劉飛詩，胡騰騰，何曉靜，付梁其，潘 磊

（1.江蘇遠瀚建筑設計有限公司，江蘇 常州 213000；2.常州市金壇區(qū)水利建設管理所，江蘇 常州 213200；3.江蘇省水文水資源勘測局常州分局，江蘇 常州 213100；4.江蘇先行建設有限公司，江蘇 常州 213100；5.常州市金壇區(qū)水利規(guī)劃服務中心，江蘇 常州 213200）

農(nóng)產(chǎn)品的生產(chǎn)效率是國家重點關(guān)注的問題，農(nóng)田水利領域的無線傳感器網(wǎng)絡為促進農(nóng)作物生產(chǎn)效率提供了新的方向［1-3］?；跓o線傳感器網(wǎng)絡的農(nóng)業(yè)自動化監(jiān)測系統(tǒng)可對收集到的數(shù)據(jù)進行多重分析，為提高作物產(chǎn)量、減少水資源消耗、避免過量殺蟲劑、改善消費者的健康狀況提供指導。無線傳感器網(wǎng)絡是一個專用的傳感器系統(tǒng)，它記錄、監(jiān)測大氣和土壤環(huán)境并從中收集數(shù)據(jù)，該網(wǎng)絡可以與云存儲連接進行在線分析，從而增加了無線傳感器網(wǎng)絡的應用推廣價值［4］。無線傳感器網(wǎng)絡（WSN）通常依賴于無線通信服務，通過無線通信服務，測量值從一端傳輸?shù)搅硪欢耍?］。所有這些通信都是通過一個或多個節(jié)點進行雙向處理的。這項技術(shù)具有很多優(yōu)點，但是也存在能源存儲不足的缺點，需要在頻繁維護的節(jié)點中嵌入電池［6］。

研究通過對無線傳感器網(wǎng)絡中機器學習算法的改進，旨在使農(nóng)田水利自動化監(jiān)測系統(tǒng)為智能決策提供信息管理，實現(xiàn)資源管理、生產(chǎn)管理等方面的高效運作。此外，生態(tài)環(huán)境變化對農(nóng)作物生長施加了更大的壓力，希望通過該系統(tǒng)的開發(fā)，為農(nóng)業(yè)精準灌溉、適量施肥做出正確決策，使作物長勢良好，從而有效應對環(huán)境變化。

1 無線傳感器網(wǎng)絡模塊

基于AI農(nóng)業(yè)自動化的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（云存儲）、無線通信模塊、機器學習和決策模塊，見圖1。每個組件的排列方式都使其能感知、收集和存儲用于AI分析的數(shù)據(jù)。傳感器涉及CO、CO2、O2、SO2、NH3、CH4和其他可燃氣體、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，傳感器可基于機器學習的分析方法進行研究和收集。根據(jù)數(shù)據(jù)密度和速率，存儲空間被云計算操縱。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ΑＬ幚砥鲗⑼ㄟ^傳感器節(jié)點增強的GPS模塊了解每個節(jié)點的位置［7］，以便做出基于區(qū)域的決策。此外，通過該模塊，可以識別出故障的WSN節(jié)點，用于校正和校準，該節(jié)點位于數(shù)千個節(jié)點中［8］。

圖1 人工智能農(nóng)業(yè)自動化無線傳感器模塊

顯示模塊增強為WSN處理單元，用于檢查整個網(wǎng)絡和與其連接的節(jié)點的狀態(tài)。這個顯示單元還負責分析土壤、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級高速緩存的RAM和帶有2級高速緩存的圖形處理單元［10］。模塊中的CPU負責通過將一個模塊的功能連接到另一個模塊來協(xié)調(diào)整個過程，通過促進每個模塊之間的通信，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)絡的微處理器或微控制器的自動灌溉系統(tǒng)的開發(fā)和部署。為了實施和演示用于減少用水量和提高作物產(chǎn)量的自動灌溉系統(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臺泵控制，每臺泵的功耗為48 W，由5 000 L水箱供水。

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

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)將自動執(zhí)行默認灌溉計劃模式，同時將發(fā)送一封電子郵件提醒系統(tǒng)管理員，以便在自動灌溉系統(tǒng)中進行安全通信。

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)，在云存儲的幫助下收集數(shù)據(jù)［12］。傳感器陣列的每個處理單元都配有結(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名為Raspberry Pi的設備，使用的云平臺是“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)，機器學習算法通過MATLAB工具通過“訓練-測試-驗證”過程進行模擬，網(wǎng)絡經(jīng)訓練后，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

系統(tǒng)在收集具有分散性質(zhì)的隨機數(shù)據(jù)時，希望這些數(shù)據(jù)在一個元素與另一個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)絡有不同的學習特征，不同的人工神經(jīng)網(wǎng)絡可能適用于各種應用。在這種情況下，人工神經(jīng)網(wǎng)絡如前饋反向傳播神經(jīng)網(wǎng)絡、級聯(lián)前饋反向傳播神經(jīng)網(wǎng)絡、回歸神經(jīng)網(wǎng)絡、徑向基神經(jīng)網(wǎng)絡等被用于測試適用性［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預測的概率比由下式給出：

