基于高光譜與遙感影像技術(shù)的松材線蟲(chóng)病害監(jiān)測(cè)研究

摘要：隨著經(jīng)濟(jì)的發(fā)展，松材線蟲(chóng)害是當(dāng)前威脅松樹(shù)生長(zhǎng)的主要病害，但如何進(jìn)行有效的監(jiān)測(cè)和管控是目前松材線蟲(chóng)害治理的主要問(wèn)題。研究針對(duì)當(dāng)前松材線蟲(chóng)害識(shí)別效果不佳識(shí)別精度不足的問(wèn)題，提出了一種使用高光譜和遙感技術(shù)相結(jié)合的松材線蟲(chóng)害監(jiān)測(cè)技術(shù)。新技術(shù)使用聚類(lèi)方法和均值濾波提升高光譜數(shù)據(jù)效果，同時(shí)加入特征提取分析遙感影像敏感性提升影像數(shù)據(jù)監(jiān)測(cè)和分析能力。研究結(jié)果表明，松材吸收波長(zhǎng)為400nm-700nm和1000nm-1300nm之間出現(xiàn)明顯變化。研究使用方法的維度降低效果更好，相較于主成分分析法其識(shí)別精度提升了2.35%。使用混合模型進(jìn)行數(shù)據(jù)分析其K識(shí)別精度得到提升。由此可見(jiàn)，研究使用技術(shù)能夠很好地對(duì)松材線蟲(chóng)害進(jìn)行監(jiān)測(cè)和識(shí)別，這對(duì)松材線蟲(chóng)害監(jiān)測(cè)研究具有很好的指導(dǎo)意義。

關(guān)鍵詞：高光譜；遙感；松材；線蟲(chóng)病害；監(jiān)測(cè)

中圖分類(lèi)號(hào)：S791"" 文獻(xiàn)標(biāo)識(shí)碼：A

Research on Monitoring Pine Wood Nematode Diseases Based on Hyperspectral and Remote Sensing Imaging Technology

Xu Yonggan

Changshan County Forestry and Water Bureau， Changshan， Zhejiang， 324200

Abstract： With the development of the economy， pine wilt disease is currently the main threat to the growth of pine trees， but how to effectively monitor and control it is the main problem in the management of pine wilt disease. A pine wood nematode pest monitoring technology combining hyperspectral and remote sensing techniques is proposed to address the problem of poor recognition accuracy of pine wood nematode pests. The new technology uses clustering methods and mean filtering to improve the performance of hyperspectral data， while combining feature extraction analysis to enhance the sensitivity of remote sensing images and improve data monitoring and analysis capabilities. The research results indicate that there is a significant change in the absorption wavelength of pine wood between 400nm-700nm and 1000nm-130nm. The dimensionality reduction effect of the research usage method is better， with a 2.35% improvement in recognition accuracy compared to principal component analysis. The use of a hybrid model for data analysis has improved the accuracy of K recognition. It can be seen that the use of technology in research can effectively monitor and identify pine wood nematode damage， which has good guiding significance for the monitoring and research of pine wood nematode damage.

