摘要：森林對(duì)生態(tài)環(huán)境的保護(hù)和經(jīng)濟(jì)的發(fā)展起重要作用，然而病蟲害的侵染嚴(yán)重制約了森林資源的可持續(xù)發(fā)展。近年來，遙感、機(jī)器視覺、生物傳感器、物聯(lián)網(wǎng)等現(xiàn)代化監(jiān)測(cè)技術(shù)迅速發(fā)展，為森林大面積病蟲害的精準(zhǔn)監(jiān)測(cè)與快速預(yù)警奠定了堅(jiān)實(shí)基礎(chǔ)。因此，就現(xiàn)代化技術(shù)在森林病蟲害監(jiān)測(cè)和預(yù)警方面的應(yīng)用進(jìn)行綜合評(píng)述，旨在為相關(guān)從業(yè)者提供技術(shù)參考及輔助決策依據(jù)。在遙感方面，介紹了基于光譜響應(yīng)監(jiān)測(cè)森林病蟲害的機(jī)理，從近地、地塊及區(qū)域3個(gè)尺度對(duì)森林病蟲害遙感監(jiān)測(cè)的研究現(xiàn)狀進(jìn)行總結(jié)和討論；在機(jī)器視覺方面，對(duì)比傳統(tǒng)圖像處理方法與深度學(xué)習(xí)的優(yōu)缺點(diǎn)，從遷移學(xué)習(xí)、輕量化模型等方面分析提高監(jiān)測(cè)效率的可行性；在生物學(xué)方面，闡述了如何基于蟲類的生物學(xué)特征以及植物的生物學(xué)變化實(shí)現(xiàn)對(duì)病蟲害的監(jiān)測(cè)。此外，對(duì)物聯(lián)網(wǎng)、5G等網(wǎng)絡(luò)技術(shù)與現(xiàn)代監(jiān)測(cè)技術(shù)相結(jié)合的方法進(jìn)行探討，以期達(dá)到對(duì)森林病蟲害進(jìn)行遠(yuǎn)程監(jiān)控與預(yù)警的目的。最后，針對(duì)現(xiàn)階段森林病蟲害監(jiān)測(cè)不及時(shí)、演變不清晰、預(yù)警不準(zhǔn)確、防治不精準(zhǔn)等問題，提出今后亟需以物聯(lián)網(wǎng)技術(shù)為核心，建立地面、空中立體化病蟲害監(jiān)測(cè)網(wǎng)絡(luò)，構(gòu)建完備的病蟲害數(shù)據(jù)庫，建立多終端在線實(shí)時(shí)信息顯示的監(jiān)測(cè)和預(yù)警系統(tǒng)。

關(guān)鍵詞：森林病蟲害；遙感；機(jī)器視覺；生物學(xué)；物聯(lián)網(wǎng)；監(jiān)測(cè)預(yù)警

doi：10.13304/j.nykjdb.2023.0210

中圖分類號(hào)：S12，S43

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1008?0864（2025）01?0001?16

森林是我國寶貴的林業(yè)資源，不僅可以發(fā)揮調(diào)節(jié)氣候、保持水土的生態(tài)功能，還可以為相關(guān)產(chǎn)業(yè)帶來可觀的經(jīng)濟(jì)效益。然而，病蟲害每年都會(huì)造成數(shù)以萬計(jì)的森林資源損失，其種類繁多，且具有大規(guī)模爆發(fā)成災(zāi)的特點(diǎn)，給森林資源的保護(hù)工作帶來了巨大挑戰(zhàn)。與此同時(shí)，隨著全球氣候變化的不斷加劇和經(jīng)濟(jì)全球化進(jìn)程的快速發(fā)展，森林病蟲害從分布范圍、寄主類型到成災(zāi)面積及危害嚴(yán)重度均呈現(xiàn)不斷擴(kuò)張的趨勢(shì)，更有許多病蟲害在初次得到控制后會(huì)出現(xiàn)二次大規(guī)模傳播或暴發(fā)，給森林資源造成持續(xù)性損害。

精準(zhǔn)的監(jiān)測(cè)和及時(shí)的預(yù)警可以有效控制病蟲害的蔓延趨勢(shì)，幫助林業(yè)專家快速制定防治方案，從而降低病蟲害造成的森林資源損失。因此，對(duì)森林病蟲害實(shí)時(shí)、精準(zhǔn)的監(jiān)測(cè)和及時(shí)、準(zhǔn)確的預(yù)警是保護(hù)森林資源的重要措施。對(duì)森林病蟲害發(fā)生程度、范圍及種類的監(jiān)測(cè)和預(yù)警長(zhǎng)期以來主要依賴林區(qū)巡檢人員對(duì)林間病情和蟲情的實(shí)地調(diào)查，這種監(jiān)測(cè)方式費(fèi)時(shí)、費(fèi)力、實(shí)效性差，且對(duì)調(diào)查人員有較高的專業(yè)要求，難以滿足大面積的監(jiān)測(cè)需求。隨著科學(xué)技術(shù)的快速發(fā)展，遙感、機(jī)器視覺、生物傳感器等現(xiàn)代化技術(shù)能夠準(zhǔn)確、快速地獲取林區(qū)信息，已逐漸應(yīng)用于森林資源探測(cè)、病蟲害監(jiān)測(cè)等領(lǐng)域。

目前已有許多學(xué)者對(duì)現(xiàn)代化技術(shù)在病蟲害監(jiān)測(cè)預(yù)警上的應(yīng)用展開綜述。Zhang等[1]綜述了遙感技術(shù)在農(nóng)林類病蟲害監(jiān)測(cè)中的應(yīng)用現(xiàn)狀；Luo等[2]分析了遙感技術(shù)在林木鉆蛀性害蟲早期監(jiān)測(cè)中的最新研究與應(yīng)用成果；Thakru 等[3]分析了近年來機(jī)器視覺技術(shù)在植物病蟲害監(jiān)測(cè)中的應(yīng)用現(xiàn)狀。綜上分析，遙感、機(jī)器視覺等現(xiàn)代化技術(shù)在農(nóng)林病蟲害監(jiān)測(cè)的應(yīng)用上不斷發(fā)展，為森林病蟲害監(jiān)測(cè)提供多種選擇，亦為森林病蟲害高效、精準(zhǔn)的監(jiān)測(cè)與及時(shí)、準(zhǔn)確的預(yù)警提供了保證。因此，本文在前人基礎(chǔ)上，綜合評(píng)述遙感、機(jī)器視覺以及生物學(xué)3項(xiàng)現(xiàn)代化監(jiān)測(cè)技術(shù)在森林病蟲害監(jiān)測(cè)中的應(yīng)用進(jìn)展，并分析現(xiàn)代化技術(shù)在森林病蟲害監(jiān)測(cè)中的不足之處，展望未來的發(fā)展方向。在此基礎(chǔ)上，討論物聯(lián)網(wǎng)、5G等信息傳輸技術(shù)與現(xiàn)代化監(jiān)測(cè)技術(shù)在森林病蟲害監(jiān)測(cè)和預(yù)警中的結(jié)合應(yīng)用，以期達(dá)到對(duì)森林病蟲害進(jìn)行遠(yuǎn)程監(jiān)測(cè)與預(yù)警的目的，旨在幫助相關(guān)科研人員提供研究思路，推動(dòng)森林病蟲害的監(jiān)測(cè)和預(yù)警技術(shù)向高效、智能化、信息化方向發(fā)展。

1 遙感技術(shù)在森林病蟲害監(jiān)測(cè)中的應(yīng)用

遙感是非接觸、遠(yuǎn)距離的探測(cè)技術(shù)，是目標(biāo)監(jiān)測(cè)領(lǐng)域應(yīng)用最廣泛的技術(shù)之一。當(dāng)植物受到病蟲害脅迫時(shí)，會(huì)產(chǎn)生殘葉、卷葉、落葉等外部形態(tài)的變化，同時(shí)水分、元素含量等生理指數(shù)也會(huì)產(chǎn)生改變，從而表現(xiàn)出不同的光譜反射率，其原理如圖1所示。遙感技術(shù)基于上述物理特性實(shí)現(xiàn)對(duì)植物病蟲害的定性和定量分析。

隨著遙感技術(shù)的發(fā)展，各種類型的遙感數(shù)據(jù)源層出不窮，為科研人員提供了研究基礎(chǔ)，同時(shí)這些數(shù)據(jù)和技術(shù)的涌現(xiàn)也為快速、準(zhǔn)確的森林病蟲害監(jiān)測(cè)提供了寶貴的契機(jī)。本文分別在web ofscience 和中國知網(wǎng)數(shù)據(jù)庫以“遙感”“病害”“蟲害”和“森林”為關(guān)鍵詞，檢索國內(nèi)外研究文獻(xiàn)，去除綜述和重復(fù)文獻(xiàn)，共獲取674篇。根據(jù)對(duì)文獻(xiàn)的分析，遙感監(jiān)測(cè)可分為近地監(jiān)測(cè)、地塊監(jiān)測(cè)及區(qū)域監(jiān)測(cè)，各個(gè)監(jiān)測(cè)尺度的優(yōu)缺點(diǎn)如表1所示。因此，基于以上文獻(xiàn)從3個(gè)不同的監(jiān)測(cè)尺度出發(fā)，綜合闡述遙感技術(shù)在森林病蟲害監(jiān)測(cè)中的應(yīng)用和研究進(jìn)展。

1.1 葉片和冠層尺度的森林病蟲害監(jiān)測(cè)

葉片和冠層尺度的光譜數(shù)據(jù)由近地成像、非成像光譜儀獲取，通過對(duì)光譜數(shù)據(jù)的處理、分類獲得監(jiān)測(cè)結(jié)果。非成像光譜儀只能采集目標(biāo)的光譜數(shù)據(jù)，對(duì)于沒有目標(biāo)的圖像信息，獲取的數(shù)據(jù)信息量相對(duì)較少。成像光譜儀采集的數(shù)據(jù)在光譜信息的基礎(chǔ)上增加圖像信息，反映的內(nèi)容更加豐富，有助于準(zhǔn)確提取目標(biāo)的光譜信息。葉片和冠層尺度監(jiān)測(cè)的優(yōu)點(diǎn)是遙感數(shù)據(jù)受光照等干擾因素的影響相對(duì)較少、數(shù)據(jù)質(zhì)量較高，因此更適合分析病蟲害脅迫的敏感波段。在蟲害方面，鄭蓓君等[4]使用ASD（analytical spectral devices）光譜儀提取毛竹冠層光譜信息，利用Pearson相關(guān)系數(shù)法選取與剛竹毒蛾蟲害等級(jí)高度相關(guān)的波長(zhǎng)，經(jīng)篩選發(fā)現(xiàn)，剛竹毒蛾蟲害的敏感波段為400、406、586、593、689和876 nm。邢東興等[5]分析蘋果樹在不同等級(jí)紅蜘蛛蟲害脅迫下的光譜特征發(fā)現(xiàn)，紅蜘蛛蟲害的敏感波段為630～695 nm。在病害方面，Bagheri等[6]采集了受火疫病脅迫的梨樹葉片，提取其高光譜數(shù)據(jù)并進(jìn)行分析，結(jié)果表明，496～569、680～700、765、872 和960 nm 是梨樹火疫病的敏感波段。Skoneczny等[7]對(duì)比分析健康和感染火疫病蘋果的葉片光譜數(shù)據(jù)，構(gòu)建了對(duì)火疫病敏感的光譜指數(shù)QFI1450 和QFI1910，分類結(jié)果表明，2 個(gè)指數(shù)可以很好地區(qū)分患病樹與健康果樹。

