大數(shù)據(jù)時代農(nóng)作物病蟲害識別預(yù)警的發(fā)展與應(yīng)用

李楊

摘 要 在大數(shù)據(jù)時代的背景下，全面、真實、實時的農(nóng)業(yè)大數(shù)據(jù)資源為現(xiàn)代化農(nóng)業(yè)建設(shè)奠定了基礎(chǔ)。大數(shù)據(jù)技術(shù)和農(nóng)業(yè)信息化的發(fā)展，提升了高新技術(shù)在農(nóng)作物病蟲害識別預(yù)警中的應(yīng)用水平，使病蟲害識別預(yù)警技術(shù)逐步智能化、精準(zhǔn)化。為進(jìn)一步發(fā)展與完善農(nóng)業(yè)病蟲害識別預(yù)警技術(shù)，綜述了大數(shù)據(jù)時代背景下農(nóng)作物病蟲害識別預(yù)警技術(shù)的研究與應(yīng)用進(jìn)展，并對其未來發(fā)展進(jìn)行了展望，提出融合其他高新技術(shù)、優(yōu)化大數(shù)據(jù)采集技術(shù)、轉(zhuǎn)變預(yù)警模型、降低識別預(yù)警系統(tǒng)和設(shè)備的成本等建議。

關(guān)鍵詞 農(nóng)作物病蟲害;識別;預(yù)警;大數(shù)據(jù)

中圖分類號：S431.9 文獻(xiàn)標(biāo)志碼：C DOI：10.19415/j.cnki.1673-890x.2022.05.045

伴隨著社會發(fā)展和人口數(shù)量增加，對糧食需求增加，預(yù)計到2050年，全球?qū)τ诩Z食的需求總量將增長一倍。而當(dāng)下的氣候變化、地下水位降低、病蟲害滋生和可耕種土地縮減等問題，嚴(yán)重阻礙了糧食產(chǎn)量的增加[1]。由于全球氣候條件和不同地域耕作制度的變化，使病蟲害的發(fā)生和演替變得更加復(fù)雜，且農(nóng)藥和化肥的長期不科學(xué)施用，嚴(yán)重影響了害蟲天敵的生存，破壞了生態(tài)平衡。這些因素導(dǎo)致農(nóng)作物病蟲害時有發(fā)生，并成為引起糧食產(chǎn)量縮減的重要原因之一[2-3]。據(jù)估計，全球由病害造成的年均糧食損失約為年均總產(chǎn)量的10%，由蟲害造成的年均損失約為總產(chǎn)量的14%，而我國因病蟲害損失的年均糧食量約占國內(nèi)年均總產(chǎn)量的8.8%。因此，如何提升農(nóng)作物病蟲害識別、實時監(jiān)測及預(yù)警的技術(shù)水平以有效控制病蟲害的暴發(fā)，對于農(nóng)業(yè)生產(chǎn)至關(guān)重要。

農(nóng)作物病蟲害的發(fā)生和演替受作物布局、病蟲害遷徙、滯育方式、農(nóng)田小氣候、氣象條件等多種因素影響[4]。病蟲害防治的關(guān)鍵在于如何精準(zhǔn)迅速地識別病蟲害類型、確定病蟲害暴發(fā)區(qū)域、評估其嚴(yán)重程度，從而對癥下藥，采取相應(yīng)的防治措施。最早期的病蟲害識別與監(jiān)測通常是以人工的方式進(jìn)行現(xiàn)場查驗、測量、統(tǒng)計和辨識，這種方式主觀性強、精確度不高、信息滯后、耗時耗力且效率極低[5]。

而隨著大數(shù)據(jù)技術(shù)和農(nóng)業(yè)信息化的發(fā)展，病蟲害識別及預(yù)警方法逐步智能化、精準(zhǔn)化。農(nóng)業(yè)物聯(lián)網(wǎng)、農(nóng)業(yè)大數(shù)據(jù)和農(nóng)業(yè)云平臺相互關(guān)聯(lián)、共同發(fā)展，形成了智慧農(nóng)業(yè)技術(shù)體系的主體部分，為病蟲害識別與預(yù)警提供了更多優(yōu)質(zhì)高效的技術(shù)手段，在促進(jìn)農(nóng)業(yè)現(xiàn)代化進(jìn)程中扮演著極為重要的角色。如今，大數(shù)據(jù)時代的病蟲害識別和預(yù)警正在從模型驅(qū)動轉(zhuǎn)換為數(shù)據(jù)驅(qū)動，海量病蟲害數(shù)據(jù)資源得到采集、匯聚、存儲、管理及應(yīng)用，大數(shù)據(jù)已逐漸成為農(nóng)作物病蟲害識別和預(yù)警的核心驅(qū)動力[6]。

