基于農業物聯網的農作物生長監測數據融合研究

黃海松　秦志遠　張慧

摘要：針對農業無線傳感器網絡數據融合精度低、傳感器節點能量有限的問題，結合農作物生長環境監測的特點，提出了一種適用于農作物生長監測數據融合的架構和算法。將無線傳感器網絡劃分成多個固定層級，減少數據傳輸量并逐層降低誤差。仿真試驗結果表明，該算法融合結果比算術平均法和單一自適應加權算法更接近真實值。該算法能夠減少數據傳輸量，且具有很好的可拓展性。

關鍵詞：農業物聯網；格拉布斯準則；分層數據融合；自適應加權；數據融合

中圖分類號： TP39302；S126文獻標志碼： A

文章編號：1002-1302（2017）21-0241-03

收稿日期：2016-05-23

基金項目：貴州省自然科學基金（編號：黔科合J字2015]2043號）；貴州省重大基礎研究項目（編號：黔科合JZ字2014]2001）。

作者簡介：黃海松（1977—），女，貴州大方人，教授，博士生導師，主要從事制造業信息化、物聯網技術相關研究。E-mail：huang_h_s@126com。

通信作者：秦志遠，碩士研究生，主要從事物聯網技術、數據融合相關研究。E-mail：Zhiyuan_Qin1992@163com。

農業物聯網有力地推動了信息化和農業現代化的融合，對精細農業的應用和發展起到了重要作用1]。農作物生長環境變化緩慢、實時性要求低，應用環境更為惡劣，因而農業物聯網的應用特點和環境與工業物聯網有本質區別2]，應根據農業生產環境特點應用物聯網技術。農業物聯網中信息傳輸是一個至關重要的環節，農業信息傳輸廣泛采用無線傳感器技術3]。農業物聯網具有監測面積大、數據傳輸距離遠等特點，因此信息傳輸要充分考慮農業物聯網的特殊性。

相比工業物聯網，農業物聯網要求傳感器節點擁有更長的使用壽命，但是無線傳感器網絡中傳感器節點大都用電池供電且連續工作壽命有限。減少數據傳輸量和數據處理量是延長無線傳感器節點壽命的有效途徑。如果將不經處理的數據直接發送給上位機處理，不僅浪費能量，縮短傳感網絡整體壽命，而且不利于數據利用，甚至會造成網絡擁塞和癱瘓。

1無線傳感器網絡數據融合技術

數據融合技術可以有效去除冗余信息，提高數據準確度和精度，節省傳感器節點能量，達到延長網絡壽命的目的4]，因此能夠有效地解決以上問題。無線傳感器網絡數據融合技術是眾多科技工作者的研究熱點5-7]。劉凱等為提高多傳感器檢測系統預警精度，提出了在數據層、特征層、決策層分別進行數據融合的多傳感器分層數據融合模型5]。王華東等提出單個傳感器數據融合，再進行傳感器間數據加權自適應融合的方法，但在去除粗大誤差時計算方法較為復雜，且傳感器間數據融合全部在同一節點完成，使該節點負擔較重6]。Chen等提出了一種基于簇的數據自適應融合方法，實現數據在空間和時間上的自適應融合7]。無線傳感器節點和路由器的能量有限且處理能力較弱，因而數據融合算法應當盡量簡潔，易于實現8]。自適應加權數據融合算法無需傳感器系統先驗知識，依靠傳感器采集的測量數據即可實現較高精度的融合估計9]，且計算方法簡便。

結合上述研究及農作物生長監測的特點，本研究借鑒分簇路由協議的思想及其周期性采集數據的特點，提出一種適用于農作物生長監測的農業物聯網數據融合的架構及算法。該算法雖然增加了數據融合次數，但是減少了數據傳輸量，在Berkeley Mote中，1 bit數據傳輸的能源消耗可以執行800條指令10]。

2農作物生長監測數據融合研究

農作物生長監測具有環境變化緩慢、實時性要求不高的特點。根據經驗，北方溫室溫度每10 min變化1 ℃，且溫室植物對溫濕度變化敏感度不高11]，其他溫室或農田環境也存在類似情況。據此本研究提出的分層自適應加權數據融合架構如圖1所示，其中基站下設p個子層節點，每個子層節點下設m個普通成員節點，每個普通節點單位時間內采集k個數據。圖2為本研究提出的算法流程示意圖，首先對單位時間內單個傳感器節點采集的數據進行最優估計，然后子層節點對該層內傳感器節點估計值進行自適應加權融合，最后基站將子層節點融合值再次進行自適應加權融合，獲得單位時間內的測量數據最優融合值。

21初始測量數據預處理

估計算法是建立在可靠的測量初值基礎上的，在單個節點的多次測量中，不能保證每次測量值都是正確的，因而首先需要去除粗大誤差。粗大誤差（又稱疏失誤差）是指在測量過程中，偶爾產生的某些不應有的反常因素造成的測量數值超出正常測量誤差范圍的小概率誤差。無線傳感器網絡進行數據采集時，受外界干擾不可避免地出現粗大誤差。含有粗大誤差的數據會干擾試驗結果，甚至歪曲試驗結論。

