基于作物生長模型的大田玉米智能灌溉系統

毛博識 康義 李文雅 郭淵杰 劉立業

摘要：系統利用自動識別的以下信息：玉米發育期、大田氣候要素、土壤墑情、天氣預報。通過土壤水分平衡方程計算出玉米在當前的灌溉需水量，制定灌溉決策。系統平臺將決策指令下發至灌溉控制器，灌溉控制器通過無線自組網絡控制分控制器啟閉電磁閥，自動執行灌溉任務。該文利用深度學習技術重點解決玉米發育期識別這一關鍵問題。

關鍵詞：發育期識別;土壤墑情;土壤水分平衡方程;灌溉需水量;智能灌溉

中圖分類號：TP311 文獻標識碼：Al

文章編號：1009-3044（2020）22-0166-03

開放科學（資源服務）標識碼（OSID）：j

1 背景

目前國內從事農業灌溉產品的公司已有不少，但大部分都是偏重于系統設備集成，具備的功能大都是一些簡單的、基本的灌溉功能，自動化程度不高，灌溉控制的因素比較狹窄，沒有結合氣象環境、作物生長規律等因素而實現對農作物的智能灌溉[1]。本系統充分利用作物發育期信息、天氣預報信息、土壤墑情信息等關鍵資料，結合彭曼公式、土壤水分平衡方程，構建作物需水量估算與灌溉量模型算法，實現智能灌溉。

2 系統組成

本系統主要包含農業氣象自動觀測系統、水肥一體化自動灌溉系統和軟件服務平臺。

農業氣象自動觀測系統主要包含數據采集單元和相關配套的傳感器，如土壤水分傳感器、圖像傳感器等。該系統利用圖像傳感器測量數據自動識別作物發育期，結合土壤水分傳感器測量數據和彭曼公式，利用土壤水分平衡方程計算作物需水量與灌溉量。

水肥一體化自動灌溉系統主要包含采集控制器及相關配套傳感器，如流量傳感器，壓力傳感器，液位傳感器等，以及電磁閥、水泵等控制設備[2]。軟件主要包含服務平臺、手機APP和電腦客戶端等。系統組成圖見圖1所示。

3 灌溉量計算系統

灌溉量計算要融合多個傳感器觀測數據，天氣預報數據，利用特定的計算方法獲取，詳細流程如圖2灌溉量推算流程圖所示。

3.1土壤水分平衡方程

土壤灌溉量推算流程圖如圖2，使用土壤水分平衡方程：

WT+I= WT+P+G-ETc

（1） 計算時段末的土壤含水量WT+1，進一步推算得到時段末土壤相對濕度0。其中WT為時段初的土壤含水量，即實測值（mm），由實測土壤濕度0計算;P為時段內的有效降水量（mm），由天氣預報獲取降水量和當地降水有效利用系數計算;G為時段內地下水補給量（mm）。ETc為時段內作物耗水量（mm），由天氣預報因子、地理信息、作物發育期等計算。

3.2 作物耗水量計算

式中ETo：參考作物蒸散量（mm-d-1）; Rn：作物冠層表面凈輻射（MJ-m-2-d-1）;

G：土壤熱通量（MJ-m-2-d-1），在逐日計算公式中，G-O）;T：2m高度處平均氣溫（℃），由氣象臺站觀測資料直接得到;U2：2m高度處風速（m.s-1），由氣象臺站觀測到的10米的風速計算后得到;ed：飽和水汽壓（KPa），根據氣象臺站每天觀測到的最高氣溫和最低氣溫計算后得到;ea：實際水汽壓（KPa），由氣象臺站觀測資料直接得到;△：飽和水汽壓曲線斜率（KPa.℃-1）;1：干濕表常數（KPa.。C-1）。

玉米作物各發育期作物系數Kc見表1：

玉米不同發育期的作物系數已經獲取，作物發育期能否準確識別成為決定計算作物耗水量的關鍵。

3.3 凈灌溉量計算

當推算得到的土壤相對濕度小于適宜土壤水分下限指標Ok，需要灌溉，計算灌溉量：

I凈=0.1.（a.θt - θ）.p.h

（4）

其中I凈指控制土層達到目標濕度所需灌水量，單位mm;a是目標系數，指占田間持水量的百分比，取值在0.75 - 1.0之間，一般取0.9;θt指重量田間持水量，單位%;θ指推算得到的土壤相對濕度，單位%;p指土壤容重，單位克/m3;h指灌溉目標控制的土層厚度單位m。

4 玉米發育期識別

對圖像傳感器采集的玉米圖片利用大數據、深度學習[4]技術實現發育期自動識別。借助農作物長勢自動觀測方法的相關研究成果，通過對歷年作物生長實景圖像、人工對比觀測數據進行分析，利用深度學習技術構建作物發育期識別模型，搭建作物長勢分析與應用系統。實現農作物長勢自動識別、輸出并保存農作物的主要生長特征參數，并能基于獲取的特征參數展開應用與分析。

