基于云原生技術的土壤墑情監測系統設計與應用

于景鑫，杜 森，吳 勇，鐘永紅，張鐘莉莉，鄭文剛，李文龍,3

基于云原生技術的土壤墑情監測系統設計與應用

于景鑫1,4，杜 森2※，吳 勇2，鐘永紅2，張鐘莉莉1，鄭文剛1，李文龍1,3

（1. 國家農業信息化工程技術研究中心，北京 100097；2. 全國農業技術推廣服務中心，北京 100125；3. 農業農村部農業信息軟硬件產品質量檢測重點實驗室，北京 100097；4. 中國地質大學（北京）土地科學與技術學院，北京 100083）

該研究針對全中國尺度的土壤墑情監測需求，構建基于自動監測站原位監測與多源專題數據的土壤墑情數據獲取感知技術體系，提出數據質量控制清洗策略并建立數據校正插補模型。系統基于云原生技術設計，將模塊以微服務形式靈活開發部署，通過容器技術打包運行獨立實例，布設了墑情數據上報采集、可視化分析和數據挖掘應用等核心模塊。依托空間分析和WebGL技術開發3D WebGIS數據分析功能模塊，實現協同土壤墑情、土地利用、海拔高程等多源數據可視化分析與制圖，深入挖掘數據價值，實現墑情估算和基于水量平衡的灌溉決策應用服務。系統已在中國21個省份得到應用，建立自動監測站970個，采集監測數據6 000余萬條，為用戶掌握土壤墑情現狀、指導農業節水灌溉、獲取可靠科研數據等應用提供數據與技術服務。

土壤墑情；監測；系統設計；數據感知；WebGIS；深度學習

0 引 言

當前，中國對于水資源高效利用的需求愈發迫切，而農業用水總量占據經濟社會用水總量高達60%左右[1]，急需發展節水農業。土壤含水率是精準灌溉重要的參數，在精準灌溉中保證作物根區土壤含水率在適宜區間是實現作物水分高效利用的關鍵環節[2]。2020年農業農村部種植業重點工作提出將“測墑節灌”作為農業節水工作的重點任務，使得對土壤墑情監測系統的研究具有重要意義。傳統的土壤水分測量方法一般是進行烘干稱重法量測，需要人工在田間利用取土鉆獲取土樣，隨后土樣在實驗室稱重并放入烘干箱，土樣需在105～110 ℃高溫下烘干超過12 h形成干土，通過測量干土與原始土樣質量差得出土壤含水率，烘干法測量方式不僅操作繁瑣、數據獲取滯后、采樣難度大，而且還會破壞原狀土體[3]。隨著傳感器技術的發展，利用土壤墑情監測站可以快速準確測定不同深度土壤含水率并通過移動通訊網絡實時上傳至數據中心，使得土壤水分數據高效采集成為可能[4]。

美國農業部（United States Department of Agriculture，USDA）于1991年啟動國家土壤氣候分析網絡（National Soil Climate Analysis Network，SCAN）項目，該系統可以監控并報告全美200多個站點的土壤濕度、土壤溫度和其他氣候數據[5]。1994年，美國俄克拉荷馬大學開發了環境監測系統（Mesonet），由覆蓋俄克拉荷馬州的120個自動觀測站組成，自動觀測站采集5 min間隔頻率的氣候和土壤水分數據，目前該系統也逐漸擴展到林業、農業生產服務領域[6]。2014年，美國地質調查局（United States Geological Survey，USGS）牽頭的國家土壤墑情網絡（National Soil Moisture Network，NSMN）項目融合全美15個土壤墑情原位監測網數據，系統提供在線插值制圖、遙感數據下載和混合制圖等功能[7]。2015年國家氣象科學數據中心建立了中國氣象數據網平臺，提供1991年至今中國653個農業氣象站點所采集的逐旬土壤水分和氣象數據[8]。但就農業生產全過程而言，土壤墑情作為其中的關鍵指標直接決定作物水分、農田旱澇情況，同時又受到如土壤、作物等多種因素的影響。目前針對農業應用的土壤墑情系統還存在以下問題：1）數據以土壤墑情為主，種類較為單一，還缺乏相關地理信息、作物、氣象、土壤數據等；2）系統以實時提供土壤墑情現狀數據為主，需要提供對數據的估算能力來把握未來趨勢；3）系統以展示墑情分布為主，需要對土壤墑情數據的深入挖掘來提升指導農業生產應用的效率。

