基于SpringBoot+React的智慧農業系統設計與實現

摘" 要：智慧農業已成為現代農業發展的大趨勢，利用人工智能、大數據對農業進行改造，能夠有效解決當前信息化基礎薄弱、農機作業質量不高、耕地細碎化等問題。設計的智慧農業系統將人工智能技術與農業生產相結合，基于SpringBoot+React架構，構建Web前端與后端管理系統，集合農作物種植區域管理、生長態勢監測、遙感影像處理和傳感器數據監測分析等模塊，能夠實時監測農業信息，為農作物精準管理和田間作業提供重要支持。該系統進一步推動遙感技術和深度學習技術在農業中的應用，具有實時性和可擴展性，可應用于不同規模的農業生產。

關鍵詞：智慧農業；React；SpringBoot；深度學習；遙感影像處理

中圖分類號：U455.6" " " 文獻標志碼：A" " " " " 文章編號：2096-9902（2024）14-0017-04

Abstract： Smart agriculture has become a major trend in the development of modern agriculture. The transformation of agriculture by using artificial intelligence and big data can effectively solve the current problems such as weak information foundation， low quality of agricultural machinery operation， fragmentation of arable land and so on. The designed smart agricultural system combines artificial intelligence technology with agricultural production， and constructs web front-end and back-end management systems based on SpringBoot+React architecture， which integrates crop planting area management， growth situation monitoring， remote sensing image processing and sensor data monitoring and analysis modules. It can monitor agricultural information in real time and provide important support for crop precision management and field operations. The system further promotes the application of remote sensing technology and deep learning technology in agriculture， has real-time and expansibility， and therefore can be applied to agricultural production of different scales.

Keywords： smart agriculture; React; SpringBoot; deep learning; remote sensing image processing

我國是人口大國，同時也是農業大國，及時獲取并掌握農作物的結構、產量等種植情況無論是對生產管理而言，還是對科學決策而言都具有重要意義。隨著科技的進步和社會的發展，智能化農業逐漸成為了當今農業發展的趨勢。不同于以往農業生產中只依靠人工，進行效率低下的管理，智慧農業主要是利用自動化技術、地理信息系統、數字信息技術，對農業生產進行全方位、全周期、全過程管理，為農業產業的提質增效提供支持[1]，也為新時代鄉村振興注入源源不斷的新活力。

當前，大多數智慧農業管理系統利用物聯網技術和傳感器技術，通過智能設備實時監測農作物生長環境，提高農產品生產質量。徐東等[2]利用土壤溫度水分傳感器、光照度傳感器等構建蔬菜育苗智能管理平臺，對育苗大棚中的溫濕度進行分析和監控，確保蔬菜生長發育正常。陳維娜等[3]利用NB-IoT技術組建無線傳感網絡對農作物生長環境進行實時監測和采集，實現了遠距離、低功耗、智能化、多維度和多尺度的農作物信息實時監測。將大數據和人工智能等新一代信息技術融入傳統農業，進一步推動了智慧農業的轉型升級。Raghuvanshi等[4]結合大數據挖掘和深度學習技術，將智慧農業應用到智能灌溉中。Yassine等[5]應用深度強化學習在田間進行優化管理，并根據生產目標和當前環境條件動態的學習以制定各種作物的最佳控制策略。Ramanathan[6]考慮一年內的溫度、濕度、水位等傳感器數值，使用機器學習訓練并對農業數據進行預測分析，有效地避免了土壤退化、水和其他資源的浪費。

基于上述背景，本文采用目前流行的開發框架SpringBoot和React，并集成物聯網、深度學習、遙感影像處理等技術開發出前后端分離的智慧農業系統，包括傳感器數據的管理與可視化分析、糧食種植區域的管理、遙感影像處理和農作物生長狀態監測等功能。本系統能夠有效地反映農作物生長種植狀態，為農業生產指揮和決策提供技術支持，滿足農業生產信息化管理需求。

