基于Web of Science的作物病害監測和預警研究進展*

董萍，王明，彭飛，時雷，張娟娟，司海平

(1. 河南農業大學信息與管理科學學院,鄭州市,450046; 2. 鄭州城建職業學院信息工程系,鄭州市,452100)

0 引言

2022年2月,中央一號文件《中共中央國務院關于做好2022年全面推進鄉村振興重點工作的意見》發布,意見強調要加快推進農業現代化,深入實施重要農產品保障戰略,牢牢守住保障國家糧食安全的底線。作物病害是影響糧食高質高產的主要因素之一,準確高效的識別作物病害并實施精準防治是現代農業發展的主要趨勢之一[1]。傳統的作物病害檢測是依靠農戶的經驗進行判斷的,這種檢測方法具有主觀性,精度較低且勞動強度大,病害發生后一般借助農藥對病害進行防治,不僅會對環境造成污染而且會影響糧食質量。我國在農作物病害管理方面,已經投入了相當大的人力和物力來研究開發傳感、成像、高光譜和計算機生物學等技術,以監測和管理作物病原體和其他生物脅迫源。隨著現代化農業進程的加快,3S、機器視覺、高光譜、人工智能、大數據和物聯網等技術被廣泛應用在農業活動中,包括作物保護,檢測和預測農作物疾病,極大地提高了作物病害監測和預警的準確率[2]。特別是計算機視覺方面的技術進步促進了作物病害的自動化檢測,作物生理數據可通過衛星、機載遙感或近距離遙感收集[3-4]。這些無損檢測方法不直接接觸農作物,不會對作物的生長造成影響,并且具有低成本、覆蓋區域廣和病害癥狀提前評估等優點。目前作物病害中的遙感和成像技術也可用于農場管理和精準農業,可以進行早期病害檢測、在田間試驗中評估作物品種或殺菌劑的效果、記錄作物病害對生理狀況和產量的影響、區分生物和非生物脅迫以及支持植物育種的高通量表型等[5]。

國內外部分學者已經從不同角度對作物病害監測和預警的研究發展狀況做出了分析[6-7]。白雪冰等[8]從光譜成像的角度綜述了近六年來國內外關于光譜成像技術在作物病害檢測領域應用的相關文獻,分析展望了光譜成像技術在作物病害檢測領域中應用的研究趨勢;刁智華等[9]將圖像處理技術應用到病害特征提取識別中,分別從形狀、顏色、紋理的特征提取出發,基于部分學習方法的病害識別綜述了近些年作物病害特征提取識別的應用研究;競霞等[10]從作物病害遙感探測的方法和尺度兩個方面綜述了基于反射率光譜的作物病害遙感監測現狀,概括了主動熒光、被動熒光以及協同日光誘導葉綠素熒光和反射率光譜在作物病害遙感監測中的研究進展;Abade等[11]回顧分析了過去十年中采用不同的方法處理與疾病檢測、數據集特征、作物病原體相關方面的121篇論文,旨在確定卷積神經網絡(CNN)在植物疾病識別和分類過程中的應用現狀和研究趨勢;Liu等[12]從光譜抗性的角度出發總結了過去十年中水稻作物廣譜抗病基因鑒定的最新進展以及通過生物技術手段在作物改良中的應用;Fedele等[13]通過檢索與103種作物有關的疾病模型的論文,提取描述性元數據,開發病理系統圖,強調各種模型之間的差距,并提出需要進一步研究的問題。目前,國內外對作物病害的研究主要集中在病害的識別和綜合防治上,缺乏針對該領域的定量研究和結構化分析。

