Research progress of intelligent agricultural machinery and practice of unmanned farm in China
-
摘要:
智慧农业是现代农业的高级形式，无人农场是实现智慧农业的重要途径，智能农机是无人农场的物质支撑。本文以植物生产为例，介绍了智能农机的智能感知、自动导航、精准作业和智慧管理4项功能在智慧农业中的地位和关键技术的研究进展；介绍了华南农业大学集成相关智能农机创建水稻无人农场的实践和无人农场的5个特点，包括耕种管收生产环节全覆盖、机库田间转移作业全自动、自动避障异况停车保安全、作物生产过程实时全监控和智能决策精准作业全无人。在2020年的中稻和2021年的早稻生产中，水稻无人农场的稻谷产量均高于当地的平均产量，表明了其巨大的发展潜力。无人农场的建设为解决“谁来种田”和“如何种田”的问题提供了重要途径。
Abstract:Smart agriculture is an advanced form of modern agriculture. Unmanned farm is an important way to realize smart agriculture, and intelligent agricultural machinery is the material support for unmanned farm. Took plant production of intelligent agricultural machinery in smart agriculture as an example, this paper introduced the research progress of status and key technology of four functions of intelligent agricultural machinery, including intelligent information sensing, automatic navigation, precision operation and smart management. South China Agricultural University integrated the intelligent agricultural machinery of rice production and built the unmanned rice farm. The five characteristics of unmanned rice farm are summarized as follows: 1) All production processes, including cultivation, planting, management and harvesting are unmanned; 2) Transfer between hangar and field, and operation are full-automation; 3) Avoiding obstacle and parking automatically at abnormal condition ensure the safety; 4) Real-time monitoring of all production process; 5) Unmanned intelligent decision-making and precision operation. In the production of medium rice in 2020 and early rice in 2021, the yield of rice in unmanned farm was higher than the average yield in traditional farm, which indicated that unmanned farm had great development potential. The construction of unmanned rice farm provides an important way to solve the problems of “who will farm” and “how to farm” in the future of China.
-
土壤活性有机碳是指土壤中稳定性差、周转速率快并且易矿化分解的那部分有机碳，主要包括易氧化有机碳、微生物量碳和可溶性有机碳[1]。虽然土壤活性有机碳占总有机碳的比例较小，但它能够反映出土壤有机碳微小的变化[2]，可作为指示土壤有机碳有效性[3]和土壤质量的早期指标。其中，能被333 mmol·L−1的KMnO4氧化的有机碳称作易氧化有机碳(Labile oxidizable carbon，LOC)[4]，其在种植作物时变化最大，并且对外部环境变化的响应非常敏感，其变化可在不同程度上反映土壤有机碳的有效性[5]。土壤微生物量碳(Microbial biomass carbon，MBC)能调节土壤养分的矿化和固定过程[6]。土壤可溶性有机碳(Dissolved organic carbon，DOC)是微生物生长和分解过程中的重要能量来源[7]，会影响土壤中有机和无机物质的转化、迁移和降解，以及土壤有机碳的矿化过程[8]，其含量高低和周转速率会直接影响微生物活性，在土壤生态系统碳循环过程中具有重要作用[9]。
甲烷(CH4)是大气中仅次于二氧化碳的第2大温室气体，在100年的时间尺度内其单个分子的温室效应比CO2高25倍[10]。以往研究表明，土壤有机碳的微量降低可引起温室气体的大量排放，从而加剧温室效应[11]。虽然土壤活性有机碳占总有机碳的比例很小[1]，但是活性碳的含量高低和周转速率对土壤养分的有效性及其循环具有重要作用[12]。有研究指出，易氧化有机碳对CH4排放有显著影响[13-15]，微生物量碳的变化会直接影响植物对土壤中可利用碳的供应、改变微生物的活性，从而会对CH4排放产生一定影响[14-15]。土壤DOC含量与CH4排放显著相关[6]。还有研究表明，土壤对大气碳的固持、对减少CH4排放具有积极作用[16]，因此，有必要对土壤活性有机碳组分与CH4气体减排的关系作进一步的研究。
滴灌施肥既能满足甘蔗不同生育期对水分的不同需求，同时能有效地提高肥料利用率[17]。齐玉春等[18]研究发现，滴灌施肥对提高土壤活性有机碳有积极的作用。Singh等[19]研究表明，滴灌施肥比传统水肥管理可以显著提高土壤活性有机碳水平。滴灌施肥会影响土壤水分分布和碳循环，从而影响土壤CH4的排放速率[20]。考虑到滴灌施肥对土壤活性有机碳组分和甲烷排放均有影响，而滴灌施肥蔗田土壤活性有机碳组分和CH4排放之间的关系尚不明晰，还需要进一步研究。
