2. 农业传感器数据特性

在农业物联网系统中，传感器是感知层的“眼睛”，但不同传感器输出的数据在物理量纲、动态范围、噪声结构和可靠性上差异极大。理解这些特性，是后续滤波与融合算法能够正确选型、正确调参的前提。本节围绕四件事展开：常见农业传感器有哪些、噪声从哪里来、数据缺失与异常长什么样、采样频率与精度该如何确定。

一、常见农业传感器类型及其数据形态

农业场景中常用的传感器大致可分为环境类、土壤类、生理/生长类和位置类四组。环境类包括空气温湿度（如 SHT31，温度精度约 ±0.3 ℃、湿度 ±2 %RH）、光照（BH1750，量程 1～65535 lx）、CO₂ 浓度（NDIR 原理，400～5000 ppm）以及风速风向；土壤类包括土壤温湿度（电容式或频域反射 FDR，体积含水率 0～100 %）、土壤 EC 与 pH（pH 典型精度 ±0.1～±0.2）；生理与生长类包括叶面温度（红外测温）、茎秆直径（线性位移）、叶绿素相对含量（SPAD 类光学传感器）；位置类则以 GPS/北斗模块为主，用于农机与巡检机器人定位。

从数据处理角度看，这些传感器可分为三类：缓变量（土壤温湿度、pH，分钟级变化很小）、快变量（光照、风速、叶面温度，秒级波动明显）和事件型量（雨量翻斗计数、开关量限位）。缓变量适合强滤波与低采样率，快变量需要保留动态细节，事件型量则不能做平滑，只能做去抖与计数校验。这一分类直接决定了后面滤波器的选择。

二、噪声来源：从物理到通信的多层叠加

农业传感器噪声并非单一来源，而是多层叠加的结果。第一层是传感器本征噪声，如热噪声、量化噪声和零点漂移，表现为围绕真值的小幅随机抖动。第二层是环境干扰：田间强日照造成温湿度探头自热，风机与水泵启停带来电源纹波，雷雨前的电磁干扰会耦合进长线模拟信号。第三层是安装与代表性误差，例如土壤探头插入深度不一致、探头与土壤接触不良形成气隙，导致含水率读数系统性偏低。第四层是通信与传输错误，RS-485 总线冲突、LoRa 丢包、CRC 校验失败都会产生错误帧。

需要特别区分随机噪声与系统性偏差：前者可用均值滤波、卡尔曼滤波抑制；后者（如探头老化漂移、标定曲线失配）无法靠滤波消除，必须通过定期标定和交叉校验修正。把偏差当噪声去平滑，是农业数据处理中最常见的错误之一。

三、数据缺失与异常的典型表现

农业现场的数据缺失通常有三种形态：单点缺失（某次采集返回空值或 CRC 失败）、整段缺失（节点断电、网关离线导致连续数分钟无数据）和结构性缺失（某传感器长期未接入或通道配置错误）。单点缺失可用线性插值或前值保持补齐；整段缺失若超过设定阈值（例如超过 3 个采样周期），应标记为无效段而不是强行插值，否则会污染后续融合结果。

异常值比缺失更隐蔽。常见表现包括：尖峰毛刺（单点跳变到量程边界后立即回落，多由电磁干扰或错误帧引起）、卡值冻结（连续多个周期读数完全相同，往往是探头故障或通信缓存未刷新）、越界值（超出物理量程，如土壤含水率出现 120 %）以及缓慢漂移（数天内基线持续偏移，属于系统偏差）。工程上常用“3σ 准则 + 物理量程限幅 + 变化率阈值”三重判据识别异常：以某土壤含水率通道为例，若相邻两点变化超过 15 %/min，且该点偏离滑动中位数超过 3 倍标准差，则判为可疑点并置为缺失，交由插值处理。

四、采样频率与精度要求

采样频率应服从奈奎斯特准则与被测量的动态特性。土壤温湿度变化缓慢，采样周期取 1～5 min 已足够；空气温湿度建议 10～60 s；光照与风速波动快，宜取 1～5 s；CO₂ 在密闭温室中变化中等，可取 30 s。采样过快不仅增加功耗与通信负担，还会让相邻样本高度相关，滤波收益下降；采样过慢则会丢失事件细节，甚至产生混叠。

精度要求需区分分辨率、准确度和重复性。分辨率是能分辨的最小变化，准确度是相对真值的偏差，重复性是一致性。以温室控制为例：温度控制目标 ±1 ℃，则传感器准确度应优于 ±0.5 ℃；土壤含水率用于灌溉决策，准确度 ±3 % 即可满足；pH 用于营养液调控，则需 ±0.1。工程经验是传感器精度应优于控制目标的三分之一到五分之一，否则滤波再精细也无法弥补前端误差。

综上，农业传感器数据的噪声、缺失与异常各有其物理与工程根源，采样频率与精度也必须与控制目标匹配。只有先把数据特性摸清楚，后续的滤波算法选择、融合权重设计和异常处理策略才有可靠依据。