信息技術(shù)在農(nóng)作物病蟲害監(jiān)測(cè)預(yù)警中的應(yīng)用綜述

李 素， 郭兆春， 王 聰， 陳天恩， 袁志高

(1.北京工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院食品安全大數(shù)據(jù)技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100048；2.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097)

農(nóng)作物重大病蟲害的實(shí)時(shí)監(jiān)測(cè)和早期預(yù)測(cè)是及時(shí)、有效地控制其暴發(fā)成災(zāi)的先決條件之一。傳統(tǒng)的病蟲害采用肉眼觀察或者直接田間定點(diǎn)捕捉的方法，依靠個(gè)人經(jīng)驗(yàn)來預(yù)測(cè)，有時(shí)間滯后性、主觀性和極大的不準(zhǔn)確性等一系列缺點(diǎn)，不能滿足宏觀病蟲害預(yù)測(cè)。例如，2008年草地螟2代幼蟲在我國(guó)的華北、東北再次大規(guī)模暴發(fā)，發(fā)生面積廣，危害程度重，持續(xù)時(shí)間長(zhǎng)[1]。

病蟲害預(yù)測(cè)有很長(zhǎng)的時(shí)間跨度，一般來說要經(jīng)歷經(jīng)驗(yàn)預(yù)測(cè)、試驗(yàn)預(yù)測(cè)、統(tǒng)計(jì)預(yù)測(cè)3個(gè)階段。傳統(tǒng)的病蟲害預(yù)測(cè)不僅在信息采集上依賴主觀觀察，在進(jìn)行病蟲害的預(yù)測(cè)時(shí)往往也是通過經(jīng)驗(yàn)，導(dǎo)致病蟲害預(yù)測(cè)精確度低下，信息十分滯后，嚴(yán)重阻礙了對(duì)病蟲害的準(zhǔn)確預(yù)測(cè)，限制了我國(guó)農(nóng)業(yè)的發(fā)展。

我國(guó)作為21世紀(jì)的農(nóng)業(yè)大國(guó)，對(duì)世界農(nóng)業(yè)有著舉足輕重的影響。病蟲害的治理和預(yù)防是我國(guó)提高糧食產(chǎn)量的重要途徑，因此病蟲害的早期預(yù)測(cè)，采取及時(shí)有效的防治措施，減少農(nóng)業(yè)損失，成為目前關(guān)注的重要問題。從信息的采集到信息的傳遞再到信息的處理進(jìn)行預(yù)測(cè)，現(xiàn)代技術(shù)正在病蟲害預(yù)測(cè)中起著至關(guān)重要的作用。

1 基于信息技術(shù)的病蟲害分析預(yù)測(cè)

針對(duì)傳統(tǒng)病蟲害預(yù)測(cè)不準(zhǔn)確和時(shí)間滯后的缺點(diǎn)，現(xiàn)代病蟲害預(yù)測(cè)技術(shù)依賴計(jì)算機(jī)技術(shù)，正在對(duì)這些缺點(diǎn)進(jìn)行改進(jìn)，使其朝著智能化、精準(zhǔn)化的方向發(fā)展?，F(xiàn)代信息技術(shù)從信息的采集到信息的傳遞，然后到信息的分析，病蟲害的預(yù)警越來越走向規(guī)范化、數(shù)據(jù)化和標(biāo)準(zhǔn)化。如利用高光譜和低高空遙感技術(shù)對(duì)病蟲害危害程度進(jìn)行監(jiān)測(cè)[2]；利用空氣中氣流場(chǎng)研究高空氣流對(duì)遷飛昆蟲和病菌孢子的傳播作用以及利用物聯(lián)網(wǎng)等網(wǎng)絡(luò)信息技術(shù)開展數(shù)字化預(yù)測(cè)報(bào)告和信息收集與發(fā)布[3]；利用人工神經(jīng)網(wǎng)絡(luò)、粗集理論和數(shù)據(jù)挖掘技術(shù)對(duì)病蟲害進(jìn)行預(yù)警等。

1.1 基于人工神經(jīng)網(wǎng)絡(luò)的病蟲害分析預(yù)測(cè)

人工神經(jīng)(back propagation，簡(jiǎn)稱BP)網(wǎng)絡(luò)采用誤差反向傳播算法，適用于非線性模式識(shí)別和類型預(yù)測(cè)的問題。典型的人工神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層3個(gè)部分，模仿生物神經(jīng)網(wǎng)絡(luò)構(gòu)造，如圖1所示。

