信息技術在農作物病蟲害監測預警中的應用綜述

李 素， 郭兆春， 王 聰， 陳天恩， 袁志高

(1.北京工商大學計算機與信息工程學院食品安全大數據技術北京市重點實驗室，北京 100048；2.國家農業信息化工程技術研究中心，北京 100097)

農作物重大病蟲害的實時監測和早期預測是及時、有效地控制其暴發成災的先決條件之一。傳統的病蟲害采用肉眼觀察或者直接田間定點捕捉的方法，依靠個人經驗來預測，有時間滯后性、主觀性和極大的不準確性等一系列缺點，不能滿足宏觀病蟲害預測。例如，2008年草地螟2代幼蟲在我國的華北、東北再次大規模暴發，發生面積廣，危害程度重，持續時間長[1]。

病蟲害預測有很長的時間跨度，一般來說要經歷經驗預測、試驗預測、統計預測3個階段。傳統的病蟲害預測不僅在信息采集上依賴主觀觀察，在進行病蟲害的預測時往往也是通過經驗，導致病蟲害預測精確度低下，信息十分滯后，嚴重阻礙了對病蟲害的準確預測，限制了我國農業的發展。

我國作為21世紀的農業大國，對世界農業有著舉足輕重的影響。病蟲害的治理和預防是我國提高糧食產量的重要途徑，因此病蟲害的早期預測，采取及時有效的防治措施，減少農業損失，成為目前關注的重要問題。從信息的采集到信息的傳遞再到信息的處理進行預測，現代技術正在病蟲害預測中起著至關重要的作用。

1 基于信息技術的病蟲害分析預測

針對傳統病蟲害預測不準確和時間滯后的缺點，現代病蟲害預測技術依賴計算機技術，正在對這些缺點進行改進，使其朝著智能化、精準化的方向發展。現代信息技術從信息的采集到信息的傳遞，然后到信息的分析，病蟲害的預警越來越走向規范化、數據化和標準化。如利用高光譜和低高空遙感技術對病蟲害危害程度進行監測[2]；利用空氣中氣流場研究高空氣流對遷飛昆蟲和病菌孢子的傳播作用以及利用物聯網等網絡信息技術開展數字化預測報告和信息收集與發布[3]；利用人工神經網絡、粗集理論和數據挖掘技術對病蟲害進行預警等。

1.1 基于人工神經網絡的病蟲害分析預測

人工神經(back propagation，簡稱BP)網絡采用誤差反向傳播算法，適用于非線性模式識別和類型預測的問題。典型的人工神經網絡包括輸入層、隱含層和輸出層3個部分，模仿生物神經網絡構造，如圖1所示。

人工神經網絡層與層之間相互連接，各層之間神經元節點互不聯系，相鄰層之間通過權連接，進行分布式信息處理。

影響病蟲害的因子包括物理因子和環境因子，各個因子之間相互作用，對害蟲的影響不是線性關系，因此傳統的數理統計方法對模型的訓練十分困難。而人工神經網絡模擬人腦思維結構，具有很強的自學習、自組織、自適應和容錯性等特點，適合非線性問題的處理。例如靳然等以運城市苪城縣1980—2006年麥蚜最大蟲株率和氣象因子為基礎，建立BP神經網絡來預測2007—2011年麥蚜最大蟲株率，平均預測精度為96.09%[4]；Klem等以氣象參數和土壤溫度建造了基于神經網絡的白菜莖象鼻蟲的病蟲害發生預測，準確率達到97%[5]；李波等通過使用主成分分析法獲得的主分量光譜，結合概率神經網絡實現了稻干尖線蟲和稻縱卷葉螟的識別，準確率達到95.65%[6]。

雖然人工神經網絡在農業病蟲害方面起到了一定的作用，但人工神經網絡也有一些缺點。例如，在學習過程中該算法收斂速度慢；人工神經網絡中隱含層節點數沒有明確的方法來確定；采用梯度下降法，人工神經網絡易陷入局部最小值，不能找到真正最優解，因此神經網絡往往都須要優化，結合其他一些算法來進行。例如，張芳群等以陜西地區1988—2013年玉米螟蟲危害為例，利用基于偏最小二乘法回歸(PLS)-遺傳算法(GA)-神經網絡(elman)的組合神經網絡算法對病蟲害進行預測，5年的預測結果相對誤差在 0.066 1%～0.122 2%之間，證明該神經網絡精度較高，具有較好的泛化能力[7]；曹志勇等建立了基于粒子群算法對神經網絡參數優化的混合智能算法的病蟲害預警模型，以1980—2007年的稻瘟病為數據建立模型，最大允許誤差小于0.001[8]。

