沈艷艷 ,張競成** ,沈棟 ,田洋洋 ,黃文江 ,楊小冬

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

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

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

1 病蟲害生境影響因素分析

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

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

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

2 基于多源遙感數(shù)據(jù)的作物病蟲害生境因素表征方法

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

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

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

2.1 寄主分布及生育期因素遙感表征方法

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

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

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

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

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

2.2 寄主生長狀態(tài)遙感表征方法

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

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

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

2.3 農(nóng)田景觀格局因素及土壤因素遙感表征方法

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

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

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

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

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

2.5 多源遙感數(shù)據(jù)在不同尺度下的適用性及融合方法

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

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

3 多要素綜合的作物病蟲害生境評價模型

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

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

3.1 作物病蟲害生境評價建模方法

統(tǒng)計模型主要以概率論為基礎(chǔ),采用數(shù)學(xué)統(tǒng)計方法進(jìn)行建模。統(tǒng)計模型能夠按不同的數(shù)學(xué)假設(shè)建立生境因子和病蟲害生境適宜性間的關(guān)系,具有形式簡單、解釋性強(qiáng)等優(yōu)勢。Zhang等[92]和Marques da Silva等[91]利用Logistic 模型基于遙感氣象參數(shù)實(shí)現(xiàn)對冬小麥白粉病、番茄(Solanum lycopersicum)害蟲的生境適宜性評價,得到詳細(xì)的病害蟲風(fēng)險分布結(jié)果。張永生等[46]通過廣義線性回歸方法(GLM)建立景觀格局與麥田蚜蟲種群之間的數(shù)學(xué)模型,模型擬合率為52%。Yuan等[93]通過Fisher 線性判別分析方法(FLDA)研究春小麥蚜蟲和白粉病的生境適宜性,結(jié)合植被指數(shù)特征和遙感氣象特征進(jìn)行建模,精度達(dá)82%?；诮y(tǒng)計模型的作物病蟲害生境評價一大優(yōu)勢是由于方法形式上較為簡潔,容易進(jìn)行方法的開發(fā)和部署,便于在一些業(yè)務(wù)化運(yùn)行系統(tǒng)中使用。同時,由于該類模型對數(shù)據(jù)關(guān)系、結(jié)構(gòu)的假設(shè)較為簡單,不易出現(xiàn)過擬合等問題,方法通常具有較強(qiáng)的魯棒性,特別適合在一些生境因子與病蟲害風(fēng)險強(qiáng)相關(guān)的地區(qū)使用。另一方面,統(tǒng)計模型的不足主要在于模型的數(shù)據(jù)挖掘能力相對較弱,在處理生境因子與病蟲害風(fēng)險間呈現(xiàn)非線性、復(fù)雜關(guān)系結(jié)構(gòu)的場景方面存在較大局限。

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

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

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

3.2 綜合多源遙感信息的作物病蟲害生境評價方法框架

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

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

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

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

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

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

4 作物病蟲害生境適宜性評價方法發(fā)展趨勢展望

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

4.1 病蟲害生境適宜性評價的研究與應(yīng)用對象有待擴(kuò)展

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

4.2 病蟲害生境因素遙感表征精度與穩(wěn)定性有待提升

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

4.3 融合病蟲害生境適宜性信息的病蟲害大范圍預(yù)測

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