孫治貴，王元?jiǎng)?，?祿，郭 旺

?

北方設(shè)施農(nóng)業(yè)氣象災(zāi)害監(jiān)測(cè)預(yù)警智能服務(wù)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

孫治貴1，王元?jiǎng)?※，張 祿3，郭 旺2

（1. 天津海洋中心氣象臺(tái)，天津 300074；2. 北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097； 3. 天津市津南區(qū)氣象局，天津 300050）

該文針對(duì)設(shè)施農(nóng)業(yè)種養(yǎng)殖企業(yè)用戶的設(shè)施農(nóng)業(yè)氣象災(zāi)害直通式服務(wù)需求，運(yùn)用云計(jì)算、物聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)等信息化技術(shù)，基于JavaEE技術(shù)框架、SOA（service oriented architecture）云服務(wù)技術(shù)，通過多重因素關(guān)聯(lián)規(guī)則學(xué)習(xí)方法，構(gòu)建基于互聯(lián)網(wǎng)氣象數(shù)據(jù)、設(shè)施農(nóng)業(yè)小氣候環(huán)境數(shù)據(jù)及作物生育期等多重因素的設(shè)施農(nóng)業(yè)氣象災(zāi)害預(yù)警和生產(chǎn)管理專家知識(shí)規(guī)則，依托氣象部門一體化智能網(wǎng)格氣象預(yù)報(bào)預(yù)警平臺(tái)和未來3～7 d的精細(xì)化氣象要素預(yù)報(bào)，開發(fā)基于互聯(lián)網(wǎng)數(shù)據(jù)挖掘和專家知識(shí)決策技術(shù)的設(shè)施農(nóng)業(yè)氣象災(zāi)害監(jiān)測(cè)預(yù)警及智能決策推送服務(wù)系統(tǒng)，對(duì)寒潮、大風(fēng)、低溫寡照、暴雪等北方主要設(shè)施農(nóng)業(yè)氣象災(zāi)害進(jìn)行早期預(yù)警提醒，系統(tǒng)于2017年秋冬季在天津津南區(qū)部分農(nóng)業(yè)園區(qū)推廣應(yīng)用，基于移動(dòng)互聯(lián)網(wǎng)通過智能手機(jī)APP對(duì)5次強(qiáng)冷空氣過程提前3～5 d自動(dòng)研判并實(shí)時(shí)推送設(shè)施農(nóng)業(yè)生產(chǎn)管理決策和防災(zāi)減災(zāi)提醒建議，便于生產(chǎn)管理者及時(shí)關(guān)注天氣變化和提前采取生產(chǎn)管理措施，避免重大災(zāi)害損失，探索應(yīng)用互聯(lián)網(wǎng)、云技術(shù)、大數(shù)據(jù)挖掘等信息手段開展氣象災(zāi)害早期預(yù)警，為研究滿足設(shè)施農(nóng)業(yè)互動(dòng)式、個(gè)性化、智能化和專業(yè)化氣象信息服務(wù)和推動(dòng)農(nóng)業(yè)現(xiàn)代化和現(xiàn)代農(nóng)業(yè)發(fā)展提供借鑒。

監(jiān)測(cè)；預(yù)警系統(tǒng)；設(shè)施農(nóng)業(yè)；專家決策；氣象災(zāi)害；數(shù)據(jù)挖掘；信息技術(shù)

0 引 言

近年來，隨著社會(huì)經(jīng)濟(jì)和科學(xué)技術(shù)的不斷發(fā)展，人們對(duì)冬季“菜籃子”工程的需求日益增大，具有高效益的設(shè)施農(nóng)業(yè)已經(jīng)成為北方農(nóng)業(yè)生產(chǎn)的重要組成部分。秋冬季節(jié)是中國北方設(shè)施農(nóng)業(yè)進(jìn)行反季節(jié)蔬菜生產(chǎn)的主要時(shí)段，但目前北方大多數(shù)溫室結(jié)構(gòu)及設(shè)備相對(duì)簡(jiǎn)陋，且該季節(jié)大風(fēng)、寒潮、暴雪、低溫寡照等災(zāi)害性天氣頻發(fā)，對(duì)設(shè)施農(nóng)業(yè)生產(chǎn)有著較大影響。近年來受霧、霾等天氣現(xiàn)象增多的影響，秋冬季節(jié)日照時(shí)數(shù)明顯減少，低溫寡照已成為影響北方設(shè)施農(nóng)業(yè)生產(chǎn)最嚴(yán)重氣象災(zāi)害[1]。氣象災(zāi)害發(fā)生后如果防御措施不當(dāng)或不及時(shí)，將會(huì)對(duì)設(shè)施作物產(chǎn)量和品質(zhì)造成較大影響。因此，在中國北方地區(qū)設(shè)施農(nóng)業(yè)生產(chǎn)中，及時(shí)做好設(shè)施農(nóng)業(yè)安全生產(chǎn)和氣象災(zāi)害防御服務(wù)變得尤為重要。

目前，國內(nèi)外專家學(xué)者針對(duì)設(shè)施農(nóng)業(yè)氣象災(zāi)害指標(biāo)、作物致災(zāi)機(jī)理以及針對(duì)不同作物的災(zāi)害風(fēng)險(xiǎn)影響評(píng)價(jià)等進(jìn)行了大量研究，高浩等[2]總結(jié)了中國設(shè)施農(nóng)業(yè)氣象業(yè)務(wù)服務(wù)現(xiàn)狀，結(jié)合設(shè)施農(nóng)業(yè)氣象監(jiān)測(cè)預(yù)警服務(wù)網(wǎng)絡(luò)體系建設(shè)和增強(qiáng)設(shè)施農(nóng)業(yè)防災(zāi)減災(zāi)能力提出了對(duì)策。魏瑞江等[3]、趙子征等[4]、賀延梅等[5]、李寧等[6]、楊小利等[7]圍繞北方日光溫室氣候區(qū)劃對(duì)設(shè)施農(nóng)業(yè)的氣候適應(yīng)性和氣象災(zāi)害影響因子等指標(biāo)進(jìn)行了研究。黎貞發(fā)等[8]嘗試?yán)梦锫?lián)網(wǎng)技術(shù)集成開發(fā)集小氣候?qū)崟r(shí)監(jiān)測(cè)、低溫災(zāi)害預(yù)警、自動(dòng)化控制等低溫災(zāi)害監(jiān)測(cè)預(yù)警系統(tǒng)。而基于天氣實(shí)況和氣象部門未來天氣趨勢(shì)預(yù)報(bào)進(jìn)行設(shè)施農(nóng)業(yè)氣象災(zāi)害及時(shí)預(yù)警尚待解決，解決問題的關(guān)鍵在于構(gòu)建機(jī)理性的設(shè)施作物氣象災(zāi)害預(yù)警模型[9]。另外，基于氣象部門傳統(tǒng)天氣預(yù)報(bào)開展設(shè)施農(nóng)業(yè)生產(chǎn)決策氣象服務(wù)已經(jīng)不能滿足設(shè)施農(nóng)業(yè)生產(chǎn)的精細(xì)化和個(gè)性化服務(wù)需求，基于互聯(lián)網(wǎng)數(shù)據(jù)挖掘和專家知識(shí)決策系統(tǒng)等人工智能手段在設(shè)施農(nóng)業(yè)氣象災(zāi)害預(yù)警和智能服務(wù)中的應(yīng)用尚不多見，主要原因體現(xiàn)在：1）缺少基于農(nóng)作物生育期指標(biāo)、小氣候?qū)崟r(shí)觀測(cè)數(shù)據(jù)、作物及時(shí)種植管理以及天氣預(yù)報(bào)預(yù)測(cè)等多數(shù)據(jù)因素關(guān)聯(lián)的專家知識(shí)規(guī)則和智能推理機(jī)制；2）現(xiàn)有的設(shè)施農(nóng)業(yè)氣象災(zāi)害預(yù)警服務(wù)以共性的公共服務(wù)為主，缺少滿足設(shè)施農(nóng)業(yè)作物種植個(gè)性化和不同作物生育期針對(duì)性需求的互動(dòng)式智能生產(chǎn)管理決策服務(wù)平臺(tái)。

