基于IOT和GA-Elman的農(nóng)田智慧灌溉控制系統(tǒng)研究

楊甘露

(湖南省建筑科學(xué)研究院有限責(zé)任公司，湖南 長(zhǎng)沙 410000)

隨著科學(xué)技術(shù)的發(fā)展，傳統(tǒng)農(nóng)業(yè)逐漸向智能化、精準(zhǔn)化和科學(xué)化管理的現(xiàn)代農(nóng)業(yè)轉(zhuǎn)變，要實(shí)現(xiàn)農(nóng)業(yè)的智能化和精準(zhǔn)化發(fā)展，即必須對(duì)農(nóng)田環(huán)境進(jìn)行實(shí)時(shí)感知和控制，因而農(nóng)田環(huán)境監(jiān)測(cè)具有監(jiān)測(cè)范圍廣、監(jiān)測(cè)時(shí)間長(zhǎng)、影響因素多且復(fù)雜多變等特點(diǎn)，傳統(tǒng)的農(nóng)業(yè)監(jiān)測(cè)設(shè)備難以滿足上述要求，且普遍存在穩(wěn)定性差、實(shí)時(shí)性不高等問(wèn)題，因而有必要開展農(nóng)田智慧灌溉控制等相關(guān)研究[1-5]。

物聯(lián)網(wǎng)技術(shù)(Internet of Things，簡(jiǎn)稱IOT)是實(shí)現(xiàn)現(xiàn)代農(nóng)業(yè)的重要技術(shù)支撐，隨著相關(guān)技術(shù)的不斷成熟，已在農(nóng)業(yè)、水利等多個(gè)領(lǐng)域得到廣泛應(yīng)用[6-10]。物聯(lián)網(wǎng)技術(shù)可以提高農(nóng)業(yè)監(jiān)測(cè)的實(shí)時(shí)性，但無(wú)法對(duì)未來(lái)一段時(shí)間內(nèi)的灌溉需水量進(jìn)行準(zhǔn)確預(yù)測(cè)，因此，需要借助一定的技術(shù)手段，對(duì)監(jiān)測(cè)獲得的農(nóng)田環(huán)境基本參數(shù)進(jìn)行處理和分析，從而實(shí)現(xiàn)灌溉的科學(xué)化管理。遺傳算法(Genetic Algorithm，簡(jiǎn)稱GA)具有全局尋優(yōu)功能，而Elman神經(jīng)網(wǎng)絡(luò)則具有傳統(tǒng)神經(jīng)系統(tǒng)無(wú)法比擬的全局穩(wěn)定性，將兩者結(jié)合應(yīng)用，可實(shí)現(xiàn)短期內(nèi)的精準(zhǔn)預(yù)測(cè)[11-13]。

本文擬將GA和Elman神經(jīng)網(wǎng)絡(luò)結(jié)合應(yīng)用到智慧灌溉系統(tǒng)中，以期能為提高農(nóng)業(yè)灌溉準(zhǔn)確性和穩(wěn)定性提供借鑒。

1 基于IOT的智慧灌溉控制系統(tǒng)

1.1 LoRa無(wú)線通信技術(shù)

LoRa無(wú)線通信技術(shù)是一種低功耗的廣域網(wǎng)技術(shù)，傳輸頻段為433MHz，傳輸速率為0.25～50kbps，擴(kuò)散系數(shù)為7～12，主要由終端節(jié)點(diǎn)、網(wǎng)關(guān)、網(wǎng)絡(luò)服務(wù)器以及應(yīng)用程序服務(wù)器4個(gè)部分組成。LoRa無(wú)線通信具有低功耗大容量(工作電流10mA，休眠電流200nA)、遠(yuǎn)距離傳輸(0～40km)、易于建設(shè)和部署(終端節(jié)點(diǎn)無(wú)需布線)、成本低廉(芯片成本約17元，每年運(yùn)行成本約8.5元)等諸多優(yōu)勢(shì)，同時(shí)具有低噪聲和超強(qiáng)的抗干擾能力。

