论文部分内容阅读
为解决农田土壤墒情预测与预警,从而更好地指导农业生产,本研究通过降水量、空气温度、湿度、风速、日照时间等气象数据分析,以高效的农田土壤墒情监测系统为目标,建立了熵权法模型,其根据指标变异性的大小来确定客观权重,若某个指标的信息熵越小,表明指标值变异程度越大,提供的信息量越多,在综合评价中所能起到的作用也越大,其权重也就越大。反之亦然。运用该模型构建了适合土壤墒情数据监测的模型分析体系与智能灌溉信息系统的大数据分析架构。采用Spark作为大规模数据处理计算引擎,首先,运用回归分析,研究气象数据随机变量（X）对土壤墒情（Y）相依关系。其次,运用对应分析由定性变量构成的交互汇总表来展现各个类别之间的差异性,展示不同变量（X1,X2,…,Xk）等各个类别变量之间的对应关系,形成联列表,将联列表的行和列中各元素之间的比例结构分别以点的形式在较低维的空间中对应分析,得出农田土壤墒情监测气象信息服务优化设计方法。系统实现采用的Spark Streaming流式分布式计算,先通过Filebeat采集数据,采集后的数据直接收集到Kafka中,并利用Spark Streaming读取Kafka里的数据数据直接放到Redis与数据库中,通过Spring Boot提供微服务,读取数据库中的数据,运用Spark展示Web可视化界面。本文通过用一段时间、一定区域内的气象数据对土壤墒情预报、监测影响等研究,旨在通过观测数据的长时间分析判断,成立本地降水量等气象方面因素与土壤墒情之间的定量关系,达到根据气象因素预测土壤墒情以及实时墒情监测、诊断和预报服务的目的。结果表明:1.对应历史监测日的时段和逐日的土壤含水量诊断在基于气象站降水量数据建立土壤墒情预测模型中可以实现且具有普遍适用性。2.提高模型精度至少应具备4个条件,一是自变量最多3个并且为相对独立的变量;二是遵守质量守恒定律及统计学方法;三是具有处理不固定监测天数的方法;四是在处理数据过程中最好不人为确定参数。3.其他条件不变的情况下,年平均降水量越少,其相应的模型精准度越高。基于气象站降水量建立科学和实用的土壤墒情模型为土壤墒情监测网的建立以及实现实时动态土壤墒情预测提供了理论基础和模型方法。结论:基于大数据分析的土壤墒情预警方法可扩展应用于其他农业预测与预警。