水稻藥肥精準施用大數據平臺設計與實現

何彬彬，曹 輝，張宏國，陳建華，李彥樨，安剛強，范春全

（1.電子科技大學，四川成都611731；2.成都理工大學，四川成都610059）

0 引言

水稻是我國主糧，華南與西南是我國水稻優勢產區，水稻面積占全國的26%。該稻區地理氣候及生態環境復雜，有害生物發生頻率高、危害重，各地農技水平不均衡，藥肥施用過量，有效利用率不高，影響了水稻產量和種植成本［1］，威脅了環境安全和食品安全［2-3］。我國政府高度重視藥肥濫用問題，制定了《到2020 年化肥使用量零增長行動方案》和《到2020 年農藥使用量零增長行動方案》，2018年“中央一號文件”強調“加強農業面源污染防治，開展農業綠色發展行動，實現投入品減量化，推進有機肥替代化肥，畜禽糞污處理，農作物秸稈綜合利用，病蟲害綠色防控”。

隨著物聯網、大數據等技術不斷成熟，越來越多的研究嘗試將其應用到精準農業中來。大數據技術正積極推動農情精細化監測，全球農情遙感速報系統通過引入聚類分析、時間序列分析、關聯分析、時空變化異常診斷等大數據分析方法提升數據挖掘能力，促進技術體系升級［4］。GA-SVM通過對農業網絡物理系統中產生的大數據進行預測，為農民了解未來生長環境、做出適宜種植和經營的決策提供支撐［5］。Delgado等認為可結合大數據分析和物聯網、人工智能、GPS、遙感等技術，利用WebGIS框架將分散的智慧農場連接至全球或某一區域，從而實現可持續精準農業［6］。大數據技術在采集、傳輸、存儲、處理和應用等環節形成了成熟的技術框架，根據不同應用場景應當構建不同的技術體系。CYBELE是一個保障農產品價值的平臺，整合不同類型各種來源的數據形成數據倉庫，基于優秀的大數據處理框架Spark、Hadoop、Kafka 及Elastic構建其高性能計算架構，從而提供數據發現、處理、組合和可視化等服務［7］；張波等（2016年）采用大數據、云計算、移動應用以及HTML5等新一代信息技術，構建并實現了精準農業航空服務平臺，充分考慮了植保施肥的實際需求［8］；朱亮等（2019年）利用Hadoop、Hbase及Spark 等技術設計并實現了農業氣象大數據平臺，實現對農業氣象數據的收集、存儲和應用，為“三農”服務、氣象防災減災提供數據支撐［9］。然而，相對于歐盟基于“5S”技術體系形成的精準農業生產方式，我國農業現代化發展滯后，特別在遙感農業大數據應用上大有可為［10］，將大數據技術應用到水稻藥肥精準施用上有其現實需求。

在我國，水稻藥肥精準施用是一個典型的大數據應用場景，積累了海量多源異構的時空大數據。自20世紀70 年代起，我國開展了田間養分精準管理方法與技術的研究和推廣，積累了大量土壤類型、肥力等基礎數據以及農村地籍調查、農業普查、作物需肥規律等田間養分管理相關數據［11］；自20世紀50年代起，我國開始逐步構建全國農作物重大病蟲害監測預警網絡體系，2009年全國農業技術推廣服務中心開始建設農作物病蟲害數字化監測預警平臺并推廣至各個監測站點使用，長年累積了大量病蟲害測報數據［12-13］；隨著遙感技術的發展，尤其是我國高分系列衛星的發射以及無人機遙感技術的發展，遙感數據源逐漸豐富，不同時間、空間、光譜分辨率的遙感數據為大尺度決策分析、病蟲害監測等方面提供了無限可能，對指導水稻精細化種植，發展精準農業具有重大意義［14-15］。然而，在農業大數據應用方面，存在缺乏專業技術人員和政策支持，數據共享水平低，數據處理、分析、挖掘能力薄弱等問題［16］，大多數據未能被有效整合應用產生價值。

