基于LoRa技术的农田智能灌溉系统设计*

孟祥，赵莹，徐卓威，张大庆

(1. 北华大学电气与信息工程学院,吉林吉林,132021; 2. 吉林农业科技学院,吉林吉林,132101)

0 引言

我国用在农业上的灌溉用水占了全国总用水量的70%左右,灌溉水资源的利用率比发达国家利用率低40%。因此提高灌溉水资源的利用率,发展节水灌溉和智能灌溉具有重要的意义。

传统灌溉方式包括漫灌、喷灌、滴灌等,存在各种各样问题。近些年,随着电子技术、物联网技术和机器学习等智能算法理论的发展,很多学者开始研究基于这些技术的智能灌溉。高国丽[1]提出了基于智能控制的农业节水灌溉系统的研究,该论文仅限于理论研究和仿真,未实际应用和测试;余国雄等[2]提出了基于物联网的荔枝园信息获取与智能灌溉专家决策系统,该系统能够对灌溉量和灌溉时间进行预测,但该系统的准确率只有75%;沈建炜等[3]提出了丘陵地区蓝莓园智能灌溉决策系统设计,该系统的决策模块未使用智能算法,存在预测量精度不高的问题;张丽娜等[4]提出了基于模糊RBF神经网络算法的灌溉控制系统设计,该论文采用RBF神经网络和模糊控制系统对玉米农田的灌溉量和灌溉时间进行预测,该系统未应用物联网技术,可扩展性差。

本文设计的基于LoRa通信技术的农田智能灌溉系统,充分运用多源信号采集技术、ARM嵌入式系统应用技术、Lora无线通信组网技术和神经网络模糊智能优化算法,利用土壤墒情、天气预报等信息给出精准灌溉策略,实现农田作物精准化灌溉。

1 系统总体架构

基于LoRa的农田智能灌溉系统由作物信息采集单元、无线网络传输单元、智能决策单元和灌溉输出单元组成。采集单元将农田作物信息通过无线模块和网关与智能决策单元进行远程数据连接;智能决策预警单元对作物需水信息进行决策分析,并通过服务接口发送到各区域灌溉输出单元,执行精准灌溉。用户通过网络可实时获取当前作物信息和灌溉情况,系统架构如图1所示。

图1 系统架构Fig. 1 Diagram of system structure

2 模型建立及决策

2.1 作物蒸腾量模型

作物的蒸腾量由联合国粮农组织推荐的彭曼公式得到,该公式统一了计算标准,不用改变任何参数即可得到世界各个地区和各种气候的作物蒸腾量[5]。

(1)

(2)

(3)

λ=2.501-2.361×10-3T

(4)

(5)

(6)

(7)

(8)

式中:ET0——作物蒸腾量;

Δ——水汽压力曲线斜率,kPa/℃;

Rn——作物表面的净辐射量,MJ/(m2·d);

G——土壤热通量密度,MJ/(m2·d);

γ——湿度计常数,kPa/℃;

T——地面以上2 m处的平均气温,℃;

u2——地面以上2 m处的风速,m/s;

es——饱和水汽压,kPa;

ea——实际水汽压,kPa;

P——气压,kPa;

λ——水蒸气潜热;

RHmean——平均相对湿度;

e0——某个时刻饱和水汽压,kPa;

Tmax——日最高气温,℃;

Tmin——日最低气温[6-7],℃。

2.2 作物需水量模型

作物需水量

E=KcET0

(9)

式中:Kc——作物系数。

Kc=KcbKs+KW

(10)

式中:Kcb——基本作物系数;

Ks——水分胁迫系数;

KW——反映降雨或灌水后湿土蒸发增量对作物系数影响的系数[8]。

2.3 降雨量模型

预测降雨量可根据天气预报的数据得到,降雨量

P0=αP

(11)

(12)

式中:P0——有效降雨量,mm;

α——降水系数。

2.4 土壤水量平衡模型

旱作物计划湿润层内的水量平衡方程[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——灌溉前土壤内的含水量;

W2——灌溉后土壤内的含水量;

K——土壤地下水补给水量;

Wg——灌溉期间内由于土壤加深而增加的水量;

m——灌溉期间灌水量;

E——灌溉期间作物需水量;

f——灌溉期间深层渗透量;

X——补给系数;

