宗世祥，畢浩杰

(北京林業(yè)大學(xué)林木有害生物防控北京市重點(diǎn)實(shí)驗(yàn)室，北京 100083)

松材線蟲(chóng)病(pine wilt disease)又稱松樹(shù)萎蔫病，是一種由植物病原線蟲(chóng)主導(dǎo)的系統(tǒng)侵染性病害，其病原松材線蟲(chóng)Bursaphelenchus xylophilus原產(chǎn)于北美洲，現(xiàn)已擴(kuò)散至亞洲和歐洲的多個(gè)國(guó)家和地區(qū)[1]，嚴(yán)重威脅當(dāng)?shù)厣鷳B(tài)安全，被全球52 個(gè)國(guó)家列為檢疫性有害生物[2]。 我國(guó)是受松材線蟲(chóng)危害最嚴(yán)重的國(guó)家，從1982 年在南京中山陵首次發(fā)現(xiàn)以來(lái)，截至2021 年底，已在全國(guó)19 省(自治區(qū)、直轄市)的742 個(gè)縣級(jí)行政區(qū)發(fā)生，2021 年發(fā)生面積約172 萬(wàn)hm2，病死樹(shù)1 407.92 萬(wàn)株，并以一種“北擴(kuò)西進(jìn)”的發(fā)展態(tài)勢(shì)持續(xù)威脅我國(guó)6 000 萬(wàn)hm2的松林資源[3]。

松材線蟲(chóng)致病力強(qiáng)、傳播蔓延迅速、致死率高，松樹(shù)感病后發(fā)病迅速，40 d 即可導(dǎo)致整株枯死，3 ～5 a 可毀滅整片松林。 目前針對(duì)松材線蟲(chóng)病致病機(jī)理的研究缺乏系統(tǒng)性[4]，微觀層面的探索尚未取得突破性的進(jìn)展。 為有效防控疫情，我國(guó)采取疫木清理、疫區(qū)封鎖、疫情監(jiān)測(cè)、媒介昆蟲(chóng)防治等措施阻止松材線蟲(chóng)的擴(kuò)散蔓延。 其中疫情監(jiān)測(cè)作為一項(xiàng)關(guān)鍵舉措，其及時(shí)性和準(zhǔn)確性關(guān)系到疫情防控工作的有效開(kāi)展。 然而，傳統(tǒng)的人工監(jiān)測(cè)方式成本高、效率低、時(shí)效性差，不能滿足大面積林分巡查的需要，而衛(wèi)星遙感受重訪周期、分辨率、天氣狀況等因素影響，難以應(yīng)對(duì)短期災(zāi)變的發(fā)生和單木監(jiān)測(cè)粒度的需要[5]。 在這種情況下，無(wú)人機(jī)的出現(xiàn)彌補(bǔ)了松材線蟲(chóng)病監(jiān)測(cè)領(lǐng)域的不足，其可搭載各種類型的傳感器設(shè)備，具備高時(shí)空分辨率、輻射分辨率、波譜分辨率的優(yōu)勢(shì)，同時(shí)憑借機(jī)動(dòng)靈活、實(shí)時(shí)性強(qiáng)的特點(diǎn)在松材線蟲(chóng)病監(jiān)測(cè)領(lǐng)域展現(xiàn)出的巨大應(yīng)用潛力。

筆者全面總結(jié)了無(wú)人機(jī)遙感在松材線蟲(chóng)病監(jiān)測(cè)中的發(fā)展歷史和研究進(jìn)展，探討了應(yīng)用中存在的問(wèn)題，展望了未來(lái)的發(fā)展方向和重點(diǎn)，以期為實(shí)現(xiàn)松材線蟲(chóng)病遙感監(jiān)測(cè)及有效防控提供參考。

