基于无人机影像和半变异函数的玉米螟空间分布预报方法

2017-06-27 01:31吴才聪胡冰冰寇志宏张丽君
农业工程学报 2017年9期
关键词:虫源株率玉米螟

吴才聪,胡冰冰,赵 明,寇志宏,张丽君



基于无人机影像和半变异函数的玉米螟空间分布预报方法

吴才聪1,胡冰冰1,赵 明1,寇志宏1,张丽君2

(1.中国农业大学信息与电气工程学院,北京100083; 2.沈北新区农业技术推广中心,沈阳110121)

空间变异拟合是实现小区域亚洲玉米螟变量防治和药剂减施的工作基础。该文以建立玉米螟空间分布最优半变异拟合函数和预测模型为研究目的,选择半径为2 km的圆形区域作为核心研究区,开展无人机高清影像获取、受虫害株率人工调查、越冬虫源基数调查、村庄网格划分等数据获取与处理,研究玉米螟空间扩散影响因子及空间变异特征。研究表明,受虫害株率空间变异显著,服从对数正态分布;经地统计学交叉验证,0阶指数模型为拟合受虫害株率空间分布的最优半变异函数模型;越冬玉米螟虫源数量与受虫害株率相关系数为0.61。因此,通过受虫害株率人工调查,基于指数模型利用克里格插值方法,可以生成受虫害株率空间分布图;由于影响因素众多,仅依据越冬虫源数量尚难以准确预测玉米螟发生严重程度。该文所探索的技术路线可以为玉米螟小区域变量防治提供实现途径,据此可以达到药剂节约和环境保护的目的。

无人机;虫害控制;图像分析;玉米螟;小区域管理;受虫害株率;半变异函数

0 引 言

玉米螟是玉米的主要害虫,轻发生年份可造成玉米减产5%~10%,严重发生年份可造成玉米减产30%以上[1-2]。现有文献关于玉米螟的研究基本停留在县级或更大区域,满足不了在小区域(如田块)内按需投放赤眼蜂[3-4]和变量喷施药剂[5]的要求,将造成较为严重的药剂浪费和环境污染。大尺度、小区域范围内的研究和应用,首先应明晰玉米螟的时空分布特征。在中国提出2020年实现肥药双减的目标下,这种精准防治需求显得日益迫切。

当前对玉米螟的防治主要有4种方式,即物理防治、农业防治、生物防治和化学防治[6]。国外对蛾类昆虫的生物防治研究较多,如针对苹果卷叶蛾[7]、蚊子[8]、橡树卷叶蛾[9]等,在虚拟[10]、异构环境[11]中建立昆虫的时空扩散模型[12]和最优控制模型[13],以确定最佳的不孕雄蛾投放点,达到降低甚至彻底消灭害虫的目的。在玉米螟的时空扩散研究方面,一般针对大区域进行采样、预测和防治,难以用函数进行描述。有研究利用地统计学半变异函数,对小区域内欧洲玉米螟幼虫的扩散特性进行研究,揭示了幼虫的空间扩散和分布规律[14]。但通过受虫害株率调查,快速反映其小区域内空间分布为变量防治提供参考等方面研究较少。

玉米螟的发育、危害有其自身的发展规律。玉米成熟前,玉米螟幼虫钻入秸秆中,70%~80%的玉米螟在秸秆垛中越冬,约20%的玉米螟在玉米根部越冬[15]。因此,玉米垛中的玉米螟将成为第二年一代玉米螟的主要虫源。95%的一代玉米螟成虫迁飞距离在4 km范围内,80%的玉米螟成虫迁飞距离在1 km范围内;98%的二代玉米螟成虫迁飞距离在2 km范围内[16]。由此可见,玉米螟不是远距离迁移昆虫,这是建立玉米螟空间扩散模型的基本依据。

