基于LoRa技術的農田智能灌溉系統設計*

孟祥，趙瑩，徐卓威，張大慶

(1. 北華大學電氣與信息工程學院,吉林吉林,132021; 2. 吉林農業科技學院,吉林吉林,132101)

0 引言

我國用在農業上的灌溉用水占了全國總用水量的70%左右,灌溉水資源的利用率比發達國家利用率低40%。因此提高灌溉水資源的利用率,發展節水灌溉和智能灌溉具有重要的意義。

傳統灌溉方式包括漫灌、噴灌、滴灌等,存在各種各樣問題。近些年,隨著電子技術、物聯網技術和機器學習等智能算法理論的發展,很多學者開始研究基于這些技術的智能灌溉。高國麗[1]提出了基于智能控制的農業節水灌溉系統的研究,該論文僅限于理論研究和仿真,未實際應用和測試;余國雄等[2]提出了基于物聯網的荔枝園信息獲取與智能灌溉專家決策系統,該系統能夠對灌溉量和灌溉時間進行預測,但該系統的準確率只有75%;沈建煒等[3]提出了丘陵地區藍莓園智能灌溉決策系統設計,該系統的決策模塊未使用智能算法,存在預測量精度不高的問題;張麗娜等[4]提出了基于模糊RBF神經網絡算法的灌溉控制系統設計,該論文采用RBF神經網絡和模糊控制系統對玉米農田的灌溉量和灌溉時間進行預測,該系統未應用物聯網技術,可擴展性差。

本文設計的基于LoRa通信技術的農田智能灌溉系統,充分運用多源信號采集技術、ARM嵌入式系統應用技術、Lora無線通信組網技術和神經網絡模糊智能優化算法,利用土壤墑情、天氣預報等信息給出精準灌溉策略,實現農田作物精準化灌溉。

1 系統總體架構

基于LoRa的農田智能灌溉系統由作物信息采集單元、無線網絡傳輸單元、智能決策單元和灌溉輸出單元組成。采集單元將農田作物信息通過無線模塊和網關與智能決策單元進行遠程數據連接;智能決策預警單元對作物需水信息進行決策分析,并通過服務接口發送到各區域灌溉輸出單元,執行精準灌溉。用戶通過網絡可實時獲取當前作物信息和灌溉情況,系統架構如圖1所示。

圖1 系統架構Fig. 1 Diagram of system structure

2 模型建立及決策

2.1 作物蒸騰量模型

作物的蒸騰量由聯合國糧農組織推薦的彭曼公式得到,該公式統一了計算標準,不用改變任何參數即可得到世界各個地區和各種氣候的作物蒸騰量[5]。

(1)

(2)

(3)

λ=2.501-2.361×10-3T

(4)

(5)

(6)

(7)

(8)

式中:ET0——作物蒸騰量;

Δ——水汽壓力曲線斜率,kPa/℃;

Rn——作物表面的凈輻射量,MJ/(m2·d);

G——土壤熱通量密度,MJ/(m2·d);

γ——濕度計常數,kPa/℃;

T——地面以上2 m處的平均氣溫,℃;

u2——地面以上2 m處的風速,m/s;

es——飽和水汽壓,kPa;

ea——實際水汽壓,kPa;

P——氣壓,kPa;

λ——水蒸氣潛熱;

RHmean——平均相對濕度;

e0——某個時刻飽和水汽壓,kPa;

Tmax——日最高氣溫,℃;

Tmin——日最低氣溫[6-7],℃。

2.2 作物需水量模型

作物需水量

E=KcET0

(9)

式中:Kc——作物系數。

Kc=KcbKs+KW

(10)

式中:Kcb——基本作物系數;

Ks——水分脅迫系數;

KW——反映降雨或灌水后濕土蒸發增量對作物系數影響的系數[8]。

2.3 降雨量模型

預測降雨量可根據天氣預報的數據得到,降雨量

P0=αP

(11)

(12)

式中:P0——有效降雨量,mm;

α——降水系數。

2.4 土壤水量平衡模型

旱作物計劃濕潤層內的水量平衡方程[9]

W2=W1+P0+K+Wg+m-E-f

(13)

W1=10Hθωρb

(14)

Wg=10(H2-H1)θωρb

(15)

K=(X-0.1GDW)ET

(16)

式中:W1——灌溉前土壤內的含水量;

W2——灌溉后土壤內的含水量;

K——土壤地下水補給水量;

Wg——灌溉期間內由于土壤加深而增加的水量;

m——灌溉期間灌水量;

E——灌溉期間作物需水量;

f——灌溉期間深層滲透量;

