賈彪 王銳 孫權(quán) 賀正 辛明

摘 要：該文分析了農(nóng)業(yè)信息學(xué)的課程設(shè)計(jì)與本科教學(xué)過(guò)程中存在的問(wèn)題，結(jié)合近年來(lái)課程最新研究?jī)?nèi)容設(shè)計(jì)了基于無(wú)人機(jī)技術(shù)的玉米出苗率、葉面積指數(shù)、株高、生物量、葉綠素及葉片氮含量監(jiān)測(cè)等6個(gè)教學(xué)案例，旨在提高學(xué)生上課的積極性，培養(yǎng)學(xué)生的實(shí)踐能力和動(dòng)手能力，推動(dòng)教學(xué)改革，為涉農(nóng)專業(yè)高層次應(yīng)用型人才的培養(yǎng)提供參考。

關(guān)鍵詞：農(nóng)業(yè)信息學(xué);無(wú)人機(jī)遙感技術(shù);課程案例

中圖分類號(hào) G642.0文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 1007-7731（2021）01-0154-03

1 引言

農(nóng)業(yè)信息學(xué)作為農(nóng)業(yè)與信息技術(shù)一門交叉的新學(xué)科與技術(shù)深度融合，是作物栽培生理、農(nóng)業(yè)遙感和智能決策等領(lǐng)域的交叉與創(chuàng)新，研究空間大，知識(shí)融通性強(qiáng)，有助于將關(guān)鍵技術(shù)轉(zhuǎn)化為生產(chǎn)力。其先進(jìn)的數(shù)據(jù)獲取手段與數(shù)據(jù)采集方法，拓展了無(wú)人機(jī)遙感在農(nóng)作物圖像處理、光譜數(shù)據(jù)分析、光合機(jī)理、生理特征、幾何形態(tài)研究的廣度和深度，為作物精準(zhǔn)栽培與智慧農(nóng)業(yè)研究方法的創(chuàng)新與發(fā)展奠定了理論基礎(chǔ)，為現(xiàn)代農(nóng)業(yè)的智能化、定量化，信息化發(fā)展提供了重要的技術(shù)支持[1-3]。隨著無(wú)人機(jī)遙感監(jiān)測(cè)技術(shù)的不斷發(fā)展，其核心技術(shù)如機(jī)器學(xué)習(xí)、深度學(xué)習(xí)已經(jīng)開(kāi)始應(yīng)用于作物農(nóng)藝參數(shù)監(jiān)測(cè)中，提高了傳統(tǒng)農(nóng)業(yè)的生產(chǎn)效率[2]。該技術(shù)在農(nóng)學(xué)類專業(yè)教學(xué)領(lǐng)域的應(yīng)用不斷增加，提高了農(nóng)業(yè)信息技術(shù)的教學(xué)水平和質(zhì)量，為我國(guó)培養(yǎng)了一批該領(lǐng)域高層次專業(yè)人才[3-6]。

雖然在教學(xué)過(guò)程中已取得了一定的成就，但受教師們傳統(tǒng)教學(xué)的影響，教學(xué)中仍存在一定問(wèn)題，如教師單方面灌輸知識(shí)[7]，農(nóng)業(yè)信息化教學(xué)內(nèi)容中圖像處理，無(wú)人機(jī)飛行線路規(guī)劃較為難懂，導(dǎo)致學(xué)生難以理解，積極性差，最終教學(xué)效果不理想。課堂部分授課內(nèi)容若讓學(xué)生自主設(shè)計(jì)、并參與，定能增加學(xué)生積極性，提高教學(xué)質(zhì)量。作物學(xué)教學(xué)特點(diǎn)就是要求學(xué)生去基地實(shí)訓(xùn)，通過(guò)親身實(shí)踐更好地理解課程內(nèi)容。

