用于作物表型信息边缘计算采集的认知无线传感器网络分簇路由算法

汪进鸿 韩宇星

摘要： 随着无线终端数量的快速增长和多媒体图像等高带宽传输业务需求的增加，农业物联网相关领域可预见地会出现无线频谱资源紧缺问题。针对基于传统物联网的作物表型信息采集系统中存在由于节点密集部署导致数据传输过程容易出现频谱竞争、数据拥堵的现象以及固定电池的网络由于能耗不均衡引起监测周期缩减等诸多问题，本研究建立了一个认知无线传感器网络（CRSN）作物表型信息采集模型，并针对模型提出一种引入边缘计算机制的动态频谱和能耗均衡（DSEB）的事件驱动分簇路由算法。算法包括：（1）动态频谱感知分簇，采用层次聚类算法结合频谱感知获取的可用信道、节点间的距离、剩余能量和邻居节点度为相似度对被监控区域内的节点进行聚类分簇并选取簇头，构建分簇拓扑的过程对各分簇大小的均衡性引入奖励和惩罚因子，提升网络各分簇平均频谱利用率;（2）融入边缘计算的事件触发数据路由，根据构建的分簇拓扑结构，将待检测各区域变化异常表型信息触发事件以簇内汇聚和簇间中继交替迭代方式转发至汇聚节点，簇内汇聚包括直传和簇内中继，簇间中继包括主网关节点和次网关节点-主网关节点两种情况;（3）基于频谱变化和通信服务质量（QoS）的自适应重新分簇：基于主用户行为变化引起的可用信道改变，或分簇效果不佳对通信服务质量产生的干扰，触发CRSN进行自适应重新分簇。此外，本研究还提出了一种新的能耗均衡策略去能量消耗中心化（假设sink为中心），即在网关或簇头节点选取计算式中引入与节点到sink的距离成正比的权重系数。算法仿真结果表明，与采用K-medoid分簇和能量感知的事件驱动分簇（ERP）路由方案相比，在CRSN节点数为定值的前提下，基于DSEB的分簇路由算法在网络生存期与能效等方面均具有一定的改进;在主用户节点数为定值时，所提算法比其它两种算法具有更高频谱利用率。

关键词： 认知无线传感器网络（CRSN）;作物表型信息采集;能耗均衡;分簇路由

中图分类号： TP212.9;TN92 文献标志码： A 文章编号： 201909-SA005

引文格式：汪进鸿， 韩宇星. 用于作物表型信息边缘计算采集的认知无线传感器网络分簇路由算法[J]. 智慧农业（中英文）， 2020， 2（2）： 28-47.

Citation：WANG Jinhong， HAN Yuxing. Cognitive radio sensor networks clustering routing algorithm for crop phenotypic information edge computing collection[J]. Smart Agriculture， 2020， 2（2）： 28-47.

1 引  言

無线传感器网络（Wireless Sensor Networks，WSNs）在以农情信息精确获取为前提的精准农业中具有重要应用。将WSNs应用于需要高通量数据传输的作物表型信息采集系统中，可以解决人力监测成本高、周期长、规模和数据量大以及远程监测难等问题。2017年，法国国家农业研究院的Francois Tardieu和诺丁汉大学的Malcolm Bennett共同提出了多层次表型组的研究构想，以此将感知数据转化为有意义的生物学知识[1]。然而，这种作物表型系统需要密集部署的传感器节点才能完成巨量图像和传感器数据的采集[2，3]，并且由于节点部署的过于密集，农业物联网的相关领域在传输过程中已逐渐出现无线频谱资源紧缺的趋势[4，5]。一方面，在为了监测农作物的生长与发育形态的节点相对密集部署的农作物环境中，以工业、科学和医疗频段为典型代表的非授权频谱使用将出现拥堵现象;另一方面，一些传输特性较好的低频授权频段的利用率却很低[6-8]。为此，Mitola于1999年提出了认知无线电（Cognitive Radio，CR）的概念来解决频谱利用不均衡的问题[9]。融入认知无线电技术的传感器网络被称为认知无线传感器网络（Cognitive Radio Sensor Networks，CRSN）[10]。

CRSN是一种具有感知无线电功能的传感器网络，同时也是一种可以理解自身所处环境并结合从环境获取的信息来调整通信的智能网络。众所周知，无线自组织网络Zigbee节点、Wi-Fi以及蓝牙等非授权用户以非授权频段内进行通信;CRSN节点（未授权或二级用户）凭借其认知无线电的特点，撼动了一直以来的静态频谱分配策略，提出未授权用户除了以非授权频段为通信介质，也可通过频谱感知来获取授权或主用户未使用的空闲授权频谱，在不干扰主用户通信的前提下，CRSN节点可以伺机使用这些空闲信道进行传输。

由于能量受限和较高实时性要求，CRSN节点除去频谱感知需要消耗部分能量之外，主要的能耗来源与WSNs一样，是由节点进行数据转发通信产生。数据转发的路径是由网络层的路由决定，因此，路由选择对监测网提供可靠通信服务至关重要。本研究对象是应用于作物表型信息采集的大规模CRSN分簇多跳路由，它与WSNs路由的区别体现在认知无线电动态频谱接入特性可以根据环境变化动态的进行频谱选择决策，频谱的改变需要路由协议等进行相应的调整。而作物表型平台是一种除了监测农作物的生长与发育形态，还旨在提供高分辨率和高频率等高通量表型检测的物联网植物表型平台[3]，持续时间长、数据传输量大以及采集终端的密集部署对无线传输的频谱带宽需求提出了严峻的挑战，所以基于认知无线电的作物表型信息采集系统需要新的支持分布式频谱共享的介质访问控制（Medium Access Control，MAC）协议和路由协议，以此不断地将数据多跳转发至汇聚节点sink[11]。多跳传输的优势在于较多跳数且较短跳距的路由会比具有较少跳数但跳距较长的路由更节能，因此分簇的思想鼓励传感器节点以多跳方式通信，从而延长了CRSN网络的生存期。如果节点密度足够高，还可以有效克服阴影和路径损耗的影响[12]。在自组织分簇网络架构中，CRSN多跳传输的分簇路由问题涉及分簇拓扑控制，涉及信道、下一跳节点、簇头、网关节点、调度方式等选择，而这些选择会极大地影响认知农业物联网的多项性能指标，包括监测周期、能耗、实时性、联通性以及频谱利用率等[13]。此外，分簇的拓扑结构可以解决平面结构的数据拥堵、能耗大等问题，在实际生产环境中较为适用。因此，CRSN分簇多跳路由算法逐渐得到研究关注[14]。

2 前人相关工作

2.1 CRSN分簇路由

自2009年，Ozgur等[10]首次在研究論文中提出CRSN，其对分簇路由协议的研究就从未停止过。王继红和石文孝[14]在2018年对近年的CRSN分簇路由协议按时间触发和事件驱动两个方面进行了分类综述总结。WSNs相关的分簇路由协议前人已经做了大量工作，然而，针对农业物联网的CRSN分簇路由算法的考虑因素、考虑频谱可用性变化、保护主用户、跨层设计、数据通信等方面还有待开发。本节将从网络的重新分簇机制、能耗均衡研究以及簇内与簇间通信的设计模式3方面对近年CRSN的分簇路由的研究进展进行介绍。

