基于人工智能的农业灌溉系统决策

基于人工智能的农业灌溉系统决策
摘要：不断增长的人口和气候变化的影响使得农业生产承担了提高粮食产量和生产率的巨大责任。

在大多数不可能扩大耕地的地区，农业自动化已成为唯一的选择，也是当务之急。

人工智能的进步为农业带来了革命性的变化，它提供了智能系统，可以实时监测、控制和可视化各种农场作业，并具有人类专家的可比智能。

本文对人工智能在开灌溉系统决策方面的潜在应用和技术进行了探讨，将有助于理解人工智能技术如何融入农业实践，并为在农业灌溉系统决策的解决方案铺平道路。

关键词：人工智能，农业，灌溉系统
农业是国民经济的基础。

全国14亿人口的粮食、肉类、蔬菜、水果等食物和纺织用纤维等，共20.33万吨，除少数年份为调剂品种而有进口外，都来自本国农业。

对于我们未来的粮食需求而言，高效利用水资源至关重要，“每滴更多作物”战略可以正确利用稀缺的水资源。

及时预测灌溉需求和作物产量对于农民的福利和满意度是必要的。

事先的预测有助于最大限度地降低生产成本和提高作物产量。

有效水管理的技术干预已经开始多年，但人工智能的发展将其提升到了另一个层次。

在工业4.0时代，人工智能（AI）的影响对于许多未解决的问题以及智能解决方案来说变得至关重要。

基于人工智能的系统可在早期阶段提供有关作物产量的充分信息，其相关智能灌溉管理系统可有效明智地使用农业用水和能源等基本资源。

一、人工智能在农业领域的总体应用
农民们正在利用人工智能，获得比传统农业技术更高的产量。

在传统农业中，种植是一种作物的人工灌溉需求，其产量在很大程度上取决于全球气候因素。

工业革命中发明的出现和农业实践机制的改进缓解了农民的悲惨生活。

但这仍然是一种劳动密集型的做法，极度依赖于自然环境。

因此，有必要开发一个系统，使耕作和灌溉等农业实践自动化，预测产量，并帮助更好地规划全球农产品的需求和供应系统化。

人工智能和物联网技术的结合智能地收集关于不同作物、其生长速度和灌溉需求的相关信息。

这些技术在监测频繁的气候变化、天气预报、植物营养缺乏、植物健康监
测、虫害控制、杂草管理等方面都很有效。

研究人员在开发地理定位卫星（GPS）、卫星图像和传感器等辅助技术方面走了很长的路，用于监测影响产量的参数，如湿度，土壤pH值水平、温度等。

在水资源管理、杂草消除、疾病预测、虫害控制、产量估算和农产品有效储存等不同种植阶段的目标试验仍然缺乏。

这些挑战可以通过应用人工智能和数据科学技术来解决。

使用各种传感器（如远程传感器、接近传感器、温度/湿度传感器等）收集大量农业数据。

先进的互联网设施将这些数据传播到各种渠道，如云。

云上在线数据存储的引入、数据处理技术的进步以及计算能力的提高，在应对农业中发现的挑战方面变得非常有效。

先进技术的使用使农业预测更加精确、可靠和有用。

农民使用的传统农业做法不足以满足日益增长的需求。

为了满足日益增长的需求，农民需要采用农业方面的最新进展，如使用最先进的工具/机械和人工智能技术。

据观察，大多数农民不知道农药的具体使用量和时间。

由于这些做法，土壤肥力和产量都会急剧下降。

大量研究人员已经证明，在人工智能和自动化的帮助下，产量增长的收益增加了。

精准农业（PA）的目标是通过同时降低总体成本和环境污染来提高产量和质量。

作物的数量和质量取决于许多参数，如土壤、天气、灌溉等。

因此，需要定期监测所有这些参数。

传统的监测技术不足以准确有效地监测这些参数。

因此，迫切需要一种能够有效监测参数的自动化系统。

在现代，近距离遥感和遥感在农业领域占据主导地位，有效地监测了为更好地预测和规划农业实践所需的大量参数。

