任明康　豐繼林

摘? 要： 設(shè)施農(nóng)業(yè)在我國(guó)已經(jīng)廣泛應(yīng)用于種植蔬菜和中藥等單體附加值較高的作物，但WSN采集節(jié)點(diǎn)數(shù)據(jù)冗余和壽命普遍較短的問(wèn)題制約著設(shè)施農(nóng)業(yè)的長(zhǎng)足發(fā)展。為此文章結(jié)合WSN存在的問(wèn)題提出了時(shí)空數(shù)據(jù)融合模型，該模型在時(shí)間和空間序列上采用TiNA、DPS閾值管理算法和自適應(yīng)加權(quán)融合算法，實(shí)現(xiàn)誤差數(shù)據(jù)清洗和空間環(huán)境參數(shù)整合。通過(guò)時(shí)空融合算法實(shí)驗(yàn)，數(shù)據(jù)發(fā)送量平均減少了6.09%，同時(shí)溫度數(shù)據(jù)的精度提高了2.85%，驗(yàn)證了該方法的可行性和有效性。

關(guān)鍵詞： 設(shè)施農(nóng)業(yè); 數(shù)據(jù)融合; 時(shí)空融合模型; 自適應(yīng)加權(quán)融合

中圖分類號(hào)：TP302.1;S625.5+1? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2022）03-52-05

Abstract： Facility agriculture has been widely used in my country to grow vegetables and traditional Chinese medicines and other high-value-added crops， but the problem of data redundancy and generally short life span of WSN collection nodes restricts the rapid development of facility agriculture. Therefore， this paper proposes a spatiotemporal data fusion model for solving the existing problems of WSN. The model uses TiNA， DPS threshold management algorithm and adaptive weighted fusion algorithm to achieve error data cleaning and spatial parameter integration on time series and space series. The experiment of space-time fusion algorithm show that the amount of data sent is reduced by 6.09% on average， and the accuracy of temperature data is increased by 2.85%， which verifies the feasibility and effectiveness of the method.

Key words： smart agriculture; data fusion; spatiotemporal fusion model; adaptive weighted fusion

0 引言

WSN因其自組織、分布式、低成本和低功耗等優(yōu)點(diǎn)，在設(shè)施農(nóng)業(yè)環(huán)境監(jiān)控領(lǐng)域得到了成功應(yīng)用[1]，通過(guò)對(duì)作物生長(zhǎng)的溫濕度、光照強(qiáng)度、CO2濃度以及營(yíng)養(yǎng)液EC等環(huán)境條件進(jìn)行自動(dòng)控制，保持環(huán)境條件穩(wěn)定，使作物的生長(zhǎng)發(fā)育基本不受自然條件制約[2]。

在WSN中，傳感器節(jié)點(diǎn)分布不均勻，使得采集到的數(shù)據(jù)具有時(shí)變、不穩(wěn)定的特點(diǎn)[3]，數(shù)據(jù)的實(shí)時(shí)性、準(zhǔn)確性、穩(wěn)定性和容錯(cuò)性將直接影響到整個(gè)系統(tǒng)的決策[4]。宋慶恒[5]等采用改進(jìn)的拉伊達(dá)準(zhǔn)則和自適應(yīng)加權(quán)平均實(shí)現(xiàn)數(shù)據(jù)融合，在一定程度上提高了數(shù)據(jù)精度;楊永健[6]等人將SOFM神經(jīng)網(wǎng)絡(luò)應(yīng)用到數(shù)據(jù)融合過(guò)程中，通過(guò)發(fā)送提取到的同類數(shù)據(jù)特征，減少了數(shù)據(jù)發(fā)送量，延長(zhǎng)節(jié)點(diǎn)使用時(shí)間。

本文提出的基于時(shí)空的多傳感器數(shù)據(jù)融合模型[9]，對(duì)不同時(shí)間、空間內(nèi)多傳感器采集到的環(huán)境數(shù)據(jù)，按照時(shí)空融合算法[12]加以分析和使用，降低了采集節(jié)點(diǎn)能量消耗，提高信息的準(zhǔn)確性和全面性，獲得對(duì)被測(cè)對(duì)象一致性解釋和描述，完成需要的決策和評(píng)估，從而保證作物生長(zhǎng)環(huán)境的穩(wěn)定，以期提升作物質(zhì)量和產(chǎn)量。

1 WSN結(jié)構(gòu)分析

1.1 系統(tǒng)整體結(jié)構(gòu)

