玉米精準變量播種技術與裝備研究進展

杜兆輝，和賢桃，楊 麗 ，張東興，崔 濤，鐘翔君

（1. 中國農業大學工學院，北京 100083；2. 農業部土壤-機器-植物系統技術重點實驗室，北京 100083）

0 引言

玉米是世界上最重要的谷類作物之一，是全球三分之一人口的主要食糧，兼具飼料、能源、醫療等多元用途[1-2]。玉米同時也是中國的第一大糧食作物，在保障國家糧食安全方面具有重要的戰略意義[3]。近年來，玉米單產水平增長緩慢成為限制中國玉米產量進一步提升的瓶頸。FAO 數據顯示，2021 年中國玉米單產6 291 kg/hm2，美國玉米單產11 110 kg/hm2，僅為美國單產的57%[4]。播種是玉米生產過程中的關鍵環節，播種質量的好壞直接影響玉米的產量。目前生產中常用的精量播種技術是將種子均勻分布在田間，雖在一定程度上促進了玉米增產，但這種“一視同仁”的播種方式忽略了玉米生長環境的差異性，難以深挖土壤的增產潛力，造成資源利用不充分。因此，為進一步提高玉米單產水平，應根據玉米生長環境信息，同時結合玉米栽培理論來“因地制宜”地投入種子量，即變量播種。

變量播種技術是一種依據土壤肥力、光照等環境因素的空間異質性來調整作物播種量，從而實現作物生長環境與播種量合理精準匹配的精細農業技術[5]。隨著社會的快速發展和人口的持續增長，資源、環境和人口之間的矛盾愈發突出，如何利用有限的資源進一步提高糧食產量，同時減少對環境的傷害是當下農業生產需要考慮的重要議題。變量播種與傳統播種相比，充分利用了作物生長環境時空分布不均的特性，因地制宜地調整播種參數，在進一步提高糧食產量的同時，實現了資源利用率的提高和環境的可持續發展。Ag Leader 公司研究表明，采用變量播種技術可使玉米每公頃增產943 kg[6]，ZEMLICKA[7]調查發現變量播種不僅能夠使玉米每公頃增產925 kg，還可節約5%的良種，由此可見變量播種技術具有突出的節本增效特點，也因此成為國際國內的研究熱點。分析國內外玉米變量播種技術研究現狀，明確研究差距，對促進國內變量播種技術發展和玉米單產提升具有重要意義。因此，本文從土壤肥力指標精確獲取技術、最佳播量決策技術以及播量精準調控技術三方面對國內外玉米變量播種技術展開綜述，并提出了未來中國在玉米變量播種領域的研究重點和發展建議。

1 發展概況

發達國家對變量播種技術的研究始于20 世紀80 年代，主要發展階段及關鍵技術或裝備如表1 所示[8-11]，先后經歷了萌芽期、初始期、成長期與成熟期，先后開展了電驅排種技術、變速率控制技術、土壤養分動態檢測技術、播量決策技術的研究。研制了多種電驅式精量排種器和變量播種控制系統，如Precision planting 公司的vDrive 排種器、Kinze 的Ture Rate 排種器，John Deere公司的SeedStarTM2 變量播種控制系統、Case IH 公司的先進農作系統（AFS）。普渡大學精準農業經銷商調查報告顯示，2025 年美國變量播種技術在農機經銷商中的推廣比例預計達到73%[11]。與國外相比，國內對于變量播種技術的研究仍處于初始期，主要集中在土壤養分動態檢測、電驅排種等方面的研究。

表1 玉米變量播種技術的發展階段、特征與關鍵技術Table 1 Development stage,characteristics and key technologies of maize variable-rate seeding technology

變量播種技術按照實施過程可以分成土壤肥力指標精確獲取技術、播量決策技術與播量精準調控技術3 個部分。土壤肥力指標精確獲取是利用近地傳感或遙感等手段快速檢測土壤有機質、氮磷鉀、電導率等指標，并采用空間插值方法將獲取的土壤點狀信息轉化為面狀信息，最后利用聚類算法將農田土壤養分信息劃分為多個類別的過程。國外基于電流電壓四端法、電磁感應技術與光譜分析技術開展了廣泛的土壤肥力指標動態檢測研究與裝備研制，實現了較高作業速度下的多種土壤屬性檢測。國內對于土壤肥力指標動態測量的研究起步較晚，僅停留在研究階段未見有相應動態檢測設備進入市場。播量決策是依據土壤肥力確定適宜的播種量。國外開展了基于管理區和基于模型的播量決策方法研究，且研發了多種播量決策平臺，而國內對于播量決策方法的研究鮮有報道。播量精準調控技術是利用變量播種裝備依據播量決策結果實現不同土壤肥力下的播種量精準調節。國外研發了多種變量播種裝備且市場應用比例逐年增加。國內主要集中在電驅排種方面，對于變量播種裝備的研究較少。

2 土壤肥力指標精確獲取技術

精確獲取與作物生長相關的土壤肥力指標是實施變量播種的首要環節。獲取肥力指標的精度、速度和密度是影響變量播種作業質量和作業效率的重要因素。傳統的土壤取樣檢測方法具有效率低、耗時長、成本高等弊端，無法滿足變量播種作業所需的快速、精準、高密度的檢測要求。另外，獲取的土壤肥力指標屬于點狀信息，無法全面表達土壤屬性的空間分布特征，必須將其轉化為面狀信息并進行分類后才能用于變量播種作業。因此，土壤肥力指標動態檢測和空間分布特征的精準表達對于變量播種作業具有重要影響。

