基于LoRa 的作物生长监测与精准灌溉系统研究*

叶廷东，彭选荣

（广东轻工职业技术学院，广东 广州 510300）

水资源缺乏是当前世界各国共同面临的问题，各国都十分重视发展节水型灌溉技术。发达国家水资源利用率高达70%~80%，我国农业用水量约占总用水量的80% 左右，由于农业灌溉效率普遍低下，水资源利用率仅为45%。为此各国学者和企业都在不断地研制自动化灌溉系统［1-2］。

当前国内外众多的自动化灌溉系统通常侧重于采集环境参数，基于固定策略实施自动化喷水灌溉，或基于历史灌溉数据的专家系统指导智能灌溉，因此难以实现按作物实际需求进行精准灌溉，水资源利用率提升有限［3-4］。准确估算作物需水量，根据作物需水量动态生成灌溉决策，是合理利用水资源，提高灌溉效率的重要环节。作物需水量受作物种类、生长期、降水量、气温、土壤湿度、光照强度等众多因素的影响，由于这些影响因素具有多样性、不确定、复杂性的特点，往往很难完全理解这类复杂系统从而建立预测模型。文献［5-6］利用人工神经网络的自适应学习能力根据观测数据自动发现数据中的模式，并开发非线性系统模型，从而进行可靠预测，说明神经网络适合用于解决作物需水量预测建模等问题。但基于神经网络预测模型研究的一个关键是在实现良好预测效果的同时兼顾学习速度和硬件实现［7-8］。

LoRa 是美国semtech 公司研发的一种低功耗、超远距离无线传输方案，它因为部署简单、灵敏度高、成本低、抗干扰能力强等优点得到了广泛应用［9］。为此，本文将基于LoRa 技术构建无线传感监测网络，实现作物生长监测，并研究利用作物需水量预测神经网络模型实现按需精准灌溉。

1 系统总结架构与网络协议栈结构设计

图 1 精准灌溉系统总体框架图

基于LoRa 传感网络技术，论文提出一套融合人工智能、低功耗无线网通信、物联网技术、智能决策的农田精准灌溉系统解决方案。该系统总体框架为三层体系结构，如图1 所示，它由感知层LoRa 无线传感器网络监控子系统、传输层的无线网络数据传输子系统和应用层信息管理子系统组成。其中应用层信息管理子系统主要包含数据展示子系统、数据分析子系统、精准灌溉决策子系统。

基于图1 感知层的LoRa 无线传感网络架构，设计如图2 所示的网络协议栈体系结构，该网络协议栈结构具有二维结构形式，即横向的通信协议层和纵向的传感器网络管理面［10］。其中通信协议层通常可以分为物理层、链路层、网络层、传输层和应用层五个组成部分，在网络层集成IPv4/v6 协议模块，实现低功耗IPv6 技术以及与IPv4 网络融合。在网络管理方面分别有拓扑结构管理模块、网络资源模块和服务质量管理模块等三大部分组成。其中拓扑管理模块主要负责网络结构自主形成、节点休眠等以保证低功耗运行；网络资源管理模块主要负责为上层应用服务的实现提供集成的网络环境以及传感网络各种资源的管理，并通过服务质量管理模块为图2 中的五层数据通信提供高质量服务［11］。

在网络通信时将利用IPv6/6LoWPAN 边界网关能实现传感器节点与以太网之间的通信，使用MQTT（消息队列遥测传输协议）与CoAP（受限应用协议），能使应用端直接访问传感器节点上具体的某个传感器的数据。

图2 无线传感器网络IPv4/v6 协议栈结构

根据LoRa 传感网络监测数据进行按需精准灌溉的关键是要作物需水量预测神经网络模型，并根据模型生成智能灌溉策略。

2 基于广义回归神经网络的预测模型（GRNN）

2.1 广义回归神经网络模型（GRNN）

GRNN 以RBF 神经网络为基础发展而来。GRNN 具有很强的非线性映射能力和学习速度，比RBF 具有更强的优势，GRNN 最后普收敛于样本量集聚较多的优化回归，样本数据少时，预测效果很好，还可以处理不稳定数据，特别是数据精准度比较差的时候有着很大的优势，同时便于硬件实现［12-13］。

GRNN 在 结 构 如 图 3 所 示， 图 中（x1，x2，...xn）为学习样本中的输入向量，GRNN输入层的各神经元直接将输入变量传递给模式层［14］。由于GRNN 模式层的神经元数目即为学习样本的数目n，则GRNN 每个神经元分别对应一个学习样本，模式层中第i 个神经元的传递函数为：

（1）式中，Pi是各模式层的神经元输出，σ为平滑因子，Xi 为第i 个神经元对应的学习样本。

求和层中包含了分母求和单元与分子求和单元，分母求和单元对所有模式层神经元的输出进行算术求和，模式层中各个神经元与该神经元的连接权值为1，传递函数为：

分子求和单元是对神经元输出加权求和，其连接权值是模式层中神经元的输出 yi 值，其传递函数为：

输出层是由求和层中的分子求和单元、分母求和单元的输出相除得到，即：

GRNN 模型结构简单、运算复杂度较低、执行效率高，在网络中只需确定参数σ 即可获得准确输出，因此极大简化了网络运算的性能，增加了网络模型的鲁棒性。

图3 GRNN 模型结构

2.2 神经网络预测模型精度评价

模型精度评价指标主要包括均方根误差（RMSE）、平均绝对误差（MAE）、相关系数（r），各指标的计算公式如下：

（5）-（7）式中：xi为PM 公式计算参考作物逐日需水量值，yi为预测模型计算参考作物需值；n 为样本个数。当相关系数r 达到70% 以上，可作为正式性预报；当相关系数r 小于70%，可用于参考性预报。

