云計(jì)算下農(nóng)作物病情災(zāi)害預(yù)警模型的構(gòu)建

王師+陳學(xué)斌

摘 要： 通過傳感器采集到的作物數(shù)據(jù)進(jìn)行統(tǒng)一管理建立作物災(zāi)情數(shù)據(jù)集群池，Map-Reduce模型映射歸類預(yù)處理后，再利用BP網(wǎng)絡(luò)動(dòng)態(tài)訓(xùn)練，最后利用權(quán)重歸總輸出預(yù)測(cè)結(jié)果。充分利用云計(jì)算技術(shù)優(yōu)勢(shì)在網(wǎng)絡(luò)訓(xùn)練時(shí)動(dòng)態(tài)調(diào)整計(jì)算資源，有效縮短訓(xùn)練周期，優(yōu)化調(diào)整改進(jìn)BP網(wǎng)絡(luò)結(jié)構(gòu)，從而提高系統(tǒng)的整體運(yùn)行效率并且達(dá)到作物準(zhǔn)確預(yù)警的目的。實(shí)踐表明該模型收斂速度快，穩(wěn)定性好，能夠解決作物病情災(zāi)害預(yù)警問題，是作物綜合防治的有效模型。

關(guān)鍵詞： 云計(jì)算；BP網(wǎng)絡(luò)； Map-Reduce；作物預(yù)警

中圖分類號(hào)：TP301.6

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：2095-2163（2017）02-0105-03

Abstract：In this paper， the crop data collected by the sensors are uniformly managed to establish data cluster pool， and after Map-Reduce model mapping classification preprocessing， BP network dynamic training are applied， further weights are summed up to output prediction results.Make full use of cloud computing technology advantages to dynamically adjust computing resources in network training， effectively shorten the training cycle， optimize and improve BP network structure， so as to improve the overall efficiency of the system and achieve crop accurate early warning. The experiment shows that this model which has good convergence speed and good stability， can solve the problem of crop disease and disaster warning. It is concluded that the proposed construction is an effective model of comprehensive prevention and control of crop.

Keywords：cloud computing； BP network； Map-Reduce； crop warning

0 引 言

我國農(nóng)業(yè)生產(chǎn)勞作形式呈多樣化分布，致使作物生長受多因素影響，對(duì)作物生長狀況探索推出準(zhǔn)確的判定是農(nóng)務(wù)工作者做好種植工作和實(shí)現(xiàn)作物大豐收的基礎(chǔ)和前提。傳統(tǒng)技術(shù)上采取人工干預(yù)的手段對(duì)作物進(jìn)行必要的例行檢查，隨后對(duì)作物設(shè)計(jì)引入生長狀況判定，一般情況下進(jìn)行人工干預(yù)的參與人員大都是農(nóng)業(yè)專業(yè)學(xué)者或從事農(nóng)業(yè)生產(chǎn)多年、并具深厚經(jīng)驗(yàn)的工作者。人工手段預(yù)警既費(fèi)時(shí)又費(fèi)力，而且往往由于專業(yè)人員短缺，多數(shù)情況下未能及時(shí)開展例行作物檢查，使得作物遇到災(zāi)情警情時(shí)得不到最佳預(yù)警處理造成作物大面積病害，給農(nóng)民將直接帶來可觀經(jīng)濟(jì)損失。為了解決這個(gè)問題，研究決策開發(fā)建立農(nóng)作物數(shù)字化監(jiān)測(cè)預(yù)警平臺(tái)，利用數(shù)字化手段收集作物病蟲害數(shù)據(jù)、分析定義后供專家學(xué)者參考預(yù)測(cè)，這種數(shù)字化預(yù)測(cè)手段某種程度上降低了人工干預(yù)的依賴度，能夠及時(shí)發(fā)現(xiàn)、精細(xì)調(diào)控受災(zāi)作物，而且隨著物聯(lián)網(wǎng)的興起與發(fā)展，利用智能算法獲得現(xiàn)場自動(dòng)采集數(shù)據(jù)，同時(shí)利用云計(jì)算技術(shù)設(shè)計(jì)構(gòu)建大數(shù)據(jù)平臺(tái)，這就為智能算法事實(shí)推理提供有效技術(shù)支持。具體來說，BP網(wǎng)絡(luò)集分布并行分析處理、非線性映射功能、自適應(yīng)學(xué)習(xí)能力和強(qiáng)魯棒性于一體，從而重點(diǎn)、全面地解決了非線性系統(tǒng)模型預(yù)測(cè)問題。另據(jù)研究可知，云計(jì)算擁有的強(qiáng)大計(jì)算能力，能更加靈活、高效地組織、分配和使用計(jì)算資源；云計(jì)算擁有的海量存儲(chǔ)能力，能承載大眾參與的云計(jì)算中的海量信息和服務(wù)；云計(jì)算擁有的友好交互能力，還能為用戶確保提供智能化、多元化的服務(wù)[1]。此外，Map-Reduce則是一種可擴(kuò)展的通用并行計(jì)算模型，可以有效地處理海量數(shù)據(jù)[2]。

