Design and application of aquaculture monitoring system based on LoRa wireless communication
-
摘要:目的
针对大面积水产养殖环境覆盖面积广、多种水体环境监测因素综合影响的特点,设计一种可同时监测水体溶解氧、盐度、pH、氨氮和温度5种参数的设备。设备可通过远距离无线通信技术实现水质数据远距离无线传输,并在上位机端可视化平台动态显示监测环境因素。
方法数据采集终端的控制核心采用TI公司具有16位总线的MSP430F149型微控制器。水质信息通过各传感器采集获取,氨氮采集终端采用量程为0~10 mg/L的NHN-202A型氨氮传感器;溶解氧与温度采集终端采用溶解氧量程为0~20 mg/L、温度量程为0~40 ℃的RDO-206型传感器;pH采集终端采用量程为0~14的PHG-200型传感器;盐度采集终端采用量程为0~0.5%的DDM-202I/C型传感器。服务器端采用Linux系统搭建,通过JetBrains下的IntelliJ IDEA开发工具搭建,使用的编程语言为Java。线上平台采用SpringMVC框架,数据库连接通过HiBernate对象关系映射框架连接操作。监测平台通过Tomcat部署在Linux系统上,数据展示界面通过调用可视化库Echarts实现。
结果系统实际所测水体溶解氧含量绝对误差为0.12 mg/L,盐度的绝对误差为0.001%,pH的绝对误差为0.017,温度的绝对误差为0.05 ℃。单一采集设备功耗测试中,5 200 mA电池可持续为终端设备供电28.5 h,且线上系统运行稳定。
结论本研究设备LoRa无线通信技术与上位机端数据可视化平台相结合的设计增强了远距离水质监测数据采集的可靠性,解决了动态实时测量中监测数据长距离传输问题及数据同步上位机端平台展示问题。
Abstract:ObjectiveAiming at the characteristics of large-scale aquaculture environment covering a wide area and interaction of a variety of water environment monitoring factors, to design a device that can simultaneously monitor five water quality parameters including dissolved oxygen, salinity, pH, ammonia nitrogen and temperature. The device can realize long-distance wireless transmission of water quality data through long-distance wireless communication technology, and dynamically display the monitoring environmental factors on the host computer side visualization platform.
MethodThe control core of the data acquisition terminal adopted 16-bit MSP430F149 microcontroller of TI company. The water quality information was collected by various sensors. Ammonia nitrogen collection terminal adopted NHN-202A ammonia nitrogen sensor with test range of 0−10 mg/L. Dissolved oxygen and temperature acquisition terminal adopted RDO-206 sensor with dissolved oxygen range of 0−20 mg/L and temperature range of 0−40 ℃. pH collection terminal adopted PHG-200 sensor with test range of 0−14. Salinity collection terminal adopted DDM-202I/C sensor with test range of 0−0.5%. The server side was built using Linux system and built by the IntelliJ IDEA development tool under JetBrains. The programming language was Java. The online platform used the SpringMVC framework, and the database connection was operated through the HiBernate object-relational mapping framework. The monitoring platform was deployed on the Linux system through Tomcat. The data display interface was realized by calling the visualization library Echarts.
ResultThe absolute error of dissolved oxygen content measured by the system was 0.12 mg/L, while those of salinity, pH and temperature were 0.001%, 0.017, and 0.05 ℃, respectively. In the power consumption test of single acquisition device, 5 200 mA battery could continuously supply power to the terminal device for 28.5 h, and the online system was stable.
ConclusionThe combination of LoRa wireless communication technology and the data visualization platform on the host computer side in the device enhances the reliability of the long-distance water quality monitoring, and solves the problems of long-distance transmission of monitoring data in dynamic real-time measurement and display of data synchronization on the host computer platform.
