智能化精准灌溉施肥技术研究现状与展望

摘要：精准灌溉施肥技术是精确施肥和精确灌溉相结合的产物，精准灌溉施肥关键技术涉及到作物生长信息检测、营养液管理、决策支持系统。基于光谱技术、机器视觉技术的植物生长信息快速无损检测技术已成为精准农业的关键技术之一。营养液的配制及使用过程中的调节是精准灌溉施肥系统的核心，目前主要有基于电导率（EC）值的营养液管理方式、养分添加的营养液管理方式和基于作物模型的营养液管理方式。在精准灌溉施肥决策方面，研究农作物不同生长发育阶段与土壤、气象、管理措施的定量关系，为生成不同尺度的变量处方提供了依据，并对精准灌溉施肥技术进行了展望。

关键词：精准；灌溉；施肥；信息采集；营养液；决策支持系统

中图分类号：S147.3 文献标志码：A

文章编号：1002-1302（2014）08-0384-04

水肥资源是农业可持续发展的物质保证，随着我国传统农业向现代农业转型，水肥资源浪费现象越来越突出。据统计，近年来我国化肥产量 6 620万t/年，化肥施用量 4 124万t/年，总产量和总消费量均占世界的1/3以上，单位面积农用化肥施用量434.3 kg/hm2，是国际公认的化肥施用安全上限225 kg/hm2的1.93倍。同时，我国农业水资源利用大多采用大水漫灌的方式，水资源利用率不高，农业的单位面积水资源利用率仅为以色列的1/6～1/5^[1]。水肥资源的不合理利用以及粗放式管理对我国传统农业向现代农业转型升级构成了重大挑战，其解决措施是大力研究与推广精准灌溉施肥技术。

精准灌溉施肥技术是通过施肥装置将营养液注入到灌溉系统中，使肥料随灌溉水一起输送到田间的一种先进的施肥方式，它根据植物对水分、肥料的需求状况来进行自动水肥管理，是精确施肥和精确灌溉相结合的产物^[2-3]。通过精确控制灌溉及施肥时间，不但可以有效提高水肥资源利用率，提高养分的有效性，促进作物根系对养分的吸收，而且有助于提高作物产量和质量，节省资源，减少环境污染，提高劳动生产效率。精准灌溉施肥技术已逐渐成为一种在技术上高度密集配套，生产及管理上集约化、自动化、现代化程度很高的农艺生产技术体系。本研究系统分析了智能化精准灌溉施肥关键技术及其存在的问题，并就智能化精准灌溉施肥技术研究方向进行展望，旨在为进一步深化智能化精准灌溉施肥技术研究提供参考。

1 精准灌溉施肥技术

1.1 精准灌溉施肥类型

灌溉施肥类型包括按比例施肥和定量供肥等^[4]。按比例施肥法有文丘里注入法和供肥泵法，它是以恒定的营养液成分比例向灌溉系统中供肥，施肥速率与灌溉速率有相关性，施肥量一般用灌溉系统中营养液的养分浓度表示。定量供肥也称总量控制，整个施肥过程中养分浓度是变化的，施肥量一般用kg/hm2表示。定量供肥系统投入较小，操作简单，但不能实现精确施肥，适用于保肥能力较强的土壤。按比例供肥系统价格昂贵，但可以实现精确施肥，主要用于轻质土和沙质土等保肥能力差的土壤，以及在无土栽培系统中应用广泛^[5-7]。

1.2 精准灌溉施肥系统组成

精准灌溉施肥系统总体分为4个部分：信息采集系统、智能控制系统、灌溉施肥决策支持系统和具有故障诊断的远程监控系统（图1）。

1.2.1 信息采集系统

信息采集系统主要是由植物生长环境信息采集系统及植物生理信息采集系统组成。生长环境信息包括温度、湿度、光照等环境因子信息，电导率（EC）、pH值、溶解氧（DO）及营养液成分。植物生理信息采集则是利用现代高科技检测手段，通过检测叶、茎、果等作物生长器官的形态或生理变化，可以更直接、快速、灵敏地反映植物体内水分及营养缺损状况，从而为灌溉施肥提供更加科学合理的依据^[8]。近年来，随着精准农业技术的发展，研究植物生理信息采集已成为精准灌溉施肥技术的基础。

