岳學軍，蔡雨霖，王林惠，劉永鑫，王 健，洪金寶

(1 華南農(nóng)業(yè)大學 電子工程學院/人工智能學院，廣東 廣州 510642； 2 湖南科技學院電子與信息工程學院，湖南 永州 425199)

“農(nóng)情”是指農(nóng)作物生長階段的環(huán)境、溫度、物質(zhì)、災害等影響因素以及農(nóng)業(yè)外界條件與農(nóng)作物生產(chǎn)狀態(tài)的動態(tài)跟蹤，是種植人員對農(nóng)業(yè)生產(chǎn)進行增產(chǎn)方法的重要依據(jù)[1]。農(nóng)作物生長的相關(guān)信息數(shù)據(jù)決定了農(nóng)產(chǎn)品的產(chǎn)量，進而影響農(nóng)產(chǎn)品價格和農(nóng)民收入[2]。隨著信息技術(shù)在農(nóng)業(yè)領(lǐng)域的廣泛應用，各種面向復雜應用背景的農(nóng)業(yè)信息管理系統(tǒng)大量涌現(xiàn)，信息資源豐富，表現(xiàn)形式多樣，信息容量和處理要求已大大超出傳統(tǒng)處理方法的能力。如何有效采集、篩選和利用這些信息資源，充分體現(xiàn)農(nóng)業(yè)信息的時效性和綜合性，是農(nóng)業(yè)信息化亟待解決的問題之一[3]。早期的農(nóng)情監(jiān)測設(shè)備為單機監(jiān)測，傳感器采集到的數(shù)據(jù)存儲在本地，需要定期安排專人通過USB接口轉(zhuǎn)存[4]，效率極其低下。近年來隨著智慧農(nóng)業(yè)的全球化推進，先進科學技術(shù)與農(nóng)業(yè)領(lǐng)域緊密結(jié)合，在新興概念“精準農(nóng)業(yè)”中，農(nóng)產(chǎn)品質(zhì)量溯源系統(tǒng)、農(nóng)情預警系統(tǒng)、輔助決策系統(tǒng)等現(xiàn)代化農(nóng)業(yè)信息系統(tǒng)[5]對農(nóng)情信息數(shù)據(jù)感知和解析的依賴度正逐步提高。在農(nóng)業(yè)生產(chǎn)的過程中，農(nóng)情信息的智能感知及解析是關(guān)鍵環(huán)節(jié)，也是整個智慧化、信息化農(nóng)業(yè)的發(fā)展基礎(chǔ)。本文從農(nóng)情感知和信息解析2個方面來進行綜述，分析探討了現(xiàn)代高新技術(shù)在農(nóng)業(yè)中的應用現(xiàn)狀，并對未來農(nóng)業(yè)發(fā)展與科學技術(shù)的結(jié)合提出建議。

1 物聯(lián)網(wǎng)監(jiān)測與信息傳輸技術(shù)

1.1 農(nóng)業(yè)傳感器技術(shù)

傳感器技術(shù)是智慧農(nóng)業(yè)概念中的一項關(guān)鍵技術(shù)，是現(xiàn)代農(nóng)業(yè)信息化技術(shù)的核心。通過傳感器采集獲取各種農(nóng)情信息和數(shù)據(jù)，再經(jīng)由信號傳遞模塊和后臺解析技術(shù)，將抽象的農(nóng)情信息轉(zhuǎn)換成數(shù)字信號，實現(xiàn)被測對象物理量、化學量和生物量等非電量測量，對促進農(nóng)業(yè)生產(chǎn)活動的發(fā)展具有重要意義。

1.1.1 農(nóng)業(yè)監(jiān)測傳感器種類 農(nóng)業(yè)傳感器種類繁多，根據(jù)應用場景大致可分為環(huán)境類傳感器、農(nóng)業(yè)氣象類傳感器、動植物生長狀態(tài)類傳感器和農(nóng)機參數(shù)類傳感器4大類，具體分類和對應的功能如表1所示。農(nóng)用傳感器根據(jù)其應用領(lǐng)域不同所采用的器件種類也非常豐富，圖1為部分傳感器示意圖，其中，溫濕度傳感器、土壤水分傳感器和二氧化碳傳感器均屬于環(huán)境傳感器，而機油壓力傳感器、風向風速傳感器和植物徑流傳感器分別屬于農(nóng)機參數(shù)、農(nóng)業(yè)氣象和動植物生長狀態(tài)傳感器。在未來農(nóng)業(yè)智能感知領(lǐng)域，多傳感器互相配合，信息共享是智慧農(nóng)業(yè)的趨勢，可形成綜合性強、連動性好、實時性高的智慧農(nóng)業(yè)傳感系統(tǒng)。

1.1.2 無線傳感網(wǎng)絡(luò) WSN中的傳感器通過無線方式通信，因此網(wǎng)絡(luò)設(shè)置靈活，設(shè)備位置可以隨時更改，還可以跟互聯(lián)網(wǎng)進行有線或無線方式的連接。針對無線傳感網(wǎng)絡(luò)規(guī)劃與快速部署問題，岳學軍等[6]研究了柑橘園射頻信號衰減模型并進行了組網(wǎng)試驗；曹惠茹等[7]研究了無線多媒體傳感網(wǎng)絡(luò)在通常工作環(huán)境下信號的傳播特性；2017年Cao等[8]提出了一種基于植保無人機的WSN云輔助數(shù)據(jù)收集策略，該方法傳輸快速且有著非常好的數(shù)據(jù)完整性；同年，該團隊還提出了一種由傳感器節(jié)點、固定群領(lǐng)導和無人機－sink組成的無人機－無線傳感網(wǎng)絡(luò)協(xié)作框架，極大地優(yōu)化了“無人機+無線傳感”的工作模式[9]。

表1 農(nóng)業(yè)傳感器的具體類型和功能Table 1 Specific types and functions of agricultural sensors

圖1 部分傳感器示意圖Fig. 1 The diagrams of some sensors

1.2 物聯(lián)網(wǎng)信息采集與傳輸技術(shù)

農(nóng)業(yè)物聯(lián)網(wǎng)是指通過農(nóng)業(yè)信息感知設(shè)備(傳感器件等)，按照約定協(xié)議，把農(nóng)業(yè)系統(tǒng)中動植物生命體、環(huán)境要素、生產(chǎn)工具等物理部件和各種虛擬“物件”與互聯(lián)網(wǎng)連接起來，進行信息交換和通訊，以實現(xiàn)對農(nóng)業(yè)對象和過程智能化識別、定位、跟蹤、監(jiān)控和管理的一種網(wǎng)絡(luò)[10]。圖2為農(nóng)業(yè)物聯(lián)網(wǎng)的基本結(jié)構(gòu)示意圖，分別展現(xiàn)了感知層、網(wǎng)絡(luò)層和應用層的3種應用場景，3個環(huán)節(jié)緊密結(jié)合、環(huán)環(huán)相扣，從實際農(nóng)田環(huán)境到監(jiān)控平臺、移動端的信息傳輸和處理是物聯(lián)網(wǎng)農(nóng)業(yè)的核心思想。近年來，農(nóng)業(yè)物聯(lián)網(wǎng)一直是“全國兩會”的熱門話題。2020年2月5日國務院發(fā)布的“中央一號文件”中指出，要“依托現(xiàn)有資源建設(shè)農(nóng)業(yè)農(nóng)村大數(shù)據(jù)中心，加快物聯(lián)網(wǎng)、大數(shù)據(jù)、區(qū)塊鏈、人工智能、第五代移動通信網(wǎng)絡(luò)、智慧氣象等現(xiàn)代信息技術(shù)在農(nóng)業(yè)領(lǐng)域的應用”。一些農(nóng)業(yè)物聯(lián)網(wǎng)試點項目如中國試點項目和歐洲試點項目，利用衛(wèi)星遙感技術(shù)幫助分析和監(jiān)測各種環(huán)境特征溫度、土壤參數(shù)和大規(guī)模農(nóng)業(yè)，有助于理解大規(guī)模實施問題中的不同挑戰(zhàn)[11]。