2.3 神经网络需水模型预测模型应用分析

根据应用实际情况，本次所使用的数据样本为文献［15］试验田现场采集到逐日光照S、大气温度T、大气湿度U、土壤湿度及PM 公式计算参考作物逐日需水量ET0计365 组相关数据；其中光照时长、大气温度T、大气湿度U、土壤湿度作为神经网络预测模型的输入，参考作物逐日需水量ET0作为预测模型输出。在计算过程中，采用随机的方法产生训练集和测试集，从365 组样本数据中随机抽取320 条作为农作物需水量预测模型训练集，余下45 条作为预测模型测试集。

为了对比研究，分别采用GRNN 和BP 神经网络进行训练计算，其中BP 神经网络可以逼近非线性函数将采用不同的激活函数进行，它们分别为 Sigmoid 函数和 a 为 2 时 Gegenbauer 多项式，输出层采用函数tansig ；训练函数采用梯度下降法traingdm。模型多次测试后，当模型隐含层神经元节点个数为4 时，模型运行效果最优。平滑因子σ 是GRNN 中的重要参数，本文分别设定其值为以0.1 为步长，使用K-CV 法训练模型，循环验证，选取最优模型，确定最终网络结构，经过筛选，最终确定GRNN 模型的光滑因子值为0.5。三种模型的预测结果和比较如表1和图4 所示。

图4（a）为BP 神经网络预测模型（Sigmoid激活函数）的预测图，它预测平均绝对误差为0.223、均方根误差为0.280、相关系数为0.753 ；图4（b）为BP 神经网络预测模型（Gegenbauer激活函数）的预测图，该模型的预测平均绝对误差为0.223、均方根误差为0.270、相关系数为0.792；图4（c）为GRNN 预测模型的预测图，模型预测平均绝对误差为0.151、均方根误差为0.197、相关系数为0.887。

BP 神经网络之间相比较，相差不大；但用GRNN 模型训练用时与BP 小一些，并且GRNN相关系数较高，训练所用次数较少，这说明GRNN 模型算法在相关系数与训练效率上都有了较明显的提升，网络快速收敛，减少了训练时间，应用具有明显优势。

表1 各种模型性能比较

3 智能灌溉决策与应用

通过GRNN 预测模型计算出参考作物的潜在需水量ET0，由公式ET=Kc×ET0计算出的农作物需水量ET，其中Kc选用联合国粮农组织推荐的作物系数表的作物系数，该系数Kc是指充分供水条件下实际农作物蒸发蒸腾量与参考农作物蒸发蒸腾量的比值，系数Kc因农作物种植的发育阶段和产量而异，一般来说生育初期、末期较小，中期较大。通过查阅FAO 的作物系数表确定了主要农作物全生育期内的作物系数［16-17］。

在农业生产的实际灌溉条件下，利用实时监测系统监测作物生成环境，并用需水预测模型进行预测计算，根据作物不同的生长时期自动生成灌溉策略，本文研究的系统具体做法如下：

（1）系统利用LoRa 传感网络进行作物环境监测：在农田布设空气温度、空气湿度和光照传感器监测微气候环境，同时布置土壤墒情传感器能够实时读取土壤的水分数据，确定土壤水分变化状况。

（2）根据天气气象预报进行有效降水量的估算：有效降水量计算以日降水量为准，日降水量小于5 mm，视为无效降水；日降水量5~30 mm，利用率为100%；日降水量30~50 mm，利用率取60%；日降水量大于50 mm，利用率取30%。

图4 神经网络模型预测性能评价图

（3）系统利用视频摄像头监测判断作物种类及生长时期，结合GRNN 预测计算ET，并用公式计算农作物灌水量：M=ET-P-（W0-Ws）-Wk+M1，其中土壤计划湿润层取0.35 m，土壤水利用量（W0-Ws）经分析计算：统一取1 m3/667 m2*d，Wk 为地下水补给，取0。

系统智能灌溉决策：以2021/12/6—12/15该时段为例，根据预测模型预测出潜在需水量和农田示范区气象信息，视频监测判断农作物萝卜处于发育期阶段，则设置作物系数为0.9。通过计算项目区萝卜农作物逐日灌水量如表2 所示。

通过表2 根据公式（5）-（7），可以计算出智能灌溉系统神经网络预测模型的精度评价指标为：平均绝对误差MAE 为0.279，均方根误差RMSE 为0.280，相关系数r 为0.998，其中评价指标相关系数＞70%，可视为正式预报，系统可以根据农田作物生长环境监测、气候数据及预测模型，可以预报出逐日农作物需水量；进而可以自动生成灌溉策略，从而达到智能精细灌溉的目的。

表2 萝卜农作物逐日灌水量（1 亩）

4 结论

本研究针对我国水资源短缺，灌溉用水利用率低下等问题，研究了人工神经网络算法用于作物需水量预测建模，并基于LoRa 技术构建了作物生长环境监测平台和智能决策的农田精准灌溉系统。主要开展了：

（1）利用LoRa 技术构建底层无线传感网，设计一套低功耗的作物生长环境监测子系统，实时采集作物生长环境相关参数。

（2）在平衡预测精度、资源消耗与模型实现软硬件成本的情况下，确定了GRNN 作物需水量预测模型，并开展了基于Gegenbauer 正交多项式激活函数和基于Sigmoid 激活函数的BP神经网络模型以及基于广义回归神经网络模型GRNN 的性能分析。

（3）开展了智能灌溉策略的应用研究。通过应用研究表明：基于LoRa 的智能灌溉系统，其GRNN 神经网络模型的预测精度指标分别为：平均绝对误差MAE 为0.279，均方根误差RMSE为0.280，相关系数r 为0.998，可以实现精准灌溉应用的目的。