欢迎您访问《智慧农业(中英文)》官方网站! English
2024年 第6卷 第6期    刊出日期:2024-11-30
上一期   
专题--农业知识智能服务和智慧无人农场(上)
水稻智慧无人农场关键技术研究现状与展望 |
于丰华, 许童羽, 郭忠辉, 白驹驰, 相爽, 国斯恩, 金忠煜, 李世隆, 王世宽, 刘美含, 惠尹宣
2024, 6(6):  1-22.  doi:10.12133/j.smartag.SA202410018
摘要 ( 193 )   HTML ( 32)   PDF (3047KB) ( 73 )  
数据和表 | 参考文献 | 相关文章 | 计量指标

[目的/意义] 水稻智慧无人农场是智慧农业的重要应用领域,代表了水稻生产现代化的关键路径,旨在推动农业的高质量发展。水稻智慧无人农场依托物联网、人工智能等先进信息技术,通过数据驱动和智能装备的集成,构建了涵盖水稻种植、管理、收获的全程无人化生产体系,提高水稻生产的效率和质量,降低生产成本。 [进展] 本文系统梳理了水稻智慧无人农场在产前、产中和产后三个主要环节的关键技术,包括高标准农田建设、无人育苗、土地平整、土壤养分检测、水稻旱直播、自动化插秧、精准变量施肥、田间病害诊断、智慧灌溉、水稻估产、无人收割及稻谷储藏、加工品质检测等。 [结论/展望] 通过对近年来国内外水稻智慧无人农场建设的案例进行综述,进而总结了无人农场关键技术在实际应用中面临的主要难点,分析了智慧无人农场在建设中所遇到的挑战,对政府、企业、科研机构、合作社等主体在推动水稻智慧无人农场建设中的角色和责任进行了总结,并提出了相关建议,为中国水稻智慧无人农场建设提供一定的支撑和发展思路。

农业复杂场景下多机器人协同SLAM研究进展与展望 |
马楠, 曹姗姗, 白涛, 孔繁涛, 孙伟
2024, 6(6):  23-43.  doi:10.12133/j.smartag.SA202406005
摘要 ( 130 )   HTML ( 23)   PDF (2300KB) ( 159 )  
数据和表 | 参考文献 | 相关文章 | 计量指标

[目的/意义] 在大田作业、野外放牧、果园采收等典型农业应用场景下,多机器人(包括移动式智能农机装备等)高精度快速协同同步定位与建图(Simultaneous Localization and Mapping, SLAM)是智慧农业乃至无人农场的关键基础和核心支撑。与单机器人SLAM相比,多机器人协同SLAM具有精度高、范围广、实时性强、扩展性好等优势,但在农业种植和养殖等自然复杂环境下,由于场景动态可变、地形复杂多变、环境丰富多样、通信约束受限等多重因素叠加影响,尚存在诸多问题与挑战。 [进展] 现有研究主要是从通用基础技术的视角对多机器人SLAM的研究脉络、优缺点、适用条件和关键核心问题等方面进行总结归纳,但缺乏针对农业复杂场景特性的剖析。本研究面向农业复杂场景的主要特征,以“多传感器数据融合—协同定位—协同建图—回环检测”为关键技术主线,分析了多机器人协同SLAM的优缺点及其在农业领域的适用性;从多机器人协同作业的视角,明晰了集中式、分布式和混合式三种主要协同框架的优势、局限性及适用的典型农业应用场景;进而探讨了农业复杂场景下多机器人SLAM存在的多传感器融合精度偏低、协同通信环境受限、相对位姿估计准确性不高等突出问题。 [结论/展望] 从优化数据融合底层算法、融合深度学习和强化学习、引入大语言模型、应用数字孪生技术等方面,对农业复杂环境下多机器人SLAM的未来发展方向和趋势进行了展望。

特色农产品设施环境下品质智能管控技术研究现状与展望 |
郭威, 吴华瑞, 郭旺, 顾静秋, 朱华吉
2024, 6(6):  44-62.  doi:10.12133/j.smartag.SA202411017
摘要 ( 141 )   HTML ( 25)   PDF (3153KB) ( 81 )  
数据和表 | 参考文献 | 相关文章 | 计量指标

