基于LoRa-RSSI与无人机的土壤体积含水率测量系统

基于lora-rssi与无人机的土壤体积含水率测量系统
技术领域
1.本发明涉及一种土壤体积含水率测量系统。


背景技术：

2.农业种植中，农作物的根系主要依赖于土壤环境。
3.据研究表明，对农作物生长影响较大的便是土壤vwc(volumetric water content，vwc，体积含水量)。土壤vwc是土壤中非常重要的组成部分，它对农作物根部的生长活动和土壤中微生物的生命活动具有显著影响。当土壤vwc过低时，导致土壤含水量低，植被无法正常进行光合作用，从而降低作物的产量和品质。严重缺水还会导致作物枯萎和死亡。另一方面，土壤vwc过高也会恶化土壤的透气性，导致植被无法正常生长。因此，土壤vwc的适宜程度对于作物的正常生长和发育至关重要。
4.传统意义上对土壤vwc的测量除了利用土壤水分测量传感器以外，还有称重法以及驻波比法等。对于农业生产来说，这些传统方法多有不便。而利用土壤水分测量器进行土壤vwc测量可以为农业生产提供很大的便利，但如果广泛应用土壤水分传感器，会对农户的经济效益造成一定的负担，而且传感器的维护也会占用农业生产的一部分时间。因此，对于农业生产来说，需要一种既便利又准确的土壤vwc测量方法。


技术实现要素：

5.本发明要解决的技术问题是：以往的土壤水分监测大多都依据各种土壤水分传感器来获得土壤水分数据，这些传感器不仅需要一定的资金投入，而且在埋入地下长期使用中还往往受制于可靠性及耐用性的问题，此外，由于传统土壤水分传感器探针等需插入耕作层，这也会影响农业耕作过程。
6.为了达到上述目的，本发明的技术方案是提供了一种基于lora-rssi与无人机的土壤体积含水率测量系统，其特征在于，包括：
7.用于采集环境监测数据的若干个地下lora节点，所有地下lora节点采集的环境监测数据通过基于lora的地下物联网传输至埋入土壤内部的上位机；
8.埋入土壤内部的上位机，用于接收地下lora节点传输的环境监测数据，并通过埋入土壤内部的平板天线将lora数据包发送给空中节点的全向天线；这一过程中，平板天线的主瓣与水平面垂直，全向天线的主瓣平面与水平面垂直。上位机还用于接收由空中节点发来的土壤-空中lora-rssi值，基于friis公式获得环境监测数据与rssi和snr的关系，利用lstm实现对土壤vwc的测量，其中，friis公式如下式所示：
9.p
rx
＝p
tx
+g
tx
+g
rx-l
ug-l
ug-ag-0.5(l
ag
+l
surface
)-l
m-10log
10
(x2)
10.p
rx
是土壤rssi，p
tx
是土壤发射功率输出，g
tx
是发射天线在对应方向上的增益，g
rx
是接收天线在对应方向上的增益，l
ug
是无线信号在的地下传输产生的损失，l
ug-ag
是无线信号穿过土壤-空气界面产生的折射损失，l
ag
代表无线信号在的地上传输产生的损失，l
surface
是由于横向波造成的衰减，lm是由于各种可能的来源造成的各种损失以及由于不能满足
friis方程的条件而造成的杂项损失，10log
10
(x2)是由于多径衰落现象造成的路径损耗；
11.空中节点由小型无人机背负，用于通过接收天线接收由上位机发送的lora数据包并获得土壤-空中lora-rssi值，进而将此土壤-空中lora-rssi值发送回上位机，其中，利用无人机的自转，控制空中节点改变土壤中发射天线与空中节点接收天线之间的角度来使得空中节点获得同一土壤vwc的不同土壤-空中lora-rssi值，将这一系列不同土壤-空中lora-rssi值发送回上位机，由上位机运用该t时刻包含土壤温度、无人机旋转角度及各角度上的rssi组成的特征值序列计算该时刻的土壤vwc。
12.优选地，所述地下lora节点为利用lora模块建立的用于环境监测数据的采集和传输的iout传感器节点，重点监测土壤温度。
13.优选地，系统测量目标为间接测量数据为土壤vwc。
14.优选地，所述上位机的天线选择为定向平板天线，空中节点天线为全向天。
15.优选地，将输入所述lstm数据处理为[[[dataa1],[datat1],[datar1]],[[dataa2],[datat2],[datar2]],[[dataa3],[datat3],[datar3]]
…
[[dataan],[datatn],[datarn]]]，并选择[datav1],[datav2],[datav3]
…
[datavn]数据作为标签，将数据进行归一化之后，输出土壤vwc的计算值，其中，dataan为无人机旋转角度、datatn为环境监测数据、datarn为土壤-空中lora-rssi值、[datavn]为土壤vwc。
