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

創(chuàng)意點亮未來范國雄?廣東梅縣東山中學(xué)溫孚江

山東農(nóng)業(yè)大學(xué)校長教授農(nóng)業(yè)大數(shù)據(jù)聯(lián)盟理事長大數(shù)據(jù)走進農(nóng)業(yè)生產(chǎn)創(chuàng)意點亮未來溫孚江大數(shù)據(jù)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、市場營銷提供咨詢、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)來解決涉農(nóng)產(chǎn)業(yè)相關(guān)問

題的農(nóng)業(yè)大數(shù)據(jù)。特點：數(shù)據(jù)來之不易功能：關(guān)聯(lián)、預(yù)測目的：掌控和改變事物的發(fā)生“必然”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)。政府決策案例1

“神農(nóng)物聯(lián)”大數(shù)據(jù)云平臺

的建設(shè)案例1

“神農(nóng)物聯(lián)”大數(shù)據(jù)云平臺

的建設(shè)神農(nóng)物聯(lián)網(wǎng)-Ⅰ神農(nóng)物聯(lián)網(wǎng)-Ⅱ神農(nóng)物聯(lián)網(wǎng)-Ⅲ渤海糧倉農(nóng)業(yè)大數(shù)據(jù)的獲取神農(nóng)物聯(lián)網(wǎng)-Ⅰ神農(nóng)物聯(lián)網(wǎng)-Ⅱ神農(nóng)物聯(lián)網(wǎng)-Ⅲ渤海糧倉農(nóng)業(yè)大數(shù)據(jù)信息感知功能（該系統(tǒng)已推廣應(yīng)用）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)云平臺應(yīng)用大數(shù)據(jù)平臺主要應(yīng)用于：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)

“神農(nóng)物聯(lián)”農(nóng)業(yè)大數(shù)據(jù)云平臺應(yīng)用大數(shù)據(jù)平臺主要應(yīng)用于：互聯(lián)渤海糧倉大數(shù)據(jù)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(guān)鍵技術(shù)，達到糧食增產(chǎn)目的。計劃通過對環(huán)渤海地區(qū)4000多萬畝中低產(chǎn)田和1000多萬畝鹽堿荒地的改造,實現(xiàn)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(zāi)害的環(huán)渤海地區(qū)建成我國重要的“糧倉”。渤海糧倉大數(shù)據(jù)平臺研發(fā)-背景案例2“渤海糧倉”科環(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)灌溉如何科學(xué)預(yù)防自然災(zāi)害渤海糧倉工程的經(jīng)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(guān)聯(lián)關(guān)系如何？

2023/9/18渤海糧倉科技示范工程面臨的難題案例環(huán)渤海鹽堿地如何科學(xué)改造2023/8/6渤海糧倉科技示范工程數(shù)據(jù)采集實時采取數(shù)據(jù)，并積累分析人工采集樣品，分析得出數(shù)據(jù)數(shù)據(jù)采集渤海糧倉科技示范工程大數(shù)據(jù)平臺案例2渤海糧倉科技示范工程大數(shù)據(jù)平臺案例2案例2渤海糧倉增產(chǎn)增效的大數(shù)據(jù)支撐研究大數(shù)據(jù)跟蹤研究預(yù)測建議（1）—土壤改良

18%的土樣有機質(zhì)含量低，這些地塊應(yīng)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(chǎn)需要，應(yīng)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個樣點（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。樣點土壤已有27.50%出現(xiàn)干旱，需要灌溉。案例2渤海糧倉增產(chǎn)增效的大數(shù)據(jù)支撐研究大數(shù)據(jù)跟蹤研究預(yù)測建案例2渤海糧倉增產(chǎn)增效的大數(shù)據(jù)支撐研究大數(shù)據(jù)跟蹤研究預(yù)測建議（2）—春季麥田管理根據(jù)一類苗數(shù)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(shù)據(jù)信息，建議加強分類指導(dǎo)，因地因苗制宜，科學(xué)運籌肥水，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，奠定豐收基礎(chǔ)（最高產(chǎn)量1100多斤)。..案例2渤海糧倉增產(chǎn)增效的大數(shù)據(jù)支撐研究大數(shù)據(jù)跟蹤研究預(yù)測建議案例3奶牛數(shù)字化精細養(yǎng)殖系統(tǒng)與大數(shù)據(jù)內(nèi)容：數(shù)據(jù)采集、數(shù)據(jù)庫構(gòu)建、自動控制。目的：通過大數(shù)據(jù)研究，提高奶牛飼料營養(yǎng)、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)庫構(gòu)案例3奶牛數(shù)字化精細養(yǎng)殖系統(tǒng)與大數(shù)據(jù)對奶牛產(chǎn)奶量、運動量、體重、乳汁電導(dǎo)率、牛舍溫濕度等數(shù)據(jù)進行實時采集和貯存管理，通過對歷史數(shù)據(jù)的分析建立模型，通過對實時數(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，對奶牛發(fā)情、乳房健康狀況進行診斷，自動控制分群設(shè)備、補料設(shè)備及環(huán)境控制設(shè)備。案例3奶牛數(shù)字化精細養(yǎng)殖系統(tǒng)與大數(shù)據(jù)對奶牛產(chǎn)奶量、運動量、體案例3奶牛數(shù)字化精細養(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)字化精細養(yǎng)殖系統(tǒng)與大數(shù)據(jù)軟件牛群管理模塊可視化界案例3奶牛數(shù)字化精細養(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)字化精細養(yǎng)殖系統(tǒng)與大數(shù)據(jù)軟件牛群管理模塊可視化界案例3奶牛數(shù)字化精細養(yǎng)殖系統(tǒng)與大數(shù)據(jù)用乳汁電導(dǎo)率歷史數(shù)據(jù)和奶牛體細胞數(shù)測定建立的用于隱形乳房炎診斷的電導(dǎo)率與體細胞數(shù)關(guān)系模型案例3奶牛數(shù)字化精細養(yǎng)殖系統(tǒng)與大數(shù)據(jù)用乳汁電導(dǎo)率歷史數(shù)據(jù)和奶案例3

