欧美国产伦久久久久久久

<acronym id="cqmsy"></acronym>
<acronym id="cqmsy"><center id="cqmsy"></center></acronym>

24小時論文定制熱線

咨詢電話

熱門畢設:土木工程工程造價橋梁工程計算機javaasp機械機械手夾具單片機工廠供電采礦工程
您當前的位置:論文定制 > 畢業設計論文 >
快速導航
畢業論文定制
關于我們
我們是一家專業提供高質量代做畢業設計的網站。2002年成立至今為眾多客戶提供大量畢業設計、論文定制等服務,贏得眾多客戶好評,因為專注,所以專業。寫作老師大部分由全國211/958等高校的博士及碩士生設計,執筆,目前已為5000余位客戶解決了論文寫作的難題。 秉承以用戶為中心,為用戶創造價值的理念,我站擁有無縫對接的售后服務體系,代做畢業設計完成后有專業的老師進行一對一修改與完善,對有答辯需求的同學進行一對一的輔導,為你順利畢業保駕護航
代做畢業設計
常見問題

水稻藥肥精準施用大數據基礎平臺的建立

添加時間:2020/08/15 來源:電子科技大學 作者:曹輝
以華南 西南八省市水稻種植區為研究區,構建水稻藥肥精準施用大數據基礎平臺,為農 戶、農技人員、管理者等提供水稻藥肥施用決策服務。
以下為本篇論文正文:

摘 要

  水稻是我國主糧,華南與西南是我國水稻優勢產區,水稻面積占全國的 26%. 該稻區地理環境和氣候復雜,有害生物發生頻率高,且各地農技水平不均衡,藥 肥施用過量現象時常發生,影響了水稻產量和種植成本,危害了生態環境和食品 安全。大數據技術是解決水稻藥肥濫用問題、科學種植的重要手段。本論文依托 國家重點研發計劃"華南及西南水稻化肥農藥減施技術集成研究與示范"的課題 1"藥肥精準施用跨境跨區域大數據平臺(No.2018YFD301)"的核心任務,以華南 西南八省市水稻種植區為研究區,構建水稻藥肥精準施用大數據基礎平臺,為農 戶、農技人員、管理者等提供水稻藥肥施用決策服務。主要內容為:

  1.調研大數據和互聯網技術應用于精準農業的現狀,分析整理我國水稻藥肥 施用存在的問題,結合重點研發計劃課題任務要求,與相關合作單位展開深入交 流,分析大數據平臺的業務功能,明確大數據平臺必須完成的任務。

  2.基于三層結構的開發架構,設計了結構上分層、前后端分離的體系結構, 保證了平臺高內聚低耦合,易于擴展。利用 PostgreSQL 和 Accumulo 分別作為結 構化數據和非結構化數據的數據庫存儲方案,后端利用 Jersey 作為基礎框架開發 Restful 風格的服務,前端利用 Vue 作為基本框架開發以地理信息方式呈現數據的 應用。

  3.部署相關軟硬件環境以滿足海量數據的存儲(HDFS)與計算(Spark)以 及眾多服務的穩定運行。整合與水稻藥肥施用相關的多源異構數據(遙感、病蟲 害模式報表、抗性、殘留等),開發大數據應用模塊,包括專家知識庫的建立和 用戶管理、示范區、商業服務等核心功能的實現。

  4.開展大數據平臺測試,結果表明平臺集納并創新區域特色抗性和藥肥高效 利用水稻品種及高效栽培措施、藥肥減施增效、精準輕簡施用等技術,科學布局 示范輻射稻區,集成藥肥減施綜合技術模式,發揮新媒體+大數據引領作用,高校 與農科院所科技人才支撐作用,構建網絡化多元推廣示范平臺,規;痉锻茝V, 有效降低藥肥用量,減少稻田面源污染,保障食品安全。

  關鍵詞:水稻農藥化肥精準施用,大數據,HDFS,Spark,數據可視化

水稻藥肥精準施用大數據基礎平臺

ABSTRACT

  Rice is the main grain in China. South and southwest China are the dominant rice producing areas, with rice area accounting for 26% of the whole country. The geographical environment and climate of the rice area are complex, and the frequency of harmful organisms is high. At the same time, due to the imbalance of agricultural technology and excessive application of pesticide and fertilizer, rice yield and planting cost are affected, and ecological environment and food safety are endangered. Big data technology is an important means to solve the problem of rice drug and fertilizer abuse and scientific cultivation. Based on the core task of the national key research and development plan "integrated research and demonstration of rice chemical fertilizer and pesticide reduction technology in South China and southwest China" project 1 "Cross border and cross regional big data platform for precise application of chemical fertilizer and pesticide (no.2018yfd301)", this paper takes eight rice planting areas in Southwest China as the research area to build a big data base platform for precise application of chemical fertilizer and pesticide in rice that provides decision-making services for farmers, agricultural technicians and managers and so on. The main contents are:

  1 . Investigate and analyze the current situation of application of big data and Internet technology in precision agriculture, as well as the problems existing in the application of rice chemical fertilizer and pesticide in China. In combination with the task requirements of key research and development plans, in-depth communication with relevant cooperation units, complete the functional demand analysis of big data platform, and identify the tasks that big data platform must complete.