人工神經(jīng)網(wǎng)絡(luò)層與層之間相互連接，各層之間神經(jīng)元節(jié)點(diǎn)互不聯(lián)系，相鄰層之間通過權(quán)連接，進(jìn)行分布式信息處理。

影響病蟲害的因子包括物理因子和環(huán)境因子，各個(gè)因子之間相互作用，對(duì)害蟲的影響不是線性關(guān)系，因此傳統(tǒng)的數(shù)理統(tǒng)計(jì)方法對(duì)模型的訓(xùn)練十分困難。而人工神經(jīng)網(wǎng)絡(luò)模擬人腦思維結(jié)構(gòu)，具有很強(qiáng)的自學(xué)習(xí)、自組織、自適應(yīng)和容錯(cuò)性等特點(diǎn)，適合非線性問題的處理。例如靳然等以運(yùn)城市苪城縣1980—2006年麥蚜最大蟲株率和氣象因子為基礎(chǔ)，建立BP神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)2007—2011年麥蚜最大蟲株率，平均預(yù)測(cè)精度為96.09%[4]；Klem等以氣象參數(shù)和土壤溫度建造了基于神經(jīng)網(wǎng)絡(luò)的白菜莖象鼻蟲的病蟲害發(fā)生預(yù)測(cè)，準(zhǔn)確率達(dá)到97%[5]；李波等通過使用主成分分析法獲得的主分量光譜，結(jié)合概率神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了稻干尖線蟲和稻縱卷葉螟的識(shí)別，準(zhǔn)確率達(dá)到95.65%[6]。

雖然人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)病蟲害方面起到了一定的作用，但人工神經(jīng)網(wǎng)絡(luò)也有一些缺點(diǎn)。例如，在學(xué)習(xí)過程中該算法收斂速度慢；人工神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)數(shù)沒有明確的方法來確定；采用梯度下降法，人工神經(jīng)網(wǎng)絡(luò)易陷入局部最小值，不能找到真正最優(yōu)解，因此神經(jīng)網(wǎng)絡(luò)往往都須要優(yōu)化，結(jié)合其他一些算法來進(jìn)行。例如，張芳群等以陜西地區(qū)1988—2013年玉米螟蟲危害為例，利用基于偏最小二乘法回歸(PLS)-遺傳算法(GA)-神經(jīng)網(wǎng)絡(luò)(elman)的組合神經(jīng)網(wǎng)絡(luò)算法對(duì)病蟲害進(jìn)行預(yù)測(cè)，5年的預(yù)測(cè)結(jié)果相對(duì)誤差在 0.066 1%～0.122 2%之間，證明該神經(jīng)網(wǎng)絡(luò)精度較高，具有較好的泛化能力[7]；曹志勇等建立了基于粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的混合智能算法的病蟲害預(yù)警模型，以1980—2007年的稻瘟病為數(shù)據(jù)建立模型，最大允許誤差小于0.001[8]。

神經(jīng)網(wǎng)絡(luò)還可以結(jié)合一些數(shù)學(xué)模型來進(jìn)行應(yīng)用。例如楊淑香等通過SPSS逐步回歸法，建立內(nèi)蒙古東部地區(qū)落葉松毛蟲的分布面積、密度與環(huán)境的人工BP神經(jīng)網(wǎng)絡(luò)模型[9]；溫芝元等將模糊邏輯與神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)臍橙病蟲害識(shí)別模型[10]；譚文學(xué)等通過深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)并以彈性動(dòng)量對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)優(yōu)化，建立了實(shí)時(shí)預(yù)警果樹病害和輔助診斷果蔬系統(tǒng)[11]；Kouakou等通過光學(xué)指紋結(jié)合多通道人工神經(jīng)網(wǎng)絡(luò)來檢測(cè)黃瓜花葉病毒[12]。

1.2 基于支持向量機(jī)(SVM)的病蟲害分析預(yù)測(cè)

SVM是建立在統(tǒng)計(jì)學(xué)習(xí)VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)理論的基礎(chǔ)上，適用于小樣本、非線性和高維模式，通過一定數(shù)量的樣本信息在樣本模型的精確度和學(xué)習(xí)能力(識(shí)別任意樣本)之間取得一個(gè)最佳平衡，來取得較好的泛化能力。SVM的基本原理為應(yīng)用核函數(shù)展開定理，把樣本空間映射到高維的特征空間，在高維空間中求得一個(gè)最優(yōu)分類面，使得在原來樣本空間中的非線性可分問題轉(zhuǎn)化為特征空間的線性可分問題，具體見圖2。

