基于LoRa的智能农业灌溉系统的应用研究与设计

中图分类号：S274.
论文编号：10357P17301115
专业硕士学位论文
基于 LoRa 的智能农业灌溉系统
的应用研究与设计
作者姓名顾飞龙
专业学位类别工程
专业学位领域电子与通信工程
指导教师张红伟
企业导师周健
Application Research and Design of Intelligent
Irrigation System Based on LoRa Agricultural
A Dissertation Submitted for the Degree of Master
Candidate：GU Feilong
Supervisor：ZHANG Hongwei XU Lei
Corporate Supervisor：Zhou Jian

中图分类号：S274.2
论文编号：10357P17301115
硕士学位论文
基于 LoRa 的智能农业灌溉系统的应用
研究与设计
作者姓名：顾飞龙申请学位级别：工程硕士
指导教师姓名：张红伟/徐磊职称：副教授/
企业导师姓名：周健职称：高级工程师
专业名称：电子与通信工程研究方向：移动物联网
学习时间自 2017 年 7 月 15 日起至 2020 年 7 月 1 日止
论文提交日期 2020 年 4 月 10 日论文答辩日期 2020 年 5 月 30 日

摘要
农业灌溉是维持农作物进行正常生产活动的关键行为，对提高作物产量具有重要作
用。我国是农业大国，传统的人工漫灌方式由于控制精度和实时性不高等问题造成了水
资源的严重浪费，也制约了农业的可持续发展。为了解决上述问题，结合传感器技术、
远距离无线传输技术（Long Range，LoRa）和模糊控制理论的优势，设计了一款基于
LoRa 的智能农业灌溉系统。该系统主要由测控子系统、传输子系统和远程主控管理子
系统组成，本论文的主要研究工作如下：
1. 在测控子系统中，主要完成了对采集节点和执行节点的设计。采集节点的主要
任务是负责土壤湿度和作物周边环境参数的采集，由土壤湿度传感器和小型气象站组
成。执行节点的主要任务是负责土壤湿度的调控，由电磁阀、水泵和流量计组成。为了
提升节点电路的抗干扰能力和响应国家环保型农业的号召，对部分电路进行了优化，设
计了可充电的电源电路、隔离型的 AD 采集电路、隔离型的 485 自动收发电路和光耦隔
离的继电器控制电路等。针对大规模农田应用场景下灌溉系统因测控设备数量多而导致
的测控效率低的问题，仿照单总线的数据采集与回传机制，设计了数字总线的数据处理
方案。
2. 在传输子系统中，主要完成了对 LoRa 终端、LoRa 网关的设计。LoRa 终端主要
负责测控子系统和 LoRa 网关之间的数据传输，LoRa 网关主要负责 LoRa 终端和远程主
控管理器之间的数据传输。针对节点数据汇聚时延大、能耗高的问题，基于 LoRa 模块
的基本技术优势，设计了一种低功耗的数据汇聚方案。该方案采用星型网络结构和正六
边形结构部署 LoRa 终端节点的方式，通过基于状态机的数据交互协议的引入以提升数
据处理的速度，通过数据传输速率的自适应调整机制和时分复用的多路数据上传方式以
降低数据传输的能耗。通过测试分析，LoRa 模块在工作频率为 470MHz，扩频因子为
12，通信带宽为 62.5KHz 的条件下，采用锂电池供电的系统可以稳定工作一年之久。
3. 在远程主控管理子系统中，主要完成了对汇聚数据的可视化展示、存储、分析
与预测。针对传统灌溉方式耗费时力，水资源利用率低，超调大的问题，设计了一种基
于皖北地区冬小麦灌溉模型的智能灌溉策略。首先，采用模糊控制理论设计了 Mamdani
型的模糊控制器，该控制器主要用来对系统的灌溉时间进行模糊推理。其次，结合改进
的作物蒸腾量计算公式和土壤渗透模型，建立了基于土壤含水量变化函数的土壤湿度预
I
测模型，经过实际值与预测值的对比，验证了该模型能达到满意的预测效果。最后，利
用 MATLAB 对智能灌溉策略进行了仿真，通过与传统 PID 控制进行对比，得出采用该
策略的灌溉系统具有响应时间短，稳定性强，起调快的优点。
综上所述，本文设计的农业智能灌溉系统具有功耗低、平稳性好、响应快、超调现
象不明显等优势，为农业生产领域提供了一种高效、精准的灌溉方案，该系统对改善目
前农业灌溉现状有着非凡意义，具有广阔的应用前景。
关键词：传感器；智能灌溉；LoRa；低功耗；模糊控制
II
Abstract
Agricultural irrigation is a key behavior to maintain normal production activities of crops

and plays an important role in increasing crop yields.China is a large agricultural country. The
traditional artificial flood irrigation method has caused serious waste of water resources due to
problems such as control accuracy and low real-time performance, and has also restricted the
sustainable development of agriculture.In order to solve the above problems, combining the
advantages of sensor technology, long-distance wireless transmission technology(Long
Range,LoRa) and fuzzy control theory, a smart agricultural irrigation system based on LoRa
was designed.This system is mainly composed of measurement and control subsystem,
transmission subsystem and remote master control management subsystem. The main
research work of this paper is as follows:
1. In the measurement and control subsystem, the design of collection node and
execution node are mainly completed. The main task of the collection node is responsible for
the collection of soil moisture and environmental parameters around the crop. It is composed
of soil moisture sensors and small meteorological stations. The main task of the execution
node is responsible for the regulation and control of soil moisture. In order to improve the
anti-interference ability of the node circuit and respond to the call of the national
environmental protection agriculture, some circuits have been optimized. A rechargeable
power circuit, an isolated AD acquisition circuit, an isolated 485 automatic transceiver circuit
and an optocoupler isolated relay control circuit are designed. Aiming at the problem of low
measurement and control efficiency caused by the large number of measurement and control
equipment in the irrigation system in large-scale farmland application scenarios, the data
processing scheme of the digital bus was designed based on the data collection and return
mechanism of a single bus.
2. In the transmission subsystem, the design of LoRa terminal and LoRa gateway are
mainly completed. The LoRa terminal is mainly responsible for data transmission between the
measurement and control subsystem and the LoRa gateway, and the LoRa gateway is mainly
responsible for data transmission between the LoRa terminal and the remote main control
III
management. Aiming at the problems of large data aggregation delay and high energy
consumption of nodes, a low-power data aggregation scheme is designed based on the basic
technical advantages of LoRa module. The scheme adopts a star network structure and a
regular hexagonal structure to deploy LoRa terminals. The introduction of data interaction
protocols based on state machines improves the speed of data processing, and through the
adaptive adjustment mechanism of data transmission rate and time division multiplexing
Multi-channel data upload method to reduce the energy consumption of data transmission.
Through test and analysis, the LoRa module can work steadily for a year under the conditions
of an operating frequency of 470MHz, a spreading factor of 12, and a communication
bandwidth of 62.5KHz.
3. In the remote main control management subsystem, the visual display, storage,
analysis and prediction of the aggregated data are mainly completed. Aiming at the problems
of time-consuming, low water resource utilization rate and large overshoot in the traditional
irrigation, an intelligent irrigation strategy based on the winter wheat irrigation model in
northern Anhui was designed. Firstly, a fuzzy controller of Mamdani type was designed using
fuzzy control theory. The controller is mainly used for fuzzy reasoning of the irrigation time
of the system. Secondly, combined with the improved crop transpiration calculation formula
and soil penetration model, a soil moisture prediction model based on the change function of
soil water content was established. The comparison between the actual value and the
predicted value verifies that the model can achieve satisfactory prediction results. Finally,
MATLAB was used to simulate the intelligent irrigation strategy, and compared with the
traditional PID control, the irrigation system with this strategy was obtained.It has the
characteristics of short response time, small overshoot and quick start.
In summary, the intelligent agricultural irrigation system designed in this paper has the
advantages of low power consumption, good stability, fast response, and not obvious
overshoot. It provides an efficient and accurate irrigation scheme for the agricultural
production field. Improving the current status of agricultural irrigation has extraordinary
significance and has broad application prospect.
Keywords: sensor; intelligent irrigation; LoRa; Low power consumption;fuzzy control
IV
目录
第一章绪论....................................................................................................................... 1
1.1 研究背景与意义..................................................................................................1
1.2 国内外研究现状..................................................................................................2
1.3 论文内容与结构安排..........................................................................................3
第二章系统总体架构....................................................................................................... 6
2.1 需求分析..............................................................................................................6
2.2 灌溉控制方案的确立..........................................................................................7
2.2.1 基于微机原理的灌溉控制系统...................................................................................7
2.2.2 基于专家知识的灌溉控制系统...................................................................................8
2.2.3 基于模糊控制理论的方案的确立.............................................................................. 9
2.3 智能灌溉系统总体架构....................................................................................10
2.4 本章小结............................................................................................................11
第三章测控子系统的设计............................................................................................. 12
3.1 框架结构与工作流程........................................................................................12
3.2 采集节点的设计................................................................................................14
3.3 执行节点的设计................................................................................................17
3.4 数字总线数据处理方案设计............................................................................18
3.5 本章小结............................................................................................................19
第四章数据传输子系统的设计..................................................................................... 21
4.1 LoRa 技术简介................................................................................................21
4.2 拓扑结构与工作流程........................................................................................22
4.3 无线通信模块的设计........................................................................................23
4.3.1 智能灌溉系统 LoRa 终端的设计与实现................................................................. 23
4.3.2 智能灌溉系统 LoRa 网关的设计与实现................................................................. 28
4.4 基于 LoRa 的低功耗传输方案设计.................................................................31

4.4.1 LoRa 终端节点部署方案........................................................................................... 31
4.4.2 软硬件结合的整体方案设计.................................................................................... 33
V
4.5 测试与分析........................................................................................................37
4.5.1 LoRa 通信距离测试与分析....................................................................................... 37
4.5.2 LoRa 低功耗测试与分析........................................................................................... 41
4.6 本章小结............................................................................................................43
第五章远程主控管理子系统的设计.............................................................................44
5.1 框架结构与工作流程........................................................................................44
5.2 主控管理器的软硬件介绍................................................................................46
5.2.1 主控管理器的硬件平台............................................................................................ 46
5.2.2 主控管理器的软件平台............................................................................................ 49
5.3 系统通讯协议的设计........................................................................................57
5.4 基于皖北地区冬小麦的智能灌溉控制策略的设计........................................59
5.4.1 农作物需水性分析.................................................................................................... 59
5.4.2 模糊控制理论简介.................................................................................................... 60
5.4.3 Mamdani 型模糊控制器的设计................................................................................. 61
5.4.4 基于土壤含水量变化函数的灌溉预测模型的建立................................................ 69
5.4.5 智能灌溉策略的程序设计........................................................................................ 75
5.5 智能灌溉策略的仿真分析................................................................................77
5.6 本章小结............................................................................................................82
结论...................................................................................................................................83
参考文献...........................................................................................................................85
攻读硕士期间发表的学术成果.......................................................................................88
致谢.................................................................................................................................89
VI
安徽大学硕士学位论文
第一章绪论
1.1 研究背景与意义
水是生物的生命之源，是生物进行正常生产活动不可或缺的重要物质。水资源的过
度浪费伴随着我国经济的发展呈现井喷之势。我国是人口大国，对水资源的依赖程度更
高，但就目前情形而言，我国的人均淡水资源已不足 1760 立方米，达到了世界规定的
水资源紧缺的最低标准[1]。我国是农业大国，进行农业生产活动用水量占我国水资源储
备的 65%左右，在这之中对农作物进行浇灌的用水量达到 90%左右[2]。灌溉方式中大部
分采用的是人工漫灌的方式，灌溉效率偏低，水资源的利用率仅为 30%左右，对水资源
造成了极大的浪费。而且这种灌溉方式容易产生超调，不能适时适量的进行灌溉[3]。虽
然目前国内已经引进了在农业领域较为先进的国家的灌溉设备，但是这些设备价格昂
贵，只能用于科研，很难在国内大面积普及。这些问题严重阻碍了我国农业的可持续发
展。因此，从农业的可持续性和节水两方面考虑，必须从根本上解决我国农业用水问题，
研制出适合我国国情的新型灌溉系统显得很有必要。
就目前而言，精准农业灌溉成为世界农业灌溉方向的主流，农业生产关系着民计民
生，世界各国加大农业方面投资力度纷纷都加入精准农业灌溉研究的行列，这一举措，
使人们对农业生产的经营方式发生了改变，将使传统农业灌溉方式向精准高效的农业灌
溉方式转变[4]。我国向来重视“三农”产业的发展，在这一方面自然不能落后。自党的十
六大以来，我国注重科学发展，注重自然资源的可持续发展。自党的十七大以来，我国
提出了节约资源能源的生态发展理念。在农业方面，对水资源的节约与高效利用就是对
党的号召的最大响应。为推动我国农业生产可持续发展，我国农业技术人员在灌溉方面
不断创新，力求突破，取得了积极成效。
近年来，由于“互联网+”技术在我国的深入发展，“互联网+”技术在我们的生活中均
有体现。它正以自身的优势推动着我国经济焕发出新的生产力和创造力。“互联网+农业”
为高效的农业灌溉指明了方向，研究人员可以在它的基础上融合传感器技术、无线通信
技术、智能控制技术、嵌入式开发技术，开发出一套能够根据作物的生长习性自行进行
灌溉控制的智能系统，这将在很大程度上缓解水资源的短缺、提升水资源的利用率、降
低劳动力成本[5]。由此，本文设计了一款低成本低功耗的智能灌溉系统，该系统可以根
据作物的需水特性做到适时适量的灌溉，并且可以根据预测模型预测下一时刻点的土壤
1
第一章绪论
湿度，避免超调，在一定程度上节约了水资源，在农业灌溉领域具有很强的实用性。
1.2 国内外研究现状
农业生产不仅是民之根本也是国之所需，农作物灌溉的及时性和高效性对作物的生
产和生长具有重要影响，因此，智能灌溉技术的发展已经在世界范围内引起了高度重视。
由于作物的生长受气象情况、土壤状况、人们的作业方式等多种因素的影响，因此对于
其在生长过程中的用水量很难建立起精确的数学模型。这就要求智能灌溉技术不仅要通
过传感器技术实时获取影响作物生长的环境参数，并将其通过无线通信技术传至监控中
心，还要能够根据监控中心对环境参数的分析，实施科学高效的灌溉策略，做到适时适
量灌溉[6]。根据这一要求国内外学者将上述影响作物生长的多种因素加入到灌溉控制的
研究当中，并取得了一些成果。
国外方面，西方国家对灌溉技术的研究领先于国内。法国的 Anurag D，Roy 等人对
法国农场的灌溉现状进行了深入的剖析与研究，对 ZigBee 网络在农业灌溉系统中的数
据传输方式提出了新思路[7]；2011 年，韩国的 Park 等人将 ZigBee 协调器与 GPRS 技术
相结合，采集温室中作物的环境数据并传至服务器，实现了温室作物生长在其适宜环境
中[8]；2018 年，美国农业科学院利用自身国家在卫星通信方面的优势，通过建立大规模
的监测站来远程操纵灌溉的实施，并基于区域作物种类和气象因素采用模拟仿真技术来
决定是否需要灌溉[9]；2019 年，日本农业科研机构为提升国内水资源的利用率，在对农
作物进行灌溉时采用分层分布式的结构，远程管理中心采用远距离无线通讯技术来进行
灌溉指令的下发和实现对灌溉设备的控制[10]；以色列虽然水资源极度匮乏，但是政府根
据本国实际情况综合运用管道输送技术、云平台技术、计算机技术、多光谱传感控制技
术，研制出了基于物联网技术的精准农业灌溉系统[11]。
国内方面，我国对灌溉系统及技术的研究要落后于西方国家。在中央的号召和政府
的大力提倡下，也有许多人员加入到精准灌溉技术的研究行列中。最早的是 21 世纪初，
浙江大学农业科学研究院在种植黑木耳时，为降低资源成本，依托本校的技术优势基于
ZigBee 无线传感网络技术开发了一套浇灌系统，该系统 MCU 采用了当时最流行的 JN-
5121 并融入了一系列低功耗处理的方法，以此来确保整个系统采用锂电池供电时可以工
作数年之久[12]。但由于 ZigBee 传输距离较短，用于大面积农田时需要更多的 ZigBee 节
点组建网络，无形之中增加了成本。2015 年，刘书伦等人设计了基于 Android 平台的远
程灌溉系统，该系统综合运用了无线传感器网络技术将获取的空气温湿度、土壤湿度等
2
信息传送给 Android 平台，方便人们随时随地监控作物的生长状态[13]。但该系统未能