本文旨在闡述運(yùn)用信息化技術(shù)，特別是云計(jì)算、物聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)技術(shù)，結(jié)合大風(fēng)、寒潮、暴雪、寡照4種北方主要設(shè)施農(nóng)業(yè)氣象災(zāi)害防御需求，以黃瓜為例，通過多重因素關(guān)聯(lián)規(guī)則學(xué)習(xí)方法，挖掘互聯(lián)網(wǎng)氣象數(shù)據(jù)、設(shè)施農(nóng)業(yè)小氣候環(huán)境數(shù)據(jù)及作物生育期之間的關(guān)聯(lián)知識(shí)表達(dá)模型，構(gòu)建設(shè)施農(nóng)業(yè)氣象災(zāi)害預(yù)警和生產(chǎn)管理智能服務(wù)專家知識(shí)規(guī)則，構(gòu)建設(shè)施農(nóng)業(yè)作物生長(zhǎng)適宜性環(huán)境數(shù)據(jù)庫，研發(fā)專家知識(shí)規(guī)則庫構(gòu)建平臺(tái)，建立設(shè)施農(nóng)業(yè)氣象災(zāi)害監(jiān)測(cè)預(yù)警大數(shù)據(jù)中心，依托氣象部門一體化智能網(wǎng)格氣象預(yù)報(bào)預(yù)警平臺(tái)，建立設(shè)施農(nóng)業(yè)氣象災(zāi)害預(yù)警和智能服務(wù)推送系統(tǒng)，面向農(nóng)業(yè)園區(qū)和農(nóng)業(yè)種養(yǎng)大戶提供互動(dòng)式、個(gè)性化、智能化直通式氣象信息服務(wù)。

1 中國北方設(shè)施農(nóng)業(yè)主要?dú)庀鬄?zāi)害

中國北方地區(qū)廣義上是指秦嶺淮河以北地區(qū)，包括東北、華北、西北和內(nèi)蒙古自治區(qū)，面積約占國土總面積的五分之一，屬于溫帶季風(fēng)氣候和溫帶大陸性氣候，四季分明，雨熱同期。冬季寒冷干燥，夏季高溫多雨。對(duì)農(nóng)業(yè)生產(chǎn)影響較大的氣象災(zāi)害有干旱、洪澇、低溫寡照、寒潮凍害、大風(fēng)、干熱風(fēng)、暴雪等，而影響中國北方秋冬季節(jié)設(shè)施農(nóng)業(yè)生產(chǎn)的災(zāi)害主要包括大風(fēng)、寒潮、暴雪和寡照。

1.1 大 風(fēng)

大風(fēng)是因?yàn)闅鈮禾荻炔疃纬傻目焖倭鲃?dòng)空氣，產(chǎn)生大風(fēng)的天氣系統(tǒng)很多，如冷鋒、雷暴、颮線和氣旋等。中國氣象觀測(cè)業(yè)務(wù)中規(guī)定瞬時(shí)風(fēng)速達(dá)到或超過8級(jí)（平均風(fēng)速17.2～20.7 m/s）時(shí)稱為大風(fēng)[10-11]，天氣預(yù)報(bào)業(yè)務(wù)規(guī)范中規(guī)定平均風(fēng)速大于等于6級(jí)（10.8～13.8 m/s）時(shí)為大風(fēng)[12]，危害性極強(qiáng)。本系統(tǒng)主要是基于未來天氣預(yù)報(bào)進(jìn)行實(shí)時(shí)預(yù)警，故選用天氣預(yù)報(bào)業(yè)務(wù)規(guī)范標(biāo)準(zhǔn)。大風(fēng)災(zāi)害對(duì)溫室大棚等設(shè)施農(nóng)業(yè)的直接危害是卷走草簾，刮飛、刮破棚膜，損壞大棚基礎(chǔ)結(jié)構(gòu)設(shè)施，降低或破壞大棚保溫性能，進(jìn)而使作物遭受強(qiáng)風(fēng)、低溫凍害，造成作物減產(chǎn)或絕產(chǎn)。

1.2 寒 潮

寒潮是指中國北方強(qiáng)冷空氣大規(guī)模地向南推進(jìn)所造成的大范圍內(nèi)急劇降溫和產(chǎn)生偏北大風(fēng)的劇烈天氣過程[13]。根據(jù)冷空氣等級(jí)標(biāo)準(zhǔn)：日最低氣溫24 h內(nèi)降溫幅度大于或等于8 ℃，或48 h內(nèi)降溫幅度大于或等于10 ℃，或72 h內(nèi)降溫幅度大于或等于12 ℃，而且使該地日最低氣溫下降到4 ℃以下的冷空氣[14]。寒潮天氣的主要特點(diǎn)是劇烈降溫和大風(fēng)，有時(shí)還伴有雨、雪或霜凍的天氣，如不及時(shí)防御，容易對(duì)設(shè)施農(nóng)業(yè)容易造成綜合性災(zāi)害。

1.3 暴 雪

暴雪的出現(xiàn)往往伴隨大風(fēng)、降溫等天氣，給交通和冬季農(nóng)業(yè)生產(chǎn)帶來影響。天氣預(yù)報(bào)業(yè)務(wù)規(guī)范中規(guī)定12 h降雪量(融化成水)≥6 mm或24 h降雪量(融化成水)≥10 mm稱為暴雪[15]。暴雪容易導(dǎo)致棚頂積雪過厚，造成大棚坍塌。

