-
摘要:
稻渔综合种养是我国当前正在鼓励、支持和大力推广应用的绿色低碳农业发展模式，生产实践面积日益扩大，相关的理论与实践研究成果不断增加，新技术、新模式、新情况和新问题不断涌现。本文对我国稻渔综合种养的发展现状、重要研究领域及相关进展进行了综述，分析了稻渔综合种养生产亟待解决的关键问题，即科学化与精准化问题、标准化与套餐化问题、轻简化与智慧化问题、多功能化与产业化问题。并对稻渔综合种养研究和产业化发展进行了展望，具体包括：1)稻渔综合种养技术模式的定位化、网络化和长期化试验观测研究；2)稻渔综合种养关键/配套/接口技术创新及其系统集成研究；3)稻渔综合种养技术的标准化、智慧化与产业化研究；4)稻渔综合种养增汇减排与绿色低碳发展研究。为更好地推进我国稻渔综合种养的相关研究以及稻田生态产业的高质量发展提供参考。
Abstract:Integrated rice-fish coculture is a green and low-carbon agricultural development model which is currently encouraged, supported, vigorously promoted and applied with an expanding production practice area in China. In the meantime, there are increasingly relevant theoretical and practical research findings, along with some new emerging technologies, modes, situations and issues. This paper reviewed the development status, key research fields and related progress of integrated rice-fish coculture in China, and analyzed the key issues and development directions to be solved urgently for scientification & precision, standardization & package, smartization & simplification and multifunction & industrialization of integrated rice-fish coculture at present. The prospects for the future research and industrialization of integrated rice-fish coculture were put forward in four aspects including the long-term and networking field observation researches on technologies and models of the integrated rice-fish coculture, the innovation and integration of key/supporting/interfacing technologies and optimal coculture systems, the standardization, smartization and industrialization of technologies for integrated rice-fish coculture, and the carbon/nitrogen sink enhancement, emission reduction and green and low-carbon development. This paper could provide references for better promoting relevant research of integrated rice-fish culture as well as the high-quality development of paddy eco-industry in China.
-
广佛手是首批受法律保护的8种岭南中药材之一，其根、茎、叶、花、果均可入药，具有疏肝理气、和胃止痛、燥湿化痰的功效[1]。除药用外，广佛手提取出的精油，气味清香淡雅，具有舒缓压力、提神解乏的作用，被广泛应用于食品、药品、化妆品等行业[2]。广佛手的种植规范要求严格，禁止滥用农药和化学药剂，因此，对广佛手早期的病虫害进行精准识别与防治，是提高广佛手产量与质量的关键。
随着农业机械化与信息化的快速发展，农作物病虫害识别的方法由传统的人工识别方法，发展为基于深度学习技术的识别方法[3-5]。Yuan等[6]将迁移学习与2种深度学习结构相结合，对8种作物病害图像进行分类，准确率为 95.93%。Chen等[7]利用VGGNet增强模型，对水稻病虫害进行分类，准确率为92.00%。Lü等[8]基于AlexNet网络，从不同角度验证了特征增强算法能有效提高网络识别能力，所提出的方法能准确识别自然环境中采集的玉米病害图像。陆健强等[9]提出一种基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别模型，最终模型的准确率达到94.29%。Hassan等[10]提出了一种用于植物病虫害识别的新型深度学习模型，并在3个公开的植物病虫害数据集上进行验证，均取得了良好的识别效果。上述基于深度学习的农作物病虫害叶片分类研究，为深度学习技术应用于农作物病虫害识别提供了参考。
随着深度学习的快速发展，基于深度学习的目标检测算法被广泛应用于农作物病虫害识别，该方法不仅能快速识别病虫害的类别，还能准确定位病斑、害虫在图像中的位置，进一步促进了精准农业的发展[11]。常用的目标检测网络有Faster RCNN[12]、SSD[13]、YOLO系列[14-17]等，可用于识别农作物病虫害[12-21]。其中，YOLO 网络模型是一种one-stage的目标检测算法，基于回归分析可直接获得目标分类结果与目标定位信息，具有结构简单、计算量小、运算速度快等特点，被广泛应用于农作物病虫害识别研究[21-23]。Mamdouh等[21]提出了改进的YOLOv4模型，利用数据增强和加入负样本的方法提高橄榄果蝇的检测精度，最终的识别准确率为96.68%。张博等[22]提出了一种基于改进YOLOv3的农作物害虫识别算法，平均识别准确率为88.07%。胡嘉沛等[23]提出了一种改进YOLO4-tiny模型的柑橘木虱识别方法，平均识别精度为 96.16%。YOLOv5s是YOLO系列网络的最新模型，具有检测精度高、推理速度快等特点，能有效识别小目标或被遮挡目标。
自然环境下拍摄的广佛手早期病虫害图像背景复杂，部分病斑与枝干和光斑相似，且病斑、病虫体积较小，易造成病虫害目标的误检与漏检。为提高广佛手病虫害的识别准确率，结合SqueezeNet网络[24]以及YOLO系列网络的优点，提出一种轻量级目标检测模型YOLOv5-C，以期为实现田间快速精准监测广佛手早期病虫害提供参考。
1. 材料与方法
1.1 试验数据采集
试验数据采集于广东省肇庆乐城镇广佛手园，采集时间为2021年8月和10月。使用手持式Nikon单反相机D3100和高清手机，对自然环境下的广佛手幼苗盆栽和成熟植株叶片上早期的病斑、病虫进行拍摄，拍摄时相机距离病斑叶片约0.5 m，图像分辨率为4608×3072和3000×3000。为真实还原田间复杂环境，本研究的试验数据采集天气包括晴天、阴天和雨后，采集时间为08:30—12:00和14:00—18:00，拍摄角度包括东、南、西、北4个方向。在自然环境下采集的广佛手早期病虫害图像中，病虫害类别包括褐斑病、溃疡病、煤烟病、附生绿球藻、潜叶蛾、双钩巢粉虱和玉带凤蝶，共7类，最终数据集共5969张原始图像。
