高 翔，劉 鵬，盧潭城，陸起涌

(復(fù)旦大學(xué) 電子工程系，上海200433)

0 引 言

近年來，利用信息技術(shù)發(fā)展現(xiàn)代農(nóng)業(yè)成為了世界各國農(nóng)業(yè)發(fā)展的熱點［1］，同時，“精準農(nóng)業(yè)”體系已成為一種重要的現(xiàn)代農(nóng)業(yè)生產(chǎn)形式［2］。在該體系中，對農(nóng)業(yè)環(huán)境參數(shù)的實時監(jiān)測提出了更高的要求，而基于Zig Bee 的農(nóng)業(yè)無線傳感網(wǎng)絡(luò)(WSNs)是實現(xiàn)這一目標的重要手段。盡管Zig Bee 在通信層面考慮了低功耗，但傳感器層面的功耗問題未得到解決。農(nóng)作物生長依賴于水，故在農(nóng)業(yè)環(huán)境參數(shù)的監(jiān)控中，對土壤濕度的監(jiān)測尤為重要。但現(xiàn)有的土壤濕度傳感器多數(shù)成本高且未作低功耗處理，故如何使用一種低成本且低功耗的方式對土壤濕度進行測定是農(nóng)業(yè)無線傳感網(wǎng)絡(luò)中亟待解決的一個重要問題。

本文提出了一種將土壤電阻傳感器和土壤溫度傳感器共同用于農(nóng)業(yè)無線傳感網(wǎng)絡(luò)中土壤濕度測定的方法，并利用多元線性回歸模型和BP 神經(jīng)網(wǎng)絡(luò)模型對該方法進行土壤濕度的數(shù)據(jù)標定;最后，本文將該方法應(yīng)用于一種基于Zig Bee 的農(nóng)業(yè)無線傳感網(wǎng)絡(luò)中。

1 實驗平臺與建模問題的描述

建模實驗的載體為土壤電阻傳感器，其原理如圖1 所示。土壤電阻的大小會影響三極管基極電流，從而改變Vout。而土壤濕度和土壤溫度均是影響土壤電阻率的重要因素［3，4］，故可以利用土壤電阻傳感器結(jié)合土壤溫度傳感器對土壤濕度進行測定。實驗采用TI 公司的CC2530［5］組成Zig Bee 網(wǎng)絡(luò)進行自動化數(shù)據(jù)采集，為了定量描述Vout，實驗中的采樣電壓值為經(jīng)過CC2530 采樣后的ADC 值。實驗所用土壤的類型為壤土，田間持水量在25%左右。本文使用的土壤溫度傳感器是經(jīng)不銹鋼外殼封裝的DS18B20［6］。土壤濕度的真實值通過武漢新惠普科技有限公司的農(nóng)業(yè)專用土壤濕度傳感器PHTS—5V—V2 測得。

圖1 土壤電阻傳感器原理圖Fig 1 Principle diagram of soil resistive sensor

2 土壤濕度測定模型

2.1 多元線性回歸模型

首先要確定電壓采樣值(ADC 采樣值)與土壤濕度和土壤溫度間的關(guān)系，實驗結(jié)果如圖2 和圖3 所示。從中可以看出，當土壤溫度一定時，電壓采樣值與土壤濕度之間具有正相關(guān)的線性關(guān)系。經(jīng)過計算，其相關(guān)系數(shù)均接近于1，最小相關(guān)系數(shù)R 為0.989 5;另一方面，當土壤濕度一定時，電壓采樣值與土壤溫度之間正相關(guān)且具有二次曲線的關(guān)系，其曲率也隨著土壤濕度的改變而改變。經(jīng)過擬合，二次多項式擬合曲線的相關(guān)指數(shù)R2均接近于1，最小相關(guān)指數(shù)R2為0.986 9。

圖2 土壤濕度與電壓采樣值的關(guān)系Fig 2 Relationship between soil moisture and sampling value of voltage

圖3 土壤溫度與電壓采樣值的關(guān)系Fig 3 Relationship between soil temperature and sampling value of voltage

基于上述結(jié)論，以ADC 為應(yīng)變量，土壤濕度hump 和土壤溫度temp 為自變量，可建立式(1)的多元線性回歸方程和式(2)的土壤濕度測定方程

通過實驗，本文獲得了共199 組樣本數(shù)據(jù)。根據(jù)式(1)，對樣本數(shù)據(jù)進行多元線性擬合，最終得到的擬合參數(shù)為:b0=641.804 5，α=2 243.5，β= 11.372 9，γ=－0.027 3，δ=－0.461 9。通過計算，得到模型的全相關(guān)系數(shù)R=0.996 7。

