Research progress of intelligent perception and analytics of agricultural information
-
摘要:
现代农业中，农业生产者需要实时、准确、全面地了解农田环境和农作物的生长状态，并对得到的农田信息数据做出相应分析、归纳和决策。农情信息智能感知和解析技术在现代农业生产中具有不可替代的地位。本文从农情智能感知和信息解析技术2个方面展开论述，重点分析了国内外农业物联网农情信息智能感知技术和基于大数据分析的农情解析方法研究进展，详细介绍了基于农情信息的智能决策技术在农机装备智能化应用的研究现状，总结了目前农用传感器应用存在的问题，并对今后在农情感知、信息解析技术、农业数据库技术以及智能决策技术方面的发展提出了建议，以期为智慧农业的深入发展提供参考。
Abstract:In modern agriculture, agricultural producers need to know the farmland environment and the growth state of crop in a real-time, accurate and comprehensive manner, and make corresponding analysis, induction and decision of obtained information. Intelligent sensing and analysis technology of agricultural information plays an indispensable role in modern agriculture. In this review, we discussed two aspects of agricultural intelligent sensing and information analysis technology, focused on the research progress of agricultural information intelligent perception technology and agricultural information analysis method based on agricultural internet of things and big data at home and abroad, introduced the application of intelligent decision-making technology based on agricultural information in agricultural machinery and equipment intellectualization. The problems existing in application of agricultural sensors were summarized. Some suggestions were put forward for the development of agricultural information perception, information analysis technology, agricultural database technology and intelligent decision-making technology to provide a reference for the development of intelligent agriculture in future.
-
近年来全球气候变化不稳定性更加剧烈，气象灾害对农业生产影响更加突出，农业气象灾害频现[1-3].如何充分利用大量连续观测的气象资料，从中挖掘分析可能成灾的灾害性天气过程，并预测预警灾害等级，对预防气象灾害减少农业损失具有重要意义[3-6].目前数据挖掘技术成为解决气象观测“数据丰富、知识贫乏”问题的有效手段[7-12]，其中的聚类分析和神经网络方法经常应用于气候特征分析与气象灾害研究[13-19].本文尝试应用这2种数据挖掘方法预测农业高温灾害，具体是采用模糊聚类方法在无先验知识的情况下，利用气象观测资料生成模糊聚类中心和隶属度信息，即建立高温灾害等级判定标准预测未来可能的高温灾害；采用误差反向传播(Backprop, BP)神经网络算法对广东省气象局发布的高温灾害历史数据进行学习，经训练后的网络模型可以根据实时气象观测资料，精确地预测可能的高温灾害并判定其等级.
1. 材料与方法
1.1 试验区概况
以广东省为试验区，采用的原始数据是2011年广东省地面气象观测多要素逐日数据和逐日灾害数据，涵盖全省86个气象遥测站(图 1)，地面气象遥测站多要素逐日观测数据结构和农业气象灾害发布数据结构如表 1和表 2.
![图 1 广东省气象遥测站站点分布图]()
图 1 广东省气象遥测站站点分布图Figure 1. The site map of meteorological stations in Guangdong Province表 1 广东省气象遥测站多要素逐日观测数据结构Table 1. Data structures of the meteorological observation in Guangdong Province
表 2 广东省农业气象灾害发布数据结构Table 2. Data structures of public agricultural meteorological disasters in Guangdong Province
1.2 挖掘流程
对气象观测数据采用2种方法挖掘分析，预测可能出现的农业高温灾害，并判定灾害等级，达到预测高温灾害发生、及时预警灾害等级的效果.第1种是模糊C均值聚类法(FCM)，首先从观测数据表中提取5—7月气象观测逐日数据(7 913条)，采用FCM算法对最高气温、高温日数等关键属性进行模糊聚类，利用生成的模糊聚类中心及隶属度矩阵确定高温灾害等级判定标准，再预测未来月份可能出现的高温灾害；第2种是BP神经网络算法，对发布的气象观测逐日数据及同期高温灾害历史数据进行学习，利用训练后的BP神经网络预测未来月份可能出现的高温灾害及其等级；最后，应用2种方法分别对同年8月一段时间的气象观测逐日数据(检验样本)进行判断，对比分析判断结果.农业高温灾害研究流程见图 2.
