魯旭濤，張麗娜，劉 昊，智超群，李 靜

（1. 中北大學(xué)機(jī)電工程學(xué)院，太原 030051；2. 中北大學(xué)信息與通信工程學(xué)院，太原 030051；3. 中北大學(xué)電氣與控制工程學(xué)院，太原 030051）

0 引 言

農(nóng)業(yè)是一個(gè)國(guó)家的立國(guó)之本，農(nóng)業(yè)的發(fā)展水平也在某種程度上反映出一個(gè)國(guó)家的國(guó)力。伴隨著世界人口的急劇增長(zhǎng)，世界農(nóng)業(yè)生產(chǎn)成就也十分顯著。而中國(guó)作為一個(gè)農(nóng)業(yè)大國(guó)，2020年中國(guó)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(jìn)行灌溉，在很大程度上造成了水資源的浪費(fèi)，并且不利于作物的生長(zhǎng)。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(shì)所趨，伴隨著科技的發(fā)展，精準(zhǔn)灌溉成為人們研究的一項(xiàng)熱點(diǎn)[1-3]。特別是水田作物，對(duì)水位精準(zhǔn)控制的需求尤為突出[4]。

對(duì)于精準(zhǔn)灌溉的研究，目前國(guó)內(nèi)外主要集中在硬件設(shè)計(jì)、算法模型設(shè)計(jì)兩大層面[5-9]。其中，在硬件層面，專(zhuān)家學(xué)者聚焦灌溉系統(tǒng)的優(yōu)化設(shè)計(jì)及灌溉參數(shù)采集研究等[10-12]。例如，有學(xué)者提出一種基于智能精準(zhǔn)灌溉平臺(tái)的線(xiàn)性灌溉系統(tǒng)，有效降低了灌溉量突變對(duì)作物的影響[13]；也有學(xué)者構(gòu)建了高分辨率灌溉面積遙感監(jiān)測(cè)系統(tǒng)，對(duì)農(nóng)田灌溉進(jìn)行監(jiān)測(cè)[14]。而在算法模型設(shè)計(jì)層面，主要集中在模型設(shè)計(jì)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(zhuān)家將人工智能技術(shù)應(yīng)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(zhǔn)灌溉系統(tǒng)，通過(guò)系統(tǒng)不斷的學(xué)習(xí)來(lái)做出灌溉決策[21]；還有學(xué)者設(shè)計(jì)了一種節(jié)水灌溉管理及決策系統(tǒng)，降低了水資源浪費(fèi)[22]。

綜合上述國(guó)內(nèi)外專(zhuān)家學(xué)者的研究，目前精準(zhǔn)灌溉系統(tǒng)設(shè)計(jì)主要存在如下幾個(gè)方面的問(wèn)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(zhǎng)環(huán)境復(fù)雜，現(xiàn)有灌溉系統(tǒng)底層設(shè)備多采用有線(xiàn)通信方式，為設(shè)備部署、回收及維護(hù)方面帶來(lái)很大挑戰(zhàn)；一些基于無(wú)線(xiàn)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(diǎn)無(wú)序部署或隨機(jī)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(diǎn)脫節(jié)、通信能耗高的問(wèn)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(guò)低、能耗高的缺陷，且需要自動(dòng)化設(shè)備的重復(fù)開(kāi)啟，在增加設(shè)備能耗的同時(shí)，對(duì)設(shè)備壽命也有很大影響。

因此，本文設(shè)計(jì)了網(wǎng)絡(luò)化水田作物精準(zhǔn)灌溉系統(tǒng)，運(yùn)用傳感器技術(shù)、嵌入式系統(tǒng)技術(shù)、無(wú)線(xiàn)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(zhǔn)灌溉策略，實(shí)現(xiàn)在保證作物生長(zhǎng)水位最優(yōu)的前提下，減少無(wú)效灌溉，避免了水資源的浪費(fèi)，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(zhǔn)灌溉系統(tǒng)設(shè)計(jì)

1.1 套件設(shè)計(jì)

1.1.1 智能灌溉系統(tǒng)總體架構(gòu)

