董萍，王明，彭飛，時(shí)雷，張娟娟，司海平

(1. 河南農(nóng)業(yè)大學(xué)信息與管理科學(xué)學(xué)院,鄭州市,450046; 2. 鄭州城建職業(yè)學(xué)院信息工程系,鄭州市,452100)

0 引言

2022年2月,中央一號(hào)文件《中共中央國(guó)務(wù)院關(guān)于做好2022年全面推進(jìn)鄉(xiāng)村振興重點(diǎn)工作的意見(jiàn)》發(fā)布,意見(jiàn)強(qiáng)調(diào)要加快推進(jìn)農(nóng)業(yè)現(xiàn)代化,深入實(shí)施重要農(nóng)產(chǎn)品保障戰(zhàn)略,牢牢守住保障國(guó)家糧食安全的底線。作物病害是影響糧食高質(zhì)高產(chǎn)的主要因素之一,準(zhǔn)確高效的識(shí)別作物病害并實(shí)施精準(zhǔn)防治是現(xiàn)代農(nóng)業(yè)發(fā)展的主要趨勢(shì)之一[1]。傳統(tǒng)的作物病害檢測(cè)是依靠農(nóng)戶的經(jīng)驗(yàn)進(jìn)行判斷的,這種檢測(cè)方法具有主觀性,精度較低且勞動(dòng)強(qiáng)度大,病害發(fā)生后一般借助農(nóng)藥對(duì)病害進(jìn)行防治,不僅會(huì)對(duì)環(huán)境造成污染而且會(huì)影響糧食質(zhì)量。我國(guó)在農(nóng)作物病害管理方面,已經(jīng)投入了相當(dāng)大的人力和物力來(lái)研究開(kāi)發(fā)傳感、成像、高光譜和計(jì)算機(jī)生物學(xué)等技術(shù),以監(jiān)測(cè)和管理作物病原體和其他生物脅迫源。隨著現(xiàn)代化農(nóng)業(yè)進(jìn)程的加快,3S、機(jī)器視覺(jué)、高光譜、人工智能、大數(shù)據(jù)和物聯(lián)網(wǎng)等技術(shù)被廣泛應(yīng)用在農(nóng)業(yè)活動(dòng)中,包括作物保護(hù),檢測(cè)和預(yù)測(cè)農(nóng)作物疾病,極大地提高了作物病害監(jiān)測(cè)和預(yù)警的準(zhǔn)確率[2]。特別是計(jì)算機(jī)視覺(jué)方面的技術(shù)進(jìn)步促進(jìn)了作物病害的自動(dòng)化檢測(cè),作物生理數(shù)據(jù)可通過(guò)衛(wèi)星、機(jī)載遙感或近距離遙感收集[3-4]。這些無(wú)損檢測(cè)方法不直接接觸農(nóng)作物,不會(huì)對(duì)作物的生長(zhǎng)造成影響,并且具有低成本、覆蓋區(qū)域廣和病害癥狀提前評(píng)估等優(yōu)點(diǎn)。目前作物病害中的遙感和成像技術(shù)也可用于農(nóng)場(chǎng)管理和精準(zhǔn)農(nóng)業(yè),可以進(jìn)行早期病害檢測(cè)、在田間試驗(yàn)中評(píng)估作物品種或殺菌劑的效果、記錄作物病害對(duì)生理狀況和產(chǎn)量的影響、區(qū)分生物和非生物脅迫以及支持植物育種的高通量表型等[5]。

國(guó)內(nèi)外部分學(xué)者已經(jīng)從不同角度對(duì)作物病害監(jiān)測(cè)和預(yù)警的研究發(fā)展?fàn)顩r做出了分析[6-7]。白雪冰等[8]從光譜成像的角度綜述了近六年來(lái)國(guó)內(nèi)外關(guān)于光譜成像技術(shù)在作物病害檢測(cè)領(lǐng)域應(yīng)用的相關(guān)文獻(xiàn),分析展望了光譜成像技術(shù)在作物病害檢測(cè)領(lǐng)域中應(yīng)用的研究趨勢(shì);刁智華等[9]將圖像處理技術(shù)應(yīng)用到病害特征提取識(shí)別中,分別從形狀、顏色、紋理的特征提取出發(fā),基于部分學(xué)習(xí)方法的病害識(shí)別綜述了近些年作物病害特征提取識(shí)別的應(yīng)用研究;競(jìng)霞等[10]從作物病害遙感探測(cè)的方法和尺度兩個(gè)方面綜述了基于反射率光譜的作物病害遙感監(jiān)測(cè)現(xiàn)狀,概括了主動(dòng)熒光、被動(dòng)熒光以及協(xié)同日光誘導(dǎo)葉綠素?zé)晒夂头瓷渎使庾V在作物病害遙感監(jiān)測(cè)中的研究進(jìn)展;Abade等[11]回顧分析了過(guò)去十年中采用不同的方法處理與疾病檢測(cè)、數(shù)據(jù)集特征、作物病原體相關(guān)方面的121篇論文,旨在確定卷積神經(jīng)網(wǎng)絡(luò)(CNN)在植物疾病識(shí)別和分類過(guò)程中的應(yīng)用現(xiàn)狀和研究趨勢(shì);Liu等[12]從光譜抗性的角度出發(fā)總結(jié)了過(guò)去十年中水稻作物廣譜抗病基因鑒定的最新進(jìn)展以及通過(guò)生物技術(shù)手段在作物改良中的應(yīng)用;Fedele等[13]通過(guò)檢索與103種作物有關(guān)的疾病模型的論文,提取描述性元數(shù)據(jù),開(kāi)發(fā)病理系統(tǒng)圖,強(qiáng)調(diào)各種模型之間的差距,并提出需要進(jìn)一步研究的問(wèn)題。目前,國(guó)內(nèi)外對(duì)作物病害的研究主要集中在病害的識(shí)別和綜合防治上,缺乏針對(duì)該領(lǐng)域的定量研究和結(jié)構(gòu)化分析。

