智慧灌溉大数据管理平台设计与应用

摘要：以粗放型为主的漫灌方式浪费水资源，探索高效节水农业灌溉意义重大。本研究研制了集数据采集、数据管理、数据可视化、分析决策和远程管理为一体的智慧灌溉大数据管理平台，旨在以数字化管理与智能化控制方式提升水资源利用效率。平台利用嵌入式、物联网、互联网、3S（GIS、GPS、RS）等技术，采取“1+1+N”的设计模式，构建作物需水预报模型与灌溉决策模型，基于B/S构架和Java语言，设计了1个灌溉数据中心、1个灌溉数据管理系统、4个应用系统，打造了智慧灌溉大数据管理平台。平台在河北、河南、山东、江苏等地区设有多个示范基地，汇聚了8个科研小组、24个试验基地的有关多种作物的生长、灌溉、气象、土壤等数据，平均采集数据18829条/天，帮助管理人员摸清家底；集成了多个团队的软件系统和62套物联网设备，及时、定量地呈现了农作物生长状况及环境状态，实现了农作区动态监测，助力生产决策；生成农作物需水预报和灌溉决策方案，完成了远程灌溉目标，并且经过实地试验，验证了自动灌溉的有效性，将灌溉水有效利用系数最高提升了31%以上；形成了大田产业、温室中心、数字科研和区域灌溉等不同专题可视化布局，满足多种农业场景应用需求。为农业生产和跨区域管理提供了便捷工具，为农业灌溉数字化系统搭建和应用提供了参考。

关键词：智慧灌溉；大数据；作物需水预报；平台设计；物联网

1  引言

人类用于生活和农业生产的水资源日益紧缺，因此提高用水效率具有重要意义[1]。水利部门发布的2022年《中国水资源公报》显示，全国降水量和水资源量比多年平均值少，但全国用水总量高于多年平均值，其中农业用水的消耗量为2516.8亿m?，占用水总量的 76.0%，相较2021年，2022年农业用水量增加137.0亿m?，农田灌溉水的有效利用系数为0.572，较2021年增加0.004，与多年平均上升率基本一致，农业灌溉水有效利用率呈现逐年缓慢上升趋势[2]。尽管近年来国内在提升灌溉效率方面取得了一定进展，但其发展仍然相对缓慢，远低于发达国家0.7—0.8的水平[3]。并且多数农田依旧以粗放型漫灌为主，没有考虑土壤特性的时空变化以及影响作物蒸散量的天气因素的变化，仅以人工经验为指导，经常导致水资源浪费或灌水不足[4-5]。在农业用水效率较高的以色列和美国，节水灌溉技术已经广泛应用，例如，以色列约75%的灌溉区采用了节水滴灌技术，并将17%的农业预算用于农业科技研发，有一百多家企业生产研发监测分析工具，借此确定作物和土壤的需水量，通过信息化、数字化手段精准调控农业灌溉[6-7]；美国在2018年使用喷灌和微滴灌等精细节水的压力灌溉系统的比例已经升至72%，其利用无人机、传感器、数据分析等技术开展灌溉活动，并且充分考虑区域种植模式、当地气候条件以及地表和地下水资源的可用性[8]。我国与灌溉效率较高的国家相比，主要存在高效节水灌溉技术未全面推广、灌溉水量与作物需水不匹配、缺少科学精准的水量调度等问题[9]。实现高效节水灌溉需基于农作物特性及环境条件，科学分析其生长需水量，避免过度灌溉，并选择合适的灌溉方式实现精准化灌溉，减少灌溉水损耗[4]。此外，当前我国从事农业生产人口年龄普遍老龄化，劳动力紧缺，人力成本上涨。根据第三次全国农业普查数据显示，我国农业生产经营人员年龄在55岁以上占33.6%，但35岁以下人员仅占19.2%，其中经济发达的东部地区劳动力老龄化更加严重，55岁以上农业从业人员比全国平均水平高4%[10]。