云原生（cloud native）技術是在云計算環境下構建用于部署動態微服務應用的軟件堆棧，通過將各組件打包到容器（container）中，動態調度容器以優化云計算資源利用率，該技術具有敏捷開發、性能可靠、高彈性、易擴展、故障隔離和持續更新等特性[9]。相比于傳統的Web架構，云原生技術能夠保證系統更加穩定可靠運行[10]。面向全國的土壤墑情監測系統具有自動站設備多、用戶訪問量大、數據運算量大，具有高頻率、高并發、持續增長的特點，因此需要適配云計算特性的云原生技術，利用微服務架構和容器技術構建靈活的開發模式并提升計算資源利用效率。

本研究針對此背景，結合中國土壤墑情監測工作的實際需要，面向政府和各級農業管理、技術推廣、科研人員等設計開發了基于云原生架構的土壤墑情監測系統，旨在實現以下幾個方面功能：1）構建土壤墑情數據感知技術方案，解決數據實時獲取和多源異構數據融合問題；2）提出數據質量控制策略，運用深度學習技術實現缺失數據插補；3）協同多源數據挖掘，實現土壤墑情預報和灌溉決策應用。

1 土壤墑情數據感知技術

土壤墑情數據感知的核心任務是農田多層深度土壤水分的自動采集與相關屬性及數據的在線化服務，形成連續、準確、可靠的土壤墑情大數據。本研究提出采用物聯網自動設備監測、深度學習校驗插補建模和跨平臺數據協同獲取專題數據相結合的方式，構建土壤墑情數據感知技術，實現土壤墑情在線監測與多源數據融合，主要技術流程如圖1所示。

注：DEM表示數字高程模型，LUCC表示土地利用與土地覆被變化，DBMS表示數據庫管理系統。下同。

1.1 土壤墑情監測站原位監測

土壤含水率傳感器主要采用時域反射（Time Domain Reflector，TDR）、頻域反射（Frequency Domain Reflectometry，FDR）技術方式測量土壤介電常數，通過傳感器標定模型轉換后得到土壤體積含水率，其優勢是自動化測量、人為干預少和采集頻率高[11]。

系統采用固定式遠程土壤墑情監測站實現土壤墑情和農田氣象數據采集，設備具有自動采集、存儲、遠程傳輸等功能。土壤墑情需要獲取0～20、>20～40、>40～60和>60～80 cm 4個土層深度的土壤含水率和土壤溫度數據，傳感器參數需滿足表1要求。農田氣象數據包含空氣溫度、空氣濕度、降雨量、風速、參考作物蒸散量（reference Evapotranspiration，ET0）等。監測站點每小時自動采集一次數據，整合形成符合接收端口協議規范的報文，通過通用無線分組業務（General Packet Radio Service，GPRS）網絡將報文以TCP/IP協議上傳至云端系統數據接收后臺，以實現土壤墑情原位監測。

表1 土壤墑情傳感器技術指標

1.2 多源異構數據獲取

系統利用多線程技術和TCP/IP數據傳輸協議構建獨立的C/S（Client/Server）模式數據接收后臺，實現地面自動農田氣象墑情監測站回傳數據可靠傳輸。數據后臺在服務器端實現監聽Socket、接受客戶端連接請求、維護Socket鏈表、數據解析、數據處理分析、數據存儲和日志記錄等功能。

除土壤墑情、農田氣象數據外，需要整合非傳感器實時快速獲取的專題數據，系統提出構建多源異構專題數據獲取機制。針對行政區邊界、數字高程模型（Digital Elevation Model，DEM）、土地利用類型、坡度等不同格式的地理信息系統（Geographic Information System，GIS）空間數據，通過GIS數據共享網站獲取并統一存儲于ArcGIS Geodatabase數據庫中[12]。針對如農業生產中作物名稱、生育期、土壤信息等需要用戶上報的文字類非結構化的數據，系統通過規范數據項名稱和統一數據選項，讓用戶在系統界面中以選項的方式上報數據，避免了人為錄入錯誤和規則不同造成的混亂，以此將非結構化語義數據轉化為結構化數據并存儲于通用的關系型數據庫管理系統（Database Management System，DBMS）。系統通過構建統一數據訪問層（data access layer）實現多源異構數據融合管理，為后續進行多源異構大數據整合分析提供數據基礎。

