国际农业工程学科的前沿主题及发展趋势分析

范磬亚，张月群，梁 斌

（南京农业大学工学院，江苏南京 210031）

0 引言

2019年10月31日，农业农村部在北京举办国家农业基础性科技创新条件能力项目建设运行管理座谈会，会议认为农业基础性长期性科技工作对于推动革命性理论发现、农业复杂科学问题解决、新兴交叉学科发展等具有非常重要的意义［1］。当今，农业科技更趋向于多学科交叉融合发展，农业工程技术作为现代农业发展的重要支撑，其发展状况对于农业科技有着不可忽视的推动作用。目前农业工程学科是综合物理、生物等基础学科和机械、电子等工程技术而形成的一门多学科交叉的综合性科学与技术［2］。

文献计量学是指用数学和统计学的方法，定量地分析一切知识载体的交叉科学。它集统计学、数学、文献学为一体，注重量化的综合性知识体系。文献计量方法与信息可视化技术有机结合已经成为探测分析学科知识领域的演进、研究前沿与研究热点的重要手段。为了进一步量化近年来农业工程学科前沿的演化规律，探测未来研究的前沿趋势，本文结合科研合作网络分析和多视角共被引分析方法，绘制农业工程学科的知识图谱，为相关研究者追踪前沿信息提供参考。

1 数据来源及分析方法

CiteSpace是由美国德雷塞尔大学陈超美开发的可视化文献计量学软件，被广泛地应用于科学知识的图谱绘制，能够将大量的文献数据转化为可视化的知识图谱，从而直观地呈现隐藏在大量数据中的规律，有效地显示知识单元间的网络、结构、互动、演化或衍生等诸多复杂关系［3］。

本文选取Web of Science数据库农业工程学科的4种核心期刊Biosystems Engineering，Computers andElectronics in Agriculture，Transactions of the ASABE,Applied Engineering in Agriculture为数据源，检索4种期刊2009—2019年的论文，使用可视化分析工具CiteSpace（V5.5.R2）的清洗、除重处理后，共得7 410条数据。

2 结果分析

2.1 研究力量分布分析

运用科研合作网络分析方法，网络节点分别为Author、Institution和Country，分别得到农业工程学科的作者合作网络分析图谱（见图1）、国家和机构共网合作网络分析图谱（见图2）。高产作者主要有H XIN，S IRMAK，X WANG，Q ZHANG，GUOQIANG ZHANG，发文量分别为40，37，36，34，31篇。高产机构依次为美国农业部（USDA ARS/ARS）,中国农业大学（China Agriculture University）,爱荷华州大学（lowa State University）,佛罗里达大学（University Florida）,堪萨斯特大学（Kansas State University），发文量分别为785，227，202，183，167篇。前五大高产国家/地区依次为美国、中国、西班牙、加拿大、意大利，发文量分别为2 905，1 205，480，421，352篇。由此可见，美国和中国地区的研究机构依次是农业工程学科两大论文高产地区。

图1 作者合作网络分析图谱

图2 国家和机构共网合作网络分析图谱

2.2 文献共被引网络分析

2.2.1 研究前沿主题的演化分析

运用共被引分析方法进行可视化分析，运行后的共被引网络知识图谱（见图3）,知识图谱网络包含682个节点，2 450条连接，聚类的模块化为Q=0.839，聚类主题的区分度较好，图中各聚类的名称是由软件根据被引文献的标题生成的。文献的共被引聚类结果中一共生成了86种聚类，其中节点数大于25的一共有11个。根据聚类标识词的语义结构和研究主题的相关性，将这11个聚类划分成几大研究知识群。

（1）计算流体力学的应用。

聚类0：畜禽养殖废气排放管理。畜禽养殖排放出的废气（包括氨气和温室气体）是农业生产的主要污染源，已逐渐引起各国的广泛关注，欧盟（EU）已经为不同的成员国设定了氨排放限制。计算流体力学（CFD）越来越多地被用于研究畜禽建筑物周围和内部的气流，开发减少排放的技术，并预测牲畜建筑物的污染物扩散［4］。

