CN113324927A - 一种松材线虫病林间早期防治方法及监测*** - Google Patents
一种松材线虫病林间早期防治方法及监测*** Download PDFInfo
- Publication number
- CN113324927A CN113324927A CN202110510522.6A CN202110510522A CN113324927A CN 113324927 A CN113324927 A CN 113324927A CN 202110510522 A CN202110510522 A CN 202110510522A CN 113324927 A CN113324927 A CN 113324927A
- Authority
- CN
- China
- Prior art keywords
- pine
- control
- early
- forest
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000018646 Pinus brutia Species 0.000 title claims abstract description 109
- 235000008331 Pinus X rigitaeda Nutrition 0.000 title claims abstract description 108
- 235000011613 Pinus brutia Nutrition 0.000 title claims abstract description 108
- 201000010099 disease Diseases 0.000 title claims abstract description 85
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 85
- 238000012544 monitoring process Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000003814 drug Substances 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 45
- 230000003595 spectral effect Effects 0.000 claims abstract description 44
- 241000243771 Bursaphelenchus xylophilus Species 0.000 claims abstract description 42
- 230000000694 effects Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 239000000126 substance Substances 0.000 claims abstract description 6
- 230000002265 prevention Effects 0.000 claims description 45
- 238000001228 spectrum Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 24
- 241000238631 Hexapoda Species 0.000 claims description 18
- 241000243770 Bursaphelenchus Species 0.000 claims description 15
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 14
- 238000011160 research Methods 0.000 claims description 11
- 229940079593 drug Drugs 0.000 claims description 8
- 238000003702 image correction Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000000725 suspension Substances 0.000 claims description 7
- 241001442207 Monochamus alternatus Species 0.000 claims description 6
- 239000000575 pesticide Substances 0.000 claims description 6
- IBSREHMXUMOFBB-JFUDTMANSA-N 5u8924t11h Chemical compound O1[C@@H](C)[C@H](O)[C@@H](OC)C[C@@H]1O[C@@H]1[C@@H](OC)C[C@H](O[C@@H]2C(=C/C[C@@H]3C[C@@H](C[C@@]4(O3)C=C[C@H](C)[C@@H](C(C)C)O4)OC(=O)[C@@H]3C=C(C)[C@@H](O)[C@H]4OC\C([C@@]34O)=C/C=C/[C@@H]2C)/C)O[C@H]1C.C1=C[C@H](C)[C@@H]([C@@H](C)CC)O[C@]11O[C@H](C\C=C(C)\[C@@H](O[C@@H]2O[C@@H](C)[C@H](O[C@@H]3O[C@@H](C)[C@H](O)[C@@H](OC)C3)[C@@H](OC)C2)[C@@H](C)\C=C\C=C/2[C@]3([C@H](C(=O)O4)C=C(C)[C@@H](O)[C@H]3OC\2)O)C[C@H]4C1 IBSREHMXUMOFBB-JFUDTMANSA-N 0.000 claims description 5
