現代化技術在森林病蟲害監測與預警中的研究進展

摘要：森林對生態環境的保護和經濟的發展起重要作用，然而病蟲害的侵染嚴重制約了森林資源的可持續發展。近年來，遙感、機器視覺、生物傳感器、物聯網等現代化監測技術迅速發展，為森林大面積病蟲害的精準監測與快速預警奠定了堅實基礎。因此，就現代化技術在森林病蟲害監測和預警方面的應用進行綜合評述，旨在為相關從業者提供技術參考及輔助決策依據。在遙感方面，介紹了基于光譜響應監測森林病蟲害的機理，從近地、地塊及區域3個尺度對森林病蟲害遙感監測的研究現狀進行總結和討論；在機器視覺方面，對比傳統圖像處理方法與深度學習的優缺點，從遷移學習、輕量化模型等方面分析提高監測效率的可行性；在生物學方面，闡述了如何基于蟲類的生物學特征以及植物的生物學變化實現對病蟲害的監測。此外，對物聯網、5G等網絡技術與現代監測技術相結合的方法進行探討，以期達到對森林病蟲害進行遠程監控與預警的目的。最后，針對現階段森林病蟲害監測不及時、演變不清晰、預警不準確、防治不精準等問題，提出今后亟需以物聯網技術為核心，建立地面、空中立體化病蟲害監測網絡，構建完備的病蟲害數據庫，建立多終端在線實時信息顯示的監測和預警系統。

關鍵詞：森林病蟲害；遙感；機器視覺；生物學；物聯網；監測預警

doi：10.13304/j.nykjdb.2023.0210

中圖分類號：S12，S43

文獻標志碼：A

文章編號：1008?0864（2025）01?0001?16

森林是我國寶貴的林業資源，不僅可以發揮調節氣候、保持水土的生態功能，還可以為相關產業帶來可觀的經濟效益。然而，病蟲害每年都會造成數以萬計的森林資源損失，其種類繁多，且具有大規模爆發成災的特點，給森林資源的保護工作帶來了巨大挑戰。與此同時，隨著全球氣候變化的不斷加劇和經濟全球化進程的快速發展，森林病蟲害從分布范圍、寄主類型到成災面積及危害嚴重度均呈現不斷擴張的趨勢，更有許多病蟲害在初次得到控制后會出現二次大規模傳播或暴發，給森林資源造成持續性損害。

精準的監測和及時的預警可以有效控制病蟲害的蔓延趨勢，幫助林業專家快速制定防治方案，從而降低病蟲害造成的森林資源損失。因此，對森林病蟲害實時、精準的監測和及時、準確的預警是保護森林資源的重要措施。對森林病蟲害發生程度、范圍及種類的監測和預警長期以來主要依賴林區巡檢人員對林間病情和蟲情的實地調查，這種監測方式費時、費力、實效性差，且對調查人員有較高的專業要求，難以滿足大面積的監測需求。隨著科學技術的快速發展，遙感、機器視覺、生物傳感器等現代化技術能夠準確、快速地獲取林區信息，已逐漸應用于森林資源探測、病蟲害監測等領域。

目前已有許多學者對現代化技術在病蟲害監測預警上的應用展開綜述。Zhang等[1]綜述了遙感技術在農林類病蟲害監測中的應用現狀；Luo等[2]分析了遙感技術在林木鉆蛀性害蟲早期監測中的最新研究與應用成果；Thakru 等[3]分析了近年來機器視覺技術在植物病蟲害監測中的應用現狀。綜上分析，遙感、機器視覺等現代化技術在農林病蟲害監測的應用上不斷發展，為森林病蟲害監測提供多種選擇，亦為森林病蟲害高效、精準的監測與及時、準確的預警提供了保證。因此，本文在前人基礎上，綜合評述遙感、機器視覺以及生物學3項現代化監測技術在森林病蟲害監測中的應用進展，并分析現代化技術在森林病蟲害監測中的不足之處，展望未來的發展方向。在此基礎上，討論物聯網、5G等信息傳輸技術與現代化監測技術在森林病蟲害監測和預警中的結合應用，以期達到對森林病蟲害進行遠程監測與預警的目的，旨在幫助相關科研人員提供研究思路，推動森林病蟲害的監測和預警技術向高效、智能化、信息化方向發展。

1 遙感技術在森林病蟲害監測中的應用

遙感是非接觸、遠距離的探測技術，是目標監測領域應用最廣泛的技術之一。當植物受到病蟲害脅迫時，會產生殘葉、卷葉、落葉等外部形態的變化，同時水分、元素含量等生理指數也會產生改變，從而表現出不同的光譜反射率，其原理如圖1所示。遙感技術基于上述物理特性實現對植物病蟲害的定性和定量分析。

隨著遙感技術的發展，各種類型的遙感數據源層出不窮，為科研人員提供了研究基礎，同時這些數據和技術的涌現也為快速、準確的森林病蟲害監測提供了寶貴的契機。本文分別在web ofscience 和中國知網數據庫以“遙感”“病害”“蟲害”和“森林”為關鍵詞，檢索國內外研究文獻，去除綜述和重復文獻，共獲取674篇。根據對文獻的分析，遙感監測可分為近地監測、地塊監測及區域監測，各個監測尺度的優缺點如表1所示。因此，基于以上文獻從3個不同的監測尺度出發，綜合闡述遙感技術在森林病蟲害監測中的應用和研究進展。

1.1 葉片和冠層尺度的森林病蟲害監測

葉片和冠層尺度的光譜數據由近地成像、非成像光譜儀獲取，通過對光譜數據的處理、分類獲得監測結果。非成像光譜儀只能采集目標的光譜數據，對于沒有目標的圖像信息，獲取的數據信息量相對較少。成像光譜儀采集的數據在光譜信息的基礎上增加圖像信息，反映的內容更加豐富，有助于準確提取目標的光譜信息。葉片和冠層尺度監測的優點是遙感數據受光照等干擾因素的影響相對較少、數據質量較高，因此更適合分析病蟲害脅迫的敏感波段。在蟲害方面，鄭蓓君等[4]使用ASD（analytical spectral devices）光譜儀提取毛竹冠層光譜信息，利用Pearson相關系數法選取與剛竹毒蛾蟲害等級高度相關的波長，經篩選發現，剛竹毒蛾蟲害的敏感波段為400、406、586、593、689和876 nm。邢東興等[5]分析蘋果樹在不同等級紅蜘蛛蟲害脅迫下的光譜特征發現，紅蜘蛛蟲害的敏感波段為630～695 nm。在病害方面，Bagheri等[6]采集了受火疫病脅迫的梨樹葉片，提取其高光譜數據并進行分析，結果表明，496～569、680～700、765、872 和960 nm 是梨樹火疫病的敏感波段。Skoneczny等[7]對比分析健康和感染火疫病蘋果的葉片光譜數據，構建了對火疫病敏感的光譜指數QFI1450 和QFI1910，分類結果表明，2 個指數可以很好地區分患病樹與健康果樹。

在病蟲害防治中，不同程度的病蟲害需采用不同的治療手段。早期病蟲害一般采用保守的防治策略，當病蟲害進一步加重，危害到大范圍林區時，應采用砍伐等激進手段阻止病蟲害的傳播，盡可能減小病蟲害帶來的損失。因此，要求遙感技術不僅能定性分析病蟲害，還要滿足對病蟲害等級的定量評估需求。Ju等[8]使用便攜式ASD光譜儀采集了不同脅迫程度的松樹高光譜數據，并測量各個階段的葉綠素含量，對比了3 種植被指數搭建監測模型，最終發現歸一化植被指數（normalized difference vegetation index，NDVI）光譜指數搭建模型的效果最佳，可區分不同程度的松材線蟲病害，但該指數對早期松材線蟲病害的監測效果差，滿足不了早期監測的需求。黃曉君等[9]采集了受松赤蝶和西伯利亞松毛蟲蟲害脅迫的落葉松冠層光譜數據，發現光譜連續小波系數（continuous wavelet coefficient，CWC）對松毛蟲蟲害的定性和定量分析都有很好的效果。

野外復雜、多變的環境會影響高光譜相機的成像質量，嚴重時會導致光譜反射率曲線不平滑，進而對監測精度產生影響。針對外界因素，有學者使用算法對光譜曲線進行預處理[10]，以緩解外界環境帶來的影響。Lelong 等[11] 采用S-G（Savitzky-Golay）濾波法對光譜曲線進行平滑處理，得到經過二階導數處理的光譜曲線。李軍等[12]使用手持ASD光譜儀采集受楊扇舟蛾和楊小舟蛾脅迫的楊樹冠層和葉片光譜數據，并對光譜數據進行求導處理，結果表明，二階導數消除光譜噪聲的能力強于一階導數。許章華等[13]分析受松毛蟲侵害的馬尾松高光譜數據發現，一階微分可以消除部分環境的干擾。另外，還有學者通過算法剔除表現異常的光譜數據，減少異常數據對分類模型的影響。趙森等[14]采集了受黑斑病脅迫的刺五加葉片光譜數據，并使用主成分分析法剔除了與黑斑病脅迫無關的光譜波段，減少了數據的冗余。綜上所述，通過一階微分等算法預處理原光譜不僅可減少環境等外界因素的干擾，增加模型分類的準確率，還可剔除異常數據，減少數據冗余，提升模型的運算效率。

