基于人工智能技術(shù)的無(wú)人機(jī)遙感探測(cè)具有感染松材線蟲病特征的樹木

Mutiara Syifa, Sung-Jae Park, Chang-Wook Lee*

Division of Science Education, Kangwon National University, Gangwon-do 24341, Republic of Korea

1. 引言

無(wú)論是在文化還是精神方面，松樹對(duì)韓國(guó)都是至關(guān)重要的[1]。韓國(guó)有廣闊的松樹林（P. desiflora和P.thunbergii），總面積為1 507 118 hm2，占森林總面積的23.5% [2,3]。1980年，在韓國(guó)釜山首次出現(xiàn)了松材線蟲?。≒WD）。PWD造成了嚴(yán)重的損失，并給韓國(guó)松樹林帶來(lái)嚴(yán)重威脅[1]。目前，受災(zāi)地區(qū)面積達(dá)7820 hm2，涉及韓國(guó)60多個(gè)城市[4]。PWD是由一種線蟲——松材線蟲——引起的，通過(guò)名為松天牛（墨天牛屬）的昆蟲媒介傳播。該病媒感染樹木的時(shí)間為每年的6月初至7月下旬，這是成年松天牛的成熟期[4,5]。

PWD起源于北美洲[6-8]，首先傳播到日本，在那里造成了長(zhǎng)達(dá)100年的嚴(yán)重問(wèn)題[8-9]，然后在過(guò)去幾十年里傳到了中國(guó)[10]和韓國(guó)[1,4]。PWD的傳播與環(huán)境因素緊密相關(guān)，如溫度和土壤含水量[11]。松材線蟲（PWN）攻擊松樹，大多數(shù)樹木會(huì)在感染后3個(gè)月內(nèi)死亡[1,12,13]。由于煙熏、焚燒和砍伐樹木是目前僅有的控制PWD蔓延的方法，因此需要妥善地處理這一問(wèn)題，如早期檢測(cè)[1,14]。

無(wú)人機(jī)遙感被認(rèn)為有助于解決這個(gè)問(wèn)題。其靈活度高，成本低，而且無(wú)人機(jī)平臺(tái)可以配備高分辨率的遙感系統(tǒng)[15]。無(wú)人機(jī)或無(wú)人駕駛飛行器（UAV）圖像被廣泛應(yīng)用于解決林業(yè)和農(nóng)業(yè)[15-17]、城市植被[18]，甚至地震[19,20]、滑坡[21-23]、火山爆發(fā)[24,25]等災(zāi)害中的問(wèn)題。在對(duì)PWD進(jìn)行早期檢測(cè)時(shí)，葉子在秋天前變?yōu)楹稚乃蓸浔粴w為PWD表征樹。由于松樹通常在山上，在野外研究中很難識(shí)別受感染的松樹，因此無(wú)人機(jī)遙感是非常適用的。森林的地形特征也使得直接進(jìn)入森林非常具有挑戰(zhàn)性。此外，由于是從下方觀測(cè)，因此肉眼并不總能識(shí)別出感染了PWD的松樹。

在獲得無(wú)人機(jī)圖像后，我們使用監(jiān)督分類法來(lái)確定感染PWD的樹木的位置。人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量機(jī)（SVM）是兩類應(yīng)用廣泛的分類器，其分類精度已有研究驗(yàn)證[26,27]。在本研究中，我們用ANN和SVM分類器來(lái)識(shí)別具有感染PWD特征的樹木。

下一步是基于ANN和SVM的分類結(jié)果，使用誤差矩陣來(lái)評(píng)估其精度。確定分類器的精度非常重要，以便于我們?cè)u(píng)估其針對(duì)特定目標(biāo)的有效性。這可以使投保人、評(píng)估者和其他利益相關(guān)者，在林業(yè)研究人員證明這些樹木確實(shí)感染了PWD線蟲后，能夠容易地識(shí)別和處理這些樹木。