- 239000005660 Abamectin Substances 0.000 claims description 5
- 229950008167 abamectin Drugs 0.000 claims description 5
- CXEGAUYXQAKHKJ-NSBHKLITSA-N emamectin B1a Chemical compound C1=C[C@H](C)[C@@H]([C@@H](C)CC)O[C@]11O[C@H](C\C=C(C)\[C@@H](O[C@@H]2O[C@@H](C)[C@H](O[C@@H]3O[C@@H](C)[C@H](NC)[C@@H](OC)C3)[C@@H](OC)C2)[C@@H](C)\C=C\C=C/2[C@]3([C@H](C(=O)O4)C=C(C)[C@@H](O)[C@H]3OC\2)O)C[C@H]4C1 CXEGAUYXQAKHKJ-NSBHKLITSA-N 0.000 claims description 5
- 239000003995 emulsifying agent Substances 0.000 claims description 5
- 238000002347 injection Methods 0.000 claims description 5
- 239000007924 injection Substances 0.000 claims description 5
- 231100000419 toxicity Toxicity 0.000 claims description 5
- 230000001988 toxicity Effects 0.000 claims description 5
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 238000011081 inoculation Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 239000000890 drug combination Substances 0.000 claims 2
- 238000007598 dipping method Methods 0.000 claims 1
- 241000607479 Yersinia pestis Species 0.000 abstract description 5
- 241000196324 Embryophyta Species 0.000 description 25
- 235000011609 Pinus massoniana Nutrition 0.000 description 10
- 241000018650 Pinus massoniana Species 0.000 description 10
- 238000002156 mixing Methods 0.000 description 8
- 241000244206 Nematoda Species 0.000 description 5
- 235000011610 Pinus tabuliformis Nutrition 0.000 description 4
- 241000018651 Pinus tabuliformis Species 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 4
- TZCXTZWJZNENPQ-UHFFFAOYSA-L barium sulfate Chemical compound [Ba+2].[O-]S([O-])(=O)=O TZCXTZWJZNENPQ-UHFFFAOYSA-L 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007654 immersion Methods 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012258 culturing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 241000123650 Botrytis cinerea Species 0.000 description 2
- 241001442208 Monochamus Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 230000028327 secretion Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 240000001140 Mimosa pudica Species 0.000 description 1
- 235000016462 Mimosa pudica Nutrition 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 208000022602 disease susceptibility Diseases 0.000 description 1
- 238000007877 drug screening Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
Landscapes
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
在本发明属于病虫害防治技术领域,公开了一种松材线虫病林间早期防治方法及监测***,将集成可见光/多/高光谱监测、无人机技术和化学防治手段,通过高光谱和无人机搭载光谱成像仪在林间获取松林光谱信息;在室内利用遥感影像处理软件对高光谱和多光谱图像数据处理、解读和分析,进行感病松树高光谱测定和无人机多光谱测定,获得感病松树的精准地理位置;选用高效、安全的药剂指导林间精准防治,实现松材线虫病林间早发现、争取有效的防治时间,并进行精准防治;防治完成后,进行检查试验效果。本发明实现了松材线虫病林间早发现、早治疗和精准防治,争取从当前被动的砍树除治中转变成为主动防治,更大程度的保护松林的生态价值。