葉片和冠層尺度監測具有受外界影響小且數據質量高的優點，但存在監測效率低下的問題。這些特性使得研究人員很少通過近地遙感監測森林病蟲害，主要用其分析敏感波段、為大面積病蟲害的監測奠定基礎。

1.2 地塊尺度森林病蟲害監測

葉片和冠層尺度的遙感數據包含目標信息量少，應用于森林病蟲害監測時會出現監測效率低下、監測范圍有限等問題，難以滿足大面積林區的監測需求。近年來，隨著無人機技術的發展，越來越多的學者將其作為傳感器搭載平臺進行森林遙感數據的采集。無人機遙感能夠提供更豐富的地面光譜信息，除了森林植被光譜信息外，還能獲取其他地物的光譜信息。不同的地表覆蓋物會表現出不同的光譜反射率，通過分析無人機遙感獲取的光譜反射率信息能夠實現對地物的分類，其原理如圖2所示。

人工經濟林作為林業經濟的支柱，能為人們提供糧食、果品和油料等生活必需品，在國民經濟中具有重要地位。人工經濟林病蟲害實時、精準的監測對林業經濟建設與林業生產具有重要意義。人工林的生態結構簡單、生物多樣性單一，極易受到病蟲害的影響，因此，基于無人機遙感技術實現高效、精準監測經濟林病蟲害已成為當前研究的重點。Chang等[15]通過對比受黃化病脅迫和健康柑橘樹光譜數據和冠層體積的差異，結果表明，健康樹冠的歸一化植被指數、歸一化差校正指數（normalized difference correction index， NDRE）、修正土壤調節植被指數（correction of the soilconditioning vegetation index， MSAVI）、葉綠素指數（chlorophyll index， CI）明顯高于受感染的柑橘樹；另外發現，黃化病會導致柑橘樹冠層體積明顯縮小，認為冠層的體積也可以作為柑橘黃化病判定指數。Abdulridha等[16]分析無人機采集的柑橘樹冠層光譜數據，結果表明，水分指數（moistureindex， WI）和改良葉綠素吸收指數（modifiedchlorophyll uptake index， MCARI1）均可以用于監測柑橘潰瘍病，從而實現了對柑橘潰瘍病的監測。Ye等[17]利用無人機遙感監測香蕉樹枯萎病，結果表明，與紅邊波段有關的植被指數對香蕉枯萎病更敏感，選擇多種光譜指數通過貝葉斯線性回歸（Bayesian linear regression，BLR）算法構建香蕉枯萎病監測模型，其中基于紅邊葉綠素指數（rededge chlorophyll index， CIRE）建立的模型識別準確率最高。馬書英等[18]基于無人機平臺獲取了不同感病程度的板栗樹紅蜘蛛蟲害高光譜圖像，經分析發現，紅邊和低位是監測紅蜘蛛蟲害的最佳波段，且早期紅蜘蛛蟲害使得光譜波段的紅邊和低位“藍移”，給無人機遙感監測早期紅蜘蛛蟲害提供了思路。Xiao等[19]利用無人機采集健康和感染火疫病的蘋果冠層多光譜圖像，采用最大相關和最小冗余（maximum correlation and minimumredundancy，mRMR）算法選取比值植被指數（ratiovegetation index， RVI）、花青素反射率指數（anthocyanin reflectance index， ARI）和三角植被指數（triangle vegetation index， TVI）作為最優波段組合，對比不同算法的分類結果發現隨機森林（random forest ，RF）算法的建模效果最好。

人工生態林能起到維護生態環境、保護生物多樣性的作用，是必不可少的林業資源，對我國的可持續發展戰略意義重大。近年來，外來林業入侵生物呈新發、爆發和擴散的趨勢，除造成生態林產品品質和產值的下降外，還對生態環境產生了不可逆的損害，因此，及時且精準的生態林病蟲害監測成為研究重點。馬云強等[20]基于無人機遙感對切梢小蠹蟲害進行了定量分析，對比多種光譜指數后發現，歸一化植被指數最適合監測云南小蠹蟲，選用深度神經網絡（deep neural network，DNN）算法搭建分類模型，實現了對切梢小蠹蟲害的可視化監測。Liu等[21]篩選出了對松梢甲蟲脅迫敏感的5個光譜變量，并通過隨機森林算法建立起松梢甲蟲蟲害定量分析模型。Huo等[22]研究發現，在樹皮甲蟲蟲害顯現前云杉樹光譜已經出現差異，并基于這一發現構建了新的光譜指數NDRS（normalized distance red amp; SWIR），該指數對早期云杉樹皮甲蟲的識別準確率遠高于其他光譜指數，對早期樹皮甲蟲的監測具有深遠意義。

除了光譜相機外，熱成像儀、激光雷達等不同類型傳感器也被用于森林病蟲害監測。與光譜相機相比，激光雷達具有穿透性好，不受云、雨影響的特點。熱成像儀能在夜晚監測樹木的溫度異常，以此來確定病蟲害發生情況及擴散程度。Smigaj等[23]選用熱成像儀作為數據傳感器，對松樹冠層的溫度進行了測量，結果表明，在大多數情況下，樹冠溫度的降低與病害間呈顯著相關性。Lin等[24]探索了高光譜成像和激光雷達（light laserdetection and ranging，LIDAR）技術對松甲蟲的監測能力，結果表明，2種技術相結合可以降低預測誤差，提高檢測早期松甲蟲的可能性。盧京等[25]利用高光譜激光雷達，實現了對林木病蟲害樣本的分類，但目前該研究尚處于實驗室階段。Cao等[26]使用合成孔徑雷達（synthetic aperture radar，SAR）提取了森林的3D（3 dimensions）信息，對比健康和受病蟲害脅迫樹的三維結構信息差異，實現對病蟲害的監測。當前LIDAR、SAR、熒光、熱成像傳感器在作物病蟲害監測中得到了廣泛應用，但森林病蟲害監測還是以分析光譜數據為主。單一的數據來源導致分析結果易受外界環境影響，從而影響監測模型的穩定性。如光譜成像技術易受到云、雨等環境因素的影響，熱成像儀易受環境溫度的干擾。未來在森林病蟲害遙感監測的研究中，可參考其他類型傳感器在農業病蟲害監測中的應用，并將其與光譜傳感器結合，實現多源數據融合來提高監測的準確性和穩定性。

1.3 區域尺度病蟲害監測

林區的面積達上百甚至上千公頃，目前的無人機遙感技術無法滿足這么大范圍的監測需求，亟需開發適應大面積森林病蟲害的監測方法，因此，基于區域尺度的森林病蟲害監測技術應運而生。隨著衛星技術在導航、觀測、通信等方面的應用以及傳感器的分辨率和精度的提升，衛星遙感被逐漸應用于森林病蟲害的監測領域，為大面積森林病蟲害監測奠定了堅實的基礎。Guo等[27]基于PlanetScope衛星采集的檳榔葉黃病光譜數據，實現了對檳榔葉黃病的監測，通過對光譜數據分析發現，植物衰老反射指數（plant aging reflex index，PSRI）、植物增強植被指數（plant enhancementvegetation index，EVI）可以用于區分患病和健康樣本，對比多種分類算法的分類結果發現，隨機森林算法的準確率和穩定性最好。曹慶先等[28]在資源一號?02C衛星遙感影像和實地調查的基礎上構建了紅樹林蟲害監測的回歸模型，實現了對病蟲害的定量分析。許章華等[29]基于Sentinel?2A MSI衛星采集的試驗區域遙感圖像，先使用方差分析和RFE函數篩選敏感特征，最后使用XGBoost算法實現了對剛竹毒蛾的檢測，總精度超過81%。Silva 等[30]基于Sentinel-2衛星采集的桉樹林遙感圖像篩選出4種對切葉蟻蟲害敏感的植被指數，基于這些植被指數使用PLS-DA（partial leastsquares-discriminant analysis）算法構建監測模型，從而實現對桉樹林切葉蟻蟲害的定位和預測。上述研究均是基于低分辨率衛星遙感數據，雖然可以滿足大范圍森林病蟲害的監測需求，但由于空間分辨率的限制，對地面細節的表征較少，難以精準定位受脅迫樹木，會加大后期防治的工作量。高分辨率衛星遙感數據具有更高的空間分辨率，worldview、spot等衛星數據的分辨率甚至可以達到0.3 m，能夠滿足監測中的定位需求。Oumar等[31]目視解析worldview衛星遙感圖像發現，高分辨率數據可以很容易地區分單木冠層，且可以實現對根腐病的監測。Li等[32]分別利用高分辨率衛星遙感和機載遙感監測柑橘黃龍病，發現在恰當空間分辨率的情況下衛星遙感有替代機載遙感的潛力。Immitzer等[33]選用高分辨率衛星遙感圖像監測小蠹蟲，實現了對單棵樹的監測，表明高分辨率衛星數據監測森林病蟲害的效果更佳。綜上所述，高分辨率衛星遙感數據在森林病蟲害監測上潛力巨大，未來隨著衛星遙感傳感器的不斷完善和優化，高分遙感技術能夠更加準確、簡便、高效地對森林病蟲害進行有效的監測。