1.4 寡 照

寡照即缺少陽光照射，主要指陰雨天、霧霾天導(dǎo)致太陽光到達(dá)地面很少或沒有，常見表述有多雨寡照、低溫寡照、陰雨寡照等，是對(duì)冬季設(shè)施農(nóng)業(yè)生產(chǎn)產(chǎn)生影響較大的災(zāi)害之一[16]。秋冬季寡照持續(xù)時(shí)間如果超過3d，將容易造成大棚內(nèi)光照嚴(yán)重不足，濕度增加，溫度降低，作物生理活性受限，導(dǎo)致蔬菜生長(zhǎng)緩慢甚至爛根爛苗[16-18]。

2 關(guān)聯(lián)規(guī)則和專家系統(tǒng)

設(shè)施農(nóng)業(yè)氣象災(zāi)害監(jiān)測(cè)預(yù)警智能服務(wù)系統(tǒng)的支撐基礎(chǔ)是氣象與農(nóng)業(yè)知識(shí)相結(jié)合的知識(shí)規(guī)則，這些規(guī)則的整理可以從理論和實(shí)踐2個(gè)方向著手，將知識(shí)規(guī)則信息化應(yīng)用主要技術(shù)涉及關(guān)聯(lián)規(guī)則和專家系統(tǒng)。

2.1 關(guān)聯(lián)規(guī)則定義

關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘的重要手段，主要是從集合中挖掘出滿足支持度和置信度最低閾值要求的所有關(guān)聯(lián)規(guī)則。假定=1,2,3,4,5,6,…,i,I稱作項(xiàng)目集合，每位顧客一次購買的商品集合t稱為一個(gè)事務(wù)，所有的事務(wù)1,2,…,7,…,t稱作事務(wù)集合，并且滿足t是的真子集。一條關(guān)聯(lián)規(guī)則是形如下面的蘊(yùn)含式[4]。

→滿足：、是的真子集，并且和的交集為空集。其支持度、置信度計(jì)算公式如下

support=(,).count.count （1）

confidence =(,).count/.count （2）

式中support-支持度；前件，-后件；confidence-置信度；().count-和同時(shí)出現(xiàn)的事務(wù)數(shù)，.count-事務(wù)總數(shù)；.count-出現(xiàn)的事務(wù)數(shù)。

滿足關(guān)聯(lián)規(guī)則的閾值minsup（最小支持度）和minconf（最小置信度）由用戶指定，要想找出滿足條件的關(guān)聯(lián)規(guī)則，首先必須找出這樣的集合=U，它滿足.count/.count≥minsup，其中.count是中包含的事務(wù)的個(gè)數(shù)，然后再從中找出這樣的蘊(yùn)含式—>，它滿足().count/.count≥minconf，并且=-。則稱像這樣的集合稱為頻繁項(xiàng)目集，假如中的元素個(gè)數(shù)為，稱這樣的頻繁項(xiàng)目集為-頻繁項(xiàng)目集，它是項(xiàng)目集合的子集。所以關(guān)聯(lián)規(guī)則挖掘可以大致分為從事務(wù)集合中找出頻繁項(xiàng)目集和從頻繁項(xiàng)目集合中生成滿足最低置信度的關(guān)聯(lián)規(guī)則2步[19-22]。

通過支持度（support）、置信度（confidence）等指標(biāo)來解釋挖掘有價(jià)值的規(guī)則是關(guān)聯(lián)分析的核心，最有影響的關(guān)聯(lián)規(guī)則挖掘算法是Apriori算法[23]，它主要利用了向下封閉屬性：如果一個(gè)項(xiàng)集是頻繁項(xiàng)目集，那么它的非空子集必定是頻繁項(xiàng)目集。它先生成1-頻繁項(xiàng)目集，再利用1-頻繁項(xiàng)目集生成2-頻繁項(xiàng)目集，然后根據(jù)2-頻繁項(xiàng)目集生成3-頻繁項(xiàng)目集，……依次類推，直至生成所有的頻繁項(xiàng)目集，然后從頻繁項(xiàng)目集中找出符合條件的關(guān)聯(lián)規(guī)則。

在本文中，關(guān)聯(lián)分析主要有2個(gè)目的：一個(gè)是用關(guān)聯(lián)分析挖掘主要因子，輔助規(guī)則的整理；另一個(gè)是用于措施的整理及以后規(guī)則及措施優(yōu)化，即對(duì)規(guī)則條件、措施和農(nóng)作物的長(zhǎng)勢(shì)情況進(jìn)行關(guān)聯(lián)分析，積累挖掘更優(yōu)的應(yīng)對(duì)措施，為生產(chǎn)管理提供更加智能的服務(wù)。

2.2 專家系統(tǒng)

專家系統(tǒng)屬于人工智能技術(shù)范疇，是一類具有專門知識(shí)規(guī)則和經(jīng)驗(yàn)推理的計(jì)算機(jī)智能程序系統(tǒng)，通過對(duì)專家知識(shí)問題求解能力的建模，采用人工智能中的知識(shí)表示和知識(shí)推理技術(shù)來模擬通常由專家才能解決的復(fù)雜問題，達(dá)到具有與專家同等解決問題能力的水平。這種基于知識(shí)的系統(tǒng)設(shè)計(jì)方法是以知識(shí)庫和推理機(jī)為中心而展開的，即：專家系統(tǒng)=知識(shí)庫+推理機(jī)[24-26]。

3 設(shè)施農(nóng)業(yè)氣象災(zāi)害智能預(yù)警服務(wù)系統(tǒng)設(shè)計(jì)

氣象災(zāi)害預(yù)警工作中，時(shí)效性至關(guān)重要。傳統(tǒng)的基于瀏覽器/服務(wù)器（B/S）架構(gòu)的氣象預(yù)警發(fā)布系統(tǒng)手段時(shí)效性差，隨著移動(dòng)互聯(lián)網(wǎng)技術(shù)的發(fā)展，基于智能手機(jī)，采用第三方平臺(tái)推送解決方案。構(gòu)建基于客戶端/服務(wù)器（C/S）架構(gòu)模式的實(shí)時(shí)預(yù)警信息推送系統(tǒng)，同時(shí)利用移動(dòng)GIS技術(shù)動(dòng)態(tài)地采集用戶的位置,實(shí)現(xiàn)氣象災(zāi)害預(yù)警與地理位置因素密切相關(guān)，將用戶所處區(qū)域氣象災(zāi)害預(yù)警提醒推送給用戶，實(shí)現(xiàn)氣象預(yù)警的自動(dòng)化和智能化[27-28]。

本文面向設(shè)施農(nóng)業(yè)氣象災(zāi)害自動(dòng)監(jiān)測(cè)預(yù)警和智能服務(wù)數(shù)據(jù)采集、存儲(chǔ)需求，采用互聯(lián)網(wǎng)、物聯(lián)網(wǎng)和專家知識(shí)庫數(shù)據(jù)源，基于Web Service云服務(wù)總線，兼顧設(shè)備數(shù)據(jù)接入和氣象信息服務(wù)推送性能要求，設(shè)計(jì)具有數(shù)據(jù)匯聚、海量數(shù)據(jù)管理、大數(shù)據(jù)服務(wù)功能的設(shè)施農(nóng)業(yè)氣象災(zāi)害預(yù)警服務(wù)云存儲(chǔ)技術(shù)總體框架，部署可與設(shè)施農(nóng)業(yè)氣象智能服務(wù)模型相耦合、數(shù)據(jù)存儲(chǔ)具有自動(dòng)擴(kuò)展、數(shù)據(jù)容量不受節(jié)點(diǎn)限制的云存儲(chǔ)系統(tǒng)，研發(fā)相應(yīng)的云服務(wù)中間件，提供大數(shù)據(jù)存取與服務(wù)調(diào)度功能（圖1）。

