智慧灌溉大數據管理平臺設計與應用

摘要：以粗放型為主的漫灌方式浪費水資源，探索高效節水農業灌溉意義重大。本研究研制了集數據采集、數據管理、數據可視化、分析決策和遠程管理為一體的智慧灌溉大數據管理平臺，旨在以數字化管理與智能化控制方式提升水資源利用效率。平臺利用嵌入式、物聯網、互聯網、3S（GIS、GPS、RS）等技術，采取“1+1+N”的設計模式，構建作物需水預報模型與灌溉決策模型，基于B/S構架和Java語言，設計了1個灌溉數據中心、1個灌溉數據管理系統、4個應用系統，打造了智慧灌溉大數據管理平臺。平臺在河北、河南、山東、江蘇等地區設有多個示范基地，匯聚了8個科研小組、24個試驗基地的有關多種作物的生長、灌溉、氣象、土壤等數據，平均采集數據18829條/天，幫助管理人員摸清家底；集成了多個團隊的軟件系統和62套物聯網設備，及時、定量地呈現了農作物生長狀況及環境狀態，實現了農作區動態監測，助力生產決策；生成農作物需水預報和灌溉決策方案，完成了遠程灌溉目標，并且經過實地試驗，驗證了自動灌溉的有效性，將灌溉水有效利用系數最高提升了31%以上；形成了大田產業、溫室中心、數字科研和區域灌溉等不同專題可視化布局，滿足多種農業場景應用需求。為農業生產和跨區域管理提供了便捷工具，為農業灌溉數字化系統搭建和應用提供了參考。

關鍵詞：智慧灌溉；大數據；作物需水預報；平臺設計；物聯網

1? 引言

人類用于生活和農業生產的水資源日益緊缺，因此提高用水效率具有重要意義[1]。水利部門發布的2022年《中國水資源公報》顯示，全國降水量和水資源量比多年平均值少，但全國用水總量高于多年平均值，其中農業用水的消耗量為2516.8億m?，占用水總量的 76.0%，相較2021年，2022年農業用水量增加137.0億m?，農田灌溉水的有效利用系數為0.572，較2021年增加0.004，與多年平均上升率基本一致，農業灌溉水有效利用率呈現逐年緩慢上升趨勢[2]。盡管近年來國內在提升灌溉效率方面取得了一定進展，但其發展仍然相對緩慢，遠低于發達國家0.7—0.8的水平[3]。并且多數農田依舊以粗放型漫灌為主，沒有考慮土壤特性的時空變化以及影響作物蒸散量的天氣因素的變化，僅以人工經驗為指導，經常導致水資源浪費或灌水不足[4-5]。在農業用水效率較高的以色列和美國，節水灌溉技術已經廣泛應用，例如，以色列約75%的灌溉區采用了節水滴灌技術，并將17%的農業預算用于農業科技研發，有一百多家企業生產研發監測分析工具，借此確定作物和土壤的需水量，通過信息化、數字化手段精準調控農業灌溉[6-7]；美國在2018年使用噴灌和微滴灌等精細節水的壓力灌溉系統的比例已經升至72%，其利用無人機、傳感器、數據分析等技術開展灌溉活動，并且充分考慮區域種植模式、當地氣候條件以及地表和地下水資源的可用性[8]。我國與灌溉效率較高的國家相比，主要存在高效節水灌溉技術未全面推廣、灌溉水量與作物需水不匹配、缺少科學精準的水量調度等問題[9]。實現高效節水灌溉需基于農作物特性及環境條件，科學分析其生長需水量，避免過度灌溉，并選擇合適的灌溉方式實現精準化灌溉，減少灌溉水損耗[4]。此外，當前我國從事農業生產人口年齡普遍老齡化，勞動力緊缺，人力成本上漲。根據第三次全國農業普查數據顯示，我國農業生產經營人員年齡在55歲以上占33.6%，但35歲以下人員僅占19.2%，其中經濟發達的東部地區勞動力老齡化更加嚴重，55歲以上農業從業人員比全國平均水平高4%[10]。

