大数据驱动的天敌资源调查与监测体系构建研究

doi:10.19788/j.issn.2096-6369.200410

摘要/Abstract

摘要： 目的

应用天敌进行生物防治是化学防治的有效替代，也是绿色农业的重要组成部分。我国天敌资源丰富，但目前缺乏稳定的调查与监测体系，且调查方法标准化程度不高、技术门槛较高。影响到资源及时、有效地被利用。近年来，大数据领域飞速发展，为天敌资源调查、监测及信息化也提供了新的思路，有必要大数据驱动的天敌资源监测与调查体系。

方法

要实现天敌资源领域由样本数据到全局数据的转变，需要从以下四个方面实现转变：（1）数据采集从传统人工方法到自动化方法的转变；（2）调查人员从专业人员到广大涉农人员的转变；（3）数据上报由定时定点监测到基于对象的开放式上报的转变；（4）系统运作由集中管理向去中心化的转变。

结果

国家天敌等昆虫资源数据中心于2017年成立，依据分阶段实现“大数据化”的工作思路，通过三年的工作，逐步确立了从采样到数据管理与分析的标准化工作方案，构建了天敌资源监测与调查体系，收集到大量数据，并开展了初步分析，取得了预期的成效。

结论

大数据驱动的天敌资源调查与监测体系构建思路切实可行，是农业生态系统中如何建立活体物种资源信息系统的有益尝试。

关键词: 天敌, 资源, 大数据, 调查与监测系统, 农业大数据

Abstract: Objectives

Biological control using natural enemies offers an effective alternative to chemical control of pests and diseases. Biological control is also an important component of sustainable agriculture. China hosts an abundance of natural enemy resources. However, for resource exploitation, the comprehensiveness and systematic organization of existing tools are inadequate. Monitoring methods are not standardized and have high technical thresholds. Therefore, timely and effective utilization of natural enemies is limited. The proliferation of big data in recent years has provided novel tools suitable for investigation, monitoring, and informatization of natural enemy resources. It is thus necessary to develop a natural enemy resources survey and monitoring system based on big data concepts.

Methods

To realize the transformation from sample data to global data for the survey of natural enemy resources, the following four aspects of transformation are required: 1) transformation of data collection procedures from traditional methods to automated methods; 2) transformation of investigators from professionals to a majority of agricultural personnel; 3) transformation of data reporting from regular and fixed-point monitoring to object-based open reporting; and 4) transformation of system operation from centralized management to decentralization.

Results

With these objectives in mind, the National Data Center for Insect Natural Enemies, Basic Long-term Scientific and Technological Research in Agriculture was established in 2017. At present, the center has established a working concept of realizing "big data" in stages and conducted initial attempts to process and analyze the data. Over the course of three years, the center gradually established a standardized workflow from sampling to data management and analysis, collected a large amount of data, and performed preliminary analyzes.

Conclusions

The National Data Center for Insect Natural Enemies closely adheres to the big data concept and has established a natural enemy resources survey and monitoring system, which is an important attempt to establish a living species resource information system for agricultural ecosystems.

Key words: natural enemy, resources, big data, survey and monitoring system, agricultural big data

中图分类号:

S431.9

吕佳乐, 徐学农. 大数据驱动的天敌资源调查与监测体系构建研究[J]. 农业大数据学报, 2020, 2(4): 78-85.

Jiale Lv, Xuenong Xu. Conceptual Establishment of a Natural Enemy Resources Survey and Monitoring System Based on Big Data[J]. Journal of Agricultural Big Data, 2020, 2(4): 78-85.

