智慧農(nóng)業(yè)水田作物網(wǎng)絡(luò)化精準灌溉系統(tǒng)設(shè)計

魯旭濤，張麗娜，劉 昊，智超群，李 靜

（1. 中北大學機電工程學院，太原 030051；2. 中北大學信息與通信工程學院，太原 030051；3. 中北大學電氣與控制工程學院，太原 030051）

0 引 言

農(nóng)業(yè)是一個國家的立國之本，農(nóng)業(yè)的發(fā)展水平也在某種程度上反映出一個國家的國力。伴隨著世界人口的急劇增長，世界農(nóng)業(yè)生產(chǎn)成就也十分顯著。而中國作為一個農(nóng)業(yè)大國，2020年中國基本農(nóng)田面積約為106 666 667 hm2，但是目前多數(shù)農(nóng)田依舊采用漫灌等粗放型灌溉方式進行灌溉，在很大程度上造成了水資源的浪費，并且不利于作物的生長。在水資源日益短缺的背景下，研究一種合理的灌溉方式是大勢所趨，伴隨著科技的發(fā)展，精準灌溉成為人們研究的一項熱點[1-3]。特別是水田作物，對水位精準控制的需求尤為突出[4]。

對于精準灌溉的研究，目前國內(nèi)外主要集中在硬件設(shè)計、算法模型設(shè)計兩大層面[5-9]。其中，在硬件層面，專家學者聚焦灌溉系統(tǒng)的優(yōu)化設(shè)計及灌溉參數(shù)采集研究等[10-12]。例如，有學者提出一種基于智能精準灌溉平臺的線性灌溉系統(tǒng)，有效降低了灌溉量突變對作物的影響[13]；也有學者構(gòu)建了高分辨率灌溉面積遙感監(jiān)測系統(tǒng)，對農(nóng)田灌溉進行監(jiān)測[14]。而在算法模型設(shè)計層面，主要集中在模型設(shè)計及控制決策方面[15-18]，有研究采用基于貝葉斯最大熵和多源數(shù)據(jù)判斷作物的需水量[19]；也有研究從灌溉精確度出發(fā)，提出了一種地表灌溉的決策支持系統(tǒng)[20]；此外，有專家將人工智能技術(shù)應用到灌溉決策中，提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的精準灌溉系統(tǒng)，通過系統(tǒng)不斷的學習來做出灌溉決策[21]；還有學者設(shè)計了一種節(jié)水灌溉管理及決策系統(tǒng)，降低了水資源浪費[22]。

綜合上述國內(nèi)外專家學者的研究，目前精準灌溉系統(tǒng)設(shè)計主要存在如下幾個方面的問題：

1）灌溉系統(tǒng)底層設(shè)備部署的靈活性差：水田作物生長環(huán)境復雜，現(xiàn)有灌溉系統(tǒng)底層設(shè)備多采用有線通信方式，為設(shè)備部署、回收及維護方面帶來很大挑戰(zhàn)；一些基于無線通信的灌溉設(shè)備，其通信網(wǎng)絡(luò)構(gòu)建多采用

2）灌溉系統(tǒng)通信網(wǎng)絡(luò)的連通性、能耗性差：目前通信節(jié)點無序部署或隨機部署再調(diào)整的方式，缺乏模型及理論依據(jù)，造成通信網(wǎng)絡(luò)節(jié)點脫節(jié)、通信能耗高的問題；

3）灌溉系統(tǒng)決策終端智能化程度不足：現(xiàn)有灌溉系統(tǒng)缺乏智能系統(tǒng)的決策或是采取低智能的決策方案，具有資源利用率過低、能耗高的缺陷，且需要自動化設(shè)備的重復開啟，在增加設(shè)備能耗的同時，對設(shè)備壽命也有很大影響。