圖2 農(nóng)業(yè)物聯(lián)網(wǎng)基本結(jié)構(gòu)Fig. 2 Basic organization of agricultural internet of things

物聯(lián)網(wǎng)主要由感知層、網(wǎng)絡(luò)層和應用層3層結(jié)構(gòu)組成，它是互聯(lián)網(wǎng)計算模式的進一步發(fā)展。在物聯(lián)網(wǎng)發(fā)展的過程中，農(nóng)業(yè)一直是物聯(lián)網(wǎng)應用的重要領(lǐng)域，物聯(lián)網(wǎng)技術(shù)的加成使得農(nóng)業(yè)生產(chǎn)、銷售、管理和服務等整個產(chǎn)業(yè)鏈有了新的發(fā)展方式。物聯(lián)網(wǎng)的監(jiān)測模式有利于對農(nóng)作物的整體把握，我國近些年不斷在物聯(lián)網(wǎng)農(nóng)業(yè)領(lǐng)域深耕下，亦形成自己的一套農(nóng)業(yè)產(chǎn)業(yè)統(tǒng)籌和規(guī)劃策略。以四川盆地的玉米地生產(chǎn)為例，胡亮等[12]設(shè)計了一個基于物聯(lián)網(wǎng)的玉米病害環(huán)境監(jiān)測系統(tǒng)，該系統(tǒng)在感知層利用傳感器技術(shù)實時采集環(huán)境數(shù)據(jù)，再通過傳輸層的4G移動通信網(wǎng)絡(luò)實現(xiàn)遠距離傳輸，基于四川農(nóng)畜育種攻關(guān)云服務平臺，應用數(shù)據(jù)庫技術(shù)和云服務技術(shù)實現(xiàn)數(shù)據(jù)的存儲和管理，最后在應用層采用B/S模式完成數(shù)據(jù)展示工作。該系統(tǒng)實現(xiàn)了對玉米生產(chǎn)地環(huán)境和生長狀態(tài)相關(guān)數(shù)據(jù)的快速、精準、實時、自動測量等功能，極大地降低了生產(chǎn)管理過程的人力和資源成本，提高了工作效率和玉米產(chǎn)值。

農(nóng)業(yè)物聯(lián)網(wǎng)一體化互聯(lián)模式在農(nóng)情監(jiān)測方面以更加精細和系統(tǒng)的方式讓人類實現(xiàn)對農(nóng)業(yè)生產(chǎn)活動中各要素的認知和管控，對農(nóng)田、水產(chǎn)、果園等集中化農(nóng)業(yè)場景制定出合理高效的應對方法，對突發(fā)情況進行監(jiān)控并且實時反饋到云臺服務器等，極大地提高了人類對農(nóng)業(yè)動植物生命本質(zhì)的認知能力、先進農(nóng)業(yè)生產(chǎn)系統(tǒng)的調(diào)控能力和自然災害的預防能力。

2 基于物聯(lián)網(wǎng)的農(nóng)情信息智能感知技術(shù)

2.1 農(nóng)田土壤信息感知技術(shù)

土壤的質(zhì)量決定了當?shù)厝藗兊纳詈蜕a(chǎn)方式，是人類賴以生存的物質(zhì)基礎(chǔ)。良好的土壤環(huán)境不僅能夠促進農(nóng)作物茁壯成長，還與人類身體健康有著密切的聯(lián)系[13-14]。隨著科技的進步，對土壤各項信息的監(jiān)測技術(shù)也逐漸走向現(xiàn)代化和信息化，以確保在農(nóng)業(yè)生產(chǎn)中有合格的土壤環(huán)境。圖3a為奧地利POTTINGER公司的車載綜合土壤傳感器TSM，可以實時地掃描土壤表層和深層土質(zhì)結(jié)構(gòu)，得到不同區(qū)塊的壓實度、含水率、電導率和土壤類型等；圖3b為美國精密種植(Precision planting)公司的Smart firmer傳感器和Delta force壓力傳感器，能夠采集土壤的有機質(zhì)含量、溫度和濕度信息以及土壤的硬度信息。

圖3 土壤傳感器Fig. 3 Soil sensors

智慧農(nóng)業(yè)的全球化推進促使農(nóng)業(yè)從業(yè)人員、生產(chǎn)人員、各大研究機構(gòu)以及大型企業(yè)等對土壤信息檢測方法展開了大量研究。在土壤含水量檢測方面，Antonucci等[15]使用主動紅外熱成像法實現(xiàn)了實驗室和現(xiàn)場的土壤含水量快速檢測；蔡坤等[16-17]也分別基于RC網(wǎng)絡(luò)相頻特性和基于LVDS傳輸線延時檢測技術(shù)設(shè)計了土壤含水率傳感器，前者具有快速檢測的優(yōu)點，而后者在精準度上有更好的表現(xiàn)。在土壤有機質(zhì)和化學元素檢測方面，國外有比利時列日大學的Genot等[18]使用近紅外反射光譜法檢測土壤有機質(zhì)含量；Hong等[19]采用毛細管氣相色譜－電子捕獲檢測器和質(zhì)量選擇性檢測器(MSD)同時測定土壤浸出液中的2，4－二氯苯氧乙酸 (2，4－D)、3，6－二氯－2－甲氧基苯甲酸 (麥草畏)和 (2－(4－氯－2－甲基苯氧基)丙酸 (甲基丙酸)。在國內(nèi)，鄧小蕾等[20]和李民贊等[21]基于鹵鎢燈光源和多路光纖法設(shè)計了土壤全氮含量檢測儀；秦琳等[22]利用杜馬斯燃燒法和凱氏定氮法測定土壤有效態(tài)成分來分析標準物質(zhì)的全氮含量，實現(xiàn)了土壤中氮元素的有效檢測；王儒敬等[23]和張俊卿等[24]設(shè)計了土壤鉀離子非接觸電導檢測裝置，基于光譜、卷積神經(jīng)網(wǎng)絡(luò)、深度稀疏學習等方法對土壤全鉀含量進行預測；李頡等[25]和張俊寧等[26]利用近紅外光譜法分析了北京典型耕作土壤的養(yǎng)分信息，研究了基于激光誘導擊穿光譜的土壤鉀素檢測方法，應用傅里葉變換近紅外光譜技術(shù)分析了土樣的全鉀含量；代艷娜等[27]通過將同位素內(nèi)標法定量結(jié)合超高效液相色譜－串聯(lián)質(zhì)譜法，建立了測定土壤中滅蠅胺及其代謝物殘留的方法；楊學靈等[28]建立了用超聲提取土壤和沉積物中異丙胺的分析方法，具有回收率、精密度和準確度高的優(yōu)點。在土壤信息的傳輸和反饋方面，陳二陽等[29]針對傳統(tǒng)的土壤環(huán)境參數(shù)物聯(lián)網(wǎng)采集模塊存在的可擴展性低、實時性差、數(shù)據(jù)可靠性不高等問題，以CC2530芯片為ZigBee組網(wǎng)核心，以 STM3為MCU，使用JSON刻畫傳感器的參數(shù)和狀態(tài)數(shù)據(jù)，同時提出了一種基于感知源信任評價的可靠數(shù)據(jù)保障模型；岳學軍等[30]等設(shè)計了一種基于土壤墑情的自動灌溉控制系統(tǒng)，該系統(tǒng)能準確監(jiān)測土壤墑情信息并通過采集節(jié)點經(jīng)互聯(lián)網(wǎng)上傳至服務器，實時性強，控制性能好。彭煒峰等[31]優(yōu)化了丘陵地區(qū)農(nóng)田土壤信息監(jiān)測系統(tǒng)，能夠?qū)ι降剞r(nóng)田各區(qū)域進行土壤酸堿度實時監(jiān)測。

