基于LoRa和SVM-Markov的藍莓園精準灌溉系統研究*

吳丹，劉永華，吳玉娟

(江蘇農林職業技術學院，江蘇句容，212400)

0 引言

藍莓營養價值高，深受大眾喜愛，2020年我國藍莓栽培面積達到了66.4 khm2[1-2]，面積和產量均居世界第一位。藍莓種植對水分要求較高，既怕澇又怕旱，目前多采用傳統的漫灌、溝灌等灌溉方式，每次灌溉水量的多少主要通過人工判斷土壤含水量和種植經驗來確定，即使采用滴灌方式也是如此，不僅不能適時適量灌水，還造成藍莓枝條發育不良、葉片失綠、產量和品質不高[3-5]。因此精準控制灌溉量是藍莓增產增收的重要手段。

物聯網技術的應用給農業生產帶來了巨大的變革，目前農業物聯網中大部分采用ZigBee技術來實現數據的采集，但ZigBee技術無法兼備低功耗和遠距離傳輸及可靠性的需求[6]，考慮到藍莓園的面積較大，需要布置的傳感器節點較多，如果使用傳統的485有線通訊或ZigBee無線通訊，受施工難度和通訊距離較短等影響，對環境參數采集帶來不便。而LoRa技術在同樣的功耗條件下比其他無線方式傳播的距離更遠，解決了功耗與傳輸覆蓋距離的矛盾問題。故設計基于LoRa的無線環境監測系統[7]。

國內相關科技工作者針對灌溉系統開展了相關研究。沈建煒[8]設計了一種基于物聯網技術、彭曼原理、BP神經網絡和土壤水分平衡原理的藍莓園智能灌溉系統，能實現灌溉預報，但采集數據過多，造成系統處理數據工作量加大。任朝陽[9]設計實現了基于模糊算法的桃園物聯網灌溉系統，通過LoRa技術實現精準灌溉，但只采集桃園土壤濕度參數，傳感器類型較少，沒有考慮其他影響灌溉的因素。

常用的預測方法有回歸分析預測法、時間序列預測法、馬爾科夫預測法、灰色預測法、人工神經網絡預測法、小波分析預測法、支持向量機預測法、模糊預測法等[10]。通過對各預測方法特點的對比分析，最終選用了支持向量機和馬爾科夫相結合的預測模型。支持向量機算法在樣本很小的情況下也有很好的推廣能力[10]；馬爾科夫模型適用于波動較大的數據的預測[11]，可以對支持向量機預測的數據進行修正，以獲得更高的預測精度。

綜上，本文針對藍莓需水特性搭建了一個基于LoRa的無線傳輸技術與SVM-Markov模型相結合的灌溉系統，利用SVM-Markov模型對藍莓園灌溉量進行精準預測，預測結果反饋到控制系統，控制系統根據預測結果控制電磁閥的開啟與關閉，以此對藍莓園進行精準灌溉。

1 藍莓園精準灌溉系統框架設計

系統由環境監測、控制執行、遠程監控三個部分組成。其中環境監測包括環境溫濕度、光照強度、風速、土壤濕度等要素；控制執行主要是對藍莓園內的電磁閥、水泵等執行機構進行操控；遠程監控由網關、云服務器等組成。圖1所示為系統框架圖。

圖1 系統框架圖

LoRa-485數據采集器與LoRa網關進行無線通信，采集器與傳感器之間通過RS-485通道，MODBUS-RTU協議進行通訊，物聯網關網關解析接收LoRa網關采集到環境參數，并通過4G發送到指定云服務器。在需要被監測的區域，安裝傳感器和LoRa-485采集器并提供電源即可實現對該區域的環境溫濕度、光照強度、風速、土壤濕度等參數的采集，極大地方便了對果園的分布式環境監測。

為了實現遠程對藍莓園的電磁閥和水泵進行操控，設計和開發了遠程監控系統，操作人員可在遠程監控系統上下達指令，通過LoRa網關命令LoRa繼電器控制器控制電磁閥和灌溉水泵的啟動與停止。

通過計算機WEB端遠程對藍莓園的環境參數進行采集，LoRa-485數據采集器自動采集數據并發送至服務器，當WEB端需要數據時即從服務器端調用。

服務器端利用SVM-Markov模型自動處理采集到的環境數據，將結果實時反饋給控制系統，從而達到自動精準灌溉的目的。

2 灌溉預測模型建立

2.1 預測模型選擇

灌溉預測模型建立的基本思路為：根據當天的土壤濕度、空氣溫濕度、光照度、風速等參數和當天的實際灌溉量，預測第二天的灌溉量，為第二天的灌溉決策提供依據。其中實際灌溉量是由有經驗的種植戶采用手動灌溉方式獲得的數據。但是藍莓生長過程分為萌芽期、開花期、坐果期和成熟期[12]，每個時期的溫濕度和灌溉量差別較大，即數據波動性較大，而灌溉模型的預測精度會直接影響到灌溉量的精準與否，因此選擇合適的預測模型顯得尤為重要。

