人工智能背景下的农业精准灌溉技术研究

胡启迪 熊刚

摘要：随着人工智能技术的发展，其应用领域也在不断扩展，当前其在農业领域的应用已成为热点。灌溉是农业生产过程中的重要环节，面对淡水资源日益匮乏的现状，精准灌溉技术研究以及推广具有很强的现实意义。通过分析国内当前精准灌溉技术应用现状，总结出存在的关键问题，并结合已有的技术及研究成果探讨问题的解决方法及其可行性。最终基于机器深度学习、物联网云平台、图像融合等技术设计出一种适用于田间农业的精准灌溉系统框架，并对框架中的关键部分构成进行了论述，可做智能化程度高、精度高、建设及维护成本较低的精准灌溉系统设计参考。

关键词：精准灌溉;人工智能;图像融合;物联网云平台

中图分类号：TP391    文献标识码：A

文章编号：1009-3044（2022）13-0082-02

农业为百业之本，任何一个国家的经济发展均直接或间接建立在农业保障基础之上，而农业的发展则与水资源息息相关。在2019年联合国国际水资源大会上将水资源列为人类可持续发展的关键因素，且淡水资源已开始面临全球性紧缺[1]。在我国，农业淡水资源消耗量已经占总淡水消耗量的70%左右[2]。为了突破水资源匮乏这一瓶颈，实现可持续发展，我国在农业水资源利用上采用开源、节流并行的方式。开源一般从农作物端入手，使其适应盐碱地甚至海水，从而扩大可利用水资源范围;节流则是从种植端入手，通过合理的设施及方法，使每一滴水都作用在作物的真实需求上，称之为精准灌溉。目前精准灌溉技术较为先进的国家可以将水资源利用率达到95%以上，已经证实了该方式的可行性。

值得注意的是，精准灌溉这一概念已传入国内多年，也引进了一些先进技术，虽然在温室农业中取得了较为满意的效果，但对于在我国更为广泛的田间农业中却收效甚微。总体可以归结为以下三点原因：

1）不同的作物，不同的生长阶段对水量的需求存在较大的差异性。田间作物与温室作物不同，其所需灌溉量受降雨量、环境温湿度等方面的影响较大。目前国内采用的自动灌溉系统决策智能程度较低，涉及的参考维度较少甚至单一，从根本上不具备实现田间农业精准灌溉的基础。

2）要实现精准灌溉，其灌溉策略必须具有一定程度的复杂性，引入人工智能技术是实现这一复杂性的有效手段。目前的自动灌溉系统标准化程度低、种类繁多、通信协议不统一，从而导致网络化程度低，较低的网络化程度不利于相关数据的累积及共享，不利于以机器学习为主的人工智能技术在精准灌溉系统上的应用。

3）监测对象为土壤，通过按照一定的布局方式插入传感器获取含水量信息。这种方式在温室环境下具有可操作性，但在露天环境下，受制于设备投入、维护成本以及通信可靠性等方面的制约难以实施，即便实施，效果也很难达到预期。且经大量研究证明，通过土壤判断作物缺水情况具有一定的延迟性，甚至无法反映[3]。

1 关键技术

针对以上原因，目前国内外均可找到对应的技术予以解决，其中包括机器深度学习、物联网云平台、图像融合等。

1.1 机器深度学习

由于降水量及环境温湿度的影响，精准灌溉系统需具备预测性，其在实际系统中的表现是一个以时间为横坐标，灌水量为纵坐标的曲线，因此难点就在于如何绘制出这条曲线。

所谓深度学习是当前人工智能中的关键技术，其源自早期的神经网络，又称深度神经网络（Depth Neural Network，DNN），其核心意义在于证明了通过增加隐含层中神经元数量，可以在一定精度要求下拟合出任意曲线[4]。

在利用DNN进行曲线拟合之前，首先应构建出一个合理的数学模型，该模型的输出端为果，输入端为因，即能够影响到果的所有因素（在实际应用中仅考虑关键因素）。参考田间水量平衡方程[5]，可以得出式（1）所示的灌水量预测模型。

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

式（1）中，[I]为灌水量，单位mm，[ET]为作物需水量，单位mm， P 为降水量（mm），[?SW]为计划湿润层内土壤有效储水量的变化量，单位mm，[DP]为深层渗漏量，单位mm，[Roff]为径流量，单位mm。在该预测模型的基础上通过图1所示的流程进行DNN训练就可以得到所需的曲线模型。

