基于传感器网络的低能耗生态环境监控节点部署方法

摘要

基于传感器网络的低能耗生态环境监控节点部署方法，涉及物联网。首先，确定需要监测的因子及具有相关因子的关键点；根据监测的因子及关键点建立最优化数学监控模型；然后，对数学模型求解，找出属性最多的关键点作为预选择点。若预选择点数量大于1，调用属性优化方法来选择所有属性都靠近属性均值的关键点作为监测点。通过上述处理后，若还存在两个以上的预选择点，则调用作物生长因子加权法来确定监测点。如此处理后，若仍然存在两个以上的预选择点，则采用随机算法，随机确定经过作物生长因子加权法处理后的预选择点为监测点。最后，采用关键点与属性的矩阵优化方法对关键点与属性的矩阵T进行处理，得到最终的监测节点数量及分布位置。

说明书

技术领域

本发明涉及物联网，尤其是涉及基于传感器网络的低能耗生态环境监控节点部署方法。

背景技术

农作物生长的土地是不可增长的自然资源，如何在有限的资源基础上，借助先进的科技手段提高生产效率、经济效益与环境效益已经成为亟待解决的重大问题。目前，以信息技术与农业技术融合为特点的“农业信息化”成为解决以上问题的关键支撑技术之一，其核心是利用信息技术精确、及时地获取地块中土壤、环境作物的信息，诊断作物的长势和产量在空间上差异的原因，并对每个小区做出决策，准确地在每个小区上进行灌溉、施肥、喷药等，使得传统农业精细化生产，以达到最大限度地提高水、肥和杀虫剂的利用效率，增加产量，减少环境污染，促进土地集约利用的目的。精细农业其主要生产过程是获取作物生长的环境因素，并改变对农业不利的因素。这些因素在很大程度上决定作物的产量和质量，通常包括：作物生长环境(如空气中的温湿度、光照、风速等)和土壤环境(如酸碱性、含水量、金属离子含量)。而这些信息常具有空间和时间差异性的特点，如何连续监测这些信息成为研究重点。对农作物生长发育过程及产地综合环境信息的采集和实时监控，是实现智能化精准管理作业的基础，是农业物联网技术感知层研究的关键和核心技术领域。

对作物的连续监测的前提条件是对监测的传感器节点进行部署。而传感器节点常用的部署方法可以归纳为3类：随机部署：在应用区域内以人工、机械、空投等随机方式部署传感器节点，适用于特殊地形、灾害发生区域等复杂而无法接近的不确定应用环境。规则部署：在应用区域内按照规则几何拓扑结构放置传感器节点，适用于土壤、空气、植物等环境监测应用。计划部署：在应用区域内按照预先计划放置传感器节点，如目标跟踪应用中，在监测量频繁发生区域放置较高密度的传感器节点，以达到更好的监测效果。在环境监测应用可划分为两类，即异常事件监测和常态连续采样监测。异常事件监测：如地震预警、森林防火，传感器网络的监测目的是探测到特殊事件发生的具体时间和地点。常态连续采样监测：如水质监测、生态监测，本发明所探讨的生态环境监测也属于这一类，传感器网络的监测目的是连续采样节点处的环境参数数据，通过统计学插值方法估计非节点位置处的数据，从而分析监测量在空间和时间上的连续变化。目前很多学者提出从连通和覆盖两个方面考虑节点部署问题。连通是指保证节点采集的信息准确地传递给基站，通常基于节点通信范围；覆盖是指保证节点覆盖整个工作区域并完整准确采集目标信息，通常基于节点传感范围，通过研究节点通信范围和传感范围之间的关系，给出满足最佳连通覆盖要求的节点部署优化理论。而这主要适用于研究异常事件监测或目标跟踪。对于生态环境监测这类常态连续采样应用，异常事件监测中一些节点部署理论不完全适用，如节点传感范围、节点布置的数量，特别是节点布置的位置等方面。目前，仅有少量农田环境监测及其他常态连续采样监测的文献中提及节点放置问题，如Alberto Camilli(Alberto Camilli,Carlos Eduardo Cugnasca,Antonio MSaraiva,et al.From wirless sensors to field mapping:Anatomy of an application forprecision agriculture.Computers and Electronics in Agriculture.2007,58(1):25－36)在基于传感器网络的农田信息建模仿真试验研究中采用规则栅格放置节点，在每级灌溉管理分区中放置一个监测节点,若大面积监控中，特别是地形复杂的环境中(如丘陵地形)，采用这种方法将需大量的传感器节点，从而导致监控成本大增，监控成本与所获得的收益不成正比。对于常态连续采样应用大规模种植领域的传感器网络节点部署方法，还缺乏较为系统研究。在这类应用中监测面积大、作物生长周期长、需要监测的属性多(土壤属性、环境属性、作物生长信息等)，同时监测时地势多样、天气状况复杂等情况都增加了监测节点部署的难度。为提高农作物的产量，减少病虫害，更加合理的施肥，监测节点的部署方法在农作物生态环境监测中具有重要的意义。

