袁建霞，張秋菊，胡小鹿，苗中華，韋真博，齊 龍，吳海華

(1.中國科學院科技戰(zhàn)略咨詢研究院，北京100190； 2.中國農(nóng)村技術(shù)開發(fā)中心，北京100045；3.上海大學機電工程與自動化學院，上海200444； 4.浙江大學生物系統(tǒng)工程與食品科學學院，浙江 杭州310058；5.華南農(nóng)業(yè)大學工程學院，廣東 廣州510642； 6.中國農(nóng)業(yè)機械化科學研究院，北京100083)

0 引言

農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)是推動現(xiàn)代農(nóng)業(yè)智能化發(fā)展的新興技術(shù)，已廣泛應用于農(nóng)業(yè)生產(chǎn)的各個環(huán)節(jié)[1]。其中，大力發(fā)展農(nóng)業(yè)裝備物聯(lián)網(wǎng)，將現(xiàn)代物聯(lián)網(wǎng)技術(shù)和農(nóng)業(yè)裝備融合，可實現(xiàn)農(nóng)業(yè)裝備的智能化管理，有效整合農(nóng)業(yè)生產(chǎn)管理信息數(shù)據(jù)資源，為農(nóng)業(yè)生產(chǎn)提供高效、智能、安全和便捷的作業(yè)保障[2]。2018年初，我國農(nóng)機服務企業(yè)大田農(nóng)社舉辦“萬物互聯(lián) 賦能企業(yè)”農(nóng)機企業(yè)物聯(lián)網(wǎng)解決方案說明會，標志著我國農(nóng)機行業(yè)進入了“物聯(lián)網(wǎng)時代”。同年，江西省率先在全國提出了農(nóng)機購置補貼1萬元以上的農(nóng)業(yè)裝備(如聯(lián)合收割機、輪式拖拉機、履帶式拖拉機、撿拾壓捆機和噴桿噴霧機等)必須配備物聯(lián)網(wǎng)定位監(jiān)控的要求[3]。本文以研究農(nóng)業(yè)裝備物聯(lián)網(wǎng)的SCI論文為對象，分析該領(lǐng)域的國際競爭態(tài)勢和研究熱點，旨在為相關(guān)科技管理部門及時掌握該領(lǐng)域的科技發(fā)展態(tài)勢和研究重點、優(yōu)化研究布局和項目管理提供決策支撐。

1 研究數(shù)據(jù)與方法

以科睿唯安(Clarivate Analytics)科學引文索引(SCI)數(shù)據(jù)庫的研究論文為數(shù)據(jù)源，利用“農(nóng)機”“物聯(lián)網(wǎng)”和“信息化”相關(guān)主題詞及物聯(lián)網(wǎng)技術(shù)體系關(guān)鍵詞，并結(jié)合涉農(nóng)學科方向等構(gòu)建論文檢索式，檢索發(fā)表于2010—2020年的農(nóng)業(yè)裝備物聯(lián)網(wǎng)研究性論文。然后，以檢索到的論文作為數(shù)據(jù)集進行國際競爭態(tài)勢和研究熱點分析，分析思路和框架如圖1所示。

圖1 農(nóng)業(yè)裝備物聯(lián)網(wǎng)競爭態(tài)勢和研究熱點分析框架Fig.1 Analysis framework of competition situation and research hots of internet of things for agricultural equipment

競爭態(tài)勢分析以檢索到的全部SCI論文為對象，主要利用文獻計量學方法進行分析。首先利用科睿唯安的數(shù)據(jù)分析工具DDA(Derwent Data Analyzer)進行數(shù)據(jù)清洗，包括國家、關(guān)鍵詞等字段的規(guī)范和統(tǒng)一。然后利用該工具對清洗后的標準化數(shù)據(jù)進行分析，包括論文產(chǎn)出趨勢、領(lǐng)先國家和熱點研究主題比較等，以反映農(nóng)業(yè)裝備物聯(lián)網(wǎng)的國際競爭態(tài)勢。

