现代农业智能灌溉技术的研究现状与展望

李德旺+许春雨+宋建成

摘要：现代农业是采用计算机网络技术、自动控制技术、人工智能技术、数据库技术进行科学管理的社会化农业。智能化灌溉是现代农业的重要标志，也是现代化农业重要的建设任务。我国水资源缺乏，耕地面积广阔，灌溉水利用系数低，因此智能灌溉技术的研究成为近些年的研究热点。我国的智能灌溉技术较国外发展晚，在技术成本、技术创新、技术融合等方面都与国外先进技术存在一定差距。为了推动农业领域的技术进步，促进我国传统农业向优质高效农业转变，本文着眼于智能灌溉的技术层面，结合具体案例分层次分析了无线传感网络技术、模糊控制技术、神经网络技术、专家系统技术在现代农业灌溉中的应用现状，并展望了未来高效智能灌溉技术的发展方向。

关键词：现代农业；智能灌溉；WSN；智能控制；研究现状

中图分类号： S24；TP273+.5文献标志码： A文章编号：1002-1302（2017）17-0027-05

通信作者：许春雨，博士，副教授，硕士生导师，主要研究方向为智能控制技术与电力电子变换技术。E-mail：xuchunyu@tyut.edu.cn。农田灌溉是农业种植与生产过程中的关键环节，对提高作物产量起着决定性的作用。我国水资源短缺的情况日益严重，农田灌溉用水占总用水量的比例不断降低，导致农作物产量严重降低，缺水已成为农业可持续发展的制约因素。近年来，我国采用传统的渠道防渗技术、喷灌技术、微灌技术在农业基础建设方面取得了显著成效[1-2]，然而随着农业生产的规模化，对农业灌溉灵活、准确、快捷的要求也越来越高，目前的灌溉方式还存在一些问题：（1）仍以传统经验生产为主，农田灌溉精度难以保证，缺乏量化指标和配套集成技术[3]；（2）监测与控制都采用人工管理，管理水平滞后，存在劳动强度大[4]、人机交互能力差等弊端，严重影响农作物品质和产量。因此，高效、智能灌溉技术随之涌现，依靠人工智能算法科学计算灌水定额，确保农田含水量保持在适宜作物生长的最佳状态，成为解决水资源不足、缓解农业用水供需矛盾的有效途径。

美国、以色列等发达国家于20世纪70年代就开始了智能化灌溉技术的研究[5]。目前，美国利用“3S”技术获取、传送、处理各类农业信息，确定农田土壤水分变化情况和适宜的灌水区与灌水量，科学指导农业灌溉。智能灌溉技术的研究和推广也受到我国政府的高度关注。国家“十三五”规划对做好新时期农业农村工作作出了重要部署，大规模推进农业节水灌溉技术，加快智能灌溉控制系统的研发，到2020年农田灌溉水有效利用系数提高到0.55以上。智能化灌溉是实现节水的必要保障，本文将多种智能灌溉技术进行分析和比较，并展望了未来高效智能灌溉技术的发展方向，以期为智能化精准灌溉系统的设计提供参考。

1无线传感网络技术在智能灌溉中的应用

无线传感网络（wireless sensor network，WSN）技术在智能灌溉中的应用是将智能传感器按照一定的布局安装在灌溉农田内，然后通过无线通信方式实时监测、感知和采集网络覆盖区域内环境和监测对象的信息，再发送到信息采集站或灌溉系统集控中心，避免了灌溉现场布线带来的各种问题。WSN主要由传感节点（终端）、路由节点（路由器）、协调节点（协调器）组成，分别负责灌溉区域内的信息采集和数据转换、控制信息的交换、传感器网络的配置和管理。