接近感测专门使用高分辨率数据处理土壤。

遥感利用各种传感器对田地进行地理传感。

热遥感提供了一些额外的信息，如温度、水分状况等。

它还帮助我们获得许多植被指数。

AI与这些技术的协作可以为精准农业提供经济高效的解决方案：
1.1 天气预报
人工智能在农业中的一个重要优势是天气预报。

借助最新的基于人工智能的最先进的天气预报技术，农民在规划各自的作物时更容易做出适当的决定。

如今，许多天气预报设备可用于预测天气。

Sehgal等人[1]提出了一种基于长-短期记忆（LSTM）的可视化工具（ViSeed）[2]，可用于天气和土壤预测。

有了这些农民友好型工具的帮助，人们可以有效地规划自己的作物活动和作物类型。

1.2 作物病害预测和健康监测
传统的作物健康监测方法耗时且效率低下，尤其是在数千英亩的大面积地区。

许多研究人员开发了许多基于人工智能的架构，以克服传统农业领域
的挑战。

基于人工智能的技术，包括图像处理、深度学习和数据分析，为
疾病预测和健康监测提供了一种简单有效的方法。

该系统使用支持高清（HD）摄像头的无人机、无人机（UAV）或卫星图像捕捉作物图像。

捕获的
图像用作卷积神经网络（CNN）训练的数据集，这是一中人工神经网络（ANN）。

CNN从fed图像中提取有用的特征，并对作物中的疾病进行预测。

该系统
可有效地连续监测植物的健康状况，从而为计算农药的使用量和使用时间
提供更好的解决方案。

1.3作物成熟度标识
作物成熟度识别系统捕获作物图像并对其进行分析，以确定特定区域
的作物成熟度，以便进行收割。

根据成熟度和其他质量参数，这些作物在
实际投放市场之前可以分为不同的类别。

对于分类，使用各种模式聚类技术，即。

K-均值、模糊C-均值（FCM）、期望最大化（EM）和层次聚类起着
重要作用。

1.4 产量预测和育种管理
过去几十年来，产量预测一直是研究人员感兴趣的领域。

产量预测需
要产量绘图设备，农民仍然不容易获得这些设备。

CNNs可以经济、简便地
解决产量预测问题。

许多研究人员已经开发了模型，使用基于人工智能的
方法预测作物产量，这些方法使用RGB/归一化差异植被指数（NDVI）图像。

他们在公开数据集上的实验结果证明了他们模型的有效性。

对基于CNN的
模型与基于AI的模型的比较分析清楚地表明，CNN比传统的机器学习（ML）
和基于AI的技术更具优势。

传统上，杂草管理是通过多种技术的结合来完成的，即：。

机械除草、
作物轮作、除草剂等。

除此之外，市场上也有各种基于生物化学的杂草和
害虫综合防治解决方案，但它们都会降低产量。

作物产量的下降是由于在
田间频繁地、持续地喷洒农药造成的。

AI为这一挑战提供了智能解决方案
二、人工智能在农业灌溉系统中的应用
为了应对水资源短缺，迫切需要一些智能灌溉系统，以低耗水灌溉更多地区。

当前有各种低耗水灌溉技术被广泛的应用，例如，洒水系统和滴灌系统，但这些系统在很大程度上需要人为干预。

因此，可以为现有系统添加功能，以开发智能灌溉系统。

该系统持续监测作物中的水分水平，将土壤和作物中的可用水分含量与标准需水量进行比较。

根据作物的需水量自动启动洒水或滴水。

人工智能在这一领域与物联网（IoT）的合作做出了很大贡献。

对于智能灌溉，需要收集土壤水分水平、植物含水量、大气湿度、温度等信息。

可以使用土壤水分传感器、温度传感器、湿度监测传感器、，这些传感器连接到基于Arduino的低价系统，用于存储收集的信息，并执行分析算法，预测特定时间作物的需水量。

