基于Web of Science的作物病害监测和预警研究进展*

董萍，王明，彭飞，时雷，张娟娟，司海平

(1. 河南农业大学信息与管理科学学院,郑州市,450046; 2. 郑州城建职业学院信息工程系,郑州市,452100)

0 引言

2022年2月,中央一号文件《中共中央国务院关于做好2022年全面推进乡村振兴重点工作的意见》发布,意见强调要加快推进农业现代化,深入实施重要农产品保障战略,牢牢守住保障国家粮食安全的底线。作物病害是影响粮食高质高产的主要因素之一,准确高效的识别作物病害并实施精准防治是现代农业发展的主要趋势之一[1]。传统的作物病害检测是依靠农户的经验进行判断的,这种检测方法具有主观性,精度较低且劳动强度大,病害发生后一般借助农药对病害进行防治,不仅会对环境造成污染而且会影响粮食质量。我国在农作物病害管理方面,已经投入了相当大的人力和物力来研究开发传感、成像、高光谱和计算机生物学等技术,以监测和管理作物病原体和其他生物胁迫源。随着现代化农业进程的加快,3S、机器视觉、高光谱、人工智能、大数据和物联网等技术被广泛应用在农业活动中,包括作物保护,检测和预测农作物疾病,极大地提高了作物病害监测和预警的准确率[2]。特别是计算机视觉方面的技术进步促进了作物病害的自动化检测,作物生理数据可通过卫星、机载遥感或近距离遥感收集[3-4]。这些无损检测方法不直接接触农作物,不会对作物的生长造成影响,并且具有低成本、覆盖区域广和病害症状提前评估等优点。目前作物病害中的遥感和成像技术也可用于农场管理和精准农业,可以进行早期病害检测、在田间试验中评估作物品种或杀菌剂的效果、记录作物病害对生理状况和产量的影响、区分生物和非生物胁迫以及支持植物育种的高通量表型等[5]。

国内外部分学者已经从不同角度对作物病害监测和预警的研究发展状况做出了分析[6-7]。白雪冰等[8]从光谱成像的角度综述了近六年来国内外关于光谱成像技术在作物病害检测领域应用的相关文献,分析展望了光谱成像技术在作物病害检测领域中应用的研究趋势;刁智华等[9]将图像处理技术应用到病害特征提取识别中,分别从形状、颜色、纹理的特征提取出发,基于部分学习方法的病害识别综述了近些年作物病害特征提取识别的应用研究;竞霞等[10]从作物病害遥感探测的方法和尺度两个方面综述了基于反射率光谱的作物病害遥感监测现状,概括了主动荧光、被动荧光以及协同日光诱导叶绿素荧光和反射率光谱在作物病害遥感监测中的研究进展;Abade等[11]回顾分析了过去十年中采用不同的方法处理与疾病检测、数据集特征、作物病原体相关方面的121篇论文,旨在确定卷积神经网络(CNN)在植物疾病识别和分类过程中的应用现状和研究趋势;Liu等[12]从光谱抗性的角度出发总结了过去十年中水稻作物广谱抗病基因鉴定的最新进展以及通过生物技术手段在作物改良中的应用;Fedele等[13]通过检索与103种作物有关的疾病模型的论文,提取描述性元数据,开发病理系统图,强调各种模型之间的差距,并提出需要进一步研究的问题。目前,国内外对作物病害的研究主要集中在病害的识别和综合防治上,缺乏针对该领域的定量研究和结构化分析。

