冬小麥-夏玉米農業氣象自動化觀測技術評估

摘要：2016—2020年在河南省鄭州、鶴壁、黃泛區3個國家一級農業氣象試驗站，利用航天新氣象科技有限公司、河南中原光電測控技術有限公司2個廠家5套觀測設備，對冬小麥-夏玉米的發育期、冠層高度、密度、葉面積指數、干物質質量等進行連續自動化觀測試驗，并同時開展人工對比觀測。結果表明，冬小麥發育期自動觀測誤差大都在4 d以內，返青、拔節誤差在5 d以上，需輔以人工觀測；冠層高度自動觀測平均誤差多在10 cm以下；生育期內密度波動較大，自動化觀測效果較差。夏玉米發育期自動化觀測誤差大都在4 d以下，拔節、乳熟和成熟暫需輔以人工觀測；密度、冠層高度自動觀測效果較好。冬小麥和夏玉米發育期、生長狀況評定、冠層高度及玉米密度自動觀測效果較好，優化后可業務推廣應用；而葉面積指數、干物質質量識別效果較差，尚不具備業務推廣條件，需改進算法或識別技術。

關鍵詞：冬小麥；夏玉米；農業氣象；自動化觀測；評估

中圖分類號：S163" " " " "文獻標識碼：A

文章編號：0439-8114（2023）03-0224-06

DOI：10.14088/j.cnki.issn0439-8114.2023.03.035 開放科學（資源服務）標識碼（OSID）：

Evaluation of automatic observation technology for agricultural meteorology of winter wheat and summer corn

ZHANG Zhi-hong1，2，SHI Gui-fen1，3， LI Shu-ling4

（1. Key Laboratory of Agro-meteorological Safeguard and Applied Technique in Henan Province， China Meteorological Administration， Zhengzhou" 450003，China； 2. Henan Institute of Meteorological Science， Zhengzhou" 450003， China； 3. Henan Climate Center， Zhengzhou" 450003，China；

4. Zhengzhou Meteorological Bureau， Zhengzhou" 450003，China）

Abstract：In three national first-class agricultural meteorological observation test stations in Zhengzhou， Hebi and Huangfan district of Henan Province， 5 sets of observation equipment of Aerospace New Meteorological Technology Co.， Ltd. and Henan Zhongyuan Optoelectronics Measurement and Control Technology Co.， Ltd. were used to conduce continuous automatic observation experiments on the growth period， canopy height， density， leaf area index and dry matter of winter wheat and summer corn from 2016 to 2020， and at the same time， manual comparative observation was carried out. The results showed that the identification error of winter wheat in the growth period was usually within 4 days. The error in turning green and jointing period was more than 5 days， which should be supplemented by artificial observation. The average error of canopy height identification was less than 10 cm. The density fluctuated greatly during the growth period， and the effect of automatic identification was poor. The identification error of summer corn in the growth period was generally less than 4 days， and artificial observation was temporarily needed to assist in jointing， milk-ripening and ripening stages. The identification effect of the density and height was good. The identification effects on growth period， growth evaluation， canopy height and corn density of winter wheat and summer corn were good， which could be popularized and applied after optimization. However，the identification effect of the leaf area index and dry matter quality was poor， so there were no conditions for business promotion， and the algorithm or recognition technology should be improved.

Key words： winter wheat； summer corn； agricultural meteorological； automated observation； assessment

河南省是中國糧食主產區，其種植作物主要為冬小麥、夏玉米。保障糧食安全，做好為農服務一直是氣象工作的重要方面。進行農業氣象觀測，獲取準確和有代表性的數據是開展為農服務的基礎。隨著農業現代化的進展，對氣象服務的要求越來越高，觀測方式也逐漸由人工觀測向自動觀測轉變［1-3］。按中國氣象局綜合觀測司《觀測司關于組織開展農業氣象觀測自動化試點工作的通知》（氣測函〔2016〕46號）要求，2016年開始，同時在河南、新疆、廣西、內蒙古4個省份開展小麥、玉米、水稻、棉花的農業氣象自動化觀測試驗。對作物生長動態、發育期、冠層高度、密度、葉面積指數、干物質質量、農業氣象災害等要素進行連續自動觀測，利用攝影測量學和三維空間模擬技術［4］，通過圖像采集處理識別與大數據等集成技術［5-7］，結合農作物生育特征和農業氣象指標，建立作物發育期、密度等農業氣象要素算法模型［8，9］，進而實現農業氣象實時、可視化、自動化觀測［10］。

