人工智能背景下的農(nóng)業(yè)精準(zhǔn)灌溉技術(shù)研究

胡啟迪 熊剛

摘要：隨著人工智能技術(shù)的發(fā)展，其應(yīng)用領(lǐng)域也在不斷擴(kuò)展，當(dāng)前其在農(nóng)業(yè)領(lǐng)域的應(yīng)用已成為熱點(diǎn)。灌溉是農(nóng)業(yè)生產(chǎn)過(guò)程中的重要環(huán)節(jié)，面對(duì)淡水資源日益匱乏的現(xiàn)狀，精準(zhǔn)灌溉技術(shù)研究以及推廣具有很強(qiáng)的現(xiàn)實(shí)意義。通過(guò)分析國(guó)內(nèi)當(dāng)前精準(zhǔn)灌溉技術(shù)應(yīng)用現(xiàn)狀，總結(jié)出存在的關(guān)鍵問(wèn)題，并結(jié)合已有的技術(shù)及研究成果探討問(wèn)題的解決方法及其可行性。最終基于機(jī)器深度學(xué)習(xí)、物聯(lián)網(wǎng)云平臺(tái)、圖像融合等技術(shù)設(shè)計(jì)出一種適用于田間農(nóng)業(yè)的精準(zhǔn)灌溉系統(tǒng)框架，并對(duì)框架中的關(guān)鍵部分構(gòu)成進(jìn)行了論述，可做智能化程度高、精度高、建設(shè)及維護(hù)成本較低的精準(zhǔn)灌溉系統(tǒng)設(shè)計(jì)參考。

關(guān)鍵詞：精準(zhǔn)灌溉;人工智能;圖像融合;物聯(lián)網(wǎng)云平臺(tái)

中圖分類號(hào)：TP391 ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）13-0082-02

農(nóng)業(yè)為百業(yè)之本，任何一個(gè)國(guó)家的經(jīng)濟(jì)發(fā)展均直接或間接建立在農(nóng)業(yè)保障基礎(chǔ)之上，而農(nóng)業(yè)的發(fā)展則與水資源息息相關(guān)。在2019年聯(lián)合國(guó)國(guó)際水資源大會(huì)上將水資源列為人類可持續(xù)發(fā)展的關(guān)鍵因素，且淡水資源已開(kāi)始面臨全球性緊缺[1]。在我國(guó)，農(nóng)業(yè)淡水資源消耗量已經(jīng)占總淡水消耗量的70%左右[2]。為了突破水資源匱乏這一瓶頸，實(shí)現(xiàn)可持續(xù)發(fā)展，我國(guó)在農(nóng)業(yè)水資源利用上采用開(kāi)源、節(jié)流并行的方式。開(kāi)源一般從農(nóng)作物端入手，使其適應(yīng)鹽堿地甚至海水，從而擴(kuò)大可利用水資源范圍;節(jié)流則是從種植端入手，通過(guò)合理的設(shè)施及方法，使每一滴水都作用在作物的真實(shí)需求上，稱之為精準(zhǔn)灌溉。目前精準(zhǔn)灌溉技術(shù)較為先進(jìn)的國(guó)家可以將水資源利用率達(dá)到95%以上，已經(jīng)證實(shí)了該方式的可行性。

值得注意的是，精準(zhǔn)灌溉這一概念已傳入國(guó)內(nèi)多年，也引進(jìn)了一些先進(jìn)技術(shù)，雖然在溫室農(nóng)業(yè)中取得了較為滿意的效果，但對(duì)于在我國(guó)更為廣泛的田間農(nóng)業(yè)中卻收效甚微。總體可以歸結(jié)為以下三點(diǎn)原因：

1）不同的作物，不同的生長(zhǎng)階段對(duì)水量的需求存在較大的差異性。田間作物與溫室作物不同，其所需灌溉量受降雨量、環(huán)境溫濕度等方面的影響較大。目前國(guó)內(nèi)采用的自動(dòng)灌溉系統(tǒng)決策智能程度較低，涉及的參考維度較少甚至單一，從根本上不具備實(shí)現(xiàn)田間農(nóng)業(yè)精準(zhǔn)灌溉的基礎(chǔ)。

