12.1 精准农业与环境传感网络
12.1.1 精准农业的感知需求与传感器选型
精准农业（Precision Agriculture, PA）的工程起点，是把“凭经验浇水施肥”转化为“用数据驱动决策”。农场需要感知什么？绝大多数项目从三个维度切入：土壤、气象和作物生理。每个维度的参数选择，直接决定了监测精度与系统成本，也圈定了后续灌溉策略和病害模型能走多远。
土壤参数：灌溉与施肥的量化依据
三项参数构成土壤感知的基础：体积含水量（Volumetric Water Content, VWC）、土壤温度和土壤电导率（Electrical Conductivity, EC）。VWC决定何时灌溉，温度影响根系活性和养分吸收效率，EC值反映可溶性盐分浓度。知道这三项，灌溉决策就可以表述为：当土壤含水量低于特定阈值时打开电磁阀，补灌至设定水量；EC偏高则只补清水。
工程布点时需正视土壤质地的空间变异性。布点密度没有可以照抄的常数，必须由地块面积、土壤质地和预算共同标定，本书给出的具体数字只是示例经验，不能直接搬用。均匀地块可采用较稀疏布点；在质地易变的过渡带（如砂壤向粘土过渡区域），则应加密探头。同一参数采用不同测量原理，结果差异显著。频域反射（Frequency Domain Reflectometry, FDR）成本低、响应快，但受土壤质地影响大，若未做场地特定校准，其读数在不同土壤中的偏移可能影响灌溉判断。时域反射（Time Domain Reflectometry, TDR）精度更高，但电路复杂、功耗偏高，更适合科研场景或需要高精度校准的盐碱地项目。电容式传感器居中，适合预算敏感项目——前提是工程师接受这个偏移量，并在控制逻辑中预留死区。对于主力商用型号，如 METER Group 的 EC-5（其前身 Decagon Devices 品牌已并入 METER Group），应以厂商数据手册和现场校准结果共同确定可用精度；同时注意 EC-5 只测体积含水量，并不提供土壤温度。
气象参数：外部驱动力与病害预警
空气温度、湿度、光照、风速和降雨量构成作物生长的“天气日记”。温度与湿度的组合直接关联病害概率——持续低温高湿环境显著提升灰霉病爆发风险。光合有效辐射（Photosynthetically Active Radiation, PAR，对应400–700nm波段）约束作物干物质积累速率。风速和降雨量对露地种植尤为重要：喷药前需要避风，降雨后应推迟灌溉。一套完整的气象站通常包含百叶箱、风速风向仪、雨量筒和辐射计。一个常被忽略的工程细节：空气温湿度传感器必须放置在防辐射罩内，否则阳光直射可能导致温度读数偏高数摄氏度——这个问题在多个厂商的比对测试中已被反复确认，工程团队在验收时应作为必检项。
作物生理参数：植物“体检”
茎流传感器测量茎秆水分上升速率，反映根系吸水是否受阻；叶面湿度传感器检测叶片水膜，是病害预警的核心指标。这些参数在科研级监测中已有成熟商用方案，但因现场维护频次高和传感器成本问题，一般项目从土壤和气象参数入手，系统运行稳定后再考虑引入——这通常是项目第二或第三阶段的任务。
传感器选型的主要权衡
四个维度必须同步权衡：精度能否满足农艺要求，接口能否与网关匹配，功耗能否支撑电池供电，成本是否在项目预算内。接口选择容易被低估但工程上影响巨大：RS-485抗干扰强，适合长距离布线；SDI-12是农业传感器最通用的低功耗串行协议，一根总线可挂多个探头；I2C适合板级短距连接，户外布线时需考虑线损和电磁干扰。精度要求方面，灌溉决策一般要求VWC绝对值误差控制在一个较小范围内——这是工程实践中公认的技术需求，具体误差容忍度需根据作物和土壤类型在项目初期做一次简短的标定测试来确定。
表12-1 常见农业传感器对比（典型型号参数）
| 传感器类型 | 典型型号 | 测量参数 | 测量范围 | 精度等级 | 接口 | 工作功耗 | 价格等级 |
|---|---|---|---|---|---|---|---|
| 空气温湿度 | Sensirion SHT30 | 温度/湿度 | -40–125°C / 0–100%RH | 温度±0.3°C，湿度±2%RH | I2C | 待机＜1μA，测量约1.5mA | 低 |
