我國農作物病蟲害智能監測預警技術新進展

封洪強, 姚 青, 胡 程, 黃文江, 胡小平,劉 杰, 張云慧, 張 智, 喬紅波, 劉 偉

(1. 河南省0號昆蟲雷達野外科學觀測研究站，河南省農作物病蟲害防治重點實驗室，農業農村部華北南部作物有害生物綜合治理重點實驗室，河南省作物保護國際聯合實驗室，河南省農業科學院植物保護研究所，鄭州 450002；2. 浙江理工大學計算機科學與技術學院，杭州 310018；3. 北京理工大學信息與電子學院雷達技術研究所，北京 100081；4. 中國科學院空天信息創新研究院，北京 100094；5. 旱區作物逆境生物學國家重點實驗室，植保資源與病蟲害治理教育部重點實驗室，農業農村部西北黃土高原作物有害生物綜合治理重點實驗室，西北農林科技大學植物保護學院，楊陵 712100；6. 全國農業技術推廣服務中心，北京 100125；7. 中國農業科學院植物保護研究所，植物病蟲害綜合治理全國重點實驗室，北京 100193；8. 北京市植物保護站，北京 100029；9. 河南農業大學信息與管理科學學院，鄭州 450046)

我國農作物病蟲害監測預警工作始于20世紀50年代。1955年,農業部頒布了《農作物病蟲害預測預報方案》,從20世紀60年代起,農業部組織專業人員整理印發全國主要病蟲害基本測報資料匯編,供全國農技人員使用。1987年-1990年,農業部編制了15種重大病蟲害測報調查規范,并于1995年在全國范圍內實施,成為新中國成立以來首批植物病蟲害測報調查規范國家標準[1]。2009年以來,在農業部的高度重視和大力支持下,我國農作物重大病蟲害監測預警信息化建設快速發展,初步建成了國家農作物重大病蟲害數字化監測預警系統平臺[2],并形成了電視、廣播、手機、網絡和報紙等多種媒體發布農作物病蟲害測報結果的新模式[3]。近年來,隨著計算機、互聯網、物聯網、人工智能、遙感、地理信息系統、衛星定位系統、大氣環流分析等技術的快速發展與在農作物病蟲害監測預警中的廣泛應用,智能蟲情測報燈、智能性誘捕器、昆蟲雷達、低空遙感、衛星遙感、智能識別App等現代智能病蟲監測裝備以及重大病蟲害實時監測預警系統建設方面取得了比較明顯的進步,對病蟲害監測和預測的時效性和準確度得以大幅度提高[4-5]。本文綜述了我國近5年在利用光譜遙感、昆蟲雷達、圖像識別等技術監測農作物病蟲害方面取得的重要技術進展和應用案例,在對各類技術存在的不足和難點進行分析的基礎上提出了未來發展的方向,以期為充分利用空天地多源數據實現農作物病蟲害精準預報提供指導。

1 農作物病蟲害智能監測預警技術現狀

1.1 光譜遙感監測技術

農作物病蟲害的光譜遙感監測技術是利用衛星、無人機或其他平臺上的傳感器,根據不同波段范圍內光學信號在輻射傳輸過程中與物體相互作用后發生的速率、強度等重要屬性改變的原理,來探測農作物病蟲害的技術[6]。太陽光譜的能量分布特點決定了可見光和近紅外波段的傳感器數據信噪比較高。在該譜段,病蟲害的各種特征和生理變化表現明顯[7-9]。此外,短波紅外(SWIR)區域的一些波段對植物或土壤中的水分含量敏感,它們是傳統可見光和近紅外傳感器的適當補充。熒光和熱紅外遙感系統能夠跟蹤植物的呼吸和光合過程,從而對農作物病蟲害進行早期探測。然而熒光信號相對較弱,容易與自然光混淆,這限制了它們在大尺度區域研究中的應用;將它們與其他遙感系統(如高光譜系統)耦合可有效利用該系統[10-11]。

確定高專一性的特征是光譜遙感監測技術的關鍵。在可見光和近紅外光譜特征中,波譜反射率是最簡單的形式,很多研究明確了主要農作物病蟲害響應的敏感光譜區間[12]。同時,反射光譜可以進行不同形式的變換,如連續統去除、分數階微分和連續小波變換等,通過這些變換可以更加深入挖掘反射光譜蘊含的信息[13]。此外,各種形式的植被指數也被廣泛用于病蟲害監測中[14-16]。近20年來,目標地物的熒光和熱特性也越來越廣泛地被用于作物遙感監測[17]。利用400～600 nm和650～800 nm熒光誘導波段的植被熒光特性,可以有效地對病蟲害及生境因素進行監測[18-19]。與上述特征不同,基于圖像分析的顏色共生矩陣(color co-occurrence matrix, CCM)提取的紋理特征(均勻性、平均強度、方差、逆差、熵、對比度等)對于小尺度水平上的病蟲害監測十分重要[20]。此外,還可以基于遙感影像提取空間度量(景觀特征),用于識別農作物病蟲害的空間分布模式[21]。

