一種基於LoRa的農業環境監測控制方法及系統
2024-04-14 14:05:05
一種基於lora的農業環境監測控制方法及系統
技術領域
1.本發明涉及一種環境監測控制方法及系統，特別是涉及一種基於lora的農業環境監測控制方法及系統。
背景技術：
2.隨著社會的不斷發展，現如今越來越多的年輕人因農業生產獲利低、付出體力勞動多等原因而不願從事農業生產，導致農業生產的勞動力減少，又隨著物聯網、雲計算、人工智慧等技術的的高速發展，對農業上的智能改造也成為當前的一種趨勢。因此更加節省人力、價格更低、更具穩定性的農業物聯網系統便應運而生。
3.傳統的農業生產方式又需要生產人員對農作物定期查看、澆水、施肥等措施，費時費力，而經過改進後的基於物聯網的農業系統也無法避免地需要通過人為的決定去調整農業生產環境，如澆水、大棚通風等。如公開號為cn112783103a的中國專利公開一種「基於lora通信和piλdμ控制的智慧農業監控系統」，該系統雖然對於溫溼度等條件的控制達到很好的穩定性，但其控制決定依賴於主觀決策，系統不能做到根據採集到的信息科學、自主的決策。又如公開號為cn110913359a的中國專利公開了「一種基於lora技術和wifi技術的多融合農業環境在線監測系統」，該方案雖然提出了對於農業環境數據信息進行分析，但其對於分析並未能夠自主形成改善農業環境的決策，如是否進行澆水等，而是僅僅將分析的結果展示在前端界面供人為去做出判斷。
技術實現要素：
4.針對上述現有技術的缺陷，本發明提供了一種基於lora的農業環境監測控制方法，以及提供一種基於lora的農業環境監測控制系統，解決現有監測控制系統難以自動產生有效的控制指令，對農業環境進行合理控制的問題。
5.本發明技術方案如下：一種基於lora的農業環境監測控制方法，包括以下步驟：
6.步驟1、由數據採集與控制分節點採集農業環境數據並通過lora網絡發送至數據採集與控制匯聚節點；
7.步驟2、所述數據採集與控制匯聚節點將所述農業環境數據通過wifi通信轉發至後臺管理中心；
8.步驟3、所述後臺管理中心調取一段時間內的所述農業環境數據，並對所述農業環境數據進行預處理使所述農業環境數據區域正態分布；
9.步驟4、將所述預處理後的農業環境數據進行特徵衍生和特徵降維形成訓練集與測試集，所述特徵衍生是對不同的所述農業環境數據進行數值運算衍生出新的特徵；
10.步驟5、採用cart算法建立決策樹模型，所述決策樹模型的輸出決策為是否進行環境控制，所述環境控制至少包括澆水、通風、補光，由所述訓練集對所述決策樹模型訓練，由所述測試集對所述訓練後的決策樹模型進行測試；
11.步驟6、所述後臺管理中心調取最近一段時間內的所述農業環境數據並進行所述
預處理後輸入所述步驟5得到的決策樹模型，由所述決策樹模型輸出決策形成控制指令；
12.步驟7、所述後臺管理中心將所述控制指令通過wifi通信發送至所述數據採集與控制匯聚節點，所述數據採集與控制匯聚節點將所述控制指令通過lora網絡發送至所述數據採集與控制分節點進行控制。
13.進一步地，為了增強模型的魯棒性，所述步驟3中的預處理包括將非數值型的環境數據進行one-hot編碼，將數值型數據中的非連續型變量畫出正態分布圖並對不屬於正態分布的所述非連續型變量的環境數據使用box-cox轉換方法使其偏於正態分布。
14.進一步地，所述將數值型數據中的非連續型變量畫出正態分布圖並對不屬於正態分布的所述非連續型變量的環境數據使用box-cox轉換方法使其偏於正態分布，具體包括由所述非連續型變量的環境數據畫出箱形圖，對離群值超過閾值的環境數據採用卡方分箱進行處理，再對處理後的數據畫出正態分布圖，對不屬於正態分布的所述非連續型變量的環境數據使用box-cox轉換方法使其偏於正態分布。
15.進一步地，所述步驟6中由所述訓練集對所述決策樹模型訓練時使用隨機搜索算法確定模型中最優參數範圍，再使用網格搜索算法從所述最優參數範圍選出最優參數組合得到訓後的決策樹模型。