隨著近期物聯網、大數據等科學技術的快速發展以及國家對數字農業的大力推動，農業不斷與新技術融合，產生了更加高效的農業生產和管理模式，傳統農業正在加快轉型，向高質量發展邁進[11]。智慧灌溉是實現農業灌溉的高效節水的新興技術模式，將農業灌溉與物聯網、大數據、傳感器等技術結合，實現實時監測農業生產環境中的溫度、濕度、光照、土壤水分、作物生長狀況等信息，并對數據進行分析和處理，實現農業灌溉的智慧決策與高效管理[12]。智慧灌溉系統的實現包括數據采集、無線通信、數據處理、灌溉控制、異常檢測等五大方面內容[13]，關于智慧灌溉系統的構建，近年來國內外已有不少學者開展了相關研究與應用，主要采用機器學習、人工智能、無人機和物聯網等前沿技術實現[14]。國內方面，沈建煒等人[15]基于物聯網技術，根據實時采集的土壤墑情數據及環境數據，構建了藍莓園的智能灌溉決策系統，但系統尚未實現數據可視化，應用功能較為單一。付少華等人[16]基于物聯網收集到的土壤溫度、濕度、pH值等數據，以環境參數與設定閾值的比較作為灌溉決策依據實現自動灌溉，也設計了移動設備APP實現手動遠程控制灌溉。魯旭濤等[17]利用飛蛾撲火算法優化通信節點部署，通過水田信息及氣象參數構建了針對水田的最優灌溉決策模型及精準灌溉系統。國外方面，美國、以色列等國家已有公司開展了較為成熟的智慧灌溉系統應用和服務，例如，美國WaterBit和美國電話電報公司（AT & T）合作構建了一種維護成本低、易于安裝的智慧灌溉系統，利用太陽能傳感器檢測和分析土壤水分，可以精確計劃和控制灌溉，并使用全球SIM卡和物聯網方式發送數據到云平臺，為用戶提供可手機訪問數據及控制灌溉服務[18]；以色列的Phytech平臺利用傳感器監測作物及環境，采用人工智能和機器學習分析現場物聯網數據流并解譯為直觀的作物狀態，為灌溉調度提供建議，并在移動端提供應用程序可供隨時查看與操作[19]。此外，也有學者開展了針對智慧灌溉系統的研究，ROY等[20]通過物聯網傳感器數據構建了基于農民需求的動態灌溉調度系統，設計了隨作物不同生長時期需求調整的自動灌溉模式以及根據農民經驗或專家知識的遠程手動灌溉模式。TACE等[21]基于土壤濕度、空氣濕度、溫度和降雨傳感器采集數據，研究不同機器學習算法應用于灌溉決策支持模型中的準確率，提出了一種低消耗、低成本、可在不同環境下部署的智能灌溉系統。與發達國家相比，我國研究多關注灌溉決策模型以及通信網絡的優化，在以下方面存在不足：（1）收集數據種類少、規模小、實時性不足。（2）集成多種傳感器能力弱。（3）實際應用少，使用門檻高。

基于此，本研究設計了智慧灌溉大數據管理平臺（簡稱“平臺”），計劃運用系列現代信息技術，集成多種信息采集和灌溉設備，收集作物生長、氣象、土壤、通量等數據，構建智慧灌溉決策和農作物需水預報模型，打造環境實時監測、數據上圖分析、設備遠程可控、作物精準灌溉的綜合管理平臺，為使用人員提供決策工具和數據服務，提高水資源利用率。同時，試圖通過此平臺的應用打通數據隔離壁壘，逐步積累灌溉相關的海量數據，促進農業科學研究數據的共建共享，為未來全方位智慧灌溉提供支撐。平臺在中國農業科學院新鄉綜合試驗基地和華北試驗基地應用示范，后續將進一步完善并逐步向全國推廣。

