案例3奶牛數字化精細養(yǎng)殖系統(tǒng)與大數據課件

1、創(chuàng) 意 點 亮 未 來范國雄 廣東梅縣東山中學溫孚江 山東農業(yè)大學 校長 教授農業(yè)大數據聯盟理事長大數據走進農業(yè)生產農業(yè)（廣義）生產的產前、產中、產后提供全程跟蹤服務。政府決策提供咨詢、指導。企業(yè)生產、轉型、市場營銷提供咨詢、指導。農業(yè)大數據如何為農業(yè)現代化服務?釋義：利用大數據思維、方法及技術來解決涉農產業(yè)相關問題的農業(yè)大數據。特點：數據來之不易功能：關聯、預測目的：掌控和改變事物的發(fā)生“必然”案例 1“神農物聯”大數據云平臺的建設神農物聯網-神農物聯網-神農物聯網-渤海糧倉農業(yè)大數據的獲取信息感知功能（該系統(tǒng)已推廣應用）數據分析服務功能“神農物聯”農業(yè)大數據云平臺應用大數據平臺主要應用于：

2、互聯網+農業(yè)物聯網農業(yè)大數據智慧農業(yè)渤海糧倉大數據平臺研發(fā)-背景案 例 2 “渤海糧倉”科技示范工程，是2013年4月科技部在山東、河北、天津、遼寧4省市正式啟動實施的重大科技支撐項目。主要針對三省一市環(huán)渤海低平原地區(qū)淡水資源匱乏、土壤瘠薄及鹽堿等問題，通過綜合實施土、肥、水、種等關鍵技術，達到糧食增產目的。 計劃通過對環(huán)渤海地區(qū)4000多萬畝中低產田和1000多萬畝鹽堿荒地的改造,實現到2017年增糧60億斤,到2020年增糧100億斤的目標,將長期遭受旱、澇、堿災害的環(huán)渤海地區(qū)建成我國重要的“糧倉”。環(huán)渤海鹽堿地如何科學改造鹽堿變化規(guī)律如何把握鹽堿地水鹽變化規(guī)律如何如何科學施肥如何科學灌溉

3、如何科學預防自然災害渤海糧倉工程的經濟效益如何渤海糧倉工程的社會效益如何渤海糧倉工程的環(huán)境效益如何上述各因子之間的關聯關系如何？2022/7/24渤海糧倉科技示范工程面臨的難題案 例數據采集實時采取數據，并積累分析人工采集樣品，分析得出數據渤海糧倉科技示范工程大數據平臺案 例 2案例 2渤海糧倉增產增效的大數據支撐研究大數據跟蹤研究預測建議（1）土壤改良 18%的土樣有機質含量低，這些地塊應加大有機肥的施用。 東5功能區(qū)需要注意及時補施氮肥，以滿足作物生長需要。 42%的樣品有效磷含量偏低，不能滿足生產需要，應及時補充。 另外，按照山東省濱海鹽漬土分級標準，85%的土樣屬于脫鹽 地，但76個樣

4、點（22800畝）含鹽量高，特別是其中的2400 畝重度鹽堿地，應采取控鹽漬化措施。 樣點土壤已有27.50%出現干旱，需要灌溉。 案例2渤海糧倉增產增效的大數據支撐研究大數據跟蹤研究預測建議（2）春季麥田管理根據一類苗數占所有采集點8.2%（41個）、二類苗占12.4%（62個）、三類苗占79.8%（402個）及無病蟲和凍害等數據信息，建議加強分類指導，因地因苗制宜，科學運籌肥水，抗旱保苗，促弱轉壯，控鹽保墑，構建合理群體，加快轉化升級，奠定豐收基礎（最高產量1100多斤)。 .案例3奶牛數字化精細養(yǎng)殖系統(tǒng)與大數據內容：數據采集、數據庫構建、自動控制。目的：通過大數據研究，提高奶牛飼料營養(yǎng)、