文献计量学是将数学和统计学的相关理论运用于文献情报研究的一门交叉学科[14],其优点在于能直观清晰的展现出知识框架和研究热点,可以回答“某一科学领域的研究主题是什么?”“这些主题之间是如何联系的?”“某一科学领域是如何发展的?”以及“谁是一个科学领域的关键参与者(研究人员、机构、期刊)?”等问题。文献计量学已被用于回答很多领域的这些类似问题,李继宇等[15]对2001—2020年累计二十年间农用无人机领域内发布的期刊及论文进行可视化,分析农用无人机的主要研究国家及相互间的合作关系和农用无人机的研究前沿;钟菊新等[16]通过对2010—2020年Web of Science核心合集数据库中土壤细菌领域相关文献进行计量分析,分析土壤细菌领域的发文量趋势、主要研究国家和研究的重点和热点。然而,目前还未见有使用结构化的文献计量方法对作物病害监测和预警领域研究趋势、研究课题的演变以及该研究领域的出版情况进行定量调查。因此本文基于文献计量学的分析方法,借助VOSviewer文献可视化工具,对2003—2022年间Web of Science核心合集数据库中的作物病害监测和预警相关文献进行可视化分析,以获取近20年来作物病害监测和预警领域的研究进展和前沿热点,形成相应的网络图谱,为该领域研究者跟踪研究前沿、把握研究方向提供参考依据。

1 材料和方法

1.1 数据来源

为统计分析作物病害监测和预警研究领域近20年来的发展状况,将Web of Science 核心合集数据库作为文献检索数据库。全世界十大粮食作物是水稻、玉米、大豆、小麦、燕麦、黑麦、大麦、高粱、甘薯、马铃薯,以这十种作物作为此次检索的主要作物,其检索式为“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*))”,检索时间跨度为2003—2022年(20年),文献类型设定为“Article”,最终检索时间为2023年1月5日,共检索到21 609篇文献。对检索到的文献进行筛选,研究对象为作物病害,删除作物虫害相关文献,删除与作物病害监测和预警主题不相关的文献,删除引用量过低且年份久远的文献,最终筛选出3 091篇文献,将所选文献“全记录与引用的参考文献”格式进行下载。

1.2 研究方法

VOSviewer是荷兰莱顿大学VanEck与Waltman研究开发,在科研网络分析方面具有较好的可视化效果[17]。VOSviewer获得的聚类图谱,每个圆圈表示一个关键词,其圆圈大小表示该关键词出现的频次,圆圈颜色代表关键词的聚类,关键词间连线的粗细代表关联总强度。利用VOSviewer软件对作物病害监测和预警领域的发文量、国家、研究机构、作者、刊载期刊、关键词等进行可视化分析,借助知识图谱梳理、归纳总结作物病害监测和预警领域的发展脉络及近20年间的研究热点。

2 结果与分析

2.1 文献发表量年度变化分析

对文献的发文量随年份变化趋势进行统计分析,如图1所示,可以在一定程度上了解作物病害监测和预警的研究历程。从总体上看,国际上作物病害监测和预警领域发文量呈现三个阶段,2003—2010年,每年的发文量不超过50篇,相关研究较少,处于缓慢培育阶段;2011—2016年,发文量缓慢稳定增长,年发文量从46篇增长到了135篇,说明作物病害监测和预警已经成为农业发展的重要一环,越来越受到学者的重视;2017年之后,发文量持续大幅度增长,76%的文献发布于此阶段,可见作物病害监测和预警这一主题备受关注,是当前的热点和前沿,这与信息技术的飞速发展是密切相关的。近年来,深度学习、遥感、机器视觉、高光谱等技术蓬勃发展[18],研究者们基于以上技术理论相继探索出了诸多作物病害监测和预警方法,其病害检测的准确率远超传统作物病害识别技术。国内外越来越多的研究者转向农作物长势和生理数据实时监测、病害识别和预警等方面的“互联网+农业”研究和应用[19]。

图1 2003—2022年期间发文量变化趋势Fig. 1 Trend in annual numbers of publications from 2003 to 2022