因此，本文設(shè)計了網(wǎng)絡(luò)化水田作物精準灌溉系統(tǒng)，運用傳感器技術(shù)、嵌入式系統(tǒng)技術(shù)、無線組網(wǎng)技術(shù)及人工智能理論，綜合利用自然降水以及精準灌溉策略，實現(xiàn)在保證作物生長水位最優(yōu)的前提下，減少無效灌溉，避免了水資源的浪費，為水田作物網(wǎng)絡(luò)化灌溉提供參考。

1 網(wǎng)絡(luò)化水田作物智能精準灌溉系統(tǒng)設(shè)計

1.1 套件設(shè)計

1.1.1 智能灌溉系統(tǒng)總體架構(gòu)

本文針對水田作物復雜生長環(huán)境下，對灌溉系統(tǒng)的部署靈活性差及其網(wǎng)絡(luò)連通性差、能耗性差等挑戰(zhàn)，設(shè)計了水田智能灌溉系統(tǒng)，其總體架構(gòu)如圖1。該總體架構(gòu)主要由數(shù)據(jù)采集節(jié)點、灌溉控制節(jié)點、手持控制終端、PC控制終端及無線智能通信節(jié)點五大部分組成。該系統(tǒng)基于無線通信的方式，通過加裝太陽能發(fā)電裝置，可靈活部署于水田區(qū)域。

其中數(shù)據(jù)采集節(jié)點主要負責水田作物生長環(huán)境監(jiān)測，主要包括水位數(shù)據(jù)傳感器、風速傳感器、水溫傳感器及降雨傳感器，傳感器采集到數(shù)據(jù)后經(jīng)過Arduino NANO MCU模塊進行處理后，由通信模塊進行轉(zhuǎn)發(fā)，數(shù)據(jù)采集節(jié)點架構(gòu)如圖1a所示。

灌溉控制節(jié)點負責控制電磁閥的開閉，以達到精準灌溉的目的。主要由灌溉電磁閥、排水電磁閥、流量計、MCU模塊及通信模塊組成，灌溉控制節(jié)點架構(gòu)如圖1b所示。

手持控制終端便于在戶外環(huán)境下，觀察水田作物環(huán)境參數(shù)、手動控制閥門開閉等操作。主要包括3.5寸觸摸屏、MCU模塊及通信模塊組成。手持控制終端架構(gòu)如圖 1c所示?；谥欣^理論的無線智能通信節(jié)點，主要適用于大范圍、遠距離灌溉通信網(wǎng)絡(luò)構(gòu)建。主要包括MCU模塊、通信模塊及太陽能供電模塊。其架構(gòu)如圖1d所示。

PC控制終端主要負責數(shù)據(jù)的處理存儲、實時顯示及灌溉控制、灌溉決策。本文采用Labview+Matlab的思路，進行PC端控制平臺設(shè)計。其中，利用Matlab軟件設(shè)計了基于模糊控制理論的灌溉決策系統(tǒng)；利用Labview軟件設(shè)計了數(shù)據(jù)處理、顯示及灌溉控制平臺，其架構(gòu)如圖2所示。

整個系統(tǒng)控制終端工作流程如圖3所示。

1.1.2 智能灌溉系統(tǒng)通信網(wǎng)絡(luò)構(gòu)建

當農(nóng)田面積擴大時，所需要的灌溉節(jié)點、數(shù)據(jù)采集節(jié)點規(guī)模也隨之增大。設(shè)計合理的通信網(wǎng)絡(luò)結(jié)構(gòu)，是保證大量數(shù)據(jù)實時可靠傳輸、降低通信網(wǎng)絡(luò)能耗以及降低資金投入的必要技術(shù)手段。對此，本文設(shè)計了基于中繼理論的分層式智能灌溉通信網(wǎng)絡(luò)。其結(jié)構(gòu)如圖4所示。數(shù)據(jù)采集節(jié)點及灌溉節(jié)點的信息傳輸，首先由其對應的通信中繼節(jié)點進行轉(zhuǎn)發(fā)至匯聚節(jié)點，再由匯聚節(jié)點傳輸至控制終端。智能灌溉系統(tǒng)實物如圖5所示。

