松材線蟲病遙感監(jiān)測研究進(jìn)展及方法述評

張曉東，楊皓博，蔡佩華，陳關(guān)州，李賢蔚，朱 坤

松材線蟲病遙感監(jiān)測研究進(jìn)展及方法述評

張曉東1，楊皓博1，蔡佩華2，陳關(guān)州1※，李賢蔚1，朱 坤1

（1. 武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗室，武漢 430079；2. 長江大學(xué)地球科學(xué)學(xué)院，武漢 430100）

該研究旨在綜合述評松材線蟲病遙感監(jiān)測的歷史及近年來的研究進(jìn)展，并就當(dāng)前研究和工作中產(chǎn)生的問題給出建議與展望，為相關(guān)管理部門、科研院所以及從業(yè)者提供技術(shù)參考和輔助決策依據(jù)。該研究以科學(xué)引文數(shù)據(jù)庫（WoS）和CNKI檢索并篩選后得到的文獻(xiàn)為基礎(chǔ)，系統(tǒng)梳理松材線蟲病遙感監(jiān)測的提出及發(fā)展；根據(jù)遙感監(jiān)測的對象層次分類梳理了相關(guān)研究中使用的方法，就當(dāng)前研究中存在的問題進(jìn)行歸納和總結(jié)，最后給出了未來可能的工作及研究方向。該研究發(fā)現(xiàn)：1）2017年來松材線蟲病遙感監(jiān)測一直處于研究熱點(diǎn)。2）松材線蟲病遙感監(jiān)測研究使用數(shù)據(jù)的運(yùn)載平臺大多為以無人機(jī)為代表的機(jī)載平臺，而光譜類型以RGB和多光譜為主。3）松材線蟲病遙感監(jiān)測的粒度以單株為主，監(jiān)測使用的病害類別體系繁多且不同類別體系間的關(guān)系模糊。4）機(jī)器學(xué)習(xí)和深度學(xué)習(xí)兩類方法在松材線蟲病遙感監(jiān)測研究中占據(jù)壟斷地位，但兩類方法各有優(yōu)勢、互不取代。該研究認(rèn)為遙感調(diào)查極大提高了松材線蟲病疫情增量控制及存量消減工作的效率，但存在單一數(shù)據(jù)源難以滿足大范圍細(xì)粒度的監(jiān)測需求、病害類別體系雜亂、數(shù)據(jù)集不統(tǒng)一不標(biāo)準(zhǔn)、缺乏長時序監(jiān)測成果等方面的問題。該研究提出未來可以在空天數(shù)據(jù)融合、病害類別體系及數(shù)據(jù)集標(biāo)準(zhǔn)化和短周期長時序監(jiān)測等3個方面進(jìn)一步開展工作及研究，將有助于松材線蟲病遙感監(jiān)測的進(jìn)一步實(shí)時化和智能化。

遙感；機(jī)器學(xué)習(xí)；松材線蟲??；深度學(xué)習(xí)；植被指數(shù)

0 引 言

松材線蟲?。≒ine Wilt Disease，PWD）是一種由松材線蟲（Pine Wood Nematode，PWN）引起的傳染性植物病害[1-3]（PWD直譯為松樹枯萎病，PWN直譯為松材線蟲。在中文文獻(xiàn)中常用松材線蟲病，罕見使用松樹枯萎病；在英文文獻(xiàn)中常用PWN表示松材線蟲病，常用拉丁學(xué)名表示松材線蟲。本文遵循《松材線蟲普查監(jiān)測技術(shù)規(guī)程》（GB/T 2347—2009）和相關(guān)文件，松材線蟲病取用PWD，松材線蟲取用PWN）。中國自1982年首次發(fā)現(xiàn)松材線蟲病[4]以來，感染面積不斷增大。根據(jù)國家林業(yè)和草原局2018—2022年發(fā)布的松材線蟲病疫區(qū)公告顯示，近五年來中國縣級疫區(qū)數(shù)量仍在增長但增速放緩。對2021年、2022年中國松材線蟲病疫區(qū)數(shù)量進(jìn)行統(tǒng)計后可以發(fā)現(xiàn)：東中部地區(qū)是松材線蟲病嚴(yán)重區(qū)域且疫情出現(xiàn)了向西北內(nèi)陸擴(kuò)展的趨勢。松材線蟲病由于具有適生范圍廣、寄主種類多、傳播速度快、染病死亡率高、防治困難等特點(diǎn)[2,5-6]，對中國生態(tài)安全、生物安全和經(jīng)濟(jì)發(fā)展產(chǎn)生了巨大影響[7-9]。為了遏制松材線蟲病疫情發(fā)生程度和擴(kuò)散蔓延勢頭，降低病疫對生態(tài)安全和經(jīng)濟(jì)發(fā)展的影響[8,10]，各級林業(yè)部門亟需建立一套大規(guī)模、高效率、智能化監(jiān)測體系，用于現(xiàn)有疫情及治理情況的監(jiān)測與把控，實(shí)現(xiàn)新發(fā)疫情的“早發(fā)現(xiàn)、早報告”。目前廣泛采用的監(jiān)測方法是由國家林業(yè)和草原局發(fā)布的《松材線蟲病防治技術(shù)方案（2021年版）》中提出的地面巡查和航空航天遙感調(diào)查[11]兩種。相較于地面巡查，以無人機(jī)和衛(wèi)星傳感器為數(shù)據(jù)源的航空航天遙感調(diào)查具有成本低、效率高、作業(yè)范圍廣和多時空尺度等特點(diǎn)，既可大幅減少林業(yè)調(diào)查員的工作量又能提高監(jiān)測準(zhǔn)確度。

本文從領(lǐng)域相關(guān)研究趨勢、松材線蟲病遙感監(jiān)測機(jī)理、松材線蟲病遙感監(jiān)測主要方法等方面進(jìn)行系統(tǒng)梳理和分析，總結(jié)利用遙感手段監(jiān)測松材線蟲病相關(guān)的研究現(xiàn)狀、發(fā)展趨勢和面臨的挑戰(zhàn)，并就未來研究和工作給出幾點(diǎn)展望，為相關(guān)管理部門、科研院所以及從業(yè)者提供技術(shù)參考和輔助決策依據(jù)。

1 松材線蟲病遙感監(jiān)測的提出與發(fā)展

本文分別在科學(xué)引文數(shù)據(jù)庫（Web of Science，WoS）核心合集和中國知識基礎(chǔ)設(shè)施工程（China National Knowledge Infrastructure，CNKI）中文庫中進(jìn)行文獻(xiàn)檢索與收集。檢索完成后，人工對檢索結(jié)果進(jìn)行篩選，剔除與松材線蟲病遙感監(jiān)測聯(lián)系不緊密的和重復(fù)的文章。具體檢索方式及結(jié)果如表1所示。

表1 WoS與CNKI文獻(xiàn)檢索條件及結(jié)果

注：檢索條件中的“%”代表模糊檢索。

Note: In the retrieval criteria, “%” represents fuzzy search.

從篩選結(jié)果的時間跨度可以看出：20世紀(jì)90年代便出現(xiàn)了松材線蟲病遙感監(jiān)測的相關(guān)研究[12]。之后很長一段時間開展的松材線蟲病遙感監(jiān)測的研究聚焦于松材線蟲病染病樹光譜特征。王震等利用光譜輻射計測量了4種不同受害類型馬尾松在350～1 050 nm間的光譜曲線，進(jìn)行顯著性分析后發(fā)現(xiàn)不同受害類型的光譜曲線差異明顯且在近紅外區(qū)域大部分受害類型間光譜反射率存在極顯著差異[13]。Kim等對注射和未注射松材線蟲的樹木在4個月期間進(jìn)行了15次光譜測量，通過分析光譜曲線發(fā)現(xiàn)感染松樹在綠色波段、紅色波段和中紅外波段的數(shù)值相較于健康樹木都有明顯改變[14]；徐華潮等對黑松和馬尾松兩類松樹在6個不同染病階段的反射光譜進(jìn)行測量，進(jìn)行曲線分析后發(fā)現(xiàn)近紅外和中紅外波段（>800 nm）可以明顯反映松材線蟲開始侵染及發(fā)病初期兩個階段的樹木病害情況，而350～700 nm的可見光波段在病害中期可較好地反映樹木病害情況[15]。大量對松材線蟲病染病樹光譜特征的研究都證明從遙感數(shù)據(jù)中可以對松材線蟲病染病樹木進(jìn)行識別且可對不同染病階段進(jìn)行區(qū)分，這為松材線蟲病遙感監(jiān)測奠定了理論基礎(chǔ)。

