基于無人機遙感的松材線蟲病監(jiān)測研究與展望

宗世祥，畢浩杰

(北京林業(yè)大學(xué)林木有害生物防控北京市重點實驗室，北京 100083)

松材線蟲病(pine wilt disease)又稱松樹萎蔫病，是一種由植物病原線蟲主導(dǎo)的系統(tǒng)侵染性病害，其病原松材線蟲Bursaphelenchus xylophilus原產(chǎn)于北美洲，現(xiàn)已擴散至亞洲和歐洲的多個國家和地區(qū)[1]，嚴重威脅當(dāng)?shù)厣鷳B(tài)安全，被全球52 個國家列為檢疫性有害生物[2]。 我國是受松材線蟲危害最嚴重的國家，從1982 年在南京中山陵首次發(fā)現(xiàn)以來，截至2021 年底，已在全國19 省(自治區(qū)、直轄市)的742 個縣級行政區(qū)發(fā)生，2021 年發(fā)生面積約172 萬hm2，病死樹1 407.92 萬株，并以一種“北擴西進”的發(fā)展態(tài)勢持續(xù)威脅我國6 000 萬hm2的松林資源[3]。

松材線蟲致病力強、傳播蔓延迅速、致死率高，松樹感病后發(fā)病迅速，40 d 即可導(dǎo)致整株枯死，3 ～5 a 可毀滅整片松林。 目前針對松材線蟲病致病機理的研究缺乏系統(tǒng)性[4]，微觀層面的探索尚未取得突破性的進展。 為有效防控疫情，我國采取疫木清理、疫區(qū)封鎖、疫情監(jiān)測、媒介昆蟲防治等措施阻止松材線蟲的擴散蔓延。 其中疫情監(jiān)測作為一項關(guān)鍵舉措，其及時性和準確性關(guān)系到疫情防控工作的有效開展。 然而，傳統(tǒng)的人工監(jiān)測方式成本高、效率低、時效性差，不能滿足大面積林分巡查的需要，而衛(wèi)星遙感受重訪周期、分辨率、天氣狀況等因素影響，難以應(yīng)對短期災(zāi)變的發(fā)生和單木監(jiān)測粒度的需要[5]。 在這種情況下，無人機的出現(xiàn)彌補了松材線蟲病監(jiān)測領(lǐng)域的不足，其可搭載各種類型的傳感器設(shè)備，具備高時空分辨率、輻射分辨率、波譜分辨率的優(yōu)勢，同時憑借機動靈活、實時性強的特點在松材線蟲病監(jiān)測領(lǐng)域展現(xiàn)出的巨大應(yīng)用潛力。

筆者全面總結(jié)了無人機遙感在松材線蟲病監(jiān)測中的發(fā)展歷史和研究進展，探討了應(yīng)用中存在的問題，展望了未來的發(fā)展方向和重點，以期為實現(xiàn)松材線蟲病遙感監(jiān)測及有效防控提供參考。

1 松材線蟲病無人機遙感監(jiān)測領(lǐng)域的國內(nèi)外研究進展

1.1 松材線蟲病的單木級遙感監(jiān)測粒度

根據(jù)?松材線蟲病疫區(qū)和疫木管理辦法?(林生發(fā)[2018]117 號)要求，在疫區(qū)內(nèi)定期開展日常監(jiān)測和專項普查工作，及時匯報疫情情況，并對松材線蟲病樹進行全面伐除。 松材線蟲病受害木的檢測識別是疫情監(jiān)測的關(guān)鍵環(huán)節(jié)，單木尺度的精確定位與統(tǒng)計有利于制定采伐作業(yè)設(shè)計，決定疫情防控工作的實施效果。 相關(guān)研究表明，枯死松樹主干中的天牛幼蟲數(shù)量占比高達97.7%，遠高于伐樁和枝梢[6]，松材線蟲病疫木中羽化出來的媒介天牛幾乎全部攜帶松材線蟲，且攜帶量可達上萬頭[7－10]。 如果不能準確識別變色木，及時獲取其位置及數(shù)量信息，就難以實現(xiàn)松材線蟲病木全面徹底的清除，遺漏的受害木就會成為新的傳播源，導(dǎo)致松材線蟲病在松林內(nèi)進一步擴散蔓延，使防控工作前功盡棄。 為實現(xiàn)松材線蟲病的精準化、時效化監(jiān)測，將無人機作為獲取單木級松林健康狀況信息的重要遙感手段，廣泛應(yīng)用于松材線蟲病的監(jiān)測防控工作中。

