《Smart Agricultural Technology》：Development and Field Evaluation of an IoT-based Multi Sensor Monitoring System for Large-Scale Sugarcane Cultivation
编辑推荐：
针对大型高秆作物（如甘蔗）缺乏集成多种异构传感器（土壤、水体、大气及植株冠层）并具备自适应噪声滤波的节能可靠无线传感器网络(WSN)这一研究空白，研究人员设计、实现并进行了田间验证一种节能的基于物联网(IoT)多传感器监测系统，以解决大规模精准农业中的上述问题
针对大型高秆作物（如甘蔗）缺乏集成多种异构传感器（土壤、水体、大气及植株冠层）并具备自适应噪声滤波的节能可靠无线传感器网络(WSN)这一研究空白，研究人员设计、实现并进行了田间验证一种节能的基于物联网(IoT)多传感器监测系统，以解决大规模精准农业中的上述问题。所提系统采用多跳星型拓扑(multi-hop star topology)以提高通信可靠性并在大面积田间条件下最小化能耗。各传感节点集成了ESP32微控制器与异构传感器，包括气温与相对湿度、叶片温度、土壤含水量、地下水位及基于光探测测距(LiDAR)的植株高度测量。本研究的关键贡献在于集成LiDAR传感器进行非接触式株高估算，并结合稳健的四分位距(Interquartile Range, IQR)滤波算法以减轻风致噪声。通信框架利用NRF24L01+模块进行簇内传输，利用Wi-Fi进行云端连接，实现了高效的数据聚合与节点级低功耗需求。系统在12,000公顷甘蔗田中部署并评估达六个月。结果表明，尽管存在环境与运行挑战，系统仍表现出高通信可靠性（98.5%）与系统正常运行时间（>98%）。通信可靠性与能耗间存在强负相关（r = ?0.94），突显了重传对功率效率的影响。与人工测量比对，传感器验证决定系数(R2)范围为0.94至0.98，多数参数无显著差异（p > 0.05）。IQR滤波器使株高标准差降低65%（由23.5 cm降至8.2 cm）。该系统提供了一个实时多参数监测与报警平台，支持资源受限环境下大规模农田的灌溉调度与胁迫检测。
论文解读：《Development and Validation of an IoT-based Multi-Sensor Monitoring System for Large-Scale Sugarcane Cultivation》发表于《Smart Agricultural Technology》
研究背景与立项依据
精准农业(Precision Agriculture, PA)依赖无线传感器网络(Wireless Sensor Network, WSN)与物联网(Internet of Things, IoT)实现对土壤水分、地下水埋深、气温湿度、叶片温度（用于计算作物水分胁迫指数 Crop Water Stress Index, CWSI）及株高等关键参数的连续实时监测。然而，现有WSN在真实大田环境中面临节点能量有限、植被生长与天气导致信道质量波动、多异构传感器同步采集困难等挑战；且以往研究多局限于小面积（<2 ha）短期试验，缺乏对高大作物（如甘蔗）风致LiDAR噪声滤波及通信可靠性—能耗权衡的实证量化。针对大规模甘蔗栽培缺乏集成土壤—水—大气—植株冠层多参数、带自适应噪声滤波且节能的多跳(multi-hop)星型(star)拓扑WSN这一空白，研究人员开展了本项系统的设计、构建与为期六个月的商业规模田间验证。
主要关键技术方法
研究人员在伊朗胡齐斯坦省12,000 ha甘蔗田按分层随机采样布设48个监测簇（共240节点：48个父节点+192个子节点）。硬件上子/父节点均以ESP32-WROOM-32D微控制器为核心，子节点集成I2C数字温湿度与叶片红外温度传感器、UART接口360°旋转LiDAR（D500型，用于非接触株高测量）与GPS模块，以及直接接内部模数转换器(ADC)的电容式土壤水分与地下水位传感器；簇内采用2.4 GHz NRF24L01+（带功率放大与低噪声放大 PA+LNA）进行低功耗通信，父节点汇总后通过Wi-Fi向云端发送HTTP POST请求。株高原始点云应用四分位距(Interquartile Range, IQR)法（系数1.5）剔除风致异常值。固件用C++开发，支持子节点深睡眠、ACK确认与三次重传失败本地SD卡存储；云端采用PHP 8.1的模型—视图—控制器(Model-View-Controller, MVC)架构与MySQL存储，配Android端(B4A)可视化及基于阈值（土壤含水量<25% Volumetric Water Content, VWC 或 CWSI>0.5）的短信灌溉建议。能耗设计采用10 W多晶硅太阳能板配PWM充控器与12.8 V 18 Ah磷酸铁锂(LiFePO4)电池，结合考虑重传惩罚与温度折减的扩展能量预算模型。
研究结果
3.1. System Performance Evaluation（系统性能评估）