在松材線蟲病遙感監(jiān)測的理論基礎(chǔ)之上，許多監(jiān)測方法相繼提出。從相關(guān)文章年發(fā)文量的時間序列分析結(jié)果（圖1）中可以發(fā)現(xiàn)在很長一段時間內(nèi)松材線蟲病遙感監(jiān)測一直處于不溫不火的狀態(tài)，但2017年后CNKI中的文獻(xiàn)數(shù)量持續(xù)增長，2017—2021年平均年增幅達(dá)88.32%，WoS核心合集中的文獻(xiàn)數(shù)量從2018年也開始持續(xù)增長，2018—2021年平均年增幅高達(dá)140.63%。從總數(shù)上來看，近七成文獻(xiàn)發(fā)表于2017年后。上述現(xiàn)象表明2017年后利用遙感手段開展松材線蟲病監(jiān)測已逐漸成為林業(yè)遙感研究熱點(diǎn)之一。

圖1 WoS與CNKI年發(fā)文量變化

2 松材線蟲病遙感監(jiān)測研究現(xiàn)狀

2.1 數(shù)據(jù)源類型分析

從文獻(xiàn)中使用的數(shù)據(jù)源進(jìn)行分析得到的結(jié)果（圖2）可以看出大多數(shù)研究以無人機(jī)（UAV）為代表的機(jī)載數(shù)據(jù)作為數(shù)據(jù)源，少數(shù)學(xué)者基于星載數(shù)據(jù)進(jìn)行相關(guān)研究；而從數(shù)據(jù)光譜類型上看，以RGB數(shù)據(jù)和多光譜數(shù)據(jù)為主， 其中多光譜數(shù)據(jù)中多為四波段（紅波段、綠波段、藍(lán)波段、近紅外波段）數(shù)據(jù)和五波段（紅波段、綠波段、藍(lán)波段、近紅外波段、紅邊波段）數(shù)據(jù)。從分辨率上看，機(jī)載數(shù)據(jù)地面分辨率絕大部分為厘米級，而星載數(shù)據(jù)地面分辨率絕大部分為米級。

圖2 數(shù)據(jù)源類型統(tǒng)計分析結(jié)果

在目前松材線蟲病遙感監(jiān)測的研究中，有的學(xué)者探求了不同影像數(shù)據(jù)在相同方法下的檢測效果差異。Syifa等分別將無人機(jī)超高分辨率多光譜和高光譜數(shù)據(jù)作為相同算法的輸入，結(jié)果顯示多光譜數(shù)據(jù)比高光譜數(shù)據(jù)總體精度高[16]。Yu等使用相同算法對比了無人機(jī)獲取的高光譜數(shù)據(jù)、LIDAR數(shù)據(jù)和兩者組合使用等3種類型數(shù)據(jù)識別樹木染病階段的效果，其研究結(jié)果表明：高光譜數(shù)據(jù)對染病階段的分類準(zhǔn)確率高于LIDAR數(shù)據(jù)，但LIDAR數(shù)據(jù)有著比高光譜數(shù)據(jù)更準(zhǔn)確識別死樹的能力[17]。

2.2 監(jiān)測粒度與病害類別體系分析

本文所提到的監(jiān)測粒度主要指監(jiān)測的細(xì)致程度，即最小識別單元。遙感數(shù)據(jù)源多樣化導(dǎo)致了松材線蟲病遙感監(jiān)測的粒度呈現(xiàn)多層次的特點(diǎn)。在已有松材線蟲病遙感監(jiān)測的研究中，監(jiān)測粒度以單棵植株為主，還有少數(shù)研究的粒度為區(qū)域，劃分區(qū)域的方法有兩種：一是從林業(yè)工作角度出發(fā)使用“小班”（“小班”是林業(yè)術(shù)語，其定義為：內(nèi)部特征基本一致，與相鄰地段有明顯區(qū)別，而需要采取相同經(jīng)營措施的森林地塊或小區(qū)。是森林資源規(guī)劃設(shè)計調(diào)查、統(tǒng)計和森林經(jīng)營管理的基本單位[18]。）進(jìn)行劃分，二是從遙感數(shù)據(jù)處理角度出發(fā)使用規(guī)則格網(wǎng)進(jìn)行劃分。

不同監(jiān)測粒度下建立病害類別體系的依據(jù)和方式有所不同。在單株監(jiān)測粒度下，研究者根據(jù)松樹表征以判斷被感染程度從而建立病害類別體系。在目前獲取的研究中，出現(xiàn)了眾多類別體系且體系間關(guān)系模糊?；诓『︻悇e體系中的類別數(shù)量的統(tǒng)計結(jié)果（表2）可以看出：病害類別體系中的類別數(shù)量從2類到6類不等；相同類別數(shù)量的病害類別體系依據(jù)不同的分類標(biāo)準(zhǔn)又衍生出多個不同的體系。例如：在目前獲取的文獻(xiàn)中使用最多的類別數(shù)量為2類的病害類別體系下，就有十余種不同的體系，而感染和未感染、健康和受感染、病樹和健康樹是使用量居前的三種體系。當(dāng)監(jiān)測粒度為區(qū)域時，研究者常依據(jù)病害松樹的像素或面積占比來確定區(qū)域受害程度從而劃分病害類別體系，但這些類別體系間關(guān)系也較為模糊。李浩等根據(jù)經(jīng)驗劃分了健康、輕度感染、中度感染、重度感染4個類別[19]；鄧世晴參考《林業(yè)有害生物成災(zāi)標(biāo)準(zhǔn)》和林業(yè)部門相關(guān)經(jīng)驗劃分了健康、輕害、中害、重害、極為嚴(yán)重5個類別[20]。

表2 單株監(jiān)測粒度下的病害類別體系及使用情況統(tǒng)計

2.3 主要監(jiān)測方法分析

從目前獲取到的文獻(xiàn)中可以發(fā)現(xiàn)，自動化、智能化已經(jīng)成為松材線蟲病遙感監(jiān)測研究的主要發(fā)展方向。機(jī)器學(xué)習(xí)作為實(shí)現(xiàn)自動化和智能化的主要手段，主要可以分為經(jīng)典機(jī)器學(xué)習(xí)和深度學(xué)習(xí)兩類。兩類方法在松材線蟲病遙感監(jiān)測中均有應(yīng)用。

2.3.1 基于經(jīng)典機(jī)器學(xué)習(xí)的識別提取

經(jīng)過40余年的發(fā)展，經(jīng)典機(jī)器學(xué)習(xí)已形成一套范式。在經(jīng)典機(jī)器學(xué)習(xí)過程中構(gòu)建數(shù)據(jù)特征和分類器選擇是重要的兩個環(huán)節(jié)。構(gòu)建可分性高的特征是經(jīng)典機(jī)器學(xué)習(xí)識別準(zhǔn)確度的重要保障；選擇適合的分類器是提高經(jīng)典機(jī)器學(xué)習(xí)效率的關(guān)鍵。

1）構(gòu)建數(shù)據(jù)特征

在基于經(jīng)典機(jī)器學(xué)習(xí)的松材線蟲病染病樹監(jiān)測研究中，光譜特征和植被指數(shù)特征是最常被使用的兩類特征，少數(shù)研究也使用了紋理特征。

光譜特征常通過光譜特征指數(shù)進(jìn)行量化表現(xiàn)。馬躍等的研究發(fā)現(xiàn)紅邊位置（Red Edge Position，REP）、綠峰反射高度（Green-peak Height，GH）、紅谷吸收深度（Red-valley Depth，RD）及紅邊斜率（Red Edge Slope，RES）可以較好地反映松樹健康狀況[21]。徐華潮等的研究發(fā)現(xiàn)病害階段可以通過REP、GH、RES和水分脅迫波段反射率（Reflectance of Water Stress Band，RWSB）等特征參數(shù)進(jìn)行區(qū)分[15]。

植被指數(shù)是使用多光譜數(shù)據(jù)經(jīng)線性或非線性組合產(chǎn)生的對植被狀況和生物量等有一定指示意義的數(shù)值[22]。經(jīng)過長期發(fā)展，國內(nèi)外研究者已經(jīng)提出了百余種不同的植被指數(shù)，本研究對目前收集到的松材線蟲病遙感監(jiān)測研究中使用到的植被指數(shù)進(jìn)行了總結(jié)（表3）。在表3所示的指數(shù)中，有的指數(shù)作為單一特征就能獲得較好的染病樹或枯死樹識別結(jié)果。Li等的研究通過評價組合指數(shù)中各指數(shù)對最后結(jié)果的影響指出GNDVI對于染病樹識別的貢獻(xiàn)最大[23]；鄧世晴的研究指出使用RGNDI能夠較好識別枯死松樹[20]；李浩等的研究中使用ExG獲得了較好的病害樹識別結(jié)果[19]。Kim等提出了GRSAI并證明相較其他指數(shù)有著更好更穩(wěn)定區(qū)分不同染病階段樹木的能力[14]。

