简易草莓大棚智慧管理系统设计与性能分析

时间：2024-05-24

吴久江汪星李群汪有科

(1.西北农林科技大学旱区农业水土工程教育部重点实验室，陕西杨凌 712100；2.西北农林科技大学中国旱区节水农业研究院，陕西杨凌 712100；3.宁夏大学农学院，银川 750021； 4.中国科学院水利部水土保持研究所，陕西杨凌 712100)

0 引言

草莓素有“水果皇后”的美誉，我国草莓的年产量和栽培面积均超过了世界总量的1/3，稳居世界第一，但草莓品质、单产及水分利用效率却远远低于西方发达国家[1]。近年来随着物联网技术在设施农业领域的广泛应用，可以实现对作物的远程监控和精确管理[2]，为提高草莓生产提供了新的途径。

代表现代设施农业最高水平的高端智能温室主要集中在荷兰、日本等发达国家，基于大型连栋温室研制出先进的设施环境智能控制系统[3-8]，可根据作物对环境的不同需求，由计算机对设施内的环境因子，例如空气温湿度、光照强度、CO2浓度等进行全面有效的自动检测与调控[9]，并对作物栽培管理[10-11]、病虫害防治[12-13]、作物产量产期预测[14]进行全方位跟踪与服务，形成了一套系统化的种植技术体系，提高了作物产量，降低了管理成本和农业成本[15]。其中，荷兰利用智能温室种植系统使草莓产量达4.5～6.0 kg/m2，收入449.7～899.6元/m2，水分循环利用率90%以上。

我国真正具有先进水平的智能大棚极少，且都依赖国外进口，不仅成本高，而且很难大面积推广[16]。虽然国内对农业物联网研究取得了一些进展[17-20]，但总体上尚处于初始阶段，与国外差距较大，研究也主要集中在自动化程度较高的示范园大棚中[21-22]。我国目前仍以小农户分散经营为主[23]，90%以上仍为简易型塑料大棚[24]，基础设施薄弱、自动化程度低下的情况仍较为突出[25]，针对其研发的物联网系统尚未见报道。

本文基于农业技术(Agriculture technology，AT)、信息技术(Information technology，IT)和数据技术(Database technology，DT)的深度整合，结合陕西省关中地区设施草莓种植现状，设计一种适用于简易塑料大棚的农业物联网智慧种植管理系统，并对其实际应用效果和水分利用效率进行分析。

1 系统总体架构

基于农业物联网的草莓大棚智慧种植管理系统分为信息获取和种植大脑两部分。信息获取包括数据采集模块、边缘服务器、传输网络及云服务器，种植大脑主要由专家系统组成。系统使用C/S和B/S混合架构，形成“数据获取-智能分析-决策下达”设计结构，如图1所示。其中大棚结构简陋、自动化程度较低，采用种植户代替智能控制设备进行决策执行的方式。

图1 系统总体架构Fig.1 Overall system architecture diagram

2 信息获取

2.1 数据采集模块与可视化

数据采集模块包括棚内数据、棚外数据和人工调查数据，及时准确掌握草莓大棚的基本生产要素。人工调查数据包括肥药使用记录、园艺修剪记录、图像资料等传感器无法监测的数据，需要种植户进行记录并手动上传至专家系统。采用湖南省拓安仪器有限公司生产的传感器对棚内环境数据进行实时监测，空气温湿度探头为ESM-TH型，空气湿度测量精度为±3%，空气温度测量精度为±0.2℃，二氧化碳探头为ESM-CO2型，测量精度为±60 mg/m3，pH值探头为ESM-PH型，测量精度为±0.02，土壤电导率(EC)探头为ESM-EC型，测量精度为±2%，土壤温湿度探头为ESM101-01TH型，土壤湿度测量精度为±3%(m3/m3)，土壤温度测量精度为±0.2℃，光照强度探头为ESM-L型，测量精度为±5%。其中串行通信接口为RS-485，采用标准Modbus-RTU通信协议进行数据传输，并在棚外布置小型气象站监测棚外环境数据。

