Welcome to Smart Agriculture 中文
Topic--Intelligent Agricultural Knowledge Services and Smart Unmanned Farms (Part 2)

Key Technologies and Construction model for Unmanned Smart Farms: Taking the "1.5-Ton Grain per Mu" Unmanned Farm as An Example

  • LIU lining 2, 3, 4 ,
  • ZHANG Hongqi 1, 3, 4 ,
  • ZHANG Ziwen 1, 3, 4 ,
  • ZHANG Zhenghui 2, 3, 4 ,
  • WANG Jiayu 1, 3, 4 ,
  • LI Xuanxuan 1, 3, 4 ,
  • ZHU Ke 1, 3, 4 ,
  • LIU Pingzeng , 1, 3, 4
Expand
  • 1. College of Information Science and Engineering, Shandong Agricultural University, Tai'an 271018, China
  • 2. College of Mechanical and Electronic Engineering, Shandong Agricultural University, Tai'an 271018, China
  • 3. Agricultural Big Data Research Center, Shandong Agricultural University, Tai'an 271018, China
  • 4. Key Laboratory of Huang-Huai-Hai Agriculture Technology, Ministry of Agriculture and Rural Affairs, P. R. China, Tai'an 271018, China
LIU Pingzeng, E-mail:

LIU lining, E-mail:

Received date: 2024-10-20

  Online published: 2025-03-21

Supported by

Special Funds for the Central Government to Guide Local Scientific and Technological Development(YDZX2022073)

Shandong Provincial Key Research and Development Technology Project(2022CXGC010609)

Shandong Provincial Key Research and Development Plan(2022TZXD0030)

Copyright

copyright©2025 by the authors

Abstract

[Objective] As a key model of smart agriculture, the unmanned smart farm aims to develop a highly intelligent and automated system for high grain yields. This research uses the "1.5-Ton grain per Mu" farm in Dezhou city, Shandong province, as the experimental site, targeting core challenges in large-scale smart agriculture and exploring construction and service models for such farms. [Methods] The "1.5-Ton grain per Mu" unmanned smart farm comprehensively utilized information technologies such as the internet of things (IoT) and big data to achieve full-chain integration and services for information perception, transmission, mining, and application. The overall construction architecture consisted of the perception layer, transmission layer, processing layer, and application layer. This architecture enabled precise perception, secure transmission, analysis and processing, and application services for farm data. A perception system for the unmanned smart farm of wheat was developed, which included a digital perception network and crop phenotypic analysis. The former achieved precise perception, efficient transmission, and precise measurement and control of data information within the farm through perception nodes, self-organizing networks, and edge computing core processing nodes. Phenotypic analysis utilized methods such as deep learning to extract phenotypic characteristics at different growth stages, such as the phenological classification of wheat and wheat ear length. An intelligent controlled system had been developed. The system consisted of an intelligent agricultural machinery system, a field irrigation system, and an aerial pesticided application system. The intelligent agricultural machinery system was composed of three parts: the basic layer, decision-making layer, and application service layer. They were responsible for obtaining real-time status information of agricultural machinery, formulating management decisions for agricultural machinery, and executing operational commands, respectively. Additionally, appropriate agricultural machinery models and configuration references were provided. A refined irrigation scheme was designed based on the water requirements and soil conditions at different developmental stages of wheat. And, an irrigation control algorithm based on fuzzy PID was proposed. Finally, relying on technologies such as multi-source data fusion, distributed computing, and geographic information system (GIS), an intelligent management and control platform for the entire agricultural production process was established. [Results and Discussions] The digital perception network enabled precise sensing and networked transmission of environmental information within the farm. The data communication quality of the sensor network remained above 85%, effectively ensuring data transmission quality. The average relative error in extracting wheat spike length information based on deep learning algorithms was 1.24%. Through the coordinated operation of intelligent control system, the farm achieved lean and unmanned production management, enabling intelligent control throughout the entire production chain, which significantly reduced labor costs and improved the precision and efficiency of farm management. The irrigation model not only saved 20% of irrigation water but also increased the yield of "Jinan 17" and "Jimai 44" by 10.18% and 7%, respectively. Pesticide application through spraying drones reduced pesticide usage by 55%. The big data platform provided users with production guidance services such as meteorological disaster prediction, optimal sowing time, environmental prediction, and water and fertilizer management through intelligent scientific decision support, intelligent agricultural machinery operation, and producted quality and safety traceability modules, helping farmers manage their farms scientifically. [Conclusions] The study achieved comprehensive collection of environmental information within the farm, precise phenotypic analysis, and intelligent control of agricultural machinery, irrigation equipment, and other equipment. Additionally, it realized digital services for agricultural management through a big data platform. The development path of the "1.5-Ton grain per Mu" unmanned smart farm can provid references for the construction of smart agriculture.

Cite this article

LIU lining , ZHANG Hongqi , ZHANG Ziwen , ZHANG Zhenghui , WANG Jiayu , LI Xuanxuan , ZHU Ke , LIU Pingzeng . Key Technologies and Construction model for Unmanned Smart Farms: Taking the "1.5-Ton Grain per Mu" Unmanned Farm as An Example[J]. Smart Agriculture, 2025 , 7(1) : 70 -84 . DOI: 10.12133/j.smartag.SA202410033

