基于环境监测的农业科学论文

2022-04-27

摘要:本文运用多传感器设备、视频实时监控技术、Labview、Python等构建了基于物联网技术的智慧农业大棚动态监测与决策系统。系统通过接收大棚内传感器的数据,实时获取大棚内的空气温湿度、土壤温湿度、土壤酸碱度、光照强度、CO2浓度等数据,并在网页端实现对草莓大棚的温度、pH值、土壤湿度等数据的实时检测和报警,进而提出优化方案。今天小编为大家推荐《基于环境监测的农业科学论文(精选3篇)》,希望对大家有所帮助。

基于环境监测的农业科学论文 篇1:

风云三号气象卫星在海南橡胶林遥感监测中的应用

摘 要 基于近4 a的FY-3晴空遥感数据,采用Savitzky-Golay滤波方法计算海南橡胶林种植区逐旬的NDVI,建立橡胶林不同年份的橡胶周年生长植被指数变化曲线。在植被指数序列的基础上,通过NDVI值的变化值与此时段橡胶NDVI值的变化值的标准方差的比较,建立了海南橡胶气象灾害损失等级标准。实现了FY-3气象卫星数据在海南天然橡胶林遥感长势动态监测中的应用。

关键词 海南;橡胶林;FY-3;监测

Key words Hainan island; Rubber plantation; FY-3; Monitor

doi 10.3969/j.issn.1000-2561.2014.10.029

天然橡胶[Hevea brasiliensis(Willd. ex A. Juss.)Müll. Arg]其生长对气象条件的变化较为敏感,除了季节性的供应波动外,在割胶季节,反常天气会极大地影响橡胶的产量。因此,及时了解天然橡胶的长势变化规律,防御气象灾害对天然橡胶生长造成的影响,提升天然橡胶生产安全的科技支撑能力具有重要的意义。

近年来,迅速发展的卫星遥感技术被广泛应用于植被长势监测中。许文波[1]建立了基于TERRA/MODIS数据的冬小麦种植面积遥感监测体系结构,为中国冬小麦种植面积遥感监测提供了一种业务化工作方法。杜子涛[2]以新疆石河子地区2003~2006年MODIS遥感数据反演的NDVI时间序列影像为例,分析研究了植被长势的年内和年际变化。张莉[3]将遥感技术RS和地理信息系统GIS技术相结合,利用EOS/MODIS数据,实现对湖南省晚稻种植和生长信息的提取。李卫国[4]利用TM影像数据与实地GPS定位相结合的方法,研究了冬小麦返青后叶面积指数及植株氮素含量的变化态势。徐万荣[5]分析2010年Landsat TM影像的反射率和植被指数的相关性,建立了西双版纳地地区橡胶林生物量估算模型。杨邦杰等[6]以山东省为样区,利用气象卫星NOAA-AVHRR晴空数据,根据植被指数NDVI突变的特征,提出了实用的遥感冻害监测方法。李亚飞[7]以我国HJ-1卫星(环境与灾害监测预报小卫星)为主要遥感数据源,获取了云南省西双版纳地区2011年的橡胶林分布状况。冯海宽[8]以2009年环境卫星的高光谱影像(HJ-1A HSI:Hyperspectral Image)和2010年3个生育期的环境卫星多光谱数据(HJ-1 CCD)和热红外数据(HJ-1 IRS)以及地面同步测量的光谱反射率数据和理化参数为数据源,对监测北京冬小麦的长势和干旱监测进行了系统研究。刘少军[9],张京红[10],陈汇林[11]分别利用QuickBird 卫星影像,Landsat-TM卫星数据,MODIS遥感数据获取了海南岛天然橡胶种植面积信息。不难发现,以上研究中采用的遥感数据源多为EOS/MODIS和Landsat TM等遥感数据,利用我国自主研发的卫星数据较少且对热带作物的遥感监测的研究几乎未见报道。

风云三号气象卫星是为了满足中国天气预报、气候预测和环境监测等多方面的迫切需求建设的第二代极轨气象卫星,由FY-3A、FY-3B 2颗卫星组成。其搭载的中分辨率光谱成像仪(MERSI),频段范围0.40~12.5 μm,通道数20,扫描范围±55.4°,地面分辨率0.25 km。海南是中国面积最大产量最多的橡胶生产基地,其橡胶生产的战略地位具有举足轻重的作用。本研究首次利用我国自主知识产权的FY-3气象卫星数据对海南橡胶林长势进行遥感监测,为FY-3气象卫星资料在海南天然橡胶生产气象服务中的应用奠定了基础。

1 材料与方法

1.1 研究区概况及资料

海南岛地处北纬18.10′~20.10′,东经108.37′~111.03′之间,面积约3.43万km2,是中国仅次于台湾岛的第二大岛,因其得天独厚的自然条件,海南成为中国面积最大产量最多的橡胶生产基地,橡胶发展状况备受世人瞩目,截止到2012年末,海南橡胶种植面积52.57万hm2,总产量达39.51万t,橡胶年产量占全国天然橡胶总产量的2/3[12]。

研究中所用风云三号气象卫星数据来源:2009年1月至2011年10月卫星数据来源于国家卫星气象中心下属的广州气象卫星地面站,2011年10月至2012年12月来源于风云三号气象卫星应用系统一期工程数据接收系统二级区域接收站(三亚站)。从所有数据中筛选出2009年1月至2012年12月FY-3晴空的遥感数据,共150景。

地面样区选择:利用GPS定位技术,根据海南岛橡胶种植情况的实地调查,实地框定具有一定种植面积,且不含其它任何作物的橡胶种植区12个(纯净样区),作为橡胶监测样本区(图1)。下垫面、地形等信息来自海南岛1 ∶ 5万基础地理信息、海南岛1 ∶ 5万数字高程模型、海南省土地利用现状图1 ∶ 20万。各类气象数据来源于海南省气象局地面气象自动观测站。

1.2 方法

研究首次利用我国自主知识产权的FY-3气象卫星数据对海南橡胶林长势进行遥感监测。首先,根据历年橡胶的种植实况资料,利用GPS定位技术,选取橡胶监测样本区。然后,从近4 a FY-3数据中筛选出晴空的遥感资料,计算近年逐旬或逐月的NDVI,并采用Savitzky-Golay滤波方法,对长时间序列的植被指数进行滤波处理,消除噪声和云干扰,建立基于长时间序列的橡胶植被指数数据库,进而建立橡胶样本区不同年份的橡胶周年生长植被指数变化曲线,获取样本训练区橡胶不同生长阶段的光谱特征。最后,以当年已知的橡胶种植空间分布的遥感信息为模板,利用FY-3数据,分别计算年内任一时次的橡胶NDVI及其变化值。

1.2.1 植被指数的提取 归一化植被指数(normalized differential vegetation index,NDVI)是选择对绿色植物强吸收的红色可见光通道和对绿色植物高反射和高透射的近红外通道的差异作比值运算。NDVI对植被生长状况、生产率及其他生物物理、生物化学特征比较敏感,其数值大小能反映植被覆盖变化,并能消除大部分与仪器定标、太阳角、云阴影、地形和大气条件有关辐照度的变化,增强对植被的响应能力,植被指数是代数运算增强的典型应用。

1.2.2 植被指数的平滑除噪 NDVI 曲线是NDVI 时间序列数据构成的反映植被生物学特征相随时间变化的最佳指示因子,也是季节变化和人为活动影响的重要指示器[13]。由于云层干扰、数据传输误差、二向性反射等因素的影响,植被冠层随时间变化曲线并非是一条连续平滑的曲线,因此在NDVI 曲线中总是会有明显的突升或突降。虽然在NDVI 时间序列数据集中经常采用相邻多天的最大值合成法及云层检测算法等进行图像处理,其数据产品中仍然存在较大的残差,不利于对数据的进一步分析利用,且还可能导致错误的结论。鉴于上述原因,通常采用一些相关算法用于降低噪声水平及对NDVI 时间序列数据集进行重构。本研究选用Savitzky-Golay滤波方法(简称S-G滤波)对橡胶林NDVI数据进行平滑处理。S-G滤波被广泛地运用于各类数据流平滑除噪[14],这种滤波器最大的特点在于其滤除噪声的同时可以确保数据信号的形状、宽度不变。

S-G滤波最初由Savitzky和Golay于1964年提出,又称最小二乘法或数据平滑多项式滤波器,是一种在时域内基于局域多项式最小二乘法拟合的滤波方法。S-G滤波的设计思路是能够找到合适的滤波系数(Ci)以保护高阶距。即在对基础函数进行近似时,不是常数窗口,而是使用高阶多项式,实现滑动窗内的最小二乘拟合。其基本原理是:通过取点Xi附近固定个数的点拟合一个多项式,多项式在Xi的值,就给出了它的光滑数值gi。