2.2 農(nóng)田環(huán)境信息感知技術(shù)

農(nóng)田環(huán)境信息感知是指對農(nóng)業(yè)生態(tài)環(huán)境實時監(jiān)控以及和農(nóng)業(yè)生產(chǎn)活動相關(guān)的環(huán)境監(jiān)測。通過對與植被和農(nóng)作物生長密切相關(guān)的水、氣、光照、熱量等農(nóng)業(yè)氣象環(huán)境因子進行監(jiān)測并采集信息，及時掌握大田的環(huán)境因素，從而為農(nóng)業(yè)生產(chǎn)等相關(guān)管理工作提供相應的科學數(shù)據(jù)和決策依據(jù)。典型的延伸應用有大田氣候科學研究、農(nóng)業(yè)氣象預報服務、農(nóng)業(yè)災害預警服務、農(nóng)田小氣候監(jiān)測系統(tǒng)等。圖4展現(xiàn)了一些常見的監(jiān)測氣象站。

圖4 農(nóng)業(yè)氣象站Fig. 4 Agricultural meteorological stations

溫室氣象感知技術(shù)目前已經(jīng)非常成熟且有很多成功的實踐案例。孫通[32]在大棚溫室環(huán)境下，借助農(nóng)業(yè)氣象物聯(lián)網(wǎng)技術(shù)，使各個溫室成為無線傳感器網(wǎng)絡(luò)檢測控制區(qū)，能夠全面測控蔬菜大棚中的環(huán)境變量(如溫度、空氣中水汽含量、通光量等)，達到有效改進蔬菜品質(zhì)和調(diào)整生長周期的目的。蔡坤等[33]設(shè)計了一種基于誤碼檢測機制的紅外光雨水傳感器，解決了傳統(tǒng)雨水傳感器在滴灌系統(tǒng)應用中只能監(jiān)測降雨的開始而不能監(jiān)測降雨結(jié)束的弊端，可以全面監(jiān)測雨水給農(nóng)田環(huán)境帶來的影響。王斌等[34]針對中小型養(yǎng)殖場的實際需求，利用臺達PLC及觸摸屏設(shè)計了一個自動測控系統(tǒng)，實現(xiàn)對豬舍內(nèi)溫濕度和氨氣濃度等環(huán)境生態(tài)參數(shù)的監(jiān)測。Yue等[35]利用靜電紡絲簡單、低成本和多功能性的優(yōu)勢，設(shè)計了基于ZnO-TiO2納米纖維靜電紡絲的高性能濕度傳感器，對相對濕度為1%～90%的變化范圍具有高靈敏性。

對于大規(guī)模農(nóng)田種植，農(nóng)田環(huán)境和氣象監(jiān)測的研究不僅可以讓農(nóng)業(yè)生產(chǎn)者預估氣候的變化，以便更好地控制生產(chǎn)活動，提高產(chǎn)量；也是現(xiàn)代化農(nóng)業(yè)、智慧農(nóng)業(yè)邁出一大步的關(guān)鍵隘口。農(nóng)田環(huán)境和氣象監(jiān)測工作涉及范圍比較廣、涉及到的內(nèi)容也較多，具有數(shù)據(jù)量大的突出性特點[36]。衛(wèi)星遙感監(jiān)測技術(shù)和物聯(lián)網(wǎng)地面覆蓋監(jiān)測技術(shù)為農(nóng)田環(huán)境和氣象監(jiān)測提供巨大的助力，是現(xiàn)在以及未來的必然研究方向。前者具有探測范圍廣、信息反饋快、全局性把握強等特點，能夠快速準確地收集農(nóng)田整體氣象特點，分析未來氣象趨勢；后者是基于“3S”技術(shù)、網(wǎng)絡(luò)技術(shù)、物聯(lián)網(wǎng)技術(shù)及各類農(nóng)業(yè)傳感器構(gòu)建的地面?zhèn)鞲芯W(wǎng)[37]，能夠?qū)r(nóng)田地表各類環(huán)境指標全面覆蓋、精準監(jiān)測，具有較強的系統(tǒng)性。

2.3 農(nóng)田病蟲草害感知技術(shù)

在農(nóng)業(yè)生產(chǎn)的過程中，農(nóng)作物可能遭受到病蟲草害的影響，甚至導致其無法順利生長。所以，病蟲草害的智能監(jiān)測和防治是農(nóng)業(yè)生產(chǎn)中的重要環(huán)節(jié)。2019年我國首個以作物病蟲草害監(jiān)測預警為研究內(nèi)容的機構(gòu)－西北農(nóng)林科技大學作物病蟲草害監(jiān)測預警研究中心正式成立[38]，預示著我國防治病蟲草害的工作由傳統(tǒng)人工防治轉(zhuǎn)型向信息化管理、智慧防治的未來發(fā)展趨勢。

目前，病蟲害的檢測方法主要有熒光光譜法、高光譜成像、可見/近紅外光譜法和數(shù)字圖像處理等[14]。光譜技術(shù)對蘋果、柑橘、棗等蟲害的無損檢測效果良好[39-41]。在病蟲害監(jiān)測中向量機的使用也是一大熱點，Griffel等[42]基于光譜特征使用支持向量機來檢測感染病毒的馬鈴薯植株；Romer等[43]基于熒光光譜特征使用向量機來檢測小麥葉銹?。籏aur等[44]使用圖像處理和支持向量機技術(shù)對植物的葉面圖像檢測，并以此判斷植物病變情況，計算患病面積的百分比。許良鳳等[45]研究了基于深度學習的病蟲害智能化識別系統(tǒng)，使用多分類器融合的方法對玉米葉部病害進行識別，構(gòu)建病害的深度學習模型，較好地判斷和預測玉米葉片受病蟲害的概率和面積。與物聯(lián)網(wǎng)技術(shù)的結(jié)合是作物病蟲草害防治的發(fā)展趨勢。趙小娟等[46]設(shè)計了基于物聯(lián)網(wǎng)的茶樹病蟲害監(jiān)測預警系統(tǒng)，該系統(tǒng)將多媒體、計算機圖像識別、GIS等技術(shù)和自動性誘儀、高清攝像機等硬件設(shè)備箱結(jié)合，實現(xiàn)了茶園環(huán)境數(shù)據(jù)，病蟲害信息的自動化監(jiān)測。朱靜波等[47]在病蟲草害監(jiān)測和預警中應用無線傳感器網(wǎng)絡(luò)，首創(chuàng)匯聚節(jié)點預處理原始數(shù)據(jù)，減輕了數(shù)據(jù)傳輸?shù)呢摀?/p>