2 數據質量控制與校正插補

自動墑情監測站一般安置于田間，周圍環境復雜，作物生長、設備穩定性、極端氣候等因素都有可能造成設備數據異常和缺失，降低數據可用性，為保證數據準確、可靠和連續，本研究提出數據質量控制標準與數據插補方法，云端后臺收到符合TCP/IP協議的物聯網設備回傳的報文數據后進行解析和質量判定，對于異常或者缺失的數據，通過數據校正插補模型進行估算，避免數據中斷缺失造成的可用性喪失問題，保證數據的準確性、完整性和可用性。

2.1 土壤墑情數據質量控制策略

自動墑情監測站主要觀測指標為土壤含水率以及農田氣象信息，設備上傳報文采用十進制字符串格式，本研究提出土壤墑情數據質量控制技術流程（圖2），具體規則如下：

1）格式檢查：校驗包括設備參數、報文編碼字節、發報時間等，報文正確解析且通過上述校驗的數據為合格；

2）界限值檢查：通過設置土壤體積含水率觀測值的置信區間上、下界限實現，土壤體積含水率（%）在（0,60）區間為合格；

3）內部一致性檢查：若土壤體積含水率各層的觀測值完全相同則判定為數據錯誤；

4）時間一致性檢查：若前后數據土壤相對含水率突降超20%或者當降水量＞10 mm/h而表層0～20 cm的土壤體積含水率2 h內未增加則判定為數據錯誤。

圖2 土壤墑情數據質量控制技術流程

2.2 土壤墑情數據校正插補

自動墑情監測站數據異常和缺失會造成土壤墑情適宜度判斷的錯誤，尤其在關鍵農時將會影響后續的農事操作，因此需要對異常和缺失數據進行校正和插補。土壤墑情數據呈現復雜的非線性關系，利用普通線性模型很難進行模型擬合，面向海量、復雜、無明確關系的大數據擬合算法中，深度學習算法是目前最佳的選擇[13]。

系統的數據校正插補模塊定時掃描數據庫，對土壤墑情數據進行質量評價，針對數據質量控制單元所判定的異常和缺失數據利用模型進行校正和插補，其中校正插補模型分別利用循環神經網絡（Recurrent Neural Networks, RNN）對時間序列特征提取和卷積神經網絡（Convolutional Neural Networks, CNN）對網格圖像高維特征提取的特性通過Stacking集成學習方式構建[14]，模型通過Python Flask發布為REST API接口以供外部調用[15]，校正插補后的數據標記相應質量代碼存入數據庫并記錄日志（圖3），確保數據的準確和完整。

圖3 土壤墑情數據校正與插補技術流程

3 中國土壤墑情監測系統設計

3.1 云原生技術

3.1.1 微服務架構

微服務概念是一種新的架構模式，將單一應用程序劃分成一組小的服務重塑了面向服務架構模式，通過服務之間相互協調、互相配合，為用戶提供最終價值[16]。微服務不僅圍繞著具體的業務進行構建，同時能夠獨立部署到生產環境、測試環境等，避免了統一、集中開發管理機制帶來的資源浪費[17]。

土壤墑情監測系統功能模塊多、業務功能復雜，需要不同技術和專業背景的人員共同參與開發，系統采用微服務架構，避免傳統的開發模式需要統一開發環境、開發語言、部署環境等各類要素的要求，針對具體業務邏輯，選擇合適的語言、工具進行開發，從而提高開發效率。系統在服務器資源層面確保每個微服務實例運行在其獨立的進程中，各微服務之間采用基于HTTP的Restful API通信機制進行輕量級的數據交互（圖4），構建了靈活的架構設計。

圖4 微服務技術架構運行機制

3.1.2 容器化技術

容器技術（container）是一種被廣泛認可的服務器虛擬化資源共享方式，其可以按需構建容器技術操作系統實例的特性，為系統管理員提供極大的靈活性，其主要特點為極其輕量、秒級部署、易于移植和彈性伸縮[18]。