1.2 构建广佛手病虫害数据集
使用labelImg工具对5969张原始图像中的广佛手病虫害目标进行标注，并将构建的广佛手发病早期的病虫害数据集，按照72%、18%和10%的比例随机划分为训练集(4292张)、验证集(1076张)和测试集(601张)。数据集的基本信息如表1所示。
表 1 广佛手病虫害数据集基本信息Table 1. Basic information of bergamot pest and disease dataset类别 Category 原始图像 Original image 褐斑病病斑 Labeled brown spot 溃疡病病斑 Labeled canker 煤烟病病斑 Labeled dark mildew 附生绿球藻 Labeled chlorococcum 潜叶蛾 Leaf miner 玉带凤蝶 Papilio polytes 双钩巢粉虱 Mealworm 训练集 Training set 4292 608 1150 1654 638 1463 1258 740 验证集 Validation set 1076 145 272 438 155 348 301 200 测试集 Test set 601 91 155 214 90 200 200 91 合计 Total 5969 844 1577 2306 883 2011 1759 1031 1.3 构建广佛手病虫害识别网络
针对在自然环境下，广佛手早期病斑和幼虫体积较小、田间拍摄的图像背景复杂、病变叶片褶皱导致部分病斑特征被破坏等问题，本研究提出了能快速、准确地检测田间广佛手病虫害的YOLOv5-C目标检测模型。根据广佛手病虫害数据集的实际情况，参照SqueezeNet网络的模型压缩思想对网络模型结构进行压缩，降低模型的复杂度。同时，参照不同的多尺度特征融合思想[25-27]，添加改进的多尺度特征融合模块，进一步提升网络模型的识别准确率。
1.3.1 YOLOv5网络模型
YOLOv5网络模型检测精度高、推理速度快，能够有效识别小目标和被遮挡的目标。该网络包含4种基础架构，根据网络特定位置的特征提取不同数量的模块和卷积核，将网络分为YOLOv5s、YOLOv5m、YOLOv5l 和 YOLOv5x，对应的网络参数量依次为7.08×106、2.11×107、4.67×107、8.73×107，模型大小依次为14.4、42.5、93.8、175.2 Mb。随着网络模型参数的增加，基础网络模型的复杂度随之增加，虽然网络模型的准确率有所提升，但需要消耗更多的计算资源及硬件资源，网络模型的实时性也随之降低。为实现广佛手病虫害的快速精准识别，选择实时性最优、权重文件最小、最适合部署至嵌入式设备的YOLOv5s网络作为基础网络。YOLOv5s的主干网络为Darknet-53，颈网络为PANet路径聚合网络[27]，主干网络由Focus模块、卷积单元、C3模块(含有3个卷积模块的CSP模块[28])以及SPP模块[29]组成。本研究使用YOLOv5s作为基础网络，网络结构如图1所示。
1.3.2 多尺度特征融合模块
广佛手早期病虫害的病斑、病虫体积较小，为有效提高广佛手病虫害目标的识别准确率，本研究针对广佛手病虫害数据集的特点，提出了一种多尺度特征融合模块(Multi-scale feature fusion module，MSFFM)，以提高网络模型特征提取、特征融合的能力。该模块在骨干网络中选定3个特征图，包括顶层特征图U1、中层特征图U2和足够低层特征图U3。其中，顶层特征图U1通过上采样操作使得特征图尺寸、通道数与中层特征图保持一致，得到特征图U12；低层特征图通过下采样操作同样将特征图尺寸、通道数与中层特征图保持一致，得到特征图U32。将特征图U12、U2、U32进行融合，获得信息更丰富的特征图U0，将融合后的特征图U0与YOLOv5s的颈网络PANet路径聚合网络相结合使用，进一步提高网络模型的识别准确率。图2为MSFFM的多尺度特征融合示意图。
![]()
图 2 MSFFM的多尺度特征融合示意图Figure 2. Schematic diagram of multi-scale feature fusion of MSFFM1.3.3 注意力机制模块
针对广佛手病虫害目标体积较小、形状多变且部分病斑和病虫与光斑、背景枝干相似等问题，本研究在网络模型中添加了注意力机制模块(Convolutional Block Attention Module，CBAM)[30]，该模块由通道注意力模块和空间注意力模块组成，输入特征图依次经过通道注意力模块和空间注意力模块，获得通道维度和空间维度的注意力图，将输入特征图与获得的注意力图相乘以实现特征图的自适应优化，使得网络模型更加关注于目标的特征信息，弱化图像中的背景信息，提高网络模型的识别性能。
其中，通道注意力模块通过探索不同通道间特征图的关系，选择目标特征的关键信息并提高这部分信息的表达能力，使得网络模型更加关注目标相关的特征信息，更有效地提取目标特征。
1.3.4 C3模块的改进
由于广佛手病虫害的类别相对较少，在不影响网络识别准确率的前提下，可适当对YOLOv5s 网络模型结构进行压缩剪枝。其中，YOLOv5s中的C3模块由3个卷积模块和1个Bottleneck模块构成，C3_X表示C3模块中的Bottleneck模块数量为X个。Bottleneck模块和C3模块的结构分别如图3a、3b所示。
![]()
图 3 Bottleneck瓶颈模块(a)和C3模块(b)的结构示意图卷积单元Conv模块括号内的参数依次表示输入通道数、输出通道数、卷积核大小和步长Figure 3. Structural diagram of the Bottleneck module (a) and C3 module (b)The number of input channels, output channels, the size of the convolution kernel and the step size are indicated by the parameters in parentheses of Conv module本研究借鉴SqueezeNet网络的模型压缩思想，对C3模块进行改进，提出了C3-S模块。C3-S模块中的Bottleneck-S瓶颈模块，由2个1×1卷积模块和1个3×3卷积模块构成，首先通过1×1卷积模块Conv1将输入特征图的通道数Cin压缩至输入的四分之一，即Cin/4；将压缩后的特征图分别传入1×1卷积模块Conv2和3×3卷积模块Conv3，得到两个通道数都为Co/2的特征图；将2个特征图进行维度拼接，所获得的便是Bottleneck-S瓶颈模块的输出特征图。Bottleneck-S模块和C3-S模块的结构分别如图4a、4b所示。
![]()
图 4 Bottleneck-S瓶颈模块(a)和C3-S模块(b)的结构示意图Figure 4. Structural diagram of Bottleneck-S module (a) and C3-S module (b)在卷积神经网络模型中，无偏置情况下，每个卷积层的参数数量计算如下：
$$ \begin{split}&\;\\ &\mathrm{p}\mathrm{a}\mathrm{r}\mathrm{a}\mathrm{m}\mathrm{s}={C}_{\mathrm{o}}\times \left({k}_{\mathrm{w}}\times {k}_{\mathrm{h}}\times {C}_{\mathrm{i}\mathrm{n}}\right)， \end{split} $$ (1) 式中，params表示卷积层的参数数量，Co表示输出通道数，kw表示卷积核宽，kh表示卷积核高，Cin表示输入通道数。