2）要實(shí)現(xiàn)精準(zhǔn)灌溉，其灌溉策略必須具有一定程度的復(fù)雜性，引入人工智能技術(shù)是實(shí)現(xiàn)這一復(fù)雜性的有效手段。目前的自動(dòng)灌溉系統(tǒng)標(biāo)準(zhǔn)化程度低、種類繁多、通信協(xié)議不統(tǒng)一，從而導(dǎo)致網(wǎng)絡(luò)化程度低，較低的網(wǎng)絡(luò)化程度不利于相關(guān)數(shù)據(jù)的累積及共享，不利于以機(jī)器學(xué)習(xí)為主的人工智能技術(shù)在精準(zhǔn)灌溉系統(tǒng)上的應(yīng)用。

3）監(jiān)測(cè)對(duì)象為土壤，通過(guò)按照一定的布局方式插入傳感器獲取含水量信息。這種方式在溫室環(huán)境下具有可操作性，但在露天環(huán)境下，受制于設(shè)備投入、維護(hù)成本以及通信可靠性等方面的制約難以實(shí)施，即便實(shí)施，效果也很難達(dá)到預(yù)期。且經(jīng)大量研究證明，通過(guò)土壤判斷作物缺水情況具有一定的延遲性，甚至無(wú)法反映[3]。

1 關(guān)鍵技術(shù)

針對(duì)以上原因，目前國(guó)內(nèi)外均可找到對(duì)應(yīng)的技術(shù)予以解決，其中包括機(jī)器深度學(xué)習(xí)、物聯(lián)網(wǎng)云平臺(tái)、圖像融合等。

1.1 機(jī)器深度學(xué)習(xí)

由于降水量及環(huán)境溫濕度的影響，精準(zhǔn)灌溉系統(tǒng)需具備預(yù)測(cè)性，其在實(shí)際系統(tǒng)中的表現(xiàn)是一個(gè)以時(shí)間為橫坐標(biāo)，灌水量為縱坐標(biāo)的曲線，因此難點(diǎn)就在于如何繪制出這條曲線。

所謂深度學(xué)習(xí)是當(dāng)前人工智能中的關(guān)鍵技術(shù)，其源自早期的神經(jīng)網(wǎng)絡(luò)，又稱深度神經(jīng)網(wǎng)絡(luò)（Depth Neural Network，DNN），其核心意義在于證明了通過(guò)增加隱含層中神經(jīng)元數(shù)量，可以在一定精度要求下擬合出任意曲線[4]。

在利用DNN進(jìn)行曲線擬合之前，首先應(yīng)構(gòu)建出一個(gè)合理的數(shù)學(xué)模型，該模型的輸出端為果，輸入端為因，即能夠影響到果的所有因素（在實(shí)際應(yīng)用中僅考慮關(guān)鍵因素）。參考田間水量平衡方程[5]，可以得出式（1）所示的灌水量預(yù)測(cè)模型。

[I=P+?SW-DP-Roff-ET] ? ? ? ? ? ? ? ?（1）

式（1）中，[I]為灌水量，單位mm，[ET]為作物需水量，單位mm， P 為降水量（mm），[?SW]為計(jì)劃濕潤(rùn)層內(nèi)土壤有效儲(chǔ)水量的變化量，單位mm，[DP]為深層滲漏量，單位mm，[Roff]為徑流量，單位mm。在該預(yù)測(cè)模型的基礎(chǔ)上通過(guò)圖1所示的流程進(jìn)行DNN訓(xùn)練就可以得到所需的曲線模型。

從流程中可以看出，所謂的訓(xùn)練就是通過(guò)數(shù)據(jù)不斷校正模型中各個(gè)參數(shù)，使其輸入輸出曲線逼近真實(shí)值的過(guò)程。若歷史曲線能夠基本重合，假定曲線的連續(xù)性，則可以認(rèn)為未來(lái)計(jì)算得出的曲線也可以和真實(shí)數(shù)據(jù)基本重合，因此模型便有了預(yù)測(cè)性。在整個(gè)訓(xùn)練過(guò)程中，數(shù)據(jù)的獲取是非常關(guān)鍵的一環(huán)，這就需要借助物聯(lián)網(wǎng)云平臺(tái)技術(shù)。

