作物長(zhǎng)勢(shì)監(jiān)測(cè)儀數(shù)據(jù)采集與分析系統(tǒng)設(shè)計(jì)及應(yīng)用

王嬌嬌 徐波 王聰聰 楊貴軍 楊忠 梅新 楊小冬

摘要： 針對(duì)中小農(nóng)場(chǎng)對(duì)作物長(zhǎng)勢(shì)快速監(jiān)測(cè)與精確診斷的需求，本研究設(shè)計(jì)了作物長(zhǎng)勢(shì)監(jiān)測(cè)儀（CropSense）數(shù)據(jù)采集與分析系統(tǒng)，該系統(tǒng)實(shí)現(xiàn)了數(shù)據(jù)采集、處理、分析和管理的一體化集成。系統(tǒng)通過(guò)藍(lán)牙技術(shù)連接智能手機(jī)和作物長(zhǎng)勢(shì)監(jiān)測(cè)儀獲取作物采樣數(shù)據(jù)，經(jīng)服務(wù)器中內(nèi)置光譜模型計(jì)算得到地塊的作物生長(zhǎng)參數(shù)分布專(zhuān)題圖。依據(jù)地塊預(yù)期產(chǎn)量指標(biāo)，可提供可視化的專(zhuān)家決策處方。用戶(hù)只需點(diǎn)擊一次按鈕，即可實(shí)時(shí)獲取田間作物的監(jiān)測(cè)診斷信息和專(zhuān)業(yè)的田間管理指導(dǎo)方案。目前系統(tǒng)已在多個(gè)研究機(jī)構(gòu)實(shí)驗(yàn)農(nóng)場(chǎng)試用，其中在小湯山基地的應(yīng)用示例結(jié)果顯示：在玉米大喇叭口期使用該系統(tǒng)進(jìn)行作物診斷和指導(dǎo)施肥，比傳統(tǒng)的施肥方案減少約16.67%施肥量。該系統(tǒng)具有采集分析數(shù)據(jù)高效便利、推薦施肥方案優(yōu)化合理等特點(diǎn)，在中國(guó)家庭農(nóng)場(chǎng)快速增長(zhǎng)的背景下，具有廣闊的應(yīng)用前景。

關(guān)鍵詞： 數(shù)據(jù)采集;長(zhǎng)勢(shì)分析;實(shí)時(shí)診斷;專(zhuān)家決策

中圖分類(lèi)號(hào)： TP391 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)： 201910-SA002

引文格式：王嬌嬌， 徐 ?波， 王聰聰， 楊貴軍， 楊 ?忠， 梅 ?新， 楊小冬. 作物長(zhǎng)勢(shì)監(jiān)測(cè)儀數(shù)據(jù)采集與分析系統(tǒng)設(shè)計(jì)及應(yīng)用[J]. 智慧農(nóng)業(yè)， 2019，1（4）： 91-104.

1 引言

作物生長(zhǎng)狀況，如葉綠素含量、氮素含量、葉面積指數(shù)等直接影響作物的生長(zhǎng)發(fā)育、品質(zhì)、產(chǎn)量，是作物長(zhǎng)勢(shì)監(jiān)測(cè)的重要指標(biāo)，是評(píng)價(jià)作物長(zhǎng)勢(shì)的重要數(shù)據(jù)來(lái)源，也是作物生產(chǎn)精確管理調(diào)控的重要依據(jù)[1-4]。實(shí)時(shí)獲取作物生長(zhǎng)參數(shù)可以讓農(nóng)戶(hù)及時(shí)了解作物生長(zhǎng)狀況、制定相應(yīng)施肥施藥計(jì)劃，從而保證作物健康生長(zhǎng)。

傳統(tǒng)獲取大田作物生長(zhǎng)狀態(tài)指標(biāo)的方法以田間采樣、室內(nèi)測(cè)量分析等為主，結(jié)果雖然相對(duì)準(zhǔn)確，但是時(shí)效性差、記錄不便、具有破壞性、費(fèi)時(shí)費(fèi)力且無(wú)法實(shí)現(xiàn)區(qū)域范圍的監(jiān)測(cè)[5]。遙感技術(shù)監(jiān)測(cè)作物性狀可以彌補(bǔ)傳統(tǒng)手段中存在的破壞性、滯后性、不能獲取大范圍作物長(zhǎng)勢(shì)參數(shù)[6]等不足，并且可通過(guò)分析提供專(zhuān)家決策方案，是當(dāng)前研究的熱點(diǎn)之一[7-9]，但是對(duì)于小尺度地塊，衛(wèi)星遙感的監(jiān)測(cè)精度較差[10]。智能手機(jī)的普及、移動(dòng)GIS（Geographic Information System）的發(fā)展和廣泛應(yīng)用可以彌補(bǔ)中高分辨率影像監(jiān)測(cè)小尺度地塊存在的缺點(diǎn)，因此許多學(xué)者開(kāi)展了有關(guān)使用智能手機(jī)采集、分析田間作物參數(shù)的研究。

倪軍等[3]研發(fā)了一種基于多光譜傳感器的便攜式作物生長(zhǎng)檢測(cè)診斷儀。該儀器可以實(shí)時(shí)無(wú)損地獲取作物葉面積指數(shù)、生物量、葉片含氮量等生長(zhǎng)指標(biāo)，但是不能對(duì)結(jié)果進(jìn)行分析，缺少專(zhuān)家決策。盧少林等[4]設(shè)計(jì)了一種基于主動(dòng)光源的雙波段作物生長(zhǎng)信息監(jiān)測(cè)儀，可在不同光照條件下監(jiān)測(cè)大田作物生長(zhǎng)狀況;李修華等[11]開(kāi)發(fā)出可監(jiān)測(cè)水稻生長(zhǎng)的雙波段作物長(zhǎng)勢(shì)分析儀，可有效控制投入并提高產(chǎn)量。葉思菁等[12]基于移動(dòng)GIS設(shè)計(jì)并實(shí)現(xiàn)了作物種植環(huán)境數(shù)據(jù)采集系統(tǒng)原型，可存儲(chǔ)并查詢(xún)景觀照片數(shù)據(jù)，在實(shí)際應(yīng)用中表現(xiàn)良好;馬旭穎等[13]使用云服務(wù)平臺(tái)和微信小程序設(shè)計(jì)了田間信息采集系統(tǒng)，可直接通過(guò)小程序上傳作物冠層圖像至云端計(jì)算植株行距，小程序運(yùn)行不受手機(jī)系統(tǒng)的限制。Liu等[14]開(kāi)發(fā)了一種新的作物檢測(cè)系統(tǒng)，該系統(tǒng)可測(cè)量作物冠層的光譜反射率，進(jìn)而反映不同氮脅迫條件下冬小麥的葉綠素含量。國(guó)外的大田作物數(shù)據(jù)采集、長(zhǎng)勢(shì)監(jiān)測(cè)系統(tǒng)已比較成熟，包括一些比較成熟的軟件系統(tǒng)，如FieldLog[15]、PenMap[16]等。除此之外，Abdullah and Muhadi[17]設(shè)計(jì)的DaCOP移動(dòng)端應(yīng)用可成功收集油棕靈芝疾病數(shù)據(jù)，Wagtendonk等[18]基于移動(dòng)GIS開(kāi)發(fā)設(shè)計(jì)了一套可在野外采集作物信息等的軟硬件系統(tǒng)，系統(tǒng)可結(jié)合衛(wèi)星影像生成作物矢量圖。