因此，本文在滴灌条件下，通过田间试验研究不同滴灌水肥处理对蔗田土壤CH4排放通量和土壤活性有机碳组分的影响，分析土壤CH4排放通量与活性有机碳组分之间的关系，以揭示滴灌施肥蔗田土壤活性有机碳组分对土壤CH4排放的影响。
1. 材料与方法
1.1 试验材料与地点
2018年3—12月在南宁市灌溉试验站(108°29′E，22°88′N)开展了不同滴灌灌水、施肥的田间试验。试验地点属亚热带季风气候，试验期间月均温和月降雨量如图1所示，总降雨量1 371.4 mm。土壤为水稻土，表土(0~20 cm)基本理化性质：pH 7.8，有机碳9.7 g·kg−1，全氮1.1 g·kg−1，碱解氮73.3 mg·kg−1，速效磷127.4 mg·kg−1，速效钾93.9 mg·kg−1，田间持水量19.9%，容重1.61 g cm−3。供试甘蔗品种为桂糖42号，控苗65 000株·hm−2，3月24日播种，大田甘蔗试验生育期划分如下：苗期，播种后42~72 d；分蘖期，播种后73~108 d；伸长期，播种后109~225 d；成熟期，播种后225~282 d。
![]()
图 1 试验期间月均温和月降雨量Figure 1. Monthly average temperature and rainfall during experimental period1.2 试验设计
田间试验设4种施肥水平：常规施肥(F100，N 250 kg·hm−2、P2O5 150 kg·hm−2、K2O 200 kg·hm−2)，增量施肥1(F110，在F100基础上增加10%)，增量施肥2(F120，在F100基础上增加20%)，减量施肥(F90，在F100基础上减少10%)。所有处理将全部15 000 kg·hm−2的商品有机肥(有机质质量分数≥45%，N+P2O5+K2O的质量分数≥5%，广西田东力源宝科技有限公司产品)、全部钙镁磷肥(P2O5质量分数为18%，云南昆阳磷肥厂有限公司产品)、50%的钾肥(氯化钾，K2O质量分数为60%，中化化肥有限公司产品)和30%的尿素(N质量分数为46%，陕西陕化煤化工集团有限公司产品)作为基肥，直接施入土壤中，均匀撒开。余下70%的尿素作为追肥分别在幼苗期施用10%、分蘖期施用20%、伸长期施用30%(分2次施入，每次15%)，成熟前期施用10%，以及剩余50%的钾肥(硫酸钾，K2O质量分数为52%，广东米高化工有限公司产品)作为追肥分别在分蘖期和伸长期各施用25%，所有追肥均先将肥料溶于灌溉水中，再通过滴头随滴灌系统一起施入土壤中，每行甘蔗两侧各摆放1条滴管带，以保证对甘蔗两侧的土壤都进行灌溉或施肥，且使各个时期水分和肥料均匀分布在甘蔗植株两侧。
本试验另设2种滴灌灌水水平：W180，在甘蔗生长时期总灌水量为180 m3·hm−2；W300，在甘蔗生育期总灌水量为300 m3·hm−2，各生育时期灌水量如表1所示，每次灌水均通过滴灌系统进行。试验为完全方案设计，共8个处理，每个处理重复3次，共24个小区，小区面积36.96 m2(6.6 m×5.6 m)，试验地两边设有保护行，保护行宽度为1 m。
表 1 蔗田各生育期灌水量Table 1. Irrigation amount at different growth stages in sugarcane fieldm3·hm−2 生育期
Growth stage灌溉水平 Irrigation level W180 W300 苗期 Seedling stage 60 90 分蘖期 Tillering stage 30 60 伸长期 Elongating stage 60 120 成熟期 Ripening stage 30 30 合计 Total 180 300 1.3 样品采集与测定
1.3.1 土壤采集和活性有机碳组分的测定
试验分别在苗期(播种后53 d)、分蘖期(播种后100 d)、伸长期(播种后171d)和成熟期(播种后236 d)，从各试验处理小区用直径为5 cm不锈钢土钻按S形散点法采集0~20 cm的耕作层土壤，混合成一个土壤样品装入已编号的自封袋中，采集的土壤鲜样除去可见杂质(作物根系、杂草和小石子等)，装入低温贮藏箱并迅速运回实验室，每个处理共采集3个土壤样品。部分新鲜土壤样品过2 mm筛后用于测定微生物量碳和可溶性有机碳含量，剩余土样在室内自然风干后过1 mm筛，用于测定土壤易氧化有机碳含量，所有指标测定共进行3次重复试验。
微生物量碳含量用三氯甲烷熏蒸−硫酸钾浸提的方法测定[21]。易氧化有机碳含量用高锰酸钾氧化−分光光度计法测定[22]。可溶性有机碳含量用硫酸钾浸提−总有机碳法测定[23]。
1.3.2 甲烷气体采集与测定
试验分别在各生育期采集土壤样品当天及后一天，用静态箱法连续采集蔗田土壤CH4气体。静态箱由不锈钢材料制成，包括底座(正方形，边长为37 cm，高度30 cm，埋入地下30 cm)和盖箱(正方形柱体，顶部密封，边长为35 cm，高度25 cm)两部分。每小区固定采样底座(布置在距离甘蔗植株10 cm的土壤中)1个，底座上部有5 cm深的凹槽，取样时静态箱垂直安放在底座凹槽内并用水密封，保证箱内气体与大气不进行交换。采样前将箱内顶部风扇打开，以保持气体均匀混合，采气孔位于顶部，用注射器采集气样，采样同时记录箱温。每个采样点在盖箱后第0、10、20和30 min时采样，抽出50 mL气体保存于密封注射器内迅速带回实验室分析。CH4气体采集时段为5—11月，采样时间为上午08:00—09:00。
CH4排放通量的测定采用Agilent 7890A气相色谱仪分析，检测器为FID，将装有载气的高压瓶、氢气发生器、纯净空气泵、气体进样系统和主机打开，当检测器温度升至350 ℃和主机基线稳定后开始分析样品[24]。CH4排放通量的计算公式如下：
$$F = H \times \frac{{M \times P}}{{R \times \left( {273 + T} \right)}} \times \frac{{{\rm{d}}c}}{{{\rm{d}}t}},$$ 式中：F为土壤CH4排放通量，mg·m−2·h−1；H为箱体高度，25 cm；M为CH4气体的摩尔质量分数，16.047 g·mol−1；P为标准大气压，1.013×105 Pa；R为普适气体常数，8.314 J·mol−1·kg−1；T为采气时箱体内的平均温度,℃；dc/dt为土壤CH4排放速率，mL·m−3·h−1。
1.4 数据分析
