吳丹，劉永華，吳玉娟

(江蘇農(nóng)林職業(yè)技術(shù)學(xué)院，江蘇句容，212400)

0 引言

藍(lán)莓營養(yǎng)價值高，深受大眾喜愛，2020年我國藍(lán)莓栽培面積達(dá)到了66.4 khm2[1-2]，面積和產(chǎn)量均居世界第一位。藍(lán)莓種植對水分要求較高，既怕澇又怕旱，目前多采用傳統(tǒng)的漫灌、溝灌等灌溉方式，每次灌溉水量的多少主要通過人工判斷土壤含水量和種植經(jīng)驗來確定，即使采用滴灌方式也是如此，不僅不能適時適量灌水，還造成藍(lán)莓枝條發(fā)育不良、葉片失綠、產(chǎn)量和品質(zhì)不高[3-5]。因此精準(zhǔn)控制灌溉量是藍(lán)莓增產(chǎn)增收的重要手段。

物聯(lián)網(wǎng)技術(shù)的應(yīng)用給農(nóng)業(yè)生產(chǎn)帶來了巨大的變革，目前農(nóng)業(yè)物聯(lián)網(wǎng)中大部分采用ZigBee技術(shù)來實現(xiàn)數(shù)據(jù)的采集，但ZigBee技術(shù)無法兼?zhèn)涞凸暮瓦h(yuǎn)距離傳輸及可靠性的需求[6]，考慮到藍(lán)莓園的面積較大，需要布置的傳感器節(jié)點較多，如果使用傳統(tǒng)的485有線通訊或ZigBee無線通訊，受施工難度和通訊距離較短等影響，對環(huán)境參數(shù)采集帶來不便。而LoRa技術(shù)在同樣的功耗條件下比其他無線方式傳播的距離更遠(yuǎn)，解決了功耗與傳輸覆蓋距離的矛盾問題。故設(shè)計基于LoRa的無線環(huán)境監(jiān)測系統(tǒng)[7]。

國內(nèi)相關(guān)科技工作者針對灌溉系統(tǒng)開展了相關(guān)研究。沈建煒[8]設(shè)計了一種基于物聯(lián)網(wǎng)技術(shù)、彭曼原理、BP神經(jīng)網(wǎng)絡(luò)和土壤水分平衡原理的藍(lán)莓園智能灌溉系統(tǒng)，能實現(xiàn)灌溉預(yù)報，但采集數(shù)據(jù)過多，造成系統(tǒng)處理數(shù)據(jù)工作量加大。任朝陽[9]設(shè)計實現(xiàn)了基于模糊算法的桃園物聯(lián)網(wǎng)灌溉系統(tǒng)，通過LoRa技術(shù)實現(xiàn)精準(zhǔn)灌溉，但只采集桃園土壤濕度參數(shù)，傳感器類型較少，沒有考慮其他影響灌溉的因素。

常用的預(yù)測方法有回歸分析預(yù)測法、時間序列預(yù)測法、馬爾科夫預(yù)測法、灰色預(yù)測法、人工神經(jīng)網(wǎng)絡(luò)預(yù)測法、小波分析預(yù)測法、支持向量機(jī)預(yù)測法、模糊預(yù)測法等[10]。通過對各預(yù)測方法特點的對比分析，最終選用了支持向量機(jī)和馬爾科夫相結(jié)合的預(yù)測模型。支持向量機(jī)算法在樣本很小的情況下也有很好的推廣能力[10]；馬爾科夫模型適用于波動較大的數(shù)據(jù)的預(yù)測[11]，可以對支持向量機(jī)預(yù)測的數(shù)據(jù)進(jìn)行修正，以獲得更高的預(yù)測精度。

綜上，本文針對藍(lán)莓需水特性搭建了一個基于LoRa的無線傳輸技術(shù)與SVM-Markov模型相結(jié)合的灌溉系統(tǒng)，利用SVM-Markov模型對藍(lán)莓園灌溉量進(jìn)行精準(zhǔn)預(yù)測，預(yù)測結(jié)果反饋到控制系統(tǒng)，控制系統(tǒng)根據(jù)預(yù)測結(jié)果控制電磁閥的開啟與關(guān)閉，以此對藍(lán)莓園進(jìn)行精準(zhǔn)灌溉。

