基于模糊控制的設施菜心生產環境管控模型及系統

毛遠洋，陳芳玲，卞智逸，肖德琴，周 敏

(華南農業大學 數學與信息學院/農業農村部華南熱帶智慧農業技術重點實驗室,廣東 廣州 510642)

2021 年廣東省菜心BrassicacampestrisL.ssp.chinensisvar.utilisTsen et Lee (Flowering Chinese cabbage)播種面積達36 萬hm2，是廣東省綠葉蔬菜產銷排名第一的作物[1-2]。當前菜心種植基地大多采用人工經驗式管理下的露地種植、大棚種植方式，露地種植容易受到惡劣天氣的影響，大棚種植能夠大大降低這一負面影響。然而目前菜心大棚種植依靠人工較難準確地監測種植環境信息，在菜心生長環境偏離適宜條件時無法進行及時的準確調控，導致菜心品質、產量下降。隨著智慧農業的發展[3-4]，通過農業傳感器等智能設備[5]搭建蔬菜種植管控系統可以實現作物生長環境的遠程監控和管理，而管控系統對環境調控的速度和精度是提高生產種植管理效率和質量的關鍵。

目前，作物管控系統已在國外得到廣泛應用，利用農業智能設備與現代計算機技術實現農業生產、農事服務的高效管理[6-11]。如美國、日本、法國等國家已建立集生態化、產業化、標準化、集約化、規?；谝惑w的多個示范性現代農業產業園，提升了經濟和環境效益。

近年來國內開展了一系列作物管控系統的研究[12-14]，王紀章等[15]通過有線、無線傳感器感知種植環境及作物對氣候的反應，并做出正確的、精準的環境調控決策，建立基于物聯網的灌溉施肥系統，合理分配農業生產過程中的水和肥料，提高了生產力和質量，但在環境調控性能上仍存在調控不及時、不準確的問題。姬麗雯等[16]使用輕量級的MQTT 協議設計了草莓監控系統，實現了對溫室環境信息的實時采集和遠程控制，但未涉及智能調控功能，無法給予農戶專業指導。楊偉志等[17]基于土壤水分等相關信息建立了柑橘灌溉專家系統，但該系統僅采用無線通信的方式，在惡劣天氣條件下抗干擾能力較差，無法準確穩定地傳輸環境信息，灌溉實時性和準確性不能保證?；谵r業物聯網技術，余國雄等[18]實現對荔枝園的遠程環境監控和精準管控，吳久江等[19]對簡易大棚種植草莓的水分利用率進行分析，使水分經濟利用率得到一定的提高，但他們都未考慮環境因子對環境調控設備的依賴，在精準調控的實時性和準確性方面仍有不足。

模糊控制作為一種模擬人類思維而不依賴于參數調節的推理規則，能夠適應實時系統的非線性控制問題[20]，已有相關研究將模糊控制應用于溫室環境調控。韋玉翡等[21]基于環境參數模糊制定專家系統，實現對溫室環境的智能調控，但監測的環境因子不夠全面，未考慮土壤電導率對作物生長的影響。傅以盤等[22]利用模糊控制對大棚溫度進行調節，將其數值穩定在合適范圍內，但未對其他環境因子實現調控。由于環境因子對環境調控設備的依賴程度不同，環境調控設備對環境因子的影響并非一對一的關系，對多環境因子的精確調控策略需要結合專家知識。定性分析是一種依據專家的智慧、經驗等進行決策的方法，將其與模糊控制相結合，有利于實現多環境因子的精確調控。

針對現有的作物種植管控系統存在的種植環境監測不全面、環境調控實時性和準確性欠佳等問題，本文設計并開發了一種菜心種植的精準管控模型及系統，利用物聯網設備實時監測菜心各生長階段的環境因子并傳輸至云端服務器，同時管控平臺調用基于模糊控制與定性分析的環境管控模型指導環境調控設備工作，最后開展了管控系統模式和人工管理模式性能的對比試驗，以期為實現設施菜心種植生產的高質量管理提供參考。

