基于作物生長模型的大田玉米智能灌溉系統(tǒng)

毛博識 康義 李文雅 郭淵杰 劉立業(yè)

摘要：系統(tǒng)利用自動識別的以下信息：玉米發(fā)育期、大田氣候要素、土壤墑情、天氣預(yù)報。通過土壤水分平衡方程計算出玉米在當(dāng)前的灌溉需水量，制定灌溉決策。系統(tǒng)平臺將決策指令下發(fā)至灌溉控制器，灌溉控制器通過無線自組網(wǎng)絡(luò)控制分控制器啟閉電磁閥，自動執(zhí)行灌溉任務(wù)。該文利用深度學(xué)習(xí)技術(shù)重點解決玉米發(fā)育期識別這一關(guān)鍵問題。

關(guān)鍵詞：發(fā)育期識別;土壤墑情;土壤水分平衡方程;灌溉需水量;智能灌溉

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：Al

文章編號：1009-3044（2020）22-0166-03

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：j

1 背景

目前國內(nèi)從事農(nóng)業(yè)灌溉產(chǎn)品的公司已有不少，但大部分都是偏重于系統(tǒng)設(shè)備集成，具備的功能大都是一些簡單的、基本的灌溉功能，自動化程度不高，灌溉控制的因素比較狹窄，沒有結(jié)合氣象環(huán)境、作物生長規(guī)律等因素而實現(xiàn)對農(nóng)作物的智能灌溉[1]。本系統(tǒng)充分利用作物發(fā)育期信息、天氣預(yù)報信息、土壤墑情信息等關(guān)鍵資料，結(jié)合彭曼公式、土壤水分平衡方程，構(gòu)建作物需水量估算與灌溉量模型算法，實現(xiàn)智能灌溉。

2 系統(tǒng)組成

本系統(tǒng)主要包含農(nóng)業(yè)氣象自動觀測系統(tǒng)、水肥一體化自動灌溉系統(tǒng)和軟件服務(wù)平臺。

農(nóng)業(yè)氣象自動觀測系統(tǒng)主要包含數(shù)據(jù)采集單元和相關(guān)配套的傳感器，如土壤水分傳感器、圖像傳感器等。該系統(tǒng)利用圖像傳感器測量數(shù)據(jù)自動識別作物發(fā)育期，結(jié)合土壤水分傳感器測量數(shù)據(jù)和彭曼公式，利用土壤水分平衡方程計算作物需水量與灌溉量。

水肥一體化自動灌溉系統(tǒng)主要包含采集控制器及相關(guān)配套傳感器，如流量傳感器，壓力傳感器，液位傳感器等，以及電磁閥、水泵等控制設(shè)備[2]。軟件主要包含服務(wù)平臺、手機(jī)APP和電腦客戶端等。系統(tǒng)組成圖見圖1所示。

3 灌溉量計算系統(tǒng)

灌溉量計算要融合多個傳感器觀測數(shù)據(jù)，天氣預(yù)報數(shù)據(jù)，利用特定的計算方法獲取，詳細(xì)流程如圖2灌溉量推算流程圖所示。

3.1土壤水分平衡方程

土壤灌溉量推算流程圖如圖2，使用土壤水分平衡方程：

WT+I= WT+P+G-ETc

（1） 計算時段末的土壤含水量WT+1，進(jìn)一步推算得到時段末土壤相對濕度0。其中WT為時段初的土壤含水量，即實測值（mm），由實測土壤濕度0計算;P為時段內(nèi)的有效降水量（mm），由天氣預(yù)報獲取降水量和當(dāng)?shù)亟邓行Ю孟禂?shù)計算;G為時段內(nèi)地下水補(bǔ)給量（mm）。ETc為時段內(nèi)作物耗水量（mm），由天氣預(yù)報因子、地理信息、作物發(fā)育期等計算。

3.2 作物耗水量計算

式中ETo：參考作物蒸散量（mm-d-1）; Rn：作物冠層表面凈輻射（MJ-m-2-d-1）;

G：土壤熱通量（MJ-m-2-d-1），在逐日計算公式中，G-O）;T：2m高度處平均氣溫（℃），由氣象臺站觀測資料直接得到;U2：2m高度處風(fēng)速（m.s-1），由氣象臺站觀測到的10米的風(fēng)速計算后得到;ed：飽和水汽壓（KPa），根據(jù)氣象臺站每天觀測到的最高氣溫和最低氣溫計算后得到;ea：實際水汽壓（KPa），由氣象臺站觀測資料直接得到;△：飽和水汽壓曲線斜率（KPa.℃-1）;1：干濕表常數(shù)（KPa.。C-1）。