文章依托國家重點研發計劃“華南及西南水稻化肥農藥減施技術集成研究與示范”課題1“藥肥精準施用跨境跨區域大數據平臺”，以華南西南稻區為背景，綜合考慮水稻藥肥精準施用相關的各來源的數據特點，采用大數據與互聯網技術，設計并實現水稻藥肥精準施用大數據平臺，提供海量多源異構數據的存儲、處理、共享、可視化、應用等服務。

1 需求分析

需求分析主要包括業務和技術兩方面。業務方面，在水稻種植與病蟲害防治過程中，多種角色的用戶會協同參與，各自需求不同且相互聯系，如圖1所示。主要包含6類角色，分別為農戶、農技服務人員、農技專家、管理者、數據分析人員、數據審核人員，并以農戶為核心完成信息傳遞。農戶在實際生產過程中需要農業專家提供建議和指導，在水稻長勢不好或遭遇水稻病蟲害時會向農技服務人員購買服務，也可以將田間實時的水稻信息或病蟲害圖片在平臺中發布；農技服務人員可在平臺中發布、編輯相關服務；農業專家一方面可以審核數據分析人員使用算法模型獲取的結果，另一方面可以使用數據審核人員獲取的實際數據進行結果驗證，同時也可向管理人員和平臺提出建議；數據審核人員則完成相關信息認證，數據校驗工作；數據分析人員則完成相關復雜模型所需的數據源的預處理，并進一步給出分析結果。

圖1大數據平臺用戶角色設計Fig.1 User role design for big data platform

技術方面，平臺應提供監控視頻、病蟲害圖片等多媒體數據，病蟲害測報數據，抗性和殘留監測數據，氣象數據，天空地一體化（衛星、無人機、地面）遙感數據，基礎地理信息數據等海量結構化和非結構化數據的整合、存儲和處理支持；在結構上應做到高內聚低耦合，以應對隨時可能產生的需求變化；提供簡單直觀的用戶交互界面，根據數據特點實現可視化，形象生動地展示各種信息。

2 平臺設計

2.1 組成結構

根據實際需求，設計平臺組成結構如圖2 所示，包括以下功能：用戶管理、農情監測、示范區、重大消息、預報、資訊、商業服務、上報、數據展示、病蟲害識別、系統性功能等。

用戶管理主要保證用戶實名使用，并對其角色、權限、個人信息進行統一管理與維護；示范區功能則是集成各地區與水稻相關的先進技術模式，包含農藥減施增效技術、配方肥與精準施用技術、側深減量施肥技術、病蟲草實時監測、種植品種選取等，這些技術模式可能僅適用于某些地區，平臺旨在統一整合并進行推廣，讓更多農戶受益；重大消息主要發布平臺通過獲取相關權威機構發布的病蟲情報等信息或平臺內部算法模型生成的有價值的并通過專家審核的信息；預報主要針對水稻長勢，病害發生規律，蟲害遷飛規律等，能為病蟲害防治、水稻估產等提供指導；農情監測是一個復合功能，“一張圖”直觀展示重要信息；資訊中主要包含一些常見病蟲害知識的介紹，技術方案的檢索，以及農情動態的發布與查看等；商業服務主要是在發現病蟲害的情況下，提供無人機植保，常見農藥化肥產品銷售等信息服務；上報則是大數據平臺采集整合數據的入口之一，方便用戶上傳數據；數據展示則提供對有價值的數據進行可視化展示；病蟲害識別則為APP 特色功能，在田間直接通過拍照即可知道發生了什么種類的病蟲害；其它包含了平臺額外的一些輔助功能。

圖2大數據平臺組成結構Fig.2 Composition structure for big data platform

2.2 體系結構

為保證平臺結構高內聚、低耦合，在經典的3層架構（即數據訪問層，業務邏輯層，應用層）的基礎上，結合實際情況，設計了如圖3所示的體系結構。該體系結構主要包括數據源、數據層、基礎服務層、專業服務層、應用層、GIS服務器等，不同層之間通過請求和響應機制進行交互，能實現前后端分離，將前臺應用與后臺服務解耦。