2.1 土壤肥力指標快速檢測技術

2.1.1 基于近地傳感的土壤肥力指標動態檢測

氮、磷、鉀、有機質（soil organic matter，SOM）與電導率（electrical conductivity，EC）是表征土壤肥力的重要指標。土壤肥力指標動態檢測是指將傳感器搭載于拖拉機或其他農用機械實現土壤肥力指標快速、高密度獲取的方法。KWEON 等[12]利用光譜儀采集了86 個土壤樣品的光譜信息，采用逐步多元線性回歸和偏最小二乘法篩選得到用于土壤有機質測量的特征波長分別為660和940 nm。開發了基于雙特征波長的土壤有機質動態檢測平臺。通過室內試驗探究了光學窗口與土壤樣品間距、土壤含水率對預測準確度的影響，研究表明預測準確度隨間距的增大而降低，土壤含水率小于10%對此傳感器的檢測無顯著影響。開展了作業速度10～15 km/h、采集頻率1 Hz 的田間動態檢測試驗，試驗結果表明所有田塊土壤有機質的相對分析誤差（residual prediction deviation，RPD）均大于2，模型具有良好的預測性能。KODAIRA等[13]研制了一種基于VIS-NIR 的土壤實時傳感器檢測系統，該檢測系統主要由觸摸屏、DGPS、犁鏟、鹵素燈、傳感單元及2 個分光光度計組成。利用該檢測系統建立了土壤有機質、電導率、全氮、速效磷等指標的預測模型，其中，有機質預測模型的決定系數R2達到0.90，具有很高的預測精度。但該裝置作業速度較低（2 km/h）、結構復雜。為消除天氣條件對土壤近地傳感的影響，RODIONOV 等[14]以光譜儀為核心搭建了一種基于可見光-近紅外的土壤有機碳（soil organic carbon，SOC）動態采集裝置。該裝置主要由三點懸掛結構、鎮壓輥、檢測箱、鹵素燈、VIS-NIR 光譜儀（波長350～2 500 nm）、光纖等組成。在3 km/h 的采集速度下開展的田間采集試驗結果表明，采用該裝置得到的SOC 的預測值與實際值之間的R2達到0.65，標準差為1.22 g/kg。此外，為補償土壤含水率和表面粗糙度對土壤有機碳（soil orgamic C，SOC）預測的影響，RODIONOV 建立了不同含水率和粗糙度下的SOC 預測模型，使得該檢測裝置在不同區域均可達到較高的檢測精度。MOUAZEN 等[15]研制了一種基于可見光-近紅外光譜儀（305～2 200 nm）的土壤多屬性動態檢測平臺。采用偏最小二乘法建立了土壤有機碳、速效磷的預測模型。土壤有機碳預測模型的R2為0.73，RPD 為1.92；速效磷預測模型的R2為0.69，RPD 為1.80。在1.5 km/h 的作業速度下開展田間試驗，結果表明基于土壤屬性檢測平臺得到的土壤屬性分布圖與實際取樣測量得到的分布圖具有高度相似性(土壤有機碳的標準差為0.208 g/kg，速效磷的標準差為1.463 g/kg)。CHRISTY等[16]研制了一種基于近紅外反射光譜的動態土壤參數檢測裝置，該裝置由拖拉機牽引完成土壤動態檢測，每秒鐘可采集20 個光譜，作業速度可達6 km/h。田間試驗表明，該裝置對土壤有機質的預測效果較好，預測模型的R2可達0.67，均方根誤差（root mean square error，RMSE）為0.52%。

除科研機構外，國外農機企業和精密儀器廠商也紛紛投入到土壤肥力指標動態檢測設備的研發當中，推出了部分產品。Veris Technologies 公司研制的Veris 3 150型電導率檢測系統將開溝犁刀作為電極向土壤中發射電信號，電信號在土壤中產生電磁場，土壤在電磁場的作用下產生反饋電信號，電極接收電信號后，對電信號進行處理得到電導率。Veris 3 150 檢測頻率為1 Hz，最高檢測速度可達25 km/h[17]。Geonics Limited 公司研發的基于電磁感應原理的EM38-MK2 型電導率檢測儀主要由發射線圈和接收線圈組成，可實現電導率的非破壞測量。該儀器可以同時測量兩路不同深度的電導率，最大有效測量深度為1.5 m，電導率測量范圍為0～1 000 mS/m，在30 mS/m 下的測量誤差為5%[18]。Veris Technologies公司研制的OpticMapper 土壤有機質/電導率檢測儀在“電流-電壓四端法”檢測電導率的基礎上配備了雙波長的光學傳感器，實現了土壤有機質和電導率的同步檢測[19]。該檢測儀的測量頻率為1 Hz，測量速度可達20 km/h，測量深度為38～76 mm。Precison Planting 公司研制的SmartFimer 傳感器，可同時發射和接收X 射線、可見光、無線電波3 種光線，實現土壤有機質、種溝溫度、作物殘茬量等信息的在線測量。SmartFirmer 小巧靈活，檢測速度可達10 km/h，可安裝于多種農業機械實現變量作業[20]。

國內對于車載式土壤肥力指標動態檢測的研究仍處于初級階段。楊瑋等[21]開發了一種基于數字示波器的車載式土壤電導率檢測系統，該檢測系統采用信號發生器代替恒流源，采用數字示波器代替電壓表，進一步提高了測量精度。田間試驗表明，在電極與土壤接觸良好的情況下，檢測值與真實值的R2可達到0.9。梁棟等[22]基于電流-電壓四端法設計了一種車載式土壤電導率檢測系統，該檢測系統主要由恒流信號源電路、信號處理電路、GPS、Veris3100 型電導率傳感器等組成，室內和田間試驗表明該檢測系統的動態響應時間為540 ms，系統檢測精度R2為0.734 2，最大作業速度為5 km/h。為補償土壤含水率、土壤粒度對土壤電導率檢測的影響，裴曉帥等[23-24]利用“電流-電壓四端法”結合近紅外光譜開發了土壤電導率與光譜參數復合測量系統，通過光譜數據補償土壤含水率與粒度對電導率測量結果的影響，提高了電導率的檢測精度。鐘翔君等[25]探究了土壤粒徑對有機質含量預測的影響，結果表明平均光譜反射率與變異系數隨著粒徑的減小而增加，大于540 nm 時差異顯著，粒徑小于0.1 mm 的預測模型的精度最高，RPD 為2.00。周鵬等[26]基于近紅外漫反射設計了一種車載式土壤全氮檢測儀。在3.2 km/h 的作業速度下，該檢測儀檢測得到的土壤全氮值與實際值相關系數為0.918 2，檢測精度滿足變量播種作業的需求。

