文章信息
- 史东旭, 高德民, 薛卫, 张朔, 张福全
- SHI Dongxu, GAO Demin, XUE Wei, ZHANG Shuo, ZHANG Fuquan
- 基于物联网和大数据驱动的农业病虫害监测技术
- Research on agricultural disease and pest monitoring technology based on Internet of Things and big data
- 南京农业大学学报, 2019, 42(5): 967-974
- Journal of Nanjing Agricultural University, 2019, 42(5): 967-974.
- http://dx.doi.org/10.7685/jnau.201812026
-
文章历史
- 收稿日期: 2018-12-17
2. 南京农业大学信息科学技术学院, 江苏 南京 210095
2. College of Information Science and Technology, Nanjing Agricultural University, Nanjing 210095, China
由于人口增长和社会发展, 预计到2050年世界粮食需求将增加1倍[1]。目前, 由于地下水位下降、气候变化、可耕种土地减少以及病虫害泛滥等原因, 实现粮食增产的难度极大。根据国际粮食政策研究所(International Food Policy Research Institute, IFPRI)的指导意见, 采用物联网和大数据驱动技术可以减少农业损失, 预计在2050年农业生产率可提高67%[2]。实地试验表明, 利用传感器技术来改变农田用水(精准灌溉)可以使农业生产率提高45%, 同时减少35%的灌溉用水量[3]。该技术可以应用于其他农业生产中, 如种子培育、土壤养分监测等[4]。传感器技术可充分获得农地周围环境数据, 同时, 无人机等航空影像系统可使农民获得更丰富的传感器数据。无人机可以帮助农民绘制农田地图, 远程监控农作物, 检查异常情况。
病虫害是造成粮食减产的主要因素之一[5], 其发生与环境有着密切的关系[6]。据统计, 2006—2015年, 我国由病虫害导致的年均粮食损失约为1 965.49万t, 占全国粮食总产量的3.53%[7]。病虫害监测防治一直是粮食增产增效亟待解决的问题。然而, 由于传统的病虫害监测仍然以人工巡查为主, 依靠农业专家开展田间普查[8], 监测技术发展相对比较落后, 很难达到对病虫害实时有效监测[9], 尤其在病虫害大面积爆发时, 对农作物造成危害较为严重。目前, 农业信息化技术已经在农业上逐步应用, 其中, 传感器技术已经被广泛应用于农业生产中[10]。在实际应用中, 大型农场数据采集过程中, 需要将传感器采集数据进行远程传输, 然而现有的连接解决方案要求将通信模块加载到每个传感器上[11]。这造成每台设备的费用超过1 000美元, 成本较高。此外, 由于设备的数据存储空间有限, 每天只可以发送几千字节。显然, 这些解决方案并不适用于大型农场, 也无法支持照相机和无人机这样的高带宽传感器。采取的解决方案是将所有采集的数据发送到云端进行处理[12]。但是, 通常情况下, 农场的信号覆盖率较低, 并且容易因为天气原因造成网络中断[13]。另外, 在户外大型农场中, 无人机的飞行时间可能不足以满足拍摄整个农场的需求。
农林学家利用土壤科学[18]和植物生理学[19]技术研究了精准农业应用情况。研究人员已经利用特殊定制传感器来测量水中营养物质[20]、地下水位[21]以及实现其他功能。精准农业研究通常都是在基础设施覆盖区域, 比如通信良好和供电方便的状况下进行, 并不适用于通讯较远和远离基础供电实施的情况, 例如东北林场和内蒙古草原。农业病虫害具有传播性, 若某一地区发生病虫害, 则很有可能传播到其他区域, 甚至是不同品种的农作物上[22]。我国对于农作物病虫害的防治工作一直十分重视, 但防治体系还不完整, 导致许多地方的防治水平不同, 特别是偏远农场较为落后。
为解决上述问题本文提出了一种基于物联网和大数据的现代农业技术平台, 此平台是在精准农业以及无线传感器网络工作基础之上建立的。在传统的无线传感器网络中, 使用多跳网络[14]来收集农场传感器数据, 如ZigBee技术。然而, 该技术受到宽带限制, 无法支持高宽带传感器[15]、摄像机和无人机[16]。并且, 传统系统也没有考虑到云连接薄弱的情况以及天气[17]对现代农业技术带来的影响。相比之下, 基于物联网和大数据的现代农业技术平台提供了对传感器、摄像机和无人机以及云连接的支持, 还增添了适应天气变化的机制。本研究是在当前研究和应用的基础上, 对这些前期成果的补充, 即有效实现数据收集的自动化, 支持精准农业系统, 解决远距离通信带来的问题。