文獻(xiàn)計(jì)量學(xué)是將數(shù)學(xué)和統(tǒng)計(jì)學(xué)的相關(guān)理論運(yùn)用于文獻(xiàn)情報(bào)研究的一門交叉學(xué)科[14],其優(yōu)點(diǎn)在于能直觀清晰的展現(xiàn)出知識(shí)框架和研究熱點(diǎn),可以回答“某一科學(xué)領(lǐng)域的研究主題是什么?”“這些主題之間是如何聯(lián)系的?”“某一科學(xué)領(lǐng)域是如何發(fā)展的?”以及“誰(shuí)是一個(gè)科學(xué)領(lǐng)域的關(guān)鍵參與者(研究人員、機(jī)構(gòu)、期刊)?”等問(wèn)題。文獻(xiàn)計(jì)量學(xué)已被用于回答很多領(lǐng)域的這些類似問(wèn)題,李繼宇等[15]對(duì)2001—2020年累計(jì)二十年間農(nóng)用無(wú)人機(jī)領(lǐng)域內(nèi)發(fā)布的期刊及論文進(jìn)行可視化,分析農(nóng)用無(wú)人機(jī)的主要研究國(guó)家及相互間的合作關(guān)系和農(nóng)用無(wú)人機(jī)的研究前沿;鐘菊新等[16]通過(guò)對(duì)2010—2020年Web of Science核心合集數(shù)據(jù)庫(kù)中土壤細(xì)菌領(lǐng)域相關(guān)文獻(xiàn)進(jìn)行計(jì)量分析,分析土壤細(xì)菌領(lǐng)域的發(fā)文量趨勢(shì)、主要研究國(guó)家和研究的重點(diǎn)和熱點(diǎn)。然而,目前還未見(jiàn)有使用結(jié)構(gòu)化的文獻(xiàn)計(jì)量方法對(duì)作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域研究趨勢(shì)、研究課題的演變以及該研究領(lǐng)域的出版情況進(jìn)行定量調(diào)查。因此本文基于文獻(xiàn)計(jì)量學(xué)的分析方法,借助VOSviewer文獻(xiàn)可視化工具,對(duì)2003—2022年間Web of Science核心合集數(shù)據(jù)庫(kù)中的作物病害監(jiān)測(cè)和預(yù)警相關(guān)文獻(xiàn)進(jìn)行可視化分析,以獲取近20年來(lái)作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域的研究進(jìn)展和前沿?zé)狳c(diǎn),形成相應(yīng)的網(wǎng)絡(luò)圖譜,為該領(lǐng)域研究者跟蹤研究前沿、把握研究方向提供參考依據(jù)。

1 材料和方法

1.1 數(shù)據(jù)來(lái)源

為統(tǒng)計(jì)分析作物病害監(jiān)測(cè)和預(yù)警研究領(lǐng)域近20年來(lái)的發(fā)展?fàn)顩r,將Web of Science 核心合集數(shù)據(jù)庫(kù)作為文獻(xiàn)檢索數(shù)據(jù)庫(kù)。全世界十大糧食作物是水稻、玉米、大豆、小麥、燕麥、黑麥、大麥、高粱、甘薯、馬鈴薯,以這十種作物作為此次檢索的主要作物,其檢索式為“TS=((crop OR rice OR wheat OR corn OR oat OR soybean OR rye OR potato OR barley OR sorghum OR “sweet potato”) AND disease AND (identif* OR monito* OR warn* OR forecast*))”,檢索時(shí)間跨度為2003—2022年(20年),文獻(xiàn)類型設(shè)定為“Article”,最終檢索時(shí)間為2023年1月5日,共檢索到21 609篇文獻(xiàn)。對(duì)檢索到的文獻(xiàn)進(jìn)行篩選,研究對(duì)象為作物病害,刪除作物蟲(chóng)害相關(guān)文獻(xiàn),刪除與作物病害監(jiān)測(cè)和預(yù)警主題不相關(guān)的文獻(xiàn),刪除引用量過(guò)低且年份久遠(yuǎn)的文獻(xiàn),最終篩選出3 091篇文獻(xiàn),將所選文獻(xiàn)“全記錄與引用的參考文獻(xiàn)”格式進(jìn)行下載。