在传统的生态环境监测方法中，监控节点选择具有很大的主观性、随意性，缺少相关的定量数学模型，从而在实际工作中很难在保证监测效果的同时节约建设成本。生态环境监控中所花费成本主要来源于监测设备成本、在保证监控性能的前提下，用减少监控节点数量方法是减少成本的最好方法，这不仅减少了设备成本，而且还在以后的使用中降低了能源消耗。因此寻找一种节能环保的低能耗智能监测节点部署方法显得非常重要。

发明内容

本发明的目的在于解决对环境监测的布点问题，提供能够达到Alberto Camill所提规则栅格放置节点的监测效果，其所用的监测节点的数量远远少于规则栅格放置的节点，特别是在丘陵地带效果更加突出的一种基于传感器网络的低能耗生态环境监控节点部署方法。

本发明包括以下步骤

1)确定需要监测的因子及具有相关因子的关键点，具体方法如下；

①、确定考核因素category_i：考核因素是指对监测农作物生长需要考虑的方面，主要指监测农作物生长具有影响的因素，包括土壤因素、环境因素、作物生长信息因素等；记作Category_s＝{category_i/i∈1,2,3,...},其中Category_s表示所有影响监测农作物生长因素的集合，category_i表示具体的一个因素，i为自然数集合；

②、确定具体的考核属性feature_i：考核属性为各考核因素具体集的性质，如土壤因素的酸、碱性，土质因素的水田、旱地、山地等；记作category_i＝{feature_i/i∈1,2,3,...,}，feature_i表示具体的一个属性；

③、为方便在同一类考核因素category_i对不同的考核属性feature_i进行监控对比，确定相对考核属性若feature_i∈category_k，feature_j∈category_k，feature_i∩feature_j＝θ，feature_i与feature_j互为相对考核属性，记作

如农作物生长的土质因素中的水田、旱地、山地互为相对考核属性，使用相对考核属性主要是为对比不同属性点所采集的数据；

④、在步骤②的基础上查找具有考核属性feature_i的地方，确定关键点point_i，关键点是指在整个监测区域内具有考核属性的具体位置，记作PT_s＝{point_i/i∈1,2,3,...},其中PT_s表示所有关键区域的集合，point_i表示具体的一个关键区域；

⑤、确定每个属性的关键点，属性关键点是指具有某一个考核属性的所有关键点，记作feature(i)＝{po int_i,j/j∈1,2,3,...}，其中feature(i)表示具有考核因子i的所有关键点的集合，point_i,j表示具有考核因子i的具体的一个关键点；

⑥、确定每个关键点的属性，关键点属性是指某关键点具有的所有考核因子的集合，记作point(i)＝{feature_i,j/j∈1,2,3,...}，其中point(i)表示某关键点具有的所有考核因子的集合，feature_i,j表示某关键点i的一个具体的考核因子；

⑦、根据步骤⑤、⑥，确定关键点与属性的矩阵T，关键点与属性的矩阵是指各关键点与各属性及各属性与各关键点的一张对应的二维表，纵列表示属性的值，横列表示关键点的值；

2)建立布点监控模型，具体方法如下：

由于对农作物监测为常态连续采样，在属性相同的情况下，采样所得到的环境参数及结果几乎一致，监测结果的差异性主要由属性不一样的关键区域所决定，如山的阴阳面、海拔的高低、肥料的多少、土壤的质量等各方面的情况，为提高农作物的产量，减少病虫害，更加合理的施肥，对属性不一样的关键区域进行布点具有重大意义，为在降低监控成本的同时实施对所有考核属性有效监控，建立如式(1)所示的最优化布点监控模型，寻找最少数量的监控节点。