目前已開展大量基于圖像處理技術的作物生育期監測研究［11-16］。余衛東等［17］、岳紅偉［18］研究了中國農業氣象自動化觀測現狀、存在的問題，并展望未來發展方向，胡萌琦［19］對農業氣象自動觀測方法研究與應用進行介紹分析。還有學者基于不同的需求，構建了與之相適應的農業氣象自動觀測系統，并對其基本功能、整體構架、國家級平臺移動應用APP以及農作物主要生長參數自動觀測技術等方面［20-25］進行了詳細的介紹。安學武等［26］對內蒙古春玉米和水稻農業氣象自動觀測系統數據與人工觀測數據進行對比分析，發現作物生長狀況、發育期自動觀測數據與人工觀測數據基本一致。王秀芳［27］對小麥、玉米覆蓋度自動化觀測質量控制研究發現不同作物、不同發育期的覆蓋度與LAI、株高、生長量的相關程度不同。

河南省農業氣象自動化觀測研究已開展數年，具有豐富詳實的試驗數據，但有關報道尚未形成。本研究于2016—2020年在河南省3個農業氣象觀測站，利用航天新氣象科技有限公司（簡稱無錫所）、河南中原光電測控技術有限公司（簡稱27所）2個廠家的5套農業氣象自動化觀測設備，對冬小麥-夏玉米連續開展農業氣象觀測自動化試驗，為農業氣象自動化觀測技術的矯正和推廣應用提供科學依據，為貫徹國家“十三五”規劃“藏糧于地、藏糧于技”戰略，發揮氣象趨利避害與防災減災作用，保障糧食生產安全，提供技術支持與氣象服務。

1 材料與方法

2016—2020年在河南省鄭州、鶴壁、黃泛區3個國家一級農業氣象觀測試驗站內，利用無錫所、27所的5套農業氣象自動化觀測設備進行連續自動化觀測試驗。試驗區均為暖溫帶大陸性氣候，種植方式為冬小麥-夏玉米輪作。試驗品種冬小麥為矮抗58，夏玉米為浚單29，均為當地主打品種 。

觀測要素為發育期、冠層高度、密度、葉面積指數、生長狀況評定、干物質質量等，各要素均采用定點定株人工觀測與自動觀測［28］，進行對比評估。人工觀測按93版《農業氣象觀測規范》［29］規定進行，2017年起增加了生育期內逢10號的對比觀測。實時監測冬小麥-夏玉米生長發育信息，動態監測作物長勢變化及遭受氣象災害時的異常變化情況，并對生長信息自動采集與圖像自動識別數據進行處理，同時依據農業氣象觀測業務規范對作物氣象自動觀測站自動觀測項目的準確性進行評估［30，31］。

2 結果與分析

2.1 冬小麥自動觀測準確性評估

2.1.1 冬小麥發育期自動觀測評估 總體來看，出苗、三葉、分蘗、抽穗、開花、乳熟、成熟自動觀測效果較好，平均誤差在4 d以內，越冬開始、返青、拔節自動觀測效果較差。發育期自動觀測精度年度間出現起伏，但總體精度呈提升趨勢（表1），2020年自動觀測平均誤差為2.7 d，誤差在4 d以內的發育期占89%，僅越冬、返青、拔節3個發育期誤差在5 d以上，需輔以人工觀測。

2.1.2 冬小麥作物要素自動化觀測數據評估 作物自動觀測要素包括冠層高度、密度、葉面積指數、干物質質量、生長狀況評定等。總體來說，生長狀況評定精度較高，冠層高度優化算法后可以滿足業務服務需求，密度、葉面積指數、干物質質量目前精度較低，需要改進算法或觀測技術方法提高精度。