![图 2 农业高温灾害预测研究流程]()
图 2 农业高温灾害预测研究流程Figure 2. Research process of agricultural high temperature disasters monitoring1.3 算法原理
1.3.1 FCM算法原理
将连续属性离散化是挖掘数量型属性关联规则的关键，这里采用的FCM算法是Bezdek提出来的对数据进行模糊聚类的方法，基本思想是找到一个隶属矩阵(μij)k×n以及k个聚类中心c=(c1, c2，…，ck), 使得给定的目标函数最小[20].本文采用FCM算法将数量型属性(如逐日高温值)划分成若干个模糊集，模糊集能在集合元素和非集合元素之间提供平滑的变迁，较好地实现连续量和离散量之间的转换，同时，在处理高偏度的数据时FCM算法能有效地体现出数据的实际分布情况.FCM算法的核心是计算目标函数[21]：
FCM算法将X划分成k类的迭代过程如下：
FCM-1，取定聚类数目k，2≤k＜n，取定模糊加权系数m，m∈[1, +∞]，取定迭代停止阈值ε，用值在[0, 1]间的随机数初始化隶属矩阵μ(0)，并满足
FCM-2，用μ=μ(s)计算k个聚类中心ci=cis，
FCM-3，修改μ=μ(s+1)，
FCM-4，直到‖Js+1‖＜ε1，或者‖J(s+1)－Js‖＜ε2，ε1、ε2为预先设定的阈值，换句话说直到价值函数小于某个确定的阀值ε1，或它相对上次价值函数值的改变量小于某个阀值ε2，则算法停止.否则，返回FCM-2.
1.3.2 BP神经网络算法原理
人工神经网络是以模拟人脑神经元的数学模型为基础而建立的，它由一系列神经元(单元)组成，单元之间彼此连接.BP神经网络是应用最广泛的一种网络，它具有多层结构，连接是前向的，采用最小均方差的纠错学习规则.反向传播算法包括正向传播和反向传播2个步骤，在正向传播时，输入样本从输入层开始逐层进行处理，上层单元的输出是下层单元的输入，通过隐藏层传向输出层，最终得到样本的实际输出值，然后比较实际输出值与期望输出值，如果相同，那么权系数保持不变，否则进入反向传播过程.在反向传播时，把输出层的误差从后向前逐层传播，根据下层单元的误差计算各隐藏层单元的误差，并对权系数进行修正.不断重复这个学习过程，直到满足终止判断条件[23].
BP算法的过程[23-24].输入：层数为m的神经网络，其中第i层节点数为ni，训练样本集T.输出：经过训练的神经网络.
1) 初始化各层的权系数和偏置.
2) 输入训练样本：输入T中的1个样本X=(X1，X2，…，Xn1)和期望输出Y=(Y1，Y2，…，Ynm).
3) 正向传播：从第2层开始到第m层，计算每层单元的输出.令第k层第j个单元的输出记为Ojk，计算公式为
其中，Wij(t)为t时刻单元i与下层单元j间的权系数，θj(t)为t时刻单元j的偏置，Xik－1为t时刻第k－1层单元i的输出.对于输入单元来说，输出就等于输入，即Oj1=Xj.
4) 反向传播：从第m层开始直到第2层，计算每层单元的误差.将第k层第j个单元的误差记为ejk，对于输出层单元，误差为
对于各隐藏层单元，误差为
5) 修改权系数和各单元的偏置：
其中，η为学习率.
6) 根据给定的结束条件判断是否满足.如果满足，则算法结束，否则返回“2)”继续执行.
1.4 算法应用
1.4.1 利用FCM算法建立模糊等级与模糊聚类中心
先对温度数据表中的平均气温、最高气温和日照时数等属性分别应用FCM算法，利用各自生成的模糊聚类中心，将每个属性分别聚类成5个模糊等级，即较高(vhigh)、高(high)、中(middle)、低(low)、较低(vlow).其次，增加高温日数属性(hot_day)，即高温持续的天数(其高温判定标准为：当日平均气温大于平均气温vhigh阈值，或最高气温大于最高气温vhigh阈值，该日为高温灾害).同时利用FCM算法对高温日数属性进行模糊聚类，分别为高(high)、中(middle)、低(low)、零(zero)4类.所得高温模糊等级与模糊聚类中心见表 3.
表 3 高温模糊等级与模糊聚类中心Table 3. High temperature fuzzy levels and fuzzy cluster centers
本文利用FCM算法生成的模糊聚类中心建立高温灾害等级判定标准：根据最大隶属度原则，当hot_day=0时，正常等级；当hot_day=low时，高温轻度等级；当hot_day=middle时, 高温中度等级；当hot_day=high时，高温严重等级.
