玉米精準(zhǔn)變量播種技術(shù)與裝備研究進(jìn)展

杜兆輝，和賢桃，楊 麗 ，張東興，崔 濤，鐘翔君

（1. 中國農(nóng)業(yè)大學(xué)工學(xué)院，北京 100083；2. 農(nóng)業(yè)部土壤-機(jī)器-植物系統(tǒng)技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100083）

0 引言

玉米是世界上最重要的谷類作物之一，是全球三分之一人口的主要食糧，兼具飼料、能源、醫(yī)療等多元用途[1-2]。玉米同時(shí)也是中國的第一大糧食作物，在保障國家糧食安全方面具有重要的戰(zhàn)略意義[3]。近年來，玉米單產(chǎn)水平增長緩慢成為限制中國玉米產(chǎn)量進(jìn)一步提升的瓶頸。FAO 數(shù)據(jù)顯示，2021 年中國玉米單產(chǎn)6 291 kg/hm2，美國玉米單產(chǎn)11 110 kg/hm2，僅為美國單產(chǎn)的57%[4]。播種是玉米生產(chǎn)過程中的關(guān)鍵環(huán)節(jié)，播種質(zhì)量的好壞直接影響玉米的產(chǎn)量。目前生產(chǎn)中常用的精量播種技術(shù)是將種子均勻分布在田間，雖在一定程度上促進(jìn)了玉米增產(chǎn)，但這種“一視同仁”的播種方式忽略了玉米生長環(huán)境的差異性，難以深挖土壤的增產(chǎn)潛力，造成資源利用不充分。因此，為進(jìn)一步提高玉米單產(chǎn)水平，應(yīng)根據(jù)玉米生長環(huán)境信息，同時(shí)結(jié)合玉米栽培理論來“因地制宜”地投入種子量，即變量播種。

變量播種技術(shù)是一種依據(jù)土壤肥力、光照等環(huán)境因素的空間異質(zhì)性來調(diào)整作物播種量，從而實(shí)現(xiàn)作物生長環(huán)境與播種量合理精準(zhǔn)匹配的精細(xì)農(nóng)業(yè)技術(shù)[5]。隨著社會的快速發(fā)展和人口的持續(xù)增長，資源、環(huán)境和人口之間的矛盾愈發(fā)突出，如何利用有限的資源進(jìn)一步提高糧食產(chǎn)量，同時(shí)減少對環(huán)境的傷害是當(dāng)下農(nóng)業(yè)生產(chǎn)需要考慮的重要議題。變量播種與傳統(tǒng)播種相比，充分利用了作物生長環(huán)境時(shí)空分布不均的特性，因地制宜地調(diào)整播種參數(shù)，在進(jìn)一步提高糧食產(chǎn)量的同時(shí)，實(shí)現(xiàn)了資源利用率的提高和環(huán)境的可持續(xù)發(fā)展。Ag Leader 公司研究表明，采用變量播種技術(shù)可使玉米每公頃增產(chǎn)943 kg[6]，ZEMLICKA[7]調(diào)查發(fā)現(xiàn)變量播種不僅能夠使玉米每公頃增產(chǎn)925 kg，還可節(jié)約5%的良種，由此可見變量播種技術(shù)具有突出的節(jié)本增效特點(diǎn)，也因此成為國際國內(nèi)的研究熱點(diǎn)。分析國內(nèi)外玉米變量播種技術(shù)研究現(xiàn)狀，明確研究差距，對促進(jìn)國內(nèi)變量播種技術(shù)發(fā)展和玉米單產(chǎn)提升具有重要意義。因此，本文從土壤肥力指標(biāo)精確獲取技術(shù)、最佳播量決策技術(shù)以及播量精準(zhǔn)調(diào)控技術(shù)三方面對國內(nèi)外玉米變量播種技術(shù)展開綜述，并提出了未來中國在玉米變量播種領(lǐng)域的研究重點(diǎn)和發(fā)展建議。

1 發(fā)展概況

發(fā)達(dá)國家對變量播種技術(shù)的研究始于20 世紀(jì)80 年代，主要發(fā)展階段及關(guān)鍵技術(shù)或裝備如表1 所示[8-11]，先后經(jīng)歷了萌芽期、初始期、成長期與成熟期，先后開展了電驅(qū)排種技術(shù)、變速率控制技術(shù)、土壤養(yǎng)分動(dòng)態(tài)檢測技術(shù)、播量決策技術(shù)的研究。研制了多種電驅(qū)式精量排種器和變量播種控制系統(tǒng)，如Precision planting 公司的vDrive 排種器、Kinze 的Ture Rate 排種器，John Deere公司的SeedStarTM2 變量播種控制系統(tǒng)、Case IH 公司的先進(jìn)農(nóng)作系統(tǒng)（AFS）。普渡大學(xué)精準(zhǔn)農(nóng)業(yè)經(jīng)銷商調(diào)查報(bào)告顯示，2025 年美國變量播種技術(shù)在農(nóng)機(jī)經(jīng)銷商中的推廣比例預(yù)計(jì)達(dá)到73%[11]。與國外相比，國內(nèi)對于變量播種技術(shù)的研究仍處于初始期，主要集中在土壤養(yǎng)分動(dòng)態(tài)檢測、電驅(qū)排種等方面的研究。

表1 玉米變量播種技術(shù)的發(fā)展階段、特征與關(guān)鍵技術(shù)Table 1 Development stage,characteristics and key technologies of maize variable-rate seeding technology

變量播種技術(shù)按照實(shí)施過程可以分成土壤肥力指標(biāo)精確獲取技術(shù)、播量決策技術(shù)與播量精準(zhǔn)調(diào)控技術(shù)3 個(gè)部分。土壤肥力指標(biāo)精確獲取是利用近地傳感或遙感等手段快速檢測土壤有機(jī)質(zhì)、氮磷鉀、電導(dǎo)率等指標(biāo)，并采用空間插值方法將獲取的土壤點(diǎn)狀信息轉(zhuǎn)化為面狀信息，最后利用聚類算法將農(nóng)田土壤養(yǎng)分信息劃分為多個(gè)類別的過程。國外基于電流電壓四端法、電磁感應(yīng)技術(shù)與光譜分析技術(shù)開展了廣泛的土壤肥力指標(biāo)動(dòng)態(tài)檢測研究與裝備研制，實(shí)現(xiàn)了較高作業(yè)速度下的多種土壤屬性檢測。國內(nèi)對于土壤肥力指標(biāo)動(dòng)態(tài)測量的研究起步較晚，僅停留在研究階段未見有相應(yīng)動(dòng)態(tài)檢測設(shè)備進(jìn)入市場。播量決策是依據(jù)土壤肥力確定適宜的播種量。國外開展了基于管理區(qū)和基于模型的播量決策方法研究，且研發(fā)了多種播量決策平臺，而國內(nèi)對于播量決策方法的研究鮮有報(bào)道。播量精準(zhǔn)調(diào)控技術(shù)是利用變量播種裝備依據(jù)播量決策結(jié)果實(shí)現(xiàn)不同土壤肥力下的播種量精準(zhǔn)調(diào)節(jié)。國外研發(fā)了多種變量播種裝備且市場應(yīng)用比例逐年增加。國內(nèi)主要集中在電驅(qū)排種方面，對于變量播種裝備的研究較少。

2 土壤肥力指標(biāo)精確獲取技術(shù)

精確獲取與作物生長相關(guān)的土壤肥力指標(biāo)是實(shí)施變量播種的首要環(huán)節(jié)。獲取肥力指標(biāo)的精度、速度和密度是影響變量播種作業(yè)質(zhì)量和作業(yè)效率的重要因素。傳統(tǒng)的土壤取樣檢測方法具有效率低、耗時(shí)長、成本高等弊端，無法滿足變量播種作業(yè)所需的快速、精準(zhǔn)、高密度的檢測要求。另外，獲取的土壤肥力指標(biāo)屬于點(diǎn)狀信息，無法全面表達(dá)土壤屬性的空間分布特征，必須將其轉(zhuǎn)化為面狀信息并進(jìn)行分類后才能用于變量播種作業(yè)。因此，土壤肥力指標(biāo)動(dòng)態(tài)檢測和空間分布特征的精準(zhǔn)表達(dá)對于變量播種作業(yè)具有重要影響。

2.1 土壤肥力指標(biāo)快速檢測技術(shù)

