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果園進行管理，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，但存在部分節(jié)點通信信號不穩(wěn)定，大范圍、多區(qū)域覆蓋需要搭建多通基站節(jié)點的不足。

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)對精準(zhǔn)灌溉的需求將進一步擴展，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)，實現(xiàn)果園環(huán)境信息的遠(yuǎn)程監(jiān)測，依據(jù)專家知識，結(jié)合采集的環(huán)境數(shù)據(jù)與降雨預(yù)測信息，對灌溉裝置進行遠(yuǎn)程控制，實現(xiàn)果園的精準(zhǔn)灌溉。

1 系統(tǒng)結(jié)構(gòu)設(shè)計

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)點根據(jù)數(shù)據(jù)采集信號實時采集果園環(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)分析處理后存儲于數(shù)據(jù)庫。專家系統(tǒng)根據(jù)調(diào)控規(guī)則對灌溉進行調(diào)節(jié)，其決策結(jié)果由云服務(wù)器下發(fā)到基站，節(jié)點遵循控制信號啟動或關(guān)閉電磁閥。用戶可通過PC（計算機）端和移動端查詢相關(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

針對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，抗干擾性強的優(yōu)勢；NB-IoT具有強鏈接，高覆蓋，低功耗和低成本的優(yōu)勢。

LoRa 模塊采用正點原子的ATK-LORA-01 模塊，該模塊采用高效率的ISM 頻段射頻SX1278 擴頻芯片，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，主節(jié)點通過NB-IoT 網(wǎng)絡(luò)上傳到基站，并通過VPDN 隧道直接與云平臺服務(wù)器進行數(shù)據(jù)交換［10］。采集主節(jié)點以STM32F103ZET6 芯片為控制核心，節(jié)點MCU分別通過TTL、UART串口與LoRa、NB-IoT模塊通信。

1.3 硬件設(shè)計

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)控制信號啟停電磁閥實現(xiàn)對果園灌溉裝置進行控制。若收到數(shù)據(jù)采集信號時各傳感器開始采集并周期性把數(shù)據(jù)包上傳到基站，若收到的信號是灌溉控制信號則對電磁閥進行對應(yīng)操作，如果未收到基站信息或收到的信號既不是采集信號也不是灌溉控制信號則系統(tǒng)進入超低功耗模式（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Tab.1 Sensor models

2 云服務(wù)器及專家系統(tǒng)設(shè)計

2.1 數(shù)據(jù)庫設(shè)計

該設(shè)計使用靈活性高、速率較快的關(guān)系數(shù)據(jù)庫MySQL 對系統(tǒng)產(chǎn)生的數(shù)據(jù)進行存儲，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］，對數(shù)據(jù)庫進行數(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)點信息表；③雨量預(yù)測信息表；④果樹不同時期的需水量、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)點環(huán)境信息表Tab.2 Environment information table

2.2 功能模塊設(shè)計

依據(jù)系統(tǒng)需求專家系統(tǒng)主要實現(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)測模塊實時采集果園空氣、土壤溫濕度、光照強度、降雨量等數(shù)據(jù)，并以圖表的形式展示節(jié)點數(shù)據(jù)及其變化情況，用戶可以通過PC 端和移動端對果園環(huán)境數(shù)據(jù)進行查詢。

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)算法對果樹需水量進行預(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，首先利用BP 神經(jīng)網(wǎng)絡(luò)對果樹需水預(yù)測的數(shù)學(xué)模型進行搭建，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)元個數(shù)h為：

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

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

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

由式（1）可知隱含層神經(jīng)元個數(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］對網(wǎng)絡(luò)進行訓(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)，分別對隱含層節(jié)點數(shù)各取值進行訓(xùn)練，訓(xùn)練結(jié)果如表3所示。當(dāng)隱含層節(jié)點數(shù)取值為9時誤差最小，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)點數(shù)訓(xùn)練結(jié)果Tab.3 Training results of hidden layer

均方誤差的計算公式為：

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，進而對果園進行科學(xué)灌溉，提升水果產(chǎn)量與質(zhì)量的同時最大限度節(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。

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

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

二級調(diào)控：i取值范圍為1～X，實時檢測土壤含水率，如果滿足果樹生長需求，則不進行灌溉操作。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)院芒果種植試驗基地為實驗對象，對果園灌溉系統(tǒng)進行試驗。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)，因此計劃濕潤層深度以40 cm 進行試驗。不同生長期土壤相對濕度（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 個傳感器節(jié)點對丟包率進行測試。傳感器節(jié)點布置示意圖如圖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)實時、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)點布置示意圖Fig.7 Sensor node layout diagram

3.3 GA-BP預(yù)測效果

該試驗的數(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、光照強度、土壤相對濕度以及芒果需水量共90組數(shù)據(jù)。為統(tǒng)一量綱，對數(shù)據(jù)進行歸一化處理，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和平均絕對誤差MAE對模型進行評價，評價指標(biāo)值越小說明預(yù)測越準(zhǔn)確。計算公式為：

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)各項評價指標(biāo)值均小于BP 神經(jīng)網(wǎng)絡(luò)模型，對需水量的預(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

以芒果園為對象進行試驗，系統(tǒng)自動采集芒果園溫濕度、光照強度等環(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)不同生長期進行自動調(diào)節(jié)），土壤含水率低于下限閾值則進行灌溉，高于上限閾值停止灌溉。分別對兩種灌溉策略進行試驗，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日將會有連續(xù)降雨，調(diào)節(jié)灌溉量避免由于持續(xù)灌溉對果樹造成不利影響；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日將有強降雨，故暫時不執(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行灌溉能保證果園的土壤含水率，但是當(dāng)遇到強降雨時會導(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。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)實時、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)對果樹需水量進行預(yù)測，并結(jié)合降雨預(yù)報做出灌溉決策。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。

以實現(xiàn)果園信息的準(zhǔn)確、實時監(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)，實現(xiàn)果園環(huán)境信息的自動采集與精準(zhǔn)灌溉，對提高水果產(chǎn)量與質(zhì)量具有一定的參考意義。□