Observing Local-Scale Variability of Near-Surface Temperature and Humidity Using a Wireless Sensor Network
1. Introduction
Meteorological conditions near the surface (e.g., air temperature, specific humidity, and wind speed) vary on small spatial and temporal scales. Hence, the classical approach of using just one highly accurate station is of limited representativeness. A large number of stations need to be deployed over a small area to monitor the variability caused by different land surfaces and environments.
Networks for monitoring meteorological conditions are common among early and more recent studies, but the interstation distance typically exceeds 1 km. For example, Zemel and Lomas (1976) measured the air temperature in the Huleh Valley in Israel with a network of 70 stations. Kawashima and Ishida (1992) examined the temperature close to the surface in a 250 km 3 300 km area in Japan with a network consisting of 130 stations, and Hubbard (1994) determined the spatial variability of daily measurements in the high plains in the United States.
On the microscale up to 2 km(Orlanski 1975), smaller meteorological networks are used to monitor local features. With such micronetworks, the air temperature fluctuation, especially nocturnal cooling, is frequently explored. Bodine et al. (2009) investigated this cooling in the Lake Thunderbird Micronet (Shapiro et al. 2009) area with 26 stations in a 120 m 3 320 m domain. Hunt et al. (2007) detected a rapid nocturnal cooling and strong inversions at the El Reno Oklahoma Mesonet site using a transect of four portable automated micrometeorological stations. The nocturnal development of air temperature structure along a 22-km transect in complex terrain in Sweden was investigated by Gustavson et al. (1998). Mahrt (2006) studied the spatial variability of surface air temperature in complex terrain within a horizontal range from 200 m up to 1.4 km using six micronetworks. A very dense network of measurements of air, surface, and soil temperature and soil moisture was used by Xu et al. (2002). They constructed a 10-km transect with stations every 10 mto examine the spatial variability of the meteorological conditions.
To be in charge of such a network is a challenging and time-consuming task, because the data have to be collected at each individual station. In recent years, wireless sensor networks have become a common method to investigate small-scale variabilities. The advantage of these wireless networks is their autonomy, which permits their use in almost any environment. For example, sensors were placed on zebras for studying wildlife-tracking systems in Kenya (Zhang et al. 2005). A network of 16 sensors was set up on an active volcano in Ecuador to collect seismic and acoustic data (Werner-Allen et al. 2006a,b). Polastre et al. (2004) placed 43 stations in bird#39;s nests on Great Duck Island, Maine, for habitat monitoring.
In this paper we study the spatial variability of air and surface temperature, specific humidity, and wind speed. We analyze the factors that cause these variabilities and give an estimation of the error that is made by using lessdense networks.
2. Sensor network
The sensor network used in this study is called Sensor- Scope. It has been developed at the Ecole Polytechnique Federale de Lausanne (EPFL) in Switzerland. The network consists of two different kinds of stations: slave stations and master stations. Pictures of a station and the communication scheme of the wireless network are shown in Fig. 1. The slave stations send their data via radio communication at a frequency of 868 MHz to a master station. Themaster station collects the incoming data and forwards them via global system formobile communications/general packet radio service (GSM/GPRS) to a central server. The data are uploaded every 15 min to an Internet site (http:// sensorscope.epfl.ch/climaps). For a detailed description of the technique of the SensorScope sensor network, see Barrenetxea et al. (2008) and Ingelrest et al. (2010).
Each station is equipped with sensors for measuring air temperature, relative humidity, surface temperature, wind speed, and wind direction (Fig. 1a). Some stations are additionally equipped with devices for measuring the incoming solar radiation and precipitation. All sensors and references are listed in Table 1.
Nadeau et al. (2009) show that it might be possible to estimate the sensible heat flux with measurements of such a sensor network. Ninety-two SensorScope stations were deployed at the campus of the EPFL to estimate the sensible heat flux over different surface types in an urban environment. The heat flux was calculated on the basis of surface temperature measurements made by the network stations and was compared with scintillometer measurements. The technique also relies on additional instruments-for example, a sonic detection and ranging (sodar) radio acoustic sounding system (RASS)-and some assumptions.
