无人农场是智慧农业的一种表现形式，也是建设农业强国和实现农业现代化的重要探索。无人农场以数据、知识和智能装备为核心要素，将现代信息技术与农业深度融合，实现农业全过程生产所需的信息感知、定量决策、智能控制、精准投入及个性化服务一体化。本文系统地阐述了大田无人农场的概念与总体技术架构，讨论了信息感知与智能决策、精准作业系统与装备、自动驾驶、无人化农机装备以及无人农场管控平台等五项大田无人农场的关键技术与装备，深入分析了发展中国大田无人农场亟待解决的关键科学与技术问题。以吉林省公主岭市玉米无人农场为例介绍了物联网、大数据、云计算以及人工智能等技术在玉米全程无人化生产中的具体应用及效果。最后，展望了无人农场在解决全球农业生产面临的“无人种田”等共性问题中发挥的重要作用，分析了中国发展无人农场存在的机遇和挑战，提出了中国发展无人农场的战略目标与思路。
大田作物智慧种植业是智慧农业的重要内容。本文通过分析智慧农业发展历程，明确了大田作物智慧种植业发展战略总体目标和重点任务，凝练出关键技术，有针对性地提出适宜中国区域特征的发展模式。大田作物智慧种植的关键技术面临的主要挑战有：缺乏原位精准测量技术与农业专用传感器，作物模拟模型与实际生产有较大差别，信息传输技术的实时性、可靠性、通用性和稳定性有待改进，智能农业装备还需要进一步解决好农机/农艺相结合问题。在以上分析基础上，提出了大田作物智慧种植关键技术的5个一级技术以及相应的18个二级技术。5个一级技术包括环境与生物信息感知技术、信息移动互联与农业物联网技术、云计算与云服务技术、大数据分析与决策技术、智能农机装备与农业机器人技术。根据中国种植业区域特色提出了相应的6种智慧农业发展区，即东北与内蒙古规模化智慧生产发展区，京津冀鲁智慧都市农业与节水农业发展区，西北旱区棉花规模化智慧种植和旱作智慧农业绿色发展综合试验区，东南沿海循环型水稻智慧种植业综合发展试验区，长江中下游平原智慧粮油优化发展区，以及西南山区智慧特色农业发展区。最后从基础设施建设、技术、人才和政策角度给出了发展建议。
饲草作物生长的动态监测与定量估算对于饲草规模化生产具有重要意义。无人机遥感分辨率高、灵活性强、成本低，近年来在饲草作物生长监测领域发展迅速，应用场景不断拓展。为了掌握无人机在饲草监测的国内外应用现状，确定重点发展方向，本文首先从数据获取、数据处理和饲草作物生长监测关键技术三个方面简述了无人机遥感在饲草作物监测中的基本研究方法。其次按照传感器类型从可见光、多光谱、高光谱、热红外和激光雷达遥感五个方面阐述了无人机遥感饲草作物生长监测的应用现状。最后针对研究应用中尚未解决的关键技术问题展望了未来的发展方向，提出融合饲草作物时空尺度数据和多源遥感数据、进一步拓展数据获取手段、研发智能化数据分析综合平台是未来饲草作物监测领域应用创新的关键所在。
为快速准确获取玉米收获过程中遗失籽粒数信息，进行收割损失调节等管理，对比评估了单阶段和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先，利用RGB相机获取包含不同背景和不同光照的图像数据，并进一步生成数据集；其次，构建籽粒识别的不同目标检测网络，包括Mask R-CNN、EfficientDet-D5、YOLOv5-L、YOLOX-L，并利用所采集的420幅有效图像对构建的四种网络进行训练、验证、测试，图像数分别为200、40和180幅；最后，依据测试集图像的识别结果进行籽粒计数性能评价。试验结果表明，YOLOv5-L网络对测试集图像检测的平均精度为78.3%，模型尺寸仅为89.3 MB；籽粒计数的检测正确率、漏检率和F1值分别为90.7%、9.3%和91.1%，处理速度为55.55 f/s，识别与计数性能均优于Mask R-CNN、EfficientDet-D5和YOLOX-L网络，并对具有不同地表遮挡程度和籽粒聚集状态的图像具有较强的鲁棒性。深度学习目标检测网络YOLOv5-L可实现实际作业中玉米收获损失籽粒的实时监测，精度高、适用性强。
