Research status and prospect of crop information monitoring technology in field
-
摘要:
利用田间监测技术采集作物信息，可以实时获取田间作物的生长情况，并做出相应决策，对提高作物的产量和品质有重要作用。针对依赖于人工采样测量的传统作物田间监测方法存在效率低下、主观性强、特征单一等缺点，田间作物的快速监测、信息获取及分析技术成为了当下的研究热点。本文从采集目标、监测平台以及不同数据(信息)分析方法3个方面分析了国内外田间作物监测技术的研究现状，总结了目前我国田间作物监测中存在的问题，并对今后在监测技术创新、信息解析技术、数据(信息)标准化与共享化，以及基础设施及推广方面的发展提出了建议，以期为我国田间作物监测技术的创新和产业发展提供参考。
Abstract:Using field monitoring technology to collect crop information, we can obtain the growth of field crops in real time and make corresponding decisions, which is important for improving the yield and quality of crops. The rapid monitoring, information acquisition and analysis of field crops have become a hot topic of research today because traditional crop field monitoring methods rely on manual sampling and measurement, which have some shortcomings of low efficiency, strong subjectivity and single characteristic. This paper analyzed the current research status of field crop monitoring technology at home and abroad in terms of three aspects of acquisition targets, monitoring platforms and different data (information) analysis methods, summarized the current problems of field crop monitoring in China. Finally, some suggestions of the future development were put forward in terms of monitoring technology innovation, information analysis technology, data (information) standardization and sharing, infrastructure and extension, with the aim of providing a reference for innovation and industrialization of field crop monitoring technology in China.
-
沉香是瑞香科Thymelaeaceae沉香属Aquilaria植物受到自然或人为因素刺激后产生的次生代谢物与木质部结合的油脂性木材[1]。沉香作为我国传统的名贵药材，因其独特的香味，在亚洲、中东和欧洲等地被广泛用于制作香水、熏香和工艺品等[2-6]。由于掠夺式的过度采伐，导致野生沉香属植物濒于枯竭，现已被列为濒危物种[7]。为保护野生沉香资源和提高沉香产量，营建土沉香A. sinensis人工林势在必行。然而，健康的沉香树体并不产香，如何提高结香产量和质量是目前沉香产业发展的重大难题之一。
目前，国内外相关学者关于CO2诱导林木心材的研究显示， CO2可调控心材的形成，其作用在于促使树体内部代谢反应偏向合成萜类物质，但对酚类物质的合成起到抑制作用[8-10]。Nilsson 等[11]研究了樟子松Pinus sylvestris树干填充C2H4、CO2和N2对心材形成的影响，发现填充C2H4或CO2可促使近似天然心材的形成。刘小金[8]对檀香Santalum album 树干填充C2H4、CO2和N2发现，仅填充CO2处理的檀香心材中提炼的精油含量可达国际标准，说明填充气态类物质可作为一种新型外源物质诱导土沉香结香的方式。目前，关于液态物质诱导结香技术研究颇多，但采用气态类物质诱导土沉香结香的研究相对较少。Chowdhury等 [12]认为化学物质可刺激沉香的形成，其中以亚硫酸氢钠、酵母提取物和铁粉按质量比1︰1︰3混合诱导处理的效果最优。潘质洪[13]研究发现，茉莉酸甲酯、乙烯利及其混合溶液亦能诱导土沉香木质部次生代谢产物的积累，二者均以2%体积分数配置的混合溶液所产倍半萜类种类及相对含量的效果最好，茉莉酸甲酯次之，乙烯利最差。Subasinghe等[14]利用黑曲霉菌 Aspergillus niger和腐皮镰刀菌 Fusarium solani分别侵染土沉香发现，二者均可有效促进结香，其中腐皮镰刀菌诱导的沉香质量相对较好。Faizal等[15]采用腐皮镰刀菌通体结香研究也发现，诱导6个月时可取得较好的结香效果。因此，本研究在热带林业研究所珍贵树种培育课题组前期试验及研究报道的较优诱导方式基础上[12-17]，选用树干填充CO2进行优良配方耦合的方式，开展土沉香结香试验，旨在探究气−液耦合对沉香形成和成分的影响，为人工诱导土沉香结香提供新技术和新理论。
1. 材料与方法
1.1 试验材料
试验地位于广东省惠州市博罗县横河镇老圩村人工种植基地(114°6′E，23°20′N) ，选用生长健康、长势均匀的 13 年生土沉香为试验材料，平均胸径(12.58±0. 29) cm，平均树高(7.82±0. 31) m。
1.2 试验设计
采用随机区组试验设计，在研究报道的较优诱导方式[12-17]基础上，共设置4个气–液联合处理，分别是T1处理：CO2与体积比为1︰1的腐皮镰孢菌、黑绿木霉混合液；T2处理：CO2与浓度为30 mol·L−1的NaCl+20 mol·L−1的 FeCl2混合液；T3处理：CO2与浓度为0.5 mol·L−1的茉莉酸甲酯+3 mol·L−1的乙烯利混合液；T4处理：CO2与浓度为20 mol·L−1的NaCl+0.1 mol·L−1的茉莉酸甲酯+腐皮镰孢菌混合液；并且以只充CO2为对照处理(CK-1)，只打孔不充气作为空白对照(CK-2)，具体见表1。每个处理5株，3次重复，试验共计处理90 株。2020年11月，选择晴天开展试验。在诱导处理结束1年后，在处理中随机选取样株，进行各项指标测定。
表 1 CO2与液体物质组合处理Table 1. Combined treatment of CO2 and liquid substances处理
Treatment打孔
Perforate气态物质
Gaseous matter液体物质组合
Liquid substance combinationT1 打孔 CO2 腐皮镰孢菌+黑绿木霉(体积比为 1︰1) T2 打孔 CO2 NaCl (30 mol·L−1)+ FeCl2(20 mol·L−1 ) T3 打孔 CO2 茉莉酸甲酯(0.5 mol·L−1)+ 乙烯利(3 mol·L−1) T4 打孔 CO2 NaCl (20 mol·L−1)+ 茉莉酸甲酯(0.1 mol·L−1)+腐皮镰孢菌 CK-1 打孔 CO2 CK-2 打孔 1.3 处理方法
充气处理：在距离树干基部40 cm处钻取1个充气孔(直径10 mm)，充气具体操作步骤参照专利方法[18]，待充气完成后，使用铁夹将橡胶管夹紧以保证管内气体充盈。每隔15 d填充1次气体，持续处理3个月。
输液处理：距充气孔垂直上方及树干对面35 cm处各钻取1个输液孔，控制流速保证输液完全滴注(250 mL/袋)，待输液完成后利用土沉香枝条填堵注射孔并用AB胶密封，之后进行充气处理。每隔1个月滴注1次液体, 持续处理3个月，垂直纵向输液孔两两间隔为40 cm。
1.4 指标测定
1.4.1 木质部组织结构内含物观察
每个处理随机选取1棵样株，在充气孔上方3 cm处，用生长锥钻取木芯，样品置于 FAA 固定液带回实验室后，制成2 mm厚的薄片，使用扫描电镜(JSM-6510LV，Japan) 观察木质部组织结构的变化并拍照记录。
1.4.2 木质部油脂类物质观察
取样方法同“1.4.1”，将样品置于FAA 固定液带回实验室后，采用石蜡切片法[19]固定样品，运用德国莱卡滑动切片机(Leica RM2255, Germany) 切取样品三切面(横切面、径切面和弦切面)，并使用高清数码相机(Pixera Pro 600ES，USA) 和光学显微镜( Olympus BX51，Japan) 拍照、观察。
1.4.3 木质部变色范围测定
每个处理随机选取3株，分别在处理孔(充气孔和输液孔)上下方使用内径0.5 cm的生长锥每隔3~5 cm钻取木芯，直至钻取木芯全为白木为止，室内绘制变色距离直观图。
1.4.4 醇溶性挥发油含量及成分测定
每个处理均选用5棵样株，在充气孔上方5 cm处，截取5 cm厚半圆片，将其置于40 ℃恒温干燥箱烘至恒质量。分别用小刀除去白木部分，将剩余的深色树脂部分(沉香区)粉碎后过40目筛网。称取2.00 g木粉粉末，置离心管中，加入φ为95%乙醇溶液20 mL，在水浴中超声处理30 min，取上清液，并重复上述操作1次。用0.45 μm滤膜将2次上清液定容到50 mL，通过旋转蒸发浓缩后计算精油含量[20]，最后求平均值。