To test the accuracy of the low-cost sensors of the SensorScope network, we compared them with more accurate measurements. The temperature and humidity sensors were all placed close to each other at the rooftop of the Meteorological Institute of the University of Hamburg. We compared their data with measurements of aVaisala, Inc.,HMP45 sensor, which has an uncertainty at the 95% confidence level of 61.5% for relative humidity and 60.13 K for air temperature. The intercomparison showed that themeasurements of the network sensors are consistent but are not highly accurate. We calculated the bias of every network sensor relative to the reference measurements of the HMP45. We also computed the bias for each network sensor relative to all other network sensors; the percentile range Dp90210, defined by the difference between the 90th and the 10th percentiles; and the mean of their root-mean-square errors (RMSE). The RMSE between two time series of length N fr
全文共35974字，剩余内容已隐藏，支付完成后下载完整资料
使用无线传感器网络观测近地表温度和湿度的局部变化
- 介绍
地表附近的气象条件（例如，气温，比湿和风速）在小的空间和时间尺度上变化。 因此，仅使用一个高精度站的经典方法具有有限的代表性。 大量站点需要部署在一个小区域内，以监测不同陆地表面和环境造成的变化。
监测气象条件的网络在早期和最近的研究中很常见，但站间距通常超过1公里。 例如，Zemel和Lomas（1976）利用70个台站的网络测量了以色列Huleh山谷的气温。 Kawashima和Ishida（1992）研究了日本250 km 3 300 km区域内靠近地表的温度，其中包括130个台站，Hubbard（1994）确定了美国高原地区每日测量的空间变化 状态。
在微观尺度达2 km（Orlanski 1975）上，使用较小的气象网络来监测局部特征。使用这种微米工艺，气温波动，特别是夜间冷却，经常被探索。 Bodine等人（2009）在雷米湖Micronet（Shapiro et al。2009）地区的一个120 m 3 320 m域的26个站进行了这种冷却的研究。亨特等人。 （2007）在El Reno Oklahoma Mesonet站点使用四个便携式自动微气象站的横断面检测到夜间快速冷却和强反演。 Gustavson等人研究了瑞典复杂地形沿22km剖面的气温结构的夜间发展情况。 （1998）。 Mahrt（2006）使用六种微米工具研究了从200米到1.4公里的水平范围内复杂地形中地表气温的空间变化。 Xu等人使用了非常密集的空气，地表和土壤温度和土壤湿度测量网络。 （2002年）。他们每隔10米就建立一个10公里的测绘站，检查气象条件的空间变化。
负责这样的网络是一项具有挑战性和耗时的任务，因为数据必须在每个单独站点收集。 近年来，无线传感器网络已成为研究小规模变异性的常用方法。 这些无线网络的优势在于它们的自主性，这使得它们几乎可以在任何环境中使用。 例如，传感器被放置在斑马中用于研究肯尼亚的野生动物追踪系统（Zhang et al。2005）。 在厄瓜多尔的一座活火山上建立了16个传感器网络，以收集地震和声学数据（Werner-Allen et al.2006a，b）。 Polastre等人。 （2004年）在缅因州Great Duck Island的鸟巢中放置了43个监测站。
在本文中，我们研究空气和表面温度，比湿度和风速的空间变化。 我们分析导致这些变化的因素，并对使用较少密度网络所造成的误差进行估计。
- 传感器网络
本研究中使用的传感器网络称为传感器范围。它已在瑞士洛桑联邦理工学院（EPFL）开发。该网络由两种不同的工作站组成：从站和主站。一个台站的图像和无线网络的通信方案如图1所示。从站通过无线电通信以868 MHz的频率向主站发送数据。主站收集传入的数据并通过全球系统移动通信/通用分组无线业务（GSM / GPRS）将它们转发到中央服务器。数据每15分钟上传到一个互联网站点（http：// sensorscope.epfl.ch/climaps）。有关SensorScope传感器网络技术的详细描述，请参阅Barrenetxea et al。 （2008）和Ingelrest等人（2010年）。
每个工作站都配备了用于测量空气温度，相对湿度，表面温度，风速和风向的传感器（图1a）。有些台站还配备了用于测量太阳辐射和降水量的设备。表1列出了所有传感器和参考。
Nadeau等人（2009）表明，可能通过测量这种传感器网络来估计显热通量。在洛桑联邦理工学院的校园内部署了92个SensorScope站点，用于估计城市环境中不同表面类型的显热通量。基于网络站点的表面温度测量计算热通量，并将其与闪烁计测量结果进行比较。该技术还依赖于其他仪器 - 例如声波检测和测距（sodar）无线电声音探测系统（RASS） - 以及一些假设。
为了测试SensorScope网络的低成本传感器的精度，我们将它们与更精确的测量进行了比较。温度和湿度传感器都放在汉堡大学气象研究所的屋顶上。我们将他们的数据与aVaisala，Inc.，HMP45传感器的测量结果进行了比较，该传感器在相对湿度为61.5％，空气温度为60.13 K的95％置信度下具有不确定性。比较结果表明，网络传感器的测量结果是一致的，但不是很准确。我们计算了每个网络传感器相对于HMP45参考测量值的偏差。我们还计算了每个网络传感器相对于所有其他网络传感器的偏差;百分位数范围Dp90210，由第90和第10百分位之间的差值定义;和他们的均方根误差（RMSE）的均值。站Xa和Xb的长度N的两个时间序列之间的RMSE被定义为...（1）
结果列于表2中。
所有网络传感器相对于HMP45的平均空气温度偏差为0.17 K.所有网络传感器之间的平均差异仅为0.04 K，平均RMSE为0.25 K，Dp90210为0.59 K.基于这些 结果，对每个传感器进行温度测量的校正。 传感器被动通风，因此当阳光充足时，测量结果正向偏差。 修正公式因此基于太阳辐射：
...（2）
其中T是测量温度，FSW是短波入射太阳辐射，a和b是回归系数。 a的特征值为20.0016，b的范围为20.31至0.21 K.