2.2 主要发文国家分析

通过对国家发文量进行分析,可以在一定程度上反映世界各国在作物病害监测和预警领域的科研实力和影响力。使用VOSviewer软件,对发文量大于10篇的国家进行图谱可视化,直观地展示出这些国家在该领域中的发表量和影响力。统计在作物病害监测和预警领域发文量排名前10的国家,如图2所示。为了进一步分析高生产力国家,以篇数和篇均被引频率作为衡量指标,比较不同国家论文的影响力和质量。从发文数量来说,中国最多(763篇),其次是美国(612篇),第3名是印度(404篇),澳大利亚、英国和西班牙等国家也发表了较多相关论文;从篇均被引频率来看,最高的是德国(33.46次),其次是英国(31.01次),排第3的是美国(27.98次)。研究发现,虽然中国近年来发表的相关论文数量最多,但与德国、英国、美国等国家相比,篇均被引频率仍有较大差距,这说明中国在作物病害监测和预警领域的研究论文虽然具有数量优势,但质量还需进一步提升。

图2 2003—2022年期间主要国家发文量和篇均被引频次Fig. 2 Number of publications issued by major countries and the frequency of citations from 2003 to 2022

美国在发文量和篇均被引频率方面均居于第2名,综合来讲,美国在作物病害监测和预警领域具有较强的综合科研实力。美国在作物病害监测和预警领域的研究历史悠久,1910年,美国农业部成立了第一个农业气象站,开始对作物的生长情况进行监测;1978年美国伊利诺斯大学开发出了世界上最早的农作物病害诊断专家系统,在作物病害识别发展中起到了奠基性作用,加之科研实力较强,具有先进的科研设备并且人才云集,在作物病害监测和预警领域创造了大量经典的开创性研究成果。

2.3 主要研究机构分析

从Web of Science获取的3 091篇文献所涉及的机构共有3 557个,作物病害监测和预警领域发文量排名前10的机构如表1所示。从发文量的角度分析,美国农业部农业研究局(USDA-ARS)发文量最高,发文数量为87篇,其次是中国科学院(Chinese Academy of Sciences),发文量为83,紧随其后的为中国农业科学院(Chinese Academy of Agricultural Sciences)、佛罗里达大学(University of Florida)、中国农业大学(China Agricultural University)、加拿大农业部(Agriculture and Agri-Food Canada)、美国的康奈尔大学(Cornell University)、法国农业科学研究院(INRA)、农业科学研究院(ARS)、南京农业大学(Nanjing Agricultural University)。从篇均被引频次角度分析,法国农业科学研究院(INRA)篇均被引频次最高(39.37次),其次是美国康奈尔大学(Cornell University,38.32次),第3名是美国的佛罗里达大学(University of Florida,36.30次),篇均被引频次排名前3的科研机构中,未出现中国的研究机构。可以看出,近年来中国在作物病害监测和预警领域发展迅速,涌现出了一大批以中科院、农科院为代表的科研机构,发文量大幅提升,但科研成果质量相比美国、法国等发达国家的研究机构仍有一定差距。发文量排名前10的科研机构中,4所来自美国,且其中有2所在篇均被引频率上表现较好,排名前3,说明美国的研究机构在作物病害监测和预警领域占据绝对的优势地位。

使用VOSviewer对发文量大于10篇的研究机构进行显示。研究机构合作网络如图3所示。由图3可知,美国农业部农业研究局的圆圈最大,位于网络中的核心地带,与71个机构存在合作关系,说明美国农业部农业研究局的作物病害监测和预警领域的国际影响力较强,对作物病害监测和预警研究领域的贡献较大。其次与其他研究机构之间连线较多的是中国科学院和中国农业科学院,积极与国内外科研机构开展密切的学术交流。可以发现,发文量越多的国家,与其他机构的合作关系也越强。

图3 2003—2022年期间研究机构合作网络图谱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年期间发文量TOP10的作者Tab. 2 TOP10 authors based on an analysis of publications from 2003 to 2022

同时利用VOSviewer绘制核心作者图谱如图4所示。

图4 2003—2022年期间作者合作网络图谱Fig. 4 Co-occurrence mapping of authors from 2003 to 2022

可以看出,核心作者之间形成了以黄文江、张竞成、康振生和Varshney为代表的核心研究团队。黄文江为代表的研究团队研究内容主要涉及植被定量遥感、作物理化参数遥感反演机制与模型、智能化作物长势与病害播报平台研制;张竞成为代表的研究团队主要研究综合遥感、气象等信息构建病虫害预测模型。康振生为代表的研究团队研究内容主要涉及从遗传学、分子生物学以及基因组学等方面研究作物病害致病机理与防治技术;Varshney为代表的研究团队研究内容主要涉及遗传学、应用微生物学和生物化学等方面。可以发现,发文作者呈现区域性的合作关系,同一机构或同一地区的学者之间密切合作,形成固定的核心研究团队,核心团队之间均有合作。

