案例3奶牛數(shù)字化精細(xì)養(yǎng)殖系統(tǒng)與大數(shù)據(jù)課件

1、創(chuàng) 意 點(diǎn) 亮 未 來(lái)范國(guó)雄 廣東梅縣東山中學(xué)溫孚江 山東農(nóng)業(yè)大學(xué) 校長(zhǎng) 教授農(nóng)業(yè)大數(shù)據(jù)聯(lián)盟理事長(zhǎng)大數(shù)據(jù)走進(jìn)農(nóng)業(yè)生產(chǎn)農(nóng)業(yè)（廣義）生產(chǎn)的產(chǎn)前、產(chǎn)中、產(chǎn)后提供全程跟蹤服務(wù)。政府決策提供咨詢、指導(dǎo)。企業(yè)生產(chǎn)、轉(zhuǎn)型、市場(chǎng)營(yíng)銷提供咨詢、指導(dǎo)。農(nóng)業(yè)大數(shù)據(jù)如何為農(nóng)業(yè)現(xiàn)代化服務(wù)?釋義：利用大數(shù)據(jù)思維、方法及技術(shù)來(lái)解決涉農(nóng)產(chǎn)業(yè)相關(guān)問(wèn)題的農(nóng)業(yè)大數(shù)據(jù)。特點(diǎn)：數(shù)據(jù)來(lái)之不易功能：關(guān)聯(lián)、預(yù)測(cè)目的：掌控和改變事物的發(fā)生“必然”案例 1“神農(nóng)物聯(lián)”大數(shù)據(jù)云平臺(tái)的建設(shè)神農(nóng)物聯(lián)網(wǎng)-神農(nóng)物聯(lián)網(wǎng)-神農(nóng)物聯(lián)網(wǎng)-渤海糧倉(cāng)農(nóng)業(yè)大數(shù)據(jù)的獲取信息感知功能（該系統(tǒng)已推廣應(yīng)用）數(shù)據(jù)分析服務(wù)功能“神農(nóng)物聯(lián)”農(nóng)業(yè)大數(shù)據(jù)云平臺(tái)應(yīng)用大數(shù)據(jù)平臺(tái)主要應(yīng)用于：

2、互聯(lián)網(wǎng)+農(nóng)業(yè)物聯(lián)網(wǎng)農(nóng)業(yè)大數(shù)據(jù)智慧農(nóng)業(yè)渤海糧倉(cāng)大數(shù)據(jù)平臺(tái)研發(fā)-背景案 例 2 “渤海糧倉(cāng)”科技示范工程，是2013年4月科技部在山東、河北、天津、遼寧4省市正式啟動(dòng)實(shí)施的重大科技支撐項(xiàng)目。主要針對(duì)三省一市環(huán)渤海低平原地區(qū)淡水資源匱乏、土壤瘠薄及鹽堿等問(wèn)題，通過(guò)綜合實(shí)施土、肥、水、種等關(guān)鍵技術(shù)，達(dá)到糧食增產(chǎn)目的。 計(jì)劃通過(guò)對(duì)環(huán)渤海地區(qū)4000多萬(wàn)畝中低產(chǎn)田和1000多萬(wàn)畝鹽堿荒地的改造,實(shí)現(xiàn)到2017年增糧60億斤,到2020年增糧100億斤的目標(biāo),將長(zhǎng)期遭受旱、澇、堿災(zāi)害的環(huán)渤海地區(qū)建成我國(guó)重要的“糧倉(cāng)”。環(huán)渤海鹽堿地如何科學(xué)改造鹽堿變化規(guī)律如何把握鹽堿地水鹽變化規(guī)律如何如何科學(xué)施肥如何科學(xué)灌溉