上述系統(tǒng)大多僅在田間監(jiān)測(cè)作物的光譜信息或圖像信息，作物圖像采集系統(tǒng)未直接與作物生長(zhǎng)狀況相關(guān)參數(shù)結(jié)合，不能直觀體現(xiàn)農(nóng)作物的長(zhǎng)勢(shì);可監(jiān)測(cè)作物光譜特征的傳感器大多未結(jié)合長(zhǎng)勢(shì)監(jiān)測(cè)模型和計(jì)算方法轉(zhuǎn)化為相關(guān)系統(tǒng)。而同時(shí)采集上述兩種數(shù)據(jù)，集成表征作物長(zhǎng)勢(shì)的模型可更好得幫助農(nóng)戶(hù)了解作物的生長(zhǎng)情況[19，20]。

為滿(mǎn)足用戶(hù)對(duì)作物長(zhǎng)勢(shì)參數(shù)的實(shí)時(shí)獲取、診斷、分析等需求，本研究基于國(guó)家農(nóng)業(yè)信息化工程技術(shù)中心開(kāi)發(fā)研制的作物長(zhǎng)勢(shì)監(jiān)測(cè)儀CropSense，通過(guò)Android平臺(tái)、移動(dòng)GIS技術(shù)以及系統(tǒng)內(nèi)置模型庫(kù)中表示作物生長(zhǎng)狀況的數(shù)據(jù)模型，開(kāi)發(fā)了數(shù)據(jù)采集與分析軟件系統(tǒng)，用戶(hù)通過(guò)手持儀器和智能手機(jī)即可實(shí)時(shí)查看大田作物的長(zhǎng)勢(shì)及對(duì)應(yīng)的生產(chǎn)處方圖等，為普通農(nóng)戶(hù)實(shí)時(shí)了解作物生長(zhǎng)情況、中小農(nóng)場(chǎng)實(shí)現(xiàn)精細(xì)農(nóng)業(yè)生產(chǎn)提供了理論和技術(shù)支持。

2 系統(tǒng)設(shè)計(jì)

2.1 作物長(zhǎng)勢(shì)監(jiān)測(cè)儀CropSense

作物生長(zhǎng)監(jiān)測(cè)儀CropSense是一款基于雙通道高通量光譜信號(hào)的便攜式作物長(zhǎng)勢(shì)健康分析診斷儀器，用戶(hù)可手持儀器在野外直接采集作物冠層在紅光和近紅外波段處的入射光強(qiáng)和反射光強(qiáng)，儀器的正面如圖1所示。

與其他光譜傳感器相比，此儀器尺寸小、重量輕、便于攜帶，具體參數(shù)見(jiàn)表1。除此之外，表2為CropSense所測(cè)光譜數(shù)據(jù)與美國(guó)SRS-NDVI歸一化植被指數(shù)測(cè)量?jī)x測(cè)得的光強(qiáng)數(shù)據(jù)的對(duì)比，對(duì)兩組數(shù)據(jù)進(jìn)行回歸分析，相關(guān)系數(shù)R2達(dá)到0.97，測(cè)試數(shù)據(jù)表明Cropsense的測(cè)量精度較高。目前，CropSense已在定點(diǎn)試用和逐步推廣中，是家庭農(nóng)場(chǎng)、合作社、農(nóng)業(yè)企業(yè)等新型農(nóng)業(yè)經(jīng)營(yíng)主體和農(nóng)技推廣、農(nóng)業(yè)調(diào)查等政府部門(mén)快速獲取作物長(zhǎng)勢(shì)健康狀態(tài)的一款高性能產(chǎn)品。

2.2 系統(tǒng)總體設(shè)計(jì)

系統(tǒng)的軟件部分采用客戶(hù)機(jī)和服務(wù)器結(jié)構(gòu)（Client-Server，C/S結(jié)構(gòu)）開(kāi)發(fā)設(shè)計(jì)，包括客戶(hù)端應(yīng)用層、網(wǎng)絡(luò)服務(wù)層和數(shù)據(jù)存儲(chǔ)層三部分，系統(tǒng)架構(gòu)如圖2所示。

（1）客戶(hù)端應(yīng)用層：負(fù)責(zé)用戶(hù)與傳感器交互，采集作物的光譜數(shù)據(jù)和圖像數(shù)據(jù)，利用模型計(jì)算歸一化植被指數(shù)（Normalized Vegetation Index，NDVI）并依據(jù)遙感模型反演作物參數(shù);通過(guò)與網(wǎng)絡(luò)服務(wù)層交互，上傳采集的參數(shù)及計(jì)算的參量，并接收網(wǎng)絡(luò)服務(wù)層生成的遙感監(jiān)測(cè)專(zhuān)題圖和推薦施肥處方專(zhuān)題圖。

（2）網(wǎng)絡(luò)服務(wù)層：負(fù)責(zé)移動(dòng)端與數(shù)據(jù)存儲(chǔ)層的交互。網(wǎng)絡(luò)服務(wù)層建立初始的作物遙感反演模型并推送至注冊(cè)的手機(jī)APP中，將移動(dòng)端上傳的地塊邊界、測(cè)量數(shù)據(jù)、反演參數(shù)等依據(jù)反演模型生成各專(zhuān)題圖并推送至移動(dòng)端;最終將接收的移動(dòng)端數(shù)據(jù)及專(zhuān)題圖數(shù)據(jù)等上傳至數(shù)據(jù)存儲(chǔ)層。

