《Smart Agricultural Technology》：Emerging Technology-driven Avian Bird Deterrence Methods for Agricultural Crop Protection: A Systematic Literature Review
编辑推荐：
鸟类损害是粮食生产农业中持续存在的挑战，在全球范围内造成重大经济损失。传统驱避方法（如稻草人、反光带和丙烷炮）劳动密集且易导致鸟类习惯化。近年来，传感、自动化、机器人技术和人工智能的进步使得技术驱动的鸟类驱避系统得以开发，提供了有针对性的、自适应和可扩展的替代
鸟类损害是粮食生产农业中持续存在的挑战，在全球范围内造成重大经济损失。传统驱避方法（如稻草人、反光带和丙烷炮）劳动密集且易导致鸟类习惯化。近年来，传感、自动化、机器人技术和人工智能的进步使得技术驱动的鸟类驱避系统得以开发，提供了有针对性的、自适应和可扩展的替代方案。然而，缺乏一份充分记录且经批判性评价的文献综合。因此，研究人员对用于作物保护的高级和新兴鸟类驱避技术进行了系统性文献综述。共筛选并分析了33篇同行评审文章。每项研究均基于驱避平台类型、传感模态（sensing modality）、控制策略、目标作物系统、目标鸟类物种、报告的有效性和局限性进行了批判性审查。基于无人机的驱赶是最常用的方法，其次是激光驱避器和声学网系统。综述的研究主要集中于已知遭受鸟类损害的高价值农业系统，包括行播作物（n=10）、葡萄园（n=8）、果园/水果（n=6）和家禽养殖场（n=2）。对将技术工具与传统驱避方法进行比较的研究进行了总结，仅有一项研究评估了传感器触发驱避系统的影响。总体而言，集成传感器反馈和自动驱动的驱避系统可优于传统方法，实现快速驱散鸟群、显著减少鸟类活动和降低作物损害。尽管取得了这些进展，但在可扩展性、长期有效性、监管限制、传感器稳健性和经济可行性方面仍存在挑战。研究人员还综合了当前趋势，强调了关键研究空白，并概述了未来发展方向，以开发具有成本效益、自适应且以农民为中心的鸟类驱避解决方案，利用先进技术惠及种植者。研究结果提供了一个有据可查的知识库，以支持研究人员、推广专家和生产者在可持续粮食生产系统中采用下一代驱避技术。
1. 引言
鸟类是农业生态系统的重要组成部分，提供害虫防治、授粉和种子传播等有益服务，同时维持生物多样性和生态系统健康。然而，鸟类也会对农业造成生态系统损害，包括作物损害和通过食源性疾病污染作物。鸟类损害是全球产量损失的重要因素之一，在美国每年估计超过47亿美元。损害程度因地理区域而异，受鸟类物种、作物类型和景观背景影响。例如，欧洲椋鸟（Sturnus vulgaris）、黑鹂（Icteridae）和乌鸦（Corvidae）对美国谷物、水果和浆果作物造成的年度损害估计超过1.5亿美元。此外，鸟类通过与作物直接接触带来重大食品安全风险，可能携带食源性病原体（如弯曲杆菌属（Campylobacter spp.）、大肠杆菌（E. coli）和沙门氏菌属（Salmonella spp.）），污染途径包括直接粪便沉积或通过土壤、灰尘、灌溉水间接沉积。
现有多种驱避措施，包括栖息地改造、隔离和惊吓技术。栖息地改造旨在改变偏好栖息地并干扰取食行为以降低鸟类密度，但可能导致生物多样性丧失、生态系统失衡、土壤退化等负面影响。隔离技术通过物理屏障（如网罩）或不适区（如化学药剂）限制鸟类进入，对小面积农田最可靠，但劳动密集且成本高。惊吓设备利用视觉和听觉刺激，常用工具包括生物声学（如鸟类求救声和捕食者叫声）以及人工声音（如丙烷炮和烟火），视觉工具包括反光带、气球、风筝、充气人偶、模型和人工捕食鸟。这些技术相对廉价、标准化、固定，对所有鸟类物种统一应用，并按固定间隔触发，无反馈机制，导致习惯化，使驱避工具在特定时期后失效，且许多设备未经科学测试。