研究熱點分析以檢索到的近5年(2016—2020年)發(fā)表被引頻次位于前10%的SCI論文為對象，主要采用論文內(nèi)容分析法。首先在上述檢索到的全部SCI論文中選取近5年發(fā)表的論文請專家進行甄選，對其中的重點論文逐篇進行內(nèi)容解讀，然后在此基礎(chǔ)上根據(jù)研究方向進行人工分類，對當前農(nóng)業(yè)裝備物聯(lián)網(wǎng)的研究熱點方向及其重點研究內(nèi)容進行分析。

2 國際競爭態(tài)勢分析

2010—2020年，共檢索到農(nóng)業(yè)裝備物聯(lián)網(wǎng)相關(guān)研究SCI論文2 764篇，其年度論文數(shù)量隨時間變化呈逐年上升趨勢，從2010年的172篇增加到2019年的433篇(2020年數(shù)據(jù)不完整)，增加了1.5倍多。其中2019年增長迅速，反映出近年來農(nóng)業(yè)裝備物聯(lián)網(wǎng)的研究論文產(chǎn)出規(guī)模正處于上升期，越來越受到重視。

2.1領(lǐng)先國家

2010—2020年，SCI論文數(shù)量最多的前10個國家依次是美國、中國、巴西、西班牙、意大利、德國、澳大利亞、印度、加拿大和伊朗(圖2)。其中，美國的論文數(shù)量最多，有771篇，約占論文總量的28%，遠領(lǐng)先于其他國家。其次是中國，有383篇，占比約為14%。排在第3位和第4位的巴西和西班牙分別有303和261篇。其余6個國家的論文數(shù)量在150篇左右及以下。

圖2 農(nóng)業(yè)裝備物聯(lián)網(wǎng)SCI論文數(shù)量最多的前10個國家Fig.2 Top 10 countries with the largest number of research papers on internet of things for agricultural equipment

2.2熱點研究主題

提取10個領(lǐng)先國家SCI論文中出現(xiàn)頻次最高且具有實質(zhì)意義的前10個關(guān)鍵詞，來揭示和反映農(nóng)業(yè)裝備物聯(lián)網(wǎng)領(lǐng)域的熱點研究主題。10個高頻關(guān)鍵詞依次是灌溉、傳感器、地理信息系統(tǒng)、遙感、蒸發(fā)蒸騰、土壤水分、歸一化植被指數(shù)、玉米、機器學習和人工神經(jīng)網(wǎng)絡(luò)。然后，通過分析各領(lǐng)先國家論文中高頻關(guān)鍵詞的出現(xiàn)頻次，來比較各國重點關(guān)注的熱點研究主題(圖3)。結(jié)果顯示，美國在各熱點研究主題都有布局，但主要關(guān)注灌溉應用和傳感器技術(shù)；中國主要關(guān)注遙感和傳感器技術(shù)；巴西主要關(guān)注灌溉應用、歸一化植被指數(shù)的測定和遙感技術(shù)；意大利主要關(guān)注灌溉應用和地理信息系統(tǒng)；德國主要關(guān)注傳感器技術(shù)；澳大利亞主要關(guān)注灌溉應用；印度和加拿大主要關(guān)注灌溉應用和地理信息系統(tǒng)；伊朗主要關(guān)注灌溉應用和人工神經(jīng)網(wǎng)絡(luò)。此外，玉米是物聯(lián)網(wǎng)應用研究最多的作物，各領(lǐng)先國家均有布局。

3 研究熱點分析

從檢索到的2 764篇農(nóng)業(yè)裝備物聯(lián)網(wǎng)研究SCI論文中選擇近5年(2016—2020年)發(fā)表且被引頻次排名前10%的論文162篇，請專家進行分析，從專業(yè)的角度遴選出重點論文98篇詳細解讀分析顯示，農(nóng)業(yè)裝備物聯(lián)網(wǎng)研究主要聚焦在感知與控制層技術(shù)、應用服務層技術(shù)、網(wǎng)絡(luò)和網(wǎng)絡(luò)平臺層技術(shù)及環(huán)境影響預測模型的研發(fā)。其中，感知與控制層技術(shù)研究的重點論文數(shù)量最多，有38篇(其中有2篇同時屬于應用服務層技術(shù)研究)；其次是應用服務層技術(shù)研究，有33篇重點論文；然后是網(wǎng)絡(luò)和網(wǎng)絡(luò)平臺層技術(shù)研究，有17篇；環(huán)境影響預測模型研發(fā)的最少，有12篇。