網(wǎng)絡(luò)服務(wù)層使用由Tomcat發(fā)布的基于Java Servlet技術(shù)開(kāi)發(fā)的Web服務(wù)為移動(dòng)端處理數(shù)據(jù)、更新作物生長(zhǎng)狀況輔助數(shù)據(jù)、模型及軟件，通過(guò)解析Json格式文件，實(shí)現(xiàn)移動(dòng)端與數(shù)據(jù)存儲(chǔ)層的數(shù)據(jù)交互過(guò)程。Tomcat服務(wù)器是一個(gè)免費(fèi)的開(kāi)放源代碼的Web應(yīng)用服務(wù)器，屬于輕量級(jí)應(yīng)用服務(wù)器，適用于中小型應(yīng)用。Json是一種輕量級(jí)的數(shù)據(jù)交換格式，層次結(jié)構(gòu)簡(jiǎn)潔、清晰，易于機(jī)器解析和生成，可有效地提升網(wǎng)絡(luò)傳輸效率。

空間可視化服務(wù)則通過(guò)ArcGIS Server支持，為移動(dòng)端提供地圖可視化服務(wù)及空間數(shù)據(jù)處理功能等。ArcGIS Runtime SDK for Android是 Android設(shè)備開(kāi)發(fā)工具，用戶(hù)可以通過(guò)此工具構(gòu)建本地應(yīng)用程序，并為應(yīng)用提供強(qiáng)大的空間分析、可視化功能。

（3）數(shù)據(jù)存儲(chǔ)層：存儲(chǔ)、管理系統(tǒng)所需要的數(shù)據(jù)，包括空間數(shù)據(jù)和屬性數(shù)據(jù)。其中，屬性數(shù)據(jù)直接存儲(chǔ)在SQL Server，空間數(shù)據(jù)則通過(guò)ArcGIS的空間數(shù)據(jù)引擎（ArcSDE）存儲(chǔ)于SQL Server中。本系統(tǒng)所設(shè)計(jì)的業(yè)務(wù)邏輯主要如下。

用戶(hù)針對(duì)某一季作物提出整體采樣方案，整個(gè)方案周期為播種時(shí)間到收獲時(shí)間，屬性包括種植作物信息、累計(jì)進(jìn)行采樣事件的次數(shù)等。其中一個(gè)方案周期內(nèi)含有多個(gè)采集活動(dòng)（至少每個(gè)生育期有一次）。

執(zhí)行每一次采樣活動(dòng)，記錄此次采樣過(guò)程中的所有的采樣點(diǎn)及其所采集到的信息。同時(shí)在采樣活動(dòng)進(jìn)行時(shí)，可參考同一個(gè)方案內(nèi)其它歷史采樣時(shí)間的活動(dòng)軌跡。一次采集活動(dòng)只會(huì)有一個(gè)活動(dòng)軌跡。

針對(duì)所有采樣方案的數(shù)據(jù)管理：在方案列表界面選擇目標(biāo)方案，可查看所有該方案內(nèi)執(zhí)行的采集活動(dòng)，點(diǎn)擊目標(biāo)采集活動(dòng)，可查看該次活動(dòng)的活動(dòng)軌跡或者采集的所有數(shù)據(jù)。

本研究根據(jù)系統(tǒng)的業(yè)務(wù)邏輯設(shè)計(jì)了數(shù)據(jù)庫(kù)概念E-R圖如圖3所示。

圖3所示的E-R圖中包含6個(gè)數(shù)據(jù)表：用戶(hù)信息表、采樣方案表、采樣事件表、采樣點(diǎn)信息表、活動(dòng)軌跡表和軌跡節(jié)點(diǎn)信息表。其中一個(gè)用戶(hù)可創(chuàng)建多個(gè)采樣方案，一個(gè)采樣方案需進(jìn)行多次采集活動(dòng)，一次數(shù)據(jù)采集會(huì)采集多個(gè)采樣點(diǎn)，同時(shí)會(huì)有一個(gè)采集路線，而一條采集路線是由多個(gè)坐標(biāo)節(jié)點(diǎn)構(gòu)成的。

2.3 系統(tǒng)主要功能模塊

通過(guò)藍(lán)牙將CropSense和數(shù)據(jù)采集與分析系統(tǒng)（簡(jiǎn)稱(chēng)APP）進(jìn)行連接，從而將CropSense獲取的光學(xué)數(shù)據(jù)傳送至APP。APP接收到數(shù)據(jù)后，根據(jù)遙感反演模型計(jì)算相應(yīng)的作物參數(shù)，并將測(cè)量數(shù)據(jù)和所得參數(shù)發(fā)送到服務(wù)器進(jìn)行插值分析并生成專(zhuān)題圖，最終通過(guò)Android終端顯示所得參數(shù)及專(zhuān)題圖。

系統(tǒng)的功能主要分為用戶(hù)設(shè)置、采集管理、參數(shù)管理及分析和服務(wù)管理四個(gè)模塊，其中系統(tǒng)的移動(dòng)端主要負(fù)責(zé)用戶(hù)設(shè)置和采集管理，服務(wù)端主要提供服務(wù)管理，二者均可支持參數(shù)管理及分析，系統(tǒng)功能設(shè)計(jì)如圖4所示。

2.3.1 用戶(hù)設(shè)置

用戶(hù)設(shè)置包括用戶(hù)管理和系統(tǒng)設(shè)置，用于用戶(hù)信息管理和作物采集前的參數(shù)設(shè)置。

用戶(hù)管理主要指用戶(hù)管理個(gè)人信息、綁定硬件、標(biāo)注數(shù)據(jù)及活動(dòng)事件等;系統(tǒng)設(shè)置是用戶(hù)進(jìn)行數(shù)據(jù)采集工作之前連接硬件、選擇采集路線、設(shè)置作物類(lèi)型及生育期等操作。

2.3.2 采集管理

采集管理主要包括采樣點(diǎn)規(guī)劃和數(shù)據(jù)采集。

采樣點(diǎn)規(guī)劃：主要根據(jù)工作人員的農(nóng)場(chǎng)采樣需求和作物的生長(zhǎng)周期規(guī)劃一條推薦的采樣點(diǎn)分布方案以及采樣時(shí)間節(jié)點(diǎn)。根據(jù)系統(tǒng)推薦的采樣點(diǎn)規(guī)劃方案給工作人員提供路線和采樣點(diǎn)導(dǎo)航，方便工作人員快速找到已確定好的采樣點(diǎn)。

數(shù)據(jù)采集：主要用來(lái)采集傳感器所測(cè)得的光譜數(shù)據(jù)、采樣點(diǎn)的位置信息以及采樣點(diǎn)的作物冠層圖像信息。

