用 Jupyter Notebook 可视化 GDD 数据：IoT-For-Beginners 农场项目实践指南

用 Jupyter Notebook 可视化 GDD 数据IoT-For-Beginners 农场项目实践指南【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本指南以IoT-For-Beginners仓库2-farm/lessons/1-predict-plant-growth课程的课后作业为蓝本讲解如何利用 Jupyter Notebook 对 IoT 温度传感器采集的多日温度数据进行可视化并计算作物生长所需的 Growing Degree DaysGDD生长度日。读完本文你将掌握搭建 Python 虚拟环境与 Jupyter 运行环境、解析 MQTT 服务器落盘的temperature.csv数据、按日聚合求最高/最低温以及使用标准 GDD 简化公式完成逐日累计计算——从而为预测作物成熟时间这一数字农业场景提供可落地的分析工具。一、任务背景从温度遥测到 GDD 计算在 1-predict-plant-growth 课程中IoT 设备Wio Terminal、Raspberry Pi 或 CounterFit 虚拟设备通过 DHT11 温湿度传感器测量环境温度并将温度遥测数据经 MQTT 发布到test.mosquitto.org公共 broker。服务器端程序订阅遥测主题把每条消息追加写入temperature.csv文件数据流如下服务器端核心实现位于 code-server/temperature-sensor-server/app.py其关键逻辑包括以 CSV 列头初始化文件fieldnames [date, temperature]订阅id /telemetry主题收到消息后以追加模式写入一行记录时间戳使用 ISO 8601 格式含时区、不含微秒datetime.now().astimezone().replace(microsecond0).isoformat()。运行一段时间后生成的temperature.csv形如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而要得到可靠的 GDD 数据必须跨越多日持续采集——这正是本作业的第一项硬性要求确保服务器代码在 IoT 设备运行的整个周期内始终在线。二、GDD 核心公式回顾GDDGrowing Degree Days又称生长度单位基于温度衡量植物生长量。只要水分、养分和 CO₂ 充足温度就决定生长速率。标准简化公式为GDD (Tmax Tmin) / 2 - TbaseGDD当日生长度日数Tmax当日最高气温°CTmin当日最低气温°CTbase该作物的基础温度°C即植物开始生长的最低日均温。课程 README 给出了玉米的例子基础温度 10°C某日最高 16°C、最低 12°C则当日 GDD (1612)/2 − 10 4。若该玉米品种成熟需 800 GDD则还差 796。不同作物基础温度与成熟所需 GDD 差异很大如草莓基础温度 10°C约需 250 GDD 结果。本作业要求你在 notebook 中把base_temperature改为你所选作物的值。三、完整实操步骤1. 连续采集多日温度数据作业要求先积累数日数据详见评分标准。关键前提是服务器代码全程在线调整电脑电源管理设置禁止休眠或运行一个保持系统活跃的 Python 脚本如 keep-system-active 之类的小工具。数据采集期间注意若使用 CounterFit 虚拟设备应在温度传感器设置中勾选Random复选框并设定 Min/Max 范围参考 virtual-device-temp.md避免每次读到的温度完全相同、导致 GDD 计算失去意义。参考截图如下2. 创建项目文件夹并准备数据新建文件夹gdd-calculation将仓库中的 code-notebook/gdd.ipynb 下载/复制到该文件夹把 MQTT 服务器生成的temperature.csv也复制到该文件夹notebook 通过pd.read_csv(temperature.csv)读取必须同目录。3. 创建 Python 虚拟环境并安装依赖在gdd-calculation文件夹内创建并激活虚拟环境后依次安装依赖pip install --upgrade pip pip install pandas pip install matplotlib pip install jupyter四个包的职责pandas读取 CSV、按日期分组聚合、计算 GDDmatplotlib绘制温度随时间变化的折线图jupyter提供 notebook 运行环境与浏览器交互界面pip升级确保后续安装顺利。4. 启动并运行 notebookjupyter notebook gdd.ipynbJupyter 会在浏览器中打开该 notebook。notebook 将说明与代码组织成一个个cell单元格可逐格阅读、运行也可直接编辑代码——例如把基础温度改成自己作物的值。四、notebook 逐格拆解数据如何变成 GDD仓库中的 code-notebook/gdd.ipynb 共包含如下关键单元格下面按执行顺序详解。第 1 步设定作物基础温度base_temperature 10这是唯一需要按作物修改的常量。示例中的 10°C 对应玉米/草莓等常见作物的基础温度请根据实际作物替换。第 2 步加载 CSV 数据import pandas as pd import matplotlib.pyplot as plt # Read the temperature CSV file df pd.read_csv(temperature.csv)pd.read_csv把temperature.csv读入 DataFramedf其中包含date与temperature两列。如果文件不在同目录此处会抛 FileNotFoundError——这是最常见的运行错误。第 3 步绘制温度曲线plt.figure(figsize(20, 10)) plt.plot(df[date], df[temperature]) plt.xticks(rotationvertical);以日期为横轴、温度为纵轴绘制折线图rotationvertical让密集的日期刻度竖排避免重叠。