1.2.2 智能控制系统

智能控制系统包括设施环境控制子系统、灌溉控制子系统、营养液控制子系统。根据不同植物对生长环境要求，通过控制湿帘-风机系统、加温系统、遮阴系统、补光系统等机构，可将设施环境调控到植物生长的理想状态。灌溉控制子系统是根据植物需水情况，利用喷滴灌技术实现实时精准灌溉。营养液控制子系统包括配肥系统、营养液输送等系统，其中配肥系统主要包括母液罐、文丘里吸肥器、混合罐、电磁阀、混肥管路^[8]；营养液输送系统根据控制区域的要求将电磁阀打开或关闭。

1.2.3 灌溉施肥决策支持系统

智能灌溉施肥决策支持系统应用数据仓库和联机分析处理（OLAP）新技术，建立植物生长模型，将专家系统和数据开采技术结合，为农业灌溉和施肥进行辅助决策，进一步提高农业灌溉和施肥决策的准确性、科学性及智能化水平。

1.2.4 具有故障诊断的远程监控系统

利用物联网技术可以实现对灌溉施肥系统的网络在线监控，从而提高设施园艺栽培智能化水平，达到节省人力、物力的目的。同时，系统具有远程故障诊断功能，能够在线监控故障现象，并将故障现象上传到指挥系统，从而快速解决故障，提高系统无故障运行水平。

2 精准灌溉施肥关键技术研究进展

2.1 作物生长信息检测技术研究进展

作物生长信息快速检测是现代精准农业的关键技术之一。只有准确获取植物生长信息，及时了解作物生长养分缺损情况，才能实现精准水肥调控。近年来，随着现代信息技术及控制技术的快速发展，一些新的检测技术和方法被应用于精准灌溉施肥系统中，提高了作物生长营养成分缺损的诊断水平，为科学合理灌溉施肥提供了科学依据。

2.1.1 基于光谱分析技术的快速无损检测技术

利用光谱分析技术测量作物氮含量的研究与应用很多。一些学者研究了水稻氮素含量与光谱特性的相关性^[9-11]。研究发现，用光谱技术能较好检测玉米、小麦氮素含量^[12-13]。李映雪等、田永超等研究指出，冠层信息、叶面积指数等冠层特性与植物养分存在相关关系^[14-15]。在植物养分传感器方面，国内外对静态检测传感仪器方面的研究较多，动态式的农业物联网方面的研究和应用比较鲜见。聂鹏程研究了基于可见/近红外光谱植物养分的快速无损感知技术，提出了以可见/近红外光谱技术为基础的植物养分测定方法，提取了13个作物养分检测特征波段和 3个作物生理信息检测特征波段，开发了实时动态植物养分与生理信息检测传感器，并结合农业物联网系统与农业自动化控制技术，进行自动肥水管理研究与开发^[16]。

一般光谱分析技术路线如图2所示。获取植物光谱数据时，由于仪器或检测环境、光源、电子元件的漂移，往往导致光谱信息中夹杂着很多噪声。为了最大限度地挖掘获取光谱信息中的有效信息，去除噪声等因素对模型预测性能的影响，一般须要对光谱数据进行预处理。根据样本集测量值与预测值之间的相关系数和均方根误差来判断所建模型的预测性能，模型相关系数越大，均方根误差越小，则模型的预测能力越好。基于光谱技术的植物养分、植物冠层信息和植物生理信息感知方法，并通过试验数据建模，找出植物养分信息与生理信息的检测特征波段，根据获得的特征波段，为开发适用于农业物联网实时动态植物养分与生理信息检测传感器提供依据^[17-18]。

2.1.2 基于机器视觉技术的作物生长信息无损检测技术

机器视觉技术是通过在种植区安装摄像机对作物生长进行实时监测来实现的。一是对叶面积、径粗、叶柄角等几何参数进行测定，为作物生长模型有关功能提供几何参数，并由几何信息对植物生长状态作出判断。二是提取图像颜色信息，判断植物生长状态，主要是通过颜色信息对植物进行营养诊断^[19]。将计算机视觉技术应用到作物营养液调控及供给方面，按照各种作物的需求来供应作物营养，提高营养液灌溉的准确度^[20]。