2.2 支持向量機模型

圖2 SVM結構示意圖

2.3 馬爾科夫模型

馬爾科夫(Markov)過程最大的特點是無后效性，即事物的發展過程中，每次狀態的轉移僅與當前狀態有關，與過去的狀態無關[15-17]。模型構建步驟如下。

把數據劃分成n個狀態，任一狀態記為En。則狀態轉移概率

(1)

式中：pij——從目前狀態Ei到各種狀態Ej(j=1,2,…,m)的概率；

Mij——從狀態Ei到Ej的轉移個數；

Mi——處于狀態Ei的原始數據的個數。

最后，構成相應的狀態轉移概率矩陣，如式(2)所示。

(2)

本文僅考慮一步狀態轉移概率矩陣，通過該矩陣，就可以求得未來的轉移狀態區間，進而可求出待預測點的預測值。

2.4 SVM-Markov組合模型

單一的預測方法因其理論的特點，預測精度不高，因此本文提出組合模型的預測方法。由于藍莓園溫濕度、光照度、風速、土壤濕度具有波動性，因此本文提出支持向量機和馬爾科夫組合模型預測方法，以提高預測精度。預測建模流程圖如圖3所示。

圖3 支持向量機和馬爾科夫的組合預測建模流程圖

1) 自變量、因變量的選擇。將前一天的空氣溫濕度、光照度、風速、土壤濕度和實際灌溉量作為自變量，當天的灌溉總量作為因變量。

2) 數據預處理。首先將數據進行歸一化處理，即將樣本映射到[0, 1]區間。歸一化公式如式(3)所示。

(3)

式中：xi——原始數據；

xi′——歸一化數據；

ximax——原始數據中的最大值；

ximin——原始數據中的最小值。

將歸一化的數據用于SVM預測模型，得到歸一化預測值。再將歸一化預測值進行反歸一化。

x*=x′*(xmax-xmin)xmin

(4)

式中：x*——反歸一化后數據；

x′*——歸一化后數據。

3) 最佳核參數和正則化參數的確定。本文選擇徑向基(RBF)核函數，如式(5)所示。

(5)

用式(5)確定正則化參數C和核參數σ。采用交叉驗證的方法對參數進行選擇，根據誤差最小來選擇參數，并且利用所選參數進行SVM訓練。

4) SVM數據預測。根據所選參數進行預測，在實際應用時還應繼續減小相對誤差范圍，因此需要用馬爾科夫鏈進行修正。

5) Markov狀態劃分。將SVM預測誤差加以劃分，本文將誤差劃分為4個等距離狀態E1～E4。

6) 構造一步轉移概率矩陣。根據Markov的4個等距狀態得到一步狀態轉移概率為

(6)

SVM-Markov預測值=SVM×[1-z(i)]

(7)

3 系統設計與實現

3.1 硬件設計

藍莓園精準灌溉系統的硬件包括LoRa模塊、單片機MCU、各傳感器及水泵等執行設備，如圖4所示。LoRa主模塊和2個子模塊進行通訊，LoRa主模塊通過MCU和4G模塊進行數據的交換，4G模塊的作用是實現和云服務器的通訊；LoRa子模塊1通過MCU控制灌溉水泵的啟停和電磁閥的啟停；LoRa子模塊2通過MCU用來收集各傳感器的數據。

圖4 系統硬件原理框圖

藍莓園的環境數據包括空氣溫濕度、光照度、土壤濕度等?？諝鉁貪穸葌鞲衅鬟x用RS-WS-120-2-6溫濕度變送器；光照度傳感器選用SM3560電流型光照度傳感器；風速傳感器選用PR-3000-FS型風速變送器；土壤濕度傳感器選用RS-WS-NO1-TRt土壤溫濕度變送器。

3.2 灌溉工作過程設計

藍莓園精準灌溉系統的工作流程如圖5所示。首先利用LoRa-485數據采集器進行當天的傳感器數據采集(系統設置為每隔1 h采集1次)；再利用云服務器進行數據處理，包括選取當天的最高氣溫和最低氣溫、計算當天空氣濕度平均值、光照總輻射強度、距離地面10 m風速平均值、土壤濕度平均值、利用流量計獲得當天實際灌溉量；其次利用SVM-Markov模型進行數據分析計算，預測第二天的灌溉量；最后進行灌溉決策，如果預測第二天的灌溉量為0，則回到數據采集與處理狀態，如果灌溉量不為0，則在第二天早上6:00開啟電磁閥和水泵進行灌溉，達到灌溉量后關閉電磁閥和水泵。

