農業面源污染監測及預警系統設計

尤佳梁 毛力

摘要：農業面源污染是導致地表水污染的主要原因。為解決農業面源污染監控中遇到的瓶頸問題，設計并實現了一套基于信息融合、物聯網及云計算技術的農業面源污染監測及預警系統。目前系統運行平穩，預測預警準確性較高，較好地實現了對農業面源污染的動態監測、跟蹤與預警。

關鍵詞： 農業面源污染；信息融合；物聯網；云計算

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2019）10-0198-02

開放科學（資源服務）標識碼（OSID）：

Design of Agricultural Non-point Source Pollution Monitoring and Warning System

YOU Jia-liang1， MAO Li2

（1. Administration of Work Safety & Environmental Protection， Wuxi New District，Wuxi 214122， China；2. School of Internet of Things， Jiangnan University， Wuxi 214122， China）

Abstract： Agricultural non-point source pollution is the main cause of surface water pollution. To solve the bottleneck problem in agricultural non-point source pollution monitoring， an agricultural non-point source pollution monitoring and warning system was designed and implemented based on information fusion， internet of things and cloud computing technology. At present， the system runs with smooth working and relatively high forecasting accuracy. It can better realize the dynamic monitoring， tracking and early warning of agricultural non-point source.

Key words： agricultural non-point source pollution； information fusion； internet of things ； cloud computing

面源污染又稱非點源污染，主要由土壤泥沙顆粒、氮磷等營養物質、農藥、各種大氣顆粒物等組成，通過地表徑流、土壤侵蝕、農田排水等方式進入地表水體。與點源污染相比，面源污染的時空范圍更廣，不確定性更大，過程更復雜，污染更嚴重，因而加大了治理及管理的難度[1]。

目前，點源污染已得到較好的控制和管理，但面源污染問題卻日益突出[2]。研究表明，面源污染是導致地表水污染的主要原因，其中又以農業面源污染貢獻率為最大。因此，加強對農業面源污染的監控已是當務之急。但由于農業面源污染的發生具有隨機性、廣泛性、滯后性、模糊性及突發性等特點，因此農業面源污染治理一直都是一個世界性難題。

面源污染監測及預警就是在特定區域內，對地表水質狀況進行監測、分析、評價，對其未來發展狀況進行預測，對不正常狀況進行預警。它具有先覺性、預見性，具有對地表水質演化趨勢、方向、速度、后果的警覺作用，最終目的是對面源污染進行有效監控管理。

目前我國農業面源污染監控應用尚處于初級階段，與國外相比，監測技術及決策手段相對落后，主要表現在：

1）僅根據少數孤立因子來對某一局部區域的農業面源污染進行監測，很難對總體污染情況做出準確、客觀和綜合的判斷，農業面源污染預測預警模型性能有待提高。

2）隨著監測范圍的不斷擴大、監測參數的不斷增多，監控決策功能的不斷增強，監控中心傳統的硬件系統搭建方式既價格高昂又難以適應與日俱增的存儲和運算需求。

信息融合是利用計算機技術將來自多個傳感器或多源的觀測信息進行分析、綜合處理，得出決策的處理過程[3]。信息融合技術包括貝葉斯（Bayesian）推理、D-S（Dempster-Shafer）證據推理、聚類分析、神經網絡、支持向量機[4]、極限學習機[5]等。

為解決上述農業面源污染監控中遇到的瓶頸問題，本文開發了一套基于信息融合技術、物聯網及云計算技術[3]的農業面源污染監測及預警系統，較好地實現了對農業面源污染的動態監測、跟蹤與預警。

1 系統總體架構

農業面源污染監測及預警總體架構包括應用層、傳輸層和感知層，其中：

應用層負責數據匯總、轉換、分析處理、呈現等。此層分兩個子層：支撐平臺子層和應用服務子層。支撐平臺子層為應用服務子層提供數據處理、共享、互通等通用基礎服務和資源調用接口，并將傳輸層得到的信息進行分類存儲，利用大規模并行計算功能對數據進行加工處理。應用服務子層在支撐平臺子層的基礎上，實現實時監控、信息管理、實時預警、智能決策等功能。

傳輸層負責把感知層采集的信息無障礙、安全、可靠地傳輸到應用層。

感知層體現物聯網的全面感知特征，即利用各類智能感知設備以及傳感器節點，隨時隨地獲取所需的監測點信息，如：溫度、PH值、溶解氧、氨氮、ORP及流量等數據參數。

除此之外，三層架構均使用了安全技術和網絡管理等公共技術，確保數據的準確性、健壯性以及安全性。

2 系統設計方案

基于ASP.NET+SQL SERVER的農業面源污染監測及預警系統具備數據采集、信息查詢、污染負荷監測及預警等功能。系統功能完備、界面友好、性能良好、所完成功能能滿足農業面源污染監測及預警的需求。