从流程中可以看出，所谓的训练就是通过数据不断校正模型中各个参数，使其输入输出曲线逼近真实值的过程。若历史曲线能够基本重合，假定曲线的连续性，则可以认为未来计算得出的曲线也可以和真实数据基本重合，因此模型便有了预测性。在整个训练过程中，数据的获取是非常关键的一环，这就需要借助物联网云平台技术。

1.2 物联网云平台

物联网云平台可从字面上理解为物联网与云平台的融合，图2显示了物联网云平台与人工智能之间的关系。

物联网能够完成原始数据的收集工作，云平台可以帮助管理这些数据，对散布在网络中的海量数据进行预处理及分析，因此物联网云平台是实现大数据的基础。大数据平台能够满足深度学习的海量数据需求，海量数据需用到巨量运算，在模型训练过程中云平台的超强计算能力为其提供强力支持。总之，物联网云平台是实现DNN训练预测模型的数据及计算保障。

1.3 图像融合

在田间以土壤为监测对象判定是否需要灌溉涉及较高的建设及维护成本问题，且土壤状态并不一定能够准确反映作物的缺水情况[3]。目前较为先进的监测手段已开始以作物本身作为检测目标，即通过叶水势[6]、内源激素[7]、茎水势[8]等作物生理指标作为其是否缺水的依据，从结果上看更加直接且精准，但信息获取过程难以实现自动化，且对作物本身具有一定伤害性。随着图像获取、处理技术的快速发展，图像精度不断提升，获取手段日益增多，处理难度持续降低，为直接从作物表征得到含水量信息创造了技术条件，从而产生基于图像处理技术获取作物温度、水分胁迫指数以及植被覆盖度综合判断作物缺水情况的方式。该方式为非破坏性测量，且在当前技术条件下获取快速，便于实现自动化，其基于以下两个结论：

1）基于Gonzalez-Dugo等研究表明，作物冠层温度抽象的數字特征与其在水分适当、水分亏缺的不同状态下呈现出的水分胁迫指数之间具有线性及非线性关系[9]。

2）作物的覆盖程度可以在一定程度上反映出作物的光合及蒸腾作用，基于Fernández-Pacheco等研究表明：通过当地气象数据与作物覆盖度相结合可以较为精确地计算出其实际耗水量，再与当地的降水量去差值，便可以得出此种作物在该地区所需的实际灌溉水量[10]。

其中作物水分胁迫指数以及温度的获取需要用到图像融合技术。图像融合是指不同原理图像传感器获取的同一事物在不同时刻或者同一时刻在同一事物不同角度获取到图像的合成技术[11]，从而得到相较于单一拍摄模式下更精确、更清晰、信息量更大的图像。

通过结论1）可以知道：一方面，作物的水分胁迫指数是判定是否需要灌溉的重要依据;另一方面，作物冠层温度与作物水分胁迫指数之间存在一定函数关系，即可通过冠层温度获得作物胁迫指数。要达到这一目的，就需要获得能够反映温度分布的红外图像以及反映作物冠层分布的可见光图像，然后将两种图像进行融合后就可以得到作物冠层的温度分布信息。具体融合流程如图3所示。

在此基础上，结合气象数据，基于JONES的变换公式可以得到作物的胁迫指数，具体如式（2）所示。

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

式（2）中，CWSI即为所需求得的胁迫指数，[Tc]代表作物冠层温度，单位是摄氏度;[Tdry]是指作物叶子中气孔关闭不发生蒸腾时的温度，即作物的上限温度，单位是摄氏度;[Twet]与之相反，是作物在叶片气孔完全打开蒸腾作用最大时的温度，即下限温度。为了实现以上数据的自动化采集，可使用当地的气象数据推算式（2）中的各项参数，依据Irmak的研究，[Tdry]可以用空气温度上浮5摄氏度得到，而[Twet]则可以利用Monteith and Unsworth提出的公式近似得出，具体如式（3）所示。

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

式（2）中，[?]是温度与饱和水汽压关系线的斜率，[es]是在[Ta]温度下的饱和水汽压强（K·Pa），[ea]是当前区域实际水汽压强（K·Pa），[γ]为湿度计常数。综合式（2）和（3）便可得到作物的胁迫指数。

2 应用方案

可以看出，在人工智能背景下，借助当前已有且较为成熟的理论及技术，可以有效解决当前田间农业精准灌溉中存在的现实问题，使真正实现精准灌溉成为可能。

2.1总体框架

结合以上技术，田间农业精准灌溉系统可采用图4所示的框架。在该框架下，整个系统供电采用光伏系统，可充分利用田间农业的自然环境，达到节能减排的目的，且融合了物联网云、深度神经网络、图像融合等先进技术作为决策工具，最后通过节水性、可控性最好的滴灌系统进行决策实施。

