摘要：2016—2020年在河南省鄭州、鶴壁、黃泛區(qū)3個(gè)國家一級(jí)農(nóng)業(yè)氣象試驗(yàn)站，利用航天新氣象科技有限公司、河南中原光電測控技術(shù)有限公司2個(gè)廠家5套觀測設(shè)備，對冬小麥-夏玉米的發(fā)育期、冠層高度、密度、葉面積指數(shù)、干物質(zhì)質(zhì)量等進(jìn)行連續(xù)自動(dòng)化觀測試驗(yàn)，并同時(shí)開展人工對比觀測。結(jié)果表明，冬小麥發(fā)育期自動(dòng)觀測誤差大都在4 d以內(nèi)，返青、拔節(jié)誤差在5 d以上，需輔以人工觀測；冠層高度自動(dòng)觀測平均誤差多在10 cm以下；生育期內(nèi)密度波動(dòng)較大，自動(dòng)化觀測效果較差。夏玉米發(fā)育期自動(dòng)化觀測誤差大都在4 d以下，拔節(jié)、乳熟和成熟暫需輔以人工觀測；密度、冠層高度自動(dòng)觀測效果較好。冬小麥和夏玉米發(fā)育期、生長狀況評(píng)定、冠層高度及玉米密度自動(dòng)觀測效果較好，優(yōu)化后可業(yè)務(wù)推廣應(yīng)用；而葉面積指數(shù)、干物質(zhì)質(zhì)量識(shí)別效果較差，尚不具備業(yè)務(wù)推廣條件，需改進(jìn)算法或識(shí)別技術(shù)。

關(guān)鍵詞：冬小麥；夏玉米；農(nóng)業(yè)氣象；自動(dòng)化觀測；評(píng)估

中圖分類號(hào)：S163" " " " "文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2023）03-0224-06

DOI：10.14088/j.cnki.issn0439-8114.2023.03.035 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Evaluation of automatic observation technology for agricultural meteorology of winter wheat and summer corn

ZHANG Zhi-hong1，2，SHI Gui-fen1，3， LI Shu-ling4

（1. Key Laboratory of Agro-meteorological Safeguard and Applied Technique in Henan Province， China Meteorological Administration， Zhengzhou" 450003，China； 2. Henan Institute of Meteorological Science， Zhengzhou" 450003， China； 3. Henan Climate Center， Zhengzhou" 450003，China；

4. Zhengzhou Meteorological Bureau， Zhengzhou" 450003，China）

Abstract：In three national first-class agricultural meteorological observation test stations in Zhengzhou， Hebi and Huangfan district of Henan Province， 5 sets of observation equipment of Aerospace New Meteorological Technology Co.， Ltd. and Henan Zhongyuan Optoelectronics Measurement and Control Technology Co.， Ltd. were used to conduce continuous automatic observation experiments on the growth period， canopy height， density， leaf area index and dry matter of winter wheat and summer corn from 2016 to 2020， and at the same time， manual comparative observation was carried out. The results showed that the identification error of winter wheat in the growth period was usually within 4 days. The error in turning green and jointing period was more than 5 days， which should be supplemented by artificial observation. The average error of canopy height identification was less than 10 cm. The density fluctuated greatly during the growth period， and the effect of automatic identification was poor. The identification error of summer corn in the growth period was generally less than 4 days， and artificial observation was temporarily needed to assist in jointing， milk-ripening and ripening stages. The identification effect of the density and height was good. The identification effects on growth period， growth evaluation， canopy height and corn density of winter wheat and summer corn were good， which could be popularized and applied after optimization. However，the identification effect of the leaf area index and dry matter quality was poor， so there were no conditions for business promotion， and the algorithm or recognition technology should be improved.

