基于树莓派的智能环境监测系统：从传感器到Web可视化全栈实践

1. 项目概述：从零构建一个会“思考”的室内环境管家

几年前，我还在为工作室里闷热潮湿的空气发愁，昂贵的商用环境监测设备不仅功能单一，而且数据封闭。作为一名嵌入式开发爱好者，我决定自己动手，用树莓派打造一个完全开源、可高度定制且功能全面的室内温湿度监测系统。这个被我命名为“QTempair”的项目，远不止是读取几个数字那么简单。它的核心目标是成为一个智能环境感知与执行中枢：实时监测温度、湿度和空气质量（以二氧化碳浓度为代表性指标），将数据持久化存储，并通过一个直观的Web界面进行可视化展示与远程控制。更关键的是，它能根据你设定的温度阈值，自动控制风扇启停，实现初步的环境调节自动化。

这不仅仅是一个简单的传感器读数实验，而是一个融合了嵌入式硬件、后端数据服务和前端交互的完整物联网应用原型。无论你是想深入了解物联网系统的全栈开发流程，还是希望为你的书房、温室、机房或小型仓库部署一个低成本、高自由度的环境监控方案，这个项目都能提供从硬件选型、电路连接、Python驱动编写、数据库设计到Web应用开发的一站式实践指南。接下来，我将毫无保留地分享整个构建过程中的技术细节、踩过的坑以及那些让系统稳定运行的关键技巧。

2. 核心硬件选型与电路设计解析

一套稳定可靠的硬件是项目的基石。我的选型原则是：在满足精度和功能需求的前提下，优先选择社区支持度高、文档丰富的组件，这能极大降低后期的调试成本。

2.1 传感器模块深度剖析

DHT22 温湿度传感器：这是项目的核心感知单元。相较于更便宜的DHT11，DHT22在精度和量程上都有显著提升（温度±0.5°C，湿度±2%RH）。它采用单总线通信协议，只需要一根数据线即可与树莓派通信，节省了宝贵的GPIO资源。但需要注意的是，其数据读取间隔不能小于2秒，否则会导致读取失败。在实际焊接时，建议在VCC和GND之间并联一个0.1uF的瓷片电容，紧靠传感器引脚放置，可以有效滤除电源噪声，提高读数稳定性。

MQ-135 气体传感器：我选用它来大致评估空气质量，重点关注二氧化碳（CO2）的浓度趋势。必须明确一点：MQ-135是一个对多种可燃气体和烟雾都敏感的模拟传感器，它需要通过其模拟输出引脚（AO）输出一个电压值。树莓派本身没有模拟输入引脚，因此必须借助模数转换器（ADC）。我选择了常见的PCF8591模块，它通过I2C接口与树莓派通信，将MQ-135的模拟电压转换为数字值。这个值并非直接的PPM浓度，需要经过校准曲线换算。对于家庭环境监测，我们更多是观察其相对变化趋势，例如判断房间是否长时间密闭导致CO2浓度攀升。

其他辅助元件：

• LCD1602显示屏：用于本地实时数据显示，在调试阶段和最终展示中都很有用。我选择了带I2C接口的版本，只需要连接4根线（VCC, GND, SDA, SCL），比连接16根线的并行版本方便太多。
• 直流风扇与驱动：树莓派的GPIO引脚驱动能力有限（约16mA），无法直接驱动风扇。必须使用一个三极管（如S8050）或MOSFET作为开关，并由一个电阻来限制基极电流，构成一个简单的驱动电路。我选择了一个5V的小型机箱风扇，通过三极管电路由树莓派的一个GPIO口控制其通断。
• LED与LDR（光敏电阻）：这两个元件构成了一个简单的环境光感应与指示电路。LDR与一个固定电阻组成分压电路，其分压点接入PCF8591的另一路ADC，用于读取环境光强度。LED则由另一个GPIO口控制，可以作为系统状态指示灯（如数据上传成功时闪烁）。

2.2 树莓派型号与接口规划

我使用的是树莓派3 Model B，其性能对于本项目绰绰有余。实际上，任何带有40针GPIO接口的树莓派型号（如Pi 4, Pi Zero 2 W）都可以。选择Pi 3 B主要是因为它当时普及率高，且自带Wi-Fi，便于联网上传数据。