| 土壤水分 | METER Group EC-5（原 Decagon） | VWC（仅含水量） | 0–100% VWC | 矿物土±3% VWC（典型） | 模拟/数字 | 测量约15mA | 中 |
| 土壤水分 | Capacitive Soil Moisture | VWC | 0–100% VWC | ±5% VWC（典型） | 模拟 | 测量约5mA | 低 |
| 光合有效辐射 | Apogee SQ-500 | PAR | 0–4000 μmol m⁻² s⁻¹ | ±5%（典型） | 模拟/数字 | 约0.2mA | 高 |
| 风速 | 三杯式风速计 | 瞬时/平均风速 | 0–50 m/s | ±0.5 m/s（典型） | 脉冲/4–20mA | 极低（机械式） | 低–中 |
| 土壤电导率 | Stevens HydraProbe | EC/温度/水分 | 0–3000 μS/cm | ±10%（典型） | SDI-12 | 测量约38mA | 高 |
注：表中所列精度为典型工程参数范围，可参考对应型号制造商公开数据手册。实际精度会受安装方式、土壤类型和环境温度影响，任何批量项目都应做现场校准。土壤EC值与灌溉用水EC用途不同：前者反映土壤盐分浓度，后者用于监测滴灌施肥液浓度，两者不可互相替代。
选型标准大棚节点传感器组合
一个典型的大棚环境监测节点，空气温湿度选用SHT30，I2C接口直连常见MCU，配合间歇唤醒策略可显著延长电池工作寿命。土壤水分选用EC-5（仅测VWC），满足灌溉决策对精度的要求；若农艺上还需要土壤温度剖面，可加配同厂 TEROS 11 或三合一探头。光照部分，若预算允许，PAR量子传感器比普通lux传感器更有农学意义——作物光合作用主要由可见光波段中的红蓝光驱动。风速计选三杯式机械结构，稳定且无需额外供电。此组合覆盖了“天–地–苗”三个维度的关键数据源，为后续灌溉决策和病害预警奠定了基础。若预算紧张，可用电容式探头和低成本BH1750光照传感器替换，但强光下读数与作物实际光合需求偏差较大——这种折中适合示范项目，不建议在正式生产中直接采用。
工程判断：传感器选型的分阶段路径
传感器选型不是一次性定案，而是随着物联网平台迭代逐步升级的过程。一个常见的工程路径：第一年用低成本探头跑通数据链路和云平台，第二年根据数据质量判断是否值得换装更高精度的土壤水分或PAR传感器。真正决定传感器系统价值的，往往不是单个探头的绝对精度，而是布点密度是否匹配土壤空间变异性——均匀地块用低成本探头加密到每公顷4个点，可能比高价探头稀疏布点更能解释田间差异。在预算束缚下，均匀加密比高精度稀疏更有工程意义。
12.1.2 环境传感网络的拓扑设计与部署策略
选定了传感器，下一步是让这些设备在农田里稳定工作——不是一两天，而是按作物生长季甚至按年计算。网络拓扑怎么搭、电源怎么撑、设备怎么扛住户外考验，是部署阶段绕不开的三道坎。
星型拓扑：农业传感网络的务实选择
农业场景的典型画面：几十个传感器节点散布在几公顷到几十公顷的土地上，每十几分钟上传一次温度或土壤湿度。节点密度低、上行数据为主、下行控制极少，对这类场景，星型拓扑（star topology） 是务实选择。
一个标准星型网络包含两类实体：一个或多个网关（gateway），以及大量终端节点 end node。所有终端直接与网关通信，节点之间不维护数据中继。终端只在固定时隙唤醒、发一个数据包、然后立即休眠——既不需要维护路由表，也不承担转发任务，嵌入式软件简单，功耗压到最低。
那为什么很少在农田里用网状网络（mesh network）？因为中继意味着终端即便没有数据要发，也可能需要保持接收状态来转发邻居报文，这种“额外收听”显著拉高平均功耗。Zigbee 在室内用网状可行，因为插座供电随处可得；但田埂上的土壤湿度节点只能靠电池或太阳能过活，任何额外收取开销都会缩短寿命。结论明确：只要网关的单跳覆盖能到达所有节点，星型始终是更优选择。只有田块被山丘或林带严重分割、网关根本无法覆盖最远节点时，才考虑加入中继节点，形成树型拓扑（tree topology）——中继节点轮流休眠与转发，本质仍是星型的变体。
节点间距与通信半径的匹配
