2. 环境监测传感器网络：传感器类型、数据采集协议与边缘计算
大家好，我是老张。今天咱们聊聊环境监测传感器网络。说实话，这个领域我摸爬滚打快十年了，踩过的坑比走过的路还多。传感器网络是整个环境监测系统的「眼睛」和「耳朵」，如果这步没做好，后面再牛的算法也是白搭。
2.1 传感器类型：你得知道「测什么」
环境监测传感器，说白了就三大类：气象、水质、空气质量。我建议你先把这三类搞清楚，再谈别的。
2.1.1 气象传感器
气象传感器是最基础的。温度、湿度、气压、风速、风向、降雨量，这六个参数是标配。我在项目中遇到过一个问题：某次部署了50个气象站，结果有8个风速仪数据异常。排查了三天才发现，是安装位置太靠近建筑物，产生了湍流效应。嗯，这里要注意——气象传感器的安装位置，直接影响数据质量。
| 参数 | 常用传感器 | 精度要求 | 采样频率 |
|---|---|---|---|
| 温度 | PT100、DS18B20 | ±0.1°C | 1分钟 |
| 湿度 | 电容式湿度传感器 | ±2% RH | 1分钟 |
| 风速 | 超声波风速仪 | ±0.3 m/s | 10秒 |
| 降雨量 | 翻斗式雨量计 | ±0.2 mm | 5分钟 |
2.1.2 水质传感器
水质监测就复杂多了。pH值、溶解氧、浊度、电导率、氨氮、总磷……每个参数都有专门的传感器。我曾经在一条河边部署水质监测站，结果pH传感器用了不到一个月就漂移了。后来发现是河水中的藻类附着在电极上。你想想看，传感器维护成本有时候比传感器本身还贵。
2.1.3 空气质量传感器
空气质量传感器这两年火得不行。PM2.5、PM10、CO、NO2、SO2、O3、VOCs，这些都是标配。我个人习惯用激光散射法测PM，用电化学法测气体。但要注意，电化学传感器有交叉敏感问题。比如CO传感器对H2也有响应，这在工业区附近特别明显。
2.2 数据采集协议：MQTT vs CoAP
数据怎么从传感器传到服务器？这里有两个主流协议：MQTT和CoAP。我两个都用过，各有千秋。
2.2.1 MQTT：发布/订阅模式
MQTT是我用得最多的协议。它基于发布/订阅模式，适合大量传感器同时上报数据。举个例子，你在一个工业园区部署了200个传感器，每个传感器每10秒上报一次数据。用MQTT，服务器只需要订阅一个主题，所有数据自动推送过来。
// MQTT 发布示例（Python）
import paho.mqtt.client as mqtt
client = mqtt.Client()
client.connect("broker.example.com", 1883, 60)
# 发布温度数据
client.publish("sensor/temperature/001", "25.3")
client.publish("sensor/humidity/001", "68.2")
client.loop_forever()2.2.2 CoAP：轻量级HTTP替代
CoAP是专门为资源受限设备设计的。它基于UDP，比MQTT更轻量。如果你用的是低功耗单片机，内存只有几十KB，那CoAP是更好的选择。我记得有个项目，传感器用纽扣电池供电，要求续航一年。用MQTT只能撑三个月，换成CoAP后，轻松跑了一年半。
// CoAP 请求示例（C语言）
#include "coap.h"
coap_context_t *ctx;
coap_session_t *session;
ctx = coap_new_context(NULL);
session = coap_new_client_session(ctx, NULL, "192.168.1.100", 5683);
// 发送GET请求获取温度
coap_send(session, COAP_REQUEST_GET, "sensor/temperature/001");| 特性 | MQTT | CoAP |
|---|---|---|
| 传输层 | TCP | UDP |
| 模式 | 发布/订阅 | 请求/响应 |
| 功耗 | 较高 | 低 |
| 适用场景 | 大量传感器、实时性要求高 | 低功耗、资源受限设备 |
2.3 边缘计算与数据预处理
数据采集上来，不能直接往云端扔。为什么？因为数据量太大了。一个传感器每秒产生一条数据，1000个传感器一天就是8640万条。全传云端，带宽和存储都扛不住。这时候就需要边缘计算。
2.3.1 边缘计算的核心逻辑
边缘计算，说白了就是在传感器附近做数据处理。比如在网关设备上跑一个轻量级的算法，把原始数据变成有价值的信息。我做过一个项目，在边缘节点上做了三件事：数据清洗、异常检测、数据压缩。结果云端存储量减少了80%，而且响应速度从秒级降到了毫秒级。
- 数据清洗：去除噪声、填补缺失值、校准传感器漂移
- 异常检测：识别传感器故障、环境突变、人为干扰
- 数据压缩：降采样、特征提取、只上传变化量
2.3.2 数据预处理实战
我建议你在边缘节点上做以下预处理：
- 时间戳对齐：不同传感器的时钟可能不同步，需要统一时间基准
- 单位转换：原始数据可能是电压值，要转换成物理单位
- 滑动平均滤波：去除高频噪声，保留趋势信息
- 阈值判断：超出合理范围的数据直接丢弃或标记
// 边缘节点数据预处理示例（Python）
def preprocess_sensor_data(raw_data):
# 1. 时间戳对齐
aligned_time = align_timestamp(raw_data['timestamp'])
# 2. 单位转换（电压转温度）
temperature = raw_data['voltage'] * 100 - 50
# 3. 滑动平均滤波
filtered_temp = moving_average(temperature, window_size=5)
# 4. 阈值判断
if filtered_temp < -40 or filtered_temp > 85:
return None # 异常数据，丢弃
return {
'timestamp': aligned_time,
'temperature': round(filtered_temp, 1)
}2.4 知识体系总览
说了这么多，我画了一张图帮你理清思路。这张图展示了传感器网络的完整链路：从传感器类型选择，到数据采集协议，再到边缘计算预处理，最后才是云端分析。
这张图你看懂了吗？从传感器选型开始，到协议选择，再到边缘处理，最后上云。每一步都有讲究，每一步都可能踩坑。我建议你先把传感器类型搞清楚，再选协议，最后设计边缘计算方案。别跳步，跳步容易翻车。
好了，这一章就到这里。记住：传感器网络是环境监测的基石，基础不牢，地动山摇。下一章咱们聊聊数据融合和时空插值，那才是真正出彩的地方。
公众号:蓝海资料掘金营，微信deep3321