利用科学的灌溉策略对作物的灌溉进行有效的决策，导致过度灌溉的现象依然很严重。
通过对国内外灌溉系统研究现状的分析，目前存在的问题体现在以下几个方面：
（1）稳定性差。由于农田现场环境复杂，农作物的生长周期一般都会持续数月之
久，农作物的耕种和收割都会对布置在农田里的设备造成不同程度的影响，这样极容易
缩短设备的生命周期。此外，随着现场布控节点的增多，各节点间通信会互相干扰而且
很大可能造成节点供电电压不足，使其稳定性变差。
（2）功耗高。由于农田现场测量的环境参数较多，导致使用的传感器数目和种类
较多。如果不对各接口电路和驱动程序进行低功耗设计，则会造成整个系统功耗过大，
对能量的需求旺盛，不利于产品的推广。
（3）控制范围小。由于农田现场通信范围一般较大，若采用的无线模块通信距离
短，势必会造成无线模块间组网复杂，并且数据传输的延时也会加大。
随着通信技术的发展，低功耗广域网横空问世，解决了多年来低功耗和远距离二者
只能取其一的局面。该技术的问世导致物联网向低功耗、大互联、远距离的方向发展，
并在近几年取得了骄人的成绩，例如，中兴公司联合众多物联网芯片厂商成立了中国的
LoRa 联盟，并且在在京杭大运河附近成功搭起了中国的首个 LoRa 网络；中科爱讯成功
将 LoRa 技术应用在农业中，构建了智慧农业的解决方案，提高了工作效率，节省了时
间和精力；截止到 2019 年，全国共建立起上千个 LoRa 网络试用网点，部署了近万个
LoRa 网关。由此看来 LoRa 正在被应用到越来越多的领域，为人们带来了很大的便利。
近年来，模糊控制、神经网络等智能算法在不易构建数学模型系统中的应用越发地
具有优势，若将这些算法用于灌溉策略的实施上，将给智能灌溉系统的实施带来诸多的
便利[14-20]。本文根据与省农科院合作的具体项目来进行实施，对灌溉系统的低功耗、低
成本、实时性、采集和传输机制进行讨论研究，并对其性能做进一步优化。
1.3 论文内容与结构安排
通过上述对国内国外现存灌溉系统及技术的分析，本文设计了一款基于 LoRa 的农
业智能灌溉系统，使作物在其各生长阶段始终保持在适宜的湿度范围内。该系统由测控
子系统、传输子系统和远程主控管理子系统组成。通过测控子系统中的采集节点采集农
田中的土壤湿度、空气中的温湿度、光照强度、风速等参数信息；这些参数信息须通过
LoRa 终端节点和 LoRa 网关组成的 LoRa 网络汇聚到远处的主控管理器；在远程主控管
3
第一章绪论
理器中，运用模糊控制理论对农作物实行科学高效的灌溉策略，通过对传感器采集的历
史数据的分析，建立基于算法分析的预测模型，预测土壤下一时刻点的湿度数据，主控
管理器可以根据预测数据，向测控子系统的执行节点下发相应的调控指令，避免土壤出
现超调现象，造成水资源的浪费。现将各章节的内容安排概括叙述如下：
第一章主要为绪论内容。通过分析目前我国水资源的紧张形势，介绍了由于传统的
灌溉方式导致农业灌溉用水浪费现象严重，叙述了本系统研究的目的与意义。通过分析
目前国内外关于灌溉系统及技术的研究现状，阐述了本系统研究的必要性。
第二章主要为系统总体架构的确立。通过对大规模农田灌溉的需求性分析，将阐述
本系统总体的设计需求。通过对基于微机原理的灌溉控制系统和基于专家知识的灌溉控
制系统的介绍，结合二者的优点，确立模糊控制的系统方案，并根据设计需求，将整个
系统分为三层架构。
第三章主要为测控子系统的研究与设计。该子系统由采集节点和执行节点两部分组
成，主要进行土壤湿度及农田环境参数的采集和土壤湿度的调控。首先，将介绍测控子
系统的拓扑结构、工作流程和软硬件的设计方案。接着，为了增强子系统的抗干扰能力，
在测控子系统中将设计一系列隔离型的接口电路。最后，为提高子系统的测控效率，将
进行数字总线数据处理方案的设计。
第四章主要为传输子系统的研究与设计。该子系统由 LoRa 终端和 LoRa 网关两级
网络结构组成，主要负责在测控子系统与远程主控管理子系统之间进行信息的传递。首
先，将介绍传输子系统的网络拓扑结构和工作流程。接着，将介绍智能灌溉系统 LoRa
终端和 LoRa 网关的软硬件实现过程，进一步，为了降低传输功耗和获得最优系统能效，
将设计一种低功耗的数据汇聚方案，该方案将结合星型网络结构和正六边形部署 LoRa
终端节点的方式，通过基于状态机的数据交互协议的引入以提升数据处理的速度，通过
数据传输速率的自适应调整机制和时分复用的多路数据上传方式以降低数据传输的能
耗。最后，通过在不同扩频因子、带宽和传输距离的条件下，搭建测试模型，验证 LoRa
的通信距离和低功耗性能。
第五章主要为远程管理子系统的研究与设计。该子系统由远程主控管理器和安卓屏
组成，主要进行环境参数的可视化展示、存储、分析和预测。首先，将介绍远程主控管
理子系统的拓扑结构和工作流程。接着，将介绍主控管理器的软硬件设计和系统通讯协
议的设计。进一步，通过对农作物需水特性与生长特性的分析，将介绍以模糊控制为核
心的智能灌溉策略的设计过程，并通过建立土壤湿度的预测模型，对下一时刻点的湿度
4
数据进行预测，可以做到避免在灌溉过程中出现超调现象。最后，将通过 MATLAB 对
灌溉策略进行仿真分析，以此来验证该灌溉策略的控制性能。
第六章主要为论文的结论。总结了本系统的设计方法与思路及现阶段存在的不足，
展望了本系统未来的优化方案。
5
第二章系统总体架构
2.1 需求分析
本文设计的智能灌溉系统是针对大规模农田的，视农田现场地形和气象概况对本系
统做适当修改。为使农田便于整个系统的管理，将农田分为若干区域，每块农田区域的
灌溉方式均采用滴灌方式。根据农田的地形地貌管理者可以选择合适的管道铺设策略，
本系统适用的农田管道铺设策略如图 2.1 所示。
图 2.1 农田管道铺设策略
从上图中可以看到该滴灌方式由干管、支管和毛管组成，其中干管为灌溉的主干道
相当于大动脉，通常铺设距离长且在地下与水库或者井直接相连。支管是从干管分流出
来的相当于大的血管，用来输送水分。毛管是从支管分流出来的相当于毛细血管，为最
终的滴灌管。根据管道的铺设距离将农田按区域进行划分，选择支管的长度为 100m 左
右，毛管的长度为 40m 左右，每块农田区域都设有独立的电磁阀且相互之间灌溉不受影
响。
通过对市场上现存农业灌溉系统的分析，对本系统提出以下设计需求：
（1）本灌溉系统要求传感器具备较高的精度。由于本系统主要监测的环境数据有
土壤湿度、空气温湿度、风速、光照强度等，这些因素对系统的决策起着关键性的作用，
6
因此必须选择精度较高的传感器来采集这些环境参数。
（2）本灌溉系统须具备联网功能。由于本系统针对大规模农田，操作人员到农田
现场进行操作存在诸多不便。如果系统具备互联网访问功能不仅能实时查看各环境参
数，根据各参数信息下发调控指令，还能获取网上的专家知识和经验，做到科学灌溉。
（3）本灌溉系统须具备远距离无线传输与低功耗特性。由于作物的生长周期一般
都持续数月之久，农田现场环境复杂，设备布线非常麻烦，故数据的交互采用远距离无
线通信技术，设备采用电池供电，为了延长电池的使用寿命，设计低功耗特性十分必要。
（4）本灌溉系统须具备较强的稳定性。由于农田环境信息的采集需要诸多传感节
点来完成，这些传感器节点大都安装在露天环境下，所以所选择的传感节点须为工业级。
此外还要设计一系列抗干扰电路，确保数据稳定采集和传输。
（5）本灌溉系统须具备较强的数据处理与分析能力。由于作物的生长周期一般都
较长，在这期间会产生大量的数据，所设计的系统应具有相应的硬件和软件来储存和分
析这些数据，以此为精准灌溉打下良好的基础。
2.2 灌溉控制方案的确立
传统的灌溉技术主要还是以人工控制为主，只是比较单一的测量土壤的湿度，对作
物的需水特性、周边的生长环境都没有做深入的研究。基于目前通信技术和传感器技术
的发展，设计出一种满足国内需要且便于使用的智能灌溉系统是本论文研究的重点。结
合对国内外灌溉系统研究现状的分析，目前的灌溉系统普遍采用以下两种控制方案。
2.2.1 基于微机原理的灌溉控制系统
在工农业领域，基于微机原理的自动控制系统应用极为普遍，它结合计算机技术、
信息检测和通信技术，实现了信息的采集和交互[21]。基于此开发人员设计出了基于微机
原理的灌溉控制系统，该系统可以实现对土壤湿度的快速检测，并通过对作物周边环境
参数的采集和分析，对作物是否灌溉做出决策，然后由操作人员凭借灌溉经验决定什么
时候停止灌溉，其结构框图如图 2.2 所示。在该系统中上位机主要负责环境参数的存储
与分析，并通过分析的结果决定调控指令的下发。下位机主要通过一系列传感器完成对
环境参数的收集和接收上位机的调控指令来控制执行机构做出相应动作。
7
图 2.2 基于微机原理的灌溉系统结构框图
2.2.2 基于专家知识的灌溉控制系统
专家知识系统实际上就是一个计算机的应用程序，它是将专家在某一行业的知识和
经验进行归纳总结，然后将这些归纳总结出的具有判断和启发性的语句以程序的形式导
入计算机形成一个系统体系，这样该系统就可以模拟人的思维方式进行问题的分析处理
[22]
。基于此开发人员设计出了基于专家知识的灌溉控制系统，专家知识和作物的实际灌
溉经验成为该系统的核心，其结构框图如图 2.3 所示。通过计算机技术、传感器技术，
该系统首先收集传感器数据存入历史数据库，专家根据这些历史数据推导出灌溉经验，
推理机利用这些灌溉经验决策出灌溉规则并导入结论数据库，当进行灌溉时，只需进入
结论数据库查找相应灌溉规则进行相应动作即可。
8
图 2.3 基于专家知识的灌溉系统结构框图
2.2.3 基于模糊控制理论的方案的确立
通过对上述两种方案的实际分析，两种方案各有长短。对于基于微机原理的灌溉控
制系统，信息采集和交互是该系统的优点，但是由于该系统采集的参数较多难以建立起
精确的数学决策模型，依然单纯地靠经验来决定灌溉量的多少。对于基于专家知识的灌
溉控制系统，灌溉决策模块的设计是它的出色之处，它摒弃了靠经验来决定灌溉量多少
的方式，且该系统运用先进的计算机控制理论提高了控制的精度，但是该系统是由国外
专家负责研发的，其成本较高，在国内也限制了其使用。基于上述方案的优缺点，本文
确立了以下研究方案：
（1）全面融合基于微机原理的灌溉控制系统和基于专家知识的灌溉控制系统的优
点，将整个系统按照三个部分来进行设计，分别为测控子系统、传输子系统和远程主控
管理子系统，各部分均采用模块化设计，便于系统的维护与扩展。
（2）在测控子系统中采用高精度的土壤湿度传感器来采集土壤湿度，选择合适的
传感器设计稳定的小型气象站负责采集作物周边环境的参数包括空气温湿度、风速、光
照强度等并采用微型的嵌入式系统合理处理这些重要的灌溉参数。
（3）在传输子系统中采用具备低功耗和远距离优势的 LoRa 模块作为传输媒介，在
大规模农田现场 LoRa 模块能以最小的投资部署一个网络，当需要增加网络容量时只需
在适当的位置增加 LoRa 网关即可。
（4）为增强数据的处理与分析能力，在远程主控管理子系统中移植 Linux 系统和
9
搭建 Python 平台。基于模糊控制理论进行模糊控制器的设计，通过模糊推理进行模糊
决策，来解决在灌溉系统中不易建立数学模型这一难题，并根据现场实际情况建立合适
的预测模型来实时预测下一时刻的土壤湿度，避免灌溉出现超调现象。
2.3 智能灌溉系统总体架构
按照上节中叙述的研究方案，主要将传感器技术、嵌入式技术、模糊控制技术和远
距离无线传输技术相结合，旨在设计一款抗干扰性强、成本低、便于应用的智能灌溉系
统。该智能灌溉系统的总体架构如图 2.4 所示。
图 2.4 智能灌溉系统总体架构
如图 2.4 所示，该智能灌溉系统由测控子系统、传输子系统和远程主控管理子系统
三部分组成。测控子系统主要包括采集节点和执行节点，采集节点主要由土壤湿度传感
器和气象站组成，负责土壤湿度和作物周边环境参数的采集。执行节点主要由电磁阀和
水泵组成，负责对土壤湿度进行调控。传输子系统包括两级传输网络，在 LoRa 终端和
LoRa 网关之间采用基于 LoRaWAN 协议的网络进行通信，在 LoRa 网关和远程主机之间
采用基于 TCP/IP 协议的网络进行通信，主要负责测控子系统与远程主控管理器之间数
据的交互与指令的转发，在该子系统中主要进行了基于星型网络的低功耗传输方案的研
究与设计。远程主控管理器主要对数据进行存储与分析，并根据分析的结果对灌溉进行
决策，在该子系统中主要运用模糊控制理论对智能灌溉策略进行了分析，并根据作物的
蒸腾量和土壤的渗透率推导出了预测土壤湿度、避免灌溉超调的土壤含水量变化函数。
10
2.4 本章小结
在本章中，首先从灌溉系统的需求性分析出发，根据大面积农田的地形地貌，确定
了农田灌溉采用干管、支管和毛管相结合的滴灌方式。然后结合基于微机原理的灌溉控
制系统和基于专家知识的灌溉控制系统的长处，确定了本系统采用模糊控制理论来实现
其灌溉策略。最后将传感器技术、嵌入式技术、模糊控制技术和远距离无线传输技术进
行融合，设计了本智能灌溉系统的总体框架。
11
第三章测控子系统的设计
测控子系统实现了农田现场环境参数的采集和调控，在本节中，将从采集节点和执
行节点两方面对测控子系统展开叙述。考虑到农田环境的复杂性，保证数据采集不受干
扰，设计了一系列隔离型电路。
3.1 框架结构与工作流程
测控子系统的主要功能是实现土壤湿度和作物环境参数的采集和调控，其结构如图
3.1 所示。
图 3.1 测控子系统结构图
如图所示，该测控子系统由电源管理模块、气象站和湿度检测模块、微处理器模块、
执行模块和拨码开关组成。其中，电源管理模块：用来负责给整个子系统供电，电源管
理模块对输入电压进行变压和稳压处理，然后为整个子系统提供能量，是子系统能够稳
定工作的基础保障；中央处理器模块：是整个子系统的中枢神经，负责数据的处理和运
算，若要实现 LoRa 的低功耗广覆盖须将 LoRaWAN 协议封装在中央处理器模块中[23]；
气象站和湿度检测模块：是整个子系统的感知神经元，负责环境信息数据的精准采集；
执行模块：负责接收主控管理器下发的调控指令进行水泵和电磁阀的开启和关停；拨码
开关：用于设置模块号和上行频率。
在该子系统中微处理器模块、LoRa 模块均需要 3.3V 电压为其供能，土壤湿度传感
器需要 5V 电压为其供能，所以在设计中考虑到布线的繁杂，上述供电方式均采用 3V
锂离子电池串联供电，考虑到更换电池的繁琐性设计了可充电电路，当电池电量耗尽时
通过此电路可为其充电，起到环保的作用和资源的可再利用。采用三端固定稳压器 78L05
将 6V 电池电压稳压到 5V 为土壤湿度传感器供电，再将 5V 电压通过三端稳压器
12
XC6206P33 稳压至 3.3V 为微处理器和 LoRa 模块供电。选择这两款稳压器的原因是压

降小，适合低功耗，对静态电流要求低的场合，其电路原理图如图 3.2、3.3 所示。图中
B+、B-接锂离子电池的正负极，充放电保护芯片使用的是 TP4067 其采用涓流、恒流、
恒压控制。由于 TP4067 在内部将 PMOSFET 作为其架构，外部与防倒充电路结合应用，
所以外部无需再使用检测电阻和隔离型二极管。当电池达到标定电压值后，充电电流降
至设定值的 1/10，TP4067 将自动停止充电。而气象站则需要 12V 电压为其供能，为节
省能源和降低成本在使用过程中直接用 12V 太阳能电池板为其供电。
图 3.2 3.3V 电源电路
图 3.3 5V 电源电路
测控子系统工作流程图如图 3.4 所示：
13
图 3.4 测控子系统工作流程图
在上图中，当测控子系统被唤醒后，首先进行系统的初始化，当子系统接收到检测
指令后，进行土壤湿度和农田环境参数的收集。将收集到的土壤湿度数据与当前时期作
物的最佳湿度值（设定值）进行对比，当小于设定值时，打开电磁阀进行湿度调控，同
时将采集的环境参数按照设备类型和地址有序上传至主控管理器，以便于主控管理器后
续进行存储与分析。当大于设定值时，只将采集的环境参数按照设备类型和地址有序上
传至主控管理器作为历史数据。完成上述流程后，一次采集结束，测控子系统进入休眠
模式等待下次被唤醒。
3.2 采集节点的设计
本文采集节点采用 SM3002B 传感器来收集土壤的湿度，采用气象站来收集作物周

边环境的气象信息[24]。气象站结构图如图 3.5 所示。
14
图 3.5 气象站结构示意图
所述的气象信息包括空气温湿度、光照强度、风速等。该气象站要实时采集作物周
边环境气象信息就需要连接各种类型的传感器。由于传感器的精度直接影响农田环境参
数采集和设备控制的精确性，所以在传感器选型时主要考虑两点：一是注重传感器本身
所能达到的精度；二是可根据传感器输出量的类型与所设计的电路接口的匹配程度进行
精度的微调。故该系统气象站模块中空气温湿度传感器采用的型号是 SHT30，风速传感
器采用的型号是 VMS-3000-FSJT，光照强度传感器采用的型号是 ZZ-LRS-LIGHT[25]。上
述传感器除了温湿度传感器 SHT30 是数字型采用 I2C 总线输出，其余传感器均为模拟量
4-20mA 输出。将这些传感器采集的模拟量经 AD 转换电路转换为数字量后交由单片机
进行分析处理，然后交由 LoRa 模块上传至主控制器进行存储分析。
采集节点在整个系统中处于举足轻重的地位，为了保证气象信息的完整可靠采集并
且降低干扰，本文基于 HCNR201 线性光耦设计了隔离型的 AD 采集电路，其电路图如
图 3.6 所示。该电路既实现了电气隔离又使系统具有线性特性。
15
图 3.6 隔离型 AD 采集电路
土壤湿度信息对整个系统的决策处理很重要，所以本文采用高精度、高可靠性、受
土壤质地影响不明显的快速土壤水分传感器 SM3002B，其实物图如图 3.7 所示。该传感
器采用 485 Modbus 总线协议与微处理器进行信息交互，可通过软件修改设备地址，可
以支持最多 250 个设备。由于土壤水分含量受理化性状、地表特征、地形的差异作用、
气候变化和人为的土壤管理措施等的影响，而 SM3002B 土壤水分传感器采用世界先进
的 FDR 原理制作，在可靠性与测量速度上有更大的优势。由于常温下水分的介电常数
为 78.36 远远大于土壤中其他固态物质的介电常数和空气的介电常数，所以土壤的介电
常数主要与土壤中存在的水分的介电常数有关，FDR 原理的实质就是为了建立振荡频率
和土壤含水量之间的指数式关系。为了反应土壤含水量与频率之间的关系，建立 SF 参
数与土壤容积含水量θv 之间的指数关系式：
V  aSF b （3.1）
之所以要采用容积含水量是因为它是克服土壤变异性对土壤含水率测量影响的一
种有效方法。SF 定义为：
Fa  Fs
SF 
Fa  Fw （3.2）
其中 Fa 为 SM3002B 置于空气中所测量到的频率，Fw 为 SM3002B 置于水中所测量到的

频率，Fs 则为 SM3002B 置于土壤中所测量到的频率，a，b 为待定参数。将该公式带入
上式即可得出土壤含水量的计算公式。
图 3.7 传感器 SM3002B 实物图
16
为保证土壤湿度传感器与微处理器之间的数据交互不受外界环境影响，LoRa 模块
与微处理器的通信不受干扰，微处理器与 LoRa、SM3002B 之间的连接采用隔离型 485
通信，隔离型 485 自动收发通信电路如图 3.8 所示。
图 3.8 隔离型 485 自动收发电路图
该 485 通信电路采用的是电容隔离型的 485 全双工收发器 ISO3080，因为在远距离

通信过程中信号往往会受到电势差、接地环路的影响，为了避免其影响系统安全和信号
的稳定性，所以在微处理器和收发器之间进行一定程度的隔离。并且在该电路中无需再
额外设置 IO 口来控制收发，只需要将单片机的接收和发送引脚接到芯片的 R 和 D 引脚
即可。
3.3 执行节点的设计
由于农田环境的因素导致现场布线成本较高及维修较为不便，并且该执行节点安装
在水流量不大的支管上，所以本系统中执行节点采用功率较低的电磁阀，以采用蓄电池
为其直接供电，减少交流电布线带来的麻烦，本文选用 2W-250-35 型号的电磁阀，如图
3.9 所示。
图 3.9 电磁阀实物图
17
该电磁阀有直流和交流两种供电方式，本系统选择 DC12V 蓄电池直流供电，该电