1 设备与方法 1.1 设备太阳能板(功率50 W, 工作电压17.5 V, 工作电流2.85 A), 蓄电池(12 V, 100 AH), Lora模块(ATK-LORA-01无线串口模块, 通信模块SX1278扩频), TVWS[23]设备(HMAA, 深圳互由科技有限公司), 温度传感器(测量范围-50~100 ℃, 供电电压12~36 V, 输出信号4~20 mA), 计雨量传感器(雨强范围0.01~4 mm·min-1, 供电电压12~24 V, 工作环境温度-10~50 ℃, 相对湿度 < 95%), 无线监控COFDM高清无线视频传输设备(型号ST6200TPS-HD), 机载高光谱成像仪(型号Gaiasky-mini2-VN, 光谱分辨率3.5 nm, 全幅像素1 920(空间维)× 1 440(光谱维), 工作电压12~19 V, 图像分辨率1 960×1 040)。
1.2 解决方法 1.2.1 现代农业物联网平台建设目标平台建设过程的主要目标:1)大容量。系统需要容纳大量传感器数据以及无人机产生的数据。2)云连通性。一些农业应用, 如作物周期预测、播种建议、农业实践与咨询等, 都依赖于长期累积的数据。此外, 农民即使不在农场, 也可能需要获得一些信息。因此, 物联网平台必须能够将数据推送到云端。3)数据及时性。来自农场的陈旧传感器数据可能会让应用程序向农民提出错误的行动方案。历史数据的缺少也会导致应用程序提出错误的行为。此外, 陈旧数据会导致用户体验差。因此, 平台必须保持数据的即时性。
1.2.2 现代农业物联网平台系统现代农业物联网平台主要由能源供应、IoT基站、网关设计、云端、APP等组成(图 1)。我们设计出一种基于实际情况的智能太阳能供电系统来保证平台的能量供应; IoT基站主要由TVWS、Lora传感器连接模块和基站控制器组成, 负责接收来自传感器的数据并将其传输到网关。网关主要由传感器接口、本地计算部分等组成, 网关负责提供服务并将数据进行整理分析, 还可与云端进行数据交互; 系统还提供了APP接口, 更加方便农户进行管理。在本文中, 我们主要研究能量供应、通信与无人机。
![]() |
图 1 现代农业物联网平台系统模块 Fig. 1 Modern agricultural Internet of Things platform system module |
系统采用太阳能供电的方式, 太阳能基站在农场的任务是根据天气情况进行电力调度并实现电池充电功能。由于太阳能的采集受环境因素的影响较大, 因此经常会出现系统电力故障。虽然在单一传感器[24]的范围内已经解决该问题, 但是基站通常能耗较大, 显然同样的解决办法并不适用基站。我们设计了一种基于实际情况的智能太阳能供电系统。它使用Open Weather API来获得天气预报, 并决定第2天的系统设备工作状态。由于太阳能采集受太阳能板角度的影响, 为了使系统更好地接收太阳能, 因此我们模仿向日葵的生物习性, 为太阳能板增加1个可以随太阳位置变化而调整角度的功能, 保证太阳能可以最大化被吸收利用。为最大限度减少系统能量消耗, 只有在采集或者传输数据时系统中设备才会消耗能量, 在不采集数据时, 传感器处于低能监听状态或者休眠状态。而且, 根据实际能耗消耗情况对设备进行管理, 如:夜晚农民基本不会对系统进行操作, 夜间系统会关闭耗能最高的TVWS设备来减少不必要的能量消耗。由于夜间没有光线, 系统就无需调整太阳能板角度获取太阳能, 自动控制设备被关闭以节省能量。
系统采集数据频率受太阳能强弱影响。在阴雨天, 由于可采集到的太阳能非常少, 这时可将系统采集数据的频率降低, 减少能量消耗。在正常情况下, 温度的采集频率大约是每10 min采集1次, 但在阴雨天等太阳能采集量非常低的情况下, 每20 min采集1次, 在夜晚, 数据采集的频率可能会更低。由于农场很少出现气温骤降或者骤升的情况, 所以稍微降低数据的采集频率并不会对农作物有很大的影响。
1.2.4 通信系统1) Lora与TVWS。系统通信主要由Lora技术以及TVWS技术共同组成。Lora是一种低能耗和数据传输低速率的点到点的通信模式, 在无障碍情况下通信距离可达15 km。Lora作为网关可将一定数量无线传感器节点连接起来, 替代传统GPRS模块(按月收费), 从而有效降低成本。如果将Lora作为中继节点, 在多跳Lora模式下, 数据在低速率情况下不借助卫星或者基础信号基站可达数百千米, 足以满足现代农业数据传输需求。Lora技术在国际上已有一定应用, 如基于Lora的智能灌溉系统等。由于Lora在近几年才刚刚引入中国, 许多农场还未普及, 仍然采用ZigBee技术进行数据传输。ZigBee技术传输距离较短, 因此在农场传输模块布置过程中, 可逐渐使用Lora技术代替ZigBee技术。在本系统中, Lora在农场的部署如图 2所示, 负责连接农场内各传感器, 并在收集传感器数据以及将收集到的数据发送到基站时使用。
![]() |
图 2 Lora部署效果图 Fig. 2 Lora deployment renderings |