为此,本文拟针对小区域一代玉米螟精准防治需要,基于GNSS移动终端[17-18]开展受虫害株率调查,运用地统计学的克里格插值方法,论证选择最优半变异函数模型[19-20]对玉米螟分布的空间变异[19,21]进行拟合;进而利用无人机获取玉米地的分布和调查秸秆垛的百秆含虫量,探寻虫源和受虫害株率的相关性,为玉米螟的时空扩散模型建立提供理论和方法参考。

1 材料与方法

1.1 研究区概况

研究区为沈阳市沈北新区大洋河村、小洋河村、南台子村、熊家岗村、王驿屯村和阎三家村(图1),坐标介于123°16′E至123°48′E、41°54′N至42°11′N之间。研究区中,99%的农田为辉山乳业集团农业种植中心所承包,用于种植青贮玉米,并实现了全程机械化作业。辉山乳业集团流转土地约38 000 hm2,玉米螟是其主要病害,每年均投入大量人力、物力和资金进行一代玉米螟的防治。

研究区玉米收获后即进行整地作业,农田中几乎无玉米根茬残留。村民自耕农田大部分位于房屋前后的自留地中,主要种植籽实玉米。村民收获籽粒后,在房屋周边,将玉米秸秆堆积成垛,用作燃料。这些来自于自留地的玉米秸秆,是辉山乳业集团承包地下一年一代玉米螟的主要虫源。

鉴于玉米螟的中心扩散特性和小区域研究需要,如图1所示,本文以大洋河村为中心、以2 km为半径画圆,该圆所圈区域即为核心研究区。从图中可见,核心研究区被周边5个村庄所包围。

1.2 技术路线

本文研究技术路线如图2所示。玉米螟时空扩散模型的建立,从2个方面开展。一基于四旋翼无人机,获取村庄、秸秆垛和玉米地分布图,进而通过人工调查,获得玉米螟虫源基数,开展虫源基数分级。二是通过人工调查,获取玉米受虫害株率数据,分析其空间分布变异系数、获得最优半变异函数。进而开展网格划分,将虫源基数加权处理,结合受虫害株率调查数据,分析其时空扩散特性。

1.3 受虫害株率获取及分级

2016年7月1日至5日,对研究区农田进行随机采样,每个采样点随机抽取100株玉米,查看其受虫害株率。共采集到149个样本,采样点分布见图,依据《玉米螟测报技术规范(NY/T 1611-2008)》,部分数据及等级划分见表1。每个采样点,均通过移动终端记录了GNSS坐标。

表1 玉米受虫害株率数据集(总计149个)

1.4 影像获取与地物提取

2016年7月6日至7日,基于大疆精灵4(Phantom 4)四旋翼无人机,利用HXGS.S(release2)飞控软件,对大洋河村进行了飞行高度为100 m的全景拍摄。无人机采用FOV 9420 mm镜头和1/2.3英寸CMOS传感器,有效像素1 240万,所拍摄影像空间分辨率为0.04 m,航向重叠率为80%。使用Pix4Dmapper软件进行影像的自动拼接。无人机所拍摄大洋河村影像见图3。

基于无人机影像[22-23],通过目视解译[24],可以提取玉米地和快速定位秸秆垛的分布位置,可为虫源基数调查等地面工作提供指引和村庄网格划分提供参考。从无人机影像可以看出,大洋河村周边是玉米地,房屋前后为自留地,种植着籽实玉米和蔬菜。玉米地、菜地和林地颜色相近,将影响分类精度。

在ArcMap中通过目视解译,对无人机影像进行村庄玉米种植区矢量化。利用ENVI对无人机影像进行监督分类,得到玉米种植地。将目视解译和监督分类后的结果进行叠加(图4)。可以看出,玉米地、菜地和林地相互掺杂。因此,在这样的区域,提取田园玉米地的最优方法为目视解译。

1.5 越冬虫源基数获取

玉米螟越冬场所范围广、越冬寄主复杂,调查工作量大、准确性不高。因此,玉米螟的预测预报工作主要采取冬后基数调查。2016年6月1日至6月4日,在研究区利用具有GPS/BDS兼容定位功能的华为手机和Ulysse Gizmos软件,对随机抽查的秸秆垛进行定位。在所抽查的秸秆垛中随机选取20根玉米秸秆,刨秆查看每根秸秆中玉米螟(幼虫和蛹)的数量,调查结果见表2,所抽查玉米垛在各村的分布见图1。

