Online Calibration of Environmental Monitoring in Solar Greenhouse Based on Internet of Things

Hua Jing, Wang Xiujuan, Wang Haoyu, Guo Shaoxin, Kang Mengzhen

PDF(2127 KB)
PDF(2127 KB)
Chinese Agricultural Science Bulletin ›› 2020, Vol. 36 ›› Issue (5) : 120-124. DOI: 10.11924/j.issn.1000-6850.casb18100028

Online Calibration of Environmental Monitoring in Solar Greenhouse Based on Internet of Things

Author information +
History +

Abstract

Greenhouse environmental conditions, especially temperature, play a crucial role in crop growth and development. Temperature is one of the main environmental factors that can be regulated in the greenhouse. However, under natural environment, the light condition takes effect on temperature level, which further influences the monitoring precision of air temperature. Based on Support Vector Machine (SVM) algorithm in machine learning, an intelligent algorithm was proposed which calibrated the monitored temperature according to the illumination level. By comparing the calibrated air temperatures with the monitored data, the results indicated that the proposed method could monitor accurately the air temperature without using insulation materials or shading treatment, which was the basis for regulating the environmental factors. With this method, online temperature data could be obtained using commonly-used industrial device, which could save cost and provide accurate data for greenhouse control.

Key words

solar greenhouse / temperature monitoring / online calibration / intelligent algorithm / remote calibration

Cite this article

EndNote

Ris (Procite)

Bibtex

Download Citations
Hua Jing , Wang Xiujuan , Wang Haoyu , Guo Shaoxin , Kang Mengzhen. Online Calibration of Environmental Monitoring in Solar Greenhouse Based on Internet of Things. Chinese Agricultural Science Bulletin. 2020, 36(5): 120-124 https://doi.org/10.11924/j.issn.1000-6850.casb18100028

0 引言

天气与气候对农作物的生长和发育具有十分显著的影响,无论是季节的循环还是区域间的不同所造成的地域性差异都会给农作物生长带来直接的影响[1]。影响农作物的主要气象因素包括温度、光照（光照时间和光照强度）和水分等[2]。其中,温度是农业气象观测中的重要指标之一,温度对农作物的光合作用效率,以及农作物的产量有显著影响[3]。在最适宜温度时,农作物的发育速度最快;在最高和最低温度时,其生长发育基本停止。农作物白天光合作用与呼吸作用同时进行,夜间只进行呼吸作用。当农作物生长所需的其他因子得到基本满足时,在一定的温度范围内,气温和农作物的生长发育速度呈正相关,即气温越高,其光合作用越强,农作物生长发育越快。当活动温度累积到一定的总和时,农作物才能完成整个发育周期（或者说才能开花结果）[4]。此外,呼吸作用也和温度有关。
日光温室又称暖棚,是中国北方地区独有的一种温室类型,室内不加热,通过后墙体对太阳能吸收实现蓄放热,维持室内一定的温度水平[5]。传统的温室大棚的缺点是室内温度、湿度以及日照的调节依靠人工控制,人力消耗大,且对操作者的技术和经验要求高。此外,人工管理会出现疏漏,调节不及时使得环境要求值不准确等问题,制约了国内温室大棚技术的发展[6,7]。能够实时有效地监测和控制大棚中温湿度等环境条件变得尤为重要[8]。温室内影响作物生长并可以进行调控的环境因子主要有光照、温度、湿度、二氧化碳浓度等[9,10]。温室环境控制系统就是通过调节这些环境因子,改善作物的生长环境,使作物生长始终处于最佳环境中,达到提高作物的品质和产量并节约能源的目的。对于日光温室,目前主要调控的环境因子是温度。传统的加温方式是将温室整个空间的温度控制在设定温度范围内,由于加热空间大,消耗掉的能源自然也就多[11]。温室能源消耗的费用可占到温室生产总费用的15%~40%[12]。光照环境对空气温度监测产生直接的影响。太阳光辐射下,温度升高。
温度监测是了解温室内环境的必要手段。在日光温室环境中,由于东西侧受光不同,室内不同位置的温度相差较大,需要在温室内不同位置布点进行监测[13]。此外,温度监测还与监测设备所使用的外壳密切相关。所使用的监测设备外壳需要进行遮阳处理,或者采用成本较高的隔热材料,才能较准确地监测室内的温度。监测数据的准确性,直接影响设备控制的合理性,对农业生产意义重大。通常在温室环境进行多点实时动态采集,实现温室环境的自动智能调节[14]。目前对于温室环境数据监测,大多数研究集中在多传感器融合算法的研究[15,16,17],产品成本因素不多,难以在温室的实际生产中进行推广应用。本研究提出温度监测的智能算法,根据光照情况对实时监测的温度数据进行校准,不需要使用隔热材料或者进行遮阳处理,就可以实时较准确地监测室内温度。该方法可以使用较低廉的设备实现实时温度数据的监测,既可以节约设备成本,又可以为温室控制提供准确的数据,从而节省人力成本。

