扩展功能
文章信息
- 姚丹丹, 黄立胜, 姜洪雪, 林思亮, 冯志勇
- YAO Dan-dan, HUANG Li-sheng, JIANG Hong-xue, LIN Si-liang, FENG Zhi-yong
- 广东省农区鼠类物联网智能监测系统的应用研究
- Study on application of IoT intelligent monitoring system for agricultural rodent pests in Guangdong province, China
- 中国媒介生物学及控制杂志, 2022, 33(2): 273-276
- Chin J Vector Biol & Control, 2022, 33(2): 273-276
- 10.11853/j.issn.1003.8280.2022.02.020
-
文章历史
- 收稿日期: 2021-10-12
2 广东省农业有害生物预警防控中心, 广东 广州 510500
2 Guangdong Agricultural Pest Early Warning and Control Center, Guangzhou, Guangdong 510500, China
鼠类是我国重要的农业有害生物之一,不仅威胁农业生产、水利设施的安全和生态安全,还传播多种人兽共患疾病。对鼠害发生情况进行科学监测及准确评估是其科学防治的重要前提。传统的鼠情监测手段主要以人工调查为主,包括夹夜法、堵洞法、洞口系数法、粉剂法、鼠笼法等[1-2],这些调查方法操作简单,对调查人员的技术水平要求不高,因而广泛应用于基层植保部门,然而这些方法通常费时费力且调查数据受人为因素影响较大,在工作效率、准确性等方面均存在一些不足。红外感应相机和红外线鼠密度监测仪在鼠害监测中也有一定的应用,这些方法使鼠情监测过程变得简单方便,监测结果准确直观[3-4]。随着遥感技术的发展,无人机技术和“3S”[包括遥感(remote sensing,RS)、地理信息系统(Geographic Information System,GIS)和全球定位系统(Global Positioning System,GPS)]技术逐渐应用到草原鼠害监测中,与传统的监测方法相比,遥感技术能够实现大范围监测,同时监测周期短、速度更快,但是农田生态环境复杂,因而难于在农区推广应用[5]。
随着科技的发展,农业和物联网结合起来,形成农业物联网。农业物联网是基于农业大数据的新型智慧农业模式,它是指通过农业信息感知设备(传感器件等),按照约定协议,将农业系统中动植物生命体、环境要素、生产工具等物理部件和各种虚拟“物件”与互联网连接起来,进行信息交换和通讯,以实现对农业对象和过程智能化识别、定位、跟踪、监控和管理的一种网络[6]。物联网的智能农业监测技术是目前农业管理的主要发展方向[7]。为实现农区鼠害监测的信息化、自动化和智能化,清华-青岛大数据工程研究中心研发出了鼠类物联网智能监测系统(VIMS 4.0),并与全国农业技术推广服务中心合作,在全国农区鼠害监测中进一步推广应用[8]。2019-2020年,我们在广东省南雄市珠玑镇米王亭布设了5台鼠类物联网智能监测终端开展试验,从智能识别的准确率、鼠类的季节变化趋势和群落结构等方面着手,研究了鼠类物联网智能监测的可行性及其应用技术,为精准防控鼠害提供科学依据。
1 材料与方法 1.1 监测地点监测点设在广东省南雄市珠玑镇米王亭,面积约20 hm2,主要种植蔬菜、果树、花生等作物,未种植作物的荒地杂草丛生,田间可以见到鼠洞和鼠道。珠玑镇属于亚热带季风性气候,年平均气温19 ℃,年降雨量1 592 mm,监测点地块近似长方形,长约1 000 m,宽约200 m,中间有田埂将不同的作物地分隔开。
1.2 试验仪器鼠类物联网智能监测系统由山东青岛云智环境数据管理有限公司提供,该系统主要基于鼠情监测终端实时记录的害鼠影像、体质量、环境信息、地理坐标等参数,通过智能识别系统自动对害鼠种类进行鉴定并分类统计。大号木板夹购自北京市隆华新业卫生杀虫剂有限公司。
1.3 试验方法在鼠情监测区内,将物联网智能监测终端布放在杂草丛中或高大田埂下鼠活动明显的鼠路上,并在上面安装挡雨棚,通电后系统自动记录鼠害监测信息并上传至数据中心,通过回放视频记录每天监测到的鼠种、鼠只数;同时,在监测区内每月定期采用夹夜法调查鼠密度,沿着高大田埂按5 m×20 m夹行距布放鼠夹,将新鲜土豆切成小块为诱饵,每月布放200夹以上,计算该月捕鼠数和鼠密度。
1.4 统计分析应用SPSS 19.0软件对实验数据进行回归和相关分析。
2 结果 2.1 智能识别的准确率2019年9月-2020年10月共监测到清晰的鼠形动物1 457只。对物联网智能终端监测到的视频进行人工辨别,识别出啮齿目鼠类5种1 220只、食虫目臭鼩鼱(Suncus murinus)237只。通过与智能识别的数据进行比对,其中智能识别准确的有1 388只,准确率为95.26%。
