松材線蟲病遙感監測研究進展及方法述評

張曉東，楊皓博，蔡佩華，陳關州，李賢蔚，朱 坤

松材線蟲病遙感監測研究進展及方法述評

張曉東1，楊皓博1，蔡佩華2，陳關州1※，李賢蔚1，朱 坤1

（1. 武漢大學測繪遙感信息工程國家重點實驗室，武漢 430079；2. 長江大學地球科學學院，武漢 430100）

該研究旨在綜合述評松材線蟲病遙感監測的歷史及近年來的研究進展，并就當前研究和工作中產生的問題給出建議與展望，為相關管理部門、科研院所以及從業者提供技術參考和輔助決策依據。該研究以科學引文數據庫（WoS）和CNKI檢索并篩選后得到的文獻為基礎，系統梳理松材線蟲病遙感監測的提出及發展；根據遙感監測的對象層次分類梳理了相關研究中使用的方法，就當前研究中存在的問題進行歸納和總結，最后給出了未來可能的工作及研究方向。該研究發現：1）2017年來松材線蟲病遙感監測一直處于研究熱點。2）松材線蟲病遙感監測研究使用數據的運載平臺大多為以無人機為代表的機載平臺，而光譜類型以RGB和多光譜為主。3）松材線蟲病遙感監測的粒度以單株為主，監測使用的病害類別體系繁多且不同類別體系間的關系模糊。4）機器學習和深度學習兩類方法在松材線蟲病遙感監測研究中占據壟斷地位，但兩類方法各有優勢、互不取代。該研究認為遙感調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，但存在單一數據源難以滿足大范圍細粒度的監測需求、病害類別體系雜亂、數據集不統一不標準、缺乏長時序監測成果等方面的問題。該研究提出未來可以在空天數據融合、病害類別體系及數據集標準化和短周期長時序監測等3個方面進一步開展工作及研究，將有助于松材線蟲病遙感監測的進一步實時化和智能化。

遙感；機器學習；松材線蟲??；深度學習；植被指數

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。在中文文獻中常用松材線蟲病，罕見使用松樹枯萎??；在英文文獻中常用PWN表示松材線蟲病，常用拉丁學名表示松材線蟲。本文遵循《松材線蟲普查監測技術規程》（GB/T 2347—2009）和相關文件，松材線蟲病取用PWD，松材線蟲取用PWN）。中國自1982年首次發現松材線蟲病[4]以來，感染面積不斷增大。根據國家林業和草原局2018—2022年發布的松材線蟲病疫區公告顯示，近五年來中國縣級疫區數量仍在增長但增速放緩。對2021年、2022年中國松材線蟲病疫區數量進行統計后可以發現：東中部地區是松材線蟲病嚴重區域且疫情出現了向西北內陸擴展的趨勢。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[2,5-6]，對中國生態安全、生物安全和經濟發展產生了巨大影響[7-9]。為了遏制松材線蟲病疫情發生程度和擴散蔓延勢頭，降低病疫對生態安全和經濟發展的影響[8,10]，各級林業部門亟需建立一套大規模、高效率、智能化監測體系，用于現有疫情及治理情況的監測與把控，實現新發疫情的“早發現、早報告”。目前廣泛采用的監測方法是由國家林業和草原局發布的《松材線蟲病防治技術方案（2021年版）》中提出的地面巡查和航空航天遙感調查[11]兩種。相較于地面巡查，以無人機和衛星傳感器為數據源的航空航天遙感調查具有成本低、效率高、作業范圍廣和多時空尺度等特點，既可大幅減少林業調查員的工作量又能提高監測準確度。

本文從領域相關研究趨勢、松材線蟲病遙感監測機理、松材線蟲病遙感監測主要方法等方面進行系統梳理和分析，總結利用遙感手段監測松材線蟲病相關的研究現狀、發展趨勢和面臨的挑戰，并就未來研究和工作給出幾點展望，為相關管理部門、科研院所以及從業者提供技術參考和輔助決策依據。

1 松材線蟲病遙感監測的提出與發展

本文分別在科學引文數據庫（Web of Science，WoS）核心合集和中國知識基礎設施工程（China National Knowledge Infrastructure，CNKI）中文庫中進行文獻檢索與收集。檢索完成后，人工對檢索結果進行篩選，剔除與松材線蟲病遙感監測聯系不緊密的和重復的文章。具體檢索方式及結果如表1所示。

