文献标识码: A
DOI:10.16157/j.issn.0258-7998.2015.08.008
中文引用格式: 温宗周,李瑛. 土壤旱情监测系统设计[J].电子技术应用,2015,41(8):30-33.
英文引用格式: Wen Zongzhou,Li Ying. Design of soil drought monitoring system[J].Application of Electronic Technique,2015,41(8):30-33.
0 引言
近年来,在全球变暖的背景下,每年的干旱灾害发生面积不断扩大,随着社会现代化的发展,因干旱造成的经济损失逐年增多[1,2]。1990年以后,美国农业部联合NOAA和NDMC研发出对一周之内的旱情进行全面监测的产品DM,可提供全美国干旱现状的总体评估[3,4]。近几年,我国的抗旱工作不断深入,国家逐步加大旱情监测系统在全国普及的投入,目前国家防汛抗旱指挥系统二期工程正在建设中,意义重大[5,6]。
旱情监测工作的特点决定了旱情监测站点数量多、位置分散、数据采集难度大且效率不高而成本却很大。本文结合旱情信息采集技术与无线通信数据传输技术,研制了基于STM32的旱情信息采集和数据远程传输的遥测终端机。可实现对土壤含水率、蒸发量、降雨量和温度的实时数据采集,并将采集的数据通过GPRS无线网络上报给中心站;通过中心站基于BP神经网络算法的旱情等级预测模型,实时对遥测终端机上报的旱情参量数据进行综合评估,实现了旱情等级的预测、预报,为当地抗旱采取及时有效的防治措施提供依据。
1 系统总体设计
依据旱情监测的特点,本设计的土壤旱情监测系统由监测站和中心站两部分组成,监测站负责数据采集,中心站主要对数据进行分析评估。系统总体设计如图1所示。
监测站的设计是该系统设计的下位机部分,它主要包括传感器采集、遥测终端机、通信模块和电源供电4个模块。
2 硬件电路设计
按照遥测终端机的功能设计,其硬件电路主要分为主控制器最小系统模块、数据采集模块、数据存储模块、显示模块、通信模块和系统电源模块六部分。系统总体结构框图如图2所示。
数据采集模块主要包含土壤含水率采集、蒸发量采集、降雨量采集和温度采集4个模块,通信模块主要包括无线通信(GPRS通信)模块和有线通信(RS485通信)模块。
2.1 主控制器最小系统设计
MCU最小系统设计主要参考STM32F103x数据手册设计,其中使用外部振荡源产生的高速外部用户时钟的外部晶振选用其典型的8 MHz配置,负载电容选用15 pF,与晶振构成谐振器;使用外部振荡源产生的低速外部用户时钟的外部晶振选用其典型的32.768 kHz配置,负载电容配置10 pF,与晶振构成谐振器。此外,本系统采用从内置SRAM启动,设计中BOOT1和BOOT0引脚直接置高电平。具体电路设计如图3所示。
2.2 数据采集模块设计
2.2.1 土壤含水率和蒸发量传感器接口设计
本系统中土壤含水率和蒸发量都以4~20 mA模拟信号输入,电路接口选用CD4051芯片设计出对这两路模拟量采集的选通电路。为了使系统具有一定的拓展性,本系统还多设计一路模拟量接口。CD4051芯片电路设计如图4所示。
2.2.2 温度传感器电路设计
本系统温度采集主要使用DS18B20数字温度传感器,它使用单总线通信,加上电源与地一共3个管脚,操作也很简单。温度采集电路如图5所示。
2.3 通信模块设计
本系统通信模块由两部分构成。一部分是在终端机主板上设计SIM卡座电路、标准模块接口和模块电源控制电路。另一部分是标准的DTU模块(GPRS模块或者CDMA模块),本设计选用SIMCOM公司提供的SIM900A实现GPRS通信和SIM2000C实现CDMA通信。具体电路设计如图6所示。
3 旱情等级预测模型设计
3.1 BP神经网络算法原理
目前,可以使用线性回归、灰色预测、BP神经网络、遗传算法等方法建立预报模型。线性回归方法不能反映事物的内在联系,常数的选择对数据修匀程度影响较大;灰色预测只适合指数增长的预测;遗传算法的实现有许多参数,目前这些参数的选择大部分依靠经验,它也不能及时利用网络的反馈信息。通过比较各种方法的优缺点,由于BP神经网络具有自学习功能[7],可以不断对其进行实时修正,当训练好网络后,网络的计算则是相当容易而快捷的,这对于解决实时调度问题具有很大的好处。因此,选用BP神经网络实现旱情预测是合理的。
3.2 旱情等级预测模型的具体构建步骤
BP算法实现的步骤如下:
(1)将样本进行归一化处理。
(2)初始化连接权值、学习速率、阈值,隐节点设置为较小的随机数。
