具体实施方式

附图提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。下面结合附图和实施例对本发明做过更进一步的解释。

一种基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统由全同弱光纤光栅阵列含水率传感器、弱光纤光栅解调分析仪、气象站和具备远程控制能力的电源管理器四部分及各部分之间的连接线路构成。其中，热脉冲全同弱光纤光栅阵列含水率传感器由三孔高导热性管和管内贯穿的光纤、镍铬电热丝组成，光纤上分布有全同弱光纤光栅，高导热性管孔内与镍铬电热丝、光纤间的孔隙使用导热材料充填。传感器中的镍铬电热丝通过导线和电源管理器连接，光纤通过光纤引线和弱光纤光栅解调分析仪连接。所述全同弱光纤光栅阵列含水率传感器可单独使用、也可以相互串联、并联连接构成监测网。弱光纤光栅解调分析仪由解调模块、分析模块、控制模块组成，分析模块内置人工神经网络算法。

进一步的，所述全同弱光纤光栅阵列传感器监测含水率的具体方法为：通过电源管理器对全同弱光纤光栅阵列含水率传感器中的镍铬电热丝脉冲加热，利用弱光纤光栅解调分析仪解调模块采集并记录加热过程中各全同弱光纤光栅中心波长读数，并将数据传输至分析模块，分析模块将波长数据转化为全同弱光纤光栅布设处的温度信息，再依据传感器标定曲线，将温度信息转化为含水率信息。进一步的，所述气象站通过数据线与弱光纤光栅解调分析仪相连，将测得的气象数据，包括温度、气压、降雨情况，传输到弱光纤光栅解调分析仪的分析模块。

进一步的，所述弱光纤光栅解调分析仪分析模块将所得的气象信息和含水率信息输入内置的人工神经网络算法进行深度学习，即对不同自然气候环境中的土壤含水率变化数据集中处理、深度学习，建立温度、气压、降雨强度、降雨历时等因素对土壤水分场扰动的人工神经网络模型。在积累一定数据的基础上，弱光纤光栅解调分析仪分析模块能基于建立的人工神经网络模型根据气象预报信息预测土体水分运移情况，并将预测信息传输给控制模块，控制模块能预设土壤含水率变化阈值，若预测值超过阈值，控制模块能通过云端传递预警信号。

进一步的，所述弱光纤光栅解调分析仪控制模块能智能控制电源管理器，根据气象情况灵活调整监测周期，也可人为远程控制。

所述的一种基于热脉冲全同弱光纤光栅阵列的土壤含水率智能监测系统原位标定方法包括如下步骤：

步骤一：根据监测设计要求将全同弱光纤光栅阵列含水率传感器埋入待测土体，选取具有代表性和特殊性的弱光纤光栅传感器作为标定弱光纤光栅，在其周围同一水平位置50cm范围内布置常规传感器，并配置给水管，埋设过程中确保传感器与土体接触良好。

步骤二：通过给水管分次给土体定点输入水分，输水间隔中用全同弱光纤光栅阵列传感器和常规传感器对土体含水率进行监测。

步骤三：将同一时间常规传感器测得的原位土壤体积含水率值对相应位置处的标定弱光纤光栅传感器测得的最大升温值进行标定。

步骤四：基于最小二乘法运用不同函数模型对含水率与最大升温值之间的函数关系进行拟合，选择拟合精度最高的模型确定为各个标定弱光纤光栅的土壤含水率标定曲线，进而得到整个全同弱光纤光栅阵列含水率传感器标定曲线，用于后续土壤含水率监测。

进一步的，所述步骤一的常规传感器通过读数线与数据采集仪连接，读数线与给水管通过硬质PVC管贯穿土体，并由硬质PVC管提供保护和固定作用。所述步骤一中选取的标定弱光纤光栅数量和位置由待测土体结构和性质、监测精度要求、场地复杂程度等因素确定。代表性是指埋设于结构、性质基本相同的土体中的弱光纤光栅传感器，在其中随机选取全同弱光纤光栅进行标定，得到的标定曲线能代表该部分全部全同弱光纤光栅性质。特殊性是指布设在监测重点位置处的弱光纤光栅传感器，该位置需要加密精确监测，布设的传感器都需要进行标定。

进一步的，所述步骤二中通过定点输水对土体水分场进行扰动，分次输水使传感器可以测量不同含水率的土体，获取足够含水率信息用于全同弱光纤光栅阵列含水率传感器标定，各次输水量的大小及时间间隔由待测土体性质及监测设计要求共同确定。所述步骤二中全同弱光纤光栅阵列传感器监测的具体方法为：在输水间隔过程中，通过电源管理器对全同弱光纤光栅阵列含水率传感器脉冲加热，利用弱光纤光栅解调分析仪解调分析得光纤光栅布设处的温度信息，确定各标定弱光纤光栅的最大升温值。

