陕北沙区长柄扁桃害虫种类及危害调查

阎雄飞; 王庭昊; 史腾; 杨涛; 李刚; 郑晰

doi:10.12171/j.1000-1522.20210487

陕北沙区长柄扁桃害虫种类及危害调查

阎雄飞^1,,
王庭昊¹,
史腾¹,
杨涛²,
李刚¹,
郑晰³

1.
榆林学院生命科学学院，陕西榆林 719000
2.
陕西省林业科学院，陕西西安 710082
3.
榆林学院绥德师范校区，陕西榆林 718000

基金项目: 陕西省重点研发计划一般项目（2023-YBNY-006），陕西省大学生创新创业训练计划项目（S202111395044），陕西省科技计划项目特色产业创新链（群）（2019TSLNY03-03），榆林市科技局产学研项目（CXY-2020-010-03）

详细信息

作者简介:
阎雄飞，博士，教授。主要研究方向：林木有害生物综合治理。Email：yxfei1220@126.com　地址：719000 陕西省榆林市榆阳区崇文路4 号榆林学院生命科学学院

中图分类号: S763；S433
计量
- 文章访问数: 523
- HTML全文浏览量: 137
- PDF下载量: 84
出版历程
- 收稿日期: 2021-11-22
- 修回日期: 2021-12-24
- 录用日期: 2023-03-02
- 网络出版日期: 2023-03-05
- 发布日期: 2023-04-24

Investigation on the species and harm of pests on Amygdalus pedunculatus in the sandy area of northern Shaanxi Province of northwestern China

1.
Life and Science College, Yulin University, Yulin 719000, Shaanxi, China
2.
Shaanxi Academy of Forestry Sciences, Xi’an 710082, Shaanxi, China
3.
Suide Normal School, Yulin University, Yulin 718000, Shaanxi, China

摘要

摘要:
目的长柄扁桃是陕北沙区重要生态树种和经济树种，在区域经济和生态建设中发挥着重要作用。近年来受到多种害虫侵扰，受害面积不断增加且日益严重。为此进行了该研究，以明确陕北沙区长柄扁桃害虫种类及害虫危害情况，为今后长柄扁桃害虫监测和科学防控提供基础资料。
方法于2017年3月至2020年10月，采用人工采集法和黑光灯诱法对陕北沙区长柄扁桃害虫进行采集，对采集到的标本进行了鉴定、整理和区系分析；随后采用标准地调查法对害虫的危害程度做了系统的调查。
结果共计调查到陕北沙区长柄扁桃害虫35种，隶属3个目19科，鞘翅目害虫种类为15种，占害虫种类的42.86%；半翅目害虫种类为11种，占害虫种类的31.43%；鳞翅目害虫种类为9种，占害虫总数的25.71%。区系分析表明，长柄扁桃的鞘翅目害虫古北种最多，占73.33%，鳞翅目害虫和半翅目害虫广布种最多，分别占88.89%和 81.82%。危害程度研究表明，危害严重的害虫有5种，危害中度的害虫有8种，危害轻的害虫有22种。
结论陕北沙区长柄扁桃害虫主要分布在鞘翅目和半翅目，鞘翅目害虫以古北种为主，半翅目和鳞翅目害虫以广布种为主。长柄扁桃害虫的优势种为华北大黑鳃金龟、苹毛丽金龟、阿拉善舌喙象、李小食心虫和桃蚜。
- 长柄扁桃 /
- 陕北沙区 /
- 害虫种类 /
- 危害情况
Abstract:
Objective Amygdalus pedunculatus is an important ecological and economic tree species in the sandy area of northern Shaanxi Province of northwestern China, which plays an important role in regional economy and ecological construction. In recent years, they have been disturbed by a variety of pests, and the damaged area is increasing and becoming more and more serious. In this study, the species and harm of pests on A. pedunculatus in the sandy area of northern Shaanxi Province were clarified, so as to provide basic data for the monitoring and scientific prevention and control of watermelon pests.
Method From March 2017 to October 2020, pests on A. pedunculatus were collected by manual collection and black light trap in the sandy area of Northern Shaanxi Province, and the collected pests specimen were identified, sorted and floristicly analyzed. Then, the damage degree of pests was systematically investigated by standard field investigation method.
Result There were 35 species of pests recorded belonging to 3 orders and 19 families in the sandy area of northern Shaanxi Province, among which, 15 species belong to Coleoptera, accounting for 42.86%; 11 species belong to Hemiptera, accounting for 31.43%; and 9 species belong to Lepidoptera, accounting for 25.71%. The faunas analysis showed that The Palaearctic species of Coleoptera pests on A. pedunculata were the most, accounting for 73.33%, and the widespread species of Lepidoptera and Hemiptera pests were the most, accounting for 88.89% and 81.82%, respectively. The analysis of pest damage degree showed that there were 5 kinds of serious pests, 8 kinds of moderate pests and 22 kinds of light pests on A. pedunculata.
Conclusion Coleoptera and Hemiptera are the main pests on A. pedunculata in the sandy area of northern Shaanxi Province. Among them, Coleoptera pests are mainly Palaearctic species, while Hemiptera and Lepidoptera pests are mainly widespread species. The main pests on A. pedunculata are Proagopertha lucidula, Diglossotrox alashanicus, Grapholitha funebrana and Myzus persicae.
- Amygdalus pedunculatus /
- sandy area in northern Shaanxi Province /
- pest species /
- hazard situation

