基于多源遙感信息的作物病蟲害生境評價(jià)研究進(jìn)展*

沈艷艷 ,張競成** ,沈棟 ,田洋洋 ,黃文江 ,楊小冬

(1.杭州電子科技大學(xué)人工智能學(xué)院 杭州 310018;2.中國科學(xué)院空天信息創(chuàng)新研究院數(shù)字地球重點(diǎn)實(shí)驗(yàn)室 北京 100094;3.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感機(jī)理與定量遙感重點(diǎn)實(shí)驗(yàn)室/北京市農(nóng)林科學(xué)院信息技術(shù)研究中心 北京 100097)

植物病蟲害已被認(rèn)為是全球糧食安全面臨的主要挑戰(zhàn)之一,其中作物病蟲害是農(nóng)業(yè)生產(chǎn)過程中嚴(yán)重影響糧食產(chǎn)量和質(zhì)量的重要生物災(zāi)害[1-2]。據(jù)研究統(tǒng)計(jì),在全球范圍內(nèi)與病害相關(guān)的糧食產(chǎn)量損失約占全球糧食總產(chǎn)量的14%,與蟲害相關(guān)的糧食產(chǎn)量損失約占全球糧食總產(chǎn)量的10%[3]。作物病蟲害不僅會引起農(nóng)作物產(chǎn)量的減少,并且在一定程度上還嚴(yán)重威脅到農(nóng)產(chǎn)品的質(zhì)量安全。本文綜述的范圍主要針對我國主要糧食作物[小麥(Triticum aestivum)、水稻(Oryza sativa)、玉米(Zea mays)]的一些主要病害和蟲害,包括小麥條銹病(Puccinia striiformis)、白粉病(Blumeria graminis)、麥瘟病(Magnaporthe oryzae),水稻紋枯病(Rhizoctonia solani),玉米大小斑病(Exserohilum turcicum,Bipolaris maydis),東亞飛蝗(Locusta migratoria manilensis)、沙漠蝗蟲(Schistocerca gregaria)、褐飛蝗(Locustana pardalina)、草地貪夜蛾(Spodoptera frugiperda)、蚜蟲(Macrosiphum avenae)、松材線蟲(Bursaphelenchus xylophilus)、白背飛虱(Sogatella furcifera)等。

作物病蟲害的發(fā)生、發(fā)展是一個病原菌、害蟲與寄主作物在一定環(huán)境下的侵染、繁殖、擴(kuò)散的相互作用過程。病蟲害生境條件主要指這種發(fā)生、流行過程中所需要滿足的生態(tài)環(huán)境,主要與寄主作物的分布、狀態(tài)和環(huán)境等因素有關(guān)。任何作物病蟲害的大范圍流行都需要具備適宜的生境條件,因此如能夠在區(qū)域尺度上對作物病蟲害生境適宜性進(jìn)行評價(jià)、分級,就能夠?yàn)椴∠x害預(yù)測提供重要的本底信息,從宏觀上掌握一定范圍內(nèi)不同區(qū)域病蟲害發(fā)生、流行的風(fēng)險(xiǎn)狀態(tài),有助于明確病蟲害防控和管理的重點(diǎn)區(qū)域。目前,病蟲害的生境主要通過氣象條件和植保調(diào)查粗略反映,通常尺度較大,缺乏精細(xì)定量的表征體系[4]。但在一個氣象條件一致的區(qū)域,由于作物栽培方式、作物生長狀況、景觀格局等不同,各地塊間的病蟲害生境適宜性存在明顯差異,因此需要建立能夠考慮這些時(shí)空異質(zhì)性因素的病蟲害生境表征體系,以及能夠從更綜合的角度反映生境適宜性的生境適宜性評價(jià)方法[5-8]。近年來,遙感技術(shù)的發(fā)展為病蟲害生境監(jiān)測和評價(jià)提供了維度豐富且時(shí)空連續(xù)的重要數(shù)據(jù)。借助光學(xué)、微波和熱紅外等多源遙感數(shù)據(jù)能夠?qū)崿F(xiàn)對寄主作物的面積、生長狀態(tài)、田間環(huán)境和農(nóng)田景觀格局等反映作物病蟲害生境的因素進(jìn)行監(jiān)測和分析,從而為作物病蟲害生境適宜性評價(jià)提供關(guān)鍵信息[9-14]。本文圍繞如何通過多源遙感數(shù)據(jù)進(jìn)行作物病蟲害生境因素監(jiān)測,以及如何綜合多元信息進(jìn)行病蟲害生境適宜性評價(jià)建模進(jìn)行綜述,以期探明多源遙感數(shù)據(jù)在病蟲害生境表征方面的潛力,提出能夠充分考慮寄主、環(huán)境等時(shí)空異質(zhì)性特征的病蟲害生境適宜性評價(jià)方法,從而為區(qū)域尺度病蟲害預(yù)測和統(tǒng)防統(tǒng)治提供重要支撐。

1 病蟲害生境影響因素分析

作物病蟲害生境因素包括寄主和環(huán)境兩個主要因素。在寄主因素方面,主要包括寄主作物的病蟲抗性、生育期和生長狀態(tài)等。其中,病蟲抗性作為寄主作物的自身特性,是決定病蟲害易感性的一個因素[15]。同時(shí),寄主作物的生長狀態(tài)(密度、葉面積指數(shù)等)和營養(yǎng)狀況(氮素、微量元素含量等)是影響寄主對病蟲害敏感性的重要因素。例如,較多病蟲害偏好密植及氮素含量較高的作物群體[16-18]。此外,作物生育期及其與氣象因素的相互關(guān)系亦是影響病蟲害發(fā)生、流行程度的重要條件。例如,小麥、水稻的抽穗期如遇適宜的溫濕度條件,會大幅增加病蟲害發(fā)生的概率[4,19-20]。

