基于物聯(lián)網(wǎng)的番茄早疫病自動(dòng)監(jiān)測(cè)預(yù)警平臺(tái)的應(yīng)用與研究

曾敏 應(yīng)巨林 許馳 曾錚 鄭乾生

摘要早疫病是對(duì)番茄生產(chǎn)影響較大的一種病害，但現(xiàn)有檢測(cè)手段落后。為此，利用無(wú)線傳感器、物聯(lián)網(wǎng)、數(shù)據(jù)分析等現(xiàn)代信息技術(shù)與傳統(tǒng)農(nóng)業(yè)相結(jié)合，開(kāi)展番茄早疫病自動(dòng)檢測(cè)預(yù)警研究。采用傳感網(wǎng)絡(luò)對(duì)番茄病害環(huán)境因子進(jìn)行數(shù)據(jù)采集，并通過(guò)數(shù)據(jù)融合分析，建立番茄早疫病發(fā)生等級(jí)與環(huán)境因子相關(guān)的預(yù)警模型，構(gòu)建番茄早疫病自動(dòng)監(jiān)測(cè)預(yù)警平臺(tái)，實(shí)現(xiàn)對(duì)產(chǎn)地番茄病害實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)和預(yù)警，可為番茄早疫病測(cè)報(bào)防治提供一種高效、自動(dòng)化的技術(shù)和手段。該研究既能為番茄早疫病測(cè)報(bào)提供重要的技術(shù)和信息支撐，又可為其他相關(guān)治理發(fā)展提供參考。

關(guān)鍵詞番茄早疫??；病蟲(chóng)害檢測(cè)；預(yù)警模型；物聯(lián)網(wǎng)；數(shù)據(jù)分析

中圖分類號(hào)TP 391.4文獻(xiàn)標(biāo)識(shí)碼A

文章編號(hào)0517-6611（2023）24-0213-07

doi：10.3969/j.issn.0517-6611.2023.24.047

Application and Research on Automatic Monitoring and Early Warning Platform for Tomato Early Blight Based on Internet of Things

ZENG Min，YING Julin，XU Chi et al

（Wenzhou Vocational College of Science and Technology，Wenzhou，Zhejiang 325006）

AbstractEarly blight is a disease that has great influence on tomato production.But the existing detection methods are backward.Thus，modern information technologies，such as wireless sensor，Internet of Things and data analysis were combined with traditional agriculture，to carry out automatic detection and early warning of tomato early blight.Data on environmental factors of tomato diseases were collected by the sensor network.Data fusion analysis was used to construct automatic monitoring and early warning model.By constructing an automatic monitoring and early warning platform for tomato early blight，it could realize realtime dynamic monitoring and early warning of tomato diseases in the place of origin，and it could also provide an efficient，automated technology and means for the prevention and treatment of tomato? early blight.This research could not only provide important technical and information support for the forecast of tomato early blight，but also provided reference for other related control development.

Key wordsTomato early blight;Pest detection;Early warning model;Internet of Things;Data analysis

番茄早疫病是由半知菌亞門茄鏈格抱菌（Alatenaria solani）引起的，是世界范圍內(nèi)對(duì)番茄生產(chǎn)影響較大的一種病害，在世界多國(guó)多地區(qū)均有發(fā)生［1］。番茄早疫病病原物為茄鏈格孢，以菌絲或分生孢子形態(tài)在病殘?bào)w或番茄種子上越冬，待翌年環(huán)境條件適宜時(shí)，通過(guò)氣流、降水、農(nóng)事等途徑從氣孔、皮孔或表皮直接侵入，形成初侵染［2］。潛伏期一般為2～3 d，可在葉片、莖稈等位置形成病斑，3～4 d后產(chǎn)生下一代分生孢子，通過(guò)氣流、雨水進(jìn)行多次重復(fù)侵染［3］。番茄早疫病在番茄植株的整個(gè)生長(zhǎng)發(fā)育階段均可侵染，一旦遇到高溫高濕情況極易暴發(fā)流行，嚴(yán)重影響產(chǎn)量和質(zhì)量，發(fā)病嚴(yán)重時(shí)減產(chǎn)高達(dá)50%，造成重大經(jīng)濟(jì)損失。