$>\left(\begin{array}{ccc}\mathrm{opt}.& \min \left(f\left(x\right)\right)=x_1+x_2+...x_i+...x_n=\underset{i=1}{\overset{n}{\Sigma }}{x}_i& \left(a\right)\\ & x_i=\left(\begin{array}{cc}1& \mathrm{select}\\ 0& \mathrm{no}\end{array}\right)& \left(b\right)\\ & \forall \mathrm{feature}\left(i\right)\ge 1& \left(c\right)\\ s.t.& \frac{|{\mathrm{point}}_i.{\mathrm{feature}}_j.\mathrm{value}-\overline{\mathrm{feature}\left(j\right).\mathrm{value}}|}{\mathrm{feature}\left(j\right).\sigma }\le 1& \left(d\right)\\ & \mathrm{WeightFactor}=[{\mathrm{Wfeature}}_1,{\mathrm{Wfeature}}_2,···,{\mathrm{Wfeature}}_n]& \left(e\right)\\ & {\mathrm{Wfeature}}_1+{\mathrm{Wfeature}}_2+···+{\mathrm{Wfeature}}_n=1& \left(f\right)\end{array}\right)---\left(1\right)$>

Opt.表示目标优化，s.t.表示约束集合，f(x)是实值函数(或向量函数)称之为目标函数，表示监控节点的数量；x_i为关键节点point_i的数学表达形式，如式(2)所示，它的取值只能为两种情况(如式(1)中的式(b)所示)，当关键节点被选择为监控节点时其值1为，没有被选择时取值为0；

x_i＝point_i→pot(_x,y)    (2)

其中i为位置编号，即ID号，pot_(x,y)指具体的位置，(x,y)为经、纬度；

属性关键点及关键点属性之间的关系用矩阵T表示，如式(3)所示；当某关键点Point_j存在某属性feature_i时，矩阵T中相应的值用“1”表示，若不存在，其值用“0”表示；

$>T=\left(\begin{array}{cccc}& {\mathrm{point}}_1& ···& {\mathrm{point}}_j\\ {\mathrm{feature}}_1& 1/0& 1/0& 1/0\\ ···& 1/0& 1/0& 1/0\\ {\mathrm{feature}}_i& 1/0& 1/0& 1/0\end{array}\right)---\left(3\right)$>

由于每一个属性都需要监测，则有式(1)中(c)所示的关系；

根据六西格码标准(Six Sigma)可知，选择某属性关键点时希望选取的点在此属性的均值的一个西格码范围内最为理想，各属性关键点的均值如式(4)所示，标准差feature(j).σ为式(5)所示：

$>\overline{\mathrm{feature}\left(j\right).\mathrm{value}}=\frac{{\Sigma }_{i=1}^n{\mathrm{point}}_i.{\mathrm{feature}}_j.\mathrm{value}}{n}---\left(4\right)$>

$>\mathrm{feature}\left(j\right).\sigma =\sqrt{\frac{{\Sigma }_{i=1}^n{({\mathrm{point}}_i.{\mathrm{feature}}_j.\mathrm{value}-\overline{\mathrm{feature}\left(j\right).\mathrm{value}})}^2}{n}}---\left(5\right)$>

关键点属性值是指某关键点具体的某一属性的值，记作point_i.feature_j.value，表示为第i个关键点第j个属性的值；

为提高监控质量，希望每个监测点的属性值都在各属性值的1个西格码(Sigma)范围内，设定判定函数如式(1)中的式(d)所示。若不在1个西格码(Sigma)范围内，把式(3)中的相关的point_i.feature_j值设为”0”；

由于天气原因，作物生长因子在不同的季节所受影响不同，定义各关键点属性的加权因子矩阵WeightFactor，其中Wfeature_i表示属性i的权值，且权值符合归一法，即权值相加为“1”，如式(1)中的式(e)、(f)所示；

3)根据监控模型，按照监控节点的最佳监控位置进行部署，具体方法如下：

通过对式(1)求解确定最少的监测节点数；并且在监测节点数量一定的情况下，希望监测节点都布置在每个属性均值的一个西格码范围内，从而使得监测所得的结果具有普遍性及代表性；整个算法采用预选制，先找出属性最多的关键点作为预选择点，若预选择点数大于1个时，调用属性优化方法选择所有属性值都靠近属性均值的关键点作为监测点；若经过这样处理后，还存在两个以上的预选择点，则调用作物生长因子加权法确定监测点；其后，若还存在两个以上的预选择点，则采用随机算法，随机确定经过作物生长因子加权法处理后的预选择点为监测点；最后采用关键点与属性的矩阵优化方法来对关键点与属性的矩阵T进行处理，直到矩阵T内的所有数据为“0”为止(“0”矩阵)，得出所有监控节点的位置，并按此位置部署传感器监控节点。

