王嬌嬌 徐波 王聰聰 楊貴軍 楊忠 梅新 楊小冬

摘要： 針對中小農場對作物長勢快速監(jiān)測與精確診斷的需求，本研究設計了作物長勢監(jiān)測儀（CropSense）數據采集與分析系統(tǒng)，該系統(tǒng)實現了數據采集、處理、分析和管理的一體化集成。系統(tǒng)通過藍牙技術連接智能手機和作物長勢監(jiān)測儀獲取作物采樣數據，經服務器中內置光譜模型計算得到地塊的作物生長參數分布專題圖。依據地塊預期產量指標，可提供可視化的專家決策處方。用戶只需點擊一次按鈕，即可實時獲取田間作物的監(jiān)測診斷信息和專業(yè)的田間管理指導方案。目前系統(tǒng)已在多個研究機構實驗農場試用，其中在小湯山基地的應用示例結果顯示：在玉米大喇叭口期使用該系統(tǒng)進行作物診斷和指導施肥，比傳統(tǒng)的施肥方案減少約16.67%施肥量。該系統(tǒng)具有采集分析數據高效便利、推薦施肥方案優(yōu)化合理等特點，在中國家庭農場快速增長的背景下，具有廣闊的應用前景。

關鍵詞： 數據采集;長勢分析;實時診斷;專家決策

中圖分類號： TP391 文獻標志碼： A 文章編號： 201910-SA002

引文格式：王嬌嬌， 徐 ?波， 王聰聰， 楊貴軍， 楊 ?忠， 梅 ?新， 楊小冬. 作物長勢監(jiān)測儀數據采集與分析系統(tǒng)設計及應用[J]. 智慧農業(yè)， 2019，1（4）： 91-104.

1 引言

作物生長狀況，如葉綠素含量、氮素含量、葉面積指數等直接影響作物的生長發(fā)育、品質、產量，是作物長勢監(jiān)測的重要指標，是評價作物長勢的重要數據來源，也是作物生產精確管理調控的重要依據[1-4]。實時獲取作物生長參數可以讓農戶及時了解作物生長狀況、制定相應施肥施藥計劃，從而保證作物健康生長。

傳統(tǒng)獲取大田作物生長狀態(tài)指標的方法以田間采樣、室內測量分析等為主，結果雖然相對準確，但是時效性差、記錄不便、具有破壞性、費時費力且無法實現區(qū)域范圍的監(jiān)測[5]。遙感技術監(jiān)測作物性狀可以彌補傳統(tǒng)手段中存在的破壞性、滯后性、不能獲取大范圍作物長勢參數[6]等不足，并且可通過分析提供專家決策方案，是當前研究的熱點之一[7-9]，但是對于小尺度地塊，衛(wèi)星遙感的監(jiān)測精度較差[10]。智能手機的普及、移動GIS（Geographic Information System）的發(fā)展和廣泛應用可以彌補中高分辨率影像監(jiān)測小尺度地塊存在的缺點，因此許多學者開展了有關使用智能手機采集、分析田間作物參數的研究。

倪軍等[3]研發(fā)了一種基于多光譜傳感器的便攜式作物生長檢測診斷儀。該儀器可以實時無損地獲取作物葉面積指數、生物量、葉片含氮量等生長指標，但是不能對結果進行分析，缺少專家決策。盧少林等[4]設計了一種基于主動光源的雙波段作物生長信息監(jiān)測儀，可在不同光照條件下監(jiān)測大田作物生長狀況;李修華等[11]開發(fā)出可監(jiān)測水稻生長的雙波段作物長勢分析儀，可有效控制投入并提高產量。葉思菁等[12]基于移動GIS設計并實現了作物種植環(huán)境數據采集系統(tǒng)原型，可存儲并查詢景觀照片數據，在實際應用中表現良好;馬旭穎等[13]使用云服務平臺和微信小程序設計了田間信息采集系統(tǒng)，可直接通過小程序上傳作物冠層圖像至云端計算植株行距，小程序運行不受手機系統(tǒng)的限制。Liu等[14]開發(fā)了一種新的作物檢測系統(tǒng)，該系統(tǒng)可測量作物冠層的光譜反射率，進而反映不同氮脅迫條件下冬小麥的葉綠素含量。國外的大田作物數據采集、長勢監(jiān)測系統(tǒng)已比較成熟，包括一些比較成熟的軟件系統(tǒng)，如FieldLog[15]、PenMap[16]等。除此之外，Abdullah and Muhadi[17]設計的DaCOP移動端應用可成功收集油棕靈芝疾病數據，Wagtendonk等[18]基于移動GIS開發(fā)設計了一套可在野外采集作物信息等的軟硬件系統(tǒng)，系統(tǒng)可結合衛(wèi)星影像生成作物矢量圖。