冬小麥屬于分蘗作物，密度受制于播種量和分蘗數，生育期內自身密度波動較大，呈兩頭低、中間高的趨勢，最高值一般出現在返青-拔節期，整個生育期密度一般在300～2 600株（莖）/m2，年際間差異較大。冬小麥形體較小且植株間相互遮擋，自動觀測器測值總體誤差較大，除2017年外，其余年度平均相對誤差都在28%以上，最大達51%（表2），且經過4年試驗，精度在現有技術條件下沒有提升，主要原因是密植分蘗作物密度變化較大，且相互遮擋，不易測量，目前精度尚不能夠滿足當前業務需求，需要進一步改進技術手段。

冬小麥冠層高度的測量方法目前有2種，27所和無錫所分別采用激光測高和標稈測高法。2種方法以激光測高法更為精確，但需要標定基準位置，否則容易出現系統性誤差。河南省冬小麥冠層高度最高一般在70 cm左右，有些品種可以達90 cm，高度的變化趨勢呈慢-快-停的趨勢，冬小麥返青期前高度增長緩慢，拔節后快速增長，至冬小麥開花后停止增長。由4年的對比數據可以看出，冠層高度識別總體較好，但年際間不夠穩定，2018年精度最高，2個廠家絕對誤差均在5 cm以下，其余年份多在10 cm左右波動（表2），分析誤差出現原因，以2020年為例，27所3個站點的激光測高數據均出現了不同程度的系統誤差，進行系統修正后絕對誤差降至3.1 cm，相對誤差降至12%，由此可知，激光測高基準位置的標定是影響數據準確度的重要因素。無錫所標稈測高在2020年統一為激光測高，主要因為田間設立標稈，影響了機械作業。冬小麥冠層高度數據精度較為穩定，優化算法后可以進行業務試應用。

冬小麥整個生育期的葉面積指數一般在0.1～10.0，返青前一般在2.0以下。分析4年葉面積指數可知，年平均絕對誤差在0.6～1.9，年平均相對誤差在11%～42%，最大誤差出現在2020年27所42%，僅無錫所2017年相對誤差為11%，其余年份相對誤差均在28%以上（表3）。因誤差較大，目前冬小麥葉面積指數的識別精度暫無法滿足業務需要，需引入新的技術手段提高精度。

冬小麥整個生育期干物質質量受密度影響較大，在返青前增長緩慢，返青期一般不超過400 g/m2，返青后快速增長，最大接近2 000 g/m2，地塊間、品種間差異較大。分析近4年干物質質量數據，年平均絕對誤差在43.9～235.8 g/m2，年平均相對誤差5%～44%，多數在20%以上，最大出現在2020年無錫所（表3），冬小麥干物質質量識別因精度較低，目前暫無法滿足業務需要。

2.2 夏玉米自動化觀測評估

2.2.1 夏玉米發育期自動化觀測評估 夏玉米為稀植作物，個體較大，發育期特征明顯，較易進行自動觀測。夏玉米出苗、三葉、七葉、抽雄、開花、吐絲識別效果較好，誤差在4 d以下；識別效果較差的有拔節、乳熟和成熟，平均誤差在4～6 d（表4）。以2020年為例，夏玉米自動觀測平均誤差為2.8 d，4 d以下的占77%，誤差較大的仍集中在拔節、乳熟、成熟期，建議改進算法后進行業務試運行，無明顯特征的拔節、乳熟和成熟可暫時輔以人工觀測。

2.2.2 夏玉米作物要素自動化觀測評估 夏玉米密度識別效果較好，冠層高度識別效果不穩定，葉面積指數和干物質質量識別效果較差。

夏玉米為稀植作物，定苗后密度固定。夏玉米密度一般在5～9株/m2左右，4年內夏玉米密度自動觀測值，有1個站次出現失誤外，其余均識別效果較好，年平均誤差大多在在0.8株/m2以下，年平均相對誤差大多在12%以下，2020年2站次平均誤差在0.3株/ m2以下（表5），精度較高，增加算法穩定性后，夏玉米密度可以進行業務試應用。