2? 平臺需求分析

智慧灌溉是水資源的按需分配自動灌溉，具有實時性、精準性和自動化等特性，故智慧灌溉大數據管理平臺應滿足以下要求：（1）所存儲數據應豐富、連續，具有時效性、連續性和空間性。數據是實現智慧灌溉的基礎保障，尤其是土壤、氣象以及作物生理性質等方面的數據。土壤和氣象數據要具備時效性，并且連續采集，不宜中斷，最低收集間隔不建議大于1天，地理學第二定律的空間異質性要求土壤數據應包含空間信息[22]。（2）應能夠遠程控制硬件設備，實現智能決策與自動控制。遠程控制主要為遠程調取物聯網傳感器、監控攝像頭等設備數據以及遠程開啟和關閉灌溉設備，遠程操作可極大降低生產和管理成本，是智能決策與自動控制的直接執行途徑。（3）應集成作物需水規律和灌溉預測模型，提前預報灌溉方案。農作物需水規律指農作物在不同生長周期對水的需求特性，灌溉預測模型指基于土壤水分和氣象數據，結合農作物需水要求，預測未來補水量，形成最適合農作物生長的灌溉方案，這是實現智慧灌溉的關鍵。

3? 平臺設計

3.1? 平臺構架設計

平臺采取“1+1+N”的設計模式，指1個數據中心、1個管理系統、N個應用系統。數據中心負責儲存并處理各方面數據，是整個平臺的數據匯聚地，包括但不限于氣象、土壤、作物、灌溉、基地、設備、人員等。管理平臺指對平臺中各類關鍵要素進行控制，包括人的管理（開通賬號、配置功能權限）、數據管理（增加、刪除、修改、查詢）和系統管理（監控各應用系統訪問量、資源消耗量）。應用系統泛指基于平臺數據，面向特定人群和特定問題而定制開發的各個應用系統，系統形態包括web系統、APP、移動小程序、客戶端離線工具，此部分可靈活增加。

平臺的架構如圖1所示，共分為5層，自下而上分別為基礎支撐層、數據管理層、業務支撐層、應用服務層和展示層[23]。最底層的基礎支撐層為平臺提供運行環境，包括硬件、軟件和服務，采用集群虛擬化技術，實現平臺快速上線、歷史版本切換、異常監測等功能。數據管理層采用多種數據庫存儲和管理，滿足文本、圖片、地理空間等不同數據類型存儲要求，同時利用主從備份機制實現數據實時備份，進一步保障數據安全。業務支撐層處理系統的業務邏輯和核心功能，采用“中臺”方式設計，包括數據中臺和業務中臺，前者完成數據從接收、處理、過濾到統計的全流程操作；后者針對應用系統需求，將關鍵業務研發成獨立的小工具，供應用服務層使用。此種設計可減少重復開發，降低平臺后期維護成本。應用服務層是為使用人員提供可視化界面的軟件系統，為避免單個系統功能過于復雜，將滿足特定角色人群使用（例如一線生產者、企業管理人員、政府監管者）或者同類應用場景的功能抽取成獨立的應用系統，便于系統后期迭代升級。展示層指呈現軟件系統的終端設備，根據不同角色用戶特點和使用習慣，提供大屏、中屏、小屏等多種展示形式。

3.2? 功能設計

平臺功能設計以種植區環境監測、數據分析、設備控制為目標，根據不同應用場景設計了5個子系統，分別是數據管理系統、數字科研服務系統、溫室中心控制系統、大田產業管控系統、區域灌溉預報系統。除數據管理系統外，各個版塊相互獨立，每個子系統分配獨立賬號，各版塊的數據和功能互不可見，除非管理員給賬號分配多個子系統權限，通過此方式可實現數據共建共享和安全保障。各子系統主要功能如圖2所示，內容如下：（1）數據管理系統負責維護整個平臺的基礎要素和公共內容。包括三方面：a）創建用戶、分配權限；b）為其他子系統管理設備、農作物和基地，各業務系統不再維護此類公共對象，減少冗余，也便于后期向第三方單位提供數據服務；c）管理通用方法，例如決策模型、統計分析等。（2）數字科研服務系統提供科研相關功能，以數據可視化為主。通過基地選擇可查看各地情況，以圖表形式展示實時信息和歷史數據；（3）溫室中心控制系統為設施農業服務，核心功能為智能決策。以溫室三維模型為載體呈現每個灌溉設備和物聯網傳感器的空間位置分布，可遠程開啟和關閉灌溉設備；（4）大田產業管控系統負責大田場景的數據服務，顯示大田土壤水分、氣象類別、光照強度等維度，同時結合監測的數據，自動展示分析后的作物需水預報結果，輔助農田灌溉決策；（5）區域灌溉預報系統為華北基地群的管理提供服務，此為中國農業科學院管理的24個試驗基地，收集并展示基地實況、天氣預報、農作物種植情況、土壤墑情。