1.2 模型建立

1.2.1 精準灌溉通信網(wǎng)絡(luò)節(jié)點最優(yōu)部署模型

為避免歧義，本文根據(jù)實際情況，對精準灌溉通信網(wǎng)絡(luò)節(jié)點最優(yōu)部署做出如下定義：本文所述網(wǎng)絡(luò)全連通是指，灌溉網(wǎng)絡(luò)內(nèi)所有節(jié)點均處于通信網(wǎng)絡(luò)覆蓋范圍內(nèi)，不存在脫節(jié)、丟包等問題；所謂最優(yōu)部署是指以相對最少的中繼節(jié)點投入數(shù)量、最低的通信能耗實現(xiàn)精準灌溉通信網(wǎng)絡(luò)全連通。

本文以節(jié)點一周內(nèi)平均數(shù)據(jù)量為權(quán)重，確定節(jié)點在部署過程中所占權(quán)重。當若干個灌溉控制節(jié)點、數(shù)據(jù)采集節(jié)點所對應的中繼節(jié)點被確定，則這些節(jié)點的數(shù)據(jù)傳輸僅能通過此中繼節(jié)點進行轉(zhuǎn)發(fā)?；谏鲜龆x，建立精準灌溉通信節(jié)點最優(yōu)部署模型。

1）精準灌溉系統(tǒng)通信網(wǎng)絡(luò)全連通模型

在三維空間下，任意兩個通信節(jié)點i和j的坐標為（xi,yi,zi）和（xj,yj,zj），那么這兩點之間的距離dij可表示為

依次確定灌溉控制節(jié)點、數(shù)據(jù)采集節(jié)點、智能通信中繼節(jié)點、信息匯聚節(jié)點的傳輸距離ra、rb、rc、rd。若兩節(jié)點i、j之間的距離dij滿足式（2），則稱其建立連通關(guān)系。

在此基礎(chǔ)上，任意兩個節(jié)點Si和Sj的連通性Cij如式 （3）所示：

當網(wǎng)絡(luò)內(nèi)所有通信節(jié)點均建立連接時，稱該網(wǎng)絡(luò)為全連通網(wǎng)絡(luò)，即

2）通信網(wǎng)絡(luò)能耗評估模型

無線網(wǎng)絡(luò)通信能耗取決于數(shù)據(jù)量和節(jié)點之間距離。當兩節(jié)點間距離為d，發(fā)送數(shù)據(jù)包大小為k時，發(fā)送能耗ET為

式中Eelec表示發(fā)送或接收1個字節(jié)數(shù)據(jù)能耗，Eamp表示發(fā)送過程中放大1個字節(jié)數(shù)據(jù)能耗。

對應接收能耗ER為

則完成一次通信能耗為

式中ERX、ETX分別為信息接收能耗和信息發(fā)送能耗。

當數(shù)據(jù)采集節(jié)點數(shù)量、灌溉控制節(jié)點數(shù)量、智能通信中繼節(jié)點數(shù)量分別為na、nb、nc時，整體通信網(wǎng)絡(luò)能耗Esum計算如下：

式中Eac表示所有數(shù)據(jù)采集節(jié)點到對應中繼節(jié)點通信能耗；Ebc表示所有灌溉控制節(jié)點到對應中繼節(jié)點通信能耗；Ecd表示所有通信中繼節(jié)點到匯聚節(jié)點的通信能耗；na、nb、nc分別表示數(shù)據(jù)采集節(jié)點、灌溉控制節(jié)點及中繼節(jié)點數(shù)量；分別表示第i、j、l個節(jié)點對應的信息量。

3）精準灌溉系統(tǒng)通信網(wǎng)絡(luò)節(jié)點最優(yōu)部署模型

公式（10）含義為在滿足通信網(wǎng)絡(luò)全連通的約束條件下，整體網(wǎng)絡(luò)通信能耗最低。

1.2.2 精準灌溉系統(tǒng)最優(yōu)灌溉決策模型

最優(yōu)灌溉決策定義如下：在一個固定周期內(nèi)，系統(tǒng)綜合利用自然降水，以最少的灌溉量及排水次數(shù)實現(xiàn)作物生長水位保持在最適生長閾值內(nèi)。為實現(xiàn)此目標，本文建立了作物耗水預測模型、降雨預測模型及最優(yōu)灌溉模型。