神經網絡還可以結合一些數學模型來進行應用。例如楊淑香等通過SPSS逐步回歸法，建立內蒙古東部地區落葉松毛蟲的分布面積、密度與環境的人工BP神經網絡模型[9]；溫芝元等將模糊邏輯與神經網絡相結合，建立補償模糊神經網絡臍橙病蟲害識別模型[10]；譚文學等通過深度學習神經網絡并以彈性動量對神經網絡進行參數優化，建立了實時預警果樹病害和輔助診斷果蔬系統[11]；Kouakou等通過光學指紋結合多通道人工神經網絡來檢測黃瓜花葉病毒[12]。

1.2 基于支持向量機(SVM)的病蟲害分析預測

SVM是建立在統計學習VC維理論和結構風險理論的基礎上，適用于小樣本、非線性和高維模式，通過一定數量的樣本信息在樣本模型的精確度和學習能力(識別任意樣本)之間取得一個最佳平衡，來取得較好的泛化能力。SVM的基本原理為應用核函數展開定理，把樣本空間映射到高維的特征空間，在高維空間中求得一個最優分類面，使得在原來樣本空間中的非線性可分問題轉化為特征空間的線性可分問題，具體見圖2。

SVM問題描述：

假設給定特征空間的數據集Q={(x1，y1)，(x2，y2)，…，(xn，yn)}；其中xi∈Rn，yi∈(+1，-1)，i=1，2，…，N；xi為第i個實例(若n>1，則x是多維度，具有多個屬性特征，此時xi為向量)；yi為xi的類標記，當yi為+1時，xi為正例，當yi為-1時，xi為負例。尋找最優超平面即使得正例反例的隔離邊緣最大化，即求函數：

(1)進一步規范體育基金會內部管理，完成體育基金會評估工作，獲得評估等級，優先購買政府服務。政府對基金會的資金支持一方面是政府職能轉變的需要，另一方面也能有效補充社會對公共服務的需求。目前，政府對基金會的支持已經從直接撥款變為購買項目或公共服務外包，最終形成全社會共同參與、共建共享的發展局面。因此，體育基金會要積極完成評估并獲得3A以上評估等級，同等條件下可優先購買政府服務。

式中：yi(w·xi+b)≥1，i=1，2，3，…，n；w為超平面法向量；b為常數；xi為訓練集；yi為類別。

當SVM面對線性不可分時，通過使用核函數將非線性樣本從低維線性不可分轉化成高維特征空間的線性可分，然后在高維特征空間使用線性分析，這樣就可以對線性不可分數據樣本進行分析。

通常用到的核函數包括以下幾種：線性核函數、多項式核函數、高斯核函數、sigmoid核函數。

不同的核函數導致計算量不同，甚至導致計算復雜度大到無法計算。SVM基于結構風險理論，在高特征空間中建立最優分割超平面，使得SVM是基于全局優化的，不會存在陷入局部最小值的問題，并且使得全部樣本風險存在一個閾值。

例如楊昊諭等通過基于SVM并結合熒光光譜方法建立的黃瓜病蟲害診斷模型，實現了病蟲害的迅速檢測功能，通過使用平滑法(savitzky-golay，簡稱SG)+一階導數變換(FDT)和主成分分析(PCA)法進行數據處理后，使用SVM進行黃瓜病蟲害的檢測和預警時準確率達到 98.3%[13]；Mokhtar等通過SVM不同核函數來識別健康番茄葉片的紋理特征，精度達到99.83%[14]；石晶晶等進行了SVM的稻縱卷葉螟危害水稻高光譜遙感識別研究[15]。

SVM也存在一些缺點，例如小訓練樣本集收斂速度比較慢等，因此一般須要結合其他算法來進行優化。例如馬濤等在基于粒子群優化支持向量機(CPSO-SVM)的小麥條銹病預測模型中，運用一種結合混沌系統的粒子群算法來改進SVM模型，克服了收斂速度慢的問題，在小麥條銹病預測中通過25次迭代找到全局最優解，準確預測了5年來條銹病的流行等級，預測精度為83.333%[16]；蔣龍泉等研究了基于高清視頻圖像融合特征的SVM檢測方法[17]；Rajan等設計了基于SVM的圖像處理技術——自動害蟲識別技術進行早期病蟲害識別和疾病監測[18]。