農(nóng)田雜草的感知技術(shù)主要是基于視覺特征來進行分析，運用圖像技術(shù)和光譜法對雜草和作物進行分離，精確定位雜草位置，精準対靶控制。Watchareeruetai等[48]使用單目相機，利用紋理和顏色來檢測雜草；Wajahat等[49]使用單目相機，基于葉片顏色和邊緣形狀特征進行雜草檢測；Bakhshipour等[50]在雜草識別系統(tǒng)中加入了視覺神經(jīng)網(wǎng)絡(luò)技術(shù)，為雜草識別提供了新方法和新思路。Louargant[51]等結(jié)合空間信息和光譜信息對農(nóng)作物雜草早期檢測采用無監(jiān)督分類算法；David等[52]開發(fā)了一個可快速部署的雜草分類系統(tǒng)，該系統(tǒng)不需要提前確定農(nóng)田中存在的雜草種類，通過直接使用可視化數(shù)據(jù)來實現(xiàn)雜草定位，極大地降低了工作難度，提高了智能化水平。

2.4 作物生長信息感知技術(shù)

無論是對農(nóng)田土壤、空氣環(huán)境進行監(jiān)測，亦或是對病蟲草害的及時處理，其本質(zhì)都是為了作物有一個良好的生長發(fā)育狀況和長勢。作物的生長特性反映了其內(nèi)部生理狀態(tài)和外部形態(tài)特征，對作物生長過程中的生理生長狀態(tài)進行監(jiān)控有助于指導農(nóng)業(yè)生產(chǎn)活動。圖5展示了一些常用的作物生理生長狀態(tài)感知手段和相關(guān)傳感技術(shù)。植物生長的內(nèi)部生理狀態(tài)主要表現(xiàn)在徑流速度、激素、葡糖糖等小分子和pH的變化，外部形態(tài)主要表現(xiàn)為葉面積、根莖、桿徑特征。

圖5 作物生理狀態(tài)感知技術(shù)Fig. 5 Perception technology of crop physiological state

2.4.1 內(nèi)部生理狀態(tài)感知 徑流速度感知主要采用熱技術(shù)方法，包括熱擴散、熱平衡、熱場變形等方法。激素類感知主要采用電化學的方法，其優(yōu)點是靈敏性好、測量范圍大、準確度高以及成本低等。葡萄糖檢測的經(jīng)典方法是利用葡萄糖氧化酶催化葡萄糖氧化生成過氧化氫，再用辣根過氧化物酶催化生成有色產(chǎn)物，然后用分光光度法進行檢測，該方法的主要缺點是含有致癌物質(zhì)并污染環(huán)境[53]。在葉綠素的檢測中，常常運用光譜技術(shù)結(jié)合超聲波、圖像處理、機器視覺等方法來進行。Jones等[54]使用多光譜成像傳感器檢測葉綠素含量和濃度，并且使用超聲波傳感器估算植被高度以提高葉綠素含量檢測精度；Baresel等[55]將光譜技術(shù)和數(shù)字圖像處理技術(shù)結(jié)合用于葉綠素含量檢測；孫紅等[56]研究了基于近紅外光譜技術(shù)的葉綠素含量檢測方法；岳學軍等[57]基于高光譜構(gòu)建了柑橘葉片中葉綠素無損檢測模型，可快速無損地對柑橘葉片葉綠素含量進行精確的定量檢測，為柑橘不同生長期的營養(yǎng)監(jiān)測提供理論依據(jù)。對葉片其他元素含量的檢測，馮偉等[58]基于高光譜遙感特征進行小麥葉片含氮量檢測、小麥氮素積累動態(tài)檢測等技術(shù)研究；黃雙萍等[59-61]和岳學軍等[62-63]分別構(gòu)建了基于高光譜的磷元素預測模型、基于流形學習算法的柑橘葉片氮含量估測模型以及基于反射光譜的鉀水平預測模型，試驗相對誤差小、預測模型可靠，為作物生理感知技術(shù)的進展提供了技術(shù)基礎(chǔ)。

2.4.2 外部形態(tài)特征感知 葉面積的測量大多采用激光傳感器來進行。這種傳感器可以通過掃描植物冠層和葉片結(jié)構(gòu)來快速獲取葉片表面的點云數(shù)據(jù)。這些點云數(shù)據(jù)體現(xiàn)了葉片的生長規(guī)律，非常適用于建立模型和后續(xù)分析。其他的一些外部特征如桿徑、果徑等也有大量其余的方法，陳學深等[64]在研究水田環(huán)境下稻株的識別和定位問題時，提出了一種觸覺感知方法，根據(jù)稻草辨識的力學差異及除草的生理高度，確定了感知梁的抗彎剛度，并進行了傳感器標定。

3 基于大數(shù)據(jù)融合的農(nóng)情信息解析技術(shù)

3.1 多源農(nóng)情信息數(shù)據(jù)庫技術(shù)

智慧農(nóng)業(yè)即信息農(nóng)業(yè)、數(shù)據(jù)農(nóng)業(yè)，農(nóng)業(yè)數(shù)據(jù)是智能分析和決策的必要前提和基礎(chǔ)，隨著智慧農(nóng)業(yè)的技術(shù)推進，農(nóng)業(yè)數(shù)據(jù)所涉及的范圍也越來越廣泛，數(shù)據(jù)結(jié)構(gòu)和種類也日漸豐富。農(nóng)業(yè)數(shù)據(jù)庫是一切農(nóng)業(yè)信息工作的承載點，加強對數(shù)據(jù)庫技術(shù)在農(nóng)業(yè)領(lǐng)域的應用探索，可以有效促進農(nóng)業(yè)信息化管理水平的提高，并且為信息化科學管理提供更加廣闊的空間。

數(shù)據(jù)庫技術(shù)與建設(shè)工程學、遙感技術(shù)、地理信息學等技術(shù)相結(jié)合，形成了很多新的數(shù)據(jù)庫產(chǎn)品技術(shù)，如通用數(shù)據(jù)庫技術(shù)、空間數(shù)據(jù)庫以及遙感影像數(shù)據(jù)庫技術(shù)等[65]。1)通用數(shù)據(jù)庫技術(shù)：包括關(guān)系數(shù)據(jù)庫系統(tǒng)、對象數(shù)據(jù)庫系統(tǒng)和對象關(guān)系數(shù)據(jù)庫系統(tǒng)3種數(shù)據(jù)庫系統(tǒng)模式。關(guān)系數(shù)據(jù)庫系統(tǒng)是一種簡單的二維表，僅能處理數(shù)值和字符串，沒有豐富的數(shù)據(jù)類型，也不支持高性能的存儲和查詢，但它是數(shù)據(jù)庫系統(tǒng)的標準和基礎(chǔ)；對象數(shù)據(jù)庫系統(tǒng)是隨著面向?qū)ο蠹夹g(shù)方法漸漸與數(shù)據(jù)庫相結(jié)合而成，其繼承了關(guān)系數(shù)據(jù)庫技術(shù)，又在其基礎(chǔ)上延伸了多種數(shù)據(jù)庫類型，如分布式數(shù)據(jù)庫、工程數(shù)據(jù)庫和多媒體數(shù)據(jù)庫等；對象關(guān)系數(shù)據(jù)庫結(jié)合了前兩者的特點，發(fā)展了面向?qū)ο蟮慕Ｄ芰?，從而提高了操作復雜數(shù)據(jù)的能力，是第3代數(shù)據(jù)庫的發(fā)展產(chǎn)品。2)空間數(shù)據(jù)庫技術(shù)：農(nóng)情監(jiān)測數(shù)據(jù)信息中絕大部分數(shù)據(jù)都與空間位置密不可分，因此數(shù)據(jù)庫與地理信息系統(tǒng)結(jié)合形成的空間數(shù)據(jù)庫是農(nóng)情監(jiān)測數(shù)據(jù)庫技術(shù)中的重要一環(huán)。空間數(shù)據(jù)具有多維復雜性，包括數(shù)據(jù)屬性、空間位置和數(shù)據(jù)隨時間變化等特征，空間數(shù)據(jù)庫技術(shù)則相應地保存了這些數(shù)據(jù)以及它們的特征，與傳統(tǒng)數(shù)據(jù)庫不同，空間數(shù)據(jù)庫通常包含這些空間拓撲結(jié)構(gòu)或者距離信息，擁有復雜的多維空間索引算法。3)遙感影像數(shù)據(jù)庫技術(shù)：衛(wèi)星技術(shù)的發(fā)展使得遙感影像的數(shù)據(jù)信息快速增長，應運而生的便是與之相應的影像數(shù)據(jù)庫技術(shù)。目前遙感影像數(shù)據(jù)庫研究的前沿和熱點依然是影像壓縮技術(shù)、影像分片存儲技術(shù)和影像索引技術(shù)等。在充分利用GIS、RS和其他新興技術(shù)的前提下，國內(nèi)外建立了多個成功的大型遙感影像數(shù)據(jù)庫系統(tǒng)，如Google Earth影像地圖服務系統(tǒng)、Mircrosoft Virtual Earth以及Digital NGP等。

