基于SOA的農(nóng)作物病蟲害監(jiān)測(cè)預(yù)警系統(tǒng)設(shè)計(jì)*

王慶人，彭瓊瓊，吳云志，辜麗川，劉 萍，樂 毅，張友華

(安徽農(nóng)業(yè)大學(xué)信息與計(jì)算機(jī)學(xué)院，安徽 合肥 230036)

基于SOA的農(nóng)作物病蟲害監(jiān)測(cè)預(yù)警系統(tǒng)設(shè)計(jì)*

王慶人，彭瓊瓊，吳云志，辜麗川，劉 萍，樂 毅，張友華

(安徽農(nóng)業(yè)大學(xué)信息與計(jì)算機(jī)學(xué)院，安徽 合肥 230036)

農(nóng)作物病蟲害監(jiān)測(cè)預(yù)警是農(nóng)業(yè)防災(zāi)減災(zāi)、確保主要農(nóng)產(chǎn)品有效供給的重要組成部分和關(guān)鍵環(huán)節(jié).中國(guó)病蟲害監(jiān)測(cè)預(yù)警工作的準(zhǔn)確性和時(shí)效性因“信息孤島”而受制約.提出了“基于AHP的CBR的預(yù)警決策”模型，采用Web Service技術(shù)，設(shè)計(jì)了基于SOA架構(gòu)的安徽農(nóng)作物病蟲害監(jiān)測(cè)預(yù)警系統(tǒng).該系統(tǒng)實(shí)現(xiàn)了安徽省農(nóng)作物病蟲數(shù)據(jù)的采集標(biāo)化、傳輸網(wǎng)絡(luò)化、分析規(guī)范化、處理圖形化、發(fā)布可視化、匯報(bào)制度化、管理自動(dòng)化、決策智能化.該預(yù)警系統(tǒng)實(shí)現(xiàn)了安徽省6年實(shí)踐運(yùn)行結(jié)果表明，安徽省各級(jí)植保站的工作效率及預(yù)警決策準(zhǔn)確度和時(shí)效性均有顯著提高.

WebService；農(nóng)業(yè)病蟲害；AHP；CBR；預(yù)警系統(tǒng)

農(nóng)業(yè)病蟲害是農(nóng)業(yè)生產(chǎn)重要的生物災(zāi)害，也是制約高產(chǎn)、優(yōu)質(zhì)和高效農(nóng)業(yè)可持續(xù)發(fā)展的主要因素之一[1].中國(guó)是一個(gè)農(nóng)業(yè)大國(guó)，也是一個(gè)農(nóng)業(yè)病蟲害發(fā)生比較嚴(yán)重的國(guó)家，農(nóng)業(yè)病蟲害監(jiān)測(cè)預(yù)警研究顯得尤為重要.通過掌握病蟲害發(fā)生的規(guī)律，根據(jù)病蟲害發(fā)生的歷史數(shù)據(jù)建立模擬模型，對(duì)未來病蟲害發(fā)生進(jìn)行準(zhǔn)確預(yù)警.據(jù)此制定適當(dāng)?shù)姆乐未胧?，選擇適當(dāng)?shù)姆乐螘r(shí)間，減輕病蟲害對(duì)農(nóng)作物的侵害，減少損失，節(jié)約成本，從而減輕目前比較嚴(yán)重的糧食危機(jī)狀況.

中國(guó)農(nóng)業(yè)大學(xué)高靈旺等[2]采用Delphi7.0和MSSQL Server2000研發(fā)了農(nóng)業(yè)病蟲害預(yù)測(cè)預(yù)報(bào)專家系統(tǒng)平臺(tái)；國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心徐剛等[3]研究了基于ARIS的5種視圖在農(nóng)業(yè)信息系統(tǒng)建模中的應(yīng)用；安徽農(nóng)業(yè)大學(xué)杭小樹等[4]介紹了在面向?qū)ο蟓h(huán)境下基于CBR的農(nóng)作物病害蟲害預(yù)報(bào)專家系統(tǒng)結(jié)構(gòu)、案例表示與檢索方法.