基于近地傳感的土壤肥力指標動態檢測技術總結，如表2 所示。土壤肥力指標動態檢測研究主要圍繞光譜分析技術、電磁感應技術和電流-電壓四端法展開。其中，電磁感應技術與電流-電壓四端法用于檢測土壤電導率，光譜分析技術主要應用于土壤有機質、氮磷鉀的檢測。此外，國外部分產品將光譜分析技術與電流-電壓四端法相結合實現了電導率、有機質等指標的同步檢測，提高了機具的利用效率。與國外相比，國內在土壤有機質、氮磷鉀等指標的動態檢測方面研究較少，目前仍然沒有上述指標的動態檢測裝備進入市場。與基于光譜分析的設備相比，基于電磁感應技術和電流-電壓四端法的電導率動態檢測設備具有較高的檢測速度與精度。光譜信息易受到土壤含水率、表面平整度以及機械振動等因素影響，因此研究不同含水率下的土壤肥力指標預測模型和動態檢測濾波算法是進一步提高檢測精度的手段。另外，基于多傳感器融合的多指標高精度協同檢測成為土壤肥力指標動態檢測的發展方向。

表2 基于近地傳感的土壤肥力指標動態檢測技術總結Table 2 Summary of dynamic detection technology of soil fertility indicators based on near-ground sensing

2.1.2 基于遙感的土壤肥力指標檢測

高分辨率遙感設備的研發與應用為土壤肥力指標快速獲取開辟了新的道路。國內外學者利用多光譜或高光譜設備通過人造衛星、無人機等搭載平臺開展了廣泛的土壤肥力指標反演研究。

特征波段的篩選和預測模型的構建是影響基于多光譜或高光譜遙感反演的2 個重要方面。YU 等[27]提出了一種用于土壤屬性預測的 “先粗選后精選”的特征波長篩選策略，首先利用區間組合優化算法（improvement of interval combination optimization algorithm，IICO）確定特征波長所在區間，然后采用差分進化算法（differential evolutionary algorithm，DE）和連續投影算法（successive projections algorithm，SPA）均方根誤差最小的特征波長組合。與全波長建立的模型相比，利用篩選后的特征波長結合偏最小二乘法建立的土壤有機質、全磷、全鉀預測模型具有更高的預測精度。鐘翔君等[28]分別采用競爭性自適應重加權法（competitive adaptive reweighted sampling algorithm，CARS）、連續投影法（SPA）、競爭性自適應重加權-連續投影（competitive adaptive reweighted sampling -successive projections algorithm，CARSSPA）、無信息變量消除法（uninformative variables elimination algorithm，UVE）等不同特征波長篩選算法結合偏最小二乘回歸建立了多個土壤有機質預測模型，結果表明基于CARS-SPA 建立的模型效果最好（RPD=3.188）。李雪瑩等[29]對比了SPA、UVE、遺傳算法（genetic algorithm，GA）、相關系數法（correlation coefficient method，CC）4 種單一特征提取算法與基于加權投票法的多分類器融合算法對土壤養分含量（總碳、全氮、全磷）特征波長的提取效果，結果表明多分類融合算法所建模型的精度優于單一算法，能夠以更少的特征波長得到更優的模型預測精度。與傳統線性回歸算法相比，機器學習算法在構建預測模型方面具有顯著優勢[30-31]。楊越超等[32]分別采用偏最小二乘回歸和BP 神經網絡建立了土壤全氮、速效磷、速效鉀的高光譜反演模型，與偏最小二乘回歸相比，BP 神經網絡模型具有更高的預測精度。KHANAL 等[33]以機載多光譜設備采集的光譜數據和地面取樣數據為建模依據，分別利用線性回歸法（linear regression，LM）、隨機森林法（random forest，RF）、神經網絡法（neural network，NN）、支持向量機（support vector machine，SVM）、梯度提升模型（gradient boosting model，GBM）、Cubist 模型建立了土壤有機質、速效鉀等指標的預測模型，驗證結果表明，與LM 相比，機器學習算法具有更高的預測精度和穩定性，NN 對土壤有機質的預測精度較高（R2=0.67，RMSE=0.44），SVM對速效鉀的預測精度較高（R2=0.21，RMSE=0.49），同一算法下的預測模型難以實現對所有指標的高精度預測。

為提高基于遙感的土壤肥力指標反演精度，國內外學者主要采取了結合景觀環境因子等輔助數據建模、利用多時相影像構建預測模型、近地傳感與星地遙感相融合等方法。當研究范圍從局域擴展到區域時，地面覆蓋物、地形特征等因素影響土壤屬性的預測精度，通過將歸一化植被指數（normalized difference vegetation index，NDVI）、高程、坡度等景觀特征作為土壤屬性預測的輔助數據構建預測模型提高了預測精度。KUMAR 等[34]將NDVI、高程、坡度和復合地形指數等8 個指標作為土壤有機質反演的輔助數據，利用回歸克里格法建立了用于不同土地類型的土壤有機質預測模型，預測模型的RMSE 為0.196，具有良好的預測性能。利用多時相影像構建預測模型是將多期影像作為模型構建的數據，通過結合時相信息克服了單期影像信息表達不足的弊端，進而提高了模型的預測精度[35-36]。近地傳感無法實現土壤屬性的大面積快速檢測而遙感易受到天氣、地面覆蓋物等因素影響，因此，采用近地傳感與遙感相結合的方法進一步提高了土壤屬性的預測精度。針對單一傳感器難以實現土壤多屬性大面積的監測，徐冬云[37]通過將可見光-近紅外光譜檢測、中紅外光譜檢測等近地傳感技術與高分一號、哨兵1 號等遙感數據相結合的方法，研究了近地傳感融合、星地傳感融合等多層次傳感融合方法對多種土壤屬性檢測精度的影響，研究表明，與基于單一遙感數據建立的預測模型相比，多層次傳感融合顯著提高了土壤肥力指標的預測精度，土壤有機質、速效氮、速效磷、速效鉀的均方根誤差分別降低了10.61%、15.29%、18.13%與15.09%。

