面向农田物联网复杂事件处理的时空事件模型

在农田物联网中,控制命令往往由具有多维度信息的复杂事件触发,因此需要根据传感器所监测的大量单一事件检测复杂事件,即复杂事件处理。复杂事件模型描述了原子事件组合成复杂事件的组合模式,是复杂事件处理的基础。现有的复杂事件模型主要考虑原子事件的时间分布特性,而未考虑农田事件具有的空间分布特性。本文研究了面向农田物联网复杂事件处理的时空事件模型并定义了合适的事件模型描述语言,首先建立了描述复杂事件模式的时空事件模型,针对多个复杂事件间的关系,通过有向图建立了复杂事件层次模型;针对一个复杂事件内部关系,通过对农田物联网事件常见时序逻辑关系和空间拓扑关系的分析,定义了9类时间关系算符、8类空间关系算符用于判断子事件与复杂事件间的时空关系,并定义了5类时间耦合算符、7类空间耦合算符用于计算复杂事件的时空属性,为描述事件组合模式提供了基础;在此基础上,考虑可读性和易解析性,设计了基于XML的事件模型描述语言;基于案例,通过与其他常用的复杂事件模型相比较,说明了本文事件模型和描述语言更加适用于描述农田物联网复杂事件。     

无线传感器网络终端节点设计与实现

分析了无线传感器网络的发展情况,提出了一种适用于无线传感器网络的基于IEEE802.15.4协议的JN5139终端节点设计,对影响大田作物生长造成影响的诸多因素,如土壤温湿度、空气温湿度、光照强度、二氧化碳浓度、有害气体（二氧化硫）浓度等环境因子提取实时数据,并对这些数据进行存储、分析处理,以及转发。借助GPRS网络实现对数据的上传,并传入到Internet,通过TCP-IP传送到相关用户,及时了解所需信息,指导耕作方向。根据实际需求分析、设计、实现等方面叙述了开发过程,并通过实验测试数据,图片等形象手段体现作者的思路。     

小麦田中天线高度对2.4GHz无线信道传播特性的影响

探索农田环境下无线信道传播特性,将为无线传感器网络部署与功率控制方面的研究打下基础。该研究在小麦田地中实地测试了不同生育期 2.4GHz 无线信号的功率衰减情况和丢包率,进而得出传输范围及路径损耗,并用MATLAB对路径损耗进行了回归分析。研究表明,小麦田中,信号衰减的速度随天线高度的变化单调递减,而传输距离随天线高度的变化单调递增,因此,天线的较优位置应略高于成熟植株（1.2 m左右）。同一天线高度下,小麦生长后期无线信号的衰减大于前期。2.4GHz 无线信号的衰减情况可用对数距离路径损耗模型来预测,理论值与测量值的相关系数在0.961～0.996之间。路径损耗指数与天线高度呈现对数衰减趋势;在同一天线高度下,路径损耗指数随着小麦的生长而增大。     

地下农用地电子标识系统的研究

地下农用地电子标识系统将为农用地质量定点监测提供准确的位置信息及质量信息,作者分析了有源发射式和无源反射式两种不同系统的工作原理及设计方案,对比了其在射频实现方式、能量供应、工作频率及所携带的信息量方面的不同,指出了两种方案的优缺点,前者使用成本低廉,但存在能源供应的问题,而后者无需电源,但使用成本较高.实地实验也能保证两种系统均能满足应用需求,为农用地质量监测奠定了技术基础.     

基于改进K-means算法的WSN簇头节点数据融合

无线传感器网络数据融合能够减少节点能耗、延长网络生命周期,近年来受到了广泛关注。已有的应用于农业监测的空间数据融合算法多采用取平均值等方法将一定区域内监测到的数据融合成一个值。而农田环境监测具有监测范围广、监测点多、监测数据量大的特点,监测数据间除了冗余性还具有差异性,因此数据融合应该在消除冗余的同时保留数据的差异。针对农业监测的这一特点,提出在簇头节点应用聚类算法进行空间数据融合,通过聚类减少数据发送量,降低能耗;同时将差异较大的参量聚类到不同类别中以保留数据间的差异。此外,还提出了一种应用于WSN簇头节点的自适应改进K-means聚类算法,仿真结果表明,所提算法融合后的数据上传量比没有融合减少41.19%,消除了数据冗余;算法融合前后最大误差低于取平均值法误差的36%,保留了数据差异性。在没有明确误差要求时, 该算法能够在尽量减少数据上传量的同时保持相对误差低于10%,避免了因聚类个数不当引起的巨大误差。而在有具体误差要求时,该算法融合前后的绝对误差严格低于要求误差。     

