农田传感器校正与感知数据清理方法研究

发布时间：2018-11-28 14:55

【摘要】：农业是国民经济建设与发展的支柱产业,农业的稳定与发展是社会进步的首要条件。信息技术的发展及在农业领域的切实应用是保障农业的持续与稳定发展、确保农业产品长期优质供应的根本途径。信息农业技术的发展对于国家粮食安全、冲破环境与资源桎梏、加速现代化农业发展至关重要。研究并创立适合我国国情的信息农业技术体系,大力发展农田传感器技术与农业物联网技术,实现农业生产管理过程中对作物、环境的实时监测和调控,对于提高我国农业现代化程度,发展精确农业有着深远意义。当前我国农业发展面临资源短缺以及环境约束的双重压力,存在着管理水平低下与农业资源投入高的矛盾,因此,如何实现对农业生产全过程的实时掌控,提升农业生产管理水平是我们目前亟需解决的问题。物联网技术可以大幅度较小人力资源的投入,避免对农田环境的破坏,从而获得实时精确的农田环境信息以及作物的生长信息。正是在这样的情况下,物联网在农业领域得到了越来越广泛地应用。无线传感器网络是物联网体系架构中底层网络最主要的实现方式,它由安装在农田区域的各种无线传感器节点构成,这些传感器节点在田间彼此连通,构成多跳式自组织网络实时采集、传输农田信息,为农业生产精确管理提供信息支撑。传感器是构成无线传感网络的基本单元,承担着信息的采集与处理,其精度与稳定性直接影响着感知数据的准确度和可靠性,所以对于农田无线传感器网络而言,研究传感器校正方法以及数据处理方式是提高农田感知数据精确性,保障农业生产管理决策可靠实施的前提条件。本文以农田土壤水分传感器、农田CO2传感器、作物生长传感器为研究对象,以提高农田感知数据精确性为目标,对农田传感器校正及感知数据清理的方法进行了研究,完成的主要研究内容及成果如下:对农田信息无线传感器节点设备进行了介绍,分析了影响农田传感器测量精度的主要因素,并阐明了农田传感器校正的必要性。以农田土壤水分传感器、农田CO2传感器、作物生长传感器为研究对象,应用最小二乘算法及BP人工神经网络算法对上述三种农田传感器进行了校正,并对校正结果进行了对比分析,结果表明,最小二乘算法拟合与BP人工神经网络算法拟合都可以对农田传感器标定的数据进行校正,但BP人工神经网络法拟合的线性度较之于最小二乘算法拟合的线性度要小,非线性校准效果更为显著。在精度上,BP人工神经网络算法要优于最小二乘算法。由于BP人工神经网络算法较之于最小二乘算法更为复杂,所以从应用场合的角度考虑,最小二乘算法更加适合在嵌入式系统中应用,而BP人工神经网络算法更加适合服务器端的应用。分析了农田物联网长期部署在大田环境之中,难免受到机械冲击、外界震动、电磁干扰等测量条件意外地改变,因此,在农田信息的传感过程中,感知数据会出现比如N失的属性值,噪声数据和异常值等问题。基于K-means聚类算法和LOF离群值检测算法对感知数据进行了清理,并对不同算法的清理结果进行了比较分析,结果表明,两种算法都能在农田信息感知数据清理中达到良好的效果,但结果各有差异,其中K-means聚类分析算法的计算复杂度低,在数据密集而且分类明显的情况下效果明显,而LOF离群值检测算法的复杂度较高,但是对感知数据没有分类的要求,当数据分类不明显时,LOF离群值检测法更具优势。通过感知数据清理,去除了农田感知数据中的噪声数据与异常值,提高了农田感知数据的准确性。本文通过对农田传感器校正与感知数据清理方法的研究,提升了农田传感器的测量精度,确保了农田感知数据的准确性与稳定性。使得农田物联网采集的农田信息数据更加符合精准农作管理措施的实际需求。有利于农业生产决策与管理者更好地根据农田信息感知数据做出及时有效的管理决策与应对措施。分析比较了不同算法在农田传感器校正与感知数据清理中的应用,为农田传感器校正与感知数据清理的进一步深化做出了探索性的研究。对于确保农田感知数据更好的为农田管理与决策提供信息支撑,提升农业生产信息化、数字化与精细化水平具有现实意义。
[Abstract]:......
【学位授予单位】：南京农业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP212;S126

【参考文献】