本文綜述近年來國內(nèi)外基于大數(shù)據(jù)技術(shù)的農(nóng)作物病蟲害識別、監(jiān)測及預(yù)警方面的研究進(jìn)展，總結(jié)病蟲害識別預(yù)警技術(shù)在國內(nèi)的應(yīng)用進(jìn)展，并對其未來的發(fā)展趨勢進(jìn)行展望。

1 ?基于大數(shù)據(jù)的農(nóng)作物病蟲害識別預(yù)警的關(guān)鍵技術(shù)

1.1基于3S技術(shù)的病蟲害識別預(yù)警

3S技術(shù)由遙感技術(shù)（RS）、地理信息系統(tǒng)（GIS）和全球定位系統(tǒng)（GPS）組成，是一門將傳感器技術(shù)、空間技術(shù)、衛(wèi)星定位與導(dǎo)航技術(shù)和信息通信技術(shù)、計算機技術(shù)相結(jié)合，從而實現(xiàn)地理空間信息的獲取、分析處理、通信和應(yīng)用等的現(xiàn)代信息技術(shù)[7]。農(nóng)作物病蟲害地理空間信息的采集能精確定位病蟲害暴發(fā)的位置，從而協(xié)助政府部門及時發(fā)布預(yù)警，提示相關(guān)地區(qū)的病蟲害防控中心做好應(yīng)對措施。

在農(nóng)作物病蟲害識別預(yù)警中，RS可實時、快捷地獲取各區(qū)域地表物體及其所處環(huán)境的物理和空間等信息的變化，利用RS數(shù)據(jù)反演的植被生物量、土壤水分、地表溫度等參數(shù)，能大體反映出農(nóng)作物的生境狀況，再協(xié)同氣象信息可綜合預(yù)測病蟲害的發(fā)生概率，從而提升對病蟲害的防控水平[8];運用GIS強大的空間分析和數(shù)據(jù)管理功能，結(jié)合生物地理統(tǒng)計學(xué)的原理和方法，可以分析病蟲害的空間分布和適應(yīng)性分布，對病蟲害的發(fā)生進(jìn)行動態(tài)時空模擬，并進(jìn)行多尺度數(shù)據(jù)庫管理[9];而GPS通常用于病蟲害的動態(tài)監(jiān)測，通過輔助RS數(shù)據(jù)的分析處理和信息提煉、病蟲害防治GIS的構(gòu)建與數(shù)據(jù)更新、飛機防治病蟲害作業(yè)導(dǎo)航系統(tǒng)設(shè)計等，精確定位病蟲害的發(fā)生點并精準(zhǔn)噴灑農(nóng)藥[10-12]。

ALTAS等開發(fā)了基于多種算法的圖像處理技術(shù)，通過在大面積種植甜菜的田間使用帶有攝像頭和GPS的無人機（UAV）所采集的實時圖像，確定了Tokat地區(qū)甜菜田褐斑病的嚴(yán)重程度[13]。ZHANG等構(gòu)建了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）的模型，通過裝有高光譜圖像傳感器的UAV捕獲高空間分辨率的高光譜圖像，結(jié)合光譜和空間信息，實現(xiàn)了冬小麥黃銹病的自動檢測，且整體準(zhǔn)確度高于僅使用光譜信息的傳統(tǒng)分類方法[14]。STEERE等使用地質(zhì)統(tǒng)計學(xué)和GIS進(jìn)行了土壤評估，并利用非線性克里金法預(yù)測了馬鈴薯可能發(fā)生大麗輪枝菌感染的位置[15]。劉小紅借助WebGIS技術(shù)構(gòu)建了煙草病蟲害診斷預(yù)測系統(tǒng)[16]。高羽佳等提出了一種將GIS和GPS的結(jié)合方法，對安徽省東南部某地區(qū)的農(nóng)作物病蟲害相關(guān)數(shù)據(jù)進(jìn)行了采集、處理和可視化識別，并最終實現(xiàn)了對病蟲害的預(yù)警[17]。