0 引 言

粮食生产是国家长治久安的基石,粮食安全一直是国家高度关注和重视的重大问题。面对中国劳动力日益老龄化的现状,“谁来种地”和“如何种地”已成为威胁粮食安全的重要议题 1。智慧农业作为现代农业转型升级和提质增效的目标导向,以优良品种和配套农艺为基础,以信息和知识为核心要素,将物联网、大数据、人工智能和智能装备等与农业产业深度融合,实现农业产业全过程的信息感知、定量决策、智能控制、精准投入、预测预警,以及个性化服务等的全新农业生产、经营、管理和服务模式,是现代农业发展的更高级阶段。智慧农场是在一定土地生产经营规模基础上,推动智慧农业发展的重要途径。无人智慧农场以其显著的“少人化”或“无人化”特色,依托全天候、全链条的自动化先进技术,不仅可大幅提升农业生产效率,更可为“谁来种地”和“如何种地”难题解决提供切实可行的解决方案 2, 3
近年来,智慧农业与无人农场已成为国内外学者和科研机构的研究热点 4, 5。2016年,美国凯斯纽荷兰、约翰迪尔公司分别提出了各自的无人化农机发展构想,并着手研发具备全面感知与自主避障能力的农业机械 5- 7。2017年,英国哈珀亚当斯大学启动了“Hands Free Hectare project”,通过多辆无人驾驶农机的协同作业,成功实现了小麦耕种与管理的全程无人化操作,有力验证了无人农场模式的可行性 8, 9。2018年,日本建成了高科技农场Techno Farm Keihanna,该农场基于智慧农业系统,充分展示了智慧农业在高效生产方面的巨大潜力和优势 10。在国内,无人农场的研究同样如火如荼。罗锡文院士团队深耕水稻无人农机领域,研发了一系列信息化感知、智能决策、精准作业和智慧管理技术,成功建设了水稻无人农场 1, 3。赵春江院士团队聚焦数字技术,开展农业智能决策平台、天空地信息获取技术、北斗导航控制与智能作业装备等多方面的深入研究,为无人农场研究提供了宝贵经验 4, 5
无人智慧农场涉及智能感知、高效传输、智能控制和大数据智能服务等多个核心领域。在智能感知与传输方面,能够实时获取土壤、气候和作物长势等多维度信息。例如,孟祥等 11利用LoRA组网技术,构建农田感知传输网络,实现了大田土壤湿度信息的精准采集和高效传输。Song等 12和Nair等 13运用分组密码和无监督机器学习等算法,有效提升了组网传输中数据传输的安全性和稳定性。齐小刚等 14则提出了一种自组网可靠性评估方案。同时,Zhou等 15、承达瑜等 16和Sakamoto等 17研究团队利用图像提取技术,实现了小麦长势和物候期的精准识别。Liu等 18和冯惠芬等 19利用激光雷达、近红外成像、高光谱成像等技术,成功提取了作物的形状和生理信息。在农场智能控制和大数据智能服务领域,罗锡文院士团队 20、赵春江院士团队 21等分别从智能农机装备和管理平台等角度入手,通过融合农机自动导航、装备自动作业等技术,显著提升了作业效率和质量。此外,众多学者还在积极探索将人工智能、机器学习和自动化等先进技术应用于农业生产全过程,包括无人耕作、精准播种、智能灌溉、变量施肥、病虫害防治,以及自动化收获等,已取得一系列研究成果。具体而言,Jaiswal和Ballal 22、Benyezza等 23和贾红军 24将先进控制算法嵌入到物联网系统中,实现了灌溉系统中闸阀的精确调控。而Rodríguez 25、Cambra Baseca 26,以及张洪奇等 27则分别以咖啡农场、玉米农场和设施无人农场为研究对象,深入开展了大数据服务的相关研究。
一系列研究已取得丰硕成果,但在复杂多变的农田环境中,如何进一步提高信息检测的准确性、增强信息传输的可靠性,以及提升农机装备的稳定可靠性,仍是亟待解决的难题。为了实现农场的精准高效管理,这些难题需持续深入研究和攻克。本研究积极响应国家粮食安全战略,紧密结合山东德州“吨半粮”无人智慧农场工程建设需求,旨在深入探讨无人智慧农场的架构、关键技术、建设机制和服务模式,为工程建设提供有力的智慧农业技术支撑。首先,基于广泛调研,设计“吨半粮”无人智慧农场架构,为农场建设提供全面的规划设计方案,明确建设的主要工作内容和流程;其次,从数据感知、组网传输、数据分析、农机作业、灌溉管理、航空施药等关键环节入手,通过具体案例分析核心技术,实现从农田信息感知、数据传输到农机装备管控的系统化集成,构建闭环的智慧农业管理体系。最后,构建大数据服务平台,提供品种筛选、预测预警、精准控制、处方管理等多方面的科学、高效数据服务,并进一步探索智慧农业的建设机制和服务模式,为无人智慧农场的建设和运营提供有益参考。

1 无人智慧农场建设架构

山东德州作为全国首家地市级全域创建“吨半粮”的城市,拟通过实施“六大工程”等措施,打造8万hm 2核心区、20万hm 2辐射区、40万hm 2带动区,力争实现大面积“吨半粮”生产 28, 29。本研究在山东省德州市义渡口镇建设了约13 hm 2的“吨半粮”无人智慧农场,旨在利用现代信息技术为农业生产管理注入新活力,推动农业转型升级和提质增效。“吨半粮”无人智慧农场建设是一项系统性工程,拟基于农场实际运营与管理需求,分阶段推进数字化感知和智能控制建设。通过数据赋能农场管理,逐步提升管理效能,并持续增强和优化大数据分析服务功能,逐步向农场无人智能化管控模式转变。
“吨半粮”无人智慧农场综合利用物联网、大数据等信息技术,实现了信息感知、传输、挖掘和应用的全链条集成和服务。总体架构如 图1所示,包括感知层、传输层、处理层和应用层四大部分。其中,感知层作为无人农场建设的基础,由物联网感知网络和智能农业装备等构成,负责采集目标对象信息和控制命令的执行,并通过组网模块实现数据信息的汇聚。感知层以信息采集模块为基础单元,通过模块化的传感设备,便捷获取土壤、气象、作物表型、病害、虫害、草害,以及水肥农机等装备的作业信息等多类型数据。专用的模块化信息采集设备,不仅实现了农产数据采集的准确性和可靠性,同时也丰富了传感设备功能,简化了安装和维护步骤,为后续丰富数据信息、设备升级和功能扩展提供便捷。
图 1 “吨半粮”无人智慧农场架构

Fig. 1 The architecture of the "1.5-Ton grain per Mu" unmanned smart farm

传输层是无人农场实现数据交互和传输的通道,包括数据汇聚的局域组网和数据上传下达的广域传输网络。为方便智慧农场系统的分步建设,传输层采用自组网模型构建农场传感网络,实现不同采集单元数据信息的汇聚,并根据周边单元反馈的信息强度调整网络结构,保障各单元信息的稳定、可靠传输。同时,汇聚节点在局域通信的基础上增设网关/4G设备,实现与处理层的信息交互。通过自组网络模型,保障农场内部数据传输的稳定性和可靠性,避免在复杂环境下信号中断等因素导致的数据丢失,提高基础数据质量。汇聚节点与网关间采用自主设计的加密通信,增强数据安全,提升数据传输的可靠性。
处理层是无人农场智慧管理的核心,运行的大脑。它由数据库、数据分析模型和决策模型三部分组成。数据库负责存储感知层和应用层获取的各类数据;数据分析模型负责分析处理数据库内的原始信息,得到预处理后的数据,并进一步分析处理数据,构建气象环境预测、养分、作物生育期、作物表型、产量预测、良种筛选等数据挖掘分析模型;决策模型则将数据分析模型结果转化为具体科学的农事指导意见和应对措施,以帮助农户科学、高效地管理农场。其中,农机作业部分包括农机的定位导航和自主作业等数据分析,可根据农田情况实时调整优化农机的作业路径和设备参数,全面提升农机的作业质量。
应用层是无人农场功能实现的接口。通过应用层中的大数据平台、手机端、微信小程序等软件平台,用户可实时获取农场信息,并通过农业设施装备、智能农机、机器人、无人机和物联网等设备实现农场的智慧化运营。

2 无人智慧农场感知系统

“吨半粮”无人智慧农场感知系统是农场实现智慧化、无人化的基础和前提。本研究以物联网技术为基础,研究并构建基于物联网技术的数字化感知网络,实现农场内部数据的精准采集和高效、稳定、安全传输。此外,基于大数据技术分析冬小麦的表型信息,提取各物候期的关键表型特征,实现长势的精准分析。

