張 軍，王嘉浩

(河南水利與環(huán)境職業(yè)學(xué)院，河南 鄭州 450008)

0 引言

水資源具有極其重要的地位，目前我國(guó)人均水資源僅是世界人均水資源的1/4[1]。農(nóng)業(yè)用水、生活用水一直占據(jù)很高比重。但隨著人口的不斷增長(zhǎng)，尤其在人口密度大的高等院校，綠色植被灌溉問(wèn)題對(duì)水資源提出新要求。

傳統(tǒng)綠色植被灌溉一直采用最原始的漫灌方式，依據(jù)人工進(jìn)行判斷和實(shí)施灌溉。隨著技術(shù)的發(fā)展，綠色植被灌溉發(fā)展為噴淋灌溉，但這種模式仍然需要人工判斷和實(shí)施，一方面水資源有效利用率僅為0.55左右，大部分水資源以蒸發(fā)的方式損失掉；另一方面由于灌溉效果不佳，綠色植被的生長(zhǎng)環(huán)境和生長(zhǎng)質(zhì)量會(huì)受到影響。

卷積神經(jīng)網(wǎng)絡(luò)具有存儲(chǔ)知識(shí)的記憶能力，它能夠更準(zhǔn)確地根據(jù)獲取的氣溫、土壤濕度進(jìn)行預(yù)測(cè)和判斷。在有限水資源情況下，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)制定優(yōu)化的灌溉方案，有效地提高用水效率，達(dá)到智能灌溉、節(jié)約用水的目標(biāo)。為此，文章提出一種基于CNN的智能灌溉系統(tǒng)。

1 國(guó)內(nèi)外研究現(xiàn)狀

一些水資源短缺的國(guó)家，他們通過(guò)通信技術(shù)、智能控制等實(shí)現(xiàn)了一定程度上的智能灌溉。例如以色列自主研發(fā)一整套的節(jié)水灌溉系統(tǒng)，使灌溉水利用率提高到90%以上[2]。西方發(fā)達(dá)國(guó)家擁有不同程度的節(jié)水灌溉技術(shù)和水平。

國(guó)內(nèi)在智能灌溉系統(tǒng)起步晚，盡管擁有一系列成熟的物聯(lián)網(wǎng)設(shè)備，但相比于國(guó)外仍然存在不小的差距。例如余國(guó)雄等[2]利用專家知識(shí)決策結(jié)合GPRS技術(shù)開(kāi)發(fā)的智能灌溉系統(tǒng)實(shí)現(xiàn)對(duì)荔枝園環(huán)境的精準(zhǔn)管理。王福平等[3]以GPRS和ZigBee技術(shù)為核心的智能灌溉系統(tǒng)實(shí)現(xiàn)對(duì)農(nóng)作物實(shí)時(shí)監(jiān)測(cè)。目前智能灌溉系統(tǒng)大部分只在小范圍試驗(yàn)階段，并沒(méi)有大范圍推廣應(yīng)用[4]。

2 研究?jī)?nèi)容

針對(duì)高校后勤灌溉管理過(guò)于粗放問(wèn)題，本課題結(jié)合5G無(wú)線傳輸技術(shù)、ZigBee技術(shù)、卷積神經(jīng)網(wǎng)絡(luò)等建立一個(gè)智能節(jié)水灌溉系統(tǒng)。首先通過(guò)ZigBee技術(shù)和5G無(wú)線傳輸技術(shù)將采集到的土壤地表溫度、土壤地表濕度上傳到智能平臺(tái)數(shù)據(jù)庫(kù)，采用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)輸入因子進(jìn)行分析，預(yù)測(cè)作物是否灌溉及灌溉用水量。