1.4.2 利用BP神经网络训练高温灾害数据
在进行BP神经网络训练前，选取与高温灾害密切相关的平均气温、最高气温、日照时数和高温日数等4个影响因子作为输入变量，期望输出变量为当日的高温灾害等级.由于单独输出灾害等级结果在实际训练时会引起较大的误差，本文采用形如布尔离散向量的输出形式，如以[0, 0, 0, 1]表示正常、无灾害，[0, 0, 1 ,0]表示灾害轻度等级，[0, 1, 0, 0]表示灾害中度等级，[1, 0, 0, 0]表示灾害严重等级，可以大大提高网络模型的通用性和精度.
从广东省气象局发布的2011年逐日灾害数据中提取7月27日至8月9日的86个站点逐日高温灾害数据(1 204条)建立高温灾害表，并作为训练样本.在MATLAB环境下建立BP神经网络模型, 选择训练函数trainlm()，它采用了Levenberg-Marquardt算法, 避免了直接计算赫赛矩阵, 从而减少了训练中的计算量和内存需求量, 使对于中等规模的BP神经网络具有最快的收敛速度, 而且很好地利用了MATLAB对矩阵运算的优势[25].输入、输出变量均由4个神经元组成，根据隐藏层神经元节点数的满足条件，隐藏层神经元应该在2~12个，通过比较运行结果, 选出较合适的神经元数为12，即网络拓扑结构为4-12-4.BP神经网络模型主要参数：适应性学习函数为LEARNGDM，性能函数为MSE，隐藏层传递函数为TANSIG，输出层传递函数为LOGSIG；训练最大循环次数1 000次，最大验证数据失败的次数6次，动量的初始值为0.001，动量减少系数为0.1，动量增加系数10，动量最大值为1014；性能目标为0，最小性能梯度为10-20.
上述模型参数经BP神经网络训练后所得的输出变量与实际目标输出变量的绝对误差较小，输出变量的结构因采用[0, 0, 0, 1](正常无灾害)/[0, 0, 1, 0](轻度等级)/[0, 1 ,0 , 0](中度等级)/[1 , 0 , 0 ,0](严重等级)的输出形式，其分类结果直观、精确度高且易于识别，所判定的高温灾害等级与实际灾害发布等级一致.综上所述，网络具有非常好的性能，能揭示灾害判定的内在规则，可以根据气象观测数据准确地预测并判定灾害的等级.
2. 结果与分析
以2011年8月23日全省86个气象遥测站气温数据作为输入，对上述训练好的BP神经网络进行农业高温灾害预测，所得各气象站点的判定结果与广东省气象局发布的灾害等级进行对比验证，结果(表 4)显示，各站点的预测等级与发布结果完全一致，预测总误差接近0，表明经训练后的BP神经网络可以准确地预测广东省农业高温灾害、并判定其等级.可见，BP神经网络算法相对比较精确，适用于有历史气象观测数据以及同期的灾害数据的情况，通过对历史数据训练有效的神经网络，参照新观测的数据可以预测未来可能存在的灾害及其等级.若灾害判定有明确的规则(未公开)，训练的神经网络可以精准地揭示这个规则，预测结果非常准确(即与实际发布结果一致).
表 4 各站点神经网络方法预测灾害等级与实际发布结果对比1)Table 4. The comparison between public disaster level and predicted result based on neural network at every meteorological station
采用模糊聚类方法建立高温灾害等级判定标准，对2011年8月23日气温数据进行灾害等级判定.根据最大隶属度原则，同一个站点在3种灾害等级及正常等级中取隶属度最大者为该站该日高温灾害等级.由于神经网络方法预测的结果与实际发布结果完全一致，所以将模糊聚类方法的结果与神经网络方法结果进行对比.广东省范围内高温灾害不同等级的站点数目的对比结果见图 3.由图 3可见，模糊聚类方法判定的结果与神经网络方法判定结果(即官方发布结果)略有差异，重度和中度灾害等级的站点数偏高，这是模糊聚类生成的聚类中心较神经网络学习的灾害等级阈值略小，所以判定的中度等级以上受灾站点数略高.
