文摘
地理空间分析建模,提供高潜力的理解,和可视化人工和自然生态系统,利用大数据分析和物联网作为一种普遍的传感基础设施。精准农业、杂草控制、肥料分布和现场管理受益于无人ariel车辆(无人机)。降低生产成本和提高作物质量是使用这种方法的好处。智能农业表示地理数据利用率来识别领域可变性,保证最佳的输入,提高农场的产量。因此,在本文中,一个IoT-assisted智能农业框架(IoT-SFF)大数据分析提出了使用地理空间分析。无线传感器在物联网设备的使用和沟通方法在农业应用中彻底检查。农业物联网传感器可用于特定的应用程序,如作物状态,整地,昆虫,害虫检测和灌溉计划。现在可以查看我们的区域以不同的方式,使准确agrotechnological决定,由于电脑生成的地理信息系统(GIS)对作物灌溉和监控。分析和监控过程收益率大数据及时、准确的决策增加价值,这是一个智能管理和经营农场的关键组件。不过,受制于技术和社会经济变量。 The simulation findings show that the proposed IoT-SFF model improves the crop yield ratio by 92.4%, prediction ratio by 97.7%, accuracy ratio by 94.5%, the average error by 38.3%, and low-cost rate by 34.4%.
1。引入智能农业使用物联网和大数据
“智能农业”作为一个新的术语,指的是农场管理,结合信息技术与现代信息和通讯技术,从而增加生产数量和质量而优化所需的人类劳动1]。智能农业研究的目标是建立农业管理决策支持系统。智能农业认为人口增长、气候变化和工作必须解决从种植和灌溉作物健康和收获2]。本研究旨在开发一个IoT-based智能无人机的耕作方法来处理困难的局面。高精度作物控制和数据收集可以通过使用智能农业技术的优化灌溉和监测作物。智能农业领域监测系统测量土壤水分和温度是这里提出。需要有效地利用自然资源,日益增长的使用和信息和通信技术的成熟,和气候变化的日益增长的需求使智能农业越来越重要(3]。可持续,聪明的耕作方式导致更大的多样性的饲料,更有效的水保护和耐旱作物,设施和改善动物健康。农民是主要倡导者反对气候变化风险(4]。
地理空间分析收集、处理和显示数据和图像,包括GPS和卫星照片,在地理信息系统(GISs) (5]。使用它们来创建地理模式更精确建模和可视化的数据和趋势预测6]。地理空间预测可以帮助公司,由于变化的空间环境或locality-based事件,预测和规划未来的变化(7]。为了避免风险和疾病使用无人机,智能农业传感器技术监测水中,通过传感器监控正常和危险的动物,并保存,提高农场的生产时间,生产成本,为灌溉和监测作物和健康。实地测试可以帮助政客们理解策略,成功在一个位置经常失败在另一个(8]。它有助于考虑土壤对不同土地利用实践的充分性,以及重要的是避免大气的退化与土地有关的暴力(9]。GIS促进识别土壤类型和土壤区域边界的概念10]。
GPS和GIS的结合允许正确获得实时数据(11]。这有助于农民使用设备映射到图农场的精确使用资源来提高水的使用和生产(12]。农民可以考虑农民的特定站点需要使用遥感、全球定位系统(GPS)和地理信息系统(13]。他们可以设计和执行管理策略与这方面的知识,确保输入的最优利用优化生产和收入14]。GIS将分析土壤数据来评估何时以及如何管理支持植物生长的土壤养分。GIS有可能利用植物(15]。GIS帮助农民增加农业生产率和降低成本,更好的土地资源管理(16]。GIS鼓励农民在农业来提高生产率和降低成本通过允许加强土地资源管理(17]。使用地理信息学技术农业地理信息系统、作物降水,气温可以映射和农民的预测(18]。
智能农业是一个高科技和资本密集型的,干净,和对环境负责的食品加工19]。以物联网(物联网)传感器的援助(光、湿度、温度和土壤湿度)和一个自动灌溉设备,IoT-based智能农业系统开发跟踪作物面积(20.]。行业将提高操作效率,降低成本,减少浪费,增加其返回最新的应用在智能农业和精确的物联网21]。除了帮助农民节约能源和水,IoT-based系统精确的培养往往使农业环保;他们大大减少农药和化肥的使用22)与传统农业耕作方式,获得一个更健康,更有机最终产品(23]。以旧换新农业和食品可以通过数字技术支持基于无人机优化灌溉,为私营部门开拓新市场新工具来监控供应商,给政府和确保合规标准,以及提供更加快速和有效边界作物监测程序,这对农业食品是至关重要的。大数据有重要影响智能农业和整个供应链(24]。智能功能,数据所有权和保护,和市场模型需要解决的主要问题在未来的研究为了利用大量的数据提供无与伦比的决策能力。
