作物长势监测仪数据采集与分析系统设计及应用

王娇娇 徐波 王聪聪 杨贵军 杨忠 梅新 杨小冬

摘要： 针对中小农场对作物长势快速监测与精确诊断的需求，本研究设计了作物长势监测仪（CropSense）数据采集与分析系统，该系统实现了数据采集、处理、分析和管理的一体化集成。系统通过蓝牙技术连接智能手机和作物长势监测仪获取作物采样数据，经服务器中内置光谱模型计算得到地块的作物生长参数分布专题图。依据地块预期产量指标，可提供可视化的专家决策处方。用户只需点击一次按钮，即可实时获取田间作物的监测诊断信息和专业的田间管理指导方案。目前系统已在多个研究机构实验农场试用，其中在小汤山基地的应用示例结果顯示：在玉米大喇叭口期使用该系统进行作物诊断和指导施肥，比传统的施肥方案减少约16.67%施肥量。该系统具有采集分析数据高效便利、推荐施肥方案优化合理等特点，在中国家庭农场快速增长的背景下，具有广阔的应用前景。

关键词： 数据采集;长势分析;实时诊断;专家决策

中图分类号： TP391 文献标志码： A 文章编号： 201910-SA002

引文格式：王娇娇， 徐  波， 王聪聪， 杨贵军， 杨  忠， 梅  新， 杨小冬. 作物长势监测仪数据采集与分析系统设计及应用[J]. 智慧农业， 2019，1（4）： 91-104.

1 引言

作物生长状况，如叶绿素含量、氮素含量、叶面积指数等直接影响作物的生长发育、品质、产量，是作物长势监测的重要指标，是评价作物长势的重要数据来源，也是作物生产精确管理调控的重要依据[1-4]。实时获取作物生长参数可以让农户及时了解作物生长状况、制定相应施肥施药计划，从而保证作物健康生长。

传统获取大田作物生长状态指标的方法以田间采样、室内测量分析等为主，结果虽然相对准确，但是时效性差、记录不便、具有破坏性、费时费力且无法实现区域范围的监测[5]。遥感技术监测作物性状可以弥补传统手段中存在的破坏性、滞后性、不能获取大范围作物长势参数[6]等不足，并且可通过分析提供专家决策方案，是当前研究的热点之一[7-9]，但是对于小尺度地块，卫星遥感的监测精度较差[10]。智能手机的普及、移动GIS（Geographic Information System）的发展和广泛应用可以弥补中高分辨率影像监测小尺度地块存在的缺点，因此许多学者开展了有关使用智能手机采集、分析田间作物参数的研究。

倪军等[3]研发了一种基于多光谱传感器的便携式作物生长检测诊断仪。该仪器可以实时无损地获取作物叶面积指数、生物量、叶片含氮量等生长指标，但是不能对结果进行分析，缺少专家决策。卢少林等[4]设计了一种基于主动光源的双波段作物生长信息监测仪，可在不同光照条件下监测大田作物生长状况;李修华等[11]开发出可监测水稻生长的双波段作物长势分析仪，可有效控制投入并提高产量。叶思菁等[12]基于移动GIS设计并实现了作物种植环境数据采集系统原型，可存储并查询景观照片数据，在实际应用中表现良好;马旭颖等[13]使用云服务平台和微信小程序设计了田间信息采集系统，可直接通过小程序上传作物冠层图像至云端计算植株行距，小程序运行不受手机系统的限制。Liu等[14]开发了一种新的作物检测系统，该系统可测量作物冠层的光谱反射率，进而反映不同氮胁迫条件下冬小麦的叶绿素含量。国外的大田作物数据采集、长势监测系统已比较成熟，包括一些比较成熟的软件系统，如FieldLog[15]、PenMap[16]等。除此之外，Abdullah and Muhadi[17]设计的DaCOP移动端应用可成功收集油棕灵芝疾病数据，Wagtendonk等[18]基于移动GIS开发设计了一套可在野外采集作物信息等的软硬件系统，系统可结合卫星影像生成作物矢量图。