1.2 無人機遙感平臺的選擇

林業(yè)遙感常用的無人機可分為固定翼、旋翼和復(fù)合翼三大類。 固定翼無人機需要較高的飛行速度來保持機身姿態(tài)，具有飛行速度快、作業(yè)范圍廣的優(yōu)勢，但在飛行時需要與被拍攝物體保持較遠的距離，故獲取影像的分辨率較低；旋翼無人機起降方便，操作靈活，能夠在空中懸停，可近距離、多角度采集地物信息，具有拍攝精度高，學(xué)習(xí)成本低，便攜性好的優(yōu)勢，但也存在作業(yè)速度慢和時長短的缺點；復(fù)合翼無人機兼具前述兩種無人機的優(yōu)勢，既解決了固定翼無人機起降難的問題，又極大地擴展了單次航拍的作業(yè)面積。 固定翼無人機適用于大范圍、低精度要求的航拍作業(yè)；旋翼無人機能夠滿足小區(qū)域范圍內(nèi)、復(fù)雜地形下的精細化作業(yè)要求；復(fù)合翼無人機適用于中等區(qū)域范圍的航拍作業(yè)，且能滿足多種作業(yè)任務(wù)要求。

1.3 松材線蟲病感病林分中變色木的識別、定位與統(tǒng)計

1.3.1 基于目視判讀的無人機影像人工解譯

在開展松材線蟲病普查監(jiān)測過程中，研究人員結(jié)合監(jiān)測目標、任務(wù)面積和作業(yè)的精細化程度等因素選擇不同類型的無人機，搭載能夠滿足作業(yè)要求的傳感器設(shè)備采集林分遙感影像，并結(jié)合目視解譯判別發(fā)病區(qū)域，開展變色木的識別與定位工作。 李衛(wèi)正 等[11]和呂曉君 等[12]對松材線蟲病疫區(qū)采集到的高分辨率無人機影像進行目視解譯，實現(xiàn)了林分內(nèi)變色木的人工識別與定位。 古劍 等[13]借助航拍無人機對疫區(qū)林分進行動態(tài)監(jiān)測，探究枯死木月際變化規(guī)律，指導(dǎo)當(dāng)?shù)厮刹木€蟲病秋季普查工作的開展。 盡管目視解譯法主觀性強，對目標對象的識別標注速度慢，但可以輕松排除許多計算機難以區(qū)分的地物干擾，因此可以作為遙感圖像機器識別方法的有效補充。

1.3.2 基于傳統(tǒng)圖像處理方法的計算機輔助解譯

1)結(jié)合可見光影像的變色木檢測。 隨著遙感數(shù)據(jù)的爆發(fā)式增長，人工解譯已經(jīng)不能滿足圖像特征提取與目標物識別的需要，計算機硬件設(shè)備的進步和圖像處理算法的提高，使海量數(shù)據(jù)的計算機輔助解譯成為可能。 劉遐齡 等[14]結(jié)合面向?qū)ο蠓诸惙ê湍０嫫ヅ浞▽梢姽鈭D像進行變色木的計算機輔助解譯，獲得了與目視解譯相近的識別效果，且檢測時間僅用了前者的1/3。 陶歡 等[15]將無人機采集的RGB 圖像轉(zhuǎn)換到HSV 色彩空間，應(yīng)用HSV 閾值劃分法對變色木進行提取，可實現(xiàn)60% ～65%的識別精度。 基于單一顏色特征的變色木分類效果難以滿足識別精度要求，劉金滄 等[16]利用融合顏色和紋理特征的CRF 模型對松材線蟲病感病林分中的變色木進行分類提取，相較于顏色特征分類器，提高了超過3.5%的識別精度。 劉世川 等[17]通過構(gòu)造植被指數(shù)和顏色空間模型的方式對可見光圖像進行檢測，在多種地物類別的干擾下，變色木的識別精度可達80%左右。

