信息農(nóng)機農(nóng)藝技術融合的小麥智慧生產(chǎn)模式研究

馬新明 馬兆務 許鑫 席磊 熊淑萍 李海洋

摘要： 為研究智慧農(nóng)業(yè)發(fā)展模式與實現(xiàn)途徑，本研究設計了小麥產(chǎn)前、產(chǎn)中和產(chǎn)后各生產(chǎn)階段信息技術與農(nóng)機農(nóng)藝融合的基本框架，即產(chǎn)前利用精準導航和激光平地技術實現(xiàn)對土地精準規(guī)范化作業(yè)，利用空間插值技術和變量施肥技術實現(xiàn)精準化播種與施肥;產(chǎn)中利用物聯(lián)網(wǎng)和圖像處理技術開展營養(yǎng)診斷服務;產(chǎn)后運用傳感器技術開展產(chǎn)量實時預測服務。完成并實現(xiàn)了普通農(nóng)機裝備的智能化改造和與農(nóng)業(yè)生產(chǎn)相適應的播種收獲裝備的研發(fā);研究了具有高效利用光熱資源、提高產(chǎn)量和綠色發(fā)展的小麥生產(chǎn)優(yōu)化種植模式;研發(fā)了與小麥產(chǎn)前品種播期播量選擇和施肥推薦、產(chǎn)中苗情營養(yǎng)診斷、產(chǎn)后產(chǎn)量實時測報等相關系統(tǒng)，并在河南省進行了試驗。試驗結(jié)果表明，采用信息技術與農(nóng)機農(nóng)藝融合方案可使小麥增產(chǎn)18.4%，增加產(chǎn)投比16.7%和8.1%，表明信息技術與農(nóng)機農(nóng)藝融合的小麥智慧化生產(chǎn)模式是有效的、可行的。

關鍵詞： 信息農(nóng)機農(nóng)藝融合;小麥;智慧生產(chǎn);發(fā)展模式;農(nóng)業(yè)信息化

中圖分類號： S3 文獻標志碼： A 文章編號： 201910-SA001

引文格式：馬新明， 馬兆務， 許 ?鑫， 席 ?磊， 熊淑萍， 李海洋. 信息農(nóng)機農(nóng)藝技術融合的小麥智慧生產(chǎn)模式研究[J]. 智慧農(nóng)業(yè)， 2019，1（4）： 62-71.

1 引言

智慧農(nóng)業(yè)是農(nóng)業(yè)發(fā)展的高級階段，是通過將現(xiàn)代信息技術應用于傳統(tǒng)農(nóng)業(yè)生產(chǎn)，為農(nóng)業(yè)信息獲取、生產(chǎn)過程控制以及精準管理決策等提供個性化、智能化、高效的服務[1，2]，具有節(jié)約資源，改善環(huán)境，轉(zhuǎn)變生產(chǎn)方式，提高生產(chǎn)效率，推動生產(chǎn)結(jié)構(gòu)轉(zhuǎn)型升級等功能[3]。

智慧農(nóng)業(yè)已經(jīng)成為國內(nèi)外發(fā)展現(xiàn)代農(nóng)業(yè)的共同目標[4，5]。20世紀90年代以來，美國政府每年撥款10多億美元，用于加強農(nóng)業(yè)信息化相關技術的推廣和應用[6];英、德等歐洲國家通過政府、農(nóng)協(xié)、合作社等各種途徑，實現(xiàn)農(nóng)業(yè)規(guī)模化、產(chǎn)業(yè)化和信息化經(jīng)營[7];日本通過政府和地方合作，建立了嚴密的農(nóng)技推廣體系，推動智慧農(nóng)業(yè)的發(fā)展[8]。中國高度重視智慧農(nóng)業(yè)發(fā)展，先后出臺了《國家信息化發(fā)展戰(zhàn)略綱要》《全國農(nóng)業(yè)現(xiàn)代化規(guī)劃（2016-2020）》《關于實施鄉(xiāng)村振興戰(zhàn)略的意見》等指導性文件，明確將智慧農(nóng)業(yè)發(fā)展和鄉(xiāng)村振興結(jié)合起來，指明我國農(nóng)業(yè)、農(nóng)村的發(fā)展方向[9-11]。

