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)濟建設與發(fā)展的支柱產(chǎn)業(yè)，農(nóng)業(yè)的穩(wěn)定與發(fā)展是社會進步的首要條件。信息技術的發(fā)展及在農(nóng)業(yè)領域的切實應用是保障農(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)質供應的根本途徑。信息農(nóng)業(yè)技術的發(fā)展對于國家糧食安全、沖破環(huán)境與資源桎梏、加速現(xiàn)代化農(nóng)業(yè)發(fā)展至關重要。研究并創(chuàng)立適合我國國情的信息農(nóng)業(yè)技術體系，大力發(fā)展農(nóng)田傳感器技術與農(nóng)業(yè)物聯(lián)網(wǎng)技術，實現(xiàn)農(nóng)業(yè)生產(chǎn)管理過程中對作物、環(huán)境的實時監(jiān)測和調(diào)控，對于提高我國農(nóng)業(yè)現(xiàn)代化程度，發(fā)展精確農(nóng)業(yè)有著深遠

2、意義。
　　當前我國農(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，如何實現(xiàn)對農(nóng)業(yè)生產(chǎn)全過程的實時掌控，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)技術可以大幅度較小人力資源的投入，避免對農(nóng)田環(huán)境的破壞，從而獲得實時精確的農(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)領域得到了越來越廣泛地應用。無線傳感器網(wǎng)絡是物聯(lián)網(wǎng)體系架構中底層網(wǎng)絡最主要的實現(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)點構成，這些傳感器節(jié)點在田間彼此連通，構成多跳式自組織網(wǎng)絡實時采集、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。傳感器是構成無線傳感網(wǎng)絡的基本單元，承擔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)的準確度和可靠性，所以對于農(nóng)田無線傳感器網(wǎng)絡而言，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、為研究對象，以提高農(nóng)田感知數(shù)據(jù)精確性為目標，對農(nóng)田傳感器校正及感知數(shù)據(jù)清理的方法進行了研究，完成的主要研究內(nèi)容及成果如下:
　　對農(nóng)田信息無線傳感器節(jié)點設備進行了介紹，分析了影響農(nóng)田傳感器測量精度的主要因素，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象，應用最小二乘算法及BP人工神經(jīng)網(wǎng)絡算法對上述三種農(nóng)田傳感器進行了校正，并對校正結果進行了對比分析，結果表明，最小二乘算法擬合與B

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

6、震動、電磁干擾等測量條件意外地改變，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離群值檢測算法對感知數(shù)據(jù)進行了清理，并對不同算法的清理結果進行了比較分析，結果表明，兩種算法都能在農(nóng)田信息感知數(shù)據(jù)清理中達到良好的效果，但結果各有差異，其中K-means聚類分析算法的計算復雜度低，在數(shù)據(jù)密集而且分類明顯的情況下效果明顯，而LOF離群值檢測算法的復雜度較高，但是對感知

7、數(shù)據(jù)沒有分類的要求，當數(shù)據(jù)分類不明顯時，LOF離群值檢測法更具優(yōu)勢。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)的準確性。
　　本文通過對農(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)田傳感器的測量精度，確保了農(nóng)田感知數(shù)據(jù)的準確性與穩(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)更加符合精準農(nóng)作管理措施的實際需求。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)做出及時有效的管理決策與應對措施。分析比