基于LPWAN物聯(lián)網(wǎng)與專家系統(tǒng)的果園精準(zhǔn)灌溉研究

海 濤，陸 猛，周文杰，李娜娜，李伏生

（1.廣西大學(xué)電氣工程學(xué)院，南寧530004；2.廣西大學(xué)農(nóng)學(xué)院，南寧530004）

水果富含多種人體必需的營養(yǎng)元素，是日常生活中不可或缺的一部分。果園環(huán)境復(fù)雜且種植面積寬廣，造成灌溉與管理成本過高。隨著物聯(lián)網(wǎng)技術(shù)［1-4］的發(fā)展和專家系統(tǒng)的應(yīng)用［5］，研究人員可以利用信息化手段對(duì)果園進(jìn)行管理，克服灌溉和管理成本高的難題。楊偉志等［6-7］基于ZigBee 通信網(wǎng)絡(luò)搭建果園監(jiān)控系統(tǒng)，實(shí)現(xiàn)果樹墑情監(jiān)測與灌溉控制，但存在通信距離短、抗干擾能力差、組網(wǎng)困難等缺陷，無法滿足現(xiàn)代農(nóng)業(yè)低功耗和遠(yuǎn)距離的需求［8］。龍曉明等［9］基于LoRa 通信建立山地果園灌溉系統(tǒng)，延長了通信距離，節(jié)省了中繼節(jié)點(diǎn)，但存在部分節(jié)點(diǎn)通信信號(hào)不穩(wěn)定，大范圍、多區(qū)域覆蓋需要搭建多通基站節(jié)點(diǎn)的不足。

隨著現(xiàn)代農(nóng)業(yè)建設(shè)的持續(xù)發(fā)展，農(nóng)業(yè)行業(yè)對(duì)精準(zhǔn)灌溉的需求將進(jìn)一步擴(kuò)展，構(gòu)建通信穩(wěn)定可靠與科學(xué)決策的灌溉系統(tǒng)具有重要意義。該研究構(gòu)建了基于LPWAN（Low-Power Wide-Area Network，低功耗廣域網(wǎng)）物聯(lián)網(wǎng)與專家系統(tǒng)的果園精準(zhǔn)灌溉系統(tǒng)，實(shí)現(xiàn)果園環(huán)境信息的遠(yuǎn)程監(jiān)測，依據(jù)專家知識(shí)，結(jié)合采集的環(huán)境數(shù)據(jù)與降雨預(yù)測信息，對(duì)灌溉裝置進(jìn)行遠(yuǎn)程控制，實(shí)現(xiàn)果園的精準(zhǔn)灌溉。

1 系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

1.1 系統(tǒng)結(jié)構(gòu)

系統(tǒng)由終端傳感器、灌溉裝置及控制模塊、通信模塊、云服務(wù)器及專家系統(tǒng)、數(shù)據(jù)庫和用戶終端組成，如圖1所示。節(jié)點(diǎn)根據(jù)數(shù)據(jù)采集信號(hào)實(shí)時(shí)采集果園環(huán)境數(shù)據(jù)，通信模塊通過低功耗廣域網(wǎng)將數(shù)據(jù)傳輸?shù)皆品?wù)器，經(jīng)分析處理后存儲(chǔ)于數(shù)據(jù)庫。專家系統(tǒng)根據(jù)調(diào)控規(guī)則對(duì)灌溉進(jìn)行調(diào)節(jié)，其決策結(jié)果由云服務(wù)器下發(fā)到基站，節(jié)點(diǎn)遵循控制信號(hào)啟動(dòng)或關(guān)閉電磁閥。用戶可通過PC（計(jì)算機(jī)）端和移動(dòng)端查詢相關(guān)信息和發(fā)送調(diào)控指令。

圖1 果園精準(zhǔn)灌溉系統(tǒng)結(jié)構(gòu)圖Fig.1 Structure of orchard precision irrigation system

1.2 組網(wǎng)設(shè)計(jì)

針對(duì)ZigBee 等傳統(tǒng)通信技術(shù)在果園環(huán)境中傳輸距離受限和數(shù)據(jù)傳輸不穩(wěn)定的問題，采用LoRa+NB-IoT 的混合方式通信。LoRa具有傳輸距離遠(yuǎn)，穿透性好，發(fā)射功耗低，抗干擾性強(qiáng)的優(yōu)勢；NB-IoT具有強(qiáng)鏈接，高覆蓋，低功耗和低成本的優(yōu)勢。

