農(nóng)田傳感器校正與感知數(shù)據(jù)清理方法研究.pdf

1、農(nóng)業(yè)是國民經(jīng)濟(jì)建設(shè)與發(fā)展的支柱產(chǎn)業(yè)，農(nóng)業(yè)的穩(wěn)定與發(fā)展是社會(huì)進(jìn)步的首要條件。信息技術(shù)的發(fā)展及在農(nóng)業(yè)領(lǐng)域的切實(shí)應(yīng)用是保障農(nóng)業(yè)的持續(xù)與穩(wěn)定發(fā)展、確保農(nóng)業(yè)產(chǎn)品長期優(yōu)質(zhì)供應(yīng)的根本途徑。信息農(nóng)業(yè)技術(shù)的發(fā)展對(duì)于國家糧食安全、沖破環(huán)境與資源桎梏、加速現(xiàn)代化農(nóng)業(yè)發(fā)展至關(guān)重要。研究并創(chuàng)立適合我國國情的信息農(nóng)業(yè)技術(shù)體系，大力發(fā)展農(nóng)田傳感器技術(shù)與農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)管理過程中對(duì)作物、環(huán)境的實(shí)時(shí)監(jiān)測(cè)和調(diào)控，對(duì)于提高我國農(nóng)業(yè)現(xiàn)代化程度，發(fā)展精確農(nóng)業(yè)有著深遠(yuǎn)

2、意義。
　　當(dāng)前我國農(nóng)業(yè)發(fā)展面臨資源短缺以及環(huán)境約束的雙重壓力，存在著管理水平低下與農(nóng)業(yè)資源投入高的矛盾，因此，如何實(shí)現(xiàn)對(duì)農(nóng)業(yè)生產(chǎn)全過程的實(shí)時(shí)掌控，提升農(nóng)業(yè)生產(chǎn)管理水平是我們目前亟需解決的問題。物聯(lián)網(wǎng)技術(shù)可以大幅度較小人力資源的投入，避免對(duì)農(nóng)田環(huán)境的破壞，從而獲得實(shí)時(shí)精確的農(nóng)田環(huán)境信息以及作物的生長信息。正是在這樣的情況下，物聯(lián)網(wǎng)在農(nóng)業(yè)領(lǐng)域得到了越來越廣泛地應(yīng)用。無線傳感器網(wǎng)絡(luò)是物聯(lián)網(wǎng)體系架構(gòu)中底層網(wǎng)絡(luò)最主要的實(shí)現(xiàn)方式，它由安裝在

3、農(nóng)田區(qū)域的各種無線傳感器節(jié)點(diǎn)構(gòu)成，這些傳感器節(jié)點(diǎn)在田間彼此連通，構(gòu)成多跳式自組織網(wǎng)絡(luò)實(shí)時(shí)采集、傳輸農(nóng)田信息，為農(nóng)業(yè)生產(chǎn)精確管理提供信息支撐。傳感器是構(gòu)成無線傳感網(wǎng)絡(luò)的基本單元，承擔(dān)著信息的采集與處理，其精度與穩(wěn)定性直接影響著感知數(shù)據(jù)的準(zhǔn)確度和可靠性，所以對(duì)于農(nóng)田無線傳感器網(wǎng)絡(luò)而言，研究傳感器校正方法以及數(shù)據(jù)處理方式是提高農(nóng)田感知數(shù)據(jù)精確性，保障農(nóng)業(yè)生產(chǎn)管理決策可靠實(shí)施的前提條件。本文以農(nóng)田土壤水分傳感器、農(nóng)田CO2傳感器、作物生長傳感器

4、為研究對(duì)象，以提高農(nóng)田感知數(shù)據(jù)精確性為目標(biāo)，對(duì)農(nóng)田傳感器校正及感知數(shù)據(jù)清理的方法進(jìn)行了研究，完成的主要研究內(nèi)容及成果如下:
　　對(duì)農(nóng)田信息無線傳感器節(jié)點(diǎn)設(shè)備進(jìn)行了介紹，分析了影響農(nóng)田傳感器測(cè)量精度的主要因素，并闡明了農(nóng)田傳感器校正的必要性。以農(nóng)田土壤水分傳感器、農(nóng)田CO2傳感器、作物生長傳感器為研究對(duì)象，應(yīng)用最小二乘算法及BP人工神經(jīng)網(wǎng)絡(luò)算法對(duì)上述三種農(nóng)田傳感器進(jìn)行了校正，并對(duì)校正結(jié)果進(jìn)行了對(duì)比分析，結(jié)果表明，最小二乘算法擬合與B

5、P人工神經(jīng)網(wǎng)絡(luò)算法擬合都可以對(duì)農(nóng)田傳感器標(biāo)定的數(shù)據(jù)進(jìn)行校正，但BP人工神經(jīng)網(wǎng)絡(luò)法擬合的線性度較之于最小二乘算法擬合的線性度要小，非線性校準(zhǔn)效果更為顯著。在精度上，BP人工神經(jīng)網(wǎng)絡(luò)算法要優(yōu)于最小二乘算法。由于BP人工神經(jīng)網(wǎng)絡(luò)算法較之于最小二乘算法更為復(fù)雜，所以從應(yīng)用場(chǎng)合的角度考慮，最小二乘算法更加適合在嵌入式系統(tǒng)中應(yīng)用，而BP人工神經(jīng)網(wǎng)絡(luò)算法更加適合服務(wù)器端的應(yīng)用。
　　分析了農(nóng)田物聯(lián)網(wǎng)長期部署在大田環(huán)境之中，難免受到機(jī)械沖擊、外界

6、震動(dòng)、電磁干擾等測(cè)量條件意外地改變，因此，在農(nóng)田信息的傳感過程中，感知數(shù)據(jù)會(huì)出現(xiàn)比如丟失的屬性值，噪聲數(shù)據(jù)和異常值等問題?；贙-means聚類算法和LOF離群值檢測(cè)算法對(duì)感知數(shù)據(jù)進(jìn)行了清理，并對(duì)不同算法的清理結(jié)果進(jìn)行了比較分析，結(jié)果表明，兩種算法都能在農(nóng)田信息感知數(shù)據(jù)清理中達(dá)到良好的效果，但結(jié)果各有差異，其中K-means聚類分析算法的計(jì)算復(fù)雜度低，在數(shù)據(jù)密集而且分類明顯的情況下效果明顯，而LOF離群值檢測(cè)算法的復(fù)雜度較高，但是對(duì)感知

7、數(shù)據(jù)沒有分類的要求，當(dāng)數(shù)據(jù)分類不明顯時(shí)，LOF離群值檢測(cè)法更具優(yōu)勢(shì)。通過感知數(shù)據(jù)清理，去除了農(nóng)田感知數(shù)據(jù)中的噪聲數(shù)據(jù)與異常值，提高了農(nóng)田感知數(shù)據(jù)的準(zhǔn)確性。
　　本文通過對(duì)農(nóng)田傳感器校正與感知數(shù)據(jù)清理方法的研究，提升了農(nóng)田傳感器的測(cè)量精度，確保了農(nóng)田感知數(shù)據(jù)的準(zhǔn)確性與穩(wěn)定性。使得農(nóng)田物聯(lián)網(wǎng)采集的農(nóng)田信息數(shù)據(jù)更加符合精準(zhǔn)農(nóng)作管理措施的實(shí)際需求。有利于農(nóng)業(yè)生產(chǎn)決策與管理者更好地根據(jù)農(nóng)田信息感知數(shù)據(jù)做出及時(shí)有效的管理決策與應(yīng)對(duì)措施。分析比