上述系統(tǒng)大多僅在田間監(jiān)測作物的光譜信息或圖像信息，作物圖像采集系統(tǒng)未直接與作物生長狀況相關參數結合，不能直觀體現農作物的長勢;可監(jiān)測作物光譜特征的傳感器大多未結合長勢監(jiān)測模型和計算方法轉化為相關系統(tǒng)。而同時采集上述兩種數據，集成表征作物長勢的模型可更好得幫助農戶了解作物的生長情況[19，20]。

為滿足用戶對作物長勢參數的實時獲取、診斷、分析等需求，本研究基于國家農業(yè)信息化工程技術中心開發(fā)研制的作物長勢監(jiān)測儀CropSense，通過Android平臺、移動GIS技術以及系統(tǒng)內置模型庫中表示作物生長狀況的數據模型，開發(fā)了數據采集與分析軟件系統(tǒng)，用戶通過手持儀器和智能手機即可實時查看大田作物的長勢及對應的生產處方圖等，為普通農戶實時了解作物生長情況、中小農場實現精細農業(yè)生產提供了理論和技術支持。

2 系統(tǒng)設計

2.1 作物長勢監(jiān)測儀CropSense

作物生長監(jiān)測儀CropSense是一款基于雙通道高通量光譜信號的便攜式作物長勢健康分析診斷儀器，用戶可手持儀器在野外直接采集作物冠層在紅光和近紅外波段處的入射光強和反射光強，儀器的正面如圖1所示。

與其他光譜傳感器相比，此儀器尺寸小、重量輕、便于攜帶，具體參數見表1。除此之外，表2為CropSense所測光譜數據與美國SRS-NDVI歸一化植被指數測量儀測得的光強數據的對比，對兩組數據進行回歸分析，相關系數R2達到0.97，測試數據表明Cropsense的測量精度較高。目前，CropSense已在定點試用和逐步推廣中，是家庭農場、合作社、農業(yè)企業(yè)等新型農業(yè)經營主體和農技推廣、農業(yè)調查等政府部門快速獲取作物長勢健康狀態(tài)的一款高性能產品。

2.2 系統(tǒng)總體設計

系統(tǒng)的軟件部分采用客戶機和服務器結構（Client-Server，C/S結構）開發(fā)設計，包括客戶端應用層、網絡服務層和數據存儲層三部分，系統(tǒng)架構如圖2所示。

（1）客戶端應用層：負責用戶與傳感器交互，采集作物的光譜數據和圖像數據，利用模型計算歸一化植被指數（Normalized Vegetation Index，NDVI）并依據遙感模型反演作物參數;通過與網絡服務層交互，上傳采集的參數及計算的參量，并接收網絡服務層生成的遙感監(jiān)測專題圖和推薦施肥處方專題圖。

（2）網絡服務層：負責移動端與數據存儲層的交互。網絡服務層建立初始的作物遙感反演模型并推送至注冊的手機APP中，將移動端上傳的地塊邊界、測量數據、反演參數等依據反演模型生成各專題圖并推送至移動端;最終將接收的移動端數據及專題圖數據等上傳至數據存儲層。

網絡服務層使用由Tomcat發(fā)布的基于Java Servlet技術開發(fā)的Web服務為移動端處理數據、更新作物生長狀況輔助數據、模型及軟件，通過解析Json格式文件，實現移動端與數據存儲層的數據交互過程。Tomcat服務器是一個免費的開放源代碼的Web應用服務器，屬于輕量級應用服務器，適用于中小型應用。Json是一種輕量級的數據交換格式，層次結構簡潔、清晰，易于機器解析和生成，可有效地提升網絡傳輸效率。

空間可視化服務則通過ArcGIS Server支持，為移動端提供地圖可視化服務及空間數據處理功能等。ArcGIS Runtime SDK for Android是 Android設備開發(fā)工具，用戶可以通過此工具構建本地應用程序，并為應用提供強大的空間分析、可視化功能。