具體研究?jī)?nèi)容如下：(1)利用ZigBee技術(shù)和5G網(wǎng)絡(luò)建立從ZigBee終端節(jié)點(diǎn)到智能平臺(tái)的信息傳輸網(wǎng)絡(luò)。為此結(jié)合ZigBee技術(shù)特點(diǎn)，選擇網(wǎng)狀網(wǎng)絡(luò)組網(wǎng)方式，將各傳感器放置在高校研究區(qū)域合適的位置。同時(shí)，分析5G網(wǎng)絡(luò)傳輸方式，將其與ZigBee相結(jié)合，形成無(wú)線傳輸網(wǎng)絡(luò)的智能節(jié)水灌溉系統(tǒng)。(2)建立基于卷積神經(jīng)網(wǎng)絡(luò)的土壤墑情信息預(yù)測(cè)模型，選擇高校研究區(qū)域土壤溫度、濕度等歷史數(shù)據(jù)進(jìn)行訓(xùn)練，并對(duì)實(shí)驗(yàn)進(jìn)行分析。

3 智能灌溉系統(tǒng)的整體設(shè)計(jì)

3.1 研究區(qū)域

試驗(yàn)在某高校種植物灌溉場(chǎng)地進(jìn)行。該區(qū)域多平均年降水量為679.4 mm，年平均氣溫約為17.5 ℃，試驗(yàn)區(qū)土質(zhì)均勻，田間持水量(占干土質(zhì)量)約27.6%，土壤pH酸堿度約為7.4。

3.2 智能灌溉整體結(jié)構(gòu)

圖1左側(cè)是控制與檢測(cè)終端設(shè)備，主要用于收集試驗(yàn)區(qū)土壤墑情和空氣環(huán)境信息。5G無(wú)線網(wǎng)絡(luò)主要作用是將采集的傳感器數(shù)據(jù)通過(guò)ZigBee、5G網(wǎng)絡(luò)上傳到智能灌溉平臺(tái)服務(wù)器。

3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的自助灌溉模型設(shè)計(jì)

為了實(shí)現(xiàn)研究區(qū)域更為科學(xué)的自助灌溉、節(jié)省用水資源，選取近3年土壤墑情作為預(yù)測(cè)模型的數(shù)據(jù)集，使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)土壤墑情數(shù)據(jù)進(jìn)行建模，該模型用于提取時(shí)間序列中的短期模式及局部依賴關(guān)系。同時(shí)選取土壤溫度、土壤濕度、空氣溫度、空氣濕度作為采集數(shù)據(jù)，由于這些數(shù)據(jù)序列是具體的指標(biāo)以發(fā)生的時(shí)間先后順序排列而成的數(shù)量，因此采集數(shù)據(jù)也屬于時(shí)間序列。

圖1 智能灌溉系統(tǒng)整體結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)包含5層結(jié)構(gòu)，分別是：輸入層、卷積層、激勵(lì)層、池化層和全連接層。卷積層由多個(gè)過(guò)濾器組成，過(guò)濾器的寬度設(shè)置為w，高度設(shè)置為n，n的值為多變量時(shí)間序列的變量個(gè)數(shù)。當(dāng)?shù)趍個(gè)過(guò)濾器移動(dòng)掃過(guò)輸入矩陣X時(shí)，輸出的結(jié)果為：

hm=ReLU(Wm×X)+bm

其中，hm表示第m個(gè)過(guò)濾器產(chǎn)生的輸出向量，Wm表示權(quán)重矩陣，bm表示偏置向量。

ReLU函數(shù)的表達(dá)式為：

ReLu函數(shù)是一個(gè)分段線性函數(shù)，當(dāng)x<0時(shí)，輸出值為0；當(dāng)x≥0時(shí)，輸出值保持不變。

4 智能灌溉數(shù)據(jù)分析與處理

4.1 數(shù)據(jù)采集

由于ZigBee技術(shù)在某種程度上具有成本低、功耗低、短延時(shí)、高容量的特點(diǎn)，因此數(shù)據(jù)采集采用ZigBee網(wǎng)絡(luò)結(jié)構(gòu)，并且采用星狀網(wǎng)絡(luò)結(jié)構(gòu)[5]。在此結(jié)構(gòu)中有3種設(shè)備，分別是協(xié)調(diào)器、路由器和終端設(shè)備。

