基于人工智能的農(nóng)田水利自動(dòng)化監(jiān)測(cè)系統(tǒng)

劉飛詩，胡騰騰，何曉靜，付梁其，潘 磊

（1.江蘇遠(yuǎn)瀚建筑設(shè)計(jì)有限公司，江蘇 常州 213000；2.常州市金壇區(qū)水利建設(shè)管理所，江蘇 常州 213200；3.江蘇省水文水資源勘測(cè)局常州分局，江蘇 常州 213100；4.江蘇先行建設(shè)有限公司，江蘇 常州 213100；5.常州市金壇區(qū)水利規(guī)劃服務(wù)中心，江蘇 常州 213200）

農(nóng)產(chǎn)品的生產(chǎn)效率是國(guó)家重點(diǎn)關(guān)注的問題，農(nóng)田水利領(lǐng)域的無線傳感器網(wǎng)絡(luò)為促進(jìn)農(nóng)作物生產(chǎn)效率提供了新的方向［1-3］。基于無線傳感器網(wǎng)絡(luò)的農(nóng)業(yè)自動(dòng)化監(jiān)測(cè)系統(tǒng)可對(duì)收集到的數(shù)據(jù)進(jìn)行多重分析，為提高作物產(chǎn)量、減少水資源消耗、避免過量殺蟲劑、改善消費(fèi)者的健康狀況提供指導(dǎo)。無線傳感器網(wǎng)絡(luò)是一個(gè)專用的傳感器系統(tǒng)，它記錄、監(jiān)測(cè)大氣和土壤環(huán)境并從中收集數(shù)據(jù)，該網(wǎng)絡(luò)可以與云存儲(chǔ)連接進(jìn)行在線分析，從而增加了無線傳感器網(wǎng)絡(luò)的應(yīng)用推廣價(jià)值［4］。無線傳感器網(wǎng)絡(luò)（WSN）通常依賴于無線通信服務(wù)，通過無線通信服務(wù)，測(cè)量值從一端傳輸?shù)搅硪欢耍?］。所有這些通信都是通過一個(gè)或多個(gè)節(jié)點(diǎn)進(jìn)行雙向處理的。這項(xiàng)技術(shù)具有很多優(yōu)點(diǎn)，但是也存在能源存儲(chǔ)不足的缺點(diǎn)，需要在頻繁維護(hù)的節(jié)點(diǎn)中嵌入電池［6］。

研究通過對(duì)無線傳感器網(wǎng)絡(luò)中機(jī)器學(xué)習(xí)算法的改進(jìn)，旨在使農(nóng)田水利自動(dòng)化監(jiān)測(cè)系統(tǒng)為智能決策提供信息管理，實(shí)現(xiàn)資源管理、生產(chǎn)管理等方面的高效運(yùn)作。此外，生態(tài)環(huán)境變化對(duì)農(nóng)作物生長(zhǎng)施加了更大的壓力，希望通過該系統(tǒng)的開發(fā)，為農(nóng)業(yè)精準(zhǔn)灌溉、適量施肥做出正確決策，使作物長(zhǎng)勢(shì)良好，從而有效應(yīng)對(duì)環(huán)境變化。

1 無線傳感器網(wǎng)絡(luò)模塊

基于AI農(nóng)業(yè)自動(dòng)化的WSN傳感器模塊包括與GPS模塊連接的AI處理系統(tǒng)、數(shù)據(jù)存儲(chǔ)（云存儲(chǔ)）、無線通信模塊、機(jī)器學(xué)習(xí)和決策模塊，見圖1。每個(gè)組件的排列方式都使其能感知、收集和存儲(chǔ)用于AI分析的數(shù)據(jù)。傳感器涉及CO、CO2、O2、SO2、NH3、CH4和其他可燃?xì)怏w、H2、NO、NO2、濕度、壓力、H2S、O3、Cl2、HCl，HCN、溫 度、顆 粒 物（PM1/PM2.5/PM10）、粉塵、PH3、ETO，傳感器可基于機(jī)器學(xué)習(xí)的分析方法進(jìn)行研究和收集。根據(jù)數(shù)據(jù)密度和速率，存儲(chǔ)空間被云計(jì)算操縱。傳感器模塊的作用是收集自然數(shù)據(jù)，無線通信模塊通過處理器的監(jiān)控將來自傳感器的數(shù)據(jù)傳輸?shù)皆拼鎯?chǔ)。處理器將通過傳感器節(jié)點(diǎn)增強(qiáng)的GPS模塊了解每個(gè)節(jié)點(diǎn)的位置［7］，以便做出基于區(qū)域的決策。此外，通過該模塊，可以識(shí)別出故障的WSN節(jié)點(diǎn)，用于校正和校準(zhǔn)，該節(jié)點(diǎn)位于數(shù)千個(gè)節(jié)點(diǎn)中［8］。

