苹果树病虫害决策支持系统研究与集成

活动决策等领域[2]。其中，智能决策支持系统是近年来研究的一个热点。

智能决策支持系统（Intelligence Decision Support System，IDSS）是DSS与AI（Artificial Intelligence）相结合，利用专家系统知识，通过逻辑推理来帮助解决复杂决策问题的辅助决策系统，由美国学者Bonczek率先提出[3]。利用IDSS进行决策，首先需建立存放各种规则、因果关系、专家经验等的知识库和利用知识库、数据库中的数据进行问题求解的推理机[4]，以及存放已建好的各种模型的模型库和存放各种求解方法的方法库;然后用户通过人机接口，应用自然语言处理系统将IDSS接入问题处理系统，由推理机在数据库、模型库、方法库及知识库中进行搜索推理，从而获取相关决策信息（见图1）。IDSS将以定量分析辅助决策的决策支持系统与以定性分析辅助决策的专家系统相结合，充分利用各系统的信息资源，进一步提高辅助决策能力[5]，成为决策人员整合、分析各类信息数据的新型决策支持工具[6]。

20世纪70年代，由美国伊利诺斯大学植病学家和计算机科学家联合开发的大豆病害诊断专家系统（PLANT/DS）迈出了专家系统在农业中应用的第一步[7]。之后，国内外许多学者都对专家

图1 智能决策支持系统

系统在各类农作物管理方面的应用进行了研究，研制了一系列专家系统。如：1986年，Lemmon在Baker和Lambert等建立的第三代棉花GOSSYM模拟模型[8]基础上，成功研制了棉花管理专家系统COMAX/GOSSYM，用于向棉花种植者推荐棉田管理措施[9]，该系统成为目前国际上最为成功的农业专家系统。1987年，Roach等[10]研制了POMME系统，可预测苹果黑星病等病害的发生时间，但仅能对少数几种病虫害进行诊治且不能自动识别病虫害类型。1992年，美国Florida大学的Lal等[11]研制了农场机械管理决策支持系统FARMSYS。2013年，墨西哥维拉克鲁斯大学的Bello-Pineda Javier等[14]建立了决策支持系统TreeDSS，可为加利福尼亚湾湿地走廊地区自然资源的管理和保护提供有力工具。水稻栽培优化决策系统RCSODS是由我国科研人员高亮之等[12]于1993年研制的，该系统将水稻模拟技术与水稻栽培的优化原理相结合，是目前国内研制的较为成功的一个决策支持系统。2007年，张娟等[13]采用数据库技术和数据挖掘技术构建了温室蔬菜栽培决策支持系统，该系统具有良好的可扩展性，并具有良好的人机交互功能，取得了良好的应用效果。这些均为本研究的开展提供了参考。

苹果是我国主要的经济作物之一，然而病虫害对苹果产量和品质危害却很大，将苹果病虫害的诊断与防治技术传授给广大果农、辅助他们进行管理决策成为当务之急。本研究在农业物联网基础上，融入大数据技术，研究并集成了苹果病虫害决策支持系统，以期为苹果病虫害的预测、预警及防治提供决策支持。

1 苹果病虫害决策支持系统的决策过程

系统将各类传感器自动采集的数据流汇集到大数据平台，并在Hadoop架构上采取MapReduce模式、NoSQL数据库处理海量数据，实现分布式、并行计算和存储，分析病虫害演化动态，构建决策树，并充分利用运筹学、小波分析、人工神经网络等现代数学方法构建决策模型，如病虫害发生动态、药物防治效应等模型。在模型解析、知识利用的基础上，通常会获得多个可行方案，对应着多个不同的结果，需要从中选优。另外，本系统还容许决策者在评价一个结果时，根据自己的偏好和价值观进行多目标决策，这就需要构造一种价值模型，将不同的目标映射到表达决策者意愿的价值空间上，以便更好地支持决策分析活动，确定优选方案。通过数据挖掘获取有用的信息和知识，进一步提高决策水平，也是本系统的显著特点。决策过程如图2所示。