WSN具有容量大、功耗低、可靠性强等优点，可应用于较大规模的作物生产基地[6-8]，促进了智能农业和精准农业的发展。无线传感网络的拓扑结构如图1所示。

前人基于WSN研发了一套自动灌溉系统，把土壤温湿度传感器置于田间，用ZigBee网络进行数据传输，采用智能算法进行水量规划，该系统功耗低，自动化程度高，在应用过程中取得较好效果，但是，该研究只使用了1种ZigBee网络，而ZigBee技术是一种短距离的无线通信技术，不适用于大规模作物种植基地的远程控制。

张俊涛等采用ZigBee技术与GPRS网络相结合的体系结构监测农田环境，根据土壤的综合状况确定果树的合理需水量，满足了农田灌溉远程监控的应用需求，有效地提高了果树产量[9]。该研究把面向短距离的ZigBee网络与面向远距离的GPRS相結合，两者优势互补，实现大范围的农田数据监测。但是，土壤是个非线性、滞后的复杂系统，该研究缺乏对农田多环境因子进行智能处理，不能够预测未来几天作物的需水量。

综上所述，将WSN技术应用在现代农业灌溉中，实现对农作物的生长状况、土壤酸碱度、土壤含水率的监测，突破了地域限制，提高了数据的共享性，根据当前环境参数合理计算灌水定额，达到了节水的目的。此外，WSN在农田灌溉中的应用还应结合大数据技术、智能控制技术，充分进行数据挖掘，精准计算灌区需水量，在无人值守的情况下完成智能灌溉。

2模糊控制技术在智能灌溉中的应用

2.1模糊控制理论

模糊控制（fuzzy control，FC）在智能灌溉中的应用是把基于丰富的种植经验总结出来的、用自然语言表述的灌溉策略，或通过大量实际灌溉数据总结出来的控制规则，用计算机予以实现的智能化灌溉控制[10]。它与传统控制方法最大的不同在于不需要知道被控对象的数学模型。

土壤是一个惯性、非线性系统，且作物全生育期包含多环境变量，很难建立精确统一的数学模型，将模糊控制用于灌溉过程非常合适，效果较为明显。常用的模糊控制器结构如图2所示。土壤湿度作为作物生长的重要环境变量，在农田灌溉中，通常把土壤湿度和土壤湿度变化率分别作为模糊控制器的输入信号，经过模糊化（D/F）变换成模糊量，送入含有模糊规则的模糊推理模块（R），经过近似推理得出结论——模糊集合，然后被清晰化模块（F/D）变换成清晰量，再输出到下一级去调节被控对象，使其输出满意的结果，完成灌溉系统模糊控制。

2.2模糊控制方法

模糊控制具有较强的知识表达能力和推理能力，经过模糊逻辑推理可以实现类似人的决策过程。利用具有智能属性的模糊控制器，可以解决农业灌溉中控制精度低的问题，国内外的研究焦点都集中在模糊控制方法上。

徐凯等采用模糊算法，根据需水规律精确调控葡萄不同发育阶段的土壤水势，自动完成灌溉，增强了系统的鲁棒性和适应性，在减少灌溉用水需求的同时提高了葡萄的品质[11]。但该研究只采用了一种模糊控制算法，一个系统的灌溉任务有多重性和时变性，需要采用多种智能技术相结合的方式完成任务集合的处理，实现智能节水灌溉。为了更好地改善模糊控制的稳态性能和控制精准度，科研人员将模糊控制与传统的PID控制相结合，提出了模糊PID控制方法，应用于智能灌溉控制系统，可以提升其动态性能。

张伶鳦等提出了基于调亏理论和模糊控制的寒地水稻智能灌溉策略，建立了多因素控制规则库，实现灌溉时间模糊控制，调亏灌溉节水率达到20.5%，得到了较为有效的控制效果[12]。

综上所述，将模糊控制技术应用于智能灌溉可以抛开被控对象的数学模型，解决了灌溉过程中的非线性问题，提高了灌溉精度，但是针对某种作物，模糊控制规则和隶属函数的获取与确定需要极其丰富的种植经验，并且控制规则一旦确定，在灌溉系统运行过程中不易更改。因此有必要使用粒子群优化算法、遗传算法对模糊规则进行动态寻优，能在线修改模糊控制规则，改善系统的控制品质。