在病蟲害防治中，不同程度的病蟲害需采用不同的治療手段。早期病蟲害一般采用保守的防治策略，當(dāng)病蟲害進(jìn)一步加重，危害到大范圍林區(qū)時(shí)，應(yīng)采用砍伐等激進(jìn)手段阻止病蟲害的傳播，盡可能減小病蟲害帶來的損失。因此，要求遙感技術(shù)不僅能定性分析病蟲害，還要滿足對(duì)病蟲害等級(jí)的定量評(píng)估需求。Ju等[8]使用便攜式ASD光譜儀采集了不同脅迫程度的松樹高光譜數(shù)據(jù)，并測(cè)量各個(gè)階段的葉綠素含量，對(duì)比了3 種植被指數(shù)搭建監(jiān)測(cè)模型，最終發(fā)現(xiàn)歸一化植被指數(shù)（normalized difference vegetation index，NDVI）光譜指數(shù)搭建模型的效果最佳，可區(qū)分不同程度的松材線蟲病害，但該指數(shù)對(duì)早期松材線蟲病害的監(jiān)測(cè)效果差，滿足不了早期監(jiān)測(cè)的需求。黃曉君等[9]采集了受松赤蝶和西伯利亞松毛蟲蟲害脅迫的落葉松冠層光譜數(shù)據(jù)，發(fā)現(xiàn)光譜連續(xù)小波系數(shù)（continuous wavelet coefficient，CWC）對(duì)松毛蟲蟲害的定性和定量分析都有很好的效果。

野外復(fù)雜、多變的環(huán)境會(huì)影響高光譜相機(jī)的成像質(zhì)量，嚴(yán)重時(shí)會(huì)導(dǎo)致光譜反射率曲線不平滑，進(jìn)而對(duì)監(jiān)測(cè)精度產(chǎn)生影響。針對(duì)外界因素，有學(xué)者使用算法對(duì)光譜曲線進(jìn)行預(yù)處理[10]，以緩解外界環(huán)境帶來的影響。Lelong 等[11] 采用S-G（Savitzky-Golay）濾波法對(duì)光譜曲線進(jìn)行平滑處理，得到經(jīng)過二階導(dǎo)數(shù)處理的光譜曲線。李軍等[12]使用手持ASD光譜儀采集受楊扇舟蛾和楊小舟蛾脅迫的楊樹冠層和葉片光譜數(shù)據(jù)，并對(duì)光譜數(shù)據(jù)進(jìn)行求導(dǎo)處理，結(jié)果表明，二階導(dǎo)數(shù)消除光譜噪聲的能力強(qiáng)于一階導(dǎo)數(shù)。許章華等[13]分析受松毛蟲侵害的馬尾松高光譜數(shù)據(jù)發(fā)現(xiàn)，一階微分可以消除部分環(huán)境的干擾。另外，還有學(xué)者通過算法剔除表現(xiàn)異常的光譜數(shù)據(jù)，減少異常數(shù)據(jù)對(duì)分類模型的影響。趙森等[14]采集了受黑斑病脅迫的刺五加葉片光譜數(shù)據(jù)，并使用主成分分析法剔除了與黑斑病脅迫無關(guān)的光譜波段，減少了數(shù)據(jù)的冗余。綜上所述，通過一階微分等算法預(yù)處理原光譜不僅可減少環(huán)境等外界因素的干擾，增加模型分類的準(zhǔn)確率，還可剔除異常數(shù)據(jù)，減少數(shù)據(jù)冗余，提升模型的運(yùn)算效率。

葉片和冠層尺度監(jiān)測(cè)具有受外界影響小且數(shù)據(jù)質(zhì)量高的優(yōu)點(diǎn)，但存在監(jiān)測(cè)效率低下的問題。這些特性使得研究人員很少通過近地遙感監(jiān)測(cè)森林病蟲害，主要用其分析敏感波段、為大面積病蟲害的監(jiān)測(cè)奠定基礎(chǔ)。

1.2 地塊尺度森林病蟲害監(jiān)測(cè)

葉片和冠層尺度的遙感數(shù)據(jù)包含目標(biāo)信息量少，應(yīng)用于森林病蟲害監(jiān)測(cè)時(shí)會(huì)出現(xiàn)監(jiān)測(cè)效率低下、監(jiān)測(cè)范圍有限等問題，難以滿足大面積林區(qū)的監(jiān)測(cè)需求。近年來，隨著無人機(jī)技術(shù)的發(fā)展，越來越多的學(xué)者將其作為傳感器搭載平臺(tái)進(jìn)行森林遙感數(shù)據(jù)的采集。無人機(jī)遙感能夠提供更豐富的地面光譜信息，除了森林植被光譜信息外，還能獲取其他地物的光譜信息。不同的地表覆蓋物會(huì)表現(xiàn)出不同的光譜反射率，通過分析無人機(jī)遙感獲取的光譜反射率信息能夠?qū)崿F(xiàn)對(duì)地物的分類，其原理如圖2所示。

人工經(jīng)濟(jì)林作為林業(yè)經(jīng)濟(jì)的支柱，能為人們提供糧食、果品和油料等生活必需品，在國民經(jīng)濟(jì)中具有重要地位。人工經(jīng)濟(jì)林病蟲害實(shí)時(shí)、精準(zhǔn)的監(jiān)測(cè)對(duì)林業(yè)經(jīng)濟(jì)建設(shè)與林業(yè)生產(chǎn)具有重要意義。人工林的生態(tài)結(jié)構(gòu)簡(jiǎn)單、生物多樣性單一，極易受到病蟲害的影響，因此，基于無人機(jī)遙感技術(shù)實(shí)現(xiàn)高效、精準(zhǔn)監(jiān)測(cè)經(jīng)濟(jì)林病蟲害已成為當(dāng)前研究的重點(diǎn)。Chang等[15]通過對(duì)比受黃化病脅迫和健康柑橘樹光譜數(shù)據(jù)和冠層體積的差異，結(jié)果表明，健康樹冠的歸一化植被指數(shù)、歸一化差校正指數(shù)（normalized difference correction index， NDRE）、修正土壤調(diào)節(jié)植被指數(shù)（correction of the soilconditioning vegetation index， MSAVI）、葉綠素指數(shù)（chlorophyll index， CI）明顯高于受感染的柑橘樹；另外發(fā)現(xiàn)，黃化病會(huì)導(dǎo)致柑橘樹冠層體積明顯縮小，認(rèn)為冠層的體積也可以作為柑橘黃化病判定指數(shù)。Abdulridha等[16]分析無人機(jī)采集的柑橘樹冠層光譜數(shù)據(jù)，結(jié)果表明，水分指數(shù)（moistureindex， WI）和改良葉綠素吸收指數(shù)（modifiedchlorophyll uptake index， MCARI1）均可以用于監(jiān)測(cè)柑橘潰瘍病，從而實(shí)現(xiàn)了對(duì)柑橘潰瘍病的監(jiān)測(cè)。Ye等[17]利用無人機(jī)遙感監(jiān)測(cè)香蕉樹枯萎病，結(jié)果表明，與紅邊波段有關(guān)的植被指數(shù)對(duì)香蕉枯萎病更敏感，選擇多種光譜指數(shù)通過貝葉斯線性回歸（Bayesian linear regression，BLR）算法構(gòu)建香蕉枯萎病監(jiān)測(cè)模型，其中基于紅邊葉綠素指數(shù)（rededge chlorophyll index， CIRE）建立的模型識(shí)別準(zhǔn)確率最高。馬書英等[18]基于無人機(jī)平臺(tái)獲取了不同感病程度的板栗樹紅蜘蛛蟲害高光譜圖像，經(jīng)分析發(fā)現(xiàn)，紅邊和低位是監(jiān)測(cè)紅蜘蛛蟲害的最佳波段，且早期紅蜘蛛蟲害使得光譜波段的紅邊和低位“藍(lán)移”，給無人機(jī)遙感監(jiān)測(cè)早期紅蜘蛛蟲害提供了思路。Xiao等[19]利用無人機(jī)采集健康和感染火疫病的蘋果冠層多光譜圖像，采用最大相關(guān)和最小冗余（maximum correlation and minimumredundancy，mRMR）算法選取比值植被指數(shù)（ratiovegetation index， RVI）、花青素反射率指數(shù)（anthocyanin reflectance index， ARI）和三角植被指數(shù)（triangle vegetation index， TVI）作為最優(yōu)波段組合，對(duì)比不同算法的分類結(jié)果發(fā)現(xiàn)隨機(jī)森林（random forest ，RF）算法的建模效果最好。

人工生態(tài)林能起到維護(hù)生態(tài)環(huán)境、保護(hù)生物多樣性的作用，是必不可少的林業(yè)資源，對(duì)我國的可持續(xù)發(fā)展戰(zhàn)略意義重大。近年來，外來林業(yè)入侵生物呈新發(fā)、爆發(fā)和擴(kuò)散的趨勢(shì)，除造成生態(tài)林產(chǎn)品品質(zhì)和產(chǎn)值的下降外，還對(duì)生態(tài)環(huán)境產(chǎn)生了不可逆的損害，因此，及時(shí)且精準(zhǔn)的生態(tài)林病蟲害監(jiān)測(cè)成為研究重點(diǎn)。馬云強(qiáng)等[20]基于無人機(jī)遙感對(duì)切梢小蠹蟲害進(jìn)行了定量分析，對(duì)比多種光譜指數(shù)后發(fā)現(xiàn)，歸一化植被指數(shù)最適合監(jiān)測(cè)云南小蠹蟲，選用深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）算法搭建分類模型，實(shí)現(xiàn)了對(duì)切梢小蠹蟲害的可視化監(jiān)測(cè)。Liu等[21]篩選出了對(duì)松梢甲蟲脅迫敏感的5個(gè)光譜變量，并通過隨機(jī)森林算法建立起松梢甲蟲蟲害定量分析模型。Huo等[22]研究發(fā)現(xiàn)，在樹皮甲蟲蟲害顯現(xiàn)前云杉樹光譜已經(jīng)出現(xiàn)差異，并基于這一發(fā)現(xiàn)構(gòu)建了新的光譜指數(shù)NDRS（normalized distance red amp; SWIR），該指數(shù)對(duì)早期云杉樹皮甲蟲的識(shí)別準(zhǔn)確率遠(yuǎn)高于其他光譜指數(shù)，對(duì)早期樹皮甲蟲的監(jiān)測(cè)具有深遠(yuǎn)意義。

除了光譜相機(jī)外，熱成像儀、激光雷達(dá)等不同類型傳感器也被用于森林病蟲害監(jiān)測(cè)。與光譜相機(jī)相比，激光雷達(dá)具有穿透性好，不受云、雨影響的特點(diǎn)。熱成像儀能在夜晚監(jiān)測(cè)樹木的溫度異常，以此來確定病蟲害發(fā)生情況及擴(kuò)散程度。Smigaj等[23]選用熱成像儀作為數(shù)據(jù)傳感器，對(duì)松樹冠層的溫度進(jìn)行了測(cè)量，結(jié)果表明，在大多數(shù)情況下，樹冠溫度的降低與病害間呈顯著相關(guān)性。Lin等[24]探索了高光譜成像和激光雷達(dá)（light laserdetection and ranging，LIDAR）技術(shù)對(duì)松甲蟲的監(jiān)測(cè)能力，結(jié)果表明，2種技術(shù)相結(jié)合可以降低預(yù)測(cè)誤差，提高檢測(cè)早期松甲蟲的可能性。盧京等[25]利用高光譜激光雷達(dá)，實(shí)現(xiàn)了對(duì)林木病蟲害樣本的分類，但目前該研究尚處于實(shí)驗(yàn)室階段。Cao等[26]使用合成孔徑雷達(dá)（synthetic aperture radar，SAR）提取了森林的3D（3 dimensions）信息，對(duì)比健康和受病蟲害脅迫樹的三維結(jié)構(gòu)信息差異，實(shí)現(xiàn)對(duì)病蟲害的監(jiān)測(cè)。當(dāng)前LIDAR、SAR、熒光、熱成像傳感器在作物病蟲害監(jiān)測(cè)中得到了廣泛應(yīng)用，但森林病蟲害監(jiān)測(cè)還是以分析光譜數(shù)據(jù)為主。單一的數(shù)據(jù)來源導(dǎo)致分析結(jié)果易受外界環(huán)境影響，從而影響監(jiān)測(cè)模型的穩(wěn)定性。如光譜成像技術(shù)易受到云、雨等環(huán)境因素的影響，熱成像儀易受環(huán)境溫度的干擾。未來在森林病蟲害遙感監(jiān)測(cè)的研究中，可參考其他類型傳感器在農(nóng)業(yè)病蟲害監(jiān)測(cè)中的應(yīng)用，并將其與光譜傳感器結(jié)合，實(shí)現(xiàn)多源數(shù)據(jù)融合來提高監(jiān)測(cè)的準(zhǔn)確性和穩(wěn)定性。

