《Scientific Reports》：Low-cost IoT real-time environmental monitoring and one-hour LSTM forecasting for small-scale agricultural applications
编辑推荐：
标准设备因价格过高且操作复杂，常常限制了小规模农业中连续环境监测的开展。为克服这一障碍，本研究开发并部署了一套低成本七通道物联网监测与预测系统，采用Arduino Uno R3与ESP8266 NodeMCU Wi-Fi模块。该系统采集温度、湿度、降水、土壤湿
标准设备因价格过高且操作复杂，常常限制了小规模农业中连续环境监测的开展。为克服这一障碍，本研究开发并部署了一套低成本七通道物联网监测与预测系统，采用Arduino Uno R3与ESP8266 NodeMCU Wi-Fi模块。该系统采集温度、湿度、降水、土壤湿度、甲烷、一氧化碳及空气质量数据，并以平均约一分钟的间隔将数据传输至ThingSpeak云平台。DHT22温湿度传感器的制造商标称精度为±0.5°C和±2–5%相对湿度（RH）；其余传感器报告未校准的原始输出，因未进行参考仪器验证。该设备在埃及尼罗河三角洲地区一处住宅花园场地部署了21天。在应用预处理流程后，31,460条导出观测值中的30,981条（占导出记录的98.48%）被保留，该流程包括时间感知插值和以增广迪基-富勒（ADF）检验引导的平稳性调节。采用70/15/15按时间顺序划分的训练/验证/测试集，以防止时间泄漏。分析揭示了显著的环境模式，包括0.296°C/天的上升趋势、温度与湿度之间的反相耦合，以及夜间原始气体传感器输出的增加。为利用这些数据进行预测性洞察，本研究训练了七个不同的单变量LSTM模型以预测未来一小时。在与同一测试集上的持续性基线（persistence）和季节性朴素基线（seasonal-naive）进行评估时，LSTM在甲烷（平均绝对百分比误差，MAPE：0.81%）和空气质量（MAPE：0.31%）方面相对于持续性基线具有微弱优势，而简单的持续性预测在其余五个通道上达到或超过了LSTM的表现。本次现场部署证明了将经济型硬件与深度学习预测相结合用于连续环境监测的技术可行性，为资源受限环境下未来的灌溉支持应用奠定了基础。
**论文解读：低成本物联网环境监测系统与LSTM一小时预测在小规模农业中的应用**
**一、研究背景与问题提出**
农业是人类文明的基础，为不断增长的人口提供食物、经济安全和资源保障。据估计，到2050年全球人口将超过一百亿，届时粮食产量至少需要增加50%才能满足预期需求。与此同时，可耕地因城市扩张和土壤退化而不断减少，淡水资源在竞争性需求和气候压力下日益稀缺，气候波动持续加剧，这些相互叠加的压力共同缩小了农民作出日益关键决策的时间窗口。在此背景下，农业4.0应运而生，这是一种以数据为中心的模式，集成物联网、人工智能和云计算，推动农业从被动应对转向主动的、基于证据的管理策略。
尽管物联网监测在农业研究中已被广泛使用，但现有大多数系统侧重于数据采集而非预测功能，传感器数据中丰富的时间模式未得到充分利用。高频、长期采集的传感器数据表现出显著的自相关、日周期和纵向趋势，这些特征可用于预测未来环境状况，促进前瞻性而非反应性的农业管理。长短时记忆（LSTM）网络因其门控记忆单元能够保留长期时间依赖性，非常适合此用途。然而，小规模住宅和城郊农业场所，尤其是在气候压力和资源限制交汇的尼罗河三角洲等地区，在已发表的将现场部署物联网数据与训练预测模型相结合的研究中基本缺失。此外，标准设备价格高昂且操作复杂，进一步限制了小规模农业中连续环境监测的开展。因此，开发一套低成本、集成预测功能的物联网监测系统具有重要的现实意义。
**二、研究目标与系统设计**
本研究旨在开发一套经济型物联网环境监测与预测系统，并在埃及尼罗河三角洲一处住宅花园进行了为期21天的部署验证。系统集成了七个传感器通道，涵盖大气、土壤和气体相测量，以约一分钟的平均间隔将数据传输至ThingSpeak云平台，并利用基于平稳时间序列训练的单变量LSTM模型对各通道分别生成未来一小时的预测。研究的具体贡献包括：构建集成了大气、土壤和气体传感器及ThingSpeak云集成的七通道检测系统；开发了通过时间敏感插值和增广迪基-富勒（ADF）检验引导的平稳性调节实现98.48%数据保留率的预处理流程；训练了七个采用ADF引导差分并在固定一小时预测范围内评估的单变量LSTM模型；使用平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）以及bootstrap置信区间对所有传感器通道进行了综合性能评估。
