農業主要病害檢測與預警技術研究進展分析

王翔宇　溫皓杰,2　李鑫星　傅澤田,2　呂雄杰　張領先

(1.中國農業大學工學院， 北京 100083； 2.食品質量與安全北京實驗室， 北京 100083；3.中國農業大學信息與電氣工程學院， 北京 100083； 4.天津市農業科學院信息研究所， 天津 300192；5.農業部農業信息獲取技術重點實驗室， 北京 100083)

?

農業主要病害檢測與預警技術研究進展分析

王翔宇1溫皓杰1,2李鑫星2,3傅澤田1,2呂雄杰4張領先3,5

(1.中國農業大學工學院， 北京 100083； 2.食品質量與安全北京實驗室， 北京 100083；3.中國農業大學信息與電氣工程學院， 北京 100083； 4.天津市農業科學院信息研究所， 天津 300192；5.農業部農業信息獲取技術重點實驗室， 北京 100083)

農作物病害一直以來是制約農業可持續發展的主要因素之一，農業病害預警逐漸成為國內外研究的熱點問題。在總結和整理現有國內外研究文獻的基礎上，對物聯網和傳感器、3S、光譜、病原微生物檢測等農業病害預警信息獲取關鍵技術以及病害圖像處理、病害預警專家系統、病害預測等農業病害預警信息處理技術進行了系統的分析與討論。綜述結果表明，多種技術的結合、集成及融合將使農業病害預警的覆蓋面更廣，預警準確性更高；農業病害預警信息獲取方式在向精確化、廣泛化方向發展；對農業病害的短期預警將成為一個研究重點；農業病害早期/初期檢測、診斷與預警會成為新的發展方向；農業病害預警系統及裝備將朝著低成本化方向發展；實時在線的農業病害自動預警方式具有更大的實際意義。

農業病害； 預警； 病害檢測； 物聯網； 3S技術

引言

農作物病害是農業生產上重要的生物災害，據聯合國糧農組織估計，世界糧食生產因植物病害造成的年損失約為總產量的10%[1]。從近5年(2011—2015年)全國農業技術推廣服務中心對全國農作物重大病蟲害發生趨勢做出的預報來看，我國農作物病蟲害總體維持多發、重發和頻發態勢，全國累計發生面積均在3.5億hm2以上[2]。

設施農業是我國農業發展的一個重點，截至2014年，我國溫室設施面積高達410.9萬hm2，目前，我國設施栽培占全世界的85%以上，總面積和總產量均居世界第1位[3]。設施農業的發展已經成為評價一個國家或地區農業現代化水平的重要指標[4-5]。雖然設施環境為作物周期性生產提供了有利場所，但人為創造的小氣候環境會造成生態系統的不穩定，尤其高溫高濕等環境條件給病原生物的繁殖和侵染提供了有利條件，導致作物病蟲害發生數量激增[6]，如：連作導致土壤障礙發生，使土壤發生了理化性質的改變；高溫高濕或低溫高濕，以及通風不暢，為病原的滋生創造了有利條件。研究表明：棚室中的有害細菌、真菌數量均大于露地。在設施栽培的過程中，作物會受到其他生物的侵害或受到不適宜環境條件的影響而產生病害現象，造成作物的品質下降，影響其質量和經濟效益，造成難以估量的損失[7-8]。

在20世紀70年代，國內外就對農業病害預警方法及技術進行了早期的研究[9]，隨著技術的進步，特別是傳感器、光譜、物聯網等技術的發展與成熟，農業病害預警水平有了極大提升。基于此，本文對農業病害預警關鍵技術在國內外的研究進展進行綜述，分析我國農業病害預警研究中存在的問題并對農業病害預警技術的未來發展做出展望。

1　農業病害預警概述

農業病害預警就是在農作物病癥出現之前，以經驗或信息化手段為指導，根據對環境、病原、作物本身等進行的監測及分析，對病害發生的可能性進行預測并及時預報，以最大程度降低甚至避免病害發生而造成損失[10]。

1.1農業病害預警特點

農業病害預警是有效降低農作物發病率的有效手段，其預警對象是農作物，與其他預警相比(如氣象災害預警、煤礦瓦斯預警、機械安全性能預警)，農業病害預警有其自身特點：

(1)復雜性。農業病害預警針對的對象是農作物，而影響農作物發病的因素復雜，需要溫度、濕度、光照等環境因素和病毒、細菌、真菌等病原生物的相互配合才能引發病害。

(2)積累性。農作物病害不是瞬間發生的，而是在一定的環境與病原侵染的條件下發生的，這個過程需要環境、病原等因素的積累才能引發病害。

(3)提前性。病原侵染作物后并不會即刻表現出病征，當病征顯現時再進行預警為時已晚，所以作物病害預警的關鍵在于對病征表現之前的作物生理特征、病原微生物動態以及環境的有效監測，這就要求預警需要提前進行。

(4)持續性。農業病害預警需選取適當的預測指標作為預警判定的標準，而這些指標數據處在持續動態變化中，因此預警需要結合這些動態趨勢，才能準確預測病害發生情況。

1.2農業病害預警分類

農業病害預警按照植物病理學原理、預警時效性、預警范圍和規模等分類方式可以有不同分類。

(1)按照植物病理學的預警分類

從植物病理學角度出發，根據病害三角原理[11]，可以將農業病害預警分為：基于環境信息的病害預警，基于病原微生物的病害預警以及基于寄主植物生理特性的病害預警。

(2)按照預警時效性的預警分類

從時間上，根據作物的生長周期以及預警的時效性，可以分為短期預警、中期預警、長期預警和超長期預警。4種預警方法的比較如表1所示。

(3)按照預警范圍和規模的預警分類

從空間上，根據預警的范圍和規模，又可將其分為宏觀預警和微觀預警。宏觀預警和微觀預警對比如表2所示。

表1　短期、中期、長期及超長期預警比較Tab.1　Comparison of short-term，mid-term，long-term and ultra-long-term early warning

表2　宏觀與微觀預警比較Tab.2　Comparison of macroscopic and microcosmic early warning

1.3農業病害預警過程

農業病害的預警過程從邏輯上劃分為5個階段，即：確定警情、尋找警源、分析警兆、預報警度及排除警情[9]。

(1)確定警情。即確定農作病害發生情況，具體可通過警素和警度來反映警情。警素是構成警情的指標，如：病害嚴重度、病情指數等；警度指病害發生的嚴重程度，通常劃分為無警、輕警、中警、重警及巨警5種警度。

(2)尋找警源。即找出警情產生的根源，如利于發病的環境、易于侵染的病原等。

(3)分析警兆。即分析病害發生的征兆，警兆可以是顯性表現，如：作物出現病斑等；也可以是隱性表現，如：在潛育期，病原與寄主植物斗爭激烈，但卻并未表現出病征。

(4)預報警度。即根據警情及警兆來做出綜合預報，給出預警的等級。

(5)排除警情。即根據預警結果給出相應的病害防治指導建議，以消除警情。

2　農業病害預警關鍵技術

農業病害預警主要涉及的關鍵技術包括農業病害預警信息獲取關鍵技術和農業病害預警信息處理技術。

2.1農業病害預警信息獲取關鍵技術

農業病害預警信息的獲取是病害預警的前提，準確及時的信息獲取可為病害預警提供必要的依據。農業病害預警信息獲取關鍵技術可分為：環境信息獲取技術、病原微生物信息獲取技術、作物生理信息獲取技術及地理信息獲取技術。