2 结果与分析

2.1 海南橡胶林植被指数序列的建立

2.1.1 年平均值 根据2009~2012年海南岛橡胶每旬的NDVI数据,计算得到每年的年平均NDVI(图2)。2009年海南岛橡胶NDVI值整体较高,NDVI>0.7的橡胶面积占全岛橡胶面积的60.4%,主要位于海南岛中部,白沙西北部、儋州东南部、琼海西南部、万宁西北部,琼中、五指山呈零星分布;NDVI值在0.6~0.7之间的橡胶面积占全岛橡胶面积的36.9%,主要分布于沿海各市县,集中于文昌、定安、琼海、海口四市县接壤处。2010年橡胶NDVI值平均较2009年有所下降,NDVI>0.7的橡胶面积仅占全岛橡胶面积的30%,儋州、白沙橡胶NDVI值下降最多;相应的NDVI值在0.6~0.7的橡胶面积增加至占全岛橡胶面积的65.5%。2011年橡胶整体NDVI值较2010年高,NDVI>0.7的橡胶面积增加了8.6%。2012年橡胶NDVI值有显著提高,NDVI>0.7的橡胶面积比值增加至67.4%,NDVI在0.6~0.7之间的橡胶面积比值增加至30.9%。总体上,在2009~2012年4年间海南岛90%以上的橡胶NDVI值均保持在0.6以上,平均值呈现增加的趋势。

2.1.2 月平均值 根据2009~2012年的海南岛橡胶每旬的NDVI数据,计算得到海南岛橡胶每月的NDVI平均值。1、2月橡胶NDVI值在全年月份中最低,1月下旬至2月为橡胶落叶期,NDVI值较低;3~4月为橡胶开花抽蓬期,橡胶NDVI值逐渐增加,中部地区增加较快;海南5~9月独特的气候条件为橡胶提供了适宜的生长环境,全岛橡胶分布较好;10月因热带气旋、台风等灾害性天气影响,橡胶NDVI值分布普遍下降,东北部沿海市县橡胶NDVI下降显著,如:海口、定安、文昌、琼海、万宁,西北部的昌江橡胶NDVI值也有所下降;11月橡胶NDVI值有所回升;12月橡胶开始进入落叶期,全岛橡胶NDVI值有所下降(图3)。

在以上研究的基础上,根据提取的逐旬、逐月、逐年的海南岛橡胶归一化植被指数分布图,建立橡胶样本区NDVI时间序列,并采用Savitzky-Golay滤波方法,对长时间序列的NDVI值进行滤波处理,以消除噪声和云干扰,建立研究区的橡胶周年生长NDVI逐旬变化曲线(图4),获取样本训练区橡胶不同生长阶段的光谱特征。

2.2 橡胶林长势遥感动态监测

2.2.1 橡胶气象灾害损失等级标准 标准方差是各数据偏离平均数的距离的平均数,能反映一个数据集的离散程度。对某一时段橡胶NDVI值的变化值与此时段橡胶NDVI值的变化值的标准方差进行比较,可判断此时段橡胶的生长变化情况,因此可依据此进行橡胶林气象灾害损失等级标准的划分。

2.2.2 橡胶林长势监测——以1223热带气旋“山神”为例 根据2012年影响海南的台风路径及造成的损失,选取影响海南岛且较为典型的1223号热带气旋“山神”(强台风级),利用其影响前后晴空质量较好的FY-3A遥感资料对海南岛西部橡胶种植面积较大的乐东县的橡胶林植被指数(NDVI)进行计算,动态监测台风对橡胶林造成的损失及分布。卫星遥感数据来源于:风云三号气象卫星应用系统一期工程数据接收系统二级区域接收站(三亚站)。数据接收时间:2012年10月下旬至11月中旬。

1223号热带气旋“山神”风雨概况:“山神”于2012年10月24日02时在菲律宾东南部的西北太平洋洋面上生成,26日05时加强为强热带风暴,27日02时加强为台风,27日20时加强为强台风,中心附近最大风力13级(40 m/s),7级大风范围半径380 km,10级大风范围半径120 km。26日08时至29日08时,受强台风“山神”影响,海南岛普降暴雨到大暴雨,其中南部、中部、东部和西部的局部地区出现特大暴雨,琼中、保亭、琼海和东方共有14自动气象站雨量达300 mm以上。另外,海南岛南部沿海陆地普遍出现10~12级大风,东部、西部和北部沿海陆地普遍出现7~9级大风。

乐东县橡胶林台风灾害损失分布见图5。监测结果表明,台风“山神”给乐东县橡胶林造成了一定的损害,但由于其是从海南岛西部海域经过,并未登陆,因此造成的绝大部分是轻度损失。对所得结果进行统计分析可知,零、一、二、三级受损橡胶的单元格数分别为1 358、2694、758、236。也就是说,受“山神”影响,乐东县73.1%的橡胶遭受损失。在遭受损失的橡胶分布区中,绝大部分(73.0%)为轻度损失,仅达到一级损失等级,达到二级、三级损失等级的分别占20.6%和6.4%。各等级损失空间分布较为零散,这可能与当地的小地形、橡胶栽培方式和防护林建设等有关。应用结果表明,建立的橡胶林台风灾害遥感监测技术方法能够客观精细地对橡胶林台风灾害受灾分布及受灾程度分布进行监测,快速直观地得到受损区域的分布及各区域的受灾程度,较实际调查的方法省时省力且结果客观精确。

3 讨论与结论

本研究选择海南橡胶林作为研究对象,首次利用我国自主研发的FY-3气象卫星数据,通过对2009-2012年的FY-3极轨气象卫星数据进行Savitzky-Golay滤波等数据处理,建立了基于FY-3卫星数据的橡胶林植被指数序列(包括逐旬、逐月、逐年的NDVI序列),能全面真实地反映海南橡胶在不同月份和季节植被的变化规律,为下一步利用植被指数序列监测橡胶重要物候期提供了基础数据;同时,在植被指数序列的基础上,通过NDVI值的变化值与此时段橡胶NDVI值的变化值的标准方差的比较并结合橡胶的灾情数据,建立了海南橡胶气象灾害损失等级标准,并通过1223号热带气旋“山神”进行了验证分析,通过该标准可以实现FY-3气象卫星数据在橡胶林的灾损监测中的应用,快速直观地反映橡胶受损区域的分布及受灾程度,充分发挥遥感技术手段在台风橡胶长势监测中的作用。

自20 世纪70年代以来,遥感就被用来进行大面积农作物长势监测。在农作物长势、面积等的监测中,国外科学家主要利用适合大面积监测的NOAA-AVHRR卫星,随着传感器空间分辨率的提高,MODIS、SPOT、TM、HJ等数据也被采用[15-23]。其中MODIS数据由于是免费获取,所以在开展作物长势的动态监测多采用Terra和Aqua卫星的MODIS遥感数据,由于卫星设计寿命为6 a,现已超年运行,该数据面临随时中断提供服务的可能。采用的监测指数有:归一化植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(Enhanced vegetation index,EVI)、重归一化植被指数(RDVI)、三角形植被指数(triangular vegetation index,TVI)、比值植被指数(simple ratio,SR)、绿度归一化植被指数(green normalized difference vegetation index,GNDVI)、水分波段指数(water band index,IWB)、土壤调节植被指数(soil-adjusted vegetation index,SAVI)、光化学植被指数(photochemical reflectance index,PRI)等[22]。在海南橡胶遥感监测方面:陈小敏等[24]通过对强低温阴雨发生前、后橡胶产区的MODIS/NDVI值进行了比较,应用于监测橡胶寒害轻、重和受害面积;刘少军等利用MODIS数据分析了台风“达维”对橡胶的影响;罗红霞等[25]基于HJ星数据分析了 台风“纳沙”对海南不同农场植被NDVI变化等。该方法仅利用了NDVI前后的变化来判断橡胶长势的变化,本文提出了在FY-3数据提取的长时间橡胶NDVI序列的基础上,通过对某一时段橡胶NDVI值的变化值与此时段橡胶NDVI值的变化值的标准方差进行比较,判断此时段橡胶的生长变化情况,评价的结果会更稳定。因此利用中国自主研发的气象FY-3卫星开展作物长势的动态监测是一个很好的选择,目前关于利用 FY-3气象卫星数据开展天然橡胶长势的动态监测的文献还较少。国家卫星气象中心专门设立了“风云三号气象卫星应用系统工程应用示范项目”,持续支持相关研究,发挥FY-3气象卫星数据的重要作用,拓展卫星资料及其产品的应用领域,使其更快更好的发挥作用。

本研究在海南开展橡胶林长势的动态监测时,发现FY-3气象卫星数据往往存在云覆盖的现象,一定程度上影响了监测的精度,下一步将积极探索以FY-3微波成像仪数据,全天候开展橡胶长势监测,消除云处理对监测区域的影响,进一步提高监测精度及服务的针对性和时效性。本研究立足于海南橡胶林不同季节植被指数的变化特征,依托地面气象自动站和橡胶林样区观测数据,初步建立了一套时效性比较强、监测范围覆盖全岛、精度相对较高、地面气象监测、橡胶物候监测和遥感监测相结合的立体监测方法。FY-3气象卫星数据在海南天然橡胶生产气象服务中的应用,是橡胶遥感研究的新尝试,提高了研究区橡胶林遥感长势动态监测的能力和水平,同时对其他地区也将起到引领和示范作用。

参考文献

[1] 许文波, 张国平, 范锦龙, 等. 利用MODIS遥感数据监测冬小麦种植面积[J]. 农业工程学报, 2007, 23(12): 144-149.