3.3? 數據采集方式設計

豐富的農業數據是實現智慧灌溉的基礎，是體現平臺價值的關鍵要素。研究灌溉水的有效利用需要掌握農作物用水的規律，氣象、土壤特性和作物生理特性是其中重要影響因素[5]，因此平臺集成氣象、通量、土壤、農作物等四大類數據，主要通過三種方式采集：設備采集、網絡抓取和人工填報。（1）設備采集主要是利用各類物聯網傳感器，采集種植環境及農作物自身信息，如風速、氣溫、濕度、土壤濕度、水汽、冠層溫度等數據。市場上此類傳感器數據共享方式主要有兩種：（a）支持接口形式，設備供應商直接提供數據共享服務；（b）存儲在采集設備或特定電腦中，不直接對外共享。前者比較簡單，后者不利于數據傳輸，為了提高此類場景下數據共享的時效性以及便利度，本平臺結合數據存放位置和形式，研發了共享工具，操作人員經授權后在設備上安裝此工具，可定時將數據推送到平臺服務器中。本平臺中主要數據的采集與傳輸方式見表1。此外，還通過攝像頭定點巡航功能實現農作物長勢監測，遠程掌握歷史和實時情況；（2）網絡抓取主要目的是采集天氣預報信息，通過第三方服務平臺獲取，每天自動采集一次未來七天氣象預報信息，為農作物需水預報模型提供數據支撐。（3）人工采集主要內容為統計農作物種類、株高、葉寬等信息，通過excel表格導入系統。為保證數據的時效性以及連續性，實現精準實時監控，本研究采用較短時間間隔獲取傳感器數據，大部分指標采集頻率為1次/30分鐘。

3.4? 關鍵模型構建

智慧灌溉離不開基于環境信息和農作物生長規律的決策分析以及需水預報，經過反復論證和對比，本研究構建了兩個核心模型：基于Penman-Monteith 模型的作物需水預報模型及基于環境監測分析的智慧決策模型。

3.4.1? 作物需水量預報模型

作物需水量是指在合適的土壤條件和高產目標

下，正常生長發育作物的蒸騰量與其所在土面的蒸發量之和，這是確定作物灌溉水量的重要依據[24]。本平臺主要采用參考作物系數法[25-26]計算作物實際需水量，計算公式如下：

（1）

式中：ETC為作物實際需水量，KC為作物系數，ET0為作物參考蒸散量。

通過反復對比，研究最終選取Penman-Monteith

模型（后稱PM模型）對ET0進行計算。PM模型綜合考慮了氣象因素與作物生理特性，普適性較強，并且在氣象數據充足的條件下，模型可計算出較為精確的ET0值[27-28]。具體表達式如下：

（2）

式中：ET0為日參考作物需水量（mm/d）；Rn為凈輻射（MJ/（m2d））；G為土壤熱通量。（MJ/（m2·d））；γ為濕度計常數（kPa/?C）；T為地面以上2 m高處的日平均氣溫（?C）；u2為地面以上2 m高處的風速（m/s）；es為飽和水汽壓（kPa）； ea為實際水汽壓（kPa）；?為飽和水汽壓與溫度關系曲線的斜率（kPa/?C）。

模型中的參數計算公式如下：

（3）

（4）

（5）

（6）

（7）

（8）

（9）

式中，Rns為凈短輻射（MJ/（m2d））；Rnl為凈長輻射（MJ/（m2d））；RA為碧空太陽總輻射（MJ/（m2d））；RS為短波輻射（MJ/（m2d））；RSO為晴空太陽輻射（MJ/（m2d））；Tmax，K 為最大絕對溫度，Tmin，K 為最大絕對溫度（K=℃+273.16）；e0（Tmax） 為最大絕對溫度時候的飽和水汽壓（kPa）；e0（Tmin） 為最大絕對溫度時候的飽和水汽壓（kPa）。