GPIO分配策略需要提前规划，避免冲突：

• DHT22：使用任意一个GPIO（如GPIO4）作为数据线。
• PCF8591 (ADC)：使用固定的I2C接口（GPIO2 SDA, GPIO3 SCL）。
• LCD1602 (I2C)：与PCF8591共享同一个I2C总线，这是I2C协议的优势。
• 风扇控制：使用一个GPIO（如GPIO17）输出高低电平。
• LED指示灯：使用一个GPIO（如GPIO27）输出高低电平。
• LDR：连接到PCF8591的另一个模拟输入通道（如AIN1）。

注意：为每个执行器（风扇、LED）的GPIO口配置一个约1kΩ的下拉电阻，可以确保树莓派启动或程序初始化时，这些设备处于确定的关闭状态，防止误动作。

2.3 电路连接实战与Fritzing验证

根据上述规划，我绘制了详细的Fritzing接线图。在实际操作中，强烈建议先在面包板上搭建整个电路并进行测试，确认所有传感器和执行器工作正常后，再进行焊接或使用杜邦线永久连接。

一个关键的避坑点：树莓派的逻辑电平是3.3V，而DHT22、PCF8591、LCD1602 I2C模块和5V风扇的驱动电路通常兼容3.3V-5V。但务必确认你使用的模块是支持3.3V的。如果模块只支持5V逻辑（比较少见），则需要使用电平转换器，否则可能无法通信甚至损坏树莓派。

电源管理：当风扇启动时，瞬时电流可能较大。如果树莓派通过Micro USB供电，请确保电源适配器能提供至少2.5A的电流，否则可能导致树莓派因电压不足而重启。一个独立的5V电源为风扇电路供电是更稳妥的方案，此时需要用光耦或继电器来实现树莓派对独立电源电路的控制，实现强弱电隔离。

3. 软件架构与Python驱动层实现

系统的软件部分分为三层：设备驱动层、数据逻辑层和应用服务层。我们先从最底层的驱动开始。

3.1 传感器Python驱动编写要点

编写驱动时，核心是稳定性和错误处理。传感器可能因线缆松动、环境干扰而暂时读取失败，我们的程序必须能优雅地处理这些异常，而不是崩溃。

DHT22驱动 (dht.py)：

import time import RPi.GPIO as GPIO class DHT22: def __init__(self, pin): self.pin = pin GPIO.setmode(GPIO.BCM) GPIO.setup(self.pin, GPIO.OUT) GPIO.output(self.pin, GPIO.HIGH) time.sleep(0.5) def read(self): # 发送开始信号 GPIO.setup(self.pin, GPIO.OUT) GPIO.output(self.pin, GPIO.LOW) time.sleep(0.02) # 保持低电平至少18ms GPIO.output(self.pin, GPIO.HIGH) # 切换为输入，等待传感器响应 GPIO.setup(self.pin, GPIO.IN, pull_up_down=GPIO.PUD_UP) # ... (这里省略具体的位读取和校验代码，可使用Adafruit_DHT库简化) # 关键：加入超时机制 timeout = time.time() + 0.1 # 100ms超时 while GPIO.input(self.pin) == GPIO.LOW: if time.time() > timeout: raise RuntimeError("DHT22响应超时") # ... 读取40位数据并校验 if checksum_ok: humidity = data[0:16] / 10.0 temperature = data[16:32] / 10.0 return temperature, humidity else: raise RuntimeError("DHT22数据校验失败")

实操心得：在实际使用中，我强烈推荐直接使用成熟的库，如Adafruit_DHT。自己实现底层时序虽然有助于学习，但稳���性和兼容性不如经过广泛测试的库。使用库时，同样要封装在try-except块中，并设置重试机制。

PCF8591 ADC与MQ-135驱动 (mq.py)：

import smbus2 import time class PCF8591: def __init__(self, address=0x48): self.bus = smbus2.SMBus(1) # 树莓派I2C总线1 self.address = address def read_analog(self, channel): # channel: 0,1,2,3 # 写入控制字节，选择通道和输入模式 control_byte = 0x40 | (channel & 0x03) # 使能模拟输出，选择通道 self.bus.write_byte(self.address, control_byte) time.sleep(0.01) # 等待转换 # 读取两次，第一次是上一次的转换结果，第二次才是当前的 value1 = self.bus.read_byte(self.address) value2 = self.bus.read_byte(self.address) return value2 class MQ135: def __init__(self, adc, channel, r0=76.63): # r0需要在清洁空气中校准得到 self.adc = adc self.channel = channel self.r0 = r0 def get_rs_ro_ratio(self): adc_value = self.adc.read_analog(self.channel) # ADC参考电压为3.3V，10位精度（PCF8591为8位，此处假设） voltage = adc_value / 255.0 * 3.3 # MQ-135的负载电阻RL通常为10kΩ，接在VCC和AO之间 rl = 10.0 # kΩ rs = (3.3 - voltage) / voltage * rl return rs / self.r0 # 根据比例，通过经验公式或查表估算CO2浓度 (ppm) def estimate_co2(self): ratio = self.get_rs_ro_ratio() # 这是一个近似公式，不同传感器批次差异很大，仅供参考 ppm = 116.6020682 * (ratio ** -2.769034857) return ppm