由于缺少先進(jìn)的測(cè)報(bào)預(yù)報(bào)手段，當(dāng)番茄發(fā)生早疫病災(zāi)害時(shí)，就會(huì)大量使用化學(xué)農(nóng)藥，造成土壤和水源嚴(yán)重污染，帶來(lái)了土壤板結(jié)、生態(tài)鏈破壞等突出問(wèn)題，隨著人們對(duì)食品安全越來(lái)越重視，使得靠農(nóng)藥來(lái)降低災(zāi)害變得寸步難行［4］。隨著物聯(lián)網(wǎng)、5G、大數(shù)據(jù)等新技術(shù)快速發(fā)展，迫切需要利用現(xiàn)代信息技術(shù)手段，進(jìn)一步提升重大病蟲(chóng)害監(jiān)測(cè)預(yù)警能力和植保防災(zāi)減災(zāi)水平，保障農(nóng)產(chǎn)品質(zhì)量安全，保護(hù)農(nóng)業(yè)生態(tài)環(huán)境，促進(jìn)農(nóng)業(yè)的可持續(xù)發(fā)展。鑒于此，筆者介紹了基于物聯(lián)網(wǎng)的番茄早疫病自動(dòng)監(jiān)測(cè)預(yù)警平臺(tái)的整體架構(gòu)設(shè)計(jì)、物聯(lián)網(wǎng)生物環(huán)境信息監(jiān)測(cè)采集設(shè)計(jì)、番茄早疫病的模型設(shè)計(jì)和自動(dòng)監(jiān)測(cè)預(yù)警平臺(tái)構(gòu)建。

1平臺(tái)整體架構(gòu)設(shè)計(jì)

由圖1可知，平臺(tái)整體架構(gòu)主要包括感知層、服務(wù)層、應(yīng)用層、用戶層共4 層。在感知層，主要利用物聯(lián)網(wǎng)、病菌孢子監(jiān)測(cè)設(shè)備、環(huán)境傳感器和高清攝像機(jī)等各種信息采集終端，對(duì)番茄環(huán)境、病害信息等數(shù)據(jù)進(jìn)行采集和監(jiān)測(cè)，實(shí)現(xiàn)番茄生產(chǎn)環(huán)境的實(shí)時(shí)感知，再通過(guò)5G/4G網(wǎng)絡(luò)將采集的數(shù)據(jù)傳輸?shù)皆破脚_(tái)進(jìn)行分析建模；服務(wù)層是監(jiān)測(cè)預(yù)警系統(tǒng)的神經(jīng)中樞和數(shù)據(jù)中心，負(fù)責(zé)提供對(duì)數(shù)據(jù)進(jìn)行采集、存儲(chǔ)、分析和處理，構(gòu)建番茄早疫病發(fā)生等級(jí)與環(huán)境因子相關(guān)的預(yù)警模型，實(shí)現(xiàn)對(duì)產(chǎn)地番茄病害實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)與預(yù)警；應(yīng)用層主要構(gòu)建番茄早疫病自動(dòng)監(jiān)測(cè)預(yù)警相關(guān)的信息服務(wù)平臺(tái)，實(shí)現(xiàn)病害預(yù)報(bào)可視化、監(jiān)測(cè)數(shù)字化，并通過(guò)短信、郵件等方式向用戶發(fā)布預(yù)警信息；用戶層通過(guò)PC端和移動(dòng)端為用戶提供了環(huán)境數(shù)據(jù)監(jiān)測(cè)、病害預(yù)警、專家診斷等智能監(jiān)控及管理服務(wù)。

2物聯(lián)網(wǎng)生長(zhǎng)環(huán)境信息監(jiān)測(cè)采集設(shè)計(jì)

2.1生長(zhǎng)環(huán)境信息采集設(shè)計(jì)架構(gòu)

生長(zhǎng)環(huán)境監(jiān)測(cè)采集是作物精準(zhǔn)栽培農(nóng)業(yè)數(shù)據(jù)模型最好的栽培數(shù)據(jù)庫(kù)，可為設(shè)施生產(chǎn)作物栽培過(guò)程中生產(chǎn)管控提供真實(shí)準(zhǔn)確可靠動(dòng)態(tài)實(shí)時(shí)數(shù)據(jù)。為了研究各種氣象環(huán)境因素與病害數(shù)量的相關(guān)性和發(fā)展趨勢(shì)，需要在園區(qū)部署多種環(huán)境數(shù)據(jù)采集傳感器，用于采集監(jiān)測(cè)點(diǎn)附近的多種氣象因素和環(huán)境數(shù)據(jù)。物聯(lián)網(wǎng)生長(zhǎng)環(huán)境信息采集監(jiān)測(cè)架構(gòu)圖如圖2所示。在園區(qū)內(nèi)部署一個(gè)物聯(lián)網(wǎng)無(wú)線監(jiān)測(cè)微基站，具有自動(dòng)采集、固態(tài)存儲(chǔ)數(shù)據(jù)及智能控制的功能，微基站采用LPWAN（Sub-G）+5G/4G組合的無(wú)線通信技術(shù)，并支持太陽(yáng)能和有源市供電。由多組不同的氣象和土壤傳感器連接到物聯(lián)網(wǎng)無(wú)線通信節(jié)點(diǎn)上，再將采集到的數(shù)據(jù)通過(guò)LoRa遠(yuǎn)距離無(wú)線傳輸協(xié)議發(fā)送給無(wú)線控制微基站，基站再通過(guò)5G/4G移動(dòng)通信模塊與遠(yuǎn)程云監(jiān)測(cè)預(yù)警平臺(tái)進(jìn)行交互，實(shí)現(xiàn)節(jié)點(diǎn)控制和數(shù)據(jù)傳輸。