1）作物耗水預測模型

單位日內(nèi)的耗水量Wcd主要由作物蒸發(fā)蒸騰量ETd和農(nóng)田滲透量INd組成[23]，即

對于作物蒸騰量的計算，本文采用經(jīng)聯(lián)合國糧農(nóng)組織修正后的彭曼（Penman）公式[24]。

式中D為溫度-飽和曲線在處的斜率，kPa/℃-；Rn指凈輻射，MJ/(m2·d)；G指土壤熱通量，MJ/(m2·d)；γ為溫度計常數(shù)，kPa/℃；T指日平均氣溫，℃；U2指2 m高處風速，m/s；ea指飽和水汽壓，kPa；ed指實際水汽壓，kPa。

在求得作物參考蒸發(fā)蒸騰量的情況下，利用作物系數(shù)Kc對ET0進行修正：

式中Kc不僅僅因作物種類而異，而且在作物不同生長周期內(nèi)取值不同，具體取值在本文參數(shù)設(shè)定環(huán)節(jié)進行說明。

2）降水預測模型

本系統(tǒng)通過WEB端對天氣預報數(shù)據(jù)進行提取。主要提取內(nèi)容有：溫度值、日照、風速及降水情況。

由于自然降水到地面后會有部分通過地面徑流及深層滲透流失。因此本文采取以下公式計算有效降雨量（mm）P0：

式中α為有效降水系數(shù)，與降雨延續(xù)時間及強度等因素有關(guān)；P為氣壓，kPa。

3）最優(yōu)灌溉模型

首先，確定作物生長周期內(nèi)最佳含水率S的區(qū)間θmin、θmax，作物生長周期內(nèi)水田最大蓄水量θc（mm）及實際灌溉量rθ（mm）。

進一步可得出作物的生長水量平衡模型如下：

其中S∈[θmin,θmax]，即有效降水量與灌溉量之和去掉作物生長耗水量之后與作物最佳含水率S（mm）之差處于平衡。

則在第i日的灌溉量irθ（mm）為

此外，當水田水位的值超過最大蓄水量cθ時需要啟動抽水電磁閥進行排水，排水模型建立如下：

式中排水量E為當前農(nóng)田水位與未來降水量之和減去最大蓄水量。只有當θp＞θc時方可觸發(fā)排水模型。

本文中最優(yōu)灌溉是指在某一天數(shù)為n的周期內(nèi)，系統(tǒng)利用降水，以最少的灌溉量及排水次數(shù)，使得作物生長含水量最優(yōu)，可以表述為

1.3 精準灌溉控制系統(tǒng)設(shè)計

1.3.1 系統(tǒng)架構(gòu)設(shè)計

通常控制系統(tǒng)的架構(gòu)主要由如下部分組成：模糊變量的定義、輸入輸出數(shù)據(jù)模糊化、知識庫以及邏輯判斷[25-26]。將當前水位、未來降水量、未來蒸騰量作為系統(tǒng)輸入?yún)?shù)，通過模糊控制器經(jīng)過一系列運算之后，進而將排水量、灌溉量作為輸出變量精確輸出。本文所設(shè)計的模糊控制系統(tǒng)架構(gòu)如圖6所示。

1.3.2 變量模糊化

首先將所有輸入輸出變量分為5個等級：特小、略小、中等、略大、特大。其次，針對不同輸入及輸出建立與之對應的模糊子集。最后，針對子集內(nèi)所有參數(shù)進行模糊控制規(guī)則設(shè)計。模糊變量子集如表1所示。

表1 模糊變量子集Table 1 Fuzzy variable quantum set

1.3.3 隸屬度函數(shù)