关键解释：R0是传感器在清洁空气中的电阻值，这是校准的关键。你需要将传感器在室外通风良好处预热24小时后，读取此时的RS值作为R0。没有校准的MQ-135读数几乎没有定量参考价值。

3.2 数据采集主程序逻辑

主程序需要协调所有传感器，按固定周期读取数据，并处理数据上传和本地控制。

import schedule import time from dht import DHT22 from mq import MQ135, PCF8591 from lcd import LCD1602 import RPi.GPIO as GPIO FAN_PIN = 17 TEMP_THRESHOLD = 26.0 # 默认温度阈值 def job(): try: # 1. 读取传感器 temp, humi = dht_sensor.read() co2_ppm = mq_sensor.estimate_co2() light_level = adc.read_analog(1) # 假设LDR在通道1 # 2. 本地显示 lcd.display(f"T:{temp:.1f}C H:{humi:.1f}%") time.sleep(2) lcd.display(f"CO2:{co2_ppm:.0f} L:{light_level}") # 3. 阈值判断与控制 if temp > TEMP_THRESHOLD: GPIO.output(FAN_PIN, GPIO.HIGH) print("风扇已开启") else: GPIO.output(FAN_PIN, GPIO.LOW) # 4. 数据打包，准备上传 (下一节实现) sensor_data = { 'temperature': temp, 'humidity': humi, 'co2': co2_ppm, 'light': light_level, 'fan_status': GPIO.input(FAN_PIN) } # upload_to_database(sensor_data) except Exception as e: print(f"数据采集出错: {e}") # 记录日志，不中断程序 if __name__ == '__main__': # 初始化所有硬件 GPIO.setup(FAN_PIN, GPIO.OUT, initial=GPIO.LOW) adc = PCF8591() dht_sensor = DHT22(pin=4) mq_sensor = MQ135(adc, channel=0, r0=76.63) lcd = LCD1602() # 使用schedule库定时执行，例如每10秒一次 schedule.every(10).seconds.do(job) while True: schedule.run_pending() time.sleep(1)

这个主循环框架清晰地将采集、显示、判断、上传解耦。使用schedule库比简单的time.sleep更易于管理多个不同周期的任务。

4. 数据持久化：MySQL数据库设计与优化

将数据存储到数据库，是为了历史查询、趋势分析和Web展示。我选择了MySQL，因为它轻量、流行，与Python的集成（PyMySQL或mysql-connector-python）也非常成熟。

4.1 数据库表结构设计

设计两张核心表，满足基本的规范化要求。

1. 传感器信息表 (sensors)这张表管理系统中所有的传感器元数据。虽然当前只有一个物理节点，但这样设计便于未来扩展。

CREATE TABLE `sensors` ( `id` int(11) NOT NULL AUTO_INCREMENT, `name` varchar(50) NOT NULL COMMENT '传感器名称，如 LivingRoom_DHT22', `type` varchar(50) NOT NULL COMMENT '传感器类型，如 temperature, humidity, co2', `location` varchar(100) DEFAULT NULL COMMENT '安装位置', `description` text COMMENT '备注信息', `created_at` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

初始化时插入一条记录：

INSERT INTO `sensors` (`name`, `type`, `location`) VALUES ('Main_Unit', 'composite', 'Living Room');

2. 传感器数据表 (sensor_data)这是核心数据表，采用“窄表”设计，每条记录代表一个时间点一个类型的一个读数。这种设计比“宽表”（一行包含所有类型的值）更灵活，易于添加新的传感器类型。