![图 3 2种方法各灾害等级的站点数对比]()
图 3 2种方法各灾害等级的站点数对比Figure 3. A comparison of station counts between different disaster levels based on fuzzy clustering and neural network可见，模糊聚类方法相对比较粗略，适用于仅有气象观测数据、无同期灾害历史数据的情况，先根据气象观测数据计算出模糊聚类中心即灾害等级的阈值，再根据阈值预测可能存在的灾害及其等级，其精度依赖于观测数据，观测数据的极值、中值及其比例会影响模糊聚类找到的阈值.为了进一步说明2种方法对同一站点灾害等级判定的差异，将2种方法挖掘得到的各站点及其高温灾害等级分别进行空间插值得到农业高温灾害分布图(图 4)，图 4直观地对比分析高温灾害等级有差异的站点及其分布，更便于不同区域结合不同作物及时采用相应的预防措施.
![图 4 神经网络和模糊聚类高温灾害分布图]()
图 4 神经网络和模糊聚类高温灾害分布图Figure 4. The site map of fuzzy clustering high temperature disaster map3. 结论
本文应用模糊聚类算法(FCM)和BP神经网络算法，对广东省气象观测数据挖掘分析可能存在的农业高温灾害并判定其等级，结果表明2种方法均可预测农业高温灾害，类似地可以推广到其他农业气象灾害预测.模糊聚类算法(FCM)可在缺乏灾害判定规则和历史灾害等级等先验知识的条件下，基于长期气象观测资料得出关键属性的聚类中心和隶属度矩阵，根据最大隶属度原则，将连续属性离散化为模糊属性，在此基础上建立灾害等级判定规则，进而通过气象观测数据预测可能即将发生的农业气象灾害及其等级.BP神经网络算法在缺乏灾害判定规则情况下，可对气象观测历史数据及同期发布的灾害等级数据进行学习，训练后的网络模型可以更准确地揭示内在的灾害发生规律，并通过气象观测数据精确地预测可能发生的农业气象灾害及其等级.神经网络和模糊聚类2种数据挖掘方法在缺乏先验知识的条件下，均可以通过气象观测数据准确地预测农业气象灾害，结果对比表明，前者预测气象站点灾害等级的精度略优于后者.
-
表 1 农业传感器的具体类型和功能
Table 1 Specific types and functions of agricultural sensors
农业传感器
Agricultural sensor具体类型
Specific type功能
Function环境传感器
Environmental sensor土壤含水量、养分、电导率传感器；水体含氧量、酸碱度、浊度传感器；温湿度、气体浓度传感器等 对农产品生长环境如水域、土壤、空气中的关键要素进行监测，密切关注外部环境的变化，为农作物健康成长做好管理和保障工作 农业气象传感器
Meteorological sensor光照量、光照度传感器；风速风向传感器；紫外线、辐射量传感器；降雨量传感器等 监测农业生产活动中常见的气象要素，能有效预测气象环境，提高农民对气象灾害的预防能力 动植物生长状态传感器
Growth state sensor of animal or plant植物茎流传感器；叶绿素传感器；激素类传感器；葡萄糖小分子传感器等 对作物生长过程中的生命数据进行监测，及时了解作物的生长状态，有利于控制存活率和实现大数据分析 农机参数传感器
Agricultural machinery parameter sensor电机温度传感器；机油压力传感器；传动传感器；红外传感器等 实现对农业机械工作状态的监控，提高生产植保效率，有效地增强对智慧农业的体系管理 
下载: 导出CSV
表 2 智能解析部分算法及优点
Table 2 Some algorithms and advantages of intelligent analysis
机器学习 Machine learning 分类算法 Classification algorithm 优点 Advantage 监督学习 Supervised learning 朴素贝叶斯算法 善于处理小规模数据，算法简单、稳定分类 K−近邻算法 有较好的精度，善于处理大量数据 非监督学习 Unsupervised learning K−均值聚类算法 快速处理聚类问题，高效处理较大的数据集 半监督学习 Semi-supervised learning 自训练算法 简单有效，不需要特定的假设条件 多视角算法 降维、模块化数据结构 强化学习 Intensified learning Q学习 不需要对环境进行建模 SARSA 实时性强，易于控制
下载: 导出CSV
-
[1] 马明, 赵新子, 蔺相志, 等. 电子农情监测物联网: 农业的重要增产措施[J]. 农业开发与装备, 2017(6): 30-31. [2] 刘迁迁, 宫哲. 加强农情监测技术应用提升三农金融服务质量[J]. 农业经济, 2016(4): 17-18. [3] 孟祥宝, 谢秋波, 彭宾, 等. 农情综合信息智能监控体系的开发及应用[J]. 机电工程技术, 2014(6): 144-148. [4] 王大正, 任博, 刘珠明. 不同类型农情监测系统间数据共享方案研究[J]. 中国农机化学报, 2019, 50(12): 154-159. [5] DUAN Q, YANG R, CHEN Y. Automatic Identifying query interfaces of deep web based on preclassification-SVM[J]. Sensor Lett, 2013, 11(6): 1389-1395. doi: 10.1166/sl.2013.2910