原始C3模块中的Bottleneck瓶颈模块，由1个1×1卷积模块和1个3×3卷积模块构成，2个卷积模块的输入和输出通道数量相同，均为C，则Bottleneck瓶颈模块的2个卷积层所需的参数数量P1如式(2)所示：
$$ {P}_{1}=C\times (1 \times 1 \times C)+C\times \left(3 \times 3 \times C\right)= 10{C}^{2}， $$ (2) 式中，P1表示所需的参数数量，C表示2个卷积层的输入和输出通道数。
使用C3-S模块替换C3模块，在网络模型相同位置的Bottleneck-S瓶颈模块中，3个卷积层所需的参数量为P2，计算如式(3)所示：
$$ \begin{split} {P}_{2}=&\dfrac{C}{4}\times \left(1 \times 1 \times C\right)+\dfrac{C}{2}\times \left(1 \times 1 \times \dfrac{C}{4}\right)+\\ &\dfrac{C}{2}\times \left(3 \times 3 \times \dfrac{C}{4}\right)=\dfrac{3}{2}{C}^{2}， \end{split} $$ (3) 式中，P2表示所需的参数数量，C表示Bottleneck-S瓶颈模块的输入和输出通道数量。
虽然在卷积模块中还包含了批量归一化操作，需要少量的参数，但是在改进的YOLOv5-C模型中，使用C3-S模块替换C3模块的部分，卷积层的参数远远多于批量归一化操作所需的参数，故直接使用卷积层的参数近似代表2个瓶颈模块所需的参数。根据式(2)和式(3)所得的参数数量P1和P2，可知Bottleneck-S瓶颈模块的参数数量约为Bottleneck瓶颈模块的参数数量的15%。
为进一步提高网络模型的特征提取能力，将CBAM模块与C3-S模块相结合，构成C3-SC模块，结构如图5所示。
1.3.5 YOLOv5-C广佛手病虫害识别网络
以YOLOv5s网络模型为基础网络，使用所提出的C3-SC模块替换颈网络PANet中的C3模块，有效减少网络模型参数的同时，增强网络模型对广佛手病虫害目标的特征提取能力、弱化干扰背景特征；在PANet结构中添加MSFFM，提高网络模型的特征融合能力，进一步提高网络模型在复杂自然环境下对广佛手病虫害目标的识别准确率。YOLOv5-C网络模型结构参数如表2所示。
表 2 YOLOv5-C网络模型结构参数1)Table 2. Structural parameters of YOLOv5-C network model序列号 Serial No. 当前层的输 入来源 Input source of current layer 网络层 Network layer 输入尺寸 Input size 通道数 No. of channels 0 −1 Focus 640×640×3 32 1 −1 Conv3×3 320×320×32 64 2 −1 C3_1 160×160×64 64 3 −1 Conv3×3 160×160×64 128 4 −1 C3_3 80×80×128 128 5 −1 Conv3×3 80×80×128 256 6 −1 C3_3 40×40×256 256 7 −1 Conv3×3 40×40×256 512 8 −1 SPP 20×20×512 512 9 −1 C3_1 20×20×512 512 10 [−1, 6, 4] MSFFM 256 11 −1 C3-SC 40×40×256 256 12 9 Conv1×1 20×20×512 256 13 −1 Upsample 20×20×256 14 [−1, 6, 11] Concat 15 −1 C3-SC 40×40×768 256 16 −1 Conv1×1 40×40×256 128 17 −1 Upsample 40×40×128 18 [−1, 4, 11] Concat1 19 −1 C3-SC 80×80×512 128 20 −1 Conv3×3 80×80×128 128 21 [−1, 16] Concat 22 −1 C3-SC 40×40×256 256 23 −1 Conv3×3 40×40×256 256 24 [−1, 12] Concat 25 −1 C3-SC 20×20×512 512 26 [19, 22, 25] Detect 1)序列号10为多尺度特征融合模块，序列号11、15、19、22、25为C3-SC模块，序列号18为多尺度维度拼接模块；C3_X表示C3模块中串联的瓶颈模块为X个 1) Serial number 10 is the proposed multi-scale feature fusion module, serial number 11, 15, 19, 22, 25 are the proposed C3-SC modules, serial number 18 is the multi-scale dimension module; C3_X represents the number of bottleneck modules in series of C3 module is X 1.4 试验参数设置与评价指标
1.4.1 试验平台与模型参数设置
在Windows 10操作系统下，基于Python3.8.1和Pytorch1.8.0搭建的深度学习框架进行网络模型的训练与测试。试验所采用的CPU为Intel Xeon Glod 6240@2.60 GHz，192 Gb RAM，GPU为NVIDIA GeForce GTX 3090Ti×2，使用CUDA 11.1版本并行计算框架配合CuDNN 8.0.5版本的深度神经网络加速库。YOLOv5-C模型训练时输入图像大小为640×640，采用Adam优化器，训练批次为16，训练迭代次数为300。在网络模型的训练阶段，设置初始学习率为0.001，使用余弦退火衰减策略更新学习率，目标类别数为7。
1.4.2 网络模型评价指标
本研究使用准确率(Precision)、召回率(Recall)、F1分数、平均准确率(Average precision，AP)、平均精度均值(Mean of average precision，mAP)、模型大小和检测速度作为网络模型的评价指标。其中，准确率、召回率、F1分数及平均准确率的计算如式(4)~(7)所示。
$$ \mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}=\dfrac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}\times 100{\text{%}}， $$ (4) $$ \mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}=\dfrac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}\times 100{\text{%}}， $$ (5) $$ F1 =\dfrac{2\times \mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}\times \mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}{\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}+\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}\times 100{\text{%}}， $$ (6) $$ \mathrm{A}\mathrm{P}={\displaystyle\int }_{0}^{1}\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}\left(\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}\right)\mathrm{d}\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}\times 100{\text{%}}， $$ (7) 式中，TP表示被正确检测到的病虫害目标数量，FP表示被网络错误认为是病虫害目标的数量，FN表示漏检的病虫害目标数量。