系統采用容器技術來配合微服務架構模式使得系統易于開發、維護和按需伸縮，針對獨立微服務利用容器把應用和其運行環境以高級多層統一文件系統（Advanced Multi-Layered Unification File System，AUFS）打包來保證應用及其運行環境的統一，并在裝有容器環境（Docker）的云計算基礎設施上以容器方式運行，通過容器編排工具對容器服務的編排來實現容器啟動、容器應用部署、容器應用在線升級等功能，利用容器集群將多臺物理機抽象為邏輯上單一調度實體的技術，提供資源調度、服務發現、彈性伸縮、負載均衡等功能，充分利用云計算基礎設施資源。

3.2 系統架構

通過以上土壤墑情數據感知技術獲取的數據資源和云原生技術架構闡釋的系統開發方法理念，本研究選用主流開源軟件堆棧作為基礎軟件環境，在云計算框架下以微服務、容器技術為核心的云原生架構進行面向中國的土壤墑情監測系統的設計與研發，兼顧成熟開發方案配置和最新技術特性，保障系統的可靠性、先進性和動態擴展性（圖5）。

注：HTTP是超文本傳輸協議，Websocket是一種全雙工通信的協議，API表示應用程序接口，APP表示手機應用程序，ET0表示參考作物蒸散量，mm/d。

土壤墑情監測系統采用開源的Linux CentOS 7.2環境作為系統運行環境，容器調度采用開源的容器編排調度引擎Kubernetes[19]，容器技術采用Docker開源的應用容器引擎[20]，以業務需求和開發團隊技術領域劃分微服務功能邊界并通過Nginx Web服務器配合Atlas+Keepalived中間件實現Web平臺與MySQL數據庫集群的反向代理和負載均衡[21]。通過在Kubernetes平臺上集成Gitlab代碼管理和Jenkins集成工具的敏捷迭代特性實現DevOps容器化敏捷開發運維模式[22]。系統采用Html5前端技術開發Web用戶交互頁面（圖6），業務層布設了墑情數據分析、數據填報、GIS制圖分析和墑情數據挖掘應用等核心模塊，為各級農業節水管理人員、農技人員、行業專家、企業用戶和科研機構等提供可靠、穩定、高性能的土壤墑情數據的獲取管理與挖掘分析服務。

圖6 土壤墑情監測系統界面

3.3 土壤墑情數據可視化與制圖

3.3.1 3D WebGIS可視化

系統基于WebGL技術實現瀏覽器端3D WebGIS可視化[23]，前端基于ArcGIS API for JavaScript 4.1通過場景視圖（scene view）實現瀏覽器端3D視圖瀏覽和基礎控件，GIS數據從空間數據庫（Geodatabase）中調取并以特征圖層（feature layer）形式加載。GIS后臺采用ArcGIS Server發布GIS數據和模型服務并通過地處理（Geoprocessor，GP）服務的形式調取，通過配置打印參數（print parameters）根據用戶圖層設置動態調取打印服務（print task）實現地圖打印，其中地圖制圖模板（print template）通過服務器端配置的.mxd文件進行管理。

3.3.2 協同空間分析制圖

土壤墑情數據空間插值制圖功能可以實現由點到面的空間數據拓展[24]，其流程為獲取運算后的空間點位數據，空間插值分析，農田區域掩膜裁剪，墑情等級重分類渲染，最終展示在前端實現分析與可視化制圖。本研究土壤墑情插值采用協同克里金插值法[25]，選擇高程、坡度和土地利用分類為土壤水分“趨勢”擬合的協同考慮因子，如式（1）所示

以空間插值制圖為例，選取任意時間段范圍和制圖層次，系統調度相應的微服務進行數據獲取、點位運算、插值運算、成圖展示和制圖打印，分別取2019年6月18日和9月18日的土壤相對含水率數據為例，空間插值交叉驗證結果（表2）顯示插值算法可以較好地進行空間插值預測。

表2 空間插值模型交叉驗證結果

3.4 土壤墑情估算與驗證

土壤墑情估算模型采用深度學習集成策略將CNN與RNN相結合的網絡模型結構[26]，利用過去第-7次至第次的氣象和土壤墑情數據集合估算未來第+1次土壤墑情數據。模型結構分別為基于門循環單元（Gate Recurrent Unit, GRU）的RNN和CNN，二者的輸出值拼接后輸入元學習器，最終得到估算結果，其中元學習器為全連接神經網絡結構，其表達式如式（2）所示