紋理特征是一類體現(xiàn)物體表面的具有緩慢變化或者周期性變化的表面結(jié)構(gòu)組織排列屬性的特征。Shamsoddini等的研究指出使用紋理特征可以提高樹木識別的準(zhǔn)確度[24]；張瑞瑞等的研究表明使用Haralick紋理特征能夠在背景復(fù)雜時降低識別錯誤率、減少“椒鹽現(xiàn)象”[25]；劉金滄等在RGB影像數(shù)據(jù)的基礎(chǔ)上增加Gabor特征、局部二值模式（Local Binary Pattern，LBP）特征和方向梯度直方圖（Histogram of Oriented Gradient，HOG）特征，獲得了比只使用RGB影像數(shù)據(jù)更精確結(jié)果[26]；但李鳳迪選用HOG作為輸入特征未獲得理想效果[27]。

在基于經(jīng)典機(jī)器學(xué)習(xí)的松材線蟲病染病樹監(jiān)測研究中，大多數(shù)研究使用特征數(shù)量均在10個以上的組合特征作為分類器的輸入。Yu等的研究結(jié)果表明多種光譜特征指數(shù)和植被指數(shù)的組合在識別樹木不同感染階段方面表現(xiàn)出較高的準(zhǔn)確度，而以某波段范圍內(nèi)最大反射率和反射率偏斜度等構(gòu)成的紅邊參數(shù)（Red Edge Parameters，REPs）可以較好的區(qū)分出健康樹木和處于感染早期階段的樹木[28]。Iordache等的研究針對多光譜和高光譜兩種影像，分別選擇了13種指數(shù)組合作為分類器特征[29]。相較于單個特征，組合特征在一定程度上可以提識別準(zhǔn)確度，且在早期染病樹的識別方面擁有較大優(yōu)勢；而組合特征的劣勢在于會增加特征構(gòu)建的工作量和計算量。

2）分類器選擇

經(jīng)典的監(jiān)督分類器均可被用于松材線蟲病遙感監(jiān)測研究中，其中支持向量機(jī)（Support Vector Machines，SVM）、隨機(jī)森林（Random Forest，RF）和條件隨機(jī)場（Conditional Random Field，CRF）等分類器等應(yīng)用普遍。

大部分松材線蟲病遙感監(jiān)測研究均對分類器效果的進(jìn)行對比試驗與評價。Syifa等對比人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）和SVM兩種分類器方法在兩個地區(qū)區(qū)分健康樹和病樹的結(jié)果發(fā)現(xiàn)，SVM在對樹木進(jìn)行分類時比ANN更準(zhǔn)確[16]。Yu等使用相同的11個特征作為分類器輸入，發(fā)現(xiàn)RF的識別精度要比SVM略高[17]；劉金滄等的研究表明考慮了交互勢能的CRF要比SVM、RF和Boost精度更高[26]。

表3 文獻(xiàn)中使用到的植被指數(shù)

2.3.2 基于深度學(xué)習(xí)技術(shù)的識別提取

深度學(xué)習(xí)脫胎于機(jī)器學(xué)習(xí)，但相較于經(jīng)典機(jī)器學(xué)習(xí)復(fù)雜的特征構(gòu)建工作，卷積神經(jīng)網(wǎng)絡(luò)可以自動挖掘遙感影像中的深層特征進(jìn)而提升識別或分類的準(zhǔn)確度。根據(jù)影像中對象的構(gòu)建層次[53]，從大到小可以分為場景級、目標(biāo)級和像素級3類任務(wù)（圖3）。3個層次在松材線蟲病遙感監(jiān)測研究中均有使用。

圖3 深度學(xué)習(xí)任務(wù)級別示意圖

1）松材線蟲病場景級監(jiān)測

松材線蟲病場景級監(jiān)測主要使用場景分類方法，其本質(zhì)就是對影像中的高層語義信息進(jìn)行識別。在松材線蟲病場景級監(jiān)測研究中，場景的建立常通過建立格網(wǎng)將影像切分為大小一致的圖像進(jìn)行。Tao等的研究是目前獲取到較早使用深度學(xué)習(xí)技術(shù)進(jìn)行場景級松材線蟲病遙感監(jiān)測的研究。該研究對比了AlexNet和GoogLeNet兩種卷積神經(jīng)網(wǎng)絡(luò)和模板匹配（Template Matching，TM）在識別枯死松樹上的表現(xiàn)，證明卷積神經(jīng)網(wǎng)絡(luò)相較TM方法識別的更為準(zhǔn)確[54]。Zhou等在LeNet-5網(wǎng)絡(luò)中使用了RELU激活函數(shù)獲得了較好的染病樹木識別精度[55]。周志達(dá)等對比了5種ResNet結(jié)構(gòu)并使用正則化手段防止過擬合，其試驗結(jié)果表明ResNet18模型在染病樹木識別方面具備良好可靠性[56]。Huang等的研究使用RGRI替代紅波段、近紅外波替代綠波段的圖像作為樣本數(shù)據(jù)，對比了5種常用網(wǎng)絡(luò)模型識別染病樹的表現(xiàn)，結(jié)果表明SqueezeNet僅用不到ResNet18一半的訓(xùn)練時間就獲得了與后者類似的精度和穩(wěn)定性[57]。

2）松材線蟲病目標(biāo)級監(jiān)測

松材線蟲病目標(biāo)級監(jiān)測主要使用目標(biāo)檢測算法，其本質(zhì)是獲取目標(biāo)物在圖像中的位置及類別信息。目標(biāo)檢測有兩類主流的算法[58]：一類是基于回歸思想的一階段算法，典型代表是SSD[59]和YOLO[60]；另一類是基于分類思想的二階段算法，R-CNN[61]、Fast R-CNN[62]和Faster R-CNN[63]是典型代表。從表4中可以看出，在目標(biāo)級松材線蟲病遙感監(jiān)測研究中，兩種類型的目標(biāo)檢測算法均得到廣泛使用。

表4 松材線蟲病目標(biāo)級監(jiān)測研究對比

從表4中可以看出使用一階段算法的研究者均選擇了YOLO系列算法。有的研究聚焦于網(wǎng)絡(luò)結(jié)構(gòu)的調(diào)整以提高精度，李鳳迪等將YOLOv3網(wǎng)絡(luò)的目標(biāo)框位置回歸損失函數(shù)由均方誤差改為CIoU邊界框回歸損失函數(shù)，在兼顧召回率的同時達(dá)到較高的準(zhǔn)確率[65]。黃麗明等在YOLOv4基礎(chǔ)上使用了倒殘差結(jié)構(gòu)和深度可分離卷積，獲得了比基礎(chǔ)YOLOv4更好的精度[68]。有的研究聚焦于網(wǎng)絡(luò)的輕量化工作。Li等學(xué)者聚焦于輕量化YOLO網(wǎng)絡(luò)，其設(shè)計了一個3層輸出結(jié)構(gòu)YOLOv4-Tiny網(wǎng)絡(luò)結(jié)構(gòu)，取得了較好較快的識別效果[66]。

二階段算法可以選擇不同的主干網(wǎng)絡(luò)和特征融合方式，如何獲取更好的卷積特征以及結(jié)合不同尺度的卷積特征獲得更好的識別效果就成為了部分使用二階段算法學(xué)者的研究點(diǎn)。You等的研究指出，使用Res101作為主干網(wǎng)絡(luò)、FPN作為特征融合結(jié)構(gòu)進(jìn)行病樹識別能夠獲得較好的精度[69]；Park等以VGG-16作為主干網(wǎng)絡(luò)，結(jié)合RPN結(jié)構(gòu)組成Faster R-CNN目標(biāo)檢測模型對病樹進(jìn)行識別，也取得了較好精度[72]。

