基于LPWAN物聯網與專家系統的果園精準灌溉研究

海 濤，陸 猛，周文杰，李娜娜，李伏生

（1.廣西大學電氣工程學院，南寧530004；2.廣西大學農學院，南寧530004）

水果富含多種人體必需的營養元素，是日常生活中不可或缺的一部分。果園環境復雜且種植面積寬廣，造成灌溉與管理成本過高。隨著物聯網技術［1-4］的發展和專家系統的應用［5］，研究人員可以利用信息化手段對果園進行管理，克服灌溉和管理成本高的難題。楊偉志等［6-7］基于ZigBee 通信網絡搭建果園監控系統，實現果樹墑情監測與灌溉控制，但存在通信距離短、抗干擾能力差、組網困難等缺陷，無法滿足現代農業低功耗和遠距離的需求［8］。龍曉明等［9］基于LoRa 通信建立山地果園灌溉系統，延長了通信距離，節省了中繼節點，但存在部分節點通信信號不穩定，大范圍、多區域覆蓋需要搭建多通基站節點的不足。

隨著現代農業建設的持續發展，農業行業對精準灌溉的需求將進一步擴展，構建通信穩定可靠與科學決策的灌溉系統具有重要意義。該研究構建了基于LPWAN（Low-Power Wide-Area Network，低功耗廣域網）物聯網與專家系統的果園精準灌溉系統，實現果園環境信息的遠程監測，依據專家知識，結合采集的環境數據與降雨預測信息，對灌溉裝置進行遠程控制，實現果園的精準灌溉。

1 系統結構設計

1.1 系統結構

系統由終端傳感器、灌溉裝置及控制模塊、通信模塊、云服務器及專家系統、數據庫和用戶終端組成，如圖1所示。節點根據數據采集信號實時采集果園環境數據，通信模塊通過低功耗廣域網將數據傳輸到云服務器，經分析處理后存儲于數據庫。專家系統根據調控規則對灌溉進行調節，其決策結果由云服務器下發到基站，節點遵循控制信號啟動或關閉電磁閥。用戶可通過PC（計算機）端和移動端查詢相關信息和發送調控指令。

圖1 果園精準灌溉系統結構圖Fig.1 Structure of orchard precision irrigation system

1.2 組網設計

針對ZigBee 等傳統通信技術在果園環境中傳輸距離受限和數據傳輸不穩定的問題，采用LoRa+NB-IoT 的混合方式通信。LoRa具有傳輸距離遠，穿透性好，發射功耗低，抗干擾性強的優勢；NB-IoT具有強鏈接，高覆蓋，低功耗和低成本的優勢。

LoRa 模塊采用正點原子的ATK-LORA-01 模塊，該模塊采用高效率的ISM 頻段射頻SX1278 擴頻芯片，發射功率20 bdBm，在植被密集的果園地區其通信距離能達到1 km 以上，工作電壓3.3～5 V，工作溫度-40～+85 ℃；NB-IoT 模塊采用穩恒電子公司的WH-NB73模塊，發射功率23+/-2 dBm，通信距離可達15 km，工作電壓3.1～4.2 V，工作溫度-30～+80 ℃，工作濕度5%～95%。WH-NB73 與專用的NB-IoT 物聯網卡進行通信，并通過射頻天線將采集到的數據直接發送到NB-IoT 基站。LoRa模塊與NB-IoT 模塊采用星型組網方式實現數據傳輸，LoRa 網絡將傳感器采集的數據發送到主節點，主節點通過NB-IoT 網絡上傳到基站，并通過VPDN 隧道直接與云平臺服務器進行數據交換［10］。采集主節點以STM32F103ZET6 芯片為控制核心，節點MCU分別通過TTL、UART串口與LoRa、NB-IoT模塊通信。

1.3 硬件設計

該系統硬件包括各傳感器、微處理器、LoRa 模塊、NB-IoT模塊、電磁閥、定位模塊和供電模塊等，如圖2所示。該系統采用太陽能發電與市電聯合為各模塊供電，在日照充足的日間，太陽能發電為主要供電方式；而夜間或陰雨天氣等光照不足的情況使用市電輔助供電。

圖2 系統硬件原理框圖Fig.2 System hardware diagram

果園環境數據包括空氣溫濕度、土壤溫濕度、光照強度、降雨量等，傳感器選型如表1所示。終端控制器根據控制信號啟停電磁閥實現對果園灌溉裝置進行控制。若收到數據采集信號時各傳感器開始采集并周期性把數據包上傳到基站，若收到的信號是灌溉控制信號則對電磁閥進行對應操作，如果未收到基站信息或收到的信號既不是采集信號也不是灌溉控制信號則系統進入超低功耗模式（睡眠模式）。灌溉系統工作流程如圖3所示。