2.1.1 基于近地傳感的土壤肥力指標(biāo)動(dòng)態(tài)檢測

氮、磷、鉀、有機(jī)質(zhì)（soil organic matter，SOM）與電導(dǎo)率（electrical conductivity，EC）是表征土壤肥力的重要指標(biāo)。土壤肥力指標(biāo)動(dòng)態(tài)檢測是指將傳感器搭載于拖拉機(jī)或其他農(nóng)用機(jī)械實(shí)現(xiàn)土壤肥力指標(biāo)快速、高密度獲取的方法。KWEON 等[12]利用光譜儀采集了86 個(gè)土壤樣品的光譜信息，采用逐步多元線性回歸和偏最小二乘法篩選得到用于土壤有機(jī)質(zhì)測量的特征波長分別為660和940 nm。開發(fā)了基于雙特征波長的土壤有機(jī)質(zhì)動(dòng)態(tài)檢測平臺。通過室內(nèi)試驗(yàn)探究了光學(xué)窗口與土壤樣品間距、土壤含水率對預(yù)測準(zhǔn)確度的影響，研究表明預(yù)測準(zhǔn)確度隨間距的增大而降低，土壤含水率小于10%對此傳感器的檢測無顯著影響。開展了作業(yè)速度10～15 km/h、采集頻率1 Hz 的田間動(dòng)態(tài)檢測試驗(yàn)，試驗(yàn)結(jié)果表明所有田塊土壤有機(jī)質(zhì)的相對分析誤差（residual prediction deviation，RPD）均大于2，模型具有良好的預(yù)測性能。KODAIRA等[13]研制了一種基于VIS-NIR 的土壤實(shí)時(shí)傳感器檢測系統(tǒng)，該檢測系統(tǒng)主要由觸摸屏、DGPS、犁鏟、鹵素?zé)?、傳感單元? 個(gè)分光光度計(jì)組成。利用該檢測系統(tǒng)建立了土壤有機(jī)質(zhì)、電導(dǎo)率、全氮、速效磷等指標(biāo)的預(yù)測模型，其中，有機(jī)質(zhì)預(yù)測模型的決定系數(shù)R2達(dá)到0.90，具有很高的預(yù)測精度。但該裝置作業(yè)速度較低（2 km/h）、結(jié)構(gòu)復(fù)雜。為消除天氣條件對土壤近地傳感的影響，RODIONOV 等[14]以光譜儀為核心搭建了一種基于可見光-近紅外的土壤有機(jī)碳（soil organic carbon，SOC）動(dòng)態(tài)采集裝置。該裝置主要由三點(diǎn)懸掛結(jié)構(gòu)、鎮(zhèn)壓輥、檢測箱、鹵素?zé)?、VIS-NIR 光譜儀（波長350～2 500 nm）、光纖等組成。在3 km/h 的采集速度下開展的田間采集試驗(yàn)結(jié)果表明，采用該裝置得到的SOC 的預(yù)測值與實(shí)際值之間的R2達(dá)到0.65，標(biāo)準(zhǔn)差為1.22 g/kg。此外，為補(bǔ)償土壤含水率和表面粗糙度對土壤有機(jī)碳（soil orgamic C，SOC）預(yù)測的影響，RODIONOV 建立了不同含水率和粗糙度下的SOC 預(yù)測模型，使得該檢測裝置在不同區(qū)域均可達(dá)到較高的檢測精度。MOUAZEN 等[15]研制了一種基于可見光-近紅外光譜儀（305～2 200 nm）的土壤多屬性動(dòng)態(tài)檢測平臺。采用偏最小二乘法建立了土壤有機(jī)碳、速效磷的預(yù)測模型。土壤有機(jī)碳預(yù)測模型的R2為0.73，RPD 為1.92；速效磷預(yù)測模型的R2為0.69，RPD 為1.80。在1.5 km/h 的作業(yè)速度下開展田間試驗(yàn)，結(jié)果表明基于土壤屬性檢測平臺得到的土壤屬性分布圖與實(shí)際取樣測量得到的分布圖具有高度相似性(土壤有機(jī)碳的標(biāo)準(zhǔn)差為0.208 g/kg，速效磷的標(biāo)準(zhǔn)差為1.463 g/kg)。CHRISTY等[16]研制了一種基于近紅外反射光譜的動(dòng)態(tài)土壤參數(shù)檢測裝置，該裝置由拖拉機(jī)牽引完成土壤動(dòng)態(tài)檢測，每秒鐘可采集20 個(gè)光譜，作業(yè)速度可達(dá)6 km/h。田間試驗(yàn)表明，該裝置對土壤有機(jī)質(zhì)的預(yù)測效果較好，預(yù)測模型的R2可達(dá)0.67，均方根誤差（root mean square error，RMSE）為0.52%。

除科研機(jī)構(gòu)外，國外農(nóng)機(jī)企業(yè)和精密儀器廠商也紛紛投入到土壤肥力指標(biāo)動(dòng)態(tài)檢測設(shè)備的研發(fā)當(dāng)中，推出了部分產(chǎn)品。Veris Technologies 公司研制的Veris 3 150型電導(dǎo)率檢測系統(tǒng)將開溝犁刀作為電極向土壤中發(fā)射電信號，電信號在土壤中產(chǎn)生電磁場，土壤在電磁場的作用下產(chǎn)生反饋電信號，電極接收電信號后，對電信號進(jìn)行處理得到電導(dǎo)率。Veris 3 150 檢測頻率為1 Hz，最高檢測速度可達(dá)25 km/h[17]。Geonics Limited 公司研發(fā)的基于電磁感應(yīng)原理的EM38-MK2 型電導(dǎo)率檢測儀主要由發(fā)射線圈和接收線圈組成，可實(shí)現(xiàn)電導(dǎo)率的非破壞測量。該儀器可以同時(shí)測量兩路不同深度的電導(dǎo)率，最大有效測量深度為1.5 m，電導(dǎo)率測量范圍為0～1 000 mS/m，在30 mS/m 下的測量誤差為5%[18]。Veris Technologies公司研制的OpticMapper 土壤有機(jī)質(zhì)/電導(dǎo)率檢測儀在“電流-電壓四端法”檢測電導(dǎo)率的基礎(chǔ)上配備了雙波長的光學(xué)傳感器，實(shí)現(xiàn)了土壤有機(jī)質(zhì)和電導(dǎo)率的同步檢測[19]。該檢測儀的測量頻率為1 Hz，測量速度可達(dá)20 km/h，測量深度為38～76 mm。Precison Planting 公司研制的SmartFimer 傳感器，可同時(shí)發(fā)射和接收X 射線、可見光、無線電波3 種光線，實(shí)現(xiàn)土壤有機(jī)質(zhì)、種溝溫度、作物殘茬量等信息的在線測量。SmartFirmer 小巧靈活，檢測速度可達(dá)10 km/h，可安裝于多種農(nóng)業(yè)機(jī)械實(shí)現(xiàn)變量作業(yè)[20]。

國內(nèi)對于車載式土壤肥力指標(biāo)動(dòng)態(tài)檢測的研究仍處于初級階段。楊瑋等[21]開發(fā)了一種基于數(shù)字示波器的車載式土壤電導(dǎo)率檢測系統(tǒng)，該檢測系統(tǒng)采用信號發(fā)生器代替恒流源，采用數(shù)字示波器代替電壓表，進(jìn)一步提高了測量精度。田間試驗(yàn)表明，在電極與土壤接觸良好的情況下，檢測值與真實(shí)值的R2可達(dá)到0.9。梁棟等[22]基于電流-電壓四端法設(shè)計(jì)了一種車載式土壤電導(dǎo)率檢測系統(tǒng)，該檢測系統(tǒng)主要由恒流信號源電路、信號處理電路、GPS、Veris3100 型電導(dǎo)率傳感器等組成，室內(nèi)和田間試驗(yàn)表明該檢測系統(tǒng)的動(dòng)態(tài)響應(yīng)時(shí)間為540 ms，系統(tǒng)檢測精度R2為0.734 2，最大作業(yè)速度為5 km/h。為補(bǔ)償土壤含水率、土壤粒度對土壤電導(dǎo)率檢測的影響，裴曉帥等[23-24]利用“電流-電壓四端法”結(jié)合近紅外光譜開發(fā)了土壤電導(dǎo)率與光譜參數(shù)復(fù)合測量系統(tǒng)，通過光譜數(shù)據(jù)補(bǔ)償土壤含水率與粒度對電導(dǎo)率測量結(jié)果的影響，提高了電導(dǎo)率的檢測精度。鐘翔君等[25]探究了土壤粒徑對有機(jī)質(zhì)含量預(yù)測的影響，結(jié)果表明平均光譜反射率與變異系數(shù)隨著粒徑的減小而增加，大于540 nm 時(shí)差異顯著，粒徑小于0.1 mm 的預(yù)測模型的精度最高，RPD 為2.00。周鵬等[26]基于近紅外漫反射設(shè)計(jì)了一種車載式土壤全氮檢測儀。在3.2 km/h 的作業(yè)速度下，該檢測儀檢測得到的土壤全氮值與實(shí)際值相關(guān)系數(shù)為0.918 2，檢測精度滿足變量播種作業(yè)的需求。