文獻計量學是將數學和統計學的相關理論運用于文獻情報研究的一門交叉學科[14],其優點在于能直觀清晰的展現出知識框架和研究熱點,可以回答“某一科學領域的研究主題是什么?”“這些主題之間是如何聯系的?”“某一科學領域是如何發展的?”以及“誰是一個科學領域的關鍵參與者(研究人員、機構、期刊)?”等問題。文獻計量學已被用于回答很多領域的這些類似問題,李繼宇等[15]對2001—2020年累計二十年間農用無人機領域內發布的期刊及論文進行可視化,分析農用無人機的主要研究國家及相互間的合作關系和農用無人機的研究前沿;鐘菊新等[16]通過對2010—2020年Web of Science核心合集數據庫中土壤細菌領域相關文獻進行計量分析,分析土壤細菌領域的發文量趨勢、主要研究國家和研究的重點和熱點。然而,目前還未見有使用結構化的文獻計量方法對作物病害監測和預警領域研究趨勢、研究課題的演變以及該研究領域的出版情況進行定量調查。因此本文基于文獻計量學的分析方法,借助VOSviewer文獻可視化工具,對2003—2022年間Web of Science核心合集數據庫中的作物病害監測和預警相關文獻進行可視化分析,以獲取近20年來作物病害監測和預警領域的研究進展和前沿熱點,形成相應的網絡圖譜,為該領域研究者跟蹤研究前沿、把握研究方向提供參考依據。

1 材料和方法

1.1 數據來源

為統計分析作物病害監測和預警研究領域近20年來的發展狀況,將Web of Science 核心合集數據庫作為文獻檢索數據庫。全世界十大糧食作物是水稻、玉米、大豆、小麥、燕麥、黑麥、大麥、高粱、甘薯、馬鈴薯,以這十種作物作為此次檢索的主要作物,其檢索式為“TS=((crop OR rice OR wheat OR corn OR oat OR soybean OR rye OR potato OR barley OR sorghum OR “sweet potato”) AND disease AND (identif* OR monito* OR warn* OR forecast*))”,檢索時間跨度為2003—2022年(20年),文獻類型設定為“Article”,最終檢索時間為2023年1月5日,共檢索到21 609篇文獻。對檢索到的文獻進行篩選,研究對象為作物病害,刪除作物蟲害相關文獻,刪除與作物病害監測和預警主題不相關的文獻,刪除引用量過低且年份久遠的文獻,最終篩選出3 091篇文獻,將所選文獻“全記錄與引用的參考文獻”格式進行下載。

1.2 研究方法

VOSviewer是荷蘭萊頓大學VanEck與Waltman研究開發,在科研網絡分析方面具有較好的可視化效果[17]。VOSviewer獲得的聚類圖譜,每個圓圈表示一個關鍵詞,其圓圈大小表示該關鍵詞出現的頻次,圓圈顏色代表關鍵詞的聚類,關鍵詞間連線的粗細代表關聯總強度。利用VOSviewer軟件對作物病害監測和預警領域的發文量、國家、研究機構、作者、刊載期刊、關鍵詞等進行可視化分析,借助知識圖譜梳理、歸納總結作物病害監測和預警領域的發展脈絡及近20年間的研究熱點。

2 結果與分析

2.1 文獻發表量年度變化分析

對文獻的發文量隨年份變化趨勢進行統計分析,如圖1所示,可以在一定程度上了解作物病害監測和預警的研究歷程。從總體上看,國際上作物病害監測和預警領域發文量呈現三個階段,2003—2010年,每年的發文量不超過50篇,相關研究較少,處于緩慢培育階段;2011—2016年,發文量緩慢穩定增長,年發文量從46篇增長到了135篇,說明作物病害監測和預警已經成為農業發展的重要一環,越來越受到學者的重視;2017年之后,發文量持續大幅度增長,76%的文獻發布于此階段,可見作物病害監測和預警這一主題備受關注,是當前的熱點和前沿,這與信息技術的飛速發展是密切相關的。近年來,深度學習、遙感、機器視覺、高光譜等技術蓬勃發展[18],研究者們基于以上技術理論相繼探索出了諸多作物病害監測和預警方法,其病害檢測的準確率遠超傳統作物病害識別技術。國內外越來越多的研究者轉向農作物長勢和生理數據實時監測、病害識別和預警等方面的“互聯網+農業”研究和應用[19]。

圖1 2003—2022年期間發文量變化趨勢Fig. 1 Trend in annual numbers of publications from 2003 to 2022

