摘要：為解決我國(guó)水稻種植過(guò)程中由于藥肥施用不當(dāng)和缺乏系統(tǒng)化管理所導(dǎo)致的單產(chǎn)低、農(nóng)業(yè)面源污染嚴(yán)重等問(wèn)題，并針對(duì)現(xiàn)有農(nóng)情系統(tǒng)數(shù)據(jù)源單一的現(xiàn)狀，以多源數(shù)據(jù)的協(xié)同監(jiān)測(cè)為核心，基于WebGIS和Ant Design搭建前端框架，整合多源時(shí)空地理數(shù)據(jù)和分布式數(shù)據(jù)存儲(chǔ)方法，采用Python、HTML、Javascript+CSS、ArcGIS Server、Mapbox Studio以及PostgreSQL等技術(shù)，構(gòu)建一個(gè)前后端分離（F/B Separation）、云端實(shí)時(shí)更新的田塊尺度水稻農(nóng)情監(jiān)測(cè)平臺(tái)，以實(shí)現(xiàn)水稻生長(zhǎng)參數(shù)反演、產(chǎn)量預(yù)估、田塊參數(shù)查詢、時(shí)空數(shù)據(jù)可視化與統(tǒng)計(jì)分析等功能。以江西興橋鎮(zhèn)與井岡山國(guó)家農(nóng)業(yè)科技園為試驗(yàn)區(qū)，應(yīng)用該系統(tǒng)的案例分析表明2022年興橋鎮(zhèn)水稻田塊分布破碎，且鎮(zhèn)內(nèi)東北區(qū)域水稻產(chǎn)量高于西南，水稻田產(chǎn)量介于6 750～8 250 kg/hm2；同時(shí)發(fā)現(xiàn)試驗(yàn)區(qū)內(nèi)田塊水稻的長(zhǎng)勢(shì)與歷史藥肥施用量存在明顯關(guān)聯(lián)，藥肥施用策略顯著影響田塊水稻長(zhǎng)勢(shì)。綜上，本平臺(tái)在多源數(shù)據(jù)協(xié)同作用下，能較好地滿足大區(qū)域下田塊水稻監(jiān)測(cè)所要求的準(zhǔn)確性、全面性，并在一定程度上實(shí)現(xiàn)水稻長(zhǎng)勢(shì)與產(chǎn)量的歸因分析，可作為實(shí)現(xiàn)田塊尺度水稻農(nóng)情多源精細(xì)監(jiān)測(cè)的有效示例。

關(guān)鍵詞：水稻；遙感；農(nóng)情監(jiān)測(cè)；多源異構(gòu)數(shù)據(jù)；WebGIS

中圖分類(lèi)號(hào)：S126" " " 文獻(xiàn)標(biāo)識(shí)碼：A" " " 文章編號(hào)：2095?5553 （2024） 10?0233?08

Development and application of a field?scale rice crop remote sensing monitoring platform

Zou Yaopeng1， Pei Jie1， 2， Liu Yibo1， Fang Huajun3， 4， Fang Zhichen1， Yi Qiliang1

（1. School of Geospatial Engineering and Science， Sun Yat?sen University， Zhuhai， 519082， China; 2. Key Laboratory of Natural Resources Monitoring in Tropical and Subtropical Area of South China， Ministry of Natural Resources， Zhuhai， 519082， China; 3. Key Laboratory of Ecosystem Network Observation and Modeling， Institute of Geographical Sciences and Natural Resources Research， Chinese Academy of Sciences， Beijing， 100101， China;

4. The Zhongke?Ji'an Institute for Eco?Environmental Sciences， Ji'an， 343000， China）

Abstract： To address the pressing challenges associated with inadequate fertilizer and pesticide application， as well as the absence of systematic management， resulting in low yield per unit area and agricultural non?point source pollution in rice cultivation in China， this study focuses on the integration of multi?source data through collaborative monitoring. A frontend?backend decoupled， cloud?based， real?time， field?level rice crop monitoring platform was constructed， based on WebGIS technology and the Ant Design front?end framework. The platform construction incorporated heterogeneous spatiotemporal geospatial data from multiple sources and utilized a distributed data storage architecture， employing techniques such as Python， HTML， JavaScript+CSS， ArcGIS Server， Mapbox Studio web services， and the PostgreSQL database. Consequently， the platform offered a myriad of functionalities， including rice growth parameter inversion， yield prediction， plot parameter query， as well as spatiotemporal data visualization and statistical analysis， among other functionalities. The system was tested in two experimental areas： Xingqiao Town and Jinggangshan National Agricultural Science and Technology Park in Jiangxi Province. The visual analysis of the platform indicates that the distribution of rice fields in Xingqiao Town in 2022 was fragmented， with higher rice yields in the northeastern region compared to the southwest. The rice yields in the town ranged between 6 750 kg/hm2 and 8 250 kg/hm2. The study also found a significant correlation between rice growth in the experimental area and the historical application of pesticides and fertilizers， indicating that application strategies have a considerable impact on rice growth. In conclusion， this platform， through the collaborative integration of multiple data sources， can effectively fulfill the accuracy and comprehensiveness requirements for rice monitoring at a large regional scale. It also enables attribution analysis of rice growth and yield to some extent. This platform serves as an effective example of fine?grained， multi?source monitoring of rice farming at the field scale.

Keywords： rice; remote sensing;crop condition monitoring; multiple heterogeneous data; WebGIS

0 引言

水稻作為中國(guó)最重要的糧食作物之一，播種面積占全國(guó)糧食作物的1/3，其產(chǎn)量對(duì)我國(guó)和世界的糧食安全都有重要意義[1， 2]。然而，水稻種植在我國(guó)仍存在肥料施用不當(dāng)、系統(tǒng)化管理不足，導(dǎo)致其面臨著單產(chǎn)低、農(nóng)業(yè)面源污染嚴(yán)重等問(wèn)題[3]。為提高糧食產(chǎn)量并減少對(duì)進(jìn)口糧的依賴，中央一號(hào)文件《中共中央國(guó)務(wù)院關(guān)于做好2023年全面推進(jìn)鄉(xiāng)村振興重點(diǎn)工作的意見(jiàn)》明確指出，發(fā)展智慧農(nóng)業(yè)、數(shù)字農(nóng)業(yè)的重要性，對(duì)作物生長(zhǎng)監(jiān)測(cè)的需求趨于實(shí)時(shí)化、智能化、系統(tǒng)化、精細(xì)化。