SVM問題描述：

假設(shè)給定特征空間的數(shù)據(jù)集Q={(x1，y1)，(x2，y2)，…，(xn，yn)}；其中xi∈Rn，yi∈(+1，-1)，i=1，2，…，N；xi為第i個(gè)實(shí)例(若n>1，則x是多維度，具有多個(gè)屬性特征，此時(shí)xi為向量)；yi為xi的類標(biāo)記，當(dāng)yi為+1時(shí)，xi為正例，當(dāng)yi為-1時(shí)，xi為負(fù)例。尋找最優(yōu)超平面即使得正例反例的隔離邊緣最大化，即求函數(shù)：

(1)進(jìn)一步規(guī)范體育基金會(huì)內(nèi)部管理，完成體育基金會(huì)評(píng)估工作，獲得評(píng)估等級(jí)，優(yōu)先購買政府服務(wù)。政府對(duì)基金會(huì)的資金支持一方面是政府職能轉(zhuǎn)變的需要，另一方面也能有效補(bǔ)充社會(huì)對(duì)公共服務(wù)的需求。目前，政府對(duì)基金會(huì)的支持已經(jīng)從直接撥款變?yōu)橘徺I項(xiàng)目或公共服務(wù)外包，最終形成全社會(huì)共同參與、共建共享的發(fā)展局面。因此，體育基金會(huì)要積極完成評(píng)估并獲得3A以上評(píng)估等級(jí)，同等條件下可優(yōu)先購買政府服務(wù)。

式中：yi(w·xi+b)≥1，i=1，2，3，…，n；w為超平面法向量；b為常數(shù)；xi為訓(xùn)練集；yi為類別。

當(dāng)SVM面對(duì)線性不可分時(shí)，通過使用核函數(shù)將非線性樣本從低維線性不可分轉(zhuǎn)化成高維特征空間的線性可分，然后在高維特征空間使用線性分析，這樣就可以對(duì)線性不可分?jǐn)?shù)據(jù)樣本進(jìn)行分析。

通常用到的核函數(shù)包括以下幾種：線性核函數(shù)、多項(xiàng)式核函數(shù)、高斯核函數(shù)、sigmoid核函數(shù)。

不同的核函數(shù)導(dǎo)致計(jì)算量不同，甚至導(dǎo)致計(jì)算復(fù)雜度大到無法計(jì)算。SVM基于結(jié)構(gòu)風(fēng)險(xiǎn)理論，在高特征空間中建立最優(yōu)分割超平面，使得SVM是基于全局優(yōu)化的，不會(huì)存在陷入局部最小值的問題，并且使得全部樣本風(fēng)險(xiǎn)存在一個(gè)閾值。

例如楊昊諭等通過基于SVM并結(jié)合熒光光譜方法建立的黃瓜病蟲害診斷模型，實(shí)現(xiàn)了病蟲害的迅速檢測(cè)功能，通過使用平滑法(savitzky-golay，簡(jiǎn)稱SG)+一階導(dǎo)數(shù)變換(FDT)和主成分分析(PCA)法進(jìn)行數(shù)據(jù)處理后，使用SVM進(jìn)行黃瓜病蟲害的檢測(cè)和預(yù)警時(shí)準(zhǔn)確率達(dá)到 98.3%[13]；Mokhtar等通過SVM不同核函數(shù)來識(shí)別健康番茄葉片的紋理特征，精度達(dá)到99.83%[14]；石晶晶等進(jìn)行了SVM的稻縱卷葉螟危害水稻高光譜遙感識(shí)別研究[15]。

SVM也存在一些缺點(diǎn)，例如小訓(xùn)練樣本集收斂速度比較慢等，因此一般須要結(jié)合其他算法來進(jìn)行優(yōu)化。例如馬濤等在基于粒子群優(yōu)化支持向量機(jī)(CPSO-SVM)的小麥條銹病預(yù)測(cè)模型中，運(yùn)用一種結(jié)合混沌系統(tǒng)的粒子群算法來改進(jìn)SVM模型，克服了收斂速度慢的問題，在小麥條銹病預(yù)測(cè)中通過25次迭代找到全局最優(yōu)解，準(zhǔn)確預(yù)測(cè)了5年來?xiàng)l銹病的流行等級(jí)，預(yù)測(cè)精度為83.333%[16]；蔣龍泉等研究了基于高清視頻圖像融合特征的SVM檢測(cè)方法[17]；Rajan等設(shè)計(jì)了基于SVM的圖像處理技術(shù)——自動(dòng)害蟲識(shí)別技術(shù)進(jìn)行早期病蟲害識(shí)別和疾病監(jiān)測(cè)[18]。