1 藍(lán)莓園精準(zhǔn)灌溉系統(tǒng)框架設(shè)計

系統(tǒng)由環(huán)境監(jiān)測、控制執(zhí)行、遠(yuǎn)程監(jiān)控三個部分組成。其中環(huán)境監(jiān)測包括環(huán)境溫濕度、光照強(qiáng)度、風(fēng)速、土壤濕度等要素；控制執(zhí)行主要是對藍(lán)莓園內(nèi)的電磁閥、水泵等執(zhí)行機(jī)構(gòu)進(jìn)行操控；遠(yuǎn)程監(jiān)控由網(wǎng)關(guān)、云服務(wù)器等組成。圖1所示為系統(tǒng)框架圖。

圖1 系統(tǒng)框架圖

LoRa-485數(shù)據(jù)采集器與LoRa網(wǎng)關(guān)進(jìn)行無線通信，采集器與傳感器之間通過RS-485通道，MODBUS-RTU協(xié)議進(jìn)行通訊，物聯(lián)網(wǎng)關(guān)網(wǎng)關(guān)解析接收LoRa網(wǎng)關(guān)采集到環(huán)境參數(shù)，并通過4G發(fā)送到指定云服務(wù)器。在需要被監(jiān)測的區(qū)域，安裝傳感器和LoRa-485采集器并提供電源即可實現(xiàn)對該區(qū)域的環(huán)境溫濕度、光照強(qiáng)度、風(fēng)速、土壤濕度等參數(shù)的采集，極大地方便了對果園的分布式環(huán)境監(jiān)測。

為了實現(xiàn)遠(yuǎn)程對藍(lán)莓園的電磁閥和水泵進(jìn)行操控，設(shè)計和開發(fā)了遠(yuǎn)程監(jiān)控系統(tǒng)，操作人員可在遠(yuǎn)程監(jiān)控系統(tǒng)上下達(dá)指令，通過LoRa網(wǎng)關(guān)命令LoRa繼電器控制器控制電磁閥和灌溉水泵的啟動與停止。

通過計算機(jī)WEB端遠(yuǎn)程對藍(lán)莓園的環(huán)境參數(shù)進(jìn)行采集，LoRa-485數(shù)據(jù)采集器自動采集數(shù)據(jù)并發(fā)送至服務(wù)器，當(dāng)WEB端需要數(shù)據(jù)時即從服務(wù)器端調(diào)用。

服務(wù)器端利用SVM-Markov模型自動處理采集到的環(huán)境數(shù)據(jù)，將結(jié)果實時反饋給控制系統(tǒng)，從而達(dá)到自動精準(zhǔn)灌溉的目的。

2 灌溉預(yù)測模型建立

2.1 預(yù)測模型選擇

灌溉預(yù)測模型建立的基本思路為：根據(jù)當(dāng)天的土壤濕度、空氣溫濕度、光照度、風(fēng)速等參數(shù)和當(dāng)天的實際灌溉量，預(yù)測第二天的灌溉量，為第二天的灌溉決策提供依據(jù)。其中實際灌溉量是由有經(jīng)驗的種植戶采用手動灌溉方式獲得的數(shù)據(jù)。但是藍(lán)莓生長過程分為萌芽期、開花期、坐果期和成熟期[12]，每個時期的溫濕度和灌溉量差別較大，即數(shù)據(jù)波動性較大，而灌溉模型的預(yù)測精度會直接影響到灌溉量的精準(zhǔn)與否，因此選擇合適的預(yù)測模型顯得尤為重要。

2.2 支持向量機(jī)模型

圖2 SVM結(jié)構(gòu)示意圖

2.3 馬爾科夫模型

馬爾科夫(Markov)過程最大的特點是無后效性，即事物的發(fā)展過程中，每次狀態(tài)的轉(zhuǎn)移僅與當(dāng)前狀態(tài)有關(guān)，與過去的狀態(tài)無關(guān)[15-17]。模型構(gòu)建步驟如下。

把數(shù)據(jù)劃分成n個狀態(tài)，任一狀態(tài)記為En。則狀態(tài)轉(zhuǎn)移概率

(1)

