國際農(nóng)業(yè)工程學(xué)科的前沿主題及發(fā)展趨勢分析

范磬亞，張月群，梁 斌

（南京農(nóng)業(yè)大學(xué)工學(xué)院，江蘇南京 210031）

0 引言

2019年10月31日，農(nóng)業(yè)農(nóng)村部在北京舉辦國家農(nóng)業(yè)基礎(chǔ)性科技創(chuàng)新條件能力項目建設(shè)運行管理座談會，會議認為農(nóng)業(yè)基礎(chǔ)性長期性科技工作對于推動革命性理論發(fā)現(xiàn)、農(nóng)業(yè)復(fù)雜科學(xué)問題解決、新興交叉學(xué)科發(fā)展等具有非常重要的意義［1］。當今，農(nóng)業(yè)科技更趨向于多學(xué)科交叉融合發(fā)展，農(nóng)業(yè)工程技術(shù)作為現(xiàn)代農(nóng)業(yè)發(fā)展的重要支撐，其發(fā)展狀況對于農(nóng)業(yè)科技有著不可忽視的推動作用。目前農(nóng)業(yè)工程學(xué)科是綜合物理、生物等基礎(chǔ)學(xué)科和機械、電子等工程技術(shù)而形成的一門多學(xué)科交叉的綜合性科學(xué)與技術(shù)［2］。

文獻計量學(xué)是指用數(shù)學(xué)和統(tǒng)計學(xué)的方法，定量地分析一切知識載體的交叉科學(xué)。它集統(tǒng)計學(xué)、數(shù)學(xué)、文獻學(xué)為一體，注重量化的綜合性知識體系。文獻計量方法與信息可視化技術(shù)有機結(jié)合已經(jīng)成為探測分析學(xué)科知識領(lǐng)域的演進、研究前沿與研究熱點的重要手段。為了進一步量化近年來農(nóng)業(yè)工程學(xué)科前沿的演化規(guī)律，探測未來研究的前沿趨勢，本文結(jié)合科研合作網(wǎng)絡(luò)分析和多視角共被引分析方法，繪制農(nóng)業(yè)工程學(xué)科的知識圖譜，為相關(guān)研究者追蹤前沿信息提供參考。

1 數(shù)據(jù)來源及分析方法

CiteSpace是由美國德雷塞爾大學(xué)陳超美開發(fā)的可視化文獻計量學(xué)軟件，被廣泛地應(yīng)用于科學(xué)知識的圖譜繪制，能夠?qū)⒋罅康奈墨I數(shù)據(jù)轉(zhuǎn)化為可視化的知識圖譜，從而直觀地呈現(xiàn)隱藏在大量數(shù)據(jù)中的規(guī)律，有效地顯示知識單元間的網(wǎng)絡(luò)、結(jié)構(gòu)、互動、演化或衍生等諸多復(fù)雜關(guān)系［3］。

本文選取Web of Science數(shù)據(jù)庫農(nóng)業(yè)工程學(xué)科的4種核心期刊Biosystems Engineering，Computers andElectronics in Agriculture，Transactions of the ASABE,Applied Engineering in Agriculture為數(shù)據(jù)源，檢索4種期刊2009—2019年的論文，使用可視化分析工具CiteSpace（V5.5.R2）的清洗、除重處理后，共得7 410條數(shù)據(jù)。