  2. Based on the development architecture of three-tier structure, a hierarchical architecture with front-end and back-end separation is designed to ensure high cohesion, low coupling and easy expansion of the platform. PostgreSQL and accumulo are used as the database storage schemes of structured data and unstructured data respectively. The backend uses Jersey as the basic framework to develop restful style services. The front-end uses Vue as the basic framework to develop applications that present data in the form of geographic information.

  3 . Relevant software and hardware environment is deployed to meet the requirements of mass data storage (HDFS), computing (spark) and stable operation of many services. Then, the multi-source heterogeneous data (remote sensing, pest and disease pattern report, resistance, residue, etc.) related to the application of rice pesticide and fertilizer are integrated to develop the application module of big data, mainly including the establishment of expert knowledge base and the realization of user management, demonstration area, commercial service and other core functions.

  4.The test results of big data platform show that big data platform for precise application of rice pesticide and fertilizer can effectively reduce the use of pesticide and fertilizer and non-point source pollution in rice fields, and ensure food safety by integrating and innovating rice varieties with regional characteristic resistance and efficient utilization of pesticide and fertilizer and techniques for high efficient cultivation measures, reducing application of pesticide and fertilizer, and precision and light application of pesticide and fertilizer. Besides, it builds a network persified promotion and demonstration platform and can be demonstrated and popularized on a large scale through scientific layout of demonstration and radiation rice area, integration of comprehensive technical model of reduction for application of pesticide and fertilizer, and giving full play to the leading role of new media + big data, the supporting role of scientific and technological talents of universities and agricultural academies.

  Keywords: precise application of pesticide and fertilizer in rice, big data, HDFS, Spark, data visualization

目 錄

  第一章 緒 論

  1.1 研究背景及意義

  精準農業是現代農業發展的新趨勢。美國、加拿大在這方面的研究處于國際 領先地位,其在精準管理、播種、施藥、施肥等環節的應用較為成熟。20 世紀 90 年代中后期,我國開始對精準農業進行研究,近年來雖不斷加大投入并開展了許 多實踐工作,但仍然存在科研成果向應用產出轉化欠缺、溫室和養殖發展較快而 大田作物應用出現瓶頸、未能有效發揮由點及面的推廣帶動作用等不足[1,2].其次, 在精準農業技術體系方面,信息獲取與可靠的專家決策系統是兩個主要難點[3].近 年來,隨著物聯網與互聯網等技術的不斷發展,大數據技術提供了新的解決思路。 應用精準農業領域涉及的大數據將產生更大的價值,不少企業嘗試應用大數據技 術提高精準農業的盈利能力[4,5]. 水稻藥肥精準施用是立足于我國國情下的精準農業的應用實踐。水稻是我國 主糧,華南與西南是我國水稻優勢產區,水稻面積占全國的 26%.該稻區地理氣 候及生態環境復雜,有害生物發生頻率高,同時各地農技水平不均衡,常出現藥 肥施用過量現象,影響了水稻產量和種植成本[6],危害環境和食品安全[7,8].

  我國 政府高度重視藥肥濫用問題,制定了《到 2020 年化肥使用量零增長行動方案》和 《到 2020 年農藥使用量零增長行動方案》。2018 年中央一號文件強調"加強農業 面源污染防治,開展農業綠色發展行動,實現投入品減量化,推進有機肥替代化 肥,畜禽糞污處理,農作物秸稈綜合利用,病蟲害綠色防控".因此,綜合我國實 際國情,以水稻藥肥精準施用為主題,探索大數據及其相關技術在精準農業方面 的應用具有重要的現實意義和應用價值。 在我國,水稻藥肥精準施用是一個典型的大數據技術應用場景。

  自上世紀 70 年代起,我國開展了田間養分精準管理方法與技術的持續研究和推廣,積累了大 量土壤類型、肥力等基礎數據以及農村地籍調查、農業普查、作物需肥規律等田 間養分管理相關數據[9];自 20 世紀 50 年代起,我國開始逐步構建全國農作物重大 病蟲害監測預警網絡體系,2009 年全國農業技術推廣服務中心開始建設農作物病 蟲害數字化監測預警平臺并推廣至各個監測站點使用,長年累積了大量病蟲害測 報數據[10,11];隨著遙感技術的發展,尤其是我國高分系列衛星的發射以及無人機遙 感技術的發展,遙感數據源逐漸豐富,不同時間、空間、光譜分辨率的遙感數據 為大尺度決策分析、病蟲害監測等方面提供了可能,對指導水稻精細化種植,發 展精準農業具有重大意義[12,13].然而,雖然積累了大量的多源異構的、與水稻種植 有關的時空大數據,但其大數據應用方面仍然存在數據共享水平低,數據處理、 分析、挖掘能力薄弱等問題[14].