（3）數據存儲層：存儲、管理系統(tǒng)所需要的數據，包括空間數據和屬性數據。其中，屬性數據直接存儲在SQL Server，空間數據則通過ArcGIS的空間數據引擎（ArcSDE）存儲于SQL Server中。本系統(tǒng)所設計的業(yè)務邏輯主要如下。

用戶針對某一季作物提出整體采樣方案，整個方案周期為播種時間到收獲時間，屬性包括種植作物信息、累計進行采樣事件的次數等。其中一個方案周期內含有多個采集活動（至少每個生育期有一次）。

執(zhí)行每一次采樣活動，記錄此次采樣過程中的所有的采樣點及其所采集到的信息。同時在采樣活動進行時，可參考同一個方案內其它歷史采樣時間的活動軌跡。一次采集活動只會有一個活動軌跡。

針對所有采樣方案的數據管理：在方案列表界面選擇目標方案，可查看所有該方案內執(zhí)行的采集活動，點擊目標采集活動，可查看該次活動的活動軌跡或者采集的所有數據。

本研究根據系統(tǒng)的業(yè)務邏輯設計了數據庫概念E-R圖如圖3所示。

圖3所示的E-R圖中包含6個數據表：用戶信息表、采樣方案表、采樣事件表、采樣點信息表、活動軌跡表和軌跡節(jié)點信息表。其中一個用戶可創(chuàng)建多個采樣方案，一個采樣方案需進行多次采集活動，一次數據采集會采集多個采樣點，同時會有一個采集路線，而一條采集路線是由多個坐標節(jié)點構成的。

2.3 系統(tǒng)主要功能模塊

通過藍牙將CropSense和數據采集與分析系統(tǒng)（簡稱APP）進行連接，從而將CropSense獲取的光學數據傳送至APP。APP接收到數據后，根據遙感反演模型計算相應的作物參數，并將測量數據和所得參數發(fā)送到服務器進行插值分析并生成專題圖，最終通過Android終端顯示所得參數及專題圖。

系統(tǒng)的功能主要分為用戶設置、采集管理、參數管理及分析和服務管理四個模塊，其中系統(tǒng)的移動端主要負責用戶設置和采集管理，服務端主要提供服務管理，二者均可支持參數管理及分析，系統(tǒng)功能設計如圖4所示。

2.3.1 用戶設置

用戶設置包括用戶管理和系統(tǒng)設置，用于用戶信息管理和作物采集前的參數設置。

用戶管理主要指用戶管理個人信息、綁定硬件、標注數據及活動事件等;系統(tǒng)設置是用戶進行數據采集工作之前連接硬件、選擇采集路線、設置作物類型及生育期等操作。

2.3.2 采集管理

采集管理主要包括采樣點規(guī)劃和數據采集。

采樣點規(guī)劃：主要根據工作人員的農場采樣需求和作物的生長周期規(guī)劃一條推薦的采樣點分布方案以及采樣時間節(jié)點。根據系統(tǒng)推薦的采樣點規(guī)劃方案給工作人員提供路線和采樣點導航，方便工作人員快速找到已確定好的采樣點。

數據采集：主要用來采集傳感器所測得的光譜數據、采樣點的位置信息以及采樣點的作物冠層圖像信息。

2.3.3 參數管理及分析

系統(tǒng)涉及的參數主要包括NDVI、葉面積指數（Leaf Area Index，LAI）、植被覆蓋度（Fractional Vegetation Cover ，FVC）、葉綠素含量（Cab）、產量（Yield）以及推薦施用氮肥量（Nc）等。

移動端和服務端均支持參數管理及分析功能，其中移動端的功能以本地數據的增刪查改、采樣點參數處理和數據分享為主，服務端的數據管理主要是利用后臺服務器處理、分析移動端采集的數據，生成各參數在整個地塊的分布圖，并將專題圖傳送至移動端。參數管理的技術路線如圖5所示。

移動端：

（1）查看、刪除或修改已制定的采集方案、已采集的數據等;

（2）以csv格式將數據分享給其他用戶;

（3）處理與分析本地已采集的數據，包括樣點作物的光譜數據和冠層圖像數據;

（4）上傳本地數據至服務端，請求服務端的歷史數據，數據以Json格式傳輸。

服務端：

（1）解析移動端上傳的Json文件，將數據存儲于數據庫中，并根據移動端的請求，將數據庫中的歷史數據發(fā)送至移動端;