數據源作為大數據平臺的基礎支撐，包含監控視頻、病蟲害圖片等多媒體數據，病蟲害測報數據，抗性和殘留監測數據，氣象數據，遙感數據，基礎地理信息數據等。這些數據結構迥異，在存儲與處理的方式上也存在較大差異，平臺主要使用2 種文件系統（本地文件系統與分布式文件系統HDFS）進行底層存儲。為方便對相關數據進行增刪改查，使用關系型數據庫（PostgreSQL）存儲結構化數據，使用分布式數據庫Accumulo 存儲非結構化數據。

圖3大數據平臺體系結構Fig.3 Architecture for big data platform

后臺服務整體上分為3層，即數據訪問層、基礎服務層和專業服務層，使用Jersey框架開發基于RESTful風格的Web Service接口。數據訪問層主要使用存儲過程、事物等關系型數據庫的特性滿足相關業務功能數據讀寫需求；基礎服務層則是實現與水稻施藥施肥相關的算法模型，如病蟲害發生規律、水稻長勢監測等，并可向Spark分布式計算集群通過接口提交計算任務（提前將任務打成jar 包）；專業服務層作為后臺服務對外訪問的入口，首先實現了訪問控制，其次對基礎服務層的相關算法模型進行深加工，主要包括施肥處方，施藥處方，會商平臺等綜合應用；單獨設置了GIS服務器提供柵格與矢量地圖服務。

應用層考慮到不同用戶的使用習慣開發多種終端，基于Vue框架開發Web應用、手機APP，申請微信公眾號發布信息，使用微信開發者工具開發小程序。

3 核心功能實現

實現功能時保持兩大特色。一是盡可能結合地理信息與地圖交互。在采集示范區、重大消息等功能所需數據時要求提供地理位置信息，這不僅可以增加平臺的展示度從而提升用戶體驗，而且對于指導藥肥精準施用意義重大。二是圍繞不同終端特點研發各自適合的交互方式與特色功能。Web應用中可實現需要同時展示較多信息且交互邏輯較為復雜的農情監測、數據可視化等功能；手機App可實現拍照識別病蟲害功能；公眾號與小程序則可實現有價值內容的推送。圖4展示了平臺不同終端的首頁面。因為篇幅有限且功能眾多，以下篩選核心功能的實現進行介紹。

圖4 不同終端首頁面Fig.4 Fist page for different terminal

3.1 農情監測

農情監測是一個復合功能，將平臺中與水稻施肥施藥關聯的數據集中顯示。利用其它核心功能的數據訪問接口，在“一張圖”上合理布局，并結合數據特點采用多種呈現方式，如輪播、圖文結合、圓餅圖、柱狀圖、曲線圖、Mini地圖（相對于背景大地圖，按需設置容器放置小地圖，靈活性更強）、地圖聯動等，集成展示了示范區、重大消息、資訊、商業服務、無人機影像、物聯網苗情監控、地面遙感采樣、病蟲害發生防治面積、抗性與殘留結果等信息，如圖5 所示。

圖5 農情監測頁面Fig.5 Page for agricultural condition monitoring

3.2 數據可視化

平臺整合了海量的多源異構數據，在后臺服務中實現數據訪問接口，前端應用通過Openlayers、Echarts、Cesium等開源框架以及自定義的時間軸組件對天空地一體化（衛星，無人機，地面）遙感監測數據、水稻病蟲害測報數據、水稻農藥抗性與殘留數據、農藥銷售數據等進行可視化。

圖6展示了多種數據可視化結果。多年時間序列的衛星遙感數據以及病蟲害測報數據，可通過時間軸動態播放或自定義拖拽切換時相，通過鼠標在地圖上平移縮放切換空間位置，從而方便用戶溯源；無人機遙感采集了地面三維信息，可結合二三維聯動的方式對比觀察；病蟲害測報數據通過地圖圓圈或熱力圖的方式呈現，不僅在微觀上查看病蟲害發生區域與詳情，也可從宏觀上觀察病蟲害發生嚴重程度空間分布情況。