[目的/意义] 针对中国中西部特色农产品在设施环境生产过程对品质影响要素监测手段缺乏、智能化管控能力薄弱、品质控制要素耦合关系不明、系统化应用程度低的问题,对现有的设施智能监测、智能管控、平台构建技术进行探索,通过物联网、云平台,以及新一代人工智能技术的应用,为特色农产品全生育期的智能化品质管控体系构建和应用提供依据。 [进展] 以特色羊肚菌和番茄的外观、口感、产量三类品质为管控目标,在品质调控数据采集方面介绍了视频监控、环境监测、生理表型数据采集设备,以及轨道式、轮式巡检机器人,提供稳定可靠的图像、视频、监测数据采集手段;在生长过程调控方面,分别从环境监测调控和肥水灌溉投入品调控阐释了当前的做法,提出了能够针对品质进行多要素耦合全生育期的管控方法;介绍了品质智能管控系统,以及多个生产环节的应用,采用云边端一体化架构为获取的多模态数据以及多要素耦合模型面向多种生产场景提供精准适配的应用和服务。 [结论/展望] 对比特色羊肚菌和番茄的智能化管控现状,番茄整体技术体系更为成熟,羊肚菌产业可以结合自身的生产过程根据技术的需要进行技术迁移,对严苛光照、稳定的高湿低温等个性化要求进行模型定制,面向中西部大部分特色农产品品控宜采用通用型的多要素耦合模型根据场景特性进行参数、模型局部迁移和微调的方式适配。未来的发展趋势呈现设备设施轻简化、智能技术场景化、服务模式多样化、品质管控在线化、数智生产规模化、数据要素价值化,有效利用智能装备和数据要素的优势是将来激发新质生产力的必然趋势。

基于大语言模型推理的数字孪生平台蔬菜作物生长模型研究 |
赵春江, 李静晨, 吴华瑞, 杨雨森
2024, 6(6):  63-71.  doi:10.12133/j.smartag.SA202410008
摘要 ( 173 )   HTML ( 47)   PDF (1460KB) ( 93 )  
数据和表 | 参考文献 | 相关文章 | 计量指标

[目的/意义] 利用数字孪生技术实现对无人农场的实时监管和虚实映射控制是新一代农业信息化技术的核心需求之一,但由于蔬菜生长模型过于复杂,难以在数字孪生平台中建立作物预期模拟,因此结合人工智能技术实现作物生长自动建模成了领域迫切需要的关键技术。 [方法] 在蔬菜作物数字孪生平台中引入大语言模型技术,通过预训练大语言模型的推理能力实现蔬菜生长数字孪生平台中准确的蔬菜作物生长模拟。为了使大语言模型具有关于蔬菜作物生长的更多知识和推理能力,首先收集了大量连续的蔬菜生长数据,用于预训练和指令微调;随后设计了阶段式大语言模型智能体集合,由一个预测蔬菜生长阶段的管理型智能体和负责各个阶段的智能体组成,根据数字孪生平台提供的实时数据对蔬菜作物生长进行建模。 [结果和讨论] 根据气候、土壤、灌溉、施肥、病虫害、生长日期等蔬菜生长状态信息,所建模型能够预测次日的作物长势,且能根据数字孪生平台的作物管理模拟实现几天甚至几个月的长势预测。通过十折交叉验证证明,该方法使得大语言模型在进行蔬菜作物生长建模时的准确率达到98%,蔬菜生长阶段识别准确率高达99.7%。 [结论] 研究表明大语言模型能够在特定数据微调后,实现对于数字孪生平台中作物生长的一般性推理,且能平滑过渡到作物生长的不同阶段。

基于改进YOLOv8的苗期玉米行检测方法 |
李洪波, 田鑫, 阮志文, 刘少文, 任玮琪, 苏中滨, 高睿, 孔庆明
2024, 6(6):  72-84.  doi:10.12133/j.smartag.SA202408008
摘要 ( 125 )   HTML ( 11)   PDF (3458KB) ( 49 )  
数据和表 | 参考文献 | 相关文章 | 计量指标

