摘要 以安徽省宿州市埇桥区国家现代农业示范区为研究对象，构建了符合地理国情监测和作物生长监测的数字化农场系统。该系统具有数据处理、空间分析、农情监测、预报预测等主要功能模块，为家庭农场的精准化管理和智能农业应用奠定了理论基础。
关键词 家庭农场；数字化；三维模型；归一化植被指数
中图分类号 S126 文献标识码 A 文章编号 0517-6611（2017）34-0225-03
Abstract Taking Yongqiao district of national modern agriculture demonstration zone of Suzhou City as an example， we set up the digitalized family farm system，which was accordant with geography and national conditions monitoring，crop growth monitoring.The system had data processing， spatial analysis， crop surveillance， forecast and prediction and other main function modules， so as to provide the theory basis for precise management of family farm and smart agriculture application.
Key words Family farm；Digital；Three dimension model；Normalized difference vegetation index
随着科学理论和技术的不断发展，我国农业也从传统的手工作业、机械作业、数字化作业过渡到精准作业和智慧管理的信息化阶段。伴随着“互联网+”、物联网技术、遥感技术、大数据和云计算等理论和技术的发展和应用，我国即将全面进入精准化、智慧化的农业发展阶段。但是，由于我国农业田地的分散性、权属性和区域性等问题的存在，造成我国农业现状出现差异性发展，我国9大商品粮基地逐步转向以北方为主，以南方为辅。为了解决传统农业出现和遗留的问题，从中央到地方各级政府相继出台了一系列政策，加大土地流转力度，完善农民合作社、家庭农场、种地大户和涉农企业的承包制度。
数字农场就是利用各种传感器系统获取农场和种植作物的空间数据和属性数据，采用通信技术、计算机技术和地理信息技术等处理、建模和应用相关数据，以辅助承包主体分析、作业和预测的一门学科和技术[1]。该研究中的农场是一般意义上的，以“百亩”为单位，承包主体所承包的农业土地、附属设施和农业作物。从数字农场的内涵来看，数字农场构建的核心是建立各种优化模型，反映相关数据和各种复杂的内在机理之间的关系。
1 研究区概况
宿州市埇桥区位于安徽省北部，淮北平原东北部，地理坐标为116°51′～117°05′E，33°17′～34°06′N，平均海拔为30 m，东临灵壁县，西接濉溪县，南连怀远县，北与江苏省铜山县接壤，是淮海经济协作区的核心城市之一，也是安徽省距离出海口最近的城市，是全国著名的商品粮基地，被称为“中原粮仓”。2009年，宿州市政府、埇桥区委区政府开始筹建宿州市埇桥区国家现代化农业示范区，并于2010年8月被农业部认定为第一批国家现代农业示范区。
2 数字农场系统的构建
为了高效、科学、合理地管理运作示范区，以计算机软件开发流程为依据，构建了满足示范区的农场数字化系统，如图1所示。家庭农场的数字化是实现精准农业、智慧农业的前提条件，以传感器系统为基础，获取农场及作物的基础地理信息数据、气象数据和作物数据组成数据层，利用地理空间三维模型以及作物生长模型和动态监测模型构建出数字农场的中间层。在数据层和中间层的基础上，将数字农场系统应用于地理国情监测和农场作物种植、管理和预报的作业过程。从應用上看，首先利用各种传感器系统，获取农场土地权属性质和空间位置等基础地理信息数据，在地理信息数据的基础上，结合相应的物理机理和几何模型，构建家庭农场三维可视化模型以及数据库模型等，从而更好地服务地理国情监测。同时，还可以获取农场所在地区的气象数据，主要是影响农场作物生长的温度、湿度、日照、气压、风向、风速和降雨等数据，结合作物生长需要的N、P、K等化学元素，构建农场作物生长模型，从作物生物机理上揭示作物生长规律。结合其他传感器获取的作物生长的物理光谱曲线和纹理结构等数据，构建作物生长动态监测模型，辅以网络通信技术和物联网技术等技术，可以实现远程实时监测，结合智能伺服驱动系统实现作物的精准管理，利用小波分析、神经网络、马尔科夫模型等算法，做出可靠、准确的灾情预报、产量预测，最终更好地服务农业示范区农场作物的种植和管理。
3 数字化农场系统的相关算法
3.1 农场三维可视化模型
三维可视化问题贯穿于摄影测量遥感、图像处理、计算机技术、虚拟现实等领域，对这一经典问题的研究，各领域专家学者都做出了很多令人振奋的成果和产品。三维可视化模型的建立是利用人眼生理视差，重建图像、视频内容的三维场景，加上色彩、纹理和结构的渲染，生成可视化的仿真模型。该研究在构建真实三维可视化模型时，采用空间摄影测量方式，利用研究区的影像数据和高程数据，结合计算机技术生成家庭农场三维可视化模型。
3.2 作物生长动态监测模型