本文針對(duì)水田作物復(fù)雜生長(zhǎng)環(huán)境下，對(duì)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(jì)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(diǎn)、灌溉控制節(jié)點(diǎn)、手持控制終端、PC控制終端及無(wú)線(xiàn)智能通信節(jié)點(diǎn)五大部分組成。該系統(tǒng)基于無(wú)線(xiàn)通信的方式，通過(guò)加裝太陽(yáng)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(diǎn)主要負(fù)責(zé)水田作物生長(zhǎng)環(huán)境監(jiān)測(cè)，主要包括水位數(shù)據(jù)傳感器、風(fēng)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(guò)Arduino NANO MCU模塊進(jìn)行處理后，由通信模塊進(jìn)行轉(zhuǎn)發(fā)，數(shù)據(jù)采集節(jié)點(diǎn)架構(gòu)如圖1a所示。

灌溉控制節(jié)點(diǎn)負(fù)責(zé)控制電磁閥的開(kāi)閉，以達(dá)到精準(zhǔn)灌溉的目的。主要由灌溉電磁閥、排水電磁閥、流量計(jì)、MCU模塊及通信模塊組成，灌溉控制節(jié)點(diǎn)架構(gòu)如圖1b所示。

手持控制終端便于在戶(hù)外環(huán)境下，觀察水田作物環(huán)境參數(shù)、手動(dòng)控制閥門(mén)開(kāi)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(wú)線(xiàn)智能通信節(jié)點(diǎn)，主要適用于大范圍、遠(yuǎn)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(yáng)能供電模塊。其架構(gòu)如圖1d所示。

PC控制終端主要負(fù)責(zé)數(shù)據(jù)的處理存儲(chǔ)、實(shí)時(shí)顯示及灌溉控制、灌溉決策。本文采用Labview+Matlab的思路，進(jìn)行PC端控制平臺(tái)設(shè)計(jì)。其中，利用Matlab軟件設(shè)計(jì)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(jì)了數(shù)據(jù)處理、顯示及灌溉控制平臺(tái)，其架構(gòu)如圖2所示。

整個(gè)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(dāng)農(nóng)田面積擴(kuò)大時(shí)，所需要的灌溉節(jié)點(diǎn)、數(shù)據(jù)采集節(jié)點(diǎn)規(guī)模也隨之增大。設(shè)計(jì)合理的通信網(wǎng)絡(luò)結(jié)構(gòu)，是保證大量數(shù)據(jù)實(shí)時(shí)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(duì)此，本文設(shè)計(jì)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(diǎn)及灌溉節(jié)點(diǎn)的信息傳輸，首先由其對(duì)應(yīng)的通信中繼節(jié)點(diǎn)進(jìn)行轉(zhuǎn)發(fā)至匯聚節(jié)點(diǎn)，再由匯聚節(jié)點(diǎn)傳輸至控制終端。智能灌溉系統(tǒng)實(shí)物如圖5所示。

1.2 模型建立

1.2.1 精準(zhǔn)灌溉通信網(wǎng)絡(luò)節(jié)點(diǎn)最優(yōu)部署模型

為避免歧義，本文根據(jù)實(shí)際情況，對(duì)精準(zhǔn)灌溉通信網(wǎng)絡(luò)節(jié)點(diǎn)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(diǎn)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(wèn)題；所謂最優(yōu)部署是指以相對(duì)最少的中繼節(jié)點(diǎn)投入數(shù)量、最低的通信能耗實(shí)現(xiàn)精準(zhǔn)灌溉通信網(wǎng)絡(luò)全連通。

本文以節(jié)點(diǎn)一周內(nèi)平均數(shù)據(jù)量為權(quán)重，確定節(jié)點(diǎn)在部署過(guò)程中所占權(quán)重。當(dāng)若干個(gè)灌溉控制節(jié)點(diǎn)、數(shù)據(jù)采集節(jié)點(diǎn)所對(duì)應(yīng)的中繼節(jié)點(diǎn)被確定，則這些節(jié)點(diǎn)的數(shù)據(jù)傳輸僅能通過(guò)此中繼節(jié)點(diǎn)進(jìn)行轉(zhuǎn)發(fā)。基于上述定義，建立精準(zhǔn)灌溉通信節(jié)點(diǎn)最優(yōu)部署模型。

