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.
-
广泛分布在自然界的虫生真菌是害虫生物防治的重要资源[1]。据不完全统计，全球已记载的虫生真菌约100属1000多种，一些有代表性的种类已被开发成环境友好型真菌杀虫剂[2]，如球孢白僵菌Beauveria bassiana、金龟子绿僵菌 Metarhizium anisopliae、玫烟色棒束孢Isaria fumosorosea(原名玫色拟青霉Paecilomyces fumosoroseus)、蜡蚧轮枝菌Lecanicillium lecanii等[3]。作为一种重要的昆虫病原真菌属，现已发现的棒束孢属真菌有100多种，在生物防治和生产生活中发挥着重要作用。蝉棒束孢I. cicadae和细脚棒束孢I. tenuipes是一种药食两用真菌，在东亚地区被用于制作传统中草药和保健品[4]，具有降血糖、抗肿瘤、抗菌、抗抑郁、抗氧化、抗衰老、降血脂、免疫调节等作用[5]。粉棒束孢分布范围广、寄主多，已被应用于防治温带农林害虫和线虫等[6]。玫烟色棒束孢已应用于对粉虱、蚜虫等刺吸式口器害虫的生物防治，并有多种商品试剂开发问世[7]。环链棒束孢I. cateinannulata对螨虫和鳞翅目害虫有较好的防效，在森林害虫的调控中起着重要作用[8]。爪哇棒束孢I. javanica制成的颗粒剂能有效控制稻飞虱的种群数量。我国地理环境复杂多样，气候复杂多变，为各类虫生真菌的形成提供了有利条件。白僵菌属与绿僵菌属的相关研究较多，也更成熟，而棒束孢属的报道相对较少。
黄曲条跳甲Phyllotreta striolata是十字花科蔬菜的主要害虫，幼虫和成虫均能为害植株，幼虫生活在地下，啃食植物根系，导致植株萎蔫，成虫为害植物叶片和嫩稍，造成芽株干枯甚至死亡，发生严重时可对苗期蔬菜造成毁灭性的危害[9-10]。本研究利用天然农药与化学生物学教育部重点实验室于2013至2019年采集到的国内部分地区土壤，对这些土壤中的棒束孢属菌进行分离、鉴定，并从中挑选9种棒束孢属真菌菌株对黄曲条跳甲进行生物活性测定，以期了解国内地区棒束孢属菌的多样性及分布规律，为虫生真菌资源的保护和农林害虫的生防产品合理开发提供新的菌种资源。
1. 材料与方法
1.1 土壤的采集
采集福建、广东、广西、云南、贵州、湖南、湖北、河南、河北等地区的土壤。记录采集地点、生境、经纬度等信息，每个采集地点都分3处位置采集地表下15~20 cm的土样各100 g，土样用自封袋封装，于4 ℃条件下保存。
1.2 菌株的分离纯化
将采集回来的土壤样品用孔径0.45 mm的筛子筛出细土，每份土壤样品准确称量3份10.0 g细土，用100 mL 0.1%(φ)的吐温−80溶液制成土壤悬浮液，漩涡震荡摇匀，静置15 min。在超净工作台中，将制备好的选择培养基(马铃薯200 g/L、葡萄糖20 g/L、琼脂20 g/L、放线菌酮4 mL/L、氯霉素4 mL/L、孟加拉红0.013 g/L)倒平板，待培养基静置凝固后用移液枪吸取100 μL土壤悬浮液至选择培养基，用玻璃刮铲涂抹均匀，晾干。在(28±1)℃恒温培养箱中培养，待选择培养基上长出单菌落后，用接种环挑取，接种至PDA(马铃薯200 g/L、葡萄糖20 g/L、琼脂20 g/L)培养基上进行纯培养，不断重复，直至菌株被纯化。成功纯化后，将菌株接种到试管斜面培养基上，待菌落长满斜面后于4 ℃冰箱中保存。
1.3 菌种鉴定
1.3.1 形态学鉴定
将纯化后的菌株接种至PDA培养基上进行活化，(28±1) ℃条件下培养3~5 d，待菌株开始产孢时，挑取菌丝到载玻片上，盖上盖玻片，置于光学显微镜下观察其分生孢子形态、产孢结构，并拍照记录。继续培养到12 d，观察记录菌落的大小、表面形态特征，并拍照记录。
1.3.2 分子生物学鉴定
菌种种属鉴定利用rDNA-ITS基因序列进行真菌ITS1-5.8S-ITS4 rDNA同源性分析，PCR通用引物为：ITS1(5′-TCCGTAGGTGAACCTGCGG-3′)和ITS4(5′-TCCTCCGCTTATTGATATGC-3′)。反应扩增条件为：94 ℃预变性3 min；94 ℃变性30 s，55 ℃退火30 s，72 ℃延伸1 min，共33个循环；72 ℃延伸10 min。PCR产物送公司测序。收集真菌rDNA-ITS基因序列(长度为550~580 bp)，将扩增所得到的ITS序列进行BLAST相似性比对分析，记录序列相似性最高的真菌种属，用MEGA-X软件构建ML系统发育树，最终确定真菌种属。