-
Keywords:
- aquaculture /
- MSP430F149 /
- LoRa /
- water quality parameter /
- dynamic monitoring /
- long-distance transmission
-
砖红壤是我国最南端热带雨林或季雨林地区的地带性土壤。广东省雷州半岛是我国砖红壤4个主要分布地区之一,也是我国热带经济作物的重要农业生产基地[1]。丰富的水热资源为农业生产提供了良好的自然条件,但热带地区具有高温多雨的特点,引起水土流失,土壤有机质分解快,养分淋溶流失强烈,因此热带地区的红壤和砖红壤的有机质和速效养分含量都较低。再加上不合理的耕地利用方式,导致土壤质量退化[2],对该地区农业可持续发展产生了严重的影响[3]。近年来有关华南地区红壤、赤红壤的退化及持续利用研究已引起广泛重视[4-5],但关于我国雷州半岛地区玄武岩母质砖红壤养分特征及高效管理的研究仍鲜有报道。为了研究该地区不同种植模式下的砖红壤养分特征,以便更合理地利用砖红壤地区耕地资源,本研究选取了我国玄武岩母质砖红壤典型区域—雷州半岛吴川市11个镇的木薯地、水稻地、水稻与甘薯轮作地、花生与水稻轮作地、甘薯地、花生与大豆轮作地、蔬菜园以及香蕉园共8种耕地土壤作为研究对象,探讨不同种植模式下砖红壤养分特征及其差异,揭示不同种植模式与土壤肥力属性的关系,以期为砖红壤资源的合理利用及典型地区土地的高效管理提供理论依据。
1. 材料与方法
1.1 研究区概况
样品采集区位于广东省雷州半岛吴川市的11个镇(21°32′~21°54′N,110°48′~110°95′E),包括大山江镇、海滨镇、黄坡镇、王村港镇、兰石镇、覃巴镇、塘尾镇、塘缀镇、吴阳镇、樟铺镇、长歧镇。该地区属亚热带性季风气候,日照充足,热量丰富,高温多雨。年均气温、降雨量和日照分别为22.5 ℃、1 597.8 mm和2 008.2 h,日照百分率为45%,日均温≥10 ℃的连续积温为8 991.8 ℃。土壤类型主要是由玄武岩发育而成的砖红壤(黏土)或砖红壤性水稻土。
研究区主要选取地形、地貌和成土母质基本一致,种植制度连续5年以上不变的香蕉园、木薯地、水稻地(水稻–水稻)、水稻与甘薯轮作地(水稻–甘薯)、花生与水稻轮作地(花生–水稻)、甘薯地、花生与大豆轮作地(花生–大豆)、蔬菜园共8种不同种植模式的地块进行研究。该区域平均海拔5.7 m,地貌类型为平原,地形均为平地。香蕉园植被为一年一熟的香蕉,该地块年均施肥7~8次,施肥量较大,氮、钾肥多于磷肥,并进行较为精细的耕作;木薯地和甘薯地主要作物分别为一年一熟的木薯和甘薯,该地块为无灌溉设施的旱地,每年施入较少化肥及进行少量耕作;水稻–水稻地为水稻连作,水稻–甘薯地为水稻与甘薯轮作,花生–水稻地为花生与水稻轮作,均为一年两熟,其年均分4次施入农肥和化肥,并进行较为精细的耕作;蔬菜地主要为蔬菜连作,一年三熟,主要种植制度为芥菜–菜心–长茄、菜心–菜心–辣椒、芥菜–大白菜–长茄、青瓜–豆角–菜心或菜心–青瓜–辣椒。该地块年均施肥6次,施肥量大,氮、钾肥多于磷肥,并进行较为精细的耕作。为了提高蔬菜的成活率和产量,研究区的菜农大多先利用蔬菜育苗基质土(将泥炭、蛭石和珍珠岩与当地土壤混合)在蔬菜大棚或网室中育苗,待蔬菜种子发芽,苗长势健壮,再将蔬菜苗连同育苗盘里的基质土一并移栽到大田蔬菜地里,经过多年的蔬菜连作,该区蔬菜地耕层中含有了一定量的蛭石和珍珠岩;花生–大豆地为花生与大豆轮作,一年两熟,年均施肥4次,并进行常规耕作。研究区主要使用的化肥为尿素、磷酸二氢铵和氯化钾。
1.2 土样采集与分析方法
根据研究区8个种植模式耕地面积的实际大小,分别选取具有代表性的田块并GPS定位,木薯地为10个、甘薯地13个、蔬菜地45个、花生–水稻地57个、花生–大豆地15个、水稻–甘薯12个、水稻–水稻71个、香蕉35个田块。每个田块内随机选取 10 m×10 m的正方形样地,依据“对角线法”选取5点采集 0~20 cm深的耕层土壤,将样品混匀、用四分法分取备用。土样在室温下自然风干,磨碎,分别过2.000和0.149 mm筛,密封保存,用于测定各项土壤肥力指标。
土壤pH的测定选用pH计电位法(10 g土加入到25 mL去离子水中);土壤有机质的测定采用重铬酸钾容量法;全氮的测定采用凯氏消煮法;碱解氮的测定采用碱解扩散法;速效磷的测定采用Olsen法;缓效钾的测定采用热HNO3浸提–火焰光度法;速效钾的测定采用NH4AOC浸提–火焰光度法[6]。
1.3 数据分析
数据统计采用SAS 9.0和ADE-4[7]等软件进行。
2. 结果与分析
2.1 不同种植模式的土壤肥力指标比较
如表1所示,不同种植模式对土壤pH、有机质、全氮、碱解氮、速效磷、缓效钾和速效钾含量的影响达到极显著水平(P<0.001)。其中香蕉地土壤的pH最小,显著小于除水稻–甘薯轮作外的其他耕地。水稻–甘薯轮作地土壤pH显著小于花生–水稻轮作、木薯和蔬菜地;