2.1.1環境信息獲取技術

在農業病害預警領域中，主要通過物聯網與傳感器技術獲取作物生長環境信息[15-17]。

劉淵等[18]設計開發了基于物聯網的連棟蔬菜溫室環境監測系統，通過溫度、濕度、二氧化碳濃度和光照傳感器采集環境數據，由生物特征提取器采集作物生理信息，并通過無線傳感網絡進行通信，將信息傳輸到上位機，實時感知作物生長環境信息，經專家系統判別后進行相應反饋調控。趙中華等[19]利用物聯網關鍵技術，應用傳感器自動采集環境因子數據，并結合馬鈴薯生產環境氣象因子與晚疫病病害發生的關系模型，構建了馬鈴薯晚疫病監測預警與防控決策系統，對監測地的馬鈴薯晚疫病信息進行實時監測、預警、診斷及科學防控指導。葉片濕潤時間在一定程度上決定了病原能否侵染及產孢，是病害預警的關鍵因素之一，利用葉面濕度傳感器[20]可以獲取葉面濕度信息，為預警提供決策依據。李明等[21]、ZHAO等[22]利用傳感器監測黃瓜冠層相對濕度、溫度、露點溫度、太陽輻射等參數，并構建了葉片濕潤時間估計模型，可以用于日光溫室黃瓜葉片濕潤時間監測。

物聯網與傳感器技術在設施農業中的應用更多，而大田種植應用有很大局限性，這是因為大田種植面積大，要準確獲取大田作物及生長環境信息，就必須增加傳感器的布設，這會使成本大大增加，故低成本信息化成為了農業物聯網的一個發展方向。目前，通過傳感器可以準確獲取作物生長環境信息，但其應用主要停留在對農業環境信息的監測方面，對于農業病害預警方面沒有得到較為深入的應用，將傳感器采集的環境數據與作物病理信息相結合并進行綜合分析會使物聯網與傳感器技術在農業預警領域發揮更大的作用。

2.1.2病原微生物信息獲取技術

病原微生物對作物的侵染是作物病理性病害發生的重要因素，準確獲取病原微生物信息有助于對病害種類進行判別，增強預警的精確性。

2.1.2.1電鏡檢測技術

引起農作物發生病害的病原微生物種類繁多，通過病原微生物電鏡檢測技術可以準確檢測出病原微生物種類，從而可以協助判斷出病害的準確類別，為病害預警及防治提供準確直接的指導依據。

傳統的病原微生物檢測技術包括涂片鏡檢和分離培養，但傳統方法程序較為復雜，且較為費時。電子顯微鏡檢測簡便快捷，是采集病原微生物圖像信息的主要技術手段[23]。YE等[24]利用電子顯微鏡技術研究了大麥黃矮病毒對植物葉綠體的侵染過程。李小龍等[25]、齊龍等[26]通過顯微鏡獲取了小麥條銹病菌和稻瘟病菌孢子圖像，并實現了對孢子的自動計數，對指導病害預警工作提供了良好的依據。

由于電鏡檢測技術具有高分辨率的優點，可以觀察到植物組織、細胞以及病原微生物的超微結構，所以電鏡在農作物病害檢測中具有很高的可靠性。但電鏡檢測技術通常是在實驗室條件下進行，需要去現場采集樣本并帶回實驗室進行觀察，無法進行實時監測預警是電鏡技術在作物病害預警中的一大難題。將電鏡檢測技術與實時在線監測技術相結合可為農作物病害預警提供新的、及時有效的方法。

2.1.2.2PCR與生物芯片技術

隨著微生物檢測技術的不斷發展與進步，檢測已從病原體水平深入到了分子水平和基因水平[27]，出現了眾多新型微生物檢測技術，主要包括PCR(Polymerase chain reaction)技術和生物芯片技術。

PCR檢測技術能夠實現對植物病原真菌快速、靈敏和可靠的檢測。肖長坤等[28]利用PCR檢測技術，分別設計合成了鑒定白菜黑斑病菌3個種的特異性引物，為白菜黑斑病的快速檢測提供了新的方法。

基因的表達譜芯片已被廣泛應用于醫學中，主要用于對人類疾病檢測[29]，但隨著植物-病原物基因組測序的逐步完善，植物病害檢測也將通過生物芯片實現[30-31]。

PCR與生物芯片技術能在基因水平上對病原進行識別檢測，準確度高，但其檢測結果很大程度上依賴基因測序工作，基因測序工作只能在實驗室條件下進行，而且時間消耗量大，因此在相當一段時期內，PCR與生物芯片技術在農業病害預警中的應用還存在一定的限制因素。

2.1.3作物生理信息獲取技術

光譜技術作為一種無損、快速、高精度的檢測技術，被廣泛應用于各個研究領域。光譜技術主要應用于作物長勢與估產、營養診斷與施肥、農產品品質和安全檢測以及病害信息監測等方面，在作物病害診斷中也得到了廣泛應用[32-34]。

光譜技術檢測作物病害的基本原理是不同的病害對不同波段光線吸收和反射光線效果不同[35]，因此可以通過其敏感光譜段的特征來判別病害情況，并進行早期預警。

在農業病害預警領域中，光譜技術最大的貢獻是可以通過近距離和遠距離，從微觀和宏觀2個方面來檢測農作物病害情況，為病害預警提供可靠、直觀的理論與事實依據。

在近距離農作物病害光譜檢測研究中，隋媛媛等[36-37]應用激光誘導葉綠素熒光光譜分析技術，通過測定健康葉片、病菌接種3 d葉片和接種6 d葉片的光譜曲線以及黃瓜蚜蟲害的侵染與發生等級，綜合應用主成分分析和最小二乘支持向量機方法，構建了溫室黃瓜霜霉病害的預測模型和蚜蟲害的分類預測模型，預測能力分別達到97.73%和96.34%，具有很好的分類和鑒別效果。ZHOU等[38]以葉綠素熒光光譜為主要手段，結合環境信息、水稻生理信息和生化信息，構建了基于SG-FDT 預處理PCA-SVC稻葉瘟病識別與預警模型，識別正確率達 95.0%。馮雷等[39]利用綠、紅、近紅外3波段通道的多光譜成像技術對水稻葉瘟病進行檢測，通過提取水稻葉面及冠層圖像信息建立的稻葉瘟病情檢測分級模型，對營養生長期水稻苗瘟的識別準確率可達到98%，葉瘟的識別準確率為90%，為實施科學的稻葉瘟防治提供了決策支持。邢東興等[40]分析了紅富士蘋果樹在各級黃葉病害脅迫下的反射光譜特征，利用光譜數據對果樹受害程度及病害級別進行定量化測評。RINEHART等[41]、BRAVO等[42]、JONES等[43]、馮雷等[44]利用可見近紅外光譜技術分別對牧草匍匐翦股穎褐斑病、小麥黃銹病、番茄葉斑病及大豆豆莢炭疽病進行了早期預測。

遠距離光譜檢測主要是高光譜技術與遙感技術的結合，高光譜遙感特有的光譜匹配和光譜微分技術使其在農業病害監測中得到研究者的青睞[45]。MOSHOU等[46]利用高光譜遙感技術分析了作物病害光譜響應，通過迭代自組織與二項式分析相結合的方法，對小麥條銹病光譜信息進行分析，識別結果高于99%。QIN等[47]利用高空間分辨率的航空遙感光譜數據檢測水稻紋枯病，通過光譜數據、標準差分指數等來研究影像數據與地面實測數據的相關性，相關系數大于0.62，該方法對于中等和嚴重級別的水稻紋枯病預測有較好的效果。

目前光譜在作物病害診斷中的應用較為廣泛，但在病害預警領域中應用較為缺乏，因此，通過光譜采集侵入期、潛育期的作物樣本，即采集未表現病征的作物樣本的光譜信息，并通過特征波段來判別作物的染病情況，將成為作物病害預警的一種有效手段。