Keywords： Hyperspectral; Remote sensing; Pine wood; Nematode diseases; Monitor

0.引言

松材線蟲(chóng)病是一種嚴(yán)重威脅全球松樹(shù)資源的毀滅性病害，由松材線蟲(chóng)引發(fā)，具有極高的傳播速度和致死率[1]。松材線蟲(chóng)病自發(fā)現(xiàn)以來(lái)，已成為危害森林生態(tài)系統(tǒng)和相關(guān)產(chǎn)業(yè)的重大問(wèn)題[2]。傳統(tǒng)的松材線蟲(chóng)病害監(jiān)測(cè)方法依賴(lài)于人工現(xiàn)場(chǎng)調(diào)查和病害癥狀的觀察，導(dǎo)致監(jiān)測(cè)效率低、成本高、時(shí)效性差，難以滿足大規(guī)模林地的監(jiān)測(cè)需求。高光譜遙感技術(shù)與遙感技術(shù)因其對(duì)地物光譜特征的高分辨能力，成為現(xiàn)代病害監(jiān)測(cè)中重要的技術(shù)手段[3]。高光譜影像能夠捕捉植被的精細(xì)光譜信息，識(shí)別微小的生理變化，進(jìn)而實(shí)現(xiàn)對(duì)病害早期癥狀的識(shí)別和監(jiān)測(cè)。遙感影像則以其覆蓋范圍廣、時(shí)間分辨率高的優(yōu)勢(shì)，能夠?qū)Υ竺娣e林地進(jìn)行動(dòng)態(tài)監(jiān)測(cè)。基于此，研究創(chuàng)新性地使用高光譜和遙感技術(shù)對(duì)松材線蟲(chóng)害進(jìn)行分析監(jiān)測(cè)。在高光譜技術(shù)中使用聚類(lèi)分析和均值濾波法，以此提升高光譜數(shù)據(jù)的分析效果。同時(shí)對(duì)遙感影像的敏感性和時(shí)空性進(jìn)行分析，以此保障數(shù)據(jù)的可分析能力降低數(shù)據(jù)噪聲，提升實(shí)際效果。

1.高光譜松材病蟲(chóng)害分析

通常情況下當(dāng)植物遭受病蟲(chóng)害侵襲后，植物葉片上的葉綠素等元素含量就會(huì)降低，植物體內(nèi)的含水量隨之減少，使得葉片對(duì)相應(yīng)波段的可見(jiàn)光光譜信號(hào)吸收效率降低，使得葉片呈現(xiàn)黃色或者紅色[4]。高光譜能夠分辨出不同波段的光譜數(shù)據(jù)，因此研究選擇高光譜進(jìn)行松材線蟲(chóng)的光譜分析。如圖1所示為高光譜病蟲(chóng)害監(jiān)測(cè)過(guò)程。

從圖1中可以看出，在進(jìn)行高光譜數(shù)據(jù)處理前，需要先通過(guò)無(wú)人機(jī)對(duì)松材進(jìn)行高光譜圖像數(shù)據(jù)收集，并且同步進(jìn)行地面的高光譜圖像數(shù)據(jù)采集。這樣是為了避免發(fā)生遺漏的情況。其次將采集的數(shù)據(jù)進(jìn)行背景消除，并對(duì)數(shù)據(jù)進(jìn)行降維處理。然后得到松樹(shù)光譜特征圖像、特征空間數(shù)據(jù)以及松樹(shù)的地面空間數(shù)據(jù)。最后結(jié)合已知的松樹(shù)可見(jiàn)光光譜波段吸收情況分析當(dāng)前松材的受線蟲(chóng)害情況。由于通過(guò)高光譜得到的松樹(shù)波段數(shù)據(jù)存在維度高、圖像數(shù)據(jù)復(fù)雜、數(shù)據(jù)質(zhì)量不佳等問(wèn)題，因此為了提升高光譜的特定光譜分析能力，降低光譜數(shù)據(jù)的冗雜性。研究使用特征提取的和波段選擇的方法提升數(shù)據(jù)的單一性。其中使用聚類(lèi)選擇的方法進(jìn)行波段選擇如式（1）所示為波段聚類(lèi)距離計(jì)算公式[5]。

（1）

式（1）中， 表示波段 和 之間的歐氏距離， 表示波段 在第 個(gè)特征上的值， 表示波段 在第 個(gè)特征上的值。如式（2）所示為聚類(lèi)中心計(jì)算公式。

（2）

式（2）中， 表示第 類(lèi)波段集合， 表示波段 的特征向量。其中波段選擇計(jì)算公式如式（3）所示。

（3）

式（3）中， 表示波段 與聚類(lèi)中心 的距離。通過(guò)計(jì)算得到當(dāng)前聚類(lèi)中心聚類(lèi)最后再重復(fù)操作直至當(dāng)前聚類(lèi)中心結(jié)果不再發(fā)生變化。由于高光譜圖像數(shù)據(jù)中空間信息數(shù)據(jù)冗雜，因此研究使用均值濾波法對(duì)空間數(shù)據(jù)進(jìn)行提取。通過(guò)衡量不同光譜數(shù)據(jù)中的權(quán)值大小對(duì)數(shù)據(jù)進(jìn)行空間信息提取。當(dāng)光譜數(shù)據(jù)越接近則權(quán)值越大，光譜數(shù)據(jù)差異越大則權(quán)值越小。如式（4）所示[6]。