表 1 不同种植模式的土壤肥力指标及方差分析1)Table 1. ANOVA results and soil fertility properties under different tillage modes种植模式 pH w/(g·kg–1) w/(mg·kg–1) 有机质 全氮 碱解氮 速效磷 缓效钾 速效钾 甘薯 5.45±0.21ab 8.9±3.3c 0.498±0.211c 67.9±27.7de 37.6±22.6b 80.2±119.1b 141.0±264.4bcd 花生–大豆 5.12±0.54ab 14.5±7.6b 0.810±0.402b 69.6±37.8de 8.8±9.4c 96.1±72.2b 256.1±311.8ab 花生–水稻 5.48±0.69a 14.5±8.5b 0.818±0.469b 116.8±63.8bcd 32.0±27.2bc 325.5±429.9b 129.8±249.5bcd 木薯 5.50±0.66a 8.0±2.9c 0.455±0.170c 55.5±27.3e 29.4±21.5bc 87.0±43.7b 24.5±11.2d 蔬菜 5.57±0.67a 14.0±5.7b 0.816±0.330b 162.0±48.6ab 65.9±34.1a 745.6±413.3a 194.6±213.3bc 水稻–甘薯 4.98±0.86bc 14.7±9.0b 0.814±0.468b 88.0±56.6cde 13.5±16.7c 253.8±271.3b 95.6±62.3bcd 水稻–水稻 5.24±0.66ab 21.5±9.6a 1.159±0.518a 126.1±91.3bc 19.4±20.5bc 373.3±398.7b 68.3±85.0cd 香蕉 4.61±0.79c 20.4±8.7a 1.111±0.466ab 194.5±103.5a 67.6±63.8a 672.2±609.8a 376.4±381.3a F 7.558 9.561 8.208 10.158 14.608 10.185 7.366 P <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 1) 同列数据后凡是具有一个相同小写字母者表示不同种植模式间差异不显著(P>0.05,DMRT 法) 从土壤有机质含量的方差分析结果看出,香蕉地和水稻–水稻连作地土壤有机质含量显著大于其他耕地土壤,水稻–水稻连作地和香蕉地较木薯地有机质含量分别增加168%和154%。蔬菜、花生–水稻、花生–大豆和水稻–甘薯轮作地有机质含量显著大于木薯和甘薯地;各种植模式耕地的土壤全氮含量比较结果为:水稻–水稻连作地和香蕉地土壤全氮含量最高,其中水稻–水稻连作地显著大于除香蕉地以外的其他耕地,香蕉地显著大于木薯和甘薯地土壤的全氮含量。水稻–水稻连作地和香蕉地较木薯地土壤全氮含量分别增加155%和144%;土壤碱解氮含量的分析结果显示:香蕉、蔬菜地和水稻–水稻连作地土壤碱解氮含量较其他耕地高,香蕉地显著大于除蔬菜地以外的其他耕地,蔬菜地和水稻–水稻连作地显著大于水稻–甘薯、花生–大豆、甘薯和木薯地,其中碱解氮含量最高的香蕉地是含量最低的木薯地的3.50倍,蔬菜地是木薯地的2.92倍,水稻–水稻连作地是木薯地的2.27倍;
土壤速效磷含量的方差分析结果表明,香蕉和蔬菜地土壤的速效磷含量最高,花生–大豆和水稻–甘薯轮作地的含量最低。香蕉和蔬菜地的速效磷含量显著大于其他耕地,甘薯、花生–水稻、木薯和水稻–水稻地显著大于或大于花生–大豆和水稻–甘薯地,其中速效磷含量最多的香蕉和蔬菜地分别是含量最少的花生–大豆地的7.65和7.46倍;
土壤缓效钾含量的方差分析结果表明,蔬菜和香蕉地缓效钾含量最高,显著大于其他种植模式的耕地,其中蔬菜和香蕉地的缓效钾含量是含量最少的甘薯地的9.30倍和8.39倍;土壤速效钾的分析结果表明,香蕉地的速效钾含量最高,显著大于除花生–大豆地以外的其他耕地土壤,是含量最低木薯地的15.36倍。花生–大豆和蔬菜地的速效钾含量较高,显著大于水稻–水稻和木薯地,分别是木薯地的10.45和7.94倍。
2.2 不同种植模式对土壤肥力的综合影响
主成分分析可以实现对各指标及主成分得分的综合变异分析[8]。本研究对8个不同种植模式的土壤肥力质量综合特征进行了主成分分析,结果如图1所示:
第1和第2主成分累计方差贡献率达到62.92%,8个种植模式下7个土壤肥力变量的全部信息均可以由图1体现出来。主成分空间载荷图(图1a)中箭头代表各土壤肥力指标的矢量,矢量在2个主成分轴(X和Y)上的垂直投影长短代表该变量与主成分的关系,投影越长,该变量在主成分上的贡献率越大;主成分得分空间分布图(图1b)中①~⑧这8个种植模式的土壤综合得分位置,与该样点在载荷图上土壤肥力矢量的位置相对应。由图1可以看出,第1主成分方差贡献率为 43.64%,其主要与土壤pH及有机质、全氮、碱解氮、缓效钾含量等变量密切相关(图1a),水稻–水稻(②)、香蕉(⑦)和蔬菜(⑧)地与其他5个种植模式土壤肥力质量综合差异主要由这些因素决定。水稻–水稻、香蕉和蔬菜地的土壤样点明显向较高有机质、全氮、碱解氮和缓效钾以及较低pH的方向偏移(图1b),而其他5个种植模式的土壤样点则向相反的方向偏移,其中⑦在第1主成分上能够与木薯(①)、水稻–甘薯(③)、花生–水稻(④)、甘薯(⑤)、花生–大豆(⑥)种植模式的土壤样点明显区分,②和⑧与④和⑤明显区分(P<0.000 1)。