1 松材線蟲(chóng)病無(wú)人機(jī)遙感監(jiān)測(cè)領(lǐng)域的國(guó)內(nèi)外研究進(jìn)展

1.1 松材線蟲(chóng)病的單木級(jí)遙感監(jiān)測(cè)粒度

根據(jù)?松材線蟲(chóng)病疫區(qū)和疫木管理辦法?(林生發(fā)[2018]117 號(hào))要求，在疫區(qū)內(nèi)定期開(kāi)展日常監(jiān)測(cè)和專項(xiàng)普查工作，及時(shí)匯報(bào)疫情情況，并對(duì)松材線蟲(chóng)病樹(shù)進(jìn)行全面伐除。 松材線蟲(chóng)病受害木的檢測(cè)識(shí)別是疫情監(jiān)測(cè)的關(guān)鍵環(huán)節(jié)，單木尺度的精確定位與統(tǒng)計(jì)有利于制定采伐作業(yè)設(shè)計(jì)，決定疫情防控工作的實(shí)施效果。 相關(guān)研究表明，枯死松樹(shù)主干中的天牛幼蟲(chóng)數(shù)量占比高達(dá)97.7%，遠(yuǎn)高于伐樁和枝梢[6]，松材線蟲(chóng)病疫木中羽化出來(lái)的媒介天牛幾乎全部攜帶松材線蟲(chóng)，且攜帶量可達(dá)上萬(wàn)頭[7－10]。 如果不能準(zhǔn)確識(shí)別變色木，及時(shí)獲取其位置及數(shù)量信息，就難以實(shí)現(xiàn)松材線蟲(chóng)病木全面徹底的清除，遺漏的受害木就會(huì)成為新的傳播源，導(dǎo)致松材線蟲(chóng)病在松林內(nèi)進(jìn)一步擴(kuò)散蔓延，使防控工作前功盡棄。 為實(shí)現(xiàn)松材線蟲(chóng)病的精準(zhǔn)化、時(shí)效化監(jiān)測(cè)，將無(wú)人機(jī)作為獲取單木級(jí)松林健康狀況信息的重要遙感手段，廣泛應(yīng)用于松材線蟲(chóng)病的監(jiān)測(cè)防控工作中。

1.2 無(wú)人機(jī)遙感平臺(tái)的選擇

林業(yè)遙感常用的無(wú)人機(jī)可分為固定翼、旋翼和復(fù)合翼三大類。 固定翼無(wú)人機(jī)需要較高的飛行速度來(lái)保持機(jī)身姿態(tài)，具有飛行速度快、作業(yè)范圍廣的優(yōu)勢(shì)，但在飛行時(shí)需要與被拍攝物體保持較遠(yuǎn)的距離，故獲取影像的分辨率較低；旋翼無(wú)人機(jī)起降方便，操作靈活，能夠在空中懸停，可近距離、多角度采集地物信息，具有拍攝精度高，學(xué)習(xí)成本低，便攜性好的優(yōu)勢(shì)，但也存在作業(yè)速度慢和時(shí)長(zhǎng)短的缺點(diǎn)；復(fù)合翼無(wú)人機(jī)兼具前述兩種無(wú)人機(jī)的優(yōu)勢(shì)，既解決了固定翼無(wú)人機(jī)起降難的問(wèn)題，又極大地?cái)U(kuò)展了單次航拍的作業(yè)面積。 固定翼無(wú)人機(jī)適用于大范圍、低精度要求的航拍作業(yè)；旋翼無(wú)人機(jī)能夠滿足小區(qū)域范圍內(nèi)、復(fù)雜地形下的精細(xì)化作業(yè)要求；復(fù)合翼無(wú)人機(jī)適用于中等區(qū)域范圍的航拍作業(yè)，且能滿足多種作業(yè)任務(wù)要求。

1.3 松材線蟲(chóng)病感病林分中變色木的識(shí)別、定位與統(tǒng)計(jì)

1.3.1 基于目視判讀的無(wú)人機(jī)影像人工解譯

在開(kāi)展松材線蟲(chóng)病普查監(jiān)測(cè)過(guò)程中，研究人員結(jié)合監(jiān)測(cè)目標(biāo)、任務(wù)面積和作業(yè)的精細(xì)化程度等因素選擇不同類型的無(wú)人機(jī)，搭載能夠滿足作業(yè)要求的傳感器設(shè)備采集林分遙感影像，并結(jié)合目視解譯判別發(fā)病區(qū)域，開(kāi)展變色木的識(shí)別與定位工作。 李衛(wèi)正 等[11]和呂曉君 等[12]對(duì)松材線蟲(chóng)病疫區(qū)采集到的高分辨率無(wú)人機(jī)影像進(jìn)行目視解譯，實(shí)現(xiàn)了林分內(nèi)變色木的人工識(shí)別與定位。 古劍 等[13]借助航拍無(wú)人機(jī)對(duì)疫區(qū)林分進(jìn)行動(dòng)態(tài)監(jiān)測(cè)，探究枯死木月際變化規(guī)律，指導(dǎo)當(dāng)?shù)厮刹木€蟲(chóng)病秋季普查工作的開(kāi)展。 盡管目視解譯法主觀性強(qiáng)，對(duì)目標(biāo)對(duì)象的識(shí)別標(biāo)注速度慢，但可以輕松排除許多計(jì)算機(jī)難以區(qū)分的地物干擾，因此可以作為遙感圖像機(jī)器識(shí)別方法的有效補(bǔ)充。