1.2 ?基于物聯(lián)網(wǎng)技術(shù)的病蟲害識別預(yù)警

物聯(lián)網(wǎng)的興起為農(nóng)作物病蟲害的防治帶來了更高效、更智能的解決方法。各種不同類型的物聯(lián)網(wǎng)傳感器可以實時收集地理位置、環(huán)境狀態(tài)、農(nóng)作物生長和病蟲害情況等信息，并將所有原始圖像和數(shù)據(jù)發(fā)送到云中心，然后利用各種模型和算法進(jìn)行處理和分析，最后通過云中心為終端提供病蟲害識別、預(yù)測和預(yù)警及專家系統(tǒng)推薦治理措施等服務(wù)[18-19]。

TIRELLI等提出了一種以ZigBee技術(shù)為基礎(chǔ)構(gòu)建的害蟲誘捕器自動監(jiān)測系統(tǒng)，該系統(tǒng)可以通過從不同地點收集的數(shù)據(jù)來估計昆蟲密度，并在超過設(shè)定值時向農(nóng)民發(fā)送預(yù)警信息[20]。AHOUANDJINOU等開發(fā)了一種害蟲監(jiān)測系統(tǒng)，該系統(tǒng)通過以超聲波換能器和圍繞運算放大器LM324構(gòu)建的四級放大器電路為基礎(chǔ)開發(fā)的智能傳感器獲取超聲波來檢測害蟲的存在，并制定早期消滅害蟲的策略方案[21]。FOUGHALI等構(gòu)建了一種基于傳感器網(wǎng)絡(luò)和云物聯(lián)網(wǎng)的馬鈴薯晚疫病預(yù)防和決策支持系統(tǒng)，并幫助農(nóng)業(yè)學(xué)家采取有效措施來治療這種疾病[22]。Semios和Spensa公司都推出了自己的害蟲綜合管理系統(tǒng)，這些系統(tǒng)能夠通過圖像計算害蟲的數(shù)量，并對害蟲進(jìn)行表征和捕獲。史東旭等構(gòu)建了一種以物聯(lián)網(wǎng)和大數(shù)據(jù)驅(qū)動為基礎(chǔ)的現(xiàn)代農(nóng)業(yè)技術(shù)平臺，實現(xiàn)了對農(nóng)業(yè)病蟲害的監(jiān)測和預(yù)警[1]。2E998DE9-65C2-4FEB-B71C-686C55786BE1

1.3基于圖像處理技術(shù)的病蟲害識別預(yù)警

早期對農(nóng)作物病蟲害的檢測、識別和分類主要通過農(nóng)業(yè)專家依靠以往經(jīng)驗對大田作物進(jìn)行目視或顯微鏡觀察，這種方式既耗時又費力，而科技的進(jìn)步促使圖像處理技術(shù)逐步取代了傳統(tǒng)的人工識別[23]。經(jīng)典的農(nóng)作物病蟲害圖像識別方法是利用紅外、可見光或高光譜等成像技術(shù)采集農(nóng)作物圖像，然后將傳統(tǒng)機器學(xué)習(xí)分類方法與圖像處理技術(shù)相結(jié)合，實現(xiàn)病蟲害的智能化識別[24]。近幾年來，研究人員開始聚焦于將比傳統(tǒng)機器學(xué)習(xí)技術(shù)在學(xué)習(xí)能力、網(wǎng)絡(luò)結(jié)構(gòu)及識別準(zhǔn)確度上更具優(yōu)勢的深度學(xué)習(xí)與圖像處理技術(shù)相結(jié)合，以進(jìn)一步優(yōu)化病蟲害圖像檢測方法。