LoRa 模塊采用正點(diǎn)原子的ATK-LORA-01 模塊，該模塊采用高效率的ISM 頻段射頻SX1278 擴(kuò)頻芯片，發(fā)射功率20 bdBm，在植被密集的果園地區(qū)其通信距離能達(dá)到1 km 以上，工作電壓3.3～5 V，工作溫度-40～+85 ℃；NB-IoT 模塊采用穩(wěn)恒電子公司的WH-NB73模塊，發(fā)射功率23+/-2 dBm，通信距離可達(dá)15 km，工作電壓3.1～4.2 V，工作溫度-30～+80 ℃，工作濕度5%～95%。WH-NB73 與專用的NB-IoT 物聯(lián)網(wǎng)卡進(jìn)行通信，并通過射頻天線將采集到的數(shù)據(jù)直接發(fā)送到NB-IoT 基站。LoRa模塊與NB-IoT 模塊采用星型組網(wǎng)方式實(shí)現(xiàn)數(shù)據(jù)傳輸，LoRa 網(wǎng)絡(luò)將傳感器采集的數(shù)據(jù)發(fā)送到主節(jié)點(diǎn)，主節(jié)點(diǎn)通過NB-IoT 網(wǎng)絡(luò)上傳到基站，并通過VPDN 隧道直接與云平臺(tái)服務(wù)器進(jìn)行數(shù)據(jù)交換［10］。采集主節(jié)點(diǎn)以STM32F103ZET6 芯片為控制核心，節(jié)點(diǎn)MCU分別通過TTL、UART串口與LoRa、NB-IoT模塊通信。

1.3 硬件設(shè)計(jì)

該系統(tǒng)硬件包括各傳感器、微處理器、LoRa 模塊、NB-IoT模塊、電磁閥、定位模塊和供電模塊等，如圖2所示。該系統(tǒng)采用太陽能發(fā)電與市電聯(lián)合為各模塊供電，在日照充足的日間，太陽能發(fā)電為主要供電方式；而夜間或陰雨天氣等光照不足的情況使用市電輔助供電。

圖2 系統(tǒng)硬件原理框圖Fig.2 System hardware diagram

果園環(huán)境數(shù)據(jù)包括空氣溫濕度、土壤溫濕度、光照強(qiáng)度、降雨量等，傳感器選型如表1所示。終端控制器根據(jù)控制信號(hào)啟停電磁閥實(shí)現(xiàn)對(duì)果園灌溉裝置進(jìn)行控制。若收到數(shù)據(jù)采集信號(hào)時(shí)各傳感器開始采集并周期性把數(shù)據(jù)包上傳到基站，若收到的信號(hào)是灌溉控制信號(hào)則對(duì)電磁閥進(jìn)行對(duì)應(yīng)操作，如果未收到基站信息或收到的信號(hào)既不是采集信號(hào)也不是灌溉控制信號(hào)則系統(tǒng)進(jìn)入超低功耗模式（睡眠模式）。灌溉系統(tǒng)工作流程如圖3所示。

圖3 灌溉系統(tǒng)工作流程Fig.3 Working flow of irrigation system

表1 傳感器型號(hào)Tab.1 Sensor models

2 云服務(wù)器及專家系統(tǒng)設(shè)計(jì)

2.1 數(shù)據(jù)庫設(shè)計(jì)

該設(shè)計(jì)使用靈活性高、速率較快的關(guān)系數(shù)據(jù)庫MySQL 對(duì)系統(tǒng)產(chǎn)生的數(shù)據(jù)進(jìn)行存儲(chǔ)，通過JDBC 與數(shù)據(jù)庫建立連接，并處理SQL 語句的執(zhí)行結(jié)果［11］，對(duì)數(shù)據(jù)庫進(jìn)行數(shù)據(jù)的錄入、查詢、修改和刪除等操作。MySQL 數(shù)據(jù)庫中數(shù)據(jù)存儲(chǔ)于不同的表中，主要的數(shù)據(jù)表結(jié)構(gòu)為：①果園位置、面積等參數(shù)的基礎(chǔ)信息表；②傳感器采集的空氣、土壤溫濕度等參數(shù)的節(jié)點(diǎn)信息表；③雨量預(yù)測信息表；④果樹不同時(shí)期的需水量、土壤含水率閾值等信息的果樹需水量表；⑤灌溉策略規(guī)則表；⑥灌溉、施肥、剪枝等相關(guān)信息的果樹管理信息表。以果樹節(jié)點(diǎn)環(huán)境信息表為例，數(shù)據(jù)表結(jié)構(gòu)如表2所示。