CREATE TABLE `sensor_data` ( `id` bigint(20) NOT NULL AUTO_INCREMENT, `sensor_id` int(11) NOT NULL COMMENT '关联sensors.id', `data_type` varchar(50) NOT NULL COMMENT '数值类型，如 temperature, humidity', `data_value` float NOT NULL COMMENT '传感器读数', `timestamp` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP, PRIMARY KEY (`id`), KEY `idx_sensor_timestamp` (`sensor_id`,`timestamp`), KEY `idx_timestamp` (`timestamp`), CONSTRAINT `fk_sensor` FOREIGN KEY (`sensor_id`) REFERENCES `sensors` (`id`) ON DELETE CASCADE ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

4.2 Python与MySQL交互实现

在树莓派上安装MySQL客户端和Python连接库：

sudo apt-get install mysql-server mysql-client pip install pymysql

编写数据库操作类 (database_handler.py)：

import pymysql import logging from datetime import datetime class DatabaseHandler: def __init__(self, host='localhost', user='pi', password='your_secure_password', database='environment_db'): self.config = { 'host': host, 'user': user, 'password': password, 'database': database, 'charset': 'utf8mb4', 'cursorclass': pymysql.cursors.DictCursor } self.connection = None self.logger = logging.getLogger(__name__) def connect(self): """建立数据库连接""" try: if self.connection is None or not self.connection.open: self.connection = pymysql.connect(**self.config) return True except pymysql.Error as e: self.logger.error(f"数据库连接失败: {e}") return False def insert_sensor_data(self, sensor_id, data_dict): """插入传感器数据，data_dict格式：{'temperature': 25.3, 'humidity': 60.2, ...}""" if not self.connect(): return False sql = "INSERT INTO sensor_data (sensor_id, data_type, data_value) VALUES (%s, %s, %s)" success = True try: with self.connection.cursor() as cursor: for data_type, data_value in data_dict.items(): if data_value is not None: # 过滤无效数据 cursor.execute(sql, (sensor_id, data_type, float(data_value))) self.connection.commit() except pymysql.Error as e: self.connection.rollback() self.logger.error(f"插入数据失败: {e}") success = False return success def get_latest_data(self, sensor_id, limit=10): """获取指定传感器的最新数据""" if not self.connect(): return [] sql = """ SELECT data_type, data_value, timestamp FROM sensor_data WHERE sensor_id = %s ORDER BY timestamp DESC LIMIT %s """ try: with self.connection.cursor() as cursor: cursor.execute(sql, (sensor_id, limit)) return cursor.fetchall() except pymysql.Error as e: self.logger.error(f"查询数据失败: {e}") return [] def close(self): """关闭数据库连接""" if self.connection and self.connection.open: self.connection.close()

在主程序中，初始化DatabaseHandler，并在job()函数的最后调用insert_sensor_data方法即可。

重要注意事项：

1. 连接管理：避免在每次插入数据时都新建连接，这会造成巨大开销。上述类实现了简单的连接复用。对于更复杂的应用，应考虑使用连接池。
2. 错误处理与重试：网络波动可能导致插入失败。在生产环境中，应考虑加入重试机制，或将失败的数据暂存于本地文件或轻量级数据库（如SQLite），待网络恢复后同步。
3. 安全：永远不要在代码中硬编码数据库密码。应该使用配置文件或环境变量来管理敏感信息。
4. 数据清洗：在插入前，应对传感器数据进行合理性检查（如湿度是否在0-100%之间），过滤掉明显错误的跳变值。

5. Web服务端与前端可视化实现

为了让数据在任何有网络的地方都能被查看和控制，我们需要一个Web界面。我采用经典的Flask（后端） + Chart.js（前端图表） + Bootstrap（前端样式）组合，轻量且易于部署。

5.1 Flask后端API设计

Flask后端负责提供数据API和渲染页面。

应用结构：

qtempair_web/ ├── app.py # Flask主应用 ├── config.py # 配置文件 ├── database_handler.py # 上一节的数据库类 ├── static/ │ ├── css/ │ └── js/ └── templates/ ├── index.html # 主仪表板 └── settings.html # 设置页面