2.1 数字化感知网络

数字化感知是农场智能管理的基础,农机设备和灌溉设备的自动化管理和大数据服务平台的服务功能,都离不开环境、作物长势和设备状态等数据的支持。
1)系统总体设计。作物生长发育离不开温湿度和光照等自然环境信息,且不同生育期对环境条件的需求存在差异。因此,实现大田环境信息的精准感知是实现作物精准管理的基础和关键。充分考虑户外节能和稳定性需求,设计“吨半粮”无人智慧农场感知系统结构如 图2所示。
图 2 “吨半粮”无人智慧农场感知系统架构

Fig. 2 The architecture diagram of the "1.5-Ton grain per Mu" unmanned smart farm collection system

该系统由感知层、组网层、本地处理层和传输层构成。感知层由多个传感器组成的感知节点构成,负责实时采集农田空气温度、相对湿度、光照强度、风速、风向、土壤温湿度和作物长势等数据;组网层采用远距离无线电(Long Range Radio,LoRA)无线组网技术,将多个感知节点组建为感知网络,实现各节点间数据的安全、可靠、稳定交互;本地处理层以边缘计算核心处理节点为核心,负责实时分析、存储农场内部环境数据,并控制各感知节点工作状态;传输层基于网关构建,利用消息队列遥测传输(Message Queuing Telemetry Transport, MQTT)协议将汇聚数据安全传输至云端服务器。
2)感知网络构建。随着感知网络节点数量增加和节点感知数据类型的增多,传输网络的通信压力越来越大,通信效率与质量成为通信网络构建的重要指标。为提高网络的传输效率和安全性,相邻通信节点的选择至关重要。如设 n个节点之间的无线自组网络模型为一个无向图 G(V,E),其中 V为农场中的节点,即 V ∈ P ∪ I ∪ S ∪ BP为普通的末端感知节点, I是为一级感知节点, S为边缘计算核心处理节点, B为中继节点); E为边集合,即两个节点( ViVj )间的连线,用 dij 表示。当两个节点间的距离小于 R时,二者可建立数据通道,实现信息交互。此时,基于信号传输时间差(Time Difference of Arrival, TDOA),计算两点间的理论距离,如 公式(1)所示。
dij =( C 1×C2)/( C 1- C 2)× Δt
式中: C 1C 2为两种波的传播速度,m/s; Δt为节点 Vi 发出信号到接收到反馈信号的时间间隔,s。
此时,节点 Vj 接收到的由节点 Vi 发送的无线信号强度 W(Vi,Vj公式(2) 30
W ( V i , V j ) = 10 l o g 10 W 0 d i j α V i - V j + v
式中: W 0为参考功,dBm;α为常数; v为随机噪声因子。此时该链路数据的信噪比(Signal-to-Noise Ratio, SNR)为 公式(3) 31
S N R ( V i , V j ) = W ( V i , V j ) N ( V j )
式中: NVj )为节点 Vj 处的环境噪声强度,dB。通道传输数据的丢包率(Packet Loss Rate, PLR)为 公式(4) 32
PLR=α× L× exp× SNR
式中: αβ是环境模型参数,通过 k-hop建立的节点 Vi 和节点 Vj 间的数据包传递成功率( Pi,j )如 公式(5)所示 14
P i , j = ( 1 - P L R ) k
根据以上方法计算有效通信距离内数据传输质量最高的三个节点作为相邻节点,建立定向传输通道,并定期将相邻节点编号反馈至边缘计算核心处理节点,进行数据备份。 图3所示为感知网络的自组网络结构图。该方法极大地提高了传感网络的通信质量与效率,保障了网络内数据信息的高效率、高质量汇聚。相较于传统的固定组网通信,通信质量提高了5%,在一级感知节点故障的情况下数据传输质量仍保持在85%以上。
图 3 “吨半粮”无人智慧农场感知网络的自组网络结构图

Fig. 3 The network architecture diagram of self-organizing network of the "1.5-Ton grain per Mu" unmanned smart farm

3)边缘计算核心处理节点。边缘计算核心处理节点是无人智慧农场物联网感知系统的神经中枢,是实现底层数据分析处理的核心部件,在断网或网络不畅情况下为局域通信网络内所有节点提供数据服务。节点由传感器感知子系统、LoRA组网模块、高性能边缘计算处理器(STM32)、本地存储器,以及MQTT高效传输模块等五部分组成。
传感器感知子系统精准捕捉边缘计算核心处理节点周边数据,为决策提供数据基础。LoRA组网模块则担当起信息汇聚任务,高效传输感知节点间的数据。STM32依据各节点传输的数据,分析并监控节点的工作状态,并及时处理实时数据。MQTT传输模块,是连接边缘与云端的桥梁,实现了农场数据与云端服务器之间无缝、高效的数据交换与指令传输。

2.2 作物表型分析

物候期和作物表型信息在现代农业中扮演着越来越重要的角色,它不仅为农机管理、水肥药精准施用提供数据支撑,同时为农事决策提供支持,是智慧农场的重要建设内容。本研究的表型分析包括冬小麦生育期自主识别、麦穗长度识别等。
1)冬小麦物候期和表型的精准识别。物候期的精准识别是实现冬小麦精准管理的基础。各物候期的小麦具有独特的表型特点,起身期和拔节期的主要特征为叶片的颜色、形状、数量和纹理。因此选择了适用于丰富视觉信息、大规模、多类别图像分类任务的VGG16(Visual Geometry Group 16)模型,以对小麦不同物候期图像进行分类。不同物候期的实验结果如 表1所示。
表 1 小麦不同物候期图像分类精度

Table 1 Classification accuracy of different growth stages images for wheat

物候期 精确率 召回率 F 1
Class 0 0.93 0.85 0.89
Class 1 0.91 0.82 0.86

注:Class 0为越冬-返青时期,Class 1为起身-拔节时期。

VGG16模型在训练集上分类精度为94.62%,在验证集上的准确率为92.31%,且无过拟合现象,总体表现良好,准确率较高,损失较低,且具备较强的泛化能力,能够在新数据上保持较高的准确性,适用于小麦物不同的物候期分类分析。
2)冬小麦表型信息获取。鉴于田间小麦表型信息的复杂性、特征提取难度大、数据信息庞大,结合深度学习算法在图像处理中的高效性与准确性特征,研究采用深度学习算法进行图像处理和分析,选取了神经网络、Vision Transformer(ViT)和YOLO(You Only Look Once)等深度学习算法,对图像进行去噪和融合处理,以有效提取小麦的株高、径粗、籽粒数、穗长和穗宽等关键表型特征。
基于RGB图像,利用相关算法准确提取了小麦的穗长信息。部分实验结果如 表2图4所示。经计算,小麦穗长的测量平均相对误差为1.24%,测量模型具有较高的准确性和可靠性。
表 2 小麦穗长测试误差数据(部分)

Table 2 Test data on wheat spike length (partial)

序号 实际长度/cm 测试长度/cm 误差/% 序号 实际长度/cm 测试长度/cm 误差/%
1 7.50 7.88 5.07 6 6.20 6.18 0.32
2 6.80 6.74 0.88 7 7.10 7.05 0.70
3 7.50 7.28 2.93 8 7.00 6.85 0.72
4 7.50 7.64 1.87 9 8.20 8.12 0.98
5 7.20 7.18 0.28
图 4 小麦穗长信息提取结果