XU等設(shè)計了一種基于嵌入式圖像識別技術(shù)的小麥葉銹病檢測系統(tǒng)。該系統(tǒng)采用ARM9處理器，以嵌入式Linux平臺為主體，程序在Qt集成環(huán)境下開發(fā)。經(jīng)驗證，該系統(tǒng)識別率達(dá)到96.2%，準(zhǔn)確率達(dá)到92.3%，與人類視覺效果大致相當(dāng)[25]。SINGH開發(fā)了一種基于粒子群優(yōu)化算法的系統(tǒng)，用于對向日葵葉子圖像進(jìn)行分割和分類，從而實現(xiàn)向日葵葉片病害檢測[26]。SABROL和SATISH利用基于分類樹的圖像處理技術(shù)對番茄晚疫病、斑枯病、細(xì)菌性斑點病、細(xì)菌性潰瘍病、番茄卷葉和健康番茄植株葉莖圖像進(jìn)行了分類[27]。MOHANTY等使用在受控條件下收集的54 306張患病和健康植物葉片圖片的公共數(shù)據(jù)集，構(gòu)建了一個基于GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型，實現(xiàn)了14種作物和26種病害的識別[28]。RAMCHARAN等使用在坦桑尼亞實地拍攝的木薯病害圖像數(shù)據(jù)集，應(yīng)用遷移學(xué)習(xí)來訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，以識別棕色葉斑病、紅螨、綠螨、木薯褐條病和木薯花葉病[29]。蔡漢明等開發(fā)了一種以深度可分離卷積和卷積相結(jié)合替代標(biāo)準(zhǔn)卷積的神經(jīng)網(wǎng)絡(luò)模型，識別了10種不同農(nóng)作物的27類病害，且識別準(zhǔn)確率達(dá)到了98.26%[30]。

1.4病蟲害預(yù)警專家系統(tǒng)

人工智能為農(nóng)作物病蟲害診斷預(yù)警專家系統(tǒng)的發(fā)展提供了技術(shù)支持，使其逐漸成為了農(nóng)業(yè)信息技術(shù)中的重要一環(huán)。專家系統(tǒng)包括知識庫、知識獲取、推理機、數(shù)據(jù)庫、解釋程序和人機接口，是一種以病蟲害專家的知識和經(jīng)驗為依據(jù)，模擬專家處理問題時的行為并運用知識和推理技術(shù)對病蟲害進(jìn)行診斷的信息系統(tǒng)。

1978年，美國伊利諾斯大學(xué)研發(fā)出了世界上第一個農(nóng)作物病蟲害專家系統(tǒng)——大豆病害診斷專家系統(tǒng)PLANT/DS。此后，越來越多的研究人員將目光聚焦于此領(lǐng)域，先后構(gòu)建了玉米螟蟲蟲害預(yù)測專家系統(tǒng)PLANT/cd、番茄病害診斷系統(tǒng)MICCS、棉花害蟲管理專家系統(tǒng)rbWHIMS、蘋果病害綜合管理專家系統(tǒng)PSAOC、蚜蟲識別專家系統(tǒng)CAES及馬鈴薯害蟲專家系統(tǒng)PIES等。近年來，基于3G通信的移動農(nóng)業(yè)專家系統(tǒng)、基于Android平臺的植物病蟲害查詢診斷系統(tǒng)、基于.NET的水稻病蟲害專家系統(tǒng)、基于ASP.NET的甘肅省玉米病蟲害診斷專家系統(tǒng)、基于CBR-RBR集成和深度學(xué)習(xí)方法的茶樹病蟲害專家系統(tǒng)、基于云平臺蜜柚專家系統(tǒng)、基于物聯(lián)網(wǎng)的臍橙園病蟲害防治專家系統(tǒng)、基于微信平臺的陜西蔬菜病蟲害專家診斷系統(tǒng)等也相繼被開發(fā)、應(yīng)用于我國的農(nóng)作物病蟲害監(jiān)測防治領(lǐng)域。

2 ?基于大數(shù)據(jù)的農(nóng)作物病蟲害識別預(yù)警技術(shù)的應(yīng)用

我國對智慧農(nóng)業(yè)和農(nóng)業(yè)信息化的重視推動了農(nóng)作物病蟲害識別預(yù)警技術(shù)的快速發(fā)展。近年來，我國研發(fā)了自動蟲情測報燈、農(nóng)田小氣候自動監(jiān)測站、智能孢子捕捉儀、農(nóng)作物病蟲害實時監(jiān)控物聯(lián)網(wǎng)設(shè)備、病蟲害田間調(diào)查智能識別應(yīng)用程序等多種智能化設(shè)備;構(gòu)建了來自糧、棉、油、麻、桑、茶、糖、菜、煙和果等農(nóng)作物的177常見病蟲鼠害（蟲害99種、病害63種、鼠害15種）的識別、監(jiān)測及預(yù)警的方法，并收集了相關(guān)的大數(shù)據(jù)資料;對農(nóng)作物病菌孢子的捕捉和檢測技術(shù)進(jìn)行了完善，融合了農(nóng)作物病蟲害GIS開發(fā)技術(shù)和計算機的數(shù)據(jù)傳輸與網(wǎng)絡(luò)技術(shù)、農(nóng)田小氣候自動監(jiān)測技術(shù)和分析提取對病蟲害造成影響的主要氣象因素及預(yù)警指標(biāo)的技術(shù)。這些成果促進(jìn)了我國農(nóng)作物病蟲害識別預(yù)警技術(shù)的進(jìn)步，提升了高新技術(shù)在此領(lǐng)域的應(yīng)用水平。