图/表 6

图 1

表1

图 2

表2

表3

表4

参考文献 23

1	Bellows TS, Fisher TW. Handbook of Biological Control [M]. New York: Academic Press, 1999.
2	中国科学院动物研究所, 浙江农业大学. 天敌昆虫图册[M]. 北京: 科学出版社, 1978.
	Institute of Zoology, CAS, Zhejiang Agricultural University. Atlas of Insect Natural Enemies [M]. Beijing: Science Press, 1978.
3	中国农业百科全书编辑部. 中国农业百科全书（昆虫卷）[M]. 北京: 中国农业出版社, 1996.
	Editorial Department of China Agricultural Encyclopedia. China Agricultural Encyclopedia (Insects) [M]. Beijing: Science Press, 1996.
4	张柱亭, 秦绍钊, 李静等. 贵州省黔东南地区草地贪夜蛾寄生性天敌资源调查初报[J]. 植物保护, 2019, 45(06): 65-69.
	Zhang Z T, Qin S Z, Li J, et al. Preliminary report on the investigation of natural enemy resources of Spodoptera frugiperda in southeast Guizhou. [J]. Plant Protection, 2019, 45(06): 65-69.
5	何国玮. 赣州柑橘木虱天敌昆虫资源调查及天敌捕食功能研究[D]. 呼和浩特: 内蒙古农业大学, 2019.
	He G W. Investigation and functional response research of natural enemy resources of citrus psyllid in Ganzhou [D]. Huhehaote: Inner Mongolia Agricultural University, 2019.
6	黄智华, 赵进龙, 崔永和等. 云南玉溪烟田害虫及天敌资源调查分析研究[J]. 西南农业学报, 2019, 32(05): 1067-1073.
	Huang Z H, Zhao J L, Cui Y H, et al. Investigation and analyses of insect pests and their natural enemies in tobacco fields in Yuxi, Yunnan[J]. Southwest China Journal of Agricultural Sciences, 2019, 32(05): 1067-1073.
7	朱丹, 鲁佳雄, 钟问等. 新疆马铃薯叶甲寄生蜂天敌资源调查研究[J]. 新疆农业科学, 2017, 54(12): 2248-2254.
	Zhu D, Lu J X, Zhong W, et al. Investigation of parasitizing wasps resources controlling potato leaf beetles in Xinjiang[J]. Xinjiang Agricultural Sciences, 2017, 54(12): 2248-2254.
8	蒲德强, 王勇, 刘虹伶等. 四川烟区烟蚜天敌资源与分布调查[J]. 烟草科技, 2016, 49(9): 27-32.
	Pu D Q, Wang Y, Liu H L, et al. Investigation on resources and distribution of natural enemies of Myzus persicae in Sichuan tobacco producing area[J]. Tabacco Science and Technology, 2016, 49(9): 27-32.
9	Harrington R, Taylor M S, Alderson L J, et al. The Rothamsted insect survey: gold standard aphid monitoring [J]. NJF Report, 2013, 9(7): 7-10.
10	Harrington R. The Rothamsted insect survey strikes gold [J]. Antenna, 2014, 38(3): 158-166.
11	Lohr S. The origins of ‘Big Data’: an etymological detective story[N]. The New York Times, 2013, Feb. 1.
12	Snijders C, Matzat U, Reips U. “Big data”: Big gaps of knowledge in the field of internet science [J]. International Journal of Internet Science, 2012, 7(1): 1-5.
13	Delgado J A, Short N M, Roberts D., et al. Big data analysis for sustainable agriculture on a geospatial cloud framework [J]. Frontiers in Sustainable Food Systems, 2019, 3: 54.
14	Wolfert S, Ge L, Verdouw C, et al. Big data in smart farming-a review [J]. Agricultural Systems, 2017, 153: 69-80.
15	Malaise R. A new insect-trap [J]. Entomologisk Tidskrift, 1937, 58: 148–160.
16	Gressitt J L. An improved malaise trap[J]. Pacific Insects, 1962, 1(4): 87–90.
17	Kress W J, Erickson D L. DNA barcodes: Genes, genomics, and bioinformatics [J]. Proceedings of the National Academy of Sciences of the United States of America, 2008, 105(8): 2761-2762.
18	Garrett S. G. E., Skevington P. J.. An introduction to electronic commerce [J]. BT Technology Journal, 1999, 17: 11-16.
19	Farooq Q, Fu P, Hao Y, et al. A review of management and importance of E-commerce implementation in service delivery of private express enterprises of China [J]. Original Research, 2019, 1: 1-9.
20	Dixon A F G. Insect predator-prey dynamics: ladybird beetles and biological control[M]. New York: Cambridge University Press, 2000.
21	任顺祥, 王兴民, 庞虹等. 中国瓢虫原色图鉴[M]. 北京: 科学出版社, 2009.
	Ren S X, Wang X M, Pang H, et al. Colored Pictorial Handbook of Ladybird Beetles in China. [M]. Beijing: Science Press, 2009.
22	van Lenteren J C. The state of commercial augmentative biological control: plenty of natural enemies, but a frustrating lack of uptake [J]. BioControl, 2012, 57: 1-20.
23	徐学农, 吕佳乐, 王恩东. 国际捕食螨研发与应用的热点问题及启示[J]. 中国生物防治学报, 2013, 29(02): 163-174.
	Xu X N, Lv J L, Wang E D. Hot spots in international predatory mite studies and lessons to us[J]. Chinese Journal of Biological Control, 2013, 29(02): 163-174.