参考传感器和网络传感器之间的平均相对湿度差异为20.43％。 在网络传感器中，它减半至0.21％。 为了纠正参考和网络测量之间的差异，我们使用了三阶公式：
...（3）
其中DRH是网络与相对湿度的参考测量值之间的平均差异，1％间隔，a，b，c和d是回归系数。 a，b和c的平均值分别是28.5 3 1025，0.019和21.45。系数d在24.91％和56.5％之间的范围内。在DRHfit的基础上，计算相对湿度以1％为步长的偏差。这种偏差被添加到测量中。相对湿度受气温影响很大。为了消除这种影响，我们使用上面提到的空气温度和只在站点01（见图2）进行的气压测量来计算特定湿度。这导致参考和网络传感器之间的特定湿度的平均差异为0.05g kg21。网络中所有传感器之间的差异在0.004 g kg21时要小一个数量级。他们的平均RMSE为0.18 g kg21，Dp90210为0.41 g kg21。
ZyTempCo。将测量表面温度的TN901红外温度计与aKT19进行比较。使用水淬并在458℃开始。当水被冷却时，传感器通过呼吸机充气。在第二个实验中，我们使用冰水来验证零点。这些传感器提供了非常相似的结果，平均差异为0.13 K.由于仪器的0.6 K不确定度非常小，因此这里不进行修正。网络站之间的平均RMSE达到0.38 K;百分位数范围是0.83 K.
戴维斯仪器公司的风速仪（型号6410）在风洞中校准。两个传感器同时放置在隧道内，与隧道中部对称，因此两个传感器都暴露在相同的风速下。隧道在1.2,1.5,2,3,5,7.5,10和12 m s21时产生5 min的恒定风速。所有传感器都表现出类似的行为。他们低估了低风速，并在更高的风速下获得更好的结果。来自网络的传感器之间的主要区别是0.002 m s21，平均RMSE是0.17 m s21，Dp90210是0.42 m s21。给定的风洞风速与网络测量值之间的平均差值为0.3 m s21。因此，使用形式的线性回归来校正测量结果
...（4）
其中y是测量的风速。 回归系数a的amean值为0.95，b的范围为0.42至0.7 m s21。
对于所有的传感器，这些比较测量表明，网络不具备高准确度的测量，但确实证明了精度。 因此，我们将关注站点之间的差异而不是绝对值。
3. FLUXPAT2009
测量发生在2009年夏季德国西部的土壤 - 植被 - 大气计划（FLUXPAT2009）活动的通量和模式内（图2）。研究区位于508519200N，68259350E和508529100N，6827920E之间。这是一个相对平坦的地形，平均海拔高于海平面100米。欲了解更多信息，请参阅Koyama et al。 （2010年）。
我们在FLUXPAT2009项目中的部署情况如图2所示。我们的活动于8月6日开始，到2009年8月27日结束。我们部署了13个从站（光标）和两个主站（黑标）作为垂直于小河RUR和涵盖不同类型的土地使用。该断面长2.3公里，相邻台站之间的距离为140至370米。由于电池问题，电台04和电台06一直未运行，因此它们被排除在分析之外。表3列出了每个台站的地理坐标，表面，植被，与河流的距离以及平均取值。站点01是唯一不用于农业的站点。出于研究的目的，它只被没有任何植被的裸露土壤覆盖。 02,05,07和11号站位于已经收获并且土壤可见的田地上。在03号站所在的马铃薯田地中，土壤也是可见的。 13号和15号站位于河流附近的一个小河谷的草原上。在其他站点（08,09,10,12和17），作物也已经收获，但它仍然躺在地上并覆盖土壤。由于作物几乎在所有站点都收获，所以土壤的状态比植物的类型更重要。我们还计算了每个站点的平均取值，这些取值用北方，东方，南方和西方风向的共性加权。大多数电台的取值在50到100米之间。 11号站的最小距离只有23米，其次是站10和09，分别为42米和49米。这些台站位于田野的边缘。最长的提取发生在12站113米和05站189米。
在第一天，第五天和最后一天的活动中，三个冷锋通过了测量地点并引发了降雨事件。所有台站的降雨强度相似，每次事件的总量约为20毫米。该地区的平均土壤湿度在19％至36％之间。在每次降雨事件发生后，它会上升约7％，但在三天内会降至最初的数量。大部分时间偶尔阴沉;五天无云。这是一个温暖的夏季，每天的温度在168到268摄氏度之间。达到的最高温度是37.28℃;最低温度为8.38C。