2. 结果与分析
2.1 YOLOv5-C与YOLOv5s检测结果对比
为了直观地体现改进的YOLOv5-C网络模型的性能，分别使用YOLOv5s和YOLOv5-C网络模型对测试集图像进行检测，图6对比展示了这2种网络模型对不同天气拍摄的不同病虫害图像的检测效果，图7对比展示了2种网络模型对与枝干或光斑相似的病斑的检测效果。
![]()
图 6 不同天气情况下YOLOv5-C和YOLOv5s检测结果图中数据为置信度；图中红色框为网络模型的检测结果，黄色框为人工标注的被网络模型漏检或误检的目标Figure 6. Detection results of YOLOv5-C and YOLOv5s under different weather conditionsThe data in figures represent confidence levels; The red box in the figure is the detection result of network model, the yellow box is the artificially labeled target that is missed or misdetected by the network model![]()
图 7 与枝干或光斑相似的病虫害目标的检测效果图中数据为置信度；图中红色框为网络模型的检测结果，黄色框为人工标注的被网络模型漏检或误检的目标Figure 7. The detection effect of pests and diseases similar to branches or spotsThe data in figures represent confidence levels; The red box in the figure is the detection result of network model, the yellow box is the artificially labeled target that is missed or misdetected by the network model如图6所示，2种网络模型均能准确识别阳光直射和非阳光直射的广佛手病虫害图像。通过对比图6a、6c、6e和6g可知，YOLOv5-C网络模型识别的目标置信度更高。雨后拍摄的潜叶蛾图像中，叶片和枝干均有水珠，增加了目标检测的难度，通过对比图6d和6h可知，YOLOv5s网络模型存在误检的病虫害目标，即图6d中黄色框内的红色目标框，误将水珠识别为潜叶蛾病虫，而YOLOv5-C网络模型能准确识别病虫害目标，抗干扰能力更强。
部分广佛手病虫害的病斑与枝干或光斑相似，直接使用YOLOv5s网络模型进行检测易造成病虫害目标的误检或漏检，YOLOv5s网络模型的检测结果如图7中的a~c所示，其中，图7a中存在重复框选同一目标的情况，图7b中误将枝干上的光斑检测为褐斑病目标，图7c中漏检了枝干处的玉带凤蝶目标。YOLOv5-C网络模型能有效抑制环境干扰，准确识别与枝干或光斑相似的广佛手病虫害目标，检测结果如图7d~7f所示。由图6、7可知，YOLOv5-C网络模型具有更优的抗干扰能力，能更准确地识别复杂背景下广佛手病虫害目标。
2.2 消融试验
为验证所提出的各种改进策略的有效性，本研究进行了一系列消融试验，在同一平台同一试验框架，使用相同的训练参数对网络模型进行训练，在测试集中分别验证了所提出的改进模块对网络模型性能的影响，以及多个模块共同作用对网络模型性能的改进效果，结果如表3所示。
表 3 各个模块消融试验Table 3. Ablation experiments for each module网络 模型 Model 准确 率/% Precision 召回 率/% Recall F1 分数/% F1 score 精度 均值/% Mean average precision 模型大 小/Mb Model size YOLOv5s 90.82 86.50 88.61 90.61 14.4 YOLOv5s+MSFFM 92.31 86.43 89.27 91.93 15.8 YOLOv5s+C3-S 92.62 86.41 89.41 91.20 12.7 YOLOv5s+C3-SC 93.41 88.06 90.66 92.32 12.7 YOLOv5-C 93.00 88.99 90.95 93.06 14.1 从表3可以看出，添加了MSFFM模块的网络模型，相比于原始的YOLOv5s网络模型，准确率提高了1.49个百分点，平均精度均值提高了1.32个百分点，说明MSFFM模块能提高网络模型的特征提取和特征融合能力，丰富所提取的特征信息，提高网络模型的识别准确率。使用C3-S模块替换YOLOv5s原始网络中PANet结构中的C3模块，使网络模型减小了1.7 Mb，小幅度提高了网络检测效果，进一步说明了C3-S模块能在不影响网络模型识别性能的基础上，使网络模型轻量化。C3-SC模块是在C3-S模块中添加CBAM注意力机制模块，使用C3-SC模块替换原始YOLOv5s网络模型PANet结构中的C3模块，相较于原始YOLOv5s网络模型，准确率提高了2.56个百分点，召回率提高了1.56个百分点，说明C3-SC模块能提高检测目标的特征提取能力，抑制背景干扰，提高网络模型的识别准确率；F1分数提高了2.05个百分点，说明C3-SC模块能提高网络模型的综合性能，使网络模型更稳健；由于CBAM模块的参数少，所以网络模型的大小仍保持为12.7 Mb。
试验结果表明，本研究所提出的每个改进策略均能提高网络模型的性能。相比原始的YOLOv5s网络模型，YOLOv5-C网络模型具有更好的识别性能，mAP提高了2.45个百分点，F1分数提高了2.34个百分点，网络模型减小了0.3 Mb。
2.3 消融试验中各个类别的平均准确率对比
为进一步分析所提出的网络模型对各个病虫害类别识别准确率的影响，消融试验中广佛手潜叶蛾虫害、双钩巢粉虱虫害、玉带凤蝶虫害、褐斑病、附生绿球藻病、溃疡病和煤烟病的AP如图8所示。
![]()
图 8 消融试验中各个类别识别的平均准确率Figure 8. Average accuracy of each category in ablation experiments观察图8可知，原始的YOLOv5s网络模型，呈现出各个病虫害类别的AP差异较大，所提出的MSFFM模块和CBAM模块能改善这一情况。经计算，原始YOLOv5s网络模型各个类别AP的标准差为7.14，变异系数为7.88%；所提出的YOLOv5-C网络模型各个类别AP的标准差为3.13，变异系数为3.36%，各个病虫害类别的AP更均衡。
所提出的YOLOv5-C网络模型，在提高网络模型识别准确率的同时，综合考虑了各个病虫害类别的识别效果，该网络模型的平均精度均值为93.06%。相比于原始的YOLOv5s网络模型，潜叶蛾病虫害和煤烟病的平均准确率分别提高了14.17和2.71个百分点。所提出的YOLOv5-C网络模型各个类别的AP情况，更符合广佛手病虫害识别的实际应用需求。
2.4 不同检测模型性能对比
