一种基于边缘机器学习的智能喷灌方法及系统
技术领域
本发明涉及一种基于边缘机器学习的智能喷灌方法及系统，属于园林灌溉技术领域。
背景技术
在我国，园林行业大多以人工浇灌、定时喷灌等传统灌溉方式进行灌溉，然而传统灌溉方式存在众多不足。首先，传统灌溉方式因社会环境、所处区域、灌溉设备、灌溉技术、人员经验等方面的原因不能更好的对水资源进行合理的运用，造成了淡水等资源的极度浪费。其次，以人工浇水为主的传统喷灌方式，浇灌作业多集中于天炎热干燥的夏季，需要大量的防暑物品和完善的后勤保障系统等维持正常运作，作业效率低、人力资源消耗大，既增加了用人成本，也带来更多的工伤风险。再次，传统浇灌方式存在浇灌不均、不科学的问题。传统灌溉过度依赖人员的经验水平，作物的灌溉频次、需水量难以进行科学化的度量，科学性不足，无法精准捕捉到作物的实际需求。同时，人工灌溉的非标准化行为，容易出现浇水不均、干涝分化的情况造成植物成活率低等问题。
随着物联网技术的发展，在用户终端附近部署的计算、存储和网络资源越来越多，由于物联网应用对网络的感知能力、处理能力和分析能力有较高的要求，因此，充分利用这些资源提升网络边缘的服务质量和终端用户的体验质量具有重要意义，而且云计算向网络边缘拓展越来越称为业界共识。边缘网关是部署在网络边缘侧的网关，通过网络联接、协议转换等功能联接物理和数字世界，提供轻量化的联接管理、实时数据分析及应用管理功能。其中，边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。
彭曼公式是国际通用的计算作物蒸散量的方法，具有较高的精确度。然而该方法中参数众多，且个别参数难以获取，如何有效改进部分参数的获取方式，以充分利用彭曼公式设计科学低复杂度、易实现的科学灌溉方案，根据作物需水量进行定量、科学灌溉，是当今园林行业亟需解决的问题。
发明内容
针对现有灌溉设备定时定量灌溉的缺陷，本发明提供一种基于机器学习的智能喷灌方法和系统，能够实现按需喷灌、实时监控，以及时掌握喷灌现场的农作物生长状况并提高水资源利用率。
为实现上述发明目的，本发明采用如下技术方案：
喷灌区域的太阳辐射量计算方法，包括以下步骤：
步骤1，在喷灌区域安装太阳能板以及蓄电池；
步骤2，获取每日有效日照起止时间内的蓄电池充电量；
步骤3，每日的太阳辐射量Rs=(2.778/10)H，标准光强下的平均日辐射时数H =(Cz•Kop•Ioc)/Qp，Cz为损失修正系数，Kop为太阳能板的最佳倾角对应的斜面修正系数，Ioc为太阳能板的最佳工作电流，Qp为每日的蓄电池充电量。
进一步，太阳能板的最佳工作电流与喷灌区域的供电状况相匹配，太阳能板的最佳倾角及其对应的斜面修正系数根据喷灌区域的纬度确定。
一种基于边缘机器学习的智能喷灌方法，具体步骤如下：
步骤101：收集喷灌区域的历史数据，包括温度、降水量、气压、风速、土壤湿度、蓄电池充电量；
步骤102：在喷灌区域安装太阳能板，根据上述太阳辐射量计算方法计算得到的每日的太阳辐射量；
步骤103，利用彭曼公式，基于步骤101中的历史数据以及步骤102中的每日的太阳辐射量计算喷灌区域的日蒸散量：
PE=[0.408Δ(Rn-G)+900γu2 (es - ea)/(Tmean+273)]/[Δ+γ(1+0.34 u2)]
式中，PE为可能蒸散量，Δ为饱和水汽压-温度曲线斜率，G为增热土壤消耗的能量，γ为湿度计常数，Tmean为日平均气温，u2为2m高风速，es为饱和水汽压，ea为实际观测水汽压，Rn为作物冠层的净辐射，Rn=Rns-Rnl，Rns=(1-α)Rs，Rnl=σ[(T4max,K+T4min,K)/2](0.34-0.14
步骤104：基于步骤101中的历史数据及对应的日蒸散量，利用渐进梯度回归树GBRT训练得到蒸散量的预测模型，其中，输入数据为某天的温度、降水量、气压、风速、土壤湿度以及前一天的蓄电池充电量，输出数据为日蒸散量；