1.2 物聯(lián)網(wǎng)云平臺(tái)

物聯(lián)網(wǎng)云平臺(tái)可從字面上理解為物聯(lián)網(wǎng)與云平臺(tái)的融合，圖2顯示了物聯(lián)網(wǎng)云平臺(tái)與人工智能之間的關(guān)系。

物聯(lián)網(wǎng)能夠完成原始數(shù)據(jù)的收集工作，云平臺(tái)可以幫助管理這些數(shù)據(jù)，對(duì)散布在網(wǎng)絡(luò)中的海量數(shù)據(jù)進(jìn)行預(yù)處理及分析，因此物聯(lián)網(wǎng)云平臺(tái)是實(shí)現(xiàn)大數(shù)據(jù)的基礎(chǔ)。大數(shù)據(jù)平臺(tái)能夠滿足深度學(xué)習(xí)的海量數(shù)據(jù)需求，海量數(shù)據(jù)需用到巨量運(yùn)算，在模型訓(xùn)練過(guò)程中云平臺(tái)的超強(qiáng)計(jì)算能力為其提供強(qiáng)力支持。總之，物聯(lián)網(wǎng)云平臺(tái)是實(shí)現(xiàn)DNN訓(xùn)練預(yù)測(cè)模型的數(shù)據(jù)及計(jì)算保障。

1.3 圖像融合

在田間以土壤為監(jiān)測(cè)對(duì)象判定是否需要灌溉涉及較高的建設(shè)及維護(hù)成本問(wèn)題，且土壤狀態(tài)并不一定能夠準(zhǔn)確反映作物的缺水情況[3]。目前較為先進(jìn)的監(jiān)測(cè)手段已開(kāi)始以作物本身作為檢測(cè)目標(biāo)，即通過(guò)葉水勢(shì)[6]、內(nèi)源激素[7]、莖水勢(shì)[8]等作物生理指標(biāo)作為其是否缺水的依據(jù)，從結(jié)果上看更加直接且精準(zhǔn)，但信息獲取過(guò)程難以實(shí)現(xiàn)自動(dòng)化，且對(duì)作物本身具有一定傷害性。隨著圖像獲取、處理技術(shù)的快速發(fā)展，圖像精度不斷提升，獲取手段日益增多，處理難度持續(xù)降低，為直接從作物表征得到含水量信息創(chuàng)造了技術(shù)條件，從而產(chǎn)生基于圖像處理技術(shù)獲取作物溫度、水分脅迫指數(shù)以及植被覆蓋度綜合判斷作物缺水情況的方式。該方式為非破壞性測(cè)量，且在當(dāng)前技術(shù)條件下獲取快速，便于實(shí)現(xiàn)自動(dòng)化，其基于以下兩個(gè)結(jié)論：

1）基于Gonzalez-Dugo等研究表明，作物冠層溫度抽象的數(shù)字特征與其在水分適當(dāng)、水分虧缺的不同狀態(tài)下呈現(xiàn)出的水分脅迫指數(shù)之間具有線性及非線性關(guān)系[9]。

2）作物的覆蓋程度可以在一定程度上反映出作物的光合及蒸騰作用，基于Fernández-Pacheco等研究表明：通過(guò)當(dāng)?shù)貧庀髷?shù)據(jù)與作物覆蓋度相結(jié)合可以較為精確地計(jì)算出其實(shí)際耗水量，再與當(dāng)?shù)氐慕邓咳ゲ钪担憧梢缘贸龃朔N作物在該地區(qū)所需的實(shí)際灌溉水量[10]。

其中作物水分脅迫指數(shù)以及溫度的獲取需要用到圖像融合技術(shù)。圖像融合是指不同原理圖像傳感器獲取的同一事物在不同時(shí)刻或者同一時(shí)刻在同一事物不同角度獲取到圖像的合成技術(shù)[11]，從而得到相較于單一拍攝模式下更精確、更清晰、信息量更大的圖像。