2 結(jié)果分析

2.1 研究力量分布分析

運用科研合作網(wǎng)絡(luò)分析方法，網(wǎng)絡(luò)節(jié)點分別為Author、Institution和Country，分別得到農(nóng)業(yè)工程學(xué)科的作者合作網(wǎng)絡(luò)分析圖譜（見圖1）、國家和機構(gòu)共網(wǎng)合作網(wǎng)絡(luò)分析圖譜（見圖2）。高產(chǎn)作者主要有H XIN，S IRMAK，X WANG，Q ZHANG，GUOQIANG ZHANG，發(fā)文量分別為40，37，36，34，31篇。高產(chǎn)機構(gòu)依次為美國農(nóng)業(yè)部（USDA ARS/ARS）,中國農(nóng)業(yè)大學(xué)（China Agriculture University）,愛荷華州大學(xué)（lowa State University）,佛羅里達大學(xué)（University Florida）,堪薩斯特大學(xué)（Kansas State University），發(fā)文量分別為785，227，202，183，167篇。前五大高產(chǎn)國家/地區(qū)依次為美國、中國、西班牙、加拿大、意大利，發(fā)文量分別為2 905，1 205，480，421，352篇。由此可見，美國和中國地區(qū)的研究機構(gòu)依次是農(nóng)業(yè)工程學(xué)科兩大論文高產(chǎn)地區(qū)。

圖1 作者合作網(wǎng)絡(luò)分析圖譜

圖2 國家和機構(gòu)共網(wǎng)合作網(wǎng)絡(luò)分析圖譜

2.2 文獻共被引網(wǎng)絡(luò)分析

2.2.1 研究前沿主題的演化分析

運用共被引分析方法進行可視化分析，運行后的共被引網(wǎng)絡(luò)知識圖譜（見圖3）,知識圖譜網(wǎng)絡(luò)包含682個節(jié)點，2 450條連接，聚類的模塊化為Q=0.839，聚類主題的區(qū)分度較好，圖中各聚類的名稱是由軟件根據(jù)被引文獻的標題生成的。文獻的共被引聚類結(jié)果中一共生成了86種聚類，其中節(jié)點數(shù)大于25的一共有11個。根據(jù)聚類標識詞的語義結(jié)構(gòu)和研究主題的相關(guān)性，將這11個聚類劃分成幾大研究知識群。

（1）計算流體力學(xué)的應(yīng)用。

聚類0：畜禽養(yǎng)殖廢氣排放管理。畜禽養(yǎng)殖排放出的廢氣（包括氨氣和溫室氣體）是農(nóng)業(yè)生產(chǎn)的主要污染源，已逐漸引起各國的廣泛關(guān)注，歐盟（EU）已經(jīng)為不同的成員國設(shè)定了氨排放限制。計算流體力學(xué)（CFD）越來越多地被用于研究畜禽建筑物周圍和內(nèi)部的氣流，開發(fā)減少排放的技術(shù)，并預(yù)測牲畜建筑物的污染物擴散［4］。

聚類6：CFD有限元分析。計算流體動力學(xué)（CFD）在精準作物生產(chǎn)中的應(yīng)用主要集中在溫室系統(tǒng)，國內(nèi)外對溫室空氣流量、通風(fēng)率、輻射換熱和作物阻力等方面的研究較多，但是對自然通風(fēng)條件下蒸發(fā)冷卻，特別是高壓霧溫室冷卻的研究尚不多見；CFD模擬還有一些應(yīng)用于作物農(nóng)藥噴霧器效率的研究；CFD對收獲機械的優(yōu)化設(shè)計和使用，以及耕作過程中土壤特性分析的工作還不多見［5］。

（2）機器學(xué)習(xí)的應(yīng)用。

聚類1：深度學(xué)習(xí)（DL）。深度學(xué)習(xí)是近年來圖像處理和數(shù)據(jù)分析的一種新技術(shù)，其中涉及農(nóng)業(yè)工程學(xué)科的研究成果大部分都在2015年以后。深度學(xué)習(xí)模型的高度層次結(jié)構(gòu)和龐大的學(xué)習(xí)能力使它們能夠特別好地執(zhí)行分類和預(yù)測，具有靈活性，能夠適應(yīng)各種復(fù)雜情況［6］。深度學(xué)習(xí)典型模型有3種：卷積神經(jīng)網(wǎng)絡(luò)模型、深度信任網(wǎng)絡(luò)模型、堆棧自編碼網(wǎng)絡(luò)模型，絕大部分研究工作采用了卷積神經(jīng)網(wǎng)絡(luò)模型（CNN）。該領(lǐng)域的研究方向主要有作物類型分類、雜草檢測、植物識別、水果計數(shù)、地表覆蓋物分類、植物病蟲害識別、土壤研究、牲畜養(yǎng)殖等。

