moshou(魔兽争霸3冰封王座)

美国20世纪80年代初提出精准农业的概念和设想,90年代初进入生产实际应用,部分技术和设备已经成熟和成型,但还没有形成系统,美国实施精准农业是根据需要、经济、实用的原则进行的,很少有把所有的技术都全套应用。

20世纪90年代以来,发达国家许多学者着力于研究运用高新技术提高农业劳动生产率和农资利用率,以达到经济效益、生态效益和社会效益的最大统一,最终实现农业生产可持续发展。目前各单项技术在农业中的应用得到了较多的推广,他们的研究取得了令人瞩目的成果,并建立了若干支持精准农业技术的示范应用系统。

如美国CaseIH公司的AFS、英国MasseyFerguson的Fieldstar、美国John公司的Greenstar等。美国、加拿大、澳大利亚等西方发达国家在农业中首先应用GPS。各国学者做了个单项技术在精准农业中的应用。E.LynnUsery等作了将精度为亚米级GPS用于采样、联合收割机导航等,厘米级用于施肥机械、喷药机械的导航等。

遥感以其独特的信息获取优势正逐渐成为农田信息获取的主要手段。用遥感获取土壤和植物参数已经比较普遍了,高光谱遥感是遥感发展的一个重要趋势。Raynond等做了运用遥感技术评估谷物生物量和营养状况的研究,Barnes等做了运用遥感技术制作土壤特性图的研究,Doraiswamy做了运用遥感技术评估作物产量的研究。目前GIS在国外精准农业应用中还处在农田权属管理、土壤肥力管理、产量分布图管理分析,以及简单空间分析阶段,并没有充分发挥GIS应有的作用,相应的管理软件也不成熟。Griffin做了运用GIS技术更好的利用农业数据的研究,S.Fountas做了为信息密集农业研究一个决策支持和信息流动的模型的研究。变量施肥是精准农业变量施用技术的第一项内容,也是研究最多的项目,技术较为成熟。

近几年来,国际上对作物生长过程监测、土壤水肥监测及产量监测上研究很深入。Chun-ChiehYang等研究了在不同的肥料应用策略下,运用数据挖掘技术对农用地进行分类。B.Bassoa等研究表明,作物模型与遥感的结合可以确定农田管理分区,分析出作物产量差异的原因。Hans-r。Langner等提出一个特殊的植被指数,红边差异指数（DIRT）,在作物覆盖完好时识别杂草。实验表明,运用该指数进行杂草识别时,效率和准确率要高于包括归一化指数在内的所有其他植被指数。

HungT.Nguyen等指出基于对数映射的部分最小二次回归（PLS）模型在计算四个植被变量时净干物质SDW、净氮量SN、净氮浓度SND、氮营养指数NNI,比基于原始反射数据的最小二次回归模型和(MSLR)多重逐步线性回归模型效果要好得多。说明运用叶冠层反射率与部分最小二次回归法计算水稻作物生长与营养状况的方法可以推广。D.Ehlert等研制了架设在车辆上的钟摆计,用来测量作物生物量。实验结果表明其测量精度足够满足不同作物阶段精准生物量的测量,其数据可用来生成作物长势图,用于不同化学物质的变量投入。

D.Moshou等研究了运用光学反射信息监测病虫害感染导致的植物应力,并且将这一应力与作物在田间状况下由于营养缺乏而导致的应力区分开来。DrissHaboudanea等提出运用混合模型和基于指数的方法,通过遥感数据预测作物叶绿素含量,同时使叶面积指数（LAI）影响最小化,并突出土壤(背景)的影响。T.Hague等研究了利用安装在拖拉机上的照相机拍摄的分辨率为0.25米谷类作物图像,自动识别杂草和作物的方法。

FrankSchmidt等研究了土壤湿度指数与土壤地形的关系,指出土壤湿度指数能用于评价田块潜在土壤湿度模式和由于侵蚀造成的土壤质地的变化。土壤湿度的评价质量随水流规则和地形特征变化而变化。在地形较高的区域,可以形成高质量的土壤湿度图,从而可用于农田灌溉处方图的生成。FengChen等研究了预测表层图土壤粘度的方法,指出通过土壤电导率预测土壤粘度方法最好,土壤粘度有影响到作物的长势及其他精准农作的实施。ManuKrishnana等研究了精准农业中肥料播洒机的自适应建模与控制,提出了一个通用建模与控制的方法,这一投入产出建模方法能够处理大范围的肥料变化,并控制复杂的非线性动态的机械的运动。V.I.Adamchuka综述了现在土壤传感器的发展情况,指出发展电子和电磁传感器外,还应发展光学的、电波的、机械的、声学的、风动的以及电子化学的测量设备。

C.A.Cambardella等研究指出,农业管理能影响土壤属性,这些土壤特性有极强的空间相关性。这一结果在精准农业信息的采集和解译上有重要的应用。Q.Zhang等研究了一个信息表模型,基于田间可管理数量的阻碍,以信息提交的形式来进行和管理产量数据。该模型为处理不均匀的分布的及广泛变化的产量数据提供了方法,将大量的原始产量数据转化成信息化的、可管理的模糊层次,并用易于与其他相关产量信息相联接从而支持精准决策的制定的方法来代表形成模糊层次。

YuxinMiao等运用人工神经网络(ANN)分析评估了相对重要的精选土壤、地貌、杂交种因素对谷类产量和质量的影响,认为杂交种对作物质量的影响更大。H.I.Reuter提出依据数字高程模型（DEM）对地层单元进行分类,确定其对生物来发展的影响。实验表明,地层分析有助于解释田块中不同年份谷物产量的变化。Andreas.Perssom等研究了试验区产量与地形因素间的关系。指出地形因素对产量有影响,地形的影响暗示了精准农业的管理和策略应包括地形结构。K.Diker等分别分析了谷物产量的影响因素。ChenghaiYang等研究了遥感技术在作物产量监测上的应用。J.L.Ping等研究了产量图的制作及修正和建模。

（安根团队摘自吴进：精准农业研究）

安根团队，20余位各领域农业专家，提供成熟的土壤恢复集成方案、生态修复集成方案、农残解决集成方案和生态农业社会化服务。

本文标签：