摘 要：針對現(xiàn)有農(nóng)作物長勢監(jiān)測技術(shù)成本高、依賴特定傳感器硬件等問題，本文在現(xiàn)有農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)的基礎(chǔ)上，利用植物生長影響無線通信信號強(qiáng)度的特性，提出了一種利用物聯(lián)網(wǎng)接收信號強(qiáng)度指示（RSSI）結(jié)合環(huán)境數(shù)據(jù)估計(jì)甘蔗長勢的方法。基于ZigBee無線網(wǎng)絡(luò)搭建物聯(lián)網(wǎng)平臺，將物聯(lián)網(wǎng)平臺部署于大田中監(jiān)測甘蔗生長周期，獲取RSSI、株高等實(shí)驗(yàn)數(shù)據(jù)，再利用機(jī)器學(xué)習(xí)方法構(gòu)建株高估計(jì)模型及比較驗(yàn)證。結(jié)果顯示：基于隨機(jī)森林的回歸模型的評價指標(biāo)優(yōu)于其他機(jī)器學(xué)習(xí)模型，決定系數(shù)（R2）為0.92，均方根誤差（RMSE）為20.97 cm，該方法可滿足農(nóng)業(yè)株高監(jiān)測的需要，為農(nóng)作物長勢監(jiān)測提供了一種低成本方案。

關(guān)鍵詞：甘蔗；長勢估計(jì)；物聯(lián)網(wǎng)；ZigBee；信號接收強(qiáng)度指示；CC2530

中圖分類號：TP202；S24 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2024）04-0-04

DOI：10.16667/j.issn.2095-1302.2024.04.026

0 引 言

甘蔗是全球第一大糖料作物和第二大生物能源作物。廣西是國內(nèi)甘蔗生產(chǎn)主產(chǎn)區(qū)，蔗糖業(yè)也是廣西重要的支柱產(chǎn)業(yè)，其蔗糖產(chǎn)量自1992年至今已30多年位居全國第一[1]。然而，當(dāng)前廣西在甘蔗種植產(chǎn)業(yè)領(lǐng)域仍存在機(jī)械化利用率低，智能化管理欠缺等問題。因此，在甘蔗大田搭建物聯(lián)網(wǎng)系統(tǒng)，實(shí)時監(jiān)測田間環(huán)境數(shù)據(jù)及氣象數(shù)據(jù)，建立準(zhǔn)確的甘蔗長勢估計(jì)模型，對甘蔗生產(chǎn)和保障蔗糖供應(yīng)具有重要的意義。

以往測量農(nóng)作物的長勢主要是以實(shí)地測量為主，但這種長勢獲取方法往往費(fèi)時費(fèi)力。隨著近年來信息化水平的提高，一些新技術(shù)也運(yùn)用到農(nóng)作物長勢監(jiān)測領(lǐng)域。Chang等人[2]提出了一種基于無人機(jī)低空遙感監(jiān)測高粱作物高度的方法，使用無人機(jī)搭載專業(yè)RGB相機(jī)，拍攝高粱作物的低空圖像，通過算法將圖像生成3D點(diǎn)云，從3D點(diǎn)云數(shù)據(jù)生成數(shù)字地形模型（DTM）和數(shù)字地表模型（DSM），然后利用DSM數(shù)據(jù)減去DTM數(shù)據(jù)得到作物高度。Kim等人[3]研究基于深度像機(jī)，通過立體匹配將獲取的立體圖像轉(zhuǎn)換為視差圖，以確定相機(jī)和作物之間的距離深度，再通過像素的坐標(biāo)變換來計(jì)算作物高度。Banerjee等人[4]開發(fā)了一種集成于樹莓派平臺的激光雷達(dá)傳感器，將傳感器布置于農(nóng)作物正上方，通過雷達(dá)掃描的方式測量作物株高。Alighaleh等人[5]開發(fā)了一套測量農(nóng)作物高度的激光傳感器陣列，將激光傳感器陣列部署在可移動的支架上，通過移動掃描的方式測量小麥和水稻的株高。

