基于CNN的高校节水智能灌溉设计

张 军，王嘉浩

(河南水利与环境职业学院，河南 郑州 450008)

0 引言

水资源具有极其重要的地位，目前我国人均水资源仅是世界人均水资源的1/4[1]。农业用水、生活用水一直占据很高比重。但随着人口的不断增长，尤其在人口密度大的高等院校，绿色植被灌溉问题对水资源提出新要求。

传统绿色植被灌溉一直采用最原始的漫灌方式，依据人工进行判断和实施灌溉。随着技术的发展，绿色植被灌溉发展为喷淋灌溉，但这种模式仍然需要人工判断和实施，一方面水资源有效利用率仅为0.55左右，大部分水资源以蒸发的方式损失掉；另一方面由于灌溉效果不佳，绿色植被的生长环境和生长质量会受到影响。

卷积神经网络具有存储知识的记忆能力，它能够更准确地根据获取的气温、土壤湿度进行预测和判断。在有限水资源情况下，通过卷积神经网络制定优化的灌溉方案，有效地提高用水效率，达到智能灌溉、节约用水的目标。为此，文章提出一种基于CNN的智能灌溉系统。

1 国内外研究现状

一些水资源短缺的国家，他们通过通信技术、智能控制等实现了一定程度上的智能灌溉。例如以色列自主研发一整套的节水灌溉系统，使灌溉水利用率提高到90%以上[2]。西方发达国家拥有不同程度的节水灌溉技术和水平。

国内在智能灌溉系统起步晚，尽管拥有一系列成熟的物联网设备，但相比于国外仍然存在不小的差距。例如余国雄等[2]利用专家知识决策结合GPRS技术开发的智能灌溉系统实现对荔枝园环境的精准管理。王福平等[3]以GPRS和ZigBee技术为核心的智能灌溉系统实现对农作物实时监测。目前智能灌溉系统大部分只在小范围试验阶段，并没有大范围推广应用[4]。

2 研究内容

针对高校后勤灌溉管理过于粗放问题，本课题结合5G无线传输技术、ZigBee技术、卷积神经网络等建立一个智能节水灌溉系统。首先通过ZigBee技术和5G无线传输技术将采集到的土壤地表温度、土壤地表湿度上传到智能平台数据库，采用卷积神经网络模型对输入因子进行分析，预测作物是否灌溉及灌溉用水量。

具体研究内容如下：(1)利用ZigBee技术和5G网络建立从ZigBee终端节点到智能平台的信息传输网络。为此结合ZigBee技术特点，选择网状网络组网方式，将各传感器放置在高校研究区域合适的位置。同时，分析5G网络传输方式，将其与ZigBee相结合，形成无线传输网络的智能节水灌溉系统。(2)建立基于卷积神经网络的土壤墒情信息预测模型，选择高校研究区域土壤温度、湿度等历史数据进行训练，并对实验进行分析。

3 智能灌溉系统的整体设计

3.1 研究区域

试验在某高校种植物灌溉场地进行。该区域多平均年降水量为679.4 mm，年平均气温约为17.5 ℃，试验区土质均匀，田间持水量(占干土质量)约27.6%，土壤pH酸碱度约为7.4。

3.2 智能灌溉整体结构

图1左侧是控制与检测终端设备，主要用于收集试验区土壤墒情和空气环境信息。5G无线网络主要作用是将采集的传感器数据通过ZigBee、5G网络上传到智能灌溉平台服务器。

3.3 基于卷积神经网络的自助灌溉模型设计

为了实现研究区域更为科学的自助灌溉、节省用水资源，选取近3年土壤墒情作为预测模型的数据集，使用卷积神经网络对土壤墒情数据进行建模，该模型用于提取时间序列中的短期模式及局部依赖关系。同时选取土壤温度、土壤湿度、空气温度、空气湿度作为采集数据，由于这些数据序列是具体的指标以发生的时间先后顺序排列而成的数量，因此采集数据也属于时间序列。

图1 智能灌溉系统整体结构

卷积神经网络包含5层结构，分别是：输入层、卷积层、激励层、池化层和全连接层。卷积层由多个过滤器组成，过滤器的宽度设置为w，高度设置为n，n的值为多变量时间序列的变量个数。当第m个过滤器移动扫过输入矩阵X时，输出的结果为：

hm=ReLU(Wm×X)+bm

其中，hm表示第m个过滤器产生的输出向量，Wm表示权重矩阵，bm表示偏置向量。

ReLU函数的表达式为：

ReLu函数是一个分段线性函数，当x<0时，输出值为0；当x≥0时，输出值保持不变。

4 智能灌溉数据分析与处理

4.1 数据采集

由于ZigBee技术在某种程度上具有成本低、功耗低、短延时、高容量的特点，因此数据采集采用ZigBee网络结构，并且采用星状网络结构[5]。在此结构中有3种设备，分别是协调器、路由器和终端设备。