圖1 設(shè)施農(nóng)業(yè)氣象災(zāi)害智能預(yù)警系統(tǒng)設(shè)計(jì)框架圖

3.1 多重因素關(guān)聯(lián)的作物生長(zhǎng)知識(shí)規(guī)則構(gòu)建

北方設(shè)施農(nóng)業(yè)多以種植效益較高的果菜為主，系統(tǒng)服務(wù)器端后臺(tái)處理系統(tǒng)專家知識(shí)規(guī)則中主要考慮包括黃瓜、番茄、草莓等作物各生育期指標(biāo)。天津作為全國黃瓜育種的主產(chǎn)地，秋冬季反季節(jié)蔬菜生產(chǎn)中以種植黃瓜較為普遍，本文選取以黃瓜為例，介紹多因素關(guān)聯(lián)作物生長(zhǎng)知識(shí)規(guī)則構(gòu)建過程。

首先，根據(jù)溫室實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)、作物長(zhǎng)勢(shì)等觀測(cè)資料，綜合運(yùn)用關(guān)聯(lián)分析和專家知識(shí)，優(yōu)先整理生產(chǎn)中迫切需要的作物生長(zhǎng)適宜性（適宜/不適應(yīng)）環(huán)境信息源，主要包含作物在不同生育期內(nèi)適宜土壤溫濕度、含水率、棚內(nèi)空氣溫濕度、棚外空氣溫濕度等指標(biāo)（表1）。

表1 作物生長(zhǎng)氣象適宜性知識(shí)規(guī)則（黃瓜為例）

其次，通過對(duì)多年來冬季開展的設(shè)施農(nóng)業(yè)種植黃瓜試驗(yàn)所實(shí)時(shí)采集的氣象、環(huán)境、作物生產(chǎn)數(shù)據(jù)進(jìn)行對(duì)比分析，構(gòu)建包含每個(gè)作物各生育期的知識(shí)規(guī)則、作物適宜性（適宜/不適宜）設(shè)施環(huán)境規(guī)則、氣象環(huán)境規(guī)則的知識(shí)庫，建立包括作物(crop)、生育期（growth period）、適宜性規(guī)則（suitablility rules）和不適宜性規(guī)則 (not appropriate rules)等內(nèi)容的數(shù)據(jù)模型（圖2），實(shí)現(xiàn)對(duì)預(yù)警規(guī)則的修改、刪除和更新，并對(duì)知識(shí)庫完整性和一致性進(jìn)行維護(hù)。

3.2 設(shè)施農(nóng)業(yè)氣象災(zāi)害監(jiān)測(cè)大數(shù)據(jù)存儲(chǔ)服務(wù)

設(shè)施農(nóng)業(yè)氣象物聯(lián)網(wǎng)監(jiān)測(cè)數(shù)據(jù)具有高頻率并發(fā)、持續(xù)增長(zhǎng)特性，在存儲(chǔ)和調(diào)度方面對(duì)數(shù)據(jù)服務(wù)器造成的壓力較傳統(tǒng)方式大，因此本文選用Oracle Nosql構(gòu)建云存儲(chǔ)系統(tǒng)，解決服務(wù)器應(yīng)對(duì)高頻率數(shù)據(jù)并發(fā)存取瓶頸[29-30]。

圖2 溫室作物生長(zhǎng)氣象適宜性知識(shí)規(guī)則數(shù)據(jù)模型

3.3 多模型耦合的設(shè)施農(nóng)業(yè)氣象災(zāi)害預(yù)警協(xié)同智能決策

構(gòu)建作物生育期指標(biāo)、氣象災(zāi)害預(yù)警閾值參數(shù)、設(shè)施環(huán)境適宜性參數(shù)組成的多模型專家知識(shí)決策樹，調(diào)用信息服務(wù)與相應(yīng)知識(shí)模塊，構(gòu)建設(shè)施農(nóng)業(yè)氣象災(zāi)害預(yù)警智能服務(wù)推理決策模型，如大風(fēng)決策模型、低溫凍害決策模型、生產(chǎn)管理建議決策模型等，從知識(shí)庫中選取相關(guān)的作物生長(zhǎng)知識(shí)，按照一定的推理策略進(jìn)行推理，直到得出相對(duì)應(yīng)的氣象災(zāi)害預(yù)警類別和等級(jí)，并提出設(shè)施農(nóng)業(yè)生產(chǎn)管理和災(zāi)害防御建議進(jìn)行智能推送。

3.4 專家知識(shí)規(guī)則表示

專家知識(shí)規(guī)則庫是智能專家決策推理的基礎(chǔ)，知識(shí)規(guī)則的合理性和豐富程度決定了專家推理結(jié)果的可信度和可行性。冷空氣是導(dǎo)致大風(fēng)、寒潮、暴雪、寡照等災(zāi)害的主要因子，因此將冷空氣的等級(jí)標(biāo)準(zhǔn)作為本系統(tǒng)未來天氣趨勢(shì)和災(zāi)害預(yù)判專家規(guī)則的主要指標(biāo)。氣象部門日常的天氣預(yù)報(bào)指標(biāo)中主要包括最高氣溫（max）、最低氣溫（min）、天氣現(xiàn)象（）、風(fēng)向（d）、風(fēng)力（s）。日最低氣溫（min）降溫幅度為判別冷空氣強(qiáng)弱和寒潮的主要指標(biāo)因子，風(fēng)力（s）作為大風(fēng)的判定標(biāo)準(zhǔn)，一般6級(jí)以上定義為大風(fēng)標(biāo)準(zhǔn)，天氣現(xiàn)象作為判定寡照和暴雪的主要因子，一般連續(xù)3 d或以上出現(xiàn)陰天則判定為寡照災(zāi)害。冷空氣根據(jù)強(qiáng)弱程度，中國將冷空氣分為5個(gè)等級(jí)：弱冷空氣、中等強(qiáng)度冷空氣、較強(qiáng)冷空氣、強(qiáng)冷空氣和寒潮[14]。具體標(biāo)準(zhǔn)如表2所示。

