企业官网建设流程全解析

用 IoT 预测植物生长：基于温度传感器的生长度日（GDD）计算实战（IoT for Beginners 农场项目第 1 课）

【免费下载链接】IoT-For-Beginners12 Weeks, 24 Lessons, IoT for All!项目地址: https://gitcode.com/GitHub_Trending/io/IoT-For-Beginners

本文是开源课程IoT for Beginners「智能农场」项目第 1 课的实战指南，核心主题是：如何用温度传感器测量环境温度，并通过**生长度日（Growing Degree Days, GDD）**这一农学指标，预测植物的生长与成熟进度。你将掌握数字农业与精准农业的背景知识、植物温度三要素（基础/最适/最高温度）、GDD 计算公式与手工推算方法，以及一条完整的 IoT 数据链路——从设备读取温度、通过 MQTT 发布遥测数据、在服务器端存储为 CSV，最终用 Jupyter Notebook 可视化并累计 GDD 的端到端方案。

课程背景：数字农业（Agriculture 4.0）

数字农业正在改变耕作方式，它利用工具收集、存储和分析农业数据。当前被世界经济论坛称为「第四次工业革命」，而数字农业的兴起则被称为「第四次农业革命」或「Agriculture 4.0」。

🎓 「数字农业」一词还涵盖了整个「农业价值链」，即从农场到餐桌的完整旅程，包括食品运输与加工过程中的品质追踪、仓储与电商系统，甚至拖拉机租赁 App。

这些变革让农民能够提高产量、减少化肥和农药使用、更高效地用水。虽然数字农业目前主要在较富裕国家应用，但传感器等设备的价格正逐步下降，使其在发展中国家也日益普及。

数字农业催生的典型技术包括：

• 温度测量——通过测量温度，农民可以预测植物的生长与成熟。
• 自动灌溉——测量土壤湿度，在土壤过干时才开启灌溉系统，而非定时灌溉。定时灌溉可能在炎热干旱期让作物缺水，或在降雨时过度浇水；按需灌溉可以优化用水量。
• 害虫防治——农民可以利用自动机器人或无人机上的摄像头巡查害虫，只在需要的地方施药，从而减少农药用量并降低农药流入当地水源的风险。

🎓 「精准农业」（Precision Agriculture）指在逐块田地、甚至田地局部进行观察、测量和响应的农业实践，包括测量水分、养分和虫害水平并精准响应，例如只浇灌田地的某一部分。

为什么温度对种植如此重要？

学习植物知识时，大多数人会被告知水、光、二氧化碳和养分是必需条件，但植物同样需要热量才能生长——这就是为什么植物在春季气温回升时开花，为什么一次短暂回暖就能让雪花莲或水仙提前发芽，为什么温室（hothouse）与暖房（greenhouse）对植物生长如此有效。

🎓 温室和暖房的作用相似，但有一个重要区别：hothouse 是人工加热的，能让农民更精确地控制温度；而 greenhouse 依赖太阳热量，通常只能通过窗户或其他开口散热。

每种植物都有基于日均温度的三个关键温度值：

💁 这些是日均温度，即昼夜温度的平均值。植物白天与夜间也需要不同的温度，以帮助它们更高效地进行光合作用并在夜间节省能量。

不同植物物种的基础、最适与最高温度各不相同，这正是有些植物在炎热国家茁壮成长、有些则在寒冷国家生长的原因。

上图展示了一条典型的「生长速率—温度」曲线：在基础温度之前没有生长；生长速率随温度上升而增加，达到最适温度后开始回落；到最高温度时生长停止。曲线的形状因植物种类而异——有的在最适温度之上下降更陡峭，有的从基础温度到最适温度的爬升更平缓。

💁 农民若想获得最佳生长，就需要知道自己所种作物的三个温度值，并理解曲线形状。例如，种植番茄的商业温室白天会设置在约 25°C、夜间 20°C，以获得最快的生长速度；结合人工光照、肥料和受控的 CO₂浓度，商业种植者甚至可以实现全年种植与采收。