本模型数据集采取4个不同的土壤墒情指标，分别是土壤温度(ST/℃)、土壤湿度(SM/(%RH))、空气温度(AT/℃)、空气湿度(AM/(%RH))。表1列出数据集的具体信息，包括序列长度、变量个数、采集频率。

表1 智能灌溉数据集

采集的数据需要传递到上层服务器，由于高校绿色植物种类多样、楼宇错乱有秩。5G技术相比于GPRS技术具有高速的传输速度、覆盖面广，特别适合环境错综复杂的场景。因此采用5G技术将收集的数据传递到上层服务器。

4.2 数据归一化处理

由于选取数据表示值不同，无法直接对采集的数据进行建模预测，因此需要对原始数据进行预处理。除了调整数据以适应模型的训练与预测外，还要进行归一化处理。归一化公式如下：

其中，X″表示归一化后的数据，X表示原始数据，分母中max()和abs()函数代表取最大值和绝对值。

4.3 模型设计

智能灌溉管理系统中的输入层有4个神经元，分别是数据采集中的4个因素，包括土壤温度、土壤湿度、空气温度、空气湿度[6]。

智能灌溉管理系统中的输出层有一个神经元，用于输出预测作物需水量。数据从输入层传输到输出层中，经过各个神经元的处理作用，最终完成非线性映射。在输入层和输出层之间，还有一个或多个隐藏层。对于隐藏层的个数以及隐藏层中神经元个数，使用经验公式如下。

其中，m是隐藏层神经元的个数，n是输入层中神经元的数目，α是常数取值范围为1～10。

为了防止数据过拟合问题，卷积神经网络增加反向传播过程，利用数据预测值与真实值之间的误差，不断优化网络中的参数设置。反向传播算法作为卷积神经网络模型训练中必不可少的方法，它建立在梯度下降算法基础上，它主要由激励传播、权重更新两个环节反复循环迭代，不断修正网络中权重和偏置的过程，直至网络对输入的响应达到预定的目标范围为止[7]。

(2)使用下一层的误差δl+1来表示当前层的误差δl。

δl=((Wl+1)TδL+1)※σ(zl)

其中，(Wl+1)T是l+1层权重矩阵Wl+1的转置，※表示Hadamard乘积运算。

(3)代价函数关于网络中任意偏置的改变率：

(4)代价函数关于任何一个权重的改变率：

反向传播使用的激活函数有sigmoid，tanh，ReLu，这些函数作用是调整参数输入值在区间[0,1]之间，在求导计算中ReLu函数更符合本模型参数取值范围。经过反复试验，当隐藏层神经元数目为12时，模型的收敛速度较快，预测精度较高。

4.4 预测模型的检验分析

影响作物需水量的因素主要有两个部分，一部分是作物的种类和作物不同的生育期，另一部分是作物生长环境因素，主要包括土壤温度、湿度以及光照条件等[8]。通过卷积神经网络输出值—作物预测需水量，判断作物需水情况[9]。然后将预测需水量与真实需水量进行对比，绘制预测值与真实值对比如图2所示。

图2 参考作物需水量预测实验

通过分析可以得出，模型预测结果的相对误差均小于5%。通过图2可以得出，模型预测值与真实值在趋势变化上基本一致，同时在模型设计中加入了ReLu函数防止数据存在过拟合问题。因此，本文设计的参考作物需水量预测模型基本符合真实要求。

5 结语

本文针对高校后勤灌溉方面存在水资源利用率低、粗放式人工灌溉问题，深入分析了智能节水灌溉系统的研究现状与研究方法，提出一种基于CNN的智能灌溉设计思路。首先，基于ZigBee技术和5G技术，实现校园绿色植被数据信息的采集与传输、灌溉控制命令的派发以及控制终端设备的控制，土壤温湿度、空气温湿度数据通过ZigBee网络传送到5G网络节点，经数据转换之后，通过5G网络将数据上传到智能灌溉管理平台的数据库系统。其次，构建基于卷积神经网络和自回归模型的温湿度数据预测模型，通过模型分析之后，预测是否需要灌溉，向终端传感器发送命令，实现精准灌溉。

本文构建的CNN高校节水灌溉设计模型，过分依赖于时间序列的周期性，通过单纯一个月的测试结果，很难确定全年预测结果，与真实值之间的误差大小不一。为了更准确地预测用水量等信息，后期可以设置更多的传感器，测量各种参数，使模型计算结果更精准。