精油成分采用气相色谱质谱(GC-MS)系统(安捷伦7890B-5977A，美国)进行测定。搜索NIST14库，依据保留指数鉴定化合物，计算峰面积，得到各组分的相对含量。色谱条件：色谱柱HP-5MSZ (30 m×0.25 mm×0.25 µm)；升温程序：起始温度70 ℃，保持1 min后，以10 ℃/min升至150 ℃，保持5 min；再以 5 ℃/min升至200 ℃，保持5 min；然后以8 ℃/min升至280 ℃，保持1 min。进样口温度250 ℃；载气为高纯He(φ为99.999%)，载气流量10 mL/min，进样量0.2 µL(不分流)，溶剂延迟4 min。质谱条件：色谱–质谱接口温度280 ℃；离子源温度230 ℃；电离方式 EI；电子能量70 eV，质量扫描范围35~350 AMU。
1.5 数据分析
采用Excel进行数据录入及预处理，运用SPSS 22.0和Origin 2021软件进行数据统计分析。
2. 结果与分析
2.1 木质部组织结构内含物变化
以CK-1和T2处理为例，土沉香木质部组织结构内含物见图1。处理前土沉香木质部导管、木射线细胞内存在大量淀粉粒(图1A~C)，导管纹孔、管壁结构清晰，但导管内未观察到累积形成的侵填物或油脂类物质(图1D)，诱导处理1年后，CK-1处理的导管、木射线出现絮状内含物的富集，淀粉粒在木射线细胞内逐渐消失，木薄壁细胞内开始积累絮状内含物，并通过导管–薄壁细胞的半具缘纹孔进入到相邻导管内，进一步在导管内或薄壁细胞内累积，但未完全堵塞导管和木射线细胞(图1E~G)。T2处理的导管、射线细胞内内含物大量富集，淀粉粒在木射线细胞内完全消失，导管和木射线细胞内油脂类物质或内含物累积增多乃至完全堵塞(图1I~L)。由此可知，诱导结香过程可能与组织细胞内淀粉粒转化程度有关，与CK-1处理相比，T2处理明显促进了淀粉粒的分解转化，加快了导管和射线细胞内含物的形成和转运。
![]()
图 1 扫描电镜下不同处理的土沉香木质部内含物变化情况A~D：处理前；E~H：CK-1处理；I~L：T2处理；A、D、E、I横切面上箭头所指为导管、木射线和木纤维；B、C中箭头所指为木射线内淀粉粒；F、J、K中箭头所指为导管内油脂粒和侵填物；G、H、L中箭头所指为木射线细胞侵填物Figure 1. Changes of xylem inclusions of Aquilaria sinensis in different treatments under scanning electron microscopyA−D: Before treatment; E−H: CK-1 treatment; I−L: T2 treatment; Arrows in cross-sections of A, D, E and I are vessel, wood rays and wood fibres; Arrows in B and C are starch grains in wood rays; Arrows in F, J and K are oil grains and infestations in ducts; Arrows in G, H and L are infestations in wood ray cells2.2 木质部油脂类物质分布
从图2可见，不同诱导处理的土沉香木质部结构相似，横切面导管呈椭圆形或卵圆形，多个单管孔排列为径向复管孔或管孔团，弦切面导管以单列型射线为主，呈现为两头细中间宽的梭形或椭圆形，均匀分布，径切面木射线内涵韧皮部呈不间断的横向分布。其主要区别在于，不同诱导处理下木质部累积褐色或深褐色油脂类的范围不同。经诱导处理1年后，显微观察树干木质部三切面(横切面、径切面和弦切面)褐色或深褐色油脂类累积形成的区域(图2A~O)，发现油脂类物质大多累积在导管、木射线细胞和内涵韧皮部中，而未处理样品三切面(图2P~R)并未在细胞内观察到油脂类物质存在。经显微对比分析发现，T2处理(图2D~F)深褐色油脂类在导管、木射线细胞和内含韧皮部积累最多，其诱导效果最好；其次为T1(图2A~C)和T3处理(图2G~I)，也可明显观察到导管、木射线细胞和内涵韧皮部中存在油脂类物质；仅单独充CO2的CK-1处理的效果较差，仅在薄壁组织和导管内发现少量油脂类物质(图2M~O)。空白对照组CK-2处理，在导管、木射线和薄壁细胞内并未观察到油脂类物质存在(图2P~R)。
![]()
图 2 光学显微镜下不同诱导处理的土沉香木质部三切面解剖差异图中箭头尾部大写字母V：导管，O：油脂，IP：薄壁细胞，F：木纤维，XR：木射线Figure 2. Anatomical differences of three-section planes of Aquilaria sinensis xylem in different induction treatments under light microscopyFor the capital letter at the end of the arrow in the diagram, V: Vessel, O: Wood grease, IP: Parenchyma cell, F: Wood fiber, XR: Wood ray2.3 树干木质部木芯变色距离
由图3可见，不同诱导处理对土沉香树干木质部木芯变色距离影响不同，其相似点在于木芯纵向和横向变色距离随着距处理孔位置越远变色距离越短。经诱导处理1年后， T2处理诱导土沉香变色距离效果最好，其纵向变色距离最长，达100 cm，是CK-1处理的2.86倍，其次为T1处理纵向变色距离达89 cm，效果最差为CK-1和CK-2处理。在木芯横向变色距离上，各处理之间尽管差异不显著，但均高于CK-2。T2处理下木芯变色区和沉香区的横向变色距离均最长，分别为6.21和3.02 cm， T1处理木芯变色区和沉香区变色距离最长，分别达6.12和2.17 cm。根据表观估计，不同诱导处理诱导变色范围(纵向变色距离和横向木芯变色距离)大小排序为：T2处理>T1处理>T3处理>T4处理>CK-1处理>CK-2处理。
![]()
图 3 不同诱导处理土沉香树干木质部木芯变色距离横坐标0和35 cm分别代表充气孔和输液孔位置，负值代表纵向充气孔以下诱导变色距离Figure 3. Distance of discoloration of wood cores in woody parts of treated Aquilaria sinensis trunks in different induction treatmentsThe horizontal coordinates 0 and 35 cm represent the location of the inflation and infusion holes, respectively, and the negative values represent the distance of induced discoloration below the longitudinal inflation hole2.4 醇溶性挥发油含量及化学成分分析
由图4可见，经诱导处理1年后，不同诱导处理的土沉香醇溶性挥发油含量较对照组(CK-1、CK-2)均有不同程度的提高。其中，T2处理的土沉香醇溶性挥发油质量分数最高，达17.11%，分别是CK-1、CK-2处理的1.17和3.96倍；其次为T3处理，其醇溶性挥发油质量分数达16.00%；空白对照组(CK-2)的效果最差，其醇溶性挥发油质量分数仅达到4.00%。方差分析结果显示，T1~T4处理间的土沉香醇溶性挥发油含量差异不显著，但T2处理的醇溶性挥发油含量较T1、T3和T4处理均有所提升，与CK-1处理相比，仅T2处理诱导的土沉香醇溶性挥发油含量差异显著，其余3个处理与CK-1处理挥发油含量差异虽不显著，但均有不同程度的提高。
![]()
图 4 不同诱导处理的醇溶性挥发油含量柱子上方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 4. Contents of alcohol-soluble volatile oil under different induction treatmentsAny two columns with one identical lowercase letter on the bars indicates that the difference is not significant (P>0.05, Duncan’s method)不同诱导处理的土沉香挥发油成分种类及含量列于表2。CK-2处理并未检测出倍半萜和色酮类物质，主要成分以脂肪酸类为主。T1~T4和CK-1处理土沉香样品醇溶性挥发油中分别检测到38、44、34、39、23个色谱峰，共鉴定出74种化学成分，主要包含33种萜烯类化合物、9种色酮类化合物、16种芳香族化合物和15种脂肪酸/烷烃类化合物，用峰面积归一化法测定的这些色谱峰在T1~T4和CK-1处理样品中的总相对含量之和分别为85.57%、92.97%、85.24%、83.86%、73.58%，其中，倍半萜类化合物和2−(2−苯乙基)色酮类成分相对含量之和分别为59.25%、78.26%、60.95%、54.82%和46.42%。5种诱导方式下的挥发性成分中，共有的成分主要为11种，包括倍半萜类：白木香醛、α−愈创木烯、香橙烯、长叶烯、沉香螺醇、苯甲醛、苄基丙酮；色酮类：2−(2−苯乙基)色酮、2−[2−(4−甲氧基)苯乙基]色酮、6，7−二甲氧基−2−(2−苯基乙基)色酮和6−甲氧基−2−(4−甲氧基苯乙基)色酮。其中，7种特征性物质成分白木香醛、α−愈创木烯、香橙烯、长叶烯、沉香螺醇、苯甲醛、苄基丙酮相对含量之和分别占5种诱导处理倍半萜类总相对含量的52.74%、56.08%、35.47%、46.96%和40.71%。
表 2 不同处理下土沉香挥发油成分及相对含量Table 2. Chemical constituents and relative contents of agarwood extracted oils under different treatments序号
No.化合物1)
Compound分子式