随着近期物联网、大数据等科学技术的快速发展以及国家对数字农业的大力推动，农业不断与新技术融合，产生了更加高效的农业生产和管理模式，传统农业正在加快转型，向高质量发展迈进[11]。智慧灌溉是实现农业灌溉的高效节水的新兴技术模式，将农业灌溉与物联网、大数据、传感器等技术结合，实现实时监测农业生产环境中的温度、湿度、光照、土壤水分、作物生长状况等信息，并对数据进行分析和处理，实现农业灌溉的智慧决策与高效管理[12]。智慧灌溉系统的实现包括数据采集、无线通信、数据处理、灌溉控制、异常检测等五大方面内容[13]，关于智慧灌溉系统的构建，近年来国内外已有不少学者开展了相关研究与应用，主要采用机器学习、人工智能、无人机和物联网等前沿技术实现[14]。国内方面，沈建炜等人[15]基于物联网技术，根据实时采集的土壤墒情数据及环境数据，构建了蓝莓园的智能灌溉决策系统，但系统尚未实现数据可视化，应用功能较为单一。付少华等人[16]基于物联网收集到的土壤温度、湿度、pH值等数据，以环境参数与设定阈值的比较作为灌溉决策依据实现自动灌溉，也设计了移动设备APP实现手动远程控制灌溉。鲁旭涛等[17]利用飞蛾扑火算法优化通信节点部署，通过水田信息及气象参数构建了针对水田的最优灌溉决策模型及精准灌溉系统。国外方面，美国、以色列等国家已有公司开展了较为成熟的智慧灌溉系统应用和服务，例如，美国WaterBit和美国电话电报公司（AT & T）合作构建了一种维护成本低、易于安装的智慧灌溉系统，利用太阳能传感器检测和分析土壤水分，可以精确计划和控制灌溉，并使用全球SIM卡和物联网方式发送数据到云平台，为用户提供可手机访问数据及控制灌溉服务[18]；以色列的Phytech平台利用傳感器监测作物及环境，采用人工智能和机器学习分析现场物联网数据流并解译为直观的作物状态，为灌溉调度提供建议，并在移动端提供应用程序可供随时查看与操作[19]。此外，也有学者开展了针对智慧灌溉系统的研究，ROY等[20]通过物联网传感器数据构建了基于农民需求的动态灌溉调度系统，设计了随作物不同生长时期需求调整的自动灌溉模式以及根据农民经验或专家知识的远程手动灌溉模式。TACE等[21]基于土壤湿度、空气湿度、温度和降雨传感器采集数据，研究不同机器学习算法应用于灌溉决策支持模型中的准确率，提出了一种低消耗、低成本、可在不同环境下部署的智能灌溉系统。与发达国家相比，我国研究多关注灌溉决策模型以及通信网络的优化，在以下方面存在不足：（1）收集数据种类少、规模小、实时性不足。（2）集成多种传感器能力弱。（3）实际应用少，使用门槛高。

基于此，本研究设计了智慧灌溉大数据管理平台（简称“平台”），计划运用系列现代信息技术，集成多种信息采集和灌溉设备，收集作物生长、气象、土壤、通量等数据，构建智慧灌溉决策和农作物需水预报模型，打造环境实时监测、数据上图分析、设备远程可控、作物精准灌溉的综合管理平台，为使用人员提供决策工具和数据服务，提高水资源利用率。同时，试图通过此平台的应用打通数据隔离壁垒，逐步积累灌溉相关的海量数据，促进农业科学研究数据的共建共享，为未来全方位智慧灌溉提供支撑。平台在中国农业科学院新乡综合试验基地和华北试验基地应用示范，后续将进一步完善并逐步向全国推广。

2  平台需求分析

智慧灌溉是水资源的按需分配自动灌溉，具有实时性、精准性和自动化等特性，故智慧灌溉大数据管理平台应满足以下要求：（1）所存储数据应丰富、连续，具有时效性、连续性和空间性。数据是实现智慧灌溉的基础保障，尤其是土壤、气象以及作物生理性质等方面的数据。土壤和气象数据要具备时效性，并且连续采集，不宜中断，最低收集间隔不建议大于1天，地理学第二定律的空间异质性要求土壤数据应包含空间信息[22]。（2）应能够远程控制硬件设备，实现智能决策与自动控制。远程控制主要为远程调取物联网传感器、监控摄像头等设备数据以及远程开启和关闭灌溉设备，远程操作可极大降低生产和管理成本，是智能决策与自动控制的直接执行途径。（3）应集成作物需水规律和灌溉预测模型，提前预报灌溉方案。农作物需水规律指农作物在不同生长周期对水的需求特性，灌溉预测模型指基于土壤水分和气象数据，结合农作物需水要求，预测未来补水量，形成最适合农作物生长的灌溉方案，这是实现智慧灌溉的关键。