有效利用水资源是一项具有挑战性的任务，特别是对于水资源可用性是主要问题的地方。

为了获得高产，必须在需要时灌溉田地，或者我们可以说，必须知道灌溉的确切数量和时间。

如今，在新技术创新的帮助下，我们生活在被称为“智能灌溉”的先进灌溉系统的世界中“智能”一词的意思是，传感器能够感知植物的需水量。

这种能力是通过结合多种技术实现的，即：。

自动化、传感器和知识（AI）。

尽管这些系统在性质上并不昂贵，但由于缺乏认识，大多数农民正在采用传统的灌溉方式，这导致水的利用效率低下，作物产量低。

感谢开发了这种低成本智能灌溉系统的研究人员。

图1中显示了一个这样的系统。

图1 智能灌溉系统
这些智能灌溉系统背后的自动化是使用智能嵌入式系统实现的。

这些智能嵌入式系统可以借助各种技术/设备形成，如Arduino、功率单元、温度传感器、湿度传感器、机器学习和物联网（IoT）。

智能灌溉系统能够节省大量的水，这些水可以用于人类的其他重要用途。

智能灌溉系统还确保每个植物都能获得准确数量的水，从而保持植物的良好健康（防止脱水和过度/不规则灌溉），避免疾病。

据观察，植物中的一些疾病是由于灌溉不当造成的，而这主要是由于对传统灌溉系统的适应。

还需要定期对喷头/滴水模块进行连续观察，以防止其发生故障。

有时，由于性能下降或动物/环境造成的损坏，这些系统需要重新校准。

在这种情况下，田地的一部分高度灌溉，而另一部分未灌溉。

设计智能灌溉系统的主要挑战是土地和作物类型的不均匀性。

迄今为止，许多研究人员在智能灌溉系统领域开展工作，最为常见的为太阳能智能灌溉，该系统由太阳能电池板、电池、转换器模块和水泵组成。

该系统采用太阳能供电，用于打开步进电机，根据感应到的水分将水从井中输送到储水箱。

储水箱安装有一个出水阀，该阀由水分感应电路进行电子控制。

水分传感器安装在正在种植作物的田间。

传感器能够将含水量转换为等效电压与参考电压。

电压差水平用于确定需水量。

他们的实验结果表明，该系统能够以最少的水和能源使用量灌溉农田。

具体来说，一个灌溉系统的实现，主要由下列步骤进行：
1、湿度数据已校准到数据中心；
2、数据中心现有的专家数据正在与实时传感数据进行比较；
3、根据灌溉要求向基站发送灌溉指令。

4、基站将这些要求发送给灌溉控制系统（ICS）；
5、ICS打开电子阀，灌溉后关闭；
6、工艺按灌溉要求循环运行。

三、人工智能灌溉系统的实现
如前一节所述，许多研究人员提出了各种智能灌溉系统，这些系统克服了传统灌溉系统（滴灌、直接泵渠灌溉、喷灌、管井灌溉）需要对田间进行连续监测的缺点。