僅依靠光譜影像監測病蟲害，數據來源單一，會導致模型的穩定性易受到影響。因此，有學者結合遙感、氣象、地形等多源數據以提升監測模型的穩定性和準確率。朱程浩等[34]分析地形、氣象因素對松毛蟲的影響，并結合遙感信息對松毛蟲蟲害進行監測。馬慧琴等[35]結合衛星遙感數據和研究區域的氣象信息，使用Relief算法和泊松相關系數篩選了4個特征變量，構建了遙感-氣象數據模型，相比較單一遙感數據和單一氣象數據模型，總體精度分別提升9.5%和4.2%。亓興蘭等[36]在SPOT-5衛星遙感影像的基礎上引入地形因子和林分因子，構建了新的馬尾松毛蟲的監測指標，經對比發現，與單遙感數據建模相比，監測精度提高14.28%。沈親等[37]通過將光譜指數和溫度結合反演出溫度植被干旱指數。馬望等[38]結合光譜指數、海拔等環境因子構建了最大熵模型。Meng等[39]將冬季露點溫度（水滴開始凝結并形成露水或霜的大氣溫度）作為預測分子與多時相、多尺度衛星遙感數據結合，成功監測到溫帶混交林中松甲蟲蟲害侵染程度的變化。

隨著科技的發展，衛星的對地訪問周期逐漸縮短，多時相衛星遙感數據的獲取變得更加容易，為森林病蟲害監測提供了更豐富的數據來源。相比較單時相遙感數據，時-空融合的多時相遙感數據可以監測病蟲害發展的過程，有利于預測病蟲害的發展趨勢。Zhang等[40]將2個時相的歸一化綠紅差異指數（normalized green and reddifference index， NGRDI）做差構建新的植被指數△ NGRDI，發現時空變化檢測法的準確率（82.6%）遠高于單日期分類法（67.7%）。迄今為止，多時相衛星遙感已廣泛應用于農業病蟲害監測。包云軒等[41]利用多相衛星遙感數據動態監測稻縱卷葉螟的發生狀況。Su等[42]利用多時相衛星遙感數據監測小麥黃銹病的發生過程。多時相遙感能夠反演病蟲害動態變化，更豐富的信息也能提高模型的監測精度，在今后的研究中，可以考慮將多時相遙感數據運用于森林病蟲害的監測，有助于分析森林病蟲害發生及演變過程。

遙感監測的準確率及效率與光譜數據質量、光譜指數的選擇及分類算法的使用息息相關。光譜數據的質量與環境和傳感器的精度密切相關，很難通過人為操作進行調控。而光譜指標和分類算法的選用可人為控制，適當的光譜指標和分類算法有助于研究者構建最佳效果的監測模型。為了更直觀地幫助研究人員選擇光譜指數與分類算法，對常用的分類算法與光譜特征進行歸納和整理，如表2和表3所示。

2 機器視覺在森林病蟲害監測中的應用

機器視覺通過計算機模擬人類視覺，能將包含現實世界信息的圖像數字化，從而進行處理及識別。圖像采集、圖像預處理、特征提取以及目標識別是計算機視覺的基本步驟，其在醫學圖像處理、智慧農林業等方面應用廣泛。現有的機器視覺算法可分為傳統的機器學習（machine learning，ML）和深度學習（deep learning，DL）2 類，深度學習既是機器學習算法的分支，又是機器學習算法的繼承與發展。因此，本文圍繞傳統的機器學習和深度學習展開綜述，詳解二者的原理以及在森林病蟲害監測上的應用。

2.1 基于機器學習的森林病蟲害監測

早在20世紀，機器學習就被用來處理機器視覺任務，該技術顯著提高了工業的生產效率和自動化程度。傳統的機器學習模型結構簡單，因此訓練速度快，且分類結果易解釋，經典的機器學習模型架構如圖3所示 。

目前，傳統的機器學習在森林病蟲害監測中應用廣泛。王維楓[51]采用支持向量機和最近鄰法對桃樹常見的紅蜘蛛蟲害和杏細菌性穿孔病害進行識別分類，結果表明，K-NN算法可有效識別紅蜘蛛蟲害和杏細菌性穿孔病害，分類精度最高可達85%。李宗儒等[52]選擇5種蘋果葉片病害作為研究對象，通過提取蘋果葉斑圖像顏色、紋理和形狀等8個特征，采用BP（back propagation）神經網絡模型對疾病進行分類識別，平均識別準確率達到92.6%。

傳統的機器學習為森林病蟲害的自動化監測提供了啟蒙，但由于傳統的機器學習算法深度淺、參數量少，難以適應林區環境的復雜性，使得機器學習在森林病蟲害識別及分類的研究中仍有許多不足之處：①需手動提取特征，導致模型泛化性差；②訓練時容易出現過擬合問題；③在復雜林區環境下傳統的機器學習很難滿足實時的監測需求。

2.2 深度學習算法在病蟲害識別中的應用

近年來，隨著計算機硬件水平的大幅提高，機器學習領域迎來快速發展，并衍生出許多新的研究方向，深度學習便是其中之一。與機器學習分類原理不同，深度學習首先使用卷積操作提取數據中的特征，再通過全連接層對提取的特征進行分類。經典的深度學習架構如圖4所示。

相較于傳統機器學習的人工特征提取，深度學習能夠自動提取病蟲害的圖像特征并進行分類。Jiang等[53]用 GoogleNET的2個Inception模塊替代了VGGnet 的2 個卷積層，再集成rainbowconcatenation 模塊融合不同層的特征，提高了模型特征提取和特征融合的能力，從而成功地識別出蘋果葉片病害。吳建偉等[54]對DenseNet-169模型進行了改進，在原網絡框架的基礎上增加SENET模塊，模型有自適應性感受野，最終對桃病蟲害的識別精度達91.47%。除識別成功率外，檢測速度也是評判目標檢測模型的的標準。黃平等[55]在VGG19模型的基礎上，通過替換卷積層的方式增加了網絡的寬度和深度，最后選用全局池化層進行分類，大幅提升了對柑橘病蟲害的檢測速度。

除卷積特征提取方式外，Transformer的全局自注意力特征提取架構也逐漸被開發并應用于目標檢測領域。不同于卷積層的局部特征提取原理，Transformer能建立圖像各個像素點間的聯系，從而提取圖像的全局特征。由于強大的編碼和并行計算能力，Transformer算法已成為機器視覺領域的研究熱點。目前已有多位學者將Transformer算法應用于森林病蟲害監測中，Faisal 等[56] 將Transformer和MobileNetV3模型相結合提取葉銹病病害信息，獲得了84.29%的識別準確率，相比單特征提取方式，準確率提升4.03%。Lu等[57]提出一種基于Transformer 編碼器的葡萄葉部病蟲害監測系統，平均檢測精度達98.41%，為病蟲害預警提供有效依據。

相比傳統的機器學習，深度學習在病蟲害監測上有更高的準確率，但仍存在以下問題：①模型訓練所需的森林病蟲害數據樣本量大，且需定時采集，獲取困難；②深度學習對計算機的計算性能要求較高；③訓練過程需要花費大量時間，且當改變分類類別或更換數據集時，需對已有模型重新訓練，增加了時間和計算成本。針對上述問題，有學者提出將遷移學習（transfer learning）應用于模型訓練中[58-60]。遷移學習是將某個領域中學習到的模型參數應用到不同但相關的領域或問題中，減少模型訓練所需的數據量，提高模型收斂的速度。龍滿生等[58]對比遷移學習對模型分類的影響發現，遷移學習能顯著提高模型的收斂速度。Singh 等[59]使用Keras 數據庫中預先訓練好的幾個模型進行遷移學習，結果表明，MobileNet模型的識別準確率達82.1%，可滿足對椰子樹病蟲害的監測及分類。萬軍杰等[60]選用GooLeNet 模型對25 種常見的病蟲害進行監測，證明在小樣本的情況下遷移學習訓練的模型準確率更高。