1.3 區(qū)域尺度病蟲害監(jiān)測(cè)

林區(qū)的面積達(dá)上百甚至上千公頃，目前的無人機(jī)遙感技術(shù)無法滿足這么大范圍的監(jiān)測(cè)需求，亟需開發(fā)適應(yīng)大面積森林病蟲害的監(jiān)測(cè)方法，因此，基于區(qū)域尺度的森林病蟲害監(jiān)測(cè)技術(shù)應(yīng)運(yùn)而生。隨著衛(wèi)星技術(shù)在導(dǎo)航、觀測(cè)、通信等方面的應(yīng)用以及傳感器的分辨率和精度的提升，衛(wèi)星遙感被逐漸應(yīng)用于森林病蟲害的監(jiān)測(cè)領(lǐng)域，為大面積森林病蟲害監(jiān)測(cè)奠定了堅(jiān)實(shí)的基礎(chǔ)。Guo等[27]基于PlanetScope衛(wèi)星采集的檳榔葉黃病光譜數(shù)據(jù)，實(shí)現(xiàn)了對(duì)檳榔葉黃病的監(jiān)測(cè)，通過對(duì)光譜數(shù)據(jù)分析發(fā)現(xiàn)，植物衰老反射指數(shù)（plant aging reflex index，PSRI）、植物增強(qiáng)植被指數(shù)（plant enhancementvegetation index，EVI）可以用于區(qū)分患病和健康樣本，對(duì)比多種分類算法的分類結(jié)果發(fā)現(xiàn)，隨機(jī)森林算法的準(zhǔn)確率和穩(wěn)定性最好。曹慶先等[28]在資源一號(hào)?02C衛(wèi)星遙感影像和實(shí)地調(diào)查的基礎(chǔ)上構(gòu)建了紅樹林蟲害監(jiān)測(cè)的回歸模型，實(shí)現(xiàn)了對(duì)病蟲害的定量分析。許章華等[29]基于Sentinel?2A MSI衛(wèi)星采集的試驗(yàn)區(qū)域遙感圖像，先使用方差分析和RFE函數(shù)篩選敏感特征，最后使用XGBoost算法實(shí)現(xiàn)了對(duì)剛竹毒蛾的檢測(cè)，總精度超過81%。Silva 等[30]基于Sentinel-2衛(wèi)星采集的桉樹林遙感圖像篩選出4種對(duì)切葉蟻蟲害敏感的植被指數(shù)，基于這些植被指數(shù)使用PLS-DA（partial leastsquares-discriminant analysis）算法構(gòu)建監(jiān)測(cè)模型，從而實(shí)現(xiàn)對(duì)桉樹林切葉蟻蟲害的定位和預(yù)測(cè)。上述研究均是基于低分辨率衛(wèi)星遙感數(shù)據(jù)，雖然可以滿足大范圍森林病蟲害的監(jiān)測(cè)需求，但由于空間分辨率的限制，對(duì)地面細(xì)節(jié)的表征較少，難以精準(zhǔn)定位受脅迫樹木，會(huì)加大后期防治的工作量。高分辨率衛(wèi)星遙感數(shù)據(jù)具有更高的空間分辨率，worldview、spot等衛(wèi)星數(shù)據(jù)的分辨率甚至可以達(dá)到0.3 m，能夠滿足監(jiān)測(cè)中的定位需求。Oumar等[31]目視解析worldview衛(wèi)星遙感圖像發(fā)現(xiàn)，高分辨率數(shù)據(jù)可以很容易地區(qū)分單木冠層，且可以實(shí)現(xiàn)對(duì)根腐病的監(jiān)測(cè)。Li等[32]分別利用高分辨率衛(wèi)星遙感和機(jī)載遙感監(jiān)測(cè)柑橘黃龍病，發(fā)現(xiàn)在恰當(dāng)空間分辨率的情況下衛(wèi)星遙感有替代機(jī)載遙感的潛力。Immitzer等[33]選用高分辨率衛(wèi)星遙感圖像監(jiān)測(cè)小蠹蟲，實(shí)現(xiàn)了對(duì)單棵樹的監(jiān)測(cè)，表明高分辨率衛(wèi)星數(shù)據(jù)監(jiān)測(cè)森林病蟲害的效果更佳。綜上所述，高分辨率衛(wèi)星遙感數(shù)據(jù)在森林病蟲害監(jiān)測(cè)上潛力巨大，未來隨著衛(wèi)星遙感傳感器的不斷完善和優(yōu)化，高分遙感技術(shù)能夠更加準(zhǔn)確、簡(jiǎn)便、高效地對(duì)森林病蟲害進(jìn)行有效的監(jiān)測(cè)。

僅依靠光譜影像監(jiān)測(cè)病蟲害，數(shù)據(jù)來源單一，會(huì)導(dǎo)致模型的穩(wěn)定性易受到影響。因此，有學(xué)者結(jié)合遙感、氣象、地形等多源數(shù)據(jù)以提升監(jiān)測(cè)模型的穩(wěn)定性和準(zhǔn)確率。朱程浩等[34]分析地形、氣象因素對(duì)松毛蟲的影響，并結(jié)合遙感信息對(duì)松毛蟲蟲害進(jìn)行監(jiān)測(cè)。馬慧琴等[35]結(jié)合衛(wèi)星遙感數(shù)據(jù)和研究區(qū)域的氣象信息，使用Relief算法和泊松相關(guān)系數(shù)篩選了4個(gè)特征變量，構(gòu)建了遙感-氣象數(shù)據(jù)模型，相比較單一遙感數(shù)據(jù)和單一氣象數(shù)據(jù)模型，總體精度分別提升9.5%和4.2%。亓興蘭等[36]在SPOT-5衛(wèi)星遙感影像的基礎(chǔ)上引入地形因子和林分因子，構(gòu)建了新的馬尾松毛蟲的監(jiān)測(cè)指標(biāo)，經(jīng)對(duì)比發(fā)現(xiàn)，與單遙感數(shù)據(jù)建模相比，監(jiān)測(cè)精度提高14.28%。沈親等[37]通過將光譜指數(shù)和溫度結(jié)合反演出溫度植被干旱指數(shù)。馬望等[38]結(jié)合光譜指數(shù)、海拔等環(huán)境因子構(gòu)建了最大熵模型。Meng等[39]將冬季露點(diǎn)溫度（水滴開始凝結(jié)并形成露水或霜的大氣溫度）作為預(yù)測(cè)分子與多時(shí)相、多尺度衛(wèi)星遙感數(shù)據(jù)結(jié)合，成功監(jiān)測(cè)到溫帶混交林中松甲蟲蟲害侵染程度的變化。

隨著科技的發(fā)展，衛(wèi)星的對(duì)地訪問周期逐漸縮短，多時(shí)相衛(wèi)星遙感數(shù)據(jù)的獲取變得更加容易，為森林病蟲害監(jiān)測(cè)提供了更豐富的數(shù)據(jù)來源。相比較單時(shí)相遙感數(shù)據(jù)，時(shí)-空融合的多時(shí)相遙感數(shù)據(jù)可以監(jiān)測(cè)病蟲害發(fā)展的過程，有利于預(yù)測(cè)病蟲害的發(fā)展趨勢(shì)。Zhang等[40]將2個(gè)時(shí)相的歸一化綠紅差異指數(shù)（normalized green and reddifference index， NGRDI）做差構(gòu)建新的植被指數(shù)△ NGRDI，發(fā)現(xiàn)時(shí)空變化檢測(cè)法的準(zhǔn)確率（82.6%）遠(yuǎn)高于單日期分類法（67.7%）。迄今為止，多時(shí)相衛(wèi)星遙感已廣泛應(yīng)用于農(nóng)業(yè)病蟲害監(jiān)測(cè)。包云軒等[41]利用多相衛(wèi)星遙感數(shù)據(jù)動(dòng)態(tài)監(jiān)測(cè)稻縱卷葉螟的發(fā)生狀況。Su等[42]利用多時(shí)相衛(wèi)星遙感數(shù)據(jù)監(jiān)測(cè)小麥黃銹病的發(fā)生過程。多時(shí)相遙感能夠反演病蟲害動(dòng)態(tài)變化，更豐富的信息也能提高模型的監(jiān)測(cè)精度，在今后的研究中，可以考慮將多時(shí)相遙感數(shù)據(jù)運(yùn)用于森林病蟲害的監(jiān)測(cè)，有助于分析森林病蟲害發(fā)生及演變過程。

遙感監(jiān)測(cè)的準(zhǔn)確率及效率與光譜數(shù)據(jù)質(zhì)量、光譜指數(shù)的選擇及分類算法的使用息息相關(guān)。光譜數(shù)據(jù)的質(zhì)量與環(huán)境和傳感器的精度密切相關(guān)，很難通過人為操作進(jìn)行調(diào)控。而光譜指標(biāo)和分類算法的選用可人為控制，適當(dāng)?shù)墓庾V指標(biāo)和分類算法有助于研究者構(gòu)建最佳效果的監(jiān)測(cè)模型。為了更直觀地幫助研究人員選擇光譜指數(shù)與分類算法，對(duì)常用的分類算法與光譜特征進(jìn)行歸納和整理，如表2和表3所示。

2 機(jī)器視覺在森林病蟲害監(jiān)測(cè)中的應(yīng)用

機(jī)器視覺通過計(jì)算機(jī)模擬人類視覺，能將包含現(xiàn)實(shí)世界信息的圖像數(shù)字化，從而進(jìn)行處理及識(shí)別。圖像采集、圖像預(yù)處理、特征提取以及目標(biāo)識(shí)別是計(jì)算機(jī)視覺的基本步驟，其在醫(yī)學(xué)圖像處理、智慧農(nóng)林業(yè)等方面應(yīng)用廣泛。現(xiàn)有的機(jī)器視覺算法可分為傳統(tǒng)的機(jī)器學(xué)習(xí)（machine learning，ML）和深度學(xué)習(xí)（deep learning，DL）2 類，深度學(xué)習(xí)既是機(jī)器學(xué)習(xí)算法的分支，又是機(jī)器學(xué)習(xí)算法的繼承與發(fā)展。因此，本文圍繞傳統(tǒng)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)展開綜述，詳解二者的原理以及在森林病蟲害監(jiān)測(cè)上的應(yīng)用。

2.1 基于機(jī)器學(xué)習(xí)的森林病蟲害監(jiān)測(cè)

早在20世紀(jì)，機(jī)器學(xué)習(xí)就被用來處理機(jī)器視覺任務(wù)，該技術(shù)顯著提高了工業(yè)的生產(chǎn)效率和自動(dòng)化程度。傳統(tǒng)的機(jī)器學(xué)習(xí)模型結(jié)構(gòu)簡(jiǎn)單，因此訓(xùn)練速度快，且分類結(jié)果易解釋，經(jīng)典的機(jī)器學(xué)習(xí)模型架構(gòu)如圖3所示 。

目前，傳統(tǒng)的機(jī)器學(xué)習(xí)在森林病蟲害監(jiān)測(cè)中應(yīng)用廣泛。王維楓[51]采用支持向量機(jī)和最近鄰法對(duì)桃樹常見的紅蜘蛛蟲害和杏細(xì)菌性穿孔病害進(jìn)行識(shí)別分類，結(jié)果表明，K-NN算法可有效識(shí)別紅蜘蛛蟲害和杏細(xì)菌性穿孔病害，分類精度最高可達(dá)85%。李宗儒等[52]選擇5種蘋果葉片病害作為研究對(duì)象，通過提取蘋果葉斑圖像顏色、紋理和形狀等8個(gè)特征，采用BP（back propagation）神經(jīng)網(wǎng)絡(luò)模型對(duì)疾病進(jìn)行分類識(shí)別，平均識(shí)別準(zhǔn)確率達(dá)到92.6%。

