面向智慧城市的WSN–IoT移动环境监测系统：Edge–Fog–Cloud架构、空间分段机制与TRL 6验证

《Sensors》：WSN–IoT-Based Mobile Environmental Monitoring System for Smart Cities

　　

在智慧城市中，可靠的环境信息对决策至关重要。使用固定站点开展环境监测在空间覆盖方面存在局限。该研究提出一种基于边缘（Edge）、雾（Fog）与云（Cloud）架构的环境监测系统，用于降水、PM_2.5、PM₁₀、CO₂、总辐照度、温度、气压和风速监测。该系统由移动传感器节点和固定汇聚节点组成：移动传感器节点集成传感器并执行空间分辨测量，固定汇聚节点将数据转发至物联网（Internet of Things, IoT）代理（broker）和数据库。此外，开发了一个Web应用，用于MQTT（Message Queuing Telemetry Transport，消息队列遥测传输协议）消息可视化、地理空间查询和测量数据下载。节点采用基于敏捷原则、务实编程和自底向上（Bottom-Up）策略的迭代增量方法开发。节点集成了空间分段、中间存储、自动重传、完整性验证和流控机制。实验室与真实环境测试确认其达到TRL 6（Technology Readiness Level 6，技术成熟度6级）。采用独立验证的计量性能评估显示，六个变量中有四个变量的RMSE（Root Mean Square Error，均方根误差）降低，其中PM_2.5改善最大。CO₂测量的变异系数低于1.3%，雨量计具有先前确定的8.5%相对误差。这些结果证明该系统通过移动传感扩展城市环境监测空间覆盖的可行性。

研究背景与问题：智慧城市与可持续城市被视为缓解城市人口增长和加速城市化问题的治理范式，信息技术作为跨领域轴，支持数据采集、传输、处理与分析，以透明高效方式支撑决策和资源管理，并改善居民生活质量与可持续发展。城市环境变量监测可影响集体智能，尤其涉及环境、健康、治理与城市规划；监测数据转化为信息、政策与改进行动。主要挑战之一是以尽可能少的技术基础设施设计并实施高效城市环境监测系统。固定监测站存在空间覆盖局限；无线传感器网络（Wireless Sensor Network, WSN；由传感器节点与汇聚节点构成的监测网络）可部署传感器节点和汇聚节点，而引入移动性的移动无线传感器网络（Mobile WSN, MWSN）可扩展覆盖、缓解拥塞并提高能效，但移动传感器节点与固定汇聚节点方案需应对占空比、延迟、丢包、链路中断、存储溢出、校准、移动引起测量变异、传感器异步、通信中断、GPS地理参考误差，以及测量空间分辨率随车速变化等问题。该研究面向技术基础设施有限的城市，描述基于WSN和IoT的移动环境监测系统开发与运行，报告移动WSN–IoT架构、数据校正与同步方法、软硬件原型开发方法，以及移动平台实验验证达到TRL 6且相较固定传感器测量误差较低等发现。其意义在于以较少传感器通过移动性实现全城环境监测，扩展城市环境监测空间覆盖；结果表明系统可行，独立验证中六个变量中四个变量RMSE降低，PM_2.5改善最大，CO₂测量变异系数低于1.3%，雨量计先前相对误差为8.5%。

关键技术方法（≤250字）：方法上，研究人员采用基于敏捷原则、务实编程与自底向上（Bottom-Up）策略的迭代增量方法，开发移动传感器节点（Edge）、固定汇聚节点（Fog）和监测中心（Cloud）。节点集成降水、PM_2.5、PM₁₀、CO₂、总辐照度、温度、气压和风速传感器；以50 m名义空间窗分段，采用滑动平均/中值滤波、中间存储、自动重传、校验和、确认与去重及流控。通信采用XBee射频与MQTT，数据入MongoDB并由Web应用实时/历史可视化。计量校准与独立验证以哥伦比亚圣玛尔塔Universidad del Magdalena实验农场UNIMAG KOICA参考站（IDEAM/SISAIRE；哥伦比亚水文、气象与环境研究院空气质量信息子系统）数据为来源；校准日7:00–19:00得12条小时记录，独立验证另一日8:00–16:00得9条。