1" 系統分析

1.1" 系統需求分析

系統旨在利用人工智能技術和傳感器技術等手段，對農業生產過程進行實時監測和數據分析。通過采集和分析農作物生長環境的數據，對土壤、氣象等因素進行監測和預測，提高農業生產的效率和質量。根據農業生產管理者的需求分析，系統功能可劃分為7大模塊，系統功能模塊圖如圖1所示。

糧食種植區域管理。主要用于對糧食種植區域進行管理和監測，系統可以設置種植計劃，包括作物種類、種植時間等信息，還可以分別以縣域和田間為單位對種植區進行展示和修改、添加等操作。

傳感器設備管理。傳感器可以實時監測農作物生長環境的狀態，包括土壤水環境、土壤溫度環境和氣象環境。對傳感器設備的管理包括各傳感器狀態實時監測、傳感器設備的添加和刪除。

傳感器數據分析與可視化。包括對溫度數據管理、降水數據管理、土壤水數據管理、土壤溫度管理。在實際操作時，點擊地圖上的任意區域能夠對該區域當日及前后十天的數據進行展示，同時以折線圖的形式展示其變化趨勢。

遙感影像處理。主要用于對上傳的遙感影像進行處理和分析，包括影像裁剪、影像增強、植被指數提取、影像鑲嵌、波段合成和時序數據制作等操作。

作物生長態勢監測。系統通過監測作物生長狀況，包括作物覆蓋面積、作物產量等信息，可以及時發現作物的問題，為作物管理提供科學依據。

樣本庫。收集大量遙感影像數據，對不同作物類型不同時期的影像進行展示，并支持用戶自主上傳影像。

模型庫。構造用于縣級和田間農作物產量預測的深度學習模型，提供模型詳細信息和模型訓練情況。

1.2" 系統開發和運行環境

該系統以WebStorm 2022和IDEA2022作為開發平臺，使用Google Chrome作為運行瀏覽器，運用JavaScript、HTML5、CSS3和Java作為開發語言。MySQL作為后臺數據庫。系統在Windows10環境下運行。

2" 系統設計

2.1" 系統架構設計

系統采用Java語言進行開發，后臺數據庫選用MySQL，基于SpringBoot+React的前后端分離開發模式。前端使用React框架[7]，同時采用Ant Design組件庫進行界面設計，進行響應式布局，適應不同大小的屏幕。后端基于SpringBoot架構，SpringBoot是一個腳手架，構建在Spring框架基礎之上，基于快速構建理念，提供自動配置功能，可實現開箱即用、起步依賴、自動配置等。

前端主要處理頁面開發和優化，以及增強用戶體驗相關問題。后端主要處理業務邏輯、數據處理和數據庫訪問等問題，并按照一定的規范為前端提供API接口。本系統使用json格式的數據進行前后端的交互，前端頁面請求后端的接口，從后端獲取所需數據，然后解析數據進行頁面渲染和數據展示等[8]。系統前后端交互過程如圖2所示。

2.2" 數據庫設計

根據智慧農業系統管理需求和業務需求，建立數據庫系統，集成傳感器數據、田間數據、圖像數據等多源、多尺度的海量數據，在同一個數據庫標準體系下，實現多源數據的存儲、管理和服務。本系統采用具有輕量級、高性能、開源等特點[9]的關系型數據庫管理系統MySQL，分別創建了遙感影像樣本數據庫、傳感器數據庫、農作物數據庫和用戶數據庫4個數據庫。

2.3" 智慧農業服務體系設計

智慧農業服務體系設計包括對農業生產、管理和決策過程中的服務進行規劃、設計和實施，以滿足用戶需求并提升農業生產效率和決策水平。面向服務的體系架構是本文服務體系采用的架構，如圖3所示，將業務功能和數據需求封裝成系列服務，使平臺功能調用更便捷、更高效，主要包括管理功能和服務功能。其中，管理功能主要有用戶注冊、用戶登錄和權限管理等，服務功能包括基礎服務、典型應用服務和其他服務等。