1.2 NB無(wú)線通信技術(shù)

NB無(wú)線通信技術(shù)作為一種3GPP無(wú)線接入LPWAN技術(shù)，可實(shí)現(xiàn)獨(dú)立、防護(hù)帶以及帶內(nèi)3種工作模式，支持上行鏈路的數(shù)據(jù)傳輸速率范圍為160～200kHz，支持下行鏈路的數(shù)據(jù)傳輸速率范圍為160～250kHz，相比傳統(tǒng)的GSM和LTE技術(shù)，具有穩(wěn)定性好、覆蓋性廣、連接量大、功耗低以及成本低廉等特點(diǎn)。

1.3 控制系統(tǒng)架構(gòu)

智慧灌溉控制系統(tǒng)主要由采集節(jié)點(diǎn)和匯聚節(jié)點(diǎn)兩部分組成，如圖1所示。采集節(jié)點(diǎn)主要包括LoRa通信模塊、傳感器模塊、繼電器模塊、電源模塊、時(shí)鐘模塊以及復(fù)位電路等裝置，采集節(jié)點(diǎn)的主要作用是通過(guò)傳感器模塊采集數(shù)據(jù)，然后利用LoRa通信模塊將采集到的數(shù)據(jù)傳輸給匯聚節(jié)點(diǎn)。匯聚節(jié)點(diǎn)主要包括NB通信模塊、LoRa通信模塊、按鍵模塊、電源電路、時(shí)鐘電路以及復(fù)位電路等裝置，主要作用是利用NB通信模塊將傳輸過(guò)來(lái)的數(shù)據(jù)匯聚上傳至物聯(lián)網(wǎng)平臺(tái)，方便工作人員了解農(nóng)田中的實(shí)時(shí)狀況，同時(shí)匯聚節(jié)點(diǎn)還可以通過(guò)按鍵模塊來(lái)對(duì)智慧灌溉系統(tǒng)發(fā)出操作指令，從而實(shí)現(xiàn)物聯(lián)網(wǎng)平臺(tái)和農(nóng)田整個(gè)灌溉系統(tǒng)的智能控制。

圖1 智慧灌溉控制系統(tǒng)架構(gòu)

本智慧灌溉系統(tǒng)通過(guò)在農(nóng)田中部署大量的LoRa、NB無(wú)線通信傳感器，組建物聯(lián)網(wǎng)分布式無(wú)線傳感器網(wǎng)絡(luò)，可實(shí)現(xiàn)對(duì)農(nóng)田的當(dāng)前環(huán)境狀況的實(shí)時(shí)感知和調(diào)節(jié)，對(duì)于提升農(nóng)田灌溉質(zhì)量和效率具有重要意義。

2 基于GA-Elman的需水量預(yù)測(cè)模型

2.1 遺傳算法(GA)

GA最早起源于20世紀(jì)60年代，通過(guò)模擬自然進(jìn)化過(guò)程而隨機(jī)尋找全局最優(yōu)解的算法，在求解復(fù)雜的組合運(yùn)算時(shí)能夠更快更好的獲得優(yōu)化結(jié)果，在組合優(yōu)化、機(jī)器學(xué)習(xí)、信號(hào)處理、自適應(yīng)控制等多個(gè)領(lǐng)域得到廣泛應(yīng)用。主要包括6個(gè)運(yùn)算過(guò)程：

(1)初始化種群并編碼，本文選擇實(shí)數(shù)編碼方式。

(2)計(jì)算個(gè)體的適應(yīng)度。

(3)選擇運(yùn)算，本文采用輪盤賭法：

(1)

式中，pi—染色體被選中概率；i—第i個(gè)個(gè)體；fi—適應(yīng)度；N—種群的總個(gè)數(shù)。

(4)交叉運(yùn)算，本文選用單點(diǎn)交叉運(yùn)算方式。

(5)變異運(yùn)算：

(2)

式中，Aij—變異后的染色體；aij—對(duì)第i個(gè)體進(jìn)行第j染色體的變異運(yùn)算；amax、amin—染色體的上限值、下限值。

f(g)=r(1-g/G)