（2）聯合分析移動端采樣點的光譜數據和冠層圖像，并生成專題圖，如農作物生長狀況分布圖、推薦氮分布圖等。

2.3.4 服務管理

服務管理分為GIS服務、模型服務和軟件服務三部分，其中GIS服務主要用于支持地理位置相關的服務，模型服務為數據處理模型的存儲與更新，軟件服務為移動端軟件的更新。

GIS服務是基于ArcGIS Server實現的，為系統(tǒng)提供底圖數據和GIS功能上的支持，主要包括以下內容：

（1）基礎底圖數據：采用ESRI公共服務中的全球影像數據（http：//services.arcgisonline.com/arcgis/rest/services/World_Imagery/MapServer）服務作為數據源，為移動客戶端提供可視化的農場底圖。

（2）要素服務（FeatureServer）：將農場地塊圖層發(fā)布為ArcGIS Server要素服務，用于編輯和存儲農場邊界和屬性信息。該圖層坐標系需與基礎影像數據坐標系一致。

（3） GP服務（GPServer）：即Geoprocessing 服務，ArcGIS工具之一，用于發(fā)布支持作物長勢數據插值處理、地塊格網化和統(tǒng)計單位格網數據值等。

模型服務是系統(tǒng)對數據處理和分析使用的模型，包括作物參數計算模型和圖像處理模型。服務端的模型服務主要用于存儲和更新上述模型并實時推送最新模型至移動端。

3 系統(tǒng)實現

3.1 開發(fā)運行環(huán)境

開發(fā)環(huán)境：服務器端采用Java Servlet技術開發(fā)Web服務，用ArcGIS Server 10.2支持GIS服務，SQL Server 2012（免費試用版）作為服務端數據庫。移動端數據庫使用Android自帶的SQLite數據庫。

開發(fā)工具：系統(tǒng)移動端用Android Studio作為開發(fā)工具，Android（Java）為開發(fā)語言，最低支持的安卓系統(tǒng)版本為Android 4.0。服務端用Eclipse作為開發(fā)工具，Java作為開發(fā)語言。

3.2 系統(tǒng)實現

系統(tǒng)實現的要點為數據采集、數據處理與分析以及數據管理等。系統(tǒng)工作流程為CropSense和智能終端采集數據，移動終端和網絡服務器對采集的數據進行編輯、處理等，最終根據產量等目標對數據分析，得到整個地塊的專家推薦圖。具體流程如圖6所示。

圖6系統(tǒng)工作流程圖

Fig. 6 System flowchart

3.2.1 數據采集

系統(tǒng)采集的數據主要包括作物冠層光譜數據和冠層圖像數據。

（1）冠層光譜數據

CropSense通過藍牙與智能終端配對連接，通過智能終端選擇并配置采集所需作物類型、作物生長期等參數，即可一鍵采集當前采樣點的作物冠層光譜數據，所獲取的數據通過藍牙傳送給智能終端并存儲在數據庫，光譜采集任務完成。

（2）冠層圖像數據

冠層圖像數據由Android卓4.0及以上系統(tǒng)、藍牙為2.1及以上版本且有拍照功能的手機拍攝獲取，在獲取采樣點的光譜數據后，可在智能終端的界面中選擇拍攝當前采樣點的作物冠層圖像，拍攝好的圖像自動存儲于Android自帶的數據庫中。

3.2.2 數據處理與分析

數據處理包括光譜數據處理、冠層圖像處理等。數據分析是通過作樣點物生長參數插值或反演整個地塊的作物長勢圖，并針對地塊當前作物的生長狀況為用戶提供專家建議，如推薦施用氮肥等處方圖。

（1）光譜數據處理

光譜儀采集的數據為作物冠層在650nm（紅光）、810nm（近紅外）波段處的反射光強度和入射光強度，兩個波段處的光譜反射率需要通過反射率定義求出反射率，如公式（1）所示。

式中，代表采樣點處反射率;代表入射光強;代表反射光強。利用兩個波段的反射率和NDVI計算公式便可求出采樣點處的NDVI值，具體見公式（2）。

式中，為近紅外波段處的反射率，為紅波段處的反射率。然而，便攜式光譜儀受到體積等因素影響，精度會有所下降。因此，系統(tǒng)選用美國SRS-NDVI歸一化植被指數測量儀測得的光強數據作為對比，來校正該傳感器的光強數據。