基于RUP 的系統開發過程分為需求捕獲、分析、設計、實現和測試等階段，每個階段都是在前一階段的基礎上的進一步細化，呈增量迭代式發展。其中需求捕獲階段主要進行用例（Use Case）建模以及收集對架構有顯著影響的需求；分析階段主要是將需求的內容轉換成分析模型； 設計階段主要是通過考慮實現環境，將分析模型擴展和轉化為可行的技術實現方案； 實現階段的主要任務是基于設計內容創建源代碼和可執行代碼，以及用于部署的組件模塊；測試階段主要是對實現階段中所完成的工作進行驗證。

系統采用開源云計算系統 Hadoop，Hadoop 的核心內容包括 HDFS（分布式文件系統），提供了各個節點的分布式存儲能力，具有超強的數據備份，容錯能力來保障數據安全性；MapReduce 分布式計算，利用其提供的框架可完成大規模數據的信息挖掘和處理。

系統將感知層采集獲得污染監測數據傳輸到農業面源污染監測及預警系統的數據接收平臺上。部署在 Web 服務器端的數據接收平臺負責接收數據，并與云計算平臺進行接口通信。通過接口，Hadoop 向前端應用提供 MapReduce 計算服務以及數據存儲服務，來支持前端應用的數據存儲與分析職能。系統組成如圖1所示：

3 關鍵技術

3.1 水質數據預處理技術

在數據采集過程中由于機械或人為等因素可能產生一些異常數據，如直接將這些異常數據用于構建模型，將會導致預測預警精度下降；另外將存在大量冗余信息的原始數據直接用于后續信息融合，也將會增加融合時間，降低融合精度。

本系統采用基于改進模糊C均值聚類算法[6]對原始采集數據進行預處理，去除異常數據及冗余信息，將得到的聚類中心點作為后續融合的輸入樣本集，從而減少了融合時間，提高了模型精度。

3.2 基于改進極限學習機的水質預測預警模型構建技術

目前廣泛使用的水質預測預警模型大多基于神經網絡或支持向量機，由于神經網絡易陷入“過學習”和局部極小點，泛化能力不強；支持向量機需人為設置各種參數，參數確定困難且耗時，故這類模型在實際應用中的預測預警精度及實時性均有待提高。

極限學習機是一類基于前饋神經網絡的新型學習算法，其隱層節點參數可以是隨機或人為給定且不需要調整，學習過程僅需計算輸出權重，故學習效率高和泛化能力強。但是傳統ELM是基于經驗風險最小化原理，應用于預測時極易導致過度擬合。本系統采用一種融合最小二乘向量機回歸學習思想的改進極限學習機[7]，該算法在傳統極限學習機的基礎上，結合最小二乘向量機回歸學習方法，引入了基于結構風險最小化理論，從而有效避免了過度擬合問題。本系統將其作為弱預測器與AdaBoost結合，來對預處理后的監測數據進行決策融合，建立了一個更全面、更高效的水質預測模型，并基于預警規則（包括預警觸發條件，預警級別、預警對策及方式等）設計預警模型，克服了現有模型存在的諸多不足，提高了預測預警精度及速度。

3.3 基于信息融合、物聯網與云計算技術的綜合集成技術

利用信息融合技術對面源污染相關的不同信息源所提供的局部不完整的觀測信息加以集成與互補，消除多源信息之間存在的冗余和矛盾，形成對農業面源污染環境相對完整的感知與描述，從而提高農業面源污染預警與應急響應決策的效率。

物聯網與云計算技術相結合，云計算技術憑借其強大的處理能力，存儲能力和極高的性價比，可以解決農業面源污染監控中存在的運營成本高，服務規模及性能有限等難題，為農業面源污染監控的推廣和普及提供強有力的技術保障。

4 結束語

本文將信息融合技術、物聯網及云計算技術引入農業面源污染監測及預警系統的構建，首先對采集數據進行預處理，再基于信息融合技術對預處理后的水質參數進行決策融合，建立水質預測預警模型，最后依據該模型實現對農業面源污染的在線監測與預警，為環境監管、環境評價、執法與決策提供了強大支持。

參考文獻：

[1] 吳巖， 杜立宇， 高明和，等. 農業面源污染現狀及其防治措施[J]. 農業資源與環境學報， 2011， 28（1）：64-67.

[2] 馮曉娜，張剛，王詠.農業面源污染防治措施進展研究[J]. 環境科學與管理， 2017， 42（8）：89-93.

[3] 彭力.物聯網技術概論（第2版）[M].北京：北京航空航天大學出版社，2015.

[4] Cortes C，Vapnik V. Support vector networks [J].Machine Learning，1995，20（3）：273-297.

[5] Huang G B， Zhu Q Y， Siew C K. Extreme learning machine： theory and applications [J].Neurocomputing， 2006， 70（1-3）：489-501.

[6] 毛力，宋益春，李引，等. Research of Improved Fuzzy c-means Algorithm Based on a New Metric Norm[J]. 上海交通大學學報（英文版）， 2015， 20（1）： 51-55.

[7] Li Mao， Lidong Zhang ， Xingyang Liu， Chaofeng Li， Hong Yang. Improved Extreme Learning Machine and Its Application in Image Quality Assessment[J]. MATHEMATICAL PROBLEMS IN ENGINEERING， 2014：7.

【通聯編輯：唐一東】