2.1.4地理信息獲取技術

作物病害地理信息的獲取可以對病害發生地進行準確定位，可以幫助政府部門發布區域性預警信息，及時提醒當地病害防控指導中心做好病害防控工作。

地理信息的獲取主要通過3S技術[48-49]實現。3S技術在農業中，遙感(Remote sensing，RS)用于實時、快速地提供大面積地表物體及其環境的幾何與地理信息及各種變化，通過遙感數據可反演地表溫度、土壤、植被水分等參數，能夠在一定程度上反映作物生境狀況，配合氣象信息對病害發生適宜性進行綜合預測，提高了病害預測能力[50]；地理信息系統(Geography information system，GIS)則是多源時空數據綜合處理和應用分析的平臺，能夠對病害發生、發展進行分析、模擬，利用GIS的空間建模和空間決策支持功能，并結合生物地理統計學，進行農作物病害空間分布、空間相關分析和病害發生動態的時空模擬，實現大尺度數據庫管理等功能[51]；全球定位系統(Global positioning system，GPS)主要是實時、快速地提供目標的空間位置，找到病害發生地，輔助飛行噴藥設備進行精準噴藥，GPS主要用于農業病害動態監測，通過輔助遙感數據處理與信息提取、病害防治地理信息系統的建立和數據更新及飛機防治與監測路線導航等，實現病害發生點的準確定位及農藥的準確噴灑[52-54]。

MARQUES等[55]利用遙感技術，通過氣象衛星來獲取地表溫度，利用地表溫度數據及其時空特征構建了番茄的病蟲害的風險地圖，有效提高了番茄病蟲害的預測結果。羅菊花等[56]使用SuperMapIS.NET的GIS軟件作為開發平臺，以C++作為編程語言，建立農作物病蟲害預警系統，將GIS與RS在系統中集成，實現了將抽象數據轉換成清晰簡明的電子地圖，直觀明了地顯示了病害的發生程度和空間分布規律，并使用甘肅省慶陽地區西峰區2002年的小麥條銹病相關數據，驗證了預警系統的病害預測功能，獲得了與實際相吻合的預警結果。劉明輝等[57]以開源版MapGuide為WebGIS二次開發平臺，結合.net技術開發了具有B/S三層網絡架構的農業病蟲害預測預報專家系統，系統采用基于知識的前向型推理與基于系統案例推理相結合的方式，用戶依據系統的向導式提示以及數據輸入規范輸入病蟲害監測數據，系統將病蟲害發生程度以GIS專題圖、數據圖表及文字等多種方式反饋給用戶，實現了病蟲害的預測預報。劉書華等[58]將植保知識、人工智能技術、地理信息系統(GIS)、決策支持系統(Decision support system，DSS)有機結合起來，開發了基于GIS的農作物病蟲害防治決策支持系統，能夠對主要作物病蟲害進行預測、決策、診斷、咨詢，并將抽象的數據轉換成清晰簡明的電子地圖，直觀顯示病蟲害發生程度及地域分布規律，為病蟲害防治提供服務。陳林等[59]利用Agent模型對昆蟲及其寄主、環境之間的關系進行計算機模擬，并以北京地區1993年的實際日均溫、濕度、降雨量數據為主要環境數據，進行了區域模擬驗證，與北京地區實際調查數據進行了對比研究，并開發了基于GIS的麥蚜種群動態模擬平臺，以小麥生長季節的氣象數據對寧夏、隴東、陜西3個地區進行了模擬，在一定程度上，可以模擬田間實際情況。

3S技術以其優良的遠距離空間測控識別特性以及精準的地理定位特性，被廣泛應用于大田作物生長監測中，與物聯網技術相反，3S技術在種植面積較小的設施環境中的應用較為局限。

2.2農業病害預警信息處理技術

2.2.1農業病害圖像處理技術

農作物病害圖像處理技術主要用于病害診斷研究，具體包括圖像分割、特征提取、病害識別等方面[60]。

徐鵬云等[61]利用面陣CCD攝像機采集顯微鏡中孢子的圖像，研究了孢子自動計數方法。李小龍等[25]利用孢子捕捉器捕捉小麥條銹病菌夏孢子，利用顯微鏡照相技術獲得孢子圖像，通過對圖像進行基于最近鄰插值法的縮放處理、基于K-means聚類算法的分割處理、形態學操作修飾和分水嶺分割等一系列處理，實現了對夏孢子的自動計數和標記。齊龍等[26]利用顯微圖像處理技術獲取稻瘟病菌孢子圖像，根據顯微圖像中孢子的邊緣特征，利用Canny算子進行邊緣檢測，然后對邊緣檢測后的二值圖像進行數學形態學閉、開運算處理，最后通過基于距離變換和高斯濾波的改進分水嶺算法對粘連孢子進行分離，實現了對稻瘟病菌孢子的自動檢測和計數，孢子檢測的平均準確率達98.5%。利用圖像處理技術完成孢子計數，為氣傳植物真菌病害的預測預報提供了新的方法。

在農業病害中長期及超長期預警中，圖像處理技術主要用來輔助完成農作物病害識別。彭占武等[62]綜合運用圖像處理和模糊識別技術，以自然光條件下拍攝黃瓜葉片圖像作為實驗數據，從病斑形狀、紋理和顏色3方面提取了16個特征參數，并對黃瓜霜霉病葉片圖像進行有監督的樣本訓練，再對待測樣本進行模糊聚類測試，平均識別準確率為95.28%。王獻鋒等[63]結合黃瓜生長的環境信息提取病斑圖像的顏色、形狀、紋理等統計特征向量，再利用統計分析系統進行判別分析，實現了對黃瓜霜霉病、褐斑病和炭疽病3種葉部病害的識別，識別率高達 90%以上。MA等[64]構建了面向葉類蔬菜病害識別的溫室監控視頻采集系統[65]，并利用融合視覺顯著性和在線聚類的改進像素幀平均算法，對溫室蔬菜監控視頻中含有病征信息的關鍵幀進行了提取，并完成了對油菜葉片病斑的分割。王建璽等[66]對采集的煙葉圖像進行去噪處理，采用快速模糊C-均值聚類算法對病斑進行分割，提取煙葉病斑顏色、形狀和紋理特征，通過模糊識別技術完成了對煙葉角斑病和野火病的自動識別。

圖像處理技術主要應用于作物病害診斷中，為作物中期和長期預警提供有效的參考，是對作物病害短期(或早期)預警的一種有效補充。

2.2.2農業病害預警專家系統

農業專家系統在國內外有較大的發展，并涉及到作物栽培、施肥、病蟲害防治等方面[67]。農業專家系統主要以知識庫、數據庫以及推理判斷程序等為核心[68]。

馬麗麗等[69]綜合了番茄生長日光溫室多年環境數據，建立了周年連續的溫室環境通用數據庫，依此數據庫中的溫濕度數據對番茄病害發生進行預測預警，實現了對番茄早疫病、晚疫病、灰霉病和葉霉病4種常見病害的預警。溫皓杰等[70]利用黃瓜病害的專家領域知識，構建了基于Web的黃瓜病害診斷專家系統，以MyEclipse 6.0、SQL Server 2000為系統設計及數據庫開發工具，利用JAVA技術實現了黃瓜病害診斷系統的開發。宋啟堃等[71]根據1982—2010年的黔南州統計的作物病情、蟲情數據以及1981—2010年統計的氣象數據，構建了白背飛虱、卷葉螟蛾等蟲情數據庫，稻瘟病、小麥條銹病等病情數據庫以及平均氣溫、逐日降水量、日照時數、相對濕度、風向風速等氣象數據庫，根據農業病害領域專家知識，得到病害監測指標，利用VB.NET設計并開發了黔南州主要農作物病蟲害監測預警專家系統，將病害及氣象資料實時入庫監測分析，當達到某種病蟲害發生條件即預警，實現了植物保護的現代化跟蹤監測管理。閔紅[72]將河南省植保專家有關小麥紋枯病知識進行智能化集成，根據1991—2000年的河南省項城市、洛陽市、鄭州市等地的小麥紋枯病病害情況及氣象條件構建病情及氣象數據庫，采取定性預測穩定期發病程度和定量預測冬前病株率、穩定期病指相結合的方式，對小麥的整個生育期進行研究，開發了河南省小麥紋枯病預警與決策專家系統，實現了對小麥紋枯病的預警、診斷和防治決策功能。