H1——灌溉前计划湿润层深度,cm;

H2——灌溉后计划湿润层深度,cm;

θω——土壤层的质量含水率[9];

ρb——土壤的干容重[9],g/cm3;

GDW——地下水埋深度[9],m。

根据作物需要达到的含水量和已知的当前土壤含水量等信息,根据平衡公式可得出灌水量

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

(17)

2.5 决策功能模块

采用神经网络和模糊控制算法相结合的方式对目标进行决策[4],神经网络采用RBF神经网络,决策目标为灌溉时间和灌溉量,结构图如图2所示。

图2 决策模型框图Fig. 2 Block diagram of decision model

采用RBF神经网络,根据空气温度、湿度、光照强度、气压、风速以及气象条件等信息,预测出作物适宜生长的需水量,再与当前土壤含水量比较得出实际需水量。模糊控制系统根据实际需水量,土壤水分变化率、气象条件等决策出灌溉量和灌溉时间,最后通过灌溉控制输出模块打开阀门进行灌溉。

3 作物信息采集单元设计

作物信息采集单元主要完成土壤含水量、光照强度、风速、温度、湿度及降雨量等信息量化与处理[10]。这里采用WS-N01-TR型土壤水分传感器和FSXCS-N01型小型一体式气象站。WS-N01-TR型传感器是基于频域反射原理设计,具有性能稳定,受环境影响较小的特点,能准确反映土壤真实含水率。土壤水分传感器技术参数如表1所示。

表1 土壤含水率传感器技术参数Tab. 1 Technical parameters of soil moisture sensor

每个作物信息采集单元包含三个WS-N01-TR型传感器,布设于作物根系周围,检测不同土壤深度的含水率和温度,能更精确可靠反馈作物需水信息。传感器采用RS-485接口与MSP430FR2433通信,完成土壤含水率、温度参数的读取与处理,处理器通过LoRa无线模块与区域集中器构成作物信息无线感知网络,采集节点采用了光伏发电和低功耗设计[10]。作物信息采集单元结构如图3所示。

图3 作物信息采集节点结构Fig. 3 Node structure of crop information collection

4 无线传输单元设计

短距离无线数据传输常采用WiFi、BLE、Zigbee、433M无线电台、GPRS模块、LoRa模块等,其性能对比如表2所示[11]。

WiFi 的功耗比较大,适合高速传输大量的数据;BLE功耗相对比较低,但能同时连接的设备有限;Zigbee通信技术由终端、中继、协调器构成,可实现自组网,功耗低,但通信距离较短;GPRS在野外农田及丘陵地区信号抗干扰性较弱;433M无线电台厂家标准不一,兼容性不好。LoRa技术具有抗干扰性强、通信距离远、功耗低等诸多优点,因此选择LoRa模块进行组网。

表2 短距离无线数据传输方式性能比较Tab. 2 Performance comparison of short distance wireless data transmission methods

农田作物信息无线传输单元采用星型拓扑结构,这种点对多点通信方式比较简单且方便维护与管理。LoRa模块构成的作物信息无线传输网络结构如图4所示[12]。

图4 LoRa技术构成的无线传输网络Fig. 4 Wireless transmission network composed of LoRa technology

基于星型拓扑的LoRa网络,需要一个中央实体,即网关(GW),才能在多个设备之间执行通信。网关部署在区域集中器上,通过NB-IoT或4G接入互联网。Lora模块采用有人科技的WH-101-L系列,具有DC 1.8～3.6 V操作电压,2 μA低功耗,高灵敏度,传输距离可达4 km。

区域集中器通过LoRa模块与区域内作物信息采集节点、灌溉输出节点交互信息,将收集的信息通过IoT模块传输到云端[13]。集中器采用ARM Cortex M3处理器,通过AIR724UGI LTE Cat.1模块接入广域网,实现LoRa网关功能,并通过RS-485接口对区域环境信息采集处理,如环境温湿度、风速风向、光照强度等。集中器设计原理如图5所示。

图5 集中器设计原理图Fig. 5 Design schematic diagram of concentrator

5 灌溉输出控制单元

灌溉输出模块通过LoRa模块接收服务器发送的控制指令,包括灌溉量及灌溉时间,MSP430对电动阀进行开启或者关闭操作,并对供水压力、阀门状态、电源电压进行检测,诊断节点运行状态。能源供给采用光伏供电和锂电池蓄能技术,设计合理的光伏配比,保证灌溉节点的能源供应。灌溉输出控制节点结构如图6所示。