[0016]
优选地，选取均方根误差rmse、平均绝对误差mae以及决定系数r2作为所述lstm的评价指标：
[0017][0018][0019][0020]
式中，ai表示真实值，pi表示计算值，n表示样本点数量，为真实值平均。
[0021]
本发明结合iout技术，本发明设计了一套基于lora接收信号强度(received signal strength indication，rssi)与无人机的土壤vwc测量的创新性系统。基于lora的地下物联网近年来得到了蓬勃发展，本发明利用其lora信号特性对土壤体积含水率进行间接测量，极大地省去了土壤vwc测量传感器及其相关费用与日常维护成本，实现零成本的功能复用。在传统基于rssi测量vwc的方法中，需要同时使用多个地面基站，用以获得供lstm方法使用的数据。而在本系统当中使用无人机，令其在悬停过程当中进行旋转，由此采集八个角度上的数据，获得一个特征值数据序列供长短期记忆网络(lstm)使用，采集差异性lora-rssi值利用dl算法计算土壤vwc，可较为准确地获得土壤vwc数据。该方法不仅实时性强于传统方法，而且简便易行，去误差效果较好，所需采集时间短，且不需建设多个地面基站，显著降低了系统复杂度与工程成本。另外本系统显著降低了使用地面基站采集无线电信号rssi时，电磁波信号透射土壤并在土壤表面传输过程当中，由于土壤表面侧面波
(lateral wave)及地表面植物房屋等障碍物引起的测量误差。本发明不需要对vwc数据进行深度测量，相当于利用软传感器间接测量土壤vwc，成本低，效率高，测量误差小，为土壤vwc测量相关设计提供全新的思路。
附图说明
[0022]
图1示意了本发明的系统框架；
[0023]
图2示意了系统工作流程；
[0024]
图3示意了数据处理流程；
[0025]
图4示意了本发明的lstm使用方式；
[0026]
图5为土壤内部节点结构示意图；
[0027]
图6为空中节点结构示意图；
[0028]
图7为上位机结构示意图；
[0029]
图8示意了32组数据计算值与真实值的对比；
[0030]
图9示意了32次土壤vwc测量误差绝对值。
具体实施方式
[0031]
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
[0032]
本发明基于以下设计思路：以往研究表明，当土壤内部的lora数据终端与土壤外部的lora数据终端进行通信时，接收端的rssi值可以由friis公式获得，该公式为：
[0033]
p
rx
＝p
tx
+g
tx
+g
rx-l
ug-l
ug-ag-0.5(l
ag
+l
surface
)-l
m-10log
10
(x2)
[0034]
p
rx
是接收端rssi，p
tx
是土壤内部终端发射功率，g
tx
是发射天线在对应方向上的增益，g
rx
是接收天线在对应方向上的增益，l
ug
是无线信号在的地下传输产生的损耗，l
ug-ag
是无线信号穿过土壤-空气界面产生的损失，l
ag
代表无线信号在的地上传输产生的损失，l
surface
是由于侧面波造成的衰减，lm是由于各种可能的来源造成的各种损失以及由于不能满足friis方程的条件而造成的杂项损失，10log
10
(x2)是由于多径衰落现象造成的路径损耗；
[0035]
以往的研究表明，lora信号在地下土壤中的损耗与体积含水率(vwc)密切相关。所以可望由接收端rssi值间接计算得到土壤vwc。但是由公式也可以看到，在这一传输过程当中，存在一系列干扰项，有可能对间接测量计算结果造成不利的影响。而近年来，深度学习提供了较强的误差抑制功能，可以有效的降低计算过程当中的数值干扰因素。
[0036]
所以，在本发明当中，通过引入深度学习方法来优化这一运算过程。土壤vwc是一个时变值，如果能够获得短时间内可靠的特征值序列输入，更有助于提高深度学习的计算结果精度。由公式当中可以看出由天线增益的方向性，有助于获得一系列与方向角度特征相关的rssi数据序列。
[0037]
此外，为了进一步提高间接测量的精度，还应该对前端数据采集方式进行革新。以往的方式多将接收端置于地面等，这样由于地表障碍物与侧面波的影响等等，会使接收端
rssi值当中引入误差。而如果通过改变结构，将接收端通过无人机提升至空中实现接收，则可以较大程度上抑制地表面误差，进一步提高间接测量结果。
[0038]
根据这一思想，本实施例公开的一种基于lora-rssi与无人机的土壤体积含水率测量系统包括：
