基于LoRa 的作物生長監(jiān)測(cè)與精準(zhǔn)灌溉系統(tǒng)研究*

葉廷東，彭選榮

（廣東輕工職業(yè)技術(shù)學(xué)院，廣東 廣州 510300）

水資源缺乏是當(dāng)前世界各國共同面臨的問題，各國都十分重視發(fā)展節(jié)水型灌溉技術(shù)。發(fā)達(dá)國家水資源利用率高達(dá)70%~80%，我國農(nóng)業(yè)用水量約占總用水量的80% 左右，由于農(nóng)業(yè)灌溉效率普遍低下，水資源利用率僅為45%。為此各國學(xué)者和企業(yè)都在不斷地研制自動(dòng)化灌溉系統(tǒng)［1-2］。

當(dāng)前國內(nèi)外眾多的自動(dòng)化灌溉系統(tǒng)通常側(cè)重于采集環(huán)境參數(shù)，基于固定策略實(shí)施自動(dòng)化噴水灌溉，或基于歷史灌溉數(shù)據(jù)的專家系統(tǒng)指導(dǎo)智能灌溉，因此難以實(shí)現(xiàn)按作物實(shí)際需求進(jìn)行精準(zhǔn)灌溉，水資源利用率提升有限［3-4］。準(zhǔn)確估算作物需水量，根據(jù)作物需水量動(dòng)態(tài)生成灌溉決策，是合理利用水資源，提高灌溉效率的重要環(huán)節(jié)。作物需水量受作物種類、生長期、降水量、氣溫、土壤濕度、光照強(qiáng)度等眾多因素的影響，由于這些影響因素具有多樣性、不確定、復(fù)雜性的特點(diǎn)，往往很難完全理解這類復(fù)雜系統(tǒng)從而建立預(yù)測(cè)模型。文獻(xiàn)［5-6］利用人工神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)能力根據(jù)觀測(cè)數(shù)據(jù)自動(dòng)發(fā)現(xiàn)數(shù)據(jù)中的模式，并開發(fā)非線性系統(tǒng)模型，從而進(jìn)行可靠預(yù)測(cè)，說明神經(jīng)網(wǎng)絡(luò)適合用于解決作物需水量預(yù)測(cè)建模等問題。但基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型研究的一個(gè)關(guān)鍵是在實(shí)現(xiàn)良好預(yù)測(cè)效果的同時(shí)兼顧學(xué)習(xí)速度和硬件實(shí)現(xiàn)［7-8］。

LoRa 是美國semtech 公司研發(fā)的一種低功耗、超遠(yuǎn)距離無線傳輸方案，它因?yàn)椴渴鸷唵?、靈敏度高、成本低、抗干擾能力強(qiáng)等優(yōu)點(diǎn)得到了廣泛應(yīng)用［9］。為此，本文將基于LoRa 技術(shù)構(gòu)建無線傳感監(jiān)測(cè)網(wǎng)絡(luò)，實(shí)現(xiàn)作物生長監(jiān)測(cè)，并研究利用作物需水量預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)按需精準(zhǔn)灌溉。

1 系統(tǒng)總結(jié)架構(gòu)與網(wǎng)絡(luò)協(xié)議棧結(jié)構(gòu)設(shè)計(jì)

圖 1 精準(zhǔn)灌溉系統(tǒng)總體框架圖

基于LoRa 傳感網(wǎng)絡(luò)技術(shù)，論文提出一套融合人工智能、低功耗無線網(wǎng)通信、物聯(lián)網(wǎng)技術(shù)、智能決策的農(nóng)田精準(zhǔn)灌溉系統(tǒng)解決方案。該系統(tǒng)總體框架為三層體系結(jié)構(gòu)，如圖1 所示，它由感知層LoRa 無線傳感器網(wǎng)絡(luò)監(jiān)控子系統(tǒng)、傳輸層的無線網(wǎng)絡(luò)數(shù)據(jù)傳輸子系統(tǒng)和應(yīng)用層信息管理子系統(tǒng)組成。其中應(yīng)用層信息管理子系統(tǒng)主要包含數(shù)據(jù)展示子系統(tǒng)、數(shù)據(jù)分析子系統(tǒng)、精準(zhǔn)灌溉決策子系統(tǒng)。