另外，除了使用無(wú)人機(jī)全球定位系統(tǒng)（GPS）的數(shù)據(jù)外，我們還使用了兩種手持GPS設(shè)備來(lái)采集實(shí)地?cái)?shù)據(jù)，并分析了使用無(wú)人機(jī)和手持GPS設(shè)備獲得的結(jié)果的差異。即便數(shù)據(jù)是從同一地點(diǎn)采集，結(jié)果還是有差別。為了了解誤差的大致情況，就必須了解手持GPS設(shè)備和無(wú)人機(jī)GPS設(shè)備得到的結(jié)果之間的差異。綜上所述，本研究的目的是找出最有效的分類器來(lái)檢測(cè)PWD表征樹，并闡明從手持GPS設(shè)備和無(wú)人機(jī)GPS設(shè)備采集的結(jié)果之間的差異。

2. 材料與方法

2.1. 材料

高清晰度無(wú)人機(jī)圖像（大疆精靈4 V 1.0，中國(guó)大疆）和兩個(gè)手持GPS設(shè)備（佳明Oregon 750 T，瑞士佳明）的GPS數(shù)據(jù)被用來(lái)采集研究區(qū)域的數(shù)據(jù)。我們主要關(guān)注兩個(gè)區(qū)域，即位于韓國(guó)江原道省春川市的Anbi村和Wonchang村，這兩個(gè)區(qū)域分別處于37°50′16.08′′N、127°34′59.88′′E和37°48′21.24′′N、127°46′30.36′′E。選擇這兩個(gè)地方是因?yàn)樗鼈円郧坝羞^(guò)PWD的記錄，所以我們假設(shè)仍然存在一些PWN，即使專家已經(jīng)根除了這些地區(qū)的PWN疾病。Wonchang村和Anbi村的研究區(qū)域如圖1（a）所示。

Anbi村和Wonchang村的無(wú)人機(jī)圖像分別采集于2018年9月16日和2018年9月23日。這兩個(gè)地區(qū)的GPS數(shù)據(jù)采集于2018年10月5日。在識(shí)別PWD表征樹之前，通過(guò)Wonchang村的一個(gè)基準(zhǔn)點(diǎn)可以校準(zhǔn)GPS設(shè)備1的結(jié)果[圖1（b）和（c）]?；鶞?zhǔn)點(diǎn)又稱測(cè)繪標(biāo)志，是一個(gè)在地球表面進(jìn)行關(guān)鍵測(cè)量并顯示海拔高度的定點(diǎn)對(duì)象。GPS設(shè)備2采用默認(rèn)設(shè)置，被稱為未校正的GPS。Anbi村只有一棵PWD表征樹，而Wonchang村有兩棵。在本研究中，我們使用Agisoft Photoscan Professional軟件對(duì)無(wú)人機(jī)圖像進(jìn)行處理，使用BaseCamp 4.7.0版對(duì)GPS數(shù)據(jù)進(jìn)行處理，以及使用ArcMap 10.4和ENVI Classic 5.3對(duì)分類器進(jìn)行分類和精度評(píng)估。為了對(duì)圖像進(jìn)行分類，我們將Anbi村分為13個(gè)土地覆蓋（LC）類，Wonchang村分為9個(gè)LC類，以便將PWD表征樹與其他類型的LC（如普通松樹、草地、其他樹種、裸地、道路和建筑物）區(qū)分開來(lái)。然而，某些類型的LC，如裸地，由于顏色相似而被歸類為PWD。因此，對(duì)研究區(qū)域內(nèi)的無(wú)人機(jī)圖像進(jìn)行分析是一項(xiàng)具有挑戰(zhàn)性的工作。Wonchang村和Anbi村的分類方案和類別定義見表1。

圖1. （a）研究區(qū)域，即位于韓國(guó)春川市的Wonchang村和Anbi村，如地球資源衛(wèi)星8號(hào)圖像所示；在Wonchang村有兩棵PWD表征樹，本圖展示了第一棵PWD表征樹（b）和第二棵PWD表征樹（c）。