论文的主要贡献如下:(我)IoT-SFF实现收集收入来自发达农业领域使用无人机(2)作物监测、灌溉和农业需求的帮助下可以更好的理解大数据(3)IoT-SFF可以更好的计划他们将种植和收割作物
剩下的论文结构如下:部分1讨论了引入智能农业使用无人机进行灌溉和作物监测过程中,和部分2讨论了文学作品。节3,IoT-SFF已经提出了改进智能农业生产力。最后,部分4总结了研究论文。
2。文学作品
Saqib et al。25]表明智能农业应用程序使用一个低成本的信息监测系统。提出了低数据和低成本的解决方案以满足必要性跟踪信息真实,大规模的农民。一个小农场可以很快处理。基于传感器测量土壤特性过程中扮演着重要的角色在设计和提供完全集成的农田。遥感、全球定位和地理信息系统可以帮助农民更好地理解他们的土地的独特特点。他们可以使用这些数据来开发和致力于战略最大化他们的结果和收益最好的利用他们的资源。
袍et al。26]讨论了可持续农业管理和数字农业通过大数据。虽然是一个长期争论的适用性大数据技术在农业、寻求技术导致可持续农业研究广泛的数据。研究表明许多可用的大规模农业技术和方法,以解决现有的和潜在的问题在地上。研究表明,大数据技术,增加在农业、仍相对贫穷。研究表明,农业大数据技术的全面介绍呼吁国家项目,公私合作,数据透明度、金融承诺,一个地区性的基础上研究工作。
桑托斯et al。27]介绍了无线传感器技术对基于云计算的智能农业作物生产适用性。农业在菲律宾经济增长中起着主导作用。超过总出口的6%,共有25%的nonconstrained,土壤,约75%有几个问题,如陡峭的斜坡,排水低,地面纹理,努力破解粘土,极端生育限制,酸性硫酸盐土壤,土壤、矿山尾矿、和受污染的领域。集成的无线传感器网络(WSN)技术测量土壤的含水量,湿度,温度,pH值,评估当前的地理位置在3 d和3600年卫星视图使用全球定位系统(GPS)。农民可以使用大数据来获得粒状降水模式信息,河道,肥料标准,和许多更多。了解无人机优化灌溉种植某些作物可以做出更明智的决定他们的业务。由于正确的决定,农业产量将增加从作物监测。
Munz et al。28]探索农场管理信息系统(fmi)在德国,探索和利用特征。农业数字化是德国最持续的趋势之一今天解决上升的商业、社会和生态需要在农业和食品领域。无人机优化灌溉农业已经成为一个惯例,它使用ICT收集、分享和分析数据,在各种利益相关者和结构在不同阶段作物监测。基于定义的特征和功能,本文旨在分配两个阶段数字进化模型的“产品”模型。
颤音et al。29日)初始化智能农业和microservices-based物联网云计算平台。提出一个不可知论者物联网的体系结构,强调了物联网平台的作用更大的集成环境来提高可伸缩性、可靠性、互操作性和可重用性。这个想法是物联网验证场景智能农业、部署五物联网设备(SEnviro节点)来提高葡萄酒产量。严格的绩效考核保证一种灵活的、安全的网络。
Maimaitijiang et al。30.]讨论了智能农业和植物形态特征、以及粮食政策和粮食生产的决定,这可以大大受益于无损作物管理巨大的高性能的地区。在这项研究中,目的是评估的可能性将遮阳结构光谱数据与一棵树冠个人作物管理系统使用无人机(UAV)大数据和先进的分析。
Sinha [31日)审议增强农民的净收益和空中机器人智能农业。开发、评估和管理农业的必要的时间和空间因素优化盈利能力、生产力,和环境保护是一个耗时的过程的知识和新的电子技术进步的农业生产系统。在这方面,它可能发挥重要作用的机器人(空中、陆地和水下)。空中机器人的现有约束管理农业生产正在讨论,和潜在的需求和技术进步的建议。
根据调查,有一些挑战现有的模型。提出IoT-SFF模型来实现智能农业和提高生产力与地理空间大数据分析和克服这些问题使用无人机用于灌溉和作物监测过程。部分3简要讨论了该模型如下。
3所示。IoT-Assisted智能农业框架(IoT-SFF)
本文讨论了IoT-SFF模型来提高作物产量。智能农业研究的目标是开发一种农业管理决策支持系统(32- - - - - -35]。智能农业发现适当的解决人们的问题,气候变化,从种子种植和灌溉和劳动卫生和收获,这吸引了巨大的利益。基于无人机应用程序优化灌溉、化工和化肥通常用来增加转基因作物的产量在传统农业。管理水平的一个关键精密农业与传统农业的区别。小范围内的字段管理作为一个整体,而不是整个领域。这增加了作物监测管理水平凸显了需要实践。地理信息系统(GIS) (36,37)是一种技术,促进当前农业精密方法,确保农业分析和GIS的实现程度。本研究认为土地适应性等GIS应用程序,网站搜索、发现、分配服务,影响测量、土地分配和信息系统。物联网(物联网)从多个来源收集地理信息,从而创造了通过互联网连接到整个世界。据报道,一个UAV-enabled过程用于灌溉和作物监测范围广泛的盐度评价方法被利用,包括现代静电EM38光电部分,和粒子显微摄影技术。知识将有助于管理土地使用适当数量的化肥在正确的地方。