通過(guò)結(jié)論1）可以知道：一方面，作物的水分脅迫指數(shù)是判定是否需要灌溉的重要依據(jù);另一方面，作物冠層溫度與作物水分脅迫指數(shù)之間存在一定函數(shù)關(guān)系，即可通過(guò)冠層溫度獲得作物脅迫指數(shù)。要達(dá)到這一目的，就需要獲得能夠反映溫度分布的紅外圖像以及反映作物冠層分布的可見(jiàn)光圖像，然后將兩種圖像進(jìn)行融合后就可以得到作物冠層的溫度分布信息。具體融合流程如圖3所示。

在此基礎(chǔ)上，結(jié)合氣象數(shù)據(jù)，基于JONES的變換公式可以得到作物的脅迫指數(shù)，具體如式（2）所示。

[CWSI= Tc-TwetTdry-Twet] ? ? ? ? ? ? ? ? ? ? ? ? （2）

式（2）中，CWSI即為所需求得的脅迫指數(shù)，[Tc]代表作物冠層溫度，單位是攝氏度;[Tdry]是指作物葉子中氣孔關(guān)閉不發(fā)生蒸騰時(shí)的溫度，即作物的上限溫度，單位是攝氏度;[Twet]與之相反，是作物在葉片氣孔完全打開(kāi)蒸騰作用最大時(shí)的溫度，即下限溫度。為了實(shí)現(xiàn)以上數(shù)據(jù)的自動(dòng)化采集，可使用當(dāng)?shù)氐臍庀髷?shù)據(jù)推算式（2）中的各項(xiàng)參數(shù)，依據(jù)Irmak的研究，[Tdry]可以用空氣溫度上浮5攝氏度得到，而[Twet]則可以利用Monteith and Unsworth提出的公式近似得出，具體如式（3）所示。

[Twet ≈ Ta-esTa-ea?+ γ] ? ? ? ? ? ? ? ? ? ? ? ? （3）

式（2）中，[?]是溫度與飽和水汽壓關(guān)系線的斜率，[es]是在[Ta]溫度下的飽和水汽壓強(qiáng)（K·Pa），[ea]是當(dāng)前區(qū)域?qū)嶋H水汽壓強(qiáng)（K·Pa），[γ]為濕度計(jì)常數(shù)。綜合式（2）和（3）便可得到作物的脅迫指數(shù)。

2 應(yīng)用方案

可以看出，在人工智能背景下，借助當(dāng)前已有且較為成熟的理論及技術(shù)，可以有效解決當(dāng)前田間農(nóng)業(yè)精準(zhǔn)灌溉中存在的現(xiàn)實(shí)問(wèn)題，使真正實(shí)現(xiàn)精準(zhǔn)灌溉成為可能。

2.1總體框架

結(jié)合以上技術(shù)，田間農(nóng)業(yè)精準(zhǔn)灌溉系統(tǒng)可采用圖4所示的框架。在該框架下，整個(gè)系統(tǒng)供電采用光伏系統(tǒng)，可充分利用田間農(nóng)業(yè)的自然環(huán)境，達(dá)到節(jié)能減排的目的，且融合了物聯(lián)網(wǎng)云、深度神經(jīng)網(wǎng)絡(luò)、圖像融合等先進(jìn)技術(shù)作為決策工具，最后通過(guò)節(jié)水性、可控性最好的滴灌系統(tǒng)進(jìn)行決策實(shí)施。

2.2主控系統(tǒng)

在圖4所示框架下，主控系統(tǒng)需要承擔(dān)圖像融合，無(wú)線數(shù)據(jù)傳輸，部分深度神經(jīng)網(wǎng)絡(luò)計(jì)算，決策指令下發(fā)以及人機(jī)交互等任務(wù)，樹(shù)莓派是能夠升任以上任務(wù)的主控系統(tǒng)之一。

