文摘
改善城市农业花园景观规划设计的影响,本文结合了农业物联网技术构建智能花园规划设计系统。此外,本文选择了LEACH协议可以支持监测很长一段时间根据实际应用的需要,介绍了最新的群体智能优化算法,灰狼算法,优化LEACH协议的一些问题,并对改进算法进行了仿真实验。仿真实验结果表明,改进的簇头选择算法具有明显的优势,集群中的数据传输和路由维护。构建一个智能花园后基于农业物联网规划系统,农业物联网数据处理的影响本文评估。最后,本文构造一个花园仿真系统,分析了系统的性能。结果验证农业物联网有良好影响的规划和设计智能花园。
1。介绍
生态文化是一种新的文化前景表示世界上新趋势和趋势。它代表了人类的觉醒从无知的统治、征服自然的概念,寻求一种尊重和与大自然和谐共处。这是“生态”和“自然”中央人类价值观的转换(1]。
关于景观一词的定义,许多学者提出了不同的解释。在景观生态学的领域,它研究整个自然界的生态系统,它侧重于生态子系统之间的交互如气候、地质、土壤、植被、水文、动物和人类的活动,和他们对自然的影响。除了学习的客观规律生成的特点,发展和演化的景观生态系统本身,它还寻求措施和合理利用的方法,保护和管理景观。景观地理学领域的关注自然景观形态的变化,强调景观的自然特征,注重开发和景观形态和地貌的演变。从景观设计的角度来看,它关注的是人类与自然之间的关系从人与景观之间的关系和社会属性。景观的内涵显示明显的特征动态变化与人类活动的影响和区域的变化形式。从整个人类社会的发展历史,地球上的景观是人类适应和转换的结果的自然世界2]。从上述三个主要学科的定义,它可以概括景观是人类活动的痕迹留在土地或人类和自然之间的交互。景观可以被视为一个有机的集合组成的一系列象征性的景观元素。景观元素的单位元素组成这个大量的风景。因此,景观元素可以分为两类:自然景观和人工景观元素。自然景观元素包括地形、土壤、植被和风水模式,和人工景观元素包括道路铺平道路,草图,和建筑3]。
近年来,农村振兴的关键工作在我的国家和政策措施。农村复合物是一项重要的措施来实现农村振兴。农村复合体的概念提出以来,许多城市和城镇在我国付诸实践。然而,研究农村复合物和现场项目的发展并不完美,和所涉及的方面是相对有限,主要包括休闲娱乐、理疗、观光农业采摘,专业餐饮。有相对较少的研究和分析在构建一个智能田园复杂从全球的角度看旅游与物联网相结合。全球旅游不一样以前旅游、盲目追求旅游的发展,而是更多关注旅游质量的提高。最重要的是,全球旅游旨在建立旅游旅游,能提高人们的生活质量,同时也追求旅游的价值在人们的新财富革命。
以农业田园为主题,本文结合了农业物联网技术进行智能花园规划设计,以促进行业的发展,提高人们的生态保护意识,使人们一个好的田园风光的经验。
2。相关工作
不断发展的空间地理信息采集技术和计算机通信技术,地理信息数据的数量不断扩大,以及信息提取和分析的困难继续增加。地理信息已逐渐从“数字城市”改为“智能城市”(4]。目前,许多国家正在开发智能城市项目符合本国国情,如美国智能电网和智能社区在欧盟。三维地理信息技术的逐步成熟,三维地理信息数据终于进入了近年来广泛应用,新阶段(5]。的数据采集方法、非接触快速批量收购大型国内外取得的数据。倾斜摄影技术,它使用多传感器同步或动态传感器从空气中收集的图片,可以收集丰富的高分辨率表面纹理数据和建筑,是一个升级到传统的航空摄影(单一传感器采集方法6]。文献[7)显示了一个3 d地图由斜摄影数据。目前,代谢系统在美国,Penta-DigiCam系统在德国,A3系统在以色列,RCD30在德国徕卡在国际上被广泛使用8]。