Fig. 4 Extraction results of wheat spike length information

3 无人智慧农场智能控制系统

无人智慧农场的智慧控制系统由智能农机、大田灌溉和航空施药等子系统组成。通过服务器和大数据平台,实现无人智慧农场生产管理的少人化、无人化管理。总体解决方案见 图5
图 5 “吨半粮”无人智慧农场无人作业总体解决方案

Fig. 5 Overall solution for unmanned operation of the "1.5-Ton grain per Mu" unmanned smart farm

3.1 智能农机系统

智能农机是无人智慧农场实现少人化、无人化作业的核心,是实现农场智慧管理的重要手段。智能农机覆盖农业耕、种、管、收等农业生产全过程,直接决定着粮食生产的自动化程度。
1)智能农机系统方案。农场的智能农机建设,需综合考虑经济性和高效性,并特别考虑方案的实用性。综合权衡各方面性能,设计农场智能农机系统方案见 图6
图 6 “吨半粮”无人智慧农场智能农机系统方案

Fig. 6 Composition of agricultural machinery system for the "1.5-Ton grain per Mu" unmanned smart farm

智能农机系统按功能可分为基础层、决策层及应用服务层。其中,基础层由农机装备的各类感知系统构成,负责获取农机的实时状态信息,如农机定位信息、作业装备状态信息(如土地平整角度、播种密度、种子余量等)、作物长势(如收获时的作物高度)等,为农机作业管理提供数据支撑。决策层是智慧农机系统的核心,由数据库、知识库和数据挖掘分析模型等构成的决策平台。平台以农机数据为基础,综合考虑农场规划目标和作物品种、农时、成本等因素,制定适宜的农机管理规划决策,生成农机自主管控命令,实现农机作业的精准管控。应用层包括现场设施和农机装备等,负责执行决策层下发的各项作业命令。
此外基础层将自主获取农机装备作业过程中生成的新信息,并将其传输至决策层形成新的分析结果,如此反复,直至任务结束。
2)农场智能农机选型与配置方案。为充分发挥农机的效能,需根据农场面积、地理位置和周边环境等具体情况,选择合适型号和功率的农机。在综合考虑多种因素基础上,选配农机型号见 表3
表 3 无人农机作业参数

Table 3 Operating parameters of unmanned agricultural machinery

名称 型号 产品参数
整机主要参数 智能驾驶主要参数
智能轮式拖拉机 M2004-5RP 潍柴200马力国四发动机,智能液晶仪表,四轮驱动,380 L油箱,24+24换挡,电控湿式动力输出,强压提升器 ±2.5 cm精度自动驾驶,支持远程操控及多卫星信号,作业功能全面,IP67防护等级,系统可远程升级监控
自走式谷物联合收割机 4LZ-10M7(G4) 潍柴200 ps发动机,3 m割台,损失破碎含杂率低,雷沃变速箱,静液压前驱,400 L油箱,2.8 m³粮箱 智能驾驶±2.5 cm精度,支持远程作业遥控监视,手机/PC操控,多卫星信号,IP67防护,远程升级打点控制
自走式玉米收获机 4YZ-4EP 发动机162 kw,4行作业,速度1.83~9 km/h,轮胎15R24/300/80R15.3,整机7 600 kg,轴距3 m,油箱400 L 远程自主作业,APP/PC遥控,系统可升级,支持四大卫星信号,防护等级IP67。
复式精量条播机 2BGXF-20C 动力耙+条播复式作业,147~183 kw动力,20行,行距15 cm,排种无级调,链传动,橡胶轮覆土镇压,驱动靶整地
气吸式免耕精量播种机 2BMQE-6E 气力牵引 式6行播种机,147~192.5 kw动力,种肥箱大,双圆盘开沟,离心风机,独立镇压,多级调节

注:— 表示没有相关参数。

3)智能农机自动作业。农场中的农机作业种类繁多,以自动播种为例,阐述智能农机的作业流程。选用M2004-5RP智能轮式拖拉机,搭配2BGXF-20C复式精量条播机,并加装传感设备、自主导航系统和中央控制单元,以实现农场小麦的智能化、精准化播种。
智能农机装备了集北斗卫星定位器、惯性导航设备、差分GPS(Global Positioning System)、避障传感器和视觉/激光雷达等多种高精度传感器的自动导航装备。该装备通过实时捕捉农机的位置、姿态、周围环境等多维度信息,为农机的精准导航和作业提供数据支撑。
农机的定位与导航算法是农机自主作业的基础和核心。为提高定位导航精度,综合利用多传感器获取的数据信息,通过卡尔曼滤波等优化方法,构建定位导航算法,并结合GIS(Geographic Information System)系统,构建田间数字地图,为农机提供最优路径规划。
为提高农机作业精度,实现农田耕作、播种、收获的精量化管理,系统采用深度学习技术,将环境数据作为输入,通过模型算法动态调整控制器参数,实现农机自主作业。此外,农机保留传统的手动控制和远程控制功能,方便农户按需要选择作业方式。为实现农机的自主作业,配备定位导航设备及算法如下。
①自动导航装备。自动导航装备集成了北斗卫星定位器、惯性导航设备、差分GPS、避障传感器和视觉/激光雷达等多种传感器,共同完成农机的精准导航任务。北斗卫星定位器实时捕捉卫星坐标信息,提供精准定位数据;惯性导航装备利用加速度计和陀螺仪,捕捉农机运动过程中的姿态和加速度,细化定位信息;差分GPS利用基站与农机间的差分修正信号,进一步提高定位精度;避障传感器实时获取农机周围的障碍物信息,确保农机作业安全;视觉/激光雷达则识别作物行、土地边界、土壤状态等,为农机建模和路径规划提供支持。
②定位与导航算法。定位与导航算法综合运用多传感器数据融合技术,将北斗定位、避障传感器和视觉图像数据有机融合。通过结合北斗精准定位、遥感与视觉环境感知和避障信息,实时构建田间地图。采用卡尔曼滤波方法优化传感器数据,实现农机高精准定位,为精准导航和智能作业提供支撑。
农机的实时状态信息由位置、速度、加速度等参数构成,农机状态方程如 公式(6)所示。
x k = F k x k - 1 + B k u k + w k
式中: xk 为当前时刻的状态,包含位置、速度、加速度等的向量; u k 为控制向量; w k 为过程噪声向量; F k B k 分别为状态转移矩阵和控制输入矩阵。
测量数据与真实状态之间的关系测量方程为 公式(7)
zk = H xk + v k
式中: zk 为测量数据,包含农机的位置、速度、加速度等关键参数的观测值; H k 为测量矩阵; v k 是测量噪声向量。
基于A*算法在已构建的地图中规划最优播种路径。其评估函数为 公式(8)
fn=gn+hn
式中: gn)为从起点到当前节点的实际代价; hn)是从当前节点到目标节点的估计代价。
通过PID(Proportional Integral Derivative)控制器,根据规划路径和实时定位信息,调整农机速度和方向,实现自主导航。具体控制方程如 公式(9)所示。
u ( t ) = K p e ( t ) + K i 0 t e ( τ ) d τ + K d d e ( t ) d t
式中: u(t)为控制输出; e(t)为误差信号; Kp、Ki、Kd 分别为比例系数、积分系数和微分系数。该方法可以快速反馈农机的实时位置,调整农机运行速度,极大地提高了农机运行质量和效率。
在不同工况下,PID控制器的参数也需调整。如在平坦地形下,比例系数( Kp )可适当减小,以减少系统的超调量;积分系数( Ki )可适当增大,以加快系统的响应速度;微分系数( Kd )可适当减小,以减少系统振荡。在复杂地形下,比例系数( Kp )要适当增大,以提高系统的响应速度;积分系数( Ki )可适当减小,以减少系统的超调量;微分系数( Kd )要适当增大,以抑制系统振荡。
以播种作业为例,简要分析控制器参数。为保障播种作业中,农机始终保持稳定的速度和方向,适度增大比例系数( Kp ),提高系统的响应速度;减小积分系数( Ki ),减少系统的超调量;增大微分系数( Kd ),抑制系统振荡。
为验证PID控制器在不同工况下的性能,分别在平坦地形、复杂地形和播种作业三种工况下进行实验。实验结果表明,PID控制器在不同工况下的参数调整能够有效提高农机的运行质量和效率,响应时间和超调量均得到了显著改善。具体实验数据如 表4所示。
表 4 PID控制器在不同工况下的性能