在環(huán)境因素方面,主要包括氣象因素、景觀格局和土壤信息3 類因素。氣象因素大體包括溫度、降雨、濕度、風(fēng)、光照等[21],其中溫度、降水、濕度通常是與病蟲害發(fā)生關(guān)聯(lián)最緊密的氣象因素[6,22-23]。其他如風(fēng)、光照等氣象因素從病蟲害傳播、繁殖等方面亦對病蟲害流行存在一定影響,且與病害類型和特性有關(guān)[5,7]。景觀格局因素主要指寄主作物種植田塊的面積、田塊間聚集和分散格局、農(nóng)田及周邊不同土地利用類型的鄰近關(guān)系、連通性等因素[24]。在一個農(nóng)業(yè)生態(tài)系統(tǒng)中,寄主作物田塊的空間分布與組合格局蘊(yùn)含多種與病蟲害傳播有關(guān)的信息,如田塊之間的空間距離,耕作、灌溉、施肥等農(nóng)事操作可能會加速或阻礙病原傳播和擴(kuò)散[25-27]。土壤因素中主要包括土壤溫度、濕度和鹽度,該因素在蟲害的發(fā)生與流行中具有重要影響。例如蝗蟲在土中產(chǎn)卵實(shí)現(xiàn)繁殖,適宜的土壤溫濕度及鹽度會加速其繁殖速度,同時(shí)該因子影響蝗蟲孵化及越冬等過程[28]。

上述因素中,目前僅有氣象因素能夠通過氣象觀測數(shù)據(jù)得到較好的表征,其他如作物分布、生長狀態(tài)、生育期、景觀格局、土壤信息等因素有可能通過多源遙感數(shù)據(jù)進(jìn)行表征,并用于病蟲害生境適宜性評價(jià)。

2 基于多源遙感數(shù)據(jù)的作物病蟲害生境因素表征方法

多源遙感數(shù)據(jù)在作物面積提取、生長參數(shù)反演、關(guān)鍵物候期提取和景觀格局分析等各方面得到廣泛應(yīng)用,并可通過與氣象參數(shù)融合得到更精細(xì)氣象參數(shù)時(shí)空分布,能夠?yàn)樯骋蜃拥挠行П碚骱蜕尺m宜性評價(jià)提供重要支撐(表1)。近年來,包括國產(chǎn)的高分(GF)系列、風(fēng)云(FY)系列、環(huán)境(HJ)系列,以及國外的MODIS、Sentinel 系列、Landsat 系列等遙感衛(wèi)星為農(nóng)情監(jiān)測提供了豐富的數(shù)據(jù)資源,為開展作物病蟲害生境因素監(jiān)測提供了多維度的信息(圖1)。

圖1 基于多源遙感信息的作物病蟲害生境因素表征Fig.1 Habitat factors characterization of crop diseases and pests based on multi-source remote sensing information

表1 多源遙感數(shù)據(jù)在生境因素表征中的應(yīng)用示例Table 1 Examples of application of multi-source remote sensing data in habitat factors characterization

2.1 寄主分布及生育期因素遙感表征方法

寄主作物的種植分布范圍和生育期是進(jìn)行病蟲害生境評價(jià)分析的重要本底信息[4,27],而衛(wèi)星遙感數(shù)據(jù)在監(jiān)測這些因素方面具有重要潛力[51]。寄主作物種植區(qū)提取的遙感監(jiān)測,需要結(jié)合區(qū)域內(nèi)田塊面積大小,寄主作物與其他作物或植被的時(shí)相、光譜差異,病蟲害發(fā)生規(guī)模,以及作物長勢異質(zhì)性的空間尺度,選擇適宜時(shí)空分辨率的數(shù)據(jù)。一般而言,應(yīng)用于病蟲害生境評價(jià)的寄主作物種植區(qū)提取通常針對較大的區(qū)域采用中高分辨率衛(wèi)星數(shù)據(jù)(如Landsat-8,Sentinel-2 等)[30,32,52],或針對較破碎的地塊采用高分辨率衛(wèi)星數(shù)據(jù)(如WorldView-2、GF-2 等)進(jìn)行監(jiān)測[53-54]。

應(yīng)注意到,不同氣候區(qū)域中的寄主作物監(jiān)測在遙感數(shù)據(jù)源選擇和監(jiān)測方法方面存在較大差異。如病蟲害高發(fā)易發(fā)的中國南部、東部地區(qū),常常存在多云雨天氣,光學(xué)影像數(shù)據(jù)的獲取存在不穩(wěn)定性,故這類地區(qū)的作物種植區(qū)提取僅靠光學(xué)數(shù)據(jù)無法保證[30,55-56]。而微波數(shù)據(jù)具有全天候、晝夜觀測能力,能夠獲取寄主作物的連續(xù)物候信息,可為多云雨地區(qū)作物種植區(qū)提取提供重要的數(shù)據(jù)補(bǔ)充[32,57-58]。因此,將微波、光學(xué)遙感數(shù)據(jù)融合,是多云雨地區(qū)寄主作物監(jiān)測的重要方式[33,59-60]。