不同類型的傳感器可以獲得不同類型的數據,適于搭載的平臺、經費投入、數據獲取途徑、分析方法也各不相同,應根據不同的需求選用不同的傳感器。采用較低成本的可見光成像遙感可以方便快捷地對農作物病蟲害脅迫進行監測并取得不錯的識別效果。多光譜成像遙感能獲取更多的光譜信息,使監測結果更為準確有效[7]。高光譜成像遙感具有連續光譜、更多波段和更大數據量等特點,能獲得更好的農作物病蟲害遙感監測效果[22-23]。

衛星遙感監測技術是指利用搭載在人造地球衛星上的各類傳感器對地監測數據進行農作物病蟲害監測的一種技術。國內外學者針對農作物病蟲害的衛星遙感監測問題,基于不同類型的算法,建立了農作物病蟲害識別及發生嚴重度診斷模型,并應用在不同作物上。1)經典統計模型,具有形式簡單、機制明確的優點,被廣泛應用在一些農作物病蟲害的監測研究中。如基于3波段夫瑯和費暗線和反射率熒光指數2種方法提取冠層日光誘導葉綠素熒光(sun/solar-induced chlorophyll fluorescence, SIF)數據,結合對小麥條銹病敏感的光譜指數,利用偏最小二乘算法構建了冬小麥條銹病早期光譜探測模型[24]。采用二元邏輯回歸評估香蕉枯萎病染疫區和未染疫區之間植被指數關系的研究表明,同等條件下包含紅邊的植被指數更有助于識別病害[25]。2)機器學習模型,利用機器學習方法提取多種特征,構建農作物病蟲害遙感監測模型。基于2幅Landsat-8影像,提取作物在不同時期的生長參數和環境參數,使用合成少數過采樣技術和反向傳播神經網絡在區域尺度上取得了較高準確度的小麥病蟲害分布圖[26]。基于MODIS影像數據,應用空間-時間遞歸神經網絡對隴南市的小麥條銹病進行監測預警,取得了較好的監測效果[27]。

經過長期的不斷探索以及衛星遙感技術的快速發展,我國利用衛星大面積監測農作物病蟲害的能力取得重大突破,構建了農作物病蟲害遙感監測與預測系統,定期生產和發布全球、全國、重點區域的多尺度主要農作物重大病蟲害遙感監測和預測專題圖與報告產品,基本實現了業務的持續運行[28]。

隨著無人機技術的快速發展,無人機具備了搭載可見光、多光譜和高光譜等多種傳感器的能力,通過建立病蟲害光譜特征和圖像關系模型,并將其反演到圖像上,可為病蟲害監測預警提供技術支撐。無人機能大范圍、快速、實時獲取高分辨率圖像數據,彌補了衛星遙感重訪周期長、覆蓋角度小以及時空分辨率低的不足,在農作物病蟲害監測方面有著良好的應用前景。

研究者利用無人機搭載傳感器,對棉花蚜蟲、葉螨和小麥白粉病、條銹病、全蝕病等病蟲害進行了研究[29-32]。采用連續5年在小麥白粉病盛發期從距地面不同高度處獲取的無人機可見光圖像,分析發現圖像參數紅值參數的對數(lgR)與病情指數或者產量在不同年度、不同高度間均存在較高的相關性,表明利用該圖像數字參數監測白粉病和預測產量是可行的,但同時也發現lgR與病情指數或者產量之間的關系模型的穩定性在不同年度和高度間均存在一定差異[32]。無人機遙感監測農作物病蟲害的研究方法主要包括利用光譜角映射(spectral angle mapping,SAM)、K-鄰近(K-nearest neighbor,KNN)、支持向量機(support vector machine,SVM)、隨機系數混合回歸模型(random coefficient regression models)、深度學習等。從研究結果上看,利用無人機識別病蟲害的精度均可達85%以上,關鍵在于病蟲害敏感光譜特征的選擇和病蟲情指標關系的建立。