[0039]
如图5所示，地下lora节点，该地下lora节点为利用lora模块建立的用于环境监测数据的采集和传输的iout(internetof underground things，iout)传感器节点，环境监测数据包括土壤湿度、温度等，本实施例中，利用传感器节点采集土壤温度。该节点围绕stm32f103zet6微控制器芯片设计，为节约体积，推荐采用tqfp-144封装，节点温度传感器使用盛思锐(sensirion)sts31-dis传感器，并通过i2c数据接口与stm32f103zet6连接。节点lora通信模块采用成都亿百特公司的e22-400t22d型模块，天线采用麒凡433mhz小辣椒天线。节点由18650电池通过tps73033提供3.3v供电。节点被封装于防水的6cm半径的pvc管中后垂直置于地下，放置位置为上位机周围以平板天线底平面所在平面为基准平面的随机位置。这些节点回传的土壤温度数据通过取平均获得该时刻土壤平均温度。
[0040]
由小型无人机背负的轻量化设计的空中节点，如图6所示，该空中节点由stm32微控制器、lora通信模块及电源模块组成，用于接收由上位机发送的数据并获得土壤-空中lora-rssi值，进而将此土壤-空中lora-rssi值发往上位机。该节点围绕stm32f103zet6微控制器芯片设计(tqfp-144封装)，节点lora通信模块采用成都亿百特公司的e22-400t22d型模块，天线采用麒凡433mhz柔性软胶棒外置全向天线。节点由18650电池通过tps73033提供3.3v供电。空中节点被置于pet材质的圆柱形防水容器之中，并通过卡扣将该容器固定于大疆marvic 2无人机的背部。空中节点的天线主瓣所在与地面垂直，天线探出于无人机的前部，以避免其lora信号传输受到无人机的影响。
[0041]
现已有研究已经发现土壤vwc与lora无线传输接收端的rssi有较强的相关性，并且信号在地下传播时有电磁波对信号产生的干扰可以根据friis公式进行分析，如下式所示：
[0042]
p
rx
＝p
tx
+g
tx
+g
rx-l
ug-l
ug-ag-0.5(l
ag
+l
surface
)-l
m-10log
10
(x2)
[0043]
p
rx
是土壤rssi，p
tx
是土壤发射功率输出，g
tx
是发射天线在对应方向上的增益，g
rx
是接收天线在对应方向上的增益，l
ug
是无线信号在的地下传输产生的损失，l
ug-ag
是指无线信号穿过土壤-空气界面产生的折射损失，l
ag
代表无线信号在的地上传输产生的损失，l
surface
是由于横向波造成的衰减，lm是指由于各种可能的来源(例如，第一菲涅尔区的障碍物、天线极化不匹配等)造成的各种损失，以及由于不能满足friis方程的一些条件而造成的杂项损失。事实上，虽然在ug2ag传输的大部分情况下，天线之间的距离可以远远大于载波波长，但发射和接收天线可能有不同的偏振，它们可能会错位。此外，由于发射天线被埋在地下，无遮挡的自由空间假设永远无法满足。最后，10log
10
(x2)是由于多径衰落现象造成的路径损耗。
[0044]
如图7所示，上位机推荐采用epc-s202无风扇掌上型嵌入式工控机。上位机中的数据采集软件基于qt 6.4开发，地下lora节点采集的数据传输至上位机后，其通过埋入土壤内部的平板天线向空中节点发送数据，并接收由空中节点发来的土壤-空中lora-rssi值。上位机lora模块推荐选用的为成都亿百特公司e22-400t22s无线lora模块，共计使用两路，一路用于和土壤中节点进行通信，一路通过平板天线与无人机空中节点进行通信。两路模
块都通过uart转usb与上位机通信。平板天线推荐采用麒凡的433mhz平板天线。该天线放置时主瓣与水平面垂直上位机利用土壤vwc与rssi的强关联关系，如图5所示，利用长短期记忆(long short term memory，lstm)递归神经网络实现对土壤vwc的间接测量。空中节点接收上位机数据时，利用无人机悬停时的受控旋转，进而导致空中节点天线方向改变，即可获得时间序列上的差异性数据(即不同角度上的rssi值)，即通过无人机的旋转来改变发送与接收天线(空中)之间的角度来获得同一土壤vwc的不同土壤-空中lora-rssi值，将t时刻同一土壤vwc的不同土壤-空中lora-rssi值以及不同土壤-空中lora-rssi值所对应的无人机旋转角度和土壤温度组成的特征值序列输入lstm，由lstm计算得到t时刻的土壤vwc。
[0045]