此外,通常一個區(qū)域內(nèi)除寄主作物外還會有其他同期作物或植被,因此在種植區(qū)提取時(shí)除利用作物的光譜特征外,還常利用作物的物候規(guī)律[33,53,61]。寄主作物種植區(qū)提取的方法,通常有決策樹、機(jī)器學(xué)習(xí)(如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林等)和深度學(xué)習(xí)等[30,57,62-63]。此外,在監(jiān)測寄主作物的同時(shí),一般構(gòu)建一個包括其他作物、植被、河流、道路等目標(biāo)的多分類體系,為景觀因素的分析提供數(shù)據(jù)基礎(chǔ)。

在寄主作物關(guān)鍵生育期提取方面,病蟲害生境評價(jià)分析中通常關(guān)注作物營養(yǎng)生長時(shí)期(如小麥、水稻的拔節(jié)期),以及作物營養(yǎng)生長-生殖生長轉(zhuǎn)換時(shí)期(如抽穗期)。前者是對寄主作物的生長狀態(tài)因素進(jìn)行監(jiān)測的關(guān)鍵時(shí)期,后者通常是整個生長過程中作物相對易感病蟲害的時(shí)期[17,64-65]。作物關(guān)鍵物候期的監(jiān)測能夠?yàn)槠渌骋蜃?如寄主作物生長狀態(tài)因素、氣象因素)的觀測時(shí)間提供重要參考,從而從整體上提升病蟲害生境因素的表征能力。

寄主作物生育期監(jiān)測主要基于高頻度遙感影像時(shí)間序列,采用時(shí)序?yàn)V波、傅里葉變換、小波分析等方法進(jìn)行監(jiān)測[66-67]?？紤]到拔節(jié)期、抽穗期等關(guān)鍵生育期歷時(shí)較短,因此在較短的時(shí)間窗口內(nèi)獲得有效的遙感數(shù)據(jù)是成功監(jiān)測的關(guān)鍵。目前,一些研究采用中高分辨率衛(wèi)星影像時(shí)間序列或不同分辨率影像結(jié)合(如Landsat 8、MODIS、Sentinel-1/2、HJ-1A/B 等)實(shí)現(xiàn)對水稻、小麥和玉米等作物的關(guān)鍵物候期監(jiān)測,監(jiān)測誤差在4～10 d[33-34,68]。

2.2 寄主生長狀態(tài)遙感表征方法

寄主作物的一些生長狀態(tài)指標(biāo)與病蟲害易感性關(guān)聯(lián)緊密,如作物的覆蓋度、葉面積指數(shù)(LAI)體現(xiàn)了作物種植密度的差異,能夠直接影響病蟲害田間微環(huán)境;作物氮素、水分含量等生理參數(shù)的變化則與病菌的易感性和害蟲的取食偏好有關(guān),能夠影響病蟲害侵染發(fā)生的風(fēng)險(xiǎn)和程度。而這些寄主作物生長狀態(tài)指標(biāo)由于品種、栽培方式、措施等差異,在田間常常呈現(xiàn)出高度的異質(zhì)性,而通過衛(wèi)星遙感數(shù)據(jù),特別是光學(xué)影像,能夠?qū)崿F(xiàn)對這些因素面狀化結(jié)果的精細(xì)監(jiān)測[69-70]。

其中,在LAI 監(jiān)測方面,部分學(xué)者基于Landsat-TM、Landsat-ETM+、Sentinel-2 等光學(xué)影像數(shù)據(jù),結(jié)合PROSPECT+SAIL 模型和查找表方法,對玉米、大豆(Glycine max)、水稻等多種作物的LAI 進(jìn)行反演監(jiān)測,并能夠在LAI 較大變幅范圍(0.1～6.0)內(nèi)實(shí)現(xiàn)高精度反演[35,71-72]。另一方面,衛(wèi)星的紅邊波段在提升作物生物參數(shù)監(jiān)測精度方面表現(xiàn)出一定的潛力。Herrmann等[36]基于Sentinel-2 影像數(shù)據(jù)提出帶有紅邊波段的REIP (Red-Edge Inflection Point)指數(shù),在作物L(fēng)AI 監(jiān)測方面達(dá)到較高的精度(R=0.91)。此外,基于新的時(shí)間序列融合方法,Sadeh等[73]充分結(jié)合Sentinel-2 數(shù)據(jù)(10 m 分辨率)和PlanetScope 數(shù)據(jù)(3 m分辨率)在時(shí)間、空間和光譜分辨率上的優(yōu)勢,通過數(shù)據(jù)融合得到3 m 分辨率的LAI 每日監(jiān)測結(jié)果。這種高頻度的寄主作物生長狀態(tài)監(jiān)測在反映病蟲害生境條件的變化方面具有重要意義。在病蟲害高發(fā)的一些多云雨地區(qū)中,針對光學(xué)遙感衛(wèi)星數(shù)據(jù)缺乏的問題,部分研究者亦嘗試將光學(xué)和微波遙感數(shù)據(jù)融合進(jìn)行LAI 估算[74-76]。