显著性检验用方差分析法，多重比较采用Duncan’s法，均用SPSS 24.0软件进行分析。用Pearson法分别分析土壤易氧化有机碳、微生物量碳和可溶性有机碳与土壤CH4排放通量的关系。
2. 结果与分析
2.1 滴灌施肥对蔗田土壤甲烷排放通量的影响
不同滴灌施肥处理对不同生育时期蔗田土壤CH4排放通量的影响见图2。各处理土壤CH4排放通量均在分蘖期达到排放高峰。W180滴灌水平下，各施肥处理在苗期、伸长期和成熟期土壤CH4排放通量接近0，分蘖期蔗田土壤CH4排放通量F100< F120< F110< F90。W300滴灌水平下，F100和F90施肥处理在苗期、伸长期和成熟期的土壤CH4排放通量接近0；F120施肥处理的土壤CH4排放通量在苗期和分蘖期较低，而在伸长期和成熟期接近0；分蘖期以F110施肥处理的土壤CH4排放通量最高，F120施肥处理的土壤CH4排放通量最低。
![]()
图 2 不同生育期蔗田土壤甲烷排放通量SS: 苗期，TS：分蘖期，ES：伸长期，RS：成熟期；相同生育期不同柱子上，凡是有一个相同小写字母者表示差异不显著(P>0.05，Duncan’s法)Figure 2. Soil CH4 emission flux at different growth stages in sugarcane fieldSS:Seedling stage；TS: Tillering stage；ES: Elongating stage；RS: Ripening stage. The same lowercase letters at the same growth stage indicated no significant difference (P>0.05, Duncan’s test)2.2 滴灌施肥对蔗田土壤活性有机碳组分的影响
各生育期不同滴灌施肥处理的土壤易氧化有机碳(LOC)含量见表2。在苗期，不同处理土壤LOC含量之间差异不显著。在分蘖期，W180滴灌水平下F110施肥处理的土壤LOC含量较F100显著增加28.48%，F110施肥处理下W180滴灌的土壤LOC含量较W300显著提高38.57%。在伸长期，W180滴灌水平下F90施肥处理的土壤LOC含量较F100显著增加39.20%，F110施肥处理下W300滴灌的土壤LOC含量较W180显著增加25.20%。在成熟期，W180滴灌水平下F120施肥处理的土壤LOC含量较F100显著增加35.77%，W300滴灌水平下F90施肥处理的土壤LOC含量较F100显著提高28.79%，且W300F90处理的土壤LOC含量显著高于除W180F120之外的其他处理。
表 2 不同滴灌施肥处理土壤易氧化有机碳含量1)Table 2. Content of soil labile organic carbon in different drip fertigation treatmentsg·kg−1 滴灌灌水水平
Drip irrigation level施肥水平
Fertilization level苗期
Seedling stage分蘖期
Tillering stage伸长期
Elongating stage成熟期
Ripening stageW180 F100 1.59±0.16a 1.51±0.16bcd 1.25±0.16d 1.23±0.08d F110 1.51±0.34a 1.94±0.01a 1.23±0.12d 1.45±0.03b F120 1.56±0.07a 1.74±0.07ab 1.60±0.15ab 1.67±0.08a F90 1.52±0.30a 1.59±0.14bcd 1.74±0.11a 1.47±0.06b W300 F100 1.23±0.30a 1.29±0.04d 1.31±0.14cd 1.32±0.06cd F110 1.38±0.37a 1.40±0.07cd 1.54±0.18abc 1.38±0.05bc F120 1.20±0.12a 1.64±0.10bc 1.36±0.06bcd 1.43±0.10bc F90 1.61±0.16a 1.43±0.01cd 1.25±0.18d 1.70±0.06a 1) 表中数据为平均值±标准误，同列数据后的不同小写字母表示差异显著 (P<0.05，Duncan’s 法)
1) The values in the table are mean ± standard error, and different lowercase letters in the same column indicated significant difference (P<0.05, Duncan’s test)各生育期不同滴灌施肥处理土壤微生物量碳(MBC)含量见表3。在苗期，W300滴灌水平下F100施肥处理的土壤MBC含量较F120显著提高38.93%。在分蘖期，不同处理之间土壤MBC含量的差异不显著。在伸长期，W180和W300滴灌水平下F110施肥处理的土壤MBC含量较F100分别显著提高300.00%和113.20%，F120施肥处理下W180滴灌水平的土壤MBC含量较W300显著提高58.54%，且W300F110、W300F90、W180F110和W180F120处理的土壤MBC含量较高。在成熟期，W180滴灌水平下F90施肥处理的土壤MBC含量较F100显著增加33.57%，W300滴灌水平下F120施肥处理的土壤MBC含量较F110显著提高49.57%。
表 3 不同滴灌施肥处理的土壤微生物量碳含量1)Table 3. Content of soil microbial biomass carbon in different drip fertigation treatmentsg·kg−1 滴灌灌水水平
Drip irrigation level施肥水平
Fertilization level苗期
Seedling stage分蘖期
Tillering stage伸长期
Elongating stage成熟期
Ripening stageW180 F100 1.32±0.14b 0.66±0.31a 0.16±0.03c 1.40±0.21bc F110 1.31±0.19b 0.67±0.25a 0.64±0.09a 1.02±0.11c F120 1.27±0.16b 0.41±0.23a 0.65±0.03a 1.46±0.14abc F90 1.26±0.38b 0.54±0.16a 0.25±0.08bc 1.87±0.04a W300 F100 1.82±0.03a 0.64±0.16a 0.38±0.05b 1.30±0.20bc F110 1.40±0.29ab 0.63±0.08a 0.81±0.09a 1.15±0.11c F120 1.31±0.34b 0.25±0.19a 0.41±0.05b 1.72±0.11ab F90 1.67±0.05ab 0.31±0.29a 0.67±0.09a 1.71±0.10ab 1) 表中数据为平均值±标准误，同列数据后的不同小写字母表示差异显著 (P<0.05，Duncan’s 法)