在互聯(lián)網(wǎng)技術(shù)快速普及的背景下，國(guó)內(nèi)外研究者開(kāi)始嘗試將新型技術(shù)應(yīng)用于傳統(tǒng)農(nóng)業(yè)生產(chǎn)。1988年，歐盟啟動(dòng)了MARS（Monitoring Agriculture with Remote Sensing）項(xiàng)目，利用GIS技術(shù)構(gòu)建農(nóng)情遙感監(jiān)測(cè)系統(tǒng)[4， 5]；2016年，歐空局推出了農(nóng)業(yè)監(jiān)測(cè)項(xiàng)目Sen2-Agri，項(xiàng)目利用Sentinel-2衛(wèi)星數(shù)據(jù)，結(jié)合地面觀測(cè)數(shù)據(jù)和農(nóng)業(yè)模型，提供高分辨率的農(nóng)業(yè)監(jiān)測(cè)和信息服務(wù)[6]；在國(guó)內(nèi)，王耀武[7]利用移動(dòng)互聯(lián)網(wǎng)及Android移動(dòng)終端系統(tǒng)硬件優(yōu)勢(shì)，開(kāi)發(fā)基于3G和WebGIS的基層農(nóng)情管理信息系統(tǒng)；魯旭濤等[8]利用傳感器數(shù)據(jù)與作物模型結(jié)合Labview+Matlab的技術(shù)路線，構(gòu)建智慧農(nóng)業(yè)水田作物網(wǎng)絡(luò)化精準(zhǔn)灌溉系統(tǒng)。相比于國(guó)外農(nóng)情系統(tǒng)的發(fā)展進(jìn)程，我國(guó)起步慢但發(fā)展迅速。近年來(lái)，基于HTTP協(xié)議的農(nóng)情監(jiān)測(cè)系統(tǒng)的研發(fā)逐漸成為主流，此類(lèi)系統(tǒng)普遍基于WebGIS技術(shù)（一種基于網(wǎng)絡(luò)和地理信息系統(tǒng)技術(shù)的應(yīng)用，具有高度可定制性與高度靈活性，能較好地滿足我國(guó)農(nóng)業(yè)生產(chǎn)與監(jiān)控信息化的需求）。同時(shí)，作為農(nóng)業(yè)大國(guó)，我國(guó)積累了大量如土地利用、土壤肥力等歷史基礎(chǔ)數(shù)據(jù)，對(duì)此類(lèi)數(shù)據(jù)的合理利用將有助于實(shí)現(xiàn)更準(zhǔn)確的農(nóng)情監(jiān)測(cè)。然而，現(xiàn)有的農(nóng)情監(jiān)測(cè)平臺(tái)大多僅基于衛(wèi)星影像[9， 10]或物聯(lián)網(wǎng)數(shù)據(jù)[11， 12]，導(dǎo)致大量農(nóng)情相關(guān)數(shù)據(jù)未能被整合利用，從而未能充分發(fā)揮其價(jià)值。因此，在面向精細(xì)化農(nóng)情監(jiān)測(cè)需求時(shí)，上述監(jiān)測(cè)平臺(tái)常面臨以下問(wèn)題：（1）僅基于衛(wèi)星遙感進(jìn)行監(jiān)測(cè)往往受限于分辨率，難以達(dá)到田塊尺度的精細(xì)監(jiān)測(cè)，并且在南方地區(qū)多云雨天氣條件下，無(wú)法滿足水稻長(zhǎng)勢(shì)的連續(xù)監(jiān)測(cè)需求[13]；（2）僅基于物聯(lián)網(wǎng)傳感器雖能獲取農(nóng)田點(diǎn)位尺度的實(shí)時(shí)環(huán)境信息，但無(wú)法獲取作物冠層光譜信息，難以對(duì)水稻長(zhǎng)勢(shì)實(shí)現(xiàn)直接監(jiān)測(cè)[14， 15]。在當(dāng)前農(nóng)業(yè)精細(xì)化治理需求日益增大的背景下，將高分辨率遙感數(shù)據(jù)、精細(xì)尺度的物聯(lián)網(wǎng)數(shù)據(jù)和監(jiān)測(cè)地區(qū)歷史農(nóng)情數(shù)據(jù)相結(jié)合，能夠解決現(xiàn)存的農(nóng)情監(jiān)測(cè)數(shù)據(jù)源單一和監(jiān)測(cè)方式片面的核心問(wèn)題，從而實(shí)現(xiàn)信息的互補(bǔ)，將有助于更準(zhǔn)確地監(jiān)測(cè)水稻長(zhǎng)勢(shì)。

結(jié)合氣象站、田間傳感器和遙感影像等多源異構(gòu)數(shù)據(jù)（指來(lái)自不同來(lái)源、具有不同特點(diǎn)的數(shù)據(jù)集合），前端以Ant Design為基礎(chǔ)框架，后端采用MapBox、ArcGIS Server服務(wù)和PostgreSQL數(shù)據(jù)庫(kù)以實(shí)現(xiàn)云平臺(tái)的數(shù)據(jù)實(shí)時(shí)更新與存儲(chǔ)，針對(duì)水稻的生長(zhǎng)關(guān)鍵期與關(guān)鍵參數(shù)，構(gòu)建一個(gè)基于WebGIS技術(shù)的田塊尺度水稻農(nóng)情監(jiān)測(cè)平臺(tái)，實(shí)現(xiàn)多源數(shù)據(jù)協(xié)同下的田塊尺度上藥肥施用情況、實(shí)時(shí)溫濕度和像素級(jí)別的水稻生長(zhǎng)參數(shù)等農(nóng)情數(shù)據(jù)精細(xì)監(jiān)測(cè)，助力推動(dòng)農(nóng)情監(jiān)測(cè)在多數(shù)據(jù)協(xié)同與精細(xì)化上的發(fā)展。

1 總體設(shè)計(jì)

1.1 平臺(tái)設(shè)計(jì)

