农业大数据环境下的农作物病虫害智能化监测预警

  1

农业大数据环境下的农作物病虫害智能化监测预警

2.1   RS、GIS、GPS技术

农业大数据环境下，农作物病虫害智能化监测预警，通过3S技术能够实现农作物病虫害的有效监测。如遥感技术、GPS技术、GIS技术，其中遥感技术是黄安镇主要使用的技术之一。能够通过布置各地的传感器收集数据，随后对数据进行分析，形成可视化图像，辨别图像中的标识物。遥感技术监测病虫害发生，能够节省大量的时间、精力。传统的手动收集方法很容易导致原始数据丢失、损毁，遥感技术通过图像识别，监测植物生长，调节周围的环境因素。GIS技术有强大的空间处理能力，搜集气象数据、病虫害类型，预测当地病虫害的传播趋势。例如，稻纵卷叶螟预计中等发生，局部偏重发生，发生面积7.7万亩次。稻飞虱预计偏重发生，发生面积8.6万亩次。纹枯病预计中等发生，发生面积4.3万亩次。钻蛀性螟虫预计中等发生，局部偏重，发生面积1.83万亩次。稻瘟病预计偏轻发生，发生面积1.2万亩次。稻杆潜叶蝇预计偏轻发生。胡麻叶斑病局部偏轻发生。通过相应数据，能够清晰地了解到黄安镇的农作物现状。GPS技术则是基于遥感技术以及GIS技术集合的一种技术，通过准确的物理定位，结合植保无人机，能够对病虫害暴发地区害虫进行集中杀灭。

2.2   人工神经网络技术

人工神经网络技术对当地的病虫害进行预警，了解各因素以及有害生物之间的相互作用，分析其是否为线性基础。传统的数据分析方法很难掌握病虫害的发生规律，因传统的数据分析方法较为刻板，需要人工调节算法、分析数据。而人工神经网络模拟人脑思维结构，有自我学习、自我组织的能力，且容错性较高，对病虫害的模型建设有极佳的应用优势。

2.3   图像处理技术

图像处理技术将对应的图像信号转化为数字信号，随后在可视化角度进行分析。如对于A农田，图像处理技术将A农田划分为A1、A2、A3、A4, 对每一区域再进行细致划分。以点至面，充分了解各区内的实际情况。随后进行拼接，形成完整性的图像。在拼接过程中，图像的细致性通过“机器视觉”以及“计算机视觉”不断优化。对病虫害的识别能力有质的提升，为病虫害早期预防、识别提供优势。此外，图像处理技术与物联网技术融合，还可以提供对应服务，如定位跟踪、命令调度、决策支持等服务。在病虫害预测过程中，还可以额外分析植物的生长环境，了解植物除病虫害以外受到的其他影响因素，湿度、光照、土壤营养物等，都是关键指标。只有植物营养保证供给，才能使植物长势良好，拥有抗病虫害能力。通过多样性调节，实现病虫害数据监测的“维度”提高，保障黄安镇的病虫害有效控制以及预防。

2.4   SVM技术

SVM技术称之为“支持向量机”技术，适用于样本性、非线性以及高维模式，能够将原本的空间样本映射高维特征空间，获得最理想的分类面，保障原有的数据分离问题能够得到解决。在病虫害预警以及监测数据分析中，支持向量机虽然有样本收集速度较慢等问题，但在后续结合其他算法进行优化，将有效提高其计算的速度以及支持性。

2.5   粗集理论技术

通过粗集理论技术，对病虫害进行预警监测。黄安镇通过近年来农业大数据应用建设，当地数据库已有一定的资源。而粗集理论技术集合现有资源，将原本不确定的数据在知识库中进行再次分析描述。粗集理论能够基于国内各地区所提供的大量数据，进行重复性、精准性描绘分析。删除各数据中的冗余信息，从而简化数据中的隐藏关键点，是病虫害早期预警的重要技术之一。