大数据时代农作物病虫害识别预警的发展与应用

李杨

摘 要 在大数据时代的背景下，全面、真实、实时的农业大数据资源为现代化农业建设奠定了基础。大数据技术和农业信息化的发展，提升了高新技术在农作物病虫害识别预警中的应用水平，使病虫害识别预警技术逐步智能化、精准化。为进一步发展与完善农业病虫害识别预警技术，综述了大数据时代背景下农作物病虫害识别预警技术的研究与应用进展，并对其未来发展进行了展望，提出融合其他高新技术、优化大数据采集技术、转变预警模型、降低识别预警系统和设备的成本等建议。

关键词 农作物病虫害;识别;预警;大数据

中图分类号：S431.9 文献标志码：C DOI：10.19415/j.cnki.1673-890x.2022.05.045

伴随着社会发展和人口数量增加，对粮食需求增加，预计到2050年，全球对于粮食的需求总量将增长一倍。而当下的气候变化、地下水位降低、病虫害滋生和可耕种土地缩减等问题，严重阻碍了粮食产量的增加[1]。由于全球气候条件和不同地域耕作制度的变化，使病虫害的发生和演替变得更加复杂，且农药和化肥的长期不科学施用，严重影响了害虫天敌的生存，破坏了生态平衡。这些因素导致农作物病虫害时有发生，并成为引起粮食产量缩减的重要原因之一[2-3]。据估计，全球由病害造成的年均粮食损失约为年均总产量的10%，由虫害造成的年均损失约为总产量的14%，而我国因病虫害损失的年均粮食量约占国内年均总产量的8.8%。因此，如何提升农作物病虫害识别、实时监测及预警的技术水平以有效控制病虫害的暴发，对于农业生产至关重要。

农作物病虫害的发生和演替受作物布局、病虫害迁徙、滞育方式、农田小气候、气象条件等多种因素影响[4]。病虫害防治的关键在于如何精准迅速地识别病虫害类型、确定病虫害暴发区域、评估其严重程度，从而对症下药，采取相应的防治措施。最早期的病虫害识别与监测通常是以人工的方式进行现场查验、测量、统计和辨识，这种方式主观性强、精确度不高、信息滞后、耗时耗力且效率极低[5]。

而随着大数据技术和农业信息化的发展，病虫害识别及预警方法逐步智能化、精准化。农业物联网、农业大数据和农业云平台相互关联、共同发展，形成了智慧农业技术体系的主体部分，为病虫害识别与预警提供了更多优质高效的技术手段，在促进农业现代化进程中扮演着极为重要的角色。如今，大数据时代的病虫害识别和预警正在从模型驱动转换为数据驱动，海量病虫害数据资源得到采集、汇聚、存储、管理及应用，大数据已逐渐成为农作物病虫害识别和预警的核心驱动力[6]。

本文综述近年来国内外基于大数据技术的农作物病虫害识别、监测及预警方面的研究进展，总结病虫害识别预警技术在国内的应用进展，并对其未来的发展趋势进行展望。

1  基于大数据的农作物病虫害识别预警的关键技术

1.1基于3S技术的病虫害识别预警

3S技术由遥感技术（RS）、地理信息系统（GIS）和全球定位系统（GPS）组成，是一门将传感器技术、空间技术、卫星定位与导航技术和信息通信技术、计算机技术相结合，从而实现地理空间信息的获取、分析处理、通信和应用等的现代信息技术[7]。农作物病虫害地理空间信息的采集能精确定位病虫害暴发的位置，从而协助政府部门及时发布预警，提示相关地区的病虫害防控中心做好应对措施。

在农作物病虫害识别预警中，RS可实时、快捷地获取各区域地表物体及其所处环境的物理和空间等信息的变化，利用RS数据反演的植被生物量、土壤水分、地表温度等参数，能大体反映出农作物的生境状况，再协同气象信息可综合预测病虫害的发生概率，从而提升对病虫害的防控水平[8];运用GIS强大的空间分析和数据管理功能，结合生物地理统计学的原理和方法，可以分析病虫害的空间分布和适应性分布，对病虫害的发生进行动态时空模拟，并进行多尺度数据库管理[9];而GPS通常用于病虫害的动态监测，通过辅助RS数据的分析处理和信息提炼、病虫害防治GIS的构建与数据更新、飞机防治病虫害作业导航系统设计等，精确定位病虫害的发生点并精准喷洒农药[10-12]。