  鑒于此,本文依托國家重點研發計劃"華南及西南水稻化肥農藥減施技術集成 研究與示范"的課題 1"藥肥精準施用跨境跨區域大數據平臺(No.2018YFD301)" 的核心任務,以華南西南八省市水稻種植區為研究區,構建水稻藥肥精準施用大 數據基礎平臺:集成衛星遙感、氣象、無人機遙感、地面物聯網監測等多源異構 時空大數據,以及遙感信息提取、時空數據挖掘和深度學習等分析技術,通過 Web、 手機 APP、微信公眾號等服務方式為農戶、農技人員、管理者等提供水稻藥肥施 用決策服務。

  1.2 國內外研究現狀

  與本文研究內容密切相關的國內外研究包括大數據技術及其在精準農業領域 的應用。其中,大數據技術包含大數據采集、數據預處理(清洗和標注)、存儲、 處理(分析與挖掘),大數據可視化,大數據安全等內容。表 1- 1 是大數據生命 周期中使用較為廣泛的相關技術與軟件產品,在進行大數據平臺設計時,要結合 數據特點、任務場景、硬件需求等綜合考慮,選擇滿足應用需求的開源技術。

  1.2.1 大數據采集技術

  面向多源異構的海量數據,多種數據采集技術應運而生。數據提取轉換與加 載(ETL)工具,可將異構數據規范化,進而將數據注入數據倉庫。Villar A 等使 用 ETL 處理環境與醫學數據,并結合聯機分析處理(OLAP)對西班牙 16 個省的 數千萬個單獨的醫療、氣象和空氣質量觀測進行飛行分析[16].然而,ETL 主要擅 長對歷史數據進行離線操作,若要處理實時數據,需要進一步擴展,如 DOD-ETL 通過將按需數據流管道與具有內存中緩存和有效數據分區功能的分布式、并行、技術無關性的體系結構相結合來實現此目的[17].企業,政府機構等每日正常運行 產生了大量有價值的日志文件,針對這些數據的采集,出現了一批開源的技術框 架,如 Flume,Scribe 等。許多應用案例使用這些技術[17-19];隨著互聯網時代的迅 速發展,各種類型的網頁上蘊含著海量的非結構化和半結構化的數據,這些數據 的采集主要使用爬蟲技術,常見的爬蟲框架有 Apache Nutch、Crawler4j、Scrapy, 通過爬蟲獲取數據已經成為許多研究數據源的重要支撐與保障[20,21]. 大量由關系型數據庫存儲的結構化數據,其來源主要是日常模式報表,即通 過前臺應用系統與業務后臺服務器的結合,將大量的業務記錄寫入到數據庫。許 多應用分析面向多個數據庫,可利用 Apache Sqoop 解決結構化數據存儲與 Hadoop 分布式文件系統(HDFS)之間的轉換問題,相對于使用腳本傳輸數據不僅保證了 數據一致性,而且提高了轉換效率。

  張婷婷在設計基于大數據分析的推薦系統時, 利用 Sqoop 工具將數據庫中的數據轉移到 HDFS 以便后續的分析算法提取數據[22]; 李新衛在構建基于 Hadoop 的音樂推薦系統時利用 Sqoop 完成數據的采集[23].針對 特定任務場景,也可結合相關 API 自定義數據遷移功能,如蘇鵬濤基于 JDBC 訪 問電力量測類數據傳統關系型數據庫,基于 HBase Java API 操作 HBase 數據庫, 進而實現自動化遷移等功能[24].

  1.2.2 大數據存儲技術

  分布式文件系統是對本地文件系統的擴展,其服務范圍包含整個互聯網,在 提供海量數據的存儲服務的同時保障了數據安全,常見的分布式文件系統有 GFS、 HDFS、Lustre、Ceph、GridFS 等,其中 HDFS 應用最為廣泛。然而,HDFS 在存 儲海量小文件時在性能與存儲效率方面一直備受挑戰,要根據實際需求進一步優化 (如結合分布式緩存技術)[25-27].分布式文件系統是許多 NoSQL 的基礎存儲,如 HBase 基于 HDFS、MongoDB 基于 GridFS 等。NoSQL 可以解決海量非結構化與 半結構化數據的存儲與查詢問題,雖然也可以存儲結構化數據,但相應會失去關 系數據庫的一些特性。NoSQL 主要分為四類:面向列存儲數據庫、鍵值保存的數 據庫、面向文檔的數據庫、圖形數據庫。為滿足不同的存儲與查詢需求,NoSQL 在結構上一般分為四層即數據持久層、數據分布層、數據邏輯模型層以及接口層[28]. 許多大數據分析應用都基于 NoSQL 提供的查詢服務[29,30],也有研究對如此眾多的 NoSQL 進行調查分析,給從業者或研究人員的選擇提供建議[31].

  1.2.3 大數據分析處理技術

  為解決海量數據的計算問題產生的并行計算框架主要包含 MapReduce、Spark等。MapReduce 是面向大數據并行處理的平臺、框架、計算模型,這三層含義意 味著利用普通的服務器即可搭建易擴展、高容錯的并行計算集群,并行計算涉及 到的很多系統底層的復雜細節(如數據分布存儲,數據通信等)交由框架處理, 使用者通過實現該編程模型提供的抽象操作和并行編程接口即可完成基本的并行 計算任務。MapReduce 在諸多領域[32,33]的實踐中證明其框架的實用性。Spark 是 MapReduce 的通用并行框架,通過啟用內存分布式數據集,避免將許多需要迭代 的算法(如機器學習與數據挖掘)的中間結果保存至 HDFS 導致的 I/O 性能問題。

  代明竹通過使用非排序的基準測序測試,發現使用 Spark 代替 Hadoop 會帶來平均 77%的執行時間的降低[34].Spark 一度對 Hadoop 及其生態系統形成有力沖擊,但 馮興杰也指出 Hadoop 與 Spark 有著各自不同的特點,使得兩者擁有不同的應用場 景,從而 Spark 無法完全取代 Hadoop[35].