进一步的，所述步骤三最大升温值定义如下：对弱光纤光栅传感器脉冲加热，光纤温度先升高后趋于稳定，升温值与土体含水率密切相关，可转换为土体含水率信息。为减小加热早期光纤热特性和接触热阻对温度数据的影响，以及土体不均匀、测试系统不稳定等原因造成的误差，可选取温度场稳定后升温值的算数平均值代替某个时间点的升温数据进行分析，称为最大升温值。土体含水率越高的位置导热系数越高、最大升温值越小，即土体含水率与最大升温值为负相关关系。最大升温值可通过分析模块处理温度信息得到。

进一步的，所述步骤四的函数模型包括线性函数、二次函数多项式以及幂函数等多种函数形式，待测土体的性质不同，各函数模型的拟合精度也会有所不同。

进一步的，所述步骤五的环境温度由气象站提供。

实施例1：

本实施例中用全同弱光纤光栅阵列含水率传感器和常规传感器监测各分次定点输水间隔土壤含水率并对全同弱光纤光栅阵列含水率传感器进行标定。待测场地土层从上至下依次为粉砂层、细砂层、中砂层。具体实施步骤如下：

(1)埋设传感器。按照监测设计，将三个全同弱光纤光栅阵列含水率传感器埋入待测土体，全同弱光纤光栅阵列含水率之间串联连接构成监测网络，埋设过程中确保传感器与土体接触良好。

(2)确定标定弱光纤光栅。在三种土层各选出一个弱光纤光栅来代表该土层所有全同弱光纤光栅进行标定，在被选择的三个标定弱光纤光栅周围同一水平位置50cm范围内布置介电常数传感器。

(3)原位监测。通过给水软管分次给土体定点输入水分，输水间隔中用全同弱光纤光栅阵列传感器和介电常数传感器对土体含水率进行监测。具体方法为：通过电源管理器对全同弱光纤光栅阵列含水率传感器的镍铬电热丝脉冲加热，控制加热电流为0.60A，加热时间为120s。利用弱光纤光栅解调分析仪采集并记录光纤从加热升温到回复初值整个过程的全同弱光纤光栅中心波长读数，利用弱光纤光栅解调分析仪中的分析模块将波长数据转化为光栅位置处的温度信息并求得对应的最大升温值。同时利用数据采集仪读取介电常数传感器测得的土壤含水率值。

(4)制图。将同一时间介电常数传感器测得的土壤含水率值和相应位置处的标定弱光纤光栅传感器测得的最大升温值一一对应制成最大升温值ΔT-含水率θ散点图。

(5)拟合含水率标定曲线。基于最小二乘法分别运用线性函数、幂函数以及二次函数多项式模型对含水率与最大升温值的函数关系进行拟合，幂函数拟合精度最高，确定为传感器的标定曲线，如图4所示。由图可知，在该监测过程的环境温度下，监测场地粉砂层、细砂层、中砂层中埋设的弱光纤光栅传感器最大升温值ΔT_max-含水率θ标定曲线分别是ΔT_max＝1.4779θ^-0.509、ΔT_max＝3.1095θ^-0.394、ΔT_max＝5.2487θ^-0.316。

实施例2：

本实施例是在实施例1获得待测场地全同弱光纤光栅阵列含水率传感器的标定曲线的基础上，对该场地进行长期监测。具体实施步骤如下：

设置远程电源管理器开关时间，每隔4小时给全同弱光纤光栅阵列含水率传感器通电加热1次，加热电流为0.60A，加热时间为120s。利用弱光纤光栅解调分析仪采集并记录光纤从加热升温到回复初值整个过程的弱光纤光栅中心波长读数，运用弱光纤光栅解调分析仪中的解调模块将波长数据转化为光纤光栅布设处的温度信息，并将数据传输至分析模块。分析模块利用标定曲线将温度信息转化为含水率信息，所得的含水率监测数据能通过云端传送，实现对监测场地含水率变化情况的实时监测。同时，弱光纤光栅解调分析仪的分析模块自动读取并记录气象站测得的气象数据，包括温度、气压、降雨情况。分析模块将所得的气象数据和含水率数据输入内置的人工神经网络算法进行深度学习，对不同自然气候环境中的土壤含水率变化数据集中处理、深度学习，建立温度、气压、降雨量等因素对土壤水分场扰动的人工神经网络模型。模型创建的具体实现方法为首先确定每12h为一个时间区间将整个监测过程进行划分，再将各时间区间等周期(周期为4h)划分为4个时间节点。通过分析模块内置神经网络算法创建4层前向人工神经网络，隐含层层数2层，每层节点数为10个。神经网络模型训练学习的具体方法为将任意时间区间除最后一个时间节点外所有时间节点的温度值、气压值、降雨量值及该时间区间土壤初始含水率值输入人工神经网络模型输入层，将最后一个时间节点的含水率值，即该时间区间结束时的土壤终止含水率值作为输出层数值进行监督学习。将划分得的多个时间区间的监测数据对创建的人工神经网络模型多次训练，提高模型计算、预测精度。连续监测过程中将每次新测得的数据输入所得人工神经网络模型，对该模型进一步训练。在连续获取180天数据进行模型训练后，利用建立的人工神经网络模型根据已知气象信息和含水率信息预测某时间区间结束时的土壤终止含水率值，并将预测信息传输给控制模块，若预测值超过控制模块预设的土壤含水率变化阈值，控制模块能通过云端传递预警信号。