3神经网络技术在智能灌溉中的应用

3.1神经网络理论

人工神经网络（artificial neural networks，ANN）技术在智能灌溉中的应用是指计算机语言模拟人脑神经的决策方式[13]指导灌溉，其实质为采用某种网络拓扑结构而构成的农田环境信息智能处理系统。在现代农业灌溉问题上，通过调整大量并行互联节点间的连接关系，人工神经网络能够适应于复杂环境和多目标控制要求，以完成对信息的处理。神经网络还可以与其他类型的控制原理相结合，产生性能更为优异的灌溉控制系统。

3.2神经网络控制方法

神经网络应用于灌溉领域可以解决灌溉控制领域难以解决的两大难题：一是被控对象（土壤）存在不确定性和非线性特性；另一个是农田多环境因子之间的相互耦合。因此，人工神经网络引起了广大智慧农业工作者的极大关注。

有学者抽取表征土壤入渗性能的关键特征值，基于神经网络，利用试验数据回归建立了灌溉水入渗深度预测模型，可以根据作物需求控制灌溉水湿润至合理深度，减少深层渗漏。但该研究只提取了4个特征值建立了入渗识别模型，且只进行了室内验证，预测深度与实际深度误差不超过10%，室内环境与复杂的农田环境差异较大，该模型预测的准确性难以保证。

迟道才等提出了神经网络和灰色预测方法相结合的并联灰色神经网络组合模型来预测灌溉用水量，提高了预测精度，可应用于长期灌溉用水量预测，具有很好的应用前景[14]。赵天图等设计了基于ZigBee与BP神经网络的棉田自动灌溉控制系统，使用无线传感网络获取农田环境状况，并建立BP神经网络的监测预警模型，试验结果表明，该系统能够实现数据采集，适用于棉田灌溉的实时监控[15]。上述研究利用神经网络技术能够完成运算、推理、识别及灌溉控制任务，具有较高的智能水平，但是未能全面、系统地确定网络的结构和类型，计算过程中有可能造成网络训练失败。

3.3神经网络与模糊控制技术的融合

模糊控制算法解决了现代农业智能灌溉系统中自然语言和人类思维推理表达的数学化问题，使机器能模拟人脑的感知、推理等智能行为。但是，在模糊控制系统的应用过程中，还有不少工作，如大量数据的处理、操作经验的归纳总结，特别是灌溉系统中模糊规则的形成、隶属函数的选型、调整等工作，还得依赖人工完成。因此，可以将神经网络和模糊控制融合在一起，这样就克服了模糊控制器不具备自学习能力的缺点，从而使机器能更好地模拟人类智能而提高灌溉效率。

前人设计了自适应神经模糊算法有效分配水资源的Smith预估控制器。自适应神经-模糊控制器结合Smith预估，并设置了动态变化参数，提高水资源利用率的同时也增强了系统的鲁棒性，获得了较好的灌溉效果。李建军等提出基于BP神经网络预测的模糊PID优化算法，试验结果表明，该算法在水肥控制系統中拥有更强的适应性和鲁棒性，解决了灌水系统的大时滞现象和非线性控制问题，有较高的使用价值[16]。

综上所述，人工神经网络技术在现代农业智能灌溉领域的学习、预测和优化等方面表现出了很好的智能特性和极好的应用前景，也解决了复杂的农田环境下多目标控制问题，不足是神经网络的结构和类型难以确定，无法保证结果的绝对正确性，算法易陷入局部最优。