系统架构分为三个功能硬件层：负责数据采集的物理传感层、处理信号调节和传输调度的边缘处理层，以及管理数据摄取、存储和可访问性的云应用层。物理层包括Arduino Uno R3微控制器和七个传感器，总物料成本为1,080埃及镑（约21美元），强调了平台的低成本特性。设备部署于尼罗河三角洲地区新达米埃塔市一处住宅花园的地面遮荫位置，该地区属半干旱地中海影响气候。边缘层在Arduino上执行模拟-数字转换、信号变换、数据序列化和上传速率管理。云层通过ThingSpeak平台的RESTful HTTP API实现数据摄取、持久存储和检索。
**三、主要关键技术方法**
研究人员使用了以下关键技术方法：第一，基于Arduino Uno R3和ESP8266 NodeMCU的低成本物联网硬件平台，通过SoftwareSerial串行通信实现数据采集与传输；第二，ThingSpeak云平台作为数据管理与可视化基础设施，通过HTTP POST请求和TCP套接字实现数据上传；第三，数据预处理流程，包括时间感知线性插值、物理合理性边界检查、最大连续间隙限制以及基于增广迪基-富勒（ADF）检验的平稳性判定与一阶差分处理；第四，两层级联LSTM网络架构（64和32隐藏单元，dropout率0.2），采用Adam优化器、均方误差损失和早停机制训练；第五，70/15/15按时间顺序划分的训练/验证/测试分割以防止时间泄漏，并使用MAE、RMSE、MAPE三种指标评估模型性能，辅以bootstrap置信区间分析。
**四、研究结果与分析**
**系统部署与数据采集结果。** 系统在21天部署窗口（2026年4月24日至5月15日）内以约一分钟的平均间隔向ThingSpeak云平台传输七个传感器通道数据。原始导出包含31,460条观测值。DHT22故障读数标记了890个温度观测值（2.83%）和682个湿度观测值（2.17%）超出边界。时间感知线性插值恢复了411个温度和364个湿度观测值，而479行超过最大连续间隙限制的数据被移除。最终清洗数据集保留30,981条观测值，保留率为98.48%。清洗后温度范围为3.0至57.1°C（均值23.17°C，标准差3.87°C），湿度范围为7.3%至90.9%（均值66.14%，标准差13.04%）。
**环境模式与趋势分析。** 增广迪基-富勒检验显示，温度、湿度、降雨和MQ-7四个通道拒绝了单位根原假设，可采用水平值建模；土壤湿度、MQ-4和MQ-135三个通道未拒绝原假设，被判定为非平稳序列，需要一阶差分处理。对小时重采样序列的线性回归确认了所有七个通道均存在统计显著的纵向趋势（p<0.001）。温度以每天+0.353°C上升，STL提取的趋势分量确认为每天+0.296°C（R2=0.651），代表21天窗口内净增温5.15°C。湿度以每天?1.236%相应下降，与气温上升下的逆湿球心理关系一致。MQ-135在所有通道中表现出最强的纵向信号，每天+10.052原始单位（R2=0.605）。逐时平均剖面揭示了显著日动态：温度在13:00达到峰值26.42°C，在04:00达到最低值20.04°C，日较差6.38°C；湿度呈严格反相模式，04:00峰值76.47%，12:00谷值55.15%，湿度谷值滞后温度峰值约一小时。MQ-7和MQ-135均在07:00达到峰值，可能反映夜间近地面气体累积；MQ-4在23:00呈现独特夜间峰值；土壤湿度在02:00达到峰值，在11:00达到最低值。皮尔逊相关矩阵显示三个MQ系列通道强相关（r=0.81至0.92），温度与湿度之间呈现最强的反相耦合（r=?0.70）。
**预测模型性能。** 所有七个LSTM模型均训练至稳定收敛，早停在13至41个周期之间触发，训练与验证损失曲线确认无过拟合。在测试集上，气体传感器通道表现最佳：MQ-4实现MAPE 0.81%（MAE 1.933原始单位），MQ-135实现MAPE 0.31%（MAE 1.714原始单位），较持续性基线具有微弱优势。