磁阀功率仅为 2W，流量 35mm，完全满足灌溉系统需要。
水泵控制器和电磁阀控制器的继电器输出单元如图 3.10 所示，继电器电路采用光耦
和继电器相结合的方式进行设计，这样做的原因是进行信号的隔离，增强控制器的抗干
扰能力。光耦的 PIO 口通过电平转换模块 TXS0108E 与单片机的 PA 口相连，当单片机
的 PA 口有高电平输出时光耦处于截止状态，继电器的线圈中无电流，常开触点处于断
开状态；当单片机的 PA 口输出低电平时光耦处于导通状态，继电器的线圈中流入电流，
常开触点处于闭合状态，从而实现 5V 直流电对外部电磁阀和水泵 12V 直流电的控制。
图 3.10 继电器控制电路
3.4 数字总线数据处理方案设计
测控子系统中的数字采集设备与主控连接时采用的是 485 总线和 I2C 总线，由于 485

总线和 I2C 总线采用主从方式，主设备通过地址查询从设备，从设备完成测控命令所要
求的动作后将通过响应将查询数据回复给主设备，主设备与从设备之间的数据交换是一
对一的，造成测控效率低下。为了提高子系统的测控效率，仿照单总线的数据采集与回
传机制，将各个采集设备看成单总线式的设备，然后给每个设备绑定唯一的地址，主控
管理器通过发送广播的形式给处于总线上的采集设备发送指令，处于总线上的所有设备
在收到指令后在同一时间内完成数据的采集，而后采集设备按照自身的设备地址和采集
类型依次进行数据的应答。然后暂存入主控管理器 SD 卡相应的扇区中，实现了数据的
统一采集和依次查询应答。为了确保总线上指令下发和数据上传的准确性，引入了 CRC
校验机制，在总线主从设备处建立 CRC 计算模型，在接收方一侧对接收的指令或数据
进行校验，并将校验结果与发送方发来的数据或指令的最后两个字节进行比对，比对正
确则进行转发，否则申请重传，确保总线上通信的准确性。其通信机制如图 3.11 所示。
经过多次测量发现，单个土壤湿度传感器 SM3002B 进行湿度数据的转换需用时约
18
600ms，进行总线传输需用时约 200ms；单个温湿度传感器 SHT30 进行温湿度数据的转

换需用时约 20ms，进行总线传输需用时约 5ms。为体现该数据处理方案的优越性，分
别将土壤湿度传感器 SM3002B 采用单总线的采集方式和采用 485 总线的采集方式与空
气温湿度传感器 SHT30 采用单总线的采集方式和采用 485 总线的采集方式进行响应时
间的对比。通过模拟测试结果如表 3.1 和表 3.2 所示。
表 3.1 温湿度传感器不同采集方式下的响应时间
温湿度传感器数量 I2C 总线形式下响应时间单总线形式下响应时间
5 125ms 45ms
10 250ms 70ms
15 375ms 95ms
20 500ms 120ms
25 625ms 145ms
30 750ms 170ms
35 875ms 195ms
40 1000ms 220ms
表 3.2 土壤湿度传感器不同采集方式下的响应时间
土壤湿度传感器数量 485 总线形式下响应时间单总线形式下响应时间
5 4S 1.6S
10 8S 2.6S
15 12S 3.6S
20 16S 4.6S
25 20S 5.6S
30 24S 6.6S
35 28S 7.6S
40 32S 8.6S
19
图 3.11 数字总线通信流程
从表 3.1 和 3.2 中可以看出，基于单总线式的数字总线数据处理方案可以明显缩短

采集设备的测控时间，这使得灌溉系统可以在较短的时间内完成大规模节点对农田环境
参数的采集，对提高灌溉系统的测控效率具有重要意义。
3.5 本章小结
在本章中，对农业智能灌溉系统的测控子系统进行了总体的介绍。首先，介绍了测
控子系统的拓扑结构和工作流程。其次，介绍了测控子系统中采集节点和执行节点的实
现过程，进一步为了提高系统的抗干扰性能，结合传感器技术，设计了隔离型的 AD 采
集电路、485 自动收发电路和光耦隔离的继电器控制电路等。最后，为了提高测控效率，
结合单总线的技术优势，设计了数字总线的数据处理方案，通过测试分析该数据处理方
案可以明显缩短采集设备的测控时间。
20
第四章数据传输子系统的设计
传输子系统实现了农田环境参数的远程无线传输，是测控子系统与远程主控管理子
系统进行信息交互的桥梁。在本节中，将从 LoRa 终端和 LoRa 网关两方面对传输子系
统进行展开叙述。为了节约成本和降低系统功耗，设计了 LoRa 终端的部署方案和低功
耗传输方案。
4.1 LoRa 技术简介
LPWAN（Low-power Wide-Area Network）即为低功耗广域网，是专门为低功耗、

远距离、大链接而设计的一种物联网技术[26]。在物联网接入技术中按照传输距离可分为
两类，一类是近距离低功耗的，代表性的比如：蓝牙、WIFI、ZigBee；另一类是远距离
大功耗的，代表性的比如现在我们普遍使用的 4G 网络[27]。在 LPWAN 出现之前，远距
离和低功耗二者不能同时兼得只能选其一。伴随着 LPWAN 的问世，远距离和低功耗同
时兼得的问题得到了解决，该技术不仅实现了远距离、低功耗的传输，还节省了中继器
的成本。
LPWAN 技术中最具代表性的当属 LoRa，它是由美国 Semtech 公司提出的一种基于
线性调频扩频技术（Chirp Spread Spectrum，CSS）的远距离、低功耗传输方案，其线性
扩频调制框图如图 4.1 所示[28]。首先将输入的二进制码流分为 I、Q 两个比特流，其次
就是分别将 I、Q 比特流每 3bit 为单位转换为符号流，生成的符号流依然不能传输，还
要进行一次数据符号到双正交码字的转换，经交织处理和并串转换后，将 I、Q 比特流
结合作为生成 QPSK 的输入序列，最后再与 subshirp 信号相乘得到扩频序列 DQCSK。
LoRa 可以在 433MHz、868MHz、915MHz 等全球免费频段运行，并且其供电完全可采
用大容量锂电池等设备供电，供电时间可长达数年之久。
LoRaWAN 协议只适用于物理层，它不仅定义了系统架构还定义了通信协议，其系
统架构采用星形网络，在通信协议中网关负责在终端节点和服务器之间传输信息，将终
端节点所获取到的数据信息进行中继[29]。在 LoRaWAN 网络中终端节点与 LoRa 网关并
不相关联，一个终端节点获取到的数据信息可能发往多个 LoRa 网关，网关收到信息后
将数据进行打包发送到 Server，Server 可以过滤掉重复的数据信息，根据 RSSI 选择出
最佳的数据信息进行存储与处理，并记录该网关且发送 ACK 确认包，在这之中终端节
点与多个网关之间的通信采用单跳通信，网关与应用服务器之间采用 TCP/IP 协议进行
21
通信[30]。
由于 LoRa 采用的是 ALOHA 的异步通信方式，所以它可以根据特定场景的需求在
完成特定任务后而去选择长时间或者短时间的休眠，而蜂窝或者其他通信模式却没有这
一特性他们必须定期通过联网来完成数据的传输，这样会加重电量的消耗。所以如果在
某一场景中需要低延时、频繁的通信并且更注重通信质量 NB-IOT 不失为更好的选择，
如果某一场景需要更低的使用成本、更低的系统功耗和较低的通信频率 LoRa 不失为更
好的选择[31]。
图 4.1 扩频调制框图
4.2 拓扑结构与工作流程
在该子系统中主要由 LoRa 网关和 LoRa 终端两部分构成，其拓扑结构如图 4.2 所示。

LoRa 网关和 LoRa 终端之间的部署采用星型结构，该结构能够有效降低 LoRa 终端和
LoRa 网关之间的网络时延[32]。LoRa 网关是整个 LoRa 通信系统的信息中转中心，也被
称为是基站。它对上承接着收集 LoRa 终端上传的传感器采集的环境数据，并对其进行
解调，对下承接着主控管理器下发的调控指令或采集指令并对其进行调制，其工作流程
图如图 4.3 所示。传输子系统与嵌入式设备进行搭配使用并按照指定数据包格式将上传
的信息通过互联网传至云服务器，在该子系统中 LoRa 终端和 LoRa 网关是仿照锐米科
技的模块进行设计制造，并对其部分电路进行了优化。
22
图 4.2 传输子系统拓扑结构图
图 4.3 传输子系统工作框图
4.3 无线通信模块的设计
4.3.1 智能灌溉系统 LoRa 终端的设计与实现
LoRa 终端的功能是负责将采集节点采集的作物环境信息和主控管理器下发的调控
信息进行调制解调。其设计框图如图 4.4 所示，主要包括供电模块、微处理器模块和射
频收发模块等。电源模块在测控子系统中已有过简要介绍；微处理器模块选择意法半导
体公司生产的具有超低功耗的 STM32L0 系列微处理器，该处理器在低功耗模式下电流
仅为 0.29uA 左右，其提供的 IIC（Inter-Integrated Circuit）、SPI（Serial Peripheral Interface）、
ADC（Analog to Digital Converter）、Timer、全双工的通用同步/异步串行收发器、通用
的输入输出 I/O 端口等外设完全满足设计要求。射频收发模块基带处理器采用 Semtech
公司生产的 SX1278，配置寄存器使其工作在 470MHz 频段，因其具有相对较高的接收
灵敏度，频段范围较宽而被广泛采用。LoRa 终端的设计原理图如图 4.5 所示。
23
图 4.4 LoRa 终端设计框图
图 4.5 LoRa 终端的设计原理图
LoRa 终端软件设计主要为 LoRa 终端与测控子系统按照串口通信的规范进行的数

据交互。二者之间的数据交互采用变长的通信帧，该通信帧格式如图 4.6 所示。为简化
该软件系统的设计采用状态机来解析该变长的通信帧，并把解析的相关工作放在 ISR（中
断服务程序中完成），当接收到最后两个字节为 0x0D、0x0A 时再将整个数据帧交给相
关进程来处理，该状态机解析原理如图 4.7 所示。其中 C 表示从串口接收到的字节，Cnt
表示当前数据域累计接收的字节数。在 SX1278 进行发送和接收数据之前，首先进行初
始化，初始化的过程包括通过配置相关的寄存器来设置扩频因子、通信频率、带宽等、
还有进程管理的初始化、系统时钟的初始化、SPI 总线的初始化、入网检测等。完成上
述操作后，SX1278 才能进行数据的发送和接收流程，其操作流程分别如图 4.8、4.9 所
示。发送、接收数据的流程分别可简要描述为：先入先出队列中提取有效载荷→组包→
编码→调制；解调→前向纠错→提取有效负载→放入先入先出队列中。
24
图 4.6 串口通信的数据帧格式
图 4.7 串口接收通信的数据帧状态机
25
图 4.8 SX1278 数据包发送流程图
26
图 4.9 SX1278 数据包接收流程图
27
4.3.2 智能灌溉系统 LoRa 网关的设计与实现
LoRa 网关是整个系统消息的中转站，LoRa 网关的设计需借助调制技术的扩频、跳

频技术使其具有很大的网络容量，同时不同扩频因子间的信息相互正交，信息在不同频
率间传递时互不干扰，并且 LoRa 网关须同时进行 8 路信息的调制解调且相互之间不会
造成干扰，单个网关理论上可以同时为 5000 左右的 LoRa 终端服务[33]。此外我们由香农
公式 C  W *log 2 (1  S / N ) 可知信道无差错传输信息的能力与信号带宽、有用功率、噪
声功率之间的关系，其中 C 表示信道容量，W 表示信号带宽，S 表示信号功率，N 表示

噪声功率。即当信道容量一定时，增大信号带宽可以降低信号无差错传输的信噪比，也
就是说扩频通信系统通过增大信号传输的带宽保证信号可以在低信噪比情况下无差错
地传输[34]。其设计框图如图 4.10 所示。主要由电源管理模块、处理器模块、射频收发
模块、LTE 网络传输模块等组成。
图 4.10 LoRa 网关设计框图
电源模块采用测控子系统中设计的 5V 电源电路进行供电。微处理器采用树莓派 4B，

该处理器主频高达 1.5GHz 拥有 4GB LPDDR4 SDRAM 内存，运算处理能力极强，且支
持专用的树莓派操作系统内核易于移植与修改，底层驱动便于添加和配置。射频收发模
块是整个网关的核心部分，主要包括数字基带调制解调和射频调制解调。其基带处理器
采用 Semtech 公司生产的 SX1301，设计其工作频段为 470MHz，该模块可同时进行 8
路信息的基带调制解调[35]。射频调制解调主要负责在下行链路中将模拟电信号转换为数
字正交信号，在上行链路中将数字正交信号转换为模拟电信号，其调制解调模块使用
SX1255 芯片。该芯片可同时进行 4 路信息的调制解调，为充分利用 SX1301 芯片的资
源为 SX1301 焊接两块 SX1225[36]。LTE 模块主要为 LoRa 网关接入 IP 网络提供接口，
28
作为与服务器远程信息传递的介质，本系统选择封装有 4G 通信协议的 EC20 模块，该

模块具有功耗低、数据传输速率高、兼容 GPRS 网络等优点。
LoRa 网关的软件部分的设计主要为 LoRaWAN 协议栈的移植和基于 LTE 设备的联
网实现。LoRaWAN 协议栈的移植主要用于 SX1301 寄存器相关参数的配置及与 LoRa
终端网络的通信；基于 LTE 设备的联网主要通过 IP 网络用于与服务器设备信息的交互。
基于树莓派的 LoRaWAN 协议栈的移植参考的是 GitHub 上的开源代码，上面提供了
SX1301 官方的软件包。基于 LTE 设备的联网主要是进行 PPP 协议的移植，PPP 协议是
底层网络协议，工作于物理层与网络层之间并在这两层之间做数据包的转换[37]。其工作
流程图如图 4.11 所示。
图 4.11 LTE 设备工作流程图
根据上图移植 PPP 协议完成的工作如下：

①下载 PPP 协议源码，并将其安装到树莓派操作系统中。
②配置树莓派操作系统内核，并编译使其支持 PPP 协议。
③安装并配置 EC20 模块的驱动，使树莓派支持 EC20 模块。
④在程序中加入 EC20 模块入网程序。
EC20 模块虚拟出新的网卡用于链接远程服务端，通过远程服务端可看到 LoRa
至此，
模块和 LoRa 网关的入网信息如图 4.12 所示。完成上述两部分操作后，基于 SX1301 的
LoRa 网关的程序设计架构如图 4.13 所示。
29
图 4.12 LoRa 入网信息
图 4.13 网关程序设计框架
30
4.4 基于 LoRa 的低功耗传输方案设计
4.4.1 LoRa 终端节点部署方案
大规模农田现场使用了较多的传感器节点，为了保证每一区域农田的湿度信息和环
境参数都能被采集到，LoRa 网络必须覆盖耕种的每一农田区域。LoRa 终端的通信距离
和部署的间距决定了 LoRa 网络的覆盖率。由于 LoRa 终端的通信距离已经确定，部署
的间距越小，LoRa 网络的覆盖率越接近 1。所以合理部署 LoRa 终端节点可以有效的节
省成本、降低功耗。
通过研究分析，适合 LoRa 终端节点部署的方案有正方形部署和正六边形部署，在
此设 LoRa 终端节点的通信距离为 R，节点之间的间距为 D，L=D/R。部署在以 LoRa
节点为中心，以间距 D 为半径的圆内的所有传感器都能将参数信息传至 LoRa 网络。
（1）正方形部署方案
将农田区域分成正方形，LoRa 终端节点置于正方形的中心。通过讨论通信距离 R
和间距 D 之间的关系，LoRa 网络的覆盖率γ和其比值 L 有如下关系：
①当 LoRa 网络处于正方形区域内部时，由 2R≤D，即 L=D/R≥2 时，覆盖率  为：
S圆  R 2 
= =  2 （4.1）
S正 D 2 L
②当 LoRa 网络不完全覆盖正方形区域时，由 D<2R< 2 D，即 2 < L<2 时，覆盖率  为：
  
 
D2 D 1
2
4 2 R     D  2
2

 4 2 2 2 
S
 圆=  2
 （4.2）
S正 D
 D L
由 cos  , 即=2 arccos , 将此式带入得：
2 2R 2
31
L
  4 arccos  L 4  4 L2
 2 （4.3）
L2
③当 LoRa 网络完全覆盖正方形区域时，由 2R≥ 2 D，即 L≤ 2 时，覆盖率  为 1。
综上所述，当 LoRa 网络覆盖率γ达到 1 且使用的传感器数目最少时，L 应该取 2 。
（2）正六边形部署方案
将农田分割成正六边形形状的区域，LoRa 终端放置于正六边形的中心处。通过讨
论通信距离 R 和间距 D 之间的关系，LoRa 网络的覆盖率γ和其比值 L 有如下联系：
①当 LoRa 网络处于正六边形区域内部时，由 R≤D/2，即 L≥2 时，覆盖率  为：
S圆  R2 2
 =  2 （4.4）
S正 3 2 3L
D
2
D D
②当 LoRa 网络不完全覆盖正六边形区域时，由 R ，即2  R  3 时，覆盖
2 3
率  为：
  
 2 
D D 1
6  2 R2      R2  3 
 4 2 2 2 
S
= 圆 =  2
 （4.5）
S正 D
 D L
由 cos  , 即=2 arccos , 将此式带入得：
2 2R 2
32
L
2  12 arccos  3 L 4  4 L2
 2 （4.6）
3L2
③当 LoRa 网络完全覆盖正六边形区域时，由 R≥D/ 3 ，即 L≤ 3 时，覆盖率  为 1。
综上所述，LoRa 网络覆盖率  达到 1 且使用的传感器数目最少时，L 应该取 3 。
当上述两种部署方案覆盖率均达到 1 时，只有在重叠面积最小的情况下，所使用的
LoRa 终端节点才最少。图 4.14、图 4.15 为上述两种方案的部署情况。
图 4.14 正方形区域 LoRa 终端分布图图 4.15 正六边形区域 LoRa 终端分布图
通过计算可得，正方形区域与正六边形区域重叠面积公式分别为：
S正方形 =R 2 (  1) （4.7）
S正六边形 =R 2 (2  3 3) （4.8）
显然，重叠面积越大，LoRa 终端节点放置的密度越大，由于 S 正方形>S 正六边形，所以

本文采用正六边形部署 LoRa 终端节点。
4.4.2 软硬件结合的整体方案设计
在传输子系统中主要电量损耗来自于单片机、LoRa 无线模块，本文从软硬件两方
面着手来降低系统的功耗。本系统设计采用全向天线来增加信号覆盖的范围，终端节点
配备两个拨码开关分别用来设置上行频率和模块号，网关的设计也配备两个拨码开关分
别用来设置下行频率和所辖终端节点的数目，采用并行接收的策略与机制。LoRa 网关
通过转发测控指令唤醒所辖 LoRa 终端进行数据的采集与回传，与此同时网关进入到
LoRa 终端所对应的信道进行数据的并行接收，LoRa 终端在采集、回传完数据后进入休
眠状态，等待下次工作时间的到来。回传数据中加入模块号用于网关判断是否接收到了
33
所有所辖 LoRa 终端的数据，若是，则网关进入休眠状态，整个系统处于低功耗模式。