上述系统大多仅在田间监测作物的光谱信息或图像信息，作物图像采集系统未直接与作物生长状况相关参数结合，不能直观体现农作物的长势;可监测作物光谱特征的传感器大多未结合长势监测模型和计算方法转化为相关系统。而同时采集上述两种数据，集成表征作物长势的模型可更好得帮助农户了解作物的生长情况[19，20]。

为满足用户对作物长势参数的实时获取、诊断、分析等需求，本研究基于国家农业信息化工程技术中心开发研制的作物长势监测仪CropSense，通过Android平台、移动GIS技术以及系统内置模型库中表示作物生长状况的数据模型，开发了数据采集与分析软件系统，用户通过手持仪器和智能手机即可实时查看大田作物的长势及对应的生产处方图等，为普通农户实时了解作物生长情况、中小农场实现精细农业生产提供了理论和技术支持。

2 系统设计

2.1 作物长势监测仪CropSense

作物生长监测仪CropSense是一款基于双通道高通量光谱信号的便携式作物长势健康分析诊断仪器，用户可手持仪器在野外直接采集作物冠层在红光和近红外波段处的入射光强和反射光强，仪器的正面如图1所示。

与其他光谱传感器相比，此仪器尺寸小、重量轻、便于携带，具体参数见表1。除此之外，表2为CropSense所测光谱数据与美国SRS-NDVI归一化植被指数测量仪测得的光强数据的对比，对两组数据进行回归分析，相关系数R2达到0.97，测试数据表明Cropsense的测量精度较高。目前，CropSense已在定点试用和逐步推广中，是家庭农场、合作社、农业企业等新型农业经营主体和农技推广、农业调查等政府部门快速获取作物长势健康状态的一款高性能产品。

2.2 系统总体设计

系统的软件部分采用客户机和服务器结构（Client-Server，C/S结构）开发设计，包括客户端应用层、网络服务层和数据存储层三部分，系统架构如图2所示。

（1）客户端应用层：负责用户与传感器交互，采集作物的光谱数据和图像数据，利用模型计算归一化植被指数（Normalized Vegetation Index，NDVI）并依据遥感模型反演作物参数;通过与网络服务层交互，上传采集的参数及计算的参量，并接收网络服务层生成的遥感监测专题图和推荐施肥处方专题图。

（2）网络服务层：负责移动端与数据存储层的交互。网络服务层建立初始的作物遥感反演模型并推送至注册的手机APP中，将移动端上传的地块边界、测量数据、反演参数等依据反演模型生成各专题图并推送至移动端;最终将接收的移动端数据及专题图数据等上传至数据存储层。

网络服务层使用由Tomcat发布的基于Java Servlet技术开发的Web服务为移动端处理数据、更新作物生长状况辅助数据、模型及软件，通过解析Json格式文件，实现移动端与数据存储层的数据交互过程。Tomcat服务器是一个免费的开放源代码的Web应用服务器，属于轻量级应用服务器，适用于中小型应用。Json是一种轻量级的数据交换格式，层次结构简洁、清晰，易于机器解析和生成，可有效地提升网络传输效率。

空间可视化服务则通过ArcGIS Server支持，为移动端提供地图可视化服务及空间数据处理功能等。ArcGIS Runtime SDK for Android是 Android设备开发工具，用户可以通过此工具构建本地应用程序，并为应用提供强大的空间分析、可视化功能。

（3）数据存储层：存储、管理系统所需要的数据，包括空间数据和属性数据。其中，属性数据直接存储在SQL Server，空间数据则通过ArcGIS的空间数据引擎（ArcSDE）存储于SQL Server中。本系统所设计的业务逻辑主要如下。

用户针对某一季作物提出整体采样方案，整个方案周期为播种时间到收获时间，属性包括种植作物信息、累计进行采样事件的次数等。其中一个方案周期内含有多个采集活动（至少每个生育期有一次）。

