北方设施农业气象灾害监测预警智能服务系统设计与实现

孙治贵，王元胜，张 禄，郭 旺



北方设施农业气象灾害监测预警智能服务系统设计与实现

孙治贵1，王元胜2※，张 禄3，郭 旺2

（1. 天津海洋中心气象台，天津 300074；2. 北京农业信息技术研究中心，北京 100097； 3. 天津市津南区气象局，天津 300050）

该文针对设施农业种养殖企业用户的设施农业气象灾害直通式服务需求，运用云计算、物联网、移动互联网等信息化技术，基于JavaEE技术框架、SOA（service oriented architecture）云服务技术，通过多重因素关联规则学习方法，构建基于互联网气象数据、设施农业小气候环境数据及作物生育期等多重因素的设施农业气象灾害预警和生产管理专家知识规则，依托气象部门一体化智能网格气象预报预警平台和未来3～7 d的精细化气象要素预报，开发基于互联网数据挖掘和专家知识决策技术的设施农业气象灾害监测预警及智能决策推送服务系统，对寒潮、大风、低温寡照、暴雪等北方主要设施农业气象灾害进行早期预警提醒，系统于2017年秋冬季在天津津南区部分农业园区推广应用，基于移动互联网通过智能手机APP对5次强冷空气过程提前3～5 d自动研判并实时推送设施农业生产管理决策和防灾减灾提醒建议，便于生产管理者及时关注天气变化和提前采取生产管理措施，避免重大灾害损失，探索应用互联网、云技术、大数据挖掘等信息手段开展气象灾害早期预警，为研究满足设施农业互动式、个性化、智能化和专业化气象信息服务和推动农业现代化和现代农业发展提供借鉴。

监测；预警系统；设施农业；专家决策；气象灾害；数据挖掘；信息技术

0 引 言

近年来，随着社会经济和科学技术的不断发展，人们对冬季“菜篮子”工程的需求日益增大，具有高效益的设施农业已经成为北方农业生产的重要组成部分。秋冬季节是中国北方设施农业进行反季节蔬菜生产的主要时段，但目前北方大多数温室结构及设备相对简陋，且该季节大风、寒潮、暴雪、低温寡照等灾害性天气频发，对设施农业生产有着较大影响。近年来受雾、霾等天气现象增多的影响，秋冬季节日照时数明显减少，低温寡照已成为影响北方设施农业生产最严重气象灾害[1]。气象灾害发生后如果防御措施不当或不及时，将会对设施作物产量和品质造成较大影响。因此，在中国北方地区设施农业生产中，及时做好设施农业安全生产和气象灾害防御服务变得尤为重要。

目前，国内外专家学者针对设施农业气象灾害指标、作物致灾机理以及针对不同作物的灾害风险影响评价等进行了大量研究，高浩等[2]总结了中国设施农业气象业务服务现状，结合设施农业气象监测预警服务网络体系建设和增强设施农业防灾减灾能力提出了对策。魏瑞江等[3]、赵子征等[4]、贺延梅等[5]、李宁等[6]、杨小利等[7]围绕北方日光温室气候区划对设施农业的气候适应性和气象灾害影响因子等指标进行了研究。黎贞发等[8]尝试利用物联网技术集成开发集小气候实时监测、低温灾害预警、自动化控制等低温灾害监测预警系统。而基于天气实况和气象部门未来天气趋势预报进行设施农业气象灾害及时预警尚待解决，解决问题的关键在于构建机理性的设施作物气象灾害预警模型[9]。另外，基于气象部门传统天气预报开展设施农业生产决策气象服务已经不能满足设施农业生产的精细化和个性化服务需求，基于互联网数据挖掘和专家知识决策系统等人工智能手段在设施农业气象灾害预警和智能服务中的应用尚不多见，主要原因体现在：1）缺少基于农作物生育期指标、小气候实时观测数据、作物及时种植管理以及天气预报预测等多数据因素关联的专家知识规则和智能推理机制；2）现有的设施农业气象灾害预警服务以共性的公共服务为主，缺少满足设施农业作物种植个性化和不同作物生育期针对性需求的互动式智能生产管理决策服务平台。

