大數據時代農作物病蟲害識別預警的發展與應用

李楊

摘 要 在大數據時代的背景下，全面、真實、實時的農業大數據資源為現代化農業建設奠定了基礎。大數據技術和農業信息化的發展，提升了高新技術在農作物病蟲害識別預警中的應用水平，使病蟲害識別預警技術逐步智能化、精準化。為進一步發展與完善農業病蟲害識別預警技術，綜述了大數據時代背景下農作物病蟲害識別預警技術的研究與應用進展，并對其未來發展進行了展望，提出融合其他高新技術、優化大數據采集技術、轉變預警模型、降低識別預警系統和設備的成本等建議。

關鍵詞 農作物病蟲害;識別;預警;大數據

中圖分類號：S431.9 文獻標志碼：C DOI：10.19415/j.cnki.1673-890x.2022.05.045

伴隨著社會發展和人口數量增加，對糧食需求增加，預計到2050年，全球對于糧食的需求總量將增長一倍。而當下的氣候變化、地下水位降低、病蟲害滋生和可耕種土地縮減等問題，嚴重阻礙了糧食產量的增加[1]。由于全球氣候條件和不同地域耕作制度的變化，使病蟲害的發生和演替變得更加復雜，且農藥和化肥的長期不科學施用，嚴重影響了害蟲天敵的生存，破壞了生態平衡。這些因素導致農作物病蟲害時有發生，并成為引起糧食產量縮減的重要原因之一[2-3]。據估計，全球由病害造成的年均糧食損失約為年均總產量的10%，由蟲害造成的年均損失約為總產量的14%，而我國因病蟲害損失的年均糧食量約占國內年均總產量的8.8%。因此，如何提升農作物病蟲害識別、實時監測及預警的技術水平以有效控制病蟲害的暴發，對于農業生產至關重要。

農作物病蟲害的發生和演替受作物布局、病蟲害遷徙、滯育方式、農田小氣候、氣象條件等多種因素影響[4]。病蟲害防治的關鍵在于如何精準迅速地識別病蟲害類型、確定病蟲害暴發區域、評估其嚴重程度，從而對癥下藥，采取相應的防治措施。最早期的病蟲害識別與監測通常是以人工的方式進行現場查驗、測量、統計和辨識，這種方式主觀性強、精確度不高、信息滯后、耗時耗力且效率極低[5]。

而隨著大數據技術和農業信息化的發展，病蟲害識別及預警方法逐步智能化、精準化。農業物聯網、農業大數據和農業云平臺相互關聯、共同發展，形成了智慧農業技術體系的主體部分，為病蟲害識別與預警提供了更多優質高效的技術手段，在促進農業現代化進程中扮演著極為重要的角色。如今，大數據時代的病蟲害識別和預警正在從模型驅動轉換為數據驅動，海量病蟲害數據資源得到采集、匯聚、存儲、管理及應用，大數據已逐漸成為農作物病蟲害識別和預警的核心驅動力[6]。

本文綜述近年來國內外基于大數據技術的農作物病蟲害識別、監測及預警方面的研究進展，總結病蟲害識別預警技術在國內的應用進展，并對其未來的發展趨勢進行展望。

1 ?基于大數據的農作物病蟲害識別預警的關鍵技術

1.1基于3S技術的病蟲害識別預警

3S技術由遙感技術（RS）、地理信息系統（GIS）和全球定位系統（GPS）組成，是一門將傳感器技術、空間技術、衛星定位與導航技術和信息通信技術、計算機技術相結合，從而實現地理空間信息的獲取、分析處理、通信和應用等的現代信息技術[7]。農作物病蟲害地理空間信息的采集能精確定位病蟲害暴發的位置，從而協助政府部門及時發布預警，提示相關地區的病蟲害防控中心做好應對措施。