随着无人机技术的普及,倾斜摄影技术也显示出爆炸性增长9]。现在,智能城市三维建模项目,倾斜摄影3 d建模程序采取了一个地方(10]。此外,激光雷达技术,即激光扫描,也出现在许多领域。它可以快速获取高精度点云数据和被广泛使用在许多领域如测绘、建筑、变形监测、机械工程、考古学、文物保护和自动驾驶11]。目前,常见的国际激光扫描仪包括德国源三维光学扫描仪,瑞士徕卡三维激光扫描仪,奥地利格尔激光测量系统,和美国美国天宝三维激光扫描仪(12]。
近年来,高分辨率卫星遥感技术也不断发展,QuickBird和世界观等在美国。在我的国家,中国“高分家庭”由Gaofen 2号,3号,4号还提供了可靠的DOM(数字正色摄影)和DEM(数字高程模型)智能城市三维建模项目数据(13]。倾斜摄影的使用数据三维自动建模,有外国Smart3DCapture像素工厂,PhotoMesh PohtoScan,等等,这都是强大的工具适合智能城市三维模型的快速生产(14]。使用激光点云数据的三维自动建模、精制的当前使用逆向工程建模软件主要是不适合大面积的自动生产智能城市三维模型数据15]。
智能城市的大量数据需要由软件平台与空间管理和分析功能,如SkylineGlobe ArcGlobe CityEngine,等等,都是目前使用智能城市地理信息平台(16]。
智能城市三维模型有一个广泛的数据源、不同的生产方法,和数据结构。只有当一个统一的标准规范制定,数据互操作可以实现(17]。开放地理联盟(OGC)建立了13个标准作为新的国际三维标准,这是一个标准的专门为三维空间地理信息数据(18]。
3所示。农业无线传感器网络模型
为了使无线传感器网络的研究更有针对性,本文的研究内容是基于以下假设:(我)水槽节点位于监控区域,及其能量不断由外部电源。它有强大的计算和存储能力比普通节点,可以连接到外部网络,将数据发送给远程观察和维护通信网络中至少有一个节点。(2)传感器网络的规模被设计成200个节点,他们是随机均匀分布在监测区域。提供的节点能量有限,自己的电池。他们有一定的计算和存储能力,可以感觉到自己的剩余能量,并遵循网络操作。随着时间的推移,每个节点的能量消耗是不一样的,和节点的能量将会不一致。(3)节点部署后,一旦开始网络,节点的位置将不再变化,节点可以知道通过RSSI本身和其他节点之间的距离。(iv)所有节点都有类似的通信能力和数据处理能力,没有超级节点,节点之间的通道是对称的,节点的传输功率是有限的,它有一个惟一的ID代码。(v)所有节点的通信成功率符合公式(1)。有一个通信路径的跳数h在网络。如果假设的第i个啤酒花的通信距离d节点的距离和有效的沟通r,那么通信成功率遵循以下公式(19]:
从公式可以看出(1),啤酒花的数量越少,越短路径和通信成功率越高(20.]。
无线传感器网络通信信道是一个随机频道。
在这里,接收模块完成一个完整的收发器,和取决于发射电路和接收电路的参数,d是发送节点和接收节点之间的距离,和的计算公式d0如下: 是距离阈值。当d小于 ,节点的通信遵循自由空间模型。
LEACH协议是WSN分层路由协议,它占据了一个很重要的位置在WSN路由协议的研究。图1是LEACH协议的原理图聚类。聚类算法,如DCHS青少年,和APPTEEN借LEACH算法的概念。LEACH算法首先提出“圆的。“每一轮分为两个阶段:集群建立和数据传输。
在集群的形成,如果节点随机选择一个数字0和1之间,如果选择的数量小于阈值T(n),它被选为集群的头。的计算公式T(n)如下21]:
在这一点上,一个周期结束后,准备下一个周期的开始。