還有一些學(xué)者對比了一階段和二階段模型檢測的性能，李浩等在使用預(yù)訓(xùn)練的基礎(chǔ)上對比了YOLOv3、SSD以及Faster R-CNN的識別效果，認(rèn)為Faster R-CNN的綜合表現(xiàn)最好[73]；而Wu等對比了Faster R-CNN、YOLOv3和MobileNet-YOLOv3的識別結(jié)果，發(fā)現(xiàn)幾種網(wǎng)絡(luò)模型的準(zhǔn)確度都比較接近，但MobileNet-YOLOv3更為輕量且處理速度更快[67]。

除此之外，有部分研究者也從數(shù)據(jù)入手提高識別染病樹的精度。Yu等的研究指出在樣本數(shù)據(jù)集中添加紅色闊葉樹類型有助于染病樹識別精度的提高[17]。Park等與其他研究不同，構(gòu)建一個有六通道的數(shù)據(jù)集，分別為R、G、B、近紅外、紅邊和NDRE，其研究表明使用此種數(shù)據(jù)集能獲得比RGB單獨(dú)輸入更高的精度[72]。黃華毅等的研究使用NDVI、ENDVI和AVAI對數(shù)據(jù)進(jìn)行篩選后再輸入網(wǎng)絡(luò)[70]；You等的研究表明頑固負(fù)樣本挖掘（Hard Negative Mining，HNM）方法可在一定程度上提高識別精度[69]。

從文獻(xiàn)數(shù)量上看，目標(biāo)級監(jiān)測在基于深度學(xué)習(xí)技術(shù)松材線蟲病遙感監(jiān)測的研究中占絕大部分；從研究側(cè)重點(diǎn)上看，在目標(biāo)級監(jiān)測的研究中，從數(shù)據(jù)集構(gòu)建到網(wǎng)絡(luò)模型的對比選擇再到網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化都有不同程度的開展。上述兩方面都表明目標(biāo)級監(jiān)測是基于深度學(xué)習(xí)技術(shù)松材線蟲病遙感監(jiān)測研究中的熱點(diǎn)。

3）松材線蟲病像素級監(jiān)測

松材線蟲病像素級監(jiān)測常使用語義分割和實(shí)例分割方法，兩類方法都需要將每個像素分類為屬于的對象類，但后者需增加對象類的實(shí)例ID。

在松材線蟲病像素級監(jiān)測的研究中，語義分割方法是主流方法。在這其中，有的研究證明了深度學(xué)習(xí)方式比傳統(tǒng)方法有著更好的優(yōu)勢。劉世川等使用相同的特征作為空間聚類依據(jù)和添加了注意力機(jī)制的VGG網(wǎng)絡(luò)（VGG-A）的輸入，結(jié)果發(fā)現(xiàn)VGG-A識別精度較空間聚類算法高出約7%[74]。張瑞瑞等對比U-Net網(wǎng)絡(luò)和使用了紋理特征的RF分類器進(jìn)行松材線蟲病變色木識別結(jié)果，認(rèn)為U-Net有著比RF更高的精確度和更少的“椒鹽現(xiàn)象”，可以應(yīng)用于大區(qū)域松材線蟲病變色木識別[25]。有的研究則聚焦于網(wǎng)絡(luò)模型的選擇及改進(jìn)以提高精度。如：Yu等將增加了殘差結(jié)構(gòu)的3D-CNN引入研究中，其研究表明3D-RsCNN比2D-CNN、2D-Res CNN和3D-CNN要高，同時還發(fā)現(xiàn)在大量減少訓(xùn)練集后，3D-RsCNN仍能保持較好精度[75]。徐信羅等的研究表明DeepLabv3+相較于FCN、DANet、OCNet、U-Net、PSPNet和SegNet網(wǎng)絡(luò)模型在識別染病樹方面有著更好分割精度[76-77]。Qin等提出了一種在保留空間信息以獲得低級特征同時又?jǐn)U展感受野以獲得高級特征的SCANet（空間上下文注意力網(wǎng)絡(luò)）模型，相較于DeepLabv3+、HRNet和DenseNet等網(wǎng)絡(luò)模型有著更高的分割精度[78]。

在最新的研究中，也有學(xué)者使用實(shí)例感知語義分割方法進(jìn)行染病樹識別。Hu等使用了實(shí)例感知語義分割方法，該研究在Mask R-CNN的基礎(chǔ)上增加感受野并融合低層和高層特征，降低了復(fù)雜背景的影響，獲得了比SSD、Faster R-CNN、MaskScoring R-CNN和原始Mask R-CNN高的準(zhǔn)確度[79]。

3 問題與挑戰(zhàn)

綜合目前行業(yè)相關(guān)研究可以發(fā)現(xiàn)松材線蟲病害遙感監(jiān)測的研究關(guān)注度越來越高，基于衛(wèi)星和無人機(jī)等遙感手段已經(jīng)成為了松材線蟲病害監(jiān)測的主流方法，而機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的發(fā)展和應(yīng)用極大促進(jìn)了監(jiān)測任務(wù)的智能化程度。但是，當(dāng)前相關(guān)研究領(lǐng)域仍存在一些亟待解決的問題。

1）單一數(shù)據(jù)源難以滿足大范圍細(xì)粒度的監(jiān)測需求。監(jiān)測粒度、監(jiān)測范圍、監(jiān)測使用的病樹類別體系和遙感影像數(shù)據(jù)獲取的平臺、數(shù)據(jù)地面分辨率、數(shù)據(jù)光譜分辨率是進(jìn)行松材線蟲病遙感監(jiān)測研究時需要綜合考慮的幾個因素，且有的因素間存在復(fù)雜的相互作用及制約關(guān)系（圖4）。在目前的研究中以無人機(jī)（UAV）為代表的機(jī)載數(shù)據(jù)是使用最多的數(shù)據(jù)源，很大一部分原因是機(jī)載數(shù)據(jù)地面分辨率可達(dá)厘米級，可有效滿足單株監(jiān)測粒度下的地面分辨率要求，且機(jī)載數(shù)據(jù)可以靈活切換多光譜、高光譜或LIDAR等傳感器，從而進(jìn)一步滿足區(qū)分不同染病階段的監(jiān)測需求；雖然隨著國產(chǎn)“高分”“吉林一號”等衛(wèi)星的發(fā)射，RGB影像的空間分辨率提升到0.5 m，星載數(shù)據(jù)基本可以滿足單株監(jiān)測粒度的分辨率要求，但星載多光譜、高光譜或LIDAR等數(shù)據(jù)的空間分辨率難以滿足區(qū)分不同染病階段的需求。而在大范圍上進(jìn)行監(jiān)測，機(jī)載數(shù)據(jù)會逐漸表現(xiàn)出作業(yè)效率低、時間分辨率低等缺陷，星載數(shù)據(jù)則具備單次監(jiān)測范圍大、時間分辨率高等特點(diǎn)。在目前獲取到的松材線蟲病遙感監(jiān)測研究中，鮮見進(jìn)行大范圍細(xì)粒度的監(jiān)測研究成果。

圖4 松材線蟲病遙感監(jiān)測研究中主要因素

2）病害類別體系雜亂。松材線蟲病遙感監(jiān)測研究中，染病樹病害類別體系出現(xiàn)了兩個問題：一是依據(jù)不同的劃分標(biāo)準(zhǔn)建立了眾多類別體系，即使類別數(shù)量和每類名稱相同的類別體系，類別的劃分標(biāo)準(zhǔn)也會存在差異。二是不同類別體系間的關(guān)系模糊，一方面表現(xiàn)在相同類別數(shù)量但每類名稱不同的類別體系（如：輕度-重度-病死和健康-感染早期-感染晚期）間是否僅是名稱上有所差異，還是劃分標(biāo)準(zhǔn)有所偏差；另一方面是不同類別數(shù)量的類別體系間幾乎找不到層次關(guān)系。