执行每一次采样活动，记录此次采样过程中的所有的采样点及其所采集到的信息。同时在采样活动进行时，可参考同一个方案内其它历史采样时间的活动轨迹。一次采集活动只会有一个活动轨迹。

针对所有采样方案的数据管理：在方案列表界面选择目标方案，可查看所有该方案内执行的采集活动，点击目标采集活动，可查看该次活动的活动轨迹或者采集的所有数据。

本研究根据系统的业务逻辑设计了数据库概念E-R图如图3所示。

图3所示的E-R图中包含6个数据表：用户信息表、采样方案表、采样事件表、采样点信息表、活动轨迹表和轨迹节点信息表。其中一个用户可创建多个采样方案，一个采样方案需进行多次采集活动，一次数据采集会采集多个采样点，同时会有一个采集路线，而一条采集路线是由多个坐标节点构成的。

2.3 系统主要功能模块

通过蓝牙将CropSense和数据采集与分析系统（简称APP）进行连接，从而将CropSense获取的光学数据传送至APP。APP接收到数据后，根据遥感反演模型计算相应的作物参数，并将测量数据和所得参数发送到服务器进行插值分析并生成专题图，最终通过Android终端显示所得参数及专题图。

系统的功能主要分为用户设置、采集管理、参数管理及分析和服务管理四个模块，其中系统的移动端主要负责用户设置和采集管理，服务端主要提供服务管理，二者均可支持参数管理及分析，系统功能设计如图4所示。

2.3.1 用户设置

用户设置包括用户管理和系统设置，用于用户信息管理和作物采集前的参数设置。

用户管理主要指用户管理个人信息、绑定硬件、标注数据及活动事件等;系统设置是用户进行数据采集工作之前连接硬件、选择采集路线、设置作物类型及生育期等操作。

2.3.2 采集管理

采集管理主要包括采样点规划和数据采集。

采样点规划：主要根据工作人员的农场采样需求和作物的生长周期规划一条推荐的采样点分布方案以及采样时间节点。根据系统推荐的采样点规划方案给工作人员提供路线和采样点导航，方便工作人员快速找到已确定好的采样点。

数据采集：主要用来采集传感器所测得的光谱数据、采样点的位置信息以及采样点的作物冠层图像信息。

2.3.3 参数管理及分析

系统涉及的参数主要包括NDVI、叶面积指数（Leaf Area Index，LAI）、植被覆盖度（Fractional Vegetation Cover ，FVC）、叶绿素含量（Cab）、产量（Yield）以及推荐施用氮肥量（Nc）等。

移动端和服务端均支持参数管理及分析功能，其中移动端的功能以本地数据的增删查改、采样点参数处理和数据分享为主，服务端的数据管理主要是利用后台服务器处理、分析移动端采集的数据，生成各参数在整个地块的分布图，并将专题图传送至移动端。参数管理的技术路线如图5所示。

移动端：

（1）查看、删除或修改已制定的采集方案、已采集的数据等;

（2）以csv格式将数据分享给其他用户;

（3）处理与分析本地已采集的数据，包括样点作物的光谱数据和冠层图像数据;

（4）上传本地数据至服务端，请求服务端的历史数据，数据以Json格式传输。

服务端：

（1）解析移动端上传的Json文件，将数据存储于数据库中，并根据移动端的请求，将数据库中的历史数据发送至移动端;

（2）联合分析移动端采样点的光谱数据和冠层图像，并生成专题图，如农作物生长状况分布图、推荐氮分布图等。

2.3.4 服务管理

服务管理分为GIS服务、模型服务和软件服务三部分，其中GIS服务主要用于支持地理位置相关的服务，模型服务为数据处理模型的存储与更新，软件服务为移动端软件的更新。

GIS服务是基于ArcGIS Server实现的，為系统提供底图数据和GIS功能上的支持，主要包括以下内容：

（1）基础底图数据：采用ESRI公共服务中的全球影像数据（http：//services.arcgisonline.com/arcgis/rest/services/World_Imagery/MapServer）服务作为数据源，为移动客户端提供可视化的农场底图。