本文旨在阐述运用信息化技术，特别是云计算、物联网、移动互联网技术，结合大风、寒潮、暴雪、寡照4种北方主要设施农业气象灾害防御需求，以黄瓜为例，通过多重因素关联规则学习方法，挖掘互联网气象数据、设施农业小气候环境数据及作物生育期之间的关联知识表达模型，构建设施农业气象灾害预警和生产管理智能服务专家知识规则，构建设施农业作物生长适宜性环境数据库，研发专家知识规则库构建平台，建立设施农业气象灾害监测预警大数据中心，依托气象部门一体化智能网格气象预报预警平台，建立设施农业气象灾害预警和智能服务推送系统，面向农业园区和农业种养大户提供互动式、个性化、智能化直通式气象信息服务。

1 中国北方设施农业主要气象灾害

中国北方地区广义上是指秦岭淮河以北地区，包括东北、华北、西北和内蒙古自治区，面积约占国土总面积的五分之一，属于温带季风气候和温带大陆性气候，四季分明，雨热同期。冬季寒冷干燥，夏季高温多雨。对农业生产影响较大的气象灾害有干旱、洪涝、低温寡照、寒潮冻害、大风、干热风、暴雪等，而影响中国北方秋冬季节设施农业生产的灾害主要包括大风、寒潮、暴雪和寡照。

1.1 大 风

大风是因为气压梯度差而形成的快速流动空气，产生大风的天气系统很多，如冷锋、雷暴、飑线和气旋等。中国气象观测业务中规定瞬时风速达到或超过8级（平均风速17.2～20.7 m/s）时称为大风[10-11]，天气预报业务规范中规定平均风速大于等于6级（10.8～13.8 m/s）时为大风[12]，危害性极强。本系统主要是基于未来天气预报进行实时预警，故选用天气预报业务规范标准。大风灾害对温室大棚等设施农业的直接危害是卷走草帘，刮飞、刮破棚膜，损坏大棚基础结构设施，降低或破坏大棚保温性能，进而使作物遭受强风、低温冻害，造成作物减产或绝产。

1.2 寒 潮

寒潮是指中国北方强冷空气大规模地向南推进所造成的大范围内急剧降温和产生偏北大风的剧烈天气过程[13]。根据冷空气等级标准：日最低气温24 h内降温幅度大于或等于8 ℃，或48 h内降温幅度大于或等于10 ℃，或72 h内降温幅度大于或等于12 ℃，而且使该地日最低气温下降到4 ℃以下的冷空气[14]。寒潮天气的主要特点是剧烈降温和大风，有时还伴有雨、雪或霜冻的天气，如不及时防御，容易对设施农业容易造成综合性灾害。

1.3 暴 雪

暴雪的出现往往伴随大风、降温等天气，给交通和冬季农业生产带来影响。天气预报业务规范中规定12 h降雪量(融化成水)≥6 mm或24 h降雪量(融化成水)≥10 mm称为暴雪[15]。暴雪容易导致棚顶积雪过厚，造成大棚坍塌。

1.4 寡 照

寡照即缺少阳光照射，主要指阴雨天、雾霾天导致太阳光到达地面很少或没有，常见表述有多雨寡照、低温寡照、阴雨寡照等，是对冬季设施农业生产产生影响较大的灾害之一[16]。秋冬季寡照持续时间如果超过3d，将容易造成大棚内光照严重不足，湿度增加，温度降低，作物生理活性受限，导致蔬菜生长缓慢甚至烂根烂苗[16-18]。

2 关联规则和专家系统

设施农业气象灾害监测预警智能服务系统的支撑基础是气象与农业知识相结合的知识规则，这些规则的整理可以从理论和实践2个方向着手，将知识规则信息化应用主要技术涉及关联规则和专家系统。

2.1 关联规则定义

关联规则挖掘是数据挖掘的重要手段，主要是从集合中挖掘出满足支持度和置信度最低阈值要求的所有关联规则。假定=1,2,3,4,5,6,…,i,I称作项目集合，每位顾客一次购买的商品集合t称为一个事务，所有的事务1,2,…,7,…,t称作事务集合，并且满足t是的真子集。一条关联规则是形如下面的蕴含式[4]。

→满足：、是的真子集，并且和的交集为空集。其支持度、置信度计算公式如下

support=(,).count.count （1）

confidence =(,).count/.count （2）

式中support-支持度；前件，-后件；confidence-置信度；().count-和同时出现的事务数，.count-事务总数；.count-出现的事务数。

