北方設施農業氣象災害監測預警智能服務系統設計與實現

孫治貴，王元勝，張 祿，郭 旺

?

北方設施農業氣象災害監測預警智能服務系統設計與實現

孫治貴1，王元勝2※，張 祿3，郭 旺2

（1. 天津海洋中心氣象臺，天津 300074；2. 北京農業信息技術研究中心，北京 100097； 3. 天津市津南區氣象局，天津 300050）

該文針對設施農業種養殖企業用戶的設施農業氣象災害直通式服務需求，運用云計算、物聯網、移動互聯網等信息化技術，基于JavaEE技術框架、SOA（service oriented architecture）云服務技術，通過多重因素關聯規則學習方法，構建基于互聯網氣象數據、設施農業小氣候環境數據及作物生育期等多重因素的設施農業氣象災害預警和生產管理專家知識規則，依托氣象部門一體化智能網格氣象預報預警平臺和未來3～7 d的精細化氣象要素預報，開發基于互聯網數據挖掘和專家知識決策技術的設施農業氣象災害監測預警及智能決策推送服務系統，對寒潮、大風、低溫寡照、暴雪等北方主要設施農業氣象災害進行早期預警提醒，系統于2017年秋冬季在天津津南區部分農業園區推廣應用，基于移動互聯網通過智能手機APP對5次強冷空氣過程提前3～5 d自動研判并實時推送設施農業生產管理決策和防災減災提醒建議，便于生產管理者及時關注天氣變化和提前采取生產管理措施，避免重大災害損失，探索應用互聯網、云技術、大數據挖掘等信息手段開展氣象災害早期預警，為研究滿足設施農業互動式、個性化、智能化和專業化氣象信息服務和推動農業現代化和現代農業發展提供借鑒。

監測；預警系統；設施農業；專家決策；氣象災害；數據挖掘；信息技術

0 引 言

近年來，隨著社會經濟和科學技術的不斷發展，人們對冬季“菜籃子”工程的需求日益增大，具有高效益的設施農業已經成為北方農業生產的重要組成部分。秋冬季節是中國北方設施農業進行反季節蔬菜生產的主要時段，但目前北方大多數溫室結構及設備相對簡陋，且該季節大風、寒潮、暴雪、低溫寡照等災害性天氣頻發，對設施農業生產有著較大影響。近年來受霧、霾等天氣現象增多的影響，秋冬季節日照時數明顯減少，低溫寡照已成為影響北方設施農業生產最嚴重氣象災害[1]。氣象災害發生后如果防御措施不當或不及時，將會對設施作物產量和品質造成較大影響。因此，在中國北方地區設施農業生產中，及時做好設施農業安全生產和氣象災害防御服務變得尤為重要。

目前，國內外專家學者針對設施農業氣象災害指標、作物致災機理以及針對不同作物的災害風險影響評價等進行了大量研究，高浩等[2]總結了中國設施農業氣象業務服務現狀，結合設施農業氣象監測預警服務網絡體系建設和增強設施農業防災減災能力提出了對策。魏瑞江等[3]、趙子征等[4]、賀延梅等[5]、李寧等[6]、楊小利等[7]圍繞北方日光溫室氣候區劃對設施農業的氣候適應性和氣象災害影響因子等指標進行了研究。黎貞發等[8]嘗試利用物聯網技術集成開發集小氣候實時監測、低溫災害預警、自動化控制等低溫災害監測預警系統。而基于天氣實況和氣象部門未來天氣趨勢預報進行設施農業氣象災害及時預警尚待解決，解決問題的關鍵在于構建機理性的設施作物氣象災害預警模型[9]。另外，基于氣象部門傳統天氣預報開展設施農業生產決策氣象服務已經不能滿足設施農業生產的精細化和個性化服務需求，基于互聯網數據挖掘和專家知識決策系統等人工智能手段在設施農業氣象災害預警和智能服務中的應用尚不多見，主要原因體現在：1）缺少基于農作物生育期指標、小氣候實時觀測數據、作物及時種植管理以及天氣預報預測等多數據因素關聯的專家知識規則和智能推理機制；2）現有的設施農業氣象災害預警服務以共性的公共服務為主，缺少滿足設施農業作物種植個性化和不同作物生育期針對性需求的互動式智能生產管理決策服務平臺。