2.2 BP 神經(jīng)網(wǎng)絡(luò)模型

BP(back propagation)神經(jīng)網(wǎng)絡(luò)［7］是一種多層前饋網(wǎng)絡(luò)，能很好地反映輸入輸出向量之間的變化規(guī)律。本文建立的BP 神經(jīng)網(wǎng)絡(luò)模型的輸入向量為電壓采樣值和土壤溫度，輸出為土壤濕度，采用三層網(wǎng)絡(luò)結(jié)構(gòu)，隱含層節(jié)點數(shù)為5。在199 組訓(xùn)練樣本下對網(wǎng)絡(luò)進行訓(xùn)練，最終得到的BP 神經(jīng)網(wǎng)絡(luò)模型如圖4 所示。

圖4 土壤濕度與電壓采樣值和土壤溫度間的BP 神經(jīng)網(wǎng)絡(luò)模型Fig 4 BP neural network model of soil moisture with sampling value of voltage and soil temperature

3 實際測試結(jié)果與分析

3.1 Zig Bee 農(nóng)業(yè)無線傳感網(wǎng)絡(luò)終端節(jié)點

基于土壤電阻傳感器的Zig Bee 農(nóng)業(yè)無線傳感網(wǎng)絡(luò)終端節(jié)點如圖5 所示。其中，CC2530 置于盒子內(nèi)部，外部插入土壤的探頭即是土壤電阻傳感器和土壤溫度傳感器。土壤電阻傳感器的電源端用CC2530 的P1_0 進行控制，可使土壤電阻傳感器在終端節(jié)點休眠周期不耗電，減少終端節(jié)點的功耗。

圖5 Zig Bee 農(nóng)業(yè)無線傳感器網(wǎng)絡(luò)終端節(jié)點Fig 5 Terminal node of agricultural WSNs based on Zig Bee

3.2 多元線性回歸模型的檢驗

在基于Zig Bee 的農(nóng)業(yè)無線傳感網(wǎng)絡(luò)的實際應(yīng)用中，得到共120 組測試集數(shù)據(jù)。將這些測試集數(shù)據(jù)分為兩類:在測試集1 中，選取的土壤濕度值與建模樣本接近;在測試集2中，選取的土壤溫濕度值均與建模樣本不同。多元線性回歸模型在測試集中的殘差圖如圖6 所示。從圖中可以看出，在測試集1 中，模型精度約為±1.5%，均方誤差(MSE)為0.26;在測試集2 中，模型精度約為±2.5%，MSE 為0.79。

3.3 BP 神經(jīng)網(wǎng)絡(luò)模型的檢驗

BP 神經(jīng)網(wǎng)絡(luò)模型在測試集中的殘差圖如圖7 所示。從圖中可以看出，在測試集1 中，模型精度約為±0.8%，MSE 為0.05;在測試集2 中，模型精度約為±2.5%，MSE為0.57。可見，雖然模型訓(xùn)練的過程更復(fù)雜，但使用BP 神經(jīng)網(wǎng)絡(luò)建立的土壤濕度模型比多元線性回歸模型具有更高的精度。

圖6 多元線性回歸模型在測試集中的殘差分析Fig 6 Residual analysis of multiple linear regression model in test set

圖7 BP 神經(jīng)網(wǎng)絡(luò)模型在測試集中的殘差分析Fig 7 Residual analysis of BP neural network model in test set

4 結(jié)束語

本文針對農(nóng)業(yè)無線傳感網(wǎng)絡(luò)中土壤濕度測定的問題進行了研究，提出了利用土壤電阻傳感器和土壤溫度傳感器進行土壤濕度測定的方法，并在實際的Zig Bee 農(nóng)業(yè)無線傳感網(wǎng)絡(luò)中得到驗證。測試結(jié)果表明:在同一種類型的土壤中，本文提出的方法在測試集中可達到±2.5%的精度，具有實用價值。

［1］ 孫忠富，杜克明，尹首一.物聯(lián)網(wǎng)發(fā)展趨勢與農(nóng)業(yè)應(yīng)用展望［J］.農(nóng)業(yè)網(wǎng)絡(luò)信息，2010(5):5－8.

［2］ 劉愛民，封志明，徐麗明.現(xiàn)代精準農(nóng)業(yè)及我國精準農(nóng)業(yè)的發(fā)展方向［J］.中國農(nóng)業(yè)大學(xué)學(xué)報，2000，5(2):20－25.

［3］ Archie G E.The electrical resistivity log as an aid in determining some reservoir characteristics［J］.Trans AIME，1942，146(1):54－62.

［4］ 曹曉斌，吳廣寧，付龍海，等.溫度對土壤電阻率影響的研究［J］.電工技術(shù)學(xué)報，2007，22(9):1－6.

［5］ Texas Instruments.CC2530 Datasheet［EB/OL］.［2010—10—05］.http:∥www.ti.com.cn/cn/lit/ds/symlink/cc2530.pdf.

［6］ Dallas Semiconductor.Datasheet of DS18B20［EB/OL］.［2012—01—12］.http:∥dlnmh9ip6v2uc.cloudfront.net/datasheets/Sensors/Temp/DS18B20.pdf.

［7］ Rumelhart D E，Hinton G E，Williams R J.Learning internal representations by error propagation［R］.San Diego:California Univ San Diego La Jolla Inst for Cognitive Science，1985.