式中：D2i為訓練樣本與預測值偏差之間的距離；Yiexp(-D2i2σ2)為訓練之前的交互；σ為數(shù)據(jù)點的標準偏差，它負責將相關(guān)點調(diào)整為平滑度。廣義回歸神經(jīng)網(wǎng)絡（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（GRNN）

系統(tǒng)利用傳感器對農(nóng)田采集的分散數(shù)據(jù)進行組織，然后通過無線通信協(xié)議，將數(shù)據(jù)傳輸?shù)皆贫朔治?。如前所述，每個人工神經(jīng)網(wǎng)絡在使自身適應相關(guān)問題的過程中彼此不同。GRNN架構(gòu)具有輸入層、模式識別層、求和、近似層、目標或輸出層。輸入處理層將數(shù)據(jù)作為學習的輸入，每個數(shù)據(jù)元素之間的距離被用于學習特定數(shù)據(jù)跟隨識別到激活函數(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中的輸出層測量網(wǎng)絡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算輸出決策。GRNN使用MSE（均方誤差）來驗證可以進行分類的學習過程。迭代訓練在性能最佳的地方收斂，使訓練好的網(wǎng)絡直接用于應用程序做出決策。因此，本文將GRNN用于學習過程和制定策略。

2 農(nóng)田水利自動化監(jiān)測系統(tǒng)調(diào)試

2.1 實施程序

（1）分析動態(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)議進行傳輸，數(shù)據(jù)與適合HTTP協(xié)議的標頭一起合并和移動；（3）收集的傳感器數(shù)據(jù)存儲在云端，并在使用網(wǎng)絡后作為信息包進行通信；（4）智能云計算由Thing-Speak云平臺處理，提供分析，使機器學習操作順暢；（5）GRNN的訓練正在處理以下拆分，例如60%的收集數(shù)據(jù)用于訓練GRNN，30%數(shù)據(jù)用于測試，10%數(shù)據(jù)用于驗證；（6）由于GRNN是一種監(jiān)督學習方法，并且需要映射過程，因此加入目標值，以便產(chǎn)生最佳網(wǎng)絡；（7）由于這是一個迭代過程，如果映射完美匹配（即輸入層到目標層），則達到收斂階段，由于學習過程是迭代的，該過程繼續(xù)將輸入映射到目標；（8）在經(jīng)過訓練后的網(wǎng)絡的幫助下，對最佳策略進行預測。

2.2 使用GRNN進行訓練和測試

如上所述，在云中心獲取的數(shù)據(jù)被合并以適應人工神經(jīng)網(wǎng)絡訓練策略。圖4由不同時期的均方根誤差（MSE）數(shù)據(jù)組成，從圖4可知，測試在epoch 2獲得了最佳驗證性能，驗證圖達到其最小MSE值0.0918。

圖4 GRNN訓練性能

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

圖5 GRNN訓練狀態(tài)

通過GRNN，記錄每次迭代的影響以進行分析，下一次迭代對錯誤命中率和未命中率進行改進。圖6為GRNN回歸過程圖，顯示了與訓練、驗證和測試集目標相關(guān)的網(wǎng)絡輸出。對于完美的結(jié)果，數(shù)據(jù)應該沿著45°線落下，表明網(wǎng)絡輸出等于目標，從而驗證網(wǎng)絡性能。在這種情況下，收斂狀態(tài)是在均方誤差計算的幫助下獲得的，該計算遞歸地檢查誤差。根據(jù)預測誤差，通過增強或調(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的整個處理過程。系統(tǒng)過程還包括云計算機器學習策略，以對農(nóng)業(yè)的未來發(fā)展做出更好的決策。尤其是ThingSpeak云平臺，提供了多種同時進行數(shù)據(jù)存儲和分析的服務，在進行存儲之前通過標題數(shù)據(jù)對參數(shù)進行分類。本文提出并解釋了通過WSN、云計算和機器學習算法的效用將人工神經(jīng)網(wǎng)絡引入系統(tǒng)農(nóng)業(yè)監(jiān)測的方法，開發(fā)的系統(tǒng)通過預測不確定條件下的值顯示了期望的結(jié)果，試點應用發(fā)現(xiàn)，通過使用這種自動化系統(tǒng)，農(nóng)田節(jié)水率高達92%，并具有更優(yōu)的糧食產(chǎn)出能力。因此，這項研究將繼續(xù)分析影響農(nóng)業(yè)的其他參數(shù)，以預測實際生產(chǎn)中可能遇到的情景。

3 結(jié)論

農(nóng)田水利監(jiān)測自動化是一項提高農(nóng)作物生長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提高了糧食產(chǎn)量，此舉具有重大現(xiàn)實意義。

本文提出并解釋了通過WSN、云計算和機器學習算法的效用將人工神經(jīng)網(wǎng)絡引入系統(tǒng)農(nóng)業(yè)監(jiān)測的方法。通過將無線傳感器網(wǎng)絡與農(nóng)田水利領域相結(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)絡在農(nóng)田水利自動化領域中的作用，提出了一種利用無線傳感器網(wǎng)絡實現(xiàn)智能管理自動化系統(tǒng)的方法。