图2 决策过程

2 苹果病虫害决策支持系统的研发

2.1 决策模型的建立

为建立高效并满足可持续发展的苹果树病虫害决策支持系统，需先建立如下决策过程的动力学模型：

maxV（k）=g[w（k）O（k）′]          （1）

O（k）=f0[X（k），D（k）]          （2）

并满足如下约束条件：

X（k+1）=fx[X（k），D（k）]          （3）

ri（k）=fr[xi（k）]          （4）

∑ni=1ri（k）=R（k）Rr          （5）

XXx，DDD，0≤wi≤1，∑mi=1wi=1          （6）

其中，k为决策时刻变量;V（k）为决策者的价值尺度;O（k）=（o1，o2，…，om）为决策目标向量，是状态变量X（k）和决策变量D（k）的函数，其维数m为决策结果评价指标个数;O（k）′为决策目标向量的导数;w（k）=（w1，w2，…，wm）为决策者赋予m个目标的权重向量;X（k）=（x1，x2，…，xn）为n维状态向量，表示实现某一决策过程的有关信息;D（k）=（d1，d2，…，ds）为决策向量，是决策者可以控制的状态变量和价值因素等，它由决策者控制并通过状态变量的相互作用影响到目标，其分量个数s取决于决策者可控制的变量和参量;ri（k）为在k时刻进行决策需要的第i种资源（人力、药物、肥料等）的数量，反映了系统在状态空间迁移过程中的资源约束;xi（k）为在k时刻第i种资源的状态信息;R（k）为k时刻所需的全部资源;Rr为总资源约束;Xx和DD分别为系统的状态变量空间与决策变量空间;fx为状态变量空间的迭代映射;f0为状态变量空间到目标空间的映射，它表示决策过程中所涉及到的客观规律;g为目标空间到价值空间的映射，表示决策者遵循的价值规律[15]。

2.2 系统框架及决策层次

决策支持系统一般是由数据库管理系统、模型库管理系统、知识库管理系统、方法库管理系统及人机交互系统五大部件组成，通过对这五大部件的集成实现对相关问题的决策支持[16]。图3为苹果树病虫害决策支持系统的框架，在一般决策支持系统的基础上，连接了病虫害信息采集系统，实时采集苹果树病虫害发生状态图像信息和果园环境信息;同时引入了Hadoop架构，利用大数据技术分析历史的和实时采集的海量数据，并通过数据挖掘进一步提取出有用的信息和知识，做出更为科学、准确的预测和决策。

图3 苹果树病虫害决策支持系统框架

系统决策层次如图4所示，包括数据层、处理层、决策层和发布层四部分。数据层包含通过人工整理、感知设备采集、网络搜索和专家问答等途径获取的各类数据与知识，以及它们的分类管理系统;处理层通过数据筛选、分类加工、数学建模等手段，得到与苹果树病虫害防控相关的诊断、预测、决策模型及相关的知识与逻辑，通过决策模型的解析及数据挖掘，得到苹果树病虫害诊断、预测预报所需的知识与逻辑;决策层通过调用处理层中的模型、知识与逻辑，动态寻求最佳决策方案;信息发布层则将决策方案多途径发布，做好苹果树病虫害预测预报，提供优化的防控措施，并及时将审核后的反馈信息分类添加到数据库、知识库和推理逻辑，使整个系统不断得到优化与提升。

2.3 系统功能模块设计

苹果树病虫害决策支持系统借助于友好的人机界面来实现人与系统的交互操作，立足服务于果农，因此，在系统的设计上尽量做到专而不繁、简洁明快，以快捷方便地为用户提供决策帮助。系统的主要功能通过以下六个模块来实现（见图5）。

图4 系统决策层次

图5 系统功能模块划分

2.3.1 病虫害信息模块 收集、显示苹果树病虫害的详细信息，包括病虫害形态特征、产生原因、危害影响、防控措施等。

2.3.2 病虫害搜索模块 对于文字搜索，通过输入病虫害名称、发病部位、发病时间等关键字来检索相应病虫害。当用户输入信息时，首先进行内网搜索，并将搜索到的相关病虫害所有信息显示出来;如果没有搜索结果，则外网连接搜索引擎进行搜索。对于图像信息，引入病虫害图像处理系统，对用户上传的图像信息进行处理，利用相关算法进行对比，显示相似病虫害信息。

2.3.3 病虫害诊断模块 用户通过“点击鼠标确认选项”确认自己想要查询的病害或虫害，然后对发生的时间、部位、强度等做一系列选择，本系统便会根据用户的选择筛选，给出一个或多个诊断结论，最好的结论排在最前面。

2.3.4 病虫害预测模块 对苹果树主要病虫害，逐一运用生物统计、多维时间序列分析、种群生态模型、人工神经网络等数学建模方法建立预测预报模型，为果树病虫害预警与实时防控提供决策依据。

