Research progress on habitat suitability assessment of crop diseases and pests by multi-source remote sensing information
-
摘要: 作物病虫害严重影响粮食产量和质量, 对农业生产造成巨大损失。开展作物病虫害生境适宜性评价能够对适合病虫害繁殖和流行的环境区域进行有效表征, 为病虫害预测提供重要信息。由于作物病虫害发生和流行受多种生境因素影响, 同时这些生境因素时空异质性高, 难以通过传统气象站点数据、人为调查等方式进行有效表征, 为病虫害生境评价带来较大的挑战。遥感技术的发展和成熟为病虫害生境信息表征带来重要机遇。多源遥感信息在时空异质信息表征方面具有天然优势, 同时能与传统气象站点数据形成信息互补, 为病虫害生境适宜性评价提供全面、丰富的信息, 支持生境适宜性评价模型的构建。本文对多源遥感信息在作物病虫害生境适宜性评价方面的研究进展进行综述, 重点分析多源遥感数据在寄主作物分布及生长状态、环境气象条件和景观等病虫害生境因子表征方面的潜力, 以及大范围生境适宜性评价涉及的统计模型、机器学习模型和生态位模型等建模方法。在此基础上, 提出基于多源遥感信息的作物病虫害生境评价模型构建的框架, 并对技术的发展趋势进行探讨, 为更加精准、科学的区域尺度病虫害防控管理提供技术支撑, 为病虫害统防统治和绿色防控提供科学指导。Abstract: Crop diseases and pests severely affect food yield and quality, causing significant losses in agricultural production. Habitat suitability assessments for crop diseases and pests can effectively characterize environmental areas that are suitable for the breeding and prevalence of pests and diseases, which can provide crucial information for disease and pest prediction. The occurrence and prevalence of crop diseases and pests are affected by habitat factors. These factors are highly spatially and temporally heterogeneous and are difficult to effectively characterize through traditional meteorological station data and human surveys. This poses a great challenge for the evaluation of pest and disease habitats. Fortunately, the development and maturity of remote sensing technologies present significant opportunities. Multi-source remote sensing information not only has natural advantages in the representation of spatiotemporal heterogeneity but can also form information complementarities with traditional meteorological station data. Therefore, it can provide comprehensive and abundant information for habitat suitability evaluation of pests and diseases and support model construction. This paper reviewed the research progress of multi-source remote sensing information in evaluating the habitat suitability for crop pests and diseases, focusing on the potential of multi-source remote sensing data for the characterization of habitat factors, such as host crop distribution and growth status, environmental and meteorological conditions, and landscape, as well as modeling methods, such as statistical, machine learning, and niche models in a wide-scale habitat suitability assessment. On this basis, this paper proposed a framework for crop disease and pest habitat evaluation model construction based on multi-source remote sensing information and discussed the development trends in technology. This study provides technical support for highly accurate and scientific regional prevention and management strategies. In addition, it provides scientific guidance for integrated control and green prevention.
-
植物病虫害已被认为是全球粮食安全面临的主要挑战之一, 其中作物病虫害是农业生产过程中严重影响粮食产量和质量的重要生物灾害[1-2]。据研究统计, 在全球范围内与病害相关的粮食产量损失约占全球粮食总产量的14%, 与虫害相关的粮食产量损失约占全球粮食总产量的10%[3]。作物病虫害不仅会引起农作物产量的减少, 并且在一定程度上还严重威胁到农产品的质量安全。本文综述的范围主要针对我国主要粮食作物[小麦(Triticum aestivum)、水稻(Oryza sativa)、玉米(Zea mays)]的一些主要病害和虫害, 包括小麦条锈病(Puccinia striiformis)、白粉病(Blumeria graminis)、麦瘟病(Magnaporthe oryzae), 水稻纹枯病(Rhizoctonia solani), 玉米大小斑病(Exserohilum turcicum, Bipolaris maydis), 东亚飞蝗(Locusta migratoria manilensis)、沙漠蝗虫(Schistocerca gregaria)、褐飞蝗(Locustana pardalina)、草地贪夜蛾(Spodoptera frugiperda)、蚜虫(Macrosiphum avenae)、松材线虫(Bursaphelenchus xylophilus)、白背飞虱(Sogatella furcifera)等。
作物病虫害的发生、发展是一个病原菌、害虫与寄主作物在一定环境下的侵染、繁殖、扩散的相互作用过程。病虫害生境条件主要指这种发生、流行过程中所需要满足的生态环境, 主要与寄主作物的分布、状态和环境等因素有关。任何作物病虫害的大范围流行都需要具备适宜的生境条件, 因此如能够在区域尺度上对作物病虫害生境适宜性进行评价、分级, 就能够为病虫害预测提供重要的本底信息, 从宏观上掌握一定范围内不同区域病虫害发生、流行的风险状态, 有助于明确病虫害防控和管理的重点区域。目前, 病虫害的生境主要通过气象条件和植保调查粗略反映, 通常尺度较大, 缺乏精细定量的表征体系[4]。但在一个气象条件一致的区域, 由于作物栽培方式、作物生长状况、景观格局等不同, 各地块间的病虫害生境适宜性存在明显差异, 因此需要建立能够考虑这些时空异质性因素的病虫害生境表征体系, 以及能够从更综合的角度反映生境适宜性的生境适宜性评价方法[5-8]。近年来, 遥感技术的发展为病虫害生境监测和评价提供了维度丰富且时空连续的重要数据。借助光学、微波和热红外等多源遥感数据能够实现对寄主作物的面积、生长状态、田间环境和农田景观格局等反映作物病虫害生境的因素进行监测和分析, 从而为作物病虫害生境适宜性评价提供关键信息[9-14]。本文围绕如何通过多源遥感数据进行作物病虫害生境因素监测, 以及如何综合多元信息进行病虫害生境适宜性评价建模进行综述, 以期探明多源遥感数据在病虫害生境表征方面的潜力, 提出能够充分考虑寄主、环境等时空异质性特征的病虫害生境适宜性评价方法, 从而为区域尺度病虫害预测和统防统治提供重要支撑。
1. 病虫害生境影响因素分析
作物病虫害生境因素包括寄主和环境两个主要因素。在寄主因素方面, 主要包括寄主作物的病虫抗性、生育期和生长状态等。其中, 病虫抗性作为寄主作物的自身特性, 是决定病虫害易感性的一个因素[15]。同时, 寄主作物的生长状态(密度、叶面积指数等)和营养状况(氮素、微量元素含量等)是影响寄主对病虫害敏感性的重要因素。例如, 较多病虫害偏好密植及氮素含量较高的作物群体[16-18]。此外, 作物生育期及其与气象因素的相互关系亦是影响病虫害发生、流行程度的重要条件。例如, 小麦、水稻的抽穗期如遇适宜的温湿度条件, 会大幅增加病虫害发生的概率[4,19-20]。
在环境因素方面, 主要包括气象因素、景观格局和土壤信息3类因素。气象因素大体包括温度、降雨、湿度、风、光照等[21], 其中温度、降水、湿度通常是与病虫害发生关联最紧密的气象因素[6,22-23]。其他如风、光照等气象因素从病虫害传播、繁殖等方面亦对病虫害流行存在一定影响, 且与病害类型和特性有关[5,7]。景观格局因素主要指寄主作物种植田块的面积、田块间聚集和分散格局、农田及周边不同土地利用类型的邻近关系、连通性等因素[24]。在一个农业生态系统中, 寄主作物田块的空间分布与组合格局蕴含多种与病虫害传播有关的信息, 如田块之间的空间距离, 耕作、灌溉、施肥等农事操作可能会加速或阻碍病原传播和扩散[25-27]。土壤因素中主要包括土壤温度、湿度和盐度, 该因素在虫害的发生与流行中具有重要影响。例如蝗虫在土中产卵实现繁殖, 适宜的土壤温湿度及盐度会加速其繁殖速度, 同时该因子影响蝗虫孵化及越冬等过程[28]。
上述因素中, 目前仅有气象因素能够通过气象观测数据得到较好的表征, 其他如作物分布、生长状态、生育期、景观格局、土壤信息等因素有可能通过多源遥感数据进行表征, 并用于病虫害生境适宜性评价。
2. 基于多源遥感数据的作物病虫害生境因素表征方法
多源遥感数据在作物面积提取、生长参数反演、关键物候期提取和景观格局分析等各方面得到广泛应用, 并可通过与气象参数融合得到更精细气象参数时空分布, 能够为生境因子的有效表征和生境适宜性评价提供重要支撑(表1)。近年来, 包括国产的高分(GF)系列、风云(FY)系列、环境(HJ)系列, 以及国外的MODIS、Sentinel系列、Landsat系列等遥感卫星为农情监测提供了丰富的数据资源, 为开展作物病虫害生境因素监测提供了多维度的信息(图1)。
表 1 多源遥感数据在生境因素表征中的应用示例Table 1. Examples of application of multi-source remote sensing data in habitat factors characterization生境监测因素
Habitat monitoring factor卫星遥感数据
Satellite remote sensing data监测对象
Monitoring object参考文献
References寄主因素
Host factor寄主分布
Host distributionLandsat 8 水稻、玉米
Oryza sativa, Zea mays[29-30] MODIS, Sentinel-1/2 水稻 Oryza sativa [31-32] 物候期
Phenological phaseHJ-1A/B 冬小麦 Triticum aestivum [10] Sentinel-1/2 玉米 Zea mays [33] MODIS 小麦、水稻、玉米
Triticum aestivum,
Oryza sativa,