3、如何科學(xué)預(yù)防自然災(zāi)害渤海糧倉(cāng)工程的經(jīng)濟(jì)效益如何渤海糧倉(cāng)工程的社會(huì)效益如何渤海糧倉(cāng)工程的環(huán)境效益如何上述各因子之間的關(guān)聯(lián)關(guān)系如何？2022/7/24渤海糧倉(cāng)科技示范工程面臨的難題案 例數(shù)據(jù)采集實(shí)時(shí)采取數(shù)據(jù)，并積累分析人工采集樣品，分析得出數(shù)據(jù)渤海糧倉(cāng)科技示范工程大數(shù)據(jù)平臺(tái)案 例 2案例 2渤海糧倉(cāng)增產(chǎn)增效的大數(shù)據(jù)支撐研究大數(shù)據(jù)跟蹤研究預(yù)測(cè)建議（1）土壤改良 18%的土樣有機(jī)質(zhì)含量低，這些地塊應(yīng)加大有機(jī)肥的施用。 東5功能區(qū)需要注意及時(shí)補(bǔ)施氮肥，以滿足作物生長(zhǎng)需要。 42%的樣品有效磷含量偏低，不能滿足生產(chǎn)需要，應(yīng)及時(shí)補(bǔ)充。 另外，按照山東省濱海鹽漬土分級(jí)標(biāo)準(zhǔn)，85%的土樣屬于脫鹽 地，但76個(gè)樣

4、點(diǎn)（22800畝）含鹽量高，特別是其中的2400 畝重度鹽堿地，應(yīng)采取控鹽漬化措施。 樣點(diǎn)土壤已有27.50%出現(xiàn)干旱，需要灌溉。 案例2渤海糧倉(cāng)增產(chǎn)增效的大數(shù)據(jù)支撐研究大數(shù)據(jù)跟蹤研究預(yù)測(cè)建議（2）春季麥田管理根據(jù)一類苗數(shù)占所有采集點(diǎn)8.2%（41個(gè)）、二類苗占12.4%（62個(gè)）、三類苗占79.8%（402個(gè)）及無(wú)病蟲(chóng)和凍害等數(shù)據(jù)信息，建議加強(qiáng)分類指導(dǎo)，因地因苗制宜，科學(xué)運(yùn)籌肥水，抗旱保苗，促弱轉(zhuǎn)壯，控鹽保墑，構(gòu)建合理群體，加快轉(zhuǎn)化升級(jí)，奠定豐收基礎(chǔ)（最高產(chǎn)量1100多斤)。 .案例3奶牛數(shù)字化精細(xì)養(yǎng)殖系統(tǒng)與大數(shù)據(jù)內(nèi)容：數(shù)據(jù)采集、數(shù)據(jù)庫(kù)構(gòu)建、自動(dòng)控制。目的：通過(guò)大數(shù)據(jù)研究，提高奶牛飼料營(yíng)養(yǎng)、

5、育種、繁殖、疾病防治等技術(shù)管理水平。案例3奶牛數(shù)字化精細(xì)養(yǎng)殖系統(tǒng)與大數(shù)據(jù)對(duì)奶牛產(chǎn)奶量、運(yùn)動(dòng)量、體重、乳汁電導(dǎo)率、牛舍溫濕度等數(shù)據(jù)進(jìn)行實(shí)時(shí)采集和貯存管理，通過(guò)對(duì)歷史數(shù)據(jù)的分析建立模型，通過(guò)對(duì)實(shí)時(shí)數(shù)據(jù)的監(jiān)控和模型分析，監(jiān)控奶牛產(chǎn)奶量是否異常，對(duì)奶牛發(fā)情、乳房健康狀況進(jìn)行診斷，自動(dòng)控制分群設(shè)備、補(bǔ)料設(shè)備及環(huán)境控制設(shè)備。案例3奶牛數(shù)字化精細(xì)養(yǎng)殖系統(tǒng)與大數(shù)據(jù)軟件牛群管理模塊可視化界面1案例3奶牛數(shù)字化精細(xì)養(yǎng)殖系統(tǒng)與大數(shù)據(jù)軟件牛群管理模塊可視化界面2案例3奶牛數(shù)字化精細(xì)養(yǎng)殖系統(tǒng)與大數(shù)據(jù)用乳汁電導(dǎo)率歷史數(shù)據(jù)和奶牛體細(xì)胞數(shù)測(cè)定建立的用于隱形乳房炎診斷的電導(dǎo)率與體細(xì)胞數(shù)關(guān)系模型案例3 實(shí)時(shí)數(shù)據(jù)采集和分析的結(jié)果利