本文旨在闡述運用信息化技術，特別是云計算、物聯網、移動互聯網技術，結合大風、寒潮、暴雪、寡照4種北方主要設施農業氣象災害防御需求，以黃瓜為例，通過多重因素關聯規則學習方法，挖掘互聯網氣象數據、設施農業小氣候環境數據及作物生育期之間的關聯知識表達模型，構建設施農業氣象災害預警和生產管理智能服務專家知識規則，構建設施農業作物生長適宜性環境數據庫，研發專家知識規則庫構建平臺，建立設施農業氣象災害監測預警大數據中心，依托氣象部門一體化智能網格氣象預報預警平臺，建立設施農業氣象災害預警和智能服務推送系統，面向農業園區和農業種養大戶提供互動式、個性化、智能化直通式氣象信息服務。

1 中國北方設施農業主要氣象災害

中國北方地區廣義上是指秦嶺淮河以北地區，包括東北、華北、西北和內蒙古自治區，面積約占國土總面積的五分之一，屬于溫帶季風氣候和溫帶大陸性氣候，四季分明，雨熱同期。冬季寒冷干燥，夏季高溫多雨。對農業生產影響較大的氣象災害有干旱、洪澇、低溫寡照、寒潮凍害、大風、干熱風、暴雪等，而影響中國北方秋冬季節設施農業生產的災害主要包括大風、寒潮、暴雪和寡照。

1.1 大 風

大風是因為氣壓梯度差而形成的快速流動空氣，產生大風的天氣系統很多，如冷鋒、雷暴、颮線和氣旋等。中國氣象觀測業務中規定瞬時風速達到或超過8級（平均風速17.2～20.7 m/s）時稱為大風[10-11]，天氣預報業務規范中規定平均風速大于等于6級（10.8～13.8 m/s）時為大風[12]，危害性極強。本系統主要是基于未來天氣預報進行實時預警，故選用天氣預報業務規范標準。大風災害對溫室大棚等設施農業的直接危害是卷走草簾，刮飛、刮破棚膜，損壞大棚基礎結構設施，降低或破壞大棚保溫性能，進而使作物遭受強風、低溫凍害，造成作物減產或絕產。

1.2 寒 潮

寒潮是指中國北方強冷空氣大規模地向南推進所造成的大范圍內急劇降溫和產生偏北大風的劇烈天氣過程[13]。根據冷空氣等級標準：日最低氣溫24 h內降溫幅度大于或等于8 ℃，或48 h內降溫幅度大于或等于10 ℃，或72 h內降溫幅度大于或等于12 ℃，而且使該地日最低氣溫下降到4 ℃以下的冷空氣[14]。寒潮天氣的主要特點是劇烈降溫和大風，有時還伴有雨、雪或霜凍的天氣，如不及時防御，容易對設施農業容易造成綜合性災害。

1.3 暴 雪

暴雪的出現往往伴隨大風、降溫等天氣，給交通和冬季農業生產帶來影響。天氣預報業務規范中規定12 h降雪量(融化成水)≥6 mm或24 h降雪量(融化成水)≥10 mm稱為暴雪[15]。暴雪容易導致棚頂積雪過厚，造成大棚坍塌。

1.4 寡 照

寡照即缺少陽光照射，主要指陰雨天、霧霾天導致太陽光到達地面很少或沒有，常見表述有多雨寡照、低溫寡照、陰雨寡照等，是對冬季設施農業生產產生影響較大的災害之一[16]。秋冬季寡照持續時間如果超過3d，將容易造成大棚內光照嚴重不足，濕度增加，溫度降低，作物生理活性受限，導致蔬菜生長緩慢甚至爛根爛苗[16-18]。

2 關聯規則和專家系統

設施農業氣象災害監測預警智能服務系統的支撐基礎是氣象與農業知識相結合的知識規則，這些規則的整理可以從理論和實踐2個方向著手，將知識規則信息化應用主要技術涉及關聯規則和專家系統。

2.1 關聯規則定義

關聯規則挖掘是數據挖掘的重要手段，主要是從集合中挖掘出滿足支持度和置信度最低閾值要求的所有關聯規則。假定=1,2,3,4,5,6,…,i,I稱作項目集合，每位顧客一次購買的商品集合t稱為一個事務，所有的事務1,2,…,7,…,t稱作事務集合，并且滿足t是的真子集。一條關聯規則是形如下面的蘊含式[4]。

→滿足：、是的真子集，并且和的交集為空集。其支持度、置信度計算公式如下

support=(,).count.count （1）

confidence =(,).count/.count （2）

式中support-支持度；前件，-后件；confidence-置信度；().count-和同時出現的事務數，.count-事務總數；.count-出現的事務數。