2.2 主要發文國家分析

通過對國家發文量進行分析,可以在一定程度上反映世界各國在作物病害監測和預警領域的科研實力和影響力。使用VOSviewer軟件,對發文量大于10篇的國家進行圖譜可視化,直觀地展示出這些國家在該領域中的發表量和影響力。統計在作物病害監測和預警領域發文量排名前10的國家,如圖2所示。為了進一步分析高生產力國家,以篇數和篇均被引頻率作為衡量指標,比較不同國家論文的影響力和質量。從發文數量來說,中國最多(763篇),其次是美國(612篇),第3名是印度(404篇),澳大利亞、英國和西班牙等國家也發表了較多相關論文;從篇均被引頻率來看,最高的是德國(33.46次),其次是英國(31.01次),排第3的是美國(27.98次)。研究發現,雖然中國近年來發表的相關論文數量最多,但與德國、英國、美國等國家相比,篇均被引頻率仍有較大差距,這說明中國在作物病害監測和預警領域的研究論文雖然具有數量優勢,但質量還需進一步提升。

圖2 2003—2022年期間主要國家發文量和篇均被引頻次Fig. 2 Number of publications issued by major countries and the frequency of citations from 2003 to 2022

美國在發文量和篇均被引頻率方面均居于第2名,綜合來講,美國在作物病害監測和預警領域具有較強的綜合科研實力。美國在作物病害監測和預警領域的研究歷史悠久,1910年,美國農業部成立了第一個農業氣象站,開始對作物的生長情況進行監測;1978年美國伊利諾斯大學開發出了世界上最早的農作物病害診斷專家系統,在作物病害識別發展中起到了奠基性作用,加之科研實力較強,具有先進的科研設備并且人才云集,在作物病害監測和預警領域創造了大量經典的開創性研究成果。

2.3 主要研究機構分析

從Web of Science獲取的3 091篇文獻所涉及的機構共有3 557個,作物病害監測和預警領域發文量排名前10的機構如表1所示。從發文量的角度分析,美國農業部農業研究局(USDA-ARS)發文量最高,發文數量為87篇,其次是中國科學院(Chinese Academy of Sciences),發文量為83,緊隨其后的為中國農業科學院(Chinese Academy of Agricultural Sciences)、佛羅里達大學(University of Florida)、中國農業大學(China Agricultural University)、加拿大農業部(Agriculture and Agri-Food Canada)、美國的康奈爾大學(Cornell University)、法國農業科學研究院(INRA)、農業科學研究院(ARS)、南京農業大學(Nanjing Agricultural University)。從篇均被引頻次角度分析,法國農業科學研究院(INRA)篇均被引頻次最高(39.37次),其次是美國康奈爾大學(Cornell University,38.32次),第3名是美國的佛羅里達大學(University of Florida,36.30次),篇均被引頻次排名前3的科研機構中,未出現中國的研究機構。可以看出,近年來中國在作物病害監測和預警領域發展迅速,涌現出了一大批以中科院、農科院為代表的科研機構,發文量大幅提升,但科研成果質量相比美國、法國等發達國家的研究機構仍有一定差距。發文量排名前10的科研機構中,4所來自美國,且其中有2所在篇均被引頻率上表現較好,排名前3,說明美國的研究機構在作物病害監測和預警領域占據絕對的優勢地位。

使用VOSviewer對發文量大于10篇的研究機構進行顯示。研究機構合作網絡如圖3所示。由圖3可知,美國農業部農業研究局的圓圈最大,位于網絡中的核心地帶,與71個機構存在合作關系,說明美國農業部農業研究局的作物病害監測和預警領域的國際影響力較強,對作物病害監測和預警研究領域的貢獻較大。其次與其他研究機構之間連線較多的是中國科學院和中國農業科學院,積極與國內外科研機構開展密切的學術交流。可以發現,發文量越多的國家,與其他機構的合作關系也越強。

圖3 2003—2022年期間研究機構合作網絡圖譜Fig. 3 Visualization of research institutions collaboration from 2003 to 2022

2.4 主要研究作者分析

表2 2003—2022年期間發文量TOP10的作者Tab. 2 TOP10 authors based on an analysis of publications from 2003 to 2022