目前，國外部分國家采取農(nóng)作物病蟲害數(shù)字化監(jiān)測(cè)預(yù)警的方式對(duì)作物進(jìn)行評(píng)估、識(shí)別診斷、網(wǎng)絡(luò)互聯(lián)預(yù)警和數(shù)據(jù)樣式的規(guī)范統(tǒng)一，通過建立病蟲害診斷和綜合治理體系、網(wǎng)絡(luò)遠(yuǎn)程互聯(lián)體系、病蟲害信息系統(tǒng)實(shí)現(xiàn)農(nóng)作物病蟲害監(jiān)測(cè)數(shù)字化、信息采集自動(dòng)集成化和一線監(jiān)測(cè)人員技能化[3-5]。中國已有數(shù)省也推廣試行了農(nóng)作物病蟲害數(shù)字化監(jiān)測(cè)預(yù)警，但是針對(duì)我國農(nóng)業(yè)信息資源的開發(fā)利用仍比較分散、獨(dú)立性也有待完善以及信息資源多樣化亦難以整合，省份間建立數(shù)字化監(jiān)測(cè)預(yù)警系統(tǒng)的框架不同、功能各異、系統(tǒng)運(yùn)行的軟硬件配置存在較大差異而使得作物災(zāi)情數(shù)據(jù)無法通用共享等多重現(xiàn)實(shí)問題，數(shù)字化監(jiān)測(cè)預(yù)警在全國進(jìn)入實(shí)踐應(yīng)用也仍尚需一定時(shí)日，而物聯(lián)網(wǎng)和云計(jì)算的研發(fā)運(yùn)用則成功地解決了信息共享問題[6]?；谖覈壳艾F(xiàn)狀，本文則將打造海量作物數(shù)據(jù)信息共享平臺(tái)作為出發(fā)點(diǎn)，通過云計(jì)算技術(shù)與智能算法相結(jié)合設(shè)計(jì)實(shí)現(xiàn)一套農(nóng)作物災(zāi)情預(yù)警機(jī)制，用戶借助本機(jī)制可以方便獲取到作物的生長情況，并依據(jù)由此生成的有效信息，定制形成完備結(jié)果預(yù)判[7]。

本文引入云計(jì)算優(yōu)化BP網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)，設(shè)計(jì)一個(gè)結(jié)構(gòu)合理、運(yùn)行效率高、預(yù)警速度快的模型，該模型能夠輔助專家學(xué)者對(duì)作物的生長狀況做出判定，最終得出預(yù)警結(jié)果。利用云計(jì)算的彈性伸縮和動(dòng)態(tài)調(diào)配的優(yōu)良特性，不僅解決了原BP網(wǎng)絡(luò)訓(xùn)練所需計(jì)算資源動(dòng)態(tài)調(diào)配和預(yù)警速度慢從而導(dǎo)致模型預(yù)測(cè)不準(zhǔn)確、不及時(shí)等問題，而且更進(jìn)一步改善了用戶體驗(yàn)，同時(shí)還可顯著突出地提高數(shù)據(jù)處理能力。

1 模型系統(tǒng)設(shè)計(jì)

1.1 模型算法設(shè)計(jì)

考慮到以往由于使用智能算法推算事實(shí)根據(jù)時(shí)所使用的數(shù)據(jù)信息未臻充分客觀，導(dǎo)致智能算法模型預(yù)測(cè)存在準(zhǔn)確性差、偏差大的問題，通過傳感器采集作物生長的信息，包括作物生長環(huán)境的溫濕度和土壤情況、平均風(fēng)速、光照強(qiáng)度、降雨量等，通過有針對(duì)性地采集存儲(chǔ)影響作物生長的有關(guān)信息，在此基礎(chǔ)上設(shè)計(jì)建立作物災(zāi)情數(shù)據(jù)集群池。