2.3.3 參數(shù)管理及分析

系統(tǒng)涉及的參數(shù)主要包括NDVI、葉面積指數(shù)（Leaf Area Index，LAI）、植被覆蓋度（Fractional Vegetation Cover ，F(xiàn)VC）、葉綠素含量（Cab）、產(chǎn)量（Yield）以及推薦施用氮肥量（Nc）等。

移動(dòng)端和服務(wù)端均支持參數(shù)管理及分析功能，其中移動(dòng)端的功能以本地?cái)?shù)據(jù)的增刪查改、采樣點(diǎn)參數(shù)處理和數(shù)據(jù)分享為主，服務(wù)端的數(shù)據(jù)管理主要是利用后臺(tái)服務(wù)器處理、分析移動(dòng)端采集的數(shù)據(jù)，生成各參數(shù)在整個(gè)地塊的分布圖，并將專(zhuān)題圖傳送至移動(dòng)端。參數(shù)管理的技術(shù)路線如圖5所示。

移動(dòng)端：

（1）查看、刪除或修改已制定的采集方案、已采集的數(shù)據(jù)等;

（2）以csv格式將數(shù)據(jù)分享給其他用戶(hù);

（3）處理與分析本地已采集的數(shù)據(jù)，包括樣點(diǎn)作物的光譜數(shù)據(jù)和冠層圖像數(shù)據(jù);

（4）上傳本地?cái)?shù)據(jù)至服務(wù)端，請(qǐng)求服務(wù)端的歷史數(shù)據(jù)，數(shù)據(jù)以Json格式傳輸。

服務(wù)端：

（1）解析移動(dòng)端上傳的Json文件，將數(shù)據(jù)存儲(chǔ)于數(shù)據(jù)庫(kù)中，并根據(jù)移動(dòng)端的請(qǐng)求，將數(shù)據(jù)庫(kù)中的歷史數(shù)據(jù)發(fā)送至移動(dòng)端;

（2）聯(lián)合分析移動(dòng)端采樣點(diǎn)的光譜數(shù)據(jù)和冠層圖像，并生成專(zhuān)題圖，如農(nóng)作物生長(zhǎng)狀況分布圖、推薦氮分布圖等。

2.3.4 服務(wù)管理

服務(wù)管理分為GIS服務(wù)、模型服務(wù)和軟件服務(wù)三部分，其中GIS服務(wù)主要用于支持地理位置相關(guān)的服務(wù)，模型服務(wù)為數(shù)據(jù)處理模型的存儲(chǔ)與更新，軟件服務(wù)為移動(dòng)端軟件的更新。

GIS服務(wù)是基于ArcGIS Server實(shí)現(xiàn)的，為系統(tǒng)提供底圖數(shù)據(jù)和GIS功能上的支持，主要包括以下內(nèi)容：

（1）基礎(chǔ)底圖數(shù)據(jù)：采用ESRI公共服務(wù)中的全球影像數(shù)據(jù)（http：//services.arcgisonline.com/arcgis/rest/services/World_Imagery/MapServer）服務(wù)作為數(shù)據(jù)源，為移動(dòng)客戶(hù)端提供可視化的農(nóng)場(chǎng)底圖。

（2）要素服務(wù)（FeatureServer）：將農(nóng)場(chǎng)地塊圖層發(fā)布為ArcGIS Server要素服務(wù)，用于編輯和存儲(chǔ)農(nóng)場(chǎng)邊界和屬性信息。該圖層坐標(biāo)系需與基礎(chǔ)影像數(shù)據(jù)坐標(biāo)系一致。

（3） GP服務(wù)（GPServer）：即Geoprocessing 服務(wù)，ArcGIS工具之一，用于發(fā)布支持作物長(zhǎng)勢(shì)數(shù)據(jù)插值處理、地塊格網(wǎng)化和統(tǒng)計(jì)單位格網(wǎng)數(shù)據(jù)值等。

模型服務(wù)是系統(tǒng)對(duì)數(shù)據(jù)處理和分析使用的模型，包括作物參數(shù)計(jì)算模型和圖像處理模型。服務(wù)端的模型服務(wù)主要用于存儲(chǔ)和更新上述模型并實(shí)時(shí)推送最新模型至移動(dòng)端。

3 系統(tǒng)實(shí)現(xiàn)

3.1 開(kāi)發(fā)運(yùn)行環(huán)境

開(kāi)發(fā)環(huán)境：服務(wù)器端采用Java Servlet技術(shù)開(kāi)發(fā)Web服務(wù)，用ArcGIS Server 10.2支持GIS服務(wù)，SQL Server 2012（免費(fèi)試用版）作為服務(wù)端數(shù)據(jù)庫(kù)。移動(dòng)端數(shù)據(jù)庫(kù)使用Android自帶的SQLite數(shù)據(jù)庫(kù)。

開(kāi)發(fā)工具：系統(tǒng)移動(dòng)端用Android Studio作為開(kāi)發(fā)工具，Android（Java）為開(kāi)發(fā)語(yǔ)言，最低支持的安卓系統(tǒng)版本為Android 4.0。服務(wù)端用Eclipse作為開(kāi)發(fā)工具，Java作為開(kāi)發(fā)語(yǔ)言。

3.2 系統(tǒng)實(shí)現(xiàn)

系統(tǒng)實(shí)現(xiàn)的要點(diǎn)為數(shù)據(jù)采集、數(shù)據(jù)處理與分析以及數(shù)據(jù)管理等。系統(tǒng)工作流程為CropSense和智能終端采集數(shù)據(jù)，移動(dòng)終端和網(wǎng)絡(luò)服務(wù)器對(duì)采集的數(shù)據(jù)進(jìn)行編輯、處理等，最終根據(jù)產(chǎn)量等目標(biāo)對(duì)數(shù)據(jù)分析，得到整個(gè)地塊的專(zhuān)家推薦圖。具體流程如圖6所示。

圖6系統(tǒng)工作流程圖

Fig. 6 System flowchart

3.2.1 數(shù)據(jù)采集

系統(tǒng)采集的數(shù)據(jù)主要包括作物冠層光譜數(shù)據(jù)和冠層圖像數(shù)據(jù)。

（1）冠層光譜數(shù)據(jù)

CropSense通過(guò)藍(lán)牙與智能終端配對(duì)連接，通過(guò)智能終端選擇并配置采集所需作物類(lèi)型、作物生長(zhǎng)期等參數(shù)，即可一鍵采集當(dāng)前采樣點(diǎn)的作物冠層光譜數(shù)據(jù)，所獲取的數(shù)據(jù)通過(guò)藍(lán)牙傳送給智能終端并存儲(chǔ)在數(shù)據(jù)庫(kù)，光譜采集任務(wù)完成。