3  平台设计

3.1  平台构架设计

平台采取“1+1+N”的设计模式，指1个数据中心、1个管理系统、N个应用系统。数据中心负责储存并处理各方面数据，是整个平台的数据汇聚地，包括但不限于气象、土壤、作物、灌溉、基地、设备、人员等。管理平台指对平台中各类关键要素进行控制，包括人的管理（开通账号、配置功能权限）、数据管理（增加、删除、修改、查询）和系统管理（监控各应用系统访问量、资源消耗量）。应用系统泛指基于平台数据，面向特定人群和特定问题而定制开发的各个应用系统，系统形态包括web系统、APP、移动小程序、客户端离线工具，此部分可灵活增加。

平台的架构如图1所示，共分为5层，自下而上分别为基础支撑层、数据管理层、业务支撑层、应用服务层和展示层[23]。最底层的基础支撑层为平台提供运行环境，包括硬件、软件和服务，采用集群虚拟化技术，实现平台快速上线、历史版本切换、异常监测等功能。数据管理层采用多种数据库存储和管理，满足文本、图片、地理空间等不同数据类型存储要求，同时利用主从备份机制实现数据实时备份，进一步保障数据安全。业务支撑层处理系统的业务逻辑和核心功能，采用“中台”方式设计，包括数据中台和业务中台，前者完成数据从接收、处理、过滤到统计的全流程操作；后者针对应用系统需求，将关键业务研发成独立的小工具，供应用服务层使用。此种设计可减少重复开发，降低平台后期维护成本。应用服务层是为使用人员提供可视化界面的软件系统，为避免单個系统功能过于复杂，将满足特定角色人群使用（例如一线生产者、企业管理人员、政府监管者）或者同类应用场景的功能抽取成独立的应用系统，便于系统后期迭代升级。展示层指呈现软件系统的终端设备，根据不同角色用户特点和使用习惯，提供大屏、中屏、小屏等多种展示形式。

3.2  功能设计

平台功能设计以种植区环境监测、数据分析、设备控制为目标，根据不同应用场景设计了5个子系统，分别是数据管理系统、数字科研服务系统、温室中心控制系统、大田产业管控系统、区域灌溉预报系统。除数据管理系统外，各个版块相互独立，每个子系统分配独立账号，各版块的数据和功能互不可见，除非管理员给账号分配多个子系统权限，通过此方式可实现数据共建共享和安全保障。各子系统主要功能如图2所示，内容如下：（1）数据管理系统负责维护整个平台的基础要素和公共内容。包括三方面：a）创建用户、分配权限；b）为其他子系统管理设备、农作物和基地，各业务系统不再维护此类公共对象，减少冗余，也便于后期向第三方单位提供数据服务；c）管理通用方法，例如决策模型、统计分析等。（2）数字科研服务系统提供科研相关功能，以数据可视化为主。通过基地选择可查看各地情况，以图表形式展示实时信息和历史数据；（3）温室中心控制系统为设施农业服务，核心功能为智能决策。以温室三维模型为载体呈现每个灌溉设备和物联网传感器的空间位置分布，可远程开启和关闭灌溉设备；（4）大田产业管控系统负责大田场景的数据服务，显示大田土壤水分、气象类别、光照强度等维度，同时结合监测的数据，自动展示分析后的作物需水预报结果，辅助农田灌溉决策；（5）区域灌溉预报系统为华北基地群的管理提供服务，此为中国农业科学院管理的24个试验基地，收集并展示基地实况、天气预报、农作物种植情况、土壤墒情。