Key words： winter wheat； summer corn； agricultural meteorological； automated observation； assessment

河南省是中國糧食主產(chǎn)區(qū)，其種植作物主要為冬小麥、夏玉米。保障糧食安全，做好為農(nóng)服務(wù)一直是氣象工作的重要方面。進(jìn)行農(nóng)業(yè)氣象觀測，獲取準(zhǔn)確和有代表性的數(shù)據(jù)是開展為農(nóng)服務(wù)的基礎(chǔ)。隨著農(nóng)業(yè)現(xiàn)代化的進(jìn)展，對氣象服務(wù)的要求越來越高，觀測方式也逐漸由人工觀測向自動(dòng)觀測轉(zhuǎn)變［1-3］。按中國氣象局綜合觀測司《觀測司關(guān)于組織開展農(nóng)業(yè)氣象觀測自動(dòng)化試點(diǎn)工作的通知》（氣測函〔2016〕46號(hào)）要求，2016年開始，同時(shí)在河南、新疆、廣西、內(nèi)蒙古4個(gè)省份開展小麥、玉米、水稻、棉花的農(nóng)業(yè)氣象自動(dòng)化觀測試驗(yàn)。對作物生長動(dòng)態(tài)、發(fā)育期、冠層高度、密度、葉面積指數(shù)、干物質(zhì)質(zhì)量、農(nóng)業(yè)氣象災(zāi)害等要素進(jìn)行連續(xù)自動(dòng)觀測，利用攝影測量學(xué)和三維空間模擬技術(shù)［4］，通過圖像采集處理識(shí)別與大數(shù)據(jù)等集成技術(shù)［5-7］，結(jié)合農(nóng)作物生育特征和農(nóng)業(yè)氣象指標(biāo)，建立作物發(fā)育期、密度等農(nóng)業(yè)氣象要素算法模型［8，9］，進(jìn)而實(shí)現(xiàn)農(nóng)業(yè)氣象實(shí)時(shí)、可視化、自動(dòng)化觀測［10］。

目前已開展大量基于圖像處理技術(shù)的作物生育期監(jiān)測研究［11-16］。余衛(wèi)東等［17］、岳紅偉［18］研究了中國農(nóng)業(yè)氣象自動(dòng)化觀測現(xiàn)狀、存在的問題，并展望未來發(fā)展方向，胡萌琦［19］對農(nóng)業(yè)氣象自動(dòng)觀測方法研究與應(yīng)用進(jìn)行介紹分析。還有學(xué)者基于不同的需求，構(gòu)建了與之相適應(yīng)的農(nóng)業(yè)氣象自動(dòng)觀測系統(tǒng)，并對其基本功能、整體構(gòu)架、國家級(jí)平臺(tái)移動(dòng)應(yīng)用APP以及農(nóng)作物主要生長參數(shù)自動(dòng)觀測技術(shù)等方面［20-25］進(jìn)行了詳細(xì)的介紹。安學(xué)武等［26］對內(nèi)蒙古春玉米和水稻農(nóng)業(yè)氣象自動(dòng)觀測系統(tǒng)數(shù)據(jù)與人工觀測數(shù)據(jù)進(jìn)行對比分析，發(fā)現(xiàn)作物生長狀況、發(fā)育期自動(dòng)觀測數(shù)據(jù)與人工觀測數(shù)據(jù)基本一致。王秀芳［27］對小麥、玉米覆蓋度自動(dòng)化觀測質(zhì)量控制研究發(fā)現(xiàn)不同作物、不同發(fā)育期的覆蓋度與LAI、株高、生長量的相關(guān)程度不同。

河南省農(nóng)業(yè)氣象自動(dòng)化觀測研究已開展數(shù)年，具有豐富詳實(shí)的試驗(yàn)數(shù)據(jù)，但有關(guān)報(bào)道尚未形成。本研究于2016—2020年在河南省3個(gè)農(nóng)業(yè)氣象觀測站，利用航天新氣象科技有限公司（簡稱無錫所）、河南中原光電測控技術(shù)有限公司（簡稱27所）2個(gè)廠家的5套農(nóng)業(yè)氣象自動(dòng)化觀測設(shè)備，對冬小麥-夏玉米連續(xù)開展農(nóng)業(yè)氣象觀測自動(dòng)化試驗(yàn)，為農(nóng)業(yè)氣象自動(dòng)化觀測技術(shù)的矯正和推廣應(yīng)用提供科學(xué)依據(jù)，為貫徹國家“十三五”規(guī)劃“藏糧于地、藏糧于技”戰(zhàn)略，發(fā)揮氣象趨利避害與防災(zāi)減災(zāi)作用，保障糧食生產(chǎn)安全，提供技術(shù)支持與氣象服務(wù)。