滿足關聯規則的閾值minsup（最小支持度）和minconf（最小置信度）由用戶指定，要想找出滿足條件的關聯規則，首先必須找出這樣的集合=U，它滿足.count/.count≥minsup，其中.count是中包含的事務的個數，然后再從中找出這樣的蘊含式—>，它滿足().count/.count≥minconf，并且=-。則稱像這樣的集合稱為頻繁項目集，假如中的元素個數為，稱這樣的頻繁項目集為-頻繁項目集，它是項目集合的子集。所以關聯規則挖掘可以大致分為從事務集合中找出頻繁項目集和從頻繁項目集合中生成滿足最低置信度的關聯規則2步[19-22]。

通過支持度（support）、置信度（confidence）等指標來解釋挖掘有價值的規則是關聯分析的核心，最有影響的關聯規則挖掘算法是Apriori算法[23]，它主要利用了向下封閉屬性：如果一個項集是頻繁項目集，那么它的非空子集必定是頻繁項目集。它先生成1-頻繁項目集，再利用1-頻繁項目集生成2-頻繁項目集，然后根據2-頻繁項目集生成3-頻繁項目集，……依次類推，直至生成所有的頻繁項目集，然后從頻繁項目集中找出符合條件的關聯規則。

在本文中，關聯分析主要有2個目的：一個是用關聯分析挖掘主要因子，輔助規則的整理；另一個是用于措施的整理及以后規則及措施優化，即對規則條件、措施和農作物的長勢情況進行關聯分析，積累挖掘更優的應對措施，為生產管理提供更加智能的服務。

2.2 專家系統

專家系統屬于人工智能技術范疇，是一類具有專門知識規則和經驗推理的計算機智能程序系統，通過對專家知識問題求解能力的建模，采用人工智能中的知識表示和知識推理技術來模擬通常由專家才能解決的復雜問題，達到具有與專家同等解決問題能力的水平。這種基于知識的系統設計方法是以知識庫和推理機為中心而展開的，即：專家系統=知識庫+推理機[24-26]。

3 設施農業氣象災害智能預警服務系統設計

氣象災害預警工作中，時效性至關重要。傳統的基于瀏覽器/服務器（B/S）架構的氣象預警發布系統手段時效性差，隨著移動互聯網技術的發展，基于智能手機，采用第三方平臺推送解決方案。構建基于客戶端/服務器（C/S）架構模式的實時預警信息推送系統，同時利用移動GIS技術動態地采集用戶的位置,實現氣象災害預警與地理位置因素密切相關，將用戶所處區域氣象災害預警提醒推送給用戶，實現氣象預警的自動化和智能化[27-28]。

本文面向設施農業氣象災害自動監測預警和智能服務數據采集、存儲需求，采用互聯網、物聯網和專家知識庫數據源，基于Web Service云服務總線，兼顧設備數據接入和氣象信息服務推送性能要求，設計具有數據匯聚、海量數據管理、大數據服務功能的設施農業氣象災害預警服務云存儲技術總體框架，部署可與設施農業氣象智能服務模型相耦合、數據存儲具有自動擴展、數據容量不受節點限制的云存儲系統，研發相應的云服務中間件，提供大數據存取與服務調度功能（圖1）。

圖1 設施農業氣象災害智能預警系統設計框架圖

3.1 多重因素關聯的作物生長知識規則構建

北方設施農業多以種植效益較高的果菜為主，系統服務器端后臺處理系統專家知識規則中主要考慮包括黃瓜、番茄、草莓等作物各生育期指標。天津作為全國黃瓜育種的主產地，秋冬季反季節蔬菜生產中以種植黃瓜較為普遍，本文選取以黃瓜為例，介紹多因素關聯作物生長知識規則構建過程。

首先，根據溫室實時監測數據、作物長勢等觀測資料，綜合運用關聯分析和專家知識，優先整理生產中迫切需要的作物生長適宜性（適宜/不適應）環境信息源，主要包含作物在不同生育期內適宜土壤溫濕度、含水率、棚內空氣溫濕度、棚外空氣溫濕度等指標（表1）。

表1 作物生長氣象適宜性知識規則（黃瓜為例）

其次，通過對多年來冬季開展的設施農業種植黃瓜試驗所實時采集的氣象、環境、作物生產數據進行對比分析，構建包含每個作物各生育期的知識規則、作物適宜性（適宜/不適宜）設施環境規則、氣象環境規則的知識庫，建立包括作物(crop)、生育期（growth period）、適宜性規則（suitablility rules）和不適宜性規則 (not appropriate rules)等內容的數據模型（圖2），實現對預警規則的修改、刪除和更新，并對知識庫完整性和一致性進行維護。