3）松材線蟲病遙感監(jiān)測研究中出現(xiàn)了多種類型的方法，各類方法均存在不同程度的優(yōu)劣勢。無論是基于經(jīng)典機(jī)器學(xué)習(xí)的監(jiān)測方法還是基于深度學(xué)習(xí)的各層次方法都無法完全取代彼此；同時，各類方法中也無法選出最優(yōu)的具體方法?；诮?jīng)典機(jī)器學(xué)習(xí)的監(jiān)測方法有著對樣本要求不高和特征解釋能力較強(qiáng)等方面的優(yōu)勢，但經(jīng)典機(jī)器學(xué)習(xí)需要進(jìn)行復(fù)雜的特征選擇及組合工作，同時難以利用影像的深層信息，且有研究認(rèn)為機(jī)器學(xué)習(xí)不適合于大規(guī)模監(jiān)測[67]?；谏疃葘W(xué)習(xí)的場景級監(jiān)測雖然具備數(shù)據(jù)集構(gòu)建、模型構(gòu)建和訓(xùn)練較為容易的優(yōu)勢，但其檢測粒度較為粗糙，只解決有沒有染病樹或是不是染病樹的問題，無法獲取染病樹的位置和數(shù)量，這一定程度上導(dǎo)致了場景級監(jiān)測在當(dāng)前松材線蟲病遙感監(jiān)測的研究中并未成為主流?；谏疃葘W(xué)習(xí)的目標(biāo)級監(jiān)測在當(dāng)前松材線蟲病遙感監(jiān)測的研究中是主流方法。使用不同類型的目標(biāo)檢測算法進(jìn)行染病樹識別都獲得了比較理想的精度，但二階段算法在區(qū)分不同染病階段方面略有優(yōu)勢。目標(biāo)級監(jiān)測也存在一些劣勢：一是研究區(qū)域普遍偏小，沒有廣泛地域和多種數(shù)據(jù)源的普遍適用性；二是缺乏在統(tǒng)一類別劃分標(biāo)準(zhǔn)下標(biāo)注的訓(xùn)練數(shù)據(jù)，某些研究的可靠性有待驗證?；谏疃葘W(xué)習(xí)的像素級監(jiān)測在識別定位方面較場景級和目標(biāo)級監(jiān)測稍準(zhǔn)，但劣勢明顯：一是數(shù)據(jù)集構(gòu)建成本高、時間長，二是無論語義分割還是實(shí)例分割，其使用的神經(jīng)網(wǎng)絡(luò)對輸入數(shù)據(jù)的規(guī)范化要求較高。受病害類別體系雜亂問題的影響，各類監(jiān)測方法（尤其是基于深度學(xué)習(xí)的監(jiān)測方法方面）都存在一個共性問題：不同研究基于不同監(jiān)測粒度和類別體系構(gòu)建了尺寸和數(shù)據(jù)量大小不一的數(shù)據(jù)集。當(dāng)前研究中沒有見到任何開放的大規(guī)模標(biāo)準(zhǔn)化光譜庫和樣本庫，這一方面導(dǎo)致難以用統(tǒng)一標(biāo)準(zhǔn)評價某個方法是否相較另一方法更優(yōu)秀，另一方面限制了使用高光譜數(shù)據(jù)和高空間分辨率數(shù)據(jù)監(jiān)測的研究。

4）當(dāng)前松材線蟲病遙感監(jiān)測研究大都聚焦于靜態(tài)影像，缺乏高時間分辨率的長時序監(jiān)測成果。Hao等利用1998—2017年的年度統(tǒng)計數(shù)據(jù)進(jìn)行了縣市級行政區(qū)尺度的松材線蟲病聚集趨勢的研究[80]。但松材線蟲病從發(fā)病到死亡僅需兩到三個月[81]，低時間分辨率尺度的研究難以滿足對現(xiàn)有疫情及治理情況的精準(zhǔn)監(jiān)測與把控和對新發(fā)疫情“早發(fā)現(xiàn)、早報告”的實(shí)際需求。

4 建議與展望

以無人機(jī)和衛(wèi)星傳感器為數(shù)據(jù)源的航空航天遙感調(diào)查極大提高了松材線蟲病疫情增量控制及存量消減工作的效率。眾多學(xué)者開展了大量有關(guān)松材線蟲病遙感監(jiān)測的研究，但研究中也有一些尚未解決的問題，針對這些問題，本研究提出以下3個方面的建議與展望：

1）空天數(shù)據(jù)融合。要想實(shí)現(xiàn)大范圍細(xì)粒度松材線蟲病害遙感監(jiān)測，空天數(shù)據(jù)融合必然是重要的研究趨勢。空天數(shù)據(jù)融合需要考慮以下問題：①融合路徑。在松材線蟲病遙感監(jiān)測的研究中：有的研究使用機(jī)載數(shù)據(jù)作為星載數(shù)據(jù)識別染病樹結(jié)果的驗證；有的研究使用星載數(shù)據(jù)進(jìn)行區(qū)域染病程度的判定，然后使用機(jī)載數(shù)據(jù)進(jìn)行染病樹木的識別。除了上述兩種路徑，還應(yīng)該考慮兩種相互補(bǔ)缺，如機(jī)載高光譜或LIDAR數(shù)據(jù)經(jīng)過歸一化、重采樣和類型轉(zhuǎn)換后作為星載數(shù)據(jù)的波段。②星載和機(jī)載數(shù)據(jù)的差異消除。星載和機(jī)載數(shù)據(jù)從傳感器工作方式到傳統(tǒng)數(shù)據(jù)處理流程都存在顯著差異。如何消除兩種數(shù)據(jù)間的差異，將兩種數(shù)據(jù)相對統(tǒng)一起來，做到兩個影像在同一時間獲取到的同一區(qū)域表現(xiàn)一致是未來研究工作的一個關(guān)鍵點(diǎn)。

2）病害類別體系及數(shù)據(jù)集標(biāo)準(zhǔn)化。要想解決病害類別體系雜亂和監(jiān)測方法中數(shù)據(jù)集帶來的評價問題，構(gòu)建開放、統(tǒng)一、可擴(kuò)展、標(biāo)準(zhǔn)化、評價指標(biāo)統(tǒng)一的大規(guī)模光譜庫與樣本庫組成的數(shù)據(jù)集勢在必行。數(shù)據(jù)集的構(gòu)建需考慮以下問題：①擴(kuò)展性。構(gòu)建數(shù)據(jù)集前應(yīng)建立一套層次化的染病樹的類別體系并明確不同層次間的聯(lián)系，根據(jù)此體系進(jìn)行數(shù)據(jù)集的構(gòu)建工作，最后做到無論類別數(shù)量多少使用一個數(shù)據(jù)集均可以進(jìn)行訓(xùn)練。②廣泛代表性。在構(gòu)建數(shù)據(jù)集的過程中，應(yīng)當(dāng)使用多區(qū)域數(shù)據(jù)。不同區(qū)域的森林結(jié)構(gòu)不同、松樹樹種不同，Huang等的研究表明相同方法在不同區(qū)域的識別染病樹的能力差異比較明顯[56]。使用多區(qū)域數(shù)據(jù)構(gòu)建數(shù)據(jù)集對提高模型的普遍適用能力會有很大幫助。同時還應(yīng)使用多種類型的影像數(shù)據(jù)以確保影像選擇的靈活度。③標(biāo)準(zhǔn)性。目前的研究在數(shù)據(jù)集構(gòu)建時，只有少部分研究依靠實(shí)地調(diào)查數(shù)據(jù)轉(zhuǎn)換，大部分研究依靠人工標(biāo)注，數(shù)據(jù)集的標(biāo)準(zhǔn)性、規(guī)范性和標(biāo)注質(zhì)量有待進(jìn)一步提高。在數(shù)據(jù)集構(gòu)建的過程中，應(yīng)該匯集遙感、林業(yè)調(diào)查人員、林業(yè)病害學(xué)家等多方面專業(yè)人員，并開展相應(yīng)的地面調(diào)查工作，對相關(guān)數(shù)據(jù)集進(jìn)行準(zhǔn)確度評價和質(zhì)量控制。

3）開展長時序監(jiān)測。開發(fā)高頻率、長時序監(jiān)測產(chǎn)品，建立病害結(jié)果定期發(fā)布機(jī)制。長時序監(jiān)測相當(dāng)于為松樹建立了一本可視化“病歷”，有利于了解及分析病害的擴(kuò)散情況及評估防治效果。因此在空天數(shù)據(jù)融合實(shí)現(xiàn)細(xì)粒度大范圍監(jiān)測的基礎(chǔ)上，建立定期發(fā)布的多粒度、多類別、多受眾的松材線蟲病害遙感監(jiān)測產(chǎn)品框架具有重要意義。產(chǎn)品發(fā)布周期可根據(jù)遙感影像時間分辨率確定，同時考慮松材線蟲病的發(fā)病周期，在病害高發(fā)期可以縮短間隔，相較于現(xiàn)行的兩月一次的監(jiān)測頻率會大幅度提高。根據(jù)不同用戶群體不同的使用需求發(fā)布不同粒度、不同類別體系的監(jiān)測結(jié)果。在長時序監(jiān)測中，研究使用變化檢測技術(shù)可有效縮短數(shù)據(jù)到結(jié)果的流程和時間，快速發(fā)現(xiàn)新的染病樹及識別出樹木的染病階段，對現(xiàn)有疫情及治理情況的精準(zhǔn)監(jiān)測與把控和對新發(fā)疫情“早發(fā)現(xiàn)、早報告”具有重要意義。

[1] 朱克恭. 松材線蟲病研究綜述[J]. 世界林業(yè)研究，1995，8(4)：28-33.