1 管控系統模型及系統總體設計

設施菜心管控模型及系統整體框架如圖1 所示，主要由環境監測設備、環境管控模型和環境調控設備3 部分組成。在菜心種植基地部署氣象綜合站采集基地不同環境下的氣象數據，部署土壤綜合站采集土壤數據環境，基于RS-485 和Modbus-RTU 協議與數據處理單元進行通信；數據處理單元基于MQTT 協議與云端服務器進行數據交換；云端服務器負責接收、存儲、管理、分析數據以供管控平臺調用。部署水肥一體灌溉機、智能控制機作為設施菜心的水肥供給及環境調控設備。環境管控模型對菜心生長環境進行分析，形成環境調控決策方案，通過管控平臺調用水肥一體灌溉機及智能控制機，維持各環境處于適宜生長范圍，實現作物的高產、穩產。

圖1 設施菜心管控模型及系統框架Fig.1 Framework of the management model and system for protected flowering Chinese cabbage

2 設施菜心生長環境監測

2.1 菜心生長環境信息采集

設施菜心生長環境信息主要通過物聯網設備采集并傳輸至云端服務器進行分析、存儲，實現菜心生長環境的實時監測?；谖锫摼W設備搭建氣象綜合站和土壤綜合站收集菜心生長環境因子(空氣溫度、土壤溫度、土壤濕度、土壤導電率)。菜心不同生長時期對生長環境的要求不同[23]，具體環境要求由農藝專家制定，如表1 所示。其中，種子發芽需要25～30 ℃的空氣溫度、達標的土壤溫度和水分條件以保證菜心的正常生長發育；葉片生長期的空氣溫度要求在20～25 ℃，有利于菜薹形成期糖分積累，產出質量好、品質高的菜心。土壤電導率反映了土壤中的總鹽量，土壤中的養分主要以離子形式分散在土壤中，如氮、磷、鉀、鈣、鎂等元素，這些元素的含量將直接影響作物產量，同時也需要避免過量施肥導致土壤污染。氣象綜合站和土壤綜合站中環境因子采集傳感器的具體信息如表2 所示。

表1 環境因子適宜范圍Table 1 Suitable range of environmental factors

表2 傳感器具體信息Table 2 Specific information of sensors

2.2 生長環境信息數據傳輸

將氣象綜合站和土壤綜合站采集到的數據穩定傳輸至云端，是實現環境精準調控的前提，本研究底層傳感器由兩類構成，一是數據采集類傳感器，二是設備執行類傳感器。相較于無線傳輸，有線傳輸在面臨惡劣天氣時抗干擾性更強，而無線傳輸的成本更低。因此本研究采用無線傳感網、有線通信相融合的組網設計，并接入生產環境中的風機、濕簾、控制箱等傳感器設備，監控設備運行狀態，對設備異常狀況進行報警；同時依據傳感器情況，采用RS-485 結合Modbus-RTU 協議的方式接入傳感器設備，并使用MQTT 協議，將數據內容傳輸到云端物聯網平臺，進行初步運算存儲。

2.2.1 底層物聯網與數據處理單元的數據傳輸 由于無線信號抗干擾能力較弱且實驗園夏季高頻發生雷雨天氣，因此選擇485 信號線將傳感器與數據處理單元連接，傳感器設備與數據處理單元通過標準RS-485 通信接口進行數據傳輸，問詢幀的地址碼和功能碼為1 字節，起始地址、請求寄存器數量和校驗碼為2 字節，應答幀的地址碼、功能碼和數據長度為1 字節，回傳數據內容和校驗碼為2 字節。其中，地址碼代表設備地址，在通信網絡中是唯一的，多個傳感器設備共用1 條485 總線，與數據處理單元連接構成1 個綜合站，每個傳感器設備對應1 個設備地址。地址碼由用戶設置，表明該信息來自何處；由于傳感器設備只支持讀取操作，因此將功能碼固定為只讀，寄存器地址0001H 定義為空氣溫度(單位為0.1 ℃)，只讀操作；0002H 定義為土壤溫度(單位為0.1 ℃)，只讀操作；0003H 定義為土壤濕度(單位為0.1% RH)，只讀操作；0007H 定義為土壤電導率(單位為1 μS/cm)，只讀操作。校驗碼用于判斷接收到的數據是否正確，避免傳輸過程中電子噪聲或其他噪聲的干擾。