本发明主要解决了对环境监测的布点问题，能够达到Alberto Camill所提规则栅格放置节点的监测效果，但其所用的监测节点的数量远远少于规则栅格放置的节点，特别是在丘陵地带效果更加突出。本发明寻求一种使用最少数量的传感器节点完成对生态环境智能监测的部署方法，旨在解决农作物生长发育过程及产地综合环境信息的采集和实时监控的布点问题。由于在这类应用中监测面积大、作物生长周期长、需要监测的属性多(土壤属性、环境属性、作物生长信息等)，同时监测时地势多样、天气状况复杂等原因都增加了监测节点部署的难度，特别是丘陵地带为立体化布点更加增大了整个传感器监测网的布点难度及采集的数据传输难度。因此，为提高农作物的产量，减少病虫害，更加合理的施肥，对节点的布置位置研究具有重大意义。在现有的农作物生态环境监测的传感器布点上具有很大的主观性、随意性，缺少相关定量分析的理论指导，为保证监测质量，常常部署了过多的传感器节点，造成电能的极大浪费。本发明在保证对所有考核因子监控的情况下，能用最少数量的监控节点来完成监控，以减少成本和降低能源。

附图说明

图1为生态环境智能监测所部署的传感器节点及其位置确定的方法步骤。

图2为生态环境智能监测的无线传感器节点部署算法详细流程图。

图3为属性优化的演变过程。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图、表及实施例，对本发明进行进一步详细说明。

本发明以在丘陵地带完成对果园环境智能监测的节点部署为实例，结合图表进一步阐述本发明。重点说明如何尽可能采用少量的监控节点进行部署，达到与Alberto Camill所提出的规则栅格放置节点相同的监测效果。在实例中为对果园植物生长环境因子进行监测，选定丘陵地带10个关键点，共15个需要考核的属性在关键点的分布如表1所示。以期用少于10个的监测节点，对考核属性进行布点监测，实现对10个关键点上共有15个属性值的完整监测。所部署的监控节点及其位置确定的具体步骤如图1所示。

表1

Tpt1pt2pt3pt4pt5pt6pt7pt8pt9pt1000feature(1)1000000000feature(2)0101001000feature(3)0010101000feature(4)0101000100feature(5)1000000000feature(6)1000000100feature(7)0101000010feature(8)0010100001feature(9)1000000100feature(10)0010010000feature(11)0100000010feature(12)0000000001feature(13)1000000010feature(14)0010110001feature(15)0000010000

在步骤101中，确定需要监测的因子及具有相关因子的关键点:

①、确定考核因素category_i，如土地因素、土壤因素、等高线因素、离水域的远近因素、离肥水站的远近因素、信号传输距离因素、环境腐蚀情况因素等。

②、把考核因素值的范围具体分类，确定具体的考核属性feature_i，土地因素分为山地、水田、旱地，土壤因素分为酸、碱性……，并分别用feature_i表示，如表1所示。

③、为方便在同一类考核因素category_i对不同的考核属性feature_i进行监控对比，确定相对考核属性如山地、水田、旱地为一组相对考核属性。

④、在②的基础上查找具有考核属性feature_i的地方确定关键点point_i，如表1所示(用pt表示point)。从而确定关键点与属性的矩阵T。

$>T=\left(\begin{array}{ccccccccccc}& \mathrm{pt}1& \mathrm{pt}2& \mathrm{pt}3& \mathrm{pt}4& \mathrm{pt}5& \mathrm{pt}6& \mathrm{pt}7& \mathrm{pt}8& \mathrm{pt}9& \mathrm{pt}10\\ \mathrm{feature}1& 1& & & & & & & & & \\ \mathrm{featute}2& & 1& & 1& & & 1& & & \\ \mathrm{feature}3& & & 1& & 1& & 1& & & \\ \mathrm{feature}4& & 1& & 1& & & & 1& & \\ \mathrm{feature}5& 1& & & & & & & & & \\ \mathrm{feature}6& 1& & & & & & & 1& & \\ \mathrm{feature}7& & 1& & 1& & & & & 1& \\ \mathrm{feature}8& & & 1& & 1& & & & & 1\\ \mathrm{feature}9& 1& & & & & & & 1& & \\ \mathrm{feature}10& & & 1& & & 1& & & & \\ \mathrm{feature}11& & 1& & & & & & & 1& \\ \mathrm{feature}12& & & & & & & & & & 1\\ \mathrm{feature}13& 1& & & & & & & & 1& \\ \mathrm{feature}14& & & 1& & 1& 1& & & & 1\\ \mathrm{feature}15& & & & & & 1& & & & \end{array}\right)$>