基于圖1 感知層的LoRa 無線傳感網(wǎng)絡(luò)架構(gòu)，設(shè)計(jì)如圖2 所示的網(wǎng)絡(luò)協(xié)議棧體系結(jié)構(gòu)，該網(wǎng)絡(luò)協(xié)議棧結(jié)構(gòu)具有二維結(jié)構(gòu)形式，即橫向的通信協(xié)議層和縱向的傳感器網(wǎng)絡(luò)管理面［10］。其中通信協(xié)議層通?？梢苑譃槲锢韺印㈡溌穼?、網(wǎng)絡(luò)層、傳輸層和應(yīng)用層五個(gè)組成部分，在網(wǎng)絡(luò)層集成IPv4/v6 協(xié)議模塊，實(shí)現(xiàn)低功耗IPv6 技術(shù)以及與IPv4 網(wǎng)絡(luò)融合。在網(wǎng)絡(luò)管理方面分別有拓?fù)浣Y(jié)構(gòu)管理模塊、網(wǎng)絡(luò)資源模塊和服務(wù)質(zhì)量管理模塊等三大部分組成。其中拓?fù)涔芾砟K主要負(fù)責(zé)網(wǎng)絡(luò)結(jié)構(gòu)自主形成、節(jié)點(diǎn)休眠等以保證低功耗運(yùn)行；網(wǎng)絡(luò)資源管理模塊主要負(fù)責(zé)為上層應(yīng)用服務(wù)的實(shí)現(xiàn)提供集成的網(wǎng)絡(luò)環(huán)境以及傳感網(wǎng)絡(luò)各種資源的管理，并通過服務(wù)質(zhì)量管理模塊為圖2 中的五層數(shù)據(jù)通信提供高質(zhì)量服務(wù)［11］。

在網(wǎng)絡(luò)通信時(shí)將利用IPv6/6LoWPAN 邊界網(wǎng)關(guān)能實(shí)現(xiàn)傳感器節(jié)點(diǎn)與以太網(wǎng)之間的通信，使用MQTT（消息隊(duì)列遙測(cè)傳輸協(xié)議）與CoAP（受限應(yīng)用協(xié)議），能使應(yīng)用端直接訪問傳感器節(jié)點(diǎn)上具體的某個(gè)傳感器的數(shù)據(jù)。

圖2 無線傳感器網(wǎng)絡(luò)IPv4/v6 協(xié)議棧結(jié)構(gòu)

根據(jù)LoRa 傳感網(wǎng)絡(luò)監(jiān)測(cè)數(shù)據(jù)進(jìn)行按需精準(zhǔn)灌溉的關(guān)鍵是要作物需水量預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)模型生成智能灌溉策略。

2 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型（GRNN）

2.1 廣義回歸神經(jīng)網(wǎng)絡(luò)模型（GRNN）

GRNN 以RBF 神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)發(fā)展而來。GRNN 具有很強(qiáng)的非線性映射能力和學(xué)習(xí)速度，比RBF 具有更強(qiáng)的優(yōu)勢(shì)，GRNN 最后普收斂于樣本量集聚較多的優(yōu)化回歸，樣本數(shù)據(jù)少時(shí)，預(yù)測(cè)效果很好，還可以處理不穩(wěn)定數(shù)據(jù)，特別是數(shù)據(jù)精準(zhǔn)度比較差的時(shí)候有著很大的優(yōu)勢(shì)，同時(shí)便于硬件實(shí)現(xiàn)［12-13］。