傳統(tǒng)的機(jī)器學(xué)習(xí)為森林病蟲害的自動(dòng)化監(jiān)測(cè)提供了啟蒙，但由于傳統(tǒng)的機(jī)器學(xué)習(xí)算法深度淺、參數(shù)量少，難以適應(yīng)林區(qū)環(huán)境的復(fù)雜性，使得機(jī)器學(xué)習(xí)在森林病蟲害識(shí)別及分類的研究中仍有許多不足之處：①需手動(dòng)提取特征，導(dǎo)致模型泛化性差；②訓(xùn)練時(shí)容易出現(xiàn)過擬合問題；③在復(fù)雜林區(qū)環(huán)境下傳統(tǒng)的機(jī)器學(xué)習(xí)很難滿足實(shí)時(shí)的監(jiān)測(cè)需求。

2.2 深度學(xué)習(xí)算法在病蟲害識(shí)別中的應(yīng)用

近年來，隨著計(jì)算機(jī)硬件水平的大幅提高，機(jī)器學(xué)習(xí)領(lǐng)域迎來快速發(fā)展，并衍生出許多新的研究方向，深度學(xué)習(xí)便是其中之一。與機(jī)器學(xué)習(xí)分類原理不同，深度學(xué)習(xí)首先使用卷積操作提取數(shù)據(jù)中的特征，再通過全連接層對(duì)提取的特征進(jìn)行分類。經(jīng)典的深度學(xué)習(xí)架構(gòu)如圖4所示。

相較于傳統(tǒng)機(jī)器學(xué)習(xí)的人工特征提取，深度學(xué)習(xí)能夠自動(dòng)提取病蟲害的圖像特征并進(jìn)行分類。Jiang等[53]用 GoogleNET的2個(gè)Inception模塊替代了VGGnet 的2 個(gè)卷積層，再集成rainbowconcatenation 模塊融合不同層的特征，提高了模型特征提取和特征融合的能力，從而成功地識(shí)別出蘋果葉片病害。吳建偉等[54]對(duì)DenseNet-169模型進(jìn)行了改進(jìn)，在原網(wǎng)絡(luò)框架的基礎(chǔ)上增加SENET模塊，模型有自適應(yīng)性感受野，最終對(duì)桃病蟲害的識(shí)別精度達(dá)91.47%。除識(shí)別成功率外，檢測(cè)速度也是評(píng)判目標(biāo)檢測(cè)模型的的標(biāo)準(zhǔn)。黃平等[55]在VGG19模型的基礎(chǔ)上，通過替換卷積層的方式增加了網(wǎng)絡(luò)的寬度和深度，最后選用全局池化層進(jìn)行分類，大幅提升了對(duì)柑橘病蟲害的檢測(cè)速度。

除卷積特征提取方式外，Transformer的全局自注意力特征提取架構(gòu)也逐漸被開發(fā)并應(yīng)用于目標(biāo)檢測(cè)領(lǐng)域。不同于卷積層的局部特征提取原理，Transformer能建立圖像各個(gè)像素點(diǎn)間的聯(lián)系，從而提取圖像的全局特征。由于強(qiáng)大的編碼和并行計(jì)算能力，Transformer算法已成為機(jī)器視覺領(lǐng)域的研究熱點(diǎn)。目前已有多位學(xué)者將Transformer算法應(yīng)用于森林病蟲害監(jiān)測(cè)中，F(xiàn)aisal 等[56] 將Transformer和MobileNetV3模型相結(jié)合提取葉銹病病害信息，獲得了84.29%的識(shí)別準(zhǔn)確率，相比單特征提取方式，準(zhǔn)確率提升4.03%。Lu等[57]提出一種基于Transformer 編碼器的葡萄葉部病蟲害監(jiān)測(cè)系統(tǒng)，平均檢測(cè)精度達(dá)98.41%，為病蟲害預(yù)警提供有效依據(jù)。

相比傳統(tǒng)的機(jī)器學(xué)習(xí)，深度學(xué)習(xí)在病蟲害監(jiān)測(cè)上有更高的準(zhǔn)確率，但仍存在以下問題：①模型訓(xùn)練所需的森林病蟲害數(shù)據(jù)樣本量大，且需定時(shí)采集，獲取困難；②深度學(xué)習(xí)對(duì)計(jì)算機(jī)的計(jì)算性能要求較高；③訓(xùn)練過程需要花費(fèi)大量時(shí)間，且當(dāng)改變分類類別或更換數(shù)據(jù)集時(shí)，需對(duì)已有模型重新訓(xùn)練，增加了時(shí)間和計(jì)算成本。針對(duì)上述問題，有學(xué)者提出將遷移學(xué)習(xí)（transfer learning）應(yīng)用于模型訓(xùn)練中[58-60]。遷移學(xué)習(xí)是將某個(gè)領(lǐng)域中學(xué)習(xí)到的模型參數(shù)應(yīng)用到不同但相關(guān)的領(lǐng)域或問題中，減少模型訓(xùn)練所需的數(shù)據(jù)量，提高模型收斂的速度。龍滿生等[58]對(duì)比遷移學(xué)習(xí)對(duì)模型分類的影響發(fā)現(xiàn)，遷移學(xué)習(xí)能顯著提高模型的收斂速度。Singh 等[59]使用Keras 數(shù)據(jù)庫中預(yù)先訓(xùn)練好的幾個(gè)模型進(jìn)行遷移學(xué)習(xí)，結(jié)果表明，MobileNet模型的識(shí)別準(zhǔn)確率達(dá)82.1%，可滿足對(duì)椰子樹病蟲害的監(jiān)測(cè)及分類。萬軍杰等[60]選用GooLeNet 模型對(duì)25 種常見的病蟲害進(jìn)行監(jiān)測(cè)，證明在小樣本的情況下遷移學(xué)習(xí)訓(xùn)練的模型準(zhǔn)確率更高。

上述模型雖然有較高的識(shí)別準(zhǔn)確率，但仍存在參數(shù)多、模型體積大等問題，不利于實(shí)時(shí)監(jiān)測(cè)。為此一些科研工作者通過優(yōu)化模型結(jié)構(gòu)和設(shè)計(jì)輕量化識(shí)別模型來滿足移動(dòng)端的檢測(cè)需求。劉斌等[61]在ShuffleNetV2輕量化模型的基礎(chǔ)上，通過可分離卷積和通道混洗技術(shù)構(gòu)建了一種輕量級(jí)識(shí)別模型ALS-Net（apple leaf net using channel shuffle），在保證檢測(cè)速度的同時(shí)保證檢測(cè)精度。Chao等[62]設(shè)計(jì)了可應(yīng)用與移動(dòng)終端的輕量化模型，該模型在Xception網(wǎng)絡(luò)的基礎(chǔ)上添加SE模塊，將每張圖像的識(shí)別速度從17 ms 縮減到8 ms。Zheng 等[63]以EfficientNet V2模型為骨架提出一種輕量級(jí)森林蟲害識(shí)別模型，該模型能在保證監(jiān)測(cè)精度的同時(shí)保持較快的檢測(cè)速度。

3 生物學(xué)和現(xiàn)代監(jiān)測(cè)技術(shù)的結(jié)合

生物學(xué)是探索生命規(guī)律和現(xiàn)象的科學(xué)，人們通過對(duì)生物（植物、動(dòng)物和微生物）的觀察掌握了許多生物的活動(dòng)規(guī)律，并將生物學(xué)知識(shí)運(yùn)用到農(nóng)、林、漁、牧等多個(gè)行業(yè)的生產(chǎn)中。近年來，越來越多的學(xué)者根據(jù)生物的習(xí)性對(duì)病蟲害進(jìn)行監(jiān)測(cè)和預(yù)警。例如，美國白蛾在每年的4月開始繁殖，對(duì)氣味比較敏感，特別是對(duì)腥、香、臭味最為敏感，利用這些特性對(duì)害蟲進(jìn)行定點(diǎn)誘捕，進(jìn)而實(shí)現(xiàn)對(duì)森林蟲害的識(shí)別[64?65]；植物在受到病蟲害脅迫后會(huì)產(chǎn)生揮發(fā)性有機(jī)物，通過檢測(cè)植物分泌的有機(jī)物可實(shí)現(xiàn)對(duì)森林病害的識(shí)別[66]。根據(jù)生物學(xué)在病蟲害監(jiān)測(cè)上的應(yīng)用可將其分為2類：①通過蟲類生物學(xué)特征實(shí)現(xiàn)對(duì)蟲害的監(jiān)測(cè)；②通過植物生物學(xué)變化實(shí)現(xiàn)對(duì)病害的監(jiān)測(cè)。

3.1 基于蟲類生物學(xué)特征的蟲害監(jiān)測(cè)

在自然界中，不同種類的害蟲具有獨(dú)特的生物學(xué)特性，例如，虎蛾在6月產(chǎn)生第1代幼蟲，主要以葡萄樹葉為食[67]。基于生物學(xué)家所掌握的蟲害特性制定針對(duì)性方案捕獲害蟲，并根據(jù)捕獲的數(shù)量和大小來判斷蟲災(zāi)發(fā)生的時(shí)間和嚴(yán)重程度，從而選擇最合適的策略來控制病蟲害。目前昆蟲誘捕器的種類眾多，本文根據(jù)昆蟲趨光性、趨色性及趨化性等生物特性對(duì)誘捕器的關(guān)鍵技術(shù)進(jìn)行分類。

趨光性是物種在長(zhǎng)期演變過程中產(chǎn)生的本能反應(yīng)，不同的昆蟲對(duì)光波的長(zhǎng)短、光源的強(qiáng)弱有著不同程度的反應(yīng)。在光源波長(zhǎng)選擇的研究中，Bian等[68]通過室內(nèi)生物學(xué)測(cè)定，確定了茶樹常發(fā)的鞘翅目（385 nm）和半翅目（420 nm）蟲害的敏感光源波段；Kurihara等[69]基于飛蛾對(duì)特定波段光波的敏感性，設(shè)計(jì)了一種帶太陽能電池板的便攜式捕蟲器。除光源波長(zhǎng)外，光源強(qiáng)度也是影響害蟲捕獲效果的關(guān)鍵因素。Pohe 等[70] 對(duì)比了16 和32 W光源對(duì)鱗翅目昆蟲的捕獲效果，結(jié)果表明，光照強(qiáng)度與捕獲數(shù)量呈正相關(guān)。

除了光源的波長(zhǎng)及強(qiáng)度外，誘捕器的顏色、形狀和高度等因素也影響捕捉害蟲的效果。Sukovata 等[71]研究發(fā)現(xiàn)，松毛蟲對(duì)黃色和綠色極為敏感，為針對(duì)松毛蟲的捕蟲器設(shè)計(jì)提供了新思路。Fezza等[72]研究表明，象鼻蟲喜歡居住在黑色的環(huán)境中，為象鼻蟲的誘捕指明了方向。Batista等[73]對(duì)比了不同擺放高度對(duì)松林中常見膜翅目蟲害的捕捉效果，結(jié)果表明，適當(dāng)提高捕蟲器的擺放高度可提升捕捉率。

趨化性是指昆蟲嗅覺器官對(duì)化學(xué)分泌物產(chǎn)生的刺激反應(yīng)，對(duì)昆蟲的覓食、繁殖及躲避天敵具有重要的影響。趨化性昆蟲誘捕器的引誘劑可分為植物信息化合物和昆蟲信息化合物。植物信息化合物是植物生長(zhǎng)過程中產(chǎn)生的揮發(fā)性氣體物質(zhì)，多存在于根、莖、葉中，這些氣味能引導(dǎo)昆蟲趨向寄主植物并進(jìn)行產(chǎn)卵、取食等行為?；谏鲜鎏匦?，可選用植物信息素對(duì)森林害蟲進(jìn)行誘捕[74]。Akinci等[75]選用人工合成的植物信息化合物作為誘捕源捕捉樹皮甲蟲，并根據(jù)捕獲的數(shù)量繪制甲蟲密度圖。昆蟲信息化合物引誘劑（簡(jiǎn)稱性誘劑），該技術(shù)利用昆蟲釋放的性信息素引誘異性成蟲。性誘劑能定性捕捉單性別昆蟲（雄性和雌性），不僅能用來監(jiān)測(cè)森林病蟲害，還能降低成蟲交配率，從而保護(hù)森林免受危害。Oliveira等[76]選用性誘劑針對(duì)性地捕捉雄性蘋淡褐卷蛾，并根據(jù)每周的捕獲數(shù)量建立模型，預(yù)測(cè)蘋淡褐卷蛾蟲群密度。Noeth等[77]在林區(qū)內(nèi)布置5 000個(gè)性信息素誘捕器，實(shí)現(xiàn)了對(duì)大面積森林病蟲害的監(jiān)測(cè)與防治。

