綠地灌溉模糊控制系統的MATLAB實現

劉現華

（西安工程大學電子信息學院，陜西 西安 710048）

城市綠地可以美化環境、凈化空氣、調節氣候、降低噪音以及監測環境，城市園林綠化對美好城市的建設至關重要。隨著城市用水量的日益增加，節水問題日益嚴峻，城市園林采用高效的綠地灌溉方式勢在必行[1]。模糊控制是采用自然語言（如大、中、小）加以敘述，借助定性的、不精確的及模糊的條件語句來表達，而不需要建立在被控對象準確的數學模型(即傳遞函數模型或狀態空間模型)的基礎上。在實際應用中，影響系統的因素很多（如綠地灌溉系統中的灌溉量受溫度、濕度、降雨量、土壤水分等多種參數影響），很難建立精確的數學模型，所以利用需建立在被控對象精確的數學模型基礎上的傳統控制方式很難達到預期效果。而模糊控制是以人的經驗和知識為依據，模仿人的思維方式來實現的一種智能控制。該文提出的控制系統是以土壤水勢和氣象預報信息(未來降雨量或氣溫)為輸入，通過模糊決策決定灌溉與否以及灌溉量，從而使綠地灌溉控制更加高效，計算出的綠地灌溉量更加精確。

1 系統結構

降雨量是影響灌溉量的重要因素。一般情況下，降水越多，土壤含水量相應地增加，空氣濕度也就增加。氣溫是影響綠地需水量的另一個重要因素，它決定空氣里飽和水汽含量和水汽擴散的快慢。一般來說，溫度梯度愈大，空氣對流愈強，濕度梯度愈大，水汽擴散愈快，即氣溫越高水分蒸發越快。據分析，作物需水量與氣溫呈線性關系或者指數關系。影響灌溉量的土壤因子主要為土壤濕度，土壤濕度可以用土壤水勢來表示。綜上所述，影響綠地灌溉量的因素主要有土壤水勢、降雨量和溫度等。

根據降雨量能補給綠地水分，而溫度能加強植物蒸騰作用和促進土壤水分蒸發而損耗綠地水分這兩種不同的情況，提出了綠地灌溉控制系統下的兩種方案：方案一，如果氣象預報下雨，則系統輸入只考慮降雨量與土壤水勢；方案二，如果氣象預報不下雨，則系統輸入只考慮溫度和土壤水勢。

該灌溉量模糊控制系統是兩個雙輸入單輸出的模糊推理系統，以土壤水勢和降雨量或溫度為輸入，綠地灌溉量作為輸出。系統首先通過無線通信模塊接收和識別氣象預報信息，然后將預報的未來降雨量和氣溫等信息加以分析，從而決定選擇哪一種方案進行控制，接著選取相應的輸入量和傳感器檢測到的土壤水勢作為輸入，通過模糊決策決定灌溉與否以及灌溉量。該系統的推理過程方框圖見圖1。

圖1 系統推理過程方框圖

2 系統的實現

2.1 變量論域及其隸屬函數確定

2.1.1 方案一中的變量論域及其隸屬函數確定在方案一中，灌溉量決定于未來降雨量和土壤水勢，因此該模糊控制系統是以這兩者為輸入、灌溉量為輸出的雙輸入單輸出系統。

根據查閱的資料[2]，該灌溉模糊控制系統中選用的土壤負壓計測定范圍為-80～0 kPa，基本上在綠地植物的生長需求范圍內。在該系統中，將土壤水勢模糊論域劃分為6級，即：[很低（VL），低（LOW），有點低（RL），稍微有點低（LL），比較合適（RM），合適（MED）]。根據氣象預報，將未來降雨量的模糊論域劃分為：[小（S），中（M），大（L），很大（VL），非常大（QL），特大（TL）]。系統的輸出可以是灌溉時間或灌溉量，這個輸出可作為一個比例因子，然后以這個因子乘以某個參考量即為實際的輸出量。輸出量的取值范圍設為0～5。輸出模糊論域劃分為6級，即：[極少量灌溉（MINI），微量灌溉（DI），少量灌溉（LI），中量灌溉（MI），大量灌溉（PI），極大量灌溉（MAXI）]。隸屬度函數的選擇對模糊推理系統的性能影響較大，為了推理簡單，該系統的輸入變量、輸出變量均采用三角形隸屬函數，如圖2～圖4所示。

