大田无人农场的信息感知与智能决策技术

文章来源:聚英云农 发布时间: 2023-11-16 17:48:16
阅读:93 次

大田无人农场的信息感知与智能决策技术

 

  1、精量播种信息感知与处方决策

精量播种是大田无人农场的关键技术之一,与传统播种方式相比,在播种过程中,整个地块不再是恒定不变的播种量,而是根据不同地块的增产潜力情况,适度增加或减少播种量,使种子可以充分利用土壤的养分、光照、蓄水能力等条件发育。为了更加准确地指导精量播种,需要快速获取播种种床的土壤环境信息,从而为播种决策和控制提供实时的理论依据。土壤的环境信息通常包括土壤墒情、土壤电导率、土壤有机质等参数,为了获取上述信息并确保控制系统可以有足够的数据处理时间,通常在播种机前端设计安装实时传感器实现数据的获取。当前国内外学者在单一参数实时传感器研究方面已经取得了一定的进展和突破,但主要以单一传感器研究为主,在多源数据融合处理研究方面尚存在不足。

土壤墒情反应土壤含水率的多少,土壤墒情的高低决定种子生长环境的优劣,一定程度上影响其后期出苗率。国内外学者在土壤墒情原位监测方面取得了许多研究成果,采用的方法有电阻法、频域反射法、时域反射法、中子法等。但是,采用原位监测技术无法满足播种决策的快速响应需求。近几年,部分学者开展了车载式土壤墒情在线监测装置,可在播种时实时获取当前土壤含水率,从而为后续播深、播种间距的控制提供理论依据。张东兴等设计了一种可见光近红外式土壤水分传感器,实现了对播种沟土壤水分的在线测量。

朱文静等针对探针式土壤水分传感器插入土壤后因反馈点固定而需大量布点、成本高、破坏耕层等问题,研制了一种基于法布里-珀罗干涉近红外传感器的非接触式土壤墒情在线检测系统。Weatherly和Bowers采用电阻法检测原理,开发了土壤墒情在线感知传感器,为玉米播深调控系统提供决策依据。Price和Gaultney、Mouazen等均采用近红外光谱法的检测原理,设计了土壤含水率在线测量仪,实现了田间作业时对土壤含水率动态实时检测,用于指导玉米播种深度。

土壤电导率是评价土壤生产力的一种常用参数指标。土壤电导率的测量通常采用电流-电压四端法原理,近些年,国内有学者开始从事车载式土壤电导率检测系统的研发工作。杨玮等、杨文奇均基于电流-电压四端法的测量原理,设计研发了车载式土壤电导率快速检测系统,该系统可以快速预测土壤浸出液电导率的分布趋势,为播种作业提供参考。国外对车载式土壤电导率传感器的研究相对较早,目前部分产品已经商用化,比较有代表性的有Geonic Limited公司的EM38-MK2和Veris Technologies公司研制的Veris 3150型土壤电导率传感器。

土壤有机质是评价土壤肥力水平的常用指标之一,基于土壤的有机质信息指导变量播种作业是一种较为常用的做法。国外在土壤有机质传感器方面取得了较为深入的研究,部分产品已经实现商业化应用。普渡大学的Ess设计了一款基于光电式传感器的土壤有机质传感器,该传感器基于土壤中有机质含量的不同会造成反射的光谱频段值不同这一原理确定土壤有机质的含量。Precision Planting公司开发的SmartFirmer传感器可同时发射和接收X射线、可见光谱、无线电波三种光线,通过分析三种光线的特征即可得到土壤的有机质含量信息。

国内目前在车载式土壤有机质传感器的研究方面还较为缺乏,已有研究多集中在模型构建以及便携式速测仪的研发。例如,唐海涛等、Xie等借助近红外光谱技术,针对不同种特定情况,分别采用不同的特征波长提取算法,构建了土壤有机质含量预测模型,该算法为土壤有机质含量的在线预测提供了理论依据。崔玉露等基于光谱学原理设计了一款便携式土壤有机质检测仪,仪器测量值与标准值的相关系数R 2达到0.891。