聚类6：CFD有限元分析。计算流体动力学（CFD）在精准作物生产中的应用主要集中在温室系统，国内外对温室空气流量、通风率、辐射换热和作物阻力等方面的研究较多，但是对自然通风条件下蒸发冷却，特别是高压雾温室冷却的研究尚不多见；CFD模拟还有一些应用于作物农药喷雾器效率的研究；CFD对收获机械的优化设计和使用，以及耕作过程中土壤特性分析的工作还不多见［5］。

（2）机器学习的应用。

聚类1：深度学习（DL）。深度学习是近年来图像处理和数据分析的一种新技术，其中涉及农业工程学科的研究成果大部分都在2015年以后。深度学习模型的高度层次结构和庞大的学习能力使它们能够特别好地执行分类和预测，具有灵活性，能够适应各种复杂情况［6］。深度学习典型模型有3种：卷积神经网络模型、深度信任网络模型、堆栈自编码网络模型，绝大部分研究工作采用了卷积神经网络模型（CNN）。该领域的研究方向主要有作物类型分类、杂草检测、植物识别、水果计数、地表覆盖物分类、植物病虫害识别、土壤研究、牲畜养殖等。

（3）农业机器人。

聚类2：采摘机器人。在水果或蔬菜采摘机器人中，视觉控制用于解决在树木遮篷中识别物体和使用视觉信息摘取物体，由于缺乏可靠识别能力和精确采摘能力，农业机器人的商业发展受到了制约。目前基于视觉控制的最新关键技术改善了这种情况，这些技术包括视觉信息获取策略、水果识别算法和眼手协调方法［7］。农业环境因为要被抓握的物体（如水果）的尺寸、形状、重量和质地具有不确定性，抓取力度不能过高，并且被抓物体趋向被部分或完全吸附，所以将感知分析集成在夹具设计阶段也非常重要［8］。

建筑物改变了，很多住在老东北的人都奔去远方了，可属于老东北的记忆还在。人们开始对农作物追求产量了，而忽略了农作物本身的营养和美味，也可以说忘却了老东北的土地上的农作物是什么味道了。但是对于张雪松来说，儿时的记忆仍旧那么清晰，关于那份记忆还在。

图3 国际农业工程学科文献共被引网络知识图谱

（4）无线传感器的应用。

聚类3：物联网与无线传感器网络。物联网与无线传感器网络远程/实时检测技术目前是精准农业领域研究的核心，主要侧重于农田环境信息采集与监测、农田土壤肥力监测、多传感器数据融合、航空变量喷洒、农业无人机技术等。同时在智能农业装备、精准养殖、环境监测、太阳能干燥机、食品冷链检测等领域开发出新的应用。传感器云框架的出现增强了传统无线传感器网络（WSNs）在动态操作、管理、存储和安全方面的能力，使用传感器云框架可以有效地解决各种农业问题［9］。植物表型研究始于20世纪末，致力于弥合基因分型和表型差距，并加快作物育种以促进作物改良。表型组数据包括可视图像数据、传感器数据及实验元数据等多种数据集，长期以来表型获取技术是整个作物育种中比较薄弱的环节，为了解决这些问题，世界上许多顶尖科研团队和商业机构开发了一系列高通量、高精度表型工具。2017年，法国植物表型协会主席、法国国家农业研究院（INRA）作物生理学生态学家Francois Tardieu和诺丁汉大学植物学家Malcolm Bennett共同提出了多层次表型组研究构想，指出如何把室内和室外表型研究中产生的巨量图像和传感器数据转化为有意义的生物学知识将成为下一个表型组学研究的瓶颈［10］。

（5）精准养殖。

聚类8：自动识别。在过去几十年中，畜牧业生产已从粗放型生产转向集约型生产。当前精准养殖技术包括收集现有信息的自动监测、管理信息系统、分析现有信息的决策支持系统，通过对潜在问题的早期预警，在任何特定时间检测和控制动物的健康和福利状况［11-12］。

（6）水文模型。

聚类4：土壤和水评估工具（SWAT）。SWAT是水文模型应用最广泛的开放兼开源软件，是一个概念性的、连续的时间模型，于1990年代初开发，以协助水资源管理员评估管理和气候对流域和大型河流流域的供水和非点源污染的影响。SWAT模型已广泛应用于水沙循环和农药生产的试验预报中，当前研究热点包括水质问题、产沙量、模型标定、不确定度分析和敏感性分析［13］。