1 材料與方法

2016—2020年在河南省鄭州、鶴壁、黃泛區(qū)3個(gè)國家一級(jí)農(nóng)業(yè)氣象觀測試驗(yàn)站內(nèi)，利用無錫所、27所的5套農(nóng)業(yè)氣象自動(dòng)化觀測設(shè)備進(jìn)行連續(xù)自動(dòng)化觀測試驗(yàn)。試驗(yàn)區(qū)均為暖溫帶大陸性氣候，種植方式為冬小麥-夏玉米輪作。試驗(yàn)品種冬小麥為矮抗58，夏玉米為浚單29，均為當(dāng)?shù)刂鞔蚱贩N 。

觀測要素為發(fā)育期、冠層高度、密度、葉面積指數(shù)、生長狀況評(píng)定、干物質(zhì)質(zhì)量等，各要素均采用定點(diǎn)定株人工觀測與自動(dòng)觀測［28］，進(jìn)行對比評(píng)估。人工觀測按93版《農(nóng)業(yè)氣象觀測規(guī)范》［29］規(guī)定進(jìn)行，2017年起增加了生育期內(nèi)逢10號(hào)的對比觀測。實(shí)時(shí)監(jiān)測冬小麥-夏玉米生長發(fā)育信息，動(dòng)態(tài)監(jiān)測作物長勢變化及遭受氣象災(zāi)害時(shí)的異常變化情況，并對生長信息自動(dòng)采集與圖像自動(dòng)識(shí)別數(shù)據(jù)進(jìn)行處理，同時(shí)依據(jù)農(nóng)業(yè)氣象觀測業(yè)務(wù)規(guī)范對作物氣象自動(dòng)觀測站自動(dòng)觀測項(xiàng)目的準(zhǔn)確性進(jìn)行評(píng)估［30，31］。

2 結(jié)果與分析

2.1 冬小麥自動(dòng)觀測準(zhǔn)確性評(píng)估

2.1.1 冬小麥發(fā)育期自動(dòng)觀測評(píng)估 總體來看，出苗、三葉、分蘗、抽穗、開花、乳熟、成熟自動(dòng)觀測效果較好，平均誤差在4 d以內(nèi)，越冬開始、返青、拔節(jié)自動(dòng)觀測效果較差。發(fā)育期自動(dòng)觀測精度年度間出現(xiàn)起伏，但總體精度呈提升趨勢（表1），2020年自動(dòng)觀測平均誤差為2.7 d，誤差在4 d以內(nèi)的發(fā)育期占89%，僅越冬、返青、拔節(jié)3個(gè)發(fā)育期誤差在5 d以上，需輔以人工觀測。

2.1.2 冬小麥作物要素自動(dòng)化觀測數(shù)據(jù)評(píng)估 作物自動(dòng)觀測要素包括冠層高度、密度、葉面積指數(shù)、干物質(zhì)質(zhì)量、生長狀況評(píng)定等。總體來說，生長狀況評(píng)定精度較高，冠層高度優(yōu)化算法后可以滿足業(yè)務(wù)服務(wù)需求，密度、葉面積指數(shù)、干物質(zhì)質(zhì)量目前精度較低，需要改進(jìn)算法或觀測技術(shù)方法提高精度。

冬小麥屬于分蘗作物，密度受制于播種量和分蘗數(shù)，生育期內(nèi)自身密度波動(dòng)較大，呈兩頭低、中間高的趨勢，最高值一般出現(xiàn)在返青-拔節(jié)期，整個(gè)生育期密度一般在300～2 600株（莖）/m2，年際間差異較大。冬小麥形體較小且植株間相互遮擋，自動(dòng)觀測器測值總體誤差較大，除2017年外，其余年度平均相對誤差都在28%以上，最大達(dá)51%（表2），且經(jīng)過4年試驗(yàn)，精度在現(xiàn)有技術(shù)條件下沒有提升，主要原因是密植分蘗作物密度變化較大，且相互遮擋，不易測量，目前精度尚不能夠滿足當(dāng)前業(yè)務(wù)需求，需要進(jìn)一步改進(jìn)技術(shù)手段。