ALTAS等开发了基于多种算法的图像处理技术，通过在大面积种植甜菜的田间使用带有摄像头和GPS的无人机（UAV）所采集的实时图像，确定了Tokat地区甜菜田褐斑病的严重程度[13]。ZHANG等构建了一种基于深度卷积神经网络（DCNN）的模型，通过装有高光谱图像传感器的UAV捕获高空间分辨率的高光谱图像，结合光谱和空间信息，实现了冬小麦黄锈病的自动检测，且整体准确度高于仅使用光谱信息的传统分类方法[14]。STEERE等使用地质统计学和GIS进行了土壤评估，并利用非线性克里金法预测了马铃薯可能发生大丽轮枝菌感染的位置[15]。刘小红借助WebGIS技术构建了烟草病虫害诊断预测系统[16]。高羽佳等提出了一种将GIS和GPS的结合方法，对安徽省东南部某地区的农作物病虫害相关数据进行了采集、处理和可视化识别，并最终实现了对病虫害的预警[17]。

1.2  基于物联网技术的病虫害识别预警

物联网的兴起为农作物病虫害的防治带来了更高效、更智能的解决方法。各种不同类型的物联网传感器可以实时收集地理位置、环境状态、农作物生长和病虫害情况等信息，并将所有原始图像和数据发送到云中心，然后利用各种模型和算法进行处理和分析，最后通过云中心为终端提供病虫害识别、预测和预警及专家系统推荐治理措施等服务[18-19]。

TIRELLI等提出了一种以ZigBee技术为基础构建的害虫诱捕器自动监测系统，该系统可以通过从不同地点收集的数据来估计昆虫密度，并在超过设定值时向农民发送预警信息[20]。AHOUANDJINOU等开发了一种害虫监测系统，该系统通过以超声波换能器和围绕运算放大器LM324构建的四级放大器电路为基础开发的智能传感器获取超声波来检测害虫的存在，并制定早期消灭害虫的策略方案[21]。FOUGHALI等构建了一种基于传感器网络和云物联网的马铃薯晚疫病预防和决策支持系统，并帮助农业学家采取有效措施来治疗这种疾病[22]。Semios和Spensa公司都推出了自己的害蟲综合管理系统，这些系统能够通过图像计算害虫的数量，并对害虫进行表征和捕获。史东旭等构建了一种以物联网和大数据驱动为基础的现代农业技术平台，实现了对农业病虫害的监测和预警[1]。2E998DE9-65C2-4FEB-B71C-686C55786BE1

1.3基于图像处理技术的病虫害识别预警

早期对农作物病虫害的检测、识别和分类主要通过农业专家依靠以往经验对大田作物进行目视或显微镜观察，这种方式既耗时又费力，而科技的进步促使图像处理技术逐步取代了传统的人工识别[23]。经典的农作物病虫害图像识别方法是利用红外、可见光或高光谱等成像技术采集农作物图像，然后将传统机器学习分类方法与图像处理技术相结合，实现病虫害的智能化识别[24]。近几年来，研究人员开始聚焦于将比传统机器学习技术在学习能力、网络结构及识别准确度上更具优势的深度学习与图像处理技术相结合，以进一步优化病虫害图像检测方法。

XU等设计了一种基于嵌入式图像识别技术的小麦叶锈病检测系统。该系统采用ARM9处理器，以嵌入式Linux平台为主体，程序在Qt集成环境下开发。经验证，该系统识别率达到96.2%，准确率达到92.3%，与人类视觉效果大致相当[25]。SINGH开发了一种基于粒子群优化算法的系统，用于对向日葵叶子图像进行分割和分类，从而实现向日葵叶片病害检测[26]。SABROL和SATISH利用基于分类树的图像处理技术对番茄晚疫病、斑枯病、细菌性斑点病、细菌性溃疡病、番茄卷叶和健康番茄植株叶茎图像进行了分类[27]。MOHANTY等使用在受控条件下收集的54 306张患病和健康植物叶片图片的公共数据集，构建了一个基于GoogLeNet卷积神经网络的深度学习模型，实现了14种作物和26种病害的识别[28]。RAMCHARAN等使用在坦桑尼亚实地拍摄的木薯病害图像数据集，应用迁移学习来训练深度卷积神经网络，以识别棕色叶斑病、红螨、绿螨、木薯褐条病和木薯花叶病[29]。蔡汉明等开发了一种以深度可分离卷积和卷积相结合替代标准卷积的神经网络模型，识别了10种不同农作物的27类病害，且识别准确率达到了98.26%[30]。