1）精準(zhǔn)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(gè)通信節(jié)點(diǎn)i和j的坐標(biāo)為（xi,yi,zi）和（xj,yj,zj），那么這兩點(diǎn)之間的距離dij可表示為

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

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

當(dāng)網(wǎng)絡(luò)內(nèi)所有通信節(jié)點(diǎn)均建立連接時(shí)，稱(chēng)該網(wǎng)絡(luò)為全連通網(wǎng)絡(luò)，即

2）通信網(wǎng)絡(luò)能耗評(píng)估模型

無(wú)線(xiàn)網(wǎng)絡(luò)通信能耗取決于數(shù)據(jù)量和節(jié)點(diǎn)之間距離。當(dāng)兩節(jié)點(diǎn)間距離為d，發(fā)送數(shù)據(jù)包大小為k時(shí)，發(fā)送能耗ET為

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

對(duì)應(yīng)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(dāng)數(shù)據(jù)采集節(jié)點(diǎn)數(shù)量、灌溉控制節(jié)點(diǎn)數(shù)量、智能通信中繼節(jié)點(diǎn)數(shù)量分別為na、nb、nc時(shí)，整體通信網(wǎng)絡(luò)能耗Esum計(jì)算如下：

式中Eac表示所有數(shù)據(jù)采集節(jié)點(diǎn)到對(duì)應(yīng)中繼節(jié)點(diǎn)通信能耗；Ebc表示所有灌溉控制節(jié)點(diǎn)到對(duì)應(yīng)中繼節(jié)點(diǎn)通信能耗；Ecd表示所有通信中繼節(jié)點(diǎn)到匯聚節(jié)點(diǎn)的通信能耗；na、nb、nc分別表示數(shù)據(jù)采集節(jié)點(diǎn)、灌溉控制節(jié)點(diǎn)及中繼節(jié)點(diǎn)數(shù)量；分別表示第i、j、l個(gè)節(jié)點(diǎn)對(duì)應(yīng)的信息量。

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

公式（10）含義為在滿(mǎn)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(zhǔn)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(gè)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(shí)現(xiàn)作物生長(zhǎng)水位保持在最適生長(zhǎng)閾值內(nèi)。為實(shí)現(xiàn)此目標(biāo)，本文建立了作物耗水預(yù)測(cè)模型、降雨預(yù)測(cè)模型及最優(yōu)灌溉模型。

1）作物耗水預(yù)測(cè)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(duì)于作物蒸騰量的計(jì)算，本文采用經(jīng)聯(lián)合國(guó)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(xiàn)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(jì)常數(shù)，kPa/℃；T指日平均氣溫，℃；U2指2 m高處風(fēng)速，m/s；ea指飽和水汽壓，kPa；ed指實(shí)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(duì)ET0進(jìn)行修正：

式中Kc不僅僅因作物種類(lèi)而異，而且在作物不同生長(zhǎng)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(jìn)行說(shuō)明。

2）降水預(yù)測(cè)模型

本系統(tǒng)通過(guò)WEB端對(duì)天氣預(yù)報(bào)數(shù)據(jù)進(jìn)行提取。主要提取內(nèi)容有：溫度值、日照、風(fēng)速及降水情況。

由于自然降水到地面后會(huì)有部分通過(guò)地面徑流及深層滲透流失。因此本文采取以下公式計(jì)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(shí)間及強(qiáng)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(zhǎng)周期內(nèi)最佳含水率S的區(qū)間θmin、θmax，作物生長(zhǎng)周期內(nèi)水田最大蓄水量θc（mm）及實(shí)際灌溉量rθ（mm）。

進(jìn)一步可得出作物的生長(zhǎng)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(zhǎng)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(dāng)水田水位的值超過(guò)最大蓄水量cθ時(shí)需要啟動(dòng)抽水電磁閥進(jìn)行排水，排水模型建立如下：

式中排水量E為當(dāng)前農(nóng)田水位與未來(lái)降水量之和減去最大蓄水量。只有當(dāng)θp＞θc時(shí)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(zhǎng)含水量最優(yōu)，可以表述為

