CN108401235A - 一种基于大数据的农业现场环境参数智能采集处理系统 - Google Patents

Abstract

本发明提供了一种基于大数据的农业现场环境参数智能采集处理系统，包括多个农业现场环境监测子系统和大数据分析中心，每个农业现场环境监测子系统皆连接至大数据分析中心，每个农业现场环境监测子系统用于采集一个农业现场环境监测区域内的多个监测节点的农业现场环境参数；大数据分析中心用于对采集的农业现场环境参数进行处理分析，实现对农业现场环境的实时监测。本发明基于大数据处理技术，解决了农业现场环境参数的实时监测、长期监测等问题。

Description

一种基于大数据的农业现场环境参数智能采集处理系统

技术领域

本发明涉及农业技术领域，具体涉及一种基于大数据的农业现场环境参数智能采集处理 系统。

背景技术

长期以来农业生产采用粗放式管理，以生产者的经验对作物环境做出判断，然后采取相 应的措施。随着现代农业的发展，农业生产中越来越重视对各种环境信息的采集，以便为生 产提供针对性的指导。但现有的信息收集方式仍以人工采集的方式为主，工作量大，不能实 时的，长期的对农业环境做出监测，在生产中结合大数据技术更是难以实现。

发明内容

针对上述问题，本发明提供一种基于大数据的农业现场环境参数智能采集处理系统。

本发明的目的采用以下技术方案来实现：

提供了一种基于大数据的农业现场环境参数智能采集处理系统，包括多个农业现场环境 监测子系统和大数据分析中心，每个农业现场环境监测子系统皆连接至大数据分析中心，每 个农业现场环境监测子系统用于采集一个农业现场环境监测区域内的多个监测节点的农业现 场环境参数；大数据分析中心用于对采集的农业现场环境参数进行处理分析，实现对农业现 场环境的实时监测。

优选地，每个农业现场环境监测子系统包括设置于设定农业现场环境监测区域内的传感 器节点。

本发明的有益效果为：实现了农业环境的智能化监控，解决了农业现场环境参数的实时 监测、长期监测等问题；将监测信息积累后，通过大数据分析可对农业生产进行有针对性的 指导，避免了生产的盲目性，适应现代农业发展的要求。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于 本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附 图。

图1是本发明一个示例性实施例的农业现场环境监测系统的结构示意框图；

图2是本发明一个示例性实施例的大数据分析中心的结构示意框图；

图3是本发明一个示例性实施例的预处理模块的结构示意框图。

附图标记：

农业现场环境监测子系统1、大数据分析中心2、接收模块10、预处理模块20、分析模 块30、数据压缩模块40、存储模块50。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本实施例提供的一种基于大数据的农业现场环境参数智能采集处理系统，包 括多个农业现场环境监测子系统1和大数据分析中心2，每个农业现场环境监测子系统1皆 连接至大数据分析中心2，每个农业现场环境监测子系统1用于采集一个农业现场环境监测 区域内的多个监测节点的农业现场环境参数；大数据分析中心2用于对采集的农业现场环境 参数进行处理分析，实现对农业现场环境的实时监测。

在一个实施例中，每个农业现场环境监测子系统1包括设置于设定农业现场环境监测区 域内的传感器节点3，可选地，传感器节点3内设有温度传感器、CO2含量传感器、雨量传 感器或光照传感器。

在一个实施例中，如图2所示，大数据分析中心2包括依次连接的接收模块10、预处理 模块20、分析模块30。

其中，接收模块10用于接收多个农业现场环境监测子系统1发送的农业现场环境参数。

其中，预处理模块20用于对接收模块10接收的农业现场环境参数进行预处理。

其中，分析模块30用于对预处理后的农业现场环境参数进行分析处理。

在一个实施例中，大数据分析中心2还包括相连接的数据压缩模块40和存储模块50， 数据压缩模块40与接收模块10连接，用于对接收模块10接收的多个农业现场环境监测子系 统1发送的农业现场环境参数进行压缩处理，并将压缩处理后的农业现场环境参数发送至存 储模块50中存储。

本发明上述实施例实现了农业环境的智能化监控，解决了农业现场环境参数的实时监测、 长期监测等问题；将监测信息积累后，通过大数据分析可对农业生产进行有针对性的指导， 避免了生产的盲目性，适应现代农业发展的要求。

在一个实施例中，农业现场环境监测子系统1还包括基站，基站与大数据分析中心2通 信连接，基站用于汇聚传感器节点采集的农业现场环境参数，并将汇聚的农业现场环境参数 发送至大数据分析中心2。

本实施例通过无线传感器网络采集农业现场环境参数，无需布线，具有拓展性好、监测 实时快捷的优点。

农业现场环境监测子系统1中，各传感器节点通过自组织构建无线传感器网络，且构建 的无线传感器网络采用分簇拓扑结构，将分布在农业现场环境监测区域内的传感器节点根据 节点地理位置划分为N个簇，每个簇选择一个传感器节点作为簇头，其余传感器节点为成员 节点，其中簇头用于收集其簇内各成员节点采集的农业现场环境参数。