智慧農(nóng)業(yè)已成為國內(nèi)外學術界研究探討的熱點問題。在國外，Carlos等[12]研究了物聯(lián)網(wǎng)技術在農(nóng)業(yè)精準灌溉的應用，通過開發(fā)基于物聯(lián)網(wǎng)的農(nóng)業(yè)精準灌溉智能水管理平臺，實現(xiàn)了灌溉的精準、高效;Muangprathub等[13]提出了一種基于無線傳感器網(wǎng)絡的農(nóng)作物優(yōu)化灌溉系統(tǒng)，可以通過智能手機和網(wǎng)絡應用程序?qū)崿F(xiàn)對數(shù)據(jù)管理;White等[14]利用收集的大數(shù)據(jù)，通過算法分析加強牲畜經(jīng)營決策的科學性，促進牲畜精確管理;Hsu等[15]提出了一種基于物聯(lián)網(wǎng)和云計算平臺的創(chuàng)新服務流程，可以應用于大面積數(shù)據(jù)采集和分析，實現(xiàn)網(wǎng)絡信息資源的集成和自動化; Patrício和Rieder[16]利用圖像模式識別技術，結(jié)合人工智能，探討了計算機視覺在精準農(nóng)業(yè)中的適用性;Liakos等[17]建立了機器學習在農(nóng)業(yè)生產(chǎn)系統(tǒng)中的作物管理、畜牧管理、水管理以及土壤管理的具體應用。

在國內(nèi)，趙春江[18]在系統(tǒng)分析國內(nèi)外智慧農(nóng)業(yè)現(xiàn)狀基礎上，提出了發(fā)展中國智慧農(nóng)業(yè)的三大轉(zhuǎn)變、八項重點任務和五項政策建議;徐建國和肖海峰[19]利用大數(shù)據(jù)技術，研發(fā)了基于大數(shù)據(jù)的智慧農(nóng)業(yè)物聯(lián)網(wǎng)系統(tǒng);佟彩等[20]探討了“3S”技術在智慧農(nóng)業(yè)中作物長勢、土壤環(huán)境等信息的監(jiān)測采集、作物產(chǎn)量估產(chǎn)、災害損失評估、田間管理智能決策及展示等方面的應用;王曉敏和鄧春景[21]基于當前中國智慧農(nóng)業(yè)面臨的問題，提出了在“互聯(lián)網(wǎng)+”的背景下智慧農(nóng)業(yè)發(fā)展路徑;孫志國[22]展望了區(qū)塊鏈技術對智慧農(nóng)業(yè)生產(chǎn)的影響;李兵等[23]利用決策樹算法構(gòu)建了基于機器學習的智慧農(nóng)業(yè)決策系統(tǒng)，使處理復雜農(nóng)業(yè)環(huán)境信息的準確率和及時度分別達到97%和95%。但是，現(xiàn)有的智慧農(nóng)業(yè)研究多是單項技術或單一模式運用，缺乏面向作物生長全過程的綜合利用多項信息技術，以及融合農(nóng)機、農(nóng)藝面向作物全生育期的智慧農(nóng)業(yè)發(fā)展模式。

河南是農(nóng)業(yè)大省，隨著現(xiàn)代農(nóng)業(yè)的發(fā)展，河南省現(xiàn)代農(nóng)業(yè)的條件不斷完善。統(tǒng)計資料顯示，河南省已建成高標準糧田41300km2，主要農(nóng)作物耕種收綜合機械化水平達82.6%，4G網(wǎng)絡、光纖進村等農(nóng)業(yè)信息化基礎和農(nóng)業(yè)信息服務水平逐年提高[24]，同時農(nóng)村實現(xiàn)土地流轉(zhuǎn)和規(guī)?；?jīng)營水平不斷提高、新型農(nóng)業(yè)經(jīng)營主體和新型職業(yè)農(nóng)民不斷增加，為智慧農(nóng)業(yè)發(fā)展奠定了基礎[25，26]。本研究擬從信息技術與農(nóng)機、農(nóng)藝融合的角度，以小麥為研究對象，探討智慧農(nóng)業(yè)在小麥生產(chǎn)過程中的應用，以期為智慧農(nóng)業(yè)由理念到實踐、由技術到產(chǎn)業(yè)應用提供技術支撐。

2 試驗設計與方案

2.1 種植試驗設計

2.1.1 試驗選址

本研究在河南省長葛市石象鎮(zhèn)國家2011協(xié)同創(chuàng)新現(xiàn)代農(nóng)業(yè)試驗區(qū)（113°58'26 E，34°12'06″N）進行。試驗區(qū)前茬作物為玉米。試驗地土壤質(zhì)地為中壤，0～20cm土壤有機質(zhì)含量為18.40g/kg，堿解氮含量為101.22mg/kg，速效磷含量為9.83mg/kg，速效鉀含量為98.44mg/kg，土壤pH值為7.65。