（4）

式（4）中， 表示鄰域半徑即中心像素到窗口邊界的距離， 表示鄰域區(qū)域， 表示鄰域區(qū)域中像素的列索引， 表示鄰域區(qū)域中像素的行索引， 表示像素點(diǎn)。如式（5）所示為濾波計(jì)算公式。

（5）

式（5）中， 表示權(quán)值大小，此時(shí) 值大小如式（6）所示[7]。

（6）

式（6）所示， 表示調(diào)節(jié)相鄰數(shù)據(jù)權(quán)值的因子，此時(shí) 的計(jì)算公式如式（7）所示。

（7）

均值濾波能夠有效降低高光譜中濾波數(shù)據(jù)噪聲影響，提升數(shù)據(jù)的空間能力。最后為提升高光譜數(shù)據(jù)的準(zhǔn)確性，研究使用均值置信區(qū)間進(jìn)行降維處理。首先在進(jìn)行均值算法計(jì)算時(shí)對(duì)高光譜數(shù)據(jù)進(jìn)行誤差設(shè)定。其次再進(jìn)行聚類(lèi)中心的初始化計(jì)算如式（8）所示。

（8）

式（8）中， 表示聚類(lèi)個(gè)數(shù)， 表示數(shù)據(jù)點(diǎn) 到聚類(lèi)中心 的隸屬值。此時(shí)更新聚類(lèi)中如式（9）所示。

（9）

式（9）中， 表示聚類(lèi)中心， 表示數(shù)據(jù)點(diǎn)， 表示數(shù)據(jù)點(diǎn)總數(shù)， 表示模糊因子。然后更新隸屬值如式（10）所示[8]。

（10）

式（10）中， 表示數(shù)據(jù)點(diǎn) 到聚類(lèi)中心 的歐式距離。最后再對(duì)隸屬值的變化進(jìn)行計(jì)算，檢查隸屬度矩陣的變化是否小于預(yù)設(shè)閾值。如果小于，則停止迭代。否則，重新進(jìn)行聚類(lèi)中心計(jì)算。最后通過(guò)均值區(qū)間計(jì)算數(shù)據(jù)的誤差大小如式（11）所示。

（11）

式（11）中， 表示樣本均值， 表示標(biāo)準(zhǔn)正態(tài)分布中對(duì)應(yīng)置信水平的臨界值， 表示顯著水平， 表示樣本中數(shù)據(jù)的離散程度的度量， 表示樣本的數(shù)量， 表示總體均值。通過(guò)不同的方法以提升高光譜數(shù)據(jù)效果，進(jìn)而提升對(duì)松材線蟲(chóng)害的監(jiān)測(cè)效果。

2.遙感技術(shù)的松材線蟲(chóng)害數(shù)據(jù)采集

松材線蟲(chóng)害監(jiān)測(cè)過(guò)程中高光譜數(shù)據(jù)和圖像的提取主要使用遙感技術(shù)進(jìn)行支撐。由于高光譜對(duì)光譜敏感圖像數(shù)據(jù)要求較高，必須選擇合適波段的數(shù)據(jù)信息，因此研究使用遙感技術(shù)進(jìn)行數(shù)據(jù)采集。同時(shí)為提升波段數(shù)據(jù)的精度，研究使用ERDAS IMAGINE軟件進(jìn)行遙感圖像數(shù)據(jù)處理。研究使用Landsat 9遙感影像，在對(duì)遙感圖像進(jìn)行分類(lèi)提取過(guò)程中，首先將Landsat 9的遙感影像進(jìn)行大氣校正如式（12）所示[9]。

（12）

式（12）中， 表示反射率， 表示在波長(zhǎng) 處的輻射亮度大小， 表示輻射亮度的最大值， 表示輻射亮度的最小值。 表示反射率的最大值， 表示反射率的最小值。其次通過(guò)波段組合對(duì)影像進(jìn)行特征提取如式（13）所示。

