需求之间的关系进行分析，并通过Penman-Monteith公式、有效降雨量公式等计算茶树所需灌溉量，从而确定精准灌溉问题中的灌溉量，以期为黄山太平地区茶树的精准灌溉提供合理的控制策略。

1 茶园精准灌溉系统的构成

本研究融合CART算法与作物理论灌溉量公式，在能够获取灌溉时机的同时保证获得具体灌溉量。本算法流程主要包括2个部分，分别是CART预测灌溉模块和作物理论灌溉量计算模块。CART预测灌溉模块利用数据之间的相关性构建相应的CART灌溉时机预测模型，其功能是获取在何种情况下需要灌溉的灌溉规则，并且能够输出新样本的预测结果。当输出结果为需要灌溉时机，作物理论灌溉量计算模块能够提供相应的灌溉量范围。其技术路线图如图1所示。

图1 茶园精准灌溉系统算法技术路线图Fig.1 Algorithm technology roadmap of tea plantation precision irrigation system

本研究首先利用往年数据构建CART预测模型，当新数据进入到CART预测模型后，模型会判断当前条件下是否需要进行灌溉。当模型判断当前条件下需要进行灌溉时，作物理论灌溉量计算模块通过计算需水差值得到需要的灌溉量，从而最终实现茶园的精准灌溉。

2 试验数据与方法

2.1 数据采集

数据来源于黄山市太平地区茶园物联网系统及中国气象局统计结果，采集2014年2月—2019年12月底茶园环境信息、土壤湿度以及土壤电导率等14个指标数据，共计26 160条数据(表1)。

表1中将用于精准灌溉的外界环境数据分别归类到14个指标，并将每个指标的数据按一定的标准再进行分类，比如：以生长期为例，一共采集到2 114 d的数据，将这套数据再按照茶树年生长发育期进行分类，从当年2月—次年2月，共计分为7类，分别是：越冬萌发期、第1次生长(春梢)期、第1次休止期、第2次生长(夏梢)期、第2次休止期、第3次生长(秋梢)期、休眠期。

表1 本研究所采用的14种外界环境数据
Table 1 Fourteen kinds of external environment data used in this study

指标Index样本数Number of samples分类数Classification number生长期 Growing period2 1147天气状况 Weather condition2 11411地下20 cm处土壤湿度Soil moisture at 20 cm underground1 711113地下40 cm处土壤湿度Soil moisture at 40 cm underground1 548107地下60 cm处土壤湿度Soil moisture at 60 cm underground1 577111电导率 Conductivity1 64726光照强度 Light intensity1 839165降雨量 Precipitation2 11419风速 Wind speed1 7284平均空气温度 Average air temperature2 002121空气湿度 Air humidity1 60673最高空气温度 Maximum air temperature2 114136最低空气温度 Minimum air temperature2 114112光照时长 Light duration1 93239

2.2 数据处理

由于自然环境因素及传感器自身的因素会导致产生异常数据及残缺数据，针对其中的异常数据，采用肖维勒准则进行判断。该准则首先计算样本中待测值与均值的绝对偏差，再将绝对偏差同对应倍数下的标准差做比较，从而判断数据是否异常，具体公式如下：

(1)

(2)

式中：

H

为采集的样本集合；

m

为样本集合中样本个数；max

H

为样本集合

H

的最大值；min

H

为样本集合

H

的最小值；为样本集合

H

的均值；

S

为检验系数；

F

′为测量值的标准差。若max

H

或min

H

满足上述公式，则认为其为异常数据，其中

m

=11，

S

=2

.