2)結(jié)合光譜影像的變色木檢測。 在基于無人機遙感的松材線蟲病識別、定位和統(tǒng)計的研究中，可見光數(shù)據(jù)類型的應(yīng)用最為廣泛，可以檢測到絕大部分的變色木，但這類圖像只能記錄R、G、B 三波段數(shù)據(jù)，信息獲取量有限，而多光譜、高光譜圖像將地物波譜信息劃分為若干譜帶，可從諸多光譜通道中獲取更多信息，發(fā)掘隱藏在狹窄光譜范圍內(nèi)的地物特性，反演地物類別屬性，從而滿足復(fù)雜背景下變色木檢測的精度要求。

Iordache 等[18]利用隨機森林分類算法結(jié)合多光譜波段數(shù)據(jù)，成功識別出松材線蟲病感病林分中的變色木；胡根生 等[19]通過多光譜無人機獲取松材線蟲病感病林分的可見光和近紅外波段數(shù)據(jù)，利用改進的加權(quán)小波支持向量數(shù)據(jù)描述(WWSVDD)多分類模型對變色木進行識別，取得了較好的分類效果；Qin 等[20]利用無人飛艇采集低空高光譜影像，借助光譜比對算法和機器學(xué)習(xí)分類法對高光譜遙感數(shù)據(jù)進行處理，識別并獲取松材線蟲病樹的數(shù)量和分布情況，相較于可見光圖像的分類結(jié)果更加準確；黃煥華 等[21]采用歸一化植被指數(shù)(NDVI)對無人機影像進行分類，實現(xiàn)了感病松林中枯死松樹的識別、定位與計數(shù)。

1.3.3 基于深度學(xué)習(xí)的變色木智能解譯

隨著人工智能的快速發(fā)展，基于深度學(xué)習(xí)的圖像處理算法蓬勃興起，廣泛應(yīng)用于各類病蟲害檢測識別領(lǐng)域，并不斷推動著圖像解譯工作朝著自動化、智能化的方向發(fā)展。 目前，應(yīng)用于松材線蟲病遙感圖像解譯領(lǐng)域的深度學(xué)習(xí)方法主要包括基于像素的語義分割算法和面向?qū)ο蟮哪繕藱z測算法兩大類。像元級的遙感影像分析方法主要依據(jù)圖像語義進行分割，以像元為單位開展對比分析檢測，其分類結(jié)果更為精細；面向?qū)ο蟮纳疃葘W(xué)習(xí)方法結(jié)合使用光譜、紋理、形狀、上下文等更多特征信息[22]，實現(xiàn)了目標分割與識別的合二為一。

1)變色木的像元級分類。 在利用深度學(xué)習(xí)算法對變色木進行像元級分類的過程中，張瑞瑞等[23]和劉文定 等[24]利用語義分割模型對可見光圖像中的變色木區(qū)域進行像元級分割；徐信羅[25]對比了四種語義分割模型在松材線蟲病無人機可見光圖像中的分割效果，其中DeepLab v3 模型的目標像素識別精度可達88.20%；Tao 等[26]和鄧世晴[27]參考AlexNet 和GoogLeNet 神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練語義分割模型，實現(xiàn)可見光圖像中枯死松樹的有效區(qū)分；Qin 等[28]提出一種新的用于無人機多光譜影像的神經(jīng)網(wǎng)絡(luò)算法SCANet，該方法在識別病害區(qū)域的過程中能有效抑制背景信息干擾，總體準確率達到79%；劉世川 等[29]使用Relief 選擇算法對植被指數(shù)和不同色彩空間生成的多維數(shù)據(jù)進行特征降維，通過比較DBscan 算法和VGG －S、VGG －A 兩種神經(jīng)網(wǎng)絡(luò)算法對受害木區(qū)域的分類效果，表明基于多特征提取和注意力機制的神經(jīng)網(wǎng)絡(luò)可以有效區(qū)分出無人機圖像中的受害木區(qū)域。