從檢測指標、模型構建方法與預測精度3 個方面對基于遙感的土壤肥力指標檢測研究進行總結，如表3 所示。基于遙感的土壤肥力指標檢測主要圍繞土壤有機質與氮磷鉀開展，對于電導率的遙感預測研究較少。偏最小二乘法是應用較多的模型構建方法。與基于近地傳感相比，基于遙感的土壤肥力指標檢測的精度普遍較低。遙感技術具有非接觸、面檢測的優勢，可實現待作業區域土壤肥力指標的快速整體獲取。但是，遙感易受到地面覆蓋物、研究尺度、天氣等的影響。將遙感技術與近地傳感相結合以提高檢測精度和檢測范圍的星地傳感融合檢測是土壤肥力指標快速檢測技術另一發展趨勢[40]。

表3 基于遙感的土壤肥力指標快速檢測技術總結Table 3 Summary of rapid detection technology of soil fertility indicators based on remote sensing

2.2 土壤肥力指標空間分布精準表達技術

2.2.1 土壤屬性空間插值方法

空間插值是指在已知部分采樣點信息的基礎上，建立屬性域和空間域的映射關系，得到能夠表征屬性空間分布特征的數學模型，進而求得已知區域內其他未知點的屬性值[41]。近地傳感得到的土壤肥力指標信息屬于點狀信息，必須通過空間插值轉化為能夠表征土壤屬性空間分布特征的面狀信息才能進一步的應用。

在相同數量的已知樣本下，空間插值方法的選擇是影響插值精度的主要因素。目前常用的插值方法及其特征如表4 所示[42-47]。為探究不同插值方法的插值效果，國內外研究學者開展了插值方法對比研究。ADDIS 等[48]為探究普通克里格法（ordinary kriging，OK）、反距離加權法（inverse distance weighting，IDW）、徑向基函數法（radial basis functions，RBF）在預測土壤質地、pH、SOC 和速效磷（available phosphorus，AP）等指標的性能差異，分別用以上3 種方法對采集的72 個樣本點進行插值，采用交叉驗證評估插值方法的性能，研究表明OK 法對SOC 和砂粒含量的預測精度更高，RBF 對AP和粘粒含量的預測精度更高，IDW 對pH 值的預測精度更高。MARIANO 等[49]提出了一種基于分位數回歸的隨機森林插值方法（quantile regression forest spatial interpolation，QRFI），并開展了與普通克里格法與反距離加權法的比較，結果表明QRFI 的預測誤差比其他插值方法低16%，該模型具有較優的預測性能并且在處理大型數據時具有耗時短的優點。徐英等[50]將貝葉斯最大熵法與貝葉斯人工神經網絡法相結合提出了BMENN 法（Bayesian maximum entropy method combined with Bayesian neural networks），與貝葉斯人工神經網絡法、普通克里格法進行對比，結果表明BMENN 法具有更小的估計方差和平均絕對誤差。除插值方法外，取樣間隔也會影響插值精度。LIU 等[51]對同一采樣地點不同采樣間隔下（20、40、60 m）的土壤有機質、速效氮、速效磷、速效鉀等進行克里格插值，在3 種不同采樣間隔下隨機選取7 個采樣點，通過比較預測值與實測值來評估取樣間隔對土壤屬性插值精度的影響，結果表明，變異系數越大的指標應當采取較小的取樣間隔，有機質在60 m 間隔下的插值精度最高，速效氮磷鉀在20 m 間隔下的插值精度最高。

表4 常用土壤屬性空間插值方法Table 4 Commonly used soil attribute spatial interpolation methods

綜上，以克里格插值法為代表的傳統插值方法在實際應用當中仍然占主導，但基于機器學習的多種新型插值方法在預測精度方面具有顯著優勢。為提高插值精度、獲取高精度屬性空間分布圖必須根據不同的土壤屬性選擇合適的取樣間隔和插值方法。

2.2.2 農田管理區劃分方法

農田管理區劃分是指根據產量限制因子的相似性將地塊劃分成不同子區域的過程，是進行精準決策的前提。農田管理區劃分主要包括數據源的選擇和分區方法的選擇兩部分。隨著數據獲取技術的不斷發展，用于農田管理區劃分的數據源從單一的土壤屬性數據逐漸擴展為包括土壤屬性、地形、產量等在內的多源數據。與單一數據相比，基于多源數據的農田管理分區能夠更加真實的反映不同區域間的差異，從而可以根據差異性創建更加合理的管理策略，提高資源利用率。因此，基于多源數據的農田管理分區逐漸成為主流。管理區劃分方法是影響分區效果的另一重要因素，目前常用的農田管理區劃分方法及其特征如表5 所示[52-58]。

表5 常用農田管理區劃分方法及其特征Table 5 Common methods of dividing farmland management areas and their characteristics

