智慧農業水田作物網絡化精準灌溉系統設計

魯旭濤，張麗娜，劉 昊，智超群，李 靜

（1. 中北大學機電工程學院，太原 030051；2. 中北大學信息與通信工程學院，太原 030051；3. 中北大學電氣與控制工程學院，太原 030051）

0 引 言

農業是一個國家的立國之本，農業的發展水平也在某種程度上反映出一個國家的國力。伴隨著世界人口的急劇增長，世界農業生產成就也十分顯著。而中國作為一個農業大國，2020年中國基本農田面積約為106 666 667 hm2，但是目前多數農田依舊采用漫灌等粗放型灌溉方式進行灌溉，在很大程度上造成了水資源的浪費，并且不利于作物的生長。在水資源日益短缺的背景下，研究一種合理的灌溉方式是大勢所趨，伴隨著科技的發展，精準灌溉成為人們研究的一項熱點[1-3]。特別是水田作物，對水位精準控制的需求尤為突出[4]。

對于精準灌溉的研究，目前國內外主要集中在硬件設計、算法模型設計兩大層面[5-9]。其中，在硬件層面，專家學者聚焦灌溉系統的優化設計及灌溉參數采集研究等[10-12]。例如，有學者提出一種基于智能精準灌溉平臺的線性灌溉系統，有效降低了灌溉量突變對作物的影響[13]；也有學者構建了高分辨率灌溉面積遙感監測系統，對農田灌溉進行監測[14]。而在算法模型設計層面，主要集中在模型設計及控制決策方面[15-18]，有研究采用基于貝葉斯最大熵和多源數據判斷作物的需水量[19]；也有研究從灌溉精確度出發，提出了一種地表灌溉的決策支持系統[20]；此外，有專家將人工智能技術應用到灌溉決策中，提出了一種基于人工神經網絡的精準灌溉系統，通過系統不斷的學習來做出灌溉決策[21]；還有學者設計了一種節水灌溉管理及決策系統，降低了水資源浪費[22]。

綜合上述國內外專家學者的研究，目前精準灌溉系統設計主要存在如下幾個方面的問題：

1）灌溉系統底層設備部署的靈活性差：水田作物生長環境復雜，現有灌溉系統底層設備多采用有線通信方式，為設備部署、回收及維護方面帶來很大挑戰；一些基于無線通信的灌溉設備，其通信網絡構建多采用

2）灌溉系統通信網絡的連通性、能耗性差：目前通信節點無序部署或隨機部署再調整的方式，缺乏模型及理論依據，造成通信網絡節點脫節、通信能耗高的問題；

3）灌溉系統決策終端智能化程度不足：現有灌溉系統缺乏智能系統的決策或是采取低智能的決策方案，具有資源利用率過低、能耗高的缺陷，且需要自動化設備的重復開啟，在增加設備能耗的同時，對設備壽命也有很大影響。

因此，本文設計了網絡化水田作物精準灌溉系統，運用傳感器技術、嵌入式系統技術、無線組網技術及人工智能理論，綜合利用自然降水以及精準灌溉策略，實現在保證作物生長水位最優的前提下，減少無效灌溉，避免了水資源的浪費，為水田作物網絡化灌溉提供參考。

1 網絡化水田作物智能精準灌溉系統設計

1.1 套件設計

1.1.1 智能灌溉系統總體架構

本文針對水田作物復雜生長環境下，對灌溉系統的部署靈活性差及其網絡連通性差、能耗性差等挑戰，設計了水田智能灌溉系統，其總體架構如圖1。該總體架構主要由數據采集節點、灌溉控制節點、手持控制終端、PC控制終端及無線智能通信節點五大部分組成。該系統基于無線通信的方式，通過加裝太陽能發電裝置，可靈活部署于水田區域。

其中數據采集節點主要負責水田作物生長環境監測，主要包括水位數據傳感器、風速傳感器、水溫傳感器及降雨傳感器，傳感器采集到數據后經過Arduino NANO MCU模塊進行處理后，由通信模塊進行轉發，數據采集節點架構如圖1a所示。