面向集群池中大樣本、大數(shù)據(jù)處理，傳統(tǒng)BP網(wǎng)絡(luò)在計(jì)算資源的動(dòng)態(tài)使用情況、訓(xùn)練周期長短等方面將面臨嚴(yán)峻挑戰(zhàn)，為了提高作物預(yù)警的準(zhǔn)確度，本文對(duì)收集的大數(shù)據(jù)樣本在加工經(jīng)過了必要的數(shù)據(jù)預(yù)處理后，再利用BP網(wǎng)絡(luò)進(jìn)行動(dòng)態(tài)訓(xùn)練，優(yōu)化結(jié)構(gòu)，算法流程如圖1所示。

Map-Reduce模型對(duì)作物災(zāi)情數(shù)據(jù)資源池進(jìn)行數(shù)據(jù)映射歸類預(yù)處理，研究給出的運(yùn)作機(jī)制過程如圖2所示。本文即是利用該運(yùn)作機(jī)制處理海量作物災(zāi)情數(shù)據(jù)，滿足網(wǎng)絡(luò)訓(xùn)練對(duì)數(shù)據(jù)的處理要求。

1.2 模型總體結(jié)構(gòu)

為了解析得到一個(gè)具備適應(yīng)作物災(zāi)情海量數(shù)據(jù)處理能力的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，本文采取在傳統(tǒng)BP結(jié)構(gòu)的基礎(chǔ)上匹配指定一個(gè)數(shù)據(jù)處理模塊和結(jié)果歸總模塊，前者是建立在海量數(shù)據(jù)并行處理上的，采用Google提出的分布式并行編程模型組織集群處理大規(guī)模數(shù)據(jù)集，即Map-Reduce模型，后者是建立在動(dòng)態(tài)調(diào)整加權(quán)歸總輸出的基礎(chǔ)上。至此，本文則基于開源Hadoop云計(jì)算支撐平臺(tái)，研究設(shè)計(jì)BP算法的Map-Reduce并行海量數(shù)據(jù)處理作物預(yù)警模型。模型總體結(jié)構(gòu)如圖3所示。

由圖3可見，這里將給出模型總體結(jié)構(gòu)中各個(gè)關(guān)鍵模塊的技術(shù)功能展示，可做如下論述。

1）數(shù)據(jù)處理模塊。采用Map-Reduce模型處理機(jī)制，作物災(zāi)情數(shù)據(jù)經(jīng)過設(shè)定操作后分割轉(zhuǎn)換為互不相交、最小分解的Task，主服務(wù)器對(duì)這些Task分析產(chǎn)生，然后分配到不同的Map中展開并行處理，即映射過程，此過程主要是對(duì)作物災(zāi)情數(shù)據(jù)利用機(jī)器整理歸類，如根據(jù)降雨量進(jìn)行分割映射。Reduce對(duì)Map階段產(chǎn)生的結(jié)果集在調(diào)取經(jīng)過了外排序和歸并等算法整合后，輸出最終處理結(jié)果，即歸類過程，此過程匯總數(shù)據(jù)后滿足數(shù)據(jù)處理要求。數(shù)據(jù)預(yù)處理的手段可呈現(xiàn)出多樣化選擇，如引入專家系統(tǒng)，實(shí)現(xiàn)智能化處理。

2）網(wǎng)絡(luò)訓(xùn)練模塊。利用Map-Reduce模塊輸出的結(jié)果集，拓展加入了MATLAB必要的數(shù)據(jù)處理后將產(chǎn)生網(wǎng)絡(luò)訓(xùn)練樣本集，網(wǎng)絡(luò)訓(xùn)練的目的也是為了得到最佳的權(quán)值閾值，利用誤差反向傳播調(diào)整權(quán)值。模型可以對(duì)后來數(shù)據(jù)進(jìn)行預(yù)測(cè)判斷。

3）結(jié)果歸總模塊。網(wǎng)絡(luò)訓(xùn)練模塊對(duì)多種數(shù)據(jù)構(gòu)建自適應(yīng)學(xué)習(xí)，得出預(yù)測(cè)結(jié)果集，本模塊將根據(jù)網(wǎng)絡(luò)訓(xùn)練結(jié)果預(yù)測(cè)集合按照權(quán)重歸總得出最終預(yù)測(cè)結(jié)果，可結(jié)合專家意見后實(shí)現(xiàn)協(xié)同優(yōu)化智能研判。