冬小麥冠層高度的測量方法目前有2種，27所和無錫所分別采用激光測高和標(biāo)稈測高法。2種方法以激光測高法更為精確，但需要標(biāo)定基準(zhǔn)位置，否則容易出現(xiàn)系統(tǒng)性誤差。河南省冬小麥冠層高度最高一般在70 cm左右，有些品種可以達(dá)90 cm，高度的變化趨勢呈慢-快-停的趨勢，冬小麥返青期前高度增長緩慢，拔節(jié)后快速增長，至冬小麥開花后停止增長。由4年的對比數(shù)據(jù)可以看出，冠層高度識(shí)別總體較好，但年際間不夠穩(wěn)定，2018年精度最高，2個(gè)廠家絕對誤差均在5 cm以下，其余年份多在10 cm左右波動(dòng)（表2），分析誤差出現(xiàn)原因，以2020年為例，27所3個(gè)站點(diǎn)的激光測高數(shù)據(jù)均出現(xiàn)了不同程度的系統(tǒng)誤差，進(jìn)行系統(tǒng)修正后絕對誤差降至3.1 cm，相對誤差降至12%，由此可知，激光測高基準(zhǔn)位置的標(biāo)定是影響數(shù)據(jù)準(zhǔn)確度的重要因素。無錫所標(biāo)稈測高在2020年統(tǒng)一為激光測高，主要因?yàn)樘镩g設(shè)立標(biāo)稈，影響了機(jī)械作業(yè)。冬小麥冠層高度數(shù)據(jù)精度較為穩(wěn)定，優(yōu)化算法后可以進(jìn)行業(yè)務(wù)試應(yīng)用。

冬小麥整個(gè)生育期的葉面積指數(shù)一般在0.1～10.0，返青前一般在2.0以下。分析4年葉面積指數(shù)可知，年平均絕對誤差在0.6～1.9，年平均相對誤差在11%～42%，最大誤差出現(xiàn)在2020年27所42%，僅無錫所2017年相對誤差為11%，其余年份相對誤差均在28%以上（表3）。因誤差較大，目前冬小麥葉面積指數(shù)的識(shí)別精度暫無法滿足業(yè)務(wù)需要，需引入新的技術(shù)手段提高精度。

冬小麥整個(gè)生育期干物質(zhì)質(zhì)量受密度影響較大，在返青前增長緩慢，返青期一般不超過400 g/m2，返青后快速增長，最大接近2 000 g/m2，地塊間、品種間差異較大。分析近4年干物質(zhì)質(zhì)量數(shù)據(jù)，年平均絕對誤差在43.9～235.8 g/m2，年平均相對誤差5%～44%，多數(shù)在20%以上，最大出現(xiàn)在2020年無錫所（表3），冬小麥干物質(zhì)質(zhì)量識(shí)別因精度較低，目前暫無法滿足業(yè)務(wù)需要。

2.2 夏玉米自動(dòng)化觀測評(píng)估

2.2.1 夏玉米發(fā)育期自動(dòng)化觀測評(píng)估 夏玉米為稀植作物，個(gè)體較大，發(fā)育期特征明顯，較易進(jìn)行自動(dòng)觀測。夏玉米出苗、三葉、七葉、抽雄、開花、吐絲識(shí)別效果較好，誤差在4 d以下；識(shí)別效果較差的有拔節(jié)、乳熟和成熟，平均誤差在4～6 d（表4）。以2020年為例，夏玉米自動(dòng)觀測平均誤差為2.8 d，4 d以下的占77%，誤差較大的仍集中在拔節(jié)、乳熟、成熟期，建議改進(jìn)算法后進(jìn)行業(yè)務(wù)試運(yùn)行，無明顯特征的拔節(jié)、乳熟和成熟可暫時(shí)輔以人工觀測。

2.2.2 夏玉米作物要素自動(dòng)化觀測評(píng)估 夏玉米密度識(shí)別效果較好，冠層高度識(shí)別效果不穩(wěn)定，葉面積指數(shù)和干物質(zhì)質(zhì)量識(shí)別效果較差。