無(wú)人機(jī)遙感（UAV Remote Sensing）具有較大的適用性、機(jī)動(dòng)性，技術(shù)的快速發(fā)展，其搭載數(shù)碼越來(lái)越高分辨率的數(shù)碼相機(jī)，UAV遙感在農(nóng)業(yè)上正成為一種有潛力技術(shù)，可用于監(jiān)測(cè)作物農(nóng)藝參數(shù)。目前，UAV在農(nóng)業(yè)領(lǐng)域的應(yīng)用已經(jīng)非常普遍，并取得了一系列的成果，在一定程度上推動(dòng)了農(nóng)業(yè)信息化的發(fā)展[8]。然而，由于其包含了作物學(xué)、圖像處理、無(wú)人機(jī)飛行操作等較多的知識(shí)點(diǎn)，要完成這些實(shí)踐內(nèi)容，就要求學(xué)生多角度、多層次的掌握綜合知識(shí)。通過(guò)讓學(xué)生參與基于無(wú)人機(jī)的作物長(zhǎng)勢(shì)與營(yíng)養(yǎng)監(jiān)測(cè)的實(shí)踐探究，可以培養(yǎng)他們的綜合能力，提升教學(xué)質(zhì)量，為農(nóng)業(yè)信息化的發(fā)展培養(yǎng)基礎(chǔ)人才[9]。

為了提作物學(xué)本科生學(xué)習(xí)的積極性，筆者結(jié)合目前的研究?jī)?nèi)容基于無(wú)人機(jī)的玉米生產(chǎn)長(zhǎng)勢(shì)與營(yíng)養(yǎng)診斷，將該內(nèi)容設(shè)計(jì)為6個(gè)教學(xué)案例，讓學(xué)生在實(shí)踐中學(xué)習(xí)知識(shí)，即基于無(wú)人機(jī)的玉米出苗率、葉面積指數(shù)、株高、地上部干物質(zhì)量、葉綠素值、葉片含氮量監(jiān)測(cè)，旨在推動(dòng)教學(xué)改革，培養(yǎng)學(xué)生的實(shí)踐能力。

2 教學(xué)案例

2.1 基于無(wú)人機(jī)遙感的玉米出苗率估算 出苗率是玉米大田生產(chǎn)的一個(gè)重要指標(biāo)，及時(shí)確定出苗率對(duì)于栽培管理決策如補(bǔ)苗、灌水等措施具有重要意義，同時(shí)也能預(yù)測(cè)產(chǎn)量。常規(guī)方法評(píng)估過(guò)程通過(guò)人工數(shù)苗，費(fèi)時(shí)費(fèi)力，且容易出現(xiàn)視覺(jué)疲勞，造成準(zhǔn)確率下降。目前，基于無(wú)人機(jī)遙感，通過(guò)圖像分析處理技術(shù)，可以快速準(zhǔn)確地監(jiān)測(cè)大田作物的早期出苗率。

采用Photosacn軟件自動(dòng)將無(wú)人機(jī)獲取的單張高清影像拼接成一個(gè)整體，在識(shí)別出苗率的研究中，由于最大類間方差法的較好性能可以用于多種作物與作物分割，所以選擇最大類間方差閾值分割法分割識(shí)別玉米圖像。玉米4葉期后葉片之間會(huì)有重疊，按照常規(guī)計(jì)數(shù)法會(huì)將重疊在一起的幾株玉米識(shí)別成1株，造成準(zhǔn)確率降低。通過(guò)幾何特征如葉片的長(zhǎng)寬比、形態(tài)參數(shù)可區(qū)分識(shí)別重疊植株，通過(guò)識(shí)別重疊區(qū)形態(tài)特實(shí)現(xiàn)玉米植株計(jì)數(shù)，建立玉米苗期數(shù)的回歸模型。該方法也可較好地識(shí)別雜草，提高出苗率識(shí)別的準(zhǔn)確性。通過(guò)比較基于無(wú)人機(jī)與人工數(shù)苗的差異，可以評(píng)估該方法的精確性。