在将基站数据传输到农户家中时, 则使用了TVWS[25]技术。White Space是空白电视信号频段, 是指被分配用作广播使用, 但该频段尚未被广泛使用, 具有用户量大、成本低等优势。TVWS在国际上也已经有一定应用, 如美国正在利用TVWS技术积极部署农场超级WiFi等。通常农场与农户间隔较远, 而且障碍物会阻碍信息的传输, 传统的数据传输方式难以完成该类任务。TVWS技术由于低频以及支持高宽带数据传输等特性, 完全能满足农户与农场之间高宽带连接的需求。在中国, 由于数字电视的普及, 传统无线电视慢慢淡出人们的视线, TVWS频段也随之空闲出来, 在部署农场高宽带数据传输时, 即可充分利用此频段。
2) 通信系统设计为了保持系统与传感器之间的兼容性以及满足远程高带宽连接的需求, 系统采用1个双层混合网络:第1层, 采用TVWS使农民的家庭网络与农场上的IoT基站进行连接; 第2层, 采用传输距离远抗干扰能力强的Lora模块完成农场传感器间的信息传输, 保证以最少的传感器节点覆盖最大农场面积。数据通信示意图如图 3所示。
![]() |
图 3 数据通信示意图 Fig. 3 Schematic diagram of data communication |
在本节中, 主要介绍无人机相关技术。
1) 无人机设备
目前无人机航拍设备分为两类:一类是数字图形传输设备; 另一类是模拟图传设备。数字图形传输设备, 图像质量高, 可达720 P和1 080 P, 传输距离大, 抗干扰能力强, 但成本高。而模拟图传设备相对较便宜, 但画质差, 传输距离近, 抗干扰能力弱。若进行远距离数据传输, 采用上述两类设备均难以实现。本系统采用ST6200TPS-HD[26]设备进行无人机航拍。ST6200TPS-HD是一款广播级的无人机高清图传设备, 采用COFDM调制技术, 抗干扰能力强。即使在500 km·h-1高速运动状态下, 仍然可以在20 km范围内将高清图像传输过来。无人机采集的数据首先传输到基站, 再采用TVWS技术传输到农户手中。
2) 无人机改造
由于农场通常具有很大的开放空间, 因此经常会有充足的风能。通过观察得知, 如果采用非对称物流轮廓的四轴飞行器可以利用风来获得更有效的推进或减速。从直观上看, 当四旋翼无人机顺风飞行时, 四旋翼的侧面轮廓应该迎风, 因为侧面轮廓有较大的面积, 因此能够从风中获取一定的推力。为了利用这一观测结果, 我们对无人机进行改造。具体改造的是无人机垂直轴的四旋翼角度。在四旋翼的侧面轮廓上有1个较大的区域。从起始点到第1个点的下风段, 自适应控制, 保证侧面轮廓处于迎风位置, 从而最大限度利用有利的风为无人机的四转子加速。类似地, 减速阶段可以有效利用空气阻力, 使偏航垂直于飞行路径。
3) 无人机路径规划
大多数无人机的飞行路线都是按照GPS坐标定义的路径点, 从一个坐标点移动到下一个点。在农业方面, 系统的目的是对单一无人机所覆盖的区域进行优化。为了满足无人机在航拍时可以拍摄到全景的条件, 需要根据飞行高度、相机的视场和所需的图像质量在农场规划出具体的路径点。在设计无人机飞行路径时会以不同的点作为起点, 结合最短路径算法(shortest path faster algorithm, SPFA), 设计了多种路径规划。在进行无人机航拍时, 会结合当地气象信息, 特别是风向与风力等因素, 在设计出的多种路径中选择一种顺风距离所占比例最大的路径, 以保证无人机能充分利用风力, 减少自身能量消耗, 延长飞行时间。
4) 从无人机视频中截取图像
由于农场的网络连接很差, 无人机难以将产生的大量视频传输到云端。例如, 1架无人机以每秒30帧的速度拍摄1 080 P视频, 飞行4 min就能生成近1 G容量视频数据。事实上, 现有的农业无人机解决方案都是将视频传输到云端, 并将他们转换成正形图对农民展示。从广义上讲, 可以使用基于航空摄影的三维映射[27]或图像拼接技术[28]从无人机视频中构建全景视图。航空摄影三维制图是一种利用空中影像重建高分辨率三维地面地图的通用方法, 通过寻找它们的相对位置, 将不同的图像拼接在一起。
图像拼接在生成高分辨率的地表地图中需要大量内存进行精密计算, 不适合资源受限的农场网关。同时, 平面地形的假设在农场上是无效的。在视频中观察到的不均匀的地形、树木、动物或人造建筑能够产生视差, 而在图像配准算法中却不能处理这样的场景。现有的全景图制作软件如AutoPano Pro和Easypano PanoWeaver等在这样的场景中往往会产生扭曲的全景图。这就带来了一种很困难的抉择:无人机飞得很高, 让农场出现平面, 牺牲农场的细节; 将大量的空中视频传送到云端进行处理, 增加服务器压力。
为解决这种困难, 我们采用一种混合技术, 它结合了三维映射和图像拼接方法的关键组件。在高空时, 使用航空三维制图系统的技术, 目的是估计不同视频帧的相对位置, 而无需计算高分辨率的数字表面图。由于该过程可以在低分辨率下执行, 摆脱精确计算需要所带来的高内存需求, 同时也可去除由于农场的非平面性而导致的不准确性。一旦这些相关的位置被计算出来, 就可以使用标准的缝合软件(如微软的ICE)将这些图像拼接起来。