满足关联规则的阈值minsup（最小支持度）和minconf（最小置信度）由用户指定，要想找出满足条件的关联规则，首先必须找出这样的集合=U，它满足.count/.count≥minsup，其中.count是中包含的事务的个数，然后再从中找出这样的蕴含式—>，它满足().count/.count≥minconf，并且=-。则称像这样的集合称为频繁项目集，假如中的元素个数为，称这样的频繁项目集为-频繁项目集，它是项目集合的子集。所以关联规则挖掘可以大致分为从事务集合中找出频繁项目集和从频繁项目集合中生成满足最低置信度的关联规则2步[19-22]。

通过支持度（support）、置信度（confidence）等指标来解释挖掘有价值的规则是关联分析的核心，最有影响的关联规则挖掘算法是Apriori算法[23]，它主要利用了向下封闭属性：如果一个项集是频繁项目集，那么它的非空子集必定是频繁项目集。它先生成1-频繁项目集，再利用1-频繁项目集生成2-频繁项目集，然后根据2-频繁项目集生成3-频繁项目集，……依次类推，直至生成所有的频繁项目集，然后从频繁项目集中找出符合条件的关联规则。

在本文中，关联分析主要有2个目的：一个是用关联分析挖掘主要因子，辅助规则的整理；另一个是用于措施的整理及以后规则及措施优化，即对规则条件、措施和农作物的长势情况进行关联分析，积累挖掘更优的应对措施，为生产管理提供更加智能的服务。

2.2 专家系统

专家系统属于人工智能技术范畴，是一类具有专门知识规则和经验推理的计算机智能程序系统，通过对专家知识问题求解能力的建模，采用人工智能中的知识表示和知识推理技术来模拟通常由专家才能解决的复杂问题，达到具有与专家同等解决问题能力的水平。这种基于知识的系统设计方法是以知识库和推理机为中心而展开的，即：专家系统=知识库+推理机[24-26]。

3 设施农业气象灾害智能预警服务系统设计

气象灾害预警工作中，时效性至关重要。传统的基于浏览器/服务器（B/S）架构的气象预警发布系统手段时效性差，随着移动互联网技术的发展，基于智能手机，采用第三方平台推送解决方案。构建基于客户端/服务器（C/S）架构模式的实时预警信息推送系统，同时利用移动GIS技术动态地采集用户的位置,实现气象灾害预警与地理位置因素密切相关，将用户所处区域气象灾害预警提醒推送给用户，实现气象预警的自动化和智能化[27-28]。

本文面向设施农业气象灾害自动监测预警和智能服务数据采集、存储需求，采用互联网、物联网和专家知识库数据源，基于Web Service云服务总线，兼顾设备数据接入和气象信息服务推送性能要求，设计具有数据汇聚、海量数据管理、大数据服务功能的设施农业气象灾害预警服务云存储技术总体框架，部署可与设施农业气象智能服务模型相耦合、数据存储具有自动扩展、数据容量不受节点限制的云存储系统，研发相应的云服务中间件，提供大数据存取与服务调度功能（图1）。

图1 设施农业气象灾害智能预警系统设计框架图

3.1 多重因素关联的作物生长知识规则构建

北方设施农业多以种植效益较高的果菜为主，系统服务器端后台处理系统专家知识规则中主要考虑包括黄瓜、番茄、草莓等作物各生育期指标。天津作为全国黄瓜育种的主产地，秋冬季反季节蔬菜生产中以种植黄瓜较为普遍，本文选取以黄瓜为例，介绍多因素关联作物生长知识规则构建过程。

首先，根据温室实时监测数据、作物长势等观测资料，综合运用关联分析和专家知识，优先整理生产中迫切需要的作物生长适宜性（适宜/不适应）环境信息源，主要包含作物在不同生育期内适宜土壤温湿度、含水率、棚内空气温湿度、棚外空气温湿度等指标（表1）。

表1 作物生长气象适宜性知识规则（黄瓜为例）

其次，通过对多年来冬季开展的设施农业种植黄瓜试验所实时采集的气象、环境、作物生产数据进行对比分析，构建包含每个作物各生育期的知识规则、作物适宜性（适宜/不适宜）设施环境规则、气象环境规则的知识库，建立包括作物(crop)、生育期（growth period）、适宜性规则（suitablility rules）和不适宜性规则 (not appropriate rules)等内容的数据模型（图2），实现对预警规则的修改、删除和更新，并对知识库完整性和一致性进行维护。