不同鸟类物种对惊吓方法反应各异，且没有单一解决方案可缓解鸟类损害。尽管声学和视觉驱避方法的组合可能提供最有效方案，但同时使用多种方法成本高、耗时且劳动密集，需定期轮换，实施成本随生产面积比例增加。
随着传感技术、数据处理和计算能力的进步，鸟类驱避方法已从固定、静止、重复的系统演变为智能、自适应和自动化的工具。新型驱避系统集成低成本传感器或物联网（Internet of Things, IoT）设备反馈、数据处理单元和自动驱动，例如利用无人机进行鸟类监测和驱避。本研究将先进技术驱动的鸟类驱避定义为利用超越传统惊吓技术的现代技术以防止鸟类损害的系统，包括传感器、机电系统、自动化和数据智能。技术驱动示例包括飞行无人机、机器人激光驱避器、声学网和反馈驱动声学设备。这些方法正在农业系统中不断涌现，但缺乏系统性的综合信息。因此，本研究旨在系统综述农业系统中技术驱动的鸟类驱避方法，通过系统文献综述（Systematic Literature Review, SLR）方法，关注传感器反馈、人工智能（Artificial Intelligence, AI）集成、评估指标、目标鸟类物种、实验结果、系统局限性和未来研究需求。研究问题包括：已实施/测试的技术型鸟类驱避系统有哪些？农业用例、目标鸟类物种和研究类型是什么？先进驱避系统中使用了哪些传感器、驱动器和控制机制？驱避系统在减少作物损害方面的有效性/可测量影响如何？实际部署中报告了哪些优势、挑战和局限性？
2. 材料与方法
系统文献综述（SLR）是一种成熟的科学研究方法，用于识别、评估和综合特定研究问题的现有研究。本研究按照PRISMA（系统综述和荟萃分析首选报告项目）指南进行，包括四个主要阶段：识别、筛选、资格评估和纳入。
(1) 识别：在“Web of Science”、“IEEE Xplore”和“Scopus”数据库中，使用布尔组合关键词搜索相关研究，关键词包括“bird”、“deterrent”、“repellent”、“scare”、“exclusion”、“control”、“agriculture”、“farm”、“orchard”、“crop”、“technology”、“automated system”、“automation”、“artificial intelligence”、“AI”、“computer vision”、“machine learning”、“IoT”、“drone”、“UAV”、“sonic”和“laser”。搜索于2025年6月进行，共识别532篇文章。
(2) 筛选：排除非英语出版物、会议论文、综述文章和书籍章节，仅保留同行评审研究文章，数据集缩减至81篇；随后检查重复项，去除重复后剩余58篇。
(3) 资格评估：应用预定义的纳入和排除标准，要求全文可用、与农业应用直接相关、同行评审、评估技术驱动鸟类驱避系统的性能或可行性。仔细检查摘要，最终33项研究符合资格标准。
(4) 纳入：33项研究全部纳入最终定性综合。使用结构化数据提取表收集信息，包括参考文献标识符、作者、出版年份、标题、来源、国家/地区、驱避技术类型、传感器类型、驱动器或输出机制、控制类型、AI方法、电源、覆盖面积，以及评估指标、报告有效性、部署持续时间、与传统方法比较、挑战/局限性、关键发现和未来研究方向。
3. 结果与讨论
3.1. 基于技术的鸟类驱避系统