圖1 人工智能農(nóng)業(yè)自動(dòng)化無線傳感器模塊

顯示模塊增強(qiáng)為WSN處理單元，用于檢查整個(gè)網(wǎng)絡(luò)和與其連接的節(jié)點(diǎn)的狀態(tài)。這個(gè)顯示單元還負(fù)責(zé)分析土壤、資源等性質(zhì)和情況。系統(tǒng)中使用的處理器單元是Cortex ARM A7，它作為中央處理器，由內(nèi)存、狀態(tài)和控制組成，該處理器是Broadcom BCM2835片上系統(tǒng)，包括700MHZ ARM-11處理器［9］，它還具有帶有1級(jí)高速緩存的RAM和帶有2級(jí)高速緩存的圖形處理單元［10］。模塊中的CPU負(fù)責(zé)通過將一個(gè)模塊的功能連接到另一個(gè)模塊來協(xié)調(diào)整個(gè)過程，通過促進(jìn)每個(gè)模塊之間的通信，處理器能夠?qū)膫鞲衅麝嚵惺占降臄?shù)據(jù)組織到基站，而不會(huì)出現(xiàn)任何失真［11］。本文以農(nóng)村地區(qū)為中心，提出了基于無線網(wǎng)絡(luò)的微處理器或微控制器的自動(dòng)灌溉系統(tǒng)的開發(fā)和部署。為了實(shí)施和演示用于減少用水量和提高作物產(chǎn)量的自動(dòng)灌溉系統(tǒng)，該系統(tǒng)將從包含土壤水分參數(shù)的光伏電池中獲取電力，灌溉系統(tǒng)由2臺(tái)泵控制，每臺(tái)泵的功耗為48 W，由5 000 L水箱供水。

無線單元算法中實(shí)現(xiàn)了4種不同的灌溉操作：（1）使用按鈕進(jìn)行手動(dòng)灌溉，持續(xù)時(shí)間固定；（2）通過網(wǎng)絡(luò)在任何需要的時(shí)間以指定的日期和時(shí)間安排灌溉；（3）如果至少一個(gè)土壤濕度傳感器值低于閾值水平，則可以進(jìn)行固定持續(xù)時(shí)間的自動(dòng)灌溉；（4）如果至少一個(gè)土壤溫度傳感器值低于閾值水平，則可以進(jìn)行固定持續(xù)時(shí)間的自動(dòng)灌溉。

無線單元編程具有用于同步無線傳感器單元以監(jiān)控每個(gè)無線傳感器單元確切狀態(tài)的功能，如果所有信息丟失，系統(tǒng)將自動(dòng)執(zhí)行默認(rèn)灌溉計(jì)劃模式，同時(shí)將發(fā)送一封電子郵件提醒系統(tǒng)管理員，以便在自動(dòng)灌溉系統(tǒng)中進(jìn)行安全通信。

1.1 人工智能處理的系統(tǒng)架構(gòu)

人工智能處理的系統(tǒng)架構(gòu)（圖2）生成了一種方法，該方法通過歧管來處理系統(tǒng)，歧管組織來自農(nóng)業(yè)區(qū)域的傳感器陣列的數(shù)據(jù)，在云存儲(chǔ)的幫助下收集數(shù)據(jù)［12］。傳感器陣列的每個(gè)處理單元都配有結(jié)構(gòu)，以便為各種操作相互通信［13］。在案例中，處理單元使用了一個(gè)名為Raspberry Pi的設(shè)備，使用的云平臺(tái)是“ThingSpeak”［14］。它在處理硬件之間形成了牢固的聯(lián)系以獲取數(shù)據(jù)，機(jī)器學(xué)習(xí)算法通過MATLAB工具通過“訓(xùn)練-測(cè)試-驗(yàn)證”過程進(jìn)行模擬，網(wǎng)絡(luò)經(jīng)訓(xùn)練后，該單元將用于做出決策。

圖2 人工智能處理的系統(tǒng)架構(gòu)

1.2 廣義回歸神經(jīng)網(wǎng)絡(luò)