农场作物生长的动态监测，可以利用精准的单体测量方式和群体范围的遥感监测方法。在遥感监测中，最为常见的是利用叶面积指数（Leaf area index，LAI）和作物群体生物量（Crop group biomass，CGB）2个指标反演作物生态环境。其中，LAI指标贯穿作物生长的生理过程，特别是在光合作用、呼吸作用、碳循环等过程中起着决定性的作用。因此，利用该指标监测农场作物生长状态是可靠的。对于LAI指标的求解，通常采用2种方法：①物理模型法。通过描述作物生长过程物理机理，构建模型，加以计算，这种方法具有普适性，可以减少作物类型和环境因素的影响，但计算结果存在精度不高、难以确定等问题。②统计模型法。采用统计学原理，利用先验LAI和植被指数的关系，建立对应的经验函数模型，采用回归分析等方法，计算总体作物LAI。其中，最重要的是归一化植被指数（Normalized difference vegetation index，NDVI），计算公式[2-8]如下：
4 数字化家庭农场系统关键技术的实现
在Think Pad T420i電脑上，Intel Core i3处理器、Kingston 4 GB内存、Nvidia Geforce GT240显卡，在32位Windows 7（SP3）操作系统下，利用Visual Studio 2010旗舰版，开发数字化农场系系统，如图3所示。
4.1 三维可视化
为了验证主要模型算法的适用性，研究采用的数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站（http：//），根据宿州市行政区划所在的经纬度数据，下载LANDSAT8卫星影像，该卫星于2013年2月11日发射，搭载了OLI陆地成像仪（Operational land imager，OLI）和TIRS热红外传感器（Thermal Infrared Sensor，TIRS）2种传感器集成系统，拍摄时间为2017年4月，数据包括11个波段，其中，波段8为全色波段，空间分辨率为15 m，波段1～7和9为多光谱波段，空间分辨率为30 m，波段10和11为TIRS波段，空间分辨率为30 m。在经过图像平滑、坐标变换、图像拼接、图像裁剪、匀色等预处理后，得到宿州市影像数据，如图4（a）所示。为了构建三维可视化模型，下载ASTER GDEM 30 m高程数据，在经过数据预处理后，得到宿州市30 m DEM数据，如图4（b）所示。利用上述2种数据，结合三维模型，生成宿州市三维可视化模型，如图4（c）所示。基于三维可视化模型，可以高效地管理宿州市埇桥区国家现代农业示范区。
4.2 NDVI指数
在数字化农场系统V1.0下，经过影像数据辐射校正、几何校正等预处理后，计算宿州市NDVI指数，其结果[9-12]如图4（d）所示。在得到NDVI指数后，结合利用LAI测量仪在规格化采样区域测量的LAI数值，采用回归分析方法，可以构建二者之间的经验模型，反演农场作物总体的生长状态。
5 小结与展望
农业现代化是以家庭农场及附属设施和农场作物的数字化为基础，以满足高效、精准和智能的农场管理。笔者构建了家庭农场数字化系统，并实现了数据的预处理、空间分析、灾情预报、产量评估等基础功能，满足家庭农场的基本管理要求。今后，其他相关模块的完善是下一步研究的重点。
参考文献
[1] 汪志强，刘坤，陶桂香，等.农场农业数字化信息系统研究评述[J].安徽农业科学，2013，41（8）：3720-3722.
[2] 吴昌广，周志翔，肖文发，等.基于MODIS NDVI的三峡库区植被覆盖度动态监测[J].林业科学，2012，48（1）：21-28.
[3] 龚大鑫，贠汉伯，窦学诚，等.青藏工程走廊多年冻土段植被覆盖度动态快速测量方法研究[J].中国沙漠，2013，33（2）：412-418.
[4] 龙晓闽，周忠发，张会，等.基于 NDVI像元二分模型植被覆盖度反演喀斯特石漠化研究：以贵州毕节鸭池示范区为例[J].安徽农业科学，2010，38（8）：4184-4186.
[5] 黄海洧，赵来，谷家川，等.基于ERDAS与GIS的滁州市植被NDVI时空变化特征研究[J].安徽农业科学，2016，44（11）：70-72.
[6] 李小亚，张勃，靳自宝.基于MODIS-NDVI的甘肃河东地区植被覆盖度动态监测[J].水土保持研究，2013，20（1）：112-115.
[7] 王晓江，胡尔查，李爱平，等.基于MODIS NDVI的内蒙古大青山自然保护区植被覆盖度的动态变化特征[J].干旱区资源与环境，2014，28（8）：61-65.
[8] 肖洋，熊勤犁，欧阳志云，等.基于MODIS数据的重庆市植被覆盖度动态变化研究[J].西南大学学报（自然科学版），2013，35（7）：121-126.
[9] MU S J，YANG H F，LI J L，et al.Spatiotemporal dynamics of vegetation coverage and its relationship with climate factors in Inner Mongolia，China [J].Journal of geographical sciences，2013，23（2）：231-246.
[10] 张丽，何晓旭，魏鸣.基于NDVI的淮河流域植被覆盖度动态变化[J].长江流域资源与环境，2012，21（Z1）：51-56.
[11] 包刚，包玉海，覃志豪，等.近10年蒙古高原植被覆盖变化及其对气候的季节响应[J].地理科学，2013，33（5）：613-621.
[12] 刘广峰，吴波，范文义，等.基于像元二分模型的沙漠化地区植被覆盖度提取：以毛乌素沙地为例[J].水土保持研究，2007，14（2）：268-271.