X——補給系數;

H1——灌溉前計劃濕潤層深度,cm;

H2——灌溉后計劃濕潤層深度,cm;

θω——土壤層的質量含水率[9];

ρb——土壤的干容重[9],g/cm3;

GDW——地下水埋深度[9],m。

根據作物需要達到的含水量和已知的當前土壤含水量等信息,根據平衡公式可得出灌水量

m=W2-W1-P0-K-Wg+E+f

(17)

2.5 決策功能模塊

采用神經網絡和模糊控制算法相結合的方式對目標進行決策[4],神經網絡采用RBF神經網絡,決策目標為灌溉時間和灌溉量,結構圖如圖2所示。

圖2 決策模型框圖Fig. 2 Block diagram of decision model

采用RBF神經網絡,根據空氣溫度、濕度、光照強度、氣壓、風速以及氣象條件等信息,預測出作物適宜生長的需水量,再與當前土壤含水量比較得出實際需水量。模糊控制系統根據實際需水量,土壤水分變化率、氣象條件等決策出灌溉量和灌溉時間,最后通過灌溉控制輸出模塊打開閥門進行灌溉。

3 作物信息采集單元設計

作物信息采集單元主要完成土壤含水量、光照強度、風速、溫度、濕度及降雨量等信息量化與處理[10]。這里采用WS-N01-TR型土壤水分傳感器和FSXCS-N01型小型一體式氣象站。WS-N01-TR型傳感器是基于頻域反射原理設計,具有性能穩定,受環境影響較小的特點,能準確反映土壤真實含水率。土壤水分傳感器技術參數如表1所示。

表1 土壤含水率傳感器技術參數Tab. 1 Technical parameters of soil moisture sensor

每個作物信息采集單元包含三個WS-N01-TR型傳感器,布設于作物根系周圍,檢測不同土壤深度的含水率和溫度,能更精確可靠反饋作物需水信息。傳感器采用RS-485接口與MSP430FR2433通信,完成土壤含水率、溫度參數的讀取與處理,處理器通過LoRa無線模塊與區域集中器構成作物信息無線感知網絡,采集節點采用了光伏發電和低功耗設計[10]。作物信息采集單元結構如圖3所示。

圖3 作物信息采集節點結構Fig. 3 Node structure of crop information collection

4 無線傳輸單元設計

短距離無線數據傳輸常采用WiFi、BLE、Zigbee、433M無線電臺、GPRS模塊、LoRa模塊等,其性能對比如表2所示[11]。

WiFi 的功耗比較大,適合高速傳輸大量的數據;BLE功耗相對比較低,但能同時連接的設備有限;Zigbee通信技術由終端、中繼、協調器構成,可實現自組網,功耗低,但通信距離較短;GPRS在野外農田及丘陵地區信號抗干擾性較弱;433M無線電臺廠家標準不一,兼容性不好。LoRa技術具有抗干擾性強、通信距離遠、功耗低等諸多優點,因此選擇LoRa模塊進行組網。

表2 短距離無線數據傳輸方式性能比較Tab. 2 Performance comparison of short distance wireless data transmission methods

農田作物信息無線傳輸單元采用星型拓撲結構,這種點對多點通信方式比較簡單且方便維護與管理。LoRa模塊構成的作物信息無線傳輸網絡結構如圖4所示[12]。

圖4 LoRa技術構成的無線傳輸網絡Fig. 4 Wireless transmission network composed of LoRa technology

基于星型拓撲的LoRa網絡,需要一個中央實體,即網關(GW),才能在多個設備之間執行通信。網關部署在區域集中器上,通過NB-IoT或4G接入互聯網。Lora模塊采用有人科技的WH-101-L系列,具有DC 1.8～3.6 V操作電壓,2 μA低功耗,高靈敏度,傳輸距離可達4 km。

區域集中器通過LoRa模塊與區域內作物信息采集節點、灌溉輸出節點交互信息,將收集的信息通過IoT模塊傳輸到云端[13]。集中器采用ARM Cortex M3處理器,通過AIR724UGI LTE Cat.1模塊接入廣域網,實現LoRa網關功能,并通過RS-485接口對區域環境信息采集處理,如環境溫濕度、風速風向、光照強度等。集中器設計原理如圖5所示。

圖5 集中器設計原理圖Fig. 5 Design schematic diagram of concentrator

5 灌溉輸出控制單元

灌溉輸出模塊通過LoRa模塊接收服務器發送的控制指令,包括灌溉量及灌溉時間,MSP430對電動閥進行開啟或者關閉操作,并對供水壓力、閥門狀態、電源電壓進行檢測,診斷節點運行狀態。能源供給采用光伏供電和鋰電池蓄能技術,設計合理的光伏配比,保證灌溉節點的能源供應。灌溉輸出控制節點結構如圖6所示。