在寄主作物的氮素、水分等狀態(tài)參數(shù)的遙感監(jiān)測方面,姚霞等[77]利用試驗(yàn)和模擬方法研究了基于不同衛(wèi)星傳感器通道構(gòu)建的光譜指數(shù)與作物氮素營養(yǎng)指標(biāo)間關(guān)系,并提出了作物氮素含量監(jiān)測指數(shù)。研究發(fā)現(xiàn),基于一些帶有紅邊通道的衛(wèi)星遙感數(shù)據(jù)在作物氮素含量遙感監(jiān)測方面有較大潛力,且紅邊植被指數(shù)(CIred-edge)相比傳統(tǒng)植被指數(shù)具有明顯優(yōu)勢[37,78-79]。此外,通過歸一化水分指數(shù)(NDWI)等特征能夠有效實(shí)現(xiàn)寄主作物水分的遙感監(jiān)測[38-39,80]。此外,在開展遙感監(jiān)測前,弄清作物的病蟲害易感性對何種程度的氮素、水分變化敏感,對于遙感數(shù)據(jù)源選擇(信噪比)以及提高參數(shù)反演模型的精度具有指導(dǎo)意義。

2.3 農(nóng)田景觀格局因素及土壤因素遙感表征方法

農(nóng)田景觀格局蘊(yùn)含著多種與病蟲害傳播有關(guān)的信息,如田塊之間的空間距離,耕地、噴灌、施藥、收割等農(nóng)事操作可能會加速或阻礙病原傳播和擴(kuò)散[81],而遙感技術(shù)是表征這種空間景觀格局的重要方式[82-84]。通過遙感數(shù)據(jù)可以提取包括寄主作物種植田塊分布等地表覆蓋信息,能夠?yàn)榘邏K尺度、類尺度和景觀尺度下如形狀指數(shù)、斑塊密度、斑塊面積和聚集度指數(shù)等景觀指數(shù)計(jì)算和景觀格局分析提供重要支撐[45,85]。

近年來,不斷有研究發(fā)現(xiàn)景觀格局因素對作物病蟲害的發(fā)生、流行具有不可忽略的影響。張競成[44]基于多時(shí)相HJ-CCD 遙感影像提取的土地利用分類結(jié)果,研究了北京通州、順義地區(qū)農(nóng)田景觀格局對小麥白粉病發(fā)生流行的影響,發(fā)現(xiàn)病害發(fā)生程度與農(nóng)田聚集度等景觀特征顯著相關(guān)。張靜文[45]基于地表覆蓋遙感數(shù)據(jù),在斑塊類型水平和景觀水平下進(jìn)行農(nóng)田景觀格局分析,計(jì)算常見景觀指數(shù),并將景觀指數(shù)作為后續(xù)水稻病害峰值預(yù)測建模的數(shù)據(jù)基礎(chǔ),挖掘景觀特征與病害峰值之間的關(guān)聯(lián)。張永生等[46]基于Landsat TM/ETM 的中分辨率衛(wèi)星影像獲取土地覆蓋分類結(jié)果,對小麥種植區(qū)域進(jìn)行空間景觀格局分析,實(shí)現(xiàn)對麥田蚜蟲種群發(fā)生量的預(yù)測。此外,在考慮到蝗蟲發(fā)育的空間差異及大范圍棲息地中景觀結(jié)構(gòu)的不同,Geng等[86]基于Landsat 8 遙感數(shù)據(jù)和SMAP 衛(wèi)星數(shù)據(jù)進(jìn)行景觀結(jié)構(gòu)分析,實(shí)現(xiàn)大規(guī)?；葏^(qū)提取。這些研究表明,基于遙感信息的景觀因子計(jì)算和景觀格局分析能夠從另一側(cè)面反映病蟲害生境的適宜性,是生境評價(jià)研究和應(yīng)用中值得深入挖掘和利用的重要線索。

土壤中的溫濕度及鹽分含量對水稻紋枯病、玉米大小斑病等土傳性病害及蝗蟲等在土中產(chǎn)卵繁殖的蟲害具有重要影響。當(dāng)達(dá)到合適的土壤條件時(shí),將有利于相關(guān)病蟲害發(fā)生和流行。遙感技術(shù)是提取土壤信息的一種重要手段,部分學(xué)者利用MODIS、Sentinel-1、ASTER 等遙感影像數(shù)據(jù)進(jìn)行土壤濕度及鹽分的反演,并將反演結(jié)果用于生境評價(jià)。如Crooks等[48-49]應(yīng)用綜合孔徑雷達(dá)(SAR)數(shù)據(jù)對土壤濕度進(jìn)行反演,并有效評估其對褐蝗繁殖的影響。土壤鹽分含量與蝗蟲的發(fā)生具有密切關(guān)系,扶卿華[50]應(yīng)用ASTER 高分辨率遙感影像數(shù)據(jù)對土壤鹽分含量進(jìn)行反演,并分析其與東亞飛蝗發(fā)生的關(guān)系,有效提取蝗區(qū)?；谶b感數(shù)據(jù)的土壤因素相關(guān)因子反演,能夠?yàn)椴∠x害生境評價(jià)提供關(guān)鍵信息支撐。