對于農田管理區劃分的研究主要集中在分區方法的性能評估和分區數目的確定兩方面。WANG 等[59]以土壤有機質、pH、全氮、堿解氮等6 種屬性為數據源，采用加權模糊聚類法對管理區進行劃分，采用模糊性能指數和歸一化分類熵確定分區數目，對最終的3 個子區域進行方差分析表明各分區之間具有顯著性差異，加權模糊聚類法具有良好的分區效果。GAVIOLI 等[60]在利用空間相關分析（spatial correlation analysis，SCA）、主成分分析（principal component analysis，PCA）和多元空間分析（multivariate spatial analysis based on Moran’s index PCA，MPCA）對構建農田管理區的數據源進行篩選的基礎上，提出了空間自相關分析與多元空間分析耦合篩選數據源的方法（multivariate spatial analysis based on Moran’s index PCA -spatial correlation analysis，MPCASC），然后利用模糊c 均值聚類法對上述4 種方法篩選后的數據進行分類，以方差減小量、模糊性能指數、修正分類熵、平滑指數等6 個指標對分類結果進行評價，結果表明數據源對于農田管理區的劃分效果影響較大，經過MPCA-SC 法篩選后的分類效果最好，極大地提高了管理區的質量。GAVIOLI 等[61]以3 塊農田的土壤質地、高程、坡度、作物產量為原始數據源，用MPCA-SC法對原始數據進行篩選，評估了k 均值聚類、模糊c 均值聚類、McQuitty 法、Fanny 法等17 種方法的聚類效果，結果表明McQuitty 法和Fanny 法最大程度的降低了3 塊農田的產量方差，且區域內部具有高度同質性，分區效果最好。

傳統分區方法未考慮土壤屬性數據之間的空間相關性，易導致分區結果出現孤立的碎片，影響變量作業。針對基于網格采樣和空間插值來劃分管理區的方法存在時效差、成本高的弊端，劉煥軍等[62]以遙感影像反射率與土壤有機質、含水率和氮元素的相關關系為依據，提出了利用遙感影像劃分農田管理區的方法，并通過實測土壤屬性和作物生理參數評估了劃分結果，研究表明基于遙感影像劃分管理區的方法可滿足精準農業管理需要，提高了管理區劃分的時效性。為有效提取核心分區指標并解決分區破碎，黃芬等[63]提出了基于指標相關性聚類的無監督過濾式指標選擇方法（feature selection based on correlation clustering algorithm，FSCC）和基于一致性和完整性的指標優化方法（consistency and integrity optimization，CIO），與最大方差、拉普拉斯得分2 種傳統特征選擇方法進行比較，結果表明采用FSCC 篩選指標的分區結果更優，CIO 在保持分區效果的前提下進一步減少指標，顯著減少了分區破碎。

綜上，k 均值聚類是當前應用最多的農田管理區劃分方法；分區指標對管理區的劃分具有顯著影響，通過優化指標選擇方法篩選合適數目的分區指標可以有效的解決分區破碎的問題。

3 最佳播量決策技術

播量決策是變量播種過程中的核心環節，決策的合理與否直接影響變量播種作業效果。國外對于變量播種決策方法的研究相對較多，國內鮮有報道。本節在闡述播量決策方法國內外研究現狀的基礎上，分別提出了基于模糊推理、田間試驗和機器學習的播量決策方法。

3.1 播量決策方法研究現狀

國外對于變量播種決策方法的研究可以分為基于農田管理區的決策方法和基于模型的決策方法兩種。基于農田管理區的決策方法是在劃分農田管理區的基礎上進行播種量的確定，基于模型的決策方法是通過播種量試驗建立土壤肥力與播種量的數學模型來確定最佳播種量[64]。

實施基于農田管理區的決策方法首先需要完成農田管理區的劃分，然后根據經驗法或試驗法為每一個子區域確定適宜的播種量。經驗法完全依賴農場經營者的種植經驗，通常將中等肥力區域配置為常規播量，將高肥力區域配置為高于常規播量，將低肥力區域配置為低于常規播量，其他區域按照常規播量的百分比逐級確定，經驗法操作簡單，但是主觀性較強，風險性較高；試驗法是在劃分管理區之后，在不同肥力區域布置條帶試驗，依據條帶試驗結果建立土壤肥力等級、播種量及產量的數學關系，以此為依據來確定各個區域的播種量，與經驗法相比，此種方法具有較高的可靠性，但由于需要設置條帶試驗及分析數據，此種方法不易被農民接受。MUNNAF 等[65]為探究變量播種的經濟效益，以SOM、pH、速效磷、速效鉀、歸一化植被指數等8 種指標為數據源，以k 均值聚類法為分區方法對兩塊試驗田進行管理區劃分，根據專家經驗，以“土壤肥力越高，播種量越大”為原則確定各子區域的播種量，然后根據播量處方圖在試驗田進行了定量播種和變量播種條帶試驗，試驗結果表明，變量播種與定量播種相比在作業成本和單位面積產量上具有顯著優勢，2 塊試驗田單位面積作業成本較定量播種分別降低2.5%、5.7%，單位面積產量分別提高4.6%、21.3%，單位面積凈收入分別增加5.8%和52.8%。H?RBE 等[66]采用劃分管理區的方法對巴西南部地區的玉米播種量進行優化，將試驗田劃分為高產區、中產區和低產區3 個管理區，以播種量為試驗因素在每個管理區內進行隨機區組試驗。播種量以10 000 粒/hm2為梯度，從50 000 粒/hm2增加至90 000 粒/hm2，其中，70 000 粒/hm2是常規播種量。試驗結果表明使得低產田獲得最高產量的適宜播量應在常規播量的基礎上減少31%，與常規播量相比，單位面積產量提高1.5 t/hm2；使得高產田獲得最高產量的適宜播量應在常規播量的基礎上增加13%，與常規播量相比，單位面積產量提高了0.9 t/hm2。基于農田管理區的播量決策方法具有較強的通用性，但是這種決策方法需要在播種作業之前對待播區的土壤養分進行檢測，耗時長、成本高，并且無法得到區域最佳播種量。