2)變色木的面向?qū)ο蠓诸悺?各類深度學(xué)習(xí)算法具有其獨特的網(wǎng)絡(luò)結(jié)構(gòu)和信息提取能力，通過對比不同種深度學(xué)習(xí)算法的應(yīng)用效果，挑選適應(yīng)目標場景需要，滿足預(yù)期效果的模型進行應(yīng)用，可極大提高目標對象的識別精度。 汪晨 等[30]和徐信羅 等[31]分別使用一階段和兩階段的深度學(xué)習(xí)目標檢測模型對遙感影像中松材線蟲病變色木進行識別；吳瓊[32]利用深度神經(jīng)網(wǎng)絡(luò)檢測算法結(jié)合可見光和近紅外圖像中提取的顏色和紋理特征，成功區(qū)分出受害木、健康木和其他地物；李嘉祺 等[33]利用無人機采集松材線蟲病感病林分的高光譜影像，通過挑選高光譜特征波段訓(xùn)練GoogLeNet 神經(jīng)網(wǎng)絡(luò)，可以實現(xiàn)95.03%的枯死木識別準確率。

為適應(yīng)林地場景下的檢測需要，一些學(xué)者還通過改進網(wǎng)絡(luò)結(jié)構(gòu)、調(diào)整網(wǎng)絡(luò)參數(shù)等方式優(yōu)化模型檢測效果。 黃麗明 等[34]研究了深度學(xué)習(xí)算法在枯死木和紅色闊葉樹干擾下，對松材線蟲病變色木的識別效果，結(jié)果表明利用深度可分離卷積和倒殘差結(jié)構(gòu)改進的YOLO v4 網(wǎng)絡(luò)結(jié)構(gòu)整體表現(xiàn)優(yōu)于Faster R－CNN、YOLO v4、EfficientDet 和YOLO v5 模型對變色木的識別效果；Hu 等[35]設(shè)計了一種結(jié)合深層卷積神經(jīng)網(wǎng)絡(luò)、深層卷積生成對抗網(wǎng)絡(luò)和Ada-Boost 分類器的變色松樹識別方法，可在訓(xùn)練樣本不足的情況下，實現(xiàn)復(fù)雜背景下變色木的有效識別；Deng 等[36]通過對優(yōu)化后的Faster R －CNN 神經(jīng)網(wǎng)絡(luò)中添加地理坐標轉(zhuǎn)換功能，實現(xiàn)了變色木的自動識別與定位；李鳳迪[37]基于PC 端設(shè)備配置了HOG－SVM 機器學(xué)習(xí)算法模型和YOLO v3 －CIoU目標檢測模型，實現(xiàn)松材線蟲病樹的有效檢測，并將MobileNet v2 －SSDLite 模型部署到樹莓派，搭建起一套機載邊緣端檢測系統(tǒng)，提高了變色木檢測效率。

1.4 基于無人機遙感影像的單木受害階段分類研究

開展精準的松材線蟲病受害階段分類工作，有助于全面掌握疫情發(fā)生信息，可進一步監(jiān)測松材線蟲病的發(fā)生動態(tài)，掌握病害發(fā)展規(guī)律，把握防治窗口期，預(yù)測和評估災(zāi)害損失。