表2 節(jié)點(diǎn)環(huán)境信息表Tab.2 Environment information table

2.2 功能模塊設(shè)計(jì)

依據(jù)系統(tǒng)需求專家系統(tǒng)主要實(shí)現(xiàn)數(shù)據(jù)分析、需水量預(yù)測和灌溉決策，該系統(tǒng)基于B/S 架構(gòu)，使用HTML+CSS+Javascript+JQuery開發(fā)精準(zhǔn)灌溉系統(tǒng)監(jiān)控頁面，如圖4所示。

圖4 PC端監(jiān)控頁面Fig.4 PC terminal monitoring page

2.2.1 環(huán)境數(shù)據(jù)監(jiān)測功能

果園環(huán)境數(shù)據(jù)監(jiān)測模塊實(shí)時(shí)采集果園空氣、土壤溫濕度、光照強(qiáng)度、降雨量等數(shù)據(jù)，并以圖表的形式展示節(jié)點(diǎn)數(shù)據(jù)及其變化情況，用戶可以通過PC 端和移動(dòng)端對(duì)果園環(huán)境數(shù)據(jù)進(jìn)行查詢。

2.2.2 需水量預(yù)測

果樹需水量預(yù)測精度直接影響專家系統(tǒng)灌溉決策及節(jié)水效率，該系統(tǒng)利用GA-BP 神經(jīng)網(wǎng)絡(luò)算法對(duì)果樹需水量進(jìn)行預(yù)測。BP神經(jīng)網(wǎng)絡(luò)具有內(nèi)部神經(jīng)元連接廣泛、非線性及自適應(yīng)性的特點(diǎn)，首先利用BP 神經(jīng)網(wǎng)絡(luò)對(duì)果樹需水預(yù)測的數(shù)學(xué)模型進(jìn)行搭建，再利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值以避免陷入局部極小值，更精確地預(yù)測需水量。將預(yù)測結(jié)果反饋到專家系統(tǒng)，灌溉決策模塊根據(jù)反饋結(jié)果給出相應(yīng)的決策指令。

利用BP神經(jīng)網(wǎng)絡(luò)建立果樹需水量預(yù)測模型如圖5所示，輸入為空氣溫濕度、土壤濕度和光照強(qiáng)度，輸出為果樹需水量。

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Structure of BP neural network

BP神經(jīng)網(wǎng)絡(luò)采用單隱含層結(jié)構(gòu)，隱含層神經(jīng)元個(gè)數(shù)h為：

式中：M為輸入層神經(jīng)元個(gè)數(shù)；N為輸出層神經(jīng)元個(gè)數(shù)；a為1～10的常數(shù)。

在BP 神經(jīng)網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)的輸出值由上層節(jié)點(diǎn)輸出值、當(dāng)前節(jié)點(diǎn)與上一層的權(quán)值以及當(dāng)前節(jié)點(diǎn)的閾值決定的，每個(gè)節(jié)點(diǎn)輸出值xj的計(jì)算公式為：

式中：ωij為節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的權(quán)值；bj為節(jié)點(diǎn)j的閾值；f為激活函數(shù)。

由式（1）可知隱含層神經(jīng)元個(gè)數(shù)h的取值范圍為3～12。設(shè)置遺傳算法種群大小為30，遺傳代數(shù)為50，交叉、變異概率和學(xué)習(xí)速率分別為0.7、0.01 和0.1。神經(jīng)網(wǎng)絡(luò)隱含層和輸出層神經(jīng)元傳遞函數(shù)分別為S型正切函數(shù)tansig和線性傳輸函數(shù)purelin，利用L-M 學(xué)習(xí)算法［12］對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即訓(xùn)練函數(shù)為trainlm。GA-BP算法流程如圖6所示。

圖6 GA-BP算法流程Fig.6 GA-BP algorithm flow

以均方誤差（MSE）為誤差函數(shù)，分別對(duì)隱含層節(jié)點(diǎn)數(shù)各取值進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如表3所示。當(dāng)隱含層節(jié)點(diǎn)數(shù)取值為9時(shí)誤差最小，故神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定為4-9-1。

表3 各隱含層節(jié)點(diǎn)數(shù)訓(xùn)練結(jié)果Tab.3 Training results of hidden layer

均方誤差的計(jì)算公式為：

2.2.3 灌溉決策功能

專家決策模塊根據(jù)專家知識(shí)和預(yù)測需水量數(shù)據(jù)，綜合氣象數(shù)據(jù)制定灌溉策略，進(jìn)而對(duì)果園進(jìn)行科學(xué)灌溉，提升水果產(chǎn)量與質(zhì)量的同時(shí)最大限度節(jié)約水資源。