（2）冠層圖像數(shù)據(jù)

冠層圖像數(shù)據(jù)由Android卓4.0及以上系統(tǒng)、藍(lán)牙為2.1及以上版本且有拍照功能的手機(jī)拍攝獲取，在獲取采樣點(diǎn)的光譜數(shù)據(jù)后，可在智能終端的界面中選擇拍攝當(dāng)前采樣點(diǎn)的作物冠層圖像，拍攝好的圖像自動(dòng)存儲(chǔ)于Android自帶的數(shù)據(jù)庫(kù)中。

3.2.2 數(shù)據(jù)處理與分析

數(shù)據(jù)處理包括光譜數(shù)據(jù)處理、冠層圖像處理等。數(shù)據(jù)分析是通過(guò)作樣點(diǎn)物生長(zhǎng)參數(shù)插值或反演整個(gè)地塊的作物長(zhǎng)勢(shì)圖，并針對(duì)地塊當(dāng)前作物的生長(zhǎng)狀況為用戶(hù)提供專(zhuān)家建議，如推薦施用氮肥等處方圖。

（1）光譜數(shù)據(jù)處理

光譜儀采集的數(shù)據(jù)為作物冠層在650nm（紅光）、810nm（近紅外）波段處的反射光強(qiáng)度和入射光強(qiáng)度，兩個(gè)波段處的光譜反射率需要通過(guò)反射率定義求出反射率，如公式（1）所示。

式中，代表采樣點(diǎn)處反射率;代表入射光強(qiáng);代表反射光強(qiáng)。利用兩個(gè)波段的反射率和NDVI計(jì)算公式便可求出采樣點(diǎn)處的NDVI值，具體見(jiàn)公式（2）。

式中，為近紅外波段處的反射率，為紅波段處的反射率。然而，便攜式光譜儀受到體積等因素影響，精度會(huì)有所下降。因此，系統(tǒng)選用美國(guó)SRS-NDVI歸一化植被指數(shù)測(cè)量?jī)x測(cè)得的光強(qiáng)數(shù)據(jù)作為對(duì)比，來(lái)校正該傳感器的光強(qiáng)數(shù)據(jù)。

NDVI在反應(yīng)作物生長(zhǎng)規(guī)律的同時(shí)，也可以較好得反應(yīng)作物氮素含量、葉綠素含量和葉面積指數(shù)等情況[21]。因此，校正后的NDVI數(shù)據(jù)可以通過(guò)模型求得系統(tǒng)所提供的各參數(shù)，包括FVC、LAI、Cab、Yield及Nc等。系統(tǒng)使用的模型涵蓋中國(guó)主要糧食作物小麥、玉米和水稻。根據(jù)三種作物在中國(guó)的種植區(qū)劃[22-24]建立各大種植區(qū)每個(gè)參數(shù)的通用模型，在此基礎(chǔ)上，根據(jù)用戶(hù)所在地歷史數(shù)據(jù)或當(dāng)年數(shù)據(jù)更新相關(guān)參數(shù)，建立符合所在小區(qū)域的參量反演模型。表3為內(nèi)置模型庫(kù)中的部分模型，表中所給模型是根據(jù)小麥、玉米北方種植區(qū)的通用模型以及北京市小湯山國(guó)家精準(zhǔn)農(nóng)業(yè)示范基地歷史數(shù)據(jù)所建立的適用于北京地區(qū)的模型庫(kù)。

（2）冠層圖像處理

作物冠層圖像數(shù)據(jù)可用于了解作物的覆蓋度、種植密度及葉片顏色等指標(biāo)，并且可以輔助完善光譜數(shù)據(jù)模型?？紤]到現(xiàn)場(chǎng)拍攝圖片會(huì)因?yàn)槭謾C(jī)品牌、拍照時(shí)間、田間情況不同而導(dǎo)致圖片分辨率低、大小不一致、光照不均、圖像模糊等問(wèn)題，本系統(tǒng)首先對(duì)圖像進(jìn)行圖像去噪和圖像增強(qiáng)等預(yù)處理操作，然后再通過(guò)圖像分割等方法提取冠層作物并計(jì)算冠層圖像參數(shù)等。具體處理流程如圖7所示。

除此之外，手持光譜儀采集的數(shù)據(jù)可能會(huì)出現(xiàn)一些異常值。因此冠層圖像所計(jì)算的參數(shù)會(huì)驗(yàn)證光譜儀測(cè)得的葉面積指數(shù)LAI，并剔除含有明顯錯(cuò)誤數(shù)據(jù)的異常點(diǎn)。

（3）數(shù)據(jù)分析

系統(tǒng)可通過(guò)內(nèi)置模型庫(kù)中推薦氮計(jì)算模型及產(chǎn)量目標(biāo)提供用戶(hù)當(dāng)前采樣點(diǎn)的推薦氮及地塊的推薦氮專(zhuān)題圖。通過(guò)使用克里金（Kriging）插值法對(duì)樣點(diǎn)數(shù)據(jù)進(jìn)行插值分析，此方法是依據(jù)協(xié)方差函數(shù)對(duì)隨機(jī)過(guò)程或隨機(jī)場(chǎng)進(jìn)行空間建模和預(yù)測(cè)的回歸方法[25]，適用于存在空間相關(guān)性的區(qū)域化變量。利用克里金插值法可得到整個(gè)地塊作物推薦氮分布專(zhuān)題圖。

使用ArcGIS所提供的漁網(wǎng)工具將地塊分割成格網(wǎng)，計(jì)算每個(gè)格網(wǎng)所需要的氮量，進(jìn)而生成Nc統(tǒng)計(jì)結(jié)果，如下式：

其中，為格網(wǎng)中系統(tǒng)所計(jì)算的每個(gè)樣點(diǎn)的推薦氮用量，kg/hm2;為該格網(wǎng)中樣點(diǎn)的總個(gè)數(shù);為格網(wǎng)的面積，m2。系統(tǒng)Nc氮量為每公頃含量。

最終用戶(hù)所看到的是一定大小格網(wǎng)的Nc分布圖。另外，對(duì)于地塊的數(shù)據(jù)可進(jìn)行對(duì)比分析，

包括同期數(shù)據(jù)對(duì)比及歷史數(shù)據(jù)對(duì)比等，方便用戶(hù)了解地塊作物的情況。

4 系統(tǒng)應(yīng)用與分析

目前系統(tǒng)已進(jìn)入使用，并在逐步完善中。以2018年北京市昌平區(qū)小湯山實(shí)驗(yàn)基地的夏玉米試驗(yàn)為例說(shuō)明系統(tǒng)應(yīng)用情況。