16.進一步地，所述步驟3中對所述農業環境數據進行預處理前先採用眾數填充的方式對所述農業環境數據進行擴充並刪除異常值。
17.本發明的另一技術方案是，一種基於lora的農業環境監測控制系統，包括後臺管理中心、數據採集與控制匯聚節點和數據採集與控制分節點，所述後臺管理中心連接若干所述數據採集與控制匯聚節點，每個所述數據採集與控制匯聚節點連接若干所述數據採集與控制分節點，所述後臺管理中心與所述數據採集與控制匯聚節點間形成wifi通信，所述數據採集與控制匯聚節點與所述數據採集與控制分節點間形成lora網絡通信，所述數據採集與控制分節點用於採集農業環境數據向數據採集與控制匯聚節點發送以及用於接收數據採集與控制匯聚節點轉發的控制指令對農業環境設備進行控制，所述數據採集與控制匯聚節點用於向所述後臺管理中心轉發所述農業環境數據以及用於向所述數據採集與控制分節點轉發所述控制指令，所述後臺管理中心用於接收所述農業環境數據、下發所述控制指令以及執行前述方法中的步驟3至步驟6。
18.進一步地，所述數據採集與控制分節點包括stm32微處理器模塊、lora模塊、環境信息採集傳感器、控制模塊以及供電模塊，所述stm32微處理器模塊分別與所述lora模塊、所述環境信息採集傳感器和所述控制模塊連接，所述環境信息採集傳感器用於採集農業環境數據，所述控制模塊用於執行所述控制指令，所述供電模塊為所述stm32微處理器模塊、所述lora模塊、所述環境信息採集傳感器和所述控制模塊供電。
19.進一步地，所述環境信息採集傳感器包括空氣溫溼度傳感器、土壤溼度傳感器、光照強度傳感器和二氧化碳濃度監測傳感器中的至少一種。
20.進一步地，所述控制模塊至少用於控制排氣扇開關、大棚開關、燈光系統開關和灌溉系統開關中的至少一種。
21.本發明所提供的技術方案的優點在於：
22.通過將農業環境數據進行預處理和特徵工程，從原始數據中提取更有效，再利用決策樹算法中的cart算法，實現對農業環境數據的分析與決策，使得反饋到控制系統中的
控制指令更加科學，使得農作物生長環境更加適宜；
23.通過數據採集與控制分節點對於農業環境的監測，集合lora技術與wifi技術進行通信，增加了數據傳輸距離，提高了數據傳輸的穩定性，解決了農業生產場所範圍大導致wifi、4g信號不能良好穩定覆蓋的問題，相比人力排查觀測更具有客觀性也更方便。
附圖說明
24.圖1為實施例的基於lora的農業環境監測控制系統的模塊示意圖。
25.圖2為實施例的數據採集與控制匯聚節點結構圖。
26.圖3為實施例的數據採集與控制分節點結構圖。
27.圖4為實施例的後臺管理中心結構圖。
28.圖5為實施例的基於lora的農業環境監測控制方法的流程示意圖。
29.圖6為訓練建立決策樹模型的流程示意圖。
30.圖7為應用訓練後決策樹模型形成控制指令下發的流程示意圖。
具體實施方式
31.下面結合實施例對本發明作進一步說明，應理解這些實施例僅用於說明本發明而不用於限制本發明的範圍，在閱讀了本說明之後，本領域技術人員對本說明的各種等同形式的修改均落於本技術所附權利要求所限定的範圍內。
32.請結合圖1至圖4所示，本實施例的基於lora的農業環境監測控制系統包括數據採集與控制分節點、數據採集與控制匯聚節點以及後臺管理中心三大部分。數據採集與控制匯聚節點和數據採集與控制分節點之間lora網絡拓撲結構採取星型結構，多個分節點連接同一個數據採集與控制匯聚節點來實現信息互傳，而多個數據採集與控制匯聚節點和後臺管理中心之間通過wifi模塊進行信息交互。
33.如圖2所示，數據採集與控制匯聚節點包括stm32微處理器模塊、lora通信模塊、wifi通信模塊以及供電模塊。其中stm32微處理器模塊為stm32f103c8t6型號單片機，作為節點的核心，控制節點的穩定運行。lora通信模塊一是用於接收數據採集與控制分節點上傳的環境數據信息，二是將控制指令下發給數據採集與控制分節點。wifi通信模塊一是用於將環境數據信息發送到後臺管理中心，二是用於接收後臺管理中心下發的控制指令。供電模塊為220vac轉5vdc的電源適配器，為節點提供電力支持。