基于机器视觉的图像处理系统包括图像采集、图像处理、数据处理、专家库（作物图像数据库和作物生长专家数据库）、环境信息、数据输出、执行机构等7大部分。图像采集部分主要是由摄像头、图像采集卡组成，完成作物图像的采集和输入。图像处理主要完成图像的预处理、特征提取、模式识别、作物营养状况判断。专家库存储了作物生长过程中不同状态的图像信息及专家信息，并存储采集的图像和处理结果、环境信息，以便用户查询及系统自学习等。数据处理部分完成环境信息及图像信息的综合处理，提出控制策略。环境信息部分完成环境参数（如温度、湿度、光照等）的采集及输入。数据输出部分是指图像和结果的显示及控制信息的输出。执行机构部分是指按上位机给定的信息，调整营养液的配制及灌溉量，并完成营养液的供给。

利用光谱分析技术及基于机器视觉技术进行作物生长信息检测有其特有优势，但也存在一些问题，主要有：（1）设备昂贵，一般农业用户还不能承受；（2）开发周期长，须要对相关作物进行长时间的机理分析才能找到相关特征值，而开发植物生理检测的实用化传感器周期则更长；（3）检测精确度还有待提高，光谱分析技术及基于机器视觉技术分析采样植物的部位，采样生长的时间都有待进一步深入研究，从而提高准确性。

2.2 营养液管理技术研究进展

营养液是将含有植物生长发育所必需的各种营养元素的化合物按一定数量和比例溶于水中配制而成的溶液^[21]。作物的生长速度和品质在很大程度上取决于营养液各营养元素的配比和浓度是否合适，以及营养液管理是否能满足作物不同生长阶段的要求，因此营养液的配制及使用过程中的调节是精准灌溉施肥系统的核心^[22]。

营养液管理主要是指在作物栽培过程中循环使用的营养液的管理。营养液必须含有作物生长所需的12种矿物元素，矿物质元素中，作物对氮（N）、磷（P）、钾（K）、钙（Ca）、镁（Mg）、硫（S）等6种元素的需求量较大（均占作物干质量的0.1%以上），被称为大量元素；作物对铁（Fe）、硼（B）、锰（Mn）、铜（Cu）、锌（Zn）、钼（Mo）等6种元素的需求量较小（均占作物干质量的 0.1%以下），被称为微量元素。在作物生长过程中，作物根系不断从营养液中吸收水分、养分、氧气，从而使营养液浓度、成分、pH值、溶解氧等不断变化；此外外界环境的改变也时刻影响营养液的温度。因此必须对营养液进行检测和调控，使其适应作物生长需要。对营养液的管理主要考虑这几个方面：（1）营养液浓度。营养液浓度通常用EC表示，代表营养液总盐分的离子浓度，营养液浓度直接影响作物产量和品质，不同作物、同一作物不同发育期与不同季节营养液浓度管理均有差别。（2）pH值。大多数作物根系在pH值6.5左右的微酸性环境下生长良好，但是营养液在循环使用中因盐类的生理反应等原因，pH值常发生变化，会对根系正常生长和功能产生影响。当pH值过高时，用HNO3、H3PO4中和调整；当pH值过低时，用NaOH、KOH中和调节。（3）DO。营养液中溶解氧浓度的高低直接影响作物根系的呼吸，靠自然扩散远远不能满足作物根系对氧的需求。目前生产上普遍采用营养液循环流动方式来提高营养液的溶解氧浓度。（4）液温。营养液温度对作物生长影响很大，作物根系适宜的液温范围比地上部适宜温度范围要窄，且根系温度主要受液温影响。液温过低，则根系生长不良，功能降低；液温过高，则易产生生理障碍。

目前生产上对营养液的管理主要是检测营养液EC值及pH值，对营养液营养成分还不能做到实时在线监测。由于作物生长过程中存在对离子的选择性吸收，因此植物经过一段时期生长后，营养液离子会失去均衡性，虽然EC测量值在设定范围内，满足预设要求，但由于营养液氮、磷、钾等养分比例被打破，造成植物生长营养亏缺，从而影响植物正常生长。因此今后要加强营养液成分在线监测的研究，开发营养液修复技术，确保营养液养分均衡合理。