（3）農(nóng)業(yè)機器人。

聚類2：采摘機器人。在水果或蔬菜采摘機器人中，視覺控制用于解決在樹木遮篷中識別物體和使用視覺信息摘取物體，由于缺乏可靠識別能力和精確采摘能力，農(nóng)業(yè)機器人的商業(yè)發(fā)展受到了制約。目前基于視覺控制的最新關(guān)鍵技術(shù)改善了這種情況，這些技術(shù)包括視覺信息獲取策略、水果識別算法和眼手協(xié)調(diào)方法［7］。農(nóng)業(yè)環(huán)境因為要被抓握的物體（如水果）的尺寸、形狀、重量和質(zhì)地具有不確定性，抓取力度不能過高，并且被抓物體趨向被部分或完全吸附，所以將感知分析集成在夾具設(shè)計階段也非常重要［8］。

建筑物改變了，很多住在老東北的人都奔去遠方了，可屬于老東北的記憶還在。人們開始對農(nóng)作物追求產(chǎn)量了，而忽略了農(nóng)作物本身的營養(yǎng)和美味，也可以說忘卻了老東北的土地上的農(nóng)作物是什么味道了。但是對于張雪松來說，兒時的記憶仍舊那么清晰，關(guān)于那份記憶還在。

圖3 國際農(nóng)業(yè)工程學(xué)科文獻共被引網(wǎng)絡(luò)知識圖譜

（4）無線傳感器的應(yīng)用。

聚類3：物聯(lián)網(wǎng)與無線傳感器網(wǎng)絡(luò)。物聯(lián)網(wǎng)與無線傳感器網(wǎng)絡(luò)遠程/實時檢測技術(shù)目前是精準農(nóng)業(yè)領(lǐng)域研究的核心，主要側(cè)重于農(nóng)田環(huán)境信息采集與監(jiān)測、農(nóng)田土壤肥力監(jiān)測、多傳感器數(shù)據(jù)融合、航空變量噴灑、農(nóng)業(yè)無人機技術(shù)等。同時在智能農(nóng)業(yè)裝備、精準養(yǎng)殖、環(huán)境監(jiān)測、太陽能干燥機、食品冷鏈檢測等領(lǐng)域開發(fā)出新的應(yīng)用。傳感器云框架的出現(xiàn)增強了傳統(tǒng)無線傳感器網(wǎng)絡(luò)（WSNs）在動態(tài)操作、管理、存儲和安全方面的能力，使用傳感器云框架可以有效地解決各種農(nóng)業(yè)問題［9］。植物表型研究始于20世紀末，致力于彌合基因分型和表型差距，并加快作物育種以促進作物改良。表型組數(shù)據(jù)包括可視圖像數(shù)據(jù)、傳感器數(shù)據(jù)及實驗元數(shù)據(jù)等多種數(shù)據(jù)集，長期以來表型獲取技術(shù)是整個作物育種中比較薄弱的環(huán)節(jié)，為了解決這些問題，世界上許多頂尖科研團隊和商業(yè)機構(gòu)開發(fā)了一系列高通量、高精度表型工具。2017年，法國植物表型協(xié)會主席、法國國家農(nóng)業(yè)研究院（INRA）作物生理學(xué)生態(tài)學(xué)家Francois Tardieu和諾丁漢大學(xué)植物學(xué)家Malcolm Bennett共同提出了多層次表型組研究構(gòu)想，指出如何把室內(nèi)和室外表型研究中產(chǎn)生的巨量圖像和傳感器數(shù)據(jù)轉(zhuǎn)化為有意義的生物學(xué)知識將成為下一個表型組學(xué)研究的瓶頸［10］。