3.2 设施农业气象灾害监测大数据存储服务

设施农业气象物联网监测数据具有高频率并发、持续增长特性，在存储和调度方面对数据服务器造成的压力较传统方式大，因此本文选用Oracle Nosql构建云存储系统，解决服务器应对高频率数据并发存取瓶颈[29-30]。

图2 温室作物生长气象适宜性知识规则数据模型

3.3 多模型耦合的设施农业气象灾害预警协同智能决策

构建作物生育期指标、气象灾害预警阈值参数、设施环境适宜性参数组成的多模型专家知识决策树，调用信息服务与相应知识模块，构建设施农业气象灾害预警智能服务推理决策模型，如大风决策模型、低温冻害决策模型、生产管理建议决策模型等，从知识库中选取相关的作物生长知识，按照一定的推理策略进行推理，直到得出相对应的气象灾害预警类别和等级，并提出设施农业生产管理和灾害防御建议进行智能推送。

3.4 专家知识规则表示

专家知识规则库是智能专家决策推理的基础，知识规则的合理性和丰富程度决定了专家推理结果的可信度和可行性。冷空气是导致大风、寒潮、暴雪、寡照等灾害的主要因子，因此将冷空气的等级标准作为本系统未来天气趋势和灾害预判专家规则的主要指标。气象部门日常的天气预报指标中主要包括最高气温（max）、最低气温（min）、天气现象（）、风向（d）、风力（s）。日最低气温（min）降温幅度为判别冷空气强弱和寒潮的主要指标因子，风力（s）作为大风的判定标准，一般6级以上定义为大风标准，天气现象作为判定寡照和暴雪的主要因子，一般连续3 d或以上出现阴天则判定为寡照灾害。冷空气根据强弱程度，中国将冷空气分为5个等级：弱冷空气、中等强度冷空气、较强冷空气、强冷空气和寒潮[14]。具体标准如表2所示。

表2 气象知识规则

以冷空气为例，专家决策关联规则简单表示如下：

1）IF“日最低气温”48 h波动<6 ℃，当前“温室代码”+室内气温为“空气温度”，“作物名称”正值“生育期”，未来7 d气温波动不大，建议适时加强水肥管理。

|min(i)–min(j)|<6，20,1,2,3,4,5

2）IF“日最低气温”48 h波动≥6 ℃且<8 ℃，当前“温室代码”+室内气温为“空气温度”，“作物名称”正值“生育期”，未来7 d有中度强冷空气影响，建议关注天气变化，注意适时盖膜，提前采取加温措施，防止作物受冻。

6≤|min(i)–min(j)|<8，20,1,2,3,4,5

3）IF“日最低气温”48 h波动≥8 ℃，且“日最低气温” ≥8℃，当前“温室代码”+室内气温为“空气温度”，“作物名称”正值“生育期”，未来7 d有较强冷空气影响，建议关注天气变化，注意适时盖膜，提前采取加温措施，防止作物低温冻害发生。

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

4）IF“日最低气温”48 h波动≥8 ℃且“日最低气温”≤8 ℃，当前“温室代码”+室内气温为“空气温度”，“作物名称”正值“生育期”，未来7 d有强冷空气影响，建议关注天气变化，注意温室加固。适时盖膜，防范大风降温对温室的不利影响。

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

5）IF“日最低气温”24 h波动≥8 ℃，或48 h内波动≥10 ℃，或72 h内波动≥12 ℃，而且“日最低气温”≤4 ℃，当前“温室代码”+室内气温为“空气温度”，“作物名称”正值“生育期”，未来7 d有寒潮灾害影响，建议关注天气变化，注意温室加固。适时盖膜，防范大风、强降雪、低温冻害对温室及作物的不利影响，及时采取加温、补光等生产措施。

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

当同时满足2种规则时，叠加显示决策结论，如“日最低气温”波动<6 ℃，且“天气现象”等于“晴”或“多云”时，决策内容为：当前“温室代码”+室内气温为“空气温度”，“作物名称”正值“生育期”，未来7 d气温波动不大，建议适时加强水肥管理。天气以晴到多云为主，光照充足，建议去掉遮阳网或膜，增温补光，加强水肥管理，加速作物生长。