2.3 精准灌溉施肥决策支持系统

对获取的各种信息进行分析、处理、管理是农业生产决策必不可少的环节。决策支持系统（decision support system，DSS）是以计算机技术为基础的辅助管理人员进行决策的知识信息系统，诞生于20世纪70年代。它涉及到计算机软件和硬件、信息论、人工智能、经济数学、管理科学等许多学科，能够有效地改善管理人员的决策能力，提高决策的科学性和信息化程度^[23]。要实现精确灌溉与施肥，则要充分利用现代化的计算机人工智能技术手段，通过模型技术和人工智能技术建立决策管理系统。

精准灌溉施肥决策支持系统要研究农作物不同生长发育阶段与土壤、气象、管理措施的定量关系，为生成不同尺度的变量处方提供理论依据。其核心问题是施肥量的确定，其难点在于决策模型的制定。目前国内外就精准施肥决策支持系统研究很多。Pokrajac等给出了一个基于神经网络的决策支持系统，用于提供精准施肥的决策^[24]；滕青芳等利用神经网络建立了土壤施肥模型^[25]；兰维娟等将径向基函数网络应用于变量施肥决策^[26-27]。

以上决策支持系统研究为精准灌溉施肥提供了有益探索，但模型的准确性和通用性还有待进一步研究。在精准灌溉施肥决策系统研究方面，今后要继续加强作物生长模型研究及需水、需肥信息监测研究，综合考虑土壤、作物、气象等环境因子的影响，开展作物灌溉施肥预报决策和相应智能控制决策研究与开发。特别是针对灌溉施肥系统复杂、模糊、高度非线性等问题，可考虑采用模糊逻辑和人工神经网络技术来提高灌溉施肥决策系统的可靠性和通用性。

3 研究展望

随着我国现代农业的发展，现代农业生产对精准灌溉施肥技术的要求越来越高，加强对精准灌溉施肥的研究也就显得更加重要。研究作物对水分、肥料的需求，从而进行科学合理灌溉已成为共识，在以下几方面还要加强研究。

3.1 生物信息传感技术研究

深入开展作物生理研究，研究作物长势与水分、营养元素之间的关系，作物生长状态与营养成分亏缺之间的定量关系，开发相应的生物信息传感器，直接对植物生理进行监测，从而为精准灌溉施肥决策提供原始数据。虽然研究者已在作物生长信息检测方面做了大量研究工作，但能大面积推广的相关实用仪器设备还未出现。未来还要继续加强无损监测技术、作物生长信息传感器方面的研究，实时获取作物水分、养分信息，并精确了解作物养分、水分状况，依据作物水分、养分状况进行精准灌溉施肥管理。

3.2 营养液成分在线检测技术研究

目前主要是通过测量EC值和pH值来进行营养液浓度调控，虽然已出现对K+、Ca2+、NO-3、Mg2+等离子浓度的在线监测技术，但总体上说，大部分营养液离子要人工分析，检测时间长，营养液供给系统无法动态地反映作物对某种营养元素的需求，无法按照作物生理生长特性供应营养液，不能满足对营养液实时精细化管理需要。今后要继续加强营养液离子在线监测技术研究，开发相应的传感器或离子选择电极，实现相应离子的在线监测。

3.3 作物需水、需肥模型研究

研究作物产量与需水量、施肥量之间的定量关系，分析氮、磷、钾等营养养分及灌溉对作物产量的影响，综合考虑土壤水分、土壤养分、肥料利用率、最高产量及经济效益等指标，建立作物需肥模型及作物需水模型，为精准施肥提供科学依据，从而更好地实现精准灌溉施肥。

参考文献：

[1]赵春江. 对我国未来精准农业发展的思考[J]. 农业网络信息，2010（4）：5-8.

[2]朱兆良. 合理使用化肥 充分利用有机肥 发展环境友好的施肥体系[J]. 中国科学院院刊，2003，18（2）：89-93.