式中′為輸入，′為輸出，為權重，為偏置，為神經元數量。

選取2012－2018年山東省諸城市賈悅太古莊監測站的46 944條土壤墑情數據對估算模型進行實測驗證。模型基于Keras框架搭建模型，后臺為TensorFlow 1.6，編程語言為Python3.6。模型的驗證結果顯示，預報精度評價指標均方誤差（Mean Square Error，MSE）、平均絕對誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Square Error，RMSE）和決定系數（coefficient of determination，2）分別0.597 3、0.474 1、0.772 8和0.874 1。模型估算結果表明，所構建模型能夠準確的進行土壤墑情估算（圖7）。

圖7 土壤墑情估算模型實測驗證結果

3.5 灌溉決策服務

土壤墑情直接決定作物的水分供需關系，在實際應用中通過物聯網監測設備所采集的原始數據進行數據挖掘提供灌溉制度服務具有重要意義。系統灌溉決策基于水量平衡原理[27]，計算如式（3）所示

式中ETc為作物實際需水量，mm；為灌溉量，mm；為降水量，mm；Δ為土體貯水量的變化，mm；為徑流量，mm；為土體下邊界凈通量，mm。

ETc的計算采用單作物系數法，其表達式如（4）所示

式中K為作物系數，采用聯合國糧食及農業組織（Food and Agriculture Organization of the United Nations，FAO）推薦值與用戶自定義[28]；ET0為參考作物騰發量，選用FAO推薦的彭曼—蒙蒂斯（Penman-Monteith）模型[29]計算如式（5）所示

式中ET0為參考作物蒸散量，mm/d；Δ為溫度—飽和水汽壓關系曲線在溫度處的切線斜率，kPa/℃；R為凈輻射，MJ/(m2·d)；為土壤熱通量，MJ/(m2·d)；為平均溫度，℃；為干濕表常數；2為2 m高處風速，m/s；e為平均飽和水汽壓，kPa；e為實際水汽壓，kPa。

系統通過相應的微服務模塊實現ET0計算與發布，以位于北京市昌平區小湯山的站點為例，該地塊于2019年10月5日播種冬小麥，通過系統可查詢相應時段的ET0數據（圖8a），通過選取FAO推薦的作物系數與對應種植作物的生育期階段計算作物的需水量，實現水量平衡分析并推薦參考灌溉水量（圖8b）。

圖8 灌溉決策服務功能界面

3.6 系統應用

本研究設計和開發的基于云原生土壤墑情監測系統已經在中國21個省份得到應用，已構建自動監測站點970個，累計采集土壤墑情與農業氣象數據6 000余萬條。近5年，年均用戶數增長率14%，年均數據量增長率95.2%。系統在促進土壤墑情監測技術、深度學習墑情估算模型構建、多源數據協同空間分析及灌溉決策應用方面具有一定的借鑒意義。

4 結 論

本研究基于上述系統設計，以云原生技術為架構基礎，通過運用深度學習、3D WebGIS等技術實現了土壤墑情多源大數據的數據感知、分析制圖與挖掘應用，并取得以下結論：

1）提出了多維度土壤墑情數據感知獲取技術方案。綜合采用了設備上報、模型數據校正插補和多源異構數據協同獲取3種方式，滿足對數據的采集頻率、屬性更新、連續完整和種類多樣的要求，構建實時更新、智能模型和多源數據融合的數據獲取感知服務。

2）設計了以云原生技術為基礎的高可用云計算軟件平臺架構。根據業務需求劃分微服務模塊以細化平臺服務粒度，通過容器技術打包微服務實例以消除環境制約，整合開發運維工具鏈實現靈活、高效、一體化的敏捷開發與管理體系。

3）實現對土壤墑情數據可視化分析表達和深度挖掘應用。運用WebGL等技術實現前端三維空間可視化分析與制圖，提供直觀的決策支持依據。協同多源大數據分析與建模，實現土壤墑情估算功能。深入挖掘土壤墑情、氣象和作物數據，提供基于水量平衡的灌溉決策服務。

[1] 操信春，任杰，吳夢洋，等. 基于水足跡的中國農業用水效果評價[J]. 農業工程學報，2018，34(5)：1-8.