在系统文献综述（SLR）中，技术型驱避方法分为四类：无人机类最常见（n=17），用于通过模仿自然威胁惊吓鸟类；声音类驱避器包括生物声学（n=7）、脉冲和其他威胁声音（n=6）以及声学网（粉红噪声，n=4）；视觉类驱避器包括激光（n=7）和光（n=2）；以及组合方法（n=11）。
无人机是空中平台，可通过手动遥控或自主飞行操作，模仿鸟类捕食者（如鹰、雕）行为引发恐惧或飞行反应。无人机优势包括任务多样性、高机动性、大覆盖范围和可定制性。单独无人机可通过视觉外观、运行噪音、飞行模式或突然运动惊吓鸟类，也可结合其他模块，如安装扬声器播放求救声或捕食者叫声，或结合视觉驱避（如反光旋翼、反光带）。研究还采用倒置乌鸦标本安装在无人机上，使鸟类感知为捕食者捕获了同类，引发强烈回避行为。RobotFalcon模仿游隼（Falco peregrinus）形态和狩猎策略，固定翼无人机改造为库珀鹰（Accipiter cooperii）外观。此外，喷洒无人机可同时用于惊吓和靶向施用化学鸟类驱避剂（如邻氨基苯甲酸甲酯（methyl anthranilate）），该物质对鸟类和人类安全，但接触可刺激鸟类粘膜促使其离开。多数研究采用多旋翼无人机，因其具备精确悬停、靶向机动、易起降和简化控制等优势，仅两项研究使用固定翼无人机。
声音类驱避系统：鸟类依赖声音信号进行交流、求偶、领地防御和报警。鸟类听觉最敏感范围约1-4 kHz。声音驱避器通过播放预先录制的求救声或捕食者叫声，使鸟类逃离保护区。声学网技术通过发射2-10 kHz范围的粉红噪声（pink noise）干扰鸟类交流，这是一种宽带信号，掩盖鸟类报警叫声和社会性发声的频率，导致混淆、压力增加和最终离开。声学网基本架构使用超声参数阵列，产生高度定向的2-10 kHz声音束，声压级约80 dB，通过定向扬声器发射，超声波频率的非线性转换产生可听声，保持高度定向性。尽管有多种超声波驱避产品，但有效性不一致，许多鸟类无法感知超声波频率（>20 kHz）。
视觉类驱避系统：鸟类视觉发达，视网膜包含视锥细胞和感光物质，能感知更宽光谱和光运动变化。激光驱避利用快速移动的激光束引发视觉干扰、不适和威胁感知。研究采用手持式激光和自动激光系统（如激光稻草人），常用规格包括绿色激光，功率<500 mW，波长532 nm，属于3B类激光。此外，闪烁LED灯（红或红蓝组合）可诱导鸟类不适和逃避行为，其原理基于神经生理学，类似人类对闪烁光的反应。
组合方法：文献强调单一方法不足，推荐多种互补技术。研究采用组合方法，如无人机驱赶与听觉线索（通过机载扬声器播放求救声）、视觉驱避（反光材料、鸟标本）以及化学驱避剂喷洒结合。地面系统也采用模块化、物联网（IoT）架构，组合激光、驱鸟枪和扬声器，目标是减少习惯化并增加行为不可预测性。
3.2. 用例、目标鸟类物种和研究类型分布
系统文献综述（SLR）中研究按地理区域、作物类型和研究类型分类。技术驱动的鸟类害虫管理研究集中于发达农业系统，北美占40.6%（n=14），欧洲21.9%（n=7），澳大利亚12.5%（n=4）。研究主要针对高价值特色作物系统，包括行播作物（27.8%，n=10）、葡萄园（22.2%，n=8）、果园（13.9%，n=5）和小水果（8.3%，n=3）。例如，北达科他州的黑鹂对向日葵造成大量损害，测试了无人机和声学网；欧洲椋鸟损害甜玉米，测试了激光驱避系统。超过50%的研究关注葡萄园、果园和浆果作物。研究类型中，72.2%为田间试验（n=26），11.1%为模拟（n=4），8.3%为实验室实验（n=3），8.3%为原型开发（n=3）。
3.3. 先进或自动化驱避系统中的传感器、驱动器和控制机制