灌溉控制節點負責控制電磁閥的開閉，以達到精準灌溉的目的。主要由灌溉電磁閥、排水電磁閥、流量計、MCU模塊及通信模塊組成，灌溉控制節點架構如圖1b所示。

手持控制終端便于在戶外環境下，觀察水田作物環境參數、手動控制閥門開閉等操作。主要包括3.5寸觸摸屏、MCU模塊及通信模塊組成。手持控制終端架構如圖 1c所示。基于中繼理論的無線智能通信節點，主要適用于大范圍、遠距離灌溉通信網絡構建。主要包括MCU模塊、通信模塊及太陽能供電模塊。其架構如圖1d所示。

PC控制終端主要負責數據的處理存儲、實時顯示及灌溉控制、灌溉決策。本文采用Labview+Matlab的思路，進行PC端控制平臺設計。其中，利用Matlab軟件設計了基于模糊控制理論的灌溉決策系統；利用Labview軟件設計了數據處理、顯示及灌溉控制平臺，其架構如圖2所示。

整個系統控制終端工作流程如圖3所示。

1.1.2 智能灌溉系統通信網絡構建

當農田面積擴大時，所需要的灌溉節點、數據采集節點規模也隨之增大。設計合理的通信網絡結構，是保證大量數據實時可靠傳輸、降低通信網絡能耗以及降低資金投入的必要技術手段。對此，本文設計了基于中繼理論的分層式智能灌溉通信網絡。其結構如圖4所示。數據采集節點及灌溉節點的信息傳輸，首先由其對應的通信中繼節點進行轉發至匯聚節點，再由匯聚節點傳輸至控制終端。智能灌溉系統實物如圖5所示。

1.2 模型建立

1.2.1 精準灌溉通信網絡節點最優部署模型

為避免歧義，本文根據實際情況，對精準灌溉通信網絡節點最優部署做出如下定義：本文所述網絡全連通是指，灌溉網絡內所有節點均處于通信網絡覆蓋范圍內，不存在脫節、丟包等問題；所謂最優部署是指以相對最少的中繼節點投入數量、最低的通信能耗實現精準灌溉通信網絡全連通。

本文以節點一周內平均數據量為權重，確定節點在部署過程中所占權重。當若干個灌溉控制節點、數據采集節點所對應的中繼節點被確定，則這些節點的數據傳輸僅能通過此中繼節點進行轉發。基于上述定義，建立精準灌溉通信節點最優部署模型。

1）精準灌溉系統通信網絡全連通模型

在三維空間下，任意兩個通信節點i和j的坐標為（xi,yi,zi）和（xj,yj,zj），那么這兩點之間的距離dij可表示為

依次確定灌溉控制節點、數據采集節點、智能通信中繼節點、信息匯聚節點的傳輸距離ra、rb、rc、rd。若兩節點i、j之間的距離dij滿足式（2），則稱其建立連通關系。

在此基礎上，任意兩個節點Si和Sj的連通性Cij如式 （3）所示：

當網絡內所有通信節點均建立連接時，稱該網絡為全連通網絡，即

2）通信網絡能耗評估模型

無線網絡通信能耗取決于數據量和節點之間距離。當兩節點間距離為d，發送數據包大小為k時，發送能耗ET為

式中Eelec表示發送或接收1個字節數據能耗，Eamp表示發送過程中放大1個字節數據能耗。

對應接收能耗ER為

則完成一次通信能耗為

式中ERX、ETX分別為信息接收能耗和信息發送能耗。

當數據采集節點數量、灌溉控制節點數量、智能通信中繼節點數量分別為na、nb、nc時，整體通信網絡能耗Esum計算如下：

式中Eac表示所有數據采集節點到對應中繼節點通信能耗；Ebc表示所有灌溉控制節點到對應中繼節點通信能耗；Ecd表示所有通信中繼節點到匯聚節點的通信能耗；na、nb、nc分別表示數據采集節點、灌溉控制節點及中繼節點數量；分別表示第i、j、l個節點對應的信息量。