3.1感知與控制層技術(shù)研究

感知與控制層負責對農(nóng)業(yè)環(huán)境信息和動植物生長發(fā)育信息進行采集，由多個無線傳感器終端構(gòu)建而成，監(jiān)測信息通過移動網(wǎng)絡(luò)傳輸?shù)皆品掌脚_，云服務信息平臺將獲取的數(shù)據(jù)進行處理、融合、分析和可視化等工作，同時對環(huán)境進行調(diào)控、管理等[4]。該技術(shù)方向上的38篇論文的研究重點集中在植物生理和病害信息感知(16篇)、作業(yè)質(zhì)量監(jiān)測(11篇)、定位導航(7篇)及動物生理和行為信息感知(4篇)。從國家分布看，主要來源于中國(9篇)、美國(8篇)和西班牙(4篇)。

圖3 10個領(lǐng)先國家農(nóng)業(yè)裝備物聯(lián)網(wǎng)SCI論文熱點研究主題比較Fig.3 Comparison of hot topics of research papers of internet of things for agricultural equipment from top 10 countries

植物生理和病害信息感知是獲取植物生長指標和檢測病害的重要手段，是當前農(nóng)業(yè)管理中重點關(guān)注的問題。目前我國研究人員對作物養(yǎng)分檢測的研究比較多，例如，基于近紅外光譜技術(shù)對油菜葉片丙二醛含量進行檢測及基于反射光譜圖像對設(shè)施作物營養(yǎng)信息進行檢測等[5-6]。在病害檢測技術(shù)和方法方面也開展了較多研究[7-9]。本研究中，植物生理生態(tài)和病害信息感知方面共有16篇論文，主要開展了對玉米高度、橄欖樹冠層、生菜代謝生長、豆莢種子數(shù)量、棉花發(fā)芽率、大麥籽粒產(chǎn)量和蛋白質(zhì)含量、茶葉含水量、蝴蝶蘭葉片生長及水稻病害等的檢測研究，采用的主要技術(shù)有傳感器技術(shù)(如聲波傳感器、有源光學傳感器、激光雷達傳感器、紅外傳感器、主動光學傳感器)及衛(wèi)星圖像技術(shù)等(表1)。

表1 農(nóng)業(yè)裝備物聯(lián)網(wǎng)植物生理和病害信息感知研究方向重點論文

作業(yè)質(zhì)量監(jiān)測主要監(jiān)測充分和虧缺灌溉條件下玉米品種產(chǎn)量和生物量對氣候變化的響應、玉米雜交對氮肥的響應、聯(lián)合收割機中稻米的篩分損失、新型智能灌溉系統(tǒng)設(shè)定點對植物生理反應和作物生長的影響、無人機空間農(nóng)藥噴灑沉積質(zhì)量、葉綠素計的使用、菠菜生物量產(chǎn)量對鹽分和水分交互脅迫的生理響應、不同灌溉方式下小麥的水分狀況和谷物產(chǎn)量等(表2)。

定位導航技術(shù)研究主要涉及模糊空間決策工具的使用、果園和人工林激光測距儀自動導航拖拉機、通過累積玉米田圖像中的綠色像素檢測彎曲和筆直的農(nóng)作物行、定點施用除草劑的自動駕駛車隊的路線規(guī)劃、三維立體視覺監(jiān)測系統(tǒng)的應用、葡萄園噴霧機器人低成本定位導航數(shù)據(jù)融合算法及同時進行自動地形估計和分類任務的農(nóng)機設(shè)計方案等(表3)。

