基于SOA的农作物病虫害监测预警系统设计*

王庆人，彭琼琼，吴云志，辜丽川，刘 萍，乐 毅，张友华

(安徽农业大学信息与计算机学院，安徽 合肥 230036)

基于SOA的农作物病虫害监测预警系统设计*

王庆人，彭琼琼，吴云志，辜丽川，刘 萍，乐 毅，张友华

(安徽农业大学信息与计算机学院，安徽 合肥 230036)

农作物病虫害监测预警是农业防灾减灾、确保主要农产品有效供给的重要组成部分和关键环节.中国病虫害监测预警工作的准确性和时效性因“信息孤岛”而受制约.提出了“基于AHP的CBR的预警决策”模型，采用Web Service技术，设计了基于SOA架构的安徽农作物病虫害监测预警系统.该系统实现了安徽省农作物病虫数据的采集标化、传输网络化、分析规范化、处理图形化、发布可视化、汇报制度化、管理自动化、决策智能化.该预警系统实现了安徽省6年实践运行结果表明，安徽省各级植保站的工作效率及预警决策准确度和时效性均有显著提高.

WebService；农业病虫害；AHP；CBR；预警系统

农业病虫害是农业生产重要的生物灾害，也是制约高产、优质和高效农业可持续发展的主要因素之一[1].中国是一个农业大国，也是一个农业病虫害发生比较严重的国家，农业病虫害监测预警研究显得尤为重要.通过掌握病虫害发生的规律，根据病虫害发生的历史数据建立模拟模型，对未来病虫害发生进行准确预警.据此制定适当的防治措施，选择适当的防治时间，减轻病虫害对农作物的侵害，减少损失，节约成本，从而减轻目前比较严重的粮食危机状况.

中国农业大学高灵旺等[2]采用Delphi7.0和MSSQL Server2000研发了农业病虫害预测预报专家系统平台；国家农业信息化工程技术研究中心徐刚等[3]研究了基于ARIS的5种视图在农业信息系统建模中的应用；安徽农业大学杭小树等[4]介绍了在面向对象环境下基于CBR的农作物病害虫害预报专家系统结构、案例表示与检索方法.

从上述分析发现：每个系统有着独立的数据库，数据的传输、读取和存储没有共同的标准规范，导致数据共享不畅，形成一个个“信息孤岛”[5]，导致大量基础工作的重复劳动，造成人财物力的极大浪费.因此，研发一种具有标准规范、高数据共享普及率的农业病虫害监测预警系统是十分必要的.在安徽省植保总站的大力推动下，安徽农业大学植保学院和信息与计算机学院联合研发了安徽省农作物病虫害监测预警系统.本系统基于SOA思想，采用WebService技术，无论客户端使用何种操作系统，采用何种开发工具，只要遵循本系统的数据标准规范，通过调用本系统的对外应用程序接口便可获取需要的病虫害数据.目前，本系统积累数据30万条，可以完成小麦、水稻，棉花等农作物20多种病虫害的预测分析，部分实现了植保工作决策智能化.此外，该系统提供了手机客户端，为农业专家提供了一种随时、随地、随身的新型病虫害预测模式，为农户提供了方便的病虫害信息服务.

1 系统框架设计

图1 系统框架

本系统分6层：数据层，连接层，服务层，传输层，应用层和用户层(见图1).

本系统使用数据库管理系统MSSQL Server2005搭建基础数据库，采用XML建立病虫害知识库，此二库与文档资料库共同构建系统的数据层，物理展现为数据库服务器.

基于VS.NET2008平台和WebService技术构建、研发系统的服务层，物理展现为Web应用服务器.服务层主要实现下述2大功能：

(1)服务层为客户端提供应用程序接口服务以及规范统一的交互数据格式.基于成熟、可靠的HTTP、SOAP协议，客户端通过应用程序接口服务与服务层建立连接并进行数据交互，交互的数据格式统一为XML(针对PC客户端)或JSON(针对手机客户端)格式，采用AES算法对交互数据进行加解密.