3）精準灌溉系統通信網絡節點最優部署模型

公式（10）含義為在滿足通信網絡全連通的約束條件下，整體網絡通信能耗最低。

1.2.2 精準灌溉系統最優灌溉決策模型

最優灌溉決策定義如下：在一個固定周期內，系統綜合利用自然降水，以最少的灌溉量及排水次數實現作物生長水位保持在最適生長閾值內。為實現此目標，本文建立了作物耗水預測模型、降雨預測模型及最優灌溉模型。

1）作物耗水預測模型

單位日內的耗水量Wcd主要由作物蒸發蒸騰量ETd和農田滲透量INd組成[23]，即

對于作物蒸騰量的計算，本文采用經聯合國糧農組織修正后的彭曼（Penman）公式[24]。

式中D為溫度-飽和曲線在處的斜率，kPa/℃-；Rn指凈輻射，MJ/(m2·d)；G指土壤熱通量，MJ/(m2·d)；γ為溫度計常數，kPa/℃；T指日平均氣溫，℃；U2指2 m高處風速，m/s；ea指飽和水汽壓，kPa；ed指實際水汽壓，kPa。

在求得作物參考蒸發蒸騰量的情況下，利用作物系數Kc對ET0進行修正：

式中Kc不僅僅因作物種類而異，而且在作物不同生長周期內取值不同，具體取值在本文參數設定環節進行說明。

2）降水預測模型

本系統通過WEB端對天氣預報數據進行提取。主要提取內容有：溫度值、日照、風速及降水情況。

由于自然降水到地面后會有部分通過地面徑流及深層滲透流失。因此本文采取以下公式計算有效降雨量（mm）P0：

式中α為有效降水系數，與降雨延續時間及強度等因素有關；P為氣壓，kPa。

3）最優灌溉模型

首先，確定作物生長周期內最佳含水率S的區間θmin、θmax，作物生長周期內水田最大蓄水量θc（mm）及實際灌溉量rθ（mm）。

進一步可得出作物的生長水量平衡模型如下：

其中S∈[θmin,θmax]，即有效降水量與灌溉量之和去掉作物生長耗水量之后與作物最佳含水率S（mm）之差處于平衡。

則在第i日的灌溉量irθ（mm）為

此外，當水田水位的值超過最大蓄水量cθ時需要啟動抽水電磁閥進行排水，排水模型建立如下：

式中排水量E為當前農田水位與未來降水量之和減去最大蓄水量。只有當θp＞θc時方可觸發排水模型。

本文中最優灌溉是指在某一天數為n的周期內，系統利用降水，以最少的灌溉量及排水次數，使得作物生長含水量最優，可以表述為

1.3 精準灌溉控制系統設計

1.3.1 系統架構設計

通常控制系統的架構主要由如下部分組成：模糊變量的定義、輸入輸出數據模糊化、知識庫以及邏輯判斷[25-26]。將當前水位、未來降水量、未來蒸騰量作為系統輸入參數，通過模糊控制器經過一系列運算之后，進而將排水量、灌溉量作為輸出變量精確輸出。本文所設計的模糊控制系統架構如圖6所示。

1.3.2 變量模糊化

首先將所有輸入輸出變量分為5個等級：特小、略小、中等、略大、特大。其次，針對不同輸入及輸出建立與之對應的模糊子集。最后，針對子集內所有參數進行模糊控制規則設計。模糊變量子集如表1所示。

表1 模糊變量子集Table 1 Fuzzy variable quantum set

1.3.3 隸屬度函數

本文選取三角形隸屬度函數μx作為模糊子集的隸屬度函數。

式中x為自變量，參數a和c對應三角形下部的左右兩個頂點，參數b對應三角形上部的頂點。

1.3.4 模糊控制規則

通常情況下，同一區域的排水電磁閥與灌溉電磁閥的開閉情況存在如下關系：當灌溉電磁閥開啟時，排水電磁閥通常處于關閉狀態；反之，排水電磁閥開啟時，則灌溉電磁閥關閉。因此，本文分別設定了灌溉量清零的模糊量I0及排水量清零的模糊量D0，當模糊系統執行I0或D0指令時，分別表示將灌溉/排水設備不動作。