表2 玉米螟越冬虫源基数

从表2可见,研究区玉米跺普遍存留越冬玉米螟,且越冬虫源基数差异较大、空间分布不均匀。

1.6 网格划分

为便于分析虫源和受虫害株率的相关性,本文对研究区(主要针对村庄)进行网格划分,基于抽查虫源基数平均值计算网格虫源基数参考值,再对网格进行质点化处理,即以网格中心点作为该网格内玉米螟虫源参考中心点。

由于每个村庄的位置和面积不同,对成虫飞行距离和飞行方向均有不同的影响。以大洋河村为例,村东和村西的距离大于1 km,进行网格划分时,不能简单地将该村作为一个网格对待,而应对其细分,划分为若干适宜的单元。本文以200 m为网格边长,将村庄划分成多个小区域,如图5所示。

2 扩散特征与空间变异拟合

2.1 生命周期

亚洲玉米螟的生命周期见图6,主要包括卵、幼虫、蛹和成虫4个阶段。成虫产卵发育成幼虫,幼虫对玉米植株具有破坏性。

图7为沈阳地区玉米螟生命周期[26-27]示意图,从图中可知,玉米螟有一代、二代甚至三代,在玉米的各个生长环节,均对玉米有着严重的危害。一代玉米螟是防治的主要对象,通过及时、全面的防治措施,可以有效减少甚至消除二代和三代玉米螟的危害。而越冬幼虫是一代玉米螟的主要虫源。

2.2 影响因子

从表2可以看出,玉米螟虫源基数属于轻发生等级。事实上,越冬虫源基数大并不代表玉米螟发生程度高,因为玉米螟在秸秆垛或根部经历幼虫、蛹后形成成虫,成虫产卵发育成破坏玉米植株的幼虫,在此期间有众多因素影响其生长发育,如天敌和气候。因此,建立玉米螟扩散模型,仅考虑玉米螟越冬虫源基数是不够的。

影响玉米螟扩散、发育的因素很多,结合研究区的具体情况,进行筛选后选择6个影响程度较大的影响因子进行综合分析,见表3。

表3 玉米螟扩散影响因子

结合表3的分析可知,玉米螟的扩散,主要与虫源数量和扩散距离相关。玉米螟具有空间扩散行为的是幼虫和成虫,且以成虫的大范围扩散为主。而成虫需经排卵发育成幼虫,幼虫再对作物进行破坏。由于幼虫的迁徙半径极小以至于可以忽略不计[14],因此,可以通过受虫害株率推测成虫的空间扩散特性。反之,利用受虫害株率的调查数据,也可以推测小区域受虫害株率的空间分布变异。

2.3 变异拟合

在玉米螟空间扩散研究方面,传统统计分析方法忽略了空间相关性,地统计学因考虑样本间的相关性而具有其优越性。

地统计学是以具有空间分布特点的区域化变量理论为基础,研究自然现象空间变异与空间结构的一门方法。地统计学以半方差函数为主要工具,在土壤、农业、气象和生态等领域应用广泛[29-29]。克里格是地统计学的常用插值方法,其所用的安全型理论模型有球状模型、指数模型和高斯模型等。通过对比半变异函数拟合结果的误差,可以得到拟合受虫害株率的半变异函数最优模型。

3 结果与分析

3.1 描述性统计

大洋河村周边2 km范围内的核心研究区玉米受虫害株率描述统计结果见表4,47.38%的变异系数说明,玉米受虫害株率属于中等程度的变异。因此,针对玉米螟的空间实际分布情况,按需进行药剂变量喷施和玉米螟天敌投放,具有显著的现实意义。

运用Kolmogorov-Smirnov方法,对玉米受虫害株率数据集进行正态分布检验,置信度为95%时,其K-SP值等于0.084,说明玉米螟符合对数正态分布。

表4 受虫害株率描述统计(样本数=91)