	商品信息	天敌资源信息
“商家”提供的直接信息	品名	物种名
	商品类别	分类阶元（纲、目、科、属）
	库存量	密度
	产地	采集地点
	图片与影像（商品、商品应用、使用等）	图片（标本、生态、环境）
	产品描述	生物学性状
“用户”提供的信息	销量	需求量
“用户”提供的信息	评价	评价
关联信息	产区	分布情况
	生产时间	发生时间
	相关产品（同时、同地、相似产品）	关联物种
	外界因素对销售影响（促销活动导致销量上升、特殊原因导致需求上升等）	环境因素对密度、优势种等造成影响

纲	目	科
昆虫纲	膜翅目	姬蜂总科、茧蜂科、蚜茧蜂科、赤眼蜂科、姬小蜂科、胡蜂总科、小蜂总科、金小蜂科、蚜小蜂科、细蜂科、蚁科、鳌蜂科、锤角细蜂科、方头泥蜂科、广肩小蜂科、环腹瘿蜂科、旗腹蜂科、青蜂总科、跳小蜂科、土蜂科、肿腿蜂科、蛛蜂科
	双翅目	食蚜蝇科、虻科、瘿蚊科、寄蝇科、蜂虻科、沼蝇科、盗虻科
	半翅目	花蝽科、长蝽科、盲蝽科、姬蝽科、猎蝽科
	鞘翅目	瓢虫科、隐翅虫科、步甲科、虎甲科
	脉翅目	草蛉科、粉蛉科
	蜻蜓目	蜻蛉总科、蜓总科、细蟌总科
	螳螂目	螳螂科
	缨翅目	蓟马科
	革翅目	蠼螋科
蛛形纲	蜘蛛目	狼蛛科、肖蛸科、蟹蛛科、圆蛛科、球腹蛛科、跳蛛科、微蛛科、皿蛛科、管巢蛛科、猫蛛科、盗蛛科、漏斗蛛科、圆颚蛛科
蛛形纲	蜱螨目	植绥螨科、绒螨科、大赤螨科、囊螨科、长须螨科、镰螯螨科、吸螨科、小黑螨科、赤螨科、巨须螨科、镰螨科、蒲螨科

监测到该瓢虫的实验站数量	瓢虫种类
10+	异色瓢虫（52）、龟纹瓢虫（50）、七星瓢虫（34）、多异瓢虫（22）、六斑月瓢虫（16）、二星瓢虫（10）
6	黄宝盘瓢虫
5	稻红瓢虫、十一星瓢虫
4	红点唇瓢虫
3	赤星瓢虫、横斑瓢虫、红肩瓢虫、十三星瓢虫、中国双七瓢虫
2	八斑和瓢虫、粗网巧瓢虫、刀角瓢虫、方斑瓢虫、黑襟毛瓢虫、黄缘巧瓢虫、柯氏素菌瓢虫、十斑盘瓢虫、十二斑褐菌瓢虫、双带盘瓢虫、四斑广盾瓢虫、四斑裸瓢虫、四星瓢虫、细纹裸瓢虫、小毛瓢虫、隐斑瓢虫
1	波裂臀方瓢虫、大红瓢虫、二斑盘瓢虫、广东隐势瓢虫、海南隐势瓢虫、海南纵条瓢虫、黑条长瓢虫、红星盘瓢虫、后斑小瓢虫、黄褐巧瓢虫、刻点小艳瓢虫、菱斑巧瓢虫、六条瓢虫、六星瓢虫、拟小食螨瓢虫、庞氏毛瓢虫、十二斑广盾瓢虫、十二斑巧瓢虫、十二星瓢虫、十五星裸瓢虫、食螨瓢虫、束小瓢虫、素菌瓢虫、梯斑巧瓢虫、西南龟瓢虫、狭臀瓢虫、棕色毛瓢虫

