30、农业领域的物联网应用：从生物质利用到网络监测系统

农业领域的物联网应用：从生物质利用到网络监测系统

1. 生物质利用与物联网技术

随着棕榈油生产的不断扩大，生物质的有效利用对于缓解全球变暖至关重要。目前，物联网技术在油棕产业的应用大多集中于主要产品，而对于生物质残渣的物联网应用同样值得关注。

以油棕温室气体（GHG）工具原型为例，该原型能够根据输入的毛棕榈油（CPO）总产量或种植面积计算生物质的可利用量，还能计算基于生物质的产品、替代产品以及预估的全球变暖潜势（GWP）。不过，要进一步推广该原型，还需将其与其他工具集成，并增加更多功能。同时，详细的成本分析也是评估其在经济规模上的潜在适用性和盈利能力的关键。

现有的相关软件涵盖了作物与气候资源、营养与施肥、灌溉、土壤与种植管理以及生产机械设备管理等功能。

2. 马来西亚农业现状与物联网监测需求

马来西亚许多农业生产行业缺乏能帮助农民做出合理、及时决策的信息系统。农业生产的自动化程度低、劳动密集，导致生产系统内的数据集成缓慢，限制了数据的利用和分析。许多小规模农民依赖纸质记录和传统电子表格软件管理日常生产信息，传统的数据收集方法难以集成，数据无法及时分析，农民难以实时高效地监督农场生产过程。

近年来，无线传感器网络（WSN）在快速实时数据收集方面得到广泛应用。它由众多传感器节点组成，可无线通信以检测、监测和分析环境条件。环境监测系统能控制和监测湿度、温度和降雨量等生态参数，但未经适当处理的传感器原始数据对农民而言价值有限。而数据可视化通过图形化分析数据，能提供背景和意义，便于与其他数据源聚合，提高数据利用效率。随着WSN的广泛应用，数据可视化成为传感器网络的关键组成部分，开发低成本、用户友好的基于网络的应用程序对于提高农业生产效率至关重要。

3. 基于网络的物联网监测系统开发

3.1 实验设置

本次研究进行了两个实验设置。一是在马来西亚博特拉大学第十学院（K10）定制开发的物联网系统原型，另一个是台湾国立宜兰大学生物资源学院配备物联网的气象站。

实验流程如下：
1. 利用K10的物联网系统原型测量和收集环境数据。
2. 建立云服务器接收和存储传感器数据。
3. 对台湾的气象站重复上述过程，并将数据部署到网页浏览器进行可视化展示。

3.2 Dash Plotly框架设计

• Dash布局 ：Dash提供了两个不同的组件库，即dash - html - components和dash - core - components库。dash - html组件为每个组件包含一个HTML标签，类似于构建网站布局，如html.H1用于网页标题；dash - core组件通过React.js库使用JavaScript、HTML和CSS生成更高级的交互式组件，如滑块、下拉菜单和文本输入框。Dash文档全面，可用于创建复杂应用程序。
• 交互式Dash组件 ：开发Dash布局后，需规划组件之间的交互。Dash回调函数可读取布局中的输入值并计算输出值，当输入值发生变化时触发该函数。
• Dash应用程序的启动 ：Dash应用程序默认在用户设备的本地主机localhost:8050的网页浏览器中渲染。为了让不同设备能够访问，将Dash网络应用程序部署到Heroku平台创建HTML链接。

组件库	特点
dash - html - components	包含HTML标签，用于构建网站布局
dash - core - components	提供高级交互式组件，通过React.js库生成

mermaid代码如下：

graph LR
    A[开始] --> B[开发Dash布局]
    B --> C[规划组件交互]
    C --> D[设置回调函数]
    D --> E[启动Dash应用程序]
    E --> F[部署到Heroku]

4. 网络仪表盘部署与实验测试

4.1 数据测量与收集

• K10学院的土壤湿度、湿度和温度测量测试 ：在K10学院使用定制开发的物联网系统原型进行环境数据测量和收集。
• 台湾的室外环境测量 ：在台湾国立宜兰大学生物资源学院的气象站进行室外环境数据的测量和收集。

4.2 网络应用性能评估

使用Google Lighthouse和PageSpeed Insights评估两个网络应用程序的性能和可访问性。评估在3天内，每隔3小时（9 am、12 pm、3 pm、6 pm、9 pm、12 am）进行，每个应用程序共获得18个Google Lighthouse分数和18个PageSpeed Insights分数。评估使用马来西亚Wi - Fi和台湾Wi - Fi连接，台湾的Wi - Fi下载和上传速度测试结果分别为80 Mbps和20 Mbps，马来西亚博特拉大学的Wi - Fi下载和上传速度测试结果分别为35 Mbps和10 Mbps。

Google Lighthouse评估包括可访问性、最佳实践、搜索引擎优化（SEO）和性能得分。性能得分衡量网站在不同类别下的加载速度，包括指标、机会和诊断。指标分为计时指标和其他指标，反映可能影响应用程序速度的页面特征。