将本文所提出的算法与RetinaNet、SSD、Efficientdet-D1、YOLOv4、主干网络为MobilenetV1的YOLOv4、YOLOv4-tiny和YOLOv5s目标检测网络进行对比，不同网络的检测结果如表4所示。由表4数据可知，YOLOv5-C算法获得了最高的召回率、F1分数、平均精度均值，其中平均精度均值比RetinaNet、Efficientdet-D1、SSD、YOLOv4的分别高22.30、20.65、4.84和2.36个百分点，其中，所提出的YOLOv5-C网络模型大小仅为YOLOv4网络模型的5.77%。相比于轻量级结构YOLOv4-mobilenet和YOLOV4-tiny，YOLOv5-C的平均精度均值分别高了7.43和24.06个百分点。本研究所构建的广佛手病虫害数据集，是由自然环境下拍摄的发病早期的病虫害目标构成，图像背景复杂，病斑、虫体的体积较小，且形态多变，常用的目标检测网络易产生漏检、误检，检测精度不高。
表 4 不同网络的检测结果对比Table 4. The detection results of different network网络模型 Network model 骨干网络 Backbone network 准确率/% Precision 召回率/% Recall F1分数/% F1 score 精度均值/% Mean average precision 模型大小/Mb Model size 检测时间/s Test time RetinaNet ResNet-50 89.13 63.49 74.16 70.76 139.4 0.037 SSD VGG16 91.59 76.71 83.49 88.22 93.7 0.018 Efficientdet-D1 EfficientNet 93.85 63.77 75.94 72.41 25.7 0.084 YOLOv4 CSPDarknet53 90.55 87.28 88.88 90.70 244.5 0.042 YOLOv4-mobilenet MobileNetV1 85.61 80.60 83.03 85.63 51.2 0.026 YOLOV4-tiny CSPDarknet53-tiny 90.50 63.50 74.63 69.00 22.5 0.012 YOLOv5s CSPDarknet53 90.82 86.50 88.61 90.61 14.4 0.010 YOLOv5-C CSPDarknet53 93.00 88.99 90.95 93.06 14.1 0.010 相较于上述常用的目标检测算法，本研究所提出的YOLOv5-C网络模型具有更优的识别性能，其中，F1分数为90.95%，平均精度均值为93.61%，网络模型大小仅为14.1Mb，每张图像的平均检测时间仅为0.01s，YOLOv5-C网络模型更适合完成在自然环境下对广佛手病虫害的识别任务。
3. 结论
本研究提出了1种基于YOLOv5-C目标检测网络的复杂背景下广佛手病虫害识别方法。为均衡提高每一类广佛手病虫害的识别准确率，提出了一种多尺度特征融合模块MSFFM，该模块与CBAM注意力机制模块共同作用，使得每一类广佛手病虫害的平均识别准确率均高于89.11%。在保障每一个病虫害类别都有较高识别准确率的前提下，综合提高网络模型的识别准确率。
本研究为减少网络模型的参数，提出了一种改进的C3-SC模块，在不影响网络模型识别性能的前提下，将该模块与MSFFM、CBAM模型相结合，构建了轻量级目标检测网络YOLOv5-C，网络模型大小为14.1Mb。
本研究构建了自然环境下的广佛手病虫害数据集用于网络模型的训练与测试，试验结果表明，所提出的YOLOv5-C网络模型的检测准确率为93%，召回率为88.99%，F1分数为90.95%，平均精度均值为93.06，在GPU上每张图像的平均检测时间为0.01 s，本研究所提出的网络模型的各项性能均高于常用的目标检测算法，具有较高的应用价值，可为后续自然场景下农作物病虫害的精准识别研究提供参考。
本研究仍存在一定的局限性，广佛手病虫害的数据采集与标注需要耗费大量时间和精力，今后将进一步研究病虫害数据集的智能构建，促进智慧农业的发展。 -
![]()
图 1 2015—2023年中国主要省(区、市)及水稻种植区的稻渔综合种养面积和水产品产量的时空变化
Figure 1. The spatio-temporal changes of area and production of integrated rice-fish coculture in the provinces and main rice planting regions in China from 2015 to 2023
![]()
图 2 稻渔综合种养系统的结构与功能示意图
Figure 2. Schematic structure and function of integrated rice-fish coculture system
![]()
图 3 稻渔综合种养系统的联动过程与协同调控研究框架
Figure 3. Research framework for linkage process and coordinated regulation of integrated rice-fish coculture system
![]()
图 4 稻渔综合种养轻简化与智慧化发展方向
Figure 4. Development of rice-fish integrated coculture to light & simple and smart cultivation direction
表 1 1982—2023年我国稻渔综合种养面积和水产品产量
Table 1 Area and production of integrated rice-fish coculture in China from 1982 to 2023
年份 面积/万hm2 产量/万t 年份 面积/万hm2 产量/万t 1982 33.11 1.72 2003 161.95 101.44 1983 38.80 4.30 2004 163.61 104.02 1984 46.11 6.88 2005 155.59 101.45 1985 55.85 8.61 2006 145.17 106.60 1986 67.23 10.33 2007 150.89 116.05 1987 70.53 10.33 2008 140.47 116.06 1988 68.15 12.05 2009 134.48 120.36 1989 70.23 12.92 2010 127.67 122.08 1990 71.10 12.92 2011 126.52 123.80 1991 71.17 14.64 2012 136.65 133.25 1992 73.65 17.23 2013 151.65 143.56 1993 78.15 19.81 2014 149.29 147.86 1994 83.05 22.39 2015 150.16 155.82 1995 96.03 32.70 2016 148.40 162.84 1996 110.61 41.29 2017 168.27 194.75 1997 125.61 49.02 2018 202.48 233.31 1998 137.01 57.61 2019 234.66 291.33 1999 149.99 67.07 2020 246.01 317.06 2000 154.09 77.38 2021 264.41 355.69 2001 156.56 91.12 2022 286.37 387.22 2002 162.28 104.87 2023 299.36 416.65 
下载: 导出CSV
-
[1] FAO. Food and agriculture data[DB/OL]. (2023-12-23)[2024-08-08]. https://www.fao.org/faostat/en/#home.