2.2物聯(lián)網(wǎng)傳感器部署

根據(jù)需要監(jiān)測(cè)的氣象和土壤因素，選取空氣溫濕度、降雨量、土壤溫濕度等傳感器組建多組無(wú)線傳感器節(jié)點(diǎn)，各類傳感器均統(tǒng)一選用RS485接口標(biāo)準(zhǔn)，實(shí)現(xiàn)傳感器采集數(shù)據(jù)的無(wú)線信號(hào)轉(zhuǎn)換。每種類型傳感器的詳細(xì)參數(shù)如表1所示。

2.2.1設(shè)施空氣環(huán)境監(jiān)測(cè)。

通過(guò)在園區(qū)設(shè)施溫室內(nèi)選取代表性監(jiān)測(cè)。部署空氣環(huán)境傳感器實(shí)時(shí)采集園區(qū)內(nèi)的空氣環(huán)境，為系統(tǒng)的病害數(shù)據(jù)模型提供分析決策依據(jù)。在規(guī)劃示范溫室內(nèi)對(duì)番茄作物的生長(zhǎng)環(huán)境進(jìn)行全面的監(jiān)控，每個(gè)溫室根據(jù)種植分區(qū)選擇合適位置和合適數(shù)量的溫室環(huán)境監(jiān)測(cè)點(diǎn)，部署空氣環(huán)境傳感器內(nèi)容包括4組物聯(lián)網(wǎng)無(wú)線監(jiān)測(cè)節(jié)點(diǎn)、4組空氣溫度傳感器和4組相對(duì)濕度傳感器。

2.2.2種植土壤墑情監(jiān)測(cè)。系統(tǒng)可實(shí)時(shí)精準(zhǔn)采集種植區(qū)域的不同作物的根系集中范圍，確定相應(yīng)的土壤環(huán)境監(jiān)測(cè)深度，通過(guò)配設(shè)相應(yīng)的土壤傳感器實(shí)現(xiàn)對(duì)土壤溫度、土壤濕度、土壤 EC、土壤 pH 等土壤墑情數(shù)據(jù)在線監(jiān)測(cè)，為制定作物科學(xué)的灌溉方案和養(yǎng)分投入提供科學(xué)合理支撐。在規(guī)劃示范溫室內(nèi)根據(jù)溫室番茄的特點(diǎn)和根系集中土層深度、灌溉分區(qū)、灌溉計(jì)劃等內(nèi)容選擇合適土壤位置部署土壤環(huán)境傳感器，具體每套監(jiān)測(cè)點(diǎn)內(nèi)容包括5組物聯(lián)網(wǎng)無(wú)線監(jiān)測(cè)節(jié)點(diǎn)、4組土壤水分傳感器、4組土壤溫度傳感器、1組土壤 pH 傳感器和1組土壤EC傳感器。

2.3物聯(lián)網(wǎng)智能網(wǎng)關(guān)系統(tǒng)設(shè)計(jì)

物聯(lián)網(wǎng)智能網(wǎng)關(guān)系統(tǒng)是專門針對(duì)農(nóng)業(yè)病蟲(chóng)害監(jiān)測(cè)應(yīng)用需求而研發(fā)，集數(shù)據(jù)采集、協(xié)議轉(zhuǎn)換、數(shù)據(jù)處理、數(shù)據(jù)封裝、安全傳輸?shù)裙δ苡谝惑w的智能化傳輸設(shè)備。設(shè)備要求支持通過(guò)多種通訊方式從業(yè)務(wù)底層的傳感器、PLC、DCS以及各類智能設(shè)備儀表中采集數(shù)據(jù)，將數(shù)據(jù)解析、打包、封裝、加密后實(shí)時(shí)推送至上層數(shù)據(jù)平臺(tái)。同時(shí)還可根據(jù)現(xiàn)場(chǎng)需求，實(shí)現(xiàn)協(xié)議轉(zhuǎn)發(fā)功能，按上層數(shù)據(jù)平臺(tái)所需的數(shù)據(jù)格式實(shí)現(xiàn)聯(lián)網(wǎng)通信。物聯(lián)網(wǎng)智能網(wǎng)關(guān)數(shù)據(jù)采集和傳輸示意圖如圖3所示。設(shè)備部署了10/100兆網(wǎng)口、RS-232、RS-485、USB Host等多種采集接口，支持各種病蟲(chóng)害監(jiān)測(cè)設(shè)備的接入；集成LoRa芯片，通過(guò)與設(shè)備配套的DTU傳輸設(shè)備，可用于超遠(yuǎn)距離（2～10 km）數(shù)據(jù)的采集與傳輸；內(nèi)置定位模塊，支持GPS和北斗2種定位方式；配置1個(gè)miniPCIe接口和5G/4G自適應(yīng)全網(wǎng)通無(wú)線數(shù)據(jù)傳輸模塊，通過(guò)與配套的無(wú)線視頻傳輸設(shè)備的匹配，實(shí)現(xiàn)了視頻數(shù)據(jù)、高分辨率圖片的采集與傳輸。