NDVI在反應作物生長規(guī)律的同時，也可以較好得反應作物氮素含量、葉綠素含量和葉面積指數等情況[21]。因此，校正后的NDVI數據可以通過模型求得系統(tǒng)所提供的各參數，包括FVC、LAI、Cab、Yield及Nc等。系統(tǒng)使用的模型涵蓋中國主要糧食作物小麥、玉米和水稻。根據三種作物在中國的種植區(qū)劃[22-24]建立各大種植區(qū)每個參數的通用模型，在此基礎上，根據用戶所在地歷史數據或當年數據更新相關參數，建立符合所在小區(qū)域的參量反演模型。表3為內置模型庫中的部分模型，表中所給模型是根據小麥、玉米北方種植區(qū)的通用模型以及北京市小湯山國家精準農業(yè)示范基地歷史數據所建立的適用于北京地區(qū)的模型庫。

（2）冠層圖像處理

作物冠層圖像數據可用于了解作物的覆蓋度、種植密度及葉片顏色等指標，并且可以輔助完善光譜數據模型?？紤]到現場拍攝圖片會因為手機品牌、拍照時間、田間情況不同而導致圖片分辨率低、大小不一致、光照不均、圖像模糊等問題，本系統(tǒng)首先對圖像進行圖像去噪和圖像增強等預處理操作，然后再通過圖像分割等方法提取冠層作物并計算冠層圖像參數等。具體處理流程如圖7所示。

除此之外，手持光譜儀采集的數據可能會出現一些異常值。因此冠層圖像所計算的參數會驗證光譜儀測得的葉面積指數LAI，并剔除含有明顯錯誤數據的異常點。

（3）數據分析

系統(tǒng)可通過內置模型庫中推薦氮計算模型及產量目標提供用戶當前采樣點的推薦氮及地塊的推薦氮專題圖。通過使用克里金（Kriging）插值法對樣點數據進行插值分析，此方法是依據協方差函數對隨機過程或隨機場進行空間建模和預測的回歸方法[25]，適用于存在空間相關性的區(qū)域化變量。利用克里金插值法可得到整個地塊作物推薦氮分布專題圖。

使用ArcGIS所提供的漁網工具將地塊分割成格網，計算每個格網所需要的氮量，進而生成Nc統(tǒng)計結果，如下式：

其中，為格網中系統(tǒng)所計算的每個樣點的推薦氮用量，kg/hm2;為該格網中樣點的總個數;為格網的面積，m2。系統(tǒng)Nc氮量為每公頃含量。

最終用戶所看到的是一定大小格網的Nc分布圖。另外，對于地塊的數據可進行對比分析，

包括同期數據對比及歷史數據對比等，方便用戶了解地塊作物的情況。

4 系統(tǒng)應用與分析

目前系統(tǒng)已進入使用，并在逐步完善中。以2018年北京市昌平區(qū)小湯山實驗基地的夏玉米試驗為例說明系統(tǒng)應用情況。

實驗基地位于北京市昌平區(qū)小湯山鎮(zhèn)（N 40°00′～40°21′，E 116°34～117°00′），試驗田長寬分別為100m、80m。為給田地進行變量施肥，將試驗田劃分為15個小區(qū)，如圖8所示。本應用案例只涉及玉米大喇叭口期的數據采集與分析，在滿足試驗精度的條件下將田地劃分為5×3的網格。試驗共采集37個采樣點的數據，其中每個網格中至少包含一個采樣點。

試驗選用的玉米品種為“鄭單958”，于2018年6月30日播種，并在播種時同步施肥。

4.1 系統(tǒng)設置

用戶在采集數據前需錄入所采集地塊的信息，主要包括“采集區(qū)域”“作物類型”“生育期”“天氣”“品種”等。圖9（a）所示為應用案例的系統(tǒng)設置信息，采樣的作物為玉米，處于大喇叭口期，采集當天為晴天。在完成系統(tǒng)設置后，用戶打開藍牙并連接CropSense。

4.2 數據采集

本次采樣試驗地塊被分成3×5的格網，每個格網中采集1-5個點。點擊“采集數據”保存當前傳感器測得的光譜數據以及通過數據模型庫計算得到的相關參數;點擊“相機”拍攝當前采樣點的作物冠層圖像，得到1200萬像素的冠層圖像，最終圖像保存在Android自帶的數據庫中，圖像存儲在手機相冊中，數據采集界面如圖9（b）所示。通過“數據詳情”按鈕，用戶可以實時看到當前采樣點的所有數據，圖9（c）所示的采樣點NDVI為0.798，葉面積為2.25m2/m2，覆蓋度為0.64，葉綠素含量為34.79μg/cm3，估產量是5975kg/hm2，推薦氮為127.5kg/hm2。

