设施智慧农场大数据平台开发与应用

摘 要： 针对设施农场存在劳动强度大、数字化与标准化程度不足以及智能化水平低等问题，研究旨在通过规范生产管理流程和提高温室自动化水平，降低劳动强度并提升农场精准化管理能力。基于Spark 框架，研发设施智慧农场大数据平台。利用实验室研发的“神农物联”系列物联网系统，实现了设施环境的实时精准感知；基于钟模型构建作物生长发育模型，并融合构建知识规则，实现设施农事全过程管理的标准化；通过生长发育模型判断物候期，并运用LSTM模型对温室环境进行预测，在预测基础上实现对温室环境的智能精准控制。实验结果表明，平台显著提升了管理能力和智能精准控制水平，为设施农场的现代化管理提供了有力支撑。

关键词： 设施农业；智慧农场；大数据平台；人工智能

中图法分类号： S626.5 文献标识码： A 文章编号： 1000-2324（2024）03-0295-09

近年来，我国设施农业发展迅速，设施规模居世界首位［1］，为保障“菜篮子”工程提供了坚实的基础。然而，设施农场中普遍存在的劳动强度大［2］、缺乏标准化科学管理［3，4］和自动化程度不足［5］等问题，极大地制约了设施产业的发展。通过引入机器学习、大数据、人工智能以及自动化技术，可以提升农业生产管理的智能化水平和精细化程度，因此研发集生产管理标准化与控制智能化于一体的设施智慧农场大数据平台尤为重要。

随着现代信息技术的普及发展，信息技术为设施农场的发展带来了重大的变革［6-7］。目前我国设施农场在数字化、标准化及智能化方面已有较成熟的应用，并取得了较好的效益，但与发达国家之间仍存在较大差异［8］。凌诺娟［9］等基于Hadoop 大数据技术，开发了云农场智慧服务大数据平台，实现了信息共享、智能预警与辅助决策等智慧服务功能。吴文福［10］等提出5T精准时效农业生产管理方法和标准，开发了5T 智慧农场管理系统，为实现农场智能化提供参考。Symeonaki E［11］等基于云计算，提出了一种基于云计算的情境感知中间件方法，旨在实现设施农业的精准管理。在设施农场数字化及标准化方面，刘燕［12］等通过光辐射和温度的累积效应，建立了温室番茄干物质累积模型。张艳艳［13］等基于钟模型构建了日光温室火龙果发育期预测模型，不仅加入了温度和光照的影响，还考虑了作物自身发育的遗传特性。作物生长发育模型的构建，为设施农场数字化、标准化提供了理论基础。在设施农场智能控制方面，常规的温室环境控制方法主要有PID控制和模糊控制，Xinhua W［14］采用PID 算法实现温室温度的无级调节，完成温度的自动监测控制。付聪［15］利用模糊规则设计了一种平滑切换控制算法，实现了对温室空气湿度的控制。人工神经网络控制的提出为环境控制提供了新的思路，人工神经网络通过模拟人脑思维的方式进行控制，先对温室环境的变化情况预测，提前做出判断，解决了传统调控系统滞后的问题［16］。虽然众多学者对设施温室进行了较为广泛的研究，但是现有研究多聚焦于特定问题，缺乏整体性的系统框架，研究成果相对分散，特别针对设施农场，还缺乏整体性的解决方案［17］。

针对上述问题，拟采用Spark 框架设计设施智慧农场大数据平台，通过集成“神农物联”系列物联网系统，实现对农场环境的实时监测和精确感知；基于钟模型和知识规则构建作物生长全周期管理模型，实现对农场管理的标准化；同时，应用LSTM模型预测温室环境，在预测基础上实现对温室环境的智能精准控制。

1 大数据平台架构

1.1 Spark体系框架

随着互联网、物联网和云计算技术的飞速发展，现代设施农业对信息的存储、管理和分析也提出了越来越高的要求，传统的数据分析技术已不足以满足现代数据应用的需要，各类大数据平台框架的出现为大数据分析与存储提供了新的解决思路。主流的分布式计算框架有Hadoop、Spark、Dask、Ray 等，其中，Hadoop 和Spark 应用最为广泛［18］。

在农业领域，实时分析和快速响应对于智慧农场非常关键，与Hadoop 的MapReduce 模型相比，Spark 基于内存的计算模型极大地加速了数据处理。Spark 拥有丰富的生态系统［19］，包括SparkSQL［20］、Spark Streaming［21］、GraphX［22］、MLib［23］等多个子项目，能够满足设施智慧农场在数据处理、分析和机器学习等多方面的需求。最后，Spark 支持Scala、Java、Python 和R 等多种编程语言，从而提高了开发效率和系统的灵活性。基于Spark 构建设施智慧农场大数据平台，利用Spark 的实时数据流处理能力，进行即时的数据分析，监控环境变化。基于Spark 的机器学习库MLib，构建环境变量的预测模型，实现预测数据的智能控制。此外，使用Spark SQL进行数据查询和分析，为农场管理决策提供科学依据。通过GraphX，对作物生长、病虫害传播等复杂的农场数据关系进行可视化分析。Spark 框架图如图1所示。