Zea mays[34] 叶面积指数反演
Leaf area index inversionLandsat 5/7 玉米 Zea mays [35] Sentinel-2 小麦 Triticum aestivum [36] 氮素、水分监测
Nitrogen and water monitoringSentinel-2 玉米 Zea mays [37] MODIS, Landsat 8 玉米 Zea mays [38-39] 气象因素
Meteorological factor气温 Temperature MODIS [40-41] 降水 Precipitation TRMM [42-43] 景观因素
Landscape factor农田聚集度等景观指标
Farmland aggregation and other landscape indicatorHJ-CCD 小麦 Triticum aestivum [44] MODIS 水稻 Oryza sativa [45] Landsat-TM/ETM 小麦 Triticum aestivum [46] 土壤因素
Edaphic factor土壤温度
Soil temperatureASTER 小麦、玉米
Triticum aestivum, Zea mays[47] 土壤湿度
Soil humidityRadarSat, ERS-2 褐飞蝗 Locustana pardalina [48-49] 土壤盐度
Soil salinityASTER 东亚飞蝗
Locusta migratoria manilensis[50] ![]()
图 1 基于多源遥感信息的作物病虫害生境因素表征Figure 1. Habitat factors characterization of crop diseases and pests based on multi-source remote sensing information2.1 寄主分布及生育期因素遥感表征方法
寄主作物的种植分布范围和生育期是进行病虫害生境评价分析的重要本底信息[4,27], 而卫星遥感数据在监测这些因素方面具有重要潜力[51]。寄主作物种植区提取的遥感监测, 需要结合区域内田块面积大小, 寄主作物与其他作物或植被的时相、光谱差异, 病虫害发生规模, 以及作物长势异质性的空间尺度, 选择适宜时空分辨率的数据。一般而言, 应用于病虫害生境评价的寄主作物种植区提取通常针对较大的区域采用中高分辨率卫星数据(如Landsat-8, Sentinel-2等)[30,32,52], 或针对较破碎的地块采用高分辨率卫星数据(如WorldView-2、GF-2等)进行监测[53-54]。
应注意到, 不同气候区域中的寄主作物监测在遥感数据源选择和监测方法方面存在较大差异。如病虫害高发易发的中国南部、东部地区, 常常存在多云雨天气, 光学影像数据的获取存在不稳定性, 故这类地区的作物种植区提取仅靠光学数据无法保证[30,55-56]。而微波数据具有全天候、昼夜观测能力, 能够获取寄主作物的连续物候信息, 可为多云雨地区作物种植区提取提供重要的数据补充[32,57-58]。因此, 将微波、光学遥感数据融合, 是多云雨地区寄主作物监测的重要方式[33,59-60]。
此外, 通常一个区域内除寄主作物外还会有其他同期作物或植被, 因此在种植区提取时除利用作物的光谱特征外, 还常利用作物的物候规律[33,53,61]。寄主作物种植区提取的方法, 通常有决策树、机器学习(如神经网络、支持向量机、随机森林等)和深度学习等[30,57,62-63]。此外, 在监测寄主作物的同时, 一般构建一个包括其他作物、植被、河流、道路等目标的多分类体系, 为景观因素的分析提供数据基础。
在寄主作物关键生育期提取方面, 病虫害生境评价分析中通常关注作物营养生长时期(如小麦、水稻的拔节期), 以及作物营养生长-生殖生长转换时期(如抽穗期)。前者是对寄主作物的生长状态因素进行监测的关键时期, 后者通常是整个生长过程中作物相对易感病虫害的时期[17,64-65]。作物关键物候期的监测能够为其他生境因子(如寄主作物生长状态因素、气象因素)的观测时间提供重要参考, 从而从整体上提升病虫害生境因素的表征能力。
寄主作物生育期监测主要基于高频度遥感影像时间序列, 采用时序滤波、傅里叶变换、小波分析等方法进行监测[66-67]。考虑到拔节期、抽穗期等关键生育期历时较短, 因此在较短的时间窗口内获得有效的遥感数据是成功监测的关键。目前, 一些研究采用中高分辨率卫星影像时间序列或不同分辨率影像结合(如Landsat 8、MODIS、Sentinel-1/2、HJ-1A/B等)实现对水稻、小麦和玉米等作物的关键物候期监测, 监测误差在4~10 d[33-34,68]。
2.2 寄主生长状态遥感表征方法
寄主作物的一些生长状态指标与病虫害易感性关联紧密, 如作物的覆盖度、叶面积指数(LAI)体现了作物种植密度的差异, 能够直接影响病虫害田间微环境; 作物氮素、水分含量等生理参数的变化则与病菌的易感性和害虫的取食偏好有关, 能够影响病虫害侵染发生的风险和程度。而这些寄主作物生长状态指标由于品种、栽培方式、措施等差异, 在田间常常呈现出高度的异质性, 而通过卫星遥感数据, 特别是光学影像, 能够实现对这些因素面状化结果的精细监测[69-70]。
其中, 在LAI监测方面, 部分学者基于Landsat-TM、Landsat-ETM+、Sentinel-2等光学影像数据, 结合PROSPECT + SAIL模型和查找表方法, 对玉米、大豆(Glycine max)、水稻等多种作物的LAI进行反演监测, 并能够在LAI较大变幅范围(0.1~6.0)内实现高精度反演[35,71-72]。另一方面, 卫星的红边波段在提升作物生物参数监测精度方面表现出一定的潜力。Herrmann等[36]基于Sentinel-2影像数据提出带有红边波段的REIP (Red-Edge Inflection Point)指数, 在作物LAI监测方面达到较高的精度(R=0.91)。此外, 基于新的时间序列融合方法, Sadeh等[73]充分结合Sentinel-2数据(10 m分辨率)和PlanetScope数据(3 m分辨率)在时间、空间和光谱分辨率上的优势, 通过数据融合得到3 m分辨率的LAI每日监测结果。这种高频度的寄主作物生长状态监测在反映病虫害生境条件的变化方面具有重要意义。在病虫害高发的一些多云雨地区中, 针对光学遥感卫星数据缺乏的问题, 部分研究者亦尝试将光学和微波遥感数据融合进行LAI估算[74-76]。
在寄主作物的氮素、水分等状态参数的遥感监测方面, 姚霞等[77]利用试验和模拟方法研究了基于不同卫星传感器通道构建的光谱指数与作物氮素营养指标间关系, 并提出了作物氮素含量监测指数。研究发现, 基于一些带有红边通道的卫星遥感数据在作物氮素含量遥感监测方面有较大潜力, 且红边植被指数(CIred-edge)相比传统植被指数具有明显优势[37,78-79]。此外, 通过归一化水分指数(NDWI)等特征能够有效实现寄主作物水分的遥感监测[38-39,80]。此外, 在开展遥感监测前, 弄清作物的病虫害易感性对何种程度的氮素、水分变化敏感, 对于遥感数据源选择(信噪比)以及提高参数反演模型的精度具有指导意义。
2.3 农田景观格局因素及土壤因素遥感表征方法
农田景观格局蕴含着多种与病虫害传播有关的信息, 如田块之间的空间距离, 耕地、喷灌、施药、收割等农事操作可能会加速或阻碍病原传播和扩散[81], 而遥感技术是表征这种空间景观格局的重要方式[82-84]。通过遥感数据可以提取包括寄主作物种植田块分布等地表覆盖信息, 能够为斑块尺度、类尺度和景观尺度下如形状指数、斑块密度、斑块面积和聚集度指数等景观指数计算和景观格局分析提供重要支撑[45,85]。
近年来, 不断有研究发现景观格局因素对作物病虫害的发生、流行具有不可忽略的影响。张竞成[44]基于多时相HJ-CCD遥感影像提取的土地利用分类结果, 研究了北京通州、顺义地区农田景观格局对小麦白粉病发生流行的影响, 发现病害发生程度与农田聚集度等景观特征显著相关。张静文[45]基于地表覆盖遥感数据, 在斑块类型水平和景观水平下进行农田景观格局分析, 计算常见景观指数, 并将景观指数作为后续水稻病害峰值预测建模的数据基础, 挖掘景观特征与病害峰值之间的关联。张永生等[46]基于Landsat TM/ETM的中分辨率卫星影像获取土地覆盖分类结果, 对小麦种植区域进行空间景观格局分析, 实现对麦田蚜虫种群发生量的预测。此外, 在考虑到蝗虫发育的空间差异及大范围栖息地中景观结构的不同, Geng等[86]基于Landsat 8遥感数据和SMAP卫星数据进行景观结构分析, 实现大规模蝗区提取。这些研究表明, 基于遥感信息的景观因子计算和景观格局分析能够从另一侧面反映病虫害生境的适宜性, 是生境评价研究和应用中值得深入挖掘和利用的重要线索。
土壤中的温湿度及盐分含量对水稻纹枯病、玉米大小斑病等土传性病害及蝗虫等在土中产卵繁殖的虫害具有重要影响。当达到合适的土壤条件时, 将有利于相关病虫害发生和流行。遥感技术是提取土壤信息的一种重要手段, 部分学者利用MODIS、Sentinel-1、ASTER等遥感影像数据进行土壤湿度及盐分的反演, 并将反演结果用于生境评价。如Crooks等[48-49]应用综合孔径雷达(SAR)数据对土壤湿度进行反演, 并有效评估其对褐蝗繁殖的影响。土壤盐分含量与蝗虫的发生具有密切关系, 扶卿华[50]应用ASTER高分辨率遥感影像数据对土壤盐分含量进行反演, 并分析其与东亚飞蝗发生的关系, 有效提取蝗区。基于遥感数据的土壤因素相关因子反演, 能够为病虫害生境评价提供关键信息支撑。
2.4 遥感与气象站点数据融合的气象因素表征方法
温度、降水、湿度等气象因素与病虫害发生、流行紧密关联, 各种作物病害的入侵、病菌孢子萌发, 害虫的孵化、繁殖通常需要一个适宜的温度范围和湿度范围[6,87]。作为目前病虫害生境评价的主要数据源, 气象数据虽然具有较高的精度, 但由于气象台站数据通常呈点状分布, 需通过插值等方法得到气象参数的空间分布, 一般空间分辨率较低, 无法充分表现参数分布的空间异质性, 难以指示气象条件对病虫害需求的满足情况[88-89]。而基于热红外、被动微波等卫星遥感数据分析能够得到地表温度、降水等因素的面状分布图, 如MODIS-LST、TRMM等产品, 成为传统气象数据的一种重要补充。其中, 遥感的地表温度产品由于能够直接反映冠层尺度的植物呼吸、蒸散发等, 相较气温更能够体现田间小气候对病虫害的影响[90-91]。但由于基于遥感的气象产品数据存在一定的系统反演误差, 近年来一些研究尝试将气象和遥感数据融合, 以气象站点数据为基准, 通过融合遥感数据生成气温和降水的精细空间分布, 使气象参数分布兼具准确性、空间细节和时间连续性[41,43]。Huang等[40]提出融合MODIS双星(TERRA和AQUA)昼夜地表温度(LST)数据和气象站点日平均气温数据生成区域尺度气温分布数据的方法。Yang等[41]提出了将MODIS-LST数据和最低、最高、平均气温融合, 得到3种温度空间分布的方法, 并进行了验证, 能够为病虫害生境评价提供更详细的温度参数。在降水数据方面, 刘小婵等[42]利用地理加权回归方法(GWR)将TRMM卫星降水数据与APHRODITE降雨量数据融合, 生成降雨空间分布数据, 利用中国东北地区2000—2007年数据检验, 大部分区域误差在0~30%之间。Chen等[43]提出利用点面克里金方法对TRMM卫星降水数据与降雨量数据进行融合, 生成空间分辨率为1 km降雨分布的方法, 基本能够满足病虫害生境描述的参数精度要求和空间粒度要求。此外, 部分研究发现遥感气象因子的加入能够有效提升作物病虫害生境的表征能力, 如Zhang等[92]综合了与作物特征和生境特征相关的气象和遥感观测数据, 在研究中加入遥感LST信息后, 对冬小麦白粉病发生的预测精度更高, 表明了基于遥感气象参数的生境表征方式的可行性。Yuan等[93]在研究作物病虫害生境适宜性时, 通过比较仅基于植被指数模型与结合植被指数和加入LST等遥感特征后的模型精度, 发现融入LST信息后在作物病虫害生境表征方面更准确。
2.5 多源遥感数据在不同尺度下的适用性及融合方法
在作物病虫害生境评价研究中, 多源遥感数据提供了丰富的数据源及信息, 能够实现在不同尺度下的生境信息遥感提取。例如在研究北京通州、顺义地区农田景观格局对小麦白粉病发生流行的影响时, 张竞成[44]选用空间分辨率30 m、单台传感器幅宽360 km的HJ-CCD遥感数据提取土地利用分类结果, 并用于景观格局特征提取分析; 在进行大范围蝗区提取时, Geng等[86]选用10 km空间分辨率的多时相土壤水分主被动数据(SMAP)进行生境因子提取。