Cao Xinchun, Ren Jie, Wu Mengyang, et al. Assessing agricultural water use effect of China based on water footprint framework[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5): 1-8. (in Chinese with English abstract)

[2] 顧哲，袁壽其，齊志明，等. 基于ET和水量平衡的日光溫室實時精準灌溉決策及控制系統[J]. 農業工程學報，2018，34(23)：101-108.

Gu Zhe, Yuan Shouqi, Qi Zhiming, et al. Real-time precise irrigation scheduling and control system in solar greenhouse based on ET and water balance[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(23): 101-108. (in Chinese with English abstract)

[3] 郁進元，何巖，趙忠福，等. 農田土壤水分各種測量方法的比較與分析[J]. 浙江水利科技，2007，15(6)：1-2.

Yu Jinyuan, He Yan, Zhao Zhongfu, et al. Comparison and analysis of measuring methods for soil moisture of farmland[J]. Zhejiang Water Conservancy Technology, 2007, 15(6): 1-2. (in Chinese with English abstract)

[4] 孟德倫，孟繁佳，段曉菲，等. 基于頻域法的便攜式無線土壤水分測量裝置設計與試驗[J]. 農業工程學報，2017，33(增刊1)：114-119.

Meng Delun, Meng Fanjia, Duan Xiaofei, et al. Design and experiment of portable wireless soil moisture measuring device based on frequency-domain method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(Supp.1): 114-119. (in Chinese with English abstract)

[5] Schaefer G L, Cosh M H, Jackson T J. The USDA natural resources conservation service Soil Climate Analysis Network (SCAN)[J]. Journal of Atmospheric and Oceanic Technology, 2007, 24(12): 2073-2077.

[6] Brock F V, Crawford K C, Elliott R L, et al. The Oklahoma Mesonet: A technical overview[J]. Journal of Atmospheric and Oceanic Technology, 1995, 12(1): 5-19.

[7] Dorigo W A, Wagner W, Hohensinn R, et al. International soil moisture network: A data hosting facility for global in situ soil moisture measurements[J]. Hydrology and Earth System Sciences, 2011, 15(5): 1675-1698.

[8] 王國復，李集明，鄧莉，等. 中國氣象科學數據共享服務網總體設計與建設[J]. 應用氣象學報，2004，15(S1)：10-16.

Wang Guofu, Li Jiming, Deng Li, et al. Design and development of china meteorological data sharing service system[J]. Journal of Applied Meteorology, 2004, 15(S1): 10-16. (in Chinese with English abstract)

[9] Balalaie A, Heydarnoori A, Jamshidi P. Microservices architecture enables DevOps: Migration to a cloud-native architecture[J]. IEEE Software, 2016, 33(3): 42-52.

[10] 劉福鑫，李勁巍，王熠弘，等. 基于Kubernetes的云原生海量數據存儲系統設計與實現[J]. 計算機應用，2020，40(2)：547-552.

Liu Fuxin, Li Jinwei, Wang Yihong, et al. Design and implementation of cloud native massive data storage system based on Kubernetes[J]. Computer Application, 2020, 40(2): 547-552. (in Chinese with English abstract)

[11] 曹美. 土壤濕度傳感器影響因素及補償方法研究[D].天津：河北工業大學，2015.

Cao Mei. Research on Influence Factors and Compensation Methods of Soil Moisture Sensor[D]. Tianjin: Hebei University of Technology, 2015. (in Chinese with English abstract)

[12] Mathiyalagan V, Grunwald S, Reddy K R, et al. A WebGIS and geodatabase for Florida's wetlands[J]. Computers and Electronics in Agriculture, 2005, 47(1): 69-75.

[13] Cai Yu, Zheng Wengang, Zhang Xin, et al. Research on soil moisture prediction model based on deep learning[J]. PloS One, 2019, 14(4): e0214508.

[14] 黃婕，張豐，杜震洪，等. 基于RNN-CNN集成深度學習模型的PM2.5小時濃度預測[J]. 浙江大學學報：理學版，2019，46(3)：370-379.