本文選取三角形隸屬度函數(shù)μx作為模糊子集的隸屬度函數(shù)。

式中x為自變量，參數(shù)a和c對應三角形下部的左右兩個頂點，參數(shù)b對應三角形上部的頂點。

1.3.4 模糊控制規(guī)則

通常情況下，同一區(qū)域的排水電磁閥與灌溉電磁閥的開閉情況存在如下關(guān)系：當灌溉電磁閥開啟時，排水電磁閥通常處于關(guān)閉狀態(tài)；反之，排水電磁閥開啟時，則灌溉電磁閥關(guān)閉。因此，本文分別設(shè)定了灌溉量清零的模糊量I0及排水量清零的模糊量D0，當模糊系統(tǒng)執(zhí)行I0或D0指令時，分別表示將灌溉/排水設(shè)備不動作。

首先，進行模糊控制目標語句設(shè)計，確定模糊控制規(guī)則，具體如表2所示。

表2 模糊控制規(guī)則Table 2 Fuzzy control rules

其次，依據(jù)前文模糊語句格式及模糊控制規(guī)則表，進行模糊控制規(guī)則設(shè)計。本文共設(shè)計模糊規(guī)則125條，其中包括設(shè)備不動作規(guī)則67條、灌溉設(shè)備動作規(guī)則13條以及排水設(shè)備動作規(guī)則45條。

模糊控制規(guī)則變量關(guān)系圖如圖7。其中C-Water level表示當前水位、F-Precipitation表示未來24 h有效降水量、F-Water consumption表示未來24 h耗水量、Irrigation amount表示灌溉量、Displacement表示排水量，單位均為mm。

2 精準灌溉通信網(wǎng)絡(luò)節(jié)點部署

2.1 通信網(wǎng)絡(luò)節(jié)點部署仿真算法

現(xiàn)有的對于精準灌溉系統(tǒng)無線通信網(wǎng)絡(luò)節(jié)點的部署方案，多采用基于隨機部署后再調(diào)節(jié)或基于簡單模型求解部署的策略。前者在網(wǎng)絡(luò)連通性、網(wǎng)絡(luò)能耗性方面難以得到保障；而后者，存在模型考慮參數(shù)較少或所采用的求解算法本身存在收斂性差、全局性差的缺陷。因此，本文在所建立的部署模型的基礎(chǔ)上，采用基于維諾圖所改進的飛蛾撲火優(yōu)化算法對該模型進行求解。

飛蛾撲火優(yōu)化算法（Moth Flame Optimization，MFO），是由Sayedali Mirjalili于2015年提出的一種智能優(yōu)化算法?；诰S諾圖改進的飛蛾撲火算法（Voronoi Moth Flame Optimization，VI-MFO），是通過引進維諾圖的刨分特性來提升MFO算法的搜索尋優(yōu)速度。研究表明[27]，該算法智慧農(nóng)業(yè)通信網(wǎng)絡(luò)節(jié)點部署中取得了比蟻群算法（Ant Colony Optimization，ACO）等群體智能算法更優(yōu)的結(jié)果。因此，本文采用此算法進行精準灌溉通信網(wǎng)絡(luò)節(jié)點部署仿真，算法的基本流程如圖8所示。首先，根據(jù)實際需求，部署數(shù)據(jù)采集及排灌設(shè)備（統(tǒng)稱為基礎(chǔ)節(jié)點）；其次，通過建立空間坐標系確定基礎(chǔ)節(jié)點坐標，對基礎(chǔ)節(jié)點進行維諾圖刨分；然后，以信息量為權(quán)重確定中繼節(jié)點服務(wù)范圍，并進一步構(gòu)建節(jié)點多面體；最后，利用MFO算法的尋優(yōu)策略，尋找通信節(jié)點的最優(yōu)部署位置。

2.2 參數(shù)設(shè)定

灌溉節(jié)點、排水節(jié)點以及數(shù)據(jù)采集節(jié)點的分布受節(jié)點的安裝位置、節(jié)點本身特性等因素影響，其位置分布無規(guī)律性。本文結(jié)合實際情況，針對不同需求，對不同節(jié)點類型數(shù)量、節(jié)點一周內(nèi)產(chǎn)生信息量進行了評估計算，得出具體參數(shù)如表3所示。