GRNN 在 結(jié) 構(gòu) 如 圖 3 所 示， 圖 中（x1，x2，...xn）為學(xué)習(xí)樣本中的輸入向量，GRNN輸入層的各神經(jīng)元直接將輸入變量傳遞給模式層［14］。由于GRNN 模式層的神經(jīng)元數(shù)目即為學(xué)習(xí)樣本的數(shù)目n，則GRNN 每個(gè)神經(jīng)元分別對(duì)應(yīng)一個(gè)學(xué)習(xí)樣本，模式層中第i 個(gè)神經(jīng)元的傳遞函數(shù)為：

（1）式中，Pi是各模式層的神經(jīng)元輸出，σ為平滑因子，Xi 為第i 個(gè)神經(jīng)元對(duì)應(yīng)的學(xué)習(xí)樣本。

求和層中包含了分母求和單元與分子求和單元，分母求和單元對(duì)所有模式層神經(jīng)元的輸出進(jìn)行算術(shù)求和，模式層中各個(gè)神經(jīng)元與該神經(jīng)元的連接權(quán)值為1，傳遞函數(shù)為：

分子求和單元是對(duì)神經(jīng)元輸出加權(quán)求和，其連接權(quán)值是模式層中神經(jīng)元的輸出 yi 值，其傳遞函數(shù)為：

輸出層是由求和層中的分子求和單元、分母求和單元的輸出相除得到，即：

GRNN 模型結(jié)構(gòu)簡單、運(yùn)算復(fù)雜度較低、執(zhí)行效率高，在網(wǎng)絡(luò)中只需確定參數(shù)σ 即可獲得準(zhǔn)確輸出，因此極大簡化了網(wǎng)絡(luò)運(yùn)算的性能，增加了網(wǎng)絡(luò)模型的魯棒性。

圖3 GRNN 模型結(jié)構(gòu)

2.2 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型精度評(píng)價(jià)

模型精度評(píng)價(jià)指標(biāo)主要包括均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）、相關(guān)系數(shù)（r），各指標(biāo)的計(jì)算公式如下：

（5）-（7）式中：xi為PM 公式計(jì)算參考作物逐日需水量值，yi為預(yù)測(cè)模型計(jì)算參考作物需值；n 為樣本個(gè)數(shù)。當(dāng)相關(guān)系數(shù)r 達(dá)到70% 以上，可作為正式性預(yù)報(bào)；當(dāng)相關(guān)系數(shù)r 小于70%，可用于參考性預(yù)報(bào)。

2.3 神經(jīng)網(wǎng)絡(luò)需水模型預(yù)測(cè)模型應(yīng)用分析

根據(jù)應(yīng)用實(shí)際情況，本次所使用的數(shù)據(jù)樣本為文獻(xiàn)［15］試驗(yàn)田現(xiàn)場(chǎng)采集到逐日光照S、大氣溫度T、大氣濕度U、土壤濕度及PM 公式計(jì)算參考作物逐日需水量ET0計(jì)365 組相關(guān)數(shù)據(jù)；其中光照時(shí)長、大氣溫度T、大氣濕度U、土壤濕度作為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入，參考作物逐日需水量ET0作為預(yù)測(cè)模型輸出。在計(jì)算過程中，采用隨機(jī)的方法產(chǎn)生訓(xùn)練集和測(cè)試集，從365 組樣本數(shù)據(jù)中隨機(jī)抽取320 條作為農(nóng)作物需水量預(yù)測(cè)模型訓(xùn)練集，余下45 條作為預(yù)測(cè)模型測(cè)試集。