第2主成分方差贡献率为19.28%(Y轴),其与土壤有机质、全氮、速效磷、缓效钾和pH等变量紧密联系(图1a),⑧的土壤肥力特征能与②、③和⑥的土壤明显区分,前者的土壤样点明显向pH、速效磷和缓效钾含量较高以及全氮和有机质含量较低的方向偏移(P<0.000 1,图1b),而后三者则向相反的方向偏移。
综上所述,在第1和第2主成分上,香蕉地与蔬菜地,以及它们与其他种植模式耕地之间的土壤肥力质量特征区分明显(P<0.000 1,图1b);在本文研究中,相比其他土壤肥力指标,速效钾的矢量在主成分上的垂直投影最短,因此其引起8个种植模式耕地之间综合肥力差异的贡献率最小,即8个种植模式耕地对速效钾的总体影响较小。
2.3 不同种植模式下土壤肥力指标的相关性
主成分载荷图(图1a)中的矢量箭头代表各土壤变量,2个箭头间余弦角度显示了7个变量的相互关系,角度越小,相关性越高。由图1a可以看出,土壤缓效钾、速效磷、碱解氮含量之间具有一定程度的正相关性,土壤有机质、全氮、碱解氮含量之间也有一定程度的正相关性,而土壤pH与有机质、全氮、速效钾含量有一定的负相关关系,因此本文对土壤肥力各变量进行了进一步的相关性分析,结果如表2所示。土壤pH与有机质、速效钾含量之间有显著的负相关关系。而有机质含量与全氮、碱解氮含量呈显著正相关关系,且碱解氮含量与全氮含量之间也呈显著正相关关系。速效磷含量与碱解氮含量之间有显著的正相关关系。缓效钾含量与有机质、全氮、碱解氮、速效磷含量之间呈显著正相关关系。
表 2 土壤各变量间相关分析1)Table 2. Correlation analysis among soil variables变量 pH 有机质 全氮 碱解氮 速效磷 缓效钾 速效钾 pH 1 有机质 –0.622* 1 全氮 –0.598 0.998** 1 碱解氮 –0.415 0.715* 0.741* 1 速效磷 –0.067 0.115 0.145 0.759* 1 缓效钾 –0.246 0.621* 0.626* 0.959** 0.786** 1 速效钾 –0.642* 0.423 0.440 0.618 0.525 0.509 1 1)“*” 和 “* *” 分别表示在0.05和0.01水平显著相关(Pearson 相关分析法) 3. 讨论与结论
土壤的物理、化学质量与土壤质地、气候、水文和相关农田管理措施密切相关[4]。因为本文研究区域的土壤均为雷州半岛玄武岩母质砖红壤,且研究中的采样时间一致,海拔、坡度、地下水位、温度、降水量等因素差异不大,因此耕地不同种植模式所引起的施肥时间和方法、种植种类和结构、灌溉和耕作制度的差异是造成土壤肥力特征不同的主要原因。本研究结果显示,香蕉地的土壤pH显著低于其他种植模式耕地,这是因为香蕉树体较大,根茎叶生物量明显大于其他作物,当地香蕉园整地时将上年残留的香蕉根茎叶搅碎,并归还到土壤后,大量的根茎叶在土壤中腐烂产生较多的有机酸可能是造成其pH较低的一个重要原因[9];同时香蕉整个生育期需氮钾养分较多,根据当地蕉园施肥习惯,每年每株香蕉施入不少于300 g氮(N)的尿素和600 g钾(K2O)的氯化钾,多年来化肥的大量施用也可能直接影响土壤的交换性氢和铝的含量,造成其酸度较大[10-11]。对土壤有机质和速效钾含量的方差分析结果也表明,其在香蕉地土壤中的含量显著高于其他种植模式耕地,引起此结果的原因同样是大量香蕉根茎叶的还田和化肥的施用。这也是8个种植模式的土壤pH与有机质、速效钾含量呈显著负相关关系的主要原因。
为了增加农作物的产量和品质,提高经济效益,所研究区域长期大量施用尿素、磷酸二铵、氯化钾等化肥,这是耕地具有较高的速效氮磷钾养分含量的主要原因[12]。蔬菜和香蕉在生长过程中需肥量很大,香蕉整个生育期长,所研究区域的香蕉地施肥次数多,施肥量大。蔬菜虽然生长期较短,但需肥量较大,且所研究区域一年种植三茬蔬菜,因此施肥量同样较大。这是研究区域蔬菜和香蕉地土壤中氮磷钾速效养分含量显著大于其他耕地的主要原因[13-14];相关分析结果显示,所研究区域的土壤速效钾与pH呈显著负相关,而土壤速效磷和碱解氮则呈显著正相关,这主要是因为长期施用氯化钾肥料导致土壤pH降低[10],施用磷酸二胺肥料引起土壤速效磷和碱解氮含量同时增加[15]。化肥的大量施用可以有效提高土壤中速效养分的含量,但是作为土壤肥力的重要标志,即有机质含量不能通过施用化肥来提高[16]。主成分分析结果显示蔬菜地的主要肥力障碍因子是有机质不足,相比香蕉和水稻–水稻等耕地,其有机质含量较低,这主要是因为研究区域蔬菜地1年收获3次,大量土壤养分被带走,加速有机质分解消耗,且绝大部分蔬菜没有还田,又考虑到成本,当地农户很少施用有机肥,这就导致了蔬菜地长期有机质消耗大于补充。由于碳素和氮素是植物和微生物生长及酶活性的限制因素[17],已有大量研究表明施用有机肥能够补充植物所需的营养元素,也能显著改善土壤微生物种群结构和酶活性[18],土壤酶和微生物作为土壤物质循环和能量转化的关键参与者,将最终活化土壤养分并提高肥料利用率[19]。因此需要施用有机肥或生物有机肥来进一步提高研究区蔬菜地土壤肥力。