農業病蟲害預警與防治專家系統的構建主要依靠農業病蟲害領域專家的知識與經驗，領域專家知識經驗的準確性會直接影響到專家系統的準確性，所以大量準確、專業的農業病蟲害預測及診斷知識是整個專家系統的有力支撐。

2.2.3農業病害預測技術

2.2.3.1基于回歸分析的病害預測模型

以積累的設施環境氣象資料為自變量，以設施作物病蟲害發生或流行的程度為因變量，通過回歸分析構建病蟲害回歸預警模型是最常見的預警方法。MOH等[73]利用多元回歸分析構建了溫度、濕度、接種菌量與馬鈴薯塊莖軟腐病征的關系模型，結果證明，模型對馬鈴薯軟腐病有良好的響應和預測能力。李明等[74]以黃瓜霜霉病為例，以空氣平均相對濕度大于等于80%的小時數、空氣平均相對濕度大于等于90%的小時數以及病原侵染后的積溫為監測指標，并將其與病情指數建立關系，采用逐步回歸分析方法進行擬合，通過參數調整得到最優模型，為溫室黃瓜霜霉病初侵染預警提供決策支持。鄢洪海[75]以山東省臨邑縣2000—2005年11月和12月氣象資料中的平均溫度、降水量和光照6因子為自變量，以番茄晚疫病病情指數為因變量，用逐步回歸分析法建立番茄晚疫病預測初級模型，預測結果與實際結果基本相符。惠祥海等[76]根據2001—2006年的觀察資料，以上年11月和12月的平均氣溫、降水量和光照6個因子為自變量，以翌年2月辣椒疫病病株率為因變量，利用回歸分析構建辣椒疫病預測模型，預測結果與實測結果基本一致。華來慶等[77-79]根據上海市松江區蔬菜基地2004年3—6月的氣象數據，以黃瓜霜霉病發病株數、發病程度、棚內溫度、棚內濕度、氣溫、氣濕、降雨量、降雨天數、日照時數等為監測指標，通過主成分回歸模型、自回歸條件異方差模型等，構建了監測指標與病情指數的關系，取得了良好的預測效果。馬寧[80]根據溫度、相對濕度、降水與玉米大斑病病斑面積及病情指數的關系，利用回歸分析方法構建了玉米大斑病預警模型，預警結果有較高的準確性。王純枝等[81]以2002—2008年東北地區楊樹爛皮病發病程度及氣溫、降水量、降水日數、日照時數、空氣相對濕度、溫濕系數、風速等相應氣象資料為研究基礎，利用回歸分析法構建了楊樹爛皮病氣象適宜度預報模型，平均預報準確率達75%，具有較好預測效果。

基于回歸分析的病害預測模型需要一定的數據積累，通常需要以各個植保站、氣象站等相關單位提供的積年累月的病害數據和氣象數據為數據基礎進行分析建模，時間代價較大，因此不適合短期或中期預警。除此，其建模指標選取過程較為復雜，自變量的選取直接影響到模型的準確度，泛化能力較差，無法通過參數優化來達到更準確的預測效果，隨著神經網絡等新的機器學習方法的出現和發展，回歸分析在病害預警領域中的應用也變得越來越少。

2.2.3.2基于機器學習的病害預測模型

機器學習是指計算機通過模擬人類學習方法來重新組織知識體系，并實現獲取新的知識技能的行為。將機器學習方法應用于設施農業病害預警中，可實現病害預警的智能化。

機器學習主要是從數據中學習，包括有指導學習、無指導學習和半指導學習[82]。對于農業病蟲害預警，病蟲害種類與作物生長環境以及病原微生物有著明確的關系，即根據環境條件、侵染的病原及病征表現即可判定病害類型，故常通過有指導學習的方式，構建特征(包括環境條件、病原、病征表現等)與結果(病害類型)的關系，從而達到精確預警的目的。常見的有指導學習包括：決策樹、貝葉斯算法、人工神經網絡和支持向量機等。劉曉宇[83]以移栽時間，氮、磷、鉀肥施用量，5—8月的月平均氣溫、月平均降水量、月平均日照時數和月積溫8個指標作為煙草野火病預警的警兆指標，使用病情指數作為野火病預警的警情指標，綜合分析了黑龍江省2005—2011年的歷史數據，構建了基于決策樹的野火病預警模型，實現了對黑龍江省煙草野火病警情指標的輕警、中警偏輕、中警、中警偏重、重警5個警度的預報。張壽明等[84]根據馬龍縣1991—2003年的氣象數據和田間馬鈴薯晚疫病實際病害情況等數據，以6、7月份的月平均溫度、平均相對濕度、總降雨量作為神經網絡的輸入參數，當年相應的病害流行程度作為輸出參數，運用BP神經網絡技術開發了馬鈴薯晚疫病預測預警系統。李麗等[85]以平均氣溫、最低氣溫、日照時數、降雨量為輸入向量，以蘋果病蟲害發生等級為輸出向量，構建了基于徑向基的神經網絡預測模型，可以預測蘋果常見的20余種病蟲害。熊雪梅等[86]、曹志勇等[87]將神經網絡應用于植物病蟲害預警中，建立降雨量、雨日數、平均溫度、平均濕度、光照指標等與作物病情指數的關系，實現了對作物病害的預警。牛海微[88]、李娟[89]分別應用人工神經網絡構建了月季花卉病害預警模型和小麥黃矮病預警模型，并取得了較好的預警效果。RUMPF等[90]根據甜菜葉片光譜圖像特征，利用支持向量機分類算法進行了甜菜褐斑病和白粉病的早期檢測及預警。楊志民等[91]以浙江省寧波市1995—2007年的稻瘟病氣象數據為基礎，將對稻瘟病影響較大的日平均氣溫、平均空氣相對濕度、平均日降水量、平均日照時數等指標作為警兆指標，構建了基于強模糊支持向量機的稻瘟病氣象預警模型，實現了對稻瘟病的氣象預警。

機器學習是一個“黑匣子”問題，它可以根據環境信息及作物生理信息對病害及流行趨勢進行預測，但其無法準確表示出環境信息、作物生理信息與病害之間的關系。所以基于機器學習的設施農業病蟲害預警仍需建立在準確、詳實的農業病蟲害及相關信息和數據的基礎之上，通過改進和優化機器學習算法及參數，可以獲得具有良好推演、泛化能力的預警模型，已經成為了農業病害預警研究領域的一條重要途徑。

3　農業病害預警發展趨勢

我國在農業病害預警研究中取得了一定的進展，特別是在水稻、小麥等糧食作物以及黃瓜、番茄等蔬菜病害預警中取得了較大進步，隨著物聯網、3S、光譜、圖像處理、病原微生物檢測等信息技術的發展成熟，也為農業病害預警提供了良好的技術支持。

(1)多種技術的結合、集成及融合將使農業病害預警的覆蓋面更廣，預警準確性更高。以往的研究中，往往只針對某種預警技術進行研究，而忽略了其他技術的幫助和指導，通過技術的結合應用，如：將物聯網技術與3S技術結合起來，將對整個農作物(大田作物與設施作物)生長環境監測形成覆蓋，使信息的采集更加全面；結合不同機器學習算法的優勢進行病害預警模型構建，將使病害預測準確度更加精確；結合光譜、電鏡檢測、PCR及生物芯片技術，將使病害預警從宏觀到微觀均得到良好效果。

(2)預警信息獲取方式將更加精確，獲取范圍將更加廣泛。精確、有效的數據是支撐和驗證理論的核心，以往的病害預警研究中，往往只是定性研究，不注重數據的積累和及時更新，科研機構和相關單位應該更加注重對環境、病害及病原微生物等信息的數據積累和信息獲取技術的改進提升，保證數據的準確性和泛用性，不斷更新數據，才能為病害預警研究提供更可靠的技術與數據支撐。