重新分簇机制只在少数几篇文献中提到，对其如何检测主用户活动以及触发机制细则没有进行详细说明;2011年，在Zhang等[15]提出的分布式频谱感知分簇（Distributed Spectrum-Aware Clustering，DSAC）文献中，首次提到主用户活动和节点位置变化引发重新分簇;2013年，OZGER的事件驱动频谱感知分簇路由 （Event-driven Spectrum-Aware Clustering，ESAC）只对频谱变化的局部区域进行重新分簇，从重新分簇覆盖面积方面进行了优化[16];2014—2015年，相继问世的认知低功耗的自适应分簇层次结构（Cognitive Low Energy Adaptive Clustering Hierarchy，CogLEACH）[17]、基于CogLEACH的集中式概率分簇算法（Centralized Probabilistic Clustering Algorithm Based on CogLEACH Algorithm，CogLEACH-C）[18]和低能耗自适应非均匀分簇算法（Low-energy Adaptive Uneven Clustering Hierarchy，LEAUCH）[19] 等因为是低能耗自适应分簇协议（Low Energy Adaptive Clustering Hierarchy，LEACH）[20]的认知无线电扩展版本，所以也继承了LEACH高频重新分簇而消耗大量能量的缺点;2016年，能量感知的事件驱动分簇路由协议（Energy Aware Event-driven Routing Protocol，ERP）[21] 和分布式事件驱动聚类路由[22]针对重新分簇的频率进行了优化，它们选择公共数据信道时考虑了每个信道主用户出现的概率和平均空闲时间，从而降低了更改公共数据信道和重新分簇的频率。本研究为了保护主用户和提高监测任务的通信服务质量提出一种基于频谱变化和通信服务质量（Quality of Service，QoS）的自适应重新分簇机制。

CRSN的分簇路由采用的能耗均衡策略主要有3种：（1）同构网络通常采用非均匀分簇在拓扑控制层面增大网络的能耗均衡性，即通过调整竞争半径令离sink越近的簇覆盖的簇成员节点（Cluster Member，CM）数目越少，使得靠近sink区域更多节点担任一个簇头节点（Cluster Head，CH）分解转发的压力[19，23]。（2）将能耗均衡性与分簇机制、触发原因、簇数、空闲信道、节点度、节点剩余能量和距离等因素之间的关系进行建模优化[24，25]。（3）采用异构网络节点，调整异构节点的比例或令靠近sink区域需要频繁数据转发的节点由固定的高能量节点担任簇头[26，27]。本研究针对同构多跳传输网络中能耗均衡性与低能节点空间分布的关系——靠近sink区域易出现频谱空洞引起能耗不均衡，提出一种去能耗中心化的能耗均衡策略。

在簇内与簇间通信的方案设计上，CRSN分簇路由的簇内汇聚主要采用时分多址（Time Division Multiple Access，TDMA）调度机制，由簇头节点在簇信道上对簇成员节点进行调度，对于大面积规模的网络簇内节点单跳无法传输簇头节点的情形目前还没有解决方案[14]。DSAC[15]和冲突和能量感知路由方法（Collision and Energy Aware Routing Method，CR-CEA）[26]是从相邻的簇头节点中选取网关节点进行簇间中继，但它们均没有考虑相邻的簇头节点不在彼此通信半径内的情况，没有说明当具有多个相邻簇头节点如何选择;2013年的频谱感知的分簇路由（Spectrum-aware Cluster-based Routing，SCR）[28]、高效的多媒体频谱感知分簇路由（Spectrum-aware Clustering for Efficient Multimedia Routing，SCEEM）[29]和2015年的LEAUCH[19]的簇间通信是采用网关节点多跳传输至sink，但也没有交待具体路由选择机制，例如是选取簇内、簇外还是簇边缘节点作为网关节点;也不能保证簇间传输具有公共信道。据文献[14]统计，目前真正针对多跳建簇且说明路由选择原则的只有2015年的认知无线传感器网络的机会集中式时隙分配（Opportunistic Centralized Time Slot Assignment for Cognitive Radio Sensor Networks，OTICORIC）[30]和2016年的ERP[21]。其中，OTICORIC的簇间通信是选取一跳邻居在簇外的成员节点作为中继网关节点，但其没有考虑一跳邻居在簇外的成员节点为空的情况。ERP通过相邻节点合并构建分簇可以保证节点簇间通信的至少有一条公共信道，同时采用主次网关节点（网关节点和包转发节点）中继通信选择机制考虑了OTICORIC的不足，即主网关节点为空的情况;它只是针对簇间传输的解决方案。本研究提出将簇内汇聚按节点能否单跳传输至簇头节点分为直传和簇内中继转发两种形式。

2.2 CRSN在农业物联网中应用现状

近年，在基于农业物联网的作物表型信息采集系统中，CRSN凭借其高效的频谱利用特性逐渐引起了学者的关注。2004年，IEEE 802.22无线区域局域网（Wireless Regional Area Network，WRAN）工作组成立，负责认知无线电物理层和MAC协议标准的制定，包括制定认知设备在电视频谱中使用的标准[31];2015年，阿尔及利亚的研究人员设计了一种利用蜂窝频段进行传输的智能农业远程监测和控制灌溉系统，并通过仿真对提议的方法进行验证[32];2016年，美国联邦通信委员会（Federal Communications Commission，FCC）已允许将470～698 MHz频谱范围内的认知无线电设备用于农业机械和农业设备的数字农业应用[33];2017年Zhou等[3]开发的CropQuant系统是以基于物联网平台获取大量特征数据后的生物性状分析算法为研究对象，但具体关于该平台如何从密集部署的传感器节点避免频谱拥堵，以较小的延迟、能耗以及丢包率完成数据的传输，且在固定的电池能量耗尽前，尽量持久地完成作物表型检测任务，即对传统的物联网平台在密集部署的终端中暴露出的路由传输问题，没有进行详细说明;2019年，Reynolds等[34]在CropQuant平台的基础上开发了具有分布式植物表型信息交互和集中式数据管理两部分功能的CropSight系统，系统采用的有线和无线两种数据传输方式。有线传输的方式可以避免出现CropQuant平台的路由问题，但需要较高的成本;同年，Salam和Karabiyik[7]介绍了数字农业在认知物理层的合作叠加方法，所提认知直接序列扩频（Cognitive Direct Sequence Spread Spectrum，CDSSS）方法通过在非认知用户之间进行信息交换来获取频谱同步、多用户解码、中继和协作。

国内在植物表型组学和一些保护性农业中的物联网研究也具有较大的进展。丁么明和夏洪星[4]分析了农业物联网及其面临的频谱资源危机，并提出用认知无线电技术组建传输网与感知子网来缓解其频谱危机。杜红等[5]分析了农业物联网中的频谱资源的使用情况和认知无线电在农业物联网中的应用可行性，并介绍了一种基于认知的农业物联网的网络架构;同诗杨等[35]探讨了ZigBee在农业物联网中的两种认知频谱检测算法，即改进型的双门限协作频谱检测算法和基于信噪比加权的改进型算法。从2017年开始，国内逐渐出现基于蜂窝授权频段的窄带物联网（Narrow Band Internet of Things，NB-IoT）与ZigBee无线传感网相结合的现代农业物联网的研究进展，包括基于NB-IOT的节水灌溉系统和基于电信NB-IoT平台的作物监测系统[36，37];张敏[38]设计了一种基于认知无线电的LoRa网络结构。由南京农业大学作物表型组学交叉研究中心和荷兰的PhenoSpex、PhenoKey和PhenoVation公司联合开发高通量多光谱植物激光三维扫描测量系统、温室传送型高通量植物表型平台和高通量小型植物光合表型测量系统可对植物进行深入的高通量表型信息测量，由于植株之间的间隙较小，多个密集部署的传感器节点在进行图像等高通量数据的无线传输时必然会引起频谱冲突，因此引起认知无线电的农业物联网恰恰可以缓解这一传输瓶颈[2，39-41]。同年，Shi等[42]介绍了终端设备所要面对的复杂恶劣的监控环境和限制传感器网络在智慧农业中大规模应用的重要因素——成本问题。此外，提到为了避免频繁的更换电池，迫切需要开发低功耗的采集设备、节能的路由协议和能量平衡的通信算法。