4 系统实现与结果分析

4.1 系统实现

基于上述设计，运用JavaEE技术框架、SOA（service oriented architecture）云服务技术[29]，研发构建气象、作物等多重因素关联的专家知识规则，依托气象部门综合气象信息数据平台（CIMISS：China Integrated Meteorological Information Service System）和精细化智能化网格数值天气预报数据资源进行数据挖掘，基于专家知识规则库和辅助设施农业园区的温室小气候观测数据和设施农业动态种植农情，构建多模型耦合的设施农业气象灾害智能服务推理决策模型，建立具备推理诊断与决策服务功能的设施农业气象灾害智能推送服务系统，基于移动互联网技术通过智能手机APP或手机短信息为气象部门业务服务、农业园区管理、农业专业用户等提供设施农业气象灾害直通式灾害预警提醒服务。

4.2 结果分析

2017年在天津市津南区设施农业种植园区以及气象部门进行推广使用，农业技术人员可通过设施农业气象灾害智能手机APP（图3）实时获取未来7 d寒潮、大风、低温寡照、暴雪等重要转折性天气和气象灾害预警提醒和设施农业生产管理决策和灾害防御建议，并及时关注天气变化，根据设施农业实时种植作物种类采取相应的生产管理措施，提早做好气象灾害防御，避免重大灾害损失。同时，通过在天津津南区设施农业气象灾害监测预警服务中的应用，对黄瓜（HG）、蕃茄（FQ）苗期（Mq）和花果期（Hgq）的2013~2016年试验温室的气温观测数据（T1～T5）和相应低温冻害记录等数据进行挖掘分析（表3、图4）。

图3 设施农业气象灾害预警智能决策服务APP界面

表3 设施作物生产气象灾害观察关联分析结果

注：黄瓜（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）；低温冷害程度：无、轻、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.

图4 规则关联分析效果

关联分析中，规则的支持度（support）、置信度（confidence）和挺度值（lift）的高低代表了规则的强弱[31]，越强的关联规则揭示出隐含在数据背后的规律性越明显。表3是从关联分析48条初步规则中筛选出的29条规则，其中规则1-5、9-16、20尤为明显（图4），结果表明温度在T2（5～7 ℃）、T3（8～10 ℃）范围时，无论是黄瓜还是番茄，都容易在苗期和花果期发生中度冻害；在温度处于T1（0～4 ℃）区段时，容易发生重度冻害。分析结果得出：在关联分析数据挖掘驱动下，优先整理直接对黄瓜、草莓、番茄、甜椒等作物造成较大影响的气象灾害预警规则，通过专家知识规则的形式输入到设施农业气象灾害预警智能决策服务系统中，由系统根据实时感知数据，向用户推送防护措施，通过提高生产措施的针对性，实现降低风险和提质增效目标。2017年针对秋冬季的5次强冷空气过程均提前3～5 d给出警示提醒，预警标准受天气预报准确率的影响，级别略有差异，但总体可以满足提早提醒用户对冷空气过程关注的需要。随着天气预报准确率的逐步提高和系统的不断应用以及专家知识规则的不断丰富，基于地理位置的天气预报趋势和设施农业实时种植农情智能推理的农业生产决策服务信息将为农业生产和管理者提供更有针对性和有价值的农业生产指导建议，趋利避害。

5 结 论

本文针对北方设施蔬菜面临的灾害性天气影响问题，提出了基于关联分析和专家系统规则的整理方法，并用于设施农业气象灾害预警智能决策服务系统构建和服务中，将未来7 d寒潮、大风、低温寡照、暴雪等重要转折性天气和气象灾害预警提醒信息以及设施农业生产管理决策建议通过智能手机APP实时推送给农业技术人员，便于生产管理者关注天气变化并及时根据设施农业实时种植作物种类采取相应的生产管理措施，提早做好气象灾害防御准备，避免重大灾害损失。结论如下：

1）基于关联分析的数据挖掘技术，整理出黄瓜、草莓、番茄、甜椒等设施作物生产急需的气象知识规则，为智能系统构建提供支撑，有效地提高了智能服务与生产实际需求的融合度。

2）基于互联网数据挖掘和专家决策系统，进行设施农业灾害监测预警和智能信息服务，为生产实践提供实时、个性化指导。

3）通过关联规则将基于位置的天气趋势预报、温室小气候观测数据以及温室大棚作物动态实时种植和作物各生育期指标等进行充分融合并进行专家推理，开展气象灾害的实时预警和生产管理智能决策服务。

