大數據時代精準施肥模式實現路徑及其技術和方法研究展望

何山，孫媛媛，沈掌泉，王珂

（浙江大學農業遙感與信息技術應用研究所，浙江杭州 310058）

大數據時代精準施肥模式實現路徑及其技術和方法研究展望

何山，孫媛媛，沈掌泉，王珂*

（浙江大學農業遙感與信息技術應用研究所，浙江杭州 310058）

自上世紀70年代起，我國開展了田間養分精準管理方法與技術的研究和推廣，包括測土配方施肥、土壤養分測試和作物營養診斷，積累了大量土壤類型、肥力等基礎數據以及農村地籍調查、農業普查、作物需肥規律等田間養分管理相關數據。但田間養分精準管理目前依舊存在重研究、輕應用，重理論、輕技術，專業分工太細，分割化、碎片化嚴重，傳統與現代融合不夠，可實際應用的產品、技術較少，農戶體驗差等問題。日漸成熟的信息互聯、互通、互享技術與平臺，功能日益強化的人工智能技術等，為實現田間養分管理走向精細化、信息化與系統化，進而為實現跨越式發展提供了契機。本文從我國農田經營分散的實際國情出發，根據精準施肥原理、認識與定位，提出了“基準+精準”模式的田間養分管理方案，以測土配方施肥為基礎，結合數據挖掘技術對現有數據進行綜合分析，更新制定當年田間養分管理“基準”施肥方案，包括基肥和追肥的施用數量及施用時間，同時利用云GIS可實現農田數據的空間信息化和施肥方案田塊化管理的可視化，為移動端施肥方案的推送和實現田塊尺度上的信息化精細管理奠定基礎。以數字圖像無損診斷作為技術支撐，通過機器學習作物數字圖像特征參數來建立營養診斷模型，判斷得出作物營養脅迫種類及程度，從而對當季田間作物長勢及營養狀況進行準實時監測與評價，進而實現對田間“基準”施肥方案特別是追肥施用的“精準”修正。最后通過構建“云+手持終端+數字圖像”系統架構實現“基準方案推送—無損診斷—精準修訂—成效反饋—方案優化”的動態實施和更新，對測土配方施肥技術體系進行完善，同時實現相關成果更新和持續利用，解決成果應用的“最后一公里”問題。

測土配方施肥；精準施肥；大數據分析；光譜營養診斷；“基準+精準”養分管理模式

建國以來，我國開展了兩次全國性的土壤普查，并大力推進測土配方施肥和耕地地力調查等系列工作，但化肥過量施用現象依舊普遍。據2015年世界糧農組織 (FAO) 統計，我國化肥平均施用量為643.9 kg/hm2，是世界平均施肥水平的4.62倍[1]。2010年我國環保部發布的《第一次全國污染源普查公報》指出，我國農業面源污染已超過點源污染，成為水環境污染的最大污染源，而其中化肥的過度施用是引起相關污染的重要原因之一。為此，國家提出“化肥減量工程”以進一步提高區域耕地保護與管理水平和實現農業可持續發展。2015年農業部制定的《到2020年化肥使用量零增長行動方案》指出“力爭到2020年，主要農作物化肥使用量實現零增長”。所以，如何集成現有海量土壤養分和施肥管理的數據、技術和成果，并通過現代信息技術轉化為農技人員和農戶提供更容易接受與采納的服務方案和產品，是目前農業“減肥工程”迫切需要解決的重點工作之一。因此，建立一套基于大量土肥基礎信息與當前科研和應用成果，又體現信息時代優勢與特點的經濟、高效、可持續的土壤養分管理和精準施肥模式及其支撐技術體系意義重大。

1 研究進展、存在問題以及基于大數據時代的對策

1.1 研究進展

1.1.1數據積累 隨著測土配方施肥的實施和農業信

息技術的大范圍應用與普及，土肥數據量呈爆炸式增長。據統計，從2005年至2014年底，我國測土配方施肥工程共采集土壤樣品1798萬個，獲得分析數據1.24億個[2]，并且在土壤測試的基礎上開展耕地地力專題調查，建立耕地土壤豐缺指標，開發縣域耕地資源管理信息系統，初步摸清了1857個項目縣(場) 14億畝耕地土壤養分狀況[2]，建立了豐富多元化的土壤數據庫。與此同時，廣泛開展主要農作物的肥效試驗，試驗數累計達33萬多個，初步摸清了土壤供肥量、肥料利用效率等基本參數，基本掌握了水稻、小麥、玉米等主要作物需肥規律，并向農戶發放施肥建議卡共9.2億份[2]。以上工作積累了海量從縣級到省級的土壤類型、土壤養分、土壤肥力等基礎數據，以及農村地籍調查、農業普查、作物需肥規律、地形地貌、農田水利設施等與養分精準管理過程密切相關的空間數據和屬性數據，為進一步制定合理的田間施肥方案、引導科學施肥等奠定了堅實基礎。

1.1.2原理和理論 科學施肥需要遵循一定的原理和理論。1840年，德國化學家李比希創立礦質養分歸還學說，提出植物從土壤中帶走的養分，需通過施肥的方式歸還[3]，最小養分律、報酬遞減律、營養元素的同等重要與不可替代律等，這些經典的施肥理論在指導田間合理施肥的歷史進程中發揮了重要作用，也是未來精準養分管理、決策的重要理論依據[4]。測土配方施肥是聯合國在全世界推行的先進農業技術，是目前世界公認的科學施肥方法之一。所謂測土配方是指通過測定土壤養分含量來因地制宜地制定田間施肥方案。測土配方施肥也是我國田間養分管理具有里程碑式的工作，取得了巨大的經濟和社會效益。

1.1.3方法與技術

1) 測土配方施肥是制定田間養分管理基礎方案的方法依據。經典測土配方施肥方法主要包括地力分區配方法，目標產量配方法 (養分平衡法、地力差減法)，田間試驗法 (肥料效應函數法、養分豐缺指標法、NPK比例法)。測土配方施肥方法所形成的一套包括“測土、配方、配肥、供應、施肥指導”五個核心環節的成熟理論體系對作物田間養分管理方案的制定具有重要的指導意義[5]。

2) 土壤養分測試是制定田間養分管理基礎方案的核心內容。傳統的土壤養分測試技術主要為室內土樣化學分析。隨著現代化農業的發展，各種土壤養分測試新技術不斷出現，包括高光譜遙感反演技術、多光譜遙感回歸分析技術以及應用電磁感應傳感器、探地雷達等設備原位獲取田間土壤養分信息等新技術[6–8]，為快速、有效獲取土壤養分狀況提供了可能。

3) 作物營養診斷是實現作物田間養分精準管理的技術支撐。植物營養診斷技術主要包括專家經驗判斷、室內化學分析以及田間無損診斷技術。其中，田間無損診斷技術又包括SPAD測量技術、高光譜成像技術、數字圖像診斷技術 (數碼相機、掃描儀等) 以及航空、航天遙感技術等[9–11]。