[2] 杜子涛, 占玉林, 王长耀. 基于NDVI序列影像的植被覆盖变化研究[J]. 遥感技术与应用2008, 23(1): 47-50.

[3] 张 莉, 周清波. 基于EOS/MODIS数据的晚稻面积提取技术研究[D]. 中国农业科学院, 2012: 127-131.

[4] 李卫国, 王纪华, 赵春江, 等. 利用TM遥感进行冬小麦苗期长势监测研究[C]. 全国农业气象与生态环境学术年会论文集, 2006.

[5] 徐万荣, 马友鑫, 李红梅, 等. 西双版纳地区橡胶林生物量的遥感估算[J]. 云南大学学报(自然科学版), 2011, 33(S1): 317-323.

[6] 杨邦杰, 王茂新, 裴志远, 等. 冬小麦冻害遥感监测[J]. 农业工程学报, 2002, 18(2): 136-140.

[7] 李亚飞, 刘高焕. 基于HJ-1CCD数据的西双版纳地区橡胶林分布特征[J]. 中国科学: 信息科学, 2011, S1.

[8] 冯海宽. 基于环境卫星数据的冬小麦长势监测研究[D]. 辽宁工程技术大学, 2012.

[9] 刘少军, 张京红, 何政伟, 等. 基于面向对象的橡胶分布面积估算研究[J]. 广东农业科学, 2010, 1: 168-170.

[10] 张京红, 陶忠良, 刘少军, 等. 基于TM影像的海南岛橡胶种植面积信息提取[J]. 热带作物学报, 2010, 31(4): 661-665.

[11] 陈汇林, 陈小敏, 陈珍丽, 等. 基于MODIS遥感数据提取海南橡胶信息初步研究[J]. 热带作物学报, 2010, 31(7): 1 181-1 185.

[12] 海南省统计局, 国家统计局海南调查总队. 海南统计年鉴2013[M]. 北京: 中国统计出版社, 2013.

[13] 赵英时. 遥感应用分析原理与方法[M]. 北京: 科学出版社, 2003.

[14] 边金虎, 李爱农, 宋孟强, 等. MODIS植被指数时间序列Savitzky-Golay滤波算法重构[J]. 遥感学报(英文版), 2010, 04: 725-741.

[15] 黄 青, 唐华俊, 周清波, 等. 东北地区主要作物种植结构遥感提取及长势监测[J]. 农业工程学报, 2010, 26(9): 218-223.

[16] Treitz P, Rogan J. Remote sensing for mapping and monitoring land-cover and land-use change: An introduction[J]. Progress in Planning, 2004, 61: 269-279.

[17] Loveland T R, Reed B C, Brown J F, et al. Development of a global land cover characteristics database and IGBP Discover from 1-km AVHRR Data[J]. International Journal of Remote Sensing, 2000, 21(6/7): 1 303-1 330.

[18] 于 堃, 王志明, 孙 玲, 等. MODIS时序数据在县级尺度作物长势监测分析中的应用[J]. 江苏农业学报, 2013, 29(6): 1 278-1 290.

[19] 吴炳方, 张 峰, 刘成林, 等. 农作物长势综合遥感监测方法[J]. 遥感学报, 2004, 8(6): 498-514.

[20] 吴素霞, 毛任钊, 李红军, 等. 中国农作物长势遥感监测研究综述[J]. 中国农学通报, 2005, 21(3): 319-322.

[21] 武建军, 杨勤业. 干旱区农作物长势综合监测[J]. 地理学报, 2002, 21(5): 593-598.

[22] 李卫国. 农作物遥感监测方法与应用[M]. 北京: 中国农业科学技术出版社, 2013.

[23] 罗红霞, 曹建华, 王玲玲, 等.基于HJ-1CCD的 “纳沙” 台风NDVI变化研究-以海南省为例[J]. 遥感技术与应用, 2013, 28(6): 1 076-1 082.

[24] 陈小敏, 陈汇林, 陶忠良. 2008年初海南橡胶寒害遥感监测初探[J]. 自然灾害学报, 2013, 22(2)24-28.

[25] 刘少军, 张京红, 何政伟, 等. 基于遥感和GIS的台风对橡胶的影响分析[J]. 广东农业科学, 2010, 46(10): 191-193.

作者:张京红等

基于环境监测的农业科学论文 篇2:

基于物联网技术的智慧农业大棚动态监测与决策系统

摘 要:本文运用多传感器设备、视频实时监控技术、Labview 、Python等构建了基于物联网技术的智慧农业大棚动态监测与决策系统。系统通过接收大棚内传感器的数据,实时获取大棚内的空气温湿度、土壤温湿度、土壤酸碱度、光照强度、CO2浓度等数据,并在网页端实现对草莓大棚的温度、pH值、土壤湿度等数据的实时检测和报警,进而提出优化方案。后台Python端可对草莓大棚的数据进行智能分析,并精准预测产量以及提供最优的草莓种植方案。该系统对农作物生长过程精准化、智能化管理,提高农业生产效率具有重要的应用价值。

关键词:物联网技术;智慧农业;动态监测;数据分析

Intelligent Agricultural Greenhouse Dynamic Monitoring and Decision-Making System Based on Internet of Things Technology

CHEN Jiaru XUE Yan    DU Dongyue  XIA Tianyu  YU Hao

(Jiangsu Ocean University,Lianyungang  Jiangsu  222005)

近年來,随着国家对农业领域的重视与扶持,越来越多的农业机械化产品应用到日常农业生产当中。其中,设施农业中有我们熟知的大棚,但是大棚还没有实现规模化的管控,更多还是依赖于人工种植管理。然而人们获取大棚生产信息的方式有限,主要是通过人工测量,耗时耗力,而且不具备实时性,不利于提高生产效率、扩大生产规模。随着新时代的到来,物联网技术被广泛应用于农业领域[1-2]。物联网是继计算机、互联网与移动通信网之后的世界信息产业第三次浪潮[3],它以多种传感器感知物理世界的各种信息,再以通信网络手段传递到人们的设备终端,从而实现对外界环境的感知。

随着物联网应用的落地,使传统农业逐渐向智慧农业转型。智慧农业是按照工业发展理念,以信息和知识为生产要素,通过互联网、物联网、云计算、大数据等现代信息技术与农业深度跨界融合,实现农业生产全过程的信息感知、定量决策、智能控制、精准投入和个性化服务的全新农业生产方式[4-5]。

水分、阳光、温度、CO2浓度、土壤养分等是设施内影响植物生长的重要因素[6]。一般来说,对棚内环境参数的管理,必须结合作物种类、生长周期等不同而有所改变[7]。同时,棚内空间较大,要想准确地采集到大棚内果蔬生长的环境参数,需在空间范围内合理布置物联网感知层重要设备传感器,并且每个节点处实现多环境参数采集,将采集到的数据实时传输到系统,从而实现对棚内环境的动态感知。

1 系统总设计

本系统分为三个部分,分别是动态数据感知模块、后台数据处理与分析模块、智能决策模块。动态监测模块将获得的数据传输给路由器,4G路由器将获得的数据传输到云端和手机端。后台数据处理与分析模块对获得的实时动态数据进行分析,得出符合大棚果蔬生长的精确化环境参数,并将此环境参数作为智能决策模块的参数阈值。同时,初步强化计算机识别草莓伤痕和病害的能力,实现智慧农业大棚智能化管理(见图1)。

智慧农业大棚动态监测与决策系统分为三个部分。

1.1 动态数据感知

实时收集土壤温湿度、土壤养分、空气温湿度、光照强度、CO2浓度等设施内农作物生长环境参数,为数据处理模块提供实时数据。通过摄像头实时画面确定农作物生长状态,实现全方位、高精度的动态监测。

1.2 数据分析

系统接收大量的实时动态数据,将数据可视化,分析每一种参数对农作物生长的影响,得出精确的、适合农作物生长的环境参数,为后面决策阈值做准备。通过Python软件对获得的实时图像进行灰度处理,将农作物生长状况放大,对农作物的生长情况做出精准的分析与判断。