本模型數(shù)據(jù)集采取4個(gè)不同的土壤墑情指標(biāo)，分別是土壤溫度(ST/℃)、土壤濕度(SM/(%RH))、空氣溫度(AT/℃)、空氣濕度(AM/(%RH))。表1列出數(shù)據(jù)集的具體信息，包括序列長(zhǎng)度、變量個(gè)數(shù)、采集頻率。

表1 智能灌溉數(shù)據(jù)集

采集的數(shù)據(jù)需要傳遞到上層服務(wù)器，由于高校綠色植物種類多樣、樓宇錯(cuò)亂有秩。5G技術(shù)相比于GPRS技術(shù)具有高速的傳輸速度、覆蓋面廣，特別適合環(huán)境錯(cuò)綜復(fù)雜的場(chǎng)景。因此采用5G技術(shù)將收集的數(shù)據(jù)傳遞到上層服務(wù)器。

4.2 數(shù)據(jù)歸一化處理

由于選取數(shù)據(jù)表示值不同，無(wú)法直接對(duì)采集的數(shù)據(jù)進(jìn)行建模預(yù)測(cè)，因此需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。除了調(diào)整數(shù)據(jù)以適應(yīng)模型的訓(xùn)練與預(yù)測(cè)外，還要進(jìn)行歸一化處理。歸一化公式如下：

其中，X″表示歸一化后的數(shù)據(jù)，X表示原始數(shù)據(jù)，分母中max()和abs()函數(shù)代表取最大值和絕對(duì)值。

4.3 模型設(shè)計(jì)

智能灌溉管理系統(tǒng)中的輸入層有4個(gè)神經(jīng)元，分別是數(shù)據(jù)采集中的4個(gè)因素，包括土壤溫度、土壤濕度、空氣溫度、空氣濕度[6]。

智能灌溉管理系統(tǒng)中的輸出層有一個(gè)神經(jīng)元，用于輸出預(yù)測(cè)作物需水量。數(shù)據(jù)從輸入層傳輸?shù)捷敵鰧又校?jīng)過(guò)各個(gè)神經(jīng)元的處理作用，最終完成非線性映射。在輸入層和輸出層之間，還有一個(gè)或多個(gè)隱藏層。對(duì)于隱藏層的個(gè)數(shù)以及隱藏層中神經(jīng)元個(gè)數(shù)，使用經(jīng)驗(yàn)公式如下。

其中，m是隱藏層神經(jīng)元的個(gè)數(shù)，n是輸入層中神經(jīng)元的數(shù)目，α是常數(shù)取值范圍為1～10。

為了防止數(shù)據(jù)過(guò)擬合問(wèn)題，卷積神經(jīng)網(wǎng)絡(luò)增加反向傳播過(guò)程，利用數(shù)據(jù)預(yù)測(cè)值與真實(shí)值之間的誤差，不斷優(yōu)化網(wǎng)絡(luò)中的參數(shù)設(shè)置。反向傳播算法作為卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練中必不可少的方法，它建立在梯度下降算法基礎(chǔ)上，它主要由激勵(lì)傳播、權(quán)重更新兩個(gè)環(huán)節(jié)反復(fù)循環(huán)迭代，不斷修正網(wǎng)絡(luò)中權(quán)重和偏置的過(guò)程，直至網(wǎng)絡(luò)對(duì)輸入的響應(yīng)達(dá)到預(yù)定的目標(biāo)范圍為止[7]。

(2)使用下一層的誤差δl+1來(lái)表示當(dāng)前層的誤差δl。

δl=((Wl+1)TδL+1)※σ(zl)