3.2 設施農業氣象災害監測大數據存儲服務

設施農業氣象物聯網監測數據具有高頻率并發、持續增長特性，在存儲和調度方面對數據服務器造成的壓力較傳統方式大，因此本文選用Oracle Nosql構建云存儲系統，解決服務器應對高頻率數據并發存取瓶頸[29-30]。

圖2 溫室作物生長氣象適宜性知識規則數據模型

3.3 多模型耦合的設施農業氣象災害預警協同智能決策

構建作物生育期指標、氣象災害預警閾值參數、設施環境適宜性參數組成的多模型專家知識決策樹，調用信息服務與相應知識模塊，構建設施農業氣象災害預警智能服務推理決策模型，如大風決策模型、低溫凍害決策模型、生產管理建議決策模型等，從知識庫中選取相關的作物生長知識，按照一定的推理策略進行推理，直到得出相對應的氣象災害預警類別和等級，并提出設施農業生產管理和災害防御建議進行智能推送。

3.4 專家知識規則表示

專家知識規則庫是智能專家決策推理的基礎，知識規則的合理性和豐富程度決定了專家推理結果的可信度和可行性。冷空氣是導致大風、寒潮、暴雪、寡照等災害的主要因子，因此將冷空氣的等級標準作為本系統未來天氣趨勢和災害預判專家規則的主要指標。氣象部門日常的天氣預報指標中主要包括最高氣溫（max）、最低氣溫（min）、天氣現象（）、風向（d）、風力（s）。日最低氣溫（min）降溫幅度為判別冷空氣強弱和寒潮的主要指標因子，風力（s）作為大風的判定標準，一般6級以上定義為大風標準，天氣現象作為判定寡照和暴雪的主要因子，一般連續3 d或以上出現陰天則判定為寡照災害。冷空氣根據強弱程度，中國將冷空氣分為5個等級：弱冷空氣、中等強度冷空氣、較強冷空氣、強冷空氣和寒潮[14]。具體標準如表2所示。

表2 氣象知識規則

以冷空氣為例，專家決策關聯規則簡單表示如下：

1）IF“日最低氣溫”48 h波動<6 ℃，當前“溫室代碼”+室內氣溫為“空氣溫度”，“作物名稱”正值“生育期”，未來7 d氣溫波動不大，建議適時加強水肥管理。

|min(i)–min(j)|<6，20,1,2,3,4,5

2）IF“日最低氣溫”48 h波動≥6 ℃且<8 ℃，當前“溫室代碼”+室內氣溫為“空氣溫度”，“作物名稱”正值“生育期”，未來7 d有中度強冷空氣影響，建議關注天氣變化，注意適時蓋膜，提前采取加溫措施，防止作物受凍。

6≤|min(i)–min(j)|<8，20,1,2,3,4,5

3）IF“日最低氣溫”48 h波動≥8 ℃，且“日最低氣溫” ≥8℃，當前“溫室代碼”+室內氣溫為“空氣溫度”，“作物名稱”正值“生育期”，未來7 d有較強冷空氣影響，建議關注天氣變化，注意適時蓋膜，提前采取加溫措施，防止作物低溫凍害發生。

8≤|min(i)–min(j)| and |T(i)|≥8，20,1,2,3,4,5

4）IF“日最低氣溫”48 h波動≥8 ℃且“日最低氣溫”≤8 ℃，當前“溫室代碼”+室內氣溫為“空氣溫度”，“作物名稱”正值“生育期”，未來7 d有強冷空氣影響，建議關注天氣變化，注意溫室加固。適時蓋膜，防范大風降溫對溫室的不利影響。

8≤|min(i)–min(j)| and |T(i)|≤8，20,1,2,3,4,5

5）IF“日最低氣溫”24 h波動≥8 ℃，或48 h內波動≥10 ℃，或72 h內波動≥12 ℃，而且“日最低氣溫”≤4 ℃，當前“溫室代碼”+室內氣溫為“空氣溫度”，“作物名稱”正值“生育期”，未來7 d有寒潮災害影響，建議關注天氣變化，注意溫室加固。適時蓋膜，防范大風、強降雪、低溫凍害對溫室及作物的不利影響，及時采取加溫、補光等生產措施。

8≤|min(i)–min(j)| and 10≤|min(i+1)–min(j)| and 12≤ |min(i+2)min(j)| and |min(j)|≤4，+10,1,2,3,4,5,6

當同時滿足2種規則時，疊加顯示決策結論，如“日最低氣溫”波動<6 ℃，且“天氣現象”等于“晴”或“多云”時，決策內容為：當前“溫室代碼”+室內氣溫為“空氣溫度”，“作物名稱”正值“生育期”，未來7 d氣溫波動不大，建議適時加強水肥管理。天氣以晴到多云為主，光照充足，建議去掉遮陽網或膜，增溫補光，加強水肥管理，加速作物生長。