樹(shù)莓派（Raspberry Pi）是一款以ARM架構(gòu)處理器為核心的微型計(jì)算機(jī)系統(tǒng)，性能比肩通用PC，且在圖像特征提取、目標(biāo)檢測(cè)、圖像識(shí)別等方面更具優(yōu)勢(shì)[12-14]。樹(shù)莓派的硬件結(jié)構(gòu)精巧，因此成本較低，本質(zhì)上屬于嵌入式系統(tǒng)，因此實(shí)時(shí)性很強(qiáng)[15]。從硬件資源上來(lái)說(shuō)，樹(shù)莓派系統(tǒng)已經(jīng)具備Wi-Fi和 Bluetooth等無(wú)線通信能力，且主板上還有豐富的標(biāo)準(zhǔn)型接口，包括4個(gè)USB、CSI攝像頭、DSI顯示、HDMI、10/100Base?T/TX等，可以方便地根據(jù)需要連接所需的外設(shè)，如系統(tǒng)中涉及的移動(dòng)通信模塊。值得一提的是，樹(shù)莓派系統(tǒng)還提供了40個(gè)類似傳統(tǒng)MCU的GPIO，因此可以直接實(shí)現(xiàn)系統(tǒng)中所需要的傳感器網(wǎng)絡(luò)，作為物聯(lián)網(wǎng)系統(tǒng)中的一個(gè)檢測(cè)節(jié)點(diǎn)。

在本系統(tǒng)中，重點(diǎn)看重的是樹(shù)莓派在人工智能以及網(wǎng)絡(luò)方面的能力，這得益于其基于Linux操作系統(tǒng)，可以與現(xiàn)有的云平臺(tái)實(shí)現(xiàn)零障礙對(duì)接，與當(dāng)下人工智能技術(shù)具有很好的結(jié)合性，可以較為容易地實(shí)現(xiàn)系統(tǒng)中涉及的深度神經(jīng)網(wǎng)絡(luò)。

2.3圖像采集系統(tǒng)

圖像采集系統(tǒng)包括定點(diǎn)采集及動(dòng)態(tài)采集，在本框架下，動(dòng)態(tài)采集主要收集作物俯視角度圖像，且田間農(nóng)業(yè)涉及的檢測(cè)范圍廣泛，因此選擇無(wú)人機(jī)作為攝像頭載體非常合適。

隨著人工智能技術(shù)的發(fā)展，當(dāng)前的無(wú)人機(jī)已經(jīng)可以實(shí)現(xiàn)較大參數(shù)范圍內(nèi)的自主飛行。通過(guò)無(wú)人機(jī)進(jìn)行所需的圖像采集，可以直接降低檢測(cè)設(shè)備的部署及維護(hù)成本，且通過(guò)適當(dāng)?shù)穆窂揭?guī)劃可以使得圖像采集過(guò)程更為靈活。在部署無(wú)人機(jī)的時(shí)候，通過(guò)結(jié)合遙感技術(shù)及衛(wèi)星定位技術(shù)，可以在圖像采集的同時(shí)對(duì)當(dāng)前地形情況進(jìn)行高精度分析，從而配合完成農(nóng)業(yè)指導(dǎo)的工作。

2.4灌溉系統(tǒng)

對(duì)于田間農(nóng)業(yè)來(lái)說(shuō)，單獨(dú)地采用現(xiàn)有任何一種灌溉方式，都不能勝任最后的灌溉決策執(zhí)行任務(wù)，無(wú)法達(dá)到真正意義上的精準(zhǔn)灌溉。在本框架下以滴灌為主，負(fù)責(zé)整體的基礎(chǔ)灌溉任務(wù)，再以地面灌溉機(jī)結(jié)合物聯(lián)網(wǎng)為輔，負(fù)責(zé)完成局部精準(zhǔn)補(bǔ)水任務(wù)。在該方式下，系統(tǒng)做出灌溉決策后，會(huì)根據(jù)決策的內(nèi)容決定采用何種方式實(shí)施灌溉任務(wù)。總體上說(shuō)，若結(jié)合氣象因素判定，作物整體需要一定水量，則該部分水量可通過(guò)滴灌系統(tǒng)完成補(bǔ)充，若在此基礎(chǔ)上發(fā)現(xiàn)局部區(qū)域作物有缺水現(xiàn)象，則由物聯(lián)網(wǎng)通過(guò)控制地面灌溉機(jī)到達(dá)指定位置完成區(qū)域補(bǔ)水任務(wù)。