(3)農業病害早期/初期檢測、診斷與預警會成為新的發展方向。現階段的農業病害預警研究，主要根據歷史數據進行中長期預警，可以為農作物生產提供宏觀指導，但時效性較差，且病害預警模型多以環境及病害數據為預警依據，即預警模型構建的數據來源于環境參數及已經發生病害的葉片樣本，樣本采集周期長，且構建的預警模型僅僅能針對某種作物的一種或幾種病害進行預警，通用性較差，而農業病害早期/初期檢測技術可以在短時間內準確判定病原，即有效做到了短期預警，其預警精確性高、時效性好，同時，農業病害早期診斷與預警可以及時為農民提供病害防治指導措施，大大減少了不必要的經濟損失。

(4)農業病害預警系統及裝備將朝低成本方向發展。有效實施農業病害預警會使用到傳感器、計算機等硬件設備以及實時監測等軟件平臺，目前而言，這些設備成本相對較高，只有一些大型農業基地或科研基地能夠負擔起這些成本，而對于一些小型農戶，不便推廣應用，適當降低其成本是普及農業病害預警信息化技術的必要手段。

(5)實時在線的農業病害自動預警方式將成為重點研究方向。現階段的農業病害預警往往需要結合一些實驗室處理方法，如光譜采集、電鏡檢測等，在做出預警決策之前，已經消耗了一定的時間，因此預警無法做到實時在線進行，將電鏡檢測、光譜采集等技術與實時在線監測技術相結合，實現對病害的實時監測與自動預警，將對農業病害預警領域具有更大的實際意義。

1馮占山，高世杰. 農業可持續發展與農業病害的持續控制[J]. 現代化農業，2013(3): 5-6.

2姜玉英，曾娟，陸明紅，等. 2015年全國農作物重大病蟲害發生趨勢預報[J]. 中國植保導刊，2015(2): 10-12.

3申保珍. 我國設施農業創造近7000萬就業崗位[N]. 農資快遞，2015-7-20.

4姜鈞武. 設施蔬菜栽培特點及其調控技術[J]. 吉林蔬菜，2012(4): 27-28.

5王紅梅，王宏. 淺談設施蔬菜產業的發展[J]. 科學之友，2012(24): 162-163.

WANG Hongmei, WANG Hong. Discussion on facilities the development of the vegetable industry[J]. Friend of Science Amateurs, 2012(24):162-163. (in Chinese)

6孫傳恒，楊信廷. 可控環境下溫室蔬菜病蟲害發生特點及預警技術研究[C]∥中國植物保護學會第九屆會員代表大會暨2005年學術年會，2005：837-841.

7ILARIA Perto, TSVI Kuflik, IGOR Gordon, et al. Identificator: a web-based tool for visual plant disease identification, a proof of concept with a case study on strawberry[J]. Computers and Electronics in Agriculture, 2012，84: 144-154.

8SINDHUJA Sankaran, ASHISH Mishra, REZA Ehsania, et al. A review of advanced techniques for detecting plant diseases[J]. Computers and Electronics in Agriculture, 2010,70: 1-13.

9李麗. 基于徑向基網絡和支持向量機的梨病蟲害預警預報系統研究[D]. 北京: 中國農業大學，2007.

10李道亮，傅澤田，溫繼文，等. 農業病蟲害遠程診斷與預警技術[M]. 北京: 清華大學出版社，2010.

11陳雅君，李永剛. 園林植物病蟲害防治[M]. 北京: 化學工業出版社，2012.

12王杰，檀根甲，胡易冰，等. 基于神經網絡的稻白葉枯病中期預警[J]. 安徽農業大學學報，2002，29(1): 12-15.

WANG Jie, TAN Genjia, HU Yibing, et al. The mid-term predictive warning of neural network for bacterial leaf blight of rice diseases[J]. Journal of Anhui Agricultural University, 2002, 29(1): 12-15. (in Chinese)

13秦淑蓮，翟保平，張孝羲，等. 棉鈴蟲發生與北太平洋海溫的遙相關及其長期災變預警[J]. 昆蟲學報，2003，46(4): 479-488.

QIN Shulian, ZHAI Baoping, ZHANG Xiaoxi, et al. Teleconnection between sea surface temperature in North Pacific and outbreaks of the cotton bollworm,Helicoverpaarmigera(Hübner) in Northern and Eastern China: an approach for long-term forecast[J]. Acta Entomologica Sinica, 2003, 46(4): 479-488. (in Chinese)

14秦世宏. 農業預警與農業宏觀調控分析[J]. 農業與技術，2015，35(11): 19-23.

15劉東紅，周建偉，莫凌飛. 物聯網技術在食品及農產品中應用的研究進展[J]. 農業機械學報，2012，43(1): 146-152.

LIU Donghong, ZHOU Jianwei, MO Lingfei. Applications of internet of things in food and agri-food areas[J]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(1): 146-152. (in Chinese)

16何勇，聶鵬程，劉飛. 農業物聯網與傳感儀器研究進展[J]. 農業機械學報，2013，44(10): 216-226.

HE Yong, NIE Pengcheng, LIU Fei. Advancement and trend of internet of things in agriculture and sensing instrument[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(10): 216-226. (in Chinese)

17黃沖，劉萬才. 試論物聯網技術在農作物重大病蟲害檢測預警中的應用前景[J]. 中國植保導刊，2015(10): 55-60.

18劉淵，王瑞智，楊澤林. 基于物聯網的連棟蔬菜溫棚環境監測系統設計[J]. 農機化研究，2014(1): 121-126.

LIU Yuan, WANG Ruizhi, YANG Zelin. Design of environment monitoring system in multi-span vegetable greenhouse based on internet of things[J]. Journal of Agricultural Mechanization Research, 2014(1):121-126. (in Chinese)

19趙中華，車興壁，張君. 物聯網技術在馬鈴薯晚疫病防控中的應用實踐[J]. 中國植保導刊，2015(7): 37-40.

20SENTELLAS P C, MONTEIRO J E B A, GILLESPIE T J. Electronic leaf wetness duration sensor, why it should be painted[J]. International Journal of Biometeorology, 2004, 48(4): 202-205.

21李明，趙春江，喬淑，等. 基于冠層相對濕度的日光溫室黃瓜葉片濕潤時間估計模型[J]. 農業工程學報，2010，26(9): 286-291.

LI Ming, ZHAO Chunjiang, QIAO Shu, et al. Estimation model of leaf wetness duration based on canopy relative humidity for cucumbers in solar greenhouse[J]. Transactions of the CSAE, 2010, 26(9): 286-291. (in Chinese)

22ZHAO Chunjiang, LI Ming, YANG Xinting, et al. A data-driven model simulating primary infection probabilities of cucumber downy mildew for use in early warning systems in solar greenhouses[J]. Computers and Electronics in Agriculture, 2011, 76(2): 306-315.

23馬丹丹，鄧雨青，周彥，等. 電鏡技術在植物病害研究中的應用[G]∥中國植物病理學會. 中國植物病理學會2015年學術年會論文集，2015：589.

24YE Tao, SOUMOU Wansim Nadege, HUANG Caiping, et al.Brachypodiumdistachyonis a suitable host plant for study of barley yellow dwarf virus[J]. Virus Genes, 2016, 52(2): 299-302.

25李小龍，馬占鴻，孫振宇，等. 基于圖像處理的小麥條銹病菌夏孢子模擬捕捉的自動計數[J]. 農業工程學報， 2013，29(2): 199-206.

LI Xiaolong, MA Zhanhong, SUN Zhenyu, et al. Automatic counting for trapped urediospores ofPucciniastriiformisf. sp. tritici based on image processing[J]. Transactions of the CSAE, 2013, 29(2): 199-206. (in Chinese)

26齊龍，蔣郁，李澤華，等. 基于顯微圖像處理的稻瘟病菌孢子自動檢測與計數方法[J]. 農業工程學報，2015，31(12): 186-193.

QI Long, JIANG Yu, LI Zehua, et al. Automatic detection and counting method for spores of rice blast based on micro image processing[J]. Transactions of the CSAE, 2015, 31(12): 186-193. (in Chinese)

27YOO S M, LEE S Y. Diagnosis of pathogens using DNA microarray[J]. Recent Patents on Biotechnology, 2008, 2(2): 124-129.