3.3  数据采集方式设计

丰富的农业数据是实现智慧灌溉的基础，是体现平台价值的关键要素。研究灌溉水的有效利用需要掌握农作物用水的规律，气象、土壤特性和作物生理特性是其中重要影响因素[5]，因此平台集成气象、通量、土壤、农作物等四大类数据，主要通过三种方式采集：设备采集、网络抓取和人工填报。（1）设备采集主要是利用各类物联网传感器，采集种植环境及农作物自身信息，如风速、气温、湿度、土壤湿度、水汽、冠层温度等数据。市场上此类传感器数据共享方式主要有两种：（a）支持接口形式，设备供应商直接提供数据共享服务；（b）存储在采集设备或特定电脑中，不直接对外共享。前者比较简单，后者不利于数据传输，为了提高此类场景下数据共享的时效性以及便利度，本平台结合数据存放位置和形式，研发了共享工具，操作人员经授权后在设备上安装此工具，可定时将数据推送到平台服务器中。本平台中主要数据的采集与传输方式见表1。此外，还通过摄像头定点巡航功能实现农作物长势监测，远程掌握历史和实时情况；（2）网络抓取主要目的是采集天气预报信息，通过第三方服务平台获取，每天自动采集一次未来七天气象预报信息，为农作物需水预报模型提供数据支撑。（3）人工采集主要内容为统计农作物种类、株高、叶宽等信息，通过excel表格导入系统。为保证数据的时效性以及连续性，实现精准实时监控，本研究采用较短时间间隔获取传感器数据，大部分指标采集频率为1次/30分钟。

3.4  关键模型构建

智慧灌溉离不开基于环境信息和农作物生长规律的决策分析以及需水预报，经过反复论证和对比，本研究构建了两个核心模型：基于Penman-Monteith 模型的作物需水预报模型及基于环境监测分析的智慧决策模型。

3.4.1  作物需水量预报模型

作物需水量是指在合适的土壤条件和高产目标

下，正常生长发育作物的蒸腾量与其所在土面的蒸发量之和，这是确定作物灌溉水量的重要依据[24]。本平台主要采用参考作物系数法[25-26]计算作物实际需水量，计算公式如下：

（1）

式中：ETC为作物实际需水量，KC为作物系数，ET0为作物参考蒸散量。

通过反复对比，研究最终选取Penman-Monteith

模型（后称PM模型）对ET0进行计算。PM模型综合考虑了气象因素与作物生理特性，普适性较强，并且在气象数据充足的条件下，模型可计算出较为精确的ET0值[27-28]。具体表达式如下：

（2）

式中：ET0为日参考作物需水量（mm/d）；Rn为净辐射（MJ/（m2d））；G为土壤热通量。（MJ/（m2·d））；γ为湿度计常数（kPa/?C）；T为地面以上2 m高处的日平均气温（?C）；u2为地面以上2 m高处的风速（m/s）；es为饱和水汽压（kPa）； ea为实际水汽压（kPa）；?为饱和水汽压与温度关系曲线的斜率（kPa/?C）。

模型中的参数计算公式如下：

（3）

（4）

（5）

（6）

（7）

（8）

（9）

式中，Rns为净短辐射（MJ/（m2d））；Rnl为净长辐射（MJ/（m2d））；RA为碧空太阳总辐射（MJ/（m2d））；RS为短波辐射（MJ/（m2d））；RSO为晴空太阳辐射（MJ/（m2d））；Tmax，K 为最大绝对温度，Tmin，K 为最大绝对温度（K=℃+273.16）；e0（Tmax） 为最大绝对温度时候的饱和水汽压（kPa）；e0（Tmin） 为最大绝对温度时候的饱和水汽压（kPa）。

平台提供当日及未来6天的作物需水预报，其中，当日预测中的数据大部分来源于实地的物联网传感器，其中太阳辐射、风速、水汽等数据来源于通量塔，风速和温度取自基地气象站；未来时间的预测数据源于气象预报。农作物系数KC来源于平台中存储的作物资料库；因气象数据以天为单位，土壤热通量取值为0。

3.4.2  智慧灌溉决策模型

智慧灌溉决策指在一定周期内，根据气象预报、传感器回传数据，系统自动制定灌溉方案，此环节以农作物需水预报及自然降雨量为依据，计算如何以最少灌溉量使农作物生长环境保持在最适合的水分范围[17]。智慧灌溉决策模型流程如图3所示，模型分为两个阶段：灌溉方案制定阶段和精准灌溉实施阶段。前者指根据系统中知识库确定农作物生长最适需水量范围，结合传感器监测的实际土壤含水量和降雨量，计算需要灌溉的水量。后者提供两种实施模式：自动化模式与半自动化模式。自动化模式指根据上一阶段生成的灌溉方案自动控制是否启动灌溉設备及灌溉水量，无需人为干预，半自动化模式指将方案推送给操作人员，尤其是决定是否操作开启或关闭电磁阀，防止因误判或设备临时故障造成较大损失。