2 结果与分析 2.1 利用无人机采集的数据生成精确农场地图精准农业依赖于精确的农场地图, 这表明整个农场都有一个特定的特征分布。现代农业物联网平台系统支持一种新颖的精确地图生成方法, 它可以利用无人机的空中影像, 以及在农场中布置的传感器传回的数据进行空间推理。具体地说, 系统利用无人机视频生成的图像和在土壤中植入的传感器观察到的传感器值, 生成对整个农场的预测。
系统的网关嵌入了一个机器学习管道, 它利用一种嵌入高斯过程的概率图形模型[29]。该模型的关键是空间平滑度和视觉平滑度:类似的区域应该观察到相似的传感器读数。该模型依赖于两种相似点:一是视觉平滑度, 看起来相似的区域有相似的传感器值。例如, 一个最近的灌溉区域会看起来更暗, 因此可以推断这片区域有更多的水分。二是空间平滑度, 由于我们测量的是土壤和环境的物理性质, 所以附近区域的传感器读数应该是相似的。利用上述技术生成的地图如图 4所示。
![]() |
图 4 无人机图像分析结果图 Fig. 4 Unmanned aerial vehicle image analysis results |
在本设计中, 系统使用精确地图作为无人机数据汇总单位, 并将其发送至云端。采用该方式有2个优点:首先, 将来自农场的传感器数据整合到无人机视频中; 其次, 数据可以被压缩至2~3个数量级, 比直接传输影像数据量小。因此, 虽然航拍影像适合为农民提供农场的详细概况, 但精确地图更适合长期存储和传输。
2.2 对生成的精确农场地图进行光谱分析对无人机生成的精确地图分析后可知农场的基本信息, 如农场病虫害状况。通常从单叶和叶冠两方面对农作物进行病虫害监测。对冠层而言, 若有病虫害发生, 则生物量、覆盖度和叶面积指数(LAI)会产生变化, 导致产生的可见光到热红外波谱反射光谱将不同于正常作物; 对于单叶而言, 若有病虫害发生, 则叶片结构、水分、色素、氮素含量以及外形都会发生变化, 这些因素会导致植物特征吸收曲线的变化, 特别是在红外区以及红色区域。农作物发生病虫害的情况通常可以从这些信息中获得。
图 5为利用ENVI软件分析无人机高光谱图像所测得的健康与染病小麦的光谱特征, 健康小麦的光谱反射率在红光区产生一个低谷(“红谷”), 是由于叶绿素吸收大量辐射产生的。而在绿光区, 由于叶绿素的吸收减少, 从而出现很强的绿色反射区(“绿峰”)。从图 5可以看出, 随着病情的不断加重, 光谱变化明显。红光范围内的“红谷”和绿光范围内的“绿峰”逐渐消失, 在近红外区, 受感染小麦的光谱反射率显著低于健康小麦。通过对光谱进行分析可以监测病虫害的危害程度, 为病虫害防治提供及时准确的情报。
![]() |
图 5 不同染病程度下的小麦光谱特征 Fig. 5 Spectral characteristics of wheat under different degrees of disease |
对无人机航拍的图片进行分析可知农作物发生病虫害情况。以图 4为例, 图中红色区域表示农作物受病害胁迫。通过农田中部署的传感器分析此时农作物周围综合环境:温度为17 ℃, 相对湿度68%, 风速为2.3 m·s-1, 光照度554 lx。经过对大量数据进行对比分析, 得出以下结论:一般情况下, 若在适宜的温度范围内, 大多数害虫的生长速度随着温度升高而加快, 温度升高导致害虫的生长周期缩短, 反之则延长。温度还会影响害虫的数量、迁徙、生殖、寿命等。潮湿等条件也是导致病虫害发生的关键因素之一。春季降雨量以及冬季降雨量的增加易引发小麦白粉病流行, 雨湿条件在有利时会加快病虫害的流行, 不利时又会起到抑制的效果。风也会对病虫害产生影响, 相关调查已表明长江流域小麦白粉病的流行程度与小麦生育期间的平均风速呈正相关关系[30]。影响病虫害的环境因素还有光照, 光照强度对于昆虫的迁飞时间以及发育都会产生影响, 通常情况下, 若光照强度过大, 可使得害虫的发育受到抑制, 甚至死亡。
针对小麦从播种到成熟的生长发育时期, 对影响小麦病虫害的环境因素进行分析。春季降水和温度共同影响小麦白粉病的发生及流行。温度是影响真菌孢子生长繁殖的主要因素。导致小麦发病的真菌孢子的最适温度为15 ℃左右, 在此温度下, 真菌孢子最为活跃, 繁殖较快。降雨量则影响着白粉病是否能够大面积传播。在适宜温度下, 降雨量越高, 越利于病菌的侵染, 当相对湿度达60%以上时, 就可能导致白粉病大面积爆发[31]。利用平台监测结果, 以温度和降雨量对小麦白粉病发病程度的影响进行分析, 结果如图 6所示。从图 6可见, 在小麦生长关键时期, 随气温降低, 小麦的发病程度加重, 反之, 小麦发病程度减轻。随降雨量增加, 小麦的发病程度也加重。综上所述, 在气温偏低且降水偏高时, 小麦长势偏弱, 容易被病虫害侵入。
![]() |