目前作物病虫害生境评价研究主要针对较大范围区域, 但生境评价自身存在着不同尺度评价的需求。当单一数据源无法满足应用需求时, 进行多源遥感数据融合是解决该问题的有效手段。多源遥感数据融合能够综合利用不同来源的遥感图像信息, 实现更精准、更全面的作物监测。通过不同类型遥感数据的融合, 能够充分发挥多源数据各自的优势, 例如Shen等[60]针对多云雨地区提出了一种将不限时相的单景光学影像和连续时相SAR影像进行融合的水稻种植区提取策略, 该方法充分利用了光学影像在光谱信息和信噪比方面的优势, 以及微波数据全天时全天候稳定观测的特点, 稳定高效地实现了水稻等病虫害寄主作物分布范围提取, 并消除了对光学影像特定获取时相的依赖。此外, Sadeh等[73]通过不同分辨率影像数据融合, 充分利用数据在时间、空间和光谱分辨率上的优势, 基于Sentinel-2数据(10 m分辨率)和PlanetScope数据(3 m分辨率)反演得到3 m分辨率的LAI每日监测结果, 为病虫害生境评价提供关键信息支撑。当然, 在某些特定应用场景中, 例如地块尺度、农场级别的作物病虫害生境评价, 无人机遥感和高光谱遥感能够加入到数据融合的队列中, 为研究提供更高时空分辨率和光谱分辨率的数据支持。近年来, 不少研究者针对遥感数据时空融合方法进行了大量的研究[94-96]。其中, 基于小波变换的模型、主成分分析的模型和线性混合模型更适用于中、大尺度研究, 但对异质性较强区域的适用性较差; 当研究区域属于中、小尺度时, 多源数据融合方法可以选择基于时空自适应融合的模型, 同时该模型在异质性较强的区域也具有较好效果[97]。
3. 多要素综合的作物病虫害生境评价模型
目前, 多源遥感数据能够为病虫害生境因素的表征提供丰富的信息。作物病虫害生境适宜性模型是通过建立各个生境因素与病虫害发生风险的关系, 得到病虫害生境适宜性评价结果。病虫害生境适宜性模型从方法上主要分为统计类模型、机器学习模型以及生态位模型(表2)。
表 2 作物病虫害生境适宜性评价方法Table 2. Methods for habitat suitability assessment of crop diseases and pests建模方法
Modeling method作用对象
Action object精度
Accuracy参考文献
References统计类模型
Statistical modelLogistic 冬小麦白粉病 Blumeria graminis OA=78% [92] GLM 小麦蚜虫 Macrosiphum avenae OA=52% [46] FLDA 春小麦白粉病 Blumeria graminis OA=82% [93] 春小麦蚜虫 Macrosiphum avenae OA=82% [93] PLSR 水稻纹枯病 Rhizoctonia solani R2=0.68 [98] 机器学习模型
Machine learning modelLMRF 东亚飞蝗 Locusta migratoria manilensis U>0.76 [99] CART 小麦白粉病 Blumeria graminis OA=73.1% [18] SVM 沙漠蝗虫 Schistocerca gregaria OA=77.46% [100] SMOTE-BPNN 小麦条锈病 Puccinia striiformis OA=86.7% [18] KNN 小麦白粉病 Blumeria graminis OA=84.6% [18] 生态位模型
Ecological niche modelingGARP 松材线虫 Bursaphelenchus xylophilus AUC =0.89 [101] ENFA 白背飞虱 Sogatella furcifera AUC=0.922 [102] MaxEnt 草地贪夜蛾 Spodoptera frugiperda AUC=0.912 [103] 小麦麦瘟病 Magnaporthe oryzae AUC>0.99 [104] OA: 总精度; R2: 相关系数; U: 分类精度; AUC: 运行曲线下面积。OA: overall accuracy; R2: correlation coefficient; U: classification accuracy; AUC: area under receiver operation curve. 3.1 作物病虫害生境评价建模方法
统计模型主要以概率论为基础, 采用数学统计方法进行建模。统计模型能够按不同的数学假设建立生境因子和病虫害生境适宜性间的关系, 具有形式简单、解释性强等优势。Zhang等[92]和Marques da Silva等[91]利用Logistic模型基于遥感气象参数实现对冬小麦白粉病、番茄(Solanum lycopersicum)害虫的生境适宜性评价, 得到详细的病害虫风险分布结果。张永生等[46]通过广义线性回归方法(GLM)建立景观格局与麦田蚜虫种群之间的数学模型, 模型拟合率为52%。Yuan等[93]通过Fisher线性判别分析方法(FLDA)研究春小麦蚜虫和白粉病的生境适宜性, 结合植被指数特征和遥感气象特征进行建模, 精度达82%。基于统计模型的作物病虫害生境评价一大优势是由于方法形式上较为简洁, 容易进行方法的开发和部署, 便于在一些业务化运行系统中使用。同时, 由于该类模型对数据关系、结构的假设较为简单, 不易出现过拟合等问题, 方法通常具有较强的鲁棒性, 特别适合在一些生境因子与病虫害风险强相关的地区使用。另一方面, 统计模型的不足主要在于模型的数据挖掘能力相对较弱, 在处理生境因子与病虫害风险间呈现非线性、复杂关系结构的场景方面存在较大局限。
机器学习方法, 如人工神经网络、支持向量机、随机森林、K近邻等方法, 支持多元分析与非线性建模, 能够有效挖掘多源遥感等数据表征的生境因子与病虫害生境适宜性之间的关系, 是作物病虫害生境评价建模的重要方法。随着表征病虫害生境因素的数据源不断丰富发展, 利用这种多源异构的数据在很多时候难以通过简单的统计模型得到理想的病虫害生境评价, 而采用机器学习类方法进行生境评价建模是一种重要方式[105-107]。Shi等[99]基于多源遥感数据结合植被指数、地表温度及土地覆盖类型, 建立了一种基于景观隶属度的随机森林模型(LMRF)对东亚飞蝗生境进行分类, 研究结果中的常发蝗区及偶发蝗区置信度分别大于0.8和0.76。Sun等[100]基于多生境因子通过支持向量机方法(SVM)进行沙漠蝗虫发生风险预警研究, 总体准确度达77.46%, 为沙漠蝗虫防治的早期决策和响应策略提供支持。但机器学习模型由于其机理性较弱, 在描述病虫害的生境适宜性方面存在一定局限。
不同于前两类模型, 生态位模型由于能够将物种分布相关联的地理空间和生态需求联系起来, 可根据生态学原理构建机理性较强的病虫害生境适宜性评价模型。模型主要包括最大熵模型(MaxEnt)、BIOCLIM、GARP、生态位因子分析模型(ENFA)和DOMAIN等类型[108]。这些模型基于最大熵原理、遗传算法、相似度矩阵等方法, 在满足已知约束的条件下, 利用病虫害分布点和生境变量, 对病虫害的生态需求进行推断, 对其潜在分布进行模拟。曹学仁等[104]采用MaxEnt对麦瘟病在全球及中国的潜在分布区进行预测, 运行曲线下面积(AUC)值超过0.99; Meynard等[109]基于气象变量采用MaxEnt、BIOCLIM等多种生态位模型对沙漠蝗虫的潜在地理分布进行了预测; 沈鹏等[110]通过综合气象、地形、人类活动等多源地理信息采用ENFA生态位模型对松材线虫的风险区进行有效评估; 林伟等[103]针对近年入侵我国的草地贪夜蛾预测, 以全球的虫害分布数据为基础, 结合环境气候数据, 利用MaxEnt模型进行草地贪夜蛾适生性分析, 为防治决策提供参考。
上述研究表明, 生态位模型在作物病虫害生境评价方面具有较大的应用潜力。但是, 如何在驱动数据中将多源遥感信息、地形、气象数据融合, 进行多尺度的病虫害生境评价建模仍需进一步研究。
3.2 综合多源遥感信息的作物病虫害生境评价方法框架
在综述了作物病虫害生境因子表征与生境适宜性评价建模方法的基础上, 本文提出一个综合多源遥感信息的作物病虫害生境评价的方法框架(图2), 为该方向的研究与应用提供参考。具体分为如下步骤:
![]()
图 2 综合多源遥感信息的作物病虫害生境评价方法框架Figure 2. Methodological framework for habitat assessment of crop diseases and pests based on multi-source remote sensing information首先, 结合作物病虫害生境需求特点, 从寄主作物分布及生长状态、环境气象、景观格局、土壤信息等方面确定生境因素, 结合遥感、气象等多源信息, 确定生境因素的表征方法。
其次, 根据已确定的备选生境因素特征, 结合病虫害调查数据和T检验、Relief-F、相关性分析等特征敏感性分析方法进行用于生境评价的因素选择, 确定优选特征集。
再次, 结合病虫害调查数据的丰欠、分布情况以及病虫害生境因素和影响机制的复杂性, 选择统计类、机器学习或生态位模型进行病虫害生境适宜性评价的训练建模和参数调优。
最后, 根据模型训练优化结果, 结合精度评价分析选择最优模型进行病虫害生境适宜性评价, 得到空间连续的作物病虫害生境评价的分布图。
4. 作物病虫害生境适宜性评价方法发展趋势展望
随着卫星遥感数据和产品不断丰富, 病虫害预测监测方法和模型不断发展, 越来越多的研究表明基于多源数据进行作物病虫害生境适宜性评价正成为了解病虫害潜在分布和风险变化的重要方式, 能够为病虫害预测提供关键性支撑。但是, 现阶段作物病虫害生境评价方面的研究与病虫害预测及植保管理的实际应用需求之间仍存在一定的距离, 研究对象、表征能力和综合预测等方面有待进一步深入研究。
4.1 病虫害生境适宜性评价的研究与应用对象有待扩展
目前病虫害生境适宜性评价的研究与应用仍限于少数作物病虫害, 其中一个重要原因是病虫害调查数据普遍存在调查点数量少、空间取样密度不足等局限, 难以支持生境适宜性评价建模研究。因此, 针对一些重要的作物病虫害, 有必要在病虫害高发时期开展区域尺度多点位的病虫害发生、程度调查, 为生境适宜性评价研究提供基础数据, 特别是为基于多源遥感数据的生境因子表征提供参照。此外在调查方法方面, 近年来新兴的基于图像深度学习的病虫害识别方法形成了一种以众源方式调查病虫害发生信息的模式, 相比传统植保调查具有调查点数量多, 识别结果相对客观等优势, 有可能为区域尺度病虫害生境适宜性评价提供数据补充。未来, 基于多源信息对不同类型病虫害进行生境评价时需顾及不同病虫害的生境需求特点, 不断丰富和完善生境因子的表征方法和生境适宜性评价模型。
4.2 病虫害生境因素遥感表征精度与稳定性有待提升
病虫害生境因素的表征精度与遥感数据源的分辨率、辐射精度等有重要关系, 近年来, 多源遥感数据在时间、空间、辐射分辨率方面不断提高, 特别是通过一些微卫星和星座技术(如Planet Labs遥感卫星群), 能够实现高频度、高分辨率遥感数据的稳定获取, 能够显著提升作物病虫害生境因素的遥感表征能力。同时光学、热红外和微波数据的结合, 以及数据插补、融合技术的发展, 为提升生境适宜性评价的时空连续性创造条件, 能够更好地响应生境条件的变化, 从一个变化的视角分析生境适宜性。此外, 结合病虫害发生规律及关键生育期信息能够进一步明确参数反演的动态范围, 提升反演精度。同时, 深度学习方法在生境因素中的寄主分类和气象数据获取方面具有较大潜力, 如许晴等[111]提出了一种基于弱样本的深度学习模型农作物分类策略, 该策略一定程度上消除了深度学习模型对大量人工标记样本高度依赖的局限性, 为实现大范围寄主分布的遥感监测提供了一种新途径; 苏扬等[112]利用深度学习在处理复杂非线性问题上的优势, 重建轨道间隙区域的地表温度值, 重建结果与原始反演地表温度值平均均方根误差在1.0 K左右, 决定系数R2在0.88以上。深度学习方法具备更强的学习能力和良好适应性, 该方法能够提升作物病虫害生境表征的精度与稳定性。
4.3 融合病虫害生境适宜性信息的病虫害大范围预测
作物病虫害生境适宜性评价的主要作用是指示病虫害潜在的适宜发生范围, 支持病虫害大范围预测。综合多源遥感信息的病虫害生境适宜性评价能够给出区域中满足病虫害发生条件的范围, 在此基础上, 结合病虫源信息以及病虫害流行学模型, 有可能构建一个时空动态的病虫害预测模型, 实现对病虫害发生、流行过程的较精细的模拟, 为病虫害的防控决策管理提供有效信息, 有助于开展作物病虫害统防统治, 实现绿色防控, 推动植保管理走向数字化和智能化。
-
![]()
图 1 基于多源遥感信息的作物病虫害生境因素表征
Figure 1. Habitat factors characterization of crop diseases and pests based on multi-source remote sensing information
![]()
图 2 综合多源遥感信息的作物病虫害生境评价方法框架
Figure 2. Methodological framework for habitat assessment of crop diseases and pests based on multi-source remote sensing information