平臺提供當日及未來6天的作物需水預報，其中，當日預測中的數據大部分來源于實地的物聯網傳感器，其中太陽輻射、風速、水汽等數據來源于通量塔，風速和溫度取自基地氣象站；未來時間的預測數據源于氣象預報。農作物系數KC來源于平臺中存儲的作物資料庫；因氣象數據以天為單位，土壤熱通量取值為0。

3.4.2? 智慧灌溉決策模型

智慧灌溉決策指在一定周期內，根據氣象預報、傳感器回傳數據，系統自動制定灌溉方案，此環節以農作物需水預報及自然降雨量為依據，計算如何以最少灌溉量使農作物生長環境保持在最適合的水分范圍[17]。智慧灌溉決策模型流程如圖3所示，模型分為兩個階段：灌溉方案制定階段和精準灌溉實施階段。前者指根據系統中知識庫確定農作物生長最適需水量范圍，結合傳感器監測的實際土壤含水量和降雨量，計算需要灌溉的水量。后者提供兩種實施模式：自動化模式與半自動化模式。自動化模式指根據上一階段生成的灌溉方案自動控制是否啟動灌溉設備及灌溉水量，無需人為干預，半自動化模式指將方案推送給操作人員，尤其是決定是否操作開啟或關閉電磁閥，防止因誤判或設備臨時故障造成較大損失。

4? 平臺實現

為了智慧灌溉大數據管理平臺后期的可維護性和擴展性，基于前后端分離方式開發。前端通過VUE和ElementUI框架開發，利用Echarts圖表庫、Cesium引擎等工具實現數據統計、分析及三維可視化功能。后端基于Java語言開發，使用目前主流的Spring MVC 框架，借助WebGIS技術展示空間數據，如物聯網傳感器位置、基地分布、灌溉設備位置、高分影像等。通過螢石開放平臺集成各地區攝像頭，并利用流媒體技術實現視頻實時播放及歷史回放。數據存儲方面，同時應用MySQL、MongoDB和GeoDB三種數據庫，分別存放農田灌溉中的文本、圖像和空間數據，借助SuperMap的Iserver發布遙感影像和三維模型，通過MySQL的主從復制方式實現數據備份，避免因軟硬件故障或人為誤操作導致的數據丟失或損壞，保障數據安全。系統部署方面，平臺通過Apache Tomcat發布，運行在獨立物理機服務器上，利用虛擬集群方式實現數據和業務分離，滿足響應速度和并發要求。

5? 平臺應用

5.1? 實現數據匯聚，摸清家底

本平臺打通了多個科研團隊數據不共享的壁壘，通過在河南、河北、山東、江蘇等地建立的24個試驗基地，匯聚了8個科研小組62套多種品牌物聯網設備監測的數據，其中土壤墑情監測設備45套、氣象站6套、通量塔1套、作物長勢監測設備1套、灌溉設備4套、監控設備5套。此外，還通過人工采集、網絡抓取等方式補充了精細化管理所需數據，集成了大豆、棉花、小麥、水稻、油菜、玉米等多種農作物生長數據，以及農作物種植區的氣象、土壤、灌溉等對象的歷史數據，積累了海量有關農業灌溉的數據，粗略統計每天采集18 829條數據，占用存儲空間58G，為相關研究提供了有力的數據支撐，如圖4所示。多源異構的大數據經平臺統一的處理形成標準化、規范化的資源，可避免重復采集數據，提高數據利用率，同時可幫助管理人員摸清“家底”。

