基于模糊逻辑系统的灌溉时间的决策算法

刘 东，张昌明

(1.陕西理工大学物理与电信工程学院，陕西 汉中 723001；2. 陕西理工大学机械工程学院，陕西 汉中 723001)

0 引 言

灌溉是农场种植庄稼的基本活动。然而，由于不同类庄稼对水分需求量有所不同，智能灌溉的目的就是依据土壤情况和庄稼类型[1]，能够智能地灌溉水。土壤情况之一就是土壤温度，其涉及土壤里的水分。而维持土壤湿度是保证植物生长的关键[2,3]。此外，土壤温度也是影响庄稼生长的另一个关键因素。

目前，基于无线传感网络(Wireless Sensor Networks，WSNs)的灌溉系统得到广泛研究。利用WSNs内的传感节点实时监测土壤湿度和土壤温度[4-6]。例如，针对小豆蔻植物灌溉，文献[7]提出测量温度、土壤水分以及池塘蓄水量的灌溉系统。而文献[8]也提出灌溉系统，进而检测庄稼生长情况。此外，文献[9]也提出基于土壤、温度、空气温度、风速等测量系统。在上述的这些研究中，当测量值超过预定的门限值，就触发灌溉开关，对植物进行灌溉。然而，灌溉时间并没有进行研究。

由于灌溉时间受多方面因素影响，决定灌溉时间是多变量优化问题。因此，基于模糊逻辑的智能灌溉系统受到广泛关注。文献[10,11]利用测量温度和空气温度值，再结合模糊逻辑系统估算灌溉时间。即将土壤湿度和空气温度作为模糊逻辑系统的输入，系统输出即为灌溉时间。然而，文献[10,11]并没有考虑土壤湿度的降低率。

此外，文献[12]也采用了模糊逻辑控制器自适应地获取灌溉时间。模糊逻辑控制系统的输入是当前土壤湿度与所测量土壤湿度的差。而文献[13]是依据关于土壤湿度、水流失率的数学函数，推导灌溉时间。然而，这些技术方案只考虑了土壤湿度，并没有利用土壤温度。

为此，本文提出基于模糊逻辑系统的灌溉时间的决策算法 (Fuzzy Logic- based decision algorithm for irrigation time, FI-DAIT)。FI-DAIT算法利用传感器测量土壤温度和土壤湿度信息，依据这些信息作为模糊逻辑系统的输入，再由模糊逻辑系统决策灌溉时间，从而提高水利用率。

1 系统模型

智能灌溉决策供应系统(Smart Irrigation Decision Support, SIDS)的模型如图1所示。农场由多类庄稼构成，在庄稼旁边部署传感节点，并由传感节点监测农业参数，再采取合适的农业动作，如灌水、打农药。

这些传感节点能够感测土壤湿度和温度，并具有无线通信能力，能够与其他节点进行无线通信，同时也具有一定的数据处理能力。传感节点将监测的数据通过多跳方式，将数据传输至信宿。信宿再将接收到农场区域所有监测的数据，通过Internet或蜂窝网络传输至控制中心。控制中心可能是农场主的移动电话或其电脑等终端。最后，由控制中心决定是否对农场区域灌溉及灌溉时间。

图1 智能灌溉的结构Fig.1 The structure of intelligent irrigation

由于能效是WSNs的关键特性，传感节点具有三种模式：感测模型、通信模型和休眠模型。其中感测模型就是感测土壤温度和温度；通信模型就是向其他节点传输数据或从其他节点接收数据；休眠模型就是监听可能的通信。

感测、通信模型是活动模型，在此模型中传感节点消耗能量，而休眠模型是采用低能耗的通信方式，即传感节点监听信道信息。因此，如果需要通信，处于休眠模型的传感节点就需激活，唤醒，进而完成通信任务。

智能灌溉的主要目的就是计算灌溉时间，即每次灌溉活动的时间。在每段时间 ，智能灌溉依据所测的土壤湿度和温度，为每个区域庄稼计算灌溉时间。因此，依据所计算的灌溉时间，控制中心就向触发器发送相应的命令，使每个区域内庄稼具有合理的灌溉时间。

2 FI-DAIT算法

模糊逻辑控制(Fuzzy Logic Control, FLC)是处理不确定信息的智能算法。FLC主要由模糊化接口、知识库、干扰引擎和去模糊化接口四个部分组成。模糊化接口将输入量转化为模糊集。知识库内是FSC的主要系统，其存储了模糊规则。在干扰引擎中，依据隶属函数的输入变量，评估模糊规则。去模糊化接口就是将模糊集转发化输出量。