2.5 热门期刊分析

对期刊发文量进行分析,得到作物病害监测和预警研究发文量排名前10的期刊,如表3所示。该领域的文章主要发表在跨学科植物科学、植物病理学、传感器与物理过程和精确农业等期刊上。发文量前3的期刊为Frontiers in Plant Science、Plant Disease和Computers and Electronics in Agriculture,是作物病害监测和预警领域最热门期刊,发文量分别为145、115、92篇。其中Frontiers in Plant Science和Computers and Electronics in Agriculture的影响因子分别为6.627和6.757,是该领域的顶级期刊,可以在一定程度上代表作物病害监测和预警的研究重点,相关研究学者可以重点关注这两个期刊。

2.6 研究热点分析

利用VOSviewer软件对Web of Science 核心合集数据库中获取的文献进行关键词共现分析。在分析之前对关键词进行检查整理,删除无分析意义的关键词,如“population”“paper”“plant disease”“farmer”等。并对同义关键词进行合并,如“convolutional neural network”“cnn”“dcnn”“cnn model”和“convolution neural network”“deep learning”和“deep learning model”“uav”和“unmanned aerial vehicle”。最终得到排名前20位的高频关键词和关键词共现关系网络图谱,以期反映出近20年来作物病害监测和预警领域的研究热点,如表4和图5所示。由图5可知,关键词聚类自动划分为4个模块。

表4 2003—2022年期间高频关键词Tab. 4 High-frequency keywords from 2003 to 2022

图5 2003—2022年期间关键词共现网络图谱Fig. 5 Co-occurrence cluster mapping of key words from 2003 to 2022

1) 绿色模块主要研究使用作物病害研究方法。聚类中关键节点为卷积神经网络(convolutional neural network/cnn/dcnn/cnn model/convolution neural network/neural network)、深度学习(deep learning/deep learning model/)、特征(feature)、准确度(accuracy/classification accuracy)、分类(classification/classifier)。表明利用卷积神经网络和深度学习提取作物病害特征实现病害分类、不断提高病害分类的精确程度是作物病害监测和预警领域新的研究方向。

2) 红色模块主要是研究基因防治。聚类中关键节点为基因(gene/genes/resistance gene/genotype/genetic/genome)、抗病性(disease resistance/resistance/resistance cultivar/resistance mechanism/resistant)、标记(marker)、相互作为(interaction)等。表明近20年来作物病害监测和预警领域主要专注抗病基因育种和标记定位抗病基因监测作物病害发生情况。

3) 黄色模块主要研究遥感监测作物植被指数。其关键节点为模型(model)、无人机(uav/uav image/uavs/unmanned aerial vehicle)、遥感(remote sensing/sensing/sensor/hyperspectral remote sensing/hyperspectralsensor)、植被指数(vegetation/vegetation index)。表明利用无人机遥感、高光谱遥感或传感器构建作物植被指数监测模型是该领域的另一研究重点。

4) 蓝色模块主要侧重PCR诊断作物病害。物种(speciese)为该聚类的关键节点,该节点延伸出的关键词分别为序列(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检测技术进行基因测序,诊断作物疾病是作物病害监测和预警领域近20年来的另一研究热点。

对关键词共现图谱叠加时间可视化,如图6所示。图6中每个节点的颜色对应包含相关关键词的文献的平均出版年份。由于分析中的大多数文章都是在2015—2022年期间发表的,因此平均发表年份主要在2016—2021年之间。平均发表日期较早的关键词有pcr(2015年)、squence(2016年)和virus(2017年),主要位于PCR检测作物疾病聚类中。平均发表日期较晚的关键词有svm(2020年)、convolutional neural network(2021年)和deep learning(2021年),主要分属作物病害研究方法聚类。