图 6 春季温度(A)和降雨量(B)对小麦发病程度的影响 Fig. 6 Effect of spring temperature(A)and spring rainfall(B)on the degree of disease 发病程度:0级, 植株健康; 1级, 发病症状但不明显; 2级, 叶子或秸秆出现明显发病症状; 但发病区域所占面积不超过50%;3级, 叶子或秸秆出现明显发病症状, 且发病区域超过50%;4级, 全株受害; 5级, 植株开始出现腐烂现象。 Degree disease:The grade 0, plant is healthy; The grade 1, disease symptoms are not obvious; The grade 2, leaves or straw have obvious symptoms, but the area occupied by the disease area is not more than 50%;The grade 3, leaves or straws have obvious symptoms, and the incidence area is more than 50%;The grade 4, whole plants suffer; The grade 5, plants begin to rot. |
本文采用Lora与TVWS技术相结合的方式, 既保证了农场内部数据传输, 又保证了农场与农户之间的高宽带信息传输, 使现代农业拓宽到远离通信基础设施的区域。在能量供应方面, 设计了基于天气感知的太阳能基站供电系统, 通过采用合理的能量调度措施, 保证系统稳定持续运行。借助无人机航拍功能, 搭载机载高光谱成像系统, 对农场病虫害发生情况进行监测并生产精确地图, 结合物联网收集信息, 通过对比低空遥感监控结果与物联网技术获得的农作物生长环境信息, 得出农作物生长环境与病虫害之间的关系。根据所建立的病虫害发生与农作物生长环境关系模型, 利用物联网技术实时获取农场环境参数, 当环境数据接近病虫害发生阈值时, 及时通知农场工作人员进行预警, 达到对农作物病虫害的有效防治。
本文得出的农作物生长环境与病虫害之间的关系还处于初步探索阶段, 还需要大量的后续工作来完善, 如在分析小麦白粉病与环境之间关系时, 只列举了其中2个重要因素, 春季温度与春季降雨量, 但风速与光照强度等因素, 同样影响着小麦白粉病的发病情况。在未来的工作中, 会考虑更多环境因素, 建立更完善的预测模型。随着科技的进步与农场劳动力的减少, 规模化、自动化的现代农业生产模式将逐步取代传统的经验型农业生产模式, 本研究将有助于现代农业的发展。
[1] |
United Nations. Food production must double by 2050 to meet demand from world's growing population, innovative strategies needed to combat hunger, experts tell second committee[EB/OL] [2009-10-9] https://www.un.org/press/en/2009/gaef3242.doc.html.
|
[2] |
Godfray H C J, Beddington J R, Crute I R, et al. Food security:the challenge of feeding 9 billion people[J]. Science, 2010, 327(5967): 812-818. DOI:10.1126/science.1185383 |
[3] |
Almarshadi M H, Ismail S M. Effects of precision irrigation on productivity and water use efficiency of alfalfa under different irrigation methods in arid climates[J]. Journal of Applied Sciences Research, 2011, 7(3): 299-308. |
[4] |
Mueller N D, Gerber J S, Johnston M, et al. Closing yield gaps through nutrient and water management[J]. Nature, 2012, 490(7419): 254-257. DOI:10.1038/nature11420 |
[5] |