從上述分析發(fā)現(xiàn)：每個(gè)系統(tǒng)有著獨(dú)立的數(shù)據(jù)庫(kù)，數(shù)據(jù)的傳輸、讀取和存儲(chǔ)沒有共同的標(biāo)準(zhǔn)規(guī)范，導(dǎo)致數(shù)據(jù)共享不暢，形成一個(gè)個(gè)“信息孤島”[5]，導(dǎo)致大量基礎(chǔ)工作的重復(fù)勞動(dòng)，造成人財(cái)物力的極大浪費(fèi).因此，研發(fā)一種具有標(biāo)準(zhǔn)規(guī)范、高數(shù)據(jù)共享普及率的農(nóng)業(yè)病蟲害監(jiān)測(cè)預(yù)警系統(tǒng)是十分必要的.在安徽省植?？傉镜拇罅ν苿?dòng)下，安徽農(nóng)業(yè)大學(xué)植保學(xué)院和信息與計(jì)算機(jī)學(xué)院聯(lián)合研發(fā)了安徽省農(nóng)作物病蟲害監(jiān)測(cè)預(yù)警系統(tǒng).本系統(tǒng)基于SOA思想，采用WebService技術(shù)，無(wú)論客戶端使用何種操作系統(tǒng)，采用何種開發(fā)工具，只要遵循本系統(tǒng)的數(shù)據(jù)標(biāo)準(zhǔn)規(guī)范，通過調(diào)用本系統(tǒng)的對(duì)外應(yīng)用程序接口便可獲取需要的病蟲害數(shù)據(jù).目前，本系統(tǒng)積累數(shù)據(jù)30萬(wàn)條，可以完成小麥、水稻，棉花等農(nóng)作物20多種病蟲害的預(yù)測(cè)分析，部分實(shí)現(xiàn)了植保工作決策智能化.此外，該系統(tǒng)提供了手機(jī)客戶端，為農(nóng)業(yè)專家提供了一種隨時(shí)、隨地、隨身的新型病蟲害預(yù)測(cè)模式，為農(nóng)戶提供了方便的病蟲害信息服務(wù).

1 系統(tǒng)框架設(shè)計(jì)

圖1 系統(tǒng)框架

本系統(tǒng)分6層：數(shù)據(jù)層，連接層，服務(wù)層，傳輸層，應(yīng)用層和用戶層(見圖1).

本系統(tǒng)使用數(shù)據(jù)庫(kù)管理系統(tǒng)MSSQL Server2005搭建基礎(chǔ)數(shù)據(jù)庫(kù)，采用XML建立病蟲害知識(shí)庫(kù)，此二庫(kù)與文檔資料庫(kù)共同構(gòu)建系統(tǒng)的數(shù)據(jù)層，物理展現(xiàn)為數(shù)據(jù)庫(kù)服務(wù)器.

基于VS.NET2008平臺(tái)和WebService技術(shù)構(gòu)建、研發(fā)系統(tǒng)的服務(wù)層，物理展現(xiàn)為Web應(yīng)用服務(wù)器.服務(wù)層主要實(shí)現(xiàn)下述2大功能：

(1)服務(wù)層為客戶端提供應(yīng)用程序接口服務(wù)以及規(guī)范統(tǒng)一的交互數(shù)據(jù)格式.基于成熟、可靠的HTTP、SOAP協(xié)議，客戶端通過應(yīng)用程序接口服務(wù)與服務(wù)層建立連接并進(jìn)行數(shù)據(jù)交互，交互的數(shù)據(jù)格式統(tǒng)一為XML(針對(duì)PC客戶端)或JSON(針對(duì)手機(jī)客戶端)格式，采用AES算法對(duì)交互數(shù)據(jù)進(jìn)行加解密.