表1 WoS與CNKI文獻檢索條件及結果

注：檢索條件中的“%”代表模糊檢索。

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

從篩選結果的時間跨度可以看出：20世紀90年代便出現了松材線蟲病遙感監測的相關研究[12]。之后很長一段時間開展的松材線蟲病遙感監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，進行顯著性分析后發現不同受害類型的光譜曲線差異明顯且在近紅外區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個月期間進行了15次光譜測量，通過分析光譜曲線發現感染松樹在綠色波段、紅色波段和中紅外波段的數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行測量，進行曲線分析后發現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據中可以對松材線蟲病染病樹木進行識別且可對不同染病階段進行區分，這為松材線蟲病遙感監測奠定了理論基礎。

在松材線蟲病遙感監測的理論基礎之上，許多監測方法相繼提出。從相關文章年發文量的時間序列分析結果（圖1）中可以發現在很長一段時間內松材線蟲病遙感監測一直處于不溫不火的狀態，但2017年后CNKI中的文獻數量持續增長，2017—2021年平均年增幅達88.32%，WoS核心合集中的文獻數量從2018年也開始持續增長，2018—2021年平均年增幅高達140.63%。從總數上來看，近七成文獻發表于2017年后。上述現象表明2017年后利用遙感手段開展松材線蟲病監測已逐漸成為林業遙感研究熱點之一。

圖1 WoS與CNKI年發文量變化

2 松材線蟲病遙感監測研究現狀

2.1 數據源類型分析

從文獻中使用的數據源進行分析得到的結果（圖2）可以看出大多數研究以無人機（UAV）為代表的機載數據作為數據源，少數學者基于星載數據進行相關研究；而從數據光譜類型上看，以RGB數據和多光譜數據為主， 其中多光譜數據中多為四波段（紅波段、綠波段、藍波段、近紅外波段）數據和五波段（紅波段、綠波段、藍波段、近紅外波段、紅邊波段）數據。從分辨率上看，機載數據地面分辨率絕大部分為厘米級，而星載數據地面分辨率絕大部分為米級。

圖2 數據源類型統計分析結果

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

2.2 監測粒度與病害類別體系分析

本文所提到的監測粒度主要指監測的細致程度，即最小識別單元。遙感數據源多樣化導致了松材線蟲病遙感監測的粒度呈現多層次的特點。在已有松材線蟲病遙感監測的研究中，監測粒度以單棵植株為主，還有少數研究的粒度為區域，劃分區域的方法有兩種：一是從林業工作角度出發使用“小班”（“小班”是林業術語，其定義為：內部特征基本一致，與相鄰地段有明顯區別，而需要采取相同經營措施的森林地塊或小區。是森林資源規劃設計調查、統計和森林經營管理的基本單位[18]。）進行劃分，二是從遙感數據處理角度出發使用規則格網進行劃分。

不同監測粒度下建立病害類別體系的依據和方式有所不同。在單株監測粒度下，研究者根據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，出現了眾多類別體系且體系間關系模糊?；诓『︻悇e體系中的類別數量的統計結果（表2）可以看出：病害類別體系中的類別數量從2類到6類不等；相同類別數量的病害類別體系依據不同的分類標準又衍生出多個不同的體系。例如：在目前獲取的文獻中使用最多的類別數量為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。當監測粒度為區域時，研究者常依據病害松樹的像素或面積占比來確定區域受害程度從而劃分病害類別體系，但這些類別體系間關系也較為模糊。李浩等根據經驗劃分了健康、輕度感染、中度感染、重度感染4個類別[19]；鄧世晴參考《林業有害生物成災標準》和林業部門相關經驗劃分了健康、輕害、中害、重害、極為嚴重5個類別[20]。

表2 單株監測粒度下的病害類別體系及使用情況統計

2.3 主要監測方法分析

從目前獲取到的文獻中可以發現，自動化、智能化已經成為松材線蟲病遙感監測研究的主要發展方向。機器學習作為實現自動化和智能化的主要手段，主要可以分為經典機器學習和深度學習兩類。兩類方法在松材線蟲病遙感監測中均有應用。

2.3.1 基于經典機器學習的識別提取

經過40余年的發展，經典機器學習已形成一套范式。在經典機器學習過程中構建數據特征和分類器選擇是重要的兩個環節。構建可分性高的特征是經典機器學習識別準確度的重要保障；選擇適合的分類器是提高經典機器學習效率的關鍵。