實(shí)驗(yàn)基地位于北京市昌平區(qū)小湯山鎮(zhèn)（N 40°00′～40°21′，E 116°34～117°00′），試驗(yàn)田長(zhǎng)寬分別為100m、80m。為給田地進(jìn)行變量施肥，將試驗(yàn)田劃分為15個(gè)小區(qū)，如圖8所示。本應(yīng)用案例只涉及玉米大喇叭口期的數(shù)據(jù)采集與分析，在滿(mǎn)足試驗(yàn)精度的條件下將田地劃分為5×3的網(wǎng)格。試驗(yàn)共采集37個(gè)采樣點(diǎn)的數(shù)據(jù)，其中每個(gè)網(wǎng)格中至少包含一個(gè)采樣點(diǎn)。

試驗(yàn)選用的玉米品種為“鄭單958”，于2018年6月30日播種，并在播種時(shí)同步施肥。

4.1 系統(tǒng)設(shè)置

用戶(hù)在采集數(shù)據(jù)前需錄入所采集地塊的信息，主要包括“采集區(qū)域”“作物類(lèi)型”“生育期”“天氣”“品種”等。圖9（a）所示為應(yīng)用案例的系統(tǒng)設(shè)置信息，采樣的作物為玉米，處于大喇叭口期，采集當(dāng)天為晴天。在完成系統(tǒng)設(shè)置后，用戶(hù)打開(kāi)藍(lán)牙并連接CropSense。

4.2 數(shù)據(jù)采集

本次采樣試驗(yàn)地塊被分成3×5的格網(wǎng)，每個(gè)格網(wǎng)中采集1-5個(gè)點(diǎn)。點(diǎn)擊“采集數(shù)據(jù)”保存當(dāng)前傳感器測(cè)得的光譜數(shù)據(jù)以及通過(guò)數(shù)據(jù)模型庫(kù)計(jì)算得到的相關(guān)參數(shù);點(diǎn)擊“相機(jī)”拍攝當(dāng)前采樣點(diǎn)的作物冠層圖像，得到1200萬(wàn)像素的冠層圖像，最終圖像保存在Android自帶的數(shù)據(jù)庫(kù)中，圖像存儲(chǔ)在手機(jī)相冊(cè)中，數(shù)據(jù)采集界面如圖9（b）所示。通過(guò)“數(shù)據(jù)詳情”按鈕，用戶(hù)可以實(shí)時(shí)看到當(dāng)前采樣點(diǎn)的所有數(shù)據(jù)，圖9（c）所示的采樣點(diǎn)NDVI為0.798，葉面積為2.25m2/m2，覆蓋度為0.64，葉綠素含量為34.79μg/cm3，估產(chǎn)量是5975kg/hm2，推薦氮為127.5kg/hm2。

4.3 數(shù)據(jù)分析

數(shù)據(jù)分析包括采樣點(diǎn)數(shù)據(jù)對(duì)比分析和地塊施肥決策分析兩種。采樣點(diǎn)數(shù)據(jù)對(duì)比分析使用折線圖和專(zhuān)題分布圖反映采樣點(diǎn)作物的生長(zhǎng)狀況和變化趨勢(shì)，簡(jiǎn)單易懂。如圖9（d）所示，上面的折線圖為試驗(yàn)田采樣點(diǎn)4與同期其他采樣點(diǎn)的NDVI折線圖，圖中可以看出，采樣點(diǎn)4的NDVI值為0.4238，與周?chē)渌蓸狱c(diǎn)相比，當(dāng)時(shí)處于相對(duì)較高的水平。圖9（d）下面的圖為該點(diǎn)與往年數(shù)據(jù)對(duì)比的折線圖，可見(jiàn)此點(diǎn)在2018年的NDVI值與前兩年基本持平，但是有增加的趨勢(shì)。圖9（e）為地塊的NDVI分布圖，圖中的藍(lán)色點(diǎn)為采樣點(diǎn)，NDVI從紅到綠依次增加，最小值為0.376，最大值為0.824，整體分布為南高北低、長(zhǎng)勢(shì)較好的玉米集中分布在實(shí)驗(yàn)田的東南部。

地塊施肥決策分析是根據(jù)采樣數(shù)據(jù)和用戶(hù)提供的預(yù)期產(chǎn)量經(jīng)推薦氮計(jì)算模型綜合處理后提供給用戶(hù)專(zhuān)家決策意見(jiàn)，即地塊的變量施肥方案專(zhuān)題圖。圖9（f）為實(shí)驗(yàn)地塊的Nc分布圖，用戶(hù)點(diǎn)擊格網(wǎng)即可查看當(dāng)前格網(wǎng)推薦施肥的詳細(xì)信息，如面積、肥料類(lèi)別、施肥量等。圖中所示地塊的目標(biāo)產(chǎn)量為6000kg/hm2，當(dāng)前選中的格網(wǎng)面積為577m2，為滿(mǎn)足目標(biāo)產(chǎn)量的要求，該格網(wǎng)推薦施用尿素9.22kg。對(duì)比圖9（e）和圖9（f），氮肥施用量與NDVI呈負(fù)相關(guān)關(guān)系，用戶(hù)通過(guò)采樣點(diǎn)數(shù)據(jù)分布圖即可在一定程度上判斷地塊變量施肥的情況。

4.4 系統(tǒng)應(yīng)用效果

使用本系統(tǒng)僅需手持CropSense和智能手機(jī)在田間采集光譜和圖像數(shù)據(jù)即可實(shí)時(shí)獲取作物長(zhǎng)勢(shì)參量。而傳統(tǒng)的作物長(zhǎng)勢(shì)監(jiān)測(cè)則需在田間采集植株樣本，并在實(shí)驗(yàn)室測(cè)試化驗(yàn)，與使用本系統(tǒng)相比花費(fèi)時(shí)間更多。

若進(jìn)行傳統(tǒng)施肥，玉米追肥時(shí)純氮用量一般為193.2kg/hm2。試驗(yàn)田根據(jù)系統(tǒng)所計(jì)算的施肥量進(jìn)行變量施肥，與常規(guī)情況施用化肥的純氮量對(duì)比如表4所示，可見(jiàn)在玉米長(zhǎng)勢(shì)基本不變的情況下，使用本系統(tǒng)后純氮使用量平均減少了16.67%。

系統(tǒng)使用時(shí)有以下特點(diǎn)：

（1）使用本系統(tǒng)可提高田間數(shù)據(jù)采集效率和正確率，解決了手動(dòng)記錄數(shù)據(jù)和攜帶傳統(tǒng)光譜儀帶來(lái)的一系列問(wèn)題;