2.2 基于無(wú)人機(jī)遙感的葉面積指數(shù)監(jiān)測(cè) LAI是作物冠層性能及其生長(zhǎng)和產(chǎn)量潛力的指標(biāo)，是栽培和育種研究中重要的先決條件，精準(zhǔn)估計(jì)LAI對(duì)于監(jiān)測(cè)玉米的生長(zhǎng)狀況尤為重要。無(wú)人機(jī)遙感作為一種新型非破壞性的測(cè)量方法，已被廣泛應(yīng)用于估計(jì)作物的LAI，特別是在較大尺度范圍下優(yōu)勢(shì)明顯。在玉米關(guān)鍵生育時(shí)期如苗期、拔節(jié)期、吐絲期，通過(guò)UAV獲取冠層數(shù)字圖像并處理，提取圖像紅綠藍(lán)（R、G、B）通道值，用于LAI相關(guān)性較高的圖像色彩參數(shù)如G-R，并用公式計(jì)算冠層覆蓋度CC。以UAV圖像提取的色彩參數(shù)與大田測(cè)量LAI為基礎(chǔ)，通過(guò)不同回歸分析方法，如單變量回歸、偏最小二乘估計(jì)法以及精確性較高的機(jī)器學(xué)習(xí)方法如回歸和隨機(jī)森林何支持向量機(jī)法構(gòu)建基于UAV的LAI估算模型，并通過(guò)R2和RMSE進(jìn)行模型檢驗(yàn)，選出估測(cè)LAI的最佳圖像參數(shù)與回歸方法，建立LAI最佳模型，為大面積玉米栽培措施的制定提供科學(xué)依據(jù)。

2.3 基于無(wú)人機(jī)遙感的玉米株高估算 株高是評(píng)價(jià)大田作物生長(zhǎng)狀況的重要的農(nóng)藝參數(shù)，株高的改變對(duì)于作物倒伏能力有著重要影響，并影響收獲指數(shù)，最終影響作物籽粒產(chǎn)量。將基于UAV作物株高監(jiān)測(cè)數(shù)據(jù)融入作物模型數(shù)據(jù)同化中，既有利于降低觀測(cè)成本，也可提高作物（如玉米）的產(chǎn)量估算精度，因此株高是栽培和育種中一個(gè)重要的監(jiān)測(cè)指標(biāo)。通過(guò)基于無(wú)人機(jī)高清遙感圖像不同生育時(shí)期的生產(chǎn)的數(shù)字地面模型DSM相互作差，可以進(jìn)行玉米株高的提取，在播種后進(jìn)行試驗(yàn)田裸地圖像獲取，將根據(jù)GPS定位田間獲取生成地面坐標(biāo)基點(diǎn)DSM0，在玉米拔苗期、節(jié)期、吐絲期獲取無(wú)人機(jī)影像定義為DSM1、DSM2、DSM3，通過(guò)不同生育時(shí)期的DSM高度坐標(biāo)（DSM1、DSM2、DSM3）減去基點(diǎn)（DSM0）即可得出玉米植株高度，通過(guò)實(shí)測(cè)的數(shù)據(jù)來(lái)進(jìn)行模型精確度評(píng)價(jià)。

2.4 基于無(wú)人機(jī)遙感的玉米生物量監(jiān)測(cè) 生物量作為作物光合產(chǎn)物積累的最終體現(xiàn)，經(jīng)常用于反映作物植株長(zhǎng)勢(shì)，產(chǎn)量形成與預(yù)測(cè)具有決定性意義，及時(shí)、準(zhǔn)確地獲取田間作物大規(guī)模作物干物質(zhì)量，可以為作物精準(zhǔn)生產(chǎn)管理提供依據(jù)。UAV遙感是獲取田間植株生物量行之有效的手段。通過(guò)提取數(shù)字圖像的色彩參數(shù)如R、G、B及監(jiān)測(cè)生物量的常用植被指數(shù)如超綠植被指數(shù)（ExG）和歸一化差分指數(shù)（NDI）等，以及一些常用紋理參數(shù)如能量（ASM）熵（ENT）等。通過(guò)相關(guān)性分析選出與各生育時(shí)期生物量相關(guān)性較高的圖像色彩與紋理參數(shù)，通過(guò)逐步回歸法與支持向量機(jī)回歸法對(duì)比分析，找出模型精度較高的回歸方法，建立并檢驗(yàn)基于UAV的玉米生物量的監(jiān)測(cè)模型，為監(jiān)測(cè)玉米生長(zhǎng)狀況提供相應(yīng)的方法。

