《農(nóng)業(yè)面源污染監(jiān)測及預警系統(tǒng)設(shè)計》由會員分享，可在線閱讀，更多相關(guān)《農(nóng)業(yè)面源污染監(jiān)測及預警系統(tǒng)設(shè)計（4頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、農(nóng)業(yè)面源污染監(jiān)測及預警系統(tǒng)設(shè)計 　　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(shè)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(shù)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(guān)鍵詞: 農(nóng)業(yè)面源污染;信息融合;物聯(lián)網(wǎng);云計算 　　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(zhì)、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

2、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(wù)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(nèi)，對地表水質(zhì)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(zhì)演化趨勢、方向、速度、后果的警覺作用，最終目的

3、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(yīng)用尚處于初級階段，與國外相比，監(jiān)測技術(shù)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(yīng)與日俱增的存儲和運算需求。信息融合是利用計算機技術(shù)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(shù)包括貝葉斯(Bayesian)推理、D-S

4、(Dempster-Shafer)證據(jù)推理、聚類分析、神經(jīng)網(wǎng)絡(luò)、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(shù)、物聯(lián)網(wǎng)及云計算技術(shù)[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(gòu) 　　農(nóng)業(yè)面源污染監(jiān)測及預警總體架構(gòu)包括應(yīng)用層、傳輸層和感知層，其中：應(yīng)用層負責數(shù)據(jù)匯總、轉(zhuǎn)換、分析處理、呈現(xiàn)等。此層分兩個子層：支撐平臺子層和應(yīng)用服務(wù)子層。支撐平臺子層為應(yīng)用服務(wù)子層提供數(shù)據(jù)處理、共享、互通等通用基礎(chǔ)服務(wù)和資源調(diào)用接口，并將傳輸層得到的信息進行分類

5、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(yīng)用服務(wù)子層在支撐平臺子層的基礎(chǔ)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?yīng)用層。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(shè)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(gòu)均使用了安全技術(shù)和網(wǎng)絡(luò)管理等公共技術(shù)，確保數(shù)據(jù)的準確性、健壯性以及安全性。 　　2 系統(tǒng)設(shè)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

6、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?；赗UP 的系統(tǒng)開發(fā)過程分為需求捕獲、分析、設(shè)計、實現(xiàn)和測試等階段，每個階段都是在前一階段的基礎(chǔ)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(gòu)有顯著影響的需求;分析階段主要是將需求的內(nèi)容轉(zhuǎn)換成分析模型; 設(shè)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(zhuǎn)化為可行的技術(shù)實現(xiàn)方案; 實現(xiàn)階段的主要任務(wù)是基于設(shè)計內(nèi)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，Ha

7、doop 的核心內(nèi)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;MapRe duce 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(wù)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(yīng)用提供 MapReduce 計算服務(wù)以及數(shù)據(jù)存儲服務(wù)，來支持前端應(yīng)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(guān)鍵技術(shù) 　　3.1 水質(zhì)數(shù)據(jù)預處理技術(shù)

8、 　　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(gòu)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(zhì)預測預警模型構(gòu)建技術(shù) 　　目前廣泛使用的水質(zhì)預測預警模型大多基于神經(jīng)網(wǎng)絡(luò)或支持向量機，由于神經(jīng)網(wǎng)絡(luò)易陷入"過學習";和局部極小點，泛化能力不強;支持

9、向量機需人為設(shè)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(yīng)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(luò)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(diào)整，學習過程僅需計算輸出權(quán)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(yīng)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(chǔ)上，結(jié)合最小二乘向量機回歸學習方法，引入了基于結(jié)構(gòu)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(jié)合，來對預處理后的監(jiān)測數(shù)據(jù)進行決策融合，建立了

10、一個更全面、更高效的水質(zhì)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(shè)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(shù)的綜合集成技術(shù) 　　利用信息融合技術(shù)對面源污染相關(guān)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(yīng)急響應(yīng)決策的效率。物聯(lián)網(wǎng)與云計算技術(shù)相結(jié)合，云計算技術(shù)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(wù)規(guī)模

11、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(shù)保障。 　　4 結(jié)束語 　　本文將信息融合技術(shù)、物聯(lián)網(wǎng)及云計算技術(shù)引入農(nóng)業(yè)面源污染監(jiān)測及預警系統(tǒng)的構(gòu)建，首先對采集數(shù)據(jù)進行預處理，再基于信息融合技術(shù)對預處理后的水質(zhì)參數(shù)進行決策融合，建立水質(zhì)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. 　　農(nóng)業(yè)面源污染監(jiān)測及預警系統(tǒng)設(shè)計相關(guān)論文期刊你還可以了解：《環(huán)境污染與防治》