（2）折線圖和作物長(zhǎng)勢(shì)專(zhuān)題圖可以直觀地表現(xiàn)當(dāng)前作物的生長(zhǎng)情況，用戶(hù)采集完數(shù)據(jù)即可實(shí)時(shí)查看，時(shí)效性強(qiáng);

（3）推薦氮肥分布專(zhuān)題圖改善了傳統(tǒng)施肥沒(méi)有針對(duì)性的缺點(diǎn)，使用推薦氮分布圖可以輔助用戶(hù)進(jìn)行變量施肥，減少了農(nóng)耕成本。

5 討論與結(jié)論

本研究結(jié)合移動(dòng)GIS將大田作物生長(zhǎng)狀況數(shù)據(jù)的采集、處理、分析數(shù)據(jù)集成設(shè)計(jì)了作物生長(zhǎng)狀況采集系統(tǒng)，主要實(shí)現(xiàn)了田間數(shù)據(jù)采集、實(shí)時(shí)診斷分析的功能。該系統(tǒng)具有以下特點(diǎn)：

（1）利用CropSense和智能手機(jī)獲取田間采樣數(shù)據(jù)以獲取作物關(guān)鍵生育期的參數(shù)，操作簡(jiǎn)便且實(shí)用性高，減少了對(duì)使用者專(zhuān)業(yè)技能的要求，便于在農(nóng)戶(hù)中普及。

（2）結(jié)合Web服務(wù)技術(shù)提供處理工具并實(shí)時(shí)更新模型，實(shí)現(xiàn)了田間數(shù)據(jù)便捷采集，并且可實(shí)時(shí)分析診斷作物生長(zhǎng)狀況，具有高效的優(yōu)點(diǎn)。

（3）系統(tǒng)提供專(zhuān)家決策功能，為用戶(hù)提供整個(gè)地塊的估產(chǎn)圖及推薦氮施肥圖等，可有效指導(dǎo)用戶(hù)農(nóng)田作業(yè)。

（4）系統(tǒng)采集的數(shù)據(jù)直接通過(guò)網(wǎng)絡(luò)發(fā)送到服務(wù)端上，改進(jìn)了傳統(tǒng)數(shù)據(jù)通過(guò)數(shù)據(jù)線導(dǎo)入導(dǎo)出模式和共享性差的缺點(diǎn)。

系統(tǒng)通過(guò)儀器采集點(diǎn)的數(shù)據(jù)，利用內(nèi)置模型庫(kù)中適用于各地區(qū)不同作物的作物參數(shù)計(jì)算模型及插值等方法，為用戶(hù)提供整個(gè)地塊的作物長(zhǎng)勢(shì)情況及變量施肥圖。采樣點(diǎn)的密度與用戶(hù)所需精度直接相關(guān)，樣點(diǎn)個(gè)數(shù)增多，求平均值效果更好。一般將地塊劃分為格網(wǎng)，格網(wǎng)的個(gè)數(shù)以及格網(wǎng)中采樣點(diǎn)的個(gè)數(shù)以滿(mǎn)足用戶(hù)生產(chǎn)需求和變量施肥機(jī)作業(yè)寬度為準(zhǔn)。本文應(yīng)用案例采樣時(shí)，每個(gè)格網(wǎng)中最少需采集1個(gè)點(diǎn)的數(shù)據(jù)，2～3個(gè)比較合適，對(duì)于異質(zhì)性差的地塊可適當(dāng)多測(cè)，但最多不超過(guò)5個(gè)采樣點(diǎn)。目前本系統(tǒng)已在試驗(yàn)田中陸續(xù)試用，對(duì)于評(píng)價(jià)作物生長(zhǎng)狀態(tài)、提供施肥決策以及作物估產(chǎn)等提供了有效參數(shù)和方案。但是數(shù)據(jù)模型庫(kù)和智能手機(jī)端采集分析數(shù)據(jù)的功能還在進(jìn)一步完善中，快速有效地識(shí)別出作物病蟲(chóng)害、含水量等情況是今后研究的重要方向。

參考文獻(xiàn)

[1] 王利民， 劉佳， 唐鵬欽， 等. 農(nóng)作物長(zhǎng)勢(shì)遙感監(jiān)測(cè)需求、系統(tǒng)框架及業(yè)務(wù)應(yīng)用[J]. 中國(guó)農(nóng)業(yè)信息， 2019， 31（2）： 1-10.

Wang L， Liu J， Tang P， et al. Demand， system framework and operational application of crop growth remote sensing monitoring[J]. China Agricultural Informatics， 2019， 31（2）： 1-10.

[2] 朱姜蓬，岑海燕，何立文，等. 農(nóng)情監(jiān)測(cè)多旋翼無(wú)人機(jī)系統(tǒng)開(kāi)發(fā)及性能評(píng)估[J]. 智慧農(nóng)業(yè)， 2019， 1（1）： 43-52.

Zhu J， Cen H， He L， et al. Development and performance evaluation of a multi-rotor unmanned aircraft system for agricultural monitoring[J]. Smart Agriculture， 2019， 1（1）： 43-52.

[3] 倪軍， 姚霞， 田永超， 等. 便攜式作物生長(zhǎng)監(jiān)測(cè)診斷儀的設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2013， 29（6）： 150-156.

Ni J， Yao X， Tian Y， et al. Design and experiments of portable apparatus for plant growth monitoring and diagnosis[J]. Transactions of the CSAE， 2013， 29（6）： 150-156.

[4] 盧少林， 倪軍， 曹衛(wèi)星， 等. 基于主動(dòng)光源的作物生長(zhǎng)信息監(jiān)測(cè)儀的設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2014， 30（23）： 199-206.

Lu S， Ni J， Cao W， et al. Design and experiment for crop growth information monitoring instrument based on active light source[J]. Transactions of the CSAE， 2014， 30（23）： 199-206.

[5] 馬浚誠(chéng)， 劉紅杰， 鄭飛翔， 等. 基于可見(jiàn)光圖像和卷積神經(jīng)網(wǎng)絡(luò)的冬小麥苗期長(zhǎng)勢(shì)參數(shù)估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（5）： 183-189.

Ma J， Liu H， Zheng F， et al. Estimating growth related traits of winter wheat at seedling stages based on RGB images and convolutional neural network[J]. Transactions of the CSAE， 2019， 35（5）： 183-189.