HTML全文

森林火灾是一种危害性极大的自然灾害，及时并准确检测森林火灾是森林防火的重要内容之一。森林烟火探测方法一般采用地面巡护、瞭望台监测、地面雷达、卫星遥感和分布式传感器网络技术^[1]。这些技术多是通过火灾探测器中的参量分析来判断森林中是否发生了火灾，但是复杂的森林环境容易干扰其信号，降低火灾检测的准确率。随着计算机技术的发展，利用图像及视频分析技术检测森林烟火的方法越来越多。视频火灾检测技术具有更广的空间覆盖，且森林火灾检测准确率更高。现有的利用图像及视频分析技术检测森林烟火算法多是针对可见光视频。基于可见光视频的森林烟火检测算法一般是检测火焰或烟的颜色特征、纹理特征和动态特征。武桂林等^[2]采用最小均方算法对视频中基于慢运动物体检测、烟雾颜色区域检测、上升烟区检测、阴影检测与去除等4个子算法进行加权得到决策值以判断是否发生火灾；Jia等^[3]通过森林火灾中的颜色和运动特征得到显著特征图像，再根据运动能量特征与显著特征图像估计可疑烟区；Ko等^[4]利用森林火灾中烟的时空差异特征与随机森林相结合检测森林火灾；Krstini等^[5]分析森林火灾中有烟区域和无烟区域在不同颜色空间的直方图特征，实现对森林火灾中烟的实时检测；Yuan^[6]提取森林火灾中烟的纹理特征，将图像LBP和LBPV的直方图序列与神经网络分类器结合实现视频中烟的检测；邵婧等^[7]提出一种基于动态纹理特征分析的火灾检测算法，他们对视频图像建立线性动力系统模型，分析其动态纹理特征，最后采用Adaboost分类器判断是否发生火灾。上述基于可见光视频的森林烟火检测算法虽然利用多种火灾的颜色、纹理及动态特征，但是很难适应森林中复杂的环境变化。现阶段森林烟火检测还有针对红外视频的算法，张红民等^[8]提出了一种基于邻域对比的目标提取算法检测红外视频中的森林火灾。因为在红外视频中森林火点为高温区域，所以基于红外视频检测森林火灾的算法一般采用传感器网络处理得到的火灾信号^[9]，但是红外视频中与森林火点具有相似特征的影响因素比较多，尤其在白天，经过阳光照射的石头、工作设备等都属于干扰因素，容易影响算法的准确度，因此森林火灾的误检率也比较高。由于森林烟火在可见光视频和红外视频中具有各自不同的特点，将两种视频中的数据进行融合可以保留森林火灾在两种视频中的特征，更有利于森林烟火检测，但是国内外在森林火灾的可见光视频和红外视频融合方面的研究非常少，王进成等^[10]采用编号标记、编号生存期等一系列标记机制跟踪识别火焰目标，并采用基于图像轮廓的算法，结合硬件DSP与ARM双系统组合检测火灾。上述的基于红外和可见光视频融合的火灾检测更侧重的是硬件方面的设计，并且实验环境比较简单，完全不同于森林火灾的复杂环境情况，因此本文基于红外视频和可见光视频的森林烟火检测方法，提出了一种基于分数阶微分的红外和可见光融合算法。

本文提出一种新的基于分数阶微分融合(Fractional-Calculus Based Fusion Algorithm, 简称FCBF算法)红外和可见光视频的森林烟火检测算法可对林区烟火进行实时准确的检测。首先，基于分数阶微分理论将红外视频和可见光视频融合；然后，再对融合后的视频采用背景减法判断是否出现异常情况，如若判断发生异常，则提取异常帧图像进行阈值分割，同时也提取背景帧与异常帧的差分图像，再对差分图像进行阈值分割；最后，对分割后的异常帧图像与差分图像进行去噪处理，得到森林烟火区域并在融合视频中将其用黑色的方框框出。实验结果表明，本文算法能够提高森林中烟火检测的准确率，从而减少误检和漏检的情况。

1. 算法介绍

分数阶微分是数学分析领域的一个重要分支，它是整数阶微分运算的推广，但由于微分的分数阶概念不宜理解，因此没有得到广泛应用。数字图像处理中经典的基于一阶微分的Sobel算子、Prewitt算子、Roberts算子和基于二阶微分的Laplace算子等都是由数学中的模型衍生而来，因此将非整数步长的分数阶微分应用到数字图像处理中具有广阔的发展前景。

目前，分数阶微分在数字图像处理中主要应用于去噪、图像增强以及边缘检测。Zhang等^[11]分析了不同阶次的微分对图像中高斯噪声的去除效果，发现分数阶的微分去噪效果优于整数阶微分，并且图像结构和纹理的保留情况也比整数阶微分效果好；Pu等^[12]利用分数阶微分提出了一种纹理图像去噪模型，因为与整数阶微分相比，分数阶微分能非线性增强图像中复杂的纹理细节信息，能更好地保留图像中的边缘和纹理信息；Yang等^[13]先用分数阶微分增强遥感图像以提取图像中的道路，其实验结果表明，较于传统的图像增强方法，基于分数阶微分的图像增强方法对于检测狭窄、模糊的道路效果更好；Chi等^[14]通过分数阶微分提取掌纹，并与采用经典的Sobel算子、Prewitt算子和Laplace算子的实验结果进行比较，其峰值信噪比明显高于经典的整数阶算子；Ghamisi等^[15]提出了分数阶达尔文粒子群优化算法，图像分割结果优于经典的图像阈值分割结果。

本文创新性地提出了一种基于分数阶微分融合算法(FCBF算法)，该算法融合红外和可见光视频图像进行森林烟火检测。FCBF算法主要利用分数阶微积分思想代替图像的梯度信息，然后通过比较同一位置处红外和可见光图像中的分数阶微分值确定最终融合图像的像素值。实验结果表明，该融合算法在降低算法复杂度的同时增强像素的邻域信息从而得到更好的边缘信息。

本文提出的森林烟火检测算法流程如图 1所示。首先，采用基于分数阶微分理论融合红外视频和可见光视频；然后，对融合后的视频采用背景减法判断是否出现异常情况，即森林中是否发生火灾；如果判断融合视频中出现异常情况，则提取异常帧图像进行R-C阈值分割，同时也提取背景帧图像与异常帧图像进行差分，再对差分图像进行矩不变法阈值分割；最后，对分割后的异常帧图像与差分图像取交集区域，并采用自适应局部平滑法去除噪声，得到森林烟火区域，在融合视频中将检测到的森林烟火区域用黑色方框框出。