物聯(lián)網(wǎng)網(wǎng)關(guān)內(nèi)置豐富的外圍接口，有上位機(jī)或數(shù)據(jù)中心命令采集和主動(dòng)定時(shí)采集2種數(shù)據(jù)采集模式；數(shù)據(jù)處理支持對(duì)連接設(shè)備所監(jiān)測(cè)數(shù)據(jù)的解析，支持多種算數(shù)運(yùn)算功能，同時(shí)根據(jù)遠(yuǎn)傳數(shù)據(jù)包格式，在數(shù)據(jù)包中添加多種元素，如相關(guān)行政區(qū)劃代碼、監(jiān)測(cè)點(diǎn)名稱、監(jiān)測(cè)點(diǎn)類別、時(shí)間、設(shè)備識(shí)別碼、設(shè)備運(yùn)行狀態(tài)等附加信息，進(jìn)行數(shù)據(jù)打包；數(shù)據(jù)存儲(chǔ)網(wǎng)關(guān)設(shè)備內(nèi)置支持大容量數(shù)據(jù)的存儲(chǔ)空間，還為未來(lái)數(shù)據(jù)量的不斷增多做了資源池的擴(kuò)容預(yù)留；設(shè)備全部采用工業(yè)級(jí)電子元件，具備很好的防護(hù)措施，支持惡劣環(huán)境下設(shè)備的穩(wěn)定運(yùn)行與數(shù)據(jù)傳輸，還支持通信故障恢復(fù)后數(shù)據(jù)續(xù)傳功能；通過(guò)平臺(tái)軟件，支持對(duì)現(xiàn)場(chǎng)設(shè)備的遠(yuǎn)程配置、升級(jí)、管理、控制，實(shí)時(shí)查看設(shè)備運(yùn)行狀態(tài)。

3番茄早疫病的模型設(shè)計(jì)

1987年，呂佩珂等［5］團(tuán)隊(duì)通過(guò)對(duì)1979—1984年的包頭市田間番茄早疫病的發(fā)生進(jìn)行分析，闡明了降雨量、相對(duì)濕度、溫度與番茄早疫病發(fā)生和流行之間的關(guān)系。包頭市番茄早疫病發(fā)生和流行的氣象條件如表2所示，結(jié)論指出引起番茄早疫病發(fā)生和流行的主導(dǎo)因素是氣象條件。呂佩珂團(tuán)隊(duì)根據(jù)試驗(yàn)結(jié)果得出，發(fā)病前5 d，溫度在20～30 ℃，相對(duì)濕度80%的情況下，早疫病發(fā)病率高，病情擴(kuò)展快，潛育期為64 h，如果發(fā)病前5～6 d有2.2 mm小到中雨，番茄早疫病即可發(fā)生。呂佩珂團(tuán)隊(duì)的研究結(jié)論為番茄早疫病預(yù)測(cè)模型的構(gòu)建提供了重要的參考。

1999年，劉孝峰等［6］團(tuán)隊(duì)通過(guò)試驗(yàn)得出溫度對(duì)分生孢子萌發(fā)的影響（表3），結(jié)果顯示番茄早疫病病菌分生孢子在6～35 ℃均可萌發(fā)，適宜溫度為25～32 ℃，分生孢子在水滴中適宜溫度下經(jīng)過(guò)1 h 即可萌發(fā)。濕度對(duì)分生孢子萌發(fā)的影響如表4所示，病菌分生孢子在溫度為25 ℃，空氣相對(duì)濕度分別為65％、75％、90％、100％的環(huán)境下，經(jīng)過(guò)24 h分生孢子的萌發(fā)率分別為0、0、0、2％，在水滴中的萌發(fā)率為98％。這說(shuō)明分生孢子要求100％的空氣相對(duì)濕度，在水滴中才萌發(fā)良好。