步骤105，实时采集预订喷灌时刻的温度、降水量、气压、风速、土壤湿度，若土壤湿度低于设定阈值，则根据既定喷灌指令直接进行喷灌，否则执行步骤106；
步骤106，结合预订喷灌时刻前一天的蓄电池充电量，利用步骤104中的预测模型，预测该时刻的蒸散量；
步骤107，根据水平衡公式M=Wt-Wr-P0-K+PE-W0，计算该时刻的作物需水量；其中M为作物需水量，Wt为当前土壤含水量；Wr为因计划湿润层的增加而增加的土壤含水量，K为当天的地下水补给量，W0为当天初始的土壤含水量，P0为降雨量；
步骤108，根据步骤107中的作物需水量进行喷灌。
进一步，土壤湿度的设定阈值的取值方法为：根据土壤湿度的历史数据，依次运用Z-Score和Min-Max标准化对历史数据进行归一化，取归一化后土壤湿度20%分位数作为设定阈值。
一种基于边缘机器学习的智能喷灌系统，包括：
数据采集层包括摄像头、气象传感器、土壤传感器、太阳能板、蓄电池，用于收集喷灌区域的图像、温度、降水量、气压、风速、土壤湿度以及蓄电池充电量；
设备服务层，用于存储数据采集层所收集的图像、温度、降水量、气压、风速、土壤湿度以及蓄电池充电量，并将温度、降水量、气压、风速、土壤湿度以及蓄电池充电量传输至核心计算层，将图像传输至数据可视化模块；
核心计算层，用于根据接收到的温度、降水量、气压、风速、土壤湿度以及蓄电池充电量，利用渐进梯度回归树GBRT训练蒸散量的预测模型，并进一步计算作物需水量；
应用服务层包括运动控制模块、时间控制模块、数据可视化模块、警报模块，警报模块用于在土壤湿度低于设定阈值时发出警报信息；时间控制模块用于在土壤湿度低于设定阈值时向运动控制模块转发用户的喷灌指令；运动控制模块用于在土壤湿度低于设定阈值时根据既定喷灌指令或时间控制模块转发的喷灌指令驱动喷灌设备直接进行喷灌，在土壤湿度不低于设定阈值时根据核心计算层计算的作物需水量驱动喷灌设备进行喷灌，其中，时间控制模块转发的喷灌指令的优先级高于既定喷灌指令；数据可视化模块用于根据接收到的图像，实现喷灌区域的实时监控。
进一步，设备服务层、核心计算层与应用服务层由智能边缘网关实现并集成于喷灌设备，数据采集层通过Zigbee协议将数据传输至智能边缘网关。
本发明的有益效果为：1）将边缘智能网关集成于灌溉设备，能充分发挥其强大的边缘计算能力，并大幅改善因网络延迟而导致的灌溉不及时等问题；2）针对能够获取气象局官方数据的区域，喷灌现场仅需安装土壤湿度传感器即可；针对无法获得气象局官方数据的区域，喷管现场仅需安装简单的气象传感数据以及土壤湿度传感器即可；3）实现喷灌数字化预测，根据预测结果进行按需灌溉，减少园林灌溉用水量，提升用水效益；4）针对难以通过传感器或气象局获取的太阳辐射量，仅需在现场部署一个太阳能板并获取其太阳能充电量，即可得到每日的太阳辐射量；5）需水量预测模型可以根据不同植物、不同地域进行修正，适用范围广；6）能够通过终端APP实时监控灌溉现场的农作物生长状态，同时进行云端的宏观管理；7）本发明极具推广和实用价值，具有巨大的经济社会效益。
附图说明
图1为一种基于边缘机器学习的智慧喷灌方法的流程图。
具体实施方式
以城市园林最常见的草坪为实施例，对本发明的具体实施方法进行描述，以方便本领域的技术人员理解本发明，特别地，本发明不限于具体实施案例的范围，一切利用本发明构思的发明创造均在保护之列。
一种基于边缘机器学习的智能喷灌方法，如图1所示，包括以下步骤：
步骤101：收集草坪喷灌现场一年以来的气象数据、土壤湿度数据以及蓄电池充电量。
步骤102：核心计算层计算该片区域一年以来每日的蒸散量：
PE=[0.408Δ(Rn-G)+900γu2 (es - ea)/(Tmean+273)]/[Δ+γ(1+0.34 u2)]
式中，PE为可能蒸散量，Δ为饱和水汽压-温度曲线斜率，G为增热土壤消耗的能量，γ为湿度计常数，Tmean为日平均气温，u2为2m高风速，es为饱和水汽压，ea为实际观测水汽压，Rn为作物冠层的净辐射，Rn=Rns-Rnl，Rns=(1-α)Rs，Rnl=σ[(T4max,K+T4min,K)/2](0.34-0.14