图 1 基于可见光和红外融合视频的森林烟火检测算法流程

Figure 1. Forest fire detection algorithm process based on visible light and infrared fusion video

下载: 全尺寸图片幻灯片

1.1 本文算法主要步骤

Step 1：基于FCBF算法融合红外和可见光图像，见图 2。

图 2 FCBF算法step 1实验结果

Figure 2. Experiment results of step 1 based on FCBF algorithm

下载: 全尺寸图片幻灯片

Step 2：背景法判断是否出现异常，对序列图像作减法运算。

设视频的序列图像f_i(x, y), i=0, 1, 2, …，N，(x, y)为图像中各个像素的坐标，N为连续序列图像的帧数目。两幅图像的差值计算公式为：

$\Delta {f_i}\left( {x,y} \right) = {f_i}\left( {x,y} \right) - {f_0}\left( {x,y} \right) = \left\{ {\begin{array}{*{20}{l}} {0,\;\;\Delta {f_i}\left( {x,y} \right) < T}&{}\\ {1,\;\;\Delta {f_i}\left( {x,y} \right) \ge T}&{} \end{array}} \right.$

(1)

式中：Δf_i(x, y)为两幅图像的差值，f_i(x, y)为当前图像，f₀(x, y)为背景图像，T为阈值(T为经验值)。

用两幅图像的差值与阈值T的比较判断视频中是否出现异常：如果出现异常，进行Step 3~7；如未出现异常，则摄像头继续进行检测。

Step 3：背景图像与异常帧进行差分，然后采用矩不变法对差分图像阈值分割。

Step 4：异常帧图像则是可能存在森林火灾的图像，因此对异常帧图像要进行可疑火点区域判断，对异常帧图像进行R-C法阈值分割。

Step 5：异常帧的阈值分割图像与差分的阈值分割图像取交集区域，见图 3。

图 3 FCBF算法step 3至step 5实验结果

Figure 3. Experiment results of step 3-step 5 based on FCBF algorithm

下载: 全尺寸图片幻灯片

Step 6：采用自适应局部平滑方法去除分割图像的噪声，得到可疑火点区域图像，见图 4a。

图 4 FCBF算法step 6和step 7实验结果

Figure 4. Experiment results of step 6 & step 7 based on

下载: 全尺寸图片幻灯片

Step 7：可疑火点区域图像中的最大连通区域即为森林火灾区域，在融合图像中用黑色线条框出森林火灾区域，见图 4b。

1.2 本文算法创新点

本文是基于红外和可见光波段的融合视频检测森林火点，采用基于小波变换和Contourlet变换的融合算法需要图像分解、融合再重构，其过程比较繁琐，视频融合算法复杂度高，实时性差，不适用于实际的林火监测；然而基于区域能量的融合算法虽然可以反映红外和可见光图像中明显的亮度突变，但又忽略了微小的细节变化，使得融合图像比较模糊，出现清晰度下降和信息熵减少等情况；基于窗口方差的融合算法使得融合图像的对比度下降、目标指示能力减弱，并不能充分提取红外图像与可见光图像的互补信息。采用基于HSI变换的融合算法虽然提高了融合图像的空间分辨率，但使得融合后的图像色调饱和度值产生了扭曲，融合图像中出现色块，严重影响融合图像的效果。

为解决上述算法中出现的问题，既能实现红外和可见光视频的实时融合，又可以尽可能保留红外和可见光视频中森林火点的特征，本文将分数阶微分理论引入红外和可见光视频融合技术中，并创新性地提出一种基于分数阶微分融合算子的森林烟火检测算法(FCBF算法)，该算法对红外视频及可见光视频图像的分数阶微分值进行加权得到融合图像，并分析该融合图像检测森林烟火区域。

由于分数阶微积分的计算过程复杂，为了降低算法的复杂度, 我们利用图 5所示分数阶微分算子计算图像的分数阶微分值。

图 5 本文提出的分数阶微分算子

Figure 5. Proposed fractional-calculus operator

下载: 全尺寸图片幻灯片

图 5中的像素模板结构考虑到了当前像素在两个坐标轴正负向以及斜45°邻域方向的像素信息。FCBF算法采用图 5中的分数阶微分算子同时扫描待融合的红外和可见光图像，计算图像中同一位置处红外和可见光图像的分数阶微分值，分数阶微分值D的计算公式为：

$D = \left\{ {\frac{1}{{8 - 24v + 16{v^2}}}\left| {\begin{array}{*{20}{l}} {2{v^2} - v}&{\;\;0}&{2{v^2} - v}&{\;\;0}&{2{v^2} - v}\\ {\;\;\;\;0}&{ - 2v}&{\;\; - 2v}&{ - 2v}&{\;\;\;\;0}\\ {2{v^2} - v}&{ - 2v}&{\;\;\;\;8}&{ - 2v}&{2{v^2} - v}\\ {\;\;\;\;0}&{ - 2v}&{\;\; - 2v}&{ - 2v}&{\;\;\;\;0}\\ {2{v^2} - v}&{\;\;0}&{2{v^2} - v}&{\;\;0}&{2{v^2} - v} \end{array}} \right| - 1{\rm{ }}} \right\}I$

(2)

式中：D为分数阶微分值，v为微分阶数(经验值为0.1)，I为待融合的红外和可见光图像中模板对应的像素点的像素值。

如将同一位置处红外图像和可见光图像的分数阶微分值D作为衡量图像信息的重要程度，并利用分数阶微分值D得到融合权重系数w_A和w_B。计算公式为：

${w_{\rm{A}}} = \frac{{{D_{\rm{A}}}}}{{{D_{\rm{A}}} + {D_{\rm{B}}}}}$

(3)

