简介:摘要 : 农业模型、农业人工智能及数据分析等技术贯穿于智慧农业的信息感知、信息传输、信息处理与控制全过程,是智慧农业的核心技术。为进一步明晰农业模型的内涵和作用,促进农业模型进一步研究及应用,推动智慧农业健康、稳定和可持续发展,本研究采用系统分析、比较及关系框图等方法,分析了农业模型的内涵,阐述了农业模型和智慧农业要素与过程的关系,明确了农业模型的作用并附以应用案例,比较了农业模型的国内外重要发展动态与趋势。国内外农业模型研究与应用重要进展比较表明,农业模型研究应用需要考虑农业生物要素的 4个水平、农业环境要素的 6个尺度、农业技术与农业经济要素的 6个层次并采用相应方法进行,农业模型环境要素空间多尺度研究应用有较大发展潜力;农业模型与分子遗传学、感知技术及人工智能技术结合,农业模型研究应用的公私有组织协作,粮食安全挑战将成为农业模型进一步发展的重要推动力,且需更注重将各种农业系统模拟、数据库、和谐性与开放数据及决策支持系统相连接。中国农业模型研究与应用已形成具有中国特色的作物模型系列,也融入农业模型的互比较与改进、智慧农业等世界潮流,需要抢抓机遇,加快发展。农业模型是农业系统要素内及要素间关系的定量化表达,是农业科学定量与综合的重要方法,具有认识论价值,它与感知技术的结合可以在智慧农业数据获取与处理中发挥不可或缺的作用,成为信息农业技术落地应用的重要桥梁和纽带。
简介:摘要 : 植物化学保护即使用植保机械喷施化学农药是当前最主要的病虫害防控方法,一直以来对保障农业生产安全与粮食有效供给起至关重要作用。能够实现按需精准施药、变量施药、人机分离与人药分离的高效、精准、智能的施药技术和装备是提高农药药效与利用率的保证,也是保障食品安全、降低农民劳动强度的重要措施,是目前国内外研究的热点。本研究对精准施药关键技术及研究现状进行了分析,对适用于不同作业场景的精准施药装备的研究现状、典型代表、应用进展等进行了分类总结,分析了目前精准施药发展中面临的挑战,并提出了对策和建议。本研究可为精准施药技术研究的推进、智能施药装备的研发和现代化农业的发展提供参考和思路。
简介:摘要 : 随着无线终端数量的快速增长和多媒体图像等高带宽传输业务需求的增加,农业物联网相关领域可预见地会出现无线频谱资源紧缺问题。针对基于传统物联网的作物表型信息采集系统中存在由于节点密集部署导致数据传输过程容易出现频谱竞争、数据拥堵的现象以及固定电池的网络由于能耗不均衡引起监测周期缩减等诸多问题,本研究建立了一个认知无线传感器网络( CRSN)作物表型信息采集模型,并针对模型提出一种引入边缘计算机制的动态频谱和能耗均衡( DSEB)的事件驱动分簇路由算法。算法包括:( 1)动态频谱感知分簇,采用层次聚类算法结合频谱感知获取的可用信道、节点间的距离、剩余能量和邻居节点度为相似度对被监控区域内的节点进行聚类分簇并选取簇头,构建分簇拓扑的过程对各分簇大小的均衡性引入奖励和惩罚因子,提升网络各分簇平均频谱利用率;( 2)融入边缘计算的事件触发数据路由,根据构建的分簇拓扑结构,将待检测各区域变化异常表型信息触发事件以簇内汇聚和簇间中继交替迭代方式转发至汇聚节点,簇内汇聚包括直传和簇内中继,簇间中继包括主网关节点和次网关节点 -主网关节点两种情况;( 3)基于频谱变化和通信服务质量( QoS)的自适应重新分簇:基于主用户行为变化引起的可用信道改变,或分簇效果不佳对通信服务质量产生的干扰,触发 CRSN进行自适应重新分簇。此外,本研究还提出了一种新的能耗均衡策略去能量消耗中心化(假设 sink为中心),即在网关或簇头节点选取计算式中引入与节点到 sink的距离成正比的权重系数。算法仿真结果表明,与采用 K-medoid分簇和能量感知的事件驱动分簇 (ERP)路由方案相比,在 CRSN节点数为定值的前提下,基于 DSEB的分簇路由算法在网络生存期与能效等方面均具有一定的改进;在主用户节点数为定值时,所提算法比其它两种算法具有更高频谱利用率。
简介:摘要 : 冠层光截获能力是反映作物品种间差异的重要功能性状,高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标,利用数字化植物表型平台( D3P)模拟生成了 100种冠层结构不同的小麦品种在 5个生育期的三维冠层场景,记录了从原始冠层结构中提取的绿色叶面积指数( GAI)、平均倾角( AIA)和散射光截获率( FIPARdif)信息作为真实值 ,进一步利用上述三维小麦场景开展了虚拟的激光雷达( LiDAR)模拟实验,生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征( H)和绿色分数特征( GF)。最后,利用人工神经网络( ANN)算法分别构建了从不同 LiDAR点云特征( H、 GF和 H+GF)输入到 FIPARdif、 GAI和 AIA的反演模型。结果表明,对于 GAI、 AIA和 FIPARdif,预测精度从高到低对应的点云特征输入为 GF+H > H > GF。由此可见, H特征对提高目标表型特性的估算精度起到了重要作用。输入 GF + H特征,在中等测量噪音( 10%)情况下, FIPARdif和 GAI的估算均获得了满意精度, R2分别为 0.95和 0.98,而 AIA的估算精度( R2=0.20)还有待进一步提升。本研究基于 D3P模拟数据开展,算法的实际表现还有待通过田间数据进一步验证。尽管如此,本研究验证了 D3P协助表型算法开发的能力,展示了高通量 LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。