在步骤102中，建立定量分析的数学模型：

由于对农作物监测为常态连续采样，在属性相同的情况下，采样所得到的环境参数及结果几乎一致。监测结果的差异性主要由属性不一样的关键区域所决定，如山的阴阳面、海拔的高低、肥料的多少、土壤的质量等各方面的情况。为提高农作物的产量，减少病虫害，更加合理的施肥，对属性不一样的关键区域进行布点具有重大意义。为在降低监控成本的同时实施对所有考核属性有效监控，建立如(6)式所示的最优化布点监控模型，寻找最少数量的监控节点。

$>\left(\begin{array}{ccc}\mathrm{opt}.& \min \left(f\left(x\right)\right)=x_1+x_2+...x_i+...x_{10}=\underset{i=1}{\overset{10}{\Sigma }}{x}_i& \left(a\right)\\ & x_i=\left(\begin{array}{cc}1& \mathrm{select}\\ 0& \mathrm{no}\end{array}\right)& \left(b\right)\\ & \forall \mathrm{feature}\left(i\right)\ge 1& \left(c\right)\\ s.t.& \frac{|{\mathrm{point}}_i.{\mathrm{feature}}_j.\mathrm{value}-\overline{\mathrm{feature}\left(i\right).\mathrm{value}}|}{\mathrm{feature}\left(j\right).\sigma }\le 1& \left(d\right)\\ & \mathrm{WeightFactor}=[{\mathrm{Wfeature}}_1,{\mathrm{Wfeature}}_2,···,{\mathrm{Wfeature}}_{15}]& \left(e\right)\\ & {\mathrm{Wfeature}}_1+{\mathrm{Wfeature}}_2+···+{\mathrm{Wfeature}}_{15}=1& \left(f\right)\end{array}\right)---\left(6\right)$>

Opt.表示目标优化，s.t.表示约束集合，f(x)是实值函数(或向量函数)称之为目标函数，表示监控节点的数量。x_i为关键节点point_i的数学表达形式，如(7)式所示。它的取值只能为两种情况(如(6)式中(b)所示)，当关键节点被选择为监控节点时其值1为，没有被选择时取值为0。

x_i＝point_i→pot_(x,y)    (7)

其中i为位置编号，即ID号，pot_(x,y)指具体的位置，(x,y)为经、纬度，与point_i一一对应。

把矩阵T用二维关系表表示，如表1所示。

由于每一个属性都需要监测，所以存在(6)式中(c)所示的关系。

根据西格码标准(Sigma)可知，选择某属性关键点时希望选取的点在此属性的均值的一个西格码范围最为理想，各属性关键点的均值如(8)式所示，标准差为(9)式所示：

$>\overline{\mathrm{feature}\left(j\right).\mathrm{value}}=\frac{{\Sigma }_{i=1}^{15}{\mathrm{point}}_i.{\mathrm{feature}}_j.\mathrm{value}}{15}---\left(8\right)$>

$>\mathrm{feature}\left(j\right).\sigma =\sqrt{\frac{{\Sigma }_{i=1}^{15}{({\mathrm{point}}_i.{\mathrm{feature}}_j.\mathrm{value}-\overline{\mathrm{feature}\left(j\right).\mathrm{value}})}^2}{15}}---\left(9\right)$>

关键点属性值是指某关键点具体的某一属性的值，记作point_i.feature_j.value，表示为第i个关键点第j个属性的值，如1号节点的第三个属性feature₃是海拔，其属性值point₁.feature₃.value为“433.68”。

为提高监控质量，希望每个监测点的属性都在各属性的1个西格码(Sigma)范围内，如(6)式中的(d)式所示。若不在1个西格码(Sigma)范围内，把T中的相关的point_i.feature_j值设为“0”，即表1相对应的值改为“0”。

由于天气原因，作物生长因子在不同的季节所受影响不同，定义各关键点属性的加权因子矩阵WeightFactor来表示生长因子，Wfeature_i表示属性i的权值，且权值符合归一法，即权值相加为“1”，如(6)式中的(e)、(f)所示。