3.3 示范區

該文所依托的國家重點研發計劃以華南西南8 省市為背景，根據各稻區特點科學布局示范區域，用以集成、示范、推廣各區域在水稻栽培、選育、施藥、施肥等環節積累的先進技術模式，包括農藥減施增效技術、配方肥與精準施用技術、側深減量施肥技術、病蟲草實時監測、種植品種選取等。技術模式因為區域不同而迥異，具體實施過程與成效由各自負責的單位（高校、企業、科研院所等）進行上報。大數據平臺提供示范區功能，允許這些單位注冊為農業專家從而向平臺上報上述成果，進而發布給所有用戶參考借鑒。首先提供給農業專家新建示范區的功能，其次提供給所有用戶查看示范區的功能。如圖7所示，展示了不同行政區劃尺度上示范區的不同信息，在省級和市級呈現示范區的統計信息，在縣級呈現某個示范區的詳細信息。

3.4 病蟲害識別

病蟲害識別界面如圖8所示。要實現該功能需要收集多種病蟲害數據，構建病蟲害數據集，并基于深度學習方法訓練出識別模型，最終發布成http服務供手機病蟲害識別功能訪問。病蟲害識別應用場景預設為水稻田間，農戶通過手機拍照將圖片上傳至平臺，就能很快通過平臺的反饋結果知道田間到底發生了什么類型的病蟲害。同時，為打破農戶與相關農機植保、無人機植保、農藥化肥銷售等服務商的信息壁壘，平臺會在識別結果的基礎上綜合推薦植保服務，希望達到更好的病蟲害防治效果。

圖6 多源異構數據可視化結果Fig.6 Visualization results for multi-source heterogeneous data

圖7 示范區信息展示Fig.7 Information demonstration in demonstration area

圖8病蟲害識別Fig.8 Pest and disease identification

3.5 精準施肥

精準施肥是無人機遙感的重要應用領域，通過對指定田塊或局部區域進行數據采集，分析其營養成分，結合水稻的生長周期、氣象環境因子確定水稻需補充哪種營養元素以及施肥時間，參考周圍示范區中的技術模式形成最終的施肥方案即施肥處方。平臺已對精準施肥相關數據進行采集與整理，然構建施肥處方的算法模型仍處于研發過程（將利用數據可視化中提及的地面遙感采集的數據進行驗證），所以設計好相應接口以便靈活整合適用于不同區域的處方模型。同時，在功能設計中，商業服務除了農藥、化肥等產品銷售外，還包括無人機植保，其依賴于平臺提供的施肥處方。圖9為貴州省重要水稻種植區域內采集的無人機數據，展示了水稻的分布與長勢情況，但精準施肥的完整實現與應用仍需迭代完善。

4 結論

針對水稻藥肥精準施用相關的多源異構數據，大數據技術在整合、存儲、處理、應用等方面發揮了不可替代的作用。該文設計的大數據平臺集納創新區域特色抗性和藥肥高效利用水稻品種及高效栽培措施、藥肥減施增效、精準輕簡施用技術，科學布局示范輻射稻區，集成藥肥減施綜合技術模式，發揮新媒體+大數據引領作用，高校與農科院所科技人才支撐作用，構建網絡化多元推廣示范平臺，規模化示范推廣，有效降低藥肥用量，減少稻田面源污染，保障食品安全。

圖9 無人機數據——水稻長勢與分布Fig.9 UAV data -rice growth and distribution

經過測試，平臺功能正常，運行穩定，網絡正常情況下平均響應時間不超過5秒，注冊用戶超過6 000人，能同時滿足1 000人的并發訪問需求。同時，設計的體系結構整合了開源的大數據以及互聯網技術框架，并且在結構上分層，實現了前后端分離，保證了高內聚低耦合，易于擴展；設計的功能考慮了要實現水稻藥肥精準施用所需要交互的不同角色的現實需求，但仍需在實際使用過程中不斷完善迭代。水稻藥肥精準施用是一個復雜的研究過程，雖然平臺當前已積累了不少數據，在技術流程上已趨于成熟，但平臺投入使用時間尚短，仍需不斷積累數據并探索對這些數據的綜合應用。