實時數(shù)據(jù)采集和分析的結(jié)果利用通過產(chǎn)奶量、運動量、體重適時記錄數(shù)據(jù)，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(xiàn)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(shù)據(jù)建立的發(fā)情診斷模型比對，發(fā)現(xiàn)發(fā)情牛只，檢出率>90%，誤檢率可<3%，較人工發(fā)情診斷檢出率高1倍以上，基本不需直腸診斷發(fā)情。自動發(fā)情診斷通過產(chǎn)奶量、乳汁電導(dǎo)率、體重、運動量等實施數(shù)據(jù)監(jiān)控分析，及時發(fā)現(xiàn)疑似病牛，單獨分群后做進一步診斷。輔助疾病診斷在擠奶廳出口設(shè)置分群門，自動識別牛號，通過軟件設(shè)置分群參數(shù)控制分群門開閉，將發(fā)情、疑似病牛等從牛群中單獨分離出來。自動分群通過對適時監(jiān)控的牛舍溫濕度數(shù)據(jù)進行分析，自動控制風機、噴淋設(shè)備，實現(xiàn)牛舍自動控制降溫，緩解夏季奶牛熱應(yīng)激。自動環(huán)境控制大數(shù)據(jù)應(yīng)用案例3實時數(shù)據(jù)采集和分析的結(jié)果利用通過產(chǎn)奶量、運動量、體重案例4生物數(shù)據(jù)庫的構(gòu)建與應(yīng)用生物大數(shù)據(jù)基礎(chǔ)數(shù)據(jù)類型物種/份數(shù)據(jù)大小描述種質(zhì)資源147250G煙草生物性狀，照片信息植物基因組6056.55G植物基因組序列信息植物轉(zhuǎn)錄組1560G羅非魚、玉米、小麥等RNAseq表達譜2126.47GEST、CDS等編碼序列信息病原序列23465.6G病毒，細菌，真菌，線蟲，寄生植物蘋果重測序1002T100個全球蘋果重測序序列信息........................案例4生物數(shù)據(jù)庫的構(gòu)建與應(yīng)用生物大數(shù)據(jù)基礎(chǔ)數(shù)據(jù)類型物種/份數(shù)案例3生物數(shù)據(jù)庫的構(gòu)建與應(yīng)用LAMP開發(fā)模式案例3生物數(shù)據(jù)庫的構(gòu)建與應(yīng)用LAMP開發(fā)模式案例3生物數(shù)據(jù)庫的構(gòu)建與應(yīng)用/database/index.html類型數(shù)量專業(yè)數(shù)據(jù)庫9在線實用軟件7涵蓋物種>259種質(zhì)資源1,472SSR標記6,799,910聯(lián)合標記3,559,291SNP位點20,602,973選擇性剪切45,326,068案例3生物數(shù)據(jù)庫的構(gòu)建與應(yīng)用http://biodb.sda案例3生物數(shù)據(jù)庫的構(gòu)建與應(yīng)用生物數(shù)據(jù)庫應(yīng)用基于這些專業(yè)數(shù)據(jù)庫，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)庫中的分

子標記，篩選了大量種質(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3生物數(shù)據(jù)庫的構(gòu)建與應(yīng)用生物數(shù)據(jù)庫應(yīng)用基于這些專業(yè)數(shù)據(jù)案例4大數(shù)據(jù)在農(nóng)作物蟲害發(fā)生的預(yù)測

案例4大數(shù)據(jù)在農(nóng)作物蟲害發(fā)生的預(yù)測

Case1基于SVR的玉米田四代棉鈴蟲發(fā)生量的預(yù)測模型構(gòu)建Case1基于SVR的玉米田四代棉鈴蟲發(fā)生量的預(yù)測模型構(gòu)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(guān)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(yù)測分析，為防控服務(wù)。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

