一种土壤湿度测定方法在Zig Bee 无线传感器网络中的应用*

高 翔，刘 鹏，卢潭城，陆起涌

(复旦大学 电子工程系，上海200433)

0 引 言

近年来，利用信息技术发展现代农业成为了世界各国农业发展的热点［1］，同时，“精准农业”体系已成为一种重要的现代农业生产形式［2］。在该体系中，对农业环境参数的实时监测提出了更高的要求，而基于Zig Bee 的农业无线传感网络(WSNs)是实现这一目标的重要手段。尽管Zig Bee 在通信层面考虑了低功耗，但传感器层面的功耗问题未得到解决。农作物生长依赖于水，故在农业环境参数的监控中，对土壤湿度的监测尤为重要。但现有的土壤湿度传感器多数成本高且未作低功耗处理，故如何使用一种低成本且低功耗的方式对土壤湿度进行测定是农业无线传感网络中亟待解决的一个重要问题。

本文提出了一种将土壤电阻传感器和土壤温度传感器共同用于农业无线传感网络中土壤湿度测定的方法，并利用多元线性回归模型和BP 神经网络模型对该方法进行土壤湿度的数据标定;最后，本文将该方法应用于一种基于Zig Bee 的农业无线传感网络中。

1 实验平台与建模问题的描述

建模实验的载体为土壤电阻传感器，其原理如图1 所示。土壤电阻的大小会影响三极管基极电流，从而改变Vout。而土壤湿度和土壤温度均是影响土壤电阻率的重要因素［3，4］，故可以利用土壤电阻传感器结合土壤温度传感器对土壤湿度进行测定。实验采用TI 公司的CC2530［5］组成Zig Bee 网络进行自动化数据采集，为了定量描述Vout，实验中的采样电压值为经过CC2530 采样后的ADC 值。实验所用土壤的类型为壤土，田间持水量在25%左右。本文使用的土壤温度传感器是经不锈钢外壳封装的DS18B20［6］。土壤湿度的真实值通过武汉新惠普科技有限公司的农业专用土壤湿度传感器PHTS—5V—V2 测得。

图1 土壤电阻传感器原理图Fig 1 Principle diagram of soil resistive sensor

2 土壤湿度测定模型

2.1 多元线性回归模型

首先要确定电压采样值(ADC 采样值)与土壤湿度和土壤温度间的关系，实验结果如图2 和图3 所示。从中可以看出，当土壤温度一定时，电压采样值与土壤湿度之间具有正相关的线性关系。经过计算，其相关系数均接近于1，最小相关系数R 为0.989 5;另一方面，当土壤湿度一定时，电压采样值与土壤温度之间正相关且具有二次曲线的关系，其曲率也随着土壤湿度的改变而改变。经过拟合，二次多项式拟合曲线的相关指数R2均接近于1，最小相关指数R2为0.986 9。

图2 土壤湿度与电压采样值的关系Fig 2 Relationship between soil moisture and sampling value of voltage

图3 土壤温度与电压采样值的关系Fig 3 Relationship between soil temperature and sampling value of voltage

基于上述结论，以ADC 为应变量，土壤湿度hump 和土壤温度temp 为自变量，可建立式(1)的多元线性回归方程和式(2)的土壤湿度测定方程

通过实验，本文获得了共199 组样本数据。根据式(1)，对样本数据进行多元线性拟合，最终得到的拟合参数为:b0=641.804 5，α=2 243.5，β= 11.372 9，γ=－0.027 3，δ=－0.461 9。通过计算，得到模型的全相关系数R=0.996 7。

2.2 BP 神经网络模型

BP(back propagation)神经网络［7］是一种多层前馈网络，能很好地反映输入输出向量之间的变化规律。本文建立的BP 神经网络模型的输入向量为电压采样值和土壤温度，输出为土壤湿度，采用三层网络结构，隐含层节点数为5。在199 组训练样本下对网络进行训练，最终得到的BP 神经网络模型如图4 所示。

图4 土壤湿度与电压采样值和土壤温度间的BP 神经网络模型Fig 4 BP neural network model of soil moisture with sampling value of voltage and soil temperature

3 实际测试结果与分析

3.1 Zig Bee 农业无线传感网络终端节点

基于土壤电阻传感器的Zig Bee 农业无线传感网络终端节点如图5 所示。其中，CC2530 置于盒子内部，外部插入土壤的探头即是土壤电阻传感器和土壤温度传感器。土壤电阻传感器的电源端用CC2530 的P1_0 进行控制，可使土壤电阻传感器在终端节点休眠周期不耗电，减少终端节点的功耗。

图5 Zig Bee 农业无线传感器网络终端节点Fig 5 Terminal node of agricultural WSNs based on Zig Bee

3.2 多元线性回归模型的检验

在基于Zig Bee 的农业无线传感网络的实际应用中，得到共120 组测试集数据。将这些测试集数据分为两类:在测试集1 中，选取的土壤湿度值与建模样本接近;在测试集2中，选取的土壤温湿度值均与建模样本不同。多元线性回归模型在测试集中的残差图如图6 所示。从图中可以看出，在测试集1 中，模型精度约为±1.5%，均方误差(MSE)为0.26;在测试集2 中，模型精度约为±2.5%，MSE 为0.79。

3.3 BP 神经网络模型的检验

BP 神经网络模型在测试集中的残差图如图7 所示。从图中可以看出，在测试集1 中，模型精度约为±0.8%，MSE 为0.05;在测试集2 中，模型精度约为±2.5%，MSE为0.57。可见，虽然模型训练的过程更复杂，但使用BP 神经网络建立的土壤湿度模型比多元线性回归模型具有更高的精度。

图6 多元线性回归模型在测试集中的残差分析Fig 6 Residual analysis of multiple linear regression model in test set

图7 BP 神经网络模型在测试集中的残差分析Fig 7 Residual analysis of BP neural network model in test set

4 结束语

本文针对农业无线传感网络中土壤湿度测定的问题进行了研究，提出了利用土壤电阻传感器和土壤温度传感器进行土壤湿度测定的方法，并在实际的Zig Bee 农业无线传感网络中得到验证。测试结果表明:在同一种类型的土壤中，本文提出的方法在测试集中可达到±2.5%的精度，具有实用价值。

［1］ 孙忠富，杜克明，尹首一.物联网发展趋势与农业应用展望［J］.农业网络信息，2010(5):5－8.

［2］ 刘爱民，封志明，徐丽明.现代精准农业及我国精准农业的发展方向［J］.中国农业大学学报，2000，5(2):20－25.

［3］ Archie G E.The electrical resistivity log as an aid in determining some reservoir characteristics［J］.Trans AIME，1942，146(1):54－62.

［4］ 曹晓斌，吴广宁，付龙海，等.温度对土壤电阻率影响的研究［J］.电工技术学报，2007，22(9):1－6.

［5］ Texas Instruments.CC2530 Datasheet［EB/OL］.［2010—10—05］.http:∥www.ti.com.cn/cn/lit/ds/symlink/cc2530.pdf.

［6］ Dallas Semiconductor.Datasheet of DS18B20［EB/OL］.［2012—01—12］.http:∥dlnmh9ip6v2uc.cloudfront.net/datasheets/Sensors/Temp/DS18B20.pdf.

［7］ Rumelhart D E，Hinton G E，Williams R J.Learning internal representations by error propagation［R］.San Diego:California Univ San Diego La Jolla Inst for Cognitive Science，1985.