（2）要素服务（FeatureServer）：将农场地块图层发布为ArcGIS Server要素服务，用于编辑和存储农场边界和属性信息。该图层坐标系需与基础影像数据坐标系一致。

（3） GP服务（GPServer）：即Geoprocessing 服务，ArcGIS工具之一，用于发布支持作物长势数据插值处理、地块格网化和统计单位格网数据值等。

模型服务是系统对数据处理和分析使用的模型，包括作物参数计算模型和图像处理模型。服务端的模型服务主要用于存储和更新上述模型并实时推送最新模型至移动端。

3 系统实现

3.1 开发运行环境

开发环境：服务器端采用Java Servlet技术开发Web服务，用ArcGIS Server 10.2支持GIS服务，SQL Server 2012（免费试用版）作为服务端数据库。移动端数据库使用Android自带的SQLite数据库。

开发工具：系统移动端用Android Studio作为开发工具，Android（Java）为开发语言，最低支持的安卓系统版本为Android 4.0。服务端用Eclipse作为开发工具，Java作为开发语言。

3.2 系统实现

系统实现的要点为数据采集、数据处理与分析以及数据管理等。系统工作流程为CropSense和智能终端采集数据，移动终端和网络服务器对采集的数据进行编辑、处理等，最终根据产量等目标对数据分析，得到整个地块的专家推荐图。具体流程如图6所示。

图6系统工作流程图

Fig. 6 System flowchart

3.2.1 数据采集

系统采集的数据主要包括作物冠层光谱数据和冠层图像数据。

（1）冠层光谱数据

CropSense通过蓝牙与智能终端配对连接，通过智能终端选择并配置采集所需作物类型、作物生长期等参数，即可一键采集当前采样点的作物冠层光谱数据，所获取的数据通过蓝牙传送给智能终端并存储在数据库，光谱采集任务完成。

（2）冠层图像数据

冠层图像数据由Android卓4.0及以上系统、蓝牙为2.1及以上版本且有拍照功能的手机拍摄获取，在获取采样点的光谱数据后，可在智能终端的界面中选择拍摄当前采样点的作物冠层图像，拍摄好的图像自动存储于Android自带的数据库中。

3.2.2 数据处理与分析

数据处理包括光谱数据处理、冠层图像处理等。数据分析是通过作样点物生长参数插值或反演整个地块的作物长势图，并针对地块当前作物的生长状况为用户提供专家建议，如推荐施用氮肥等处方图。

（1）光谱数据处理

光谱仪采集的数据为作物冠层在650nm（红光）、810nm（近红外）波段处的反射光强度和入射光强度，两个波段处的光谱反射率需要通过反射率定义求出反射率，如公式（1）所示。

式中，代表采样点处反射率;代表入射光强;代表反射光强。利用两个波段的反射率和NDVI计算公式便可求出采样点处的NDVI值，具体见公式（2）。

式中，为近红外波段处的反射率，为红波段处的反射率。然而，便携式光谱仪受到体积等因素影响，精度会有所下降。因此，系统选用美国SRS-NDVI归一化植被指数测量仪测得的光强数据作为对比，来校正该传感器的光强数据。

NDVI在反应作物生长规律的同时，也可以较好得反应作物氮素含量、叶绿素含量和叶面积指数等情况[21]。因此，校正后的NDVI数据可以通过模型求得系统所提供的各参数，包括FVC、LAI、Cab、Yield及Nc等。系统使用的模型涵盖中国主要粮食作物小麦、玉米和水稻。根据三种作物在中国的种植区划[22-24]建立各大种植区每个参数的通用模型，在此基础上，根据用户所在地历史数据或当年数据更新相关参数，建立符合所在小区域的参量反演模型。表3为内置模型库中的部分模型，表中所给模型是根据小麦、玉米北方种植区的通用模型以及北京市小汤山国家精准农业示范基地历史数据所建立的适用于北京地区的模型库。

