基于物联网和人工智能的柑橘灌溉专家系统

杨伟志，孙道宗,2，刘建梅，高 鹏，尧港东，赖俊桂，王卫星,2

(1. 华南农业大学电子工程学院，广州 510642；2. 广东省农情信息监测工程技术研究中心，广州 510642；3.广东省水利电力勘测设计研究院，广州 510635)

我国是柑橘种植大国，但柑橘生产技术落后，主要靠人工进行管理，需要大量耗费人力和时间。且山地果园的传统灌溉，一般是采用大面积漫灌的方式，水资源的有效利用率较低，往往不到50%，低于一些发达国家的80%[1,2]。另外柑橘灌溉多根据果农个人经验来进行，缺乏科学的灌溉依据，未必最适宜果树生长。陈君梅等[3]在鹰嘴桃园搭建了无线传感器网络进行环境监测，并对网络性能的影响因素进行相关实验；王玖林等[4]基于LoRa无线传输技术，进行节水灌溉系统的设计，并提高了信号传输距离；陈伟森等[5]设计了通信可靠性较高的果园节水灌溉自动控制系统，但以上都没有对灌溉方式进行综合分析。虞佳佳等[6]提出了一种基于物联网和专家决策系统的农业精准灌溉系统的技术思路，但该设计没有把降雨预报相关信息考虑进去。

本设计利用太阳能板为各个灌溉节点持续提供电源，通过低功耗芯片CC2630，组建更稳定的WSN网络。服务器收集到环境数据后，依据专家知识，结合柑橘不同季节的生长需求和降雨预报情况，进行综合分析，并对降雨预报进行雨量修正补偿，提高灌溉方式的科学性，并基于人工智能技术实现自动问答功能，辅助果农日常管理。

1 系统总体设计

1.1 系统组成

系统包括服务器专家系统、数据库、通信模块和节点信息采集系统等。节点采集相关环境信息后通过局域网和GPRS上传到服务器，服务器把数据存放到数据库中。专家系统根据相关策略进行灌溉调节。用户可通过浏览器访问专家系统并进行相关查询。系统组成如图1所示。

图1 系统总体设计Fig.1 Overall design of system

1.2 物联网系统硬件设计

系统的硬件设计主要包括处理器、电源模块、GPRS模块、定位模块、ZigBee模块、电磁阀、灌溉控制模块和各传感器模块等。各个节点的传感器模块采集到环境信息后，通过ZigBee模块组成的树型局域网传到网关，网关通过GPRS模块传到服务器端。硬件设计框图如图2所示。

图2 网关及节点框图Fig.2 Block diagram of gateway and node

环境信息包括土壤温湿度、空气温湿度、光照强度、降雨量等，采用的传感器型号如表1所示。

1.3 物联网系统软件设计

(1)组网设计。系统采用ZigBee低功耗无线控制协议，树型拓扑结构网络。局域网的每个节点借力传输数据，ZigBee主模块节点负责汇聚各节点ZigBee的数据。主节点的通讯模块通过TCP/IP协议等实现局域网与服务器连接的建立和数据交互。

(2)灌溉系统软件设计流程。灌溉系统节点软件设计流程如图3所示。网关发送信息采集或灌溉控制信息到各节点，各节点根据信息进行相应判断和操作。

表1 传感器型号

Tab.1 Sensor model

环境指标型号土壤温湿度MS10空气温湿度DHT11光照强度NHZD10CR降雨量RS-100光学雨量传感器

图3 灌溉软件流程图Fig.3 Control software flow chart of irrigation

2 专家系统设计

专家系统设计包括信息数据及专家知识存储设计和专家系统功能设计。

2.1 数据库存储设计

专家系统的数据主要用数据库来存储。数据库基于Windows Server 2008操作系统，以SQL结构化编程语言实现。数据库包括环境信息数据库以及专家知识存储数据库。

