基于作物生长模型的大田玉米智能灌溉系统

毛博识 康义 李文雅 郭渊杰 刘立业

摘要：系统利用自动识别的以下信息：玉米发育期、大田气候要素、土壤墒情、天气预报。通过土壤水分平衡方程计算出玉米在当前的灌溉需水量，制定灌溉决策。系统平台将决策指令下发至灌溉控制器，灌溉控制器通过无线自组网络控制分控制器启闭电磁阀，自动执行灌溉任务。该文利用深度学习技术重点解决玉米发育期识别这一关键问题。

关键词：发育期识别;土壤墒情;土壤水分平衡方程;灌溉需水量;智能灌溉

中图分类号：TP311 文献标识码：Al

文章编号：1009-3044（2020）22-0166-03

开放科学（资源服务）标识码（OSID）：j

1 背景

目前国内从事农业灌溉产品的公司已有不少，但大部分都是偏重于系统设备集成，具备的功能大都是一些简单的、基本的灌溉功能，自动化程度不高，灌溉控制的因素比较狭窄，没有结合气象环境、作物生长规律等因素而实现对农作物的智能灌溉[1]。本系统充分利用作物发育期信息、天气预报信息、土壤墒情信息等关键资料，结合彭曼公式、土壤水分平衡方程，构建作物需水量估算与灌溉量模型算法，实现智能灌溉。

2 系统组成

本系统主要包含农业气象自动观测系统、水肥一体化自动灌溉系统和软件服务平台。

农业气象自动观测系统主要包含数据采集单元和相关配套的传感器，如土壤水分传感器、图像传感器等。该系统利用图像传感器测量数据自动识别作物发育期，结合土壤水分传感器测量数据和彭曼公式，利用土壤水分平衡方程计算作物需水量与灌溉量。

水肥一体化自动灌溉系统主要包含采集控制器及相关配套传感器，如流量传感器，压力传感器，液位传感器等，以及电磁阀、水泵等控制设备[2]。软件主要包含服务平台、手机APP和电脑客户端等。系统组成图见图1所示。

3 灌溉量计算系统

灌溉量計算要融合多个传感器观测数据，天气预报数据，利用特定的计算方法获取，详细流程如图2灌溉量推算流程图所示。

3.1土壤水分平衡方程

土壤灌溉量推算流程图如图2，使用土壤水分平衡方程：

WT+I= WT+P+G-ETc

（1） 计算时段末的土壤含水量WT+1，进一步推算得到时段末土壤相对湿度0。其中WT为时段初的土壤含水量，即实测值（mm），由实测土壤湿度0计算;P为时段内的有效降水量（mm），由天气预报获取降水量和当地降水有效利用系数计算;G为时段内地下水补给量（mm）。ETc为时段内作物耗水量（mm），由天气预报因子、地理信息、作物发育期等计算。

3.2 作物耗水量计算

式中ETo：参考作物蒸散量（mm-d-1）; Rn：作物冠层表面净辐射（MJ-m-2-d-1）;

G：土壤热通量（MJ-m-2-d-1），在逐日计算公式中，G-O）;T：2m高度处平均气温（℃），由气象台站观测资料直接得到;U2：2m高度处风速（m.s-1），由气象台站观测到的10米的风速计算后得到;ed：饱和水汽压（KPa），根据气象台站每天观测到的最高气温和最低气温计算后得到;ea：实际水汽压（KPa），由气象台站观测资料直接得到;△：饱和水汽压曲线斜率（KPa.℃-1）;1：干湿表常数（KPa.。C-1）。

玉米作物各发育期作物系数Kc见表1：

玉米不同发育期的作物系数已经获取，作物发育期能否准确识别成为决定计算作物耗水量的关键。

3.3 净灌溉量计算

当推算得到的土壤相对湿度小于适宜土壤水分下限指标Ok，需要灌溉，计算灌溉量：

I净=0.1.（a.θt - θ）.p.h

（4）

其中I净指控制土层达到目标湿度所需灌水量，单位mm;a是目标系数，指占田间持水量的百分比，取值在0.75 - 1.0之间，一般取0.9;θt指重量田间持水量，单位%;θ指推算得到的土壤相对湿度，单位%;p指土壤容重，单位克/m3;h指灌溉目标控制的土层厚度单位m。

4 玉米发育期识别

对图像传感器采集的玉米图片利用大数据、深度学习[4]技术实现发育期自动识别。借助农作物长势自动观测方法的相关研究成果，通过对历年作物生长实景图像、人工对比观测数据进行分析，利用深度学习技术构建作物发育期识别模型，搭建作物长势分析与应用系统。实现农作物长势自动识别、输出并保存农作物的主要生长特征参数，并能基于获取的特征参数展开应用与分析。

