1.建設背景

  本項目構建的“廣西人工林土壤生态大數據平台”創新應用，為人工林高質量可持續發展提供了科學的林地土壤環境數據支撐，以有效解決人工林地基礎數據缺失問題，顯著提高林地生産力，提升人工林經營質量，促進木材與加工千億元産業高質量發展。

相關産業分布如下圖所示。

2.建設内容

1）廣西人工林土壤生态大數據平台設計。

  設計基于Hadoop、Spark等存儲和計算框架的大數據平台技術架構，建設人工林土壤生态大數據平台，平台分為大數據采集層、大數據存儲層、大數據分析層、應用層，滿足高并發讀寫需求、海量數據的高效率存儲和訪問的需求以及高擴展性和高可用性的需求。

具體架構如圖3所示。

2）物聯網數據端到端集成的互補技術。

  Kafka和MQTT是實現物聯網數據端到端集成的互補技術。通過結合使用Kafka和MQTT，企業可以構建一個強大的物聯網架構，實現設備和物聯網平台之間的穩定連接和高效數據傳輸。同時，它還能支持整個物聯網系統高吞吐量數據的實時處理和分析。MQTT和Kafka的集成可以為許多物聯網場景帶來重要價值，例如網聯汽車和車聯網、智能城市基礎設施、工業物聯網監控、物流管理等。

具體處理流程如下圖所示。

3）大數據存儲和處理

  大數據存儲與計算的核心，數據同步系統導入的數據存儲在HDFS。MapReduce、Hive、Spark等計算任務讀取HDFS上的數據進行計算，再将計算結果寫入HDFS。

  MapReduce、Hive、Spark等進行的計算處理被稱作是離線計算，HDFS存儲的數據被稱為離線數據。相對的，用戶實時請求需要計算的數據稱為在線數據，這些數據由用戶實時産生，進行實時在線計算，并把結果數據實時返回用戶，這個計算過程中涉及的數據主要是用戶自己一次請求産生和需要的數據，數據規模非常小，内存中一個線程上下文就可以處理。

  具體數據處理流程如下圖所示。

4）“雲-邊-端”林地生态環境監測網絡

  基于物聯網、5G、邊緣計算、雲計算等技術，建設“雲-邊-端”林地生态環境監測網絡，研制多網融合的林地生态環境數據采集智能終端、5G智能網關和林地土壤環境數據采集APP，實現林地環境、氣象、立地因子、土壤養分等的數據采集，為測土配方精準施肥推薦系統，土壤碳彙功能預測分析及監測評估系統提供基礎數據。

  具體架構如下圖所示。

5）人工林地生态環境數據采集智能終端

  數據采集智能終端主要由ARM Cortex-M3/ ARM Cortex-A7微處理器主控芯片、Mesh、NB-IOT、4G等網絡通信模塊、電源模塊、傳感器采集電路等組成，可外接大氣、土壤、氣象、電流電壓、應變、振弦等傳感器。主控模塊根據網絡通信環境，設置數據通過Mesh、NB-IOT或4G等網絡發送出去，最終到達網絡服務器。

  具體實物如下圖所示。

6）智能氣象站

  智能氣象站采集包括各類氣象信息（溫濕度、光照度、二氧化碳、粉塵、風速風向、大氣壓、雨量等）。系統采用風光互補多網融合數據采集設備，該設備主要由STM32主控模塊、Wi-Fi、Lora WAN、NB-IOT網絡、以太網通信模塊、電源模塊等組成，可外接溫濕度、光照度、風速風向、大氣壓、雨量等傳感器，并将數據通過串口傳輸到STM32主控模塊，主控模塊可設置數據通過Wi-Fi、Lora WAN、NB-IOT網絡、以太網等多種網絡發送出去，最終到達服務器。設備支持風能、太陽能供電，可部署在野外。

  具體實物如下圖所示。

7）5G智能網關

  針對采用Wi-Fi、Mesh、Lora Wan通信技術進行數據采集的林場，研制5G智能網關，融合MQTT協議，實現多協議采集數據的聚合、協議轉換、傳輸。

  實物如下圖所示。

9）林地土壤環境數據采集APP

  林地土壤環境數據采集APP主要功能包括土壤數據采集、土壤數據查看、土壤養分預測、測土配方施肥推薦、土壤數據分析和施肥技術指導，實現立地因子數據采集。

10）土壤養分高光譜預測模型研究

  基于特征光譜段分别構建土壤有機質、有機碳、大量元素氮磷鉀、中微量元素含量的高光譜模型。采用注意力機制、殘差網絡結構提高模型預測的準确性，構建卷積神經網絡、時間卷積網絡和改進時間卷積神經網絡模型，并綜合考慮建模決定系數、均方根誤差和相對分析誤差，選擇預測準确度較高、建模效果最好的模型，如下圖所示。

11）廣西森林土壤有機碳多源高光譜預測的環境協同驅動機制

  以廣西國有七坡林場為核心研究區，廣西全區為示範研究區。研究區林地土壤類型為赤紅壤，采用室内土壤高光譜采集和高光譜衛星影像數據相結合的手段，根據模型評估結果，明确高光譜衛星數據預測森林SOC的環境變量驅動機制。以期為森林SOC監測提供遙感技術支撐。

具體細節如下圖所示

12）土壤養分智能檢測裝置

  CPU+GPU+NPU，支持以太網、Wi-Fi、4G/5G傳輸方式。

  支持PyTorch、TensorFlow、Tensorflow2、Caffe，以及現成的深度學習、機器學習模型。

  土壤養分智能檢測裝置，将土壤養分高光譜預測模型部署到該裝置上，借助無人機等平台，實現土壤養分的實時檢測。

  具體實物如下圖所示

13）測土配方精準施肥模型

  基于機器學習算法，根據獲取土壤中的養分含量，構建測土配方精準施肥模型，得到最終施肥推薦結果，從而對施肥量進行決策。

  具體模型預測圖如下圖所示。

14）林地土壤有機碳庫容量預測模型研究

  整合土壤理化數據 、地形數據、氣象數據和生物數據，采用生物量擴展因子法、生物量關系模型或比重法、單位面積生物量法、碳密度法等方法對碳儲量進行估算。以以往林業碳彙監測數據為基礎，構建土地利用變化矩陣。利用森林碳庫專項調查建立的碳計量模型和參數，采用“庫⁃差别法”和“儲量變化法”，分别估算前期與後期的碳儲量年變化量，為建立“土壤碳彙功能預測分析及監測評估系統”提供基礎數據依據。

3.建設細節