2.2主控系统

在图4所示框架下，主控系统需要承担图像融合，无线数据传输，部分深度神经网络计算，决策指令下发以及人机交互等任务，树莓派是能够升任以上任务的主控系统之一。

树莓派（Raspberry Pi）是一款以ARM架构处理器为核心的微型计算机系统，性能比肩通用PC，且在图像特征提取、目标检测、图像识别等方面更具优势[12-14]。树莓派的硬件结构精巧，因此成本较低，本质上属于嵌入式系统，因此实时性很强[15]。从硬件资源上来说，树莓派系统已经具备Wi-Fi和 Bluetooth等无线通信能力，且主板上还有丰富的标准型接口，包括4个USB、CSI摄像头、DSI显示、HDMI、10/100Base?T/TX等，可以方便地根据需要连接所需的外设，如系统中涉及的移动通信模块。值得一提的是，树莓派系统还提供了40个类似传统MCU的GPIO，因此可以直接实现系统中所需要的传感器网络，作为物联网系统中的一个检测节点。

在本系统中，重点看重的是树莓派在人工智能以及网络方面的能力，这得益于其基于Linux操作系统，可以与现有的云平台实现零障碍对接，与当下人工智能技术具有很好的结合性，可以较为容易地实现系统中涉及的深度神经网络。

2.3图像采集系统

图像采集系统包括定点采集及动态采集，在本框架下，动态采集主要收集作物俯视角度图像，且田间农业涉及的检测范围广泛，因此选择无人机作为摄像头载体非常合适。

随着人工智能技术的发展，当前的无人机已经可以实现较大参数范围内的自主飞行。通过无人机进行所需的图像采集，可以直接降低检测设备的部署及维护成本，且通过适当的路径规划可以使得图像采集过程更为灵活。在部署无人机的时候，通过结合遥感技术及卫星定位技术，可以在图像采集的同时对当前地形情况进行高精度分析，从而配合完成农业指导的工作。

2.4灌溉系统

对于田间农业来说，单独地采用现有任何一种灌溉方式，都不能胜任最后的灌溉决策执行任务，无法达到真正意义上的精准灌溉。在本框架下以滴灌为主，负责整体的基础灌溉任务，再以地面灌溉机结合物联网为辅，负责完成局部精准补水任务。在该方式下，系统做出灌溉决策后，会根据决策的内容决定采用何种方式实施灌溉任务。总体上说，若结合气象因素判定，作物整体需要一定水量，则该部分水量可通过滴灌系统完成补充，若在此基础上发现局部区域作物有缺水现象，则由物联网通过控制地面灌溉机到达指定位置完成区域补水任务。

3 结语

综合以上，在人工智能背景下，结合神经网络深度学习的精准预测性，物联网云平台强大的数据采集及管理能力以及图像融合技术共同用于田间农业精准灌溉系统具有充足的理论依据，且基于现有的技术水平及设备条件其具有可实施性。综合分析下来，该系统具有智能化程度高、精度高、建设及维护成本较低等特点。

参考文献：

[1] 冯军，石超，门胜男，等.不同降雨下旱地油菜节水节肥技术对土壤养分及酶活性的调控效应[J].草业学报，2020，29（4）：51-62.

[2] 高佳，张恒嘉，巴玉春，等.调亏灌溉对绿洲灌区膜下滴灌辣椒生长发育和产量的影响[J].干旱地区农业研究，2019，37（2）：25-31.

[3] 崔可旺.基于圖像融合的作物精准灌溉生理参数研究[D].天津：河北工业大学，2019.

[4] 刘婧然，武海霞，刘心，等.基于深度学习人工神经网络的青椒调亏灌溉水量预测[J].干旱地区农业研究，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，朱学艺，宋文路，等.干旱和复水对玉米幼苗叶绿素荧光参数的影响[J].济宁学院学报，2016，37（3）：9-15.

[7] 赵化春.确定作物需要灌溉指标的综述[J].吉林农业科学，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] 宗宇轩.基于优化纹理特征的手背静脉识别算法研究及在RaspberryPi系统上的实现[D].长春：吉林大学，2018.

[13] 张洋硕，苗壮，王家宝，等.基于Movidius神经计算棒的行人检测方法[J].计算机应用，2019，39（8）：2230-2234.

[14] 马帅.基于树莓派的人脸识别门禁系统设计与实现[D].大连：大连交通大学，2018.

[15] 韩文超.基于树莓派的葫芦丝演奏机器人设计与开发[D].武汉：武汉科技大学，2016.

【通联编辑：梁书】