[6] 蘭玉彬，鄧小玲，曾國(guó)亮. 無(wú)人機(jī)農(nóng)業(yè)遙感在農(nóng)作物病蟲(chóng)草害診斷應(yīng)用研究進(jìn)展[J]. 智慧農(nóng)業(yè)，2019，1（2）： 1-19.

Lan Y， Deng X， Zeng G. Advances in diagnosis of crop diseases， pests and weeds by UAV remote sensing[J]. Smart Agriculture， 2019， 1（2）： 1-19.

[7] 王利民， 楊玲波， 劉佳， 等. GF-1和MODIS影像冬小麥長(zhǎng)勢(shì)監(jiān)測(cè)指標(biāo)NDVI的對(duì)比[J]. 作物學(xué)報(bào)， 2018， 44（7）： 1043-1054.

Wang L， Yang L， Liu J， et al. Comparison of growth monitoring index NDVI between GF-1 and MODIS images in winter wheat[J]. Acta Agronomica Sinica， 2018， 44（7）： 1043-1054.

[8] 侯學(xué)會(huì)， 隋學(xué)艷， 姚慧敏， 等. 基于物候信息的山東省冬小麥長(zhǎng)勢(shì)遙感監(jiān)測(cè)[J].國(guó)土資源遙感， 2018， 30（2）： 171-177.

Hou X， Sui X， Yao H， et al. Study of the growth condition of winter wheat in Shandong Province based on phenology[J]. Remote Sensing for Land & Resources， 2018， 30（2）： 171-177.

[9] 楊北方， 韓迎春， 毛樹(shù)春， 等. 基于數(shù)字圖像的棉花長(zhǎng)勢(shì)空間變異分析[J]. 棉花學(xué)報(bào)， 2015， 27（6）： 534-541.

Yang B， Han Y， Mao S， et al. Analysis of the spatial variability in cotton growth conditions based on digital Imaging[J]. Cotton Science， 2015， 27（6）： 534-541.

[10] 陳仲新，郝鵬宇，劉佳，等. 農(nóng)業(yè)遙感衛(wèi)星發(fā)展現(xiàn)狀及我國(guó)監(jiān)測(cè)需求分析[J]. 智慧農(nóng)業(yè)，2019，1（1）： 32-42.

Chen Z， Hao P， Liu J， et al. Technical demands for agricultural remote sensing satellites in China[J]. Smart Agriculture， 2019， 1（1）： 32-42.

[11] 李修華， 李民贊， 崔笛， 等. 基于雙波段作物長(zhǎng)勢(shì)分析儀的東北水稻長(zhǎng)勢(shì)監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2011， 27（8）： 206-210.

Li X， Li M， Cui D， et al. Monitoring of rice plant growth in Northeast China using dual-wavebands crop growth analyzer[J]. Transactions of the CSAE， 2011， 27（8）： 206-210.

[12] 葉思菁， 朱德海， 姚曉闖， 等. 基于移動(dòng)GIS的作物種植環(huán)境數(shù)據(jù)采集技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2015， 46（9）： 325-334.

Ye S， Zhu D， Yao X， et al. Mobile GIS based approach for collection of crop planting environment data[J]. Transactions of the CSAM， 2015， 46（9）： 325-334.

[13] 馬旭穎， 張智勇， 高德華， 等. 基于云服務(wù)架構(gòu)的田間信息采集與分析系統(tǒng)設(shè)計(jì)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2019， 50（S1）： 122-127.

Ma X， Zhang Z， Gao D， et al. Design of crop information storage analysis system based on cloud service architecture[J]. Transactions of the CSAM， 2019， 50（S1）： 122-127.

[14] Liu H， Sun H， Mao B， et al. Development of a crop growth detecting system[J]. Ifac Papersonline， 49（16）： 138-142.

[15] Matsah M I， Kusky T. Fieldlog： GIS software as a mapping aid for structural geologists[J]. Computer Methods in the Geosciences， 1996， 15（96）： 471-475.

[16] Turner L. PenMap demonstration project， landslide mapping system[R]. California， 2002.

[17] Abdullah A F， Muhadi N A. GIS data collection for oil palm （DaCOP） mobile application for smart phone[J]. ISPRS Annals of the Photogrammetry， Remote Sensing and Spatial Information Sciences 2015， II-2/W2： 165-168.

[18] Wagtendonk A， Reus N D， Lammeren R J A V ， et al. A mobile GIS application for crop mapping development and evaluation[EB/OL]. [2019-10-02].

http：//www.geo-informatie.nl/projects/gipsy/Eindrapportages/gipsy_2004_9.pdf.

[19] 楊忠. 基于移動(dòng)GIS的作物生長(zhǎng)狀況采集系統(tǒng)研究與實(shí)現(xiàn)[D]. 武漢：湖北大學(xué)， 2018.

Yang Z. Research and implementation of crop growth status collection system based on mobile GIS[D]. Wu Han： Hubei University， 2018.

[20] 孫麗娟. 基于Android的物聯(lián)網(wǎng)數(shù)據(jù)采集監(jiān)測(cè)系統(tǒng)開(kāi)發(fā)[D]. 南京：南京理工大學(xué)， 2016.

[21] 朱云， 史力超， 侯振安， 等 基于NDVI的滴灌春小麥氮肥分期施用推薦模型[J]. 麥類(lèi)作物學(xué)報(bào)， 2015， 35（5）： 681-686.

Zhu Y， Shi L， Hou Z， et al. Nitrogenous fertilizer recommendation model based on NDVI for drip-irrigated spring wheat[J]. Journal of Triticeae Cropsm， 2015， 35（5）： 681-686.

[22] 刁興良，楊再潔，李奇峰，等. 基于多源數(shù)據(jù)的華北平原夏玉米種植區(qū)研究[J]. 智慧農(nóng)業(yè)，2019，1（2）： 73-84.

Diao X， Yang Z， Li Q，et al. Regionalization research of summer corn planting in North China Plain based on multi-source data[J]. Smart Agriculture， 2019， 1（2）： 73-84.

[23] 梅方權(quán)， 吳憲章， 姚長(zhǎng)溪， 等. 中國(guó)水稻種植區(qū)劃[J]. 中國(guó)水稻科學(xué)， 1988（03）： 97-110.

[24] 趙廣才. 中國(guó)小麥種植區(qū)劃研究（一）[J]. 麥類(lèi)作物學(xué)報(bào)， 2010， 30（5）： 886-895.

Zhao G. Study on Chinese wheat planting regionalization （I）[J]. Journal of Triticeae Crops， 2010， 30（5）： 886-895.

[25] 李海濤， 邵澤東. 空間插值分析算法綜述[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用， 2019， 28（7）： 1-8.