第一步：用 IoT 设备测量环境温度

温度传感器可以接在 IoT 设备上测量环境温度。本课程为不同硬件提供了三条测量路径：

• Arduino（Wio Terminal）：见 wio-terminal-temp.md
• 单板机（Raspberry Pi）：见 pi-temp.md
• 单板机（虚拟设备）：见 virtual-device-temp.md

Wio Terminal 硬件接线要点

课程选用的是DHT11 温湿度一体传感器（Seeed Grove 系列），其温度传感核心是负温度系数（NTC）热敏电阻——电阻随温度升高而降低，传感器内部自带 ADC，将温度与湿度数据转为微控制器可读的数字信号。

接线时，用 Grove 线缆连接传感器与 Wio Terminal 屏幕朝上时右侧的 Grove 插座（即离电源键最远的一个）。然后在 PlatformIO 项目中配置依赖库：

lib_deps = seeed-studio/Grove Temperature And Humidity Sensor @ 1.0.1

并在源码中声明传感器（连接到D0端口）：

#include <DHT.h> #include <SPI.h> DHT dht(D0, DHT11);

虚拟设备：用 CounterFit 模拟 DHT11

虚拟设备使用 CounterFit 模拟 Grove 温湿度传感器，让实验与真实 Raspberry Pi + 物理 DHT11 保持一致。安装 shim 包后，需在 CounterFit 界面中创建两个传感器：

pip install counterfit-shims-seeed-python-dht

• 在Sensors面板的Create sensor中，Sensor type 选Humidity，Pin 设为5
• 再选Temperature，Units 保持Celsius，Pin 设为6

💁 CounterFit 通过把温度传感器放在湿度传感器 Pin 的下一个 Pin（Pin 6）来模拟这一组合传感器。

Python 端代码骨架如下：

from counterfit_connection import CounterFitConnection CounterFitConnection.init('127.0.0.1', 5000) import time from counterfit_shims_seeed_python_dht import DHT sensor = DHT("11", 5) while True: _, temp = sensor.read() print(f'Temperature {temp}°C') time.sleep(10)

DHT("11", 5)声明了一个虚拟DHT11传感器实例，第一个参数为传感器型号，第二个参数为所连接的端口。sensor.read()返回（湿度, 温度）元组，这里只取温度。每 10 秒采样一次即可——温度在短时间内不会剧烈变化，降低采样频率有助于减少设备功耗。

生长度日（GDD）：用温度量化植物生长

生长度日（Growing Degree Days，也叫生长度单位）是一种基于温度衡量植物生长的方法。在水分、养分和 CO₂充足的假设下，温度决定了生长速率。

GDD 按天计算，定义为一天内高于植物基础温度的摄氏平均温度。每种植物都需要一定数量的 GDD 才能生长、开花、结果并让作物成熟；每天的 GDD 越多，植物生长越快。

🇺🇸 对美国人而言，GDD 也可以用华氏度计算：5 GDD^C（摄氏生长度日）等价于 9 GDD^F（华氏生长度日）。

完整的 GDD 公式较为复杂，但有一个常用的简化近似方程：

GDD = (T_max+ T_min) / 2 − T_base

• GDD—— 生长度日数量
• T_max—— 当日最高温度（°C）
• T_min—— 当日最低温度（°C）
• T_base—— 植物基础温度（°C）

💁 还有针对 T_max高于 30°C、或 T_min低于 T_base的修正变体，本课程先忽略这些情况。

实例：玉米（Corn/Maize）

玉米因品种不同，成熟需要 800～2700 GDD，基础温度为 10°C。假设高于基础温度的第一天测得：

代入公式：

• T_max= 16
• T_min= 12
• T_base= 10

计算过程：16 + 12 = 28，28 / 2 = 14，14 − 10 =4。即玉米当天获得了 4 GDD。若某品种玉米成熟需要 800 GDD，则还需 796 GDD 才能成熟。