拓扑敲定后，真正硬仗是布点间距。这个问题的答案完全取决于所选无线技术的链路预算（link budget） 与现场穿透损耗。链路预算估算无线通信的最大允许路径损耗，是判断能否可靠通信的基本参数。
以农业 LPWAN 常用技术 LoRa（Long Range） 为例，它在免授权 Sub-GHz 频段，视距条件下典型通信半径在开阔环境中可达数公里。但实际农田中，作物抽穗后茎叶对电磁波的吸收和散射明显增加，有效通信半径往往大幅缩短。部署前，我建议手持节点和网关做现场穿墙测试：让一名同事带着节点走到预计最远位置，观察网关收到的接收信号强度指示（Received Signal Strength Indicator, RSSI） 和信噪比（Signal-to-Noise Ratio, SNR）。如果余量不足，就缩小网格间距，或者把天线架设在高于作物冠层的高度。植物叶片的含水量对电磁波有显著衰减效应，这一点在设计覆盖时尤其需要预留余量。
网关选址同样有讲究。理想的安装位置是农田中央或最高处，让终端尽量处于视距内。如果地形起伏或周边有建筑物遮挡，必要时需加装多个网关拼接覆盖。
电源方案：光伏+电池的组合逻辑
农场最不缺的就是阳光，这正是物联网节点供电的最佳方案。光伏+电池是当前农业传感节点的事实标准电源组合。
典型独立供电模块包含太阳能板、充电管理电路和可充电电池。容量计算要从完整负载曲线出发，计入发射峰值、休眠漏电、转换损耗、电池温度降额、自放电与老化，再用当地逐月太阳辐照和连续阴雨分布校核可用性。增加面板和电池只能提高能量裕量，不能解决遮阴、积尘、低温充电限制、控制器失效和电池安全问题；自治天数应由业务允许的数据缺口与维护 SLA 决定。
部分靠近设施温室的节点也可以考虑有线供电，但对于大田，挖沟布线的施工成本和防鼠咬隐患较高。除非传感器自身功耗过大（如连续工作的大功率摄像头），否则光伏+电池结合 LPWAN 的极低功耗特点，通常能一次性解决多个生长季的供电问题。
防护等级与安装方式
农业设备必须面对高温、高湿、高盐水汽、虫害和机械碰撞。按照工业实践，农业室外节点的防护等级通常要求不低于 IP65（完全防尘，防低压喷水）。如果节点会浸泡在水中——比如稻田水位传感器——则需提升至 IP67。
外壳封装之外，还有几个常被忽略的工程细节：
- 接插件防水：传感器与主控之间的连接器是薄弱环节。即使整机 IP67，若电缆接头未密封或灌胶，水分会通过毛细作用渗入，导致板级腐蚀。工程上普遍使用 IP67 级 M12 接插件或对端子做环氧树脂灌封。
- 防虫处理：小型蚂蚁和蜘蛛喜欢在电路板背面筑巢，可能引起短路。把外壳通气孔加防虫网，或在内部喷涂三防漆，是很多项目初期可靠的保障。
- 固定设计：大田中的节点需抵御强风，立杆基座必须有足够配重或地锚。对于土壤传感器，埋入深度同样有讲究——太浅读数受太阳直射升温干扰，太深则不能反映根系层水分变化。通常埋设在作物根系主要分布层（例如地表下10–30 cm），具体深度视作物种类而定。
一个设计得当的农业传感节点，从部署到第一次维护的周期通常可达数个作物生长季。后续维保主要任务是清洁太阳能板表面灰尘和更换老化电池。
为了直观理解上述部署逻辑，图12-2展示了典型的环境传感网络拓扑结构。
工程检查表：农业传感网络部署要点
| 检查维度 | 核查项 | 常见问题 |
|---|---|---|
| 拓扑验证 | 所有终端节点是否在网关的单跳覆盖范围内？ | 作物遮挡导致通信距离不足，节点漂移或离网。 |
| 现场链路测试 | 是否在麦田、玉米田等不同作物高度下进行了穿墙测试？ | 作物冠层变化（如抽穗期）导致信号衰减加剧。 |
| 供电可靠性 | 连续阴雨天（3–7天）后，电池剩余容量是否仍能维持节点工作？ | 冬季日照不足，电池放电效率下降，节点因欠压关机。 |
| 防护等级 | 外壳是否满足IP65及以上？接插件是否做了灌封处理？ | 冷凝水或雨水通过接插件渗入，导致板级腐蚀。 |
| 防虫处理 | 通气孔是否加装了防虫网？电路板是否喷涂了三防漆？ | 小型昆虫在电路板背面筑巢，引起短路。 |
| 固定与安装 | 立杆基座是否足够牢固以抵御大风？土壤传感器埋深是否在根系层？ | 大风导致传感器倾斜或脱落；埋深不当导致读数失真。 |