1.3.2 基于傳統(tǒng)圖像處理方法的計(jì)算機(jī)輔助解譯

1)結(jié)合可見(jiàn)光影像的變色木檢測(cè)。 隨著遙感數(shù)據(jù)的爆發(fā)式增長(zhǎng)，人工解譯已經(jīng)不能滿足圖像特征提取與目標(biāo)物識(shí)別的需要，計(jì)算機(jī)硬件設(shè)備的進(jìn)步和圖像處理算法的提高，使海量數(shù)據(jù)的計(jì)算機(jī)輔助解譯成為可能。 劉遐齡 等[14]結(jié)合面向?qū)ο蠓诸惙ê湍０嫫ヅ浞▽?duì)可見(jiàn)光圖像進(jìn)行變色木的計(jì)算機(jī)輔助解譯，獲得了與目視解譯相近的識(shí)別效果，且檢測(cè)時(shí)間僅用了前者的1/3。 陶歡 等[15]將無(wú)人機(jī)采集的RGB 圖像轉(zhuǎn)換到HSV 色彩空間，應(yīng)用HSV 閾值劃分法對(duì)變色木進(jìn)行提取，可實(shí)現(xiàn)60% ～65%的識(shí)別精度。 基于單一顏色特征的變色木分類效果難以滿足識(shí)別精度要求，劉金滄 等[16]利用融合顏色和紋理特征的CRF 模型對(duì)松材線蟲(chóng)病感病林分中的變色木進(jìn)行分類提取，相較于顏色特征分類器，提高了超過(guò)3.5%的識(shí)別精度。 劉世川 等[17]通過(guò)構(gòu)造植被指數(shù)和顏色空間模型的方式對(duì)可見(jiàn)光圖像進(jìn)行檢測(cè)，在多種地物類別的干擾下，變色木的識(shí)別精度可達(dá)80%左右。

2)結(jié)合光譜影像的變色木檢測(cè)。 在基于無(wú)人機(jī)遙感的松材線蟲(chóng)病識(shí)別、定位和統(tǒng)計(jì)的研究中，可見(jiàn)光數(shù)據(jù)類型的應(yīng)用最為廣泛，可以檢測(cè)到絕大部分的變色木，但這類圖像只能記錄R、G、B 三波段數(shù)據(jù)，信息獲取量有限，而多光譜、高光譜圖像將地物波譜信息劃分為若干譜帶，可從諸多光譜通道中獲取更多信息，發(fā)掘隱藏在狹窄光譜范圍內(nèi)的地物特性，反演地物類別屬性，從而滿足復(fù)雜背景下變色木檢測(cè)的精度要求。

Iordache 等[18]利用隨機(jī)森林分類算法結(jié)合多光譜波段數(shù)據(jù)，成功識(shí)別出松材線蟲(chóng)病感病林分中的變色木；胡根生 等[19]通過(guò)多光譜無(wú)人機(jī)獲取松材線蟲(chóng)病感病林分的可見(jiàn)光和近紅外波段數(shù)據(jù)，利用改進(jìn)的加權(quán)小波支持向量數(shù)據(jù)描述(WWSVDD)多分類模型對(duì)變色木進(jìn)行識(shí)別，取得了較好的分類效果；Qin 等[20]利用無(wú)人飛艇采集低空高光譜影像，借助光譜比對(duì)算法和機(jī)器學(xué)習(xí)分類法對(duì)高光譜遙感數(shù)據(jù)進(jìn)行處理，識(shí)別并獲取松材線蟲(chóng)病樹(shù)的數(shù)量和分布情況，相較于可見(jiàn)光圖像的分類結(jié)果更加準(zhǔn)確；黃煥華 等[21]采用歸一化植被指數(shù)(NDVI)對(duì)無(wú)人機(jī)影像進(jìn)行分類，實(shí)現(xiàn)了感病松林中枯死松樹(shù)的識(shí)別、定位與計(jì)數(shù)。