目前认知无线电与农业物联网的融合大多还处于理论研究阶段，还未发现有将CRSN应用于作物表型信息采集的例子。认知农业物联网的理论研究主要是集中于物理层和数据链路层协作频谱感知算法，其网络层路由选择算法相关的研究成果相对较少。本研究就针对CRSN在作物表型信息采集中的应用，综合考虑了密集节点触发产生的高通量数据传输的困境和其它农业物联网领域未来极大可能出现频谱缺乏趋势，结合前人的相关研究，建立了基于边缘计算事件驱动的CRSN表型信息采集仿真模型，提出了一种动态频谱和能耗均衡的分簇路由算法。具体贡献如下。

（1）CogLEACH、CogLEACH-C和LEAUCH继承了LEACH可能存在簇的大小差异很大的缺点，由试验证实各个分簇大小的差异性是影响网络频谱利用率和能耗的重要指标，但传统的聚类分簇路由很少考虑该因素。CRSN算法在分簇过程中对各分簇大小的平衡性引入奖励和惩罚因子，提升网络各分簇平均频谱利用率，也有利于能耗均衡。

（2）文献[14]中提到现有的CRSN事件驱动分簇路由协议没有解决与主用户信道可用性变化兼容的问题。CRSN算法在数据路由过程中，持续性地进行主用户行为监测，一旦检测到可用信道改变即触发重新分簇。提出基于频谱变化和QoS的自適应重新簇：基于主用户行为变化引起的可用信道改变，或分簇效果不佳对通信服务质量产生的干扰，触发CRSN进行自适应重新分簇。

（3）本研究监测区域以sink为中心，考察网络中能耗均衡性与低能节点分布的关系——靠近sink区域过早地出现能量空洞而引起能耗不均衡。为此提出一种新的能耗均衡策略去能量消耗中心化，即在网关或簇头节点选取计算式中引入与节点到sink的距离成正比的权重系数，从而削弱越靠近sink的节点具有越大概率当选网关或簇头节点的趋势，提高网络的能耗均衡性。

（4）本研究采用层次聚类的相似度选择机制虽然有考虑节点距离这个因素，但在大规模的农业物联网应用中，这种分簇算法由于融入簇头轮换和重新分簇机制，经常会出现簇内节点单跳无法直接与簇头进行通信的情况。本研究将簇内节点单跳传输至簇头节点划分为两种情形：簇头节点在当前簇成员节点传输范围内，以直接传输至簇头的方式传输;簇头节点位于当前簇成员节点的通信半径以外，从簇内其它簇成员节点中选择一个靠近簇头节点的上行节点为网关节点进行中继转发。

3 作物表型信息采集网络模型构建与评估指标设计

物联网与云计算相结合组成的作物表型信息监测系统通常都是将数据以时间触发的方式周期性地集中上传至数据中心，再由数据中心进行统一计算处理和决策。但面对爆发式增长的设备和数据，尤其是在需要连续、近实时获取巨量图像和传感器数据作为植物视觉识别输入田间表型监测系统中，传统物云结合的农业物联网由于所有计算均在云端进行，且多数采用时间触发驱动等原因已逐渐暴露出通信能耗开销大、带宽需求高、时延大、中心节点计算压力大和数据安全与隐私保障等问题[34，42]。近年来，边缘计算作为一种新模式，提出让物联网的每个边缘设备都具有数据采集、分析计算、通信和智能处理的能力。边缘传感器节点不再需要持续不断的往网络数据中心传递数据集中处理，而是将原本由中心处理的大型服务分解到网络的边缘，由边缘的传感器节点自己判断各种感知数据，只有读数发生重大变化时才告知数据中心[43，44]。引入边缘计算的CRSN可以大大提高传感能力和QoS，包括有效地减少带宽、提升响应处理速度以及保护数据的隐私等[42，45]。

因此，本算法中农业物联网所采用触发机制是与边缘计算相结合事件驱动触发。事件驱动的表型信息采集模型只监测和报告区域特定事件是否发生。因此，需要将植物表型与环境信息划分为类似病虫害是否入侵、水分和pH值是否失衡、环境温度是否过高、种子是否萌发出芽等一系列触发事件的集合。当特定事件发生时，例如利用摄像头或昆虫诱捕器检测特定区域虫害数量高出预设阈值，该区域部署的CRSN节点就会产生触发数据包，通过多跳的方式迅速传输至sink[46]，从而进行高通量性状分析并产生监测区域作物生长环境处方图，为农民喷射农药量、灌溉量、施肥量等提供科学精准的数据依据。

3.1 农业应用情形及具体案例

众所周知，CRSN的一个重要的潜在应用领域是室内多媒体传感应用[10]。因此，适用于本研究CRSN分簇路由的农业物联网应用场景总结如下：被监测区域存在一个节点相对密集部署的传感器网络，或一个高频谱带宽需求的多媒体监控无线网络或空间上有交集的多种使用工业、科学和医疗频段的共存网络，导致非授权频谱使用拥堵，CRSN节点需要借助授权频谱的空洞进行传输。然而，因为目前农业物联网发展总体相对滞后，这种趋势暂时还不明显，但随着农业物联网感知与传输需求的增大，其频谱紧张的趋势影响将逐渐增大。如今CRSN算法一个非常典型的应用场景就是室内高通量植物表型分析平台（High-throughput Phenotyping Platforms，HTPPs）[47]。由于被监测植株多数置于室内相对狭小的空间内，因此平台通常也是在一个较小的区域内部署几十甚至上百个无线传感器节点用于监控作物生长发育的室内、外表型性状[39，41]，例如英国诺维奇科学研究院、法国农科院的作物表型设施、南京农业大学作物表型组学交叉研究中心等都存在类似的应用平台[2，3]。大型无线智能农场中的室内大棚种植环境信息的无线网络路由协议也是CRSN算法的应用场景之一;在牲畜圈养区域存在监测牲畜生长健康状况的无线设备;室外存在监视农作物生长环境的虫害、温度、空气质量信息的无线终端，还可能存在无线Wi-Fi、蓝牙、手持无线终端设备和家用电器等多种设备。以上多数设备均是以非授权工业、科学和医疗频段进行传输通信，在用户终端通信半径交叠区域的频谱使用必然存在竞争现象。而这些区域使用授权频谱通信的主用户 数量相对较少，因此大型农场中出现授权频谱空洞的频率会比人口相对密集区域出现空闲频谱的频率大，频谱利用率提升的空间也比较高[48，49]。

3.2 CRSN作物表型信息采集模型构建

本研究中的CRSN模型参数及定义详见表1。

农业CRSN继承和发展于认知无线电网络与农业WSNs，因此它们的部分规约在CRSN中也适用。CRSN表型信息采集模型的分簇结构与数据路由过程见图1[15]，假定N个具有频谱感知能力的CRSN节点（褐色或黑色节点）随机均匀的分布在面积为Area的待监测区域，完成频谱感知与数据收集、传输任务的都是这种同构节点。每个节点的最大通信半径为R_su，在节点部署之初，每个CRSN传感器节点都记录了该区域内其他CRSN传感器节点的位置。汇聚节点sink位于监测区域的中心（图1只画出部分区域，因此sink不在中心）。与每个CRSN节点相连的是负责感知动植物生长和环境信息物理量的传感器，例如土壤湿度、pH、空气温度传感器和监测动植物生长情况的高清摄像机等。