在農作物病蟲害識別預警中，RS可實時、快捷地獲取各區域地表物體及其所處環境的物理和空間等信息的變化，利用RS數據反演的植被生物量、土壤水分、地表溫度等參數，能大體反映出農作物的生境狀況，再協同氣象信息可綜合預測病蟲害的發生概率，從而提升對病蟲害的防控水平[8];運用GIS強大的空間分析和數據管理功能，結合生物地理統計學的原理和方法，可以分析病蟲害的空間分布和適應性分布，對病蟲害的發生進行動態時空模擬，并進行多尺度數據庫管理[9];而GPS通常用于病蟲害的動態監測，通過輔助RS數據的分析處理和信息提煉、病蟲害防治GIS的構建與數據更新、飛機防治病蟲害作業導航系統設計等，精確定位病蟲害的發生點并精準噴灑農藥[10-12]。

ALTAS等開發了基于多種算法的圖像處理技術，通過在大面積種植甜菜的田間使用帶有攝像頭和GPS的無人機（UAV）所采集的實時圖像，確定了Tokat地區甜菜田褐斑病的嚴重程度[13]。ZHANG等構建了一種基于深度卷積神經網絡（DCNN）的模型，通過裝有高光譜圖像傳感器的UAV捕獲高空間分辨率的高光譜圖像，結合光譜和空間信息，實現了冬小麥黃銹病的自動檢測，且整體準確度高于僅使用光譜信息的傳統分類方法[14]。STEERE等使用地質統計學和GIS進行了土壤評估，并利用非線性克里金法預測了馬鈴薯可能發生大麗輪枝菌感染的位置[15]。劉小紅借助WebGIS技術構建了煙草病蟲害診斷預測系統[16]。高羽佳等提出了一種將GIS和GPS的結合方法，對安徽省東南部某地區的農作物病蟲害相關數據進行了采集、處理和可視化識別，并最終實現了對病蟲害的預警[17]。

1.2 ?基于物聯網技術的病蟲害識別預警

物聯網的興起為農作物病蟲害的防治帶來了更高效、更智能的解決方法。各種不同類型的物聯網傳感器可以實時收集地理位置、環境狀態、農作物生長和病蟲害情況等信息，并將所有原始圖像和數據發送到云中心，然后利用各種模型和算法進行處理和分析，最后通過云中心為終端提供病蟲害識別、預測和預警及專家系統推薦治理措施等服務[18-19]。

TIRELLI等提出了一種以ZigBee技術為基礎構建的害蟲誘捕器自動監測系統，該系統可以通過從不同地點收集的數據來估計昆蟲密度，并在超過設定值時向農民發送預警信息[20]。AHOUANDJINOU等開發了一種害蟲監測系統，該系統通過以超聲波換能器和圍繞運算放大器LM324構建的四級放大器電路為基礎開發的智能傳感器獲取超聲波來檢測害蟲的存在，并制定早期消滅害蟲的策略方案[21]。FOUGHALI等構建了一種基于傳感器網絡和云物聯網的馬鈴薯晚疫病預防和決策支持系統，并幫助農業學家采取有效措施來治療這種疾病[22]。Semios和Spensa公司都推出了自己的害蟲綜合管理系統，這些系統能夠通過圖像計算害蟲的數量，并對害蟲進行表征和捕獲。史東旭等構建了一種以物聯網和大數據驅動為基礎的現代農業技術平臺，實現了對農業病蟲害的監測和預警[1]。2E998DE9-65C2-4FEB-B71C-686C55786BE1

1.3基于圖像處理技術的病蟲害識別預警

早期對農作物病蟲害的檢測、識別和分類主要通過農業專家依靠以往經驗對大田作物進行目視或顯微鏡觀察，這種方式既耗時又費力，而科技的進步促使圖像處理技術逐步取代了傳統的人工識別[23]。經典的農作物病蟲害圖像識別方法是利用紅外、可見光或高光譜等成像技術采集農作物圖像，然后將傳統機器學習分類方法與圖像處理技術相結合，實現病蟲害的智能化識別[24]。近幾年來，研究人員開始聚焦于將比傳統機器學習技術在學習能力、網絡結構及識別準確度上更具優勢的深度學習與圖像處理技術相結合，以進一步優化病蟲害圖像檢測方法。