现代鸟类驱避系统采用多种机电组件，包括传感器、驱动器和控制机制，实现半自动化、自动化和智能操作。系统架构包括：监测模块，最常用传感器为RGB摄像头、麦克风和运动传感器，用于检测鸟类存在和活动。RGB摄像头通常安装在地面站或驱避平台上，用于监测葡萄园、果园和家禽养殖场。声学检测方法也用于识别鸟类存在，至少一项研究采用被动红外传感器（Passive Infrared Sensor, PIR）。数据处理需要对传感器数据进行处理，采用机器学习（Machine Learning, ML）算法，如YOLOv5、SSD、RetinaNet等目标检测模型，以及DenseNet-201用于声音识别。一旦检测到鸟类，自动控制系统触发靶向驱避动作，如无人机部署或激光激活，并动态调整强度和持续时间。
3.4. 先进驱避措施的报告有效性/可测量结果
所有研究一致报告技术驱动系统显著减少鸟类活动和作物损害。评估指标包括鸟类行为响应（如鸟群放弃、减少、分散时间、返回率）和作物损害百分比。无人机驱避器：RobotFalcon在5分钟内清空整个鸟群，多旋翼无人机驱散约80%鸟群。固定翼飞机引发黑鹂飞离距离（FID）为98 m，捕食者模型固定翼无人机90 m，多旋翼55 m。喷洒驱避剂的无人机虽未显著提高放弃率，但延长了返回时间。结合视觉、听觉模块的无人机效果更佳。激光驱避器：自动激光实现97.1%每小时驱避率和40.3%日驱避率，家禽养殖场野鸟访问减少98.2%。手持激光在1分钟内驱散70%雁群，5分钟内驱散98%。声学网：短期减少鸟类存在94%，14天维持89%，向日葵损害减少28-65%。多模态平台：组合激光、驱鸟枪和声学驱避器，白天驱避率97.6%，夜间94.2%。AI检测和自动响应系统表现更优，如计算机视觉反馈的声学驱避器减少水果啄食53.8%，而无反馈的仅44.2%。
3.3. 现场部署的优势、挑战和局限性
现代系统具备监测能力，可实现靶向驱赶并减少习惯化，但AI驱动视觉系统存在计算成本高、视野有限、需专用硬件和专业知识等问题。环境多变性和物种行为差异限制视觉系统稳健性。无人机提供快速大范围响应，但效果临时，鸟群常返回。飞行续航有限（10-30分钟），需优化路径算法。多数研究仍依赖手动操作，增加劳动力成本，且受监管限制、安全风险、高成本、天气影响等。声学网通过粉红噪声减少习惯化，但覆盖范围受扬声器阵列影响，密集作物冠层会衰减声音。激光驱避器有效但受距离、光照条件和安全要求限制，静止系统灵活性差。多数研究为短期小规模试验，缺乏长期效果和经济可行性评估。习惯化是主要挑战，但量化困难。有效性取决于物种、作物结构、鸟群规模、景观等。例如，作物叶片使激光更可见，向日葵结构削弱声学网效果，鸟群规模影响放弃率。系统成本、复杂性和现场可靠性是实际采用障碍，包括互联网连接、天气、电力、技术故障等。
4. 结论
本研究通过系统文献综述（SLR）记录和批判性评估技术驱动鸟类驱避系统在粮食生产和农业环境中的现状。驱避系统随技术进步不断演变，新兴平台集成传感器驱动、自动化和自适应机制，利用先进模型和控制策略克服传统系统局限。集成实时监测、AI模型和自动驱动的系统提供靶向、基于接近度和不可预测的响应，可能增强减少鸟类活动和作物损害的能力。但严格的比较评估有限，长期有效性特别是习惯化问题尚未充分探索。无人机、自动激光和声学网是最常研究的解决方案。多模态策略优于单一模态。然而，仍面临可扩展性、稳健性、监管、成本等挑战。未来研究应优先开发可扩展、成本效益高的驱避生态系统，统一AI感知、闭环控制和多模态驱动，进行长期多季节田间试验，量化习惯化动态和经济回报。最终，自适应智能、自动化和生态理解的整合是将鸟类害虫管理转变为可持续、数据驱动现代农业组成部分的最有前景途径。