WSN系統(tǒng)結(jié)構(gòu)分為下位機(jī)和上位機(jī)，下位機(jī)硬件包括數(shù)據(jù)采集節(jié)點(diǎn)和設(shè)備控制節(jié)點(diǎn)，上位機(jī)軟件主要是基于QT設(shè)計(jì)的用戶交互界面。系統(tǒng)整體結(jié)構(gòu)圖如圖1所示。

數(shù)據(jù)采集節(jié)點(diǎn)包含數(shù)據(jù)采集器、溫濕度傳感器、光照強(qiáng)度傳感器、CO2濃度傳感器和營(yíng)養(yǎng)液EC傳感器等。數(shù)據(jù)采集器內(nèi)包含ZigBee通信模塊和電源轉(zhuǎn)換單元兩部分。數(shù)據(jù)采集節(jié)點(diǎn)內(nèi)的所有傳感器設(shè)備都通過(guò)RS-485總線進(jìn)行串口通信。

設(shè)備控制節(jié)點(diǎn)主要包括設(shè)備控制器、風(fēng)扇、噴灌、天窗和水簾等設(shè)備，設(shè)備控制器內(nèi)含有ZigBee通信模塊和電源轉(zhuǎn)換單元等，內(nèi)部設(shè)備通過(guò)RS-485總線進(jìn)行串口通信。

本文選用的ZigBee通信模塊CC2530傳輸速率在20-250kbps之間，傳輸距離最遠(yuǎn)為100米，采用多跳自組織網(wǎng)絡(luò)，滿足當(dāng)前溫室數(shù)據(jù)傳輸需求。CC2530模塊可以設(shè)置為終端模式ZE（ZigBee EndDevice）、路由模式ZR（ZigBee Router）和協(xié)調(diào)器模式ZC（ZigBee Coordinator），并且其自身帶有基礎(chǔ)的51單片機(jī)功能，能進(jìn)行簡(jiǎn)單的數(shù)據(jù)處理。因此，將數(shù)據(jù)采集器和設(shè)備控制器內(nèi)的ZigBee通信模塊都設(shè)置為終端模式ZE，但數(shù)據(jù)傳輸方向相反，主要進(jìn)行終端傳感器數(shù)

據(jù)采集和設(shè)備控制。WSN中還配置了路由節(jié)點(diǎn)和協(xié)調(diào)器節(jié)點(diǎn)，路由節(jié)點(diǎn)包括ZigBee通信模塊和電源轉(zhuǎn)換單元，設(shè)置為路由模式ZR，滿足采集節(jié)點(diǎn)和協(xié)調(diào)器節(jié)點(diǎn)之間的多跳數(shù)據(jù)傳輸需求，起到數(shù)據(jù)中轉(zhuǎn)的作用;協(xié)調(diào)器節(jié)點(diǎn)是一個(gè)小型網(wǎng)關(guān)，包括ZigBee通信模塊、地址設(shè)置單元和電源轉(zhuǎn)換單元，設(shè)置為協(xié)調(diào)器模式ZC，它是溫室個(gè)域網(wǎng)PAN（Personal Area Network）唯一的總控制器，主要負(fù)責(zé)設(shè)備地址分配與數(shù)據(jù)轉(zhuǎn)發(fā)。本文ZigBee網(wǎng)絡(luò)采用網(wǎng)狀撲結(jié)構(gòu)，如圖2所示，采集節(jié)點(diǎn)與路由節(jié)點(diǎn)直接通信，路由節(jié)點(diǎn)經(jīng)過(guò)多跳數(shù)據(jù)傳輸，將數(shù)據(jù)發(fā)送到協(xié)調(diào)器節(jié)點(diǎn)中，最終由協(xié)調(diào)器節(jié)點(diǎn)將數(shù)據(jù)傳輸?shù)胶笈_(tái)數(shù)據(jù)庫(kù)中。

1.2 數(shù)據(jù)采集傳輸流程

數(shù)據(jù)采集器主要包括主程序、中斷程序和數(shù)據(jù)包處理子程序等，數(shù)據(jù)處理流程圖如圖3所示。主程序在初始化后，采集傳感器數(shù)據(jù)，并以5分鐘為周期循環(huán)檢查串口，處理接收到的數(shù)據(jù)包，當(dāng)接收到串口中斷或定時(shí)器中斷事件時(shí)，實(shí)現(xiàn)指令的發(fā)送和數(shù)據(jù)流的接收。本文使用的ZigBee通信模塊定義指令以18位16進(jìn)制數(shù)發(fā)送，數(shù)據(jù)流也以16進(jìn)制接收。

