據人類目前所知，昆蟲的種類有100多萬種，是地球上數量最多的動物群體。

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，展現了一部“昆蟲的史詩”。

但種類繁多、形態各異的昆蟲，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現紅脂大小蠹，當地林木大面積受到侵害，生態環境和經濟發展也嚴重受損。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測
 

 

森林在陸地生態系統中發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，造成嚴重的經濟和生態損失。早期識別和侵染樹木的處理對于避免其蔓延和侵染爆發至關重要。高空間分辨率的高光譜數據具有監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分RTB階段的性能。最后，探索了深度學習算法（CNN）在小HIS數據集中分類樹皮甲蟲干擾是否優于機器學習算法（RF）。

【結果】
 

冠層平均光譜反射率及一階和二階導數。

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：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域顯著變化，而侵染樹木僅在可見光區域顯著變化。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、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于其他兩個模型。

（3） CNN模型在樹皮甲蟲干擾分類中表現最好。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測提供參考。CNN適于樹皮甲蟲侵染樹木的監測。未來研究可能結合分割和分類目標開發一個基于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