1986年，我國吉林省農(nóng)科院植保所與澳大利亞國防軍學(xué)院的Alistair Drake博士合作，首次組裝了厘米波掃描昆蟲雷達(dá)，并將其應(yīng)用于觀測草地螟和黏蟲等的遷飛;2004年，我國首次構(gòu)建了厘米波垂直監(jiān)測昆蟲雷達(dá)以監(jiān)測草地螟、黏蟲等害蟲;2007年，我國首次構(gòu)建了毫米波掃描昆蟲雷達(dá)對稻飛虱等水稻“兩遷”害蟲進(jìn)行監(jiān)測，首創(chuàng)了雷達(dá)三維回波顯示技術(shù)，攻克了提升雷達(dá)監(jiān)測的精確度及確定害蟲的飛行方向等重要技術(shù)難關(guān);2009年，農(nóng)業(yè)部正式啟動了農(nóng)作物重大病蟲害數(shù)字化監(jiān)測預(yù)警網(wǎng)絡(luò)系統(tǒng)建設(shè)項目，初步創(chuàng)建了農(nóng)作物（水稻）重大病蟲害數(shù)字化監(jiān)測預(yù)警平臺;2010年，進(jìn)一步擴展數(shù)字化監(jiān)測預(yù)警網(wǎng)絡(luò)的覆蓋區(qū)域，創(chuàng)建了小麥病蟲害監(jiān)測預(yù)警系統(tǒng)，開啟了新一期的病蟲害監(jiān)測預(yù)警建設(shè)項目，并在2011年1月正式投入使用。如今，我國已構(gòu)建了由170個地方測報站、61個區(qū)域測報站及9個雷達(dá)測報站組成的國內(nèi)遷飛昆蟲測報網(wǎng)絡(luò)系統(tǒng)。此外，從2010年以來，經(jīng)中華人民共和國農(nóng)業(yè)農(nóng)村部批準(zhǔn)，我國與越南聯(lián)合開展了“中越水稻遷飛性害蟲監(jiān)測防治項目”，兩國互相設(shè)置了聯(lián)合測報站點，對遷飛性害蟲等進(jìn)行實地調(diào)研、系統(tǒng)監(jiān)測、信息互通及技術(shù)交流，此舉進(jìn)一步提高了我國對水稻重大病蟲害的早期預(yù)警及治理水平，使國內(nèi)水稻重大病蟲害發(fā)生率在近10年內(nèi)一直處于下降狀態(tài)。

3 ?展望

在政策的大力支持下，近年來我國在農(nóng)作物病蟲害識別預(yù)警技術(shù)的研究和應(yīng)用方面取得了卓越的成績，但與其他農(nóng)業(yè)發(fā)達(dá)國家相比，仍存在一定的差距和上升空間。未來，基于大數(shù)據(jù)的農(nóng)業(yè)病蟲害識別預(yù)警可考慮從以下4個方面進(jìn)行優(yōu)化和完善。

1）將多種高新技術(shù)融合應(yīng)用于病蟲害識別預(yù)警技術(shù)中，以拓寬病蟲害預(yù)警的覆蓋面，提升預(yù)警精確度。例如：將3S技術(shù)與物聯(lián)網(wǎng)技術(shù)相結(jié)合，對農(nóng)作物的生境監(jiān)測進(jìn)行更周密的覆蓋，以增加大數(shù)據(jù)信息采集的全面性;結(jié)合多種機器學(xué)習(xí)算法的優(yōu)勢優(yōu)化病蟲害識別預(yù)警模型，以增強預(yù)警的精確性;將電子顯微鏡、光譜、PCR和生物芯片技術(shù)等結(jié)合起來，實現(xiàn)對病蟲害宏觀和微觀的全方位檢測。2E998DE9-65C2-4FEB-B71C-686C55786BE1

2）相關(guān)研發(fā)和測報單位應(yīng)將更多精力投入到對生境、病蟲害、病原微生物等大數(shù)據(jù)信息的采集、積累、更新中，進(jìn)一步改進(jìn)大數(shù)據(jù)采集技術(shù)，確保數(shù)據(jù)的及時性、通用性和準(zhǔn)確性，為病蟲害識別預(yù)警的研究提供更有效的數(shù)據(jù)支撐。