1.3 基于3S技術(shù)的病蟲害預(yù)測(cè)

3S技術(shù)是遙感技術(shù)(remote sensing，簡(jiǎn)稱RS)、全球定位系統(tǒng)(global position system，簡(jiǎn)稱GPS)和地理信息系統(tǒng)(geographic information system，簡(jiǎn)稱GIS)3種技術(shù)的結(jié)合。3S技術(shù)包括空間技術(shù)、信息通信技術(shù)、計(jì)算機(jī)技術(shù)和衛(wèi)星定位等技術(shù)，是一門多學(xué)科交叉的、對(duì)地理空間信息進(jìn)行采集、處理、通信等操作的技術(shù)。

1.3.1 基于GIS的病蟲害預(yù)測(cè)應(yīng)用 GIS是一種十分重要的空間信息系統(tǒng)，GIS是在計(jì)算機(jī)硬件、軟件系統(tǒng)的支持下，對(duì)地球表面有關(guān)的地理信息進(jìn)行數(shù)據(jù)采集、存儲(chǔ)、管理運(yùn)算等操作，并幫助提供空間問題決策和進(jìn)行空間數(shù)據(jù)處理的一個(gè)技術(shù)系統(tǒng)。GIS是一門綜合性的學(xué)科，包含地理學(xué)、地圖學(xué)以及遙感和計(jì)算機(jī)技術(shù)，對(duì)于地理空間信息的處理能力很強(qiáng)，在區(qū)域性病蟲害研究中十分廣泛。例如，圖3通過GIS技術(shù)揭示了飛虱種群變化規(guī)律。

例如劉小紅設(shè)計(jì)了采用PostgreSQL(對(duì)象-關(guān)系型)數(shù)據(jù)庫管理系統(tǒng)，以WebGIS(基于互聯(lián)網(wǎng)的地理信息系統(tǒng))技術(shù)為基礎(chǔ)的煙草病蟲害診斷預(yù)測(cè)系統(tǒng)，基本預(yù)測(cè)了赤星病發(fā)生的重災(zāi)區(qū)主要分布在云南省偏北，中度區(qū)分布在東三省偏北及廣東地區(qū)，輕度分布在山東省區(qū)域[20]。趙慶展等基于移動(dòng)GIS，運(yùn)用移動(dòng)GPS定位、離線地圖加載、圖形繪制等技術(shù)，實(shí)現(xiàn)了花病蟲害信息的快速提取，實(shí)現(xiàn)了空間數(shù)據(jù)與屬性數(shù)據(jù)的聚合存儲(chǔ)，提供了病蟲害監(jiān)測(cè)、預(yù)測(cè)服務(wù)[21]；Garnas等依據(jù)GIS在地中海氣候區(qū)總結(jié)了22～43種病蟲害對(duì)該地區(qū)的損害程度并進(jìn)行了生物防治[22]。

一般來說GIS根據(jù)病蟲害和收集信息的種類會(huì)結(jié)合一些算法來實(shí)現(xiàn)最后病蟲害的預(yù)測(cè)，如白嫄等根據(jù)反距離權(quán)重插值法(inverse distance weighted，簡(jiǎn)稱IDW)設(shè)計(jì)實(shí)現(xiàn)了基于GIS的山茱萸病蟲害分布預(yù)測(cè)系統(tǒng)[23]；靳光才等設(shè)計(jì)了以GIS為架構(gòu)，基于馬爾科夫鏈的棉田朱砂葉螨預(yù)警系統(tǒng)，使用克里格插值方法實(shí)現(xiàn)大范圍的預(yù)測(cè)，短期預(yù)測(cè)精確度達(dá)到80%[24]；潘潔等設(shè)計(jì)了以B/S(瀏覽器/服務(wù)器模式)為結(jié)構(gòu)的基于高光譜數(shù)據(jù)與網(wǎng)絡(luò)GIS應(yīng)用的森林病蟲害檢測(cè)系統(tǒng)[25]；Steere等基于GIS通過非線性克里格方法預(yù)測(cè)了黃萎病的感染情況[26]。