[6] 岳学军, 王叶夫, 洪添胜, 等. 基于信道测试的橘园WSN网络部署试验[J]. 农业机械学报, 2013, 44(5): 213-218. [7] 曹惠茹, 李业谦, 岳学军, 等. 无线多媒体传感网络不同部署环境下信号传播特性试验[J]. 测试技术学报, 2016, 30(5): 389-393. [8] CAO H, LIU Y, YUE X, et al. Cloud-assisted UAV data collection for multiple emerging events in distributed WSNs[J]. Sensors, 2017, 17(8): 1818. doi: 10.3390/s17081818
[9] CAO H R, YANG Z, YUE X J, et al. An optimization method to improve the performance of unmanned aerial vehicle wireless sensor networks [J]. Int J Distrib Sens N, 2017, 13(4): 1-10. doi: 10.1177/1550147717705614.
[10] 葛文杰, 赵春江. 农业物联网研究与应用现状及发展对策研究[J]. 农业机械学报, 2014, 45(7): 222-230. [11] TERENCE S, PURUSHOTHAMAN G. Systematic review of internet of things in smart farming[J]. Trans Emerging Tel Tech, 2020, 31: e3958.
[12] 胡亮, 曹艳, 唐江云, 等. 基于物联网的玉米病害环境监测系统研究与实现[J]. 中国农学通报, 2020, 36(22): 154-164. [13] 刘子成. 土壤环境监测技术的现状及发展趋势[J]. 江西农业, 2020(14): 16. [14] 刘成良, 林洪振, 李彦明, 等. 农业装备智能控制技术研究现状与发展趋势分析[J]. 农业机械学报, 2020, 51(1): 1-18. [15] ANTONUCCI F, PALLOTTINO F, COSTA C, et al. Development of a rapid soil water content detection technique using active infrared thermal methods for in-field applications [J]. Sensors, 2011, 11: 10114-10128.
[16] 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. [17] 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. [18] GENOT V, COLINET G, BOCK L, et al. Near infrared reflectance spectroscopy for estimating soil characteristics valuable in the diagnosis of soil fertility[J]. J Near Infrared Spec, 2011, 19(2): 117-138. doi: 10.1255/jnirs.923
[19] HONG M K, MYUNG-CHUL K, SMITH A E. Simultaneous determination of 2, 4-D, dicamba, and mecoprop in soil leachates by gas chromatography with electron capture detection[J]. J Aoac Int, 1996, 79(4): 998-1004.
[20] 邓小蕾, 李民赞, 武佳, 等. 集成GPRS、GPS、ZigBee的土壤水分移动监测系统[J]. 农业工程学报, 2012, 28(9): 130-135. [21] 李民赞, 姚向前, 杨玮, 等. 基于卤钨灯光源和多路光纤的土壤全氮含量检测仪研究[J]. 农业机械学报, 2019, 50(11): 169-174. [22] 秦琳, 黄世群, 仲伶俐, 等. 杜马斯燃烧法和凯氏定氮法在土壤全氮检测中的比较研究[J]. 中国土壤与肥料, 2020(4): 258-265. [23] 王儒敬, 陈天娇, 汪玉冰, 等. 基于深度稀疏学习的土壤近红外光谱分析预测模型[J]. 发光学报, 2017, 38(1): 109-116. [24] 张俊卿, 高钧, 陈翔宇, 等. 土壤钾离子非接触电导检测装置设计与试验[J]. 农业机械学报, 2018, 49(S1): 367-371. [25] 李颉, 张小超, 苑严伟, 等. 北京典型耕作土壤养分的近红外光谱分析[J]. 农业工程学报, 2012, 28(2): 183-186. [26] 张俊宁, 方宪法, 张小超, 等. 基于激光诱导击穿光谱的土壤钾素检测[J]. 农业机械学报, 2014, 45(10): 294-299. [27] 代艳娜, 刘青海, 蒲继锋, 等. 超高效液相色谱-串联质谱法检测芹菜和土壤中灭蝇胺及其代谢物三聚氰胺残留[J]. 食品安全质量检测学报, 2020, 11(15): 5020-5026. [28] 杨学灵, 魏嘉良, 蔡子洋, 等. 超声波萃取−气相色谱法测定土壤和沉积物中异丙胺[J]. 广州化工, 2020, 48(15): 140-141. [29] 陈二阳, 袁姜红, 黎忠文, et al. 