2.1.2 種植試驗方案

農(nóng)藝技術是實現(xiàn)農(nóng)業(yè)綠色發(fā)展的基礎，關鍵農(nóng)藝技術主要包括品種選擇、良種良法配套技術等。試驗設置精準播種（精播）、精準播種與激光平地集成（精播+精平）和常規(guī)種植（一般農(nóng)戶）3個處理。每個處理地塊長300m，寬150m，面積約為4.5hm2，每個處理設18個取樣點，每個取樣點網(wǎng)格為50m×50m，供試小麥品種為“西農(nóng)979”，播種時間為2014年10月15日，“精播”處理和“精播+精平”處理的播種量為157.5kg/hm2，常規(guī)處理播種量為195kg/hm2?！熬ァ焙汀熬?精平”兩處理小麥均采用寬窄行種植，4行小麥，窄行距為12cm，寬行距為24cm[27]，小麥幅寬為36cm。播種小麥前施底肥，用量為750kg/hm2（復合肥N：P：K=23：16：6），拔節(jié)期再追施120kg/hm2的尿素，追肥后灌水，其他管理同一般大田。

試驗在產(chǎn)前利用大數(shù)據(jù)和機器學習技術，根據(jù)當?shù)貧v史氣象和生產(chǎn)潛力評價結(jié)果開展品種和播期播量推薦，播種時利用空間插值技術開展變量施肥和精準播種技術，產(chǎn)中利用圖像處理與模式識別技術開展營養(yǎng)診斷服務，產(chǎn)后利用物聯(lián)網(wǎng)和傳感器技術實現(xiàn)產(chǎn)量的精確測報。

2.2 智慧生產(chǎn)模式框架設計

信息技術與農(nóng)機農(nóng)藝融合程度不足是制約現(xiàn)代農(nóng)業(yè)發(fā)展的重要因素，影響了智慧農(nóng)業(yè)的發(fā)展進程[28]。作物優(yōu)質(zhì)高效生產(chǎn)必須從種植方案這一核心問題入手，實現(xiàn)從平整土地到收獲測產(chǎn)全過程的精準控制、智能決策、監(jiān)測追蹤，因此，研發(fā)“激光平地-智能耕整-精準施肥播種-精準管理-精準收獲”的面向小麥全生育期的智慧生產(chǎn)模式是本研究設計的基本框架，具體流程如圖1所示。

試驗從信息技術、農(nóng)機、農(nóng)藝三個維度，圍繞融合開展集成與應用。信息技術主要是針對小麥品種、播期播量、施肥等優(yōu)化生產(chǎn)方案推薦、小麥苗情長勢、營養(yǎng)虧缺監(jiān)測與產(chǎn)量測報等;農(nóng)機方面重點考慮在現(xiàn)代農(nóng)機條件下的智能化改造問題，如農(nóng)機選型、GPS導航儀安裝以及收獲產(chǎn)量測報儀設計等;農(nóng)藝技術主要考慮小麥品種、播期、播量、精施底肥和種植模式設計問題。

2.3 農(nóng)機裝備智能化方案

為提高農(nóng)業(yè)機械的智能化，基于“七分種三分管”的思想，在土地深耕、施肥播種方面對農(nóng)機進行智能化改造，以全面提高整地質(zhì)量[29]。

在土地翻耕過程中，在農(nóng)機上安裝北斗精準導航設備，運用運動規(guī)劃最優(yōu)化方法，構(gòu)建農(nóng)機弓形和魚尾形轉(zhuǎn)彎路徑的軌跡解析模型，提出轉(zhuǎn)彎耗時最短的路徑規(guī)劃算法，實現(xiàn)自動導航拖拉機田間作業(yè)的全區(qū)域覆蓋路徑規(guī)劃[30]，結(jié)合激光平地設備實現(xiàn)土壤的精準、規(guī)范化平地。激光平地處理采用國家農(nóng)業(yè)信息化工程技術研究中心的1PJ-2500激光平地機實施無縱橫坡激光平地作業(yè)，幅寬2.5m，平地精度為2cm，常規(guī)處理采用農(nóng)民自選的機械進行整地。