基于近地傳感的土壤肥力指標(biāo)動(dòng)態(tài)檢測技術(shù)總結(jié)，如表2 所示。土壤肥力指標(biāo)動(dòng)態(tài)檢測研究主要圍繞光譜分析技術(shù)、電磁感應(yīng)技術(shù)和電流-電壓四端法展開。其中，電磁感應(yīng)技術(shù)與電流-電壓四端法用于檢測土壤電導(dǎo)率，光譜分析技術(shù)主要應(yīng)用于土壤有機(jī)質(zhì)、氮磷鉀的檢測。此外，國外部分產(chǎn)品將光譜分析技術(shù)與電流-電壓四端法相結(jié)合實(shí)現(xiàn)了電導(dǎo)率、有機(jī)質(zhì)等指標(biāo)的同步檢測，提高了機(jī)具的利用效率。與國外相比，國內(nèi)在土壤有機(jī)質(zhì)、氮磷鉀等指標(biāo)的動(dòng)態(tài)檢測方面研究較少，目前仍然沒有上述指標(biāo)的動(dòng)態(tài)檢測裝備進(jìn)入市場。與基于光譜分析的設(shè)備相比，基于電磁感應(yīng)技術(shù)和電流-電壓四端法的電導(dǎo)率動(dòng)態(tài)檢測設(shè)備具有較高的檢測速度與精度。光譜信息易受到土壤含水率、表面平整度以及機(jī)械振動(dòng)等因素影響，因此研究不同含水率下的土壤肥力指標(biāo)預(yù)測模型和動(dòng)態(tài)檢測濾波算法是進(jìn)一步提高檢測精度的手段。另外，基于多傳感器融合的多指標(biāo)高精度協(xié)同檢測成為土壤肥力指標(biāo)動(dòng)態(tài)檢測的發(fā)展方向。

表2 基于近地傳感的土壤肥力指標(biāo)動(dòng)態(tài)檢測技術(shù)總結(jié)Table 2 Summary of dynamic detection technology of soil fertility indicators based on near-ground sensing

2.1.2 基于遙感的土壤肥力指標(biāo)檢測

高分辨率遙感設(shè)備的研發(fā)與應(yīng)用為土壤肥力指標(biāo)快速獲取開辟了新的道路。國內(nèi)外學(xué)者利用多光譜或高光譜設(shè)備通過人造衛(wèi)星、無人機(jī)等搭載平臺開展了廣泛的土壤肥力指標(biāo)反演研究。

特征波段的篩選和預(yù)測模型的構(gòu)建是影響基于多光譜或高光譜遙感反演的2 個(gè)重要方面。YU 等[27]提出了一種用于土壤屬性預(yù)測的 “先粗選后精選”的特征波長篩選策略，首先利用區(qū)間組合優(yōu)化算法（improvement of interval combination optimization algorithm，IICO）確定特征波長所在區(qū)間，然后采用差分進(jìn)化算法（differential evolutionary algorithm，DE）和連續(xù)投影算法（successive projections algorithm，SPA）均方根誤差最小的特征波長組合。與全波長建立的模型相比，利用篩選后的特征波長結(jié)合偏最小二乘法建立的土壤有機(jī)質(zhì)、全磷、全鉀預(yù)測模型具有更高的預(yù)測精度。鐘翔君等[28]分別采用競爭性自適應(yīng)重加權(quán)法（competitive adaptive reweighted sampling algorithm，CARS）、連續(xù)投影法（SPA）、競爭性自適應(yīng)重加權(quán)-連續(xù)投影（competitive adaptive reweighted sampling -successive projections algorithm，CARSSPA）、無信息變量消除法（uninformative variables elimination algorithm，UVE）等不同特征波長篩選算法結(jié)合偏最小二乘回歸建立了多個(gè)土壤有機(jī)質(zhì)預(yù)測模型，結(jié)果表明基于CARS-SPA 建立的模型效果最好（RPD=3.188）。李雪瑩等[29]對比了SPA、UVE、遺傳算法（genetic algorithm，GA）、相關(guān)系數(shù)法（correlation coefficient method，CC）4 種單一特征提取算法與基于加權(quán)投票法的多分類器融合算法對土壤養(yǎng)分含量（總碳、全氮、全磷）特征波長的提取效果，結(jié)果表明多分類融合算法所建模型的精度優(yōu)于單一算法，能夠以更少的特征波長得到更優(yōu)的模型預(yù)測精度。與傳統(tǒng)線性回歸算法相比，機(jī)器學(xué)習(xí)算法在構(gòu)建預(yù)測模型方面具有顯著優(yōu)勢[30-31]。楊越超等[32]分別采用偏最小二乘回歸和BP 神經(jīng)網(wǎng)絡(luò)建立了土壤全氮、速效磷、速效鉀的高光譜反演模型，與偏最小二乘回歸相比，BP 神經(jīng)網(wǎng)絡(luò)模型具有更高的預(yù)測精度。KHANAL 等[33]以機(jī)載多光譜設(shè)備采集的光譜數(shù)據(jù)和地面取樣數(shù)據(jù)為建模依據(jù)，分別利用線性回歸法（linear regression，LM）、隨機(jī)森林法（random forest，RF）、神經(jīng)網(wǎng)絡(luò)法（neural network，NN）、支持向量機(jī)（support vector machine，SVM）、梯度提升模型（gradient boosting model，GBM）、Cubist 模型建立了土壤有機(jī)質(zhì)、速效鉀等指標(biāo)的預(yù)測模型，驗(yàn)證結(jié)果表明，與LM 相比，機(jī)器學(xué)習(xí)算法具有更高的預(yù)測精度和穩(wěn)定性，NN 對土壤有機(jī)質(zhì)的預(yù)測精度較高（R2=0.67，RMSE=0.44），SVM對速效鉀的預(yù)測精度較高（R2=0.21，RMSE=0.49），同一算法下的預(yù)測模型難以實(shí)現(xiàn)對所有指標(biāo)的高精度預(yù)測。

為提高基于遙感的土壤肥力指標(biāo)反演精度，國內(nèi)外學(xué)者主要采取了結(jié)合景觀環(huán)境因子等輔助數(shù)據(jù)建模、利用多時(shí)相影像構(gòu)建預(yù)測模型、近地傳感與星地遙感相融合等方法。當(dāng)研究范圍從局域擴(kuò)展到區(qū)域時(shí)，地面覆蓋物、地形特征等因素影響土壤屬性的預(yù)測精度，通過將歸一化植被指數(shù)（normalized difference vegetation index，NDVI）、高程、坡度等景觀特征作為土壤屬性預(yù)測的輔助數(shù)據(jù)構(gòu)建預(yù)測模型提高了預(yù)測精度。KUMAR 等[34]將NDVI、高程、坡度和復(fù)合地形指數(shù)等8 個(gè)指標(biāo)作為土壤有機(jī)質(zhì)反演的輔助數(shù)據(jù)，利用回歸克里格法建立了用于不同土地類型的土壤有機(jī)質(zhì)預(yù)測模型，預(yù)測模型的RMSE 為0.196，具有良好的預(yù)測性能。利用多時(shí)相影像構(gòu)建預(yù)測模型是將多期影像作為模型構(gòu)建的數(shù)據(jù)，通過結(jié)合時(shí)相信息克服了單期影像信息表達(dá)不足的弊端，進(jìn)而提高了模型的預(yù)測精度[35-36]。近地傳感無法實(shí)現(xiàn)土壤屬性的大面積快速檢測而遙感易受到天氣、地面覆蓋物等因素影響，因此，采用近地傳感與遙感相結(jié)合的方法進(jìn)一步提高了土壤屬性的預(yù)測精度。針對單一傳感器難以實(shí)現(xiàn)土壤多屬性大面積的監(jiān)測，徐冬云[37]通過將可見光-近紅外光譜檢測、中紅外光譜檢測等近地傳感技術(shù)與高分一號、哨兵1 號等遙感數(shù)據(jù)相結(jié)合的方法，研究了近地傳感融合、星地傳感融合等多層次傳感融合方法對多種土壤屬性檢測精度的影響，研究表明，與基于單一遙感數(shù)據(jù)建立的預(yù)測模型相比，多層次傳感融合顯著提高了土壤肥力指標(biāo)的預(yù)測精度，土壤有機(jī)質(zhì)、速效氮、速效磷、速效鉀的均方根誤差分別降低了10.61%、15.29%、18.13%與15.09%。