（13）

式（13）中， 表示歸一化植被指數(shù)， 表示近紅外波段反射率， 表示紅外波段反射率。 表示歸一化建筑指數(shù)， 表示短波紅外反射率。通過(guò)監(jiān)督分類(lèi)算法分析當(dāng)前影像的分類(lèi)效果如式（14）所示[10]。

（14）

式（14）中， 表示給定樣本 屬于類(lèi)別 的后驗(yàn)概率， 表示樣本 屬于類(lèi)別 的類(lèi)條件概率， 表示類(lèi)別 的先驗(yàn)概率， 表示樣本 的邊際概率。最后根據(jù)得出的數(shù)據(jù)進(jìn)行精度評(píng)價(jià)。如圖2所示為遙感技術(shù)的影像數(shù)據(jù)采集過(guò)程。

從圖2中可以看出，首先在使用遙感技術(shù)時(shí)會(huì)先對(duì)遙感影像數(shù)據(jù)和天氣數(shù)據(jù)進(jìn)行采集。其次通過(guò)天氣數(shù)據(jù)和遙感數(shù)據(jù)搭建遙感影響的時(shí)空數(shù)據(jù)，并且對(duì)當(dāng)前松材的積溫和線蟲(chóng)害進(jìn)行數(shù)據(jù)分析，得到線蟲(chóng)害波段的敏感性，再根據(jù)敏感性決定遙感影像時(shí)段。并通過(guò)天氣數(shù)據(jù)分析以及敏感性時(shí)段得到地理因子和遙感因子。最后通過(guò)不同特征的因子選擇使用分析算法得到最終的遙感影像。

由于當(dāng)前對(duì)病蟲(chóng)害的時(shí)段敏感性分析中時(shí)空差異性會(huì)影響對(duì)不同因子的判斷，因此為提升敏感性分析的準(zhǔn)確性，研究通過(guò)提升病蟲(chóng)害時(shí)段的數(shù)據(jù)時(shí)間窗口長(zhǎng)度，以提取松材在感染線蟲(chóng)害后的數(shù)據(jù)信息。如圖3所示為松材線蟲(chóng)害的敏感時(shí)段信息提取過(guò)程。

從圖3中可以看出，在進(jìn)行時(shí)空差異化信息提取過(guò)程中需要先將松樹(shù)的時(shí)段信息進(jìn)行分析和提取。根據(jù)不同溫度下松樹(shù)的溫度變化情況，分析當(dāng)前松樹(shù)最適宜的波段數(shù)據(jù)。其次在得到不同時(shí)段溫度數(shù)據(jù)后，將松樹(shù)的遙感圖像與氣象圖像數(shù)據(jù)進(jìn)行分析和時(shí)間序列提取。最后再將得到的時(shí)間序列數(shù)據(jù)通過(guò)敏感性分析，得到當(dāng)前松樹(shù)時(shí)段的序列敏感性數(shù)據(jù)。通過(guò)時(shí)序分析后得到的遙感影像能夠降低數(shù)據(jù)出現(xiàn)隨機(jī)噪聲的情況。最后為了更加高效和快速地處理遙感和高光譜數(shù)據(jù)，研究還使用隨機(jī)森林算法（Random Forest，RF）和支持向量機(jī)算法（Support Vector Machine，SVM），使得遙感和高光譜數(shù)據(jù)能夠更加高效和快速地進(jìn)行處理。為測(cè)試研究中松樹(shù)的線蟲(chóng)害研究，研究使用Kappa系數(shù)進(jìn)行模型評(píng)估如式（15）所示為Kappa系數(shù)分析公式。

（15）

式（15）中， 表示Kappa系數(shù)， 表示分類(lèi)器預(yù)測(cè)正確的比例， 表示隨機(jī)分配的情況下分類(lèi)器預(yù)測(cè)正確的概率。其中 是在所有類(lèi)別中的實(shí)際一致性比例，可以通過(guò)將分類(lèi)器正確分類(lèi)的次數(shù)除以總分類(lèi)次數(shù)來(lái)計(jì)算。 是基于類(lèi)別分布的隨機(jī)一致性比例，通常通過(guò)計(jì)算各個(gè)類(lèi)別的邊際分布乘積的總和來(lái)獲得。

