基于模糊控制的设施菜心生产环境管控模型及系统

2024-01-15毛远洋陈芳玲卞智逸肖德琴

华南农业大学学报 2024年1期

毛远洋，陈芳玲，卞智逸，肖德琴，周敏

(华南农业大学数学与信息学院/农业农村部华南热带智慧农业技术重点实验室,广东广州 510642)

2021 年广东省菜心BrassicacampestrisL.ssp.chinensisvar.utilisTsen et Lee (Flowering Chinese cabbage)播种面积达36 万hm2，是广东省绿叶蔬菜产销排名第一的作物[1-2]。当前菜心种植基地大多采用人工经验式管理下的露地种植、大棚种植方式，露地种植容易受到恶劣天气的影响，大棚种植能够大大降低这一负面影响。然而目前菜心大棚种植依靠人工较难准确地监测种植环境信息，在菜心生长环境偏离适宜条件时无法进行及时的准确调控，导致菜心品质、产量下降。随着智慧农业的发展[3-4]，通过农业传感器等智能设备[5]搭建蔬菜种植管控系统可以实现作物生长环境的远程监控和管理，而管控系统对环境调控的速度和精度是提高生产种植管理效率和质量的关键。

目前，作物管控系统已在国外得到广泛应用，利用农业智能设备与现代计算机技术实现农业生产、农事服务的高效管理[6-11]。如美国、日本、法国等国家已建立集生态化、产业化、标准化、集约化、规模化于一体的多个示范性现代农业产业园，提升了经济和环境效益。

近年来国内开展了一系列作物管控系统的研究[12-14]，王纪章等[15]通过有线、无线传感器感知种植环境及作物对气候的反应，并做出正确的、精准的环境调控决策，建立基于物联网的灌溉施肥系统，合理分配农业生产过程中的水和肥料，提高了生产力和质量，但在环境调控性能上仍存在调控不及时、不准确的问题。姬丽雯等[16]使用轻量级的MQTT 协议设计了草莓监控系统，实现了对温室环境信息的实时采集和远程控制，但未涉及智能调控功能，无法给予农户专业指导。杨伟志等[17]基于土壤水分等相关信息建立了柑橘灌溉专家系统，但该系统仅采用无线通信的方式，在恶劣天气条件下抗干扰能力较差，无法准确稳定地传输环境信息，灌溉实时性和准确性不能保证。基于农业物联网技术，余国雄等[18]实现对荔枝园的远程环境监控和精准管控，吴久江等[19]对简易大棚种植草莓的水分利用率进行分析，使水分经济利用率得到一定的提高，但他们都未考虑环境因子对环境调控设备的依赖，在精准调控的实时性和准确性方面仍有不足。

模糊控制作为一种模拟人类思维而不依赖于参数调节的推理规则，能够适应实时系统的非线性控制问题[20]，已有相关研究将模糊控制应用于温室环境调控。韦玉翡等[21]基于环境参数模糊制定专家系统，实现对温室环境的智能调控，但监测的环境因子不够全面，未考虑土壤电导率对作物生长的影响。傅以盘等[22]利用模糊控制对大棚温度进行调节，将其数值稳定在合适范围内，但未对其他环境因子实现调控。由于环境因子对环境调控设备的依赖程度不同，环境调控设备对环境因子的影响并非一对一的关系，对多环境因子的精确调控策略需要结合专家知识。定性分析是一种依据专家的智慧、经验等进行决策的方法，将其与模糊控制相结合，有利于实现多环境因子的精确调控。

针对现有的作物种植管控系统存在的种植环境监测不全面、环境调控实时性和准确性欠佳等问题，本文设计并开发了一种菜心种植的精准管控模型及系统，利用物联网设备实时监测菜心各生长阶段的环境因子并传输至云端服务器，同时管控平台调用基于模糊控制与定性分析的环境管控模型指导环境调控设备工作，最后开展了管控系统模式和人工管理模式性能的对比试验，以期为实现设施菜心种植生产的高质量管理提供参考。

1 管控系统模型及系统总体设计

设施菜心管控模型及系统整体框架如图1 所示，主要由环境监测设备、环境管控模型和环境调控设备3 部分组成。在菜心种植基地部署气象综合站采集基地不同环境下的气象数据，部署土壤综合站采集土壤数据环境，基于RS-485 和Modbus-RTU 协议与数据处理单元进行通信；数据处理单元基于MQTT 协议与云端服务器进行数据交换；云端服务器负责接收、存储、管理、分析数据以供管控平台调用。部署水肥一体灌溉机、智能控制机作为设施菜心的水肥供给及环境调控设备。环境管控模型对菜心生长环境进行分析，形成环境调控决策方案，通过管控平台调用水肥一体灌溉机及智能控制机，维持各环境处于适宜生长范围，实现作物的高产、稳产。

