農(nóng)業(yè)面源污染監(jiān)測及預(yù)警系統(tǒng)設(shè)計(jì)

尤佳梁 毛力

摘要：農(nóng)業(yè)面源污染是導(dǎo)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(jì)并實(shí)現(xiàn)了一套基于信息融合、物聯(lián)網(wǎng)及云計(jì)算技術(shù)的農(nóng)業(yè)面源污染監(jiān)測及預(yù)警系統(tǒng)。目前系統(tǒng)運(yùn)行平穩(wěn)，預(yù)測預(yù)警準(zhǔn)確性較高，較好地實(shí)現(xiàn)了對農(nóng)業(yè)面源污染的動態(tài)監(jiān)測、跟蹤與預(yù)警。

關(guān)鍵詞： 農(nóng)業(yè)面源污染；信息融合；物聯(lián)網(wǎng)；云計(jì)算

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2019）10-0198-02

開放科學(xué)（資源服務(wù)）標(biāo)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(diǎn)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(jìn)入地表水體。與點(diǎn)源污染相比，面源污染的時(shí)空范圍更廣，不確定性更大，過程更復(fù)雜，污染更嚴(yán)重，因而加大了治理及管理的難度[1]。

目前，點(diǎn)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(dǎo)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(xiàn)率為最大。因此，加強(qiáng)對農(nóng)業(yè)面源污染的監(jiān)控已是當(dāng)務(wù)之急。但由于農(nóng)業(yè)面源污染的發(fā)生具有隨機(jī)性、廣泛性、滯后性、模糊性及突發(fā)性等特點(diǎn)，因此農(nóng)業(yè)面源污染治理一直都是一個(gè)世界性難題。

面源污染監(jiān)測及預(yù)警就是在特定區(qū)域內(nèi)，對地表水質(zhì)狀況進(jìn)行監(jiān)測、分析、評價(jià)，對其未來發(fā)展?fàn)顩r進(jìn)行預(yù)測，對不正常狀況進(jìn)行預(yù)警。它具有先覺性、預(yù)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，最終目的是對面源污染進(jìn)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(jìn)行監(jiān)測，很難對總體污染情況做出準(zhǔn)確、客觀和綜合的判斷，農(nóng)業(yè)面源污染預(yù)測預(yù)警模型性能有待提高。

2）隨著監(jiān)測范圍的不斷擴(kuò)大、監(jiān)測參數(shù)的不斷增多，監(jiān)控決策功能的不斷增強(qiáng)，監(jiān)控中心傳統(tǒng)的硬件系統(tǒng)搭建方式既價(jià)格高昂又難以適應(yīng)與日俱增的存儲和運(yùn)算需求。

信息融合是利用計(jì)算機(jī)技術(shù)將來自多個(gè)傳感器或多源的觀測信息進(jìn)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（Dempster-Shafer）證據(jù)推理、聚類分析、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)[4]、極限學(xué)習(xí)機(jī)[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(jì)算技術(shù)[3]的農(nóng)業(yè)面源污染監(jiān)測及預(yù)警系統(tǒng)，較好地實(shí)現(xiàn)了對農(nóng)業(yè)面源污染的動態(tài)監(jiān)測、跟蹤與預(yù)警。

1 系統(tǒng)總體架構(gòu)

農(nóng)業(yè)面源污染監(jiān)測及預(yù)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(fù)責(zé)數(shù)據(jù)匯總、轉(zhuǎn)換、分析處理、呈現(xiàn)等。此層分兩個(gè)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(jìn)行分類存儲，利用大規(guī)模并行計(jì)算功能對數(shù)據(jù)進(jìn)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(shí)現(xiàn)實(shí)時(shí)監(jiān)控、信息管理、實(shí)時(shí)預(yù)警、智能決策等功能。

傳輸層負(fù)責(zé)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(diǎn)，隨時(shí)隨地獲取所需的監(jiān)測點(diǎn)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(zhǔn)確性、健壯性以及安全性。

2 系統(tǒng)設(shè)計(jì)方案

基于ASP.NET+SQL SERVER的農(nóng)業(yè)面源污染監(jiān)測及預(yù)警系統(tǒng)具備數(shù)據(jù)采集、信息查詢、污染負(fù)荷監(jiān)測及預(yù)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(yù)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(shè)計(jì)、實(shí)現(xiàn)和測試等階段，每個(gè)階段都是在前一階段的基礎(chǔ)上的進(jìn)一步細(xì)化，呈增量迭代式發(fā)展。其中需求捕獲階段主要進(jìn)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(jì)階段主要是通過考慮實(shí)現(xiàn)環(huán)境，將分析模型擴(kuò)展和轉(zhuǎn)化為可行的技術(shù)實(shí)現(xiàn)方案； 實(shí)現(xiàn)階段的主要任務(wù)是基于設(shè)計(jì)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(shí)現(xiàn)階段中所完成的工作進(jìn)行驗(yàn)證。