  1.2.4 大數據技術在精準農業中的應用

  隨著物聯網、大數據等技術的不斷成熟,越來越多的研究嘗試將其應用到精 準農業中來。大數據技術正積極推動農情精細化監測,全球農情遙感速報系統通 過引入聚類分析、時間序列分析、關聯分析、時空變化異常診斷等大數據分析方 法提升數據挖掘能力,促進技術體系升級[36].GA-SVM 通過對農業網絡物理系統 中產生的大數據進行預測,為農民了解未來生長環境,做出適宜種植和經營決策 提供支撐[37].Delgado 等認為可結合大數據分析和物聯網、人工智能、GPS、遙感 等技術,利用 WebGIS 框架將分散的智慧農場連接至全球或某一區域,從而實現可 持續精準農業[38].大數據技術在采集、傳輸、存儲、處理、和應用等各個環節都 形成了成熟的技術框架,根據不同應用場景應當構建不同的技術體系。CYBELE 是一個保障農產品價值的平臺,整合不同類型各種來源的數據形成數據倉庫,基 于優秀的大數據處理框架 Spark,Hadoop,Kafka,Elastic 構建其高性能計算架構, 從而提供數據發現、處理、組合和可視化等服務[39];張波等采用大數據技術、云 計算技術、移動應用技術以及 HTML5 等新一代信息技術,構建并實現了精準農業 航空服務平臺,充分考慮了植保施肥的實際需求[40];朱亮等利用 Hadoop,Hbase, Spark 等技術設計并實現了農業氣象大數據平臺,實現對農業氣象數據的收集、存 儲和應用,為"三農"服務、氣象防災減災提供數據支撐[41].

  然而,相對于歐盟基 于"5S"技術體系形成的精準農業生產方式,我國農業現代化發展滯后,特別在遙 感農業大數據應用上大有可為[42],將大數據技術應用到水稻藥肥精準施用上有其 現實需求。 目前,有研究開始使用大數據技術提高水稻研究相關算法性能,分析水稻產量與氣候的關系。鄧興鵬利用Hadoop計算框架研究了雜交水稻算法的分布式實現, 旨在提升面臨大規模數據量時算法的性能問題,并取得了明顯的提升效果[43];崔 媛利用前人大數據分析的結果,以華北、華東及東北水稻產區為例,進一步研究 了農業氣候與農作物產量的變化關系,以期為各種天氣條件下保障與提高農作物 產量提供理論依據[44].然而,直接利用大數據技術進行水稻藥肥精準施用的研究 甚少。在肥料精準施用研究方面,蔡麗霞構建基于 Hadoop 技術的玉米精準施肥智 能決策系統,為農業區域的劃分以及管理提供實時、準確的決策方案,從數據收 集、大數據平臺的搭建、結合 MapReduce 進行分析算法的實現等角度系統性的進 行了大數據技術運用于精準施肥的研究[45];貴州省農業科學院科技信息研究所在 作物精確施肥方面取得了重要成果,其以貴州省喀斯特山區為研究區域,利用大 數據技術與方法開展作物推薦與應用研究,集數據的采集,處理于一體,做到了"服 務獲取數據,數據促進服務"[46];何山等結合數據挖掘技術研究基肥和追肥的施用 數量及施用時間,同時利用云 GIS 可實現農田數據的空間信息化和施肥方案田塊 化管理的可視化,為移動端施肥方案的推送和實現田塊尺度上的信息化精細管理 奠定基礎[9].在農藥精準施用研究方面,有利用大數據技術進行農藥殘留量的分析, 這對精準施藥而言具有指示意義,因為導致農藥殘留量過高的很大一部分因素是 農戶在種植過程中施藥不當。羅巍通過對調查得到的 37 個露地蔬菜品種上農藥施 用的品種、用量、成本、施用次數等用藥結構進行了監測研究,并通過分析結果 提出改進用藥結構的措施[47]. 向農戶進行農技推廣是水稻藥肥精準施用的重要應用出口。農業推廣中農民 的障礙可簡單地概括為:

  1、缺乏解決問題的資源,包括知識、生產資料等,并且 不知如何獲取并利用這些資源;

  2、農民沒有充分意識到采用新技術的好處而缺乏 積極性。我國農技推廣中的問題包括:投資總量少,人均費用低;行政占主導, 基層參與少;人員缺少積極性,專業知識水平低;機構設置不合理;缺乏科學有 效的考評機制;技術供給與市場需求脫節等[48].大數據平臺通過從水稻藥肥大數 據中提取出隱含的規律,并通過網站,移動應用,微信公眾號等多終端信息共享 平臺的推廣與使用,一定程度上能解決上述問題。

  1.3 本論文的研究內容與結構安排

  1.3.1 主要研究內容

 。1)梳理項目所涉及的多源異構數據,根據不同的來源與獲取方式制定不同 的數據采集方案;分析數據特點及不同存儲方案的優劣,實現水稻藥肥精準施用大數據的存儲與管理。

 。2)分析歸納項目任務與實際業務需求,設計大數據平臺的功能,整合互聯 網技術、大數據技術、"3S"技術等技術;對每個業務功能,通過設計對應數據庫 表、實現后臺業務功能所需交互接口、構建對應前臺用戶交互頁面的流程加以實 現,并且考慮平臺的實用性。

 。3)專業模型如水稻病蟲害預測預報、水稻長勢分析、水稻病蟲害發生發展 規律分析等是水稻藥肥精準施用大數據原型平臺的重要支撐。根據高并發需求, 綜合應用地理信息大數據的高性能引擎(Geotrellis)的高并發處理模型(Akka-actor) 對相應數據進行處理、分析。

