人工智能背景下的農業精準灌溉技術研究

胡啟迪 熊剛

摘要：隨著人工智能技術的發展，其應用領域也在不斷擴展，當前其在農業領域的應用已成為熱點。灌溉是農業生產過程中的重要環節，面對淡水資源日益匱乏的現狀，精準灌溉技術研究以及推廣具有很強的現實意義。通過分析國內當前精準灌溉技術應用現狀，總結出存在的關鍵問題，并結合已有的技術及研究成果探討問題的解決方法及其可行性。最終基于機器深度學習、物聯網云平臺、圖像融合等技術設計出一種適用于田間農業的精準灌溉系統框架，并對框架中的關鍵部分構成進行了論述，可做智能化程度高、精度高、建設及維護成本較低的精準灌溉系統設計參考。

關鍵詞：精準灌溉;人工智能;圖像融合;物聯網云平臺

中圖分類號：TP391 ? ?文獻標識碼：A

文章編號：1009-3044（2022）13-0082-02

農業為百業之本，任何一個國家的經濟發展均直接或間接建立在農業保障基礎之上，而農業的發展則與水資源息息相關。在2019年聯合國國際水資源大會上將水資源列為人類可持續發展的關鍵因素，且淡水資源已開始面臨全球性緊缺[1]。在我國，農業淡水資源消耗量已經占總淡水消耗量的70%左右[2]。為了突破水資源匱乏這一瓶頸，實現可持續發展，我國在農業水資源利用上采用開源、節流并行的方式。開源一般從農作物端入手，使其適應鹽堿地甚至海水，從而擴大可利用水資源范圍;節流則是從種植端入手，通過合理的設施及方法，使每一滴水都作用在作物的真實需求上，稱之為精準灌溉。目前精準灌溉技術較為先進的國家可以將水資源利用率達到95%以上，已經證實了該方式的可行性。

值得注意的是，精準灌溉這一概念已傳入國內多年，也引進了一些先進技術，雖然在溫室農業中取得了較為滿意的效果，但對于在我國更為廣泛的田間農業中卻收效甚微。總體可以歸結為以下三點原因：

1）不同的作物，不同的生長階段對水量的需求存在較大的差異性。田間作物與溫室作物不同，其所需灌溉量受降雨量、環境溫濕度等方面的影響較大。目前國內采用的自動灌溉系統決策智能程度較低，涉及的參考維度較少甚至單一，從根本上不具備實現田間農業精準灌溉的基礎。

2）要實現精準灌溉，其灌溉策略必須具有一定程度的復雜性，引入人工智能技術是實現這一復雜性的有效手段。目前的自動灌溉系統標準化程度低、種類繁多、通信協議不統一，從而導致網絡化程度低，較低的網絡化程度不利于相關數據的累積及共享，不利于以機器學習為主的人工智能技術在精準灌溉系統上的應用。

3）監測對象為土壤，通過按照一定的布局方式插入傳感器獲取含水量信息。這種方式在溫室環境下具有可操作性，但在露天環境下，受制于設備投入、維護成本以及通信可靠性等方面的制約難以實施，即便實施，效果也很難達到預期。且經大量研究證明，通過土壤判斷作物缺水情況具有一定的延遲性，甚至無法反映[3]。

1 關鍵技術

針對以上原因，目前國內外均可找到對應的技術予以解決，其中包括機器深度學習、物聯網云平臺、圖像融合等。

1.1 機器深度學習

由于降水量及環境溫濕度的影響，精準灌溉系統需具備預測性，其在實際系統中的表現是一個以時間為橫坐標，灌水量為縱坐標的曲線，因此難點就在于如何繪制出這條曲線。

所謂深度學習是當前人工智能中的關鍵技術，其源自早期的神經網絡，又稱深度神經網絡（Depth Neural Network，DNN），其核心意義在于證明了通過增加隱含層中神經元數量，可以在一定精度要求下擬合出任意曲線[4]。