| 数据校验 | 在部署前对所有节点进行连续24小时的数据上报测试。 | 个别节点因固件问题无法稳定接入网络，导致数据采集存在空窗期。 |
部署完成后，数据开始回传，但这些数据本身并不能直接指导耕种。如何从土壤水分、叶面湿度这些原始值，计算出一块玉米地是否需要灌溉、灌溉多少，这是精准农业的核心问题，也是数据中心开始真正发挥价值的地方。
12.1.3 农业大数据采集与预处理
传感器网络铺设完毕，数据开始从田埂上汇聚——但工程师很快会面对一个核心矛盾：采样频率设多少才合适？采得太密，电池和带宽撑不住；采得太稀，漏掉了作物生长的关键拐点。农业场景的节奏比工业环境慢得多，一次数据丢失也不像生产线故障那样立等可知，但这并不意味着采集策略可以随意。农业大数据的价值在于“够用”——覆盖关键变化拐点，同时不给现场供电和回传通道造成压力。
12.1.3.1 采集频率的分层设定
田间参数变化速度不同，采样周期应由作物阶段、土壤水力特性、控制目标和功耗预算决定。土壤参数按小时、气象参数按 15 分钟可作为原型起点，但不是普适结论；部署初期应加密采样，比较不同降采样间隔对事件识别和灌溉决策的影响，再用数据确定正式周期。
具体功耗的量化需要根据模组参数和现场配置估算。以典型LoRa模组为例，其发射电流与空闲电流差一到两个数量级。如果采样间隔设为15分钟，单次发射持续约一秒，节点大部分时间处于深度休眠状态。结合低功耗MCU的微安级待机电流，电池寿命的估算结果在实际项目中普遍以月到年为单位。当然，不同作物和生长期对密度的要求也不同——番茄坐果期根系吸水活动最活跃，CO₂浓度在日出后一小时急速锐降。稳妥做法是在部署初期加密采样周期，运行一到两个完整昼夜再调松。
值得注意的是，随着端侧AI能力的提升（第3章和第7章讨论过这一趋势），部分节点开始尝试在本地做简单趋势识别，只在检测到异常波动时才提高上传频率。这种“事件驱动+定期采样”的模式正在替代固定周期的僵化做法，但对MCU算力和算法稳定性要求更高，目前仍属前沿探索。
12.1.3.2 传输协议：MQTT在农业中的优势
数据从节点到云端，传输协议的选择直接影响可靠性和功耗。农业场景下，MQTT（Message Queuing Telemetry Transport，消息队列遥测传输）已是事实标准，但首先要摆正它的位置：MQTT 跑在网关到云端的回传链路上，而不是跑在 LoRa 的空中接口里。节点到网关这一跳，走的是 LoRa 私有帧或 LoRaWAN 规范定义的 MAC 帧——净荷只有几十字节，塞不下 TCP 加 MQTT 协议栈的开销；网关把射频帧还原成采样值后，再以 MQTT 发布到云平台。MQTT 最小报文头仅 2 字节、支持发布/订阅模型、断线重连后可无缝恢复会话，这些优点恰好是回传这段 IP 链路（4G 或以太网）所需要的。
对于直接经 NB-IoT 或 4G 入云的节点，MQTT 与 CoAP 的选择取决于连接保持、UDP/TCP 可达性、运营商网络、功耗、代理基础设施和安全方案，不能简化为“装得下 MQTT 就优先 MQTT”。农业告警即使用 QoS 1 也只能获得至少一次报文交付，还需本地缓存、应用幂等、超时升级和离线告警策略。
12.1.3.3 数据到达云端前的三步清洗
原始传感器数据在传输过程中必然会混入噪声、丢包和时间戳错乱，不经处理就投喂AI模型，结果质量会大打折扣。异常值检测、缺失值插补、时间戳对齐这三步清洗的完整做法——滑动窗口3σ判异与物理边界过滤、线性插值与前向填充的取舍、多源数据按”整点或每15分钟”锚点重采样对齐——与 10.3.3 节工业数据质量治理的框架完全相同，这里不再逐条展开；执行顺序也沿用同一原则：网关侧先做上下限过滤，云端再对连续序列做滑动窗口检查，对齐锚点缺数据时执行插补。
农业场景真正需要单独交代的，是插值门槛的差异。工业产线以秒级过程为主，缺失超过数分钟就应标记为无效区间；而土壤水分、土壤温度由小时级过程主导——灌溉后从饱和到排水的过渡通常长达半小时以上——线性插值的适用门槛可以相应放宽到小时级。反过来，叶面湿度、光照、风速这类快变气象参数不享受这个宽限，缺测超过一个采样周期就应置为可疑，否则病害预警模型会把一段插值造出来的”持续叶面湿润”当成真实病情。