本平臺(tái)開(kāi)發(fā)主體分為數(shù)據(jù)獲取、后端數(shù)據(jù)存儲(chǔ)、前端展示和功能應(yīng)用4個(gè)模塊。平臺(tái)首先通過(guò)多途徑手段獲取多源異構(gòu)數(shù)據(jù)，然后對(duì)所獲取的數(shù)據(jù)進(jìn)行分類(lèi)處理與存儲(chǔ)。其中，地理空間數(shù)據(jù)利用ArcGIS Server和Mapbox Studio構(gòu)建多級(jí)索引，以實(shí)現(xiàn)快速存儲(chǔ)與調(diào)用，而氣象數(shù)據(jù)、田間傳感器數(shù)據(jù)等文本數(shù)據(jù)通過(guò)HTTP協(xié)議實(shí)時(shí)傳輸并存儲(chǔ)于PostgreSQL數(shù)據(jù)庫(kù)。后端通過(guò)API接口調(diào)用數(shù)據(jù)庫(kù)，獲取環(huán)境溫濕度、植被參數(shù)等與水稻生長(zhǎng)相關(guān)的數(shù)據(jù)，并基于上述數(shù)據(jù)構(gòu)建模型以反演相應(yīng)的水稻生長(zhǎng)參數(shù)（如SPAD、LAI）。隨后，利用TCP/IP 協(xié)議將各類(lèi)數(shù)據(jù)傳入前端各個(gè)預(yù)設(shè)頁(yè)面，為用戶提供水稻產(chǎn)量預(yù)估、水稻參數(shù)的空間可視化與藥肥施用查詢等功能（圖1）。

1.2 支撐數(shù)據(jù)

1.2.1 系統(tǒng)數(shù)據(jù)

研究以江西省興橋鎮(zhèn)（114.79°E～114.96°E， 27.08°N～27.21°N）與鎮(zhèn)內(nèi)井岡山農(nóng)業(yè)科技園試驗(yàn)田為示例區(qū)，構(gòu)建了田塊尺度水稻農(nóng)情遙感監(jiān)測(cè)平臺(tái)。該平臺(tái)以多源異構(gòu)數(shù)據(jù)的協(xié)同監(jiān)測(cè)為核心，所使用數(shù)據(jù)包括但不限于遙感影像，田塊、實(shí)地采樣數(shù)據(jù)，氣象數(shù)據(jù)和田塊矢量數(shù)據(jù)。

1） 遙感數(shù)據(jù)。機(jī)載數(shù)據(jù)：本研究采用大疆精靈4多光譜版無(wú)人機(jī)（Phantom4-M），該無(wú)人機(jī)涵蓋藍(lán)、綠、紅、紅邊和近紅外五個(gè)波段。研究于水稻孕穗期（2022年6月10日）、抽穗期（2022年7月5日）、成熟期（2022年10月23日）進(jìn)行數(shù)據(jù)采集，采集時(shí)無(wú)人機(jī)飛行高度為50 m，影像分辨率達(dá)到2.7 cm/像素，航向重疊率和旁向重疊率分別為70%和60%。同時(shí)，對(duì)無(wú)人機(jī)影像進(jìn)行拼接、輻射定標(biāo)及波段合成等處理，最終得到試驗(yàn)田無(wú)人機(jī)多光譜影像。星載數(shù)據(jù)：本研究衛(wèi)星為Sentinel-2多光譜成像衛(wèi)星，在水稻孕穗期、抽穗期、成熟期（與無(wú)人機(jī)數(shù)據(jù)在時(shí)間上大體保持一致）獲取研究區(qū)域內(nèi)藍(lán)、綠、紅、紅邊和近紅外五個(gè)波段的數(shù)據(jù)，其中藍(lán)、綠、紅、近紅外波段的空間分辨率為10 m，紅邊波段原始分辨率為20 m，使用雙線性插值法將紅邊波段分辨率統(tǒng)一到10 m，再對(duì)數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、波段合成和裁剪等預(yù)處理操作，最終得到研究區(qū)星載多光譜影像。

2） 實(shí)地采集數(shù)據(jù)。試驗(yàn)區(qū)域內(nèi)設(shè)置了共96個(gè)地面采樣點(diǎn)（圖2），并利用ASD FieldSpec 4地面光譜儀實(shí)地采集了試驗(yàn)田內(nèi)點(diǎn)位區(qū)域的水稻冠層和葉片高光譜數(shù)據(jù)。采集日期與機(jī)載數(shù)據(jù)一致，且測(cè)量時(shí)間為晴朗、無(wú)云的正午時(shí)段。各點(diǎn)所獲取數(shù)據(jù)波段范圍均為350～2 500 nm，計(jì)2 151個(gè)波段。數(shù)據(jù)采集完成后，對(duì)原始數(shù)據(jù)進(jìn)行了輻射校正和異常值剔除等預(yù)處理，以確保數(shù)據(jù)的準(zhǔn)確性和質(zhì)量。

3） 田塊矢量數(shù)據(jù)。本研究通過(guò)對(duì)研究區(qū)域的高分辨率遙感影像進(jìn)行人機(jī)交互的矢量化處理。具體而言，使用ArcMap中的面矢量構(gòu)建功能，在人工目視判別的基礎(chǔ)上確定遙感影像上的田塊區(qū)域，進(jìn)行人工勾勒，最終成功解譯共27 533塊田塊（圖3）。由于本研究的田塊矢量數(shù)據(jù)通過(guò)人工勾勒并經(jīng)過(guò)無(wú)重疊拓?fù)潋?yàn)證的，因此可以確認(rèn)其具有較高精度，適用于后續(xù)的精細(xì)化田塊數(shù)據(jù)監(jiān)測(cè)與反演工作。

4） 其他數(shù)據(jù)。除以上數(shù)據(jù)，平臺(tái)還囊括了近實(shí)時(shí)環(huán)境數(shù)據(jù)、試驗(yàn)田處理方法文本數(shù)據(jù)、過(guò)去20年間研究區(qū)土地利用柵格數(shù)據(jù)和歸一化差異植被指數(shù)（NDVI）柵格數(shù)據(jù)、試驗(yàn)田水稻產(chǎn)量數(shù)據(jù)、試驗(yàn)田水稻長(zhǎng)勢(shì)實(shí)地照片集等。