上述模型雖然有較高的識別準確率，但仍存在參數多、模型體積大等問題，不利于實時監測。為此一些科研工作者通過優化模型結構和設計輕量化識別模型來滿足移動端的檢測需求。劉斌等[61]在ShuffleNetV2輕量化模型的基礎上，通過可分離卷積和通道混洗技術構建了一種輕量級識別模型ALS-Net（apple leaf net using channel shuffle），在保證檢測速度的同時保證檢測精度。Chao等[62]設計了可應用與移動終端的輕量化模型，該模型在Xception網絡的基礎上添加SE模塊，將每張圖像的識別速度從17 ms 縮減到8 ms。Zheng 等[63]以EfficientNet V2模型為骨架提出一種輕量級森林蟲害識別模型，該模型能在保證監測精度的同時保持較快的檢測速度。

3 生物學和現代監測技術的結合

生物學是探索生命規律和現象的科學，人們通過對生物（植物、動物和微生物）的觀察掌握了許多生物的活動規律，并將生物學知識運用到農、林、漁、牧等多個行業的生產中。近年來，越來越多的學者根據生物的習性對病蟲害進行監測和預警。例如，美國白蛾在每年的4月開始繁殖，對氣味比較敏感，特別是對腥、香、臭味最為敏感，利用這些特性對害蟲進行定點誘捕，進而實現對森林蟲害的識別[64?65]；植物在受到病蟲害脅迫后會產生揮發性有機物，通過檢測植物分泌的有機物可實現對森林病害的識別[66]。根據生物學在病蟲害監測上的應用可將其分為2類：①通過蟲類生物學特征實現對蟲害的監測；②通過植物生物學變化實現對病害的監測。

3.1 基于蟲類生物學特征的蟲害監測

在自然界中，不同種類的害蟲具有獨特的生物學特性，例如，虎蛾在6月產生第1代幼蟲，主要以葡萄樹葉為食[67]。基于生物學家所掌握的蟲害特性制定針對性方案捕獲害蟲，并根據捕獲的數量和大小來判斷蟲災發生的時間和嚴重程度，從而選擇最合適的策略來控制病蟲害。目前昆蟲誘捕器的種類眾多，本文根據昆蟲趨光性、趨色性及趨化性等生物特性對誘捕器的關鍵技術進行分類。

趨光性是物種在長期演變過程中產生的本能反應，不同的昆蟲對光波的長短、光源的強弱有著不同程度的反應。在光源波長選擇的研究中，Bian等[68]通過室內生物學測定，確定了茶樹常發的鞘翅目（385 nm）和半翅目（420 nm）蟲害的敏感光源波段；Kurihara等[69]基于飛蛾對特定波段光波的敏感性，設計了一種帶太陽能電池板的便攜式捕蟲器。除光源波長外，光源強度也是影響害蟲捕獲效果的關鍵因素。Pohe 等[70] 對比了16 和32 W光源對鱗翅目昆蟲的捕獲效果，結果表明，光照強度與捕獲數量呈正相關。

除了光源的波長及強度外，誘捕器的顏色、形狀和高度等因素也影響捕捉害蟲的效果。Sukovata 等[71]研究發現，松毛蟲對黃色和綠色極為敏感，為針對松毛蟲的捕蟲器設計提供了新思路。Fezza等[72]研究表明，象鼻蟲喜歡居住在黑色的環境中，為象鼻蟲的誘捕指明了方向。Batista等[73]對比了不同擺放高度對松林中常見膜翅目蟲害的捕捉效果，結果表明，適當提高捕蟲器的擺放高度可提升捕捉率。

趨化性是指昆蟲嗅覺器官對化學分泌物產生的刺激反應，對昆蟲的覓食、繁殖及躲避天敵具有重要的影響。趨化性昆蟲誘捕器的引誘劑可分為植物信息化合物和昆蟲信息化合物。植物信息化合物是植物生長過程中產生的揮發性氣體物質，多存在于根、莖、葉中，這些氣味能引導昆蟲趨向寄主植物并進行產卵、取食等行為。基于上述特性，可選用植物信息素對森林害蟲進行誘捕[74]。Akinci等[75]選用人工合成的植物信息化合物作為誘捕源捕捉樹皮甲蟲，并根據捕獲的數量繪制甲蟲密度圖。昆蟲信息化合物引誘劑（簡稱性誘劑），該技術利用昆蟲釋放的性信息素引誘異性成蟲。性誘劑能定性捕捉單性別昆蟲（雄性和雌性），不僅能用來監測森林病蟲害，還能降低成蟲交配率，從而保護森林免受危害。Oliveira等[76]選用性誘劑針對性地捕捉雄性蘋淡褐卷蛾，并根據每周的捕獲數量建立模型，預測蘋淡褐卷蛾蟲群密度。Noeth等[77]在林區內布置5 000個性信息素誘捕器，實現了對大面積森林病蟲害的監測與防治。

3.2 基于植物生物學變化的病害監測

植物病害往往由細菌、病毒、線蟲等病原體引起，當植物感染病害后，會產生不同于健康狀態的揮發性有機物，以保護自己免受侵害[78]。近些年來，隨著傳感器的迅速發展，電子鼻逐漸應用到森林病蟲害的監測上。電子鼻是一種模擬人類嗅覺的現代化設備，通過氣敏傳感器接受揮發性有機物，并通過處理將化學信號轉化為電信號。不同氣體對應著不同的電信號響應譜，根據響應譜的區別，使用主成分分析、支持向量機（supportvector machine，SVM）等統計分析方法實現對病蟲害的區分。Borowik等[79]使用電子鼻提取森林中常見的致病細菌病原體：腐霉屬（Pythium）和疫霉屬（Phytophthora）產生的氣味，使用SVM建立分類模型，實現了對病原體的區分。Tkaczyk 等[80]和Baietto等[81]使用電子鼻檢測了森林中有害真菌產生的揮發性有機化合物，其中Baietto等[81]研究結果表明，電子鼻監測根腐病的能力因樹種和菌株種類的不同而存在差異。Samantha 等[82] 和Cui等[83]詳細介紹了電子鼻在病蟲害監測中的應用，表明電子鼻在森林病蟲害監測中有巨大潛力。隨著生物傳感器的應用，無需專業的病蟲害知識便可實現對森林病蟲害的監測，降低了對監測人員的工作要求。

4 森林病蟲害監測和預警系統

現代技術在森林病蟲害監測上已有廣泛的應用，但要實現森林病蟲害實時、精準的監測和及時、準確的預警，還要在這些技術基礎上，添加物聯網、5G、地理信息系統（geographic informationsystem，GIS）等技術，構建森林病蟲害監測和預警系統。現代化監測預警系統通過各類傳感器獲取監測地區病蟲害的發生情況，并通過GIS、全球定位系統（global position system，GPS）和網絡技術實現對病蟲害空間分布定位和可視化管理，方便工作人員在終端獲取現場的森林病蟲害發生情況，現代化森林病蟲害監測體系如圖5所示。機器視覺、植物孢子捕捉分析系統、遙感等現代化森林病蟲害監測技術與物聯網、5G等信息技術相結合，將林場中病蟲害的發生狀況與嚴重程度信息遠程傳遞給工作人員，實現對病蟲害的預警。

目前，有許多學者將遙感技術和物聯網技術結合。潘潔等[84]在已建立的高光譜病蟲害預測模型上融入WebGIS技術，構建了對森林病蟲害的監測和預警系統。同樣是使用WebGIS 技術，Dong等[85]融入了遙感、氣象等多源信息，使得工作人員通過Web網頁便可查看實時病蟲害信息。Li等[86]在無人機上添加4G網絡模塊，將無人機拍攝的圖像無線傳輸到地面工作站，實現了對病蟲害的實時監測和預警。

在機器視覺與網絡技術結合方面，趙小娟等[87]通過結合物聯網與機器視覺等技術，將采集到的病蟲害信息以可視化的形式顯示出來，實現了茶園病蟲害的監測和預警。鄧夢怡等[88]將物聯網和圖像識別技術結合在捕蟲器上，實現了對茶園蟲害的監測。Welsh等[89]將光電捕蟲器與無線通訊技術相結合，實現了對果園蟲害的遠程監測及預警。齊建東等[90]在無線多媒體傳感器網絡上集成了圖像傳輸、圖像處理、GIS等多個模塊，實現了病蟲害信息的無線傳輸。Xue等[91]在果園中布置攝像頭，利用物聯網技術實時傳輸病蟲害信息。Hu等[92]基于樹莓派、CNN及網絡技術構建了果園病蟲害實時監測系統，該系統可實現全天候、實時病蟲害監測。信息源的獲取也不僅僅局限于相機。李震等[93]采用價格低、性能穩定的紅外光電技術檢測捕蟲器中果蠅的數量，從而實現了對果園中果蠅的監測。

在生物學技術與網絡技術結合方面，Rigakis等[94]通過在捕蟲器上添加無線網絡模塊，實現遠程監測捕獲害蟲的數量及位置等信息。Mdhaffar等[95]基于捕蟲器、機器視覺和物聯網等技術，實現了對橄欖蛾的遠程自動識別及計數。Mehmet等[96]將電子鼻與物聯網技術相結合，建立了遠程實時監測系統。