1.3.2 基于遙感技術(shù)的病蟲害預(yù)測(cè) 遙感技術(shù)出現(xiàn)在20世紀(jì)60年代，結(jié)合計(jì)算機(jī)技術(shù)迅速發(fā)展起來。它是以電磁波理論為基礎(chǔ)，通過各種傳感器對(duì)目標(biāo)物體輻射和反射的電磁波進(jìn)行收集處理最后成像，然后對(duì)目標(biāo)物體進(jìn)行探測(cè)和識(shí)別的一種技術(shù)。在農(nóng)業(yè)方面的應(yīng)用有通過遙感影像獲取遙感的紅外波段和近紅外波段的反射率及其組合與作物的葉面積指數(shù)，通過衛(wèi)星傳感器記錄地球表面信息，識(shí)別農(nóng)作物類型，觀測(cè)農(nóng)作物生長(zhǎng)情況，避免了手工收集方法費(fèi)時(shí)費(fèi)力，還會(huì)造成破壞等缺點(diǎn)。圖4為衛(wèi)星遙感結(jié)合氣象數(shù)據(jù)對(duì)小麥白粉病的預(yù)測(cè)結(jié)果。

目前，遙感一般有衛(wèi)星遙感、高光譜遙感和航空遙感。遙感技術(shù)將觀測(cè)到的數(shù)據(jù)通過圖像處理和識(shí)別等技術(shù)，成為人們進(jìn)行植物生長(zhǎng)程度、環(huán)境因子和病蟲害防治的根本依據(jù)。遙感一般作為信息的采集而出現(xiàn)，通過信息傳遞傳到后臺(tái)再進(jìn)行數(shù)據(jù)分析。如馬慧琴等通過遙感提取到的植被指數(shù)、地表溫度和影像中各波段的反射率特征，結(jié)合Relief算法和泊松相關(guān)系數(shù)進(jìn)行篩選，使用相關(guān)向量機(jī)(relevance vector machine，簡(jiǎn)稱RVM)篩選出的遙感氣象特征，進(jìn)行小麥灌漿期白粉病發(fā)生預(yù)測(cè)模型構(gòu)建，模型預(yù)測(cè)總體精度達(dá)到84.2%[27]；馬菁等通過遙感近地高光譜技術(shù)對(duì)果樹枸杞病蟲害進(jìn)行光譜測(cè)定[28]；李衛(wèi)正等通過小型無人機(jī)遙感技術(shù)，實(shí)現(xiàn)了病死木位置信息采集[29]；Yuan等利用遙感和地理信息系統(tǒng)分析當(dāng)前模式下的高度復(fù)雜的信息環(huán)境[30]；Liu等用高光譜遙感技術(shù)發(fā)現(xiàn)了谷物成熟飛虱的最佳密度[31]。

遙感技術(shù)也會(huì)與其他技術(shù)結(jié)合來進(jìn)行數(shù)據(jù)的采集和分析，如袁琳等基于連續(xù)小波分析(continuous wavelet analysis，簡(jiǎn)稱CWA)提出一種全光譜域優(yōu)化搜索的病蟲害區(qū)分小波特征選擇方法，通過該方法將收集來的數(shù)據(jù)采用費(fèi)氏判別線性分析(fluorescence linear discriminant analysis，簡(jiǎn)稱FLAD)和SVM構(gòu)建模型，建立的病蟲害區(qū)分模型總體精度達(dá)到70%以上[32]。

1.3.3 基于3S技術(shù)的病蟲害預(yù)測(cè) 由于RS和GIS都不太成熟，所以RS、GIS通常分開使用。隨著這2項(xiàng)技術(shù)的逐漸成熟，3S集成技術(shù)能更加方便和廣泛地應(yīng)用于環(huán)境監(jiān)測(cè)、氣候變化和災(zāi)害預(yù)測(cè)等各個(gè)方面。3S預(yù)測(cè)病蟲害技術(shù)，根據(jù)對(duì)植物反射光譜的RS影像不同，可以判斷植物健康情況和病蟲害的動(dòng)態(tài)。GIS對(duì)RS收集到的圖像進(jìn)行圖像處理，數(shù)據(jù)分析和專家系統(tǒng)對(duì)病蟲害發(fā)生的程度、發(fā)生面積進(jìn)行預(yù)測(cè)分析，再通過GPS進(jìn)行地理位置的精確定位，找出病蟲害發(fā)生地點(diǎn)。