1.1.4實踐與成效 我國精準養分管理系列工作已取得了顯著成效，在農業節本增效、增產增收等方面發揮了積極的作用。據農業部全國農業技術推廣服務中心統計，目前全國測土配方施肥推廣面積已近14億畝，覆蓋率達60%以上，而且我國2015年水稻、玉米、小麥三大糧食作物化肥利用率較2005年提高了7.2個百分點[12]；截至2013年底，全國累計減少不合理施肥950多萬噸，有效減輕了農業面源污染[2]。與此同時，各級農業部門建立了國家、省、市、縣四級耕地質量監測網絡，布設了1萬多個耕地質量長期定位監測控制點，并于2014年底由農業部牽頭完成了2400多個農業縣的耕地地力調查與質量評價[13]。精準農業系列工作不僅有效提高化肥利用率與實施耕地質量監測，還對不同地區土壤肥力、作物需肥規律以及作物產量做了大量系列調查與研究，并取得了豐碩成果。2017年3月農業部發布的《2017年春季主要農作物科學施肥指導意見》對包括小麥、玉米、水稻在內的9大類作物提出了相應地區的科學施肥建議，對作物田間養分管理工作的進一步實施具有重要的意義。

1.2 存在問題

1) 重研究、輕應用，重理論、輕技術。精準施肥的相關研究大都停留在研究層面和小尺度多點試驗，綜合集成應用工作偏少[14–16]，區域養分管理實現路徑、方法與技術的研究相對欠缺，尤其是針對測試技術、數據處理技術以及綜合集成應用技術的研究較少，真正將研究成果進行田間實踐和實際推廣應用的不多，以至于研究成果與生產實踐部分脫節，阻礙了精準施肥方案的推廣普及。通過什么樣的方法、技術與渠道，將研究成果真正應用到實際中去，易為廣大農戶應用，一直是亟待解決的難題。

2) 專業分工太細，分割化、碎片化嚴重。土壤、植物、大氣是一個統一的、動態的、互相反饋的連續系統[17]，這就導致精準施肥涉及土壤學、植物營養學等不同種類的相關學科知識背景。同時，隨著信息化時代現代農業的不斷發展，計算機技術、遙感技術、地理信息技術等專業領域的新興技術也被廣泛地應用于精準施肥領域[18–19]，而多學科的交叉導致在解決實際問題時專業分工太細，不同領域間綜合性、系統性的有機結合不夠，缺少將分散化的研究進行系統融合、協同運轉的平臺等問題。研究和應用分割化、碎片化的現象嚴重阻礙了田間精準養分管理的綜合、全面實施。

3) 傳統與現代技術融合不夠。精準養分管理方案的實施需要在傳統的分析技術中不斷引入3S技術、遙感技術、移動GIS技術、云技術、機器學習、人工智能等現代化、智能化的新技術，不僅能夠獲取更多信息，而且能充分挖掘現有信息的價值，進而實現對田間土壤、作物等進行定位、定時、定量的監測與管理。美國、意大利、加拿大等發達國家精準農業的實施較為成熟，已經較好地實現了包括車載GPS土壤測繪傳感器制圖、GPS施肥作業、田間計算機遠程監控、航空以及航天遙感實時監測等現代技術與傳統采樣分析技術的有效融合[20–24]。然而，在我國精準養分管理的實施中，傳統技術與現代技術的融合嚴重滯后。因此，加強傳統技術與現代技術有效、全面、深入的融合可以為我國未來全面實施精準養分管理奠定堅實的基礎。

4) 可實際應用的產品、技術較少，農戶體驗差。隨著精準施肥的不斷發展，各類田間養分精準管理相關產品也相繼出現。除了向農戶散發的施肥建議卡外，一系列測土配方施肥綜合服務系統、土壤養分管理與作物推薦施肥信息系統、田間養分管理專家決策支持系統、移動信息查詢系統等農業服務產品[25–30]也相繼問世，這些產品對田間養分科學、有效的管理產生了一定的作用。但是系統界面不友好、操作人性化水平低、用戶體驗差的問題仍然廣泛存在，真正得到用戶認可并且能夠在農戶與農技管理人員中間廣泛普及使用的產品與技術數量較少，系統內數據的更新及系統升級也不夠重視。

1.3 大數據時代的機遇與對策

1) 土壤、養分管理等數據積累日益豐富。一方面隨著精準農業的實施和農業信息技術的大范圍應用與普及，土肥數據量呈爆炸式增長。另一方面，特別是物聯網技術的發展為大數據的獲取帶來新的契機，其所產生和積累的數據具有范圍廣、數量大、類型豐富等特點，可實現大數據的實時快速采集。而且目前由遙感衛星[31–32]、無人機[33–35]、地面設備[9, 36]等平臺搭載傳感器組成的“天、空、地”立體監測網絡逐漸發展起來，其所獲取的不同尺度遙感信息、地面監測數據、網絡數據及其他信息正呈幾何級增長。通過以上渠道的獲取積累而日益豐富的土壤、養分管理等相關空間數據和屬性數據為進一步制定田間養分精細化管理方案奠定了堅實的基礎。

2) 大數據集成與分析能力越來越強。隨著信息時代大數據量的爆炸式增長，相應的大數據集成與分析能力也越來越強。其中，數據挖掘技術在數據處理和可視化方面功能強大，可以快速實現對大數據的分類、估值、預測、關聯、聚類、描述以及可視化等方面的綜合歸納、整理與分析[37–41]。此外，各種meta分析也為提升各個領域空間和屬性大數據的綜合集成與分析能力提供了有效渠道。由于大數據時代精準養分管理與大數據有緊密的聯系，因此通過對農業大數據的綜合集成與分析可以助推精準養分管理走向精細化、信息化與系統化，進而實現跨越式發展。

3) 信息互聯、互通、共享的技術與平臺日漸成熟。互聯網、云計算、大數據挖掘以及移動GIS等前沿技術在信息化時代進程中相互聯結在一起，為急劇增長的海量信息提供了良好的互聯、互通、共享的平臺[42–43]。其中，云技術有著計算速度快、存儲空間廣、交互能力強等優點，可以實現對海量、多元數據的彈性管理和靈活計算[44–45]。此外，智能手機、平板電腦等移動終端設備，具有便攜、操作簡單、功能多樣、易傳遞等優點，可以全程全網快速實現信息的在線查詢、獲取與傳輸。大數據時代精準養分管理應充分利用日漸成熟的信息互聯、互通、共享技術，從而提高農戶與農技人員對相關數據的經濟、快速獲取能力，以及信息反饋與交流的互動能力。

4) 人工智能與多樣化和適應性。在中國耕地分散經營的體制下，農業生產尤為復雜[46]，精準養分管理需要根據長期經驗積累和當季變化做出一定的適應性與修正才能得到進一步推進。人工智能 (artificial intelligence，AI) 是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術，可以實現對大數據的推理、判斷和感知，在面對田間復雜、多元的影響因素時，具有一定的適應性、歸納性與自主性[47–48]。人工智能與互聯網的深入融合為大數據時代田間精準養分管理提供了契機，未來的精準養分管理需把握住人工智能快速發展的機遇，深入發掘人工智能和精準養分管理的有機結合，在農業大數據的助力下，實現田間施肥的信息化與智能化。

2 精準施肥的相關理論與模式

2.1 精準施肥理論

測土配方施肥所遵循的礦質養分歸還學說、最小養分律、報酬遞減律等經典施肥理論為田間養分管理提供了重要的理論依據。測土配方施肥是以土壤肥力變異性分析為基礎，根據不同區域土壤供肥性能、作物需肥規律以及肥料效應的不同，提出針對特定區域的肥料施用數量、施用時間和施用方法，從而實現按需供肥，最終達到高產、優質和高效的目的，是作物田間養分科學、有效管理的核心理論依據[4]。