目前的病蟲害監測預警系統主要應用于農業，且已有成熟的應用方案。河南云飛科技有限公司綜合遙感、機器視覺、物聯網等技術，設計出了農田病蟲害監測系統，實現了對農田病蟲害的立體化監測。這為森林病蟲害監測與預警系統的發展帶來了契機，將現代化信息技術與傳感器結合，以實現森林病蟲害信息的無線傳輸，從而解決森林病蟲害監測和預警中存在的實效性差、監測準確率低等問題。

5 挑戰與展望

綠水青山才是金山銀山，我國一直高度重視林業資源的開發和利用，而林業資源的穩定則是林業資源開發的基礎。對森林病蟲害的監測和預警是林業生態保護中的關鍵一環，將現代化技術應用于森林病蟲害監測和預警將會是未來的發展方向。

5.1 遙感技術在森林病蟲害監測上的挑戰與展望

在大面積、高密度的森林環境中，如何快速、準確地開展森林病蟲害的監測是森林病蟲害監測中迫切需要解決的問題。此外，現有的森林病蟲害監測研究主要以單一傳感器為數據源，面向單一尺度進行監測，缺乏立體化的監測方法。面對這些問題，一方面，當前的星-空-地光譜遙感技術愈發成熟，為森林病蟲害實時監測提供了幫助。無人機遙感平臺的發展將森林病蟲害的監測從近地尺度擴展到地塊尺度，衛星遙感的出現幫助研究人員實現對區域尺度森林病蟲害的監測。在這種情況下，結合不同尺度的遙感數據，構建立體化、全方位的監測體系將是未來的發展趨勢。另一方面，深度學習在遙感數據處理的研究不斷深入發展，其自動化監測的特性為高效森林病蟲害監測提供了更高的可能性。

遙感技術在早期森林病蟲害監測中的研究仍需進一步發展。目前的早期森林病蟲害預防過程仍依賴大范圍施藥，然而農藥的大范圍使用會對環境造成不可逆的影響。因此，對早期森林病蟲精準的定位，合理制定施藥計量，在森林病蟲害防治工作中顯得尤為重要。一方面，高光譜因其連續精細的光譜特征具備森林病蟲害的早期識別能力。選用波段數量更多的高光譜相機采集數據，將有助于提升森林病蟲害早期監測的準確率。另一方面，熱成像、激光雷達等各類遙感系統在作物病蟲害監測中已有應用先例。不同的傳感器具備獨有的特點，光譜技術可以監測到葉片反射率發生的細微變化，但僅適用于光照充足的情況。熱成像技術便于分析病蟲害脅迫表現前周圍環境的變化，在夜晚也能正常使用。因此，應充分發揮不同傳感器優勢，使其協同工作，從而實現全天候的森林病蟲害監測。除此之外，在建立模型時，引入與森林病蟲害發生相關的生境數據，進行多源數據融合，從而為病蟲害的早期監測提供客觀的科學依據。

具有相似表征的森林病蟲害識別難度高，使用光譜數據對相似表征的不同病蟲害監測時易出現“同譜異物”的情況。此外，導致林木光譜特征發生變化的因素眾多，如干旱脅迫、光照、傳感器狀態等，給遙感技術在森林病蟲害的精確識別帶來了挑戰。未來，一方面可引入與森林病蟲害發生相關的生境數據（溫度、濕度等），為解決同譜異物問題提供客觀科學依據；另一方面，可進一步開發時-空-譜融合算法，為森林病蟲害監測提供更高空間和時間分辨率的數據，有助于科學地觀察林木發生的細微變化，分析森林病蟲害的發生、發展過程，從而解決同譜異物以及外界環境對光譜反射率造成的影響。

5.2 機器視覺在森林病蟲害監測上的挑戰與展望

林區環境的復雜性和不確定性對于高精度且實時的病蟲害識別來說是巨大的挑戰，如何在惡劣環境下保持高精度動態監測是亟需解決的問題。一方面，數據集的質量直接影響深度學習模型的訓練效果，因此亟需建立森林病蟲害標準數據庫。數據集的質量受多因素影響，采集不同數據環境（光照）、成像質量（分辨率）和樣品性質（尺寸、顏色、紋理）的數據集對提高模型的穩定性具有重要作用。另一方面，設計尺寸小、計算復雜度低的輕量化模型將有助于解決監測實時性差的問題。此外，可嘗試應用遷移學習幫助訓練深度學習模型，解決深度學習模型的欠擬合問題。

5.3 生物學技術與森林病蟲害監測上的挑戰和展望

在我國當前研究中，一些捕蟲器的設計旨在降低捕捉成本，以滿足森林防護的需求，也有一些研究人員致力于改進捕蟲器的性能，提高其可靠性和穩定性，但針對智能化捕蟲器的研究還較少。未來，一方面可在捕蟲器上安裝工業級相機，搭載識別算法的微型計算機，從而實現對森林蟲害的捕捉及監測；另一方面將5G、物聯網等網絡技術與現有的捕蟲器相結合，實現對林區蟲害信息的遠程傳輸，從而提高害蟲的監測與誘捕技術的智能化水平。

現實中有多種因素影響樹木產生揮發性有機化合物，其中包括環境變化導致的植物代謝變化、植物的年齡、植物的發育階段和病蟲害對植物的脅迫等。因此，有必要確定特定植物和病蟲害的獨特揮發性生物標志物，以區別于環境或營養脅迫產生的揮發性有機化合物。目前，將揮發性有機物分析技術與其他傳感器相結合在工業中已經得到了良好的實際應用[97]。未來，將電子鼻、成像等傳感器技術集成到可無人駕駛的車輛中，結合多傳感器數據分析病蟲害類型，可以有效地減少其他有機物質的干擾，并實現對森林病害的遠程監測。

參考文獻

［1］ ZHANG J C， HUANG Y B， PU R L， et al .. Monitoring plantdiseases and pests through remote sensing technology： a review[J/OL]. Comput. Electron. Agric.， 2019， 165： 1835 [2023-02-20]. https：//doi.org/10.18805/ag.R-1835.

［2］ LUO Y Q， HUANG H G， ALAIN R， et al .. Early monitoring offorest wood-boring pests with remote sensing [J]. Annu. Rev.Entomol.， 2023， 68：277-298.

［3］ THAKUR P， PRITTE K， TANUJA S， et al .. Trends in visionbasedmachine learning techniques for plant diseaseidentification： a systematic review [J/OL]. Expert Syst. Appl.，2022， 208： 39252 [2023-02-20]. https：//doi.org/10.1504/IJIEI.2021.10039252.

［4］ 鄭蓓君.基于貝葉斯全卷積神經網絡的胡楊林遙感提取[D].福州：福州大學，2021.

ZHENG B J. Remote sensing extraction of populus euphraticaforest based on bayesian fully convolutional neural network [D].Fuzhou： Fuzhou University， 2021.

［5］ 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（自然科學版），2009，37（11）：143-148.

XING D X， CHANG Q R. Quantitative evaluation of thedegrees of diseases or insect pests based on spectralreflectance of canopies of fruit trees—yellow leaf disease andred mite insect pest of FuJi apple trees as samples [J]. J.Northwest Aamp;F Univ. （Nat. Sci.）， 2009， 37（11）：143-148.

［6］ BAGHERI N， HOSNA M， ASIAN A， et al .. Detection of fireblight disease in pear trees by hyperspectral data [J]. Eur. J.Remote Sens.， 2018， 51（1）：1-10.

［7］ SKONECZNY H， KUBIAK K， SPIRALSKI M， et al .. Fireblight disease detection for apple trees： hyperspectral analysisof healthy， infected and dry leaves [J]. Remote Sens.， 2020， 12（13）：2101 [2023-02-20]. https：//doi.org/10.3390/rs12132101.

［8］ JU Y W， PAN J， WANG X T， et al .. Detection ofBursaphelenchus xylophilus infection in Pinus massoniana fromhyperspectral data [J]. Nematology， 2014， 16：1197-1207.

［9］ 黃曉君.落葉松針葉蟲害地面高光譜識別及遙感監測方法研究[D].蘭州：蘭州大學，2019.

HUANG X J. Remote sensing identification and monitoring oflarch needle pests based on ground hyperspectral data [D].Lanzhou： Lanzhou University， 2019.

［10］ ROLLIN G， LASSALLE G， ELGER A， et al .. Mapping plantspecies in a former industrial site using airborne hyperspectraland time series of sentinel-2 data sets [J]. Remote Sens.， 2022，14（15）：368-377.

［11］ LELONG C， ROGER J， SIMON B， et al .. Evaluation of oilpalmfungal disease infestation with canopy hyperspectralreflectance data [J]. Sensors， 2010， 10（1）：734-747.

［12］ 李軍，楊秋珍，黃敬峰，等.楊扇舟蛾和楊小舟蛾危害對意大利214 楊高光譜特征的影響[J]. 北京林業大學學報，2007，29（6）：148-155.