4  平台实现

为了智慧灌溉大数据管理平台后期的可维护性和扩展性，基于前后端分离方式开发。前端通过VUE和ElementUI框架开发，利用Echarts图表库、Cesium引擎等工具实现数据统计、分析及三维可视化功能。后端基于Java语言开发，使用目前主流的Spring MVC 框架，借助WebGIS技术展示空间数据，如物联网传感器位置、基地分布、灌溉设备位置、高分影像等。通过萤石开放平台集成各地区摄像头，并利用流媒体技术实现视频实时播放及历史回放。数据存储方面，同时应用MySQL、MongoDB和GeoDB三种数据库，分别存放农田灌溉中的文本、图像和空间数据，借助SuperMap的Iserver发布遥感影像和三维模型，通过MySQL的主从复制方式实现数据备份，避免因软硬件故障或人为误操作导致的数据丢失或损坏，保障数据安全。系统部署方面，平台通过Apache Tomcat发布，运行在独立物理机服务器上，利用虚拟集群方式实现数据和业务分离，满足响应速度和并发要求。

5  平台应用

5.1  实现数据汇聚，摸清家底

本平台打通了多个科研团队数据不共享的壁垒，通过在河南、河北、山东、江苏等地建立的24个试验基地，汇聚了8个科研小组62套多种品牌物联网设备监测的数据，其中土壤墒情监测设备45套、气象站6套、通量塔1套、作物长势监测设备1套、灌溉设备4套、监控设备5套。此外，还通过人工采集、网络抓取等方式补充了精细化管理所需数据，集成了大豆、棉花、小麦、水稻、油菜、玉米等多种农作物生长数据，以及农作物种植区的气象、土壤、灌溉等对象的历史数据，积累了海量有关农业灌溉的数据，粗略统计每天采集18 829条数据，占用存储空间58G，为相关研究提供了有力的数据支撑，如图4所示。多源异构的大数据经平台统一的处理形成标准化、规范化的资源，可避免重复采集数据，提高数据利用率，同时可帮助管理人员摸清“家底”。

5.2  实现农作区动态监测，辅助宏观决策

通过系列软硬件集成实现了农作区的动态监测，有效地呈现其动态发展过程，及时、定量地反映了农作物生长状况及环境状态，辅助生产决策。根据平台中已收集数据的特点及采集方式，按时间状态分为两类：实时传输型数据和定期收集型数据。实时传输型数据主要包括：（1）气象数据，例如风向、温度、风速、湿度、光照等；（2）通量数据，如水汽、红外温度、潜热、显热、净辐射等，如图5（a）所示；（3）土壤数据，例如土壤水分、土壤温度、地下水位，其中土壤水分是判定灌溉与否及数量的重要指标，需要尽可能高频率显示。图5（b）为2022年3－4月新乡综合试验基地冬小麦种植区地下20 cm、40 cm、60 cm和80 cm的土壤水分逐日分布图，其中4月11日降雨促使土壤水分含量剧烈上升。（4）园区实景；这类数据通过物联网传感器或摄像头采集，时间频率较高。定期收集型数据主要为农作物生长相关数据，如株高、叶宽、叶长、土壤养分、干物重等，图5（c）展示了新乡综合试验基地2019年冬小麦干物重逐月变化情况，此类数据需要人工测量，通过统计图直观反映变化趋势。

5.3  实现农作物需水预报，达成远程灌溉目标

平台基于2023年12月新乡综合试验基地天气预报及传感器数据，利用作物需水预报模型实现了未来一周的冬小麦需水预报，如图5（d）所示，未来7天（12月4日到12月10日）需水量范围为3.29－3.91 mm/d，需水程度先略微上升，后逐步下降。此方式定量、直观地向管理及生产人员提供灌溉参考，再结合土壤水分监测、灌溉区域实时监控，相关人员可远程灌溉并查验灌溉效果。据评估，在新乡综合试验基地应用此套集成系统可节省灌溉活动15%的人员投入，并将灌溉水有效利用系数提高了31%以上。