Huang Jie, Zhang Feng, Du Zhenhong, et al. Hourly concentration prediction of PM2.5 based on RNN-CNN ensemble deep learning model[J]. Journal of Zhejiang University: Science Edition, 2019, 46(3): 370-379. (in Chinese with English abstract)

[15] Taneja S, Gupta P R. Gupta. Python as a tool for web server application development[J]. JIMS8I-International Journal of Information Communication and Computing Technology, 2014, 2(1): 77-83.

[16] Balalaie A, Heydarnoori A, Jamshidi P. Microservices architecture enables DevOps: Migration to a cloud-native architecture[J]. IEEE Software, 2016, 33(3): 42-52.

[17] Fazio M, Celesti A, Ranjan R, et al. Open issues in scheduling microservices in the cloud[J]. IEEE Cloud Computing, 2016, 3(5): 81-88.

[18] Claus P. Containerization and the PaaS cloud[J]. IEEE Cloud Computing, 2015, 2(3): 24-31.

[19] Bernstein D. Containers and cloud: From LXC to docker to Kubernetes[J]. IEEE Cloud Computing, 2014, 1(3): 81-84.

[20] 翁湦元，單杏花，閻志遠，等. 基于Kubernetes的容器云平臺設計與實踐[J]. 鐵路計算機應用，2019，28(12)：49-53.

Weng Juyuan, Shan Xinghua, Yan Zhiyuan, et al. Design and practice of container cloud platform based on Kubernetes[J]. Railway Computer Application, 2019, 28(12): 49-53. (in Chinese with English abstract)

[21] 米向榮. 高可用MySQL同步集群的研究與設計[J]. 忻州師范學院學報，2019，35(5)：26-32.

Mi Xiangrong. Research and design of highly available MySQL synchronous cluster[J]. Journal of Xinzhou Normal University, 2019, 35(5): 26-32. (in Chinese with English abstract)

[22] 丁海斌，崔雋，陸凱. 基于Docker的DevOps系統設計與實現[J]. 指揮信息系統與技術，2017，8(3)：87-92.

Ding Haibin, Cui Jun, Lu Kai. Design and implementation of DevOps system based on docker[J]. Command Information System and Technology, 2017, 8(3): 87-92. (in Chinese with English abstract)

[23] Kim M S, Jang I S. Design and implementation of 3D geospatial open platform based on HTML5/WebGL technology[J]. Spatial Information Research, 2015, 23(6): 57-66.

[24] 徐馳，曾文治，黃介生，等. 基于高光譜與協同克里金的土壤耕作層含水率反演[J]. 農業工程學報，2014，30(13)：94-103.

Xu Chi, Zeng Wenzhi, Huang Jiesheng, et al. Modelling soil water content in plow layer using co-kriging interpolation based on hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(13): 94-103. (in Chinese with English abstract)

[25] 劉姍姍，白美健，許迪，等. 畦田灌溉模擬中田面微地形空間分布插值方法改進[J]. 農業工程學報，2015，31(17)：108-114.

Liu Shanshan, Bai Meijian, Xu Di, et al. Improvement of interpolation methods for surface micro-topography spatial distribution in border irrigation simulation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(17): 108-114. (in Chinese with English abstract)

[26] Li Liang, Zhu Xinge, Hao Yiming, et al. A hierarchical CNN-RNN approach for visual Emotion classification[J]. ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM), 2019, 15(3): 1-17.

[27] 文冶強，楊健，尚松浩. 基于雙作物系數法的干旱區覆膜農田耗水及水量平衡分析[J]. 農業工程學報，2017，33(1)：138-147.

Wen Yeqiang, Yang Jian, Shang Songhao. Analysis on evapotranspiration and water balance of cropland with plastic mulch in arid region using dual crop coefficient approach[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(1): 138-147. (in Chinese with English abstract)

[28] Allen R G, Pereira L S, Raes D, et al. FAO irrigation and drainage paper No. 56[J]. Rome: Food and Agriculture Organization of the United Nations, 1998, 56(97): e156.

[29] Allen R G, Pereira L S, Raes D, et al. Crop evapotranspiration: Guidelines for computing crop water requirements-FAO irrigation and drainage paper 56[J]. FAO, 1998, 300(9): D05109.