2.2 物联网智能监测鼠类数量的季节变化趋势与夹夜法的比较监测结果显示,2019年11月的鼠密度最高,捕获率为28.00%,随后鼠密度逐月降低,到2020年5月达到全年最低值(1.00%)。而物联网智能监测系统监测的季节发生数据显示,2019年12月的活动鼠数达到年内峰值,为479只,其次是11月,活动鼠数为273只,5月的活动鼠数最少,仅有4只,通过比对,二者的变化趋势基本吻合,回归分析结果显示人工识别的有鼠频次与捕获率具有线性正相关关系,回归方程为:人工识别有鼠频次(Y)——捕获率(X):Y=14.43X-19.27,相关系数(r)=0.757。而从物联网智能监测系统视频中人工识别的有鼠数量与该系统自动识别鼠数的变化趋势吻合度高,相关系数(r)=0.984,线性回归方程为:人工识别有鼠频次(Y)——自动识别鼠数(X):Y=1.40X-4.54。见图 1。
2.3 物联网智能监测的鼠类构成及其与夹夜法捕鼠比较2019年9月-2020年10月利用鼠类物联网智能监测系统共监测到啮齿动物1 220只,包括黄毛鼠(Rattus losea)、板齿鼠(Bandicota indica)、小家鼠(Mus musculus)、褐家鼠(R. norvegicus)及黄胸鼠(R. tanezumi),其中黄毛鼠615只,占监测鼠数的50.41%;板齿鼠、小家鼠、褐家鼠、黄胸鼠分别占21.97%、15.98%、6.07%和5.57%;以黄毛鼠和板齿鼠为优势种。见表 1。
调查方法 | 捕鼠总数(只) | 黄毛鼠 | 板齿鼠 | 小家鼠 | 褐家鼠 | 黄胸鼠 | 其他鼠种 |
物联网智能监测 | 1 220 | 615(50.41) | 268(21.97) | 195(15.98) | 74(6.07) | 68(5.57) | 0(0.00) |
夹夜法 | 166 | 119(71.69) | 7(4.22) | 28(16.86) | 7(4.22) | 4(2.41) | 1(0.60) |
注:括号外数据为捕获鼠数(只),括号内数据为构成比(%)。 |
2019年9月-2020年10月夹夜法共捕鼠166只,以黄毛鼠和小家鼠为优势鼠种,其中黄毛鼠119只,占捕获总数的71.69%;小家鼠28只,占16.86%;板齿鼠、褐家鼠和黄胸鼠捕获数量见表 1;此外还捕到1只大足鼠(R. nitidus)。
2.4 物联网智能监测不同鼠种的空间分布与季节性变化物联网智能监测数据显示,黄毛鼠的数量高峰期出现在12和6月,这2个月监测到的黄毛鼠数量占全年监测总数的46.54%,而板齿鼠的数量高峰期出现在10和11月,其中10月监测到的板齿鼠数量占全年监测总数的43.80%,小家鼠在2月达到峰值,监测数量占全年监测总数的55.17%,褐家鼠和黄胸鼠分别在4和8月达到数量小高峰。见图 2。
3 讨论 3.1 夹夜法和物联网智能监测2种鼠情调查方法的比较夹夜法与鼠类物联网智能监测相比,两者所获鼠密度的季节变化趋势基本吻合,但是鼠类群落结构数据差异较大,其中夹夜法捕获的鼠类多为中小型鼠,如黄毛鼠所占比例高达71.69%,但现场考察发现样区内有较多的板齿鼠活动痕迹及危害,实际鼠夹捕获数量却很少,主要是因为板齿鼠等大型鼠类机警不轻易上夹且易逃脱,其捕获率偏低。Kavermann等[9]研究了不同的监测工具对新西兰负鼠(Trichosurus vulpecula)的监测效果,发现咀嚼追踪卡(chew-track-cards,CTCs)和蜡饵标记(WaxTags,WTs)比传统的捕猎夹(leg-hold traps)灵敏性更高,更加小巧轻便,而且声音诱导可以大幅度提高监测率。Burge等[10]进一步研究发现,对于褐家鼠和负鼠而言,在害鼠发生中等的情况下,咀嚼追踪卡是最灵敏有效的监测工具,高鼠密度地区由于受到种间干扰和饱和度的影响导致咀嚼卡的灵敏度降低,而且咀嚼追踪卡只能监测鼠密度的发生情况,无法获得鼠类的群落结构、生物量、空间配置、群落演替等数据,因此无法对鼠情发生动态进行系统评估。而物联网智能监测能有效避免上述弊端,监测数据更能切合实际状况,还能阐明害鼠的种类、分布、数量消长动态、群落演替规律和活动节律等灾变机制。
鼠类物联网智能监测到不同鼠种的空间分布具有一定的竞争性,板齿鼠数量多的月份黄毛鼠的数量相对较少,家鼠类数量多的月份野鼠的数量较少,黄毛鼠的数量高峰期为12和6月,板齿鼠的数量高峰期为10和11月,与黄秀清等[11]、冯志勇等[12]的研究结果有一定差异,主要是由于害鼠数量变动受生态环境、食物条件、栖息地选择等因素的影响,同时受到人为灭鼠的干扰,不同的生态样区害鼠的数量高峰期与低谷期不尽相同。但无论什么生境,由于黄毛鼠和板齿鼠在食性、栖息环境、活动节律等方面表现为生态趋同,黄毛鼠和板齿鼠在空间分布和发生动态上具有显著的竞争性,而小家鼠与这2种鼠在食性、栖息环境选择方面出现生态分离,它们之间的种间竞争小。