 。4)完善后臺管理平臺;進行功能測試,優化交互邏輯與呈現風格,提供多 種服務方式;結合硬件環境與技術特點,采用適合的方式進行部署。

 。5)搭建大數據平臺運行所必須的集群環境,并安裝管理集群的相關工具

  1.3.2 技術路線

  技術路線如圖 1- 1 所示。首先,本文以華南西南八省市水稻藥肥精準施用為 目標,調研具體的業務需求;為保障平臺長期穩定運行,調研平臺在安全性、可 擴展性、可維護性、完整性等方面所需的相關非功能需求;為確保平臺的設計與 實現切實可行,最終較好的服務于用戶,從技術限制和使用限制方面進行相關約 束。然后,調研常用大數據技術以及相應的應用場景,根據平臺需求設計對應功 能模塊,根據數據特點設計相應的存儲方案,遴選各個環節中涉及到的常用技術 框架,最終設計出完善可行且易擴展的水稻藥肥精準施用大數據平臺架構。

  最后,研究各開源軟件的特點與使用方式,將其部署至高性能集群,為水稻藥肥精準施用大數據原型平臺穩定運行提供環境支持;整合華南西南等八省市多 源異構數據,統一存儲管理地理基礎數據集、地面監測數據集、主被動遙感觀測 數據集及其衍生產品集、業務數據集,為平臺提供可靠的數據源支撐;集成矢量 與柵格數據的切片技術,通過矢量切片為地理信息平臺提供地圖服務,通過柵格 切片提升客戶端中渲染以柵格影像呈現的遙感產品的性能;整合高并發編程、分 布式處理技術,集成水稻病蟲害預測預報、水稻長勢分析、水稻病蟲害發生發展 規律分析等專業模型;調研當前流行的可視化技術的使用方式與適用場景,結合 不同功能呈現特性,選用合適的開源框架,并利用多種渲染技術,保證結果展示 的直觀性與簡潔性。

  1.3.3 結構安排

  根據研究內容的內在邏輯聯系,為保證論文的安排整體有序、思路清晰,沿 著擬定的研究思路,劃分論文結構如下:

  第一章,闡述大數據技術應用于水稻藥肥精準施用研究的背景與可行性,其 在采集、存儲、分析處理、應用等方面的現狀,并交代了主要的研究內容與基本 技術路線,最終整理了本文的結構安排。

  第二章,主要調研了水稻生產活動中不同參與者的業務需求,從系統的角度 分析了必須考慮的非功能性需求,為功能與體系結構的設計提供依據。

  第三章,基于需求分析設計用戶角色類型、核心業務功能與系統性功能、體 系結構(整合大數據技術、互聯網技術、"3S"技術等技術),為后續具體實現奠 定框架基礎。

  第四章,整合選用的多種技術,構建大數據平臺運行環境,整合多源異構數 據,實現核心業務功能及系統性功能,并結合不同功能的呈現特性進行相應數據 可視化。實現平臺后,經過多次測試、優化,最終部署上線。

  第五章,總結本文的主要成果,不足以及展望。






  第二章 水稻藥肥精準施用大數據原型平臺需求分析
  2.1 功能性需求
  2.2 非功能性需求
  2.3 設計約束
  2.4 本章小結

  第三章 水稻藥肥精準施用大數據原型平臺設計
  3.1 功能組成設計
  3.1.1 功能描述
  3.1.2 用戶角色
  3.2 體系結構設計
  3.2.1 核心技術遴選
  3.2.1.1 大數據技術
  3.2.1.2 數據庫技術

  3.2.1.3 開發語言與集成開發環境
  3.2.1.4 "3S"技術
  3.2.1.5 前端開發技術
  3.2.1.6 后端開發技術
  3.2.2 體系結構簡述
  3.3 數據庫設計
  3.3.1 數據整合
  3.3.2 用戶管理
  3.3.3 示范區
  3.3.4 商業服務
  3.3.5 上報
  3.4 非功能性需求保障設計
  3.5 本章小結

  第四章 水稻藥肥精準施用大數據原型平臺實現
  4.1 平臺環境搭建
  4.2 數據整合
  4.3 大數據分析處理
  4.3.1 遙感大數據處理分析
  4.3.2 水稻長勢分析
  4.3.3 病蟲害預報
  4.4 核心功能實現
  4.4.1 用戶管理
  4.4.2 農情監測
  4.4.3 示范區
  4.4.4 預報
  4.4.5 商業服務
  4.4.6 上報
  4.4.7 數據可視化
  4.4.8 后臺管理
  4.5 測試
  4.6 本章小結

  第五章 結 論

  5.1 總結

  水稻生產過程中,農藥化肥是防治病蟲害提高產量的關鍵要素,盲目施用藥 肥的現象在華南西南八省主要水稻種植區頻繁發生。精準農業構想是現代農業的 未來發展方向,以水稻藥肥精準施用為例,針對其相關的多源異構數據,大數據 技術在整合、存儲、處理、應用等方面發揮了不可替代的作用。本文主要研究大 數據技術在精準藥肥施用上的應用,經過多次測試與優化,研發的大數據基礎平 臺已初步投入使用,眾多合作單位業已在平臺中實名注冊、上傳數據、瀏覽專業 信息、反饋建議等?偨Y主要的工作與貢獻如下:

 。1)針對水稻藥肥精準施用的應用場景,結合重點研發計劃的項目要求,分 析整理了大數據平臺所必須完成的功能;針對大數據平臺本身,偏技術性的從可 維護性、可行性、可安全性等角度分析了相關非系統性功能;另外,就平臺所使 用的技術和軟硬件環境情況,對大數據平臺的設計與使用進行相關約束分析。

 。2)在需求分析的基礎上,根據實際使用場景設計了使用平臺的角色類型, 并分析不同角色之間的信息傳遞過程;總結了平臺所需的關鍵技術,并設計了結 構上分層、前后端分離的體系結構,保證了高內聚低耦合,易于擴展,使后續開 發邏輯清晰能有序進行;根據實際業務設計了數據庫以及用于保障平臺可維護性 與穩定性的相關工具。

 。3)搭建了大數據平臺所需軟硬件環境,進一步研發實現多源異構數據的整 合,從而在數據驅動的基礎上實現大數據平臺核心功能,最后通過測試后推向實 際應用。本文設計并實現的大數據平臺集納并創新區域特色抗性和藥肥高效利用 水稻品種及高效栽培措施、藥肥減施增效、精準輕簡施用技術,科學布局示范輻 射稻區,集成藥肥減施綜合技術模式,發揮新媒體+大數據引領作用,高校與農科 院所科技人才支撐作用,構建網絡化多元推廣示范平臺,規;痉锻茝V,有效 降低藥肥用量,減少稻田面源污染,保障食品安全。

  5.2 下一步工作的展望

  水稻藥肥精準施用是一個復雜的研究過程,雖然平臺在技術流程上已趨于成 熟,且當前已積累了不少數據并實現了相關重要功能。但平臺投入使用時間尚短, 一方面存在部分功能還需要完善的問題,另一方面存在需求變化的可能。因此,  總結平臺的不足與進一步的完善方向如下:

 。1)平臺投入使用后要加強與農戶、農技服務人員、科研院所的專家等相關 人士溝通,做好信息反饋渠道,不斷完善功能需求分析,形成相關文檔,以吸引 更多的用戶使用。

 。2)隨著功能的迭代變化,平臺在設計上也需不斷改進,會不斷整合新的技 術,也需形成明確的設計文檔以便于不斷完善。

 。3)在自動化腳本獲取的數據的完整性(如全國農技中心模式報表存在延遲 上報的情況)上需進一步檢驗,對平臺所有數據的管理與共享需進一步完善。

 。4)雖經過功能與壓力測試,但還是難免出現 bug,仍需不同人員在不同環境 (不同瀏覽器,不同電腦等)進行大量測試

 。5)平臺當前對大數據的應用還處于入門階段,主要由于積累數據時間較短 和模型研發的滯后,仍需加強對核心方法模型的集成與應用。

  致 謝

  時間如白駒過隙,轉瞬即逝,不知不覺間在電子科技大學已度過了七個年頭。 隨著這篇論文的完成,我的研究生生活將要結束,回首往昔,感觸頗多。研究生 三年時光不僅給了我學術科研能力的訓練與培養,而且讓我更加明確未來的人生 目標,在此謹向所有指導、關心、幫助過我的單位、老師、同學和朋友表示衷心 的感謝。感謝我的母校電子科技大學,"求實求真,大氣大為"的校訓一直激勵著我。美 麗的校園環境,可靠的后勤保障,豐富的教育資源是我安心學習、不斷進步的基 礎。感謝我的導師何彬彬教授。

  您營造了一個優良的教研室學習環境,讓我逐漸 擺脫拖延癥,養成自律的好習慣;您提倡勤奮好學、刻苦鉆研、追求卓越,思路 和具體方法上的指導使我受益匪淺;您根據我自身的特點,尊重我對技術的追求, 給予了我參與重點研發計劃的機會。在這個項目中,多次參加了交流會議,見識 了許多技術大牛的風采,開拓了眼界,在實際應用中獲得了專業技術、文檔撰寫、 團隊協作等能力的訓練與提升。再次感謝您的教導和培養。

  感謝陳建華教授在項目上提供的精心指導,您的思路、建議和經驗給了我極 大幫助,提高了我的技術水平和工程實踐能力;感謝行敏鋒、全興文、官雨薇、 廖展芒等老師提供的指導與生活上的關心;感謝盧琰、陳慧楠等老師及時的消息 通知;感謝班長許丁友認真負責的收發資料。 感謝參與重點研發計劃的小伙伴們,張宏國、李彥樨、安剛強、范春全、馮 實磊、張永欽、姜怡忻。我們每周在一起進行研討,總結項目進度與不足,研討 技術難題,和你們一起工作的時光既充實又愉快。

  感謝全國農業技術推廣服務中心、南京農業大學、華南農業大學、諾普信公 司、貴州岑鞏縣國家級水稻雜交制種基地等合作單位提供的支持和幫助。 感謝教研室的所有同學,大家能共同學習相互幫助,不斷的思維碰撞產生了 一個又一個好建議;感謝不斷關心我的朋友們;感謝我的父母,您們的支持與鼓 勵是我前進的動力。 最后,向百忙之中抽出時間對本文進行評審并提出寶貴建議的專家致以誠摯 的謝意。