1）構建數據特征

在基于經典機器學習的松材線蟲病染病樹監測研究中，光譜特征和植被指數特征是最常被使用的兩類特征，少數研究也使用了紋理特征。

光譜特征常通過光譜特征指數進行量化表現。馬躍等的研究發現紅邊位置（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]。徐華潮等的研究發現病害階段可以通過REP、GH、RES和水分脅迫波段反射率（Reflectance of Water Stress Band，RWSB）等特征參數進行區分[15]。

植被指數是使用多光譜數據經線性或非線性組合產生的對植被狀況和生物量等有一定指示意義的數值[22]。經過長期發展，國內外研究者已經提出了百余種不同的植被指數，本研究對目前收集到的松材線蟲病遙感監測研究中使用到的植被指數進行了總結（表3）。在表3所示的指數中，有的指數作為單一特征就能獲得較好的染病樹或枯死樹識別結果。Li等的研究通過評價組合指數中各指數對最后結果的影響指出GNDVI對于染病樹識別的貢獻最大[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果[19]。Kim等提出了GRSAI并證明相較其他指數有著更好更穩定區分不同染病階段樹木的能力[14]。

紋理特征是一類體現物體表面的具有緩慢變化或者周期性變化的表面結構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雜時降低識別錯誤率、減少“椒鹽現象”[25]；劉金滄等在RGB影像數據的基礎上增加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影像數據更精確結果[26]；但李鳳迪選用HOG作為輸入特征未獲得理想效果[27]。

在基于經典機器學習的松材線蟲病染病樹監測研究中，大多數研究使用特征數量均在10個以上的組合特征作為分類器的輸入。Yu等的研究結果表明多種光譜特征指數和植被指數的組合在識別樹木不同感染階段方面表現出較高的準確度，而以某波段范圍內最大反射率和反射率偏斜度等構成的紅邊參數（Red Edge Parameters，REPs）可以較好的區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確度，且在早期染病樹的識別方面擁有較大優勢；而組合特征的劣勢在于會增加特征構建的工作量和計算量。

2）分類器選擇

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

大部分松材線蟲病遙感監測研究均對分類器效果的進行對比試驗與評價。Syifa等對比人工神經網絡（Artificial Neural Network，ANN）和SVM兩種分類器方法在兩個地區區分健康樹和病樹的結果發現，SVM在對樹木進行分類時比ANN更準確[16]。Yu等使用相同的11個特征作為分類器輸入，發現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 文獻中使用到的植被指數

2.3.2 基于深度學習技術的識別提取

深度學習脫胎于機器學習，但相較于經典機器學習復雜的特征構建工作，卷積神經網絡可以自動挖掘遙感影像中的深層特征進而提升識別或分類的準確度。根據影像中對象的構建層次[53]，從大到小可以分為場景級、目標級和像素級3類任務（圖3）。3個層次在松材線蟲病遙感監測研究中均有使用。

圖3 深度學習任務級別示意圖

1）松材線蟲病場景級監測

松材線蟲病場景級監測主要使用場景分類方法，其本質就是對影像中的高層語義信息進行識別。在松材線蟲病場景級監測研究中，場景的建立常通過建立格網將影像切分為大小一致的圖像進行。Tao等的研究是目前獲取到較早使用深度學習技術進行場景級松材線蟲病遙感監測的研究。該研究對比了AlexNet和GoogLeNet兩種卷積神經網絡和模板匹配（Template Matching，TM）在識別枯死松樹上的表現，證明卷積神經網絡相較TM方法識別的更為準確[54]。Zhou等在LeNet-5網絡中使用了RELU激活函數獲得了較好的染病樹木識別精度[55]。周志達等對比了5種ResNet結構并使用正則化手段防止過擬合，其試驗結果表明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據，對比了5種常用網絡模型識別染病樹的表現，結果表明SqueezeNet僅用不到ResNet18一半的訓練時間就獲得了與后者類似的精度和穩定性[57]。

2）松材線蟲病目標級監測

松材線蟲病目標級監測主要使用目標檢測算法，其本質是獲取目標物在圖像中的位置及類別信息。目標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，在目標級松材線蟲病遙感監測研究中，兩種類型的目標檢測算法均得到廣泛使用。