34.如圖3所示，數據採集與控制分節點包括stm32微處理器模塊、lora模塊、環境信息採集傳感器、控制模塊以及供電模塊。其中，stm32微處理器模塊為stm32f103c8t6型號單片機，協調節點各模塊的平穩運行，管理環境數據的採集以及控制指令的執行。環境信息採集傳感器根據需要進行配置，可以包括空氣溫溼度傳感器、土壤溼度傳感器、光照強度傳感器、火焰傳感器以及二氧化碳濃度監測傳感器，實現農業環境數據信息的採集。其中，火焰傳感器可監測火災信息，並及時傳送給stm32微處理器模塊，做出警報響應。
35.控制模塊包括排氣扇開關、大棚開關、警報開關、燈光系統開關以及灌溉系統開關，可實現對農業生產環境的控制。其中，警報開關提供兩級警報響應條件，系統將生產環境條件，如光照強度、土壤溼度等測量值嚴重不符合農作物生產常規條件的作為一級警報響應條件；將火焰傳感器監測的火災信息作為二級警報響應條件。
36.lora模塊可以實現數據採集與控制匯聚節點和數據採集與控制分節點之間的通信，既可以將環境數據信息上傳，又可以接收數據採集與控制匯聚節點下發的指令，進而控制排氣扇開關、大棚開關、警報開關、燈光系統以及灌溉系統開關等控制系統中的模塊。
37.如圖4所示，後臺管理中心由伺服器、資料庫、以及web前端界面組成。伺服器用於數據處理、分析與建模，作為整個系統的核心，主要功能其一是將農業環境數據信息存儲到資料庫中；其二是從資料庫中提取數據進行數據分析與建模，做出決策，形成控制指令並下發；資料庫用於農業環境數據信息的存儲；web前端界面與用戶進行交互，用戶可進行農業環境數據信息的查詢和控制指令的下發。
38.該系統進行的基於lora的農業環境監測控制方法如圖5所示，包括以下步驟：
39.步驟1、由數據採集與控制分節點採集農業環境數據並通過lora網絡發送至數據採集與控制匯聚節點。
40.步驟2、數據採集與控制匯聚節點將農業環境數據通過wifi通信轉發至後臺管理中心。
41.步驟3、後臺管理中心調取一段時間內的農業環境數據，並對農業環境數據進行預處理使農業環境數據區域正態分布。
42.請結合圖6所示，具體包括：
43.步驟301：對農業環境數據進行初步的處理與檢查，對缺失的環境數據採用眾數填充的方式進行擴充。
44.步驟302：檢查數據中的異常值，對嚴重不符合實際環境監測範圍的值，如二氧化碳濃度小於0等情況，將其刪除。
45.步驟303：判斷數據是否為數值型欄位，如果判斷為數值型欄位則執行步驟305；否則執行步驟304。
46.步驟304：對於非數值型的環境數據(如時間)採用one-hot編碼進入步驟4。
47.步驟305：對於數值型數據(如二氧化碳濃度、土壤溼度等此類環境數據)畫出其箱形圖，判斷是否為連續型變量，如果判斷為連續型變量則執行步驟306，否則執行步驟4。
48.步驟306：對於連續型變量的環境數據畫出其箱形圖，判斷離群值是否超過30％，如果離群值超過30％則執行步驟307，否則執行步驟308。
49.步驟307：對於有大量離群值的欄位(如二氧化碳濃度、土壤溼度等)，採用卡方分箱對數據進行處理，增加數據的離散特徵，增強模型的魯棒性。
50.步驟308：根據上述處理後的數據，畫出其環境數據qq圖以及正態分布圖。
51.步驟309：根據步驟308判斷環境數據是否屬於正態分布，如果屬於正態分布則執行步驟4，否則執行步驟310。
52.步驟310：對處於非正態分布的環境數據使用box-cox轉換方法使其偏於正態分布在進入步驟4，目的在於增強模型的魯棒性。
53.步驟4、將預處理後的農業環境數據進行特徵衍生401和特徵降維402形成訓練集與測試集，特徵衍生401是對不同的農業環境數據進行加減乘除等數值運算衍生出新的特徵(如二氧化碳濃度、土壤溼度等)，使新組合的特徵也具有正態分布。特徵降維402是通過計算特徵與目標變量之間的相關係數，將與目標特徵無關的環境特徵維度清除，目的在於進一步增強模型的魯棒性.