4.1 深度学习识别流程图

发育期识别主要有三部分的工作，数据集制作、分类模型训练和模型的应用。详细流程如图3发育期识别流程图所示。

数据集制作：从采集设备获取图像，同时收集各站点玉米历史图片;按照深度学习模型需求，对原始图片进行分类标注;将标注好的图片做图片增强;最后将增强处理后的图片制作成深度学习网络相匹配的数据集。

分类模型训练：通过对实景图像、人工观测结果的分析，搭建适合的学习网络;利用制作的数据集训练网络，同时根据训练的准确率调整网络模型和训练策略;最后把训练好的识别模型封装成API。

模型的应用：利用发育期识别API做应用系统开发。

4.2实验效果

利用收集到的10万张玉米生长图片搭建深度学习模型，进行模型训练，设置epoch=128，batch_size=64，初始学习率0.002，当训练到57个epoch后，验证集准确率稳定不变。训练集、验证集准确率均达到95%以上，达到理想识别效果。训练结果打印如下图4玉米深度模型训练结果所示。

5 计算精度验证与修正方法

计算灌溉量是否准确，是该系统能否正确指导并实施智能灌溉的关键。本系统将采取真值标定的方法保证计算准确性。

由于该系统利用的数据源多，各个传感器有独自的度量标准，在实际计算过程中受到传感器精度、土壤质地、作物品种等因素的影响，读数差别很大，因此在正式使用前需要进行标定。本系统中土壤水分传感器测量的土壤相对湿度是可信的，并且与灌溉量之间的关系是明确的，可以作为灌溉量标定标准。

把预测历史数据值作为样本，传感器实测值作为真值，计算两者之间的关系，建立标定函数即可完成精度修正。

6 结束语

本系统充分利用气象观测信息、天气预报预测信息、视频传感器识别技术、深度学习、大数据、土壤水分平衡方程把较为复杂且无法论证的大田灌溉问题，以科学化、数字化的方式进行定量输出。该项目的实施是落实气象为农，科技惠农的战略目标，是农业大数据技术在智慧农业领域成功运用的典范，具有开拓性的现实意义。

参考文献：

[1]张华.智能水肥一体化试验示范以及应用技术[J].福建农业科技，2012（9）： 70-71.

[2] Allen R G，Pereira L S，Raes D，et al.Crop evapotranspira-tion-guidelines for computing crop water requirement[M].Rome： Food and Agriculture Organization of United Nations.1998.

[3]陳玉民.中国主要作物需水量与灌溉[M].北京：水利电力出版社，1995： 45-50.

[4] Shen4eng He， Rynson W H Laul， Wenxi Liu. Super CNN：ASuperpixelwise Convolutional Neural for Salient Object Detec-tion[J]. International Journal of Computer Vision， 2015， 115（3）：330-344.

【通联编辑：谢媛媛】（上接第163页）

（2）基于实训管理需求平台进行模块化开发。划分实训控制中心模块、实训管理模块、门禁安全模块、电源管理模块、财产管理模块。

（3）项目开发及测试。通过测试发现问题，进行调整，最终解决问题。

7 整体效果评估

我院413大数据实训室从2018年九月起开始对学生进行完全开放，该实训室共有高性能计算机40台、华为大数据服务器两组、DCN路由交换和信息安全设备两组，主要用于网络技术专业学生的实训教学工作。该实训室在开放期间基本上无教师值守，我院多个专业的学生在此自主实训。计应专业和计网专业的部分学生在该实训室成立了工作室，并取得了不错的成绩。其中计网专业的学生在2019年的全国高职技能大赛大数据赛项上获得了全国二等奖，计应专业的学生开发的无人机预警系统和森林防火系统获得了国外用户的青睐，其他部分学生的专业课成绩也得到了提高。实训室进行智能化管理和开放对高职院校教学及科研有着非常明显的推动作用，值得推广。

8 结束语

21世纪，中国智造需要高素质技能人才，对高职院校的实训教学提出了更高的要求，传统的实训室管理模式已经不能满足教学与日常的需求。通过物联网技术和计算机技术对实训室进行智能化建设可以提升实训室管理水平，提高实训设备利用率，提升学生的实际技能水平。

参考文献：

[1]李赫贺.高校实训室建设与管理的问题分析及对策研究[J].科教文汇，2019（26）：15-16.

[2]范山岗，沈建华.基于物联网技术的高校实验室管理系统应用研究[J].科教导刊（电子版），2017（32）：53-54.

【通联编辑：代影】

作者简介：毛博识（1987-），男，河南漯河人，助理工程师，学士，主要研究方向为气象环境要素探测，农业物联网;康义（1992-），男，工程师，主要研究方向为后台开发;李文雅（1993-），女，工程师，主要研究方向为数据库;郭渊杰（1984-），男，工程师，主要研究方向为Android;刘立业（1992-），男，工程师，主要研究方向为通信与技术。