2010年鄭寰宇等［7］團(tuán)隊(duì)通過(guò)試驗(yàn)得出，早疫病菌分生孢子萌發(fā)的關(guān)鍵因子是空氣相對(duì)濕度或是否存在水滴，在30 ℃環(huán)境下經(jīng)過(guò)10 h，當(dāng)空氣相對(duì)濕度高于85%時(shí)，分生孢子才開(kāi)始萌發(fā)，但萌發(fā)率很低，只有0.3％；在水滴存在的條件下萌發(fā)最好，萌發(fā)率為98.3％（表5）。早疫病菌分生孢子在5～40 ℃均可萌發(fā)（表6），在25～35 ℃的溫度條件下容易萌發(fā)，在5和40 ℃條件下分生孢子萌發(fā)率較低，而在45 ℃條件下分生孢子不能萌發(fā)，該研究結(jié)論基本與劉孝峰團(tuán)隊(duì)的相符。

浙江省農(nóng)業(yè)科學(xué)院植物保護(hù)研究所的王蓮平團(tuán)隊(duì)通過(guò)對(duì)番茄早疫病的病菌生物學(xué)特性的研究［8］、國(guó)外Harrison對(duì)美國(guó)科羅納多馬鈴薯早疫病流行性病學(xué)的研究［9］、Moore對(duì)影響茄鏈孢菌侵染的環(huán)境因素的研究［10］都得出茄鏈格孢菌絲和分生孢子的萌發(fā)需在合適的溫度范圍內(nèi)，空氣相對(duì)濕度較高，在葉片上已形成水滴且有一定程度降雨量的條件下發(fā)生。根據(jù)以上對(duì)番茄早疫病的病原菌孢子萌發(fā)的一系列相關(guān)研究，可以得出番茄早疫病孢子萌發(fā)的最主要因素是環(huán)境溫濕度，在20～35 ℃的條件下均能較好萌發(fā)，最適宜溫度是25～30 ℃，其在不同含水量時(shí)，濕度越高，萌發(fā)率越高，當(dāng)空氣相對(duì)濕度達(dá)100%時(shí)萌發(fā)最好。

該研究以空氣溫度、相對(duì)濕度和田間降雨量三者的關(guān)系構(gòu)建風(fēng)險(xiǎn)等級(jí)預(yù)報(bào)模型，從而預(yù)測(cè)番茄早疫病發(fā)生，指導(dǎo)防治。在病菌的發(fā)育中，溫度是決定病害發(fā)育起始以及發(fā)育速度的關(guān)鍵因素，因此在早疫病的模型構(gòu)建中，參照諸多研究中對(duì)于早疫病菌發(fā)育速率最快的溫度范圍是以20和35 ℃為閾值，低于20 ℃或高于35 ℃時(shí)病菌的發(fā)育速率較慢，無(wú)法形成規(guī)模化的發(fā)病，或發(fā)病程度輕；相對(duì)濕度為病菌的發(fā)育提供水分，尤其是對(duì)早疫病菌來(lái)說(shuō)，空氣足夠濕潤(rùn)，有水滴或葉面濕潤(rùn)則有利于病菌的生長(zhǎng)發(fā)育；降雨量則是作為病菌分生孢子傳播的重要途徑，當(dāng)分生孢子發(fā)育成熟后，通過(guò)雨水的濺起，傳播到健康的植株體上，從而開(kāi)始下一階段的侵染過(guò)程，同時(shí)降雨容易形成水滴或水膜，為病菌的發(fā)育提供充足的水分條件，即相對(duì)濕度和降雨量滿足條件都可為病菌的發(fā)育提供必要的水分條件。因此，在風(fēng)險(xiǎn)等級(jí)的劃分上以溫度作為首要條件，相對(duì)濕度和降雨量作為有利因素，參照前面的研究結(jié)論，根據(jù)前5 d環(huán)境溫濕度的情況，將風(fēng)險(xiǎn)等級(jí)S劃分為5級(jí)，S數(shù)值越大風(fēng)險(xiǎn)越高，風(fēng)險(xiǎn)等級(jí)如表7所示。

連續(xù)5 d期間，當(dāng)沒(méi)有適宜病菌發(fā)育的水分和溫度條件，病菌很難發(fā)育，故風(fēng)險(xiǎn)等級(jí)定義為0；當(dāng)沒(méi)有適宜病菌發(fā)育的水分條件，但是溫度合適，病菌有發(fā)育的風(fēng)險(xiǎn)，故風(fēng)險(xiǎn)等級(jí)定義為1；當(dāng)溫度不適合，但相對(duì)濕度和累計(jì)降雨量2個(gè)條件中有1個(gè)滿足，則分生孢子萌發(fā)可進(jìn)行發(fā)育，故將風(fēng)險(xiǎn)等級(jí)定義為2；當(dāng)相對(duì)濕度和累計(jì)降雨量都滿足條件，則水分條件非常滿足，但因溫度不適宜，病菌發(fā)育緩慢，故將風(fēng)險(xiǎn)等級(jí)定義為3；當(dāng)溫度適合，相對(duì)濕度和累計(jì)降雨量滿足其中1個(gè)，則表示病菌的發(fā)育溫度和水分均有適宜條件，病菌的發(fā)育速率快，故將風(fēng)險(xiǎn)等級(jí)定義為4；當(dāng)溫度、相對(duì)濕度和累計(jì)降雨量3個(gè)條件同時(shí)滿足，則表示環(huán)境條件非常適宜病菌的發(fā)育、侵染和傳播，故將風(fēng)險(xiǎn)等級(jí)定義為5。