式中：pij——從目前狀態(tài)Ei到各種狀態(tài)Ej(j=1,2,…,m)的概率；

Mij——從狀態(tài)Ei到Ej的轉(zhuǎn)移個數(shù)；

Mi——處于狀態(tài)Ei的原始數(shù)據(jù)的個數(shù)。

最后，構(gòu)成相應(yīng)的狀態(tài)轉(zhuǎn)移概率矩陣，如式(2)所示。

(2)

本文僅考慮一步狀態(tài)轉(zhuǎn)移概率矩陣，通過該矩陣，就可以求得未來的轉(zhuǎn)移狀態(tài)區(qū)間，進(jìn)而可求出待預(yù)測點的預(yù)測值。

2.4 SVM-Markov組合模型

單一的預(yù)測方法因其理論的特點，預(yù)測精度不高，因此本文提出組合模型的預(yù)測方法。由于藍(lán)莓園溫濕度、光照度、風(fēng)速、土壤濕度具有波動性，因此本文提出支持向量機(jī)和馬爾科夫組合模型預(yù)測方法，以提高預(yù)測精度。預(yù)測建模流程圖如圖3所示。

圖3 支持向量機(jī)和馬爾科夫的組合預(yù)測建模流程圖

1) 自變量、因變量的選擇。將前一天的空氣溫濕度、光照度、風(fēng)速、土壤濕度和實際灌溉量作為自變量，當(dāng)天的灌溉總量作為因變量。

2) 數(shù)據(jù)預(yù)處理。首先將數(shù)據(jù)進(jìn)行歸一化處理，即將樣本映射到[0, 1]區(qū)間。歸一化公式如式(3)所示。

(3)

式中：xi——原始數(shù)據(jù)；

xi′——?dú)w一化數(shù)據(jù)；

ximax——原始數(shù)據(jù)中的最大值；

ximin——原始數(shù)據(jù)中的最小值。

將歸一化的數(shù)據(jù)用于SVM預(yù)測模型，得到歸一化預(yù)測值。再將歸一化預(yù)測值進(jìn)行反歸一化。

x*=x′*(xmax-xmin)xmin

(4)

式中：x*——反歸一化后數(shù)據(jù)；

x′*——?dú)w一化后數(shù)據(jù)。

3) 最佳核參數(shù)和正則化參數(shù)的確定。本文選擇徑向基(RBF)核函數(shù)，如式(5)所示。

(5)

用式(5)確定正則化參數(shù)C和核參數(shù)σ。采用交叉驗證的方法對參數(shù)進(jìn)行選擇，根據(jù)誤差最小來選擇參數(shù)，并且利用所選參數(shù)進(jìn)行SVM訓(xùn)練。

4) SVM數(shù)據(jù)預(yù)測。根據(jù)所選參數(shù)進(jìn)行預(yù)測，在實際應(yīng)用時還應(yīng)繼續(xù)減小相對誤差范圍，因此需要用馬爾科夫鏈進(jìn)行修正。

5) Markov狀態(tài)劃分。將SVM預(yù)測誤差加以劃分，本文將誤差劃分為4個等距離狀態(tài)E1～E4。

6) 構(gòu)造一步轉(zhuǎn)移概率矩陣。根據(jù)Markov的4個等距狀態(tài)得到一步狀態(tài)轉(zhuǎn)移概率為

(6)

SVM-Markov預(yù)測值=SVM×[1-z(i)]

(7)

3 系統(tǒng)設(shè)計與實現(xiàn)

3.1 硬件設(shè)計

藍(lán)莓園精準(zhǔn)灌溉系統(tǒng)的硬件包括LoRa模塊、單片機(jī)MCU、各傳感器及水泵等執(zhí)行設(shè)備，如圖4所示。LoRa主模塊和2個子模塊進(jìn)行通訊，LoRa主模塊通過MCU和4G模塊進(jìn)行數(shù)據(jù)的交換，4G模塊的作用是實現(xiàn)和云服務(wù)器的通訊；LoRa子模塊1通過MCU控制灌溉水泵的啟停和電磁閥的啟停；LoRa子模塊2通過MCU用來收集各傳感器的數(shù)據(jù)。