图6 2003—2022年期间关键年份叠加视图Fig. 6 Co-occurrence mapping of superimposed time of key words from 2003 to 2022

综合来看,目前作物病害监测和预警领域的研究主要集中在卷积神经网络和深度学习分类作物病害、抗病基因育种、遥感监测作物植被指数和PCR诊断作物病害四个方面。

2.6.1 作物病害研究方法

早期发现作物病害可以帮助农民及时采取预防措施和对策来消除疾病[22]。近20年来,卷积神经网络(CNN)和深度学习是对作物病害监测和预警的主要办法。卷积神经网络和深度学习都是机器学习技术。卷积神经网络(CNN)是一种特定的机器学习模型,主要用于图像分析[23]。它通过使用卷积层和池化层来提取图像中的特征,并使用全连接层进行分类;深度学习是一种机器学习的方法,它通过模仿人脑的神经网络来学习数据。深度学习可以使用多种机器学习模型,如卷积神经网络(CNN)、循环神经网络(RNN)、自动编码器(AE)等[24]。可以将卷积神经网络看作是一种特定的深度学习模型,而深度学习则是一种机器学习方法,它可以使用多种模型来学习数据,卷积神经网络和深度学习都是进行作物病害监测和预警的有效方法。通过收集大量的作物图像数据,其中包括正常的作物图像和受到病害影响的作物图像,然后使用这些图像数据训练模型,让其学会区分正常的作物图像和受到病害影响的作物图像,最后,将训练好的模型应用于实际的监测和预警工作中,通过对新的作物图像进行分类,就可以发现可能存在的病害。使用卷积神经网络和深度学习进行作物病害监测和预警的优势在于,它们通过模仿人脑的神经网络来学习数据,能够自动从数据中学习特征,不需要人工设计特征提取函数[25],能够从多种类型的数据中学习特征,因此可以更好地利用多维数据信息。此外,它们还具有较强的学习能力和较高的准确率,因此可以作为一种有效的工具来进行作物病害监测和预警。

2.6.2 基因防治

作物病害基因防治可以通过改变作物的基因,使之具有更强的抗病能力,从而防治作物受到病害的危害,也可通过对作物的基因组进行分析,了解作物的遗传特征,发现其中的基因突变或缺陷,并进行预警[26]。这种方法可以通过基因修饰技术来实现,比如说基因转移、基因编辑等,具体的基因防治可以通过以下几种方式来实现:(1)在作物中插入抗病基因:这种方法可以使作物具有抗病基因,从而提高作物的抗病能力。比如说,可以将拟南芥等植物的抗虫基因插入到水稻中,使水稻具有更强的抗虫能力。(2)基因编辑:通过修改作物的基因序列来提高作物的抗病能力,通常使用特定的基因编辑工具,比如用CRISPR/Cas9系统来实现对基因的修改。在农业领域,通过基因编辑,可以让农作物具有更强的抗逆性,更能抵抗干旱、寒冷、盐碱等不利因素的影响,提高农作物的产量和质量。(3)基因转移:这种方法通过将某些植物的基因转移到另一种植物中,使另一种植物具有抗病能力。基因转移技术有几种常用的方法。例如,可以使用质粒转化法将基因转移到生物体中,也可以使用还原基因组技术来改变生物体的基因组。此外,还有一种叫做射线转化法的技术,可以通过辐射来改变生物体的基因。基因防治的优势在于,它可以长期有效,在植物生长过程中提供持久的保护,而且相对传统的化学防治方法,基因防治具有更小的环境影响和人体安全性更高。但是,基因防治也有一些局限性,比如说,目前还没有通用的基因防治方法能够有效应对所有的病害,并且实现基因防治的成本也相对较高。