1.2 研究方法

VOSviewer是荷蘭萊頓大學(xué)VanEck與Waltman研究開(kāi)發(fā),在科研網(wǎng)絡(luò)分析方面具有較好的可視化效果[17]。VOSviewer獲得的聚類圖譜,每個(gè)圓圈表示一個(gè)關(guān)鍵詞,其圓圈大小表示該關(guān)鍵詞出現(xiàn)的頻次,圓圈顏色代表關(guān)鍵詞的聚類,關(guān)鍵詞間連線的粗細(xì)代表關(guān)聯(lián)總強(qiáng)度。利用VOSviewer軟件對(duì)作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域的發(fā)文量、國(guó)家、研究機(jī)構(gòu)、作者、刊載期刊、關(guān)鍵詞等進(jìn)行可視化分析,借助知識(shí)圖譜梳理、歸納總結(jié)作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域的發(fā)展脈絡(luò)及近20年間的研究熱點(diǎn)。

2 結(jié)果與分析

2.1 文獻(xiàn)發(fā)表量年度變化分析

對(duì)文獻(xiàn)的發(fā)文量隨年份變化趨勢(shì)進(jìn)行統(tǒng)計(jì)分析,如圖1所示,可以在一定程度上了解作物病害監(jiān)測(cè)和預(yù)警的研究歷程。從總體上看,國(guó)際上作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域發(fā)文量呈現(xiàn)三個(gè)階段,2003—2010年,每年的發(fā)文量不超過(guò)50篇,相關(guān)研究較少,處于緩慢培育階段;2011—2016年,發(fā)文量緩慢穩(wěn)定增長(zhǎng),年發(fā)文量從46篇增長(zhǎng)到了135篇,說(shuō)明作物病害監(jiān)測(cè)和預(yù)警已經(jīng)成為農(nóng)業(yè)發(fā)展的重要一環(huán),越來(lái)越受到學(xué)者的重視;2017年之后,發(fā)文量持續(xù)大幅度增長(zhǎng),76%的文獻(xiàn)發(fā)布于此階段,可見(jiàn)作物病害監(jiān)測(cè)和預(yù)警這一主題備受關(guān)注,是當(dāng)前的熱點(diǎn)和前沿,這與信息技術(shù)的飛速發(fā)展是密切相關(guān)的。近年來(lái),深度學(xué)習(xí)、遙感、機(jī)器視覺(jué)、高光譜等技術(shù)蓬勃發(fā)展[18],研究者們基于以上技術(shù)理論相繼探索出了諸多作物病害監(jiān)測(cè)和預(yù)警方法,其病害檢測(cè)的準(zhǔn)確率遠(yuǎn)超傳統(tǒng)作物病害識(shí)別技術(shù)。國(guó)內(nèi)外越來(lái)越多的研究者轉(zhuǎn)向農(nóng)作物長(zhǎng)勢(shì)和生理數(shù)據(jù)實(shí)時(shí)監(jiān)測(cè)、病害識(shí)別和預(yù)警等方面的“互聯(lián)網(wǎng)+農(nóng)業(yè)”研究和應(yīng)用[19]。

圖1 2003—2022年期間發(fā)文量變化趨勢(shì)Fig. 1 Trend in annual numbers of publications from 2003 to 2022

2.2 主要發(fā)文國(guó)家分析

通過(guò)對(duì)國(guó)家發(fā)文量進(jìn)行分析,可以在一定程度上反映世界各國(guó)在作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域的科研實(shí)力和影響力。使用VOSviewer軟件,對(duì)發(fā)文量大于10篇的國(guó)家進(jìn)行圖譜可視化,直觀地展示出這些國(guó)家在該領(lǐng)域中的發(fā)表量和影響力。統(tǒng)計(jì)在作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域發(fā)文量排名前10的國(guó)家,如圖2所示。為了進(jìn)一步分析高生產(chǎn)力國(guó)家,以篇數(shù)和篇均被引頻率作為衡量指標(biāo),比較不同國(guó)家論文的影響力和質(zhì)量。從發(fā)文數(shù)量來(lái)說(shuō),中國(guó)最多(763篇),其次是美國(guó)(612篇),第3名是印度(404篇),澳大利亞、英國(guó)和西班牙等國(guó)家也發(fā)表了較多相關(guān)論文;從篇均被引頻率來(lái)看,最高的是德國(guó)(33.46次),其次是英國(guó)(31.01次),排第3的是美國(guó)(27.98次)。研究發(fā)現(xiàn),雖然中國(guó)近年來(lái)發(fā)表的相關(guān)論文數(shù)量最多,但與德國(guó)、英國(guó)、美國(guó)等國(guó)家相比,篇均被引頻率仍有較大差距,這說(shuō)明中國(guó)在作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域的研究論文雖然具有數(shù)量?jī)?yōu)勢(shì),但質(zhì)量還需進(jìn)一步提升。