在施肥播種階段，在農(nóng)機上集成北斗和GPS導航及小麥播種監(jiān)控系統(tǒng)，結(jié)合GIS空間插值技術，按照事先制作的變量施肥處方圖，結(jié)合變量施肥機械實現(xiàn)肥料的變量精確施用[31]。在此基礎上，為了配合寬窄行、播種鎮(zhèn)壓等農(nóng)藝技術要求，設計外槽輪精密排種和前置平土鎮(zhèn)壓式播種機具，以期實現(xiàn)農(nóng)機信息化和農(nóng)機農(nóng)藝適應化的深度融合的播種機械，精確控制冬小麥的播種量、播種均勻度，滿足小麥種植技術要求。

2.4 小麥信息服務管理系統(tǒng)研制

在農(nóng)機農(nóng)藝融合的基礎上，圍繞產(chǎn)前、產(chǎn)中和產(chǎn)后，研建了面向小麥整個生育期的信息服務管理系統(tǒng)，實現(xiàn)了小麥生產(chǎn)全過程的信息化服務。

2.4.1 品種播期播量推薦系統(tǒng)

以小麥等作物品種的生態(tài)適應性為基礎，基于種、肥、耕地等農(nóng)業(yè)資源的分布，建立農(nóng)田空間分布、農(nóng)田屬性（農(nóng)田分布、土壤質(zhì)地、土壤養(yǎng)分、灌溉等）、品種類型及種植面積等生產(chǎn)信息數(shù)據(jù)庫，開展品種和播期播量推薦服務，模型如圖2所示。

根據(jù)決策點常年氣候資料確定所能種植的品種類型，通過量化決策點所能提供的生理春化時間、寒冷程度、日照長度、有效積溫、土壤肥力，用戶對品種的需求和可選品種的特性，計算出品種各特征值的置信度，并以品種總置信度為依據(jù)構(gòu)建多目標匹配品種和播期播量推薦模型。結(jié)合種植方案優(yōu)化設計，在農(nóng)業(yè)理論知識、事實數(shù)據(jù)和專家經(jīng)驗的基礎上，基于產(chǎn)前數(shù)據(jù)庫、知識庫，優(yōu)化品種配置、播期播量等決策，利用軟件技術、智能決策等技術，推薦決策點適宜種植的品種和播期播量，構(gòu)建基于WebGIS的小麥產(chǎn)前信息服務推薦系統(tǒng)。

2.4.2 縣域精準測土配方施肥系統(tǒng)

結(jié)合試驗區(qū)地域特點和養(yǎng)分平衡法，基于多年土壤采樣數(shù)據(jù)，進行了施肥模型的本地化。由于土壤采樣點養(yǎng)分含量除了受采樣點距離變化的影響外，還受土壤質(zhì)地等多種因素變異的影響。因此，本研究在利用反距離加權插值對土壤養(yǎng)分進行插值的過程中，在查找鄰近點的選擇和查找過程中又引入了K最近鄰算法（k-Nearest Neighbor，KNN）對反距離加權插值算法（Inverse Distance Weight，IDW）進行了改進，建立了土壤采樣點空間索引，結(jié)合K最近鄰算法和反距離加權插值對采樣點數(shù)據(jù)進行空間插值處理，實現(xiàn)了基于KNN和IDW的土壤養(yǎng)分空間插值算法[32]，算法流程如圖3。通過這種算法，實現(xiàn)了沒有土壤采樣點的地塊的土壤養(yǎng)分科學預測，在此基礎上，綜合借鑒養(yǎng)分平衡原理，以產(chǎn)量和品質(zhì)為目標，根據(jù)小麥一生的養(yǎng)分吸收需求、小麥一生的養(yǎng)分基礎吸收量以及肥料當季利用率等計算實現(xiàn)預定目標所需的氮、磷、鉀總施用量，根據(jù)決策點產(chǎn)量和品質(zhì)目標，確定小麥的最終施肥用量。

2.4.3 小麥葉片營養(yǎng)遠程監(jiān)測系統(tǒng)

在研究大田環(huán)境下小麥圖像的自動分割與顏色特征提取技術的基礎上，建立小麥營養(yǎng)狀況估測模型。最終在系統(tǒng)中加以集成，建立具有小麥群體圖像分割與營養(yǎng)估測功能的小麥營養(yǎng)狀況遠程監(jiān)測模型[32]（圖4），利用圖像歸一化技術消除圖像顏色及其分布的方法會因光照條件和相機設備的不同而不同，克服部分光照變化及陰影對圖像的影響，采用模式識別的圖像分割方法將小麥圖像對象進行分類，構(gòu)建一個無監(jiān)督的圖像分割模型，選擇RGB彩色模型，通過馬氏距離對小麥群體圖像進行圖像分割后，通過形態(tài)學圖像處理對圖像去噪，得到小麥原始圖像和歸一化圖像中的顏色信息，提取的顏色信息包括：原始圖像中小麥顏色的一階矩、原始圖像中小麥顏色的二階矩、歸一化圖像中小麥顏色的一階矩、歸一化圖像中小麥顏色的二階矩共12個顏色特征，進而構(gòu)建顏色特征模型與小麥營養(yǎng)狀況模型，實現(xiàn)大田環(huán)境下小麥營養(yǎng)狀況的無損監(jiān)測，解決大田環(huán)境下作物圖像分析的難題。