Molecular formula相对含量/% Relative content T1 T2 T3 T4 CK-1 1 苯甲醛1 Benzaldehyde C7H6O 3.33 3.23 4.20 2.70 2.48 2 苄基丙酮1 2-Butanone, 4-phenyl- C10H12O 2.86 4.74 4.71 1.40 3.72 3 石竹烯−(I1)1 Caryophyllene-(I1) C15H24 — — 0.13 1.21 — 4 5−甲氧基−1,3−二甲基吡唑
5-Methoxy-1,3-dimethyl-pyrazoleC6H10N2O 0.47 0.74 — 0.32 — 5 2,5−二甲基庚−1,3,5−三烯2 2,5-Dimethylhepta-1,3,5-triene C9H14 — 0.38 — 0.21 — 6 (−)−蓝桉烯3 (-)-Globulol C14H22O — — — 0.97 — 7 2−异丙氧基丙酸乙酯 2-Isopropoxyethyl propionate C8H16O3 — — 1.78 — — 8 白菖烯1 Alloaromadenderen C15H24 3.56 4.69 2.52 1.86 — 9 苯丙醛1 Benzenepropanal C9H10O 0.36 — 5.65 — 0.52 10 氢化肉桂酸1 Hydrocinnamic acid C9H10O2 — — 3.07 1.06 1.32 11 2,4−二叔丁基苯酚3 2,4-Di-tert-butylphenol C14H22O — 0.49 — — — 12 2′−羟基−5′−甲氧基苯乙酮3
Ethanone,1-(2-hydroxy-5-methoxyphenyl)-C9H10O3 — — 0.69 1.95 — 13 β−水芹烯3 Beta-phellandrene C10H16 0.42 — — 0.75 — 14 1−甲基−4−(2−甲基环氧)−7−氧双环[4.1.0]庚烷2
7-Oxabicyclo[4.1.0]heptane, 1-methyl-4-(2-methyloxiranyl)-C10H16O2 0.45 — 0.70 — — 15 二十烷2 Eicosane C20H42 1.31 1.58 — 1.84 4.21 16 十二烷−9−酮2
Oxatetracyclo[5.3.2.0(2,7).0(2,8)]dodecan-9-oneC11H14O2 0.53 — 0.72 0.93 — 17 异香橙烯环氧化物1 Isoaromadendrene epoxide C15H24O 2.75 — 1.56 1.20 0.85 18 赤藓糖醇1 Erythritol C4H10O4 — 1.73 5.02 — 1.17 19 戊烯醇1 Valerenol C15H24O — — 0.34 — 0.62 20 木香醇1 Costol C15H24O — 0.47 — 1.52 — 21 沉香螺醇1 Agarospirol C15H26O 0.56 2.47 1.11 0.97 0.43 22 缬草−4,7(11)−二烯1 Valerena-4,7(11)-diene C15H24 1.77 1.21 — 2.47 1.47 23 白木香醛1 Baimuxinal C15H22O2 4.39 7.84 3.75 3.56 1.65 24 缬草素1 Valerenic acid C15H22O2 — 1.81 0.38 1.53 2.42 25 α−愈创木烯1 α-Guaiene C15H24 1.34 1.47 0.56 1.44 0.84 26 2−羟基−3−丙基−1,4−萘醌
1,4-Naphthalenedione, 2-hydroxy-3-propyl-C13H12O3 1.33 — — — — 27 1,3−二氢−5−甲乙基−1−苯甲基甲酮
1,3-dihydro-5-(1-methylethyl)-1-(phenylmethyl)-
2H-imidazole-2-thioneC13H16N2S 5.35 — — — 3.85 28 β−朱栾3 β-Vatirenene C15H22 — 2.58 1.39 1.71 — 29 2,2,8,8−四甲基−3,6−壬二烯−5−酮
3,6-Nonadien-5-one,2,2,8,8-tetramethyl-C13H18O 0.41 1.42 — — — 30 (+)−香橙烯1 Aromandendrene C15H24 2.28 2.38 1.04 1.95 0.73 31 长叶烯1 Longifolene C15H24 1.46 1.30 1.28 2.45 0.43 32 1H−茚−4−羧酸,2,3,6,7−四氢−7−甲基鸟苷−,乙酯
1H-indene-4-carboxylic acid, 2,3,6,7-tetrahydro-7-methyl-, ethyl esterC13H18O2 0.97 — — — 0.62 33 β−紫罗兰酮3 Trans-β-ionone C13H20O 1.46 2.40 — — 0.70 34 芹子烯1 α-Selinene C15H24 1.24 3.27 2.10 0.86 0.32 35 β−芸烯3 β-Vatirenene C15H22 0.94 — — 1.79 — 36 长叶香芹酮1 Longipinocarvone C15H22O — 2.53 — — 0.84 37 氧化二烯(I)1 Cycloheptane C15H10ClN3O 0.60 — — — 0.53 38 2−乙基吖啶3 2-Ethylacridine C15H10ClN3 1.19 — — — 0.74 39 1−苄氧基−8−萘酚2 8-Naphthol, 1-(benzyloxy)- C17H14O2 — — 1.15 — 0.58 40 间苯乙基苯甲腈3 Benzonitrile, m-phenethyl- C15H13N 1.87 — 1.58 — — 41 2−异丙基噻唑烷−3,4−二羧酸,3−苄酯2
2-Isopropyl-thiazolidine-3,4-dicarboxylic acid, 3-benzyl esterC15H19NO4S 1.46 0.13 — 0.37 4.27 42 2−二甲基−1,2,3,4, 4a,5,6,8a−八氢萘−2−丙烯醛2
2-Dimethyl-1,2,3,4,4a,5,6,8a-octahydronaphthalen-2-acrylaldehydeC15H22O — 1.41 — — — 43 3,4,4−三甲基−3−(3−甲基−1,3−丁二烯基)−双环[4.1.0]庚烷−2−酮2
Bicyclo[4.1.0]heptan-2-one, 3,4,4-trimethyl-3-(3-methyl-1,3-butadienyl)-C15H22O 1.18 — — 0.38 — 44 1,5−二甲基−8−(1−甲基亚乙基)−1,5−环癸二烯
1,5-Cyclodecadiene, 1,5-dimethyl-8-(1-methylethylidene-, E,E)-C15H24 0.90 0.58 — 1.41 — 45 3−羟基−2−对甲苯基−2−丁烯腈3
3-Hydroxy-2-p-tolyl-2-butenenitrileC11H11NO 2.25 — — — 1.45 46 蛇麻烯3 Humulene C15H24O 0.89 1.37 0.58 1.57 — 47 甲基丁香酚3 Methyleugenol C11H14O2 — 1.47 — 0.51 — 48 Α−乙基苯甲醇乙酸酯3
Acetic acid, 1-phenylpropyl esterC11H14O2 1.78 1.54 — 1.42 2.53 49 4−(4−甲氧苯基)−2−丁酮3
2-Butanone, 4-(4-methoxyphenyl)-C11H14O2 — 0.29 1.43 1.74 1.53 50 香树烯1 Alloaromadendrene C15H24 0.85 1.72 0.37 — — 51 Bicyclo[7.2.0]undecane, 10,10-dimethyl-2,6-bis(methylene)-,
[1S-(1R*,9S*)]-C15H24 0.59 0.32 — 1.04 — 52 别香氧化物1 Alloaromadendrene oxide-(2) C15H24O 0.87 — 0.56 — 1.69 53 檀香醇α1 Santalol, cis, alpha- C15H24O — 1.38 — 1.06 1.42 54 新氯芬−(I),二氢 Neoclovene−(I), dihydro- C15H26 — 0.58 — — 1.54 55 N−丁基乙酰胺2 Acetamide, N-butyl- C6H13NO 0.70 — — — — 56 2−乙酰基噻吩2 Ethanone,1-(2-thienyl)- C6H6OS — 0.32 — 0.82 — 57 1−十六烯1 Hexadecane C16H32 — — 3.46 — — 58 2−苯乙基−4H−色烯−4−酮4
2-Phenethyl-4H-chromen-4-oneC17H14O2 4.41 7.04 8.23 5.02 4.46 59 6−甲氧基−2−苯乙基−4H−苯并吡喃−4−酮4
6-Methoxy-2-phenethyl-4H-chromen-4-oneC18H16O3 0.75 2.08 — — — 60 2−[2−(4−甲氧基)苯乙基]色酮4
2-(2-(4-Methoxyphenethyl)) chromenC18H16O3 5.80 3.32 4.87 3.17 2.73 61 2−甲基腺苷 Adenosine, 2-methyl- C11H15N5O4 — 0.24 — 0.42 — 62 十八烯酸2 Oleic Acid C18H34O2 1.34 0.67 — 0.85 0.68 63 2−(2−羟基丙酰基)苯基乙醛酸甲酯3