1.4 对黄曲条跳甲的活性测定
供试黄曲条跳甲采集自华南农业大学试验农场，置于养虫笼内用新鲜菜心饲养，保持适宜的光照、湿度和温度，3~5 d后选择生长期一致的成虫供生物活性测定。
将分离纯化后的菌株接种到PDA培养基上进行活化，(28±1) ℃条件下培养7~14 d，待菌株充分产孢后，刮取菌落表面分生孢子，用0.05%(φ)吐温−80溶液配制成1.0×108 mL−1孢子悬浮液备用。
参考标准[11]测定孢子悬浮液对黄曲条跳甲的生物学活性。将大小基本一致、健康的黄曲条跳甲成虫用CO2麻醉后转移到1.5 mL离心管，加入1 mL制备好的孢子悬浮液，迅速盖好并上下颠倒30次后，将黄曲条跳甲取出转移到铺有滤纸的一次性塑料碗中，置于(25±1) ℃、光周期为14 h光∶10 h暗，相对湿度(95±5)%的人工气候箱中饲养。浸泡后的黄曲条跳甲用白萝卜块饲养，每2 d更换1次，每天记录1次试虫的死亡数，并将死虫转移到铺有滤纸的培养皿上(己灭菌，加适量无菌水保湿)，置于相同条件人工气候箱中培养，根据虫体体表长出的特征菌丝确定是否为真菌侵染致死。以高温灭菌后的0.05% (φ)吐温−80溶液处理为对照，每个处理包括10头黄曲条跳甲成虫，每个处理重复3次。
1.5 数据分析
应用Excel 2010计算生物多样性指数，包括多样性指数(Shannon-Wiener指数，H)、均匀度指数 (Pielou指数，J)和优势度指数 (Berger-Parker指数，d)。计算公式如下：
$$ \begin{array}{c} H = - \displaystyle\sum\limits_{i = 1}^S {{{{P}}_i}} {\ln {{{P}}_i}} ,\\ J = H/{H_{\max }},\\ {{{H}}_{\max }} = \ln S,\\ d = {n_{\max }}/N, \end{array} $$ 式中，S为物种数，ni为物种i的个体数，Pi为物种i的个体数占群落总个体数的比例 (即物种i的多度)，Hmax为H的最大理论值，N为群落物种个体总数，nmax为群落中最大物种的个体数。
致病力用校正死亡率来进行判断，计算公式如下所示：
死亡率=死虫数/试虫数×100%，
校正死亡率=(处理死亡率−对照死亡率)/(1−对照死亡率)×100%。
2. 结果与分析
2.1 土壤中棒束孢属的多样性
虫生真菌的分离鉴定结果表明，这些菌株分属于棒束孢属的4个种，分别是玫烟色棒束孢Isaria fumosorosea、粉棒束孢I. farinosa、爪哇棒束孢I. javanica和环链棒束孢I. cateniannulate。菌株的产孢结构及孢子形态如图1所示。
![图 1 4种棒束孢菌株的产孢结构及孢子形态]()
图 1 4种棒束孢菌株的产孢结构及孢子形态a：玫烟色棒束孢；b：环链棒束孢；c：爪哇棒束孢；d：粉棒束孢Figure 1. Sporulation structure and spore morphology of four Isaria strainsa: Isaria fumosorosea; b: Isaria cateniannulate; c: Isaria javanica; d: Isaria farinosa玫烟色棒束孢菌株的菌落正面呈现杏色粉质状，背面呈现淡杏色，环链棒束孢菌株的菌落形态与玫烟色棒束孢相似，正面呈现淡杏色，比玫烟色棒束孢菌株颜色浅，而粉棒束孢菌株的菌落背面呈现白色，爪哇棒束孢菌株的菌落正面和背面均呈现白色，棒束孢属的孢子形状均为椭圆形。
对41株棒束孢菌株构建的系统发育树如图2所示，结果显示分离纯化得到的菌株中含爪哇棒束孢34株，玫烟色棒束孢5株，环链棒束孢和粉棒束孢各1株。
![图 2 基于棒束孢菌株ITS序列构建的系统发育树]()
图 2 基于棒束孢菌株ITS序列构建的系统发育树Figure 2. Phylogenetic tree based on ITS sequence of Isaria strains2.2 棒束孢菌多样性指数分析
