病虫调查统计

2019年10月15日，安洲科技与国内某测绘院利用S185机载画幅式高光谱成像系统与CW10固定翼无人机在青岛崂山林区进行大面积林区病虫害调查研究，成功获取该林区约1平方公里的航空高光谱影像。 图1、S185+CW10固定翼无人机飞行现场示意图 图2、无人机航迹运行图及飞行参数 本次研究的主要对象为松材线虫病，松材线虫侵染后可破坏树脂道薄壁和上皮细胞，造成植株失水，蒸腾作用降低，树脂分泌积聚减少和停止，使树体死亡，它还可随采伐的病树原木及制品，传播到无病区，从而带来远距离的迅速危害；在监测松树林病虫害方面，S185+CW10机载高光谱成像系统，可快速高效的获取大面积林业高光谱数据，通过对松树高光谱数据进行特征谱段选择与建模分析，基于对样本光谱特征分析，建立松材线虫病害松树的高光谱遥感检测模型。从而实现对所有的高光谱遥感影像进行全局计算，完成对松材线虫病害树木的检测研究。 图3、健康松树与发病松树光谱曲线图 图4、植被、马路、不同颜色屋顶光谱曲线图 图5、崂山林区大面积实际拼接RGB大图 图6、崂山林区大面积实际拼接NDVI大图 图7、基于SAM光谱角算法的松线虫发病树木提取 图8、ENVI打开高光谱Cube假彩色 （7800×14313像素，约1平方公里，数据量约20Gb，图中每个像素点具有光谱和GPS坐标值）

确保粮食稳产增产，做好农作物病虫危害测报预警很关键。农业农村部在今年4月份印发《农作物病虫害监测与预报管理办法（征求意见稿）》，提出各级农业农村部主管部门和植保机构根据作物种植结构和病虫害监测工作需要设立田间监测点，组建病虫害监测网络。面对传统测报的数据采集难、精度低、费时费力等不足，通过推动植保测报领域信息化与智能化，提升重大病虫害监测预警与快速响应能力尤为重要！ 日前，江苏省苏州市吴江区工业农村局联合浙江托普云农科技股份有限公司，对于吴江区的“四情”监测进行了一次“高科技”的系统化升级，通过在区域内布局农业“千里眼”解决了病虫防控难、预警反应慢的痛点问题，优先步入病虫害智能监测防控的快车道。借助农业物联网、人工智能、大数据等技术，建设农业“四情”智能监测系统，结合气象、墒情、苗情等多个监测数据，高效精确地观测田间病虫害的发生情况。目前，吴江区已经在全区范围内建设了9个智能监测点，实现了主要农作物病虫智能监测全覆盖。农业“四情”智能监测大数据平台农业“四情”智能监测站智能虫情测报灯孢子自动捕捉系统农田综合气象监测站 作物病害自动监测预警系统 其中位于国家现代农业产业园内的农业“四情”智能监测站于2021年6月建设完成，由浙江托普云农科技股份有限公司协助提供技术支持。农业“四情”智能监测系统由智能虫情测报灯、孢子自动捕捉系统、作物病害自动监测预警系统、农田综合气象监测站以及农业“四情”监测大数据平台组成。智能虫情测报灯以及孢子自动捕捉系统都是以物理方式对虫或是病菌孢子进行自动捕捉，并拍照上传至农业“四情”智能监测大数据平台，进行AI智能识别和数据分析。作物病害自动监测预警系统是通过对初始菌源量、田间环境因子的监测，经预测模型进行数据处理，预测病害发生情况。农田综合气象监测站则是对区域内的小气候进行实时监测，监测环境与病虫害之间的关系。整个农业“四情”智能监测系统的工作原理即是：将硬件设备的数据自动采集、传输与智能化管理功能集于一体，实现对于农田病虫害、土壤墒情、作物生长等情况的远程实时监控和自动预警，如同“千里眼”一般快速便捷，让农技人员随时就能通过“四情”智能监测大数据平台监测害虫种群发生趋势，进行科学防控。 农业“四情”智能监测系统，能够有效提高病虫害监测预警的准确性和时效性，同时减轻基层测报人员监测调查劳动强度，近年来在全国植保工作中应用越来越广。下一步，吴江区农技中心将会继续推进农作物病虫智能监测网络的建设，用好农业智能“千里眼”，切实提升重大病虫精准监测、及时预警、快速反应能力和科学防控水平，在农业防灾减灾和农产品稳产保供中进一步发挥“数字化”力量。