4 系統實現與結果分析

4.1 系統實現

基于上述設計，運用JavaEE技術框架、SOA（service oriented architecture）云服務技術[29]，研發構建氣象、作物等多重因素關聯的專家知識規則，依托氣象部門綜合氣象信息數據平臺（CIMISS：China Integrated Meteorological Information Service System）和精細化智能化網格數值天氣預報數據資源進行數據挖掘，基于專家知識規則庫和輔助設施農業園區的溫室小氣候觀測數據和設施農業動態種植農情，構建多模型耦合的設施農業氣象災害智能服務推理決策模型，建立具備推理診斷與決策服務功能的設施農業氣象災害智能推送服務系統，基于移動互聯網技術通過智能手機APP或手機短信息為氣象部門業務服務、農業園區管理、農業專業用戶等提供設施農業氣象災害直通式災害預警提醒服務。

4.2 結果分析

2017年在天津市津南區設施農業種植園區以及氣象部門進行推廣使用，農業技術人員可通過設施農業氣象災害智能手機APP（圖3）實時獲取未來7 d寒潮、大風、低溫寡照、暴雪等重要轉折性天氣和氣象災害預警提醒和設施農業生產管理決策和災害防御建議，并及時關注天氣變化，根據設施農業實時種植作物種類采取相應的生產管理措施，提早做好氣象災害防御，避免重大災害損失。同時，通過在天津津南區設施農業氣象災害監測預警服務中的應用，對黃瓜（HG）、蕃茄（FQ）苗期（Mq）和花果期（Hgq）的2013~2016年試驗溫室的氣溫觀測數據（T1～T5）和相應低溫凍害記錄等數據進行挖掘分析（表3、圖4）。

圖3 設施農業氣象災害預警智能決策服務APP界面

表3 設施作物生產氣象災害觀察關聯分析結果

注：黃瓜（HG）、蕃茄（FQ）、苗期（Mq）和花果期（Hgq）；0~4 ℃（T1）、5~7 ℃（T2）、8~10 ℃（T3）、11~13 ℃（T4）、14~16 ℃（T5）；低溫冷害程度：無、輕、中、重。

Note: Cucumber(HG), Tomato(FQ), Seedling stage(Mq), Flower and fruit period(Hgq); T1(0-4 ℃), T2(5-7 ℃), T3(8-10 ℃), T4(11-13 ℃) and T5 (14-16 ℃); Degree of chilling damage: None, light, medium and heavy.

圖4 規則關聯分析效果

關聯分析中，規則的支持度（support）、置信度（confidence）和挺度值（lift）的高低代表了規則的強弱[31]，越強的關聯規則揭示出隱含在數據背后的規律性越明顯。表3是從關聯分析48條初步規則中篩選出的29條規則，其中規則1-5、9-16、20尤為明顯（圖4），結果表明溫度在T2（5～7 ℃）、T3（8～10 ℃）范圍時，無論是黃瓜還是番茄，都容易在苗期和花果期發生中度凍害；在溫度處于T1（0～4 ℃）區段時，容易發生重度凍害。分析結果得出：在關聯分析數據挖掘驅動下，優先整理直接對黃瓜、草莓、番茄、甜椒等作物造成較大影響的氣象災害預警規則，通過專家知識規則的形式輸入到設施農業氣象災害預警智能決策服務系統中，由系統根據實時感知數據，向用戶推送防護措施，通過提高生產措施的針對性，實現降低風險和提質增效目標。2017年針對秋冬季的5次強冷空氣過程均提前3～5 d給出警示提醒，預警標準受天氣預報準確率的影響，級別略有差異，但總體可以滿足提早提醒用戶對冷空氣過程關注的需要。隨著天氣預報準確率的逐步提高和系統的不斷應用以及專家知識規則的不斷豐富，基于地理位置的天氣預報趨勢和設施農業實時種植農情智能推理的農業生產決策服務信息將為農業生產和管理者提供更有針對性和有價值的農業生產指導建議，趨利避害。

5 結 論

本文針對北方設施蔬菜面臨的災害性天氣影響問題，提出了基于關聯分析和專家系統規則的整理方法，并用于設施農業氣象災害預警智能決策服務系統構建和服務中，將未來7 d寒潮、大風、低溫寡照、暴雪等重要轉折性天氣和氣象災害預警提醒信息以及設施農業生產管理決策建議通過智能手機APP實時推送給農業技術人員，便于生產管理者關注天氣變化并及時根據設施農業實時種植作物種類采取相應的生產管理措施，提早做好氣象災害防御準備，避免重大災害損失。結論如下：