為克服基于農田管理區決策方法的盲目性，實現播種量的精確決策，開展了基于模型的決策方法研究。為探究不同產量水平條件下玉米產量隨播種量的變化規律，DuPont Pioneer 種子公司進行了長期的玉米播量試驗，在同一產量水平的地塊下，玉米產量隨播種量的增加呈現先增加后降低的二次函數關系，存在最佳播種量使得產量達到最大值[67]，除此之外，國外許多探究玉米產量隨播量變化趨勢的研究也得到了類似的結果[68-70]；在同一產量水平的地塊下，不同玉米品種具有不同的最佳播量；隨著產量水平的增加，使得產量最大化的最佳播種量也逐漸增加，并與產量水平之間呈線性增加關系。

以上研究證明按照“土壤肥力越高，適宜播種量越大”的原則進行播種量的確定可達到增加產量的目的。但是僅對最佳播量隨產量水平的變化規律進行初步的定性研究仍無法實現播量的精確決策，必須進行土壤生產力與最佳播量的定量分析。LICHT 等[71]為利用土壤和地形參數優化玉米播種量，實現產量的進一步提高，在3個試驗地點按照5 種不同的播種量連續開展了3 年的播量試驗，并且建立了土壤屬性、地形特征、播種量與玉米產量之間的數學模型，通過數學模型對不同地點不同年份的最佳播量進行預測，最終僅實現了對一個地點3個不同年份的播量優化。傳統多項式回歸方法并不能很好的解釋變量與產量之間的關系，另外播量試驗方案中不斷更換試驗品種可能是導致決策模型準確度較差的重要原因。美國Climate 公司利用82 萬個試驗地點的數據建立了玉米最佳播種量決策模型，并以此為核心研發了FieldView 處方圖決策平臺[72]，該平臺可與John Deere、Echelon 等10 余家農業或農機公司合作共享土壤屬性、地形特征、產量等數據，為播種量的決策提供了強大的數據支持。基于模型的決策方法可實現最佳播量的精確決策，最大限度的挖掘土壤生產潛力，但是建立模型需要進行長期的田間試驗，并且特定地點的決策模型只能應用于氣候條件相近的區域，無法滿足所有區域的最佳播量決策需求。

與國外相比，國內對基于土壤肥力的玉米播量決策的相關研究較少，主要集中在探究種植密度對玉米產量的影響方面[73-74]。李娜[75]為探究種植密度對玉米生長發育和產量的影響，以龍育828、德美亞3 號等7 種玉米為試驗材料，進行了以60 000、7 000、80 000、90 000 株/hm24 個種植密度田間試驗，試驗結果表明，隨著種植密度的增加，空桿率和倒伏率增加，單株產量線性遞減，群體產量均呈現先增加后減小的趨勢，存在較優種植密度使產量保持在較高水平。趙霞等[76]以鄭單958 等4 種玉米為試驗材料在6 個不同的試驗地點進行了5 種不同密度的田間試驗，試驗結果表明，4 種玉米種植密度與產量間呈開口向下的拋物線形式，同一種植密度不同試驗地點間玉米產量差異顯著，生態環境對玉米適宜密度的影響很大。

3.2 變量播種決策方法

3.2.1 基于模糊推理的決策方法

根據當前國內播量決策方法的研究現狀，利用田間試驗的方法進行播量決策研究無法在短時間內建立播量決策模型，因此根據目前已有的農學知識和專家經驗提出基于模糊推理的決策方法。

模糊推理系統主要由模糊化接口、數據庫、規則庫、推理機和解模糊接口組成，模糊推理的過程主要包括精確值的模糊化、基于規則的模糊推理和去模糊化3 個過程[77-79]。基于模糊推理的播量決策過程如圖1 所示，首先根據相關研究結論、專業書籍確定決策依據和規則，選取玉米品種、土壤有機質、土壤質地作為輸入量，播種量作為輸出量。平展型玉米適宜稀植，緊湊型玉米適宜密植；有機質高的土壤適合密植，反之則宜稀植；壤土宜密植，黏土宜稀植[80]。然后依據專家經驗對上述輸入和輸出參數進行語言變量的定義，將玉米品種定義為緊湊型（compact）、平展型（flat）2 種；有機質含量（SOM）分為極低（VL）、低（L）、中（M）、高（H）、極高（VH）；土壤質地（ST）分為砂土（sand）、壤土（loam）、黏土（clay）；決策播量（Qd）分為極低、低、中、高、極高；定義語言變量后選擇隸屬度函數，一般選擇計算效率較高的三角形隸屬函數。根據專家經驗建立模糊推理規則，采用Mamdani 推理算法進行推理，采用中心平均法進行解模糊，得到最終的適宜播量。

圖1 基于模糊推理的播量決策系統Fig.1 Seeding rate decision system based on fuzzy inference

3.2.2 基于田間試驗的決策方法

基于模糊推理的決策方法雖然簡單可靠，但無法得到最佳播量且易受主觀因素的影響，要得到最佳播量必須建立播量決策模型，因此，提出了基于田間試驗的決策方法，為今后進行播量決策試驗提供參考。

播量決策試驗的基本思路為利用施加有機肥的方法在養分含量較低且分布較均勻的試驗田人工構造多個不同梯度的肥力區域，在各個肥力梯度下開展不同種植密度的田間試驗。播量決策試驗方案可分為試驗地點的選取、基礎養分調查、施肥小區的劃分、試驗田的整備、施肥后養分調查、人工播種、播種小區的劃分、收獲測產等環節，如圖2 所示。首先在玉米主產區選取具有典型氣候特征的試驗地，在可操作的范圍內盡可能選取地形平坦、肥力較低、養分分布相對均勻、面積較大的試驗田進行試驗；對試驗田的基礎養分（土壤有機質、堿解氮、速效磷、速效鉀等）進行取樣調查并繪制養分分布圖，考察試驗田養分分布情況；根據試驗地塊的基礎養分分布情況和預先設置的肥力梯度合理劃分施肥小區并進行人工撒肥和旋耕掩埋；對施肥后的試驗田進行取樣調查、繪制肥力分布圖并劃分肥力等級，確定不同肥力等級的試驗區域；在不同肥力等級的區域劃分播種小區并進行人工播種；調查玉米出苗率并進行適時的補苗和間苗，調查實際的玉米種植密度；玉米生理成熟后，按照播種小區的面積選取合適的行數進行測產。