表 1 多源遥感数据在生境因素表征中的应用示例
Table 1 Examples of application of multi-source remote sensing data in habitat factors characterization
生境监测因素
Habitat monitoring factor卫星遥感数据
Satellite remote sensing data监测对象
Monitoring object参考文献
References寄主因素
Host factor寄主分布
Host distributionLandsat 8 水稻、玉米
Oryza sativa, Zea mays[29-30] MODIS, Sentinel-1/2 水稻 Oryza sativa [31-32] 物候期
Phenological phaseHJ-1A/B 冬小麦 Triticum aestivum [10] Sentinel-1/2 玉米 Zea mays [33] MODIS 小麦、水稻、玉米
Triticum aestivum,
Oryza sativa,
Zea mays[34] 叶面积指数反演
Leaf area index inversionLandsat 5/7 玉米 Zea mays [35] Sentinel-2 小麦 Triticum aestivum [36] 氮素、水分监测
Nitrogen and water monitoringSentinel-2 玉米 Zea mays [37] MODIS, Landsat 8 玉米 Zea mays [38-39] 气象因素
Meteorological factor气温 Temperature MODIS [40-41] 降水 Precipitation TRMM [42-43] 景观因素
Landscape factor农田聚集度等景观指标
Farmland aggregation and other landscape indicatorHJ-CCD 小麦 Triticum aestivum [44] MODIS 水稻 Oryza sativa [45] Landsat-TM/ETM 小麦 Triticum aestivum [46] 土壤因素
Edaphic factor土壤温度
Soil temperatureASTER 小麦、玉米
Triticum aestivum, Zea mays[47] 土壤湿度
Soil humidityRadarSat, ERS-2 褐飞蝗 Locustana pardalina [48-49] 土壤盐度
Soil salinityASTER 东亚飞蝗
Locusta migratoria manilensis[50] 
下载: 导出CSV
表 2 作物病虫害生境适宜性评价方法
Table 2 Methods for habitat suitability assessment of crop diseases and pests
建模方法
Modeling method作用对象
Action object精度
Accuracy参考文献
References统计类模型
Statistical modelLogistic 冬小麦白粉病 Blumeria graminis OA=78% [92] GLM 小麦蚜虫 Macrosiphum avenae OA=52% [46] FLDA 春小麦白粉病 Blumeria graminis OA=82% [93] 春小麦蚜虫 Macrosiphum avenae OA=82% [93] PLSR 水稻纹枯病 Rhizoctonia solani R2=0.68 [98] 机器学习模型
Machine learning modelLMRF 东亚飞蝗 Locusta migratoria manilensis U>0.76 [99] CART 小麦白粉病 Blumeria graminis OA=73.1% [18] SVM 沙漠蝗虫 Schistocerca gregaria OA=77.46% [100] SMOTE-BPNN 小麦条锈病 Puccinia striiformis OA=86.7% [18] KNN 小麦白粉病 Blumeria graminis OA=84.6% [18] 生态位模型
Ecological niche modelingGARP 松材线虫 Bursaphelenchus xylophilus AUC =0.89 [101] ENFA 白背飞虱 Sogatella furcifera AUC=0.922 [102] MaxEnt 草地贪夜蛾 Spodoptera frugiperda AUC=0.912 [103] 小麦麦瘟病 Magnaporthe oryzae AUC>0.99 [104] OA: 总精度; R2: 相关系数; U: 分类精度; AUC: 运行曲线下面积。OA: overall accuracy; R2: correlation coefficient; U: classification accuracy; AUC: area under receiver operation curve.
下载: 导出CSV
-
[1] STRANGE R N, SCOTT P R. Plant disease: a threat to global food security[J]. Annual Review of Phytopathology, 2005, 43: 83−116 doi: 10.1146/annurev.phyto.43.113004.133839
[2] SINGH V K, SINGH R, KUMAR A, et al. Current status of plant diseases and food security[M]//DROBY S, KUMAR A. Food Security and Plant Disease Management. Woodhead: Elsevier, 2020
[3] DEUTSCH C A, TEWKSBURY J J, TIGCHELAAR M, et al. Increase in crop losses to insect pests in a warming climate[J]. Science, 2018, 361(6405): 916−919 doi: 10.1126/science.aat3466
[4] 黄文江, 张竞成, 罗菊花. 作物病虫害遥感监测与预测[M]. 北京: 科学出版社, 2015 HUANG W J, ZHANG J C, LUO J H. Remote Sensing Monitoring and Prediction of Crop Diseases and Insect Pests[M]. Beijing: Science Press, 2015
[5] MIZUBUTI E S, AYLOR D E, FRY W E. Survival of Phytophthora infestans sporangia exposed to solar radiation[J]. Phytopathology, 2000, 90(1): 78−84 doi: 10.1094/PHYTO.2000.90.1.78
[6] GUZMAN-PLAZOLA R A, DAVIS R M, MAROIS J J. Effects of relative humidity and high temperature on spore germination and development of tomato powdery mildew (Leveillula taurica)[J]. Crop Protection, 2003, 22(10): 1157−1168 doi: 10.1016/S0261-2194(03)00157-1
[7] XU X M, RIDOUT M S. Effects of prevailing wind direction on spatial statistics of plant disease epidemics[J]. Journal of Phytopathology, 2001, 149(3/4): 155−166
[8] MERLE I, TIXIER P, FILHO E M V, et al. Forecast models of coffee leaf rust symptoms and signs based on identified microclimatic combinations in coffee-based agroforestry systems in Costa Rica[J]. Crop Protection, 2020, 130: 105046 doi: 10.1016/j.cropro.2019.105046
[9] 黄青, 王利民, 滕飞. 利用MODIS-NDVI数据提取新疆棉花播种面积信息及长势监测方法研究[J]. 干旱地区农业研究, 2011, 29(2): 213−217 HUANG Q, WANG L M, TENG F. MODIS-NDVI-based monitoring of cotton planting areas and growth condition in Xinjiang[J]. Agricultural Research in the Arid Areas, 2011, 29(2): 213−217
[10] 蒙继华, 吴炳方, 杜鑫, 等. 基于HJ-1A/1B数据的冬小麦成熟期遥感预测[J]. 农业工程学报, 2011, 27(3): 225−230 MENG J H, WU B F, DU X, et al. Predicting mature date of winter wheat with HJ-1A/1B data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(3): 225−230
[11] 陈颖姝, 张晓春, 王修贵, 等. 基于Landsat8 OLI与MODIS数据的洪涝季节作物种植结构提取[J]. 农业工程学报, 2014, 30(21): 165−173 CHEN Y S, ZHANG X C, WANG X G, et al. Extraction of crop planting structure in seasons prone to waterlogging using Landsat8 OLI and MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(21): 165−173
[12] ZHENG Q, HUANG W J, CUI X M, et al. New spectral index for detecting wheat yellow rust using sentinel-2 multispectral imagery[J]. Sensors (Basel, Switzerland), 2018, 18(3): 868 doi: 10.3390/s18030868
[13] GAO H, WANG C C, WANG G Y, et al. A crop classification method integrating GF-3 PolSAR and sentinel-2A optical data in the Dongting Lake Basin[J]. Sensors (Basel, Switzerland), 2018, 18(9): 3139 doi: 10.3390/s18093139
[14] MERCIER A, BETBEDER J, DENIZE J. Estimating crop parameters using Sentinel-1 and 2 datasets and geospatial field data[J]. Data in Brief, 2021, 38: 107408 doi: 10.1016/j.dib.2021.107408
[15] KHUSH G S. Disease and insect resistance in rice[M]//SPARKS D L. Advances in Agronomy. Amsterdam: Elsevier, 1977: 265–341
[16] BENNETT F G A. Resistance to powdery mildew in wheat: a review of its use in agriculture and breeding programmes[J]. Plant Pathology, 1984, 33(3): 279−300 doi: 10.1111/j.1365-3059.1984.tb01324.x