本文基于WebSocket API实现浏览器与服务器之间的双向通信；并利用Ajax技术实现异步数据交互，降低服务器负担以及提高网络传输效率；并引入Highcharts实现数据在计算机与手机的图表化。

2.2 边缘服务器与云服务器

边缘服务器负责收集传感器数据并上传至云服务器，云服务器则会综合更广泛的云端资源，并对上传的数据包进行计算、分析，然后存储至数据库供专家系统调用。采用窄带物联网(Narrow band Internet of Things, NB-IoT)作为无线通信网络。

3 种植大脑

3.1 数据库设计

数据库采用MySQL+MongoDB的混合存储策略，并基于专家系统设计需要构建知识库、综合数据库、人工调查数据库等，其中知识库存放专家提供的知识和经验，包括病虫害数据库、模型库、规则库等，是决定专家系统优劣的重要因素，知识库可以通过获取知识不断改正和丰富知识库内容，部分数据类型见表1。为缓解数据库压力，加快计算过程和数据的读取速度，加入Redis缓存数据库。

表1 部分数据库结构Tab.1 Partial database structure

3.2 模型处置决策

3.2.1参数报警设置

本系统根据种植需要分别设置环境参数报警和水分参数报警。简易塑料大棚因结构简单，做不到对环境的恒定控制，为了使草莓生长环境适宜，需要根据专家知识、经验以及大棚自身的调节能力在草莓不同生育阶段需求设置不同环境参数和水分参数参考阈值，当参数超过上、下限范围时，专家系统则会发出报警信号，并结合传感器数据与气象数据，利用专家知识库的推理机不断推理，得出最终执行决策并自动下发至种植户手机端指导农户实施管理。主要控制决策包括卷膜高度与时间、棚顶覆膜的材料与数量、灌水量和灌水时间。

3.2.2决策准确率设计

为降低成本，单个大棚内布置的传感器数量较少，且大棚内没有先进的自动化设备，为保证系统报警的准确率，减少错误决策的发生，系统分别设计了环境参数和水分参数的报警规则。

棚内采集的环境参数以3 min/次的频率上传至专家系统，当某一个环境参数出现异常时，系统将会发送报告至专家系统，为避免传感器监测误差和温室内因人为因素造成偶然情况的发生，规定在一段时间内，如果环境参数报警比例达到设定规则，则系统下发报告与执行决策，如果未达到设定规则，系统会认为出现误报，并将报告发回后台工作人员，继续进行环境监测，但不会下发至种植户，环境数据报警工作流程如图2所示。

图2 环境参数报警功能流程图Fig.2 Flow chart of environmental parameter alarm function

棚内灌水方式采用滴灌，考虑其湿润方式、水分探针布置误差、垄上不平整等原因，采用通过模型计算作物需水量与水分探针相结合的形式保证灌水的合理性。

专家系统的推理机通过采集有效数据，结合模型库不间断进行作物需水量的计算，其中参考作物蒸发-蒸腾量计算是重要的参考依据，由于棚内风速可忽略不计，所以不采用FAO推荐的彭曼-蒙特斯公式(Penman-Monteith, P-M)，而采用适合大棚的修正P-M公式[26]，具体公式为

(1)

(2)

γ=6.65×10-4Pa

(3)

(4)

式中ET0——参考作物蒸发-蒸腾量，mm/d

Δ——饱和水气压曲线斜率，kPa/K

Rn——地表净辐射，MJ/(m2·d)

G——土壤热通量，MJ/(m2·d)

γ——干湿表常数，kPa/K

Tmean——日平均温度，℃

es——饱和水气压，kPa

ea——实际水气压，kPa

Pa——大气压，kPa

Z——当地海拔，m

作物需水量公式为

ETC=KcET0

(5)

式中ETC——作物需水量，mm/d

Kc——作物系数

通过模型计算作物需水量与水分探针监测数据相比较，并设计最大误差规则，确保大棚灌水的合理性。为避免灌水过多，系统分别设置灌水总量和灌水总时间报警，双重保险原则确保灌水的准确性。