國外在數(shù)據(jù)采集和分析研究的基礎(chǔ)上，建設(shè)了相關(guān)的農(nóng)情數(shù)據(jù)庫，利用最新的數(shù)據(jù)庫技術(shù)管理和共享相關(guān)的農(nóng)情信息。美國先后建立了包括AGRICOLA、AGRIS、BIOSIS Preview、PestBank、CMS MBR (生物網(wǎng))、國家海洋與人氣管理局數(shù)據(jù)庫NOAA、農(nóng)業(yè)網(wǎng)絡(luò)信息中心等在內(nèi)的多個大型數(shù)據(jù)庫系統(tǒng)和網(wǎng)絡(luò)信息中心，積累了大量的農(nóng)業(yè)信息資源[66]。德國也非常重視農(nóng)業(yè)數(shù)據(jù)庫管理系統(tǒng)的建設(shè)，各州農(nóng)業(yè)局開發(fā)數(shù)據(jù)管理系統(tǒng)、電視文本顯示服務系統(tǒng)和植保數(shù)據(jù)系統(tǒng)，向農(nóng)戶提供農(nóng)作物生產(chǎn)技術(shù)、病蟲害預防和防治技術(shù)以及農(nóng)業(yè)生產(chǎn)資料市場信息等[67]。法國農(nóng)業(yè)部收錄具有代表性的涉農(nóng)網(wǎng)站，并通過網(wǎng)絡(luò)平臺集成，定期或不定期發(fā)布政策、統(tǒng)計數(shù)據(jù)、市場動態(tài)等農(nóng)業(yè)信息以實現(xiàn)農(nóng)業(yè)數(shù)據(jù)共享[68]。

國內(nèi)學者對農(nóng)情數(shù)據(jù)庫技術(shù)及系統(tǒng)的開發(fā)也進行了深入研究。方利等[69-70]開展了多源海量統(tǒng)計遙感數(shù)據(jù)庫研究，制定了統(tǒng)計遙感基礎(chǔ)地理數(shù)據(jù)庫標準，設(shè)計了統(tǒng)計遙感基礎(chǔ)地理數(shù)據(jù)庫結(jié)構(gòu)及要素的編碼體系，并基于 PowerDesigner設(shè)計數(shù)據(jù)庫模型；同時，在統(tǒng)計遙感數(shù)據(jù)庫建設(shè)過程中綜合利用了影像編目、元數(shù)據(jù)管理和數(shù)據(jù)轉(zhuǎn)換等技術(shù)，多方式實現(xiàn)了多源統(tǒng)計遙感數(shù)據(jù)的集成與管理。此外，我國通過科技平臺項目建設(shè)，先后建成了各行業(yè)的科學數(shù)據(jù)中心，比如中國農(nóng)業(yè)科學院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所建成了MODIS-R衛(wèi)星數(shù)據(jù)共享數(shù)據(jù)揮、中國科學院地面站建立了負責接收和管理的數(shù)據(jù)共享平臺、中國氣象局建立了氣象數(shù)據(jù)共享中心等，中國農(nóng)業(yè)科學院等多家單位收集和整理了我國歷史以來的重要農(nóng)業(yè)信息，并建設(shè)成了國家級的數(shù)據(jù)庫中心，通過網(wǎng)絡(luò)對外免費共享[65]。

3.2 云計算與大數(shù)據(jù)分析技術(shù)

互聯(lián)網(wǎng)+大數(shù)據(jù)+云計算與農(nóng)業(yè)的結(jié)合，使當前現(xiàn)代化農(nóng)業(yè)發(fā)展已經(jīng)從數(shù)字化、網(wǎng)絡(luò)化進入到以數(shù)據(jù)深度挖掘與融合應用為特征的智慧化階段，傳統(tǒng)農(nóng)業(yè)進程正在向集約化、精準化、智能化轉(zhuǎn)變。圖6為農(nóng)業(yè)大數(shù)據(jù)技術(shù)的工作框架示意圖。

圖6 農(nóng)業(yè)大數(shù)據(jù)技術(shù)Fig. 6 The technology of agricultural big data

3.2.1 農(nóng)業(yè)大數(shù)據(jù) 農(nóng)業(yè)大數(shù)據(jù)就是把各類農(nóng)業(yè)數(shù)據(jù)進行采集、匯總、存儲和關(guān)聯(lián)分析，從中整合新要素、發(fā)掘新資源、發(fā)現(xiàn)新知識、創(chuàng)造新價值的一種農(nóng)業(yè)新業(yè)態(tài)。農(nóng)業(yè)大數(shù)據(jù)時代，不僅可以通過建立綜合的數(shù)據(jù)平臺調(diào)控農(nóng)業(yè)生產(chǎn)，還可以記錄分析農(nóng)業(yè)種植養(yǎng)殖過程以及農(nóng)產(chǎn)品流通過程中的動態(tài)變化，通過分析數(shù)據(jù)、總結(jié)經(jīng)驗，制定一系列調(diào)控和管理措施，使農(nóng)業(yè)發(fā)展高效有序。從農(nóng)業(yè)市場需求來看，農(nóng)業(yè)大數(shù)據(jù)可用于指導農(nóng)事生產(chǎn)、預測農(nóng)產(chǎn)品市場需求、輔助農(nóng)業(yè)決策、規(guī)避風險等目的；從農(nóng)業(yè)生產(chǎn)環(huán)節(jié)來看，農(nóng)業(yè)大數(shù)據(jù)可以利用傳感器采集氣候、土壤大數(shù)據(jù)，提供農(nóng)戶最佳的栽種管理決策，協(xié)助農(nóng)民有效管理農(nóng)地，如美國EarthRisk公司利用其旗艦產(chǎn)品TempRisk對60年的氣象歷史觀測數(shù)據(jù)基于820億次計算，進行天氣分析識別和預測，最長可以提前40 d生成冷熱天氣概率，極大地加強了農(nóng)情預警[71]；從農(nóng)產(chǎn)品經(jīng)銷溯源上看，無論是供應鏈經(jīng)濟還是食品安全，妥善利用大數(shù)據(jù)技術(shù)平臺，可以實現(xiàn)從田間到餐桌的每一個過程追蹤，讓管理過程簡潔、透明、高效、安全，如可以根據(jù)花生仁的元素特征數(shù)據(jù)得到花生的原產(chǎn)地，溯源正確率90%以上，具有很高的可靠性[72]。