夏玉米出苗至開花，高度一直快速增長，拔節期增長最迅速，平均每日增長2～4 cm，開花后植株保持穩定不再增長，夏玉米冠層高度最高可達300 cm以上。由表5可知，年平均絕對誤差大多在22 cm以下，年平均相對誤差均在26%以下，多數在10～20%，27所年際間出現波動，原因主要是激光測高基準值不夠精確，出現了系統性的誤差，廠家需進一步改進識別算法，冠層高度觀測總體效果較好，可以進行業務試應用。

人工觀測的夏玉米葉面積指數在0.01～5.00，干物質質量在1～2 700 g/m2。近4年葉面積指數年平均相對誤差多數在30%以上，平均為39%；干物質質量相對誤差在38%以上，平均值為51%（表6），自動觀測效果較差，葉面積和干物質質量尚達不到業務試運行條件。

2.3 冬小麥-夏玉米自動化觀測業務可用標準

根據分析評估結果，統籌考慮冬小麥、夏玉米業務需求及自動化觀測能力，建議6種自動化觀測項目精度見表7，根據建議精度，目前冬小麥、夏玉米2種作物發育期、冠層高度、生長狀況以及夏玉米密度可滿足業務需求。

3 結論與討論

1）對比人工觀測，對冬小麥-夏玉米4年自動化觀測數據進行分析表明，作物發育期、生長狀況評定、植株冠層高度、稀植作物密度識別精度逐步提升，識別效果較好，可進行業務推廣或部分優化后推廣（部分發育期需輔以人工觀測）；而葉面積指數、干物質質量、冬小麥密度仍無技術突破，識別結果誤差較大，尚不具備業務推廣條件，需改進算法或識別技術。

2）不同作物的自動識別精度標準可根據現階段技術水平及服務需求做不同要求，如發育期可為3～5 d，冠層高度相對誤差≤10%或≤15%，稀植作物密度可為0.3～1.0株/ m2不等，隨著技術發展逐漸提高精度標準。前后變化較大的要素，如株高、分蘗作物密度、葉面積指數等，可以分階段設置，不宜設成1個固定值。

3）經過4年的對比試點，2個廠家的硬件穩定性和軟件識別精度均有不同程度的提高。但存在如下問題：儀器供電系統、采集器的穩定性，圖片采集存在采集顏色、相機不能對焦、拍攝視野過小、鏡頭被遮擋等問題。數據的完整率還有待進一步提高，信息通報渠道不暢通。中心站業務軟件部分功能不完善等問題。

4）目前，受制于自動化觀測技術水平和農業氣象觀測復雜程度，冬小麥、夏玉米農業氣象觀測還不能全面實現自動化，自動和人工觀測相互融合、相輔相成將是未來農業氣象自動化觀測的常態，需要按不同的服務需求及技術水平對觀測要素進行分類處理。如發育期中部分外形特征不明顯、自動化觀測精度較差的由人工觀測替代，部分觀測項目表征內容相關如密度、覆蓋度、植被指數建議相互替代補充。并積極引入大數據分析、機器學習、人工智能等新的技術方法，提高識別精度，同時依據自動化特點，引入新的觀測要素，加強自動化觀測的精度和廣度，提高為農服務技術支撐能力。

參考文獻：

［1］ 李宇光.基于明水縣的自動與人工土壤水分觀測數據對比分析［J］.中國農學通報，2018，34（21）：115-120.

［2］ 薛龍琴， 陳海波， 師麗魁. 河南省自動土壤水分觀測網的建設與運行管理［J］. 氣象與環境科學， 2011， 34（4）：84-87.

［3］ 李嘉潔， 孫 涵，華 璀， 等. 基于氣象GIS的農業氣象情報文本自動化生成技術研究［J］. 氣象與環境科學，2016，39（2）： 137-143.

［4］ 劉志平， 孫 涵， 胡萌琦，等. 農業氣象自動觀測原理樣機的研制［J］. 安徽農業科學， 2010， 38（17）：9287-9289.

［5］ 陸 明，申雙和，王春艷，等. 基于圖像識別技術的夏玉米生育期識別方法初探［J］. 中國農業氣象，2011，32（3）：423-429.

［6］ 武永峰， 宮志宏， 劉布春， 等. 基于遠程監控的農業氣象自動采集系統設計［J］. 農業機械學報， 2010， 41（10）：174-179.

