农业面源污染监测及预警系统设计

尤佳梁 毛力

摘要：农业面源污染是导致地表水污染的主要原因。为解决农业面源污染监控中遇到的瓶颈问题，设计并实现了一套基于信息融合、物联网及云计算技术的农业面源污染监测及预警系统。目前系统运行平稳，预测预警准确性较高，较好地实现了对农业面源污染的动态监测、跟踪与预警。

关键词： 农业面源污染；信息融合；物联网；云计算

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2019）10-0198-02

开放科学（资源服务）标识码（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

面源污染又称非点源污染，主要由土壤泥沙颗粒、氮磷等营养物质、农药、各种大气颗粒物等组成，通过地表径流、土壤侵蚀、农田排水等方式进入地表水体。与点源污染相比，面源污染的时空范围更广，不确定性更大，过程更复杂，污染更严重，因而加大了治理及管理的难度[1]。

目前，点源污染已得到较好的控制和管理，但面源污染问题却日益突出[2]。研究表明，面源污染是导致地表水污染的主要原因，其中又以农业面源污染贡献率为最大。因此，加强对农业面源污染的监控已是当务之急。但由于农业面源污染的发生具有随机性、广泛性、滞后性、模糊性及突发性等特点，因此农业面源污染治理一直都是一个世界性难题。

面源污染监测及预警就是在特定区域内，对地表水质状况进行监测、分析、评价，对其未来发展状况进行预测，对不正常状况进行预警。它具有先觉性、预见性，具有对地表水质演化趋势、方向、速度、后果的警觉作用，最终目的是对面源污染进行有效监控管理。

目前我国农业面源污染监控应用尚处于初级阶段，与国外相比，监测技术及决策手段相对落后，主要表现在：

1）仅根据少数孤立因子来对某一局部区域的农业面源污染进行监测，很难对总体污染情况做出准确、客观和综合的判断，农业面源污染预测预警模型性能有待提高。

2）随着监测范围的不断扩大、监测参数的不断增多，监控决策功能的不断增强，监控中心传统的硬件系统搭建方式既价格高昂又难以适应与日俱增的存储和运算需求。

信息融合是利用计算机技术将来自多个传感器或多源的观测信息进行分析、综合处理，得出决策的处理过程[3]。信息融合技术包括贝叶斯（Bayesian）推理、D-S（Dempster-Shafer）证据推理、聚类分析、神经网络、支持向量机[4]、极限学习机[5]等。

为解决上述农业面源污染监控中遇到的瓶颈问题，本文开发了一套基于信息融合技术、物联网及云计算技术[3]的农业面源污染监测及预警系统，较好地实现了对农业面源污染的动态监测、跟踪与预警。

1 系统总体架构

农业面源污染监测及预警总体架构包括应用层、传输层和感知层，其中：

应用层负责数据汇总、转换、分析处理、呈现等。此层分两个子层：支撑平台子层和应用服务子层。支撑平台子层为应用服务子层提供数据處理、共享、互通等通用基础服务和资源调用接口，并将传输层得到的信息进行分类存储，利用大规模并行计算功能对数据进行加工处理。应用服务子层在支撑平台子层的基础上，实现实时监控、信息管理、实时预警、智能决策等功能。

传输层负责把感知层采集的信息无障碍、安全、可靠地传输到应用层。

感知层体现物联网的全面感知特征，即利用各类智能感知设备以及传感器节点，随时随地获取所需的监测点信息，如：温度、PH值、溶解氧、氨氮、ORP及流量等数据参数。

除此之外，三层架构均使用了安全技术和网络管理等公共技术，确保数据的准确性、健壮性以及安全性。

2 系统设计方案

基于ASP.NET+SQL SERVER的农业面源污染监测及预警系统具备数据采集、信息查询、污染负荷监测及预警等功能。系统功能完备、界面友好、性能良好、所完成功能能满足农业面源污染监测及预警的需求。

基于RUP 的系统开发过程分为需求捕获、分析、设计、实现和测试等阶段，每个阶段都是在前一阶段的基础上的进一步细化，呈增量迭代式发展。其中需求捕获阶段主要进行用例（Use Case）建模以及收集对架构有显著影响的需求；分析阶段主要是将需求的内容转换成分析模型； 设计阶段主要是通过考虑实现环境，将分析模型扩展和转化为可行的技术实现方案； 实现阶段的主要任务是基于设计内容创建源代码和可执行代码，以及用于部署的组件模块；测试阶段主要是对实现阶段中所完成的工作进行验证。