2-(2-Hydroxypropionyl)phenylglyoxylic acid, methyl esterC12H12O5 1.01 — — — — 64 3−(4−氨基苯基)甲基−4−戊二酮3
4-pentanedione, 3-[(4-aminophenyl)methyl]-C12H15NO2 — — 0.31 — — 65 1,2,4−三乙苯3 Benzene, 1,2,4-triethyl- C12H18 — 0.45 — 0.18 — 66 正十八烷2 Octadecane C18H38 — — 1.48 0.42 — 67 3−甲基−2−(4−甲氧基苯乙基)色酮4
3-Methoxyl-2-(4-methoxyphenyl)-chromoneC19H18O3 — 3.58 — — 5.79 68 6−甲氧基−2−(4−甲氧基苯乙基)色酮4
6-Methoxy-2-(4-methoxyphenyl)chromoneC19H18O4 3.40 12.25 3.22 2.49 1.48 69 6,7−甲氧基−2−(2−苯乙基)−4−色酮4
6,7-Methoxy-2-phenethyl-4H-chromenC19H18O4 15.19 10.64 3.12 15.06 — 70 6,7−二甲氧基−2− (4−甲氧基苯基)−4H−乙基色酮4
6,7-Dimethoxy-2-(4-methoxyphenethyl)-4H-
chromen-4-oneC20H20O5 2.80 3.03 — — 1.28 71 2−甲基十九烷2 Nonadecane, 2-methyl- C20H42 0.57 — — — 0.74 72 姜烯酮 A1 Gingerenone A C21H24O5 0.86 — 0.64 0.31 — 73 正二十六烷2 Hexacosane C26H54 — — 0.57 — 1.72 74 6,7−二甲氧基−2−(2−苯乙基)色酮4
6,7-Dimethoxy-2-(2-phenethyl)chromoneC31H45NO5 4.45 7.41 4.63 5.84 10.9 主要有效成分
Main active ingredients倍半萜类
Sesquiterpenoids28.21 34.27 41.92 32.23 24.35 色酮类
Chromones36.81 49.35 24.59 35.61 29.76 芳香族
Aromatic11.81 9.35 5.98 7.14 8.24 脂肪酸/烷烃类
Fatty acids/alkanes6.08 5.36 14.17 9.88 10.43 合计 Total 82.91 98.33 86.66 84.86 72.78 1)上角标数字表示物质类别，其中，1：倍半萜类物质，2：脂肪酸/烷烃类物质，3：芳香族物质，4：色酮类物质；“—”表示未检测出该物质 1)Upper corner numbers indicate substance groups, where 1: Sesquiterpenes, 2: Chromones, 3: Aromatic substances, 4: Fatty acids/alkanes; “—” indicates that the substance was not detected 3. 讨论与结论
沉香是树体受到外界刺激或损伤后激活树体防御反应，经长期缓慢累积而成的[16]。为提高沉香的产量和质量，探索高效的人工诱导方法迫在眉睫。本研究发现，诱导处理后内涵韧皮部、木射线和导管中均出现褐色或黑褐色油脂类物质积累现象，油脂类物质或内含物通过导管–薄壁细胞间纹孔进入相邻导管内积累甚至完全堵塞，并伴随着类似心材变色现象，该现象与前人研究结果一致[17，21]。变色区域在一定程度上反映了土沉香次生代谢物积累的程度，且与沉香质量及挥发油含量存在直接的关系，表现为木质部含有的黑褐色物质越多，挥发油含量越高。
沉香富含多种有机物质，不同诱导方式所产沉香成分存在差异，但其主要成分为倍半萜类和色酮类物质[14]。对本研究所产沉香样品检测发现，CO2与真菌、无机盐联合诱导所产沉香样品中的色酮类成分相对百分含量更高，这与廖格等[22]、Ma等[23]研究结果一致，但色酮类成分相对百分含量略低，这可能是诱导处理材料及处理时间的差异引起的。另外，由于检测方式中Nist和Wiley质谱库包含的2−(2−苯乙基)色酮类化合物的质谱数据极其有限，而目前已报道的2−(2−苯乙基)色酮类化合物多达几十种，因此，对于评价沉香品质的2−(2−苯乙基)色酮类色谱库的建立极有必要。相比而言，CO2与激素联合诱导所产沉香样品中倍半萜类相对百分含量更高，这与宋晓琛等[17]、王之胤[24]研究的结论一致，其主要原因可能是激素刺激启动了土沉香信号转导途径，促进沉香成分中脂类和倍半萜类物质的积累[13,25]。相较于前期仅采用生物和化学方式诱导结香试验[17-18]，本试验采用了耦合的方式，所产沉香成分中色酮类和倍半萜类相对百分含量均有提升，尤其是倍半萜类相对百分含量提升更多，这可能与充入CO2对土沉香树体造成高度物理损伤以及CO2自身可促进萜类物质的生物代谢与合成有关。此外，本试验诱导处理所结沉香中均检测到富含与天然沉香相似的挥发性成分苄基丙酮和沉香螺醇，以及与沉香品质相关的倍半萜类特征性成分白木香醛、香橙烯、长叶烯等。杨锦玲等[26]、Hashim等[27]研究报道，通过对沉香成分中另一类特征性成分2−(2−苯乙基)色酮类化合物含量进行沉香品质定量评价，结果显示，沉香色酮含量与品质呈正相关。本研究通过GS-MS技术分析色酮类特征性成分2−(2−苯乙基)色酮和2−[2−(4−甲氧基)苯乙基]色酮相对含量，结果显示，5种诱导处理的色酮类特征成分含量之和达到7.19%~13.1%，显著高于黄熟香和吊口沉香色酮类特征成分含量[26]。在诸多研究中，均以这些具有药理活性的特征成分相对百分含量作为评价沉香等级和沉香质量的重要参考指标[28]。本研究通过比较不同诱导方式所产沉香特征性成分(白木香醛、α−愈创木烯、香橙烯、长叶烯、沉香螺醇、苯甲醛、苄基丙酮)及含量，发现CO2与无机盐联合诱导所产沉香倍半萜类特征性成分的总含量最高, 为23.43%，其次为CO2与真菌联合诱导所产沉香(16.22%)，而单独CO2处理所产沉香含量最低(10.28%)，因此在诱导所产沉香品质评价中，以CO2与无机盐联合诱导更具有优势。
综上所述，本试验以不同诱导方式所产沉香为研究对象。通过对所产沉香微观特征、醇溶性挥发油含量、沉香特征成分和含量分析发现，均符合《LY/T 2904—2017 沉香》[29]的相关要求，且诱导所产沉香样品醇溶性挥发油含量明显高于《中国药典》标准。其中CO2与无机盐耦合诱导土沉香特征性成分和含量均高于其他处理，醇溶性挥发油质量分数达17.11%，诱导所产沉香品质最好；其次为CO2与真菌联合诱导所产沉香，醇溶性挥发油质量分数达16.00%；仅填充CO2所产沉香较差，醇溶性挥发油质量分数为11.12%。
-
![]()
图 2 地面监测平台示意图
a：固定式车载监测平台；b：固定式高地隙检测平台；c：可调节式高地隙监测平台；d：高地隙自走式监测平台；e：履带型自走式监测平台；f：挪威生命科学大学Thorvald II；g：PhenoWatch-GF门架式植物表型成像系统；h：Scanalyzer Field门架式平台
Figure 2. The diagrams of ground monitoring platforms
a: Fixed vehicle-mounted monitoring platform; b: Fixed highland detection platform; c: Adjustable highland monitoring platform; d: Highland self-propelled monitoring platform; e: Tracked self-propelled monitoring platform; f: Thorvald II, Norwegian University of Life Sciences; g: PhenoWatch-GF gantry plant phenotype imaging system; h: Scanalyzer Field gantry platform
表 1 遥感传感器的优缺点及应用场景
Table 1 Advantages and disadvantages of remote sensing sensors and application scenarios
传感器类型 Sensor type 优点 Advantage 缺点 Disadvantage 应用场景 Application Scenario 可见光相机 RGB camera 体积小、成本低、数据量小、数据结构简单且直观 受天气影响大，波段少 产量预估、作物分类、氮素含量估算等[56-57] 多光谱成像仪 Multispectral camera 光谱范围较大、波段较多、光谱分辨率较高 无法提供连续的高光谱分辨率频谱信息 作物表型反演、病虫草害监测， 水分胁迫监测等[34, 58] 高光谱成像仪 Hyperspectral camera 可提供完整且连续的光谱曲线 操作困难、成本高昂、数据过于复杂 叶面积指数、叶绿素含量监测、氮素含量估算等[59-60] 热成像相机 Thermal imaging camera 可将红外辐射图转化为可视的热量图 受环境影响大，获得信息较单一 作物表层温度、水分胁迫监测等[61-63] 激光雷达 Lidar 采集信息速度快、精度高 成本高，作用范围较小 作物点云信息采集等[64] 
下载: 导出CSV
表 2 不同类型田间作物监测平台优点和缺点
Table 2 Advantages and disadvantages of different types of field crop monitoring platforms
