據人類(lèi)目前所知，昆蟲(chóng)的種類(lèi)有100多萬(wàn)種，是地球上數量最多的動(dòng)物群體。
在《昆蟲(chóng)記》中，法布爾將昆蟲(chóng)世界化作供人類(lèi)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(chóng)的本能與習性，展現了一部“昆蟲(chóng)的史詩(shī)”。
但種類(lèi)繁多、形態(tài)各異的昆蟲(chóng)，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)現紅脂大小蠹，當地林木大面積受到侵害，生態(tài)環(huán)境和經(jīng)濟發(fā)展也嚴重受損。隨著(zhù)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(guò)相關(guān)研究，提供了對其進(jìn)行監測的方向。
利用機載高光譜成像進(jìn)行樹(shù)木水平紅脂大小蠹侵染的早期監測
森林在陸地生態(tài)系統中發(fā)揮著(zhù)必不可少的作用，提供著(zhù)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(wù)。同時(shí)也面臨著(zhù)生物和非生物因素的脅迫。入侵害蟲(chóng)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(shù)木的處理對于避免其蔓延和侵染爆發(fā)至關(guān)重要。高空間分辨率的高光譜數據具有監測單木尺度樹(shù)皮甲蟲(chóng)早期侵染的潛力，但尚未進(jìn)行相關(guān)研究。
基于此，為填補研究空白， 來(lái)自北京林業(yè)大學(xué)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(jìn)行了相關(guān)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(lèi)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(xué)習算法（CNN）在小HIS數據集中分類(lèi)樹(shù)皮甲蟲(chóng)干擾是否優(yōu)于機器學(xué)習算法（RF）。
研究區。（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。
三種健康分類(lèi)的光譜植被指數。
RF和CNN分類(lèi)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(shù)的潛力。作者比較了不同光譜特征和模型將松樹(shù)分為三個(gè)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(shù)木的性能。主要結論如下：
（1） RTB侵染后，松樹(shù)冠層光譜顯著(zhù)變化。與健康樹(shù)木相比，死亡樹(shù)木的光譜曲線(xiàn)在可見(jiàn)和近紅外區域顯著(zhù)變化，而侵染樹(shù)木僅在可見(jiàn)光區域顯著(zhù)變化。死亡樹(shù)木的16個(gè)SVI顯著(zhù)不同，而侵染樹(shù)木的11個(gè)顯著(zhù)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(lèi)器中，以SVI作為變量的模型性能優(yōu)于其他兩個(gè)模型。
（3） CNN模型在樹(shù)皮甲蟲(chóng)干擾分類(lèi)中表現最好。對于早期侵染樹(shù)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(lèi)模型可為樹(shù)皮甲蟲(chóng)侵害的早期監測提供參考。CNN適于樹(shù)皮甲蟲(chóng)侵染樹(shù)木的監測。未來(lái)研究可能結合分割和分類(lèi)目標開(kāi)發(fā)一個(gè)基于CNN模型自動(dòng)識別單木早期侵染階段。
請點(diǎn)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