论文题目：基于LSTM神经网络的智能灌溉系统开发
摘要：随着社会的发展和科技的创新,传统的农业耕作方式正在向现代化农业转变。针对目前农业生产效率低、农业用水浪费严重现象,本论文设计开发了一款基于LSTM（长短期记忆神经网络）需水量预测模型的智能灌溉系统。系统以树莓派为下位机控制器,阿里云服务器为上位机,实现了数据采集、数据监测、需水量预测及智能控制灌溉等功能。论文主要研究结果如下:（1）构建了环境信息采集模块。根据需要采集信息的类型,选取工业级传感器,通过485总线Modbus协议建立传感器与树莓派之间的通信,信息采集代码由Python语言编写。树莓派获取到气象数据后,由自身的网络通信模块通过HTTP协议将气象数据上传到数据库与云端物联网平台。（2）以枣树为试验对象构建了LSTM神经网络需水量预测模型,首先以2014～2019年新疆阿拉尔站点的逐日气象数据包括平均气温、风速、空气相对湿度、太阳辐射、日照时数和气压与枣树需水量为试验数据,进行灰色关联分析,计算各气象因素与需水量之间的关联度大小,然后选取对作物需水量影响较大的平均气温、风速、空气相对湿度、太阳辐射与日照时数5个主要环境因素作为LSTM神经网络预测模型的特征输入向量,需水量为模型的特征输出向量,对枣树需水量进行预测研究。模型在Py Charm环境下使用Python语言构建,将LSTM预测模型准确性与RNN模型进行对比分析,结果表明LSTM模型的实际值与预测值的拟合系数为0.9872高于RNN模型的0.8438且残差波动较小。说明模型准确性较高可以满足系统要求。模型训练好后编写了一个应用脚本,将其代码文件移植到树莓派中对训练好的模型进行直接调用。（3）开发了系统物联网端的web应用平台与移动操作平台。系统web界面与移动端界面主要包括作物生长环境实时监测功能与远程灌溉开关的控制功能。并构建了系统相应的数据库用来储存监测的气象数据与灌溉数据。并为智能灌溉系统设计了报警功能,当系统因为网络问题下线,或者土壤湿度过低时,云端会通过钉钉智能机器人发送消息提示。（4）制定了系统灌溉决策规则。首先LSTM预测模型根据传感器采集的日平均气象数据预测作物当日需水量,并将预测量进行累加,当模型预测量累加到田间最佳储水量的下限时,开始灌溉,当灌溉到田间最佳储水量上限时,电磁阀关闭,等待下一次灌溉任务开始。（5）系统各模块软硬件构建完成后,对系统进行功能测试与灌溉测试,结果表明各模块均能按照预定要求进行工作。在灌溉测试中系统能够根据预定灌溉规则进行工作,且运行稳定,智能化程度较高。
关键词：LSTM神经网络;需水量预测;物联网;智能灌溉
学科专业：土木水利（专业学位）
摘要
abstract
第1章 绪论
1.1 研究的背景及意义
1.2 国内外研究现状
1.2.1 智能灌溉系统核心控制器发展现状
1.2.2 神经网络在作物需水量预测中的应用发展现状
1.2.3 智能灌溉系统数据通信发展现状
1.2.4 农业环境信息监测平台发展现状
1.3 研究目标、内容及技术路线
1.3.1 研究目标
1.3.2 研究内容
1.3.3 技术路线
第2章 系统需求分析与整体方案设计
2.1 智能灌溉系统需求分析
2.1.1 智能灌溉系统功能需求
2.1.2 智能灌溉系统性能需求
2.2 系统总体设计与工作原理
2.3 系统灌溉策略
2.4 本章小结
第3章 系统硬件模块设计
3.1 核心控制模块
3.2 数据采集模块
3.2.1 RS485通信
3.2.2 Modbus通信协议
3.2.3 传感器选型与具体参数
3.2.4 传感器连接与数据获取
3.3 光伏供电模块
3.4 灌溉执行模块
3.5 本章小结
第4章 基于LSTM的枣树需水量预测模型
4.1 作物的需水量特性分析
4.2 灰色关联度分析
4.3 LSTM神经网络
4.4 LSTM预测模型的构建
4.4.1 样本数据预处理
4.4.2 LSTM模型训练
4.4.3 LSTM预测模型对比分析
4.5 本章小结
第5章 系统云端平台设计
5.1 云数据库的构建
5.2 物联网平台
5.3 Web应用平台开发
5.4 移动平台界面开发
5.5 系统报警通知设计
5.6 本章小结
第6章 智能灌溉系统的测试与分析
6.1 硬件功能测试
6.2 系统灌测试
6.3 本章小结
第7章 结论与展望
7.1 结论
7.2 展望
参考文献
致谢
附录:LSTM需水量预测模型程序源代码