(2)服务层与数据层建立连接，交互数据.服务层收到客户端发来的加密数据后，通过AES算法解密以及XML或JSON格式解析后，加密数据被转换为原始数据.基于原始数据提供的客户端请求信息，服务层采用不同的连接方式与数据层建立连接并交互数据.若客户端请求基础数据或病虫害知识，服务层通过Transact￣SQL引用(数据库引擎)与数据层建立连接并交互数据；若客户端请求文档资料，基于VS.NET提供的System.IO Namespace，服务层采用数据流的方式与数据层建立连接并交互数据.

服务层从数据层获取客户端需要的数据后，将数据转换为XML或JSON格式，并进行AES算法加密，反馈给客户端.基于服务层提供的应用程序接口服务和规范统一的交互数据格式，应用层客户端具有以下2大优势：

(ⅰ)研发优势.应用层客户端根据自身实现需求选择合适的开发语言和平台，采用并发、模块化的研发方式，提高客户端模块的研发效率，减少研发工作量，节约研发成本，同时真正意义上实现应用层客户端物理上相互独立，逻辑上相互关联.图1中应用层的“数据上报模块”、“实时动态模块”等采用Javascript语言研发，“智能移动终端查询模块”采用Java语言研发.

(ⅱ)用户体验优势.用户体验的好与坏取决于“时效性”和“感官性”这2个方面.(a)时效性.许多研究表明，用户最满意的打开新界面的时间是2 s以内，而新界面打开的时间由“数据读写时间”、“数据传输时间”、“数据计算时间”以及“数据表现时间”共同决定.基于服务层提供的应用程序服务和规范统一的交互数据格式，实现了数据计算工作移至应用层客户端，降低了服务层的工作负载，提高了服务层的工作效率，进而减少了服务层完成数据读写工作的时间；同时也减少了交互数据传输总量，降低了数据传输时间；此外，将数据计算工作移至应用层客户端完成，不仅充分利用了闲置的计算机资源，而且又进一步降低了数据计算时间，有效地提高了用户体验的时效性.(b)感官性.基于上述的“研发优势”，应用层客户端轻便地采用富客户端技术为用户提供一个更高和更全方位的体验.

2 系统特点

农作物病虫害监测预警系统的用户为安徽省农户、县级植保站、市级植保站和省级植保站.其中，县级、市级和省级植保站用户需要上报、统计、计算和表现大量的数据.如果采用传统的服务端开发模式，就会增加研发成本、加重服务器工作负载、降低用户体验满意度.因此，笔者采用WebService技术，使得该系统具有以下3点优势：(1)服务器工作规范.由于减去了数据计算、统计等复杂工作，极大地降低了服务器工作负载，提高了服务器读写数据层数据的效率；(2)交互数据的格式规范统一.易于加密，提高了传输过程中的数据保密性和软件系统的兼容性扩展性；(3)应用程序接口服务规范.客户端实现了并行、模块化研发，提高了软件系统研发效率，减少了研发工作量，节约了研发成本，提高了用户体验满意度.

3 基于AHP的CBR的预警决策模型

针对目前病虫害预测准确性和时效性问题，结合AHP方法和案例推理(CBR)，提出了“基于AHP的CBR的预警决策”模型.该模型将第一线人员丰富的经验与知识转换为新的范例存入病虫害知识库，动态、实时地更新病虫害知识库.

3.1层次分析法

层次分析法(Analytic Hierarchy Process,AHP)是美国著名的运筹学家Thomas L.Saaty教授于20世纪70年代初提出的一种定性分析与定量计算相结合的多目标决策分析方法.[6-7]该方法在定量数据信息较少的情况，通过系统性的分析作出简洁实用的决策.但该方法也有它的局限性：不能为决策提供新方案；定性成分居多，不易令人信服.