圖6 灌溉輸出控制節點結構Fig. 6 Structure of irrigation output control node

6 系統軟件設計

智能灌溉系統軟件主要包括作物信息采集節點、區域集中器LoRa網關通信程序及云平臺程序設計。作物信息采集程序、集中器網關程序是實現無線感知網絡的核心,區域集中器LoRa網關是在TCP/IP協議上搭載MQTT協議實現數據的遠程云傳輸。

作物信息采集節點采用光伏和鋰電池雙模供電模式,有利于節點布局和土壤耕作。流程如圖7所示。

圖7 采集節點程序流程圖Fig. 7 Program flow chart of acquisition node

采集節點采用MSP430F2433處理器完成土壤含水率、溫度參數的讀取與處理,并對能源進行分配與管理,采集的信息通過LoRa網絡傳輸到區域集中器。LoRa采集節點采用基于同步信標的喚醒機制,可實現各節點喚醒周期動態調整,最大程度降低節點功耗,有利于長期野外運行。

RTC定時器中斷將CPU從低功耗LPM3狀態喚醒后,主程序根據運行模式完成時間信標同步與比較、信息采樣、通信處理等任務,CPU空閑時將再次進入低功耗狀態。在每次RTC溢出中斷服務程序中,將對系統時間戳進行累加處理,以保障LoRa同步喚醒機制的可靠性。

區域集中器單元是服務器和采集模塊及灌溉控制輸出模塊間保證通信的協議轉換模塊,模塊程序設計包含環境信息采集處理、LoRa網絡組網、協議轉換、云端服務器連接等部分。STM32處理器通過AIR724UGI模塊內置的MQTT協議發送云連接請求,與服務器建立長連接,模塊在網絡斷開時會自動重連,重新訂閱主題。模塊接收來自服務器推送的消息,解析并轉換為LoRa網絡協議,實現終端模塊的數據、命令實時傳送任務。集中器模塊在完成組網后,采用同步信標喚醒機制,對LoRa網絡中終端實現動態周期性喚醒,接收采集的作物信息數據,并向服務器推送。區域集中器網關模塊工作流程如圖8所示。

圖8 區域集中器網關模塊工作流程圖Fig. 8 Flow chart of a zone concentrator gateway module

為降低終端采集與控制輸出單元的運行功耗,LoRa網絡采用同步喚醒機制,喚醒周期可由集中器網關根據功耗需求動態劃分。LoRa網絡同步喚醒機制如圖9所示。

圖9 LoRa網絡同步喚醒機制Fig. 9 Synchronous wake up mechanism of LoRa networks

LoRa網絡幀包括同步信標幀、注冊幀、業務幀組成。同步信標幀Tb是由集中器網關采用內部RTC定時發送,注冊幀TR是節點請求加入網絡時使用,業務幀TWD標包含喚醒幀TW和數據幀TD,當節點不需要喚醒幀時,可去掉不使用,以提高響應速度和降低功耗。注冊幀和業務幀是在信標幀Tb間隔中的等間隔時隙,每個TWD幀時隙完成一個節點的數據傳輸,注冊幀TR可由網關動態調節使用數量,以加快多節點入網速度。

未入網的感知節點收到同步信標幀Tb后,發送入網注冊請求幀,網關查詢節點ID是否注冊,并根據ID類型在應答幀中給出請求節點的喚醒時間(Tnb,TnWD),節點根據該參數計算下次喚醒開窗延時,延時到達后,定時器中斷將喚醒節點,上報節點信息數據,接收網關下行數據,數據傳輸完成節點將再次休眠。

為保證節點和網關的時鐘節拍一致,節點需根據同步信標定期做一次時鐘同步,同步的頻度可根據時間誤差多少動態調整。網絡信標的同步機制,使得網關可以預知所有終端節點的喚醒開窗時刻,并可按需動態調整[14]。

本文采用的WH-101-L型LoRa模塊工作于LSR低功耗發送接收模式,MSP430通過Wake引腳控制喚醒,啟動發送和接收任務。模塊開啟了LBT檢測功能,在發送數據前對當前信道狀況進行檢測,確認數據發送時信道處于空閑狀態,防止與當前信道數據包撞包,提高多節點同時注冊入網速度。

