深度学习技术在农业干旱监测预测及风险评估中的应用

人工智能技术的发展，特别是深度学习的出现，推进了农业新发展，是农业现代化生产的新方向。深度学习具有学习能力强、覆盖范围广、适应力强、可移植性好等优点，其开发模拟数据集可以解决实际问题，在农业干旱的监测预测及风险评估中的应用越来越广泛。本文采用文献综述方法，归纳农业干旱监测预测评估技术的发展与应用，总结深度学习模型的原理、优势和不足，概述深度学习模型在农业干旱监测预测及风险评估方面的实际应用，探讨深度学习数据集要求大、数据预处理耗时长、预定义类别范围窄、遥感图像复杂的问题，并对未来研究方向进行展望。结果表明，近年来农业干旱监测预测及风险评估技术取得重要进展，然而由于农业系统的非线性及干旱灾害发生的复杂性，现有技术在适用地域、对象和精准性等方面仍难以满足新形势下实际农业生产的需求。深度学习方法为农业干旱研究提供了新手段，但深度学习模型无法准确表达作物生长具体过程与机理，可尝试探索通过深度学习模型和作物生长模型的耦合来确保深度学习模型的可解释性。对于修正预测序列中存在的误差，可建立基于深度学习模型与大气环流模式的耦合模型，进一步提升模型对中长期农业干旱的预测能力。针对灾害样本容量有限问题，加...     

作物模型应用与遥感信息集成技术研究进展

作物模型和遥感技术以各自独有的优势在作物生产监测、评估及未来预测等方面发挥着关键作用。作物模型与遥感信息集成技术在大尺度、高精准的农业生产监测、评估与预测上具有明显的应用优势和广阔的发展前景。为了促进这些技术在区域尺度上的作物产量预测、农业气象灾害影响评估及农业应对气候变化决策等方面更加广泛地应用,本文采用文献综述的方法,系统归纳了欧洲、美国、澳大利亚及中国作物模型的发展与应用,总结了当前主流的数据集成方法的原理、特点和不足,概述了作物模型与遥感信息集成技术的实际应用,探讨了提升数据集成精度存在的问题,并对未来研究方向进行展望。结果表明,国内外对于作物模型及其与遥感数据集成的研究与应用广泛而深入,利用同化方法能够有效提高作物模型模拟精度,为作物模型实现区域尺度作物生长及产量评估、气候变化对产量影响、农田管理决策等提供技术支撑。作物模型模拟结果及遥感反演数据的不确定性、数据同化策略的多样性以及尺度效应是进一步提高集成系统精度与效率的限制因素。因此,遥感数据多源融合、同化过程多变量协同、作物模型多类型耦合以及数据高性能并行计算是未来作物模型与遥感数据集成研究的发展趋势。     

甘肃寒旱农业生产现状及未来研究方向

为了理清对寒旱农业的认识和界定,明确寒旱农业当前的发展态势和未来发展方向,通过调研大量资料,以甘肃省为例,明确了寒旱区的分布及自然特征,探讨了寒旱农业的概念和内涵。从土壤类型及耕地质量水平、作物种植结构及生产水平、机械化水平、土地经营方式、社会化服务水平等方面阐释了寒旱农业现状;从生境因素、土壤因素、区域结构布局、投入水平、技术支撑等方面分析了寒旱农业存在的问题。提出了寒旱农业未来要在绿色覆盖、流域生态、种养循环模式下,充分集成设施化、机械化、智能化、数字化等手段,重点研究绿色覆盖、土壤定向培育、土壤有机质快速提升、智慧化集雨农业、旱作智慧农业决策平台、智能养分产品应用、作物种植制度优化设计等关键技术和策略。     