根據(jù)連續(xù)5 d的風(fēng)險(xiǎn)等級(jí)計(jì)算CS5，當(dāng)CS5<9時(shí)，為低風(fēng)險(xiǎn)期；當(dāng)CS5≥9時(shí)，進(jìn)入中風(fēng)險(xiǎn)期；當(dāng)CS5≥15時(shí)，則為高風(fēng)險(xiǎn)期。進(jìn)入不同的風(fēng)險(xiǎn)期，需要噴灑相應(yīng)的防治藥劑進(jìn)行預(yù)防，再結(jié)合田間病情人工調(diào)查表，將人工田間調(diào)查實(shí)際數(shù)據(jù)和系統(tǒng)模型分析數(shù)據(jù)進(jìn)行對(duì)比分析，及時(shí)調(diào)整預(yù)警模型參數(shù)，便于預(yù)警模型更加準(zhǔn)確。

4番茄早疫病自動(dòng)監(jiān)測(cè)預(yù)警平臺(tái)構(gòu)建

系統(tǒng)的開(kāi)發(fā)環(huán)境主要是采用visual studio 2015，開(kāi)發(fā)語(yǔ)言采用Java、HTML、CSS、JavaScript，數(shù)據(jù)庫(kù)采用Mysql，部署云服務(wù)器，通過(guò)物聯(lián)網(wǎng)和5G/4G移動(dòng)網(wǎng)絡(luò)實(shí)現(xiàn)園區(qū)前端節(jié)點(diǎn)和云服務(wù)器的互聯(lián)互通。

4.1系統(tǒng)軟件功能設(shè)計(jì)

根據(jù)病蟲(chóng)害監(jiān)測(cè)預(yù)警的功能需要，系統(tǒng)的功能設(shè)計(jì)如圖4所示。番茄早疫病自動(dòng)監(jiān)測(cè)預(yù)警平臺(tái)主要包括環(huán)境數(shù)據(jù)采集、園區(qū)視頻監(jiān)控、病害預(yù)警模型、智能預(yù)警四大功能模塊，主要由首頁(yè)、控制管理、預(yù)警管理、視頻監(jiān)控、數(shù)據(jù)分析、模型設(shè)計(jì)、系統(tǒng)管理共7個(gè)管理功能組成。

（1）首頁(yè)主要是展示整個(gè)園區(qū)的2D平面地圖，還可以顯示各個(gè)監(jiān)測(cè)區(qū)的氣象環(huán)境和土壤墑情。

（2）控制管理主要包括智能控制、智能計(jì)劃和設(shè)備管理。智能控制可以對(duì)各類病蟲(chóng)害監(jiān)測(cè)設(shè)備進(jìn)行開(kāi)啟、暫停、關(guān)閉等操作；智能計(jì)劃可以設(shè)置相應(yīng)的時(shí)間或條件來(lái)制定設(shè)備的運(yùn)行狀態(tài)；設(shè)備管理可以對(duì)智能控制設(shè)備進(jìn)行編輯、增加、刪除等功能。

（3）預(yù)警管理主要分為預(yù)警通知和預(yù)警設(shè)置。預(yù)警通知向用戶提供各種傳感器、控制器、病蟲(chóng)害、氣象、網(wǎng)關(guān)等預(yù)警消息；預(yù)警設(shè)置可以設(shè)置預(yù)警接收方式和預(yù)警接收人員信息等。

（4）視頻監(jiān)控主要分為實(shí)時(shí)監(jiān)控和視頻管理。實(shí)時(shí)監(jiān)控負(fù)責(zé)對(duì)園區(qū)的環(huán)境、作物和病蟲(chóng)害的情況進(jìn)行遠(yuǎn)程視頻監(jiān)控；視頻管理可以對(duì)錄制的視頻數(shù)據(jù)進(jìn)行數(shù)據(jù)備份和導(dǎo)出等操作。

（5）數(shù)據(jù)分析主要包括數(shù)據(jù)展示和數(shù)據(jù)管理。數(shù)據(jù)展示主要直觀地向用戶展示園區(qū)溫濕度、土壤溫濕度等傳感器采集的環(huán)境數(shù)據(jù)；數(shù)據(jù)管理負(fù)責(zé)建立和維護(hù)園區(qū)氣象指標(biāo)庫(kù)、土壤指標(biāo)庫(kù)和病害蟲(chóng)樣本庫(kù)，為數(shù)據(jù)分析和智能診斷提供標(biāo)準(zhǔn)數(shù)據(jù)源和決策分析依據(jù)［2］。