表1 Wonchang村和Anbi村的LC分類及定義

2.2. 方法

在對(duì)研究區(qū)域的PWD表征樹繪圖時(shí)，我們使用了兩種人工智能（AI）技術(shù)：ANN和SVM分類器。Yuan等[16]利用ANN和SVM對(duì)大豆植株的葉面積指數(shù)（LAI）進(jìn)行了高精度的估計(jì)。因此，我們使用誤差矩陣法計(jì)算了這兩個(gè)分類器的精度，并評(píng)估了ANN和SVM的分類結(jié)果。誤差矩陣法評(píng)估了總體精度、kappa系數(shù)、生產(chǎn)者精度和用戶精度。除了評(píng)估這兩種分類器的精度，我們還比較了來(lái)自兩個(gè)研究地區(qū)的無(wú)人機(jī)GPS結(jié)果和手持GPS結(jié)果。為了評(píng)估這些差異，我們將使用無(wú)人機(jī)識(shí)別的每個(gè)PWD表征樹的中心點(diǎn)與來(lái)自手持GPS設(shè)備的結(jié)果進(jìn)行了比較。我們將研究方法分為4個(gè)階段：無(wú)人機(jī)圖像采集、圖像分類、精度評(píng)估以及分類結(jié)果與GPS結(jié)果的比較，如圖2所示。

2.2.1. 人工神經(jīng)網(wǎng)絡(luò)

ANN是一種數(shù)學(xué)框架，旨在通過(guò)一個(gè)加強(qiáng)輸入和輸出數(shù)據(jù)之間聯(lián)系的并行過(guò)程來(lái)模擬人類的學(xué)習(xí)過(guò)程[28,29]。神經(jīng)網(wǎng)絡(luò)最常見的實(shí)現(xiàn)方式之一是前饋網(wǎng)絡(luò)（FFN），這也是我們?cè)诒狙芯恐惺褂玫?。這是一個(gè)非參數(shù)非線性模型，由輸入層、隱含層和輸出層[30]組成。所有的ANN都有特定數(shù)量的節(jié)點(diǎn)，這些節(jié)點(diǎn)在后面的層級(jí)中以特定的權(quán)重和偏差相互連接。FFN可定義為：

圖2. 本研究中用于確定ANN和SVM分類器精度的方法流程圖，并比較無(wú)人機(jī)全球定位系統(tǒng)（GPS）數(shù)據(jù)和兩個(gè)手持GPS設(shè)備的數(shù)據(jù)。

式中，下標(biāo)i和j分別表示上一層和當(dāng)前層；x為節(jié)點(diǎn)值；b和w分別為偏差值和權(quán)重值；n是上一層的節(jié)點(diǎn)數(shù)；f表示當(dāng)前層的轉(zhuǎn)移函數(shù)。輸出層為線性函數(shù)，隱含層為S型對(duì)數(shù)函數(shù)。這種組合被認(rèn)為可以有效增強(qiáng)ANN的外推能力[29,31]。為了使輸入和輸出數(shù)據(jù)之間的誤差最小化，我們使用了一種反向傳播算法（BPA）來(lái)訓(xùn)練ANN。

因此，輸入和輸出通過(guò)網(wǎng)絡(luò)被反復(fù)地饋送，并且誤差從輸出層傳至輸入層[32]。ANN模型中最關(guān)鍵的參數(shù)是神經(jīng)元的數(shù)量；使用更多的神經(jīng)元可以獲得更高的學(xué)習(xí)精度，但會(huì)削弱ANN [28]的普適性。在本研究中，我們的工作以Kavzoglu的網(wǎng)絡(luò)架構(gòu)和訓(xùn)練模式[33]為基礎(chǔ)。我們使用ENVI Classic 5.3來(lái)訓(xùn)練ANN。采用logistic激勵(lì)函數(shù)，將訓(xùn)練閾值貢獻(xiàn)和動(dòng)量設(shè)置為0.9，將速率場(chǎng)、均方根（RMS）退出閾值和訓(xùn)練迭代次數(shù)分別設(shè)置為0.2、0.1和100。

2.2.2. 支持向量機(jī)

SVM是一種基于統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)方法。SVM最初由Cortes和Vapnik [34]提出，是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化（SRM）的非參數(shù)算法，而不是ANN采用的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化（ERM）算法。ERM旨在最小化分類器使用的訓(xùn)練數(shù)據(jù)中的誤差，而SRM旨在最大化待分類數(shù)據(jù)組之間的邊距，從而最大化模型的普適性[35]。在實(shí)施SVM時(shí)，必須使用合適的、能夠反映數(shù)據(jù)點(diǎn)之間相似性的核函數(shù)[36]。鑒于徑向基函數(shù)（RBF）核在非線性分類算法中的優(yōu)良性能，因此我們采用了該核函數(shù)[37,38]。在本研究中，為了生成盡可能精確的模型，我們將懲罰參數(shù)和gamma分別設(shè)為100和0.5。