3.2 基于植物生物學(xué)變化的病害監(jiān)測(cè)

植物病害往往由細(xì)菌、病毒、線蟲等病原體引起，當(dāng)植物感染病害后，會(huì)產(chǎn)生不同于健康狀態(tài)的揮發(fā)性有機(jī)物，以保護(hù)自己免受侵害[78]。近些年來，隨著傳感器的迅速發(fā)展，電子鼻逐漸應(yīng)用到森林病蟲害的監(jiān)測(cè)上。電子鼻是一種模擬人類嗅覺的現(xiàn)代化設(shè)備，通過氣敏傳感器接受揮發(fā)性有機(jī)物，并通過處理將化學(xué)信號(hào)轉(zhuǎn)化為電信號(hào)。不同氣體對(duì)應(yīng)著不同的電信號(hào)響應(yīng)譜，根據(jù)響應(yīng)譜的區(qū)別，使用主成分分析、支持向量機(jī)（supportvector machine，SVM）等統(tǒng)計(jì)分析方法實(shí)現(xiàn)對(duì)病蟲害的區(qū)分。Borowik等[79]使用電子鼻提取森林中常見的致病細(xì)菌病原體：腐霉屬（Pythium）和疫霉屬（Phytophthora）產(chǎn)生的氣味，使用SVM建立分類模型，實(shí)現(xiàn)了對(duì)病原體的區(qū)分。Tkaczyk 等[80]和Baietto等[81]使用電子鼻檢測(cè)了森林中有害真菌產(chǎn)生的揮發(fā)性有機(jī)化合物，其中Baietto等[81]研究結(jié)果表明，電子鼻監(jiān)測(cè)根腐病的能力因樹種和菌株種類的不同而存在差異。Samantha 等[82] 和Cui等[83]詳細(xì)介紹了電子鼻在病蟲害監(jiān)測(cè)中的應(yīng)用，表明電子鼻在森林病蟲害監(jiān)測(cè)中有巨大潛力。隨著生物傳感器的應(yīng)用，無需專業(yè)的病蟲害知識(shí)便可實(shí)現(xiàn)對(duì)森林病蟲害的監(jiān)測(cè)，降低了對(duì)監(jiān)測(cè)人員的工作要求。

4 森林病蟲害監(jiān)測(cè)和預(yù)警系統(tǒng)

現(xiàn)代技術(shù)在森林病蟲害監(jiān)測(cè)上已有廣泛的應(yīng)用，但要實(shí)現(xiàn)森林病蟲害實(shí)時(shí)、精準(zhǔn)的監(jiān)測(cè)和及時(shí)、準(zhǔn)確的預(yù)警，還要在這些技術(shù)基礎(chǔ)上，添加物聯(lián)網(wǎng)、5G、地理信息系統(tǒng)（geographic informationsystem，GIS）等技術(shù)，構(gòu)建森林病蟲害監(jiān)測(cè)和預(yù)警系統(tǒng)?，F(xiàn)代化監(jiān)測(cè)預(yù)警系統(tǒng)通過各類傳感器獲取監(jiān)測(cè)地區(qū)病蟲害的發(fā)生情況，并通過GIS、全球定位系統(tǒng)（global position system，GPS）和網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)對(duì)病蟲害空間分布定位和可視化管理，方便工作人員在終端獲取現(xiàn)場(chǎng)的森林病蟲害發(fā)生情況，現(xiàn)代化森林病蟲害監(jiān)測(cè)體系如圖5所示。機(jī)器視覺、植物孢子捕捉分析系統(tǒng)、遙感等現(xiàn)代化森林病蟲害監(jiān)測(cè)技術(shù)與物聯(lián)網(wǎng)、5G等信息技術(shù)相結(jié)合，將林場(chǎng)中病蟲害的發(fā)生狀況與嚴(yán)重程度信息遠(yuǎn)程傳遞給工作人員，實(shí)現(xiàn)對(duì)病蟲害的預(yù)警。

目前，有許多學(xué)者將遙感技術(shù)和物聯(lián)網(wǎng)技術(shù)結(jié)合。潘潔等[84]在已建立的高光譜病蟲害預(yù)測(cè)模型上融入WebGIS技術(shù)，構(gòu)建了對(duì)森林病蟲害的監(jiān)測(cè)和預(yù)警系統(tǒng)。同樣是使用WebGIS 技術(shù)，Dong等[85]融入了遙感、氣象等多源信息，使得工作人員通過Web網(wǎng)頁便可查看實(shí)時(shí)病蟲害信息。Li等[86]在無人機(jī)上添加4G網(wǎng)絡(luò)模塊，將無人機(jī)拍攝的圖像無線傳輸?shù)降孛婀ぷ髡荆瑢?shí)現(xiàn)了對(duì)病蟲害的實(shí)時(shí)監(jiān)測(cè)和預(yù)警。

在機(jī)器視覺與網(wǎng)絡(luò)技術(shù)結(jié)合方面，趙小娟等[87]通過結(jié)合物聯(lián)網(wǎng)與機(jī)器視覺等技術(shù)，將采集到的病蟲害信息以可視化的形式顯示出來，實(shí)現(xiàn)了茶園病蟲害的監(jiān)測(cè)和預(yù)警。鄧夢(mèng)怡等[88]將物聯(lián)網(wǎng)和圖像識(shí)別技術(shù)結(jié)合在捕蟲器上，實(shí)現(xiàn)了對(duì)茶園蟲害的監(jiān)測(cè)。Welsh等[89]將光電捕蟲器與無線通訊技術(shù)相結(jié)合，實(shí)現(xiàn)了對(duì)果園蟲害的遠(yuǎn)程監(jiān)測(cè)及預(yù)警。齊建東等[90]在無線多媒體傳感器網(wǎng)絡(luò)上集成了圖像傳輸、圖像處理、GIS等多個(gè)模塊，實(shí)現(xiàn)了病蟲害信息的無線傳輸。Xue等[91]在果園中布置攝像頭，利用物聯(lián)網(wǎng)技術(shù)實(shí)時(shí)傳輸病蟲害信息。Hu等[92]基于樹莓派、CNN及網(wǎng)絡(luò)技術(shù)構(gòu)建了果園病蟲害實(shí)時(shí)監(jiān)測(cè)系統(tǒng)，該系統(tǒng)可實(shí)現(xiàn)全天候、實(shí)時(shí)病蟲害監(jiān)測(cè)。信息源的獲取也不僅僅局限于相機(jī)。李震等[93]采用價(jià)格低、性能穩(wěn)定的紅外光電技術(shù)檢測(cè)捕蟲器中果蠅的數(shù)量，從而實(shí)現(xiàn)了對(duì)果園中果蠅的監(jiān)測(cè)。

在生物學(xué)技術(shù)與網(wǎng)絡(luò)技術(shù)結(jié)合方面，Rigakis等[94]通過在捕蟲器上添加無線網(wǎng)絡(luò)模塊，實(shí)現(xiàn)遠(yuǎn)程監(jiān)測(cè)捕獲害蟲的數(shù)量及位置等信息。Mdhaffar等[95]基于捕蟲器、機(jī)器視覺和物聯(lián)網(wǎng)等技術(shù)，實(shí)現(xiàn)了對(duì)橄欖蛾的遠(yuǎn)程自動(dòng)識(shí)別及計(jì)數(shù)。Mehmet等[96]將電子鼻與物聯(lián)網(wǎng)技術(shù)相結(jié)合，建立了遠(yuǎn)程實(shí)時(shí)監(jiān)測(cè)系統(tǒng)。

目前的病蟲害監(jiān)測(cè)預(yù)警系統(tǒng)主要應(yīng)用于農(nóng)業(yè)，且已有成熟的應(yīng)用方案。河南云飛科技有限公司綜合遙感、機(jī)器視覺、物聯(lián)網(wǎng)等技術(shù)，設(shè)計(jì)出了農(nóng)田病蟲害監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)了對(duì)農(nóng)田病蟲害的立體化監(jiān)測(cè)。這為森林病蟲害監(jiān)測(cè)與預(yù)警系統(tǒng)的發(fā)展帶來了契機(jī)，將現(xiàn)代化信息技術(shù)與傳感器結(jié)合，以實(shí)現(xiàn)森林病蟲害信息的無線傳輸，從而解決森林病蟲害監(jiān)測(cè)和預(yù)警中存在的實(shí)效性差、監(jiān)測(cè)準(zhǔn)確率低等問題。

5 挑戰(zhàn)與展望

綠水青山才是金山銀山，我國一直高度重視林業(yè)資源的開發(fā)和利用，而林業(yè)資源的穩(wěn)定則是林業(yè)資源開發(fā)的基礎(chǔ)。對(duì)森林病蟲害的監(jiān)測(cè)和預(yù)警是林業(yè)生態(tài)保護(hù)中的關(guān)鍵一環(huán)，將現(xiàn)代化技術(shù)應(yīng)用于森林病蟲害監(jiān)測(cè)和預(yù)警將會(huì)是未來的發(fā)展方向。

5.1 遙感技術(shù)在森林病蟲害監(jiān)測(cè)上的挑戰(zhàn)與展望

在大面積、高密度的森林環(huán)境中，如何快速、準(zhǔn)確地開展森林病蟲害的監(jiān)測(cè)是森林病蟲害監(jiān)測(cè)中迫切需要解決的問題。此外，現(xiàn)有的森林病蟲害監(jiān)測(cè)研究主要以單一傳感器為數(shù)據(jù)源，面向單一尺度進(jìn)行監(jiān)測(cè)，缺乏立體化的監(jiān)測(cè)方法。面對(duì)這些問題，一方面，當(dāng)前的星-空-地光譜遙感技術(shù)愈發(fā)成熟，為森林病蟲害實(shí)時(shí)監(jiān)測(cè)提供了幫助。無人機(jī)遙感平臺(tái)的發(fā)展將森林病蟲害的監(jiān)測(cè)從近地尺度擴(kuò)展到地塊尺度，衛(wèi)星遙感的出現(xiàn)幫助研究人員實(shí)現(xiàn)對(duì)區(qū)域尺度森林病蟲害的監(jiān)測(cè)。在這種情況下，結(jié)合不同尺度的遙感數(shù)據(jù)，構(gòu)建立體化、全方位的監(jiān)測(cè)體系將是未來的發(fā)展趨勢(shì)。另一方面，深度學(xué)習(xí)在遙感數(shù)據(jù)處理的研究不斷深入發(fā)展，其自動(dòng)化監(jiān)測(cè)的特性為高效森林病蟲害監(jiān)測(cè)提供了更高的可能性。

遙感技術(shù)在早期森林病蟲害監(jiān)測(cè)中的研究仍需進(jìn)一步發(fā)展。目前的早期森林病蟲害預(yù)防過程仍依賴大范圍施藥，然而農(nóng)藥的大范圍使用會(huì)對(duì)環(huán)境造成不可逆的影響。因此，對(duì)早期森林病蟲精準(zhǔn)的定位，合理制定施藥計(jì)量，在森林病蟲害防治工作中顯得尤為重要。一方面，高光譜因其連續(xù)精細(xì)的光譜特征具備森林病蟲害的早期識(shí)別能力。選用波段數(shù)量更多的高光譜相機(jī)采集數(shù)據(jù)，將有助于提升森林病蟲害早期監(jiān)測(cè)的準(zhǔn)確率。另一方面，熱成像、激光雷達(dá)等各類遙感系統(tǒng)在作物病蟲害監(jiān)測(cè)中已有應(yīng)用先例。不同的傳感器具備獨(dú)有的特點(diǎn)，光譜技術(shù)可以監(jiān)測(cè)到葉片反射率發(fā)生的細(xì)微變化，但僅適用于光照充足的情況。熱成像技術(shù)便于分析病蟲害脅迫表現(xiàn)前周圍環(huán)境的變化，在夜晚也能正常使用。因此，應(yīng)充分發(fā)揮不同傳感器優(yōu)勢(shì)，使其協(xié)同工作，從而實(shí)現(xiàn)全天候的森林病蟲害監(jiān)測(cè)。除此之外，在建立模型時(shí)，引入與森林病蟲害發(fā)生相關(guān)的生境數(shù)據(jù)，進(jìn)行多源數(shù)據(jù)融合，從而為病蟲害的早期監(jiān)測(cè)提供客觀的科學(xué)依據(jù)。