5.4  实现专题可视化，满足多场景需求

平台针对科研、大田、温室、基地群等应用场景设计对应子系统，根据使用人员特点选择性地展示数据，实现了农业灌溉多样化服务的应用系统。例如面向科研人员的数据查阅需求，系统呈现农作物生长以及水、气、热等环境信息，并提供历史数据变化过程以及详细数据下载功能。对于大田生产的场景，系统提供监测设备位置分布、作物耗水预报和远程灌溉功能，生产者足不出户可远程开启或关闭灌溉设备电磁阀，减少巡田工作。针对设施农业的应用，重在结合各类传感器数据实现智能决策，并可借助摄像头查看是否完成操作，实现无人化生产。面向多个基地的管理需求，实现“一图览全貌”，从多个维度知晓不同地区基地情况，如图6展示的天气、监控、基地位置、种植作物、土壤温度、土壤含水量等，实现跨区域、跨层级、跨业务的管理。总之，平台的构建为灌溉领域管理、科研和生产团队提供了一个集数据存储、研究、管控服务为一体的工具，探索了以数据为基础的农业灌溉，也为跨团队交流合作搭建了桥梁。

6  结论与展望

本平台应用嵌入式、物联网、互联网、3S等技术，采取“1+1+N”的模式，构建了智慧灌溉大数据管理平台。形成 1个数据中心、1个管理平台，4个应用系统，整合了多个科研团队的物联网传感器监测数据、网络抓取数据和人工采集数据，每天汇总1.88万条数据，可通过图、表、三维模型等多种方式呈现有关灌溉的农作物生理状态、气象、土壤等多方面信息，实现了农业灌溉大数据的汇总分析与集成管理。利用作物需水预报模型、智慧灌溉决策模型及物联网灌溉设备，实现了智慧灌溉目标。通过在新乡综合试验基地应用，成功验证了作物需水预报与智慧灌溉决策的有效性，将灌溉水有效利用系数提高了31%以上，初步形成了以数据服务生产的管理模式。平台为科研人员、基地管理者、一线生产员分别提供数据共享、精细化管理、远程控制等服务。

平台的优势为：（1）打通了6大类62套物联网传感器，解决了多源数据无法快速、自动化汇聚的难题，实用性强；（2）集成了主流的作物需水预报模型Penman-Monteith和智慧灌溉决策模型，解决了数据采集和决策分析相互脱节的问题；（3）提供灌溉设备远程控制功能，分专题可视化，按应用场景提供服务，响应不同业务人员需求。

目前，平台已经积累了丰富的农业灌溉数据，在数据收集、数据分析、数据可视化、远程控制等方面取得了一些进步，但在应用中也面临了不少问题，未来研究将在如下方面提升：（1）研制或集成更多自动化程度高的数据采集设备。目前平台中大部分数据虽然已经实现自动化获取，但也有部分数据依旧通过传统人工测量方式上传，如农作物的株高、叶长、叶宽等，虽然结果较为准确，但成本高、效率低，采集过程也对农作物形成一定干扰，未来通过研制或集成相关设备，探索替代人工的高效采集方法，实现农业数据的全自动化采集；（2）探索更加高效的数据传输技术。平台目前使用4G网络进行数据传输，对于存储空间较大的数据例如高分影像，直接网络传输的速度无法满足应用需求，平台后续将尝试5G网络；（3）建立可持续的数据共享机制。当前平台已接入8个灌溉领域团队的科研设备与数据，未来计划向领域内其他团队继续推广，需要建立开放共享的合作机制，引导数据协同利用。（4）加强数据分析和评价，挖掘数据利用价值。平台现已通过数据分析实现了作物需水预报与智慧灌溉决策，下一步将深化数据分析与评价，丰富系统知识库，将原始数据转译为农業决策与行动指南，此外，进一步探索数据定性描述，让非专业人员也能读懂数据，扩大灌溉大数据的应用场景与服务人群。未来农业灌溉必将向智慧化、数字化方向纵深发展，平台今后也将不断探索和深化农业灌溉大数据的应用与管理，努力为水资源集约利用提供有效工具。

参考文献

[1] UN WATER. Sustainable Development Goal 6 synthesis report on water and sanitation[M]. New York： The United Nations New York， 2018， 10017.