4专家系统控制技术在智能灌溉中的应用

4.1专家系统控制理论

专家系统控制（expert system control，ESC）技术是智能控制的重要分支之一。现代农业智能灌溉领域的专家系统实质上是一类包含大量专门农业知识和经验的程序系统，它应用人工智能技术和计算机技术，根据农业灌溉专家提供的知识和经验进行推理和判断，使机器模拟人类专家[17]解决智能灌溉问题的计算机程序系统。农业专家系统的基本结构如图3所示，包括知识库、推理机、数据库、知识获取机构、解释机构以及人机界面等模块。

4.2专家系统控制方法

传统农作物种植多以经验为主，农业专家系统是将农业技术与信息技术进行了融合，综合分析各类农业领域相关知识、经验、数据、模型后，通过计算得出最优的解决方案，用于指导智慧农业生产的一种高新科技。当农业专家系统运用在农业灌溉时，可以大大提高灌溉的智能性，使灌溉系统具有诊断、决策及预测等功能。

研究人员设计了作物灌溉专家系统，建立了专家知识库，利用作物灌溉知识，根据种植日期和作物类型设计详细的灌溉计划，并通过试验证明该系统能够应用于所有农作物，该作物灌溉专家系统使人类专家的知识突破了时间和空间的限制，提高了灌溉精度，带来了巨大的社会效益和经济效益，但是该系统不具备自我学习和在系统运行过程中自我完善和发展的能力。

余国雄等设计了基于农业物联网的荔枝园信息获取与智能灌溉专家决策系统，该专家系统根据采集到的环境数据，建立多参数模型，结合专家知识，计算作物需水量，预报灌溉时间，系统预测能达到75%的准确率，说明系统的预测实时性比较好[18]。王福平等根據小麦各个生长时期灌溉策略的不同，基于模糊控制技术设计出节水灌溉专家决策系统，该系统能够达到适时适量灌溉，保证小麦在生长周期中各个阶段都处于最优的生长环境[19]。

综上所述，获取农作物的生长信息及各生长阶段的需求进行合理灌溉是节水灌溉的关键。专家系统控制技术汇集了农业领域多位专家的知识和经验，解决了复杂的灌溉问题，表现出较强的工作能力，而且能够准确、迅速、不知疲倦地工作。作物生长信息知识库能够根据不同作物不同时期的生长需求，自动形成最优控制方案，按其所需提供适宜的灌水计划。纵观专家系统的整个设计过程不难发现，知识获取成为构建灌溉领域专家系统的瓶颈，当外界环境变化较大时，需要通过编程的方式才能充实和完善知识库中的知识。

5智能灌溉技术的展望

国家“十三五”发展规划明确指出，要大力推进“互联网+”现代农业建设步伐，应用物联网、云计算、大数据、移动互联等现代信息技术，建设现代农业产业科技创新中心，重点突破农机装备、智能农业、生态环保等领域关键技术。

智能节水灌溉的核心是开发出在无人干预的情况下能自主根据作物需水量和地块形状在不同位置灌溉不同水量的农机装备。人工智能技术与自动控制技术、无线传感网络技术相结合，并灵活应用数据挖掘技术，根据不同作物不同时期的生长需求，自动形成最优控制方案，实现对作物的精准灌溉，提高了灌溉系统的智能化。

笔者通过对目前国内外节水灌溉技术的研究现状进行分析，结合笔者在实验室的基础研究，提出了今后智能节水灌溉技术的发展趋势。

5.1物联网技术在智能灌溉中的应用

物联网在互联网基础上进行延伸和扩展[20]，是一种可实现信息全面感知、可靠传输和智能处理的网络[21-22]。我国提出了“感知中国”的物联网发展战略，“现代农业物联网” 就是物联网发展战略中最重要的应用方向之一。

在现代农业领域，通过将物联网应用到农业灌溉，实现“智慧农业”。随着物联网技术的发展，农业物联网将成为必然趋势，能够根据用户的需求，实时监控土壤的温湿度、叶面湿度、空气温湿度等环境参数，并采用无线信号收发模块传输数据、开关或调节指定设备。农业物联网可为实现农田节水灌溉智能化管理提供科学依据。