从土壤中共分离得到棒束孢属菌41株，其中爪哇棒束孢数量最多(34株)，玫烟色棒束孢次之(5株)，粉棒束孢和环链棒束孢最少，均为1株。结果表明爪哇棒束孢为所分离棒束孢菌中的优势菌株，占总数量的82.93%，玫烟色棒束孢次之，占总数量的12.2%，粉棒束孢和环链棒束孢各占2.44%。多样性指数(H)为0.593，均匀度指数(J)为0.160。
5种不同生境条件下，优势种均为爪哇棒束孢，休耕地、耕地、果园、草地和林地的优势度指数分别为0.889、1.000、1.000、0.889和0.545。休耕地、耕地、果园、草地和林地的多样性指数(H)分别为0.349、0、0、0.349和1.121，林地的H最大，说明林地的物种丰富度最高。休耕地、耕地、果园、草地和林地的均匀度指数分别为0.159、0、0、0.159和0.468，林地的均匀度指数最大，说明林地的棒束孢菌种间分配最均匀。
2.3 棒束孢菌的生境分布特征
对棒束孢属菌的生长环境进行分析，结果表明，在东经101.14°~119.65°，北纬20.42°~31.030°分离得到这些棒束孢属菌株，福建、广东、广西地区分离出来的棒束孢属菌株数量高于其他省份地区(表1)，而在这些地区中，可以看出草地、休耕地和林地等环境更有利于棒束孢菌的生长(图3)。
表 1 棒束孢菌株的具体信息Table 1. Specific information of Isaria strains菌株编号
Strain No.菌种
Species采集地点
Location植被环境
Habitat经、纬度/(°)
Latitude and longitudeIjFJ01 爪哇棒束孢 Isaria javanica 福建南平市 耕地 Farmland E118.18，N26.64 IjFJ02 爪哇棒束孢 I. javanica 福建龙岩市连城县 休耕地 Fallow land E116.78，N25.71 IjFJ04 爪哇棒束孢 I. javanica 福建宁德市福安市 休耕地 Fallow land E119.65，N27.07 IjFJ05 爪哇棒束孢 I. javanica 福建三明市沙县 耕地 Farmland E117.97，N26.50 IjFJ06 爪哇棒束孢 I. javanica 福建南平市武夷山市 耕地 Farmland E117.99，N27.61 IjFJ17 爪哇棒束孢 I. javanica 福建三明市永安市 休耕地 Fallow land E117.32，N25.96 IjGD02 爪哇棒束孢 I. javanica 广东潮州市饶平县 耕地 Farmland E116.80，N24.13 IjGD07 爪哇棒束孢 I. javanica 广东湛江市徐闻县 耕地 Farmland E110.25，N20.42 IjGD12 爪哇棒束孢 I. javanica 广东梅州市梅县 休耕地 Fallow land E116.40，N24.65 IjGD14 爪哇棒束孢 I. javanica 广东江门市恩平县 休耕地 Fallow land E112.39，N22.30 IjGD15 爪哇棒束孢 I. javanica 广东惠州市香炉峰 休耕地 Fallow land E114.03, N23.60 IjGD17 爪哇棒束孢 I. javanica 广东惠州市博罗县 耕地 Farmland E114.28，N23.35 IjGD18 爪哇棒束孢 I. javanica 广东惠州市龙门县 休耕地 Fallow land E113.98，N23.53 IjGD20 爪哇棒束孢 I. javanica 广东惠州市龙门县 果园 Orchard E114.13，N23.66 IjGD21 爪哇棒束孢 I. javanica 广东中山市三乡镇 耕地 Farmland E113.44，N22.36 IjYN7003 爪哇棒束孢 I. javanica 云南普洱市宁洱县 耕地 Farmland E101.14，N23.19 IfGZ3703 玫烟色棒束孢 I. fumosorosea 贵州黔南州福泉市 草地 Grassland E107.53，N26.7 IfGZ4206 