同時利用VOSviewer繪制核心作者圖譜如圖4所示。

圖4 2003—2022年期間作者合作網絡圖譜Fig. 4 Co-occurrence mapping of authors from 2003 to 2022

可以看出,核心作者之間形成了以黃文江、張競成、康振生和Varshney為代表的核心研究團隊。黃文江為代表的研究團隊研究內容主要涉及植被定量遙感、作物理化參數遙感反演機制與模型、智能化作物長勢與病害播報平臺研制;張競成為代表的研究團隊主要研究綜合遙感、氣象等信息構建病蟲害預測模型。康振生為代表的研究團隊研究內容主要涉及從遺傳學、分子生物學以及基因組學等方面研究作物病害致病機理與防治技術;Varshney為代表的研究團隊研究內容主要涉及遺傳學、應用微生物學和生物化學等方面。可以發現,發文作者呈現區域性的合作關系,同一機構或同一地區的學者之間密切合作,形成固定的核心研究團隊,核心團隊之間均有合作。

2.5 熱門期刊分析

對期刊發文量進行分析,得到作物病害監測和預警研究發文量排名前10的期刊,如表3所示。該領域的文章主要發表在跨學科植物科學、植物病理學、傳感器與物理過程和精確農業等期刊上。發文量前3的期刊為Frontiers in Plant Science、Plant Disease和Computers and Electronics in Agriculture,是作物病害監測和預警領域最熱門期刊,發文量分別為145、115、92篇。其中Frontiers in Plant Science和Computers and Electronics in Agriculture的影響因子分別為6.627和6.757,是該領域的頂級期刊,可以在一定程度上代表作物病害監測和預警的研究重點,相關研究學者可以重點關注這兩個期刊。

2.6 研究熱點分析

利用VOSviewer軟件對Web of Science 核心合集數據庫中獲取的文獻進行關鍵詞共現分析。在分析之前對關鍵詞進行檢查整理,刪除無分析意義的關鍵詞,如“population”“paper”“plant disease”“farmer”等。并對同義關鍵詞進行合并,如“convolutional neural network”“cnn”“dcnn”“cnn model”和“convolution neural network”“deep learning”和“deep learning model”“uav”和“unmanned aerial vehicle”。最終得到排名前20位的高頻關鍵詞和關鍵詞共現關系網絡圖譜,以期反映出近20年來作物病害監測和預警領域的研究熱點,如表4和圖5所示。由圖5可知,關鍵詞聚類自動劃分為4個模塊。

表4 2003—2022年期間高頻關鍵詞Tab. 4 High-frequency keywords from 2003 to 2022

圖5 2003—2022年期間關鍵詞共現網絡圖譜Fig. 5 Co-occurrence cluster mapping of key words from 2003 to 2022

1) 綠色模塊主要研究使用作物病害研究方法。聚類中關鍵節點為卷積神經網絡(convolutional neural network/cnn/dcnn/cnn model/convolution neural network/neural network)、深度學習(deep learning/deep learning model/)、特征(feature)、準確度(accuracy/classification accuracy)、分類(classification/classifier)。表明利用卷積神經網絡和深度學習提取作物病害特征實現病害分類、不斷提高病害分類的精確程度是作物病害監測和預警領域新的研究方向。

2) 紅色模塊主要是研究基因防治。聚類中關鍵節點為基因(gene/genes/resistance gene/genotype/genetic/genome)、抗病性(disease resistance/resistance/resistance cultivar/resistance mechanism/resistant)、標記(marker)、相互作為(interaction)等。表明近20年來作物病害監測和預警領域主要專注抗病基因育種和標記定位抗病基因監測作物病害發生情況。

3) 黃色模塊主要研究遙感監測作物植被指數。其關鍵節點為模型(model)、無人機(uav/uav image/uavs/unmanned aerial vehicle)、遙感(remote sensing/sensing/sensor/hyperspectral remote sensing/hyperspectralsensor)、植被指數(vegetation/vegetation index)。表明利用無人機遙感、高光譜遙感或傳感器構建作物植被指數監測模型是該領域的另一研究重點。

4) 藍色模塊主要側重PCR診斷作物病害。物種(speciese)為該聚類的關鍵節點,該節點延伸出的關鍵詞分別為序列(sequence/sequence analysis)、病毒(virus/mosaic virus)、PCR(pcr/pcr assay/pcr product/pcr amplification/rt pcr/polymerase chain/reaction)。表明利用PCR檢測技術進行基因測序,診斷作物疾病是作物病害監測和預警領域近20年來的另一研究熱點。