${w_{\rm{B}}} = 1 - {w_{\rm{A}}}$

(4)

式中：A和B分别代表红外图像和可见光图像，D_A和D_B表示红外和可见光图像的分数阶微分值。

融合图像F的像素值可由下式得出：

${f_{\rm{F}}}\left( {i, {\rm{ }}j} \right) = {w_{\rm{A}}}{f_{\rm{A}}}\left( {i, j} \right) + {w_{\rm{B}}}{f_{\rm{B}}}\left( {i, j} \right)$

(5)

式中：f_A(i, j)、f_B(i, j)和f_F(i, j)分别表示红外、可见光和融合图像中像素点(i, j)的像素值，w_A和w_B表示红外和可见光图像在融合图像中所占的权重。

2. 结果与分析

本文实验数据为北京门头沟林区红外视频和可见光视频，实验中采用了2m×2m的加热板(65~90℃)模拟红外视频中的森林火点，同时采用烟雾弹(饼)模拟可见光视频中的森林火灾中的烟。图 6~9是门头沟4个不同火点的红外及可见光原始视频帧图像、融合后的图像及森林烟火的检测结果。为了阐明本文提出的FCBF算法的有效性，作者比较了FCBF算法与基于区域能量融合规则^[16]、基于窗口方差融合规则^[17]和基于HSI变换融合算法的图像融合效果、林火检测准确率和森林烟火检测时间的误差度。

图 6 不同融合算法生成的融合图像及林区烟火检测结果(门头沟1号火点)

Figure 6. Results of forest fire detection based on different fusion algorithms (No.1 fire point in Mentougou District)

下载: 全尺寸图片幻灯片

图 7 不同融合算法生成的融合图像及林区烟火检测结果(门头沟2号火点)

Figure 7. Results of forest fire detection based on different fusion algorithms (No.2 fire point in Mentougou District)

下载: 全尺寸图片幻灯片

图 8 不同融合算法生成的融合图像及林区烟火检测结果(门头沟3号火点)

Figure 8. Results of forest fire detection based on different fusion algorithms (No.3 fire point in Mentougou District)

下载: 全尺寸图片幻灯片

图 9 不同融合算法生成的融合图像及林区烟火检测结果(门头沟4号火点)

Figure 9. Results of forest fire detection based on different fusion algorithms (No.4 fire point in Mentougou District)

下载: 全尺寸图片幻灯片

图 6~9中：a为可见光图像；b为红外图像；c和d为基于区域能量算法融合图像及其检测结果；e和f为基于窗口方差算法融合图像及其检测结果；g和h为基于HSI变换算法融合图像及其检测结果；i和j为基于FCBF算法融合图像及其检测结果。图 6~9中如果检测到森林烟火发生，则将该区域用黑色方框标记。从图 6~9中可以看出，基于分数阶微分融合的图像细节信息保留情况优于其他3种方法，FCBF算法的融合图像更为清晰，并且森林火灾监测更为准确。例如，在图 7e、f中，基于窗口方差融合算法没有检测到森林烟火区域；在图 8c、d中，基于区域能量融合算法出现了误检的情况；在图 9c、d中，基于区域能量融合算法检测出的森林烟火区域不精确；而图 6~9的g、h中，基于HSI变换融合算法均无法检测出森林火灾区域，其原因可能是该算法用红外图像信息代替了可见光图像中的I通道信息，而森林火灾的烟在I通道中特征比较明显，因此降低了森林火灾区域检测的准确率且使得融合图像中出现大片失真的蓝色区域。

本文比较了FCBF算法、基于区域能量融合算法、基于窗口方差融合算法和基于HSI变换融合算法的图像融合效果、对森林烟火检测的准确率和森林火灾发生初期的时间误差度。文中采用空间频率和平均梯度作为图像融合效果的评判测度。4种测度定义如下。

1) 空间频率S

$S = \sqrt {{R^2} + {C^2}}$

(6)

式中：R为图像的行频率，C为图像的列频率。

图像的空间频率能够反映图像空间域的整体活跃程度，因此图像的空间频率越大，图像的效果越好。

$R = \sqrt {\frac{1}{{MN}}\sum\limits_{i = 1}^M {\sum\limits_{j = 2}^N {{{\left[ {F\left( {i, j} \right) - F\left( {i, j - 1} \right)} \right]}^2}} } }$

(7)

式中：M为窗口的长度，N为窗口的宽度，F(i, j)为图像中像素值。

$C = \sqrt {\frac{1}{{MN}}\sum\limits_{j = 1}^N {\sum\limits_{i = 2}^M {{{\left[ {F\left( {i, j} \right) - F\left( {i - 1, j} \right)} \right]}^2}} } } {\rm{ }}$

(8)

2) 平均梯度AG

$\begin{array}{l} \;\;{\rm{AG}} = \frac{1}{{\left( {M - 1} \right)\left( {N - 1} \right)}}\sum\limits_{i = 1}^{M - 1} {\sum\limits_{j = 1}^{N - 1} {[((F\left( {i, j} \right) - } } \\ F\left( {i + 1, j} \right){)^2} + {\left( {F\left( {i, j} \right) - F\left( {i, j + 1} \right)} \right)^2})/2{]^{\frac{1}{2}}} \end{array}$

(9)

平均梯度指的是敏感反映图像对微小细节反差表达的能力，同时也可以反映图像的清晰度，因此图像的平均梯度越大，图像就越清晰。

3) 森林烟火检测的准确率P

$P = \frac{{{T_{\rm{P}}}}}{{{T_{\rm{P}}} + {F_{\rm{P}}}}} \times 100\%$

(10)

