1. 课程导入

在智慧农业系统中，传感器是获取田间信息的“感官”。土壤含水率、空气温湿度、光照强度、二氧化碳浓度、叶面温度、茎流速率等参数，往往由部署在田间的多个节点持续采集。然而，真实农业现场的数据从来不是“干净”的：电源波动、电磁干扰、传感器老化、风吹雨打、动物踩踏、无线传输丢包，都会让原始读数出现毛刺、漂移、跳变甚至缺失。如果直接把这样的数据送入灌溉决策或病害预警模型，轻则误报，重则造成水资源浪费或作物受损。因此，数据滤波解决“单路信号如何变干净”，数据融合解决“多路信号如何变可信、变完整”，二者共同构成农业物联网数据处理的底层能力。

一、学习目标：从“会看数据”到“会处理数据”

本课程的学习目标可以概括为三个层次。第一层是认知层：理解农业传感器误差的来源与类型，包括随机噪声、系统偏差、粗大误差和缺失数据，能区分“该滤掉的”和“该保留的”。第二层是方法层：掌握限幅滤波、中值滤波、滑动平均、一阶低通、卡尔曼滤波等常用算法的适用条件、参数含义与实现方式，并能针对具体传感器选择合适方法。第三层是应用层：能够把多源数据组织成融合流程，完成数据清洗、时空对齐、置信度评估与融合输出，并将结果用于灌溉、施肥、环境调控等实际决策。简单说，学完本课程，面对一串“跳来跳去”的土壤湿度曲线，你应该知道它为什么跳、该用什么方法压住、压到什么程度算合理。

二、核心概念：滤波与融合的分工

滤波针对单一路信号，目标是抑制噪声、保留真实变化趋势。例如土壤含水率传感器在灌溉前后会出现阶跃变化，滤波既要平滑随机抖动，又不能把真实的阶跃“抹平”。融合则面向多源信息，目标是通过冗余与互补提升整体可信度：同一地块布设三个土壤湿度节点，可以用加权平均降低单点故障影响；温度与湿度、光照与蒸腾之间存在物理关联，可以用模型约束互相校验。需要强调的是，滤波与融合不是替代关系，而是流水线上的前后工序——先让每路数据“可用”，再让多路数据“互证”。

三、整体框架：一条从采集到决策的数据链

本课程的整体框架可以理解为一条五段式数据链：感知采集 → 预处理与滤波 → 时空对齐与质量评估 → 多源融合 → 决策输出。采集层关注采样频率、量程与供电稳定性；滤波层完成异常值剔除与平滑；对齐层解决不同传感器采样时刻不一致、坐标不一致的问题；融合层依据加权、统计或模型方法生成综合估计；决策层把融合结果转化为灌溉量、通风时长等动作。下图展示了这条数据链的组成与关键处理环节。

四、典型应用场景：滤波与融合在哪里发挥作用

场景一：温室环境调控。温室内温度传感器受通风口启闭影响会出现短时突变，若直接用于控制，风机可能频繁启停。做法是先对温度序列做中值滤波剔除单点跳变，再用一阶低通平滑，最后结合湿度、CO₂ 多源融合判断是否需要通风。示例参数：采样周期 1 分钟，中值窗口取 5 点，低通滤波系数 α 取 0.2，可明显降低风机启停频次。

场景二：大田智能灌溉。土壤含水率是灌溉决策的核心依据，但单点传感器易受局部土壤差异影响。常见做法是在同一地块布设 3 个深度节点（如 20 cm、40 cm、60 cm），先各自滤波，再按深度权重融合成根区含水率估计。示例权重可设为 0.5、0.3、0.2，当融合值低于设定阈值（如田间持水量的 60%）时触发灌溉。这里的关键不是权重本身，而是理解“为什么深层权重低”——因为浅层根系吸水更活跃，对灌溉响应更敏感。

场景三：畜禽舍环境监测。氨气与温湿度传感器长期运行会出现基线漂移，需要结合定期校准与滑动平均抑制漂移；同时多传感器交叉校验可识别失效节点，避免单一故障导致误报警。

五、学习建议与常见误区

初学者最容易犯两个错误：一是“滤波越狠越好”，把窗口开得很大，结果真实变化被延迟甚至抹平，灌溉决策滞后；二是“融合就是求平均”，忽略不同传感器的精度差异与失效状态，导致坏数据拉低整体结果。正确的思路是先明确信号的真实变化尺度，再选择滤波强度；先评估每个数据源的置信度，再决定融合权重。本课程后续将逐一展开这些方法的原理、参数选择与实现细节，并通过具体案例演示从原始数据到可用结论的完整过程。