00。

针对公式(1)、(2)判断而得的异常数据及残缺数据，采用前后均值填充法进行修复，具体公式如下：

(3)

式中：

X

为数据集；为修复后的数据；

m

为其中异常数据或残缺数据的位置；

n

为异常数据或残缺数据前后数据的个数。根据上述方法修复异常数据及残缺数据后，得到29 596条数据，其中

n

=5。

由于CART算法属于有监督学习方法，需要对样本进行标签标记，因此本研究依据黄山市太平地区茶园物联网系统下2018年12月至2019年12月底灌溉的记录，结合茶树种植专家知识、天气状况等属性合理推测茶树灌溉决策信息，并将茶树灌溉决策信息与已有的灌溉次数信息共同构成茶园灌溉决策信息。样本集以灌溉决策数据为标签，属性信息为输入，本研究使用上述表1中的生长期、天气状况、地下20、40、60 cm处土壤湿度、电导率、光照强度、降雨量、平均空气温度9个属性作为CART预测灌溉模块的输入。光照强度、降雨量、风速、平均空气温度、空气湿度、最高空气温度、最低空气温度、光照时长8个属性作为作物理论灌溉量模块的输入。

2.3 试验方法

2

.

3

.

1

CART算法

CART算法使用Gini公式作为划分模型中分支及节点的依据，具体公式如下：

(4)

式中：

K

为不同属性的个数；

p

为属于第

k

类的概率。

对样本集合计算Gini值时的具体公式如下：

(5)

C

={(

x

,

y

)∈

C/F

(

x

)=

α

},

C

=

C

-

C

(6)

式中：

C

为样本集合；

F

为

C

上某一可能值

α

；

C

和

C

为样本集合

C

根据

F

分割形成的2个子样本集合。

2

.

3

.

2

作物理论灌溉量计算方法

Penman-Monteith公式一般用于计算当前的蒸腾蒸发量ET，其原理是依据外界各种参数计算该环境下的蒸腾蒸发量ET，具体公式如下：

(7)

式中：

R

为作物表面净辐射量,MJ/m/d；

G

为土壤通热量密度,MJ/m/d；

T

为日平均温度，℃；

e

为饱和条件下的水气压，KPa；

e

为实际条件下的水气压，KPa；

μ

为平均风速，M/s；

Δ

为饱和条件下的水气压与温度的曲线斜率；

γ

为温度计常数，KPa/K。作物实际需水量ET由蒸腾蒸发量ET与作物系数

K

相乘而得，具体公式如下ET=

K

×ET

(8)

中：ET为作物实际需水量，mm；

K

为作物系数；ET为作物理论需水量，mm。

有效降雨量测算EffP(Effective precipitation)由美国农业部土壤保持公式计算而得，具体公式如下：

当总降雨量<250 mm时,

EffP=

P

×(125-0

.

2

P

)

/

125

(9)

当总降雨量≥250 mm时,EffP=125+0

.

1

P

(10)

式中：EffP为有效降雨量，mm；

P

为实际降雨量，mm。

作物理论灌溉量IWR由作物正常生长的需水量与有效降雨量的差值计算而得，具体公式如下：

IWR=ET-EffP

(11)

式中：IWR为满足作物生长所需的理论灌溉量，mm；ET为作物需水量；EffP为有效降雨量。

2

.

3

.

3

田间试验方法

针对上述试验获取到的灌溉规则在安徽省黄山市六百里茶园进行现场试验，试验条件如下：试验田为9°试验区、20°试验区、45°试验区3块不同坡度的茶树种植区域，每块区域长约630 m，宽约6 m，其中每块区域中又划分3小区域，分别进行茶树不进行灌溉、茶树人工灌溉和精准灌溉试验，试验田示意图如图2所示。

图2 田间试验区示意图Fig.2 Schematic diagram of field test area

3 结果与分析

3.1 CART预测灌溉时机模型检测

本研究将样本集随机按照7∶3比例划分训练样本集和测试样本集，使用CART算法建立精准灌溉系统中灌溉时机预测模型。为避免模型出现过拟合现象，本研究采用“预剪枝”的方法防止过拟合现象的发生。预剪枝是指在决策树生成过程中，对每个节点在划分前进行估计，若不能带来决策树的性能提升，则停止划分。使用网格搜索对模型进行参数调优，获得参数最优取值(表2)。