1）基于關聯分析的數據挖掘技術，整理出黃瓜、草莓、番茄、甜椒等設施作物生產急需的氣象知識規則，為智能系統構建提供支撐，有效地提高了智能服務與生產實際需求的融合度。

2）基于互聯網數據挖掘和專家決策系統，進行設施農業災害監測預警和智能信息服務，為生產實踐提供實時、個性化指導。

3）通過關聯規則將基于位置的天氣趨勢預報、溫室小氣候觀測數據以及溫室大棚作物動態實時種植和作物各生育期指標等進行充分融合并進行專家推理，開展氣象災害的實時預警和生產管理智能決策服務。

該系統針對中國北方秋冬季大風、寒潮、暴雪、低溫寡照等氣象災害對設施農業生產的影響，探索基于互聯網+、人工智能等信息技術在氣象為農服務中應用，提出系統平臺技術框架和解決方案，探索應用互聯網、云技術、大數據挖掘等信息手段開展氣象災害早期預警和信息服務，為研究滿足設施農業個性化、智能化和專業化氣象服務和推動農業現代化和現代農業發展提供借鑒。

[1] 李春，郭晶，薛慶禹，等. 天津近郊設施農業氣候資源與氣象災害變化特征[J]. 北方園藝，2015，39(6)：190－193. Li Chun, Guo Jing, Xue Qingyu, et al. Variation characteristics of facility agro-climatic resources and meteorological disaster in Tianjin suburb area[J]. Northern Horticulture, 2015, 39(6): 190－193. (in Chinese with English abstract)

[2] 高浩, 黎貞發, 潘學標, 等. 中國設施農業氣象業務服務現狀與對策[J]. 中國農業氣象，2010，31(3)：402－406. Gao Hao, Li Zhenfa, Pan Xuebiao, et al. Situation and countermeasures to agro-meteorological services on controlled environment agriculture in china[J]. Chinese Journal of Agrometeorology, 2010, 31(3): 402－406. (in Chinese with English abstract)

[3] 魏瑞江，趙春雷. 基于GIS的河北果菜日光溫室最佳發展區域確定[J]. 中國農業資源與區劃，2005，26(1)：35－38. Wei Ruijiang, Zhao Chunlei. Confirmation of most suitable area for developing fruit and vegetable solar green house in hebei province by using gis technology[J]. Journal of China Agricultural Resources and Regional Planning, 2005, 26(1): 35－38. (in Chinese with English abstract)

[4] 趙子征，彭高軍，辛本勝. 我國西北地區節能型日光溫室蔬菜生產氣候區劃[J]. 農機化研究，2006(5)：87－90. Zhao Zizheng, Peng Gaojun, Xin Bensheng. The climatic regionalization for vegetable production in energy-saving solar greenhouse in northwest of China[J]. Journal of Agricultural Mechanization Research, 2006(5): 87－90. (in Chinese with English abstract)

[5] 賀延梅，李化龍，尚小寧，等. 日光溫室災害性天氣及防御[J]. 陜西農業科學，2008(6)：81－83.

[6] 李寧，申雙和，黎貞發，等. 基于主成分回歸的日光溫室內低溫預測模型[J]. 中國農業氣象，2013，34(3)：306－311. Li Ning, Shen Shuanghe, Li Zhenfa, et al. Forecast model of minimum temperature inside greenhouse based on principal component regression[J]. Chinese Journal of Agro- meteorology , 2013, 34(3): 306?311. (in Chinese with English abstract)

[7] 楊小利，周安寧. 高效節能日光溫室蔬菜生產氣候區劃[J]. 干旱氣象，1999，17(3)：40－41. Yang Xiaoli, Zhou Anning. The climatic demacration for high efficient heliogreenhouse vegetable production[J]. Journal of Arid Meteorology, 1999, 17(3): 40－41. (in Chinese with english abstract)

[8] 黎貞發，王鐵，宮志宏，等. 基于物聯網的日光溫室低溫災害監測預警技術及應用[J]. 農業工程學報，2013，29(4)：229－236. Li Zhenfa, Wang Tie, Gong Zhihong, et al. Forewarning technology and application for monitoring low temperature disaster in solar greenhouses based on internet of things[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(4): 229－236. (in Chinese with English abstract)

[9] 陳思寧，黎貞發，劉淑梅. 設施農業氣象災害研究綜述及研究方法展望[J]. 中國農學通報，2014，30(20)：302－307. Chen Sining, Li Zhenfa, Liu Shumei. Review of facilities agriculture meteorological disasters and prospect of associated study methods[J]. Chinese Agricultural Science Bulletin, 2014, 30(20): 302－307. (in Chinese with English abstract)

[10] 中國氣象局，地面氣象觀測規范[M]. 北京：氣象出版社，2003.

