Intelligent Prediction of Spray Distribution and Hydraulic Behavior in an Automatic Spraying Machine for Precision Agriculture
Abdallah Elshawadfy Elwakeel · Abdallah Zein Elden · Saad Ahmed 等 6 人
用机器学习预测自动喷雾机的流量、喷幅、角度和重叠，实现精准农业。
实验测试4种喷嘴、5压力、3高度共60工况，用Extra Trees和SVR建模
Extra Trees预测流量、喷幅和重叠最佳，SVR预测角度最佳；压力增加流量和喷幅，高度增加喷幅
模型仅限特定喷嘴和静态条件，可扩展至其他喷嘴、移动平台和实时控制，需更多验证。
论文提出预测喷雾分布与液压行为的机器学习框架，数据详实，对精准农业装备优化有参考价值。
摘要 现有机器学习在农业喷施中的应用主要集中在雾滴尺寸描述符、冠层覆盖率、沉积量或基于图像的喷雾检测方面，而同时从可控操作变量预测水力与几何喷雾响应的研究仍较为有限。本研究开发了一个实验-计算框架，用于根据喷嘴型号、操作压力和喷雾高度预测平均喷嘴流量、有效喷雾宽度、推导喷雾角度及平均喷嘴间重叠量。研究评估了四种空心锥陶瓷喷嘴型号，在五个压力水平（6.0–9.5 bar）和三个高度（30–50 cm）下进行测试，共产生60种操作条件，每种条件重复三次。由此得到的180次实验运行被平均为60条条件级记录，用于机器学习分析。在所研究的操作条件下，平均喷嘴流量范围为0.98至2.03 L，有效喷雾宽度范围为34.75至71.50 cm，最大推导喷雾角度达到96.77°，平均喷嘴间重叠量范围为34.00至71.67 cm。极端随机树回归器（Extra Trees Regressor）在预测平均喷嘴流量（，RMSE = 49.25 mL，MAE = 37.99 mL）、有效喷雾宽度（，RMSE = 2.37 cm）和平均重叠量（，RMSE = 3.13 cm）方面表现最佳。采用径向基函数核的支持向量回归（support vector regression with a radial basis function kernel）在推导喷雾角度预测中表现最优（，RMSE = 3.53°）。压力增加了流量和横向覆盖范围，而增加高度则拓宽了覆盖范围，但通常减小了几何推导角度。所建立的模型能够在所研究的实验域内提供快速的条件级估计，并可作为物理校准的补充手段。将其推广至其他喷嘴系列、移动平台、田间环境或实时控制仍需进一步验证。