[2] VAN ITTERSUM M K. Crop yields and global food security: Will yield increase continue to feed the world?[J]. European Review of Agricultural Economics, 2016, 43(1): 191-192. doi: 10.1093/erae/jbv034
[3] CHEN W F, XU Z J, TANG L. 20 years' development of super rice in China: The 20th anniversary of the super rice in China[J]. Journal of Integrative Agriculture, 2017, 16(5): 981-983.
[4] CASSMAN K G. Ecological intensification of cereal production systems: Yield potential, soil quality, and precision agriculture[J]. Proceedings of the National Academy of Sciences of the United States of America, 1999, 96(11): 5952-5959.
[5] SWANSON B E. Global review of good agricultural extension and advisory service practices[M]. Rome: FAO , 2008.
[6] TIMMER C P, BLOCK S, DAWE D. Long-run dynamics of rice consumption, 1960−2050[C]//PANDEY D, BYERLEE D, DAWE D, et al. Rice in the global economy: Strategic research and policy issues for food security. Philippines: IRRI, 2010: 139-174.
[7] GRUBE A, DONALDSON D, KIELY T L, et al. Pesticides industry sales and usage 2006 and 2007 market estimates[R]. Washington, D C: Office of Pesticide Programs, Office of Chemical Safety and Pollution Prevention, U. S. Environmental Protection Agency, 2011.
[8] HEFFER P, GRUERE A, ROBERTS T. Assessment of fertilizer use by crop at the global level 2014-2014/15[R]. Paris: International Fertilizer Association (IFA) and International Plant Nutrition Institute (IPNI), 2017.
[9] GUO J H, LIU X J, ZHANG Y, et al. Significant acidification in major Chinese croplands[J]. Science, 2010, 327(5968): 1008-1010. doi: 10.1126/science.1182570
[10] FOLEY J A, RAMANKUTTY N, BRAUMAN K A, et al. Solutions for a cultivated planet[J]. Nature, 2011, 478(7369): 337-342. doi: 10.1038/nature10452
[11] ZHANG X, DAVIDSON E A, MAUZERALL D L, et al. Managing nitrogen for sustainable development[J]. Nature, 2015, 528(7580): 51-59. doi: 10.1038/nature15743
[12] SOLOMON S. Climate change 2007: The physical science basis: Contribution of working group I to the fourth assessment report of the intergovernmental panel on climate change[M]. Cambridge: Cambridge University Press, 2007
[13] LINQUIST B, VAN GROENIGEN K J, ADVIENTO-BORBE M A, et al. An agronomic assessment of greenhouse gas emissions from major cereal crops[J]. Global Change Biology, 2012, 18(1): 194-209. doi: 10.1111/j.1365-2486.2011.02502.x
[14] 李俊杰, 李建平. 水稻生产成本效益国际比较及中国发展前景[J]. 中国稻米, 2021, 27(4): 22-30. [15] LI Y F, WU T Y, WANG S D, et al. Developing integrated rice-animal farming based on climate and farmers choices[J]. Agricultural Systems, 2023, 204: 103554. doi: 10.1016/j.agsy.2022.103554
[16] CUI J, LIU H, WANG H, et al. Rice-animal co-culture systems benefit global sustainable intensification[J]. Earths Future, 2023, 11(2): e2022EF002984. doi: 10.1029/2022EF002984
[17] HALWART M, GUPTA M V. Culture of fish in rice fields[M]. Penang: FAO and the World Fish Center, 2004.
[18] DE SOUSA A M B, SANTOS R R S, MORAES F H R, et al. Exploring the potential for sustainable weed control with integrated rice-fish culture for smallholder irrigated rice agriculture in the Maranhão Lowlands of Amazonia[J]. Renewable Agriculture and Food Systems, 2012, 27(2): 107-114. doi: 10.1017/S174217051100024X
[19] FREI M, BECKER K. A greenhouse experiment on growth and yield effects in integrated rice-fish culture[J]. Aquaculture, 2005, 244(1/2/3/4): 119-128.
[20] CLAVERO M, LÓPEZ V, FRANCH N, et al. Use of seasonally flooded rice fields by fish and crayfish in a Mediterranean wetland[J]. Agriculture Ecosystems & Environment, 2015, 213: 39-46.
[21] DARTEY P K A, BAM R K, OFORI J N. Preliminary studies in rice-fish culture in a rainfed lowland ecology in Ghana[J]. Ghana Journal of Agricultural Science, 1999, 32(1): 123.
[22] NNAJI J C, MADU C T, RAJI A. Profitability of rice-fish farming in Bida, North Central Nigeria[J]. Journal of Fisheries and Aquatic Science, 2013, 8(1): 148-153.
[23] 李荣福, 杜雪地, 徐忠香, 等. 中国稻田渔业起源与历史分析[J]. 中国渔业经济, 2023, 41(3): 113-126. [24] 中国稻渔综合种养产业发展报告(2018)[J]. 中国水产, 2019(1): 20-27. [25] 农业农村部. 农业农村部关于推进稻渔综合种养产业高质量发展的指导意见[J]. 河南水产, 2022(6): 38-39. [26] 中国稻渔综合种养产业发展报告(2024)全文发布[J]. 中国水产, 2024(8): 12-17. [27] 于秀娟, 郝向举, 党子乔, 等. 中国稻渔综合种养产业发展报告(2023)[J]. 中国水产, 2023(8): 19-26. [28] OEHME M, FREI M, RAZZAK M A, et al. Studies on nitrogen cycling under different nitrogen inputs in integrated rice-fish culture in Bangladesh[J]. Nutrient Cycling in Agroecosystems, 2007, 79(2): 181-191. doi: 10.1007/s10705-007-9106-6
[29] YU H Y, ZHANG X C, SHEN W Y, et al. A meta-analysis of ecological functions and economic benefits of co-culture models in paddy fields[J]. Agriculture Ecosystems & Environment, 2023, 341: 108195.