FI-DAIT算法的系统模型如图2所示。将土壤温度和土壤湿度的变化率作为模糊逻辑控制器的输入，输出为灌溉时间。

图2 基于FLC的FI-DAIT算法模型Fig.2 FLC-based FI-DAIT Model

2.1 输入量

首先，将土壤湿度下降率ΔM(k)作为模糊逻辑系统的输入量，其定义如式(1)所示：

ΔM(k)=M(k)-M(k-1)

(1)

式中：M(k)为当前土壤湿度；M(k-1)为上一时刻的土壤湿度；Δt=t(k)-t(k-1)表示两个连续抽样值的时间间隔。

另一个输入量就是土壤温度T(k)。将ΔM(k)和T(k)作为系统输入，输出量P(k)表示灌溉时间。

2.2 隶属函数

输入变量ΔM(k)、T(k)和输出变量P(k)的隶属函数如图3所示。其中用慢(Slow)、中(Medium)、快(Fast)作为ΔM(k)的语言变量。而用低(Low)、中(Adequate)和高(High)作为T(k)的语言变量。类似地，输出变量P(k)可表述为：

P(k)={Short,Moderation,Long}

(8)

知识规则库如表1所示，共有9条规则。系统输出为模糊值，仅为语言输出变量，需要将其转换精确的数值，即去模糊化。

表1 规则库Tab.1 Rule base

图3 两个输入变量的隶属函数Fig.3 Membership function of two variables

2.3 FI-DAIT算法流程

FI-DAIT算法的流程如图4所示，首先设定抽样间隔Δt，随后设定FLC参数，包括隶属函数、规则库。然后，在每步时间k，计算土壤湿度M(k)和土壤温度T(k)，再计算土壤湿度下降率ΔM(k)。

再将土壤湿度下降率ΔM(k)和土壤温度T(k)作为FLC系统的输入，FLC系统的输出就为灌溉时间P(k)。

图4 FI-DAIT算法流程Fig.4 FI-DAIT flow

3 性能分析

依据Intel Core i5-5200、2.5GHz处理器、4GB内存的 PC机，并通过C++建立仿真平台。仿真时间为10 h，抽样间隔Δt设为30 min。此外，土壤温度范围为0～40 ℃，土壤湿度的下降率在0%～40%范围变化。

图5显示了灌溉时间P(k)随土壤温度T(k)、土壤湿度下降率ΔM(k)的变化情况。

图5 灌溉时间随土壤温度的变化情况Fig.5 The irrigation time with soil temperature

从图5可知，当ΔM(k)很低，T(k)为低、中阶段时，灌溉时间很短。例如，当T(k)小于12 ℃时， 分别为2%、22%时的灌溉时间均小于5 min。当ΔM(k)提高至35%后，土壤温度的升高，加大了灌溉时间。原因在于，土壤湿度下降过快、温度升高，说明土壤干燥，需要更多水分。

图6显示了灌溉时间随土壤湿度下降ΔM(k)的变化情况。

图6 土壤灌溉时间随ΔM(k)的变化情况Fig.6 The irrigation time with ΔM(k)

从图6可知，在T(k)为低时，慢和适中的ΔM(k)条件下，土壤灌溉时间短，这也与表1的规则库相符。例如，当T=2 ℃时，ΔM(k)小于15%的土壤灌溉时间小于5 min。原因在于：土壤温度低，说明环境较潮湿，再加上土壤湿度下降较慢，这得有利于保存土壤水分，无需更多对庄稼灌溉。当T(k)增加后，灌溉时间也逐渐上升，特别是ΔM(k)很高的时间。例如，当T(k)=35 ℃，ΔM(k)提升至40时，灌溉时间增至27 min。

最后，图7显示了灌溉时间随ΔM(k)和T(k)的变化情况。

图7 灌溉时间随ΔM(k)和T(k)的变化情况Fig.7 The irrigation time with different pairs of soil moisture ΔM(k) and T(k) soil temperature

从图7可知，在低的T(k)、慢的ΔM(k)变化条件下，灌溉时间特别短，这类情况表示冬季。在夏季，T(k)高、ΔM(k)会变快，因此，灌溉时间会增长。从图7可知，FI-DAIT算法通过土壤温度和土壤湿度的变化情况较准确地反映季节，从而选择合适的灌溉时间。

4 结 语

本文针对智能灌溉决策供应系统，并依据模糊干扰系统计算灌溉时间。通过WSN测量土壤湿度和土壤温度，并将土壤温度和湿度的下降率作为模糊干扰系统的输入，从而能够依据土壤信息产生准确的灌溉时间，使得土壤储存足够的水分。实验数据表明，灌溉时间能随土壤温度和土壤湿度下降率变化而改变。此外，FI-DAIT算法能够依据不同季节调整灌溉时间。