［7］ 李 明， 張長利， 房俊龍. 基于圖像處理技術的小麥葉面積指數的提取［J］. 農業工程學報， 2010， 26（1）： 205-209，386.

［8］ 王 璞.農作物概論［M］.北京：中國農業大學出版社，2004.

［9］ 趙留鎖， 孔令浩. 農作物種植密度計算方法探討［J］. 中國農業信息， 2013（15）： 93.

［10］ 吳玉潔， 葉彩華， 姜會飛，等. 不同積溫計算方法作物發育期模擬效果比較［J］. 中國農業大學學報， 2016， 21（10）： 117-126.

［11］ 陳斌源， 紀立恒， 鄧曉璐. 農業氣象自動觀測采集系統對現代農業氣象觀測的作用［J］. 福建熱作科技， 2018， 43（1）： 64-66.

［12］ 余正泓. 基于圖像的玉米發育期自動觀測技術研究［D］. 武漢： 華中科技大學， 2014.

［13］ 屈永華， 王錦地， 董 健， 等. 農作物冠層結構參數自動測量系統設計與試驗［J］. 農業工程學報， 2012， 28（2）： 160-165.

［14］ 白曉東. 基于圖像的水稻關鍵發育期自動觀測技術研究［D］.武漢： 華中科技大學， 2014.

［15］ 吳 茜. 基于圖像處理技術的棉花發育期自動觀測研究［D］.武漢： 華中科技大學， 2013.

［16］ 胡樹貞， 張雪芬， 何 姣. 基于雙波段圖像的玉米長勢自動觀測方法研究［J］. 氣象與環境科學， 2019， 42（3）： 34-41.

［17］ 余衛東， 楊光仙， 張志紅. 我國農業氣象自動化觀測現狀與展望［J］. 氣象與環境科學， 2013， 36（2）： 66-71.

［18］ 岳紅偉. 我國農業氣象自動化觀測現狀與展望［J］. 科技與企業， 2014， 23（19）： 69.

［19］ 胡萌琦. 普及型生態—農業氣象自動觀測方法研究與應用［D］.南京：南京農業大學， 2011.

［20］ 張雪芬， 王秀芳， 李翠娜，等. 農作物主要生長參數自動觀測技術綜述［J］. 氣象科技， 2012， 41（6）： 1122-1127.

［21］ 李要中， 劉 鈞， 馬尚昌. 基于AM335X的農作物氣象自動觀測系統設計［J］. 氣象科技， 2017， 45（5）： 818-824.

［22］ 張雪芬， 薛紅喜， 孫 涵， 等.自動農業氣象觀測系統功能與設計［J］. 應用氣象學報， 2012， 23（1）： 105-112.

［23］ 胡萌琦，黎家宜，唐 新，等. 基于虛擬儀器技術的農業氣象自動觀測系統研究［J］. 氣象研究與應用，2010，31（2）：57-59，81.

［24］ 沈 超， 曹婷婷， 王一萌， 等. 基于React Native的農業氣象自動化觀測系統國家級平臺移動應用APP設計［J］. 農業與技術， 2019， 39（18）： 132-135，138.

［25］ 張友安. 自動農業氣象觀測系統的功能與設計［J］. 產業與科技論壇， 2015， 14（2）： 75-76.

［26］ 安學武， 付吉林. 農業氣象自動觀測系統數據與人工觀測數據對比分析［J］. 中國農學通報 2019， 35（25）： 108-114.

［27］ 王秀芳. 主要農作物生長特征參數自動化觀測技術研究［D］. 成都： 成都信息工程學院，2012.

［28］ 成兆金， 徐法彬， 馬品印， 等. 農業氣象自動站與人工站觀測值對比分析［J］. 氣象科技， 2008， 36（2）： 249-252.

［29］ 國家氣象局. 農業氣象觀測規范（上卷）［M］. 北京： 氣象出版社， 1993.10-31.

［30］ 中國氣象局觀測司.作物氣象自動觀測站功能規格需求書［M］. 北京：氣象出版社， 2018.

［31］ 中國氣象局觀測司.農業小氣候自動觀測規范（試行）［M］.北京：氣象出版社， 2018.1-32.