XU等設計了一種基于嵌入式圖像識別技術的小麥葉銹病檢測系統。該系統采用ARM9處理器，以嵌入式Linux平臺為主體，程序在Qt集成環境下開發。經驗證，該系統識別率達到96.2%，準確率達到92.3%，與人類視覺效果大致相當[25]。SINGH開發了一種基于粒子群優化算法的系統，用于對向日葵葉子圖像進行分割和分類，從而實現向日葵葉片病害檢測[26]。SABROL和SATISH利用基于分類樹的圖像處理技術對番茄晚疫病、斑枯病、細菌性斑點病、細菌性潰瘍病、番茄卷葉和健康番茄植株葉莖圖像進行了分類[27]。MOHANTY等使用在受控條件下收集的54 306張患病和健康植物葉片圖片的公共數據集，構建了一個基于GoogLeNet卷積神經網絡的深度學習模型，實現了14種作物和26種病害的識別[28]。RAMCHARAN等使用在坦桑尼亞實地拍攝的木薯病害圖像數據集，應用遷移學習來訓練深度卷積神經網絡，以識別棕色葉斑病、紅螨、綠螨、木薯褐條病和木薯花葉病[29]。蔡漢明等開發了一種以深度可分離卷積和卷積相結合替代標準卷積的神經網絡模型，識別了10種不同農作物的27類病害，且識別準確率達到了98.26%[30]。

1.4病蟲害預警專家系統

人工智能為農作物病蟲害診斷預警專家系統的發展提供了技術支持，使其逐漸成為了農業信息技術中的重要一環。專家系統包括知識庫、知識獲取、推理機、數據庫、解釋程序和人機接口，是一種以病蟲害專家的知識和經驗為依據，模擬專家處理問題時的行為并運用知識和推理技術對病蟲害進行診斷的信息系統。

1978年，美國伊利諾斯大學研發出了世界上第一個農作物病蟲害專家系統——大豆病害診斷專家系統PLANT/DS。此后，越來越多的研究人員將目光聚焦于此領域，先后構建了玉米螟蟲蟲害預測專家系統PLANT/cd、番茄病害診斷系統MICCS、棉花害蟲管理專家系統rbWHIMS、蘋果病害綜合管理專家系統PSAOC、蚜蟲識別專家系統CAES及馬鈴薯害蟲專家系統PIES等。近年來，基于3G通信的移動農業專家系統、基于Android平臺的植物病蟲害查詢診斷系統、基于.NET的水稻病蟲害專家系統、基于ASP.NET的甘肅省玉米病蟲害診斷專家系統、基于CBR-RBR集成和深度學習方法的茶樹病蟲害專家系統、基于云平臺蜜柚專家系統、基于物聯網的臍橙園病蟲害防治專家系統、基于微信平臺的陜西蔬菜病蟲害專家診斷系統等也相繼被開發、應用于我國的農作物病蟲害監測防治領域。

2 ?基于大數據的農作物病蟲害識別預警技術的應用

我國對智慧農業和農業信息化的重視推動了農作物病蟲害識別預警技術的快速發展。近年來，我國研發了自動蟲情測報燈、農田小氣候自動監測站、智能孢子捕捉儀、農作物病蟲害實時監控物聯網設備、病蟲害田間調查智能識別應用程序等多種智能化設備;構建了來自糧、棉、油、麻、桑、茶、糖、菜、煙和果等農作物的177常見病蟲鼠害（蟲害99種、病害63種、鼠害15種）的識別、監測及預警的方法，并收集了相關的大數據資料;對農作物病菌孢子的捕捉和檢測技術進行了完善，融合了農作物病蟲害GIS開發技術和計算機的數據傳輸與網絡技術、農田小氣候自動監測技術和分析提取對病蟲害造成影響的主要氣象因素及預警指標的技術。這些成果促進了我國農作物病蟲害識別預警技術的進步，提升了高新技術在此領域的應用水平。