3.2 半变异函数

通过正态分布检验后,进一步遴选最佳的半变异拟合函数模型,以利用克里格插值方法,对玉米螟受虫害株率的空间分布进行拟合,从而为玉米螟按小区域防治,提供理论依据和可行方法。表5为利用球状、指数和高斯3种半变异函数模型拟合的误差结果。

表5 插值计算误差统计表

ME(平均预测误差)、MSE(平均标准差)、RMSE(均方根误差)和ASE(平均克里格标准差)的值越接近于0及RMSSE(一致性估计均方根标准差)的值越接近于1,表示模型的计算误差越小。经综合分析,0阶指数模型是玉米受虫害株率空间分布的最佳拟合函数模型。

进一步,可以获得样本数据的半变异函数的拟合参数,如表6所示。基台值表示区域内部总的变异性,也就是半变异函数随着距离增加到一定程度后出现的平稳值,当变异函数值超过基台值时,即半变异函数值不随样本间隔距离改变,不存在空间相关性。

表6 受虫害株率半变异函数参数

3.3 空间分布

基于0阶指数模型,运用普通克里格插值方法,可以获得受虫害株率空间分布图(如图8)。

从图8中可以看出,玉米受虫害株率存在空间分布差异,与受虫害株率描述统计相符合。基于该分布图,即可生成喷药处方图或天敌投放图,实现按需进行药剂变量喷施和玉米螟天敌投放。

3.4 虫源相关性分析

通过研究有关玉米螟成虫扩散特性的文献,可以得出一个基本结论,即扩散距离是虫源数量拟合受虫害株率的主要和关键权重,玉米螟成虫的分布密度,随着扩散距离的增加,呈快速下降的趋势。具体地说,在2 km范围内,下降速度较快;之后,下降速度变缓;超出4 km范围时,则几乎可以忽略不计。据此,本文经综合比较,获得公式(1)作为扩散权重与扩散距离的关系式。

=−0.0113+0.0832−0.22+0.22 (1)

式中为扩散距离,km,为扩散权重系数。

进一步,定义受虫害株率矩阵(×1),定义百秆含虫量矩阵(×1),定义距离矩阵(×),定义扩散权重矩阵(×)。其中,距离矩阵表达了受虫害株率采样点与百秆含虫量网格点间对应的空间距离。则权重矩阵与距离矩阵的关系为公式(2)。

=×(2)

将权重矩阵与百秆含虫量矩阵相乘,可得矩阵。为加权百秆含虫量。对与进行回归分析,可得公式(3),相关系数为0.61,散点图如图9。

=0.11+13.06 (3)

显然,公式(3)也可以表达为公式(4)

=0.11××+13.06 (4)

公式(4)表明,通过越冬虫源基数调查(百秆含虫量及其坐标),可对一代玉米螟发生的严重程度进行预测。但由于影响因素众多,相关系数较低,该方法仅能作为参考方法。

3.5 经济性评估

与均一防治对比,变量防治可以有效节约药剂、减轻污染。变量防治用药量可通过下式计算

式中为总用药量,kg;为玉米螟发生等级;A为等级的农田面积,hm2;σ为等级的用药量,kg/hm2。

结合图8,研究区玉米螟发生等级有2级和3级,其对应的农田面积分别为1 186.4和78.8 hm2。假设2是3的70%,均一防治以σ进行均匀喷药,则根据以上条件,变量防治对比均一防治,可节省用药量28.1%。

4 讨 论

当前玉米螟的预测预报主要针对大范围进行,通过气候条件、往年发生程度等影响因素,进行概率性的预测。针对小区域的精准预测是一项具有较高难度的挑战性工作,其原因在于玉米螟主要通过成虫的空间飞行进行扩散,通过产卵、发育成幼虫对玉米进行伤害,这之间需要经过一定的时间,而外部因素又会对产卵和幼虫发育产生必然的干扰。也就是说,幼虫调查数据(受虫害株率)并不能真实反映成虫扩散的实际情形。尽管如此,幼虫的分布还是能在一定程度上反映成虫的分布,进而推测幼虫之间具有一定的空间相关性(不取决于幼虫自身的扩散,实际上其扩散半径不超过2.5 m[14])。这也是本文研究的基本依据。