平台 Platform 类型 Type 优点 Advantage 缺点 Disadvantage 天基平台 Space-based platform 卫星 可进行大面积监测 成本高，精度相对较低 空基平台 Air-based platform 有人驾驶飞机 载荷能力高，可进行较大面积监测 需要专业飞行操作人员，成本较高 无人机 成本较低，可搭载多种传感器，可进行固定面积的快速监测 续航时间短，飞行高度低，载荷量低 飞艇 相较于有人驾驶飞机等成本更低，可进行较大面积监测 不能进行精确移动，飞行速度较慢 地基平台 Ground-based platform 车载式平台 可搭载多种传感器，操作简单 对田间行距有要求，需满足机械作业条件 自走式平台 可搭载多种传感器，适应性强，相较于车载式更灵活 造价高，智能程度低，仍没有商业化普及 门架式和悬索式固定平台 可进行连续作业，测量精度高 造价较高，监测区域有限 分布式无线网络平台 成本低，可根据需求进行动态配置 覆盖面积小，只能监测个体作物情况
下载: 导出CSV
表 3 不同信息分析方法的优缺点
Table 3 Advantages and disadvantages of different information analysis methods
方法 Method 优点 Advantage 缺点 Disadvantage 经典统计分析方法 Classical statistical analysis 简单易行，对计算机设备性能要求相对较低 只能概括基本规律及趋势，难以进行深层次挖掘 经典图像处理与计算机视觉技术 Traditional Image Processing and Computer Vision 图像传感器应用广泛，可以对数据进行多角度处理 图像易受环境因素的影响 机器学习方法 Machine Learning 从现有的数据中归纳出趋势，减少人工操作 样本数据量较大，而且训练样本的品质对最终的识别结果影响较大，硬件性能要求高 大数据分析方法 Big data 计算资源丰富，处理速度快 系统结构和数据分析方法不完善，运营成本高
下载: 导出CSV
-
[1] 岳学军, 蔡雨霖, 王林惠, 等. 农情信息智能感知及解析的研究进展[J]. 华南农业大学学报, 2020, 41(6): 14-28. doi: 10.7671/j.issn.1001-411X.202008044 [2] 张泽, 吕新, 侯彤瑜. 浅析中国农业信息化技术发展现状及存在的问题[J]. 教育教学论坛, 2019(14): 267-268. [3] TESTER M, LANGRIDGE P. Breeding technologies to increase crop production in a changing world[J]. Science, 2010, 327(5967): 818-822. doi: 10.1126/science.1183700
[4] FURBANK R T. Plant phenomics: From gene to form and function[J]. Functional Plant Biology, 2009, 36(10/11): 5-6.
[5] 姜玉英, 刘万才, 黄冲, 等. 2020年全国农作物重大病虫害发生趋势预报[J]. 中国植保导刊, 2020, 40(2): 37-39. [6] 刘杰, 姜玉英, 黄冲, 等. 2021年全国粮食作物重大病虫害发生趋势预报[J]. 中国植保导刊, 2021, 41(1): 37-39. [7] 2022年全国农作物重大病虫害发生趋势预报[J]. 中国植保导刊, 2022, 42(4): 107-108. [8] 赵春江. 智慧农业的发展现状与未来展望[J]. 华南农业大学学报, 2021, 42(6): 1-7. [9] ADAMCHUK V I, PERK R L, SCHEPERS J S. Applications of remote sensing in site-specific management[M]. Nebraska : University of Nebraska, 2003: 693-702.
[10] BAO Y, NAKAMI A, TANG L. Development of a field robotic phenotyping system for sorghum biomass yield component traits characterization[C]//2014 ASABE Annual International Meeting. American Society of Agricultural and Biological Engineers (ASABE), 2014.
[11] BAO Y, TANG L. Field-based robotic phenotyping for sorghum biomass yield component traits characterization using stereo vision[J]. IFA-PapersOnLine, 2016, 49(16): 265-270. doi: 10.1016/j.ifacol.2016.10.049
[12] ZHU J M, INGRAM P A, BENFEY P N, et al. From lab to field, new approaches to phenotyping root system architecture[J]. Current Opinion in Plant Biology, 2011, 14(3): 310-317. doi: 10.1016/j.pbi.2011.03.020
[13] AMATO M, BITELLA G, ROSSI R, et al. Multi-electrode 3D resistivity imaging of alfalfa root zone[J]. European Journal of Agronomy, 2009, 31(4): 213-222. doi: 10.1016/j.eja.2009.08.005
[14] FETTER K C, EBERHARDT S, BARCLAY R S, et al. StomataCounter: A neural network for automatic stomata identification and counting[J]. New Phytologist, 2019, 223(3): 1671-1681. doi: 10.1111/nph.15892
[15] LIU X X, FU X, YU S, et al. Convolutional recurrent neural networks for observation-centered plant identification[J]. Journal of Electrical and Computer Engineering, 2018, 2018: 1-7.
[16] ZHU H Y, HUANG X Y, ZHANG S P, et al. Plant identification via multipath sparse coding[J]. Multimedia Tools and Applications, 2017, 76(3): 4599-4615. doi: 10.1007/s11042-016-3538-4
[17] 蔡坤, 徐兴, 俞龙, 等. 基于LVDS传输线延时检测技术的土壤含水率传感器[J]. 农业机械学报, 2016, 47(12): 315-322. doi: 10.6041/j.issn.1000-1298.2016.12.039 [18] 蔡坤, 岳学军, 洪添胜, 等. 基于RC网络相频特性的土壤含水率传感器设计[J]. 农业工程学报, 2013, 29(7): 36-43. [19] BENEDET L, ACUÑA-GUZMAN S F, FARIA W M, et al. Rapid soil fertility prediction using X-ray fluorescence data and machine learning algorithms[J]. Catena, 2021, 197: 105003. doi: 10.1016/j.catena.2020.105003
[20] 董彭赓. 新型自动气象站在农业气象观测中的应用分析[J]. 农业灾害研究, 2021, 11(11): 83-84. doi: 10.3969/j.issn.2095-3305.2021.11.037 [21] 李轩, 吴门新, 侯英雨, 等. 农业气象大数据共享平台设计与实现[J]. 中国农业气象, 2022, 43(8): 657-669. doi: 10.3969/j.issn.1000-6362.2022.08.006 [22] 欧善国, 彭晓丹, 凌洋. 广州智慧农业气象服务平台设计与实现[J]. 气象科学, 2022, 42(2): 270-278. [23] 翟肇裕, 曹益飞, 徐焕良, 等. 农作物病虫害识别关键技术研究综述[J]. 农业机械学报, 2021, 52(7): 1-18. doi: 10.6041/j.issn.1000-1298.2021.07.001 [24] 管泽鑫, 姚青, 杨保军, 等. 数字图像处理技术在农作物病虫草识别中的应用[J]. 中国农业科学, 2009, 42(7): 2349-2358. doi: 10.3864/j.issn.0578-1752.2009.07.012 [25] 张竞成, 袁琳, 王纪华, 等. 作物病虫害遥感监测研究进展[J]. 农业工程学报, 2012, 28(20): 1-11. [26] DELWICHE S R, KIM M S. Hyperspectral imaging for detection of scab in wheat[M]//Biological quality and precision agriculture II. Massachusetts State: SPIE, 2000: 13-20.