系统降低能耗、提升数据的传输速率，所采用的方法如下：
①为增强 LoRa 数据包传输的可靠性，在数据包加入了前导码、报头、CRC 校验等
字段，其数据包格式如表 4.1 所示。前导码的作用是为了保证与接收机保持同步，其长
度可根据不同的应用场景进行修改。当需要频繁上传数据时，可适当减少前导码的长度，
减少冗余数据的发送来减少不必要的能耗，降低数据包的占空比增加数据包传输的速
度；当需要保证可靠传输时，可适当增加前导码的长度，用以保证接收机稳定接收数据。
报头主要包括有效数据的长度、数据的编码率{4/5，4/6，4/7，4/8}、CRC 校验等信息，
若在数据传输过程中，有效数据的长度和编码率固定，那么 MAC 层数据包中可选择不
加入报头，可以进一步降低数据包的占空比。
表 4.1 MAC 层数据包格式
②采用信道占用检测原理，以尽可能高的功率效率来检测信道上的 LoRa 前导码，

在 CAD 模式下，锁相环被开启芯片会快速扫描频段，用来检验处理器传来的数据中是
否包含 LoRa 前导码。当检验到有效的 LoRa 前导码时，此时锁相环暂停扫描频段，射
频模块的调制解调功能开启，将捕获到的 LoRa 前导码与理论上的前导码波形进行比较，
并向微处理器发出 CadDone 信号。若二者之间存在相关性调制解调器会发出
CadDetected 信号以告知微处理器检测到有效的 LoRa 前导码，同时唤醒 LoRa 终端，通
过把 SX1278 设置成单一接收模式或者连续接收模式进行有效数据的接收。若该信道被
占用 LoRa 则处于待机状态直到该信道被释放。
③通过调整 PHYPayloa 数据帧中的 FCtrl 字段中的 ADR 位，可以实时修改节点的
传输速率，以此来降低传输功耗，增加节点的使用寿命。当由于外界原因服务器无法正
确判断节点的最佳传输速率时，会将下行数据帧中的 ADR 位置 0，由于数据终端为固
定节点，可以忽略本条数据帧，保持上行数据帧中的 ADR 位不变，按照原先的传输速
率进行数据包的收发。当调整 ADR 位修改完数据速率后，导致节点的传输速率比之前
的高或者发射功率比之前的低时，节点将采取定期验证的方法来确保数据包稳定传输，
其验证方法如图 4.16 所示。节点采用变量 ADR_COUNT 统计发包的数量，当
34
ADR_COUNT 的数值达到阈值 ADR_LIMIT（ADR_COUNT≥ADR_LIMIT）后，节点仍

然没有收到来自服务器的回应，此时节点将 ADR_REQ 标志位置 1 请求服务器向节点发
送 ACK。当服务器检测到 ADR_REQ 标志位置 1 的指令后，在 ADR_DELAY 时间间隔
内返回下行响应信息，若节点收到该响应信息，则将变量 ADR_COUNT 清零，并将该
速率标记为最佳数据传输速率。若在 ADR_LIMIT+ADR_DELAY 的时间内都没有收到
下行响应消息，则节点将对发射功率和速率进行复位。若在接下来 ADR_DELAY 的时
间内，节点发送上行消息后，仍没有收到来自服务器的下行响应消息，此时节点将会降
低传输速率，直至节点接收到 ACK 为止。
图 4.16 节点稳定传输验证方法
④LoRa 终端在上传数据的过程中采用时分多路复用的方式，N 个 LoRa 终端在规定

信道（470MHz+0.2MHz*模块号）将时间分为 N 个时隙。通过测试将 LoRa 终端采集回
传环境信息数据的时间定为 3s，每个 LoRa 终端根据拨码开关设置的模块号在（模块号
*3s）的定时时间后采集数据并进入相应的信道与 LoRa 网关进行通信，避免了数据的冲
突。该方式充分利用了信道并且降低了功耗。
⑤另外，本文中传感器组的供电采用固态继电器 H3MB-052D 进行控制，选择固态
继电器的原因在于在该供电系统中使用的是小电压控制大电压，对传感器和单片机主板
进行电气隔离避免传感器上电瞬间大电压对单片机冲击造成的干扰。M1 接单片机 IO 口
通过控制单片机 IO 和程序的编写使得传感器在上电工作的同时唤醒 LoRa 模块，当 LoRa
无线模块工作完毕后关闭继电器切断对传感器的供电，同时 LoRa 模块进入休眠模式，
其控制电路如图 4.17 所示。
通过以上描述，软硬件结合的低功耗传输方案的工作流程图如图 4.18 所示。
35
图 4.17 继电器控制电路
图 4.18 低功耗传输方案的工作流程
36
4.5 测试与分析
4.5.1 LoRa 通信距离测试与分析
测试方案选取相对空旷的地方来模拟农田环境，在每个测试点选取 3 个节点进行同
时测试，测试设备选择第三章设计实现的 LoRa 终端和 LoRa 网关。影响 LoRa 通信性能
的因素主要有通信距离、通信带宽、扩频因子、接收信号强度指示，待网关接收到数据
后再计算丢包率，在计算时对不同地点的测试设备获取的数据均做平均值处理。具体测
试步骤如下：
（1）首先需要配置 LoRa 终端和 LoRa 网关的测试参数如表 4.2 所示。
表 4.2 测试设备参数配置表
LoRa 网关参数配置 LoRa 终端参数配置
天线增益（dBi） 12 天线增益（dBi） 3
发射功率（dBm） 20 发射功率（dBm） 17.5
工作频率（MHz） 470 工作频率（MHz） 470
通信带宽（KHz） 125 通信带宽（KHz） 250、125、62.5
扩频因子 12 扩频因子 7、10、12
（2）选取距离 LoRa 网关 1600m、2500m、3200m、4000m、4500m、5000m 的测

试点，设置每个测试点的三个 LoRa 终端每隔 3s 发送 124 字节的数据包，接连发送 50
次。LoRa 网关接收数据包，并按照模块号打印 LoRa 终端发送的数据和 RSSI 值。
（3）数据传输速率计算可采用如下的计算方法：数据传输速率（bps）=（n-1）
*L*8*1000/（Km-Km-1），其中 L 为输出单个的数据包长（固定值）、n 为累计发送的
数据包数、 K 为网关接收到数据包前后的时间差。时间利用 STM32 中的库函数
HAL_Gettick（void）来计时，1ticket 按照 1ms 来计算。数据的查看采用串口打印到终
端的形式来进行查看。
（4）按照上述操作过程，将 LoRa 终端设置成不同的带宽和扩频因子，重复上述测
试。LoRa 终端的带宽分别选择 250KHz、125KHz 和 62.5KHz，扩频因子分别选择 7、
10、12，依据上述距离的各 LoRa 终端，总共测试以下 9 组数据。
（5）通过分析 LoRa 网关接收到的完整的数据包，在编码率为 4/5 的情况下，计算
丢包率和数据的传输速率。
37
表 4.3 SF=7，BW=250KHz
距离（m） RSSI（dBm） PLR DR（bps）
1600 -105 0% 10168
2500 -115 0% 5084
3200 -120 0% 2876
4000 -122 44% 1602
4500 / 100% 887.6
5000 / 100% 443.8
表 4.4 SF=7，BW=125KHz
1600 -102 0% 5460.5
2500 -110 0% 4239.6
3200 -117 0% 2632.4
4000 -120 22% 1548
4500 / 100% 887.6
5000 / 100% 443.8
表 4.5 SF=7，BW=62.5KHz
1600 -101 0% 2730.5
2500 -109 0% 2238.7
3200 -115 0% 1926
4000 -119 17% 1233
4500 / 100% 887.6
5000 / 100% 443.8
表 4.6 SF=10，BW=250KHz
1600 -108 0% 1875.2
2500 -112 0% 1542
3200 -122 0% 1317
38
表 4.6 SF=10，BW=250KHz(续)
4000 -124 9% 932.6
4500 -125 82% 785.8
5000 / 100% 443.8
表 4.7 SF=10，BW=125KHz
1600 -106 0% 984.8
2500 -111 0% 735
3200 -121 0% 632.4
4000 -122 5% 527.3
4500 -123 65% 492
5000 / 100% 443.8
表 4.8 SF=10，BW=62.5KHz
1600 -108 0% 525.3
2500 -114 0% 485.7
3200 -125 0% 403
4000 -127 0% 352
4500 -126 36% 389.6
5000 -128 84% 400.7
表 4.9 SF=12，BW=250KHz
1600 -115 0% 607
2500 -118 0% 584.9
3200 -127 0% 475
4000 -129 0% 398.2
4500 -129 15% 352
5000 -130 62% 305
39
表 4.10 SF=12，BW=125KHz
1600 -117 0% 358.7
2500 -116 0% 296.2
3200 -125 0% 213
4000 -130 0% 182
4500 -130 8% 115
5000 -130 48% 73
表 4.11 SF=12，BW=62.5KHz
1600 -116 0% 198.5
2500 -117 0% 146.4
3200 -123 0% 102.3
4000 -129 0% 72
4500 -129 0% 52.6
5000 -128 30% 49
通过分析上述测试数据，可以得出如下结论：
（1）在扩频因子保持不变时，随着通信带宽的减小，通信距离变远；
（2）在通信带宽保持不变时，随着扩频因子的增大，通信距离变远；
（3）在通信带宽和扩频因子保持不变时，随着通信距离的增加，丢包率逐渐变大；
接收信号强度指示逐渐下降；
（4）在通信带宽和扩频因子保持不变时，随着通信距离的增加，数据传输速率逐
渐减小；
（5）在扩频因子为 7，通信带宽为 250KHz 时，数据传输速率可达到 10000bps；在
扩频因子为 10，通信带宽为 250KHz 时，数据传输速率可达到 1800bps；在扩频因子为
12，通信带宽为 250KHz 时，数据传输速率可达到 600bps；均接近于理论计算值，可以
得出设计的 LoRa 模块有较高的传输速率。
综上所述，扩频因子、通信带宽和接收信号强度指示在一定程度上都影响着通信距
离，在 3 公里范围内，无论扩频因子和通信带宽设为何值，LoRa 终端和 LoRa 网关之间
40
能保持正常稳定的通信，数据传输速率可稳定设置在 100bps-5000bps 之间；当扩频因子

设置为 12，通信带宽设置为 62.5KHz 时，通信距离可达 4.5 公里之远，为保证可靠通信，
在农田环境中 LoRa 网关安装在以 3 公里为半径的中心位置，完全满足农田环境的需求。
4.5.2 LoRa 低功耗测试与分析
由于农田的特殊工作环境，采集节点、LoRa 终端节点和 LoRa 网关均采用 8000mA

的锂离子电池供电，在上述章节中对 LoRa 的传输方案进行了低功耗设计，现对该方案
进行测试与分析。
通过 STM32L051 单片机+基于 SX1278 的 LoRa 终端搭建的硬件平台，将精度为μA
级别的电流表串联到电路中，测得单片机在电压为 3.3V，CPU 频率为 32MHz 的运行模
式下，该单片机在低功耗模式下的功耗值如表 4.12 所示：
表 4.12 STM32L051 单片机在不同工作模式下的功耗值
工作模式功耗值
Sleep Mode 37μA/MHz
Low-Power Run Mode 8μA
Low-Power Sleep Mode 4.5μA
Stop Mode With RTC 1μA
Stop Mode Without RTC 0.4μA
Standby Mode With RTC 0.85μA
Standby Mode Without RTC 0.29μA
在 LoRa 终端节点中，电流消耗最大的当属基带射频芯片，在工作频率为 470MHz，

通信带宽为 62.5KHz，扩频因子为 12 的条件下，经过测量得出 SX1278 在不同工作模式
和发射功率下的功耗值如表 4.13 所示。
表 4.13 SX1278 在不同工作模式/发射功率下的功耗值
工作模式/发射功率功耗值
Sleep Mode 1μA
Standby Mode 1.8mA
RX Mode 12.8mA
7dBm 20mA
13dBm 29mA
41
表 4.13 SX1278 在不同工作模式/发射功率下的功耗值（续）
17.5dBm 94mA
20dBm 120mA
通过树莓派 4B+基于 SX1301 的 LoRa 网关搭建的硬件平台，在工作频率为 470MHz，

通信带宽为 125KHz，扩频因子为 12 的条件下，采用同样的方式测得 LoRa 网关在不同
工作模式和固定发射功率下的功耗值如表 4.14 所示。
表 4.14 LoRa 网关在不同工作模式/发射功率下的功耗值
工作模式/发射功率功耗值
Standby Mode 68μA
Sleep Mode 1.8μA
RX mode 470mA
20dBm 440mA
结合测得的上述表中的数据，建立 LoRa 的低功耗计算模型，LoRa 终端节点工作

方式采用 RxOn-Sleep 机制，由其工作手册可知，LoRa 终端的 RxOn 时间大约为 18ms，
工作电流为 12.8mA，Sleep 时间为 2982ms，休眠电流为 1μA，则一天的耗电量为：
18ms 12.8mA 24h 1000ms / s  3600 s / h
  1.84mAh （4.9）
1000 ms / s  3600 s / h 18ms  2982 ms
按照第三章中设计的采集节点、LoRa 终端节点采集、回传时间为 3s，在此之间 LoRa
终端在发射功率为 17.5dBm 时，工作电流为 94mA，STM32L051 单片机在低功耗模式
下工作电流为 8μA，参数测量工作电流为 270mA，每小时采集一次，一天耗电量为：
3s
  270mA  94mA  8  A  24  7.28mAh （4.10）
3600 s / h
LoRa 终端节点被唤醒后，最大等待休眠时间为 3s，在此之间 LoRa 终端节点工作
电流为 1.8mA，STM32L051 单片机在低功耗模式下工作电流为 8μA，则一天耗电量为：
1.8mA  3s
 24  0.036 mAh （4.11）
3600 s / h
由此，LoRa 终端和采集节点一天的耗电量为：
1.84mAh  7.28mAh  0.036mAh  9.156mAh （4.12）
若 8000mAh 的锂离子电池为其供电，则工作时间为：
8000 mAh  70%  9.156 mAh / 天=611天  1.6 年（4.13）
由式 4.14 知，在相同条件下，WG219 WIFI 模块工作一天的耗电量通过计算为
42
19.876mAh，LoRa 终端的功耗与其相比降低了 53.9%。
19.876mAh  9.156mAh
100%  53.9% （4.14）
19.876mAh
LoRa 网关的下行通信单元保持每休眠一小时，转发上行通信单元唤醒包的持续时
间为 3s，在此之间 LoRa 网关休眠电流为 1.8μA，在发射功率为 20dBm 时发送电流为
440mA。接收状态持续时间与 LoRa 终端节点的数量有关，若农田现场装有终端节点 40
个，则接收状态最大持续时间为 120s，此时网关一天的耗电量为：
440mA  3s 470mA 120 s
  16.03mAh （4.15）
3600 s 3600 s
若 8000mAh 的锂离子电池为其供电，则工作时间为：
8000 mAh  70% 16.03mAh / 天=349 天  1 年（4.16）
综上所述，采用锂离子电池供电可保证 LoRa 终端、采集节点、LoRa 网关长时间工