表2 農(nóng)業(yè)裝備物聯(lián)網(wǎng)作業(yè)質(zhì)量監(jiān)測研究方向重點論文

在動物生理和行為信息感知方面，隨著新技術(shù)的發(fā)展，我國已有研究人員開展了基于深度圖像的豬體尺檢測、基于機器視覺的母豬分娩檢測，以及基于視頻分析的奶牛呼吸檢測等研究[10-13]。而在本研究中，動物生理和行為信息感知方面共的4篇重點論文的主要研究內(nèi)容分別是構(gòu)建利用營養(yǎng)成分和攝入量等變量預測山羊腸內(nèi)甲烷排放的統(tǒng)計模型、基于核磁共振波譜進行魚的代謝組學評估、利用圖像運動特征提取識別豬群的攻擊行為及開發(fā)基于智能手機慣性測量單元的開源算法檢測牛草攝入量和反芻行為(表4)。

3.2網(wǎng)絡(luò)層及平臺層技術(shù)研究

網(wǎng)絡(luò)層是位于物聯(lián)網(wǎng)3層結(jié)構(gòu)中第2層的信息處理系統(tǒng)，其功能為“傳送”，即通過通信網(wǎng)絡(luò)進行信息傳輸，包括網(wǎng)絡(luò)層和網(wǎng)絡(luò)平臺層。網(wǎng)絡(luò)層技術(shù)有端云通信技術(shù)、端端通信技術(shù)、網(wǎng)絡(luò)接口技術(shù)(人、機器、系統(tǒng)之間)、網(wǎng)絡(luò)標準技術(shù)(人、機器、系統(tǒng)之間)及協(xié)同作業(yè)技術(shù)(算法、機器學習、深度學習)等。網(wǎng)絡(luò)平臺技術(shù)主要包括農(nóng)業(yè)大數(shù)據(jù)采集技術(shù)、農(nóng)業(yè)大數(shù)據(jù)挖掘和分析技術(shù)(跨媒體數(shù)據(jù)、多元數(shù)據(jù)、特征提取、模式識別、云計算)及農(nóng)業(yè)大數(shù)據(jù)決策技術(shù)(專家系統(tǒng)、知識系統(tǒng))等。本研究中網(wǎng)絡(luò)層及平臺層技術(shù)研究方向上有17篇重點論文，主要來源于美國(5篇)和印度(2篇)：其中6篇研究網(wǎng)絡(luò)層技術(shù)，重點關(guān)注的是協(xié)同作業(yè)技術(shù)中基于神經(jīng)網(wǎng)絡(luò)、支持向量機等算法的開發(fā)(表5)；11篇涉及網(wǎng)絡(luò)平臺技術(shù)的論文主要研究大數(shù)據(jù)分析和決策技術(shù)(表6)。

3.3應用服務層技術(shù)研究

物聯(lián)網(wǎng)通過感知層采集數(shù)據(jù)，并通過網(wǎng)絡(luò)層傳送到應用層。應用層的主要工作就是處理這些數(shù)據(jù)來進行應用開發(fā)計算，并根據(jù)數(shù)據(jù)做出反饋[4]。本研究中，應用服務層技術(shù)研究相關(guān)重點論文共33篇，主要依次聚焦智能灌溉(21篇)、智能植保(6篇)、智能養(yǎng)殖(4篇)和智能施肥(2篇)等領(lǐng)域(表7)。從國家分布來看，主要來源于西班牙(10篇)、美國(5篇)和中國(3篇)。智能灌溉領(lǐng)域運用了多傳感器技術(shù)、葉片水壓傳感器技術(shù)、云端服務器、機器學習、無線傳輸系統(tǒng)，以及無人機技術(shù)和光譜技術(shù)等。

表3 農(nóng)業(yè)裝備物聯(lián)網(wǎng)定位導航技術(shù)研究方向重點論文

表4 農(nóng)業(yè)裝備物聯(lián)網(wǎng)動物生理和行為信息感知研究方向重點論文

表5 農(nóng)業(yè)裝備物聯(lián)網(wǎng)網(wǎng)絡(luò)層技術(shù)研究方向重點論文

表6 農(nóng)業(yè)裝備物聯(lián)網(wǎng)網(wǎng)絡(luò)平臺層技術(shù)研究方向重點論文

智能植保領(lǐng)域：基于商用農(nóng)用機器人底盤和噴淋系統(tǒng)搭建了自動噴淋除草機器人，同時搭載了車載傳感器和GNSS(全球?qū)Ш叫l(wèi)星系統(tǒng))定位系統(tǒng)對雜草進行監(jiān)測；利用機器視覺和人工智能對目標進行識別，設(shè)計并研制了胡椒地除草噴霧機器人，同時將RTK GPS(實時動態(tài)全球定位系統(tǒng))連接到智能噴霧機上，開發(fā)算法自動生成雜草地圖；利用無人機技術(shù)對目標物進行航跡規(guī)劃導航噴霧；提出了一種基于計算機的自主適應無人機控制系統(tǒng)，可以精確改變無人機的飛行路線，以實現(xiàn)精確農(nóng)藥噴灑。