以上農(nóng)作物長勢監(jiān)測研究已經(jīng)取得了一些階段性的成果，但是這些技術(shù)也存在造價昂貴或需要特定傳感器硬件支持等問題。近年來，隨著無線傳感器網(wǎng)絡(luò)技術(shù)研究的深入，對無線傳感器網(wǎng)絡(luò)信號傳播衰減規(guī)律的研究也成為一個新的研究方向。Luomala等人[6]研究了空氣溫度與濕度對無線信號強(qiáng)度的影響。張?jiān)起┑热薣7]設(shè)計(jì)了基于LoRa技術(shù)的農(nóng)業(yè)物聯(lián)網(wǎng)系統(tǒng)，該系統(tǒng)通過對不同天氣、距離狀態(tài)下的接收信號強(qiáng)度指標(biāo)（Received Signal Strength Indication， RSSI）進(jìn)行分析，確認(rèn)了利用RSSI值預(yù)測甘蔗長勢的可行性。Bauer等人[8]研究了以葉面積指數(shù)（LAI）為代表的作物長勢與無線收發(fā)器信號傳播衰減之間的關(guān)系，證明LAI和接收信號強(qiáng)度指標(biāo)（RSSI）時間序列之間存在顯著相關(guān)性，綜合氣象因素構(gòu)建了一個估計(jì)LAI的多元線性模型。本文基于ZigBee無線傳輸技術(shù)搭建大田物聯(lián)網(wǎng)系統(tǒng)，通過該系統(tǒng)采集各末端節(jié)點(diǎn)的接收信號強(qiáng)度指示（RSSI）數(shù)據(jù)，并結(jié)合環(huán)境數(shù)據(jù)構(gòu)建甘蔗長勢估計(jì)模型，提供了一種新的甘蔗株高監(jiān)測方法。

1 材料與方法

1.1 研究區(qū)域概況

本研究試驗(yàn)地點(diǎn)位于廣西大學(xué)扶綏農(nóng)科新城甘蔗試驗(yàn)田（22°3035.9 N，107°4638.7 E），該地區(qū)屬亞熱帶季風(fēng)型氣候，夏季高溫多雨，光熱充足，春季溫暖濕潤、秋季干燥少雨，冬季短促氣溫較低，適宜種植甘蔗[9]。一般甘蔗生長分為5個時期，萌芽期（3～4月）、幼苗期（4～5月）、分蘗期（5～6月）、伸長期（6～10月）、成熟期（10～12月），本研究主要針對甘蔗的伸長期和成熟期。

1.2 甘蔗物聯(lián)網(wǎng)環(huán)境監(jiān)測系統(tǒng)總體架構(gòu)

本文設(shè)計(jì)的農(nóng)業(yè)物聯(lián)網(wǎng)系統(tǒng)架構(gòu)主要包括信息感知層、網(wǎng)絡(luò)層和應(yīng)用層，其主要功能模塊包括田間環(huán)境監(jiān)測模塊、云服務(wù)存儲模塊及上位機(jī)數(shù)據(jù)監(jiān)測模塊等，農(nóng)業(yè)物聯(lián)網(wǎng)系統(tǒng)總體架構(gòu)如圖1所示。末端節(jié)點(diǎn)裝有收集環(huán)境信息的傳感器，將收集的環(huán)境數(shù)據(jù)以ZigBee數(shù)據(jù)包的方式發(fā)送至協(xié)調(diào)器節(jié)點(diǎn)；協(xié)調(diào)器節(jié)點(diǎn)接收數(shù)據(jù)后記錄本次通信的信號強(qiáng)度指示（RSSI）值，通過4G-LTE網(wǎng)關(guān)模塊發(fā)送至上位機(jī)；上位機(jī)部署在阿里云服務(wù)器中，采用TCP/IP協(xié)議同網(wǎng)關(guān)連接，將接收的數(shù)據(jù)存儲到數(shù)據(jù)庫，通過網(wǎng)頁提供數(shù)據(jù)查詢及可視化展示。

系統(tǒng)的硬件部分由微處理器模塊、網(wǎng)關(guān)模塊、電源模塊組成，其中，微處理器模塊選用TI（德州儀器）出品的CC2530芯片作為主控芯片，其內(nèi)置ZigBee協(xié)議無線射頻模組，I/O接口充足、運(yùn)算能力強(qiáng)、功耗水平低，符合農(nóng)業(yè)物聯(lián)網(wǎng)的實(shí)際要求；網(wǎng)關(guān)模塊選用WH-LTE-7S4的4G-LTE透傳模塊，該模塊支持多種寬幅電壓輸入方式，待機(jī)功耗低，能滿足試驗(yàn)要求。此外，田間環(huán)境監(jiān)測模塊還設(shè)置了一個天圻氣象站，采集甘蔗生長環(huán)境的溫濕度、風(fēng)速、風(fēng)向、雨量、太陽輻射強(qiáng)度等信息。