1.2 昆蟲雷達監測技術

昆蟲雷達監測技術是利用電磁波探測空中自由飛行昆蟲的一種技術,這種技術具有對昆蟲無干擾、監測距離遠、采樣空間大、監測速度快、獲得的信息豐富等特點[33]。旋轉極化設計的垂直昆蟲雷達由于可以監測到中大型昆蟲的體型參數、質量大小和振翅頻率,對昆蟲種類有更好的鑒別能力,自20世紀末以來正逐漸取代傳統掃描昆蟲雷達,成為昆蟲雷達的主流機型[4,33]。近年來隨著數字技術的進步,昆蟲雷達的性能得以大幅提升、制式更加豐富[34-37]。目前,我國昆蟲雷達 AD 采樣頻率達到了120 MHz,采樣精度達到了16 位,相應的昆蟲雷達的距離采樣能力由原來的50 m提高至1.25 m,昆蟲雷達盲區由原來200 m 左右降低至80 m左右,極大地改善了昆蟲雷達對低空飛行昆蟲的探測能力。近年來,為了進一步降低旋轉極化垂直昆蟲雷達盲區,我國將旋轉極化垂直昆蟲雷達與掃描雷達相結合,建成了雙模式昆蟲雷達,即利用一套收發、信號采集處理及終端系統實現兩種雷達所有探測功能的新型昆蟲雷達[37]。

2017年6月20日-7月5日河南省農業科學院將英國洛桑研究院昆蟲雷達運至河南現代農業研究開發基地與我國昆蟲雷達進行聯合觀測,結果表明我國昆蟲雷達的性能更優秀。2019年9月21日-23日中國植物保護學會和河南省科學技術協會主辦了第二屆雷達空中生態學國際會議,來自中國、英國、荷蘭、澳大利亞、美國、法國、德國、比利時、日本等11個國家的雷達空中生態學學者100余人參加了會議[38]。此次會議向國際同行展示了我國昆蟲雷達技術方面的優勢,以色列海法大學2020年訂購了我國生產的昆蟲雷達,英國利茲大學2022年也采購了我國生產的昆蟲雷達,實現了國產昆蟲雷達出口零的突破[39-40]。

隨著現代雷達技術的發展,全相參、高分辨、全極化等新技術越來越多地被用于雷達探測。為了進一步提高昆蟲雷達測量能力,我國研發了相參體制高分辨全極化昆蟲雷達(圖1)。該雷達工作在Ku波段,兼具掃描模式和波束垂直對天觀測模式[41-42]。該雷達為相參體制,可測量目標的相位信息;采用調頻步進頻波形,實現約0.2 m的高距離分辨率[43]。雷達采用全極化體制,雙極化天線同時發射/接收H和V極化信號;發射機和接收機均有H和V兩個極化通道。在發射信號時,H和V極化信號同時發射,通過正交的相位編碼隔離;在接收信號時,H和V極化信號同時接收,其中H極化接收的信號包括HH和HV(兩種信號的相位編碼正交),V極化接收的信號包括VV和VH(兩種信號的相位編碼正交),通過相位解碼可得到目標的極化散射矩陣。依托高分辨全極化昆蟲雷達對目標幅度、相位、極化等信息的獲取能力,一系列精度更高的體軸朝向[44-45]、體重/體長[46-47]、振翅頻率[48]等生物參數反演方法被提出。2018年在云南對該雷達開展了外場觀測試驗,成功驗證了雷達測量昆蟲體軸朝向、振翅頻率、速度和上升下降率等參數的能力[49-51]。自2019年起,該型雷達先后在云南瀾滄、江城、尋甸和山東東營、廣東深圳等地進行部署,開展了長期自動化業務監測運行,在草地貪夜蛾Spodopterafrugiperda、黃脊竹蝗Ceracriskiangsu、蘋梢鷹夜蛾Hypocalasubsatura等境外重大害蟲遷飛監測中發揮了重要作用[52]。

圖1 Ku波段高分辨全極化昆蟲雷達Fig.1 Ku-band high-resolution and fully polarimetric entomological radar

新一代昆蟲雷達——高分辨多維協同雷達測量儀(圖2,圖3)的研制成功使昆蟲雷達技術實現了新的突破。它主要由一臺高分辨相控陣雷達和3臺多頻段全極化雷達組成。其中,高分辨相控陣雷達是一臺Ku波段掃描雷達,其方位采用機械掃描、俯仰采用電掃描,負責搜索昆蟲群并分離感興趣的昆蟲個體,將目標位置引導信息發送給3臺多頻段全極化雷達;3臺多頻段全極化雷達可同時在X、Ku和Ka三個波段工作,距離分辨率0.2 m,具備全極化測量和單脈沖跟蹤能力,根據高分辨相控陣雷達提供的位置引導信息,協同搜索跟蹤昆蟲個體,實現精細跟蹤測量。同時,多頻段全極化雷達也具備靜止波束垂直對天監測、單部雷達跟蹤測量等工作模式。基于額外的多頻段、多基站協同測量,高分辨多維協同雷達測量儀將進一步提高昆蟲雷達生物學參數反演精度和三維朝向測量能力[53-55]。目前,該儀器部署在山東東營黃河三角洲現代農業示范基地(圖3)。

圖2 高分辨多維協同雷達測量儀示意圖Fig.2 Schematic diagram of high resolution multi-dimensional radar measurement system