圖2 2003—2022年期間主要國(guó)家發(fā)文量和篇均被引頻次Fig. 2 Number of publications issued by major countries and the frequency of citations from 2003 to 2022

美國(guó)在發(fā)文量和篇均被引頻率方面均居于第2名,綜合來(lái)講,美國(guó)在作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域具有較強(qiáng)的綜合科研實(shí)力。美國(guó)在作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域的研究歷史悠久,1910年,美國(guó)農(nóng)業(yè)部成立了第一個(gè)農(nóng)業(yè)氣象站,開(kāi)始對(duì)作物的生長(zhǎng)情況進(jìn)行監(jiān)測(cè);1978年美國(guó)伊利諾斯大學(xué)開(kāi)發(fā)出了世界上最早的農(nóng)作物病害診斷專家系統(tǒng),在作物病害識(shí)別發(fā)展中起到了奠基性作用,加之科研實(shí)力較強(qiáng),具有先進(jìn)的科研設(shè)備并且人才云集,在作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域創(chuàng)造了大量經(jīng)典的開(kāi)創(chuàng)性研究成果。

2.3 主要研究機(jī)構(gòu)分析

從Web of Science獲取的3 091篇文獻(xiàn)所涉及的機(jī)構(gòu)共有3 557個(gè),作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域發(fā)文量排名前10的機(jī)構(gòu)如表1所示。從發(fā)文量的角度分析,美國(guó)農(nóng)業(yè)部農(nóng)業(yè)研究局(USDA-ARS)發(fā)文量最高,發(fā)文數(shù)量為87篇,其次是中國(guó)科學(xué)院(Chinese Academy of Sciences),發(fā)文量為83,緊隨其后的為中國(guó)農(nóng)業(yè)科學(xué)院(Chinese Academy of Agricultural Sciences)、佛羅里達(dá)大學(xué)(University of Florida)、中國(guó)農(nóng)業(yè)大學(xué)(China Agricultural University)、加拿大農(nóng)業(yè)部(Agriculture and Agri-Food Canada)、美國(guó)的康奈爾大學(xué)(Cornell University)、法國(guó)農(nóng)業(yè)科學(xué)研究院(INRA)、農(nóng)業(yè)科學(xué)研究院(ARS)、南京農(nóng)業(yè)大學(xué)(Nanjing Agricultural University)。從篇均被引頻次角度分析,法國(guó)農(nóng)業(yè)科學(xué)研究院(INRA)篇均被引頻次最高(39.37次),其次是美國(guó)康奈爾大學(xué)(Cornell University,38.32次),第3名是美國(guó)的佛羅里達(dá)大學(xué)(University of Florida,36.30次),篇均被引頻次排名前3的科研機(jī)構(gòu)中,未出現(xiàn)中國(guó)的研究機(jī)構(gòu)?？梢钥闯?近年來(lái)中國(guó)在作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域發(fā)展迅速,涌現(xiàn)出了一大批以中科院、農(nóng)科院為代表的科研機(jī)構(gòu),發(fā)文量大幅提升,但科研成果質(zhì)量相比美國(guó)、法國(guó)等發(fā)達(dá)國(guó)家的研究機(jī)構(gòu)仍有一定差距。發(fā)文量排名前10的科研機(jī)構(gòu)中,4所來(lái)自美國(guó),且其中有2所在篇均被引頻率上表現(xiàn)較好,排名前3,說(shuō)明美國(guó)的研究機(jī)構(gòu)在作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域占據(jù)絕對(duì)的優(yōu)勢(shì)地位。

使用VOSviewer對(duì)發(fā)文量大于10篇的研究機(jī)構(gòu)進(jìn)行顯示。研究機(jī)構(gòu)合作網(wǎng)絡(luò)如圖3所示。由圖3可知,美國(guó)農(nóng)業(yè)部農(nóng)業(yè)研究局的圓圈最大,位于網(wǎng)絡(luò)中的核心地帶,與71個(gè)機(jī)構(gòu)存在合作關(guān)系,說(shuō)明美國(guó)農(nóng)業(yè)部農(nóng)業(yè)研究局的作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域的國(guó)際影響力較強(qiáng),對(duì)作物病害監(jiān)測(cè)和預(yù)警研究領(lǐng)域的貢獻(xiàn)較大。其次與其他研究機(jī)構(gòu)之間連線較多的是中國(guó)科學(xué)院和中國(guó)農(nóng)業(yè)科學(xué)院,積極與國(guó)內(nèi)外科研機(jī)構(gòu)開(kāi)展密切的學(xué)術(shù)交流。可以發(fā)現(xiàn),發(fā)文量越多的國(guó)家,與其他機(jī)構(gòu)的合作關(guān)系也越強(qiáng)。