大多数智能灌溉系统都能够根据传感器值自动灌溉作物田。

传感器节点是这些系统中最重要的部分。

其他重要组件包括但不限于：控制器单元、无线媒体、GSM模块、Arduino、显示单元、继电器、
树莓Pi、水泵、洒水器/滴水模块等。

这些系统中的差异产生于两个方面，即传感器节点及其组织与其他组件的多样性能力。

温度传感器负责观察特定作物所需的温度，而水分传感器则能够感应土壤中的水分水平。

系统设计师有责任连续或以特定间隔从这些传感器获取值。

一些系统被发现是节能的，因为无线节点不能连续感知和发送信息；相反，它们被校准为在用户指定的间隔阈值下执行这些任务。

受控装置持续观察这些感应值，并启用水泵操作（打开和关闭）。

洒水器/滴水模块的位置应根据植物/作物和土地结构进行专门安装。

由于所有作物的结构和灌溉需求不尽相同，因此没有能够满足所有类型作物/农田灌溉需求的通用灌溉系统。

本文提出了一种智能灌溉系统的架构。

中央系统用于控制节点，并决定连接到任何特定节点的泵的开启时间。

此实现使用Arduino控制器执行其所有功能。

支持脚本被导入到主脚本，控制逻辑在需要时从支持脚本调用方法。

这些功能包括与节点通信、数据预处理和使用机器学习算法推导推理。

机器学习模型不是在树莓派上训练的。

相反，培训是在高端计算机上进行的，然后将经过培训的模型部署到生产环境中。

如图2所示，该系统包含由太阳能电池板供电的智能传感器节点。

太阳能电池板的选择可能因天气条件而异（如果系统安装在阴雨环境中，则需要安装太阳能电池板的高级控制器）。

传感器节点包含以下三个传感器单元：温度传感器、土壤湿度传感器、湿度传感器。

这些智能传感器节点直接连接到Arduino控制器。

该控制器可根据实时传感器值和Raspberry Pi提供的现有知识（在神经网络内训练）开启或关闭水泵。

该处理器是Broadcom BCM2835系统芯片，包括700MHZ ARM-11处理器。

它还具有具有一级缓存的RAM和具有二级缓存的图形处理单元）。

模块中的CPU负责通过将一个模块的功能连接到另一个模块来协调整个过程。

通过促进每个模块之间的通信，处理器能够将从传感器阵列收集的数据组织到基站，而不会产生任何失真现有知识的概念已纳入该系统，以便在传感器节点不可用/故障期间灌溉植物。