2.5 基于無(wú)人機(jī)遙感的玉米葉綠素含量、葉片氮含量監(jiān)測(cè) 葉綠素值和葉片氮素營(yíng)養(yǎng)狀況是反映作物光合能力及作物營(yíng)養(yǎng)元素虧缺的主要指標(biāo)。如何利用數(shù)字圖像無(wú)損監(jiān)測(cè)作物葉綠素值和葉片氮素的營(yíng)養(yǎng)狀況，一直是作物營(yíng)養(yǎng)狀態(tài)領(lǐng)域的研究熱點(diǎn)。近些年來(lái)，UAV已被廣泛應(yīng)用于及時(shí)、無(wú)損監(jiān)測(cè)作物氮素營(yíng)養(yǎng)狀態(tài)，以實(shí)現(xiàn)作物精準(zhǔn)施肥，提高肥料利用率。通過(guò)獲取玉米苗期、拔節(jié)期、大喇叭口期和吐絲期的冠層圖像，并同步測(cè)定葉片葉綠素值、含氮量，提取圖像中CC、ExG等圖像色彩參數(shù)，計(jì)算圖像平滑度、均值、三階矩等紋理特征。為提高模型精度，通過(guò)輸入不同組合圖像值用R語(yǔ)言進(jìn)行深度神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法，建立基于圖像色彩和紋理參數(shù)的氮素營(yíng)養(yǎng)診斷算法模型。

2.6 大田作物系數(shù)無(wú)人機(jī)多光譜遙感估算 作物系數(shù)快速獲取是大田作物產(chǎn)量等估算的關(guān)鍵，為了解無(wú)人機(jī)多光譜遙感估算作物系數(shù)的可行性和適用性，在教學(xué)實(shí)踐中以寧夏實(shí)驗(yàn)站大田玉米、水稻、小麥為研究對(duì)象，以土壤、氣象等數(shù)據(jù)為基礎(chǔ)數(shù)據(jù)作為例證，采用氣象因子和作物覆蓋度校正后的雙作物系數(shù)法計(jì)算不同生長(zhǎng)時(shí)期與不同水分脅迫的作物系數(shù)，并使用自主研發(fā)的無(wú)人機(jī)多光譜系統(tǒng)航拍玉米的冠層多光譜（藍(lán)、綠、紅、紅邊、近紅外，475～840nm）影像，給本科生講解作物不同生長(zhǎng)時(shí)期（快速生長(zhǎng)期、生長(zhǎng)中期和生長(zhǎng)后期）的幾種常用植被指數(shù)，如歸一化差值植被指數(shù)（NDVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）、增強(qiáng)型植被指數(shù)（EVI）、比值植被指數(shù)（RVI）、綠度歸一化植被指數(shù)（GNDVI）等對(duì)作物的影響，讓學(xué)生從光譜的角度深入認(rèn)識(shí)無(wú)人機(jī)多光譜技術(shù)估算作物系數(shù)具有一定的可行性。

3 小結(jié)與討論

綜上所述，無(wú)人機(jī)遙感已廣泛應(yīng)用于作物栽培和育種領(lǐng)域研究，可有效彌補(bǔ)衛(wèi)星遙感與地面觀測(cè)的不足，排除中大尺度監(jiān)測(cè)的異質(zhì)性。隨著現(xiàn)代作物栽培學(xué)與新興學(xué)科領(lǐng)域的交叉與融合，作物栽培管理正從傳統(tǒng)的模式化和規(guī)范化向著定量化和智能化的方向邁進(jìn)。由無(wú)人機(jī)遙感技術(shù)在農(nóng)業(yè)信息學(xué)教學(xué)中應(yīng)用與教學(xué)案例設(shè)置可以看出，農(nóng)業(yè)信息學(xué)課程的最大特點(diǎn)是將典型的信息技術(shù)應(yīng)用于課程設(shè)計(jì)中去，并對(duì)所涉及的技術(shù)、研究對(duì)象和過(guò)程加以數(shù)字化應(yīng)用、信息化感知、動(dòng)態(tài)化模擬等，從而實(shí)現(xiàn)農(nóng)作物信息化管理的定量化與精確化。