表4 松材線蟲病目標級監測研究對比

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。有的研究聚焦于網絡結構的調整以提高精度，李鳳迪等將YOLOv3網絡的目標框位置回歸損失函數由均方誤差改為CIoU邊界框回歸損失函數，在兼顧召回率的同時達到較高的準確率[65]。黃麗明等在YOLOv4基礎上使用了倒殘差結構和深度可分離卷積，獲得了比基礎YOLOv4更好的精度[68]。有的研究聚焦于網絡的輕量化工作。Li等學者聚焦于輕量化YOLO網絡，其設計了一個3層輸出結構YOLOv4-Tiny網絡結構，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絡和特征融合方式，如何獲取更好的卷積特征以及結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者的研究點。You等的研究指出，使用Res101作為主干網絡、FPN作為特征融合結構進行病樹識別能夠獲得較好的精度[69]；Park等以VGG-16作為主干網絡，結合RPN結構組成Faster R-CNN目標檢測模型對病樹進行識別，也取得了較好精度[72]。

還有一些學者對比了一階段和二階段模型檢測的性能，李浩等在使用預訓練的基礎上對比了YOLOv3、SSD以及Faster R-CNN的識別效果，認為Faster R-CNN的綜合表現最好[73]；而Wu等對比了Faster R-CNN、YOLOv3和MobileNet-YOLOv3的識別結果，發現幾種網絡模型的準確度都比較接近，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據入手提高識別染病樹的精度。Yu等的研究指出在樣本數據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，構建一個有六通道的數據集，分別為R、G、B、近紅外、紅邊和NDRE，其研究表明使用此種數據集能獲得比RGB單獨輸入更高的精度[72]。黃華毅等的研究使用NDVI、ENDVI和AVAI對數據進行篩選后再輸入網絡[70]；You等的研究表明頑固負樣本挖掘（Hard Negative Mining，HNM）方法可在一定程度上提高識別精度[69]。

從文獻數量上看，目標級監測在基于深度學習技術松材線蟲病遙感監測的研究中占絕大部分；從研究側重點上看，在目標級監測的研究中，從數據集構建到網絡模型的對比選擇再到網絡結構的優化都有不同程度的開展。上述兩方面都表明目標級監測是基于深度學習技術松材線蟲病遙感監測研究中的熱點。

3）松材線蟲病像素級監測

松材線蟲病像素級監測常使用語義分割和實例分割方法，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例ID。

在松材線蟲病像素級監測的研究中，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習方式比傳統方法有著更好的優勢。劉世川等使用相同的特征作為空間聚類依據和添加了注意力機制的VGG網絡（VGG-A）的輸入，結果發現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網絡和使用了紋理特征的RF分類器進行松材線蟲病變色木識別結果，認為U-Net有著比RF更高的精確度和更少的“椒鹽現象”，可以應用于大區域松材線蟲病變色木識別[25]。有的研究則聚焦于網絡模型的選擇及改進以提高精度。如：Yu等將增加了殘差結構的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，同時還發現在大量減少訓練集后，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網絡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擴展感受野以獲得高級特征的SCANet（空間上下文注意力網絡）模型，相較于DeepLabv3+、HRNet和DenseNet等網絡模型有著更高的分割精度[78]。

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

3 問題與挑戰

綜合目前行業相關研究可以發現松材線蟲病害遙感監測的研究關注度越來越高，基于衛星和無人機等遙感手段已經成為了松材線蟲病害監測的主流方法，而機器學習和深度學習技術的發展和應用極大促進了監測任務的智能化程度。但是，當前相關研究領域仍存在一些亟待解決的問題。

1）單一數據源難以滿足大范圍細粒度的監測需求。監測粒度、監測范圍、監測使用的病樹類別體系和遙感影像數據獲取的平臺、數據地面分辨率、數據光譜分辨率是進行松材線蟲病遙感監測研究時需要綜合考慮的幾個因素，且有的因素間存在復雜的相互作用及制約關系（圖4）。在目前的研究中以無人機（UAV）為代表的機載數據是使用最多的數據源，很大一部分原因是機載數據地面分辨率可達厘米級，可有效滿足單株監測粒度下的地面分辨率要求，且機載數據可以靈活切換多光譜、高光譜或LIDAR等傳感器，從而進一步滿足區分不同染病階段的監測需求；雖然隨著國產“高分”“吉林一號”等衛星的發射，RGB影像的空間分辨率提升到0.5 m，星載數據基本可以滿足單株監測粒度的分辨率要求，但星載多光譜、高光譜或LIDAR等數據的空間分辨率難以滿足區分不同染病階段的需求。而在大范圍上進行監測，機載數據會逐漸表現出作業效率低、時間分辨率低等缺陷，星載數據則具備單次監測范圍大、時間分辨率高等特點。在目前獲取到的松材線蟲病遙感監測研究中，鮮見進行大范圍細粒度的監測研究成果。