在利用DNN進行曲線擬合之前，首先應構建出一個合理的數學模型，該模型的輸出端為果，輸入端為因，即能夠影響到果的所有因素（在實際應用中僅考慮關鍵因素）。參考田間水量平衡方程[5]，可以得出式（1）所示的灌水量預測模型。

[I=P+?SW-DP-Roff-ET] ? ? ? ? ? ? ? ?（1）

式（1）中，[I]為灌水量，單位mm，[ET]為作物需水量，單位mm， P 為降水量（mm），[?SW]為計劃濕潤層內土壤有效儲水量的變化量，單位mm，[DP]為深層滲漏量，單位mm，[Roff]為徑流量，單位mm。在該預測模型的基礎上通過圖1所示的流程進行DNN訓練就可以得到所需的曲線模型。

從流程中可以看出，所謂的訓練就是通過數據不斷校正模型中各個參數，使其輸入輸出曲線逼近真實值的過程。若歷史曲線能夠基本重合，假定曲線的連續性，則可以認為未來計算得出的曲線也可以和真實數據基本重合，因此模型便有了預測性。在整個訓練過程中，數據的獲取是非常關鍵的一環，這就需要借助物聯網云平臺技術。

1.2 物聯網云平臺

物聯網云平臺可從字面上理解為物聯網與云平臺的融合，圖2顯示了物聯網云平臺與人工智能之間的關系。

物聯網能夠完成原始數據的收集工作，云平臺可以幫助管理這些數據，對散布在網絡中的海量數據進行預處理及分析，因此物聯網云平臺是實現大數據的基礎。大數據平臺能夠滿足深度學習的海量數據需求，海量數據需用到巨量運算，在模型訓練過程中云平臺的超強計算能力為其提供強力支持。總之，物聯網云平臺是實現DNN訓練預測模型的數據及計算保障。

1.3 圖像融合

在田間以土壤為監測對象判定是否需要灌溉涉及較高的建設及維護成本問題，且土壤狀態并不一定能夠準確反映作物的缺水情況[3]。目前較為先進的監測手段已開始以作物本身作為檢測目標，即通過葉水勢[6]、內源激素[7]、莖水勢[8]等作物生理指標作為其是否缺水的依據，從結果上看更加直接且精準，但信息獲取過程難以實現自動化，且對作物本身具有一定傷害性。隨著圖像獲取、處理技術的快速發展，圖像精度不斷提升，獲取手段日益增多，處理難度持續降低，為直接從作物表征得到含水量信息創造了技術條件，從而產生基于圖像處理技術獲取作物溫度、水分脅迫指數以及植被覆蓋度綜合判斷作物缺水情況的方式。該方式為非破壞性測量，且在當前技術條件下獲取快速，便于實現自動化，其基于以下兩個結論：

1）基于Gonzalez-Dugo等研究表明，作物冠層溫度抽象的數字特征與其在水分適當、水分虧缺的不同狀態下呈現出的水分脅迫指數之間具有線性及非線性關系[9]。

2）作物的覆蓋程度可以在一定程度上反映出作物的光合及蒸騰作用，基于Fernández-Pacheco等研究表明：通過當地氣象數據與作物覆蓋度相結合可以較為精確地計算出其實際耗水量，再與當地的降水量去差值，便可以得出此種作物在該地區所需的實際灌溉水量[10]。

其中作物水分脅迫指數以及溫度的獲取需要用到圖像融合技術。圖像融合是指不同原理圖像傳感器獲取的同一事物在不同時刻或者同一時刻在同一事物不同角度獲取到圖像的合成技術[11]，從而得到相較于單一拍攝模式下更精確、更清晰、信息量更大的圖像。

通過結論1）可以知道：一方面，作物的水分脅迫指數是判定是否需要灌溉的重要依據;另一方面，作物冠層溫度與作物水分脅迫指數之間存在一定函數關系，即可通過冠層溫度獲得作物脅迫指數。要達到這一目的，就需要獲得能夠反映溫度分布的紅外圖像以及反映作物冠層分布的可見光圖像，然后將兩種圖像進行融合后就可以得到作物冠層的溫度分布信息。具體融合流程如圖3所示。