图6 灌溉输出控制节点结构Fig. 6 Structure of irrigation output control node

6 系统软件设计

智能灌溉系统软件主要包括作物信息采集节点、区域集中器LoRa网关通信程序及云平台程序设计。作物信息采集程序、集中器网关程序是实现无线感知网络的核心,区域集中器LoRa网关是在TCP/IP协议上搭载MQTT协议实现数据的远程云传输。

作物信息采集节点采用光伏和锂电池双模供电模式,有利于节点布局和土壤耕作。流程如图7所示。

图7 采集节点程序流程图Fig. 7 Program flow chart of acquisition node

采集节点采用MSP430F2433处理器完成土壤含水率、温度参数的读取与处理,并对能源进行分配与管理,采集的信息通过LoRa网络传输到区域集中器。LoRa采集节点采用基于同步信标的唤醒机制,可实现各节点唤醒周期动态调整,最大程度降低节点功耗,有利于长期野外运行。

RTC定时器中断将CPU从低功耗LPM3状态唤醒后,主程序根据运行模式完成时间信标同步与比较、信息采样、通信处理等任务,CPU空闲时将再次进入低功耗状态。在每次RTC溢出中断服务程序中,将对系统时间戳进行累加处理,以保障LoRa同步唤醒机制的可靠性。

区域集中器单元是服务器和采集模块及灌溉控制输出模块间保证通信的协议转换模块,模块程序设计包含环境信息采集处理、LoRa网络组网、协议转换、云端服务器连接等部分。STM32处理器通过AIR724UGI模块内置的MQTT协议发送云连接请求,与服务器建立长连接,模块在网络断开时会自动重连,重新订阅主题。模块接收来自服务器推送的消息,解析并转换为LoRa网络协议,实现终端模块的数据、命令实时传送任务。集中器模块在完成组网后,采用同步信标唤醒机制,对LoRa网络中终端实现动态周期性唤醒,接收采集的作物信息数据,并向服务器推送。区域集中器网关模块工作流程如图8所示。

图8 区域集中器网关模块工作流程图Fig. 8 Flow chart of a zone concentrator gateway module

为降低终端采集与控制输出单元的运行功耗,LoRa网络采用同步唤醒机制,唤醒周期可由集中器网关根据功耗需求动态划分。LoRa网络同步唤醒机制如图9所示。

图9 LoRa网络同步唤醒机制Fig. 9 Synchronous wake up mechanism of LoRa networks

LoRa网络帧包括同步信标帧、注册帧、业务帧组成。同步信标帧Tb是由集中器网关采用内部RTC定时发送,注册帧TR是节点请求加入网络时使用,业务帧TWD标包含唤醒帧TW和数据帧TD,当节点不需要唤醒帧时,可去掉不使用,以提高响应速度和降低功耗。注册帧和业务帧是在信标帧Tb间隔中的等间隔时隙,每个TWD帧时隙完成一个节点的数据传输,注册帧TR可由网关动态调节使用数量,以加快多节点入网速度。

未入网的感知节点收到同步信标帧Tb后,发送入网注册请求帧,网关查询节点ID是否注册,并根据ID类型在应答帧中给出请求节点的唤醒时间(Tnb,TnWD),节点根据该参数计算下次唤醒开窗延时,延时到达后,定时器中断将唤醒节点,上报节点信息数据,接收网关下行数据,数据传输完成节点将再次休眠。

为保证节点和网关的时钟节拍一致,节点需根据同步信标定期做一次时钟同步,同步的频度可根据时间误差多少动态调整。网络信标的同步机制,使得网关可以预知所有终端节点的唤醒开窗时刻,并可按需动态调整[14]。

本文采用的WH-101-L型LoRa模块工作于LSR低功耗发送接收模式,MSP430通过Wake引脚控制唤醒,启动发送和接收任务。模块开启了LBT检测功能,在发送数据前对当前信道状况进行检测,确认数据发送时信道处于空闲状态,防止与当前信道数据包撞包,提高多节点同时注册入网速度。