3S技術(shù)的集成應(yīng)用不僅可以對(duì)病蟲害進(jìn)行精確范圍的預(yù)測(cè)，還可以實(shí)時(shí)對(duì)植物健康情況進(jìn)行監(jiān)測(cè)。例如汪浩然等以3S技術(shù)為核心，使用C#、ARC等語言構(gòu)建病蟲害預(yù)警系統(tǒng)，應(yīng)用GIS中的緩沖和疊加分析預(yù)測(cè)了病蟲害的發(fā)生范圍，并在空間上標(biāo)示了擴(kuò)散區(qū)域、危害程度和防治技術(shù)[33]；余笑等基于3S實(shí)現(xiàn)了農(nóng)產(chǎn)品的溯源，對(duì)農(nóng)產(chǎn)品進(jìn)行了病蟲害評(píng)估[34]；王永生等指出3S在評(píng)價(jià)農(nóng)業(yè)資源、減少物資投入、防治病蟲害方面有顯著作用[35]；馬莉娜指出3S技術(shù)在我國(guó)精細(xì)農(nóng)業(yè)方面將是一個(gè)巨大的改革性技術(shù)[36]。

1.4 基于物聯(lián)網(wǎng)技術(shù)的病蟲害預(yù)測(cè)應(yīng)用

物聯(lián)網(wǎng)是指處于各種環(huán)境下的終端和設(shè)備，例如智能傳感器、移動(dòng)終端、視頻音頻監(jiān)控設(shè)備、數(shù)控系統(tǒng)和貼有射頻技術(shù)(radio frequency identification，簡(jiǎn)稱RFID)的各種商品等，通過無線(或有線)短距離(或長(zhǎng)距離)通信網(wǎng)絡(luò)實(shí)現(xiàn)互聯(lián)互通，在互聯(lián)網(wǎng)環(huán)境下，提供在線監(jiān)測(cè)、定位追溯、指揮調(diào)度、安全防范和決策支持等一系列的服務(wù)。物聯(lián)網(wǎng)的體系架構(gòu)見圖5。

在病蟲害預(yù)測(cè)方面，通過傳感器對(duì)植物的生長(zhǎng)環(huán)境，例如溫度、濕度、光照度等不間斷地進(jìn)行檢測(cè)，實(shí)現(xiàn)對(duì)農(nóng)作物的檢測(cè)和病蟲害的有效控制。物聯(lián)網(wǎng)技術(shù)通過傳感器、互聯(lián)網(wǎng)等實(shí)現(xiàn)了信息從人與人到物與物的傳輸轉(zhuǎn)變，大大加強(qiáng)了我國(guó)智能化的農(nóng)業(yè)發(fā)展。同時(shí)物聯(lián)網(wǎng)技術(shù)使得采集的信息不僅從數(shù)量上而且在維度上實(shí)現(xiàn)了質(zhì)的飛躍，對(duì)于后期預(yù)測(cè)的準(zhǔn)度和精度有十分巨大的作用。

蘇一峰等基于物聯(lián)網(wǎng)的遠(yuǎn)程小麥病蟲害診斷系統(tǒng)總體框架見圖6。此外，鐘志宏等創(chuàng)建的江西省農(nóng)作物物聯(lián)網(wǎng)平臺(tái)，在培養(yǎng)溫室大棚蔬菜時(shí)通過攝像頭和傳感器實(shí)現(xiàn)了蔬菜的有效檢測(cè)、監(jiān)控和調(diào)節(jié)，有效減少了病蟲害對(duì)蔬菜的影響，提高了溫室病蟲害環(huán)境感知和病蟲害的預(yù)警綜合診斷能力[38]；張恩迪等基于物聯(lián)網(wǎng)技術(shù)開發(fā)的農(nóng)業(yè)蟲害智能監(jiān)控系統(tǒng)，可以自動(dòng)采集農(nóng)田環(huán)境信息、害蟲數(shù)量，通過k-means聚類提取害蟲數(shù)量，用橢圓率區(qū)分蟲體和雜質(zhì)，實(shí)現(xiàn)了蟲害信息的提取和自動(dòng)防治[39]；羅世亮等設(shè)計(jì)了基于物聯(lián)網(wǎng)的臍橙園病蟲害專家防治系統(tǒng)，實(shí)現(xiàn)了臍橙病蟲害防治的智能化識(shí)別[40]；房亞群等基于物聯(lián)網(wǎng)和智能監(jiān)控技術(shù)，完成了果園自動(dòng)對(duì)靶噴藥項(xiàng)目[41]；鄧曉璐等基于物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)了寒地玉米大斑病預(yù)警系統(tǒng)[42]；Fu創(chuàng)建了感知、運(yùn)輸和數(shù)據(jù)處理的3層結(jié)構(gòu)農(nóng)業(yè)物聯(lián)網(wǎng)，實(shí)現(xiàn)了病蟲害預(yù)警和快速診斷[43]。