3.2.2 云計算技術(shù) “云計算”是一種超級計算技術(shù)，它的核心在于利用高速的網(wǎng)絡(luò)運輸功能，將處理完的數(shù)據(jù)從計算機終端服務器中轉(zhuǎn)移到“云”端上進行存儲。這里的“云”指的便是虛擬化的計算機終端存儲資源地，個人用戶和企業(yè)用戶不需要花費大量的資金購買昂貴的硬件，而是通過租賃或者花費少量的資金購買超級計算機集群的“云服務”就可以獲取超強計算能力，完成對計算機數(shù)據(jù)儲存的所有需求，這就是“云計算”帶給用戶全新的一種商業(yè)化模式[73]。崔曉軍等[74]利用云計算技術(shù)對溫州市的農(nóng)業(yè)大數(shù)據(jù)平臺進行研究，建立了大數(shù)據(jù)中心、大數(shù)據(jù)統(tǒng)計分析模型以及大數(shù)據(jù)可視化平臺。上海市也依托云服務中心建設(shè)項目，采用vSphere虛擬化技術(shù)，通過新增硬件并與原設(shè)備結(jié)合的方式，完成了上海農(nóng)業(yè)云服務中心的建設(shè)，在保護已有投資、盤活存量資產(chǎn)、提高系統(tǒng)建設(shè)速度、提升農(nóng)業(yè)業(yè)務系統(tǒng)穩(wěn)定性與便捷性等方面，取得了明顯的社會和經(jīng)濟效益。

3.2.3 大數(shù)據(jù)分析技術(shù) 大數(shù)據(jù)和大數(shù)據(jù)技術(shù)是不同的概念，前者是后者的承載、后者是前者的開發(fā)應用。大數(shù)據(jù)技術(shù)的開發(fā)與應用非常重要，數(shù)據(jù)只有經(jīng)過不斷分析提煉才能形成珍貴的價值，農(nóng)業(yè)大數(shù)據(jù)也不例外，需要進行相應數(shù)據(jù)預處理，才能降低噪聲和復雜性，增強數(shù)據(jù)可操作性，通過關(guān)聯(lián)規(guī)則等挖掘分析，從海量數(shù)據(jù)的千絲萬縷聯(lián)系中找出規(guī)律和價值所在[75]。農(nóng)業(yè)大數(shù)據(jù)清洗技術(shù)的關(guān)鍵在于利用相關(guān)手段把“臟數(shù)據(jù)”變成符合質(zhì)量標準的數(shù)據(jù)。隨著農(nóng)業(yè)行業(yè)大數(shù)據(jù)愈來愈龐大和復雜，大數(shù)據(jù)清洗技術(shù)也逐漸由人為和程序完成轉(zhuǎn)為云計算的方式；而農(nóng)業(yè)大數(shù)據(jù)關(guān)聯(lián)分析和預測技術(shù)主要過程就是在龐大的數(shù)據(jù)中找出其中的頻率模式、關(guān)聯(lián)性、相關(guān)性以及其中的因果關(guān)系，從而發(fā)現(xiàn)某種農(nóng)業(yè)現(xiàn)象的規(guī)律和結(jié)論等。

3.3 農(nóng)情信息智能解析算法

機器學習是近年來的技術(shù)趨勢，因其強大的數(shù)據(jù)處理能力和學習成長能力，眾多實際問題得到了空前高效的解決方式，農(nóng)業(yè)領(lǐng)域目前已經(jīng)應用到農(nóng)產(chǎn)品質(zhì)量檢測和分級、雜草和植物病蟲害檢測、土壤分析等方面。機器學習在農(nóng)業(yè)生產(chǎn)中的應用加快了農(nóng)業(yè)信息化和智能化進程。機器學習分為監(jiān)督學習、非監(jiān)督學習、半監(jiān)督學習和強化學習4種，表2根據(jù)每種方式中的不同算法進行分類，列舉了每種算法的突出優(yōu)點及其在農(nóng)業(yè)中的具體應用。

表2 智能解析部分算法及優(yōu)點Table 2 Some algorithms and advantages of intelligent analysis

3.3.1 監(jiān)督學習算法 監(jiān)督學習是根據(jù)已有的數(shù)據(jù)集得出輸入和輸出之間的關(guān)系，并訓練得到一個最優(yōu)模型。監(jiān)督學習中有學習和推理2個過程，如圖7所示。訓練數(shù)據(jù)既有特征(輸入)又有標簽(輸出)，通過機器訓練，讓機器可以找到特征和標簽之間的聯(lián)系，這便是學習的過程；而在面對只有特征沒有標簽的數(shù)據(jù)時，又能根據(jù)學習結(jié)果判斷出標簽，這便是推理的過程。研究人員利用對樸素貝葉斯算法分別對鳶尾花的花型特征、核桃仁、藍莓生長階段進行分級分類，測試精度均為90%以上，證明該算法對簡單分級分類不僅簡單快速，而且具有穩(wěn)定分類和可靠性高的優(yōu)點[76-79]。如果追求更高的精度，則可以采用K－近鄰算法，該算法在油菜籽和藍莓生長階段的分級中，分類精度分別達到了98.0%[68]和 97.8%[80]。

圖7 機器學習典型算法步驟Fig. 7 The steps of typical algorithm of machine learning

3.3.2 非監(jiān)督學習算法 與監(jiān)督學習不一樣的是，非監(jiān)督學習算法只有輸入變量，沒有輸出變量，其目標是對數(shù)據(jù)中潛在的結(jié)構(gòu)和分布建模，以便對數(shù)據(jù)進一步學習。由于沒有輸出的參照，所以非監(jiān)督學習的目標重心并不是在學習和推理上，而是對輸入的數(shù)據(jù)進行聚類和關(guān)聯(lián)分析，比如新聞推送按照內(nèi)容不同分為財經(jīng)、娛樂、體育等，這便是聚類算法，旨在發(fā)現(xiàn)數(shù)據(jù)中內(nèi)在的分組。K－均值聚類算法是非監(jiān)督學習的重要算法。羅匡男等[81]在研究三七葉片2種病斑時，通過改變初始簇中心，選擇距離絕對值最大的向量作為初始簇中心點的K－均值聚類算法來提高分類的準確度；劉永娟等[82]在對玉米抽雄期進行觀測時，使用改進的K－均值聚類算法對玉米雄穗的灰度圖像聚類分割，并以此分析生長時期；Zhang 等[83]在對作物圖像的病蟲害進行特征識別中，使用 K－均值聚類算法分割圖像，獲取病蟲害信息的形狀和顏色特征，識別率較高。研究表明，在解決聚類問題上，該算法簡單快速，能夠高效處理比較大的數(shù)據(jù)集。