基于JSON的土壤环境监测物联网感知源信任评价模型研究 [J/OL]. 西安理工大学学报, 2020. https://kns.cnki.net/kcms/detail/61.1294.N.20200708.1442.002.html. [30] 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. [31] 彭炜峰, 刘芳, 李光林, 等. 丘陵地区农田土壤信息监测系统的研究[J]. 农机化研究, 2021, 43(4): 65-69. [32] 孙通. 农业气象物联网在蔬菜大棚中的应用[J]. 现代农业科技, 2020(16): 164. [33] 蔡坤, 洪添胜, 岳学军, 等. 基于误码检测机制的滴灌系统红外光雨水传感器的设计[J]. 农业工程学报, 2012, 28(24): 70-77. [34] 王斌, 刘雪梅, 张国强, 等. 猪舍生态环境监测和清洁控制系统的设计[J]. 农业工程学报, 2020, 36(3): 55-62. [35] YUE X J, HONG T S, XU X, et al. High-performance humidity sensors based on double-layer ZnO-TiO2 nanofibers via electrospinning[J]. Chin Phys Lett, 2011, 28(9): 090701. doi: 10.1088/0256-307X/28/9/090701
[36] 马瑞丽. 基于物联网的农业气象监测的实现研究[J]. 农业技术与装备, 2020(7): 124-125. [37] 刘恺, 谭泗桥, 刘志杰, 等. 稻田农情监测技术研究进展及发展趋势分析[J]. 企业技术开发, 2019, 38(4): 38-41. [38] 黄华宁. 我国首个“作物病虫草害监测预警研究中心”成立 [J]. 科学种养, 2020(3): 63. [39] WANG J, NAKANO K, OHASHI S, et al. Detection of external insect infestations in jujube fruit using hyperspectral reflectance imaging[J]. Biosyst Eng, 2011, 108(4): 345-351. doi: 10.1016/j.biosystemseng.2011.01.006
[40] 李震, 洪添胜, 王建, 等. 柑橘全爪螨虫害快速检测仪的研制与试验[J]. 农业工程学报, 2014, 30(14): 49-56. [41] 田有文, 程怡, 王小奇, 等. 基于高光谱成像的苹果虫害检测特征向量的选取[J]. 农业工程学报, 2014, 30(12): 132-139. [42] 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]. Comput Electron Agr, 2018, 153: 318-324.
[43] ROMER C, BÜRLING K, HUNSCHE M, et al. Robust fitting of fluorescence spectra for pre-symptomatic wheat leaf rust detection with support vector machines[J]. Comput Electron Agr, 2011, 79: 180-188.
[44] KAUR R, KANG S S. An enhancement in classifier support vector machine to improve plant disease detection[C]∥ IEEE International Conference on Moocs. IEEE, 2016.
[45] 许良凤, 徐小兵, 胡敏, 等. 基于多分类器融合的玉米叶部病害识别[J]. 农业工程学报, 2015, 31(14): 194-201. [46] 赵小娟, 叶云, 冉耀虎. 基于物联网的茶树病虫害监测预警系统设计与实现[J]. 中国农业信息, 2019, 31(06): 107-115. [47] 朱静波, 李闰枚, 董伟, 等. 基于数据预处理的病虫草害农田小气候监测系统设计[J]. 现代农业科技, 2017(15): 277-279. [48] WATCHAREERUETAI U, OHNISHI N. A New Color-based Lawn Weed Detection Method and Its Integration with Texture-based Methods: A Hybrid Approach [J]. 電気学会論文誌, c 電子·情報·システム部門誌, 2011, 131(2): 355-366 WATCHAREERUETAI U, OHNISHI N. A new color-based lawn weed detection method and its integration with texture-based methods: A hybrid approach[J]. IEEJ T Electr Electr, 2011, 131(2): 355-366.
[49] WAJAHAT K, FRANCISCD G, JON N, et al. Exploiting affine invariant regions and leaf edge shapes for weed detection[J]. Comput Electron Agr, 2015, 118: 290-299.