LI J， YANG Q Z， HUANG J F， et al .. Impact of Closteraanachoreta and Micromelalopha troglodyta insect-induceddamage on the hyperspectral features of Populus×Canadesis cv.‘I-214’ [J]. J. Beijing For. Univ.， 2007， 29（6）：148-155.

［13］ 許章華，劉健，余坤勇，等.松毛蟲危害馬尾松光譜特征分析與等級檢測[J].光譜學與光譜分析，2013，33（2）：428-433.

XU Z H， LIU J， YU K Y， et al .. Spectral features analysis ofPinus massoniana with pest of Dendrolimus punctatus walkerand levels detrctio [J]. Spectrosc. Spectral Anal.， 2013， 33（2）：428-433.

［14］ 趙森，付蕓，崔江南，等.高光譜的刺五加黑斑病的早期檢測研究[J].光譜學與光譜分析，2021，41（6）：1898-1904.

ZHAO S， FU Y， CUI J N， et al .. Application of hyperspectralimaging in the diagnosis of Acanthopanax senticosus black spotdisease [J]. Spectrosc. Spectral Anal.， 2021， 41（6）：1898-1904.

［15］ CHANG A J， YEOM J， JUNG J， et al .. Comparison of canopyshape and vegetation indices of citrus trees derived from UAVmultispectral images for characterization of citrus greeningdisease [J/OL]. Remote Sens.， 2020， 12（24）： 4122 [2023-02-20]. https：//doi.org/10.3390/RS12244122.

［16］ ABDULRIDHA J， BATUMAN O， AMPATZIDIS Y. UAVbasedremote sensing technique to detect citrus canker diseaseutilizing hyperspectral imaging and machine learning [J/OL].Remote Sens.， 2019， 11（11）：1373 [2023-02-20]. https：//doi.org/10.3390/rs11111373.

［17］ YE H， HUANG W， HUANG S， et al .. Recognition of bananaFusarium wilt based on UAV remote sensing [J]. Remote Sens.，2020， 13（3）：136-144.

［18］ 馬書英，郭增長，王雙亭，等.板栗樹紅蜘蛛蟲害無人機高光譜遙感監測研究[J].農業機械學報，2021，52（4）：171-180.

MA S Y， GUO Z Z， WANG S T， et al .. Hyperspectral remotesensing monitoring of Chinese chestnut red mite insect pests inUAV [J]. Trans. Chin. Soc. Agric. Mach.， 2021， 52（4）：171-180.

［19］ XIAO D Q， PAN Y Q， FENG J Z， et al .. Remote sensingdetection algorithm for apple fire blight based on UAVmultispectral image [J]. Comput. Electron. Agric.， 2022， 19（9）：268-278.

［20］ 馬云強，李宇宸，劉夢盈，等.基于無人機多光譜影像的云南切梢小蠹危害監測反演研究[J].西南農業學報，2021，34（9）：1878-1884.

MA Y Q， LI Z C， LIU M Y， et al .. Harm monitoring andinversion study on Tomicus yunnanensis based on multispectralimage of unmanned aerial vehicle [J]. Southwest Chin.J. Agric. Sci.， 2021， 34（9）：1878-1884..

［21］ LIU Y， ZHAN Z， REN L， et al .. Hyperspectral evidence ofearly-stage pine shoot beetle attack in Yunnan pine [J/OL].For. Ecol. Manage.， 2021， 497：119505 [2023-02-20]. https：//doi.org/10.1016/j.foreco.2021.119505.

［22］ HUO L， PERSSON H， LINDBERG E. Early detection of foreststress from European spruce bark beetle attack， and a newvegetation index： normalized distance red amp; SWIR （NDRS） [J/OL].Remote Sens. Environ.， 2021， 255（7）： 112240 [2023-02-20].https：//doi.org/10.1016/j.rse.2020.112240.

［23］ SMIGAJ M， GAULTON R， SUáREZ J， et al .. Canopytemperature from an unmanned aerial vehicle as an indicator oftree stress associated with red band needle blight severity [J].For. Ecol. Manage.， 2019， 433：699-708.

［24］ LIN Q， HUANG H， WANG J， et al .. Detection of pine shootbeetle （PSB） stress on pine forests at individual tree level usingUAV-based hyperspectral imagery and lidar [J/OL]. RemoteSens.， 2019， 11（21）：2540 [2023-02-20]. https：//doi.org/10.3390/rs11212540.

［25］ 盧京，陳玖英，李偉，等.基于高光譜激光雷達的林木病蟲害樣本分類研究[J]. 激光與光電子學進展， 2021， 58（16）：519-525.

LU J， CHEN J Y， LI W， et al .. Research on classification ofpest and disease tree samples based on hyperspectral lidar [J] LaserOptoelectron. Prog.， 2021， 58（16）：519-525.

［26］ CAO K K， TAN W X， LI X W， et al .. Monitoring broadleaf forest pest based on L-band SAR tomography [C]// Proceedingsof 4th international conference on advances in energyresources and environment engineering （ICAESEE）， 2019.

［27］ GUO J W， YU J， YE H C， et al .. Recognition of areca leafyellow disease based on planetscope satellite imagery [J/OL].Agronomy， 2022， 12（1）： 14 [2023-02-20]. https：//doi.org/10.3390/agronomy12010014.

［28］ 曹慶先.基于遙感影像的紅樹林蟲害監測模型[J].廣西科學，2017， 24（2）：144-149.

CAO Q X. Mangrove pests monitoring model based on theremote sensing image [J]. Guangxi Sci.， 2017， 24（2）：144-149.

［29］ 許章華，周鑫，姚雄，等.基于Sentinel-2A MSI特征的毛竹林剛竹毒蛾危害檢測[J].農業機械學報，2022，53（5）：191-200.

XU Z H， ZHOU X， YAO X， et al .. Severity detecting of pantanaphyllistachysae chao infestation of moso bamboo by selectingoptimal sentinel-2A MSI features [J]. Trans. Chin. Soc. Agric.Mach.， 2022， 53（5）：191-200.

［30］ SILVA N D， SANTOS A D， SANTOS I， et al .. Mappingdefoliation by leaf-cutting ants Atta species in Eucalyptusplantations using the sentinel-2 sensor [J]. Int. J. RemoteSens.， 2020， 41（4）：1542-1554.

［31］ OUMAR Z， ONISIMO M. Using WorldView-2 bands andindices to predict bronze bug （Thaumastocoris peregrinus）damage in plantation forests [J]. Int. J. Remote Sens.， 2013， 34（6）：2236-2249.

［32］ LI X H， LEE W， LI M Z， et al .. Feasibility study onHuanglongbing （Citrus greening） detection based on WorldView-2satellite imagery [J]. Biosyst. Eng.， 2015， 132：28-38.

［33］ IMMITZER M， CLEMENT A. Early detection of bark beetleinfestation in norway spruce （Picea abies L.） using WorldView-2 data [J]. Photogramm Fernerkun.， 2014（5）：351-367.

［34］ 朱程浩，瞿帥，張曉麗.油松毛蟲災害遙感監測及其影響因子分析[J].遙感學報，2016， 20（4）：653-664.

ZHU C H， QU S， ZHANG X L. Dendrolimus tabulaeformisdisaster monitoring and analysis of its fluencing factors throughremote sensing technology [J]. J. Remote Sens.， 2016， 20（4）：653-664.

［35］ 馬慧琴，黃文江，景元書.遙感與氣象數據結合預測小麥灌漿期白粉病[J].農業工程學報，2016，32（9）：165-172.

MA H Q， HUANG W J， JING Y S. Wheat powdery mildewforecasting in filling stage based on remote sensing andmeteorological data [J]. Trans. Chin. Soc. Agric. Eng.， 2016， 32（9）：165-172.

［36］ 亓興蘭，肖豐慶，劉健，等.基于SPOT-5影像的馬尾松毛蟲蟲害遙感監測研究[J]. 中南林業科技大學學報，2019，39（4）：59-65.

QI X L， XIAO F Q， LIU J， et al.. Study on monitoring Dendrolimuspunctatus damage based on SPOT-5 remote sensing image [J]. J.Cent. South Univ. For. Technol.， 2019， 39（4）：59-65.

［37］ 沈親，鄧槿，劉旭升，等.基于遙感溫度植被干旱指數的小蠹蟲害預警[J].農業工程學報，2018，34（9）：167-174.

SHEN Q， DENG J， LIU X S， et al .. Prediction of bark beetlespest based on temperature vegetation dryness index [J]. Trans.Chin. Soc. Agric. Eng.， 2018， 34（9）：167-174.

［38］ 馬望，房磊，方國飛，等.基于最大熵模型的神農架林區華山松大小蠹災害遙感監測[J].生態學雜志，2016， 35（8）：2122-2131.

MA W， FANG L， FANG G F， et al .. Mapping the infestation ofDendroctonus aramandi in Shennongjia forested region usingLandsat and MaxEnt model [J]. Chin. J. Ecol.， 2016， 35（8）：2122-2131.