2.2.2 基于MQTT 的云端數據傳輸 數據處理單元通過MQTT 協議與云端進行數據交換，MQTT 通信協議使用訂閱和發布消息模式，實現農業數據的高效推送。在MQTT 協議中，1 個數據包由固定頭、可變頭、消息體組成。其中，固定頭包含數據處理單元序列號、傳感器設備地址碼；可變頭包含傳輸數據類型、協議版本等；消息體包含氣象數據如空氣溫度、大氣濕度、光照等。

MQTT 物聯網傳輸協議具有網絡連接速度快、實時性高、數據傳輸穩定、下位機系統高效穩定和環境參數精度高等特點，使得物聯網設備監測菜心各生長階段環境因子(空氣溫度、土壤溫度、土壤濕度和土壤電導率)擁有較高的實時性。

3 設施菜心生長環境管控模型

3.1 功能設計

環境管控模型是實現菜心生長環境精準管控的關鍵，水肥一體灌溉機按照菜心各生長時期的需求，通過滴灌方式將水肥溶液輸送到作物根部。智能控制機集成風機、燈光、濕簾等設備，為菜心提供精準、定量、定時的環境調控條件。開發設施菜心精準種植管控平臺，調用布置在云端服務器的模糊調控模型，分析空氣溫度、土壤溫度、土壤濕度和土壤電導率，做出相對應的環境調控決策，圖2 為管控平臺界面。

圖2 管控平臺界面Fig.2 Control platform interface

環境調控系統工作過程如下：環境監測系統通過各種傳感器采集溫室內環境因子數據并傳送至云端服務器；云端服務器一方面對數據進行預處理并保存，另一方面傳達信號，控制環境調控設備的開啟程度，以維持菜心的最佳生長環境；采集、接收數據后，管控平臺將環境數據與根據專家知識設置的菜心各時期最優參數進行比較，得出偏差和偏差的變化率等，調用模糊調控模型得到各環境因子的模糊控制量，最后基于定性分析法形成精準的環境調控決策方案，控制水肥一體灌溉機和智能控制機進行適當的噴灌降溫、噴灑肥料、開關大棚風機等操作，保證菜心的正常生長；反饋實施結果到管控平臺，為后續優化提供依據。

3.2 基于模糊控制的環境調控

控制多因素環境變量穩定是設施菜心環境智能調控的關鍵。設施菜心生長環境變量相互聯系、相互影響。如太陽輻射量過高，會導致溫度升高，從而濕度降低等[17]。優秀的環境調控系統設計需考慮多因素環境變量的綜合影響。本研究綜合菜心不同生長階段的環境因子，基于模糊控制和專家知識形成環境調控設備的最佳模糊調控模型，其結構如圖3 所示。其中，本研究的專家知識為農藝師根據菜心種植管理以及環境調控設備使用經驗綜合分析制定的數據庫和規則庫。

圖3 模糊控制模型結構Fig.3 Structure of fuzzy control model

將環境監測系統采集到的環境因子的實時數據與設定的菜心生長環境因子適宜范圍(表1)比較，獲得空氣溫度偏差ET1和偏差變化率ΔET1、土壤溫度偏差ET2和偏差變化率ΔET2、土壤濕度偏差EH和偏差變化率ΔEH以及土壤電導率偏差EC和偏差變化率ΔEC。

為保證設施菜心的環境變量處于最佳，設計二輸入的模糊控制規則使調控模型處于動態穩定狀態。將各環境因子偏差值和偏差變化率作為模糊控制模型的輸入量，參考專家知識將輸入值轉化為模糊控制理論語言值，具體轉換公式如下：

式中，X為偏差值及其變化率，a為論域上限，b為論域下限，Y為連續量。

設定空氣溫度、土壤溫度、土壤濕度、土壤電導率的偏差模糊集論域為[-3,3]，可分為7 個等級{-3,-2,-1,0,1,2,3}，這是輸入值的量化過程。輸入量偏差值的模糊語言值?。簕NB=負大，NM=負中，NS=負小，Z=零中，PS=正小，PM=正中，PB=正大}。同理，輸入量偏差值的變化率也根據上述方法劃分3 個等級模糊語言值：{N=負，Z=零中，P=正}；模糊控制模型輸出控制量的模糊值?。簕NB=負大，NM=負中，Z=零中，PM=正中，PB=正大}，結合專家知識將模糊輸出語言值轉化為各環境因子的模糊控制量。