圖4 松材線蟲病遙感監測研究中主要因素

2）病害類別體系雜亂。松材線蟲病遙感監測研究中，染病樹病害類別體系出現了兩個問題：一是依據不同的劃分標準建立了眾多類別體系，即使類別數量和每類名稱相同的類別體系，類別的劃分標準也會存在差異。二是不同類別體系間的關系模糊，一方面表現在相同類別數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，還是劃分標準有所偏差；另一方面是不同類別數量的類別體系間幾乎找不到層次關系。

3）松材線蟲病遙感監測研究中出現了多種類型的方法，各類方法均存在不同程度的優劣勢。無論是基于經典機器學習的監測方法還是基于深度學習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的具體方法。基于經典機器學習的監測方法有著對樣本要求不高和特征解釋能力較強等方面的優勢，但經典機器學習需要進行復雜的特征選擇及組合工作，同時難以利用影像的深層信息，且有研究認為機器學習不適合于大規模監測[67]?；谏疃葘W習的場景級監測雖然具備數據集構建、模型構建和訓練較為容易的優勢，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量，這一定程度上導致了場景級監測在當前松材線蟲病遙感監測的研究中并未成為主流。基于深度學習的目標級監測在當前松材線蟲病遙感監測的研究中是主流方法。使用不同類型的目標檢測算法進行染病樹識別都獲得了比較理想的精度，但二階段算法在區分不同染病階段方面略有優勢。目標級監測也存在一些劣勢：一是研究區域普遍偏小，沒有廣泛地域和多種數據源的普遍適用性；二是缺乏在統一類別劃分標準下標注的訓練數據，某些研究的可靠性有待驗證?；谏疃葘W習的像素級監測在識別定位方面較場景級和目標級監測稍準，但劣勢明顯：一是數據集構建成本高、時間長，二是無論語義分割還是實例分割，其使用的神經網絡對輸入數據的規范化要求較高。受病害類別體系雜亂問題的影響，各類監測方法（尤其是基于深度學習的監測方法方面）都存在一個共性問題：不同研究基于不同監測粒度和類別體系構建了尺寸和數據量大小不一的數據集。當前研究中沒有見到任何開放的大規模標準化光譜庫和樣本庫，這一方面導致難以用統一標準評價某個方法是否相較另一方法更優秀，另一方面限制了使用高光譜數據和高空間分辨率數據監測的研究。

4）當前松材線蟲病遙感監測研究大都聚焦于靜態影像，缺乏高時間分辨率的長時序監測成果。Hao等利用1998—2017年的年度統計數據進行了縣市級行政區尺度的松材線蟲病聚集趨勢的研究[80]。但松材線蟲病從發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有疫情及治理情況的精準監測與把控和對新發疫情“早發現、早報告”的實際需求。

4 建議與展望

以無人機和衛星傳感器為數據源的航空航天遙感調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。眾多學者開展了大量有關松材線蟲病遙感監測的研究，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）空天數據融合。要想實現大范圍細粒度松材線蟲病害遙感監測，空天數據融合必然是重要的研究趨勢?？仗鞌祿诤闲枰紤]以下問題：①融合路徑。在松材線蟲病遙感監測的研究中：有的研究使用機載數據作為星載數據識別染病樹結果的驗證；有的研究使用星載數據進行區域染病程度的判定，然后使用機載數據進行染病樹木的識別。除了上述兩種路徑，還應該考慮兩種相互補缺，如機載高光譜或LIDAR數據經過歸一化、重采樣和類型轉換后作為星載數據的波段。②星載和機載數據的差異消除。星載和機載數據從傳感器工作方式到傳統數據處理流程都存在顯著差異。如何消除兩種數據間的差異，將兩種數據相對統一起來，做到兩個影像在同一時間獲取到的同一區域表現一致是未來研究工作的一個關鍵點。