圖3 2003—2022年期間研究機(jī)構(gòu)合作網(wǎng)絡(luò)圖譜Fig. 3 Visualization of research institutions collaboration from 2003 to 2022

2.4 主要研究作者分析

表2 2003—2022年期間發(fā)文量TOP10的作者Tab. 2 TOP10 authors based on an analysis of publications from 2003 to 2022

同時(shí)利用VOSviewer繪制核心作者圖譜如圖4所示。

圖4 2003—2022年期間作者合作網(wǎng)絡(luò)圖譜Fig. 4 Co-occurrence mapping of authors from 2003 to 2022

可以看出,核心作者之間形成了以黃文江、張競(jìng)成、康振生和Varshney為代表的核心研究團(tuán)隊(duì)。黃文江為代表的研究團(tuán)隊(duì)研究?jī)?nèi)容主要涉及植被定量遙感、作物理化參數(shù)遙感反演機(jī)制與模型、智能化作物長(zhǎng)勢(shì)與病害播報(bào)平臺(tái)研制;張競(jìng)成為代表的研究團(tuán)隊(duì)主要研究綜合遙感、氣象等信息構(gòu)建病蟲(chóng)害預(yù)測(cè)模型?？嫡裆鸀榇淼难芯繄F(tuán)隊(duì)研究?jī)?nèi)容主要涉及從遺傳學(xué)、分子生物學(xué)以及基因組學(xué)等方面研究作物病害致病機(jī)理與防治技術(shù);Varshney為代表的研究團(tuán)隊(duì)研究?jī)?nèi)容主要涉及遺傳學(xué)、應(yīng)用微生物學(xué)和生物化學(xué)等方面?？梢园l(fā)現(xiàn),發(fā)文作者呈現(xiàn)區(qū)域性的合作關(guān)系,同一機(jī)構(gòu)或同一地區(qū)的學(xué)者之間密切合作,形成固定的核心研究團(tuán)隊(duì),核心團(tuán)隊(duì)之間均有合作。

2.5 熱門期刊分析

對(duì)期刊發(fā)文量進(jìn)行分析,得到作物病害監(jiān)測(cè)和預(yù)警研究發(fā)文量排名前10的期刊,如表3所示。該領(lǐng)域的文章主要發(fā)表在跨學(xué)科植物科學(xué)、植物病理學(xué)、傳感器與物理過(guò)程和精確農(nóng)業(yè)等期刊上。發(fā)文量前3的期刊為Frontiers in Plant Science、Plant Disease和Computers and Electronics in Agriculture,是作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域最熱門期刊,發(fā)文量分別為145、115、92篇。其中Frontiers in Plant Science和Computers and Electronics in Agriculture的影響因子分別為6.627和6.757,是該領(lǐng)域的頂級(jí)期刊,可以在一定程度上代表作物病害監(jiān)測(cè)和預(yù)警的研究重點(diǎn),相關(guān)研究學(xué)者可以重點(diǎn)關(guān)注這兩個(gè)期刊。

2.6 研究熱點(diǎn)分析

利用VOSviewer軟件對(duì)Web of Science 核心合集數(shù)據(jù)庫(kù)中獲取的文獻(xiàn)進(jìn)行關(guān)鍵詞共現(xiàn)分析。在分析之前對(duì)關(guān)鍵詞進(jìn)行檢查整理,刪除無(wú)分析意義的關(guān)鍵詞,如“population”“paper”“plant disease”“farmer”等。并對(duì)同義關(guān)鍵詞進(jìn)行合并,如“convolutional neural network”“cnn”“dcnn”“cnn model”和“convolution neural network”“deep learning”和“deep learning model”“uav”和“unmanned aerial vehicle”。最終得到排名前20位的高頻關(guān)鍵詞和關(guān)鍵詞共現(xiàn)關(guān)系網(wǎng)絡(luò)圖譜,以期反映出近20年來(lái)作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域的研究熱點(diǎn),如表4和圖5所示。由圖5可知,關(guān)鍵詞聚類自動(dòng)劃分為4個(gè)模塊。

表4 2003—2022年期間高頻關(guān)鍵詞Tab. 4 High-frequency keywords from 2003 to 2022

圖5 2003—2022年期間關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)圖譜Fig. 5 Co-occurrence cluster mapping of key words from 2003 to 2022

1) 綠色模塊主要研究使用作物病害研究方法。聚類中關(guān)鍵節(jié)點(diǎn)為卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network/cnn/dcnn/cnn model/convolution neural network/neural network)、深度學(xué)習(xí)(deep learning/deep learning model/)、特征(feature)、準(zhǔn)確度(accuracy/classification accuracy)、分類(classification/classifier)。表明利用卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)提取作物病害特征實(shí)現(xiàn)病害分類、不斷提高病害分類的精確程度是作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域新的研究方向。

