基于LPWAN物联网与专家系统的果园精准灌溉研究

海 涛，陆 猛，周文杰，李娜娜，李伏生

（1.广西大学电气工程学院，南宁530004；2.广西大学农学院，南宁530004）

水果富含多种人体必需的营养元素，是日常生活中不可或缺的一部分。果园环境复杂且种植面积宽广，造成灌溉与管理成本过高。随着物联网技术［1-4］的发展和专家系统的应用［5］，研究人员可以利用信息化手段对果园进行管理，克服灌溉和管理成本高的难题。杨伟志等［6-7］基于ZigBee 通信网络搭建果园监控系统，实现果树墒情监测与灌溉控制，但存在通信距离短、抗干扰能力差、组网困难等缺陷，无法满足现代农业低功耗和远距离的需求［8］。龙晓明等［9］基于LoRa 通信建立山地果园灌溉系统，延长了通信距离，节省了中继节点，但存在部分节点通信信号不稳定，大范围、多区域覆盖需要搭建多通基站节点的不足。

随着现代农业建设的持续发展，农业行业对精准灌溉的需求将进一步扩展，构建通信稳定可靠与科学决策的灌溉系统具有重要意义。该研究构建了基于LPWAN（Low-Power Wide-Area Network，低功耗广域网）物联网与专家系统的果园精准灌溉系统，实现果园环境信息的远程监测，依据专家知识，结合采集的环境数据与降雨预测信息，对灌溉装置进行远程控制，实现果园的精准灌溉。

1 系统结构设计

1.1 系统结构

系统由终端传感器、灌溉装置及控制模块、通信模块、云服务器及专家系统、数据库和用户终端组成，如图1所示。节点根据数据采集信号实时采集果园环境数据，通信模块通过低功耗广域网将数据传输到云服务器，经分析处理后存储于数据库。专家系统根据调控规则对灌溉进行调节，其决策结果由云服务器下发到基站，节点遵循控制信号启动或关闭电磁阀。用户可通过PC（计算机）端和移动端查询相关信息和发送调控指令。

图1 果园精准灌溉系统结构图Fig.1 Structure of orchard precision irrigation system

1.2 组网设计

针对ZigBee 等传统通信技术在果园环境中传输距离受限和数据传输不稳定的问题，采用LoRa+NB-IoT 的混合方式通信。LoRa具有传输距离远，穿透性好，发射功耗低，抗干扰性强的优势；NB-IoT具有强链接，高覆盖，低功耗和低成本的优势。

LoRa 模块采用正点原子的ATK-LORA-01 模块，该模块采用高效率的ISM 频段射频SX1278 扩频芯片，发射功率20 bdBm，在植被密集的果园地区其通信距离能达到1 km 以上，工作电压3.3～5 V，工作温度-40～+85 ℃；NB-IoT 模块采用稳恒电子公司的WH-NB73模块，发射功率23+/-2 dBm，通信距离可达15 km，工作电压3.1～4.2 V，工作温度-30～+80 ℃，工作湿度5%～95%。WH-NB73 与专用的NB-IoT 物联网卡进行通信，并通过射频天线将采集到的数据直接发送到NB-IoT 基站。LoRa模块与NB-IoT 模块采用星型组网方式实现数据传输，LoRa 网络将传感器采集的数据发送到主节点，主节点通过NB-IoT 网络上传到基站，并通过VPDN 隧道直接与云平台服务器进行数据交换［10］。采集主节点以STM32F103ZET6 芯片为控制核心，节点MCU分别通过TTL、UART串口与LoRa、NB-IoT模块通信。

1.3 硬件设计

该系统硬件包括各传感器、微处理器、LoRa 模块、NB-IoT模块、电磁阀、定位模块和供电模块等，如图2所示。该系统采用太阳能发电与市电联合为各模块供电，在日照充足的日间，太阳能发电为主要供电方式；而夜间或阴雨天气等光照不足的情况使用市电辅助供电。

图2 系统硬件原理框图Fig.2 System hardware diagram

果园环境数据包括空气温湿度、土壤温湿度、光照强度、降雨量等，传感器选型如表1所示。终端控制器根据控制信号启停电磁阀实现对果园灌溉装置进行控制。若收到数据采集信号时各传感器开始采集并周期性把数据包上传到基站，若收到的信号是灌溉控制信号则对电磁阀进行对应操作，如果未收到基站信息或收到的信号既不是采集信号也不是灌溉控制信号则系统进入超低功耗模式（睡眠模式）。灌溉系统工作流程如图3所示。