[27] HUANG W, LAMB D W, NIU Z, et al. Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging[J]. Precision Agriculture, 2007, 8(4/5): 187-197.
[28] GRIFFEL L M, DELPARTE D, EDWARDS J. Using support vector machines classification to differentiate spectral signatures of potato plants infected with potato virus Y[J]. Computers and Electronics in Agriculture, 2018, 153: 318-324. doi: 10.1016/j.compag.2018.08.027
[29] KAUR R, KANG S S. An enhancement in classifier support vector machine to improve plant disease detection[C]//2015 IEEE 3rd International Conference on MOOCs, Innovation and Technology in Education (MITE). IEEE, 2015: 135-140.
[30] TURKOGLU M, HANBAY D. Plant disease and pest detection using deep learning-based features[J]. Turkish Journal of Electrical Engineering and Computer Sciences, 2019, 27(3): 1636-1651. doi: 10.3906/elk-1809-181
[31] LOUARGANT M, JONES G, FAROUX R, et al. Unsupervised classification algorithm for early weed detection in row-crops by combining spatial and spectral information[J]. Remote Sensing, 2018, 10(671): 1-18.
[32] HALL D, DAYOUB F, PEREZ T, et al. A rapidly deployable classification system using visual data for the application of precision weed management[J]. Computers and Electronics in Agriculture, 2018, 148: 107-120. doi: 10.1016/j.compag.2018.02.023
[33] 余小东, 杨孟辑, 张海清, 等. 基于迁移学习的农作物病虫害检测方法研究与应用[J]. 农业机械学报, 2020, 51(10): 252-258. doi: 10.6041/j.issn.1000-1298.2020.10.028 [34] 赵静, 李志铭, 鲁力群, 等. 基于无人机多光谱遥感图像的玉米田间杂草识别[J]. 中国农业科学, 2020, 53(8): 1545-1555. [35] 彭文, 兰玉彬, 岳学军, 等. 基于深度卷积神经网络的水稻田杂草识别研究[J]. 华南农业大学学报, 2020, 41(6): 75-81. [36] LEHOTAY S J, SON K A, KWON H, et al. Comparison of QuEChERS sample preparation methods for the analysis of pesticide residues in fruits and vegetables[J]. Journal of Chromatography A, 2010, 1217(16): 2548-2560. doi: 10.1016/j.chroma.2010.01.044
[37] 刘美辰. 石墨炉原子吸收光谱法和胶体金快速定量法测定粮食中铅的对比研究[J]. 食品研究与开发, 2019, 40(9): 149-153. doi: 10.3969/j.issn.1005-6521.2019.09.025 [38] JIN M, LIU X N, WU L, et al. An improved assimilation method with stress factors incorporated in the WOFOST model for the efficient assessment of heavy metal stress levels in rice[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 41: 118-129. doi: 10.1016/j.jag.2015.04.023
[39] ZHOU X, ZHENG H B, XU X Q, et al. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 246-255. doi: 10.1016/j.isprsjprs.2017.05.003
[40] OLSON D, CHATTERJEE A, FRANZEN D W, et al. Relationship of drone-based vegetation indices with corn and sugarbeet yields[J]. Agronomy Journal, 2019, 111(5): 2545-2557. doi: 10.2134/agronj2019.04.0260
[41] DUAN B, FANG S, ZHU R, et al. Remote estimation of rice yield with unmanned aerial vehicle (UAV) data and spectral mixture analysis[J]. Frontiers in Plant Science, 2019, 10: 1-14.
[42] IHUOMA S O, MADRAMOOTOO C A. Recent advances in crop water stress detection[J]. Computers and Electronics in Agriculture, 2017, 141: 267-275. doi: 10.1016/j.compag.2017.07.026
[43] ROMERO M, LUO Y C, SU B F, et al. Vineyard water status estimation using multispectral imagery from an UAV platform and machine learning algorithms for irrigation scheduling management[J]. Computers and Electronics in Agriculture, 2018, 147: 109-117. doi: 10.1016/j.compag.2018.02.013
[44] 甘平, 董燕生, 孙林, 等. 基于无人机载LiDAR数据的玉米涝灾灾情评估[J]. 中国农业科学, 2017, 50(15): 2983-2992. [45] 董锦绘, 杨小冬, 高林, 等. 基于无人机遥感影像的冬小麦倒伏面积信息提取[J]. 黑龙江农业科学, 2016(10): 147-152. [46] HAULE J, MICHAEL K. Deployment of wireless sensor networks (WSN) in automated irrigation management and scheduling systems: A review[C]//Proceedings of the 2nd Pan African International Conference On Science, Computing and Telecommunications (PACT 2014). IEEE, 2014: 86-91.
[47] 王林惠, 兰玉彬, 刘志壮, 等. 便携式柑橘虫害实时检测系统的研制与试验[J]. 农业工程学报, 2021, 37(9): 282-288. [48] 岳学军, 刘永鑫, 洪添胜, 等. 基于土壤墒情的自动灌溉控制系统设计与试验[J]. 农业机械学报, 2013, 44(S2): 241-246. [49] 徐兴, 岳学军, 林涛. 基于ZigBee网络的水环境无线监测系统设计[J]. 华南农业大学学报, 2013, 34(4): 593-597. [50] AZFAR S, NADEEM A, BASIT A. Pest detection and control techniques using wireless sensor network: A review[J]. Journal of Entomology and Zoology Studies, 2015, 3(2): 92-99.
[51] HE J L, WANG J L, HE D X, et al. The design and implementation of an integrated optimal fertilization decision support system[J]. Mathematical and Computer Modelling, 2011, 54(3/4): 1167-1174.
[52] KOLOKOTSA D, SARIDAKIS G, DALAMAGKIDIS K, et al. Development of an intelligent indoor environment and energy management system for greenhouses[J]. Energy Conversion and Management, 2010, 51(1): 155-168. doi: 10.1016/j.enconman.2009.09.007
[53] XIANG H, TIAN L. Development of autonomous unmanned helicopter based agricultural remote sensing system[C]//2006 ASAE Annual International Meeting. Portland: American Society of Agricultural and Biological Engineers, 2006.
[54] 程曼, 袁洪波, 蔡振江, 等. 田间作物高通量表型信息获取与分析技术研究进展[J]. 农业机械学报, 2020, 51(S1): 314-324. doi: 10.6041/j.issn.1000-1298.2020.S1.037 [55] 张保辉, 查燕, 史云. 智慧农业装备依赖进口情况、潜在风险及对策建议[J]. 中国农业信息, 2019, 31(4): 113-120. doi: 10.12105/j.issn.1672-0423.20190412 [56] 李红军, 李佳珍, 雷玉平, 等. 无人机搭载数码相机航拍进行小麦、玉米氮素营养诊断研究[J]. 中国生态农业学报, 2017, 25(12): 1832-1841. doi: 10.13930/j.cnki.cjea.170996 [57] 周元琦, 王敦亮, 陈晨, 等. 基于无人机RGB图像颜色及纹理特征指数的小麦产量预测[J]. 扬州大学学报(农业与生命科学版), 2021, 42(3): 110-116. doi: 10.16872/j.cnki.1671-4652.2021.03.017 [58] 田婷, 张青, 张海东. 无人机遥感在作物监测中的应用研究进展[J]. 作物杂志, 2020(5): 1-8. [59] 束美艳, 陈向阳, 王喜庆, 等. 基于高光谱数据的玉米叶面积指数和生物量评估[J]. 智慧农业(中英文), 2021, 3(1): 29-39. [60] 冯伟, 姚霞, 朱艳, 等. 基于高光谱遥感的小麦叶片含氮量监测模型研究[J]. 麦类作物学报, 2008, 28(5): 851-860. [61] 李真, 史智兴, 王成, 等. 红外热成像技术在作物胁迫检测方面的应用[J]. 农机化研究, 2016, 38(1): 232-237. [62] 魏嘉呈, 刘俊岩, 何林, 等. 红外热成像无损检测技术研究发展现状[J]. 哈尔滨理工大学学报, 2020, 25(2): 64-72. [63] 甘海明, 岳学军, 洪添胜, 等. 基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型[J]. 华南农业大学学报, 2018, 39(3): 102-110. doi: 10.7671/j.issn.1001-411X.2018.03.016 [64] 张漫, 苗艳龙, 仇瑞承, 等. 基于车载三维激光雷达的玉米点云数据滤波算法[J]. 农业机械学报, 2019, 50(4): 170-178. doi: 10.6041/j.issn.1000-1298.2019.04.019 [65] HOFFER R M. Biological and physical considerations in applying computer-aided analysis techniques to remote sensor data[M]//SWAIN P H, DAVIS S M. Remote sensing: The quantitative approach. New York: McGraw-Hill Book Company, 1978: 227-289.
