Erhöhung der Effizienz der Pflanzenwasserversorgung bei der Oberflächenbewässerung durch die Verbindung physikalisch begründeter Strömungsmodelle mit künstlichen neuronalen Netzen

通过将基于物理的流量模型与人工神经网络相连接，提高地表灌溉中植物供水的效率

• 批准号: 5182364
• 负责人: Professor Dr.-Ing. Gerd H. Schmitz
• 金额: --
• 依托单位: Professur für Hydrologie
• 依托单位国家: 德国
• 项目类别: Research Grants
• 财政年份: 1999
• 资助国家: 德国
• 起止时间: 1998-12-31 至 2006-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/5182364?language=en
• 关键词: Erh; hung; der; Effizienz; Pflanzenwasserversorgung

Die Erhöhung der Nahrungsmittelproduktion zur Deckung des Bedarfs erfordert eine effizientere Bewässerung, was kaum noch durch die vielbehandelte Optimierung der Wasserzuführung zu erreichen ist, sondern nur durch eine ausgewogenere Pflanzenwasserversorgung. Diese soll erreicht werden durch die Verbindung physikalisch begründeter Modelle der ober- und unterirdischen Strömungsvorgänge mit künstlichen neuronalen Netzen als neues Prinzip zur Ermittlung günstigster Bewässerungsparameter. Das Vorgehen nutzt die Stärken der Prozeßmodelle für extrapolierende Berechnung und die enormen Vorteile künstlicher neuronaler Netze zur Interpolation einmal gespeicherter Szenarien. In einem 1. Schritt generieren die Strömungsmodelle eine Palette aller realistischen Bewässerungszenarien für ein Gebiet. Damit wird nun dem neuronalen Netz das Verhalten dieses Systems erschöpfend angelernt. Vor Ort liefert in einem 2. Schritt das neuronale Netz dann die Bewässerungsparameter für dieses Gebiet. Dieses 2-phasige Vorgehen vermeidet die hochkomplexe, klassische Optimierung und führt über die Entkopplung von Prozeßmodellierung und Optimierung zu einer einfachen Bestimmung der günstigsten Bewässerungsparameter. Eine Kopplung mit Pflanzenwachstumsmodellen überprüft u.a. die Nachhaltigkeit der zunächst für optimal befundenen Bewässerungsstrategie. Das angelernte neuronale Netz bietet eine kontinuierliche Adaption an sich verändernde Umweltbedingungen und kann z.B. in Form eines Chips weitreichende Anwendungsmöglichkeiten eröffnen.

迪塞索尔结合物理原理和科学神经网络的物理模型是新的原理。在埃内姆 1. das Verhalten dieses Systems erschöpfendangelernt。 Eine Kopplung mit Pflanzenwachstumsmodellen überprüft u.a. die Nachhaltigkeit der zunächst for best befundenen Bewässerungsstrategie。在形式 eines Chips weitreichende Anwendungsmöglichkeiten eröffnen。