5.2? 實現農作區動態監測，輔助宏觀決策

通過系列軟硬件集成實現了農作區的動態監測，有效地呈現其動態發展過程，及時、定量地反映了農作物生長狀況及環境狀態，輔助生產決策。根據平臺中已收集數據的特點及采集方式，按時間狀態分為兩類：實時傳輸型數據和定期收集型數據。實時傳輸型數據主要包括：（1）氣象數據，例如風向、溫度、風速、濕度、光照等；（2）通量數據，如水汽、紅外溫度、潛熱、顯熱、凈輻射等，如圖5（a）所示；（3）土壤數據，例如土壤水分、土壤溫度、地下水位，其中土壤水分是判定灌溉與否及數量的重要指標，需要盡可能高頻率顯示。圖5（b）為2022年3－4月新鄉綜合試驗基地冬小麥種植區地下20 cm、40 cm、60 cm和80 cm的土壤水分逐日分布圖，其中4月11日降雨促使土壤水分含量劇烈上升。（4）園區實景；這類數據通過物聯網傳感器或攝像頭采集，時間頻率較高。定期收集型數據主要為農作物生長相關數據，如株高、葉寬、葉長、土壤養分、干物重等，圖5（c）展示了新鄉綜合試驗基地2019年冬小麥干物重逐月變化情況，此類數據需要人工測量，通過統計圖直觀反映變化趨勢。

5.3? 實現農作物需水預報，達成遠程灌溉目標

平臺基于2023年12月新鄉綜合試驗基地天氣預報及傳感器數據，利用作物需水預報模型實現了未來一周的冬小麥需水預報，如圖5（d）所示，未來7天（12月4日到12月10日）需水量范圍為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、直觀地向管理及生產人員提供灌溉參考，再結合土壤水分監測、灌溉區域實時監控，相關人員可遠程灌溉并查驗灌溉效果。據評估，在新鄉綜合試驗基地應用此套集成系統可節省灌溉活動15%的人員投入，并將灌溉水有效利用系數提高了31%以上。

5.4? 實現專題可視化，滿足多場景需求

平臺針對科研、大田、溫室、基地群等應用場景設計對應子系統，根據使用人員特點選擇性地展示數據，實現了農業灌溉多樣化服務的應用系統。例如面向科研人員的數據查閱需求，系統呈現農作物生長以及水、氣、熱等環境信息，并提供歷史數據變化過程以及詳細數據下載功能。對于大田生產的場景，系統提供監測設備位置分布、作物耗水預報和遠程灌溉功能，生產者足不出戶可遠程開啟或關閉灌溉設備電磁閥，減少巡田工作。針對設施農業的應用，重在結合各類傳感器數據實現智能決策，并可借助攝像頭查看是否完成操作，實現無人化生產。面向多個基地的管理需求，實現“一圖覽全貌”，從多個維度知曉不同地區基地情況，如圖6展示的天氣、監控、基地位置、種植作物、土壤溫度、土壤含水量等，實現跨區域、跨層級、跨業務的管理?？傊?，平臺的構建為灌溉領域管理、科研和生產團隊提供了一個集數據存儲、研究、管控服務為一體的工具，探索了以數據為基礎的農業灌溉，也為跨團隊交流合作搭建了橋梁。

6? 結論與展望

本平臺應用嵌入式、物聯網、互聯網、3S等技術，采取“1+1+N”的模式，構建了智慧灌溉大數據管理平臺。形成 1個數據中心、1個管理平臺，4個應用系統，整合了多個科研團隊的物聯網傳感器監測數據、網絡抓取數據和人工采集數據，每天匯總1.88萬條數據，可通過圖、表、三維模型等多種方式呈現有關灌溉的農作物生理狀態、氣象、土壤等多方面信息，實現了農業灌溉大數據的匯總分析與集成管理。利用作物需水預報模型、智慧灌溉決策模型及物聯網灌溉設備，實現了智慧灌溉目標。通過在新鄉綜合試驗基地應用，成功驗證了作物需水預報與智慧灌溉決策的有效性，將灌溉水有效利用系數提高了31%以上，初步形成了以數據服務生產的管理模式。平臺為科研人員、基地管理者、一線生產員分別提供數據共享、精細化管理、遠程控制等服務。

平臺的優勢為：（1）打通了6大類62套物聯網傳感器，解決了多源數據無法快速、自動化匯聚的難題，實用性強；（2）集成了主流的作物需水預報模型Penman-Monteith和智慧灌溉決策模型，解決了數據采集和決策分析相互脫節的問題；（3）提供灌溉設備遠程控制功能，分專題可視化，按應用場景提供服務，響應不同業務人員需求。