4.3 數據分析

數據分析包括采樣點數據對比分析和地塊施肥決策分析兩種。采樣點數據對比分析使用折線圖和專題分布圖反映采樣點作物的生長狀況和變化趨勢，簡單易懂。如圖9（d）所示，上面的折線圖為試驗田采樣點4與同期其他采樣點的NDVI折線圖，圖中可以看出，采樣點4的NDVI值為0.4238，與周圍其他采樣點相比，當時處于相對較高的水平。圖9（d）下面的圖為該點與往年數據對比的折線圖，可見此點在2018年的NDVI值與前兩年基本持平，但是有增加的趨勢。圖9（e）為地塊的NDVI分布圖，圖中的藍色點為采樣點，NDVI從紅到綠依次增加，最小值為0.376，最大值為0.824，整體分布為南高北低、長勢較好的玉米集中分布在實驗田的東南部。

地塊施肥決策分析是根據采樣數據和用戶提供的預期產量經推薦氮計算模型綜合處理后提供給用戶專家決策意見，即地塊的變量施肥方案專題圖。圖9（f）為實驗地塊的Nc分布圖，用戶點擊格網即可查看當前格網推薦施肥的詳細信息，如面積、肥料類別、施肥量等。圖中所示地塊的目標產量為6000kg/hm2，當前選中的格網面積為577m2，為滿足目標產量的要求，該格網推薦施用尿素9.22kg。對比圖9（e）和圖9（f），氮肥施用量與NDVI呈負相關關系，用戶通過采樣點數據分布圖即可在一定程度上判斷地塊變量施肥的情況。

4.4 系統(tǒng)應用效果

使用本系統(tǒng)僅需手持CropSense和智能手機在田間采集光譜和圖像數據即可實時獲取作物長勢參量。而傳統(tǒng)的作物長勢監(jiān)測則需在田間采集植株樣本，并在實驗室測試化驗，與使用本系統(tǒng)相比花費時間更多。

若進行傳統(tǒng)施肥，玉米追肥時純氮用量一般為193.2kg/hm2。試驗田根據系統(tǒng)所計算的施肥量進行變量施肥，與常規(guī)情況施用化肥的純氮量對比如表4所示，可見在玉米長勢基本不變的情況下，使用本系統(tǒng)后純氮使用量平均減少了16.67%。

系統(tǒng)使用時有以下特點：

（1）使用本系統(tǒng)可提高田間數據采集效率和正確率，解決了手動記錄數據和攜帶傳統(tǒng)光譜儀帶來的一系列問題;

（2）折線圖和作物長勢專題圖可以直觀地表現當前作物的生長情況，用戶采集完數據即可實時查看，時效性強;

（3）推薦氮肥分布專題圖改善了傳統(tǒng)施肥沒有針對性的缺點，使用推薦氮分布圖可以輔助用戶進行變量施肥，減少了農耕成本。

5 討論與結論

本研究結合移動GIS將大田作物生長狀況數據的采集、處理、分析數據集成設計了作物生長狀況采集系統(tǒng)，主要實現了田間數據采集、實時診斷分析的功能。該系統(tǒng)具有以下特點：

（1）利用CropSense和智能手機獲取田間采樣數據以獲取作物關鍵生育期的參數，操作簡便且實用性高，減少了對使用者專業(yè)技能的要求，便于在農戶中普及。

（2）結合Web服務技術提供處理工具并實時更新模型，實現了田間數據便捷采集，并且可實時分析診斷作物生長狀況，具有高效的優(yōu)點。

（3）系統(tǒng)提供專家決策功能，為用戶提供整個地塊的估產圖及推薦氮施肥圖等，可有效指導用戶農田作業(yè)。

（4）系統(tǒng)采集的數據直接通過網絡發(fā)送到服務端上，改進了傳統(tǒng)數據通過數據線導入導出模式和共享性差的缺點。

系統(tǒng)通過儀器采集點的數據，利用內置模型庫中適用于各地區(qū)不同作物的作物參數計算模型及插值等方法，為用戶提供整個地塊的作物長勢情況及變量施肥圖。采樣點的密度與用戶所需精度直接相關，樣點個數增多，求平均值效果更好。一般將地塊劃分為格網，格網的個數以及格網中采樣點的個數以滿足用戶生產需求和變量施肥機作業(yè)寬度為準。本文應用案例采樣時，每個格網中最少需采集1個點的數據，2～3個比較合適，對于異質性差的地塊可適當多測，但最多不超過5個采樣點。目前本系統(tǒng)已在試驗田中陸續(xù)試用，對于評價作物生長狀態(tài)、提供施肥決策以及作物估產等提供了有效參數和方案。但是數據模型庫和智能手機端采集分析數據的功能還在進一步完善中，快速有效地識別出作物病蟲害、含水量等情況是今后研究的重要方向。