系統(tǒng)在收集具有分散性質(zhì)的隨機(jī)數(shù)據(jù)時(shí)，希望這些數(shù)據(jù)在一個(gè)元素與另一個(gè)元素之間具有一些回歸關(guān)系。一般而言，所有人工神經(jīng)網(wǎng)絡(luò)有不同的學(xué)習(xí)特征，不同的人工神經(jīng)網(wǎng)絡(luò)可能適用于各種應(yīng)用。在這種情況下，人工神經(jīng)網(wǎng)絡(luò)如前饋反向傳播神經(jīng)網(wǎng)絡(luò)、級(jí)聯(lián)前饋反向傳播神經(jīng)網(wǎng)絡(luò)、回歸神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)等被用于測(cè)試適用性［15］。在分析過程中，本文發(fā)現(xiàn)GRNN（Generalized Regression Neural Network）適合該操作。隨著GRNN從元素關(guān)系中獲得限制值，提供了寶貴的生產(chǎn)量。

GRNN預(yù)測(cè)的概率比由下式給出：

式中：D2i為訓(xùn)練樣本與預(yù)測(cè)值偏差之間的距離；Yiexp(-D2i2σ2)為訓(xùn)練之前的交互；σ為數(shù)據(jù)點(diǎn)的標(biāo)準(zhǔn)偏差，它負(fù)責(zé)將相關(guān)點(diǎn)調(diào)整為平滑度。廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）的體系結(jié)構(gòu)如圖3所示。

圖3 廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）

系統(tǒng)利用傳感器對(duì)農(nóng)田采集的分散數(shù)據(jù)進(jìn)行組織，然后通過無線通信協(xié)議，將數(shù)據(jù)傳輸?shù)皆贫朔治觥Ｈ缜八?，每個(gè)人工神經(jīng)網(wǎng)絡(luò)在使自身適應(yīng)相關(guān)問題的過程中彼此不同。GRNN架構(gòu)具有輸入層、模式識(shí)別層、求和、近似層、目標(biāo)或輸出層。輸入處理層將數(shù)據(jù)作為學(xué)習(xí)的輸入，每個(gè)數(shù)據(jù)元素之間的距離被用于學(xué)習(xí)特定數(shù)據(jù)跟隨識(shí)別到激活函數(shù)的過程的模式，系統(tǒng)中的求和或近似層概括了用于均衡值的模型，如果此傳遞函數(shù)將關(guān)注值限制為0至1，則分母和分子將生產(chǎn)值減少為因子。GRNN中的輸出層測(cè)量網(wǎng)絡(luò)處理值中匹配模式的可能性，并在模式和求和層的幫助下計(jì)算輸出決策。GRNN使用MSE（均方誤差）來驗(yàn)證可以進(jìn)行分類的學(xué)習(xí)過程。迭代訓(xùn)練在性能最佳的地方收斂，使訓(xùn)練好的網(wǎng)絡(luò)直接用于應(yīng)用程序做出決策。因此，本文將GRNN用于學(xué)習(xí)過程和制定策略。

2 農(nóng)田水利自動(dòng)化監(jiān)測(cè)系統(tǒng)調(diào)試

2.1 實(shí)施程序

（1）分析動(dòng)態(tài)農(nóng)業(yè)性質(zhì)，例如發(fā)生不確定性的土壤、肥力和其他資源狀況；（2）在處理模塊（Raspberry Pi）的幫助下，從大氣中收集數(shù)據(jù)的傳感器陣列通過MQTT協(xié)議進(jìn)行傳輸，數(shù)據(jù)與適合HTTP協(xié)議的標(biāo)頭一起合并和移動(dòng)；（3）收集的傳感器數(shù)據(jù)存儲(chǔ)在云端，并在使用網(wǎng)絡(luò)后作為信息包進(jìn)行通信；（4）智能云計(jì)算由Thing-Speak云平臺(tái)處理，提供分析，使機(jī)器學(xué)習(xí)操作順暢；（5）GRNN的訓(xùn)練正在處理以下拆分，例如60%的收集數(shù)據(jù)用于訓(xùn)練GRNN，30%數(shù)據(jù)用于測(cè)試，10%數(shù)據(jù)用于驗(yàn)證；（6）由于GRNN是一種監(jiān)督學(xué)習(xí)方法，并且需要映射過程，因此加入目標(biāo)值，以便產(chǎn)生最佳網(wǎng)絡(luò)；（7）由于這是一個(gè)迭代過程，如果映射完美匹配（即輸入層到目標(biāo)層），則達(dá)到收斂階段，由于學(xué)習(xí)過程是迭代的，該過程繼續(xù)將輸入映射到目標(biāo)；（8）在經(jīng)過訓(xùn)練后的網(wǎng)絡(luò)的幫助下，對(duì)最佳策略進(jìn)行預(yù)測(cè)。