作，在实际应用中需要每年对灌溉系统的供电电池进行检修，并为其更换充电。
4.6 本章小结
在本章中，对农业智能灌溉系统的传输子系统进行了总体的介绍。首先，介绍了传
输子系统的拓扑结构和工作流程，从中得知传输子系统是测控子系统和远程管理子系统
之间进行信息传递的桥梁。其次，介绍了传输子系统中 LoRa 终端和 LoRa 网关的软硬
件实现过程。进一步地，为了降低系统成本和功耗，结合 LoRa 无线传输技术的优势，
设计了一种低功耗的数据汇聚方案。最后，通过搭建 LoRa 终端和 LoRa 网关的测试平
台，得出 LoRa 的实际通信距离，验证了基于 LoRa 的传输子系统完全满足农田环境的
传输需求。进一步地，立足于单片机和 LoRa 射频芯片的功耗值，通过建立计算模型，
得出电池供电的传输子系统可工作长达一年之久。
43
第五章远程主控管理子系统的设计
远程主控管理子系统实现了对农田环境参数的存储、预测和分析，在本节中，将从
硬件设计和软件设计两方面对远程主控管理子系统进行展开叙述。
5.1 框架结构与工作流程
远程主控管理器作为整个系统的核心部分，在本系统中主要承担数据的缓存、处理、
分析、计算、存储等任务，根据数据分析处理的结果还要负责向下行采集子系统下发调
控指令，进行农田环境的调控。远程主控管理子系统整体架构如图 5.1 所示。远程主控
管理器主要由 SD 卡存储单元、安卓屏显示单元、主控处理器、通信模块和电源模块五
部分组成。其中以太网通信模块负责与 LoRa 网关进行通信，通过 LoRa 网关向测控子
系统转发测控指令；通过以太网模块亦可与上层应用服务器进行数据交互。远程主控管
理器的操作箱和现场布控分别如图 5.2 和 5.3 所示。
图 5.1 远程主控管理子系统结构图
图 5.2 主控管理器操作箱图 5.3 农田现场布控图
测控子系统在收到测控指令后，远程主控管理器依据测控子系统中采集节点和执行
节点的数据类型和设备地址进行数据的收集、存储、分析和处理。通过对这些数据的分
析，在主控管理器上建立预测模型来实现对农田的精准灌溉。上文简要介绍了主控管理
器的拓扑结构，接下来介绍其工作流程如图 5.4 所示。
44
图 5.4 主控管理器工作流程图
在上图中，当给主控管理器上电后开始系统的初始化，系统的初始化包括网络参数
的设置、时钟的设置、定时器的初始化、串口的初始化等。初始化完成后便是状态检测，
状态检测阶段主要包括执行节点的工作状态、计时信息、电池电量的信息等，并将该状
态信息经网关上传至主控管理器，用于与所需求的状态信息进行比较，不一致时则执行
相应的动作。采集指令的下发一方面可以实时发送，另一方面可以通过设置定时时间来
45
定时发送。当测控子系统收到采集指令后，进行环境参数信息的采集然后上传至主控管
理器。由于之前设计的传输协议为一发一收，当主控管理器没有收到测控子系统传过来
的数据时，主控管理器会认为本次传输超时，经过一段时间会再次发送采集指令。当收
到的数据 CRC 校验不正确时主控管理器会丢弃本次数据不进行存储，当收到的数据为
有效数据时主控管理器将本次数据按照指定格式存储到 SD 卡的指定扇区中，并通过模
糊控制算法和预测模型对数据进行分析与预测。如果传感器数据小于设定值时则下发调
控指令打开相应的电磁阀进行灌溉，直至湿度数据处于合理范围内。
5.2 主控管理器的软硬件介绍
5.2.1 主控管理器的硬件平台
基于上节对主控管理子系统拓扑结构的简要介绍，其主要硬件设计如下：
（1）主控处理器的选择
目前市场上工业领域使用的主流芯片为 ARM（Advanced RISC Machine）芯片，其
使用范围几乎涵盖了所有的移动设备，主要还是因为其种类繁多、性能优越、能够满足
绝大部分用户的需求。在嵌入式领域中使用的主流 CPU 内核主要有两种：ARM 系列内
核和 Cortex 系列内核。Cortex 内核因在数据处理速度、运行效率和性价比上较 ARM 系
列内核有优势且结合本系统的设计要求，本系统选择基于 Cortex-7 架构的低功耗的
I.MX6ULtraLite 处理器为控制器，并对其外围电路进行开发设计。该处理器由 NXP 公
司生产是一款非常适合应用开发的处理器，其拥有的系统资源和外设资源完全满足该系
统的需求，其资源简介如表 5.1 所示。
表 5.1 主控处理器资源简介
资源类别资源简介
芯片型号 MCIMX6Y2CVM08AB
指令集 Cortex-A7
主频 528MHz
内部总线结构 16/32bit
缓存大小 32K 数据/指令缓存区
运行速度 2000DMIPS（每秒运行两亿条指令）
电源 5V 直流电源供电
46
表 5.1 主控处理器资源简介（续）
存储器 512MB 的 LPDDR3
Flash 1GB 的 NandFlash
8 个 UART
4 个 I2C 接口
4 个 SPI 接口
外设资源
2 个 SDIO 接口
10 路 12 位分辨率的 ADC 接口
多路通用输入/输出 IO 口
（2）SD（Secure Digital）卡电路的设计
在灌溉系统中为方便数据的管理需要建立数据的缓存区，用此来暂存数据。而主控
芯片的 Flash 存储空间有限，相关程序文件和配置文件已经占据了相当一部分位置，所
以需要选择外部存储设备来扩展内存。本系统设计的 SD 卡存储电路完全满足数据存储
的需求，其原理图如图 5.5 所示。
图 5.5 SD 卡电路原理图
（3）安卓屏显示单元简介
该主控管理器显示部分采用电容触摸式的安卓屏，作用一方面是用来进行环境参数
上下限的配置、控制指令的下发、定时启动与警报；另一方面用来显示感知层传过来的
各种参数，提供了动态显示和数据表显示，还可查看历史参数。该安卓屏内置安卓系统
可以进行安卓软件的相关开发，采用 A83T 英特尔四核处理器，低功耗节能、耐高低温
（-20°-70°）、防腐蚀且抗电磁干扰。接口丰富主要由 USB 接口、网络接口、高清接口
47
（HDMI）、串行接口、天线接口、音频接口等。安卓屏的结构框架如图 5.6 所示。
图 5.6 安卓屏的结构框图
（4）以太网接口电路设计
在主控管理器中为了保证数据的快速转发和与下行测控子系统的指令交互，本
文采用有线以太网形式进行数据的汇聚与指令的转发。因以太网技术在工业领域上
高度的兼容性和高速率的传输特性被广泛采用。其接口电路设计如图 5.7 所示，网
卡芯片采用 DM9000，该芯片工作在超低功耗模式，兼容 3.3V 和 5V 电压，支持
8/16/32 位接口访问内部存储器。内部已经封装好 MAC 和 PHY 协议，可以自动实
现数据的打包和转发。
图 5.7 以太网模块设计原理图
48
5.2.2 主控管理器的软件平台
为了能够实时显示灌溉系统的参数信息并减少本地资源的使用，本文进行了
MYSQL 数据库的设计，为了能使主控管理器更好地接收到 LoRa 传送过来的农作物
环境数据并进行相关指令的下发，进行了包括数据库、安卓客户端等软件的设计与
开发；为了能使主控管理器能对数据库里的历史数据进行分析与预测，引入了模糊
控制算法与预测模型；为了能够更好地搭建这些模型，在主控管理器上进行了 Linux
操作系统的移植和 Python 的移植。
1. MYSQL 数据库的设计
数据库望文生义是指管理数据的仓库，它的本质就是一个文件管理系统，数据
库可以按照一定的组织形式将数据存储起来并且可以根据用户的需要对数据进行
增、删、改、查。本文采用了数据存储最简单的形式：数据表，一般数据库中不同
的数据表对应于不同的实体，而不同的实体又具有不同的属性，所以将传感器采集
的数据通过数据表存储起来使用户很方便地查看数据的统计情况。本文包含的数据
表有 NongTianList：数据表和现场农田的对应关系、数据管理系统用户表 User：分
为普通用户和管理员用户两种，表中包含了用户名和用户密码等信息、
NongTian_ParameterList ：主要包括数据的采样周期和执行节点的运行状态、
NongTian_XList：存储了相应农田中的环境信息数据，主要为土壤湿度、空气温湿
度、风速、光照强度等。
表 5.2 NongTianList 表的设计
字段名称数据类型数据长度含义
NT_ID int 4 农田编号
NT_TableName char 20 相对应的数据表表名
NT_RealTime char 20 采集节点现场农田名称
表 5.3 User 表的设计
User_ID int 4 用户编号
User_Name char 20 用户名
User_Passwd char 20 用户密码
49
表 5.3 User 表的设计(续)
权限类型：0 为普通用
User_Type int 1
户；1 为管理员用户
表 5.4 NongTian_ParameterList 表的设计
NT_ID int 4 农田编号
Para_Time int 4 系统采样周期
执行节点运行状态:0
代表执行节点处于关
Para_State int 1
闭状态；1 代表执行节
点处于开启状态
数据呈现方式：0 代表
Para_Transfer int 1
本地；1 代表远程
灌溉方式：0 代表手动
Para_irrigation int 1
灌溉，1 代表自动灌溉
查询方式：0 代表实时
Para_inquire int 1
查询，1 代表定时查询
Para_irriga_time int 1 灌溉时间长度
表 5.5 NongTian_XList 表的设计
Time DateTime 6 数据采集时间
Temperature int 4 环境温湿度值
Humidity int 4 土壤湿度值
Radiation int 4 光照强度值
WindSpeed int 4 风速值
2. 安卓用户界面的设计
为了更好地体现人机交互，在安卓屏端主要进行了控制界面、设置界面、状态
界面、报警界面等的设计。该安卓系统软件通过 HTTP 的方式与数据库进行交互，
当 LoRa 网关上传数据后安卓屏不会马上接收到数据而是通过套接字（socket）进行
50
网络之间的通信，套接字的通信是双向的，当服务端向套接字的输入流中写入采集
的数据，安卓端就可以通过套接字的输入流读取传感器采集的相应的数据，其工作
流程如图 5.8 所示。此外可以随时登录系统来查看灌溉系统的运行状态，包括执行
节点的运行状态、查看各传感器采集的环境数据、实现对执行节点的远程控制和各
种运行参数的设置等，此外该软件还包含用户登录、用户注册、相关设备的添加和
删除、预警参数的设置等。
图 5.8 Socket 通信过程
3. Linux 系统的移植
由于 Linux 系统运行效率高并且可以运行在各种硬件平台上，所以主控管理器
的软件平台基于 Linux 系统进行搭建，该软件平台组成部分如图 5.9 所示。首先需
要进行的便是 Linux 系统的移植，Linux 系统的移植分为如下四大部分。
51
图 5.9 软件平台组成框图
（1）搭建交叉编译环境
在嵌入式开发中交叉编译是指在主机上开发出能在目标机上运行的程序。通常交叉
编译的硬件主要由三部分组成，分别是：开发主机、目标板、链接介质[38]。本文中开发
主机选择 PC 机个人电脑，目标板选择以 I.MX6ULtraLite 为核心的系统板，二者之间的
链接介质选择的是网线，最后通过 nfs 服务实现网络文件的挂载。
（2） BootLoader 的移植
BootLoader 的作用就是用于引导加载操作系统，就是把内核加载到 RAM 中运行。具体
移植步骤如下：
①下载稳定的源代码包 2010.03 版本。
②在源代码中添加自己的核心板。
③修改目录文件名和目录的 Makefile，指定交叉工具链。
④进行交叉编译，编译成功的结果图如图 5.10 所示。
⑤添加 Nand 和网卡的驱动代码。
⑥重新编译 make disclean 彻底删除中间文件和配置文件，生成 U-Boot.bin 镜像文件。
⑦设置启动参数，将编译好的 U-Boot.bin 文件下载到 SDRAM 中。至此 U-Boot
的移植完成，启动信息如图 5.11 所示。
52
图 5.10 U-Boot 编译成功结果图
图 5.11 U-Boot 启动信息
（3） Kernel 的移植

移植好 U-Boot 后，紧接着就是 Kernel 的移植，Kernel 主要包括系统接口、进程调
度、内存管理、文件系统等[39]。其移植主要包括以下步骤：
①将下载好的 Linux-2.6.35.tar.bz2 拷贝到主目录下解压。
②通过配置 Makefile 更改系统的交叉编译工具，具体代码如下：ARCH ?=ARM ；
CROSS_COMPILE?=ARM-cortex_7-Linux-gnueabihf-；分别设置 ARCH 和 CROSS_
COMPILE 这两个变量的值，这样在编译的时候就不用输入很长的命令了。
③配置内核，每个板子都有其对应的默认配置文件，默认配置文件保存在
arch/arm/config 目录中，进入 Ubuntun 中的 Linux 源码目录下执行 make clean+make
imx_v7_mfg_defconfig 这两条配置 Linux 内核命令。配置无误后就可以通过 make -j16 命
令对 Linux 内核执行编译。
④编译完成后在 arch/arm/boot 目录下生成了 Zimage 文件，将该文件复制到 Ubuntun
中的 tftp 目录下，然后在 uboot 中使用 tftp 命令将其下载到主控管理器的核心板中并启
53
动，结果如图 5.12 所示。
图 5.12 启动 Linux 结果图
（4）文件系统的创建
由于 Linux 系统一切皆文件，Linux 运行所必须的库、软件、设备文件和配置文件
都存储在文件系统中。本系统通过 BusyBox 来构建 Root file system，详细实施步骤如下：
①下载 BusyBox-1.29.0，并将其解压到 Ubuntu 相应目录中。
②同 U-Boot 和 Linux 移植一样，打开 BusyBox 的顶层 Makefile，添加 ARCH 和
CROSS_COMPILE 的值。
③配置 BusyBox，使用 make defconfig 命令进行默认配置，使用 make menuconfig
命令进行图形化配置。
④编译 BusyBox，执行命令 make installCONFIG_PREFIX =/home/zuozhong
kai/linux/nfs/roofs 进行编译，编译完成以后 BusyBox 的所有工具和文件就会被安装到
roofs 中。
⑤根文件创建好之后，就可以向其中添加动态库/lib，然后从交叉编译器中获取库
文件；向 roofs 目录下添加/usr/lib file、/opt file、/dev file、/mnt file、/sys file、/root file
等。
⑥最后将创建好的文件系统通过 NFS 方式进行挂载，启动核心板，进入 U-Boot 命
令行模式。设置 boottargs 环境变量，运行结果图如图 5.13 所示，说明已成功进入根文
件系统。至此完成了主控管理器软件平台的搭建。
54
图 5.13 进入根文件系统结果图
4.Python 的移植
Linux 系统搭建好之后，便可以进行开源代码的移植和应用系统的开发。由于系
统要对 LoRa 上传的环境信息数据进行分析与预测，这些操作都是基于 Python 平台实
现的。Python 具有易于移植、占用内存小、处理速度快、拥有的库相对丰富等优势被
广泛应用于嵌入式数据处理系统中。因此本文中将 Python 移植到核心板中用于数据
的分析与处理，具体步骤为：
①下载编译 zlib 模块，为 Python 压缩提供支持。通过./configure 、make 、sudo make
install 命令编译 Ubuntu 版 zlib，通过 export CC=arm-linux-gnueabi-gcc、./configurea
--prefix=/opt/zlib、make、sudo make inatall 命令编译 ARM 版 zlib。
②下载 Python3.6.4 源代码并将其解压到 Ubuntu 目录下。
③使用./configure、make parser/pgen 命令生成 Python 解释器。
④在/Python-3.6.4 文件下创建/ARM 文件，交叉编译 Python 将在这一文件下进行，
并在该文件下创建/opt/Python3 并将交叉编译好的 zlib 复制到此文件下。
⑤将 Python 解释器复制到/ARM/Parser 下使用命令 touch -t12312359 ./Pars er/Pgen
修改文件，切换到 root 用户。
⑥编辑.bashrc 文件。在该文件末尾添加 export PATH=/opt/gcc-linaro-4.9.4-2017.01
-x86_ 64_arm-linux-gnueabi/bin:$PATH。
⑦将 Ubuntu 中的 /opt/Python3 文件进行打包，通过 NFS 将它解压到主控管理器
核心板的/opt 下，使用命令 cd /opt/Python3/bin/和./Python3.6 -V 进行安装。
⑧通过 SecureCRT 软件进入到 ARM 核心板的上述目录，运行 Python，如图 5.14
所示，表明 Python 移植成功。
55
图 5.14 Python 运行结果图
Python 平台在主控管理器上移植成功后，当测控子系统将采集的环境参数经传输子
系统上传到远程主控管理器后，Python 里封装的有现成的 ModBus TCP 协议库，远程主
控管理器在 Python 平台上通过调用 ModBus TCP 协议进行数据的收集，其实现的步骤
如下：
①ModBus TCP 协议库的安装，在主控管理器上直接运行 pip install modbus_tk 语句
进行标准库的安装。
②在 Python 平台上实现的数据收集脚本测试程序如图 5.15 所示。
图 5.15 数据收集的脚本测试程序
56
5.3 系统通讯协议的设计
由于本系统中使用了非常多的传感器节点，所以为了保证数据在传输过程中的准确
性、稳定性和规范性。方便采集子系统和远程管理主控子系统之间更好的配合工作，所
以本文采用工业中常用的 MODBUS 协议来设计系统的通信协议。该通信协议的设计采
用“请求-问答”机制，通过系统工作流程的设计，该系统有查询和控制两种请求方式，下
面分别对这两种请求方式做简要介绍：
在测控子系统中采集节点由土壤湿度传感器 SM3002B 和气象站组成。为区别这两
部分设备地址采用两个字节，其中第一个字节为设备类型：01 代表土壤湿度传感器、02
代表气象站，第二个字节为相应设备类型的地址。
（1）采集节点的查询和响应的指令格式如表 5.6 和表 5.7 所示。
表 5.6 查询单个节点指令格式
包头设备地址功能码校验和包尾
2Byte 2Byte 1Byte 2Byte 2Byte
0D 0A ADDR 04 CRC 0D 0A
表 5.7 单个节点响应指令格式
包头设备地址功能码数据校验和包尾
2Byte 2Byte 1Byte NByte 2Byte 2Byte
0D 0A ADDR 04 DATA CRC 0D 0A
例：①查询地址为 0111 的土壤湿度传感器所采集的湿度数据的指令为：

发送：0D 0A 01 11 04 5E DB 0D 0A
响应：0D 0A 01 11 04 00 3C 78 2A 0D 0A
②查询地址为 0211 的气象站所采集的农田周围气象参数的指令为：
发送：0D 0A 02 11 04 AE DB 0D 0A
响应：0D 0A 02 11 04 00 16 00 50 00 52 02 08 02 0D 35 21 0D 0A （气象站采集的
数据包括空气温湿度、风速、光照强度等参数，每个数据包含两个字节）
（2）采集节点的控制和响应的指令格式如表 5.8 和表 5.9 所示。
表 5.8 控制单个节点指令格式
57
表 5.8 控制单个节点指令格式（续）
表 5.9 单个节点响应指令格式
例：①打开/关闭地址为 0001 的电磁阀指令为：