1.3 設(shè)備控制處理流程

設(shè)備控制器主要包括主程序、串口中斷程序和接收數(shù)據(jù)包處理程序等。主程序在初始化之后，進(jìn)入循環(huán)程序并實(shí)時(shí)檢查串口，處理接收的數(shù)據(jù)包，接收的數(shù)據(jù)包程序根據(jù)數(shù)據(jù)包對(duì)應(yīng)字節(jié)的數(shù)據(jù)得出數(shù)據(jù)通道號(hào)，執(zhí)行相應(yīng)的操作并讀取該通道的設(shè)備狀態(tài)，及時(shí)進(jìn)行設(shè)備狀態(tài)反饋。通過(guò)數(shù)據(jù)采集器和設(shè)備控制器的互相配合，將溫室環(huán)境始終控制在一定的范圍內(nèi)，為作物的正常生長(zhǎng)提供良好的條件。

2 時(shí)空數(shù)據(jù)融合

2.1 基于時(shí)間的數(shù)據(jù)融合結(jié)構(gòu)模型

溫室內(nèi)溫度、濕度和二氧化碳濃度等參數(shù)在時(shí)間上具有強(qiáng)相關(guān)性，變化緩慢，數(shù)據(jù)冗余現(xiàn)象十分明顯，因此我們可以利用TiNA[12]（temporal coherency aware in network aggregation）算法消除多傳感器數(shù)據(jù)之間的時(shí)間相關(guān)性，以降低數(shù)據(jù)傳輸?shù)哪芎摹iNA算法的原理是傳感器新收集的參數(shù)與上次發(fā)送到匯聚節(jié)點(diǎn)的參數(shù)的絕對(duì)值不超過(guò)一個(gè)設(shè)定的容許閾值，采集節(jié)點(diǎn)就不會(huì)發(fā)送更新，當(dāng)偏差大于容許閾值時(shí)，就會(huì)發(fā)送當(dāng)前參數(shù)。以溫室溫度為例，一般情況下，晝夜溫差為溫室環(huán)境內(nèi)最大最大溫差，在本文實(shí)驗(yàn)條件下，使用10℃作為容許閾值，使用TiNA算法后，溫度參數(shù)更穩(wěn)定、平滑，TiNA算法的流程圖如圖4所示。

光照強(qiáng)度受天氣情況和作物遮擋的影響，一般情況下，遮擋和沒(méi)遮擋光照強(qiáng)度差在4000lux至7000lux之間，所以，光照強(qiáng)度在時(shí)間序列上變化較大，TiNA算法不再適用于對(duì)光照強(qiáng)度進(jìn)行數(shù)據(jù)融合，因此提出基于時(shí)間序列的DPS（dual prediction scheme）預(yù)測(cè)算法，Y.-A. Le Borgne等人[13]提出了自適應(yīng)模型選擇（ASM），它提供了DPS的輕量級(jí)和高效實(shí)現(xiàn)。DPS在采集節(jié)點(diǎn)和匯聚節(jié)點(diǎn)運(yùn)行一個(gè)相同的預(yù)測(cè)模型，并在給定一些先前樣本的條件下，利用它來(lái)產(chǎn)生傳感器參數(shù)的預(yù)估值，如果預(yù)測(cè)值與實(shí)際傳感器測(cè)量值的差異超過(guò)給定誤差閾值，才向匯聚節(jié)點(diǎn)發(fā)送更新。

針對(duì)上述兩類參數(shù)的不同特點(diǎn)，提出了一種基于時(shí)間序列的WSN數(shù)據(jù)融合結(jié)構(gòu)模型，如圖5所示。對(duì)采集到的環(huán)境數(shù)據(jù)按時(shí)間序列進(jìn)行融合，保證采集的數(shù)據(jù)在用戶指定誤差范圍內(nèi)，并且顯著減少了WSN中的數(shù)據(jù)傳輸次數(shù)，提高數(shù)據(jù)的穩(wěn)定性，延長(zhǎng)了網(wǎng)絡(luò)使用壽命。

2.2 基于空間的數(shù)據(jù)融合結(jié)構(gòu)模型

通過(guò)基于時(shí)間的數(shù)據(jù)融合得到的環(huán)境參數(shù)剩余誤差較小，采用自適應(yīng)加權(quán)平均數(shù)據(jù)融合算法對(duì)溫度、濕度、CO2濃度和光照強(qiáng)度進(jìn)行空間序列上的數(shù)據(jù)融合，以獲得更精準(zhǔn)的溫室環(huán)境參數(shù)。