1.3 數(shù)據(jù)獲取與處理

本試驗(yàn)于2021年6月21日至12月15日將農(nóng)業(yè)物聯(lián)網(wǎng)系統(tǒng)部署于廣西大學(xué)扶綏農(nóng)科新城甘蔗試驗(yàn)田中，系統(tǒng)共設(shè)置了6個ZigBee節(jié)點(diǎn)，包括1個協(xié)調(diào)器點(diǎn)、5個末端節(jié)點(diǎn)。節(jié)點(diǎn)布置位置如圖2所示。水平于甘蔗種植方向布置的是1、2號末端節(jié)點(diǎn)，分別與協(xié)調(diào)器節(jié)點(diǎn)間隔5 m、10 m處；垂直于甘蔗種植方向布置的是3、4、5號末端節(jié)點(diǎn)，分別與協(xié)調(diào)器節(jié)點(diǎn)間隔5 m、10 m、15 m。

系統(tǒng)設(shè)置各ZigBee末端節(jié)點(diǎn)每隔60 min以3 dBm的發(fā)射功率向協(xié)調(diào)器節(jié)點(diǎn)發(fā)送環(huán)境數(shù)據(jù)。協(xié)調(diào)器節(jié)點(diǎn)接收后記錄每次通信的RSSI數(shù)據(jù)。試驗(yàn)期內(nèi)，共獲取RSSI數(shù)據(jù)29 951條。

本研究以株高作為模型因變量，株高真值采集的方法：在2個相鄰末端節(jié)點(diǎn)間選取5株具有代表性的甘蔗，利用株高尺測量甘蔗植株基底部至最高可見肥厚帶的高度，將采集的株高數(shù)據(jù)取平均值作為該區(qū)域的株高真值。在試驗(yàn)周期內(nèi)，測量時間為7天一次，共測得株高真值數(shù)據(jù)115份。為匹配農(nóng)業(yè)物聯(lián)網(wǎng)系統(tǒng)的60 min采集周期，本文假設(shè)甘蔗株高在每個測量周期內(nèi)呈均勻線性變化，使用線性插值法得到以小時為周期的株高真值20 150份。

為提高建模精度，建立的模型需要考慮環(huán)境變量對接收信號強(qiáng)度（RSSI）的影響。系統(tǒng)設(shè)置了一個氣象環(huán)境監(jiān)測站，提供每小時的空氣溫度、相對濕度、土壤溫度、雨量、太陽輻射強(qiáng)度、大氣壓力和風(fēng)向等氣象數(shù)據(jù)。除這些氣象因素外，節(jié)點(diǎn)間的距離也對RSSI的大小產(chǎn)生影響。因此，本次試驗(yàn)還引入了末端節(jié)點(diǎn)與協(xié)調(diào)器節(jié)點(diǎn)的水平距離D1和垂直距離D2用于建立模型。這樣可以更全面地考慮環(huán)境因素和節(jié)點(diǎn)距離對RSSI的影響，從而提高建模的精度。

將采集的20 150份數(shù)據(jù)樣本剔除有空值、異常值的數(shù)據(jù)后，剩余15 541份樣本。按照7∶3的方法隨機(jī)抽樣，最后得到訓(xùn)練樣本10 878份、測試樣本4 663份。用多種機(jī)器學(xué)習(xí)模型建模方法進(jìn)行比較驗(yàn)證，得到最優(yōu)的株高估計(jì)模型。模型建立的總體路線如圖3所示。

1.4 模型預(yù)測精度評價指標(biāo)

本研究選擇決定系數(shù)（R2）、均方根誤差（RMSE）作為評判模型擬合和預(yù)測準(zhǔn)確度的評價指標(biāo)。其公式為：

（1）

（2）

式中：n為樣本數(shù)；yiobs為株高實(shí)際值；yipre為株高模型估計(jì)值；yavg為實(shí)測株高樣本均值。上述值的單位均為厘米（cm）。R2越大RMSE值越小，表示模型預(yù)測的效果越好。