2.4 遙感與氣象站點(diǎn)數(shù)據(jù)融合的氣象因素表征方法

溫度、降水、濕度等氣象因素與病蟲害發(fā)生、流行緊密關(guān)聯(lián),各種作物病害的入侵、病菌孢子萌發(fā),害蟲的孵化、繁殖通常需要一個適宜的溫度范圍和濕度范圍[6,87]。作為目前病蟲害生境評價(jià)的主要數(shù)據(jù)源,氣象數(shù)據(jù)雖然具有較高的精度,但由于氣象臺站數(shù)據(jù)通常呈點(diǎn)狀分布,需通過插值等方法得到氣象參數(shù)的空間分布,一般空間分辨率較低,無法充分表現(xiàn)參數(shù)分布的空間異質(zhì)性,難以指示氣象條件對病蟲害需求的滿足情況[88-89]。而基于熱紅外、被動微波等衛(wèi)星遙感數(shù)據(jù)分析能夠得到地表溫度、降水等因素的面狀分布圖,如MODIS-LST、TRMM 等產(chǎn)品,成為傳統(tǒng)氣象數(shù)據(jù)的一種重要補(bǔ)充。其中,遙感的地表溫度產(chǎn)品由于能夠直接反映冠層尺度的植物呼吸、蒸散發(fā)等,相較氣溫更能夠體現(xiàn)田間小氣候?qū)Σ∠x害的影響[90-91]。但由于基于遙感的氣象產(chǎn)品數(shù)據(jù)存在一定的系統(tǒng)反演誤差,近年來一些研究嘗試將氣象和遙感數(shù)據(jù)融合,以氣象站點(diǎn)數(shù)據(jù)為基準(zhǔn),通過融合遙感數(shù)據(jù)生成氣溫和降水的精細(xì)空間分布,使氣象參數(shù)分布兼具準(zhǔn)確性、空間細(xì)節(jié)和時(shí)間連續(xù)性[41,43]。Huang等[40]提出融合MODIS 雙星(TERRA 和AQUA)晝夜地表溫度(LST)數(shù)據(jù)和氣象站點(diǎn)日平均氣溫?cái)?shù)據(jù)生成區(qū)域尺度氣溫分布數(shù)據(jù)的方法。Yang等[41]提出了將MODIS-LST 數(shù)據(jù)和最低、最高、平均氣溫融合,得到3 種溫度空間分布的方法,并進(jìn)行了驗(yàn)證,能夠?yàn)椴∠x害生境評價(jià)提供更詳細(xì)的溫度參數(shù)。在降水?dāng)?shù)據(jù)方面,劉小嬋等[42]利用地理加權(quán)回歸方法(GWR)將TRMM 衛(wèi)星降水?dāng)?shù)據(jù)與APHRODITE 降雨量數(shù)據(jù)融合,生成降雨空間分布數(shù)據(jù),利用中國東北地區(qū)2000?2007 年數(shù)據(jù)檢驗(yàn),大部分區(qū)域誤差在0～30%之間。Chen等[43]提出利用點(diǎn)面克里金方法對TRMM 衛(wèi)星降水?dāng)?shù)據(jù)與降雨量數(shù)據(jù)進(jìn)行融合,生成空間分辨率為1 km 降雨分布的方法,基本能夠滿足病蟲害生境描述的參數(shù)精度要求和空間粒度要求。此外,部分研究發(fā)現(xiàn)遙感氣象因子的加入能夠有效提升作物病蟲害生境的表征能力,如Zhang等[92]綜合了與作物特征和生境特征相關(guān)的氣象和遙感觀測數(shù)據(jù),在研究中加入遙感LST 信息后,對冬小麥白粉病發(fā)生的預(yù)測精度更高,表明了基于遙感氣象參數(shù)的生境表征方式的可行性。Yuan等[93]在研究作物病蟲害生境適宜性時(shí),通過比較僅基于植被指數(shù)模型與結(jié)合植被指數(shù)和加入LST等遙感特征后的模型精度,發(fā)現(xiàn)融入LST 信息后在作物病蟲害生境表征方面更準(zhǔn)確。

2.5 多源遙感數(shù)據(jù)在不同尺度下的適用性及融合方法

在作物病蟲害生境評價(jià)研究中,多源遙感數(shù)據(jù)提供了豐富的數(shù)據(jù)源及信息,能夠?qū)崿F(xiàn)在不同尺度下的生境信息遙感提取。例如在研究北京通州、順義地區(qū)農(nóng)田景觀格局對小麥白粉病發(fā)生流行的影響時(shí),張競成[44]選用空間分辨率30 m、單臺傳感器幅寬360 km 的HJ-CCD 遙感數(shù)據(jù)提取土地利用分類結(jié)果,并用于景觀格局特征提取分析;在進(jìn)行大范圍蝗區(qū)提取時(shí),Geng等[86]選用10 km 空間分辨率的多時(shí)相土壤水分主被動數(shù)據(jù)(SMAP)進(jìn)行生境因子提取。