5、育種、繁殖、疾病防治等技術管理水平。案例3奶牛數字化精細養(yǎng)殖系統(tǒng)與大數據對奶牛產奶量、運動量、體重、乳汁電導率、牛舍溫濕度等數據進行實時采集和貯存管理，通過對歷史數據的分析建立模型，通過對實時數據的監(jiān)控和模型分析，監(jiān)控奶牛產奶量是否異常，對奶牛發(fā)情、乳房健康狀況進行診斷，自動控制分群設備、補料設備及環(huán)境控制設備。案例3奶牛數字化精細養(yǎng)殖系統(tǒng)與大數據軟件牛群管理模塊可視化界面1案例3奶牛數字化精細養(yǎng)殖系統(tǒng)與大數據軟件牛群管理模塊可視化界面2案例3奶牛數字化精細養(yǎng)殖系統(tǒng)與大數據用乳汁電導率歷史數據和奶牛體細胞數測定建立的用于隱形乳房炎診斷的電導率與體細胞數關系模型案例3 實時數據采集和分析的結果利

6、用通過產奶量、運動量、體重適時記錄數據，系統(tǒng)分析給出奶牛個體營養(yǎng)需要量，在擠奶廳對每一頭奶牛進行定量補飼，實現奶牛的精準營養(yǎng)管理。自 動 補 料記錄奶牛適時運動量，通過與由歷史數據建立的發(fā)情診斷模型比對，發(fā)現發(fā)情牛只，檢出率90%，誤檢率可259 種質資源 1,472 SSR標記 6,799,910 聯合標記 3,559,291 SNP位點 20,602,973 選擇性剪切 45,326,068案例3生物數據庫的構建與應用生物數據庫應用 基于這些專業(yè)數據庫，已經定位和克隆了一些與高 產、優(yōu)質、高抗等主要農藝性狀相關的基因； 構建了快速鑒定田間病害的試劑盒；利用數據庫中的分 子標記，篩選了大量種

7、質資源，為種質資源的調查、收 集、分類、保存和育種利用提供了物質基礎和技術支持。案例4大數據在農作物蟲害發(fā)生的預測Case 1基于SVR的玉米田四代棉鈴蟲發(fā)生量的預測模型構建研究背景近年來，隨Bt棉大范圍種植，第四代棉鈴蟲對玉米葉片和果穗，特別是果穗的危害逐漸加重。而棉鈴蟲的發(fā)生具有非線性、不穩(wěn)定、相關變量多的特點。將支持向量機回歸(SVR)用于棉鈴蟲發(fā)生量的建模和預測分析，為防控服務。 支持向量回歸(SVR)支持向量機回歸(SVR)模型按LIBSVM要求的數據格式準備數據集svmscale對數據規(guī)格化，選擇核函數gridregression.py搜索最佳核函數參數svmtrain訓練建模，s

8、vmpredic進行預測支持向量回歸(support vector regression，SVR)是Vapnik等人提出的一種新的機器學習算法。數據采集與標準化氣象變量“20-20時降水量”、“極大風速”、“極大風速的風向”、“平均本站氣壓”等16個氣象變量SVR模型建立為例玉米田四代棉鈴蟲發(fā)生量輸入變量輸出變量年份真實值擬合值絕對誤差相對誤差(%)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 支持向量機回歸擬合結果與實際值對比年份真實值預測值絕對誤差相對誤差(%)20115252.9923- 0.99231.90201242.641.24321.35683.17201332.535.1017- 2.60188.01 支持向量機回歸預測結果與實際