Zhu Kegong. Studies on pine disease caused by: A review[J]. World Forestry Research, 1995, 8(4): 28-33. (in Chinese with English abstract)

[2] 楊寶君. 松材線蟲病致病機(jī)理的研究進(jìn)展[J]. 中國森林病蟲，2002，21(1)：27-31.

Yang Baojun. Advance in research of pathogenetic mechanism of pine wood nematode[J]. Forest Pest and Disease, 2002, 21(1): 27-31. (in Chinese with English abstract)

[3] 陳鳳毛，湯堅，葉建仁. 松材線蟲病鑒定方法與評價（綜述）[J]. 安徽農(nóng)業(yè)大學(xué)學(xué)報，2005，32(1)：22-25.

Chen Fengmao, Tang Jian, Ye Jianren. Identification and Evaluation of pine wilt disease[J]. Journal of Anhui Agricultural University, 2005, 32(1): 22-25. (in Chinese with English abstract)

[4] 孫永春. 南京中山陵發(fā)現(xiàn)松材線蟲[J]. 江蘇林業(yè)科技，1982(4)：27-47.

[5] 楊寶君，賀長洋，王成法. 國外松材線蟲病發(fā)生概況[J]. 森林病蟲通訊，1999(5)：40-42.

Yang Baojun, He Zhangyang, Wang Chengfa. Overview of the occurrence of pine wilt disease abroad[J]. Forest Pest Newsletter, 1999(5): 40-42. (in Chinese with English abstract)

[6] 張軍國，馮文釗，胡春鶴，等.無人機(jī)航拍林業(yè)蟲害圖像分割復(fù)合梯度分水嶺算法[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(14)：93-99.

Zhang Junguo, Feng Wenzhao, Hu Chunhe, et al. Image segmentation method for forestry unmanned aerial vehicle pest monitoring based on composite gradient watershed algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2017, 33(14): 93-99. (in Chinese with English abstract)

[7] 葉建仁. 松材線蟲病診斷與防治技術(shù)[M]. 北京：科學(xué)出版社，2010：5-12.

[8] 孫鈺，周焱，袁明帥，等. 基于深度學(xué)習(xí)的森林蟲害無人機(jī)實(shí)時監(jiān)測方法[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(21)：74-81.

Sun Yu, Zhou Yan, Yuan Mingshuai, et al. UAV real-time monitoring for forest pest based on deep learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21):74-81. (in Chinese with English abstract)

[9] 國家林業(yè)和草原局政府網(wǎng). 關(guān)于松材線蟲病防治[EB/OL]. (2021-03-04)[2022-05-20]. http: //www. forestry. gov. cn/main/6088/20210304/ 192124040324411. html.

[10] 史潔青，馮仲科，劉金成. 基于無人機(jī)遙感影像的高精度森林資源調(diào)查系統(tǒng)設(shè)計與試驗[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(11)：82-90.

Shi Jieqing, Feng Zhongke, Liu Jincheng. Design and experiment of high precision forest resource investigation system based on UAV remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(11): 82-90. (in Chinese with English abstract)

[11] 國家林業(yè)和草原局. 國家林業(yè)和草原局關(guān)于印發(fā)《松材線蟲病防治技術(shù)方案（2021年版）》的通知[Z]. 2021.

[12] 李星. 利用衛(wèi)星遙感數(shù)據(jù)掌握森林受害情況[J]. 世界林業(yè)研究，1992(2)：50.

Li Xing. Use satellite remote sensing data to grasp the surgery of forests[J]. World Forestry Research, 1992(2): 50. (in Chinese with English abstract)

[13] 王震，張曉麗，安樹杰. 松材線蟲病危害的馬尾松林木光譜特征分析[J]. 遙感技術(shù)與應(yīng)用，2007，22(3)：367-370.

Wang Zhen, Zhang Xiaoli, An Shujie. spectral characteristics analysis of pinus massoniana suffered by[J]. Remote Sensing Technology and Application, 2007, 22(3): 367-370. (in Chinese with English abstract)

[14] Kim S R, Lee W K, Lim C H, et al. Hyperspectral analysis of pine wilt disease to determine an optimal detection index[J]. Forests, 2018, 9(3): 115.

[15] 徐華潮，駱有慶，張廷廷，等. 松材線蟲自然侵染后松樹不同感病階段針葉光譜特征變化[J]. 光譜學(xué)與光譜分析，2011，31(5)：1352-1356.

Xu Huachao, Luo Youqing, Zhang Tingting, et al. Changes of reflectance spectra of pine needles in different stage after being infected by pine wood nematode[J]. Spectroscopy and Spectral Analysis, 2011, 31(5): 1352-1356. (in Chinese with English abstract)

[16] Syifa M, Park S J, Lee C W. Detection of the pine wilt disease tree candidates for drone remote sensing using artificial intelligence techniques[J]. Engineering, 2020, 6(8): 919-926.

[17] Yu R, Luo Y Q, Zhou Q, et al. Early detection of pine wilt disease using deep learning algorithms and UAV-based multispectral imagery[J]. Forest Ecology and Management, 2021, 497: 119493.

[18] 國家林業(yè)局. 森林資源規(guī)劃設(shè)計調(diào)查技術(shù)規(guī)程：GB/T26424—2010 [S]. 北京：中國標(biāo)準(zhǔn)出版社，2010.

[19] 李浩，徐航煌，鄭恒宇，等. 基于無人機(jī)遙感圖像的松材線蟲病監(jiān)測技術(shù)研究[J]. 中國農(nóng)機(jī)化學(xué)報，2020，41(9)：170-175.

Li Hao, Xu Hanghuang, Zheng Hengyu, et al. Research on pine wood nematode surveillance technology based on unmanned aerial vehicle remote sensing image[J]. Journal of Chinese Agricultural Mechanization, 2020, 41(9): 170-175. (in Chinese with English abstract)

[20] 鄧世晴. 星機(jī)地協(xié)同的松材線蟲病疫區(qū)枯死松樹監(jiān)測方法研究[D]. 南昌：東華理工大學(xué)，2019.

Deng Shiqing. Dead Pinewoods in Pine wood Nematode Disease Area based on Satellite-uav-ground Remote Sensing Data[D]. Nanchang: Donghua University of Technology, 2019. (in Chinese with English abstract)

[21] 馬躍，呂全，趙相濤，等. 接種不同濃度松材線蟲的黑松光譜學(xué)特征分析[J]. 山東農(nóng)業(yè)科學(xué)，2012，44(11)：12-16.

Ma Yue, Lv Quan, Zhao Xiangtao, et al. Analysis of spectral characteristics of pinus thunbergii inoculated with pine wood nematode[J]. Shandong Agricultural Sciences, 2012, 44(11): 12-16. (in Chinese with English abstract)

[22] 汪小欽，王苗苗，王紹強(qiáng)，等. 基于可見光波段無人機(jī)遙感的植被信息提取[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(5)：152-159.

Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 152-159. (in Chinese with English abstract)

[23] Li X Y, Tong T, Luo T, et al. Retrieving the infected area of pine wilt disease-disturbed pine forests from medium-resolution satellite images using the stochastic radiative transfer theory[J]. Remote Sensing, 2022, 14(6): 1526.

[24] Shamsoddini A, Trinder J C, Turner R. Pine plantation structure mapping using WorldView-2 multispectral image[J]. International Journal of Remote Sensing, 2013, 34(11): 3986-4007.

[25] 張瑞瑞，夏浪，陳立平，等. 基于U-Net網(wǎng)絡(luò)和無人機(jī)影像的松材線蟲病變色木識別[J]. 農(nóng)業(yè)工程學(xué)報，2020，36(12)：61-68.

Zhang Ruirui, Xia Lang, Chen Liping, et al. Recognition of wilt wood caused by pine wilt nematode based on U-Net network and unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(12): 61-68. (in Chinese with English abstract)

[26] 劉金滄，王成波，常原飛. 基于多特征CRF的無人機(jī)影像松材線蟲病監(jiān)測方法[J]. 測繪通報，2019，(7)：78-82.