表2 氣象知識(shí)規(guī)則

以冷空氣為例，專家決策關(guān)聯(lián)規(guī)則簡(jiǎn)單表示如下：

1）IF“日最低氣溫”48 h波動(dòng)<6 ℃，當(dāng)前“溫室代碼”+室內(nèi)氣溫為“空氣溫度”，“作物名稱”正值“生育期”，未來7 d氣溫波動(dòng)不大，建議適時(shí)加強(qiáng)水肥管理。

|min(i)–min(j)|<6，20,1,2,3,4,5

2）IF“日最低氣溫”48 h波動(dòng)≥6 ℃且<8 ℃，當(dāng)前“溫室代碼”+室內(nèi)氣溫為“空氣溫度”，“作物名稱”正值“生育期”，未來7 d有中度強(qiáng)冷空氣影響，建議關(guān)注天氣變化，注意適時(shí)蓋膜，提前采取加溫措施，防止作物受凍。

6≤|min(i)–min(j)|<8，20,1,2,3,4,5

3）IF“日最低氣溫”48 h波動(dòng)≥8 ℃，且“日最低氣溫” ≥8℃，當(dāng)前“溫室代碼”+室內(nèi)氣溫為“空氣溫度”，“作物名稱”正值“生育期”，未來7 d有較強(qiáng)冷空氣影響，建議關(guān)注天氣變化，注意適時(shí)蓋膜，提前采取加溫措施，防止作物低溫凍害發(fā)生。

8≤|min(i)–min(j)| and |T(i)|≥8，20,1,2,3,4,5

4）IF“日最低氣溫”48 h波動(dòng)≥8 ℃且“日最低氣溫”≤8 ℃，當(dāng)前“溫室代碼”+室內(nèi)氣溫為“空氣溫度”，“作物名稱”正值“生育期”，未來7 d有強(qiáng)冷空氣影響，建議關(guān)注天氣變化，注意溫室加固。適時(shí)蓋膜，防范大風(fēng)降溫對(duì)溫室的不利影響。

8≤|min(i)–min(j)| and |T(i)|≤8，20,1,2,3,4,5

5）IF“日最低氣溫”24 h波動(dòng)≥8 ℃，或48 h內(nèi)波動(dòng)≥10 ℃，或72 h內(nèi)波動(dòng)≥12 ℃，而且“日最低氣溫”≤4 ℃，當(dāng)前“溫室代碼”+室內(nèi)氣溫為“空氣溫度”，“作物名稱”正值“生育期”，未來7 d有寒潮災(zāi)害影響，建議關(guān)注天氣變化，注意溫室加固。適時(shí)蓋膜，防范大風(fēng)、強(qiáng)降雪、低溫凍害對(duì)溫室及作物的不利影響，及時(shí)采取加溫、補(bǔ)光等生產(chǎn)措施。

8≤|min(i)–min(j)| and 10≤|min(i+1)–min(j)| and 12≤ |min(i+2)min(j)| and |min(j)|≤4，+10,1,2,3,4,5,6

當(dāng)同時(shí)滿足2種規(guī)則時(shí)，疊加顯示決策結(jié)論，如“日最低氣溫”波動(dòng)<6 ℃，且“天氣現(xiàn)象”等于“晴”或“多云”時(shí)，決策內(nèi)容為：當(dāng)前“溫室代碼”+室內(nèi)氣溫為“空氣溫度”，“作物名稱”正值“生育期”，未來7 d氣溫波動(dòng)不大，建議適時(shí)加強(qiáng)水肥管理。天氣以晴到多云為主，光照充足，建議去掉遮陽網(wǎng)或膜，增溫補(bǔ)光，加強(qiáng)水肥管理，加速作物生長(zhǎng)。

4 系統(tǒng)實(shí)現(xiàn)與結(jié)果分析

4.1 系統(tǒng)實(shí)現(xiàn)

基于上述設(shè)計(jì)，運(yùn)用JavaEE技術(shù)框架、SOA（service oriented architecture）云服務(wù)技術(shù)[29]，研發(fā)構(gòu)建氣象、作物等多重因素關(guān)聯(lián)的專家知識(shí)規(guī)則，依托氣象部門綜合氣象信息數(shù)據(jù)平臺(tái)（CIMISS：China Integrated Meteorological Information Service System）和精細(xì)化智能化網(wǎng)格數(shù)值天氣預(yù)報(bào)數(shù)據(jù)資源進(jìn)行數(shù)據(jù)挖掘，基于專家知識(shí)規(guī)則庫和輔助設(shè)施農(nóng)業(yè)園區(qū)的溫室小氣候觀測(cè)數(shù)據(jù)和設(shè)施農(nóng)業(yè)動(dòng)態(tài)種植農(nóng)情，構(gòu)建多模型耦合的設(shè)施農(nóng)業(yè)氣象災(zāi)害智能服務(wù)推理決策模型，建立具備推理診斷與決策服務(wù)功能的設(shè)施農(nóng)業(yè)氣象災(zāi)害智能推送服務(wù)系統(tǒng)，基于移動(dòng)互聯(lián)網(wǎng)技術(shù)通過智能手機(jī)APP或手機(jī)短信息為氣象部門業(yè)務(wù)服務(wù)、農(nóng)業(yè)園區(qū)管理、農(nóng)業(yè)專業(yè)用戶等提供設(shè)施農(nóng)業(yè)氣象災(zāi)害直通式災(zāi)害預(yù)警提醒服務(wù)。

4.2 結(jié)果分析

2017年在天津市津南區(qū)設(shè)施農(nóng)業(yè)種植園區(qū)以及氣象部門進(jìn)行推廣使用，農(nóng)業(yè)技術(shù)人員可通過設(shè)施農(nóng)業(yè)氣象災(zāi)害智能手機(jī)APP（圖3）實(shí)時(shí)獲取未來7 d寒潮、大風(fēng)、低溫寡照、暴雪等重要轉(zhuǎn)折性天氣和氣象災(zāi)害預(yù)警提醒和設(shè)施農(nóng)業(yè)生產(chǎn)管理決策和災(zāi)害防御建議，并及時(shí)關(guān)注天氣變化，根據(jù)設(shè)施農(nóng)業(yè)實(shí)時(shí)種植作物種類采取相應(yīng)的生產(chǎn)管理措施，提早做好氣象災(zāi)害防御，避免重大災(zāi)害損失。同時(shí)，通過在天津津南區(qū)設(shè)施農(nóng)業(yè)氣象災(zāi)害監(jiān)測(cè)預(yù)警服務(wù)中的應(yīng)用，對(duì)黃瓜（HG）、蕃茄（FQ）苗期（Mq）和花果期（Hgq）的2013~2016年試驗(yàn)溫室的氣溫觀測(cè)數(shù)據(jù)（T1～T5）和相應(yīng)低溫凍害記錄等數(shù)據(jù)進(jìn)行挖掘分析（表3、圖4）。

圖3 設(shè)施農(nóng)業(yè)氣象災(zāi)害預(yù)警智能決策服務(wù)APP界面

表3 設(shè)施作物生產(chǎn)氣象災(zāi)害觀察關(guān)聯(lián)分析結(jié)果

注：黃瓜（HG）、蕃茄（FQ）、苗期（Mq）和花果期（Hgq）；0~4 ℃（T1）、5~7 ℃（T2）、8~10 ℃（T3）、11~13 ℃（T4）、14~16 ℃（T5）；低溫冷害程度：無、輕、中、重。

Note: Cucumber(HG), Tomato(FQ), Seedling stage(Mq), Flower and fruit period(Hgq); T1(0-4 ℃), T2(5-7 ℃), T3(8-10 ℃), T4(11-13 ℃) and T5 (14-16 ℃); Degree of chilling damage: None, light, medium and heavy.