從檢測指標(biāo)、模型構(gòu)建方法與預(yù)測精度3 個(gè)方面對基于遙感的土壤肥力指標(biāo)檢測研究進(jìn)行總結(jié)，如表3 所示?；谶b感的土壤肥力指標(biāo)檢測主要圍繞土壤有機(jī)質(zhì)與氮磷鉀開展，對于電導(dǎo)率的遙感預(yù)測研究較少。偏最小二乘法是應(yīng)用較多的模型構(gòu)建方法。與基于近地傳感相比，基于遙感的土壤肥力指標(biāo)檢測的精度普遍較低。遙感技術(shù)具有非接觸、面檢測的優(yōu)勢，可實(shí)現(xiàn)待作業(yè)區(qū)域土壤肥力指標(biāo)的快速整體獲取。但是，遙感易受到地面覆蓋物、研究尺度、天氣等的影響。將遙感技術(shù)與近地傳感相結(jié)合以提高檢測精度和檢測范圍的星地傳感融合檢測是土壤肥力指標(biāo)快速檢測技術(shù)另一發(fā)展趨勢[40]。

表3 基于遙感的土壤肥力指標(biāo)快速檢測技術(shù)總結(jié)Table 3 Summary of rapid detection technology of soil fertility indicators based on remote sensing

2.2 土壤肥力指標(biāo)空間分布精準(zhǔn)表達(dá)技術(shù)

2.2.1 土壤屬性空間插值方法

空間插值是指在已知部分采樣點(diǎn)信息的基礎(chǔ)上，建立屬性域和空間域的映射關(guān)系，得到能夠表征屬性空間分布特征的數(shù)學(xué)模型，進(jìn)而求得已知區(qū)域內(nèi)其他未知點(diǎn)的屬性值[41]。近地傳感得到的土壤肥力指標(biāo)信息屬于點(diǎn)狀信息，必須通過空間插值轉(zhuǎn)化為能夠表征土壤屬性空間分布特征的面狀信息才能進(jìn)一步的應(yīng)用。

在相同數(shù)量的已知樣本下，空間插值方法的選擇是影響插值精度的主要因素。目前常用的插值方法及其特征如表4 所示[42-47]。為探究不同插值方法的插值效果，國內(nèi)外研究學(xué)者開展了插值方法對比研究。ADDIS 等[48]為探究普通克里格法（ordinary kriging，OK）、反距離加權(quán)法（inverse distance weighting，IDW）、徑向基函數(shù)法（radial basis functions，RBF）在預(yù)測土壤質(zhì)地、pH、SOC 和速效磷（available phosphorus，AP）等指標(biāo)的性能差異，分別用以上3 種方法對采集的72 個(gè)樣本點(diǎn)進(jìn)行插值，采用交叉驗(yàn)證評估插值方法的性能，研究表明OK 法對SOC 和砂粒含量的預(yù)測精度更高，RBF 對AP和粘粒含量的預(yù)測精度更高，IDW 對pH 值的預(yù)測精度更高。MARIANO 等[49]提出了一種基于分位數(shù)回歸的隨機(jī)森林插值方法（quantile regression forest spatial interpolation，QRFI），并開展了與普通克里格法與反距離加權(quán)法的比較，結(jié)果表明QRFI 的預(yù)測誤差比其他插值方法低16%，該模型具有較優(yōu)的預(yù)測性能并且在處理大型數(shù)據(jù)時(shí)具有耗時(shí)短的優(yōu)點(diǎn)。徐英等[50]將貝葉斯最大熵法與貝葉斯人工神經(jīng)網(wǎng)絡(luò)法相結(jié)合提出了BMENN 法（Bayesian maximum entropy method combined with Bayesian neural networks），與貝葉斯人工神經(jīng)網(wǎng)絡(luò)法、普通克里格法進(jìn)行對比，結(jié)果表明BMENN 法具有更小的估計(jì)方差和平均絕對誤差。除插值方法外，取樣間隔也會影響插值精度。LIU 等[51]對同一采樣地點(diǎn)不同采樣間隔下（20、40、60 m）的土壤有機(jī)質(zhì)、速效氮、速效磷、速效鉀等進(jìn)行克里格插值，在3 種不同采樣間隔下隨機(jī)選取7 個(gè)采樣點(diǎn)，通過比較預(yù)測值與實(shí)測值來評估取樣間隔對土壤屬性插值精度的影響，結(jié)果表明，變異系數(shù)越大的指標(biāo)應(yīng)當(dāng)采取較小的取樣間隔，有機(jī)質(zhì)在60 m 間隔下的插值精度最高，速效氮磷鉀在20 m 間隔下的插值精度最高。

表4 常用土壤屬性空間插值方法Table 4 Commonly used soil attribute spatial interpolation methods

綜上，以克里格插值法為代表的傳統(tǒng)插值方法在實(shí)際應(yīng)用當(dāng)中仍然占主導(dǎo)，但基于機(jī)器學(xué)習(xí)的多種新型插值方法在預(yù)測精度方面具有顯著優(yōu)勢。為提高插值精度、獲取高精度屬性空間分布圖必須根據(jù)不同的土壤屬性選擇合適的取樣間隔和插值方法。

2.2.2 農(nóng)田管理區(qū)劃分方法

農(nóng)田管理區(qū)劃分是指根據(jù)產(chǎn)量限制因子的相似性將地塊劃分成不同子區(qū)域的過程，是進(jìn)行精準(zhǔn)決策的前提。農(nóng)田管理區(qū)劃分主要包括數(shù)據(jù)源的選擇和分區(qū)方法的選擇兩部分。隨著數(shù)據(jù)獲取技術(shù)的不斷發(fā)展，用于農(nóng)田管理區(qū)劃分的數(shù)據(jù)源從單一的土壤屬性數(shù)據(jù)逐漸擴(kuò)展為包括土壤屬性、地形、產(chǎn)量等在內(nèi)的多源數(shù)據(jù)。與單一數(shù)據(jù)相比，基于多源數(shù)據(jù)的農(nóng)田管理分區(qū)能夠更加真實(shí)的反映不同區(qū)域間的差異，從而可以根據(jù)差異性創(chuàng)建更加合理的管理策略，提高資源利用率。因此，基于多源數(shù)據(jù)的農(nóng)田管理分區(qū)逐漸成為主流。管理區(qū)劃分方法是影響分區(qū)效果的另一重要因素，目前常用的農(nóng)田管理區(qū)劃分方法及其特征如表5 所示[52-58]。

表5 常用農(nóng)田管理區(qū)劃分方法及其特征Table 5 Common methods of dividing farmland management areas and their characteristics

對于農(nóng)田管理區(qū)劃分的研究主要集中在分區(qū)方法的性能評估和分區(qū)數(shù)目的確定兩方面。WANG 等[59]以土壤有機(jī)質(zhì)、pH、全氮、堿解氮等6 種屬性為數(shù)據(jù)源，采用加權(quán)模糊聚類法對管理區(qū)進(jìn)行劃分，采用模糊性能指數(shù)和歸一化分類熵確定分區(qū)數(shù)目，對最終的3 個(gè)子區(qū)域進(jìn)行方差分析表明各分區(qū)之間具有顯著性差異，加權(quán)模糊聚類法具有良好的分區(qū)效果。GAVIOLI 等[60]在利用空間相關(guān)分析（spatial correlation analysis，SCA）、主成分分析（principal component analysis，PCA）和多元空間分析（multivariate spatial analysis based on Moran’s index PCA，MPCA）對構(gòu)建農(nóng)田管理區(qū)的數(shù)據(jù)源進(jìn)行篩選的基礎(chǔ)上，提出了空間自相關(guān)分析與多元空間分析耦合篩選數(shù)據(jù)源的方法（multivariate spatial analysis based on Moran’s index PCA -spatial correlation analysis，MPCASC），然后利用模糊c 均值聚類法對上述4 種方法篩選后的數(shù)據(jù)進(jìn)行分類，以方差減小量、模糊性能指數(shù)、修正分類熵、平滑指數(shù)等6 個(gè)指標(biāo)對分類結(jié)果進(jìn)行評價(jià)，結(jié)果表明數(shù)據(jù)源對于農(nóng)田管理區(qū)的劃分效果影響較大，經(jīng)過MPCA-SC 法篩選后的分類效果最好，極大地提高了管理區(qū)的質(zhì)量。GAVIOLI 等[61]以3 塊農(nóng)田的土壤質(zhì)地、高程、坡度、作物產(chǎn)量為原始數(shù)據(jù)源，用MPCA-SC法對原始數(shù)據(jù)進(jìn)行篩選，評估了k 均值聚類、模糊c 均值聚類、McQuitty 法、Fanny 法等17 種方法的聚類效果，結(jié)果表明McQuitty 法和Fanny 法最大程度的降低了3 塊農(nóng)田的產(chǎn)量方差，且區(qū)域內(nèi)部具有高度同質(zhì)性，分區(qū)效果最好。