參考文獻

[1] 王利民， 劉佳， 唐鵬欽， 等. 農作物長勢遙感監(jiān)測需求、系統(tǒng)框架及業(yè)務應用[J]. 中國農業(yè)信息， 2019， 31（2）： 1-10.

Wang L， Liu J， Tang P， et al. Demand， system framework and operational application of crop growth remote sensing monitoring[J]. China Agricultural Informatics， 2019， 31（2）： 1-10.

[2] 朱姜蓬，岑海燕，何立文，等. 農情監(jiān)測多旋翼無人機系統(tǒng)開發(fā)及性能評估[J]. 智慧農業(yè)， 2019， 1（1）： 43-52.

Zhu J， Cen H， He L， et al. Development and performance evaluation of a multi-rotor unmanned aircraft system for agricultural monitoring[J]. Smart Agriculture， 2019， 1（1）： 43-52.

[3] 倪軍， 姚霞， 田永超， 等. 便攜式作物生長監(jiān)測診斷儀的設計與試驗[J]. 農業(yè)工程學報， 2013， 29（6）： 150-156.

Ni J， Yao X， Tian Y， et al. Design and experiments of portable apparatus for plant growth monitoring and diagnosis[J]. Transactions of the CSAE， 2013， 29（6）： 150-156.

[4] 盧少林， 倪軍， 曹衛(wèi)星， 等. 基于主動光源的作物生長信息監(jiān)測儀的設計與試驗[J]. 農業(yè)工程學報， 2014， 30（23）： 199-206.

Lu S， Ni J， Cao W， et al. Design and experiment for crop growth information monitoring instrument based on active light source[J]. Transactions of the CSAE， 2014， 30（23）： 199-206.

[5] 馬浚誠， 劉紅杰， 鄭飛翔， 等. 基于可見光圖像和卷積神經網絡的冬小麥苗期長勢參數估算[J]. 農業(yè)工程學報， 2019， 35（5）： 183-189.

Ma J， Liu H， Zheng F， et al. Estimating growth related traits of winter wheat at seedling stages based on RGB images and convolutional neural network[J]. Transactions of the CSAE， 2019， 35（5）： 183-189.

[6] 蘭玉彬，鄧小玲，曾國亮. 無人機農業(yè)遙感在農作物病蟲草害診斷應用研究進展[J]. 智慧農業(yè)，2019，1（2）： 1-19.

Lan Y， Deng X， Zeng G. Advances in diagnosis of crop diseases， pests and weeds by UAV remote sensing[J]. Smart Agriculture， 2019， 1（2）： 1-19.

[7] 王利民， 楊玲波， 劉佳， 等. GF-1和MODIS影像冬小麥長勢監(jiān)測指標NDVI的對比[J]. 作物學報， 2018， 44（7）： 1043-1054.

Wang L， Yang L， Liu J， et al. Comparison of growth monitoring index NDVI between GF-1 and MODIS images in winter wheat[J]. Acta Agronomica Sinica， 2018， 44（7）： 1043-1054.

[8] 侯學會， 隋學艷， 姚慧敏， 等. 基于物候信息的山東省冬小麥長勢遙感監(jiān)測[J].國土資源遙感， 2018， 30（2）： 171-177.

Hou X， Sui X， Yao H， et al. Study of the growth condition of winter wheat in Shandong Province based on phenology[J]. Remote Sensing for Land & Resources， 2018， 30（2）： 171-177.

[9] 楊北方， 韓迎春， 毛樹春， 等. 基于數字圖像的棉花長勢空間變異分析[J]. 棉花學報， 2015， 27（6）： 534-541.

Yang B， Han Y， Mao S， et al. Analysis of the spatial variability in cotton growth conditions based on digital Imaging[J]. Cotton Science， 2015， 27（6）： 534-541.