通常，地下节点采用的是全向天线，导致电磁能量向周围全向传输，较为分散，而且会由于土壤当中的碎石、植物根系等等导致的吸收、反射与散射的影响，导致电磁波能量穿透土壤过程当中引入较大的测量误差。而本实施例中，发射天线(地下)使用对电磁能量约束较强的平板天线，使能量集中于平板天线的主瓣之上(其主瓣宽度远远小于全向天线，且没有较大的旁瓣与后瓣)。电磁波经过平板天线发射后，垂直透射过土壤传至空中，避免了由于周围环境当中较多的散射反射上对数据结果产生的误差，而且由于能量都集中在主瓣之上，空中无人机节点接收到信号rssi也较强，从而进一步降低了由于环境无线电干扰导致的误差。
[0046]
上位机与平板天线被置于ip67标准的防水盒中，天线在上，上位机及通信模块在下。上位机由地下电缆提供220v交流供电，该供电由适配器转为12vdc上位机供电电压。上位机上lora通信模块的供电由上位机通过usb供电提供。
[0047]
本发明公开的系统实现数据采集工作的工作流程如图2所示。首先，上位机需要进行初始化，无人机背载传感器飞行至预定的高度，担任空中节点任务。上位机软件测试开始，系统则开始工作。通过上位机是否能够正常接收数据以及数据格式是否准确来判断数据采集系统搭建是否成功。
[0048]
本发明中，土壤-空中lora-rssi值作为特征值输入lstm来计算土壤vwc，结合图3，在本发明的土壤vwc计算任务中，lstm的输入通常是多时间步的三维数据，我们的数据并没有明显的时间步长。我们将数据处理为[[[dataa1],[datat1],[datar1]],[[dataa2],[datat2],[datar2]],[[dataa3],[datat3],[datar3]]
…
[[dataan],[datatn],[datarn]]]，将三维数据输入lstm，选择[datav1],[datav2],[datav3]
…
[datavn]数据作为标签，将数据进行归一化之后，输出计算值vwc，其中，dataan为无人机旋转角度、datatn为土壤温度、datarn为土壤-空中lora-rssi值、[datavn]为土壤vwc。
[0049]
为了评定计算结果，我们选取以下三个评价指标：
[0050]
(1)均方根误差(root mean square error，rmse)
[0051]
rmse可以测量误差的平均大小，对于计算值中的异常值较为敏感，rmse越小表示计算结果越好。表示如下式所示：
[0052][0053]
其中，ai表示真实值，pi表示计算值，n表示样本点数量。
[0054]
(2)平均绝对误差(mean absolute error，mae)
[0055]
mae与原始数据单位相同，它仅能比较误差是相同单位的模型。量级近似与rmse，但是误差值相对小一些，公式如下：
[0056][0057]
(3)决定系数(coefficient of determination)
[0058]
决定系数r2描述了回归模型所解释的因变量方差在总方差中的比例，公式如下：
[0059][0060]
式中，为真实值平均。
[0061]
为了达到更好的学习效率，我们建立lstm神经网络层，lstm有270个隐藏层神经元，但是我们并不是全部都打开，只选择20％打开，配置训练参数。训练参数主要包含最大迭代次数、梯度阈值、初始率、初始率下降周期和初始率下降因子等，如下表所示。
[0062][0063]
基于上述设计，开展了对应测试。系统测试地点位于华东地区上海市松江区。年平均降水量1103.2毫米，雨日137天。土质以粉质粘壤土为主，碳酸钙随土体自上而下有所增加，土色以黄棕色为主，有石灰性结核。测试地点周围高度约2m、冠层均值约1.3m的石楠花树，株间距约2-3m。由于日照、植物冠层、降雨等随机影响，测试点周围的土壤水分会体现出与周围环境相关的随机变化趋势。相对于室内实验室可控环境，该场景对测量有更大的挑战性，也具有更高的真实性。测试中先对测试区域土壤进行取样并利用标准烘干法获得该区域土壤的vwc真实值。然后操作无人机飞至预设的3m高度悬停点，该悬停点的投影距离平板天线5m。随后无人机按照45
°
的间隔旋转360
°
，在每一个角度上采集lora-rssi数据，并发往上位机。上位机软件将土壤温度、处理过的rssi值、相对土壤vwc以及无人机旋转角度记录到数据文件之中。在完成lora-rssi数据采集后，使用matlab将土壤温度、rssi值和无人机旋转角度作为特征值输入lstm网络，而历史土壤vwc则作为标签输入lstm网络，进而通过计算得到当前土壤vwc值。图8为32组数据计算值与真实值的对比，我们发现测量值与真实值基本相似。于是，我们将每组土壤vwc测量误差进行绘制。图9为32次测量误差，32次测量误差都小于0.35％，已经满足绝大部分农作物生长所需的土壤vwc控制阈值。测试结果表明，本发明公开的系统可以有效地实现对vwc的准确测。