3.2 鼠类物联网智能监测应用技术特点物联网智能监测方法与传统方法比较,具有以下特点:①可实现鼠情的实时监测,监测图像视频清晰并储存图像资料,可按时间、地点等要求分析资料,对了解掌握鼠的活动规律、区域分布及季节消长等生态习性,具有突破性创新;②可替代繁重的人工捕鼠作业,克服传统的夹夜法耗时、费力、监测结果不稳定、准确率不高的弊端,鼠类识别的准确度可达到95.00%以上[13-14]。基于物联网智能监测系统作为一种新的监测方法,在实际应用中智能监测终端的布放方法与应用技术直接影响到监测结果。通过在南雄市对物联网智能监测的田间应用方法进行反复试验,初步提出了物联网智能监测在农田的使用技术,有待进一步完善优化:①数据采集终端的布放方法:终端应布放在土堆高大、植被盖度大的鼠类栖息地,在地势较高的位置采用水泥和铁架把终端锁定在地面,上部安装塑料挡雨棚,防止雨水影响摄像头及底板的洁净度,以提高智能识别的准确率;②布放密度:通常3~6 hm2布放1个终端;③日常维护:及时关注电池电量,电量不足时应及时充电,定期清洁摄像头及底板;④定期添加引诱物:引诱物能显著增加数据采集终端监测到的害鼠数量,而没有投放引诱物时,监测到鼠数较少,难以准确评估害鼠的发生动态,如种类组成、变化趋势等。
利益冲突 无
[1] |
姚丹丹, 梁文立, 隋晶晶, 等. 广东省农区鼠情调查及两种调查方法的比较研究[J]. 中国媒介生物学及控制杂志, 2013, 24(6): 509-511. Yao DD, Liang WL, Sui JJ, et al. Survey of rodents in farmlands in Guangdong province, China and comparative study on two sampling methods[J]. Chin J Vector Biol Control, 2013, 24(6): 509-511. DOI:10.11853/j.issn.1003.4692.2013.06.009 |
[2] |
付学峰, 田彦林, 张洪江, 等. 对食饵法、鼠夹法监测结果影响因子的初步探讨[J]. 中国媒介生物学及控制杂志, 2009, 20(6): 519-521. Fu XF, Tian YL, Zhang HJ, et al. A primary discussion about effect factors of bait methods and trap methods[J]. Chin J Vector Biol Control, 2009, 20(6): 519-521. |
[3] |
任东升, 刘起勇. 红外感应相机在鼠密度监测中的应用[J]. 中国媒介生物学及控制杂志, 2014, 25(2): 142-144. Ren DS, Liu QY. Infrared-triggered cameras in the application of rodent density surveillance[J]. Chin J Vector Biol Control, 2014, 25(2): 142-144. DOI:10.11853/j.issn.1003.4692.2014.02.014 |
[4] |
高强, 曹晖, 周毅彬, 等. 红外线鼠密度监测仪在鼠侵害监测中的应用研究[J]. 中华卫生杀虫药械, 2013, 19(5): 395-398. Gao Q, Cao H, Zhou YB, et al. Application effect of a new infrared rat density monitor[J]. Chin J Hyg Insect Equip, 2013, 19(5): 395-398. DOI:10.19821/j.1671-2781.2013.05.011 |
[5] |
高娟婷, 孙飞达, 霍霏, 等. 无人机遥感技术在草地动植物调查监测中的应用与评价[J]. 草地学报, 2021, 29(1): 1-9. Gao JT, Sun FD, Huo F, et al. Application and evaluation of unmanned aerial vehicle remote sensing in grassland animal and plant monitoring[J]. Acta Agrestia Sin, 2021, 29(1): 1-9. DOI:10.11733/j.issn.1007-0435.2021.01.001 |
[6] |
岳学军, 蔡雨霖, 王林惠, 等. 农情信息智能感知及解析的研究进展[J]. 华南农业大学学报, 2020, 41(6): 14-28. Yue XJ, Cai YL, Wang LH, et al. Research progress of intelligent perception and analytics of agricultural information[J]. J South China Agric Univ, 2020, 41(6): 14-28. DOI:10.7671/j.issn.1001-411X.202008044 |