1.3.3 基于深度學(xué)習(xí)的變色木智能解譯

隨著人工智能的快速發(fā)展，基于深度學(xué)習(xí)的圖像處理算法蓬勃興起，廣泛應(yīng)用于各類病蟲(chóng)害檢測(cè)識(shí)別領(lǐng)域，并不斷推動(dòng)著圖像解譯工作朝著自動(dòng)化、智能化的方向發(fā)展。 目前，應(yīng)用于松材線蟲(chóng)病遙感圖像解譯領(lǐng)域的深度學(xué)習(xí)方法主要包括基于像素的語(yǔ)義分割算法和面向?qū)ο蟮哪繕?biāo)檢測(cè)算法兩大類。像元級(jí)的遙感影像分析方法主要依據(jù)圖像語(yǔ)義進(jìn)行分割，以像元為單位開(kāi)展對(duì)比分析檢測(cè)，其分類結(jié)果更為精細(xì)；面向?qū)ο蟮纳疃葘W(xué)習(xí)方法結(jié)合使用光譜、紋理、形狀、上下文等更多特征信息[22]，實(shí)現(xiàn)了目標(biāo)分割與識(shí)別的合二為一。

1)變色木的像元級(jí)分類。 在利用深度學(xué)習(xí)算法對(duì)變色木進(jìn)行像元級(jí)分類的過(guò)程中，張瑞瑞等[23]和劉文定 等[24]利用語(yǔ)義分割模型對(duì)可見(jiàn)光圖像中的變色木區(qū)域進(jìn)行像元級(jí)分割；徐信羅[25]對(duì)比了四種語(yǔ)義分割模型在松材線蟲(chóng)病無(wú)人機(jī)可見(jiàn)光圖像中的分割效果，其中DeepLab v3 模型的目標(biāo)像素識(shí)別精度可達(dá)88.20%；Tao 等[26]和鄧世晴[27]參考AlexNet 和GoogLeNet 神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練語(yǔ)義分割模型，實(shí)現(xiàn)可見(jiàn)光圖像中枯死松樹(shù)的有效區(qū)分；Qin 等[28]提出一種新的用于無(wú)人機(jī)多光譜影像的神經(jīng)網(wǎng)絡(luò)算法SCANet，該方法在識(shí)別病害區(qū)域的過(guò)程中能有效抑制背景信息干擾，總體準(zhǔn)確率達(dá)到79%；劉世川 等[29]使用Relief 選擇算法對(duì)植被指數(shù)和不同色彩空間生成的多維數(shù)據(jù)進(jìn)行特征降維，通過(guò)比較DBscan 算法和VGG －S、VGG －A 兩種神經(jīng)網(wǎng)絡(luò)算法對(duì)受害木區(qū)域的分類效果，表明基于多特征提取和注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)可以有效區(qū)分出無(wú)人機(jī)圖像中的受害木區(qū)域。

2)變色木的面向?qū)ο蠓诸悺?各類深度學(xué)習(xí)算法具有其獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)和信息提取能力，通過(guò)對(duì)比不同種深度學(xué)習(xí)算法的應(yīng)用效果，挑選適應(yīng)目標(biāo)場(chǎng)景需要，滿足預(yù)期效果的模型進(jìn)行應(yīng)用，可極大提高目標(biāo)對(duì)象的識(shí)別精度。 汪晨 等[30]和徐信羅 等[31]分別使用一階段和兩階段的深度學(xué)習(xí)目標(biāo)檢測(cè)模型對(duì)遙感影像中松材線蟲(chóng)病變色木進(jìn)行識(shí)別；吳瓊[32]利用深度神經(jīng)網(wǎng)絡(luò)檢測(cè)算法結(jié)合可見(jiàn)光和近紅外圖像中提取的顏色和紋理特征，成功區(qū)分出受害木、健康木和其他地物；李嘉祺 等[33]利用無(wú)人機(jī)采集松材線蟲(chóng)病感病林分的高光譜影像，通過(guò)挑選高光譜特征波段訓(xùn)練GoogLeNet 神經(jīng)網(wǎng)絡(luò)，可以實(shí)現(xiàn)95.03%的枯死木識(shí)別準(zhǔn)確率。

