信息农机农艺技术融合的小麦智慧生产模式研究

马新明 马兆务 许鑫 席磊 熊淑萍 李海洋

摘要： 为研究智慧农业发展模式与实现途径，本研究设计了小麦产前、产中和产后各生产阶段信息技术与农机农艺融合的基本框架，即产前利用精准导航和激光平地技术实现对土地精准规范化作业，利用空间插值技术和变量施肥技术实现精准化播种与施肥;产中利用物联网和图像处理技术开展营养诊断服务;产后运用传感器技术开展产量实时预测服务。完成并实现了普通农机装备的智能化改造和与农业生产相适应的播种收获装备的研发;研究了具有高效利用光热资源、提高产量和绿色发展的小麦生产优化种植模式;研发了与小麦产前品种播期播量选择和施肥推荐、产中苗情营养诊断、产后产量实时测报等相关系统，并在河南省进行了试验。试验结果表明，采用信息技术与农机农艺融合方案可使小麦增产18.4%，增加产投比16.7%和8.1%，表明信息技术与农机农艺融合的小麦智慧化生产模式是有效的、可行的。

关键词： 信息农机农艺融合;小麦;智慧生产;发展模式;农业信息化

中图分类号： S3 文献标志码： A 文章编号： 201910-SA001

引文格式：马新明， 马兆务， 许  鑫， 席  磊， 熊淑萍， 李海洋. 信息农机农艺技术融合的小麦智慧生产模式研究[J]. 智慧农业， 2019，1（4）： 62-71.

1 引言

智慧农业是农业发展的高级阶段，是通过将现代信息技术应用于传统农业生产，为农业信息获取、生产过程控制以及精准管理决策等提供个性化、智能化、高效的服务[1，2]，具有节约资源，改善环境，转变生产方式，提高生产效率，推动生产结构转型升级等功能[3]。

智慧农业已经成为国内外发展现代农业的共同目标[4，5]。20世纪90年代以来，美国政府每年拨款10多亿美元，用于加强农业信息化相关技术的推广和应用[6];英、德等欧洲国家通过政府、农协、合作社等各种途径，实现农业规模化、产业化和信息化经营[7];日本通过政府和地方合作，建立了严密的农技推广体系，推动智慧农业的发展[8]。中国高度重视智慧农业发展，先后出台了《国家信息化发展战略纲要》《全国农业现代化规划（2016-2020）》《关于实施乡村振兴战略的意见》等指导性文件，明确将智慧农业发展和乡村振兴结合起来，指明我国农业、农村的发展方向[9-11]。

智慧农业已成为国内外学术界研究探讨的热点问题。在国外，Carlos等[12]研究了物联网技术在农业精准灌溉的应用，通过开发基于物联网的农业精准灌溉智能水管理平台，实现了灌溉的精准、高效;Muangprathub等[13]提出了一种基于无线传感器网络的农作物优化灌溉系统，可以通过智能手机和网络应用程序实现对数据管理;White等[14]利用收集的大數据，通过算法分析加强牲畜经营决策的科学性，促进牲畜精确管理;Hsu等[15]提出了一种基于物联网和云计算平台的创新服务流程，可以应用于大面积数据采集和分析，实现网络信息资源的集成和自动化; Patrício和Rieder[16]利用图像模式识别技术，结合人工智能，探讨了计算机视觉在精准农业中的适用性;Liakos等[17]建立了机器学习在农业生产系统中的作物管理、畜牧管理、水管理以及土壤管理的具体应用。

在国内，赵春江[18]在系统分析国内外智慧农业现状基础上，提出了发展中国智慧农业的三大转变、八项重点任务和五项政策建议;徐建国和肖海峰[19]利用大数据技术，研发了基于大数据的智慧农业物联网系统;佟彩等[20]探讨了“3S”技术在智慧农业中作物长势、土壤环境等信息的监测采集、作物产量估产、灾害损失评估、田间管理智能决策及展示等方面的应用;王晓敏和邓春景[21]基于当前中国智慧农业面临的问题，提出了在“互联网+”的背景下智慧农业发展路径;孙志国[22]展望了区块链技术对智慧农业生产的影响;李兵等[23]利用决策树算法构建了基于机器学习的智慧农业决策系统，使处理复杂农业环境信息的准确率和及时度分别达到97%和95%。但是，现有的智慧农业研究多是单项技术或单一模式运用，缺乏面向作物生长全过程的综合利用多项信息技术，以及融合农机、农艺面向作物全生育期的智慧农业发展模式。