（5）精準養(yǎng)殖。

聚類8：自動識別。在過去幾十年中，畜牧業(yè)生產(chǎn)已從粗放型生產(chǎn)轉(zhuǎn)向集約型生產(chǎn)。當前精準養(yǎng)殖技術(shù)包括收集現(xiàn)有信息的自動監(jiān)測、管理信息系統(tǒng)、分析現(xiàn)有信息的決策支持系統(tǒng)，通過對潛在問題的早期預(yù)警，在任何特定時間檢測和控制動物的健康和福利狀況［11-12］。

（6）水文模型。

聚類4：土壤和水評估工具（SWAT）。SWAT是水文模型應(yīng)用最廣泛的開放兼開源軟件，是一個概念性的、連續(xù)的時間模型，于1990年代初開發(fā)，以協(xié)助水資源管理員評估管理和氣候?qū)α饔蚝痛笮秃恿髁饔虻墓┧头屈c源污染的影響。SWAT模型已廣泛應(yīng)用于水沙循環(huán)和農(nóng)藥生產(chǎn)的試驗預(yù)報中，當前研究熱點包括水質(zhì)問題、產(chǎn)沙量、模型標定、不確定度分析和敏感性分析［13］。

聚類9：水文模型。國內(nèi)外開發(fā)研制的水文模型眾多，結(jié)構(gòu)各異，按照模型構(gòu)建的基礎(chǔ)，水文模型可分為物理模型、概念性模型和系統(tǒng)理論模型三類。水文和水質(zhì)（H/WQ）模型被廣泛用于支持特定地點的環(huán)境評估、設(shè)計、規(guī)劃和決策。校準和驗證（C/V）是用來證明H/WQ模型能夠在特定應(yīng)用中產(chǎn)生適當結(jié)果的基本過程。

（7）圖像處理技術(shù)。

聚類5：形態(tài)特征。進入新世紀后，光譜分析技術(shù)和計算機視覺技術(shù)的融合發(fā)展進一步推動了計算機圖像處理技術(shù)在農(nóng)業(yè)工程學(xué)科的應(yīng)用，主要涉及的內(nèi)容有病蟲害監(jiān)測、作物/雜草識別、作物生長狀態(tài)、農(nóng)產(chǎn)品質(zhì)量檢測、農(nóng)產(chǎn)品分類、作物的產(chǎn)量估計、土壤的紋理識別、農(nóng)產(chǎn)品的化學(xué)特征測定等多個領(lǐng)域。

聚類7：高光譜成像的變量分析。高光譜遙感是當前遙感技術(shù)的前沿領(lǐng)域，高光譜成像技術(shù)是將光譜技術(shù)和攝影（成像）技術(shù)結(jié)合在一個系統(tǒng)中的智能分析工具。目前，高光譜成像技術(shù)較多應(yīng)用在食品和農(nóng)產(chǎn)品的質(zhì)量和安全檢測過程中，其圖像不僅用于提供幾何、紋理和外觀特征，還可以提供化學(xué)特性［14-16］。專業(yè)無人機和固定翼飛機也可以搭載高光譜設(shè)備，其圖像具有分辨多種作物特征的能力，包括養(yǎng)分、水分、害蟲、疾病、雜草、生物量和冠層結(jié)構(gòu)［10］。

聚類10：地面激光掃描儀。地面激光掃描儀（Tlss）被用于林業(yè)和果樹生產(chǎn)應(yīng)用，測量樹木的三維幾何特征，估計樹冠體積或果樹葉面積?；谶@些測量信息開發(fā)管理系統(tǒng)，主要應(yīng)用有殺蟲劑的噴霧、灌溉、施肥等［17-19］。