[目的/意义] 智能农机是田间机器人发展的新趋势。作物行提取是智能农机自主作业的重要环节,对于提高田间作业效率、减少作物损害、优化资源利用具有重要意义。然而,在复杂的田间环境中,如强烈的光照和杂草干扰,传统的作物行检测方法往往难以达到高精度和高效率。为了应对这些挑战,本研究旨在提高无人农机在复杂光照和杂草干扰下的苗期玉米行检测精度与效率,从而减少作物损害。 [方法] 提出一种基于YOLOv8-G的作物行检测方法,结合了YOLOv8-G目标检测算法、亲和传播聚类算法,以及最小二乘法。YOLOv8-G是在YOLOv8和GhostNetV2基础上改进的轻量级目标检测算法,通过提取玉米苗的中心点位置,利用亲和传播算法进行聚类分析,并通过最小二乘法拟合作物行。[结果与讨论] YOLOV8-G算法在玉米苗期的7天、14天和21天时的平均准确率(Average Precision, AP)分别为98.22%、98.15%和97.32%。该算法在玉米苗期的作物行提取准确率达到96.52%。相比传统检测方法,YOLOv8-G在处理复杂背景和强光照条件下表现更为优异,且计算效率有一定提升。 [结论] 提出的基于YOLOv8-G的作物行检测方法能够在复杂光照条件和杂草干扰下快速准确地识别田间作物并模拟协同目标行,不仅为无人农机的自动导航提供有力支持,还能高效适配嵌入式设备,在提升农业自动化、减少人工操作和降低作物损害的同时,为智能农机的实时作业提供技术保障,具有重要的应用价值。

融合远端深度学习识别模型的白菜株心精准对靶喷雾系统 |
张辉, 胡军, 石航, 刘昶希, 吴淼
2024, 6(6):  85-95.  doi:10.12133/j.smartag.SA202406013
摘要 ( 96 )   HTML ( 12)   PDF (1923KB) ( 524 )  
数据和表 | 参考文献 | 相关文章 | 计量指标

[目的/意义] 针对白菜株心及其内叶叶缘对靶喷施钙素等药剂时,喷雾前进速度的提升导致单位时间内覆盖的有效喷施面积和农药喷雾量的变化这一问题,设计了一套基于深度学习的对靶喷雾控制系统。 [方法] 首先,阐述了对靶喷雾控制系统的结构及工作原理。其次,对通用YOLOv8模型进行了改进,提出了一种融合远端识别、喷雾机前进速度和喷雾响应频率的YOLOv8-Ghost-Backbone轻量化模型。通过Jetson Xavier NX控制器,搭载轻量化YOLOv8-Ghost-Backbone模型,设计了稳压执行单元和对靶控制单元,并通过间歇喷雾试验对系统性能进行测试。试验期间,逐步提高喷雾平台前进速度,根据电磁阀响应频率得到对应喷嘴的喷雾量。 [结果/结论] 记录了对靶喷雾系统3个主要部分的响应时间:图像处理平均耗时为29.50 ms,决策信号传递耗时为6.40 ms,喷雾过程耗时为88.83 ms,综合分析表明,对靶喷雾的总响应时间相较于电信号滞后约124.73 ms。通过补偿电磁阀响应滞后时间与获取试验,得出电磁喷雾响应补偿后的实际喷雾与需求的差异值,确定速度为7.2 km/h的条件下,对应的实际与需求差值为0.01 L/min,其差值最小,符合对靶喷雾的作业要求。 [结论] 本研究可为对靶施药机器人在喷雾系统中的应用和参数选择提供参考。

基于改进CycleGAN的水稻叶片病害图像增强方法 |
严从宽, 朱德泉, 孟凡凯, 杨玉青, 唐七星, 张爱芳, 廖娟
2024, 6(6):  96-108.  doi:10.12133/j.smartag.SA202407019
摘要 ( 79 )   HTML ( 7)   PDF (1744KB) ( 37 )  
数据和表 | 参考文献 | 相关文章 | 计量指标

目的/意义 针对水稻病害图像识别任务存在数据集获取困难、样本不足及不同类别病害样本不均衡等问题,提出了一种基于改进CycleGAN(Cycle-Consistent Adversarial Networks)的水稻叶片病害图像数据增强方法。 方法 以CycleGAN为基本框架,将CBAM(Convolution Block Attention Module)注意力机制嵌入到生成器的残差模块中,增强CycleGAN对病害特征的提取能力,使网络更准确地捕捉小目标病害或域间差异不明显的特征;在损失函数中引入感知图像相似度损失,以指导模型在训练过程中生成高质量的样本图像,并提高模型训练的稳定性。基于生成的水稻病害样本,在不同目标检测模型上进行迁移训练,通过比较迁移学习前后模型性能的变化,验证生成的病害图像数据的有效性。 结果和讨论 改进的CycleGAN网络生成的水稻叶片病害图像质量优于原始CycleGAN,病斑区域的视觉特征更加明显,结构相似性(Structural Similarity, SSIM)指标提升约3.15%,峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)指标提升约8.19%。同时,使用YOLOv5s、YOLOv7-tiny和YOLOv8s这3种模型在生成的数据集上进行迁移学习后,模型的检测性能均有提升,如YOLOv5s模型的病害检测精度从79.7%提升至93.8%。 结论 本研究提出的方法有效解决了水稻病害图像数据集匮乏的问题,为水稻病害识别模型的训练提供了可靠的数据支撑。