1.3 模型設(shè)計(jì)實(shí)現(xiàn)

1.3.1 建立數(shù)據(jù)采集中心

為了更好地對(duì)作物災(zāi)情進(jìn)行準(zhǔn)確預(yù)測(cè)，對(duì)傳統(tǒng)數(shù)據(jù)采集個(gè)人使用的局面進(jìn)行升級(jí)處理，在信息大爆炸時(shí)代，信息共享則顯得尤為重要，建立作物預(yù)警模型的基礎(chǔ)就是建立作物災(zāi)情數(shù)據(jù)集群池，在農(nóng)作物生長環(huán)境中架設(shè)多類傳感器實(shí)時(shí)采集存儲(chǔ)影響作物生長因素，研發(fā)創(chuàng)立了數(shù)據(jù)采集中心。采集的數(shù)據(jù)主要有作物的受害部位圖像、生長環(huán)境的溫濕度和土壤情況、平均風(fēng)速、光照強(qiáng)度、降雨量等，作物信息數(shù)據(jù)可根據(jù)用戶的個(gè)人需求靈活選取、自主收集。

1.3.2 建立數(shù)據(jù)集群池

為了實(shí)現(xiàn)農(nóng)作物災(zāi)情數(shù)據(jù)信息共享最大化和統(tǒng)一管理高效化，就要規(guī)劃創(chuàng)建分布式數(shù)據(jù)集群模式化的存儲(chǔ)模型。數(shù)據(jù)采集中心利用云計(jì)算技術(shù)靈活調(diào)度全網(wǎng)區(qū)域資源合理分配，并對(duì)數(shù)據(jù)采集中心的數(shù)據(jù)提供高效可靠、整體統(tǒng)一的存儲(chǔ)管理，從而技術(shù)可行地實(shí)施建立了信息共享池。

1.3.3 數(shù)據(jù)預(yù)處理

數(shù)據(jù)處理模塊是網(wǎng)絡(luò)訓(xùn)練模塊的前提基礎(chǔ)，也是整個(gè)作物預(yù)警模型的核心關(guān)鍵。數(shù)據(jù)預(yù)處理對(duì)于模型建立更是具有首要地位作用，數(shù)據(jù)處理的好與壞直接影響模型建立的成敗。本文提出采用Map-Reduce模型對(duì)數(shù)據(jù)共享池中的作物數(shù)據(jù)進(jìn)行分類處理[8]，以及運(yùn)用MATLAB工具對(duì)數(shù)據(jù)集成設(shè)定加工處理及網(wǎng)絡(luò)訓(xùn)練。

1.3.4 模型網(wǎng)絡(luò)訓(xùn)練

數(shù)據(jù)處理后，網(wǎng)絡(luò)通過智能算法自學(xué)習(xí)找到樣本數(shù)據(jù)的自身規(guī)律，得到一般的非線性映射預(yù)測(cè)模型的權(quán)值和閾值。網(wǎng)絡(luò)訓(xùn)練模塊充分利用云計(jì)算技術(shù)優(yōu)勢(shì)，在網(wǎng)絡(luò)訓(xùn)練時(shí)動(dòng)態(tài)調(diào)整計(jì)算資源，明顯縮短訓(xùn)練周期，高效快捷地得到準(zhǔn)確度頗高的預(yù)警模型。

1.3.5 結(jié)果歸總輸出

為了準(zhǔn)確預(yù)測(cè)作物災(zāi)情，綜合多方面預(yù)測(cè)影響因素，即需對(duì)網(wǎng)絡(luò)訓(xùn)練輸出結(jié)果集進(jìn)行歸總處理，可根據(jù)準(zhǔn)確度高低加進(jìn)不同的權(quán)重對(duì)這些預(yù)測(cè)結(jié)果形成加權(quán)輸出。確定權(quán)重是重點(diǎn)關(guān)鍵，模型初態(tài)取平均比例，后期根據(jù)預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的誤差大小設(shè)計(jì)選擇動(dòng)態(tài)調(diào)整，調(diào)整規(guī)則可表述為：