圖4 系統(tǒng)硬件原理框圖

藍(lán)莓園的環(huán)境數(shù)據(jù)包括空氣溫濕度、光照度、土壤濕度等?？諝鉁貪穸葌鞲衅鬟x用RS-WS-120-2-6溫濕度變送器；光照度傳感器選用SM3560電流型光照度傳感器；風(fēng)速傳感器選用PR-3000-FS型風(fēng)速變送器；土壤濕度傳感器選用RS-WS-NO1-TRt土壤溫濕度變送器。

3.2 灌溉工作過程設(shè)計

藍(lán)莓園精準(zhǔn)灌溉系統(tǒng)的工作流程如圖5所示。首先利用LoRa-485數(shù)據(jù)采集器進(jìn)行當(dāng)天的傳感器數(shù)據(jù)采集(系統(tǒng)設(shè)置為每隔1 h采集1次)；再利用云服務(wù)器進(jìn)行數(shù)據(jù)處理，包括選取當(dāng)天的最高氣溫和最低氣溫、計算當(dāng)天空氣濕度平均值、光照總輻射強(qiáng)度、距離地面10 m風(fēng)速平均值、土壤濕度平均值、利用流量計獲得當(dāng)天實際灌溉量；其次利用SVM-Markov模型進(jìn)行數(shù)據(jù)分析計算，預(yù)測第二天的灌溉量；最后進(jìn)行灌溉決策，如果預(yù)測第二天的灌溉量為0，則回到數(shù)據(jù)采集與處理狀態(tài)，如果灌溉量不為0，則在第二天早上6:00開啟電磁閥和水泵進(jìn)行灌溉，達(dá)到灌溉量后關(guān)閉電磁閥和水泵。

圖5 灌溉系統(tǒng)工作流程

3.3 監(jiān)控系統(tǒng)設(shè)計

云服務(wù)器監(jiān)控系統(tǒng)分為手動控制和自動控制兩種方式。手動控制較簡單，農(nóng)戶可以根據(jù)實際需要在監(jiān)控系統(tǒng)界面手動下發(fā)控制指令，控制電磁閥和水泵是否開啟進(jìn)行滴灌作業(yè)。自動控制可以方便農(nóng)戶隨時獲得藍(lán)莓園的環(huán)境數(shù)據(jù)和監(jiān)測當(dāng)天滴灌量，并根據(jù)如圖5所示的灌溉系統(tǒng)工作流程，完成藍(lán)莓園的自動灌溉。

4 測試結(jié)果與分析

以江蘇句容天王鎮(zhèn)某藍(lán)莓園作為試驗對象，藍(lán)莓品種為奧尼爾，采用滴灌方式，如圖6所示。

(a) 藍(lán)莓園 (b) 滴灌模塊

試驗環(huán)境：精準(zhǔn)灌溉系統(tǒng)中有灌溉水泵1臺，其上安裝有2個電磁閥，每個電磁閥控制72個滴灌模塊，每棵藍(lán)莓樹上安裝有1個滴灌模塊，即1個電磁閥可以完成72棵藍(lán)莓樹的滴灌工作。

試驗方法：在試驗基地中選取一小塊試驗田標(biāo)為1#田，1#試驗田規(guī)模約為160 m2，共種有藍(lán)莓樹72棵。1#田中安裝有空氣溫濕度傳感器1個、光照度傳感器1個、離地10 m的風(fēng)速傳感器1個、土層下10 cm的土壤濕度傳感器1個，再取一小塊試驗田標(biāo)為2#田，2#試驗田規(guī)模約為160 m2。2#田主要用來獲取實際灌溉量的數(shù)據(jù)，實際灌溉量由種植戶根據(jù)當(dāng)天環(huán)境數(shù)據(jù)和土壤濕度數(shù)據(jù)，再加上種植戶自身的豐富灌溉經(jīng)驗手動控制電磁閥進(jìn)行灌溉獲得。

數(shù)據(jù)來源：本次使用的數(shù)據(jù)為藍(lán)莓的成熟期中7月24日至8月31日采集到的空氣溫濕度、光照度、風(fēng)速、土壤濕度、實際滴灌量共計39天數(shù)據(jù)。圖7為藍(lán)莓園采集數(shù)據(jù)曲線圖。