1986年，我國吉林省農科院植保所與澳大利亞國防軍學院的Alistair Drake博士合作，首次組裝了厘米波掃描昆蟲雷達，并將其應用于觀測草地螟和黏蟲等的遷飛;2004年，我國首次構建了厘米波垂直監測昆蟲雷達以監測草地螟、黏蟲等害蟲;2007年，我國首次構建了毫米波掃描昆蟲雷達對稻飛虱等水稻“兩遷”害蟲進行監測，首創了雷達三維回波顯示技術，攻克了提升雷達監測的精確度及確定害蟲的飛行方向等重要技術難關;2009年，農業部正式啟動了農作物重大病蟲害數字化監測預警網絡系統建設項目，初步創建了農作物（水稻）重大病蟲害數字化監測預警平臺;2010年，進一步擴展數字化監測預警網絡的覆蓋區域，創建了小麥病蟲害監測預警系統，開啟了新一期的病蟲害監測預警建設項目，并在2011年1月正式投入使用。如今，我國已構建了由170個地方測報站、61個區域測報站及9個雷達測報站組成的國內遷飛昆蟲測報網絡系統。此外，從2010年以來，經中華人民共和國農業農村部批準，我國與越南聯合開展了“中越水稻遷飛性害蟲監測防治項目”，兩國互相設置了聯合測報站點，對遷飛性害蟲等進行實地調研、系統監測、信息互通及技術交流，此舉進一步提高了我國對水稻重大病蟲害的早期預警及治理水平，使國內水稻重大病蟲害發生率在近10年內一直處于下降狀態。

3 ?展望

在政策的大力支持下，近年來我國在農作物病蟲害識別預警技術的研究和應用方面取得了卓越的成績，但與其他農業發達國家相比，仍存在一定的差距和上升空間。未來，基于大數據的農業病蟲害識別預警可考慮從以下4個方面進行優化和完善。

1）將多種高新技術融合應用于病蟲害識別預警技術中，以拓寬病蟲害預警的覆蓋面，提升預警精確度。例如：將3S技術與物聯網技術相結合，對農作物的生境監測進行更周密的覆蓋，以增加大數據信息采集的全面性;結合多種機器學習算法的優勢優化病蟲害識別預警模型，以增強預警的精確性;將電子顯微鏡、光譜、PCR和生物芯片技術等結合起來，實現對病蟲害宏觀和微觀的全方位檢測。2E998DE9-65C2-4FEB-B71C-686C55786BE1

2）相關研發和測報單位應將更多精力投入到對生境、病蟲害、病原微生物等大數據信息的采集、積累、更新中，進一步改進大數據采集技術，確保數據的及時性、通用性和準確性，為病蟲害識別預警的研究提供更有效的數據支撐。

3）農作物病蟲害預警的研究將由現階段中長期為主的預警模型逐步向早期/初期檢測、診斷與預警模型轉變，以增強預警的時效性和精確性，從而及時向農民提供病蟲害防治指導，減少經濟損失。

4）農作物病蟲害識別預警系統和設備將向低成本發展。目前所用到的病蟲害監測和預警設備成本相對較高，不利于在小型農業組織中推廣使用，適當降低成本有益于病蟲害識別預警技術的下沉普及。

參考文獻：

[1] 史東旭，高德民，薛衛，等.基于物聯網和大數據驅動的農業病蟲害監測技術[J].南京農業大學學報，2019，42（5）：967-974.

[2] 項穎.農業病蟲害圖像遠程傳輸系統的研究與設計[D].北京：中國農業科學院，2006.

[3] 張競成，袁琳，王紀華，等.作物病蟲害遙感監測研究進展[J].農業工程學報，2012，28（20）：1-11.

[4] ZHANG C Z， CAI J H， XIAO D Q，et al. Research on vegetable pest warning system based on multidimensional big data[J]. Insects， 2018， 9（2）： 66.

[5] 劉鵬，張亮，李藝嘉，等.糧食病蟲害識別研究進展[J].糧食科技與經濟，2019，44（4）：72-73.

[6] 吳炳方，張淼，曾紅偉，等.大數據時代的農情監測與預警[J].遙感學報，2016，20（5）：1027-1037.

[7] 李素，郭兆春，王聰，等.信息技術在農作物病蟲害監測預警中的應用綜述[J].江蘇農業科學，2018，46（22）：1-6.

[8] 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.

[9] 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，2011，57（3）：170-173.