此外，该区域可能还存在P个主用户（手机形状，即非必须存在的授权网络终端，因为认知无线电的核心是采用频谱空洞进行传输，而频谱空洞的存在与授权终端用户的存在没有关联），主用户是该区域频谱的授权用户，对信道具有优先接入权，例如开源软件Leaf-GP以智能手机等移动设备拍摄的作物系列图像作为输入可进行多个生长指标的分析，这其中涉及以授权频谱进行通信的智能手机就是主用户的典型代表[50]。每个主用户随机接入信道遵循ON/OFF的马尔可夫更新过程[14]。在每个主用户的通信保护范围内，即图1中红黄蓝三个半径为R_pu圆形区域，分别代表主用户1、2、3在这些区域分别对应占用信道1、2、3，那么此时处于对应区域内CRSN节点为了保护主用户通信应避免使用这些信道，同理假如处在两个圆形主用户保护范围的交集之内，则这些CRSN节点不能使用相应的两条信道，只能使用唯一剩下的一条空闲频谱（频谱空洞）信道，例如图1中处于红色与黄色交集部分的CRSN节点只能使用信道3（黑色方框标出）进行通信。二级用户（CRSN节点）可以伺机地接入主用户未使用的空闲频谱，但不得占用或干扰主用户正在使用的信道，在主用户回收或返回授权信道时，二级用户应立即停止通信，黑色方框中所标识的信道即为该区域节点可用信道。可用信道指特定频带中的频谱空洞，图1假设可能的频谱空洞的集合形成3個非重叠信道的频谱池[51]，每个白色的虚线围成的区域是各个分簇CRSN节点的监测区域的标识，每个分簇CRSN节点由一个簇头和若干簇成员节点组成。此外，在一些异构型的网络中，还可能专门设置负责数据转发的网关节点。本监测模型采用的CRSN是单层的同构网络，即CRSN节点除了具有数据采集和网关节点转发数据功能，还需要具备边缘计算网关简单数据分析处理的能力，也即传感器节点通过自主判断感知数据，只在读数出现异常变化时才联系数据中心，决定采取何种操作[43]。因为无论是通过高清摄像机拍摄得到的占大内存视频图像数据还是普通物理传感器感知得到连续变化的物理量，根据采样压缩传输理论都可以将其转化为离散的数字量从而极大地减小传输的数据量，进而将需要周期性获取的表型信息应用转化为事件驱动应用（例如监测水分是否低于阈值），达到监测和报告特定事件发生与否的目的。通过这种边缘计算机制减小传输大数据量带来的开销，也可以缓解多跳传输中过早出现的sink数据中心周围节点的能量空洞以及连续传输大数据量表型信息引起的频谱带宽紧张和延迟较大的趋势。由于CRSN节点的同构性以及簇头轮换和重新分簇的机制，一个CRSN节点在不同时间和地点可能充当簇成员节点、簇头节点和网关节点任意一个角色，各个触发轮次中角色分配就由本文提出的分簇路由算法决定[52]。

3.3 模型评估指标设计

监测网络的生存期定义为节点首次感知到农场的触发数据直至网络中的任意一个节点能量耗尽历经的周期[51]。由于模型的数据路由是基于事件触发，并且在农作物生长环境中监测事件的触发机制是随机均匀的，触发次数表示触发源节点将触发信息数据包路由至汇聚节点的轮数。因此，网络寿命的等价表征是网络中任意一个节点能量耗尽前网络成功完成数据路由的次数[53，54]

4 基于模型的分簇路由设计

CRSN节点继承了传统WSNs节点硬件资源受限的特点，能量的不可补充性和监测任务的持久性之间的矛盾要求网络必须具有高效的路由协议才能保证长期稳定的数据采集。基于事件驱动的CRSN分簇路由协议与传统的LEACH算法相似主要分为分簇构建和数据传输两个阶段，分簇构建采用的算法是在传统聚类算法基础上融入农业信息采集所考虑的因素，例如相似度的度量除了传统的欧氏距离，还要考虑农业物联网数据传输过程中的可用信道条数、节点度和节点剩余能量等[16];多跳数据触发路由是在分簇结构上选择构成数据转发路径的节点。设计难点主要是在表型或环境信息触发后，数据包由源节点开始直至转发至汇聚节点过程中，当前节点如何根据自身和其它节点信息乃至网络的状态选择最适合下一跳节点，以此顺利完成检测任务的同时，也实现传输服务质量、监测周期、能量效率与频谱利用率等多项指标的优化，这就是路由协议设计的关键[59]。图2是基于CRSN作物表型信息采集模型设计的动态频谱和能耗均衡（Dynamic Spectrum and Energy Balance，DSEB）分簇路由算法框架。其中，“事件驱动路由-判断节点是否死亡-扫描是否有触发事件节点”构成的循环是正常的进行监测数据获取的过程，只有未检测到触发事件的节点并且满足重新分簇的条件，才会进行全局范围的频谱感知重新分簇，接着再次进入正常的触发事件路由的过程。

此外，分簇构建过程除了不断合并，也存在分裂的情况[22]。在频谱感知分簇过程每个节点执行信道感知，如果某个节点发现它与其它簇内成员之间没有公共通道，它会自动脱离分簇，形成一个新的分簇。在网络的分簇数减少到最优簇数之前，都属于分簇构建的过程。分簇过程是不进行数据传输的，只有分簇构建完成之后，才进行全局区域的触发节点扫描。这种分簇构建算法使得簇内节点两两之间至少有一条公共信道，保证簇内传输的联通性。由于分簇的大小差异过大会引起网络的能耗不均衡，通过在层次聚类过程对各分簇的节点个数引入奖励和惩罚因子，来提高分簇间节点个数的均衡性，这种分簇的效果有利于提高频谱利用率。

DSEB的频谱感知分簇算法流程如图3所示，频谱感知分簇构建的迭代合并的可视化展示过程如图4，它与执行层次聚类AGNES算法可视化展示过程相似，本研究将其应用到CRSN的聚类分簇中。图4（a）是在100 m×100 m监测区域内随机生成20个CRSN节点（o）和3个主用户（*），图4（b）～（e）中，+、o、x、□、△、▽、◇等同一形状的节点表示属于同一分簇。Sink的坐标为（50，50）。3个半径为40 m的圆分别表示各个主用户的通信保护范围，图4（a）～（e）中每个节点上方的数字表示该节点ID，图4（a）下方的数字表示主用户行为未改变前该节点可使用的空闲信道。经过四轮迭代合并分簇构建完成，网络由最初20个分簇融合成为图4（e）中的4个分簇。完成分簇构建后数据如何由一个分簇传往下一个分簇，最终多跳传输至sink，就是簇间通信的问题，具体参见4.2.2节。

4.2 结合边缘计算的事件触发数据路由

基于节能和高频效的分簇路由协议由簇内汇聚和簇间中继两部分交替迭代组成。其中，簇内汇聚是指数据由簇成员节点根据可用信道向簇头节点进行汇聚的过程;簇间中继是因为节点的硬件资源受限，多数分簇的簇头无法直接与sink进行通信，此时就需要其它分簇的节点作为中继进行转发。簇内汇聚按簇内节点能否单跳传输至簇头节点分为直传和簇内中继转发两种形式;簇间中继可以分为网关节点或包转发节点-网关节点两种情况[21]。

4.2.1 簇头轮换机制

为了节约成本，网络一般只建一个sink基站进行数据的汇聚收集，但无论将sink设置在网络的任何区域（本研究是假设将其建在监测区域中心），因为单sink收集和多跳传输的网络架构在采用概率方法或权重比较方法选取网关节点和簇头节点时[14]，往往都是令越靠近sink的节点具有越大的概率或权重当选网关或簇头，那么这种选取机制必然会引起靠近sink区域的节点过于频繁的担任网关或簇头节点，频繁地进行数据转发，从而导致这些节点能量消耗过快，引起网络出现能量空洞的现象，所谓能量空洞就是指组成网络某个区域的多个节点的能量都大大低于整个网络平均节点剩余能量。正是这种能耗中心化的现象引起了能耗不均衡。

分簇的拓扑结构决定了簇头在数据通信中担任主要角色。因此，在每一轮路由节点迭代结束后，对各分簇的簇头进行更新，簇头轮换机制可以延长网络的生存期。簇内选取簇成员节点担任簇头节点的权重计算式为[21]：

W（n_i）=α×E_（n_i）^2×Num_chan（n_i ） ×Num（neightbors）×（1/D_（n_i-sink）^2） （8）

其中，Num（neightbors）表示当前包转发节点的邻居节点的个数;α表示当前簇成员节点到sink距离与簇内其它簇成员节点到sink距离最大值的占比，令与sink距离稍远的簇成员节点也有较大的概率当选簇头节点，而不是只考虑与sink较近的簇成员节点，从而实现去能耗中心化，提高能耗均衡性。