[50] BAKHSHIPOUR A, JAFARI A. Evaluation of support vector machine and artificial neural networks in weed detection using shape features[J]. Comput Electron Agr, 2018, 145: 153-160.
[51] 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 Sen, 2018, 10(5): 761. doi: 10.3390/rs10050761
[52] DAVID H, FERAS D, TRISTAN P, et al. A rapidly deployable classification system using visual data for the application of precision weed management[J]. Comput Electron Agr, 2018, 148: 107-120.
[53] 牟海维, 朱春辉. 植物生理传感器的研究现状与应用展望[J]. 农业与技术, 2020, 40(13): 31-32. [54] JONES C L, MANESS N O, STONE M L, et al. Chlorophyll estimation using multispectral reflectance and height sensing[J]. T Asabe, 2007, 50(5): 1867-1872. doi: 10.13031/2013.23938
[55] BARESEL J R P, RISCHBECK P, HU Y, et al. Use of a digital camera as alternative method for non-destructive detection of the leaf chlorophyll content and the nitrogen nutrition status in wheat[J]. Comput Electron Agr, 2017, 140: 25-33.
[56] 孙红, 邢子正, 张智勇, 等. 基于RED-NIR的主动光源叶绿素含量检测装置设计与试验[J]. 农业机械学报, 2019, 50(S1): 175-181. [57] 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. [58] 冯伟, 朱艳, 姚霞, 等. 小麦氮素积累动态的高光谱监测[J]. 中国农业科学, 2008, 41(7): 1937-1946. [59] 黄双萍, 洪添胜, 岳学军, 等. 基于高光谱的柑橘叶片磷含量估算模型实验[J]. 农业机械学报, 2013, 44(4): 202-207. [60] 黄双萍, 洪添胜, 岳学军, 等. 基于高光谱的柑橘叶片氮素含量多元回归分析[J]. 农业工程学报, 2013, 29(5): 132-138. [61] 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. [62] 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. [63] 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. [64] 陈学深, 黄柱健, 马旭, 等. 基于触觉感知的水稻行弯度测量装置设计与试验[J]. 农业机械学报, 2020, 51(2): 45-53. [65] 邹金秋. 农情监测数据获取及管理技术研究[D]. 北京: 中国农业科学院, 2012. [66] 曾小红, 王强. 国内外农业信息技术与网络发展概况[J]. 中国农学通报, 2011, 27(8): 468-473. [67] 卢丽娜. 世界农业信息化进程及发展趋势[J]. 中国信息界, 2007(1): 85-91. [68] 王强, 曾小红. 国内外农业数据资源和网络发展概况[J]. 世界农业, 2008(11): 61-64. [69] 方利, 姚敏, 岳建伟, 等. 多源海量统计遥感数据集成管理技术研究[J]. 地理信息世界, 2010, 8(1): 56-60. [70] 方利, 易文斌, 岳建伟, 等. 统计遥感基础地理数据库标准研究与编制[J]. 测绘与空间地理信息, 2010, 33(1): 14-17. [71] 徐世卫. 农业大数据与农产品监测预警[J]. 中国农业科技导报, 2014, 16(5): 14-20. [72] ZHAO H, WANG F, YANG Q. Origin traceability of peanut kernels based on multi-element fingerprinting combined with multivariate data analysis[J]. J Food Agr, 2020, 100(10): 4040-4048.
[73] 刘彪. “云计算”和大数据在“互联网+”时代的应用[J]. 电子技术与软件工程, 2020(12): 201-213. [74] 崔晓军, 高子航. 基于GIS与云计算的温州市农业大数据可视化平台研究[J]. 电脑编程技巧与维护, 2020(4): 113-115. [75] 顾静秋. 农业数据智能感知与分析关键技术研究 [D]; 北京: 北京交通大学, 2018. [76] 赵献立, 王志明. 机器学习算法在农业机器视觉系统中的应用[J]. 江苏农业科学, 2020, 48(12): 226-231. [77] LI H, LEE W S, WANG K. Identifying blueberry fruit of different growth stages using natural outdoor color images[J]. Comput Electron Agr, 2014, 106: 91-101.