［39］ MENG R， GAO R， ZHAO F， et al .. Landsat-based monitoringof southern pine beetle infestation severity and severity changein a temperate mixed forest [J]. Remote Sens. Environ.， 2022， 269：112847 [2023-02-20]. https：//doi.org/10.1016/j.rse.2021.112847.

［40］ ZHANG B， YE H， LU W， et al .. A spatiotemporal changedetection method for monitoring pine wilt disease in a complexlandscape using high-resolution remote sensing imagery [J/OL].Remote Sens.， 2021， 13（11）：2083 [2023-02-20]. https：//doi.org/10.3390/rs13112083.

［41］ 包云軒，李玉婷，王琳，等.基于多時相HJ衛星遙感影像的稻縱卷葉螟發生情況監測[J]. 中國農業氣象，2016， 37（4）：464-470.

BAO Y X， LI Y T， WANG L， et al .. Monitoring on occurrenceof Canphalocrocis medinalis based on multi-temporal HJsatellites remote sensing image [J]. Chin. J. Agrometeorol.，2016， 37（4）：464-470.

［42］ SU J Y， LIU C J， HU X P， et al .. Spatio-temporal monitoring ofwheat yellow rust using UAV multispectral imagery [J/OL].Comput. Electron. Agric.， 2019， 167： 105035 [2023-02-20].https：//doi.org/10.1016/j.compag.2019.105035.

［43］ XIAO D Q， PAN Y Q， FENG J Z， et al .. Remote sensingdetection algorithm for apple fire blight based on UAVmultispectral image [J/OL]. Comput. Electron. Agric.， 2022，199： 106358 [2023-02-20]. https：//doi.org/10.1016/j.compag.2022.106358.

［44］ 鄧小玲，曾國亮，朱梓豪，等.基于無人機高光譜遙感的柑橘患病植株分類與特征波段提取[J].華南農業大學學報，2020，41（6）：100-108.

DENG X L， ZENG G L， ZHU Z H， et al .. Classification andfeature band extraction of diseased citrus plants based on UAVhyperspectral remote sensing [J]. J. South China Agric. Univ.，2020， 41（6）：100-108.

［45］ KURIHARA J， KOO V C， GUEY C W， et al .. Early detectionof basal stem rot disease in oil palm tree using unmannedaerial vehicle-based hyperspectral imaging [J/OL]. RemoteSens.， 2022， 14（3）：2101 [2023-02-20]. https：//doi.org/10.3390/rs14032101.

［46］ 丁銳.基于無人機光譜遙感的楊樹銹病早期檢測研究[D].南京：南京林業大學，2019.

DING R. Early detection of poplar rust based on UAV spectralremote sensing [D]. Nanjing： Nanjing Forestry University， 2019.

［47］ 張凝，楊貴軍，趙春江，等.作物病蟲害高光譜遙感進展與展望[J].遙感學報，2021，25（1）：403-422.

ZHANG N， YANG G J， ZHAO C J， et al .. Progress andprospect of hyperspectral remote sensing technology for cropdiseases and pests [J]. J. Remote Sens.， 2021， 25（1）：403-422.

［48］ 張軍國，韓歡慶，胡春鶴，等.基于無人機多光譜圖像的云南松蟲害區域識別方法[J].農業機械學報，2018，49（5）：249-255.

ZHANG J G， HAN H Q， HU C H， et al .. Identification methodof Pinus yunnanensis pest area based on UAV multispectral image [J]. Trans. Chin. Soc. Agric. Mach.， 2018， 49（5）：249-255.

［49］ SYIFA M， PARK S J， LEE C W. Detection of the pine wiltdisease tree candidates for drone remote sensing usingartificial intelligence techniques [J]. Engineering， 2020， 6（8）：919-926.

［50］ LONCAN L， ALMEIDA L B， BIOUCASDIAS J M， et al ..Hyperspectral pansharpening： a review [J]. IEEE Geosci. Rem.Sen.， 2015， 3（3）：27-46.

［51］ 王維楓.山杏常見葉部病蟲害圖像識別技術研究[D].北京：中國林業科學研究院，2008.

WANG W F. Study on image recognition technology ofcommon leaf diseases and insect pests of Apricot [D]. Beijing：Chinese Academy of Forestry Sciences， 2008.

［52］ 李宗儒，何東健.基于手機拍攝圖像分析的蘋果病害識別技術研究[J].計算機工程與設計，2010， 31（13）：3051-3055，3095.

LI Z R， HE D J. Research on identify technologies of apple’sdisease based on mobile photograph image analysis [J]. Comput.Eng. Des.， 2010， 31（13）：3051-3055，3095.

［53］ JIANG P， CHEN Y， LIU B， et al .. Real-time detection of appleleaf diseases using deep learning approach based on improvedconvolutional neural networks [J/OL]. IEEE Access.， 2019， 99.2914929：1 [2023-02-20]. https：//doi.org/10.1109/ACCESS.2019.2914929.

［54］ 吳建偉，黃杰，熊曉菲，等.基于AI的桃樹病害智能識別方法研究與應用[J].中國農業科技導報，2022，24（5）：111-118.

WU J W， HUANG J， XIONG X F， et al .. Research andapplication of peach disease intelligent recognition methodbased on AI [J]. J. Agric. Sci. Technol.， 2022， 24（5）：111-118.

［55］ 黃平，呂慶閉，莫燕斌，等.基于多尺度特征融合的柑橘病蟲害圖像識別方法[J].無線電工程，2022，52（3）：407-416.

HUANG P， LYU Q B， MO Y B， et al .. Image recognitionmethod of citrus diseases and pests based on multi-scale featurefusion [J]. Radio Eng.， 2022， 52（3）：407-416.

［56］ FAISAL M， LEU J S， TDARMAWAN J. Model selection ofhybrid feature fusion for coffee leaf disease classification [J].IEEE Access.， 2023， 11： 62281-62291.

［57］ LU X Y， YANG R， ZHOU J， et al .. A hybrid model of ghostconvolutionenlightened transformer for effective diagnosis ofgrape leaf disease and pest [J]. J. King. Saud. Univ-Com.，2022， 34（5）：1755-1767.

［58］ 龍滿生，歐陽春娟，劉歡，等.基于卷積神經網絡與遷移學習的油茶病害圖像識別[J]. 農業工程學報， 2018， 34（18）：194-201.

LONG M S， OUYANG C J， LIU H， et al .. Image recognition ofCamellia oleifera diseases based on convolutional neuralnetwork amp; transfer learning [J]. Trans. Chin. Soc. Agric. Eng.，2018， 34（18）：194-201.

［59］ SINGH P， ABHISHEK V， ALEX J R. Disease and pestinfection detection in coconut tree through deep learningtechniques [J]. Comput. Electron Agric.， 2021， 182： 264-271.

［60］ 萬軍杰，祁力鈞，盧中奧，等.基于遷移學習的GoogLeNet果園病蟲害識別與分級[J]. 中國農業大學學報，2021，26（11）：209-221.

WAN J J， QI L J， LU Z A， et al .. Recognition and grading ofdiseases and pests in orchard by GoogLeNet based on transferlearning [J]. J. Chin. Agric. Univ.， 2021， 26（11）：209-221.

［61］ 劉斌，賈潤昌，朱先語，等.面向移動端的蘋果葉部病蟲害輕量級識別模型[J].農業工程學報，2022，38（6）：130-139.

LIU B， JIA R C， ZHU X Y， et al .. Lightweight identificationmodel of apple leaf diseases and pests based on mobileterminal [J]. Trans. Chin. Soc. Agric. Eng.， 2022， 38（6）：130-139.

［62］ CHAO X F， XIAO H， FENG J Z， et al .. Construction of appleleaf diseases identification networks based on xception fusedby SE module [J/OL]. Appl. Sci.， 2021， 11（10）：4614 [2023-02-20]. https：//doi.org/10.3390/app11104614.

［63］ ZHENG T F， YANG X T， LYU J W， et al .. An efficient mobilemodel for insect image classification in the field pestmanagement [J]. Eng. Sci. Technol.， 2023， 39：268-275.

［64］ YANG L， LI X M， BAI N， et al .. Transcriptomic analysisreveals that Rho GTPases regulate trap development andlifestyle transition of the nematode-trapping fungus Arthrobotrysoligospora [J/OL]. Microbiol. Spectr.， 2022， 10（1）：21 [2023-02-20]. https：//doi.org/10.1128/spectrum.01759-21.

［65］ WANG H N， YANG L， PAN Y F， et al .. Pan trapping is aneffective method to trap adults of the jujube gall midge，Dasineura jujubifolia （Diptera： Cecidomyiidae） [J]. Environ.Entomol.， 2023， 156（5）：289-296.

［66］ WILSON A D. Diverse applications of electronic-nosetechnologies in agriculture and forestry [J]. Sensors， 2013， 13（2）：2295-2348.

