农业物联网数据处理若干关键技术

2022-09-11

物联网技术的接入会产生大量的数据, 而这些数据该如何处理, 如何发挥其数据价值, 是农业物联网关键技术必须面对的问。目前, 在农业数据处理方面已经研发出了不同类型的农业数据处理服务系统, 这些数据处理系统, 既有对农业生产的单方面开发的, 也有针对农业生产中单源产品的开发[1]。因此, 就农业生产中的数据处理需求和数据类型进行了简单的介绍, 分析农业生产数据的特点, 进而对数据信息处理服务系统进行了剖析, 探讨了物联网在农业生产中的数据处理关键技术。

1 数据处理

数据是针对指令的一种表达形式, 对数据的处理主要包括数据采集、传递、保存和转换等, 这些过程既可以依靠智能化技术来实现, 也可以由传统手工操作实现。就表现形式来看, 任何形式的文字、影像和音频都可以作为数据的表现, 而数据的信息只有在数据本身具有了一定的含义后才具有的[2]。

1.1 农业生产中数据处理的目标

任何形式的数据处理, 其根本目的都是在庞大的数据量中通过一系列的手段进行分类、整理、提取和转换, 最终形成对使用者有一定的价值的信息数据。就农业生产中的数据处理而言, 主要是通过RFID、传感器和执行器进行数据采集, 然后通过一系列的处理方法, 提取数据内容中的有用价值, 这些有用的数据信息将会对农业生产起到一定的积极作用, 这样就是农业物联网的数据处理的最终目的。

1.2 农业生产中数据处理系统的应用现状

物联网接入到农业领域中, 目的是通过数据的处理, 通过挖掘数据中的价值与信息, 以此来更好的服务于农业生产, 而农业生产比较复杂。因此, 针对农业生产的数据应用也是分门别类, 不同的系统有着不同的作用, 总的来说, 分为以下农业专家系统和可追溯系统[3]。

1.2.1 可追溯系统

Traceability System指的是溯源系统, 也就是可追溯系统, 主要的作用是在农业的产品生产中对所涉及到的数据信息进行采集、记录和保存, 当产品发生了质量问题时, 可追溯系统就可以立即准确的定位到问题所在, 发现是哪一个生产环节出了问题, 通过查询问题来制定措施, 这一系列的处理过程是保证产品质量的重要途径。可追溯系统贯穿于所有的农产品 (包括了饲料和食品以及其他生产资料) 的生产全过程, 从原材料提取, 到生产过程, 到产品进入市场, 可以说是一个保障质量和安全的信息系统[4]。

溯源系统最早诞生于20世纪末, 一些欧洲国家, 尤其是英国正在遭受疯牛病的影响, 暴露出了丹麦暴肉沙门氏菌污染和苏格兰大肠杆菌2件重大的食品卫生事故, 其中苏格兰大肠杆菌食品安全问题共造成了21人丧生, 这一度使得消费者对于政府的食品安全监管失去信心, 而这也是溯源系统产生的最根本原因, 由于对食品安全问题的担忧, 欧盟首先在欧洲国家地区建立了溯源系统, 为消费者提供所有食品的生产信息, 为保障食品安全提供了服务支持。

目前已经有20多个国家建立了农产品溯源体系, 该体系使农产品的生产和供应每个环节都被标识, 并以信息数据的形式保存和管理, 实现了农产品的追溯。而我国在食品安全监管方面仍然和发达国家有着较大的差距, 频繁的食品安全问题的暴露, 使我国消费者对食品安全缺乏信息, 不管是食品追溯体系的建立还是数据信息系统的建设方面, 都处在初步阶段。从2005年开始, 沿海地区逐渐开始进行可追溯制度调研和建设, 对地区实行可追溯体系的可行性进行了分析, 在档案管理、产地编码、规范包装标识等方面展开了许多工作, 已经初步建立了关于茶叶产品质量安全、熟肉制品质量安全、果蔬类多源农产品和粮食质量安全的追溯系统。这些系统都是基于农产品的生产特点和生产流程来设计的。因此, 具有特殊性, 局限于某一种特定农产品的追溯。针对这一问题, 已有研究人员开展了面向服务架构思想的农产品质量追溯系统架构, 这一系统架构将供应链的业务流程和功能以服务的形式提供, 而逻辑流程的编码使得和下层应用隔离, 而系统之间是依靠服务来进行调动, 此举有助于对业务的需求和变化做出快速反应。