表2中Splitter为特征划分点选择的标准，一般使用“Best”或者“Random”作为标准。前者在特征的所有划分点中找出最优的划分点，后者是随机的在部分划分点中找局部最优的划分点。Random_state为预设的随机树种子，表2中Random_state=28用于划分数据集时，Random_state=40用于建模调参时，Max_depth为决策树的最大深度，Min_samples_split为模型内部节点再划分时，节点中包含的最小样本数，Min_samples_leaf为叶子节点中样本所包含的最少的数目，叶子节点最小的样本权重和为Min_weight_fraction_leaf，Max_features为建立模型时模型中的特征数目。通过预剪枝构建模型后，构建模型的部分分支如图3所示。

表2 CART灌溉时机预测模型主要参数最优取值
Table 2 Optimal value of main parameters of CART irrigation timing prediction model

参数Parameter最优取值Optimal valueSplitterBestRandom_state28Random_state40Max_depth5Min_samples_leaf1Min_samples_split2Max_featureNoneMin_weight_fraction_leaf0

图3 CART模型部分分支图Fig.3 Partial branch diagram of CART model

如图3所示，该分支表示在起始节点上有254个样本数据，其中分别包括了236个“不灌溉”类数据，18个“灌溉”类数据。分支下的1个叶子节点中包含142个样本数据，其中分别包括了136个“不灌溉”类数据，6个“灌溉”类数据，此时的Gini值为0.088。Gini值低则说明节点内数据趋于一致，对应的规则具有更高的准确性，因此该节点以上的规则可作为合理灌溉的主要规则。

根据“灌溉”分支的数据，可以获取在该数据下能够合理进行灌溉的控制方式。从该决策树的根节点开始一直到最后的叶子节点，其节点中的分支标准与路径上的规则构成了本研究需要的结论。以上述图3为例，在判断茶树是否进行灌溉的1条规则中首先考虑土壤湿度(20)(地下20 cm处的土壤湿度)的大小，其次考虑天气是否属于1(大雨)、2(中雨)、3(大雪)、4(小雨)等状况以及土壤湿度(40)(地下40 cm处的土壤湿度)的情况。当传感器采集到的信息满足上述条件时，可以判断当前需要进行灌溉。为了更直观显示各种属性与是否需要灌溉之间的关系，对各种数据与是否需要灌溉之间的相关性绘图表示，如图4所示。

Ⅰ.生长期;Ⅱ.天气状况;Ⅲ.地下20 cm处土壤湿度;Ⅳ.地下40 cm处土壤湿度;Ⅴ.地下60 cm处土壤湿度;Ⅵ.电导率;Ⅶ.光照强度;Ⅷ.降雨量;Ⅸ.平均空气温度。Ⅰ, Growth period; Ⅱ, Weather condition; Ⅲ, Soil moisture 20 cm underground; Ⅳ, Soil moisture 40 cm underground; Ⅴ, Soil moisture 60 cm underground; Ⅵ, Electroconductibility; Ⅶ, Light intensity; Ⅷ, Precipitation; Ⅸ, Average air temperature.图4 茶园外界环境与灌溉需求之间相关性Fig.4 Correlation coefficient between external environment attributes of tea plantation and irrigation demand

由图4可见：在影响灌溉的属性中，地下20 cm处土壤湿度对其影响最大，其次是地下40 cm、60 cm处土壤湿度以及天气状况和生长期，而平均空气温度和电导率对其没有任何影响，因此后续可以不对该类数据进行采集，减少该类数据传感器的部署，进一步降低生产成本。另外通过此图可以了解到在决定是否需要灌溉时，应着重考虑地下不同深度的土壤湿度以及天气状况和生长期这些属性。