夏玉米為稀植作物，定苗后密度固定。夏玉米密度一般在5～9株/m2左右，4年內(nèi)夏玉米密度自動(dòng)觀測值，有1個(gè)站次出現(xiàn)失誤外，其余均識(shí)別效果較好，年平均誤差大多在在0.8株/m2以下，年平均相對誤差大多在12%以下，2020年2站次平均誤差在0.3株/ m2以下（表5），精度較高，增加算法穩(wěn)定性后，夏玉米密度可以進(jìn)行業(yè)務(wù)試應(yīng)用。

夏玉米出苗至開花，高度一直快速增長，拔節(jié)期增長最迅速，平均每日增長2～4 cm，開花后植株保持穩(wěn)定不再增長，夏玉米冠層高度最高可達(dá)300 cm以上。由表5可知，年平均絕對誤差大多在22 cm以下，年平均相對誤差均在26%以下，多數(shù)在10～20%，27所年際間出現(xiàn)波動(dòng)，原因主要是激光測高基準(zhǔn)值不夠精確，出現(xiàn)了系統(tǒng)性的誤差，廠家需進(jìn)一步改進(jìn)識(shí)別算法，冠層高度觀測總體效果較好，可以進(jìn)行業(yè)務(wù)試應(yīng)用。

人工觀測的夏玉米葉面積指數(shù)在0.01～5.00，干物質(zhì)質(zhì)量在1～2 700 g/m2。近4年葉面積指數(shù)年平均相對誤差多數(shù)在30%以上，平均為39%；干物質(zhì)質(zhì)量相對誤差在38%以上，平均值為51%（表6），自動(dòng)觀測效果較差，葉面積和干物質(zhì)質(zhì)量尚達(dá)不到業(yè)務(wù)試運(yùn)行條件。

2.3 冬小麥-夏玉米自動(dòng)化觀測業(yè)務(wù)可用標(biāo)準(zhǔn)

根據(jù)分析評(píng)估結(jié)果，統(tǒng)籌考慮冬小麥、夏玉米業(yè)務(wù)需求及自動(dòng)化觀測能力，建議6種自動(dòng)化觀測項(xiàng)目精度見表7，根據(jù)建議精度，目前冬小麥、夏玉米2種作物發(fā)育期、冠層高度、生長狀況以及夏玉米密度可滿足業(yè)務(wù)需求。

3 結(jié)論與討論

1）對比人工觀測，對冬小麥-夏玉米4年自動(dòng)化觀測數(shù)據(jù)進(jìn)行分析表明，作物發(fā)育期、生長狀況評(píng)定、植株冠層高度、稀植作物密度識(shí)別精度逐步提升，識(shí)別效果較好，可進(jìn)行業(yè)務(wù)推廣或部分優(yōu)化后推廣（部分發(fā)育期需輔以人工觀測）；而葉面積指數(shù)、干物質(zhì)質(zhì)量、冬小麥密度仍無技術(shù)突破，識(shí)別結(jié)果誤差較大，尚不具備業(yè)務(wù)推廣條件，需改進(jìn)算法或識(shí)別技術(shù)。

2）不同作物的自動(dòng)識(shí)別精度標(biāo)準(zhǔn)可根據(jù)現(xiàn)階段技術(shù)水平及服務(wù)需求做不同要求，如發(fā)育期可為3～5 d，冠層高度相對誤差≤10%或≤15%，稀植作物密度可為0.3～1.0株/ m2不等，隨著技術(shù)發(fā)展逐漸提高精度標(biāo)準(zhǔn)。前后變化較大的要素，如株高、分蘗作物密度、葉面積指數(shù)等，可以分階段設(shè)置，不宜設(shè)成1個(gè)固定值。

3）經(jīng)過4年的對比試點(diǎn)，2個(gè)廠家的硬件穩(wěn)定性和軟件識(shí)別精度均有不同程度的提高。但存在如下問題：儀器供電系統(tǒng)、采集器的穩(wěn)定性，圖片采集存在采集顏色、相機(jī)不能對焦、拍攝視野過小、鏡頭被遮擋等問題。數(shù)據(jù)的完整率還有待進(jìn)一步提高，信息通報(bào)渠道不暢通。中心站業(yè)務(wù)軟件部分功能不完善等問題。