3. 結(jié)果

利用ENVI Classic 5.3中實(shí)現(xiàn)的ANN和SVM分類器對(duì)從兩個(gè)研究區(qū)域采集的無(wú)人機(jī)圖像進(jìn)行分類。除了無(wú)人機(jī)圖像數(shù)據(jù)外，我們還采集了GPS數(shù)據(jù)，以便能夠評(píng)估從無(wú)人機(jī)和手持GPS設(shè)備采集的GPS數(shù)據(jù)之間的差異。Wonchang村的圖像被分為6類：感染PWD的樹木、正常的松樹、草木、道路、陰影和裸地。而在Anbi村，我們使用了以下類別：感染PWD的樹木、正常的松樹、草木、建筑物、道路和陰影。采用逐像素分層抽樣的方法對(duì)分類精度進(jìn)行評(píng)估。從無(wú)人機(jī)圖像中隨機(jī)選擇每類中的像素點(diǎn)并將其作為參考點(diǎn)，然后將這些參考點(diǎn)與SVM和ANN分類器在這兩個(gè)區(qū)域的結(jié)果進(jìn)行比較。

我們使用Microsoft Excel計(jì)算矩陣，并評(píng)估總體精度、kappa系數(shù)、生產(chǎn)者精度和用戶精度，以便對(duì)兩個(gè)參考誤差矩陣進(jìn)行比較。kappa系數(shù)是一種離散的多元技術(shù)，常用于測(cè)量精度[39]。將kappa系數(shù)理解為一種整體判斷，在排除偶然性協(xié)議[40]后達(dá)成一致。因此，我們計(jì)算了從ANN和SVM分類結(jié)果中得到的每個(gè)誤差矩陣的kappa統(tǒng)計(jì)量，以確定哪種分類器產(chǎn)生的結(jié)果最好。

3.1. Anbi村的土地分類結(jié)果

從Anbi村采集的無(wú)人機(jī)圖像是從13個(gè)基礎(chǔ)類別中合并而來(lái)的，且被分為6類。這13個(gè)類別是根據(jù)圖像中物體的不同顏色劃分的，如有許多屋頂顏色的建筑物。因此，將圖像劃分為13類能夠使算法更容易對(duì)圖像進(jìn)行分類。在獲得分類結(jié)果后，我們合并了幾個(gè)代表同一對(duì)象的不同顏色的類。由此產(chǎn)生的6個(gè)類別如下：感染PWD的樹木、正常的松樹、草和其他樹種、建筑物、道路和陰影，如圖3所示。為了對(duì)圖像進(jìn)行分類，我們?yōu)槊拷M訓(xùn)練了5個(gè)顏色相似的多邊形。我們總共使用了65個(gè)樣本來(lái)生成LC圖。在這種情況下，與ANN [圖3（b）]相比，SVM [圖3（a）]能更好地辨別出感染PWD的樹木。圖3（c）展示了圖像的某些部分，顯示了與感染PWD的樹木顏色相似的建筑物和道路等項(xiàng)目。ANN分類器和SVM分類器都將這些項(xiàng)目分類為具有與感染PWD的樹木相同的顏色，但SVM識(shí)別樹木的效果更好。

3.2. Anbi村分類的精度評(píng)估

在表2和表3中，我們總結(jié)了基于ANN和SVM算法的PWD分類結(jié)果的誤差矩陣。這兩種方法都是基于對(duì)358個(gè)像素，即來(lái)自感染PWD的樹木的59個(gè)像素、正常的松樹的60個(gè)像素、草木的60個(gè)像素、建筑物的60個(gè)像素、道路的59個(gè)像素和陰影的60個(gè)像素的分析。所有樣本數(shù)據(jù)均基于多項(xiàng)式概率理論和分層隨機(jī)抽樣。SVM的總體精度為94.13%，而ANN的總體精度為87.43%。SVM分類器的精度更高，表明它比ANN更準(zhǔn)確。這一結(jié)論得到了兩種結(jié)果的kappa系數(shù)的支持：SVM的kappa系數(shù)為0.9296或92.96%，而ANN的kappa系數(shù)為0.8492或84.92%。