Liu Jincang, Wang Chengbo, Chang Yuanfei. Monitoring method of bursaphelenchus xylophilus based on multi-feature CRF by UAV image[J]. 測繪通報, 2019, (7): 78-82. (in Chinese with English abstract)

[27] 李鳳迪. 基于深度學(xué)習(xí)和無人機(jī)遙感的松材線蟲病樹監(jiān)測系統(tǒng)研究[D]. 泰安：山東農(nóng)業(yè)大學(xué)，2020.

Li Fengdi. A Study on Monitoring System of Pine Nematode Tree Based on Deep Learning and UAV Remote Sensing[D]. Tai'an: Shandong Agricultural University, 2020. (in Chinese with English abstract)

[28] Yu R, Ren L L, Luo Y Q. Early detection of pine wilt disease in Pinus tabuliformis in North China using a field portable spectrometer and UAV-based hyperspectral imagery[J]. Forest Ecosystems, 2021, 8(1): 1-19.

[29] Iordache M D, Mantas V, Baltazar E, et al. A machine learning approach to detecting pine wilt disease using airborne spectral imagery[J]. Remote Sensing, 2020, 12(14): 2280.

[30] Jordan C F. Derivation of leaf area index from light quality of the forest floor[J]. Ecology, 1969, 50(4): 663-666.

[31] Suits G H. The calculation of the directional reflectance of a vegetative canopy[J]. Remote Sensing of Environment, 1971, 2(1): 117-125.

[32] Woebbecke D M, Meyer G E, Vonbargen K, et al. Color indices for weed identification under various soil, residue, and lighting conditions[J]. Transactions of the ASAE, 1995, 38(1): 259-269.

[33] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3): 289-298.

[34] Liu H Q, Huete A. feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J]. IEEE Transactions on Geoscience & Remote Sensing, 1995, 33(2): 457-465.

[35] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995, 51(3): 375-384.

[36] Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J]. Remote Sensing of Environment, 2001, 76(2): 156-172.

[37] Gitelson A A, Kaufman Y J, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76-87.

[38] Escadafal R, Huete A. Improvement in remote-sensing of low vegetation cover in arid regions by correcting vegetation indexes for soil noise[J]. Comptes Rendus de l'Academie des Sciences II, Mecanique, Physique Chimie, Scinces de l'Univers, Sciences de la Terre, 1991, 312(11): 1385-1391.

[39] Uto K, Takabayashi Y, Kosugi Y, et al. Hyperspectral analysis of Japanese Oak Wilt to determine normalized wilt index[C]//2008 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Boston, MA, USA, 2009: 2153-6996.

[40] Uto K, Kosugi Y, Ogata T. Evaluation of oak wilt index based on genetic programming[C]// 2009 First Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing. Grenoble, France: IEEE, 2009: 2158-6268.

[41] Ceccato P, Gobron N, Flasse S, et al. Designing a spectral index to estimate vegetation water content from remote sensing data: Part 1-Theoretical approach[J]. Remote Sensing of Environment, 2002, 82(2/3): 188-197.

[42] Datt B. A new reflectance index for remote sensing of chlorophyll content in higher plants: Tests using Eucalyptus leaves[J]. Journal of Plant Physiology, 1999, 154(1): 30-36.

[43] Nichol C J, Huemmrich K F, Black T A, et al. Remote sensing of photosynthetic-light-use efficiency of boreal forest[J]. Agricultural and Forest Meteorology, 2000, 101(2/3): 131-142.

[44] Gao B C. NDWI: A normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment, 1995, 58(3): 257-266.

[45] Gitelson A A, Kaufman Y J, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76-87.

[46] Merzlyak M N, Gitelson A A, Chivkunova O B, et al. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum, 1999, 106(1): 135-141.

[47] Pe?uelas J, Gamon J A, Griffin K L, et al. Assessing community type, plant biomass, pigment composition, and photosynthetic efficiency of aquatic vegetation from spectral reflectance[J]. Remote Sensing of Environment, 1993, 46(2): 110-118.

[48] Blackburn G A. Spectral indices for estimating photosynthetic pigment concentrations: A test using senescent tree leaves[J]. International Journal of Remote Sensing, 1998, 19(4): 657-675.

[49] Guyot G, Baret F. Utilisation de la haute resolution spectrale pour suivre l'etat des couverts vegetaux[J]. Spectral Signatures of Objects in Remote Sensing, 1988, 287: 279-286.

[50] Datt B. Visible/near infrared reflectance and chlorophyll content in Eucalyptus leaves[J]. International Journal of Remote Sensing, 1999, 20(14): 2741-2759.

[51] Wayant N M, Maldonado D, de Arias A R, et al. Correlation between normalized difference vegetation index and malaria in a subtropical rain forest undergoing rapid anthropogenic alteration. [J]. Geospatial Health, 2010, 4(2): 179-190.

[52] Gamon J A, Surfus J S. Assessing leaf pigment content and activity with a reflectometer[J]. New Phytologist, 1999, 143(1): 105-117.

[53] 韓瀟冰. 高分辨率遙感影像“像素-目標(biāo)-場景”的深度理解方法研究[D]. 武漢：武漢大學(xué)，2018.

Han Xiaobing. “Pixel-Object-Scene” Level Deep Understanding for High Spatial Resolution Remote Sensing Imagery[D]. Wuhan: Wuhan University, 2018. (in Chinese with English abstract)

[54] Tao H, Li C J, Zhao D, et al. Deep learning-based dead pine tree detection from unmanned aerial vehicle images[J]. International journal of remote sensing, 2020, 41(21): 8238-8255.

[55] Zhou H W, Yuan X P, Zhou H Y, et al. Surveillance of pine wilt disease by high resolution satellite[J]. Journal of Forestry Research, 2022, 33(4): 1401-1408.

[56] 周志達(dá)，李如仁，賁忠奇，等. 基于殘差網(wǎng)絡(luò)的遙感影像松材線蟲病自動識別[J]. 林業(yè)工程學(xué)報，2022，7(1)：185-191.

Zhou Zhida, Li Ruren, Ben Zhongqi, et al. Automatic identification offrom remote sensing images using residual network[J]. Journal of Forestry Engineering, 2022, 7(1): 185-191. (in Chinese with English abstract)

[57] Huang J X, Lu X, Chen L Y, et al. Accurate identification of pine wood nematode disease with a deep convolution neural network[J]. Remote Sensing, 2022, 14(4): 913.

[58] Zou Z, Shi Z, Guo Y, et al. Object detection in 20 years: A survey[EB/OL].(2019-05-16)[2022-05-20].https://doi.org/10.48550/arXiv.1905.05055.

[59] Liu W, Anguelov D, Erhan D, et al. SSD: Single shot MultiBox detector[C]//2016 European conference on computer vision (ECCV). Amsterdam, Netherlands: Springer International Publishing, 2016: 21-37.

[60] Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA: IEEE, 2016, 779-788.

[61] Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]. Columbus, 2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2014: 580-587.

[62] Girshick R. Fast R-CNN[C]//2015 IEEE International Conference on Computer Vision (ICCV). Santiago, Chile, 2016: 2380-7504.

[63] Ren S, He K, Girshick R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017, 39(6): 1137-1149.

[64] 汪晨，張輝輝，樂繼旺，等. 基于深度學(xué)習(xí)和遙感影像的松材線蟲病疫松樹目標(biāo)檢測[J]. 南京師大學(xué)報（自然科學(xué)版），2021，44(3)：84-89.

Wang Chen, Zhang Huihui, Le Jiwang, et al. Object detection to the pine trees affected by pine wilt diseasein remote sensing images using deep learning[J]. Journal of Nanjing Normal University (Natural Science Edition), 2021, 44(3): 84-89. (in Chinese with English abstract)

[65] 李鳳迪，申衛(wèi)星，吳杰芳，等. 基于YOLOv3-CIoU的松材線蟲病樹檢測方法研究[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2021，52(2)：224-233.

Li Fengdi, Shen Weixing, Wu Jiefang, et al. Study on the detection method for pinewood wilt disease tree based on yolov3-ciou[J]. Journal of Shandong Agricultural University (Natural Science Edition), 2021, 52(2): 224-233. (in Chinese with English abstract)

[66] Li F D, Liu Z Y, Shen W X, et al. A remote sensing and airborne edge-computing based detection system for pine wilt disease[J]. IEEE Access, 2021, 9: 66346-66360.

[67] Wu B Z, Liang A J, Zhang H F, et al. Application of conventional UAV-based high-throughput object detection to the early diagnosis of pine wilt disease by deep learning[J]. Forest Ecology and Management, 2021, 486: 118986.