核心app.py实现：

from flask import Flask, render_template, jsonify, request from database_handler import DatabaseHandler import json app = Flask(__name__) db = DatabaseHandler() # 从配置文件读取温度阈值 with open('config.json', 'r') as f: config = json.load(f) TEMP_THRESHOLD = config.get('temperature_threshold', 26.0) @app.route('/') def index(): """渲染主仪表板页面""" return render_template('index.html') @app.route('/api/latest') def get_latest_data(): """API: 获取最新数据""" try: # 假设主传感器ID为1 raw_data = db.get_latest_data(sensor_id=1, limit=1) # 将数据按类型重组 result = {} for item in raw_data: result[item['data_type']] = item['data_value'] return jsonify({'success': True, 'data': result}) except Exception as e: return jsonify({'success': False, 'error': str(e)}), 500 @app.route('/api/history') def get_history_data(): """API: 获取历史数据用于图表，例如最近24小时""" hours = request.args.get('hours', 24, type=int) # 这里需要更复杂的SQL查询，按时间间隔聚合数据 # 示例：查询温度历史 sql = """ SELECT AVG(data_value) as value, DATE_FORMAT(timestamp, '%%Y-%%m-%%d %%H:00:00') as time_group FROM sensor_data WHERE sensor_id = %s AND data_type = 'temperature' AND timestamp > NOW() - INTERVAL %s HOUR GROUP BY time_group ORDER BY time_group """ # 执行查询并返回JSON # ... (省略具体查询代码) return jsonify({'success': True, 'labels': time_labels, 'data': temp_values}) @app.route('/api/fan', methods=['POST']) def control_fan(): """API: 控制风扇（手动）""" data = request.get_json() action = data.get('action') # 'on' or 'off' # 这里需要与树莓派上的控制进程通信 # 方法1：通过写入一个文件或数据库标志位，由树莓派主程序轮询读取 # 方法2：使用更高级的IPC，如Redis或MQTT # 示例（方法1）： with open('/tmp/fan_control', 'w') as f: f.write(action) return jsonify({'success': True, 'action': action}) @app.route('/api/threshold', methods=['GET', 'POST']) def manage_threshold(): """API: 获取或设置温度阈值""" global TEMP_THRESHOLD if request.method == 'POST': new_threshold = request.get_json().get('threshold') if new_threshold is not None: TEMP_THRESHOLD = float(new_threshold) # 保存到配置文件 config['temperature_threshold'] = TEMP_THRESHOLD with open('config.json', 'w') as f: json.dump(config, f) return jsonify({'success': True, 'new_threshold': TEMP_THRESHOLD}) return jsonify({'success': True, 'threshold': TEMP_THRESHOLD}) if __name__ == '__main__': app.run(host='0.0.0.0', port=5000, debug=True)

5.2 前端界面与动态图表

前端使用Bootstrap快速搭建响应式布局，并用Chart.js绘制实时图表。

templates/index.html核心部分：

<div class="container mt-4"> <h2>环境监测仪表板</h2> <div class="row"> <div class="col-md-3"> <div class="card text-white bg-primary mb-3"> <div class="card-body"> <h5 class="card-title">温度</h5> <h2 id="temperature-value">--.- °C</h2> </div> </div> </div> <!-- 湿度、CO2、光照卡片类似 --> </div> <div class="row"> <div class="col-md-8"> <div class="card"> <div class="card-header">温度历史趋势（最近24小时）</div> <div class="card-body"> <canvas id="tempChart"></canvas> </div> </div> </div> <div class="col-md-4"> <div class="card"> <div class="card-header">风扇控制</div> <div class="card-body"> <p>状态: <span id="fan-status">未知</span></p> <button id="fan-on" class="btn btn-success">开启风扇</button> <button id="fan-off" class="btn btn-danger">关闭风扇</button> <hr> <p>自动控制阈值: <strong id="current-threshold">26.0</strong> °C</p> <a href="/settings" class="btn btn-outline-primary">前往设置</a> </div> </div> </div> </div> </div> <script src="https://cdn.jsdelivr.net/npm/chart.js"></script> <script> // 1. 初始化图表 const tempCtx = document.getElementById('tempChart').getContext('2d'); const tempChart = new Chart(tempCtx, { type: 'line', data: { labels: [], // 时间标签 datasets: [{ label: '温度 (°C)', data: [], // 数据点 borderColor: 'rgb(255, 99, 132)', tension: 0.1 }] } }); // 2. 定时获取最新数据并更新页面 function fetchLatestData() { fetch('/api/latest') .then(response => response.json()) .then(data => { if(data.success) { document.getElementById('temperature-value').textContent = data.data.temperature.toFixed(1) + ' °C'; // 更新其他数据... document.getElementById('fan-status').textContent = data.data.fan_status ? '运行中' : '已停止'; } }); } // 3. 获取历史数据并更新图表 function updateChart() { fetch('/api/history?hours=24') .then(response => response.json()) .then(data => { if(data.success) { tempChart.data.labels = data.labels; tempChart.data.datasets[0].data = data.data; tempChart.update(); } }); } // 4. 风扇控制 document.getElementById('fan-on').addEventListener('click', () => { fetch('/api/fan', { method: 'POST', headers: {'Content-Type': 'application/json'}, body: JSON.stringify({action: 'on'}) }); }); // fan-off 类似 // 页面加载后执行 setInterval(fetchLatestData, 5000); // 每5秒更新一次最新值 fetchLatestData(); updateChart(); // 初始加载图表 setInterval(updateChart, 60000); // 每分钟更新一次图表 </script>