[10] 陳仲新，郝鵬宇，劉佳，等. 農業(yè)遙感衛(wèi)星發(fā)展現狀及我國監(jiān)測需求分析[J]. 智慧農業(yè)，2019，1（1）： 32-42.

Chen Z， Hao P， Liu J， et al. Technical demands for agricultural remote sensing satellites in China[J]. Smart Agriculture， 2019， 1（1）： 32-42.

[11] 李修華， 李民贊， 崔笛， 等. 基于雙波段作物長勢分析儀的東北水稻長勢監(jiān)測[J]. 農業(yè)工程學報， 2011， 27（8）： 206-210.

Li X， Li M， Cui D， et al. Monitoring of rice plant growth in Northeast China using dual-wavebands crop growth analyzer[J]. Transactions of the CSAE， 2011， 27（8）： 206-210.

[12] 葉思菁， 朱德海， 姚曉闖， 等. 基于移動GIS的作物種植環(huán)境數據采集技術[J]. 農業(yè)機械學報， 2015， 46（9）： 325-334.

Ye S， Zhu D， Yao X， et al. Mobile GIS based approach for collection of crop planting environment data[J]. Transactions of the CSAM， 2015， 46（9）： 325-334.

[13] 馬旭穎， 張智勇， 高德華， 等. 基于云服務架構的田間信息采集與分析系統(tǒng)設計[J]. 農業(yè)機械學報， 2019， 50（S1）： 122-127.

Ma X， Zhang Z， Gao D， et al. Design of crop information storage analysis system based on cloud service architecture[J]. Transactions of the CSAM， 2019， 50（S1）： 122-127.

[14] Liu H， Sun H， Mao B， et al. Development of a crop growth detecting system[J]. Ifac Papersonline， 49（16）： 138-142.

[15] Matsah M I， Kusky T. Fieldlog： GIS software as a mapping aid for structural geologists[J]. Computer Methods in the Geosciences， 1996， 15（96）： 471-475.

[16] Turner L. PenMap demonstration project， landslide mapping system[R]. California， 2002.

[17] Abdullah A F， Muhadi N A. GIS data collection for oil palm （DaCOP） mobile application for smart phone[J]. ISPRS Annals of the Photogrammetry， Remote Sensing and Spatial Information Sciences 2015， II-2/W2： 165-168.

[18] Wagtendonk A， Reus N D， Lammeren R J A V ， et al. A mobile GIS application for crop mapping development and evaluation[EB/OL]. [2019-10-02].

http：//www.geo-informatie.nl/projects/gipsy/Eindrapportages/gipsy_2004_9.pdf.

[19] 楊忠. 基于移動GIS的作物生長狀況采集系統(tǒng)研究與實現[D]. 武漢：湖北大學， 2018.

Yang Z. Research and implementation of crop growth status collection system based on mobile GIS[D]. Wu Han： Hubei University， 2018.

[20] 孫麗娟. 基于Android的物聯網數據采集監(jiān)測系統(tǒng)開發(fā)[D]. 南京：南京理工大學， 2016.

[21] 朱云， 史力超， 侯振安， 等 基于NDVI的滴灌春小麥氮肥分期施用推薦模型[J]. 麥類作物學報， 2015， 35（5）： 681-686.

Zhu Y， Shi L， Hou Z， et al. Nitrogenous fertilizer recommendation model based on NDVI for drip-irrigated spring wheat[J]. Journal of Triticeae Cropsm， 2015， 35（5）： 681-686.

[22] 刁興良，楊再潔，李奇峰，等. 基于多源數據的華北平原夏玉米種植區(qū)研究[J]. 智慧農業(yè)，2019，1（2）： 73-84.

Diao X， Yang Z， Li Q，et al. Regionalization research of summer corn planting in North China Plain based on multi-source data[J]. Smart Agriculture， 2019， 1（2）： 73-84.

[23] 梅方權， 吳憲章， 姚長溪， 等. 中國水稻種植區(qū)劃[J]. 中國水稻科學， 1988（03）： 97-110.

[24] 趙廣才. 中國小麥種植區(qū)劃研究（一）[J]. 麥類作物學報， 2010， 30（5）： 886-895.

Zhao G. Study on Chinese wheat planting regionalization （I）[J]. Journal of Triticeae Crops， 2010， 30（5）： 886-895.

[25] 李海濤， 邵澤東. 空間插值分析算法綜述[J]. 計算機系統(tǒng)應用， 2019， 28（7）： 1-8.