Description
技术领域
本发明属于病虫害防治技术领域,尤其涉及一种松材线虫病林间早期防治方法及监测***。
背景技术
目前,松材线虫病是重要的林业检疫性有害生物。我省37个区(县)都有不同程度发生,每年危害数万亩松林,病死树超过10万株。四川省松林面积5000余万亩,松树是攀西、川西和川北地区重要的优势树种,一旦受到松材线虫病侵害,将对当地森林生态***造成毁灭性危害。松材线虫病传统除治手段处于被动的局面,疫木处理成本较高。因此,林间早期监测诊断和防治成为应对松材线虫病的关键。松墨天牛成虫期将松材线虫传入未感病松树,线虫分泌的代谢物质引起植株生理生化指标变化,其光谱反射也随之产生变化,可通过高光谱对其实现敏锐捕获。
通过上述分析,现有技术存在的问题及缺陷为:
(1)传统监测手段无法诊断松树感病的早期阶段。
(2)松材线虫病传统监测手段处于被动的局面,且疫木处理成本较高。
解决以上问题及缺陷的难度为:如何在松树感染松材线虫病后最早敏锐捕捉相应的信号成为早期监测的关键。松材线虫侵入松树植株,引起树体一系列生理变化,并在外观上逐渐显现。研究表明线虫侵入植株后,形态会经历由外观正常,树脂分泌减少或停止;部分针叶开始失去光泽呈灰绿色,并逐渐变黄,树脂分泌停止;大部分针叶变为红褐色;最后整个树冠针叶变成红褐色,病树干枯死亡,但针叶不落。传统监测手段一般采用人工巡查,肉眼不能感知病株的发病早期,至肉眼发现生理表现异常时施药已经不能有效救治病株。植物受到病虫害侵扰时,叶绿素往往减少甚至消失,导致叶绿素吸收带的强度减弱,整个可见光的反射率加大,比正常植物高得多,而红外区的发射率则明显减小。现在需要借用一种工具能够在病害发生的早期敏锐的感知这一变化。。
解决以上问题及缺陷的意义为:本发明将集成可见光/多/高光谱监测、无人机技术和化学防治手段,在传统监测手段无法观测松树感病的早期,通过高光谱和无人机搭载光谱成像仪在林间获取松林光谱信息,在室内利用遥感影像处理软件对数据进行处理、解读和分析,获得感病松树的精准地理位置,选用高效、安全的药剂指导林间精准防治,实现松材线虫病林间早发现、争取有效的防治时间,并进行精准防治。从被动除治变成主动防治,保护松林的经济价值和生态价值。
发明内容
针对现有技术存在的问题,本发明提供了一种松材线虫病林间早期防治方法及监测***。
本发明是这样实现的,一种松材线虫病林间早期防治方法,所述松材线虫病林间早期防治方法,包括:
步骤一,将集成可见光/多/高光谱监测、无人机技术和化学防治手段,通过高光谱和无人机搭载光谱成像仪在林间获取松林光谱信息;
步骤二,在室内利用遥感影像处理软件对高光谱和多光谱图像数据处理、解读和分析,进行感病松树高光谱测定和无人机多光谱测定,获得感病松树的精准地理位置;
步骤三,选用高效、安全的药剂指导林间精准防治,实现松材线虫病林间早发现、争取有效的防治时间,并进行精准防治;防治完成后,进行检查试验效果。
进一步,所述步骤二中,感病松树高光谱测定时,采集数据具体过程为:
结合松墨天牛生物学特性,在5月中下旬,野外选择健康的松树(马尾松、油松)进行人工接种松材线虫;
自6月中旬至9月初,利用手持式高光谱成像仪对实验样株进行光谱信息连续测定,每隔7~10天采集一次。
进一步,所述遥感影像处理软件对高光谱数据处理的具体过程为:
利用遥感影像处理软件,通过去除干扰波段影响、修正畸变和影像校正,获取理想的光谱曲线;
根据不同时间段,光谱波段的变化,建立预测模型并提取发病初期的有效监测波段,研制针对松材线虫病林间早期监测的多光谱成像仪,确定松材线虫病林间最适的早期监测时间点。
进一步,所述步骤二中,无人机多光谱图像采集的具体过程为:
将多光谱成像仪搭载到固定翼无人机上,进行影像采集;在最适的松材线虫病早期监测时间点,选择天气状况较好的条件下飞行,此过程中进行RTK测量。
进一步,所述步骤二中,遥感影像处理软件对多光谱数据处理的具体过程为:
室内利用遥感影像处理软件分析处理数据,包括图像拼接和镶嵌、大气校正等,基于预测模型和自主识别,实现疑似感病松树位置的精准定位。
进一步,所述步骤三中,药剂筛选的具体过程为:
选用阿维菌素、甲维盐等药剂筛选试验,在室内将原药用甲醇和乳化剂配制成乳油,在96孔板各孔中加入松材线虫悬浮液;
按照设定的药剂浓度加入不同药剂,凡不运动虫体呈“J”形或“C”形、或虫体僵直、体壁无折光性者判定为死虫,计算死亡率和校正死亡率。
进一步,所述将原药按照一定比例进行混合互配,用浸渍法测定不同药剂组合对松材线虫的毒力,筛选出最佳药剂组合,结合林间药剂注干、媒介昆虫防治等手段进行林间防治效果试验,确定适用于林间早期防治的药剂品种、使用方法,并制定相应的防治技术规程。
进一步,所述步骤三中,防治完成后,进行检查试验效果过程为:
利用可见光多旋翼无人机进行防治效果监测,比较对照区和试验组的发病率。
进一步,所述可见光多旋翼无人机进行防治效果监测的过程为:
获取相应的光谱数据,在室内利用遥感处理软件ENVI进行光谱数据处理,进行图像拼接和镶嵌、大气校正;及时完成研究效果监测,作出后期试验计划和安排。
本发明的另一目的在于提供一种实施所述松材线虫病林间早期防治方法的松材线虫病林间早期监测***,所述松材线虫病林间早期监测***,包括:
高光谱成像仪,利用手持式高光谱成像仪对试验样株进行光谱信息采集;2020年6月上旬开始,每隔7~10天,中午12:00~14:00,选择晴朗天气进行高光谱影像采集。利用高枝剪从样株四个方位随机采摘松针,针叶采集量一般要在50枚以上,将松针表面清洁干净后架设光谱仪进行采集,并利用硫酸钡白板进行校正。在测量过程中避免研究人员在目标区两侧走动。对松针采集不便的样株,可将成像仪固定在三脚架上,并将硫酸钡版与样株置于同一影像中进行采集。采集时间到马尾松表现出明显的受害症状为止,同时,选择健康的马尾松进行对照实验。