根據(jù)氣象數(shù)據(jù)，獲取距離本次決策的降雨量和預(yù)測的作物需水量E，計(jì)算出干旱指數(shù)η：

式中：Ei為第i天的需水量；Pj為第j天的降雨量；X表示本次決策距離下一次降雨的天數(shù)；Y表示降雨后出現(xiàn)的降雨天數(shù)；分子表示從決策到降雨前的X- 1 天的總需水量；分母表示連續(xù)降雨的Y天里總降雨量。

本文采用分級(jí)調(diào)控。一級(jí)調(diào)控：如果土壤處于干旱狀態(tài)（表4中的1，2級(jí)別），立即進(jìn)行灌溉決策，第i天的灌溉量Gi為

表4 干旱級(jí)別標(biāo)準(zhǔn)Tab.4 Drought level standard

二級(jí)調(diào)控：i取值范圍為1～X，實(shí)時(shí)檢測土壤含水率，如果滿足果樹生長需求，則不進(jìn)行灌溉操作。否則依據(jù)式（6）做出灌溉決策。

3 系統(tǒng)測試

3.1 芒果樹灌溉決策規(guī)則

以廣西大學(xué)農(nóng)學(xué)院芒果種植試驗(yàn)基地為實(shí)驗(yàn)對(duì)象，對(duì)果園灌溉系統(tǒng)進(jìn)行試驗(yàn)。芒果樹是需水量較大的漆樹科常綠大喬木，土壤含水率直接影響芒果的產(chǎn)量和質(zhì)量。芒果樹有效吸水根系集中在5～40 cm 土層內(nèi)，因此計(jì)劃濕潤層深度以40 cm 進(jìn)行試驗(yàn)。不同生長期土壤相對(duì)濕度（占田間持水量%）需求［13］如表5所示。

表5 芒果各生長期土壤相對(duì)濕度需求Tab.5 Requirements of soil humidity of mango

3.2 丟包率測試

數(shù)據(jù)丟包率是影響系統(tǒng)通信穩(wěn)定性的主要因素，選取5 個(gè)傳感器節(jié)點(diǎn)對(duì)丟包率進(jìn)行測試。傳感器節(jié)點(diǎn)布置示意圖如圖7所示，等距離增加測試半徑，周期性地發(fā)送相同數(shù)據(jù)，觀測各傳感器節(jié)點(diǎn)的數(shù)據(jù)收發(fā)情況。表6 為丟包率測試數(shù)據(jù)，由測試結(jié)果可知，系統(tǒng)在傳輸距離為1 200 m 內(nèi)平均丟包率為0.45%，距離為1 500 m 內(nèi)平均丟包率為1.3%，通信效果優(yōu)異，能夠?qū)崿F(xiàn)數(shù)據(jù)實(shí)時(shí)、準(zhǔn)確采集。

表6 丟包率測試結(jié)果Tab.6 Test results of packet loss rate

圖7 傳感器節(jié)點(diǎn)布置示意圖Fig.7 Sensor node layout diagram

3.3 GA-BP預(yù)測效果

該試驗(yàn)的數(shù)據(jù)樣本為種植基地2019年3-5月采集到的空氣溫度、濕度、光照強(qiáng)度、土壤相對(duì)濕度以及芒果需水量共90組數(shù)據(jù)。為統(tǒng)一量綱，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，從中選取60 組數(shù)據(jù)作為訓(xùn)練集，其余30 組數(shù)據(jù)作為測試集。采用均方根誤差RMSE和平均絕對(duì)誤差MAE對(duì)模型進(jìn)行評(píng)價(jià)，評(píng)價(jià)指標(biāo)值越小說明預(yù)測越準(zhǔn)確。計(jì)算公式為：

仿真結(jié)果如圖8所示，GA-BP 模型的均方根誤差和平均絕對(duì)誤差分別為0.074 5 和0.109 1 mm/d，而BP 模型則分別為0.185 1 和0.234 1 mm/d。由仿真結(jié)果可知，GA-BP 神經(jīng)網(wǎng)絡(luò)各項(xiàng)評(píng)價(jià)指標(biāo)值均小于BP 神經(jīng)網(wǎng)絡(luò)模型，對(duì)需水量的預(yù)測結(jié)果相比于BP 神經(jīng)網(wǎng)絡(luò)模型更為精確，可以較好地指導(dǎo)果園的精準(zhǔn)灌溉。