信息数据库的部分表结构如下：①柑橘果园信息表。此表存储着柑橘果园的基础信息，如省份、城市、面积、经纬度等信息。②柑橘果园各节点的实时环境信息表。包括节点ID号、土壤温湿度、空气温湿度、光照强度等③果园雨量信息表。包括当地几天内的降雨预测以及实际降雨量信息。

专家知识库部分表结构如下：①柑橘果树需水量表。包括不同生长期的需水量情况、土壤水分含量阈值。②灌溉策略规则表。包括根据果树生长期、果园实时环境信息、雨量预测及校准信息等多变量因素组成的灌溉策略规则。③柑橘果树相关疾病信息表。包括柑橘果树常见疾病生理特征、预防措施、解决措施等相关信息。④柑橘果树管理信息表。包括柑橘果树相关的灌溉、施肥、剪枝等相关护理的注意事项等。

以柑橘果园各节点实时环境信息表为例，本文设计的数据库如表2所示。

表2 节点实时环境信息

Tab.2 Node real-time environment information

字段名类型说明IDint节点ID号,主键Date_timedatetime采集时间Air_temperaturefloat空气温度Air_humidityfloat空气湿度Light_intensityint光照强度Soil_temperaturefloat土壤温度Soil_humidityfloat土壤湿度Rainfloat降雨量

2.2 专家系统功能设计

专家系统功能设计主要包括果园环境实时监控、降雨预报、专家灌溉决策以及专家问答等四部分。专家系统如图4所示。

图4 专家系统展示图Fig.4 The picture of expert system

2.2.1 果园环境实时监控模块

该模块主要是用图表的形式，实时显示柑橘果园的环境信息，包括土壤温湿度、空气温湿度、光照强度、降雨量情况等。该模块的子模块能通过输入节点号，展示对应节点的历史变化情况。

2.2.2 果园当地降雨预报模块

该模块通过读取天气预报接口，获取果园当地的天气预报情况，得到未来几天的降雨预测情况。降雨预测情况将作为灌溉决策的因素之一。

2.2.3 专家灌溉决策模块

专家灌溉决策模块是专家系统的一个关键模块，主要是根据专家经验，综合各个变量因素，制定出灌溉策略，从而进行科学有效的果园灌溉。

(1)柑橘果树不同生长期需要的土壤湿度情况。土壤水分是柑橘正常生长的重要因素之一[7]。由柑橘需水相关资料[8-10]，可知柑橘的不同时期需水量不同。2-4月为柑橘的抽梢开花期，土壤含水率适宜区间为19%～24%。5-6月为柑橘的落果及夏梢抽生期，土壤含水率的适宜区间为21%～24%。7-10月为柑橘果实生长膨大期，7-8月土壤含水率应为20%～25%。9月到10月是柑橘果树的生长高峰期，对水分的需要量剧增，土壤含水率应为21%～26%。11月-次年1月为果实着色成熟期，土壤含水率应为20%～24%。可见，若设置固定的灌溉阈值，供应相对固定的水量，明显不符合柑橘的生长需求。因而，专家系统根据柑橘果树不同的生长期进行动态设置灌溉的上下限阈值。

(2)果园实时环境参数情况。无线传感器网络把果园实时环境参数上传到服务器后，专家系统将之与果树生长所需的参数进行对比，作为触发灌溉指令的前置条件。

(3)果园降雨预测及校正。果园未来几天的降雨情况作为果园灌溉的重要影响因素之一。灌溉系统根据土壤含水率阈值比较，进行灌溉操作后，可能会适逢降雨。这样既造成果树土壤短期内积水过多不利于生长，同时也不符合水资源合理利用的需求。因而，把柑橘果园的未来几天降雨情况作为灌溉操作决策的因素很有必要。常见的降雨有小雨(<10 mm)，中雨(10.0～24.9 mm)，大雨(25.0～49.9 mm)，暴雨(50.0～99.9 mm)，大暴雨(50.0～99.9 mm)，设定对应的降雨程度系数a分别为0.1、0.2、0.6、0.8和1.0。则在观测窗口的降雨程度为：