通過(guò)10多年的教改探索和教學(xué)實(shí)踐，本文基本上構(gòu)建了具有寧夏大學(xué)地域特色的農(nóng)業(yè)信息學(xué)教學(xué)方法和技術(shù)提高體系，重點(diǎn)在為涉農(nóng)專業(yè)如農(nóng)學(xué)、植物保護(hù)、農(nóng)業(yè)資源利用等專業(yè)本科生的農(nóng)業(yè)信息學(xué)教學(xué)方案與設(shè)計(jì)提供了有力的幫助，取得了顯著的教學(xué)成果，實(shí)現(xiàn)了基于信息技術(shù)體系的涉農(nóng)本科生農(nóng)業(yè)信息學(xué)教學(xué)管理方案與優(yōu)化設(shè)計(jì)。農(nóng)業(yè)信息學(xué)教學(xué)和農(nóng)業(yè)信息技術(shù)的未來(lái)發(fā)展將需要深入推進(jìn)農(nóng)作物模擬技術(shù)、傳感技術(shù)、決策技術(shù)等的交叉融合，在教學(xué)過(guò)程中不斷完善農(nóng)業(yè)信息技術(shù)教學(xué)方案的精確設(shè)計(jì)，把農(nóng)作物生長(zhǎng)狀況精確診斷、作物生產(chǎn)力精確預(yù)測(cè)等關(guān)鍵技術(shù)不斷地增加到教學(xué)過(guò)程中，加強(qiáng)農(nóng)業(yè)信息軟件相關(guān)系統(tǒng)和硬件產(chǎn)品的開(kāi)發(fā)應(yīng)用與示范推廣，從而促進(jìn)現(xiàn)代農(nóng)業(yè)信息學(xué)不斷向著智慧化方向邁進(jìn)。

農(nóng)業(yè)信息學(xué)教學(xué)改革將農(nóng)作物精確栽培技術(shù)深度增加到教學(xué)過(guò)程中，進(jìn)一步完善了教學(xué)內(nèi)容，以栽培科學(xué)與信息科學(xué)的交叉為主要特征，將有助于提升涉農(nóng)專業(yè)本科生的認(rèn)知能力、感悟能力、實(shí)踐能力。同時(shí)，對(duì)于作物栽培學(xué)的定量化和工程化等具有重要的推動(dòng)作用，使得現(xiàn)代農(nóng)科類大學(xué)生規(guī)范化的步入精確化、科學(xué)化栽培時(shí)代。

然而，農(nóng)業(yè)信息學(xué)課程改革還需要不斷地進(jìn)行科學(xué)技術(shù)與內(nèi)容創(chuàng)新，在技術(shù)與內(nèi)容創(chuàng)新方面著力關(guān)鍵技術(shù)的突破。首先，加強(qiáng)農(nóng)作物的大量營(yíng)養(yǎng)元素以及病、蟲、草、鼠害等信息的實(shí)時(shí)性監(jiān)測(cè)及數(shù)字化處理教學(xué)內(nèi)容，深化和拓展作物生長(zhǎng)生理指標(biāo)的實(shí)時(shí)感知和定量診斷等關(guān)鍵技術(shù)講授。其次，教學(xué)內(nèi)容要拓展極端氣候環(huán)境如高溫和低溫對(duì)作物生長(zhǎng)與生產(chǎn)力形成的動(dòng)態(tài)影響及定量模擬內(nèi)容，構(gòu)建功能與結(jié)構(gòu)一體化的可視化數(shù)字化作物生長(zhǎng)虛擬平臺(tái)，通過(guò)平臺(tái)的展示，讓學(xué)生獲得猶如身臨其境的感受。再次，不斷完善作物管理知識(shí)模型的相關(guān)技術(shù)與內(nèi)容，讓學(xué)生明確作物品種性狀、土壤特性、技術(shù)指標(biāo)等關(guān)鍵參數(shù)的變化特征和量化方法，促進(jìn)處方設(shè)計(jì)與管理調(diào)控的精量化和科學(xué)化。最后，加強(qiáng)精確栽培技術(shù)與空間信息技術(shù)的融合的教學(xué)內(nèi)容，實(shí)現(xiàn)由點(diǎn)到面、由田塊到區(qū)域的尺度化跨越，提升教學(xué)內(nèi)容的空間性。