系统采用开源云计算系统 Hadoop，Hadoop 的核心内容包括 HDFS（分布式文件系统），提供了各个节点的分布式存储能力，具有超强的数据备份，容错能力来保障数据安全性；MapReduce 分布式计算，利用其提供的框架可完成大规模数据的信息挖掘和处理。

系统将感知层采集获得污染监测数据传输到农业面源污染监测及预警系统的数据接收平台上。部署在 Web 服务器端的数据接收平台负责接收数据，并与云计算平台进行接口通信。通过接口，Hadoop 向前端应用提供 MapReduce 计算服务以及数据存储服务，来支持前端应用的数据存储与分析职能。系统组成如图1所示：

3 关键技术

3.1 水质数据预处理技术

在数据采集过程中由于机械或人为等因素可能产生一些异常数据，如直接将这些异常数据用于构建模型，将会导致预测预警精度下降；另外将存在大量冗余信息的原始数据直接用于后续信息融合，也将会增加融合时间，降低融合精度。

本系统采用基于改进模糊C均值聚类算法[6]对原始采集数据进行预处理，去除异常数据及冗余信息，将得到的聚类中心点作为后续融合的输入样本集，从而减少了融合时间，提高了模型精度。

3.2 基于改进极限学习机的水质预测预警模型构建技术

目前广泛使用的水质预测预警模型大多基于神经网络或支持向量机，由于神经网络易陷入“过学习”和局部极小点，泛化能力不强；支持向量机需人为设置各种参数，参数确定困难且耗时，故这类模型在实际应用中的预测预警精度及实时性均有待提高。

极限学习机是一类基于前馈神经网络的新型学习算法，其隐层节点参数可以是随机或人为给定且不需要调整，学习过程仅需计算输出权重，故学习效率高和泛化能力强。但是传统ELM是基于经验风险最小化原理，应用于预测时极易导致过度拟合。本系统采用一种融合最小二乘向量机回归学习思想的改进极限学习机[7]，该算法在传统极限学习机的基础上，结合最小二乘向量机回归学习方法，引入了基于结构风险最小化理论，从而有效避免了过度拟合问题。本系统将其作为弱预测器与AdaBoost结合，来对预处理后的监测数据进行决策融合，建立了一个更全面、更高效的水质预测模型，并基于预警规则（包括预警触发条件，预警级别、预警对策及方式等）设计预警模型，克服了现有模型存在的诸多不足，提高了预测预警精度及速度。

3.3 基于信息融合、物联网与云计算技术的综合集成技术

利用信息融合技术对面源污染相关的不同信息源所提供的局部不完整的观测信息加以集成与互补，消除多源信息之间存在的冗余和矛盾，形成对农业面源污染环境相对完整的感知与描述，从而提高农业面源污染预警与应急响应决策的效率。

物联网与云计算技术相结合，云计算技术凭借其强大的处理能力，存储能力和极高的性价比，可以解决农业面源污染监控中存在的运营成本高，服务规模及性能有限等难题，为农业面源污染监控的推广和普及提供强有力的技术保障。

4 结束语

本文将信息融合技术、物联网及云计算技术引入农业面源污染监测及预警系统的构建，首先对采集数据进行预处理，再基于信息融合技术对预处理后的水质参数进行决策融合，建立水质预测预警模型，最后依据该模型实现对农业面源污染的在线监测与预警，为环境监管、环境评价、执法与决策提供了强大支持。

参考文献：

[1] 吴岩， 杜立宇， 高明和，等. 农业面源污染现状及其防治措施[J]. 农业资源与环境学报， 2011， 28（1）：64-67.

[2] 冯晓娜，张刚，王咏.农业面源污染防治措施進展研究[J]. 环境科学与管理， 2017， 42（8）：89-93.

[3] 彭力.物联网技术概论（第2版）[M].北京：北京航空航天大学出版社，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]. 上海交通大学学报（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.

【通联编辑：唐一东】