李浩 等[38]針對無人機可見光圖像提出一種結(jié)合超綠特征因子與最大類間方差的圖像分割算法，對松材線蟲病感病區(qū)域開展受害程度檢測，并取得了良好的分類效果；張學(xué)敏[39]提出一種基于特征稀疏表示和加權(quán)小波支持向量數(shù)據(jù)描述的松材線蟲病受害階段識別方法，在可見光和近紅外圖像的基礎(chǔ)上實現(xiàn)輕度和重度病樹的有效區(qū)分；李浩 等[40]基于可見光圖像將病害松木分為輕度、重度和病死3 類，使用SSD、YOLO v3、Faster R －CNN 算法實現(xiàn)了松材線蟲病受害木的不同染病階段檢測；黃華毅 等[41]利用可見光和多光譜波段數(shù)據(jù)計算NDVI、ENDVI 和AVAI 指數(shù)，區(qū)分出無人機遙感影像中的非植被、健康植被和異常植被區(qū)域，結(jié)合Fast R －CNN 模型和圖像處理軟件實現(xiàn)病樹和枯死樹的有效區(qū)分和定位；Yu 等[42]將松材線蟲病受害木分成早期、中期和嚴重三個階段，利用植被指數(shù)、紅邊參數(shù)和水分指數(shù)構(gòu)建隨機森林模型對受害木受害階段進行檢測，并在無人機高光譜圖像的基礎(chǔ)上進一步結(jié)合激光雷達數(shù)據(jù)，成功區(qū)分出健康松木和疫木早期、中期、重度和灰色四個受害階段，分類精度可達73.96%[43]。

1.5 松材線蟲病受害木早期檢測研究

松材線蟲病的早期檢測對于疫木除治工作的有效開展具有重要意義，越早監(jiān)測到感染松材線蟲的松樹，越有利于病害的“除早”和“除小”。 松樹感染松材線蟲后會導(dǎo)致生理結(jié)構(gòu)和形態(tài)特征的變化，并會反映到冠層光譜反射率的改變，而這類光譜響應(yīng)是利用遙感開展松材線蟲病早期監(jiān)測的主要依據(jù)。

Iordache 等[18]通過無人機光譜圖像從部分綠色松樹中檢測出肉眼無法識別的變化，通過比對時間序列影像發(fā)現(xiàn)具有這類變化的松樹最終發(fā)展成為典型的松材線蟲病樹，因此認為基于無人機光譜圖像的松材線蟲病早期檢測是可行的；Wu 等[44]基于無人機多光譜影像，利用多種傳統(tǒng)機器學(xué)習(xí)方法和深度學(xué)習(xí)方法開展松材線蟲病的早期檢測；Yu 等[45]利用Faster R －CNN 算法和YOLO v4 算法對無人機采集到的多光譜圖像開展松材線蟲病早期檢測，在考慮闊葉樹的影響下，早期診斷準確率能達到48.88%。 當(dāng)前基于多光譜影像的松材線蟲病早期檢測精度低，不能滿足生產(chǎn)實踐的需要，為提高早期檢測的準確率，Yu 等利用高光譜無人機采集松材線蟲病感病林分的光譜圖像，通過構(gòu)造特征光譜指數(shù)，開展松材線蟲病的早期檢測研究[42]，并進一步結(jié)合深度學(xué)習(xí)圖像處理方法，利用高光譜圖像中的空間和光譜信息訓(xùn)練殘差三維卷積神經(jīng)網(wǎng)絡(luò)算法模型，對早期感病的松材線蟲病受害木進行檢測，總體準確率可達88.11%[46]。