图1显示了GIS在智能农业中的应用。食品生产商争夺土地、水和能源供应,并限制粮食生产的有害环境影响。修改了制造商从传统农业(CA)精密农业(PA)。PA介绍适应拖拉机和机器与GPS传感器知识管理(38- - - - - -40]。作物灌溉过程中基于最小二乘的无人机,回归的损失函数是MSE。RMSE,平方损失函数,MSE派生,惩罚更大错误更严重,因为它是制定监测作物。巴勒斯坦权力机构扩展的主要驱动力是大数据分析(BDA)农业。PA的当务之急是收集、处理和使用数据的决策。爸爸需要一个同步技术来捕捉和解释数据的范围。尽管图1显示了地理定位系统(GPS)、遥感器(RS)和geomapping传感器、环境地理划分研究农业的地理分布及其影响和法律。农业是受的地理分布的一组法律表明其生命支持系统。无人机和作物作物灌溉过程的监视、测量的侵蚀可以通过四种方式之一:(1)修改质量,(2)修改大气边界层,(3)转换通道流,和(4)沉积收集来自腐蚀情节和水源。农业地理学是一个侧重于自然科学领域空间农业和人类之间的相互作用。换句话说,研究各领域的现象和结果有助于创造地球的顶面。农业地理地图反映土壤的区别。他们代表农业之间的关系,自然和经济条件。遥感提供了土壤湿度数据,帮助测量土壤水分。水资源映射:遥感供水是重要的映射,可以在给定块土地用于农业。使用物联网在农业环境中所有的元素和活动参与农业转化为数据通过传感器,照相机,和其他技术。 Big data provide farmers with granular data on precipitation levels, water cycles, and nutrient needs. This encourages them to make intelligent choices, such as cultivating and harvesting plants for better profitability. Ultimately the right choices raise agricultural yields. The production and execution of correct agriculture or site-specific agricultural practices have been enabled by integrating the Global Positioning System (GPS) and GIS. Millimeters (mm) per hour is the unit of measure for evapotranspiration. Water loss from a cropped area is measured using water depth units. Time can be measured in terms of an hour, a day, a decade, a month, or even an entire growing year in UAV for optimization and crop monitoring. In poor visibility field conditions, GPS helps farmers operate, for example, in mud, gravel, fog, and darkness. The VRT technology permits the application of fertilizers, pesticides, calcium, rinsing water, drainage, and other agricultural inputs at varying rates around the field without increasing the rate on machines manually or making multiple crossings [41,42]。
3.1。案例1:基于数据的智能农业