1) The values in the table are mean ± standard error, and different lowercase letters in the same column indicated significant difference (P<0.05, Duncan’s test)各生育期不同滴灌施肥处理土壤可溶性有机碳(DOC)含量见表4。在苗期，不同处理土壤DOC含量之间的差异不显著。在分蘖期，W300滴灌水平下F120处理的土壤DOC含量最高，较F100和F90分别显著提高156%和205%。在伸长期，相同滴灌水平下，F110、F120和F90施肥处理的土壤DOC含量均高于F100，但差异不显著(W180F90处理除外)。在成熟期，W180滴灌水平下F90施肥处理的土壤DOC含量较F100显著提高183%，W300滴灌水平下F120和F90施肥处理的土壤DOC含量分别较F100显著提高114%和143%，且在相同灌水水平下，F110、F120和F90施肥处理的土壤DOC含量均高于F100。此外，W300F90处理土壤DOC含量较其他处理高。
表 4 不同滴灌施肥处理的土壤可溶性有机碳含量1)Table 4. Content of soil dissolved organic carbon in different drip fertigation treatmentsg·kg−1 滴灌灌水水平
Drip irrigation level施肥水平
Fertilization level苗期
Seedling stage分蘖期
Tillering stage伸长期
Elongating stage成熟期
Ripening stageW180 F100 0.12±0.06a 0.29±0.11cd 0.14±0.06b 0.12±0.02c F110 0.28±0.10a 0.43±0.03abcd 0.15±0.07b 0.23±0.03bc F120 0.31±0.15a 0.50±0.05abc 0.15±0.05b 0.30±0.14abc F90 0.13±0.05a 0.41±0.12bcd 0.30±0.06a 0.34±0.14ab W300 F100 0.10±0.08a 0.25±0.15d 0.15±0.09b 0.21±0.09bc F110 0.28±0.13a 0.57±0.20ab 0.23±0.12ab 0.23±0.12bc F120 0.26±0.10a 0.64±0.13a 0.18±0.05ab 0.45±0.18a F90 0.24±0.17a 0.21±0.07d 0.16±0.08ab 0.51±0.08a 1) 表中数据为平均值±标准误，同列数据后的不同小写字母表示差异显著 (P<0.05，Duncan’s 法)
1) The values in the table are mean ± standard error, and different lowercase letters in the same column indicated significant difference (P<0.05, Duncan’s test)2.3 滴灌施肥蔗田土壤甲烷排放通量与活性有机碳组分的关系
将4个生育期土壤CH4排放通量与对应时期土样采集当天的土壤活性有机碳组分进行相关性分析，结果表明，土壤CH4排放通量与土壤DOC含量呈显著正相关 (P<0.05)，相关系数为0.38；与土壤MBC和LOC含量的相关系数分别为−0.21和−0.02，且相关性不显著，说明蔗田土壤可溶性有机碳含量对土壤甲烷排放有显著影响。
3. 讨论与结论
CH4的产生和排放是严格厌氧条件下产甲烷菌作用的结果，充足的产甲烷基质和适宜的产甲烷菌生长环境是CH4产生的先决条件[25]，而好气土壤环境利于CH4氧化菌的生长，可氧化消耗大气中的CH4[26]。本研究结果表明，W180和W300滴灌水平下蔗田土壤CH4排放在全生育期基本上呈双峰型变化规律，这可能是因为甘蔗苗分蘖期正处于南方雨季，高降雨量造成土壤较长时间处于淹水状态，使产甲烷菌在厌氧条件下利用土壤中的有机质进行呼吸作用，导致CH4的大量排放[27]，这也与齐玉春等[18]得出的水分变化可在短期内激发温室气体排放的结论相一致。石生伟等[28]研究结果表明增加施氮量可有效降低甲烷排放量，本研究中，W300F120处理在分蘖期蔗田土壤CH4排放量最低，这可能是因为增加施肥量使土壤中的NH4+-N含量提高[29]，从而增加土壤甲烷氧化菌的数量并促进其活动[30]，进而降低了土壤中CH4的排放。
Yagi等[13]指出，土壤LOC含量对CH4排放有显著的影响，但吴家梅等[31]研究也表明，土壤LOC含量与甲烷排放相关性不大，本文研究结果同样显示，蔗田土壤CH4排放通量与LOC含量相关性不显著。LOC属于活性有机碳，在淹水土壤中容易分解且变化比较明显，而本试验为旱地滴灌试验，很难使土壤长期处于严格厌氧环境，因此本试验条件下，土壤LOC含量与甲烷排放的关系不密切。
Masto等[32]研究表明，施用化肥具有提高土壤MBC含量的效应。本试验结果表明，W180F120和W300F110可分别提高伸长期蔗田土壤MBC含量，这可能与商品有机肥的加入提高了土壤微生物活性有关[33]。MBC含量的变化会影响植物对土壤中可利用碳的供应，从而对CH4排放产生影响[14]。本文研究表明，蔗田土壤CH4排放通量与土壤MBC无显著相关性，这可能与不同土壤类型和滴灌施肥方式对微生物活性的影响不同有关，具体机理还需进一步研究。
李睿[34]的研究表明，土壤中微生物具有分解土壤有机质和为植物提供营养物质的作用，土壤中有相当比例的DOC来源于土壤微生物的代谢产物，且微生物死亡后躯体本身的结构组织也易分解成DOC[35]。本试验结果表明，W300F120较W300F100处理显著提高了分蘖期和成熟期蔗田土壤可溶性有机碳含量，这可能是因为施肥量增加使土壤微生物能利用更多的有机质进行代谢活动，从而对蔗田土壤DOC含量的提高产生了积极影响。莫永亮等[36]指出，土壤中DOC是CH4产生的必要条件，它是微生物生长必需的碳源，又是微生物代谢的产物，其含量可能影响CH4排放通量。本研究结果同样表明，土壤CH4排放通量与土壤DOC含量有显著正相关关系，这一结果也与王瑞[7]的研究结果一致。