河南是农业大省，随着现代农业的发展，河南省现代农业的条件不断完善。统计资料显示，河南省已建成高标准粮田41300km2，主要农作物耕种收综合机械化水平达82.6%，4G网络、光纤进村等农业信息化基础和农业信息服务水平逐年提高[24]，同时农村实现土地流转和规模化经营水平不断提高、新型农业经营主体和新型职业农民不断增加，为智慧农业发展奠定了基础[25，26]。本研究拟从信息技术与农机、农艺融合的角度，以小麦为研究对象，探讨智慧农业在小麦生产过程中的应用，以期为智慧农业由理念到实践、由技术到产业应用提供技术支撑。

2 试验设计与方案

2.1 种植试验设计

2.1.1 试验选址

本研究在河南省长葛市石象镇国家2011协同创新现代农业试验区（113°58'26 E，34°12'06″N）进行。试验区前茬作物为玉米。试验地土壤质地为中壤，0～20cm土壤有机质含量为18.40g/kg，碱解氮含量为101.22mg/kg，速效磷含量为9.83mg/kg，速效钾含量为98.44mg/kg，土壤pH值为7.65。

2.1.2 种植试验方案

农艺技术是实现农业绿色发展的基础，关键农艺技术主要包括品种选择、良种良法配套技术等。试验设置精准播种（精播）、精准播种与激光平地集成（精播+精平）和常规种植（一般农户）3个处理。每个处理地块长300m，宽150m，面积约为4.5hm2，每个处理设18个取样点，每个取样点网格为50m×50m，供试小麦品种为“西农979”，播种时间为2014年10月15日，“精播”处理和“精播+精平”处理的播种量为157.5kg/hm2，常规处理播种量为195kg/hm2。“精播”和“精播+精平”两处理小麦均采用宽窄行种植，4行小麦，窄行距为12cm，宽行距为24cm[27]，小麦幅宽为36cm。播种小麦前施底肥，用量为750kg/hm2（复合肥N：P：K=23：16：6），拔节期再追施120kg/hm2的尿素，追肥后灌水，其他管理同一般大田。

试验在产前利用大数据和机器学习技术，根据当地历史气象和生产潜力评价结果开展品种和播期播量推荐，播种时利用空间插值技术开展变量施肥和精准播种技术，产中利用图像处理与模式识别技术开展营养诊断服务，产后利用物联网和传感器技术实现产量的精确测报。

2.2 智慧生产模式框架设计

信息技术与农机农艺融合程度不足是制约现代农业发展的重要因素，影响了智慧农业的发展进程[28]。作物优质高效生产必须从种植方案这一核心问题入手，实现从平整土地到收获测产全过程的精准控制、智能决策、监测追踪，因此，研发“激光平地-智能耕整-精准施肥播种-精准管理-精准收获”的面向小麦全生育期的智慧生产模式是本研究设计的基本框架，具体流程如图1所示。

试验从信息技术、农机、农艺三个维度，围绕融合开展集成与应用。信息技术主要是针对小麦品种、播期播量、施肥等优化生产方案推荐、小麦苗情长势、营养亏缺监测与产量测报等;农机方面重点考虑在现代农机条件下的智能化改造问题，如农机选型、GPS导航仪安装以及收获产量测报仪设计等;农艺技术主要考虑小麦品种、播期、播量、精施底肥和种植模式设计问题。

2.3 农机装备智能化方案

为提高农业机械的智能化，基于“七分种三分管”的思想，在土地深耕、施肥播种方面对农机进行智能化改造，以全面提高整地质量[29]。

在土地翻耕过程中，在农机上安装北斗精准导航设备，运用运动规划最优化方法，构建农机弓形和鱼尾形转弯路径的轨迹解析模型，提出转弯耗时最短的路径规划算法，实现自动导航拖拉机田间作业的全区域覆盖路径规划[30]，结合激光平地设备实现土壤的精准、规范化平地。激光平地处理采用国家农业信息化工程技术研究中心的1PJ-2500激光平地机实施无纵横坡激光平地作业，幅宽2.5m，平地精度为2cm，常规处理采用农民自选的机械进行整地。