54.步驟5、包括建立決策樹模型501、隨機搜索選出超參數範圍502和網格搜索出最優參數503。
55.步驟501採用cart算法建立決策樹模型，決策樹模型的輸出決策為是否進行環境控制，環境控制至少包括澆水、通風、補光。決策樹建立過程如下：
[0056][0057]
由上述公式計算每個節點的gini係數。其中：k代表類別，可分別為澆水、不澆水、通風、不通風等目標變量，pk代表每個類別的概率值即決定各類別的樣本數在該節點總樣本數的佔比。
[0058]
設定有個樣本集合d，即農業環境數據的總樣本，若d被某個屬性a(即農業環境數據中二氧化碳濃度、溫溼度等特徵變量)是否取某個值分成兩個樣本集合d1和d2，則在屬性a的條件下，集合d的基尼基數為：
[0059][0060]
由上述公式計算該節點被屬性a劃分之後下一層的gini係數。每次選擇根據公式(2)算出的基尼係數最小值，將最小值對應的屬性作為切分條件，直到滿足停止條件為止。算法的停止條件是節點中的樣本個數小於預定閾值，或者樣本集的基尼係數小於預定閾值(樣本基本屬於同一類)，或者沒有更多特徵。
[0061]
輸入：訓練環境數據集s＝{s1，s2：，
…
，sn}，為預處理後的農業環境所有數據。特徵屬性集a，即環境數據特徵變量(二氧化碳濃度、空氣溫溼度、土壤溼度等特徵變量)。
[0062]
輸出：決策樹t。若s中的所有樣本都同屬於一個類c，如澆水、不澆水、通風、不通風等類中的其中之一，那麼令其為單節點樹，且將其標記為類c，返回決策樹t。選擇該節點中類別概率(即該類別的樣本數在該節點總樣本數的佔比)最大的，作為該節點代表的類別，按照公式(2)計算出屬性集合a中每個屬性對s的gini係數，選擇使基尼係數最小的屬性作為樹的分枝條件，如此不斷地向下遞歸，直到訓練結束得出模型，再使用測試集對該模型進行測試，驗證算法的綜合性能指標。
[0063]
步驟502對決策樹算法而言，樹的深度、葉子節點數、剪枝數等各種參數之間需要找到最優的組合，使用隨機搜索算法來確定農業環境檢測模型中最優參數範圍，首先構建參數空間，即各參數集合，在參數空間中等概率的隨機採樣，對於採樣的結果代入決策樹算法不斷訓練出新的模型，用測試集代入模型比較模型效果，估算出最優參數值可能的範圍。
[0064]
步驟503利用網格搜索算法即參數值的一種窮舉法，從估算出的最優參數值可能的範圍中遍歷各個參數值，然後代入決策樹算法不斷訓練出新的模型，用測試集代入模型比較各個模型效果，選出最優參數組合。由訓練集根據選出的最優參數組合訓練出最優的決策樹模型訓練，由測試集對訓練後的決策樹模型進行測試。
[0065]
步驟6、根據新的農業環境數據由決策樹模型輸出決策形成控制指令，請結合圖7所示，具體包括：
[0066]
步驟601、開始；
[0067]
步驟602、從資料庫中提取最近一定時間內的環境數據信息；
[0068]
步驟603、數據處理階段同步驟3、4；
[0069]
步驟604、處理後的環境數據傳入決策樹模型進行預測；
[0070]
步驟605、決策樹模型輸出結果即選擇是否澆水、是否通風以及是否補光等每類中概率相對較大的一種，作出決策；
[0071]
步驟606、對作出的決策進行協議包裝，形成控制指令
[0072]
步驟7、後臺管理中心將控制指令通過wifi通信發送至數據採集與控制匯聚節點，數據採集與控制匯聚節點將控制指令通過lora網絡發送至數據採集與控制分節點進行控制。