圖4 規(guī)則關(guān)聯(lián)分析效果

關(guān)聯(lián)分析中，規(guī)則的支持度（support）、置信度（confidence）和挺度值（lift）的高低代表了規(guī)則的強(qiáng)弱[31]，越強(qiáng)的關(guān)聯(lián)規(guī)則揭示出隱含在數(shù)據(jù)背后的規(guī)律性越明顯。表3是從關(guān)聯(lián)分析48條初步規(guī)則中篩選出的29條規(guī)則，其中規(guī)則1-5、9-16、20尤為明顯（圖4），結(jié)果表明溫度在T2（5～7 ℃）、T3（8～10 ℃）范圍時(shí)，無論是黃瓜還是番茄，都容易在苗期和花果期發(fā)生中度凍害；在溫度處于T1（0～4 ℃）區(qū)段時(shí)，容易發(fā)生重度凍害。分析結(jié)果得出：在關(guān)聯(lián)分析數(shù)據(jù)挖掘驅(qū)動(dòng)下，優(yōu)先整理直接對(duì)黃瓜、草莓、番茄、甜椒等作物造成較大影響的氣象災(zāi)害預(yù)警規(guī)則，通過專家知識(shí)規(guī)則的形式輸入到設(shè)施農(nóng)業(yè)氣象災(zāi)害預(yù)警智能決策服務(wù)系統(tǒng)中，由系統(tǒng)根據(jù)實(shí)時(shí)感知數(shù)據(jù)，向用戶推送防護(hù)措施，通過提高生產(chǎn)措施的針對(duì)性，實(shí)現(xiàn)降低風(fēng)險(xiǎn)和提質(zhì)增效目標(biāo)。2017年針對(duì)秋冬季的5次強(qiáng)冷空氣過程均提前3～5 d給出警示提醒，預(yù)警標(biāo)準(zhǔn)受天氣預(yù)報(bào)準(zhǔn)確率的影響，級(jí)別略有差異，但總體可以滿足提早提醒用戶對(duì)冷空氣過程關(guān)注的需要。隨著天氣預(yù)報(bào)準(zhǔn)確率的逐步提高和系統(tǒng)的不斷應(yīng)用以及專家知識(shí)規(guī)則的不斷豐富，基于地理位置的天氣預(yù)報(bào)趨勢(shì)和設(shè)施農(nóng)業(yè)實(shí)時(shí)種植農(nóng)情智能推理的農(nóng)業(yè)生產(chǎn)決策服務(wù)信息將為農(nóng)業(yè)生產(chǎn)和管理者提供更有針對(duì)性和有價(jià)值的農(nóng)業(yè)生產(chǎn)指導(dǎo)建議，趨利避害。

5 結(jié) 論

本文針對(duì)北方設(shè)施蔬菜面臨的災(zāi)害性天氣影響問題，提出了基于關(guān)聯(lián)分析和專家系統(tǒng)規(guī)則的整理方法，并用于設(shè)施農(nóng)業(yè)氣象災(zāi)害預(yù)警智能決策服務(wù)系統(tǒng)構(gòu)建和服務(wù)中，將未來7 d寒潮、大風(fēng)、低溫寡照、暴雪等重要轉(zhuǎn)折性天氣和氣象災(zāi)害預(yù)警提醒信息以及設(shè)施農(nóng)業(yè)生產(chǎn)管理決策建議通過智能手機(jī)APP實(shí)時(shí)推送給農(nóng)業(yè)技術(shù)人員，便于生產(chǎn)管理者關(guān)注天氣變化并及時(shí)根據(jù)設(shè)施農(nóng)業(yè)實(shí)時(shí)種植作物種類采取相應(yīng)的生產(chǎn)管理措施，提早做好氣象災(zāi)害防御準(zhǔn)備，避免重大災(zāi)害損失。結(jié)論如下：

1）基于關(guān)聯(lián)分析的數(shù)據(jù)挖掘技術(shù)，整理出黃瓜、草莓、番茄、甜椒等設(shè)施作物生產(chǎn)急需的氣象知識(shí)規(guī)則，為智能系統(tǒng)構(gòu)建提供支撐，有效地提高了智能服務(wù)與生產(chǎn)實(shí)際需求的融合度。

2）基于互聯(lián)網(wǎng)數(shù)據(jù)挖掘和專家決策系統(tǒng)，進(jìn)行設(shè)施農(nóng)業(yè)災(zāi)害監(jiān)測(cè)預(yù)警和智能信息服務(wù)，為生產(chǎn)實(shí)踐提供實(shí)時(shí)、個(gè)性化指導(dǎo)。

3）通過關(guān)聯(lián)規(guī)則將基于位置的天氣趨勢(shì)預(yù)報(bào)、溫室小氣候觀測(cè)數(shù)據(jù)以及溫室大棚作物動(dòng)態(tài)實(shí)時(shí)種植和作物各生育期指標(biāo)等進(jìn)行充分融合并進(jìn)行專家推理，開展氣象災(zāi)害的實(shí)時(shí)預(yù)警和生產(chǎn)管理智能決策服務(wù)。

該系統(tǒng)針對(duì)中國北方秋冬季大風(fēng)、寒潮、暴雪、低溫寡照等氣象災(zāi)害對(duì)設(shè)施農(nóng)業(yè)生產(chǎn)的影響，探索基于互聯(lián)網(wǎng)+、人工智能等信息技術(shù)在氣象為農(nóng)服務(wù)中應(yīng)用，提出系統(tǒng)平臺(tái)技術(shù)框架和解決方案，探索應(yīng)用互聯(lián)網(wǎng)、云技術(shù)、大數(shù)據(jù)挖掘等信息手段開展氣象災(zāi)害早期預(yù)警和信息服務(wù)，為研究滿足設(shè)施農(nóng)業(yè)個(gè)性化、智能化和專業(yè)化氣象服務(wù)和推動(dòng)農(nóng)業(yè)現(xiàn)代化和現(xiàn)代農(nóng)業(yè)發(fā)展提供借鑒。

[1] 李春，郭晶，薛慶禹，等. 天津近郊設(shè)施農(nóng)業(yè)氣候資源與氣象災(zāi)害變化特征[J]. 北方園藝，2015，39(6)：190－193. Li Chun, Guo Jing, Xue Qingyu, et al. Variation characteristics of facility agro-climatic resources and meteorological disaster in Tianjin suburb area[J]. Northern Horticulture, 2015, 39(6): 190－193. (in Chinese with English abstract)