圖3 高分辨多維協同雷達測量儀實地部署圖Fig.3 Field deployment photos of high resolution multi-dimensional radar measurement system

天氣雷達也可以觀測到昆蟲遷飛,且具有網絡覆蓋廣的優勢。通過對比同期高空探照燈誘蟲量與多普勒天氣雷達回波證實,多普勒天氣雷達可以提取到昆蟲的飛行方向、飛行速度等空中遷飛參數,在遷飛性害蟲監測預警中具有重大的潛在應用價值[56-57]。2018年起,我國還利用高分辨多維協同雷達測量儀,開展了與天氣雷達的長期聯合觀測試驗,提出了基于我國天氣雷達網的大尺度空中生物監測新方法[58]:利用天氣雷達多仰角、多特征數據,深度挖掘氣象與生物回波輪廓和紋理特征差異,依靠2008年-2019年間200余臺天氣雷達的歷史觀測數據構建訓練與測試數據集,提出了基于多通道、多尺度空間特征的空中生物回波識別模型,該模型空中生物回波識別準確率高于90%[59-60];提出了基于高度分層模型與正則估計的生物回波反射率垂直廓線反演方法,實現了聚集成層遷飛生物垂直分布的準確估計,并采用聯合觀測試驗中儀器獲得的精確生物數量/密度作為參考真值,建立了天氣雷達生物回波強度與生物數量/密度的映射關系[61-63];提出了基于聯合觀測的低分辨天氣雷達空中生物精確定量方法,利用高分辨昆蟲雷達和探鳥雷達驗證了天氣雷達對于遷飛昆蟲和鳥類的定量誤差均小于20%[60]。

1.3 圖像識別監測技術

圖像識別監測技術是利用圖像傳感器采集農作物病蟲害圖像,通過圖像識別算法進行病蟲害的自動識別與診斷,從而達到病蟲害智能監測的目的。目前該技術已被應用于蟲情測報燈、性誘捕器、手機App、AR眼鏡等。近幾年,隨著人工智能的發展,深度學習方法在圖像識別任務中表現出色。許多研究者建立卷積神經網絡模型對病蟲害圖像進行識別,獲得了較好的結果。

傳統(第1代)蟲情測報燈,是由黑光燈、高壓汞燈、雙波系列燈等光源誘集配以氰化鉀、敵敵畏等毒瓶殺死害蟲并人工分類計數的簡易型測報裝置。20世紀80年代到2015年前后市場上出現了第2代利用現代光、電、數控技術的蟲情測報燈,實現了自動開關燈、蟲體遠紅外殺死、接蟲袋自動轉換、蟲體按天存放和整燈自動運行等功能[64-65]。隨著網絡、圖像識別和人工智能的發展,2016年開始出現了第3代蟲情測報燈,即智能蟲情測報燈,它由燈光誘蟲、遠紅外殺蟲、蟲體傳輸平臺、蟲體分散裝置、自動清理裝置、高清拍照設備、圖像實時傳輸、靶標昆蟲智能識別與計數、PC和手機的客戶端遠程監控平臺等模塊組成,集成了自動化、互聯網、圖像處理和深度學習等多項前沿科技,可進行害蟲信息實時采集、傳輸、識別、分析和預警,并可實現遠程實時監控、預警和管理。近年來,相關植保企業致力于智能蟲情測報燈的改進,使其識別害蟲的能力不斷提高,有效緩解了我國基層植保人員不足的困境,減輕了植保人員工作量,提升了農作物害蟲監測預警能力[66-70]。

隨著智能手機的普及,農作物病蟲害拍照識別App得到了快速發展。一款基于圖像大數據、卷積神經網絡(CNN)模型,以TensorFlow為學習框架,搭載在移動終端的植物病蟲害手機拍照識病蟲App“植保家”,可識別39種作物上的212種重要病蟲;自上線以來,“植保家”已有近10萬用戶,均可免費使用[71]。搭載核心AI病蟲害手機拍照識別的App和微信小程序“植小保”(原“慧植農當家”)目前可識別糧食作物(水稻、小麥、玉米)、蔬菜(白菜、番茄、黃光、茄子等)、果樹(柑橘、桃、梨、葡萄、蘋果等)、茶葉、煙草等52種作物675種病害(含生理性病害與藥害)、639種害蟲及危害狀、39種雜草、15種天敵,平均識別準確率達94.57%[72]。

可穿戴設備農作物病蟲害AR智能測報儀[73],包括AR智能眼鏡、AI識別模型和多終端監測預警平臺。該設備以第一視角和語音控制采集病蟲害圖像和視頻,對害蟲和病斑進行智能識別診斷,解放雙手,實現病蟲害測報調查簡單、高效、精準及數據可追溯,讓“測報簡單有效,測報不再辛苦”。目前該設備可以準確識別基于盤拍法的3種飛虱(白背飛虱Sogatellafurcifera、褐飛虱Nilaparvatalugens和灰飛虱Laodelphaxstriatellus)的成蟲種類、翅型和高齡若蟲,以及稻飛虱低齡若蟲共10個指標。除了稻飛虱田間測報調查,該設備還可應用于以“人工目測法”為主要測報調查手段的病蟲害種類,如紅蜘蛛、蚜蟲、煙粉虱Bemisiatabaci、鉆蛀性害蟲為害狀和各種病害病斑等。