1.4病虫害预警专家系统

人工智能为农作物病虫害诊断预警专家系统的发展提供了技术支持，使其逐渐成为了农业信息技术中的重要一环。专家系统包括知识库、知识获取、推理机、数据库、解释程序和人机接口，是一种以病虫害专家的知识和经验为依据，模拟专家处理问题时的行为并运用知识和推理技术对病虫害进行诊断的信息系统。

1978年，美国伊利诺斯大学研发出了世界上第一个农作物病虫害专家系统——大豆病害诊断专家系统PLANT/DS。此后，越来越多的研究人员将目光聚焦于此领域，先后构建了玉米螟虫虫害预测专家系统PLANT/cd、番茄病害诊断系统MICCS、棉花害虫管理专家系统rbWHIMS、苹果病害综合管理专家系统PSAOC、蚜虫识别专家系统CAES及马铃薯害虫专家系统PIES等。近年来，基于3G通信的移动农业专家系统、基于Android平台的植物病虫害查询诊断系统、基于.NET的水稻病虫害专家系统、基于ASP.NET的甘肃省玉米病虫害诊断专家系统、基于CBR-RBR集成和深度学习方法的茶树病虫害专家系统、基于云平台蜜柚专家系统、基于物联网的脐橙园病虫害防治专家系统、基于微信平台的陕西蔬菜病虫害专家诊断系统等也相继被开发、应用于我国的农作物病虫害监测防治领域。

2  基于大数据的农作物病虫害识别预警技术的应用

我国对智慧农业和农业信息化的重视推动了农作物病虫害识别预警技术的快速发展。近年来，我国研发了自动虫情测报灯、农田小气候自动监测站、智能孢子捕捉仪、农作物病虫害实时监控物联网设备、病虫害田间调查智能识别应用程序等多种智能化设备;构建了来自粮、棉、油、麻、桑、茶、糖、菜、烟和果等农作物的177常见病虫鼠害（虫害99种、病害63种、鼠害15种）的识别、监测及预警的方法，并收集了相关的大数据资料;对农作物病菌孢子的捕捉和检测技术进行了完善，融合了农作物病虫害GIS开发技术和计算机的数据传输与网络技术、农田小气候自动监测技术和分析提取对病虫害造成影响的主要气象因素及预警指标的技术。这些成果促进了我国农作物病虫害识别预警技术的进步，提升了高新技术在此领域的应用水平。

1986年，我国吉林省农科院植保所与澳大利亚国防军学院的Alistair Drake博士合作，首次组装了厘米波扫描昆虫雷达，并将其应用于观测草地螟和黏虫等的迁飞;2004年，我国首次构建了厘米波垂直监测昆虫雷达以监测草地螟、黏虫等害虫;2007年，我国首次构建了毫米波扫描昆虫雷达对稻飞虱等水稻“两迁”害虫进行监测，首创了雷达三维回波显示技术，攻克了提升雷达监测的精确度及确定害虫的飞行方向等重要技术难关;2009年，农业部正式启动了农作物重大病虫害数字化监测预警网络系统建设项目，初步创建了农作物（水稻）重大病虫害数字化监测预警平台;2010年，进一步扩展数字化监测预警网络的覆盖区域，创建了小麦病虫害监测预警系统，开启了新一期的病虫害监测预警建设项目，并在2011年1月正式投入使用。如今，我国已构建了由170个地方测报站、61个区域测报站及9个雷达测报站组成的国内迁飞昆虫测报网络系统。此外，从2010年以来，经中华人民共和国农业农村部批准，我国与越南联合开展了“中越水稻迁飞性害虫监测防治项目”，两国互相设置了联合测报站点，对迁飞性害虫等进行实地调研、系统监测、信息互通及技术交流，此举进一步提高了我国对水稻重大病虫害的早期预警及治理水平，使国内水稻重大病虫害发生率在近10年内一直处于下降状态。