目前，平臺已經積累了豐富的農業灌溉數據，在數據收集、數據分析、數據可視化、遠程控制等方面取得了一些進步，但在應用中也面臨了不少問題，未來研究將在如下方面提升：（1）研制或集成更多自動化程度高的數據采集設備。目前平臺中大部分數據雖然已經實現自動化獲取，但也有部分數據依舊通過傳統人工測量方式上傳，如農作物的株高、葉長、葉寬等，雖然結果較為準確，但成本高、效率低，采集過程也對農作物形成一定干擾，未來通過研制或集成相關設備，探索替代人工的高效采集方法，實現農業數據的全自動化采集；（2）探索更加高效的數據傳輸技術。平臺目前使用4G網絡進行數據傳輸，對于存儲空間較大的數據例如高分影像，直接網絡傳輸的速度無法滿足應用需求，平臺后續將嘗試5G網絡；（3）建立可持續的數據共享機制。當前平臺已接入8個灌溉領域團隊的科研設備與數據，未來計劃向領域內其他團隊繼續推廣，需要建立開放共享的合作機制，引導數據協同利用。（4）加強數據分析和評價，挖掘數據利用價值。平臺現已通過數據分析實現了作物需水預報與智慧灌溉決策，下一步將深化數據分析與評價，豐富系統知識庫，將原始數據轉譯為農業決策與行動指南，此外，進一步探索數據定性描述，讓非專業人員也能讀懂數據，擴大灌溉大數據的應用場景與服務人群。未來農業灌溉必將向智慧化、數字化方向縱深發展，平臺今后也將不斷探索和深化農業灌溉大數據的應用與管理，努力為水資源集約利用提供有效工具。

參考文獻

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

[2] 中華人民共和國水利部. 中國水資源公報2022[M]. 北京：中國水利水電出版社， 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] 張亮，周薇，李道西.農業高效節水灌溉模式選擇研究進展[J].排灌機械工程學報，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] 袁紫晉，毛克彪，曹萌萌，等.國內外農業大數據發展的現狀與存在的問題[J].中國農業信息，2021，33（3）：1-12.

[7] 綜述：缺水國家以色列的“指尖”節水農業[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] 康紹忠.貫徹落實國家節水行動方案? 推動農業適水發展與綠色高效節水[J].中國水利，2019（13）：1-6.

[10] 國家統計局. 第三次全國農業普查主要數據公報（第五號）[EB/OL]. （2017-12-16）[2023-11-08]. http：//www.stats.gov.cn/sj/tjgb/nypcgb/ qgnypcgb/202302/t20230206_1902105.html.

[11] 中華人民共和國國務院. 國務院關于印發“十四五”數字經濟發展規劃的通知[EB/OL]. （2022-01-12）[2023-11-08]. https：//www.gov. cn/zhengce/zhengceku/2022-01/12/content_5667817.htm.

[12] 陸紅飛，王濤，喬冬梅，等.物聯網在農業灌溉中的應用：從灌溉自動化到智慧灌溉[J].灌溉排水學報，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] 沈建煒，李林，魏新華.丘陵地區藍莓園智能灌溉決策系統設計[J].農業機械學報，2018，49（S1）：379-386.

[16] 付少華，蘭壬庚，李偉，等.智慧農業灌溉系統的設計與實現[J].節水灌溉，2022（2）：71-74.

[17] 魯旭濤，張麗娜，劉昊，等.智慧農業水田作物網絡化精準灌溉系統設計[J].農業工程學報，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] 許海婷，黃娟萍，朱永華，等.淮北平原冬小麥土壤含水率時空特征分析[J].灌溉排水學報，2021，40（7）：1-8.

[23] 張杰，王川，董曉霞，等.基于裂變模式的農業農村信息快速調查及分析平臺開發與應用[J].中國農業科學，2022，55（21）：4158-4174.

[24] 劉鈺，汪林，倪廣恒，等.中國主要作物灌溉需水量空間分布特征[J].農業工程學報，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公式的作物系數差異分析[J].農業工程學報，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：張杰，黃仲冬，梁志杰，李世娟，劉升平.智慧灌溉大數據管理平臺設計與應用[J].農業大數據學報，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