傳統(tǒng)分區(qū)方法未考慮土壤屬性數(shù)據(jù)之間的空間相關(guān)性，易導(dǎo)致分區(qū)結(jié)果出現(xiàn)孤立的碎片，影響變量作業(yè)。針對基于網(wǎng)格采樣和空間插值來劃分管理區(qū)的方法存在時(shí)效差、成本高的弊端，劉煥軍等[62]以遙感影像反射率與土壤有機(jī)質(zhì)、含水率和氮元素的相關(guān)關(guān)系為依據(jù)，提出了利用遙感影像劃分農(nóng)田管理區(qū)的方法，并通過實(shí)測土壤屬性和作物生理參數(shù)評估了劃分結(jié)果，研究表明基于遙感影像劃分管理區(qū)的方法可滿足精準(zhǔn)農(nóng)業(yè)管理需要，提高了管理區(qū)劃分的時(shí)效性。為有效提取核心分區(qū)指標(biāo)并解決分區(qū)破碎，黃芬等[63]提出了基于指標(biāo)相關(guān)性聚類的無監(jiān)督過濾式指標(biāo)選擇方法（feature selection based on correlation clustering algorithm，F(xiàn)SCC）和基于一致性和完整性的指標(biāo)優(yōu)化方法（consistency and integrity optimization，CIO），與最大方差、拉普拉斯得分2 種傳統(tǒng)特征選擇方法進(jìn)行比較，結(jié)果表明采用FSCC 篩選指標(biāo)的分區(qū)結(jié)果更優(yōu)，CIO 在保持分區(qū)效果的前提下進(jìn)一步減少指標(biāo)，顯著減少了分區(qū)破碎。

綜上，k 均值聚類是當(dāng)前應(yīng)用最多的農(nóng)田管理區(qū)劃分方法；分區(qū)指標(biāo)對管理區(qū)的劃分具有顯著影響，通過優(yōu)化指標(biāo)選擇方法篩選合適數(shù)目的分區(qū)指標(biāo)可以有效的解決分區(qū)破碎的問題。

3 最佳播量決策技術(shù)

播量決策是變量播種過程中的核心環(huán)節(jié)，決策的合理與否直接影響變量播種作業(yè)效果。國外對于變量播種決策方法的研究相對較多，國內(nèi)鮮有報(bào)道。本節(jié)在闡述播量決策方法國內(nèi)外研究現(xiàn)狀的基礎(chǔ)上，分別提出了基于模糊推理、田間試驗(yàn)和機(jī)器學(xué)習(xí)的播量決策方法。

3.1 播量決策方法研究現(xiàn)狀

國外對于變量播種決策方法的研究可以分為基于農(nóng)田管理區(qū)的決策方法和基于模型的決策方法兩種?；谵r(nóng)田管理區(qū)的決策方法是在劃分農(nóng)田管理區(qū)的基礎(chǔ)上進(jìn)行播種量的確定，基于模型的決策方法是通過播種量試驗(yàn)建立土壤肥力與播種量的數(shù)學(xué)模型來確定最佳播種量[64]。

實(shí)施基于農(nóng)田管理區(qū)的決策方法首先需要完成農(nóng)田管理區(qū)的劃分，然后根據(jù)經(jīng)驗(yàn)法或試驗(yàn)法為每一個(gè)子區(qū)域確定適宜的播種量。經(jīng)驗(yàn)法完全依賴農(nóng)場經(jīng)營者的種植經(jīng)驗(yàn)，通常將中等肥力區(qū)域配置為常規(guī)播量，將高肥力區(qū)域配置為高于常規(guī)播量，將低肥力區(qū)域配置為低于常規(guī)播量，其他區(qū)域按照常規(guī)播量的百分比逐級確定，經(jīng)驗(yàn)法操作簡單，但是主觀性較強(qiáng)，風(fēng)險(xiǎn)性較高；試驗(yàn)法是在劃分管理區(qū)之后，在不同肥力區(qū)域布置條帶試驗(yàn)，依據(jù)條帶試驗(yàn)結(jié)果建立土壤肥力等級、播種量及產(chǎn)量的數(shù)學(xué)關(guān)系，以此為依據(jù)來確定各個(gè)區(qū)域的播種量，與經(jīng)驗(yàn)法相比，此種方法具有較高的可靠性，但由于需要設(shè)置條帶試驗(yàn)及分析數(shù)據(jù)，此種方法不易被農(nóng)民接受。MUNNAF 等[65]為探究變量播種的經(jīng)濟(jì)效益，以SOM、pH、速效磷、速效鉀、歸一化植被指數(shù)等8 種指標(biāo)為數(shù)據(jù)源，以k 均值聚類法為分區(qū)方法對兩塊試驗(yàn)田進(jìn)行管理區(qū)劃分，根據(jù)專家經(jīng)驗(yàn)，以“土壤肥力越高，播種量越大”為原則確定各子區(qū)域的播種量，然后根據(jù)播量處方圖在試驗(yàn)田進(jìn)行了定量播種和變量播種條帶試驗(yàn)，試驗(yàn)結(jié)果表明，變量播種與定量播種相比在作業(yè)成本和單位面積產(chǎn)量上具有顯著優(yōu)勢，2 塊試驗(yàn)田單位面積作業(yè)成本較定量播種分別降低2.5%、5.7%，單位面積產(chǎn)量分別提高4.6%、21.3%，單位面積凈收入分別增加5.8%和52.8%。H?RBE 等[66]采用劃分管理區(qū)的方法對巴西南部地區(qū)的玉米播種量進(jìn)行優(yōu)化，將試驗(yàn)田劃分為高產(chǎn)區(qū)、中產(chǎn)區(qū)和低產(chǎn)區(qū)3 個(gè)管理區(qū)，以播種量為試驗(yàn)因素在每個(gè)管理區(qū)內(nèi)進(jìn)行隨機(jī)區(qū)組試驗(yàn)。播種量以10 000 粒/hm2為梯度，從50 000 粒/hm2增加至90 000 粒/hm2，其中，70 000 粒/hm2是常規(guī)播種量。試驗(yàn)結(jié)果表明使得低產(chǎn)田獲得最高產(chǎn)量的適宜播量應(yīng)在常規(guī)播量的基礎(chǔ)上減少31%，與常規(guī)播量相比，單位面積產(chǎn)量提高1.5 t/hm2；使得高產(chǎn)田獲得最高產(chǎn)量的適宜播量應(yīng)在常規(guī)播量的基礎(chǔ)上增加13%，與常規(guī)播量相比，單位面積產(chǎn)量提高了0.9 t/hm2?；谵r(nóng)田管理區(qū)的播量決策方法具有較強(qiáng)的通用性，但是這種決策方法需要在播種作業(yè)之前對待播區(qū)的土壤養(yǎng)分進(jìn)行檢測，耗時(shí)長、成本高，并且無法得到區(qū)域最佳播種量。

為克服基于農(nóng)田管理區(qū)決策方法的盲目性，實(shí)現(xiàn)播種量的精確決策，開展了基于模型的決策方法研究。為探究不同產(chǎn)量水平條件下玉米產(chǎn)量隨播種量的變化規(guī)律，DuPont Pioneer 種子公司進(jìn)行了長期的玉米播量試驗(yàn)，在同一產(chǎn)量水平的地塊下，玉米產(chǎn)量隨播種量的增加呈現(xiàn)先增加后降低的二次函數(shù)關(guān)系，存在最佳播種量使得產(chǎn)量達(dá)到最大值[67]，除此之外，國外許多探究玉米產(chǎn)量隨播量變化趨勢的研究也得到了類似的結(jié)果[68-70]；在同一產(chǎn)量水平的地塊下，不同玉米品種具有不同的最佳播量；隨著產(chǎn)量水平的增加，使得產(chǎn)量最大化的最佳播種量也逐漸增加，并與產(chǎn)量水平之間呈線性增加關(guān)系。