缓效钾是速效钾的储备库,是土壤长期供钾潜力的指标,它一般被固定在黑云母、伊利石、含水云母分解的中间体以及黏土矿物晶格中,在速效钾耗竭情况下,是作物吸收钾的主要来源[20]。相关分析结果表明,缓效钾与有机质、全氮、碱解氮、速效磷之间成显著正相关关系。这可能是由于有机质和土壤矿物黏粒形成稳定的团粒结构,钾的固定量增加[21]。铵根离子进入土壤黏粒层间,并将钙离子和镁离子置换出来,将非交换性钾离子闭蓄在晶层间的空穴中,降低缓效钾的释放[22]。所研究区域的施肥特点是氮磷钾肥料一起配合施用,同时补充土壤中速效氮、磷、钾养分,由于8种作物多数吸收氮和钾多,磷少,因此收获时从土壤中携出的养分以钾和氮最多,磷最少,每次施肥后速效磷将同缓效钾一样在土壤中累积;本研究还表明,香蕉和蔬菜地土壤中的缓效钾含量显著大于其他耕地的缓效钾含量,主要因为香蕉地的有机质含量最高,大量的有机质和土壤矿物黏粒形成稳定的团粒结构,更有利于土壤对交换性钾离子的固定。蔬菜地缓效钾含量较高是因为其相比于其他耕地,土壤中含有一定量的蛭石和珍珠岩,蛭石等矿物质对交换性钾有较强的固定能力[23]。并且香蕉和蔬菜需钾量较大,施用速效钾肥较多,土壤中的可溶性和交换性钾含量较高,则进入黏土矿物层间被固定的钾离子就较高,因此形成的非交换性缓效钾就较多[24]。
研究区8种耕地连续种植5年以上作物后,对土壤肥力指标的影响均达到显著水平。这说明不同种植模式通过改变土壤养分投入和管理,影响营养元素的循环强度、总量及路径,从而使土壤肥力发生变化[25]。但是基于方差分析的多重比较是针对单个肥力指标的变异情况,并不能全面地反映种植模式对土壤肥力综合影响的规律和趋势[5]。相关分析表明,土壤肥力的各个属性之间并不是孤立的,它们具有一定的相关性。在评价众多的土壤肥力属性时,变量彼此间紧密的相互关系一定程度上影响了对土壤综合肥力起决定作用的主要因子的查找[4]。Velasquez等[26]和Jouquet等[27]研究结果已证实主成分分析方法有助于评价不同土地利用方式下土壤多变量的综合质量特征。本研究在方差分析的基础上利用ADE-4软件进行主成分分析,该方法不仅能有效区别不同种植模式的土壤肥力属性差异,并能显示出各变量的相互关系,而且也能直观地识别影响耕地土壤肥力质量的主要因子,这将为土壤的进一步改良和高效管理提供参考。主成分分析结果显示,相比其他耕地,有机质和氮素(全氮和碱解氮)养分缺乏是木薯和甘薯地(旱地)土壤肥力质量较差的主要原因,这与红壤旱地有机质含量逐年呈显著下降趋势的结果一致[28]。因此认为施用有机肥、有机无机复合肥或生物有机肥来提高土壤肥力,是增加产量的有效措施[29];速效磷含量不足是水稻–甘薯、花生–大豆耕地土壤肥力较低的主要原因,建议增加速效磷肥(过磷酸钙)或有机肥的施用量来提高耕地中速效磷的含量,增加土壤综合肥力;在8种耕作模式中,香蕉地的土壤综合肥力最高,但其pH较其他耕地土壤低,土壤酸化加剧会导致土壤养分离子的淋失,使土壤日趋贫瘠化,同时释放出有害铝离子和重金属等污染物,可达到对植物生长有害水平[30]。因此在种植香蕉前,应向每公顷耕地中施入1 200~1 800 kg的石灰,以调节土壤酸度,提高产量[31]。8种耕作模式中,水稻–水稻连作地和蔬菜地的综合肥力仅次于香蕉地,水稻–水稻连作地较香蕉和蔬菜地,速效磷含量不足,因此建议增施磷肥(过磷酸钙)以补充土壤中的速效磷。蔬菜地较香蕉地和水稻–水稻连作地有机质含量有所不足,因此建议增施有机肥;所有肥力指标中,速效钾引起8种耕作模式土壤综合肥力差异的贡献率最小,且8种耕地模式土壤速效钾的标准差较大,说明其变异程度较其他肥力指标高。这可能与土壤矿物黏粒对钾的固定以及作物对矿物钾的活化作用有关。一方面,当为作物施速效钾肥料后,土壤水溶性和交换性钾离子浓度增加,土壤矿物黏粒对钾的固定作用随之增大[24]。另一方面,作物对钾的吸收会导致土壤溶液中钾离子浓度的下降,原本土壤中各种形态钾之间的平衡被打破,促进矿物钾向交换性或水溶性钾的转化。同时作物根系分泌物的有机酸也可促进矿物钾的释放[32]。
本研究结果显示,研究区不同耕作模式对土壤pH、有机质、全氮、碱解氮、速效磷、缓效钾和速效钾含量的影响显著。其中香蕉地和水稻–甘薯轮作地土壤pH最低;香蕉地和水稻–水稻连作地土壤有机质和全氮含量最高,而在木薯和甘薯地中其含量最低;香蕉、蔬菜地和水稻–水稻连作地土壤碱解氮含量较其他耕地多;香蕉和蔬菜地土壤的速效磷含量最高,而花生–大豆和水稻–甘薯轮作地其含量最低;土壤缓效钾在蔬菜和香蕉地中含量最高;速效钾含量也在香蕉地中最高,而木薯地中含量最低。