在步骤103中，对(1)式进行求解：

使所需监测节点数量最少，且这些监测节点都布置在每个属性均值的一个西格码范围内，从而使得监测所得的结果具有普遍性及代表性。整个算法采用预选制，先人为确定需要监测的因子及具有相关属性的关键点，组建关键点与属性的矩阵T；接着找出属性最多的关键点作为预选择点，若预选择点大于1个时，调用属性优化算法选择所有属性都靠近属性均值的关键点作为最佳关键点。若经过这样处理后，还存在两个以上的预选择点则调用作物生长因子加权法来确定最佳关键点。若还存在两个以上的预选择点则采用随机算法，随机确定经过作物生长因子加权法处理后的预选择点为最佳关键点。最后采用关键点与属性的矩阵优化算法对关键点与属性的矩阵T进行处理，直到矩阵T内的所有数据为“0”(“0”矩阵)。其算法的流程如图2所示。

步骤1:预选点确定

首先，统计每个关键点属性的个数，再把最大属性的个数赋值给point(i).[0]，如表1第二行中的“00”所示；然后，求属性个数最多的关键点，并且把属性个数最多的关键点的标号放在数组zhuida[]里保存，以便最终确定预选择点。若数组zhuida[]的长度long(zhuida[])＝1，跳转到关键点与属性的矩阵优化,否则跳转到基于生长因子的属性优化。

步骤2:关键点与属性矩阵优化

在矩阵T中先删除point(zhuida[])列，得到矩阵T的余因式T_,num，在T_,num中求每列与point(zhuida[])共同属性feature，最后矩阵T_,num的每一列减去与point(num)共同属性feature，若某一列point(i)的数值为“0”，再删除该列，得到T_,num的余因式T_,i为下一轮循环的矩阵T。经过第一轮优化后，得到如表2所示的矩阵T。

表2

Tpt2pt3pt4pt5pt6pt7pt8pt9pt10feature(2)111feature(3)111feature(4)111feature(7)111feature(8)111feature(10)11feature(11)11feature(12)1feature(14)1111feature(15)1

步骤3:基于生长因子的属性优化

由于影响各事物的因素往往是众多而复杂的，若仅从单一的因素去考虑事物，显然不尽合理，我们需要综合事物各方面的因素，整体上去把握事物的本质，从而得出合理的决策结果。由于每一种作物的果实的数量与质量与不同季节对作物的管理方式有很大的关系，作物的生长在不同季节对各属性的依重程度不同，令WeightFactor为作物属性一年中生长因子的平均权值。而在关键节点的属性个数一样的情况下，希望选取属性靠近均值的节点且能够考虑作物的WeightFactor。为此，先把关键点属性矩阵point(i)转化为关键点属性值矩阵point(i).value，如式(10)所示。然后根据(11)、(12)式计算出每个关键点属性的评价指标之和。评价指标之和最少的节点标号赋值给数组zhuida[]，若数组zhuida[]的长度long(zhuida[])＝1，则设为监测节点，如(13)式所示。否则把关键点属性值矩阵point(i).value与关键点的属性的加权因子矩阵WeightFactor^T相乘得到属性优化评价指标Pinjiazibiao[i]，如(14)式所示。把最大的评价指标节点的标号赋值给数组zhuida[]，如(15)式所示。若数组zhuida[]的长度long(zhuida[])＝1，则设为监测节点；否则调用随机函数来确定最佳选择节点，如图3所示。在图3中E(ft(i))表示各属性的均值，ft(i).SD表示各属性的标准差，WF表示各属性的生长因子的权值。

$>{\mathrm{point}}_i.{\mathrm{feature}}_j.\mathrm{judge}=\frac{|{\mathrm{point}}_i.{\mathrm{feature}}_j.\mathrm{value}-\overline{\mathrm{feature}\left(j\right).\mathrm{value}}|}{\mathrm{feature}\left(j\right).\sigma }---\left(11\right)$>

$>\mathrm{Pinjiazibiao}\left[i\right]=\underset{j}{\Sigma }{\mathrm{point}}_i.{\mathrm{feature}}_j.\mathrm{judge}---\left(12\right)$>

zhuida[]＝min(Pinjiazibiao[i])    (13)

Pinjiazibiao[i]＝Point(_zhuida[i])).value*WeightFactor^T    (14)

zhuida[]＝max(Pinjiazibiao[i])    (15)