3.3. Wonchang村的土地分類結(jié)果

最初，我們根據(jù)一些具有不同顏色的對(duì)象將從Wonchang村采集的無(wú)人機(jī)圖像分為9類，然后通過(guò)合并相同對(duì)象的類，將結(jié)果簡(jiǎn)化為6類。如圖4（a）和（b）所示，使用SVM和ANN生成的Wonchang村的土地分類圖有6個(gè)類別。而圖4（c）顯示的無(wú)人機(jī)圖像中的類是根據(jù)其相似性劃分的，其中植被有許多不同的類型和顏色，包括可以被分成一類的灌木、草和樹種。然而，為了使分類器能夠快速區(qū)分各個(gè)類別，我們使用SVM和ANN對(duì)9個(gè)類別進(jìn)行了分類。

與Anbi村的情況一樣，我們根據(jù)這些類的相似性將SVM和ANN的類別進(jìn)行合并。例如，草、灌木和樹木被合并成一個(gè)類?？偟膩?lái)說(shuō)，這兩種分類器產(chǎn)生的分類結(jié)果都可以區(qū)分感染PWD的樹木，但如圖4（a）和（b）所示，SVM分類器的結(jié)果優(yōu)于ANN分類器。在Wonchang村，SVM在對(duì)一些區(qū)域進(jìn)行劃分的時(shí)候出現(xiàn)了錯(cuò)誤，但數(shù)量要少于ANN。由于秋季的到來(lái)，一些裸地和其他樹種的顏色與感染PWD的樹木的顏色相似，使得ANN將別的區(qū)域也歸類為感染了PWD的樹木。

圖3. 使用SVM分類器（a）和ANN分類器（b）從無(wú)人機(jī)圖像數(shù)據(jù)（c）中生成的Anbi村的土地分類圖。圖像中的元素可分為6類：感染PWD的樹木（橙色）、正常的松樹（淺綠色）、草木（綠色）、建筑物（藍(lán)色）、道路（淺灰色）和陰影（灰色）。

表2 利用ANN對(duì)Anbi村進(jìn)行分類得到的誤差矩陣

3.4. Wonchang村分類的精度評(píng)估

我們使用358個(gè)樣本像素，即來(lái)自感染PWD的樹木的59個(gè)像素、正常的松樹的60個(gè)像素、草木的60個(gè)像素、道路的59個(gè)像素、陰影的60個(gè)像素和裸地的60個(gè)像素來(lái)評(píng)估Wonchang村的分類結(jié)果的精度。針對(duì)Wonchang村的ANN和SVM分類器的精度評(píng)估結(jié)果分別如表4和表5所示。SVM（86.59%）比ANN（79.33%）分類更精確，這意味著SVM在類別之間的區(qū)分能力，特別是對(duì)感染PWD的樹木的識(shí)別效果，要優(yōu)于ANN。這一結(jié)論得到了kappa系數(shù)的支持：SVM的kappa系數(shù)為0.8391或83.91%，ANN的kappa系數(shù)為0.7520或75.20%。根據(jù)Landis和Koch（1997），這表明了更強(qiáng)的一致性。

表3 利用SVM對(duì)Anbi村進(jìn)行分類得到的誤差矩陣

圖4. 使用SVM分類器（a）和ANN分類器（b）從無(wú)人機(jī)圖像（c）中生成的Wonchang村的土地分類圖。圖像中的元素可分為6類：感染PWD的樹木（橙色）、正常的松樹（淺綠色）、草木（綠色）、建筑物（藍(lán)色）、道路（淺灰色）和陰影（灰色）。