基于JN5139的农田无线传感器网内数据融合研究

在无线传感器网络中,各个节点的存储能力、通信能力、计算能力及能源的供给都十分有限,因而运用网内数据融合算法消除冗余数据,减小数据传输量,从而达到节省功耗、延长节点生命周期、提高数据采集效率和准确度的目的。介绍了系统结构及主要模块JN5139,采用简单滑动平均法、指数平滑法及自回归滑动平均模型(ARMA),在分析大量WSN数据的基础上,利用时间序列对数据进行建模预测,提出了适合WSN的数据处理模型并用Mat Lab进行仿真,之后将程序烧写到节点中进行试验。试验表明:该方法在保证采集数据可靠性的前提下有效地减少了网络的耗能,延长了网络的生命周期。     

无线传感器网络终端节点设计与实现

分析了无线传感器网络的发展情况,提出了一种适用于无线传感器网络的基于IEEE802.15.4协议的JN5139终端节点设计,对影响大田作物生长造成影响的诸多因素,如土壤温湿度、空气温湿度、光照强度、二氧化碳浓度、有害气体（二氧化硫）浓度等环境因子提取实时数据,并对这些数据进行存储、分析处理,以及转发。借助GPRS网络实现对数据的上传,并传入到Internet,通过TCP-IP传送到相关用户,及时了解所需信息,指导耕作方向。根据实际需求分析、设计、实现等方面叙述了开发过程,并通过实验测试数据,图片等形象手段体现作者的思路。     

太湖流域土壤重金属污染评价与来源分析

选取太湖流域为研究区，利用单因子污染指数法和内梅罗综合污染指数法对其土壤重金属污染情况进行了评价，并采用描述性统计分析、Pearson相关分析和因子分析方法对其土壤重金属的来源进行了分析。研究表明，太湖流域土壤重金属综合污染等级均处于安全至中度污染之间，Hg、Cu和Zn对其土壤环境质量造成的危害较大，其中Hg的影响最为深刻，起到决定作用，Cr是唯一未对其土壤环境质量造成危害的元素；由重金属元素来源分析结果发现，太湖流域土壤中的Hg、Cu和Zn主要源自于工业源，As、Pb和Cd主要源于农业上施用的化肥农药，其中Pb和Cd也同时受到自然因素的影响，Cr的来源相对天然，未受到明显的人为因素的影响。     

基于BP神经网络的粮食产量与化肥用量相关性研究

针对太湖流域化肥用量和粮食产量数据，利用BP神经网络算法，建立了粮食产量与化肥用量之间的关系模型，以指导化肥减施增效。共收集了1980—2014年共35a太湖流域16个县市每个县市的单位面积化肥用量和单位面积粮食产量数据。通过自回归滑动平均模型（ARMA），对两类数据进行时间序列分析，对数据中存在的缺项进行了填补。实验表明，对于单位面积粮食产量数据，用ARMA(2,6)模型能够达到较佳的填补效果，均方误差小于0.2，R2＞0.85。对于单位面积化肥用量数据，用ARMA(3,7)模型较优，均方误差小于0.02，R2>0.80。说明ARMA模型数据填补效果较好。将填补后的不同县的数据通过BP神经网络建立模型，描述了各县市单位面积化肥用量和粮食产量的关联关系。实验表明，该方法拟合的均方误差小于0.12，R2＞0.80，说明BP神经网络是一种准确度较高的拟合方法。通过分析各县拟合结果，表明化肥用量有阈值，化肥用量低于该阈值，粮食产量将会较快速增长，高于该阈值，粮食产量将不再增长，过多的施用化肥并不能取得高产。     

无线传感器网络农田环境监测管理平台设计

无线传感器网络在现代农业中有着广阔的应用。为此,针对农田环境场景,设计了一个基于无线传感器网络的农田环境信息监测管理平台。采用GPRS网络和Socket通信编程技术,将无线传感器网络节点采集的田间环境参数数据存储于服务器数据库中,由C#编写的网站平台发布监测信息。该平台能够将农作物种植地的关键环境参数准确直观地展示给用户和管理者,高效地实现了农田环境信息监测。