基于物聯網和人工智能的柑橘灌溉專家系統

楊偉志，孫道宗,2，劉建梅，高 鵬，堯港東，賴俊桂，王衛星,2

(1. 華南農業大學電子工程學院，廣州 510642；2. 廣東省農情信息監測工程技術研究中心，廣州 510642；3.廣東省水利電力勘測設計研究院，廣州 510635)

我國是柑橘種植大國，但柑橘生產技術落后，主要靠人工進行管理，需要大量耗費人力和時間。且山地果園的傳統灌溉，一般是采用大面積漫灌的方式，水資源的有效利用率較低，往往不到50%，低于一些發達國家的80%[1,2]。另外柑橘灌溉多根據果農個人經驗來進行，缺乏科學的灌溉依據，未必最適宜果樹生長。陳君梅等[3]在鷹嘴桃園搭建了無線傳感器網絡進行環境監測，并對網絡性能的影響因素進行相關實驗；王玖林等[4]基于LoRa無線傳輸技術，進行節水灌溉系統的設計，并提高了信號傳輸距離；陳偉森等[5]設計了通信可靠性較高的果園節水灌溉自動控制系統，但以上都沒有對灌溉方式進行綜合分析。虞佳佳等[6]提出了一種基于物聯網和專家決策系統的農業精準灌溉系統的技術思路，但該設計沒有把降雨預報相關信息考慮進去。

本設計利用太陽能板為各個灌溉節點持續提供電源，通過低功耗芯片CC2630，組建更穩定的WSN網絡。服務器收集到環境數據后，依據專家知識，結合柑橘不同季節的生長需求和降雨預報情況，進行綜合分析，并對降雨預報進行雨量修正補償，提高灌溉方式的科學性，并基于人工智能技術實現自動問答功能，輔助果農日常管理。

1 系統總體設計

1.1 系統組成

系統包括服務器專家系統、數據庫、通信模塊和節點信息采集系統等。節點采集相關環境信息后通過局域網和GPRS上傳到服務器，服務器把數據存放到數據庫中。專家系統根據相關策略進行灌溉調節。用戶可通過瀏覽器訪問專家系統并進行相關查詢。系統組成如圖1所示。

圖1 系統總體設計Fig.1 Overall design of system

1.2 物聯網系統硬件設計

系統的硬件設計主要包括處理器、電源模塊、GPRS模塊、定位模塊、ZigBee模塊、電磁閥、灌溉控制模塊和各傳感器模塊等。各個節點的傳感器模塊采集到環境信息后，通過ZigBee模塊組成的樹型局域網傳到網關，網關通過GPRS模塊傳到服務器端。硬件設計框圖如圖2所示。

圖2 網關及節點框圖Fig.2 Block diagram of gateway and node

環境信息包括土壤溫濕度、空氣溫濕度、光照強度、降雨量等，采用的傳感器型號如表1所示。

1.3 物聯網系統軟件設計

(1)組網設計。系統采用ZigBee低功耗無線控制協議，樹型拓撲結構網絡。局域網的每個節點借力傳輸數據，ZigBee主模塊節點負責匯聚各節點ZigBee的數據。主節點的通訊模塊通過TCP/IP協議等實現局域網與服務器連接的建立和數據交互。

(2)灌溉系統軟件設計流程。灌溉系統節點軟件設計流程如圖3所示。網關發送信息采集或灌溉控制信息到各節點，各節點根據信息進行相應判斷和操作。

表1 傳感器型號

Tab.1 Sensor model

環境指標型號土壤溫濕度MS10空氣溫濕度DHT11光照強度NHZD10CR降雨量RS-100光學雨量傳感器

圖3 灌溉軟件流程圖Fig.3 Control software flow chart of irrigation

2 專家系統設計

專家系統設計包括信息數據及專家知識存儲設計和專家系統功能設計。

2.1 數據庫存儲設計

專家系統的數據主要用數據庫來存儲。數據庫基于Windows Server 2008操作系統，以SQL結構化編程語言實現。數據庫包括環境信息數據庫以及專家知識存儲數據庫。