以上研究證明按照“土壤肥力越高，適宜播種量越大”的原則進(jìn)行播種量的確定可達(dá)到增加產(chǎn)量的目的。但是僅對最佳播量隨產(chǎn)量水平的變化規(guī)律進(jìn)行初步的定性研究仍無法實(shí)現(xiàn)播量的精確決策，必須進(jìn)行土壤生產(chǎn)力與最佳播量的定量分析。LICHT 等[71]為利用土壤和地形參數(shù)優(yōu)化玉米播種量，實(shí)現(xiàn)產(chǎn)量的進(jìn)一步提高，在3個(gè)試驗(yàn)地點(diǎn)按照5 種不同的播種量連續(xù)開展了3 年的播量試驗(yàn)，并且建立了土壤屬性、地形特征、播種量與玉米產(chǎn)量之間的數(shù)學(xué)模型，通過數(shù)學(xué)模型對不同地點(diǎn)不同年份的最佳播量進(jìn)行預(yù)測，最終僅實(shí)現(xiàn)了對一個(gè)地點(diǎn)3個(gè)不同年份的播量優(yōu)化。傳統(tǒng)多項(xiàng)式回歸方法并不能很好的解釋變量與產(chǎn)量之間的關(guān)系，另外播量試驗(yàn)方案中不斷更換試驗(yàn)品種可能是導(dǎo)致決策模型準(zhǔn)確度較差的重要原因。美國Climate 公司利用82 萬個(gè)試驗(yàn)地點(diǎn)的數(shù)據(jù)建立了玉米最佳播種量決策模型，并以此為核心研發(fā)了FieldView 處方圖決策平臺[72]，該平臺可與John Deere、Echelon 等10 余家農(nóng)業(yè)或農(nóng)機(jī)公司合作共享土壤屬性、地形特征、產(chǎn)量等數(shù)據(jù)，為播種量的決策提供了強(qiáng)大的數(shù)據(jù)支持。基于模型的決策方法可實(shí)現(xiàn)最佳播量的精確決策，最大限度的挖掘土壤生產(chǎn)潛力，但是建立模型需要進(jìn)行長期的田間試驗(yàn)，并且特定地點(diǎn)的決策模型只能應(yīng)用于氣候條件相近的區(qū)域，無法滿足所有區(qū)域的最佳播量決策需求。

與國外相比，國內(nèi)對基于土壤肥力的玉米播量決策的相關(guān)研究較少，主要集中在探究種植密度對玉米產(chǎn)量的影響方面[73-74]。李娜[75]為探究種植密度對玉米生長發(fā)育和產(chǎn)量的影響，以龍育828、德美亞3 號等7 種玉米為試驗(yàn)材料，進(jìn)行了以60 000、7 000、80 000、90 000 株/hm24 個(gè)種植密度田間試驗(yàn)，試驗(yàn)結(jié)果表明，隨著種植密度的增加，空桿率和倒伏率增加，單株產(chǎn)量線性遞減，群體產(chǎn)量均呈現(xiàn)先增加后減小的趨勢，存在較優(yōu)種植密度使產(chǎn)量保持在較高水平。趙霞等[76]以鄭單958 等4 種玉米為試驗(yàn)材料在6 個(gè)不同的試驗(yàn)地點(diǎn)進(jìn)行了5 種不同密度的田間試驗(yàn)，試驗(yàn)結(jié)果表明，4 種玉米種植密度與產(chǎn)量間呈開口向下的拋物線形式，同一種植密度不同試驗(yàn)地點(diǎn)間玉米產(chǎn)量差異顯著，生態(tài)環(huán)境對玉米適宜密度的影響很大。

3.2 變量播種決策方法

3.2.1 基于模糊推理的決策方法

根據(jù)當(dāng)前國內(nèi)播量決策方法的研究現(xiàn)狀，利用田間試驗(yàn)的方法進(jìn)行播量決策研究無法在短時(shí)間內(nèi)建立播量決策模型，因此根據(jù)目前已有的農(nóng)學(xué)知識和專家經(jīng)驗(yàn)提出基于模糊推理的決策方法。

模糊推理系統(tǒng)主要由模糊化接口、數(shù)據(jù)庫、規(guī)則庫、推理機(jī)和解模糊接口組成，模糊推理的過程主要包括精確值的模糊化、基于規(guī)則的模糊推理和去模糊化3 個(gè)過程[77-79]?；谀：评淼牟チ繘Q策過程如圖1 所示，首先根據(jù)相關(guān)研究結(jié)論、專業(yè)書籍確定決策依據(jù)和規(guī)則，選取玉米品種、土壤有機(jī)質(zhì)、土壤質(zhì)地作為輸入量，播種量作為輸出量。平展型玉米適宜稀植，緊湊型玉米適宜密植；有機(jī)質(zhì)高的土壤適合密植，反之則宜稀植；壤土宜密植，黏土宜稀植[80]。然后依據(jù)專家經(jīng)驗(yàn)對上述輸入和輸出參數(shù)進(jìn)行語言變量的定義，將玉米品種定義為緊湊型（compact）、平展型（flat）2 種；有機(jī)質(zhì)含量（SOM）分為極低（VL）、低（L）、中（M）、高（H）、極高（VH）；土壤質(zhì)地（ST）分為砂土（sand）、壤土（loam）、黏土（clay）；決策播量（Qd）分為極低、低、中、高、極高；定義語言變量后選擇隸屬度函數(shù)，一般選擇計(jì)算效率較高的三角形隸屬函數(shù)。根據(jù)專家經(jīng)驗(yàn)建立模糊推理規(guī)則，采用Mamdani 推理算法進(jìn)行推理，采用中心平均法進(jìn)行解模糊，得到最終的適宜播量。

圖1 基于模糊推理的播量決策系統(tǒng)Fig.1 Seeding rate decision system based on fuzzy inference

3.2.2 基于田間試驗(yàn)的決策方法

基于模糊推理的決策方法雖然簡單可靠，但無法得到最佳播量且易受主觀因素的影響，要得到最佳播量必須建立播量決策模型，因此，提出了基于田間試驗(yàn)的決策方法，為今后進(jìn)行播量決策試驗(yàn)提供參考。

播量決策試驗(yàn)的基本思路為利用施加有機(jī)肥的方法在養(yǎng)分含量較低且分布較均勻的試驗(yàn)田人工構(gòu)造多個(gè)不同梯度的肥力區(qū)域，在各個(gè)肥力梯度下開展不同種植密度的田間試驗(yàn)。播量決策試驗(yàn)方案可分為試驗(yàn)地點(diǎn)的選取、基礎(chǔ)養(yǎng)分調(diào)查、施肥小區(qū)的劃分、試驗(yàn)田的整備、施肥后養(yǎng)分調(diào)查、人工播種、播種小區(qū)的劃分、收獲測產(chǎn)等環(huán)節(jié)，如圖2 所示。首先在玉米主產(chǎn)區(qū)選取具有典型氣候特征的試驗(yàn)地，在可操作的范圍內(nèi)盡可能選取地形平坦、肥力較低、養(yǎng)分分布相對均勻、面積較大的試驗(yàn)田進(jìn)行試驗(yàn)；對試驗(yàn)田的基礎(chǔ)養(yǎng)分（土壤有機(jī)質(zhì)、堿解氮、速效磷、速效鉀等）進(jìn)行取樣調(diào)查并繪制養(yǎng)分分布圖，考察試驗(yàn)田養(yǎng)分分布情況；根據(jù)試驗(yàn)地塊的基礎(chǔ)養(yǎng)分分布情況和預(yù)先設(shè)置的肥力梯度合理劃分施肥小區(qū)并進(jìn)行人工撒肥和旋耕掩埋；對施肥后的試驗(yàn)田進(jìn)行取樣調(diào)查、繪制肥力分布圖并劃分肥力等級，確定不同肥力等級的試驗(yàn)區(qū)域；在不同肥力等級的區(qū)域劃分播種小區(qū)并進(jìn)行人工播種；調(diào)查玉米出苗率并進(jìn)行適時(shí)的補(bǔ)苗和間苗，調(diào)查實(shí)際的玉米種植密度；玉米生理成熟后，按照播種小區(qū)的面積選取合適的行數(shù)進(jìn)行測產(chǎn)。

圖2 播量決策田間試驗(yàn)設(shè)計(jì)Fig.2 Design of field experiment for seeding rate decision

通過長期的播量決策試驗(yàn)得到土壤肥力等級、玉米種植密度及產(chǎn)量數(shù)據(jù)，采用數(shù)理統(tǒng)計(jì)方法建立三者之間的數(shù)學(xué)模型，實(shí)現(xiàn)播種量的精確決策。

3.2.3 基于機(jī)器學(xué)習(xí)的決策方法

基于田間試驗(yàn)的決策方法需要進(jìn)行長期的播種量試驗(yàn)，影響因素多，決策制定周期長，短時(shí)間內(nèi)無法得到較為準(zhǔn)確的播量決策模型。為克服上述問題，提出了基于機(jī)器學(xué)習(xí)的決策方法，充分利用目前已有研究成果和機(jī)器學(xué)習(xí)算法構(gòu)建播量決策模型。