目前作物病蟲害生境評價(jià)研究主要針對較大范圍區(qū)域,但生境評價(jià)自身存在著不同尺度評價(jià)的需求。當(dāng)單一數(shù)據(jù)源無法滿足應(yīng)用需求時(shí),進(jìn)行多源遙感數(shù)據(jù)融合是解決該問題的有效手段。多源遙感數(shù)據(jù)融合能夠綜合利用不同來源的遙感圖像信息,實(shí)現(xiàn)更精準(zhǔn)、更全面的作物監(jiān)測。通過不同類型遙感數(shù)據(jù)的融合,能夠充分發(fā)揮多源數(shù)據(jù)各自的優(yōu)勢,例如Shen等[60]針對多云雨地區(qū)提出了一種將不限時(shí)相的單景光學(xué)影像和連續(xù)時(shí)相SAR 影像進(jìn)行融合的水稻種植區(qū)提取策略,該方法充分利用了光學(xué)影像在光譜信息和信噪比方面的優(yōu)勢,以及微波數(shù)據(jù)全天時(shí)全天候穩(wěn)定觀測的特點(diǎn),穩(wěn)定高效地實(shí)現(xiàn)了水稻等病蟲害寄主作物分布范圍提取,并消除了對光學(xué)影像特定獲取時(shí)相的依賴。此外,Sadeh等[73]通過不同分辨率影像數(shù)據(jù)融合,充分利用數(shù)據(jù)在時(shí)間、空間和光譜分辨率上的優(yōu)勢,基于Sentinel-2 數(shù)據(jù)(10 m 分辨率)和PlanetScope 數(shù)據(jù)(3 m分辨率)反演得到3 m 分辨率的LAI 每日監(jiān)測結(jié)果,為病蟲害生境評價(jià)提供關(guān)鍵信息支撐。當(dāng)然,在某些特定應(yīng)用場景中,例如地塊尺度、農(nóng)場級別的作物病蟲害生境評價(jià),無人機(jī)遙感和高光譜遙感能夠加入到數(shù)據(jù)融合的隊(duì)列中,為研究提供更高時(shí)空分辨率和光譜分辨率的數(shù)據(jù)支持。近年來,不少研究者針對遙感數(shù)據(jù)時(shí)空融合方法進(jìn)行了大量的研究[94-96]。其中,基于小波變換的模型、主成分分析的模型和線性混合模型更適用于中、大尺度研究,但對異質(zhì)性較強(qiáng)區(qū)域的適用性較差;當(dāng)研究區(qū)域?qū)儆谥小⑿〕叨葧r(shí),多源數(shù)據(jù)融合方法可以選擇基于時(shí)空自適應(yīng)融合的模型,同時(shí)該模型在異質(zhì)性較強(qiáng)的區(qū)域也具有較好效果[97]。

3 多要素綜合的作物病蟲害生境評價(jià)模型

目前,多源遙感數(shù)據(jù)能夠?yàn)椴∠x害生境因素的表征提供豐富的信息。作物病蟲害生境適宜性模型是通過建立各個生境因素與病蟲害發(fā)生風(fēng)險(xiǎn)的關(guān)系,得到病蟲害生境適宜性評價(jià)結(jié)果。病蟲害生境適宜性模型從方法上主要分為統(tǒng)計(jì)類模型、機(jī)器學(xué)習(xí)模型以及生態(tài)位模型(表2)。

表2 作物病蟲害生境適宜性評價(jià)方法Table 2 Methods for habitat suitability assessment of crop diseases and pests

3.1 作物病蟲害生境評價(jià)建模方法

統(tǒng)計(jì)模型主要以概率論為基礎(chǔ),采用數(shù)學(xué)統(tǒng)計(jì)方法進(jìn)行建模。統(tǒng)計(jì)模型能夠按不同的數(shù)學(xué)假設(shè)建立生境因子和病蟲害生境適宜性間的關(guān)系,具有形式簡單、解釋性強(qiáng)等優(yōu)勢。Zhang等[92]和Marques da Silva等[91]利用Logistic 模型基于遙感氣象參數(shù)實(shí)現(xiàn)對冬小麥白粉病、番茄(Solanum lycopersicum)害蟲的生境適宜性評價(jià),得到詳細(xì)的病害蟲風(fēng)險(xiǎn)分布結(jié)果。張永生等[46]通過廣義線性回歸方法(GLM)建立景觀格局與麥田蚜蟲種群之間的數(shù)學(xué)模型,模型擬合率為52%。Yuan等[93]通過Fisher 線性判別分析方法(FLDA)研究春小麥蚜蟲和白粉病的生境適宜性,結(jié)合植被指數(shù)特征和遙感氣象特征進(jìn)行建模,精度達(dá)82%?；诮y(tǒng)計(jì)模型的作物病蟲害生境評價(jià)一大優(yōu)勢是由于方法形式上較為簡潔,容易進(jìn)行方法的開發(fā)和部署,便于在一些業(yè)務(wù)化運(yùn)行系統(tǒng)中使用。同時(shí),由于該類模型對數(shù)據(jù)關(guān)系、結(jié)構(gòu)的假設(shè)較為簡單,不易出現(xiàn)過擬合等問題,方法通常具有較強(qiáng)的魯棒性,特別適合在一些生境因子與病蟲害風(fēng)險(xiǎn)強(qiáng)相關(guān)的地區(qū)使用。另一方面,統(tǒng)計(jì)模型的不足主要在于模型的數(shù)據(jù)挖掘能力相對較弱,在處理生境因子與病蟲害風(fēng)險(xiǎn)間呈現(xiàn)非線性、復(fù)雜關(guān)系結(jié)構(gòu)的場景方面存在較大局限。