（2）冠层图像处理

作物冠层图像数据可用于了解作物的覆盖度、种植密度及叶片颜色等指标，并且可以辅助完善光谱数据模型。考虑到现场拍摄图片会因为手机品牌、拍照时间、田间情况不同而导致图片分辨率低、大小不一致、光照不均、图像模糊等问题，本系统首先对图像进行图像去噪和图像增强等预处理操作，然后再通过图像分割等方法提取冠层作物并计算冠层图像参数等。具体处理流程如图7所示。

除此之外，手持光谱仪采集的数据可能会出现一些异常值。因此冠层图像所计算的参数会验证光谱仪测得的叶面积指数LAI，并剔除含有明显错误数据的异常点。

（3）数据分析

系统可通过内置模型库中推荐氮计算模型及产量目标提供用户当前采样点的推荐氮及地块的推荐氮专题图。通过使用克里金（Kriging）插值法对样点数据进行插值分析，此方法是依据协方差函数对随机过程或随机场进行空间建模和预测的回归方法[25]，适用于存在空间相关性的区域化变量。利用克里金插值法可得到整个地块作物推荐氮分布专题图。

使用ArcGIS所提供的渔网工具将地块分割成格网，计算每个格网所需要的氮量，进而生成Nc统计结果，如下式：

其中，为格网中系统所計算的每个样点的推荐氮用量，kg/hm2;为该格网中样点的总个数;为格网的面积，m2。系统Nc氮量为每公顷含量。

最终用户所看到的是一定大小格网的Nc分布图。另外，对于地块的数据可进行对比分析，

包括同期数据对比及历史数据对比等，方便用户了解地块作物的情况。

4 系统应用与分析

目前系统已进入使用，并在逐步完善中。以2018年北京市昌平区小汤山实验基地的夏玉米试验为例说明系统应用情况。

实验基地位于北京市昌平区小汤山镇（N 40°00′～40°21′，E 116°34～117°00′），试验田长宽分别为100m、80m。为给田地进行变量施肥，将试验田划分为15个小区，如图8所示。本应用案例只涉及玉米大喇叭口期的数据采集与分析，在满足试验精度的条件下将田地划分为5×3的网格。试验共采集37个采样点的数据，其中每个网格中至少包含一个采样点。

试验选用的玉米品种为“郑单958”，于2018年6月30日播种，并在播种时同步施肥。

4.1 系统设置

用户在采集数据前需录入所采集地块的信息，主要包括“采集区域”“作物类型”“生育期”“天气”“品种”等。图9（a）所示为应用案例的系统设置信息，采样的作物为玉米，处于大喇叭口期，采集当天为晴天。在完成系统设置后，用户打开蓝牙并连接CropSense。

4.2 数据采集

本次采样试验地块被分成3×5的格网，每个格网中采集1-5个点。点击“采集数据”保存当前传感器测得的光谱数据以及通过数据模型库计算得到的相关参数;点击“相机”拍摄当前采样点的作物冠层图像，得到1200万像素的冠层图像，最终图像保存在Android自带的数据库中，图像存储在手机相册中，数据采集界面如图9（b）所示。通过“数据详情”按钮，用户可以实时看到当前采样点的所有数据，图9（c）所示的采样点NDVI为0.798，叶面积为2.25m2/m2，覆盖度为0.64，叶绿素含量为34.79μg/cm3，估产量是5975kg/hm2，推薦氮为127.5kg/hm2。