选择含有敏感波段的多光谱成像仪,固定翼无人机搭载多光谱成像仪进行影像采集;2021年6月上旬,利用固有波段的多光谱成像仪,选择固定翼无人机进行光谱影像采集。无人机采用定高巡航飞行模式(飞行高度控制在700m),相机镜头始终保持垂直向下,为保证数据的科学性和可靠行,需进行一次重复采集。在设置飞控线路时,航向重叠75%以上,旁向重叠70%以上。同时完成进行RTK测量。
数据处理模块,利用ENVI遥感影像处理软件进行数据处理,通过降维处理剔除干扰波段影响、修正畸变和影像校正等影响,获取理想的光谱曲线;对疫区内可能造成干扰树种和立地条件造成的干扰波段建立波普库,便于后期提取敏感波段;对多光谱进行各种指数计算,包括归一化植被指数、比值植被指数、差值植被指数等。对于无人机多光谱图像,利用无人机图像处理软件和遥感影像处理软件预处理数据,包括图像拼接和镶嵌、大气校正;提取敏感波段的光谱反射率,获取感病松树提取ROI值,基于此对成像区域的感病松树进行自主识别,通过地理配准获取感病松树精准的地理位置。
数据解读分析模块,对于高光谱图像,根据不同时间段、不同波段光谱反射率的变化,选择不同的光谱指数和分析方法建立预测模型。提取发病初期的有效监测波段,研制针对松材线虫病林间早期监测的多光谱成像仪,确定松材线虫病林间最适的早期监测时间点;对于多光谱图像,基于预测模型和自主识别,实现疑似感病松树位置的精准定位。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明将集成可见光/多/高光谱监测、无人机技术和化学防治手段,在传统监测手段无法观测松树感病的早期,通过高光谱和无人机搭载光谱成像仪在林间获取松林光谱信息,在室内利用遥感影像处理软件对数据进行处理、解读和分析,获得感病松树的精准地理位置,选用高效、安全的药剂指导林间精准防治,实现松材线虫病林间早发现、早治疗和精准防治,争取从当前被动的砍树除治中转变成为主动防治,更大程度的保护松林的生态价值。
本发明中感病松树光谱测定,结合松墨天牛生物学特性,在5月中下旬,野外选择健康的松树(马尾松、油松)进行人工接种松材线虫。自6月中旬至9月初,利用手持式高光谱成像仪对实验样株进行光谱信息连续测定,每隔7~10天采集一次。利用遥感影像处理软件,通过去除干扰波段影响、修正畸变和影像校正等影响,获取理想的光谱曲线。根据不同时间段,光谱波段的变化,建立预测模型并提取发病初期的有效监测波段,研制针对松材线虫病林间早期监测的多光谱成像仪,确定松材线虫病林间最适的早期监测时间点。无人机光谱测定,提高松材线虫病的监测效率,降低监测成本,适应林间大面积防治的需要,将多光谱成像仪搭载到固定翼无人机上进行影像采集。在最适的松材线虫病早期监测时间点,选择天气状况较好的条件下飞行,此过程中进行RTK测量。室内利用遥感影像处理软件分析处理数据,包括图像拼接和镶嵌、大气校正等,基于预测模型和自主识别,实现疑似感病松树位的精准定位,以便后期进行药剂防治试验,为下一步的精准化防治提供数据。
药剂筛选,拟选用阿维菌素、甲维盐等药剂筛选试验,在室内将原药用甲醇和乳化剂配制成乳油,在96孔板各孔中加入松材线虫悬浮液,按照设定的药剂浓度加入不同药剂,凡不运动虫体呈“J”形或“C”形、或虫体僵直、体壁无折光性者判定为死虫,计算死亡率和校正死亡率。将上述原药按照一定比例进行混合互配,用浸渍法测定不同药剂组合对松材线虫的毒力,筛选出最佳药剂组合,结合林间药剂注干、媒介昆虫防治等手段进行林间防治效果试验,确定适用于林间早期防治的药剂品种、使用方法,并制定相应的防治技术规程。
标准示范地建设,在川东北和川南各选择1块200亩的试验林建设松材线虫病林间早期防治研究标准示范林。将进行早期防治研究的样地作为试验组,并随机选取200亩进行常规传统(松墨天牛诱捕、枯死松树及时砍除并销毁等方式)除治作业的松林作为对照组,将对照组与实验组枯死松树发病率进行比较。力争将枯死松树的发生率降到5%以下。
作业防治效果监测,为检查试验效果,利用可见光多旋翼无人机进行防治效果监测,比较对照区和试验组的发病率。在室内利用遥感处理软件ENVI进行光谱数据处理,进行图像拼接和镶嵌、大气校正等。及时完成研究效果监测,对于后期试验计划和安排具有重要作用。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的松材线虫病林间早期防治方法流程图。
图2是本发明实施例提供的松材线虫病林间早期监测***结构示意图。
图中:1、高光谱成像仪;2、多光谱成像仪;3、中央处理模块;4、数据处理模块;5、数据解读分析模块。
图3是本发明实施例提供的松材线虫病林间早期防治方法的实现流程图。
图4是本发明实施例提供的马尾松各时期的光谱变化曲线遵循植被的反射率曲线特征,即绿光区有一个低的反射峰,近红外区存在一个高的反射峰示意图。
图5是本发明实施例提供的感病植株光谱分析示意图。
图6是本发明实施例提供的基于敏感光谱通道的数值变化示意图。
图7是本发明实施例提供的反演指数模型示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种松材线虫病林间早期防治方法及监测***,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的松材线虫病林间早期防治方法,包括:
S101:将集成可见光/多/高光谱监测、无人机技术和化学防治手段,通过高光谱和无人机搭载光谱成像仪在林间获取松林光谱信息。
S102:在室内利用遥感影像处理软件对高光谱和多光谱图像数据处理、解读和分析,进行感病松树高光谱测定和无人机多光谱测定,获得感病松树的精准地理位置。
S103:选用高效、安全的药剂指导林间精准防治,实现松材线虫病林间早发现、争取有效的防治时间,并进行精准防治;防治完成后,进行检查试验效果。
本发明实施例提供的S102中,感病松树高光谱测定时,采集数据具体过程为:
结合松墨天牛生物学特性,在5月中下旬,野外选择健康的松树(马尾松、油松)进行人工接种松材线虫;