智能養(yǎng)殖領(lǐng)域：基于鼻帶壓力傳感器、在線數(shù)據(jù)分析記錄器和軟件，開發(fā)了一種測量奶牛的反芻和進食行為的新型自動化科學監(jiān)測裝置；基于藍牙無線傳輸技術(shù)和加速度傳感器監(jiān)測羊的各種基本行為，包括吃草、站立和行走等；提出了一種基于加速度傳感器區(qū)分奶牛行為的新方法，可以對奶牛的喂食和站立進行實時檢測。

智能施肥領(lǐng)域：基于產(chǎn)量反應和農(nóng)藝效率等建立水稻營養(yǎng)專家決策支持系統(tǒng)，推薦水稻施肥方法；采用遙感技術(shù)檢測氮肥對作物的影響，計算作物對施氮的空間響應。

3.4環(huán)境影響預測模型研究

環(huán)境影響預測模型研究方向共有12篇研究論文，其研究重點是開發(fā)各種算法和預測模型，以根據(jù)監(jiān)測到的相關(guān)數(shù)據(jù)來評估或預測農(nóng)業(yè)生產(chǎn)環(huán)境及其對作物的影響，評估內(nèi)容主要包括農(nóng)業(yè)水文過程與灌溉節(jié)水情況、防護林帶對農(nóng)作物產(chǎn)量的影響、水資源的脆弱性對雨養(yǎng)作物的影響、非生物脅迫(干旱、寒冷、鐵毒性、鹽堿度)對水稻生長的影響、溫室環(huán)境與作物生長的關(guān)系、土壤電導率與作物產(chǎn)量和土壤特性的空間關(guān)系、氮營養(yǎng)對玉米的影響、農(nóng)田水分蒸發(fā)和作物蒸騰、有機磷時空分布、地表溫度和土壤溫度的時空變化，以及根據(jù)圖像進行作業(yè)環(huán)境評估等(表8)。

表7 農(nóng)業(yè)裝備物聯(lián)網(wǎng)應用服務層技術(shù)研究方向重點論文

4 展望

(1)全面感知是農(nóng)業(yè)裝備物聯(lián)網(wǎng)的重要基礎(chǔ)。農(nóng)業(yè)裝備物聯(lián)網(wǎng)要將大量物體接入網(wǎng)絡(luò)并進行通信活動，對物體的全面感知非常重要，感知層是物聯(lián)網(wǎng)獲得信息的基礎(chǔ)，傳感器、射頻識別技術(shù)(RFID)、全球衛(wèi)星定位系統(tǒng)(GS)、全球定位系統(tǒng)(GPS)、條碼技術(shù)等感知設(shè)備負責對物理世界的各種信息進行采集。未來伴隨著5G通信技術(shù)的興起和北斗衛(wèi)星體系的建成將為農(nóng)業(yè)裝備物聯(lián)網(wǎng)通信帶來新機遇。

(2)信息處理是農(nóng)業(yè)裝備物聯(lián)網(wǎng)發(fā)展的核心。通過云計算、專家系統(tǒng)和人工智能等信息處理平臺，最終實現(xiàn)信息技術(shù)與行業(yè)的深度融合，完成物品信息的匯總、協(xié)同、共享、互通、分析預測和決策等功能。隨著計算機技術(shù)的不斷發(fā)展，更多的優(yōu)化算法、機器學習、深度學習將被應用于農(nóng)業(yè)裝備物聯(lián)網(wǎng)中。