首先，進行模糊控制目標語句設計，確定模糊控制規則，具體如表2所示。

表2 模糊控制規則Table 2 Fuzzy control rules

其次，依據前文模糊語句格式及模糊控制規則表，進行模糊控制規則設計。本文共設計模糊規則125條，其中包括設備不動作規則67條、灌溉設備動作規則13條以及排水設備動作規則45條。

模糊控制規則變量關系圖如圖7。其中C-Water level表示當前水位、F-Precipitation表示未來24 h有效降水量、F-Water consumption表示未來24 h耗水量、Irrigation amount表示灌溉量、Displacement表示排水量，單位均為mm。

2 精準灌溉通信網絡節點部署

2.1 通信網絡節點部署仿真算法

現有的對于精準灌溉系統無線通信網絡節點的部署方案，多采用基于隨機部署后再調節或基于簡單模型求解部署的策略。前者在網絡連通性、網絡能耗性方面難以得到保障；而后者，存在模型考慮參數較少或所采用的求解算法本身存在收斂性差、全局性差的缺陷。因此，本文在所建立的部署模型的基礎上，采用基于維諾圖所改進的飛蛾撲火優化算法對該模型進行求解。

飛蛾撲火優化算法（Moth Flame Optimization，MFO），是由Sayedali Mirjalili于2015年提出的一種智能優化算法。基于維諾圖改進的飛蛾撲火算法（Voronoi Moth Flame Optimization，VI-MFO），是通過引進維諾圖的刨分特性來提升MFO算法的搜索尋優速度。研究表明[27]，該算法智慧農業通信網絡節點部署中取得了比蟻群算法（Ant Colony Optimization，ACO）等群體智能算法更優的結果。因此，本文采用此算法進行精準灌溉通信網絡節點部署仿真，算法的基本流程如圖8所示。首先，根據實際需求，部署數據采集及排灌設備（統稱為基礎節點）；其次，通過建立空間坐標系確定基礎節點坐標，對基礎節點進行維諾圖刨分；然后，以信息量為權重確定中繼節點服務范圍，并進一步構建節點多面體；最后，利用MFO算法的尋優策略，尋找通信節點的最優部署位置。

2.2 參數設定

灌溉節點、排水節點以及數據采集節點的分布受節點的安裝位置、節點本身特性等因素影響，其位置分布無規律性。本文結合實際情況，針對不同需求，對不同節點類型數量、節點一周內產生信息量進行了評估計算，得出具體參數如表3所示。

表3 節點信息量設定Table 3 Node information setting

進一步建立空間坐標系，試驗環境設計在一個10 km×10 km×0.001 5 km的三維空間內。不同類型節點的分布三維圖及熱圖如圖9所示。節點能耗、節點覆蓋能力及算法參數設定值如表4所示。

表4 節點部署參數設定Table 4 Parameter setting of node deployment

2.3 仿真結果與分析

在上述參數設置的基礎上，采用計算機配置為：Intel i5-8550U CPU、8GB運行內存，編程軟件為Matlab2017b的環境下進行仿真，結果如下。

1）在本文所述方案下，共使用中繼節點9個，各中繼節點對應基礎節點（灌溉節點、排水節點、采集節點的統稱）如圖10所示。

2）在此基礎上繼續求得匯聚節點部署位置，最終構建智能灌溉系統分布式信息傳輸網絡結果如圖11所示。

3）進一步求得節點間距離矩陣如圖12所示，匯聚節點到中繼節點的最大距離為5.2 km；中繼節點到對應基礎節點的距離也均小于2.5 km，求解結果滿足本文所述的全連通網絡定義。