[30] 中国小龙虾产业发展报告(2024)[J]. 中国水产, 2024(7): 14-20. [31] 于秀娟, 郝向举, 杨霖坤, 等. 中国小龙虾产业发展报告(2023)[J]. 中国水产, 2023(7): 26-31. [32] 倪达书, 汪建国. 稻鱼共生生态系统中物质循环及经济效益[J]. 水产科技情报, 1985(6): 1-4. [33] JI Z J, ZHAO L F, ZHANG T J, et al. Coculturing rice with aquatic animals promotes ecological intensification of paddy ecosystem[J]. Journal of Plant Ecology, 2023, 16(6): rtad014. doi: 10.1093/jpe/rtad014
[34] XIE J, HU L L, TANG J J, et al. Ecological mechanisms underlying the sustainability of the agricultural heritage rice-fish coculture system[J]. Proceedings of the National Academy of Sciences of the United States of America, 2011, 108(50): 1381-1387.
[35] LIU J F, ZHANG Q, WANG Q Y, et al. Gross ecosystem product accounting of a globally important agricultural heritage system: The Longxian rice-fish symbiotic system[J]. Sustainability, 2023, 15(13): 10407. doi: 10.3390/su151310407
[36] 钟波. 稻−鳅生态系统能值分析[J]. 中国稻米, 2013, 19(3): 48-50. [37] DONG S P, GAO Y F, GAO Y P, et al. Evaluation of the trophic structure and energy flow of a rice-crayfish integrated farming ecosystem based on the Ecopath model[J]. Aquaculture, 2021, 539: 736626. doi: 10.1016/j.aquaculture.2021.736626
[38] 甄若宏, 王强盛, 张卫建, 等. 稻鸭共作对水稻条纹叶枯病发生规律的影响[J]. 生态学报, 2006, 26(9): 3060-3065. [39] 张亚, 廖晓兰, 刘薇, 等. 鸭粪提取物对水稻纹枯病菌的影响及其有效成分分析[J]. 中国生态农业学报, 2010, 18(1): 102-105. [40] 陈欣, 唐建军. 农业系统中生物多样性利用的研究现状与未来思考[J]. 中国生态农业学报, 2013, 21(1): 54-60. [41] 曹志强, 梁知洁, 赵艺欣, 等. 北方稻田养鱼的共生效应研究[J]. 应用生态学报, 2001, 12(3): 405-408. [42] 谢坚, 刘领, 陈欣, 等. 传统稻鱼系统病虫草害控制[J]. 科技通报, 2009, 25(6): 801-805. [43] 陈文辉, 彭亮, 刘莹莹, 等. 江汉平原稻虾综合种养模式经济效益和生态效益分析[J]. 湖北农业科学, 2019, 58(14): 160-166. [44] 黄毅斌, 翁伯奇, 唐建阳, 等. 稻−萍−鱼体系对稻田土壤环境的影响[J]. 中国生态农业学报, 2001, 9(1): 74-76. [45] 李锡勇, 黄婕. 水稻免耕养鱼田稻飞虱消长观察试验初报[J]. 广西农学报, 2005, 20(6): 7-9. [46] 吴敏芳, 郭梁, 张剑, 等. 稻鱼共作对稻纵卷叶螟和水稻生长的影响[J]. 浙江农业科学, 2016, 57(3): 446-449. [47] 魏守辉, 强胜, 马波, 等. 稻鸭共作及其它控草措施对稻田杂草群落的影响[J]. 应用生态学报, 2005, 16(6): 1067-1071. [48] 张峥, 卜德孝, 强胜. 不同稻田综合种养模式下杂草长期控制效果的调查[J]. 植物保护学报, 2022, 49(2): 693-704. [49] SI G H, PENG C L, YUAN J F, et al. Changes in soil microbial community composition and organic carbon fractions in an integrated rice-crayfish farming system in subtropical China[J]. Scientific Reports, 2017, 7(1): 2856. doi: 10.1038/s41598-017-02984-7
[50] NAYAK P K, NAYAK A K, PANDA B B, et al. Ecological mechanism and diversity in rice based integrated farming system[J]. Ecological Indicators, 2018, 91: 359-375. doi: 10.1016/j.ecolind.2018.04.025
[51] CHAKRABORTY, CHAKRABORTY. Effect of dietary protein level on excretion of ammonia in Indian major carp, Labeo rohita, fingerlings[J]. Aquaculture Nutrition, 1998, 4(1): 47-51.
[52] LAZZARI R, BALDISSEROTTO B. Nitrogen and phosphorus waste in fish farming[J]. Boletim Do Instituto De Pesca, 2008, 34(4): 591-600.
[53] LI P, WU G G, LI Y J, et al. Long-term rice-crayfish-turtle co-culture maintains high crop yields by improving soil health and increasing soil microbial community stability[J]. Geoderma, 2022, 413: 115745. doi: 10.1016/j.geoderma.2022.115745
[54] REN L P, LIU P P, XU F, et al. Rice-fish coculture system enhances paddy soil fertility, bacterial network stability and keystone taxa diversity[J]. Agriculture Ecosystems & Environment, 2023, 348: 108399.
[55] 钟松雄, 尹光彩, 陈志良, 等. 水稻土中砷的环境化学行为及铁对砷形态影响研究进展[J]. 土壤, 2016, 48(5): 854-862. [56] YUAN P L, WANG J P, LI C F, et al. Long-term rice-crayfish farming aggravates soil gleying and induced changes of soil iron morphology[J]. Soil Use and Management, 2022, 38(1): 757-770. doi: 10.1111/sum.12688
[57] ZHANG Z, DU L S, XIAO Z Y, et al. Rice-crayfish farming increases soil organic carbon[J]. Agriculture Ecosystems & Environment, 2022, 329: 107857.
[58] XU G C, LIU X, WANG Q S, et al. Integrated rice-duck farming mitigates the global warming potential in rice season[J]. Science of the Total Environment, 2017, 575: 58-66. doi: 10.1016/j.scitotenv.2016.09.233
[59] CHEN Y T, LIU C H, CHEN J, et al. Evaluation on environmental consequences and sustainability of three rice-based rotation systems in Quanjiao, China by an integrated analysis of life cycle, emergy and economic assessment[J]. Journal of Cleaner Production, 2021, 310: 127493. doi: 10.1016/j.jclepro.2021.127493
[60] FANG K K, GAO H, SHA Z M, et al. Mitigating global warming potential with increase net ecosystem economic budget by integrated rice-frog farming in eastern China[J]. Agriculture Ecosystems & Environment, 2021, 308: 107235.