傳統的農業生產把地塊當作均質、統一的單元來進行管理，導致地塊內某些區域施肥不足或施肥過量。實際上，土壤是一個開放的復雜體系，其養分在時間與空間上的分布受生物、氣候、母質、地形、時間[49]以及人為活動等因素的共同影響，因此土壤肥力要素、供肥保肥能力在時空分布上具有復雜的變異性。然而，土壤養分的時空分布在一定條件下又是相對穩定的，雖然在不同的農藝管理等外界因素影響下會產生波動，但這種波動在一定的時空范圍內不是隨機的，而是具有相關性和趨向性[50–51]，是有規律可循的。因此，田間土壤養分的歷史積累數據仍然具有可持續利用價值，通過數據挖掘技術可以實現對其演變規律的定量化，從而為大數據時代精準施肥方案的制定提供強有力的基礎支撐。

2.2 精準施肥的認識、定位與目標

精準施肥是精準農業的核心內容之一，目標是實現經濟、環境、資源等綜合效益最大化，但在我國過量施肥仍較普遍的現實情況下，其首要任務是確保不過量施肥。實現不過量施肥的核心內容又是在充分了解土壤養分變異情況的基礎上，因地制宜地制定每一操作單元的施肥方案，從而進行定量及平衡施肥作業，這對我國農田經營分散化的國情來說尤為重要，這也是我國過量施肥問題仍很嚴重的主要原因之一。此外，隨著農業信息技術的廣泛普及，根據作物、氣候等影響因子來進行變量施肥成為可能，這種技術支撐下的變量施肥是對以土定肥法的進一步調整與提升。因此，精準施肥的首要目標是如何集成現有成果，利用現代信息技術，讓農戶及時獲得指導性明確、操作性強的施肥方案和建議，使施肥減量化有據可循，從而確保不過量，這是精準施肥的根本。在此基礎上充分把握信息技術快速發展的機遇，通過經濟、便捷的技術進行變量施肥，進一步提升施肥精度，實現精準施肥綜合效益最大化的目標。

2.3 精準施肥模式

根據我國國情和養分管理現狀以及精準施肥的原理、認識與定位，通過建立“基準+精準”模式的田間養分管理方案，以作物田間施肥總量定額、基肥打底、變量追肥的路徑實現養分管理目標。

2.3.1“基準” 以現有土壤及養分管理大數據為基礎，通過對土壤養分時空分布規律的定量化挖掘，可以初步獲得田間土壤肥力分布情況。然后根據測土配方施肥的原理與方法，再結合作物需肥、氣候等其他田間基礎數據，可以制定田間“基準”施肥方案，明確不同農作物的施肥總量及其施肥方案，包括基肥與追肥的施用時間、施用數量以及施用結構，最終實現田間養分的科學有效管理。

2.3.2“精準” 在“基準”施肥方案基礎上進行追肥的“精準”修正，可適應土壤養分時空演變的波動性以及當季作物生長變化。作物從播種到收獲，其產量與品質除了受土壤營養元素的影響外，還受氣候、水分、光照和病蟲害等多重因素的共同作用，這些因素最終都綜合體現在作物植株上。然而現行的測土配方施肥等推薦施肥技術，雖能夠定量地控制施肥總量，但難以做到根據植物生長的情況對肥料的施用進行適時調整[25, 52–54]。土壤中營養物質的數量是否適宜于農作物生長，最準確的指標應該是農作物本身，因為農作物生長狀況和體內養分水平正是土壤提供作物營養物質的綜合反映。因此，通過植物營養診斷對田間養分管理的“基準”施肥方案進行追肥的“精準”修正，實現作物田間養分的動態管理是非常必要的。

3 實現模式的路徑、方法與技術

3.1 “基準”施肥量的確定

通過數據挖掘技術充分挖掘歷史積累大數據的可持續利用價值，可以實現對土壤肥力、作物需肥規律、氣候等養分管理關鍵因子的時空預測與分析，再結合測土配方施肥原理與方法，進而實現對土壤基礎肥力評價與更新、測土配方施肥成果的完善與更新，最終制定每個年度田間“基準”施肥方案。

3.1.1數據挖掘是技術支撐 數據挖掘為田間施肥“基準”方案的制定提供強有力的數據與技術支撐。農業部為充分發揮大數據在農業農村發展中的重要功能和巨大潛力，于2015年底出臺了《農業部關于推進農業農村大數據發展的實施意見》。隨著與精準農業相關的數據、產品、科研成果的共享門戶開始陸續對社會開放，歷史積累的土壤肥力、作物需肥等田間基礎數據，以及氣候、水利等輔助參考數據的獲取愈發便捷。通過數據挖掘技術可實現對這些海量基礎大數據潛在價值的充分挖掘，可制定田間“基準”施肥方案。

近年來出現的數據挖掘方法按不同目的可分為分類、估值、預測、關聯、聚類、描述和可視化六大類。其中，空間聚類、關聯規則、神經網絡、決策樹、時間序列分析和數據可視化等方法已應用到土壤養分變異分析、土壤肥力分級、耕地地力等級劃分、田間管理區劃分和產量、施肥模型建立等農業決策領域[55]，使面向復雜空間決策問題時的決策能力大大提高。但當前研究主要圍繞空間單層面，缺乏對大數據的時空分析。在數據呈爆炸式增長的信息時代，時間序列數據越來越多，雖可能存在部分缺失的現象，但其潛在價值巨大。因此，運用時空地統計學 (Markov-Bayes 等)[56–58]、時空聚類法 (STDBSCAN等)[59–60]等時空序列四維分析技術，在填補田間歷史遺留數據部分缺失的空隙的同時，可以挖掘田間大數據隨時間變化的規律并進行趨勢預測，是作物田間養分科學、有效管理堅實的數據支撐和決策方法。

3.1.2測土配方施肥是方法依據和工作基礎 測土配方施肥是制定田間“基準”施肥方案的方法依據。根據測土配方施肥原理，并結合田間歷史大數據的挖掘成果，可以初步確定“基準”施肥方案，進而實現作物田間養分管理的有效決策。經典測土配方施肥方法中，地力分區法方便簡單、群眾易接受，但局限性較大、經驗依賴性較多且對具體田塊針對性不強[61]；田間試驗法的正交、回歸等田間試驗設計[62–63]，費時、費力且技術性較強，適用于機理的研究，推廣應用較難；目標產量配方法[64–65]，概念清楚且容易掌握，而且利用數據挖掘技術對歷史遺留數據的潛在價值進行深入挖掘，可以方便獲取目標產量配方所需的土壤供肥性能和作物需肥規律等核心數據。因此，在當前信息技術快速發展以及歷史數據大量積累的基礎上，測土配方施肥方法中的目標產量法更具應用潛力。

3.2 “精準”追肥量的確定

通過植物營養診斷技術對田間作物的長勢及營養狀況進行監測與評價，可以實現對田間“基準”施肥方案的“精準”修正，基于化學分析、田間形態診斷等傳統方法最終確定追肥施用量已有很好的研究與實踐。傳統的植物營養診斷主要依靠采集田間植株樣品進行室內化學分析，雖然準確性高，但耗費大量的人力、物力、財力，時效性差，不利于推廣應用[66]。此外，也有部分植物營養診斷是根據專家經驗進行判斷，但受主觀因素影響較大，且對技術人員有較高要求[67]。數字圖像無損診斷技術具有快速、簡單、經濟、便攜等優勢，可更好地實現對田間“基準”施肥方案的及時評價與“精準”修正，具有巨大的發展空間。