作物生长模型的应用研究进展

作物生长模型不仅能够进行单点尺度上作物生长发育的动态模拟,而且能够从系统角度评价作物生长状态与环境要素的关系。本文通过梳理当前作物生长模型应用的诸多研究成果,剖析模型在气候变化对农业生产影响研究、作物生长模型区域应用中的关键问题,总结了当前以作物生长模型为核心的农业决策支持系统开发的研究情况,意在促进作物生长模型在生态、农业、区域气候资源和气候变化等研究中更广泛地应用。结果表明,作物生长模型在国内外的研究与应用广泛而深入,在气候变化背景下,应用作物生长模型进行历史时期气候条件和农业气象灾害对作物生产状况和产量的影响研究已相当广泛且相对成熟。利用全球气候模式（GCM）或区域气候模式（RCM）构建未来气候变化情景,再与作物生长模型耦合已发展成为评估未来气候变化对农业生产影响的重要手段。通过集成与整合多作物生长模型、多气候模式集合模拟、优化气候模拟数据订正方法可有效降低气候变化对农业生产影响评估的不确定性。遥感数据同化技术能够将站点模型运用到区域尺度上评价不同环境因子对农业生产的影响,拓宽了作物生长模型的应用尺度范围并有效提高作物产量估算的精度。以作物生长模型为核心的农业决策支持系统的研究与应用越来越多元化,是辅助农业生产管理和决策的重要工具。然而,由于作物生态系统的复杂性,作物生长模型模拟结果仍存在很大的不确定性,今后对作物生长机理及过程间耦合机制的探索还需加强,以便进一步完善和改进模型,促进作物生长模型更广泛地应用。     

基于语义分割的非结构化田间道路场景识别

环境信息感知是智能农业装备系统自主导航作业的关键技术之一。农业田间道路复杂多变，快速准确地识别可通行区域，辨析障碍物类别，可为农业装备系统高效安全地进行路径规划和决策控制提供依据。该研究以非结构化农业田间道路场景为研究对象，根据环境对象动、静态属性进行类别划分，提出一种基于通道注意力结合多尺度特征融合的轻量化语义分割模型。首先采用Mobilenet V2轻量卷积神经网络提取图像特征，将混合扩张卷积融入特征提取网络最后2个阶段，在保证特征图分辨率的基础上增加感受野并保持信息的连续性与完整性；然后引入通道注意力模块对特征提取网络各阶段特征通道依据重要程度重新标定；最后通过空间金字塔池化模块将多尺度池化特征进行融合，获取更加有效的全局场景上下文信息，增强对复杂道路场景识别的准确性。语义分割试验表明，不同道路环境下本文模型可以对场景对象进行有效识别解析，像素准确率和平均像素准确率分别为94.85%、90.38%，具有准确率高、鲁棒性强的特点。基于相同测试集将本文模型与FCN-8S、SegNet、DeeplabV3+、BiseNet模型进行对比试验，本文模型的平均区域重合度为85.51%，检测速度达到8.19帧/s，参数数量为，相比于其他模型具有准确性高、推理速度快、参数量小等优点，能够较好地实现精度与速度的均衡。研究成果可为智能农业装备在非结构化道路环境下安全可靠运行提供技术参考。     

遥感与作物生长模型数据同化应用综述

遥感是获取大面积地表信息最有效的手段,在农业资源监测、作物产量预测中发挥着不可替代的重要作用;作物生长模型能够实现单点尺度上作物生长发育的动态模拟,可对作物长势以及产量变化提供内在机理解释。遥感信息和作物生长模型的数据同化有效结合二者优势,在大尺度农业监测与预报上具有巨大的应用潜力。该文系统综述了遥感与作物生长模型的同化研究,概述了遥感与作物生长模型数据同化系统的构建,在归纳国内外研究进展的基础上,总结了当前主流同化方法的特点以及在不同条件下的同化效果。进而具体分析影响同化精度的关键环节,明确了相关科学概念,并相应指出改善精度的策略或者方向。最后从多参数协同、多数据融合、动态预测、多模型耦合以及并行计算环境5个方面展望了遥感与作物生长模型数据同化的未来研究重点和发展趋势,同时结合农业应用现实需求,介绍一种数据同化与集合数值预报结合的应用框架,为大区域、高精度同化研究提供新的思路与借鉴。     

云计算在农业信息化中的应用前景分析

云计算是未来发展的趋势,为探讨云计算技术在农业信息化中的理论基础和技术支持,文章对云计算技术的概念、主要服务形式、当前发展状态,以及计算平台等进行概述,并分析了云计算在农业信息化中的初步应用前景。     

基于绿色农业的智能喷药机器人的设计与应用

随着农业生产的发展，传统的喷药方式存在着药剂浪费、环境污染和作物质量下降等诸多问题。通过智能喷药机器人的应用，提高农业喷药的效率、减少药剂的使用量和环境污染，以推动绿色农业发展和提高农产品质量。结合物联网、大数据和人工智能等技术，设计了一款由底盘、四轮驱动机构、自动配药装置、喷药装置及智能控制器、传感器等组成的喷药智能机器人，能在不同路况下行走工作。通过图像识别技术深度分析农作物所受病虫害情况，通过控制模块获取速度传感器、压力传感器及流量传感器瞬时数值动态调整药液浓度、喷药压力，实现喷药过程平稳工作。该系统的设计为后续根据作物生长态势精准靶向喷药及远距离喷药等功能实现提供思路。     