2 結(jié)果與討論

2.1 RSSI與株高相關(guān)性分析

5個末端節(jié)點(diǎn)RSSI周平均值與周平均株高的時間序列如圖4所示?？煽闯觯?、2號節(jié)點(diǎn)的信號衰減相較于3、4、5號更快，推測原因是由于節(jié)點(diǎn)布置的方向不同，在節(jié)點(diǎn)信號傳播路徑內(nèi)，水平于甘蔗種植方向布置的節(jié)點(diǎn)相較于垂直布置的節(jié)點(diǎn)經(jīng)過的甘蔗葉片數(shù)量更多，所以受到信號干擾的強(qiáng)度更大。單獨(dú)對比1號與3號節(jié)點(diǎn)、2號與4號節(jié)點(diǎn)數(shù)據(jù)也能發(fā)現(xiàn)相同規(guī)律，距離協(xié)調(diào)器節(jié)點(diǎn)距離相同的2個節(jié)點(diǎn)，垂直于種植方向布置的節(jié)點(diǎn)信號值始終高于水平布置的節(jié)點(diǎn)。橫向?qū)Ρ裙?jié)點(diǎn)的RSSI與甘蔗平均株高可看出，在甘蔗伸長期內(nèi)，甘蔗株高快速增高，同時各節(jié)點(diǎn)的RSSI值快速下降；在甘蔗成熟期后，甘蔗的株高上升變緩，而各節(jié)點(diǎn)RSSI卻小幅上升。主要原因是甘蔗進(jìn)入成熟期后，葉片干枯掉落，對信號的遮擋減少，從而導(dǎo)致RSSI值上升。由此可見，甘蔗的葉子、莖干等生物組織可以對無線信號產(chǎn)生一定的衰減作用。當(dāng)植物生長茂密時，物聯(lián)網(wǎng)節(jié)點(diǎn)的無線信號在傳播路徑內(nèi)可能會受生物組織吸收、散射或反射的影響，導(dǎo)致信號強(qiáng)度下降。

2.2 基于隨機(jī)森林的株高估計(jì)模型的建立

隨機(jī)森林（Random Forests， RF）是由Breiman于2001年

提出的一種集成算法[10]，通過生成多棵決策樹，再通過某種集成策略進(jìn)行組合，輸出最終結(jié)果。根據(jù)決策類型的不同可以分為分類和回歸兩種模型，其中分類型RF是根據(jù)不同決策樹的分類結(jié)果進(jìn)行投票表決以決定最終分類，回歸型RF的決策結(jié)果是根據(jù)不同決策樹的決策結(jié)果取平均值進(jìn)行決策。其訓(xùn)練方式是從訓(xùn)練樣本進(jìn)行bootstrap抽樣，即隨機(jī)且有放回的抽樣。再根據(jù)每個不同的抽樣結(jié)果各生成一棵決策樹，通過重復(fù)以上步驟m次生成m棵決策樹組成隨機(jī)森林。隨機(jī)森林的實(shí)質(zhì)是一種加強(qiáng)版的決策樹，將多個決策樹組合在一起，能夠減少隨機(jī)誤差帶來的影響，使得隨機(jī)森林算法具有很強(qiáng)的抗噪能力，在多個領(lǐng)域都有廣泛應(yīng)用。

在隨機(jī)森林建模的過程中需要設(shè)置的關(guān)鍵參數(shù)有決策樹數(shù)量、每棵樹的最大深度。理論上，決策樹的數(shù)量越大，模型的預(yù)測精度越高；每棵樹的最大深度越深，模型的預(yù)測誤差越小。但是決策樹的數(shù)量越大，深度越深占用的內(nèi)存與訓(xùn)練和預(yù)測時間也會相應(yīng)增加。為了尋求最優(yōu)參數(shù)，在建模時逐一嘗試n_estimators與max_depth參數(shù)，計(jì)算模型測試集與訓(xùn)練集的決定系數(shù)R2與均方根誤差RMSE，結(jié)果如圖5所示。從圖中可以看出，當(dāng)決策樹數(shù)量達(dá)到100、決策樹最大深度達(dá)到25后，模型的R2與RMSE趨于穩(wěn)定。因此，將n_estimators設(shè)置為100，max_depth

設(shè)置為25。

基于隨機(jī)森林回歸模型的預(yù)測結(jié)果如圖6所示。訓(xùn)練集的均方根誤差RMSE為7.85，決定系數(shù)R2為0.988 9；測試集的均方根誤差RMSE為20.97，決定系數(shù)R2為0.921 6。

2.3 幾種回歸模型預(yù)測結(jié)果比較

為了評估隨機(jī)森林回歸模型的精度，基于決定系數(shù)（R2）、均方根誤差（RMSE）指標(biāo)，與其他幾種常見的機(jī)器學(xué)習(xí)算法進(jìn)行對比，結(jié)果見表1所列。從結(jié)果中可以看出，隨機(jī)森林回歸模型取得了最高的預(yù)測精度，模型的各項(xiàng)指標(biāo)均優(yōu)于其他幾種回歸模型。綜上所述，隨機(jī)森林算法構(gòu)建的甘蔗株高估計(jì)模型有更好的預(yù)測能力和泛化能力。