图3 灌溉系统工作流程Fig.3 Working flow of irrigation system

表1 传感器型号Tab.1 Sensor models

2 云服务器及专家系统设计

2.1 数据库设计

该设计使用灵活性高、速率较快的关系数据库MySQL 对系统产生的数据进行存储，通过JDBC 与数据库建立连接，并处理SQL 语句的执行结果［11］，对数据库进行数据的录入、查询、修改和删除等操作。MySQL 数据库中数据存储于不同的表中，主要的数据表结构为：①果园位置、面积等参数的基础信息表；②传感器采集的空气、土壤温湿度等参数的节点信息表；③雨量预测信息表；④果树不同时期的需水量、土壤含水率阈值等信息的果树需水量表；⑤灌溉策略规则表；⑥灌溉、施肥、剪枝等相关信息的果树管理信息表。以果树节点环境信息表为例，数据表结构如表2所示。

表2 节点环境信息表Tab.2 Environment information table

2.2 功能模块设计

依据系统需求专家系统主要实现数据分析、需水量预测和灌溉决策，该系统基于B/S 架构，使用HTML+CSS+Javascript+JQuery开发精准灌溉系统监控页面，如图4所示。

图4 PC端监控页面Fig.4 PC terminal monitoring page

2.2.1 环境数据监测功能

果园环境数据监测模块实时采集果园空气、土壤温湿度、光照强度、降雨量等数据，并以图表的形式展示节点数据及其变化情况，用户可以通过PC 端和移动端对果园环境数据进行查询。

2.2.2 需水量预测

果树需水量预测精度直接影响专家系统灌溉决策及节水效率，该系统利用GA-BP 神经网络算法对果树需水量进行预测。BP神经网络具有内部神经元连接广泛、非线性及自适应性的特点，首先利用BP 神经网络对果树需水预测的数学模型进行搭建，再利用遗传算法优化神经网络的权值和阈值以避免陷入局部极小值，更精确地预测需水量。将预测结果反馈到专家系统，灌溉决策模块根据反馈结果给出相应的决策指令。

利用BP神经网络建立果树需水量预测模型如图5所示，输入为空气温湿度、土壤湿度和光照强度，输出为果树需水量。

图5 BP神经网络结构Fig.5 Structure of BP neural network

BP神经网络采用单隐含层结构，隐含层神经元个数h为：

式中：M为输入层神经元个数；N为输出层神经元个数；a为1～10的常数。

在BP 神经网络中每个节点的输出值由上层节点输出值、当前节点与上一层的权值以及当前节点的阈值决定的，每个节点输出值xj的计算公式为：

式中：ωij为节点i和节点j之间的权值；bj为节点j的阈值；f为激活函数。

由式（1）可知隐含层神经元个数h的取值范围为3～12。设置遗传算法种群大小为30，遗传代数为50，交叉、变异概率和学习速率分别为0.7、0.01 和0.1。神经网络隐含层和输出层神经元传递函数分别为S型正切函数tansig和线性传输函数purelin，利用L-M 学习算法［12］对网络进行训练，即训练函数为trainlm。GA-BP算法流程如图6所示。

图6 GA-BP算法流程Fig.6 GA-BP algorithm flow

以均方误差（MSE）为误差函数，分别对隐含层节点数各取值进行训练，训练结果如表3所示。当隐含层节点数取值为9时误差最小，故神经网络结构确定为4-9-1。

表3 各隐含层节点数训练结果Tab.3 Training results of hidden layer

均方误差的计算公式为：

2.2.3 灌溉决策功能

专家决策模块根据专家知识和预测需水量数据，综合气象数据制定灌溉策略，进而对果园进行科学灌溉，提升水果产量与质量的同时最大限度节约水资源。

根据气象数据，获取距离本次决策的降雨量和预测的作物需水量E，计算出干旱指数η：

式中：Ei为第i天的需水量；Pj为第j天的降雨量；X表示本次决策距离下一次降雨的天数；Y表示降雨后出现的降雨天数；分子表示从决策到降雨前的X- 1 天的总需水量；分母表示连续降雨的Y天里总降雨量。

本文采用分级调控。一级调控：如果土壤处于干旱状态（表4中的1，2级别），立即进行灌溉决策，第i天的灌溉量Gi为

表4 干旱级别标准Tab.4 Drought level standard

二级调控：i取值范围为1～X，实时检测土壤含水率，如果满足果树生长需求，则不进行灌溉操作。否则依据式（6）做出灌溉决策。

3 系统测试

3.1 芒果树灌溉决策规则

以广西大学农学院芒果种植试验基地为实验对象，对果园灌溉系统进行试验。芒果树是需水量较大的漆树科常绿大乔木，土壤含水率直接影响芒果的产量和质量。芒果树有效吸水根系集中在5～40 cm 土层内，因此计划湿润层深度以40 cm 进行试验。不同生长期土壤相对湿度（占田间持水量%）需求［13］如表5所示。