模糊調控模型具體規則如下：當偏差E及其變化率 ΔE較大時，應盡快消除偏差；當它們較小或為零時，需優先保持調控模型穩定性。模糊控制狀態表如表3 所示。

表3 模糊控制狀態1)Table 3 Fuzzy control states

3.3 環境調控定性決策優化

根據模糊調控模型輸出的各環境因子的模糊控制量，結合專家知識制定環境調控設備的調控規則。對于水肥一體灌溉機，采用定量控制的方式，依據設備最大極限澆灌量劃分為0、25%、50%、75%和100% 5 個調控等級。對于燈光、風機、濕簾等長時間運行設備，設備調控的影響程度與開啟時間呈正比例關系，因此采用定時控制的方式，將設備開啟時間劃分為5 個調控等級(0、2、4、6、8 h)，相應調控規則如表4 所示。

表4 環境調控設備控制規則Table 4 Control rules for environmental control equipment

然而，環境調控設備對環境因子的影響并非一對一的關系，如水肥一體灌溉機直接對土壤濕度和土壤電導率產生影響，間接對大氣濕度、空氣溫度產生影響；水泵的開啟程度和時間直接對土壤濕度、大氣濕度產生影響，間接影響土壤溫度、空氣溫度；在夏季當濕簾發揮降溫加濕作用時，室內溫度下降，濕度會略增加；打開風機進行通風換氣，可以降低溫度和濕度。因此需要采用定性決策的方法確定環境調控設備的調控量。

將空氣溫度、土壤溫度、土壤濕度、土壤電導率4 個環境因子對控制設備的依賴程度分為5 個等級：非常高(1.0)、高(0.8)、中(0.5)、低(0.3)、非常低(0)，若依賴程度處于2 個等級之間，則取這2 個等級間的評定值。

根據前期試驗和專家意見得出空氣溫度、土壤溫度、土壤濕度、土壤電導率4 個環境因子受5 個控制設備(濕簾、水肥一體灌溉機開啟前需開啟水泵)的影響程度，如表5 所示。

表5 環境因子對環境調控設備的依賴程度Table 5 Dependence degree of environmental factors on environmental control equipment

由表5 可計算評價模糊矩陣R。

按照公式(3)，對模糊矩陣R最大特征值所對應的特征向量歸一化，得到相對權重(A)。由公式(4)計算得到各控制設備的重要性評價系數矩陣(U)，在各環境因子控制存在耦合或設備調控量存在矛盾時，形成精準環境調控決策。

4 基地試驗

設施菜心管控系統試驗在華南農業大學農業農村部華南熱帶智慧農業技術重點實驗室試驗基地進行，設有2 個菜心種植區，占地300 m2，可種植1 000 株菜心。試驗基地針對菜心種植區部署氣象綜合站1 套、土壤綜合站10 套、水肥一體灌溉機1 套和智能控制機1 臺(控制10 個風機、1 個濕簾以及1 套補光設備)。2 個菜心種植區分別采用設施菜心管控系統模式和人工經驗管理模式對菜心生長進行管理，1 套氣象綜合站布置于2 個菜心種植區之間，10 套土壤綜合站以五點采樣法的分布形式分別布置于2 個菜心種植區，采集土層表面5 cm 的土壤環境因子數據。本試驗種植的菜心品種為‘青梗皺葉遲菜心’，在高架上使用基質種植，基質由農藝專家配制，原料主要有泥炭、椰糠、珍珠巖和蛭石。菜心種植株距16 cm，行距16 cm。以2021 年9 月1 日至2021 年10 月21 日種植菜心的種子發芽期(9 月1 日至9 月7 日)、葉片生長期(9 月8 日至10 月2 日)、菜薹形成期(10 月3 日至10 月21 日)作為試驗時期。