10、值對比輸出結果與檢驗 通過回歸模型得到的訓練集樣本的擬合值與實際值的相關系數為0.99，而測試集樣本的預測值與實際值的相關系數為0.96。Case 2麥田主要瓢蟲類天敵昆蟲發(fā)生趨勢分析七星瓢蟲與異色瓢蟲是小麥蚜蟲的主要天敵昆蟲 數據分析發(fā)現， 兩種瓢蟲的種群發(fā)生數量在近十幾年內發(fā)生了反轉。研究背景原因 ？七星瓢蟲與異色瓢蟲發(fā)生趨勢分析麥田主要瓢蟲類天敵昆蟲發(fā)生趨勢決策樹分類模型分析主要相關變量年代際變化 2001 - 2014年14年間小麥生長期日最低氣溫年代際變化呈上升趨勢，其趨勢線方程為：y = 0.5528x+11.573 2001 - 2014年調查日期最低氣溫的變化趨勢 2001 -

11、 2014年調查日期日照時數的變化趨勢 2001 - 2014年小麥生長期日照時數年代際變化呈上升趨勢，其趨勢線方程為：y = 0.1759x+75.987決策樹分類模型的評估異色瓢蟲決策樹分類模型預測值與真實值擬合圖 將預測誤差小于2%的數據視為預測準確，將預測準確數據個數占總數據個數的百分比作為預測的準確度，得到該決策樹分類模型的置信度為90.62%。七星瓢蟲決策樹分類模型預測值與真實值擬合圖 將預測誤差小于2%的數據視為預測準確，將預測準確數據個數占總數據個數的百分比作為預測的準確度，得到該決策樹分類模型的置信度為89.06%。 日最低氣溫在調查期年際變化呈上升趨勢，隨日最低氣溫升高，七

12、星瓢蟲數量減少。日照時數在調查期年際變化呈上升趨勢，隨日照時數的增加，異色瓢蟲的數量增加。Case 3決策樹及SVR機器學習算法在麥蚜發(fā)生程度預測中的應用研究背景小麥蚜蟲是影響我國小麥生產的最主要害蟲，每年危害面積2.5億畝，造成減產一般在15-30%。麥蚜發(fā)生缺少短期預測模型。模型建立對指導政府主導的小麥病蟲害“統(tǒng)防統(tǒng)治”具有重要意義。決策樹樹形圖決策樹分類模型評估 經計算得樣本中目標變量的正確值與錯誤值。以預測誤差小于2%作為準確值，得到該決策樹分類模型的置信度為91.49%。且運算穩(wěn)定。2003-2010年的數據作為訓練集，2011-2013年的數據作為測試集進行訓練，模型真實值與預測值

13、之間的回歸系數為0.9307，預測值與真實值吻合程度高。SVR結果與檢驗魯中區(qū)，麥蚜發(fā)生量與日照時數相關程度最高，當日照時數大于13 h，小麥蚜蟲發(fā)生程度為4級。在預測麥蚜發(fā)生程度時，決策樹C5.0算法的準確率略低于SVR。SVR算法可以彌補決策樹C5.0算法在預測麥蚜發(fā)生為4和5級時誤差較大的不足。二、應用情況案例 5、基于物聯網的設施農業(yè)信息管理系統(tǒng)系統(tǒng)主界面APP界面并研制了：基于物聯網的設施農業(yè)控制系統(tǒng)和溫室信息顯示、語音智能提示及自動化控制系統(tǒng)。已推廣應用二、應用情況案例 6、 蔬菜質量安全與溯源系統(tǒng)研發(fā)與應用 并研制了：開發(fā)系統(tǒng)及應用設備，蔬菜產業(yè)鏈物聯網信息感知系統(tǒng)和蔬菜產業(yè)鏈物聯網信息感知系統(tǒng)。已推廣應用四、今后展望四、農業(yè)大數據產業(yè)化 2015年11月，由我校倡導并參與的“泰山神農智谷”農業(yè)大數據產業(yè)園區(qū)落戶泰安國家高新技術產業(yè)開發(fā)區(qū)。總投資35億元，將分三期建設完成預計引入500家企業(yè)，實現年產值100億元。打造農業(yè)農村信息化技術創(chuàng)新和大數據產業(yè)孵化基地，以