3）農(nóng)作物病蟲害預(yù)警的研究將由現(xiàn)階段中長期為主的預(yù)警模型逐步向早期/初期檢測、診斷與預(yù)警模型轉(zhuǎn)變，以增強預(yù)警的時效性和精確性，從而及時向農(nóng)民提供病蟲害防治指導(dǎo)，減少經(jīng)濟(jì)損失。

4）農(nóng)作物病蟲害識別預(yù)警系統(tǒng)和設(shè)備將向低成本發(fā)展。目前所用到的病蟲害監(jiān)測和預(yù)警設(shè)備成本相對較高，不利于在小型農(nóng)業(yè)組織中推廣使用，適當(dāng)降低成本有益于病蟲害識別預(yù)警技術(shù)的下沉普及。

參考文獻(xiàn)：

[1] 史東旭，高德民，薛衛(wèi)，等.基于物聯(lián)網(wǎng)和大數(shù)據(jù)驅(qū)動的農(nóng)業(yè)病蟲害監(jiān)測技術(shù)[J].南京農(nóng)業(yè)大學(xué)學(xué)報，2019，42（5）：967-974.

[2] 項穎.農(nóng)業(yè)病蟲害圖像遠(yuǎn)程傳輸系統(tǒng)的研究與設(shè)計[D].北京：中國農(nóng)業(yè)科學(xué)院，2006.

[3] 張競成，袁琳，王紀(jì)華，等.作物病蟲害遙感監(jiān)測研究進(jìn)展[J].農(nóng)業(yè)工程學(xué)報，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] 劉鵬，張亮，李藝嘉，等.糧食病蟲害識別研究進(jìn)展[J].糧食科技與經(jīng)濟(jì)，2019，44（4）：72-73.

[6] 吳炳方，張淼，曾紅偉，等.大數(shù)據(jù)時代的農(nóng)情監(jiān)測與預(yù)警[J].遙感學(xué)報，2016，20（5）：1027-1037.

[7] 李素，郭兆春，王聰，等.信息技術(shù)在農(nóng)作物病蟲害監(jiān)測預(yù)警中的應(yīng)用綜述[J].江蘇農(nóng)業(yè)科學(xué)，2018，46（22）：1-6.

[8] 趙春江.農(nóng)業(yè)遙感研究與應(yīng)用進(jìn)展[J].農(nóng)業(yè)機械學(xué)報，2014，45（12）：277-293.

[9] 洪波，張鋒，李英梅，等.GIS在農(nóng)業(yè)病蟲害預(yù)警研究中的應(yīng)用[J].陜西農(nóng)業(yè)科學(xué)，2011，57（3）：170-173.

[10] 石雷，韋雪花，周汝良.3S技術(shù)在松材線蟲病監(jiān)測預(yù)警中的應(yīng)用研究現(xiàn)狀[J].云南地理環(huán)境研究，2008（3）：15-19.

[11] 王蕾，黃華國，張曉麗，等.3S技術(shù)在森林蟲害動態(tài)監(jiān)測中的應(yīng)用研究[J].世界林業(yè)研究，2005，18（2）：51-56.

[12] 石進(jìn)，馬盛安，蔣麗雅，等.航空遙感技術(shù)監(jiān)測松材線蟲病的應(yīng)用[J].中國森林病蟲，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] 劉小紅.基于WebGIS的煙草病蟲害診斷預(yù)測系統(tǒng)設(shè)計[J].農(nóng)業(yè)災(zāi)害研究，2016，6（5）：4-6.

[17] 高羽佳，王永梅，陳祎瓊，等.基于GIS的農(nóng)作物病蟲害受災(zāi)程度可視化識別方法研究[J].災(zāi)害學(xué)，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，F(xiàn)RIHIDA 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] 康飛龍，李佳，劉濤，等.多類農(nóng)作物病蟲害的圖像識別應(yīng)用技術(shù)研究綜述[J].江蘇農(nóng)業(yè)科學(xué)，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，隨玉騰，張鎮(zhèn)，等.基于深度可分離卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病害識別方法[J].安徽農(nóng)業(yè)科學(xué)，2019，47（11）：244-246.

（責(zé)任編輯：張春雨 ?丁志祥）2E998DE9-65C2-4FEB-B71C-686C55786BE1