图1 设施菜心管控模型及系统框架Fig.1 Framework of the management model and system for protected flowering Chinese cabbage

2 设施菜心生长环境监测

2.1 菜心生长环境信息采集

设施菜心生长环境信息主要通过物联网设备采集并传输至云端服务器进行分析、存储，实现菜心生长环境的实时监测。基于物联网设备搭建气象综合站和土壤综合站收集菜心生长环境因子(空气温度、土壤温度、土壤湿度、土壤导电率)。菜心不同生长时期对生长环境的要求不同[23]，具体环境要求由农艺专家制定，如表1 所示。其中，种子发芽需要25～30 ℃的空气温度、达标的土壤温度和水分条件以保证菜心的正常生长发育；叶片生长期的空气温度要求在20～25 ℃，有利于菜薹形成期糖分积累，产出质量好、品质高的菜心。土壤电导率反映了土壤中的总盐量，土壤中的养分主要以离子形式分散在土壤中，如氮、磷、钾、钙、镁等元素，这些元素的含量将直接影响作物产量，同时也需要避免过量施肥导致土壤污染。气象综合站和土壤综合站中环境因子采集传感器的具体信息如表2 所示。

表1 环境因子适宜范围Table 1 Suitable range of environmental factors

表2 传感器具体信息Table 2 Specific information of sensors

2.2 生长环境信息数据传输

将气象综合站和土壤综合站采集到的数据稳定传输至云端，是实现环境精准调控的前提，本研究底层传感器由两类构成，一是数据采集类传感器，二是设备执行类传感器。相较于无线传输，有线传输在面临恶劣天气时抗干扰性更强，而无线传输的成本更低。因此本研究采用无线传感网、有线通信相融合的组网设计，并接入生产环境中的风机、湿帘、控制箱等传感器设备，监控设备运行状态，对设备异常状况进行报警；同时依据传感器情况，采用RS-485 结合Modbus-RTU 协议的方式接入传感器设备，并使用MQTT 协议，将数据内容传输到云端物联网平台，进行初步运算存储。

2.2.1 底层物联网与数据处理单元的数据传输由于无线信号抗干扰能力较弱且实验园夏季高频发生雷雨天气，因此选择485 信号线将传感器与数据处理单元连接，传感器设备与数据处理单元通过标准RS-485 通信接口进行数据传输，问询帧的地址码和功能码为1 字节，起始地址、请求寄存器数量和校验码为2 字节，应答帧的地址码、功能码和数据长度为1 字节，回传数据内容和校验码为2 字节。其中，地址码代表设备地址，在通信网络中是唯一的，多个传感器设备共用1 条485 总线，与数据处理单元连接构成1 个综合站，每个传感器设备对应1 个设备地址。地址码由用户设置，表明该信息来自何处；由于传感器设备只支持读取操作，因此将功能码固定为只读，寄存器地址0001H 定义为空气温度(单位为0.1 ℃)，只读操作；0002H 定义为土壤温度(单位为0.1 ℃)，只读操作；0003H 定义为土壤湿度(单位为0.1% RH)，只读操作；0007H 定义为土壤电导率(单位为1 μS/cm)，只读操作。校验码用于判断接收到的数据是否正确，避免传输过程中电子噪声或其他噪声的干扰。

2.2.2 基于MQTT 的云端数据传输数据处理单元通过MQTT 协议与云端进行数据交换，MQTT 通信协议使用订阅和发布消息模式，实现农业数据的高效推送。在MQTT 协议中，1 个数据包由固定头、可变头、消息体组成。其中，固定头包含数据处理单元序列号、传感器设备地址码；可变头包含传输数据类型、协议版本等；消息体包含气象数据如空气温度、大气湿度、光照等。

MQTT 物联网传输协议具有网络连接速度快、实时性高、数据传输稳定、下位机系统高效稳定和环境参数精度高等特点，使得物联网设备监测菜心各生长阶段环境因子(空气温度、土壤温度、土壤湿度和土壤电导率)拥有较高的实时性。

3 设施菜心生长环境管控模型

3.1 功能设计

环境管控模型是实现菜心生长环境精准管控的关键，水肥一体灌溉机按照菜心各生长时期的需求，通过滴灌方式将水肥溶液输送到作物根部。智能控制机集成风机、灯光、湿帘等设备，为菜心提供精准、定量、定时的环境调控条件。开发设施菜心精准种植管控平台，调用布置在云端服务器的模糊调控模型，分析空气温度、土壤温度、土壤湿度和土壤电导率，做出相对应的环境调控决策，图2 为管控平台界面。