2.4.4 基于傳感器的產(chǎn)量實時測報系統(tǒng)

在收獲期，通過集成計量傳感器、速度傳感器、割臺高度傳感器以及GPS，采用CAN（Controller Area Network）總線和無線通信技術，研制了小麥實時測產(chǎn)系統(tǒng)裝置，并安裝部署在大型聯(lián)合收割機上。

基于傳感器的產(chǎn)量收獲測報系統(tǒng)主要由數(shù)據(jù)采集模塊、監(jiān)控終端和數(shù)據(jù)處理模塊三部分構(gòu)成[33]。數(shù)據(jù)采集模塊主要通過集成的小麥計量傳感器來實時監(jiān)測產(chǎn)量，再利用速度傳感器和割臺高度傳感器來實時的獲取數(shù)據(jù)，這些傳感器獲取的信號數(shù)據(jù)通過CAN總線和無線通信技術的方式傳輸?shù)綌?shù)據(jù)處理模塊，從而實現(xiàn)數(shù)據(jù)的采集工作;數(shù)據(jù)處理模塊主要實現(xiàn)對采集數(shù)據(jù)的計算和分析，實現(xiàn)小麥收割與產(chǎn)量測報的同步進行，測報的誤差小于5%。

3 結(jié)果分析與討論

3.1 小麥田間種植效果

試驗采用的12cm-12cm-12cm-24cm（4行小麥，窄行距12cm，寬行距24cm）的寬窄行配置模式，該模式通過農(nóng)機設備改造與農(nóng)藝的深度融合，實現(xiàn)了農(nóng)機自動導航和農(nóng)藝的一體化高產(chǎn)群體配置，實現(xiàn)小麥行距和播量的精準控制，從而達到小麥田間行距和株距的合理最佳組合配置。在生產(chǎn)中，除了增加穗數(shù)以提高產(chǎn)量外，同時創(chuàng)建了合理的群體結(jié)構(gòu)，改善了群體通風透光能力，保持小麥穗層一致（圖5），為小麥增產(chǎn)奠定基礎。

3.2 小麥精準種植效益分析

試驗區(qū)全程進行機械化管理，每個處理中有18個試驗小區(qū)，“精播+精平”處理中有83%的試驗小區(qū)的籽粒產(chǎn)量高于8000kg/hm2，而精播處理中僅有33%、常規(guī)處理中僅有22%的試驗小區(qū)籽粒產(chǎn)量高于8000kg/hm2，如表1所示。常規(guī)處理共計投入8802.5元/hm2;“精播”和“精播+精平”處理投入比常規(guī)處理有所增加，從整地到收獲全程種子、化肥、農(nóng)藥、灌溉、機械服務費用所有的非精準種植投入為8694.5元/hm2，與常規(guī)處理相比增加了激光平地和GPS導航的費用（表2）。本研究中均按照服務費用進行計算，其中激光平地費用為1200元/hm2，GPS導航增加的服務費用為150元/hm2，參考河南省的作業(yè)補貼額度為750元/hm2。

通過與對照處理結(jié)果進行比較，試驗區(qū)小麥平均產(chǎn)量為8819.6kg/hm2，比對照的7442.8kg/hm2增產(chǎn)1376.8kg/hm2，增長率達18.4%，提高經(jīng)濟產(chǎn)投比16.7%（精播）和8.1%（精播+精平）。同時，在“精播+精平”處理下，土壤無機氮濃度平均值均低于常規(guī)處理，說明信息技術與農(nóng)機農(nóng)藝融合還具有減少土壤無機氮含量的作用，有利于小麥的綠色生產(chǎn)。

試驗結(jié)果與常規(guī)小麥種植模式比較表明，精準播種及精準播種與激光平地技術集成應用均能顯著提高冬小麥的籽粒產(chǎn)量，說明精準播種技術和激光平地技術均可以提高作物產(chǎn)量。而精準播種與激光平地集成技術的應用增產(chǎn)效果更為顯著，說明激光平地擴大了精準播種的效果，提高了小麥產(chǎn)量。