同样,基于虫源基数对受虫害株率进行预测,是一种易于理解的方法,因为绝大部分的一代玉米螟幼虫是经由秸秆垛中的越冬幼虫发育而来的(经历蛹和成虫)。但由于玉米螟的生长发育和时空扩散影响因素众多,本文通过试验数据进行回归分析所获得的相关系数较小,这说明该方法还需更多的数据及试验来验证。这也是我们下一步的研究目标。

此外,本文所开展的抽样调查方法及忽略掉的影响因子,对本文的研究结果会有一定的影响。例如,在采样过程中,对大洋河村及其周边进行了较密采样,其余村庄只在靠近大洋河村方向的区域进行了采样。气候条件是影响玉米螟扩散的一个重要影响因素,方圆2 km范围内的温度差异可以忽略,但是风的影响可能会产生扩散差异性影响。

5 结 论

针对小区域亚洲玉米螟变量防治的需要,本文从受虫害株率和越冬虫源基数调研入手,寻找最优玉米螟空间分布变异拟合函数,初步探索了玉米螟变量防治的技术路线。

1)以大洋河村周边2 km的范围为核心研究区,对该研究区采集的91个玉米受虫害株率点数据进行分析,其变异系数为47.38%,属于中等变异程度,说明开展按需投放玉米螟天敌和变量喷施药剂,具有显著的现实意义。

2)运用Kolmogorov-Smirnov方法,在置信度为95%时,其K-SP值等于0.084,说明91个玉米受虫害株率点数据服从对数正态分布,0阶指数模型为受虫害株率空间分布拟合的最佳半变异函数。运用普通克里格方法,可以获得玉米受虫害株率空间分布图,进而可为变量防治处方图制作提供参考。

3)由加权百秆含虫量求得受虫害株率预测值,其与实测受虫害株率相关系数为0.61。由于影响因素众多,该系数较低,通过越冬虫源数量预测受虫害株率仅能作为参考方法。无人机可为秸秆垛定位和百秆含虫量调查提供高清影像、位置信息和路径引导。

[1] 李静雯,张安盛,张思聪,等. 山东省亚洲玉米螟越冬特性及越冬代成虫发生期预测[J]. 应用昆虫学报,2015,52(1):209-214.

Li Jingwen, Zhang Ansheng, Zhang Sicong, et al. Overwintering characteristics of the Asian corn borer,(Guenée) () and prediction of the period of occurrence of overwintering generation adults[J]. Chinese Journal of Applied Entomology, 2015, 52(1): 209-214. (in Chinese with English abstract)

[2] 秦维彩,薛新宇,周立新,等. 无人直升机喷雾参数对玉米冠层雾滴沉积分布的影响[J]. 农业工程学报,2014,30(5):50-56. Qin Weicai, Xue Xinyu, Zhou Lixin, et al. Effects of spraying parameters of unmanned aerial vehicle on droplets deposition distribution of maize canopies[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(5): 50-56. (in Chinese with English abstract)

[3] 徐东甫,白越,宫勋,等. 基于六轴多旋翼飞行器的赤眼蜂投放系统设计与试验[J]. 农业机械学报,2016,47(1):1-7.

Xu Dongfu, Bai Yue, Gong Xun, et al. Design of trichogramma delivering system based on Hex-Rotor UAV[J]. Transaction of the Chinese Society for Agricultural Aachinery, 2016, 47(1): 1-7. (in Chinese with English abstract)

[4] 宋若川,迟颖敏. 赤眼蜂生产工厂化配套设备的研究[J]. 农业工程学报,1995,11(2):48-52.