2 松材線蟲病無人機遙感監(jiān)測中存在的問題

2.1 飛行平臺及任務(wù)設(shè)備制約松材線蟲病的監(jiān)測效率

通過大規(guī)模森林監(jiān)測及早發(fā)現(xiàn)疫區(qū)、識別受害木是松材線蟲病有效防治的關(guān)鍵舉措。 在飛行平臺方面，民用航拍無人機受制于供能元件和政策法規(guī)等問題，續(xù)航時間短，單次作業(yè)面積相對較小，航拍范圍有限，還不能取代有人機在廣域性高精度普查作業(yè)中的地位。 在傳感器方面，目前常用的可見光、多光譜傳感器記錄的光譜波段有限，可獲取的信息量較少，雖然可以滿足日常巡檢工作的需要，但難以實現(xiàn)諸如早期監(jiān)測這類作業(yè)任務(wù)的要求；激光雷達等設(shè)備在松材線蟲病監(jiān)測領(lǐng)域中的相關(guān)研究較少，其實用性和必要性有待進一步的實驗論證；高光譜等高精度傳感器造價高昂，相關(guān)技術(shù)在山區(qū)作業(yè)中難以普及應(yīng)用，同時，高光譜記錄目標對象上百個連續(xù)譜段，造成了信息冗余，增大了信息儲存和運算成本，對配套硬件設(shè)備提出了更高的要求。

2.2 松材線蟲病檢測平臺不能滿足監(jiān)測作業(yè)需要

基于深度學(xué)習(xí)的圖像處理算法依靠神經(jīng)網(wǎng)絡(luò)中大量的網(wǎng)絡(luò)參數(shù)共同參與計算，存在網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、運算量大等問題，對硬件設(shè)備的配置要求較高。 目前，檢測過程通常是將記錄航拍圖像信息的SD 卡從無人機中取出，把圖像導(dǎo)入預(yù)先訓(xùn)練好的變色木檢測模型中進行自動化識別。 因此，要實現(xiàn)松材線蟲病樹的林間實時檢測，需要攜帶筆記本電腦等硬件設(shè)備，在無人機飛行結(jié)束后，現(xiàn)場進行圖像目標檢測；否則只能將航拍照片帶回室內(nèi)，導(dǎo)入計算機設(shè)備進行檢測，對松材線蟲病普查監(jiān)測工作的開展造成很大不便，且難以滿足松材線蟲病實時檢測的要求。

2.3 松林環(huán)境嚴重干擾變色木的識別

林業(yè)生產(chǎn)環(huán)境相較大田農(nóng)業(yè)更具復(fù)雜性和多樣性，對遙感影像解譯提出了更高的要求與挑戰(zhàn)。 松材線蟲病發(fā)生區(qū)的立地條件具有較高的異質(zhì)性，混生樹種繁雜，林下植被多樣，林中裸地、林冠陰影等都會對變色木的識別造成干擾，在無人機遙感圖像的檢測過程中，不可避免地受到“同物異譜”和“異物同譜”現(xiàn)象的影響，從而出現(xiàn)各種誤檢、漏檢狀況，影響變色木的識別精度。

現(xiàn)階段無人機遙感監(jiān)測松材線蟲病的研究，其本質(zhì)是在檢測林分中出現(xiàn)的冠層變色和失葉這類異常狀態(tài)，實際檢測對象是林分中的變色木，尚不能對具體感病原因進行判定。 林分中引起樹冠變色的因素可能是物候節(jié)律、林火、蟲害、侵染性或非侵染性病害，在同一片林分中可能同時存在多種因素導(dǎo)致的林冠變色現(xiàn)象，而在無人機遙感圖像的解譯過程中，如不開展相應(yīng)的地面調(diào)查、實驗室分析檢測等工作，就難以判定具體變色原因，而通常將變色松木統(tǒng)一認定為松材線蟲病樹，勢必會影響最終的統(tǒng)計結(jié)果，增大采伐作業(yè)的工作量。