隨著無損診斷技術的發展與廣泛應用，通過光譜分析、數字圖像處理技術可以實現水稻營養實時、快速、準確的診斷[21, 60, 68–78]，為解決田間施肥無法適時調整的問題提供了可行路徑。其中SPAD測量技術具有儀器便攜、易操作的優點，但在使用時易受葉脈、葉斑及操作人員的影響[71, 79]。高光譜成像技術兼具光譜與圖像信息，信息豐富，但光譜信息綜合性強，診斷專一性和特異性不夠，且儀器價格昂貴，數據的采集對環境條件要求高，很難在田間實際生產中應用推廣[80]。基于遙感影像的診斷模型通過航空或航天遙感獲取作物冠層光譜信息，然后通過將所確認的作物長勢與地面數據相結合的方式分析植株營養情況，具有監測面積大、快速、便捷等優勢，可以有效彌補地面數據的部分缺失，但對遙感儀器以及專業技術人員依賴程度較高，比較適用于規模大、組織管理統一的地區[81–82]，而其中無人機航拍相片相對衛星影像靈活度高[83–85]，在制定田間施肥方案時具有重要的輔助參考價值。

數字圖像無損診斷技術能夠直觀反映水稻生長狀況，通過圖像處理技術提取作物冠層、葉片的顏色、紋理、形態等特征來判斷作物營養狀況[70, 86]，且儀器價格便宜、圖像獲取操作簡單、信息豐富，適合我國農村大部分為家庭聯產承包責任制的國情。目前，數字圖像采集與處理技術已基本實現對水稻是否處于營養脅迫、營養脅迫種類以及營養脅迫程度的判斷[87–90]。雖然僅依靠數字圖像分析直接指導田間施肥的專一性、可靠性和穩定性還不能完全解決，但作為一種“輔助”手段，充分發揮其快速、簡單、經濟、便攜等優勢，實時監測水稻生長過程中的營養狀況，對田間養分管理方案做出及時的評價和精準修正，為實現“按需供肥”、農業“減肥”提供輔助決策是有價值的，特別是在測土配方施肥成果應用基礎上，作進一步“精準”應用是可行的，值得進一步研究和系統應用及完善。

因此，數字圖像無損診斷和航空遙感無損診斷等信息化技術可以更好地實現對“基準”施肥方案快速、經濟、便捷的“精準”修正。同時，隨著大數據時代人工智能、云技術、移動GIS技術、手持式終端以及便攜式掃描儀的普及，通過數字圖像處理技術以及航空遙感圖像處理技術對作物營養狀況進行同步在線的快速精準識別更具實際應用價值和發展潛力。

4 精準施肥實現的構想

4.1 “基準+精準”

“基準+精準”模式可實現田間養分的精準、動態管理。

4.1.1地塊尺度“基準”施肥方案的制定

1) 將充分收集的海量基礎數據進行整理、歸納與標準化，從而建立包括土壤、作物、氣象、耕種模式、灌溉等信息的田間基礎數據庫。然后運用GIS、地統計學以及時空數據挖掘 (Markov-Bayes、ST-DBSCAN等) 方法，實現對田間大數據的時空定量化挖掘，并結合耕地地力評價標準實現土壤基礎養分與肥力的分等定級。在對測土配方施肥成果與應用以及土壤基礎肥力的總結分析基礎上，參照灌溉、氣候等田間輔助數據，最終得到包括基肥和追肥的施用數量及時間的“基準”施肥方案。

2) 利用云GIS對制定施肥方案所需的基礎空間數據進行存儲和管理，并以移動GIS組件來構建移動端交互的APP，然后以大比例尺遙感影像圖或農村地籍圖為底圖，從而實現農田數據的空間信息化和施肥方案田塊化管理的可視化，并為移動端施肥方案的推送和實現田塊尺度上的信息化精細管理奠定基礎。

4.1.2基于無損診斷技術的“精準修正” 國外主要基于收割時獲取的產量圖來修正下一年度的施肥方案[91–92]，而我國目前還不能夠自主獲取相關數據，因此該方法還不適應我國國情和發展階段，而無損測試可能是當下的替代方法。作物不同營養狀況的長勢、冠層光譜特性、葉片葉色及形態存在顯著差異，因此通過無人機遙感技術獲取田間作物冠層圖像，計算葉面積指數 (LAI)、冠層覆蓋度 (CC) 等指數，然后通過聚類分析 (cluster analysis) 對作物長勢情況進行等級分區，可初步判斷作物田間長勢及營養狀況。利用數碼拍照、掃描等手段獲取作物葉片數字圖像，通過對葉片特征的提取和量化，計算葉片面積、周長、RGB顏色均值、深綠色指數 (DGCI)等特征參數，再通過機器學習方法建立營養診斷模型，判斷作物是否處于營養脅迫、營養脅迫種類及脅迫程度，最終依據營養診斷結果，在已確定的“基準”方案的基礎上，實現對追肥量進行“精準”修正。

4.2 “云+手持終端+數字圖像”

“云+手持終端+數字圖像”模式可實現田間“基準+精準”施肥方案的推廣普及。依托移動GIS和云技術，構建“云+手持終端+數字圖像”的田間養分管理運行模式，可實現決策人員、管理人員、農戶之間的多向互動，進而實現田間養分管理方案的推廣應用。手持終端的開發可依托于平板電腦或智能手機，開發具有信息采集、查詢和施肥方案推薦等功能的APP，實現田塊信息查詢、數字圖像采集與上傳、管理方案接收以及管理成效反饋等功能 (包括作物產量、施肥量、作物品質等信息)；云服務器可實現田間數據庫管理及查詢 (包括土壤基礎數據、灌溉信息、作物產量、需肥量等)、作物數字圖像無損營養診斷、田間養分管理方案的決策與推送等功能。通過“云+手持終端+數字圖像”的系統架構實現“基準方案推送—無損診斷—精準修訂—成效反饋—方案優化”的動態實施和更新模式，可實現對測土配方施肥技術體系的完善，同時實現相關成果更新和持續利用，為“化肥減量工程”的推廣普及做系統化技術支撐。

綜上所述，土壤肥力與作物養分需求規律在一定的時空范圍內是相對穩定并有規律可循的，因此可通過對海量基礎數據，特別是對測土配方施肥系列成果的深入挖掘、有效整合以及空間管理，建立每年施肥成果和方案更新的途徑和方法，進而獲得田間養分管理的“基準”施肥方案。此外，植物營養無損診斷技術可以快速獲取作物營養狀況，從而可實現對“基準”方案特別是追肥施用的“精準”修正。最后通過“云+手持終端+數字圖像”的系統架構實現作物田間養分管理的動態實施和推廣應用。

5 “基準+精準”施肥模式的效益分析及實現對策

5.1 效益分析

新技術和新設備能否得到廣泛應用與其成本投入和相應的產出極其相關。我國在測土配方施肥、耕地土壤普查、耕地地力調查等方面做了大量投入，這些投入所產生的價值具有延續性和規律性，通過進一步發掘應用這些成果，可以實現其價值最大化，而且在現有成果基礎上進行二次加工與開發所需要的投入是相對較少的。

“基準+精準”田間養分管理模式的成本主要來源于農業大數據、田間作物數字圖像、田間作物冠層信息等數據采集以及應用軟件開發、云服務器購買和系統維護等。隨著信息時代的發展，國家日益重視數據共享，例如浙江省專門成立省數據管理中心，為農業大數據分析應用創造了條件和可能；田間作物數字圖像可直接通過農戶手機實時拍照獲得；大面積作物冠層信息則可采用無人機直接獲取。目前，應用軟件開發、云服務器購買以及系統維護在整個管理模式成本中占主要比重，而如能在其應用中得到政府相關政策與資金以及相關科研單位和企業的支持，其應用可以更容易實現。“基準+精準”作物田間養分管理模式的最終目標是面向農戶，實現相關成果更新和持續利用，解決成果應用“最后一公里”問題。在推廣應用精準施肥方案時，可充分利用現有共享網絡傳播途徑，例如浙江省專門建立的農民信箱以及微信、微博等信息、資源共享平臺，而這些建設和應用的投入較少，受益面廣。