综上所述，在分蘖期，W300F120土壤可溶性有机碳(DOC)较其他处理高，但是土壤CH4排放通量较其他处理低。在成熟期，W300F120蔗田土壤DOC含量较高。土壤CH4排放通量仅与土壤DOC含量之间呈显著正相关，相关系数为0.38，说明土壤DOC含量可显著影响蔗田土壤甲烷排放通量。因此，W300F120可提高分蘖期和成熟期蔗田土壤可溶性有机碳含量，同时降低分蘖期蔗田土壤甲烷排放。
-
[1] 中共中央国务院. 关于加快推进农业科技创新持续增强农产品供给保障能力的若干意见[EB/OL]. (2012-08-30)[2021-07-21]. http://www.moa.gov.cn/ztzl/nyfzhjsn/zyhwj/201208/t20120830_2901691.htm. [2] 中共中央国务院. 提出深入推进农业供给侧结构性改革[EB/OL]. (2017-02-15)[2021-08-03]. http://www.gov.cn/xinwen/2017-02/05/content_5165613.htm. [3] 唐华俊. 智慧农业赋能农业现代化高质量发展[J]. 农机科技推广, 2020(6): 4-5. doi: 10.3969/j.issn.1671-3036.2020.06.002 [4] 赵春江. 智慧农业发展现状及战略目标研究[J]. 智慧农业, 2019, 1(1): 1-7. [5] 李道亮, 李震. 无人农场系统分析与发展展望[J]. 农业机械学报, 2020, 51(7): 1-12. doi: 10.6041/j.issn.1000-1298.2020.07.001 [6] 方宪法, 吴海华. 农机装备亟待智能化转型升级[J]. 中国农村科技, 2018(2): 54-57. doi: 10.3969/j.issn.1005-9768.2018.02.016 [7] FAO. 粮农组织统计数据库[EB/OL]. (2021-02-26)[2021-07-03]. http://www.fao.org/home/zh/. [8] 尹来武. 农业物联网信息采集与识别关键技术研究[D]. 哈尔滨: 哈尔滨理工大学, 2014. [9] 姚元森, 廖桂平, 赵星, 等. 农作物生长环境信息感知技术研究进展[J]. 作物研究, 2013, 27(1): 58-63. doi: 10.3969/j.issn.1001-5280.2013.01.16 [10] JUNG H C, KANG D H, KIM E, et al. Towards a soil moisture drought monitoring system for South Korea[J]. Journal of Hydrology, 2020, 589: 1-10.
[11] 张利民, 罗锡文. 差分GPS定位技术在土壤耕作阻力测量中的应用[J]. 农业工程学报, 1999, 15(4): 35-39. doi: 10.3321/j.issn:1002-6819.1999.04.007 [12] 曾庆猛, 马道坤, 林剑辉, 等. 面向车载式测量的土壤含水量与电导率复合传感器设计[J]. 农业机械学报, 2010, 41(9): 163-167. [13] 胡炼, 殷延勃, 杜攀, 等. 水稻田激光平地技术研究与展望[J]. 中国稻米, 2020, 26(5): 16-18. doi: 10.3969/j.issn.1006-8082.2020.05.003 [14] 周浩. 激光控制水田精准平地打浆关键技术研究[D]. 广州: 华南农业大学, 2019. [15] 胡炼, 唐灵茂, 罗锡文, 等. 一种农田三维地形实时测量装置和方法: ZL201910451342.8[P]. 2021. [16] XIAO K H, XIAO D Q, LUO X W. Smart water-saving irrigation system in precision agriculture based on wireless sensor network[J]. Transactions of the CSAE, 2010, 26(11): 170-175.
[17] 孙建英, 李民赞, 唐宁, 等. 东北黑土的光谱特性及其与土壤参数的相关性分析[J]. 光谱学与光谱分析, 2007, 27(8): 1502-1505. [18] DONG D M, ZHAO C J, ZHENG W G, et al. Spectral characterization of nitrogen in farmland soil by laser-induced breakdown spectroscopy[J]. Spectroscopy Letters, 2013, 46(6): 421-426. doi: 10.1080/00387010.2012.747542
[19] 杨贵军, 李长春, 于海洋, 等. 农用无人机多传感器遥感辅助小麦育种信息获取[J]. 农业工程学报, 2015, 31(21): 184-190. doi: 10.11975/j.issn.1002-6819.2015.21.024 [20] 孙红, 邢子正, 张智勇. 基于RED-NIR的主动光源叶绿素含量检测装置设计与试验[J]. 农业机械学报, 2019, 50(S1): 175-181. [21] 杨燕琼, 罗锡文, 黄农荣. 基于3CCD摄像机的水稻农学参数估算[J]. 农业工程学报, 2012, 28(6): 174-178. doi: 10.3969/j.issn.1002-6819.2012.06.028 [22] 汪沛, 张俊雄, 兰玉彬, 等. 多光谱低空遥感图像光照辐射度校正[J]. 农业工程学报, 2014, 30(19): 199-206. doi: 10.3969/j.issn.1002-6819.2014.19.024 [23] 臧英, 侯晓博, 汪沛, 等. 基于无人机遥感技术的黄华占水稻施肥决策模型研究[J]. 沈阳农业大学学报, 2019, 50(3): 324-330. [24] JIANG R, WANG P, XU Y, et al. Assessing the operation parameters of a low-altitude UAV for the collection of NDVI values over a paddy rice field[J]. Remote Sensing, 2020, 12(11): 1-16.