[66] FU Y Y, YANG G J, WANG J H, et al. Winter wheat biomass estimation based on spectral indices, band depth analysis and partial least squares regression using hyperspectral measurements[J]. Computers and Electronics in Agriculture, 2014, 100: 51-59. doi: 10.1016/j.compag.2013.10.010
[67] 庄东英, 李卫国, 武立权. 冬小麦生物量卫星遥感估测研究[J]. 干旱区资源与环境, 2013, 27(10): 158-162. doi: 10.13448/j.cnki.jalre.2013.10.018 [68] HUNT E R, DORAISWAMY P C, MCMURTREY J E, et al. A visible band index for remote sensing leaf chlorophyll content at the canopy scale[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 21: 103-112. doi: 10.1016/j.jag.2012.07.020
[69] 李卫国, 王纪华, 赵春江, 等. 冬小麦抽穗期长势遥感监测的初步研究[J]. 江苏农业学报, 2007(5): 499-500. doi: 10.3969/j.issn.1000-4440.2007.05.026 [70] 赵春江. 农业遥感研究与应用进展[J]. 农业机械学报, 2014, 45(12): 277-293. doi: 10.6041/j.issn.1000-1298.2014.12.041 [71] 邢素丽, 张广录. 我国农业遥感的应用现状与展望[J]. 农业工程学报, 2003(6): 174-178. doi: 10.3321/j.issn:1002-6819.2003.06.041 [72] 吴志峰, 骆剑承, 孙营伟, 等. 时空协同的精准农业遥感研究[J]. 地球信息科学学报, 2020, 22(4): 731-742. doi: 10.12082/dqxxkx.2020.190726 [73] 张传波, 李卫国, 张宏, 等. 遥感光谱指标和神经网络结合的冬小麦地上部生物量估测[J]. 麦类作物学报, 2022, 42(5): 631-639. doi: 10.7606/j.issn.1009-1041.2022.05.14 [74] 张晓春, 刘海若, 严忆辉, 等. 基于物候特征的农田土壤表层含水率遥感反演[J]. 灌溉排水学报, 2021, 40(10): 1-9. doi: 10.13522/j.cnki.ggps.2021195 [75] DEERY D M, REBETZKE G J, JIMENEZ-BERNI J A, et al. Evaluation of the phenotypic repeatability of canopy temperature in wheat using continuous-terrestrial and airborne measurements[J]. Frontiers in Plant Science, 2019, 10: 875-893. doi: 10.3389/fpls.2019.00875
[76] REJEB A, ABDOLLAHI A, REJEB K, et al. Drones in agriculture: A review and bibliometric analysis[J]. Computers and Electronics in Agriculture, 2022, 198: 107017. doi: 10.1016/j.compag.2022.107017
[77] 郭亚东. 无人机低空遥感技术应用研究[J]. 产业与科技论坛, 2022, 21(3): 37-38. doi: 10.3969/j.issn.1673-5641.2022.03.015 [78] 樊湘鹏, 周建平, 许燕. 无人机低空遥感监测农情信息研究进展[J]. 新疆大学学报(自然科学版)(中英文), 2021, 38(5): 623-631. [79] 岳学军, 王林惠, 兰玉彬, 等. 基于DCP和OCE的无人机航拍图像混合去雾算法[J]. 农业机械学报, 2016, 47(S1): 419-425. [80] WANG L H, YUE X J, WANG H H, et al. Dynamic inversion of inland aquaculture water quality based on UAVs-WSN spectral analysis[J]. Remote Sensing, 2020, 12(3): 1-18. doi: 10.3390/rs12030402
[81] 岳学军, 全东平, 洪添胜, 等. 不同生长期柑橘叶片磷含量的高光谱预测模型[J]. 农业工程学报, 2015, 31(8): 207-213. [82] 黄双萍, 岳学军, 洪添胜, 等. 不同物候期柑橘叶片钾素水平预测建模[J]. 江苏大学学报(自然科学版), 2013, 34(5): 529-535. [83] 岳学军, 全东平, 洪添胜, 等. 柑橘叶片叶绿素含量高光谱无损检测模型[J]. 农业工程学报, 2015, 31(1): 294-302. doi: 10.3969/j.issn.1002-6819.2015.01.039 [84] 岳学军, 全东平, 洪添胜, 等. 基于流形学习算法的柑橘叶片氮含量光谱估测模型[J]. 农业机械学报, 2015, 46(6): 244-250. doi: 10.6041/j.issn.1000-1298.2015.06.035 [85] 张宏鸣, 谭紫薇, 韩文霆, 等. 基于无人机遥感的玉米株高提取方法[J]. 农业机械学报, 2019, 50(5): 241-250. [86] 樊鸿叶, 李姚姚, 卢宪菊, 等. 基于无人机多光谱遥感的春玉米叶面积指数和地上部生物量估算模型比较研究[J]. 中国农业科技导报, 2021, 23(9): 112-120. [87] 陈志超, 蒋贵印, 张正, 等. 基于无人机高光谱遥感的春玉米氮营养指数反演[J]. 河南理工大学学报(自然科学版), 2022, 41(3): 81-89. [88] 史东旭, 高德民, 薛卫, 等. 基于物联网和大数据驱动的农业病虫害监测技术[J]. 南京农业大学学报, 2019, 42(5): 967-974. doi: 10.7685/jnau.201812026 [89] 袁培森, 薛铭家, 熊迎军, 等. 基于无人机高通量植物表型大数据分析及应用研究综述[J]. 农业大数据学报, 2021, 3(3): 62-75. doi: 10.19788/j.issn.2096-6369.210307 [90] 谢芳. 基于物联网和人工智能的农业无人机路径规划系统[J]. 农机化研究, 2023, 45(6): 30-33. doi: 10.13427/j.cnki.njyi.2023.06.029 [91] 黄进良徐新刚吴炳方. 农情遥感信息与其他农情信息的对比分析[J]. 遥感学报, 2004, 8(6): 655-663. doi: 10.11834/jrs.20040616 [92] 罗锡文, 廖娟, 胡炼, 等. 我国智能农机的研究进展与无人农场的实践[J]. 华南农业大学学报, 2021, 42(6): 8-17. doi: 10.7671/j.issn.1001-411X.202108040 [93] THOMPSON A L, THORP K R, CONLEY M M, et al. Comparing nadir and multi-angle view sensor technologies for measuring in-field plant height of upland cotton[J]. Remote Sensing, 2019, 11(6): 1-19. doi: 10.3390/rs11060700
[94] 唐政, 余越, 刘羽飞, 等. 田间作物表型获取无人车平台主体结构设计与优化[J/OL]. 浙江大学学报(农业与生命科学版), (2022-05-19) [2022-09-28]. https://kns.cnki.net/kcms/detail/33.1247.S.20220518.2107.002.html. [95] 卢少志, 杨蒙, 杨万能, 等. 田间作物表型检测平台设计与试验[J]. 华中农业大学学报, 2021, 40(4): 209-218. doi: 10.13300/j.cnki.hnlkxb.2021.04.025 [96] 康凯, 袁洪波, 肖雪朋, 等. 自走式表型平台及在线自整定PID速度控制研究[J]. 农机化研究, 2022, 44(4): 19-25. doi: 10.3969/j.issn.1003-188X.2022.04.004 [97] YOUNG S N, KAYACAN E, PESCHEL J M. Design and field evaluation of a ground robot for high-throughput phenotyping of energy sorghum[J]. Precision Agriculture, 2019, 20(4): 697-722. doi: 10.1007/s11119-018-9601-6
[98] GRIMSTAD L, FROM P J. Software components of the Thorvald II modular robot[J]. Modeling Identification and Control, 2018, 39(3): 157-165. doi: 10.4173/mic.2018.3.2
[99] KIRCHGESSNER N, LIEBISCH F, YU K, et al. The ETH field phenotyping platform FIP: A cable-suspended multi-sensor system[J]. Functional Plant Biology, 2017, 44(1): 154-168. doi: 10.1071/FP16165
[100] BAI G, GE Y F, SCOBY D, et al. NU-Spidercam: A large-scale, cable-driven, integrated sensing and robotic system for advanced phenotyping, remote sensing, and agronomic research[J]. Computers and Electronics in Agriculture, 2019, 160: 71-81. doi: 10.1016/j.compag.2019.03.009
[101] GARCIA-SANCHEZ A J, GARCIA-SANCHEZ F, GARCIA-HARO J. Wireless sensor network deployment for integrating video-surveillance and data-monitoring in precision agriculture over distributed crops[J]. Computers and Electronics in Agriculture, 2011, 75(2): 288-303. doi: 10.1016/j.compag.2010.12.005
[102] DIAZ S E, PEREZ J C, MATEOS A C, et al. A novel methodology for the monitoring of the agricultural production process based on wireless sensor networks[J]. Computers and Electronics in Agriculture, 2011, 76(2): 252-265. doi: 10.1016/j.compag.2011.02.004
[103] ZHU B Q, HAN W T, WANG Y, et al. Development and evaluation of a wireless sensor network monitoring system in various agricultural environments[J]. Journal of Microwave Power and Electromagnetic Energy, 2014, 48(3): 170-183. doi: 10.1080/08327823.2014.11689881
[104] GEORGIEVA T, PASKOVA N, GAAZI B, et al. Design of wireless sensor network for monitoring of soil quality parameters[J]. Agriculture & Agricultural Science Procedia, 2016, 10: 431-437.