3 結(jié)語(yǔ)

綜合以上，在人工智能背景下，結(jié)合神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的精準(zhǔn)預(yù)測(cè)性，物聯(lián)網(wǎng)云平臺(tái)強(qiáng)大的數(shù)據(jù)采集及管理能力以及圖像融合技術(shù)共同用于田間農(nóng)業(yè)精準(zhǔn)灌溉系統(tǒng)具有充足的理論依據(jù)，且基于現(xiàn)有的技術(shù)水平及設(shè)備條件其具有可實(shí)施性。綜合分析下來(lái)，該系統(tǒng)具有智能化程度高、精度高、建設(shè)及維護(hù)成本較低等特點(diǎn)。

參考文獻(xiàn)：

[1] 馮軍，石超，門勝男，等.不同降雨下旱地油菜節(jié)水節(jié)肥技術(shù)對(duì)土壤養(yǎng)分及酶活性的調(diào)控效應(yīng)[J].草業(yè)學(xué)報(bào)，2020，29（4）：51-62.

[2] 高佳，張恒嘉，巴玉春，等.調(diào)虧灌溉對(duì)綠洲灌區(qū)膜下滴灌辣椒生長(zhǎng)發(fā)育和產(chǎn)量的影響[J].干旱地區(qū)農(nóng)業(yè)研究，2019，37（2）：25-31.

[3] 崔可旺.基于圖像融合的作物精準(zhǔn)灌溉生理參數(shù)研究[D].天津：河北工業(yè)大學(xué)，2019.

[4] 劉婧然，武海霞，劉心，等.基于深度學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)的青椒調(diào)虧灌溉水量預(yù)測(cè)[J].干旱地區(qū)農(nóng)業(yè)研究，2021，39（6）：105-112，170.

[5] Allen R G，Pereira L S，Raes D，et al.Crop evapotranspiration-guidelines for computing crop water requirements-FAO irrigation and drainage paper 56[M].Rome： FAO，1998.

[6] 彭浩，朱學(xué)藝，宋文路，等.干旱和復(fù)水對(duì)玉米幼苗葉綠素?zé)晒鈪?shù)的影響[J].濟(jì)寧學(xué)院學(xué)報(bào)，2016，37（3）：9-15.

[7] 趙化春.確定作物需要灌溉指標(biāo)的綜述[J].吉林農(nóng)業(yè)科學(xué)，1982，7（2）：91-96.

[8] Nadezhdina N.Specificity of sap flow index for mist irrigation control[J].Acta Horticulturae，2000（537）：479-485.

[9] González-Dugo M P，Moran M S，Mateos L，et al.Canopy temperature variability as an indicator of crop water stress severity[J].Irrigation Science，2006，24（4）：233-240.

[10] Fernández-Pacheco D G，Escarabajal-Henarejos D，Ruiz-Canales A，et al.A digital image-processing-based method for determining the crop coefficient of lettuce crops in the southeast of Spain[J].Biosystems Engineering，2014，117：23-34.

[11] J L，Genderen V，Pohl C.Image fusion：Issues，techniques and applications[J].Intelligent Image Fusion，Proceedings EARSeL Workshop，1994（January 2016）：18-26.

[12] 宗宇軒.基于優(yōu)化紋理特征的手背靜脈識(shí)別算法研究及在RaspberryPi系統(tǒng)上的實(shí)現(xiàn)[D].長(zhǎng)春：吉林大學(xué)，2018.

[13] 張洋碩，苗壯，王家寶，等.基于Movidius神經(jīng)計(jì)算棒的行人檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用，2019，39（8）：2230-2234.

[14] 馬帥.基于樹(shù)莓派的人臉識(shí)別門禁系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].大連：大連交通大學(xué)，2018.

[15] 韓文超.基于樹(shù)莓派的葫蘆絲演奏機(jī)器人設(shè)計(jì)與開(kāi)發(fā)[D].武漢：武漢科技大學(xué)，2016.

【通聯(lián)編輯：梁書】