圖2 土壤水勢隸屬度函數

圖3 未來降雨量隸屬度函數

圖4 灌溉量隸屬度函數

2.1.2 方案二中的變量論域及其隸屬函數確定在方案二中，系統是以未來氣溫值和土壤水勢作為輸入、灌溉量作為輸出的雙輸入單輸出系統[3]。在該系統中，土壤水勢和灌溉量的隸屬度函數均與方案一的相同。根據氣象預報信息將溫度值模糊論域劃分為：[很低（TVL），低（TL），有點低（TRM），適中（TMED），高（TH），很高（TVH）]。為了推理簡單，溫度值也采用三角形隸屬函數，溫度值的隸屬度函數如圖5所示。

2.2 系統的模糊規則及模糊控制表

該綠地灌溉模糊控制系統是兩個雙輸入單輸出的模糊推理系統。為使推理過程簡單和結果計算準確，所有輸入變量和輸出變量均劃分為6個語言變量，因此該模糊推理系統在方案一和方案二中均共有36條規則。由于不同地區的土質、氣候等情況不盡相同，所以在不同地區應用該系統時，可對規則和參數略作修改。

圖5 溫度隸屬度函數

方案一的模糊控制規則見表1。

表1 方案一下的灌溉量模糊控制規則

方案二的模糊控制規則見表2。

表2 方案二下的灌溉量模糊控制規則

2.3 模糊推理及解模糊化

根據合成運算法則的不同，模糊推理方法可分為Mamdani推理法、Larsen推理法、Zadeh推理法等。該系統模糊推理部分采用的是Mamdani推理法。經過模糊推理后所得到的是輸出變量的一個范圍上的隸屬度函數，因此必須進行解模糊，才能將輸出量變為確定的值，即經過模糊推理后所得到的只是灌溉量的隸屬度函數，必須再經過解模糊，才能得到灌溉量的具體數值。解模糊的方法有重心解模糊方法、中心平均解模糊方法、最大值解模糊方法等[4]。最常見的方法是中心平均解模糊方法，該系統就是采用此方法進行解模糊。

2.4 模糊推理系統的輸出

用MATLAB仿真[5]上述兩種方案的模糊化、模糊推理和解模糊的過程，經模糊推理后，該控制系統在這兩種方案下的輸出曲面分別如圖6、圖7所示。

圖6 方案一的輸出曲面

圖7 方案二的輸出曲面

3 結論

本文提出的綠地灌溉模糊控制系統充分利用了氣象預報信息。系統首先根據氣象預報信息來對應擇取兩種方案中的一個，再進行控制，充分考慮到了影響灌溉量的因素，克服了傳統控制方法只能考慮到能夠建立精確數學模型的因素的缺陷。該系統能比較精確而快速地計算出綠地的灌溉量，從而達到智能節水灌溉的效果，對解決當前城市缺水問題具有一定的現實意義。

[1]胡新華，戴素江，王志明.城市綠地節水灌溉模糊控制系統的研究[J].農機化研究，2008，（5）：93-94，98.

[2]胡新華，王志明.基于氣象預報信息的綠地灌溉模糊控制系統的 MATLAB 實現[J].中國農機化，2007，（4）：59-60，14.

[3]江 明，陳其工，晏行芳.基于模糊控制的精確灌溉系統[J].農業工程學報，2005，21（10）：17-20.

[4]王立新.模糊系統與模糊控制教程[M].王迎軍，譯.北京：清華大學出版社，2003.

[5]石辛民.模糊控制及其MATLAB仿真[M].北京：清華大學出版社，2008.