3.2案例推理

案例推理(Case￣Based Reasoning,CBR)的核心思想是“相似的问题有相似解”，通过对以往成功案例的过程与结果的重用来解决新问题.案例中的相似度计算分为3类：概念语义相似度、基于类型的属性语义的相似度以及基于数据类型的属性值的相似度计算.[8]CBR也具有其局限性：案例库自适应性不强、对学习样本依赖性比较大.

3.3基于AHP的CBR预警决策模型

基于AHP的CBR预警决策模型采用的是第3类相似度计算.模型基本步骤与算法：

(1)群组专家分析现场采样的数据与农业病虫害发生发展有关的数据，参考历史数据并结合自己的经验与知识，提出此次农业病虫害发生发展的影响因子，算法如下：

Input:现场采样的与农业病虫害发生发展有关的数据;

Input:历史参考数据;

For k← 1 to N //N:参与AHP的群组专家数

PestFactorArrk={关键影响因子};

Next k

(2)系统整合所有群组专家提出的影响因子，采用Delphi方法确定最终使用的关键影响因子.[9]

(3)系统基于关键影响因子生成判断矩阵，再由群组专家赋权重，算法如下：

For k← 1 to N //N:参与AHP的群组专家数

n=PestFactorArr.length;

for i← 1 to n

for j ← to n

//获得关键影响因子判断矩阵，如图4

Ak=[aijk];

Next j

Next i

Next k

(4)将赋了权重的判断矩阵作归一化处理和一致性检验，生成最终使用的关键影响因子(含有权重)，算法如下：

For k← 1 to N //N:参与AHP的群组专家数

For i← to n //归一化处理

Next i

For i← to n

//单个群组专家的关键影响因子权重矩阵

Wk=(W1k,W2k,……,Wnk)T;

//判断矩阵的最大特征值

CIk=(λmax-n)/(n-1);

CR=CIk/RI;//一致性检验

//最终关键影响因子权重矩阵

W=Wk/n;

(5)采用最终确定的关键影响因子(含权重)的采样数据进行CBR推理，算法如下：

Input:采样的关键影响因子数据;

S+=正向范例匹配度;

S-=反向范例匹配度;

If (S+-S-)> 阈值区间上限 then

病虫害爆发可能性大;

Else if (S+-S-)<阈值区间下限 then

病虫害爆发可能性小;

Else if(S+-S-)∈阈值区间 then

基于AHP范例分析;//流程参考基于AHP范例建立

End if

(6)将范例写入范例库.

4 实例分析

本文选定4位专家组成专家群组，对2012年安徽淮北地区小麦白粉病发生发展进行预测实例模拟.

当完成第1，2步操作后，确定了小麦白粉病发生发展关键影响因子：“日照时数”、“降雨量”、“小麦苗青长势”、“当前田间小气候”、“抗性品种面积比例”和“当前病情基数比例”，然后执行第3步，基于关键影响因子，系统生成判断矩阵，并由群组专家赋权重(见表1).

表1 关键影响因子判断矩阵生成

群组专家完成赋权重工作后，判断矩阵分别为：

获得群组专家的判断矩阵后，执行第4步，将判断矩阵作归一化处理和一致性检验，生成最终使用的关键影响因子(含权重)：

w1=(0.168 2,0.399 4,0.040 7,0.154 4,0.154 4,0.083 0)，

w2=(0.311 3,0.247 9,0.072 2,0.144 4,0.144 4,0.079 7)，

w3=(0.208 6,0.356 8,0.050 6,0.110 0,0.088 5,0.185 5)，

w4=(0.201 6,0.364 7,0.052 0,0.139 2,0.139 2,0.103 3).

最终得出关键影响因子权重为

W=(0.222 4,0.342 2,0.053 9,0.137 0,0.131 6,0.112 9).