1.3 智能决策

数据分析模块在发现环境异常时将给出报警提示。此时,可以启动串口来控制外置设备,如雾化设备、遮阳设备、喷灌设备等。

2 动态数据监测模块设计

动态监测模块硬件部分主要包括传感器、工业4G路由器USR-806、网络控制器ZZ-IO444及一些辅助设备;软件部分主要是由智慧云平台以及微信小程序组成。传感器负责采集环境参数,数据上传设备通过基站上传数据包,平台解析数据包用来展示数据。

2.1 传感器硬件部分设计

本系统动态监测模块硬件部分采用的设备包括LTE路由器、土壤温湿度传感器、百叶箱式集成传感器、土壤pH值传感器、页面温湿度传感器、光合有效辐射传感器、摄像机等。

通过对大棚设施内空气温湿度、CO2浓度、光照强度等环境参数的监测分析,发现在小范围内的空气温湿度、CO2浓度、光照强度等环境参数随着时间变化而变化[7]。因此,从绿色环保的角度出发,在每个大棚内只需要摆放一台设备即可。

棚内植物叶面湿度的大小对植物叶片的生长是十分重要的。以往的研究者常常对空气的温度和湿度进行监测,忽略了对叶面温湿度的监测,而叶面温湿度是更能反映叶面真实生长情况的指标。本系统为解决这一问题,增加了叶面温湿度传感器。通过对叶面的温度、湿度进行精准测量,实现了对植物叶片生长环境的精准检测,达到预防病虫害的目的。

测量土壤温湿度、土壤pH值所用的传感器是插针式土壤温湿度、电导率、pH一体化传感器,该传感器可同时测量土壤温度、土壤湿度和土壤电导率;通过测量土壤的介电常数,能直接稳定地反映各种土壤的真实水分含量。土壤水分传感器可测量土壤水分的体积百分比,是符合目前国际标准的土壤水分测量方法。由于土壤环境多样,选择多个传感器共同测量不同地块的土壤pH值。

光合作用是植物在光照射下通过叶绿素吸收光能,在植物体内将CO2和水合成碳水化合物放出氧气的过程,是植物成长过程中不可或缺的一部分[8]。因此,本系统选取光合有效辐射传感器ZZ-LRS-PAR-485-A来监测植物的光合有效情况。

2.2 通信组网设计

大棚属于室外环境,环境差异较大,因此,本系统对不同的环境设计了两种通信方式。第一种方式是以太网模式,第二种方式是以物联网卡为基础的无线方式。以太网模式适用于距离居住区较近的大棚环境,由于系统搭载的网络传输摄像头数据量较大,从减小成本的角度,有线网的成本会比第二种方式物聯网卡的成本低。而物联网卡在野外插卡即用,方便快捷,应用范围广,可满足一些特殊环境的需求,对于远离居住区的野外大棚是一种很好的选择。

以太网组网模式选用的硬件设备是ZZ-IO444网络控制器,该网络控制器是一款结合网络IO功能、继电器输出控制设备。能够将传感器采集的数据实时传输到系统平台和微信小程序。

物联网卡入网方式,快捷简单,方便使用。其主要的硬件有USR-G806路由器、IO404继电器控制卡。USR-G806是一款4G无线路器,提供了一种通过WIFI或是网口接入4G网络的解决方案。该设备高性能嵌入式 CPU,工作频率高达580 MHz,可为智能电网、智能家居等数据传输领域提供可靠性的数据传输组网。

该组网方式同时拥有两个可以连接到广域网的接口(以太网口的WAN口和M2M网络的4G口),两路通道形成互补及备份,同时接上后优先使用以太网口的WAN口以保证数据的流畅,也节省4G的流量。当WAN口出现异常不能连接到广域网时,路由器又可以通过4G网口联通服务器,从而保证了数据的完整、可靠、稳定。组网方式如图2所示。

3 数据分析模块

本系统的数据分析部分包括Labview数据分析部分、NI VISION视觉处理部分、Python环境因素分析部分。Labview数据分析设计程序模组(与相对应的硬件设备对接)实现对草莓大棚的温度、土壤湿度、pH、CO2浓度等数据的实时检测与达到阈值的报警。提出和实施对应的解决方案,使得大棚生态相对稳定,运用Data Dashboard软件与电脑端连接,实现手机与电脑端互通数据,方便使用者随时随地观测数据,及时发现并处理出现的问题[9]。NI VISION部分实现了对草莓大棚植株的图像采集和病虫害分析,确保植株生长的每个时期处在相对健康的状态。Python部分程序设计实现了对具体问题具体分析的目标,通过每年/每天测量的大量数据和生长产出,进行数据筛选与集合,得出最佳的生长环境,有助于草莓大棚植株的最大化量产。

3.1 Labview部分

主程序基于Labview开发,Labview共分为两个面板:前面板和后面板。前面板用于操作和显示数据,后面板为内置程序设计与控件设计。后面板包括温度区块、大气压区块、CO2区块、pH检测区块,来显示作物生长环境的实时变化[10]。温度区块采用图表加温度计显示的方式来展示数据,写入模块实现历史数据的存储,算法方面采用数据与输入控件数值比较判断显示灯闪烁,添加了两个控制柄来防止温度异常。大气压区块和CO2区块采用相同的方法,一是显示实时数据(大气压表和CO2图表),二是历史数据记录。对于pH值检测区块,为了准确定位,采用分地区处理,将一个地域分为三个地区,一号地、二号地和三号地。分别检测三个地块的pH,读取的数据采用草莓样本比较(pH5~8为正常),过大或过小指示灯都会闪烁。总体设置6 000 ms的延时,保证数据稳定输入,另外本系统还设计了串口模块,用于连接大棚设备,实现虚拟数据与实际数据的区分和比较。

前面板设计了写入程序、控制柄、温度、pH等判断控件。运行文件把数据存储点依次连接,设置草莓为样本的温度阈值25 ℃,pH阈值5~8,然后开始运行,可以看到当温度超过阈值时,指示灯会闪烁,温度计会显示温度和图表,并记录数据。温度异常时使用控制柄,通过加热和喷洒清水来维持温度正常,大气压表和CO2图表也会有同样的显示与记录。为了准确定位pH异常的地区,将地域分为三块,这样能及时做出准确判断、处理。

最后,通过对网页板块的设计,整个程序不形成程序闭环,依靠互联网知识面广的优点,权衡利弊。点击网址就可以进入物联网平台,输入所给账号、密码,在数据中心可以看到空气温湿度、土壤温湿度、土壤pH、光照强度等环境条件的实时信息。

3.2 NI VISION部分

本程序是基于Labview的视觉与运动模块,对原始草莓的图像进行初步处理,使草莓的病害更为清晰,且易于被机器识别[11-12]。

在实际图像处理中,NI VISION中含有很多图像颜色模型,例如,RGB、HIS、HSL、HSV等[13-14]。不同的颜色模型即指不同的三维颜色空间的可见光子集。例如,RGB颜色模型是在单位立方体空间内的颜色合集,RGB分别表示红绿蓝三原色;HSL颜色模型则是用圆锥来描述,HIS分别表示色调、饱和度、亮度。不同的颜色模型之间可以互相转化[15]。

该程序首先将由摄像头拍摄的RGB图像转换为HSL、HSV图像,如图3、图4所示。

由图3和图4可知,转换为HSV格式的黑白对比度明显高于HSL格式,伤痕和病理位置区分也更加明显。由于程序会改变图片的亮度、对比度、Gamma值,使得图片更容易被机器或者管理人员识别。图像亮度是图像给人的一种直观感受,如果是灰度图像,则与灰度值有关,灰度值越高则图像越亮。图象对比度是一副图像中各种不同颜色最亮处和最暗处之间的差别,差别越大对比度越高,与分辨率没有很大关系,只与最暗和最亮有关,图像对比度越高给人的感觉就越刺眼,更加鲜亮突出;越低則给人感觉变化不明显,反差就越小。这个概念只在给定的图像中,与图像中颜色亮度的变化有关[16-17]。

3.3 Python部分

3.3.1 需求分析。用户在草莓种植过程中,会遇到不少问题。通过传感器采集的数据可以来实时监控草莓生产情况,并及时解决可能出现的意外情况。但是,用户对于环境因素与草莓最终品质之间的关系不清晰。以往用户只能凭借经验来改善种植技术,不仅费时而且效率低下。因此,用户迫切需要一个能够帮助其探究草莓品质与环境因素联系的功能。

3.3.2 系统功能分析。用户需要探究的是草莓品质与环境因素的联系,因此该系统需要具备以下功能。第一,能够收集草莓从发芽到成熟整个过程的环境数据;第二,能够通过离散数据拟合出草莓品质与环境因素的函数;第三,能够对不良数据进行分析,并弄清具体是哪个环境因素的影响和影响值的多少。