3.3.3 半監(jiān)督學習算法 半監(jiān)督式學習是一種監(jiān)督式學習與非監(jiān)督式學習相結(jié)合的一種學習方法，擁有大部分特征數(shù)據(jù)(輸入)和少部分的標簽數(shù)據(jù)(輸出)，可以使用非監(jiān)督式學習發(fā)現(xiàn)和學習特征數(shù)據(jù)的結(jié)構(gòu)關(guān)系，并使用監(jiān)督式學習對無標簽的數(shù)據(jù)進行標簽的推理。徐郵郵等[84]在獲取山東泰安市周邊的94個土壤樣本光譜和含水量實測數(shù)據(jù)基礎(chǔ)上，利用半監(jiān)督模糊識別模型建立土壤含水量的光譜估測模型，充分利用了樣本中確定性與不確定性的信息，使土壤含水量推理估測具有很高的可靠性。吳四茜[85]在相似青梅品級分類問題的研究中引入半監(jiān)督學習這一典型的機器視覺分類技術(shù)，運用大量獲取相對簡單的無標簽相似青梅樣本特征信息與少量有標簽樣本特征信息相結(jié)合，克服了有標簽樣本獲取困難、數(shù)量少等問題的限制，緩解了有標簽樣本數(shù)據(jù)之間缺乏相關(guān)性的現(xiàn)狀，增強了有標簽樣本訓練的認知模型的魯棒性。

3.3.4 強化學習算法 強化學習的本質(zhì)是解決決策問題，即自動決策和連續(xù)決策的問題程序在一個問題的處理上嘗試所有可能的解決方案，記錄不同方案執(zhí)行后的結(jié)果并試著找出最好的一次嘗試，這便是強化學習的過程。這一過程主要包括4個元素，即Agent、環(huán)境狀態(tài)、行動和獎勵。該算法的核心在于“獎勵”和“懲罰”機制，當執(zhí)行的方案較優(yōu)時，獲得“高分”反饋，反之獲得“低分”反饋，在整個學習過程中，通過反饋信息獲得更多的累計“獎勵分數(shù)”，不斷調(diào)整解決方案，以便獲得最好的結(jié)果。該算法一般用于農(nóng)業(yè)控制上，如農(nóng)機自主巡航、噴施控制、大田和果園灌溉等。Zhou等[86]應用強化學習設(shè)計了機器人自主獲取導航控制策略方法，使機器人能夠不斷適應動態(tài)變化的導航環(huán)境，并且在自制式移動機器人平臺上開展了試驗，結(jié)果表明機器人可以在實際導航環(huán)境中自動獲取更優(yōu)的導航策略，完成預期的導航任務；Sun等[87]提出了一種基于強化學習的可變速率灌溉控制方法，開發(fā)了基于神經(jīng)網(wǎng)絡(luò)的土壤水位和作物產(chǎn)量快速模型，對不同地理位置和作物類型的模擬表明，基于作物產(chǎn)量和水資源消耗所提出的方法可以顯著增加收益，為智慧灌溉控制提供了一種選擇。

4 農(nóng)情信息智能決策技術(shù)

為了解決計算機自動組織和協(xié)調(diào)的多模型運行，對大量農(nóng)業(yè)數(shù)據(jù)庫中的數(shù)據(jù)存儲和處理達到更高效、更準確的決策能力，出現(xiàn)了智能決策技術(shù)的概念并快速投入實踐。智能決策技術(shù)旨在大量的農(nóng)業(yè)生產(chǎn)信息數(shù)據(jù)中挖掘最有價值的信息和規(guī)律，對農(nóng)業(yè)生產(chǎn)過程進行判斷和智能指導，最大化提高農(nóng)業(yè)生產(chǎn)效率。常見的智能決策技術(shù)包括變量作業(yè)決策、路徑規(guī)劃決策和多機協(xié)同作業(yè)決策。

4.1 變量作業(yè)決策

變量作業(yè)一直是智慧農(nóng)業(yè)的重點研究對象，尤其體現(xiàn)在變量噴霧和變量施肥上。被模塊化植入了變量噴霧系統(tǒng)的Arrow-F1000(圖8a)[88]和根據(jù)果樹樹形特點研制的新型風送變量噴霧機(圖8b)[89]均能夠進行自主決策，實現(xiàn)變量噴霧的功能，根據(jù)大數(shù)據(jù)和專家知識，合理控制噴施量，形成自主判斷、智能控制的智慧化模式。曾立[90]利用植株特征和植株與機器人的相對位置進行噴施決策，通過提取采集到的植株圖像特征，再經(jīng)過模糊控制算法，利用PWM模塊調(diào)節(jié)噴施量。苑嚴偉等[91]設(shè)計了變量配肥施肥機和小麥精量播種變量施肥機，開發(fā)了基于作業(yè)處方圖的氮磷鉀配比施肥決策支持系統(tǒng)。赫云鵬[92]設(shè)計了一個基于GIS技術(shù)的玉米變量施肥自動決策系統(tǒng)，該系統(tǒng)可以完成玉米地地塊邊界測繪、劃分網(wǎng)格區(qū)域、標記采樣點以及制作變量施肥圖等一系列工作。

4.2 路徑規(guī)劃決策

路徑規(guī)劃通常指全局的路徑規(guī)劃，在農(nóng)業(yè)中的應用一般體現(xiàn)在農(nóng)業(yè)機械裝備上，在作業(yè)區(qū)域全覆蓋的前提下，對作業(yè)的效率、能耗和環(huán)境保護等參數(shù)進行優(yōu)化，計算出最合理的行走路線。Karen等[93]基于拖拉機導航設(shè)計的決策支持系統(tǒng)實現(xiàn)了效率最高、燃料最省、盈利較高的路徑規(guī)劃。Hameed[94]提出了一種多目標優(yōu)化覆蓋的路徑規(guī)劃方法，其突出的優(yōu)點是成本較低。劉剛等[95]以空載或滿載時間最短為基準，提出了一種基于GNSS的農(nóng)田自動導航方法。孟志軍等[96]提出了一種面向農(nóng)田作業(yè)機械的地塊全面覆蓋路徑規(guī)劃方法，其主要特點是農(nóng)田被劃分為不同區(qū)域，以此來分塊選擇不同的路徑規(guī)劃目標。對于全區(qū)域覆蓋路徑規(guī)劃而言，考慮的不僅是轉(zhuǎn)彎路徑而且包括農(nóng)田區(qū)域內(nèi)的所有行駛軌跡，目前的規(guī)劃方案有S型、口字型、回字型和對角型4種，如圖9所示[97]。

圖8 果園變量噴霧機Fig. 8 The variable sprayers used in orchard

圖9 全區(qū)域覆蓋路線規(guī)劃策略Fig. 9 The route planning strategies for full-area coverage

4.3 多機協(xié)同作業(yè)決策

現(xiàn)代農(nóng)機的2種不同發(fā)展方向：一是超大型化和復雜化；二是多臺小型農(nóng)機協(xié)同作業(yè)。多機協(xié)同作業(yè)對具有嚴格的作業(yè)窗口期或要求搶種搶收的意義重大[14]。Chi等[98]研究了日本水稻、大豆和小麥等農(nóng)業(yè)多機器人系統(tǒng)，包括種植、播種、聯(lián)合收割機等多種協(xié)同作業(yè)裝備。曹如月等[99]基于蟻群算法研究了多機協(xié)同作業(yè)任務規(guī)劃，建立了多機協(xié)同作業(yè)任務分配模型。郭娜等[100]基于領(lǐng)航－跟隨結(jié)構(gòu)提出了一種收獲機群協(xié)同導航控制方法，該方法在建立收獲機群運動學模型的基礎(chǔ)上，結(jié)合反饋線性化理論和滑?？刂评碚?，設(shè)計了漸近穩(wěn)定的路徑跟蹤控制律和隊形保持控制律。曹如月等[101]基于Web-GIS設(shè)計了多機協(xié)同作業(yè)遠程監(jiān)控平臺，對各農(nóng)機進行決策分析和任務調(diào)度，從而實現(xiàn)多機協(xié)同作業(yè)