(3)导入输入矢量X=[x1,x2,…,xn]及期望输出Y=[y1,y2,…,yn]。
(4)开始从第一个隐含层逐步计算每个单元的静输入值sj:
式中,H代表输出函数。
(7)计算连接权的矫正值ΔWij。
(8)再次执行步骤(4)~(7),直到均方差达到预期目标。
根据以上步骤将归一化后的样本导入BP神经网络模型进行训练,使用MATLAB仿真软件进行BP网络模型的训练。根据图7所示,模型训练最大迭代次数为5 000次,在训练次数后停止训练。模型的初始均方差为1.32,目标均方差为0.001,达到0.000 999时模型停止训练,最终训练误差为0.000 999。训练过程如图7所示。
4 实验验证
对旱情的监测主要是对土壤含水率的采集,本设计实验在河南郑州一农田对土壤含水率进行,步骤如下:
(1)选择地面平坦、土壤较均匀、远离沟壑或明显比周围土壤潮湿或干燥的地点作为测试点,再垂直挖一0.5 m左右的土坑,在坑壁土壤密实的地方分别选10 cm、20 cm和40 cm不同深度安装土壤水分传感器。同时,用环刀在每个插入传感器的水平层上采集3个测试土样,倒入铝盒中并做好标记。
(2)将土壤水分传感器分别与已设置好参数的RTU连接,将采集的土样用0.1g精度的天平称取土样的重量,记作土样的湿重M。在105 ℃的烘箱内将土样烘6~8 h至恒重,然后测定干土质量,记作土样的干重Ms。
(3)由式(4)、(5)计算得土壤容积含水量:
式中:θV为土壤容积含水量(%),VW为土壤水容积,VS为土壤总容积(本实验中该容积为环刀体积),M为土样的湿重,MS为土样的干重,ρ水为常温下水的密度(1 g/cm3)。
依据数据记录,选定9月28日9点~9月29日9点各个站点上报数据,分别对10 cm、20 cm、40 cm处数据计算得各土层的土壤含水率平均值,对各土层的样本烘干法获得的数据记录也作平均值计算。最后分别算出各土层的绝对误差和相对误差值。
(4)最后对测量数据分别绘制折线图,分析比较田间实测值和样本测量值的拟合度,如图8~图10所示。
如图8所示,10 cm处各站点土壤含水率均在51%~53.5%之间,该层所测量的为田间表层土壤含水率,由图可看出,该层土壤含水率较高。
如图9所示,20 cm处各站点土壤含水率均在17.5%~19.5%之间,该层所测量的为田间中层土壤含水率,由图可看出,该层土壤含水率偏低。
如图10所示,40 cm处各站点土壤含水率均在27.5%~29%之间,该层所测量的为田间下层土壤含水率,由图可看出,该层土壤含水率适中。
通过实验对比发现,10 cm和40 cm处土壤含水率平均值比20 cm处土壤含水率平均值大,符合田间土层含水率规律;各个土层田间测量值最大值和最小值偏差量在一定范围内变化,这与不同监测站点土层水分分布有关,但整体土层的土壤含水率在一定范围内;每个站点田间实测值和烘干法测量值偏差不大,田间测量值基本跟随烘干法测量值。
图11所示是不同土层中田间测量值与样本烘干法测量值对比相对误差折线图,从图中可观察到不同土层相对误差在一定范围内变化不大,总体分析各土层相对误差都在2%以下,符合系统土壤含水率测量要求。
5 结论
本文在硬件电路的基础上对土壤旱情监测中最重要的参量土壤含水率进行了田间试验,通过对取样进行烘干法操作,得到样本的土壤含水率值,再与实测上报值进行对比分析。结果表明,监测系统采集数据与样本烘干法得到的数据误差在设计允许范围内,符合设计要求。
参考文献
[1] 郑远长.全球自然灾害概述[J].中国减灾,2000,10(1):14-19.
[2] 张俊,陈桂亚,杨文发.国内外干旱研究进展综述[J].人民长江,2011,42(10):65-69.
[3] MARK S.The drought monitor[J].Bull Amer Meteor Soc,2002(83):1181-1190.
[4] 孙丽,陈焕伟,赵立军,等.遥感监测旱情的研究进展[J].农业环境科学学报,2014(1):202-206.
[5] NFCS-ICS-PD-02.国家防汛抗旱指挥系统一期工程旱情分中心初步设计指导书[S].北京:水利部国家防汛抗旱指挥系统工程项目建设办公室,2003.
[6] 国务院水利部.国家防汛抗旱指挥系统二期工程初步设计工作正式启动[EB/OL].(2010-10-21)[2014-09-10].http://www.mwr.gov.cn/ztpd/2014ztbd/.
[7] 王树森,赵冬玲.一种基于附加动量法的改进BP算法[J].济源职业技术学院学报,2012(3):9-13.