式中：T_P表示准确检测到的森林烟火的帧数，F_P为漏检和误检的帧数。

森林烟火检测的准确率P展现了算法的有效性和鲁棒性。

4) 森林火灾的时间误差度T

$T = \frac{{|{D_{\rm{T}}} - {P_{\rm{T}}}|}}{{{P_{\rm{T}}}}} \times 100\%$

(11)

式中：D_T为检测到森林火灾发生的时间，P_T为实际森林火灾发生的时间。

该时间测度反映了算法对森林火灾发生初期的时间灵敏程度，因此T值越小，算法就越有效。

从表 1可以看出：本文提出的FCBF算法的空间频率和平均梯度均高于其他3种算法，因此实验结果表明FCBF算法的图像融合效果最好；FCBF算法在森林烟火检测准确率和时间误差度方面明显优于其他3种算法，基于HSI变换的图像融合算法准确率最低且时间误差度最高。通过表 1数据的综合评判可知，FCBF算法的图像融合效果最好，并且森林烟火检测的准确率和时间灵敏程度最好，所以本文提出的FCBF算法很有效。

表 1 FCBF算法与其他3种算法性能比较

Table 1. Comparison of FCBF algorithm and other algorithms

算法 Algorithm	空间频率 Spatial frequency(S)	平均梯度 Average gradient(AG)	准确率 Detection accuracy rate(P)/%	时间误差度 Detection time rate(T)/%
HSI变换融合算法HSI fusion algorithm	16.3270	7.8280	1.26	56.12
区域能量融合算法Regional energy fusion algorithm	28.3191	12.3122	86.20	38.57
窗口方差融合算法Regional variance fusion algorithm	32.5767	16.1555	87.13	21.14
FCBF算法FCBF algorithm	35.9066	19.6399	91.85	2.03

下载: 导出CSV

| 显示表格

3. 结论

本文主要研究红外和可见光视频融合算法及基于融合图像分析的森林烟火检测技术，提出了一种新的基于分数阶微分融合红外和可见光视频的森林火灾检测算法(FCBF算法)。实验结果表明，本文提出的FCBF算法中的红外和可见光的融合图像比基于区域能量融合图像、基于窗口方差融合图像和基于HSI变换融合图像更为清晰丰富。同时，本文对FCBF算法、基于区域能量融合算法、基于窗口方差融合算法和基于HSI变换融合算法的图像融合效果、森林烟火检测的准确率和森林火灾发生初期检测的时间误差度进行了定量比较。FCBF算法在空间频率和平均梯度这两个反映图像融合效果的评价准则方面均优于其他3种算法；FCBF算法比基于区域能量融合算法错检和漏检情况少，对于森林烟火检测的准确率和检测的时间误差度优于其他3种算法，并且明显优于基于HSI变换融合算法。本文算法可以在比较复杂的森林环境中非常准确地检测到火灾初期的烟和火，并且能够精准显示出森林烟火的发生地点以及火灾的变化过程，因此可以及时预警森林火灾的发生，为防止森林火灾的蔓延提供了有利的途径。

图 1 陕北沙区危害长柄扁桃害虫组成

Figure 1. Composition of pests on Amygdalus pedunculata in the sandy area of northern Shaanxi Province

下载: 全尺寸图片幻灯片

表 1 长柄扁桃害虫调查样地情况

Table 1 Basic situation of investigated sample plots of pests on Amygdalus pedunculatus

序号 No.	样地所在地点 Location of sample plot	纬度 Latitude	经度 Longitude	林地类型 Forest land type
1	榆阳区孟家湾乡 Mengjiawan Township, Yuyang District	38°35′28″N	109°39′41″E	天然林 Natural forest
2	神木市锦界镇 Jinjie Town, Shenmu City	38°45′28″N	110°11′04″E	天然林 Natural forest
3	长柄扁桃国家工程技术中心基地 Base of the National Engineering and Technology Center for Amygdalus pedunculata	38°18′10″N	109°41′55″E	人工林 Plantation

下载: 导出CSV

表 2 长柄扁桃害虫危害程度划分标准

Table 2 Division standard of damage degree of pests on Amygdalus pedunculatus

危害等级 Damage degree	划分标准 Standard of division	表示符号 Symbol of representation
Ⅰ	表示发生数量少，或发生量大，但危害轻 Pest population is small, or the pest population is large but the harm is light 失叶面积 ≤ 25%，或枝梢被害率 ≤ 15%，或被害株率（干或根） ≤ 8%，或花和果实被害率 ≤ 15% Leaf loss area ≤ 25%, or shoot damage rate ≤ 15%, or plant damage rate (stem or root) ≤ 8%, or flower and fruit damage rate ≤ 15%	+
Ⅱ	表示发生数量大，但危害较轻 Pest population is large, but the damage is relatively light 25% < 失叶面积 ≤ 55%，或15% < 枝梢被害率 ≤ 35%，或10% < 被害株率（干或根） ≤ 20%，或15% < 花和果实被害率 ≤ 25% 25% < leaf loss area ≤ 55%, or 15% < shoot damage rate ≤ 35%, or 10% < plant damage rate (stem or root) ≤ 20%, or 15% < flower and fruit damage rate ≤ 25%	++
Ⅲ	表示发生数量大，危害严重 Pest population is large, and the damage is serious 失叶面积 > 55%，或枝梢被害率 > 35%，或被害株率（干或根） > 20%，或花和果实被害率 > 25% Leaf loss area > 55%, or shoot damage rate > 35%, or plant damage rate (stem or root) > 20%, or flower and fruit damage rate > 25%	+++

下载: 导出CSV

表 3 陕北沙区长柄扁桃害虫种类及危害程度

Table 3 Pest species and damage degree on Amygdalus Pedunculatus in the sandy area of northern Shaanxi Province