(2)服務(wù)層與數(shù)據(jù)層建立連接，交互數(shù)據(jù).服務(wù)層收到客戶端發(fā)來的加密數(shù)據(jù)后，通過AES算法解密以及XML或JSON格式解析后，加密數(shù)據(jù)被轉(zhuǎn)換為原始數(shù)據(jù).基于原始數(shù)據(jù)提供的客戶端請(qǐng)求信息，服務(wù)層采用不同的連接方式與數(shù)據(jù)層建立連接并交互數(shù)據(jù).若客戶端請(qǐng)求基礎(chǔ)數(shù)據(jù)或病蟲害知識(shí)，服務(wù)層通過Transact￣SQL引用(數(shù)據(jù)庫(kù)引擎)與數(shù)據(jù)層建立連接并交互數(shù)據(jù)；若客戶端請(qǐng)求文檔資料，基于VS.NET提供的System.IO Namespace，服務(wù)層采用數(shù)據(jù)流的方式與數(shù)據(jù)層建立連接并交互數(shù)據(jù).

服務(wù)層從數(shù)據(jù)層獲取客戶端需要的數(shù)據(jù)后，將數(shù)據(jù)轉(zhuǎn)換為XML或JSON格式，并進(jìn)行AES算法加密，反饋給客戶端.基于服務(wù)層提供的應(yīng)用程序接口服務(wù)和規(guī)范統(tǒng)一的交互數(shù)據(jù)格式，應(yīng)用層客戶端具有以下2大優(yōu)勢(shì)：

(ⅰ)研發(fā)優(yōu)勢(shì).應(yīng)用層客戶端根據(jù)自身實(shí)現(xiàn)需求選擇合適的開發(fā)語(yǔ)言和平臺(tái)，采用并發(fā)、模塊化的研發(fā)方式，提高客戶端模塊的研發(fā)效率，減少研發(fā)工作量，節(jié)約研發(fā)成本，同時(shí)真正意義上實(shí)現(xiàn)應(yīng)用層客戶端物理上相互獨(dú)立，邏輯上相互關(guān)聯(lián).圖1中應(yīng)用層的“數(shù)據(jù)上報(bào)模塊”、“實(shí)時(shí)動(dòng)態(tài)模塊”等采用Javascript語(yǔ)言研發(fā)，“智能移動(dòng)終端查詢模塊”采用Java語(yǔ)言研發(fā).

(ⅱ)用戶體驗(yàn)優(yōu)勢(shì).用戶體驗(yàn)的好與壞取決于“時(shí)效性”和“感官性”這2個(gè)方面.(a)時(shí)效性.許多研究表明，用戶最滿意的打開新界面的時(shí)間是2 s以內(nèi)，而新界面打開的時(shí)間由“數(shù)據(jù)讀寫時(shí)間”、“數(shù)據(jù)傳輸時(shí)間”、“數(shù)據(jù)計(jì)算時(shí)間”以及“數(shù)據(jù)表現(xiàn)時(shí)間”共同決定.基于服務(wù)層提供的應(yīng)用程序服務(wù)和規(guī)范統(tǒng)一的交互數(shù)據(jù)格式，實(shí)現(xiàn)了數(shù)據(jù)計(jì)算工作移至應(yīng)用層客戶端，降低了服務(wù)層的工作負(fù)載，提高了服務(wù)層的工作效率，進(jìn)而減少了服務(wù)層完成數(shù)據(jù)讀寫工作的時(shí)間；同時(shí)也減少了交互數(shù)據(jù)傳輸總量，降低了數(shù)據(jù)傳輸時(shí)間；此外，將數(shù)據(jù)計(jì)算工作移至應(yīng)用層客戶端完成，不僅充分利用了閑置的計(jì)算機(jī)資源，而且又進(jìn)一步降低了數(shù)據(jù)計(jì)算時(shí)間，有效地提高了用戶體驗(yàn)的時(shí)效性.(b)感官性.基于上述的“研發(fā)優(yōu)勢(shì)”，應(yīng)用層客戶端輕便地采用富客戶端技術(shù)為用戶提供一個(gè)更高和更全方位的體驗(yàn).