6、用通過(guò)產(chǎn)奶量、運(yùn)動(dòng)量、體重適時(shí)記錄數(shù)據(jù)，系統(tǒng)分析給出奶牛個(gè)體營(yíng)養(yǎng)需要量，在擠奶廳對(duì)每一頭奶牛進(jìn)行定量補(bǔ)飼，實(shí)現(xiàn)奶牛的精準(zhǔn)營(yíng)養(yǎng)管理。自 動(dòng) 補(bǔ) 料記錄奶牛適時(shí)運(yùn)動(dòng)量，通過(guò)與由歷史數(shù)據(jù)建立的發(fā)情診斷模型比對(duì)，發(fā)現(xiàn)發(fā)情牛只，檢出率90%，誤檢率可259 種質(zhì)資源 1,472 SSR標(biāo)記 6,799,910 聯(lián)合標(biāo)記 3,559,291 SNP位點(diǎn) 20,602,973 選擇性剪切 45,326,068案例3生物數(shù)據(jù)庫(kù)的構(gòu)建與應(yīng)用生物數(shù)據(jù)庫(kù)應(yīng)用 基于這些專業(yè)數(shù)據(jù)庫(kù)，已經(jīng)定位和克隆了一些與高 產(chǎn)、優(yōu)質(zhì)、高抗等主要農(nóng)藝性狀相關(guān)的基因； 構(gòu)建了快速鑒定田間病害的試劑盒；利用數(shù)據(jù)庫(kù)中的分 子標(biāo)記，篩選了大量種

7、質(zhì)資源，為種質(zhì)資源的調(diào)查、收 集、分類、保存和育種利用提供了物質(zhì)基礎(chǔ)和技術(shù)支持。案例4大數(shù)據(jù)在農(nóng)作物蟲(chóng)害發(fā)生的預(yù)測(cè)Case 1基于SVR的玉米田四代棉鈴蟲(chóng)發(fā)生量的預(yù)測(cè)模型構(gòu)建研究背景近年來(lái)，隨Bt棉大范圍種植，第四代棉鈴蟲(chóng)對(duì)玉米葉片和果穗，特別是果穗的危害逐漸加重。而棉鈴蟲(chóng)的發(fā)生具有非線性、不穩(wěn)定、相關(guān)變量多的特點(diǎn)。將支持向量機(jī)回歸(SVR)用于棉鈴蟲(chóng)發(fā)生量的建模和預(yù)測(cè)分析，為防控服務(wù)。 支持向量回歸(SVR)支持向量機(jī)回歸(SVR)模型按LIBSVM要求的數(shù)據(jù)格式準(zhǔn)備數(shù)據(jù)集svmscale對(duì)數(shù)據(jù)規(guī)格化，選擇核函數(shù)gridregression.py搜索最佳核函數(shù)參數(shù)svmtrain訓(xùn)練建模，s

8、vmpredic進(jìn)行預(yù)測(cè)支持向量回歸(support vector regression，SVR)是Vapnik等人提出的一種新的機(jī)器學(xué)習(xí)算法。數(shù)據(jù)采集與標(biāo)準(zhǔn)化氣象變量“20-20時(shí)降水量”、“極大風(fēng)速”、“極大風(fēng)速的風(fēng)向”、“平均本站氣壓”等16個(gè)氣象變量SVR模型建立為例玉米田四代棉鈴蟲(chóng)發(fā)生量輸入變量輸出變量年份真實(shí)值擬合值絕對(duì)誤差相對(duì)誤差(%)199915.515.5998- 0.09980.6420004948.89980.10020.2020011414.0998- 0.09980.71200224.524.3999 0.10010.4120035 5.1001- 0.10012.0