1.3 精準(zhǔn)灌溉控制系統(tǒng)設(shè)計(jì)

1.3.1 系統(tǒng)架構(gòu)設(shè)計(jì)

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(shí)庫(kù)以及邏輯判斷[25-26]。將當(dāng)前水位、未來(lái)降水量、未來(lái)蒸騰量作為系統(tǒng)輸入?yún)?shù)，通過(guò)模糊控制器經(jīng)過(guò)一系列運(yùn)算之后，進(jìn)而將排水量、灌溉量作為輸出變量精確輸出。本文所設(shè)計(jì)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(gè)等級(jí)：特小、略小、中等、略大、特大。其次，針對(duì)不同輸入及輸出建立與之對(duì)應(yīng)的模糊子集。最后，針對(duì)子集內(nèi)所有參數(shù)進(jìn)行模糊控制規(guī)則設(shè)計(jì)。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(duì)應(yīng)三角形下部的左右兩個(gè)頂點(diǎn)，參數(shù)b對(duì)應(yīng)三角形上部的頂點(diǎn)。

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(kāi)閉情況存在如下關(guān)系：當(dāng)灌溉電磁閥開(kāi)啟時(shí)，排水電磁閥通常處于關(guān)閉狀態(tài)；反之，排水電磁閥開(kāi)啟時(shí)，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(dāng)模糊系統(tǒng)執(zhí)行I0或D0指令時(shí)，分別表示將灌溉/排水設(shè)備不動(dòng)作。

首先，進(jìn)行模糊控制目標(biāo)語(yǔ)句設(shè)計(jì)，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(yǔ)句格式及模糊控制規(guī)則表，進(jìn)行模糊控制規(guī)則設(shè)計(jì)。本文共設(shè)計(jì)模糊規(guī)則125條，其中包括設(shè)備不動(dòng)作規(guī)則67條、灌溉設(shè)備動(dòng)作規(guī)則13條以及排水設(shè)備動(dòng)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(dāng)前水位、F-Precipitation表示未來(lái)24 h有效降水量、F-Water consumption表示未來(lái)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(zhǔn)灌溉通信網(wǎng)絡(luò)節(jié)點(diǎn)部署

2.1 通信網(wǎng)絡(luò)節(jié)點(diǎn)部署仿真算法

現(xiàn)有的對(duì)于精準(zhǔn)灌溉系統(tǒng)無(wú)線(xiàn)通信網(wǎng)絡(luò)節(jié)點(diǎn)的部署方案，多采用基于隨機(jī)部署后再調(diào)節(jié)或基于簡(jiǎn)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(jìn)的飛蛾撲火優(yōu)化算法對(duì)該模型進(jìn)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(jìn)的飛蛾撲火算法（Voronoi Moth Flame Optimization，VI-MFO），是通過(guò)引進(jìn)維諾圖的刨分特性來(lái)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(diǎn)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(jìn)行精準(zhǔn)灌溉通信網(wǎng)絡(luò)節(jié)點(diǎn)部署仿真，算法的基本流程如圖8所示。首先，根據(jù)實(shí)際需求，部署數(shù)據(jù)采集及排灌設(shè)備（統(tǒng)稱(chēng)為基礎(chǔ)節(jié)點(diǎn)）；其次，通過(guò)建立空間坐標(biāo)系確定基礎(chǔ)節(jié)點(diǎn)坐標(biāo)，對(duì)基礎(chǔ)節(jié)點(diǎn)進(jìn)行維諾圖刨分；然后，以信息量為權(quán)重確定中繼節(jié)點(diǎn)服務(wù)范圍，并進(jìn)一步構(gòu)建節(jié)點(diǎn)多面體；最后，利用MFO算法的尋優(yōu)策略，尋找通信節(jié)點(diǎn)的最優(yōu)部署位置。