2 系統(tǒng)特點(diǎn)

農(nóng)作物病蟲害監(jiān)測(cè)預(yù)警系統(tǒng)的用戶為安徽省農(nóng)戶、縣級(jí)植保站、市級(jí)植保站和省級(jí)植保站.其中，縣級(jí)、市級(jí)和省級(jí)植保站用戶需要上報(bào)、統(tǒng)計(jì)、計(jì)算和表現(xiàn)大量的數(shù)據(jù).如果采用傳統(tǒng)的服務(wù)端開發(fā)模式，就會(huì)增加研發(fā)成本、加重服務(wù)器工作負(fù)載、降低用戶體驗(yàn)滿意度.因此，筆者采用WebService技術(shù)，使得該系統(tǒng)具有以下3點(diǎn)優(yōu)勢(shì)：(1)服務(wù)器工作規(guī)范.由于減去了數(shù)據(jù)計(jì)算、統(tǒng)計(jì)等復(fù)雜工作，極大地降低了服務(wù)器工作負(fù)載，提高了服務(wù)器讀寫數(shù)據(jù)層數(shù)據(jù)的效率；(2)交互數(shù)據(jù)的格式規(guī)范統(tǒng)一.易于加密，提高了傳輸過程中的數(shù)據(jù)保密性和軟件系統(tǒng)的兼容性擴(kuò)展性；(3)應(yīng)用程序接口服務(wù)規(guī)范.客戶端實(shí)現(xiàn)了并行、模塊化研發(fā)，提高了軟件系統(tǒng)研發(fā)效率，減少了研發(fā)工作量，節(jié)約了研發(fā)成本，提高了用戶體驗(yàn)滿意度.

3 基于AHP的CBR的預(yù)警決策模型

針對(duì)目前病蟲害預(yù)測(cè)準(zhǔn)確性和時(shí)效性問題，結(jié)合AHP方法和案例推理(CBR)，提出了“基于AHP的CBR的預(yù)警決策”模型.該模型將第一線人員豐富的經(jīng)驗(yàn)與知識(shí)轉(zhuǎn)換為新的范例存入病蟲害知識(shí)庫(kù)，動(dòng)態(tài)、實(shí)時(shí)地更新病蟲害知識(shí)庫(kù).

3.1層次分析法

層次分析法(Analytic Hierarchy Process,AHP)是美國(guó)著名的運(yùn)籌學(xué)家Thomas L.Saaty教授于20世紀(jì)70年代初提出的一種定性分析與定量計(jì)算相結(jié)合的多目標(biāo)決策分析方法.[6-7]該方法在定量數(shù)據(jù)信息較少的情況，通過系統(tǒng)性的分析作出簡(jiǎn)潔實(shí)用的決策.但該方法也有它的局限性：不能為決策提供新方案；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“相似的問題有相似解”，通過對(duì)以往成功案例的過程與結(jié)果的重用來解決新問題.案例中的相似度計(jì)算分為3類：概念語(yǔ)義相似度、基于類型的屬性語(yǔ)義的相似度以及基于數(shù)據(jù)類型的屬性值的相似度計(jì)算.[8]CBR也具有其局限性：案例庫(kù)自適應(yīng)性不強(qiáng)、對(duì)學(xué)習(xí)樣本依賴性比較大.