機(jī)器學(xué)習(xí)方法,如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林、K 近鄰等方法,支持多元分析與非線性建模,能夠有效挖掘多源遙感等數(shù)據(jù)表征的生境因子與病蟲害生境適宜性之間的關(guān)系,是作物病蟲害生境評價(jià)建模的重要方法。隨著表征病蟲害生境因素的數(shù)據(jù)源不斷豐富發(fā)展,利用這種多源異構(gòu)的數(shù)據(jù)在很多時(shí)候難以通過簡單的統(tǒng)計(jì)模型得到理想的病蟲害生境評價(jià),而采用機(jī)器學(xué)習(xí)類方法進(jìn)行生境評價(jià)建模是一種重要方式[105-107]。Shi等[99]基于多源遙感數(shù)據(jù)結(jié)合植被指數(shù)、地表溫度及土地覆蓋類型,建立了一種基于景觀隸屬度的隨機(jī)森林模型(LMRF)對東亞飛蝗生境進(jìn)行分類,研究結(jié)果中的常發(fā)蝗區(qū)及偶發(fā)蝗區(qū)置信度分別大于0.8 和0.76。Sun等[100]基于多生境因子通過支持向量機(jī)方法(SVM)進(jìn)行沙漠蝗蟲發(fā)生風(fēng)險(xiǎn)預(yù)警研究,總體準(zhǔn)確度達(dá)77.46%,為沙漠蝗蟲防治的早期決策和響應(yīng)策略提供支持。但機(jī)器學(xué)習(xí)模型由于其機(jī)理性較弱,在描述病蟲害的生境適宜性方面存在一定局限。

不同于前兩類模型,生態(tài)位模型由于能夠?qū)⑽锓N分布相關(guān)聯(lián)的地理空間和生態(tài)需求聯(lián)系起來,可根據(jù)生態(tài)學(xué)原理構(gòu)建機(jī)理性較強(qiáng)的病蟲害生境適宜性評價(jià)模型。模型主要包括最大熵模型(MaxEnt)、BIOCLIM、GARP、生態(tài)位因子分析模型(ENFA)和DOMAIN 等類型[108]。這些模型基于最大熵原理、遺傳算法、相似度矩陣等方法,在滿足已知約束的條件下,利用病蟲害分布點(diǎn)和生境變量,對病蟲害的生態(tài)需求進(jìn)行推斷,對其潛在分布進(jìn)行模擬。曹學(xué)仁等[104]采用MaxEnt 對麥瘟病在全球及中國的潛在分布區(qū)進(jìn)行預(yù)測,運(yùn)行曲線下面積(AUC)值超過0.99;Meynard等[109]基于氣象變量采用MaxEnt、BIOCLIM等多種生態(tài)位模型對沙漠蝗蟲的潛在地理分布進(jìn)行了預(yù)測;沈鵬等[110]通過綜合氣象、地形、人類活動等多源地理信息采用ENFA 生態(tài)位模型對松材線蟲的風(fēng)險(xiǎn)區(qū)進(jìn)行有效評估;林偉等[103]針對近年入侵我國的草地貪夜蛾預(yù)測,以全球的蟲害分布數(shù)據(jù)為基礎(chǔ),結(jié)合環(huán)境氣候數(shù)據(jù),利用MaxEnt 模型進(jìn)行草地貪夜蛾適生性分析,為防治決策提供參考。

上述研究表明,生態(tài)位模型在作物病蟲害生境評價(jià)方面具有較大的應(yīng)用潛力。但是,如何在驅(qū)動數(shù)據(jù)中將多源遙感信息、地形、氣象數(shù)據(jù)融合,進(jìn)行多尺度的病蟲害生境評價(jià)建模仍需進(jìn)一步研究。

3.2 綜合多源遙感信息的作物病蟲害生境評價(jià)方法框架

在綜述了作物病蟲害生境因子表征與生境適宜性評價(jià)建模方法的基礎(chǔ)上,本文提出一個綜合多源遙感信息的作物病蟲害生境評價(jià)的方法框架(圖2),為該方向的研究與應(yīng)用提供參考。具體分為如下步驟:

圖2 綜合多源遙感信息的作物病蟲害生境評價(jià)方法框架Fig.2 Methodological framework for habitat assessment of crop diseases and pests based on multi-source remote sensing information

首先,結(jié)合作物病蟲害生境需求特點(diǎn),從寄主作物分布及生長狀態(tài)、環(huán)境氣象、景觀格局、土壤信息等方面確定生境因素,結(jié)合遙感、氣象等多源信息,確定生境因素的表征方法。

其次,根據(jù)已確定的備選生境因素特征,結(jié)合病蟲害調(diào)查數(shù)據(jù)和T檢驗(yàn)、Relief-F、相關(guān)性分析等特征敏感性分析方法進(jìn)行用于生境評價(jià)的因素選擇,確定優(yōu)選特征集。

再次,結(jié)合病蟲害調(diào)查數(shù)據(jù)的豐欠、分布情況以及病蟲害生境因素和影響機(jī)制的復(fù)雜性,選擇統(tǒng)計(jì)類、機(jī)器學(xué)習(xí)或生態(tài)位模型進(jìn)行病蟲害生境適宜性評價(jià)的訓(xùn)練建模和參數(shù)調(diào)優(yōu)。

最后,根據(jù)模型訓(xùn)練優(yōu)化結(jié)果,結(jié)合精度評價(jià)分析選擇最優(yōu)模型進(jìn)行病蟲害生境適宜性評價(jià),得到空間連續(xù)的作物病蟲害生境評價(jià)的分布圖。