5.2大数据、云计算技术在智能灌溉中的应用

大数据（big data）技术是在获取、存储、管理、分析方面超过传统数据库软件工作能力的数据集合。农田环境复杂，作物需水量影响因素多，数据信息量大，大数据技术的特色在于对海量农田环境数据信息进行充分挖掘，提高数据的“加工能力”，保证灌溉决策的正确性。

云计算（cloud computing）是一种新提出的计算模式，应用在现代农业灌溉领域的技术实质是计算、存储、服务器、应用软件等IT软件、硬件资源的虚拟化。智能灌溉系统立足现代农业，融入国际领先的“物联网、云计算、移动互联网”技术，借助电脑、智能手机，实现对农业生产现场气象、土壤、水源环境的实时监测。每户一部云端服务器，使农民足不出户就能远程监控园区的作物情况并进行灌溉设备的远程控制，为广大农业工作者提供一套高效便捷、功能强大的农业管理系统，实现智能化管理。

在智能灌溉领域，大数据技术与云计算技术紧密结合，建立数据监测、网络通讯、数据云计算、管理决策为一体的智能灌溉系统，更好地为智慧农业服务。

5.3智能控制技术的融合

目前，国内采用的人工智能技术针对某一灌溉控制任务，多着眼于数学语言进行描述，多局限于单项智能技术的应用。实际上，一个系统的灌溉任务有多重性和时变性，需要采用多种智能技术相结合的方式，完成任务集合的处理，实现智能节水灌溉。

使用智能控制技术能够根据作物需求进行合理灌溉，但是如前所述，每种智能控制技术都有各自的优缺点。因此，有必要对多种智能控制方法进行融合，通过定性和定量相结合的方法，针对被控对象和灌溉任务的复杂性、不确定性和多变性，有效自主地实现复杂信息的处理、优化和判断，最终达到智能节水灌溉的目的。

结合作者在实验室的研究基础，在物联网的3层网络架构（信息感知层、通信与网络传输层和应用服务层）的基础上，提出一套完整的智能灌溉控制系统设计方案，包括信息采集、设备自动控制和信息发布与智能决策3个部分，总体设计框架如图4所示。

该系统采用WSN节点采集不同地块单元的气象、土壤、作物生长信息，以无线通信方式传送给智慧农业电信服务站，完成网络覆盖区域内环境信息联网，远程集控计算机可把获取到的数据信息发送到不同的云端服务器，亦可运用大数据技术对获取到的数据进行智能处理，根据处理结果作出灌溉决策，智慧泵站管理中心的无线通讯终端接收集控计算机发送的指令，执行灌溉决策。

6结论

本研究针对农田灌溉水利用系数低、管理水平落后等问题，从技术角度，分层次介绍和分析了无线传感网络技术、模糊控制技术、神经网络技术、专家系统技术在现代农业灌溉中的应用现状，并展望了未来智能灌溉技术的发展方向。通过上述论述和分析，可以得出如下结论：

我国农田面积广阔，采用WSN 获取农田环境参数，对农作物的生长状况、土壤酸碱度、土壤含水率进行监测，突破了地域限制，提高了数据的共享性，科学计算灌水定额，保证作物生长保持最佳状态。

土壤是个非线性、滞后的复杂系统，无法获得被控对象清晰的数学模型，因此有必要引进模糊控制、神经网络、专家系统等智能控制算法，根据环境信息的变化做出适应性反应，为作物创造适宜的生长环境，提高产量。

随着农业生产的规模化，对农业灌溉灵活、准确和快捷的要求也越来越高，农业物联网技术、完善的农业知识信息库在农业灌溉领域的应用逐渐成熟，各智能算法相互融合，注重大数据技术和云计算技术的紧密结合。

笔者提出了一套完整的智能灌溉系统设计方案，融合了

物联网、大数据、云计算、智能控制技术，可实现农业灌溉的自动化、信息化、智能化。

参考文献：

[1]邓 升，邵光成，卜昊，等. 苏北平原区渠道防渗工程评价和方案优选方法[J]. 排灌机械工程学报，2014，32（3）：225-230.