4.3 数据分析

数据分析包括采样点数据对比分析和地块施肥决策分析两种。采样点数据对比分析使用折线图和专题分布图反映采样点作物的生长状况和变化趋势，简单易懂。如图9（d）所示，上面的折线图为试验田采样点4与同期其他采样点的NDVI折线图，图中可以看出，采样点4的NDVI值为0.4238，与周围其他采样点相比，当时处于相对较高的水平。图9（d）下面的图为该点与往年数据对比的折线图，可见此点在2018年的NDVI值与前两年基本持平，但是有增加的趋势。图9（e）为地块的NDVI分布图，图中的蓝色点为采样点，NDVI从红到绿依次增加，最小值为0.376，最大值为0.824，整体分布为南高北低、长势较好的玉米集中分布在实验田的东南部。

地块施肥决策分析是根据采样数据和用户提供的预期产量经推荐氮计算模型综合处理后提供给用户专家决策意见，即地块的变量施肥方案专题图。图9（f）为实验地块的Nc分布图，用户点击格网即可查看当前格网推荐施肥的详细信息，如面积、肥料类别、施肥量等。图中所示地块的目标产量为6000kg/hm2，当前选中的格网面积为577m2，为满足目标产量的要求，该格网推荐施用尿素9.22kg。对比图9（e）和图9（f），氮肥施用量与NDVI呈负相关关系，用户通过采样点数据分布图即可在一定程度上判断地块变量施肥的情况。

4.4 系统应用效果

使用本系统仅需手持CropSense和智能手机在田间采集光谱和图像数据即可实时获取作物长势参量。而传统的作物长势监测则需在田间采集植株样本，并在实验室测试化验，与使用本系统相比花费时间更多。

若进行传统施肥，玉米追肥时纯氮用量一般为193.2kg/hm2。试验田根据系统所计算的施肥量进行变量施肥，与常规情况施用化肥的纯氮量对比如表4所示，可见在玉米长势基本不变的情况下，使用本系统后纯氮使用量平均减少了16.67%。

系统使用时有以下特点：

（1）使用本系统可提高田间数据采集效率和正确率，解决了手动记录数据和携带传统光谱仪带来的一系列问题;

（2）折线图和作物长势专题图可以直观地表现当前作物的生长情况，用户采集完数据即可实时查看，时效性强;

（3）推荐氮肥分布专题图改善了传统施肥没有针对性的缺点，使用推荐氮分布图可以辅助用户进行变量施肥，减少了农耕成本。

5 讨论与结论

本研究结合移动GIS将大田作物生长状况数据的采集、处理、分析数据集成设计了作物生长状况采集系统，主要实现了田间数据采集、实时诊断分析的功能。该系统具有以下特点：

（1）利用CropSense和智能手机获取田间采样数据以获取作物关键生育期的参数，操作简便且实用性高，减少了对使用者专业技能的要求，便于在农户中普及。

（2）结合Web服务技术提供处理工具并实时更新模型，实现了田间数据便捷采集，并且可实时分析诊断作物生长状况，具有高效的优点。

（3）系统提供专家决策功能，为用户提供整个地块的估产图及推荐氮施肥图等，可有效指导用户农田作业。

（4）系统采集的数据直接通过网络发送到服务端上，改进了传统数据通过数据线导入导出模式和共享性差的缺点。

系统通过仪器采集点的数据，利用内置模型库中适用于各地区不同作物的作物参数计算模型及插值等方法，为用户提供整个地块的作物长势情况及变量施肥图。采样点的密度与用户所需精度直接相关，样点个数增多，求平均值效果更好。一般将地块划分为格网，格网的个数以及格网中采样点的个数以满足用户生产需求和变量施肥机作业宽度为准。本文应用案例采样时，每个格网中最少需采集1个点的数据，2～3个比较合适，对于异质性差的地块可适当多测，但最多不超过5个采样点。目前本系统已在试验田中陆续试用，对于评价作物生长状态、提供施肥决策以及作物估产等提供了有效参数和方案。但是数据模型库和智能手机端采集分析数据的功能还在进一步完善中，快速有效地识别出作物病虫害、含水量等情况是今后研究的重要方向。

参考文献

[1] 王利民， 刘佳， 唐鹏钦， 等. 农作物长势遥感监测需求、系统框架及业务应用[J]. 中国农业信息， 2019， 31（2）： 1-10.