28肖長坤，李健強，師迎春，等. 十字花科蔬菜黑斑病菌的PCR鑒定[J]. 植物病理學報，2005，35(3): 278-282.

XIAO Changkun, LI Jianqiang, SHI Yingchun, et al. PCR identification of the pathogens causing black leaf spot of cruciferae vegetables[J]. Acta Phytopa Thologika Sinica, 2005, 35(3):278-282. (in Chinese)

29林琳，馬雅軍. 生物芯片在病原體檢測中的研究進展[J]. 中國病原生物學雜志，2011，6(3): 232-235.

LIN Lin, MA Yajun. Applications of biochip technology in pathogen detection[J]. Journal of Pathogen Biology, 2011, 6(3): 232-235. (in Chinese)

30倪進斌，呂德方，高亞梅，等. 生物芯片在植物科學中應用的研究進展[J]. 現代化農業，2010(7): 1-3.

31李淼，檀根甲，周冬生，等. 基因芯片技術及其在植物病害研究中的應用[J]. 植物保護，2003，29(1): 5-9.

LI Miao, TAN Genjia, ZHOU Dongsheng, et al. Gene chip technology and its applications in the research of plant diseases[J]. Plant Protection, 2003，29(1): 5-9. (in Chinese)

32滕安國，高峰，夏新成，等. 高光譜技術在農業中的應用研究進展[J]. 江蘇農業科學，2009(3): 8-11.

33王坤，朱大洲，張東彥，等. 成像光譜技術在農作物信息診斷中的研究進展[J]. 光譜學與光譜分析，2011，31(3): 589-594.

WANG Kun, ZHU Dazhou, ZHANG Dongyan, et al. Advance of the imaging spectral technique in diagnosis of the information of crop[J]. Spectroscopy and Spectral Analysis, 2011, 31(3): 589-594. (in Chinese)

34孫金英，曹宏鑫，黃云. 光譜技術在作物生長與營養信息監測方面的研究進展[J]. 中國農業科技導報，2008，10(增刊1): 18-24.

SUN Jinying, CAO Hongxin, HUANG Yun. Research advances of spectral technology in monitoring the growth and nutrition information of crop[J]. Journal of Agricultural Science and Technology, 2008, 10(Supp.1): 18-24. (in Chinese)

35王海超，高雄，陳鐵英，等. 農作物病害檢測中光譜和圖像處理技術現狀及展望[J]. 農機化研究，2015(10): 1-7.

WANG Haichao, GAO Xiong, CHEN Tieying,et al. Research progress and prospect of spectral and machine vision technology on crop disease detection[J]. Journal of Agricultural Mechanization Research, 2015(10): 1-7. (in Chinese)

36隋媛媛，于海業，張蕾，等. 基于葉綠素熒光光譜分析的黃瓜霜霉病害預測模型[J]. 光譜學與光譜分析，2011，31(11): 2987-2990.

SUI Yuanyuan, YU Haiye, ZHANG Lei, et al. Cucumber downy mildew prediction model based on analysis of chlorophyll fluorescence spectrum[J]. Spectroscopy and Spectral Analysis, 2011, 31(11):2987-2990. (in Chinese)

37隋媛媛，于海業，張蕾，等. 溫室黃瓜蚜蟲害的熒光光譜監測與預警[J]. 光譜學與光譜分析，2012，32(7): 1834-1837.

SUI Yuanyuan, YU Haiye, ZHANG Lei, et al. Fluorescence spectrum monitor for early warning of greenhouse cucumber aphis pests[J]. Spectroscopy and Spectral Analysis, 2012, 32(7):1834-1837. (in Chinese)

38ZHOU Lina, YU Haiye, ZHANG Lei, et al. Rice blast prediction model based on analysis of chlorophyll fluorescence spectrum[J]. Spectroscopy and Spectral Analysis, 2014, 34(4): 1003-1006.

39馮雷，柴榮耀，孫光明，等. 基于多光譜成像技術的水稻葉瘟檢測分級方法研究[J]. 光譜學與光譜分析，2009，29(10): 2730-2733.

FENG Lei, CHAI Rongyao, SUN Guangming, et al. Identification and classification of rice leaf blast based on multi-spectral imaging sensor[J]. Spectroscopy and Spectral Analysis, 2009, 29(10): 2730-2733. (in Chinese)

40邢東興，常慶瑞. 基于光譜反射率的果樹病蟲害級別定量化測評——以紅富士蘋果樹黃葉病害、紅蜘蛛蟲害為例[J]. 西北農林科技大學學報，2009，37(11): 143-148.

XING Dongxing, CHANG Qingrui. Quantiative evaluation of the degrees of disease or insect pest intimidation based on spectral reflectance of canopies of fruit trees—Yellow leaf disease and red mite insect pest of fuji apple trees as samples[J]. Journal of Northwest A&F University, 2009, 37(11): 143-148. (in Chinese)

41RINEHART G J, BAIRD J H, CALHOUN R N. Remote sensing of brown patch and dollar spot on creeping bentgrass and annual bluegrass turf using visible and near-infrared spectroscopy[C]∥9th International Turfgrass Research Conference, 2001,9:705-709.

42BRAVO C, MOSHOU D, WEST J, et al. Early disease detection in wheat fields using spectral reflectance [J]. Biosystems Engineering, 2003, 84(22): 137-145.

43JONES C D, JONES J B, LEE W S. Diagnosis of bacterial spot of tomato using spectral signatures[J]. Computers and Electronics in Agriculture, 2010, 74(2): 329-335.

44馮雷，陳雙雙，馮斌，等. 基于光譜技術的大豆豆莢炭疽病早期鑒別方法[J]. 農業工程學報，2012，28(1): 139-144.

FENG Lei, CHEN Shuangshuang, FENG Bin, et al. Early detection of soybean pod anthracnose based on spectrum technology[J]. Transactions of the CSAE, 2012, 28(1): 139-144. (in Chinese)

45姚云軍，秦其明，張自力，等. 高光譜技術在農業遙感中的應用研究進展[J]. 農業工程學報，2008，24(7): 301-306.

YAO Yunjun, QIN Qiming, ZHANG Zili, et al. Research progress of hyperspectral technology applied in agricultural remote sensing [J]. Transactions of the CSAE, 2008,24(7): 301-306. (in Chinese)

46MOSHOU D, BRAVO C, WAHLEN S, et al. Simultaneous identification of plant stresses and diseases in arable crops using proximal optical sensing and self-organising maps[J]. Precision Agriculture, 2006,7(3): 149-164.

47QIN Zhihao, ZHANG Minghua. Detection of rice sheath blight for in-season disease management using multispectral remote sensing[J]. International Journal of Applied Earth Observation and Geoinformation, 2005,7(2): 115-128.

48李楠，劉成良，李彥明，等. 基于3S技術聯合的農田墑情遠程監測系統開發[J]. 農業工程學報，2010，26(4):169-174.

LI Nan, LIU Chengliang, LI Yanming, et al. Development of remote monitoring system for soil moisture based on 3S technology alliance[J]. Transactions of the CSAE, 2010, 26(4): 169-174. (in Chinese)

49佟彩，吳秋蘭，劉琛，等. 基于3S技術的智慧農業研究進展[J]. 山東農業大學學報，2015，46(6): 856-860.

TONG Cai, WU Qiulan, LIU Chen, et al. A review of wisdom agriculture based on 3S technologies[J]. Journal of Shandong Agricultural University, 2015, 46(6):856-860. (in Chinese)

50趙春江. 農業遙感研究與應用進展[J]. 農業機械學報，2014，45(12): 277-293.

ZHAO Chunjiang. Advances of research and application in remote sensing for agriculture[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(12): 277-293. (in Chinese)

51洪波，張鋒，李英梅，等. GIS在農業病蟲害預警研究中的應用[J]. 陜西農業科學，2011(3): 170-173.