4）目前，受制于自動(dòng)化觀測技術(shù)水平和農(nóng)業(yè)氣象觀測復(fù)雜程度，冬小麥、夏玉米農(nóng)業(yè)氣象觀測還不能全面實(shí)現(xiàn)自動(dòng)化，自動(dòng)和人工觀測相互融合、相輔相成將是未來農(nóng)業(yè)氣象自動(dòng)化觀測的常態(tài)，需要按不同的服務(wù)需求及技術(shù)水平對觀測要素進(jìn)行分類處理。如發(fā)育期中部分外形特征不明顯、自動(dòng)化觀測精度較差的由人工觀測替代，部分觀測項(xiàng)目表征內(nèi)容相關(guān)如密度、覆蓋度、植被指數(shù)建議相互替代補(bǔ)充。并積極引入大數(shù)據(jù)分析、機(jī)器學(xué)習(xí)、人工智能等新的技術(shù)方法，提高識(shí)別精度，同時(shí)依據(jù)自動(dòng)化特點(diǎn)，引入新的觀測要素，加強(qiáng)自動(dòng)化觀測的精度和廣度，提高為農(nóng)服務(wù)技術(shù)支撐能力。

參考文獻(xiàn)：

［1］ 李宇光.基于明水縣的自動(dòng)與人工土壤水分觀測數(shù)據(jù)對比分析［J］.中國農(nóng)學(xué)通報(bào)，2018，34（21）：115-120.

［2］ 薛龍琴， 陳海波， 師麗魁. 河南省自動(dòng)土壤水分觀測網(wǎng)的建設(shè)與運(yùn)行管理［J］. 氣象與環(huán)境科學(xué)， 2011， 34（4）：84-87.

［3］ 李嘉潔， 孫 涵，華 璀， 等. 基于氣象GIS的農(nóng)業(yè)氣象情報(bào)文本自動(dòng)化生成技術(shù)研究［J］. 氣象與環(huán)境科學(xué)，2016，39（2）： 137-143.

［4］ 劉志平， 孫 涵， 胡萌琦，等. 農(nóng)業(yè)氣象自動(dòng)觀測原理樣機(jī)的研制［J］. 安徽農(nóng)業(yè)科學(xué)， 2010， 38（17）：9287-9289.

［5］ 陸 明，申雙和，王春艷，等. 基于圖像識(shí)別技術(shù)的夏玉米生育期識(shí)別方法初探［J］. 中國農(nóng)業(yè)氣象，2011，32（3）：423-429.

［6］ 武永峰， 宮志宏， 劉布春， 等. 基于遠(yuǎn)程監(jiān)控的農(nóng)業(yè)氣象自動(dòng)采集系統(tǒng)設(shè)計(jì)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2010， 41（10）：174-179.

［7］ 李 明， 張長利， 房俊龍. 基于圖像處理技術(shù)的小麥葉面積指數(shù)的提?。跩］. 農(nóng)業(yè)工程學(xué)報(bào)， 2010， 26（1）： 205-209，386.

［8］ 王 璞.農(nóng)作物概論［M］.北京：中國農(nóng)業(yè)大學(xué)出版社，2004.

［9］ 趙留鎖， 孔令浩. 農(nóng)作物種植密度計(jì)算方法探討［J］. 中國農(nóng)業(yè)信息， 2013（15）： 93.

［10］ 吳玉潔， 葉彩華， 姜會(huì)飛，等. 不同積溫計(jì)算方法作物發(fā)育期模擬效果比較［J］. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2016， 21（10）： 117-126.

［11］ 陳斌源， 紀(jì)立恒， 鄧曉璐. 農(nóng)業(yè)氣象自動(dòng)觀測采集系統(tǒng)對現(xiàn)代農(nóng)業(yè)氣象觀測的作用［J］. 福建熱作科技， 2018， 43（1）： 64-66.

［12］ 余正泓. 基于圖像的玉米發(fā)育期自動(dòng)觀測技術(shù)研究［D］. 武漢： 華中科技大學(xué)， 2014.

［13］ 屈永華， 王錦地， 董 健， 等. 農(nóng)作物冠層結(jié)構(gòu)參數(shù)自動(dòng)測量系統(tǒng)設(shè)計(jì)與試驗(yàn)［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2012， 28（2）： 160-165.