Table 4 Performance of PID controller under different operating conditions

工况 比例系数( Kp 积分系数( Ki 微分系数( Kd 响应时间/s 超调量/%
平坦地形 0.8 0.2 0.1 1.2 5
复杂地形 1.2 0.1 0.3 1.5 8
播种作业 1.0 0.1 0.2 1.3 6
③精量化播种控制。结合播种机的种子流量、播种深度、剩余种子量等信息,中央控制单元通过闭环反馈控制,调整播种机的作业参数,确保播种的均匀性和准确性。闭环反馈控制采用PID控制器,实时监测播种机的播种情况,调整播种机的播种速度和播种深度,实现精量化播种。

3.2 大田灌溉系统

1)大田用水需求分析。为提升冬小麦种植管理水平,实现节水增产目标,针对山东省德州市陵城区冬小麦种植现状,设计了精细化灌溉方案。方案综合分析该地区冬小麦不同发育阶段的水分需求特性和土壤状况,结合专家建议和相关资料,最终明确了冬小麦各发育期土壤墒情的最佳适宜范围(见 表5)。为实现节水灌溉,并提高作物产量,研发了智能灌溉系统。
表5 冬小麦各发育期详细需求

Table 5 The demands for different developmental stages of winter wheat

发育期 适宜范围/% 持续日期(月/日) 阶段天数/天
播种期 50—80 10/20—11/12 24
出苗期 60—80 11/13—11/29 17
越冬期 60—80 11/30—2/29 92
返青期 70—80 3/1—3/15 15
起身期 70—80 3/16—4/4 20
拔节期 70—80 4/5—4/19 15
孕穗期 70—80 4/20—4/22 3
抽穗期 70—80 4/23—4/27 5
开花期 70—80 4/28—4/30 3
灌浆期 70—80 5/1—5/21 21
成熟期 70—80 5/22—6/12 22
2)灌溉模型。 基于土壤系统的大惯性、非线性及显著时滞性等复杂特性,提出了基于模糊PID的灌溉控制算法,以满足冬小麦各发育期灌溉需求。“吨半粮”无人智慧农场大田灌溉系统整体架构如 图7所示。
图 7 “吨半粮”无人智慧农场大田灌溉系统总体框架示意图

Fig. 7 Overall framework diagram of the field irrigation system for the "1.5-Ton grain per Mu" unmanned smart farm

采用隶属度函数确定输入语言变量与模糊规则之间的关联程度,通过灵活运用“负大(NB)”“负中(NM)”“负小(NS)”“零(Z)”“正小(PS)”“正中(PM)”“正大(PB)”等一系列定性词汇,精确描述各参数状态。研究选取三角形隶属度函数,详细变量隶属度函数如 图8所示。
图 8 灌溉模型的e、ec、 KpKiKd 隶属度函数图

Fig. 8 Membership function of e、ec、 KpKiKd for irrigation model

模糊控制规则根植于实际控制系统的固有特性和丰富的操作经验,能精准捕捉并体现系统状态与控制动作之间复杂而模糊的相互关系。结合专家知识、实践经验和已有研究成果,充分考虑系统的响应速度、稳定性、稳态误差,以及动态特性等多方面因素,制定了49条模糊控制规则,如 表6所示。
表 6 灌溉模型的控制规则表

Table 6 The control rules for irrigation model

Kp /Ki /Kd E
NB NM NS Z PS PM PB
Ec NB PB/NB/PS PB/NB/PS PM/NB/Z PM/NM/Z PS/NM/Z PS/Z/PB Z/Z/PS
NM PB/NB/NS PB/NB/NS PM/NM/NS PM/NM/NS PS/NS/Z Z/Z/PS Z/Z/PM
NS PM/NM/NB PM/NM/NB PM/NS/NM PS/NS/NS Z/Z/Z NS/PS/PS NM/PS/PM
Z PM/NM/NB PS/NS/NM PS/NS/NM Z/Z/NS NS/PS/Z NM/PS/PS NM/PM/PM
PS PS/NS/NB PS/NS/NM Z/Z/NS NS/PS/NS NS/PS/Z NM/PM/PS NM/PM/PS
PM Z/Z/NM Z/Z/NS NS/PS/NS NM/PM/Z NM/PM/Z NM/PB/PS NB/PB/PS
PB Z/Z/PS NS/Z/Z NS/PS/Z NM/PM/Z NM/PB/Z NB/PB/PB NB/PB/PB

注:NB为负大;NM为负中;NS为负小;Z为零;PS为正小;PM为正中;PB为正大; Kp 为比例系数; Ki 为积分系数; Kd 为微分系数;E和Ec为模糊控制的两个输入。

3)灌溉系统设计与实现。灌溉系统是以实验室自主研发的“神农物联”处理模块为核心,部署了高灵敏度传感器网络,全面采集田块土壤环境数据。数据经“神农物联”核心处理模块处理分析后,送入模糊PID控制器,依据模糊规则库和隶属函数动态调整PID参数,提高控制精度。灌溉系统框架如 图9所示,实地部署图如 图10所示。
图 9 灌溉系统实现框架图

Fig. 9 System implementation framework for irrigation system

图 10 灌溉系统实地部署图

Fig. 10 On site deployment of irrigation system

为精准评估不同灌溉方式对小麦生长的影响,选取了土质相近、种植面积相同的“济南17”和“济麦44”两个小麦品种,分别在传统漫灌与智能灌溉模型下进行对比实验。为确保实验数据的精确性和结论的可靠性,采用了相同的田间管理方式,以最大限度减少其他变量对实验结果的干扰。
智能灌溉系统自2023年10月20日小麦播种起运行,至次年6月20日小麦收获止。灌溉系统运行稳定,两种灌溉方式下的小麦生长情况对比结果详见 表7所示。
表 7 灌溉系统的验证结果对比