彭曼公式中的参数Rn与太阳辐射量Rs有关，而太阳辐射量Rs无法通过传感器直接获得且难以通过联网方式及时获取，因此本专利中太阳辐射量Rs的计算方法为：
（1），在该片区域安装太阳能板及蓄电池；根据喷灌所在区域的供电状况，选择与最佳工作电流Ioc相匹配的太阳能板；根据所在城市的纬度，参照《我国主要城市的辐射参数表》确定安装太阳能板的最佳倾角φ及其相对应的斜面修正系数Kop；根据喷灌所在区域的环境确定修正系数Cz；蓄电池选用铅酸免维护电池，此电池成本低、污染小，适用于无人值守的智能喷灌区；根据城市往年的最大阴雨天数、温度等天气参数确定蓄电池的容量；
（2），在每日有效日照的起止时间分别获取蓄电池的剩余电量C1、C2，得到每日有效日照起止时间内的蓄电池充电量Qp=C2-C1；
（3），每日的太阳辐射量Rs=(2.778/10)H，其中，2.778/10 (h·m2/MJ)为转换系数，标准光强下的平均日辐射时数H =(Cz•Kop•Ioc)/Qp，Cz为损失修正系数（是组合、衰减、灰尘、充电效率等的损失，一般取0.8），Kop为太阳能板的最佳倾角对应的斜面修正系数，Ioc为太阳能板的最佳工作电流，Qp为每日的蓄电池充电量。
步骤103：核心计算层利用渐进梯度回归树（GBRT）训练得到蒸散量的预测模型。选择早晨6时为喷灌时间，输入数据为数据采集层提供的早晨6时的气象数据、土壤湿度数据以及前一天蓄电池充电量，输出数据为根据步骤102的计算得到的当日蒸散量。
步骤104：在某天早晨6时，数据采集层获取该片区域的图像信息、气象数据、土壤湿度数据以及前一天蓄电池充电量，通过Zigbee协议发送至边缘智能网关。
步骤105：数据采集层获取的数据经过设备服务层解析、转换和存储，将气象信息以及土壤湿度数据分发给核心计算层与云端，将图像信息分发给数据可视化模块与云端。
步骤106：判断土壤湿度是否低于设定阈值，若低于设定阈值，则表明该片土地严重缺水，预测模型出现问题，连续喷灌不足，则应予以立刻喷灌，执行步骤107，否则执行步骤111。设定阈值的取值方法为：根据土壤湿度的历史数据，依次运用Z-Score和Min-Max标准化对历史数据进行归一化，取归一化后土壤湿度20%分位数作为设定阈值。
步骤107：警报模块向客户端发送警报信号。
步骤108：时间控制模块是否接收到来自客户端的喷灌指令，若是，则执行步骤109，否则执行步骤110。
步骤109：时间控制模块向运动控制模块转发客户端的喷灌指令，运动控制模块命令手自动一体电磁阀执行相应的开阀动作。
步骤110：运动控制模块立即发出指令，手自动一体电磁阀自动开阀喷灌。
步骤111：核心计算层根据气象数据、土壤湿度数据以及前一天蓄电池充电量以及步骤103得到的预测模型，得到当日的蒸散量。
步骤112：计算当日的作物的需水量：
M=Wt-Wr-P0-K+PE-W0
其中M为作物需水量，Wt为当前土壤含水量；Wr为因计划湿润层的增加而增加的土壤含水量，K为当天的地下水补给量，W0为当天初始的土壤含水量，P0为降雨量。
步骤113：运动控制模块根据步骤112的需水量进行喷灌。
本发明中将喷灌周期设置为1天（单位：d），且，若得到的需水量为负值，表示作物水量充足，无需喷灌；若得到的需水量为正值，则按照该值进行喷灌。
由此可知，本发明提出的一种基于边缘机器学习的智慧喷灌系统，可实现智能按需喷灌，且具备灵活的人机交互功能以及可靠的云端管理功能。本发明可根据不同园林作物、不同地域、不同喷灌时间段建立不同的需水量预测模型，对当天需水量进行精准预测，适量喷灌，节约人力成本，提升水资源利用率，具有巨大的经济和社会效益，具有极高的推广价值。
应当指出，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也在本申请权利要求的保护范围内。