玉米作物各發(fā)育期作物系數(shù)Kc見表1：

玉米不同發(fā)育期的作物系數(shù)已經(jīng)獲取，作物發(fā)育期能否準(zhǔn)確識別成為決定計算作物耗水量的關(guān)鍵。

3.3 凈灌溉量計算

當(dāng)推算得到的土壤相對濕度小于適宜土壤水分下限指標(biāo)Ok，需要灌溉，計算灌溉量：

I凈=0.1.（a.θt - θ）.p.h

（4）

其中I凈指控制土層達(dá)到目標(biāo)濕度所需灌水量，單位mm;a是目標(biāo)系數(shù)，指占田間持水量的百分比，取值在0.75 - 1.0之間，一般取0.9;θt指重量田間持水量，單位%;θ指推算得到的土壤相對濕度，單位%;p指土壤容重，單位克/m3;h指灌溉目標(biāo)控制的土層厚度單位m。

4 玉米發(fā)育期識別

對圖像傳感器采集的玉米圖片利用大數(shù)據(jù)、深度學(xué)習(xí)[4]技術(shù)實現(xiàn)發(fā)育期自動識別。借助農(nóng)作物長勢自動觀測方法的相關(guān)研究成果，通過對歷年作物生長實景圖像、人工對比觀測數(shù)據(jù)進(jìn)行分析，利用深度學(xué)習(xí)技術(shù)構(gòu)建作物發(fā)育期識別模型，搭建作物長勢分析與應(yīng)用系統(tǒng)。實現(xiàn)農(nóng)作物長勢自動識別、輸出并保存農(nóng)作物的主要生長特征參數(shù)，并能基于獲取的特征參數(shù)展開應(yīng)用與分析。

4.1 深度學(xué)習(xí)識別流程圖

發(fā)育期識別主要有三部分的工作，數(shù)據(jù)集制作、分類模型訓(xùn)練和模型的應(yīng)用。詳細(xì)流程如圖3發(fā)育期識別流程圖所示。

數(shù)據(jù)集制作：從采集設(shè)備獲取圖像，同時收集各站點玉米歷史圖片;按照深度學(xué)習(xí)模型需求，對原始圖片進(jìn)行分類標(biāo)注;將標(biāo)注好的圖片做圖片增強(qiáng);最后將增強(qiáng)處理后的圖片制作成深度學(xué)習(xí)網(wǎng)絡(luò)相匹配的數(shù)據(jù)集。

分類模型訓(xùn)練：通過對實景圖像、人工觀測結(jié)果的分析，搭建適合的學(xué)習(xí)網(wǎng)絡(luò);利用制作的數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)，同時根據(jù)訓(xùn)練的準(zhǔn)確率調(diào)整網(wǎng)絡(luò)模型和訓(xùn)練策略;最后把訓(xùn)練好的識別模型封裝成API。

模型的應(yīng)用：利用發(fā)育期識別API做應(yīng)用系統(tǒng)開發(fā)。

4.2實驗效果

利用收集到的10萬張玉米生長圖片搭建深度學(xué)習(xí)模型，進(jìn)行模型訓(xùn)練，設(shè)置epoch=128，batch_size=64，初始學(xué)習(xí)率0.002，當(dāng)訓(xùn)練到57個epoch后，驗證集準(zhǔn)確率穩(wěn)定不變。訓(xùn)練集、驗證集準(zhǔn)確率均達(dá)到95%以上，達(dá)到理想識別效果。訓(xùn)練結(jié)果打印如下圖4玉米深度模型訓(xùn)練結(jié)果所示。

5 計算精度驗證與修正方法

計算灌溉量是否準(zhǔn)確，是該系統(tǒng)能否正確指導(dǎo)并實施智能灌溉的關(guān)鍵。本系統(tǒng)將采取真值標(biāo)定的方法保證計算準(zhǔn)確性。

由于該系統(tǒng)利用的數(shù)據(jù)源多，各個傳感器有獨自的度量標(biāo)準(zhǔn)，在實際計算過程中受到傳感器精度、土壤質(zhì)地、作物品種等因素的影響，讀數(shù)差別很大，因此在正式使用前需要進(jìn)行標(biāo)定。本系統(tǒng)中土壤水分傳感器測量的土壤相對濕度是可信的，并且與灌溉量之間的關(guān)系是明確的，可以作為灌溉量標(biāo)定標(biāo)準(zhǔn)。