3.2.3工艺单设计

工艺单基于草莓生长规律需求主要分为栽培技术和环境处置两部分，为针对不同目标，专家系统结合知识库不定期自动下达工艺单内容。其中栽培技术包括植保管理、园艺管理、水肥管理、农残管理、健康诊断等一系列需要种植户完成的具体工作内容；环境处置是专家系统根据草莓适宜生长环境需求而作出的阶段性基础环境处置措施，部分工艺单结构如表2所示。其中专家系统针对病虫害与极端天气会提前自动下达工艺单做好预防措施。

表2 部分工艺单结构Tab.2 Partial process sheet structure

3.2.4执行检查

简易塑料大棚缺乏智能控制设备，为保证种植户切实完成专家系统下达的处置决策，设计了两项执行检查标准：①对于棚内环境参数检查，专家系统规定在一段时间内，通过异常环境参数的变化趋势判断决策是否得到执行。②专家系统规定种植户定期上传草莓生长图像与管理记录，判断种植户是否完成工艺单相关内容。

3.3 微信功能设计

3.3.1信息交流功能

针对农业大棚自动化程度较低的实际，微信公众号成为了专家系统与种植户间信息交流的主要手段。基于微信平台基础，利用Java、Python、css、Javascript等开发“种植大脑”微信公众号并接入服务器，公众号包括3个菜单，分别是服务中心、更多服务、个人中心，如图3所示。

图3 微信公众号结构图Fig.3 WeChat public account structure chart

种植户关注微信公众号并绑定特定IP可以通过“看一看”实时掌握棚内环境信息、棚外气象信息以及随时随地接收专家系统的决策信息。图4为手机微信端棚内环境参数界面，图中记录了某一时刻棚内环境参数情况，环境信息展示采用了图像加文字的形式，其中绿色区域为环境参数正常范围；浅蓝色与浅红色代表了环境参数预警区域，代表环境参数即将出现异常，专家系统会下发预警至种植户手机端；深蓝色和深红色则为环境参数报警区域，说明当前环境参数已偏离正常范围，专家系统根据实时数据并结合数据库下达具体的控制决策至种植户手机端，例如进行卷膜、通风、施肥、灌水等相关措施。图4中空气温湿度、土壤温湿度、土壤EC、棚内CO2浓度的指针均指向绿色区域表明当前状态为正常范围，光照强度指针指向红色区域，说明目前光照强度不足，应实施补光措施。

图4 棚内环境参数项界面Fig.4 Environmental parameters in greenhouse

种植户单方面的接收执行决策并不能完全解决草莓种植过程中的所有问题，所以微信公众号增加了“问一问”模块；种植户可以把种植过程中出现的种植问题以文字、图像或语音的形式通过微信公众号“问一问”功能发送至系统后台，利用人工智能专家解决普通生产问题，草莓专家解决疑难问题。图5为某一次提问管理内容，提问者通过图像加文字的形式对问题进行详细描述，草莓专家根据问题给予适宜的解决方法。

图5 提问管理后台界面Fig.5 Question management background screenshot

3.3.2智慧推送

智慧推送包括知识智慧推送和周报推送两项内容，知识智慧推送是针对草莓种植，根据其不同生育阶段和适宜生长条件推送有关园艺、水肥、植保、环境管控等一系列相关文章，包括病虫害识别与防治、环境监测参数详解、水肥配比等(图6)。目的是为了让种植户了解草莓种植的相关知识以提高种植户的种植技术。

图6 知识智慧推送界面Fig.6 Knowledge intelligent push service

为了种植户更好管理大棚，专家系统每周会定期发送周报。周报内容会展示本周草莓大棚内各环境参数变化情况，提出管理中的不足和改进措施，并结合气象数据预测下周环境变化趋势提前做出管理意见，为下一阶段专家系统的决策以及种植户的管理提供参考与指导。