2.3.5 病虫害论坛模块 以苹果树病虫害论坛的形式为用户提供交流平台，用户可发帖说明病虫害信息，讨论防治方法等，也可以向专家提问。

2.3.6 系统管理模块 通过该模块可以实现对系统数据库、模型库、方法库和知识库的管理。

3 结束语

刘书华等[17]设计的面向果园的苹果、梨病虫害防治决策支持系统仅通过回归分析建立预测模型，而本系统通过多种方法建立预测模型，不仅提高了预测精度，而且提供了病虫害搜索、诊断等功能，增加了系统的实用性与稳定性。

随着理论和应用的不断发展，决策支持系统因其强大的扩展性和应用的广泛性，在信息化不断融合的今天取得了丰硕的研究成果，尤其是数据挖掘、人工智能等计算机技术的发展，大幅提升了决策支持系统的辅助决策能力。但目前研发的决策支持系统仍存在许多问题，如相关决策支持系统的灵活性、适应性差，系统各部件交互效率不高、集成化水平较低，知识提取困难[18]等，特别是随着大数据时代的到来，数值计算语言与数据库语言存在异构障碍[19]，处理和转换多样化数据困难，数据库技术对存储能力及存储方式有限制等现有决策支持系统的发展瓶颈，仍将制约着决策支持系统的发展。本文研究与集成的苹果树病虫害决策支持系统，在融入大数据分析、数据挖掘、图像检索、数学建模、定量决策等方面进行了尝试，以期为决策支持系统的进一步发展优化提供依据。

参 考 文 献：

[1] Gorry G A， Scott Morton M S. A framework for management information systems [J]. Sloan Management Review （S0019-848X），1971，13（1）： 21-36.

[2] 刘博元，范文慧，肖田元.决策支持系统研究现状分析[J].系统仿真学报，2011，23（S1）：241-244.

[3] 尹春华，顾培亮.决策支持系统研究现状及发展趋势[J].决策借鉴，2002，15（2）：41-45.

[4] 曹晓静，张航.决策支持系统的发展及其关键技术分析[J].计算机技术与发展，2006，16（11）：94-96.

[5] Huang M， Tang H W. A new representation scheme for models in decision support system [C]// IEEE International Conference on Intelligent Processing Systems.1997， 2： 1556 -1558.

[6] 李红良.智能决策支持系统的发展现状及应用展望[J].重庆工学院学报：自然科学版，2009，23（10）：140-144.

[7] 张春芳.基于Struts的大豆优化栽培管理决策支持系统研究[D].呼和浩特：内蒙古农业大学，2007.

[8] Reddy V R， Baker D N. Application of GOSSYM to analysis of the effects of weather on cotton yields[J]. Field Crops Research，1990，32（1）：83-95.

[9] Whisler F D， Acock B， Lemmon H E， et al. Crop simulation models in agronomic systems[J]. Advances in Agronomy， 1986，40（1）：141-208.

[10]Roach J， Virkar R， Drake C， et al. An expert system for helping apple growers[J]. Computers and Electronics in Agriculture，1987，2（2）：97-108.

[11]Lal H， Jones J W， Peart R M， et al. FAEMSYS—A whole-farm machinery management decision support system[J]. Agricultural Systems，1992，38（3）：257-273.

[12]高亮之，金之庆. RCSODS——水稻栽培计算机模拟优化决策系统[J].计算机农业应用，1993（3）：14-20.

[13]张娟，陈杰，刘志勇.基于数据挖掘技术的温室决策支持系统[J].微计算机信息，2007，23（3）：169-170，189.

[14]Bello-Pineda J， Obregón-Noriega V， Grageola-Núez J C， et al. Developing a user-friendly decision support system for the wetlands corridor of the Gulf of California [J]. Ocean & Coastal Management， 2013， 82：127-137.

[15]章牧，陈飞香，刘文玺，等.农业决策支持系统的概念设计与应用[J].地球信息科学，2005，7（2）：58-64.

[16]魏建兵，肖笃宁，解伏菊.人类活动对生态环境的影响评价与调控原则[J].地理科学进展，2006，25（2）：36-45.

[17]刘书华，王爱茹，邝朴生，等.面向果园的苹果、梨病虫害防治决策支持系统[J].植物保护学报，2000（4）：302-306.

[18]黄孝鹏，周献中，杨洁，等.决策支持系统及其演化发展趋势研究[J].现代管理科学，2012（4）：9-11，29.

[19]叶明，谷晨霞.“大数据”时代决策支持系统新发展[J].信息安全与技术，2013，4（8）：6-8.

推荐访问:苹果树 病虫害 支持系统 决策 集成