3.3 土壤養(yǎng)分空間數(shù)據(jù)預測結(jié)果

為了提高變量施肥作業(yè)的精準度和執(zhí)行效率，以試驗區(qū)2014年土壤養(yǎng)分采樣點數(shù)據(jù)238個采樣點土壤養(yǎng)分數(shù)據(jù)為數(shù)據(jù)源，移動硬件環(huán)境CPU采用ARM架構(gòu)，主頻1.6GHz，4核心，基于Android 4.4移動平臺，實現(xiàn)上述土壤養(yǎng)分插值計算方法。并在保證算法執(zhí)行效率小于3s的情況下，試驗從總樣本中隨機挑選出50個采樣點作為需要預測的待插值數(shù)據(jù)，把剩余的采樣點作為插值數(shù)據(jù)。經(jīng)過多次試驗，測試在相同土壤質(zhì)地下，不同最近鄰數(shù)對采樣點結(jié)果數(shù)據(jù)的影響，對樣本數(shù)據(jù)中的pH、有機質(zhì)、速效磷、速效鉀進行了空間插值處理和效果分析。有效預測土壤pH、有機質(zhì)、速效鉀含量等，最優(yōu)平均絕對誤差分別為：0.0405、0.3870、0.0015。

4 結(jié)論

本研究以小麥玉米兩熟智慧生產(chǎn)角度，從信息技術與農(nóng)機農(nóng)藝三個維度論述了三者融合過程中的相關技術和方法，為智慧農(nóng)業(yè)種植提供了技術參考和依據(jù)。

“激光平地-智能耕整-精準施肥播種-精準管理-精準收獲”的面向全生育期的智慧種植模式可以有效提高小麥產(chǎn)量，并有一定的環(huán)境效益，說明智慧農(nóng)業(yè)應發(fā)展綜合多項的技術服務模式。

智慧農(nóng)業(yè)的發(fā)展是在傳統(tǒng)農(nóng)業(yè)的基礎上，融合了互聯(lián)網(wǎng)技術、物聯(lián)網(wǎng)技術、“3S”技術、音視頻技術、云計算、大數(shù)據(jù)技術等現(xiàn)代信息技術。因此，在運用現(xiàn)代信息技術發(fā)展智慧農(nóng)業(yè)時，要注意多技術間的融合，以提高信息感知、獲取、分析、決策的水平。

通過研究表明信息技術與農(nóng)機農(nóng)藝融合的智慧農(nóng)業(yè)模式符合河南省省情，對糧食持續(xù)增產(chǎn)和綠色發(fā)展具有可推廣的價值，實現(xiàn)了智慧農(nóng)業(yè)由理論到實踐的價值，也為智慧農(nóng)業(yè)在種植業(yè)中的發(fā)展提供了參考。

致謝

本試驗在趙春江院士指導下完成。原國家農(nóng)業(yè)信息化工程技術中心陳靜博士對部分試驗數(shù)據(jù)進行了監(jiān)測。

參考文獻

[1] 申格， 吳文斌， 史云， 等. 我國智慧農(nóng)業(yè)研究和應用最新進展分析[J]. 中國農(nóng)業(yè)信息， 2018， 30（2）： 1-14.

Shen G， Wu W， Shi Y， et al. The latest progress in research and application of smart agriculture in China[J]. China Agricultural Information， 2018， 30（2）： 1-14.

[2] O'Grady M J， O'Hare G M P. Modelling the smart farm[J]. Information Processing in Agriculture， 2017， （4）： 179-187.

[3] 胡亞蘭， 張榮. 我國智慧農(nóng)業(yè)的運營模式、問題與戰(zhàn)略對策[J]. 經(jīng)濟體制改革， 2017， （4）： 70-76.

Hu Y， Zhang R. The operation mode， problems and countermeasures of the wisdom agriculture in china[J]. Reform of Economic System， 2017， （4）： 70-76.

[4] Antonacci A， Arduini F， Moscone D， et al. Nanostructured （Bio）sensors for smart agriculture[J]. Trends in Analytical Chemistry， 2018（98）： 95-103.

[5] Prakash P J， Ali Y， Dimitrios G， et al. Internet of things platform for smart farming： experiences and lessons learnt[J]. Sensors （Basel， Switzerland）， 2016， 16（11）： 1884.