圖2 播量決策田間試驗設計Fig.2 Design of field experiment for seeding rate decision

通過長期的播量決策試驗得到土壤肥力等級、玉米種植密度及產量數據，采用數理統計方法建立三者之間的數學模型，實現播種量的精確決策。

3.2.3 基于機器學習的決策方法

基于田間試驗的決策方法需要進行長期的播種量試驗，影響因素多，決策制定周期長，短時間內無法得到較為準確的播量決策模型。為克服上述問題，提出了基于機器學習的決策方法，充分利用目前已有研究成果和機器學習算法構建播量決策模型。

該播量決策方法的研究思路如圖3 所示，選取推廣應用較多的玉米品種作為研究材料，利用文獻檢索平臺對目前已發表的玉米播種量相關研究進行檢索，從已發表文獻中摘錄試驗地點、試驗時間、玉米品種、試驗地耕層土壤有機質含量、生育期內降水量、生育期內光照時數、生育期內積溫、氮肥施用量、磷肥施用量、鉀肥施用量、播種量及產量數據，作為構建玉米產量預測模型的數據。將試驗數據劃分為訓練集、驗證集和測試集并設計數據增強方法，制備用于訓練深度神經網絡的高質量數據，以光照時數、積溫、降水量、土壤有機質、施肥量、播種量為模型輸入，以產量為模型的輸出構造基于環境因子的玉米產量預測模型[81-83]，將土壤有機質作為產量預測模型的輸入變量之一使得模擬作物潛在產量對土壤有機質含量的響應成為可能。基于此模型進一步探究不同土壤有機質下玉米產量隨播量的變化規律。將光照時數、積溫、降水、施肥量根據實際情況設置為適宜的數值，通過設置一系列土壤有機質梯度和播種量梯度，利用玉米產量預測模型模擬不同有機質和播種量下的玉米籽粒產量變化規律，對有機質、播量和預測產量數據進行回歸分析建立有機質-播種量-產量數學關系，從而得到最佳播種量決策模型，實現基于土壤有機質的玉米播種量決策。

圖3 基于機器學習的播量決策模型構建Fig.3 Construction of the decision model of seeding rate based on machine learning

4 播量精準調控技術

依據作業區域進行播量的精準調控是實施變量播種的最終環節，播量調控效果直接決定播種作業質量。為實現播種作業過程中實時快速精準的播量調控，國內外科研機構和農機企業開展了對變量播種控制系統的研究。本節在闡述國內外變量播種控制系統研究現狀的基礎上，對播量調控過程中存在的目標播量調整位置與實際調整位置不一致的問題及補償算法進行總結和分析。

4.1 變量播種控制系統

變量播種控制系統是實施播量精準調控的載體，主要由人機交互界面、控制器、衛星定位系統、通訊單元以及能夠實現株距實時精準獨立調節的播種單體組成。美國Precison Planting 公司基于20/20 SeedSense 控制器開發了變量播種控制系統。20/20 SeedSense 控制器通過接收GPS 信號獲得播種單體的位置，通過FieldView 軟件讀取和查詢對應位置的播種量，利用CAN 通訊將播種量下達給單體控制器，控制排種器驅動電機實現播量的調節。該控制系統采用單體控制器實現對播種單體各單元的控制，采用CAN 通訊的方式實現播種行數的靈活拓展。該系統除可實現基于處方圖的變量播種以外，將WaveVision 傳感器、DeltaForce 傳感器、SmartFirmer 傳感器與單體控制器相連可分別實現播種質量檢測、播種下壓力檢測以及基于傳感器的變量播種[84-85]。美國John Deere 公司生產的SeedStar?2 播種控制系統[86]采用GPS、雷達和光電傳感器3 種測速方式，光電傳感器用來校準雷達或GPS 的速度信息，當GPS 或雷達信息丟失后可短時間內維持系統正常作業。此外，該控制系統采用液壓馬達驅動排種器，采用轉速傳感器檢測馬達轉速并實時反饋給主控制器，實現液壓馬達的閉環控制。

除以上農機領航企業所研制的整套變量播種控制系統外，國外其他農業相關企業也紛紛涉足變量播種控制領域，研制變量播種控制系統的核心—控制器，提高市場競爭力。該類產品普遍具有較強通用性，與不同機具配套使用，可完成多種農田作業，對上述變量播種控制產品進行總結，如表6 所示。

表6 國外企業研發的變量播種控制相關產品Table 6 Variable-rate seeding control related products developed by foreign companies

中國對智能播種作業裝備的研發起步較晚，對變量作業所需的播量決策技術、處方圖構建技術等核心技術涉及甚少，主要集中在電驅精量播種控制系統的研究。國內主要從作業速度檢測、排種器驅動方式以及控制系統架構優化等方面對電驅播種控制系統展開研究[92-97]。作業速度檢測是電驅排種系統中的重要環節，對國內電驅排種系統的測速方式進行總結，如表7 所示。電驅排種系統的測速方式主要包括霍爾傳感器測速、編碼器測速、雷達測速以及采用衛星定位系統測速4 種方式。其中，采用將霍爾傳感器或編碼器安裝于地輪或拖拉機從動輪測速的方式易受到地輪打滑的影響導致播種質量變差。和賢桃[94]設計了一種電驅氣力式精量排種控制系統，與其他研究不同，該控制系統可通過觸摸屏輸入作業時的滑移率，利用算法對測量速度進行補償，從而消除地輪打滑對作業速度檢測的影響，提高了高速作業下的播種質量，此外，研究發現步進電機在高速作業下轉矩損失較大，易導致播種質量變差。將滑移率納入測速模型雖然提高了測速精度，但是每次作業前需要對作業地塊的滑移率進行測量，增加了測速成本。為解決以上問題，國內學者研發了以雷達、GPS 和北斗導航系統為測速單元、以STM32 單片機為控制核心、以無刷直流電機或液壓馬達為驅動源的電驅排種系統。雷達、GPS 和北斗導航系統與地輪不接觸，避免了地輪打滑對作業速度測量造成的影響，同時采用電機或液壓馬達驅動排種器避免了地輪打滑、鏈條振動對排種質量的影響，提高了排種粒距均勻性。