Table 7 Comparison of verification results for irrigation system

实验品种 灌溉方式 产量/(kg/hm 2
济南17 传统灌溉 7 963.59
模糊PID灌溉 8 774.16
济麦44 传统灌溉 8 641.20
模糊PID灌溉 9 246.54
通过实验数据分析可知,与传统灌溉方式相比,配备模糊PID灌溉系统的“济南17”产量提高10.18%,“济麦44”产量提高7%,节水约20%。

3.3 航空施药系统

航空施药系统是无人农场建设的重要组成部分,是病虫害防治的重要手段。科学、精准的施药方法不仅能提高植保效率,还能有效降低农药对环境的污染。为提升农场管理效率和成效,利用植保无人机开展实验(无人机型号见 表8),作业效率提高12倍,节药率达55%,农田实验数据如 表9所示。
表 8 “吨半粮”无人智慧农场植保无人机主要机型

Table 8 Main models of spraying drone for the "1.5-Ton grain per Mu" unmanned smart farm

机型 代表产品 优点
油动单旋翼 汉和CD-15、天鹰TY999B 负载大;续航时间长,适合大面积作业
电动单旋翼 天鹰TY-777、高新S40、高科新农HY-B-15L 适用于高精度施药,降低药剂浪费;下压风场大,药物能有效穿透和覆盖农作物根部
油动多旋翼 Y620、天马-1 具备较长的续航时间;多种喷洒模式,降低农药使用量
电动多旋翼 大疆T30、Parrot Bluegrass、DJI Agras T40、极飞P150 高智能、高精度;易操作,安全;配备多种传感器,适合不同的农业监测
表 9 “吨半粮”无人智慧农场植保实验数据

Table 9 Experimental data of spraying drone for the "1.5-Ton grain per Mu" unmanned smart farm

施药方式 平均作业效率 /(hm 2/h) 最高作业效率/(hm 2/h) 平均农药使用量/(hm 2/h)
植保无人机 2.13 2.33 1 380
人工 0.17 0.22 3 066

4 无人智慧农场大数据服务平台

4.1 无人智慧农场大数据平台

“吨半粮”无人智慧农场大数据平台架构由基础设施层、数据层、数据分析层和应用层构成,平台架构见 图11。平台分层处理数据的收集、存储、处理和应用,为农场智慧管理提供支持。
图 11 “吨半粮”无人智慧农场大数据平台架构图

Fig. 11 Architecture diagram of the big data platform for the "1.5-Ton grain per Mu" unmanned smart farm

基础设施层作为系统的物理基石,集成了通讯设施、数据中心、物联网感知设备和农业基础设施等硬件设施和网络资源,确保数据的稳定传输、高效存储与可靠处理。数据层负责构建数据库,实现数据的综合管理,并为各项业务提供基础功能支持,涵盖了结构化、非结构化和半结构化数据,包括地块信息、环境参数、作物生长状况、设备运行状态,以及图像、视频、音频、文本等多种数据类型,为农场管理提供了全方位、多维度的数据支撑。数据分析层利用Flink和Spark等技术,结合机器学习和深度学习算法,提供实时与批量数据处理能力,为系统注入强大的数据分析功能。在应用层,平台整合了大数据采集、智能装备作业、综合服务、行业聚焦、大数据分析及智能科学决策等多个系统,为农场管理提供一站式、全方位服务。

4.2 无人智慧农场大数据平台关键技术

“吨半粮”无人智慧农场大数据平台是一个复杂的工程,其中涉及的主要关键技术包括多源数数据集成、分布式计算、GIS技术等。
1)多源数据集成。无人智慧农场大数据平台实现了小麦与玉米全链条数据的融合集成,构建了“吨半粮”数据资源库。这一资源库全面覆盖了从种植到收获的生产全过程,实现了信息化管理的全链条覆盖,为多源数据的深度整合与高效利用奠定了基础。平台统一制定了“吨半粮”生产源数据库标准,通过各阶段信息的协同共享。数据库不仅涵盖了地块、土壤、农资、气象等基础数据,还整合了市场、政策、产量、品质等多源信息,并纳入了灌溉、施肥、病虫害监测和农产品质量追溯等关键数据,全面支持农场生产决策与管理。
2)分布式计算。Spark的运行架构由四大核心组件构成,包括集群资源管理器(Cluster Manager)、工作节点(Worker Node)、任务控制节点(Driver)和执行进程(Executor)。在Spark里,Driver是驱动节点。它有两个主要作用,一是运行应用程序的入口方法,初始化SparkContext,为后续计算提供基础;二是和Cluster Manager通信,以此管理集群资源,保证应用程序能顺利运行。Cluster Manager作为Master,负责分配和管理集群资源,兼容多种管理方案。Executor在工作节点上执行具体任务,利用多线程和BlockManager降低资源占用和I/O(Input/Output)消耗。相较于MapReduce,Spark的Executor更高效,尤其适合迭代计算和交互式查询。
3)GIS技术。利用GeoServer与OpenLayers构建了“吨半粮”地理信息管理系统,其结构见 图12,采用三层结构模型,包括客户端显示层、地图服务器层,以及空间数据库层。地图服务层作为GIS的核心,负责提供地图服务;Web服务层响应客户端请求,调用GeoServer上的地图图层,并利用OpenLayers技术对MySQL数据库中的地理信息进行优化渲染。数据层专注于存储并高效处理系统的业务数据与地理数据,为上层提供坚实的数据支持。应用层通过OpenLayers技术在客户端浏览器上实现地图的直观展示与丰富交互,极大提升了用户体验。实现系统高效管理农田空间布局与资源分布,为精准农业管理提供了强有力支撑。
图 12 “吨半粮”无人智慧农场大数据平台的GIS体系结构图

Fig. 12 The architecture of GIS of the big data platform for the "1.5-Ton grain per Mu" unmanned smart farm

利用GIS实现了空间信息快速查询。其中,农田信息涵盖面积、土壤类型和作物种植情况等。系统还具备资源分布统计功能,深入分析农田水源、肥料、农药等资源分布,以直观图表或地图形式呈现分析结果,让管理人员一目了然。此外,GIS还提供精准决策支持,为农业从业者提供科学、精准的决策建议,并生成农田变量管理处方图,以有效提升农业管理效率与效果。