[6] Nugroho A P， Okayasu T， Inoue E， et al. Development of actuation framework for agricultural informatization supporting system[C]// IFAC Bio-Robotics， At Osaka， 2013， 46： 181-186.

[7] Zhu X， Liu Y. ZigBee implementation in intelligent agriculture based on internet of things[P]. Emeit-12， 2012.

[8] Li Y. Japan's modern agriculture and its effects on ??agricultural development of anhui province[J]. Asian Agricultural Research， 2017， 9（5）： 52-55.

[9] 趙春江. 提高農(nóng)機智能化水平 加快智慧農(nóng)業(yè)應用發(fā)展[N]. 中國農(nóng)機化導報， 2019-02-04 （001）.

Zhao C. Improving the level of agricultural machinery intelligence and accelerating the development of smart agriculture application[N]. China Agricultural Mechanization Guide， 2019-02-04 （001）.

[10] ?錢素娟， 劉海英. 我國智慧農(nóng)業(yè)的運營模式、挑戰(zhàn)與轉(zhuǎn)型路徑[J]. 改革與戰(zhàn)略， 2018， 34（1）： 116-119.

Qian S， Liu H. The operation mode， challenge and transition path of intelligent agriculture in China[J]. Reformation & Strategy， 2018， 34 （1）： 116-119.

[11] 張繼梅. 我國智慧農(nóng)業(yè)的發(fā)展路徑及保障[J]. 改革與戰(zhàn)略， 2017， 33（7）： 104-107.

Zhang J. The development path and guarantee of China's wisdom agriculture[J]. Reformation & Strategy， 2017， 33（7）： 104-107.

[12] Carlos K， Pekka S J， Markus T， et al. Smart water management platform： IoT-based precision irrigation for agriculture[J]. Sensors （Basel， Switzerland）， 2019， 19（2）： 276.

[13] Muangprathub J， Boonnam N， Kajornkasirat S， et al. IoT and agriculture data analysis for smart farm[J]. Computers and Electronics in Agriculture， 2019， 156： 467-474.

[14] White B J， Amrine D E， Larson R L. Big data analytics and precision animal agriculture symposium： Data to decisions[J]. Journal of Animal Science， 2018， 96（4）： 1531-1539.

[15] Hsu T C， Yang H， Chung Y C， et al. A creative IoT agriculture platform for cloud fog computing[J]. Sustainable Computing： Informatics and Systems， 2018. https：//doi.org/10.1016/j.suscom.2018.10.006.

[16] Patrício D I， Rieder R. Computer vision and artificial intelligence in precision agriculture for grain crops： A systematic review[J]. Computers and Electronics in Agriculture， 2018， 153： 69-81.

[17] Liakos K G， Busato P， Moshou D， et al. Machine learning in agriculture： a review[J]. Sensors （Basel， Switzerland）， 2018， 18（8）： 2674.

[18] 趙春江. 智慧農(nóng)業(yè)發(fā)展現(xiàn)狀及戰(zhàn)略目標研究[J].智 ?慧農(nóng)業(yè)， 2019， 1（1）： 1-7.

Zhao C. State-of-the-art and recommended developmental strategic objectives of smart ??agriculture[J]. Smart Agriculture， 2019， 1（1）： 1-7.

[19] 徐建國， 肖海峰. 基于大數(shù)據(jù)的智慧農(nóng)業(yè)物聯(lián)網(wǎng)系統(tǒng)實現(xiàn)[J]. 軟件導刊， 2018， 17（8）： 129-132， 140.

Xu J， Xiao H. Realization of a wisdom agricultural internet of things system based on big data[J]. Software Guide， 2018， 17 （8）： 129-132， 140.

[20] 佟彩， 吳秋蘭， 劉琛， 等. 基于3S技術的智慧農(nóng)業(yè)研究進展[J]. 山東農(nóng)業(yè)大學學報（自然科學版）， 2015， 46（6）： 856-860.

Tong C， Wu Q， Liu C， et al. A Review of wisdom agriculture based on 3S technologies[J]. Journal of Shandong Agricultural University （Natural Science Edition）， 2015， 46（6）： 856-860.

[21] 王曉敏， 鄧春景. 基于“互聯(lián)網(wǎng)+”背景的我國智慧農(nóng)業(yè)發(fā)展策略與路徑[J]. 江蘇農(nóng)業(yè)科學， 2017， 45（16）： 312-315.

[22] 孫志國. 區(qū)塊鏈、物聯(lián)網(wǎng)與智慧農(nóng)業(yè)[J]. 農(nóng)業(yè)展望， 2017， 13（12）： 72-74.