[17] 刘占宇. 水稻主要病虫害胁迫遥感监测研究[D]. 杭州: 浙江大学, 2008 LIU Z Y. Monitoring the rice disease and insect stress with remote sensing[D]. Hangzhou: Zhejiang University, 2008
[18] 马慧琴. 基于多源多时相遥感分析的小麦主要病害动态监测[D]. 南京: 南京信息工程大学, 2020 MA H Q. Dynamic monitoring of major wheat diseases based on multi-source and multi-temporal remote sensing analysis[D]. Nanjing: Nanjing University of Information Science & Technology, 2020
[19] George N. Agrios. 植物病理学[M]. 北京: 中国农业大学出版社, 2009 AGRIOS G N. Plant Pathology[M]. Beijing: China Agricultural University Press, 2009
[20] 唐翠翠. 基于多源遥感数据的小麦病虫害大尺度监测预测研究[D]. 合肥: 安徽大学, 2016 TANG C C. Large scale monitoring and forecasting of wheat diseases and pests based on multi-source remote sensing data[D]. Hefei: Anhui University, 2016
[21] STRAND J F. Some agrometeorological aspects of pest and disease management for the 21st century[J]. Agricultural and Forest Meteorology, 2000, 103(1/2): 73−82
[22] BRENNAN J M, EGAN D, COOKE B M, et al. Effect of temperature on head blight of wheat caused by Fusarium culmorum and F. graminearum[J]. Plant Pathology, 2005, 54(2): 156−160 doi: 10.1111/j.1365-3059.2005.01157.x
[23] CRUZ D R, LEANDRO L F S, MUNKVOLD G P. Effects of temperature and pH on Fusarium oxysporum and soybean seedling disease[J]. Plant Disease, 2019, 103(12): 3234−3243 doi: 10.1094/PDIS-11-18-1952-RE
[24] MEENTEMEYER R K, HAAS S E, VÁCLAVÍK T. Landscape epidemiology of emerging infectious diseases in natural and human-altered ecosystems[J]. Annual Review of Phytopathology, 2012, 50: 379−402 doi: 10.1146/annurev-phyto-081211-172938
[25] GILLIGAN C A. Sustainable agriculture and plant diseases: an epidemiological perspective[J]. Philosophical Transactions of the Royal Society of London Series B, Biological Sciences, 2008, 363(1492): 741−759 doi: 10.1098/rstb.2007.2181
[26] PARNELL S, GOTTWALD T R, GILLIGAN C A, et al. The effect of landscape pattern on the optimal eradication zone of an invading epidemic[J]. Phytopathology, 2010, 100(7): 638−644 doi: 10.1094/PHYTO-100-7-0638
[27] YUEN J, MILA A. Landscape-scale disease risk quantification and prediction[J]. Annual Review of Phytopathology, 2015, 53: 471−484 doi: 10.1146/annurev-phyto-080614-120406
[28] QI X L, WANG X H, XU H F, et al. Influence of soil moisture on egg cold hardiness in the migratory locust Locusta migratoria (Orthoptera: Acridiidae)[J]. Physiological Entomology, 2007, 32(3): 219−224 doi: 10.1111/j.1365-3032.2007.00564.x
[29] XU X J, JI X S, JIANG J L, et al. Evaluation of one-class support vector classification for mapping the paddy rice planting area in Jiangsu Province of China from landsat 8 OLI imagery[J]. Remote Sensing, 2018, 10(4): 546 doi: 10.3390/rs10040546
[30] YANG L B, WANG L M, HUANG J F, et al. Monitoring policy-driven crop area adjustments in Northeast China using landsat-8 imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 82: 101892 doi: 10.1016/j.jag.2019.06.002
[31] RAMADHANI F, PULLANAGARI R, KERESZTURI G, et al. Automatic mapping of rice growth stages using the integration of SENTINEL-2, MOD13Q1, and SENTINEL-1[J]. Remote Sensing, 2020, 12(21): 3613 doi: 10.3390/rs12213613
[32] ZHAN P, ZHU W Q, LI N. An automated rice mapping method based on flooding signals in synthetic aperture radar time series[J]. Remote Sensing of Environment, 2021, 252: 112112 doi: 10.1016/j.rse.2020.112112
[33] WANG Y Y, FANG S H, ZHAO L L, et al. Parcel-based summer maize mapping and phenology estimation combined using sentinel-2 and time series Sentinel-1 data[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 108: 102720 doi: 10.1016/j.jag.2022.102720
[34] LUO Y C, ZHANG Z, CHEN Y, et al. ChinaCropPhen1km: a high-resolution crop phenological dataset for three staple crops in China during 2000−2015 based on leaf area index (LAI) products[J]. Earth System Science Data, 2020, 12(1): 197−214 doi: 10.5194/essd-12-197-2020
[35] GONZÁLEZ-SANPEDRO M C, LE-TOAN T, MORENO J, et al. Seasonal variations of leaf area index of agricultural fields retrieved from Landsat data[J]. Remote Sensing of Environment, 2008, 112(3): 810−824 doi: 10.1016/j.rse.2007.06.018
[36] HERRMANN I, PIMSTEIN A, KARNIELI A, et al. LAI assessment of wheat and potato crops by VENμS and sentinel-2 bands[J]. Remote Sensing of Environment, 2011, 115(8): 2141−2151 doi: 10.1016/j.rse.2011.04.018
[37] CLEVERS J G, GITELSON A A. Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on sentinel-2 and -3[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 23: 344−351 doi: 10.1016/j.jag.2012.10.008
[38] SAYAGO S, OVANDO G, BOCCO M. Landsat images and crop model for evaluating water stress of rainfed soybean[J]. Remote Sensing of Environment, 2017, 198: 30−39 doi: 10.1016/j.rse.2017.05.008
[39] XU C Y, QU J J, HAO X J, et al. Monitoring crop water content for corn and soybean fields through data fusion of MODIS and Landsat measurements in Iowa[J]. Agricultural Water Management, 2020, 227: 105844 doi: 10.1016/j.agwat.2019.105844
[40] HUANG R, ZHANG C, HUANG J X, et al. Mapping of daily mean air temperature in agricultural regions using daytime and nighttime land surface temperatures derived from TERRA and AQUA MODIS data[J]. Remote Sensing, 2015, 7(7): 8728−8756 doi: 10.3390/rs70708728
[41] YANG Y, CAI W, YANG J. Evaluation of MODIS land surface temperature data to estimate near-surface air temperature in northeast China[J]. Remote Sensing, 2017, 9(5): 410 doi: 10.3390/rs9050410
[42] 刘小婵, 赵建军, 张洪岩, 等. TRMM降水数据在东北地区的精度验证与应用[J]. 自然资源学报, 2015, 30(6): 1047−1056 LIU X C, ZHAO J J, ZHANG H Y, et al. Accuracy validation and application of TRMM precipitation data in northeast China[J]. Journal of Natural Resources, 2015, 30(6): 1047−1056
