據(jù)人類目前所知，昆蟲的種類有100多萬種，是地球上數(shù)量最多的動物群體。
在《昆蟲記》中，法布爾將昆蟲世界化作供人類獲得知識、趣味、美感和思想的美文，以文藝趣味的筆觸記錄了100多種昆蟲的本能與習性，展現(xiàn)了一部“昆蟲的史詩”。
但種類繁多、形態(tài)各異的昆蟲，除了法布爾筆下的靈性和趣味，還有不可忽視的侵害和威脅。
1998年，我國在山西省首次發(fā)現(xiàn)紅脂大小蠹，當?shù)亓帜敬竺娣e受到侵害，生態(tài)環(huán)境和經(jīng)濟發(fā)展也嚴重受損。隨著紅脂大小蠹的擴散蔓延，我國科研人員對森林受到的侵害愈加重視，并通過相關研究，提供了對其進行監(jiān)測的方向。
利用機載高光譜成像進行樹木水平紅脂大小蠹侵染的早期監(jiān)測
森林在陸地生態(tài)系統(tǒng)中發(fā)揮著必不可少的作用，提供著水資源保存、侵蝕控制、緩和氣候變化和碳固存等各種生態(tài)服務。同時也面臨著生物和非生物因素的脅迫。入侵害蟲紅脂大小蠹（RTB）在中國東北部蔓延，造成嚴重的經(jīng)濟和生態(tài)損失。早期識別和侵染樹木的處理對于避免其蔓延和侵染爆發(fā)至關重要。高空間分辨率的高光譜數(shù)據(jù)具有監(jiān)測單木尺度樹皮甲蟲早期侵染的潛力，但尚未進行相關研究。
基于此，為填補研究空白， 來自北京林業(yè)大學的研究者們利用DJI Matrice 600 UAV+Resonon Pika L高光譜相機在中國遼寧省進行了相關研究。首先調查了RTB侵染油松后光譜特征的變化。其次，利用RF分類器比較不同光譜特征區(qū)分RTB階段的性能。最后，探索了深度學習算法（CNN）在小HIS數(shù)據(jù)集中分類樹皮甲蟲干擾是否優(yōu)于機器學習算法（RF）。
研究區(qū)。（a）RTB分布及遼寧省位置；（b）研究樣地位置；（c）機載高光譜圖像。
【結果】
冠層平均光譜反射率及一階和二階導數(shù)。
三種健康分類的光譜植被指數(shù)。
RF和CNN分類模型的總體性能和混淆矩陣。（a）反射率值作為輸入變量的RF_R:RF模型；（b）導數(shù)作為輸入變量的RF_D:RF模型；（c）SVI作為輸入變量的RF_S:RF模型；（d）CNN模型。
【結論】
本文研究了機載高空間分辨率的高光譜圖像檢測RTB侵染松樹的潛力。作者比較了不同光譜特征和模型將松樹分為三個健康狀態(tài)：健康、侵染（綠或黃色階段）和死亡（紅或灰色階段）樹木的性能。主要結論如下：
（1） RTB侵染后，松樹冠層光譜顯著變化。與健康樹木相比，死亡樹木的光譜曲線在可見和近紅外區(qū)域顯著變化，而侵染樹木僅在可見光區(qū)域顯著變化。死亡樹木的16個SVI顯著不同，而侵染樹木的11個顯著不同。
（2） 將反射率、一階和二階導數(shù)、以及SVI輸入到隨機森林分類器中，以SVI作為變量的模型性能優(yōu)于其他兩個模型。
（3） CNN模型在樹皮甲蟲干擾分類中表現(xiàn)最好。對于早期侵染樹木，總體精度為83.33%，召回率為72.5%。
本研究證明了機載高光譜成像可用于單木尺度RTB侵染監(jiān)測。本研究使用的SVI和分類模型可為樹皮甲蟲侵害的早期監(jiān)測提供參考。CNN適于樹皮甲蟲侵染樹木的監(jiān)測。未來研究可能結合分割和分類目標開發(fā)一個基于CNN模型自動識別單木早期侵染階段。
請點擊下方鏈接，閱讀原文：
https://mp.weixin.qq.com/s?__biz=MjM5NjE1ODg2NA==&mid=2650318042&idx=2&sn=0bd1100c454c7e15df23759ca4352573&chksm=bee1882589960133723450d506831d21b94c642d91fd118dc34fe8e066e47917eb8c00290712&token=9932354&lang=zh_CN#rd