在施肥播种阶段，在农机上集成北斗和GPS导航及小麦播种监控系统，结合GIS空间插值技术，按照事先制作的变量施肥处方图，结合变量施肥机械实现肥料的变量精确施用[31]。在此基础上，为了配合宽窄行、播种镇压等农艺技术要求，设计外槽轮精密排种和前置平土镇压式播种机具，以期实现农机信息化和农机农艺适应化的深度融合的播种机械，精确控制冬小麦的播种量、播种均匀度，满足小麦种植技术要求。

2.4 小麦信息服务管理系统研制

在农机农艺融合的基础上，围绕产前、产中和产后，研建了面向小麦整个生育期的信息服务管理系统，实现了小麦生产全过程的信息化服務。

2.4.1 品种播期播量推荐系统

以小麦等作物品种的生态适应性为基础，基于种、肥、耕地等农业资源的分布，建立农田空间分布、农田属性（农田分布、土壤质地、土壤养分、灌溉等）、品种类型及种植面积等生产信息数据库，开展品种和播期播量推荐服务，模型如图2所示。

根据决策点常年气候资料确定所能种植的品种类型，通过量化决策点所能提供的生理春化时间、寒冷程度、日照长度、有效积温、土壤肥力，用户对品种的需求和可选品种的特性，计算出品种各特征值的置信度，并以品种总置信度为依据构建多目标匹配品种和播期播量推荐模型。结合种植方案优化设计，在农业理论知识、事实数据和专家经验的基础上，基于产前数据库、知识库，优化品种配置、播期播量等决策，利用软件技术、智能决策等技术，推荐决策点适宜种植的品种和播期播量，构建基于WebGIS的小麦产前信息服务推荐系统。

2.4.2 县域精准测土配方施肥系统

结合试验区地域特点和养分平衡法，基于多年土壤采样数据，进行了施肥模型的本地化。由于土壤采样点养分含量除了受采样点距离变化的影响外，还受土壤质地等多种因素变异的影响。因此，本研究在利用反距离加权插值对土壤养分进行插值的过程中，在查找邻近点的选择和查找过程中又引入了K最近邻算法（k-Nearest Neighbor，KNN）对反距离加权插值算法（Inverse Distance Weight，IDW）进行了改进，建立了土壤采样点空间索引，结合K最近邻算法和反距离加权插值对采样点数据进行空间插值处理，实现了基于KNN和IDW的土壤养分空间插值算法[32]，算法流程如图3。通过这种算法，实现了没有土壤采样点的地块的土壤养分科学预测，在此基础上，综合借鉴养分平衡原理，以产量和品质为目标，根据小麦一生的养分吸收需求、小麦一生的养分基础吸收量以及肥料当季利用率等计算实现预定目标所需的氮、磷、钾总施用量，根据决策点产量和品质目标，确定小麦的最终施肥用量。

2.4.3 小麦叶片营养远程监测系统

在研究大田环境下小麦图像的自动分割与颜色特征提取技术的基础上，建立小麦营养状况估测模型。最终在系统中加以集成，建立具有小麦群体图像分割与营养估测功能的小麦营养状况远程监测模型[32]（图4），利用图像归一化技术消除图像颜色及其分布的方法会因光照条件和相机设备的不同而不同，克服部分光照变化及阴影对图像的影响，采用模式识别的图像分割方法将小麦图像对象进行分类，构建一个无监督的图像分割模型，选择RGB彩色模型，通过马氏距离对小麦群体图像进行图像分割后，通过形态学图像处理对图像去噪，得到小麦原始图像和归一化图像中的颜色信息，提取的颜色信息包括：原始图像中小麦颜色的一阶矩、原始图像中小麦颜色的二阶矩、归一化图像中小麦颜色的一阶矩、归一化图像中小麦颜色的二阶矩共12个颜色特征，进而构建颜色特征模型与小麦营养状况模型，实现大田环境下小麦营养状况的无损监测，解决大田环境下作物图像分析的难题。

2.4.4 基于传感器的产量实时测报系统

在收获期，通过集成计量传感器、速度传感器、割台高度传感器以及GPS，采用CAN（Controller Area Network）总线和无线通信技术，研制了小麦实时测产系统装置，并安装部署在大型联合收割机上。

基于传感器的产量收获测报系统主要由数据采集模块、监控终端和数据处理模块三部分构成[33]。数据采集模块主要通过集成的小麦计量传感器来实时监测产量，再利用速度传感器和割台高度传感器来实时的获取数据，这些传感器获取的信号数据通过CAN总线和无线通信技术的方式传输到数据处理模块，从而实现数据的采集工作;数据处理模块主要实现对采集数据的计算和分析，实现小麦收割与产量测报的同步进行，测报的误差小于5%。