2.4 松材線蟲病數(shù)據(jù)信息獲取效果不佳

1)受害木定位誤差大。 基于無人機遙感影像的疫木定位研究對于開展采伐作業(yè)設(shè)計，規(guī)劃采伐方案具有重要意義。 松材線蟲病感病林分大都位于地形起伏較大的山區(qū)，地形的異質(zhì)性給受害木的定位帶來了不小的挑戰(zhàn)，當(dāng)前基于無人機影像開展松材線蟲病單木級定位的相關(guān)研究較少，研究過程受制于無人機圖像的正射拼接效果、無人機姿態(tài)和地形條件等因素，導(dǎo)致定位精度不佳，尚無法滿足疫木除治工作的需要。

2)受害木株數(shù)統(tǒng)計不準確。 在利用無人機對受害木進行計數(shù)的過程中，常常會因為林分密度過大而發(fā)生樹冠相接、樹冠遮擋等現(xiàn)象，且林分中存在一定數(shù)量的分叉木，而這些分叉木在感染松材線蟲后，其不同枝杈變色速度的差異也會影響受害木統(tǒng)計結(jié)果，導(dǎo)致發(fā)生遺漏或重復(fù)計數(shù)的情況。

3)遙感圖像無法統(tǒng)一聯(lián)系。 針對無人機遙感影像中松材線蟲病受害階段的劃分缺乏統(tǒng)一的認定標準。 不同感病樹種間，同一感病樹種通過不同類型的傳感器設(shè)備采集到不同時空的遙感圖像間無法建立統(tǒng)一聯(lián)系，在受害階段分類及災(zāi)害評估工作中造成了一定的混亂。

4)松材線蟲病早期監(jiān)測研究不足。 基于無人機開展的松材線蟲病早期監(jiān)測研究較少，無法通過數(shù)據(jù)定量說明現(xiàn)階段將松材線蟲病的早期監(jiān)測提早到什么樣的水平，且關(guān)于松材線蟲病的早期監(jiān)測研究主要集中于高光譜數(shù)據(jù)，且檢測精度不高，設(shè)備儀器價格高昂，在當(dāng)前階段的推廣使用價值較低。

3 松材線蟲病無人機遙感監(jiān)測研究展望

3.1 研發(fā)行業(yè)飛行平臺及任務(wù)設(shè)備

研發(fā)滿足林業(yè)需要的高續(xù)航、大里程、能應(yīng)對各類復(fù)雜地形和極端天氣狀況的行業(yè)無人機，并基于現(xiàn)有的及后續(xù)開展的松材線蟲病遙感監(jiān)測研究，篩選出能夠滿足松材線蟲病監(jiān)測需求的傳感器設(shè)備及特征波段組合，并將其集成在行業(yè)無人機上，實現(xiàn)松材線蟲病疫木特征信息的精準收集，降低設(shè)備成本和使用成本，提高遙感監(jiān)測效率。

3.2 強化林分的三維結(jié)構(gòu)信息采集

傳統(tǒng)的無人機圖像處理與分析是基于二維平面開展的，忽視了林分的三維結(jié)構(gòu)，而對于林分及單木的三維模型構(gòu)建，能夠在不增加設(shè)備成本的前提下，引入諸如冠型、株高等信息，從空間角度出發(fā)克服“同物異譜”及“異物同譜”造成的混分現(xiàn)象，有利于排除二維空間難以區(qū)分的背景干擾；同時，拍攝視角的增加也有助于發(fā)現(xiàn)樹冠下層的變色枝條，降低漏判率，對于松材線蟲病的可視化、立體化監(jiān)測具有重要意義。

3.3 實現(xiàn)變色木病因的精準判別

張衡[47]利用地物波譜儀對受松材線蟲、枯梢菌和干旱影響的松樹3 類針葉進行光譜測定分析，成功區(qū)分出不同種脅迫類型，證明基于光譜特征的松樹受害類型識別是可行的。 因此，利用無人機高光譜遙感技術(shù)構(gòu)建多種脅迫影響下的變色木光譜數(shù)據(jù)庫，通過光譜分析區(qū)分各類變色木的病因，可在一定程度上實現(xiàn)松材線蟲病的精準檢測。 同時，通過結(jié)合多種傳感器設(shè)備開展松材線蟲病的時序監(jiān)測研究，建立松材線蟲病的時序監(jiān)測數(shù)據(jù)庫，探究松材線蟲病在不同特征波段及其衍生數(shù)據(jù)下的時序變化規(guī)律，從而與其它因素導(dǎo)致的松樹變色進行區(qū)分。