  參考文獻
  [1] 張輝, 張永江, 楊易。 美國、加拿大精準農業發展實踐及啟示[J]. 世界農業, 2018, 465(1): 176-179.
  [2] 呂烈武, 郭彬。 精準農業的研究應用現狀及其在我國的發展方向[J]. 現代農業科技, 2008, 000(21): 338-339,341.
  [3] 趙春江, 薛緒掌, 王秀, 等。 精準農業技術體系的研究進展與展望[J]. 農業工程學報, 2003, 019(004):7-12.
  [4] Mintert, R. James, Widmar, et al. The Challenges of Precision Agriculture: Is Big Data the Answer?[C]. Southern Agricultural Economics Association, 2016.
  [5] Sonka, Steve, Cheng, et al. Precision Agriculture: Not the Same as Big Data But. [J]. Farmdoc Daily, 2016.
  [6] 郭利京, 王穎。 我國水稻生產中農藥過量施用研究:基于社會和私人利益最大化的視角[J]. 生態與農村環境學報, 2018, 34(5): 401-407.
  [7] 劇成欣, 季紅娟, 陸玉榮, 等。 中國水稻生產"雙減"的目的意義與途徑方法[J]. 中國農學 通報, 2017, 34(23): 12-18.
  [8] 周南華。 化肥施用與農產品質量安全[J]. 西南農業學報, 2004, 17(1): 126-130.
  [9] 何山, 孫媛媛, 沈掌泉, 等。 大數據時代精準施肥模式實現路徑及其技術和方法研究展 望[J]. 植物營養與肥料學報, 2017, 23(6): 1514-1524. [10] 劉萬才。 中國農作物病蟲測報 50 年[J]. 世界農業, 1999, (10): 24-26.
  [11] 劉宇, 劉萬才, 韓梅。 農作物重大病蟲害數字化監測預警系統建設進展[J]. 中國植保導 刊, 2011, 31(2): 36-38.
  [12] C. M. Gevaert, J. Suomalainen, J. Tang, et al. Generation of Spectral–Temporal Response Surfaces by Combining Multispectral Satellite and Hyperspectral UAV Imagery for Precision Agriculture Applications[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2017, 8(6): 3140-3146.
  [13] F. J. Mesas-Carrascosa, I. C. Rumbao, J. Torres-Sánchez, et al. Accurate ortho-mosaicked six-band multispectral UAV images as affected by mission planning for precision agriculture proposes[J]. International Journal of Remote Sensing, 2017, 38(8-10): 2161-2176.
  [14] X. Gan , L. I. Yong . Application of Big Data in Agricultural Informationization in Shandong Province under the Background of "Internet +"[J]. 亞洲農業研究(英文版), 2019.
  [15] 楊宇, 王蓉, 王志軍。 大數據技術總結和標準化工作研究進展[J]. 電信網技術, 2016, (4):7-12.
  [16] Villar, Alejandro, Zarrabeitia, et al. Integrating and analyzing medical and environmental data using ETL and Business Intelligence tools[J]. 2018.
  [17] G. V. Machado, ?. Cunha , A. C. M. Pereira, et al. DOD-ETL: Distributed On-Demand ETL for Near Real-Time Business Intelligence[J]. 2019.
  [18] 方中純, 趙江鵬。 基于Flume和HDFS的大數據采集系統的研究與實現[J]. 內蒙古科技大 學學報, 2018, 37(3): 153-157.
  [19] 馬曉亮。 基于 Hadoop 與 Flume 的拒絕服務攻擊檢測研究[J]. 信息安全研究, 2018, 4(9): 799-805.
  [20] 劉曉剛。 農產品大數據的抓取和分析方法探索[J]. 農村經濟與科技, 2018, 29(19): 304-305.
  [21] 張馳恒一。 基于多數據源的水利數據獲取及大數據服務[D]. 西安: 西安理工大學, 2018.
  [22] 張婷婷。 基于大數據的 Web 個性化推薦系統設計[J]. 現代電子技術, 2018, v.41; No.519(16): 163-166.
  [23] 李新衛。 基于 Hadoop 的音樂推薦系統的研究與實現[D]. 西安: 西安工業大學, 2018.
  [24] 蘇鵬濤, 朱兵, 蔡晶, 等。 一種電力量測類數據遷移到 HBase 的方法及系統[J]. 電子技術 與軟件工程, 2018, 000(10): 165-167.
  [25] S. Bende, R. Shedge. Dealing with Small Files Problem in Hadoop Distributed File System[J]. Procedia Computer Science, 2016, 79: 1001-1012. [26] K. Bok, H. Oh, J. Lim. An efficient distributed caching for accessing small files in HDFS[J]. Cluster Computing, 2017, 20(20): 3579-3592.
  [27] Z. Shuo, M. Li, Z. Dafang. A strategy to deal with mass small files in HDFS[C] A strategy to deal with mass small files in HDFS. Proceedings - 2014 6th International Conference on Intelligent Human-Machine Systems and Cybernetics, IHMSC.1: 331-334. 310.1109/IHMSC.2014.1187.
  [28] 薛濤。 基于 NoSQL 數據庫的大數據查詢技術實踐探索[J]. 電腦編程技巧與維護, 2018, 401(11): 91-92, 133.
  [29] M. T. González?Aparicio, A. Ogunyadeka, M. Younas, et al. Transaction processing in consistency-aware user's applications deployed on NoSQL databases[J]. Human-centric Computing and Information Sciences, 2017.