為了對(duì)比研究，分別采用GRNN 和BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練計(jì)算，其中BP 神經(jīng)網(wǎng)絡(luò)可以逼近非線性函數(shù)將采用不同的激活函數(shù)進(jìn)行，它們分別為 Sigmoid 函數(shù)和 a 為 2 時(shí) Gegenbauer 多項(xiàng)式，輸出層采用函數(shù)tansig ；訓(xùn)練函數(shù)采用梯度下降法traingdm。模型多次測(cè)試后，當(dāng)模型隱含層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)為4 時(shí)，模型運(yùn)行效果最優(yōu)。平滑因子σ 是GRNN 中的重要參數(shù)，本文分別設(shè)定其值為以0.1 為步長，使用K-CV 法訓(xùn)練模型，循環(huán)驗(yàn)證，選取最優(yōu)模型，確定最終網(wǎng)絡(luò)結(jié)構(gòu)，經(jīng)過篩選，最終確定GRNN 模型的光滑因子值為0.5。三種模型的預(yù)測(cè)結(jié)果和比較如表1和圖4 所示。

圖4（a）為BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型（Sigmoid激活函數(shù)）的預(yù)測(cè)圖，它預(yù)測(cè)平均絕對(duì)誤差為0.223、均方根誤差為0.280、相關(guān)系數(shù)為0.753 ；圖4（b）為BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型（Gegenbauer激活函數(shù)）的預(yù)測(cè)圖，該模型的預(yù)測(cè)平均絕對(duì)誤差為0.223、均方根誤差為0.270、相關(guān)系數(shù)為0.792；圖4（c）為GRNN 預(yù)測(cè)模型的預(yù)測(cè)圖，模型預(yù)測(cè)平均絕對(duì)誤差為0.151、均方根誤差為0.197、相關(guān)系數(shù)為0.887。

BP 神經(jīng)網(wǎng)絡(luò)之間相比較，相差不大；但用GRNN 模型訓(xùn)練用時(shí)與BP 小一些，并且GRNN相關(guān)系數(shù)較高，訓(xùn)練所用次數(shù)較少，這說明GRNN 模型算法在相關(guān)系數(shù)與訓(xùn)練效率上都有了較明顯的提升，網(wǎng)絡(luò)快速收斂，減少了訓(xùn)練時(shí)間，應(yīng)用具有明顯優(yōu)勢(shì)。

表1 各種模型性能比較

3 智能灌溉決策與應(yīng)用

通過GRNN 預(yù)測(cè)模型計(jì)算出參考作物的潛在需水量ET0，由公式ET=Kc×ET0計(jì)算出的農(nóng)作物需水量ET，其中Kc選用聯(lián)合國糧農(nóng)組織推薦的作物系數(shù)表的作物系數(shù)，該系數(shù)Kc是指充分供水條件下實(shí)際農(nóng)作物蒸發(fā)蒸騰量與參考農(nóng)作物蒸發(fā)蒸騰量的比值，系數(shù)Kc因農(nóng)作物種植的發(fā)育階段和產(chǎn)量而異，一般來說生育初期、末期較小，中期較大。通過查閱FAO 的作物系數(shù)表確定了主要農(nóng)作物全生育期內(nèi)的作物系數(shù)［16-17］。

在農(nóng)業(yè)生產(chǎn)的實(shí)際灌溉條件下，利用實(shí)時(shí)監(jiān)測(cè)系統(tǒng)監(jiān)測(cè)作物生成環(huán)境，并用需水預(yù)測(cè)模型進(jìn)行預(yù)測(cè)計(jì)算，根據(jù)作物不同的生長時(shí)期自動(dòng)生成灌溉策略，本文研究的系統(tǒng)具體做法如下：

（1）系統(tǒng)利用LoRa 傳感網(wǎng)絡(luò)進(jìn)行作物環(huán)境監(jiān)測(cè)：在農(nóng)田布設(shè)空氣溫度、空氣濕度和光照傳感器監(jiān)測(cè)微氣候環(huán)境，同時(shí)布置土壤墑情傳感器能夠?qū)崟r(shí)讀取土壤的水分?jǐn)?shù)據(jù)，確定土壤水分變化狀況。