2) 紅色模塊主要是研究基因防治。聚類中關(guān)鍵節(jié)點(diǎn)為基因(gene/genes/resistance gene/genotype/genetic/genome)、抗病性(disease resistance/resistance/resistance cultivar/resistance mechanism/resistant)、標(biāo)記(marker)、相互作為(interaction)等。表明近20年來(lái)作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域主要專注抗病基因育種和標(biāo)記定位抗病基因監(jiān)測(cè)作物病害發(fā)生情況。

3) 黃色模塊主要研究遙感監(jiān)測(cè)作物植被指數(shù)。其關(guān)鍵節(jié)點(diǎn)為模型(model)、無(wú)人機(jī)(uav/uav image/uavs/unmanned aerial vehicle)、遙感(remote sensing/sensing/sensor/hyperspectral remote sensing/hyperspectralsensor)、植被指數(shù)(vegetation/vegetation index)。表明利用無(wú)人機(jī)遙感、高光譜遙感或傳感器構(gòu)建作物植被指數(shù)監(jiān)測(cè)模型是該領(lǐng)域的另一研究重點(diǎn)。

4) 藍(lán)色模塊主要側(cè)重PCR診斷作物病害。物種(speciese)為該聚類的關(guān)鍵節(jié)點(diǎn),該節(jié)點(diǎn)延伸出的關(guān)鍵詞分別為序列(sequence/sequence analysis)、病毒(virus/mosaic virus)、PCR(pcr/pcr assay/pcr product/pcr amplification/rt pcr/polymerase chain/reaction)。表明利用PCR檢測(cè)技術(shù)進(jìn)行基因測(cè)序,診斷作物疾病是作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域近20年來(lái)的另一研究熱點(diǎn)。

對(duì)關(guān)鍵詞共現(xiàn)圖譜疊加時(shí)間可視化,如圖6所示。圖6中每個(gè)節(jié)點(diǎn)的顏色對(duì)應(yīng)包含相關(guān)關(guān)鍵詞的文獻(xiàn)的平均出版年份。由于分析中的大多數(shù)文章都是在2015—2022年期間發(fā)表的,因此平均發(fā)表年份主要在2016—2021年之間。平均發(fā)表日期較早的關(guān)鍵詞有pcr(2015年)、squence(2016年)和virus(2017年),主要位于PCR檢測(cè)作物疾病聚類中。平均發(fā)表日期較晚的關(guān)鍵詞有svm(2020年)、convolutional neural network(2021年)和deep learning(2021年),主要分屬作物病害研究方法聚類。

圖6 2003—2022年期間關(guān)鍵年份疊加視圖Fig. 6 Co-occurrence mapping of superimposed time of key words from 2003 to 2022

綜合來(lái)看,目前作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域的研究主要集中在卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)分類作物病害、抗病基因育種、遙感監(jiān)測(cè)作物植被指數(shù)和PCR診斷作物病害四個(gè)方面。

2.6.1 作物病害研究方法

早期發(fā)現(xiàn)作物病害可以幫助農(nóng)民及時(shí)采取預(yù)防措施和對(duì)策來(lái)消除疾病[22]。近20年來(lái),卷積神經(jīng)網(wǎng)絡(luò)(CNN)和深度學(xué)習(xí)是對(duì)作物病害監(jiān)測(cè)和預(yù)警的主要辦法。卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)都是機(jī)器學(xué)習(xí)技術(shù)。卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種特定的機(jī)器學(xué)習(xí)模型,主要用于圖像分析[23]。它通過(guò)使用卷積層和池化層來(lái)提取圖像中的特征,并使用全連接層進(jìn)行分類;深度學(xué)習(xí)是一種機(jī)器學(xué)習(xí)的方法,它通過(guò)模仿人腦的神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)數(shù)據(jù)。深度學(xué)習(xí)可以使用多種機(jī)器學(xué)習(xí)模型,如卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、自動(dòng)編碼器(AE)等[24]。可以將卷積神經(jīng)網(wǎng)絡(luò)看作是一種特定的深度學(xué)習(xí)模型,而深度學(xué)習(xí)則是一種機(jī)器學(xué)習(xí)方法,它可以使用多種模型來(lái)學(xué)習(xí)數(shù)據(jù),卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)都是進(jìn)行作物病害監(jiān)測(cè)和預(yù)警的有效方法。通過(guò)收集大量的作物圖像數(shù)據(jù),其中包括正常的作物圖像和受到病害影響的作物圖像,然后使用這些圖像數(shù)據(jù)訓(xùn)練模型,讓其學(xué)會(huì)區(qū)分正常的作物圖像和受到病害影響的作物圖像,最后,將訓(xùn)練好的模型應(yīng)用于實(shí)際的監(jiān)測(cè)和預(yù)警工作中,通過(guò)對(duì)新的作物圖像進(jìn)行分類,就可以發(fā)現(xiàn)可能存在的病害。使用卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)進(jìn)行作物病害監(jiān)測(cè)和預(yù)警的優(yōu)勢(shì)在于,它們通過(guò)模仿人腦的神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)數(shù)據(jù),能夠自動(dòng)從數(shù)據(jù)中學(xué)習(xí)特征,不需要人工設(shè)計(jì)特征提取函數(shù)[25],能夠從多種類型的數(shù)據(jù)中學(xué)習(xí)特征,因此可以更好地利用多維數(shù)據(jù)信息。此外,它們還具有較強(qiáng)的學(xué)習(xí)能力和較高的準(zhǔn)確率,因此可以作為一種有效的工具來(lái)進(jìn)行作物病害監(jiān)測(cè)和預(yù)警。