對關鍵詞共現圖譜疊加時間可視化,如圖6所示。圖6中每個節點的顏色對應包含相關關鍵詞的文獻的平均出版年份。由于分析中的大多數文章都是在2015—2022年期間發表的,因此平均發表年份主要在2016—2021年之間。平均發表日期較早的關鍵詞有pcr(2015年)、squence(2016年)和virus(2017年),主要位于PCR檢測作物疾病聚類中。平均發表日期較晚的關鍵詞有svm(2020年)、convolutional neural network(2021年)和deep learning(2021年),主要分屬作物病害研究方法聚類。

圖6 2003—2022年期間關鍵年份疊加視圖Fig. 6 Co-occurrence mapping of superimposed time of key words from 2003 to 2022

綜合來看,目前作物病害監測和預警領域的研究主要集中在卷積神經網絡和深度學習分類作物病害、抗病基因育種、遙感監測作物植被指數和PCR診斷作物病害四個方面。

2.6.1 作物病害研究方法

早期發現作物病害可以幫助農民及時采取預防措施和對策來消除疾病[22]。近20年來,卷積神經網絡(CNN)和深度學習是對作物病害監測和預警的主要辦法。卷積神經網絡和深度學習都是機器學習技術。卷積神經網絡(CNN)是一種特定的機器學習模型,主要用于圖像分析[23]。它通過使用卷積層和池化層來提取圖像中的特征,并使用全連接層進行分類;深度學習是一種機器學習的方法,它通過模仿人腦的神經網絡來學習數據。深度學習可以使用多種機器學習模型,如卷積神經網絡(CNN)、循環神經網絡(RNN)、自動編碼器(AE)等[24]。可以將卷積神經網絡看作是一種特定的深度學習模型,而深度學習則是一種機器學習方法,它可以使用多種模型來學習數據,卷積神經網絡和深度學習都是進行作物病害監測和預警的有效方法。通過收集大量的作物圖像數據,其中包括正常的作物圖像和受到病害影響的作物圖像,然后使用這些圖像數據訓練模型,讓其學會區分正常的作物圖像和受到病害影響的作物圖像,最后,將訓練好的模型應用于實際的監測和預警工作中,通過對新的作物圖像進行分類,就可以發現可能存在的病害。使用卷積神經網絡和深度學習進行作物病害監測和預警的優勢在于,它們通過模仿人腦的神經網絡來學習數據,能夠自動從數據中學習特征,不需要人工設計特征提取函數[25],能夠從多種類型的數據中學習特征,因此可以更好地利用多維數據信息。此外,它們還具有較強的學習能力和較高的準確率,因此可以作為一種有效的工具來進行作物病害監測和預警。

2.6.2 基因防治

作物病害基因防治可以通過改變作物的基因,使之具有更強的抗病能力,從而防治作物受到病害的危害,也可通過對作物的基因組進行分析,了解作物的遺傳特征,發現其中的基因突變或缺陷,并進行預警[26]。這種方法可以通過基因修飾技術來實現,比如說基因轉移、基因編輯等,具體的基因防治可以通過以下幾種方式來實現:(1)在作物中插入抗病基因:這種方法可以使作物具有抗病基因,從而提高作物的抗病能力。比如說,可以將擬南芥等植物的抗蟲基因插入到水稻中,使水稻具有更強的抗蟲能力。(2)基因編輯:通過修改作物的基因序列來提高作物的抗病能力,通常使用特定的基因編輯工具,比如用CRISPR/Cas9系統來實現對基因的修改。在農業領域,通過基因編輯,可以讓農作物具有更強的抗逆性,更能抵抗干旱、寒冷、鹽堿等不利因素的影響,提高農作物的產量和質量。(3)基因轉移:這種方法通過將某些植物的基因轉移到另一種植物中,使另一種植物具有抗病能力。基因轉移技術有幾種常用的方法。例如,可以使用質粒轉化法將基因轉移到生物體中,也可以使用還原基因組技術來改變生物體的基因組。此外,還有一種叫做射線轉化法的技術,可以通過輻射來改變生物體的基因。基因防治的優勢在于,它可以長期有效,在植物生長過程中提供持久的保護,而且相對傳統的化學防治方法,基因防治具有更小的環境影響和人體安全性更高。但是,基因防治也有一些局限性,比如說,目前還沒有通用的基因防治方法能夠有效應對所有的病害,并且實現基因防治的成本也相對較高。