[25] JIANG R, ARTURO S A, KATI L, et al. UAV-based partially sampling system for rapid NDVI mapping in the evaluation of rice nitrogen use efficiency[J]. Journal of Cleaner Production, 2021, 289: 1-16.
[26] 袁媛, 陈雷, 吴娜, 等. 水稻纹枯病图像识别处理方法研究[J]. 农机化研究, 2016, 38(6): 84-87. doi: 10.3969/j.issn.1003-188X.2016.06.017 [27] 刘又夫, 肖德琴, 刘亚兰, 等. 褐飞虱诱导的水稻冠层热图像温度特征变异评估方法[J]. 农业机械学报, 2020, 51(5): 165-172. doi: 10.6041/j.issn.1000-1298.2020.05.018 [28] HE Y, ZHOU Z, TIAN L, et al. Brown rice planthopper (Nilaparvata lugens Stal) detection based on deep learning[J]. Precision Agriculture, 2020, 21(6): 1385-1402. doi: 10.1007/s11119-020-09726-2
[29] 邓向武, 齐龙, 马旭, 等. 基于多特征融合和深度置信网络的稻田苗期杂草识别[J]. 农业工程学报, 2018, 34(14): 165-172. doi: 10.11975/j.issn.1002-6819.2018.14.021 [30] LIU Z Y, GAO J F, YANG G G, et al. Localization and classification of paddy field pests using a saliency map and deep convolutional neural network[J]. Scientific Reports, 2016, 6(1): 1-12. doi: 10.1038/s41598-016-0001-8
[31] 李泽轩. 基于卷积神经网络的水稻病虫害识别算法的研究和应用[D]. 广州: 华南农业大学, 2020. [32] 李梓和. 基于深度学习的水稻杂草检测研究[D]. 广州: 华南农业大学, 2021. [33] 李文涛, 张岩, 莫锦秋, 等. 基于改进YOLOv3-tiny的田间行人与农机障碍物检测[J]. 农业机械学报, 2020, 51(S1): 1-8. doi: 10.6041/j.issn.1000-1298.2020.S1.001 [34] 贾闯, 李加念, 洪添胜, 等. 山地果园单轨运输机超声波避障系统的设计与试验[J]. 农业工程学报, 2015, 31(S2): 69-74. [35] 王水满. 基于激光雷达的植保无人机自主避障技术研究[D]. 唐山: 华北理工大学, 2020. [36] 高振海, 王竣, 佟静, 等. 车载毫米波雷达对前方目标的运动状态估计[J]. 吉林大学学报(工学版), 2014, 44(6): 1537-1544. [37] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: Unified, real-time object detection [C]// 2016 IEEE Computer Vision and Pattern Recognition. Las Vegas NV, USA, 2016: 779-788.
[38] LIU W, ANGUELOV D, ERHAN D, et al. SSD: Single shot multibox detector[C]//European Conference on Computer Vision. Glasgow, United Kingdom, 2016: 21-37.
[39] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks [C]//International Conference on Neural Information Processing Systems. Montreal, Canada, 2015: 91-99.
[40] GIRSHICK R. Fast R-CNN [C]//Proceedings of the IEEE International Conference on Computer Vision. Washington, DC, USA, 2015: 1440-1448.
[41] HE K, ZHANG X, REN S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9): 1904-1916. doi: 10.1109/TPAMI.2015.2389824
[42] 蔡舒平, 孙仲鸣, 刘慧, 等. 基于改进型YOLOv4的果园障碍物实时检测方法[J]. 农业工程学报, 2021, 37(2): 36-43. doi: 10.11975/j.issn.1002-6819.2021.2.005 [43] 马佳良, 陈斌, 孙晓飞. 基于改进的Faster R-CNN的通用目标检测框架[J/OL]. 计算机应用, (2021-02-05)[2021-08-26]. http://kns.cnki.net/kcms/detail/51.1307.TP.20210205.1531.023.html. [44] 薛金林, 董淑娴, 范博文. 基于信息融合的农业自主车辆障碍物检测方法[J]. 农业机械学报, 2018, 49(S1): 29-34. doi: 10.6041/j.issn.1000-1298.2018.S0.005 [45] 谭力凡. 机器视觉与毫米波雷达融合的前方车辆检测方法研究[D]. 长沙: 湖南大学, 2018. [46] 何杰, 朱金光, 张智刚, 等. 水稻插秧机自动作业系统设计与试验[J]. 