因为在网关或簇头节点选取计算式中引入一个与节点到sink的距离成正比例的权重系数，等价于增大距离sink稍远的节点担任簇头和网关节点的概率，这些节点的剩余能量相对较高;组成能量空洞的低能节点通常是由距离sink较近的节点组成的，因此增大了较远节点当选簇头和网关的概率等价于减小了靠近sink区域的低能节点当选簇頭和网关的概率，也就等价于在特定的触发轮次选择一定数量剩余能量最低的节点不再担任簇头和网关节点。

4.2.2 稳定的簇内汇聚与簇间中继

分簇构建完成后，CRSN会周期性地监测事件集合中的特定事件发生与否。在待检测事件产生触发电流之前，CRSN节点处于低功耗的休眠状态。一旦检测到触发电流，源节点将采用与SCR[28]数据路由相似的载波侦听多路访问/冲突避免（CSMA/CA）和时分多址（TDMA）相结合混合信道访问方式把数据包往簇头或网关节点进行转发。

其中，源节点作为首个当前节点。若当前节点是簇成员节点，则将簇成员节点能否单跳传输至簇头节点划分为两种情形：簇头节点在当前节点传输范围内，以直接传输至簇头的方式传输;簇头节点位于当前簇成员节点的通信半径以外，从簇内其它节点中选择一个靠近簇头节点的上行节点为网关节点进行中继转发。再进入下一阶段路由迭代。若当前节点是簇头节点，判断sink是否处于一跳传输半径范围内。若条件成立，则当前簇头节点直接将数据包传输sink，本次事件路由结束;否则，当前簇头节点会以簇间中继的某种方式将数据包中继至下一跳节点，下一跳节点再次重复上述的判断过程，直至迭代传输至当前节点为sink。从源节点到sink数据路由算法详细流程如图5。

该算法流程相对比于其它CRSN的分簇路由具有以下优势。

（1）具体地介绍了一种簇内与簇间通信的路由选择机制。

（2）充分考虑了簇内传输单跳无法传输至簇头节点和簇间通信不存在簇外网关节点的情况，尤其是农业物联网这种大规模的监测网络中，具有更好的联通性和更低的丢包率等。

（3）这种直传或簇内中继的簇内汇聚和主次网关节点交替的簇间通信方式与簇头节点直接一跳传输sink的方式比较更加节能。

簇内汇聚分为如图6所示的两种情形。情形1是当前触发节点或中继节点的一跳范围R_su内可直接传输至簇头节点，如图6中的{T、N、S}，则用直传的方式进行簇内汇聚。否则情形2如簇成员Q，则需要从簇内其它簇成员节点中选择一个节点中继转发至簇头节点。

簇间中继转发可分为网关节点和包转发节点-网关节点两种情形，这两种中继方式的差别是当前簇头节点的一跳通信范围R_su内是否有其它分簇的候选网关节点。如图7，情形3是簇头I可从簇外单跳邻居候选网关节点集合{R、P、M、Q}选出一个最佳的网关作为下一跳的中继;而情形4如簇头A的簇外单跳邻居候选网关节点集合为空，因此它必须从簇内其它簇成员节点候选包转发节点集合{B、C}选出一个最佳的包转发节点，再以该包转发节点为当前节点选择网关节点（与情形3一致）。网关节点权重CGNW的计算式如下：

4.3 基于频谱变化和QoS的自适应重新分簇

主用户行为变化会引起可用信道改变，分簇效果不佳会对QoS产生干扰，出现这两种现象时都会触发网络进行重新分簇。

由于频谱空洞是取决于特定时间和地点的主用户活动，因此当主用户行为改变时二级用户不得不切换信道进行传输甚至引起较高的端到端延迟和重路由[61]。因此，为保护主用户接入信道的优先权并且保证二级用户的正常通信，簇成员节点一个重要任务就是检测主用户[14]。

分簇效果不佳引起的QoS下降有可能是分簇本身建立的拓扑结构不佳引起的，也有可能是由于农场外在环境因素引起的。例如考虑到农作物在不同生长期枝繁叶茂程度的差异，枝叶的遮挡会引起节点接收信号的衰减甚至丢包。为此，在传统分簇路由的基础上，引入了基于频谱变化和QoS的自适应重新分簇和簇头轮换的机制。因为认知无线电是一种可以感知外界环境进而调整通信的技术，农场的外在因素（例如地理空间的因素）引起的服务质量下降可以被纳入作为下一轮分簇的考虑因素，CRSN针对障碍物遮挡视距链路的一个简单的解决方案就是将这两个节点彼此之间通过频谱感知得到的公共信道数设置为0，或者将它们的距离设置为无穷大。通过相關操作可以令这两个节点分入不同的簇中，那么两者就不再需要直接通信。此外，簇头轮换也可以避免簇内传输时类似情况的出现，重新分簇是全局区域的所有节点重新划分为若干分簇;簇头轮换是指各个分簇内部由不同的簇成员节点在不同的触发轮次中担任簇头节点，因为簇内传输都是由簇成员节点往簇头节点汇聚传输数据，检测到簇头节点与簇成员节点之间存在障碍物后通过更换簇头节点可以避免信号的衰减或丢包，从而提高监测的服务质量。

大量统计实验表明，某一次的分簇不合理会导致某些节点过于频繁的担任簇头或网关，致使网络的服务质量下降。因为3.3节模型采用平均的触发次数作为网络生存期的衡量标准，所以路由的次数也可用来表征网络QoS。DSEB采用随机生成的十个模型的平均触发次数作为最终模型度量依据。如图8，设10个模型平均路由次数为A，区间步长为Step= A/4，用event_i来表示最低能量节点进入对应能量区间上限i时的触发次数，最低能量节点小于80时的事件次数为event_80，以此类推记最低能量节点跨越60、40、20时的路由次数为event_60、event_40、event_20。每逢最低能量的节点在跨越一个能量区间时，其路由次数若大于十个模型平均触发次数的四等分对应值，则可不用重新分簇，也即表示分簇效果满足传输要求，记为公式（11）。公式（12）和公式（13）分别表示重新分簇之后传输效果得到了改善而无需重新分簇。因此，完成路由的次数只需满足公式（11）、（12）或（13）的任何一条，都无需重新分簇。否则，与频谱可用性变化一致，都会引起重新分簇以改善分簇效果。

5 仿真结果与分析

采用MATLAB模拟农作物生长的表型平台，CRSN节点和主用户的位置在面积为150 m×150 m的区域内随机生成，在任意时间任意节点触发事件。仿真模型的其它参数设置如下：E_（n_i ）=100，节点数N取决于具体仿真实验，主用户数P固定为5个（除非以它为自变量），S_location=（75 ， 75），R_su=50 m，R_pu=40 m，上述参数的含义或其它参数见表1。由于监测的生存期受随机生成节点位置的制约较大，仿真传输结果一般波动也较大，因此本节的仿真均是取50次平均的计量结果。其它网络模型的具体参数见表2，使得检测区域更加模拟实际的农作物生长环境。

5.1 内部参数调整仿真

未考虑均衡能耗的农业WSNs往往随着触发次数增加而迅速陷入瘫痪。能耗的均衡性与网络的生存期和节点最终能耗有很大关系，由于多跳传输的网络结构必然引起能量空洞的出现，为了去能耗中心化提高能耗的均衡性，在网关或簇头节点选取计算式中引入一个与节点到sink的距离成正比例的权重系数，从而削弱越靠近sink的节点具有越大概率当选网关或簇头节点的趋势。由于能量空洞通常是由靠近sink区域的低能节点组成，因此去能耗中心化的策略与通过在特定的触发轮次选择一定数量剩余能量最低的节点不再担任簇头和网关节点在本质上是相似的，其中低能节点个数的选取至关重要，故接下去的实验通过讨论低能节点个数与能耗均衡性、网络生存期之间的关系来说明所采用的能耗均衡策略对网络最终的能耗与监测周期的影响。