机器学习算法在高光谱感知作物信息中的应用及展望

机器学习作为一种统计学与计算机科学相结合的新兴技术,近年来在作物信息获取任务中得到广泛应用。传统的作物信息获取方式主要依靠化学检测法,测定过程耗时、耗力。基于机器学习算法和高光谱遥感技术能够通过无损的方式,快速感知作物外观及内部理化参数,具有明显的应用优势和发展前景。本文对国内外作物信息高光谱遥感相关研究进行系统性梳理。总结了不同机器学习算法在高光谱感知作物信息中的应用及优缺点,归纳了机器学习算法建模的不确定性,指出高光谱感知作物信息的未来发展趋势为,通过多源遥感协同观测实现作物信息获取方式互补,发展高光谱遥感与作物模型同化技术、高光谱遥感与人工智能深度融合技术,从而实现面向作物全生育期的关键信息智能化获取与决策。     

遥感数据和作物模型集成方法与应用前景

为了促进遥感数据和作物模型集成这一新方法在农业领域中更广泛的应用,在分析遥感数据和作物模型农业应用中各自优缺点的基础上,阐明二者结合的必要性,并介绍了遥感数据和作物模型的3种集成方式.回顾了遥感数据和作物模型同化的研究进展,并重点分析了遥感数据和作物模型结合在农作物产量预测、品质遥感预报、精准施肥管理决策、精准灌溉决策等领域的应用潜力,最后指出了当前遥感数据和作物模型结合中存在遥感定量化、参数集和驱动数据的获取、最优化算法选择和改进、作物模型的完善和订正等问题,有望随着遥感数据源的丰富、定量遥感和作物模型的发展、以及同化理论的进一步完善得到解决.     

基于YOLOv5s的农田垃圾轻量化检测方法

针对目前垃圾检测算法在农田复杂环境下检测精度不高、检测效率低,模型复杂等问题,该研究提出了基于YOLOv5s的农田垃圾轻量化检测方法。首先,使用轻量级分类网络ShuffleNetV2的构建单元作为特征提取网络,降低模型的计算量和参数量,提高运行速度,以满足移动端的应用要求;其次,为应对模型轻量化后带来的检测精度降低,该文相继对ShuffleNetV2的构建单元进行了卷积核扩大化改进和激活函数优化,在增加部分计算量的前提下提高了模型精度;此外,为增强模型在田间环境下对目标的精准定位能力,该研究针对边界框损失函数进行了优化,将CIoU边界框损失函数高宽纵横比的损失项拆分为预测框的高宽分别与最小外接框高宽的差值,然后通过不断迭代减小差值,提高模型的收敛速度和回归精度。试验结果显示,最终的改进模型检测精度达到了90.9%,此时检测速度为74 ms/帧,计算量仅为3.6 GFLOPs,与当前主流的目标检测算法SSD、YOLOv3等相比,不仅具有更优越的检测精度和推理速度,同时还大幅减少了计算量;最后,将改进前后的模型部署到Jetson TX1和Raspberry 4B 两种边缘计算设备上进行测试,测试结果表明,改进后的YOLOv5s模型在边缘计算设备上的检测速度相对原模型提高了至少20%,同时保持了较好的检测效果,平衡了边缘计算设备对精度和速度的性能需求,为田间垃圾检测任务提供了参考。     

基于模型剪枝的棉花氮素营养水平诊断

确定棉花的氮素营养水平是实施精准施肥的先决条件和基础。近年来,深度学习逐渐应用于氮素营养水平诊断中,但该方法对高性能设备的依赖性较高,限制了其在资源受限边缘设备上的部署应用。针对这一问题,该研究提出一种基于树莓派4B的棉花氮素营养水平诊断方法。研究采用ResNet101网络构建诊断模型,并通过网络瘦身算法对模型进行剪枝优化,最终将剪枝比例为87%的模型部署在资源受限的树莓派4B上。试验结果表明：当剪枝比例达到87%时,模型精度损失2.55个百分点,同时剪枝后模型参数量、计算量和存储体积分别为4.37 M、1.05 G和16.65 MB,明显提高模型在计算能力有限设备上的推理速度,有助于快速、准确地评估田间棉花的氮素营养状况,从而实现对棉花的精准施肥,提高产量和质量。该研究不仅为实现棉花氮素营养水平的大面积快速诊断提供了技术参考,同时对于作物营养水平诊断的智能终端装备研发具有参考价值。     