在應(yīng)用開(kāi)發(fā)方面，農(nóng)業(yè)信息學(xué)應(yīng)強(qiáng)化農(nóng)作物精確栽培技術(shù)軟件系統(tǒng)和硬件設(shè)備的研制開(kāi)發(fā)，注重對(duì)產(chǎn)品在教學(xué)過(guò)程中的應(yīng)用。在教學(xué)過(guò)程中，強(qiáng)調(diào)學(xué)生未來(lái)的發(fā)展前景，基于農(nóng)作物精確栽培關(guān)鍵技術(shù)，研制開(kāi)發(fā)便攜式和機(jī)載式作物生長(zhǎng)傳感設(shè)備、基于遙感的作物生長(zhǎng)監(jiān)測(cè)與診斷系統(tǒng)、基于模型的數(shù)字化農(nóng)作模擬與設(shè)計(jì)系統(tǒng)、基于模型和3S的綜合性作物智慧管理系統(tǒng)等，為未來(lái)作物精確栽培提供工程化產(chǎn)品和實(shí)用化平臺(tái)。打破傳統(tǒng)作物栽培“軟”技術(shù)的標(biāo)簽，促進(jìn)農(nóng)藝處方與農(nóng)機(jī)作業(yè)的有效結(jié)合，實(shí)現(xiàn)軟件系統(tǒng)與硬件裝備的配套應(yīng)用。同時(shí)，加快技術(shù)產(chǎn)品在不同區(qū)域不同條件下的示范應(yīng)用，并探索建立不同層次用戶的技術(shù)應(yīng)用模式，從而使作物精確栽培技術(shù)更快更好地服務(wù)于規(guī)?；?、現(xiàn)代化農(nóng)業(yè)生產(chǎn)。

參考文獻(xiàn)

[1]崔靜，王海江.《農(nóng)業(yè)信息技術(shù)》課程教學(xué)改革的思考[J].教育教學(xué)論壇，2017（36）：117-118.

[2]田永超，朱艷，姚霞，等.《農(nóng)業(yè)信息學(xué)》課程建設(shè)的實(shí)踐與思考[J].中國(guó)農(nóng)業(yè)教育，2007（04）：59-61.

[3]吳金棟.新加坡高校智慧教育發(fā)展路徑研究及啟示——以南洋理工大學(xué)為例[J].大學(xué)教育，2020（10）：1-4，10.

[4]杭阿芳.“互聯(lián)網(wǎng)+教育”背景下模塊化O2O教學(xué)模式探究[J].大學(xué)教育，2020（10）：33-36，40.

[5]黃先北，郭嬙，李小川，等.三維造型軟件在大學(xué)生專業(yè)創(chuàng)新實(shí)踐中的應(yīng)用研究——以能源與動(dòng)力工程專業(yè)為例[J].大學(xué)教育，2020（10）：77-79.

[6]余建橋，梁穎.現(xiàn)代農(nóng)業(yè)信息技術(shù)課程教學(xué)改革的探索與實(shí)踐[J].西南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，37（03）：162-165.

[7]邵瑞鑫，王泳超，郭家萌，等.農(nóng)學(xué)專業(yè)作物栽培學(xué)各論教學(xué)改革與創(chuàng)新探討——以玉米栽培學(xué)為例[J].現(xiàn)代農(nóng)業(yè)科技，2019（18）：255-256.

[8]紀(jì)景純，趙原，鄒曉娟，等.無(wú)人機(jī)遙感在農(nóng)田信息監(jiān)測(cè)中的應(yīng)用進(jìn)展[J].土壤學(xué)報(bào)，2019：1-13.

[9]許德章.面向智能制造的復(fù)合型人才培養(yǎng)實(shí)踐教學(xué)體系構(gòu)建[J].大學(xué)教育，2020（10）：161-164.

（責(zé)編：張宏民）