信息數據庫的部分表結構如下：①柑橘果園信息表。此表存儲著柑橘果園的基礎信息，如省份、城市、面積、經緯度等信息。②柑橘果園各節點的實時環境信息表。包括節點ID號、土壤溫濕度、空氣溫濕度、光照強度等③果園雨量信息表。包括當地幾天內的降雨預測以及實際降雨量信息。

專家知識庫部分表結構如下：①柑橘果樹需水量表。包括不同生長期的需水量情況、土壤水分含量閾值。②灌溉策略規則表。包括根據果樹生長期、果園實時環境信息、雨量預測及校準信息等多變量因素組成的灌溉策略規則。③柑橘果樹相關疾病信息表。包括柑橘果樹常見疾病生理特征、預防措施、解決措施等相關信息。④柑橘果樹管理信息表。包括柑橘果樹相關的灌溉、施肥、剪枝等相關護理的注意事項等。

以柑橘果園各節點實時環境信息表為例，本文設計的數據庫如表2所示。

表2 節點實時環境信息

Tab.2 Node real-time environment information

字段名類型說明IDint節點ID號,主鍵Date_timedatetime采集時間Air_temperaturefloat空氣溫度Air_humidityfloat空氣濕度Light_intensityint光照強度Soil_temperaturefloat土壤溫度Soil_humidityfloat土壤濕度Rainfloat降雨量

2.2 專家系統功能設計

專家系統功能設計主要包括果園環境實時監控、降雨預報、專家灌溉決策以及專家問答等四部分。專家系統如圖4所示。

圖4 專家系統展示圖Fig.4 The picture of expert system

2.2.1 果園環境實時監控模塊

該模塊主要是用圖表的形式，實時顯示柑橘果園的環境信息，包括土壤溫濕度、空氣溫濕度、光照強度、降雨量情況等。該模塊的子模塊能通過輸入節點號，展示對應節點的歷史變化情況。

2.2.2 果園當地降雨預報模塊

該模塊通過讀取天氣預報接口，獲取果園當地的天氣預報情況，得到未來幾天的降雨預測情況。降雨預測情況將作為灌溉決策的因素之一。

2.2.3 專家灌溉決策模塊

專家灌溉決策模塊是專家系統的一個關鍵模塊，主要是根據專家經驗，綜合各個變量因素，制定出灌溉策略，從而進行科學有效的果園灌溉。

(1)柑橘果樹不同生長期需要的土壤濕度情況。土壤水分是柑橘正常生長的重要因素之一[7]。由柑橘需水相關資料[8-10]，可知柑橘的不同時期需水量不同。2-4月為柑橘的抽梢開花期，土壤含水率適宜區間為19%～24%。5-6月為柑橘的落果及夏梢抽生期，土壤含水率的適宜區間為21%～24%。7-10月為柑橘果實生長膨大期，7-8月土壤含水率應為20%～25%。9月到10月是柑橘果樹的生長高峰期，對水分的需要量劇增，土壤含水率應為21%～26%。11月-次年1月為果實著色成熟期，土壤含水率應為20%～24%。可見，若設置固定的灌溉閾值，供應相對固定的水量，明顯不符合柑橘的生長需求。因而，專家系統根據柑橘果樹不同的生長期進行動態設置灌溉的上下限閾值。

(2)果園實時環境參數情況。無線傳感器網絡把果園實時環境參數上傳到服務器后，專家系統將之與果樹生長所需的參數進行對比，作為觸發灌溉指令的前置條件。

(3)果園降雨預測及校正。果園未來幾天的降雨情況作為果園灌溉的重要影響因素之一。灌溉系統根據土壤含水率閾值比較，進行灌溉操作后，可能會適逢降雨。這樣既造成果樹土壤短期內積水過多不利于生長，同時也不符合水資源合理利用的需求。因而，把柑橘果園的未來幾天降雨情況作為灌溉操作決策的因素很有必要。常見的降雨有小雨(<10 mm)，中雨(10.0～24.9 mm)，大雨(25.0～49.9 mm)，暴雨(50.0～99.9 mm)，大暴雨(50.0～99.9 mm)，設定對應的降雨程度系數a分別為0.1、0.2、0.6、0.8和1.0。則在觀測窗口的降雨程度為：