1 日光温室环境监测在线校准方法

1.1 基于物联网的监测系统架构

基于物联网的监测系统由环境传感器、数据采集器、云端存储与计算、客户端软件组成（图1）。
图1 基于物联网的温室监测系统架构

Full size|PPT slide

1.1.1 监测节点 传感器包括空气温湿度、光照、二氧化碳浓度、土壤温湿度、pH值、EC值等,可根据需要灵活配置。本文中的设备采集空气温湿度和光照强度3个数据。数据传输模块采用GPRS,单个设备可直接上传数据,无需再单独在温室中布设网线。
1.1.2 云服务器 监测的环境数据上传到云服务器,进行存储、分析及校准计算。原始监测数据和校准数据均可通过App和PC端进行查看。
1.1.3 终端 系统用户终端如图2所示。用户可在终端软件中对设备进行管理,包括设备的添加、删除,以及和给定地块的绑定。“道田云”App可在应用市场下载,下载二维码见图2。利用其中测试账号可以查看监测数据。用户可在App中选择“用于阳光环境”功能,选用此功能后,设备显示的为经过智能校准的数据,否则为原始监测数据。
图2 系统终端PC和App界面

Full size|PPT slide

1.2 智能校准算法

由于阳光直射对测温设备的加热作用,会导致设备的温度读数偏高。本研究采用机器学习中的SVM算法,以实时监测的温度和光照为输入,对温度读数进行校准。
SVM算法是机器学习领域的经典算法,它通过一个非线性核函数,将低维空间的样本映射到高维空间,将低维空间的非线性问题变为高维空间的线性问题,即它的核心思想是升维和线性化。与其他算法如神经元网络相比,SVM有较为完备的理论基础,即结构风险最小化理论。由于这个特点,该算法在小样本的情形下有较好的表现。本研究的试验数据部分需要实验人员手工记录,数据量较少,恰是典型的小样本数据,这也是本文选择SVM算法的主要原因。SVM算法的实现细节参考文献[18]。

1.3 试验设计

1.3.1 试验地点 试验在青岛市城阳区上马生态园的日光温室进行。温室大棚面积约500 m2,大棚内种植草莓。
1.3.2 监测设备 为进行数据比较,试验中采用3种监测设备,分别为温度计、防水盒监测设备和百叶盒监测设备,如图3所示。其中,防水盒监测设备外壳采用国际通用ABS材质的传感器防水盒,可接多种传感器,工业级的防水防尘,可有效保护电路板的使用寿命。外壳具有通用性,成本低,但通风散热性差,不能防止太阳光对传感器的直接辐射和地面的反射辐射;百叶盒监测设备采用直径225 mm的人字形环形特殊材质塑料盘,可以保证空气由任何角度自由通过,并反射来自任何方向的日光;百叶箱底板安装空气导流风扇,加速空气流通,从而保证传感器真实地感应外界空气温湿度的变化。百叶盒监测设备测量更准确,但其成本比防水盒成本增加300元左右。
图3 3种监测设备