大量实验表明，低能节点个数取值与最优分簇数k相关[15]。在图9中无论总的CRSN节点数N是25、30或35个，随着迭代的低能节点个数k/5增大至k的过程中，整个网络的剩余节点能量方差越来越小，即网络的能耗均衡性越来越优。因此，为实现网络的能耗更加均衡，需要调整所引入的与节点到sink的距离成正比例的权重系数使得在网络运行过程中具有较多的低能节点不担任簇头或网关。

当然，低能节点的个数并不是越大越好，因为相比于能耗的均衡性，农业应用中往往更关心监测周期的长短。由3.3节可知，基于事件驱动的无线自组织网络衡量网络寿命的一个重要指标就是生存期内成功采集的总觸发次数。由图10可以看出，为了实现网络最大的生存期，下一轮不担任簇头的低能节点个数最佳取值是k/3个，即通过调节所引入的与节点到sink的距离成正比例的权重系数可以取得延长生存周期与均衡网络能耗的平衡点最优解。这是因为低能的中继转发节点在网络中往往都是出现在靠近sink的区域，假如所有的这些节点在下一轮中都不担任簇头，源节点触发的数据就会因为通信距离受限而选择“绕道”传输至sink，这样必然会引起网络中的其它节点损耗更多的能量甚至出现丢包的现象，进而导致缩短网络生存期。

5.2 不同聚类算法的CRSN监测路由

能量效率与频谱效率是无线通信的重要衡量标准。本仿真实验中，将主要在不同算法之间讨论网络收集作物表型信息数据的生存期、频效和能效等。与本研究比较的基于K-medoid聚类[62]和ERP[21]的两种CRSN路由协议的区别主要是分簇构建的过程。其中，K-medoid是在传统聚类算法K-means的基础上以样本点为聚类中心，这一特点也更符合CRSN的以具体的节点为簇头（聚类中心）的应用场景，而不是一个不存在的节点。ERP的分簇算法由确定合格节点和形成分簇两部分构成，先确定簇头节点并由它选择共享公共信道的合格节点为簇内节点，共享信道的确定原则是以较低概率与主用户冲突的信道。基于K-medoid的CRSN路由、ERP以及DSEB使用的层次聚类AGNES算法的时间复杂度都是O（n2）。因为监测农场的面积固定，随着CRSN节点个数的增加，网络可以完成数据转发路由的次数越来越多。如图11所示，网络的平均生存期曲线随着节点个数的增加而上升。对比DSEB算法、基于k-medoid聚类和ERP的CRSN路由3条曲线也可看出，基于DSEB算法的路由具有更高的平均网络生存期，从而完成更持久的监测任务。当然，对于不同的检测环境，网络中的节点个数并不都是与网络的整体性能成正比，而是应该针对特定监测面积、主次节点个数、保护范围以及节点的通信范围来选取最佳的CRSN节点个数，从而获得整体性能的提升，不会造成资源的浪费。

此外，由于主次用户间频谱互补的特殊关系，主用户的数量会对频谱利用率产生较大影响。文献[63]提到认知网络的频谱利用率会随着主用户数量的增加而提升。图12也表明了这种关系，主用户数量越多，网络二级用户的频谱利用率越高;并且DSEB的频谱利用率略高于ERP，但相比于K-medoid聚类路由，基于DSEB的频谱利用率提升了10%～15%。这是因为K-medoid聚类方案的相似性度量中无法考虑频谱条数，并且它对各分簇的大小是不可控的。而DSEB采用的AGNES层次聚类的相似度定义限制较少，可直接将频谱条数纳入相似性度量依据。同时还引入奖惩因子来提高各分簇节点数的平衡，有效地提升频谱利用率。

由于CRSN节点继承了WSNs硬件资源受限的不足，能效问题将直接影响网络监测功能的实现。本研究结合事件触发的特性将网络的能效定义为：当网络中第一个节点能量耗尽时，整个网络平均每消耗单位节点能量所能完成的数据路由的次数。图13是不同算法间不同节点个数与能效对比实验的结果。可以看出随着CRSN节点个数的增加，网络平均每消耗单位节点能量所能完成的数据路由次数也在增大;在CRSN节点数一定的情况下，网络每消耗单位节点能量，基于DSEB路由比ERP和K-medoid聚类路多完成大约0.2和0.4次的数据转发。所以在完成相同次数的从源节点到sink路由转发中，采用DSEB的方案会比其它两种算法节省能量。

6 结  论

本研究针对精准农业中作物表型信息精确获取的需求和已出现的网络生存期短、能耗不均衡以及即将出现的频谱拥堵等问题，构建了基于事件驱动的CRSN作物表型信息采集模型，并对其多跳分簇路由提出一种DSEB的解决方案。在检测到源节点触发事件后，采用层次聚类的分簇机制构建分簇。对聚类迭代过程各分簇节点数量的平衡性引入奖励和惩罚因子;路由过程通过簇内汇聚和簇间中继迭代，将数据以多跳传输至sink。为了适应主用户行为改变和保证主次用户的QoS，该算法引入自适应频谱的重新分簇机制。在网关或簇头节点选取计算式中引入与节点到sink的距离成正比的权重系数作为能耗均衡策略去能耗中心化。仿真结果表明，DSEB算法在频谱利用率、网络生存期以及能效等方面均具有一定改进。

参考文献：

[1] TARDIEU F， CABRERA-BOSQUET L， PRIDMORE T， et al. Plant phenomics， from sensors to knowledge[J]. Current Biology， 2017， 27（15）： R770-R783.

[2] 徐凌翔， 陈佳玮， 丁国辉， 等. 室内植物表型平台及性状鉴定研究进展和展望[J]. 智慧农业（中英文）， 2020， 2（1）： 23-42.

XU L， CHEN J， DING G， et al. Indoor phenotyping platforms and associated trait measurement： Progress and prospects[J]. Smart Agriculture， 2020， 2（1）： 23-42.

[3] ZHOU J， REYNOLDS D， CORN T L， et al. CropQuant： An automated and scalable field phenotyping platform for crop monitoring and trait measurements to facilitate breeding and digital agriculture[J]. bioRxiv， 2017. https：//doi.org/10.1101/161547.

[4] 丁么明， 夏洪星. 认知无线电在农业物联网中的应用[J]. 数学的实践与认识， 2013， 43（3）： 103-110.

DING Y， XIA H. Application of cognitive radio in agriculture IoT[J]. Mathematics in Practice and Theory， 2013， 43（3）：103-110.

[5] 杜红， 富爽， 许杰， 等. 基于认知无线电的农业物联网架构的研究[J]. 电视技术， 2015， 39（20）： 47-50.

DU H， FU S， XU J， et al. Research on network infrastructure for internet of things in agriculture based on cognitive radio[J]. Video Engineering， 2015， 39（20）： 47-50.

[6] MCHENRY M. NSF spectrum occupancy measurements[EB/OL]. Vienna： Shared Spectrum Company， 2005.https：//www.scirp.org/reference/ReferencesPapers.aspx？ReferenceID=997458.

[7] SALAM A， KARABIYIK U.A cooperative overlay approach at the physical layer of cognitive radio for digital agriculture[C]// The 3rd International Balkan Conference on Communications and Networking. Purdue University， North Macedonia， 2019.

[8] KHAN A A， SHAIKH A Z， NAQVI S， et al. A novel cognitive radio enabled IoT system for smart irrigation[J]. Journal of Informatics and Mathematical Sciences， 2017， 9（1）： 129-136.

[9] MITOLA J I， MAGUIRE G Q. Cognitive radio： making software radios more personal[J]. IEEE Personal Communications， 1999， 6（4）： 13-18.