“森林”这两个字一共由5个“木”字组成，正如同大自然中无数树木相互依存，彼此交织，形成了一个庞大而有机的生态系统。森林具有调节气候、保持水源、防止土壤侵蚀等重要功能，森林是地球上最宝贵的财富之一。然而，随着人类社会的发展和气候变化加剧，森林生态系统也在发生着变化。科研人员一直在努力了解并改善这些变化，随着遥感技术的发展，新的技术手段也带来了更多地研究可能。今天推荐大家了解的是北京林业大学和北京师范大学的研究团队所做的研究。森林生态系统是最基本的陆地生态系统组成部分之一，在调节气候变化、提供物种栖息地、维持生物多样性及减缓全球变暖等方面发挥着重要的作用。随着人类活动和气候变化的加剧，生物和非生物森林干扰事件频发。因此，有效监测影响森林健康的生物和非生物因素对于理解森林生态系统碳循环及监测全球变暖的影响至关重要。其中病虫害是生物干扰事件中最主要的干扰因素之一。检测早期病虫害位置对于识别高风险林分及预防其大规模爆发和蔓延至关重要。然而，不同病虫害在垂直结构的不同位置破坏树木。了解如何监测和评估垂直冠层结构上不同病虫害的异质胁迫对于提高森林质量至关重要。传统的田间调查方法费时费力，难以在区域尺度上监测森林。近几十年来，遥感技术的出现为森林病虫害监测提供了新的途径和技术手段。随着地基、机载、星载平台等多源遥感技术的快速发展，使得高效、动态地监测不同时空尺度的森林病虫害成为可能。基于此，来自北京林业大学和北京师范大学的研究团队在中国河北省怀来遥感站纯人工落叶阔叶林（40.35°N，115.78°E）进行了田间测量（结构信息、叶面积指数（LAI）、上中下垂直冠层高度5个不同位置收集叶片、树皮和土壤反射率）、受损叶片分类（健康、轻度、中度和重度受损）、光谱分析（植物反射率和透射率，ASD FieldSpec4 Hi-Res NG）、TLS激光扫描、3D森林场景重建、机载高光谱激光雷达和高光谱图像模拟、高光谱点云表征胁迫水平、随机森林（RF）模型构建及分类模型准确性评估（混淆矩阵和kappa系数）。主要目的是基于3D辐射传输模型（LESS）评估机载高光谱激光雷达（AHSL）在森林病虫害胁迫监测方面的潜力。具体来说，首先根据TLS数据和测量的受损叶片光谱重建虚拟3D森林场景，并在此基础上定义不同冠层受损位置和不同胁迫水平的不同病虫害干扰场景。然后，针对不同受损位置和胁迫水平的每种组合，使用LESS模拟AHSL点云和相应的高光谱图像（HI）。提取AHSL点云不同层的LiDAR点云并光栅化为3m空间分辨率的图像，结合高光谱图像，使用随机森林预测病虫害。研究区域位置，林地照片及受损叶片示例【结果】受胁迫叶片和树皮的光谱反射率基于高光谱LiDAR评估不同受损位置不同胁迫水平分类模型的准确度基于高光谱图像评估不同受损位置不同胁迫水平分类模型的准确度【结论】结果表明，AHLS在森林病虫害异质垂直胁迫监测方面具有巨大潜力。对整个冠层受损和冠层上部受损的监测能力最优，不同胁迫水平分类的总体精度和kappa系数分别为65.95%~89.45%和54.58%~85.92%。此外，在冠层中部（OA：77.56％，kappa：69.90％）和冠层下部（OA：65.95％，kappa：54.58％）也可以获得良好的分类准确度。作者还基于相同的胁迫场景模拟了HI数据，并与AHSL进行了比较。在整个冠层受损的情况下，HI具有最好的分类准确度（OA：57.02％，kappa：41.86％）。但上、中、下冠层受损的分类准确度差异较小。研究结果表明，AHSL提供了结构和光谱信息。与HI数据相比，AHSL能够避免土壤、阴影及其他林下混杂因素的影响。脉冲穿透可以监测森林中下部的病虫害胁迫，但也需要考虑树枝的影响。