表5 芒果各生长期土壤相对湿度需求Tab.5 Requirements of soil humidity of mango

3.2 丢包率测试

数据丢包率是影响系统通信稳定性的主要因素，选取5 个传感器节点对丢包率进行测试。传感器节点布置示意图如图7所示，等距离增加测试半径，周期性地发送相同数据，观测各传感器节点的数据收发情况。表6 为丢包率测试数据，由测试结果可知，系统在传输距离为1 200 m 内平均丢包率为0.45%，距离为1 500 m 内平均丢包率为1.3%，通信效果优异，能够实现数据实时、准确采集。

表6 丢包率测试结果Tab.6 Test results of packet loss rate

图7 传感器节点布置示意图Fig.7 Sensor node layout diagram

3.3 GA-BP预测效果

该试验的数据样本为种植基地2019年3-5月采集到的空气温度、湿度、光照强度、土壤相对湿度以及芒果需水量共90组数据。为统一量纲，对数据进行归一化处理，从中选取60 组数据作为训练集，其余30 组数据作为测试集。采用均方根误差RMSE和平均绝对误差MAE对模型进行评价，评价指标值越小说明预测越准确。计算公式为：

仿真结果如图8所示，GA-BP 模型的均方根误差和平均绝对误差分别为0.074 5 和0.109 1 mm/d，而BP 模型则分别为0.185 1 和0.234 1 mm/d。由仿真结果可知，GA-BP 神经网络各项评价指标值均小于BP 神经网络模型，对需水量的预测结果相比于BP 神经网络模型更为精确，可以较好地指导果园的精准灌溉。

图8 GA-BP与BP神经网络仿真结果对比Fig.8 Comparison of simulation results of GA-BP and BP neural network

3.4 专家系统决策效果

以芒果园为对象进行试验，系统自动采集芒果园温湿度、光照强度等环境信息，结合气象数据做出灌溉决策。作为参照，另一种灌溉策略未考虑降雨因素，设定灌溉阈值（可根据不同生长期进行自动调节），土壤含水率低于下限阈值则进行灌溉，高于上限阈值停止灌溉。分别对两种灌溉策略进行试验，图9 为2019年5月9日到7月2日不同灌溉策略下的土壤相对湿度变化情况。

由图9可知，本文所提灌溉策略中，5月21日土壤含水率低于适宜水分下限阈值80%，由于检测到7月24、25日将会有连续降雨，调节灌溉量避免由于持续灌溉对果树造成不利影响；6月10日检测到土壤含水率低于80%，根据预测信息知6月12日将有强降雨，故暂时不执行灌溉操作；6月29日检测到土壤含水率再次低于80%，根据气象信息与预测数据调整灌溉水量，避免降雨当天土壤水分过高，利用降雨进行灌溉。综上所述，不考虑降雨因素，根据果树适宜含水率上下阈值进行灌溉能保证果园的土壤含水率，但是当遇到强降雨时会导致土壤水分过多，影响果树的正常生长且导致水资源的浪费。将降雨作为灌溉决策因素之一，根据气象数据，利用降雨预测调节灌溉水量，测试结果表明果园土壤相对湿度处于适宜水分需求区间（80%～90%），能较好地调节灌溉与降雨的平衡，使得灌溉更合理、水资源利用率更高。

图9 灌溉策略效果对比Fig.9 Comparison of control effects of irrigation strategies

4 结论

（1）数据传输采用LoRa+NB-IoT 的混合通信方式，克服了ZigBee 等传统通信技术传输距离短，抗干扰能力差的缺陷。系统通信稳定可靠，能够实现数据实时、准确采集。

（2）结合云技术和专家系统，根据采集的果园环境数据进行精准灌溉决策。专家系统利用GA-BP 神经网络对果树需水量进行预测，并结合降雨预报做出灌溉决策。训练结果表明，GA-BP 模型的均方根误差和平均绝对误差分别为0.074 5 和0.109 1 mm/d，相比于BP 模型其预测精确度更高。决策结果表明，芒果园土壤相对湿度维持在80%～90%，芒果树始终处于适宜水分生长条件中。

以实现果园信息的准确、实时监测与精准灌溉决策为目标，基于LPWAN 物联网与专家系统构建果园精准灌溉系统，实现果园环境信息的自动采集与精准灌溉，对提高水果产量与质量具有一定的参考意义。□