该图可直观检查数据是否连续、有无异常突变。第 4 步按日期分组并提取每日最高/最低温# Convert datetimes to pure dates so we can group by the date df[date] pd.to_datetime(df[date]).dt.date # Group the data by date so it can be analyzed by date data_by_date df.groupby(date) # Get the minimum and maximum temperatures for each date min_by_date data_by_date.min() max_by_date data_by_date.max() # Join the min and max temperatures into one dataframe and flatten it min_max_by_date min_by_date.join(max_by_date, ondate, lsuffix_min, rsuffix_max) min_max_by_date min_max_by_date.reset_index()这段代码是 GDD 计算的数据基础pd.to_datetime(...).dt.date把带时间的 ISO 8601 字符串截断为纯日期使同一天的多条记录能聚合groupby(date)按天分组.min()与.max()分别得到每天的最低温和最高温join将两组极值按日期合并lsuffix_min/rsuffix_max消歧得到同时含temperature_min与temperature_max两列的数据表。第 5 步逐日计算 GDDdef calculate_gdd(row): return ((row[temperature_max] row[temperature_min]) / 2) - base_temperature # Calculate the GDD for each row min_max_by_date[gdd] min_max_by_date.apply (lambda row: calculate_gdd(row), axis1) # Print the results print(min_max_by_date[[date, gdd]].to_string(indexFalse))calculate_gdd逐行实现 GDD 简化公式(Tmax Tmin) / 2 - Tbase与课程 README 中给出的公式完全一致apply(..., axis1)按行应用结果写入新列gdd最后打印每天对应的 GDD。说明简化公式未处理 Tmax 高于 30°C 或 Tmin 低于基础温度等边界情形完整公式更复杂对初学者已足够逼近真实值。运行完成后把每天的 GDD 累加即可与该作物的成熟阈值如玉米 800–2700、草莓约 250对比判断作物距成熟还差多少生长度日——这正是按需巡查、接近成熟再人工确认的数字农业工作流的分析基础。五、与仓库源码的联动理解数据从哪来要让 notebook 真正产出有意义的 GDDtemperature.csv必须由运行中的设备服务器产生。仓库提供了三种设备端发布实现CounterFit 虚拟设备code-publish-temperature/virtual-device/temperature-sensor/app.py通过DHT(11, 5)读取虚拟传感器mqtt_client.publish(client_telemetry_topic, telemetry)每 10 分钟发布一条{temperature: temp}消息Raspberry Pi 物理设备code-publish-temperature/pi/temperature-sensor/app.py逻辑与虚拟设备完全一致仅将counterfit_shims_seeed_python_dht替换为真实的seeed_dht库Wio Terminalcode-publish-temperature/wio-terminal/temperature-sensor/src/main.cppC 实现WiFi 配置与 MQTT 主题在 config.h 中定义发布周期同样为 10 分钟。设备端与服务器端必须共享相同的ID前缀如client_telemetry_topic id /telemetry否则服务器订阅不到消息、temperature.csv不会增长。可以推断采集天数越多、采样间隔越密GDD 结果越接近作物真实生长状况因此作业要求至少连续运行多日而非只测几分钟。六、评分标准Rubric标准优秀合格待改进数据采集采集至少2 个完整自然日的数据采集至少1 个完整自然日的数据只采集到部分数据GDD 计算成功运行 notebook并计算出 GDD成功运行 notebook无法运行 notebook对照此表自检即可先保证temperature.csv覆盖完整自然日含夜间温度因为公式依赖每日最低温再保证 notebook 从加载、绘图到gdd列输出全流程无报错。七、常见问题与排错提示temperature.csv找不到确认已把该文件复制进gdd-calculation文件夹notebook 的pd.read_csv使用相对路径日期无法解析服务器写入的是 ISO 8601 带时区格式pd.to_datetime可正常解析若自行手工编辑过 CSV需保证日期格式一致GDD 为负数说明当日平均温低于基础温度如夜间过冷此时按简化公式会得到负值可结合课程 README 了解更完整的边界处理虚拟设备温度恒定在 CounterFit 中勾选 Random 并设置范围见前文截图否则每日最高温最低温GDD 恒等于采样值减基础温度采集中断检查电脑电源设置或运行 keep-system-active 之类的脚本防止休眠确保覆盖完整自然日。完成上述流程后你就拥有了一个可复用的温度遥测 → CSV 落盘 → Notebook 分析闭环只需替换base_temperature与成熟所需 GDD 阈值即可将其推广到任意作物的生长监测场景。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考