剔除測量數據中的粗大誤差，可以提高數據融合的自適應速度和精確度。常用剔除粗大誤差的方法有分布圖法、拉伊達法則、格拉布斯準則等。分布圖法借助中位數、四分位數等剔除粗大誤差，但過程較為繁瑣。測量次數趨于無窮大時才可使用拉依達準則12]，測量次數有限時拉依達準則就不很可靠。實踐證明，在檢驗數量較少的數據時，格拉布斯準則剔除疏失誤差的準確性較高，為保證實時性，單位時間采集數據次數不能過多，因此本研究選用格拉布斯準則剔除粗大誤差。

設某節點單位時間內的測量數據分別為x1，x2，x3，…，xi，…，xk則此節點測量數據算術平均值：

xTX-5]=SX（]1kSX）]∑DD（]ki=1DD）]xi。

第i個測量值的殘余誤差為：

Vi=xi-xTX-5]。

對應的該組數據標準差為：

σ=KF（]SX（]1k-1SX）]∑DD（]ki=1DD）]V2iKF）]。

在表1中可查出格拉布斯統計量的臨界值g0（n，α），即pg≥g0（n，α）]=α（顯著水平α一般取005或001，即置信度為95%或99%），為提高測量精度，取置信度為95%。endprint

若第i個測量數據xi滿足如下條件，即

|Vi|≥g0（n，α）σ，

則將xi剔除。

將剩余數據重復以上過程，直到所有數據滿足要求為止。

22單個節點數據分批估計

對單個傳感器節點單位時間內采集的多個數據進行分批估計，減少數據發送次數，節省節點能量，提高數據精確度。對于單個節點數據去除疏失誤差后，將測量數據分為n組。第j組數據可分別表示為xj1，xj2，xj3，xj4，…，xjnj，4≤nj≤7，即每組至少有4個數據，至多有7個，此處考慮計算量與精準性的平衡。

第j組平均值為：

xjTX-5]=SX（]1njSX）]∑DD（]nji=1DD）]xji。

對應的方差為：

σ2j=SX（]1nj-1SX）]∑DD（]nji=1DD）]（xji-xjTX-5]）2。

單一節點數據同屬于一批測量數據，可認為近似服從正態分布，由分批估計理論可得到第i個節點的最優融合方差13]為：

σ2i=JB（（]∑DD（]nj=1DD）]SX（]1σ2jSX）]JB））]，i=1，2，…，m。

其中σ2i越小表明該節點測量數據融合之后的精度越高14]。

由各組方差和平均值能夠計算得知第i個節點融合值為

xi=JB（（]∑DD（]nj=1DD）]SX（]1σ2jSX）]JB））]-1∑DD（]nj=1DD）]SX（]1σ2jSX）]xjTX-5]，i=1，2，…，m。

假設將測量數據分為2組，則該節點的方差可估計為

σ2=SX（]σ21σ22σ21+σ22SX）]。

該節點數據的估計值為

x=SX（]σ21x2+σ22x1σ21+σ22SX）]。

23子層節點數據加權自適應融合

經過上述步驟，得到單個節點的測量數據的估計值。成員節點將數據估計值發送給相應的子層節點，由子層節點融合后轉發給基站，減少了數據傳輸距離，同時進一步提高了數據準確度。設每個子層有m個節點，單個節點數據融合值記為xi、方差為σ2i，對每個子層內節點數據進行層內自適應加權融合。根據權值最優分配原則計算各節點估計值在組內的最優權值Wi，然后對xi自適應加權融合處理，計算得到子層節點數據融合最優值和對應的方差。

設某子層內第i個節點的權值為

Wi=JB（（]σ2i∑DD（]mi=1DD）]SX（]1σ2iSX）]JB））]-1且∑DD（]mi=1DD）]Wi=1。

第q個子層節點融合值和方差分別為

Yq=∑DD（]mi=1DD）]Wixi，q=1，2，…，p；

σq=∑DD（]mi=1DD）]Wiσi，q=1，2，…，p。

依據上述計算過程，可以得到各個子層節點的融合值和方差，為下一步在基站位置數據融合提供數據支持。

24基站級數據加權自適應融合

基站接收各個子層節點數據的融合值和方差，再次融合數據，降低誤差。設每個基站下設p個子層，基站級數據融合過程與子層融合過程基本相同。由上個步驟得到的子層數據方差σq，可計算獲知各個子層的自適應加權因子Wq，結合子層數據融合值Yq，最終可求得該時段內測量數據最優值Z。