基于改进ENet的复杂背景下山药叶片图像分割方法 |
芦碧波, 梁迪, 杨洁, 宋爱青, 皇甫尚卫
2024, 6(6):  109-120.  doi:10.12133/j.smartag.SA202407007
摘要 ( 62 )   HTML ( 7)   PDF (2024KB) ( 31 )  
数据和表 | 参考文献 | 相关文章 | 计量指标

[目的/意义] 作物叶面积是反映光合作用效率和生长状况的重要指标,建立一个品种丰富的山药图像数据集并提出一种基于深度学习的山药叶片图像分割方法,可以用于实时测定山药叶片面积,解决传统测量效率低的问题。 [方法] 基于改进ENet的轻量化分割网络,在ENet的基础上,裁剪掉第3阶段,减少模型中的冗余计算;将瓶颈结构里面的常规卷积用PConv替换,构成P-Bottleneck,减少模型参数量,加快推理速度;改进上采样模块中的转置卷积为双线性插值,提升模型分割精度,减少参数量;最后在模型编码阶段加入CA注意力机制模块,强化对叶片边缘语义特征的提取能力。训练时使用Adam优化器,根据历史梯度信息自适应地调节学习率,加速收敛过程,提高模型的泛化能力。 [结果和讨论] 改进的模型在包含40个品种的山药室内图像数据集和室外数据集上进行实验,平均交并比和均像素精度分别达到98.61%和99.32%,模型参数量下降51%,浮点运算量下降49%,并且网络运算速度提高38%。与原始模型相比,在保证分割精度的同时显著降低网络的参数量和浮点运算量,提升运行速度,减少资源占用,使其更加适合应用到农业监测设备。 [结论] 改进算法能够精准快速地分割山药叶片,为复杂背景下山药叶片面积的研究提供了参考依据。

基于3C-YOLOv8n和深度相机的葡萄识别与定位方法 |
刘畅, 孙雨, 杨晶, 王凤超, 陈进
2024, 6(6):  121-131.  doi:10.12133/j.smartag.SA202407008
摘要 ( 81 )   HTML ( 6)   PDF (2020KB) ( 49 )  
数据和表 | 参考文献 | 相关文章 | 计量指标

[目的/意义] 为了提高葡萄采摘效率、做到葡萄采摘自动化,提出了3C-YOLOv8n目标检测模型,与RealSense D415深度相机结合,对葡萄进行识别和定位。 [方法] 首先对YOLOv8n主干网络进行改进,将卷积块注意力模块(Convolutional Block Attention Module, CBAM)与原本的网络结构融合,使模块全面捕获特征中的关键信息。再嵌入坐标注意力(Coordinate Attention, CA),既可以对一个通道的特征进行全面捕获,又可以对不同方向的特征进行敏锐感知。然后,在YOLOv8n颈部将最近邻插值上采样算法替换为内容感知特征重组算法(Content-aware ReAssembly of Features, CARAFE),弥补YOLOv8n的原始上采样模块没有利用特征图语义信息的缺点,增大了感受野。最后转换相机坐标系,将目标葡萄的二维平面坐标和距离深度相机的垂直距离结合,得到目标葡萄的世界坐标,实现葡萄的识别和定位。 [结果和讨论] 经过对比试验和消融试验,3C-YOLOv8n模型在并交比为0.5(IOU=0.5)的平均精度均值(Mean Average Precision, mAP)达到94.3%,高于YOLOv8n模型1%,准确率(Precision, P)和召回率(Recall, R)分别为91.6%和86.4%,3种改进策略的结合使损失初始值降低,曲线收敛更快。与其他主流YOLO系列算法对比,3C-YOLOv8n各个评价指标都有所提升,且漏检率、错检率为所有算法中最低,在实际检测中具有很大的优势。 [结论] 基于3C-YOLOv8n网络模型和RealSense D415深度相机,对葡萄进行精准识别和定位,为采摘自动化提供了技术手段。

