2. 系统总体架构：大田变量施肥系统的分层架构

大田变量施肥系统是一个典型的精准农业物联网应用，其核心在于将“数据采集”、“决策分析”与“精准执行”三个环节解耦并有机整合。系统采用经典的三层物联网架构：感知层、决策层与执行层。每一层承担不同的功能角色，并通过标准化的数据接口与通信协议实现协同工作。

2.1 分层架构总览

下表从功能定位、核心设备、数据流向及关键技术四个维度，对三层架构进行对比说明：

2.2 感知层：数据采集与状态感知

感知层是系统的基础数据源，负责实时获取大田环境参数、土壤养分状况及作物生长信息。该层设备通常部署在田间或搭载于移动平台上，具备低功耗、高可靠、抗恶劣环境等特点。

• 土壤养分传感器：采用离子选择性电极（ISE）或近红外光谱（NIR）技术，实时检测土壤中的氮（N）、磷（P）、钾（K）含量及有机质、pH值、电导率（EC）等关键指标。
• 气象环境站：集成风速、风向、温湿度、光照强度、降雨量等传感器，为决策模型提供气象修正参数。
• 定位与导航模块：采用RTK-GNSS（实时动态差分全球导航卫星系统），实现厘米级定位精度，为空间数据采集与变量施肥作业提供位置基准。
• 移动感知平台：无人机搭载多光谱或高光谱相机，快速获取大范围田块的归一化植被指数（NDVI），间接反演作物氮素营养状况。

2.3 决策层：数据分析与处方生成

决策层是系统的“大脑”，负责对感知层上传的海量时空数据进行清洗、融合、建模，并最终生成变量施肥处方图。该层通常部署在云端服务器或边缘计算节点上。

• 数据预处理模块：对原始传感器数据进行异常值剔除、缺失值插补、坐标校正与归一化处理。
• GIS空间分析模块：基于Kriging插值或反距离加权（IDW）算法，将离散采样点生成连续养分分布图。
• 施肥决策模型：采用目标产量法、养分平衡法或机器学习回归模型（如随机森林、XGBoost），结合作物需肥规律与土壤供肥能力，计算每个管理网格的推荐施肥量。
• 处方图生成模块：将决策结果转换为标准格式的变量施肥处方图（如Shapefile或GeoJSON），包含每个网格的地理坐标与对应施肥量。

# 决策层核心算法伪代码示例：基于养分平衡法的施肥量计算
def calculate_fertilizer_rate(target_yield, soil_n, soil_p, soil_k):
    # 目标产量需肥量
    n_demand = target_yield * 0.025  # 每公斤籽粒需氮量
    p_demand = target_yield * 0.012
    k_demand = target_yield * 0.030

    # 土壤供肥量（考虑利用率）
    n_supply = soil_n * 0.4
    p_supply = soil_p * 0.3
    k_supply = soil_k * 0.5

    # 推荐施肥量
    n_rate = max(0, n_demand - n_supply)
    p_rate = max(0, p_demand - p_supply)
    k_rate = max(0, k_demand - k_supply)

    return {"N": n_rate, "P2O5": p_rate, "K2O": k_rate}

2.4 执行层：精准变量施肥作业

执行层是系统的“手脚”，负责将决策层下发的处方图转化为实际的机械动作，实现按需、变量、精准施肥。该层设备安装在拖拉机或自走式施肥机上，具备高响应速度与高控制精度。

• 车载控制器：接收处方图数据，结合实时GPS位置，通过PID或前馈控制算法，动态调节排肥器的转速或开度。
• 电控排肥器：采用步进电机或伺服电机驱动，实现排肥轴的无级调速，响应时间 ≤ 200ms，排肥量调节范围 10-100 kg/ha。
• CAN总线通信：控制器与排肥器、GPS接收机、速度传感器之间通过ISO 11783（ISOBUS）协议进行实时数据交换，确保指令同步。
• 作业监控终端：驾驶室内的触摸屏实时显示当前施肥量、作业速度、已作业面积及剩余肥料量，支持手动/自动模式切换。

2.5 系统分层架构图

下图以SVG形式展示大田变量施肥系统的三层架构及其数据流关系：

2.6 分层架构的通信与数据流

三层架构之间的数据交互依赖稳定、低延迟的通信链路。下表总结了各层之间的主要通信方式与数据协议：