图2显示了大数据基于gis技术和智能农业。由于它的独特能力,直观地反映出数据,描述性的GIS分析工具和应用程序可以执行有效的研究,阐述了知识和透明度。数据过滤方法提高工作效率。到目前为止,它是协助分析几十年的气候和作物的价值数据,寻找趋势将使农民更好地预测作物产量和使用UAV-enabled过程用于灌溉和作物监测。农业数据提取操作现在可以受益于大型数据集生成的预测能力,以及适当的经营决策和流程重新设计这些数据集允许,所有由于改变游戏规则的发展营销策略。提高农业生产率、商业生存能力和更强的经济关系是农业发展的一部分。有几个关键地区农业变化需要优先下转换。GIS分析处理内部设备日常使用空间在线分析处理问题或表面打方法评估水土一致性通过实现表面能量平衡为土壤和数字图像处理应用程序。精确农业的经济和环境效率评估使用模式分析估算蒸散率所需的土壤盐碱化的评估。RS数据用于长期收购、验证和计算参数解释土地覆盖变化和水土流失措施使用无人驾驶车辆优化和作物监测领域。 The topographic shuttle radar mission data serve as a baseline for testing the landscape characteristics. Agricultural greenhouse gas emissions are studied using economic and environmental models. GIS analytics uses hardware and programming to identify graphic and predictive trends within data and is primarily used to model future events. Various predictive analytics have been used, such as database mining, text mining, and forecasting. An adequate prediction approach is developed for the risks and uncertainty of supply chains for agriculture [43- - - - - -45]。作物监测使用空间在线分析处理或表面打方法评估水土一致性通过实现表面能量平衡的土壤和数字图像处理应用GIS。优化灌溉的无人机用于估算蒸散率所需的农业土壤盐度的评估精度。成本最小化,农民和其他相关方可能获得高度精确的气候预测和知识利用有利的天气。在这个分析中,我们分类GIS分析的特定应用程序。预测GIS分析应用程序分为水/灌溉,土壤,植物/农业和施肥系统。
进一步的实验在水/灌溉和农作物和农业系统进行了。预测时使用的GIS分析数据转发到空间复杂事件处理引擎后过滤和再加工。
图3显示了平均误差。收集的数据来自不同传感器的典型的一天是处理数据预处理在云网络的一部分。的均值数据被认为是,因为它可能包括失踪,噪声值。由于数据包括多个测量单位(分类和数值),使用该模型标准化之前进行。除了上述micromeasures macromeasures,由此产生的方法定义了错误作为根均方误差(RMSE)和均方误差(MSE)。地理信息系统、地理信息系统是一个相对较新的研究领域的信息技术在无人区域车辆优化和作物监测。自然资源用于粮食生产,如土地、气候、水文地质,和广泛的社会经济因素,现在可以更容易地检查和分析。地面GPS接收器传输数据,卫星在轨道上绕地球。地理信息系统(GIS)是计算机程序,让它可以使用GPS卫星收集的数据。
然而,应该注意的是,在测试过程中,随机下降梯度不需要MSE和RMSE。相反,预计误差项之间改变样本及其预测大数据节点的权重。MSE和RMSE确定平均模型吸收错误
在这里,数据样本的总体数量,是目标,th实例,学习模式是输出或产品的吗数据实例。
图4显示了预测的比率。决策要求准确的信息从传感器的结果。大数据从传感器提供学习机会在不断变化的气候。这样的决策可以是短期、中期或长期。当这些需求得到满足后,自动决定从大数据可能被要求没有人类参与。这些自动决策可以从温度变化管理灌溉供水控制系统。地理空间分析和农业棒相结合。可以访问它通过手机和电子结合各种传感器和实时数据流在无人区域车辆优化和作物监测。测试实际农田确保数据在不同土壤条件是准确的。在温室的使用大数据将导致作物种植的理想的识别条件通过观察数据从传感器上营养,产量、增长、汗水,颜色,味道,移植,水平的光害虫的温度和空气质量。 The precision, conciseness, completeness, and timeliness of data are critical. Several programs have been developed to enable farmers to decide on farms and animals in a cultivated way.
