2. 农业监控场景与功耗需求分析

低功耗设计从来不是从选芯片开始的，而是从“场景需要什么”开始的。同样是农业监控节点，大田墒情站可能每半小时上报一次数据、靠一块锂亚电池撑两年；而畜禽舍环境控制器需要每分钟采集温度、氨气和二氧化碳，还要驱动风机与报警，供电必须走市电加后备电池。如果脱离场景直接谈休眠电流、占空比或电池容量，得到的功耗预算往往与实际需求错位。本节的任务，就是把场景特征转化为可计算的功耗预算与续航目标。

四类典型场景的监测参数与部署条件

农业监控场景的差异主要体现在三个方面：监测参数的种类与采样频率、部署环境的物理条件、以及可获得的供电资源。下面按大田、温室、果园、畜禽舍四类场景展开。

大田场景以土壤墒情、气象和作物长势为主。典型参数包括多层土壤含水率（如 10cm、20cm、40cm）、土壤温度、空气温湿度、光照、降雨量，部分场景增加虫情或苗情图像。部署特点是面积大、节点分散、间距几十米到数百米，多数节点无市电可达，依靠电池加太阳能板供电。通信通常采用 LoRa 或 NB-IoT，数据上报间隔从 30 分钟到 2 小时不等。这类场景对功耗最敏感，因为节点数量多、维护成本高，更换一次电池的人工成本可能超过电池本身。

温室场景参数更密集：空气温湿度、CO₂ 浓度、光照度、基质含水率与 EC 值，部分还监测叶面温度。温室内部有市电，但棚内高温高湿、夏季可达 40℃ 以上，对电池寿命和器件可靠性有影响。节点间距小（十几米），可采用有线总线或短距无线。由于温室调控依赖实时数据，采样周期通常为 1～5 分钟，但上报可以聚合后每 10～15 分钟发送一次。

果园场景介于大田与温室之间。除土壤墒情和气象外，常增加冠层光照、果实膨大或茎流参数，部署在丘陵坡地，遮挡严重，无线链路质量波动大。供电多为电池加太阳能，但树冠遮挡会显著降低太阳能板的实际发电量，这一点在功耗预算中必须打折计算。

畜禽舍场景的核心参数是温度、湿度、氨气、二氧化碳、硫化氢和光照，部分还包括饮水量与风机状态。舍内环境腐蚀性强、粉尘大，设备防护等级要求高。由于环境调控直接关系动物健康，数据实时性要求最高，采样周期常在 1 分钟以内，且需要本地联动控制。供电以市电为主，但断电后备必须考虑，通常配置 UPS 或可充电电池组。

从场景需求推导功耗预算

功耗预算的本质是一道能量守恒题：一个维护周期内，电池或太阳能系统能提供的总能量，必须大于节点在该周期内消耗的总能量，并留出安全余量。推导过程可以拆成四步。

第一步，确定能量来源与可用容量。以电池供电节点为例，若选用 3.6V/19Ah 锂亚电池组，标称能量约为 68.4Wh。但锂亚电池在大电流脉冲下有效容量会下降，且低温环境容量衰减明显，工程上通常按标称容量的 70%～80% 折算可用能量，即约 48～55Wh。若采用太阳能补充，则需按当地日均有效日照小时数和遮挡系数估算日发电量，例如 6W 太阳能板在日均有效日照 3.5h、系统效率 0.7 的条件下，日发电量约为 6×3.5×0.7≈14.7Wh。

第二步，建立节点的工作状态模型。低功耗节点通常有休眠、采集、处理、发射四种状态，每种状态的电流和持续时间不同。以某大田墒情节点为例（以下为教学示例参数，非实测）：休眠电流 20μA；采集时 MCU 唤醒加传感器供电，电流 15mA，持续 2s；处理与打包电流 8mA，持续 0.5s；LoRa 发射电流 120mA，持续 1.5s。每 30 分钟执行一次完整周期。

第三步，计算单周期与日均能耗。单周期电荷量 Q = 0.02mA×2s + 8mA×0.5s + 120mA×1.5s ≈ 0.03 + 4 + 180 = 184.03 mAs，换算为 0.0511 mAh。加上休眠期间 30 分钟（1800s）的 20μA×1800s = 36mAs = 0.01mAh，单周期合计约 0.061mAh。每天 48 个周期，日均约 2.93mAh，折合能量约 10.5mWh（按 3.6V 计）。这个数字说明：在合理占空比下，发射瞬间的大电流虽然醒目，但真正决定日均能耗的是“每次发射的电荷量 × 次数”。

第四步，反推续航并校核。以可用能量 50Wh 计，理论续航约 50Wh ÷ 10.5mWh/天 ≈ 4760 天，看似远超需求。但实际工程中必须叠加自放电、温度衰减、传感器漂移校准、异常重传等开销，通常按理论值的 50%～60% 估算，得到约 6～8 年。若目标续航为 3 年，则预算有充足余量；若目标为 5 年且当地冬季低温明显，则需要进一步压缩发射次数或降低发射电流。

把续航目标落成可执行的设计约束

续航目标一旦确定，就应当反向转化为对各个环节的硬约束，而不是停留在“尽量省电”的口号上。具体做法是：先由维护周期和电池容量确定日均能量上限，再按状态模型分配到采集、处理、通信三个环节，最后为每个环节设定可验证的指标。

例如，某果园节点要求 5 年免维护，采用 3.6V/19Ah 电池并按 75% 可用容量折算，可用能量约 51Wh，5 年共约 1825 天，则日均能量上限约 28mWh，折合日均电荷约 7.8mAh。若通信环节每次发射消耗 0.05mAh、每天上报 24 次，则通信日均约 1.2mAh，占比约 15%；采集与处理若每次消耗 0.011mAh、每天 96 次，则约 1.06mAh，占比约 14%；剩余约 5.5mAh 留给休眠底电流和余量。由此可反推休眠电流上限：5.5mAh ÷ 24h ≈ 229μA。这个数字远高于常见 MCU 的休眠电流，说明该预算下真正的瓶颈在通信次数与采集频次，而不是休眠电流，设计重点应放在降低上报频率或采用数据聚合上。

反过来，如果某温室节点要求 1 年免维护但只有 4 节 5 号电池（约 10Wh 可用），日均上限仅约 27mWh，而它每分钟采样、每 10 分钟上报，通信与采集开销会迅速吃掉预算，此时就应优先考虑市电取电或太阳能补充，而不是一味压缩休眠电流。这正是“从场景推导预算”的价值：它让设计者知道该在哪里用力，哪里不必过度设计。

需要强调的是，上述计算中的电池容量、电流值和日照小时数均为教学示例，实际项目应以器件手册、现场实测和当地气象数据为准。但推导方法本身是通用的：明确能量来源与可用容量，建立状态模型，计算日均能耗，反推续航并留出折减余量，最后把目标拆成各环节的约束指标。掌握这套方法后，面对新的场景，只需替换参数即可快速判断供电方案是否可行，以及低功耗优化的重点应放在通信、采集还是休眠管理上。