2.2 參數(shù)設(shè)定

灌溉節(jié)點(diǎn)、排水節(jié)點(diǎn)以及數(shù)據(jù)采集節(jié)點(diǎn)的分布受節(jié)點(diǎn)的安裝位置、節(jié)點(diǎn)本身特性等因素影響，其位置分布無(wú)規(guī)律性。本文結(jié)合實(shí)際情況，針對(duì)不同需求，對(duì)不同節(jié)點(diǎn)類(lèi)型數(shù)量、節(jié)點(diǎn)一周內(nèi)產(chǎn)生信息量進(jìn)行了評(píng)估計(jì)算，得出具體參數(shù)如表3所示。

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

進(jìn)一步建立空間坐標(biāo)系，試驗(yàn)環(huán)境設(shè)計(jì)在一個(gè)10 km×10 km×0.001 5 km的三維空間內(nèi)。不同類(lèi)型節(jié)點(diǎn)的分布三維圖及熱圖如圖9所示。節(jié)點(diǎn)能耗、節(jié)點(diǎn)覆蓋能力及算法參數(shù)設(shè)定值如表4所示。

表4 節(jié)點(diǎn)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(jì)算機(jī)配置為：Intel i5-8550U CPU、8GB運(yùn)行內(nèi)存，編程軟件為Matlab2017b的環(huán)境下進(jìn)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(diǎn)9個(gè)，各中繼節(jié)點(diǎn)對(duì)應(yīng)基礎(chǔ)節(jié)點(diǎn)（灌溉節(jié)點(diǎn)、排水節(jié)點(diǎn)、采集節(jié)點(diǎn)的統(tǒng)稱(chēng)）如圖10所示。

2）在此基礎(chǔ)上繼續(xù)求得匯聚節(jié)點(diǎn)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(jìn)一步求得節(jié)點(diǎn)間距離矩陣如圖12所示，匯聚節(jié)點(diǎn)到中繼節(jié)點(diǎn)的最大距離為5.2 km；中繼節(jié)點(diǎn)到對(duì)應(yīng)基礎(chǔ)節(jié)點(diǎn)的距離也均小于2.5 km，求解結(jié)果滿(mǎn)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(diǎn)及匯聚節(jié)點(diǎn)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(diǎn)均處于同一等高線(xiàn)上，表明所有中繼節(jié)點(diǎn)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(lái)的部分節(jié)點(diǎn)生存周期過(guò)短、后期維護(hù)復(fù)雜的窘境。進(jìn)一步體現(xiàn)出本文部署策略及算法的性能。

3 精準(zhǔn)灌溉系統(tǒng)性能測(cè)試與結(jié)果分析

3.1 性能測(cè)試方法

3.1.1 設(shè)計(jì)指標(biāo)及灌溉目標(biāo)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(zhǎng)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(yàn)灌溉系統(tǒng)的性能。

參考《自動(dòng)氣候站觀測(cè)規(guī)范》（GB/T33694—2017）、《環(huán)境監(jiān)測(cè)信息傳輸技術(shù)規(guī)定》（HJ660—2013）、《農(nóng)田信息監(jiān)測(cè)點(diǎn)選址要求和監(jiān)測(cè)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(jì)指標(biāo)，并結(jié)合實(shí)際情況進(jìn)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(duì)旱地時(shí)，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(gè)較小的范圍內(nèi)。本文假定試驗(yàn)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(shí)間及降水強(qiáng)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(lèi)、地理位置、生長(zhǎng)周期及當(dāng)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(biāo)

水位指標(biāo)主要包括作物最佳生長(zhǎng)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(shí)間不得超過(guò)6 d[30]。

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

3.1.2 試驗(yàn)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(jìn)行系統(tǒng)運(yùn)行參數(shù)設(shè)定，其中，緯度為31°19′39″N，海拔為25 m，縱坐標(biāo)分表高度為2 m，日序數(shù)為153～183（6月），初始水位25 mm。測(cè)試中風(fēng)速、高低溫、降水量等氣象參數(shù)值來(lái)源于2020年6月南京市的天氣預(yù)報(bào)，該預(yù)報(bào)值以72 h/次的頻率，逐次獲取并統(tǒng)計(jì)量化得到。其中，6月氣溫變化如圖14所示。

3.2 仿真試驗(yàn)結(jié)果

按照表5參數(shù)設(shè)定，對(duì)本文設(shè)計(jì)的智能灌溉系統(tǒng)進(jìn)行測(cè)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(jìn)一步得出稻田自然水量理想變化曲線(xiàn)，如圖15b所示。