研究区8种种植模式的土壤综合肥力差异明显,这种差异与各种种植模式下的土壤田间管理方式密切相关。香蕉、蔬菜地和水稻–水稻连作地综合肥力较好,其中香蕉地最高,蔬菜地和水稻–水稻连作地次之,土壤pH较低是香蕉地土壤肥力进一步提高的障碍因子,有机质含量较低是蔬菜地肥力的限制因素,速效磷含量较低则是水稻–水稻连作地肥力的限制因素;水稻–甘薯、花生–水稻和花生–大豆轮作地土壤综合肥力中等;而木薯和甘薯地综合肥力相对较差,有机质和氮素养分缺乏是其土壤综合肥力最低的主要原因,因此该区域增施有机肥、有机无机肥料的配合施用以及对土壤酸度的适当调节是进一步提高耕地土壤综合肥力的关键。
-
图 6 服务器云平台的架构
1:目标水塘;2:水体数据采集;3:设备控制端;4:服务器云平台;5:MYSQL数据库;6:服务提供层;7:后台信息管理应用程序接口;8:信息展示应用程序接口;9:监测终端;10:控制;11:采集
Figure 6. Architecture of server cloud platform
1: Target reservoir; 2: Water data collection; 3: Equipment control terminal; 4: Sever cloud platform; 5: MYSQL database; 6: Service layer; 7: Background information management API; 8: Information display API; 9: Monitoring terminal; 10: Control; 11: Collection
表 1 数据采集传感器及相关参数
Table 1 Data acquisition sensors and related parameters
水质因子
Water element型号
Model量程
Range精度
Accuracy氨氮 NH4+-NO2− NHN-202A 0~10 mg·L−1 ±0.2 mg·L−1 溶解氧
Dissolved oxygenRDO-206 0~20 mg·L−1 ±0.2 mg·L−1 温度 Temperature RDO-206 0~40 ℃ ±0.5 ℃ pH PHG-200 0~14 ±0.01 盐度 Salinity DDM-202I/C 0~0.5% ±0.007 5% 表 2 无线通信技术对比分析
Table 2 Comparative analysis of wireless communication technology
无线技术
Wireless technology通信频段/Hz
Communication frequency传输距离/m
Transmission distance传输速度/bp·s−1
Transmission speedZigBee 2 400 000 000 10~100 20 000~ 250 000 WiFi 2 450 000 000 300 11 000 000 GPRS 935 000 000~ 960 000 000 20 000 10 000~ 100 000 NB-IOT 800 000 000~ 2 100 000 000 10 000~ 20 000 100 000 LoRa 470 000 000~ 518 000 000 20 000 300~50 000 -
[1] 杨红生, 杨心愿, 林承刚, 等. 着力实现海洋牧场建设的理念、装备、技术、管理现代化[J]. 中国科学院院刊, 2018, 33(7): 732-738. [2] 赵敏华, 李莉, 呼娜. 基于无线传感器网络的水质监测系统设计[J]. 计算机工程, 2014, 40(2): 92-96. doi: 10.3969/j.issn.1000-3428.2014.02.020 [3] 黄建清, 王卫星, 姜晟, 等. 基于无线传感器网络的水产养殖水质监测系统开发与试验[J]. 农业工程学报, 2013, 29(4): 183-190. [4] 李鑫星, 王聪, 田野, 等. 基于ZigBee的多参数水质在线监测系统[J]. 农业机械学报, 2015, 46(增刊1): 168-173. doi: 10.6041/j.issn.1000-1298.2015.S0.028 [5] 金光, 高子航, 江先亮, 等. 基于低功耗广域网的海岛水产养殖环境监测系统研制[J]. 农业工程学报, 2018, 34(24): 184-191. doi: 10.11975/j.issn.1002-6819.2018.24.022 [6] 林永君, 杨春来, 常喜茂, 等. 基于GPRS的远程监控系统的研究与实现[J]. 化工自动化及仪表, 2011, 38(11): 1367-1370. doi: 10.3969/j.issn.1000-3932.2011.11.025 [7] WANG Y, QI C, PAN H. Design of remote monitoring system for aquaculture cages based on 3G networks and ARM-Android embedded system[C]//GUO H. Procedia Engineering. Amsterdam: Elsevier Science, 2012, 29: 79-83.