[2] 中华人民共和国水利部. 中国水资源公报2022[M]. 北京：中国水利水电出版社， 2023.

[3] YANG L， HENG T， YANG G， et al. Analysis of factors influencing effective utilization coefficient of irrigation water in the Manas River Basin. Water， 2021，13（2）：189. https：//doi.org/10.3390/w13020189.

[4] 张亮，周薇，李道西.农业高效节水灌溉模式选择研究进展[J].排灌机械工程学报，2019，37（5）：447-453.

[5] BWAMBALE E， ABAGALE F K， ANORNU G K. Smart irrigation monitoring and control strategies for improving water use efficiency in precision agriculture： A review[J]. Agricultural Water Management， 2022，260：107324. https：//doi.org/10.1016/j.agwat.2021.107324.

[6] 袁紫晋，毛克彪，曹萌萌，等.国内外农业大数据发展的现状与存在的问题[J].中国农业信息，2021，33（3）：1-12.

[7] 综述：缺水国家以色列的“指尖”节水农业[EB/OL]. （2022-03-22） [2023-12-17]. http：//www.xinhuanet.com/tech/2022-03/22/c_1128492406. htm.

[8] Irrigation & Water Use[EB/OL]. （2023-09-08）[2023-12-17]. https：// www.ers.usda.gov/topics/farm-practices-management/irrigation-water-use/.

[9] 康绍忠.贯彻落实国家节水行动方案  推动农业适水发展与绿色高效节水[J].中国水利，2019（13）：1-6.

[10] 国家统计局. 第三次全国农业普查主要数据公报（第五号）[EB/OL]. （2017-12-16）[2023-11-08]. http：//www.stats.gov.cn/sj/tjgb/nypcgb/ qgnypcgb/202302/t20230206_1902105.html.

[11] 中华人民共和国国务院. 国务院关于印发“十四五”数字经济发展规划的通知[EB/OL]. （2022-01-12）[2023-11-08]. https：//www.gov. cn/zhengce/zhengceku/2022-01/12/content_5667817.htm.

[12] 陆红飞，王涛，乔冬梅，等.物联网在农业灌溉中的应用：从灌溉自動化到智慧灌溉[J].灌溉排水学报，2023，42（1）：87-99.

[13] OBAIDEEN K， YOUSEF B A， AlMALLAHI M N， et al. An overview of smart irrigation systems using IoT[J/OL]. Energy Nexus， 2022：100124. https：//doi.org/10.1016/j.nexus.2022.100124.

[14] GAMAL Y， SOLTAN A， SAID L A， et al. Smart irrigation systems： Overview[J/OL]. IEEE Access， 2023. https：//doi.org/10.1109/ACCESS. 2023.3251655.

[15] 沈建炜，李林，魏新华.丘陵地区蓝莓园智能灌溉决策系统设计[J].农业机械学报，2018，49（S1）：379-386.

[16] 付少华，兰壬庚，李伟，等.智慧农业灌溉系统的设计与实现[J].节水灌溉，2022（2）：71-74.

[17] 鲁旭涛，张丽娜，刘昊，等.智慧农业水田作物网络化精准灌溉系统设计[J].农业工程学报，2021，37（17）：71-81.

[18] WaterBit Uses AT&T Connectivity in Smart Irrigation Solution [EB/OL]. （2018-01-23）[2023-12-17]. https：//about.att.com/story/waterbit _attconnectivity.html.

[19] Phytech Plant-Based Irrigation[EB/OL]. （2022-01-31）[2023-12-17]. https：//www.aginfo.net/report/52017/Farm-of-the-Future/Phytech-Plant-Based-Irrigation.

[20] ROY S K， MISRA S， RAGHUWANSHI N S. AgriSens： IoT-based dynamic irrigation scheduling system for water management of irrigated crops[J]. IEEE Internet of Things Journal， 2020，8（6）： 5023-5030. https：//doi.org/10.1109/JIOT.2020.3036126.

[21] TACE Y， TABAA M， ELFILALI S， et al. Smart irrigation system based on IoT and machine learning[J]. Energy Reports， 2022，8： 1025-1036. https：//doi.org/10.1016/j.egyr.2022.07.088.

[22] 许海婷，黄娟萍，朱永华，等.淮北平原冬小麦土壤含水率时空特征分析[J].灌溉排水学报，2021，40（7）：1-8.