网络应用程序的整体性能通过计算18个Google Lighthouse分数和18个PageSpeed Insights分数的平均值得出。使用T - 检验或方差分析（ANOVA）比较不同类型互联网连接下的性能得分，以及不同时区下Google Lighthouse和PageSpeed Insights的性能。

在进行T - 检验之前，需要进行F - 检验以确定样本方差是否相等。F - 检验的零假设是当p > 0.05且F - 检验结果在临界F值范围内时，两种互联网连接的方差无显著差异。T - 检验的零假设是当T - 检验结果在T - 临界值范围内时，不同类型互联网连接下Google Lighthouse和PageSpeed Insights的性能得分无显著差异。对于不同时区的性能得分比较，使用单因素ANOVA分析，其零假设是当统计值低于F临界值时，不同时间的性能无显著差异。

农业领域的物联网应用：从生物质利用到网络监测系统

5. 实验结果与分析

5.1 网络应用的整体性能

通过在Heroku平台部署网络应用程序，该Dash可视化方案可在Firefox、Google Chrome或Internet Explorer等网页浏览器上使用。网页浏览器会从Google Spreadsheet中提取数据并转换为Pandas DataFrame。

Google Lighthouse性能得分会因网络和网页技术的固有可变性而波动，而PageSpeed Insights性能得分则会随时间收集的匿名用户使用不同设备和网络条件下的现场数据而变化，访问时间的变化也会影响该得分。

K10网络应用（K10 Web App）和台湾国立宜兰大学网络应用（NIU Web App）的Google Lighthouse性能得分相对一般，分别为59.2和60.1。网络应用性能不佳的原因之一是免费Heroku账户的处理资源有限，仅提供512 MB RAM的dynos大小来运行应用程序，且应用程序在空闲30分钟后会进入睡眠模式，重新激活时会导致加载时间变长。

Web dashboard applications	Analyze based on Malaysia Internet - Lighthouse score	Analyze based on Malaysia Internet - PageSpeed Insights score	Analyze based on Taiwan Internet - Lighthouse score	Analyze based on Taiwan Internet - PageSpeed Insights score
K10 Web App	59.2	58.7	59.1	60.9
NIU Web App	60.1	61.0	62.8	62.8

Web App	Performance	Accessibility	Best practices	SEO
K10 Web App	59	77	93	70
NIU Web App	60	77	93	70

应用程序加载缓慢还可能归因于页面加载所需的链条长度以及不必要资源（如JavaScript）的存在。Dash应用中加载的大型async - plotly.js文件是导致应用程序变慢的主要问题。尽管Dash plotly没有官方文档解决此问题，但一些开发者通过从外部链接下载捆绑包并附加到Dash应用程序或使用外部CDN来解决，不过这需要高级编程技能来减小async - plotly.js文件的大小。

5.2 基于互联网连接的网络应用性能T - 检验

以NIU Web App为例，进行F - 检验和T - 检验来分析不同互联网连接下的性能差异。

检验类型	Malaysia line - Mean	Malaysia line - Variance	Taiwan line - Mean	Taiwan line - Variance	Observations	df	F	P(F <= f) one - tail	F critical one - tail	P two - tailed
F - test（Google Lighthouse evaluation）	60.11	9.16	62.78	8.77	18	17	1.04	0.46	2.27	0.93
F - test（PageSpeed Insights evaluation）	61.00	19.65	62.83	18.38	18	17	1.07	0.45	2.27	0.89

通过F - 检验确定样本方差是否相等，再进行T - 检验比较不同互联网连接下的性能得分。如果F - 检验结果表明方差无显著差异，且T - 检验结果在T - 临界值范围内，则说明不同互联网连接下的性能得分无显著差异。

mermaid代码如下：

graph LR
    A[开始] --> B[进行F - 检验]
    B --> C{F - 检验结果}
    C -- 方差无显著差异 --> D[进行T - 检验]
    C -- 方差有显著差异 --> E[调整分析方法]
    D --> F{T - 检验结果}
    F -- 性能得分无显著差异 --> G[结论：不同连接性能无差异]
    F -- 性能得分有显著差异 --> H[结论：不同连接性能有差异]

6. 总结

本次研究聚焦于农业领域的物联网应用，从生物质利用到基于网络的物联网监测系统开发，为农业生产的智能化和高效化提供了有价值的参考。

在生物质利用方面，油棕GHG工具原型展示了物联网技术在生物质资源计算和评估中的潜力，但仍需进一步集成和功能扩展，并进行详细的成本分析。

在网络监测系统开发方面，通过在马来西亚和台湾的实验设置，利用Dash Plotly框架设计并部署了网络应用程序，实现了对环境数据的实时监测和可视化。尽管网络应用程序的性能存在一定问题，如加载速度慢等，但通过合理的分析方法（如F - 检验和T - 检验）可以评估不同条件下的性能差异。

未来，随着物联网技术的不断发展和农业生产需求的增加，有望进一步优化这些应用，提高农业生产的效率和可持续性，为解决全球粮食安全和环境问题做出贡献。

总体而言，物联网技术在农业领域的应用前景广阔，但也面临着一些挑战，需要不断探索和创新，以实现农业的现代化转型。