发送：0D 0A 00 01 03 00 01 31 3A 0D 0A 或者 0D 0A 00 01 03 00 00 F0 FA 0D 0A（01
代表打开电磁阀，00 代表关闭电磁阀）
响应：0D 0A 00 01 03 00 01 31 3A 0D 0A 或者 0D 0A 00 01 03 00 00 F0 FA 0D 0A（01
代表打开成功，00 代表打开失败）
②打开/关闭所有电磁阀指令为：
发送：0D 0A FF FF 05 00 01 F4 C7 0D 0A 或者 0D 0A FF FF 05 00 00 35 07 0D 0A
相应：0D 0A FF FF 05 00 01 F4 C7 0D 0A 或者 0D 0A FF FF 05 00 00 35 07 0D 0A
③查询所有土壤湿度传感器所采集的湿度数据的指令为：
发送：0D 0A 01 FF 06 92 BA 0D 0A
响应：0D 0A 01 FF 06 00 3E 00 3F 00 41 00 55 00 49 00 46 9E 69 0D 0A（回复六个土
壤湿度传感器所采集的数据）
④查询所有气象站所采集的农田周围气象参数的指令为：
发送：0D 0A 02 FF 06 62 BA 0D 0A
响应：0D 0A 02 FF 06 00 0D 00 4D 00 50 02 08 02 0D 00 0A 00 4E 00 57 01 EC 02 00
00 09 00 55 00 46 01 41 02 65 91 8A 0D 0A（回复三个气象站所采集的数据）
在对电磁阀的操作过程中 01 代表打开成功，00 代表关闭成功。为了方便统一查询
和操作本文中查询所有节点信息或者打开/关闭所有的电磁阀统一采用广播的形式，然后
各节点接到该指令后根据自身地址和匹配规则进行匹配即可。校验码是按照 CRC-16
（MODBUS）规范来计算的，即将每一个字节与事先预置为十六进制 FFFF 的寄存器进
行移位异或操作。
58
5.4 基于皖北地区冬小麦的智能灌溉控制策略的设计
在农业灌溉领域，良好的灌溉策略对于农作物的生长和产量的提高都具有非常重要
的意义。良好的灌溉策略就是在农作物生长的不同时期根据需水特性进行适时适量的灌
溉，确保农作物一直处于适宜的环境中生长发育。由于水分在不同天气状况下、不同土
壤中的蒸发速度、渗透率、扩散速度不同，导致农作物对水分的吸收速率就会有所不同，
使得灌溉系统在调节土壤湿度的过程中表现出滞后性、大惯性的特点[40]。传统的控制系
统对土壤湿度的调控不易搭建精准的数学模型。模糊控制方法结合了专家知识经验及模
糊语言规则，控制规则更加符合人的思维逻辑。即使非线性系统变化结果不确定，模糊
控制方法也能对其实现精准控制。因此该灌溉系统依据模糊控制的相关理论进行灌溉策
略的设计。
5.4.1 农作物需水性分析
良好的灌溉策略需要根据不同农作物不同时期的需水特性建立灌溉模型，即使是同
一作物在不同地方其灌溉模型也是不尽相同的，本论文中以皖北亳州利辛县地区冬小麦
为例，其区域位置如图 5.16 所示，简要叙述模糊控制方法在灌溉系统中的应用。该地区
小麦生长的土壤类型为中土壤，其土壤中相对含水量为 65%左右。
图 5.16 小麦种植示范区区域图
通过对当地小麦种植特性的研究发现：冬小麦在其返青期、拔节期、抽穗灌浆期土
壤中需保持上限值为 80%左右的相对含水量，可确保小麦产量的提高。经研究表明，该
系统在冬小麦各生长阶段灌水的下限值定为 50%，其苗期-越冬期、越冬期-返青期、返
青期-拔节期、拔节期-抽穗期、抽穗期-灌浆期、灌浆期-成熟期灌水上限值为 80%、72%、
80%、85.5%、85%、85%[41]。冬小麦各时期参数信息如下表 5.10 所示。
59
表 5.10 冬小麦各生长时期土壤湿度需求
生长时期起止时间周期（天）上限值（%）下限值（%）最佳湿度（%）
苗期-越冬期 10.8-12.12 66 80 45 62.5
越冬期-返青期 12.13-2.25 74 72 58 65
返青期-拔节期 2.26-4.8 41 80 50 65
拔节期-抽穗期 4.9-4.29 20 85.5 75.5 80.5
抽穗期-灌浆期 4.30-5.20 21 85 66 75.5
灌浆期-成熟期 5.21-6.7 17 85 65 75
5.4.2 模糊控制理论简介
模糊控制算法有别于基于数学模型而建立的传统控制理论，它是控制理论、基于经
验知识的专家系统和模糊集理论的结合体。当使用模糊控制算法对对象进行控制时，不
需要建立复杂的数学模型，只需要从被控对象的专家领域那里获得相关的专家行为和经
验，是一种非线性的控制系统[42]。模糊控制算法将专家的知识、行为和经验通过人的逻
辑思维转变成计算机可以识别的语言，是一系列控制规则的集合。由于模糊控制算法运
用的是集合理论，与数学思维结合性不强，特别是当控制对象的变化过程规律不可控时，
因此使其在非线性系统领域受到了广泛关注与应用。
模糊控制的流程图如图 5.17 所示，其中模糊控制器在整个系统中的地位举足轻重，
是整个系统的控制中枢。在实际应用过程中，输入量为传感器实时采集的精确量与预先
设定的给定值之间的偏差 E，在进行模糊推理之前需要对输入偏差 E 进行量化和模糊化
操作，得到输入模糊集合的一个子集 e；然后根据模糊化的结果，将被控领域的专家知
识和经验以控制规则的形式展现，由控制规则进行模糊推理得到模糊蕴含关系矩阵 R，
由关系矩阵 R 进行模糊决策获取到输出模糊集合的一个子集 u[43]。
u  eR （5.1）
此时获取到的输出量 u 仍然是一个模糊量，不能对相应的执行机构进行直接控制，
需要通过加权平均法进行解模糊得到输出的精确量才能实现对相应对象的控制。
60
图 5.17 模糊控制的流程图
在农作物需水特性的研究中可以得知，农作物维持生长所需的湿度都有上下限值，
最佳土壤湿度被认为是最适合农作物生长的土壤湿度，通常取上下限的平均值。在进行
灌溉之前，主控管理器需要下发状态指令实时获取灌溉系统当前的状态，然后根据状态
信息决定是否发送采集指令。当土壤湿度传感器采集的湿度值低于维持农作物生长的湿
度的下限值时，主控管理器需立即下发灌溉指令指示执行节点灌溉一个周期，同时主控
管理器打开定时器。待一个周期结束后重新采集土壤湿度，当采集的湿度值高于维持农
作物所处当前时期生长的最佳土壤湿度值时则不进行灌溉；当采集的湿度值处于下限值
与最佳土壤湿度值之间时，则采用模糊控制方法进行模糊推理，并采用预测模型实时预
测灌溉时的下一周期的土壤湿度避免灌溉过程中出现超调现象。
5.4.3 Mamdani 型模糊控制器的设计
模糊控制器是整个灌溉系统的控制中枢，对模糊控制的运算和推理具有关键性的作
用。本文在对冬小麦灌溉时间的控制中，采用应用最为普遍的 Mamdani 型模糊控制器
进行设计，其设计原理如图 5.18 所示。其中作物当前时期的最佳土壤湿度通过查询土壤
湿度需求表进行获取，实时采集的土壤湿度值取该单位农田中所有 SM3002B 所采集的
土壤湿度的平均值。模糊控制器的输入量 e、ec 分别为实时采集的土壤湿度值与最佳土
壤湿度的差值、本周期与上一周期相比土壤湿度的变化率，输出量 u 为灌溉时间。在该
控制器中设定灌溉周期为 5min，即每 5min 进行一次土壤湿度的采集和模糊推理，直至
决策判断出的时间少于一个周期为止，然后结束灌溉。
61
图 5.18 模糊控制设计原理图
（1）模糊化
模糊化是把输入输出变量的量化论域变换为对应论域上的模糊集合，在此之前需要
确定输入输出变量的量化论域，即对输入输出量按照量化因子和比例因子进行尺度变
换，在进行量化之前又必须要根据被控对象的特征确定输入输出变量的实际论域范围
。当土壤湿度偏差 e 的论域过大时，响应速度会变慢，超调会减小；当土壤湿度偏差
[44]
e 的论域过小时，响应速度会变快，但会出现超调；当土壤湿度偏差的变化率的论域过
大时有利于提高响应时间，但会引起过大的超调；土壤湿度偏差的变化率的论域过小时
有利于减小超调，但会减慢响应速度，论域的确定需综合考虑以上特点。
①确定 e、ec 和 u 的实际论域
由 5.5.1 节可知，冬小麦需水量最大的阶段为拔节-抽穗时期，在该时期维持其生长
的土壤湿度的上下限值分别为 85.5%、75.5%，其生长最佳湿度值为 80.5%，与上下限之
间的差值均为 5%，故可以确定 e 的实际论域为[-5%，5%]。在实验室环境中经过大量模
拟试验测得在一个周期 5min 内土壤湿度的变化范围处在 1%以内，故可以确定单位时间
62
内土壤湿度的变化率 ec 的实际论域为[-1%，1%]。将土壤湿度值从下限值 75.5%调节到

最佳土壤湿度值 80.5%所经历的时间为最大灌溉时长，在实验室环境中经过大量模拟试
验测得最大灌溉时长为 30min 左右，故 u 的实际论域为[0，30]。则 e、ec 和 u 的实际论
域范围如表 5.11 所示。
表 5.11 e、ec、u 的实际论域范围
输入输出变量实际论域范围
e -5%-5%
ec -1%-1%
u 0-30min
②e、ec、u 的模糊分割及量化论域
模糊分割就是把每个模糊语言变量分割成若干个模糊语言名称，模糊控制精确化和
细致化的程度取决于对模糊语言变量进行模糊分割的个数。因为模糊分割的个数决定了
模糊控制规则的多少，控制规则越多对系统的性能控制越麻烦，控制规则越少对系统的
控制就会越粗略，所以通过经验和试凑的方法确定模糊语言名称的个数选择 2-8 个为宜
[45]
。同一模糊集合内的模糊语言变量论域相同，同属于同一模糊语言变量的模糊语言名
称论域相同，通常这些模糊语言变量表示特殊的意义。比如，NB（Negative Big）表示
负大、NM（Negative Medium）表示负中、NS（Negative Small）表示负小、ZE（Zero）
表示零、PS（Positive Small）表示正小、PM（Positive Medium）表示正中、PB（Positive
Big）表示正大[46]。
本文中将模糊语言变量 E 分为七级，量化论域为{-3，-2，-1，0，1，2，3}其对应
的语言值为 NB、NM、NS、ZO、PS、PM、PB。其中 ZO 代表的含义是此时的土壤含
水量为最佳土壤湿度，NB、NM、NS 代表土壤含水量小于最佳湿度的三个程度且程度
在逐渐减弱，NB 表示土壤含水量过低，土壤急需灌溉；PS、PM、PB 表示土壤含水量
大于最佳土壤湿度的三个程度且程度在逐渐增强，PB 表示土壤含水量过高[47]。
将模糊语言变量 EC 同样分为七级，量化论域为{-3，-2，-1，0，1，2，3}其对应的
语言值为 NB、NM、NS、ZO、PS、PM、PB，表示土壤含水量变化的快慢。ZO 表示土
壤含水量和上一周期一样保持不变，NB 表示土壤含水量与上一周期相比正在反向快速
增大，PB 表示土壤含水量与上一周期相比正在正向快速增大。
将模糊语言变量 U 分为四级，量化论域为{0，1，2，3}其对应的语言值为 ZO、PS、
63
PM、PB。ZO 表示不灌溉，PS 表示短时间灌溉，PM 表示中等时间灌溉，PB 表示长时

间灌溉即为 30min。E、EC、U 的模糊分割如表 5.12 所示。
表 5.12 E、EC、U 的模糊分割
模糊语言变量模糊语言名称量化论域
E NS、NM、NB、ZO、PS、PM、PB {-3，-2，-1，0，1，2，3}
EC NS、NM、NB、ZO、PS、PM、PB {-3，-2，-1，0，1，2，3}
U ZO、PS、PM、PB {0，1，2，3}
③量化因子和比例因子
由于整个系统的输入量为传感器采集的精确值，而进行模糊推理时要求输入量为模
糊化后的模糊语言变量，这时就需要一个变换系数即量化因子将输入变量 E、EC 的实
际论域映射到量化论域上。由于模糊推理的结果依然是模糊语言变量，而对执行机构进
行控制时要求是精确的时间量，这时仍然需要一个变换系数即比例因子将模糊变量转换
为精确值。
现假设输入变量的实际论域为 Aj=[-aj，aj]（aj>0），量化论域为 Bj={-bj，-bj+1，
-bj+2,...,bj}(bj>0)，则量化因子 kj 表示为从 Aj 映射到 Bj 的变换系数。
bj
kj  （5.2）
aj
现假设输出变量的实际论域为 U=[-u,u]（u>0）,量化论域为 Y={-y，-y+1，-y+2，...，

y}（y>0），则比例因子 ku 表示为从 Y 映射到 U 的变换系数[48]。
u
ku  （5.3）
y
由以上定义可得输入变量 e、ec 的量化因子分别为 K1=3/5=0.6，K2=3/1=3，输出变

量 u 的比例因子为 K3=30/3=10。
④隶属度函数
在实际应用中广泛使用模糊分布来确定隶属度函数，隶属度函数的形状与系统的控
制灵敏度有很大关联。当形状越陡峭时，其分辨率越高控制灵敏度也就越高，当形状越
平缓时，其分辨率越低但系统的稳定性越高。广泛采用的隶属度函数按其形状划分有梯
形、高斯型、三角形隶属度函数。为了使灌溉系统具有较好的鲁棒性，并且为了增强系
统的稳定性，本文采用三角形隶属度函数来刻画模糊语言变量与量化论域的分布关系。
64
由于 E 和 EC 的模糊分割相同故输入变量采用相同的模糊分布图，该灌溉系统各变量的
隶属度函数分别如下图 5.19、5.20 所示。
图 5.19 输入变量隶属度函数图 5.20 输出变量隶属度函数
（2）模糊推理
模糊推理对于模糊控制器的重要性就等同于大脑对于人的重要性，它可以模拟人的
思维借助于模糊概念中的模糊蕴含关系和模糊控制规则对被控对象的模糊行为进行推
理。模糊概念中的模糊控制规则基本上都来自于相关领域专家的知识和经验，这些知识
和经验在模糊控制中一般用下列语句进行描述：
IF（一组已知条件）THEN（推导出一组结论）[49]
在上述语句中输入的已知条件和输出的结论均是模糊量。对于多输入多输出的模糊
控制系统其规则库具有如下形式：
R  {RMIMO1 , RMIMO 2 ,..., RMIMO n} （5.4）
式中，RMIMOi：如果（x 是 Ai and ... and y 是 Bi），则（z1 是 Ci1，...，zq 是 Cik）。

RMIMOi 的导入是多维空间上的模糊集合，导出是 q 个控制作用的并集，它们互不影
响，彼此独立。所以，由上可得第 i 条规则可由如下关系表示：
RMIMO i : ( Ai  Bi )  (Ci 1    Cik ) （5.5）
于是规则 RMIMOi 可以表示为：

RMIMO i  {( Ai  Bi )  (Ci 1    Cik )}
 {[( Ai  Bi )  Ci 1], ,[( Ai  Bi )  Cik ]} （5.6）
 {RMIMO i1, RMIMO i 2 ,..., RMIMO ik }
规则库 R 可以表示为：
65
n n
R  { RMIMO i }  { [( Ai  Bi )  (Ci 1    Cik )]}
i 1 i 1
n
 { [( Ai  Bi )  Ci 1], ,[( Ai  Bi )  Cik ]} （5.7）
i 1
 {RMIMO1 , RMIMO 2 , , RMIMO k}

从上式可以得出，n 个多输入单输出的规则组成了一个子规则库，k 个子规则库又
共同组成了规则库 R。所以第 i 条规则 RMIMOi 是由 q 个独立的 MISO 规则组成的，即
RMIMO i  {RMIMO i 1 , RMIMO 12 , , RMIMO ik } （5.8）
式中，RMIMOij：如果（x 是 Ai and ... and y 是 Bi），则（zj 是 Cij）。

结合灌溉系统的特性，本文所设计的 Mamdani 型模糊控制器应有两个输入端一个
输出端，所以模糊控制规则库应满足如下形式：
R1:如果 m 是 A1 and n 是 B1，则 p 是 C1
also R2:如果 m 是 A2 and n 是 B2，则 p 是 C2
also R3:如果 m 是 A3 and n 是 B3，则 p 是 C3
...
also Rn:如果 m 是 An and n 是 Bn，则 p 是 Cn
其中，m，n，p 是描述系统特征的模糊语言变量，m 和 n 为导入的模糊语言变量，p 为
导出的模糊语言变量。Ai，Bi 和 Ci（i=1，2，...,n）分别代表语言变量 m，n，p 在其量
化论域 M，N，P 上的语言名称，把这些规则以数据库的形式封装在一起便形成了模糊
控制系统的规则库。
那么从上述规则中可得第 i 条规则的模糊蕴含关系 Ri 可表示为：
Ri  ( Ai andBi )  Ci （5.9）
式中，“Ai and Bi”是定义在 M x N 上的模糊集合 Ai X Bi，Ri 是定义在多维空间 M x N

x P 上的模糊蕴含关系。
对于规则库中全部的模糊控制规则的总模糊蕴含关系 R 为（对关键词“also”采用求
并运算）：
n
R   Ri （5.10）
i 1
设 Mamdani 型控制器的输入量为：m 是 A and n 是 B ，利用模糊控制规则进行模

、、
糊推理，得出输出量 p（其模糊集合用 C 表示）为：

、
66
C '  ( A ' andB ')  R （5.11）
将式 5.9 和 5.10 带入式 5.11 中（其中 and 和模糊蕴含采用求交运算，合成采用最大

-最小运算，also 采用求并运算）可得：
n n
C '  ( A ' B ')  R  ( A ' B ')   R i  ( A ' B ')  [( Ai  B i )  C i ]
i 1 i 1
n n n
（5.12）
  [ A ' ( Ai  Ci )] [ B ' ( Bi  Ci )]   C 'iA  C 'iB   C 'i
i 1 i 1 i 1
基于专家知识对皖北地区冬小麦的灌溉经验，从知识库中获取如表 5.13 所示的控制

规则。（当需要对其他作物进行灌溉时，需要更换知识库中的模糊控制规则，并以模糊
控制规则为训练模型，推导出该作物的模糊蕴含关系，适当的调整量化因子和比例因子
即可）从隶属度函数中可求出输入、输出模糊语言变量的模糊集合如下：
A1=B1=PB=（0，0，0，0，0，0.5，1） A2=B2=PM=（0，0，0，0，0.5，1，0.5）；
A3=B3=PS=（0，0.5，1，0.5，0，0，0）A4=B4=ZO=（0，0，0.5，1，0.5，0，0）；
A5=B5=NS=(0，0.5，1，0.5，0，0，0) A6=B6=NM=（0.5，1，0.5，0，0，0，0）；
A7=B7=NB=（1，0.5，0，0，0，0，0）； C1=ZO=（1，0.5，0，0）；
C2=PS=（0.5，1，0.5，0）； C3=PM=（0，0.5，1，0.5）；
C4=PB=（0，0，0.5，1）；
由 IF-THEN 规则可得，如果 E 是 A1 且 EC 是 B1，那么 U 是 C11；即如果 E 是 NB
且 EC 是 NB，那么 U 是 PB，由模糊控制规则表推出以下规则：
C11=C12=C13=C14=C15=C16=C17=C21=C22=C23=C24=C25=C26=C27=C31=C32=C33=C34=C35=C41=
C42=C43=C44=C51=C52=C53=C61=C62=C71=C72=ZO； C36=C45=C54=C63=C73=PS；
C37=C46=C55=C64=C74=PM； C47=C56=C57=C65=C66=C67=C75=C76=C77=PB；
每条规则的模糊蕴含关系可由公式 Rij  Ai  B j  Cij  ( Ai  B j )  Cij 计算得出。最后
由公式 5.12 可得出输出变量 U 即灌溉时间的模糊集合。

当输入的精确量经量化因子量化后得 X0=-3，Y0=-3，表明此时严重缺水且本周期土
壤湿度较上周期在反向快速增加，此时有 A =[1 0 0 0 0 0 0]，B =[1 0 0 0 0 0 0]，根据模
、、
糊控制规则表中第 7 行第 7 列的规则 A7=B7=NB=[1 0.5 0 0 0 0 0]，C77=PB=[1 0.5 0 0]，

第 7 行第 6 列的规则 A7=NB=[1 0.5 0 0 0 0 0]，A6=NM=[0.5 1 0.5 0 0 0 0]，C76=PB=[1 0.5
0 0]。可得：
67
 1 0.5 0 0   1 0.5 0 0 
0.5 0.5 0 0  0.5 0.5 0 0 
   
0 0 0 0 0 0 0 0
   
R1 A  A1  C11  A1T  C11   0 0 0 0 R1B  B1  C11  B1T  C11   0 0 0 0
0 0 0 0 0 0 0 0
   
0 0 0 0 0 0 0 0
0 0 0 0  0 0 0 0 
 
C1 A '  A ' ( A1  C11 )  1 0.5 0 0  C1B '  B ' ( B1  C11 )  1 0.5 0 0 
C1 '  C1 A '  C1 B '  1 0.5 0 0 
 1 0.5 0 0 0.5 0.5 0 0 

 0.5 0.5 0 0   1 0.5 0 0 
   
 0 0 0 0 0.5 0.5 0 0 
   
R2 A  A1  C12  A1 T  C12   0 0 0 0 R2 B  B2  C12  B2T  C12   0 0 0 0
 0 0 0 0 0 0 0 0
   
 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 
 
C2 A '  A ' ( A1  C12 )  1 0.5 0 0  C2 B '  B ' ( B2  C12 )  0.5 0.5 0 0 
C2 '  C2 A '  C2 B '  0.5 0.5 0 0 
49
按照同样的方法依次求出 C3、、C4、、...、C49、，最终求出 C '   Ci ' ，求得相对于
i 1
输入量 E、EC 的输出量 U（灌溉时间）的模糊集合为[0 0 0 0.5]。

表 5.13 模糊控制规则表
EC
E
PB PM PS ZO NS NM NB
PB ZO ZO ZO ZO ZO ZO ZO
PM ZO ZO ZO ZO ZO ZO ZO
PS ZO ZO ZO ZO ZO PS PM
ZO ZO ZO ZO ZO PS PM PB
NS ZO ZO ZO PS PM PB PB
NM ZO ZO PS PM PM PB PB
NB ZO ZO PS PM PB PB PB
（3）去模糊化
68
上述通过模糊推理求出的输出量 U（灌溉时间）是模糊量，而实际的输出控制量必
须是精确量，因此要进行去模糊化运算。该过程通过以下两步来完成：
①将求得的输出控制量经去模糊化操作，转换为对应论域范围内的精确量。
②将①中所得的精确量通过比例因子变换后，转换为对被控对象实际的控制量。
本系统采用重心法对求得的输出量模糊集合进行去模糊化，其表达式为：
C
 u U （5.13）
u
其中 u 代表输出变量（灌溉时间）的模糊集合，U 代表输出变量（灌溉时间）的量化论
域。在求得清晰值 C 后，还要经过尺度变化变为实际的控制量，即与比例因子相乘得到
实际的灌溉时间。基于上述 X0=-3，Y0=-3 求出的模糊集合[0 0 0 0 0 0 0.5]，将其带入上
式得：
C'
 u U  3  0.5  3 （5.14）
u 0.5
与模糊化时确定的比例因子 10 相乘，得到实际的灌溉时间 10×3=30min。当严重缺