（6）模型設(shè)計(jì)包含蟲(chóng)害模型和病害模型。模型設(shè)計(jì)主要是對(duì)園區(qū)氣象數(shù)據(jù)和病害蟲(chóng)數(shù)據(jù)進(jìn)行分析和處理，得出當(dāng)前病害蟲(chóng)發(fā)生等級(jí)，進(jìn)行預(yù)警并形成智能診斷和決策分析建議。

（7）系統(tǒng)管理包括監(jiān)測(cè)站管理、用戶管理和權(quán)限管理。可以對(duì)監(jiān)測(cè)站信息進(jìn)行管理和維護(hù)，給用戶分配角色和權(quán)限，并記錄系統(tǒng)的運(yùn)行情況、用戶的登錄情況等。

4.2環(huán)境數(shù)據(jù)采集

該模塊主要為用戶展示園區(qū)種植過(guò)程中實(shí)時(shí)采集的各種維度的傳感器數(shù)據(jù)，如空氣溫度、相對(duì)溫度、土壤溫度、土壤水分等區(qū)域環(huán)境數(shù)據(jù)統(tǒng)計(jì)查詢，可以按時(shí)、按日、按時(shí)間段進(jìn)行統(tǒng)計(jì)，并以圖表或表格等各種可視化形式展示各類傳感器采集的數(shù)據(jù)，方便管理者進(jìn)行查詢統(tǒng)計(jì)、分析決策。用戶還可以通過(guò)對(duì)監(jiān)測(cè)指標(biāo)進(jìn)行閾值設(shè)定，當(dāng)監(jiān)測(cè)數(shù)據(jù)超過(guò)閾值立即向用戶發(fā)送預(yù)警信息或自動(dòng)執(zhí)行相關(guān)操作來(lái)進(jìn)行環(huán)境調(diào)控。園區(qū)環(huán)境數(shù)據(jù)采集管理界面如圖5所示。

4.3園區(qū)視頻監(jiān)控

操作人員通過(guò)遠(yuǎn)程視頻監(jiān)控可查看園區(qū)環(huán)境和作物生長(zhǎng)情況等多畫(huà)面圖像景象，可實(shí)現(xiàn)對(duì)園區(qū)的實(shí)時(shí)畫(huà)面的全景監(jiān)控，可對(duì)番茄植株生長(zhǎng)長(zhǎng)勢(shì)及病蟲(chóng)害進(jìn)行圖像分析，及時(shí)調(diào)整管控策略，加強(qiáng)基地生產(chǎn)監(jiān)管。園區(qū)視頻監(jiān)控管理如圖6所示。

4.4病害模型設(shè)計(jì)

模型設(shè)計(jì)根據(jù)作物病蟲(chóng)害專家研究出的早疫病暴發(fā)的影響因子和影響系數(shù)構(gòu)建番茄易爆發(fā)的早疫病數(shù)據(jù)模型，通過(guò)大數(shù)據(jù)處理方法對(duì)記錄數(shù)據(jù)進(jìn)行處理，得出病害爆發(fā)時(shí)間的模型關(guān)系，并通過(guò)曲線圖、柱狀圖等多種圖表來(lái)顯示趨勢(shì)變化情況。根據(jù)濕度、溫度和符合溫濕度條件的持續(xù)時(shí)間，計(jì)算濕潤(rùn)期，判斷是否進(jìn)入侵染期，進(jìn)入侵染期之后根據(jù)溫度判斷侵染風(fēng)險(xiǎn)等級(jí)S，系統(tǒng)每天計(jì)算1次過(guò)去5 d S值的累加值CS5，并形成晚疫病侵染曲線圖，用戶可以在系統(tǒng)內(nèi)查看晚疫病實(shí)時(shí)侵染曲線圖，并根據(jù)曲線圖展示的病發(fā)情況決定采取不同防蟲(chóng)害措施。當(dāng)風(fēng)險(xiǎn)等級(jí)進(jìn)入中高風(fēng)險(xiǎn)時(shí)，進(jìn)行風(fēng)險(xiǎn)提示并及時(shí)給出防治措施建議，記錄打藥情況。番茄早晚疫病的模型設(shè)計(jì)如圖7所示，構(gòu)建的數(shù)據(jù)模型可對(duì)數(shù)據(jù)進(jìn)行分析進(jìn)行智能生產(chǎn)決策和管控，后續(xù)還可以根據(jù)需要構(gòu)建不同病蟲(chóng)害模型。