在一个实施例中，簇头在收集其簇内各成员节点采集的农业现场环境参数之前计算其簇 内各成员节点的故障概率，设T_a表示簇内成员节点P_a的故障概率，T_a的计算公式为：

式中，q_a为预先设定的簇内成员节点P_a的标准故障概率，为成员节点P_a的初始能量， W_T为设定的能量阈值，Y(P_a,CH_a)为成员节点P_a与其簇头CH_a之间的距离，Y(P_b,CH_a)为成员节点P_a所在簇的成员节点P_b与其簇头CH_a之间的距离，为簇头CH_a所在簇具有的成员节点个数，d₁、d₂为权重系数，且满足d₁+d₂＝1；

若成员节点的故障概率大于设定的概率阈值，簇头将该成员节点定为易故障节点，并定 期对簇内的各易故障节点进行异常检测。

可选地，所述的标准故障概率由专家设定。

本实施例综合考虑了传感器节点的标准故障概率和传感器节点部署的实际情况，创新性 地定义了成员节点的故障概率的计算公式。

由于传感器节点自身的能量情况以及与其簇头的距离会影响到其通信的效率，本实施例 基于此确定其的通信故障率，并与标准故障概率结合来计算故障概率，能够较为有效、精确 地判定出易故障节点。

由于传感器节点对部署的环境比较敏感，同时工作环境也是复杂多变的，这些都将导致 传感器节点出现各种故障状态，这些故障状态将导致采集的农业现场环境参数出现较大误差 甚至错误的情况，其农业现场环境参数不能真实反映被监测对象的实际情况。

针对传感器节点的上述缺陷，本实施例通过簇头对传感器节点进行初步判定，确定易故 障节点，并定期对簇内的各易故障节点进行异常检测，有利于及时检测出异常的传感器节点， 进而对异常的传感器节点及时采取有效措施，避免异常传感器节点对农业现场环境参数采集 的精度造成不利的影响，从而进一步提高农业现场环境参数智能采集处理系统对农业现场环 境监测区域内环境进行监测的精度。

在一个实施例中，簇头定期对簇内的易故障节点进行异常检测，具体为：

(1)设一易故障节点为P_i，其簇头为CH_i，簇头CH_i获取其易故障节点E_i的邻居节点集合 Z(P_i)，并获取易故障节点P_i在一个采集周期内监测到的农业现场环境参数均值B_i，以及邻居 节点集合Z(P_i)中的各邻居节点P_j在同一个采集周期内监测到的农业现场环境参数均值B_j；

(2)计算易故障节点E_i与其各邻居节点之间的距离加权值，构建易故障节点E_i的邻居节 点距离加权值列表；

其中，设E_ij表示易故障节点E_i与其邻居节点P_j之间的距离加权值，E_ij的计算公式为：

式中，P_j∈Z(P_i)，为易故障节点E_i的邻居节点个数，即邻居节点集合Z(P_i)中具有的 传感器节点数量，Y(P_i,P_j)为易故障节点E_i与其邻居节点P_j之间的距离，Y(P_i,P_h)为易故障节 点E_i与其邻居节点P_h之间的距离；

(3)进行异常判定，根据邻居节点距离加权值列表计算易故障节点的加权农业现场环境 参数值：

若|B_i-B_i′|≥δ，δ为设定的数据阈值，则判定该农业现场环境参数均值B_i为异常农业现 场环境参数，并将该易故障节点E_i的异常次数加1；

(4)若易故障节点P_i的异常次数达到设定的次数阈值，判定该易故障节点P_i为无效传感 器节点并报告至基站，否则获取易故障节点P_i在下一个采集周期内监测到的农业现场环境参 数均值及其各邻居节点P_j在同一个采集周期内监测到的农业现场环境参数均值，并按照(3) 对农业现场环境参数均值B_i进行异常判定。

本实施例创新性地提出了一种定期对簇内的各易故障节点进行异常检测的机制，该机制 通过比较易故障节点在一个周期内采集的农业现场环境参数均值和其加权农业现场环境参数 值之间的差值来判断该农业现场环境参数均值是否为异常农业现场环境参数，并以异常农业 现场环境参数出现的次数来判断易故障节点是否为无效传感器节点。

由于邻居节点采集的农业现场环境参数与易故障节点采集的农业现场环境参数具有较大 的时空关联性，该机制中，利用无线传感器网络中同一采集周期内邻居节点农业现场环境参 数均值来计算易故障节点的加权农业现场环境参数值，使得该机制在农业现场环境参数异常 判断以及易故障节点无效判断方面具有较高的检测正确率。

本实施例能够有效提高农业现场环境参数采集的精确度；通过簇头将无效传感器节点上 报至基站，进而由基站对无效传感器节点进行休眠等处理，可以避免无效传感器节点对无线 传感器网络的稳定性造成影响，有利于延长无线传感器网络的寿命，提高农业现场环境参数 智能采集处理系统的稳定性。