1.3 基于3S技術的病蟲害預測

3S技術是遙感技術(remote sensing，簡稱RS)、全球定位系統(global position system，簡稱GPS)和地理信息系統(geographic information system，簡稱GIS)3種技術的結合。3S技術包括空間技術、信息通信技術、計算機技術和衛星定位等技術，是一門多學科交叉的、對地理空間信息進行采集、處理、通信等操作的技術。

1.3.1 基于GIS的病蟲害預測應用 GIS是一種十分重要的空間信息系統，GIS是在計算機硬件、軟件系統的支持下，對地球表面有關的地理信息進行數據采集、存儲、管理運算等操作，并幫助提供空間問題決策和進行空間數據處理的一個技術系統。GIS是一門綜合性的學科，包含地理學、地圖學以及遙感和計算機技術，對于地理空間信息的處理能力很強，在區域性病蟲害研究中十分廣泛。例如，圖3通過GIS技術揭示了飛虱種群變化規律。

例如劉小紅設計了采用PostgreSQL(對象-關系型)數據庫管理系統，以WebGIS(基于互聯網的地理信息系統)技術為基礎的煙草病蟲害診斷預測系統，基本預測了赤星病發生的重災區主要分布在云南省偏北，中度區分布在東三省偏北及廣東地區，輕度分布在山東省區域[20]。趙慶展等基于移動GIS，運用移動GPS定位、離線地圖加載、圖形繪制等技術，實現了花病蟲害信息的快速提取，實現了空間數據與屬性數據的聚合存儲，提供了病蟲害監測、預測服務[21]；Garnas等依據GIS在地中海氣候區總結了22～43種病蟲害對該地區的損害程度并進行了生物防治[22]。

一般來說GIS根據病蟲害和收集信息的種類會結合一些算法來實現最后病蟲害的預測，如白嫄等根據反距離權重插值法(inverse distance weighted，簡稱IDW)設計實現了基于GIS的山茱萸病蟲害分布預測系統[23]；靳光才等設計了以GIS為架構，基于馬爾科夫鏈的棉田朱砂葉螨預警系統，使用克里格插值方法實現大范圍的預測，短期預測精確度達到80%[24]；潘潔等設計了以B/S(瀏覽器/服務器模式)為結構的基于高光譜數據與網絡GIS應用的森林病蟲害檢測系統[25]；Steere等基于GIS通過非線性克里格方法預測了黃萎病的感染情況[26]。

1.3.2 基于遙感技術的病蟲害預測 遙感技術出現在20世紀60年代，結合計算機技術迅速發展起來。它是以電磁波理論為基礎，通過各種傳感器對目標物體輻射和反射的電磁波進行收集處理最后成像，然后對目標物體進行探測和識別的一種技術。在農業方面的應用有通過遙感影像獲取遙感的紅外波段和近紅外波段的反射率及其組合與作物的葉面積指數，通過衛星傳感器記錄地球表面信息，識別農作物類型，觀測農作物生長情況，避免了手工收集方法費時費力，還會造成破壞等缺點。圖4為衛星遙感結合氣象數據對小麥白粉病的預測結果。

目前，遙感一般有衛星遙感、高光譜遙感和航空遙感。遙感技術將觀測到的數據通過圖像處理和識別等技術，成為人們進行植物生長程度、環境因子和病蟲害防治的根本依據。遙感一般作為信息的采集而出現，通過信息傳遞傳到后臺再進行數據分析。如馬慧琴等通過遙感提取到的植被指數、地表溫度和影像中各波段的反射率特征，結合Relief算法和泊松相關系數進行篩選，使用相關向量機(relevance vector machine，簡稱RVM)篩選出的遙感氣象特征，進行小麥灌漿期白粉病發生預測模型構建，模型預測總體精度達到84.2%[27]；馬菁等通過遙感近地高光譜技術對果樹枸杞病蟲害進行光譜測定[28]；李衛正等通過小型無人機遙感技術，實現了病死木位置信息采集[29]；Yuan等利用遙感和地理信息系統分析當前模式下的高度復雜的信息環境[30]；Liu等用高光譜遙感技術發現了谷物成熟飛虱的最佳密度[31]。

遙感技術也會與其他技術結合來進行數據的采集和分析，如袁琳等基于連續小波分析(continuous wavelet analysis，簡稱CWA)提出一種全光譜域優化搜索的病蟲害區分小波特征選擇方法，通過該方法將收集來的數據采用費氏判別線性分析(fluorescence linear discriminant analysis，簡稱FLAD)和SVM構建模型，建立的病蟲害區分模型總體精度達到70%以上[32]。