1.5 基于圖像處理的病蟲害診斷

圖像處理就是將圖像信號(hào)轉(zhuǎn)化為數(shù)字信號(hào)，再通過計(jì)算機(jī)技術(shù)對(duì)其進(jìn)行加工處理的過程。隨著技術(shù)的發(fā)展，在農(nóng)業(yè)方面圖像處理技術(shù)正在逐漸替代人工識(shí)別技術(shù)。通過圖像處理在機(jī)器視覺和計(jì)算機(jī)視覺中的不斷應(yīng)用，病蟲害地智能化識(shí)別已經(jīng)達(dá)到很高的準(zhǔn)確率，為病蟲害預(yù)測(cè)前期的病蟲害識(shí)別奠定了堅(jiān)實(shí)的基礎(chǔ)，為及時(shí)采取措施防治病蟲害傳播提供了極大的幫助。圖像處理技術(shù)一般包括3個(gè)步驟：

(1)病蟲害圖像分割。圖像分割是圖像處理的第1步，是通過將圖像分割將圖像細(xì)分為特征(即圖像的結(jié)構(gòu)、顏色、文理等)子區(qū)域的過程。在圖像分割的過程中實(shí)現(xiàn)了特征值提取、構(gòu)建分類器等。圖像分割的經(jīng)典方法有閾值分割法、邊緣檢測(cè)法、數(shù)學(xué)形態(tài)學(xué)法和模糊聚類法等。

(2)病蟲害圖像特征提取。圖像特征提取包括圖像的特征描述和提取2個(gè)過程，決定了分類的效率和分類的精度。特征描述是指給進(jìn)行圖像分割后的圖像某種圖像屬性，以量性地描述或表示，提取是指計(jì)算特征的子集，篩選有用信息給目標(biāo)空間進(jìn)行降維，利于目標(biāo)識(shí)別。按照特定屬性來提取，主要方法有形態(tài)特征提取、顏色特征提取和紋理特征提取。

(3)病蟲害圖像的分類與識(shí)別。以提取的圖像特征為基礎(chǔ)，建立分類器，通過一系列的算法來進(jìn)行圖像的處理分類，力求達(dá)到高精度、穩(wěn)定、快速的圖像分類識(shí)別?；诜诸愐?guī)則的不同，有基于形狀的分類、基于顏色的分類等多種分類器；根據(jù)分類結(jié)果的數(shù)量，有2類分類器與多類分類器，多類分類器是多種算法或決策的組合，例如BP網(wǎng)絡(luò)、SVM和模糊聚類法等。

隨著圖像識(shí)別技術(shù)的逐步發(fā)展，圖像處理技術(shù)也逐漸被應(yīng)用在一些其他領(lǐng)域，例如計(jì)算機(jī)視覺、機(jī)器視覺等技術(shù)領(lǐng)域，并取得了很好的應(yīng)用效果。趙瑤池等采用混合高斯模型得到紋理差異圖像，使用灰度圖像的自動(dòng)閾值分割法進(jìn)行分割得到DRLSE演化初始區(qū)域，利用改變紋理差異度的邊緣停止函數(shù)，精準(zhǔn)地獲取病變區(qū)的輪廓，為病蟲害預(yù)測(cè)提供了依據(jù)[44]；高新浩等基于機(jī)器視覺采用最大熵函數(shù)對(duì)紋理圖像進(jìn)行分析，對(duì)玉米病蟲害進(jìn)行區(qū)分，進(jìn)行玉米病蟲害的早期預(yù)測(cè)，分類效率達(dá)到99%[45]；高雄等提出了基于機(jī)器視覺的歐式距離病蟲害自動(dòng)識(shí)別檢測(cè)方法，以顏色特征為基礎(chǔ)，準(zhǔn)確識(shí)別害蟲區(qū)域和目標(biāo)農(nóng)作物，判斷病蟲害的危害程度[46]；Paul等基于機(jī)器視覺提出認(rèn)知系統(tǒng)來自動(dòng)檢測(cè)和計(jì)數(shù)粉虱各個(gè)階段的數(shù)量和進(jìn)行玫瑰早期的疾病檢測(cè)和防治[47]。

1.6 其他病蟲害預(yù)測(cè)技術(shù)

1.6.1 基于粗集理論的病蟲害預(yù)測(cè) 粗集理論是處理模糊和不精確性信息的一種算法。主要思想是利用已知的知識(shí)庫，將知識(shí)理解為對(duì)數(shù)據(jù)的劃分，每一個(gè)被劃分的集合稱為概念，將不確定或不精確的知識(shí)用已知知識(shí)庫中的知識(shí)來刻畫。該理論是建立在分類機(jī)制基礎(chǔ)上的，它將分類理解為空間上的等價(jià)關(guān)系，而等價(jià)關(guān)系構(gòu)成了對(duì)該空間的劃分。