目 Oder	科 Family	种 Species	危害部位 Damage part	危害程度 Damage degree
鞘翅目 Coleoptera	鳃金龟科 Melolonthidae	华北大黑鳃金龟 Hloltrichia oblita	根 Root	+++
		暗黑鳃金龟 H. parallela	根 Root	++
		小黑齿爪鳃金龟 H. picea	根 Root	+
		棕色鳃金龟 H. titanis	根 Root	+
		黑绒金龟 Maladera orientalis	根 Root	++
		二色希鳃金龟 Hilyotrogus bicoloreus	根 Root	++
	丽金龟科 Rutelidae	四纹丽金龟 Popillia quadriguttata	根、叶 Root and leaf	+
		苹毛丽金龟 Proagopertha lucidula	根、花 Root and flower	+++
		铜绿异丽金龟 Anomala corpulenta	根、叶 Root and leaf	++
	芫菁科 Meloidae	绿芫菁 Lytta caraganae	叶 Leaf	+
	芫菁科 Meloidae	苹斑芫菁 Meloecalida sp.	花 Flower	+
	象甲科 Curculionidae	阿拉善舌喙象 Diglossotrox alashanicus	叶、枝稍 Leaf and shoot	+++
	象甲科 Curculionidae	桃长鼻象 Rhynchites sp.	叶、枝稍 Leaf and shoot	+
	叶甲科 Chrysomelidae	蓝叶甲 Chrysolina sp.	花 Flower	+
	天牛科 Cerambycidae	桃红颈天牛 Aromia bungii	干 Trunk	+
鳞翅目 Lepidopter	螟蛾科 Pyralidae	桃蛀螟 Dichocrocis punctiferalis	果实 Fruit	+
	螟蛾科 Pyralidae	草地螟 Loxostege sticticalis	叶 Leaf	+
	天蛾科 Sphingidae	桃天蛾 Maurmba gaschkewitschii	叶 Leaf	+
	夜蛾科 Noctuidae	小地老虎 Agrotis ypsilon	根 Root	+
	蛀果蛾科 Tortricidae	桃小食心虫 Carposinasa sakii	果实 Fruit	++
	卷蛾科 Carposinadae	李小食心虫 Grapholitha funebrana	果实 Fruit	+++
	刺蛾科 Limacodidae	褐边绿刺蛾 Parasa consocia	叶 Leaf	+
	刺蛾科 Limacodidae	黄刺蛾 Monema flavescens	叶 Leaf	++
	祝蛾科 Lecithoceridae	梅祝蛾 Scythropiodes sp.	叶 Leaf	++
半翅目 Hemiptera	蚜科 Aphididae	桃蚜 Myzus persicae	叶、枝稍 Leaf and shoot	+++
		桃粉蚜 Hyalopterus amygdali	叶、枝稍 Leaf and shoot	+
		桃瘤蚜 Phylloxera notabilis	叶、枝稍 Leaf and shoot	+
	叶蝉科 Cicadeiiidae	大青叶蝉 Cicadella viridis	叶、枝稍 Leaf and shoot	+
		桃小绿叶蝉 Empoasca flavscens	叶、枝稍 Leaf and shoot	+
		桃小叶蝉 Erythroneura sudra	叶、枝稍 Leaf and shoot	+
	盲蝽科 Miridae	绿盲蝽 Apolygus lucorum	叶、枝稍 Leaf and shoot	+
	蝽科 Pentatomidae	茶翅蝽 Halyomorpha halys	叶、枝稍 Leaf and shoot	+
	蝽科 Pentatomidae	斑须蝽 Dolycoris baccarum	叶、枝稍 Leaf and shoot	+
	盾蚧科 Diaspididae	桑白蚧 Pseudaulacaspis pentagona	枝、干 Branch and trunk	++
	粉蚧科 Pseudococcidae	康氏粉蚧 Pseudococcus comstocki	枝、干 Branch and trunk	+

下载: 导出CSV

表 4 不同区系长柄扁桃害虫种类

Table 4 Species of pests on Amygdalus pedunculata in different faunas

目 Order	科数 Family number	古北种 Palaearctic species		东洋种 Oriental species		广布种 Widespread species		合计 Total
目 Order	科数 Family number	数量 Number	比例 Percentage/%	数量 Number	比例 Percentage/%	数量 Number	比例 Percentage/%	数量 Number	比例 Percentage/%
鞘翅目 Coleoptera	6	11	73.33	—	—	4	26.67	15	100
鳞翅目 Lepidopter	7	1	11.11	—	—	8	88.89	9	100
半翅目 Hemiptera	6	2	18.18	—	—	9	81.82	11	100
合计 Total	19	14	40.00	—	—	21	60.00	35	100
注：“—”表明经调查、鉴定无此类昆虫。Notes: “—” shows that there is no such insect after investigation and identification.

下载: 导出CSV

参考文献(31)