端到端方案：用温度传感器数据计算 GDD

植物并不会按固定日期生长——你不能种下种子就知道它恰好 100 天后结果。农民通常只有大概的生长时长概念，然后每天去检查作物是否成熟。这在大型农场会造成巨大的劳动力负担，还容易错过提前成熟的作物。

通过测量温度，农民可以计算出植物已获得的 GDD，从而只需在接近预期成熟期时检查。借助 IoT 设备采集温度数据，农民甚至可以在植物接近成熟时自动收到通知。

典型架构

本课采用的典型架构是：

1. IoT 设备测量温度；
2. 通过 MQTT 等协议将遥测数据发布到互联网；
3. 服务器代码订阅数据并将其保存（如数据库或 CSV 文件）；
4. 之后对数据进行分析，例如每晚的任务计算当天的 GDD、累加各作物迄今的 GDD，并在植物接近成熟时发出提醒。

服务器代码还可以为数据附加额外信息，例如：IoT 设备发布一个标识符表明设备身份，服务器代码据此查询设备位置与所监测的作物；也可以补充当前时间——因为部分 IoT 设备没有精确计时的硬件，或需要额外代码通过网络读取时间。

发布温度遥测数据

复用第 4 课连接 MQTT 与发送遥测数据的方法，即可把温度作为遥测数据发布。设备端需要：安装 MQTT pip 包、连接 MQTT broker、发布遥测消息。

客户端名称应反映项目名，并将遥测中的 light 值替换为 DHT 传感器读取的温度（JSON 属性名为temperature），同时把time.sleep设为 10 分钟——温度短时间内不会变化太多，无需频繁上报：

client_name = id + 'temperature_sensor_client' while True: _, temp = sensor.read() telemetry = json.dumps({'temperature' : temp}) print("Sending telemetry ", telemetry) mqtt_client.publish(client_telemetry_topic, telemetry) time.sleep(10 * 60)

💁sleep函数以秒为单位，10 * 60即 10 分钟。

运行后控制台输出示例：

pi@raspberrypi:~/temperature-sensor $ python3 app.py MQTT connected! Sending telemetry {"temperature": 25} Sending telemetry {"temperature": 25}

完整参考代码见 code-publish-temperature/virtual-device/temperature-sensor/app.py 与 code-publish-temperature/pi/temperature-sensor/app.py。发布温度的完整步骤见 single-board-computer-temp-publish.md。

捕获并存储温度数据：写入 CSV 文件

设备发布遥测数据后，服务器代码订阅数据并存储。本课不存数据库，而是保存为CSV（逗号分隔值）文件——它以文本形式将数据按行存储，每个值用逗号分隔、每条记录占一行，便于人类阅读、兼容性好，非常适合以文件方式保存数据。

CSV 文件包含两列：date（服务器收到消息时的当前日期时间）与temperature（来自遥测消息）。

首先创建服务器项目（文件夹命名为temperature-sensor-server），重复第 4 课订阅遥测的步骤（配置激活 Python 虚拟环境、安装 paho-mqtt、编写监听遥测主题 MQTT 消息的代码，无需添加发送命令的代码），并设置客户端名称：

client_name = id + 'temperature_sensor_server'

在文件顶部已有导入语句下方追加导入：

from os import path import csv from datetime import datetime

在handle_telemetry函数之前添加如下代码，声明文件名与列头，并在文件不存在时创建带表头的 CSV：

temperature_file_name = 'temperature.csv' fieldnames = ['date', 'temperature'] if not path.exists(temperature_file_name): with open(temperature_file_name, mode='w') as csv_file: writer = csv.DictWriter(csv_file, fieldnames=fieldnames) writer.writeheader()

然后在handle_telemetry函数末尾追加写入逻辑：

with open(temperature_file_name, mode='a') as temperature_file: temperature_writer = csv.DictWriter(temperature_file, fieldnames=fieldnames) temperature_writer.writerow({'date' : datetime.now().astimezone().replace(microsecond=0).isoformat(), 'temperature' : payload['temperature']})