3.2。案例2:IoT-Based智能农业
图5显示了IoT-based农业中有效的沟通。基于物联网智能农业传感器监控的环境状态字段,为专业人士和种植土壤和作物的发展。传感器、无人驾驶飞机、卫星系统、GPS系统、致动器、网关、云服务器、互联网,android手机都是智能农业系统的一部分。致动器提供中央协调器对订单的反应,这力量推动无人机系统在智能农业作物灌溉和作物监测。中央协调措施地面水分和致动器基于农业领域传感器读数。提出了软件和硬件导致这些创新在作物生产的进步。大数据、实际的指导和建议对农民在线专家指导系统,介绍了害虫和疾病管理(46,47]。
图6显示了作物产量水平。确保农场IoT-enabled精细农业技术效率增加和需求的增长,以满足不断增长的人口的粮食需求。表面打方法评估水土一致性通过实现表面能量平衡土壤和数字图像处理两种方式申请GIS分析用于日常解决内部设备问题。为了防止土壤盐渍化,农民使用无人机监控作物灌溉模式和分析来确定蒸散率。使用物联网促进天气影响农作物产量大大,一致性和单向物联网对产量有积极影响。实现精度越高,就越不可能作物将会受到意想不到的情况下,从而提高生产率。农业物联网连接网络进行,发现增加产量减少能源成本平均每英亩的农场IoT-enabled技术和灌溉用水。食品淋庄稼,农民限制增长和产量和增加土壤中的真菌疾病出现的概率。水处理,避免浇水过多的挑战时,农民可以访问数据。这可能表明是否灌溉是不够的,需要增加优化培养输出。 There are two types of formats stored: organized and curated. These are based on the smart farming analytics (SFA) data model. Here, the analytical system finds its reference point for reality in UAVs for optimization and crop monitoring. Files in the raw zones must be removed until new data is placed here to avoid undesirable outcomes. There are two types of zones: those containing raw data and those containing processed data.
图7基于大数据的显示了水管理系统和物联网。在一些地区的农业、物联网现在是一个可行的数据库。进行了一项研究使用大数据处理的大量数据在许多农业领域。基于智能农业的格式存储分析(SFA)数据模型和数据包括组织和策划。这个地区成为现实的分析系统的中心。生下的文件放置区域应该删除,直到进入该区域,以避免数据的结果。基于无人机用于灌溉和作物监测、多准则决策包括以下六个步骤:(1)配方的问题,(2)识别的必需品,(3)设定目标,(4)识别各种备选方案,和(5)开发标准。验证质量控制和“农业”法律的表。我们提供一个真理的来源/访问所有主要农业研究的关键性能指标(KPI)。数据保存在一个格式,数据科学家和数据可视化软件可以处理。 Promoting healthy water-based relations between biophysical and human processes and maintaining water control to minimize water leakage and recommend emergency measures. The water pressure is within acceptable bounds based on the analysis and simulation of water use patterns. They gather this knowledge, called historical usage data, and offer other data that can be used to predict the potential consumption of water. Multicriteria decision analyses are used in the prescriptive GIS analysis to gather knowledge about large and complex datasets in crop irrigation for UAV and crop monitoring. The MCDA method has been the method of choice for most researchers in their quest to identify the most important factors affecting agricultural productivity. Smart water dripping for farmers can help the automatic and productive use of soil-based irrigation methods based on soil temperature. The approach includes integrating smart farming big data technology into the next granularity stage, offering an infrastructure tailored to fulfill the SFA criteria for smart farm analytics.
日常使用GIS分析解决内部使用空间在线分析处理设备问题或表面打水土一致性评估方法通过实现表面能量平衡的土壤和数字图像处理应用程序图8。农业使用无人机在农作物监测与评估精度和灌溉模式分析,以确定所需的蒸散率,防止土壤盐渍化。建议的方法包括多个数据源、数据建模、元素的应用程序,并在无人机技术的局限性。我们的建议为提高效率的工作计划,掌握从智能农场的质量数据,包括灌溉系统,促进农业仍在工作。
图9显示了IoT-based智能农业。最早的准确性依赖于卫星通过种子知识中心。wi - fi是可用的数据直接链接到一个农民从现场仪器的智能手机。许多农场使用精确农业使用网状网络发送无线信号在几英亩。农业的关键性能指标(kpi)饲料消费更新用于灌溉和监控,生产,成本在无人机的过程。农业及其产量影响赚更多的钱,就会更有效率。时间就是金钱在农业项目基于物联网功能。测量的得失,电脑是用作生产成本的记录,航运、农产品加工、和细节。互联网使农民和商人与农业专家。在云端数据库,水土资源的存储数据和农场的网络管理数据。 In the agriculture knowledge system, multilevel decision-making information and climate growth are important. Developers may use this platform to visually determine how APIs function, the quantity and consistency of data, request processing speed, and resources’ availability. The dashboard makes getting actual samples, which IoT offers via our agricultural applications, easier to enlighten rural areas, service water pumps, and run the computer system and telecommunications.