3.3.3 具体实现。本程序是通过多元线性拟合算法,分析草莓生长的5个影响参数对草莓最终品质的影响(草莓品质以百分制来体现,例如,100草莓品质最佳)。

根据草莓的记录进行人工评分,且数据需要保证尽可能多和准确,需要把这样的数据成为样本数据,通过这些样本数据进行多元线性拟合[18-19],最终得到如公式(1)的草莓评级函数。

[a0+a1x1+a2x2+…+anxn]    (1)

得到函数后,需要对采集到的大量草莓记录放入模型中,得出在该记录下的草莓评级,需要先将数据以数组的形式存储,在完成草莓评级后对数据进行分析。首先求出在所有记录下草莓评级的平均值,标记低于平均值的参数,同时,求出记录下每个因素的超标量(或多于平均值或少于平均值),然后乘以对应的权值(权值不固定,通过算法拟合后生成),最终得到每个因素的超标量,有的可能超标过多,有的可能超标一点点(在Excel表上乘以100%)。这样用户就可以清晰地了解是什么影响了草莓的评级,处理后数据如表1所示。

3.3.4 算法特点。分析过程并不会具体给出评级公式,这种评级公式根据具体的样本数据得出,并且可以加入机器学习的方法进行训练得到精度更高的模型。

算法是一个学习型算法,用户可以通过本算法计算出今年的评级结果,然后摘选出准确度高的记录,并将其当作样本数据,这样就可以对模型进行更新优化,然后第二年可以得到更好的结果。

算法可以让用户预测草莓的最终评级,用户可以手动输入实际的环境因素值,然后模型将给出预测评级,那么用户可以根据想要的结果来调整环境的布置以及技术。

4 智能决策模块

当空气温湿度、土壤盐分、土壤温湿度等环境参数不在草莓生长的阈值范围内,继电器可以打开相应的排风、遮阳、喷灌、水肥等命令。本系统所使用的4路继电器,既能将传感器数据通过基站上传至平台,又能实现继电器功能,采取相应的解决措施,如采用雾化降温装置、遮阳装置、浇灌设备、水肥系统等。

智能决策模块作为本系统的最后一个环节,作为环境监测模块的一个反馈,是整个系统一个不可缺少的部分。目前系统决策模块尚不完善,控制方法有待提高。为了进一步提高智慧农业的智能化程度,必须使用更加先进的控制算法或原理。

5 结语

本文实现了对农业大棚设施内的环境参数的实时动态监测、实时传输,并且对草莓大棚做了详细的数据分析,通过对3块地对比试验得出符合草莓生长的最佳生存环境。虽然系统经过了实测,但经验并不丰富,智能决策模块并不完善,对于实时动态监测模块得到的环境数据,不能够作为实现自动化的反馈措施,仍需要人工进行简单手动操作,如自动识别病虫害后自动喷洒农药;温度、CO2浓度等检测异常后做出报警但不执行喷洒清水降温、施肥等操作仍需要人工确认。

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(2):1-14.

[2] 王杰华,洪丽芳,许锦丽,等.基于物联网的智慧农业管理系统设计[J].湖北农业科学,2021(10):133-136.

[3] 王保云.物联网技术研究综述[J].电子测量与仪器学报,2009(12):1-7.

[4] 张洲.基于物联网的智慧农业系统设计及实现[D].成都:电子科技大学,2019.

[5] 何东健.基于物联网的农业信息感知智能服务研究与实践[R].咸阳:西北农林科技大学,2018.

[6] 王文斌,高占峰.影响蔬菜生长的气象因子分析[J].安徽农业科学,201(35):17202-17203,17211.

[7] 马光恕,廉华.设施内环境要素的变化规律及对蔬菜生长发育的影响[J].黑龙江八一农垦大学学报,2002(3):16-20.

[8] 劉庆.不同光周期及光质对草莓生理特性及品质的影响[D].泰安:山东农业大学,2015.

[9] 陈福彬,柴海莉,高晶敏.基于LabVIEW的自动化测试平台的设计[J].国外电子测量技术,2012(11):9-14.

[10] 赵敏.基于LabVIEW的运动控制系统的软件设计[D].太原:中北大学,2014.

[11] 杨忠仁,饶程,邹建,等.基于LabVIEW数据采集系统[J].重庆大学学报(自然科学版),2004(2):32-35.

[12] 贾昊,张烨,崔忠政,等.基于NI Vision机器视觉技术的应用[J].电子测试,2018(21):28-29,39.

[13] 牛冲,牛昱光,李寒,等.基于图像灰度直方图特征的草莓病虫害识别[J].江苏农业科学,2017(4):169-172.

[14] 刘晶,郑书恒,张涛,等.北京地区设施草莓主要病虫害发生现状调查与防控建议[J].中国植保导刊,2015(10):35-37,60.

[15] 杨晋丹,杨涛,苗腾,等.基于卷积神经网络的草莓叶部白粉病病害识别[J].江苏农业学报,2018(3):527-532.

[16] 牛冲.基于图像处理的草莓病害识别方法研究[D].太原:太原理工大学,2016.

[17] 苏博妮,化希耀.基于机器视觉的草莓图像处理研究[J].首都师范大学学报(自然科学版),2018(4):42-45.

[18] 龚红菊.基于分形理论及图像纹理分析的水稻产量预测方法研究[D].南京:南京农业大学,2008.

[19] 邵秀凤,李利.基于最小二乘法曲线拟合的油井产量预测[J].微型电脑应用,2009(12):13-14,76.

作者:陈家儒 薛艳 杜冬月 夏天钰 于浩

基于环境监测的农业科学论文 篇3:

基于精准养殖提升肉羊生产效益及福利化水平研究进展

摘要:以内蒙古地区肉羊生产为例,综述基于精准养殖降低饲养员劳动强度、提升肉羊生产效益及福利化水平的相关研究。阐述精准养羊的概念,列举基于智能信息感知的羊只精准养殖中的身份识别、体质量监测、形态评价、行为分析、健康监测及环境监控方面的研究,讨论精准养羊对提升肉羊生产效益和福利化水平的优势,并总结内蒙古地区精准养羊中存在的问题及未来研究的方向。

关键词:肉羊;精准养殖;生产效益;福利化水平;监测管理;研究进展

内蒙古及周边西部地区是我国养羊业的主产区,养羊方式主要以放牧式、放牧兼舍饲式(养殖小区)及全舍饲式存在。传统的放牧饲养方式致使草原大面积退化、资源浪费,且养殖效益低。近年来,为了恢复草原生态平衡及实现草地资源可持续利用,内蒙古及西部地区实行“禁牧、休牧、轮牧”政策,提倡粮改饲,国家也对实行舍饲圈养给予粮食和资金补助,因此利用农业资源发展畜牧业,实施集约化设施养羊成为自治区及西部地区养羊业的发展趋势[1]。但在规模化设施圈养条件下,羊的饲养密度大、活动范围受限、环境调控不到位等,抑制了羊只放牧时的很多行为表现,给羊只的生理与心理健康造成了严重影响[2-3];人工、饲料、粪污处理等成本,对养殖效益提出挑战;食品安全问题及绿色贸易壁垒事件的频发,对养羊管理方式提出更高的要求。同时,提升人口的健康素质、营养素质,提高动物性食品的人均占有率,实现人与资源、人与动物的良性互动,发展高产、优质、高效、安全、生态的生产方式,促进可持续发展,成为集约化养羊业的必然趋势,因此以健康为导向的舍饲精准养羊成为关注的焦点。

1 精准养羊

精准畜牧(precision livestock farming,PLF)主要指利用信息技术对现代畜牧业进行精细的管理,它被定义为使用过程工程的技术对动物进行管理[4]。它同时也被认为是依赖于自动监测动物相关生理过程的一套整合管理系统,是研究以信息技术为核心的高新技术在畜牧业应用中的一个专门领域,代表着畜牧业未来的发展方向[5]。羊属精准畜牧养殖中的大型动物,其经济价值高,与人类营养、健康关系密切,是精准畜牧研究的重点领域之一[6]。

精准养羊(precision sheep management,PSM)中将羊作为个体或小群体进行管理,而非以群体方式进行管理[7]。利用各种传感器持续地获取羊只个体各时段信息,如体温、体质量、行为(站立、趴卧)、饮食(飲水、进食)、情绪、环境参数等指标,应用个体自动识别技术(如射频识别)、大数据技术、专家决策技术等对个体进行生长评估、营养水平评估、情绪预测、疾病诊断等,实现高效率、低成本、福利化的现代生态养羊。

目前,精准养殖在猪、牛的研究中用于疾病的早期预防、生产性能的评估、日粮的精准控制、行为的实时监测、环境的控制等,但是,在羊的领域相应的研究还处在初级阶段,虽然在发声、图像方面已经有一些探索,但是离应用这些技术在舍饲养羊中进行监测和管理还有一段距离。随着劳动力成本的成倍提高,及信息新技术的丰富和普及,精准养羊将赢得更为广阔的发展空间。