[61] FANG K K, DAI W, CHEN H Y, et al. The effect of integrated rice-frog ecosystem on rice morphological traits and methane emission from paddy fields[J]. Science of the Total Environment, 2021, 783: 147123. doi: 10.1016/j.scitotenv.2021.147123
[62] FANG K K, CHEN H Y, DAI W, et al. Microbe-mediated reduction of methane emission in rice-frog crop ecosystem[J]. Applied Soil Ecology, 2022, 174.
[63] GUO L J, LIN W, CAO C G, et al. Integrated rice-crayfish farming system does not mitigate the global warming potential during rice season[J]. Science of the Total Environment, 2023, 867: 161520. doi: 10.1016/j.scitotenv.2023.161520
[64] DATTA A, NAYAK D R, SINHABABU D P, et al. Methane and nitrous oxide emissions from an integrated rainfed rice-fish farming system of eastern India[J]. Agriculture, Ecosystems & Environment, 2009, 129(1): 228-237.
[65] 欧茜, 熊瑞, 周文涛, 等. 稻鱼共生养鱼密度对稻田甲烷排放的影响[J]. 农业环境科学学报, 2024, 43(9): 1-12. [66] 张剑, 胡亮亮, 任伟征, 等. 稻鱼系统中田鱼对资源的利用及对水稻生长的影响[J]. 应用生态学报, 2017, 28(1): 299-307. [67] 刘许辉, 张红禄, 贾青云, 等. 桂北高寒山区稻田生态种养下水稻及鱼生长试验[J]. 农业与技术, 2022, 42(16): 18-21. [68] 王奇, 李妹娟, 章家恩, 等. 稻鱼共作对水稻叶绿素荧光特征及产量的影响[J]. 作物杂志, 2021(6): 145-151. [69] 李艳蔷, 晏群. 稻鳅共生种养模式试验研究[J]. 中国农业资源与区划, 2018, 39(5): 54-60. [70] 周江伟, 刘贵斌, 吴涛, 等. 不同种养模式对水稻根系生长和产量性状的影响[J]. 江苏农业科学, 2018, 46(13): 55-58. [71] 郭天荣, 刘瑞琪, 曾晴, 等. 稻蛙种养对水稻功能叶片和籽粒养分含量及产量构成的影响[J]. 分子植物育种, 2022, 20(15): 5205-5212. [72] 姚义, 张明伟, 陈京都, 等. 稻虾共作模式下不同栽插密度对丰优香占群体结构及产量的影响[J]. 江苏农业科学, 2021, 49(3): 66-71. [73] 全国明, 章家恩, 杨军, 等. 稻鸭共作对稻米品质的影响[J]. 生态学报, 2008, 28(7): 3475-3483. [74] 甄若宏, 王强盛, 何加骏, 等. 稻鸭共作对水稻产量和品质的影响[J]. 农业现代化研究, 2008, 29(5): 615-617. [75] 陈灿, 黄璜, 郑华斌, 等. 稻田不同生态种养模式对稻米品质的影响[J]. 中国稻米, 2015, 21(2): 17-19. [76] 王强盛, 黄丕生, 甄若宏, 等. 稻鸭共作对稻田营养生态及稻米品质的影响[J]. 应用生态学报, 2004, 15(4): 639-645. [77] 安辉, 刘鸣达, 王厚鑫, 等. 不同稻蟹生产模式对稻蟹产量和稻米品质的影响[J]. 核农学报, 2012, 26(3): 581-586. [78] 陈灿, 郑华斌, 黄璜, 等. 稻田养鳅模式对稻米品质和经济效益的影响[J]. 中国稻米, 2015, 21(4): 124-127. [79] 纪力, 邵文奇, 陈富平, 等. 连年规模稻鸭共养对稻田土壤性状、稻米产量及品质的影响[J]. 中国农学通报, 2021, 37(13): 1-7. [80] 张印, 余政军, 王忍, 等. 鸭品种对稻鸭共生系统土壤理化性质、水稻产量及经济效益的影响[J]. 河南农业科学, 2021, 50(12): 23-31. [81] 董明辉, 顾俊荣, 李锦斌, 等. 稻虾生态种养和机插密度对优良食味粳稻产量与品质的影响[J]. 中国农学通报, 2021, 37(17): 1-12. [82] 彭翔, 戴林秀, 李京咏, 等. 稻田综合种养对长江中下游地区水稻产量和稻米品质影响的文献研究[J]. 中国稻米, 2022, 28(4): 55-60. [83] 王龙根, 张家宏, 谢成林, 等. 扬州市生态稻田养殖鱼产品农药残留分析研究[J]. 现代农业科技, 2016(7): 293. [84] 王冬武, 何志刚, 易继华, 等. 镉污染稻田“虾稻轮作−稻鱼共生”安全利用模式试验总结[J]. 当代水产, 2023, 48(3): 64-66. [85] WANG Q, LI M J, ZHANG J E, et al. Suitable stocking density of fish in paddy field contributes positively to 2-acetyl-1-pyrroline synthesis in grain and improves rice quality[J]. Journal of the Science of Food and Agriculture, 2023, 103(10): 5126-5137. doi: 10.1002/jsfa.12597
[86] XIA L L, LAM S K, CHEN D L, et al. Can knowledge-based N management produce more staple grain with lower greenhouse gas emission and reactive nitrogen pollution? A meta-analysis[J]. Global Change Biology, 2017, 23(5): 1917-1925. doi: 10.1111/gcb.13455
[87] BASHIR M A, WANG H Y, SUN W T, et al. The implementation of rice-crab co-culture system to ensure cleaner rice and farm production[J]. Journal of Cleaner Production, 2021, 316: 128284. doi: 10.1016/j.jclepro.2021.128284
[88] DU F L, HUA L L, ZHAI L M, et al. Rice-crayfish pattern in irrigation-drainage unit increased N runoff losses and facilitated N enrichment in ditches[J]. Science of the Total Environment, 2022, 848: 157721. doi: 10.1016/j.scitotenv.2022.157721
[89] 李双双, 刘卫柏, 蒋健. 农业机械化可以解决农业劳动力短缺吗?[J]. 中国农机化学报, 2024, 45(7): 316-322. [90] 稻渔综合种养技术规范(通则)[J]. 中国水产, 2018(5): 81-83. [91] “十三五”中国稻渔综合种养产业发展报告[J]. 中国水产, 2022(1): 43-52.
计量
- 文章访问数: 1380
- HTML全文浏览量: 156
- PDF下载量: 219