1.2.2 SPAD和LAI反演數(shù)據(jù)

水稻葉片SPAD和葉面積指數(shù)LAI均為水稻生長(zhǎng)期內(nèi)體現(xiàn)水稻長(zhǎng)勢(shì)和產(chǎn)量的重要參數(shù)[16]，這兩個(gè)指標(biāo)均對(duì)水稻的生長(zhǎng)狀態(tài)具有定量表征能力。

本平臺(tái)在后端集成了水稻各生長(zhǎng)期的SPAD和LAI空間數(shù)據(jù)生產(chǎn)流程。該數(shù)據(jù)生產(chǎn)方法如下：（1）通過(guò)實(shí)地采樣獲取參數(shù)的真值；（2）通過(guò)無(wú)人機(jī)和ASD地面高光譜數(shù)據(jù)組合成若干植被指數(shù)（NDVI、EVI、RVI、PanNDVI等）；（3）構(gòu)建五個(gè)機(jī)器學(xué)習(xí)模型（SVM、RF、ELM、GLM、MLSR），利用相同的植被指數(shù)組合在相同的流程下反演得到水稻長(zhǎng)勢(shì)空間分布結(jié)果，同時(shí)對(duì)結(jié)果進(jìn)行精度驗(yàn)證；（4）在多個(gè)模型中，選擇精度最高、誤差最小的模型用于反演水稻各生育期的SPAD和LAI數(shù)據(jù)。

1.2.3 數(shù)據(jù)入庫(kù)與管理

農(nóng)情監(jiān)測(cè)平臺(tái)主要使用兩種數(shù)據(jù)類(lèi)型：地理空間數(shù)據(jù)和數(shù)值文本數(shù)據(jù)。與傳統(tǒng)農(nóng)情監(jiān)測(cè)平臺(tái)集中存儲(chǔ)數(shù)據(jù)的方式不同，本平臺(tái)采用了不同的數(shù)據(jù)入庫(kù)和管理方法，以適應(yīng)不同類(lèi)型數(shù)據(jù)的需求。針對(duì)文本數(shù)據(jù)，平臺(tái)采用Python+PostgreSQL結(jié)合的方式實(shí)現(xiàn)數(shù)據(jù)儲(chǔ)存和前后端連接，用以接收田間傳感器實(shí)時(shí)返回的農(nóng)情數(shù)據(jù)，并滿足實(shí)時(shí)更新與管理需求。地理空間數(shù)據(jù)包括研究區(qū)各波段無(wú)人機(jī)光譜數(shù)據(jù)、田塊矢量數(shù)據(jù)、植被參數(shù)柵格數(shù)據(jù)等多種類(lèi)型，其中分為無(wú)需額外處理的遙感地理產(chǎn)品與待處理的原始遙感數(shù)據(jù)。針對(duì)前者，數(shù)據(jù)通過(guò)HTTP協(xié)議直接上傳至Mapbox Studio或ArcGIS Server中，而對(duì)于待處理的原始數(shù)據(jù)，開(kāi)發(fā)者需將數(shù)據(jù)導(dǎo)入至預(yù)設(shè)好的處理程序中，程序完成數(shù)據(jù)處理后，將數(shù)據(jù)自動(dòng)傳輸至Mapbox Studio或ArcGIS Server中，并對(duì)傳入的數(shù)據(jù)根據(jù)其所屬的不同頁(yè)面進(jìn)行分類(lèi)管理。這種數(shù)據(jù)入庫(kù)與管理模式能更好地適應(yīng)當(dāng)下農(nóng)業(yè)數(shù)據(jù)趨向多源的需求，提高數(shù)據(jù)的調(diào)用與平臺(tái)頁(yè)面的加載速度。

1.3 功能設(shè)計(jì)

1.3.1 地圖顯示與數(shù)據(jù)加載

地圖數(shù)據(jù)顯示服務(wù)是指通過(guò)Web技術(shù)將信息豐富的地圖與數(shù)據(jù)發(fā)布到平臺(tái)上，能使用戶更快速、更直觀地理解數(shù)據(jù)內(nèi)容。通常，在線平臺(tái)的數(shù)據(jù)加載方式僅限于單一網(wǎng)絡(luò)服務(wù)，并且一般基于HTTP協(xié)議進(jìn)行前后端傳輸。而本平臺(tái)在底圖加載模塊中采用MapBox和ArcGIS Server雙網(wǎng)絡(luò)服務(wù)的模式，通過(guò)獲取底圖服務(wù)的URL在前端進(jìn)行加載，并對(duì)底圖添加必要的適應(yīng)性修改。此外，柵格和矢量數(shù)據(jù)的加載是通過(guò)將數(shù)據(jù)上傳至MapBox Studio或ArcGIS Server，生成相應(yīng)的URL，并在前端建立圖層渲染器，其中上傳至Mapbox Studio的GeoJSON數(shù)據(jù)在后端自適應(yīng)構(gòu)建矢量切片（MapBox Vector Tile），從而提高部分復(fù)雜數(shù)據(jù)的渲染效率。該流程（圖4）實(shí)現(xiàn)了對(duì)水稻各類(lèi)參數(shù)與生長(zhǎng)環(huán)境等地理數(shù)據(jù)的前端網(wǎng)頁(yè)貼圖，達(dá)到可視化展示的目的。

1.3.2 田塊參數(shù)監(jiān)測(cè)與查詢

田塊參數(shù)（包括但不限于溫濕度、離子含量以及二氧化碳濃度等）涵蓋了對(duì)水稻生長(zhǎng)和發(fā)育具有直接或間接影響的田間環(huán)境因素。針對(duì)此類(lèi)參數(shù)的實(shí)時(shí)監(jiān)測(cè)，對(duì)于精準(zhǔn)農(nóng)業(yè)的實(shí)踐具有重要意義。此外，獲取水稻的冠層和葉片尺度光譜反射率數(shù)據(jù)可以輔助分析水稻植株的生長(zhǎng)狀況和營(yíng)養(yǎng)狀況。