张竞成, 袁琳, 王纪华, 等. 作病虫害遥感监测研究进展[J]. 农业工程学报, 2012, 28(20): 1-11. Zhang J C, Yuan L, Wang J H, et al. Research progress of crop diseases and pests monitoring based on remote sensing[J]. Journal of Agricultural Engineering, 2012, 28(20): 1-11 (in Chinese with English abstract). |
[6] |
张谷丰, 刘向东, 朱叶芹, 等. 基于开源WebGIS的病虫害监测系统[J]. 南京农业大学学报, 2009, 32(2): 165-169. Zhang G F, Liu X D, Zhu Y Q, et al. An open WebGIS-based monitoring system on crop pests and diseases[J]. Journal of Nanjing Agricultural University, 2009, 32(2): 165-169 (in Chinese with English abstract). DOI:10.7685/j.issn.1000-2030.2009.02.033 |
[7] |
刘万才, 刘振东, 黄冲, 等. 近10年农作物主要病虫害发生危害情况的统计和分析[J]. 植物保护, 2016, 42(5): 1-9, 46. Liu W C, Liu Z D, Huang C, et al. Statistics and analysis of crop yield losses caused by main diseases and insect pests in recent 10 years[J]. Plant Protection, 2016, 42(5): 1-9, 46 (in Chinese with English abstract). DOI:10.3969/j.issn.0529-1542.2016.05.001 |
[8] |
袁建清.基于多尺度遥感的寒地水稻稻瘟病信息提取与识别研究[D].哈尔滨: 东北农业大学, 2017. Yuan J Q. Information extraction and identification of rice blast in cold region based on multi-scale remote sensing data[D]. Harbin: Northeast Agricultural University, 2017(in Chinese with English abstract). |
[9] |
李素, 郭兆春, 王聪, 等. 信息技术在农作物病虫害监测预警中的应用综述[J]. 江苏农业科学, 2018, 46(22): 1-6. Li S, Guo Z C, Wang C, et al. Application of information technology in monitoring and early warning of crop diseases and insect pests:a review[J]. Jiangsu Agricultural Sciences, 2018, 46(22): 1-6 (in Chinese with English abstract). |
[10] |
郭亚, 朱南阳, 夏倩, 等. 中国农业物联网及"互联网+农业"进展[J]. 世界农业, 2018(7): 202-209. Guo Y, Zhu N Y, Xia Q, et al. Progress of China's agricultural internet of things and "Internet+agriculture"[J]. World Agriculture, 2018(7): 202-209 (in Chinese with English abstract). |
[11] |
Kim D Y, Kim S, Park J H. Remote software update in trusted connection of long range IoT networking integrated with mobile edge cloud[J]. IEEE Access, 2018, 6: 66831-66840. DOI:10.1109/ACCESS.2017.2774239 |
[12] |
Mike Z. 基于云端的IoT集成解决方案[J]. 国内外机电一体化技术, 2016, 19(6): 42-46. Mike Z. Cloud-based IoT integration solution[J]. International Mechatronics Technology, 2016, 19(6): 42-46 (in Chinese). |
[13] |
