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 Days（GDD，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(microsecond=0).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

GDD（Growing 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 - Tbase

• GDD：当日生长度日数；
• Tmax：当日最高气温（°C）；
• Tmin：当日最低气温（°C）；
• Tbase：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 = (16+12)/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

1. 新建文件夹gdd-calculation；
2. 将仓库中的 code-notebook/gdd.ipynb 下载/复制到该文件夹；
3. 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 GDD；
• matplotlib：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 notebook

jupyter notebook gdd.ipynb

Jupyter 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(rotation='vertical');

以日期为横轴、温度为纵轴绘制折线图，rotation='vertical'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, on='date', 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 GDD

def 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), axis=1) # Print the results print(min_max_by_date[['date', 'gdd']].to_string(index=False))

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(..., axis=1)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 GDD，temperature.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 Terminal（code-publish-temperature/wio-terminal/temperature-sensor/src/main.cpp）：C++ 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）

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

1. 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）；
2. 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；
3. 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；
4. 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；
5. 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