[43] CHEN Y Y, HUANG J F, SHENG S X, et al. A new downscaling-integration framework for high-resolution monthly precipitation estimates: combining rain gauge observations, satellite-derived precipitation data and geographical ancillary data[J]. Remote Sensing of Environment, 2018, 214: 154−172 doi: 10.1016/j.rse.2018.05.021
[44] 张竞成. 多源遥感数据小麦病害信息提取方法研究[D]. 杭州: 浙江大学, 2012 ZHANG J C. Methods for information extraction of wheat disease based on multi-source remote sensing data[D]. Hangzhou: Zhejiang University, 2012
[45] 张静文. 基于多源时空信息的水稻病害区域流行预测研究[D]. 杭州: 杭州电子科技大学, 2022 ZHANG J W. Regional forcasting of rice disease prevalence based on multi-source spatio-temporal information[D]. Hangzhou: Hangzhou Dianzi University, 2022
[46] 张永生, 欧阳芳, 门兴元, 等. 区域农田景观格局对麦蚜种群数量的影响[J]. 生态学报, 2018, 38(23): 8652−8659 ZHANG Y S, OUYANG F, MEN X Y, et al. Effects of regional agricultural landscape patterns on populations of wheat aphids[J]. Acta Ecologica Sinica, 2018, 38(23): 8652−8659
[47] 刘振华, 赵英时. 基于遗传算法的不同光照条件下植被和土壤组分温度反演[J]. 农业工程学报, 2012, 28(1): 161−166, 294 LIU Z H, ZHAO Y S. Retrieval of plant and soil component temperature under different light conditions based on genetic algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(1): 161−166, 294
[48] CROOKS W T, ARCHER D J. SAR observations of dryland moisture — towards monitoring outbreak areas of the brown locust in South Africa[C]//IEEE International Geoscience and Remote Sensing Symposium. Toronto, ON, Canada: IEEE, 2002: 1994–1996
[49] CROOKS W T, CHEKE R A. Soil moisture assessments for brown locust Locustana pardalina breeding potential using synthetic aperture radar[J]. Journal of Applied Remote Sensing, 2014, 8(1): 084898 doi: 10.1117/1.JRS.8.084898
[50] 扶卿华. 土壤盐分含量的遥感反演及其在东亚飞蝗研究中的应用[D]. 南京: 南京师范大学, 2005 FU Q H. Soil salt content inversion using remote sensing and its application in study on oriental migratory locust[D]. Nanjing: Nanjing Normal University, 2005
[51] 吴炳方, 蒙继华, 李强子. 国外农情遥感监测系统现状与启示[J]. 地球科学进展, 2010, 25(10): 1003−1012 WU B F, MENG J H, LI Q Z. Review of overseas crop monitoring systems with remote sensing[J]. Advances in Earth Science, 2010, 25(10): 1003−1012
[52] ALI A M, SAVIN I, PODDUBSKIY A, et al. Integrated method for rice cultivation monitoring using Sentinel-2 data and leaf area index[J]. The Egyptian Journal of Remote Sensing and Space Science, 2021, 24(3): 431−441 doi: 10.1016/j.ejrs.2020.06.007
[53] CHUANG Y C M, SHIU Y S. A comparative analysis of machine learning with WorldView-2 pan-sharpened imagery for tea crop mapping[J]. Sensors (Basel, Switzerland), 2016, 16(5): 594 doi: 10.3390/s16050594
[54] LIU Q S, HUANG C, LIU G H, et al. Comparison of CBERS-04, GF-1, and GF-2 satellite panchromatic images for mapping quasi-circular vegetation patches in the Yellow River Delta, China[J]. Sensors (Basel, Switzerland), 2018, 18(8): 2733 doi: 10.3390/s18082733
[55] DONG J W, XIAO X M. Evolution of regional to global paddy rice mapping methods: a review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 119: 214−227 doi: 10.1016/j.isprsjprs.2016.05.010
[56] FAN L L, YANG J, SUN X, et al. The effects of Landsat image acquisition date on winter wheat classification in the North China Plain[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 187: 1−13 doi: 10.1016/j.isprsjprs.2022.02.016
[57] WHYTE A, FERENTINOS K P, PETROPOULOS G P. A new synergistic approach for monitoring wetlands using Sentinels-1 and 2 data with object-based machine learning algorithms[J]. Environmental Modelling & Software, 2018, 104: 40−54
[58] PHUNG H P, NGUYEN L D, NGUYEN-HUY T, et al. Monitoring rice growth status in the Mekong Delta, Vietnam using multitemporal Sentinel-1 data[J]. Journal of Applied Remote Sensing, 2020, 14(1): 014518
[59] MANSARAY L R, WANG F M, HUANG J F, et al. Accuracies of support vector machine and random forest in rice mapping with Sentinel-1A, Landsat-8 and Sentinel-2A datasets[J]. Geocarto International, 2020, 35(10): 1088−1108 doi: 10.1080/10106049.2019.1568586
[60] SHEN Y Y, ZHANG J C, YANG L B, et al. A novel operational rice mapping method based on multi-source satellite images and object-oriented classification[J]. Agronomy, 2022, 12(12): 3010 doi: 10.3390/agronomy12123010
[61] MANSARAY L R, ZHANG D D, ZHOU Z, et al. Evaluating the potential of temporal Sentinel-1A data for paddy rice discrimination at local scales[J]. Remote Sensing Letters, 2017, 8(10): 967−976 doi: 10.1080/2150704X.2017.1331472
[62] YANG C C, PRASHER S O, ENRIGHT P, et al. Application of decision tree technology for image classification using remote sensing data[J]. Agricultural Systems, 2003, 76(3): 1101−1117 doi: 10.1016/S0308-521X(02)00051-3
[63] WEI P L, CHAI D F, LIN T, et al. Large-scale rice mapping under different years based on time-series Sentinel-1 images using deep semantic segmentation model[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 174: 198−214 doi: 10.1016/j.isprsjprs.2021.02.011
[64] CHEN X M. Epidemiology and control of stripe rust (Puccinia striiformis f. sp. tritici) on wheat[J]. Canadian Journal of Plant Pathology, 2005, 27(3): 314−337 doi: 10.1080/07060660509507230
[65] YANG C M, CHENG C H, CHEN R K. Changes in spectral characteristics of rice canopy infested with brown planthopper and leaffolder[J]. Crop Science, 2007, 47(1): 329−335 doi: 10.2135/cropsci2006.05.0335
[66] SAKAMOTO T, YOKOZAWA M, TORITANI H, et al. A crop phenology detection method using time-series MODIS data[J]. Remote Sensing of Environment, 2005, 96(3/4): 366−374