為適應(yīng)林地場(chǎng)景下的檢測(cè)需要，一些學(xué)者還通過(guò)改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)、調(diào)整網(wǎng)絡(luò)參數(shù)等方式優(yōu)化模型檢測(cè)效果。 黃麗明 等[34]研究了深度學(xué)習(xí)算法在枯死木和紅色闊葉樹(shù)干擾下，對(duì)松材線蟲(chóng)病變色木的識(shí)別效果，結(jié)果表明利用深度可分離卷積和倒殘差結(jié)構(gòu)改進(jìn)的YOLO v4 網(wǎng)絡(luò)結(jié)構(gòu)整體表現(xiàn)優(yōu)于Faster R－CNN、YOLO v4、EfficientDet 和YOLO v5 模型對(duì)變色木的識(shí)別效果；Hu 等[35]設(shè)計(jì)了一種結(jié)合深層卷積神經(jīng)網(wǎng)絡(luò)、深層卷積生成對(duì)抗網(wǎng)絡(luò)和Ada-Boost 分類器的變色松樹(shù)識(shí)別方法，可在訓(xùn)練樣本不足的情況下，實(shí)現(xiàn)復(fù)雜背景下變色木的有效識(shí)別；Deng 等[36]通過(guò)對(duì)優(yōu)化后的Faster R －CNN 神經(jīng)網(wǎng)絡(luò)中添加地理坐標(biāo)轉(zhuǎn)換功能，實(shí)現(xiàn)了變色木的自動(dòng)識(shí)別與定位；李鳳迪[37]基于PC 端設(shè)備配置了HOG－SVM 機(jī)器學(xué)習(xí)算法模型和YOLO v3 －CIoU目標(biāo)檢測(cè)模型，實(shí)現(xiàn)松材線蟲(chóng)病樹(shù)的有效檢測(cè)，并將MobileNet v2 －SSDLite 模型部署到樹(shù)莓派，搭建起一套機(jī)載邊緣端檢測(cè)系統(tǒng)，提高了變色木檢測(cè)效率。

1.4 基于無(wú)人機(jī)遙感影像的單木受害階段分類研究

開(kāi)展精準(zhǔn)的松材線蟲(chóng)病受害階段分類工作，有助于全面掌握疫情發(fā)生信息，可進(jìn)一步監(jiān)測(cè)松材線蟲(chóng)病的發(fā)生動(dòng)態(tài)，掌握病害發(fā)展規(guī)律，把握防治窗口期，預(yù)測(cè)和評(píng)估災(zāi)害損失。

李浩 等[38]針對(duì)無(wú)人機(jī)可見(jiàn)光圖像提出一種結(jié)合超綠特征因子與最大類間方差的圖像分割算法，對(duì)松材線蟲(chóng)病感病區(qū)域開(kāi)展受害程度檢測(cè)，并取得了良好的分類效果；張學(xué)敏[39]提出一種基于特征稀疏表示和加權(quán)小波支持向量數(shù)據(jù)描述的松材線蟲(chóng)病受害階段識(shí)別方法，在可見(jiàn)光和近紅外圖像的基礎(chǔ)上實(shí)現(xiàn)輕度和重度病樹(shù)的有效區(qū)分；李浩 等[40]基于可見(jiàn)光圖像將病害松木分為輕度、重度和病死3 類，使用SSD、YOLO v3、Faster R －CNN 算法實(shí)現(xiàn)了松材線蟲(chóng)病受害木的不同染病階段檢測(cè)；黃華毅 等[41]利用可見(jiàn)光和多光譜波段數(shù)據(jù)計(jì)算NDVI、ENDVI 和AVAI 指數(shù)，區(qū)分出無(wú)人機(jī)遙感影像中的非植被、健康植被和異常植被區(qū)域，結(jié)合Fast R －CNN 模型和圖像處理軟件實(shí)現(xiàn)病樹(shù)和枯死樹(shù)的有效區(qū)分和定位；Yu 等[42]將松材線蟲(chóng)病受害木分成早期、中期和嚴(yán)重三個(gè)階段，利用植被指數(shù)、紅邊參數(shù)和水分指數(shù)構(gòu)建隨機(jī)森林模型對(duì)受害木受害階段進(jìn)行檢測(cè)，并在無(wú)人機(jī)高光譜圖像的基礎(chǔ)上進(jìn)一步結(jié)合激光雷達(dá)數(shù)據(jù)，成功區(qū)分出健康松木和疫木早期、中期、重度和灰色四個(gè)受害階段，分類精度可達(dá)73.96%[43]。