3.3基于AHP的CBR預(yù)警決策模型

基于AHP的CBR預(yù)警決策模型采用的是第3類相似度計(jì)算.模型基本步驟與算法：

(1)群組專家分析現(xiàn)場(chǎng)采樣的數(shù)據(jù)與農(nóng)業(yè)病蟲害發(fā)生發(fā)展有關(guān)的數(shù)據(jù)，參考?xì)v史數(shù)據(jù)并結(jié)合自己的經(jīng)驗(yàn)與知識(shí)，提出此次農(nóng)業(yè)病蟲害發(fā)生發(fā)展的影響因子，算法如下：

Input:現(xiàn)場(chǎng)采樣的與農(nóng)業(yè)病蟲害發(fā)生發(fā)展有關(guān)的數(shù)據(jù);

Input:歷史參考數(shù)據(jù);

For k← 1 to N //N:參與AHP的群組專家數(shù)

PestFactorArrk={關(guān)鍵影響因子};

Next k

(2)系統(tǒng)整合所有群組專家提出的影響因子，采用Delphi方法確定最終使用的關(guān)鍵影響因子.[9]

(3)系統(tǒng)基于關(guān)鍵影響因子生成判斷矩陣，再由群組專家賦權(quán)重，算法如下：

For k← 1 to N //N:參與AHP的群組專家數(shù)

n=PestFactorArr.length;

for i← 1 to n

for j ← to n

//獲得關(guān)鍵影響因子判斷矩陣，如圖4

Ak=[aijk];

Next j

Next i

Next k

(4)將賦了權(quán)重的判斷矩陣作歸一化處理和一致性檢驗(yàn)，生成最終使用的關(guān)鍵影響因子(含有權(quán)重)，算法如下：

For k← 1 to N //N:參與AHP的群組專家數(shù)

For i← to n //歸一化處理

Next i

For i← to n

//單個(gè)群組專家的關(guān)鍵影響因子權(quán)重矩陣

Wk=(W1k,W2k,……,Wnk)T;

//判斷矩陣的最大特征值

CIk=(λmax-n)/(n-1);

CR=CIk/RI;//一致性檢驗(yàn)

//最終關(guān)鍵影響因子權(quán)重矩陣

W=Wk/n;

(5)采用最終確定的關(guān)鍵影響因子(含權(quán)重)的采樣數(shù)據(jù)進(jìn)行CBR推理，算法如下：

Input:采樣的關(guān)鍵影響因子數(shù)據(jù);

S+=正向范例匹配度;

S-=反向范例匹配度;

If (S+-S-)> 閾值區(qū)間上限 then

病蟲害爆發(fā)可能性大;

Else if (S+-S-)<閾值區(qū)間下限 then

病蟲害爆發(fā)可能性小;

Else if(S+-S-)∈閾值區(qū)間 then

基于AHP范例分析;//流程參考基于AHP范例建立

End if

(6)將范例寫入范例庫(kù).

4 實(shí)例分析

本文選定4位專家組成專家群組，對(duì)2012年安徽淮北地區(qū)小麥白粉病發(fā)生發(fā)展進(jìn)行預(yù)測(cè)實(shí)例模擬.

當(dāng)完成第1，2步操作后，確定了小麥白粉病發(fā)生發(fā)展關(guān)鍵影響因子：“日照時(shí)數(shù)”、“降雨量”、“小麥苗青長(zhǎng)勢(shì)”、“當(dāng)前田間小氣候”、“抗性品種面積比例”和“當(dāng)前病情基數(shù)比例”，然后執(zhí)行第3步，基于關(guān)鍵影響因子，系統(tǒng)生成判斷矩陣，并由群組專家賦權(quán)重(見表1).

表1 關(guān)鍵影響因子判斷矩陣生成

群組專家完成賦權(quán)重工作后，判斷矩陣分別為：

獲得群組專家的判斷矩陣后，執(zhí)行第4步，將判斷矩陣作歸一化處理和一致性檢驗(yàn)，生成最終使用的關(guān)鍵影響因子(含權(quán)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).