1.4 害蟲性誘自動監測技術

害蟲性誘監測技術是利用人工合成含有害蟲性信息素成分的性誘劑來誘集害蟲,實現害蟲監測的技術。由于性誘劑具有很強的靈敏性和專一性,環境友好,成本低,已被廣泛應用于田間農業害蟲的監測,特別是鱗翅目害蟲[4]。目前用于田間的性誘捕器,根據害蟲捕獲方式和計數方法的不同,可分為3類:1) 簡易型性誘捕器,利用粘蟲板/桶等+害蟲人工鑒定法,價格便宜,但裝置易損壞且無法重復利用,需要測報人員定期下田查看誘蟲量,費時費工、數據不能實時傳輸;2)光電型智能性誘捕器,利用害蟲捕獲裝置+光電計數器自動計數害蟲法[74];由于其實現了自動計數獲得了廣泛應用。但由于人工合成的性誘劑無法保證高度的專一性,一種害蟲不同地區性信息素成分比例可能存在差異,利用一種性誘劑在不同地區常引誘到多種相似的非目標害蟲,或誤入誘捕器的非目標害蟲而導致光電計數器對目標害蟲計數不準確[75];3)基于機器視覺的智能性誘捕器,利用粘蟲板+機器視覺系統采集性誘害蟲圖像+害蟲圖像自動識別計數法解決了性誘劑不專一導致計數不準的問題[76-77]。基于深度學習和滑動窗的害蟲自動檢測方法被提出用于檢測粘蟲板圖像上的蘋果蠹蛾Cydiapomonella,獲得了較好的害蟲識別計數效果[76]。利用工業相機搭建的機器視覺系統被用于定時采集粘蟲板上的梨小食心蟲Grapholitamolesta飛蛾圖像,并利用圖像處理和機器學習方法實現了梨小食心蟲的自動識別計數,平均準確率達到 94%[77]。

1.5 農作物病蟲害監測預警技術體系構建與應用

1.5.1草地貪夜蛾一體化監測預警技術體系的構建與應用

聯合國糧食及農業組織(Food and Agriculture Organization of the United Nations,FAO)全球預警的跨洲遷飛性害蟲—草地貪夜蛾自2018年底入侵我國以來,已在全國27個省份1 700多個縣發生,建立了周年繁殖區,并形成夏季發生區,成為我國又一個北遷南回、周年為害的重大害蟲,對玉米等糧食作物生產構成重大威脅,兩次位列農業農村部一類農作物病蟲害名錄首位[78]。2020年-2023年中央一號文件均要求“抓好草地貪夜蛾等重大病蟲害防控”,農業農村部2021年-2023年《“兩增兩減”蟲口奪糧促豐收行動方案》中,草地貪夜蛾是重要的防控對象。

由于草地貪夜蛾境內外蟲源的不確定性和東亞遷飛場的推動力增加了草地貪夜蛾的遷飛危害規律的復雜性,及時有效的監測預警是草地貪夜蛾防控成敗的關鍵。針對草地貪夜蛾對黑光燈趨性較弱、性誘劑產品種類多專一性不強且缺乏田間標準化應用技術等監測預警難題,我國科技人員從草地貪夜蛾遷飛生物學和風場規律入手,分類突破其單項監測預警技術研發和集成應用的瓶頸。在昆蟲雷達監測技術示范上,收集了草地貪夜蛾體重、體長、體寬、振翅頻率等生物學信息,利用預測模型,實現實時風場和遷飛軌跡的精準預測,并將以上功能接入“全國草地貪夜蛾發生防治信息平臺”,雷達技術由多年的散點試驗,跨入針對具體目標和區域的、有組織的實際應用。在高空測報燈監測技術上,利用草地貪夜蛾成蟲趨光習性和嗜好光譜,研發了適用草地貪夜蛾監測的高空測報燈。在地面測報燈和性誘捕器監測技術上,利用機器視覺、人工智能和基于深度學習的圖像識別技術,提高地面測報燈和性誘捕器對草地貪夜蛾的識別精度和效率,實現其自動化、可視化的遠程監測。在全國從南至北進行了地面測報燈和性誘捕器廣泛試驗,及時收集誘集效果信息,促使燈誘、性誘產品在半年內達到可用的效果。在上述草地貪夜蛾自動識別技術、昆蟲雷達聯網監測所需單項關鍵核心技術實現突破的基礎上,集成創新了以昆蟲雷達監測為核心、以燈誘和性誘為基礎的全國草地貪夜蛾一體化智能監測預警技術(圖4),為全國草地貪夜蛾監測部署、實時預警提供了技術支撐[78-79]。