隨著我國信息時代的到來以及耕地集約化程度的增加，田間養分精準管理必將朝著智能化與信息化發展。“基準+精準”作物田間養分管理模式充分挖掘現有成果的可持續利用價值，可在長期投入的基礎上獲得持續回報，不僅有利于相關科研成果得到實際應用，同時可使農業產出最大化進一步得到實現。

5.2 實現對策

大數據時代“基準+精準”作物田間養分管理模式的經濟、科學、有效實現，不僅需要政府、科研院所、企業和農民扮演好各自的角色，更需要彼此間進行優勢互補、相互協作，尋求人才、技術、資源配置的最優化，從而為“基準+精準”作物田間養分管理模式的動態實施和推廣應用提供有效保障。

5.2.1 政府 需根據當地農業及企業的實際情況，依托相關科研院所的研究成果，出臺相應的政策，同時提供必要的資金保障，為精準施肥的有效、有序實施提供政策保障以及支持。其中最主要的是提高精準農業產業鏈條上大數據的開放共享水平，打破政府各部門間、政府與民眾間的界線，組織協調數據整合與共享開放，促進數據應用。為此，國家與地方政府已陸續出臺相應政策，例如國務院2015年8月印發的《促進大數據發展行動綱要》以及各地方陸續出臺的《政務信息資源共享管理暫行辦法》、《大數據產業發展規劃》等。此外，政府也應對精準施肥模式的基本運行以及研究成果產品化提供必要的資金支持，加大發展扶持力度，從而推動精準施肥的有效、有序實施。

5.2.2 科研院所 應開展并加強包括土壤學、植物營養學、遙感學、地理信息系統、計算機科學等不同學科間的交流與合作，重視科研成果的綜合應用，特別是信息化的應用。例如美國哥倫比亞大學地球研究所國際地球科學信息網 (CIESN) 建立了基于網絡的信息交流中心，將社會科學、自然科學、信息科學等多學科重要研究成果以及地理屬性、空間數據資源進行存儲與共享，加強了學科間的交叉互動。另外，科研院所也要加強與企業的合作，積極了解企業研發的產品在實際應用中所面臨的問題，從而進行針對性研究，同時將最新的科研成果推廣到實際應用中，使科研成果得到有效利用。

5.2.3企業 作為科研成果產業化的主體，主要面向一線，面向用戶，將最新的研究成果進一步轉化為應用產品并在實際應用中進行檢驗。美國約翰迪爾公司在2012年推出的“綠色之星”精準農業系統和凱斯公司2013年初推出的新一代“先進農業”精準農業系統，是將全球定位系統、地理信息系統和物聯網技術綜合而成的新型精準農業系統，在美國得到了較為廣泛的應用，是美國精準農業技術系統的集大成者。國內企業應在學習借鑒國外成功經驗的基礎上，研發出適合我國國情和發展階段的應用產品，在為科研成果產品化提供技術支持的同時，還需與政府部門和科研院所進行對接和優勢互補，從而依靠科學和專業分析做出產品的優化調整決策，針對不同用戶解決其反饋的具體問題，進而研發出更加經濟、人性化、體驗好且能為廣大農戶所接受的產品，成為研究創新的積極推動者。

5.2.4農民 農民是精準施肥模式田間應用的最終實踐者和受益者，例如美國農場主利用3S技術進行農作物的精確化種植，節省肥料10%，小麥、玉米增產15%以上[93]；截止2014年底，我國也已有1.9億農戶參與了測土配方施肥工程，獲得區域糧食作物單產提高6%至10%的良好收益[94]。智能化與信息化是未來田間養分精準管理的發展趨勢，農民應積極配合并參加相關部門開展的系列工作，了解、學習新理論，掌握、應用新技術，反饋產量、收益和產品使用等相關信息，從而為科研院所和企業提供理論創新、方法改進和產品升級的思路，進而幫助實現作物“基準+精準”田間養分管理模式的田間有效應用，最終實現化肥減量增效、農民減本增收的良好效益。

6 結語

作物田間養分的科學、有效管理對增產增收、資源節約、環境保護等方面具有重要的現實意義。在制定精準養分管理方案時應充分繼承測土配方施肥的核心價值，挖掘現有大數據的潛在價值，做好關鍵技術的研究，走適合中國國情的精準農業發展道路。智能化與信息化是未來作物田間養分管理的發展趨勢，本文提出通過將大數據、云技術、移動GIS、人工智能等前沿技術與精準施肥現有成果的集成，構建包括原理基礎、實現路徑、實現方法與技術于一體的能夠確定“基準”施肥與“精準”追肥施用模式的精準養分管理平臺的設想，以期實現對測土配方施肥技術體系進行完善，同時也能實現相關成果更新和持續利用，最終解決成果應用的“最后一公里”問題。

[1]FAO. Statistical yearbook 2014 [M]. Rome: Food and Agricultural Organization of the United Nations, 2015.

[2]陳泓. 測土配方施肥工作的主要成效[N]. 北京: 農民日報數字報,2014.Chen H. The main effect of soil testing and formula fertilization [N].Beijing: The Digital Newspaper of Farmer’s Daily, 2014.

[3]李比希. 化學在農業和生理學上的應用[M]. 北京: 中國農業出版社, 1983.Li B X. Applications of chemistry in agriculture and physiology [M].Beijing: China Agriculture Press, 1983.

[4]白由路, 楊俐蘋, 金繼運. 測土配方施肥原理與實踐—基于高效土壤養分測試技術[M]. 北京: 中國農業出版社, 2007.Bai Y L, Yang L P, Jin J Y. Principle and practice of soil testing and formula fertilization based on high efficiency soil nutrient testing technology [M]. Beijing: China Agriculture Press, 2007.

[5]張福鎖. 測土配方施肥技術[M]. 北京: 中國農業大學出版社, 2011.Zhang F S. Soil testing and formula fertilization technology [M].Beijing: China Agricultural University Press, 2011.

[6]Stevens F, Bogaert P, Wesemael B V. Detecting and quantifying field-related spatial variation of soil organic carbon using mixedeffect models and airborne imagery[J]. Geoderma, 2015, 259-260:93–103.

[7]Xu Y, Smith S E, Grunwald S, et al. Incorporation of satellite remote sensing pan-sharpened imagery into digital soil prediction and mapping models to characterize soil property variability in small agricultural fields[J]. Isprs Journal of Photogrammetry and Remote Sensing, 2017, 123: 1–19.

[8]Gomez C, Lagacherie P, Coulouma G. Regional predictions of eight common soil properties and their spatial structures from hyperspectral Vis-NIR data[J]. Geoderma, 2012, 189-190: 176–185.

[9]Gabriel J L, Zarco-Tejada P J, López-Herrera P J, et al. Airborne and ground level sensors for monitoring nitrogen status in a maize crop[J]. Biosystems Engineering, 2017, 160: 124–133.

[10]Wang L, Zhou X, Zhu X, et al. Estimation of leaf nitrogen concentration in wheat using the MK-SVR algorithm and satellite remote sensing data[J]. Computers and Electronics in Agriculture,2017, 140: 327–337.