自6月中旬至9月初,利用手持式高光谱成像仪对实验样株进行光谱信息连续测定,每隔7~10天采集一次。
利用遥感影像处理软件,通过去除干扰波段影响、修正畸变和影像校正等影响,获取理想的光谱曲线;
根据不同时间段,光谱波段的变化,建立预测模型并提取发病初期的有效监测波段,研制针对松材线虫病林间早期监测的多光谱成像仪,确定松材线虫病林间最适的早期监测时间点。
本发明实施例提供的S102中,无人机多光谱图像采集的具体过程为:
将多光谱成像仪搭载到固定翼无人机上,进行影像采集;在最适的松材线虫病早期监测时间点,选择天气状况较好的条件下飞行,此过程中进行RTK测量;
室内利用遥感影像处理软件分析处理数据,包括图像拼接和镶嵌、大气校正等,基于预测模型和自主识别,实现疑似感病松树位置的精准定位,以便后期进行药剂防治试验,为下一步的精准化防治提供数据。无人机光谱测定提高了松材线虫病的监测效率,降低监测成本,适应林间大面积防治的需要。
本发明实施例提供的S103中,药剂筛选的具体过程为:
选用阿维菌素、甲维盐等药剂筛选试验,在室内将原药用甲醇和乳化剂配制成乳油,在96孔板各孔中加入松材线虫悬浮液,按照设定的药剂浓度加入不同药剂,凡不运动虫体呈“J”形或“C”形、或虫体僵直、体壁无折光性者判定为死虫,计算死亡率和校正死亡率。
将上述原药按照一定比例进行混合互配,用浸渍法测定不同药剂组合对松材线虫的毒力,筛选出最佳药剂组合,结合林间药剂注干、媒介昆虫防治等手段进行林间防治效果试验,确定适用于林间早期防治的药剂品种、使用方法,并制定相应的防治技术规程。
本发明实施例提供的S103中,防治完成后,进行检查试验效果过程为:
利用可见光多旋翼无人机进行防治效果监测,比较对照区和试验组的发病率。在室内利用遥感处理软件ENVI进行光谱数据处理,进行图像拼接和镶嵌、大气校正等。及时完成研究效果监测,对于后期试验计划和安排具有重要作用。
如图2所示,本发明实施例提供的松材线虫病林间早期监测***,包括:
高光谱成像仪1,利用手持式高光谱成像仪对实验样株进行光谱信息采集。
多光谱成像仪2,将多光谱成像仪搭载到固定翼无人机上,进行影像采集。
中央处理模块3,协调各个模块的正常运行。
数据处理模块4,对于高光图像,利用遥感影像处理软件,通过去除干扰波段影响、修正畸变和影像校正等影响,获取理想的光谱曲线;对于多光谱图像,利用遥感影像处理软件分析处理数据,包括图像拼接和镶嵌、大气校正等。
数据解读分析模块5,对于高光图像,根据不同时间段,光谱波段的变化,建立预测模型并提取发病初期的有效监测波段,研制针对松材线虫病林间早期监测的多光谱成像仪,确定松材线虫病林间最适的早期监测时间点;对于多光谱图像,基于预测模型和自主识别,实现疑似感病松树位置的精准定位。
下面结合应用实施例对本发明的技术方案做进一步的描述。
感病松树光谱测定
结合松墨天牛生物学特性,在5月中下旬,野外选择健康的松树(马尾松、油松)进行人工接种松材线虫。自6月中旬至9月初,利用手持式高光谱成像仪对实验样株进行光谱信息连续测定,每隔7~10天采集一次。利用遥感影像处理软件,通过去除干扰波段影响、修正畸变和影像校正等影响,获取理想的光谱曲线。根据不同时间段,光谱波段的变化,建立预测模型并提取发病初期的有效监测波段,研制针对松材线虫病林间早期监测的多光谱成像仪,确定松材线虫病林间最适的早期监测时间点。
无人机光谱测定
为提高松材线虫病的监测效率,降低监测成本,适应林间大面积防治的需要,将多光谱成像仪搭载到固定翼无人机上进行影像采集。在最适的松材线虫病早期监测时间点,选择天气状况较好的条件下飞行,此过程中进行RTK测量。室内利用遥感影像处理软件分析处理数据,包括图像拼接和镶嵌、大气校正等,基于预测模型和自主识别,实现疑似感病松树位的精准定位,以便后期进行药剂防治试验,为下一步的精准化防治提供数据。
药剂筛选
综合文献资料调查,本研究拟选用阿维菌素、甲维盐等药剂筛选试验,在室内将原药用甲醇和乳化剂配制成乳油,在96孔板各孔中加入松材线虫悬浮液,按照设定的药剂浓度加入不同药剂,凡不运动虫体呈“J”形或“C”形、或虫体僵直、体壁无折光性者判定为死虫,计算死亡率和校正死亡率。将上述原药按照一定比例进行混合互配,用浸渍法测定不同药剂组合对松材线虫的毒力,筛选出最佳药剂组合,结合林间药剂注干、媒介昆虫防治等手段进行林间防治效果试验,确定适用于林间早期防治的药剂品种、使用方法,并制定相应的防治技术规程。
标准示范地建设
在川东北和川南各选择1块200亩的试验林建设松材线虫病林间早期防治研究标准示范林。将进行早期防治研究的样地作为试验组,并随机选取200亩进行常规传统(松墨天牛诱捕、枯死松树及时砍除并销毁等方式)除治作业的松林作为对照组,将对照组与实验组枯死松树发病率进行比较。力争将枯死松树的发生率降到5%以下。
作业防治效果监测
为检查试验效果,利用可见光多旋翼无人机进行防治效果监测,比较对照区和试验组的发病率。在室内利用遥感处理软件ENVI进行光谱数据处理,进行图像拼接和镶嵌、大气校正等。及时完成研究效果监测,对于后期试验计划和安排具有重要作用。
2020年3月中旬到松材线虫病发生地采集感病松树,将样品带回实验室进行松材线虫分离,可选用贝尔曼漏斗法进行,将在水中泡涨后的玉米种子放入三角瓶经高温灭菌后接入灰葡萄孢菌(Botrytis cinera Pers.),在25℃黑暗条件下,经6~7d培养,待菌丝形成垫状,取线虫悬液1mL滴加在垫状菌丝上,于同样条件下培养线虫5~7d,待大量线虫爬满三角瓶壁后停止培养,置8℃冰箱中待用。