[8] 柴秋子, 陈东晓, 余红, 等. 基于超低功耗单片机和光电传感器的蜜蜂计数监测系统设计[J]. 农业工程学报, 2017, 33(13): 193-198. doi: 10.11975/j.issn.1002-6819.2017.13.025 [9] 李昕, 曲梦可, 荣誉. 基于MSP430单片机的模糊温湿度控制器的设计[J]. 传感技术学报, 2007, 20(4): 805-808. doi: 10.3969/j.issn.1004-1699.2007.04.021 [10] 丁云风, 窦银科, 潘曜, 等. 基于MSP430南极冰盖冰雪监测站设计与应用[J]. 控制工程, 2018, 25(5): 746-751. [11] 韩玉冰, 傅泽田, 张小栓, 等. 基于WSN的观赏鱼养殖水质环境监测系统研究[J]. 农业机械学报, 2016, 47(增刊1): 392-400. [12] FEI Z, LI B, YANG S, et al. A survey of multi-objective optimization in wireless sensor networks: Metrics, algorithms, and open problems[J]. IEEE Commun Surv Tut, 2017, 19(1): 550-586. doi: 10.1109/COMST.2016.2610578
[13] DING Q, MA D, LI D, et al. Design and implementation of a sensors node oriented water quality monitoring in aquaculture[J]. Sensor Lett, 2010, 8(1): 70-74. doi: 10.1166/sl.2010.1204
[14] 何灿隆, 沈明霞, 刘龙申, 等. 基于NB-IoT的温室温度智能调控系统设计与实现[J]. 华南农业大学学报, 2018, 39(2): 117-124. doi: 10.7671/j.issn.1001-411X.2018.02.018 [15] 张铮, 曹守启, 朱建平, 等. 面向大面积渔业环境监测的长距离低功耗LoRa传感器网络[J]. 农业工程学报, 2019, 35(1): 164-171. doi: 10.11975/j.issn.1002-6819.2019.01.020 [16] WANG L, CHEN X, GU D. Design of water quality monitoring system for aquaculture based on ZigBee[J]. DEStech Trans Comput Sci Eng, 2017. doi: 10.12783/dtcse/iceiti2017/18845
[17] 万雪芬, 崔剑, 杨义, 等. 地下LoRa无线传感器网络的传输测试系统研究[J]. 华南农业大学学报, 2018, 39(3): 118-124. doi: 10.7671/j.issn.1001-411X.2018.03.018 [18] 曹文熙, 孙兆华, 李彩, 等. 水质监测浮标数据采集和接收系统设计及其应用[J]. 热带海洋学报, 2018, 37(5): 1-6. [19] LEE M W, HONG S H, CHOI H, et al. Real-time remote monitoring of small-scaled biological wastewater treatment plants by a multivariate statistical process control and neural network-based software sensors[J]. Process Biochem, 2008, 43(10): 1107-1113. doi: 10.1016/j.procbio.2008.06.002
[20] ZHU X, LI D, HE D, et al. A remote wireless system for water quality online monitoring in intensive fish culture[J]. Comput Electron Agr, 2010, 71(Sup 1): S3-S9.