3.4 探究不同季節(jié)下松材線蟲病的特征表現(xiàn)

松材線蟲寄主樹種及其周邊環(huán)境具有明顯的季相特征，感病松樹亦會在不同季節(jié)表現(xiàn)出不同的變化規(guī)律，這些差異都會導(dǎo)致基于單一時相所取得的遙感特征參數(shù)無法滿足松材線蟲病在各個季節(jié)的監(jiān)測精度要求。 因此，可針對各個季節(jié)各類條件下的松材線蟲病發(fā)生特點篩選特征參數(shù)集，分別構(gòu)造模型以提高檢測精度。

3.5 開發(fā)適應(yīng)作業(yè)條件的松材線蟲病檢測平臺

針對具備網(wǎng)絡(luò)覆蓋條件的林區(qū)可以開發(fā)相應(yīng)的云計算平臺，將無人機采集的圖像數(shù)據(jù)通過網(wǎng)絡(luò)傳輸?shù)皆贫?，在云端大型服?wù)器上開展精準、快速的數(shù)據(jù)處理工作，并將檢測結(jié)果實時返回至終端；在網(wǎng)絡(luò)信號差的偏遠林區(qū)，可對目標檢測算法的網(wǎng)絡(luò)結(jié)構(gòu)進行優(yōu)化，通過剪枝、權(quán)值共享與量化、哈夫曼編碼等方式實現(xiàn)模型的輕量化，并將輕量化的模型部署在邊緣檢測平臺上，實現(xiàn)檢測設(shè)備的便攜化。

3.6 構(gòu)建全國松材線蟲病疫情動態(tài)數(shù)據(jù)庫

基于松材線蟲病時序性監(jiān)測的研究結(jié)果，確定病害的最佳監(jiān)測窗口期，探究時序性的林分級及單木級的病害發(fā)生發(fā)展規(guī)律；通過衛(wèi)星遙感影像的對比分析，篩選出松材線蟲病的疑似感病林分，并對感病林分進行定位；根據(jù)衛(wèi)星遙感數(shù)據(jù)生成目標林分的航線參數(shù)，通過建立衛(wèi)星與無人機之間的傳輸鏈路，自動連接無人機執(zhí)行航拍指令，采集目標林分的遙感數(shù)據(jù)，開展無人機圖像數(shù)據(jù)分析；在確定林分感染松材線蟲后，利用可視化網(wǎng)站實時上傳并更新數(shù)據(jù)，實現(xiàn)全國松材線蟲病疫情一張圖，為階段性疫情防控政策法規(guī)及防治方案的制定提供參考。

目前，無人機遙感技術(shù)在林業(yè)有害生物監(jiān)測中發(fā)揮了重要作用，在無人機及傳感器設(shè)備研發(fā)、圖像處理算法研究等方面均已經(jīng)取得了重大進展和突破，然而，利用無人機遙感技術(shù)監(jiān)測松材線蟲病的研究仍處于發(fā)展階段，在實際應(yīng)用中存在諸多問題亟待解決。 在未來的研究中，可借鑒相關(guān)領(lǐng)域的發(fā)展動態(tài)，將先進技術(shù)和手段應(yīng)用到松材線蟲病的無人機遙感監(jiān)測中，結(jié)合松材線蟲病的發(fā)生發(fā)展規(guī)律，構(gòu)建松材線蟲病早期、精準、實時的無人機監(jiān)測技術(shù)體系，為松材線蟲病疫情防控工作的高效開展提供有力支撐。