該播量決策方法的研究思路如圖3 所示，選取推廣應(yīng)用較多的玉米品種作為研究材料，利用文獻(xiàn)檢索平臺對目前已發(fā)表的玉米播種量相關(guān)研究進(jìn)行檢索，從已發(fā)表文獻(xiàn)中摘錄試驗(yàn)地點(diǎn)、試驗(yàn)時(shí)間、玉米品種、試驗(yàn)地耕層土壤有機(jī)質(zhì)含量、生育期內(nèi)降水量、生育期內(nèi)光照時(shí)數(shù)、生育期內(nèi)積溫、氮肥施用量、磷肥施用量、鉀肥施用量、播種量及產(chǎn)量數(shù)據(jù)，作為構(gòu)建玉米產(chǎn)量預(yù)測模型的數(shù)據(jù)。將試驗(yàn)數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測試集并設(shè)計(jì)數(shù)據(jù)增強(qiáng)方法，制備用于訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的高質(zhì)量數(shù)據(jù)，以光照時(shí)數(shù)、積溫、降水量、土壤有機(jī)質(zhì)、施肥量、播種量為模型輸入，以產(chǎn)量為模型的輸出構(gòu)造基于環(huán)境因子的玉米產(chǎn)量預(yù)測模型[81-83]，將土壤有機(jī)質(zhì)作為產(chǎn)量預(yù)測模型的輸入變量之一使得模擬作物潛在產(chǎn)量對土壤有機(jī)質(zhì)含量的響應(yīng)成為可能?；诖四Ｐ瓦M(jìn)一步探究不同土壤有機(jī)質(zhì)下玉米產(chǎn)量隨播量的變化規(guī)律。將光照時(shí)數(shù)、積溫、降水、施肥量根據(jù)實(shí)際情況設(shè)置為適宜的數(shù)值，通過設(shè)置一系列土壤有機(jī)質(zhì)梯度和播種量梯度，利用玉米產(chǎn)量預(yù)測模型模擬不同有機(jī)質(zhì)和播種量下的玉米籽粒產(chǎn)量變化規(guī)律，對有機(jī)質(zhì)、播量和預(yù)測產(chǎn)量數(shù)據(jù)進(jìn)行回歸分析建立有機(jī)質(zhì)-播種量-產(chǎn)量數(shù)學(xué)關(guān)系，從而得到最佳播種量決策模型，實(shí)現(xiàn)基于土壤有機(jī)質(zhì)的玉米播種量決策。

圖3 基于機(jī)器學(xué)習(xí)的播量決策模型構(gòu)建Fig.3 Construction of the decision model of seeding rate based on machine learning

4 播量精準(zhǔn)調(diào)控技術(shù)

依據(jù)作業(yè)區(qū)域進(jìn)行播量的精準(zhǔn)調(diào)控是實(shí)施變量播種的最終環(huán)節(jié)，播量調(diào)控效果直接決定播種作業(yè)質(zhì)量。為實(shí)現(xiàn)播種作業(yè)過程中實(shí)時(shí)快速精準(zhǔn)的播量調(diào)控，國內(nèi)外科研機(jī)構(gòu)和農(nóng)機(jī)企業(yè)開展了對變量播種控制系統(tǒng)的研究。本節(jié)在闡述國內(nèi)外變量播種控制系統(tǒng)研究現(xiàn)狀的基礎(chǔ)上，對播量調(diào)控過程中存在的目標(biāo)播量調(diào)整位置與實(shí)際調(diào)整位置不一致的問題及補(bǔ)償算法進(jìn)行總結(jié)和分析。

4.1 變量播種控制系統(tǒng)

變量播種控制系統(tǒng)是實(shí)施播量精準(zhǔn)調(diào)控的載體，主要由人機(jī)交互界面、控制器、衛(wèi)星定位系統(tǒng)、通訊單元以及能夠?qū)崿F(xiàn)株距實(shí)時(shí)精準(zhǔn)獨(dú)立調(diào)節(jié)的播種單體組成。美國Precison Planting 公司基于20/20 SeedSense 控制器開發(fā)了變量播種控制系統(tǒng)。20/20 SeedSense 控制器通過接收GPS 信號獲得播種單體的位置，通過FieldView 軟件讀取和查詢對應(yīng)位置的播種量，利用CAN 通訊將播種量下達(dá)給單體控制器，控制排種器驅(qū)動(dòng)電機(jī)實(shí)現(xiàn)播量的調(diào)節(jié)。該控制系統(tǒng)采用單體控制器實(shí)現(xiàn)對播種單體各單元的控制，采用CAN 通訊的方式實(shí)現(xiàn)播種行數(shù)的靈活拓展。該系統(tǒng)除可實(shí)現(xiàn)基于處方圖的變量播種以外，將WaveVision 傳感器、DeltaForce 傳感器、SmartFirmer 傳感器與單體控制器相連可分別實(shí)現(xiàn)播種質(zhì)量檢測、播種下壓力檢測以及基于傳感器的變量播種[84-85]。美國John Deere 公司生產(chǎn)的SeedStar?2 播種控制系統(tǒng)[86]采用GPS、雷達(dá)和光電傳感器3 種測速方式，光電傳感器用來校準(zhǔn)雷達(dá)或GPS 的速度信息，當(dāng)GPS 或雷達(dá)信息丟失后可短時(shí)間內(nèi)維持系統(tǒng)正常作業(yè)。此外，該控制系統(tǒng)采用液壓馬達(dá)驅(qū)動(dòng)排種器，采用轉(zhuǎn)速傳感器檢測馬達(dá)轉(zhuǎn)速并實(shí)時(shí)反饋給主控制器，實(shí)現(xiàn)液壓馬達(dá)的閉環(huán)控制。

除以上農(nóng)機(jī)領(lǐng)航企業(yè)所研制的整套變量播種控制系統(tǒng)外，國外其他農(nóng)業(yè)相關(guān)企業(yè)也紛紛涉足變量播種控制領(lǐng)域，研制變量播種控制系統(tǒng)的核心—控制器，提高市場競爭力。該類產(chǎn)品普遍具有較強(qiáng)通用性，與不同機(jī)具配套使用，可完成多種農(nóng)田作業(yè)，對上述變量播種控制產(chǎn)品進(jìn)行總結(jié)，如表6 所示。

表6 國外企業(yè)研發(fā)的變量播種控制相關(guān)產(chǎn)品Table 6 Variable-rate seeding control related products developed by foreign companies

中國對智能播種作業(yè)裝備的研發(fā)起步較晚，對變量作業(yè)所需的播量決策技術(shù)、處方圖構(gòu)建技術(shù)等核心技術(shù)涉及甚少，主要集中在電驅(qū)精量播種控制系統(tǒng)的研究。國內(nèi)主要從作業(yè)速度檢測、排種器驅(qū)動(dòng)方式以及控制系統(tǒng)架構(gòu)優(yōu)化等方面對電驅(qū)播種控制系統(tǒng)展開研究[92-97]。作業(yè)速度檢測是電驅(qū)排種系統(tǒng)中的重要環(huán)節(jié)，對國內(nèi)電驅(qū)排種系統(tǒng)的測速方式進(jìn)行總結(jié)，如表7 所示。電驅(qū)排種系統(tǒng)的測速方式主要包括霍爾傳感器測速、編碼器測速、雷達(dá)測速以及采用衛(wèi)星定位系統(tǒng)測速4 種方式。其中，采用將霍爾傳感器或編碼器安裝于地輪或拖拉機(jī)從動(dòng)輪測速的方式易受到地輪打滑的影響導(dǎo)致播種質(zhì)量變差。和賢桃[94]設(shè)計(jì)了一種電驅(qū)氣力式精量排種控制系統(tǒng)，與其他研究不同，該控制系統(tǒng)可通過觸摸屏輸入作業(yè)時(shí)的滑移率，利用算法對測量速度進(jìn)行補(bǔ)償，從而消除地輪打滑對作業(yè)速度檢測的影響，提高了高速作業(yè)下的播種質(zhì)量，此外，研究發(fā)現(xiàn)步進(jìn)電機(jī)在高速作業(yè)下轉(zhuǎn)矩?fù)p失較大，易導(dǎo)致播種質(zhì)量變差。將滑移率納入測速模型雖然提高了測速精度，但是每次作業(yè)前需要對作業(yè)地塊的滑移率進(jìn)行測量，增加了測速成本。為解決以上問題，國內(nèi)學(xué)者研發(fā)了以雷達(dá)、GPS 和北斗導(dǎo)航系統(tǒng)為測速單元、以STM32 單片機(jī)為控制核心、以無刷直流電機(jī)或液壓馬達(dá)為驅(qū)動(dòng)源的電驅(qū)排種系統(tǒng)。雷達(dá)、GPS 和北斗導(dǎo)航系統(tǒng)與地輪不接觸，避免了地輪打滑對作業(yè)速度測量造成的影響，同時(shí)采用電機(jī)或液壓馬達(dá)驅(qū)動(dòng)排種器避免了地輪打滑、鏈條振動(dòng)對排種質(zhì)量的影響，提高了排種粒距均勻性。