在此基礎上，結合氣象數據，基于JONES的變換公式可以得到作物的脅迫指數，具體如式（2）所示。

[CWSI= Tc-TwetTdry-Twet] ? ? ? ? ? ? ? ? ? ? ? ? （2）

式（2）中，CWSI即為所需求得的脅迫指數，[Tc]代表作物冠層溫度，單位是攝氏度;[Tdry]是指作物葉子中氣孔關閉不發生蒸騰時的溫度，即作物的上限溫度，單位是攝氏度;[Twet]與之相反，是作物在葉片氣孔完全打開蒸騰作用最大時的溫度，即下限溫度。為了實現以上數據的自動化采集，可使用當地的氣象數據推算式（2）中的各項參數，依據Irmak的研究，[Tdry]可以用空氣溫度上浮5攝氏度得到，而[Twet]則可以利用Monteith and Unsworth提出的公式近似得出，具體如式（3）所示。

[Twet ≈ Ta-esTa-ea?+ γ] ? ? ? ? ? ? ? ? ? ? ? ? （3）

式（2）中，[?]是溫度與飽和水汽壓關系線的斜率，[es]是在[Ta]溫度下的飽和水汽壓強（K·Pa），[ea]是當前區域實際水汽壓強（K·Pa），[γ]為濕度計常數。綜合式（2）和（3）便可得到作物的脅迫指數。

2 應用方案

可以看出，在人工智能背景下，借助當前已有且較為成熟的理論及技術，可以有效解決當前田間農業精準灌溉中存在的現實問題，使真正實現精準灌溉成為可能。

2.1總體框架

結合以上技術，田間農業精準灌溉系統可采用圖4所示的框架。在該框架下，整個系統供電采用光伏系統，可充分利用田間農業的自然環境，達到節能減排的目的，且融合了物聯網云、深度神經網絡、圖像融合等先進技術作為決策工具，最后通過節水性、可控性最好的滴灌系統進行決策實施。

2.2主控系統

在圖4所示框架下，主控系統需要承擔圖像融合，無線數據傳輸，部分深度神經網絡計算，決策指令下發以及人機交互等任務，樹莓派是能夠升任以上任務的主控系統之一。

樹莓派（Raspberry Pi）是一款以ARM架構處理器為核心的微型計算機系統，性能比肩通用PC，且在圖像特征提取、目標檢測、圖像識別等方面更具優勢[12-14]。樹莓派的硬件結構精巧，因此成本較低，本質上屬于嵌入式系統，因此實時性很強[15]。從硬件資源上來說，樹莓派系統已經具備Wi-Fi和 Bluetooth等無線通信能力，且主板上還有豐富的標準型接口，包括4個USB、CSI攝像頭、DSI顯示、HDMI、10/100Base?T/TX等，可以方便地根據需要連接所需的外設，如系統中涉及的移動通信模塊。值得一提的是，樹莓派系統還提供了40個類似傳統MCU的GPIO，因此可以直接實現系統中所需要的傳感器網絡，作為物聯網系統中的一個檢測節點。

在本系統中，重點看重的是樹莓派在人工智能以及網絡方面的能力，這得益于其基于Linux操作系統，可以與現有的云平臺實現零障礙對接，與當下人工智能技術具有很好的結合性，可以較為容易地實現系統中涉及的深度神經網絡。

2.3圖像采集系統

圖像采集系統包括定點采集及動態采集，在本框架下，動態采集主要收集作物俯視角度圖像，且田間農業涉及的檢測范圍廣泛，因此選擇無人機作為攝像頭載體非常合適。

隨著人工智能技術的發展，當前的無人機已經可以實現較大參數范圍內的自主飛行。通過無人機進行所需的圖像采集，可以直接降低檢測設備的部署及維護成本，且通過適當的路徑規劃可以使得圖像采集過程更為靈活。在部署無人機的時候，通過結合遙感技術及衛星定位技術，可以在圖像采集的同時對當前地形情況進行高精度分析，從而配合完成農業指導的工作。