下面是一个传感器节点端的采集与MQTT发布示例，对应 Wi-Fi 或 4G 直连入云的节点形态，以ESP8266为例（ESP32亦可运行，但WiFi库与ADC精度不同，需按代码注释调整）：
// 代码12-1 传感器数据采集与MQTT发布示例（Arduino框架，以 ESP8266 为例；
// ESP32 的 WiFi 库为 <WiFi.h>，ADC 为 12 位（0–4095），analogRead 映射需相应调整）
#include <ESP8266WiFi.h>
#include <PubSubClient.h>
#include <DHT.h>
#define DHTPIN D4
#define DHTTYPE DHT22
#define SOILPIN A0
#define SEND_INTERVAL 900000 // 15分钟
const char* ssid = "Your_SSID";
const char* password = "Your_PASSWORD";
const char* mqttServer = "mqtt.yourcloud.com";
const char* mqttTopic = "farm/field1/soil";
WiFiClient wifiClient;
PubSubClient client(wifiClient);
DHT dht(DHTPIN, DHTTYPE);
unsigned long lastSend = 0;
void connectMQTT() {
while (!client.connected()) {
if (client.connect("ESP-node-01")) return;
delay(5000);
}
}
void sendData() {
float h = dht.readHumidity();
float t = dht.readTemperature();
int soilRaw = analogRead(SOILPIN);
float soilMoisture = map(soilRaw, 0, 1024, 100, 0); // 示意：将ADC值映射为百分比
char buf[160];
int len = snprintf(buf, sizeof(buf),
"{\"type\":\"soil\",\"moisture\":%.1f,\"temperature\":%.1f,\"humidity\":%.1f,\"ts\":%lu}",
soilMoisture, t, h, millis() / 1000);
if (client.publish(mqttTopic, buf, true)) {
Serial.println("Published: " + String(buf));
}
}
void setup() {
Serial.begin(115200);
WiFi.begin(ssid, password);
while (WiFi.status() != WL_CONNECTED) delay(500);
client.setServer(mqttServer, 1883);
dht.begin();
}
void loop() {
if (!client.connected()) connectMQTT();
client.loop();
if (millis() - lastSend >= SEND_INTERVAL) {
sendData();
lastSend = millis();
}
}代码逻辑直观：每15分钟唤醒，读取DHT22和土壤水分传感器，组装JSON并发布到MQTT主题。client.publish(..., true)设置了retain标志，保证最后一条消息在设备离线后仍能被后继订阅者读取——这在告警和报表场景下有用。常规采集则建议去掉retain，减少Broker存储压力。
完成这三步清洗之后，数据才真正具备被下游AI模型消费的资格。下一节我们来讨论，这些数据如何被用来做作物病虫害识别、产量预测和智能灌溉控制。