圖8 GA-BP與BP神經(jīng)網(wǎng)絡(luò)仿真結(jié)果對(duì)比Fig.8 Comparison of simulation results of GA-BP and BP neural network

3.4 專家系統(tǒng)決策效果

以芒果園為對(duì)象進(jìn)行試驗(yàn)，系統(tǒng)自動(dòng)采集芒果園溫濕度、光照強(qiáng)度等環(huán)境信息，結(jié)合氣象數(shù)據(jù)做出灌溉決策。作為參照，另一種灌溉策略未考慮降雨因素，設(shè)定灌溉閾值（可根據(jù)不同生長期進(jìn)行自動(dòng)調(diào)節(jié)），土壤含水率低于下限閾值則進(jìn)行灌溉，高于上限閾值停止灌溉。分別對(duì)兩種灌溉策略進(jìn)行試驗(yàn)，圖9 為2019年5月9日到7月2日不同灌溉策略下的土壤相對(duì)濕度變化情況。

由圖9可知，本文所提灌溉策略中，5月21日土壤含水率低于適宜水分下限閾值80%，由于檢測到7月24、25日將會(huì)有連續(xù)降雨，調(diào)節(jié)灌溉量避免由于持續(xù)灌溉對(duì)果樹造成不利影響；6月10日檢測到土壤含水率低于80%，根據(jù)預(yù)測信息知6月12日將有強(qiáng)降雨，故暫時(shí)不執(zhí)行灌溉操作；6月29日檢測到土壤含水率再次低于80%，根據(jù)氣象信息與預(yù)測數(shù)據(jù)調(diào)整灌溉水量，避免降雨當(dāng)天土壤水分過高，利用降雨進(jìn)行灌溉。綜上所述，不考慮降雨因素，根據(jù)果樹適宜含水率上下閾值進(jìn)行灌溉能保證果園的土壤含水率，但是當(dāng)遇到強(qiáng)降雨時(shí)會(huì)導(dǎo)致土壤水分過多，影響果樹的正常生長且導(dǎo)致水資源的浪費(fèi)。將降雨作為灌溉決策因素之一，根據(jù)氣象數(shù)據(jù)，利用降雨預(yù)測調(diào)節(jié)灌溉水量，測試結(jié)果表明果園土壤相對(duì)濕度處于適宜水分需求區(qū)間（80%～90%），能較好地調(diào)節(jié)灌溉與降雨的平衡，使得灌溉更合理、水資源利用率更高。

圖9 灌溉策略效果對(duì)比Fig.9 Comparison of control effects of irrigation strategies

4 結(jié)論

（1）數(shù)據(jù)傳輸采用LoRa+NB-IoT 的混合通信方式，克服了ZigBee 等傳統(tǒng)通信技術(shù)傳輸距離短，抗干擾能力差的缺陷。系統(tǒng)通信穩(wěn)定可靠，能夠?qū)崿F(xiàn)數(shù)據(jù)實(shí)時(shí)、準(zhǔn)確采集。

（2）結(jié)合云技術(shù)和專家系統(tǒng)，根據(jù)采集的果園環(huán)境數(shù)據(jù)進(jìn)行精準(zhǔn)灌溉決策。專家系統(tǒng)利用GA-BP 神經(jīng)網(wǎng)絡(luò)對(duì)果樹需水量進(jìn)行預(yù)測，并結(jié)合降雨預(yù)報(bào)做出灌溉決策。訓(xùn)練結(jié)果表明，GA-BP 模型的均方根誤差和平均絕對(duì)誤差分別為0.074 5 和0.109 1 mm/d，相比于BP 模型其預(yù)測精確度更高。決策結(jié)果表明，芒果園土壤相對(duì)濕度維持在80%～90%，芒果樹始終處于適宜水分生長條件中。

以實(shí)現(xiàn)果園信息的準(zhǔn)確、實(shí)時(shí)監(jiān)測與精準(zhǔn)灌溉決策為目標(biāo)，基于LPWAN 物聯(lián)網(wǎng)與專家系統(tǒng)構(gòu)建果園精準(zhǔn)灌溉系統(tǒng)，實(shí)現(xiàn)果園環(huán)境信息的自動(dòng)采集與精準(zhǔn)灌溉，對(duì)提高水果產(chǎn)量與質(zhì)量具有一定的參考意義。□