(3)

式中，r—0～1之中的隨機(jī)數(shù)；g—當(dāng)前迭代次數(shù)；G—最大迭代次數(shù)。

(6)終止條件判斷。

遺傳算法流程示意如圖2所示。

圖2 遺傳算法流程

2.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)可分為前饋型和反饋型兩類，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為前饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，而本文采用的Elman 神經(jīng)網(wǎng)絡(luò)屬于反饋型神經(jīng)網(wǎng)絡(luò)，Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)增加了一個(gè)承接層用作數(shù)據(jù)反饋(自連接方式)，可以保存上一隱含層的輸出數(shù)據(jù)，然后在進(jìn)行下一次神經(jīng)網(wǎng)絡(luò)運(yùn)算時(shí)將數(shù)據(jù)輸入到隱含層，不僅使神經(jīng)網(wǎng)絡(luò)具有記憶歷史數(shù)據(jù)的能力，而且可以使神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)動(dòng)態(tài)建立模型的目的，不僅提高了預(yù)測(cè)結(jié)果的精準(zhǔn)性，而且增強(qiáng)了神經(jīng)網(wǎng)絡(luò)的全局穩(wěn)定性。Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意如圖3所示。

圖3 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.3 模型構(gòu)建

由于Elman神經(jīng)網(wǎng)絡(luò)在進(jìn)行預(yù)測(cè)時(shí)，初始權(quán)值和閾值是隨機(jī)選取的，對(duì)收斂效果有較大影響，這很可能造成最終得到的最優(yōu)解僅僅是局部的，因此需要借助于遺傳算法的全局尋優(yōu)功能，使Elman神經(jīng)網(wǎng)絡(luò)盡可能收斂得到全局最優(yōu)，從而提升農(nóng)田需水量的預(yù)測(cè)精度。

將遺傳算法和Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建GA-Elman農(nóng)田需水量預(yù)測(cè)模型，如圖4所示。該預(yù)測(cè)模型的算法實(shí)現(xiàn)主要包括以下幾個(gè)步驟：①監(jiān)測(cè)到的空氣溫濕度、土壤溫濕度、光照強(qiáng)度等農(nóng)田環(huán)境基本參數(shù)輸入到數(shù)據(jù)庫(kù)中，并進(jìn)行歸一化預(yù)處理；②確定Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)層數(shù)和節(jié)點(diǎn)個(gè)數(shù)，并將Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行初始化處理；③利用遺傳算法求解最優(yōu)的Elman神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值；④對(duì)獲取得到的最優(yōu)權(quán)值和閾值進(jìn)行誤差分析，若沒(méi)有達(dá)到訓(xùn)練精度要求，則繼續(xù)返回重新求解，若達(dá)到訓(xùn)練精度要求，則輸出最終的預(yù)測(cè)需水量值。

圖4 GA-Elman農(nóng)田需水量預(yù)測(cè)模型流程

2.4 模型檢驗(yàn)

對(duì)一塊種植油菜的試驗(yàn)田灌溉數(shù)據(jù)進(jìn)行模型檢驗(yàn)分析，試驗(yàn)時(shí)間為50d，其中前45d數(shù)據(jù)作為訓(xùn)練集樣本，后5d數(shù)據(jù)作為預(yù)測(cè)值樣本，Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入層節(jié)點(diǎn)數(shù)為7，輸出層節(jié)點(diǎn)數(shù)為1，隱含層節(jié)點(diǎn)數(shù)為10，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為7-10-1，種群大小設(shè)置為60，交叉概率設(shè)置為50%，變異概率設(shè)置為10%，迭代次數(shù)設(shè)置為40，得到的需水量實(shí)際值與預(yù)測(cè)值對(duì)比情況如圖5所示。從圖5中可知：GA-Elman模型預(yù)測(cè)需水量與實(shí)際需水量基本接近，平均誤差僅為2.4%，通過(guò)前期農(nóng)田環(huán)境監(jiān)測(cè)數(shù)據(jù)，可以對(duì)未來(lái)一段時(shí)間內(nèi)的灌溉需水量進(jìn)行準(zhǔn)確預(yù)測(cè)。

