基于窄带物联网技术的西岔河水系水环境同步监测方法

孙连波

（陕西省旬阳市双河镇农业综合服务站，陕西 旬阳 725731）

随着现代化监测技术的不断发展，目前，能够运用水环境监测方法对西岔河水系水环境进行监测。在监测过程中，根据西岔河水流域的水环境容量进行设计，再根据水流量变化而调整。提升了水环境容量，并减少有机污染问题的发生[1]。针对西岔河水系流域防治问题提供对应措施，减少有机物超标问题，获得可行性的监测应用。通过获取卫星影像，观察水系水环境的变化，按照不同的特点对于西岔河水系流域的水生态环境监测，并针对监测结果提出相应的保护措施，监测耗时得到优化。由于在采集过程中，受到监测点地理环境影响，使得布线难度大，信息数据采集不准确，导致监测结果达不到预期效果。因此现阶段，以西岔河水系水环境同步监测方法为研究对象，运用窄带物理网技术，结合实际情况进行测试与分析。

1 西岔河水系概况

西岔河位于旬阳市双河镇，为蜀河的一级支流，汉江的二级支流，长28 km，西岔河流域面积为149.8 km2，河流沟道岸线总长156 km，发源于青沟，系双河镇主水源，有西惠渠灌溉渠道一条，辖区内渠道长5.6 km，设计流量为1 m3/s。现有河堤25 km，保护基本农田2 100 亩，保障集镇1.1 万户1.6 万人用水。

2 西岔河水系水环境同步监测

2.1 窄带物联网技术通信网络部署

运用窄带物联网技术对通信网络进行部署可应用于多种场景中。为防止在数据传输过程中遇到攻击，需要进行网络异常检测[2]。将海量数据进行异常检测处理，将终端设备数据进行上传，并运用边缘服务器进行边缘计算，减少数据传输时延，将云中心的任务分流。窄带物联网技术通信网络部署结构如图1 所示。

图1 窄带物联网技术通信网络部署结构示意图

计算中心获取边缘层所有边缘服务器的信息，分配不同的模型训练任务。在边缘层中，云中心层进行任务分配，边缘层进行局部模型训练和数据检测。建立边缘异常检测模型过程中，设定k 个部署在边缘层的服务器并分配任务[3]。对模型进行局部检测训练。对所有边缘服务器进行部署。设定边缘服务器集合表示为K=｛1，2，…，k｝，并设定终端设备与边缘服务器的传输带宽。根据训练模型的规模大小，设定孤立树的训练样本数量，定义孤立树的约束公式为：

式中 x——边缘服务器中需要训练的孤立树数量；

Xmin——最小值。

在异常检测后使得满足上述条件，建立一个孤立树根节点，将数据集进行节点填充。随后在该数据集中随机取一个属性q，并在该属性中随机取一个划分值p。将数据集中值小于p 的数据放在当前节点的左子节点，其余的数据放在右子节点。每个叶子节点只包含一个样本。计算边缘服务器数量公式为：

对子节点不断重复递归操作，形成新的子节点，直到满足所有条件。在边缘服务器的解空间中任意选择两个任务序列｛xi，yi｝，将｛xj，yj｝序列与之进行交换，获得新的位置[4]。根据最先的分配方案，进行最优解更新。设定孤立树的高度，并获得边缘服务器孤立树数量，将获得的结果放入局部模型中，输出最终的集合，减少输出传输所用时间，完成对于通信网络的部署。

2.2 水环境同步自适应监测

运用传感器进行信息融合处理，减少因不同传感器的影响而产生检测不准确的情况。将水环境信息进行融合后，设定传感器的数量为N，簇内各节点将信息传送到簇头节点进行第一次信息融合输出，节点将簇头信息传送到网关[5]。运用最优加权算法进行信息融合，减少网络中的数据传输量。在加权估计均方误差最小的最优条件下，按照节点的测量值根据自适应方法，搜索不同节点所对应的最优解，通过最优解融合后的测量值即为最佳监测数据。设定簇由N 个节点组成，簇内所有的节点都从不同的位置对目标参数进行检测。第i 个节点的输出方程为：

式中 ε——加权估计值均方误差。

设定节点的加权因子为a，获得加权的估计值[6]。构造加权因子的辅助函数，并建立方程组对最优加权因子的估计局方误差进行计算，得到最小值结果为：

式中 εmin——均方误差最小值。

通过噪声方差的最小值节点结果来看，如果节点结果越小，则表示权重越大。在测量过程中能够得到较为真实的数据。将簇头节点进行输出，如果一个簇被大多数簇所信任，表示这个簇的簇头节点的输出数据有效。设监测子网由b 簇组成，簇头节点输出为C，运用关系矩阵法对簇间数据进行处理[7]。设定第簇头节点输出的数据为R，并服从Gauss 分布。通过对置信距离测度进行计算，获得不同传感器之间的置信距离结果。如果置信距离结果越小，表示不同传感器之间的输出距离越近。计算置信距离公式为：