圖4 草地貪夜蛾一體化監測預警技術體系核心監測設備Fig.4 The core monitoring equipments of the integrated monitoring and prediction system for the fall armyworm

1.5.2沙漠蝗災情遙感監測預警技術體系構建與應用

自2018年起,異常天氣致使沙漠蝗Schistocercagregaria在阿拉伯半島南部沙漠邊緣不斷繁殖,并逐步蔓延席卷東非及西南亞多國,蝗災危害程度達肯尼亞70年之最,是埃塞俄比亞和索馬里25年之最。FAO向全球發出預警,希望全球高度戒備蝗災,采取多國聯合防控措施防止沙漠蝗入侵國家出現糧食危機。由于沙漠蝗多發生于偏遠地區,其繁殖區、遷飛動態和危害區域的監測技術一直是困擾各國、導致防治被動的瓶頸問題。當前,傳統人工監測方法和基于氣象站點的預測方法只能獲取“點”上的蟲害信息,不能滿足“面”上對蟲害的大尺度監測預警和實時防治防控的需求[80-81]。遙感技術能夠高效客觀地實現大面積、時空連續的蟲害發生發展狀況監測預警,對于蟲害的高效監測、快速預警及綠色、科學防控具有重要的實用價值[82]。

沙漠蝗潛在繁殖區預警主要通過研究多生境因子對蝗蟲發生的適宜性來確定,如應用SMAP衛星的表面溫度、葉面積指數LAI (leaf area index)和根區土壤水分等生境因子來識別沙漠蝗的存在,進而確定其潛在繁殖區[83]。基于氣溫、降水、土壤含沙量、土壤濕度以及植被綠度5類因子,運用MaxEnt模型實現了肯尼亞、蘇丹和烏干達東北部的沙漠蝗繁殖區預測[84]。在蝗卵孵化動態預警研究方面,部分學者利用遙感影像數據對土壤水分、溫度等生境條件進行反演,分析蟲卵孵化與土壤水熱的關系,對蝗卵孵化動態進行預警[85-86]。對于蝗蟲發生風險及等級預警,主要通過蝗蟲生境適宜度分析來實現。

我國學者結合蝗蟲地面調查和區域普查數據、多源遙感數據及產品、地理空間輔助數據等數據基礎,基于蝗蟲生物生態學機理及蝗蟲遙感監測預警機理,提取了生物氣候、土壤條件和寄主植被等與蝗蟲發生發展密切關聯的生態環境要素;采用層次分析等方法提取了典型蝗蟲監測預警遙感指標,通過蝗蟲發育模型和數據挖掘方法分析了遙感指標的最優時序特征,通過移動窗算法和多尺度分割算法對遙感指標進行了景觀結構空間化;最終構建了基于多元對地觀測數據、結合氣象差異、考慮時間滯后效應的蝗蟲監測預警指標體系[87]。在此基礎上建立了蝗蟲遙感監測預警模型,構建了基于云平臺技術的亞非沙漠蝗蟲災情遙感監測系統http:∥desertlocust.rscrop.com,為用戶提供亞非區域(也門、埃塞俄比亞、索馬里、巴基斯坦、肯尼亞、印度、尼泊爾、阿富汗和伊朗)的沙漠蝗災情遙感監測預警結果,包括遷飛路徑預測數據、災情監測數據、科學報告等內容。

1.5.3主要糧食作物病害監測預警技術體系構建與應用

我國科技工作者重點圍繞小麥條銹病、小麥赤霉病、小麥白粉病、玉米大斑病、水稻稻瘟病等作物病害開展監測預警應用基礎及關鍵技術研究[5,88-89],建立了病害早期分子檢測技術體系,明確了病害監測的特征光譜,提出了病害宏觀嚴重度和宏觀病情指數的概念,構建了多種作物病害預測模型,研發出了作物病害預報器和孢子捕捉儀(圖5),實現了在一臺作物病害預報器中安裝多個作物病害預測模型。小麥赤霉病智能化監測預警系統在陜西、江蘇、安徽等19個省安裝了近400套,科學精準指導小麥赤霉病的防控工作。多年多點測試表明,我國小麥-玉米連作區小麥赤霉病BP神經網絡預測模型的平均預測準確度可達80%以上[90]。利用田間稻樁帶菌率和關鍵氣象因子數據,構建的基于人工神經網絡算法(artificial neural networks,ANN)和支持向量機(support vector machine,SVM)的小麥-水稻輪作區小麥赤霉病發生流行程度預測模型,對江蘇太倉小麥赤霉病發生流行程度的預測準確度均達到了100%[91]。小麥條銹病智能化監測預警技術已在我國小麥條銹病流行區域的19個監測點進行了試驗示范,并入選了2023年農業農村部十大農業重大引領性技術[92]。玉米大斑病智能化監測預警系統,已在內蒙古、陜西、河南、山東等4個省(自治區)安裝了近40臺,開展試驗示范工作。稻瘟病智能化監測預警系統已在黑龍江、安徽、江蘇、浙江、四川、陜西等6個省安裝了近30臺,開始試驗示范工作。基于分子定量檢測技術、病菌孢子捕捉技術、無人機遙感技術的小麥白粉病監測預警技術體系,在全國10個省份試驗示范。