[7] |
陈嘉. 基于物联网的智能农业监测系统的设计与实现[J]. 数字通信世界, 2020(1): 48. Chen J. Design and implementation of intelligent agricultural monitoring system based on IoT[J]. Digit CW, 2020(1): 48. |
[8] |
曾娟, 韩立亮, 郭永旺, 等. 基于大数据的物联网智能监测系统在农区鼠害监测中的应用效果初报[J]. 中国植保导刊, 2019, 39(7): 28-35. Zeng J, Han LL, Guo YW, et al. Preliminary report on the application effect of IoT intelligent monitoring system based on big data technology for rodent monitoring in agricultural areas in China[J]. China Plant Protect, 2019, 39(7): 28-35. DOI:10.3969/j.issn.1672-6820.2019.07.005 |
[9] |
Kavermann MJ, Paterson AM, Ross JG. Sensitivity of audio-lured versus silent chew-track-cards and WaxTags to the presence of brushtail possums (Trichosurus vulpecula)[J]. New Zealand Nat Sci, 2013, 38: 1-8. |
[10] |
Burge OR, Kelly D, Wilmshurst JM. Interspecies interference and monitoring duration affect detection rates in chew cards[J]. Austral Ecol, 2017, 42(5): 522-532. DOI:10.1111/aec.12471 |
[11] |
黄秀清, 冯志勇, 颜世祥, 等. 珠江三角洲作物结构变动对害鼠种群动态的影响[J]. 广东农业科学, 2002(4): 36-39. Huang XQ, Feng ZY, Yan SX, et al. Influence of crop composing evolvement on the population dynamics of rodent pests in the Pearl River Delta[J]. Guangdong Agric Sci, 2002(4): 36-39. DOI:10.3969/j.issn.1004-874X.2002.04.014 |
[12] |
冯志勇, 黄秀清, 颜世祥. 珠江三角洲稻区鼠类群落结构及演替研究[J]. 中山大学学报论丛, 1995(1): 91-97. Feng ZY, Huang XQ, Yan SX. Study on the structure and succession of farmland rodent community in Pearl River Delta[J]. Suppl J Sun Yatsen Univ, 1995(1): 91-97. |
[13] |
黄清臻, 贾瑞忠, 王旭, 等. 便携智能鼠情监测系统箱的研制与应用[J]. 中国媒介生物学及控制杂志, 2021, 32(3): 344-347. Huang QZ, Jia RZ, Wang X, et al. Development and application of a portable intelligent rodent tele-monitoring system[J]. Chin J Vector Biol Control, 2021, 32(3): 344-347. DOI:10.11853/j.issn.1003.8280.2021.03.017 |
[14] |
黄清臻, 贾瑞忠, 田志博, 等. 基于物联网的鼠情智能远程监测系统的研制与应用[J]. 中华卫生杀虫药械, 2019, 25(6): 519-522. Huang QZ, Jia RZ, Tian ZB, et al. Development and application of an IoT-based rodent tele-monitoring system[J]. Chin J Hyg Insect Equip, 2019, 25(6): 519-522. DOI:10.19821/j.1671-2781.2019.06.004 |