具有相似表征的森林病蟲害識(shí)別難度高，使用光譜數(shù)據(jù)對(duì)相似表征的不同病蟲害監(jiān)測(cè)時(shí)易出現(xiàn)“同譜異物”的情況。此外，導(dǎo)致林木光譜特征發(fā)生變化的因素眾多，如干旱脅迫、光照、傳感器狀態(tài)等，給遙感技術(shù)在森林病蟲害的精確識(shí)別帶來了挑戰(zhàn)。未來，一方面可引入與森林病蟲害發(fā)生相關(guān)的生境數(shù)據(jù)（溫度、濕度等），為解決同譜異物問題提供客觀科學(xué)依據(jù)；另一方面，可進(jìn)一步開發(fā)時(shí)-空-譜融合算法，為森林病蟲害監(jiān)測(cè)提供更高空間和時(shí)間分辨率的數(shù)據(jù)，有助于科學(xué)地觀察林木發(fā)生的細(xì)微變化，分析森林病蟲害的發(fā)生、發(fā)展過程，從而解決同譜異物以及外界環(huán)境對(duì)光譜反射率造成的影響。

5.2 機(jī)器視覺在森林病蟲害監(jiān)測(cè)上的挑戰(zhàn)與展望

林區(qū)環(huán)境的復(fù)雜性和不確定性對(duì)于高精度且實(shí)時(shí)的病蟲害識(shí)別來說是巨大的挑戰(zhàn)，如何在惡劣環(huán)境下保持高精度動(dòng)態(tài)監(jiān)測(cè)是亟需解決的問題。一方面，數(shù)據(jù)集的質(zhì)量直接影響深度學(xué)習(xí)模型的訓(xùn)練效果，因此亟需建立森林病蟲害標(biāo)準(zhǔn)數(shù)據(jù)庫。數(shù)據(jù)集的質(zhì)量受多因素影響，采集不同數(shù)據(jù)環(huán)境（光照）、成像質(zhì)量（分辨率）和樣品性質(zhì)（尺寸、顏色、紋理）的數(shù)據(jù)集對(duì)提高模型的穩(wěn)定性具有重要作用。另一方面，設(shè)計(jì)尺寸小、計(jì)算復(fù)雜度低的輕量化模型將有助于解決監(jiān)測(cè)實(shí)時(shí)性差的問題。此外，可嘗試應(yīng)用遷移學(xué)習(xí)幫助訓(xùn)練深度學(xué)習(xí)模型，解決深度學(xué)習(xí)模型的欠擬合問題。

5.3 生物學(xué)技術(shù)與森林病蟲害監(jiān)測(cè)上的挑戰(zhàn)和展望

在我國當(dāng)前研究中，一些捕蟲器的設(shè)計(jì)旨在降低捕捉成本，以滿足森林防護(hù)的需求，也有一些研究人員致力于改進(jìn)捕蟲器的性能，提高其可靠性和穩(wěn)定性，但針對(duì)智能化捕蟲器的研究還較少。未來，一方面可在捕蟲器上安裝工業(yè)級(jí)相機(jī)，搭載識(shí)別算法的微型計(jì)算機(jī)，從而實(shí)現(xiàn)對(duì)森林蟲害的捕捉及監(jiān)測(cè)；另一方面將5G、物聯(lián)網(wǎng)等網(wǎng)絡(luò)技術(shù)與現(xiàn)有的捕蟲器相結(jié)合，實(shí)現(xiàn)對(duì)林區(qū)蟲害信息的遠(yuǎn)程傳輸，從而提高害蟲的監(jiān)測(cè)與誘捕技術(shù)的智能化水平。

現(xiàn)實(shí)中有多種因素影響樹木產(chǎn)生揮發(fā)性有機(jī)化合物，其中包括環(huán)境變化導(dǎo)致的植物代謝變化、植物的年齡、植物的發(fā)育階段和病蟲害對(duì)植物的脅迫等。因此，有必要確定特定植物和病蟲害的獨(dú)特?fù)]發(fā)性生物標(biāo)志物，以區(qū)別于環(huán)境或營養(yǎng)脅迫產(chǎn)生的揮發(fā)性有機(jī)化合物。目前，將揮發(fā)性有機(jī)物分析技術(shù)與其他傳感器相結(jié)合在工業(yè)中已經(jīng)得到了良好的實(shí)際應(yīng)用[97]。未來，將電子鼻、成像等傳感器技術(shù)集成到可無人駕駛的車輛中，結(jié)合多傳感器數(shù)據(jù)分析病蟲害類型，可以有效地減少其他有機(jī)物質(zhì)的干擾，并實(shí)現(xiàn)對(duì)森林病害的遠(yuǎn)程監(jiān)測(cè)。

參考文獻(xiàn)

［1］ ZHANG J C， HUANG Y B， PU R L， et al .. Monitoring plantdiseases and pests through remote sensing technology： a review[J/OL]. Comput. Electron. Agric.， 2019， 165： 1835 [2023-02-20]. https：//doi.org/10.18805/ag.R-1835.

［2］ LUO Y Q， HUANG H G， ALAIN R， et al .. Early monitoring offorest wood-boring pests with remote sensing [J]. Annu. Rev.Entomol.， 2023， 68：277-298.

［3］ THAKUR P， PRITTE K， TANUJA S， et al .. Trends in visionbasedmachine learning techniques for plant diseaseidentification： a systematic review [J/OL]. Expert Syst. Appl.，2022， 208： 39252 [2023-02-20]. https：//doi.org/10.1504/IJIEI.2021.10039252.

［4］ 鄭蓓君.基于貝葉斯全卷積神經(jīng)網(wǎng)絡(luò)的胡楊林遙感提取[D].福州：福州大學(xué)，2021.

ZHENG B J. Remote sensing extraction of populus euphraticaforest based on bayesian fully convolutional neural network [D].Fuzhou： Fuzhou University， 2021.

［5］ 邢東興，常慶瑞.基于光譜反射率的果樹病蟲害級(jí)別定量化測(cè)評(píng)——以紅富士蘋果樹黃葉病害、紅蜘蛛蟲害為例[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，37（11）：143-148.

XING D X， CHANG Q R. Quantitative evaluation of thedegrees of diseases or insect pests based on spectralreflectance of canopies of fruit trees—yellow leaf disease andred mite insect pest of FuJi apple trees as samples [J]. J.Northwest Aamp;F Univ. （Nat. Sci.）， 2009， 37（11）：143-148.

［6］ BAGHERI N， HOSNA M， ASIAN A， et al .. Detection of fireblight disease in pear trees by hyperspectral data [J]. Eur. J.Remote Sens.， 2018， 51（1）：1-10.

［7］ SKONECZNY H， KUBIAK K， SPIRALSKI M， et al .. Fireblight disease detection for apple trees： hyperspectral analysisof healthy， infected and dry leaves [J]. Remote Sens.， 2020， 12（13）：2101 [2023-02-20]. https：//doi.org/10.3390/rs12132101.

［8］ JU Y W， PAN J， WANG X T， et al .. Detection ofBursaphelenchus xylophilus infection in Pinus massoniana fromhyperspectral data [J]. Nematology， 2014， 16：1197-1207.

［9］ 黃曉君.落葉松針葉蟲害地面高光譜識(shí)別及遙感監(jiān)測(cè)方法研究[D].蘭州：蘭州大學(xué)，2019.

HUANG X J. Remote sensing identification and monitoring oflarch needle pests based on ground hyperspectral data [D].Lanzhou： Lanzhou University， 2019.

［10］ ROLLIN G， LASSALLE G， ELGER A， et al .. Mapping plantspecies in a former industrial site using airborne hyperspectraland time series of sentinel-2 data sets [J]. Remote Sens.， 2022，14（15）：368-377.

［11］ LELONG C， ROGER J， SIMON B， et al .. Evaluation of oilpalmfungal disease infestation with canopy hyperspectralreflectance data [J]. Sensors， 2010， 10（1）：734-747.

［12］ 李軍，楊秋珍，黃敬峰，等.楊扇舟蛾和楊小舟蛾危害對(duì)意大利214 楊高光譜特征的影響[J]. 北京林業(yè)大學(xué)學(xué)報(bào)，2007，29（6）：148-155.

LI J， YANG Q Z， HUANG J F， et al .. Impact of Closteraanachoreta and Micromelalopha troglodyta insect-induceddamage on the hyperspectral features of Populus×Canadesis cv.‘I-214’ [J]. J. Beijing For. Univ.， 2007， 29（6）：148-155.

［13］ 許章華，劉健，余坤勇，等.松毛蟲危害馬尾松光譜特征分析與等級(jí)檢測(cè)[J].光譜學(xué)與光譜分析，2013，33（2）：428-433.

XU Z H， LIU J， YU K Y， et al .. Spectral features analysis ofPinus massoniana with pest of Dendrolimus punctatus walkerand levels detrctio [J]. Spectrosc. Spectral Anal.， 2013， 33（2）：428-433.

［14］ 趙森，付蕓，崔江南，等.高光譜的刺五加黑斑病的早期檢測(cè)研究[J].光譜學(xué)與光譜分析，2021，41（6）：1898-1904.

ZHAO S， FU Y， CUI J N， et al .. Application of hyperspectralimaging in the diagnosis of Acanthopanax senticosus black spotdisease [J]. Spectrosc. Spectral Anal.， 2021， 41（6）：1898-1904.

［15］ CHANG A J， YEOM J， JUNG J， et al .. Comparison of canopyshape and vegetation indices of citrus trees derived from UAVmultispectral images for characterization of citrus greeningdisease [J/OL]. Remote Sens.， 2020， 12（24）： 4122 [2023-02-20]. https：//doi.org/10.3390/RS12244122.

［16］ ABDULRIDHA J， BATUMAN O， AMPATZIDIS Y. UAVbasedremote sensing technique to detect citrus canker diseaseutilizing hyperspectral imaging and machine learning [J/OL].Remote Sens.， 2019， 11（11）：1373 [2023-02-20]. https：//doi.org/10.3390/rs11111373.

［17］ YE H， HUANG W， HUANG S， et al .. Recognition of bananaFusarium wilt based on UAV remote sensing [J]. Remote Sens.，2020， 13（3）：136-144.

［18］ 馬書英，郭增長(zhǎng)，王雙亭，等.板栗樹紅蜘蛛蟲害無人機(jī)高光譜遙感監(jiān)測(cè)研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（4）：171-180.

MA S Y， GUO Z Z， WANG S T， et al .. Hyperspectral remotesensing monitoring of Chinese chestnut red mite insect pests inUAV [J]. Trans. Chin. Soc. Agric. Mach.， 2021， 52（4）：171-180.

［19］ XIAO D Q， PAN Y Q， FENG J Z， et al .. Remote sensingdetection algorithm for apple fire blight based on UAVmultispectral image [J]. Comput. Electron. Agric.， 2022， 19（9）：268-278.

［20］ 馬云強(qiáng)，李宇宸，劉夢(mèng)盈，等.基于無人機(jī)多光譜影像的云南切梢小蠹危害監(jiān)測(cè)反演研究[J].西南農(nóng)業(yè)學(xué)報(bào)，2021，34（9）：1878-1884.

MA Y Q， LI Z C， LIU M Y， et al .. Harm monitoring andinversion study on Tomicus yunnanensis based on multispectralimage of unmanned aerial vehicle [J]. Southwest Chin.J. Agric. Sci.， 2021， 34（9）：1878-1884..