9、020041918.57490.42512.2420051616.1003- 0.10030.63200639.337.69931.60074.07200742.542.39980.10020.2420084747.10030.10030.21200934.534.6003- 0.10030.2920103838.0999- 0.10.26 支持向量機(jī)回歸擬合結(jié)果與實(shí)際值對(duì)比年份真實(shí)值預(yù)測(cè)值絕對(duì)誤差相對(duì)誤差(%)20115252.9923- 0.99231.90201242.641.24321.35683.17201332.535.1017- 2.60188.01 支持向量機(jī)回歸預(yù)測(cè)結(jié)果與實(shí)際

10、值對(duì)比輸出結(jié)果與檢驗(yàn) 通過(guò)回歸模型得到的訓(xùn)練集樣本的擬合值與實(shí)際值的相關(guān)系數(shù)為0.99，而測(cè)試集樣本的預(yù)測(cè)值與實(shí)際值的相關(guān)系數(shù)為0.96。Case 2麥田主要瓢蟲(chóng)類天敵昆蟲(chóng)發(fā)生趨勢(shì)分析七星瓢蟲(chóng)與異色瓢蟲(chóng)是小麥蚜蟲(chóng)的主要天敵昆蟲(chóng) 數(shù)據(jù)分析發(fā)現(xiàn)， 兩種瓢蟲(chóng)的種群發(fā)生數(shù)量在近十幾年內(nèi)發(fā)生了反轉(zhuǎn)。研究背景原因 ？七星瓢蟲(chóng)與異色瓢蟲(chóng)發(fā)生趨勢(shì)分析麥田主要瓢蟲(chóng)類天敵昆蟲(chóng)發(fā)生趨勢(shì)決策樹(shù)分類模型分析主要相關(guān)變量年代際變化 2001 - 2014年14年間小麥生長(zhǎng)期日最低氣溫年代際變化呈上升趨勢(shì)，其趨勢(shì)線方程為：y = 0.5528x+11.573 2001 - 2014年調(diào)查日期最低氣溫的變化趨勢(shì) 2001 -

11、 2014年調(diào)查日期日照時(shí)數(shù)的變化趨勢(shì) 2001 - 2014年小麥生長(zhǎng)期日照時(shí)數(shù)年代際變化呈上升趨勢(shì)，其趨勢(shì)線方程為：y = 0.1759x+75.987決策樹(shù)分類模型的評(píng)估異色瓢蟲(chóng)決策樹(shù)分類模型預(yù)測(cè)值與真實(shí)值擬合圖 將預(yù)測(cè)誤差小于2%的數(shù)據(jù)視為預(yù)測(cè)準(zhǔn)確，將預(yù)測(cè)準(zhǔn)確數(shù)據(jù)個(gè)數(shù)占總數(shù)據(jù)個(gè)數(shù)的百分比作為預(yù)測(cè)的準(zhǔn)確度，得到該決策樹(shù)分類模型的置信度為90.62%。七星瓢蟲(chóng)決策樹(shù)分類模型預(yù)測(cè)值與真實(shí)值擬合圖 將預(yù)測(cè)誤差小于2%的數(shù)據(jù)視為預(yù)測(cè)準(zhǔn)確，將預(yù)測(cè)準(zhǔn)確數(shù)據(jù)個(gè)數(shù)占總數(shù)據(jù)個(gè)數(shù)的百分比作為預(yù)測(cè)的準(zhǔn)確度，得到該決策樹(shù)分類模型的置信度為89.06%。 日最低氣溫在調(diào)查期年際變化呈上升趨勢(shì)，隨日最低氣溫升高，七