粗集理論是根據(jù)大量的已有知識(shí)，劃定信息中的等價(jià)關(guān)系，再根據(jù)各等價(jià)關(guān)系中的依賴關(guān)系將相容信息去除，簡(jiǎn)化和挖掘隱含關(guān)系的理論。粗集理論對(duì)信息的整合有很高速度的融合能力和預(yù)測(cè)能力，對(duì)于早期的預(yù)測(cè)預(yù)警技術(shù)來說是至關(guān)重要的。涂運(yùn)華等使用粗集消除冗余樣本，結(jié)合神經(jīng)網(wǎng)絡(luò)、不定性原理建立了蔬菜病蟲害診斷專家系統(tǒng)，實(shí)現(xiàn)了番茄病蟲害的有效控制[48]。

1.6.2 基于Android系統(tǒng)的病蟲害預(yù)測(cè)系統(tǒng) 隨著無線通信技術(shù)的進(jìn)一步發(fā)展，大量針對(duì)病蟲害預(yù)測(cè)的專家系統(tǒng)被研發(fā)出來，推進(jìn)了農(nóng)業(yè)信息化的發(fā)展。而智能手機(jī)的進(jìn)一步普及和電子商務(wù)的快速發(fā)展，使移動(dòng)互聯(lián)網(wǎng)用戶飛速增長(zhǎng)。目前移動(dòng)終端的主流操作系統(tǒng)為Android平臺(tái)，優(yōu)點(diǎn)是設(shè)備廉價(jià)且開放性高，因此基于Android平臺(tái)的病蟲害預(yù)測(cè)系統(tǒng)大大推進(jìn)了病蟲害預(yù)測(cè)的發(fā)展進(jìn)程。

基于Android的病蟲害預(yù)測(cè)系統(tǒng)包括人機(jī)交互模塊和數(shù)據(jù)處理模塊、客戶輸入農(nóng)作物和害蟲的種類模塊、后臺(tái)數(shù)據(jù)服務(wù)器返回信息模塊。田磊等設(shè)計(jì)了基于Android的機(jī)器視覺診斷系統(tǒng)[49];寧寧等設(shè)計(jì)了基于Android系統(tǒng)的植物病蟲害查詢系統(tǒng)[50]；于輝輝等基于Android手機(jī)終端設(shè)計(jì)了棉花害蟲智能診斷系統(tǒng)，實(shí)現(xiàn)了實(shí)時(shí)有效的診斷[51]。

2 總結(jié)

本文主要介紹了現(xiàn)代信息技術(shù)在病蟲害預(yù)測(cè)方面的原理與應(yīng)用。從信息的采集(例如遙感技術(shù))到信息的傳遞集成(3S等)再到信息的處理(BP、SVM)，信息技術(shù)正在逐漸滲透進(jìn)病蟲害預(yù)測(cè)分析的每一個(gè)環(huán)節(jié)，并將它們連接起來，形成一張網(wǎng)絡(luò)，逐步實(shí)現(xiàn)病蟲害預(yù)測(cè)的規(guī)范化、標(biāo)準(zhǔn)化。不同的信息技術(shù)有不同的領(lǐng)域，針對(duì)不同的農(nóng)作物病蟲害和不同的預(yù)測(cè)環(huán)節(jié)，采用不同的信息技術(shù)。雖然信息技術(shù)在病蟲害預(yù)測(cè)方面有很大前景，但是這些技術(shù)依舊存在一些問題。主要包括：(1)遙感傳感器的種類單一，對(duì)于種類繁多、氣候條件不同的農(nóng)作物病蟲害信息提取不到位；(2)信息傳遞速度較慢，對(duì)病蟲害反應(yīng)不夠靈敏，不能實(shí)現(xiàn)精確的病蟲害實(shí)時(shí)預(yù)測(cè);(3)整個(gè)病蟲害預(yù)測(cè)網(wǎng)絡(luò)自動(dòng)化程度不夠高，人為參與較多，易產(chǎn)生誤差。

隨著信息技術(shù)的不斷發(fā)展，病蟲害各個(gè)環(huán)節(jié)的銜接必定更加緊密，智能化、自動(dòng)化水平大大提高，成為病蟲害預(yù)測(cè)的主要力量。