聚类9：水文模型。国内外开发研制的水文模型众多，结构各异，按照模型构建的基础，水文模型可分为物理模型、概念性模型和系统理论模型三类。水文和水质（H/WQ）模型被广泛用于支持特定地点的环境评估、设计、规划和决策。校准和验证（C/V）是用来证明H/WQ模型能够在特定应用中产生适当结果的基本过程。

（7）图像处理技术。

聚类5：形态特征。进入新世纪后，光谱分析技术和计算机视觉技术的融合发展进一步推动了计算机图像处理技术在农业工程学科的应用，主要涉及的内容有病虫害监测、作物/杂草识别、作物生长状态、农产品质量检测、农产品分类、作物的产量估计、土壤的纹理识别、农产品的化学特征测定等多个领域。

聚类7：高光谱成像的变量分析。高光谱遥感是当前遥感技术的前沿领域，高光谱成像技术是将光谱技术和摄影（成像）技术结合在一个系统中的智能分析工具。目前，高光谱成像技术较多应用在食品和农产品的质量和安全检测过程中，其图像不仅用于提供几何、纹理和外观特征，还可以提供化学特性［14-16］。专业无人机和固定翼飞机也可以搭载高光谱设备，其图像具有分辨多种作物特征的能力，包括养分、水分、害虫、疾病、杂草、生物量和冠层结构［10］。

聚类10：地面激光扫描仪。地面激光扫描仪（Tlss）被用于林业和果树生产应用，测量树木的三维几何特征，估计树冠体积或果树叶面积。基于这些测量信息开发管理系统，主要应用有杀虫剂的喷雾、灌溉、施肥等［17-19］。

2.2.2 高突现文献分析

在文献共被引网络中，文献的突现强度是指该文献在一段时间内被引用的频次突然增加的程度，突现强度越强，代表该研究问题被关注的程度越高，越能体现这一时期的研究前沿。利用CiteSpace抽取出不同时间段突现强度较高的文献信息（见表1），通过对高突现强度的文献分析，可以探测出国际农业工程学科研究前沿随时间的演化趋势。

对表1中突现强度较高文献的研究主题进行提取，探测出2009—2019年，农业工程学科研究前沿呈现多元化发展趋势，无线传感器应用、农业机器人一直是农业工程学科的前沿问题。从整体看，2009—2012年的前沿研究领域为水评估模型、精准农业、CFD、无线传感器应用、农业机器人等；2013—2015年的前沿研究领域为水评估模型、SWAT、无线传感器应用、深度学习、植物表型等;2016—2017年的前沿研究领域为植物表型、深度学习、SWAT、光谱农产品质量检测、植物病虫害检测、采摘机器人、土壤光谱分析、无线传感器应用等；2018—2019年的前沿领域为深度学习、光谱农产品质量检测、采摘机器人、图像分割、无线传感器应用等。

3 研究结论

本文借助CiteSpace可视化软件对农业工程学科2009—2019年的文献进行科研合作网络分析和多视角共被引分析方法。研究结论如下：

（1）农业工程学科的研究力量来自多个国家和机构，其中美国和中国的研究机构是两大高产出地区。另外，通过发文突增性发现美国在该学科的文献贡献率具有较大突破。

（2）农业工程学科呈多元化发展的趋势。自2009年以来，随着对环境问题的关注，围绕流域水质量管理、水质改良研究、畜禽养殖废气物的处理和排放等研究持续受到关注。随着光谱传感技术和图像处理与分析软件的日益成熟，光谱技术研究迅速升温，其在精准农业中的应用始于土壤有机质传感器，并迅速多样化。近几年来，高光谱技术成为光谱技术的研究热点，越来越多地应用于食品和农产品的质量和安全检测、航空遥感。随着人工智能技术的进一步发展，现阶段图像识别、深度学习等人工智能技术已经深入农业生产的很多方面，深度学习是近年来图像处理的数据分析的一种新技术。农业机器人近十年来一直都是研究热点，随着视觉控制技术的发展，采摘机器人近几年成为该领域的研究热点。物联网与无线传感器网络远程/实时检测技术在精准农业、精准养殖等领域应用成为新的关注点。

表1 突现文献随时间变化信息