4 研究区与研究方法

4.1 研究区概况

试验区位于陕西省渭南市白水县，试验时间为2018年9月—2019年3月(草莓整个生育阶段)。该试验区地处关中平原与陕北高原过渡带(109°63′E，35°24′N)，海拔787 m，是典型的黄土高原沟壑区地貌，气候属于南温带湿润气候区，干燥多风。多年平均气温11.4℃，平均降水量577.8 mm，且时空分布不均，其中土壤容重为1.36 g/cm3，用环刀法测得当地田间持水率为35%。

4.2 试验设计

随机选择A、B、C 3家种植户草莓大棚安装该智慧种植系统作为试验大棚，接受后台人工智能(简称种植大脑)决策，实行精细化管理，3家草莓大棚数量分别为8、12、10，并另选一种植户D(传统经验管理)作为对照试验，草莓大棚数量为6。试验大棚与对照大棚草莓品种均为红颜，单个大棚种植面积约为667 m2，南北走向，主要由塑料钢架组成，大棚内共起9垄，垄上覆黑色薄膜，垄高35 cm，垄底宽45 cm，垄上宽30 cm，垄间距25 cm，每垄定植草莓苗约为660株，单个大棚总定植苗数约为6 000株，棚内灌溉方式采用滴灌，并安装水表统计耗水量，无其他自动化设施。

5 结果与分析

5.1 时尺度上环境参数变化规律

图7为10月8日A、B、C 3户草莓棚内外部分环境参数平均值。从图7可以看出，棚内外温湿度具有较好一致性，且棚内增温速率大于棚外增温速率，全天棚内温度均大于棚外温度，平均温差为3.5℃,最大温差为9.9℃；全天最大相对湿度差为20.9%，平均相对湿度差为6.5%。图8为棚内外温度与相对湿度拟合回归图，由图可知，棚内外温度线性正相关(y=1.559 64x-2.762 03)，决定系数较高(R2=0.789 42)。棚内外相对湿度为线性正相关(y=1.040 82x-8.169 24)，决定系数也较高(R2=0.813 04)。可根据未来一段时间段内棚外气象数据预测棚内环境参数变化趋势，对极端天气的预警和病虫害的预防具有一定的指导作用。

图7 时尺度上棚内外温度与相对湿度变化曲线Fig.7 Changing curves of indoor and outdoor temperature and relative humidity on hourly scale

图8 时尺度上棚内外温度与相对湿度回归分析Fig.8 Regression analysis of indoor and outdoor temperature and relative humidity on hourly scale

5.2 专家系统决策准确性分析

图9为9月12日—10月31日(草莓苗期阶段)A、B、C 3户草莓棚内温度与相对湿度日平均变化曲线，从图中可以看出温湿度变化幅度较大，主要受棚外气象因素影响。棚内温湿度根据专家知识进行参考阈值预设，其中草莓苗期阶段温度参考阈值范围为15～25℃，实际温度超出参考范围的天数为4 d，超出比例为8%，适宜温度天数比例占92.00%；草莓苗期相对湿度参考预值范围为30%～50%，实际相对湿度超出参考范围的天数为5 d，比例为10%，适宜相对湿度天数比例占90.00%。环境参数超出参考范围的原因可能是简易大棚基础设施薄弱，利用种植户代替智能设备的方式做不到精确控制，存在操作上的误差。但草莓苗期适宜生长环境天数依然占有较高的比例，说明“以人代机”的模式依然具有较好的准确性，起到了提高草莓生长的作用。

图9 棚内温度和相对湿度日均变化曲线Fig.9 Daily temperature and relative humidity variation curves in greenhouse