2 農作物病蟲害智能監測預警技術難點與發展方向

2.1 光譜遙感監測技術

作物的反射率是植株生理生化、結構形態的綜合反映,這是遙感能夠監測農作物病蟲害的重要依據[93]。無論是衛星遙感還是無人機遙感,農作物病蟲害的光譜遙感監測技術的關鍵是高度專一且穩定的光譜特征。國內外學者利用多/高光譜非成像、成像數據通過光譜分析對脅迫機理展開一系列基礎研究,篩選出小麥白粉病、條銹病、全蝕病、赤霉病,東方黏蟲Mythimnaseparata、大小斑病,水稻穎枯病、稻飛虱,番茄葉斑病和晚疫病等病蟲害類型的光譜敏感波段[94]。然而這些特征波段的專一性、穩定性仍是需要進一步攻克的難題。利用高光譜遙感技術在小麥灌漿期監測田間小麥冠層光譜反射率與白粉病病情指數的相關關系時發現,近紅外波段與病情的相關性高于綠光波段[95]。對不同小麥種植品種和不同種植密度下的田間小麥白粉病發生情況進行近地高光譜遙感監測,發現紅邊面積(Σdr680～760 nm)與田間病情相關性最好,據此建立了基于Σdr680～760 nm的病害監測模型和產量估計模型,但進一步對不同年份、不同品種和不同種植密度情況下的監測模型比較分析時發現,模型的斜率差異不顯著,但截距大部分情況下差異顯著[96-97]。連續4年利用近地高光譜遙感對田間小麥白粉病的發生情況進行監測,發現在不同氮肥施用條件下Σdr680～760 nm是用來監測小麥白粉病病情和估測產量最好的植被指數,但同樣也發現基于Σdr680～760 nm所建病害監測模型在年度間存在差異[98]。因此,光譜遙感監測農作物病蟲害模型的穩定性就成為重要科學問題,這直接關系到其在生產上的應用性。在今后研究中,分析和探究基于光譜參數的農作物病蟲害田間發生程度模型的穩定性以及影響穩定性的因子,明確這些因子對模型穩定性的影響程度,由此建立穩定性好、適用范圍廣的主要農作物病蟲害光譜監測模型,是該技術的難點和未來研究的重點。

2.2 昆蟲雷達監測技術

利用雷達回波信號進行昆蟲種類的自動識別一直是困擾昆蟲雷達技術進一步發展應用的難題,采用了人工智能技術的高分辨全極化昆蟲雷達和高分辨多維協同雷達測量儀的研制成功為突破這一難題帶來了新的希望。激光雷達把輻射源的頻率提高到光頻段,能夠探測更微小的昆蟲目標,且可以利用譜率和光澤度等特征來區分昆蟲種類,小型化的激光昆蟲雷達可用于害蟲的長期自動監測,監測效果與傳統方法一致[4,99]。然而,激光昆蟲雷達的缺點是無法監測到昆蟲移動的方向和速度,如果能將激光昆蟲雷達與微波昆蟲雷達相結合將會進一步提高對昆蟲目標的識別能力。

近年來,我國嘗試利用天氣雷達網監測空中生物,取得了一些進展,但如何利用天氣雷達準確區分昆蟲、鳥或蝙蝠仍存在技術困難。國外對天氣雷達的利用也僅局限于鳥類和蝙蝠對物候變化的響應、宏觀生態規律研究,對昆蟲監測的研究甚少[100-103]。旋轉極化垂直昆蟲雷達造價低,自動化程度高,性能好且穩定,目前已成為國內植保科研單位的新裝備,數量快速增加,實現數據實時共享、建成覆蓋全國的昆蟲雷達網是未來幾年的努力方向。