表3 節(jié)點信息量設(shè)定Table 3 Node information setting

進一步建立空間坐標系，試驗環(huán)境設(shè)計在一個10 km×10 km×0.001 5 km的三維空間內(nèi)。不同類型節(jié)點的分布三維圖及熱圖如圖9所示。節(jié)點能耗、節(jié)點覆蓋能力及算法參數(shù)設(shè)定值如表4所示。

表4 節(jié)點部署參數(shù)設(shè)定Table 4 Parameter setting of node deployment

2.3 仿真結(jié)果與分析

在上述參數(shù)設(shè)置的基礎(chǔ)上，采用計算機配置為：Intel i5-8550U CPU、8GB運行內(nèi)存，編程軟件為Matlab2017b的環(huán)境下進行仿真，結(jié)果如下。

1）在本文所述方案下，共使用中繼節(jié)點9個，各中繼節(jié)點對應基礎(chǔ)節(jié)點（灌溉節(jié)點、排水節(jié)點、采集節(jié)點的統(tǒng)稱）如圖10所示。

2）在此基礎(chǔ)上繼續(xù)求得匯聚節(jié)點部署位置，最終構(gòu)建智能灌溉系統(tǒng)分布式信息傳輸網(wǎng)絡(luò)結(jié)果如圖11所示。

3）進一步求得節(jié)點間距離矩陣如圖12所示，匯聚節(jié)點到中繼節(jié)點的最大距離為5.2 km；中繼節(jié)點到對應基礎(chǔ)節(jié)點的距離也均小于2.5 km，求解結(jié)果滿足本文所述的全連通網(wǎng)絡(luò)定義。

4）最后求得中繼節(jié)點及匯聚節(jié)點各自數(shù)據(jù)量分布情況，具體如圖13所示。圖中所有中繼節(jié)點均處于同一等高線上，表明所有中繼節(jié)點所承載的數(shù)據(jù)轉(zhuǎn)發(fā)量差距較小。這一結(jié)果能夠有效避免由于能耗不均所帶來的部分節(jié)點生存周期過短、后期維護復雜的窘境。進一步體現(xiàn)出本文部署策略及算法的性能。

3 精準灌溉系統(tǒng)性能測試與結(jié)果分析

3.1 性能測試方法

3.1.1 設(shè)計指標及灌溉目標設(shè)定

系統(tǒng)模擬江蘇南京地區(qū)中稻灌溉情景。中稻生長集中在5—9月，這期間耗水及降水為一年中最為突出，更能檢驗灌溉系統(tǒng)的性能。

參考《自動氣候站觀測規(guī)范》（GB/T33694—2017）、《環(huán)境監(jiān)測信息傳輸技術(shù)規(guī)定》（HJ660—2013）、《農(nóng)田信息監(jiān)測點選址要求和監(jiān)測規(guī)范》（GB/T37802—2019）及江蘇省《水稻節(jié)水灌溉技術(shù)規(guī)范》（DB/32T 2950—2016）[28]，確定灌溉系統(tǒng)設(shè)計指標，并結(jié)合實際情況進行參數(shù)設(shè)定。

本文所涉及的所有參數(shù)及設(shè)定方案如下：

1）農(nóng)田滲透量

農(nóng)田滲透量針對旱地時，前期灌溉滲透量較大，且滲透量與土壤成分有很大關(guān)系。而水田在灌溉后，土壤含水率飽和，滲透量維持在一個較小的范圍內(nèi)。本文假定試驗土壤含水率已經(jīng)飽和，取滲透量（INd）為

0.065 mm/h。

2）有效降水系數(shù)