基于通道剪枝的轻量化YOLOv8s草莓穴盘苗分级检测与定位方法 |
陈俊霖, 赵鹏, 曹先林, 宁纪锋, 杨蜀秦
2024, 6(6):  132-143.  doi:10.12133/j.smartag.SA202408001
摘要 ( 91 )   HTML ( 10)   PDF (3614KB) ( 52 )  
数据和表 | 参考文献 | 相关文章 | 计量指标

[目的/意义] 准确识别和定位各级草莓穴盘苗对自动化穴盘苗分选技术具有重要意义,可以降低育苗过程中的人工成本。本研究提出了一种基于轻量化YOLOv8s的草莓穴盘苗分级识别和定位方法,以有效克服穴盘苗越界生长带来的识别和定位干扰。 [方法] 首先,基于层自适应幅度剪枝评分(Layer-Adaptive Magnitude-based Pruning Score, LAMP Score)通道剪枝算法压缩基础YOLOv8s草莓穴盘苗-穴孔识别模型的参数量和模型大小,提高了模型推理速度,高效检测穴盘苗和穴孔。其次,结合剪枝后的模型设计了一种两阶段草莓穴盘苗-穴孔匹配定位算法,根据穴盘苗和穴孔边界框的重叠度将苗株与穴孔进行配对,并通过第一阶段匹配中的草莓穴盘苗-穴孔匹配结果减少相邻越界生长的穴盘苗带来的影响,从而准确获得各级穴盘苗在穴盘中的具体位置信息。 [结果和讨论] 剪枝后的模型在保持较高检测精度的同时,将模型尺寸、浮点运算次数(Floating Point Operations Per Second, FLOPs)和参数量分别降低了94.4%、86.3%和95.4%。与原始模型相比,剪枝后的模型F1分数提高了0.1%,而平均精度(Mean Average Precision, mAP)提高了1%,两阶段草莓穴盘苗-穴孔匹配定位算法对各级穴盘苗的平均定位精度达到了88%。 [结论] 提出的草莓穴盘苗分级识别和定位方法能够满足实际育苗过程的要求,为自动化穴盘苗分选提供了技术支持。

基于Deep-Semi-NMF的苹果斑点落叶病检测方法 |
傅卓军, 胡政, 邓阳君, 龙陈锋, 朱幸辉
2024, 6(6):  144-154.  doi:10.12133/j.smartag.SA202409001
摘要 ( 58 )   HTML ( 9)   PDF (1901KB) ( 20 )  
数据和表 | 参考文献 | 相关文章 | 计量指标

[目的/意义] 苹果斑点落叶病易导致苹果树叶过早脱落,从而影响苹果品质和产量。因此,如何准确检测此病一直是苹果树病害精准防治的热点问题。由于逆光等因素影响,传统基于图像分割的病斑检测方法难以在复杂背景下准确检测病斑区域边界,亟需发展苹果斑点落叶病检测新方法,助力苹果树病害精准防治。 [方法] 针对上述问题,本研究从图像异常检测的角度出发,考虑复杂背景干扰,采用深度半非负矩阵分解理论,结合鲁棒性好的马氏距离度量,提出一种新的深度半非负矩阵分解的马氏距离异常检测方法(Deep Semi-Non-Negative Matrix Factorization-Based Mahalanobis Distance-Anomaly Detector, DSNMFMAD)。该方法首先利用深度非负矩阵分解(Deep Semi-Non-Negative Matrix Factorization, DSNMF)提取图像中低秩的背景部分和稀疏的异常部分。然后采用基于奇异值分解特征子空间的马氏距离构建病斑检测器,检测器通过计算异常部分每个像元的异常度来标记病斑。最后,分别构建了实验室和自然条件下的两个苹果斑点落叶病数据集,用以验证提出方法的有效性。 [结果和讨论] DSNMFMAD在实验室条件和自然条件下对苹果斑点落叶病的识别准确率分别达到了99.8%和87.8%;平均检测速度为0.087和0.091 s/幅。相较于4种经典的异常检测方法和1种深度学习模型,本研究所提出方法的检测准确率在实验室条件下分别提高了0.2%、37.9%、10.3%、0.4%和24.5%;在自然条件下分别提高了2.5%、32.7%、5%、14.8%和3.5%。 [结论] 本研究提出的 DSNMFMAD能够通过DSNMF有效地将图像中的异常部分提取出来,并利用构建的病斑检测器准确地将苹果斑点落叶病位置检测出来。即使在复杂背景条件下,该方法亦获得了比对比方法更高的检测准确度,展现出了优异的病斑检测性能,为苹果斑点落叶病的检测与防治提供了技术参考依据。