2.2 使用GRNN進(jìn)行訓(xùn)練和測(cè)試

如上所述，在云中心獲取的數(shù)據(jù)被合并以適應(yīng)人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練策略。圖4由不同時(shí)期的均方根誤差（MSE）數(shù)據(jù)組成，從圖4可知，測(cè)試在epoch 2獲得了最佳驗(yàn)證性能，驗(yàn)證圖達(dá)到其最小MSE值0.0918。

圖4 GRNN訓(xùn)練性能

從2000年開始，將CO2增加的數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練并饋送到運(yùn)算過程中，訓(xùn)練序列經(jīng)過多次校準(zhǔn)，從中選出了最好的網(wǎng)絡(luò)，圖5表示在GRNN中處理的訓(xùn)練序列的狀態(tài)。

圖5 GRNN訓(xùn)練狀態(tài)

通過GRNN，記錄每次迭代的影響以進(jìn)行分析，下一次迭代對(duì)錯(cuò)誤命中率和未命中率進(jìn)行改進(jìn)。圖6為GRNN回歸過程圖，顯示了與訓(xùn)練、驗(yàn)證和測(cè)試集目標(biāo)相關(guān)的網(wǎng)絡(luò)輸出。對(duì)于完美的結(jié)果，數(shù)據(jù)應(yīng)該沿著45°線落下，表明網(wǎng)絡(luò)輸出等于目標(biāo)，從而驗(yàn)證網(wǎng)絡(luò)性能。在這種情況下，收斂狀態(tài)是在均方誤差計(jì)算的幫助下獲得的，該計(jì)算遞歸地檢查誤差。根據(jù)預(yù)測(cè)誤差，通過增強(qiáng)或調(diào)整不確定方程的斜率來提高性能。用戶也可以選擇隱藏層中不需要的神經(jīng)元。

圖6 GRNN回歸過程

使用帶有ARM處理器的Raspberry Pi等技術(shù)組件來控制WSN的整個(gè)處理過程。系統(tǒng)過程還包括云計(jì)算機(jī)器學(xué)習(xí)策略，以對(duì)農(nóng)業(yè)的未來發(fā)展做出更好的決策。尤其是ThingSpeak云平臺(tái)，提供了多種同時(shí)進(jìn)行數(shù)據(jù)存儲(chǔ)和分析的服務(wù)，在進(jìn)行存儲(chǔ)之前通過標(biāo)題數(shù)據(jù)對(duì)參數(shù)進(jìn)行分類。本文提出并解釋了通過WSN、云計(jì)算和機(jī)器學(xué)習(xí)算法的效用將人工神經(jīng)網(wǎng)絡(luò)引入系統(tǒng)農(nóng)業(yè)監(jiān)測(cè)的方法，開發(fā)的系統(tǒng)通過預(yù)測(cè)不確定條件下的值顯示了期望的結(jié)果，試點(diǎn)應(yīng)用發(fā)現(xiàn)，通過使用這種自動(dòng)化系統(tǒng)，農(nóng)田節(jié)水率高達(dá)92%，并具有更優(yōu)的糧食產(chǎn)出能力。因此，這項(xiàng)研究將繼續(xù)分析影響農(nóng)業(yè)的其他參數(shù)，以預(yù)測(cè)實(shí)際生產(chǎn)中可能遇到的情景。

3 結(jié)論

農(nóng)田水利監(jiān)測(cè)自動(dòng)化是一項(xiàng)提高農(nóng)作物生長(zhǎng)效率和灌溉用水效率的新革命，引入人工智能使管理部門利用更少資源的同時(shí)提高了糧食產(chǎn)量，此舉具有重大現(xiàn)實(shí)意義。

本文提出并解釋了通過WSN、云計(jì)算和機(jī)器學(xué)習(xí)算法的效用將人工神經(jīng)網(wǎng)絡(luò)引入系統(tǒng)農(nóng)業(yè)監(jiān)測(cè)的方法。通過將無線傳感器網(wǎng)絡(luò)與農(nóng)田水利領(lǐng)域相結(jié)合，有助于改善農(nóng)業(yè)用水條件、保障高效合理的灌溉用水。通過引入無線通信技術(shù)以及各種傳感器來研究無線傳感器網(wǎng)絡(luò)在農(nóng)田水利自動(dòng)化領(lǐng)域中的作用，提出了一種利用無線傳感器網(wǎng)絡(luò)實(shí)現(xiàn)智能管理自動(dòng)化系統(tǒng)的方法。