降水系數(shù)與降水持續(xù)時間及降水強度有關(guān)。按照降雨量將降雨情況分為以下6檔：日降雨量Pr＜10 mm為小雨、10～25mm為中雨、＞25～50 mm為大雨、＞50～100 mm為暴雨、＞100～250 mm為大暴雨、＞250 mm為特大暴雨[25]。其中，小雨的有效降水系數(shù)α為0，中雨和大雨的α為0.8～1.0，暴雨、大暴雨以及特大暴雨的α為0.7～0.8。其中，有效降雨量為降水量與有效降水系數(shù)的乘積。

3）作物系數(shù)與作物的種類、地理位置、生長周期及當前月份有關(guān)。中稻作物系數(shù)5—9月依次為1.03、1.35、

1.50、1.40、0.94[29]。

4）水位指標

水位指標主要包括作物最佳生長水位上下限θmax、θmin、田間最大蓄水量θc。最大蓄水量表示降雨后田間可以留存的最大水量，且水田保持最大蓄水時間不得超過6 d[30]。

所有指標與灌溉方式及作物生長周期有關(guān)。本文選擇水稻返青期作為試驗周期，選取淺濕灌溉的節(jié)水方式[31]。在此背景下，結(jié)合實際情況，40 mm為作物最佳生長水位上線，20 mm為作物最佳生長水位下線，60 mm為田間最大蓄水量[32]。

3.1.2 試驗環(huán)境參數(shù)設(shè)定

本文以江蘇南京地區(qū)6月天氣為例，進行系統(tǒng)運行參數(shù)設(shè)定，其中，緯度為31°19′39″N，海拔為25 m，縱坐標分表高度為2 m，日序數(shù)為153～183（6月），初始水位25 mm。測試中風速、高低溫、降水量等氣象參數(shù)值來源于2020年6月南京市的天氣預報，該預報值以72 h/次的頻率，逐次獲取并統(tǒng)計量化得到。其中，6月氣溫變化如圖14所示。

3.2 仿真試驗結(jié)果

按照表5參數(shù)設(shè)定，對本文設(shè)計的智能灌溉系統(tǒng)進行測試。將所有參數(shù)輸入灌溉系統(tǒng)，得出稻田每日耗水量、有效降水量（圖15a）；進一步得出稻田自然水量理想變化曲線，如圖15b所示。

表5 灌溉系統(tǒng)設(shè)計指標要求Table 5 Design index requirements for irrigation system

從圖15a可以看出，稻田耗水量隨氣象參數(shù)變化的變化而改變，特別是在6月4日最高氣溫達到月最高值時，耗水量也隨之達到月最大值；此外，綜合稻田每日接收到的有效降水量與稻田每日耗水量與進水差值變化可以看出，稻田水量隨著降水量與耗水量之間的差值，產(chǎn)生自然變化，30 d內(nèi)稻田自然水位已經(jīng)嚴重偏離稻田蓄水范圍。以上結(jié)果及變化曲線符合自然規(guī)律，驗證了系統(tǒng)模型的有效性。

進一步模擬傳統(tǒng)的非智能灌溉方式（當水位低于作物生長水位時執(zhí)行灌溉指令；水位高于固定水位值時執(zhí)行排水指令）進行灌溉控制的仿真結(jié)果如圖16所示。

由圖16可知，非智能灌溉方式采用水位低即灌溉、水位高即排水的策略，這種灌溉方式下，雖然將水位控制到了合理范圍內(nèi)，但是調(diào)節(jié)過于頻繁，造成了資源的浪費。進一步求得非智能灌溉方法在6月灌溉/排水次數(shù)（動作日期）、每次灌溉/排水量（動作量，mm），如表 6所示。此外，本文將系統(tǒng)完成灌溉后24 h內(nèi)由于降水原因造成水位超上限，定義為無效灌溉動作；系統(tǒng)完成排水后24 h內(nèi)由于作物耗水原因造成水位低于下限，定義為無效排水動作。進一步得到非智能灌溉無效動作次數(shù)與有效動作次數(shù)。

表6 不同灌溉系統(tǒng)灌溉效果對比Table 6 Statistics of non-intelligent irrigation results

綜上，非智能灌溉系統(tǒng)總計執(zhí)行灌溉7次、排水8次，共動作15次，有效動作率（有效動作次數(shù)除以總動作次數(shù)）僅為53.33%。