1.5 松材線蟲(chóng)病受害木早期檢測(cè)研究

松材線蟲(chóng)病的早期檢測(cè)對(duì)于疫木除治工作的有效開(kāi)展具有重要意義，越早監(jiān)測(cè)到感染松材線蟲(chóng)的松樹(shù)，越有利于病害的“除早”和“除小”。 松樹(shù)感染松材線蟲(chóng)后會(huì)導(dǎo)致生理結(jié)構(gòu)和形態(tài)特征的變化，并會(huì)反映到冠層光譜反射率的改變，而這類光譜響應(yīng)是利用遙感開(kāi)展松材線蟲(chóng)病早期監(jiān)測(cè)的主要依據(jù)。

Iordache 等[18]通過(guò)無(wú)人機(jī)光譜圖像從部分綠色松樹(shù)中檢測(cè)出肉眼無(wú)法識(shí)別的變化，通過(guò)比對(duì)時(shí)間序列影像發(fā)現(xiàn)具有這類變化的松樹(shù)最終發(fā)展成為典型的松材線蟲(chóng)病樹(shù)，因此認(rèn)為基于無(wú)人機(jī)光譜圖像的松材線蟲(chóng)病早期檢測(cè)是可行的；Wu 等[44]基于無(wú)人機(jī)多光譜影像，利用多種傳統(tǒng)機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法開(kāi)展松材線蟲(chóng)病的早期檢測(cè)；Yu 等[45]利用Faster R －CNN 算法和YOLO v4 算法對(duì)無(wú)人機(jī)采集到的多光譜圖像開(kāi)展松材線蟲(chóng)病早期檢測(cè)，在考慮闊葉樹(shù)的影響下，早期診斷準(zhǔn)確率能達(dá)到48.88%。 當(dāng)前基于多光譜影像的松材線蟲(chóng)病早期檢測(cè)精度低，不能滿足生產(chǎn)實(shí)踐的需要，為提高早期檢測(cè)的準(zhǔn)確率，Yu 等利用高光譜無(wú)人機(jī)采集松材線蟲(chóng)病感病林分的光譜圖像，通過(guò)構(gòu)造特征光譜指數(shù)，開(kāi)展松材線蟲(chóng)病的早期檢測(cè)研究[42]，并進(jìn)一步結(jié)合深度學(xué)習(xí)圖像處理方法，利用高光譜圖像中的空間和光譜信息訓(xùn)練殘差三維卷積神經(jīng)網(wǎng)絡(luò)算法模型，對(duì)早期感病的松材線蟲(chóng)病受害木進(jìn)行檢測(cè)，總體準(zhǔn)確率可達(dá)88.11%[46]。