经过第二轮优化后，得到如表3所示的矩阵T。

表3

Tpt2pt4pt6pt7pt8pt9pt10feature(2)111feature(4)111feature(7)111feature(11)11feature(12)1feature(15)1

经过第三轮优化后，得到如表4所示的矩阵T。

表4

Tpt6pt10feature(12)1feature(15)1

经过第四轮优化后，得到如表5所示的矩阵T。

表5

Tpt6feature(15)1

经过第五轮优化后，得到如表6所示的矩阵T。

表6

T

共经过五轮优化后，矩阵T变为“0”矩阵，得到选定的监测节点为{x₁,x₂,x₃,x₆,x₁₀}，共5个。可见，在本实例中采用本发明方法使得所需传感器节点数减少50％。

综上所述本发明目的在于寻求一种使用最少数量的传感器节点完成对生态环境智能监测的部署方法，解决了对环境监测的布点问题，能够达到Alberto Camill所提规则栅格放置节点的监测效果。但本发明所采用监测节点的数量远远少于Alberto Camill所提规则栅格放置节点。特别是在丘陵地带，其监测性能优良且更加节能环保。

本发明将无线传感器节点按一定原则部署在监测区域，所部署的监控节点及其位置确定的具体步骤如图1所示。

首先，确定需要监测的因子及具有相关因子的关键点。

①、确定考核因素category_i。考核因素是指对监测农作物生长需要考虑的方面，主要指监测农作物生长具有影响的因素。包括土壤因素、环境因素、作物生长信息因素等。记作Category_s＝{category_i/i∈1,2,3,...},其中Category_s表示所有影响监测农作物生长因素的集合，category_i表示具体的一个因素，i为自然数集合。

②、确定具体的考核属性feature_i。考核属性为各考核因素具体集的性质，如土壤因素的酸、碱性，土质因素的水田、旱地、山地等。记作category_i＝{feature_i/i∈1,2,3,...,}，feature_i表示具体的一个属性。

③、为方便在同一类考核因素category_i对不同的考核属性feature_i进行监控对比，确定相对考核属性若feature_i∈category_k，feature_j∈category_k，feature_i∩feature_j＝θ，feature_i与feature_j互为相对考核属性，记作

如农作物生长的土质因素中的水田、旱地、山地互为相对考核属性。使用相对考核属性主要是为对比不同属性点所采集的数据。

④、在②的基础上查找具有考核属性feature_i的地方，确定关键点point_i。关键点是指在整个监测区域内具有考核属性的具体位置。记作PT_s＝{point_i/i∈1,2,3,...},其中PT_s表示所有关键区域的集合，point_i表示具体的一个关键区域。

⑤、确定每个属性的关键点。属性关键点是指具有某一个考核属性的所有关键点。记作feature(i)＝{po int_i,j/j∈1,2,3,...}，其中feature(i)表示具有考核因子i的所有关键点的集合，point_i,j表示具有考核因子i的具体的一个关键点。

⑥、确定每个关键点的属性。关键点属性是指某关键点具有的所有考核因子的集合。记作point(i)＝{feature_i,j/j∈1,2,3,...}，其中point(i)表示某关键点具有的所有考核因子的集合，feature_i,j表示某关键点i的一个具体的考核因子。

⑦、根据⑤、⑥，确定关键点与属性的矩阵T。关键点与属性的矩阵是指各关键点与各属性及各属性与各关键点的一张对应的二维表，纵列表示属性的值，横列表示关键点的值。

其次，建立布点监控模型。

由于对农作物监测为常态连续采样，在属性相同的情况下，采样所得到的环境参数及结果几乎一致。监测结果的差异性主要由属性不一样的关键区域所决定，如山的阴阳面、海拔的高低、肥料的多少、土壤的质量等各方面的情况。为提高农作物的产量，减少病虫害，更加合理的施肥，对属性不一样的关键区域进行布点具有重大意义。为在降低监控成本的同时实施对所有考核属性有效监控，建立如(1)式所示的最优化布点监控模型，寻找最少数量的监控节点。