在川南和川东北各选取一个试验样地,5月中下旬对选取的健康松树进行松材线虫接种,对试验样株进行分组,即空白对照组、感病松树光谱影像采集组、药剂筛选实验组等,试验时间为6月中旬至8月下旬,在此过程中严防松材线虫扩散,本期实验结束后及时伐除枯死树并作集中销毁。利用遥感影像处理软件对林间试验数据进行解读和分析,建立监测模型,确定野外感病松树最佳的监测时间点及林间有效试验药剂及配套使用技术。结合秋季和春季普查,2021年4月选取200亩标准示范样地,于松材线虫病最适早期监测时间点,利用无人机进行多光谱成像仪采集样地松树的遥感影像,室内分析确定疑似感病松树精准地理位置,将选取的最适林间药剂分时间段对疑似感染松材线虫病的松树进行早期防治。检查防治效果并对样地内的疫木进行清除,完善监测模型,对用药时间和防治效果进行分析,弄清最佳用药时间,翌年再次利用无人机多光谱成像仪采集样地松树的遥感影像,室内分析确定疑似感病松树精准地理位置,并对疑似感染松材线虫病的松树进行早期药剂防治。最后,2022年9月中下旬利用无人机搭载可见光相机进行防治效果检查,完成2块松材线虫病早期防治标准示范地建设;编制松材线虫病早期林间防治技术规程、地方标准1项;编写材料、准备现场,进行项目验收。
光谱影像处理:前期研究自2019年6月开始,共进行了5次(6月19日、7月19日、8月16日、9月8日和9月30日)野外高光谱影像采集。通过ENVI对获取的影像进行处理,获得了平滑的光谱曲线。从光谱曲线中可以看出健康马尾松各时期的光谱变化曲线遵循植被的反射率曲线特征,即绿光区有一个低的反射峰,近红外区存在一个高的反射峰(见图3)。
光谱影像处理结果:感病植株各时期的光谱曲线差异显著,与对照组比,表现在感病初期差异不明显,到感病后期,绿光区的反射峰逐渐减弱,直至病株完全枯萎,光谱变化曲线上的反射峰或吸收谷特征明显消失。
感病植株光谱分析:通过长时间的野外监测试验,发现3号样株于第2次野外采集时出现枯黄现象,健康植株与感病植株的光谱差异表现为:绿光区的反射峰逐渐减弱直至消失,近红外区域的宽平反射区逐渐被直线所代替,即感病后期直至死亡,反射光谱曲张逐渐变成一条直线,所有反射峰与吸收谷都逐渐减弱消失(见图4)。
感病植株光谱与实验样株比较:马尾松感病植株各时期的光谱曲线差异显著,与对照相比,表现为感病初期差异不明显,到感病中后期,绿光区的反射峰逐渐减弱,直至病株完全出现枯死,光谱变化曲线上的反射峰或吸收谷特征明显消失。
通过多种光谱组合参数筛选,760nm和675nm两波段的比值光谱指数(K)能用来确定松树是否感病。当K<8时,能确定感病植株已经到了中后期(感病时间超过60天);当K>13时,可知感病植株处于感病早期(15天以内),此时在针叶颜色和树势上完全看不出变化;当8<K<13时,必须对光谱进行定量演算,才能准确判断松树的感病状态。如图5所示。
利用光谱数据进行光谱提取,分析不同波段在不同植被指数的表现,发现通过归一化植被指数在810nm和450nm波段组合下,能较好地反映出马尾松在感病后半个月至两个月之间的状况(见图6)。
改反演预测模型为“-15.13*[NDVI(810,450)]2+27.96*NDVI(810,450)—11.36”。对于指导林间进行早期的监测和预防具有一定作用。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种松材线虫病林间早期防治方法,其特征在于,所述松材线虫病林间早期防治方法包括:
将集成可见光、多、高光谱监测、无人机技术和化学防治手段,通过高光谱和无人机搭载光谱成像仪在林间获取松林光谱信息;
在室内利用遥感影像处理软件对高光谱和多光谱图像数据处理、解读和分析,进行感病松树高光谱测定和无人机多光谱测定,获得感病松树的精准地理位置;
选用高效、安全的药剂指导林间精准防治,实现松材线虫病林间早发现、争取有效的防治时间,并进行精准防治;防治完成后,进行检查试验效果。
2.如权利要求1所述松材线虫病林间早期防治方法,其特征在于,感病松树高光谱测定时,采集数据具体过程为:
结合松墨天牛生物学特性,在5月中下旬,野外选择健康的松树进行松材线虫人工接种;
自6月中旬至9月初,利用手持式高光谱成像仪对实验样株进行光谱信息连续测定,一般每7~10天采集一次。
3.如权利要求1所述松材线虫病林间早期防治方法,其特征在于,所述遥感影像处理软件对高光谱数据处理的具体过程为:
利用遥感影像处理软件,通过去除干扰波段影响、修正畸变和影像校正,获取理想的光谱曲线;
根据不同时间段,光谱波段的变化,建立预测模型并提取发病初期的有效监测波段,研制针对松材线虫病林间早期监测的多光谱成像仪,确定松材线虫病林间最适的早期监测时间点。
4.如权利要求1所述松材线虫病林间早期防治方法,其特征在于,所述步骤二中,无人机多光谱图像采集的具体过程为:将多光谱成像仪搭载到固定翼无人机上,进行影像采集;在最适的松材线虫病早期监测时间点,选择天气状况较好的条件下飞行,此过程中进行RTK测量。
5.如权利要求1所述松材线虫病林间早期防治方法,其特征在于,遥感影像处理软件对多光谱数据处理的具体过程为:室内利用遥感影像处理软件分析处理数据,包括图像拼接和镶嵌、大气校正等,基于预测模型和自主识别,实现疑似感病松树位置的精准定位。
6.如权利要求1所述松材线虫病林间早期防治方法,其特征在于,药剂筛选的具体过程为:选用阿维菌素、甲维盐等药剂筛选试验,在室内将原药用甲醇和乳化剂配制成乳油,在96孔板各孔中加入松材线虫悬浮液;
按照设定的药剂浓度加入不同药剂,凡不运动虫体呈“J”形或“C”形、或虫体僵直、体壁无折光性者判定为死虫,计算死亡率和校正死亡率。
7.如权利要求6所述松材线虫病林间早期防治方法,其特征在于,所述将原药按照一定比例进行混合互配,用浸渍法测定不同药剂组合对松材线虫的毒力,筛选出最佳药剂组合,结合林间药剂注干、媒介昆虫防治等手段进行林间防治效果试验,确定适用于林间早期防治的药剂品种、使用方法,并制定相应的防治技术规程。
8.如权利要求1所述松材线虫病林间早期防治方法,其特征在于,防治完成后,进行检查试验效果过程为:利用可见光多旋翼无人机进行防治效果监测,比较对照区和试验组的发病率。
9.如权利要求8所述松材线虫病林间早期防治方法,其特征在于,所述可见光多旋翼无人机进行防治效果监测的过程为:获取相应的光谱数据,在室内利用遥感处理软件ENVI进行光谱数据处理,进行图像拼接和镶嵌、大气校正;及时完成研究效果监测,作出后期试验计划和安排。
10.一种实施如权利要求1~9所述松材线虫病林间早期防治方法的松材线虫病林间早期监测***,其特征在于,所述松材线虫病林间早期监测***,包括:
高光谱成像仪,利用手持式高光谱成像仪对实验样株进行光谱信息采集;
多光谱成像仪,将多光谱成像仪搭载到固定翼无人机上,进行影像采集;
中央处理模块,协调各个模块的正常运行;
数据处理模块,对于高光图像,利用遥感影像处理软件,通过去除干扰波段影响、修正畸变和影像校正等影响,获取理想的光谱曲线;对于多光谱图像,利用遥感影像处理软件分析处理数据,包括图像拼接和镶嵌、大气校正;
数据解读分析模块,对于高光图像,根据不同时间段,光谱波段的变化,建立预测模型并提取发病初期的有效监测波段,研制针对松材线虫病林间早期监测的多光谱成像仪,确定松材线虫病林间最适的早期监测时间点;对于多光谱图像,基于预测模型和自主识别,实现疑似感病松树位置的精准定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110510522.6A CN113324927A (zh) | 2021-05-11 | 2021-05-11 | 一种松材线虫病林间早期防治方法及监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110510522.6A CN113324927A (zh) | 2021-05-11 | 2021-05-11 | 一种松材线虫病林间早期防治方法及监测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113324927A true CN113324927A (zh) | 2021-08-31 |
Family
ID=77415261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110510522.6A Pending CN113324927A (zh) | 2021-05-11 | 2021-05-11 | 一种松材线虫病林间早期防治方法及监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113324927A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063686A (zh) * | 2021-11-15 | 2022-02-18 | 宁夏农林科学院植物保护研究所(宁夏植物病虫害防治重点实验室) | 农业有害生物监测预警方法 |
CN118115903A (zh) * | 2024-04-30 | 2024-05-31 | 安徽大学 | 基于ai技术松材线虫病智能识别处理*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1568705A (zh) * | 2003-07-15 | 2005-01-26 | 四川省林业科学研究院森林保护研究所 | 增殖的蜀柏毒蛾核型多角体病毒杀虫剂及其制备方法和应用 |
CN102507504A (zh) * | 2011-10-25 | 2012-06-20 | 南京林业大学 | 一种马尾松松材线虫病的高光谱监测方法 |
TWI656334B (zh) * | 2018-02-14 | 2019-04-11 | 國立中山大學 | 蘭花病蟲害高光譜成像早期偵測系統 |
CN209017712U (zh) * | 2018-10-23 | 2019-06-25 | 四川省林业科学研究院 | 一种诱虫灯及虫情监控*** |
CN110514597A (zh) * | 2019-09-04 | 2019-11-29 | 北京麦飞科技有限公司 | 基于星地遥感数据协同的农作物病虫害监测方法 |
CN110544277A (zh) * | 2019-08-12 | 2019-12-06 | 蔡建楠 | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 |
CN112345458A (zh) * | 2020-10-22 | 2021-02-09 | 南京农业大学 | 一种基于无人机多光谱影像的小麦产量估测方法 |
-
2021
- 2021-05-11 CN CN202110510522.6A patent/CN113324927A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1568705A (zh) * | 2003-07-15 | 2005-01-26 | 四川省林业科学研究院森林保护研究所 | 增殖的蜀柏毒蛾核型多角体病毒杀虫剂及其制备方法和应用 |
CN102507504A (zh) * | 2011-10-25 | 2012-06-20 | 南京林业大学 | 一种马尾松松材线虫病的高光谱监测方法 |
TWI656334B (zh) * | 2018-02-14 | 2019-04-11 | 國立中山大學 | 蘭花病蟲害高光譜成像早期偵測系統 |
CN209017712U (zh) * | 2018-10-23 | 2019-06-25 | 四川省林业科学研究院 | 一种诱虫灯及虫情监控*** |
CN110544277A (zh) * | 2019-08-12 | 2019-12-06 | 蔡建楠 | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 |
CN110514597A (zh) * | 2019-09-04 | 2019-11-29 | 北京麦飞科技有限公司 | 基于星地遥感数据协同的农作物病虫害监测方法 |
CN112345458A (zh) * | 2020-10-22 | 2021-02-09 | 南京农业大学 | 一种基于无人机多光谱影像的小麦产量估测方法 |
Non-Patent Citations (5)
Title |
---|
《建德年鉴》编纂委员会: "《建德年鉴》", 30 November 2014, 北京:方志出版社 * |
兰玉彬 等: "无人机农业遥感在农作物病虫草害诊断应用研究进展", 《智慧农业》 * |