3.5. GPS數(shù)據(jù)集之間的差異

手持GPS設(shè)備計(jì)算的坐標(biāo)與無(wú)人機(jī)GPS設(shè)備計(jì)算的坐標(biāo)存在一定差異，如表6和表7所示。造成這些差異的原因有很多，如GPS信號(hào)傳播誤差（電離層延遲）以及相對(duì)論效應(yīng)的影響。這兩種類型的GPS設(shè)備為Anbi村和Wonchang村的感染PWD的樹木提供了不同的坐標(biāo)。其中，對(duì)手持GPS設(shè)備1的坐標(biāo)數(shù)據(jù)進(jìn)行了實(shí)地校正，而手持GPS設(shè)備2的數(shù)據(jù)則沒有校正，我們使用了GPS設(shè)備的默認(rèn)設(shè)置。在Wonchang村，無(wú)人機(jī)GPS設(shè)備的采集結(jié)果與手持GPS設(shè)備2的采集結(jié)果之間的差異（差異為7.37 m和7.25 m）大于無(wú)人機(jī)GPS設(shè)備的采集結(jié)果與手持GPS設(shè)備1的采集結(jié)果之間的差異（差異為9.75 m和1.22 m）。因此，校正了坐標(biāo)的GPS設(shè)備1的結(jié)果與無(wú)人機(jī)GPS設(shè)備結(jié)果更一致。然而，在Anbi村，GPS設(shè)備2的采集結(jié)果與使用無(wú)人機(jī)GPS設(shè)備獲得的結(jié)果更接近（差異為0.14 m和2.49 m）。因此，在這種情況下，來(lái)自設(shè)備的默認(rèn)數(shù)據(jù)比GPS設(shè)備1提供的校正數(shù)據(jù)的結(jié)果更優(yōu)（差異為7.08 m和3.37 m）。

4. 討論

利用ANN和SVM兩種分類器對(duì)無(wú)人機(jī)圖像進(jìn)行處理后，所生成的Wonchang村和Anbi村的分類結(jié)果、精度評(píng)估以及GPS數(shù)據(jù)集之間的差異都已經(jīng)在結(jié)果部分提到。然而，還有一些有待商榷的結(jié)論，將在接下來(lái)一節(jié)中進(jìn)行討論。

4.1. 來(lái)自Anbi村的土地分類圖

從Anbi村獲得的SVM和ANN分類器的分類結(jié)果來(lái)看，盡管兩者在地圖上看起來(lái)只是略有不同，但它們的精度卻存在較大差異。然而，如果我們仔細(xì)查看這兩種分類結(jié)果[圖3（a）和（b）]，分類結(jié)果確實(shí)有些不同。例如，在SVM結(jié)果中顯示的感染PWD的樹木不像在ANN中那么多，無(wú)論是對(duì)感染PWD的樹木本身還是對(duì)錯(cuò)誤分類區(qū)域都是如此。此外，諸如道路、陰影和建筑物等其他類別在一些不應(yīng)該被檢測(cè)到的區(qū)域中被檢測(cè)到了，這在ANN分類結(jié)果中尤其明顯。

混淆矩陣（誤差矩陣）方法建立了分類結(jié)果與參考數(shù)據(jù)之間的對(duì)應(yīng)關(guān)系，因此即使LC地圖看起來(lái)相似，SVM和ANN在精度上也會(huì)存在差異。此外，無(wú)論是對(duì)總體精度還是對(duì)kappa系數(shù)，該方法利用像素?cái)?shù)來(lái)確定精度。因此，即使感染PWD的樹木的陰影相似，所顯示的精度結(jié)果也適用于所有錯(cuò)誤分類的類。

表4 Wonchang村的誤差矩陣，采用ANN進(jìn)行分類

表5 Wonchang村的誤差矩陣，采用SVM進(jìn)行分類

表6 從Anbi村采集的3個(gè)GPS數(shù)據(jù)集的比較

表7 從Wonchang村采集的3個(gè)GPS數(shù)據(jù)集的比較

4.2. Anbi村的精度評(píng)估

精度評(píng)估代表了生成的分類圖的精度。在評(píng)估精度時(shí)，采用混淆矩陣計(jì)算像素?cái)?shù)并進(jìn)行比較。從表2和表3可以看出，SVM的總體精度和kappa系數(shù)比ANN得到的結(jié)果更優(yōu)。從每個(gè)表中，我們可以看到各個(gè)類的用戶精度，又稱可靠性。表3中的一些類別顯示出很高的百分比，如草木類以及陰影類，這意味著如果該地圖的用戶進(jìn)行實(shí)地考察，這些類將經(jīng)常出現(xiàn)在地面上。

4.3. 來(lái)自Wonchang村的土地分類圖

與Anbi村的結(jié)果一樣，Wonchang村的分類結(jié)果略有不同，但精度卻相差甚遠(yuǎn)。由于采用同樣的方法來(lái)計(jì)算精度，并采用像素?cái)?shù)來(lái)確定總體精度和kappa系數(shù)，因此可以解釋分類結(jié)果和精度結(jié)果之間的矛盾之處。仔細(xì)觀察圖4（a）和（b）就會(huì)發(fā)現(xiàn)，ANN中錯(cuò)誤分類的面積大于SVM，特別是感染了PWD的樹木類。此外，裸地和一些棕色的草也被檢測(cè)為感染了PWD的樹木，這使得在Wonchang村的結(jié)果中，ANN的總體精度低于SVM。