Sun Z. Block Chain， Internet of things and intelligent agriculture[J]. Agricultural Outlook， 2017， 13（12）： 72-74.

[23] 李兵， 林文釗， 羅崢尹. 基于機器學習的智慧農(nóng)業(yè)決策系統(tǒng)設計與實現(xiàn)[J]. 信息與電腦（理論版）， 2018， （24）： 74-75.Li B， Lin W， Luo Z. Design and implementation of intel ????????ligrent agricultural decision system based on machine ???????????learning[J]. China Computer&Communication， 2018，（24）： 74-75.

[24] 孫巖， 馬中杰， 鄭國清. 河南省農(nóng)業(yè)信息服務現(xiàn)狀及發(fā)展對策[J]. 河南農(nóng)業(yè)科學， 2013， 42（12）： 158-161.

Sun Y， Ma Z， Zheng G. Agricultural information service situation and countermeasures in Henan[J]. Journal of Henan Agricultural Sciences， 2013， 42 （12）： 158-161.

[25] 高雅雯. 河南省農(nóng)村土地流轉(zhuǎn)問題研究[D]. 秦皇島： 河北科技師范學院， 2017.

Gao Y. The research on province land circulation problem in Henan[D]. Qinhuangdao： Hebei Normal University of Science & Technology， 2017.

[26] 陳威， 郭書普. 中國農(nóng)業(yè)信息化技術發(fā)展現(xiàn)狀及存在的問題[J]. 農(nóng)業(yè)工程學報， 2013， 29（22）： 196-205.

Chen W， Guo S. Current situation and existing problems of agricultural informatization in China[J]. Transactions of the CSAE， 2013， 29（22）： 196-205.

[27] 熊淑萍， 孟香蘋， 王小純， 等. 小麥玉米一體化群體配置對小麥冠層結(jié)構(gòu)和產(chǎn)量影響[J]. 麥類作物學報， 2018， 38（8）： 970-978.

Xiong S， Meng X， Wang X， et al. Effects of wheat and maize integrated population patterns on the canopy structure and yield of wheat[J]. Journal of Triticeae Crops， 2018， 38（8）： 970-978.

[28] 梁建， 陳聰， 曹光喬. 農(nóng)機農(nóng)藝融合理論方法與實現(xiàn)途徑研究[J]. 中國農(nóng)機化學報， 2014， 35（3）： 1-3， 7.

Liang J， Chen C， Cao G. Theoretical methods and approach for integration of agricultural machinery and agronomy[J]. Journal of Chinese Agricultural Mechanization， 2014， 35 （3）： 1-3， 7.

[29] 羅錫文， 廖娟， 鄒湘軍， 等. 信息技術提升農(nóng)業(yè)機械化水平[J]. 農(nóng)業(yè)工程學報， 2016， 32（20）： 1-14.

Luo X， Liao J， Zou X， et al. Enhancing agricultural mechanization level through information technology[J]. Transactions of the CSAE， 2016， 32（20）： 1-14.

[30] 王建波， 趙玉芹， 朱晨輝， 等. 自動導航拖拉機田間作業(yè)路徑規(guī)劃與應用試驗[J]. 農(nóng)機化研究， 2017， 39（2）： 242-245.

Wang J， Zhao Y， Zhu C， et al. Field-work path planning for tractor with automatic navigation and practical application[J]. Journal of Agricultural Mechanization Research， 2017， 39（2）： 242-245.

[31] 許鑫， 張浩， 席磊， 等. 基于WebGIS的小麥精準施肥決策系統(tǒng)[J]. 農(nóng)業(yè)工程學報， 2011， 27（S2）： 94-98.

Xu X， Zhang H， Xi L， et al. Decision-making system for wheat precision fertilization based on WebGIS[J]. Transactions of the CSAE， 2011， 27（S2）： 94-98.

[32] 時雷， 龐曉丹， 錢誠， 等. 基于圖像處理技術的小麥群體葉綠素狀況估計研究[J]. 太原理工大學學報， 2016， 47（2）： 223-227， 232.

Shi L， Pang X， Qian C， et al. Research on estimation of wheat population chlorophyll status using image processing technology[J]. Journal of Taiyuan University of Technology， 2016， 47 （2）： 223-227， ?232.

[33] 汪強， 鄭光， 馬新明， 等. 小麥產(chǎn)量實時測報系統(tǒng)[J]. 計算機系統(tǒng)應用， 2016， 25（11）： 279-283.