支持向量回歸(SVR)支持向量機回歸(SVR)模型按LIBSVM要求的數(shù)據(jù)格式準備數(shù)據(jù)集svmscale對數(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，svmpredic進行預(yù)測支持向量回歸(supportvectorregression，SVR)是Vapnik等人提出的一種新的機器學(xué)習(xí)算法。支持向量回歸(SVR)支持向量機回歸(SVR)模型按LIB數(shù)據(jù)采集與標準化數(shù)據(jù)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氣象變量“20-20時降水量”、“極大風速”、“極大風速的風年份真實值擬合值絕對誤差相對誤差(%)199915.515.5998-0.09980.6420004948.89980.10020.2020011414.0998-0.09980.71200224.524.39990.10010.41200355.1001-0.10012.0020041918.57490.42512.2420051616.1003-0.10030.63200639.337.69931.60074.07200742.542.39980.10020.2420084747.10030.10030.21200934.534.6003-0.10030.2920103838.0999-0.10.26

支持向量機回歸擬合結(jié)果與實際值對比年份真實值預(yù)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(yù)測結(jié)果與實際值對比輸出結(jié)果與檢驗?zāi)攴菡鎸嵵禂M合值絕對誤差相對誤差(%)199915.515.

通過回歸模型得到的訓(xùn)練集樣本的擬合值與實際值的相關(guān)系數(shù)為0.99，而測試集樣本的預(yù)測值與實際值的相關(guān)系數(shù)為0.96。通過回歸模型得到的訓(xùn)練集樣本的擬合值與實際值的相關(guān)系數(shù)為0Case2麥田主要瓢蟲類天敵昆蟲發(fā)生趨勢分析Case2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(shù)據(jù)分析發(fā)現(xiàn)，兩種瓢蟲的種群發(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？七星瓢蟲與異色瓢蟲是小麥蚜蟲的主要天敵昆蟲數(shù)據(jù)分析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決策樹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(diào)查日期最低氣溫的變化趨勢主要相關(guān)變量年代際變化2001-2014年14年間小麥

2001-2014年調(diào)查日期日照時數(shù)的變化趨勢

2001-2014年小麥生長期日照時數(shù)年代際變化呈上升趨勢，其趨勢線方程為：y=0.1759x+75.9872001-2014年調(diào)查日期日照時數(shù)的變化趨勢20決策樹分類模型的評估異色瓢蟲決策樹分類模型預(yù)測值與真實值擬合圖

將預(yù)測誤差小于2%的數(shù)據(jù)視為預(yù)測準確，將預(yù)測準確數(shù)據(jù)個數(shù)占總數(shù)據(jù)個數(shù)的百分比作為預(yù)測的準確度，得到該決策樹分類模型的置信度為90.62%。決策樹分類模型的評估異色瓢蟲決策樹分類模型預(yù)測值與真實值擬合七星瓢蟲決策樹分類模型預(yù)測值與真實值擬合圖

將預(yù)測誤差小于2%的數(shù)據(jù)視為預(yù)測準確，將預(yù)測準確數(shù)據(jù)個數(shù)占總數(shù)據(jù)個數(shù)的百分比作為預(yù)測的準確度，得到該決策樹分類模型的置信度為89.06%。七星瓢蟲決策樹分類模型預(yù)測值與真實值擬合圖將預(yù)測誤差小于2

日最低氣溫在調(diào)查期年際變化呈上升趨勢，隨日最低氣溫升高，七星瓢蟲數(shù)量減少。日照時數(shù)在調(diào)查期年際變化呈上升趨勢，隨日照時數(shù)的增加，異色瓢蟲的數(shù)量增加。日最低氣溫在調(diào)查期年際變化呈上升趨勢，隨日最低氣Case3決策樹及SVR機器學(xué)習(xí)算法在麥蚜發(fā)生程度預(yù)測中的應(yīng)用Case3決策樹及SVR機器學(xué)習(xí)算法在麥蚜發(fā)生程度預(yù)測中的研究背景小麥蚜蟲是影響我國小麥生產(chǎn)的最主要害蟲，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)測模型。模型建立對指導(dǎo)政府主導(dǎo)的小麥病蟲害“統(tǒng)防統(tǒng)治”具有重要意義。研究背景小麥蚜蟲是影響我國小麥生產(chǎn)的最主要害蟲，每年危害面積決策樹樹形圖決策樹樹形圖決策樹分類模型評估

經(jīng)計算得樣本中目標變量的正確值與錯誤值。以預(yù)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。決策樹分類模型評估經(jīng)計算得樣本中目標變量的正確值與錯誤值。2003-2010年的數(shù)據(jù)作為訓(xùn)練集，2011-2013年的數(shù)據(jù)作為測試集進行訓(xùn)練，模型真實值與預(yù)測值之間的回歸系數(shù)為0.9307，預(yù)測值與真實值吻合程度高。SVR結(jié)果與檢驗2003-2010年的數(shù)據(jù)作為訓(xùn)練集，2011-2013年的魯中區(qū)，麥蚜發(fā)生量與日照時數(shù)相關(guān)程度最高，當日照時數(shù)大于13h，小麥蚜蟲發(fā)生程度為4級。在預(yù)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(yù)測麥蚜發(fā)生為4和5級時誤差較大的不足。魯中區(qū)，麥蚜發(fā)生量與日照時數(shù)相關(guān)程度最高，當日照時數(shù)大于13二、應(yīng)用情