針對(duì)田塊參數(shù)與稻田反射率數(shù)據(jù)的利用，以實(shí)現(xiàn)監(jiān)測(cè)與可視化的技術(shù)路線詳見(jiàn)圖5。平臺(tái)通過(guò)架設(shè)于試驗(yàn)田間的傳感器實(shí)時(shí)獲取田塊參數(shù)數(shù)據(jù)，利用地面高光譜儀采集田塊水稻的冠層和葉片尺度光譜反射率數(shù)據(jù)，然后將兩類(lèi)數(shù)據(jù)存儲(chǔ)在后端的PostgreSQL數(shù)據(jù)庫(kù)中。在前端平臺(tái)開(kāi)發(fā)中，結(jié)合田塊矢量和數(shù)據(jù)訪問(wèn)技術(shù)，在TCP/IP協(xié)議下將獨(dú)立田塊與后端數(shù)據(jù)庫(kù)相連接以添加多項(xiàng)屬性。完成連接后，利用Mapbox中Popup功能，將田塊所連接數(shù)據(jù)在PC端實(shí)現(xiàn)可視（圖6）。

1.3.3 空間時(shí)序數(shù)據(jù)的可視分析

NDVI作為一種廣泛使用的植被指標(biāo)，能夠定量評(píng)價(jià)植被覆蓋和生長(zhǎng)活力[17]。土地利用數(shù)據(jù)包括耕地?cái)?shù)據(jù)，可反映某地區(qū)的農(nóng)耕情況[18]。通過(guò)分析年際耕地與年內(nèi)月際NDVI的空間時(shí)序變化，可以得到耕地、NDVI二者的變化趨勢(shì)，進(jìn)而為水稻農(nóng)情的年際變化提供重要的歸因分析。

針對(duì)監(jiān)測(cè)區(qū)域的多年NDVI和土地利用數(shù)據(jù)，平臺(tái)進(jìn)行空間時(shí)序數(shù)據(jù)的可視化分析。具體的實(shí)現(xiàn)流程如圖7所示，將研究區(qū)域內(nèi)多年土地利用和年內(nèi)月際NDVI空間數(shù)據(jù)進(jìn)行集合，以時(shí)間作為關(guān)鍵屬性，通過(guò)Time Slider功能實(shí)現(xiàn)空間數(shù)據(jù)的動(dòng)態(tài)顯示，通過(guò)空間數(shù)據(jù)的動(dòng)態(tài)顯示和交互功能，用戶可以直觀地觀察土地利用類(lèi)型和NDVI值的空間分布及變化趨勢(shì)。同時(shí)，利用圖表和統(tǒng)計(jì)分析等方式，為水稻農(nóng)情監(jiān)測(cè)提供輔助分析，以支持水稻農(nóng)情的深入分析和決策制定，具體頁(yè)面呈現(xiàn)效果如圖8和圖9所示。

1.3.4 水稻長(zhǎng)勢(shì)參數(shù)的空間可視和藥肥施用查詢

水稻參數(shù)SPAD和LAI是水稻生長(zhǎng)的重要指標(biāo)，能夠準(zhǔn)確地反映水稻的生長(zhǎng)狀態(tài)。然而，這些參數(shù)會(huì)在較大程度上受到藥肥施用策略的影響。因此，在農(nóng)情平臺(tái)的構(gòu)建過(guò)程合理地利用水稻參數(shù)和藥肥施用數(shù)據(jù)，探究水稻長(zhǎng)勢(shì)與藥肥施用策略之間的規(guī)律，能為農(nóng)業(yè)管理者提供決策支持，幫助優(yōu)化藥肥施用策略，最大程度地提高水稻生產(chǎn)效益。

針對(duì)水稻長(zhǎng)勢(shì)參數(shù)和藥肥施用數(shù)據(jù)的空間可視化和查詢，提供一種具體技術(shù)路線以實(shí)現(xiàn)數(shù)據(jù)的展示和分析（圖10）。平臺(tái)在后端通過(guò)預(yù)設(shè)程序?qū)庾V數(shù)據(jù)組合構(gòu)建植被指數(shù)，自主構(gòu)建多個(gè)機(jī)器學(xué)習(xí)模型（SVM、RF、ELM、GLM、MLSR），如2.1.2節(jié)所述，基于反演結(jié)果進(jìn)行自適應(yīng)切片數(shù)據(jù)的構(gòu)建。針對(duì)不同尺度的切片數(shù)據(jù)，采用多層次索引策略，通過(guò)頁(yè)面左下角的數(shù)據(jù)選擇，快速切換至所需的不同尺度的數(shù)據(jù)層，以期實(shí)現(xiàn)快速多尺度空間數(shù)據(jù)可視化（圖11）。借助展示結(jié)果，查看不同尺度的田塊水稻參數(shù)空間分布情況。同時(shí)，通過(guò)人工記錄田塊的藥肥施用數(shù)據(jù)，并將記錄數(shù)據(jù)實(shí)時(shí)存儲(chǔ)到云端，用戶可以點(diǎn)擊相應(yīng)的田塊矢量，訪問(wèn)云端數(shù)據(jù)，以查看該水稻田塊的歷史藥肥施用情況（圖12），進(jìn)而了解該田塊的藥肥使用情況，再結(jié)合對(duì)應(yīng)田塊的長(zhǎng)勢(shì)參數(shù)對(duì)藥肥施用策略的合理性進(jìn)行有效判別。

1.3.5 數(shù)據(jù)下載

為了滿足農(nóng)情數(shù)據(jù)共享和多樣化數(shù)據(jù)展示的需求，農(nóng)情平臺(tái)應(yīng)提供數(shù)據(jù)下載功能，允許用戶下載田塊藥肥施用歷史和實(shí)時(shí)生長(zhǎng)報(bào)告等數(shù)據(jù)。該功能實(shí)現(xiàn)技術(shù)路線見(jiàn)圖13，用戶可以在前端頁(yè)面設(shè)置篩選條件并發(fā)出數(shù)據(jù)訪問(wèn)請(qǐng)求，此類(lèi)條件傳入PostgreSQL數(shù)據(jù)庫(kù)中，對(duì)數(shù)據(jù)進(jìn)行相應(yīng)地篩選。隨后，用戶點(diǎn)擊“導(dǎo)出數(shù)據(jù)”或“導(dǎo)出表格”等指令，經(jīng)過(guò)篩選后的數(shù)據(jù)以文本形式向用戶提供下載服務(wù)。