玫烟色棒束孢 I. fumosorosea 贵州毕节市七星关区 休耕地 Fallow land E105.31，N27.25 IfGZ4304 玫烟色棒束孢 I. fumosorosea 贵州毕节市大方县 林地 Woodland E105.82，N27.27 IjGZ4601 爪哇棒束孢 I. javanica 贵州遵义市播州区 草地 Grassland E106.66，N27.59 IjGX20A02 爪哇棒束孢 I. javanica 广西南宁市武鸣区 林地 Woodland E108.27，N23.01 IjGX20J02 爪哇棒束孢 I. javanica 广西南宁市武鸣区 果园 Orchard E108.27，N23.01 IjGX21G01 爪哇棒束孢 I. javanica 广西南宁市青秀区 果园 Orchard E108.77，N22.83 IjGX21L01 爪哇棒束孢 I. javanica 广西南宁市青秀区 果园 Orchard E108.77，N22.83 IjGX2303 爪哇棒束孢 I. javanica 广西贵港市港南区 草地 Grassland E109.72，N23 IjGX26S01 爪哇棒束孢 I. javanica 广西柳州市柳江区 草地 Grassland E109.28，N24.25 IjGX2701 爪哇棒束孢 I. javanica 广西柳州市柳城县 林地 Woodland E109.28，N24.65 IjGX2802 爪哇棒束孢 I. javanica 广西柳州市融水苗族自治县 草地 Grassland E109.28，N25.06 IjGX2906 爪哇棒束孢 I. javanica 广西柳州市柳城县 草地 Grassland E108.95，N24.51 IjGX30A01 爪哇棒束孢 I. javanica 广西河池市宜州区 林地 Woodland E108.31，N24.68 IjGX30S01 爪哇棒束孢 I. javanica 广西河池市宜州区 林地 Woodland E108.31，N24.68 IjGX32A03 爪哇棒束孢 I. javanica 广西河池市金城江区 林地 Woodland E107.77，N24.84 IcGX32S01 环链棒束孢 I. cateniannulate 广西河池市金城江区 林地 Woodland E107.77，N24.84 IjGX33H05 爪哇棒束孢 I. javanica 广西河池市南丹县 休耕地 Fallow land E107.56，N25.04 IfGX6701 粉棒束孢 I. farinosa 广西桂林市兴安县 林地 Woodland E110.77，N25.71 IfGX70A01 玫烟色棒束孢 I. fumosorosea 广西柳州市鹿寨县 林地 Woodland E109.84，N24.51 IjGX7704 爪哇棒束孢 I. javanica 广西贺州市平桂区 草地 Grassland E111.58，N24.37 IjH0904 爪哇棒束孢 I. javanica 湖北省孝感市孝南区 草地 Grassland E113.938，N31.030 IfH6102 玫烟色棒束孢 I. fumosorosea 湖南省怀化市塘湾镇 林地 Woodland E110.420，N27.216 IjH2702 爪哇棒束孢 I. javanica 湖北省孝感市应城市 草地 Grassland E113.576，N30.868 2.4 棒束孢属真菌对黄曲条跳甲成虫的致病力
从土壤样品分离出来的所有棒束孢属真菌菌株中，随机选取了9株不同的菌株对黄曲条跳甲成虫进行生物活性测定。结果如表2所示，其中玫烟色棒束孢IfH6102菌株在处理黄曲条跳甲成虫11 d后，校正死亡率最高，达60.87%。
表 2 棒束孢菌株对黄曲条跳甲的致病力Table 2. Pathogenicity of Isaria strain to Phyllotreta striolata菌株名称
Strain菌株编号