為驗證智能設施菜心管控系統性能，本文進行設施菜心管控模式性能對比試驗，分別是管控系統模式和人工經驗管控模式，比較環境調控的實時性和準確性。管控系統模式下，監測系統實時采集試驗菜心種植區空氣溫度、土壤溫度、土壤濕度和土壤電導率4 個環境因子數據，通過模糊控制器得到環境因子模糊控制量，結合專家知識生成環境調控決策，指導智能控制機和水肥一體灌溉機調節菜心生長環境。人工經驗管控模式下，種植者在工作時間內定時(06:00、12:00 和18:00)測量環境因子數據，根據測量數據和人工經驗控制環境調控設備，進而調節菜心生長環境。針對本文優選的4 個關鍵環境因子，通過設施管控系統監測并記錄菜心不同生長時期的數據，暫存在本地計算機內，用于試驗結果對比分析。其中，種子發芽期數據336 個、葉片生長期數據1 200 個、菜薹形成期數據912 個。

計算環境因子超出菜心適宜生長范圍后，經過系統或人工調控到適合生長范圍內所需的時間，以此比較不同管理模式對環境因子調控的實時性，對應指標計算如公式(5)所示。

式中，pt、Pt分別為不同環境因子的實時性指標；n為管控系統或人工介入調控的次數；tei為空氣溫度和土壤溫度第i次超出適宜范圍的時間，h；tbi為調控空氣溫度和土壤溫度第i次回到適宜范圍的時間，h；Tei為土壤濕度和土壤電導率第i次超出適宜范圍的時間，d；Tbi為調控土壤濕度和土壤電導率第i次回到適宜范圍的時間，d；Pd為菜心當前總生長天數，d。實時性指標越小代表實時性越好。

統計環境因子處于菜心適宜生長環境范圍內的頻數(數據量)，并計算其占總數據量的比例，以此比較不同管理模式對環境因子調控的準確性，對應指標計算如公式(6)所示。

式中，Pa為準確性指標；D為本試驗中記錄的菜心生長各個時期對應環境因子的數據量；D1為環境因子處于菜心適宜生長環境范圍內的頻數。

5 結果與分析

5.1 管控模式實時性分析

隨機選取菜心3 個生長時期(種子發芽期、葉片生長期、菜薹形成期)其中一天的空氣溫度和土壤溫度作為對比，如圖4 所示。人工管理模式的空氣溫度大部分時間處于適宜范圍之外，且這一情況存在于菜心生長的3 個時期。管控系統模式的空氣溫度和土壤溫度根據菜心生長時期變化而變化，基本處于適宜范圍內；其中，土壤溫度在整個葉片生長期都保持在適宜范圍內。說明當空氣溫度和土壤溫度超出適宜范圍時，管控系統能及時調控使其快速回到適宜范圍內。

圖4 空氣溫度和土壤溫度變化曲線Fig.4 Variation curves of atmospheric temperature and soil temperature

圖5a、5b 分別為菜心3 個生長時期(種子發芽期、葉片生長期、菜薹形成期)土壤濕度和土壤電導率的平均日變化曲線。管控模式下的土壤濕度和土壤電導率變化總是先于人工管理模式，且調控趨勢更強烈，反映出人工管理模式介入調控相對滯后，導致土壤濕度和土壤電導率幾乎都處于適宜范圍之外。土壤電導率反映了土壤營養物質的含量，人工管理導致土壤電導率偏低，不利于菜心生長；管控系統模式的土壤濕度和土壤電導率隨著菜心生長時期的變化而及時改變，說明管控系統能夠頻繁介入調控使其處于適宜范圍內。

圖5 土壤濕度(a)和土壤電導率(b)變化曲線Fig.5 Variation curves of soil moisture (a) and soil electrical conductivity (b)