[11]Génard T, Etienne P, Diquélou S, et al. Rapeseed-legume intercrops:plant growth and nitrogen balance in early stages of growth and development[J]. Heliyon, 2017, 3(3): e261.

[12]中華人民共和國農業部. 農業面源污染治理攻堅戰專報2016年第 1 期[R]. 北京: 中華人民共和國農業部, 2016.MOA. The first issue of the special report about the crucial governance of agricultural surface source pollution in 2016 [R].Beijing: Ministry of Agriculture, 2016.

[13]繆翼. 加強耕地質量調查監測 夯實農業持續發展基礎[N]. 北京:農民日報數字報, 2016.Miu Y. Strengthen monitoring and investigating the quality of cultivated land and stabilize the foundation of sustainable agricultural development [N]. Beijing: The Digital Newspaper of Farmer’s Daily,2016.

[14]Cao Q, Miao Y, Li F, et al. Developing a new crop circle active canopy sensor-based precision nitrogen management strategy for winter wheat in north China plain[J]. Precision Agriculture, 2016,18(1): 1–17.

[15]Mohanty S K, Singh A K, Jat S L, et al. Precision nitrogenmanagement practices influences growth and yield of wheat (Triticum aestivum) under conservation agriculture[J]. Indian Journal of Agronomy, 2015, 60(4): 617–621.

[16]Zhao F, Jiang B. The research of decision support system about processing tomatoes precise fertilization [J]. Journal of Agricultural Mechanization Research, 2016.

[17]孫菽芬. 土壤–植被–大氣統一體內水分循環和能量交換—SPAC 模型[J]. 力學進展, 1984, 14(1): 1–9.Sun S F. Soil – vegetation – atmosphere uniform water cycle and energy exchange – SPAC model[J]. Advances in Mechanics, 1984,14(1): 1–9.

[18]Chen C, Pan J, Shu K L. A review of precision fertilization research[J]. Environmental Earth Sciences, 2014, 71(9): 4073–4080.

[19]Diacono M, Rubino P, Montemurro F. Precision nitrogen management of wheat. A review[J]. Agronomy for Sustainable Development, 2013, 33(1): 219–241.

[20]Song X, Wang J, Huang W, et al. The delineation of agricultural management zones with high resolution remotely sensed data[J].Precision Agriculture, 2009, 10(6): 471–487.

[21]Saberioon M M, Amin M S M, Anuar A R, et al. Assessment of rice leaf chlorophyll content using visible bands at different growth stages at both the leaf and canopy scale[J]. International Journal of Applied Earth Observations and Geoinformation, 2014, 32(10): 35–45.

[22]Humphreys M T, Raun W R, Martin K L, et al. Indirect estimates of soil electrical conductivity for improved prediction of wheat grain yield[J]. Communications in Soil Science and Plant Analysis, 2005,35(17–18): 2639–2653.

[23]Eitel J U H, Long D S, Gessler P E, et al. Using in-situ measurements to evaluate the new RapidEye? satellite series for prediction of wheat nitrogen status[J]. International Journal of Remote Sensing,2007, 28(18): 4183–4190.

[24]Benedetto D D, Castrignano A, Sollitto D, et al. Integrating geophysical and geostatistical techniques to map the spatial variation of clay[J]. Geoderma, 2012, 171-172: 53–63.

[25]Papadopoulos A, Kalivas D, Hatzichristos T. GIS modelling for sitespecific nitrogen fertilization towards soil sustainability[J].Sustainability, 2015, 7(6): 6684–6705.

[26]Bian F, Sha Z, Hong W. An integrated GIS and knowledge-based decision support system in assisting farm-level agronomic decisionmaking [J]. Journal of Geographical Systems, 1995, 3: 49–67.

[27]Xie Y W, Yang J Y, Du S L, et al. A GIS-based fertilizer decision support system for farmers in Northeast China: a case study at Tongle village[J]. Nutrient Cycling in Agroecosystems, 2012, 93(3):323–336.

[28]Zhang Q, Yang Z, Li Y, et al. Spatial variability of soil nutrients and GIS-based nutrient management in Yongji County, China[J].International Journal of Geographical Information Science, 2010,24(7): 965–981.

[29]郭軍玲, 王永亮, 郭彩霞, 等. 基于GIS和測土配方數據的晉北縣域春玉米專用肥配方篩選[J]. 農業工程學報, 2016, 34(7): 158–164.Guo J L, Wang Y L, Guo C X, et al. Formulas screening of special fertilizer for spring maize in county area of northern Shanxi based on GIS and soil testing data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 34(7): 158–164.

[30]熊凱, 李言照, 韓仲志, 等. 測土配方施肥綜合服務平臺設計與實現[J]. 中國農學通報, 2013, (18): 96–102.Xiong K, Li Y Z, Han Z Z, et al. The design and implementation of soil testing and fertilizer recommendation integrated service platform[J]. Chinese Agricultural Science Bulletin, 2013, (18):96–102.

[31]Khanal S, Fulton J, Shearer S. An overview of current and potential applications of thermal remote sensing in precision agriculture[J].Computers and Electronics in Agriculture, 2017, 139: 22–32.

[32]Brown M E. Satellite remote sensing in agriculture and food security assessment[J]. Procedia Environmental Sciences, 2015, 29: 307.

[33]Vega F A, Ramírez F C, Saiz M P, et al. Multi-temporal imaging using an unmanned aerial vehicle for monitoring a sunflower crop[J].Biosystems Engineering, 2015, 132(13): 19–27.

[34]Pajares G. Overview and current status of remote sensing applications based on unmanned aerial vehicles (UAVs)[J]. Photogrammetric Engineering and Remote Sensing, 2015, 81(4): 281–329.

[35]Chang A, Jung J, Maeda M M, et al. Crop height monitoring with digital imagery from unmanned aerial system (UAS)[J]. Computers and Electronics in Agriculture, 2017, 141: 232–237.

[36]Karim F, Karim F, Frihida A. Monitoring system using web of things in precision agriculture[J]. Procedia Computer Science, 2017, 110:402–409.

[37]Nguyen P M, Haghverdi A, Pue J D, et al. Comparison of statistical regression and data-mining techniques in estimating soil water retention of tropical delta soils[J]. Biosystems Engineering, 2017,153: 12–27.

[38]Lu C, Zhou Z, Zhu Q, et al. Using residual analysis in electromagnetic induction data interpretation to improve the prediction of soil properties[J]. Catena, 2017, 149: 176–184.

[39]Zhao B, Liu Y, Goh S H, et al. Parallel finite element analysis of seismic soil structure interaction using a PC cluster[J]. Computers and Geotechnics, 2016, 80: 167–177.

[40]Sitton J D, Zeinali Y, Story B A. Rapid soil classification using artificial neural networks for use in constructing compressed earth blocks[J]. Construction and Building Materials, 2017, 138: 214–221.

[41]Potashev K, Sharonova N, Breus I. The use of cluster analysis for plant grouping by their tolerance to soil contamination with hydrocarbons at the germination stage[J]. Science of the Total Environment, 2014, 485-486: 71–82.

[42]Botta A, Donato W D, Persico V, et al. Integration of cloud computing and internet of things: A survey[J]. Future Generation Computer Systems, 2016, 56(C): 684–700.

[43]Jones J W, Antle J M, Basso B, et al. Toward a new generation of agricultural system data, models, and knowledge products: State of agricultural systems science[J]. Agricultural Systems, 2017, 155: 269.