Design and application of soil moisture content monitoring system based on cloud-native technology

Yu Jingxin1,4, Du Sen2※, Wu Yong2, Zhong Yonghong2, Zhangzhong Lili1, Zheng Wengang1, Li Wenlong1,3

(1.100097,; 2.100125,; 3.,100097,; 4.,,100083,)

To meet the demand of soil moisture content monitoring on a national scale, at the level of data acquisition, a soil moisture content data acquisition and perception technology system based on in-situ monitoring of automatic soil moisture content monitoring station and multi-source heterogeneous thematic data was constructed in this study, which realized the online monitoring of soil moisture content and multi-source data fusion. Further in terms of data quality control in the soil moisture data quality control strategy was proposed for data cleaning and established the soil moisture content data correction and interpolation model, in the cloud background received by the TCP/IP protocol of the Internet of things device came back after the packet data parsing and quality judgment. For abnormal or missing data, through the calibration data interpolation model to predict, avoided the interruption problem caused by the missing data, ensured data accuracy, integrity, and availability. Moreover, the soil moisture content data correction and interpolation model adopted the deep learning algorithm and the Stacking strategy to merge the Convolutional Neural Network (CNN) and Recurrent Neural Network (RNN) networks. The soil moisture content monitoring system facing the national scale had the characteristics of a large number of automatic station devices, massive user visits, and vast amounts of data computation, and had the characteristics of high frequency, high concurrency, and continuous growth. The ordinary web architecture could not ensure the stable and reliable operation of the system. Therefore, the system adopted the cloud-native technology system suitable for the cloud computing characteristics, used the micro-service architecture and the container technology to construct a flexible development model, and improved the efficiency of computing resource utilization. The system architecture design was based on the cloud-native technology, the module of the system was flexibly developed and deployed in the form of micro-services, the independent instance of packaging and running container technology was used to solve the problem of environmental configuration and resource utilization efficiency, and the container was dynamically scheduled to optimize the utilization of cloud computing resources. The core modules such as soil moisture content data reporting collection, soil moisture content data visualization analysis, and soil moisture content data mining application were arranged in the system. Based on GIS (Geographic Information System) spatial analysis and WebGL technology, the front-end 3D WebGIS data analysis function module was developed, and the collaborative Kriging interpolation method was used to realize the online analysis and visual mapping of collaborative soil moisture content, land use types, altitude, and other multi-source data. The system mined the data value deeply and utilized the deep learning algorithm to realize the soil moisture content prediction service which used the data of the past 8 days to predict the data of the next day. Based on the principle of water balance, the application service of irrigation decision was realized. By selecting the crop coefficient recommended by FAO and the growth stage of the corresponding planting crops, the water demand of crops was calculated, and the water balance analysis was realized and the reference irrigation water quantity was recommended. Since its application, the system had been deeply applied in more than 21 provinces, 970 automatic monitoring stations had been established, and more than 60 million automatic moisture monitoring stations had been collected. The system provided reliable data sources and technical support for decision-making departments, agricultural technicians, researchers, and other users to master the current situation of soil moisture content, guide agricultural water-saving irrigation, and obtain accurate and continuous soil moisture content scientific research data.

soil moisture content; monitoring; system design; data perception; WebGIS; deep learning

于景鑫，杜森，吳勇，等. 基于云原生技術的土壤墑情監測系統設計與應用[J]. 農業工程學報，2020，36(13)：165-172.doi：10.11975/j.issn.1002-6819.2020.13.020 http://www.tcsae.org

Yu Jingxin, Du Sen, Wu Yong, et al. Design and application of soil moisture content monitoring system based on cloud-native technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(13): 165-172. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.13.020 http://www.tcsae.org

2020-03-26

2020-05-24

國家重點研發計劃（2017YFD0301004）；現代農業產業技術體系建設項目-國家玉米產業技術體系（CARS-02-87）；北京市農林科學院院創新能力建設項目（KJCX20180706）

于景鑫，博士生，高級工程師，主要從事土壤墑情平臺開發與數據挖掘研究。Email：Jingx.Yu@outlook.com

杜森，研究員，主要從事土肥節水技術研究和推廣。Email：dusen@agri.gov.cn

10.11975/j.issn.1002-6819.2020.13.020

TP311.5

A

1002-6819(2020)-13-0165-08