图2LEACH协议流程图。首先,算法选择簇头节点。确定这个集群头后,广播消息发送到其他节点。消息包括集群头部位置,集群ID,和能量信息。noncluster头节点选择簇头接近它的位置加入根据收到的消息形成一个集群,集群和建立阶段完成。集群管理集群中的节点,收集所收集的数据成员,建立了TDMA时机表成员节点。然后,发送时间表到集群中的节点。所有节点收集到的数据发送给簇头根据时间段中指定的时间表。集群头对集群中的数据执行简单的预处理,然后将其发送给上层节点。在这一点上,一个“圆”已经结束,下一个周期的开始。
虽然LEACH协议在长期监测具有很好的性能,它也有一些缺点,主要包括以下方面:(1)在每一轮的集群中,所有节点都必须参与,和的计算量非常大,这是一个巨大的资源浪费(2)簇头的选择是随机的(3)所有集群首都与水槽节点直接通信,不考虑资源损失造成的长途集群头远离水槽节点之间的通信
本文引入了一个新的meta-inspired优化algorithm-gray狼LEACH算法的算法来解决上述问题,以便更好地为农业的应用。Meta-heuristic算法的研究是由于它的简单性和灵活性。灰太狼(拥有)算法是目前最受欢迎的meta-heuristic算法理论研究。算法的主要思想是模拟的社会等级和组灰太狼家族的狩猎行为。灰狼属于狗的家庭和生活。平均来说,每组由5 - 12灰狼和遵循一个严格的层次结构,如图3。
狼灰太狼家族的社会地位可以分为4个层次从上到下,即α狼,β狼,δ狼,ω狼。阿尔法狼是狼,主要负责决定睡眠的时间和地点,打猎,战术。灰太狼类的第二个层次β狼。β狼狼是下属,主要负责协助管理狼群的狼。当狼群缺乏阿尔法狼,狼β狼将取代α。三角洲狼在第三层。δα狼狼遵循指令和β狼,但它可以命令ω狼在底部。的ω狼主要负责在人口平衡的关系。
灰狼的集体狩猎是灰狼的社会活动的一个重要组成部分。学者Muro等详细介绍了灰狼的狩猎行为的文献,如图4。
(一)
(b)
(c)
灰狼的数学模型算法:(1)建立一个数学模型,灰狼的社会等级,我们命名为健康,最好的解决方案α狼。因此,第二个和第三个最好的解决方案β狼一样ω分别为狼。
3.1。狩猎模式
向量的计算公式和如下(22]:
3.2。攻击模型
拥有由狩猎α,β和8偶尔参与。为了数学模拟灰狼的狩猎行为,我们假设α(最好的候选解决方案)β6有一个更准确的理解潜在的猎物的位置。因此,该算法节省了到目前为止获得的前三个最优解,迫使其他搜索代理(包括o)更新他们的职位根据最好的位置搜索代理。和它的更新公式如下:
方程(12)(14)定义的长度和方向的进步狼向α,β, ,分别。方程(15)代表当前α的位置。具体过程如图5。
GWO算法的一般步骤如下:步骤1:该算法初始化狼群步骤2:该算法计算每个狼的健身价值步骤3:算法选择最好的前三名狼健身α,β,8步骤4:该算法使用公式(9)(14)来更新其他的狼第五步:算法更新参数,,a, C第六步:如果不满足结束条件,算法步骤2第七步:算法输出的位置α
在这篇文章中,传感器节点代表个人狼,基站BS代表的猎物。
HCGW采用轮询机制类似于浸出,每一轮执行以下步骤:①根据信号接收和传输和距离之间的关系,模拟灰狼算法将网络划分为多个层。每个节点决定哪一层是基于其位置和基站之间的距离。②适应度函数包括节点的剩余能量。③确定簇头后,所有成员节点选择簇头形成一个集群。④GWO之间的通信路由建立集群头避免长距离传输。⑤建立路由维护的新路线。
3.2.1之上。网络分层
如图6本文假定网络可分为l层。根据能量模型公式(2)- (4),节点距离不到d0从基站被归类为第一层,并标记为层α根据他们的优先级。剩下的是β层和6层。
的节点在激光强化层:
通过分层节点,簇头的通信距离小于或等于d0在数据传输过程中,可有效避免长途通信造成的能量损失。