图2 管控平台界面Fig.2 Control platform interface

环境调控系统工作过程如下：环境监测系统通过各种传感器采集温室内环境因子数据并传送至云端服务器；云端服务器一方面对数据进行预处理并保存，另一方面传达信号，控制环境调控设备的开启程度，以维持菜心的最佳生长环境；采集、接收数据后，管控平台将环境数据与根据专家知识设置的菜心各时期最优参数进行比较，得出偏差和偏差的变化率等，调用模糊调控模型得到各环境因子的模糊控制量，最后基于定性分析法形成精准的环境调控决策方案，控制水肥一体灌溉机和智能控制机进行适当的喷灌降温、喷洒肥料、开关大棚风机等操作，保证菜心的正常生长；反馈实施结果到管控平台，为后续优化提供依据。

3.2 基于模糊控制的环境调控

控制多因素环境变量稳定是设施菜心环境智能调控的关键。设施菜心生长环境变量相互联系、相互影响。如太阳辐射量过高，会导致温度升高，从而湿度降低等[17]。优秀的环境调控系统设计需考虑多因素环境变量的综合影响。本研究综合菜心不同生长阶段的环境因子，基于模糊控制和专家知识形成环境调控设备的最佳模糊调控模型，其结构如图3 所示。其中，本研究的专家知识为农艺师根据菜心种植管理以及环境调控设备使用经验综合分析制定的数据库和规则库。

图3 模糊控制模型结构Fig.3 Structure of fuzzy control model

将环境监测系统采集到的环境因子的实时数据与设定的菜心生长环境因子适宜范围(表1)比较，获得空气温度偏差ET1和偏差变化率ΔET1、土壤温度偏差ET2和偏差变化率ΔET2、土壤湿度偏差EH和偏差变化率ΔEH以及土壤电导率偏差EC和偏差变化率ΔEC。

为保证设施菜心的环境变量处于最佳，设计二输入的模糊控制规则使调控模型处于动态稳定状态。将各环境因子偏差值和偏差变化率作为模糊控制模型的输入量，参考专家知识将输入值转化为模糊控制理论语言值，具体转换公式如下：

式中，X为偏差值及其变化率，a为论域上限，b为论域下限，Y为连续量。

设定空气温度、土壤温度、土壤湿度、土壤电导率的偏差模糊集论域为[-3,3]，可分为7 个等级{-3,-2,-1,0,1,2,3}，这是输入值的量化过程。输入量偏差值的模糊语言值取：{NB=负大，NM=负中，NS=负小，Z=零中，PS=正小，PM=正中，PB=正大}。同理，输入量偏差值的变化率也根据上述方法划分3 个等级模糊语言值：{N=负，Z=零中，P=正}；模糊控制模型输出控制量的模糊值取：{NB=负大，NM=负中，Z=零中，PM=正中，PB=正大}，结合专家知识将模糊输出语言值转化为各环境因子的模糊控制量。

模糊调控模型具体规则如下：当偏差E及其变化率 ΔE较大时，应尽快消除偏差；当它们较小或为零时，需优先保持调控模型稳定性。模糊控制状态表如表3 所示。

表3 模糊控制状态1)Table 3 Fuzzy control states

3.3 环境调控定性决策优化

根据模糊调控模型输出的各环境因子的模糊控制量，结合专家知识制定环境调控设备的调控规则。对于水肥一体灌溉机，采用定量控制的方式，依据设备最大极限浇灌量划分为0、25%、50%、75%和100% 5 个调控等级。对于灯光、风机、湿帘等长时间运行设备，设备调控的影响程度与开启时间呈正比例关系，因此采用定时控制的方式，将设备开启时间划分为5 个调控等级(0、2、4、6、8 h)，相应调控规则如表4 所示。

表4 环境调控设备控制规则Table 4 Control rules for environmental control equipment

然而，环境调控设备对环境因子的影响并非一对一的关系，如水肥一体灌溉机直接对土壤湿度和土壤电导率产生影响，间接对大气湿度、空气温度产生影响；水泵的开启程度和时间直接对土壤湿度、大气湿度产生影响，间接影响土壤温度、空气温度；在夏季当湿帘发挥降温加湿作用时，室内温度下降，湿度会略增加；打开风机进行通风换气，可以降低温度和湿度。因此需要采用定性决策的方法确定环境调控设备的调控量。

将空气温度、土壤温度、土壤湿度、土壤电导率4 个环境因子对控制设备的依赖程度分为5 个等级：非常高(1.0)、高(0.8)、中(0.5)、低(0.3)、非常低(0)，若依赖程度处于2 个等级之间，则取这2 个等级间的评定值。