(1)

式中：T為降雨預報觀測天數。

當灌溉指令觸發的前置條件觸發，并且未來T天的降雨程度P≤0.2時，進行正常的灌溉操作。若未來T天的降雨程度0.2

(2)

式中：Thtem_max為臨時灌溉閾值上限；Thmax為原灌溉閾值上限；Thmin為灌溉閾值下限。

通過調節灌溉閾值適當減少灌溉供給，并以雨水進行補充。若降雨程度P>0.5，說明果園將有較大的降雨，則暫不做出灌溉指令。

由于降雨預報有時可能會出現偏差，會影響到果樹的水分供給。因而對降雨預報進行相應的修正是準確實施灌溉的重要保證。其中，降雨預報修正需要考慮當前觀察窗口和下一個觀察窗口的情況。降雨預報修正主要通過調整臨時灌溉下限閾值實現。調整方式如下式所示。

Thtem_min=Thmin+[w1 (Ppre-

Ptrue)-w2 (Ppre_next)] (Thmax-Thmin)

(3)

式中：Ppre為當前觀察窗口的降雨預測等級；Ptrue為當前觀察窗口的實際降雨等級；Ppre_next為下一觀察窗口的降雨預測等級；w1和w2分別為對應兩個觀察窗口的權重系數(根據實驗觀測，w1和w2分別設為0.6和0.4取得較好效果)；Thmin為原灌溉閾值下限；Thtem_min為臨時灌溉閾值下限。

2.2.4 專家問答模塊

專家問答模塊是用戶和專家系統互動的重要模塊。用戶可以輸入關于柑橘的管理、灌溉、疾病等相關問題，專家問答模塊將根據專家知識進行相應的解答。

專家問答模塊主要應用了人工智能領域自然語言處理的相關技術，針對柑橘灌溉施肥、果樹病害知識等相關文檔，建立柑橘知識語料庫，對語料庫進行數據清洗、停頓詞處理等，使用Python編程語言的“jieba”工具包進行相應的分詞處理，并進行數字化映射。詞語數字化映射的步驟為：①將句子詞語進行one-hot處理，得到相應的“獨熱碼”向量。②由于one-hot形式存在語義破壞、無法保留詞序的問題，并且給神經網絡訓練帶來維度災難，因而使用詞向量(word2vec)技術，搭建基于“Hierarchical-Softmax”的 CBOW模型，利用神經網絡從大量訓練文本中提取有用信息，把原詞語映射到高維空間，最終得到具有語義的詞向量。利用訓練好的詞向量建立檢索式對話系統。

用戶若對專家系統自動問答中的答案存在疑惑，可在用戶留言處輸入留言內容。專家在看到用戶留言后，對相應的留言內容進行人工解答。

3 相關實驗

3.1 灌溉節點部署模型

圖5所示為2017年7月在廣西壯族自治區賀州昭平縣北陀鎮山地柑橘園部署的灌溉系統部分節點模型圖，各節點負責監測環境信息和灌溉，同時也充當路由節點，接力傳送信息，組成無線傳感器網絡。結合山地果園地勢復雜，植被阻擋嚴重等特點，節點部署時考慮了兩個措施：每個節點可與多個節點切換交流，與其中信號最強的節點進行通信；在偏遠節點區域增加路由節點，提高網絡的連通性和穩定性。由于野外環境惡劣，為防害蟲、風曬等影響，對節點的控制電路板、控制線路等進行密封處理。