土壤湿度实现MAPE 6.51%（MAE 9.854原始单位），但持续性基线在该通道上表现更优。MQ-7一氧化碳达到MAPE 5.66%（MAE 17.060原始单位），测试期间存在约15个原始单位的系统性低估。温度和湿度分别产生11.11%和10.20%的MAPE值，两个模型均再现了正确的日周期频率但低估了振幅，这可归因于每天+0.296°C的升温趋势使测试期部分超出训练分布。降雨传感器的MAPE 46.42%受干燥期接近零的分母值主导，MAE 61.832（范围为0至1023 ADC）是该通道更具参考价值的指标。95%置信区间（2,000次bootstrap重采样）相对于点估计较窄，相对半宽度范围为0.17%至6.64%。
**与朴素预测基线的比较。** 为评估LSTM预测相对于简单外推的增量价值，研究人员在相同测试集段上评估了两种朴素基线：持续性基线（预测下一小时等于最近观测值）和季节性朴素基线（使用24小时前的观测值进行预测）。结果表明，持续性基线在湿度、温度、降雨和MQ-7通道的MAE、RMSE和MAPE指标上均超过LSTM，其中降雨和MQ-7的差距尤为显著（持续性基线的MAE分别低约12倍和4倍）。这一趋势与观察到的训练分布偏移一致：测试阶段表现出系统性更高的温度、更低的湿度以及更高的降雨传感器和MQ-7读数，这使静态预测模型产生偏差，而持续性预测不受影响。MQ-4和MQ-135通道展现出最显著的纵向模式，LSTM与持续性基线之间一致性最高，LSTM在所有三个标准上均略优于持续性基线。季节性朴素模型在所有通道上的表现均不如持续性基线，表明21天部署期内的日常波动压倒了静态24小时滞后所捕捉的重复日趋势。
**五、讨论、结论与研究意义**
**讨论部分总结。** 研究人员指出，本监测与预测流程旨在作为实现联合国2030可持续发展议程所设想的data-driven农业管理的早期步骤，特别是SDG 2（零饥饿）、SDG 6（清洁饮水和卫生设施）和SDG 13（气候行动）。一小时前土壤湿度预测（MAPE 6.51%）指向基于历史、场地特定数据学习的预期性灌溉标记，而非单一固定湿度阈值，因为静态阈值难以在不同土壤类型、作物和季节间泛化。MQ-135预测（MAPE 0.31%）可支持标记原始输出的持续增加以供进一步关注，而MQ-4在23:00的夜间峰值可能与未来温室气体监测应用相关。验证预测的湿度下降与实际灌溉事件和作物响应的关系，以建立这一基线，被确定为未来工作。
**研究结论。** 本论文提出了一个在埃及尼罗河三角洲地区住宅花园场地部署21天的低成本物联网环境监测与预测系统，证明了将经济型硬件与云连接数据管道和深度学习预测相结合的技术可行性。通过将Arduino Uno R3和ESP8266 NodeMCU Wi-Fi模块与覆盖大气、土壤和气体相测量的七个传感器通道相结合，系统实现了平均约一分钟间隔的实时数据采集，预处理流程保留了导出记录的98.48%。部署将这一物理监测基础设施与七个基于ADF条件时间序列训练的单变量LSTM模型相结合，同时生成跨所有传感器通道的未来一小时预测。然而，在与持续性基线和季节性朴素基线进行对比时，LSTM仅在甲烷和空气质量预测方面相对于持续性基线具有微弱优势；持续性预测在其余五个通道上达到或超过了LSTM的表现，这一结果与已证实的测试/训练分布偏移一致。未来工作将优先将部署扩展至覆盖完整的季节周期，直接解决大气通道的训练分布限制，并针对真实灌溉事件和作物响应验证土壤湿度预测方法，以建立自适应、历史信息充分的水分基线替代固定阈值。结合多变量LSTM公式以利用趋势和日分析中记录的跨传感器关系，以及将推理迁移至边缘设备以减少云依赖，代表了迈向完全自主、低延迟精准农业系统的最具影响力的后续步骤。
**研究意义。** 该研究弥合了低成本物联网硬件与深度学习预测之间长期存在的鸿沟：先前研究要么聚焦硬件部署而缺乏预测能力，要么在档案数据集上开发模型而与实地硬件脱节。本研究通过在真实野外环境中的端到端部署，验证了经济型传感平台与LSTM预测的兼容性和实用性，为资源受限环境下的小规模农业监测与预测提供了可复制的技术范式，也为未来灌溉支持和温室气体监测等实际应用奠定了方法基础。同时，研究坦诚报告了LSTM在多数通道上未能超越简单基线的结果，揭示了训练分布偏移在实地部署中的关键挑战，为后续研究提供了重要的经验参考。