2.3 圖像識別監測技術

隨著ResNet、MobileNet、PPLCNet、FasterRCNN、YOLO、Transformer、SSD、RetinaNet等深度學習網絡模型的提出,農作物病蟲害圖像識別準確率大大提高,只要有足夠量的準確標定的數據,就可以建立農作物病蟲害自動識別的各類應用軟件[104]。目前,限制這項技術應用的瓶頸是大量準確標定的數據[105]模型的輕量化以及搭載模型的芯片。目前盡管不同的研究者建立了自己的病蟲害圖像數據庫,但許多圖像未經專業人員正確標注,數據的標準化和共享共用尚未實現。害蟲蟲態多樣性、蟲體殘缺、環境光照、蟲體疊積等因素也增加了害蟲識別和計數的難度。手機App不需要單獨采購設備就可以實現農作物病蟲害的拍照識別,一經出現便受到廣大用戶的喜愛,但由于其監測不具有連續性,而且受人為干擾與影響,不適合用于長期監測工作。固定式拍照識別或無人機載拍照識別設備雖然需要額外投資,但可以進行快速、長期穩定監測,有可能替代手機成為未來的圖像識別監測技術的主要載體。目前限制智能蟲情測報燈應用的不是圖像識別技術,而是因其設計結構造成的蟲體堆積粘連以及破損帶來的識別困難,通過機械振動和循環傳輸或圓盤旋轉從機械結構上部分解決了燈誘昆蟲粘連堆疊的問題,但因紅外殺死過程中由于昆蟲掙扎造成的蟲體破損仍難以避免。圖像識別技術目前也被用于性誘監測設備以克服性誘不專一的缺陷,基于機器視覺的智能性誘捕器可采用筒式粘蟲帶,自動根據圖像中昆蟲密度實現粘蟲帶自動更新,將測報人員從下田查蟲、數蟲和更換粘蟲板的工作中解脫出來,實現了農業害蟲性誘監測的智能化、實時性和數據可追溯性。國外一些企業開發了Trapview, iSCOUT, SightTrap, Z-Trap,和DTN智能誘捕器,然而,許多種植者對其成本和可擴展性并不滿意[106-107]。國內雖然也有企業在嘗試開發性誘自動拍照識別設備,但性能穩定、經濟有效的產品還有待進一步研發。

2.4 傳感器技術

傳感器技術、計算機技術和通信技術被稱為信息技術的三大支柱。從物聯網與智慧植保的角度來看,傳感器技術是衡量行業智慧化、信息化程度的重要標志。傳感器有物理量、化學量、生物量、溫度傳感器、濕度傳感器、位移傳感器、壓力傳感器、流量傳感器等不同的類型,例如以昆蟲信息素為核心的化學量傳感器、以氣象因子為核心的各種溫濕度及光照強度等傳感器等等。在植物保護領域應用比較成功的案例有安裝在高塔或者桅桿上的光學傳感器探測地物光譜信息[108]、搭載在無人機上的多光譜相機實現了對田間小麥條銹病不同發生程度的監測[109]、采用葉片表面濕潤時間為核心的小麥赤霉病病穗率自動監測預警系統等[5]。傳感器是數據采集過程實現自動化的關鍵基礎設備,是未來植物保護實現自動化和智能化的關鍵核心技術,特別是病原菌、害蟲化學傳感器、生物量傳感器的研究仍然是一片空白,急需加強這個方向的多學科基礎交叉研究。

2.5 多源數據融合處理技術

近年來隨著智能蟲情測報燈、智能性誘捕器、昆蟲雷達、低空遙感、衛星遙感、智能識別App等現代智能病蟲監測裝備的不斷發展和應用,農作物病蟲害及其生境的多種來源監測數據(即多源數據)呈井噴式增長。然而,海量的多源數據只流于病蟲害發生信息的可視化展示,未實現開放共享和深度挖掘,未在農作物病蟲害預報中發揮應有作用,植保技術人員仍憑借多年經驗對農作物病蟲害發生趨勢進行模糊預報。這是由于農作物病蟲害發生與發展受自身生物學特性以及寄主、生境、耕作栽培措施等多種因素影響,因素之間互作機制極其復雜,加之重監測輕預報、重數據積累輕數據挖掘、研究者協同創新不夠等問題,導致目前沒有可在生產上推廣應用的基于多源數據的不同時空尺度的農作物病蟲害預報模型。未來面臨的關鍵難點與挑戰主要為:1)多源數據的校準、規范和開放共享;2)生物和非生物因素對農作物病蟲害的復雜影響機制的解析;3)多時空尺度農作物病蟲害精準預報模型的建立與有效性驗證[110]。

建議各級政府、企業和科研院所加大資金投入,加強對農作物病蟲害暴發成災機理解析、智能化精準預報理論與技術探索等基礎研究,加快農作物病蟲害智能監測關鍵技術與裝備研發;建立多部門合作協調機制,廣泛驗證現有智能監測技術與設備的準確性和穩定性,制定并實施一批農作物病蟲害智能監測設備與技術的相關規范和標準,構建天空地一體化自動監測為主體、精細人工監測校樣點相協同的農作物病蟲害多源數據獲取、傳輸、存儲、分析及智能化精準預測平臺。