12、星瓢蟲(chóng)數(shù)量減少。日照時(shí)數(shù)在調(diào)查期年際變化呈上升趨勢(shì)，隨日照時(shí)數(shù)的增加，異色瓢蟲(chóng)的數(shù)量增加。Case 3決策樹(shù)及SVR機(jī)器學(xué)習(xí)算法在麥蚜發(fā)生程度預(yù)測(cè)中的應(yīng)用研究背景小麥蚜蟲(chóng)是影響我國(guó)小麥生產(chǎn)的最主要害蟲(chóng)，每年危害面積2.5億畝，造成減產(chǎn)一般在15-30%。麥蚜發(fā)生缺少短期預(yù)測(cè)模型。模型建立對(duì)指導(dǎo)政府主導(dǎo)的小麥病蟲(chóng)害“統(tǒng)防統(tǒng)治”具有重要意義。決策樹(shù)樹(shù)形圖決策樹(shù)分類模型評(píng)估 經(jīng)計(jì)算得樣本中目標(biāo)變量的正確值與錯(cuò)誤值。以預(yù)測(cè)誤差小于2%作為準(zhǔn)確值，得到該決策樹(shù)分類模型的置信度為91.49%。且運(yùn)算穩(wěn)定。2003-2010年的數(shù)據(jù)作為訓(xùn)練集，2011-2013年的數(shù)據(jù)作為測(cè)試集進(jìn)行訓(xùn)練，模型真實(shí)值與預(yù)測(cè)值

13、之間的回歸系數(shù)為0.9307，預(yù)測(cè)值與真實(shí)值吻合程度高。SVR結(jié)果與檢驗(yàn)魯中區(qū)，麥蚜發(fā)生量與日照時(shí)數(shù)相關(guān)程度最高，當(dāng)日照時(shí)數(shù)大于13 h，小麥蚜蟲(chóng)發(fā)生程度為4級(jí)。在預(yù)測(cè)麥蚜發(fā)生程度時(shí)，決策樹(shù)C5.0算法的準(zhǔn)確率略低于SVR。SVR算法可以彌補(bǔ)決策樹(shù)C5.0算法在預(yù)測(cè)麥蚜發(fā)生為4和5級(jí)時(shí)誤差較大的不足。二、應(yīng)用情況案例 5、基于物聯(lián)網(wǎng)的設(shè)施農(nóng)業(yè)信息管理系統(tǒng)系統(tǒng)主界面APP界面并研制了：基于物聯(lián)網(wǎng)的設(shè)施農(nóng)業(yè)控制系統(tǒng)和溫室信息顯示、語(yǔ)音智能提示及自動(dòng)化控制系統(tǒng)。已推廣應(yīng)用二、應(yīng)用情況案例 6、 蔬菜質(zhì)量安全與溯源系統(tǒng)研發(fā)與應(yīng)用 并研制了：開(kāi)發(fā)系統(tǒng)及應(yīng)用設(shè)備，蔬菜產(chǎn)業(yè)鏈物聯(lián)網(wǎng)信息感知系統(tǒng)和蔬菜產(chǎn)業(yè)鏈物聯(lián)網(wǎng)信息感知系統(tǒng)。已推廣應(yīng)用四、今后展望四、農(nóng)業(yè)大數(shù)據(jù)產(chǎn)業(yè)化 2015年11月，由我校倡導(dǎo)并參與的“泰山神農(nóng)智谷”農(nóng)業(yè)大數(shù)據(jù)產(chǎn)業(yè)園區(qū)落戶泰安國(guó)家高新技術(shù)產(chǎn)業(yè)開(kāi)發(fā)區(qū)。總投資35億元，將分三期建設(shè)完成預(yù)計(jì)引入500家企業(yè)，實(shí)現(xiàn)年產(chǎn)值100億元。打造農(nóng)業(yè)農(nóng)村信息化技術(shù)創(chuàng)新和大數(shù)據(jù)產(chǎn)業(yè)孵化基地，以