$>\left(\begin{array}{ccc}\mathrm{opt}.& \min \left(f\left(x\right)\right)=x_1+x_2+...x_i+...x_n=\underset{i=1}{\overset{n}{\Sigma }}{x}_i& \left(a\right)\\ & x_i=\left(\begin{array}{cc}1& \mathrm{select}\\ 0& \mathrm{no}\end{array}\right)& \left(b\right)\\ & \forall \mathrm{feature}\left(i\right)\ge 1& \left(c\right)\\ s.t.& \frac{|{\mathrm{point}}_i.{\mathrm{feature}}_j.\mathrm{value}-\overline{\mathrm{feature}\left(j\right).\mathrm{value}}|}{\mathrm{feature}\left(j\right).\sigma }\le 1& \left(d\right)\\ & \mathrm{WeightFactor}=[{\mathrm{Wfeature}}_1,{\mathrm{Wfeature}}_2,···,{\mathrm{Wfeature}}_n]& \left(e\right)\\ & {\mathrm{Wfeature}}_1+{\mathrm{Wfeature}}_2+···+{\mathrm{Wfeature}}_n=1& \left(f\right)\end{array}\right)---\left(1\right)$>

Opt.表示目标优化，s.t.表示约束集合，f(x)是实值函数(或向量函数)称之为目标函数，表示监控节点的数量。x_i为关键节点point_i的数学表达形式，如(2)式所示。它的取值只能为两种情况(如(1)式中的(b)式所示)，当关键节点被选择为监控节点时其值1为，没有被选择时取值为0。

x_i＝point_i→pot_(x,y)     (2)

其中i为位置编号，即ID号，pot_(x,y)指具体的位置，(x,y)为经、纬度。

属性关键点及关键点属性之间的关系用矩阵T表示，如(3)式所示。当某关键点Point_j存在某属性feature_i时，矩阵T中相应的值用“1”表示，若不存在，其值用“0”表示。

$>T=\left(\begin{array}{cccc}& {\mathrm{point}}_1& ···& {\mathrm{point}}_j\\ {\mathrm{feature}}_1& 1/0& 1/0& 1/0\\ ···& 1/0& 1/0& 1/0\\ {\mathrm{feature}}_i& 1/0& 1/0& 1/0\end{array}\right)---\left(3\right)$>

由于每一个属性都需要监测，则有(1)式中(c)所示的关系。

根据六西格码标准(Six Sigma)可知，选择某属性关键点时希望选取的点在此属性的均值的一个西格码范围内最为理想，各属性关键点的均值如(4)式所示，标准差feature(j).σ为(5)式所示：

$>\overline{\mathrm{feature}\left(j\right).\mathrm{value}}=\frac{{\Sigma }_{i=1}^n{\mathrm{point}}_i.{\mathrm{feature}}_j.\mathrm{value}}{n}---\left(4\right)$>

$>\mathrm{feature}\left(j\right).\sigma =\sqrt{\frac{{\Sigma }_{i=1}^n{({\mathrm{point}}_i.{\mathrm{feature}}_j.\mathrm{value}-\overline{\mathrm{feature}\left(j\right).\mathrm{value}})}^2}{n}}---\left(5\right)$>

关键点属性值是指某关键点具体的某一属性的值，记作point_i.feature_j.value，表示为第i个关键点第j个属性的值。

为提高监控质量，希望每个监测点的属性值都在各属性值的1个西格码(Sigma)范围内，设定判定函数如(1)式中的(d)式所示。若不在1个西格码(Sigma)范围内，把(3)式中的相关的point_i.feature_j值设为”0”.

由于天气原因，作物生长因子在不同的季节所受影响不同，定义各关键点属性的加权因子矩阵WeightFactor。其中Wfeature_i表示属性i的权值，且权值符合归一法，即权值相加为“1”，如(1)式中的(e)、(f)式所示。

最后，根据监控模型，按照监控节点的最佳监控位置进行部署。

通过对(1)式求解确定最少的监测节点数；并且在监测节点数量一定的情况下，希望监测节点都布置在每个属性均值的一个西格码范围内，从而使得监测所得的结果具有普遍性及代表性。整个算法采用预选制，先找出属性最多的关键点作为预选择点。若预选择点数大于1个时，调用属性优化方法选择所有属性值都靠近属性均值的关键点作为监测点。若经过这样处理后，还存在两个以上的预选择点，则调用作物生长因子加权法确定监测点。其后，若还存在两个以上的预选择点，则采用随机算法，随机确定经过作物生长因子加权法处理后的预选择点为监测点。最后采用关键点与属性的矩阵优化方法来对关键点与属性的矩阵T进行处理，直到矩阵T内的所有数据为“0”为止(“0”矩阵)，得出所有监控节点的位置，并按此位置部署传感器监控节点。