面向智慧农业的无芯片射频跨域感知研究进展

随着传统农业逐渐向智慧农业转型，室温条件下具有低成本、长寿命、低功耗、小型化的检测手段对于农业环境及动植物本体指标检测至关重要，尤其对于无法进行电路有线连接的农业场景。随着器件传感和无线通信的整合，无芯片射频识别（chipless radio frequency identification, CRFID）因为具有轻量、价格合理、普适性等优势被广泛应用，CRFID标签具有理论上的“无限”寿命，代替了集成电路，成为标识传感信息融合的重要媒介，适用于农业环境、动植物生长监测、物流运输、食品品质检测等。该研究首先介绍了CRFID系统构成，以及其基本原理，指出天线是CRFID实现跨域感知的关键要素之一，随着农业场景中气体、环境温湿度、pH值等变化，天线负载敏感材料的电导率、磁导率、介电常数变化，引起CRFID标签的反向散射信号变化；其次，基于时频域标签，介绍了CRFID用于湿度、温度、气体（二氧化碳、氨气、乙烯）、pH和食品（猪肉、牛肉、鱼肉、果蔬、牛奶）检测的国内外最新研究进展，对比了相关传感器的关键性能指标；最后，针对CRFID技术的成功案例，指出了该类型传感器面临的主要研究挑战、未来研究...     

生态无人农场模式探索及发展展望

中国的农业生产建立在过量农药化肥投入的基础上,导致农田生态环境失衡,不利于农业的可持续发展,同时,农业劳动力短缺问题日益凸显,寻求一种生态化、高效化、智慧化的农业模式势在必行。基于多年的实践与探索,该文作者团队在山东淄博落地建成了中国首个生态无人农场,提出了"生态无人农场"的模式与发展理念。文章总结出农药、化肥和土壤耕作制度对农田生态系统造成的不利影响最为明显,提出通过一系列无人化作业手段与模式对农田生态系统进行生态化管理与改造,来实现农业生产的可持续发展。在此基础上,通过天空地一体化农情信息获取、地空一体化无人机群协同作业以及构建能够完全自主决策的智慧云大脑的技术集成创新模式,来实现农田信息的自动采集和处理、科学决策以及无人农机的远程控制等功能。文章对生态无人农场关键技术与模式进行了总结论述,提出了生态无人农场模式的实施内涵,以期为未来农业、智慧农业的发展以及推进农业农村现代化高质量发展提供借鉴。     

云雾混合计算改进远洋渔船物联网系统通讯质量

远洋渔船上不断增加的船载智能设备和传感器增大了对网络通讯带宽和流量的要求,目前船岸间通讯的高昂费用和带宽限制成为整个系统的瓶颈。该文在远洋渔船作业系统中引入云雾混合计算架构。研究以云计算为基本架构,采用面向服务的构架,提供可靠和安全的数据存储中心,降低了对用户端的设备要求,利于不同设备间的数据与应用共享;同时,利用船载设备的计算和存储能力,采用雾计算架构的设备固件更新分发机制获取最少必要固件资源后在船载网络内部进行推送和更新,并利用船载传感网络雾计算模型在船载网络内部存储和压缩传感器环境数据,以降低船岸之间的数据通讯量。研究证明,云雾混合计算架构在保证船岸数据信息交互一体化的同时明显降低了对数据通讯带宽的要求,减少了网络流量。在测试期内,开富号各计算节点及传感设备固件更新文件数据量降低为传统架构的15.13%,传感器发往云端的报文数据量降低为传统架构的4.75%。参考卫星宽带流量套餐费用计算(1 MB费用约为10美元,2014年标准),在该时间段内,仅"开富号"一条船舶约节约7 500美元,每年能节约通讯费36 000美元,具有一定的经济效益。研究实践证明云雾混合计算有利于改善远洋渔船物联网系统通讯质量。     