1.3.3 基于3S技術的病蟲害預測 由于RS和GIS都不太成熟，所以RS、GIS通常分開使用。隨著這2項技術的逐漸成熟，3S集成技術能更加方便和廣泛地應用于環境監測、氣候變化和災害預測等各個方面。3S預測病蟲害技術，根據對植物反射光譜的RS影像不同，可以判斷植物健康情況和病蟲害的動態。GIS對RS收集到的圖像進行圖像處理，數據分析和專家系統對病蟲害發生的程度、發生面積進行預測分析，再通過GPS進行地理位置的精確定位，找出病蟲害發生地點。

3S技術的集成應用不僅可以對病蟲害進行精確范圍的預測，還可以實時對植物健康情況進行監測。例如汪浩然等以3S技術為核心，使用C#、ARC等語言構建病蟲害預警系統，應用GIS中的緩沖和疊加分析預測了病蟲害的發生范圍，并在空間上標示了擴散區域、危害程度和防治技術[33]；余笑等基于3S實現了農產品的溯源，對農產品進行了病蟲害評估[34]；王永生等指出3S在評價農業資源、減少物資投入、防治病蟲害方面有顯著作用[35]；馬莉娜指出3S技術在我國精細農業方面將是一個巨大的改革性技術[36]。

1.4 基于物聯網技術的病蟲害預測應用

物聯網是指處于各種環境下的終端和設備，例如智能傳感器、移動終端、視頻音頻監控設備、數控系統和貼有射頻技術(radio frequency identification，簡稱RFID)的各種商品等，通過無線(或有線)短距離(或長距離)通信網絡實現互聯互通，在互聯網環境下，提供在線監測、定位追溯、指揮調度、安全防范和決策支持等一系列的服務。物聯網的體系架構見圖5。

在病蟲害預測方面，通過傳感器對植物的生長環境，例如溫度、濕度、光照度等不間斷地進行檢測，實現對農作物的檢測和病蟲害的有效控制。物聯網技術通過傳感器、互聯網等實現了信息從人與人到物與物的傳輸轉變，大大加強了我國智能化的農業發展。同時物聯網技術使得采集的信息不僅從數量上而且在維度上實現了質的飛躍，對于后期預測的準度和精度有十分巨大的作用。

蘇一峰等基于物聯網的遠程小麥病蟲害診斷系統總體框架見圖6。此外，鐘志宏等創建的江西省農作物物聯網平臺，在培養溫室大棚蔬菜時通過攝像頭和傳感器實現了蔬菜的有效檢測、監控和調節，有效減少了病蟲害對蔬菜的影響，提高了溫室病蟲害環境感知和病蟲害的預警綜合診斷能力[38]；張恩迪等基于物聯網技術開發的農業蟲害智能監控系統，可以自動采集農田環境信息、害蟲數量，通過k-means聚類提取害蟲數量，用橢圓率區分蟲體和雜質，實現了蟲害信息的提取和自動防治[39]；羅世亮等設計了基于物聯網的臍橙園病蟲害專家防治系統，實現了臍橙病蟲害防治的智能化識別[40]；房亞群等基于物聯網和智能監控技術，完成了果園自動對靶噴藥項目[41]；鄧曉璐等基于物聯網技術實現了寒地玉米大斑病預警系統[42]；Fu創建了感知、運輸和數據處理的3層結構農業物聯網，實現了病蟲害預警和快速診斷[43]。

1.5 基于圖像處理的病蟲害診斷

圖像處理就是將圖像信號轉化為數字信號，再通過計算機技術對其進行加工處理的過程。隨著技術的發展，在農業方面圖像處理技術正在逐漸替代人工識別技術。通過圖像處理在機器視覺和計算機視覺中的不斷應用，病蟲害地智能化識別已經達到很高的準確率，為病蟲害預測前期的病蟲害識別奠定了堅實的基礎，為及時采取措施防治病蟲害傳播提供了極大的幫助。圖像處理技術一般包括3個步驟：

(1)病蟲害圖像分割。圖像分割是圖像處理的第1步，是通過將圖像分割將圖像細分為特征(即圖像的結構、顏色、文理等)子區域的過程。在圖像分割的過程中實現了特征值提取、構建分類器等。圖像分割的經典方法有閾值分割法、邊緣檢測法、數學形態學法和模糊聚類法等。

(2)病蟲害圖像特征提取。圖像特征提取包括圖像的特征描述和提取2個過程，決定了分類的效率和分類的精度。特征描述是指給進行圖像分割后的圖像某種圖像屬性，以量性地描述或表示，提取是指計算特征的子集，篩選有用信息給目標空間進行降維，利于目標識別。按照特定屬性來提取，主要方法有形態特征提取、顏色特征提取和紋理特征提取。