系統(tǒng)采用開源云計(jì)算系統(tǒng) Hadoop，Hadoop 的核心內(nèi)容包括 HDFS（分布式文件系統(tǒng)），提供了各個(gè)節(jié)點(diǎn)的分布式存儲能力，具有超強(qiáng)的數(shù)據(jù)備份，容錯(cuò)能力來保障數(shù)據(jù)安全性；MapReduce 分布式計(jì)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(yù)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(fù)責(zé)接收數(shù)據(jù)，并與云計(jì)算平臺進(jìn)行接口通信。通過接口，Hadoop 向前端應(yīng)用提供 MapReduce 計(jì)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(yù)處理技術(shù)

在數(shù)據(jù)采集過程中由于機(jī)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(dǎo)致預(yù)測預(yù)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(shí)間，降低融合精度。

本系統(tǒng)采用基于改進(jìn)模糊C均值聚類算法[6]對原始采集數(shù)據(jù)進(jìn)行預(yù)處理，去除異常數(shù)據(jù)及冗余信息，將得到的聚類中心點(diǎn)作為后續(xù)融合的輸入樣本集，從而減少了融合時(shí)間，提高了模型精度。

3.2 基于改進(jìn)極限學(xué)習(xí)機(jī)的水質(zhì)預(yù)測預(yù)警模型構(gòu)建技術(shù)

目前廣泛使用的水質(zhì)預(yù)測預(yù)警模型大多基于神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)，由于神經(jīng)網(wǎng)絡(luò)易陷入“過學(xué)習(xí)”和局部極小點(diǎn)，泛化能力不強(qiáng)；支持向量機(jī)需人為設(shè)置各種參數(shù)，參數(shù)確定困難且耗時(shí)，故這類模型在實(shí)際應(yīng)用中的預(yù)測預(yù)警精度及實(shí)時(shí)性均有待提高。

極限學(xué)習(xí)機(jī)是一類基于前饋神經(jīng)網(wǎng)絡(luò)的新型學(xué)習(xí)算法，其隱層節(jié)點(diǎn)參數(shù)可以是隨機(jī)或人為給定且不需要調(diào)整，學(xué)習(xí)過程僅需計(jì)算輸出權(quán)重，故學(xué)習(xí)效率高和泛化能力強(qiáng)。但是傳統(tǒng)ELM是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理，應(yīng)用于預(yù)測時(shí)極易導(dǎo)致過度擬合。本系統(tǒng)采用一種融合最小二乘向量機(jī)回歸學(xué)習(xí)思想的改進(jìn)極限學(xué)習(xí)機(jī)[7]，該算法在傳統(tǒng)極限學(xué)習(xí)機(jī)的基礎(chǔ)上，結(jié)合最小二乘向量機(jī)回歸學(xué)習(xí)方法，引入了基于結(jié)構(gòu)風(fēng)險(xiǎn)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(yù)測器與AdaBoost結(jié)合，來對預(yù)處理后的監(jiān)測數(shù)據(jù)進(jìn)行決策融合，建立了一個(gè)更全面、更高效的水質(zhì)預(yù)測模型，并基于預(yù)警規(guī)則（包括預(yù)警觸發(fā)條件，預(yù)警級別、預(yù)警對策及方式等）設(shè)計(jì)預(yù)警模型，克服了現(xiàn)有模型存在的諸多不足，提高了預(yù)測預(yù)警精度及速度。

3.3 基于信息融合、物聯(lián)網(wǎng)與云計(jì)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(bǔ)，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(yù)警與應(yīng)急響應(yīng)決策的效率。

物聯(lián)網(wǎng)與云計(jì)算技術(shù)相結(jié)合，云計(jì)算技術(shù)憑借其強(qiáng)大的處理能力，存儲能力和極高的性價(jià)比，可以解決農(nóng)業(yè)面源污染監(jiān)控中存在的運(yùn)營成本高，服務(wù)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(qiáng)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(jì)算技術(shù)引入農(nóng)業(yè)面源污染監(jiān)測及預(yù)警系統(tǒng)的構(gòu)建，首先對采集數(shù)據(jù)進(jìn)行預(yù)處理，再基于信息融合技術(shù)對預(yù)處理后的水質(zhì)參數(shù)進(jìn)行決策融合，建立水質(zhì)預(yù)測預(yù)警模型，最后依據(jù)該模型實(shí)現(xiàn)對農(nóng)業(yè)面源污染的在線監(jiān)測與預(yù)警，為環(huán)境監(jiān)管、環(huán)境評價(jià)、執(zhí)法與決策提供了強(qiáng)大支持。

參考文獻(xiàn)：

[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(xué)報(bào)， 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(jìn)展研究[J]. 環(huán)境科學(xué)與管理， 2017， 42（8）：89-93.

[3] 彭力.物聯(lián)網(wǎng)技術(shù)概論（第2版）[M].北京：北京航空航天大學(xué)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(xué)學(xué)報(bào)（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】