(1)

式中：T为降雨预报观测天数。

当灌溉指令触发的前置条件触发，并且未来T天的降雨程度P≤0.2时，进行正常的灌溉操作。若未来T天的降雨程度0.2

(2)

式中：Thtem_max为临时灌溉阈值上限；Thmax为原灌溉阈值上限；Thmin为灌溉阈值下限。

通过调节灌溉阈值适当减少灌溉供给，并以雨水进行补充。若降雨程度P>0.5，说明果园将有较大的降雨，则暂不做出灌溉指令。

由于降雨预报有时可能会出现偏差，会影响到果树的水分供给。因而对降雨预报进行相应的修正是准确实施灌溉的重要保证。其中，降雨预报修正需要考虑当前观察窗口和下一个观察窗口的情况。降雨预报修正主要通过调整临时灌溉下限阈值实现。调整方式如下式所示。

Thtem_min=Thmin+[w1 (Ppre-

Ptrue)-w2 (Ppre_next)] (Thmax-Thmin)

(3)

式中：Ppre为当前观察窗口的降雨预测等级；Ptrue为当前观察窗口的实际降雨等级；Ppre_next为下一观察窗口的降雨预测等级；w1和w2分别为对应两个观察窗口的权重系数(根据实验观测，w1和w2分别设为0.6和0.4取得较好效果)；Thmin为原灌溉阈值下限；Thtem_min为临时灌溉阈值下限。

2.2.4 专家问答模块

专家问答模块是用户和专家系统互动的重要模块。用户可以输入关于柑橘的管理、灌溉、疾病等相关问题，专家问答模块将根据专家知识进行相应的解答。

专家问答模块主要应用了人工智能领域自然语言处理的相关技术，针对柑橘灌溉施肥、果树病害知识等相关文档，建立柑橘知识语料库，对语料库进行数据清洗、停顿词处理等，使用Python编程语言的“jieba”工具包进行相应的分词处理，并进行数字化映射。词语数字化映射的步骤为：①将句子词语进行one-hot处理，得到相应的“独热码”向量。②由于one-hot形式存在语义破坏、无法保留词序的问题，并且给神经网络训练带来维度灾难，因而使用词向量(word2vec)技术，搭建基于“Hierarchical-Softmax”的 CBOW模型，利用神经网络从大量训练文本中提取有用信息，把原词语映射到高维空间，最终得到具有语义的词向量。利用训练好的词向量建立检索式对话系统。

用户若对专家系统自动问答中的答案存在疑惑，可在用户留言处输入留言内容。专家在看到用户留言后，对相应的留言内容进行人工解答。

3 相关实验

3.1 灌溉节点部署模型

图5所示为2017年7月在广西壮族自治区贺州昭平县北陀镇山地柑橘园部署的灌溉系统部分节点模型图，各节点负责监测环境信息和灌溉，同时也充当路由节点，接力传送信息，组成无线传感器网络。结合山地果园地势复杂，植被阻挡严重等特点，节点部署时考虑了两个措施：每个节点可与多个节点切换交流，与其中信号最强的节点进行通信；在偏远节点区域增加路由节点，提高网络的连通性和稳定性。由于野外环境恶劣，为防害虫、风晒等影响，对节点的控制电路板、控制线路等进行密封处理。

图5 部分节点部署模型图Fig.5 Part of the node deployment model diagram

3.2 网络丢包率测试

3.3 数据准确性测试

果园的实时环境信息和降雨预报信息情况都是专家系统决策模块的重要数据来源。所以，这些数据的准确性决定了系统决策的正确性。在果园环境传感器准确性实验中(2018年10月29日-11月5日)，采用希玛 AS817温湿度记录仪、希玛 AR813A 光照度测量仪、MS20 土壤水分测定仪等进行相关数据测试，并与果园无线传感器网络测试数据进行对比；在降雨预报准确性实验中(2019年2月16日-2月20日)采用RS-100光学雨量传感器进行对比，结果如表4和表5所示。结果表明，节点传感器准确度较高，天气预报信息与实际降雨情况基本相符(参考2.2.3雨量数值，除2月18日出现小幅度偏差)，满足专家系统决策的数据需求。