[11] 地面氣象觀測規范：QX/T 51-2007[S].

[12] 重大氣象災害應急響應啟動等級：QX/T116-2010[S].

[13] 余文韜，吳振玲，何群英，等. 天津天氣預報手冊[M]. 北京：氣象出版社，2015.

[14] 冷空氣等級：GB/T20484-2006[S].

[15] 降雨量等級：GB/T28592-2012[S].

[16] 魏瑞江. 日光溫室低溫寡照災害指標[J]. 氣象科技，2003，31(1)：50－53. Wei Ruijiang. The disaster grades of low temperature and spare sunlight in greenhouse[J]. Meteorological Science and Technology, 2003. 31(1): 50－53. (in Chinese with English abstract)

[17] 胡俊峰. 應對北方設施農業災害性天氣的防御措施[J]. 蔬菜，2017 (1)：72－73.

[18] 祝青林，王麗娜，徐梅，等. 大連冬季設施農業氣象災害風險及趨勢分析[J].中國農學通報，2015，31(26)：235－240. Zhu Qinglin, Wang Lina, Xu Mei, et al. Trend analysis of meteorological disaster risk of facility agriculture of dalian in winter[J]. Chinese Agricultural Science Bulletin, 2015, 31(26): 235－240. (in Chinese with English abstract)

[19] 張宗郁，張亞平，張靜遠，等. 改進關聯規則算法在高校教學管理中的應用[J]. 計算機工程，2012，1(38)：75－77. Zhang Zongyu, Zhang Yaping, Zhang Jingyuan, et al. Application of improved association rule algorithm in college teaching management[J]. Computer Engineering, 2012, 1(38): 75－77. (in Chinese with English abstract)

[20] 韓家瑋. 數據挖掘概念與技術[M]. 北京：機械工業出版社，2007.

[21] 秦亮曦，史忠植. 關聯規則研究綜述[J]. 廣西大學學報：自然科學版，2005，30(4)：310－317. Qin Liangxi, Shi Zhongzhi. A survey on the research of association rules[J]. Journal of Guangxi University: Natural Science Edition, 2005, 30(4): 310－317. (in Chinese with English abstract)

[22] 畢建欣，張岐山. 關聯規則挖掘算法綜述[J]. 中國工程科學，2005(7)：88－94. Bi Jianxin, Zhang Qishan. Survey of the algorithms on association rule mining[J]. Engineering Science, 2005(7): 88－94. (in Chinese with English abstract)

[23] 朱慶，恰汗·合孜爾. 一種改進的Apriori算法[J]. 計算機與數字工程，2010，38(4)：30－32. Zhu Qing, Qiahan·Hezier. An improved apriori algorithm[J]. Computer & Digital Engineering, 2010, 38(4): 30－32. (in Chinese with English abstract)

[24] 敖志剛.人工智能及專家系統[M]. 北京：機械工業出版社，2010.

[25] 史忠植.高級人工智能(第二版)[M]. 北京：科學出版社，2006.

[26] 孫想，馮臣，吳華瑞. 基于語義Web的農業生產知識集成技術[J]. 農業工程學報，2008, 24(2)：186－190. Sun Xiang, Feng Chen, Wu Huarui. Technology of agricultural production knowledge integration based on semantic web[J]. Transactions of the Chinese Society of Agricultural Engineering（Transactions of the CSAE）, 2008, 24(2): 186－190. (in Chinese with English abstract)

[27] 劉文，杜景林. 基于LBS的氣象預警Android平臺設計[J].湖北農業科學，2013(24)：6161－6165. Liu Wen, Du Jinglin. Design of meteorological warning based on LBS using android platform[J]. Hubei Agricultural Sciences, 2013(24): 6161－6165. (in Chinese with English abstract)

[28] 張艮龍，尹蓉. 設施農業遠程監控與智能決策支持系統的研究[J].山西電子技術，2017，5：80－83.

Zhang Genlong, Yin Rong. Study on remote monitoring and intelligent decision support system for facility agriculture[J]. Shanxi Electronic Technology, 2017, 5: 80－83. (in Chinese with English abstract)

[29] Wang Yuansheng, Wu Huarui, Luo Lei, et al. Research on cloud storage technologies of typical crop growth environment monitoring data[J]. Computer Modelling &New Technologies，2014, 16(2): 13－22.