第q個子層自適應加權因子為

Wq=JB（（]σ2q∑DD（]pq=1DD）]SX（]1σ2qSX）]JB））]且∑DD（]pq=1DD）]Wq=1。

可得基站層級最終融合值為

Z=∑DD（]pq=1DD）]WqYq。

3改進算法測試分析

為驗證本研究算法的有效性，在實驗室內選定1個監測區域，由15個溫度傳感器節點和3個子層路由節點構成無線傳感網絡，溫度傳感器節點編號1～15，每個節點單次試驗采集10次數據，在不同溫度下進行5次試驗，基準真值分別為135 ℃、172 ℃、208 ℃、237 ℃、250 ℃。3個子層節點標號為1～3，每個子層節點連接5個普通節點，分別對應1～5號、6～10號、11～15號傳感器節點。

31試驗數據處理

以第5次試驗數據為例展示試驗數據處理過程，表2～表4分別為1～5號、6～10號、11～15號溫度傳感器節點融合值、方差和權值，表5為1～3號子層測量數據融合值、方差和權值。依據上面公式進行計算，得出第5次試驗的最終數據融合值為2524 ℃。

32對比與分析

分別使用本研究算法、算術平均法和自適應加權數據融合方法對試驗數據進行處理，結果見表6。為直觀展示3種計算方法融合值與真值近似程度，將真值標準化為零，3種計算方法得到的融合值以相對差值的形式在圖3中表示。在第5次試驗中，算術平均值比自適應加權融合值更接近基準真值，但此種“接近”有較大不確定性，其余試驗中自適應加權融合結果比算術平均法結果更接近真實值?？傮w來看，自適應加權融合方法優于算術平均法，本研究方法優于分層自適應加權融合方法且更穩定，主要原因是分層自適應加權融合方法最初沒有剔除粗大誤差，導致計算偏差較大。

4結束語

本研究結合農作物生長監測環境特點提出的改進分層自適應加權融合架構與算法，將無線傳感器網絡劃分成多個固定層級，周期性采集數據并融合，得到被測數據單位時間內的最優融合值。首先對單個傳感器節點數據進行估計，然后對每一層分別進行自適應加權融合。該算法相比以往算法融合精度高，穩定性好，簡單易行，在滿足數據融合實時性要求的同時，提高了測量數據精準度，雖然增加了計算量，但是減少了數據傳輸量，理論上可以節省無線傳感器節點的能量，延長無線傳感器網絡的壽命。endprint

該方法具有較好的可拓展性，可根據無線傳感網絡規模大小調節網絡分層，適當增加或減少網絡層數。將該算法用于其他類型數據融合時，如濕度、CO2含量、光照度等，可根據被測量的實時性要求和精確度要求，設定傳感器采集數據周期以及周期時間內的數據采集量。下一步的研究重點是在融合多類型數據，為研究基于農業物聯網的農作物生長情景建模奠定基礎。

參考文獻：

1]ZK（#]秦懷斌，李道亮，郭理 農業物聯網的發展及關鍵技術應用進展J] 農機化研究，2014（4）：246-248

2]ZK（#]常超 精準農業中WSN漸進融合算法研究D] 重慶：重慶大學，2012

3]同詩揚，祁廣云，衣淑娟 基于農業物聯網的改進型雙門限頻譜檢測算法研究J] 農機化研究，2016（1）：53-56

4]陳正宇，楊庚，陳蕾，等 無線傳感器網絡數據融合研究綜述J] 計算機應用研究，2011，28（5）：1601-1604

5]劉凱，郭勇義，吳世躍 煤礦安全監測多傳感器分層數據融合模型研究J] 工礦自動化，2014，40（6）：45-50

6]王華東，王大羽 一種改進的多無線傳感器數據分批估計自適應加權融合算法J] 傳感技術學報，2015，28（8）：1239-1243

7]Chen H，Mineno H，Mizuno T Adaptive data aggregation scheme in clustered wireless sensor networksJ] Computer Communications，2008，31（15）：3579-3585

8]熊迎軍，沈明霞，陸明洲，等 溫室無線傳感器網絡系統實時數據融合算法J] HJ185mm]農業工程學報，2012，28（23）：160-166

9]高峰，俞立，王涌，等 無線傳感器網絡作物水分狀況監測系統的上位機軟件開發J] 農業工程學報，2010，26（5）：175-181

10]ZK（#]邱爽，吳巍 無線傳感器網絡數據融合算法研究J] 武漢理工大學學報，2008，30（7）：119-122

11]陳春玲，崔琳，許童羽，等 日光溫室無線傳感器多數據融合技術研究J] 沈陽農業大學學報，2016，47（1）：86-91

12]樊雷松，強彥，趙涓涓，等 無線傳感網中基于BP神經網絡的數據融合方法J] 計算機工程與設計，2014，35（1）：62-66

13]張立勇，張利，李丹 基于最優分組原則的多傳感器分組加權融合算法J] 儀器儀表學報，2008，29（1）：200-205

14]蔣婷，滕召勝，顧紅艷，等 基于EMD與分批估計的動態稱量快速融合方法J] 儀器儀表學報，2015，36（6）：1406-1414endprint