Resonon | 利用机载高光谱成像进行树木水平红脂大小蠹侵染的早期监测

据人类目前所知，昆虫的种类有100多万种，是地球上数量最多的动物群体。

在《昆虫记》中，法布尔将昆虫世界化作供人类获得知识、趣味、美感和思想的美文，以文艺趣味的笔触记录了100多种昆虫的本能与习性，展现了一部“昆虫的史诗”。

但种类繁多、形态各异的昆虫，除了法布尔笔下的灵性和趣味，还有不可忽视的侵害和威胁。

红脂大小蠹

1998年，我国在山西省首次发现红脂大小蠹，当地林木大面积受到侵害，生态环境和经济发展也严重受损。随着红脂大小蠹的扩散蔓延，我国科研人员对森林受到的侵害愈加重视，并通过相关研究，提供了对其进行监测的方向。

利用机载高光谱成像进行

树木水平红脂大小蠹侵染的早期监测

森林在陆地生态系统中发挥着必不可少的作用，提供着水资源保存、侵蚀控制、缓和气候变化和碳固存等各种生态服务。同时也面临着生物和非生物因素的胁迫。入侵害虫红脂大小蠹（RTB）在中国东北部蔓延，造成严重的经济和生态损失。早期识别和侵染树木的处理对于避免其蔓延和侵染爆发至关重要。高空间分辨率的高光谱数据具有监测单木尺度树皮甲虫早期侵染的潜力，但尚未进行相关研究。

基于此，为填补研究空白， 来自北京林业大学的研究者们利用DJI Matrice 600 UAV+Resonon Pika L高光谱相机在中国辽宁省进行了相关研究。首先调查了RTB侵染油松后光谱特征的变化。其次，利用RF分类器比较不同光谱特征区分RTB阶段的性能。最 后，探索了深度学习算法（CNN）在小HIS数据集中分类树皮甲虫干扰是否优于机器学习算法（RF）。

研究区。（a）RTB分布及辽宁省位置；（b）研究样地位置；（c）机载高光谱图像。

结果

冠层平均光谱反射率及一阶和二阶导数。

三种健康分类的光谱植被指数。

RF和CNN分类模型的总体性能和混淆矩阵。（a）反射率值作为输入变量的RF_R:RF模型；（b）导数作为输入变量的RF_D:RF模型；（c）SVI作为输入变量的RF_S:RF模型；（d）CNN模型。

结论

本文研究了机载高空间分辨率的高光谱图像检测RTB侵染松树的潜力。作者比较了不同光谱特征和模型将松树分为三个健康状态：健康、侵染（绿或黄色阶段）和死亡（红或灰色阶段）树木的性能。主要结论如下：

（1） RTB侵染后，松树冠层光谱显著变化。与健康树木相比，死亡树木的光谱曲线在可见和近红外区域显著变化，而侵染树木仅在可见光区域显著变化。死亡树木的16个SVI显著不同，而侵染树木的11个显著不同。

（2） 将反射率、一阶和二阶导数、以及SVI输入到随机森林分类器中，以SVI作为变量的模型性能优于其他两个模型。

（3） CNN模型在树皮甲虫干扰分类中表现最 好。对于早期侵染树木，总体精度为83.33%，召回率为72.5%。

本研究证明了机载高光谱成像可用于单木尺度RTB侵染监测。本研究使用的SVI和分类模型可为树皮甲虫侵害的早期监测提供参考。CNN适于树皮甲虫侵染树木的监测。未来研究可能结合分割和分类目标开发一个基于CNN模型自动识别单木早期侵染阶段。