图10显示的准确性比。缺乏意识的重要性农业气候可以显著影响作物生产和效率。然而,当涉及到物联网(物联网),可以实时监控局势精度比灌溉和监测作物使用无人机。在农业领域,传感器安装了选择各种气候最好的品种,使用环境数据。环境传感器,如测量湿度、降雨量、温度、实时和其他变量,构成了物联网生态系统。许多传感器需要监控和优化这些参数为智能农业的需要。在恶劣天气条件下,需要人工干预增加生产力和对农民的收益更大的投资回报。
图11显示了成本比率。众多的发明IoT-based设备智能农业每天变换,导致作物产量的提高,减少浪费,使其成本效益。本文的目的是对农民对温度和土壤水分生成实时数据。其他变量对准确的环境监测是提高他们的产量和产品的质量。在利用无人机过程中用于灌溉和监控、机器人在农业地理信息系统可以提供精确的地图,包括所有必要的信息在田间作物。任务地图和地图应用程序任务地图精度方法的示例将使用它们来维持。本文结合农业坚持地理空间分析,它可以访问电子通过移动电话和结合不同的传感器和实时数据流。拟议的产品测试现场农业领域,确保高精度数据传输在不同土壤环境。
说明性的GIS分析、统计算法 ,模拟 ,和多管齐下决策分析是用来收集的大量知识和复杂的数据在作物灌溉无人机和作物监测值获得使用二项式方程(2)和(3)与三角函数值。在大多数情况下,研究人员转向MCDA方法试图找出影响农业生产力的关键变量。
灌溉和作物的无人机进程监控可以收集操作数据和影响如图操作手册多实践12。因此,机器人的使用在制造业可以进一步减少,和输入操作的准确性和有效性可以增加。农业是改变与无人机是一个术语,用来描述物理设备的能力通过互联网相互交流。物联网,设备在一个农场可以收集数据并将其发送到远程实时雇农农作物灌溉和监测活动。
该模型分析了利用样本智能农业实现测量各种参数,实现作物产量高,精度比,预测率,低成本、平均误差;温室的自动化,农作物、牲畜和牲畜监视和管理;用无人机精确农业、智能农业,预测分析;系统的完整管理农场的设备与UAV-enabled流程用于灌溉和作物监测。
4所示。结论
本文讨论了物联网和基于大数据的智能农业技术来改善作物生产。因此,本文提出了IoT-SFF GIS分析增加作物产量和施肥内陆智能农业。UAV-enabled灌溉和作物监测过程可以使用遥感土壤湿度信息。然后使用这些信息来确定该地区作物。农民可以使用此信息来确定他们的土壤需要多少水通过比较它与其他土壤水分含量。物联网(物联网)的农业管理在很大程度上,这就是为什么智能农业正变得越来越重要。传感器、电力传输、和情感都导致生成大量的数据。大数据跟踪、评估和价值流为潇洒地从这些大数据是至关重要的协调和管理农场。IoT-SFF,尽管这项研究是集中在农业生产中存在的大数据技术,物联网,数据管理在农业的背景下,这些与本研究相关的约束。这IoT-SFF承认大规模的分析中发挥重要作用增强GIS实现的效率。 In farms, the Internet of things enables the system across a farm to collect and transmit real-time data on a wide range of metrics to the farmer. Moisture content, contaminant application, dam thresholds, livestock wellbeing, irrigation, and monitoring can all be monitored by UAV devices, which can then be used to monitor barricades, automobiles, and snow conditions. They provide researchers, agriculture experts, and officials with recommendations for efficient management of large GIS data to increase farm productivity. The simulation findings show that the proposed IoT-SFF model improves crop yield ratio by 92.4%, prediction ratio by 97.7%, accuracy ratio by 94.5%, average error by 38.3%, and low-cost rate by 34.4%.
数据可用性
数据集用来支持这个研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。