改进YOLOv11的水面膨化饲料颗粒图像实时检测算法 |
周秀珊, 文露婷, 介百飞, 郑海锋, 吴其琦, 李克讷, 梁军能, 黎一键, 文家燕, 江林源
2024, 6(6):  155-167.  doi:10.12133/j.smartag.SA202408014
摘要 ( 104 )   HTML ( 12)   PDF (1858KB) ( 29 )  
数据和表 | 参考文献 | 相关文章 | 计量指标

[目的/意义] 针对水面膨化饲料的图像在水产养殖水体中存在水体浑浊导致饲料与背景对比不明显、光照不均匀、鱼群抢食引起的水花导致饲料重叠粘连以及增氧设备产生的气泡遮挡饲料成像等问题,提出一种高效的水面膨化饲料图像检测YOLOv11-AP2S模型,为水产集约化养殖模式下的智能投喂决策提供准确依据。 [方法] 在YOLOv11的骨干网络的第10层C2PSA后增加细粒度分类的注意力机制(Attention for Fine-Grained Categorization, AFGC),将C3k2模块替换为VoV-GSCSP模块,以及在YOLOv11的基础上增加P2层。为了保持模型的实时性,在P2层使用轻量级的VoV-GSCSP模块进行特征融合。在不降低检测速度和不损失模型轻量化程度的情况下提高检测精度,提出YOLOv11-AP2S水面膨化饲料实时检测模型。 [结果与讨论]实验结果显示,YOLOv11-AP2S模型在识别精确度、召回率上均达到了78.70%,IoU阈值为0.5时的平均精度值(mAP50)高达80.00%, F1分数也达到了79.00%。与原YOLOv11网络相比,这些指标分别提高了提高6.7个百分点、9.0个百分点、9.4个百分点和8.0个百分点。与其他YOLO模型相比,YOLOv11-AP2S模型在自制数据集上的检测结果也具有明显优势,且在同等迭代次数下具有更高的平均精度均值和更低的损失。 [结论] YOLOv11-AP2S模型能够通过摄像头对水面膨化饲料颗粒的剩余情况进行实时检测,进而实现对鱼群摄食行为的准确观测与分析,为智慧渔业精准投喂的研究和应用提供有力支持。

长江经济带智慧农场发展的时空特征及驱动因子研究 |
高群, 王宏杨, 陈诗瑶
2024, 6(6):  168-179.  doi:10.12133/j.smartag.SA202404005
摘要 ( 120 )   HTML ( 18)   PDF (1099KB) ( 81 )  
数据和表 | 参考文献 | 相关文章 | 计量指标

[目的/意义] 为提炼区域智慧农业高质量发展的典范案例,并为国家智慧农业事业持续进步贡献策略,深入探究长江经济带智慧农场时空特征及关键驱动因子。 [方法] 基于2014—2023年11省(市)数据,用核密度分析、空间自相关及标准差椭圆方法全面剖析长江经济带智慧农场时空分异特征,并用地理探测器从7个维度考察关键因子及其交互作用。 [结果和讨论] 长江经济带智慧农场数量10年间稳步增长,2016年为重要转折点;空间布局呈分散集聚特征,以H-L型和L-H型集聚为主,分布省份略显繁杂;技术创新是时空分布格局形成的首要关键因素,因子解释度为0.311 1,与其他指标交互之后仍保持核心驱动地位。 [结论] 长江经济带智慧农场发展势头向好,子区域智慧农场的发展增速与水平呈“下游>中游>上游”的差异化特征;整体空间分布均衡,子区域分布均衡程度为“中游(湖北、湖南、江西3省均衡)>下游(安徽主导)>上游(四川,独占鳌头)”,智慧农场选址覆盖面持续扩张并形成“东北—西南”的横向扩散格局;时空分异格局形成是多因子综合作用的结果,因子解释力为:技术创新>城镇化>农业机械化>人力资本>互联网基础>产业依赖>专项财政支持,且因子交互作用时影响力会进一步得到强化。

封面信息

主管:中华人民共和国农业农村部
主办:中国农业科学院农业信息研究所
主编:赵春江院士
国际刊号 ISSN 2097-485X(网络)
     ISSN 2096-8094(印刷)
国内刊号 CN 10-1681/S
CODEN  ZNZHD7

年期检索
关键词检索
总目录
欢迎关注《智慧农业(中英文)》官方微信公众号
访问统计
友情链接