[68] 黃麗明，王懿祥，徐琪，等. 采用YOLO算法和無人機(jī)影像的松材線蟲病異常變色木識別[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(14)：197-203.

Huang Liming, Wang Yixiang, Xu Qi, et al. Recognition of abnormally discolored trees caused by pine wilt disease using YOLO algorithm and UAV images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(14): 197-203. (in Chinese with English abstract)

[69] You J, Zhang R R, Lee J. A deep learning-based generalized system for detecting pine wilt disease using RGB-Based UAV images[J]. Remote Sensing, 2022, 14(1): 150.

[70] 黃華毅，馬曉航，扈麗麗，等. Fast R-CNN深度學(xué)習(xí)和無人機(jī)遙感相結(jié)合在松材線蟲病監(jiān)測中的初步應(yīng)用研究[J]. 環(huán)境昆蟲學(xué)報，2021，43(5)：1295-1303.

Huang Huayi, Ma Xiaohang, Hu Lili, et al. The preliminary application of the combination of Fast R-CNN deep learning and UAV remote sensing in the monitoring of pine wilt disease[J]. Journal of Environmental Entomology, 2021, 43(5): 1295-1303. (in Chinese with English abstract)

[71] 徐信羅. 基于卷積神經(jīng)網(wǎng)絡(luò)和無人機(jī)遙感的松材線蟲病受害[D]. 南昌：南昌大學(xué)，2021.

Xu Xinluo. Research on Monitoring of Pine Wilt Disease Induced Dead Pine Trees Based on Convolutional Neural Network and UAV Remote Sensing[D]. Nanchang: Nanchang University, 2021. (in Chinese with English abstract)

[72] Park H G, Yun J P, Kim M Y, et al. Multichannel object detection for detecting suspected trees with pine wilt disease using multispectral drone imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 8350-8358.

[73] 李浩，方偉泉，李浪浪，等. 基于深度學(xué)習(xí)的松材線蟲病害松木識別[J]. 林業(yè)工程學(xué)報，2021，6(6)：142-147.

Li Hao, Fang Weiquan, Li Langlang, et al. Recognition of pine wood infected with pine nematode disease based on deep learning[J]. Journal of Forestry Engineering, 2021, 6(6): 142-147. (in Chinese with English abstract)

[74] 劉世川，王慶，唐晴，等. 基于多特征提取與注意力機(jī)制深度學(xué)習(xí)的高分辨率影像松材線蟲病樹識別[J]. 林業(yè)工程學(xué)報，2022，7(1)：177-184.

Liu Shichuan, Wang Qing, Tang Qing, et al. High-resolution image identification of trees with pinewood nematode disease based on multi-feature extraction and deep learning of attention mechanism[J]. Journal of Forestry Engineering, 2022, 7(1): 177-184. (in Chinese with English abstract)

[75] Yu R, Luo Y Q, Li H A, et al. Three-dimensional convolutional neural network model for early detection of pine wilt disease using UAV-based hyperspectral images[J]. Remote Sensing, 2021, 13(20): 4065.

[76] 徐信羅，陶歡，李存軍，等. 基于Faster R-CNN的松材線蟲病受害木識別與定位[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2020，51(7)：228-236.

Xu Xinluo, Tao Huan, Li Cunjun, et al. Detection and location of pine wilt disease induced dead pine trees based on Faster R-CNN[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(7): 228-236. (in Chinese with English abstract)

[77] Xia L, Zhang R R, Chen L P, et al. Evaluation of deep learning segmentation models for detection of pine wilt disease in unmanned aerial vehicle images[J]. Remote Sensing, 2021, 13(18): 3594.

[78] Qin J, Wang B, Wu YL, et al. Identifying pine wood nematode disease using UAV images and deep learning algorithms[J]. Remote Sensing, 2021, 13(2): 162.

[79] Hu G S, Wang T X, Wan M Z, et al. UAV remote sensing monitoring of pine forest diseases based on improved Mask R-CNN[J]. International Journal of Remote Sensing, 2022, 43(4): 1274-1305.

[80] Hao Z Q, Huang J X, Li X D, et al. A multi-point aggregation trend of the outbreak of pine wilt disease in China over the past 20 years[J]. Forest Ecology and Management, 2022, 505: 119890.

[81] 陶歡，李存軍，程成，等. 松材線蟲病變色松樹遙感監(jiān)測研究進(jìn)展[J]. 林業(yè)科學(xué)研究，2020，33(3)：172-183.

Tao Huan, Li Cunjun, Cheng Cheng, et al. Progress in remote sensing monitoring for Pine Wilt disease induced tree mortality: A review[J]. Forest Research, 2020, 33(3): 172-183. (in Chinese with English abstract)

Research progress on remote sensing monitoring of pine wilt disease

Zhang Xiaodong1, Yang Haobo1, Cai Peihua2, Chen Guanzhou1※, Li Xianwei1, Zhu Kun1

(1.,,,430079,; 2.,,430100,)

Pine Wilt Disease (PWD), a devastating pine tree disease, has caused a serious impact on the national biosecurity, ecological security, and forestry economy. In this study, a systematic review of the research progress was made on the history of remote sensing monitoring of PWD in recent years under the object level classification of remote sensing monitoring using the literature retrieved and screened by the Web of Science (WoS) and China National Knowledge Infrastructure (CNKI). Some suggestions and outlooks were also proposed for the existing problems, which could provide reference for the technical reference and auxiliary decision-making on forestry. It was found that: 1) About 70% of the literature was published in the research field after 2017. It infers that the remote sensing monitoring of pine wood nematode has been a research hotspot in the past five years. 2) From the viewpoint of the carrier platform, the satellite, airborne, and ground datasets accounted for 17.1%, 75.6%, and 7.3% of the research data on the remote sensing monitoring of PWD, respectively. Particularly, there was the vast majority of airborne data represented by Unmanned Aerial Vehicles (UAV). From the viewpoint of data spectral type, 44.0%, 34.1%, 17.1%, and 4.9% of the studies used RGB, multispectral, hyperspectral, and LIDAR data, respectively. Therefore, the RGB and multispectral datasets were dominated in the remote sensing monitoring of PWD. 3) Single plants were mainly used as the granularity of remote sensing monitoring of PWD. The diseased trees were classified into the two, three, four, five, and six categories, accounting for 53%, 23%, 15%, 6%, and 3%, respectively. There were diverse category systems with vague relationships between them. 4) Machine learning and deep learning dominated the remote sensing monitoring of PWD. Furthermore, machine learning and deep learning shared their own advantages and fail to replace each other. Furthermore, the aerospace remote sensing survey with the UAV and satellite sensors as the data sources greatly improved the efficiency of PWD epidemic increment control and stock abatement work. However, the following challenges remained: 1) A single data source cannot fully meet the harsh requirement of large-scale and fine-grained monitoring in recent years. 2) Disorganized disease classification systems led to the irregularity and specification of data for machine learning and deep learning. 3) It is still lacking in long-term series monitoring with the high-time resolution. Finally, three recommendations were proposed for the future real-time and intelligent remote sensing monitoring of PWD: ① To explore the satellite and aerial data fusion for the large-scale and fine-grained disease monitoring; ②To clarify the disease monitoring category system, and then to construct the relevant spectral library and sample library datasets; ③ To develop the high-frequency and long-time series remote sensing monitoring products for a general release mechanism for the PWD.

pine wilt disease; remote sensing; machine learning; deep learning; vegetation index

10.11975/j.issn.1002-6819.2022.18.020

S763；TP391

A

1002-6819(2022)-18-0184-11

張曉東，楊皓博，蔡佩華，等. 松材線蟲病遙感監(jiān)測研究進(jìn)展及方法述評[J]. 農(nóng)業(yè)工程學(xué)報，2022，38(18)：184-194.doi：10.11975/j.issn.1002-6819.2022.18.020 http://www.tcsae.org

Zhang Xiaodong, Yang Haobo, Cai Peihua, et al. Research progress on remote sensing monitoring of pine wilt disease[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(18): 184-194. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.18.020 http://www.tcsae.org

2022-05-20

2022-08-06

國家自然科學(xué)基金項目（42101346）；中國博士后科學(xué)基金面上項目（2020M680109）；湖北省自然資源科研項目（ZRZY2021KJ01）

張曉東，博士，教授，博士生導(dǎo)師，研究方向為攝影測量與遙感。Email：zxdlmars@whu.edu.cn

陳關(guān)州，博士，博士后，研究方向為遙感智能解譯。Email：cgz@whu.edu.cn