[30] 王元勝，李瑜玲，吳華瑞，等. 農業園區全景GIS 數字化系統設計與應用[J]. 農業工程學報，2018，34(11)：143－149. Wang Yuansheng, Li Yuling, Wu Huarui, et al. Design and application of digital system for agricultural park based on panorama GIS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(11): 143－149. (in Chinese with English abstract)

[31] 劉藝，張海濤，劉奇燕，等. 基于分解數據庫的FP-growth 算法關聯規則研究[J]. 計算機與數字工程，2018，46(7)：1306－1310，1416. Liu Yi, Zhang Haitao, Liu Qiyan, et al. Research on association rules of FP-growth algorithm based on decomposition database[J]. Computer & Digital Engineering, 2018, 46(7): 1306－1310,1416.(in Chinese with English abstract )

Design and realization of intelligent service system for monitoring and warning of meteorological disasters in facility agriculture in North China

Sun Zhigui1, Wang Yuansheng2※, Zhang Lu3, Guo Wang2

(1.300074,; 2.100097,;3.300050,)

In recent years, facility agriculture that features high-efficiency has become an important part of agricultural production in the North of China. However, it was suffered some damages from severe weather such as cold wave, strong winds, blizzards, low temperature and less sunshine hazard. This study was aimed to cater for the straight-through demands of facility agricultural breeding enterprises and large agricultural breeding families for facility Agra-meteorological disasters resisting and early warning. Based on artificial intelligence means such as internet data mining and expert knowledge decision-making system, we established an intelligent service system for monitoring and warning of meteorological disasters in facility agriculture to guarantee the security and stability of facility agriculture production. First of all, the meteorological knowledge that was urgently needed for the production of crops such as cucumber, strawberry, tomato, and sweet pepper etc. was summarized by using information technologies such as cloud computing, Internet of things, mobile Internet, the Java EE technology framework, SOA(service oriented architecture) cloud service technology, and multi-factor association rule learning method. Then we defined the rules of agricultural meteorological disaster warning and production management expert knowledge based on the location-based weather forecasting data, microclimate environment data of facility agriculture, dynamic planting information and growth period data of facility crops, which would effectively improve the integration of intelligent services and actual production needs. Finally, the facility Agra-meteorological disaster monitoring and early warning and intelligent decision-making pushing service system was built depending on the integrated platform for intelligent grid weather forecast and warning of meteorological department, forecast of refined meteorological elements in the next 3 to 7 days, Internet data mining and expert knowledge decision techniques, which would provide interactive, individualized, intelligent and straight-through meteorological information service for agricultural parks and large farming households. It indicated that real-time warning of meteorological disasters and intelligent decision-making services for production management had been working well. The system could not only provide real-time, personalized guidance for production practices, but also realize automatic warnings for Agra-meteorological disasters in major Northern facility agriculture such as cold wave, strong wind, low temperature and less sunshine hazard, and heavy snow. It would timely send information on the important turning weather in next 7 days, meteorological disaster warning, facility agricultural production management decision-making, and disaster prevention recommendations to agricultural technicians through smart phone APP. It was convenient for production managers to pay attention to weather changes and adopt corresponding production management measures according to the type of planting crops in time. Therefore, they would be in early preparation for meteorological disasters, avoiding major disaster losses. Providing interactive, personalized and intelligent straight-through meteorological information services for agricultural parks and large agricultural breeding families would effectively solve the pre-disaster early warning and disaster prevention problems of major facilities agricultural meteorological disasters. It would significantly improve the efficiency of modern agricultural production and be of far-reaching significance for promoting the development of agricultural modernization and modern agriculture.

monitoring; warning systems; facility agriculture; expert decision-making; meteorological disaster; data mining; information technology

孫治貴，王元勝，張 祿，郭 旺.北方設施農業氣象災害監測預警智能服務系統設計與實現[J]. 農業工程學報，2018，34(23)：149－156. doi：10.11975/j.issn.1002-6819.2018.23.018 http://www.tcsae.org

Sun Zhigui, Wang Yuansheng, Zhang Lu, Guo Wang. Design and realization of intelligent service system for monitoring and warning of meteorological disasters in facility agriculture in North China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(23): 149－156. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.23.018 http://www.tcsae.org

2018-07-13

2018-10-10

國家自然科學基金資助項目（61571051，61471067）；天津市氣象局科技專項（201717qxzx02）

孫治貴，工程師，研究方向：農業氣象。Email：zhg_sun@163.com

王元勝，副研究員，博士，研究方向：農業大數據與智能系統。Email：642634129@qq.com

10.11975/j.issn.1002-6819.2018.23.018

S625.5

A

1002-6819(2018)-23-0149-08