表3 网络丢包率统计

Tab.3 PLR values of the net

传感器节点发送数据包数网关接收数据包数丢包率/%01150014990.0702150014970.2003150014860.9304150014811.2705150014821.20平均值150014890.73

表4 传感器信息监测

Tab.4 Information monitoring of sensor

指标监测值实测值相对误差/%温度/℃12.2～29.812～291.7～2.7湿度/%48.6～61.349～620.81～1.10土壤含水率/%19.8～26.419.7～26.50.50～2.62(日)光照强度lx10086～5932010045～588280.4～0.8

表5 降雨预报准确性测试

Tab.5 Accuracy test of rainfall forecast

日期降雨预报雨量传感器测量情况/mm20190216小雨8.120190217大雨47.620190218中雨9.420190219小雨8.820190220小雨6.520190221大雨44.320190222中雨19.8

3.4 专家系统决策效果测试

对柑橘果园进行灌溉策略对比实验。第一种灌溉策略为：设定灌溉阈值，上下限阈值分别为21%和26%(根据不同月份作相应幅度的自动调节，见2.2.3)，低于下限阈值则灌溉，高于上限阈值则停止灌溉；第二种灌溉策略：在第一种策略的基础上，结合降雨预报信息，当土壤水分少于阈值但若未来两天有强降雨时，暂时不进行灌溉操作；第三种灌溉策略为不启动自动灌溉系统，进行人工灌溉。图6为2018年9月份，3个不同节点在不同灌溉策略下的土壤水分含量变化情况。由图6可知，人工灌溉情况下，土壤水分常出现不足的情况。采用灌溉系统后能及时保证土壤含水率，但有时会出现灌溉与大幅度降雨同时段出现的情况(如图6显示，灌溉后2018年9月16日前后出现强降雨量，造成土壤水分过多)。当系统依据2.2.3的灌溉策略，把天气预报信息作为决策因素之一，并对降雨预报进行监测，则能较好地平衡灌溉作业与降雨的关系(如图6所示，虽然系统在2018年9月14日监测到土壤水分率低于预定阈值，但根据降雨预报信息并计算降雨等级，可知未来两天内将有强降雨，因而暂不灌溉)，这样就能在一定程度上改善前述问题，让灌溉更合理、水资源利用更有效。

图6 不同灌溉策略效果对比(2018年)Fig.6 The contrast of effect between different irrigation strategies

4 结 语

(1)作物信息采集的智能化和信息化是实施精细农业的关键技术之一[11]。随着国家现代节水农业建设的推进，农业行业各方面对土壤墒情检测、智能灌溉的需求也将迅速扩展[12]。本文基于物联网和人工智能技术设计了山地柑橘环境监测、智能灌溉专家系统。实验表明，系统传感器能及时采集数据并反馈到服务器，灌溉系统稳定可靠运行，提高了灌溉效率。灌溉系统对采集到的数据和柑橘生长不同时期的水量需要进行分析，动态设置灌溉阈值，满足果树不同时期的需求。

(2)系统将天气预报信息作为灌溉决策的因素之一，避免了灌溉操作与大幅降雨同时出现的情况，符合合理灌溉、水资源有效利用的目的。同时，对降雨预报信息的准确性进行检测，并对相应的误差进行灌溉补偿处理，体现了科学实践的严谨性。

(3)系统结合人工智能自然语言处理技术，针对柑橘知识文档建立语料库，并进行词向量训练，实现自动问答功能，更好地辅助用户日常管理。