[10] OZUUR B A， OSMAN B K， OZGUR E. Cognitive radio sensor networks[J]. Network IEEE， 2009， 23（4）： 34-40.

[11] 郭彩麗， 张天魁， 曾志民， 等. 认知无线电关键技术及应用的研究现状[J]. 电信科学， 2006， 22（8）： 6-14.

GUO C， ZHANG T， ZENG Z， et al. Investigation on key techniques and applications of cognitive radio[J]. Telecommunications Science， 2006， 22（8）： 6-14.

[12] JOSHI G P， KIM S W. A survey on node clustering in cognitive radio wireless sensor networks[J]. Sensors， 2016， 16（9）： 1-19.

[13] 汤强. 无线传感器网络层次拓扑控制算法研究[D]. 武汉： 华中科技大学， 2010.

TANG Q. Research on hierarchical topology control algorithm for wireless sensor networks[D]. Wuhan： Huazhong University of Science and Technology， 2010.

[14] 王继红， 石文孝. 认知无线传感器网络分簇路由协议综述[J]. 通信学报， 2018， 39（11）： 160-173.

WANG J， SHI W. Survey on cluster-based routing protocols for cognitive radio sensor networks[J]. Journal on Communications， 2018， 39（11）： 160-173.

[15] ZHANG H， ZHANG Z， DAI H， et al. Distributed spectrum-aware clustering in cognitive radio sensor networks[C]// IEEE Global Telecommunications Conference. Piscataway， New York， USA： IEEE， 2011： 1-6.

[16] OZGER M， AKAN O B. Event-driven spectrum-aware clustering in cognitive radio sensor networks[C]// 2013 Proceedings IEEE Infocom. Piscataway， New York， USA： IEEE， 2013.

[17] ELETREBY R M， ELSAYED H M， KHAIRY M M. CogLEACH： A spectrum aware clustering protocol for cognitive radio sensor networks[C]// IEEE Crowncom. Piscataway， New York， USA： IEEE， 2014.

[18] LATIWESH A， QIU D. Energy efficient spectrum aware clustering for cognitive sensor networks： CogLEACH-C[C]// IEEE 2015 10th International Conference on Communications and Networking in China. Piscataway， New York， USA： IEEE， 2015.

[19] PEI E， HAN H， SUN Z， et al. LEAUCH： Low-energy adaptive uneven clustering hierarchy for cognitive radio sensor network[J]. Eurasip Journal on Wireless Communications and Networking， 2015： ID 122.

[20] HEINZELMAN W B， CHANDRAKASAN A P， BALAKRISHNAN H. An application-specific protocol architecture for wireless microsensor networks[J]. IEEE Transactions on Wireless Communications， 2002， 1（4）： 660-670.

[21] TABASSUM M， RAZZAQUE M A， MIAZI M N S， et al. An energy aware event-driven routing protocol for cognitive radio sensor networks[J]. Wireless Networks， 2016， 22（5）： 1523-1536.

[22] SAINI D， MISRA R， YAVAD R N. Distributed event driven cluster based routing in cognitive radio sensor networks[C]// IEEE Annual India Conference （INDICON）. Piscataway， New York， USA： IEEE， 2016.

[23] 孫飞. 认知无线传感器网络的频谱感知与能耗均衡算法研究[D]. 南京： 南京邮电大学， 2016.

SUN F. Research on spectrum sensing and energy balance algorithm for cognitive wireless sensor Network[D]. Nanjing： Nanjing University of Posts and Telecommunications， 2016.

[24] 金燕君， 朱琦. 分簇认知无线网络中吞吐量能耗均衡的研究[J]. 计算机技术与发展， 2015（8）： 134-139， 143.

JIN Y， ZHU Q. Research on sensing-throughput tradeoff in cluster-based cognitive wireless sensor networks[J]. Computer Technology and Development， 2015（8）： 134-139， 143.

[25] ABBASI S， MIRJALILY G. A cluster-based geographical routing protocol for multimedia cognitive radio sensor networks[C]// IEEE International Conference on Electronics Information and Emergency Communication （ICEIEC）. Piscataway， New York， USA： IEEE，  2017.

[26] TIZVAR R， ABBASPOUR M， DEHGHANI M. CR-CEA： A collision- and energy-aware routing method for cognitive radio wireless sensor networks[J]. Wireless Network， 2014， 20： 2037-2052.

[27] 孟得月， 裴二荣， 黄佑林. 异质节点分离CRSN中MAC协议设计与性能分析[J]. 电信科学， 2017（8）： 113-125.

MENG D， PEI E， HUANG Y. Design of MAC protocol and performance analysis for heterogeneous nodes separating CRSN[J]. Telecommunications Science， 2017（8）： 113-125.

[28] SHAH G A， AKAN O B. Spectrum-aware cluster-based routing for cognitive radio sensor networks[C]// IEEE International Conference on Communications. Piscataway， New York， USA： IEEE， 2013.

[29] SHAH G A， ALAGOZ F， FADEL E A， et al. A spectrum-aware clustering for efficient multimedia routing in cognitive radio sensor networks[J]. IEEE Transactions on Vehicular Technology， 2014， 63（7）： 3369-3380.

[30] MABROUK O， MINET P， IDOUDI H， et al. Intra-cluster multichannel scheduling algorithm for Cognitive Radio Sensor Networks[C]// 2015 International Wireless Communications and Mobile Computing Conference（IWCMC）. Piscataway， New York， USA： IEEE， 2015： 1452-1457.

[31] STEVENSON C R， CHOUINARD G， LEI Z. IEEE 802.22： The first cognitive radio wireless regional area network standard[J]. IEEE Communications Magazine， 2009， 47（1）： 130-138.

[32] KHELIFA B， AMEL D， AMEL B， et al. Smart irrigation using internet of things[C]// International Conference on Future Generation Communication Technology. Piscataway， New York， USA： IEEE， 2015.

[33] VURAN M C， SALAM A， WONG R， et al. Internet of underground things in precision agriculture： Architecture and technology aspects[J]. Ad Hoc Networks， 2018， 81（DEC.）： 160-173.

[34] REYNOLDS D， BALL J， BAUER A， et al. CropSight： A scalable and open-source information management system for distributed plant phenotyping and IoT-based crop management[J]. Gigascience， 2019， 8（3）： 1-11.

[35] 同诗扬， 祁广云， 衣淑娟. 基于农业物联网的改进型双门限频谱检测算法研究[J]. 农机化研究， 2016， 38（1）： 53-56.

TONG S， QI G， YI S. Detection limit of the spectrum algorithm based on improved agricultural things double doors[J]. Journal of Agricultural Mechanization Research， 2016， 38（1）： 53-56.

[36] 王純龙， 李贺强. NB-IOT的关键技术及在农业物联网中的应用[J]. 电子技术与软件工程， 2017（16）： 20.

WANG C， LI H. The key technology of NB-IOT and its application in agricultural Internet of Things[J]. Electronic Technology and Software Engineering， 2017（16）： 20.

[37] 易双全， 刘旸， 陈枫， 等. 小生境环境监控系统设计[J]. 信息通信， 2019， 194（2）： 85-87.

YI S， LIU Y， CHEN F， et al. Design of niche environment monitoring system[J]. Information & Communications， 2019， 194（2）： 85-87.

[38] 张敏. 基于认知无线电的LoRa网络架构设计[J]. 无线互联科技， 2019， 16（1）： 24-25.

ZHANG M. Design of LoRa network architecture based on cognitive radio[J]. Wireless Internet Technology， 2019， 16（1）： 24-25.

[39] 南京农业大学作物表型组学交叉研究中心. 高通量多光谱植物激光三维扫描测量系统[EB/OL]. [2019-07-01]. http：//pprc.njau.edu.cn/info/1006/1073.htm.

[40] 南京農业大学作物表型组学交叉研究中心. 温室传送型高通量植物表型平台[EB/OL]. [2019-07-24]. http：//pprc.njau.edu.cn/info/1006/1072.htm.