[3]严 昶. 灌溉施肥自动化控制系统研究[D]. 武汉：华中农业大学，2008.

[4]李 凯，毛罕平，李百军. 混药混肥装置控制性能分析[J]. 农业机械学报，2003，34（1）：50-53.

[5]魏正英，葛令行，赵万华，等. 灌溉施肥自动控制系统的研究与开发[J]. 西安交通大学学报，2008，42（3）：347-349，363.

[6]刘爱民，封志明，徐丽明. 精准农业技术体系[J]. 农业机械学报，2000（3）：124-125.

[7]李金风，姜 娟，赵 斌. 关于平衡施肥中土壤供肥性能的研究[J]. 土壤通报，2002，33（5）：351-355.

[8]伍德林，毛罕平. 温室作物需水信息指标及湿度控制策略研究进展[J]. 中国农村水利水电，2007（1）：35-40.

[9]朱 艳，李映雪，周冬琴，等. 稻麦叶片氮含量与冠层反射光谱的定量关系[J]. 生态学报，2006，26（10）：3463-3469.

[10]薛利红，曹卫星，罗卫红，等. 基于冠层反射光谱的水稻群体叶片氮素状况监测[J]. 中国农业科学，2003，36（7）：807-812.

[11]薛利红，曹卫星，罗卫红，等. 光谱植被指数与水稻叶面积指数相关性的研究[J]. 植物生态学报，2004，28（1）：47-52.

[12]姚 霞，刘小军，王 薇，等. 基于减量精细采样法估算小麦叶片氮积累量的最佳归一化光谱指数[J]. 应用生态学报，2010，21（12）：3175-3182.

[13]姚 霞，朱 艳，田永超，等. 小麦叶层氮含量估测的最佳高光谱参数研究[J]. 中国农业科学，2009，42（8）：2716-2725.

[14]李映雪，朱 艳，田永超，等. 小麦叶片氮素含量与冠层反射光谱指数的定量关系[J]. 作物学报，2006，32（2）：203-209.

[15]田永超，曹卫星，姜 东，等. 不同水氮条件下水稻冠层反射光谱与植株含水率的定量关系[J]. 植物生态学报，2005，29（2）：318-323.

[16]聂鹏程. 植物信息感知与自组织农业物联网系统研究[D]. 杭州：浙江大学，2012.

[17]王 植，周连第，李 红，等. 桃树叶片氮素含量的高光谱遥感监测[J]. 中国农学通报，2011，27（4）：85-90.

[18]张晓文，苏伯平，孙淑彬，等. 设施农业精准灌溉监控系统的研究与开发[J]. 中国农机化，2005（1）：30-32.

[19]毛罕平，徐贵力，李萍萍. 基于计算机视觉的番茄营养元素亏缺的识别[J]. 农业机械学报，2003，34（2）：73-75.

[20]张 亮，毛罕平，左志宇. 基于计算机视觉技术的温室营养液调控系统研究[J]. 中国农机化，2005（1）：50-53.

[21]李式军，郭世荣. 设施园艺学[M]. 北京：中国农业出版社，2002.

[22]倪纪恒，毛罕平，马万征. 温室营养液管理策略的研究进展[J]. 蔬菜，2011（6）：45-47.

[23]陈桂芬. 数据挖掘与精准农业智能决策系统[M]. 北京：科学出版社，2011.

[24]Pokrajac D，Obradovic Z. A neural network-based method for site-specific fertilization recommendation[C]. California，USA：ASAE Annual International Meeting，Sacramento，2001.

[25]滕青芳，秦春林，党建武. 利用神经网络建立土壤施肥模型的应用研究[J]. 兰州铁道学院学报：自然科学版；2002，21（4）：54-57.

[26]兰维娟，毛鹏军，杜东亮，等. 基于径向基函数网络的变量施肥决策研究[J]. 安徽农业科学；2007，35（21）：6505-6507.

[27]李 淼，方德洲，张 建，等. 一种基于支持向量机的模糊施肥预测方法研究[J]. 计算机应用与软件；2009，26（2）：50-52.

推荐访问： 施肥 精准 灌溉 智能化 技术研究

---