3.松材線蟲(chóng)病害監(jiān)測(cè)結(jié)果分析

研究選取部分健康松樹(shù)與受線蟲(chóng)害松樹(shù)進(jìn)行光譜反射率對(duì)比，使用無(wú)人機(jī)進(jìn)行高光譜和遙感技術(shù)對(duì)松樹(shù)樣本進(jìn)行采集。采集的可見(jiàn)光波段范圍為500-2200mm，波段樣本數(shù)量選擇50。通過(guò)衛(wèi)星定位系統(tǒng)對(duì)采樣松樹(shù)地面進(jìn)行點(diǎn)位定位，使用ERDAS IMAGINE中的采用空間數(shù)據(jù)抽象庫(kù)（Geospatial Data Abstraction Library，GDAL）通過(guò)腳本或命令行操作來(lái)選擇和處理感興趣區(qū)域進(jìn)行樣本標(biāo)記。收集地面樣本數(shù)300個(gè)，健康松樹(shù)樣本140個(gè)，受到線蟲(chóng)害松樹(shù)樣本150個(gè)，其中包含重度感染樣本92個(gè)，輕度感染樣本58個(gè)，通過(guò)GDAL中光譜反射率的平均值作為樣本采樣的光譜率。將松樹(shù)不同感染情況分為三個(gè)時(shí)期，線蟲(chóng)害初期、線蟲(chóng)害中期、線蟲(chóng)害高危期，通過(guò)研究使用方法對(duì)松樹(shù)進(jìn)行數(shù)據(jù)采集得到如圖4所示可見(jiàn)光吸收結(jié)果。

從圖4中可以看出，通過(guò)使用高光譜和遙感技術(shù)能夠反映不同時(shí)期的松樹(shù)線蟲(chóng)害情況的松樹(shù)可見(jiàn)光吸收情況變化。在波長(zhǎng)為400nm-700nm和1000nm-1300nm之間松樹(shù)的可見(jiàn)光吸收波長(zhǎng)出現(xiàn)較大的高光譜濾波系數(shù)下降。因此研究可以通過(guò)分析該波長(zhǎng)下松樹(shù)的可見(jiàn)光吸收情況判斷松樹(shù)是否感染線蟲(chóng)害。其中在感染初期松樹(shù)的高光譜濾波系數(shù)更小，隨著感染程度的增加松樹(shù)的可見(jiàn)光濾波系數(shù)逐漸增加。這說(shuō)明感染線蟲(chóng)害后松樹(shù)的葉綠素等元素含量降低，造成可將光吸收效果變差，因此通過(guò)分析高光譜濾波系數(shù)能夠得到當(dāng)前松樹(shù)感染線蟲(chóng)害的情況。研究分別搭建不同的樣本數(shù)據(jù)分類(lèi)方法，主成分分析（Principal Component Analysis，PCA）、局部線性嵌入（Locally Linear Embedding，LLE）、稀疏子空間聚類(lèi)（Sparse Subspace，SS）和研究使用方法四種分析方法，根據(jù)不同輸入特征情況分析研究方法對(duì)松樹(shù)線蟲(chóng)害識(shí)別精度變化得到如表1所示。其中生產(chǎn)者精度表示模型中正確分類(lèi)的地面樣本精度，用戶精度表示模型或地圖中標(biāo)識(shí)的樣本與地面上的樣本實(shí)際對(duì)應(yīng)的精度。

從表1中可以看出，在不同方法的樣本識(shí)別精度上，主成分分析法的樣本識(shí)別方法精度最低。總精度只有93.70%，而K系數(shù)識(shí)別精度只有0.886。這說(shuō)明在不同維度降低方法中主成分分析方法對(duì)松樹(shù)的樣本數(shù)據(jù)分析效果最差。從不同方法對(duì)比中研究使用的識(shí)別精度最好，總體精度能夠達(dá)到96.05%，其中K系數(shù)最高有0.921。相較于主成分分析方法，研究使用方法總體精度高2.35%，K系數(shù)大0.035。由此可見(jiàn)研究使用的分析方法效果更好，這可能是由于傳統(tǒng)方法對(duì)于高光譜樣本的降維效果較差的原因。將模型樣本通過(guò)矩陣分解，再使用不同的模型進(jìn)行樣本聚類(lèi)分析當(dāng)前選擇的支持向量機(jī)（Support Vector Machine， SVM）和隨機(jī)森林模型（Random Forest）的實(shí)際效果得到如圖5所示。矩陣分解版本表示通過(guò)改變某個(gè)參數(shù)得到的新的矩陣分解方法。