Song Ruochuan, Chi Yingmin, Wang Heping, et al. A study on setting equipment of manufactured reproduction of trichogramma[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 1995, 11(2): 48-52. (in Chinese with English abstract)

[5] 郭娜,胡静涛. 基于 Smith-模糊 PID 控制的变量喷药系统设计及试验[J]. 农业工程学报,2014,30(8):56-64.

Guo Na, Hu Jingtao. Design and experiment of variable rate spaying system on Smith-Fuzzy PID control[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(8): 56-64. (in Chinese with English abstract)

[6] 赵秀梅,王振营,张树权,等. 亚洲玉米螟绿色防控技术组装集成田间防效测定与评价[J]. 应用昆虫学报,2014,51(3):680-688.

Zhao Xiumei, Wang Zhenying, Zhang Shuquan, et al. Evaluation of different integrated, multiple, green, control techniques to control the Asian corn borer,(Guenee) ()[J]. Chinese Journal of Applied Entomology, 2014, 51(3): 680-688. (in Chinese with English abstract)

[7] Tyson R, Thistlewood H, Judd G J R. Modelling dispersal of sterile male codling moths,, across orchard boundaries[J]. Ecological Modelling, 2007, 205(1): 1-12.

[8] Dufourd C, Dumont Y. Impact of environmental factors on mosquito dispersal in the prospect of sterile insect technique control[J]. Computers & Mathematics with Applications, 2013, 66(9): 1695-1715.

[9] Kapeller S, Schroeder H, Schueler S. Modelling the spatial population dynamics of the green oak leaf roller () using density dependent competitive interactions: effects of herbivore mortality and varying host-plant quality[J]. Ecological Modelling, 2011, 222(7): 1293-1302.

[10] Ghosh S, Bhattacharyya S. Spatiotemporal dynamics of insect pest population under viral infection[J]. Mathematical Biosciences, 2013, 244(1): 13-21.

[11] Rodríguez N. On an integro-differential model for pest control in a heterogeneous environment[J]. Journal of Mathematical Biology, 2015, 70(5): 1177-1206.

[12] Azevedo F, Coutinho R M, Kraenkel R A. Spatial dynamics of a population with stage-dependent diffusion[J]. Communications in Nonlinear Science and Numerical Simulation, 2015, 22(1): 605-610.

[13] Fister K R, McCarthy M L, Oppenheimer S F, et al. Optimal control of insects through sterile insect release and habitat modification[J]. Mathematical Biosciences, 2013, 244(2): 201-212.

[14] Wright R J, Devries T A, Young L J, et al. Geostatistical analysis of the small-scale distribution of European corn borer () larvae and damage in whorl stage corn[J]. Environmental Entomology, 2002, 31(1): 160-167.

[15] 贾乃新,杨桂华,李绵春. 越冬代玉米螟化蛹前在玉米垛内的活动和化蛹部位[J]. 吉林农业科学,1987(2):31-32.

[16] 王振营,张广义. 亚洲玉米螟一,二代成虫扩散规律研究[J]. 植物保护学报,1995,22(1):7-11.

Wang Zhenying, Zhang Guangyi. A release-and-recapture study on dispersal of adults of first and second generation Asian corn borer in north China[J]. Journal of Plant Protection,1995, 22(1): 7-11. (in Chinese with English abstract)

[17] Wu C C, Zhou L, Wang J, et al. Smartphone based precise monitoring method for farm operation[J]. International Journal of Agricultural and Biological Engineering, 2016, 9(3): 111-121.

[18] 赵庆展,靳光才,周文杰,等. 基于移动 GIS 的棉田病虫害信息采集系统[J]. 农业工程学报,2015,31(4):183-190.

Zhao Qingzhan, Jin Guangcai, Zhou Wenjie, et al. Information collection system for diseases and pests in cotton field based on mobile GIS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(4): 183-190. (in Chinese with English abstract)

[19] 宋晓宇,王仁红,杨贵军,等. 高分辨率遥感影像中冬小麦长势空间异质性特征分析[J]. 农业工程学报,2014,30(17):192-199.