4）最后求得中繼節點及匯聚節點各自數據量分布情況，具體如圖13所示。圖中所有中繼節點均處于同一等高線上，表明所有中繼節點所承載的數據轉發量差距較小。這一結果能夠有效避免由于能耗不均所帶來的部分節點生存周期過短、后期維護復雜的窘境。進一步體現出本文部署策略及算法的性能。

3 精準灌溉系統性能測試與結果分析

3.1 性能測試方法

3.1.1 設計指標及灌溉目標設定

系統模擬江蘇南京地區中稻灌溉情景。中稻生長集中在5—9月，這期間耗水及降水為一年中最為突出，更能檢驗灌溉系統的性能。

參考《自動氣候站觀測規范》（GB/T33694—2017）、《環境監測信息傳輸技術規定》（HJ660—2013）、《農田信息監測點選址要求和監測規范》（GB/T37802—2019）及江蘇省《水稻節水灌溉技術規范》（DB/32T 2950—2016）[28]，確定灌溉系統設計指標，并結合實際情況進行參數設定。

本文所涉及的所有參數及設定方案如下：

1）農田滲透量

農田滲透量針對旱地時，前期灌溉滲透量較大，且滲透量與土壤成分有很大關系。而水田在灌溉后，土壤含水率飽和，滲透量維持在一個較小的范圍內。本文假定試驗土壤含水率已經飽和，取滲透量（INd）為

0.065 mm/h。

2）有效降水系數

降水系數與降水持續時間及降水強度有關。按照降雨量將降雨情況分為以下6檔：日降雨量Pr＜10 mm為小雨、10～25mm為中雨、＞25～50 mm為大雨、＞50～100 mm為暴雨、＞100～250 mm為大暴雨、＞250 mm為特大暴雨[25]。其中，小雨的有效降水系數α為0，中雨和大雨的α為0.8～1.0，暴雨、大暴雨以及特大暴雨的α為0.7～0.8。其中，有效降雨量為降水量與有效降水系數的乘積。

3）作物系數與作物的種類、地理位置、生長周期及當前月份有關。中稻作物系數5—9月依次為1.03、1.35、

1.50、1.40、0.94[29]。

4）水位指標

水位指標主要包括作物最佳生長水位上下限θmax、θmin、田間最大蓄水量θc。最大蓄水量表示降雨后田間可以留存的最大水量，且水田保持最大蓄水時間不得超過6 d[30]。

所有指標與灌溉方式及作物生長周期有關。本文選擇水稻返青期作為試驗周期，選取淺濕灌溉的節水方式[31]。在此背景下，結合實際情況，40 mm為作物最佳生長水位上線，20 mm為作物最佳生長水位下線，60 mm為田間最大蓄水量[32]。

3.1.2 試驗環境參數設定

本文以江蘇南京地區6月天氣為例，進行系統運行參數設定，其中，緯度為31°19′39″N，海拔為25 m，縱坐標分表高度為2 m，日序數為153～183（6月），初始水位25 mm。測試中風速、高低溫、降水量等氣象參數值來源于2020年6月南京市的天氣預報，該預報值以72 h/次的頻率，逐次獲取并統計量化得到。其中，6月氣溫變化如圖14所示。

3.2 仿真試驗結果

按照表5參數設定，對本文設計的智能灌溉系統進行測試。將所有參數輸入灌溉系統，得出稻田每日耗水量、有效降水量（圖15a）；進一步得出稻田自然水量理想變化曲線，如圖15b所示。

表5 灌溉系統設計指標要求Table 5 Design index requirements for irrigation system

從圖15a可以看出，稻田耗水量隨氣象參數變化的變化而改變，特別是在6月4日最高氣溫達到月最高值時，耗水量也隨之達到月最大值；此外，綜合稻田每日接收到的有效降水量與稻田每日耗水量與進水差值變化可以看出，稻田水量隨著降水量與耗水量之間的差值，產生自然變化，30 d內稻田自然水位已經嚴重偏離稻田蓄水范圍。以上結果及變化曲線符合自然規律，驗證了系統模型的有效性。