表7 電驅(qū)排種系統(tǒng)的測速方式對比Table 7 Comparison of speed measurement methods of electricdriven metering system

HE 等[100-102]在電驅(qū)式玉米精量排種控制系統(tǒng)的基礎(chǔ)上，提出了基于Android 的處方圖構(gòu)建方法，建立了變量播種控制系統(tǒng)決策模型，設(shè)計(jì)了基于處方圖的變量播種控制系統(tǒng)。該控制系統(tǒng)通過GPS 檢測作業(yè)速度、作業(yè)位置、航向角等信息，并將其傳輸至通訊控制器進(jìn)行數(shù)據(jù)解析，通訊控制器將解析后的信息傳輸至搭載了變量播種APP 的Android 平板，APP 利用拖拉機(jī)的作業(yè)狀態(tài)信息和播種單體定位模型計(jì)算得到各播種單體的地理坐標(biāo)，然后根據(jù)坐標(biāo)信息在處方圖中查詢和讀取對應(yīng)坐標(biāo)下的播種量，結(jié)合播量-轉(zhuǎn)速模型，計(jì)算得到各播種單體的電機(jī)轉(zhuǎn)速并將其傳輸至通訊控制器，控制器通過CAN總線將各單體轉(zhuǎn)速信息傳輸至電機(jī)驅(qū)動(dòng)器，電機(jī)按照指定轉(zhuǎn)速帶動(dòng)排種器排種，完成變量播種作業(yè)。同時(shí)，為減小播種距離滯后問題對變量播種作業(yè)質(zhì)量的影響，提出了播種距離滯后補(bǔ)償算法。田間試驗(yàn)表明，在作業(yè)速度10 km/h、株距為14 cm 的條件下，該變量播種控制系統(tǒng)的平均播種量精度為99.6%，平均播種量變異系數(shù)為0.29。開啟播種距離滯后補(bǔ)償后，滯后距離由未開啟的1.7 m 減少至0.57 m，效果顯著。

4.2 播種滯后補(bǔ)償算法

變量播種作業(yè)過程中存在播種量實(shí)際調(diào)整位置滯后目標(biāo)調(diào)整位置的問題，目標(biāo)調(diào)整位置與實(shí)際調(diào)整位置之間的距離被稱為滯后距離。上述播種滯后距離產(chǎn)生的原因是從獲取播種機(jī)作業(yè)位置、查詢并讀取播種量、發(fā)送播種量至電驅(qū)式播種機(jī)單體、電機(jī)轉(zhuǎn)速改變實(shí)現(xiàn)播種量調(diào)整的過程需要一定的時(shí)間，而播種機(jī)是動(dòng)態(tài)作業(yè)，因此會導(dǎo)致當(dāng)播種機(jī)完成播量調(diào)整時(shí)已經(jīng)離開了目標(biāo)調(diào)整位置，且在高速作業(yè)下，該問題對變量作業(yè)效果的影響尤為突出。

為縮小或消除變量播種作業(yè)過程中播種量目標(biāo)調(diào)整位置與實(shí)際調(diào)整位置之間的距離，提高變量作業(yè)的精度，研究學(xué)者提出了播種滯后補(bǔ)償算法。HE 等[100-103]利用GPS 和播種機(jī)的結(jié)構(gòu)尺寸建立了播種單體定位模型，利用該定位模型可得到播種單體精確位置。為消除滯后距離對變量播種作業(yè)質(zhì)量的影響，將播種單體的定位位置沿前進(jìn)方向補(bǔ)償距離s，并通過播種單體定位模型求得補(bǔ)償后的各單體坐標(biāo)，根據(jù)此坐標(biāo)從處方圖獲取對應(yīng)播種量，便可實(shí)現(xiàn)目標(biāo)調(diào)整位置和實(shí)際調(diào)整位置的重合，田間試驗(yàn)表明采用滯后補(bǔ)償算法后播種滯后距離最大可減少1.95 m，效果顯著。

播種滯后補(bǔ)償算法的本質(zhì)是通過對系統(tǒng)響應(yīng)時(shí)間和作業(yè)速度的測量來實(shí)現(xiàn)目標(biāo)調(diào)整位置和實(shí)際調(diào)整位置的動(dòng)態(tài)匹配。提高系統(tǒng)響應(yīng)時(shí)間和作業(yè)速度的測量精度可進(jìn)一步優(yōu)化補(bǔ)償效果，提高變量作業(yè)質(zhì)量。

5 結(jié)論與建議

5.1 結(jié)論

對支撐變量播種技術(shù)的土壤肥力指標(biāo)精確獲取技術(shù)、最佳播量決策技術(shù)和播量精準(zhǔn)調(diào)控技術(shù)的發(fā)展現(xiàn)狀進(jìn)行總結(jié)分析，可得到以下結(jié)論：

1）在土壤肥力指標(biāo)快速檢測方面，國外基于電磁感應(yīng)技術(shù)、電流-電壓四端法、光譜分析技術(shù)探索了多種土壤指標(biāo)的檢測方法并研發(fā)了多種動(dòng)態(tài)檢測設(shè)備；國內(nèi)目前仍停留在對土壤肥力指標(biāo)原位動(dòng)態(tài)檢測的理論研究階段，能夠?qū)崿F(xiàn)動(dòng)態(tài)檢測的相關(guān)設(shè)備較少。未來將呈現(xiàn)基于近地傳感的機(jī)載式原位動(dòng)態(tài)檢測為主、基于遙感的廣域快速檢測為輔、基于星地多源信息融合的高精度檢測協(xié)同發(fā)展的趨勢。

2）在土壤肥力指標(biāo)空間分布精準(zhǔn)表達(dá)方面，主要集中在不同方法對插值或分類質(zhì)量的影響，基于地統(tǒng)計(jì)學(xué)的克里格法和k 均值聚類法分別是研究和應(yīng)用最多的土壤屬性空間插值方法和農(nóng)田管理區(qū)劃分方法。對于土壤屬性空間插值，根據(jù)不同的土壤屬性選擇合適的插值方法是獲取高精度土壤屬性分布圖的有效途徑；對于農(nóng)田管理區(qū)的劃分，對原始數(shù)據(jù)源進(jìn)行篩選消除數(shù)據(jù)之間的相關(guān)性是提高分區(qū)精度的重要前提。

3）在最佳播量決策方面，國外開展了廣泛的基于農(nóng)田管理區(qū)和基于模型的播量決策方法研究；國內(nèi)目前對播量決策的研究很少，開展的播量決策試驗(yàn)也較少，對于玉米播量的調(diào)整仍依據(jù)傳統(tǒng)的農(nóng)學(xué)經(jīng)驗(yàn)，缺乏精確決策的手段。

4）在播量精準(zhǔn)調(diào)控方面，國外憑借技術(shù)優(yōu)勢研制了多種不同架構(gòu)的變量播種控制系統(tǒng)并投入市場，得到一定規(guī)模的應(yīng)用；國內(nèi)目前主要從作業(yè)速度檢測、排種器驅(qū)動(dòng)方式和控制系統(tǒng)架構(gòu)優(yōu)化等方面進(jìn)行電驅(qū)播種控制系統(tǒng)的研究，還未涉及變量播種核心技術(shù)。

5.2 建 議

為縮小國內(nèi)與國外在玉米變量播種技術(shù)上的差距，研發(fā)符合中國國情的變量播種裝備，實(shí)現(xiàn)玉米單產(chǎn)的進(jìn)一步提升，應(yīng)加快對土壤肥力指標(biāo)原位動(dòng)態(tài)檢測方法及裝備的研究，實(shí)現(xiàn)土壤肥力指標(biāo)的精準(zhǔn)快速高密度獲取，為變量作業(yè)提供豐富且精確的土壤屬性信息；應(yīng)著重對變量播種決策技術(shù)進(jìn)行研究，開展廣泛的基于土壤屬性的玉米播量決策試驗(yàn)，建立試驗(yàn)數(shù)據(jù)查詢平臺，為構(gòu)建基于土壤屬性的播量決策模型提供數(shù)據(jù)支撐；應(yīng)加強(qiáng)對玉米精量排種器、電驅(qū)式排種控制系統(tǒng)的深入研究，特別是對作業(yè)速度高精度檢測方法和無刷電機(jī)高精度控制算法的研究，研制具備高排種質(zhì)量、高響應(yīng)速度的玉米精量播種單體，為變量播種作業(yè)提供堅(jiān)實(shí)基礎(chǔ)。