3 结果分析与讨论

3.1 小麦田间种植效果

试验采用的12cm-12cm-12cm-24cm（4行小麦，窄行距12cm，宽行距24cm）的宽窄行配置模式，该模式通过农机设备改造与农艺的深度融合，实现了农机自动导航和农艺的一体化高产群体配置，实现小麦行距和播量的精准控制，从而达到小麦田间行距和株距的合理最佳组合配置。在生产中，除了增加穗数以提高产量外，同时创建了合理的群体结构，改善了群体通风透光能力，保持小麦穗层一致（图5），为小麦增产奠定基础。

3.2 小麦精准种植效益分析

试验区全程进行机械化管理，每个处理中有18个试验小区，“精播+精平”处理中有83%的试验小区的籽粒产量高于8000kg/hm2，而精播处理中仅有33%、常规处理中仅有22%的试验小区籽粒产量高于8000kg/hm2，如表1所示。常规处理共计投入8802.5元/hm2;“精播”和“精播+精平”处理投入比常规处理有所增加，从整地到收获全程种子、化肥、农药、灌溉、机械服务费用所有的非精准种植投入为8694.5元/hm2，与常规处理相比增加了激光平地和GPS导航的费用（表2）。本研究中均按照服务费用进行计算，其中激光平地费用为1200元/hm2，GPS导航增加的服务费用为150元/hm2，参考河南省的作业补贴额度为750元/hm2。

通过与对照处理结果进行比较，试验区小麦平均产量为8819.6kg/hm2，比对照的7442.8kg/hm2增产1376.8kg/hm2，增长率达18.4%，提高经济产投比16.7%（精播）和8.1%（精播+精平）。同时，在“精播+精平”处理下，土壤无机氮浓度平均值均低于常规处理，说明信息技术与农机农艺融合还具有减少土壤无机氮含量的作用，有利于小麦的绿色生产。

试验结果与常规小麦种植模式比较表明，精准播种及精准播种与激光平地技术集成应用均能显著提高冬小麦的籽粒产量，说明精准播种技术和激光平地技术均可以提高作物产量。而精准播种与激光平地集成技术的应用增产效果更为显著，说明激光平地扩大了精准播种的效果，提高了小麦产量。

3.3 土壤养分空间数据预测结果

为了提高变量施肥作业的精准度和执行效率，以试验区2014年土壤养分采样点数据238个采样点土壤养分数据为数据源，移动硬件环境CPU采用ARM架构，主频1.6GHz，4核心，基于Android 4.4移动平台，实现上述土壤养分插值计算方法。并在保证算法执行效率小于3s的情况下，试验从总样本中随机挑选出50个采样点作为需要预测的待插值数据，把剩余的采样点作为插值数据。经过多次试验，测试在相同土壤质地下，不同最近邻数对采样点结果数据的影响，对样本数据中的pH、有机质、速效磷、速效钾进行了空间插值处理和效果分析。有效预测土壤pH、有机质、速效钾含量等，最优平均绝对误差分别为：0.0405、0.3870、0.0015。

4 结论

本研究以小麦玉米两熟智慧生产角度，从信息技术与农机农艺三个维度论述了三者融合过程中的相关技术和方法，为智慧农业种植提供了技术参考和依据。

“激光平地-智能耕整-精准施肥播种-精准管理-精准收获”的面向全生育期的智慧种植模式可以有效提高小麦产量，并有一定的环境效益，说明智慧农业应发展综合多项的技术服务模式。

智慧农业的发展是在传统农业的基础上，融合了互联网技术、物联网技术、“3S”技术、音视频技术、云计算、大数据技术等现代信息技术。因此，在运用现代信息技术发展智慧农业时，要注意多技术间的融合，以提高信息感知、获取、分析、决策的水平。

通过研究表明信息技术与农机农艺融合的智慧农业模式符合河南省省情，对粮食持续增产和绿色发展具有可推广的价值，实现了智慧农业由理论到实践的价值，也为智慧农业在种植业中的发展提供了参考。

致谢

本试验在赵春江院士指导下完成。原国家农业信息化工程技术中心陈静博士对部分试验数据进行了监测。

参考文献

[1] 申格， 吴文斌， 史云， 等. 我国智慧农业研究和应用最新进展分析[J]. 中国农业信息， 2018， 30（2）： 1-14.