2 精准养羊研究现状

羊是哺乳纲偶蹄目家畜。肉羊体型较胖,身体丰满,体毛绵密,头短,具有很强的群居行为,通过头羊和群体内的优胜序列维系群体成员之间的活动。肉用羊喜欢温暖、湿润、全年温差较小的气候。羊的嗅觉比视觉和听觉灵敏,靠嗅觉辨别饮水的清洁度,拒绝饮用污水、脏水。肉羊体型较大,运动空间广、关节多,相较于其他大型动物,更加柔韧灵活,体姿多变,并伴有与心理相关的高级行为。基于羊的特性,国内外学者以精准养殖、提升羊只福利为目标,开展了多方面的研究。

2.1 羊只个体身份识别技术与体质量监测

羊只身份的自动识别是精准养羊中重要的组成部分,是信息采集、分析、决策自动化的技术关键之一。目前,羊只个体身份识别的主要方法包括基于生物特征信息的身份识别和基于承载羊只个体信息的耳标身份识别[8-10],各种识别方法的特点见表1。

对活体羊而言,基于生物特征信息的身份识别特征图像获取较难,且单一的生物特征受各种因素的限制,很难满足羊只个体识别实际应用的需求,且成本高。射频识别(radio-frequency identification,RFID)技术成熟,广泛应用于肉品溯源、畜牧管理等方面,将RFID技术、无线传感器网络(WSN)技术和3G技术融合,能方便地建立基于物联网的肉羊管理平台。

羊只增质量是育肥羊饲养的直接目标,而体质量一般是在早晨空腹进行,用台秤或磅秤测得其质量,将羊蹄绑起来,然后放在秤上称;或抱着羊称,然后减去自质量;或挂称。然而,在羊只称质量过程中保定困难,因此包鹏甲等设计了专门的保定装置[11]。上述测量方式工作量大、效率低、羊的应激反应大,存在人与羊的直接接触。随着内蒙古及西部周边地区实施草原“禁牧”“轮牧”“休牧”及粮改饲等政策,集约化、规模化设施养羊成为趋势,以提高测量效率、节约劳动力为目的的行走中称量设备正被采用,设备以限位通道、称重传感器及计算机处理软件相结合实现体质量自动称量。刘艳秋等将RFID身份识别技术与行走中自动称量结合,设计了活体羊体质量自动采集装置,实现活体羊自动、福利化体质量测量[12]。

2.2 羊只形态测量

羊只形态用于描述羊只在空间尺度上表达的状态,内容集中于生长发育特性、生长发育间相关关系及遗传性能[13]。由于以上的形态值不能直接通过度量得到,而能直接度量的参数只有家畜表型值,因此,常用统计分析方法通过表型值间接评价形态,进而获得羊的生长发育状况及各部位之间的相对发育关系,指导生产、选育[14-15],评估羊只的生长速度、饲料利用率和胴体品质[16],以及预测活羊体质量等[17-20]。其中,常用的表型参数包括长、宽、高和维度4类指标,具体参数有体长、胸宽、胸深、体高、臀高、臀宽、胸围、腹围等[21-26]。

然而,羊只体尺的测量常采用手工方式,即使用测杖、卷尺和圆形测量器等工具,对体高、体长、胸围、管围、臀高、胸深、胸宽等参数进行测量。体尺测量时要求羊站立在平坦的地方,左右两侧的前后肢在同一直线上,前后的左右肢在同一直线上,头自然前伸,一人固定羊,另一人进行测量并记录。对于体型较大、身体丰满、体毛绵密、具有很强的群居行为、胆小易惊的羊,这样的测量方式,不仅羊的保定困难,测量工作量大,而且需要人与羊体直接接触,羊的应激反应大,对羊尤其是孕产母羊产生严重的不良影响,如生产性能下降、发病,甚至死亡,影响个体羊及羊群的生长发育。另外,人与羊的直接接触,也增加了人畜共患病的传播概率。

随着自动化技术、信息与传感技术的进步,基于计算机视觉技术的检测方法被应用于活体家畜体尺测量。如基于光学和声学设备(超声波)测定动物骨骼构造特征[27],X光影像技术也可用于骨骼尺寸测定。然而,超声成像依然无法实现无接触式测量;X光有破坏细胞作用,对试验环境要求较高。因此,目前基于视觉原理的动物体尺测量开始应用,并受到广泛关注。如刘同海等基于机器视觉测量猪的体宽、体长等[28];Zwertvaegher等采用CCD成像及图像计算机分析方法测量奶牛乳头形态[29]。公开发表的相关研究中,国内外学者对基于视觉的羊只体尺测量做了有益探索,如朱林等应用嵌入式机器视觉技术测量羊的体高、体长,平均相对误差不超过3%[30];Khojastehkey等基于图像处理技术估计新生羔羊体尺[31];Vieira等开发了基于图像的奶山羊视觉评分系统[32];Menesatti等构建双目立体视觉系统评估活体羊的体尺及体质量[33]。但相关研究中体尺参数测量的自动化程度不高。张丽娜等提出了基于限制性空间的羊只体尺测量,即通过建立结构化限位专用装置,将活体羊确定在特定空间相对稳定的位置,继而使用事先布置在装置上的CCD相机获取其三维图像,后通过图像处理算法对感兴趣测点进行线性测量(图1)[34]。

2.3 羊只行为分析

动物行为是动物心理、生理健康状况的外在表现。在规模化设施圈养条件下,由于羊只饲养密度大,活动时间、空间受限,环境调控技术不到位等因素,抑制了羊只放牧时的很多行为表现,一些羊只长时间处于趴、卧状态,甚至出现相互撕咬和啃吃异物等异常行为,且羊群极易感染疾病[35-36]。相关研究表明,通过对羊只行为的研究,能够获得其身体、生理状况以及外界对其产生的影响[37-42]。

有鉴于此,为了提高集约化养殖环境下羊只的精准养殖和福利化水平,国内外学者就羊只行为分析做了大量的研究。如阿根廷学者Galli等对羊的采食行为进行分析[43-44]。法国学者Sebe等对母绵羊和幼仔之间的声信号进行识别[45]。丹麦学者Nadimi等提出基于ZigBee技術的无线传感器网络羊只行为检测,对羊只的牧食、躺卧、行走、站立等行为进行分类识别[46]。国内学者郭东东利用三轴加速度传感器对半封闭圈养的波尔山羊行为数据进行采集[47],为建立山羊福利化养殖及疾病预测模型奠定了基础。对于集约化养殖环境下的羊只行为分析,宣传忠等以小尾寒羊为例,采集母羊在寻羔、饥饿和惊吓3种应激行为的发声信号,进行自回归(auto-regressive,AR)功率谱估计和共振峰分析提取相应的特征参数,并利用BP神经网络进行母羊发声信号的分类识别,实现了依据母羊的发声信号监测羊只行为的目的[48]。刘艳秋等以小尾寒羊为例,利用MPU6050三轴加速度传感器和无线传输技术对距分娩日约为1周的6只经产小尾寒羊母羊的趴卧、站立、躺卧3种行为进行特征分析与识别[49]。

2.4 羊只健康监测

羊只健康与经济效益、羊只福利及食品安全息息相关。

宣传忠等以杜泊羊为研究对象,通过检测、分析羊的咳嗽声监测羊只的呼吸道疾病,进行疾病预警和健康状况诊断[50],如图2所示。

2.5 羊舍环境监测

在规模养羊中,影响舍饲养羊的环境因素包括(1)物理因素,如温度、相对湿度等;(2)化学因素,包括空气中的氨气NH3、二氧化碳CO2、挥发性化合物硫化氢H2S等;(3)生物因素,如微生物、病原体等。所有这些因素构成了羊舍内的复杂小气候。随着养羊业规模化、集约化程度的不断提高,环境因素对畜禽繁殖、生长、发育、健康及畜产品产量所起的制约作用也越来越大[51]。因此,羊舍环境监测被广泛关注。

然而,我国养羊业多处于落后山区,这些地区经济欠发达,饲养经费、人力等投入不足,多数羊舍建筑结构也未能充分考虑对环境的调控功能,致使羊舍环境的调控主要取决于环境调控装备的性能。近年来,随着物联网技术的兴起,以及无线传感网络的广泛应用,羊舍环境监测实施技术成本与难度降低。邢小琛等基于物联网技术开发了羊舍智能环境监控系统[52],如图3所示。

3 基于精准养羊在提升肉羊生产效益及福利化水平方面的优势  近30年来,我国养羊业取得了很大成绩,羊肉价格持续走高,价格居高不下的羊肉也被昵称为“羊贵妃”。但受到经济下行压力的影响,从2014年下半年开始,羊肉价格普遍下降,饲料价格不断攀升,致使广大养殖户利润微薄,蓬勃发展的养羊业面临巨大挑战,因此,提高羊肉产品质量、提升养羊业生产效益对养羊产业的健康发展具有重要意义。就肉羊产业而言,集约化生产条件下,繁殖技术(人工授精技术、同期发情技术)、营养技术(分阶段营养的制定、饲料饲草搭配)、疫病防控(疫苗的研发与应用、药品的的研发与应用、日常保健技术)等科学的规划设计以及借助现代化、自动化的先进机械设备提升养殖生产效率,成为肉羊产业发展的主导方向。