[67] ZENG L L, WARDLOW B D, WANG R, et al. A hybrid approach for detecting corn and soybean phenology with time-series MODIS data[J]. Remote Sensing of Environment, 2016, 181: 237−250 doi: 10.1016/j.rse.2016.03.039
[68] BOSCHETTI M, BUSETTO L, MANFRON G, et al. PhenoRice: a method for automatic extraction of spatio-temporal information on rice crops using satellite data time series[J]. Remote Sensing of Environment, 2017, 194: 347−365 doi: 10.1016/j.rse.2017.03.029
[69] 蒙继华. 农作物长势遥感监测指标研究[D]. 北京: 中国科学院研究生院(遥感应用研究所), 2006 MENG J H. Research to crop growth monitoring indicators with remote sensing[D]. Beijing: Chinese Academy of Sciences, 2006
[70] WU B F, MENG J H, LI Q Z, et al. Remote sensing-based global crop monitoring: experiences with China’s CropWatch system[J]. International Journal of Digital Earth, 2014, 7(2): 113−137 doi: 10.1080/17538947.2013.821185
[71] PACHECO A, BANNARI A, DEGUISE J C, et al. Application of hyperspectral remote sensing for LAI estimation in precision farming[C]//23rd Canadian Remote Sensing Symposium. Sainte-Foy, Québec, Canada. IEEE, 2001: 281–287
[72] PASQUALOTTO N, DELEGIDO J, VAN WITTENBERGHE S, et al. Multi-crop green LAI estimation with a new simple sentinel-2 LAI index (SeLI)[J]. Sensors (Basel, Switzerland), 2019, 19(4): 904 doi: 10.3390/s19040904
[73] SADEH Y, ZHU X, DUNKERLEY D, et al. Fusion of Sentinel-2 and PlanetScope time-series data into daily 3 m surface reflectance and wheat LAI monitoring[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 96: 102260 doi: 10.1016/j.jag.2020.102260
[74] JIN X L, YANG G J, XU X G, et al. Combined multi-temporal optical and radar parameters for estimating LAI and biomass in winter wheat using HJ and RADARSAR-2 data[J]. Remote Sensing, 2015, 7(10): 13251−13272 doi: 10.3390/rs71013251
[75] WANG J, XIAO X M, BAJGAIN R, et al. Estimating leaf area index and aboveground biomass of grazing pastures using Sentinel-1, Sentinel-2 and Landsat images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 154: 189−201 doi: 10.1016/j.isprsjprs.2019.06.007
[76] MERCIER A, BETBEDER J, RAPINEL S, et al. Evaluation of Sentinel-1 and -2 time series for estimating LAI and biomass of wheat and rapeseed crop types[J]. Journal of Applied Remote Sensing, 2020, 14(2): 024512
[77] 姚霞, 刘小军, 田永超, 等. 基于星载通道光谱指数与小麦冠层叶片氮素营养指标的定量关系[J]. 应用生态学报, 2013, 24(2): 431−437 doi: 10.13287/j.1001-9332.2013.0176 YAO X, LIU X J, TIAN Y C, et al. Quantitative relationships between satellite channels-based spectral parameters and wheat canopy leaf nitrogen status[J]. Chinese Journal of Applied Ecology, 2013, 24(2): 431−437 doi: 10.13287/j.1001-9332.2013.0176
[78] DELLOYE C, WEISS M, DEFOURNY P. Retrieval of the canopy chlorophyll content from Sentinel-2 spectral bands to estimate nitrogen uptake in intensive winter wheat cropping systems[J]. Remote Sensing of Environment, 2018, 216: 245−261 doi: 10.1016/j.rse.2018.06.037
[79] SHARIFI A. Using Sentinel-2 data to predict nitrogen uptake in maize crop[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 2656−2662 doi: 10.1109/JSTARS.2020.2998638
[80] HAN D, LIU S B, DU Y, et al. Crop water content of winter wheat revealed with sentinel-1 and sentinel-2 imagery[J]. Sensors (Basel, Switzerland), 2019, 19(18): 4013 doi: 10.3390/s19184013
[81] 杨龙. 景观尺度下作物种植结构调整对棉铃虫种群发生的影响[D]. 北京: 中国农业科学院, 2020 YANG L. Effects of cropland use changes on population abundance of Helicoverpa armigera (hübner): a landscape perspective[D]. Beijing: Chinese Academy of Agricultural Sciences, 2020
[82] 吴涛, 赵冬至, 张丰收, 等. 基于高分辨率遥感影像的大洋河河口湿地景观格局变化[J]. 应用生态学报, 2011, 22(7): 1833−1840 WU T, ZHAO D Z, ZHANG F S, et al. Changes of wetland landscape pattern in Dayang River Estuary based on high-resolution remote sensing image[J]. Journal of Applied Ecology, 2011, 22(7): 1833−1840
[83] RASHID I, ANEAUS S. Landscape transformation of an urban wetland in Kashmir Himalaya, India using high-resolution remote sensing data, geospatial modeling, and ground observations over the last 5 decades (1965−2018)[J]. Environmental Monitoring and Assessment, 2020, 192(10): 635 doi: 10.1007/s10661-020-08597-4
[84] PARAZOO N C, COLEMAN R W, YADAV V, et al. Diverse biosphere influence on carbon and heat in mixed urban Mediterranean landscape revealed by high resolution thermal and optical remote sensing[J]. The Science of the Total Environment, 2022, 806 (3): 151335
[85] XU J, GUGA S R, RONG G Z, et al. Estimation of frost hazard for tea tree in Zhejiang Province based on machine learning[J]. Agriculture, 2021, 11(7): 607 doi: 10.3390/agriculture11070607
[86] GENG Y, ZHAO L L, HUANG W J, et al. A landscape-based habitat suitability model (LHS model) for oriental migratory locust area extraction at large scales: a case study along the middle and lower reaches of the Yellow River[J]. Remote Sensing, 2022, 14(5): 1058 doi: 10.3390/rs14051058
[87] COOPS N C, WULDER M A, WHITE J C. Integrating remotely sensed and ancillary data sources to characterize a mountain pine beetle infestation[J]. Remote Sensing of Environment, 2006, 105(2): 83−97 doi: 10.1016/j.rse.2006.06.007
[88] NUTTER JR F W, RUBSAM R R, TAYLOR S E, et al. Use of geospatially-referenced disease and weather data to improve site-specific forecasts for Stewart’s disease of corn in the US corn belt[J]. Computers and Electronics in Agriculture, 2002, 37(1/2/3): 7−14
[89] DUTTA S, SINGH S K, KHULLAR M. A case study on forewarning of yellow rust affected areas on wheat crop using satellite data[J]. Journal of the Indian Society of Remote Sensing, 2014, 42(2): 335−342 doi: 10.1007/s12524-013-0329-5