技术特征：
1.一种基于lora-rssi与无人机的土壤体积含水率测量系统，其特征在于，包括：用于采集环境监测数据的若干个地下lora节点，所有地下lora节点采集的环境监测数据通过基于lora的地下物联网传输至埋入土壤内部的上位机；埋入土壤内部的上位机，用于接收地下lora节点传输的环境监测数据，并通过埋入土壤内部的平板天线将lora数据包发送给空中节点的全向天线；这一过程中，平板天线的主瓣与水平面垂直，全向天线的主瓣平面与水平面垂直。上位机还用于接收由空中节点发来的土壤-空中lora-rssi值，基于friis公式获得环境监测数据与rssi和snr的关系，利用lstm实现对土壤vwc的测量，其中，friis公式如下式所示：p
rx
＝p
tx
+g
tx
+g
rx-l
ug-l
ug-ag-0.5(l
ag
+l
surface
)-l
m-10log
10
(x2)p
rx
是土壤rssi，p
tx
是土壤发射功率输出，g
tx
是发射天线在对应方向上的增益，g
rx
是接收天线在对应方向上的增益，l
ug
是无线信号在的地下传输产生的损失，l
ug-ag
是无线信号穿过土壤-空气界面产生的折射损失，l
ag
代表无线信号在的地上传输产生的损失，l
surface
是由于横向波造成的衰减，l
m
是由于各种可能的来源造成的各种损失以及由于不能满足friis方程的条件而造成的杂项损失，10log
10
(x2)是由于多径衰落现象造成的路径损耗；空中节点由小型无人机背负，用于通过接收天线接收由上位机发送的lora数据包并获得土壤-空中lora-rssi值，进而将此土壤-空中lora-rssi值发送回上位机，其中，利用无人机的自转，控制空中节点改变土壤中发射天线与空中节点接收天线之间的角度来使得空中节点获得同一土壤vwc的不同土壤-空中lora-rssi值，将这一系列不同土壤-空中lora-rssi值发送回上位机，由上位机运用该t时刻包含土壤温度、无人机旋转角度及各角度上的rssi组成的特征值序列计算该时刻的土壤vwc。2.如权利要求1所述的一种基于lora-rssi与无人机的土壤体积含水率测量系统，其特征在于，所述地下lora节点为利用lora模块建立的用于环境监测数据的采集和传输的iout传感器节点。3.如权利要求1所述的一种基于lora-rssi与无人机的土壤体积含水率测量系统，其特征在于，将输入所述lstm数据处理为[[[dataa1],[datat1],[datar1]],[[dataa2],[datat2],[datar2]],[[dataa3],[datat3],[datar3]]
…
[[dataan],[datatn],[datarn]]]，并选择[datav1],[datav2],[datav3]
…
[datavn]数据作为标签，将数据进行归一化之后，输出土壤vwc的计算值，其中，dataan为无人机旋转角度、datatn为环境监测数据、datarn为土壤-空中lora-rssi值、[datavn]为土壤vwc。4.如权利要求1所述的一种基于lora-rssi与无人机的土壤体积含水率测量系统，其特征在于，选取均方根误差rmse、平均绝对误差mae以及决定系数r2作为所述lstm的评价指标：标：
式中，a
i
表示真实值，p
i
表示计算值，n表示样本点数量，为真实值平均。

技术总结
本发明公开了一种基于LoRa-RSSI与无人机的土壤体积含水率测量系统，其特征在于，包括用于采集环境监测数据的若干个地下LoRa节点；埋入土壤内部的上位机；由小型无人机背负的空中节点。本发明结合IoUT技术，本发明设计了一套基于LoRa接收信号强度与无人机的土壤VWC测量的创新性系统，系统中利用悬停无人机角度旋转过程中土壤内部发射端与无人机空中接收端间LoRa-RSSI的变化，结合长短期记忆网络，采集差异性LoRa-RSSI值利用DL算法计算土壤VWC，可较为准确地获得土壤VWC数据。本发明不需要对VWC数据进行深度测量，利用软传感器测量土壤VWC，低成本，高效率测量误差小，为土壤VWC测量相关设计提供全新的思路。相关设计提供全新的思路。相关设计提供全新的思路。


技术研发人员：万雪芬 阳家宝 张洁 杨义
受保护的技术使用者：东华大学
技术研发日：2023.06.27
技术公布日：2023/9/7