Shen G， Wu W， Shi Y， et al. The latest progress in research and application of smart agriculture in China[J]. China Agricultural Information， 2018， 30（2）： 1-14.

[2] O'Grady M J， O'Hare G M P. Modelling the smart farm[J]. Information Processing in Agriculture， 2017， （4）： 179-187.

[3] 胡亞兰， 张荣. 我国智慧农业的运营模式、问题与战略对策[J]. 经济体制改革， 2017， （4）： 70-76.

Hu Y， Zhang R. The operation mode， problems and countermeasures of the wisdom agriculture in china[J]. Reform of Economic System， 2017， （4）： 70-76.

[4] Antonacci A， Arduini F， Moscone D， et al. Nanostructured （Bio）sensors for smart agriculture[J]. Trends in Analytical Chemistry， 2018（98）： 95-103.

[5] Prakash P J， Ali Y， Dimitrios G， et al. Internet of things platform for smart farming： experiences and lessons learnt[J]. Sensors （Basel， Switzerland）， 2016， 16（11）： 1884.

[6] Nugroho A P， Okayasu T， Inoue E， et al. Development of actuation framework for agricultural informatization supporting system[C]// IFAC Bio-Robotics， At Osaka， 2013， 46： 181-186.

[7] Zhu X， Liu Y. ZigBee implementation in intelligent agriculture based on internet of things[P]. Emeit-12， 2012.

[8] Li Y. Japan's modern agriculture and its effects on   agricultural development of anhui province[J]. Asian Agricultural Research， 2017， 9（5）： 52-55.

[9] 趙春江. 提高农机智能化水平 加快智慧农业应用发展[N]. 中国农机化导报， 2019-02-04 （001）.

Zhao C. Improving the level of agricultural machinery intelligence and accelerating the development of smart agriculture application[N]. China Agricultural Mechanization Guide， 2019-02-04 （001）.

[10]  钱素娟， 刘海英. 我国智慧农业的运营模式、挑战与转型路径[J]. 改革与战略， 2018， 34（1）： 116-119.

Qian S， Liu H. The operation mode， challenge and transition path of intelligent agriculture in China[J]. Reformation & Strategy， 2018， 34 （1）： 116-119.

[11] 张继梅. 我国智慧农业的发展路径及保障[J]. 改革与战略， 2017， 33（7）： 104-107.

Zhang J. The development path and guarantee of China's wisdom agriculture[J]. Reformation & Strategy， 2017， 33（7）： 104-107.

[12] Carlos K， Pekka S J， Markus T， et al. Smart water management platform： IoT-based precision irrigation for agriculture[J]. Sensors （Basel， Switzerland）， 2019， 19（2）： 276.

[13] Muangprathub J， Boonnam N， Kajornkasirat S， et al. IoT and agriculture data analysis for smart farm[J]. Computers and Electronics in Agriculture， 2019， 156： 467-474.

[14] White B J， Amrine D E， Larson R L. Big data analytics and precision animal agriculture symposium： Data to decisions[J]. Journal of Animal Science， 2018， 96（4）： 1531-1539.

[15] Hsu T C， Yang H， Chung Y C， et al. A creative IoT agriculture platform for cloud fog computing[J]. Sustainable Computing： Informatics and Systems， 2018. https：//doi.org/10.1016/j.suscom.2018.10.006.

[16] Patrício D I， Rieder R. Computer vision and artificial intelligence in precision agriculture for grain crops： A systematic review[J]. Computers and Electronics in Agriculture， 2018， 153： 69-81.

[17] Liakos K G， Busato P， Moshou D， et al. Machine learning in agriculture： a review[J]. Sensors （Basel， Switzerland）， 2018， 18（8）： 2674.

[18] 赵春江. 智慧农业发展现状及战略目标研究[J].智  慧农业， 2019， 1（1）： 1-7.

Zhao C. State-of-the-art and recommended developmental strategic objectives of smart   agriculture[J]. Smart Agriculture， 2019， 1（1）： 1-7.

[19] 徐建国， 肖海峰. 基于大数据的智慧农业物联网系统实现[J]. 软件导刊， 2018， 17（8）： 129-132， 140.

Xu J， Xiao H. Realization of a wisdom agricultural internet of things system based on big data[J]. Software Guide， 2018， 17 （8）： 129-132， 140.

[20] 佟彩， 吴秋兰， 刘琛， 等. 基于3S技术的智慧农业研究进展[J]. 山东农业大学学报（自然科学版）， 2015， 46（6）： 856-860.

