2. 农业传感器数据特性与异常类型
在农业物联网系统中，传感器并不是“读数即真相”。同一支土壤湿度探头，在灌溉后、降雨中、昼夜交替和低温结露时，会呈现出完全不同的数据形态。异常检测算法的第一步，不是选模型，而是理解数据本身的时序性、周期性与噪声来源，并据此把异常划分为可定义、可标注、可处理的类型。否则，算法很容易把一次正常的灌溉响应判成故障，或把真正的传感器漂移当成田间波动而放过。
一、农业传感器数据的三个基本特性
时序性是农业数据最基础的结构。传感器通常按固定采样间隔输出读数，例如土壤墒情节点每 10 分钟上报一次，空气温湿度每 5 分钟一次。相邻时刻的读数高度相关：土壤含水量不会在 10 分钟内从 30% 跳到 5%，空气温度也不会瞬间变化 20℃。这种强自相关性意味着，判断某点是否异常时，必须参考它前后的历史值，而不能只看单点阈值。时序性还带来滞后效应——灌溉后土壤湿度上升往往滞后于阀门开启数分钟到数十分钟，异常检测需要容忍这种合理延迟。
周期性主要来自环境驱动。空气温度、相对湿度、光照强度、叶面湿度都呈现明显的日周期：清晨温度最低、午后最高，夜间湿度回升。土壤温度还有季节周期。周期性使得“同一读数在不同时刻含义不同”——相对湿度 95% 在清晨可能是正常的，在正午高温时段则可能意味着结露或探头积水。因此，异常判据往往需要结合时刻、季节或滑动窗口内的同期基线，而不是全年统一阈值。
噪声来源则决定了正常波动的边界。农业现场常见噪声包括：传感器本身的量化误差与电子噪声（通常较小且随机）；供电波动与信号干扰，尤其在长距离 RS-485 或 LoRa 传输中；环境突变引起的短时抖动，如阵风吹过、叶片遮挡光照；以及安装与维护因素，如探头接触不良、电极结垢、线缆受潮。噪声多为高频、短时、可恢复的随机波动，而真正的异常往往具有持续性、方向性或与其他传感器不一致的特征。区分二者，是异常检测的核心难点。
二、三类异常的定义与农业实例
点异常指单个或极少数读数显著偏离其历史与同期基线，而前后时刻恢复正常。它最接近“传感器故障”的直觉。典型农业实例是土壤湿度探头因电极接触不良，在某一采样点从 28% 突降到 3%，下一采样点又回到 27%。这类异常用滑动中位数配合 MAD（中位数绝对偏差）即可较好识别：设窗口长度 12（约 2 小时），计算中位数 m 与 MAD，当 |xₜ − m| > 3×1.4826×MAD 且前后点正常时判为点异常。需要注意，灌溉阀门启闭造成的阶跃变化是真实的，不应误判，因此判据中要加入“前后点是否恢复”的条件。
上下文异常指数值本身落在全局合理范围内，但在特定时刻、季节或工况下不合理。它最容易被固定阈值漏掉。典型实例是相对湿度在正午 12:00 读到 98%——从全年范围看 98% 并不越界，但正午高温时段出现接近饱和的湿度，往往意味着探头结露、积水或遮阴异常。识别这类异常，需要建立“时刻—基线”映射，例如按小时统计过去 14 天同一时刻的中位数与分位数，再判断当前值是否偏离同期分布。类似地，冬季土壤温度出现夏季量级、夜间光照出现正午量级，都属于上下文异常。
集体异常指单点看似正常，但一段连续序列整体偏离应有模式。它最难靠逐点阈值发现，却往往对应最有价值的农业事件。典型实例是灌溉指令下达后，土壤湿度在 6 小时内持续不上升——每个读数都在合理范围内，但“灌溉后应上升”的模式没有出现，提示阀门未开、管路堵塞或探头位置不当。另一类是多个节点同时同向漂移，例如同一网关下 8 个空气温度节点在 2 小时内整体偏移 +3℃，单看每个点都正常，合起来则指向网关时钟错乱或校准基准错误。集体异常通常需要窗口统计量、形状匹配或多传感器一致性检验来识别。
三、从特性到判据：一个可操作的判定流程
把上述特性落到工程上，可以形成一条清晰的判定链。首先对原始序列做时间对齐与缺失标记，确保采样间隔一致；其次用滑动窗口提取局部基线（中位数、MAD）与同期基线（按小时/季节分组的分位数）；然后依次判断：单点是否越出局部基线且前后恢复（点异常）；当前值是否偏离同期分布（上下文异常）；窗口统计量或多节点一致性是否整体偏离（集体异常）。三级判据的优先级建议为“先点、再上下文、后集体”，因为点异常最容易确认，集体异常需要更多上下文证据。
需要强调的是，噪声与异常的边界不是固定的。阵风造成的短时抖动、灌溉造成的合理阶跃，都应在判据中显式容忍：前者可通过要求异常持续至少 2 个采样点来过滤，后者可通过引入阀门状态、降雨事件等外部信号作为条件变量。农业异常检测的实用性，很大程度上取决于是否把这些“已知的正常变化”写进了规则，而不是一味追求更复杂的模型。
四、标注与复核建议
异常类型定义清楚后，标注才有可操作性。建议为每条异常记录至少包含：时间戳、传感器编号、异常类型（点/上下文/集体）、触发判据、持续时长、关联事件（灌溉、降雨、维护）以及复核结论。复核时重点区分“传感器故障”与“真实农事事件”：前者通常表现为单点突变、无外部事件对应、恢复后基线不变；后者往往有阀门日志、降雨记录或相邻传感器的一致响应。把这一层判断沉淀下来，后续算法迭代才有可靠的标签基础。
综上，农业传感器数据的时序性要求我们看历史，周期性要求我们看时刻，噪声来源要求我们容忍合理波动；而点异常、上下文异常、集体异常三类划分，则把“哪里不对”转化为“用什么证据判断不对”。理解这三者的差别，是后续选择滑动窗口、同期基线、多传感器一致性等具体检测方法的前提。