4.3 无人智慧农场大数据平台主要功能

“吨半粮”无人智慧农场大数据平台的核心目标是基于大数据分析结果,为用户提供生产管理服务。根据服务类型的不同可分为智能科学决策、智能装备作业和产品质量安全溯源等。各部分的具体功能如下。
1)智能科学决策。该模块是种植管理的得力助手,它整合物联网设备,运用高效数据分析技术,精准处理数据,并结合作物生长模型,生成详细的生长状态报告。用户可根据系统提供的作物长势及环境调控建议,灵活调整灌溉、施肥、病虫害防治等农田管理措施。模块还内置Drools规则引擎,配备知识库和规则库,方便用户查询种植标准。结合智能决策算法,用户可轻松制定个性化种植计划,实现作物高产与资源高效利用,让科学种植触手可及。
2)智能装备作业。该模块融合深度学习技术,可精准预测环境变化,并通过模型算法动态调整PID控制器,实现对农田墒情等的控制。用户可灵活选择自动控制、远程控制或现场手动控制模式,轻松管理灌溉、水肥等作业。同时,模块支持智能农机管理,用户只需简单设定任务,系统即可自动规划最优路径,指挥农机高效完成作业。智能装备作业模块的应用。
3)产品质量安全溯源。该模块为农产品全链条管理提供了透明化解决方案。在生产的各个环节,如种植、收获、加工、包装等,利用物联网设备精准记录关键信息。这些信息通过数字编码技术被安全地上传至区块链,确保数据的不可篡改性和可追溯性。消费者只需扫描产品包装上的二维码,即可轻松查询产品的质量安全信息,从源头到餐桌,全程透明可见。不仅增强了消费者对农产品的信任度,也为农场提供了有力的品质证明,助力农产品品牌建设和市场拓展。
4)综合服务系统。该系统为农场主、农业从业者和消费者提供一站式信息服务。用户可轻松访问农业知识库,获取最新农业技术、市场动态;在留言区提问即可得专家或同行解答。系统还设有为农服务模块,方便预约农机、技术咨询等服务。同时,运用大数据分析和可视化技术,为用户提供生产数据分析报告,助力优化生产流程,提升生产效率,让农业管理更加智能高效。

4.4 无人智慧农场大数据平台应用案例

在山东省德州市义渡口镇建设了约13 hm 2的“吨半粮”无人智慧农场,通过在农场中部署物联网设备,更新水肥灌溉设备,优化农机装备和应用大数据平台极大地提升了农场的数字化管理水平,提高了农事管理质量。
在2022年至2024年,共在农场中部署了22处物理网感知节点,共同组成了农场的数字化感知网络,实现了空气温度(5和2 m)、湿度(5和2 m)、光照强度(5和2 m)、风速(5和2 m)、风向(5和2 m)、土壤湿度(耕层10、20和30 cm)、土壤温度(耕层10、20和30 cm)等环境信息、个体作物表型和农田全局长势等数据信息的全方位、立体化获取。
借助“吨半粮”无人智慧农场大数据平台,将数据分析转化为直观的农事指导服务。仅2024年,平台先后发布了50余次环境预测服务(每周一次),10余次气象灾害预警和提醒,其中包括冬前急降温、冬季低温冻害、蚜虫预警、条锈病预警、夏季大风倒伏、收获季干旱防火等。并连续两年为农户提供春季种植管理服务报告,帮助农户合理地管理农田,促进小麦高产、稳产。此外,平台还为用户提供日常管理服务,例如,在每年的9月份,发布小麦的最佳播期预测和播量分析服务,帮助农户合理播种。在小麦出苗后,分析小麦出苗情况,指导农户精准、科学补苗等,部分系统模块页面如 图13所示。
图 13 “吨半粮”无人智慧农场大数据平台部分模块页面

Fig. 13 Partial platform pages of the big data platform for the "1.5-Ton grain per Mu" unmanned smart farm

5 结 论

无人智慧农场是中国农业未来发展的更高级形式,是保障国家粮食安全的有效途径,是现代农业发展的趋势。本研究围绕“吨半粮”工程推进面临的突出问题,提出了无人智慧农场的建设方案,系统阐述了“吨半粮”无人智慧农场感知系统、智能控制系统和“吨半粮”无人智慧农场大数据服务平台等系统实现情况。
1)数字化感知网络。研究提出了基于自组网络的物联网数字化感知系统。该系统能高效采集、汇聚并传输农场环境、作物生长及设备状态等多维度信息,且具备强大的容错能力,即使某一级节点故障,数据采集质量也能稳定在85%以上。通过先进的数据分析技术,系统能快速精确提取田间作物的关键表型信息,如生育期、穗长等表型特征,为农场精细化管理提供数据支撑。
2)无人智慧农场智能控制系统。构建了无人智慧农场智能控制系统。集云管控平台、智能化设备和智能农机于一体,实现了农场生产各环节的自动化管理。系统架构分为基础层、决策层和应用服务层,各层高效协同,共同实现“吨半粮”无人智慧农场生产管理的少人化、无人化,实现生产全链条的智能控制。应用该系统显著降低了农场的人力成本,并显著提高农场管理的精准度和效率。
3)无人智慧农场大数据平台。研发了“吨半粮”无人智慧农场大数据平台。集成多源数数据集成、分布式计算、GIS技术等大数据分析技术,构建大数据分析服务平台,从智能科学决策支持、智能农机作业、产品质量安全溯源等方面为用户提供气象灾害预计、最佳播期、环境预测、水肥管理等生产指导服务,帮助农户科学地管理农场。此外,“吨半粮”无人智慧农场大数据平台还通过集成综合服务模块,提升平台的综合服务能力。

利益冲突声明

本研究不存在研究者以及与公开研究成果有关的利益冲突。

1
罗锡文, 胡炼, 何杰, 等. 中国大田无人农场关键技术研究与建设实践[J]. 农业工程学报, 2024, 40( 1): 1- 16.

LUO X W, HU L, HE J, et al. Key technologies and practice of unmanned farm in China[J]. Transactions of the Chinese society of agricultural engineering, 2024, 40( 1): 1- 16.

2
钱震杰, 金诚谦, 刘政, 等. 无人农场中的智能控制技术应用现状与趋势[J]. 智能化农业装备学报(中英文), 2023, 4( 3): 1- 13.

QIAN Z J, JIN C Q, LIU Z, et al. Development status and trends of intelligent control technology in unmanned farms[J]. Journal of Intelligent Agricultural Mechanization, 2023, 4( 3): 1- 13.

3
罗锡文, 廖娟, 胡炼, 等. 我国智能农机的研究进展与无人农场的实践[J]. 华南农业大学学报, 2021, 42( 6): 8- 17, 5.

LUO X W, LIAO J, HU L, et al. Research progress of intelligent agricultural machinery and practice of unmanned farm in China[J]. Journal of South China agricultural university, 2021, 42( 6): 8- 17, 5.

4
赵春江, 范贝贝, 李瑾, 等. 农业机器人技术进展、调整与趋势[J]. 智慧农业(中英文), 2023, 5( 4): 1- 15.

ZHAO C J, FAN B B, LI J, et al. Agricultural robots: Technology progress, challenges and trends[J]. Smart agriculture, 2023, 5( 4): 1- 15.

5
尹彦鑫, 孟志军, 赵春江, 等. 大田无人农场关键技术研究现状与展望[J]. 智慧农业(中英文), 2022, 4( 4): 1- 25.

YIN Y X, MENG Z J, ZHAO C J, et al. State-of-the-art and prospect of research on key technical for unmanned farms of field corp[J]. Smart agriculture, 2022, 4( 4): 1- 25.

6
PARRA ALONSO I, IZQUIERDO GONZALO R, ALONSO J, et al. The experience of DRIVERTIVE-DRIVERless cooperaTIve VEhicle-team in the 2016 GCDC[J]. IEEE transactions on intelligent transportation systems, 2018, 19( 4): 1322- 1334.

