Recently updated on: 2026-03-27
2026年1月，舒磊 教授团队在国际学术期刊 Electronics（2026年第15卷第2期）发表题为《Rain Detection in Solar Insecticidal Lamp IoTs Systems Based on Multivariate Wireless Signal Feature Learning》的研究论文，舒磊教授为通讯作者。
太阳能杀虫灯物联网（SIL-IoTs）系统广泛应用于农业环境，其稳定运行高度依赖对降雨的准确与及时感知。然而，传统降雨检测方法通常依赖专用传感器，不仅增加系统成本，还容易受到复杂环境因素的干扰。针对这一问题，研究团队提出了一种基于多变量无线信号特征学习的降雨检测方法，无需额外硬件设备，仅利用物联网通信过程中产生的无线信号数据，即可实现对降雨状态的精准识别。
该研究基于南京实际农田部署环境，构建了包含1184万条有效样本的大规模数据集，以1 Hz频率采集参考信号接收功率（RSRP）、参考信号接收质量（RSRQ）及接收信号强度指示（RSSI）。针对农业场景中无线信号的异质性问题，提出了信号强度分层策略，并设计了基于双速指数加权移动平均（EWMA）的自适应信号平滑机制，有效提升了特征表达能力与模型稳定性。在模型构建方面，研究选取了逻辑回归（Logistic Regression）、随机森林（Random Forest）、XGBoost 和 LightGBM 四种主流机器学习算法，并在来自长沙和东莞的外部数据集上进行了泛化能力验证。实验结果表明，XGBoost 在检测精度方面表现最优，而 LightGBM 在性能与计算效率之间实现了良好平衡。基于准确率、精确率、召回率、F1值及ROC-AUC等指标的评估结果均超过0.975，展现出优异的检测性能。
该成果在无需增加硬件成本的前提下，实现了对降雨的高精度感知，具有良好的鲁棒性与跨区域泛化能力，为农业物联网系统中环境感知技术的发展提供了一种高效、可扩展的新思路，对智慧农业应用具有重要的实践意义。
（a）无雨条件下 
（b）有雨条件下
实验场景图
[1] Lingxun Liu, Lei Shu, Yiling Xu, Kailiang Li, Ru Han, Qin Su and Jiarui Fang. 2026. “Rain Detection in Solar Insecticidal Lamp IoTs Systems Based on Multivariate Wireless Signal Feature Learning” Electronics 15, no. 2: 465. https://doi.org/10.3390/electronics15020465