2.2.2 高突現(xiàn)文獻分析

在文獻共被引網(wǎng)絡(luò)中，文獻的突現(xiàn)強度是指該文獻在一段時間內(nèi)被引用的頻次突然增加的程度，突現(xiàn)強度越強，代表該研究問題被關(guān)注的程度越高，越能體現(xiàn)這一時期的研究前沿。利用CiteSpace抽取出不同時間段突現(xiàn)強度較高的文獻信息（見表1），通過對高突現(xiàn)強度的文獻分析，可以探測出國際農(nóng)業(yè)工程學(xué)科研究前沿隨時間的演化趨勢。

對表1中突現(xiàn)強度較高文獻的研究主題進行提取，探測出2009—2019年，農(nóng)業(yè)工程學(xué)科研究前沿呈現(xiàn)多元化發(fā)展趨勢，無線傳感器應(yīng)用、農(nóng)業(yè)機器人一直是農(nóng)業(yè)工程學(xué)科的前沿問題。從整體看，2009—2012年的前沿研究領(lǐng)域為水評估模型、精準農(nóng)業(yè)、CFD、無線傳感器應(yīng)用、農(nóng)業(yè)機器人等；2013—2015年的前沿研究領(lǐng)域為水評估模型、SWAT、無線傳感器應(yīng)用、深度學(xué)習(xí)、植物表型等;2016—2017年的前沿研究領(lǐng)域為植物表型、深度學(xué)習(xí)、SWAT、光譜農(nóng)產(chǎn)品質(zhì)量檢測、植物病蟲害檢測、采摘機器人、土壤光譜分析、無線傳感器應(yīng)用等；2018—2019年的前沿領(lǐng)域為深度學(xué)習(xí)、光譜農(nóng)產(chǎn)品質(zhì)量檢測、采摘機器人、圖像分割、無線傳感器應(yīng)用等。

3 研究結(jié)論

本文借助CiteSpace可視化軟件對農(nóng)業(yè)工程學(xué)科2009—2019年的文獻進行科研合作網(wǎng)絡(luò)分析和多視角共被引分析方法。研究結(jié)論如下：

（1）農(nóng)業(yè)工程學(xué)科的研究力量來自多個國家和機構(gòu)，其中美國和中國的研究機構(gòu)是兩大高產(chǎn)出地區(qū)。另外，通過發(fā)文突增性發(fā)現(xiàn)美國在該學(xué)科的文獻貢獻率具有較大突破。

（2）農(nóng)業(yè)工程學(xué)科呈多元化發(fā)展的趨勢。自2009年以來，隨著對環(huán)境問題的關(guān)注，圍繞流域水質(zhì)量管理、水質(zhì)改良研究、畜禽養(yǎng)殖廢氣物的處理和排放等研究持續(xù)受到關(guān)注。隨著光譜傳感技術(shù)和圖像處理與分析軟件的日益成熟，光譜技術(shù)研究迅速升溫，其在精準農(nóng)業(yè)中的應(yīng)用始于土壤有機質(zhì)傳感器，并迅速多樣化。近幾年來，高光譜技術(shù)成為光譜技術(shù)的研究熱點，越來越多地應(yīng)用于食品和農(nóng)產(chǎn)品的質(zhì)量和安全檢測、航空遙感。隨著人工智能技術(shù)的進一步發(fā)展，現(xiàn)階段圖像識別、深度學(xué)習(xí)等人工智能技術(shù)已經(jīng)深入農(nóng)業(yè)生產(chǎn)的很多方面，深度學(xué)習(xí)是近年來圖像處理的數(shù)據(jù)分析的一種新技術(shù)。農(nóng)業(yè)機器人近十年來一直都是研究熱點，隨著視覺控制技術(shù)的發(fā)展，采摘機器人近幾年成為該領(lǐng)域的研究熱點。物聯(lián)網(wǎng)與無線傳感器網(wǎng)絡(luò)遠程/實時檢測技術(shù)在精準農(nóng)業(yè)、精準養(yǎng)殖等領(lǐng)域應(yīng)用成為新的關(guān)注點。

表1 突現(xiàn)文獻隨時間變化信息