精准养羊实现了借助信息技术、依据动物科学、根据个体差异,定时、定量实施科学养殖与管理。如通过生长评估、体脂测定对羊只品质优化、遗传选择;通过体况评分反映羊只个体的饮食状况、繁殖能力、健康以及福利水平,并根据评估结果制定相应的生产策略,从而提高生产效益;通过行为分析获知羊只身体、生理状况以及外界对其产生的影响,从而预估发情时间,及时、准确地跟进人工授精,从而降低产犊间隔和受精成本;根据产前行为评估产前状况等,及时发现难产并人工助产,减少分娩时间、初乳摄入间隔,提高母羊和羔羊的健康水平;通过健康监测,及时发现病况并人工干预,降低生产风险;而有效的环境调控,使羊只能在羊舍舒适地休息和睡眠,降低群羊的疫病传播。这一整套的科学养殖和管理方法优化了个体贡献,促使养羊业高效益、低成本、生态、可持续发展[6],在提高肉羊生产效益的同时,确保了羊肉产品的质量和安全。

4 精准养羊中存在的问题及未来的研究方向

从近年来国内外在畜禽精准养殖的研究看精准养羊,可以借鉴国内外在其他家畜(如猪、牛等)方面的研究成果,但羊作为独立的畜种,有其特殊性,需要根据羊只的生长、环境、习性等出发,进一步探索和研究羊只的精准养殖问题。

4.1 羊只行为检测智能装备存在的问题及未来研究方向

羊通常协同游走、采食、躺卧,行进中前后相继,这样的生活习性使得羊只极易相随,因此,基于RFID个体身份识别、日常称质量或体尺监测时,常需要人为引导,常采用特定体位限制装置,并设计狭窄、封闭过道,以使羊以单列方式依次进入测量系统。此方式提高了羊只个体信息采集的自动化程度和精度,大幅降低了信息检测的人工投入,但依然存在一些问题,如当发生彼此相随时,在自动化测量模式下,容易发生2只羊同时进入体位限制装置,或后羊被夹在入口门禁处;RFID阅读器同时检测到2个或2个以上的信源时,无法正确识别个体。因此,在实测时需要操作员在入口处人为干预。研发有效、安全的羊只“分拣”装置是准确、高效、智能地获取“个体”羊信息的基础。

羊属大型家畜,但羊的精细动作,如羊的反刍行为,可作为其健康状况的分析依据。羊每天反刍时间约为8 h,分4~8次,每次40~70 min。一旦反刍停滞则多为羊的健康出现了问题。邬娟等开展了基于压力传感器检测羊只的反刍行为的研究,但反刍作为羊只的细部动作,实现无应激、精确地检测这一行为的智能检测方法还需进一步探索,计算机视觉技术或声传感器在精细动作检测方面的应用有待进一步开发[53]。

此外,目前在羊只精准养殖的行为智能检测研究中,由于是该检测活体行为检测,因此常采用可穿戴的、无线数据传输方式的设备,这就对设备的电源供给、功耗、数据传输效率等提出了挑战。研发体积小、功耗低、便于佩戴,且不会激发羊只异常行为(如频繁摇头、剐蹭围栏等现象)的智能化设备是未来精准养羊中的重要课题。

4.2 羊只生长智能监测中存在的问题及未来的研究方向

在畜禽生长状况评价研究中,学者们提出的基于表型参数(如体高、体长、胸宽、管围等参数)的评价机制被广泛认同,而这些参数的测量在经历人工测量[54]、计算机辅助测量[55]阶段后,向基于图像分析和机器视觉的全自动化方向发展[56]。对于内蒙古地区的肉羊而言,优良的肉羊品种包括乌珠穆沁羊、苏尼特羊、呼伦贝尔羊、巴美肉羊等,采用图像分析的生长状况参数测量中,随着羊只的生长,厚重的羊毛直接对表型参数的测量及基于表型参数的生长状况的评价的可信度提出挑战。

针对这一客观存在的问题,可从如下几个方向研究:(1)建立完善的羊只管理系统,对羊只的剪毛时间客观记录,并观测不同品种、不同时期羊只羊毛生长情况,对体尺数据进行校正;(2)研发可以无接触测量体毛长度的智能设备;(3)探索包含被毛的体尺与生长发育的关系模型。

4.3 基于声信号的健康监测中存在的问题及未来的研究方向

基于声信号的健康监测经实践证明具有有效性,但也存在许多现实的约束,如设施羊舍中采集的声音信号包含大量无效声音以及风机、饲喂设备等噪声数据,且羊只发声具有随机性,难以预见羊只发声时刻,因此,需要研究适用于设施羊舍声音的自动采集和去噪方法,实现噪声环境下羊只声音的自动检测;在羊群中,头羊高叫时,其他的羊也会随着叫起来,这就需要从混叠的声信号中提取有效的待识别信号;到目前为止,学者们还尚未找到简单可靠的声学特征参数,也没有找到简单的声学参数可靠地识别羊声音信号的变异性;羊只叫声信号的特征具有时变性,与设施养殖场的环境以及家畜的健康状况和情绪相关,并且随着家畜年龄的增加而发生变化。因此,从混杂、重叠、变异的信号中提取有效信号是基于声信号的健康监测的核心。基于单一声信号的健康监测受环境因素的制约,而运动行为是家畜心理、生理健康状况的外在表现,具有较强的可检测性,可将声信号与羊只运动行为结合,综合评价羊只的健康。

4.4 羊舍环境监测中存在的问题及未来的研究方向

羊舍要求保持干燥、清洁、温暖,因此在羊舍的环境监测中,多数情况下,温度、湿度、CO2的浓度常常受到关注。

由于羊舍相对结构简陋,基于单点的环境参数无法反映羊舍的全面信息,因此基于多点信息融合的环境监测系统具有较好的适应性;羊舍中高密度的羊只饲养过程中,羊群呼吸、生产过程将产生大量的有害气体,包括氨气(NH3)、硫化氢(H2S)、甲烷(CH4)、一氧化碳(CO)、挥发性硫化物和粉尘等,造成羊舍恶臭,诱发支气管炎、结膜炎等疾病,而这些有害气体的分布和扩散形式存在较大差异,研究羊舍有害气体浓度分布和排放规律,有利于未来羊舍的环境调控。

4.5 基于信息智能感知的羊只群体效应的研究

“羊群效应”指羊群在通常情况下处于一种散乱的组织结构,羊只在羊群中的行为是盲目的左冲右撞,但一旦有一只头羊动起来,其他的羊会不假思索的一哄而上,从而也把羊群效应称为“從众效应”。强烈的“从众效应”导致了羊群中羊只大多采取集体行为,当某只羊“不从众”时,则很有可能该羊为病羊,或体弱羊,从而对其重点观测。这样即可及时发现“异常”,而无需投入大量的监测设备对每只羊无目的地长时间监测。此外,羊群的群体行为代表着整个羊群的生产水平,对群体效应的监测可用于评价羊群生产性能。

参考文献:

[1]宣传忠. 设施羊舍声信号的特征提取和分类识别研究[D]. 呼和浩特:内蒙古农业大学,2016.

[2]杨晓磊. 舍饲对寒羊生产性能的影响[J]. 当代畜牧,2015(33):4-5.

[3]喻显发,王 辉. 标准化规模羊场的建设布局[J]. 养殖与饲料,2014(1):24-26.

[4]Wathes C M,Kristensen H H,Aerts J M,et al. Is precision livestock farming an engineers daydream or nightmare,an animals friend or foe,and a farmers panacea or pitfall?[J]. Computers and Electronics in Agriculture,2008,64(1):2-10.

[5]Banhazi T M,Lehr H,Black J L,et al. Precision livestock farming:an international review of scientific and commercial aspects[J]. International Journal of Agricultural and Biological Engineering,2012,5(3):1-9.

[6]何东健,刘 冬,赵凯旋. 精准畜牧业中动物信息智能感知与行为检测研究进展[J]. 农业机械学报,2016,47(5):231-244.

[7]Atkins K D,Besier B,Colditz I G,et al. Integrated animal management system and method:AU,WO/2005/101273[P]. 2005-10-27.

[8]钱建平,杨信廷,吉增涛,等. 生物特征识别及其在大型家畜个体识别中的应用研究进展[J]. 计算机应用研究,2010,27(4):1212-1215.

[9]Rusk C P,Blomeke C R,Balschweid M A,et al. An evaluation of retinal imaging technology for 4-H beef and sheep identification[J]. Journal of Extension,2006(5):1-10.