3.2.2。簇头选择方法基于适应性原则
传感器节点分层后,在每一层,健身功能和健身规则用于计算节点的健身,和一个或多个节点具有较高的健身选择簇头的这一层。
(1)节点剩余能量。节点的剩余能量代表节点后留下的最大能量的轮数网络。
(2)节点密度。节点密度越大,节点的邻居节点越多,消耗更少的能量交换数据时周围的节点。节点密度是由 ,公司和它的计算如下:
这里N是在通信范围内的节点的数量d0。
(3)节点中心C。中心C代表一个特定节点之间的平均距离SN及其邻近的节点。C是越小,越接近,沟通所需的能量就越少,反之亦然。
在这里,点的横坐标代表节点 ,和代表节点的纵坐标 。
(4)适应度函数。簇头选择适应度函数的确定。GWO算法的适应度函数中起着非常重要的作用在寻找猎物的机制。这个函数的输入节点的特点,包括节点剩余能量 ,中心节点密度,节点。,输出的健身价值的节点是否能成为簇头。
在这里,和随机数在[0,1]的范围。某个阈值设置为健身,健身值大于该阈值的节点被选为集群。
(5)健身规则。HCGW算法使用适应性综合评价标准。更多的剩余能量的节点,节点密度较高,和更高的中心有很高的优先级。HCGW总共包含了3 健康标准,如表所示1。
3.2.3。家庭的形成
在收到邀请。留言,成员节点计算的近似距离d从自身到每个CH和选择与最小距离加入簇头形成一个集群结构。
3.2.4。路由建立和维护
集群头执行预处理数据的压缩和优化等步骤。然后,算法头节点发送数据的优先级更高的上层根据层次结构,然后将其传输的优先顺序依次到第一层。在这个时候,一个多次反射路由都类似于灰太狼的层次结构。
经过长时间的足够的时间T,整个网络的路由将被更新。与LEACH协议的全球机制相比,HCGW提出的算法,它可以极大地节省计算成本和广播,同时达到局部最优。
4所示。聪明的花园规划设计基于农业物联网
智能花园的过程信息管理平台访问和调用基础地理数据如下:(1)智能花园信息管理平台发送一个图形调用请求的基本地理信息共享服务平台。(2)接到图形数据查询请求后,基本的地理信息共享服务平台将执行相关的图形数据查询过程,包查询结果(地图图像或JSON格式属性数据),并将它们返回给智能花园信息管理平台。(3)收到查询结果后,智能花园信息管理平台在地图窗口中显示它的平台。主题景观的地理数据是直接访问和调用平台上,可以显示叠加的基本地理信息共享服务。业务数据接口模型的示意图(流程)的智能信息管理平台如图花园7。
后构建一个智能花园规划系统基于农业物联网数据处理的影响摘要农业物联网的评估,和一个花园构造仿真系统来分析系统的性能。仿真系统的网络节点图所示8。
通过上述模型的性能验证,数据处理的影响农业智能花园表所示2和图9。
上面的模型验证农业智能花园系统的数据处理效果。
在此基础上,规划和农业智能进行园林设计的影响,结果见表3和图10得到了。
上面的分析验证智能花园规划设计系统有一个良好的规划和设计效果。
5。结论
人们可以直观地观察对象在现实环境现场通过网络平台,可以选择相应的网络客户端上的操作来执行相应的操作对实体对象在现实环境。虚拟体验依赖于电脑和互联网技术的东西。与真实体验相比,虚拟体验有一些固有的特点,如虚拟体验、虚拟体验与不确定性,并与全球性虚拟体验。本文结合了农业物联网技术进行智能花园规划设计。农业田园的主题,促进工业发展,提高人们的生态环境保护意识,让人们一个好的田园风光的经验。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持的https://doi.org/10.13039/501100008326广东工业大学校园内。