[1]	符雅儒, 万子俊. 沙地植物柄扁桃的生物学特性及引种栽培的研究[J]. 西北植物学报, 1996, 16(5): 19−23. Fu Y R, Wan Z J. The biological characteristics and intruduction and domestication of Prunus prdunculata[J]. Acta Botanica Boreali-Occidentalia Sinica, 1996, 16(5): 19−23.
[2]	郭春会, 罗梦, 马玉华, 等. 沙地濒危植物长柄扁桃特性研究进展[J]. 西北农林科技大学学报(自然科学版), 2005, 33(12): 125−129. Guo C H, Luo M, Ma Y H, et al. Advances of characteristic researeh of threatened long carpopodium almond[J]. Journal of Northwest A&F University (Nature Science Edition), 2005, 33(12): 125−129.
[3]	褚建民, 李毅夫, 张雷, 等. 濒危物种长柄扁桃的潜在分布与保护策略[J]. 生物多样性, 2017, 25(8): 799−806. doi: 10.17520/biods.2015218 Chu J M, Li Y F, Zhang L, et al. Potential distribution range and conservation strategies for the endangered species Amygdalus pedunculata[J]. Biodiversity Science, 2017, 25(8): 799−806. doi: 10.17520/biods.2015218
[4]	王伟, 许新桥, 张应龙, 等. 长柄扁桃[M]. 北京: 中国林业出版社, 2018: 12−48. Wang W, Xu X Q, Zhang Y L, et al. Amygdalus pedunculata[M]. Beijing: China Forestry Publishing House, 2018: 12−48.
[5]	李荣, 史社强, 曹双成, 等. 优良固沙与油料灌木长柄扁桃在毛乌素沙地治沙中的应用[J]. 陕西林业科技, 2015(1): 68−71. doi: 10.3969/j.issn.1001-2117.2015.01.019 Li R, Shi S Q, Cao S C, et al. Use Prunes pedunculata for sand control and oil production[J]. Shaanxi Forestry Science and Technology, 2015(1): 68−71. doi: 10.3969/j.issn.1001-2117.2015.01.019
[6]	杜宣利, 杨帆, 娄丽娟, 等. 长柄扁桃油的开发与研究进展[J]. 粮食与食品工业, 2012, 19(6): 46−49. doi: 10.3969/j.issn.1672-5026.2012.06.018 Du X L, Yang F, Lou L J, et al. Development and research advance of Amygdalus pedunculatus Pall. seed oil[J]. Cereal & Food Industry, 2012, 19(6): 46−49. doi: 10.3969/j.issn.1672-5026.2012.06.018
[7]	王娅丽, 李永华, 王钰, 等. 3种扁桃属植物营养成分分析[J]. 广东农业科学, 2012, 39(7): 127−129. Wang Y L, Liu Y H, Wang Y, et al. Analysis of nutritional components of three kinds of Amygdalus plant[J]. Guangdong Agricultural Science, 2012, 39(7): 127−129.
[8]	候国峰, 李聪, 陈邦, 等. 不同产地长柄扁桃种仁成分分析[J]. 西北植物学报, 2014, 34(9): 1843−1848. Hou G F, Li C, Chen B, et al. Composition analysis of Amydalus pedunculata Pall. seed from different regions[J]. Acta Botanica Boreali-Occidentalia Sinica, 2014, 34(9): 1843−1848.
[9]	许新桥, 王伟, 褚建民. 毛乌素沙地长柄扁桃31个优良单株坚果核仁脂肪酸组成变异分析[J]. 林业科学, 2015, 51(7): 142−147. Xu X Q, Wang W, Chu J M. Variation analysis on kernel oil content and its fatty acid composition in 31 superior Amygdalus pedunculata individuals from Mu Us Desert[J]. Scientia Silvae Sinicae, 2015, 51(7): 142−147.
[10]	藏小妹, 陈邦, 李聪, 等. 长柄扁桃种仁蛋白粉的提取方法研究[J]. 西北大学学报(自然科学版), 2012, 42(6): 940−944. Zang X M, Chen B, Li C, et al. The method of extracting protein from Amygdalus pedunculatus seeds[J]. Journal of Northwest Univrsty (Nature Science Edition), 2012, 42(6): 940−944.
[11]	郜超, 马志林, 刘东林, 等. 榆林沙地长柄扁桃天然林资源调查与分析[J]. 陕西林业科技, 2018, 46(2): 28−30. doi: 10.3969/j.issn.1001-2117.2018.02.007 Gao C, Ma Z L, Liu D L, et al. Natural resources investigation and analysis of Amygdalus pedunculata in Yulin[J]. Shaanxi Forestry Science and Technology, 2018, 46(2): 28−30. doi: 10.3969/j.issn.1001-2117.2018.02.007
[12]	阎雄飞, 杨涛, 王亚文, 等. 阿拉善舌喙象成虫在长柄扁桃上的空间分布型及抽样技术[J]. 西北农林科技大学学报(自然科学版), 2021, 49(1): 75−78. Yan X F, Yang T, Wang Y W, et al. Spatial distribution pattern and sampling technique of Diglossotrox alashanicus adults on the endangered plant Amygdalus pcdunculata[J]. Journal of Northwest A&F University (Nature Science Edition), 2021, 49(1): 75−78.
[13]	骆有庆, 宗世祥. 三北地区灌木林重大害虫与治理对策[J]. 昆虫知识, 2008, 45(4): 509−512. Luo Y X, Zong S X. Major pests in shrubbery in Three-North Region of China and the management strategy[J]. Insect Knowledge, 2008, 45(4): 509−512.
[14]	李刚, 阎雄飞, 刘永华, 等. 毛乌素沙地东南缘林木钻蛀性害虫名录[J]. 中国农学通报, 2016, 32(14): 75−78. doi: 10.11924/j.issn.1000-6850.casb15100132 Li G, Yan X F, Liu Y H, et al. List of tree woodborers in southeastern edge of Mu Us Sandy Land[J]. Chinese Agricultural Science Bulletin, 2016, 32(14): 75−78. doi: 10.11924/j.issn.1000-6850.casb15100132
[15]	李俊兰, 潘斌, 格日勒, 等. 濒危植物柄扁桃的传粉者及其访花行为[J]. 生态学杂志, 2011, 30(7): 1370−1374. Li J L, Pan B, Gerile, et al. Pollination insects and their flower-visiting behaviors on endangered plant Amygdalus pedunculata[J]. Chinese Journal of Ecology, 2011, 30(7): 1370−1374.