進一步模擬傳統的非智能灌溉方式（當水位低于作物生長水位時執行灌溉指令；水位高于固定水位值時執行排水指令）進行灌溉控制的仿真結果如圖16所示。

由圖16可知，非智能灌溉方式采用水位低即灌溉、水位高即排水的策略，這種灌溉方式下，雖然將水位控制到了合理范圍內，但是調節過于頻繁，造成了資源的浪費。進一步求得非智能灌溉方法在6月灌溉/排水次數（動作日期）、每次灌溉/排水量（動作量，mm），如表 6所示。此外，本文將系統完成灌溉后24 h內由于降水原因造成水位超上限，定義為無效灌溉動作；系統完成排水后24 h內由于作物耗水原因造成水位低于下限，定義為無效排水動作。進一步得到非智能灌溉無效動作次數與有效動作次數。

表6 不同灌溉系統灌溉效果對比Table 6 Statistics of non-intelligent irrigation results

綜上，非智能灌溉系統總計執行灌溉7次、排水8次，共動作15次，有效動作率（有效動作次數除以總動作次數）僅為53.33%。

在相同參數下，利用本文所設計的智能灌溉系統進行測試，測試結果如圖17所示。在智能灌溉系統的控制下，稻田水位始終處于安全閾值內，其中有22 d處于水稻生長周期內最適水位；僅有1 d處于低水位區；有7 d處于高水位區且每次持續時間最大為48 h，不會對作物生長造成損害，仿真試驗結果處于系統參數設定閾值內。在30 d內智能灌溉系統共工作11次，包括執行灌溉6次、排水5次，灌溉總量和排水總量分別為177.41 mm、184.26 mm，有效動作率達到100%。可以看出智能灌溉系統與非智能灌溉系統相比，在減少動作次數26.67%的基礎上，減少灌溉量40.82%、減小排水量33.89%。

3.3 智能灌溉系統田間實際應用效果

本文通過實物測試，驗證了所述智能灌溉系統的性能，通過模擬6月6日—6月12日的氣象參數對系統進行測試，驗證表5中各項指標參數，測試環境如圖18；表7為系統性能指標測試結果；表8為系統測試結果。

表8 智能灌溉系統測試結果Table 8 System test results of intelligent irrigation system

經實際測試，本文所設計的智能灌溉系統各項功能正常，從表7可以看出，各項功能指標均滿足表5中的相關設計要求。

通過以上結果可以看出，在智能灌溉系統的調控下，水位始終保持在作物最適生長區間內。結合表6可以發現，系統測試結果與仿真結果最大偏差為：灌溉量1 mm（6月6日）、排水量2 mm（6月12日），測試結果符合預期。造成該偏差的主要原因是實際環境下傳感器精度對數據精確性造成了一定的干擾以及一些不可控的必然誤差。

4 結 論

本文設計了一種針對大規模水田作物灌溉的網絡化灌溉系統，通過設計灌溉基礎設備、構建無線灌溉通信網絡、建立精準灌溉模型及灌溉決策系統，實現了將無線傳感器網絡技術、物聯網技術、單片機技術以及模糊控制技術相融合的網絡化智能灌溉系統。該系統采用無線通信方式，不受大量線纜束縛，可靈活部署于水田區域。仿真結果表明，灌溉系統通信網絡在滿足全連通的基礎上，通過綜合利用自然降水的調控策略，使得灌溉設備動作頻次降低了26.67%，灌溉量及排水量分別減少了40.82%、33.89%。田間應用測試結果表明，系統各部分功能模塊工作正常、實測結果與仿真結果的排灌量最大偏差控制在2 mm以內，符合預期。但由于系統過于依賴氣象預報參數的置信度，下一步工作將從氣象預報參數與傳感器參數數據融合角度出發，結合機器學習理論，進一步提升系統決策的精確度。