圖5 部分節點部署模型圖Fig.5 Part of the node deployment model diagram

3.2 網絡丟包率測試

3.3 數據準確性測試

果園的實時環境信息和降雨預報信息情況都是專家系統決策模塊的重要數據來源。所以，這些數據的準確性決定了系統決策的正確性。在果園環境傳感器準確性實驗中(2018年10月29日-11月5日)，采用希瑪 AS817溫濕度記錄儀、希瑪 AR813A 光照度測量儀、MS20 土壤水分測定儀等進行相關數據測試，并與果園無線傳感器網絡測試數據進行對比；在降雨預報準確性實驗中(2019年2月16日-2月20日)采用RS-100光學雨量傳感器進行對比，結果如表4和表5所示。結果表明，節點傳感器準確度較高，天氣預報信息與實際降雨情況基本相符(參考2.2.3雨量數值，除2月18日出現小幅度偏差)，滿足專家系統決策的數據需求。

表3 網絡丟包率統計

Tab.3 PLR values of the net

傳感器節點發送數據包數網關接收數據包數丟包率/%01150014990.0702150014970.2003150014860.9304150014811.2705150014821.20平均值150014890.73

表4 傳感器信息監測

Tab.4 Information monitoring of sensor

指標監測值實測值相對誤差/%溫度/℃12.2～29.812～291.7～2.7濕度/%48.6～61.349～620.81～1.10土壤含水率/%19.8～26.419.7～26.50.50～2.62(日)光照強度lx10086～5932010045～588280.4～0.8

表5 降雨預報準確性測試

Tab.5 Accuracy test of rainfall forecast

日期降雨預報雨量傳感器測量情況/mm20190216小雨8.120190217大雨47.620190218中雨9.420190219小雨8.820190220小雨6.520190221大雨44.320190222中雨19.8

3.4 專家系統決策效果測試

對柑橘果園進行灌溉策略對比實驗。第一種灌溉策略為：設定灌溉閾值，上下限閾值分別為21%和26%(根據不同月份作相應幅度的自動調節，見2.2.3)，低于下限閾值則灌溉，高于上限閾值則停止灌溉；第二種灌溉策略：在第一種策略的基礎上，結合降雨預報信息，當土壤水分少于閾值但若未來兩天有強降雨時，暫時不進行灌溉操作；第三種灌溉策略為不啟動自動灌溉系統，進行人工灌溉。圖6為2018年9月份，3個不同節點在不同灌溉策略下的土壤水分含量變化情況。由圖6可知，人工灌溉情況下，土壤水分常出現不足的情況。采用灌溉系統后能及時保證土壤含水率，但有時會出現灌溉與大幅度降雨同時段出現的情況(如圖6顯示，灌溉后2018年9月16日前后出現強降雨量，造成土壤水分過多)。當系統依據2.2.3的灌溉策略，把天氣預報信息作為決策因素之一，并對降雨預報進行監測，則能較好地平衡灌溉作業與降雨的關系(如圖6所示，雖然系統在2018年9月14日監測到土壤水分率低于預定閾值，但根據降雨預報信息并計算降雨等級，可知未來兩天內將有強降雨，因而暫不灌溉)，這樣就能在一定程度上改善前述問題，讓灌溉更合理、水資源利用更有效。

圖6 不同灌溉策略效果對比(2018年)Fig.6 The contrast of effect between different irrigation strategies

4 結 語

(1)作物信息采集的智能化和信息化是實施精細農業的關鍵技術之一[11]。隨著國家現代節水農業建設的推進，農業行業各方面對土壤墑情檢測、智能灌溉的需求也將迅速擴展[12]。本文基于物聯網和人工智能技術設計了山地柑橘環境監測、智能灌溉專家系統。實驗表明，系統傳感器能及時采集數據并反饋到服務器，灌溉系統穩定可靠運行，提高了灌溉效率。灌溉系統對采集到的數據和柑橘生長不同時期的水量需要進行分析，動態設置灌溉閾值，滿足果樹不同時期的需求。

(2)系統將天氣預報信息作為灌溉決策的因素之一，避免了灌溉操作與大幅降雨同時出現的情況，符合合理灌溉、水資源有效利用的目的。同時，對降雨預報信息的準確性進行檢測，并對相應的誤差進行灌溉補償處理，體現了科學實踐的嚴謹性。

(3)系統結合人工智能自然語言處理技術，針對柑橘知識文檔建立語料庫，并進行詞向量訓練，實現自動問答功能，更好地輔助用戶日常管理。