该系统针对中国北方秋冬季大风、寒潮、暴雪、低温寡照等气象灾害对设施农业生产的影响，探索基于互联网+、人工智能等信息技术在气象为农服务中应用，提出系统平台技术框架和解决方案，探索应用互联网、云技术、大数据挖掘等信息手段开展气象灾害早期预警和信息服务，为研究满足设施农业个性化、智能化和专业化气象服务和推动农业现代化和现代农业发展提供借鉴。

[1] 李春，郭晶，薛庆禹，等. 天津近郊设施农业气候资源与气象灾害变化特征[J]. 北方园艺，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, 黎贞发, 潘学标, 等. 中国设施农业气象业务服务现状与对策[J]. 中国农业气象，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，赵春雷. 基于GIS的河北果菜日光温室最佳发展区域确定[J]. 中国农业资源与区划，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] 赵子征，彭高军，辛本胜. 我国西北地区节能型日光温室蔬菜生产气候区划[J]. 农机化研究，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] 贺延梅，李化龙，尚小宁，等. 日光温室灾害性天气及防御[J]. 陕西农业科学，2008(6)：81－83.

[6] 李宁，申双和，黎贞发，等. 基于主成分回归的日光温室内低温预测模型[J]. 中国农业气象，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] 杨小利，周安宁. 高效节能日光温室蔬菜生产气候区划[J]. 干旱气象，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] 黎贞发，王铁，宫志宏，等. 基于物联网的日光温室低温灾害监测预警技术及应用[J]. 农业工程学报，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] 陈思宁，黎贞发，刘淑梅. 设施农业气象灾害研究综述及研究方法展望[J]. 中国农学通报，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] 中国气象局，地面气象观测规范[M]. 北京：气象出版社，2003.

[11] 地面气象观测规范：QX/T 51-2007[S].

[12] 重大气象灾害应急响应启动等级：QX/T116-2010[S].

[13] 余文韬，吴振玲，何群英，等. 天津天气预报手册[M]. 北京：气象出版社，2015.

[14] 冷空气等级：GB/T20484-2006[S].

[15] 降雨量等级：GB/T28592-2012[S].

[16] 魏瑞江. 日光温室低温寡照灾害指标[J]. 气象科技，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. 应对北方设施农业灾害性天气的防御措施[J]. 蔬菜，2017 (1)：72－73.

[18] 祝青林，王丽娜，徐梅，等. 大连冬季设施农业气象灾害风险及趋势分析[J].中国农学通报，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] 张宗郁，张亚平，张静远，等. 改进关联规则算法在高校教学管理中的应用[J]. 计算机工程，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] 韩家玮. 数据挖掘概念与技术[M]. 北京：机械工业出版社，2007.

[21] 秦亮曦，史忠植. 关联规则研究综述[J]. 广西大学学报：自然科学版，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] 毕建欣，张岐山. 关联规则挖掘算法综述[J]. 中国工程科学，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] 朱庆，恰汗·合孜尔. 一种改进的Apriori算法[J]. 计算机与数字工程，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] 敖志刚.人工智能及专家系统[M]. 北京：机械工业出版社，2010.

[25] 史忠植.高级人工智能(第二版)[M]. 北京：科学出版社，2006.

[26] 孙想，冯臣，吴华瑞. 基于语义Web的农业生产知识集成技术[J]. 农业工程学报，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] 刘文，杜景林. 基于LBS的气象预警Android平台设计[J].湖北农业科学，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] 张艮龙，尹蓉. 设施农业远程监控与智能决策支持系统的研究[J].山西电子技术，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] 王元胜，李瑜玲，吴华瑞，等. 农业园区全景GIS 数字化系统设计与应用[J]. 农业工程学报，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] 刘艺，张海涛，刘奇燕，等. 基于分解数据库的FP-growth 算法关联规则研究[J]. 计算机与数字工程，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

孙治贵，王元胜，张 禄，郭 旺.北方设施农业气象灾害监测预警智能服务系统设计与实现[J]. 农业工程学报，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

国家自然科学基金资助项目（61571051，61471067）；天津市气象局科技专项（201717qxzx02）

孙治贵，工程师，研究方向：农业气象。Email：zhg_sun@163.com

王元胜，副研究员，博士，研究方向：农业大数据与智能系统。Email：642634129@qq.com

10.11975/j.issn.1002-6819.2018.23.018

S625.5

A

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