農(nóng)業(yè)面源污染監(jiān)測及預警系統(tǒng)設計

尤佳梁 毛力

摘要：農(nóng)業(yè)面源污染是導致地表水污染的主要原因。為解決農(nóng)業(yè)面源污染監(jiān)控中遇到的瓶頸問題，設計并實現(xiàn)了一套基于信息融合、物聯(lián)網(wǎng)及云計算技術的農(nóng)業(yè)面源污染監(jiān)測及預警系統(tǒng)。目前系統(tǒng)運行平穩(wěn)，預測預警準確性較高，較好地實現(xiàn)了對農(nóng)業(yè)面源污染的動態(tài)監(jiān)測、跟蹤與預警。

關鍵詞： 農(nóng)業(yè)面源污染；信息融合；物聯(lián)網(wǎng)；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(yǎng)物質、農(nóng)藥、各種大氣顆粒物等組成，通過地表徑流、土壤侵蝕、農(nóng)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(nóng)業(yè)面源污染貢獻率為最大。因此，加強對農(nóng)業(yè)面源污染的監(jiān)控已是當務之急。但由于農(nóng)業(yè)面源污染的發(fā)生具有隨機性、廣泛性、滯后性、模糊性及突發(fā)性等特點，因此農(nóng)業(yè)面源污染治理一直都是一個世界性難題。

面源污染監(jiān)測及預警就是在特定區(qū)域內，對地表水質狀況進行監(jiān)測、分析、評價，對其未來發(fā)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(jiān)控管理。

目前我國農(nóng)業(yè)面源污染監(jiān)控應用尚處于初級階段，與國外相比，監(jiān)測技術及決策手段相對落后，主要表現(xiàn)在：

1）僅根據(jù)少數(shù)孤立因子來對某一局部區(qū)域的農(nóng)業(yè)面源污染進行監(jiān)測，很難對總體污染情況做出準確、客觀和綜合的判斷，農(nóng)業(yè)面源污染預測預警模型性能有待提高。

2）隨著監(jiān)測范圍的不斷擴大、監(jiān)測參數(shù)的不斷增多，監(jiān)控決策功能的不斷增強，監(jiān)控中心傳統(tǒng)的硬件系統(tǒng)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(jù)推理、聚類分析、神經(jīng)網(wǎng)絡、支持向量機[4]、極限學習機[5]等。

為解決上述農(nóng)業(yè)面源污染監(jiān)控中遇到的瓶頸問題，本文開發(fā)了一套基于信息融合技術、物聯(lián)網(wǎng)及云計算技術[3]的農(nóng)業(yè)面源污染監(jiān)測及預警系統(tǒng)，較好地實現(xiàn)了對農(nóng)業(yè)面源污染的動態(tài)監(jiān)測、跟蹤與預警。

1 系統(tǒng)總體架構

農(nóng)業(yè)面源污染監(jiān)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(shù)據(jù)匯總、轉換、分析處理、呈現(xiàn)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(shù)據(jù)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(guī)模并行計算功能對數(shù)據(jù)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(xiàn)實時監(jiān)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?shù)綉脤印?/p>

感知層體現(xiàn)物聯(lián)網(wǎng)的全面感知特征，即利用各類智能感知設備以及傳感器節(jié)點，隨時隨地獲取所需的監(jiān)測點信息，如：溫度、PH值、溶解氧、氨氮、ORP及流量等數(shù)據(jù)參數(shù)。

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

2 系統(tǒng)設計方案

基于ASP.NET+SQL SERVER的農(nóng)業(yè)面源污染監(jiān)測及預警系統(tǒng)具備數(shù)據(jù)采集、信息查詢、污染負荷監(jiān)測及預警等功能。系統(tǒng)功能完備、界面友好、性能良好、所完成功能能滿足農(nóng)業(yè)面源污染監(jiān)測及預警的需求。

基于RUP 的系統(tǒng)開發(fā)過程分為需求捕獲、分析、設計、實現(xiàn)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(fā)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(xiàn)環(huán)境，將分析模型擴展和轉化為可行的技術實現(xiàn)方案； 實現(xiàn)階段的主要任務是基于設計內容創(chuàng)建源代碼和可執(zhí)行代碼，以及用于部署的組件模塊；測試階段主要是對實現(xiàn)階段中所完成的工作進行驗證。

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

系統(tǒng)將感知層采集獲得污染監(jiān)測數(shù)據(jù)傳輸?shù)睫r(nóng)業(yè)面源污染監(jiān)測及預警系統(tǒng)的數(shù)據(jù)接收平臺上。部署在 Web 服務器端的數(shù)據(jù)接收平臺負責接收數(shù)據(jù)，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(shù)據(jù)存儲服務，來支持前端應用的數(shù)據(jù)存儲與分析職能。系統(tǒng)組成如圖1所示：

3 關鍵技術

3.1 水質數(shù)據(jù)預處理技術

在數(shù)據(jù)采集過程中由于機械或人為等因素可能產(chǎn)生一些異常數(shù)據(jù)，如直接將這些異常數(shù)據(jù)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(shù)據(jù)直接用于后續(xù)信息融合，也將會增加融合時間，降低融合精度。

本系統(tǒng)采用基于改進模糊C均值聚類算法[6]對原始采集數(shù)據(jù)進行預處理，去除異常數(shù)據(jù)及冗余信息，將得到的聚類中心點作為后續(xù)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(jīng)網(wǎng)絡或支持向量機，由于神經(jīng)網(wǎng)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(shù)，參數(shù)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(jīng)網(wǎng)絡的新型學習算法，其隱層節(jié)點參數(shù)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(tǒng)ELM是基于經(jīng)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(tǒng)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(tǒng)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(tǒng)將其作為弱預測器與AdaBoost結合，來對預處理后的監(jiān)測數(shù)據(jù)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(guī)則（包括預警觸發(fā)條件，預警級別、預警對策及方式等）設計預警模型，克服了現(xiàn)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(lián)網(wǎng)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(nóng)業(yè)面源污染環(huán)境相對完整的感知與描述，從而提高農(nóng)業(yè)面源污染預警與應急響應決策的效率。

物聯(lián)網(wǎng)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(nóng)業(yè)面源污染監(jiān)控中存在的運營成本高，服務規(guī)模及性能有限等難題，為農(nóng)業(yè)面源污染監(jiān)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(lián)網(wǎng)及云計算技術引入農(nóng)業(yè)面源污染監(jiān)測及預警系統(tǒng)的構建，首先對采集數(shù)據(jù)進行預處理，再基于信息融合技術對預處理后的水質參數(shù)進行決策融合，建立水質預測預警模型，最后依據(jù)該模型實現(xiàn)對農(nóng)業(yè)面源污染的在線監(jiān)測與預警，為環(huán)境監(jiān)管、環(huán)境評價、執(zhí)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(nóng)業(yè)面源污染現(xiàn)狀及其防治措施[J]. 農(nóng)業(yè)資源與環(huán)境學報， 2011， 28（1）：64-67.

[2] 馮曉娜，張剛，王詠.農(nóng)業(yè)面源污染防治措施進展研究[J]. 環(huán)境科學與管理， 2017， 42（8）：89-93.

[3] 彭力.物聯(lián)網(wǎng)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(lián)編輯：唐一東】