2.6.3 无人机和高光谱遥感监测作物植被指数

植被指数是一种测量植被状况的指标,通常用来反映植被的生长情况、绿色覆盖率和健康状态。可以利用植被指数的变化来发现作物受到的病害或其他影响。常用的植被指数有NDVI(Normalized Difference Vegetation Index)、EVI(Enhanced Vegetation Index)和LAI(Leaf Area Index)等[27]。无人机遥感监测是一种使用无人机搭载相机或传感器来收集地面数据的方法,可以利用视频、照片或其他传感器来收集地面的数据,然后利用图像处理技术来计算植被指数。可以搭载光谱传感器、温度传感器等,收集植被的光谱特征、温度分布等信息,来监测作物的健康状态,用来发现作物的病害或其他影响,这种方法比较简单,但是数据质量可能不是很高。高光谱遥感监测是一种利用航空遥感或卫星遥感技术,收集地面的高光谱数据(即红、绿、蓝三个波段以及其他波段)[28]的方法,通过高光谱数据研究作物的生长情况。比如,可以利用光谱特征来研究作物的叶绿素含量、水分含量等,从而反映作物的长势情况,达到病害监测和预警的目的。这种方法可以获得更为精确的数据,但是成本可能会更高。总的来说,无人机遥感和高光谱遥感都是监测作物生长状况的有效手段,在不同的情况下可以选择适合的方法来监测作物的植被指数。

2.6.4 PCR检测作物疾病

PCR(聚合酶链反应)是一种分子生物学技术,可以用来快速检测和诊断疾病的技术。通常,PCR检测是通过在作物样本中搜寻病原体的DNA来诊断疾病的。这种技术可以帮助农民及早发现和治疗病害,从而减少对农作物的损害。要使用PCR检测作物疾病,需要从作物样本中提取DNA样本,然后使用PCR扩增目标DNA片段。最后,通过分析扩增后的DNA片段来诊断疾病。

值得注意的是,PCR检测并不是对所有作物疾病都适用的,某些疾病的DNA可能很难检测,因此需要使用其他方法进行诊断。此外,PCR检测也可能存在一定的误差,因此应该与其他诊断方法结合起来使用。

3 结论

本文借助可视化分析软件VOSviewer,对2003—2022年Web of Science核心合集数据库中检索到的与作物病害监测和预警研究相关的3 091篇英文文献进行年发文量、国家、机构、作者、期刊以及关键词等信息的动态分析,借助知识图谱梳理作物病害监测和预警领域的研究脉络,分析该领域的研究状况。

1) 在年发文量方面,国际上作物病害监测和预警领域发文量呈现三个阶段,2003—2010年,相关研究成果较少,发展缓慢;2011—2016年,发文量缓慢稳定增长,作物病害监测和预警研究越来越受到学者的重视;2017年之后,发文量持续大幅度增长,作物病害监测和预警这一主题是当前的热点和前沿,并且还未上升到饱和点,该领域具有广阔的发展前景。

2) 在作物病害监测和预警主要研究力量方面,从研究国家来看,中国是该领域发文量最多的国家,但篇均引用频次较低,而美国在发文量和篇均被引频次方面均表现较好,在该领域占据绝对优势;从研究机构来看,发文量前10的机构中,中国和美国各占据4所,以中科院为代表的中国科研机构虽然发展迅速,但科研成果质量相较美国、法国等发达国家的科研机构仍有一定差距;从研究作者来看,发文作者呈现区域性的合作关系,并已形成固定的核心研究团队,黄文江是该领域发文量最多的作者。

3) 在热门刊载期刊方面,作物病害监测和预警领域的研究成果主要发布在Frontiers in Plant Science、Plant Disease和Computers and Electronics in Agriculture这3个期刊上面。Frontiers in Plant Science和Computers and Electronics in Agriculture是该领域的顶刊,可以在一定程度上代表作物病害监测和预警的研究重点和热点。

4) 抗病基因育种、PCR诊断作物病害、卷积神经网络和深度学习分类作物病害和遥感监测作物植被指数是近20年来作物病害监测和预警领域的研究热点和未来可持续发展的方向。