(3)預測決策模型是農(nóng)業(yè)裝備物聯(lián)網(wǎng)的研究難點。目前處于大規(guī)模應用的農(nóng)業(yè)預測決策模型還比較少，主要是由于數(shù)據(jù)、平臺、軟件等比較欠缺，因此，農(nóng)業(yè)信息化還處于初級階段，還做不到實時診斷和處理。未來在加強數(shù)據(jù)獲取和傳輸?shù)幕A(chǔ)上，需重點開展預測決策模型等基礎(chǔ)理論研究，提高數(shù)據(jù)綜合處理能力和決策能力，以加強計算服務和信息控制，進而推動農(nóng)業(yè)裝備物聯(lián)網(wǎng)的大規(guī)模應用。

(4)多學科融合是農(nóng)業(yè)裝備物聯(lián)網(wǎng)發(fā)展的重要途徑。農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)不僅需要電子信息方面的知識，更需要農(nóng)業(yè)生物系統(tǒng)方面的知識，包括動植物、土壤、環(huán)境等對象，只有在充分了解對象特性的基礎(chǔ)上才能夠根據(jù)對象的需要和特點搭建最適合(無論是效能還是經(jīng)濟)的物聯(lián)網(wǎng)，因此，有關(guān)農(nóng)業(yè)生物系統(tǒng)方面的技術(shù)將在未來農(nóng)業(yè)發(fā)展中起到越來越重要的作用。與此同時，大田種植、設(shè)施園藝、畜禽養(yǎng)殖、水產(chǎn)養(yǎng)殖和農(nóng)產(chǎn)品物流等具體的應用層，不僅僅用到了物聯(lián)網(wǎng)通信技術(shù)，還需要大數(shù)據(jù)、農(nóng)業(yè)、環(huán)境、控制等。此外，要對基于農(nóng)業(yè)裝備物聯(lián)網(wǎng)技術(shù)產(chǎn)生的復雜問題開展科學研究，還必須了解其他領(lǐng)域的知識，對研究問題有全方位多領(lǐng)域的認知，才能從真正意義上解決農(nóng)業(yè)物聯(lián)網(wǎng)的核心問題。不斷加大學科融合，共同探討農(nóng)業(yè)裝備物聯(lián)網(wǎng)問題是實現(xiàn)技術(shù)突破的關(guān)鍵。

(5)智慧田間管理是目前農(nóng)業(yè)裝備物聯(lián)網(wǎng)發(fā)展的重要方向。田間管理以植保方向為主，其次是灌溉，再次是田間生理參數(shù)獲取。植保是目前農(nóng)業(yè)物聯(lián)網(wǎng)應用最為成熟的領(lǐng)域，不管是基于無人機還是機器人的自動噴灑裝置，相關(guān)研究是最多的，目前應用的探測傳感器、數(shù)據(jù)傳輸和定位系統(tǒng)多數(shù)為成熟的商業(yè)傳感器模塊。相關(guān)應用研究主要集中在路徑規(guī)劃，以及植物、雜草或病蟲害識別上。同時，對土壤本身的研究也值得關(guān)注，尤其是土壤的含水率檢測，目前國內(nèi)開展的土壤含水率檢測多為離線檢測，還沒有可靠的田間土壤含水率在線監(jiān)測傳感器，可視為卡脖子技術(shù)或者先進技術(shù)，需要進行優(yōu)先布局研究。

(6)智慧牧場將是未來農(nóng)業(yè)裝備物聯(lián)網(wǎng)研究的重要陣地。當前，智慧牧場的發(fā)展明顯落后于智慧農(nóng)場，無論是應用的技術(shù)手段還是對象的監(jiān)測分析，都不如智慧農(nóng)場研究深入?？赡艿脑蚴?，動物生理和行為參數(shù)的差異性和不確定性使得難以在短期或者小范圍研究中找到可以遵循的規(guī)律，若要進行有效分析需要更多的樣本數(shù)據(jù)，而農(nóng)場規(guī)模和區(qū)域的局限性限制了物聯(lián)網(wǎng)技術(shù)在牧場中的應用和推廣。不過，基于機器視覺的農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)在養(yǎng)殖業(yè)已開始應用，未來智慧養(yǎng)殖將會得到更大發(fā)展。