3  展望

在政策的大力支持下，近年来我国在农作物病虫害识别预警技术的研究和应用方面取得了卓越的成绩，但与其他农业发达国家相比，仍存在一定的差距和上升空间。未来，基于大数据的农业病虫害识别预警可考虑从以下4个方面进行优化和完善。

1）将多种高新技术融合应用于病虫害识别预警技术中，以拓宽病虫害预警的覆盖面，提升预警精确度。例如：将3S技术与物联网技术相结合，对农作物的生境监测进行更周密的覆盖，以增加大數据信息采集的全面性;结合多种机器学习算法的优势优化病虫害识别预警模型，以增强预警的精确性;将电子显微镜、光谱、PCR和生物芯片技术等结合起来，实现对病虫害宏观和微观的全方位检测。2E998DE9-65C2-4FEB-B71C-686C55786BE1

2）相关研发和测报单位应将更多精力投入到对生境、病虫害、病原微生物等大数据信息的采集、积累、更新中，进一步改进大数据采集技术，确保数据的及时性、通用性和准确性，为病虫害识别预警的研究提供更有效的数据支撑。

3）农作物病虫害预警的研究将由现阶段中长期为主的预警模型逐步向早期/初期检测、诊断与预警模型转变，以增强预警的时效性和精确性，从而及时向农民提供病虫害防治指导，减少经济损失。

4）农作物病虫害识别预警系统和设备将向低成本发展。目前所用到的病虫害监测和预警设备成本相对较高，不利于在小型农业组织中推广使用，适当降低成本有益于病虫害识别预警技术的下沉普及。

参考文献：

[1] 史东旭，高德民，薛卫，等.基于物联网和大数据驱动的农业病虫害监测技术[J].南京农业大学学报，2019，42（5）：967-974.

[2] 项颖.农业病虫害图像远程传输系统的研究与设计[D].北京：中国农业科学院，2006.

[3] 张竞成，袁琳，王纪华，等.作物病虫害遥感监测研究进展[J].农业工程学报，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] 刘鹏，张亮，李艺嘉，等.粮食病虫害识别研究进展[J].粮食科技与经济，2019，44（4）：72-73.

[6] 吴炳方，张淼，曾红伟，等.大数据时代的农情监测与预警[J].遥感学报，2016，20（5）：1027-1037.

[7] 李素，郭兆春，王聪，等.信息技术在农作物病虫害监测预警中的应用综述[J].江苏农业科学，2018，46（22）：1-6.

[8] 赵春江.农业遥感研究与应用进展[J].农业机械学报，2014，45（12）：277-293.

[9] 洪波，张锋，李英梅，等.GIS在农业病虫害预警研究中的应用[J].陕西农业科学，2011，57（3）：170-173.

[10] 石雷，韦雪花，周汝良.3S技术在松材线虫病监测预警中的应用研究现状[J].云南地理环境研究，2008（3）：15-19.

[11] 王蕾，黄华国，张晓丽，等.3S技术在森林虫害动态监测中的应用研究[J].世界林业研究，2005，18（2）：51-56.

[12] 石进，马盛安，蒋丽雅，等.航空遥感技术监测松材线虫病的应用[J].中国森林病虫，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] 劉小红.基于WebGIS的烟草病虫害诊断预测系统设计[J].农业灾害研究，2016，6（5）：4-6.

[17] 高羽佳，王永梅，陈祎琼，等.基于GIS的农作物病虫害受灾程度可视化识别方法研究[J].灾害学，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] 康飞龙，李佳，刘涛，等.多类农作物病虫害的图像识别应用技术研究综述[J].江苏农业科学，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，随玉腾，张镇，等.基于深度可分离卷积神经网络的农作物病害识别方法[J].安徽农业科学，2019，47（11）：244-246.

（责任编辑：张春雨  丁志祥）2E998DE9-65C2-4FEB-B71C-686C55786BE1