1.2.2 农业专家系统

Agricultural Expert System是基于农业领域中的人工智能技术, 称为农业专家系统, 该系统是利用人工智能技术, 结合农业生产的专业理论知识, 通过模拟农业生产中的问题推理过程, 分析问题并做出决策, 农业专家系统的目的是为了突破时空的限制, 通过信息技术, 将农业专家在专业领域上积累下的理论知识和实践经验进行整合, 将知识转化为生产力。

20世纪70年代, 我国展开了专家系统的研究, 浙江大学与中国农科院桑蚕研究所合作开发了香育种专家系统, 植物保护研究所开发了黏虫测报专家系统, 宁夏农林科学院开发了春小麦条锈病预测专家系统。这些农业专家系统的开发, 推动了我国农业发展, 实现了农业经济的创收。

以目前农业专家系统的研究成果来看, 大部分的农业专家系统都包含了知识库、数据库、推理机以及用户界面和功能模块, 其架构如图1所示。

知识库和推理机是该系统中最为核心的内容, 农业专家的经验和理论知识保存在知识库中, 形成了专业的理论知识, 而推理机的作用是通过数据的调用, 协调, 而数据在推理中由数据库保存, 再经由功能模块中的知识模块提取, 将专家知识和经验进行转化, 存储在知识库中, 在经由功能模块中的解释模块对用户的问题进行解答, 并提交给系统内部模块进行处理, 之后系统进行研判, 做出决策, 并通过用户界面向用户进行反馈。

农业专家系统的应用对于解决农业生产中的问题有着重大的实践意义, 究其实际应用来说, 农业专家系统具有权威性、非时空限制性、灵活性、启发性和透明性等特征。农业专家系统通过启发式的形式对用户反馈出的问题进行推理和研判, 并将推理过程以公开透明的方式进行解释, 并以灵活的知识获取方式, 对知识库里的知识进行调整和控制, 使知识库时刻保持内容更新, 并以程序的形式永久保存, 知识库中包含了农业专家的理论知识和实践经验, 具有权威性。

3 农业物联网数据处理服务

3.1 农业领域数据特点

3.1.1 种植领域数据特点

农业领域中种植业占比最大。我国种植业氛围粮食作物和经济作物2大类, 经济作物种植类包括油菜、花生、芝麻、果树和蔬菜。粮食作物种植包括小麦、高粱、玉米和水稻等。

种植领域中的数据内容主要包括了农业生产人员的劳动信息, 土壤土层信息, 种子和肥料信息, 农药使用和病虫害信息等。种植业的品种纷繁复杂, 对于不同的品种的种植生产也有着不同的控制点。例如, 白菜和苹果的种植, 白菜的种植是直接播种, 并且不需要经过育苗, 而苹果的种植要先对种子进行育苗, 之后在进行栽种。另外, 白菜不需要中耕, 而苹果需要进行中耕处理。种植业中的数据除了种植物数据之外, 还包括了较多的环境信息数据。

3.1.2 养殖领域数据特点

养殖业类主要包含畜牧、家禽、水产及特种经济动物养殖, 如蚕、蜂等。对于养殖领域中的数据处理, 主要包含养殖所涉及到的劳作、农舍、伺料、药剂以及牲畜疾病等数据信息。同样不同的养殖对象控制点也不同, 如不同的养殖环境下, 数据的采集和依赖有着明显的差异性。放养方式的畜牧类对环境数据要求相对较低, 而水产类对水环境数据要求则相对较高。

将种植业和养殖类的数据需求进行对比可以发现, 种植类的数据内容更多的是对土壤环境、土壤肥力及虫害进行分析, 而养殖类的农业数据更多的关注与牲畜疾病信息的分析。

3.2 数据处理的需求分析

根据不同的农业生产对象, 在生产过程中的数据信息的采集和处理也有着不同的方式, 不同的路径, 就共性来看, 农业生产的数据处理需求主要包括了以下几个方面。

3.2.1 提前预警

农业生产中经常遇到生长环境和生长过程中的突发状况, 因而农业的数据处理能够对这些突发状况进行分析和预测, 提前做出警示, 提前采取预防或是准备措施, 实施预警有助于避免农业生产中的不必要损失。