[2] 高浩, 黎貞發(fā), 潘學(xué)標(biāo), 等. 中國設(shè)施農(nóng)業(yè)氣象業(yè)務(wù)服務(wù)現(xiàn)狀與對(duì)策[J]. 中國農(nóng)業(yè)氣象，2010，31(3)：402－406. Gao Hao, Li Zhenfa, Pan Xuebiao, et al. Situation and countermeasures to agro-meteorological services on controlled environment agriculture in china[J]. Chinese Journal of Agrometeorology, 2010, 31(3): 402－406. (in Chinese with English abstract)

[3] 魏瑞江，趙春雷. 基于GIS的河北果菜日光溫室最佳發(fā)展區(qū)域確定[J]. 中國農(nóng)業(yè)資源與區(qū)劃，2005，26(1)：35－38. Wei Ruijiang, Zhao Chunlei. Confirmation of most suitable area for developing fruit and vegetable solar green house in hebei province by using gis technology[J]. Journal of China Agricultural Resources and Regional Planning, 2005, 26(1): 35－38. (in Chinese with English abstract)

[4] 趙子征，彭高軍，辛本勝. 我國西北地區(qū)節(jié)能型日光溫室蔬菜生產(chǎn)氣候區(qū)劃[J]. 農(nóng)機(jī)化研究，2006(5)：87－90. Zhao Zizheng, Peng Gaojun, Xin Bensheng. The climatic regionalization for vegetable production in energy-saving solar greenhouse in northwest of China[J]. Journal of Agricultural Mechanization Research, 2006(5): 87－90. (in Chinese with English abstract)

[5] 賀延梅，李化龍，尚小寧，等. 日光溫室災(zāi)害性天氣及防御[J]. 陜西農(nóng)業(yè)科學(xué)，2008(6)：81－83.

[6] 李寧，申雙和，黎貞發(fā)，等. 基于主成分回歸的日光溫室內(nèi)低溫預(yù)測(cè)模型[J]. 中國農(nóng)業(yè)氣象，2013，34(3)：306－311. Li Ning, Shen Shuanghe, Li Zhenfa, et al. Forecast model of minimum temperature inside greenhouse based on principal component regression[J]. Chinese Journal of Agro- meteorology , 2013, 34(3): 306?311. (in Chinese with English abstract)

[7] 楊小利，周安寧. 高效節(jié)能日光溫室蔬菜生產(chǎn)氣候區(qū)劃[J]. 干旱氣象，1999，17(3)：40－41. Yang Xiaoli, Zhou Anning. The climatic demacration for high efficient heliogreenhouse vegetable production[J]. Journal of Arid Meteorology, 1999, 17(3): 40－41. (in Chinese with english abstract)

[8] 黎貞發(fā)，王鐵，宮志宏，等. 基于物聯(lián)網(wǎng)的日光溫室低溫災(zāi)害監(jiān)測(cè)預(yù)警技術(shù)及應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(4)：229－236. Li Zhenfa, Wang Tie, Gong Zhihong, et al. Forewarning technology and application for monitoring low temperature disaster in solar greenhouses based on internet of things[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(4): 229－236. (in Chinese with English abstract)

[9] 陳思寧，黎貞發(fā)，劉淑梅. 設(shè)施農(nóng)業(yè)氣象災(zāi)害研究綜述及研究方法展望[J]. 中國農(nóng)學(xué)通報(bào)，2014，30(20)：302－307. Chen Sining, Li Zhenfa, Liu Shumei. Review of facilities agriculture meteorological disasters and prospect of associated study methods[J]. Chinese Agricultural Science Bulletin, 2014, 30(20): 302－307. (in Chinese with English abstract)

[10] 中國氣象局，地面氣象觀測(cè)規(guī)范[M]. 北京：氣象出版社，2003.

[11] 地面氣象觀測(cè)規(guī)范：QX/T 51-2007[S].

[12] 重大氣象災(zāi)害應(yīng)急響應(yīng)啟動(dòng)等級(jí)：QX/T116-2010[S].

[13] 余文韜，吳振玲，何群英，等. 天津天氣預(yù)報(bào)手冊(cè)[M]. 北京：氣象出版社，2015.

[14] 冷空氣等級(jí)：GB/T20484-2006[S].

[15] 降雨量等級(jí)：GB/T28592-2012[S].

[16] 魏瑞江. 日光溫室低溫寡照災(zāi)害指標(biāo)[J]. 氣象科技，2003，31(1)：50－53. Wei Ruijiang. The disaster grades of low temperature and spare sunlight in greenhouse[J]. Meteorological Science and Technology, 2003. 31(1): 50－53. (in Chinese with English abstract)

[17] 胡俊峰. 應(yīng)對(duì)北方設(shè)施農(nóng)業(yè)災(zāi)害性天氣的防御措施[J]. 蔬菜，2017 (1)：72－73.

[18] 祝青林，王麗娜，徐梅，等. 大連冬季設(shè)施農(nóng)業(yè)氣象災(zāi)害風(fēng)險(xiǎn)及趨勢(shì)分析[J].中國農(nóng)學(xué)通報(bào)，2015，31(26)：235－240. Zhu Qinglin, Wang Lina, Xu Mei, et al. Trend analysis of meteorological disaster risk of facility agriculture of dalian in winter[J]. Chinese Agricultural Science Bulletin, 2015, 31(26): 235－240. (in Chinese with English abstract)

[19] 張宗郁，張亞平，張靜遠(yuǎn)，等. 改進(jìn)關(guān)聯(lián)規(guī)則算法在高校教學(xué)管理中的應(yīng)用[J]. 計(jì)算機(jī)工程，2012，1(38)：75－77. Zhang Zongyu, Zhang Yaping, Zhang Jingyuan, et al. Application of improved association rule algorithm in college teaching management[J]. Computer Engineering, 2012, 1(38): 75－77. (in Chinese with English abstract)

[20] 韓家瑋. 數(shù)據(jù)挖掘概念與技術(shù)[M]. 北京：機(jī)械工業(yè)出版社，2007.

[21] 秦亮曦，史忠植. 關(guān)聯(lián)規(guī)則研究綜述[J]. 廣西大學(xué)學(xué)報(bào)：自然科學(xué)版，2005，30(4)：310－317. Qin Liangxi, Shi Zhongzhi. A survey on the research of association rules[J]. Journal of Guangxi University: Natural Science Edition, 2005, 30(4): 310－317. (in Chinese with English abstract)

[22] 畢建欣，張岐山. 關(guān)聯(lián)規(guī)則挖掘算法綜述[J]. 中國工程科學(xué)，2005(7)：88－94. Bi Jianxin, Zhang Qishan. Survey of the algorithms on association rule mining[J]. Engineering Science, 2005(7): 88－94. (in Chinese with English abstract)

[23] 朱慶，恰汗·合孜爾. 一種改進(jìn)的Apriori算法[J]. 計(jì)算機(jī)與數(shù)字工程，2010，38(4)：30－32. Zhu Qing, Qiahan·Hezier. An improved apriori algorithm[J]. Computer & Digital Engineering, 2010, 38(4): 30－32. (in Chinese with English abstract)

[24] 敖志剛.人工智能及專家系統(tǒng)[M]. 北京：機(jī)械工業(yè)出版社，2010.