7 系統應用與測試

該系統2020年5月安裝在吉林農業科技學院試驗田,用于藍莓試驗基地和玉米試驗基地的遠程精準灌溉。

7.1 土壤水分傳感器安裝布置

不同藍莓品種的細根在淺土層分布都比較集中,占總根系比例也很大,且土層越深,細長根系快速減少。基于藍莓根系的分布特征,分別在10 cm、20 cm、40 cm土層深度各埋設一個WS-N01-TR傳感器。通過數據融合技術獲得更精準的作物土壤墑情信息[15]。表3是三種不同深度土壤信息數據,能夠正確檢測藍莓根系周圍土壤含水率和溫度的變化。

表3 不同深度土壤溫濕度數據Tab. 3 Soil temperature and humidity data at different depths

7.2 無線通信傳輸試驗分析

LoRa模塊WH-L101-L采用擴頻、跳頻技術通信,速率越低,傳輸距離越遠,抗干擾能力越強,但發送數據耗時越長。圖10是不同速率下模塊的傳輸距離和100 byte空中傳輸耗時。由圖10可以看出,隨著空中傳輸速率的上升,WH-L101-L傳輸100字節耗時縮短,傳輸距離會較明顯下降,為保證穩定傳輸,模塊速率選擇2.930 Kbps,通信距離在3 km內[14]。

圖10 不同速率下模塊的傳輸距離和 100字節空中傳輸耗時Fig. 10 Transmission distance and 100-byte transmission time of modules at different rates

為檢測傳感器在無線網絡中的傳輸穩定性和可靠性,選取6個子節點與網關節點安裝位置設置在3 km范圍內,傳輸距離依次等距增加,空中傳輸速率固定選擇2.930 Kbps,每包數據64 byte,測試網關與各節點采集節點收發情況。表4為LoRa網絡通信測試數據,在2 400 m內通信平均丟包率為0.3%,數據表明采用WH-L101-L構建的LoRa網絡能夠滿足作物信息數據的遠程傳輸。

表4 LoRa網絡通信測試數據Tab. 4 Test data of LoRa network communication

7.3 決策測試結果

部分作物不同時期在20 cm土壤深度處于最佳生長狀態時的相對土壤含水率見表5[3]。

表5 部分作物土壤適宜含水量Tab. 5 Suitable water content of some crop soils

根據藍莓需水情況可知,藍莓在果實膨大期的最適合含水率是70%RH～75%RH,在果實膨大期經智能決策灌溉和傳統灌溉比對后得到土壤含水率的變化曲線如圖11所示,由數據統計可得智能決策灌溉方式和傳統灌溉方式含水率的均方差分別為1.80和2.58,可見智能決策灌溉方式比傳統灌溉方式更精準。經智能灌溉后,在果實膨大期藍莓能夠在合適的含水條件下生長。

圖11 藍莓試驗田含水率的變化曲線Fig. 11 Curve of soil moisture content in blueberry test field

吉林地區玉米灌漿中前期處于8月份,該生長期的最適合相對土壤含水率為70%RH～85%RH,智能決策灌溉和傳統灌溉比對后得到土壤含水率的變化曲線如圖12所示,由數據統計可得智能決策灌溉方式和傳統灌溉方式含水率的均方差分別為4.83和6.52,可見智能決策灌溉方式比傳統灌溉方式優越。

圖12 玉米試驗田含水率的變化曲線Fig. 12 Curve of soil moisture content in blueberry test field

8 結論

應用嵌入式處理器和無線通信技術研發設計了網絡化農田智能精準灌溉系統。系統采用ARM處理器與AIR724UGI設計了區域集中器模塊,以LoRa模塊和MSP430單片機構建了低功耗無線作物信息感知與控制網絡,通過LoRa網關將作物信息數據傳輸到云端數據服務器,并采用軟件開發技術開發了云端智能決策與管理軟件。

1) 系統采用MSP430處理器與WH-101-L型LoRa模塊實現了低功耗、網絡化終端節點設計,網絡通信平均丟包率為0.3%,數據結果表明,構建的LoRa無線作物感知網絡數據傳輸穩定,并具備較強的擴展性。

2) 采用基于同步信標的喚醒機制,實現各LoRa節點喚醒周期動態調整,最大程度降低節點功耗。

3) 試驗結果表明,在藍莓試驗田和玉米試驗田采用神經網絡和模糊控制算法相結合的策略進行灌溉,得到含水率均方差分別為1.80和4.83,均比傳統灌溉方式含水率均方差低,說明通過智能決策單元依據實時作物信息和數據庫能夠進行精準灌溉,保證作物在最適合含水率條件下生長。