每个站都配备了用于测量1分钟的气温，相对湿度，表面温度，风速和风向的传感器。气温和相对湿度传感器放置在1.5米高度，风传感器在2米高度。 01,03,09,10,12,13和15号站还配备了监测1分钟太阳辐射的设备。
4.结果
A.大气条件的变化
为了检验大气条件的变化，我们使用1分钟空气温度，比湿，表面温度和风速。因为在我们的部署中没有任何被认为是真实的参考，我们计算每个站和每个其他站之间的差值DTair，Dq，DTsurf和Dy。这些样本的统计数据以图3所示的每个站的平均值和第10和第90百分位数来概括。平均值表示两个台站之间的系统偏差，百分位数范围反映任意1分钟间隔的随机偏差。
图3a中的主要气温差异范围从最接近河流的13号站点的20.50K到离河流最远的01号站点的0.31K，导致这两个站点之间的平均差异为0.81K。百分位数范围是2-3倍差异，范围从09站的1.52 K到15站的2.51 K。因此，气温变化的随机偏差通常大于系统效应。由于校准期间传感器之间的平均差异和Dp90210分别在0.04和0.59 K时要小得多（见表2），台站之间的差异是由环境引起的，而不是传感器的不准确性。
对于图3b中的特定湿度，平均差异在05站的20.26 g kg21和17站的0.24 g kg21之间变化。只有4个站，即站11,13,15和17显示明显的正平均差异。站13（07）显示最高（最低）的变异性，百分位数范围为1.36（0.88）g kg21。这是校准期间百分位数范围的2-3倍。因此，特定湿度的变化也主要由随机偏差引起。
在图3c中，地面温度的平均差异从站15的22.37K到站03的1.09K，导致这两个站之间的平均差为3.46K。百分比范围从09站的4.00K到5.63 Kat站15.这小于平均差的2倍。对于表面温度而言，系统误差比空气温度和比湿更重要。再次，这些错误几乎不会导致测量结果的不准确。校准期间的百分位数范围在0.83 K时小于4倍，并且差异仅为0.13 K.
图3d中风速的平均差异范围从站15的20.7 m s21到站02的0.56 m s21，导致相差1.26 m s21。百分位数范围略高，位于08站的1.85 m s21和位置17的2.07 m s21之间。平均差和百分位数范围明显大于校准过程中的值（分别为0.002和0.42 m s21）。这个结果表明系统偏差对风速变化有很大的影响。
这些结果提出了哪些因素会导致测量变化的问题。在图4中分别显示了日（左列）和夜（右列）的平均差异和第10和第90百分位数。对于每个测站，我们将测量结果分成三种不同的风速：低至1.2 m s21的低风速，由浅灰色方块表示，中等风速在1.2至2.5 m s21之间，由深灰色圆圈表示，风速超过2.5米s21由黑钻石代表。白天，中等风速等级包括每个台站近10 000次测量。有一半的数据可用于高风速，而低风速级别的数值较小，约为3200次。在夜间低风速占主导地位，每个台站总共测量9000次。中等风速等级包含近2700个数据点，高风速等级仅包含323个测量数据。
白天气温的主要差异如图4a所示，夜间则如图4d所示。低风速时，气温变化最大。对于中等风速和高风速，白天和夜晚的平均值和百分比几乎相同。然而，夜间高风速的变化显然较低。在稳定的夜间情况下，风速显然更重要。对于低风速，河流对附近站点的影响是最大的：对于低风速以及在所有风速的夜间，站点11-15比白天更冷。在所有风速的夜间，15号站最冷。 15号车站的夜间降温比其他地点的夜间降温要强，因为这个车站位于山谷中。对于低风速，平均差值为20.83 K.相反，白天是中等和高风速的最暖气站之一。对于所有风速，表面类型和取值似乎对空气温度没有影响。
在附图中， 4b和4e分别显示白天和夜晚的比湿。白天和夜晚之间最明显的差异是变化。在夜间，Dp90210的范围从0.43到1.04克kg21。在白天，它是2倍大，与1.06-1.96克kg21。河流对白天的特定湿度似乎也有影响，特别是对于低风速。
全文共10886字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14869]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