Strain No.校正死亡率1)/% Corrected mortality 7 d 9 d 11 d 爪哇棒束孢 Isaria javanica IjGX20A02 6.67±0.09c 6.67±0.09b 6.67±0.09c 爪哇棒束孢 I. javanica IjGX21G01 0d 0c 0d 环链棒束孢 I. cateniannulate IcGX32S01 6.67±0.09c 7.14±0.09b 21.43±0.09bc 玫烟色棒束孢 I. fumosorosea IfGX21L01 13.33±0.09bc 7.14±0.09b 7.14±0.09c 爪哇棒束孢 I. javanica IjGX33H05 0d 7.14±0.09b 21.43±0.25bc 玫烟色棒束孢 I. fumosorosea IfGX70A01 6.67±0.09c 13.33±0.09b 13.33±0.09c 爪哇棒束孢 I. javanica IjGX7704 6.67±0.05c 6.67±0.05b 16.67±0.05c 玫烟色棒束孢 I. fumosorosea IfGZ4304 6.67±0.09c 13.33±0.09b 13.33±0.09c 玫烟色棒束孢 I. fumosorosea IfH6102 26.92±9.43a 44.00±9.43a 60.87±8.16a 1)表中数据为平均值±标准误；同列数据后不同小写字母表示差异显著(P<0.05，Duncan’s法)
1) Data in the table were mean value ± standard error; Different lowercase letters in the same column indicated significant differences (P<0.05，Duncan’s test)玫烟色棒束孢IfH6102菌株处理黄曲条跳甲出现死虫后，将死虫转移到铺有滤纸的培养皿上，在光学显微镜下，可观察到白色菌丝首先从黄曲条跳甲尸体的触角、足关节、胸部、胸足等刚毛浓密部位和节间膜上伸出体外，随着时间推移，整个虫体被白色菌丝包裹，如图4所示。
![图 4 菌株IfH6102侵染黄曲条跳甲不同时间的形态]()
图 4 菌株IfH6102侵染黄曲条跳甲不同时间的形态a：死亡后3 d(背部)；b：死亡后7 d(背部)；c：死亡后11 d(腹部)Figure 4. Characteristics of Phyllotreta striolata after infected by strain IfH6102 for different timea: Three days after death (back); b: Seven days after death (back); c:11 days after death (abdomen)3. 讨论与结论
随着社会经济的快速发展，人类活动对自然的影响越来越大，加之气候不断变化，许多物种生境发生了较大变化，环境保护、绿色健康发展变得越来越重要，生物防治也受到广泛关注。作为一种重要的生防资源，昆虫病原真菌也是生态系统的重要组成部分，了解和保护昆虫病原真菌资源有利于人与自然的和谐相处。爪哇棒束孢能有效防控褐飞虱Nilaparvata lugens、美国白蛾Hyphantria cunea、蓟马等农业害虫的种群数量[12]。玫烟色棒束孢对粉虱(烟粉虱Bemisia tabaci、温室白粉虱Trialeurodes vaporariorum等)、蚜虫(梨黄粉蚜Aphanostigma iaksuiense、桃粉蚜Hyalopterus arundimis等)、象甲(茶芽粗腿象甲 Anthonarainae quari maculate、茶大灰象甲Sympiezomias citri等)、柑橘木虱Diaphorina citri等多种害虫均有较高的控制潜力[13-17]。粉棒束孢又名虫草棒束孢，可入侵包括蜱螨目、鞘翅目、同翅目、鳞翅目等在内的100多种昆虫[18]。环链棒束孢对白蜘蛛Tetranychus cinnabarinus、斜纹夜蛾Spodoptera litura、小菜蛾Plutella xylostella等农业害虫具有较好防效[19-20]。从现有报道来看，棒束孢属真菌更易入侵鳞翅目昆虫，对鞘翅目昆虫防效相对较弱，可能是因为鳞翅目昆虫结构更利于真菌孢子黏附，而鞘翅目昆虫有鞘翅，真菌孢子吸附入侵相对困难。