3" 系統實現

3.1" 傳感器設備管理

傳感器設備管理是智慧農業系統中的一個重要功能，其主要用于管理和監測農田中的土壤水傳感器、土壤溫度傳感器和氣象數據傳感器，包括對設備的添加、刪除等操作。系統可以通過各種傳感器設備采集農田中的各種數據，以實時監測農田的狀態和變化。如圖4所示，以氣象數據傳感器為例，點擊傳感器名稱進入傳感器的詳情頁面，系統對采集到的傳感器數據進行處理和分析，以折線圖形式展現不同時間段的空氣濕度變化情況。

3.2" 生長態勢監測

生長態勢監測功能主要是借助深度學習技術，來對縣級或田間作物的產量進行預測。圖5是田間作物生長態勢監測的界面設計圖，在地圖上單擊選中田塊，然后選擇預測的起止日期、預測模型及目標作物類型，點擊“開始預測”按鈕，系統根據用戶所選數據自動計算出目標作物的產量并顯示所選區域的面積、平均產量等信息。

4" 結束語

智慧農業在我國基礎農業生產過程中越來越重要，而且計算機技術近年來在農業信息收集處理、模擬農業試驗、自動化作業控制過程中都逐步得到了更廣泛深入的應用。本文介紹了一種基于SpringBoot+React開發的智慧農業系統，實現了農作物生長環境的實時監測和數據分析，并結合當下流行的深度學習技術對遙感影像處理進行農作物產量預測，順應了遙感農業智能化的趨勢。

參考文獻：

[1] 鄭建新.鄉村振興戰略背景下智慧農業助推鄉村產業振興的路徑研究[J].智慧農業導刊，2023，3（1）：20-23.

[2] 徐東，徐一，郭小文.智慧農業系統在達州市達川區蔬菜種植中的應用[J].四川農業與農機，2022（3）：49-50.

[3] 陳維娜，楊忠，顧姍姍，等.基于NB-IoT技術的智能農業環境監測系統設計[J].中國農機化學報，2023，44（6）：168-175.

[4] ＲＡＧＨＵＶＡＮＳＨＩ Ａ， SINGH U K，SAJJA G S， ｅｔ ａｌ． Intrusion detection using machine learning for risk mitigation in IoT-enabled smart irrigation in smart farming[J].Journal of Food Qualiｔｙ，２０22.

[5] YASSINE H M，ROUFAIDA K，SHKODYREV V P.Intelligent Farm Based on Deep Reinforcement Learning for optimal control[J].2022 International Symposium on iNnovative Informａｔｉｃｓ ｏｆ Ｂｉｓｋｒａ （ＩＳＮＩＢ），２０２２： １－６．

[6] RAMANATHAN S K，BHARATHI M L，VENUSAMY K.Implementation of Artificial Intelligence based Predictive Analysis of Data for Smart Farming in Sultanate of Oman[C]//2022 6th International Conference on Trends in Electronics aｎｄ Ｉｎｆｏｒｍａｔｉｃｓ （ＩＣＯＥＩ），２０２２：１００４－１００７．

[7] 劉勇，王偉玲，許洪健.基于React＿Umi+Cesium框架下的水利工程BIM+GIS的Web端應用實現[J].治淮，2022（2）：26-28.

[8] 王建，羅政，張希，等.Web項目前后端分離的設計與實現[J].軟件工程，2020，23（4）：22-24.

[9] 容秀嬋，鄒湘軍，李承恩，等.基于數據驅動的虛擬場景搭建及模型檢索優化方法[J].中國農機化學報，2022，43（8）：128-135.

基金項目：2022年度水利科技攻關項目（20220501A）

第一作者簡介：杜紀龍（1974-），男，工程師。研究方向為農業大數據與信息管理。

*通信作者：程淅杰（1995-），女，博士，講師。研究方向為農業遙感、遙感智能提取、作物生長遙感監測等。