把預(yù)測歷史數(shù)據(jù)值作為樣本，傳感器實測值作為真值，計算兩者之間的關(guān)系，建立標(biāo)定函數(shù)即可完成精度修正。

6 結(jié)束語

本系統(tǒng)充分利用氣象觀測信息、天氣預(yù)報預(yù)測信息、視頻傳感器識別技術(shù)、深度學(xué)習(xí)、大數(shù)據(jù)、土壤水分平衡方程把較為復(fù)雜且無法論證的大田灌溉問題，以科學(xué)化、數(shù)字化的方式進(jìn)行定量輸出。該項目的實施是落實氣象為農(nóng)，科技惠農(nóng)的戰(zhàn)略目標(biāo)，是農(nóng)業(yè)大數(shù)據(jù)技術(shù)在智慧農(nóng)業(yè)領(lǐng)域成功運用的典范，具有開拓性的現(xiàn)實意義。

參考文獻(xiàn)：

[1]張華.智能水肥一體化試驗示范以及應(yīng)用技術(shù)[J].福建農(nóng)業(yè)科技，2012（9）： 70-71.

[2] Allen R G，Pereira L S，Raes D，et al.Crop evapotranspira-tion-guidelines for computing crop water requirement[M].Rome： Food and Agriculture Organization of United Nations.1998.

[3]陳玉民.中國主要作物需水量與灌溉[M].北京：水利電力出版社，1995： 45-50.

[4] Shen4eng He， Rynson W H Laul， Wenxi Liu. Super CNN：ASuperpixelwise Convolutional Neural for Salient Object Detec-tion[J]. International Journal of Computer Vision， 2015， 115（3）：330-344.

【通聯(lián)編輯：謝媛媛】（上接第163頁）

（2）基于實訓(xùn)管理需求平臺進(jìn)行模塊化開發(fā)。劃分實訓(xùn)控制中心模塊、實訓(xùn)管理模塊、門禁安全模塊、電源管理模塊、財產(chǎn)管理模塊。

（3）項目開發(fā)及測試。通過測試發(fā)現(xiàn)問題，進(jìn)行調(diào)整，最終解決問題。

7 整體效果評估

我院413大數(shù)據(jù)實訓(xùn)室從2018年九月起開始對學(xué)生進(jìn)行完全開放，該實訓(xùn)室共有高性能計算機(jī)40臺、華為大數(shù)據(jù)服務(wù)器兩組、DCN路由交換和信息安全設(shè)備兩組，主要用于網(wǎng)絡(luò)技術(shù)專業(yè)學(xué)生的實訓(xùn)教學(xué)工作。該實訓(xùn)室在開放期間基本上無教師值守，我院多個專業(yè)的學(xué)生在此自主實訓(xùn)。計應(yīng)專業(yè)和計網(wǎng)專業(yè)的部分學(xué)生在該實訓(xùn)室成立了工作室，并取得了不錯的成績。其中計網(wǎng)專業(yè)的學(xué)生在2019年的全國高職技能大賽大數(shù)據(jù)賽項上獲得了全國二等獎，計應(yīng)專業(yè)的學(xué)生開發(fā)的無人機(jī)預(yù)警系統(tǒng)和森林防火系統(tǒng)獲得了國外用戶的青睞，其他部分學(xué)生的專業(yè)課成績也得到了提高。實訓(xùn)室進(jìn)行智能化管理和開放對高職院校教學(xué)及科研有著非常明顯的推動作用，值得推廣。

8 結(jié)束語

21世紀(jì)，中國智造需要高素質(zhì)技能人才，對高職院校的實訓(xùn)教學(xué)提出了更高的要求，傳統(tǒng)的實訓(xùn)室管理模式已經(jīng)不能滿足教學(xué)與日常的需求。通過物聯(lián)網(wǎng)技術(shù)和計算機(jī)技術(shù)對實訓(xùn)室進(jìn)行智能化建設(shè)可以提升實訓(xùn)室管理水平，提高實訓(xùn)設(shè)備利用率，提升學(xué)生的實際技能水平。

參考文獻(xiàn)：

[1]李赫賀.高校實訓(xùn)室建設(shè)與管理的問題分析及對策研究[J].科教文匯，2019（26）：15-16.

[2]范山崗，沈建華.基于物聯(lián)網(wǎng)技術(shù)的高校實驗室管理系統(tǒng)應(yīng)用研究[J].科教導(dǎo)刊（電子版），2017（32）：53-54.

【通聯(lián)編輯：代影】

作者簡介：毛博識（1987-），男，河南漯河人，助理工程師，學(xué)士，主要研究方向為氣象環(huán)境要素探測，農(nóng)業(yè)物聯(lián)網(wǎng);康義（1992-），男，工程師，主要研究方向為后臺開發(fā);李文雅（1993-），女，工程師，主要研究方向為數(shù)據(jù)庫;郭淵杰（1984-），男，工程師，主要研究方向為Android;劉立業(yè)（1992-），男，工程師，主要研究方向為通信與技術(shù)。