简介：摘要 : 农业模型、农业人工智能及数据分析等技术贯穿于智慧农业的信息感知、信息传输、信息处理与控制全过程，是智慧农业的核心技术。为进一步明晰农业模型的内涵和作用，促进农业模型进一步研究及应用，推动智慧农业健康、稳定和可持续发展，本研究采用系统分析、比较及关系框图等方法，分析了农业模型的内涵，阐述了农业模型和智慧农业要素与过程的关系，明确了农业模型的作用并附以应用案例，比较了农业模型的国内外重要发展动态与趋势。国内外农业模型研究与应用重要进展比较表明，农业模型研究应用需要考虑农业生物要素的 4个水平、农业环境要素的 6个尺度、农业技术与农业经济要素的 6个层次并采用相应方法进行，农业模型环境要素空间多尺度研究应用有较大发展潜力；农业模型与分子遗传学、感知技术及人工智能技术结合，农业模型研究应用的公私有组织协作，粮食安全挑战将成为农业模型进一步发展的重要推动力，且需更注重将各种农业系统模拟、数据库、和谐性与开放数据及决策支持系统相连接。中国农业模型研究与应用已形成具有中国特色的作物模型系列，也融入农业模型的互比较与改进、智慧农业等世界潮流，需要抢抓机遇，加快发展。农业模型是农业系统要素内及要素间关系的定量化表达，是农业科学定量与综合的重要方法，具有认识论价值，它与感知技术的结合可以在智慧农业数据获取与处理中发挥不可或缺的作用，成为信息农业技术落地应用的重要桥梁和纽带。

简介：摘要 : 为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性，实现在保持较高检测精度的同时，减轻模型计算量，降低检测耗时，减少模型计算和存储资源占用的目的，本研究通过改进轻量级的 MobileNetV3网络，结合关键点预测的目标检测网络（ CenterNet），构建了用于苹果检测的轻量级无锚点深度学习网络模型（ M-CenterNet），并通过与 CenterNet和单次多重检测器（ Single Shot Multibox Detector， SSD）网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明，本研究模型的平均精度、误检率和漏检率分别为 88.9%、 10.9%和 5.8%；模型体积和帧率分别为 14.2MB和 8.1fps；在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下，所提网络模型体积仅为 CenterNet网络的 1/4；相比于 SSD网络，所提网络模型的 AP提升了 3.9%，模型体积降低了 84.3%；本网络模型在 CPU环境中的运行速度比 CenterNet和 SSD网络提高了近 1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。

简介：摘要 : 叶片湿润时间（ LWD）是植物病害模型的重要输入变量之一，它与许多叶部病原菌的侵染有关，影响病原侵染和发育速率。为了准确地预测日光温室黄瓜病害的发生时间和方位，本研究于 2019年 3月和 9月在北京两个不同类型日光温室内按照棋盘格法设置了 9个采样点部署温湿光传感器和目测叶片湿润时间，每隔 1 h采集一次温度、湿度、辐射和叶片湿润数据进行定量估算分析。分析结果表明： BP神经网络模型在两个温室的试验条件下获得了相似的准确度（ ACC为 0.90和 0.92），比相对湿度经验模型估算叶片湿润时间的准确度（ ACC为 0.82和 0.84）更高，平均绝对误差 MAE分别为 1.81和 1.61 h，均方根误差 RSME分别为 2.10和 1.87，决定系数 R2分别为 0.87和 0.85；在晴天和多云天气条件下，叶片湿润时间的空间分布总体规律是南部＞中部＞北部，南面是叶片湿润平均时间（ 12.17 h/d）最长的区域；由东向西方向上，叶片湿润时间的空间分布总体规律是东部＞西部＞中部，中部是叶片湿润平均时间（ 4.83 h/d）最短的区域；雨天的叶片湿润平均时间比晴天和多云长，春季和秋季分别为 17.15和 17.41 h/d。这些变化和差异对温室黄瓜种群水平方向的叶片湿润时间分布具有重要影响，与大多数高湿性黄瓜病害的发生规律密切相关。本研究为预测温室黄瓜病害分布提供了有价值的参考，对控制病害流行和减少农药使用具有重要意义，提出的区域化分析温室内叶片湿润时间的方法，可以为模拟日光温室叶片湿润时间的空间分布提供参考。

简介：摘要 : 冠层光截获能力是反映作物品种间差异的重要功能性状，高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标，利用数字化植物表型平台（ D3P）模拟生成了 100种冠层结构不同的小麦品种在 5个生育期的三维冠层场景，记录了从原始冠层结构中提取的绿色叶面积指数（ GAI）、平均倾角（ AIA）和散射光截获率（ FIPARdif）信息作为真实值 ,进一步利用上述三维小麦场景开展了虚拟的激光雷达（ LiDAR）模拟实验，生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征（ H）和绿色分数特征（ GF）。最后，利用人工神经网络（ ANN）算法分别构建了从不同 LiDAR点云特征（ H、 GF和 H+GF）输入到 FIPARdif、 GAI和 AIA的反演模型。结果表明，对于 GAI、 AIA和 FIPARdif，预测精度从高到低对应的点云特征输入为 GF+H > H > GF。由此可见， H特征对提高目标表型特性的估算精度起到了重要作用。输入 GF + H特征，在中等测量噪音（ 10%）情况下， FIPARdif和 GAI的估算均获得了满意精度， R2分别为 0.95和 0.98，而 AIA的估算精度（ R2=0.20）还有待进一步提升。本研究基于 D3P模拟数据开展，算法的实际表现还有待通过田间数据进一步验证。尽管如此，本研究验证了 D3P协助表型算法开发的能力，展示了高通量 LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。