1）初始狀態(tài)采用平均權(quán)重的方式進(jìn)行歸總。

2）將輸出結(jié)果與期望結(jié)果來構(gòu)建對(duì)比，偏差大的，權(quán)重相應(yīng)減??；偏差小或無誤差的，權(quán)重相應(yīng)增加；偏差不變的，權(quán)重保持不變。

3）若同一權(quán)重閾值的預(yù)測(cè)結(jié)果多次出現(xiàn)較大預(yù)測(cè)偏差，權(quán)重將會(huì)減小至零值，即該網(wǎng)絡(luò)的權(quán)重閾值將舍棄不用。

2 結(jié)束語

本文在BP基礎(chǔ)上融入云計(jì)算技術(shù)對(duì)研究模型結(jié)構(gòu)進(jìn)行調(diào)整優(yōu)化，對(duì)預(yù)測(cè)結(jié)果綜合切入了多方位、多因素的全面考慮，對(duì)預(yù)測(cè)結(jié)果的準(zhǔn)確度設(shè)計(jì)展開了動(dòng)態(tài)調(diào)整優(yōu)化，對(duì)于預(yù)測(cè)結(jié)果差、準(zhǔn)確度低的實(shí)際輸出通過調(diào)整降權(quán)，使模型預(yù)測(cè)偏向預(yù)測(cè)準(zhǔn)確度更高的一方，最終整體獲得智能高效的作物災(zāi)情預(yù)測(cè)結(jié)果。經(jīng)實(shí)踐驗(yàn)證，模型呈現(xiàn)出良好的收斂性、較高的準(zhǔn)確率以及較好的預(yù)測(cè)能力。作物災(zāi)情數(shù)據(jù)資源池和知識(shí)庫的建立將為作物智能監(jiān)控提供有力保障，突破傳統(tǒng)信息采集模式，實(shí)現(xiàn)作物實(shí)時(shí)監(jiān)測(cè)與控制，進(jìn)而提升我國農(nóng)業(yè)生產(chǎn)智能化、管理科學(xué)化的發(fā)展水平。同時(shí)，模型還可準(zhǔn)確地對(duì)作物災(zāi)情進(jìn)行預(yù)測(cè)，給農(nóng)耕者和專家學(xué)者們報(bào)送有價(jià)值的作物生長狀況信息，并有利于及早做出合理的種植計(jì)劃、以及制定正確的決策部署，模型應(yīng)用具有廣闊可觀現(xiàn)實(shí)前景。

參考文獻(xiàn)：

[1] 鄧維， 劉方明， 金海， 等. 云計(jì)算數(shù)據(jù)中心的新能源應(yīng)用：研究現(xiàn)狀與趨勢(shì)[J]. 計(jì)算機(jī)學(xué)報(bào)， 2013， 36（3）：582-598.

[2] 李成華， 張新訪， 金海， 等. MapReduce：新型的分布式并行計(jì)算編程模型[J]. 計(jì)算機(jī)工程與科學(xué)， 2011， 33（3）：129-135.

[3] 劉萬才， 劉宇， 曾娟， 等. 推進(jìn)農(nóng)業(yè)有害生物數(shù)字化監(jiān)測(cè)預(yù)警建設(shè)芻議[J]. 中國植保導(dǎo)刊， 2009， 29（10）：11-15.

[4] 劉萬才， 武向文， 任寶珍， 等. 美國的農(nóng)作物病蟲害數(shù)字化監(jiān)測(cè)預(yù)警建設(shè)[J]. 中國植保導(dǎo)刊， 2010， 30（8）：51-54.

[5] 劉宇， 劉萬才， 韓梅. 農(nóng)作物重大病蟲害數(shù)字化監(jiān)測(cè)預(yù)警系統(tǒng)建設(shè)進(jìn)展[J]. 中國植保導(dǎo)刊， 2011， 31（2）：33-35.

[6] 陳學(xué)斌， 張淑芬， 王向東. 物聯(lián)網(wǎng)在小麥病蟲草害監(jiān)控中的應(yīng)用[J]. 中國植保導(dǎo)刊， 2014， 34（5）：38-42.

[7] 張寧. 關(guān)聯(lián)數(shù)據(jù)下的農(nóng)業(yè)信息資源構(gòu)建[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2013， 34（5）：214-216.

[8] 陳學(xué)斌， 王師， 董巖巖. 面向大數(shù)據(jù)的并行分類混合算法研究[J]. 微電子學(xué)與計(jì)算機(jī)， 2016， 33（4）：138-140.