52石雷，韋雪花，周汝良. 3S技術在松材線蟲病監測預警中的應用研究現狀[J]. 云南地理環境研究，2008，20(3): 15-19.

SHI Lei, WEI Xuehua, ZHOU Ruliang. Present utilization and research situation of 3S on monitoring and forecasting pine wilt disease[J]. Yunnan Geographic Environment Research, 2008, 20(3):15-19. (in Chinese)

53王蕾，黃華國，張曉麗，等. 3S技術在森林蟲害動態監測中的應用研究[J]. 世界林業研究，2005，18(2): 51-56.

WANG Lei, HUANG Huaguo, ZHANG Xiaoli, et al. The application of RS,GIS and GPS in the monitoring of forest insect pests dynamics[J]. World Forestry Research, 2005, 18(2): 51-56. (in Chinese)

54石進，馬盛安，蔣麗雅，等. 航空遙感技術監測松材線蟲病的應用[J]. 中國森林病蟲，2006(1): 18-20.

SHI Jin, MA Shengan, JIANG Liya, et al. Application of aerial remote sensing technique in monitoring pine wood nomatode disease[J]. Forest Pest and Disease, 2006(1):18-20. (in Chinese)

56羅菊花，黃文江，韋朝領，等. 基于GIS的農作物病蟲害預警系統的初步建立[J]. 農業工程學報，2008，24(12): 127-131.

LUO Juhua, HUANG Wenjiang, WEI Chaoling, et al. Establishment of prewarning system for crop diseases and insect pests[J].Transactions of the CSAE, 2008,24(12):127-131. (in Chinese)

57劉明輝，沈佐銳，高靈旺，等. 基于WebGIS的農業病蟲害預測預報專家系統[J]. 農業機械學報，2009，40(7): 180-186.

LIU Minghui, SHEN Zuorui, GAO Lingwang, et al. Expert system based on webgis for forecast and prediction of agricultural pests[J].Transactions of the Chinese Society for Agricultural Machinery, 2009,40(7):180-186. (in Chinese)

58劉書華，楊曉紅，蔣文科，等. 基于GIS的農作物病蟲害防治決策支持系統[J]. 農業工程學報，2003，19(4): 147-150.

LIU Shuhua, YANG Xiaohong, JIANG Wenke,et al. Decision support system for crop diseases and insect pests prevention and control based on GIS[J].Transactions of the CSAE, 2003,19(4):147-150. (in Chinese)

59陳林，程登發，陸慶光，等. 一種基于多Agent和GIS的麥蚜種群動態模擬方法研究初報[J]. 植物保護，2006，32(6): 33-38.

CHEN Lin, CHENG Dengfa, LU Qingguang, et al. Development of large-scale spatio-temporal dynamic model of wheat aphid population based on the multi-agent system and geographic information system[J]. Plant Protection, 2006, 32(6):33-38. (in Chinese)

60陳兵旗，郭學梅，李曉華. 基于圖像處理的小麥病害診斷算法[J]. 農業機械學報，2009，40(12):190-195.

CHEN Bingqi, GUO Xuemei, LI Xiaohua. Image diagnosis algorithm of diseased wheat[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(12): 190-195. (in Chinese)

61徐鵬云，么永強，白慶華. 基于圖像灰度識別的孢子自動計算系統[J]. 植物保護，2007，33(1): 109-112.

XU Pengyun, YAO Yongqiang, BAI Qinghua. Automatic counting system for spores based on gray level recognition[J]. Plant Protection, 2007, 33(1): 109-112. (in Chinese)

62彭占武，司秀麗，王雪，等. 基于圖像處理和模糊聚類方法的黃瓜霜霉病識別研究[J]. 中國農機化學報，2013，34(2): 212-216.

PENG Zhanwu, SI Xiuli, WANG Xue, et al. Study on the recognition of cucumber downy mildew based on image processing and fuzzy clustering [J]. Journal of Chinese Agricultural Mechanization, 2013, 34(2): 212-216. (in Chinese)

63王獻鋒，張善文，王震，等. 基于葉片圖像和環境信息的黃瓜病害識別方法[J]. 農業工程學報，2014，30(14): 148-153.

WANG Xianfeng, ZHANG Shanwen, WANG Zhen, et al. Recognition of cucumber diseases based on leaf image and environmental information[J]. Transactions of the CSAE, 2014, 30(14): 148-153. (in Chinese)

64MA Juncheng, LI Xinxing, WEN Haojie, et al. A key frame extraction method for processing greenhouse vegetables production monitoring video[J]. Computers and Electronics in Agriculture, 2015, 111: 92-102.

65馬浚誠，李鑫星，溫皓杰，等. 面向葉類蔬菜病害識別的溫室監控視頻采集系統[J]. 農業機械學報，2015，46(3): 282-287.

MA Juncheng, LI Xinxing, WEN Haojie, et al. Monitoring video capture system for identification of greenhouse vegetable diseases[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(3): 282-287. (in Chinese)

66王建璽，徐向藝. 基于圖像處理和模糊識別技術的煙葉病害識別研究[J]. 現代電子技術，2015，38(8): 4-7.

WANG Jianxi, XU Xiangyi. Research on tobacco disease auto-recognition based on image processing and fuzzy recognition technology[J]. Modern Electronics Technique, 2015, 38(8): 4-7. (in Chinese)

67武向良，高聚林，趙于東，等. 農業專家系統研究進展及發展方向[J]. 農機化研究，2008(1): 235-238.

WU Xiangliang, GAO Julin, ZHAO Yudong, et al. Agriculture expert system research progress and development direction[J]. Journal of Agricultural Mechanization Research, 2008(1): 235-238. (in Chinese)

68劉衛華，張順，許家來，等. 農業專家系統應用現狀與前景展望[J]. 農業災害研究，2015，5(2): 52-54.

LIU Weihua, ZHANG Shun, XU Jialai, et al. Application status and perspective of agricultural expert system[J]. Journal of Agricultural Catastrophology, 2015, 5(2):52-54. (in Chinese)

69馬麗麗，紀建偉，賀超興，等. 番茄專家系統環境數據庫在病害預測中的應用[J]. 農機化研究，2008(6): 161-163.

MA Lili, JI Jianwei, HE Chaoxing, et al. The application of environment data base in tomato expert system for disease prevention[J]. Journal of Agricultural Mechanization Research, 2008(6):161-163. (in Chinese)

70溫皓杰，張領先，傅澤田，等. 基于Web的黃瓜病害診斷系統設計[J]. 農業機械學報，2010，41(12): 178-182.

WEN Haojie, ZHANG Lingxian, FU Zetian, et al. Disease diagnosis system design for cucumber based on Web[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(12):178-182. (in Chinese)

71宋啟堃，鄭松，宋彥棠. 黔南州主要農作物病蟲害監測預警專家系統的構建與實現[J]. 云南地理環境研究，2011，23(1): 34-37.

SONG Qikun, ZHENG Song, SONG Yantang. The construction and realization of the qiannan main plant insect pests monitoring warning expert system[J]. Yunnan Geographic Environment Research, 2011, 23(1): 34-37. (in Chinese)

72閔紅. 河南省小麥紋枯病預警與決策專家系統的構建[D]. 鄭州: 河南農業大學，2003.

73MOH A, MASSART S, JIJAKLI M H, et al. Models to predict the combined effects of temperature and relative humidity onPectobacteriumatrosepticumandPectobacteriumcarotovorumsubsp.Carotovorumpopulationdensity and soft rot disease development at the surface of wounded potato tubers[J]. Journal of Plant Pathology, 2012, 94 (1): 181-191.

74李明，趙春江，楊信廷，等. 溫室蔬菜病害預警體系初探——以黃瓜霜霉病為例[J]. 中國農學通報，2010，26(6): 324-331.