在一个实施例中，簇头将收集的农业现场环境参数发送至基站之前，对判定的异常农业 现场环境参数进行替换处理，具体为：

(1)设判定的一异常农业现场环境参数对应的农业现场环境参数均值为B_c，对应的易故 障节点为E_c，获取易故障节点E_c的各邻居节点E_Y在同一采集周期内的农业现场环境参数均值 集合 为易故障节点E_c的邻居节点个数；

(2)将农业现场环境参数均值集合Z(E_c)中的异常农业现场环境参数剔除，得到新的农 业现场环境参数均值集合Z(E_c)′；

(3)按照下列公式计算B_c的替代值B_c′，用B_c′替代B_c：

式中，为农业现场环境参数均值集合Z(E_c)′中农业现场环境参数均值的最大值， 为农业现场环境参数均值集合Z(E_c)′中农业现场环境参数均值的平均值，为 农业现场环境参数均值集合Z(E_c)′中农业现场环境参数均值的最小值。

现有技术中对异常农业现场环境参数进行处理时，通常是直接将异常农业现场环境参数 进行剔除处理，这种方式会造成农业现场环境参数的缺失，从而影响农业现场环境参数的时 间特性，进一步影响后续对农业现场环境参数进行处理分析的精度。

本实施例对异常农业现场环境参数进行处理时，按照设定的公式计算出替代值，将替代 值替换农业现场环境参数组中的异常农业现场环境参数。

本实施例有利于使得农业现场环境参数组中的农业现场环境参数趋于平稳，避免造成农 业现场环境参数缺失而影响农业现场环境参数的时间特性。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围 的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解， 可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (7)

1.一种基于大数据的农业现场环境参数智能采集处理系统，其特征是，包括多个农业现场环境监测子系统和大数据分析中心，每个农业现场环境监测子系统皆连接至大数据分析中心，每个农业现场环境监测子系统用于采集一个农业现场环境监测区域内的多个监测节点的农业现场环境参数；大数据分析中心用于对采集的农业现场环境参数进行处理分析，实现对农业现场环境的实时监测。

2.根据权利要求1所述的一种基于大数据的农业现场环境参数智能采集处理系统，其特征是，每个农业现场环境监测子系统包括设置于设定农业现场环境监测区域内的传感器节点，传感器节点内设有温度传感器、CO2含量传感器、雨量传感器或光照传感器。

3.根据权利要求1所述的一种基于大数据的农业现场环境参数智能采集处理系统，其特征是，大数据分析中心包括依次连接的接收模块、预处理模块、分析模块，其中接收模块用于接收多个农业现场环境监测子系统发送的农业现场环境参数；所述预处理模块用于对接收模块接收的农业现场环境参数进行预处理；所述的分析模块用于对预处理后的农业现场环境参数进行分析处理。

4.根据权利要求3所述的一种基于大数据的农业现场环境参数智能采集处理系统，其特征是，大数据分析中心还包括相连接的数据压缩模块和存储模块，数据压缩模块与接收模块连接，用于对接收模块接收的多个农业现场环境监测子系统发送的农业现场环境参数进行压缩处理，并将压缩处理后的农业现场环境参数发送至存储模块中存储。

5.根据权利要求1-4任一项所述的一种基于大数据的农业现场环境参数智能采集处理系统，其特征是，农业现场环境监测子系统还包括基站，基站与大数据分析中心通信连接，基站用于汇聚传感器节点采集的农业现场环境参数，并将汇聚的农业现场环境参数发送至大数据分析中心。

6.根据权利要求5所述的一种基于大数据的农业现场环境参数智能采集处理系统，其特征是，农业现场环境监测子系统中，各传感器节点通过自组织构建无线传感器网络，且构建的无线传感器网络采用分簇拓扑结构，将分布在农业现场环境监测区域内的传感器节点根据节点地理位置划分为N个簇，每个簇选择一个传感器节点作为簇头，其余传感器节点为成员节点，其中簇头用于收集其簇内各成员节点采集的农业现场环境参数。

7.根据权利要求6所述的一种基于大数据的农业现场环境参数智能采集处理系统，其特征是，簇头在收集其簇内各成员节点采集的农业现场环境参数之前计算其簇内各成员节点的故障概率，设T_a表示簇内成员节点P_a的故障概率，T_a的计算公式为：

式中，q_a为预先设定的簇内成员节点P_a的标准故障概率，为成员节点P_a的初始能量，W_T为设定的能量阈值，Y(P_a,CH_a)为成员节点P_a与其簇头CH_a之间的距离，Y(P_b,CH_a)为成员节点P_a所在簇的成员节点P_b与其簇头CH_a之间的距离，为簇头CH_a所在簇具有的成员节点个数，d₁、d₂为权重系数，且满足d₁+d₂＝1；

若成员节点的故障概率大于设定的概率阈值，簇头将该成员节点定为易故障节点，并定期对簇内的各易故障节点进行异常检测。