  [30] N. Q. Mehmood, R. Culmone, L. Mostarda. Modeling temporal aspects of sensor data for MongoDB NoSQL database[J]. Journal of Big Data, 2017, 4(1): 8.
  [31] F. Gessert, W. Wingerath, S. Friedrich, et al. NoSQL database systems: a survey and decision guidance[J]. Computer Science - Research and Development, 2017, 32(3-4): 353-365.
  [32] D. Kesavaraja, A. Shenbagavalli. Framework for Fast and Efficient Cloud Video Transcoding System Using Intelligent Splitter and Hadoop MapReduce[J]. Wireless Personal Communications, 2018, 102(2): 1-16.
  [33] Z. Manal, L. Jalal, E. Nourddine. A MapReduce-based Adjoint method for preventing brain disease[J]. Journal of Big Data, 2018, 5(1): 27-.
  [34] 代明竹, 高嵩峰。 基于 Hadoop、Spark 及 Flink 大規模數據分析的性能評價[J]. 中國電子 科學研究院學報, 2018, v.13;No.76(2): 39-45.
  [35] 馮興杰, 王文超。 Hadoop 與 Spark 應用場景研究[J]. 計算機應用研究, 2018, 35(09): 7-12.
  [36] 吳炳方, 張淼, 曾紅偉, 等。 大數據時代的農情監測與預警[J]. 遙感學報, 2016, 20(5): 1027-1037.
  [37] J. Ruan, H. Jiang, X. Li, et al. A Granular GA-SVM Predictor for Big Data in Agricultural Cyber-Physical Systems[J]. IEEE Transactions on Industrial Informatics, 2019, PP(99): 6510-6521.
  [38] J. A. Delgado, N. M. Short, D. P. Roberts, et al. Big Data Analysis for Sustainable Agriculture on a Geospatial Cloud Framework[J]. Frontiers in Sustainable Food Systems, 2019, 3(54): 1-13.
  [39] K. Perakis, F. Lampathaki, K. Nikas, et al. CYBELE – Fostering precision agriculture & livestock farming through secure access to large-scale HPC enabled virtual industrial experimentation environments fostering scalable big data analytics[J]. Computer Networks, 2020, 168(107035): 1-10.
  [40] 張波, 黃志宏, 蘭玉彬, 等。 "互聯網+"精準農業航空服務平臺體系架構設計與實踐[J]. 華南農業大學學報, 2016, 37(6): 38-45.
  [41] 朱亮, 鐘艷雯, 賀煒, 等。 基于分布式的農業氣象大數據平臺設計與實現[J]. 湖北農業科 學, 2019, 58(6): 128-130.
  [42] 劉海啟, 游炯, 王飛, 等。 歐盟國家農業遙感應用及其啟示[J]. 中國農業資源與區劃, 2018, 39(8): 285-292.
  [43] 鄧興鵬。 基于 hadoop 的分布式雜交水稻算法研究[D]. 武漢: 湖北工業大學, 2018.
  [44] 崔媛。 基于大數據分析的農業氣候與農作物產量變化研究[J]. 中國農業資源與區劃, 2017, 38(2): 112-117.
  [45] 蔡麗霞。 基于大數據處理技術 Hadoop 平臺玉米精準施肥智能決策系統的研究[D]. 長春: 吉林農業大學, 2015.
  [46] 基于大數據思維的作物精準施肥研究與應用[J]. 貴州農業科學, 2018, 46(07): 173.
  [47] 羅巍。 2015 年全國露地蔬菜農藥施用大數據分析[D]. 杭州: 浙江大學, 2016.
  [48] 馮陽。 大數據技術在農技推廣中的應用研究[D]. 北京: 中國農業科學院, 2016.
  [49] 余久久。 軟件工程簡明教程[M]. 北京: 清華大學出版社, 2015. [50] K. Shvachko, H. Kuang, S. Radia, et al. The Hadoop Distributed File System[C]. 2010 IEEE 26th Symposium on Mass Storage Systems and Technologies (MSST)。
  [51] J. Kepner, W. Arcand, D. Bestor, et al. Achieving 100,000,000 database inserts per second using Accumulo and D4M[J]. 2014:
  [52] A. Fox, C. Eichelberger, J. Hughes, et al. Spatio-temporal indexing in non-relational distributed databases[C] Big Data, 2013 IEEE International Conference on. IEEE, 2013.
  [53] GeoTrellis is a geographic data processing engine for high performance applications[EB/OL]. https://geotrellis.io.
  [54] A. K. Aufdenkampe, E. Mayorga, D. G. Tarboton, et al. Model My Watershed and BiG CZ Data Portal: Interactive geospatial analysis and hydrological modeling web applications that leverage the Amazon cloud for scientists, resource managers and students[C]. Agu Fall Meeting AGU Fall Meeting Abstracts, 2016.

(如您需要查看本篇畢業設計全文,請您聯系客服索。

相關內容
相關標簽:計算機畢業設計
好優論文定制中心主要為您提供代做畢業設計及各專業畢業論文寫作輔導服務。 網站地圖
所有論文、資料均源于網上的共享資源以及一些期刊雜志,所有論文僅免費供網友間相互學習交流之用,請特別注意勿做其他非法用途。
如有侵犯您的版權或其他有損您利益的行為,請聯系指出,論文定制中心會立即進行改正或刪除有關內容!
欧美国产伦久久久久久久
<acronym id="cqmsy"></acronym>
<acronym id="cqmsy"><center id="cqmsy"></center></acronym>