通过关系矩阵在网络中加入信任度结果，表示节点之间的信任程度。将信任程度结果形成关系矩阵，并在节点测量范围内获得阈值。比较阈值附近的模糊程度，如果置信距离大，则表示模糊程度会很快消除。将得到的信任程度进行计算，获得传感器在网络中的水环境信息结果，并进行输出。根据节点之间的通信距离，获得不同水环境信号在不同方向中的能耗结果，并使得网络节点与基站能够实时通信。有效减少网络传输的信息，降低网络的能量消耗，提升计算精度达到融合效果，实现同步监测。

3 实验测试与分析

对监测方法的覆盖性能进行测试，并运用覆盖率指标来进行描述。设置3 个小组，运用本文方法进行实验测试。在监测区域网络中，选择合适的节点半径，运用本文方法为小组1，运用传统方法为小组2、小组3，对所有方法的监测覆盖率进行比较。

3.1 实验准备

从西岔河水中采集水样，对水样预处理后再将水样导入到相应的管路，配送给水质分析监测设备。设置温度传感器，添加除藻设备可对判定的超标水样进行pH值判定。同时用水洗净管道。根据监测时间，在收到PLC远程启动指令后，潜水泵随即将水样进行传输。待各项数值稳定后，读取测量值。经过10 min 测试后，PLC 读取样品杯水位信号，运用TOC 在线测定并进行化学分析。经过1 h 的测试后，读取测量值。上位机读取测量值，判断结果是否超标。指导污水处理行参数调整。为使得在线仪器能够保持一定的测量准确性，要长期对设备进行检修。

搭建实验环境，PC 机选择64 位操作系统，2.5 GHz主频，仿真软件选用MATLAB112s。对西岔河水流域进行监测，河水流失忽略不计，监测网络为无线传感网络。根据西岔河水流域的特征，对200 m×200 m 的矩阵区域进行模拟监测。设置节点的感知半径，在监测区域中设置最大迭代次数为R=200，动静节点混合比为20∶15。在初始状态下，对网络节点的初始覆盖率进行计算，并根据移动机电的迭代，完成对位置的更新和移动。在最大覆盖中寻找最优位置。对比不同小组的算法结果，并观察该算法的早熟情况，是否能够陷入局部最优而无法实现收敛。测试过程中，横向比较算法的收敛程度，当迭代次数为50 次时，如果算法实现收敛而没有局部搜索缺陷时表示为1，出现早熟现象没有达到收敛表示为0。实验选择规模环境进行测试，设定感知节点的半径为10 m，最大迭代次数为250。

3.2 结果与分析

通过对不同小组算法的横向对比，获得收敛性能结果如表1 所示。由表1 可知，实验的3 个小组算法在迭代次数为50 次时，算法均能够达到收敛，在西岔河水系水环境同步监测网络中，能够具有较高的收敛性。根据算法在水环境监测网络中的大规模特征，对其进行覆盖性能测试，得到的环境中的覆盖指标曲线如图2 所示。

表1 收敛性能结果

图2 大规模环境验证对比图

由实验结果可知，相比于小组2、小组3 的较低监测覆盖率，在规模环境下，小组1 的监测覆盖率曲线走势较优。在达到250 次迭代次数时，能够对监测区域实现100%的覆盖，为3 个小组最高的监测覆盖率，实现良好应用。

综上所述，在大规模网络环境中选择匹配的节点感知半径，提升了本文所提方法在监测过程中的应用性能，实现了对目标的完全覆盖，在特殊环境中也能够进行准确监测并获得较好监测结果。使用本文所提方法，能够在对西岔河水系水环境进行同步监测时实现优化覆盖，既提高了同步监测能力，还具备自适应功能，有效地减少了监测过程中的误差问题。同时，通过对西岔河流域水质开展的自动监测，将取样的水样进行现场检测及参数分析，能够防止因取水水样的时间问题而产生的水样变化等情况的发生。通过对取水水样开展实时采集、检测与分析，提升了监测过程中对水质信息的监测质量，有利于及时掌握西岔河流域水质污染问题，防止突发的水环境事故，为水环境管理与监测等提供了有力支撑。

4 结 语

本次研究从窄带物联网入手，深入分析了西岔河流域水系水环境现状及存在的问题，探究了基于窄带物联网技术的水环境同步监测方法。通过对西岔河流域地表水系的有效监测，对西岔河流域水环境进行实时监控，对水系流速信息采集可以全面地反映水质状况，有利于对水质的监测和水环境同步监测。但是，本文提出的方法还存在许多不足，比如存在对主要水质成分分析测定不完善、采集水质参数不同及无电区监测等方面问题。在今后的研究工作中，应不断完善对窄带物联网技术的应用，对具体水系的水环境问题开展更科学全面地监测分析，实现对水环境的同步监测应用。