[16]	曹志伟, 毕宇, 毕广有, 等. 黑龙江省西部长柄扁桃引种适应性和抗性研究[J]. 防护林科技, 2020(12): 53−55. Cao Z W, Bi Y, Bi G Y, et al. Adaptability and resistance of Amygdalus Pedunculata in western Heilongjiang Province[J]. Protection Forest Science and Technology, 2020(12): 53−55.
[17]	高翠青, 王美娜, 王焱, 等. 上海地区林地蝽类昆虫种类调查[J]. 南京林业大学学报(自然科学版), 2019, 43(1): 167−174. Gao C Q, Wang M N, Wang Y, et al. Investigation of forest true bugs (Hemiptera: Heteroptera) from Shanghai area[J]. Journal of Nanjing Forestry University (Nature Science Edition), 2019, 43(1): 167−174.
[18]	方丽英, 陈尚文. 广西森林主要趋光害虫及趋光蛾类新分布记录[J]. 南京林业大学学报(自然科学版), 2010, 34(2): 55−58. Fang L Y, Chen S W. The mostly phototactic forest insect pest and the phototactic moths first recorded in Guangxi[J]. Journal of Nanjing Forestry University (Nature Science Edition), 2010, 34(2): 55−58.
[19]	阎雄飞, 李刚, 刘永华, 等. 榆林地区绿豆害虫种类调查研究[J]. 中国农学通报, 2018, 34(1): 124−128. doi: 10.11924/j.issn.1000-6850.casb16120009 Yan X F, Li G, Liu Y H, et al. Species of pests on mungbean in Yulin Region: an investigation[J]. Chinese Agricultural Science Bulletin, 2018, 34(1): 124−128. doi: 10.11924/j.issn.1000-6850.casb16120009
[20]	张伟, 杜尚嘉, 史丹妮, 等. 海南省降香黄檀害虫种类、分布及危害症状调查[J]. 生物安全学报, 2016, 25(1): 70−72. Zhang W, Du S J, Shi D N, et al. Investigation on pest species, distribution and damage symptom of Dalbergia odorifera in Hainan Province[J]. Journal of Biosafety, 2016, 25(1): 70−72.
[21]	阎伟, 宗世祥, 骆有庆, 等. 逐步回归模型在油蒿钻蛀性害虫预测中的应用[J]. 北京林业大学学报, 2009, 31(3): 140−144. Yan W, Zong S X, Luo Y Q, et al. Application of stepwise regression model in predicting the movement of Artemisia ordosica boring insects[J]. Journal of Beijing Forestry University, 2009, 31(3): 140−144.
[22]	刘广瑞, 章有为, 王瑞. 中国北方常见金龟子彩色图鉴[M]. 北京: 中国林业出版社, 1997: 10−93. Liu G R, Zhang Y W, Wang R. The colour illustrated of common lamellicornia beetles of northern China [M]. Beijing: China Forestry Publishing House, 1997: 10−93.
[23]	张巍巍, 李元胜. 中国昆虫生态大图鉴[M]. 重庆: 重庆大学出版社, 2011: 102−163. Zhang W W, Li Y S. Chinese insects illustrated [M]. Chongqing: Chongqing University Press, 2011: 102−163.
[24]	吴福桢, 管致和, 马世俊, 等. 中国农业百科全书−昆虫卷[M]. 北京: 中国农业出版社, 1990: 49−192. Wu F Z, Guan Z H, Ma S J, et al. Encyclopedia of Chinese agriculture-insect volume [M]. Beijing: China Agriculture Press, 1990: 49−192.
[25]	虞国跃, 王合. 北京林业昆虫图谱[M]. 北京: 科学出版社, 2018: 49−112. Yu G Y, Wang H. The Beijing forestry insect atlas [M]. Beijing: Science Press, 2018: 49−112.
[26]	国家林业局. 林业有害生物发生及成灾标准: LY/T 1681—2006[S]. 北京: 中国标准出版社, 2006. State Forestry Administration. Standard of forest pests occurrence and disaster: LY/T 1681−2006 [S]. Beijing: Standards Press of China, 2006.
[27]	张荣祖. 中国动物地理[M]. 北京: 科学出版社, 2011: 12−54. Zhang R Z. Zoological geography in China [M]. Beijing: Science Press, 2011: 12−54.
[28]	代金霞. 宁夏金龟子昆虫的区系组成和分布特征[J]. 安徽农业科学, 2009, 37(6): 2589−2591. Dai J X. Fauna composition and distribution characters of chafer beetles in Ningxia[J]. Journal of Anhui Agricultural Sciences, 2009, 37(6): 2589−2591.
[29]	李雪薇, 王小艺, 曹亮明, 等. 中国典型地区栎类害虫种类调查及其危害情况研究[J]. 林业与生态科学, 2020, 35(4): 387−392. Li X W, Wang X Y, Cao L M, et al. Investigation of insect pest species on oak and their damage degree in typical regions of China[J]. Forestry and Ecological Sciences, 2020, 35(4): 387−392.
[30]	骆有庆, 刘宇杰, 黄华国, 等. 应用遥感技术评价森林健康的路径和方法[J]. 北京林业大学学报, 2021, 43(9): 1−13. Luo Y Q, Liu Y J, Huang H G, et al. Pathway and method of forest health assessment using remote sensing technology[J]. Journal of Beijing Forestry University, 2021, 43(9): 1−13.
[31]	孙永琦, 冯薇, 张宇清, 等. 毛乌素沙地生物土壤结皮对油蒿群落土壤酶活性的影响[J]. 北京林业大学学报, 2020, 42(11): 82−90. Sun Y Q, Feng W, Zhang Y Q, et al. Effects of biological soil crusts on soil enzyme activities of Artemisia ordosica community in the Mu Us Desert of northwestern China[J]. Journal of Beijing Forestry University, 2020, 42(11): 82−90.

施引文献

资源附件(0)

图(1) / 表(4)

计量

文章访问数: 523
HTML全文浏览量: 137
PDF下载量: 84
被引次数: 0

1. 算法介绍
1.1 本文算法主要步骤
1.2 本文算法创新点
2. 结果与分析
3. 结论

陕北沙区长柄扁桃害虫种类及危害调查

作者简介: 阎雄飞，博士，教授。主要研究方向：林木有害生物综合治理。Email：yxfei1220@126.com 地址：719000 陕西省榆林市榆阳区崇文路4 号榆林学院生命科学学院

计量

出版历程