作物类型	作物	省份	月份
作物类型	作物	省份	5月	6月	7月	8月	9月	10月	11月
粮油作物	小麦	江苏	+*
		河南	+
		山东	+	+
		山西	+	+
		辽宁	+
		黑龙江	+	+
	大豆	江苏				+
		河北		+
		内蒙古			+
		山西				+
		辽宁				+
		黑龙江		+	+	+	+
	水稻	贵州				+
		江西		+	+
		浙江
		江苏			+	+	+
	谷子	河北			+	+
	马铃薯	湖北	+
	马铃薯	河北		+
	向日葵	甘肃	+	+		+
	向日葵	江苏			+		+
果树	桃	湖南			+	+		+
		河北		+
		甘肃					+
	柑橘	江西	+	+	+
	柑橘	湖南	+	+	+	+	+	+
	苹果	甘肃	+		+	+
		河北		+	+
		陕西							+
		辽宁	+
	荔枝	广东	+			+	+	+	+
	荔枝	广西	+
	火龙果	贵州			+	+		+
	梨	江西				+
	梨	甘肃	+
	桑葚	广西			+		+	+
	山楂	河北		+
蔬菜	叶菜	海南		+
		广西	+						+
		河北		+	+	+
	茄子	海南	+	+				+
	茄子	河北	+
	菜豆	海南			+
	菜豆	浙江		+
经济作物	玉米	广西	+	+			+	+
		山西			+	+	+
		河南			+	+
		山东			+	+
		河北		+	+	+	+
		内蒙古				+
		吉林		+	+	+
		甘肃		+	+	+	+
		黑龙江		+	+	+	+
	棉花	安徽	+	+	+	+	+	+
		江苏		+				+
		山东		+		+	+

[1]	陈彦清, 曹永生, 林雨楠, 方沩. 国家作物种质资源观测鉴定站点体系布局方法研究[J]. 农业大数据学报, 2020, 2(4): 20-28.
[2]	顾金刚, 马锐, 李世贵, 马晓彤, 梁瑞珍. 农用微生物数据与资源关联应用研究[J]. 农业大数据学报, 2020, 2(4): 38-46.
[3]	胡国铮, 干珠扎布, 余沛东, 杨振琳, 高清竹. 基于农业环境的农业科学观测数据融合研究[J]. 农业大数据学报, 2020, 2(4): 86-94.
[4]	王文生. 可信区块链在农业农村应用展望[J]. 农业大数据学报, 2020, 2(2): 14-24.
[5]	孙忠富, 马浚诚, 郑飞翔, 杜克明. 区块链支撑农业大数据安全初探[J]. 农业大数据学报, 2020, 2(2): 25-37.
[6]	程锦祥, 孙英泽, 胡婧, 闫雪, 欧阳海鹰. 我国渔业大数据应用进展综述[J]. 农业大数据学报, 2020, 2(1): 11-20.
[7]	刘克宝, 毕洪文, 李杨, 陆忠军, 张冬梅, 吕志群, 张宇, 王晓楠. 大数据在黑龙江省数字农业中的应用现状与展望[J]. 农业大数据学报, 2020, 2(1): 21-28.
[8]	赵佳, 阮怀军, 封文杰. 大数据在山东马铃薯全产业的应用及建设探索[J]. 农业大数据学报, 2020, 2(1): 29-35.
[9]	孙素芬, 赵继春, 郭建鑫, 乔珠峰, 陈会娜, 王敏. 农民远程教育大数据分析平台设计与实现[J]. 农业大数据学报, 2020, 2(1): 3-10.
[10]	张萌, 董伟, 钱蓉, 杨前进, 张立平. 安徽省植保大数据平台建设与应用展望[J]. 农业大数据学报, 2020, 2(1): 36-44.
[11]	张辉, 冯晓, 王来刚, 李国强, 乔璐, 魏东, 郑国清. 花生大数据平台建设研究和展望[J]. 农业大数据学报, 2020, 2(1): 45-52.
[12]	王来刚, 郭燕, 王利军, 贺佳, 张彦, 杨秀忠, 张红利, 郑国清. 河南省秋季作物空间分布“一张图”遥感制作[J]. 农业大数据学报, 2020, 2(1): 53-59.
[13]	高文波, 何鹏, 林正雨, 张媛. 气候变化背景下四川省热量资源时空变化特征研究[J]. 农业大数据学报, 2020, 2(1): 60-69.
[14]	吕新, 梁斌, 张立福, 马富裕, 王海江, 刘阳春, 高攀, 张泽, 侯彤瑜. 新疆生产建设兵团棉花生产大数据平台建设与探索[J]. 农业大数据学报, 2020, 2(1): 70-78.
[15]	温希军, 李捷, 王琼. 新疆畜牧业经济信息服务平台建设与应用[J]. 农业大数据学报, 2020, 2(1): 79-83.