Full size|PPT slide

1.3.3 设备位置 由于日光温室内的空气温湿度及光照情况差异较大,因此分别选取东西向大棚的东、中、西3个监测点,每个监测点均放置2个水银温度计、1个防水盒监测设备和1个百叶盒监测设备。其中,温度计一个直接放于日光照射下,另一个进行遮阳处理,以便分析光照对温度计测量数据的影响。
1.3.4 实验测量 试验共分为3类：（1）为了比较防水盒设备与温度计的测量结果,5月31日从早晨8点开始,每隔15 min记录东、中、西3个位置阴面和阳面各个设备的监测数据,直到傍晚19:00停止。其中温度计通过人工读数,防水盒和百叶盒设备的数据通过物联网自动获取;（2）为了分析光强对防水盒监测设备温度数据的影响,5月18日—21日分别记录防水盒设备的24 h的温度和光强,以及百叶盒监测设备的24 h的温度数据;（3）为了验证本文提出的校准算法,6月20日,采用两台百叶盒设备与温度计,每隔15 min采集日光温室内的温度和光强数据,其中一台监测的数据作为训练数据,另一台监测的数据作为测试数据,与温度计测量的数据进行对比。除人工记录的温度计数据,其余时间防水盒和百叶版设备持续上传数据。

2 结果与分析

2.1 百叶盒与温度计测量数据对比

百叶盒与温度计监测温度如图4所示。图中可见,百叶盒监测设备和遮阳处理的温度计所测量的温度相近,无显著差异(t=-1.11,P>0.1,df=72)。鉴于此,百叶盒温度和遮阳处理的水银温度计结果视为实际温度。直接阳光照射下和遮阳处理的温度计,东面(t= -0.73,P>0.1,df=72)和中间(t=1.27,P>0.1,df=72)阳面和阴面测量的温度无差异,西面阳面温度计测量的温度明显偏高(t=3.61,P<0.01,df=72)。
图4 3种监测设备测量的温度数据对比

Full size|PPT slide

2.2 防水盒监测温度随光强的变化情况

防水盒监测设备因受光照的影响,白天尤其是上午和中午时测量的温度明显高于百叶盒监测设备的测量值（图4）。温度偏移与光强呈明显的正相关。晴天时,光照强度大,两个设备间测量的温度差异大,如图5中5月18日、19日和21日中午光强高的时段。反之,阴天时,光照强度小,两个设备间测量的温度差异也小。例如5月20日中午的短暂阴天时,两个设备间测量的温度差异明显下降。
图5 防水盒监测设备温度随光强的变化

Full size|PPT slide

2.3 模型校准结果与实测结果对比

如上所述,防水盒监测设备测量的温度偏高,其偏差与光照强度呈正相关。笔者通过SVM模型,以设备的温度和光照读数为输入,对防水盒监测的温度数值进行实时在线校准。同一天大棚中间和西部的两台设备数据分别作为训练数据集,东部数据为测试数据集。校准后的温度与温度计测量的温度相近,如图6所示。结果表明,模型可以较好的对防水盒测量的温度进行校准。
图6 校准结果与实测结果对比