2 平臺(tái)應(yīng)用場(chǎng)景

選取江西省興橋鎮(zhèn)與井岡山農(nóng)業(yè)科技園試驗(yàn)田作為案例區(qū)，綜合運(yùn)用遙感和地面觀測(cè)等多種技術(shù)手段獲取研究區(qū)域內(nèi)多源異構(gòu)數(shù)據(jù)，并在該區(qū)域?qū)崿F(xiàn)平臺(tái)的搭建。從水稻產(chǎn)量空間分布、生長(zhǎng)參數(shù)與藥肥施用的關(guān)系分析兩方面重點(diǎn)分析多源數(shù)據(jù)協(xié)同下的農(nóng)情平臺(tái)的應(yīng)用潛力。

2.1 研究區(qū)概況

江西位于我國(guó)東南部，地處長(zhǎng)江中下游以南，地形以山地、丘陵為主，地處亞熱帶，季風(fēng)氣候顯著，四季變化分明，紅壤為省內(nèi)分布最廣、面積最大的地帶性土壤，適宜的氣候條件和大面積的耕地分布使江西成為我國(guó)重要的水稻產(chǎn)區(qū)[19]。研究區(qū)位于江西省吉安市興橋鎮(zhèn)（114.79°E～114.96°E， 27.08°N～27.21°N），涵蓋兩個(gè)田塊尺度的區(qū)域，如圖14所示：其中一個(gè)區(qū)域是位于井岡山國(guó)家農(nóng)業(yè)科技園內(nèi)的試驗(yàn)田，地處興橋鎮(zhèn)核心區(qū)，占地約4 200 m2，由48個(gè)6 m×13 m大小的田塊組成，種植水稻品種為井岡軟占，利用不同的施肥減氮方式進(jìn)行培育。另一個(gè)區(qū)域包括全域的所有田塊，通過(guò)人機(jī)交互解譯得到田塊矢量化邊界，該區(qū)域內(nèi)主要為個(gè)體農(nóng)戶種植，不同農(nóng)戶種植水稻的品種與措施存在較大差異。分析江西省生產(chǎn)總體現(xiàn)狀，認(rèn)為其生產(chǎn)水平不高，并存在管理技術(shù)不成熟、藥肥施用不合理等問(wèn)題[20]，但水稻種植發(fā)展?jié)摿Υ螅虼素叫铇?gòu)建田塊尺度精細(xì)監(jiān)測(cè)平臺(tái)，探索合理的水稻生長(zhǎng)管理和藥肥施用方法。

2.2 興橋鎮(zhèn)水稻產(chǎn)量空間分布

在對(duì)某一區(qū)域作物進(jìn)行研究之前，了解其空間分布和平均產(chǎn)量情況至關(guān)重要。利用2022年試驗(yàn)田水稻單產(chǎn)數(shù)據(jù)作為模型真值，并將試驗(yàn)田內(nèi)各個(gè)田塊在重要生育期（如孕穗期、抽穗期等）的水稻植被指數(shù)（如NDVI、EVI等）進(jìn)行聚合，作為獲得模型的自變量，從而完成模型的構(gòu)建。隨后，獲取與試驗(yàn)田數(shù)據(jù)在相同時(shí)間段的衛(wèi)星影像，構(gòu)建水稻植被指數(shù)，并利用興橋鎮(zhèn)的田塊矢量（共計(jì)27 533塊）數(shù)據(jù)將其聚合到田塊尺度。在平臺(tái)的后端，將聚合數(shù)據(jù)作為自變量輸入到SVM模型（模型選擇方式參考文中1.2.2節(jié)的方法流程）進(jìn)行反演，最終獲得興橋鎮(zhèn)全域田塊尺度的水稻產(chǎn)量空間分布數(shù)據(jù)（圖15），由于支持向量機(jī)在解決小樣本、非線性及高維模式識(shí)別中的優(yōu)秀表現(xiàn)以及因子變量與產(chǎn)量間的高相關(guān)性，認(rèn)為反演結(jié)果具有代表性，能較好地應(yīng)用于作物參數(shù)的空間預(yù)測(cè)。而后通過(guò)將后端程序反演所得數(shù)據(jù)傳入前端即可實(shí)現(xiàn)興橋鎮(zhèn)水稻產(chǎn)量空間分布可視化。從圖15可以看出，興橋鎮(zhèn)田塊分布相對(duì)破碎，鎮(zhèn)內(nèi)東北區(qū)域水稻產(chǎn)量高于西南區(qū)域，目視解譯發(fā)現(xiàn)多數(shù)田塊產(chǎn)量處于6 750～8 250 kg/hm2，占總田塊數(shù)量比例可達(dá)到45%以上。

通過(guò)產(chǎn)量分布圖16驗(yàn)證了目視結(jié)果，發(fā)現(xiàn)單產(chǎn)分布在7 500 kg/hm2附近，與目視結(jié)果存在一致性。對(duì)于地處亞熱帶季風(fēng)性濕潤(rùn)氣候的江西省，興橋鎮(zhèn)存在40%以上的田塊單產(chǎn)低于中國(guó)水稻產(chǎn)量的平均水平（7 155 kg/hm2）[21]。

由此可以預(yù)見(jiàn)該地區(qū)水稻種植可能存在藥肥施用不合理和管理技術(shù)不成熟的問(wèn)題。因此，本平臺(tái)通過(guò)多源數(shù)據(jù)反演得到的產(chǎn)量空間數(shù)據(jù)能更好地總結(jié)水稻生長(zhǎng)過(guò)程中的相關(guān)規(guī)律，探究問(wèn)題來(lái)源，為上述問(wèn)題提供有效可行的解決方案，優(yōu)化田塊尺度的水稻種植策略。

2.3 水稻生長(zhǎng)參數(shù)與藥肥施用的關(guān)系分析

肥料的作用在于提供植物生長(zhǎng)所需的養(yǎng)分，可促進(jìn)水稻的生長(zhǎng)并提高產(chǎn)量。肥料施用方式與水稻生長(zhǎng)間存在復(fù)雜的作用關(guān)系，必須根據(jù)土壤質(zhì)量、水稻品種與生長(zhǎng)階段等因素來(lái)確定肥料的施用種類(lèi)和施用量，使其能發(fā)揮作用達(dá)到最大化。