5.3 水分效率分析

图10为大棚草莓苗期至膨果期土壤体积含水率的变化曲线，图中虚线表示草莓苗期、花期、膨果期3个主要生育阶段土壤水分参考阈值，前期土壤水分较高的原因是草莓定植期耗水量较大，以致苗期前期阶段水分依然较高。从第2次灌水开始统计，土壤水分含水率超出参考范围的天数一共为41 d，超出比例为23.98%，原因是种植户缺乏现代化灌溉设备，且种植户从接收专家系统决策到具体执行有一定的时滞性，所以做不到水分的即灌即停，但适宜水分天数依然占有76.02%的较高比例。其中在苗期阶段(9月12日—10月31日)，因为遵循专家系统的指导，试验大棚草莓苗存活率为99.0%，而对照大棚存活率仅为60.6%。

在整个试验阶段(2018年9月—2019年3月)，试验大棚按照工艺单施肥配药规则和精细化环境控制，对病虫害做到提前预防；但对照大棚只有发生病虫害时才会有所反应，不仅错过了最佳预防时间，且种植户缺乏对市场上农资产品的全面认识，最终导致草莓病虫害控制较差、农药残留较高和药物投入较多，导致产量和品质处于较低水平。经统计，试验大棚相比对照大棚农药残留与药物投入分别减少15.6%和23.5%。

图10 草莓全生育阶段土壤体积含水率变化曲线Fig.10 Soil volumetric moisture content during whole growing stage of strawberry

对每一户单个草莓大棚的平均产量和耗水量进行统计，如表3所示。其中根据市场调查，从草莓的

表3 单个草莓大棚水分效率统计Tab.3 Single strawberry water efficiency statistics in greenhouse

品质、外观、口感、上市时间等考虑，试验大棚草莓平均单价为60元/kg，对照大棚为40元/kg。

从表3可知，在整个草莓生育阶段，3个试验户单个草莓棚平均耗水量为93.2 m3、产量为1 833 kg、收入110 000元、水分产量利用效率为19.70 kg/m3、水分经济利用效率为1 180元/m3，相比之下，对照大棚总耗水量为123.0 m3、收入40 800元、产量1 020 kg、水分产量利用效率8.29 kg/m3、水分经济利用效率332元/m3。相较于对照大棚，试验棚的产量、收入、水分产量利用效率、水分经济利用效率分别提高79.7%、169.6%、137.6%、255.4%，总耗水量减少29.8 m3。

6 讨论

物联网技术在农业中的应用尚处于初期阶段，但的确对农业生产方式变革带来了一定的影响[27]。前人对农业物联网系统的环境监控系统设计[28-29]、数据传输稳定性[30-32]、智慧灌水系统[33-34]等方面做了较多研究。但大多数建立在自动化程度较高的实验基地或示范区，对物联网技术在简易大棚中应用研究未见报道。本文利用物联网技术将环境监测与栽培技术相结合形成了一套适用于当地的草莓种植模型，能够较好地应用于简易草莓塑料大棚中，指导农户进行科学管理，对草莓生产有较大提升，并弥补了物联网技术在简易塑料大棚中应用的空白。但本系统缺乏智能控制设备，专家系统下达的决策并不能得到精准执行，“以人代机”的模式依然存在操作上和时效性的误差。虽然较原经验式管理，草莓产量、水分利用效率、耗水等均得到了较大改善，但与大型智慧温室相比依然存在较大差距，其中本文草莓的产量、水分产量利用效率、水分经济效率分别只有大型智慧温室的29.1%、6.3%、3.7%，耗水却是其4倍[35]，主要原因是大型智慧温室有系统化的草莓种植标准、经验更为丰富的管理人员和先进的监控设备等，其中约90%的水分能够得到循环利用。

本文系统初期可根据草莓专家知识和经验提供的适宜草莓生长环境参数预设值作为种植参考，但结合实地种植，应对草莓专家经验模型进行优化：当一个生育周期结束，通过人工手动录入单个草莓大棚的产量、品质、水分效率、病虫害等不同目标情况，专家系统通过对大棚历史数据进行对比、分析，得到最优目标时需要的生产条件并录入数据库，实现对专家经验模型的初步优化，为下一次生产提供参考。但该系统模式在农业中的应用时间较短，经验模型优化、复杂数学模型的应用与优化等还需要大量数据支持和长时间验证。