论文部分内容阅读
稻飞虱灾害是我国水稻生产中最严重的生物灾害之一。在稻飞虱发生早期实时、快速、准确地掌握虫情，是进行稻飞虱有效防治的前提和关键。本课题定位于研究稻飞虱发生早期的快速监测技术，不仅可提高稻飞虱检测的时效性，控制稻飞虱的危害，减少农药的喷施量、改善农田生态系统环境、确保粮食生产安全，而且对其他作物害虫的监测和防治也有重大的借鉴意义。
课题在深入跟踪国内外关于田间作物虫害机器检测和监测相关技术的基础上，从理论分析、可控环境下的盆栽小区试验等方面验证了采用基于光谱、可见光图像和电子鼻等多种异质传感器的稻飞虱虫害监测方法的可行性。
设计了杯栽试验、桶栽试验、水泥池栽试验和大田试验，涉及到多个品种的秧苗期、分蘖期和抽穗扬花期3个生长期，试验分别在广东省广州市华南农业大学试验农场、广东省农业科学研究院大丰农场及白云区钟落潭试验基地进行，年份跨度为2008-2010年。
(1)在基于光谱信息的稻飞虱虫害早期监测研究中，首先从冠层的几何测量条件开始研究稻株冠层高光谱反射率数据的采集方法，确定了有利于提高时间维度上光谱测量数据可比性的较佳方法，采集了大量稻飞虱危害后的水稻植株高光谱数据，并对光谱数据的平滑降噪、光谱数据格式变换等预处理方法进行了对比研究。然后，从冠层研究了稻飞虱危害后水稻的光谱反射率特征在时间维度上的变化情况，开展了基于光谱信息的稻飞虱虫害的早期监测研究，主要包括基于敏感光谱波段的最早始变日查找和基于敏感光谱特征量的最早始变日查找，通过查找具有最早始变日的光谱波段和光谱特征量，结合其对稻飞虱虫害的敏感度，确定了适合进行稻飞虱虫害早期监测的光谱波段和光谱特征量。适合进行稻飞虱虫害早期监测的光谱波段共25个，分别为583nm、585nm、602nm、610nm、620-622nm、642-645nm、649-651nm、657nm、690-692nm、1426nm、1685-1689nm和1725nm，其中最敏感的光谱波段共8个，为610nm和583nm、585nm、602nm、642nm、657nm、690nm、1426nm，最早始变日分别低至第13和第15个测量虫日（即虫量达到峰值前7和5个测量虫日，该光谱波段处受害组稻株与对照组相比已出现显著差异）；适合进行稻飞虱虫害早期监测的光谱特征量共5个，分别是PAR（一阶导数光谱中600-630nm和630-670nm小黄边对应波峰的面积、一阶导数光谱中550-670nm大黄边对应波峰的面积）、DVICT（490-600nm绿峰与600-700nm红谷的二元差分值）以及RVICT（1530-1780nm和1740-1840nm处峰谷二元比值），最早始变日分别低至第13、第14和第15个测量虫日。上述敏感光谱波段和光谱特征量均能在虫量达到峰值以前，使受害组稻株与对照组相比表现出显著差异。利用这种显著变化可以实现稻飞虱虫害的早期监测，实现稻飞虱虫害的早防早治，可以在虫害发生早期（即低龄若虫出现时）掌握虫害情况并立即进行有效防治，从而大大减轻中、后期虫害的严重度，同时，可以降低本地稻飞虱的种群密度，减少稻飞虱北迁的数量，这在实际水稻生产管理中进行稻飞虱虫害的早防早治具有显著的应用价值。
(2)在基于可见光图像信息的稻飞虱虫害监测研究中，设计了相关试验，采集了大量稻株基部茎秆的虫害可见光图像，通过对原始图像进行颜色空间转换、小波变换等图像预处理操作，进行了相应的图像特征提取方法研究，共提取了分形维特征、纹理特征和角点数量特征等3类图像特征值，从中优选了适用于基于可见光图像信息的稻飞虱虫害检测和分级识别的特征值共9个，分别用于k均值聚类分析(KM，K-means)、模糊C均值聚类分析(FCM，Fuzzy C-means)、朴素Bayes判别分析(NB，Naive Bayes)和概率神经网络(PNN，Probabilistic Neural Network)等识别方法。试验结果表明，综合考虑识别准确率及运行时间消耗，PNN在基于可见光图像信息的稻飞虱虫害检测和分级识别中是较理想的方法之一，对在研究中采集到的图像进行N(对照)、I1（轻度虫害）、I2（中度虫害）、I3（重度虫害）四个虫害等级的分级识别时，其独立验证的分级识别平均准确率达到89％，交叉验证的分级识别平均准确率达到98.88%，可望满足实际生产的需要，可实现在田间微型移动监测传感器平台上进行基于可见光图像的稻飞虱虫害小面积监测，形成对基于水稻冠层光谱信息的大面积稻飞虱虫害遥感监测的有益补充，提高稻飞虱虫害监测的准确率。
(3)在基于电子鼻信息的稻飞虱虫害早期监测研究中，分4个时段（接虫当天（接虫后约6小时）、接虫后第1天、接虫后第2天、接虫后第15天）分别采集了稻飞虱虫害发生后早期和若虫始见前期的稻株气体挥发物，通过对原始电子鼻传感器信息进行异常样本剔除、数据格式转换等预处理操作，从中提取了7个与电子鼻传感器相关的数据特征，利用主成分分析法对所提取的电子鼻传感器数据特征值进行分析，确定了用峰值(SVmax)、峰前均值（SVmean）、峰前上升速率(SVas)3个特征值就能很好地把具有10个传感器变量的原始数据降维到2-3个主成分即可表达电子鼻传感器的主要信息。在本研究所述的试验条件下，将所采集到的电子鼻传感器信息分为无虫的健康对照组(N1)、轻度虫害(I1)、中度虫害(I2)、重度虫害(I3)和洁净环境空气(KQ)5个不同的级别，结合主成分分析和概率神经网络分级识别算法，采用前2个主成分(PC1、PC2)作为PNN的输入时，分级识别的最高准确率达到了95.83%，将PNN的输入变量个数增加到前3个主成分(PC1、PC2、PC3)时，部分试验虫日的分级识别准确率能提高到100%。此外，本课题还采用电子鼻系统对稻飞虱虫体气体挥发物进行了研究，发现除了传感器R(4)和R(7)外大部分传感器的响应值随着虫量梯度的增加有较小幅度的增加，说明虫量对虫体气体挥发物的浓度有所影响，采用电子鼻系统可根据稻飞虱虫体的气体挥发物进行分级识别，而且虫体的气体挥发物对整个田间稻株的气体挥发物总量存在叠加效应。上述试验结果表明，利用电子鼻系统进行稻飞虱虫害监测是可行的，与基于光谱信息的稻飞虱虫害早期检测相比，基于电子鼻信息的方法可将稻飞虱虫害早期监测的时间大幅度提前。在实际生产实践中，可在田间微型移动监测传感器平台上进行基于电子鼻信息的稻飞虱虫害小面积早期监测，形成对基于水稻冠层光谱信息的大面积稻飞虱虫害遥感监测的有益补充，提高稻飞虱虫害监测的超前预报率和准确率。