目前鲜见棒束孢属菌对黄曲条跳甲的致病力研究相关报道。华南地区十字花科蔬菜连作指数高，黄曲条跳甲的危害非常严重，已经成为广东近年来防治次数最多的主要害虫之一，给广东农业发展带来了巨大的经济损失[21]。黄曲条跳甲的防治方法主要有物理防治、农业防治、生物防治和化学防治，物理防治主要利用黄板和黑光灯进行诱集杀灭；农业防治主要从耕作方式入手，利用十字花科蔬菜与非十字花科蔬菜轮作，减轻黄曲条跳甲为害；生物防治手段目前仍不够成熟，并没有实现大量的田间应用，如黄曲条跳甲的寄生天敌茧蜂，在施放后并未得到该蜂建立种群的有效依据，有报道称白僵菌、绿僵菌能侵染黄曲条跳甲的幼虫和成虫，但研究仍停留在实验室阶段[22-23]；化学防治目前依然是黄曲条跳甲的主要防治手段，主要的化学药剂有噻虫嗪、噻虫胺、阿维菌素、哒螨灵、啶虫脒和氯虫苯甲酰胺等，但由于农户长期大量地不合理施药，黄曲条跳甲对大部分化学农药均产生了较高的抗性[24]。对于黄曲条跳甲的防治，不应局限于某一种单一的防治手段，而应从实际出发，多种防治相结合，从而实现十字花科蔬菜的绿色安全生产。
本研究从我国多个省区不同环境的土壤中分离棒束孢属真菌的菌株，共得到4个种，其中爪哇棒束孢菌株数量最多、分布最广，粉棒束孢、玫烟色棒束孢和环链棒束孢菌株数量较少，说明爪哇棒束孢菌株是优势菌种。从系统发育树来看，从我国不同地区分离得到的棒束孢菌相似性较高，说明我国棒束孢菌种间的遗传差异并不明显，可能是因为采集样品区域棒束孢菌并没有形成地理隔离，其种间仍存在基因交流，也可能由于棒束孢菌对生境依赖性较高，种群稳定性较好，遗传变异发生较少。另有研究表明，棒束孢属对单一的生境有较强的依赖性[25]。从选取的9株菌株对黄曲条跳甲的致病力结果来看，大部分供试菌株对黄曲条跳甲都有一定的致病力，由于黄曲条跳甲幼虫阶段是生活在土壤中为害植株，而化学农药则对土壤中的黄曲条跳甲幼虫防效较差，可以考虑使用虫生真菌来防治土壤中的幼虫，化学农药防治地面上的成虫，化学农药与生防真菌相互结合以控制害虫为害，减少化学农药施用量，进一步减少化学农药对环境的污染，延缓害虫抗药性的发展。
在自然环境中, 虫生真菌的生长、分布与气候条件、土壤性质、动植被丰富度、海拔高度、人类活动以及历史环境变迁等多种因素有关[26]。气候条件丰富、人类活动少的地区更有利于虫生真菌的生长。本研究对菌株的鉴定是从菌落形态、分生孢子结构及ITS序列方面着手的，还需要通过其他方式进一步准确地鉴定菌株的种类，进而了解其生物多样性。
-
![]()
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(8)
1. 杜丹超，刘顺民，蒲占湑，吕佳，鹿连明. 爪哇棒束孢MSC-F1对柑橘全爪螨的毒力测定及液体发酵工艺优化. 中国生物防治学报. 2025(01): 44-53 . 
百度学术
2. 鹿连明，杜丹超，胡秀荣，蒲占湑，刘顺民，吕佳，黄振东，陈国庆. 爪哇虫草MSC-f1的分离鉴定及其对多种柑橘害虫的毒力. 植物保护学报. 2025(02): 468-478 . 百度学术
3. 庞素芸，禹豹，杨新泉，胡琼波. 豆天蛾养殖过程中病原真菌的分离与鉴定. 福建农林大学学报(自然科学版). 2024(04): 451-457 . 百度学术
4. 肖勇，吴雨洪，靖湘峰，张杰，李振宇. 我国黄曲条跳甲综合治理研究进展. 植物保护. 2023(02): 22-31+64 . 百度学术
5. 谢梅琼，王龙江，何余容，吕利华. 玫烟色棒束孢转录组测序及潜在致病相关基因分析. 浙江农业学报. 2023(09): 2169-2180 . 百度学术
6. 高新菊，张蒙萌，王恒亮，祖均怀，杨文佳，乔耀淑. 联苯·啶虫脒对黄曲条跳甲的生物活性及防治效果. 农药. 2022(01): 57-60+64 . 百度学术
7. 吴煜，邓娇，张晓娜，黄凯丰，陈庆富. 黑唇平背叶蜂幼虫的形态、危害特征及杀虫菌种的筛选. 西南大学学报(自然科学版). 2022(04): 62-69 . 百度学术
8. 樊春丽，罗来凤，温文照，韦文飞，韦继光. 1株桉大毛虫病原真菌的分离鉴定及其寄主范围测定. 南方农业学报. 2022(08): 2175-2185 . 百度学术
其他类型引用(3)