2.4 討論

本文研究了甘蔗大田環(huán)境中ZigBee無線信道通信的接收強(qiáng)度指示（RSSI）與甘蔗株高的回歸模型。對于甘蔗而言，在伸長期內(nèi)甘蔗的株高會不斷增高，甘蔗的枝葉也變得更為茂盛，由植株引起的通信信號散射與反射更強(qiáng)烈，從而導(dǎo)致信號強(qiáng)度（RSSI）下降；在甘蔗進(jìn)入成熟期后，葉子會隨著甘蔗果肉的成熟自然枯萎變黃掉落，使得信號強(qiáng)度（RSSI）上升。在大田復(fù)雜環(huán)境中，引起RSSI變化的因素不僅有株高變化，空氣溫濕度、風(fēng)速風(fēng)向都能使得信號值有不同程度的衰減。因?yàn)椴煌蛩貙?dǎo)致RSSI波動難以量化，所以本文采用機(jī)器學(xué)習(xí)的方式聯(lián)合多個影響因素共同建立株高估計(jì)模型，建立的模型具有較強(qiáng)的適應(yīng)性和準(zhǔn)確度。

3 結(jié) 語

（1）文中設(shè)計(jì)了1套基于ZigBee技術(shù)的物聯(lián)網(wǎng)環(huán)境信息采集系統(tǒng)，實(shí)現(xiàn)了對蔗田溫濕度、風(fēng)速、雨量、光照強(qiáng)度等環(huán)境信息的實(shí)時監(jiān)測與上傳，可實(shí)時獲取各節(jié)點(diǎn)的RSSI值。

（2）將物聯(lián)網(wǎng)節(jié)點(diǎn)部署于試驗(yàn)地內(nèi)，采集了2021年

6月至12月甘蔗伸長期與成熟期的環(huán)境信息，試驗(yàn)周期內(nèi)共采集有效實(shí)驗(yàn)數(shù)據(jù)15 541條。

（3）本文構(gòu)建的隨機(jī)森林株高估計(jì)模型的R2最高為0.92，RMSE為20.97 cm，相較于其他機(jī)器學(xué)習(xí)算法，更能滿足農(nóng)業(yè)株高監(jiān)測的需要，為農(nóng)業(yè)生產(chǎn)指導(dǎo)提供決策依據(jù)。

注：本文通訊作者為李修華。

參考文獻(xiàn)

[1]莫般. 廣西甘蔗“雙高”建設(shè)探討[J]. 南方農(nóng)業(yè)，2017，11（27）：69-70.

[2] CHANG A，JUNG J，MAEDA M M，et al. Crop height monitoring with digital imagery from unmanned aerial system（UAS）[J]. Computers and electronics in agriculture，2017，141：232-237.

[3] KIM W，LEE D，KIM Y，et al. Stereo-vision-based crop height estimation for agricultural robots [J]. Computers and electronics in agriculture，2021，181：105937.

[4] BANERJEE B P，SPANGENBERG G，KANT S. CBM：An IoT enabled LiDAR sensor for In-Field crop height and biomass measurements [J]. Biosensors，2022，12（1）：16.

[5] ALIGHALEH P，GUNDOSHMIAN M T，ALIGHALEH S，et al. Feasibility and reliability of agricultural crop height measurement using the laser sensor array [J]. Information processing in agriculture，2023.

[6] LUOMALA J，HAKALA I. Effects of temperature and humidity on radio signal strength in outdoor wireless sensor networks [C]// 2015. Polish Information Processing Society （PIPS），2015.

[7]李修華，張?jiān)起钔?，? LoRa物聯(lián)網(wǎng)設(shè)計(jì)及其甘蔗生物量預(yù)測可行性研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2019，63（s1）：228-232.

[8] BAUER J，ASCHENBRUCK N. Towards a low-cost rssi-based crop monitoring [J]. ACM transactions on internet of things，2020，1（4）：1-26.

[9]馮振家. 影響武鳴縣甘蔗生產(chǎn)的氣象條件分析[J]. 氣象研究與應(yīng)用，2011，32（3）：49-52.

[10] BREIMAN L. Random forests [J]. Machine learning，2001，45（1）：5-32.

收稿日期：2023-04-13 修回日期：2023-05-17

基金項(xiàng)目：廣西重大科技專項(xiàng)：廣西數(shù)字蔗田技術(shù)平臺的構(gòu)建與應(yīng)用示范（桂科AA22117004）；廣西重大科技創(chuàng)新基地建設(shè)項(xiàng)目：廣西甘蔗生物學(xué)重點(diǎn)實(shí)驗(yàn)室（桂科2018-266-Z01）；國家自然科學(xué)基金：低空航拍圖像融合田間環(huán)境及氣象信息立體構(gòu)建甘蔗長勢、品質(zhì)及產(chǎn)量預(yù)測模型（31760342）