基于最终获得的关键影响因子及权重，执行第5步，根据现场采样的数据与农业病虫害发生发展有关的数据进行CBR推理.通过推理，预测2012年安徽淮北地区小麦白粉病爆发程度最有可能为轻发生，模拟结果与实际发生情况相符.

4 结语

安徽省农作物病虫害监测预警系统已经投入运行6年并取得了很好的效果.该系统实现了安徽省农作物病虫数据的共享普及率.基于AHP的CRB预警决策模型采用定性与定量相结合，实现了范例库动态、实时更新，改变了传统范例库自适应性不强，对学习样本依赖性大的弱点，显著提高了小麦、水稻，棉花等农作物20多种病虫害的预测结果.

[1] 罗菊花,黄文江,韦朝领，等.基于GIS的农作物病虫害预警系统的初步建立[J].农业工程学报,2008,24(12):127-131.

[2] 高灵旺,陈继光,于新文，等.农业病虫害预测预报专家系统平台的开发[J].农业工程学报,2006,22(10):154-158.

[3] 徐 刚,陈天恩,陈立平,等.基于ARIS的农业信息采集平台需求分析方法[J].农业工程学报,2009,25(8):136-140.

[4] 杭小树,熊范伦.基于CBR的农作物病虫害预报专家系统[J].计算机工程与应用,2000(10):161-163.

[5] 冯 靓,李立特,主振强，等.基于SOA思想的电子口岸信息平台系统[J].计算机应用与软件,2007,24(9):117-119.

[6] ACZÉL J,SAATY T L.Procedures for Synthesizing Ratio Judgements[J].Journal of Mathematical Psychology,1983,27(l):93-102.

[7] 代 丽，朱爱华，赵 匀.应用层次分析法计算分插机构优化目标的权重[J].农业工程学报，2013，29(2)：60-65.

[8] 赵伟伟,董 冬,王 昆，等.一种基于CBR和多Agent的Web服务个性化组合[J].计算机应用与软件,2012,29(1):145-148,240.

[9] 陈 卫,方延健,马永军,等.基于Delphi法和AHP法的群体决策研究及应用[J].计算机工程,2003,29(5):18-20.

(责任编辑 陈炳权)

CropPestMonitoringandWarningSystemBasedonSOA

WANG Qingren，PENG Qiongqiong，WU Yunzhi，GU Lichuan，LIU Ping，YUE Yi，ZHANG Youhua

(School of Information & Computer,Anhui Agricultural University,Hefei 230036,China)

Crop pests and diseases monitoring and forecasting is an important part of the key to agricultural disaster prevention and mitigation,and to ensure that effective supply of major agricultural products.At present,it is widespread phenomenon that the accuracy and timeliness of work pest monitoring and early warning is greatly restricted because of “Information isolated island”.“AHP￣based CBR Warning Decision” model was proposed,which using Web Service technology,designed and developed a monitoring and warning system based on SOA structure in Anhui Crop pests and diseases,and put it into application.This early warning system has achieved collecting standardized,transmission networking,analysis standardized,graphical processing,publishing visualization,reporting institutionalized,management automation,intelligent decision￣making of Anhui crop pest data work.The practical result of six years showed significant efficiency at all levels of Anhui plant protection stations,in terms of accuracy and timeliness of decision￣making in early warning.

Web Service;Crop pests and diseases AHP;CBR;Early warning system

1007-2985(2014)03-0054-05

2014-01-12

国家自然科学基金资助项目(31371533)；安徽省自然科学基金资助项目(1308085MF89)；安徽省“十二五”科技攻关资助项目(12010302079,1301032169)

王庆人(1986-)，安徽合肥人，安徽农业大学信息与计算机学院硕士生，主研从事数据库技术研究

张友华(1966-)，男，安徽合肥人，安徽农业大学信息与计算机学院教授，博士，主要从事农业信息化研究.

TP302.1

A

10.3969/j.issn.1007-2985.2014.03.012