Full size|PPT slide

3 结论与展望

本研究通过温室智能环境监测系统实时监测温室环境,并采用机器学习领域的SVM算法,根据温室内的光照条件对监测的温度数据进行校准。结果表明,经过校准后温度的偏移大大降低,能较准确反映温室的温度变化,可满足种植者的日常对温室内部温度变化实时监测的需求。不仅能够极大地提高信息采集效率,使采集的结果更加准确,更降低了人力物力的投入。
本文提出的校准方法为种植者提供了一种低价的环境监测方式,不需要安装高价的高精度的环境监测设备,就可以实现种植环境的实时监测,并根据监测的数据进行种植管理。对于温度比较敏感的作物,对温度精度的要求较高,这类作物可采用百叶版监测设备,以便获取更准确的温度数据。
随着大数据、云计算及人工智能技术的发展,以及天气数据的开放,各国发送监测天气的卫星,越来越多的创业公司提供短时间小区域的户外天气预报服务,预测精度越来越高[19]。通过调用这类服务的接口,结合温室内监测的温度数据,可通过神经元网络的训练,对温室内的温度进行预测[20, 21],进一步降低温室内部温度监测的费用。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
赵俊芳, 郭建平, 张艳红 , 等. 气候变化对农业影响研究综述[J]. 中国农业气象, 2010(2):200-205.
本文引用 [1]
[2]
冶明珠, 郭建平, 蒋跃林 , 等. 气候变化对农作物气候适宜度影响研究进展[J]. 安徽农业科学, 2011(15):9104-9105,9134.
本文引用 [1]
[3]
房世波, 沈斌, 谭凯炎 , 等. 大气[CO2]和温度升高对农作物生理及生产的影响[J]. 中国生态农业学报, 2010(5):1116-1124.
本文引用 [1]
[4]
高洪蛟, 李奇 . 浅谈积温[J]. 黑龙江气象, 2017(2):15.
本文引用 [1]
[5]
周溯 . 夏季自然通风日光温室温湿度试验研究与模拟优化[D]. 太原:太原理工大学, 2012.
本文引用 [1]
[6]
Henten E J . Greenhouse climate management: an optimal control approach[D]. 1994.
本文引用 [1]
[7]
杨学坤, 蒋晓, 诸刚 . 温室环境控制技术的研究现状与发展趋势[J]. 中国农机化学报, 2013(4):16-18.
本文引用 [1]
[8]
李萍萍, 王纪章 . 温室环境信息智能化管理研究进展[J]. 农业机械学报, 2014,45(4):236-243.
本文引用 [1]
[9]
程曼, 袁洪波, 蔡振江 , 等. 基于全局变量预测模型的温室环境控制方法[J]. 农业工程学报, 2013,29(a01):177-183.
本文引用 [1]
[10]
罗黎晨 . 日光温室的环境特点及调控技术[J]. 农业科技与信息, 2007(1):25-26.
本文引用 [1]
[11]
王君, 于海业, 张蕾 . 温室环境控制系统的发展[J]. 中国农学通报, 2010,26(12):371-375.
本文引用 [1]
[12]
周长吉 . 现代温室工程[M]. 北京: 化学工业出版社, 2010.
本文引用 [1]
[13]
卢嫚, 李彦斌, 李仁忠 , 等. 温室内分布式温度监测系统[J]. 中国农机化学报, 2015(4):59-64.
本文引用 [1]
[14]
马万征, 马万敏 . 智能温室环境控制的研究现状及发展趋势[J]. 北方园艺, 2011(23):179-180.
本文引用 [1]
[15]
董伟, 朱建勇 . 基于多传感器的温室环境数据融合算法研究[J]. 物联网技术, 2013(2):16-18.
本文引用 [1]
[16]
程曼, 袁洪波, 张素 , 等. 基于多传感器数据融合的温室环境控制的研究[J]. 农机化研究, 2009(7):213-214,217.
本文引用 [1]
[17]
王媛彬 . 多传感器信息融合概述及其应用[J]. 传感器世界, 2010,16(12):6-9.
本文引用 [1]
[18]
Chang C C, Lin C J . LIBSVM:A library for support vector machines[J]. 2011,2(3):1-27.
本文引用 [1]
[19]
Kang M, Fan X R, Hua J , et al. Managing Traditional Solar Greenhouse With CPSS:A Just-for-Fit Philosophy[J]. IEEE Transactions on Cybernetics, 2018,48(12), 3371-3380.
本文引用 [1]
[20]
左志宇, 毛罕平, 张晓东 , 等. 基于时序分析法的温室温度预测模型[J]. 农业机械学报, 2010(11):173-177,182.
本文引用 [1]
[21]
陈俐均, 杜尚丰, 李嘉鹏 , 等. 温室环境温度预测自适应机理模型参数在线识别方法[J]. 农业工程学报, 2017(z1):315-321.
本文引用 [1]

RIGHTS & PERMISSIONS

Copyright reserved © 2020.
Share on Mendeley
PDF(2127 KB)

37

Accesses

0

Citation

Detail
Sections
Recommended

/

〈 〉