[41] 南京农业大学作物表型组学交叉研究中心. 高通量小型植物光合表型测量系统[EB/OL]. [2019-07-24]. http：//pprc.njau.edu.cn/info/1006/1075.htm.

[42] SHI X， AN X， ZHAO Q， et al State-of-the-art internet of things in protected agriculture[J]. Sensors， 2019， 19： ID 1833.

[43] 李春雷. 边缘计算在农业物联网中的应用[J]. 物联网技术， 2018（3）： 95-98.

LI C. Application of edge computing in agricultural internet of things[J]. Internet of Things Technology， 2018（3）： 95-98.

[44] SATYANARAYANAN， MAHADEV. The emergence of edge computing[J]. Computer， 2017， 50（1）： 30-39.

[45] ZHANG Y， MA X， ZHANG J， et al. Edge intelligence in the cognitive internet of things： Improving sensitivity and interactivity[J]. IEEE Network， 2019， 33（3）： 58-64.

[46] 高磊. 基于物联网技术的果园虫害信息监测系统设计[D]. 合肥： 安徽大学， 2018.

GAO L. Design of orchard pest information monitoring system based on IoT technology[D]. Hefei： Anhui University， 2018.

[47] ARAUS， LUISJOSÉ， CAIRNS J E. Field high-throughput phenotyping： the new crop breeding frontier[J]. Trends in Plant Science， 2014， 19（1）： 52-61.

[48] ZHOU G， STANKOVIC J A， SON S H. CrowdedSpectrum in Wireless Sensor Networks[C]// Proceedings of Third Workshop on Embedded Networked Sensors. Cambridge， America： Harvard University. 2006， 6： 30-31.

[49] NGETHE N T. An adaptive threshold energy detection technique with noise variance estimation for cognitive radio sensor networks[D]. Cape Town： The Built Environment University of Cape Town， 2015.

[50] ZHOU J， APPLEGATE C， ALONSO A D， et al. Leaf-GP： An open and automated software application for measuring growth phenotypes for arabidopsis and wheat[J]. Plant Methods， 2017， 13： ID 117.

[51] ZHAO J， ZHENG H， YANG G. Spectrum sharing through distributed coordination in dynamic spectrum access networks[J]. Wireless Communications & Mobile Computing， 2007， 7（9）： 1061-1075.

[52] 王迪. 一种基于多信道分簇结构Ad Hoc网络的簇间中继实现方案[J]. 微型机与应用， 2016， 35（9）： 66-69.

WANG D. An inter-cluster relay implementation scheme based on multi-channel clustering Ad Hoc network[J]. Microcomputer and Application， 2016， 35 （9）： 66-69.

[53] 袁辉勇， 阙清贤， 羊四清. 传感器网络中基于能耗均衡的节点优化部署[J]. 计算机仿真， 2010， 27（8）： 100-102.

YUAN H， KAN Q， YANG S. Optimal deployment of nodes in sensor network based on energy consumption balance[J]. Computer Simulation， 2010， 27（8）： 100-102.

[54] 刘明， 龚海刚，毛莺池， 等. 高效节能的传感器网络数据收集和聚合协议[J]. 软件学报， 2016， 16（12）： 2106-2116.

LIU M， GONG H， MAO Y， et al. A distributed energy-efficient data gathering and aggregation protocol for wireless sensor networks[J]. Journal of Software， 2016， 16（12）： 2106-2116.

[55] BADDOUR K E， ÜRETEN O， WILLINK T J. Efficient clustering of cognitive radio networks using affinity propagation[C]// IEEE International Conference on Computer Communications & Networks. Piscataway， New York， USA： IEEE， 2009.

[56] CHEN Y， ZHAO Q. On the lifetime of wireless sensor networks[J]. IEEE Communications Letters， 2005， 9（11）： 976-978.

[57] 黃标， 李景春， 谭海峰. 认知无线电及频谱管理[M]. 北京： 人民邮电出版社， 2014.

HUANG B， LI J， TAN H. Cognitive radio and spectrum management [M]. Beijing： Posts and Telecommunications Press， 2014.

[58] HOU F， HUANG J. Dynamic channel selection in cognitive radio network with channel heterogeneity[C]//IEEE Global Telecommunications Conference. Piscataway， New York， USA： IEEE， 2010.

[59] ZHANG L， CAI Z， LI P， et al. Spectrum-availability based routing for cognitive sensor networks[J]. IEEE Access， 2017， 5： 4448-4457.

[60] KAUFMAN L， ROUSSEEUW P J. Finding groups in data[M]. Agglomerative Nesting （Program AGNES）.  Hoboken， America： John Wiley & Sons， Inc. 1990.

[61] 王红睿， 赵黎明， 裴剑. 均衡化的改进K均值聚类法[J]. 吉林大学学报： 信息科学版， 2006， 24（2）： 172-176.

WANG H， ZHAO L， PEI J. Equilibrium modified K-means clustering method[J]. Journal of Jilin University （Information Science Edition）， 2006， 24（2）： 172-176.

[62] PARK H S， JUN C H. A simple and fast algorithm for K-medoids clustering[J]. Expert Systems with Applications， 2009， 36： 3336-3341.

[63] HOANG A T， LIANG Y. Maximizing spectrum utilization of cognitive radio networks using channel allocation and power control[C]// IEEE Vehicular Technology Conference. Piscataway， New York， USA： IEEE， 2007.

Abstract： With the rapid growth of wireless nodes numbers and the increase in demanding for high-bandwidth transmission services such as multimedia images， the related fields of the agricultural Internet of Things（IoT） can foresee a trend of shortage of wireless spectrum resources. For the crop phenotypic information collection system based on the traditional IoT， there are many problems such as spectrum competition， data congestion during the data transmission process due to the dense deployment of nodes， and the reduction of the monitoring cycle due to uneven energy consumption in the fixed battery network. Based on previous studies， a crop phenotypic information collection model for cognitive radio sensor networks was established， and based on the model， an event-driven clustering routing algorithm that introduced dynamic spectrum and energy balance （DSEB） of edge computer system was proposed. The algorithm includes dynamic spectrum sensing clustering. The hierarchical clustering algorithm was used to combine the available channels， distances between nodes， residual energy， and neighbor node degrees obtained by spectrum sensing as similarities to cluster and cluster nodes in the monitored area and select cluster heads. The process of clustering and selecting cluster heads and constructing a clustering topology introduceed rewards and punishment factors to the equilibrium of the clustering sizes to improve the average spectrum utilization of each clustering network. The events triggered by edge computing trigger data routing， and based on the clustered topology structure， the events triggered by abnormal changes in farm conditions in the areas to be detected on the farm were forwarded to the convergent nodes by means of alternate cluster iterations and inter-cluster relays. Convergence includes direct transmission and intra-cluster relay， and inter-cluster relay includes two cases： ①primary gateway node and secondary gateway node-primary gateway node; ②adaptive re-clustering based on spectrum changes and communication quality of service （QoS）-changes in available channels caused by changes in the PU behavior of the primary user， or interference with poor quality of clustering effects on communication service quality， triggering cognitive radio sensor networks to perform adaptive re-clustering. In addition， a new energy balancing strategy was proposed to decentralize energy consumption （assuming sink is the center）， that is， introducing a weight coefficient proportional to the distance from the node to the sink in the gateway or cluster head node selection calculation formula. The simulation results of the algorithm showed that， compared with the event-driven clustering ERP routing scheme using K-medoid clustering and energy sensing， under the premise that the number of CRSN nodes is a fixed value， the clustering routing algorithm based on DSEB in the network lifetime and there are certain improvements in utilization and energy efficiency; when the number of primary user nodes is a fixed value， the proposed algorithm has higher spectrum utilization than the other two algorithms.

Key words： cognitive radio sensor network （CRSN）; crop phenotype information collection; energy balance; cluster routing