McLaughlin K. Gaps in 4G network hinder high-tech agriculture: FCC prepares to release 500 million to improve coverage[EB/OL].[2016-07-31]. https://www.bendbulletin.com/business/4535283-151/gaps-in-4g-network-hinder-high-tech-agriculture?referrer=carousel8.
|
[14] |
Ojha T, Misra S, Raghuwanshi N S. Wireless sensor networks for agriculture:the state-of-the-art in practice and future challenges[J]. Computers and Electronics in Agriculture, 2015, 118: 66-84. DOI:10.1016/j.compag.2015.08.011 |
[15] |
Jawad H M, Nordin R, Gharghan S K, et al. Energy-efficient wireless sensor networks for precision agriculture:a review[J]. Sensors, 2017, 17(8): 1781. DOI:10.3390/s17081781 |
[16] |
Mesas-Carrascosa F J, Clavero Rumbao I, Torres-Sánchez J, et al. Accurate ortho-mosaicked six-band multispectral UAV images as affected by mission planning for precision agriculture proposes[J]. International Journal of Remote Sensing, 2017, 38(8/9/10): 2161-2176. |
[17] |
Susanto D, Seminar K B, Sukoco H, et al. Parallel processing implementation on weather monitoring system for agriculture[J]. Indonesian Journal of Electrical Engineering and Computer Science, 2017, 6(3): 682-687. DOI:10.11591/ijeecs.v6.i3.pp682-687 |
[18] |
Söderström M, Sohlenius G, Rodhe L, et al. Adaptation of regional digital soil mapping for precision agriculture[J]. Precision Agriculture, 2016, 17(5): 588-607. DOI:10.1007/s11119-016-9439-8 |
[19] |
Cassman K G. Ecological intensification of cereal production systems:yield potential, soil quality, and precision agriculture[J]. Proc Natl Acad Sci USA, 1999, 96(11): 5952-5959. DOI:10.1073/pnas.96.11.5952 |
[20] |
蒙继华, 程志强, 董文全, 等. 面向精准农业的农田信息遥感获取系统[J]. 高技术通讯, 2018, 28(6): 477-487. Meng J H, Cheng Z Q, Dong W Q, et al. A remote sensing-based field monitoring system to support precision agriculture[J]. Chinese High Technology Letters, 2018, 28(6): 477-487 (in Chinese with English abstract). DOI:10.3772/j.issn.1002-0470.2018.06.001 |
[21] |
Malche T, Maheshwary P. Internet of things(IoT)based water level monitoring system for smart village[M]//Advances in Intelligent Systems and Computing. Singapore: Springer Singapore, 2017: 305-312.