從圖5（a）中可以看出，在單獨(dú)使用支持向量機(jī)或隨機(jī)森林算法時(shí)，得到的模型識(shí)別精度效果較差。其中在矩陣分析版本為1時(shí)支持向量機(jī)模型的K系數(shù)識(shí)別精度最低只有0.81，相較于研究使用的SVM和RF模型識(shí)別精度低了0.08，總體精度低了0.03。可見(jiàn)單獨(dú)使用模型其精度效果較差。從圖5（b）中可以看出，在矩陣分解版本為2時(shí)模型的精度發(fā)生變化其中精度最低的模型為RF模型，該模型識(shí)別精度比研究使用模型低了0.03，總識(shí)別精度低了0.04。可見(jiàn)不同的分解矩陣得到的模型識(shí)別精度有所差異，這可能是由于模型的自身情況限制造成的。

4.結(jié)論

研究針對(duì)松材生長(zhǎng)過(guò)程中容易出現(xiàn)線蟲(chóng)害的問(wèn)題，提出了一種使用高光譜和遙感技術(shù)的線蟲(chóng)害松材監(jiān)測(cè)方法。新方法能夠通過(guò)遙感技術(shù)采集松材光譜吸收樣本圖像，并使用高光譜技術(shù)對(duì)松材吸收光譜情況進(jìn)行分析，判斷當(dāng)前松材是否感染線蟲(chóng)害。研究結(jié)果表明，在光譜波長(zhǎng)為400nm-700nm和1000nm-1300nm之間松樹(shù)出現(xiàn)較大的濾波系數(shù)變化。感染程度越深的松樹(shù)在該波段的濾波系數(shù)越大。使用不同樣本進(jìn)行分析時(shí)，研究使用方法的維度降低效果更好，精度能夠達(dá)到96.05%，K系能夠達(dá)到0.921。相較于主成分分析法其精度提升了2.35%，K系數(shù)精度提升了0.035。使用SVM和RF模型進(jìn)行數(shù)據(jù)分析時(shí)模型的K識(shí)別精度得到提升，其精度比單一模型總識(shí)別精度提升了0.03和0.04。由此可見(jiàn)，使用高光譜和遙感技術(shù)進(jìn)行松材線蟲(chóng)害分析和監(jiān)測(cè)能夠有效提升監(jiān)測(cè)和識(shí)別精度。研究雖然取得了一些成果但還存在一些不足，如研究只分析了線蟲(chóng)害影響未分析其他病害的監(jiān)測(cè)情況，因此后續(xù)研究還將對(duì)松材其他病害進(jìn)行分析。

參考文獻(xiàn)

[1]陳冬梅，林佳，王海亮，等. 基于多尺度數(shù)據(jù)集的蟲(chóng)害檢測(cè)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2024， 40（5）：196-206.

[1]陳冬梅，林佳，王海亮，等.基于多尺度數(shù)據(jù)集的蟲(chóng)害檢測(cè)模型[J].農(nóng)業(yè)工程學(xué)報(bào)，2024，40（5）：196-206.

[2]陳燕麗，孫明，陳誠(chéng)，等. 基于GF1衛(wèi)星的紅樹(shù)林病蟲(chóng)害遙感識(shí)別[J]. 科學(xué)技術(shù)與工程， 2023， 23（34）：14682-14690.

[2]陳燕麗，孫明，陳誠(chéng)，等.基于GF1衛(wèi)星的紅樹(shù)林病蟲(chóng)害遙感識(shí)別[J].科學(xué)技術(shù)與工程，2023，23（34）：14682-14690.