[25] 史忠植.高級(jí)人工智能(第二版)[M]. 北京：科學(xué)出版社，2006.

[26] 孫想，馮臣，吳華瑞. 基于語義Web的農(nóng)業(yè)生產(chǎn)知識(shí)集成技術(shù)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008, 24(2)：186－190. Sun Xiang, Feng Chen, Wu Huarui. Technology of agricultural production knowledge integration based on semantic web[J]. Transactions of the Chinese Society of Agricultural Engineering（Transactions of the CSAE）, 2008, 24(2): 186－190. (in Chinese with English abstract)

[27] 劉文，杜景林. 基于LBS的氣象預(yù)警Android平臺(tái)設(shè)計(jì)[J].湖北農(nóng)業(yè)科學(xué)，2013(24)：6161－6165. Liu Wen, Du Jinglin. Design of meteorological warning based on LBS using android platform[J]. Hubei Agricultural Sciences, 2013(24): 6161－6165. (in Chinese with English abstract)

[28] 張艮龍，尹蓉. 設(shè)施農(nóng)業(yè)遠(yuǎn)程監(jiān)控與智能決策支持系統(tǒng)的研究[J].山西電子技術(shù)，2017，5：80－83.

Zhang Genlong, Yin Rong. Study on remote monitoring and intelligent decision support system for facility agriculture[J]. Shanxi Electronic Technology, 2017, 5: 80－83. (in Chinese with English abstract)

[29] Wang Yuansheng, Wu Huarui, Luo Lei, et al. Research on cloud storage technologies of typical crop growth environment monitoring data[J]. Computer Modelling &New Technologies，2014, 16(2): 13－22.

[30] 王元?jiǎng)?，李瑜玲，吳華瑞，等. 農(nóng)業(yè)園區(qū)全景GIS 數(shù)字化系統(tǒng)設(shè)計(jì)與應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(11)：143－149. Wang Yuansheng, Li Yuling, Wu Huarui, et al. Design and application of digital system for agricultural park based on panorama GIS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(11): 143－149. (in Chinese with English abstract)

[31] 劉藝，張海濤，劉奇燕，等. 基于分解數(shù)據(jù)庫的FP-growth 算法關(guān)聯(lián)規(guī)則研究[J]. 計(jì)算機(jī)與數(shù)字工程，2018，46(7)：1306－1310，1416. Liu Yi, Zhang Haitao, Liu Qiyan, et al. Research on association rules of FP-growth algorithm based on decomposition database[J]. Computer & Digital Engineering, 2018, 46(7): 1306－1310,1416.(in Chinese with English abstract )

Design and realization of intelligent service system for monitoring and warning of meteorological disasters in facility agriculture in North China

Sun Zhigui1, Wang Yuansheng2※, Zhang Lu3, Guo Wang2

(1.300074,; 2.100097,;3.300050,)

In recent years, facility agriculture that features high-efficiency has become an important part of agricultural production in the North of China. However, it was suffered some damages from severe weather such as cold wave, strong winds, blizzards, low temperature and less sunshine hazard. This study was aimed to cater for the straight-through demands of facility agricultural breeding enterprises and large agricultural breeding families for facility Agra-meteorological disasters resisting and early warning. Based on artificial intelligence means such as internet data mining and expert knowledge decision-making system, we established an intelligent service system for monitoring and warning of meteorological disasters in facility agriculture to guarantee the security and stability of facility agriculture production. First of all, the meteorological knowledge that was urgently needed for the production of crops such as cucumber, strawberry, tomato, and sweet pepper etc. was summarized by using information technologies such as cloud computing, Internet of things, mobile Internet, the Java EE technology framework, SOA(service oriented architecture) cloud service technology, and multi-factor association rule learning method. Then we defined the rules of agricultural meteorological disaster warning and production management expert knowledge based on the location-based weather forecasting data, microclimate environment data of facility agriculture, dynamic planting information and growth period data of facility crops, which would effectively improve the integration of intelligent services and actual production needs. Finally, the facility Agra-meteorological disaster monitoring and early warning and intelligent decision-making pushing service system was built depending on the integrated platform for intelligent grid weather forecast and warning of meteorological department, forecast of refined meteorological elements in the next 3 to 7 days, Internet data mining and expert knowledge decision techniques, which would provide interactive, individualized, intelligent and straight-through meteorological information service for agricultural parks and large farming households. It indicated that real-time warning of meteorological disasters and intelligent decision-making services for production management had been working well. The system could not only provide real-time, personalized guidance for production practices, but also realize automatic warnings for Agra-meteorological disasters in major Northern facility agriculture such as cold wave, strong wind, low temperature and less sunshine hazard, and heavy snow. It would timely send information on the important turning weather in next 7 days, meteorological disaster warning, facility agricultural production management decision-making, and disaster prevention recommendations to agricultural technicians through smart phone APP. It was convenient for production managers to pay attention to weather changes and adopt corresponding production management measures according to the type of planting crops in time. Therefore, they would be in early preparation for meteorological disasters, avoiding major disaster losses. Providing interactive, personalized and intelligent straight-through meteorological information services for agricultural parks and large agricultural breeding families would effectively solve the pre-disaster early warning and disaster prevention problems of major facilities agricultural meteorological disasters. It would significantly improve the efficiency of modern agricultural production and be of far-reaching significance for promoting the development of agricultural modernization and modern agriculture.

monitoring; warning systems; facility agriculture; expert decision-making; meteorological disaster; data mining; information technology

孫治貴，王元?jiǎng)?，?祿，郭 旺.北方設(shè)施農(nóng)業(yè)氣象災(zāi)害監(jiān)測(cè)預(yù)警智能服務(wù)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(23)：149－156. doi：10.11975/j.issn.1002-6819.2018.23.018 http://www.tcsae.org

Sun Zhigui, Wang Yuansheng, Zhang Lu, Guo Wang. Design and realization of intelligent service system for monitoring and warning of meteorological disasters in facility agriculture in North China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(23): 149－156. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.23.018 http://www.tcsae.org

2018-07-13

2018-10-10

國家自然科學(xué)基金資助項(xiàng)目（61571051，61471067）；天津市氣象局科技專項(xiàng)（201717qxzx02）

孫治貴，工程師，研究方向：農(nóng)業(yè)氣象。Email：zhg_sun@163.com

王元?jiǎng)?，副研究員，博士，研究方向：農(nóng)業(yè)大數(shù)據(jù)與智能系統(tǒng)。Email：642634129@qq.com

10.11975/j.issn.1002-6819.2018.23.018

S625.5

A

1002-6819(2018)-23-0149-08