Song Xiaoyu, Wang Renhong, Yang Guijun, et al. Winter wheat growth spatial variability character analysis based on remote sensing image with high resolution[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(17): 192-199. (in Chinese with English abstract)

[20] 尹世洋,吴文勇,刘洪禄,等. 再生水灌区地下水硝态氮空间变异性及污染成因分析[J]. 农业工程学报,2012,28(18):200-207. Yin Shiyang, Wu Wenyong, Liu Honglu, et al. Spatial variability of groundwater nitrate-nitrogen and cause analysis of its pollution for irrigation area with reclaimed water[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2012, 28(18): 200-207. (in Chinese with English abstract)

[21] Lin Zhenhua, Huang Rugen, Hu Yueming, et al. Generating high spatiotemporal resolution LAI based on MODIS/GF-1 data and combined Kriging-Cressman interpolation[J]. International Journal of Agricultural and Biological Engineering, 2016, 9(5): 120-131.

[22] Pan Z, Lie D, Qiang L, et al. Effects of citrus tree-shape and spraying height of small unmanned aerial vehicle on droplet distribution[J]. International Journal of Agricultural and Biological Engineering, 2016, 9(4): 45-52.

[23] Liu Xuefeng, Lyn Qiang, He Shaolan, et al. Estimation of carbon and nitrogen contents in citrus canopy by low-altitude remote sensing[J]. International Journal of Agricultural and Biological Engineering, 2016, 9(5): 149-157.

[24] 李镇,张岩,杨松,等. QuickBird 影像目视解译法提取切沟形态参数的精度分析[J]. 农业工程学报,2014,30(20):179-186.

Li Zhen, Zhang Yan, Yang Song, et al. Error assessment of extracting morphological parameters of bank gullies by manual visual interpretation based on QuickBird imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(20): 179-186. (in Chinese with English abstract)

[25] 李萍. 玉米螟综合防治措施的应用研究[D]. 北京:中国农业科学院,2013.

Li Ping. Application Research of Integrated Control Method for the Corn Borer[D]. Beijing: Chinese Academy of Agricultural Sciences, 2013. (in Chinese with English abstract)

[26] 张柱亭. 亚洲玉米螟对气候变暖的响应及其对温度胁迫的适应机制研究[D]. 沈阳:沈阳农业大学,2013.

Zhang Zhuting. The Response to the Global Climate Change and the Adaptation Mechanism to Extreme Temperature by(Guenée)[D]. Shenyang: Shenyang Agricultural University, 2013. (in Chinese with English abstract)

[27] Bachir H, Semar A, Mazari A. Statistical and geostatistical analysis related to geographical parameters for spatial and temporal representation of rainfall in semi-arid environments: The case of Algeria[J]. Arabian Journal of Geosciences, 2016, 9(7): 1-12.

[28] Allajbeu S, Yushin N S, Qarri F, et al. Atmospheric deposition of rare earth elements in Albania studied by the moss biomonitoring technique, neutron activation analysis and GIS technology[J]. Environmental Science and Pollution Research, 2016, 23(14): 14087-14101.

[29] Ooba M, Fujii M, Hayashi K. Geospatial distribution of ecosystem services and biomass energy potential in eastern Japan[J]. Journal of Cleaner Production, 2016, 130: 35-44.

Prediction method for spatial distribution of corn borer based on unmanned aerial vehicle images and semivariance function

Wu Caicong1, Hu Bingbing1, Zhao Ming1, Kou Zhihong1, Zhang Lijun2

(1.100083,; 2.110121)