虽然用于土壤环境信息监测的传感器类型较多,但受限于播种作业过程中传感器安装空间紧凑、数据响应延迟的影响,当前难以实现多类型土壤传感器的同时检测,而且缺乏地块往年产量、当年气象信息等数据的支撑,使得在线式土壤传感器难以全面综合地决策播种作业,目前基于实时土壤传感器的变量播种控制系统在国外的使用率也相对较低。相应地,采用处方图指导变量播种作业仍然是最常用的一种变量播种方式。关于变量播种处方图的生成,美国已经形成了一个成熟的商业化服务系统,其中,CASE公司、Topcon公司、Ag Leader公司等也在变量播种处方图的决策和生成方面形成了许多技术服务。与发达国家相比,国内在变量播种决策方面的研究尚且处于起步阶段,已有研究多基于播种机前进速度进行播量控制,其研究重点多集中在控制系统上,较少涉及播种决策方面研究。

 

  2、精准施肥信息感知与处方决策

精准施肥涉及到信息感知、处方决策与精确控制等多项关键技术。国内外关于作物氮素诊断方面做了大量研究工作,国外市场上几种代表性获取作物营养的传感器,包括美国俄克拉荷马州立大学和N-tech公司研制的GreenSeeker(660 nm,780 nm),美国Holland公司研制的RapidSCAN CS-45(670 nm,730 nm和780 nm)等。杨贵军等、孙红等、林维潘等分别研发了作物长势监测仪CropSense(650 nm,810 nm)、双波段(650 nm,850 nm)主动光源叶绿素含量检测传感器、便携式三波段(660 nm,730 nm,815 nm)以及作物生长监测仪CGMD303,可获得归一化植被指数、叶面积指数、植被覆盖度、叶绿素含量等指标。矫雷子等[24]和周鹏等分别采用激光诱导技术测定土壤氮素、近红外光谱技术检测土壤氮素。

在精准施肥决策方法方面,美国俄克拉荷马州立大学Lukina等、Raun 和Walsh研发了氮肥优化算法。Shi等基于GreenSeeker传感器,在变量施肥决策时根据其氮素含量对施肥模型进行修正,将目标施肥量按NDVI值划分为12个等级分层施肥。Cao等利用多种光谱传感器数据分别建立了东北地区水稻、玉米变量施肥决策模型。

 

  3、精准施药信息感知与处方决策

精准施药的核心是获取农田小区域内病虫草害差异性信息,采用变量施药技术,按需施药。病虫草害信息实时获取技术主要包括基于光谱、图像和光谱成像3种,分别适合防除作物出苗前的杂草、行间杂草和行内杂草。基于光谱方法,国外已有WeedSeeker、Weed IT等杂草传感器;基于图像方法,国外已有Autopilot、CamPilot、Robocrop等视觉导航产品;基于高光谱成像方法,潘冉冉等结合化学计量学方法实现了对油菜中的杂草的分类识别。病害识别也已有较多成果,周巧黎等基于改进轻量级卷积神经网络MobileNetV3对番茄叶片病害进行了识别;REDDY和REKHA基于迁移学习的深叶病害预测框架实现了叶片病害自动检测;Bravo等采用光谱反射数据对小麦黄锈病进行了早期诊断;Liu等利用BP神经网络实现了对4个等级的水稻稻穗病害分类。在病虫草害检测基础上,结合土壤、气象、管理等多源异构数据,采用随机森林、人工神经网络等机器学习算法,建立了作物生长状态诊断模型与施药处方决策模型,融合多源数据和知识规则生成田块尺度施药处方。

综合国内外在大田无人农场的信息感知与智能决策技术方面,国外种肥药关键信息在线感知技术研究较为系统,已推出了面向种肥药精准施用决策的多款在线感知传感器商品,国内多以集成应用国外传感器为主,在传感器组合和决策模型的适应性上都受到了限制。国内科研团队也自主研发了部分土壤、作物传感器,并在不同地区初步开展了不同作物的精准施肥和精准施药的决策模型研究,随着传感技术和决策模型的完善,国内自主研发的传感器将在精准作业过程中发挥出更大的作用。

聚英云农logo
邮箱:service@juyingele.com
电话:010-82899827/1 4006688400
地址:北京市海淀区上地金隅嘉华大厦B座412室
聚英云农微信 官方微信