[105] 兰玉彬, 邓小玲, 曾国亮. 无人机农业遥感在农作物病虫草害诊断应用研究进展[J]. 智慧农业, 2019, 1(2): 1-19. [106] TAHIR M N, NAQVI S, LAN Y, et al. Real time monitoring chlorophyll content based on vegetation indices derived from multispectral UAVs in the kinnow orchard[J]. International Journal of Precision Agricultural Aviation, 2018, 1(1): 24-32.
[107] 王超, 王建明, 冯美臣, 等. 基于多变量统计分析的冬小麦长势高光谱估算研究[J]. 光谱学与光谱分析, 2018, 38(5): 1520-1525. [108] FU P, MEACHAM-HENSOLD K, GUAN K, et al. Estimating photosynthetic traits from reflectance spectra: a synthesis of spectral indices, numerical inversion, and partial least square regression[J]. Plant Cell & Environment, 2020, 43(5): 1241-1258.
[109] TARDIEU F, CABRERA-BOSQUET L, PRIDMORE T, et al. Plant phenomics, from sensors to knowledge[J]. Current Biology, 2017, 27(15): 770-783. doi: 10.1016/j.cub.2017.05.055
[110] 周济, TARDIEU F, PRIDMORE T, 等. 植物表型组学: 发展、现状与挑战[J]. 南京农业大学学报, 2018, 41(4): 580-588. doi: 10.7685/jnau.201805100 [111] 杨涛, 李晓晓. 机器视觉技术在现代农业生产中的研究进展[J]. 中国农机化学报, 2021, 42(3): 171-181. doi: 10.13733/j.jcam.issn.2095-5553.2021.03.024 [112] ZHANG C, SI Y, LAMKEY J, et al. High-throughput phenotyping of seed/seedling evaluation using digital image analysis[J]. Agronomy, 2018, 8(5): 63. doi: 10.3390/agronomy8050063
[113] YAO Q, XIAN D X, LIU Q J, et al. Automated counting of rice planthoppers in paddy fields based on image processing[J]. Journal of Integrative Agriculture, 2014, 13(8): 1736-1745. doi: 10.1016/S2095-3119(14)60799-1
[114] 刁智华, 袁万宾, 罗雅雯, 等. 基于图像处理的小麦白粉病病斑生长模型构建[J]. 中国农机化学报, 2019, 40(6): 158-161. doi: 10.13733/j.jcam.issn.2095-5553.2019.06.30 [115] 苗中华, 余孝有, 徐美红, 等. 基于图像处理多算法融合的杂草检测方法及试验[J]. 智慧农业(中英文), 2020, 2(4): 103-115. [116] 任全会, 杨保海. 图像处理技术在田间杂草识别中应用研究[J]. 中国农机化学报, 2020, 41(6): 154-158. [117] 刘丹, 诸叶平, 刘海龙, 等. 植物三维可视化研究进展[J]. 中国农业科技导报, 2015, 17(1): 23-31. doi: 10.13304/j.nykjdb.2014.579 [118] 季富华, 刘佳, 王利民. 农作物类型遥感识别算法及国产高分卫星应用示例[J]. 中国农业资源与区划, 2021, 42(7): 254-268. [119] 马怡茹, 吕新, 易翔, 等. 基于机器学习的棉花叶面积指数监测[J]. 农业工程学报, 2021, 37(13): 152-162. doi: 10.11975/j.issn.1002-6819.2021.13.018 [120] 杨明欣, 高鹏, 陈文彬, 等. 基于机器学习的油青菜心水分胁迫研究[J]. 华南农业大学学报, 2021, 42(5): 117-126. [121] BAEK I, KIM M S, CHO B K, et al. Selection of optimal hyperspectral wavebands for detection of discolored, diseased rice seeds[J]. Applied Sciences, 2019, 9(5): 1027. doi: 10.3390/app9051027
[122] 郭祥云, 台海江. 深度学习在大田种植中的应用及展望[J]. 中国农业大学学报, 2019, 24(1): 119-129. doi: 10.11841/j.issn.1007-4333.2019.01.16 [123] GRINBLAT G L, UZAL L C, LARESE M G, et al. Deep learning for plant identification using vein morphological patterns[J]. Computers and Electronics in Agriculture, 2016, 127: 418-424. doi: 10.1016/j.compag.2016.07.003
[124] 卢涵宇, 胡超, 张涛, 等. 基于深度学习的高分辨率遥感影像分类研究[J]. 广西大学学报(自然科学版), 2020, 45(2): 328-335. [125] SLADOJEVIC S, ARSENOVIC M, ANDERLA A, et al. Deep neural networks based recognition of plant diseases by leaf image classification[J/OL]. Computational Intelligence and Neuroscience, (2016-05-29)[2022-09-28]. http://dx. doi.org/10.1155/2016/3289801.
[126] 朱允君. 大数据在智慧农业中研究与应用展望[J]. 中国新通信, 2020, 22(16): 108. doi: 10.3969/j.issn.1673-4866.2020.16.099 [127] BHAT S A, HUANG N F. Big data and AI revolution in precision agriculture: Survey and challenges[J]. IEEE Access, 2021, 9: 110209-110222. doi: 10.1109/ACCESS.2021.3102227
[128] 孙九林, 李灯华, 许世卫, 等. 农业大数据与信息化基础设施发展战略研究[J]. 中国工程科学, 2021, 23(4): 10-18. [129] 陈桂芬, 李静, 陈航, 等. 大数据时代人工智能技术在农业领域的研究进展[J]. 吉林农业大学学报, 2018, 40(4): 502-510. [130] 何清, 李宁, 罗文娟, 等. 大数据下的机器学习算法综述[J]. 模式识别与人工智能, 2014, 27(4): 327-336. doi: 10.3969/j.issn.1003-6059.2014.04.007 [131] 贾继增, 高丽锋, 赵光耀, 等. 作物基因组学与作物科学革命[J]. 中国农业科学, 2015, 48(17): 3316-3347. [132] WU F, LI A, HE S, et al. Research on measurement and control system of common parameters of agricultural equipment based on wireless transmission[J]. International Journal of Agricultural and Environmental Information Systems, 2021, 12(2): 73-86.
[133] ROUKH A, FOTE F N, MAHMOUDI S A, et al. Big data processing architecture for smart farming[J]. Procedia Computer Science, 2020, 177: 78-85. doi: 10.1016/j.procs.2020.10.014
[134] TUMMERS J, KASSAHUN A, TEKINERDOGAN B. Reference architecture design for farm management information systems: A multi-case study approach[J]. Precision Agriculture, 2021, 22(1): 22-50. doi: 10.1007/s11119-020-09728-0
[135] 江顺, 陈荣宇, 林伟君, 等. 基于大数据的智能农业云服务平台设计与实现[J]. 安徽农业科学, 2022, 50(16): 190-197. -
期刊类型引用(0)
其他类型引用(1)
计量
- 文章访问数: 901
- HTML全文浏览量: 96
- PDF下载量: 549
- 被引次数: 1