[10]Kinard W B. Animal / pet identification system and method based on biometrics:USA Patents,9443166[P]. 2016-9-13.

[11]包鹏甲,裴 杰,王宏博,等. 一种羊用野外称重保定装置:201420110553[P]. 2014-10-29.

[12]刘艳秋,武 佩,杨建宁,等. 活体羊自动称重装置:201620189657.1[P]. 2016-3-14.

[13]张丽娜,武 佩,宣传忠,等. 羊只体尺参数测量及其形态评价研究进展[J]. 农业工程学报,2016,32(增刊1):190-197.

[14]张 帆,颜亭玉,杨佐君,等. 多元统计分析方法在羊体质量与体尺研究中的应用[J]. 北京农学院学报,2012,27(4):16-19.

[15]Janssens S,Vandepitte W. Genetic parameters for body measurements and linear type traits in Belgian Bleu du Maine,Suffolk and Texel sheep[J]. Small Ruminant Research,2004,54(1):13-24.

[16]Wynn P C,Thwaites C J. The relative growth and development of the carcass tissues of Merino and crossbred rams and wethers[J]. Australian Journal of Agricultural Research,1981,32(6):947-956.

[17]Aziz M,Sharaby M A. Collinearity as a problem in predicting body weight from body dimensions of Najdi sheep in Saudi Arabia[J]. Small Ruminant Research,1993,12(2):117-124.

[18]Mohammed I D,Amin J D. Estimating body weight from morphometric measurements of Sahel(Borno White)goats[J]. Small Ruminant Research,1997,24(1):1-5.

[19]Varade P K,Ali S Z. Body measurements of sheep in field conditions[J]. Indian Journal of Small Ruminants,1999(5):59-61.

[20]Atta M,Elkhidir O A. Use of heart girth,wither height and scapuloischial length for prediction of liveweight of Nilotic sheep[J]. Small Ruminant Research,2004,55(1/2/3):233-237.

[21]達布西,金 凤,德庆哈拉,等. 苏尼特成年母羊体重与体尺的通径分析[J]. 内蒙古畜牧科学,2002,23(5):15-17.

[22]王高富,黄勇富,罗 艺,等. 重庆黑山羊体尺和体重与胴体净肉率的回归分析[J]. 中国畜牧杂志,2009,45(21):9-12.

[23]陈永军,赵中权,张家骅,等. 大足黑山羊初产母羊产羔数与体重体尺通径分析[C]//中国畜牧兽医学会兽医产科学分会第五届全体会议第十次学术研讨会论文集. 杨凌:中国畜牧兽医学会兽医产科学分会,2009:211-214.

[24]白俊艳,张省林,庞有志,等. 大尾寒羊体尺指标的主成分分析[J]. 湖北农业科学,2011,50(14):2912-2914.

[25]Riva J,Rizzi R,Marelli S,et al. Body measurements in Bergamasca sheep[J]. Small Ruminant Research,2004,55(1):221-227.

[26]Lopez-Carlos M A,Ramirez R G,Aguilera-Soto J,et al. Size and shape analyses in hair sheep ram lambs and its relationships with growth performance[J]. Livestock Science,2010,131(2/3):203-211.

[27]John C. System and method for measuring animals:USA Patents,8036429[P]. 2011-10-11.

[28]劉同海,滕光辉,付为森,等. 基于机器视觉的猪体体尺测点提取算法与应用[J]. 农业工程学报,2013,29(2):161-168.

[29]Zwertvaegher I,Baert J,Vangeyte J,et al. Objective measuring technique for teat dimensions of dairy cows[J]. Biosystems Engineering,2011,110(2):206-212.

[30]朱 林,张 温,李 琦,等. 基于嵌入式机器视觉的羊体体征测量系统[J]. 计算机测量与控制,2014,22(8):2396-2398,2408.

[31]Khojastehkey M,Aslaminejad A A,Shariati M M,et al. Body size estimation of new born lambs using image processing and its effect on the genetic gain of a simulated population[J]. Journal of Applied Animal Research,2016,44(1):326-330.

[32]Vieira A,Brando S,Monteiro A,et al. Development and validation of a visual body condition scoring system for dairy goats with picture-based training[J]. Journal of Dairy Science,2015,98(9):6597-6608.

[33]Menesatti P,Costa C,Antonucci F,et al. A low-cost stereovision system to estimate size and weight of live sheep[J]. Computers and Electronics in Agriculture,2014,103:33-38.

[34]张丽娜,杨建宁,武 佩,等. 羊只形态参数无应激测量系统设计与试验[J]. 农业机械学报,2016,47(11):308-315.

[35]杨晓磊. 舍饲对寒羊生产性能的影响[J]. 当代畜牧,2015(33):4-5.

[36]喻显发,王 辉. 标准化规模羊场的建设布局[J]. 养殖与饲料,2014(1):24-26.

[37]董嘉鹏. 贺兰山岩羊不同性别昼间行为时间分配和活动节律研究[D]. 哈尔滨:东北林业大学,2014:15-25.

[38]臧 强,李保明,施正香,等. 规模化羊场羊舍夏季环境与小尾寒羊的行为观察[J]. 农业工程学报,2005,21(9):183-185.

[39]刘振生,王小明,李志刚,等. 贺兰山岩羊不同年龄和性别昼间时间分配的季节差异[J]. 动物学研究,2005,26(4):350-357.

[40]臧 强,赵亚军,李保明,等. 夏季舍饲散养环境下三个发育期小尾寒羊的行为差异[J]. 动物学研究,2005(3):279-286.

[41]刘振生,王小明,曹丽荣. 圈养条件下岩羊冬季昼间的行为及活动规律[J]. 东北林业大学学报,2005(1):41-43,51.

[42]Ceyhan A,Sezenler T,Yüksel M A,et al. Maternal and lamb behaviour of the Karacabey Merino ewes at pre-and post-parturition[J]. Research Opinions in Animal & Veterinary Sciences,2012,2(6):402-409.

[43]Galli J R,Cangiano C A,Milone D H,et al. Acoustic monitoring of short-term ingestive behavior and intake in grazing sheep[J]. Livestock Science,2011,140(1/2/3):32-41.

[44]Milone D H,Rufiner H L,Galli J R,et al. Computational method for segmentation and classification of ingestive sounds in sheep[J]. Computers and Electronics in Agriculture,2009,65(2):228-237.

[45]Sebe F,Aubin T,Boue A,et al. Mother-young vocal communication and acoustic recognition promote preferential nursing in sheep[J]. Journal of Experimental Biology,2008,211(22):3554-3562.

[46]Nadimi E S,Jorgensen R N,Blanes-Vidal V,et al. Monitoring and classifying animal behavior using ZigBee-based Mobile ad hoc wireless sensor networks and artificial neural networks[J]. Computers and Electronics in Agriculture,2012,82(1):44-54.

[47]郭东东. 基于三轴加速度传感器的山羊行为特征识别研究[D]. 太原:太原理工大学,2015:1-46.

[48]宣传忠,武 佩,马彦华,等. 基于功率谱和共振峰的母羊发声信号识别[J]. 农业工程学报,2015,31(24):219-224.

[49]刘艳秋,武 佩,张丽娜,等. 母羊产前行为特征分析与识别——基于可穿戴检测装置构架[J]. 农机化研究,2017,39(9):163-168.

[50]宣传忠,武 佩,张丽娜,等. 羊咳嗽声的特征参数提取与识别方法[J]. 农业机械学报,2016(3):342-348.

[51]柳平增,毕树生,苗 良,等. 畜禽规模养殖环境智能调控系统的研制[J]. 计算机测量与控制,2009,17(7):1316-1319.

[52]邢小琛,刘 宇,武 佩,等. 设施羊舍环境信息监控系统的设计[J]. 黑龙江畜牧兽医,2017(3):100-103,293-294.

[53]邬 娟,宣传忠,武 佩,等. 基于Arduino和LabVIEW的羊只反刍行为无线采集系统设计[J]. 黑龙江畜牧兽医,2016(11上):10-13,289.

[54]Minagawa H,Taira O,Nissato H. A color technique to simplify image processing in measurement of pig weight by a hands-off method[C]//Proceedings of swine housing Ⅱ. North Carolina:ASAE,2003:166-173.

[55]Green D M,Brotherstone S,Schofield C P,et al. Food intake and live growth performance of pigs measured automatically and continuously from 25 to 115 kg live weight[J]. Journal of the Science of Food and Agriculture,2003,83(11):1150-1155.

[56]Kashiha M,Bahr C,Ott S,et al. Automatic weight estimation of individual pigs using image analysis[J]. Computers and Electronics in Agriculture,2014,107:38-44.黃 藩,王 云,熊元元,等. 我国茶叶机械化采摘技术研究现状与发展趋势[J]. 江苏农业科学,2019,47(12):48-51.

作者:张丽娜 武佩 宣传忠