Serious pest of Asiatic corn borer in China would lead to yield reduction by more than 30%. Precise prediction and variable rate prevention of corn borer are required for cite-specific management nowadays, since too much chemical usage lowers the quality of agricultural product as well as deteriorates the pollution of agricultural environment. The farmers producing silage corn are in face of serious problem of sustainable development. Semivariance function for spatial distribution prediction is the basis of cite-specific management for corn borer. The objective of the research was to find the optimum semivariance function and prediction model for Asiatic corn borer in Shenyang. A circular area around Dayanghe Village with a radius of 2 km was selected as core experimental area. Five other villages were located around Dayanghe Village. Silage corn was planted by China Huishan Dairy Holding Company Limited in the fields among the 6 villages. Grain corn was planted in some small fields around the houses by farmers. PHANTOM 4, unmanned aerial vehicle (UAV) with the camera of FOV 9420 mm, was used to collect the high resolution image. The ground resolution was 0.04 m. The villages, corn straws, and corn fields were interpreted through the UAV images. Both percentage of pest damaged plants (91 sampling points) and percentage of overwintering worms were investigated manually in 2016. And the villages in the research area were divided into grids. The life cycles of Asiatic corn borer, the impact factors of spread, and the spatial variability of percentage of pest damaged plants were studied. Quantity of worm source and spread distance were the key impact factors of the spread behavior of corn borer. Only the larvae and adults have the spread capability, and the adults of corn borer could spread for a large area. The results showed that the spatial variability of pest damaged plants was significant, whose standard deviation was 12.03% and coefficient of variation was 47.38%. It proved that variable rate fertilization for corn borer cite-specific management was necessary. The distribution of percentage of pest damaged plants fitted log-normal distribution, whose K-SP was 0.084. Furthermore, zero-order exponential model was the optimum semivariance function for the fitting of pest damaged plants distribution by cross-validation. Correlation coefficient between overwintering insects and pest damaged plants was 0.61. Therefore, the spatial distribution maps of Asiatic corn borer could be produced through investigating the percentage of pest damaged plants and Kriging interpolation with zero-order exponential model. Only worm sources could not precisely predict the distribution and influence degree of corn borer because of numerous complex impact factors. But the investigation of overwinter worm sources was meaningful for occurrence degree for the current year. Compared with traditional spraying in the research area, the dosage of variable rate spraying reduced by 28.1%, which supposed the spraying dosage of level Ⅱ was 70% of that of level Ⅲ. Therefore, the reduction of spraying dosage was obvious, and the variable rate spraying was valuable and should be encouraged. In conclusion, the technical route of this paper by using UAV and ground investigation, can be the implementation approach for cite-specific management of Asiatic corn borer, and can reduce pesticide waste and environmental pollution.

unmanned aerial vehicle (UAV); pest control; image analysis; corn borer; cite-specific management; percentage of pest damaged plants; semivariance function

10.11975/j.issn.1002-6819.2017.09.011

S25; S435.132

A

1002-6819(2017)-09-0084-08

10.11975/j.issn.1002-6819.2017.09.011 http://www.tcsae.org

2016-11-08

2017-04-12

国家重点研发计划课题(2016YFB0501805)

吴才聪,男,江西龙南人,副教授,博士,研究方向为农机导航与位置服务、农情监测位置服务。北京 中国农业大学信息与电气工程学报,100083。Email:wucc@cau.edu.cn

吴才聪,胡冰冰,赵 明,寇志宏,张丽君. 基于无人机影像和半变异函数的玉米螟空间分布预报方法[J]. 农业工程学报,2017,33(9):84-91.

Wu Caicong, Hu Bingbing, Zhao Ming, Kou Zhihong, Zhang Lijun. Prediction method for spatial distribution of corn borer based on unmanned aerial vehicle images and semivariance function[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(9): 84-91. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2017.09.011 http://www.tcsae.org

猜你喜欢
虫源株率玉米螟
亚洲玉米螟对Cry1Ac蛋白抗性适合度代价
2021年大通县油菜三甲害虫药效防治试验报告
二代玉米螟防治方法
0.3%丁子香酚可溶液剂防治韭菜疫病田间药效试验①
血吸虫来源的miRNA通过靶向转化生长因子β受体Ⅲ促进宿主肝纤维化
澳洲坚果杂交子代开花调查分析
二代玉米螟发生趋势预报
2020年全国草地贪夜蛾防控预案
2018年泰山东麓和南麓甜樱桃主产区冻害情况调查
贵阳市烟仓烟草粉螟消长动态及虫源分析