3.2.2 问题决策

农业生产中会遇到生长环境和生长过程中的一系列问题, 数据处理将对管理人员由于缺乏经验无法解决的问题做出决策, 将已有的农业知识进行提取和存储, 通过数据分析和问题分析, 为解决问题提供一些决策方案。决策方案的提出依赖于专家知识库中的内容, 因此专家知识库要不断的更新, 以匹配越来也多、越来越复杂的农业问题。

3.2.3 数据的检索与可视化

通过检索数据, 获取数据信息价值, 是物联网数据处理中的一个绝对性的需求, 在数据的一系列采集、存储和传递等过程中, 用户可能会需要对数据进行统计或是检索调取数据。例如, 当天的气候环境, 空气的湿度, 为播种、施肥等处理提供信息帮助。数据的可视化主要表现在数据的检索之后可以以直观的图表形式进行呈现, 而不是输出大量的连续数据, 可视化的原则是简介、高效。

3.2.4 数据追溯

农产品在生产和投入市场之后, 消费者可以根据农产品的编码查询到相关数据, 这一功能也涉及到了数据的查询和可视化功能, 通过生产中的数据检索和统计, 在终端显示给消费者, 生产者对农产品的追溯可以依据市场需求的反映来及时的调整经营。

3.3 数据处理服务关键技术

3.3.1 农业预测预警技术

这一技术的实现依据设计的数学模型, 通过对农业生产的对象所涉及到的生长环境信息和生长过程信息进行推理和预估。预警和预测是结合的, 农业生产中可能会发生一些不确定性和潜在的危险情况, 数据处理的预警技术要给出决策判断, 避免发生不必要的损失。在数学模型方面, 国内外的研发较为成熟, 主要有贝叶斯网络预测技术、神经网络预测技术、灰色理论预测技术等。

3.3.2 农业智能控制技术

农业智能控制技术是依赖于控制模型和控制策略, 对农业生产中的所有相关个体和环境进行监控, 通过监控将农业生产中的每个环境进行控制。目前, 智能控制研究内容十分广泛, 有对外部环境的光源和强度控制、农业滴灌控制水质控制、温室温度和湿度智能控制以及动物生长环境智能控制等。

3.3.3 农业智能决策技术

决策技术是依赖于专家系统中的知识库, 通过经验和知识的总结, 以计算机的形式对知识进行表示, 存入知识库, 通过推理模块和解决问题的数学模型, 对用户反映出的问题进行推理、判断及分析, 模拟专家的思维为农业生产提供决策支持, 国内外对农业智能决策的研究内容主要体现在设施园艺、动物饲料配方动物养殖、病虫害预防和防治、农田肥力、品种和灌溉等方面。

3.3.4 农业诊断推理技术

农业的诊断推理技术属于决策技术的范畴中, 诊断推理往往是对用户反映出的问题进行分析和提取, 在知识库中查询是否有相似的问题, 进行判断和推理, 这一部分主要表现在病虫害防治方面

3.3.5 农业视觉处理技术

视觉处理技术是将农业生产中的数据进行处理, 从而实现视觉化, 换言之, 就是将原本纷繁复杂的数据内容根据经过规范化的处理、统计和归纳, 最终将数据以一定的视觉形式呈现给用户, 用户在终端获得视觉数据内容, 用于处理实际问题。目前, 可视化技术主要是将数据以报表、图标、文档的形式呈现, 可视化处理。

4 结语

任何形式的数据处理, 其根本目的都是在庞大的数据量中通过一系列的手段进行分类、整理、提取和转换, 最终形成对使用者有一定的价值的信息数据。物联网在农业生产中的应用涉及到大量的农业数据的处理, 包括了预警、推理、研判及可视化等数据需求。但目前, 此方面的研究仍然有较大的局限性, 例如专家知识库的及时更新、用户属性化, 数据算法泛化性能等。因此物联网在农业生产的实践还有待提高。

摘要：科学是第一生产力, 随着科学技术向农业生产中逐渐渗透, 使得农业生产逐渐趋向于智能化的发展趋向, 尤其是物联网技术的应用, 实现了农业生产的集中化管理和远程智能控制, 但物联网技术的接入会产生大量的数据, 而这些数据该如何处理, 如何发挥其数据价值, 是农业物联网关键技术必须面对的问题, 因此, 就物联网在农业生产中的数据进行了剖析, 对数据处理的若干关键技术进行探讨, 为物联网在农业生产中的更深入、更广泛的应用奠定基础。

关键词：农业生产,物联网,数据处理,专家系统