1.2 数据存储技术

随着数据规模的不断增长，传统的数据存储系统难以满足大规模数据的存储和处理需求。设施智慧农场大数据平台需要高容错性、高吞吐量以及良好的扩展性，来应对数据量的快速增长。采用Hadoop Distributed File System（HDFS）［24］作为数据存储平台，可以满足上述需求。HDFS 是大数据环境专用的分布式文件系统，它通过在多个计算节点上分布式存储数据块来管理大型文件，从而提供了存储的可靠性，且HDFS的设计支持高效的数据访问模式，能够有效的处理大量多样化的数据。

将物联网设备采集的农业数据存储在HDFS 中，以确保数据的持久化。Spark 框架从HDFS读取数据进行分析和处理，实现数据的实时或批量分析。通过HDFS 的高容错和高可用性特性，即使在某些节点发生故障时，数据平台也能保证数据不丢失且服务不中断。随着数据量的增加，HDFS 可以轻松扩展到更多的节点上，以支持更大规模的数据存储和处理需求。通过将HDFS 与Spark 结合，设施智慧农场大数据平台能够有效地处理和分析大规模农业数据，推动设施智慧农场的发展。

2 设施智慧农场大数据平台设计

2.1 设施智慧农场大数据平台架构

设施智慧农场大数据平台信息化系统架构由基础设施层、数据层、服务层、应用层、终端和用户6 个不同的层次构成，总体架构图如图2 所示。基础设施层是硬件设施和网络资源，是支撑整个系统运行的物理基础，主要包括通信设施、数据中心基础设施、物联网感知设备和农业基础设施。数据层，负责数据库建设、数据综合管理以及基础功能支持业务，存放着系统的数据资源，包括各类数据库和数据仓库；利用Spark SQL来管理和查询存储在HDFS 的大规模数据。服务层，为应用层提供后端服务，包括API 接口和业务逻辑处理接口；通过MLlib 开发机器学习模型，并利用Spark Streaming 来处理实时数据流。应用层针对不同用户集成了各种应用程序和服务以满足特定的业务需求，通过调用服务层的API，获取Spark 处理和分析的数据。用户接口层，提供给最终用户使用的接口，如移动应用和PC端网页，针对不同用户在平台上相应的服务。通过这样的分层架构，系统既能够确保每一层都能独立地扩展，又保证了不同层之间的高效协同工作，以适应不断变化的业务需求。

2.2 设施智慧农场大数据平台主要功能

2.2.1 设施温室专用物联网系统 构建设施温室物联网系统，实时、准确获取环境信息并进行数据传输，是实现设施农场大数据平台的前提和保障。为实现设施温室的智能化管理，利用物联网“六域”模型，构建“神农物联”系列物联网系统。物联网“六域”模型如图3所示。

用户域专注于挖掘用户需求，识别用户间的相互关系和需求界限。目标对象域包括用户获取信息的感知对象和操控的控制对象，通过通信接口的方式进行关联，实现物理世界与虚拟世界的接口绑定。感知控制域涵盖了用于信息采集和对象操作的软硬件系统，实现本地化感知和操控，并提供远程管理和服务接口。服务提供域构成了物联网的基础和业务服务框架，处理和协同管理感知数据、控制数据及服务数据，提供全面的物理对象感知和操控服务。运维管控域确保物联网系统的安全运行、高效性能，监管系统中的设备和实体行为。资源交换域支持物联网系统与外界系统间的信息资源共享及服务管理，确保资源的有效利用和流通。通过各域共同协作，实现对物理对象的智能化管理。

“神农物联”系列物联网系统，主要由感知模块、传输模块、智能作业模块及感知终端四个核心部分组成。设施温室物联网系统核心模块结构如图4所示。

其中感知模块采用高精度传感器来监测环境数据，采用设施温室传感器布设方法［25］确保数据的全面性和准确性，并整合了高分辨率视频系统，对作物的生长状态进行实时监控，及时发现作物的病虫害和生长异常情况，同时，在农机和其他设施装备上部署专用传感器，实时跟踪其运行状态。传输模块利用5G/4G、有线网络及Wi-Fi 等多种方式，根据温室的位置和规模选择最合适的网络连接方式，确保数据传输的实时性和高效性。智能作业模块通过优化任务分配、调度和执行过程，实现设施温室设备之间的协同作业及智能作业。物联网终端实现对各模块的协调工作与交互，是设施温室物联网系统的核心。现场布设图如图5所示。