张增光: "基于过程模型的松材线虫灾害的遥感早期识别", 《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》 * |
李嘉祺 等: "基于无人机光谱遥感和AI 技术建立松材线虫害监测模型", 《电子技术与软件工程》 * |
黄明祥 等,: "《松材线虫病害遥感监测与传播模拟研究》", 31 May 2012 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063686A (zh) * | 2021-11-15 | 2022-02-18 | 宁夏农林科学院植物保护研究所(宁夏植物病虫害防治重点实验室) | 农业有害生物监测预警方法 |
CN118115903A (zh) * | 2024-04-30 | 2024-05-31 | 安徽大学 | 基于ai技术松材线虫病智能识别处理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barreto et al. | Hyperspectral imaging of symptoms induced by Rhizoctonia solani in sugar beet: Comparison of input data and different machine learning algorithms | |
US7715013B2 (en) | Optical system for plant characterization | |
Bendel et al. | Evaluating the suitability of hyper-and multispectral imaging to detect foliar symptoms of the grapevine trunk disease Esca in vineyards | |
CN109613022A (zh) | 一种低空高光谱遥感检测柑橘黄龙病的方法、装置及*** | |
US20060006335A1 (en) | Method for detecting and managing nematode population | |
Cotrozzi | Spectroscopic detection of forest diseases: a review (1970–2020) | |
Akhtman et al. | Application of hyperspectural images and ground data for precision farming | |
CN108334110A (zh) | 一种基于无人机的林业病害监测方法和装置 | |
Lang et al. | Detection of chlorophyll content in maize canopy from UAV imagery | |
CN115115955B (zh) | 基于无人机高光谱遥感的松材线虫病树监测方法与装置 | |
CN115495703B (zh) | 一种基于机载多光谱数据的烟草成熟度检测方法及*** | |
CN116030343A (zh) | 一种基于机器视觉识别的农作物病虫害监管*** | |
CN113324927A (zh) | 一种松材线虫病林间早期防治方法及监测*** | |
Allen et al. | Detection of Root, Butt, and Stem Rot presence in Norway spruce with hyperspectral imagery | |
Ismail et al. | Discriminating Sirex noctilio attack in pine forest plantations in South Africa using high spectral resolution data | |
CN109211802B (zh) | 监测感染松材线虫病枯死马尾松的方法 | |
CN109142237B (zh) | 一种监测感染松材线虫病枯死马尾松的卫星光谱指数 | |
Zhao et al. | Characterization of the rice canopy infested with brown spot disease using field hyperspectral data | |
CN110096970A (zh) | 基于wv3卫星影像的松林变色立木单株标识方法 | |
CN115761542A (zh) | 一种基于无人机遥感图像的冬小麦穗期病虫害程度评价方法 | |
Papić et al. | On Olive Groves Analysis using UAVs | |
Li et al. | Identifying Nematode-Induced Wilt Using Hyperspectral Drone Images and Assessing the Potential of Early Detection | |
Kang et al. | A novel remote sensing approach to recognize and monitor red palm weevil in date palm trees | |
CN114120128A (zh) | 基于深度学习与机器学习的无人机遥感乔木改种检测方法 | |
Chen et al. | Deep learning for almond fruit detection at different growth stages for orchards pest management using unmanned aerial vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210831 |