(a) 最高溫度和最低溫度曲線圖 (b) 空氣相對濕度曲線圖

首先，利用MATLAB中的LIBSVM工具箱，通過對圖7數(shù)據(jù)的分析和計算，得到SVM預(yù)測值，如圖8所示，再和實際需水量進(jìn)行對比得到兩者的誤差。

SVM誤差=SVM預(yù)測值-實際需水量

(8)

如圖9所示，得到SVM的預(yù)測誤差上限和下限分別為1.75、-1.7 mm/d。

其次，根據(jù)誤差的上下限劃分處4個等距狀態(tài)，分別為E1=[-1.76，-0.88)，E2=[-0.88，0)，E3=[0，0.88)，E4=[0.88，1.76)。

再次，根據(jù)式(6)，得到一步轉(zhuǎn)移概率矩陣，如式(9)所示。

(9)

最后，采用式(7)進(jìn)行馬爾科夫修正，得到SVM-Markov預(yù)測值，再和實際需水量進(jìn)行對比得到SVM-Markov預(yù)測誤差，如圖9所示。SVM-Markov的預(yù)測誤差上限和下限分別為0.43、-0.41 mm/d，通過和SVM預(yù)測誤差的上限和下限對比后發(fā)現(xiàn)誤差大幅度降低。

圖8 兩種預(yù)測模型的預(yù)測值與實際值比較

圖9 兩種預(yù)測模型的誤差比較

此外，采用平均絕對誤差MAE和均方根誤差RMSE也可用來反應(yīng)數(shù)據(jù)擬合的好壞。SVM-Markov模型的平均絕對誤差為0.188 7 mm/d，均方根誤差為0.239 4 mm/d；SVM模型的平均絕對誤差為0.618 7 mm/d，均方根誤差為0.797 mm/d。由此可見，組合模型的擬合度遠(yuǎn)高于單一模型的擬合度，對滴灌量的預(yù)測更為精確，可以很好的指導(dǎo)藍(lán)莓園精準(zhǔn)灌溉。

(10)

(11)

5 結(jié)論

本文設(shè)計了基于LoRa無線遠(yuǎn)距離通信和SVM-Markov 組合模型的藍(lán)莓園精準(zhǔn)灌溉系統(tǒng)。系統(tǒng)由環(huán)境監(jiān)測、控制執(zhí)行、遠(yuǎn)程監(jiān)控三個部分組成。以句容市天王鎮(zhèn)藍(lán)莓園為試驗對象，首先由LoRa無線數(shù)據(jù)采集系統(tǒng)通過LoRa-485數(shù)據(jù)采集器與LoRa網(wǎng)關(guān)進(jìn)行無線通信，采集器與傳感器之間通過RS-485通道、MODBUS-RTU協(xié)議進(jìn)行通訊，物聯(lián)網(wǎng)網(wǎng)關(guān)解析接收LoRa網(wǎng)關(guān)采集到的空氣溫濕度、土壤濕度、光照度、風(fēng)速等環(huán)境參數(shù)；其次將采集到的環(huán)境參數(shù)和實際滴灌量數(shù)據(jù)輸入SVM-Markov模型，采用MATLAB的LIBSVM工具箱進(jìn)行數(shù)據(jù)分析，完成下一階段的藍(lán)莓園滴灌量預(yù)測。

預(yù)測結(jié)果表明，SVM-Markov模型的平均絕對誤差為0.188 7 mm/d，均方根誤差為0.239 4 mm/d，而SVM模型的平均絕對誤差為0.618 7 mm/d，均方根誤差為0.797 mm/d。采用SVM-Markov組合模型的預(yù)測精度更高、數(shù)據(jù)擬合效果更好，能更好地完成藍(lán)莓園的精準(zhǔn)灌溉。

通過果園信息的實時采集與監(jiān)測，結(jié)合LoRa物聯(lián)網(wǎng)與SVM-Markov構(gòu)成的精準(zhǔn)灌溉系統(tǒng)不僅可以應(yīng)用于藍(lán)莓園，也可以推廣應(yīng)用到其他果園，對提高水果質(zhì)量、降低人工灌溉強(qiáng)度、提高灌溉效率、優(yōu)化水資源利用等具有一定的參考意義。