［21］ LIU Y， ZHAN Z， REN L， et al .. Hyperspectral evidence ofearly-stage pine shoot beetle attack in Yunnan pine [J/OL].For. Ecol. Manage.， 2021， 497：119505 [2023-02-20]. https：//doi.org/10.1016/j.foreco.2021.119505.

［22］ HUO L， PERSSON H， LINDBERG E. Early detection of foreststress from European spruce bark beetle attack， and a newvegetation index： normalized distance red amp; SWIR （NDRS） [J/OL].Remote Sens. Environ.， 2021， 255（7）： 112240 [2023-02-20].https：//doi.org/10.1016/j.rse.2020.112240.

［23］ SMIGAJ M， GAULTON R， SUáREZ J， et al .. Canopytemperature from an unmanned aerial vehicle as an indicator oftree stress associated with red band needle blight severity [J].For. Ecol. Manage.， 2019， 433：699-708.

［24］ LIN Q， HUANG H， WANG J， et al .. Detection of pine shootbeetle （PSB） stress on pine forests at individual tree level usingUAV-based hyperspectral imagery and lidar [J/OL]. RemoteSens.， 2019， 11（21）：2540 [2023-02-20]. https：//doi.org/10.3390/rs11212540.

［25］ 盧京，陳玖英，李偉，等.基于高光譜激光雷達(dá)的林木病蟲害樣本分類研究[J]. 激光與光電子學(xué)進(jìn)展， 2021， 58（16）：519-525.

LU J， CHEN J Y， LI W， et al .. Research on classification ofpest and disease tree samples based on hyperspectral lidar [J] LaserOptoelectron. Prog.， 2021， 58（16）：519-525.

［26］ CAO K K， TAN W X， LI X W， et al .. Monitoring broadleaf forest pest based on L-band SAR tomography [C]// Proceedingsof 4th international conference on advances in energyresources and environment engineering （ICAESEE）， 2019.

［27］ GUO J W， YU J， YE H C， et al .. Recognition of areca leafyellow disease based on planetscope satellite imagery [J/OL].Agronomy， 2022， 12（1）： 14 [2023-02-20]. https：//doi.org/10.3390/agronomy12010014.

［28］ 曹慶先.基于遙感影像的紅樹林蟲害監(jiān)測(cè)模型[J].廣西科學(xué)，2017， 24（2）：144-149.

CAO Q X. Mangrove pests monitoring model based on theremote sensing image [J]. Guangxi Sci.， 2017， 24（2）：144-149.

［29］ 許章華，周鑫，姚雄，等.基于Sentinel-2A MSI特征的毛竹林剛竹毒蛾危害檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（5）：191-200.

XU Z H， ZHOU X， YAO X， et al .. Severity detecting of pantanaphyllistachysae chao infestation of moso bamboo by selectingoptimal sentinel-2A MSI features [J]. Trans. Chin. Soc. Agric.Mach.， 2022， 53（5）：191-200.

［30］ SILVA N D， SANTOS A D， SANTOS I， et al .. Mappingdefoliation by leaf-cutting ants Atta species in Eucalyptusplantations using the sentinel-2 sensor [J]. Int. J. RemoteSens.， 2020， 41（4）：1542-1554.

［31］ OUMAR Z， ONISIMO M. Using WorldView-2 bands andindices to predict bronze bug （Thaumastocoris peregrinus）damage in plantation forests [J]. Int. J. Remote Sens.， 2013， 34（6）：2236-2249.

［32］ LI X H， LEE W， LI M Z， et al .. Feasibility study onHuanglongbing （Citrus greening） detection based on WorldView-2satellite imagery [J]. Biosyst. Eng.， 2015， 132：28-38.

［33］ IMMITZER M， CLEMENT A. Early detection of bark beetleinfestation in norway spruce （Picea abies L.） using WorldView-2 data [J]. Photogramm Fernerkun.， 2014（5）：351-367.

［34］ 朱程浩，瞿帥，張曉麗.油松毛蟲災(zāi)害遙感監(jiān)測(cè)及其影響因子分析[J].遙感學(xué)報(bào)，2016， 20（4）：653-664.

ZHU C H， QU S， ZHANG X L. Dendrolimus tabulaeformisdisaster monitoring and analysis of its fluencing factors throughremote sensing technology [J]. J. Remote Sens.， 2016， 20（4）：653-664.

［35］ 馬慧琴，黃文江，景元書.遙感與氣象數(shù)據(jù)結(jié)合預(yù)測(cè)小麥灌漿期白粉病[J].農(nóng)業(yè)工程學(xué)報(bào)，2016，32（9）：165-172.

MA H Q， HUANG W J， JING Y S. Wheat powdery mildewforecasting in filling stage based on remote sensing andmeteorological data [J]. Trans. Chin. Soc. Agric. Eng.， 2016， 32（9）：165-172.

［36］ 亓興蘭，肖豐慶，劉健，等.基于SPOT-5影像的馬尾松毛蟲蟲害遙感監(jiān)測(cè)研究[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào)，2019，39（4）：59-65.

QI X L， XIAO F Q， LIU J， et al.. Study on monitoring Dendrolimuspunctatus damage based on SPOT-5 remote sensing image [J]. J.Cent. South Univ. For. Technol.， 2019， 39（4）：59-65.

［37］ 沈親，鄧槿，劉旭升，等.基于遙感溫度植被干旱指數(shù)的小蠹蟲害預(yù)警[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34（9）：167-174.

SHEN Q， DENG J， LIU X S， et al .. Prediction of bark beetlespest based on temperature vegetation dryness index [J]. Trans.Chin. Soc. Agric. Eng.， 2018， 34（9）：167-174.

［38］ 馬望，房磊，方國飛，等.基于最大熵模型的神農(nóng)架林區(qū)華山松大小蠹災(zāi)害遙感監(jiān)測(cè)[J].生態(tài)學(xué)雜志，2016， 35（8）：2122-2131.

MA W， FANG L， FANG G F， et al .. Mapping the infestation ofDendroctonus aramandi in Shennongjia forested region usingLandsat and MaxEnt model [J]. Chin. J. Ecol.， 2016， 35（8）：2122-2131.

［39］ MENG R， GAO R， ZHAO F， et al .. Landsat-based monitoringof southern pine beetle infestation severity and severity changein a temperate mixed forest [J]. Remote Sens. Environ.， 2022， 269：112847 [2023-02-20]. https：//doi.org/10.1016/j.rse.2021.112847.

［40］ ZHANG B， YE H， LU W， et al .. A spatiotemporal changedetection method for monitoring pine wilt disease in a complexlandscape using high-resolution remote sensing imagery [J/OL].Remote Sens.， 2021， 13（11）：2083 [2023-02-20]. https：//doi.org/10.3390/rs13112083.

［41］ 包云軒，李玉婷，王琳，等.基于多時(shí)相HJ衛(wèi)星遙感影像的稻縱卷葉螟發(fā)生情況監(jiān)測(cè)[J]. 中國農(nóng)業(yè)氣象，2016， 37（4）：464-470.

BAO Y X， LI Y T， WANG L， et al .. Monitoring on occurrenceof Canphalocrocis medinalis based on multi-temporal HJsatellites remote sensing image [J]. Chin. J. Agrometeorol.，2016， 37（4）：464-470.

［42］ SU J Y， LIU C J， HU X P， et al .. Spatio-temporal monitoring ofwheat yellow rust using UAV multispectral imagery [J/OL].Comput. Electron. Agric.， 2019， 167： 105035 [2023-02-20].https：//doi.org/10.1016/j.compag.2019.105035.

［43］ XIAO D Q， PAN Y Q， FENG J Z， et al .. Remote sensingdetection algorithm for apple fire blight based on UAVmultispectral image [J/OL]. Comput. Electron. Agric.， 2022，199： 106358 [2023-02-20]. https：//doi.org/10.1016/j.compag.2022.106358.

［44］ 鄧小玲，曾國亮，朱梓豪，等.基于無人機(jī)高光譜遙感的柑橘患病植株分類與特征波段提取[J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，41（6）：100-108.

DENG X L， ZENG G L， ZHU Z H， et al .. Classification andfeature band extraction of diseased citrus plants based on UAVhyperspectral remote sensing [J]. J. South China Agric. Univ.，2020， 41（6）：100-108.

［45］ KURIHARA J， KOO V C， GUEY C W， et al .. Early detectionof basal stem rot disease in oil palm tree using unmannedaerial vehicle-based hyperspectral imaging [J/OL]. RemoteSens.， 2022， 14（3）：2101 [2023-02-20]. https：//doi.org/10.3390/rs14032101.

［46］ 丁銳.基于無人機(jī)光譜遙感的楊樹銹病早期檢測(cè)研究[D].南京：南京林業(yè)大學(xué)，2019.

DING R. Early detection of poplar rust based on UAV spectralremote sensing [D]. Nanjing： Nanjing Forestry University， 2019.

［47］ 張凝，楊貴軍，趙春江，等.作物病蟲害高光譜遙感進(jìn)展與展望[J].遙感學(xué)報(bào)，2021，25（1）：403-422.

ZHANG N， YANG G J， ZHAO C J， et al .. Progress andprospect of hyperspectral remote sensing technology for cropdiseases and pests [J]. J. Remote Sens.， 2021， 25（1）：403-422.

［48］ 張軍國，韓歡慶，胡春鶴，等.基于無人機(jī)多光譜圖像的云南松蟲害區(qū)域識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（5）：249-255.

ZHANG J G， HAN H Q， HU C H， et al .. Identification methodof Pinus yunnanensis pest area based on UAV multispectral image [J]. Trans. Chin. Soc. Agric. Mach.， 2018， 49（5）：249-255.

［49］ SYIFA M， PARK S J， LEE C W. Detection of the pine wiltdisease tree candidates for drone remote sensing usingartificial intelligence techniques [J]. Engineering， 2020， 6（8）：919-926.

［50］ LONCAN L， ALMEIDA L B， BIOUCASDIAS J M， et al ..Hyperspectral pansharpening： a review [J]. IEEE Geosci. Rem.Sen.， 2015， 3（3）：27-46.

［51］ 王維楓.山杏常見葉部病蟲害圖像識(shí)別技術(shù)研究[D].北京：中國林業(yè)科學(xué)研究院，2008.

WANG W F. Study on image recognition technology ofcommon leaf diseases and insect pests of Apricot [D]. Beijing：Chinese Academy of Forestry Sciences， 2008.

［52］ 李宗儒，何東健.基于手機(jī)拍攝圖像分析的蘋果病害識(shí)別技術(shù)研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2010， 31（13）：3051-3055，3095.

LI Z R， HE D J. Research on identify technologies of apple’sdisease based on mobile photograph image analysis [J]. Comput.Eng. Des.， 2010， 31（13）：3051-3055，3095.

［53］ JIANG P， CHEN Y， LIU B， et al .. Real-time detection of appleleaf diseases using deep learning approach based on improvedconvolutional neural networks [J/OL]. IEEE Access.， 2019， 99.2914929：1 [2023-02-20]. https：//doi.org/10.1109/ACCESS.2019.2914929.

［54］ 吳建偉，黃杰，熊曉菲，等.基于AI的桃樹病害智能識(shí)別方法研究與應(yīng)用[J].中國農(nóng)業(yè)科技導(dǎo)報(bào)，2022，24（5）：111-118.

WU J W， HUANG J， XIONG X F， et al .. Research andapplication of peach disease intelligent recognition methodbased on AI [J]. J. Agric. Sci. Technol.， 2022， 24（5）：111-118.

［55］ 黃平，呂慶閉，莫燕斌，等.基于多尺度特征融合的柑橘病蟲害圖像識(shí)別方法[J].無線電工程，2022，52（3）：407-416.

HUANG P， LYU Q B， MO Y B， et al .. Image recognitionmethod of citrus diseases and pests based on multi-scale featurefusion [J]. Radio Eng.， 2022， 52（3）：407-416.

［56］ FAISAL M， LEU J S， TDARMAWAN J. Model selection ofhybrid feature fusion for coffee leaf disease classification [J].IEEE Access.， 2023， 11： 62281-62291.

［57］ LU X Y， YANG R， ZHOU J， et al .. A hybrid model of ghostconvolutionenlightened transformer for effective diagnosis ofgrape leaf disease and pest [J]. J. King. Saud. Univ-Com.，2022， 34（5）：1755-1767.