2 松材線蟲(chóng)病無(wú)人機(jī)遙感監(jiān)測(cè)中存在的問(wèn)題

2.1 飛行平臺(tái)及任務(wù)設(shè)備制約松材線蟲(chóng)病的監(jiān)測(cè)效率

通過(guò)大規(guī)模森林監(jiān)測(cè)及早發(fā)現(xiàn)疫區(qū)、識(shí)別受害木是松材線蟲(chóng)病有效防治的關(guān)鍵舉措。 在飛行平臺(tái)方面，民用航拍無(wú)人機(jī)受制于供能元件和政策法規(guī)等問(wèn)題，續(xù)航時(shí)間短，單次作業(yè)面積相對(duì)較小，航拍范圍有限，還不能取代有人機(jī)在廣域性高精度普查作業(yè)中的地位。 在傳感器方面，目前常用的可見(jiàn)光、多光譜傳感器記錄的光譜波段有限，可獲取的信息量較少，雖然可以滿足日常巡檢工作的需要，但難以實(shí)現(xiàn)諸如早期監(jiān)測(cè)這類作業(yè)任務(wù)的要求；激光雷達(dá)等設(shè)備在松材線蟲(chóng)病監(jiān)測(cè)領(lǐng)域中的相關(guān)研究較少，其實(shí)用性和必要性有待進(jìn)一步的實(shí)驗(yàn)論證；高光譜等高精度傳感器造價(jià)高昂，相關(guān)技術(shù)在山區(qū)作業(yè)中難以普及應(yīng)用，同時(shí)，高光譜記錄目標(biāo)對(duì)象上百個(gè)連續(xù)譜段，造成了信息冗余，增大了信息儲(chǔ)存和運(yùn)算成本，對(duì)配套硬件設(shè)備提出了更高的要求。

2.2 松材線蟲(chóng)病檢測(cè)平臺(tái)不能滿足監(jiān)測(cè)作業(yè)需要

基于深度學(xué)習(xí)的圖像處理算法依靠神經(jīng)網(wǎng)絡(luò)中大量的網(wǎng)絡(luò)參數(shù)共同參與計(jì)算，存在網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、運(yùn)算量大等問(wèn)題，對(duì)硬件設(shè)備的配置要求較高。 目前，檢測(cè)過(guò)程通常是將記錄航拍圖像信息的SD 卡從無(wú)人機(jī)中取出，把圖像導(dǎo)入預(yù)先訓(xùn)練好的變色木檢測(cè)模型中進(jìn)行自動(dòng)化識(shí)別。 因此，要實(shí)現(xiàn)松材線蟲(chóng)病樹(shù)的林間實(shí)時(shí)檢測(cè)，需要攜帶筆記本電腦等硬件設(shè)備，在無(wú)人機(jī)飛行結(jié)束后，現(xiàn)場(chǎng)進(jìn)行圖像目標(biāo)檢測(cè)；否則只能將航拍照片帶回室內(nèi)，導(dǎo)入計(jì)算機(jī)設(shè)備進(jìn)行檢測(cè)，對(duì)松材線蟲(chóng)病普查監(jiān)測(cè)工作的開(kāi)展造成很大不便，且難以滿足松材線蟲(chóng)病實(shí)時(shí)檢測(cè)的要求。

2.3 松林環(huán)境嚴(yán)重干擾變色木的識(shí)別

林業(yè)生產(chǎn)環(huán)境相較大田農(nóng)業(yè)更具復(fù)雜性和多樣性，對(duì)遙感影像解譯提出了更高的要求與挑戰(zhàn)。 松材線蟲(chóng)病發(fā)生區(qū)的立地條件具有較高的異質(zhì)性，混生樹(shù)種繁雜，林下植被多樣，林中裸地、林冠陰影等都會(huì)對(duì)變色木的識(shí)別造成干擾，在無(wú)人機(jī)遙感圖像的檢測(cè)過(guò)程中，不可避免地受到“同物異譜”和“異物同譜”現(xiàn)象的影響，從而出現(xiàn)各種誤檢、漏檢狀況，影響變色木的識(shí)別精度。

現(xiàn)階段無(wú)人機(jī)遙感監(jiān)測(cè)松材線蟲(chóng)病的研究，其本質(zhì)是在檢測(cè)林分中出現(xiàn)的冠層變色和失葉這類異常狀態(tài)，實(shí)際檢測(cè)對(duì)象是林分中的變色木，尚不能對(duì)具體感病原因進(jìn)行判定。 林分中引起樹(shù)冠變色的因素可能是物候節(jié)律、林火、蟲(chóng)害、侵染性或非侵染性病害，在同一片林分中可能同時(shí)存在多種因素導(dǎo)致的林冠變色現(xiàn)象，而在無(wú)人機(jī)遙感圖像的解譯過(guò)程中，如不開(kāi)展相應(yīng)的地面調(diào)查、實(shí)驗(yàn)室分析檢測(cè)等工作，就難以判定具體變色原因，而通常將變色松木統(tǒng)一認(rèn)定為松材線蟲(chóng)病樹(shù)，勢(shì)必會(huì)影響最終的統(tǒng)計(jì)結(jié)果，增大采伐作業(yè)的工作量。