|
[22] |
袁春. 浅谈农业病虫害防治的现状与对策[J]. 山西农经, 2017(8): 48. Yuan C. Discussion on the status and countermeasures of agricultural disease and pest control[J]. Shanxi Agricultural Economy, 2017(8): 48 (in Chinese). |
[23] |
Alonso R M, Plets D, Deruyck M, et al. TV white space and LTE network optimization toward energy efficiency in suburban and rural scenarios[J]. IEEE Transactions on Broadcasting, 2018, 64(1): 1-8. DOI:10.1109/TBC.2017.2781120 |
[24] |
Sharma N, Gummeson J, Irwin D, et al. Cloudy computing: leveraging weather forecasts in energy harvesting sensor systems[C]//Sensor Mesh and Ad Hoc Communications and Networks(SECON). 7th Annual IEEE Communications Society Conference, June 21-25, 2010, Boston MA, USA.
|
[25] |
张永辉, 张恒菁, 陈褒丹.基于TVWS的海上无线宽带通信系统: CN204362080U[P]. 2015-05-27. Zhang Y H, Zhang H J, Chen B D.The software design of maritime wireless broadband communication system based on TVWS: CN204362080U[P]. 2015-05-27(in Chinese). |
[26] |
腾远智拓500 km/h 20公里COFDM无人机航拍高清图传设备[EB/OL].[2016-09-18]. http://www.4008075595.com/content_4_3_521.html. Tengyuan Zhituo 500 km/h 20 km COFDM drone aerial photography HD transmission device[EB/OL].[2016-09-18]. http://www.4008075595.com/content_4_3_521.html (in Chinese). |
[27] |
Kaul L, Zlot R, Bosse M. Continuous-time three-dimensional mapping for micro aerial vehicles with a passively actuated rotating laser scanner[J]. Journal of Field Robotics, 2016, 33(1): 103-132. DOI:10.1002/rob.21614 |
[28] |
王欣. 基于SIFT的飞行器图像自动拼接处理系统的研究与实现[J]. 计算机时代, 2018(5): 10-13, 17. Wang X. Research and implementation of automatic image mosaic processing system for aircraft based on SIFT[J]. Computer Era, 2018(5): 10-13, 17 (in Chinese with English abstract). |
[29] |
许雪. 高斯过程回归方法及其预测模型[J]. 科技资讯, 2016, 14(11): 97, 99. Xu X. Gaussian process regression method and its prediction model[J]. Science & Technology Information, 2016, 14(11): 97, 99 (in Chinese). |
[30] |
叶彩玲, 霍治国, 丁胜利, 等. 农作物病虫害气象环境成因研究进展[J]. 自然灾害学报, 2005, 14(1): 90-97. Ye C L, Huo Z G, Ding S L, et al. Advance in study on formation of meteorological environment causing crop's diseases and insect pests[J]. Journal of Natural Disasters, 2005, 14(1): 90-97 (in Chinese with English abstract). DOI:10.3969/j.issn.1004-4574.2005.01.014 |
[31] |
叶彩玲.小麦白粉病气象环境成因及长期预测研究[D].北京: 中国农业大学, 2004. Ye C L. Study on effect of meteorological environment on wheat powdery mildew and long-term forecast[D]. Beijing: China Agricultural University, 2004(in Chinese with English abstract). |