自適應(yīng)加權(quán)平均算法根據(jù)均方誤差最小原則尋找采集節(jié)點(diǎn)中各傳感器對(duì)應(yīng)的權(quán)值，各傳感器數(shù)據(jù)乘以權(quán)值后相加得到最終融合值，算法模型如圖6所示。設(shè)采用n個(gè)溫度傳感器對(duì)溫度進(jìn)行測(cè)量，不同位置傳感器數(shù)據(jù)權(quán)值ω不同，根據(jù)均方誤差最小原則，自適應(yīng)地尋找其對(duì)應(yīng)最佳權(quán)值，使加權(quán)平均融合后的溫度數(shù)據(jù)達(dá)到均方誤差最小。

設(shè)n個(gè)溫度傳感器的方差分別為σ21，σ22，…，σ2n，所要估計(jì)的真值為[x]，各溫度傳感器的測(cè)量值分別為x1，x2，…，xn，因?yàn)椴杉?jié)點(diǎn)按星型拓?fù)浣Y(jié)構(gòu)排布，各節(jié)點(diǎn)位置相對(duì)較遠(yuǎn)，可近似當(dāng)作溫度數(shù)據(jù)彼此獨(dú)立，并且為[x]的無(wú)偏估計(jì)，各傳感器的加權(quán)因子分別為ω1，ω2，…，ωn，總均方誤差 σ2是關(guān)于各加權(quán)因子的多元二次函數(shù)， 因此 σ2必然存在最小值。該最小值是加權(quán)因子x1，x2，…，xn滿足[P=1nωP=1]約束條件的多元函數(shù)的極值。根據(jù)多元函數(shù)求極值理論， 求出總均方誤差最小對(duì)應(yīng)的加權(quán)因子：

3 時(shí)空融合實(shí)驗(yàn)

3.1 基于時(shí)間融合算法的實(shí)驗(yàn)

本文在智慧溫室環(huán)境下，以溫度（℃）數(shù)據(jù)為例進(jìn)行TiNA算法數(shù)據(jù)融合的實(shí)驗(yàn)，以光照強(qiáng)度為例進(jìn)行DPS算法的實(shí)驗(yàn)，其中，數(shù)據(jù)并非按時(shí)間一一對(duì)應(yīng)。傳感器本身的誤差，在數(shù)量上非常少，但通常數(shù)據(jù)變化比較劇烈，通過(guò)基于時(shí)間序列的TiNA算法和DSP算法可以消除這些較大的數(shù)據(jù)誤差。在本次實(shí)驗(yàn)條件下，取采集節(jié)點(diǎn)1的82條溫度和光照強(qiáng)度數(shù)據(jù)，在未使用TiNA算法之前，溫度樣本標(biāo)準(zhǔn)偏差為47.43，使用TiNA算法后，樣本偏差為1.83，溫度數(shù)據(jù)相對(duì)于平均溫度的離散程度明顯減小，如圖7所示;未使用DPS算法之前，光照強(qiáng)度樣本標(biāo)準(zhǔn)偏差為2626.56，使用DPS算法后，樣本偏差為748.27，光照強(qiáng)度的離散程度明顯減小，如圖8所示。在多次實(shí)驗(yàn)后得出，使用基于時(shí)空融合算法后，數(shù)據(jù)量平均減少了6.09%。

3.2 基于空間融合算法的實(shí)驗(yàn)

通過(guò)對(duì)上述有較大誤差的數(shù)據(jù)進(jìn)行剔除后，進(jìn)行基于空間的數(shù)據(jù)融合算法的應(yīng)用，將自適應(yīng)加權(quán)平均融合算法嵌入到上位機(jī)數(shù)據(jù)處理程序中，以數(shù)據(jù)庫(kù)中的溫度參數(shù)為處理對(duì)象，實(shí)現(xiàn)溫度數(shù)據(jù)的空間融合。四只溫度傳感器節(jié)點(diǎn)以每5分鐘為間隔進(jìn)行數(shù)據(jù)采集，并選取1小時(shí)內(nèi)的12個(gè)溫度數(shù)據(jù)進(jìn)行融合。四個(gè)溫度傳感器節(jié)點(diǎn)的平均值、方差和權(quán)值如表1所示，其中每個(gè)節(jié)點(diǎn)相應(yīng)的權(quán)值由上式⑴得出。