2.6.2 基因防治

作物病害基因防治可以通過(guò)改變作物的基因,使之具有更強(qiáng)的抗病能力,從而防治作物受到病害的危害,也可通過(guò)對(duì)作物的基因組進(jìn)行分析,了解作物的遺傳特征,發(fā)現(xiàn)其中的基因突變或缺陷,并進(jìn)行預(yù)警[26]。這種方法可以通過(guò)基因修飾技術(shù)來(lái)實(shí)現(xiàn),比如說(shuō)基因轉(zhuǎn)移、基因編輯等,具體的基因防治可以通過(guò)以下幾種方式來(lái)實(shí)現(xiàn):(1)在作物中插入抗病基因:這種方法可以使作物具有抗病基因,從而提高作物的抗病能力。比如說(shuō),可以將擬南芥等植物的抗蟲(chóng)基因插入到水稻中,使水稻具有更強(qiáng)的抗蟲(chóng)能力。(2)基因編輯:通過(guò)修改作物的基因序列來(lái)提高作物的抗病能力,通常使用特定的基因編輯工具,比如用CRISPR/Cas9系統(tǒng)來(lái)實(shí)現(xiàn)對(duì)基因的修改。在農(nóng)業(yè)領(lǐng)域,通過(guò)基因編輯,可以讓農(nóng)作物具有更強(qiáng)的抗逆性,更能抵抗干旱、寒冷、鹽堿等不利因素的影響,提高農(nóng)作物的產(chǎn)量和質(zhì)量。(3)基因轉(zhuǎn)移:這種方法通過(guò)將某些植物的基因轉(zhuǎn)移到另一種植物中,使另一種植物具有抗病能力?；蜣D(zhuǎn)移技術(shù)有幾種常用的方法。例如,可以使用質(zhì)粒轉(zhuǎn)化法將基因轉(zhuǎn)移到生物體中,也可以使用還原基因組技術(shù)來(lái)改變生物體的基因組。此外,還有一種叫做射線轉(zhuǎn)化法的技術(shù),可以通過(guò)輻射來(lái)改變生物體的基因。基因防治的優(yōu)勢(shì)在于,它可以長(zhǎng)期有效,在植物生長(zhǎng)過(guò)程中提供持久的保護(hù),而且相對(duì)傳統(tǒng)的化學(xué)防治方法,基因防治具有更小的環(huán)境影響和人體安全性更高。但是,基因防治也有一些局限性,比如說(shuō),目前還沒(méi)有通用的基因防治方法能夠有效應(yīng)對(duì)所有的病害,并且實(shí)現(xiàn)基因防治的成本也相對(duì)較高。

2.6.3 無(wú)人機(jī)和高光譜遙感監(jiān)測(cè)作物植被指數(shù)

植被指數(shù)是一種測(cè)量植被狀況的指標(biāo),通常用來(lái)反映植被的生長(zhǎng)情況、綠色覆蓋率和健康狀態(tài)?？梢岳弥脖恢笖?shù)的變化來(lái)發(fā)現(xiàn)作物受到的病害或其他影響。常用的植被指數(shù)有NDVI(Normalized Difference Vegetation Index)、EVI(Enhanced Vegetation Index)和LAI(Leaf Area Index)等[27]。無(wú)人機(jī)遙感監(jiān)測(cè)是一種使用無(wú)人機(jī)搭載相機(jī)或傳感器來(lái)收集地面數(shù)據(jù)的方法,可以利用視頻、照片或其他傳感器來(lái)收集地面的數(shù)據(jù),然后利用圖像處理技術(shù)來(lái)計(jì)算植被指數(shù)?？梢源钶d光譜傳感器、溫度傳感器等,收集植被的光譜特征、溫度分布等信息,來(lái)監(jiān)測(cè)作物的健康狀態(tài),用來(lái)發(fā)現(xiàn)作物的病害或其他影響,這種方法比較簡(jiǎn)單,但是數(shù)據(jù)質(zhì)量可能不是很高。高光譜遙感監(jiān)測(cè)是一種利用航空遙感或衛(wèi)星遙感技術(shù),收集地面的高光譜數(shù)據(jù)(即紅、綠、藍(lán)三個(gè)波段以及其他波段)[28]的方法,通過(guò)高光譜數(shù)據(jù)研究作物的生長(zhǎng)情況。比如,可以利用光譜特征來(lái)研究作物的葉綠素含量、水分含量等,從而反映作物的長(zhǎng)勢(shì)情況,達(dá)到病害監(jiān)測(cè)和預(yù)警的目的。這種方法可以獲得更為精確的數(shù)據(jù),但是成本可能會(huì)更高?？偟膩?lái)說(shuō),無(wú)人機(jī)遙感和高光譜遙感都是監(jiān)測(cè)作物生長(zhǎng)狀況的有效手段,在不同的情況下可以選擇適合的方法來(lái)監(jiān)測(cè)作物的植被指數(shù)。