水时，即将冬小麦在拔节-抽穗时期土壤湿度的下限值 75.5%提高到最佳土壤湿度值时需
要 30min 与最初设计相符。
5.4.4 基于土壤含水量变化函数的灌溉预测模型的建立
由于灌溉系统具有滞后性，所以在灌溉过程中进行土壤湿度的预测可以避免灌溉出
现超调，做到精准灌溉。由于土壤湿度受多重因素的影响，这些因素往往与天气因素和
周围的环境相关，其中最主要的因素是作物的蒸腾作用和土壤的渗透率，当作物蒸腾速
率越快、渗透率越高，土壤内部的水分蒸发的越快，否则反之。以往的灌溉模型只考虑
单一因素即土壤湿度的变化，为了使灌溉系统控制和预测的精度更加的精确，本文还考
虑了天气因素和周围环境对土壤湿度的影响。故采用土壤含水量评估模型来综合预测土
壤湿度。
（1）土壤含水量评估模型
土壤含水量评估模型的搭建是基于作物的蒸腾量和土壤的渗透率。计算作物的蒸腾
量方法很多，目前国际上通用的为国际粮食组织（FAO）规定的 Penman-Monteith 公式，
该公式求得的是基准蒸腾量，而作物实际的蒸腾量需根据作物种类和土壤类型对其进行
修订[50]，其公式为：
69
ET  K T ET0 （5.15）
其中 KT 为修订系数，ET0 采用国际标准为：
900
0.408( Rn  G)   U 2( es  ea )
ET0  T  273 （5.16）
   (1  0.34U 2 )
式中，ET0 为参考作物在单位时间内的蒸腾量（mm）；T 为单位时间内的平均温度（℃）；

Rn 为单位时间内作物表面的净辐射量，即是单位面积上对作物光合作用有效频段的光
（400nm-700nm）所携带的能量，定义为 Rn=683×V（λ）×lx，其中 V（λ）是光谱的可
见度系数函数，lx 是光照传感器测得的光照强度；G 为单位时间内的土壤热通量
（MJ*m-2）；U2 为 2m 高处的平均风速（ms-1）；es 为饱和水汽压（KPa）；ea 为实际水
汽压（KPa）；Δ为饱和水汽压与温度曲线的斜率（Kpa*℃-1）；γ为干湿表常数（KPa*℃-1）
[51]
。
从上述公式中可以看出参考蒸腾量所涉及的变量较多，测量难度较高，对于大规模
小麦灌溉预测的推广复杂度和成本都较高。为了构造适于皖北地区冬小麦蒸腾量的计算
模型，通过大量实验数据与上述彭曼公式，利用 SPSS 软件分析各气象因素与蒸腾量之
间的关系得出如图 5.21 所示的相关系数。从图中可以看出相关性大于 50%的气象因素
有平均温度、光照强度、空气相对湿度、风速。作物的蒸腾作用是作物正常基础代谢的
过程，为维持生命活动其体内的水分通过气孔扩散到空气中与外界进行物质交换。当温
度升高时，小麦叶子上的气孔开合度加快促进了蒸腾作用；光照强度与小麦的光合作用
一脉相连，进而影响小麦的蒸腾作用；空气相对湿度与水蒸气饱和程度密切相关，空气
相对湿度越低，小麦的蒸腾效率就越低；风速会影响小麦上空空气的流通速度，进而影
响其蒸腾作用；从而得出中土壤冬小麦的蒸腾量与这些气象因素有关[52]。
70
图 5.21 各气象因素相关系数分布图
通过对皖北亳州地区冬小麦试验田各区域的环境参数的收集，采用回归分析算法对
数据进行分析处理，并利用 MATLAB 软件进行数据的拟合处理得到如表 5.14 所示的回
归方程。
表 5.14 中土壤冬小麦蒸腾量回归方程
自变量回归方程决定系数
T ET=0.0091T2+0.1356T-0.2988 0.8132
RH ET=-0.0179RH2+0.8106RH+0.7983 0.6349
U ET=148.35e-0.0521U 0.7199
D ET=-0.00928D2+0.8124D+0.785 0.7358
T、RH、U、D ET=0.156T-0.0424RH+1.245U+0.01588D+4.058 0.9174
从上表中可以看出以空气温度、空气相对湿度、风速和光照强度建立的回归方程，
其决定系数达到了 0.9174，为中土壤冬小麦蒸腾量的计算提供了依据和模型。
土壤水分的渗透速率与土壤的表层结构、理化性质及地形地貌有很大的关系，即便
是同一块土壤在不同的时间里其水分的渗透速率也会有很大的差别。考虑到入渗模型的
复杂性，本系统采用 Green-Ampt 入渗模型针对不同环境来优化参数。
在该模型中利用双环法研究土壤水分的渗透系数，其示意图如图 5.22 所示。在双环
法中设置内环直径为 25cm，设置外环直径为 45cm，内外环高度相同均为 30cm。在各
区域农田中不具代表性的随意选中一块面积，将内外环同时垂直插入土壤中 15cm，并
71
向其注水 10cm。借助于秒表和直尺测量环内水分的消耗量。每隔 8、15、45、60、80

分钟测量一次，通过公式（5.17）和公式（5.18）来求解渗透系数，最终求得初始渗透
速率、稳定时的渗透速率，初始渗透速率取开始时测量数值的平均值。当温度为 10℃时
测量的结果如表 5.15 所示。
10  Q n
V  （5.17）
S  tn
V L
Kt  （5.18）
H L
式中，V 为渗透速率（mm/min）；Qn 为内环中水的体积(ml)；S 为渗透面积(cm2)；H 为

注水深度 10cm；L 为插入土壤的深度 15cm；tn 为时间间隔(min)；Kt 为当前渗透系数。
图 5.22 双环法示意图
表 5.15 土壤渗透性测量结果
初渗透 8min 时的渗 15min 时的 45min 时的 60min 时的 80min 时的稳定渗透渗透

参数
速率透速率渗透速率渗透速率渗透速率渗透速率速率系数
温度（10℃） 6.58 1.87 1.45 1.02 0.95 0.95 0.95 0.45
由于土壤的渗透系数深受空气温度的影响，采用上述同样的方法，以 5℃为一个间
隔，测量在各温度下土壤的渗透系数如表 5.16 所示。
表 5.16 各温度下土壤的渗透系数
温度（℃） -5 0 5 15 20 25 30 35
72
渗透系数 0.25 0.32 0.38 0.52 0.59 0.65 0.72 0.79
从表中可以看出，温度与渗透系数之间的关系呈线性变化的关系。以 10℃时中土壤
的渗透系数为基准，建立渗透系数与温度之间的关系式。
K  (0.7  0.03T ) K t （5.19）
式中 K 表示温度为 T（℃）时的渗透系数，Kt 表示 T 为 10℃时的渗透系数。

根据前面建立的数学模型进行小麦蒸腾量和土壤渗透率的计算，在大量农业试验数
据的基础上，建立土壤含水量变化模型如公式 5.20 所示。由此可以简便估算出时间间隔
t 之后的土壤湿度。
t (0.00694 ET  20 K )
RH e  RH e 0 - （5.20）
0.1ad
式中 RHe 表示预测的土壤湿度（%），RHe0 当前时刻的土壤湿度（%），a 为土壤厚度
亦即 SM3002 插入土壤的深度，d 为土壤的容重（g/cm3），中性土壤的容重约为 1.25g/cm3。
本系统在主控管理器基于 Python 平台搭建土壤含水量变化函数预测模型，步骤为:
①首先导入需要使用的 Python 库：
import numpy as np；import time；import argparse；import json；from math import sqrt,
ceil ；from matplotlib import pyplot；from pandas import read_csv；from pandas import
DataFrame；from pandas import concat；
②在数据库中截取冬小麦在拔节-抽穗时期实时测量的部分农田环境参数数据如图
5.23，并将其作为土壤含水量变化函数的输入变量进行土壤湿度数据的预测。
图 5.23 小麦拔节-抽穗时期环境参数的监测数据
73
（2）结合土壤含水量变化模型预测土壤湿度
在系统实际应用中土壤湿度的预测值，取土壤含水量变化模型湿度预测的均值。从
上述冬小麦需水特性中得知，最大的灌溉时间为 30min，所以在结束灌溉后将预测周期
置为 30min。在小麦的抽穗-灌浆时期，选择皖北亳州冬小麦试验田进行测试试验，在一
天的同一时段内对同一块试验田在相隔 30min 的时间内测量 10 次，取 10 次测量的均值
作为该时段的一次测量结果，选取一天中的上午十点、下午三点和晚上八点三个时段进
行测量，连续测量 30 天。与此同时，利用在数据库中调取的气象站实时采集的农田环
境参数数据，结合土壤含水量变化函数，基于 Python 平台进行湿度值的预测，结果如
图 5.24 所示。为了更好地说明土壤含水量变化模型更能准确地预测土壤湿度变化，将土
壤传感器测量的真实值与通过土壤含水量变化模型预测的均值进行对比，对比结果如图
5.25 所示，其相对误差如图 5.26 所示。
图 5.24 基于 Python 平台预测结果图
图 5.25 土壤湿度真实值与预测值对比结果图
74
图 5.26 预测值与真实值之间的相对误差
从上图对比结果中可以看出，采用土壤含水量变化函数预测的湿度值与真实值之间
的相对误差处于允许的误差范围 5%之内，故可以采用该函数进行冬小麦土壤湿度的预
测，避免在灌溉过程中出现超调现象。
5.4.5 智能灌溉策略的程序设计
在灌溉系统中，采集指令与控制指令的下发都由远程主控管理器来完成，为达到实
时控制的效果，按照上述模糊控制器的设计需求，设计了如图 5.27 所示的控制逻辑程序
设计流程图。
75
图 5.27 模糊控制器程序流程图
76
该程序控制逻辑步骤如下：
（1）首先查阅农作物冬小麦湿度需求表，确定当前时期适合其生长的土壤湿度的
上下限值及最佳湿度值，通过 SM3002B 实时采集各区域土壤湿度值并计算 E。由于按
区域划分了农田环境，还要通过 E 和优先级确定各区域土壤湿度的优先级。对急需灌溉
的区域进行优先灌溉。
（2）判断测得的土壤湿度值是否小于适合作物生长的湿度的下限值，当小于其下
限值时，此时须发送灌溉指令打开电磁阀灌溉一个周期，而后重新采集湿度值重新判断，
直到土壤湿度值大于下限值。当测得的湿度值不小于其下限值时，则应判断其是否处于
最适合作物生长的土壤湿度范围内，若在此范围内则不进行灌溉动作，系统进入休眠状
态等待下一步动作。若测得的湿度值介于下限值和最佳湿度范围之间时，则采用模糊控
制算法将当前土壤湿度调节至最佳湿度范围内。
（3）在进行模糊控制之前，先将输入的精确值进行模糊化，通过量化因子将其映
射到量化论域中去，然后从知识库中获取模糊控制规则，由模糊控制规则推导出输入模
糊集合与输出模糊集合之间的模糊蕴含关系，由模糊蕴含关系可以推理出输出变量灌溉
时间的模糊集合，最后通过质心法进行去模糊化得到实际的灌溉时间。
（4）若求出的实际灌溉时间小于一个灌溉周期，则不进行灌溉，系统进入休眠状
态等待下一步动作；若大于一个灌溉周期则灌溉一个周期，并调用预测模型预测下一周
期土壤湿度，避免出现超调现象。然后回到步骤（2）。
5.5 智能灌溉策略的仿真分析
MATLAB 中提供了 Fuzzy Logic Toolbox 来进行模糊推理系统的设计，可以使用其

中的 FIS 编辑器来建立模糊控制器，在 FIS 编辑器中可以进行输入输出变量的设置、隶
属度函数的设置、模糊控制规则的编辑等。为 Simulink 模型设计中更好地导入模糊控制
器模块奠定了基础。
1. 模糊控制器的搭建
打开 MATLAB 软件，在其命令窗口中键入“fuzzy”指令，便打开了 Fuzzy Logic Desi-
gner 窗口，在该窗口中显示的是默认的单输入单输出 Mamdani 型的模糊控制器。基于
4.3 节模糊控制器的设计，本系统是基于 Mamdani 型的双输入单输出的控制器，所以单
击“Edit→Add Variable→Input”为系统增加一个输入变量，并对输入、输出变量分别命名
为 E、EC、U 结果如图 5.28 所示。
77
图 5.28 模糊控制器的结构
（1）设置 E、EC、U 的隶属度函数

在上述模糊控制器的结构界面分别双击 FIS Variables E、EC、U，打开 Membership
Function Editor 窗口进行参数的设置，首先点击“Edit→Add MFS”进行语言变量个数及类
型的设置。参数的设置主要有 Name（语言变量的名称）、Type（隶属度函数的类型）、
Range（量化论域范围）、Params（语言变量的范围）。由 4.3 节可知输入变量 E 的语
言变量个数为 7 个，那么 Name 为{NB、NM、NS、ZO、PS、PM、PB}，Type 为 trimf，
Range 为[-3，3]。同样的方法对变量 EC、U 进行设置。设置结果如图 5.29、5.30 所示。
图 5.29 输入变量隶属度函数的设置图 5.30 输出变量隶属度函数的设置
（2）设置模糊控制规则
78
隶属度函数设置好之后，就可以进行模糊控制规则的编辑了，点击“Edit→Rules”，
进入 Rule Editor 窗口，按照知识库中的模糊控制规则表进行模糊控制规则的编辑，编辑
好的模糊控制规则就是一条条形如 if （E is A）and（EC is B）then（U is C）的语句，
其编辑结果如图 5.31 所示。
图 5.31 模糊控制规则的设置
以上设置完成后，模糊控制器的平台就建立起来了，点击“File→Export→To File”保
存为.fis 文件，以后可以在 fit 编辑器中对此文件进行任意修改。
2. 输出结果与分析
模糊控制器的平台搭建好之后，点击“View→Surface”进入 Surface Viewer 窗口，其
运行结果图如图 5.32 所示，其中 X 轴表示土壤湿度偏差 E，Y 轴表示土壤湿度的变化
率 EC，Z 轴表示灌溉时间 U。
79
图 5.32 模糊控制系统运行结果曲面图
点击“View→Rules”进入 Rule Viewer 窗口，通过此窗口可以查看输出结果，当在 Input

输入框中填入输入量时，软件会自动进行模糊推理计算出输出量。当输入[-2.3;-1.4]时，
代表输入的土壤湿度偏差为-2.3，对应到模糊语言值中处于 NB 与 NM 之间；输入的土
壤湿度偏差的变化率为-1.4，对应到模糊语言值中处于 NS 与 NM 之间，属于中度缺水。
此时输出的模糊灌溉时间量为 1.81，与 2 相近，与模糊控制规则中的描述基本一致，再
与比例因子 10 相乘得出实际的灌溉时间为 18.1min。输出结果图如图 5.33 所示。
图 5.33 模糊控制输出结果图
80
3. Simulink 模型设计
在 MATLAB 的工具箱中搭建好模糊控制系统后，就可以使用 Simulink 对其进行仿
真分析了。在 MATLAB 命令行窗口中输入 simulink 命令进入 Simulink Start Page 窗口，
新建 Blank Model，在 Simulink Library Browser 中有相应的模糊逻辑控制器方块图（Fuzzy
Logic Controller）和其它一些相应的模块，将这些模块添加到新建的 Blank Model 中，
各模块的参数必须与在 FIS 编辑器中建立的模糊推理系统设置的完全吻合，主要包括
Fuzzy Logic Controller 的类型，推理矩阵的名称，量化因子，比例因子等。完成设置后
才能建立模糊推理系统与 Simulink 的衔接。搭建好的 Simulink 仿真模型如图 5.34 所示。
图 5.34 模糊控制系统 Simulink 仿真模型
4. Simulink 模型仿真
在进行 Simulink 仿真之前，需要先将之前建立的模糊推理系统，通过命令语句
“fz=readfis(“模糊控制规则编辑.fis”)”生成模糊推理矩阵，如图 5.35 所示。并将生成的模
糊推理矩阵名称添加到上述模型 Fuzzy Logic Controller 模块方框图的 FIS name 中，将模
糊推理系统与 Simulink 进行关联。设置输入阶跃信号为 1，仿真时间 5S，采样时间 0.01S，
则结果如图 5.36 所示，常规 PID 控制器仿真结果如图 5.37 所示。通过二者的比较可以
看出模糊控制器与 PID 控制器相比具有响应时间短，稳定性强，起调快等优点。
81
图 5.35 模糊推理矩阵生成图
图 5.36 模糊控制器仿真曲线图图 5.37 PID 控制器仿真曲线图
5.6 本章小结
在本章中，对农业智能灌溉系统的远程主控管理子系统进行了总体的介绍。首先，
介绍了远程主控管理子系统的拓扑结构和工作流程。进一步地，介绍了主控管理器的软
硬件实现过程和整个系统的通讯协议。其次，介绍了基于皖北地区冬小麦的智能灌溉策
略的实现过程。在这之中，为了解决农业灌溉中存在的滞后性和大惯性的问题，该灌溉
策略采用模糊控制理论设计了 Mamdani 型的模糊控制器，结合改进的作物蒸腾量计算
公式和土壤渗透模型，建立了基于土壤含水量变化函数的土壤湿度预测模型。最后，基
于 MATLAB 平台对灌溉策略进行了仿真设计，通过对比 PID 控制，得出基于该策略的
灌溉系统具有响应时间短，稳定性强，起调快等优点。
82
结论
鉴于国内农业灌溉系统存在的诸多问题，本文以农业灌溉这一应用领域作为出发
点，将传感器技术、LoRa 远距离无线传输技术和模糊控制理论的优势进行融合，设计
了一款基于 LoRa 的农业智能灌溉系统。该系统由测控子系统、传输子系统、远程主控
管理子系统组成。该系统通过测控子系统中的采集节点采集农田中的环境参数，该环境
参数包括土壤湿度、空气温湿度、光照强度、风速等，并将这些环境参数以 UART 的方
式传递给传输子系统。传输子系统利用 LoRa 远距离无线传输技术的优势将传感器采集
的数据汇聚至远程主控管理子系统。远程主控管理子系统基于模糊逻辑控制理论采用闭
环的反馈机制对灌溉时间进行模糊推理与决策，当决策出的灌溉时间大于一个灌溉周期
时，主控管理器发送控制指令给测控子系统中的执行节点，执行节点控制继电器打开电
磁阀进行灌溉。与此同时，基于 Python 平台建立的土壤含水量变化函数预测模型对下
一时刻点的土壤湿度进行预测，避免灌溉过程中出现超调现象。
在测控子系统中，首先介绍了该子系统的拓扑结构和工作流程。接着介绍了采集节
点和执行节点的实现流程，采集节点由土壤湿度传感器 SM3002B 和小型气象站组成，
主要完成农田环境中相关参数信息的采集；执行节点由电磁阀、水泵、流量计组成，主
要完成农田环境中对土壤湿度的调控。最后，基于农田环境的复杂性为了提高系统的抗
干扰性，设计了隔离型的 AD 采集电路、隔离型的 485 自动收发电路、隔离型的继电器
控制电路等。
在传输子系统中，首先介绍了该子系统的拓扑结构和工作流程。接着介绍了 LoRa
终端和 LoRa 网关的实现流程，传输子系统是连接测控子系统和远程主控管理子系统的
桥梁，其主要任务是完成二者之间的数据交互。最后为了降低成本和系统功耗，结合
LoRa 远距离无线传输技术的优势，设计了基于 LoRa 的正六边形部署方案和低功耗传输
方案。进一步，通过搭建测试模型，验证了 LoRa 终端和 LoRa 网关之间有效的通信距
离完全满足该农业灌溉系统的需要。以及立足于单片机和 LoRa 射频芯片的功耗值，通
过建立计算模型，得出电池供电的传输子系统可工作长达一年之久。
在远程主控管理子系统中，首先介绍了该子系统的拓扑结构和工作流程。接着介绍
了远程主控管理器的软硬件设计，远程主控管理子系统的主要任务是对汇聚的数据进行
可视化展示、存储、分析与预测。最后介绍了基于皖北地区冬小麦的灌溉策略的实现过
程，并在此过程中基于嵌入式平台建立了基于土壤含水量变化函数的预测模型。进一步，
83
结论
在 MATLAB 上对灌溉策略进行仿真，通过与传统 PID 控制进行比较，得出基于模糊逻