其中，(Wl+1)T是l+1層權(quán)重矩陣Wl+1的轉(zhuǎn)置，※表示Hadamard乘積運(yùn)算。

(3)代價(jià)函數(shù)關(guān)于網(wǎng)絡(luò)中任意偏置的改變率：

(4)代價(jià)函數(shù)關(guān)于任何一個(gè)權(quán)重的改變率：

反向傳播使用的激活函數(shù)有sigmoid，tanh，ReLu，這些函數(shù)作用是調(diào)整參數(shù)輸入值在區(qū)間[0,1]之間，在求導(dǎo)計(jì)算中ReLu函數(shù)更符合本模型參數(shù)取值范圍。經(jīng)過(guò)反復(fù)試驗(yàn)，當(dāng)隱藏層神經(jīng)元數(shù)目為12時(shí)，模型的收斂速度較快，預(yù)測(cè)精度較高。

4.4 預(yù)測(cè)模型的檢驗(yàn)分析

影響作物需水量的因素主要有兩個(gè)部分，一部分是作物的種類和作物不同的生育期，另一部分是作物生長(zhǎng)環(huán)境因素，主要包括土壤溫度、濕度以及光照條件等[8]。通過(guò)卷積神經(jīng)網(wǎng)絡(luò)輸出值—作物預(yù)測(cè)需水量，判斷作物需水情況[9]。然后將預(yù)測(cè)需水量與真實(shí)需水量進(jìn)行對(duì)比，繪制預(yù)測(cè)值與真實(shí)值對(duì)比如圖2所示。

圖2 參考作物需水量預(yù)測(cè)實(shí)驗(yàn)

通過(guò)分析可以得出，模型預(yù)測(cè)結(jié)果的相對(duì)誤差均小于5%。通過(guò)圖2可以得出，模型預(yù)測(cè)值與真實(shí)值在趨勢(shì)變化上基本一致，同時(shí)在模型設(shè)計(jì)中加入了ReLu函數(shù)防止數(shù)據(jù)存在過(guò)擬合問(wèn)題。因此，本文設(shè)計(jì)的參考作物需水量預(yù)測(cè)模型基本符合真實(shí)要求。

5 結(jié)語(yǔ)

本文針對(duì)高校后勤灌溉方面存在水資源利用率低、粗放式人工灌溉問(wèn)題，深入分析了智能節(jié)水灌溉系統(tǒng)的研究現(xiàn)狀與研究方法，提出一種基于CNN的智能灌溉設(shè)計(jì)思路。首先，基于ZigBee技術(shù)和5G技術(shù)，實(shí)現(xiàn)校園綠色植被數(shù)據(jù)信息的采集與傳輸、灌溉控制命令的派發(fā)以及控制終端設(shè)備的控制，土壤溫濕度、空氣溫濕度數(shù)據(jù)通過(guò)ZigBee網(wǎng)絡(luò)傳送到5G網(wǎng)絡(luò)節(jié)點(diǎn)，經(jīng)數(shù)據(jù)轉(zhuǎn)換之后，通過(guò)5G網(wǎng)絡(luò)將數(shù)據(jù)上傳到智能灌溉管理平臺(tái)的數(shù)據(jù)庫(kù)系統(tǒng)。其次，構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)和自回歸模型的溫濕度數(shù)據(jù)預(yù)測(cè)模型，通過(guò)模型分析之后，預(yù)測(cè)是否需要灌溉，向終端傳感器發(fā)送命令，實(shí)現(xiàn)精準(zhǔn)灌溉。

本文構(gòu)建的CNN高校節(jié)水灌溉設(shè)計(jì)模型，過(guò)分依賴于時(shí)間序列的周期性，通過(guò)單純一個(gè)月的測(cè)試結(jié)果，很難確定全年預(yù)測(cè)結(jié)果，與真實(shí)值之間的誤差大小不一。為了更準(zhǔn)確地預(yù)測(cè)用水量等信息，后期可以設(shè)置更多的傳感器，測(cè)量各種參數(shù)，使模型計(jì)算結(jié)果更精準(zhǔn)。