4.5智能預(yù)警管理

用戶可以設(shè)置風(fēng)險(xiǎn)預(yù)警閾值和選擇接收預(yù)警信息的方式，當(dāng)病害爆發(fā)風(fēng)險(xiǎn)超過(guò)預(yù)警閾值或設(shè)備出現(xiàn)故障時(shí)，系統(tǒng)自動(dòng)向用戶即時(shí)發(fā)送預(yù)警信息，可以通過(guò)郵件、短信、微信等多種方式進(jìn)行預(yù)警。用戶第一時(shí)間收到預(yù)警提醒，及時(shí)進(jìn)行調(diào)度防控，提高植保風(fēng)險(xiǎn)規(guī)避管理，為管理者的快速?zèng)Q策提供及時(shí)正確的依據(jù)。 智能監(jiān)測(cè)預(yù)警管理界面如圖8所示。

5結(jié)語(yǔ)

利用信息技術(shù)和數(shù)字化技術(shù)加強(qiáng)病蟲(chóng)害數(shù)字化監(jiān)測(cè)預(yù)警建設(shè)，提高病蟲(chóng)害監(jiān)測(cè)預(yù)警能力和植保水平，已成為病蟲(chóng)測(cè)報(bào)工作發(fā)展的必然趨勢(shì)［11］。該研究通過(guò)構(gòu)建番茄早疫病自動(dòng)監(jiān)測(cè)預(yù)警平臺(tái)，對(duì)番茄生長(zhǎng)環(huán)境和病害數(shù)據(jù)進(jìn)行遙感數(shù)據(jù)采集、監(jiān)測(cè)、數(shù)據(jù)建模等分析，實(shí)現(xiàn)對(duì)番茄早疫病的遠(yuǎn)程監(jiān)控和監(jiān)測(cè)預(yù)警發(fā)布等功能，提早全面獲取田間病害發(fā)生初期信息，實(shí)現(xiàn)精準(zhǔn)防控、有效控害，大幅度減少病蟲(chóng)害和農(nóng)藥對(duì)農(nóng)產(chǎn)品及環(huán)境的污染，以實(shí)現(xiàn)“早發(fā)現(xiàn)、早預(yù)報(bào)、早防控”，進(jìn)一步提升番茄災(zāi)情測(cè)報(bào)的時(shí)效性和科學(xué)防控水平，為精準(zhǔn)指導(dǎo)農(nóng)業(yè)生產(chǎn)提供助力，具有廣泛的應(yīng)用前景。預(yù)警系統(tǒng)目前主要以番茄高發(fā)的早疫病為監(jiān)測(cè)對(duì)象，以后可以逐步開(kāi)展更多病害或蟲(chóng)害的研究模型。

參考文獻(xiàn)

［1］賀觀清.九種藥劑對(duì)番茄早疫病的防治作用［D］.楊凌：西北農(nóng)林科技大學(xué)，2014.

［2］潘春華.基于機(jī)器學(xué)習(xí)的南方蔬菜重大害蟲(chóng)識(shí)別預(yù)警研究［D］.廣州：華南農(nóng)業(yè)大學(xué)，2019.

［3］ 遲靜娣，張麗芳，李榮瓊.石林縣人參果幾種病蟲(chóng)害的發(fā)生與防治［J］.云南農(nóng)業(yè)科技，2021（2）：43-46.

［4］ 張浩.基于WebGIS和物聯(lián)網(wǎng)的水稻病蟲(chóng)害監(jiān)測(cè)與預(yù)警系統(tǒng)研究［D］.長(zhǎng)春：吉林農(nóng)業(yè)大學(xué)，2016.

［5］ 呂佩珂，邵玉琴.番茄早疫病發(fā)病動(dòng)態(tài)與防治研究［J］.中國(guó)蔬菜，1987（1）：23-27.

［6］ 劉孝峰，邢國(guó)文，徐奇功.番茄早疫病菌分生孢子萌發(fā)與環(huán)境條件關(guān)系的研究［J］.河南職技師院學(xué)報(bào)，1999，27（2）：15-16.

［7］ 鄭寰宇，馬力，左豫虎，等.馬鈴薯早疫病菌分生孢子萌發(fā)條件的研究［J］.植物保護(hù)，2010，36（6）：91-95.

［8］ 王連平，王漢榮，茹水江，等.浙江省番茄早疫病菌生物學(xué)特性研究［J］.浙江農(nóng)業(yè)學(xué)報(bào)，2022，14（6）：320-325.

［9］ REN S Q，HE K M，GIRSHICK R，et al.Faster RCNN：Towards realtime object detection with region proposal networks［J］.IEEE transactions on pattern analysis & machine intelligence，2017，39（6）：1137-1149.

［10］ AHMADI M，OUARDA W，ALIMI A M.Efficient and fast objects detection technique for intelligent video surveillance using transfer learning and finetuning［J］.Arabian journal for science and engineering，2020，45（3）：1421-1433.

［11］ SALIH T A，ALI A J，AHMED M N.Deep learning convolution neural network to detect and classify tomato plant leaf diseases［J］.Open access library journal，2020，7（5）：1-12.