（2）根據(jù)天氣氣象預(yù)報(bào)進(jìn)行有效降水量的估算：有效降水量計(jì)算以日降水量為準(zhǔn)，日降水量小于5 mm，視為無效降水；日降水量5~30 mm，利用率為100%；日降水量30~50 mm，利用率取60%；日降水量大于50 mm，利用率取30%。

圖4 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)性能評(píng)價(jià)圖

（3）系統(tǒng)利用視頻攝像頭監(jiān)測(cè)判斷作物種類及生長時(shí)期，結(jié)合GRNN 預(yù)測(cè)計(jì)算ET，并用公式計(jì)算農(nóng)作物灌水量：M=ET-P-（W0-Ws）-Wk+M1，其中土壤計(jì)劃濕潤層取0.35 m，土壤水利用量（W0-Ws）經(jīng)分析計(jì)算：統(tǒng)一取1 m3/667 m2*d，Wk 為地下水補(bǔ)給，取0。

系統(tǒng)智能灌溉決策：以2021/12/6—12/15該時(shí)段為例，根據(jù)預(yù)測(cè)模型預(yù)測(cè)出潛在需水量和農(nóng)田示范區(qū)氣象信息，視頻監(jiān)測(cè)判斷農(nóng)作物蘿卜處于發(fā)育期階段，則設(shè)置作物系數(shù)為0.9。通過計(jì)算項(xiàng)目區(qū)蘿卜農(nóng)作物逐日灌水量如表2 所示。

通過表2 根據(jù)公式（5）-（7），可以計(jì)算出智能灌溉系統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的精度評(píng)價(jià)指標(biāo)為：平均絕對(duì)誤差MAE 為0.279，均方根誤差RMSE 為0.280，相關(guān)系數(shù)r 為0.998，其中評(píng)價(jià)指標(biāo)相關(guān)系數(shù)＞70%，可視為正式預(yù)報(bào)，系統(tǒng)可以根據(jù)農(nóng)田作物生長環(huán)境監(jiān)測(cè)、氣候數(shù)據(jù)及預(yù)測(cè)模型，可以預(yù)報(bào)出逐日農(nóng)作物需水量；進(jìn)而可以自動(dòng)生成灌溉策略，從而達(dá)到智能精細(xì)灌溉的目的。

表2 蘿卜農(nóng)作物逐日灌水量（1 畝）

4 結(jié)論

本研究針對(duì)我國水資源短缺，灌溉用水利用率低下等問題，研究了人工神經(jīng)網(wǎng)絡(luò)算法用于作物需水量預(yù)測(cè)建模，并基于LoRa 技術(shù)構(gòu)建了作物生長環(huán)境監(jiān)測(cè)平臺(tái)和智能決策的農(nóng)田精準(zhǔn)灌溉系統(tǒng)。主要開展了：

（1）利用LoRa 技術(shù)構(gòu)建底層無線傳感網(wǎng)，設(shè)計(jì)一套低功耗的作物生長環(huán)境監(jiān)測(cè)子系統(tǒng)，實(shí)時(shí)采集作物生長環(huán)境相關(guān)參數(shù)。

（2）在平衡預(yù)測(cè)精度、資源消耗與模型實(shí)現(xiàn)軟硬件成本的情況下，確定了GRNN 作物需水量預(yù)測(cè)模型，并開展了基于Gegenbauer 正交多項(xiàng)式激活函數(shù)和基于Sigmoid 激活函數(shù)的BP神經(jīng)網(wǎng)絡(luò)模型以及基于廣義回歸神經(jīng)網(wǎng)絡(luò)模型GRNN 的性能分析。

（3）開展了智能灌溉策略的應(yīng)用研究。通過應(yīng)用研究表明：基于LoRa 的智能灌溉系統(tǒng)，其GRNN 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度指標(biāo)分別為：平均絕對(duì)誤差MAE 為0.279，均方根誤差RMSE為0.280，相關(guān)系數(shù)r 為0.998，可以實(shí)現(xiàn)精準(zhǔn)灌溉應(yīng)用的目的。