农业机械学报, 2019, 50(3): 17-24. doi: 10.6041/j.issn.1000-1298.2019.03.002 [47] 何杰, 高维炜, 王辉, 等. 基于GNSS航向微分和MEMS陀螺仪的农机轮角测量方法[J]. 华南农业大学学报, 2020, 41(5): 91-98. [48] 胡鸿彬, 李彦明, 唐小涛, 等. 基于Android的农机导航管理系统研究与设计[J]. 农机化研究, 2019, 41(5): 179-183. doi: 10.3969/j.issn.1003-188X.2019.05.034 [49] 曾宏伟, 雷军波, 陶建峰, 等. 低对比度条件下联合收割机导航线提取方法[J]. 农业工程学报, 2020, 36(4): 18-25. doi: 10.11975/j.issn.1002-6819.2020.04.003 [50] 孟志军, 付卫强, 徐飞军, 等. 拖拉机自动导航控制系统及其方法: CN101833334 A[P]. 2010. [51] 缪存孝, 楚焕鑫, 孙志辉, 等. 基于双GNSS天线及单陀螺的车轮转角测量系统[J]. 农业机械学报, 2017, 48(9): 17-23. [52] 马飞. 自主、创新、开拓: 联适导航自动驾驶系统的发展应用[J]. 农业工程技术, 2018, 38(18): 72-74. [53] 黄雅威. 潍柴雷沃自动导航技术助力春耕春播[J]. 农机质量与监督, 2021(3): 42. doi: 10.3969/j.issn.1002-7203.2021.03.026 [54] 黄培奎, 张智刚, 罗锡文, 等. 田间作业车辆外部加速度辨识与姿态测量系统研制[J]. 农业工程学报, 2019, 35(3): 9-15. doi: 10.11975/j.issn.1002-6819.2019.03.002 [55] 朱忠祥, 韩科立, 宋正河, 等. 基于置信度加权的拖拉机组合导航融合定位方法[J]. 农业机械学报, 2013, 44(1): 210-215. [56] 张闻宇, 王进, 张智刚, 等. 基于自校准变结构Kalman的农机导航BDS失锁续航方法[J]. 农业机械学报, 2020, 51(3): 18-27. doi: 10.6041/j.issn.1000-1298.2020.03.002 [57] 孟志军, 刘卉, 王华, 等. 农田作业机械路径优化方法[J]. 农业机械学报, 2012, 43(6): 147-152. doi: 10.6041/j.issn.1000-1298.2012.06.027 [58] 王辉, 王桂民, 罗锡文, 等. 基于预瞄追踪模型的农机导航路径跟踪控制方法[J]. 农业工程学报, 2019, 35(4): 11-19. doi: 10.11975/j.issn.1002-6819.2019.04.002 [59] 苗峻齐, 罗锡文, 张智刚, 等. 无人驾驶水稻精量穴直播机的自动控制系统设计[C]//中国农业工程学会2011年学术年会论文集. 北京: 中国农业工程学会, 2011. [60] 张闻宇, 张智刚, 罗锡文, 等. 收获机与运粮车纵向相对位置位速耦合协同控制方法与试验[J]. 农业工程学报, 2021, 37(9): 1-11. doi: 10.11975/j.issn.1002-6819.2021.09.001 [61] 张智刚, 王进, 朱金光, 等. 我国农业机械自动驾驶系统研究进展[J]. 农业工程技术, 2018, 38(18): 23-27. [62] 张漫, 季宇寒, 李世超, 等. 农业机械导航技术研究进展[J]. 农业机械学报, 2020, 51(4): 1-18. doi: 10.6041/j.issn.1000-1298.2020.04.001 [63] 胡炼, 杜攀, 罗锡文, 等. 悬挂式多轮支撑旱地激光平地机设计与试验[J]. 农业机械学报, 2019, 50(8): 15-21. doi: 10.6041/j.issn.1000-1298.2019.08.002 [64] 周浩, 胡炼, 罗锡文, 等. 激光控制水田打浆平地机设计与试验[J]. 华南农业大学学报, 2019, 40(5): 23-27. doi: 10.7671/j.issn.1001-411X.201905071 [65] 刘刚, 李民赞, 唐存干, 等. 一种基于模糊控制的激光平地系统控制方法: CN106155048A[P]. 2016. [66] 孟志军, 尹彦鑫, 罗长海, 等. 农机深松作业远程监测系统设计与实现[J]. 农业工程技术, 2018, 38(18): 34-37. [67] 罗锡文, 王在满, 曾山, 等. 水稻机械化直播技术研究进展[J]. 华南农业大学学报, 2019, 40(5): 1-13. doi: 10.7671/j.issn.1001-411X.201905069 [68] 王在满. 同步开沟起垄水稻机械化穴播技术研究[D]. 广州: 华南农业大学, 2016. [69] 陈雄飞, 罗锡文, 王在满, 等. 水稻穴播同步侧位深施肥技术试验研究[J]. 农业工程学报, 2014, 30(16): 1-7. doi: 10.3969/j.issn.1002-6819.2014.16.001 [70] 张明华, 王在满, 罗锡文, 等. 水稻精量穴直播机开沟装置的设计与试验[J]. 农业工程学报, 2017, 33(5): 10-15. doi: 10.11975/j.issn.1002-6819.2017.05.002 [71] 陈建国. 小麦精量播种与精准控制智能决策系统研究与设计[D]. 上海: 上海交通大学, 2019. [72] 丁幼春, 杨军强, 张莉莉, 等. 油菜精量排种器变量补种系统设计与试验[J]. 农业工程学报, 2018, 34(16): 27-36. doi: 10.11975/j.issn.1002-6819.2018.16.004 [73] 罗细芽, 黎刚, 杨青如, 等. 水稻大钵体毯状苗育插秧技术试验[J]. 农机科技推广, 2019(4): 40-42. doi: 10.3969/j.issn.1671-3036.2019.04.017 [74] 陈惠哲, 徐一成, 张玉屏, 等. 