这个前端页面实现了数据的自动刷新和图表动态更新，提供了基本的手动控制界面。settings.html页面则用于设置温度阈值，通过调用/api/threshold接口实现。

6. 系统集成、部署与优化心得

将硬件、数据采集程序、数据库和Web服务整合成一个稳定运行的系统，是最后也是最考验细节的一步。

6.1 进程管理与通信

系统至少有三个主要进程需要协同工作：

1. 数据采集与控制进程(sensor_daemon.py)：负责读取传感器、控制风扇。
2. Flask Web服务进程(app.py)：提供API和页面。
3. 数据库服务(mysqld)：由系统管理。

如何让采集进程知道Web端的手动控制命令？我采用了基于文件的简单进程间通信（IPC）。在app.py的/api/fan接口中，将控制命令写入一个临时文件（如/tmp/fan_control）。在sensor_daemon.py的主循环中，每次执行job()函数前，先检查这个文件是否存在并读取其内容，根据内容（on/off）执行手动控制，并覆盖自动阈值控制逻辑。执行后清空或删除该文件。这种方法简单有效，避免了复杂的网络通信。

使用Systemd管理进程：为了让这两个Python进程在树莓派启动时自动运行，并在崩溃后重启，最好将它们配置为系统服务。 创建/etc/systemd/system/qtempair-sensor.service：

[Unit] Description=QTempair Sensor Daemon After=network.target mysql.service [Service] Type=simple User=pi WorkingDirectory=/home/pi/qtempair ExecStart=/usr/bin/python3 /home/pi/qtempair/sensor_daemon.py Restart=on-failure RestartSec=10 [Install] WantedBy=multi-user.target

类似地创建qtempair-web.service。然后使用sudo systemctl enable --now qtempair-sensor命令启用并启动服务。

6.2 常见问题与排查技巧

在部署和长期运行中，我遇到了不少问题，以下是排查清单：

6.3 项目优化与扩展方向

一个基础系统搭建完成后，可以考虑以下优化和扩展，使其更健壮、更实用：

1. 数据缓存与断网续传：在树莓派上使用SQLite作为本地缓存。采集程序先写入SQLite，再由一个独立的上传进程定时将SQLite中的数据同步到远程MySQL。这样即使网络中断，数据也不会丢失。
2. 引入消息队列：将采集进程与Web控制进程的解耦做得更彻底。可以使用MQTT协议。采集进程作为MQTT客户端发布传感器数据到Broker（如Mosquitto），并订阅控制主题。Web后端也连接到同一个Broker，发布控制命令。这种方式扩展性极佳，便于未来增加多个监测节点。
3. 增加报警功能：除了高温自动开风扇，可以增加短信、邮件或App推送报警。例如，当CO2浓度超过1000ppm或湿度超过80%时，发送报警通知。可以使用IFTTT或Telegram Bot等轻量级方案实现。
4. 数据分析和预测：将历史数据导出，利用Python的pandas和scikit-learn库进行简单分析，甚至可以训练一个模型，根据时间、室外天气（通过网络API获取）预测室内温湿度变化，实现更智能的预控制。
5. 电源优化与便携化：如果想做成电池供电的便携设备，需要深度优化功耗：选用树莓派Zero，关闭不用的外设（HDMI、LED等），让采集程序间歇性休眠（如每分钟唤醒一次读数），并使用低功耗的传感器型号。

这个项目从一块树莓派和几个传感器开始，最终演变成一个功能完整的物联网应用原型。它涉及了嵌入式开发、后端编程、数据库和前端技术，是一个绝佳的练手项目。最重要的是，它解决了一个真实的需求——让你对自己的生活环境有了数据化的感知和控制能力。希望这份详尽的记录，能帮助你少走弯路，顺利搭建起属于自己的智能环境监测系统。