辑控制的灌溉系统具有响应时间短，稳定性强，起调快等优点。
虽然本文设计的智能灌溉系统在很多层面都进行了优化，但由于时间关系仍然有可
研究的空间。现总结如下：
（1）在远程主控管理子系统中可以加入上行通信模块，可以将主控管理器存储、
分析的数据和结果传至上行服务器，以供移动端程序实时调用和查看。
（2）在智能灌溉策略的设计中可以基于 Python 结合传统 PID 控制和模糊逻辑控制
的优点，对灌溉策略进行进一步的优化。
（3）由于本文中的灌溉系统是以皖北地区冬小麦为例进行说明的，应在此基础上
建立一个包含多种作物灌溉经验的知识库，当对不同作物进行灌溉时，能自行调整量化
因子和比例因子，建立起针对特定作物的判决模型。
84
参考文献
[1] 刘宁, 沙景华, 钟帅等.中国水资源研究热点及发展趋势[J]. 资源与产业, 2015, 17(5):66-72.
[2] 周曙东, 张运华.农业灌溉用水现状及制度创新[J]. 南京农业大学学报(社会科学)2018,(044):11-
17.
[3] 王永维, 苗香雯, 崔绍荣等.平地漫灌灌溉水净化与循环利用研究[J]. 农机化研究,2014(03):94-96.
[4] 王平, 高丹, 郑淑红.精准灌溉技术研究现状及发展前景[J].中国水利, 2013(S1):52-53.
[5] 刘忠花. “互联网+”在农业技术推广中的实践[J]. 现代农业科技, 2019(11):243.
[6] Brooke Mason,Martí Rufí-Salís,Felipe Parada,Xavier Gabarrell,et al. Intelligent urban irrigation system
-s:Saving water and maintaining crop yields[J]. Agricultural Water Management,2019,226.
[7] D Anurag,S Roy,S Bandy opadhyay.Agro-sense:Precision agriculture using sensor-based wireless mesh
networks:1st ITU-T Kaleidoscope Academic Conference Innovations in NGN,2008[C].
[8] Park D.H.,Park J.W. Wireless Sensor Network-Based Greenhouse Environment Monitoring and
Automatic Control System for Dew Condensation Prevention[J]. Sensor,2011,11(4): 3640-3651.
[9] Guy J.Levy.Impact of long-term irrigation with treated wastewater on soil-structure stability-The Israeli
experience[J].Israel Journal of Plant Sciences,2011,57(5):727-733.
[10] T. N. Le, A. Pegatoquet, T. Le Huy, L. Lizzi and F. Ferrero, "Improving Energy Efficiency of Mobile
WSN Using Reconfigurable Directional Antennas," in IEEE Communications Letters, vol. 20, no. 6,
pp. 1243-1246, June 2016.
[11] Qian Zhang， Yu Bin Zhang， Huo Mei Zhu.Intelligent Irrigation Remote Control System Based on
Internet of Things[J].Advanced Materials Research,2018,3248(955):3404-3407.
[12] 杨柯柯.基于无线网络的智能灌溉系统设计[D].西安理工大学,2018.
[13] 刘书伦,冯高峰,贾宝华.基于物联网 Android 平台的远程灌溉系统[J].农机化研究,2015,37(06):217-
220.
[14] 吕途.基于物联网的水肥一体化智能灌溉系统研究[D].华北水利水电大学,2019.
[15] 杨昊.基于 BP 神经网络和模糊控制的智能灌溉系统设计[D].安徽理工大学,2019.
[16] 王延年,谢福来,向秋丽.基于综合气象信息的小麦智能灌溉系统设计[J].国外电子测量技术,2019,
38(04):93-97.
[17] 冯兆宇,崔天时,张志超等.基于灰色神经网络与模糊控制的寒地水稻灌溉制度[J].灌溉排水学报,
2018,37(04):71-79.
85
参考文献
[18] 马胜利.基于灰色理论与模糊控制的智能灌溉系统研究[D].陕西科技大学,2018.
[19] Maryam Nadafzadeh,Saman Abdanan Mehdizadeh. Design and fabrication of an intelligent cobtrol s-
ystem for determination of watering time for turfgrass plant using computer vision system and artifi-
cial neural network[J]. Precision Agriculture,2019,20(5).
[20] 李德旺,许春雨,宋建成.现代农业智能灌溉技术的研究现状与展望[J].江苏农业科学,2017,45(17):
27-31.
[21] 周文进.自动化控制技术与计算机技术研究[J].湖北农机化,2019(19):154.
[22] 李德旺.基于 WSN 的设施农业智能节水灌溉控制系统的开发[D].太原理工大学,2018.
[23] 周华健.基于 LoRa 的粉尘智能预警系统的设计与实现[D].安徽大学,2019.
[24] 王朝泽.基于物联网的农田智能灌溉系统研究和设计[D].天津理工大学,2019.
[25] 王奎.基于 Zigbee 和 Arm9 的温室大棚智能控制关键技术研究[D].江苏科技大学,2017.
[26] J. Penã Queralta,T.N. Gia,Z. Zou,H. Tenhunen,T. Westerlund. Comparative Study of LPWAN Techno-
logies on Unlicensed Bands for M2M Communication in the IoT: beyond LoRa and LoRaWAN[J].Pr-
ocedia Computer Science,2019,155.
[27] 郝杰.面向物联网应用的短距离无线接入关键技术研究[J].电子设计工程,2019,27(09):88-91+99.
[28] .Semtech 以新一代 LoRa 平台支持物联网未来发展[J].单片机与嵌入式系统应用,2018,18(03):96.
[29] 郭柯洒.基于 LoRa 的低能耗物联网技术研究[J].中国信息化,2018(11):58-60.
[30] 罗义钊,程树英,涂灵等.LoRa 技术在低功耗广域网络中的实现和应用[J].计算机产品与流通,2018
(06):129-130.
[31] 刘强强.基于 LoRa 的嵌入式监控系统的研究与开发[D].华北科技学院,2018.
[32] 贺松杰. Lora 在智慧农业传输层中的应用研究[D].河南工业大学,2017.
[33] Hardie Marcus,Hoyle Donald. Underground Wireless Data Transmission Using 433-MHz LoRa for
Agriculture.[J]. Sensors (Basel, Switzerland),2019,19(19).
[34] 程淑伟,刘广伟,柯佩佩等.基于树莓派的远距离 LoRaWAN 网关系统设计与实现[J].电子世界,
2018(10):114-116.
[35] 唐俊,蒋健,谢申喜.基于树莓派的能耗数据采集网关设计[J].测控技术,2017,36(03):98-100+106.
[36] 李达,杨祯,刘辉席等.嵌入式 Linux 的 LoRaWAN 集成网关系统设计[J].单片机与嵌入式系统应用,
2019,19(07):10-14.
[37] 杨祯,李达,张丽,刘辉席等.基于 LoRa 的农业大棚无线温湿度监测系统设计与实现[J].电子测量技
术,2018,41(11):73-78.
86
[38] 刘迪,周强.基于 ARM9 平台上的嵌入式 Linux 系统移植[J].物联网技术,2018,8(11):85-86.
[39] 王暾.ARM 嵌入式 Linux 系统的实现[J].电子技术与软件工程,2017(18):204.
[40] L.G. Mendoza-Espinosa,J.E. Burgess,L. Daesslé,M. Villada-Canela. Reclaimed water for the irrigation
of vineyards: Mexico and South Africa as case studies[J]. Sustainable Cities and Society,2019,51.
[41] 郭晓磊,薛绪掌,赵倩等.灌溉策略对冬小麦水分利用和生长的影响[J].麦类作物学报,2019,39(2):
194-201.
[42] 李悟早,郭术义,任思杰.模糊控制理论综述[J].河南科技,2019(11):12-15.
[43] 张弛.基于人工神经网络下的模糊控制理论[J].科技创新导报,2017,14(30):76-77+79.
[44] 邵怡琳.模糊逻辑控制理论在农业智能温室系统中的应用[J].人民黄河,2018,18(04):136-140.
[45] 李聪聪,高立艾,李云亮.基于物联网技术的智能节水灌溉系统[J].节水灌溉,2018(12):83-86.
[46] 黄付刚.基于模糊控制理论的锅炉汽包水位控制系统研究[D].南华大学,2010.
[47] 陈超（Shaw Chen）. 基于模糊理论的智能水肥一体机研制[D].安徽农业大学,2019.
[48] 刘刚,蒋伟进,董胡,童欣.基于 FPGA 的模糊自整定 PID 湿度控制器的设计[J].计算机与数字工程,
2018,46(01):187-190.
[49] 周胜利. 基于模糊控制理论及 ZigBee 无线网络的智能水土侵蚀采样装置的研究[D].吉林大学,
2017.
[50] 史源.灌水总量与灌溉技术约束下华北典型区域冬小麦灌溉制度优化研究[D].中国水利水电科学
研究院,2019.
[51] 张胜.基于 ZigBee 无线传感网的温室番茄智能灌溉系统设计[D].浙江大学,2016.
[52] 陈士旺,李莉,杨成飞等.基于基质含水率的作物蒸腾量估算与预测模型研究[J].农业机械学报,
2019,50(S1):187-194.
87
攻读硕士期间发表的学术成果
攻读硕士期间发表的学术成果
[1] 徐磊、顾飞龙、葛道城、张红伟、方红雨、李晓辉. 基于模糊逻辑控制理论的节水

灌溉方法及节水灌溉系统[P]. 中国专利：201910515362.7.
[2] 毕婉清、顾飞龙、陈瑞鑫、宁子涵、王申、徐磊、李晓辉.基于大规模节点的低功
耗智能节水灌溉控制系统[P].中国专利：ZL 2018 2 1934210.8.
[3] 安徽大学.湿度传感器智能化控制系统[CP].著作权登记号：2020SR0422859.
[4] 顾飞龙、王子泰、王康、刘源、张红伟、徐磊.一种蓝牙手持温度采集系统[P].中国
专利：ZL 2018 2 2187270.4.
88
致谢
时光荏苒，三年研究生生活转瞬即逝。回首三年的研究生生活，感觉自己收获颇丰，
在这三年的时光里，我遇到了许多有志之士，结交了许多志同道合的朋友。在这之间，
我们不仅在生活和学习上互帮互助，也在科研项目上互相鼓励，团结协作，这些时光是
令人难忘的，令人受益终生的。回想起来，在实验室与老师们，师兄师姐，师弟师妹，
同届同学一起学习、科研的场景依然历历在目。是他们让我重新找到了人生的方向，是
他们让我在科研的道路上充满了自信，是他们让我在前进的道路上勇往直前。
在这里，首先我要感谢的是我的导师张红伟老师和徐磊老师，感谢张老师在项目上
给予了我很多锻炼自己的机会，从中我不仅学会了诸多专业知识，还培养了我吃苦耐劳
的精神、与人团结合作和交流的能力，这将对我以后的工作和生活带来很大的帮助。感
谢徐老师在科研和做人做事上给予我的指导，感谢徐老师为整个实验室团队所付出的艰
辛的努力，徐老师对待生活和科研的一丝不苟的精神，足够我一生受用。其次我要感谢
的是李晓辉老师、方红雨老师、陈岚老师和常静老师，感谢他们在这三年之中对我生活
和学习上的关心和帮助。同时我还要感谢我的同窗伴读周思、王传旭、王康、王子泰、
陈林、刘源、章健、朱定成、赵新莹、李学、汪银和朱光，感谢他们在这三年给予我的
亲人般的帮助与支持。最后我还要感谢我的父母和女朋友，他们是我至亲至近的人，感
谢他们三年来对我无微不至的照顾和陪伴，正是由于你们才使我拥有无所畏惧的内心和
强大的精神动力。另外，我还要感谢出席我的毕业答辩的各位老师，愿你们身体康健，
万事如意。
最后的最后，祝愿大家都能拥有锦绣前程，我们江湖再见。
89

基于LoRa的智能农业灌溉系统的应用研究与设计

Uploaded by

Copyright:

Available Formats

基于LoRa的智能农业灌溉系统的应用研究与设计

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

基于LoRa的智能农业灌溉系统的应用研究与设计

Uploaded by

Copyright:

Available Formats

中图分类号：S274.

Supervisor：ZHANG Hongwei XU Lei

Corporate Supervisor：Zhou Jian

学习时间自 2017 年 7 月 15 日 起至 2020 年 7 月 1 日止

论文提交日期 2020 年 4 月 10 日 论文答辩日期 2020 年 5 月 30 日

Agricultural irrigation is a key behavior to maintain normal production activities of crops

Keywords: sensor; intelligent irrigation; LoRa; Low power consumption;fuzzy control

4.3.2 智能灌溉系统 LoRa 网关的设计与实现................................................................. 28

4.4 基于 LoRa 的低功耗传输方案设计.................................................................31

4.5.2 LoRa 低功耗测试与分析........................................................................................... 41

5.4.3 Mamdani 型模糊控制器的设计................................................................................. 61

信息传送给 Android 平台，方便人们随时随地监控作物的生长状态[13]。但该系统未能

XC6206P33 稳压至 3.3V 为微处理器和 LoRa 模块供电。选择这两款稳压器的原因是压

图 3.2 3.3V 电源电路

测控子系统工作流程图如图 3.4 所示：

本文采集节点采用 SM3002B 传感器来收集土壤的湿度，采用气象站来收集作物周

图 3.6 隔离型 AD 采集电路

其中 Fa 为 SM3002B 置于空气中所测量到的频率，Fw 为 SM3002B 置于水中所测量到的

图 3.7 传感器 SM3002B 实物图

图 3.8 隔离型 485 自动收发电路图

该 485 通信电路采用的是电容隔离型的 485 全双工收发器 ISO3080，因为在远距离

该电磁阀有直流和交流两种供电方式，本系统选择 DC12V 蓄电池直流供电，该电

测控子系统中的数字采集设备与主控连接时采用的是 485 总线和 I2C 总线，由于 485

600ms，进行总线传输需用时约 200ms；单个温湿度传感器 SHT30 进行温湿度数据的转

温湿度传感器数量 I2C 总线形式下响应时间 单总线形式下响应时间

土壤湿度传感器数量 485 总线形式下响应时间 单总线形式下响应时间

从表 3.1 和 3.2 中可以看出，基于单总线式的数字总线数据处理方案可以明显缩短

4.1 LoRa 技术简介

LPWAN（Low-power Wide-Area Network）即为低功耗广域网，是专门为低功耗、

在该子系统中主要由 LoRa 网关和 LoRa 终端两部分构成，其拓扑结构如图 4.2 所示。

4.3.1 智能灌溉系统 LoRa 终端的设计与实现

图 4.4 LoRa 终端设计框图

图 4.5 LoRa 终端的设计原理图

LoRa 终端软件设计主要为 LoRa 终端与测控子系统按照串口通信的规范进行的数

图 4.8 SX1278 数据包发送流程图

图 4.9 SX1278 数据包接收流程图

4.3.2 智能灌溉系统 LoRa 网关的设计与实现

LoRa 网关是整个系统消息的中转站，LoRa 网关的设计需借助调制技术的扩频、跳

声功率之间的关系，其中 C 表示信道容量，W 表示信号带宽，S 表示信号功率，N 表示

图 4.10 LoRa 网关设计框图

电源模块采用测控子系统中设计的 5V 电源电路进行供电。微处理器采用树莓派 4B，

作为与服务器远程信息传递的介质，本系统选择封装有 4G 通信协议的 EC20 模块，该

图 4.11 LTE 设备工作流程图

根据上图移植 PPP 协议完成的工作如下：

图 4.12 LoRa 入网信息

4.4 基于 LoRa 的低功耗传输方案设计

4.4.1 LoRa 终端节点部署方案

①当 LoRa 网络处于正方形区域内部时，由 2R≤D，即 L=D/R≥2 时，覆盖率  为：

②当 LoRa 网络不完全覆盖正方形区域时，由 D<2R< 2 D，即 2 < L<2 时，覆盖率  为：

综上所述，当 LoRa 网络覆盖率γ达到 1 且使用的传感器数目最少时，L 应该取 2 。

①当 LoRa 网络处于正六边形区域内部时，由 R≤D/2，即 L≥2 时，覆盖率  为：

③当 LoRa 网络完全覆盖正六边形区域时，由 R≥D/ 3 ，即 L≤ 3 时，覆盖率  为 1。

综上所述，LoRa 网络覆盖率  达到 1 且使用的传感器数目最少时，L 应该取 3 。

图 4.14 正方形区域 LoRa 终端分布图 图 4.15 正六边形区域 LoRa 终端分布图

S正六边形 =R 2 (2  3 3) （4.8）

显然，重叠面积越大，LoRa 终端节点放置的密度越大，由于 S 正方形>S 正六边形，所以

所有所辖 LoRa 终端的数据，若是，则网关进入休眠状态，整个系统处于低功耗模式。

②采用信道占用检测原理，以尽可能高的功率效率来检测信道上的 LoRa 前导码，

ADR_COUNT 的数值达到阈值 ADR_LIMIT（ADR_COUNT≥ADR_LIMIT）后，节点仍

④LoRa 终端在上传数据的过程中采用时分多路复用的方式，N 个 LoRa 终端在规定

学习时间自 2017 年 7 月 15 日起至 2020 年 7 月 1 日止

论文提交日期 2020 年 4 月 10 日论文答辩日期 2020 年 5 月 30 日

温湿度传感器数量 I2C 总线形式下响应时间单总线形式下响应时间

土壤湿度传感器数量 485 总线形式下响应时间单总线形式下响应时间

图 4.14 正方形区域 LoRa 终端分布图图 4.15 正六边形区域 LoRa 终端分布图