5 問題與建議

農(nóng)情信息感知與解析作為精細農(nóng)業(yè)工作中的重要一環(huán)，對指導農(nóng)業(yè)生產(chǎn)、保障農(nóng)民增收和穩(wěn)定農(nóng)業(yè)發(fā)展具有重要意義[102]。本文從農(nóng)情感知技術(shù)和信息解析技術(shù)2個方面展開綜述，分別介紹了當前應用在農(nóng)業(yè)領(lǐng)域的高新技術(shù)，如傳感器、物聯(lián)網(wǎng)、大數(shù)據(jù)技術(shù)和機器學習算法等。精準、智慧農(nóng)業(yè)的發(fā)展目前正處于最關(guān)鍵也是最艱難的階段，對農(nóng)情信息的掌控和處理是其中的核心所在，隨著工業(yè)技術(shù)的發(fā)展和農(nóng)業(yè)現(xiàn)代化程度的提高，科學技術(shù)在農(nóng)業(yè)上的應用越來越廣泛，這也促進了農(nóng)情感知與解析技術(shù)的變革和更新，但同時也存在著一些問題需要不斷地發(fā)展創(chuàng)新，以適應農(nóng)業(yè)發(fā)展新常態(tài)[37]。

5.1 農(nóng)業(yè)傳感器技術(shù)存在的問題

智慧農(nóng)業(yè)的發(fā)展離不開傳感器技術(shù)，現(xiàn)代信息技術(shù)的高速發(fā)展也推動著農(nóng)業(yè)傳感器技術(shù)的快速發(fā)展，其前景非常廣闊。目前農(nóng)用傳感器的應用仍然存在很多問題：1)傳感器的性價比問題，市面上大多數(shù)性能好的傳感器價格較為昂貴，對一般農(nóng)戶的農(nóng)業(yè)生產(chǎn)活動幫助不大，所以，對于傳感器在一般農(nóng)業(yè)的全面應用還有距離；2)傳感器的技術(shù)水平有限，實時性和連續(xù)性有限，信息獲取難免出現(xiàn)有誤差、不完整等問題，限制著智慧農(nóng)業(yè)的整體發(fā)展和推廣；3)傳感器的壽命也是一直以來被關(guān)注的問題，大多數(shù)農(nóng)用傳感器的工作環(huán)境都在室外，長期暴露在陽光和雨露當中，導致使用壽命短，維護費用較高；4)目前農(nóng)業(yè)中多數(shù)的無線傳感網(wǎng)絡(luò)拓撲還是基站星型拓撲型結(jié)構(gòu)，并不是真正意義的無線傳感網(wǎng)絡(luò)，傳感器的無線可感知化和無線傳輸水平不高。

5.2 今后發(fā)展建議

5.2.1 農(nóng)情感知方面 傳感技術(shù)的發(fā)展水平制約著整體感知技術(shù)的發(fā)展水平，只有不斷改革和創(chuàng)新傳感器技術(shù)和無線傳感技術(shù)，朝多功能高性價比的傳感器和實時高效的傳感網(wǎng)絡(luò)方向進行研究，才能讓獲取的農(nóng)情信息可靠度得到高質(zhì)量的保證；同時，要促進物聯(lián)網(wǎng)和互聯(lián)網(wǎng)等高新技術(shù)在農(nóng)情感知應用上的緊密結(jié)合，保證農(nóng)情數(shù)據(jù)信息的實時性和傳遞性，加強農(nóng)田數(shù)據(jù)監(jiān)督管理并有效地進行農(nóng)業(yè)生產(chǎn)決策，提高產(chǎn)業(yè)鏈產(chǎn)值和農(nóng)業(yè)行業(yè)整體價值。

5.2.2 信息解析技術(shù)方面 數(shù)據(jù)是經(jīng)過不斷提煉和分析才能產(chǎn)生價值，對于農(nóng)業(yè)數(shù)據(jù)的解析是農(nóng)業(yè)信息化、自動化和智慧化的前提，目前信息解析技術(shù)主要包括大數(shù)據(jù)、云計算、圖像處理、神經(jīng)網(wǎng)絡(luò)和機器學習等相關(guān)技術(shù)。1)由于農(nóng)業(yè)問題的復雜特性，模塊化處理方式是數(shù)據(jù)解析技術(shù)的總體發(fā)展趨勢，將多源異構(gòu)的農(nóng)業(yè)數(shù)據(jù)按不同時空特性區(qū)分開，分類分析再進行匯總、歸納和決策；2)明確信息解析技術(shù)在農(nóng)業(yè)上的需求導向，針對不同的農(nóng)業(yè)問題深入發(fā)展相關(guān)技術(shù)，更加貼合農(nóng)情和現(xiàn)代化農(nóng)業(yè)理念；3)信息解析技術(shù)的發(fā)展和人才素質(zhì)水平密切相關(guān)，要重視科研人員對現(xiàn)代化信息技術(shù)的學習和研發(fā)，擴大現(xiàn)有信息技術(shù)人員的知識面和專業(yè)素養(yǎng)，形成研究人員專業(yè)深度化和個人專業(yè)知識綜合化的局面，從源頭上提升農(nóng)業(yè)信息解析技術(shù)的整體水平。

5.2.3 農(nóng)業(yè)數(shù)據(jù)庫技術(shù)方面 在未來農(nóng)業(yè)的信息化、智慧化推進過程中，農(nóng)業(yè)數(shù)據(jù)庫技術(shù)具有重要的地位。1)加強數(shù)據(jù)庫數(shù)據(jù)的易檢性和共享性，減少數(shù)據(jù)傳播過程中的阻力，增強數(shù)據(jù)的時效性和便易性；2)加強數(shù)據(jù)庫技術(shù)的安全性，從設(shè)計和管理層入手，重視數(shù)據(jù)的安全性，讓特有的信息能得到應有的保障；3)提高數(shù)據(jù)庫的質(zhì)量標準，結(jié)合當?shù)貙嶋H農(nóng)情，控制審核數(shù)據(jù)庫建庫標準，提高農(nóng)業(yè)數(shù)據(jù)庫質(zhì)量，促進數(shù)據(jù)庫的快速有效地進步；4)強化數(shù)據(jù)庫管理，在數(shù)據(jù)庫運行過程中加強檢查和維護，確保數(shù)據(jù)庫的正常運作，避免系統(tǒng)故障造成數(shù)據(jù)錯誤或數(shù)據(jù)丟失等現(xiàn)象。

5.2.4 智能決策技術(shù)方面 智能決策技術(shù)的應用必將在我國農(nóng)業(yè)信息化建設(shè)的進程中產(chǎn)生極大地助力。1)繼續(xù)加深與高新技術(shù)的融合(如物聯(lián)網(wǎng)、大數(shù)據(jù)、神經(jīng)網(wǎng)絡(luò)技術(shù)等)，技術(shù)水平?jīng)Q定了智能決策技術(shù)的可靠度和可信度，在智慧農(nóng)業(yè)的全面推進下，切實加強技術(shù)結(jié)合與技術(shù)創(chuàng)新；2)構(gòu)建智能化決策機制，合理制定農(nóng)業(yè)生產(chǎn)決策的相關(guān)要求與標準規(guī)范，加強信息互通、信息共享的理念，讓農(nóng)業(yè)決策規(guī)范化甚至制度化。