［58］ 龍滿生，歐陽春娟，劉歡，等.基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的油茶病害圖像識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2018， 34（18）：194-201.

LONG M S， OUYANG C J， LIU H， et al .. Image recognition ofCamellia oleifera diseases based on convolutional neuralnetwork amp; transfer learning [J]. Trans. Chin. Soc. Agric. Eng.，2018， 34（18）：194-201.

［59］ SINGH P， ABHISHEK V， ALEX J R. Disease and pestinfection detection in coconut tree through deep learningtechniques [J]. Comput. Electron Agric.， 2021， 182： 264-271.

［60］ 萬軍杰，祁力鈞，盧中奧，等.基于遷移學(xué)習(xí)的GoogLeNet果園病蟲害識(shí)別與分級(jí)[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，26（11）：209-221.

WAN J J， QI L J， LU Z A， et al .. Recognition and grading ofdiseases and pests in orchard by GoogLeNet based on transferlearning [J]. J. Chin. Agric. Univ.， 2021， 26（11）：209-221.

［61］ 劉斌，賈潤(rùn)昌，朱先語，等.面向移動(dòng)端的蘋果葉部病蟲害輕量級(jí)識(shí)別模型[J].農(nóng)業(yè)工程學(xué)報(bào)，2022，38（6）：130-139.

LIU B， JIA R C， ZHU X Y， et al .. Lightweight identificationmodel of apple leaf diseases and pests based on mobileterminal [J]. Trans. Chin. Soc. Agric. Eng.， 2022， 38（6）：130-139.

［62］ CHAO X F， XIAO H， FENG J Z， et al .. Construction of appleleaf diseases identification networks based on xception fusedby SE module [J/OL]. Appl. Sci.， 2021， 11（10）：4614 [2023-02-20]. https：//doi.org/10.3390/app11104614.

［63］ ZHENG T F， YANG X T， LYU J W， et al .. An efficient mobilemodel for insect image classification in the field pestmanagement [J]. Eng. Sci. Technol.， 2023， 39：268-275.

［64］ YANG L， LI X M， BAI N， et al .. Transcriptomic analysisreveals that Rho GTPases regulate trap development andlifestyle transition of the nematode-trapping fungus Arthrobotrysoligospora [J/OL]. Microbiol. Spectr.， 2022， 10（1）：21 [2023-02-20]. https：//doi.org/10.1128/spectrum.01759-21.

［65］ WANG H N， YANG L， PAN Y F， et al .. Pan trapping is aneffective method to trap adults of the jujube gall midge，Dasineura jujubifolia （Diptera： Cecidomyiidae） [J]. Environ.Entomol.， 2023， 156（5）：289-296.

［66］ WILSON A D. Diverse applications of electronic-nosetechnologies in agriculture and forestry [J]. Sensors， 2013， 13（2）：2295-2348.

［67］ MORRIS C A， JOHNSON S A， WAAL J Y， et al .. A review ofTrimen’s 1 tiger moth， Agoma trimenii （Lepidoptera：Agaristidae）： seasonal biology， potential monitoring and controltechniques [J]. South African J. Enol. Vitic.， 2020， 41（2）：128-132.

［68］ BIAN L， CAI X M， LUO Z X， et al .. Decreased capture ofnatural enemies of pests in light traps with light-emitting diodetechnology [J]. Ann. Appl. Biol.， 2018， 173（3）：251-260.

［69］ KURIHARA K， TOSHIAKI I， YUKIHISA S， et al ..Management of nuisance macromoths in expressways throughacademic-industrial collaboration： light trap designed on thebasis of moths’ preferences for light attributes [J]. Zool. Sci.，2022， 39（4）：307-319.

［70］ POHE S， M-JWINTERBOURN， HARDING JON S. Comparisonof fluorescent lights with differing spectral properties on catches ofadult aquatic and terrestrial insects [J]. Nz. Entomol.， 2018， 41（1）：1-11.

［71］ SUKOVATA L， ALEKSANDER D， PARRATT M， et al .. Theimportance of trap type， trap colour and capture liquid forcatching Dendrolimus pini and their impact on by-catch ofbeneficial insects [J]. Agric. For. Entomol.， 2020， 22（4）：319-327.

［72］ FEZZA E， MROBERTS J， ABRUCE T J， et al.. Optimising vineweevil， Otiorhynchus sulcatus F. （Coleoptera： Curculionidae），monitoring tool design [J]. Insects.， 2022， 13（1）：158-165.

［73］ BATISTA E S， AREDAK R， CBUSOLI A， et al .. Trapping forsirex woodwasp in brazilian pine plantations： lure， trap typeand height of deployment [J]. J Insect Behav.， 2018， 31（2）：210-221.

［74］ RAJUS S， S-GBHAGAVAN， KHARVA H， et al .. Behavioral ecology of the coffee white stem borer： toward ecology-basedpest management of India’s coffee plantations [J]. Front. Ecol.Evol.， 2021， 9（2）：369-378

［75］ AKINCI H A， GENC C， AKINCI H. Susceptibility assessmentand mapping of Ips typographus （L.） （Coleoptera： Curculionidae） inoriental spruce forests in Artvin， Turkey [J]. J. Appl. Entomol.，2022， 146（9）：1185-1199.

［76］ OLIVEIRA L， VIEIRA V， A-OSOARES， et al .. Abundance ofEpiphyas postvittana （Walker， 1863） in forestry nurseries of SaoMiguel Island （Azores， Portugal） （Lepidoptera： Tortricidae） [J].Shilap Rev. Lepidopt.， 2022， 50（9）：425-433.

［77］ NOETH K P， VERLEUR P M， BOUWER M C， et al .. Masstrapping of Coryphodema tristis （Lepidoptera： Cossidae） using asex pheromone in Eucalyptus nitens compartments in Mpumalanga，South Africa [J]. South For.， 2020， 82（3）：271-279.

［78］ 孫仲享，宋圓圓，曾任森.植物揮發(fā)物介導(dǎo)的種內(nèi)與種間關(guān)系研究進(jìn)展[J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，40（5）：166-174.

SUN Z X， SONG Y Y， CENG R S. Advances in studies onintraspecific and interspecific relationships mediated by plantvolatiles [J]. J. South Chin. Agric. Univ.， 2019， 40（5）：166-174.

［79］ BOROWIK P， ADAMOWICZ L， TARAKOWSKI R， et al ..Application of a low-cost electronic nose for differentiationbetween pathogenic oomycetes Pythium intermedium andPhytophthora plurivora [J/OL]. Molecules， 2021， 26（17）：5272[2023-02-20]. https：//doi.org/10.3390/molecules26175272.

［80］ TKACZYK M， SLUSARSKI S， SKRZECZ I. Use of anelectronic nose for the detection of volatile organic compoundsproduced by plants pathogenic fungi [J]. Sylwan， 2019， 163（7）：551-555.

［81］ BAIETTO M， POZZI L， WILSON A D， et al .. Evaluation of aportable MOS electronic nose to detect root rots in shade treespecies [J]. Comput. Electron. Agric.， 2013， 96：117-125.

［82］ SAMANTHA M， BAYANSAL F， AHMADI A. Emergingmethods of monitoring volatile organic compounds for detectionof plant pests and disease [J/OL]. Biosensors， 2022， 12（4）：239[2023-02-20]. https：//doi.org/10.3390/bios12040239.

［83］ CUI S Q， LING P， ZHU H P， et al .. Plant pest detection usingan Artificial nose system： a review [J]. Sensors， 2018， 18（2）：258-269.

［84］ 潘潔，廖振峰，張衡，等.基于高光譜數(shù)據(jù)與網(wǎng)絡(luò)GIS應(yīng)用的森林病蟲害監(jiān)測(cè)系統(tǒng)研究[J].世界林業(yè)研究，2015，28（3）：47-52.

PAN J， LIAO Z F， ZHANG H， et al .. Hyperspectral data andWebGIS based monitoring system for forest pests and diseases [J].World For. Res.， 2015， 28（3）：47-52.

［85］ DONG Y Y， XU F， LIU L Y， et al .. Monitoring and forecastingfor disease and pest in crop based on WebGIS system [C]//Proceedings of 8th International Conference on Agro-Geoinformatics （Agro-Geoinformatics）， 2019.

［86］ LI F， LIU Z， SHEN W， et al .. A remote sensing and airborneedge-computing based detection system for pine wilt disease [J/OL].IEEE Access.， 2021， 99. 3073929 [2023-02-20]. https：//doi.org/10.1109/ACCESS.2021.3073929.

［87］ 趙小娟，葉云，冉耀虎.基于物聯(lián)網(wǎng)的茶樹病蟲害監(jiān)測(cè)預(yù)警系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].中國農(nóng)業(yè)信息，2019，31（6）：107-115.

ZHAO X J， YE Y， RAN Y H. Design and implementation oftea tree pests and diseases monitoring and early warningsystem based on internet of things [J]. Chin. Agric. Inform.，2019， 31（6）：107-115.

［88］ 鄧夢(mèng)怡，俞龍，周波，等. 茶園蟲情遠(yuǎn)程監(jiān)測(cè)裝備的系統(tǒng)設(shè)計(jì)[J].現(xiàn)代農(nóng)業(yè)裝備，2021，42（5）： 23-27.

DENG M Y， YU L， ZHOU B， et al.. System design of remote pestmonitoring equipment [J]. Mod. Agric. Equip.， 2021， 42（5）：23-27.

［89］ WELSH T， BENTALL D， CONNOR K， et al .. Automatedsurveillance of Lepidopteran pests with smart optoelectronicsensor traps [J]. Sustainability， 2022， 14（15）：789-796.

［90］ 齊建東，蔣禧，趙燕東.基于無線多媒體傳感器網(wǎng)絡(luò)的森林病蟲害監(jiān)測(cè)系統(tǒng)[J].北京林業(yè)大學(xué)學(xué)報(bào)，2010，32（4）：186-190.

QI J D， JIANG X， ZHAO Y D. A forest pest and diseasemonitoring system based on wireless multimedia sensornetwork [J]. J. Beijing For. Univ.， 2010， 32（4）：186-190.

［91］ XUE X， QIU Y， HU L， et al .. Cloud-based video monitoringsystem applied in control of diseases and pests in orchards [C]//Proceedings of 9th IFIP WG 5.14 International Conference onComputer and Computing Technologies in Agriculture （CCTA），2016：275-284.

［92］ HU F H， LI Z， YAN L P. CNN and Raspberry PI for fruit treedisease detection [C]// Proceedings of Conference on IntelligentComputing， Information and Control Systems （ICICCS）， 2020：1-8.

［93］ 李震，洪添勝，文韜，等.基于物聯(lián)網(wǎng)的果園實(shí)蠅監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，41（1）：89-93.

LI Z， HONG T S， WEN T， et al .. Design and development oforchard fruit fly monitoring system based on internet of things [J]. J.Hunan Agric. Univ. （Nat. Sci.）， 2015， 41（1）：89-93.

［94］ RIGAKIS I I， VARIKOU K N， NIKOLAKAKIS A E， et al .. TheE-funnel trap： automatic monitoring of Lepidoptera; a casestudy of tomato leaf miner [J]. Comput. Electron. Agric.， 2021，185（4）：367-377.

［95］ MDHAFFAR A， ZALILA B， MOALLA R， et al .. A smart trapfor counting olive moths based on the internet of things anddeep learning [C]// Proceedings of 19th IEEE/ACS InternationalConference on Computer Systems and Applications （AICCSA），2022.

［96］ MEHMET T， GOKOZAN H. Real-time monitoring of indoor airquality with internet of things-based E-nose [J/OL]. Appl. Sci.，2019， 9（16）： 3435 [2023-02-20]. https：//doi.org/10.3390/app9163435.

［97］ LIU C C， CHU Z J， WENG S Z， et al .. Fusion of electronic noseand hyperspectral imaging for mutton freshness detection usinginput-modified convolution neural network [J/OL]. FoodChem.， 2022， 385： 132651 [2023-02-20]. https：//doi.org/10.1016/j.foodchem.2022.132651.