統計菜心3 個生長階段各環境因子實時性試驗結果，如圖6 所示。從平均實時性來看，3 個生長階段管控系統模式對環境因子的平均調控實時性分別為0.10、0.17 和0.18，人工管理模式分別為0.37、0.41 和0.43。管控模式調控的實時性明顯比人工管理模式高，所需平均調控時間縮短50%以上，平均實時性提高62.50%。3 個生長階段管控系統模式對土壤濕度的平均調控實時性分別為0.05、0.01 和0.03，對土壤電導率的平均調控實時性分別為0.01、0.02 和0.03；人工管理模式對土壤濕度的平均調控實時性分別為0.36、0.23 和0.24，對土壤電導率的平均調控實時性分別為0.50、0.31 和0.42。人工管理模式對土壤濕度和土壤電導率的調控實時性與管控系統模式存在巨大的差距，形成這種巨大差距的原因可能是，當土壤濕度和電導率處于不利于菜心生長狀況時，人工經驗管理對土壤狀況觀測不及時、判斷不準確等主觀原因導致調控滯后，而管控系統的環境監測使土壤濕度和土壤電導率的實時調控成為可能，使得菜心始終處于適宜生長條件。

圖6 實時性試驗結果Fig.6 Results of real-time experiments

5.2 管控模式準確性分析

本試驗管控系統模式和人工管理模式的各環境因子在菜心種子發芽期、葉片生長期和菜薹形成期的監測數據如表6 所示。管控系統模式下各環境因子處于適宜范圍內的頻數均高于人工管理模式，其中土壤濕度和土壤電導率的優勢最為明顯。綜合3 個時期來看，土壤濕度和土壤電導率在管控系統模式下處于適宜范圍內的頻數分別為1 887 和1 738，相比人工管理模式的484 和102，分別有近3 和16 倍的提升；這是由于灌溉時間、灌溉方式、肥料比例對土壤濕度和土壤電導率的影響較大，依靠人工經驗管理較難準確把握灌溉調控時機，而管控系統在準確的環境監測基礎上能夠做出及時精準的調控決策，因此調控效果優勢明顯。相對于土壤濕度和土壤電導率，管控系統對空氣溫度和土壤溫度調控的優勢較小，僅有不到1 倍的提升；可能原因是與土壤濕度和土壤電導率相比，人工經驗對于溫度變化更為敏感，因此空氣溫度和土壤溫度能夠得到及時的調控。

表6 準確性監測結果1)Table 6 Monitoring data of accuracy

圖7 為管控系統模式與人工管理模式的準確性對比結果。對比3 個時期試驗結果發現，管控系統模式對4 個環境因子的調控準確性均超過0.50，而人工管理模式下僅有土壤溫度的調控準確性超過0.50。綜合3 個時期，對比人工管理模式，管控系統對空氣溫度、土壤溫度、土壤濕度和土壤電導率的調控準確性分別有56.66%、20.33%、3.76 倍和13.78 倍的提升，平均準確性提高1.34 倍。此外，人工經驗管理模式在3 個時期對土壤濕度的調控準確性均低于0.35，對土壤電導率的調控準確性均低于0.10，與管控系統模式存在較大差距。從平均準確性來看，管控系統模式在3 個生長階段對4 個環境因子的平均調控準確性分別為0.78、0.68 和0.74，人工管理模式分別為0.31、0.34 和0.30。管控模式的調控準確性均為人工管理模式的2 倍以上，說明人工管理由于環境觀測滯后性較難對環境因子實現準確調控，導致菜心的生長環境無法長時間穩定地控制在適宜范圍內，對菜心的健康生長造成負面影響。試驗的準確性分析結果表明，管控系統對環境因子的調控準確性更優，更有利于菜心的生產管理。

圖7 準確性試驗結果Fig.7 Results of accuracy experiments

6 結論

1)設計并開發了一種基于模糊控制的設施菜心生產環境管控模型及系統，主要由環境監測設備、環境管控模型和環境調控設備3 部分組成，具有對菜心生長環境實時監控及準確調控的功能，實現了菜心生長高效管理，保證了菜心產量和品質。

2)利用本研究的管控系統對菜心生長環境信息進行采集和傳輸，提高了獲取環境信息的實時性。模糊推理與定性分析相結合的方法優化了環境因子控制量及環境調控設備的調控決策，提高了對環境因子調控的準確性。

3)與傳統人工管理模式對比，管控系統能夠更及時、準確地監控和調控菜心生長環境，對比試驗表明：管控系統模式的平均實時性提高62.50%，平均準確性提高1.34 倍。