[3]王明常，丁文，趙競(jìng)爭(zhēng)，等. 基于知識(shí)圖譜與隨機(jī)森林的落葉松毛蟲(chóng)害遙感識(shí)別[J]. 吉林大學(xué)學(xué)報(bào)（地球科學(xué)版）， 2023， 53（6）：2006-2017.

[3]王明常，丁文，趙競(jìng)爭(zhēng)，等.基于知識(shí)圖譜與隨機(jī)森林的落葉松毛蟲(chóng)害遙感識(shí)別[J].吉林大學(xué)學(xué)報(bào)（地球科學(xué)版），2023，53（6）：2006-2017.

[4]廖娟，陶婉琰，臧英，等. 農(nóng)作物病蟲(chóng)害遙感監(jiān)測(cè)關(guān)鍵技術(shù)研究進(jìn)展與展望[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2023， 54（11）：1-19.

[4]廖娟，陶婉琰，臧英，等.農(nóng)作物病蟲(chóng)害遙感監(jiān)測(cè)關(guān)鍵技術(shù)研究進(jìn)展與展望[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（11）：1-19.

[5] Zheng Y， Khan MR. Pine Wood Nematode in Coniferous Forests and Their Management by Novel Biological and Biotechnological Interventions. InNovel Biological and Biotechnological Applications in Plant Nematode Management 2023， 9（10）：489-514.系統(tǒng)沒(méi)有查到文獻(xiàn)，可能是系統(tǒng)沒(méi)有收錄該文獻(xiàn)，也可能是文獻(xiàn)信息不足或有誤等。您可以修改后再查或到知網(wǎng)檢索。

[6]郭銘淇，包云軒，黃璐，等. 無(wú)人機(jī)多光譜影像在稻縱卷葉螟危害監(jiān)測(cè)中的應(yīng)用[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2023， 39（7）：1530-1542.

[6]郭銘淇，包云軒，黃璐，等.無(wú)人機(jī)多光譜影像在稻縱卷葉螟危害監(jiān)測(cè)中的應(yīng)用[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2023，39（7）：1530-1542.

[7]林向彬，孫金華，楊柳，等. 應(yīng)用無(wú)人機(jī)多光譜遙感對(duì)櫟類(lèi)食葉蟲(chóng)害危害程度的監(jiān)測(cè)[J]. 東北林業(yè)大學(xué)學(xué)報(bào)， 2023， 51（9）：138-144.

[7]林向彬，孫金華，楊柳，等.應(yīng)用無(wú)人機(jī)多光譜遙感對(duì)櫟類(lèi)食葉蟲(chóng)害危害程度的監(jiān)測(cè)[J].東北林業(yè)大學(xué)學(xué)報(bào)，2023，51（9）：138-144.

[8]楊樂(lè)，黃曉君，包玉海，等. 無(wú)人機(jī)航高對(duì)落葉松毛蟲(chóng)蟲(chóng)害遙感監(jiān)測(cè)精度的影響[J]. 南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2023， 47（4）：13-22.

[8]楊樂(lè)，黃曉君，包玉海，等.無(wú)人機(jī)航高對(duì)落葉松毛蟲(chóng)蟲(chóng)害遙感監(jiān)測(cè)精度的影響[J].南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，47（4）：13-22.

[9]Mariette N， Hotte H， Chappé AM， Grosdidier M， Anthoine G， Sarniguet C， Colnard O， Kersaudy E， Paris MT， Koen E， Folcher L. Two decades of epidemiological surveillance of the pine wood nematode in France reveal its absence despite suitable conditions for its establishment. Annals of Forest Science. 2023， 80（1）：21-22.

[9]Mariette Nicolas，Hotte Ho？l，Chappé Anne Marie，et al.Two decades of epidemiological surveillance of the pine wood nematode in france reveal its absence despite suitable conditions for its establishment[J].Annals of Forest Science，2023，80（1）.

[10]張琳，倪云鵬，李曙堃.地質(zhì)找礦中遙感圖像處理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].中國(guó)錳業(yè)，2020， 38（3）：98-100.

[10]張琳，倪云鵬，李曙堃.地質(zhì)找礦中遙感圖像處理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].中國(guó)錳業(yè)，2020，38（3）：98-100.