4.4. Wonchang村的精度評(píng)估

與Anbi村相似，Wonchang村的精度評(píng)估也采用了同樣的方法。我們采用誤差矩陣方法生成了總體精度和kappa系數(shù)。如表4和表5所示，SVM的總體精度高于ANN，kappa系數(shù)的檢測(cè)結(jié)果也是如此。該精度百分?jǐn)?shù)受分類結(jié)果和每個(gè)類別的精度的影響。相較于其他類，裸地類的生產(chǎn)者精度較低，這意味著只有35%的裸地能正確地顯示在分類地圖上，或者可以說(shuō)，在地圖上劃分裸地的概率只有35%。相反，這一類別的用戶精度高達(dá)91.30%，因此，盡管其生產(chǎn)者精度較低，分類結(jié)果地圖中的裸地類仍是可靠的。然而，由于每個(gè)類別的精度都會(huì)影響總體精度和kappa精度，因此這個(gè)例子可以解釋為什么SVM比ANN更優(yōu)。

4.5. GPS數(shù)據(jù)集之間的差異

手持GPS設(shè)備1和GPS設(shè)備2的不同之處僅來(lái)自其坐標(biāo)數(shù)據(jù)。手持GPS設(shè)備1通過(guò)將GPS記錄到Wonchang村和Anbi村附近的基準(zhǔn)點(diǎn)上進(jìn)行校正。而手持GPS設(shè)備2未校正到基準(zhǔn)點(diǎn)。如結(jié)果部分所述，這種差異可能是由于GPS信號(hào)傳播誤差和相對(duì)論效應(yīng)等技術(shù)原因造成的，處理數(shù)據(jù)和現(xiàn)場(chǎng)技術(shù)方面的工作流程也可能會(huì)對(duì)本研究產(chǎn)生影響。

5. 結(jié)論

我們使用ANN和SVM算法對(duì)Anbi村和Wonchang村的圖像進(jìn)行分類，并成功地將感染PWD的樹木與無(wú)人機(jī)圖像中觀察到的其他類型的覆蓋物區(qū)分開來(lái)。我們從SVM分類器中得到了更好的結(jié)果，其總體精度（Anbi村為94.13%，Wonchang村為86.59%）高于ANN分類器（Anbi村為87.43%，Wonchang村為79.33%）。與ANN分類器相比，SVM分類器的kappa系數(shù)表現(xiàn)出更強(qiáng)的一致性（Anbi村為0.9296，Wonchang村為0.8391）。這表明，在對(duì)具有與感染PWD的樹木相似特征的覆蓋物或特定樹木的類型進(jìn)行分類這一方面，SVM分類器優(yōu)于ANN分類器。

3種設(shè)備所采集的GPS數(shù)據(jù)集存在一些差異。校正后的手持GPS設(shè)備在Wonchang村獲得的結(jié)果更精確，但在Anbi村，提供原始數(shù)據(jù)的手持GPS設(shè)備的結(jié)果更接近無(wú)人機(jī)GPS設(shè)備的結(jié)果?？偟膩?lái)說(shuō)，這兩種算法成功地區(qū)分了感染PWD的樹木和無(wú)人機(jī)圖像中顯示的其他類型的覆蓋物。這些算法可供專家、政府及其他保險(xiǎn)客戶使用，以促進(jìn)對(duì)感染PWD的樹木的早期檢測(cè)，并將幫助他們找到解決這一問(wèn)題的最佳方案。林業(yè)研究人員或?qū)＜倚枰M(jìn)行后續(xù)觀察，以確認(rèn)感染PWD的樹木是否確實(shí)受到PWD的感染。

Acknowledgments

This research was supported by a grant from the National Research Foundation of Korea, provided by the Korean government (No. 2017R1A2B4003258, 2018).

Compliance with ethics guidelines

Mutiara Syifa, Sung-Jae Park and Chang-Wook Lee declare that they have no conflict of interest or financial con fl icts to disclose.