本研究选用准确率(Accuracy)、精确率(Precision)、召回率(Recall)和

F

1值作为CART算法性能评价指标(表3)。表3中精确率为在模型预测是正常数据的所有结果中，模型预测对的比重。召回率表示在真实值为正常数据的结果中，模型预测对的比重。

F

1指标综合精确率和召回率的产出结果，代表模型的性能高低。

F

1的取值0～1，1代表模型性能最好，0代表模型性能最差。

表3 CART算法性能评价指标
Table 3 Performance evaluation index of CART algorithm

指标Index公式Formula准确率AccuracyAccuracy=TP+TNTP+TN+FP+FN精确率PrecisionPrecision=TPTP+FP召回率RecallRecall=TPTP+FNF1值F1 valueF1=2×P×RP+R

注：TP表示预测正确的正例；TN表示预测正确的反例；FP表示预测错误的正例；FN表示预测错误的反例。
Note: TP, positive example of correct prediction; TN, counter example of correct prediction; FP， positive example of prediction error; FN, counter example of prediction error.

本研究为了验证CART决策树模型针对此类数据的预测能力，选取逻辑回归模型(Logistic Regression)、支持向量机模型(Support vector machine)、随机森林模型(Random Forests)进行对比分析。为保证参数选取的合理性，对支持向量机、随机森林均使用网格搜索法进行调参。以随机森林参数为例，其主要参数与CART参数一致，多出的n_estimators参数,即树的个数设置为47。通过调参后性能对比结果(表4)显示4种模型中支持向量机模型在此类数据中预测能力最差，其次是逻辑回归模型，预测能力最好的是CART与RF模型。

表4 4种预测模型的灌溉预测性能评价对比
Table 4 Evaluation and comparison of irrigation prediction performance of four prediction models

预测模型Prediction model准确率Accuracy精确率Precision召回率RecallF1值F1 value逻辑回归 LR0.8540.9770.8620.916支持向量机 SVM0.8160.9760.8230.893CART决策树 CART0.9740.9900.9800.985随机森林 RF0.9740.9900.9800.985

为了直观显示4种模型针对此数据的处理能力，现对4种模型绘制混淆矩阵图，如图5所示。图5 中显示，在109条测试集中包括102条不灌溉数据以及7条灌溉数据，以逻辑回归模型为例，图中表示在逻辑回归模型中，预测值为不灌溉且真实值为不灌溉的条数为88条，预测值为不灌溉且真实值为灌溉的条数为2条，预测值为灌溉且真实值为不灌溉的条数为14条，预测值为灌溉且真实值为灌溉的条数为5条。对比4种模型的混淆矩阵结果，CART与RF模型处理该类数据的能力最优。综上对比，本研究最终选用CART决策树作为茶园预测灌溉的模型。

图5 4种茶园灌溉预测模型的混淆矩阵图Fig.5 Confusion matrix of four kinds of tea plantation irrigation prediction models

为避免模型产生过拟合现象，导致其在实际应用中使用效率低下，因此需要使用CART决策树对往年数据进行预测，通过分析模型预测结果来判断其是否适应于该地区预测灌溉的调控。具体步骤为调取该茶园物联网系统中2014—2018年的历史数据作为检验。将2014—2018年数据进行预处理后，输入到CART模型中，最终输出预测结果(表5)。

表5中显示，依据CART模型预测的结果，2014—2018年5年间平均每年预测结果为需要灌溉的次数为12次左右，其中以越冬萌发期和秋梢期最多，平均需进行3～4次灌溉。这与吴丹研究发现满足茶树正常年所需水灌溉次数为8～13次吻合。因此可以使用CART决策树模型预测后续的灌溉时机。

表5 猴魁茶园所需要灌溉次数预测结果
Table 5 Prediction results of irrigation times required for Houkui tea plantation

发育期Period2014年2015年2016年2017年2018年越冬萌发期Overwintering germination period32464春梢期Spring shoot stage31212第1次休止期First rest period21122夏梢期Summer shoot stage10001第2次休止期Second resting period10101秋梢期Autumn shoot stage22433休眠期Dormancy period21211