这些传感器用于获取有关天气状况的信息，由于传感器节点可能会因各种原因而停止工作，例如电源故障、传感器部分故障、任何动物的身体损坏等。

此功能可防止智能传感器节点发生故障时植物脱水。

现有知识可以从以前的数据或农业专家那里获得。

预训练网络在提供
灌溉需求总体预测方面发挥着重要作用。

控制器能够根据实时值（从智能传感器单元获得）/预训练网络或从两者中做出决策。

它分析现有知识和实时值，以便根据用户指定的阈值（即湿度、湿度和温度）做出适当的决策（打开或关闭水泵）。

自动灌溉系统由智能阀门和智能水表构成，将从由土壤水分参数组成的光伏电池获得电力。

灌溉系统由两台泵控制洒水器和滴灌方式，每台泵的功耗为48 W，由5000升水箱供水。

图2 设计的智能灌溉系统
该系统最重要的部分是，它能够将所有灌溉相关数据发送到云，以便进行分析和将来使用。

该系统使用的无线传感器网络是一种专用传感器，它记录、监测灌溉数据，并且依赖于无线通信服务。

节点通过共享WiFi接入点连接到中央控制器。

客户端-服务器体系结构用于节点和中央控制器之间的通信。

通过无线通信服务，将测量值从一端传输到另一端。

无线单元的编程功能用于同步无线传感器单元，以监控每个无线传感器单元的确切状态。

如果所有WSU丢失，系统将自动执行默认灌溉计划模式。

将发送电子邮件通知系统管理员，以便在自动灌溉系统中进行安全通信。

使用回归算法的输出计算持续时间。

每个节点每隔30分钟向服务器发送一个请求。

因此，该网络本质上是一个无线局域网。

由于每个节点都独立于其他节点工作，因此节点的偶然故障不会导致整个系统崩溃。

此外，故障节点的隔离变得很容易。

云存储的连接性增强了无线传感器网络的更多价值，用户可以在基于智能web或基于应用程序的门户上随时查看当前和过去的灌溉使用情况。

该接口可能提供几个附加功能，即启动/停止灌溉、特定时间段/区域内的总耗水量、实时传感器值等。

智能阀/智能仪表将计算耗水量单位，并将这些详细信息发送到云。

借助此方法，我们可以了解特定作物的总耗水量/需求以及每月/每周的耗水量。

这些值可用于制定未来的水需求计划/决策。

喷头和滴水模块的位置根据不同作物/田地的情况手动校准。

图3 基于人工智能的灌溉传感器模块
传统的农业方法，如滴灌、喷灌、直接泵灌和其他许多方法，需要农民进行连续的现场监测。

这些系统可以使用由控制系统控制的物联网实现自动化。

全自动系统了解周围条件并相应地操作。

地球上可用的淡水非常少，有效利用淡水是首要目标。

用于灌溉的传统方法效率不高，因此，为了实现灌溉系统的自动化，以便监测农田，迫切需要一些附加技术，如智能，以便该系统能够应用人工智能来推断农业数据和结果，预测未来的结果，并相应地工作。

机器学习是人工智能的一部分，支持机器对机器通信（M2M）。

温度和湿度传感器将定期检测土壤状况，并将数据发送到Arduino的微控制器。

Arduino内置了模数转换器，可将输入的模拟数据转换为数字数据。

边缘级硬件将连接到Arduino。

在该系统中，树转换后的信号将被发送到树莓派。

硬件采用基于机器学习的KNN算法。

该算法非常简单和基本。

然后将感测的温度和湿度值并入机器学习算法中并基于训练值；树莓派向Arduino发送信号，以启动泵进行灌溉。

如果该值对应于实时土壤要求所需的值，则泵将无法获得启动过程的命令。

该系统通过不经常打开来检查降雨状态，而不是定期检查自身，从而实现了能效。

降雨量取决于多个参数，包括平均温度、压力、最大和最小湿度以及与空气相关的平均露水。

所使用的数据集对当地和地区负责，因为它包含可用于预测降雨量的参数，并且所有参数都具有随机值
无论供水情况如何，每次在算法中处理数据时，它都会更新数据库。

该数据库保存传感器值和灌溉过程数的信息。

该数据库将自己上传到一个网页云门户，农民可以通过该门户访问信息。

整个机构学习操作，并作为人工智能运行。

然而，还有许多问题，如作物损失、农民对作物的无知以及水的有效利用。

本文建议借助基于人工智能的灌溉系统，全面解决与农业相关的此类问题。

该系统将有效利用人工智能和机器学习的理论，并在嵌入式系统的帮助下实现。

该系统将决定土壤、作物和灌溉系统的生产率。

如今，洒水器在自然界中是如此的智能，它们可以自己巧妙地灌溉田地。

传统的洒水器无法正确灌溉田地。

支持Wi-Fi的喷头提供了使用智能手机控制喷头的设施。

喷嘴的方向和喷水速度可以通过智能手机控制。

甚至一些智能洒水器也能够制定自己的灌溉计划。

喷水灭火系统的选择也是实施智能灌溉系统以优化灌溉的挑战。

拟建系统能够通过优化灌溉实现精准农业，并可提供以下几个优势：成本最小化、最佳能源利用率（通过太阳能发电系统获得）、最佳水利用率（根据要求通过智能洒水器喷洒）、增加作物生长：通过优化灌溉，防止作物脱水和过度/不规则灌溉，实现作物健康减少灌溉的人力需求、通过云计算提供完整的灌溉数据、通过人工智能有效利用现有知识。

四、总结
植物的生长复杂地依赖于环境条件。

因此，有必要在实际栽培环境中并行评估多个AI模型，以比较相同条件下的AI模型。

由于现有灌溉系统在云上运行，通信的不稳定性一直是人工智能模型并行评估中的一个问题。

由于边缘节点不受通信基础设施不稳定的影响，因此可以并行实现稳定的评估。

在我们未来的工作中，我们计划对各种人工智能模型进行平行评估，并确定最适合的人工智能模型。