1. 课程导入与农业传感器异常检测概览

在精准农业系统中，传感器是田间信息的“神经末梢”。土壤温湿度、光照强度、二氧化碳浓度、空气温湿度、pH值、电导率（EC）等传感器持续把作物生长环境转化为电信号或数字量，再由采集节点、网关上传到平台，最终服务于灌溉决策、施肥控制、温室调控和产量预测。然而，传感器一旦出现异常，后续所有决策都会建立在错误数据之上——灌溉系统可能因湿度读数偏高而漏灌，温室可能因CO₂读数失真而过度补气。因此，异常检测不是数据处理的附属环节，而是精准农业数据链路的第一道质量关口。

本课程围绕“农业传感器异常检测算法应用”展开，共30章，从传感器类型与异常机理出发，逐步深入到统计方法、机器学习方法、时序模型、边缘部署与工程落地。第1章作为导入，重点解决三个问题：农业传感器有哪些、异常检测为什么重要、后续学习路径如何组织。

一、农业传感器的主要类型与数据特征

农业场景中的传感器可按监测对象分为三类。第一类是土壤类传感器，包括土壤温度、土壤含水率（体积含水量）、土壤EC和pH，通常埋设于不同深度，读数变化缓慢，但受土壤质地、盐分和埋设方式影响大。第二类是气象类传感器，包括空气温湿度、光照度、风速风向和降雨量，采样频率较高，易受遮挡、结露和灰尘干扰。第三类是气体类传感器，以CO₂浓度为代表，常见于温室和仓储环境，其读数对通风状态和传感器预热时间敏感。

这些传感器的数据具有几个共同特征：时序性强（按固定周期采样）、季节与昼夜周期明显、多传感器空间相关（同一大棚内温度与湿度往往负相关）、异常类型多样（尖峰、漂移、卡死、缺失、越界）。理解这些特征是选择异常检测算法的前提。

二、异常检测在精准农业中的价值

异常检测的价值体现在三个层面。在数据质量层面，它能识别传感器故障、通信丢包和电磁干扰造成的错误读数，避免“脏数据”进入决策模型。在生产决策层面，及时剔除异常值可防止误灌溉、误通风和误施肥，降低水肥浪费与作物风险。在运维管理层面，异常检测结果可作为传感器校准、更换和巡检的依据，把被动维修变为主动维护。

以一个温室CO₂监测为例：传感器预热不足时读数会从约400 ppm缓慢爬升到真实值，若系统在爬升阶段就触发补气，会造成CO₂过量。通过设置“启动后前10分钟数据不参与控制”并结合变化率检测，即可避免这类误动作。这类规则简单，却体现了异常检测“先识别、再处理”的基本思路。

三、课程目标与学习路径

本课程的目标是让学习者具备“看得懂数据、选得对算法、落得了工程”的能力。学习路径分为四个阶段：基础认知（传感器类型、异常分类、数据采集与标注）、算法方法（统计阈值、3σ与箱线图、孤立森林、LOF、LSTM自编码器、时序预测残差）、工程实现（特征构造、滑动窗口、模型训练与评估指标）、部署与运维（边缘计算、告警策略、误报抑制与闭环验证）。每个阶段都配有示例数据与可复现的操作过程。

四、从示例数据理解“异常”的判定

为了让后续算法有统一的讨论基础，这里给出一个教学示例（数据为合理假设，非实测）。假设某土壤含水率传感器每10分钟采样一次，正常范围在22%～30%之间，昼夜缓慢波动。若连续三个采样点读数分别为25.1%、25.3%、41.8%，随后又回到25.4%，则第三个点属于典型尖峰异常，可用“偏离滑动中位数超过3倍MAD”判定。若读数从25%开始每天下降0.8%且持续一周，则更可能是漂移，需要结合趋势检测而非单点阈值。若读数长期恒定在25.0%不变，则可能是卡死，应检查传感器是否被泥土包裹或通信是否中断。

可见，异常检测的关键不在于“算出一个分数”，而在于把分数与异常形态、物理成因对应起来。这也是本课程反复强调“算法+机理”并重的原因。