2.6.3 無人機和高光譜遙感監測作物植被指數

植被指數是一種測量植被狀況的指標,通常用來反映植被的生長情況、綠色覆蓋率和健康狀態。可以利用植被指數的變化來發現作物受到的病害或其他影響。常用的植被指數有NDVI(Normalized Difference Vegetation Index)、EVI(Enhanced Vegetation Index)和LAI(Leaf Area Index)等[27]。無人機遙感監測是一種使用無人機搭載相機或傳感器來收集地面數據的方法,可以利用視頻、照片或其他傳感器來收集地面的數據,然后利用圖像處理技術來計算植被指數。可以搭載光譜傳感器、溫度傳感器等,收集植被的光譜特征、溫度分布等信息,來監測作物的健康狀態,用來發現作物的病害或其他影響,這種方法比較簡單,但是數據質量可能不是很高。高光譜遙感監測是一種利用航空遙感或衛星遙感技術,收集地面的高光譜數據(即紅、綠、藍三個波段以及其他波段)[28]的方法,通過高光譜數據研究作物的生長情況。比如,可以利用光譜特征來研究作物的葉綠素含量、水分含量等,從而反映作物的長勢情況,達到病害監測和預警的目的。這種方法可以獲得更為精確的數據,但是成本可能會更高。總的來說,無人機遙感和高光譜遙感都是監測作物生長狀況的有效手段,在不同的情況下可以選擇適合的方法來監測作物的植被指數。

2.6.4 PCR檢測作物疾病

PCR(聚合酶鏈反應)是一種分子生物學技術,可以用來快速檢測和診斷疾病的技術。通常,PCR檢測是通過在作物樣本中搜尋病原體的DNA來診斷疾病的。這種技術可以幫助農民及早發現和治療病害,從而減少對農作物的損害。要使用PCR檢測作物疾病,需要從作物樣本中提取DNA樣本,然后使用PCR擴增目標DNA片段。最后,通過分析擴增后的DNA片段來診斷疾病。

值得注意的是,PCR檢測并不是對所有作物疾病都適用的,某些疾病的DNA可能很難檢測,因此需要使用其他方法進行診斷。此外,PCR檢測也可能存在一定的誤差,因此應該與其他診斷方法結合起來使用。

3 結論

本文借助可視化分析軟件VOSviewer,對2003—2022年Web of Science核心合集數據庫中檢索到的與作物病害監測和預警研究相關的3 091篇英文文獻進行年發文量、國家、機構、作者、期刊以及關鍵詞等信息的動態分析,借助知識圖譜梳理作物病害監測和預警領域的研究脈絡,分析該領域的研究狀況。

1) 在年發文量方面,國際上作物病害監測和預警領域發文量呈現三個階段,2003—2010年,相關研究成果較少,發展緩慢;2011—2016年,發文量緩慢穩定增長,作物病害監測和預警研究越來越受到學者的重視;2017年之后,發文量持續大幅度增長,作物病害監測和預警這一主題是當前的熱點和前沿,并且還未上升到飽和點,該領域具有廣闊的發展前景。

2) 在作物病害監測和預警主要研究力量方面,從研究國家來看,中國是該領域發文量最多的國家,但篇均引用頻次較低,而美國在發文量和篇均被引頻次方面均表現較好,在該領域占據絕對優勢;從研究機構來看,發文量前10的機構中,中國和美國各占據4所,以中科院為代表的中國科研機構雖然發展迅速,但科研成果質量相較美國、法國等發達國家的科研機構仍有一定差距;從研究作者來看,發文作者呈現區域性的合作關系,并已形成固定的核心研究團隊,黃文江是該領域發文量最多的作者。

3) 在熱門刊載期刊方面,作物病害監測和預警領域的研究成果主要發布在Frontiers in Plant Science、Plant Disease和Computers and Electronics in Agriculture這3個期刊上面。Frontiers in Plant Science和Computers and Electronics in Agriculture是該領域的頂刊,可以在一定程度上代表作物病害監測和預警的研究重點和熱點。

4) 抗病基因育種、PCR診斷作物病害、卷積神經網絡和深度學習分類作物病害和遙感監測作物植被指數是近20年來作物病害監測和預警領域的研究熱點和未來可持續發展的方向。