7 系统应用与测试

该系统2020年5月安装在吉林农业科技学院试验田,用于蓝莓试验基地和玉米试验基地的远程精准灌溉。

7.1 土壤水分传感器安装布置

不同蓝莓品种的细根在浅土层分布都比较集中,占总根系比例也很大,且土层越深,细长根系快速减少。基于蓝莓根系的分布特征,分别在10 cm、20 cm、40 cm土层深度各埋设一个WS-N01-TR传感器。通过数据融合技术获得更精准的作物土壤墒情信息[15]。表3是三种不同深度土壤信息数据,能够正确检测蓝莓根系周围土壤含水率和温度的变化。

表3 不同深度土壤温湿度数据Tab. 3 Soil temperature and humidity data at different depths

7.2 无线通信传输试验分析

LoRa模块WH-L101-L采用扩频、跳频技术通信,速率越低,传输距离越远,抗干扰能力越强,但发送数据耗时越长。图10是不同速率下模块的传输距离和100 byte空中传输耗时。由图10可以看出,随着空中传输速率的上升,WH-L101-L传输100字节耗时缩短,传输距离会较明显下降,为保证稳定传输,模块速率选择2.930 Kbps,通信距离在3 km内[14]。

图10 不同速率下模块的传输距离和 100字节空中传输耗时Fig. 10 Transmission distance and 100-byte transmission time of modules at different rates

为检测传感器在无线网络中的传输稳定性和可靠性,选取6个子节点与网关节点安装位置设置在3 km范围内,传输距离依次等距增加,空中传输速率固定选择2.930 Kbps,每包数据64 byte,测试网关与各节点采集节点收发情况。表4为LoRa网络通信测试数据,在2 400 m内通信平均丢包率为0.3%,数据表明采用WH-L101-L构建的LoRa网络能够满足作物信息数据的远程传输。

表4 LoRa网络通信测试数据Tab. 4 Test data of LoRa network communication

7.3 决策测试结果

部分作物不同时期在20 cm土壤深度处于最佳生长状态时的相对土壤含水率见表5[3]。

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

根据蓝莓需水情况可知,蓝莓在果实膨大期的最适合含水率是70%RH～75%RH,在果实膨大期经智能决策灌溉和传统灌溉比对后得到土壤含水率的变化曲线如图11所示,由数据统计可得智能决策灌溉方式和传统灌溉方式含水率的均方差分别为1.80和2.58,可见智能决策灌溉方式比传统灌溉方式更精准。经智能灌溉后,在果实膨大期蓝莓能够在合适的含水条件下生长。

图11 蓝莓试验田含水率的变化曲线Fig. 11 Curve of soil moisture content in blueberry test field

吉林地区玉米灌浆中前期处于8月份,该生长期的最适合相对土壤含水率为70%RH～85%RH,智能决策灌溉和传统灌溉比对后得到土壤含水率的变化曲线如图12所示,由数据统计可得智能决策灌溉方式和传统灌溉方式含水率的均方差分别为4.83和6.52,可见智能决策灌溉方式比传统灌溉方式优越。

图12 玉米试验田含水率的变化曲线Fig. 12 Curve of soil moisture content in blueberry test field

8 结论

应用嵌入式处理器和无线通信技术研发设计了网络化农田智能精准灌溉系统。系统采用ARM处理器与AIR724UGI设计了区域集中器模块,以LoRa模块和MSP430单片机构建了低功耗无线作物信息感知与控制网络,通过LoRa网关将作物信息数据传输到云端数据服务器,并采用软件开发技术开发了云端智能决策与管理软件。

1) 系统采用MSP430处理器与WH-101-L型LoRa模块实现了低功耗、网络化终端节点设计,网络通信平均丢包率为0.3%,数据结果表明,构建的LoRa无线作物感知网络数据传输稳定,并具备较强的扩展性。

2) 采用基于同步信标的唤醒机制,实现各LoRa节点唤醒周期动态调整,最大程度降低节点功耗。

3) 试验结果表明,在蓝莓试验田和玉米试验田采用神经网络和模糊控制算法相结合的策略进行灌溉,得到含水率均方差分别为1.80和4.83,均比传统灌溉方式含水率均方差低,说明通过智能决策单元依据实时作物信息和数据库能够进行精准灌溉,保证作物在最适合含水率条件下生长。