(3)病蟲害圖像的分類與識別。以提取的圖像特征為基礎，建立分類器，通過一系列的算法來進行圖像的處理分類，力求達到高精度、穩定、快速的圖像分類識別。基于分類規則的不同，有基于形狀的分類、基于顏色的分類等多種分類器；根據分類結果的數量，有2類分類器與多類分類器，多類分類器是多種算法或決策的組合，例如BP網絡、SVM和模糊聚類法等。

隨著圖像識別技術的逐步發展，圖像處理技術也逐漸被應用在一些其他領域，例如計算機視覺、機器視覺等技術領域，并取得了很好的應用效果。趙瑤池等采用混合高斯模型得到紋理差異圖像，使用灰度圖像的自動閾值分割法進行分割得到DRLSE演化初始區域，利用改變紋理差異度的邊緣停止函數，精準地獲取病變區的輪廓，為病蟲害預測提供了依據[44]；高新浩等基于機器視覺采用最大熵函數對紋理圖像進行分析，對玉米病蟲害進行區分，進行玉米病蟲害的早期預測，分類效率達到99%[45]；高雄等提出了基于機器視覺的歐式距離病蟲害自動識別檢測方法，以顏色特征為基礎，準確識別害蟲區域和目標農作物，判斷病蟲害的危害程度[46]；Paul等基于機器視覺提出認知系統來自動檢測和計數粉虱各個階段的數量和進行玫瑰早期的疾病檢測和防治[47]。

1.6 其他病蟲害預測技術

1.6.1 基于粗集理論的病蟲害預測 粗集理論是處理模糊和不精確性信息的一種算法。主要思想是利用已知的知識庫，將知識理解為對數據的劃分，每一個被劃分的集合稱為概念，將不確定或不精確的知識用已知知識庫中的知識來刻畫。該理論是建立在分類機制基礎上的，它將分類理解為空間上的等價關系，而等價關系構成了對該空間的劃分。

粗集理論是根據大量的已有知識，劃定信息中的等價關系，再根據各等價關系中的依賴關系將相容信息去除，簡化和挖掘隱含關系的理論。粗集理論對信息的整合有很高速度的融合能力和預測能力，對于早期的預測預警技術來說是至關重要的。涂運華等使用粗集消除冗余樣本，結合神經網絡、不定性原理建立了蔬菜病蟲害診斷專家系統，實現了番茄病蟲害的有效控制[48]。

1.6.2 基于Android系統的病蟲害預測系統 隨著無線通信技術的進一步發展，大量針對病蟲害預測的專家系統被研發出來，推進了農業信息化的發展。而智能手機的進一步普及和電子商務的快速發展，使移動互聯網用戶飛速增長。目前移動終端的主流操作系統為Android平臺，優點是設備廉價且開放性高，因此基于Android平臺的病蟲害預測系統大大推進了病蟲害預測的發展進程。

基于Android的病蟲害預測系統包括人機交互模塊和數據處理模塊、客戶輸入農作物和害蟲的種類模塊、后臺數據服務器返回信息模塊。田磊等設計了基于Android的機器視覺診斷系統[49];寧寧等設計了基于Android系統的植物病蟲害查詢系統[50]；于輝輝等基于Android手機終端設計了棉花害蟲智能診斷系統，實現了實時有效的診斷[51]。

2 總結

本文主要介紹了現代信息技術在病蟲害預測方面的原理與應用。從信息的采集(例如遙感技術)到信息的傳遞集成(3S等)再到信息的處理(BP、SVM)，信息技術正在逐漸滲透進病蟲害預測分析的每一個環節，并將它們連接起來，形成一張網絡，逐步實現病蟲害預測的規范化、標準化。不同的信息技術有不同的領域，針對不同的農作物病蟲害和不同的預測環節，采用不同的信息技術。雖然信息技術在病蟲害預測方面有很大前景，但是這些技術依舊存在一些問題。主要包括：(1)遙感傳感器的種類單一，對于種類繁多、氣候條件不同的農作物病蟲害信息提取不到位；(2)信息傳遞速度較慢，對病蟲害反應不夠靈敏，不能實現精確的病蟲害實時預測;(3)整個病蟲害預測網絡自動化程度不夠高，人為參與較多，易產生誤差。

隨著信息技術的不斷發展，病蟲害各個環節的銜接必定更加緊密，智能化、自動化水平大大提高，成為病蟲害預測的主要力量。