［14］ 白曉東. 基于圖像的水稻關(guān)鍵發(fā)育期自動(dòng)觀測技術(shù)研究［D］.武漢： 華中科技大學(xué)， 2014.

［15］ 吳 茜. 基于圖像處理技術(shù)的棉花發(fā)育期自動(dòng)觀測研究［D］.武漢： 華中科技大學(xué)， 2013.

［16］ 胡樹貞， 張雪芬， 何 姣. 基于雙波段圖像的玉米長勢自動(dòng)觀測方法研究［J］. 氣象與環(huán)境科學(xué)， 2019， 42（3）： 34-41.

［17］ 余衛(wèi)東， 楊光仙， 張志紅. 我國農(nóng)業(yè)氣象自動(dòng)化觀測現(xiàn)狀與展望［J］. 氣象與環(huán)境科學(xué)， 2013， 36（2）： 66-71.

［18］ 岳紅偉. 我國農(nóng)業(yè)氣象自動(dòng)化觀測現(xiàn)狀與展望［J］. 科技與企業(yè)， 2014， 23（19）： 69.

［19］ 胡萌琦. 普及型生態(tài)—農(nóng)業(yè)氣象自動(dòng)觀測方法研究與應(yīng)用［D］.南京：南京農(nóng)業(yè)大學(xué)， 2011.

［20］ 張雪芬， 王秀芳， 李翠娜，等. 農(nóng)作物主要生長參數(shù)自動(dòng)觀測技術(shù)綜述［J］. 氣象科技， 2012， 41（6）： 1122-1127.

［21］ 李要中， 劉 鈞， 馬尚昌. 基于AM335X的農(nóng)作物氣象自動(dòng)觀測系統(tǒng)設(shè)計(jì)［J］. 氣象科技， 2017， 45（5）： 818-824.

［22］ 張雪芬， 薛紅喜， 孫 涵， 等.自動(dòng)農(nóng)業(yè)氣象觀測系統(tǒng)功能與設(shè)計(jì)［J］. 應(yīng)用氣象學(xué)報(bào)， 2012， 23（1）： 105-112.

［23］ 胡萌琦，黎家宜，唐 新，等. 基于虛擬儀器技術(shù)的農(nóng)業(yè)氣象自動(dòng)觀測系統(tǒng)研究［J］. 氣象研究與應(yīng)用，2010，31（2）：57-59，81.

［24］ 沈 超， 曹婷婷， 王一萌， 等. 基于React Native的農(nóng)業(yè)氣象自動(dòng)化觀測系統(tǒng)國家級(jí)平臺(tái)移動(dòng)應(yīng)用APP設(shè)計(jì)［J］. 農(nóng)業(yè)與技術(shù)， 2019， 39（18）： 132-135，138.

［25］ 張友安. 自動(dòng)農(nóng)業(yè)氣象觀測系統(tǒng)的功能與設(shè)計(jì)［J］. 產(chǎn)業(yè)與科技論壇， 2015， 14（2）： 75-76.

［26］ 安學(xué)武， 付吉林. 農(nóng)業(yè)氣象自動(dòng)觀測系統(tǒng)數(shù)據(jù)與人工觀測數(shù)據(jù)對比分析［J］. 中國農(nóng)學(xué)通報(bào) 2019， 35（25）： 108-114.

［27］ 王秀芳. 主要農(nóng)作物生長特征參數(shù)自動(dòng)化觀測技術(shù)研究［D］. 成都： 成都信息工程學(xué)院，2012.

［28］ 成兆金， 徐法彬， 馬品印， 等. 農(nóng)業(yè)氣象自動(dòng)站與人工站觀測值對比分析［J］. 氣象科技， 2008， 36（2）： 249-252.

［29］ 國家氣象局. 農(nóng)業(yè)氣象觀測規(guī)范（上卷）［M］. 北京： 氣象出版社， 1993.10-31.

［30］ 中國氣象局觀測司.作物氣象自動(dòng)觀測站功能規(guī)格需求書［M］. 北京：氣象出版社， 2018.

［31］ 中國氣象局觀測司.農(nóng)業(yè)小氣候自動(dòng)觀測規(guī)范（試行）［M］.北京：氣象出版社， 2018.1-32.