[2]金永奎，易明珠，颜爱忠. 高效节水灌溉自动控制模式研究及应用[J]. 中国农机化学报，2016，37（5）：253-257.

[3]张新星，杨振杰，彭云，等. 我国节水灌溉的现状与分析[J]. 安徽农业科学，2014，42（33）：11972-11974.

[4]许志方，董文楚. 论我国喷微灌发展前景和实施建议[J]. 节水灌溉，2004（3）：1-4.

[5]金宏智，严海军，钱一超. 国外节水灌溉工程技术发展分析[J]. 农业机械学报，2010（9）：60-62.

[6]郁晓庆，吴普特，韩文霆，等. 基于无线传感网络的农田灌溉远程监控系统[J]. 排灌机械工程学报，2013，31（1）：66-69.

[7]谢家兴，余国雄，王卫星，等. 基于无线传感网络的荔枝园智能节水灌溉双向通信和控制系统[J]. 农业工程学报，2015，31（增刊2）：124-130.

[8]崔天时，孙建伟，吕信超，等. 基于 GPRS 的农田灌溉系统[J]. 农机化研究，2016（10）：193-197.

[9]张俊涛，李媛，陈晓莉. 基于无线传感网络的果树精准灌溉系统[J]. 农机化研究，2014（2）：183-187.

[10]王志良，刘欣，刘磊. 物联网控制基础[M]. 西安：西安电子科技大学出版社，2014.

[11]徐凯，苗玉彬. 基于模糊控制的葡萄精确阀值灌溉研究[J]. 中国农机化学报，2015，36（4）：268-270.

[12]张伶鳦，王润涛，张长利，等. 基于调亏理论和模糊控制的寒地水稻智能灌溉策略[J]. 农业工程学报，2016，32（13）：52-58.

[13]吴晓强，黄云战，赵永杰. 基于模糊神经网络的温室温湿度智能控制系统研究[J]. 中国农机化学报，2016，37（4）：63-66，84.

[14]遲道才，唐延芳，顾拓，等. 灌溉用水量的并联型灰色神经网络预测[J]. 农业工程学报，2009，25（5）：26-29.

[15]赵天图，马蓉，刘南江，等. 基于ZigBee技术与BP神经网络的棉田自动灌溉控制系统设计[J]. 节水灌溉，2016（11）：111-114.

[16]李建军，许燕，张冠，等. 基于BP神经网络预测和模糊控制的灌溉控制器设计[J]. 机械设计与研究，2015（10）：150-154.

[17]石琳，陈帝伊，马孝义. 专家系统在农业上的应用概况及前景[J]. 农机化研究，2011，33（1）：215-218.

[18]余国雄，王卫星，谢家兴，等. 基于物联网的荔枝园信息获取与智能灌溉专家决策系统[J]. 农业工程学报，2016，32（20）：144-152.

[19]王福平，丁思发，段明辉. 引黄灌溉中专家决策系统的设计与实现[J]. 节水灌溉，2015（1）：82-85.

[20]熊茂华，熊昕. 物联网技术与应用开发[M]. 西安：西安电子科技大学出版社，2014.

[21]李灯华，李哲敏，许世卫，等. 先进国家农业物联网的最新进展及对我国的启示[J]. 江苏农业科学，2016，44（10）：1-5.

[22]袁小平，徐江，侯攀峰. 基于物联网的智慧农业监控系统[J]. 江苏农业科学，2015，43（3）：376-378.章双杰，王靖，杨建生，等. 长三角地区兼用型鸭全基因组遗传多样性分析[J]. 江苏农业科学，2017，45（17）：32-35.