圖3 灌溉系統工作流程Fig.3 Working flow of irrigation system

表1 傳感器型號Tab.1 Sensor models

2 云服務器及專家系統設計

2.1 數據庫設計

該設計使用靈活性高、速率較快的關系數據庫MySQL 對系統產生的數據進行存儲，通過JDBC 與數據庫建立連接，并處理SQL 語句的執行結果［11］，對數據庫進行數據的錄入、查詢、修改和刪除等操作。MySQL 數據庫中數據存儲于不同的表中，主要的數據表結構為：①果園位置、面積等參數的基礎信息表；②傳感器采集的空氣、土壤溫濕度等參數的節點信息表；③雨量預測信息表；④果樹不同時期的需水量、土壤含水率閾值等信息的果樹需水量表；⑤灌溉策略規則表；⑥灌溉、施肥、剪枝等相關信息的果樹管理信息表。以果樹節點環境信息表為例，數據表結構如表2所示。

表2 節點環境信息表Tab.2 Environment information table

2.2 功能模塊設計

依據系統需求專家系統主要實現數據分析、需水量預測和灌溉決策，該系統基于B/S 架構，使用HTML+CSS+Javascript+JQuery開發精準灌溉系統監控頁面，如圖4所示。

圖4 PC端監控頁面Fig.4 PC terminal monitoring page

2.2.1 環境數據監測功能

果園環境數據監測模塊實時采集果園空氣、土壤溫濕度、光照強度、降雨量等數據，并以圖表的形式展示節點數據及其變化情況，用戶可以通過PC 端和移動端對果園環境數據進行查詢。

2.2.2 需水量預測

果樹需水量預測精度直接影響專家系統灌溉決策及節水效率，該系統利用GA-BP 神經網絡算法對果樹需水量進行預測。BP神經網絡具有內部神經元連接廣泛、非線性及自適應性的特點，首先利用BP 神經網絡對果樹需水預測的數學模型進行搭建，再利用遺傳算法優化神經網絡的權值和閾值以避免陷入局部極小值，更精確地預測需水量。將預測結果反饋到專家系統，灌溉決策模塊根據反饋結果給出相應的決策指令。

利用BP神經網絡建立果樹需水量預測模型如圖5所示，輸入為空氣溫濕度、土壤濕度和光照強度，輸出為果樹需水量。

圖5 BP神經網絡結構Fig.5 Structure of BP neural network

BP神經網絡采用單隱含層結構，隱含層神經元個數h為：

式中：M為輸入層神經元個數；N為輸出層神經元個數；a為1～10的常數。

在BP 神經網絡中每個節點的輸出值由上層節點輸出值、當前節點與上一層的權值以及當前節點的閾值決定的，每個節點輸出值xj的計算公式為：

式中：ωij為節點i和節點j之間的權值；bj為節點j的閾值；f為激活函數。

由式（1）可知隱含層神經元個數h的取值范圍為3～12。設置遺傳算法種群大小為30，遺傳代數為50，交叉、變異概率和學習速率分別為0.7、0.01 和0.1。神經網絡隱含層和輸出層神經元傳遞函數分別為S型正切函數tansig和線性傳輸函數purelin，利用L-M 學習算法［12］對網絡進行訓練，即訓練函數為trainlm。GA-BP算法流程如圖6所示。

圖6 GA-BP算法流程Fig.6 GA-BP algorithm flow

以均方誤差（MSE）為誤差函數，分別對隱含層節點數各取值進行訓練，訓練結果如表3所示。當隱含層節點數取值為9時誤差最小，故神經網絡結構確定為4-9-1。

表3 各隱含層節點數訓練結果Tab.3 Training results of hidden layer

均方誤差的計算公式為：

2.2.3 灌溉決策功能

專家決策模塊根據專家知識和預測需水量數據，綜合氣象數據制定灌溉策略，進而對果園進行科學灌溉，提升水果產量與質量的同時最大限度節約水資源。

根據氣象數據，獲取距離本次決策的降雨量和預測的作物需水量E，計算出干旱指數η：

式中：Ei為第i天的需水量；Pj為第j天的降雨量；X表示本次決策距離下一次降雨的天數；Y表示降雨后出現的降雨天數；分子表示從決策到降雨前的X- 1 天的總需水量；分母表示連續降雨的Y天里總降雨量。

本文采用分級調控。一級調控：如果土壤處于干旱狀態（表4中的1，2級別），立即進行灌溉決策，第i天的灌溉量Gi為

表4 干旱級別標準Tab.4 Drought level standard

二級調控：i取值范圍為1～X，實時檢測土壤含水率，如果滿足果樹生長需求，則不進行灌溉操作。否則依據式（6）做出灌溉決策。

3 系統測試

3.1 芒果樹灌溉決策規則

以廣西大學農學院芒果種植試驗基地為實驗對象，對果園灌溉系統進行試驗。芒果樹是需水量較大的漆樹科常綠大喬木，土壤含水率直接影響芒果的產量和質量。芒果樹有效吸水根系集中在5～40 cm 土層內，因此計劃濕潤層深度以40 cm 進行試驗。不同生長期土壤相對濕度（占田間持水量%）需求［13］如表5所示。