［67］ MORRIS C A， JOHNSON S A， WAAL J Y， et al .. A review ofTrimen’s 1 tiger moth， Agoma trimenii （Lepidoptera：Agaristidae）： seasonal biology， potential monitoring and controltechniques [J]. South African J. Enol. Vitic.， 2020， 41（2）：128-132.

［68］ BIAN L， CAI X M， LUO Z X， et al .. Decreased capture ofnatural enemies of pests in light traps with light-emitting diodetechnology [J]. Ann. Appl. Biol.， 2018， 173（3）：251-260.

［69］ KURIHARA K， TOSHIAKI I， YUKIHISA S， et al ..Management of nuisance macromoths in expressways throughacademic-industrial collaboration： light trap designed on thebasis of moths’ preferences for light attributes [J]. Zool. Sci.，2022， 39（4）：307-319.

［70］ POHE S， M-JWINTERBOURN， HARDING JON S. Comparisonof fluorescent lights with differing spectral properties on catches ofadult aquatic and terrestrial insects [J]. Nz. Entomol.， 2018， 41（1）：1-11.

［71］ SUKOVATA L， ALEKSANDER D， PARRATT M， et al .. Theimportance of trap type， trap colour and capture liquid forcatching Dendrolimus pini and their impact on by-catch ofbeneficial insects [J]. Agric. For. Entomol.， 2020， 22（4）：319-327.

［72］ FEZZA E， MROBERTS J， ABRUCE T J， et al.. Optimising vineweevil， Otiorhynchus sulcatus F. （Coleoptera： Curculionidae），monitoring tool design [J]. Insects.， 2022， 13（1）：158-165.

［73］ BATISTA E S， AREDAK R， CBUSOLI A， et al .. Trapping forsirex woodwasp in brazilian pine plantations： lure， trap typeand height of deployment [J]. J Insect Behav.， 2018， 31（2）：210-221.

［74］ RAJUS S， S-GBHAGAVAN， KHARVA H， et al .. Behavioral ecology of the coffee white stem borer： toward ecology-basedpest management of India’s coffee plantations [J]. Front. Ecol.Evol.， 2021， 9（2）：369-378

［75］ AKINCI H A， GENC C， AKINCI H. Susceptibility assessmentand mapping of Ips typographus （L.） （Coleoptera： Curculionidae） inoriental spruce forests in Artvin， Turkey [J]. J. Appl. Entomol.，2022， 146（9）：1185-1199.

［76］ OLIVEIRA L， VIEIRA V， A-OSOARES， et al .. Abundance ofEpiphyas postvittana （Walker， 1863） in forestry nurseries of SaoMiguel Island （Azores， Portugal） （Lepidoptera： Tortricidae） [J].Shilap Rev. Lepidopt.， 2022， 50（9）：425-433.

［77］ NOETH K P， VERLEUR P M， BOUWER M C， et al .. Masstrapping of Coryphodema tristis （Lepidoptera： Cossidae） using asex pheromone in Eucalyptus nitens compartments in Mpumalanga，South Africa [J]. South For.， 2020， 82（3）：271-279.

［78］ 孫仲享，宋圓圓，曾任森.植物揮發物介導的種內與種間關系研究進展[J].華南農業大學學報，2019，40（5）：166-174.

SUN Z X， SONG Y Y， CENG R S. Advances in studies onintraspecific and interspecific relationships mediated by plantvolatiles [J]. J. South Chin. Agric. Univ.， 2019， 40（5）：166-174.

［79］ BOROWIK P， ADAMOWICZ L， TARAKOWSKI R， et al ..Application of a low-cost electronic nose for differentiationbetween pathogenic oomycetes Pythium intermedium andPhytophthora plurivora [J/OL]. Molecules， 2021， 26（17）：5272[2023-02-20]. https：//doi.org/10.3390/molecules26175272.

［80］ TKACZYK M， SLUSARSKI S， SKRZECZ I. Use of anelectronic nose for the detection of volatile organic compoundsproduced by plants pathogenic fungi [J]. Sylwan， 2019， 163（7）：551-555.

［81］ BAIETTO M， POZZI L， WILSON A D， et al .. Evaluation of aportable MOS electronic nose to detect root rots in shade treespecies [J]. Comput. Electron. Agric.， 2013， 96：117-125.

［82］ SAMANTHA M， BAYANSAL F， AHMADI A. Emergingmethods of monitoring volatile organic compounds for detectionof plant pests and disease [J/OL]. Biosensors， 2022， 12（4）：239[2023-02-20]. https：//doi.org/10.3390/bios12040239.

［83］ CUI S Q， LING P， ZHU H P， et al .. Plant pest detection usingan Artificial nose system： a review [J]. Sensors， 2018， 18（2）：258-269.

［84］ 潘潔，廖振峰，張衡，等.基于高光譜數據與網絡GIS應用的森林病蟲害監測系統研究[J].世界林業研究，2015，28（3）：47-52.

PAN J， LIAO Z F， ZHANG H， et al .. Hyperspectral data andWebGIS based monitoring system for forest pests and diseases [J].World For. Res.， 2015， 28（3）：47-52.

［85］ DONG Y Y， XU F， LIU L Y， et al .. Monitoring and forecastingfor disease and pest in crop based on WebGIS system [C]//Proceedings of 8th International Conference on Agro-Geoinformatics （Agro-Geoinformatics）， 2019.

［86］ LI F， LIU Z， SHEN W， et al .. A remote sensing and airborneedge-computing based detection system for pine wilt disease [J/OL].IEEE Access.， 2021， 99. 3073929 [2023-02-20]. https：//doi.org/10.1109/ACCESS.2021.3073929.

［87］ 趙小娟，葉云，冉耀虎.基于物聯網的茶樹病蟲害監測預警系統設計與實現[J].中國農業信息，2019，31（6）：107-115.

ZHAO X J， YE Y， RAN Y H. Design and implementation oftea tree pests and diseases monitoring and early warningsystem based on internet of things [J]. Chin. Agric. Inform.，2019， 31（6）：107-115.

［88］ 鄧夢怡，俞龍，周波，等. 茶園蟲情遠程監測裝備的系統設計[J].現代農業裝備，2021，42（5）： 23-27.

DENG M Y， YU L， ZHOU B， et al.. System design of remote pestmonitoring equipment [J]. Mod. Agric. Equip.， 2021， 42（5）：23-27.

［89］ WELSH T， BENTALL D， CONNOR K， et al .. Automatedsurveillance of Lepidopteran pests with smart optoelectronicsensor traps [J]. Sustainability， 2022， 14（15）：789-796.

［90］ 齊建東，蔣禧，趙燕東.基于無線多媒體傳感器網絡的森林病蟲害監測系統[J].北京林業大學學報，2010，32（4）：186-190.

QI J D， JIANG X， ZHAO Y D. A forest pest and diseasemonitoring system based on wireless multimedia sensornetwork [J]. J. Beijing For. Univ.， 2010， 32（4）：186-190.

［91］ XUE X， QIU Y， HU L， et al .. Cloud-based video monitoringsystem applied in control of diseases and pests in orchards [C]//Proceedings of 9th IFIP WG 5.14 International Conference onComputer and Computing Technologies in Agriculture （CCTA），2016：275-284.

［92］ HU F H， LI Z， YAN L P. CNN and Raspberry PI for fruit treedisease detection [C]// Proceedings of Conference on IntelligentComputing， Information and Control Systems （ICICCS）， 2020：1-8.

［93］ 李震，洪添勝，文韜，等.基于物聯網的果園實蠅監測系統的設計與實現[J].湖南農業大學學報（自然科學版），2015，41（1）：89-93.

LI Z， HONG T S， WEN T， et al .. Design and development oforchard fruit fly monitoring system based on internet of things [J]. J.Hunan Agric. Univ. （Nat. Sci.）， 2015， 41（1）：89-93.

［94］ RIGAKIS I I， VARIKOU K N， NIKOLAKAKIS A E， et al .. TheE-funnel trap： automatic monitoring of Lepidoptera; a casestudy of tomato leaf miner [J]. Comput. Electron. Agric.， 2021，185（4）：367-377.

［95］ MDHAFFAR A， ZALILA B， MOALLA R， et al .. A smart trapfor counting olive moths based on the internet of things anddeep learning [C]// Proceedings of 19th IEEE/ACS InternationalConference on Computer Systems and Applications （AICCSA），2022.

［96］ MEHMET T， GOKOZAN H. Real-time monitoring of indoor airquality with internet of things-based E-nose [J/OL]. Appl. Sci.，2019， 9（16）： 3435 [2023-02-20]. https：//doi.org/10.3390/app9163435.

［97］ LIU C C， CHU Z J， WENG S Z， et al .. Fusion of electronic noseand hyperspectral imaging for mutton freshness detection usinginput-modified convolution neural network [J/OL]. FoodChem.， 2022， 385： 132651 [2023-02-20]. https：//doi.org/10.1016/j.foodchem.2022.132651.