最終得出關(guān)鍵影響因子權(quán)重為

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

基于最終獲得的關(guān)鍵影響因子及權(quán)重，執(zhí)行第5步，根據(jù)現(xiàn)場(chǎng)采樣的數(shù)據(jù)與農(nóng)業(yè)病蟲害發(fā)生發(fā)展有關(guān)的數(shù)據(jù)進(jìn)行CBR推理.通過推理，預(yù)測(cè)2012年安徽淮北地區(qū)小麥白粉病爆發(fā)程度最有可能為輕發(fā)生，模擬結(jié)果與實(shí)際發(fā)生情況相符.

4 結(jié)語(yǔ)

安徽省農(nóng)作物病蟲害監(jiān)測(cè)預(yù)警系統(tǒng)已經(jīng)投入運(yùn)行6年并取得了很好的效果.該系統(tǒng)實(shí)現(xiàn)了安徽省農(nóng)作物病蟲數(shù)據(jù)的共享普及率.基于AHP的CRB預(yù)警決策模型采用定性與定量相結(jié)合，實(shí)現(xiàn)了范例庫(kù)動(dòng)態(tài)、實(shí)時(shí)更新，改變了傳統(tǒng)范例庫(kù)自適應(yīng)性不強(qiáng)，對(duì)學(xué)習(xí)樣本依賴性大的弱點(diǎn)，顯著提高了小麥、水稻，棉花等農(nóng)作物20多種病蟲害的預(yù)測(cè)結(jié)果.

[1] 羅菊花,黃文江,韋朝領(lǐng)，等.基于GIS的農(nóng)作物病蟲害預(yù)警系統(tǒng)的初步建立[J].農(nóng)業(yè)工程學(xué)報(bào),2008,24(12):127-131.

[2] 高靈旺,陳繼光,于新文，等.農(nóng)業(yè)病蟲害預(yù)測(cè)預(yù)報(bào)專家系統(tǒng)平臺(tái)的開發(fā)[J].農(nóng)業(yè)工程學(xué)報(bào),2006,22(10):154-158.

[3] 徐 剛,陳天恩,陳立平,等.基于ARIS的農(nóng)業(yè)信息采集平臺(tái)需求分析方法[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(8):136-140.

[4] 杭小樹,熊范倫.基于CBR的農(nóng)作物病蟲害預(yù)報(bào)專家系統(tǒng)[J].計(jì)算機(jī)工程與應(yīng)用,2000(10):161-163.

[5] 馮 靚,李立特,主振強(qiáng)，等.基于SOA思想的電子口岸信息平臺(tái)系統(tǒng)[J].計(jì)算機(jī)應(yīng)用與軟件,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 麗，朱愛華，趙 勻.應(yīng)用層次分析法計(jì)算分插機(jī)構(gòu)優(yōu)化目標(biāo)的權(quán)重[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29(2)：60-65.

[8] 趙偉偉,董 冬,王 昆，等.一種基于CBR和多Agent的Web服務(wù)個(gè)性化組合[J].計(jì)算機(jī)應(yīng)用與軟件,2012,29(1):145-148,240.

[9] 陳 衛(wèi),方延健,馬永軍,等.基于Delphi法和AHP法的群體決策研究及應(yīng)用[J].計(jì)算機(jī)工程,2003,29(5):18-20.

(責(zé)任編輯 陳炳權(quán))

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

國(guó)家自然科學(xué)基金資助項(xiàng)目(31371533)；安徽省自然科學(xué)基金資助項(xiàng)目(1308085MF89)；安徽省“十二五”科技攻關(guān)資助項(xiàng)目(12010302079,1301032169)

王慶人(1986-)，安徽合肥人，安徽農(nóng)業(yè)大學(xué)信息與計(jì)算機(jī)學(xué)院碩士生，主研從事數(shù)據(jù)庫(kù)技術(shù)研究

張友華(1966-)，男，安徽合肥人，安徽農(nóng)業(yè)大學(xué)信息與計(jì)算機(jī)學(xué)院教授，博士，主要從事農(nóng)業(yè)信息化研究.

TP302.1

A

10.3969/j.issn.1007-2985.2014.03.012