金沙总站6155

当前位置: 网站首页 >> 学科建设 >> 重点实验室 >> 正文

广西人工林土壤生态大数据平台建设及应用示范

作者:金沙总站6155         日期:2023年12月17日

1.建设背景

  本项目构建的“广西人工林土壤生态大数据平台”创新应用,为人工林高质量可持续发展提供了科学的林地土壤环境数据支撑,以有效解决人工林地基础数据缺失问题,显著提高林地生产力,提升人工林经营质量,促进木材与加工千亿元产业高质量发展。

相关产业分布如下图所示。


2.建设内容

1)广西人工林土壤生态大数据平台设计。

  设计基于Hadoop、Spark等存储和计算框架的大数据平台技术架构,建设人工林土壤生态大数据平台,平台分为大数据采集层、大数据存储层、大数据分析层、应用层,满足高并发读写需求、海量数据的高效率存储和访问的需求以及高扩展性和高可用性的需求。

具体架构如图3所示。


2)物联网数据端到端集成的互补技术。

  Kafka和MQTT是实现物联网数据端到端集成的互补技术。通过结合使用Kafka和MQTT,企业可以构建一个强大的物联网架构,实现设备和物联网平台之间的稳定连接和高效数据传输。同时,它还能支持整个物联网系统高吞吐量数据的实时处理和分析。MQTT和Kafka的集成可以为许多物联网场景带来重要价值,例如网联汽车和车联网、智能城市基础设施、工业物联网监控、物流管理等。

具体处理流程如下图所示。


3)大数据存储和处理

  大数据存储与计算的核心,数据同步系统导入的数据存储在HDFS。MapReduce、Hive、Spark等计算任务读取HDFS上的数据进行计算,再将计算结果写入HDFS。

  MapReduce、Hive、Spark等进行的计算处理被称作是离线计算,HDFS存储的数据被称为离线数据。相对的,用户实时请求需要计算的数据称为在线数据,这些数据由用户实时产生,进行实时在线计算,并把结果数据实时返回用户,这个计算过程中涉及的数据主要是用户自己一次请求产生和需要的数据,数据规模非常。诖嬷幸桓鱿叱躺舷挛木涂梢源。

  具体数据处理流程如下图所示。


4)“云-边-端”林地生态环境监测网络

  基于物联网、5G、边缘计算、云计算等技术,建设“云-边-端”林地生态环境监测网络,研制多网融合的林地生态环境数据采集智能终端、5G智能网关和林地土壤环境数据采集APP,实现林地环境、气象、立地因子、土壤养分等的数据采集,为测土配方精准施肥推荐系统,土壤碳汇功能预测分析及监测评估系统提供基础数据。

  具体架构如下图所示。


5)人工林地生态环境数据采集智能终端

  数据采集智能终端主要由ARM Cortex-M3/ ARM Cortex-A7微处理器主控芯片、Mesh、NB-IOT、4G等网络通信模块、电源模块、传感器采集电路等组成,可外接大气、土壤、气象、电流电压、应变、振弦等传感器。主控模块根据网络通信环境,设置数据通过Mesh、NB-IOT或4G等网络发送出去,最终到达网络服务器。

  具体实物如下图所示。


6)智能气象站

  智能气象站采集包括各类气象信息(温湿度、光照度、二氧化碳、粉尘、风速风向、大气压、雨量等)。系统采用风光互补多网融合数据采集设备,该设备主要由STM32主控模块、Wi-Fi、Lora WAN、NB-IOT网络、以太网通信模块、电源模块等组成,可外接温湿度、光照度、风速风向、大气压、雨量等传感器,并将数据通过串口传输到STM32主控模块,主控模块可设置数据通过Wi-Fi、Lora WAN、NB-IOT网络、以太网等多种网络发送出去,最终到达服务器。设备支持风能、太阳能供电,可部署在野外。

  具体实物如下图所示。


7)5G智能网关

  针对采用Wi-Fi、Mesh、Lora Wan通信技术进行数据采集的林。兄5G智能网关,融合MQTT协议,实现多协议采集数据的聚合、协议转换、传输。

  实物如下图所示。



9)林地土壤环境数据采集APP

  林地土壤环境数据采集APP主要功能包括土壤数据采集、土壤数据查看、土壤养分预测、测土配方施肥推荐、土壤数据分析和施肥技术指导,实现立地因子数据采集。

10)土壤养分高光谱预测模型研究

  基于特征光谱段分别构建土壤有机质、有机碳、大量元素氮磷钾、中微量元素含量的高光谱模型。采用注意力机制、残差网络结构提高模型预测的准确性,构建卷积神经网络、时间卷积网络和改进时间卷积神经网络模型,并综合考虑建模决定系数、均方根误差和相对分析误差,选择预测准确度较高、建模效果最好的模型,如下图所示。


11)广西森林土壤有机碳多源高光谱预测的环境协同驱动机制

  以广西国有七坡林场为核心研究区,广西全区为示范研究区。研究区林地土壤类型为赤红壤,采用室内土壤高光谱采集和高光谱卫星影像数据相结合的手段,根据模型评估结果,明确高光谱卫星数据预测森林SOC的环境变量驱动机制。以期为森林SOC监测提供遥感技术支撑。

具体细节如下图所示


12)土壤养分智能检测装置

  CPU+GPU+NPU,支持以太网、Wi-Fi、4G/5G传输方式。

  支持PyTorch、TensorFlow、Tensorflow2、Caffe,以及现成的深度学习、机器学习模型。

  土壤养分智能检测装置,将土壤养分高光谱预测模型部署到该装置上,借助无人机等平台,实现土壤养分的实时检测。

  具体实物如下图所示


13)测土配方精准施肥模型

  基于机器学习算法,根据获取土壤中的养分含量,构建测土配方精准施肥模型,得到最终施肥推荐结果,从而对施肥量进行决策。

  具体模型预测图如下图所示。


14)林地土壤有机碳库容量预测模型研究

  整合土壤理化数据 、地形数据、气象数据和生物数据,采用生物量扩展因子法、生物量关系模型或比重法、单位面积生物量法、碳密度法等方法对碳储量进行估算。以以往林业碳汇监测数据为基。菇ㄍ恋乩帽浠卣。利用森林碳库专项调查建立的碳计量模型和参数,采用“库?差别法”和“储量变化法”,分别估算前期与后期的碳储量年变化量,为建立“土壤碳汇功能预测分析及监测评估系统”提供基础数据依据。

3.建设细节





版权所有:桂林理工大学信息科学与工程金沙总站6155 Copyright?2021
地址:桂林市雁山区雁山街319号 邮编:541006
电话:0773-3698153(兼传真) 邮箱:cise@glut.edu.cn
金沙总站6155(湛江)有限公司
undefined