表5 芒果各生長期土壤相對濕度需求Tab.5 Requirements of soil humidity of mango

3.2 丟包率測試

數據丟包率是影響系統通信穩定性的主要因素，選取5 個傳感器節點對丟包率進行測試。傳感器節點布置示意圖如圖7所示，等距離增加測試半徑，周期性地發送相同數據，觀測各傳感器節點的數據收發情況。表6 為丟包率測試數據，由測試結果可知，系統在傳輸距離為1 200 m 內平均丟包率為0.45%，距離為1 500 m 內平均丟包率為1.3%，通信效果優異，能夠實現數據實時、準確采集。

表6 丟包率測試結果Tab.6 Test results of packet loss rate

圖7 傳感器節點布置示意圖Fig.7 Sensor node layout diagram

3.3 GA-BP預測效果

該試驗的數據樣本為種植基地2019年3-5月采集到的空氣溫度、濕度、光照強度、土壤相對濕度以及芒果需水量共90組數據。為統一量綱，對數據進行歸一化處理，從中選取60 組數據作為訓練集，其余30 組數據作為測試集。采用均方根誤差RMSE和平均絕對誤差MAE對模型進行評價，評價指標值越小說明預測越準確。計算公式為：

仿真結果如圖8所示，GA-BP 模型的均方根誤差和平均絕對誤差分別為0.074 5 和0.109 1 mm/d，而BP 模型則分別為0.185 1 和0.234 1 mm/d。由仿真結果可知，GA-BP 神經網絡各項評價指標值均小于BP 神經網絡模型，對需水量的預測結果相比于BP 神經網絡模型更為精確，可以較好地指導果園的精準灌溉。

圖8 GA-BP與BP神經網絡仿真結果對比Fig.8 Comparison of simulation results of GA-BP and BP neural network

3.4 專家系統決策效果

以芒果園為對象進行試驗，系統自動采集芒果園溫濕度、光照強度等環境信息，結合氣象數據做出灌溉決策。作為參照，另一種灌溉策略未考慮降雨因素，設定灌溉閾值（可根據不同生長期進行自動調節），土壤含水率低于下限閾值則進行灌溉，高于上限閾值停止灌溉。分別對兩種灌溉策略進行試驗，圖9 為2019年5月9日到7月2日不同灌溉策略下的土壤相對濕度變化情況。

由圖9可知，本文所提灌溉策略中，5月21日土壤含水率低于適宜水分下限閾值80%，由于檢測到7月24、25日將會有連續降雨，調節灌溉量避免由于持續灌溉對果樹造成不利影響；6月10日檢測到土壤含水率低于80%，根據預測信息知6月12日將有強降雨，故暫時不執行灌溉操作；6月29日檢測到土壤含水率再次低于80%，根據氣象信息與預測數據調整灌溉水量，避免降雨當天土壤水分過高，利用降雨進行灌溉。綜上所述，不考慮降雨因素，根據果樹適宜含水率上下閾值進行灌溉能保證果園的土壤含水率，但是當遇到強降雨時會導致土壤水分過多，影響果樹的正常生長且導致水資源的浪費。將降雨作為灌溉決策因素之一，根據氣象數據，利用降雨預測調節灌溉水量，測試結果表明果園土壤相對濕度處于適宜水分需求區間（80%～90%），能較好地調節灌溉與降雨的平衡，使得灌溉更合理、水資源利用率更高。

圖9 灌溉策略效果對比Fig.9 Comparison of control effects of irrigation strategies

4 結論

（1）數據傳輸采用LoRa+NB-IoT 的混合通信方式，克服了ZigBee 等傳統通信技術傳輸距離短，抗干擾能力差的缺陷。系統通信穩定可靠，能夠實現數據實時、準確采集。

（2）結合云技術和專家系統，根據采集的果園環境數據進行精準灌溉決策。專家系統利用GA-BP 神經網絡對果樹需水量進行預測，并結合降雨預報做出灌溉決策。訓練結果表明，GA-BP 模型的均方根誤差和平均絕對誤差分別為0.074 5 和0.109 1 mm/d，相比于BP 模型其預測精確度更高。決策結果表明，芒果園土壤相對濕度維持在80%～90%，芒果樹始終處于適宜水分生長條件中。

以實現果園信息的準確、實時監測與精準灌溉決策為目標，基于LPWAN 物聯網與專家系統構建果園精準灌溉系統，實現果園環境信息的自動采集與精準灌溉，對提高水果產量與質量具有一定的參考意義。□