[78] 王永波 邝炳洽. 基于机器学习的花卉分类算法研究[J]. 现代计算机, 2013(9): 21-24. [79] 周军, 蔡建, 郭俊先, 等. 基于机器视觉的核桃仁特征提取与分级方法研究[J]. 江苏农业科学, 2018, 46(11): 175-179. [80] KURTULMUS F, ÜNAL H. Discriminating rapeseed varieties using computer vision and machine learning[J]. Expert Syst App, 2015, 42(4): 1880-1891. doi: 10.1016/j.eswa.2014.10.003
[81] 罗匡男, 彭琳, 齐伟恒. 基于机器视觉的三七叶片病斑识别[J]. 江苏农业科学, 2017, 45(24): 209-212. [82] 刘永娟. 基于计算机视觉技术的玉米发育期识别研究 [D]. 无锡: 江南大学, 2017. [83] ZHANG S W, WU X W, YOU Z H, et al. Leaf image based cucumber disease recognition using sparse representation classification[J]. Comput Electron Agr, 2017, 134: 135-141. doi: 10.1016/j.compag.2017.01.014
[84] 徐邮邮, 李西灿, 尚璇, 等. 基于半监督模糊识别的土壤含水量高光谱估测模型研究[J]. 地理与地理信息科学, 2019, 35(2): 33-37. [85] 吴四茜. 一种相似青梅品级半监督智能认知方法研究 [D]; 合肥: 合肥工业大学, 2019. [86] 周俊, 陈钦, 梁泉. 基于强化学习的农业移动机器人视觉导航[J]. 农业机械学报, 2014, 45(2): 53-58. ZHOU J, CHEN Q, LIANG Q. Vision navigation of agricultural mobile robot based on reinforcement learning [J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(2): 53-8.
[87] SUN L, YANG Y, HU J, et al. Reinforcement learning control for water-efficient agricultural irrigation[C]//IEEE International Conference on Ubiquitous Computing and Communications. IEEE, 2017.
[88] CHEN Y, ZHU H, OZKAN H E. Development of a variable-rate sprayer with laser scanning sensor to synchronize spray outputs to tree structures[J]. T Asabe, 2012, 55(3): 773-781. doi: 10.13031/2013.41509
[89] GIL E, LLORENS J, LLOP J, et al. Variable rate sprayer: Part 2: Vineyard prototype: Design, implementation, and validation[J]. Comput Electron Agr, 2013, 95: 136-150.
[90] 曾立. 作物间变量喷施作业机器人及控制设计[D]. 哈尔滨: 哈尔滨理工大学, 2018. [91] 苑严伟, 李树君, 方宪法, 等. 氮磷钾配比施肥决策支持系统[J]. 农业机械学报, 2013, 44(8): 240-244. [92] 郝云鹏. 基于GIS的玉米变量施肥作业自动决策系统研究 [D]. 长春; 吉林农业大学, 2017. [93] KAREN L, MICHAEL P, AMANDA A, et al. A decision-support system for analyzing tractor guidance technology[J]. Comput Electron Agr, 2018, 153: 115-25. doi: 10.1016/j.compag.2018.08.014
[94] HAMEED I A. Intelligent coverage path planning for agricultural robots and autonomous machines on three-dimensional terrain[J]. J Intell Robot Syst, 2014, 74(3/4): 965-983.
[95] 刘刚, 康熙, 夏友祥, 等. 基于GNSS农田平整全局路径规划方法与试验[J]. 农业机械学报, 2018, 49(5): 27-33. [96] 孟志军, 刘卉, 王华, 等. 农田作业机械路径优化方法[J]. 农业机械学报, 2012, 43(6): 147-152. [97] 张亚娇. 农机自动驾驶监控终端关键技术研究与系统开发 [D]. 广州: 华南农业大学, 2016. [98] CHI Z, NOBORU N. Development of a multi-robot tractor system for agriculture field work[J]. Comput Electron Agr, 2017, 142: 79-90.
[99] 曹如月, 李世超, 季宇寒, 等. 基于蚁群算法的多机协同作业任务规划[J]. 农业机械学报, 2019, 50(S1): 34-39. [100] 郭娜, 胡静涛. 基于Smith-模糊PID控制的变量喷药系统设计及试验[J]. 农业工程学报, 2014, 30(8): 56-64. [101] 曹如月, 李世超, 魏爽, 等. 基于Web-GIS的多机协同作业远程监控平台设计[J]. 农业机械学报, 2017, 48(S1): 52-57. [102] 向抚, 宋玉娥, 叶紫文. 石门县农情信息工作发展现状及对策[J]. 作物研究, 2018, 32(S1): 85-86.