[21] 蒋鹏. 基于无线传感器网络的湿地水环境远程实时监测系统关键技术研究[J]. 传感技术学报, 2007, 20(1): 183-186. doi: 10.3969/j.issn.1004-1699.2007.01.041 -
期刊类型引用(19)
1. 钱卫星,郑东. 动态环境监测系统的设计. 集成电路应用. 2024(03): 186-187 . 百度学术
2. 陈雄,罗海波. 碳汇渔业贝类养殖监测管理系统的设计与开发. 闽江学院学报. 2024(05): 51-58 . 百度学术
3. 罗潜,吉艺宽,李美娣. 基于STM32和ZigBee的水产养殖水质监测系统设计. 仪器仪表用户. 2023(08): 22-26 . 百度学术
4. 杨智玲,程玮. 基于无人机遥感技术的渔业养殖池塘水质监测方法. 太原师范学院学报(自然科学版). 2023(02): 35-40 . 百度学术
5. 余钱程,管延敏,黄温赟,韦龙,虞嘉晨. 基于STM32与树莓派的养殖水质监测无人艇系统研究. 渔业现代化. 2023(05): 33-42 . 百度学术
6. 林盾,怀晓伟,宁睿. 面向电网基建现场的LoRa通信低功耗组网控制技术的优化设计. 自动化应用. 2023(22): 73-75 . 百度学术
7. 杨智玲. 无人机技术在水产养殖作业通信系统中的应用. 长江信息通信. 2022(04): 1-3 . 百度学术
8. 孔兵,余梅,乔欣. 基于LoRa无线通信的水产养殖水质监测系统设计. 滨州学院学报. 2022(02): 74-80 . 百度学术
9. 任晓亮,施羽露,廖河庭,杨晓曦,钱信宇,郑尧,陈家长. 水产环境污染现状及治理策略. 农学学报. 2022(05): 42-46 . 百度学术
10. 闫尉深,刘威,刘家俊,李志达. 基于无线技术的隧道积水监测系统设计. 电子设计工程. 2022(14): 137-141 . 百度学术
11. 李阳东,漆林,笪亨融,谢洋洋. 基于物联网的近海岸水质监测平台方案设计. 海岸工程. 2022(03): 268-276 . 百度学术
12. 康晋. 基于LoRa无线通信的工业机器人远程监控系统设计. 计算机测量与控制. 2022(09): 119-124+132 . 百度学术
13. 肖军. 基于无线通信技术的医院信息管理系统设计. 自动化技术与应用. 2022(11): 107-111 . 百度学术
14. 巫鹏航,王锦鹏,朱敬宾,郭来功. 基于STM32与LabVIEW的地下水压水温监测系统设计. 长春师范大学学报. 2021(04): 43-47 . 百度学术
15. 覃伟锋,郝文杰,莫胜胜,龙应萍,蔡世媚,范嘉晨. 基于云服务的水产养殖水质监测系统. 电子制作. 2021(10): 30-32 . 百度学术
16. 胡颖,徐轶群. 基于窄带物联网通信的海洋水质监测系统设计. 广州航海学院学报. 2021(02): 14-19 . 百度学术
17. 谭明,曾海涛,王田. 基于无线通信的换流阀冷却塔温度监测系统设计. 电工技术. 2021(12): 8-9+12 . 百度学术
18. 颜瑞,王震,李言浩,李哲敏,李娴. 中国农业智能传感器的应用、问题与发展. 农业大数据学报. 2021(02): 3-15 . 百度学术
19. 尹航,廖梓渊,徐龙琴,刘双印,曹亮,郭建军. 基于ECharts的对虾产业数据可视化分析平台设计及实现. 现代农业装备. 2021(04): 7-14 . 百度学术
其他类型引用(12)