2.6.4 PCR檢測(cè)作物疾病

PCR(聚合酶鏈反應(yīng))是一種分子生物學(xué)技術(shù),可以用來(lái)快速檢測(cè)和診斷疾病的技術(shù)。通常,PCR檢測(cè)是通過(guò)在作物樣本中搜尋病原體的DNA來(lái)診斷疾病的。這種技術(shù)可以幫助農(nóng)民及早發(fā)現(xiàn)和治療病害,從而減少對(duì)農(nóng)作物的損害。要使用PCR檢測(cè)作物疾病,需要從作物樣本中提取DNA樣本,然后使用PCR擴(kuò)增目標(biāo)DNA片段。最后,通過(guò)分析擴(kuò)增后的DNA片段來(lái)診斷疾病。

值得注意的是,PCR檢測(cè)并不是對(duì)所有作物疾病都適用的,某些疾病的DNA可能很難檢測(cè),因此需要使用其他方法進(jìn)行診斷。此外,PCR檢測(cè)也可能存在一定的誤差,因此應(yīng)該與其他診斷方法結(jié)合起來(lái)使用。

3 結(jié)論

本文借助可視化分析軟件VOSviewer,對(duì)2003—2022年Web of Science核心合集數(shù)據(jù)庫(kù)中檢索到的與作物病害監(jiān)測(cè)和預(yù)警研究相關(guān)的3 091篇英文文獻(xiàn)進(jìn)行年發(fā)文量、國(guó)家、機(jī)構(gòu)、作者、期刊以及關(guān)鍵詞等信息的動(dòng)態(tài)分析,借助知識(shí)圖譜梳理作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域的研究脈絡(luò),分析該領(lǐng)域的研究狀況。

1) 在年發(fā)文量方面,國(guó)際上作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域發(fā)文量呈現(xiàn)三個(gè)階段,2003—2010年,相關(guān)研究成果較少,發(fā)展緩慢;2011—2016年,發(fā)文量緩慢穩(wěn)定增長(zhǎng),作物病害監(jiān)測(cè)和預(yù)警研究越來(lái)越受到學(xué)者的重視;2017年之后,發(fā)文量持續(xù)大幅度增長(zhǎng),作物病害監(jiān)測(cè)和預(yù)警這一主題是當(dāng)前的熱點(diǎn)和前沿,并且還未上升到飽和點(diǎn),該領(lǐng)域具有廣闊的發(fā)展前景。

2) 在作物病害監(jiān)測(cè)和預(yù)警主要研究力量方面,從研究國(guó)家來(lái)看,中國(guó)是該領(lǐng)域發(fā)文量最多的國(guó)家,但篇均引用頻次較低,而美國(guó)在發(fā)文量和篇均被引頻次方面均表現(xiàn)較好,在該領(lǐng)域占據(jù)絕對(duì)優(yōu)勢(shì);從研究機(jī)構(gòu)來(lái)看,發(fā)文量前10的機(jī)構(gòu)中,中國(guó)和美國(guó)各占據(jù)4所,以中科院為代表的中國(guó)科研機(jī)構(gòu)雖然發(fā)展迅速,但科研成果質(zhì)量相較美國(guó)、法國(guó)等發(fā)達(dá)國(guó)家的科研機(jī)構(gòu)仍有一定差距;從研究作者來(lái)看,發(fā)文作者呈現(xiàn)區(qū)域性的合作關(guān)系,并已形成固定的核心研究團(tuán)隊(duì),黃文江是該領(lǐng)域發(fā)文量最多的作者。

3) 在熱門刊載期刊方面,作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域的研究成果主要發(fā)布在Frontiers in Plant Science、Plant Disease和Computers and Electronics in Agriculture這3個(gè)期刊上面。Frontiers in Plant Science和Computers and Electronics in Agriculture是該領(lǐng)域的頂刊,可以在一定程度上代表作物病害監(jiān)測(cè)和預(yù)警的研究重點(diǎn)和熱點(diǎn)。

4) 抗病基因育種、PCR診斷作物病害、卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)分類作物病害和遙感監(jiān)測(cè)作物植被指數(shù)是近20年來(lái)作物病害監(jiān)測(cè)和預(yù)警領(lǐng)域的研究熱點(diǎn)和未來(lái)可持續(xù)發(fā)展的方向。