中小型规模智慧农业物联网终端节点设计

为了能够向中小规模农业生产经营者提供深度定制的农业物联网技术,该研究研发了一种可用于农业设备信息化的智慧农业物联网终端节点。通过该终端节点将农业设备柔性接入物联网体系,并依托管理服务层App实现应用层App功能开发。系统硬件利用可编程片上系统的IP核重用技术实现对各种农业设备的接入,实现各农业场景中根据设备具体情况进行定制化应用。系统传输层采用LoRa广域网与蓝牙技术,支撑集中式与分布式农业管理服务体系。管理服务层App对底层节点设备操作与Android功能操作进行封装,实现应用层与底层功能结构的解耦,避免了应用层App开发时结构复杂、对底层功能结构变化适应性差、开发周期长等问题。实践应用结果表明,该农业物联网终端节点可有效实现对农业设备的接入,具有1500VDC的电磁隔离能力;节点的LoRa无线数据通道在无严重降雨的天气中数据包传输成功率接近100%,蓝牙可支持周围3m范围内的移动设备现场接入;管理服务层App可有效支撑应用层功能快速开发;在直连上位机模式下,应用层App到节点设备间的功能延时分别小于400与1 700 ms,系统运行稳定,功能支撑可靠。该方法可为国内中小规模农业经营者的物联网信息化建设提供支持与参考。     

深松作业下多机协同任务分配优化方法

任务分配方式对农业机械作业油耗影响显著。在多机协同多任务分配过程中,与将完整田块作业任务分配给单台农业机械相比,拆分各任务田块作业量并采用多农机协同作业能进一步降低作业油耗。为实现农业机群高效节能协同作业,该研究以深松作业为例,首先系统地分析机群协同作业过程油耗;然后建立以农机作业量为优化变量、以最低机群油耗和最短整体耗时为优化目标的多目标优化模型,并采用INSGA-Ⅱ算法对模型进行优化求解;最后基于实际深松作业案例,分析了所提模型的有效性和实用性。案例分析结果表明:与传统NSGA-Ⅱ算法相比,INSGA-Ⅱ算法可降低4.35%机群油耗及4.51%整体耗时;与传统作业方式相比,根据本文模型进行多机协同任务分配可降低5.51%机群油耗及42.65%整体耗时。研究结果可为无人农场多任务多农机作业分配提供科学依据。     

基于文献计量学的智慧果园研究进展与热点分析

为了宏观掌握智慧果园在国内外的研究动态、前沿和热点，更好地推动智慧果园乃至智慧农业的发展，该研究采用文献计量分析方法，以Web of science核心论文集为检索平台分析了智慧果园2002年1月1日-2022年8月累计20年的时空分布、主要研究内容以及前沿热点。主要结论如下：智慧果园的研究自2014年起步入正轨，2018年起在人工智能技术推动下发展迅猛，2018－2021年总发文量占比37.5%；总体而言，作者（Lan Yubin、Chen Chao、Tang Yu等）、机构（华南农业大学、中国农业大学和佛罗里达大学等）、地域（中国、美国、西班牙等国）交流和合作均较为密切；中国、美国是开展智慧果园研究的主要国家，总发文量共占比58.2%；当前主要研究集中在果树长势和病虫害识别和预警、无人化或智能化农机作业。根据研究目的细分的技术主要包含人工智能模型/算法、传感、物联和精准农业等。自2007年以来，研究热点由柑橘病害、产量预估等对象研究逐步过渡到技术研究上，深度学习、无人机、人工智能的研究是当今智慧果园的发展前沿。智慧果园研究深受技术推动尤其在当前人工智能技术背景下方兴未艾，而当前的环境复杂度高、种植欠规范等问题依旧制约着其进一步发展。星-空-地立体化果园感知、空-地协同无人化精准作业、水果采摘、果品的可视化溯源等方面将是未来智慧果园主要研究方向。     

日本以农协为主推进智慧农业发展经验及对中国的启示

日本农业面临严峻的农业人口老龄化与农业人口减少的问题,且以小型田块和山地耕地居多,农业劳作不便。为了解决上述问题,保障粮食供应,振兴地方经济,日本正大力发展智慧农业。日本农协协助制定了新的农业基本法以及农林水产信息化战略以支持农业的发展,并在农业机械自动化、农用信息系统、农村网络改造、农用航空、植物工厂等方面开展了大量的科技创新与应用,推动了日本现代农业的发展,日本以140.4万人且主体为老龄人口的核心农户实现了近1.3亿人口的主要粮食自给自足。日本农协多层级、多部门、全方位覆盖农业流程的服务,为智慧农业的落地助力。纵观日本智慧农业的发展历程与成效,借鉴其成功经验,对中国农业发展提出如下建议：应当创新农业体制机制,打通信息、人力、资源的流通渠道;优化农村营商环境,发挥好地方、高校、企业等不同主体的优势,立足乡村振兴角度对智慧农业技术进行长期的实证化研究;借鉴日本农协在农业生产、销售、推广、管理上的经验,因地制宜,积极探索,夯实根基,有助于推进中国乡村全面振兴,加快农业农村现代化和建设智慧农业强国。