LI Ming, ZHAO Chunjiang, YANG Xinting, et al. Towards an early warning framework of greenhouse vegetable diseases—a case of cucumber downy mildew[J]. Chinese Agricultural Science Bulletin, 2010, 26(6):324-331. (in Chinese)

75鄢洪海. 保護地番茄晚疫病發生流行預測模型的建立與應用[J]. 長江蔬菜，2009(10): 72-74.

YAN Honghai. Application and establishment of the prevalence prediction model of tomato late blight in protected cultivation[J]. Journal of Changjiang Vegetables, 2009(10):72-74. (in Chinese)

76惠祥海，孫明海，劉蘭蘭. 溫室辣椒疫病的預報模型與防治技術[J]. 現代農業科技，2009(5): 118-119.

77華來慶，熊林平，孟虹，等. 指數平滑法在霜霉病發病趨勢預測中的應用[J]. 數理醫藥學雜志，2006，19(2): 119-121.

HUA Laiqing, XIONG Linping, MENG Hong, et al. The application of exponential smoothing methods on the forecast of downy mildew disease trends[J]. Journal of Mathematical Medicine, 2006, 19(2):119-121. (in Chinese)

78華來慶，熊林平，孟虹，等. AR-EGARCH模型在疾病指數時間序列建模中的應用研究[J]. 中國衛生統計，2006，23(6): 482-485.

HUA Laiqing, XIONG Linping, MENG Hong, et al. Application of AR- EGARCH model in establishing methods of disease index time series models[J]. Chinese Journal of Health Statistics, 2006, 23(6): 482-485. (in Chinese)

79華來慶，熊林平，申廣榮，等. 自回歸模型在黃瓜霜霉病預測中的應用[J]. 第二軍醫大學學報，2005，26(6): 684-686.

HUA Laiqing, XIONG Linping, SHEN Guangrong, et al. Application of an autoregressive model in cucumber downy mildew disease forecasting[J]. Academic Journal of Second Military Medical University, 2005, 26(6): 684-686. (in Chinese)

80馬寧. 寒地玉米大斑病預警診斷系統研究[D]. 泰安: 山東農業大學，2015.

81王純枝，郭安紅，張玉書，等. 東北地區楊樹爛皮病氣象預報模型研究[J]. 中國農學通報，2012，28(10): 47-52.

WANG Chunzhi, GUO Anhong, ZHANG Yushu, et al. Study on meteorological forecasting model of valsa sordida nits in northeast China[J]. Chinese Agricultural Science Bulletin, 2012, 28(10):47-52. (in Chinese)

82陳凱，朱鈺. 機器學習及其相關算法綜述[J]. 統計與信息論壇，2007，22(5): 105-112.

CHEN Kai, ZHU Yu. A summary of machine learning and related algorithms[J]. Statistics & Information Forum, 2007, 22(5): 105-112. (in Chinese)

83劉曉宇. 黑龍江煙草產量預測及病害預警方法研究[D]. 哈爾濱: 東北農業大學，2012.

84張壽明，李燦輝，何慧龍，等. 神經網絡在馬鈴薯晚疫病長期預報中的應用研究[J]. 昆明理工大學學報，2004，29(4): 139-142.

ZHANG Shouming, LI Canhui, HE Huilong, et al. Applicative research of the long- term prediction of the neural network to the potato late blight disease[J]. Journal of Kunming University of Science and Technology, 2004, 29(4): 139-142. (in Chinese)

85李麗，李道亮，周志堅，等. 徑向基函數網絡與WebGIS融合的蘋果病蟲害預測[J]. 農業機械學報，2008，39(3): 116-119.

LI Li, LI Daoliang, ZHOU Zhijian, et al. Forecast of disease and pest in apple orchards based on fusion of radial basis function neural network and WebGIS[J]. Transactions of the Chinese Society for Agricultural Machinery, 2008, 39(3): 116-119. (in Chinese)

86熊雪梅，姬長英，CLAUDIO Moraga. 基于參數化遺傳神經網絡的植物病害預測方法[J]. 農業機械學報，2004，35(6): 110-114.

XIONG Xuemei, JI Changying, CLAUDIO Moraga. Parametric fuzzy neural network based on genetic algorithm configured for plant disease prediction[J]. Transactions of the Chinese Society for Agricultural Machinery, 2004, 35(6): 110-114. (in Chinese)

87曹志勇，邱靖，曹志娟，等. 基于改進型神經網絡的植物病蟲害預警模型的構建[J]. 安徽農業科學，2010，38(1): 538-540.

CAO Zhiyong, QIU Jing, CAO Zhijuan, et al. Construction of the early-warning model for plant diseases based on improving neural network[J]. Journal of Anhui Agricultural Sciences, 2010, 38(1): 538-540. (in Chinese)

88牛海微. 基于遺傳BP神經網絡構建溫室月季花卉病害預警系統[D]. 長春: 吉林大學，2011.

89李娟. 小麥黃矮病人工神經網絡模型及蘋果褐斑病動態預測模型的構建[D]. 楊凌: 西北農林科技大學，2010.

90RUMPF T, MAHLEIN A K, STEINER U, et al. Early detection and classification of plant diseases with support vector machines based on hyperspectral reflectance[J]. Computers and Electronics in Agriculture，2010, 74(1): 91-99.

91楊志民，梁靜，劉廣利. 強模糊支持向量機在稻瘟病氣象預警中的應用[J]. 中國農業大學學報，2010，15(3): 122-128.

YANG Zhimin, LIANG Jing, LIU Guangli. Application of strong fuzzy support vector machine on weather early warning of rice blast[J]. Journal of China Agricultural University, 2010, 15(3): 122-128. (in Chinese)

Research Progress Analysis of Mainly Agricultural Diseases Detectio and Early Warning Technologies

Wang Xiangyu1Wen Haojie1,2Li Xinxing2,3Fu Zetian1,2Lü Xiongjie4Zhang Lingxian3,5

(1.CollegeofEngineering,ChinaAgriculturalUniversity,Beijing100083,China2.BeijingLaboratoryofFoodQualityandSafety,Beijing100083,China3.CollegeofInformationandElectricalEngineering,ChinaAgriculturalUniversity,Beijing100083,China4.InformationInstitute,TianjinAcademyofAgriculturalSciences，Tianjin300192,China5.KeyLaboratoryofAgriculturalInformationAcquisitionTechnology(Beijing),MinistryofAgriculture,Beijing100083,China)

The occurrence of agricultural diseases has been one of the restrict factors of sustainable agricultural development for a long time, and agricultural diseases early warning technology gradually becomes a hot issue in China and abroad. Based on the literature review, the important meaning of agricultural diseases early warning technology for agricultural development was presented. This article expounded the characteristics and classification of agriculture diseases early warning firstly. And then a systematical analysis and discussion were carried on the key technologies for agricultural diseases early warning information acquisition, mainly summarizing the internet of things and sensor technology, 3S technology, spectrum technology and pathogenic microorganism examination technology. And also an introduction of agricultural diseases early warning information processing technologies was made, such as image processing technology, expert system of disease early warning and disease prediction technology. Finally, the conclusion of the whole article was obtained. The results indicated that the integration and combination of muti-technology would cover the whole agricultural diseases early warning area and get a higher accuracy of disease early warning；the acquisition of agricultural information was becoming precision and extensive; the early detection，diagnose and warning of agricultural diseases would be a new development direction; the agricultural disease early warning systems and equipment would be developed with lower cost; the real-time and online agricultural diseases automatic early warning will be an important research direction.

agricultural diseases; early warning; disease detection; internet of things; 3S technology

10.6041/j.issn.1000-1298.2016.09.037

2016-04-22

2016-07-03

葉類蔬菜產業技術體系北京市創新團隊建設專項資金項目(BAIC07-2016)和天津市科技支撐計劃項目(15ZCZDNC00120)

王翔宇(1989—)，男，博士生，主要從事農業系統與知識工程研究，E-mail: wangxiangyu@cau.edu.cn

張領先(1970—)，男，副教授，博士，主要從事農業系統與知識工程研究，E-mail: zlx131@163.com

S431.9； S-1

A

1000-1298(2016)09-0266-12