4 作物病蟲害生境適宜性評價(jià)方法發(fā)展趨勢展望

隨著衛(wèi)星遙感數(shù)據(jù)和產(chǎn)品不斷豐富,病蟲害預(yù)測監(jiān)測方法和模型不斷發(fā)展,越來越多的研究表明基于多源數(shù)據(jù)進(jìn)行作物病蟲害生境適宜性評價(jià)正成為了解病蟲害潛在分布和風(fēng)險(xiǎn)變化的重要方式,能夠?yàn)椴∠x害預(yù)測提供關(guān)鍵性支撐。但是,現(xiàn)階段作物病蟲害生境評價(jià)方面的研究與病蟲害預(yù)測及植保管理的實(shí)際應(yīng)用需求之間仍存在一定的距離,研究對象、表征能力和綜合預(yù)測等方面有待進(jìn)一步深入研究。

4.1 病蟲害生境適宜性評價(jià)的研究與應(yīng)用對象有待擴(kuò)展

目前病蟲害生境適宜性評價(jià)的研究與應(yīng)用仍限于少數(shù)作物病蟲害,其中一個重要原因是病蟲害調(diào)查數(shù)據(jù)普遍存在調(diào)查點(diǎn)數(shù)量少、空間取樣密度不足等局限,難以支持生境適宜性評價(jià)建模研究。因此,針對一些重要的作物病蟲害,有必要在病蟲害高發(fā)時(shí)期開展區(qū)域尺度多點(diǎn)位的病蟲害發(fā)生、程度調(diào)查,為生境適宜性評價(jià)研究提供基礎(chǔ)數(shù)據(jù),特別是為基于多源遙感數(shù)據(jù)的生境因子表征提供參照。此外在調(diào)查方法方面,近年來新興的基于圖像深度學(xué)習(xí)的病蟲害識別方法形成了一種以眾源方式調(diào)查病蟲害發(fā)生信息的模式,相比傳統(tǒng)植保調(diào)查具有調(diào)查點(diǎn)數(shù)量多,識別結(jié)果相對客觀等優(yōu)勢,有可能為區(qū)域尺度病蟲害生境適宜性評價(jià)提供數(shù)據(jù)補(bǔ)充。未來,基于多源信息對不同類型病蟲害進(jìn)行生境評價(jià)時(shí)需顧及不同病蟲害的生境需求特點(diǎn),不斷豐富和完善生境因子的表征方法和生境適宜性評價(jià)模型。

4.2 病蟲害生境因素遙感表征精度與穩(wěn)定性有待提升

病蟲害生境因素的表征精度與遙感數(shù)據(jù)源的分辨率、輻射精度等有重要關(guān)系,近年來,多源遙感數(shù)據(jù)在時(shí)間、空間、輻射分辨率方面不斷提高,特別是通過一些微衛(wèi)星和星座技術(shù)(如Planet Labs 遙感衛(wèi)星群),能夠?qū)崿F(xiàn)高頻度、高分辨率遙感數(shù)據(jù)的穩(wěn)定獲取,能夠顯著提升作物病蟲害生境因素的遙感表征能力。同時(shí)光學(xué)、熱紅外和微波數(shù)據(jù)的結(jié)合,以及數(shù)據(jù)插補(bǔ)、融合技術(shù)的發(fā)展,為提升生境適宜性評價(jià)的時(shí)空連續(xù)性創(chuàng)造條件,能夠更好地響應(yīng)生境條件的變化,從一個變化的視角分析生境適宜性。此外,結(jié)合病蟲害發(fā)生規(guī)律及關(guān)鍵生育期信息能夠進(jìn)一步明確參數(shù)反演的動態(tài)范圍,提升反演精度。同時(shí),深度學(xué)習(xí)方法在生境因素中的寄主分類和氣象數(shù)據(jù)獲取方面具有較大潛力,如許晴等[111]提出了一種基于弱樣本的深度學(xué)習(xí)模型農(nóng)作物分類策略,該策略一定程度上消除了深度學(xué)習(xí)模型對大量人工標(biāo)記樣本高度依賴的局限性,為實(shí)現(xiàn)大范圍寄主分布的遙感監(jiān)測提供了一種新途徑;蘇揚(yáng)等[112]利用深度學(xué)習(xí)在處理復(fù)雜非線性問題上的優(yōu)勢,重建軌道間隙區(qū)域的地表溫度值,重建結(jié)果與原始反演地表溫度值平均均方根誤差在1.0 K 左右,決定系數(shù)R2在0.88 以上。深度學(xué)習(xí)方法具備更強(qiáng)的學(xué)習(xí)能力和良好適應(yīng)性,該方法能夠提升作物病蟲害生境表征的精度與穩(wěn)定性。

4.3 融合病蟲害生境適宜性信息的病蟲害大范圍預(yù)測

作物病蟲害生境適宜性評價(jià)的主要作用是指示病蟲害潛在的適宜發(fā)生范圍,支持病蟲害大范圍預(yù)測。綜合多源遙感信息的病蟲害生境適宜性評價(jià)能夠給出區(qū)域中滿足病蟲害發(fā)生條件的范圍,在此基礎(chǔ)上,結(jié)合病蟲源信息以及病蟲害流行學(xué)模型,有可能構(gòu)建一個時(shí)空動態(tài)的病蟲害預(yù)測模型,實(shí)現(xiàn)對病蟲害發(fā)生、流行過程的較精細(xì)的模擬,為病蟲害的防控決策管理提供有效信息,有助于開展作物病蟲害統(tǒng)防統(tǒng)治,實(shí)現(xiàn)綠色防控,推動植保管理走向數(shù)字化和智能化。