圖5 模型檢驗(yàn)結(jié)果

3 智慧灌溉系統(tǒng)應(yīng)用

3.1 智慧灌溉流程

將基于IOT的灌溉控制系統(tǒng)與GA-Elman模型相結(jié)合，得到智慧灌溉流程示意如圖6所示。首先將農(nóng)田環(huán)境基本參數(shù)輸入數(shù)據(jù)庫(kù)，并進(jìn)行歸一化處理，其次進(jìn)行GA-Elman神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置，接著進(jìn)行GA-Elman神經(jīng)網(wǎng)絡(luò)誤差分析，然后得到模型需水量的預(yù)測(cè)結(jié)果，緊接著，系統(tǒng)根據(jù)需水量預(yù)測(cè)結(jié)果，設(shè)置灌溉控制器的灌溉量，最后通過(guò)物聯(lián)網(wǎng)平臺(tái)下發(fā)灌溉指令，對(duì)閥門進(jìn)行遠(yuǎn)程控制，從而實(shí)現(xiàn)農(nóng)田的智慧灌溉[14]。

圖6 智慧灌溉流程

3.2 應(yīng)用結(jié)果

對(duì)每畝油菜種植采用傳統(tǒng)灌溉方式和智慧灌溉控制系統(tǒng)后的耗水量進(jìn)行了對(duì)比分析，結(jié)果見(jiàn)表1。從表1中可以看到，每畝油菜在生長(zhǎng)周期內(nèi)，傳統(tǒng)灌溉方式需要消耗179m3，而采用智慧灌溉系統(tǒng)進(jìn)行水肥一體化滴灌之后，每畝油菜只需要28m3，節(jié)水率達(dá)到84.4%，同時(shí)在油菜產(chǎn)量方面，傳統(tǒng)灌溉方式為150kg，而使用智慧灌溉系統(tǒng)進(jìn)行水肥一體化滴灌之后，畝產(chǎn)提升至165kg，產(chǎn)量提升幅度為10%，表明智慧灌溉控制系統(tǒng)不僅可以節(jié)約水資源，而且可以提升灌溉質(zhì)量，提升農(nóng)作物產(chǎn)量。

表1 兩種灌溉方式下需水量及產(chǎn)量對(duì)比

4 結(jié)語(yǔ)

(1)基于物聯(lián)網(wǎng)技術(shù)構(gòu)建智慧灌溉控制系統(tǒng)，該系統(tǒng)采用了最先進(jìn)的LoRa、NB無(wú)線通信技術(shù)，可實(shí)現(xiàn)對(duì)農(nóng)田環(huán)境狀況的實(shí)時(shí)感知和調(diào)節(jié)。

(2)在GA和Elman神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，構(gòu)建GA-Elman農(nóng)田需水量預(yù)測(cè)模型，該模型綜合了GA的全局尋優(yōu)功能及Elman神經(jīng)網(wǎng)絡(luò)的全局穩(wěn)定性，平均誤差僅為2.4%，可實(shí)現(xiàn)灌溉需水量的精準(zhǔn)預(yù)測(cè)。

(3)對(duì)傳統(tǒng)灌溉和智慧灌溉兩種灌溉方式進(jìn)行對(duì)比，采用智慧灌溉方式較傳統(tǒng)灌溉節(jié)水率達(dá)到84.4%，畝產(chǎn)量提升幅度為10%。

(4)由于農(nóng)業(yè)灌溉是一項(xiàng)復(fù)雜的系統(tǒng)工程，影響農(nóng)作物灌溉用水量的因素很多，本文僅對(duì)溫度、濕度、光照強(qiáng)度等幾個(gè)因素進(jìn)行了監(jiān)測(cè)，后續(xù)還將增加氣壓、風(fēng)速、日照輻射等其他因素進(jìn)行綜合預(yù)測(cè)。