2）病害類別體系及數據集標準化。要想解決病害類別體系雜亂和監測方法中數據集帶來的評價問題，構建開放、統一、可擴展、標準化、評價指標統一的大規模光譜庫與樣本庫組成的數據集勢在必行。數據集的構建需考慮以下問題：①擴展性。構建數據集前應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系，根據此體系進行數據集的構建工作，最后做到無論類別數量多少使用一個數據集均可以進行訓練。②廣泛代表性。在構建數據集的過程中，應當使用多區域數據。不同區域的森林結構不同、松樹樹種不同，Huang等的研究表明相同方法在不同區域的識別染病樹的能力差異比較明顯[56]。使用多區域數據構建數據集對提高模型的普遍適用能力會有很大幫助。同時還應使用多種類型的影像數據以確保影像選擇的靈活度。③標準性。目前的研究在數據集構建時，只有少部分研究依靠實地調查數據轉換，大部分研究依靠人工標注，數據集的標準性、規范性和標注質量有待進一步提高。在數據集構建的過程中，應該匯集遙感、林業調查人員、林業病害學家等多方面專業人員，并開展相應的地面調查工作，對相關數據集進行準確度評價和質量控制。

3）開展長時序監測。開發高頻率、長時序監測產品，建立病害結果定期發布機制。長時序監測相當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散情況及評估防治效果。因此在空天數據融合實現細粒度大范圍監測的基礎上，建立定期發布的多粒度、多類別、多受眾的松材線蟲病害遙感監測產品框架具有重要意義。產品發布周期可根據遙感影像時間分辨率確定，同時考慮松材線蟲病的發病周期，在病害高發期可以縮短間隔，相較于現行的兩月一次的監測頻率會大幅度提高。根據不同用戶群體不同的使用需求發布不同粒度、不同類別體系的監測結果。在長時序監測中，研究使用變化檢測技術可有效縮短數據到結果的流程和時間，快速發現新的染病樹及識別出樹木的染病階段，對現有疫情及治理情況的精準監測與把控和對新發疫情“早發現、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. 松材線蟲病致病機理的研究進展[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]. 安徽農業大學學報，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. 南京中山陵發現松材線蟲[J]. 江蘇林業科技，1982(4)：27-47.

[5] 楊寶君，賀長洋，王成法. 國外松材線蟲病發生概況[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.無人機航拍林業蟲害圖像分割復合梯度分水嶺算法[J]. 農業工程學報，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[M]. 北京：科學出版社，2010：5-12.

[8] 孫鈺，周焱，袁明帥，等. 基于深度學習的森林蟲害無人機實時監測方法[J]. 農業工程學報，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] 國家林業和草原局政府網. 關于松材線蟲病防治[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. 基于無人機遙感影像的高精度森林資源調查系統設計與試驗[J]. 農業工程學報，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] 國家林業和草原局. 國家林業和草原局關于印發《松材線蟲病防治技術方案（2021年版）》的通知[Z]. 2021.

[12] 李星. 利用衛星遙感數據掌握森林受害情況[J]. 世界林業研究，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]. 遙感技術與應用，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] 國家林業局. 森林資源規劃設計調查技術規程：GB/T26424—2010 [S]. 北京：中國標準出版社，2010.

[19] 李浩，徐航煌，鄭恒宇，等. 基于無人機遙感圖像的松材線蟲病監測技術研究[J]. 中國農機化學報，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. 星機地協同的松材線蟲病疫區枯死松樹監測方法研究[D]. 南昌：東華理工大學，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特征分析[J]. 山東農業科學，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，等. 基于可見光波段無人機遙感的植被信息提取[J]. 農業工程學報，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網絡和無人機影像的松材線蟲病變色木識別[J]. 農業工程學報，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的無人機影像松材線蟲病監測方法[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. 基于深度學習和無人機遙感的松材線蟲病樹監測系統研究[D]. 泰安：山東農業大學，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-場景”的深度理解方法研究[D]. 武漢：武漢大學，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，李如仁，賁忠奇，等. 基于殘差網絡的遙感影像松材線蟲病自動識別[J]. 林業工程學報，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. 基于深度學習和遙感影像的松材線蟲病疫松樹目標檢測[J]. 南京師大學報（自然科學版），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]. 山東農業大學學報（自然科學版），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算法和無人機影像的松材線蟲病異常變色木識別[J]. 農業工程學報，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深度學習和無人機遙感相結合在松材線蟲病監測中的初步應用研究[J]. 環境昆蟲學報，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. 基于卷積神經網絡和無人機遙感的松材線蟲病受害[D]. 南昌：南昌大學，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. 基于深度學習的松材線蟲病害松木識別[J]. 林業工程學報，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制深度學習的高分辨率影像松材線蟲病樹識別[J]. 林業工程學報，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]. 農業機械學報，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測研究進展[J]. 林業科學研究，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. 松材線蟲病遙感監測研究進展及方法述評[J]. 農業工程學報，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

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

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

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