田塊尺度精細(xì)化的水稻農(nóng)情平臺(tái)應(yīng)具備探究藥肥施用與水稻生長(zhǎng)之間關(guān)系的能力。為驗(yàn)證平臺(tái)的此項(xiàng)性能，研究在試驗(yàn)田內(nèi)采用不同的肥料施用方法，并在水稻生長(zhǎng)關(guān)鍵期分別測(cè)量田塊的SPAD與LAI值，基于本文1.2.2節(jié)中水稻參數(shù)反演模型構(gòu)建流程，選擇最優(yōu)反演模型以實(shí)現(xiàn)對(duì)不同生育期水稻SPAD、LAI數(shù)據(jù)進(jìn)行建模與驗(yàn)證，在確認(rèn)模型構(gòu)建無(wú)誤后將對(duì)應(yīng)田塊的水稻參數(shù)反演結(jié)果與肥料施用歷史數(shù)據(jù)相連接并可視于PC網(wǎng)頁(yè)端。

以平臺(tái)可視內(nèi)容中SPAD參數(shù)反演為例，不同模型精度驗(yàn)證結(jié)果如圖17所示。

結(jié)果表明，SVM與MLSR模型在本試驗(yàn)區(qū)域中均具有較高精度，其中MLSR在孕穗期有著更好的精度表現(xiàn)，而SVM在抽穗期和成熟期精度更高，故這兩個(gè)模型均可作為本研究參數(shù)反演的備選模型。然而，將MLSR應(yīng)用于水稻參數(shù)空間反演制圖時(shí)發(fā)現(xiàn)反演結(jié)果出現(xiàn)大量的低值低估和高值高估現(xiàn)象，該現(xiàn)象出現(xiàn)的原因是由于MLSR模型在擬合過(guò)程中對(duì)某些極端值或離群值非常敏感，導(dǎo)致模型對(duì)特定情況過(guò)度反應(yīng)所造成的。因此本研究選擇SVM作為最優(yōu)反演模型，并于本平臺(tái)后端基于最優(yōu)模型SVM自適應(yīng)反演不同物候期內(nèi)田塊尺度的SPAD和LAI空間數(shù)據(jù)。

基于上述孕穗期和抽穗期的反演結(jié)果（圖18），可以觀察到，在缺乏氮肥的①號(hào)田中，不論是孕穗期還是抽穗期，水稻葉片的葉綠素含量都顯著低于實(shí)地記錄數(shù)據(jù)的平均水平（孕穗期為33.5，抽穗期為33.6）。相比之下，緩施氮肥的③號(hào)田在孕穗期也缺乏氮元素，但是隨著不斷補(bǔ)充氮肥，水稻葉片的生長(zhǎng)被促進(jìn)，穗數(shù)和籽粒數(shù)都有所增加。因此，在抽穗期③號(hào)田的SPAD值得到迅速增加，增長(zhǎng)幅度為16.2%，高于不施氮肥的①號(hào)田在兩時(shí)期間的SPAD增量12.7%。而對(duì)于②號(hào)田，其采用的策略——輪作綠肥，是一種綠色且高效的用肥策略，能較好提高土壤肥力和改善土壤結(jié)構(gòu)。因此在兩個(gè)時(shí)期，其水稻長(zhǎng)勢(shì)都顯著優(yōu)于其余兩個(gè)田塊，其SPAD持續(xù)保持較高水平。結(jié)果表明本研究所設(shè)計(jì)平臺(tái)能合理的利用各類(lèi)數(shù)據(jù)實(shí)現(xiàn)對(duì)水稻長(zhǎng)勢(shì)參數(shù)的有效反演，并用于探究藥肥施用與水稻生長(zhǎng)之間關(guān)系的能力，并且能協(xié)助農(nóng)戶進(jìn)行藥肥施用策略的制定與完善。

3 結(jié)論

1） 基于WebGIS技術(shù)和Ant Design框架，利用Python、HTML、JavaScript+CSS語(yǔ)言，結(jié)合Mapbox、ArcGIS Server云端數(shù)據(jù)更新與發(fā)布服務(wù)與PostgreSQL數(shù)據(jù)庫(kù)技術(shù)，構(gòu)建一個(gè)前后端分離、云端實(shí)時(shí)更新的農(nóng)情監(jiān)測(cè)平臺(tái)，并于后端構(gòu)建多級(jí)索引，以分布式存儲(chǔ)技術(shù)管理多源異構(gòu)數(shù)據(jù)。相比傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)，本系統(tǒng)能更快速、高效地存儲(chǔ)和查詢大量數(shù)據(jù)，對(duì)水稻農(nóng)情實(shí)現(xiàn)實(shí)時(shí)、準(zhǔn)確且高效的監(jiān)測(cè)。

2） 平臺(tái)在前端網(wǎng)頁(yè)設(shè)計(jì)主頁(yè)、氣象預(yù)報(bào)、植被參數(shù)、試驗(yàn)田估產(chǎn)等共計(jì)12個(gè)頁(yè)面，前后端協(xié)同合作實(shí)現(xiàn)地圖顯示、田塊參數(shù)查詢、水稻參數(shù)的空間可視和藥肥施用查詢等功能，有助于為水稻生產(chǎn)制定更加精細(xì)的農(nóng)業(yè)生產(chǎn)計(jì)劃和管理策略，并且多源數(shù)據(jù)互補(bǔ)下的多功能實(shí)現(xiàn)，保證本平臺(tái)在不同地區(qū)均具有泛用性，具有較高推廣價(jià)值，同時(shí)可為同領(lǐng)域研究者提供參考。

3） 在興橋鎮(zhèn)水稻種植區(qū)域，利用本平臺(tái)對(duì)其水稻空間分布和農(nóng)肥施用策略進(jìn)行案例分析。結(jié)果表明：鎮(zhèn)內(nèi)水稻田塊分布破碎，多數(shù)田塊水稻單產(chǎn)水平處于6 750～8 250 kg/hm2；在試驗(yàn)田中采用合理藥肥施用策略的田塊水稻長(zhǎng)勢(shì)顯著優(yōu)于缺肥與過(guò)量施肥田塊，進(jìn)一步驗(yàn)證所構(gòu)建的水稻農(nóng)情監(jiān)測(cè)平臺(tái)可以快速利用多種數(shù)據(jù)相結(jié)合以實(shí)現(xiàn)對(duì)區(qū)域水稻生長(zhǎng)情況的可視分析，助力水稻種植的管理策略制定。

參 考 文 獻(xiàn)

[ 1 ] Chen L， Chang J， Wang Y， et al. Disclosing the future food security risk of China based on crop production and water scarcity under diverse socioeconomic and climate scenarios [J]. Science of the Total Environment， 2021， 790： 148110.