研究结果：
4.1 功能原型：通过原型集成与工作流测试，研究人员开发了由移动传感器节点、汇聚节点和监测中心构成的分布式平台，集成采集、临时存储、无线传输、校验、MQTT发布与MongoDB（文档型NoSQL数据库）存储。系统采用三个机制：按行驶距离进行空间分段并生成每段代表测量；移动节点失去汇聚覆盖时、汇聚节点与监测中心通信中断时进行持久中间存储并在恢复后自动重传；基于校验和、确认消息和重复帧检测实施完整性验证与流控。监测中心软件架构分为呈现、业务逻辑和数据基础设施三层，采用发布/订阅近实时监测与请求/响应历史查询两套解耦范式；Web应用通过WebSocket（全双工通信协议）连接MQTT代理接收测量，并以空气质量阈值信号灯显示；历史分析采用Node.js REST API（Representational State Transfer Application Programming Interface，表述性状态转移接口）查询MongoDB，采用Haversine（半正矢算法）检索用户选点200 m半径内测量并支持批量下载。结论是系统实现连续、可靠、容错的移动环境监测，并保持数据可用性、完整性和一致性。
4.2 性能评估：通过组件单元测试、集成系统测试、接口测试、两日城市路线测试和受控中断测试，移动节点配置与传感器连接接口响应符合预期；两次城市路线各约5.8 km、约25 min、平均13.9 km/h，速度低于30 km/h，共获229条空间参考记录。结果提示有效更新间隔约6–15 s但不能完全确定；PM_2.5和PM₁₀测量通常约6 s重复，决定其有效空间分辨率；50 m分段下接近30 km/h时部分变量可能无法在每段提供新测量，超过该速度则欠采样并降低有效空间分辨率。通过关闭/开启汇聚节点验证移动节点临时存储与重传，恢复后成功重传且未产生重复帧；通过中断汇聚节点与MQTT代理连接验证中间存储，恢复后全部发布并持久化至MongoDB，临时记录与数据库记录对应。Web应用实时监测、地理可视化、空间滤波和文件下载均成功。按NASA TRL标准评估，三个子系统一致符合TRL 6，整体系统达到TRL 6。
4.3 计量性能评估：通过UNIMAG KOICA参考站共址校准和独立验证，采用线性回归校准温度、气压、风速、总辐照度、PM_2.5和PM₁₀。决定系数（R²）显示风速和太阳辐射线性模型较好（R² > 0.9），颗粒物和气压约0.7、不确定性较大；校准前平均归一化偏差（Mean Normalized Bias, MNB）显示温度与颗粒物高估、总辐照度低估，需变量特异校准。CO₂传感器基于非分散红外（Non-Dispersive Infrared, NDIR）且为研究级，因无参考CO₂数据和标气而采用工厂校准，按小时读数统计均值664.532 ppm、标准差<9 ppm、变异系数（Coefficient of Variation, CV）<1.3%。自制电子雨量计因输出三级分类与参考站累积降水（mm）不可直接比较，未外部校准；依据先前水动力流量校准，相对误差8.5%、RMSE 5.16 mm，未估计归一化均方根误差（Normalized Root Mean Square Error, NRMSE）。独立验证中，校准函数对六个变量中的四个保持有利性能：PM_2.5的RMSE由54.367降至8.284 μg/m³，改善最大；总辐照度由75.466降至61.082 W/m²；PM₁₀由12.561降至11.416 μg/m³；气压由1.575降至1.481 hPa；温度由0.400升至1.667 °C、风速由1.038升至1.250 m/s的RMSE增加，表明校准效果不均匀、温度与风速泛化能力较低；因此研究人员按变量以RMSE、MNB、NRMSE评价，而非采用单一聚合指标。

讨论总结：实验室与城市路线评估表明，原型满足TRL 6要求，硬件、固件、无线通信、IoT基础设施和分布式服务在机械振动、变速、临时无线连接中断和城市环境条件下共同运行；系统尚未达到TRL 7，因为未在公共交通车队中长期部署并连续运行。硬件方面，触摸屏便于开发调试，但不适合公交车辆永久运行，未来可用无线应用替代并改善密封、将充电控制器置入外壳，增加风向传感器和罗盘，并扩展CO、NO₂、O₃等污染物监测。低成本传感器（Low-Cost Sensor, LCS）在连接器、外壳、环境防护、通信接口和测量原理方面存在限制，但其适合迭代开发，便于逐步扩展和功能测试。软件架构将MQTT over WebSockets近实时信息流与MongoDB上的REST服务历史查询解耦，避免计算瓶颈并便于扩展；但未进行负载测试或多节点同时运行，系统可扩展性未获实验验证。评估以功能验证为主，未纳入每帧端到端延迟、重传次数、丢包率和精确链路恢复时间；未全面实施设备与用户认证、访问控制和设备到代理的安全通信，未来需采用MQTTS（MQTT over TLS）和HTTPS（Hypertext Transfer Protocol Secure）及认证授权机制。移动过程中的计量性能未实验验证，因为参考站时间分辨率为1 h，而移动节点按空间分段测量，难以直接对应；风速补偿使用全球导航卫星系统（Global Navigation Satellite System, GNSS）速度，未来需用两个等价且预先校准的节点一静一动同步验证。未来工作包括以机器学习多变量模型替代线性回归、评估100 m空间窗或自适应空间分段、开发面向智能地理空间重建的深度学习或空间插值模型，以构建支持城市规划、环境管理和决策的城市环境变量地图。

研究结论部分翻译：由低成本传感器组成并通过Edge–Fog–Cloud架构与IoT服务互操作的移动环境监测系统，证明了在智慧城市中以少于仅依赖固定监测站方案的技术基础设施扩展城市环境监测空间覆盖的可行性，可提供名义空间分段为50 m的地理参考环境测量。所设计并实施的方法适用于复杂硬件与软件子系统的渐进开发和集成，促进完整系统的功能验证。基于WSN和IoT的Edge–Fog–Cloud功能架构解耦了数据采集、存储、检索和可视化功能，提供可扩展性基础，便于在不改变功能结构的情况下加入额外传感器节点、客户端应用和IoT服务。功能评估确认原型达到TRL 6。采用独立验证数据的计量评估显示，校准函数降低了六个评估变量中四个变量相对参考站的RMSE，其中PM_2.5改善最大；但温度和风速RMSE增加表明校准性能因传感器而异，应对每个环境变量分别评价。评估还确定了继续发展原型至更高TRL的主要行动，包括以更多传感器节点和更大规模部署进行系统定量评价，并改善泛化能力较低变量的校准。计量结果引导未来工作引入人工智能（Artificial Intelligence, AI）技术处理和校准传感器原始测量；自适应空间处理和基于AI的地理空间重建是增强移动环境监测系统能力的未来发展方向。