这段代码打开 CSV 文件并在末尾追加新行：该行包含可读格式的当前日期时间，以及从 IoT 设备收到的温度。数据以 ISO 8601 格式 存储——带时区、不含微秒。

运行代码并确保 IoT 设备正在发送数据，同目录下会生成temperature.csv：

date,temperature 2021-04-19T17:21:36-07:00,25 2021-04-19T17:31:36-07:00,24 2021-04-19T17:41:36-07:00,25

💁 如果使用虚拟 IoT 设备，请勾选 CounterFit 中的Random复选框并设置范围（Min/Max），避免每次返回相同的温度值。 💁 若要连续运行一整天，需要确保运行服务器代码的计算机不会休眠——可调整电源设置，或运行类似 keep-system-active 的 Python 防休眠脚本。

完整参考代码见 code-server/temperature-sensor-server/app.py。从源码可以看到，该服务在mqtt_client.subscribe(client_telemetry_topic)后通过on_message = handle_telemetry回调接收每条遥测消息，loop_start()启动后台网络循环，主线程则time.sleep(2)保持进程常驻。

手工计算 GDD

服务器捕获温度数据后，即可计算植物的 GDD。手工步骤如下：

1. 确定植物的基础温度。例如草莓的基础温度为10°C。
2. 从temperature.csv中找出当天的最高与最低温度。
3. 使用前面给出的 GDD 公式计算。

例如，当天最高温度 25°C、最低温度 12°C：

• 25 + 12 = 37
• 37 / 2 = 18.5
• 18.5 − 10 =8.5

因此草莓当天获得了8.5GDD。草莓结果大约需要 250 GDD，所以距离成熟还有一段时间。

作业：用 Jupyter Notebook 可视化 GDD 数据

要得到可靠的 GDD 数据，需要采集多天数据。本课作业 assignment.md 要求用 Jupyter Notebook 可视化温度数据并计算 GDD。仓库提供了现成的笔记本 code-notebook/gdd.ipynb。

操作步骤：

1. 创建名为gdd-calculation的文件夹；
2. 下载gdd.ipynb并复制到该文件夹；
3. 复制 MQTT 服务器生成的temperature.csv到同目录；
4. 在gdd-calculation中创建 Python 虚拟环境；
5. 安装依赖：

pip install --upgrade pip pip install pandas pip install matplotlib pip install jupyter

6. 运行笔记本：

jupyter notebook gdd.ipynb

笔记本的核心逻辑（与 code-notebook/gdd.ipynb 一致）包括：

• 设置植物基础温度（可修改，例如base_temperature = 10）；
• 用 pandas 读取temperature.csv；
• 用 matplotlib 绘制温度曲线；
• 将日期时间转换为纯日期并groupby('date')，提取每天的min与max温度；
• 用标准 GDD 公式逐行计算每日 GDD：

def calculate_gdd(row): return ((row['temperature_max'] + row['temperature_min']) / 2) - base_temperature min_max_by_date['gdd'] = min_max_by_date.apply(lambda row: calculate_gdd(row), axis=1) print(min_max_by_date[['date', 'gdd']].to_string(index=False))

评分标准（Rubric）：

拓展挑战与延伸学习

挑战：植物生长需要的不止热量，还需要其他因素。请调查：是否存在传感器可以测量这些因素？是否存在执行器（actuator）来控制这些数值？你会如何组合一个或多个 IoT 设备来优化植物生长？

延伸学习方向：

• 数字农业的完整 GDD 计算比本课给出的简化版更复杂，例如如何应对低于基础线的温度，可以进一步研究完整的 GDD 方程；
• 本课的温度测量仅是「智能农场」项目的第一步，后续课程将围绕土壤湿度检测、自动浇水、云端迁移等主题继续展开，形成完整的 IoT 农业监测体系。

【免费下载链接】IoT-For-Beginners12 Weeks, 24 Lessons, IoT for All!项目地址: https://gitcode.com/GitHub_Trending/io/IoT-For-Beginners