土壤盐渍化是限制黄河三角洲地区农业经济发展的重要因素，进一步阻碍了农业生产。为了探索无人机影像在地表无植被覆盖条件下的土壤盐分含量反演状况，以黄河三角洲典型区域为研究区，获取地物高光谱和无人机多光谱两种数据源与样点土壤盐分含量，通过优选敏感光谱参量，使用偏最小二乘回归（Partial Least Squares Regression，PLSR）和随机森林（Random Forest，RF）两种机器学习算法建立土壤盐分含量反演模型，实现研究区的土壤盐分含量反演。结果表明：（1）高光谱1972 nm波段与土壤盐分含量间的敏感性最高，相关系数为-0.31。（2）两种不同数据源优化后的RF模型均优于PLSR，且稳定性更好。（3）基于地物高光谱的RF模型（R2 =0.54，RMSEv＝3.30 g/kg）优于基于无人机多光谱的RF模型（R2 =0.54，验证RMSRv＝3.35 g/kg）。（4）结合无人机影像采用多光谱RF模型对研究区耕地的土壤盐分含量进行反演，研究区总体以轻、中度盐渍化土壤为主，对作物的耕种具有一定程度的限制。本研究构建并对比了两种不同源数据的黄河三角洲土壤盐分反演模型，并结合各自数据源的优势进行优化，探索了地表无植被覆盖情况下的土壤盐分含量反演方法，对更精准反演土地盐渍化程度提供了参考。
苎麻是重要的纤维作物之一，由于土地资源紧缺及优良品种的推广应用等原因，苎麻遗传变异和遗传多样性减少，对苎麻种质资源多样性调查和保护的需求日趋加大。基于无人机遥感的作物表型测量方法可以对不同基因型作物的生长特性进行频繁、快速、无损、精准的监测，实现作物种质资源调查，筛选特异优质品种。为了实现苎麻种质资源表型的高效综合评价，辅助筛选优势苎麻品种，本研究提出了一种基于无人机遥感影像的苎麻种质资源表型监测及筛选方法。首先，基于无人机遥感影像，利用Pix4dmapper软件生成试验区的数字地表模型（Digital Surface Model，DSM）和正射影像；然后，对苎麻种质资源关键表型参数（株高、株数、叶面积指数、叶片叶绿素含量、含水量）进行估测。基于DSM采用“差分法”提取苎麻株高，基于正射图像采用目标检测算法提取苎麻株数，采用机器学习方法估测苎麻叶面积指数（Leaf Area Index，LAI）、叶片叶绿素含量（SPAD值）、含水量；最后，根据提取的各项遥感表型参数，采用变异性分析和主成分分析方法对苎麻种质资源进行遗传多样性分析。结果表明，（1）基于无人机遥感的苎麻表型估测效果较好，株高的拟合精度为0.93，均方根误差为5.65 cm；SPAD值、含水量、LAI的拟合指标分别达到0.66、0.79、0.74，RMSE分别为2.03、2.21、0.63；（2）苎麻种质资源的遥感表型存在较大差异，LAI、株高和株数的估测值变异系数分别达到20.82%、24.61%和35.48%；（3）利用主成分分析法将苎麻种质资源的遥感表型聚类为因子1（株高、LAI）和因子2（LAI、SPAD值），因子1可用于苎麻种质资源结构特征评价，因子2可以作为高光效苎麻资源的筛选指标。本研究将为作物种质资源表型监测和育种相关分析提供参考。