[23] 张杰，王川，董晓霞，等.基于裂变模式的农业农村信息快速调查及分析平台开发与应用[J].中国农业科学，2022，55（21）：4158-4174.

[24] 刘钰，汪林，倪广恒，等.中国主要作物灌溉需水量空间分布特征[J].农业工程学报，2009，25（12）：6-12.

[25] ALLEN R G， PEREIRA L S， RAES D. Crop evapotranspiration- guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56[Z]. 1998： 300， D5109.

[26] 宋妮，孫景生，王景雷，等.基于Penman修正式和Penman-Monteith公式的作物系数差异分析[J].农业工程学报，2013，29（19）：88-97.

[27] KUMAR R， JAT M K， SHANKAR V. Methods to estimate irrigated reference crop evapotranspiration–a review[J]. Water Science and Technology， 2012，66（3）：525-535. https：//doi.org/10.2166/wst.2012. 191.

[28] PEREIRA L S， ALLEN R G， SMITH M， et al. Crop evapotranspiration estimation with FAO56： Past and future[J]. Agricultural Water Management， 2015，147：4-20. https：//doi.org/10.1016/j.agwat.2014. 07.031.

引用格式：张杰，黄仲冬，梁志杰，李世娟，刘升平.智慧灌溉大数据管理平台设计与应用[J].农业大数据学报，2024，6（1）： 82-93. DOI： 10.19788/j.issn.2096- 6369.000007.

CITATION： ZHANG Jie， HUANG ZhongDong， LIANG ZhiJie， LI ShiJuan， LIU ShengPing. Design and Application of Smart Irrigation Big Data Management Platform[J]. Journal of Agricultural Big Data， 2024，6（1）： 82-93. DOI： 10.19788/j.issn.2096-6369.000007.

Design and Application of Smart Irrigation Big Data Management Platform

ZHANG Jie1，2， HUANG ZhongDong3， LIANG ZhiJie3， LI ShiJuan1，2， LIU ShengPing1，2*

1. Agricultural Information Institute， Chinese Academy of Agricultural Sciences， Beijing 100081， China; 2. Key Laboratory of Agricultural Blockchain Application， Ministry of Agriculture and Rural Affairs， Beijing 100081， China; 3. Institute of Farmland Irrigation， Chinese Academy of Agricultural Sciences， Xinxiang 453002， Henan， China

Abstract： Predominantly extensive flood irrigation method leads to wastage of water resources. Therefore， exploring efficient and water-saving agricultural irrigation methods is crucial. This study has developed an intelligent irrigation big data management platform that integrates data collection， management， visualization， analysis， decision-making， and remote management. Its goal is to improve water resource utilization efficiency through digital management and intelligent control. The platform utilizes embedded systems， the Internet of Things（IoT）， and Internet technologies， as well as "3S" （GIS， RS， and GPS） technology. It follows the design model of "1+1+N" and includes the construction of a crop water requirement forecasting model， an irrigation decision-making model， an irrigation data center， an irrigation data management system， and four application systems. The entire platform is based on the B/S architecture and programmed using the Java language. The platform has been successfully implemented in several demonstration bases across regions such as Hebei， Henan， Shandong， Jiangsu， etc. It has gathered data on the growth， irrigation， weather， soil， and other aspects of various crops from 8 research teams and 24 experimental bases. On average， it collects 18 829 pieces of data per day， helping management personnel understand the overall situation. It integrates software systems from multiple teams and 62 sets of IoT devices to present the growth and environmental status of crops in a timely and quantitative manner， achieving dynamic monitoring of agricultural areas and assisting production decisions. It has also generated crop water demand forecasts and irrigation decision-making plans， accomplished remote irrigation targets， and through field experiments， validated the effectiveness of automatic irrigation， increasing the irrigation water utilization efficiency by more than 31% at its highest. The platform meets the application needs of different agricultural scenarios through thematic visualizations such as field industry， greenhouse center， digital scientific research， and regional irrigation. The smart irrigation big data management platform serves as a convenient tool for agricultural production and cross-regional management. Its construction and application provide valuable references for the development of digital agricultural irrigation systems.

Keywords： smart irrigation; big data; crop water requirement forecasting; platform design; IoT