根據(jù)⑴式可得溫度的融合值為[x=p=14ωPxP=29.09×0.113+28.7×0.421+26.81×0.045+25.67×0.421=28.38]。根據(jù)公式⑵得到的最小均方誤差為0.007，使用平均值得到的溫度數(shù)據(jù)為27.57，方差為2.59，故使用自適應(yīng)加權(quán)平均算法能有效提高數(shù)據(jù)測(cè)量的精確度，在本次實(shí)驗(yàn)條件下，溫度數(shù)據(jù)精度提高了2.85%。連續(xù)在四個(gè)節(jié)點(diǎn)取12次溫度數(shù)據(jù)，原始溫度數(shù)據(jù)和采用自適應(yīng)加權(quán)算法融合后的溫度數(shù)據(jù)的對(duì)比折線圖如圖9所示。

4 結(jié)束語(yǔ)

本文提出了一種基于時(shí)間和空間的溫室環(huán)境數(shù)據(jù)融合結(jié)構(gòu)模型。時(shí)間融合既保證用戶對(duì)采集數(shù)據(jù)精度要求，也大大降低了數(shù)據(jù)傳輸量，延長(zhǎng)了WSN 采集節(jié)點(diǎn)的壽命。將空間融合算法應(yīng)用于采集節(jié)點(diǎn)眾多的溫室，準(zhǔn)確獲取溫室環(huán)境的各參數(shù)信息?？紤]到光照強(qiáng)度與溫室其他環(huán)境參數(shù)性質(zhì)不同，具有易變性和易被遮擋的特點(diǎn)，本文采用不同的融合算法分別對(duì)光照強(qiáng)度和其他環(huán)境參數(shù)進(jìn)行融合。綜上所述，本文提出的溫室環(huán)境時(shí)空融合結(jié)構(gòu)模型能夠滿足溫室環(huán)境數(shù)據(jù)融合的要求，在一定程度上解決了數(shù)據(jù)傳輸量大、采集節(jié)點(diǎn)壽命短等問(wèn)題。

參考文獻(xiàn)（References）：

[1] 毛罕平，晉春，陳勇.溫室環(huán)境控制方法研究進(jìn)展分析與展望[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（2）：1-13

[2] 翟翌立，戴逸松.多傳感器數(shù)據(jù)自適應(yīng)加權(quán)融合估計(jì)算法的研究[J].計(jì)量學(xué)報(bào)，1998（1）：70-76

[3] 張陽(yáng)，沈明霞，孫玉文，等.基于多傳感器自適應(yīng)加權(quán)融合的溫室信息系統(tǒng)[J].傳感器與微系統(tǒng)，2014，33（6）：100-103

[4] 王振，白星振，馬夢(mèng)白，等.一種基于數(shù)據(jù)預(yù)處理和卡爾曼濾波的溫室監(jiān)測(cè)數(shù)據(jù)融合算法[J].傳感技術(shù)學(xué)報(bào)，2017，30（10）：1525-1530

[5] 宋慶恒，劉英德，馬源，等.基于多傳感器數(shù)據(jù)融合的溫室溫濕度控制系統(tǒng)設(shè)計(jì)[J].江蘇農(nóng)業(yè)科學(xué)，2015，43（6）：394-396

[6] 楊永健，劉帥.基于SOFM神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法[J].傳感技術(shù)學(xué)報(bào)，2013，26（12）：1757-1763

[7] 余修武，劉琴，李向陽(yáng)，等.基于改進(jìn)蟻群的BP神經(jīng)網(wǎng)絡(luò)WSN數(shù)據(jù)融合算法[J].北京郵電大學(xué)學(xué)報(bào)，2018，41（4）：91-96

[8] 王浩，董振振，趙景波，等.基于改進(jìn)自適應(yīng)加權(quán)融合算法的土壤濕度監(jiān)測(cè)研究[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2019，40（1）：152-155

[9] Yager R R. The power average operator[J]. IEEE Transactions onSystems， man， and Cybernetics，ACM International Workshop on Data Engineering for Wireless and Mobile Access. San Diego： ACM，2001，31（6）：724-731

[10] Yann-Ael Le Borgne， Silvia Santini， Gianluca Bontempi.Adaptive model selection for time series prediction in wireless sensor networks[J]. SignalProcessing，2007，87（12）：3010-3020

3508501908285