[ 2 ] Chen A， He H， Wang J， et al. A study on the arable land demand for food security in China [J]. Sustainability， 2019， 11（17）： 4769.

[ 3 ] 武奕， 易龍， 曾維. 我國(guó)水稻生產(chǎn)現(xiàn)狀及發(fā)展對(duì)策研究[J]. 農(nóng)業(yè)與技術(shù)， 2015， 35（18）： 143.

[ 4 ] Fritz S， See L， Bayas J C L， et al. A comparison of global agricultural monitoring systems and current gaps [J]. Agricultural Systems， 2019， 168： 258-272.

[ 5 ] 吳炳方， 蒙繼華， 李強(qiáng)子， 等. “全球農(nóng)情遙感速報(bào)系統(tǒng)（CropWatch）”新進(jìn)展[J]. 地球科學(xué)進(jìn)展， 2010， 25（10）： 1013-1022.

[ 6 ] Defourny P， Bontemps S， Bellemans N， et al. Near real?time agriculture monitoring at national scale at parcel resolution： Performance assessment of the Sen2-Agri automated system in various cropping systems around the world [J]. Remote Sensing of Environment， 2019， 221： 551-568.

[ 7 ] 王耀武. 基于3G和WebGIS的基層農(nóng)情管理信息系統(tǒng)[D]. 北京： 中國(guó)農(nóng)業(yè)科學(xué)院，" 2012.

[ 8 ] 魯旭濤， 張麗娜， 劉昊， 等. 智慧農(nóng)業(yè)水田作物網(wǎng)絡(luò)化精準(zhǔn)灌溉系統(tǒng)設(shè)計(jì)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（17）： 71-81.

Lu Xutao， Zhang Lina， Liu Hao， et al. Design of the networked precision irrigation system for paddy field crops in intelligent agriculture [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（17）： 71-81.

[ 9 ] 蒙繼華， 程志強(qiáng)， 董文全， 等.面向精準(zhǔn)農(nóng)業(yè)的農(nóng)田信息遙感獲取系統(tǒng)[J]. 高技術(shù)通訊， 2018， 28（6）： 477-487.

[10] Rajalakshmi P， Mahalakshmi S D. IOT based crop?field monitoring and irrigation automation [C]. 2016 10th International Conference on Intelligent Systems and Control （ISCO）. IEEE， 2016： 1-6.

[11] 廖建尚. 基于物聯(lián)網(wǎng)的溫室大棚環(huán)境監(jiān)控系統(tǒng)設(shè)計(jì)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2016， 32（11）： 233-243.

Liao Jianshang. Design of agricultural greenhouse environment monitoring system based on internet of things [J]. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（11）： 233-243.

[12] 朱霏雨， 劉木華， 袁海超， 等. 基于物聯(lián)網(wǎng)的菜田土壤溫濕度監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（6）： 190-198.

Zhu Feiyu， Liu Muhua， Yuan Haichao， et al. Design of soil temperature and moisture monitoring system for vegetable field based on the Internet of Things [J]. Journal of Chinese Agricultural Mechanization， 2022， 43（6）： 190-198.

[13] 何志文， 吳峰， 張會(huì)娟， 等. 我國(guó)精準(zhǔn)農(nóng)業(yè)概況及發(fā)展對(duì)策[J]. 中國(guó)農(nóng)機(jī)化， 2009（6）： 23-26.

He Zhiwen， Wu Feng， Zhang Huijuan， et al. General situation and development of precision agriculture in our country [J]. Journal of Chinese Agricultural Mechanization， 2009（6）： 23-26.

[14] Sangjan W， Carter A H， Pumphrey M O， et al. Development of a raspberry pi?based sensor system for automated in?field monitoring to support crop breeding programs [J]. Inventions， 2021， 6（2）： 42.

[15] 閻曉軍， 王維瑞， 梁建平. 北京市設(shè)施農(nóng)業(yè)物聯(lián)網(wǎng)應(yīng)用模式構(gòu)建[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2012， 28（4）： 149-154.

Yan Xiaojun， Wang Weirui， Liang Jianping. Application mode construction of internet of things （IOT） for facility agriculture in Beijing [J]. Transactions of the Chinese Society of Agricultural Engineering， 2012， 28（4）： 149-154.

[16] 謝曉金， 申雙和， 李映雪， 等. 高溫脅迫下水稻紅邊特征及SPAD和LAI的監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2010， 26（3）： 183-190.

[17] 涂又， 姜亮亮， 劉睿， 等. 1982—2015年中國(guó)植被NDVI時(shí)空變化特征及其驅(qū)動(dòng)分析[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（22）： 75-84.

Tu You， Jiang Liangliang， Liu Rui， et al. Spatiotemporal changes of vegetation NDVI and its driving forces in China during 1982—2015 [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（22）： 75-84.

[18] 錢(qián)鳳魁， 王賀興， 項(xiàng)子璇. 基于潛在土地利用沖突識(shí)別的主城區(qū)周邊耕地保護(hù)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（19）： 267-275.

Qian Fengkui， Wang Hexing， Xiang Zixuan. Cultivated land protection in the periphery of the main urban areas based on potential land use conflict identification [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（19）： 267-275.

[19] 余永琦， 余艷鋒， 彭柳林， 等. 江西省水稻生產(chǎn)結(jié)構(gòu)的年際波動(dòng)特征與趨勢(shì)分析——基于水稻內(nèi)部結(jié)構(gòu)調(diào)整的視角[J]. 江西農(nóng)業(yè)學(xué)報(bào)， 2020， 32（11）： 130-138.

[20] 周泉， 黃國(guó)勤. 江西省水稻綠色生產(chǎn)的問(wèn)題與對(duì)策研究[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃， 2020， 41（2）： 9-15.

[21] 中華人民共和國(guó)國(guó)家統(tǒng)計(jì)局. 中國(guó)統(tǒng)計(jì)年鑒[M].北京： 中國(guó)統(tǒng)計(jì)出版社， 2022.