[90] BHATTACHARYA B K, CHATTOPADHYAY C. A multi-stage tracking for mustard rot disease combining surface meteorology and satellite remote sensing[J]. Computers and Electronics in Agriculture, 2013, 90: 35−44 doi: 10.1016/j.compag.2012.10.001
[91] MARQUES DA SILVA J R, DAMASIO C V, SOUSA A M O, et al. Agriculture pest and disease risk maps considering MSG satellite data and land surface temperature[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 38: 40−50 doi: 10.1016/j.jag.2014.12.016
[92] ZHANG J C, PU R L, YUAN L, et al. Integrating remotely sensed and meteorological observations to forecast wheat powdery mildew at a regional scale[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(11): 4328−4339 doi: 10.1109/JSTARS.2014.2315875
[93] YUAN L, BAO Z Y, ZHANG H B, et al. Habitat monitoring to evaluate crop disease and pest distributions based on multi-source satellite remote sensing imagery[J]. Optik, 2017, 145: 66−73 doi: 10.1016/j.ijleo.2017.06.071
[94] SELVA M, AIAZZI B, BUTERA F, et al. Hyper-sharpening: a first approach on SIM-GA data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(6): 3008−3024 doi: 10.1109/JSTARS.2015.2440092
[95] ZHANG K, WANG M, YANG S Y. Multispectral and hyperspectral image fusion based on group spectral embedding and low-rank factorization[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(3): 1363−1371 doi: 10.1109/TGRS.2016.2623626
[96] GHADJATI M, MOUSSAOUI A, BOUKHAROUBA A. A novel iterative PCA-based pansharpening method[J]. Remote Sensing Letters, 2019, 10(3): 264−273 doi: 10.1080/2150704X.2018.1547443
[97] 董文全, 蒙继华. 遥感数据时空融合研究进展及展望[J]. 国土资源遥感, 2018, 30(2): 1−11 DONG W Q, MENG J H. Review of spatiotemporal fusion model of remote sensing data[J]. Remote Sensing for Land & Resources, 2018, 30(2): 1−11
[98] 田洋洋. 基于多源卫星遥感数据的水稻纹枯病生境适宜性评价研究[D]. 杭州: 杭州电子科技大学, 2021 TIAN Y Y. Evaluation of habitat suitability for rice sheath blight based on multi-source satellite remote sensing data[D]. Hangzhou: Hangzhou Dianzi University, 2021
[99] SHI Y, HUANG W J, DONG Y Y, et al. The influence of landscape’s dynamics on the oriental migratory locust habitat change based on the time-series satellite data[J]. Journal of Environmental Management, 2018, 218: 280−290
[100] SUN R Q, HUANG W J, DONG Y Y, et al. Dynamic forecast of desert locust presence using machine learning with a multivariate time lag sliding window technique[J]. Remote Sensing, 2022, 14(3): 747 doi: 10.3390/rs14030747
[101] 吴文浩. 外来森林病虫害潜在生境预测方法研究[D]. 南京: 南京林业大学, 2010 WU W H. Research on potential habitat of alien species based on WEB database and GIS[D]. Nanjing: Nanjing Forestry University, 2010
[102] HU S J, LIU X F, FU D Y, et al. Projecting distribution of the overwintering population of Sogatella furcifera (Hemiptera: Delphacidae), in Yunnan, China with analysis on key influencing climatic factors[J]. Journal of Insect Science, 2015, 15(1): 148 doi: 10.1093/jisesa/iev131
[103] 林伟, 徐淼锋, 权永兵, 等. 基于MaxEnt模型的草地贪夜蛾适生性分析[J]. 植物检疫, 2019, 33(4): 69−73 LIN W, XU M F, QUAN Y B, et al. Potential geographic distribution of Spodoptera frugiperda in China based on MaxEnt model[J]. Plant Quarantine, 2019, 33(4): 69−73
[104] 曹学仁, 陈林, 周益林, 等. 基于MaxEnt的麦瘟病在全球及中国的潜在分布区预测[J]. 植物保护, 2011, 37(3): 80−83 CAO X R, CHEN L, ZHOU Y L, et al. Potential distribution of Magnaporthe grisea in China and the world, predicted by MaxEnt[J]. Plant Protection, 2011, 37(3): 80−83
[105] RAHIMIAN BOOGAR A, SALEHI H, POURGHASEMI H R, et al. Predicting habitat suitability and conserving Juniperus spp. habitat using SVM and maximum entropy machine learning techniques[J]. Water, 2019, 11(10): 2049 doi: 10.3390/w11102049
[106] 黄文江, 董莹莹, 赵龙龙, 等. 蝗虫遥感监测预警研究现状与展望[J]. 遥感学报, 2020, 24(10): 1270−1279 HUANG W J, DONG Y Y, ZHAO L L, et al. Review of locust remote sensing monitoring and early warning[J]. Journal of Remote Sensing, 2020, 24(10): 1270−1279
[107] AZRAG A G, MOHAMED S A, NDLELA S, et al. Predicting the habitat suitability of the invasive white mango scale, Aulacaspis tubercularis; Newstead, 1906 (Hemiptera: Diaspididae) using bioclimatic variables[J]. Pest Management Science, 2022, 78(10): 4114−4126 doi: 10.1002/ps.7030
[108] 朱耿平, 刘国卿, 卜文俊, 等. 生态位模型的基本原理及其在生物多样性保护中的应用[J]. 生物多样性, 2013, 21(1): 90−98 doi: 10.3724/SP.J.1003.2013.09106 ZHU G P, LIU G Q, BU W J, et al. Ecological niche modeling and its applications in biodiversity conservation[J]. Biodiversity Science, 2013, 21(1): 90−98 doi: 10.3724/SP.J.1003.2013.09106
[109] MEYNARD C N, GAY P E, LECOQ M, et al. Climate-driven geographic distribution of the desert locust during recession periods: Subspecies’ niche differentiation and relative risks under scenarios of climate change[J]. Global Change Biology, 2017, 23(11): 4739−4749 doi: 10.1111/gcb.13739
[110] 沈鹏, 李功权. 基于生态位因子模型的湖北省松材线虫病风险评估[J]. 浙江农林大学学报, 2021, 38(3): 560−566 SHEN P, LI G Q. Risk assessment of Bursaphelenchus xylophilus in Hubei Province based on ecological niche factor analysis model[J]. Journal of Zhejiang A&F University, 2021, 38(3): 560−566
[111] 许晴, 张锦水, 张凤, 等. 深度学习农作物分类的弱样本适用性[J]. 遥感学报, 2022, 26(7): 1395−1409 XU Q, ZHANG J S, ZHANG F, et al. Applicability of weak samples to deep learning crop classification[J]. National Remote Sensing Bulletin, 2022, 26(7): 1395−1409
[112] 苏扬, 吴鹏海, 程洁, 等. AMSR-E地表温度数据重建深度学习方法[J]. 遥感学报, 2022, 26(4): 739−751 SU Y, WU P H, CHENG J, et al. Research on deep learning methods for AMSR-E land surface temperature data reconstruction[J]. National Remote Sensing Bulletin, 2022, 26(4): 739−751
-
期刊类型引用(2)
1. 陈冬梅，林佳，王海亮，吴开华，陆玉恒，周晓飞，张竞成. 基于多尺度数据集的虫害检测模型. 农业工程学报. 2024(05): 196-206 . 
百度学术
2. 裴云霞，洪慧，包美玲，邓俊，陈岷轩，张强. 农业环境损害鉴定中受体植物的损害因素判别及损害程度分析. 中国司法鉴定. 2024(04): 40-48 . 百度学术
其他类型引用(7)
计量
- 文章访问数: 959
- HTML全文浏览量: 323
- PDF下载量: 203
- 被引次数: 9