7
韩树丰, 何勇, 方慧. 农机自动导航及无人驾驶车辆的发展综述[J]. 浙江大学学报(农业与生命科学版), 2018, 44( 4): 381- 391.

HAN S F, HE Y, FANG H. Recent development in automatic guidance and autonomous vehicle for agriculture: A Review[J]. Journal of Zhejiang university (agriculture and life sciences), 2018, 44( 4): 381- 391.

8
LOWENBERG-DEBOER J, FRANKLIN K, BEHRENDT K, et al. Economics of autonomous equipment for arable farms[J]. Precision agriculture, 2021, 22( 6): 1992- 2006.

9
AL-AMIN A K M A, LOWENBERG-DEBOER J, FRANKLIN K, et al. Economics of field size and shape for autonomous crop machines[J]. Precision agriculture, 2023, 24( 5): 1738- 1765.

10
HAYASHI E. Selected PFALs in Japan[M]// Plant Factory. Cambridge: Academic Press, 2020: 437- 454.

11
孟祥, 赵莹, 徐卓威, 等. 基于LoRa技术的农田智能灌溉系统设计[J]. 中国农机化学报, 2023, 44( 9): 161- 168.

MENG X, ZHAO Y, XU Z W, et al. Design of intelligent irrigation system for farmland based on LoRa technology [J]. Journal of Chinese agricultural mechanization, 2023, 44( 9): 161- 168

12
SONG Q L, LI L, HUANG X T. LELBC: A low energy lightweight block cipher for smart agriculture[J]. Internet of things, 2024, 25: ID 101022.

13
NAIR M, DANG S P, BEACH M A. IoT device authentication using self-organizing feature map data sets[J]. IEEE communications magazine, 2023, 61( 9): 162- 168.

14
齐小刚, 吴相远, 刘立芳. 无人机集群编队自组网可靠性评估[J]. 控制与决策, 2024, 39( 2): 689- 696.

QI X G, WU X Y, LIU L F. Reliability evaluation of ad hoc network for UAV swarm formation[J]. Control and decision, 2024, 39( 2): 689- 696.

15
ZHOU M, ZHENG H B, HE C, et al. Wheat phenology detection with the methodology of classification based on the time-series UAV images[J]. Field crops research, 2023, 292: ID 108798.

16
承达瑜, 何伟德, 付春晓, 等. 融合无人机光谱信息与纹理特征的冬小麦综合长势监测[J]. 农业机械学报, 2024, 55( 9): 249- 261.

CHENG D Y, HE W D, FU C X, et al. Comprehensive growth monitoring of winter wheat by integrating UAV spectral information and texture features[J]. Transactions of the Chinese society for agricultural machinery, 2024, 55( 9): 249- 261.

17
SAKAMOTO T, YOKOZAWA M, TORITANI H, et al. A crop phenology detection method using time-series MODIS data[J]. Remote sensing of environment, 2005, 96( 3/4): 366- 374.

18
LIU Z H, JIN S C, LIU X Q, et al. Extraction of wheat spike phenotypes from field-collected lidar data and exploration of their relationships with wheat yield[J]. IEEE transactions on geoscience and remote sensing, 2023, 61: 1- 13.

19
冯惠芬, 李映雪, 吴芳, 等. 机器学习结合高光谱植被指数与SPAD值估算冬小麦氮含量[J]. 农业工程学报, 2024, 40( 1): 227- 237.

FENG H F, LI Y X, WU F, et al. Estimating winter wheat nitrogen content using SPAD and hyperspectral vegetation indices with machine learning[J]. Transactions of the Chinese society of agricultural engineering, 2024, 40( 1): 227- 237.

20
张天, 张智刚, 罗锡文, 等. 低功耗BDS-SPP/INS融合定位系统的设计与试验[J]. 华南农业大学学报, 2024, 45( 3): 437- 445.

ZHANG T, ZHANG Z G, LUO X W, et al. Design and experiment of low-power BDS-SPP/INS fusion positioning system[J]. Journal of South China agricultural university, 2024, 45( 3): 437- 445.

21
曹冰雪, 李鸿飞, 赵春江, 等. 智慧农业科技创新引领农业新质生产力发展路径[J]. 智慧农业(中英文), 2024, 6( 4): 116- 127.

Cao B X, Li H F, Zhao C J, et al Smart agricultural technology innovation leads the development path of new quality productivity in agriculture[J]. Smart agriculture, 2024, 6 ( 4): 116- 127

22
JAISWAL S, BALLAL M S. Fuzzy inference based irrigation controller for agricultural demand side management[J]. Computers and electronics in agriculture, 2020, 175: ID 105537.

23
BENYEZZA H, BOUHEDDA M, REBOUH S. Zoning irrigation smart system based on fuzzy control technology and IoT for water and energy saving[J]. Journal of cleaner production, 2021, 302: ID 127001.

24
贾红军. 基于计算机控制的智能灌溉系统优化研究[J]. 农机化研究, 2024, 46( 10): 37- 42.

JIA H J. The optimization study for intelligent irrigation system based on computer control[J]. Journal of agricultural mechanization research, 2024, 46( 10): 37- 42.

25
RODRÍGUEZ J P, MONTOYA-MUNOZ A I, RODRIGUEZ-PABON C, et al. IoT-Agro: A smart farming system to Colombian coffee farms[J]. Computers and electronics in agriculture, 2021, 190: ID 106442.

26
CAMBRA BASECA C, SENDRA S, LLORET J, et al. A smart decision system for digital farming[J]. Agronomy, 2019, 9( 5): ID 216.

27
张洪奇, 张艳, 张晨, 等. 设施智慧农场大数据平台开发与应用[J]. 山东农业大学学报(自然科学版), 2024, 55( 3): 295- 303, 475.

ZHANG H Q, ZHANG Y, ZHANG C, et al. Development and application of big data platform for facility intelligent farm[J]. Journal of Shandong agricultural university (natural science edition), 2024, 55( 3): 295- 303, 475.

28
张强, 贾海霞. 德州市“吨半粮”生产能力建设探析[J]. 农机科技推广, 2023( 10): 40- 42.

29
张强, 贾海霞, 张长明. “国之大者”农机当先——德州市“吨半粮”生产能力建设探析[J]. 山东农机化, 2023( 3): 11- 12.

30
RIGATOS G G. Distributed filtering over sensor networks for autonomous navigation of UAVs[J]. Intelligent service robotics, 2012, 5( 3): 179- 198.

31
邸斌, 周锐, 董卓宁. 考虑信息成功传递概率的多无人机协同目标最优观测与跟踪[J]. 控制与决策, 2016, 31( 4): 616- 622.

DI B, ZHOU R, DONG Z N. Cooperative localization and tracking of multiple targets with the communication-aware unmanned aerial vehicle system[J]. Control and decision, 2016, 31( 4): 616- 622.

32
FU S W, ZHANG Y, CERIOTTI M, et al. Modeling packet loss rate of IEEE 802.15.4 links in diverse environmental conditions[C]// 2018 IEEE Wireless Communications and Networking Conference (WCNC). Piscataway, New Jersey, USA: IEEE, 2018.

Outlines

/