Wang L， Liu J， Tang P， et al. Demand， system framework and operational application of crop growth remote sensing monitoring[J]. China Agricultural Informatics， 2019， 31（2）： 1-10.

[2] 朱姜蓬，岑海燕，何立文，等. 农情监测多旋翼无人机系统开发及性能评估[J]. 智慧农业， 2019， 1（1）： 43-52.

Zhu J， Cen H， He L， et al. Development and performance evaluation of a multi-rotor unmanned aircraft system for agricultural monitoring[J]. Smart Agriculture， 2019， 1（1）： 43-52.

[3] 倪军， 姚霞， 田永超， 等. 便携式作物生长监测诊断仪的设计与试验[J]. 农业工程学报， 2013， 29（6）： 150-156.

Ni J， Yao X， Tian Y， et al. Design and experiments of portable apparatus for plant growth monitoring and diagnosis[J]. Transactions of the CSAE， 2013， 29（6）： 150-156.

[4] 盧少林， 倪军， 曹卫星， 等. 基于主动光源的作物生长信息监测仪的设计与试验[J]. 农业工程学报， 2014， 30（23）： 199-206.

Lu S， Ni J， Cao W， et al. Design and experiment for crop growth information monitoring instrument based on active light source[J]. Transactions of the CSAE， 2014， 30（23）： 199-206.

[5] 马浚诚， 刘红杰， 郑飞翔， 等. 基于可见光图像和卷积神经网络的冬小麦苗期长势参数估算[J]. 农业工程学报， 2019， 35（5）： 183-189.

Ma J， Liu H， Zheng F， et al. Estimating growth related traits of winter wheat at seedling stages based on RGB images and convolutional neural network[J]. Transactions of the CSAE， 2019， 35（5）： 183-189.

[6] 兰玉彬，邓小玲，曾国亮. 无人机农业遥感在农作物病虫草害诊断应用研究进展[J]. 智慧农业，2019，1（2）： 1-19.

Lan Y， Deng X， Zeng G. Advances in diagnosis of crop diseases， pests and weeds by UAV remote sensing[J]. Smart Agriculture， 2019， 1（2）： 1-19.

[7] 王利民， 杨玲波， 刘佳， 等. GF-1和MODIS影像冬小麦长势监测指标NDVI的对比[J]. 作物学报， 2018， 44（7）： 1043-1054.

Wang L， Yang L， Liu J， et al. Comparison of growth monitoring index NDVI between GF-1 and MODIS images in winter wheat[J]. Acta Agronomica Sinica， 2018， 44（7）： 1043-1054.

[8] 侯学会， 隋学艳， 姚慧敏， 等. 基于物候信息的山东省冬小麦长势遥感监测[J].国土资源遥感， 2018， 30（2）： 171-177.

Hou X， Sui X， Yao H， et al. Study of the growth condition of winter wheat in Shandong Province based on phenology[J]. Remote Sensing for Land & Resources， 2018， 30（2）： 171-177.

[9] 杨北方， 韩迎春， 毛树春， 等. 基于数字图像的棉花长势空间变异分析[J]. 棉花学报， 2015， 27（6）： 534-541.

Yang B， Han Y， Mao S， et al. Analysis of the spatial variability in cotton growth conditions based on digital Imaging[J]. Cotton Science， 2015， 27（6）： 534-541.

[10] 陈仲新，郝鹏宇，刘佳，等. 农业遥感卫星发展现状及我国监测需求分析[J]. 智慧农业，2019，1（1）： 32-42.

Chen Z， Hao P， Liu J， et al. Technical demands for agricultural remote sensing satellites in China[J]. Smart Agriculture， 2019， 1（1）： 32-42.