超级早稻钵形毯状秧苗机插效果及产量形成[J]. 中国农业科学, 2019, 52(23): 4240-4250. doi: 10.3864/j.issn.0578-1752.2019.23.005 [75] 王金武, 唐汉, 李响, 等. 水稻密苗插秧分插机构: CN208317376U[P]. 2019. [76] 袁文胜, 吴崇友. 我国油菜移栽机械的现状和发展趋势分析[J]. 中国农机化, 2007(6): 61-63. [77] 李克亮, 周志艳. 水稻氮肥精准管理技术研究进展[J]. 江苏农业科学, 2019, 47(12): 18-25. [78] 乔白羽, 何雄奎, 王志翀, 等. 基于LiDAR扫描的高地隙宽幅喷雾机变量施药系统研制[J]. 农业工程学报, 2020, 36(14): 89-95. doi: 10.11975/j.issn.1002-6819.2020.14.011 [79] 袁鹏成, 李秋洁, 邓贤, 等. 基于LiDAR的对靶喷雾实时控制系统设计与试验[J]. 农业机械学报, 2020, 51(S1): 273-280. doi: 10.6041/j.issn.1000-1298.2020.S1.032 [80] 顾若波, 刘勇兰, 高素琴. 高地隙遥控自走式智能喷杆喷雾机: CN109380208A[P]. 2019. [81] 袁琦堡, 胡炼, 罗锡文, 等. 在线实时混药喷雾系统设计与试验[J]. 农业机械学报, 2016, 47(S1): 176-181. [82] 程忠义. 2020年度植保无人机行业发展报告出炉[J]. 农药市场信息, 2020(4): 3. [83] 王炜. 精准自动化灌溉系统设计及应用探讨[J]. 陕西水利, 2020(4): 77-79. [84] 王飞, 简菁涓. 基于作物需水曲线的精准灌溉系统设计[J]. 天工, 2019(4): 138. doi: 10.3969/j.issn.2095-7556.2019.04.122 [85] 徐刚, 陈立平, 张瑞瑞, 等. 基于精准灌溉的农业物联网应用研究[J]. 计算机研究与发展, 2010, 47(S2): 333-337. [86] 阮俊瑾, 赵伟时, 董晨, 等. 球混式精准灌溉施肥系统的设计与试验[J]. 农业工程学报, 2015, 31(S2): 131-136. [87] 朱玉祥. 精准网络通信理念在智能作物收获机中的应用[J]. 农机化研究, 2021, 43(1): 201-206. doi: 10.3969/j.issn.1003-188X.2021.01.037 [88] 陈进, 张帅, 李耀明, 等. 联合收获机水稻破碎籽粒及杂质在线识别方法[J]. 中国农机化学报, 2021, 42(6): 137-144. [89] 麻芳兰, 滕筱, 李科, 等. 甘蔗收获机切割器入土深度自动控制系统设计与试验[J]. 中国农机化学报, 2021, 42(4): 1-7. [90] 张光跃, 金诚谦, 杨腾祥, 等. 联合收割机清选损失率监测系统设计与实现[J]. 中国农机化学报, 2019, 40(4): 146-150. [91] 张漫, 邝继双. 谷物联合收割机测产数据中的误差分析与处理[J]. 农业工程学报, 2003, 19(3): 144-148. doi: 10.3321/j.issn:1002-6819.2003.03.034 [92] 王晓亮. 雷沃农业备技下乡助力秋粮丰收雷沃农业装科[J]. 农机科技推广, 2013(9): 60-61. doi: 10.3969/j.issn.1671-3036.2013.09.030 [93] 姚彬. 玉米收割机升级产品: 雷沃谷神CC04[J]. 农村新技术, 2018(10): 40. doi: 10.3969/j.issn.1002-3542.2018.10.025 [94] 朱茗. 甘蔗收获机: 中联重科引领自主品牌与外资对决[J]. 当代农机, 2017(1): 30-32. doi: 10.3969/j.issn.1673-632X.2017.01.016 [95] 朱登胜, 方慧, 胡韶明, 等. 农机远程智能管理平台研发及其应用[J]. 智慧农业(中英文), 2020, 2(2): 67-81. [96] 康康. 基于“互联网+”的智慧农机管理信息系统研究与实现[D]. 重庆: 西南大学, 2018. [97] 王慧平. 基于WebGIS的农机远程监管服务系统的设计与实现[D]. 北京: 首都师范大学, 2014. [98] 谢婷婷. 基于GA的农机作业调度研究与应用[D]. 武汉: 武汉理工大学, 2015. [99] 崔征泽. 农机监测管理系统的设计与实现[D]. 哈尔滨: 哈尔滨工业大学, 2018. [100] 王奉斌, 章秀福, 吴文俊, 等. 新疆南疆垦区水稻机械精量旱穴直播1000 kg/667 m2超高产栽培技术[J]. 中国稻米, 2016, 22(1): 67-69. doi: 10.3969/j.issn.1006-8082.2016.01.015 -
期刊类型引用(4)
1. 周文灵，陈迪文，吴启华，方界群，敖俊华. 耕作措施对宿根甘蔗产量、碳排放及经济效益的影响. 中国生态农业学报(中英文). 2024(09): 1481-1491 . 
百度学术
2. 王林林，徐珂，李正鹏，严清彪，胡发龙，尚琰隽，韩梅. 不同类型绿肥混播对土壤真菌群落结构和理化性质的影响. 江苏农业学报. 2024(12): 2273-2282 . 百度学术
3. 郑志杰，刘仁燕，陈宁，熊兴军，余辉亮，鄢紫薇，徐晗，胡荣桂，林杉. 三峡库区2种土地利用方式下土壤盐基离子及碳氮含量对氮添加的响应. 水土保持学报. 2023(01): 197-203 . 百度学术
4. 赵月琴，马秀静，赵琬婧，张治军，孙晓新. 三江平原垦殖湿地恢复对温室气体排放的影响. 应用生态学报. 2023(08): 2142-2152 . 百度学术
其他类型引用(10)
下载:
计量
- 文章访问数: 2808
- HTML全文浏览量: 42
- PDF下载量: 1764
- 被引次数: 14