2.4灌溉系統

對于田間農業來說，單獨地采用現有任何一種灌溉方式，都不能勝任最后的灌溉決策執行任務，無法達到真正意義上的精準灌溉。在本框架下以滴灌為主，負責整體的基礎灌溉任務，再以地面灌溉機結合物聯網為輔，負責完成局部精準補水任務。在該方式下，系統做出灌溉決策后，會根據決策的內容決定采用何種方式實施灌溉任務。總體上說，若結合氣象因素判定，作物整體需要一定水量，則該部分水量可通過滴灌系統完成補充，若在此基礎上發現局部區域作物有缺水現象，則由物聯網通過控制地面灌溉機到達指定位置完成區域補水任務。

3 結語

綜合以上，在人工智能背景下，結合神經網絡深度學習的精準預測性，物聯網云平臺強大的數據采集及管理能力以及圖像融合技術共同用于田間農業精準灌溉系統具有充足的理論依據，且基于現有的技術水平及設備條件其具有可實施性。綜合分析下來，該系統具有智能化程度高、精度高、建設及維護成本較低等特點。

參考文獻：

[1] 馮軍，石超，門勝男，等.不同降雨下旱地油菜節水節肥技術對土壤養分及酶活性的調控效應[J].草業學報，2020，29（4）：51-62.

[2] 高佳，張恒嘉，巴玉春，等.調虧灌溉對綠洲灌區膜下滴灌辣椒生長發育和產量的影響[J].干旱地區農業研究，2019，37（2）：25-31.

[3] 崔可旺.基于圖像融合的作物精準灌溉生理參數研究[D].天津：河北工業大學，2019.

[4] 劉婧然，武海霞，劉心，等.基于深度學習人工神經網絡的青椒調虧灌溉水量預測[J].干旱地區農業研究，2021，39（6）：105-112，170.

[5] Allen R G，Pereira L S，Raes D，et al.Crop evapotranspiration-guidelines for computing crop water requirements-FAO irrigation and drainage paper 56[M].Rome： FAO，1998.

[6] 彭浩，朱學藝，宋文路，等.干旱和復水對玉米幼苗葉綠素熒光參數的影響[J].濟寧學院學報，2016，37（3）：9-15.

[7] 趙化春.確定作物需要灌溉指標的綜述[J].吉林農業科學，1982，7（2）：91-96.

[8] Nadezhdina N.Specificity of sap flow index for mist irrigation control[J].Acta Horticulturae，2000（537）：479-485.

[9] González-Dugo M P，Moran M S，Mateos L，et al.Canopy temperature variability as an indicator of crop water stress severity[J].Irrigation Science，2006，24（4）：233-240.

[10] Fernández-Pacheco D G，Escarabajal-Henarejos D，Ruiz-Canales A，et al.A digital image-processing-based method for determining the crop coefficient of lettuce crops in the southeast of Spain[J].Biosystems Engineering，2014，117：23-34.

[11] J L，Genderen V，Pohl C.Image fusion：Issues，techniques and applications[J].Intelligent Image Fusion，Proceedings EARSeL Workshop，1994（January 2016）：18-26.

[12] 宗宇軒.基于優化紋理特征的手背靜脈識別算法研究及在RaspberryPi系統上的實現[D].長春：吉林大學，2018.

[13] 張洋碩，苗壯，王家寶，等.基于Movidius神經計算棒的行人檢測方法[J].計算機應用，2019，39（8）：2230-2234.

[14] 馬帥.基于樹莓派的人臉識別門禁系統設計與實現[D].大連：大連交通大學，2018.

[15] 韓文超.基于樹莓派的葫蘆絲演奏機器人設計與開發[D].武漢：武漢科技大學，2016.

【通聯編輯：梁書】