[44]Li T. Cloud-based decision support and automation for precision agriculture in orchards[J]. IFAC-Papers On Line, 2016, 49(16):330–335.

[45]Ojha T, Misra S, Raghuwanshi N S. Sensing-cloud: leveraging the benefits for agricultural applications[J]. Computers and Electronics in Agriculture, 2017, 135: 96–107.

[46]朱宏登. 新時期我國耕地制度創新路徑研究[D]. 呼和浩特: 內蒙古農業大學博士學位論文, 2011.Zhu H D. Study on the path of farmland institutional transformation in China [D]. Hohhot: PhD Dissertation of Inner Mongolia Agricultural University, 2011.

[47]Popa C. Adoption of artificial intelligence in agriculture[J]. Bulletin of the University of Agricultural Sciences & Veterinary, 2011, 68(1):284–293.

[48]Shafaei S M, Nourmohamadi-Moghadami A, Kamgar S.Development of artificial intelligence based systems for prediction of hydration characteristics of wheat[J]. Computers and Electronics in Agriculture, 2016, 128: 34–45.

[49]Krumbein W C. Factors of soil formation: A system of quantitative pedology by Hans Jenny[J]. The Journal of Geology, 1942, 50(7):336–337.

[50]Goovaerts P. Geostatistical tools for characterizing the spatial variability of microbiological and physico-chemical soil properties[J].Biology and Fertility of Soils, 1998, 27(4): 315–334.

[51]Li Q, Zhou J H, Yang R S, et al. Soil nutrients spatial variability and soil fertility suitability in Qujing tobacco-planting area[J]. Chinese Journal of Applied Ecology, 2011, 22(4): 950.

[52]Lu C, Wang B, Peng X Y, et al. Study of intelligent agricultural cultivation management plan model based on geographic information system[J]. Open Biotechnology Journal, 2015, 9(1): 150–156.

[53]Wang J, Zhang F. Research on spatial data mining technology in agricultural spatial decision support system[J]. Journal of the Institute of Brewing, 2015, 46(2): 73–74.

[54]張海峰. 基于 Android 智能手機的農業信息服務平臺應用展望[J].黑龍江農業科學, 2014, (8): 126–128.Zhang H F. Prospect of application of agricultural information service platform based on android intelligent mobile phone[J]. Heilongjiang Agricultural Sciences, 2014, (8): 126–128.

[55]陳桂芬. 面向精準農業的空間數據挖掘技術研究與應用[D]. 長春:吉林大學博士學位論文, 2009.Chen G F. Research and application of spatial data mining technology for precision agriculture [D]. Changchun: PhD Dissertation of Jilin University, 2009.

[56]Vázquez-Quintero G, Solís-Moreno R, Pompa-García M, et al.Detection and projection of forest changes by using the markov chain model and cellular automata[J]. Sustainability, 2016, 8(3): 236.

[57]Yang Y, Zhang C T, Zhang R. BME prediction of continuous geographical properties using auxiliary variables[J]. Stochastic Environmental Research and Risk Assessment, 2016, 30(1): 1–18.

[58]張貝, 李衛東, 楊勇, 等. 貝葉斯最大熵地統計學方法及其在土壤和環境科學上的應用[J]. 土壤學報, 2011, 48(4): 831–839.Zhang B, Li W D, Yang Y, et al. The bayesian maximum entropy geostatistical approach and its application in soil and environmental sciences[J]. Acta Pedologica Sinica, 2011, 48(4): 831–839.

[59]Birant D, Kut A. ST-DBSCAN: An algorithm for clustering spatialtemporal data[J]. Data and Knowledge Engineering, 2007, 60(1):208–221.

[60]Agrawal K P, Garg S, Sharma S, et al. Development and validation of OPTICS based spatio-temporal clustering technique[J]. Information Sciences, 2016, 369: 388–401.

[61]朱磊, 盛建東, 武紅旗. 基于GIS的和碩縣耕地地力評價與耕地土壤改良分區制圖[J]. 新疆農業科學, 2013, 50(1): 132–139.Zhu L, Sheng J D, Wu H Q. Evaluation of soil fertility of the cultivated land and zoning of soil improvement in Heshuo county based on GIS technique[J]. Xinjiang Agricultural Sciences, 2013,50(1): 132–139.

[62]Liu D, Chen G, Yu H, et al. A neural network ensemble method for precision fertilization modeling[J]. Mathematical and Computer Modelling, 2010, 51(11–12): 1375–1382.

[63]Zheng Z, Sha Z, Liu Y, et al. Modeling the impacts of alternative fertilization methods on nitrogen loading in rice production in Shanghai[J]. Science of the Total Environment, 2016, 566-567:1595–1603.

[64]孫桂清. 測土配方施肥的三類方法[J]. 農村實用科技信息, 2007,(4): 13.Sun G Q. Three methods of soil testing and formula fertilization[J].Rural and Practical Technology Information, 2007, (4): 13.

[65]范勇毅, 劉志強, 孫玉清. 利用目標產量法進行配方施肥的研究[J].內蒙古農業科技, 2003, (6): 15–16.Fan Y Y, Liu Z Q, Sun Y Q. Studies on fertilizer balance application using target yield[J]. Inner Mongolia Agricultural Science and Technology, 2003, (6): 15–16.

[66]Bouma D. Diagnosis of mineral deficiencies using plant tests [M].Berlin: Springer Berlin Heidelberg, 1983. 120–146.

[67]Patil S S, Dhandra B V, Angadi U B, et al. Web based expert system for diagnosis of micro nutrients’ deficiencies in crops[J]. Lecture Notes in Engineering and Computer Science, 2009, 2178(1).

[68]Lee K J, Lee B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis[J]. European Journal of Agronomy, 2013, 48(3): 57–65.

[69]Shi J Y, Zou X B, Zhao J W, et al. Nondestructive diagnostics of nitrogen deficiency by cucumber leaf chlorophyll distribution map based on near infrared hyperspectral imaging[J]. Scientia Horticulturae, 2012, 138: 190–197.

[70]Wang Y, Wang D, Shi P, et al. Estimating rice chlorophyll content and leaf nitrogen concentration with a digital still color camera under natural light[J]. Plant Methods, 2014, 10(1): 36.

[71]何俊俊, 楊京平, 楊虎, 等. 光照及氮素水平對水稻冠層葉片SPAD值動態變化的影響[J]. 浙江大學學報 (農業與生命科學版),2014, 40(5): 495–504.He J J, Yang J P, Yang H, et al. Effects of light intensity and nitrogen supply on the dynamic characteristics of leaf SPAD value of rice canopy[J]. Journal of Zhejiang University (Agriculture & Life Sciences), 2014, 40(5): 495–504.

[72]Xue H, Han Y, Yabing L I, et al. Estimating light interception using the color attributes of digital images of cotton canopies[J]. Journal of Integrative Agriculture, 2017, 16(7): 1474–1485.

[73]Chen P F, Haboudane D, Tremblay N, et al. New spectral indicator assessing the efficiency of crop nitrogen treatment in corn and wheat[J]. Remote Sensing of Environment, 2010, 114(9): 1987–1997.

[74]He L, Zhang H Y, Zhang Y S, et al. Estimating canopy leaf nitrogen concentration in winter wheat based on multi-angular hyperspectral remote sensing[J]. European Journal of Agronomy, 2016, 73:170–185.