圖5 灌溉系統工作流程

3.3 監控系統設計

云服務器監控系統分為手動控制和自動控制兩種方式。手動控制較簡單，農戶可以根據實際需要在監控系統界面手動下發控制指令，控制電磁閥和水泵是否開啟進行滴灌作業。自動控制可以方便農戶隨時獲得藍莓園的環境數據和監測當天滴灌量，并根據如圖5所示的灌溉系統工作流程，完成藍莓園的自動灌溉。

4 測試結果與分析

以江蘇句容天王鎮某藍莓園作為試驗對象，藍莓品種為奧尼爾，采用滴灌方式，如圖6所示。

(a) 藍莓園 (b) 滴灌模塊

試驗環境：精準灌溉系統中有灌溉水泵1臺，其上安裝有2個電磁閥，每個電磁閥控制72個滴灌模塊，每棵藍莓樹上安裝有1個滴灌模塊，即1個電磁閥可以完成72棵藍莓樹的滴灌工作。

試驗方法：在試驗基地中選取一小塊試驗田標為1#田，1#試驗田規模約為160 m2，共種有藍莓樹72棵。1#田中安裝有空氣溫濕度傳感器1個、光照度傳感器1個、離地10 m的風速傳感器1個、土層下10 cm的土壤濕度傳感器1個，再取一小塊試驗田標為2#田，2#試驗田規模約為160 m2。2#田主要用來獲取實際灌溉量的數據，實際灌溉量由種植戶根據當天環境數據和土壤濕度數據，再加上種植戶自身的豐富灌溉經驗手動控制電磁閥進行灌溉獲得。

數據來源：本次使用的數據為藍莓的成熟期中7月24日至8月31日采集到的空氣溫濕度、光照度、風速、土壤濕度、實際滴灌量共計39天數據。圖7為藍莓園采集數據曲線圖。

(a) 最高溫度和最低溫度曲線圖 (b) 空氣相對濕度曲線圖

首先，利用MATLAB中的LIBSVM工具箱，通過對圖7數據的分析和計算，得到SVM預測值，如圖8所示，再和實際需水量進行對比得到兩者的誤差。

SVM誤差=SVM預測值-實際需水量

(8)

如圖9所示，得到SVM的預測誤差上限和下限分別為1.75、-1.7 mm/d。

其次，根據誤差的上下限劃分處4個等距狀態，分別為E1=[-1.76，-0.88)，E2=[-0.88，0)，E3=[0，0.88)，E4=[0.88，1.76)。

再次，根據式(6)，得到一步轉移概率矩陣，如式(9)所示。

(9)

最后，采用式(7)進行馬爾科夫修正，得到SVM-Markov預測值，再和實際需水量進行對比得到SVM-Markov預測誤差，如圖9所示。SVM-Markov的預測誤差上限和下限分別為0.43、-0.41 mm/d，通過和SVM預測誤差的上限和下限對比后發現誤差大幅度降低。

圖8 兩種預測模型的預測值與實際值比較

圖9 兩種預測模型的誤差比較

此外，采用平均絕對誤差MAE和均方根誤差RMSE也可用來反應數據擬合的好壞。SVM-Markov模型的平均絕對誤差為0.188 7 mm/d，均方根誤差為0.239 4 mm/d；SVM模型的平均絕對誤差為0.618 7 mm/d，均方根誤差為0.797 mm/d。由此可見，組合模型的擬合度遠高于單一模型的擬合度，對滴灌量的預測更為精確，可以很好的指導藍莓園精準灌溉。

(10)

(11)

5 結論

本文設計了基于LoRa無線遠距離通信和SVM-Markov 組合模型的藍莓園精準灌溉系統。系統由環境監測、控制執行、遠程監控三個部分組成。以句容市天王鎮藍莓園為試驗對象，首先由LoRa無線數據采集系統通過LoRa-485數據采集器與LoRa網關進行無線通信，采集器與傳感器之間通過RS-485通道、MODBUS-RTU協議進行通訊，物聯網網關解析接收LoRa網關采集到的空氣溫濕度、土壤濕度、光照度、風速等環境參數；其次將采集到的環境參數和實際滴灌量數據輸入SVM-Markov模型，采用MATLAB的LIBSVM工具箱進行數據分析，完成下一階段的藍莓園滴灌量預測。

預測結果表明，SVM-Markov模型的平均絕對誤差為0.188 7 mm/d，均方根誤差為0.239 4 mm/d，而SVM模型的平均絕對誤差為0.618 7 mm/d，均方根誤差為0.797 mm/d。采用SVM-Markov組合模型的預測精度更高、數據擬合效果更好，能更好地完成藍莓園的精準灌溉。

通過果園信息的實時采集與監測，結合LoRa物聯網與SVM-Markov構成的精準灌溉系統不僅可以應用于藍莓園，也可以推廣應用到其他果園，對提高水果質量、降低人工灌溉強度、提高灌溉效率、優化水資源利用等具有一定的參考意義。