3.2 作物理论灌溉量模型检测

当CART预测灌溉模块判断当前需要进行灌溉时，调取作物理论灌溉量计算模块计算当前情况下的灌溉范围。本研究以2019年为例，其具体结果如下所示：

1)蒸腾蒸发量ET的计算。

通过对黄山太平地区2019年气候数据的计算得出具体的ET值。黄山太平地区2019年气候数据基本信息显示。该地区该年平均最低温度为0.7 ℃，平均最高温度为18.7 ℃，平均湿度为80%，这些表示该地区茶树所处的生长环境适宜，除冬季需防范茶树冻害，其余时节较适合茶树进行生长。但由于该地区处于山区，多大风，其平均风速达到了463 km/d，因此该地区蒸发量较大。该地区平均日照时间为4.8 h，平均辐射量为13.9 MJ/m/d。通过计算得到该地区月ET在2.52～6.00 Mm/d，平均ET为4.22 Mm/d。

2)作物实际需水量ET的计算。

鉴于该地区茶园为多年生茶树，通过联合国FAO(联合国粮农组织)-56推荐表中查询其

K

c值为1.0，因此作物实际需水量ET与蒸腾蒸发量ET结果一致。

3)有效降雨量EffP的计算

月总降雨量数据来自于安装在该试验地区的气象传感器，有效降雨量通过美国农业部土壤保持公式计算而得。通过数据采集及计算可知，该地区茶园2019年总降雨量为2 094 mm，总有效降雨量为1 229 mm，月有效降雨量在16.73～167.94 mm，有效降雨量占降雨量的58.69%，其中以5月、6月、7月、8月降雨量最多，降雨量均在226 mm以上。10月、11月、12月降雨量最少，降雨量均在46 mm以下。这表明作物在秋冬季节更易出现缺水的状况。另外本研究通过计算得知该地区2014—2018年平均ET与2019年间类似，这表明该地区外界环境较为稳定，但不同年份中降雨量存在差异，因此需要对不同年份的有效降雨量进行分析(表6)。

表6 2014—2018年间平均ET与有效降雨量
Table 6 Average ET and effective precipitation range from 2014 to 2018

年份Particular year平均ETO/(mm/d)Average ETO有效降雨量/mmEffective precipitation20144.1732.6～184.620154.2653.9～185.120164.3254.4～185.420174.1140.8～177.420184.2441.8～162.2

表6中显示不同年份之间该地区ET平均变化程度在5%之内，但2014年、2016年、2018年、2019年之间该地区存在较大有效降雨量变化。因此需要综合分析，以期提供准确的具体灌溉量。

4)作物理论灌溉量IWR的计算

通过查阅茶树种植资料，茶树在不同时期需水量的比例不同，其中以夏梢需水量最高，约占总需水量的37.5%，春梢及秋梢其次，约占总需水量的22.4%，越冬萌发期约占总需水量的10%，其余时期约占总需水量的7.7%。按该地区茶树年需水总量为1 539 mm计算，结合近6年该地区降雨量推算茶树不同时期灌溉情况(表7)。

表7 茶树生长发育期内不同时期灌溉量
Table 7 Irrigation scale at different periods of tea growth and development

茶树生长时期Tea growingperiod生长月份Growing month需水量/mmWater demand有效降雨量/mmEffectiveprecipitation茶园灌溉量/mmTea plantationirrigation灌溉次数Irrigationtimes春梢期Spring3月上旬—5月上旬Early March to early May345265～345 0～801～4夏梢期Summer6月上旬—7月下旬Early June to late July577217～377200～3600～1秋梢期Autumn8月中旬—10月上旬Mid August to early October345245～345 0～1002～5越冬萌发期Winter12月上旬—2月上旬Early December to early February150130～150 0～202～7其余时期Other time119 79～119 0～401～3