[75]Xia Y, Yan Z, Tian Y C, et al. Exploring hyperspectral bands and estimation indices for leaf nitrogen accumulation in wheat[J].International Journal of Applied Earth Observation and Geoinformation, 2010, 12(2): 89–100.

[76]Li F, Miao Y, Feng G, et al. Improving estimation of summer maize nitrogen status with red edge-based spectral vegetation indices[J].Field Crops Research, 2014, 157(2): 111–123.

[77]Feng W, Guo B B, Wang Z J, et al. Measuring leaf nitrogen concentration in winter wheat using double-peak spectral reflection remote sensing data[J]. Field Crops Research, 2014, 159(6): 43–52.

[78]Li L, Lu J, Wang S, et al. Methods for estimating leaf nitrogen concentration of winter oilseed rape (Brassica napus L.) using in situ leaf spectroscopy[J]. Industrial Crops and Products, 2016, 91:194–204.

[79]Jiang J P, Yang J P, Yang Z C, et al. Dynamic characteristics of SPAD value of rice leaf and adjacent leaf under different N application rates[J]. Journal of Zhejiang University, 2012, 38(2):166–174.

[80]Inoue Y, Sakaiya E, Zhu Y, et al. Diagnostic mapping of canopy nitrogen content in rice based on hyperspectral measurements[J].Remote Sensing of Environment, 2012, 126(6829): 210–221.

[81]Mulla D J. Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps[J].Biosystems Engineering, 2013, 114(4): 358–371.

[82]Yao H, Huang Y. Remote sensing applications to precision farming[J]. Applied Physics Letters, 2013, 96(9): 93506.

[83]祝錦霞, 陳祝爐, 石媛媛, 等. 基于無人機和地面數字影像的水稻氮素營養診斷研究[J]. 浙江大學學報 (農業與生命科學版), 2010,36(1): 78–83.Zhu J X, Chen Z L, Shi Y Y, et al. Diagnoses of rice nitrogen status based on spectral characteristics of leaf and canopy[J]. Journal of Zhejiang University (Agriculture & Life Sciences), 2010, 36(1):78–83.

[84]Ramon D V, Jesus Z T P, Vincenzo A, et al. Automatic identification of agricultural terraces through object- oriented analysis of very high resolution DSM and multispectral imagery obtained from an unmanned aerial vehicle[J]. Journal of Environmental Management,2014, 134(4): 117.

[85]Duan T, Chapman S C, Guo Y, et al. Dynamic monitoring of NDVI in wheat agronomy and breeding trials using an unmanned aerial vehicle[J]. Field Crops Research, 2017, 210: 71–80.

[86]Wang Y, Wang D, Zhang G, et al. Estimating nitrogen status of rice using the image segmentation of G-R thresholding method[J]. Field Crops Research, 2013, 149: 33–39.

[87]Chen L S, Wang K. Diagnosing of rice nitrogen stress based on static scanning technology and image information extraction[J]. Journal of Soil Science and Plant Nutrition, 2013, 14: 382–393.

[88]Chen L, Lin L, Cai G, et al. Identification of nitrogen, phosphorus,and potassium deficiencies in rice based on static scanning technology and hierarchical identification method[J]. PLoS One,2014, 9(9): e113200.

[89]石媛媛. 基于數字圖像的水稻氮磷鉀營養診斷與建模研究[D]. 杭州: 浙江大學博士學位論文, 2011.Shi Y Y. Rice nutrition diagnosis and modeling based on digital image [D]. Hangzhou: PhD Dissertation of Zhejiang University,2011.

[90]顧清, 鄧勁松, 陸超, 等. 基于光譜和形狀特征的水稻掃描葉片氮素營養診斷[J]. 農業機械學報, 2012, 43(8): 170–174.Gu Q, Deng J S, Lu C, et al. Diagnosis of rice nitrogen nutrition based on spectral and shape characteristics of scanning leaves[J].Transactions of the Chinese Society for Agricultural Machinery,2012, 43(8): 170–174.

[91]Johnson C K, Mortensen D A, Wienhold B J, et al. Site-specific management zones based on soil electrical conductivity in a semiarid cropping system[J]. Agronomy Journal, 2003, 95(2): 303–315.

[92]Burks T F, Shearer S A, Sobolik C J, et al. Combine yield monitor test facility development[J]. Applied Engineering in Agriculture,2000, 19(1): 5–12.

[93]Schimmelpfennig D E. Cost savings from precision agriculture technologies on U.S. corn farms [J]. Amber Waves, 2016.

[94]李莎莎. 基于農戶需求導向的測土配方施肥技術推廣服務機制研究[D]. 北京: 中國農業大學博士學位論文, 2015.Li S S. Research on soil testing formula fertilization technology popularization service mechanism based on farmers’ demand oriented[D]. Beijing: PhD Dissertation of China Agricultural University,2015.

Advances in coupling big data technique with nutrient site-specific management: scheme, methods and outlook

HE Shan, SUN Yuan-yuan, SHEN Zhang-quan, WANG Ke*
( Institute of Agriculture Remote Sensing and Information Technology Application, Zhejiang University, Hangzhou 310058, China )

In this review, the methods and techniques of the field nutrient precision management were summarized, including soil testing and formulated fertilization technique, soil nutrient testing technique and crop nutrition diagnosis technique. The long term promotion of precise nutrient management work in our country has accumulated large amounts of soil types, soil fertility and other basic data, as well as some data related to field nutrient management, such as rural cadastral survey, agricultural census, characteristics of crop’s demand for nutrient and so on. However, some shortages remind to deal with. A lot of attention has been paid on theoretical researches but less on the application of the technical researches. The researchers are in state of over-divided and fragmentized, hardly connecting traditional field nutrient managements with modern precision ones. The research achievements are also need to be modified for better practical application for bothtechnicians and farmers. Nowadays, the big data technology provides solutions for the explosive growing data integration, exchanging and sharing. In this review, a fertilization management scheme of “basic fertilization and precise adjustment” was proposed by using the big data technology. Firstly, the basic fertilization plan was created through a comprehensive analysis and data mining, combined with the principle of formulated fertilization technique. The basic plan included the time and quantity of basal and top-dressed fertilizers. At the same time, the spatial visualization of field management of fertilization scheme could be realized by the use of cloud GIS, which laid the foundation for pushing fertilization scheme on mobile terminal and realizing the spatial and precise management of field information. The type and degree of crop nutritive stress were recognized by the nondestructive diagnostic technology such as digital image processing and the nutritional diagnostic model by machine learning characteristic parameters of crops. Therefore, the near-real-time monitoring and diagnosing could be performed to generate a precise adjustment to the quantity of topdressing in basic fertilization plan. An operating mode of “Pushing basic fertilization scheme, nondestructive diagnosing, precise adjusting, receiving feedback and optimizing the scheme” by the system framework of“cloud technique, handheld terminal and digital image” was proposed to support the application and updating of the fertilization scheme.

soil testing and formulated fertilization; precision fertilization; big data analysis; spectral analysis for nutrition diagnosis; basic fertilization and precise adjustment for nutrition management

2017–08–14 接受日期：2017–10–01

國家自然科學基金面上項目（31172023, 30571112）；863 自由探索項目（2006AA10Z104）資助。

何山（1991—），女，山東五蓮人，博士研究生，主要從事農田養分信息化、精細化管理研究。E-mail：heshan33@zju.edu.cn* 通信作者 王珂 (1964—)，男，浙江嘉興人，博士，教授，主要從事資源環境遙感監測、評價、規劃及其信息系統研制。E-mail：kwang@zju.edu.cn