根据前期试验和专家意见得出空气温度、土壤温度、土壤湿度、土壤电导率4 个环境因子受5 个控制设备(湿帘、水肥一体灌溉机开启前需开启水泵)的影响程度，如表5 所示。

表5 环境因子对环境调控设备的依赖程度Table 5 Dependence degree of environmental factors on environmental control equipment

由表5 可计算评价模糊矩阵R。

按照公式(3)，对模糊矩阵R最大特征值所对应的特征向量归一化，得到相对权重(A)。由公式(4)计算得到各控制设备的重要性评价系数矩阵(U)，在各环境因子控制存在耦合或设备调控量存在矛盾时，形成精准环境调控决策。

4 基地试验

设施菜心管控系统试验在华南农业大学农业农村部华南热带智慧农业技术重点实验室试验基地进行，设有2 个菜心种植区，占地300 m2，可种植1 000 株菜心。试验基地针对菜心种植区部署气象综合站1 套、土壤综合站10 套、水肥一体灌溉机1 套和智能控制机1 台(控制10 个风机、1 个湿帘以及1 套补光设备)。2 个菜心种植区分别采用设施菜心管控系统模式和人工经验管理模式对菜心生长进行管理，1 套气象综合站布置于2 个菜心种植区之间，10 套土壤综合站以五点采样法的分布形式分别布置于2 个菜心种植区，采集土层表面5 cm 的土壤环境因子数据。本试验种植的菜心品种为‘青梗皱叶迟菜心’，在高架上使用基质种植，基质由农艺专家配制，原料主要有泥炭、椰糠、珍珠岩和蛭石。菜心种植株距16 cm，行距16 cm。以2021 年9 月1 日至2021 年10 月21 日种植菜心的种子发芽期(9 月1 日至9 月7 日)、叶片生长期(9 月8 日至10 月2 日)、菜薹形成期(10 月3 日至10 月21 日)作为试验时期。

为验证智能设施菜心管控系统性能，本文进行设施菜心管控模式性能对比试验，分别是管控系统模式和人工经验管控模式，比较环境调控的实时性和准确性。管控系统模式下，监测系统实时采集试验菜心种植区空气温度、土壤温度、土壤湿度和土壤电导率4 个环境因子数据，通过模糊控制器得到环境因子模糊控制量，结合专家知识生成环境调控决策，指导智能控制机和水肥一体灌溉机调节菜心生长环境。人工经验管控模式下，种植者在工作时间内定时(06:00、12:00 和18:00)测量环境因子数据，根据测量数据和人工经验控制环境调控设备，进而调节菜心生长环境。针对本文优选的4 个关键环境因子，通过设施管控系统监测并记录菜心不同生长时期的数据，暂存在本地计算机内，用于试验结果对比分析。其中，种子发芽期数据336 个、叶片生长期数据1 200 个、菜薹形成期数据912 个。

计算环境因子超出菜心适宜生长范围后，经过系统或人工调控到适合生长范围内所需的时间，以此比较不同管理模式对环境因子调控的实时性，对应指标计算如公式(5)所示。

式中，pt、Pt分别为不同环境因子的实时性指标；n为管控系统或人工介入调控的次数；tei为空气温度和土壤温度第i次超出适宜范围的时间，h；tbi为调控空气温度和土壤温度第i次回到适宜范围的时间，h；Tei为土壤湿度和土壤电导率第i次超出适宜范围的时间，d；Tbi为调控土壤湿度和土壤电导率第i次回到适宜范围的时间，d；Pd为菜心当前总生长天数，d。实时性指标越小代表实时性越好。

统计环境因子处于菜心适宜生长环境范围内的频数(数据量)，并计算其占总数据量的比例，以此比较不同管理模式对环境因子调控的准确性，对应指标计算如公式(6)所示。

式中，Pa为准确性指标；D为本试验中记录的菜心生长各个时期对应环境因子的数据量；D1为环境因子处于菜心适宜生长环境范围内的频数。

5 结果与分析

5.1 管控模式实时性分析

随机选取菜心3 个生长时期(种子发芽期、叶片生长期、菜薹形成期)其中一天的空气温度和土壤温度作为对比，如图4 所示。人工管理模式的空气温度大部分时间处于适宜范围之外，且这一情况存在于菜心生长的3 个时期。管控系统模式的空气温度和土壤温度根据菜心生长时期变化而变化，基本处于适宜范围内；其中，土壤温度在整个叶片生长期都保持在适宜范围内。说明当空气温度和土壤温度超出适宜范围时，管控系统能及时调控使其快速回到适宜范围内。