4.1 深度學習識別流程圖

發育期識別主要有三部分的工作，數據集制作、分類模型訓練和模型的應用。詳細流程如圖3發育期識別流程圖所示。

數據集制作：從采集設備獲取圖像，同時收集各站點玉米歷史圖片;按照深度學習模型需求，對原始圖片進行分類標注;將標注好的圖片做圖片增強;最后將增強處理后的圖片制作成深度學習網絡相匹配的數據集。

分類模型訓練：通過對實景圖像、人工觀測結果的分析，搭建適合的學習網絡;利用制作的數據集訓練網絡，同時根據訓練的準確率調整網絡模型和訓練策略;最后把訓練好的識別模型封裝成API。

模型的應用：利用發育期識別API做應用系統開發。

4.2實驗效果

利用收集到的10萬張玉米生長圖片搭建深度學習模型，進行模型訓練，設置epoch=128，batch_size=64，初始學習率0.002，當訓練到57個epoch后，驗證集準確率穩定不變。訓練集、驗證集準確率均達到95%以上，達到理想識別效果。訓練結果打印如下圖4玉米深度模型訓練結果所示。

5 計算精度驗證與修正方法

計算灌溉量是否準確，是該系統能否正確指導并實施智能灌溉的關鍵。本系統將采取真值標定的方法保證計算準確性。

由于該系統利用的數據源多，各個傳感器有獨自的度量標準，在實際計算過程中受到傳感器精度、土壤質地、作物品種等因素的影響，讀數差別很大，因此在正式使用前需要進行標定。本系統中土壤水分傳感器測量的土壤相對濕度是可信的，并且與灌溉量之間的關系是明確的，可以作為灌溉量標定標準。

把預測歷史數據值作為樣本，傳感器實測值作為真值，計算兩者之間的關系，建立標定函數即可完成精度修正。

6 結束語

本系統充分利用氣象觀測信息、天氣預報預測信息、視頻傳感器識別技術、深度學習、大數據、土壤水分平衡方程把較為復雜且無法論證的大田灌溉問題，以科學化、數字化的方式進行定量輸出。該項目的實施是落實氣象為農，科技惠農的戰略目標，是農業大數據技術在智慧農業領域成功運用的典范，具有開拓性的現實意義。

參考文獻：

[1]張華.智能水肥一體化試驗示范以及應用技術[J].福建農業科技，2012（9）： 70-71.

[2] Allen R G，Pereira L S，Raes D，et al.Crop evapotranspira-tion-guidelines for computing crop water requirement[M].Rome： Food and Agriculture Organization of United Nations.1998.

[3]陳玉民.中國主要作物需水量與灌溉[M].北京：水利電力出版社，1995： 45-50.

[4] Shen4eng He， Rynson W H Laul， Wenxi Liu. Super CNN：ASuperpixelwise Convolutional Neural for Salient Object Detec-tion[J]. International Journal of Computer Vision， 2015， 115（3）：330-344.

【通聯編輯：謝媛媛】（上接第163頁）

（2）基于實訓管理需求平臺進行模塊化開發。劃分實訓控制中心模塊、實訓管理模塊、門禁安全模塊、電源管理模塊、財產管理模塊。

（3）項目開發及測試。通過測試發現問題，進行調整，最終解決問題。

7 整體效果評估

我院413大數據實訓室從2018年九月起開始對學生進行完全開放，該實訓室共有高性能計算機40臺、華為大數據服務器兩組、DCN路由交換和信息安全設備兩組，主要用于網絡技術專業學生的實訓教學工作。該實訓室在開放期間基本上無教師值守，我院多個專業的學生在此自主實訓。計應專業和計網專業的部分學生在該實訓室成立了工作室，并取得了不錯的成績。其中計網專業的學生在2019年的全國高職技能大賽大數據賽項上獲得了全國二等獎，計應專業的學生開發的無人機預警系統和森林防火系統獲得了國外用戶的青睞，其他部分學生的專業課成績也得到了提高。實訓室進行智能化管理和開放對高職院校教學及科研有著非常明顯的推動作用，值得推廣。

8 結束語

21世紀，中國智造需要高素質技能人才，對高職院校的實訓教學提出了更高的要求，傳統的實訓室管理模式已經不能滿足教學與日常的需求。通過物聯網技術和計算機技術對實訓室進行智能化建設可以提升實訓室管理水平，提高實訓設備利用率，提升學生的實際技能水平。

參考文獻：

[1]李赫賀.高校實訓室建設與管理的問題分析及對策研究[J].科教文匯，2019（26）：15-16.

[2]范山崗，沈建華.基于物聯網技術的高校實驗室管理系統應用研究[J].科教導刊（電子版），2017（32）：53-54.

【通聯編輯：代影】

作者簡介：毛博識（1987-），男，河南漯河人，助理工程師，學士，主要研究方向為氣象環境要素探測，農業物聯網;康義（1992-），男，工程師，主要研究方向為后臺開發;李文雅（1993-），女，工程師，主要研究方向為數據庫;郭淵杰（1984-），男，工程師，主要研究方向為Android;劉立業（1992-），男，工程師，主要研究方向為通信與技術。