Tong C， Wu Q， Liu C， et al. A Review of wisdom agriculture based on 3S technologies[J]. Journal of Shandong Agricultural University （Natural Science Edition）， 2015， 46（6）： 856-860.

[21] 王晓敏， 邓春景. 基于“互联网+”背景的我国智慧农业发展策略与路径[J]. 江苏农业科学， 2017， 45（16）： 312-315.

[22] 孙志国. 区块链、物联网与智慧农业[J]. 农业展望， 2017， 13（12）： 72-74.

Sun Z. Block Chain， Internet of things and intelligent agriculture[J]. Agricultural Outlook， 2017， 13（12）： 72-74.

[23] 李兵， 林文钊， 罗峥尹. 基于机器学习的智慧农业决策系统设计与实现[J]. 信息与电脑（理论版）， 2018， （24）： 74-75.Li B， Lin W， Luo Z. Design and implementation of intel         ligrent agricultural decision system based on machine            learning[J]. China Computer&Communication， 2018，（24）： 74-75.

[24] 孙岩， 马中杰， 郑国清. 河南省农业信息服务现状及发展对策[J]. 河南农业科学， 2013， 42（12）： 158-161.

Sun Y， Ma Z， Zheng G. Agricultural information service situation and countermeasures in Henan[J]. Journal of Henan Agricultural Sciences， 2013， 42 （12）： 158-161.

[25] 高雅雯. 河南省農村土地流转问题研究[D]. 秦皇岛： 河北科技师范学院， 2017.

Gao Y. The research on province land circulation problem in Henan[D]. Qinhuangdao： Hebei Normal University of Science & Technology， 2017.

[26] 陈威， 郭书普. 中国农业信息化技术发展现状及存在的问题[J]. 农业工程学报， 2013， 29（22）： 196-205.

Chen W， Guo S. Current situation and existing problems of agricultural informatization in China[J]. Transactions of the CSAE， 2013， 29（22）： 196-205.

[27] 熊淑萍， 孟香苹， 王小纯， 等. 小麦玉米一体化群体配置对小麦冠层结构和产量影响[J]. 麦类作物学报， 2018， 38（8）： 970-978.

Xiong S， Meng X， Wang X， et al. Effects of wheat and maize integrated population patterns on the canopy structure and yield of wheat[J]. Journal of Triticeae Crops， 2018， 38（8）： 970-978.

[28] 梁建， 陈聪， 曹光乔. 农机农艺融合理论方法与实现途径研究[J]. 中国农机化学报， 2014， 35（3）： 1-3， 7.

Liang J， Chen C， Cao G. Theoretical methods and approach for integration of agricultural machinery and agronomy[J]. Journal of Chinese Agricultural Mechanization， 2014， 35 （3）： 1-3， 7.

[29] 羅锡文， 廖娟， 邹湘军， 等. 信息技术提升农业机械化水平[J]. 农业工程学报， 2016， 32（20）： 1-14.

Luo X， Liao J， Zou X， et al. Enhancing agricultural mechanization level through information technology[J]. Transactions of the CSAE， 2016， 32（20）： 1-14.

[30] 王建波， 赵玉芹， 朱晨辉， 等. 自动导航拖拉机田间作业路径规划与应用试验[J]. 农机化研究， 2017， 39（2）： 242-245.

Wang J， Zhao Y， Zhu C， et al. Field-work path planning for tractor with automatic navigation and practical application[J]. Journal of Agricultural Mechanization Research， 2017， 39（2）： 242-245.

[31] 许鑫， 张浩， 席磊， 等. 基于WebGIS的小麦精准施肥决策系统[J]. 农业工程学报， 2011， 27（S2）： 94-98.

Xu X， Zhang H， Xi L， et al. Decision-making system for wheat precision fertilization based on WebGIS[J]. Transactions of the CSAE， 2011， 27（S2）： 94-98.

[32] 时雷， 庞晓丹， 钱诚， 等. 基于图像处理技术的小麦群体叶绿素状况估计研究[J]. 太原理工大学学报， 2016， 47（2）： 223-227， 232.

Shi L， Pang X， Qian C， et al. Research on estimation of wheat population chlorophyll status using image processing technology[J]. Journal of Taiyuan University of Technology， 2016， 47 （2）： 223-227，  232.

[33] 汪强， 郑光， 马新明， 等. 小麦产量实时测报系统[J]. 计算机系统应用， 2016， 25（11）： 279-283.