表5 灌溉系統(tǒng)設(shè)計(jì)指標(biāo)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(dá)到月最高值時(shí)，耗水量也隨之達(dá)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(jìn)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(yán)重偏離稻田蓄水范圍。以上結(jié)果及變化曲線(xiàn)符合自然規(guī)律，驗(yàn)證了系統(tǒng)模型的有效性。

進(jìn)一步模擬傳統(tǒng)的非智能灌溉方式（當(dāng)水位低于作物生長(zhǎng)水位時(shí)執(zhí)行灌溉指令；水位高于固定水位值時(shí)執(zhí)行排水指令）進(jìn)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(guò)于頻繁，造成了資源的浪費(fèi)。進(jìn)一步求得非智能灌溉方法在6月灌溉/排水次數(shù)（動(dòng)作日期）、每次灌溉/排水量（動(dòng)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(wú)效灌溉動(dòng)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(wú)效排水動(dòng)作。進(jìn)一步得到非智能灌溉無(wú)效動(dòng)作次數(shù)與有效動(dòng)作次數(shù)。

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

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

在相同參數(shù)下，利用本文所設(shè)計(jì)的智能灌溉系統(tǒng)進(jìn)行測(cè)試，測(cè)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(zhǎng)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(shí)間最大為48 h，不會(huì)對(duì)作物生長(zhǎng)造成損害，仿真試驗(yàn)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(dòng)作率達(dá)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(dòng)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(shí)際應(yīng)用效果

本文通過(guò)實(shí)物測(cè)試，驗(yàn)證了所述智能灌溉系統(tǒng)的性能，通過(guò)模擬6月6日—6月12日的氣象參數(shù)對(duì)系統(tǒng)進(jìn)行測(cè)試，驗(yàn)證表5中各項(xiàng)指標(biāo)參數(shù)，測(cè)試環(huán)境如圖18；表7為系統(tǒng)性能指標(biāo)測(cè)試結(jié)果；表8為系統(tǒng)測(cè)試結(jié)果。

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

經(jīng)實(shí)際測(cè)試，本文所設(shè)計(jì)的智能灌溉系統(tǒng)各項(xiàng)功能正常，從表7可以看出，各項(xiàng)功能指標(biāo)均滿(mǎn)足表5中的相關(guān)設(shè)計(jì)要求。

通過(guò)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(zhǎng)區(qū)間內(nèi)。結(jié)合表6可以發(fā)現(xiàn)，系統(tǒng)測(cè)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(cè)試結(jié)果符合預(yù)期。造成該偏差的主要原因是實(shí)際環(huán)境下傳感器精度對(duì)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(jì)了一種針對(duì)大規(guī)模水田作物灌溉的網(wǎng)絡(luò)化灌溉系統(tǒng)，通過(guò)設(shè)計(jì)灌溉基礎(chǔ)設(shè)備、構(gòu)建無(wú)線(xiàn)灌溉通信網(wǎng)絡(luò)、建立精準(zhǔn)灌溉模型及灌溉決策系統(tǒng)，實(shí)現(xiàn)了將無(wú)線(xiàn)傳感器網(wǎng)絡(luò)技術(shù)、物聯(lián)網(wǎng)技術(shù)、單片機(jī)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(wú)線(xiàn)通信方式，不受大量線(xiàn)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(mǎn)足全連通的基礎(chǔ)上，通過(guò)綜合利用自然降水的調(diào)控策略，使得灌溉設(shè)備動(dòng)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(yīng)用測(cè)試結(jié)果表明，系統(tǒng)各部分功能模塊工作正常、實(shí)測(cè)結(jié)果與仿真結(jié)果的排灌量最大偏差控制在2 mm以?xún)?nèi)，符合預(yù)期。但由于系統(tǒng)過(guò)于依賴(lài)氣象預(yù)報(bào)參數(shù)的置信度，下一步工作將從氣象預(yù)報(bào)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(jī)器學(xué)習(xí)理論，進(jìn)一步提升系統(tǒng)決策的精確度。