表7 電驅排種系統的測速方式對比Table 7 Comparison of speed measurement methods of electricdriven metering system

HE 等[100-102]在電驅式玉米精量排種控制系統的基礎上，提出了基于Android 的處方圖構建方法，建立了變量播種控制系統決策模型，設計了基于處方圖的變量播種控制系統。該控制系統通過GPS 檢測作業速度、作業位置、航向角等信息，并將其傳輸至通訊控制器進行數據解析，通訊控制器將解析后的信息傳輸至搭載了變量播種APP 的Android 平板，APP 利用拖拉機的作業狀態信息和播種單體定位模型計算得到各播種單體的地理坐標，然后根據坐標信息在處方圖中查詢和讀取對應坐標下的播種量，結合播量-轉速模型，計算得到各播種單體的電機轉速并將其傳輸至通訊控制器，控制器通過CAN總線將各單體轉速信息傳輸至電機驅動器，電機按照指定轉速帶動排種器排種，完成變量播種作業。同時，為減小播種距離滯后問題對變量播種作業質量的影響，提出了播種距離滯后補償算法。田間試驗表明，在作業速度10 km/h、株距為14 cm 的條件下，該變量播種控制系統的平均播種量精度為99.6%，平均播種量變異系數為0.29。開啟播種距離滯后補償后，滯后距離由未開啟的1.7 m 減少至0.57 m，效果顯著。

4.2 播種滯后補償算法

變量播種作業過程中存在播種量實際調整位置滯后目標調整位置的問題，目標調整位置與實際調整位置之間的距離被稱為滯后距離。上述播種滯后距離產生的原因是從獲取播種機作業位置、查詢并讀取播種量、發送播種量至電驅式播種機單體、電機轉速改變實現播種量調整的過程需要一定的時間，而播種機是動態作業，因此會導致當播種機完成播量調整時已經離開了目標調整位置，且在高速作業下，該問題對變量作業效果的影響尤為突出。

為縮小或消除變量播種作業過程中播種量目標調整位置與實際調整位置之間的距離，提高變量作業的精度，研究學者提出了播種滯后補償算法。HE 等[100-103]利用GPS 和播種機的結構尺寸建立了播種單體定位模型，利用該定位模型可得到播種單體精確位置。為消除滯后距離對變量播種作業質量的影響，將播種單體的定位位置沿前進方向補償距離s，并通過播種單體定位模型求得補償后的各單體坐標，根據此坐標從處方圖獲取對應播種量，便可實現目標調整位置和實際調整位置的重合，田間試驗表明采用滯后補償算法后播種滯后距離最大可減少1.95 m，效果顯著。

播種滯后補償算法的本質是通過對系統響應時間和作業速度的測量來實現目標調整位置和實際調整位置的動態匹配。提高系統響應時間和作業速度的測量精度可進一步優化補償效果，提高變量作業質量。

5 結論與建議

5.1 結論

對支撐變量播種技術的土壤肥力指標精確獲取技術、最佳播量決策技術和播量精準調控技術的發展現狀進行總結分析，可得到以下結論：

1）在土壤肥力指標快速檢測方面，國外基于電磁感應技術、電流-電壓四端法、光譜分析技術探索了多種土壤指標的檢測方法并研發了多種動態檢測設備；國內目前仍停留在對土壤肥力指標原位動態檢測的理論研究階段，能夠實現動態檢測的相關設備較少。未來將呈現基于近地傳感的機載式原位動態檢測為主、基于遙感的廣域快速檢測為輔、基于星地多源信息融合的高精度檢測協同發展的趨勢。

2）在土壤肥力指標空間分布精準表達方面，主要集中在不同方法對插值或分類質量的影響，基于地統計學的克里格法和k 均值聚類法分別是研究和應用最多的土壤屬性空間插值方法和農田管理區劃分方法。對于土壤屬性空間插值，根據不同的土壤屬性選擇合適的插值方法是獲取高精度土壤屬性分布圖的有效途徑；對于農田管理區的劃分，對原始數據源進行篩選消除數據之間的相關性是提高分區精度的重要前提。

3）在最佳播量決策方面，國外開展了廣泛的基于農田管理區和基于模型的播量決策方法研究；國內目前對播量決策的研究很少，開展的播量決策試驗也較少，對于玉米播量的調整仍依據傳統的農學經驗，缺乏精確決策的手段。

4）在播量精準調控方面，國外憑借技術優勢研制了多種不同架構的變量播種控制系統并投入市場，得到一定規模的應用；國內目前主要從作業速度檢測、排種器驅動方式和控制系統架構優化等方面進行電驅播種控制系統的研究，還未涉及變量播種核心技術。

5.2 建 議

為縮小國內與國外在玉米變量播種技術上的差距，研發符合中國國情的變量播種裝備，實現玉米單產的進一步提升，應加快對土壤肥力指標原位動態檢測方法及裝備的研究，實現土壤肥力指標的精準快速高密度獲取，為變量作業提供豐富且精確的土壤屬性信息；應著重對變量播種決策技術進行研究，開展廣泛的基于土壤屬性的玉米播量決策試驗，建立試驗數據查詢平臺，為構建基于土壤屬性的播量決策模型提供數據支撐；應加強對玉米精量排種器、電驅式排種控制系統的深入研究，特別是對作業速度高精度檢測方法和無刷電機高精度控制算法的研究，研制具備高排種質量、高響應速度的玉米精量播種單體，為變量播種作業提供堅實基礎。