对六个月运行指标按月监测表明，平均通信可靠性(Communication Reliability)达98.8±0.4%，数据丢失率(Data Loss Rate, DLR)均值为1.2±0.4%，平均通信时延(Latency)为158±18 ms，系统正常运行时间(Uptime)均值99.1±0.5%，单节点日均能耗13.2±0.9 Wh。随甘蔗封行与电池老化，第六个月可靠性略降至97.5%、能耗升至15.1 Wh/天（+20.8%）、时延增至195 ms、正常运行时间微降至97.8%。通信可靠性与日能耗呈强负相关（r = ?0.94），证实链路质量下降引起的重传显著拉高能耗。整体可靠性98.5%超过农业WSN常规95%基准，多跳星型拓扑有效隔离故障并降低全网功耗。
3.2. Plant Height Data Filtering with IQR Algorithm（基于IQR算法的株高数据滤波）
LiDAR单次扫描约1000个点经IQR滤波后，株高均值由原始146.3 cm修正为152.1 cm（更接近人工标尺151.0 cm），标准差由23.5 cm降至8.2 cm（降幅65%），证明IQR滤波可有效消除风致冠层摆动离群值，提升自动株高估算精度。周际滤波后株高曲线可反映不同品种甘蔗生长期动态。
3.3. Statistical Analysis and Data Validation（统计分析及数据验证）
以人工实测为基准，各传感器参数决定系数(R2)为0.94（相对湿度）~0.98（气温），平均绝对误差(Mean Absolute Error, MAE)分别为气温0.30°C、叶温0.35°C、土壤含水量0.70%、株高0.50 cm、相对湿度0.60%，均方根误差(Root Mean Square Error, RMSE)介于0.38~0.89。Duncan多重范围检验显示除相对湿度边缘差异外（分组标记ab），其余参数传感器与人工均值无显著差异（p > 0.05），95%偏差置信区间含零，说明异构传感器阵列经现场标定后满足农业容差（温度±0.5°C，土壤含水量±1% VWC）。
3.4. Irrigation Management and Plant Growth Monitoring（灌溉管理与植株生长监测）
基于验证数据计算的CWSI与气温、叶温时序显示高温期CWSI升高指示水分胁迫，但后期虽持续高温CWSI因相对湿度上升而下降，说明需综合多环境因子评估胁迫。日生长增量曲线表明灌后第7天达峰值1.98 cm/d，第5天因高温伴大风引发气孔部分关闭致增速暂降；当增速降至峰值40%（≈0.80 cm/d）提示需再次灌溉。规则型灌溉建议模块在六个月触发23次短信报警，21次（91%）经理人核实存在早期缺水并在48 h内灌溉，无漏报(False Negative)，4次为露水致CWSI假性降低造成的误报(False Positive)。
讨论与结论翻译
研究人员指出性能逐月微幅衰退归因于植被致信号衰减、>30°C高温下锂电容量衰减引起输出电压降低进而增加重传，以及由此引发的轻微网络拥塞；但多跳星型拓扑限制仅父节点启用高功耗Wi-Fi，显著缓解了全网能耗压力。与已有文献小规模或仿真研究相比，本研究首次在>10,000 ha商业化甘蔗田完成跨全生长季实证，量化了可靠性—能耗权衡，并验证了LiDAR+IQR株高测量与多传感器融合精度。局限含单 agro-ecological zone 验证、未闭环控制灌溉及2.4 GHz易受冠层衰落影响；更大规模扩展建议引入LoRaWAN混合回传、动态信道分配及生命周期评估。未来方向含自适应功率管理、植被感知路由及边缘人工智能(Edge AI)预测胁迫与产量。
结论（ translated ）：
本研究成功设计并实地评估了一种采用多跳星型网络架构、基于物联网(IoT)的智能监测系统，用于大规模甘蔗栽培。系统集成异构传感器同步监测土壤含水量、地下水位、环境温湿度、叶片温度及LiDAR株高，构建了精准农业综合框架。在胡齐斯坦12,000公顷甘蔗田六个月部署期间，平均通信可靠性达98.5%、系统正常运行时间98.9%，超越农业监测应用95%行业基准。即便面临季节植被生长与高温电池老化导致的渐进性能衰退，系统仍保持稳健运行。传感器与人工参考测量比对决定系数(R2)为0.94~0.98，平均绝对误差于农艺容许范围内；Duncan检验表明多数参数自动与手动测量无显著差异（p > 0.05）。新型基于四分位距(Interquartile Range, IQR)的滤波算法有效抑制风致LiDAR株高离群值，标准差降低65%并提高估算准确度。CWSI与灌后生长模式分析揭示即便土壤水分充足，温湿风瞬变亦可引发生理胁迫与生长受抑，强调综合土壤—大气监测之于整体作物管理的必要性。已验证的传感器精度、稳健网络表现及捕捉生理相关作物响应的能力，确立本系统可作为灌溉调度与作物健康监测的可靠决策支持工具。未来研究将聚焦于抵消季节性能退化的自适应功率管理算法及融合机器学习的胁迫预测与产量预估。