[10] 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（3）：15-19.

[11] 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.

[12] 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.

[13] ALTAS Z， OZGUVEN M M， YANAR Y. Determination of sugar beet leaf spot disease level （Cercospora beticola Sacc.） with image processing technique by using drone[J]. Current Investigations in Agriculture and Current Research， 2018， 5（3）： 669-678.

[14] ZHANG X， HAN L X， DONG Y Y， et al. A deep learning-based approach for automated yellow rust disease detection from high-resolution hyperspectral UAV images[J]. Remote Sensing， 2019， 11（13）： 1554.

[15] STEERE L， ROSENZWEIG N， KIRK W. Using conditional probability and a nonlinear kriging technique to predict potato early die caused by Verticllium dahliae[M]//GRUEAU C，GUSTAVO ROCHA J. Communications in Computer and Information Science. Cham： Springer， 2016： 142-151.

[16] 劉小紅.基于WebGIS的煙草病蟲害診斷預測系統設計[J].農業災害研究，2016，6（5）：4-6.

[17] 高羽佳，王永梅，陳祎瓊，等.基于GIS的農作物病蟲害受災程度可視化識別方法研究[J].災害學，2020，35（2）：26-29.

[18] DONG P X， WANG X D. Recognition of greenhouse cucumber disease based on image processing technology[J]. Open Journal of Applied Sciences， 2013， 3： 27-31.

[19] AHMED R Z， BIRADAR R C， CHAUDHARI S S. Cluster-based data aggregation for pest identification in coffee plantations using wireless sensor networks[J]. Computers & Electrical Engineering， 2016， 56： 591-607.2E998DE9-65C2-4FEB-B71C-686C55786BE1

[20] TIRELLI P， BORGHESE N A， PEDERSINI F， et al. Automatic monitoring of pest insects traps by ZigBee-based wireless networking of image sensors[C]//IEEE Instrumentation and Measurement Technology Conference. New York： IEEE， 2011： 1-5.

[21] AHOUANDJINOU A S R M， KIKI P M A F， ASSOGBA K. Smart environment monitoring system by using sensors ultrasonic detection of farm pests[C]//2017 2nd International Conference on Bio-engineering for Smart Technologies （BioSMART）. ?New York： IEEE， 2017： 1-5.

[22] FOUGHALI K， FATHALLAH K，FRIHIDA A. Using Cloud IOT for disease prevention in precision agriculture[J]. Procedia Computer Science， 2018， 130： 575-582.

[23] SINDHU D， SINDHU S. Image processing technology application for early detection and classification of plant diseases[J]. International Journal of Computer Sciences and Engineering， 2019， 7（5）： 92-97.

[24] 康飛龍，李佳，劉濤，等.多類農作物病蟲害的圖像識別應用技術研究綜述[J].江蘇農業科學，2020，48（22）：22-27.

[25] XU P F， WU G S， GUO Y J， et al. Automatic wheat leaf rust detection and grading diagnosis via embedded image processing system[J]. Procedia Computer Science， 2017， 107： 836-841.

[26] SINGH V. Sunflower leaf diseases detection using image segmentation based on particle swarm optimization[J]. Artificial Intelligence in Agriculture， 2019， 3： 62-68.

[27] SABROL H，SATISH K. Tomato plant disease classification in digital images using classification tree[C]//2016 International Conference on Communication and Signal Processing （ICCSP）. New York： IEEE， 2016： 1242-1246.

[28] MOHANTY S P， HUGHES D P， SALATH? M. Using deep learning for image-based plant disease detection[J]. Frontiers in Plant Science， 2016， 7： 1419.

[29] RAMCHARAN A， BARANOWSKI K， MCCLOSKEY P， et al. Deep learning for image-based cassava disease detection[J]. Frontiers in Plant Science， 2017， 8： 1852.

[30] 蔡漢明，隨玉騰，張鎮，等.基于深度可分離卷積神經網絡的農作物病害識別方法[J].安徽農業科學，2019，47（11）：244-246.

（責任編輯：張春雨 ?丁志祥）2E998DE9-65C2-4FEB-B71C-686C55786BE1