在相同參數(shù)下，利用本文所設(shè)計的智能灌溉系統(tǒng)進行測試，測試結(jié)果如圖17所示。在智能灌溉系統(tǒng)的控制下，稻田水位始終處于安全閾值內(nèi)，其中有22 d處于水稻生長周期內(nèi)最適水位；僅有1 d處于低水位區(qū)；有7 d處于高水位區(qū)且每次持續(xù)時間最大為48 h，不會對作物生長造成損害，仿真試驗結(jié)果處于系統(tǒng)參數(shù)設(shè)定閾值內(nèi)。在30 d內(nèi)智能灌溉系統(tǒng)共工作11次，包括執(zhí)行灌溉6次、排水5次，灌溉總量和排水總量分別為177.41 mm、184.26 mm，有效動作率達到100%。可以看出智能灌溉系統(tǒng)與非智能灌溉系統(tǒng)相比，在減少動作次數(shù)26.67%的基礎(chǔ)上，減少灌溉量40.82%、減小排水量33.89%。

3.3 智能灌溉系統(tǒng)田間實際應用效果

本文通過實物測試，驗證了所述智能灌溉系統(tǒng)的性能，通過模擬6月6日—6月12日的氣象參數(shù)對系統(tǒng)進行測試，驗證表5中各項指標參數(shù)，測試環(huán)境如圖18；表7為系統(tǒng)性能指標測試結(jié)果；表8為系統(tǒng)測試結(jié)果。

表8 智能灌溉系統(tǒng)測試結(jié)果Table 8 System test results of intelligent irrigation system

經(jīng)實際測試，本文所設(shè)計的智能灌溉系統(tǒng)各項功能正常，從表7可以看出，各項功能指標均滿足表5中的相關(guān)設(shè)計要求。

通過以上結(jié)果可以看出，在智能灌溉系統(tǒng)的調(diào)控下，水位始終保持在作物最適生長區(qū)間內(nèi)。結(jié)合表6可以發(fā)現(xiàn)，系統(tǒng)測試結(jié)果與仿真結(jié)果最大偏差為：灌溉量1 mm（6月6日）、排水量2 mm（6月12日），測試結(jié)果符合預期。造成該偏差的主要原因是實際環(huán)境下傳感器精度對數(shù)據(jù)精確性造成了一定的干擾以及一些不可控的必然誤差。

4 結(jié) 論

本文設(shè)計了一種針對大規(guī)模水田作物灌溉的網(wǎng)絡(luò)化灌溉系統(tǒng)，通過設(shè)計灌溉基礎(chǔ)設(shè)備、構(gòu)建無線灌溉通信網(wǎng)絡(luò)、建立精準灌溉模型及灌溉決策系統(tǒng)，實現(xiàn)了將無線傳感器網(wǎng)絡(luò)技術(shù)、物聯(lián)網(wǎng)技術(shù)、單片機技術(shù)以及模糊控制技術(shù)相融合的網(wǎng)絡(luò)化智能灌溉系統(tǒng)。該系統(tǒng)采用無線通信方式，不受大量線纜束縛，可靈活部署于水田區(qū)域。仿真結(jié)果表明，灌溉系統(tǒng)通信網(wǎng)絡(luò)在滿足全連通的基礎(chǔ)上，通過綜合利用自然降水的調(diào)控策略，使得灌溉設(shè)備動作頻次降低了26.67%，灌溉量及排水量分別減少了40.82%、33.89%。田間應用測試結(jié)果表明，系統(tǒng)各部分功能模塊工作正常、實測結(jié)果與仿真結(jié)果的排灌量最大偏差控制在2 mm以內(nèi)，符合預期。但由于系統(tǒng)過于依賴氣象預報參數(shù)的置信度，下一步工作將從氣象預報參數(shù)與傳感器參數(shù)數(shù)據(jù)融合角度出發(fā)，結(jié)合機器學習理論，進一步提升系統(tǒng)決策的精確度。