[11] 李修华， 李民赞， 崔笛， 等. 基于双波段作物长势分析仪的东北水稻长势监测[J]. 农业工程学报， 2011， 27（8）： 206-210.

Li X， Li M， Cui D， et al. Monitoring of rice plant growth in Northeast China using dual-wavebands crop growth analyzer[J]. Transactions of the CSAE， 2011， 27（8）： 206-210.

[12] 叶思菁， 朱德海， 姚晓闯， 等. 基于移动GIS的作物种植环境数据采集技术[J]. 农业机械学报， 2015， 46（9）： 325-334.

Ye S， Zhu D， Yao X， et al. Mobile GIS based approach for collection of crop planting environment data[J]. Transactions of the CSAM， 2015， 46（9）： 325-334.

[13] 马旭颖， 张智勇， 高德华， 等. 基于云服务架构的田间信息采集与分析系统设计[J]. 农业机械学报， 2019， 50（S1）： 122-127.

Ma X， Zhang Z， Gao D， et al. Design of crop information storage analysis system based on cloud service architecture[J]. Transactions of the CSAM， 2019， 50（S1）： 122-127.

[14] Liu H， Sun H， Mao B， et al. Development of a crop growth detecting system[J]. Ifac Papersonline， 49（16）： 138-142.

[15] Matsah M I， Kusky T. Fieldlog： GIS software as a mapping aid for structural geologists[J]. Computer Methods in the Geosciences， 1996， 15（96）： 471-475.

[16] Turner L. PenMap demonstration project， landslide mapping system[R]. California， 2002.

[17] Abdullah A F， Muhadi N A. GIS data collection for oil palm （DaCOP） mobile application for smart phone[J]. ISPRS Annals of the Photogrammetry， Remote Sensing and Spatial Information Sciences 2015， II-2/W2： 165-168.

[18] Wagtendonk A， Reus N D， Lammeren R J A V ， et al. A mobile GIS application for crop mapping development and evaluation[EB/OL]. [2019-10-02].

http：//www.geo-informatie.nl/projects/gipsy/Eindrapportages/gipsy_2004_9.pdf.

[19] 杨忠. 基于移动GIS的作物生长状况采集系统研究与实现[D]. 武汉：湖北大学， 2018.

Yang Z. Research and implementation of crop growth status collection system based on mobile GIS[D]. Wu Han： Hubei University， 2018.

[20] 孫丽娟. 基于Android的物联网数据采集监测系统开发[D]. 南京：南京理工大学， 2016.

[21] 朱云， 史力超， 侯振安， 等 基于NDVI的滴灌春小麦氮肥分期施用推荐模型[J]. 麦类作物学报， 2015， 35（5）： 681-686.

Zhu Y， Shi L， Hou Z， et al. Nitrogenous fertilizer recommendation model based on NDVI for drip-irrigated spring wheat[J]. Journal of Triticeae Cropsm， 2015， 35（5）： 681-686.

[22] 刁兴良，杨再洁，李奇峰，等. 基于多源数据的华北平原夏玉米种植区研究[J]. 智慧农业，2019，1（2）： 73-84.

Diao X， Yang Z， Li Q，et al. Regionalization research of summer corn planting in North China Plain based on multi-source data[J]. Smart Agriculture， 2019， 1（2）： 73-84.

[23] 梅方权， 吴宪章， 姚长溪， 等. 中国水稻种植区划[J]. 中国水稻科学， 1988（03）： 97-110.

[24] 赵广才. 中国小麦种植区划研究（一）[J]. 麦类作物学报， 2010， 30（5）： 886-895.

Zhao G. Study on Chinese wheat planting regionalization （I）[J]. Journal of Triticeae Crops， 2010， 30（5）： 886-895.

[25] 李海涛， 邵泽东. 空间插值分析算法综述[J]. 计算机系统应用， 2019， 28（7）： 1-8.