表7中显示茶树在越冬萌发期及秋梢期需要进行多次的灌溉，这可能是由于该时期降雨量较低，需要多次灌溉防止茶树缺水，但由于茶树在该时期需水量并不大，因此不需要进行大额灌溉，茶树该时期灌溉量在0～100 mm。夏梢期降雨量虽高，但蒸发蒸腾量高且作物在该时期需水量较大，因此需要进行较大额灌溉，茶树灌溉量在200～360 mm。

3.3 田间试验结果

2021年2月—2021年5月，在安徽省黄山市六百里茶园进行现场试验。其中精准灌溉区采用地下铺管输水方式进行灌溉，茶树品种均为太平猴魁，灌溉水源均来自水库，每块区域内环境基本相同，9°试验区、20°试验区、45°试验区试验结果(表8)来自黄山太平地区六百里茶园基地。

表8 不同坡度下试验区灌溉量及茶叶产量
Table 8 Irrigation amount and tea yield in the experimental area of different slopes

灌溉方式Irrigation method有效降雨量/mmEffectiveprecipi-tation坡度9° Slope 9°坡度20° Slope 20°坡度45° Slope 45°灌溉量/mmIrrigationamount节水率/%Watersavingrate鲜茶产量/kgFreshtea yield灌溉量/mmIrrigationamount节水率/%Watersavingrate鲜茶产量/kgFreshtea yield灌溉量/mmIrrigationamount节水率/%Watersavingrate鲜茶产量/kgFreshtea yield不进行灌溉No irrigation173.00.0—38.10.0—38.60.0—40.5人工灌溉Artificial watering173.0258.0—44.8266.0—47.3287.0—48.8精准灌溉Precision irrigation173.0176.431.644.3183.830.948.0187.434.749.1

由表8可知，茶树如果不进行灌溉，则会影响茶叶的产量，而且精准灌溉较人工灌溉，在不影响产量的条件下，精准灌溉的需水量低于人工灌溉，节水率为30%～35%。本试验说明基于CART算法的茶园精准灌溉方法的研究能够满足该地区茶树需水要求，也能实现水资源的高效利用，符合精准灌溉的要求。

4 讨论与结论

本研究从灌溉时机与灌溉量2个方面对安徽黄山太平地区茶园的精准灌溉方式进行综合分析，初步阐明茶园精准灌溉系统中影响灌溉的关键属性。一方面发现不同深度的土壤湿度对精准灌溉影响最大，这与Li等、Snchez-Molina等、Kourosh等、朱小倩认为土壤湿度与灌溉之间的关系最为紧密的结论相似，但是通过试验发现天气状况与生长期同样对灌溉有着重要的影响；另一方面通过预测得出该地区茶树的年灌溉次数为12次，这与吴丹的研究得出的茶树年需水灌溉次数为8～13次结论基本一致。

通过对当地气候环境及降雨量分析后，发现茶树夏梢期需补充的灌溉量达到200～360 mm，这与谌介国等研究认为茶树仅在7月份灌溉需水量就达到176.2 mm的结论略有不同，这可能是由于长沙与黄山地区气候条件不同所导致。同时针对田间试验发现随着坡度的上升，茶树的产量也在逐步上升，后续可以增加坡度属性进一步完善本研究。

本研究主要结论如下：

1)用CART算法与逻辑回归、支持向量机等算法并进行对比预测茶树灌溉时机，总体性能较好，准确率、精确率、召回率、

F

1值分别达到97.4%、99.0%、98.0%、0.985；

利用本研究构建的CART茶园预测灌溉模型与作物理论灌溉量模型计算得出茶树在夏梢期需要补充的灌溉量最大，在秋梢期以及越冬萌发期需要进行多次小额灌溉，避免茶树出现缺水情况。

2)田间试验验证发现精准灌溉较人工灌溉节水效果明显，在保证产量的条件下，节水率达到30%～35%。