图4 空气温度和土壤温度变化曲线Fig.4 Variation curves of atmospheric temperature and soil temperature

图5a、5b 分别为菜心3 个生长时期(种子发芽期、叶片生长期、菜薹形成期)土壤湿度和土壤电导率的平均日变化曲线。管控模式下的土壤湿度和土壤电导率变化总是先于人工管理模式，且调控趋势更强烈，反映出人工管理模式介入调控相对滞后，导致土壤湿度和土壤电导率几乎都处于适宜范围之外。土壤电导率反映了土壤营养物质的含量，人工管理导致土壤电导率偏低，不利于菜心生长；管控系统模式的土壤湿度和土壤电导率随着菜心生长时期的变化而及时改变，说明管控系统能够频繁介入调控使其处于适宜范围内。

图5 土壤湿度(a)和土壤电导率(b)变化曲线Fig.5 Variation curves of soil moisture (a) and soil electrical conductivity (b)

统计菜心3 个生长阶段各环境因子实时性试验结果，如图6 所示。从平均实时性来看，3 个生长阶段管控系统模式对环境因子的平均调控实时性分别为0.10、0.17 和0.18，人工管理模式分别为0.37、0.41 和0.43。管控模式调控的实时性明显比人工管理模式高，所需平均调控时间缩短50%以上，平均实时性提高62.50%。3 个生长阶段管控系统模式对土壤湿度的平均调控实时性分别为0.05、0.01 和0.03，对土壤电导率的平均调控实时性分别为0.01、0.02 和0.03；人工管理模式对土壤湿度的平均调控实时性分别为0.36、0.23 和0.24，对土壤电导率的平均调控实时性分别为0.50、0.31 和0.42。人工管理模式对土壤湿度和土壤电导率的调控实时性与管控系统模式存在巨大的差距，形成这种巨大差距的原因可能是，当土壤湿度和电导率处于不利于菜心生长状况时，人工经验管理对土壤状况观测不及时、判断不准确等主观原因导致调控滞后，而管控系统的环境监测使土壤湿度和土壤电导率的实时调控成为可能，使得菜心始终处于适宜生长条件。

图6 实时性试验结果Fig.6 Results of real-time experiments

5.2 管控模式准确性分析

本试验管控系统模式和人工管理模式的各环境因子在菜心种子发芽期、叶片生长期和菜薹形成期的监测数据如表6 所示。管控系统模式下各环境因子处于适宜范围内的频数均高于人工管理模式，其中土壤湿度和土壤电导率的优势最为明显。综合3 个时期来看，土壤湿度和土壤电导率在管控系统模式下处于适宜范围内的频数分别为1 887 和1 738，相比人工管理模式的484 和102，分别有近3 和16 倍的提升；这是由于灌溉时间、灌溉方式、肥料比例对土壤湿度和土壤电导率的影响较大，依靠人工经验管理较难准确把握灌溉调控时机，而管控系统在准确的环境监测基础上能够做出及时精准的调控决策，因此调控效果优势明显。相对于土壤湿度和土壤电导率，管控系统对空气温度和土壤温度调控的优势较小，仅有不到1 倍的提升；可能原因是与土壤湿度和土壤电导率相比，人工经验对于温度变化更为敏感，因此空气温度和土壤温度能够得到及时的调控。

表6 准确性监测结果1)Table 6 Monitoring data of accuracy

图7 为管控系统模式与人工管理模式的准确性对比结果。对比3 个时期试验结果发现，管控系统模式对4 个环境因子的调控准确性均超过0.50，而人工管理模式下仅有土壤温度的调控准确性超过0.50。综合3 个时期，对比人工管理模式，管控系统对空气温度、土壤温度、土壤湿度和土壤电导率的调控准确性分别有56.66%、20.33%、3.76 倍和13.78 倍的提升，平均准确性提高1.34 倍。此外，人工经验管理模式在3 个时期对土壤湿度的调控准确性均低于0.35，对土壤电导率的调控准确性均低于0.10，与管控系统模式存在较大差距。从平均准确性来看，管控系统模式在3 个生长阶段对4 个环境因子的平均调控准确性分别为0.78、0.68 和0.74，人工管理模式分别为0.31、0.34 和0.30。管控模式的调控准确性均为人工管理模式的2 倍以上，说明人工管理由于环境观测滞后性较难对环境因子实现准确调控，导致菜心的生长环境无法长时间稳定地控制在适宜范围内，对菜心的健康生长造成负面影响。试验的准确性分析结果表明，管控系统对环境因子的调控准确性更优，更有利于菜心的生产管理。