2.4 松材線蟲(chóng)病數(shù)據(jù)信息獲取效果不佳

1)受害木定位誤差大。 基于無(wú)人機(jī)遙感影像的疫木定位研究對(duì)于開(kāi)展采伐作業(yè)設(shè)計(jì)，規(guī)劃采伐方案具有重要意義。 松材線蟲(chóng)病感病林分大都位于地形起伏較大的山區(qū)，地形的異質(zhì)性給受害木的定位帶來(lái)了不小的挑戰(zhàn)，當(dāng)前基于無(wú)人機(jī)影像開(kāi)展松材線蟲(chóng)病單木級(jí)定位的相關(guān)研究較少，研究過(guò)程受制于無(wú)人機(jī)圖像的正射拼接效果、無(wú)人機(jī)姿態(tài)和地形條件等因素，導(dǎo)致定位精度不佳，尚無(wú)法滿足疫木除治工作的需要。

2)受害木株數(shù)統(tǒng)計(jì)不準(zhǔn)確。 在利用無(wú)人機(jī)對(duì)受害木進(jìn)行計(jì)數(shù)的過(guò)程中，常常會(huì)因?yàn)榱址置芏冗^(guò)大而發(fā)生樹(shù)冠相接、樹(shù)冠遮擋等現(xiàn)象，且林分中存在一定數(shù)量的分叉木，而這些分叉木在感染松材線蟲(chóng)后，其不同枝杈變色速度的差異也會(huì)影響受害木統(tǒng)計(jì)結(jié)果，導(dǎo)致發(fā)生遺漏或重復(fù)計(jì)數(shù)的情況。

3)遙感圖像無(wú)法統(tǒng)一聯(lián)系。 針對(duì)無(wú)人機(jī)遙感影像中松材線蟲(chóng)病受害階段的劃分缺乏統(tǒng)一的認(rèn)定標(biāo)準(zhǔn)。 不同感病樹(shù)種間，同一感病樹(shù)種通過(guò)不同類型的傳感器設(shè)備采集到不同時(shí)空的遙感圖像間無(wú)法建立統(tǒng)一聯(lián)系，在受害階段分類及災(zāi)害評(píng)估工作中造成了一定的混亂。

4)松材線蟲(chóng)病早期監(jiān)測(cè)研究不足。 基于無(wú)人機(jī)開(kāi)展的松材線蟲(chóng)病早期監(jiān)測(cè)研究較少，無(wú)法通過(guò)數(shù)據(jù)定量說(shuō)明現(xiàn)階段將松材線蟲(chóng)病的早期監(jiān)測(cè)提早到什么樣的水平，且關(guān)于松材線蟲(chóng)病的早期監(jiān)測(cè)研究主要集中于高光譜數(shù)據(jù)，且檢測(cè)精度不高，設(shè)備儀器價(jià)格高昂，在當(dāng)前階段的推廣使用價(jià)值較低。

3 松材線蟲(chóng)病無(wú)人機(jī)遙感監(jiān)測(cè)研究展望

3.1 研發(fā)行業(yè)飛行平臺(tái)及任務(wù)設(shè)備

研發(fā)滿足林業(yè)需要的高續(xù)航、大里程、能應(yīng)對(duì)各類復(fù)雜地形和極端天氣狀況的行業(yè)無(wú)人機(jī)，并基于現(xiàn)有的及后續(xù)開(kāi)展的松材線蟲(chóng)病遙感監(jiān)測(cè)研究，篩選出能夠滿足松材線蟲(chóng)病監(jiān)測(cè)需求的傳感器設(shè)備及特征波段組合，并將其集成在行業(yè)無(wú)人機(jī)上，實(shí)現(xiàn)松材線蟲(chóng)病疫木特征信息的精準(zhǔn)收集，降低設(shè)備成本和使用成本，提高遙感監(jiān)測(cè)效率。

3.2 強(qiáng)化林分的三維結(jié)構(gòu)信息采集

傳統(tǒng)的無(wú)人機(jī)圖像處理與分析是基于二維平面開(kāi)展的，忽視了林分的三維結(jié)構(gòu)，而對(duì)于林分及單木的三維模型構(gòu)建，能夠在不增加設(shè)備成本的前提下，引入諸如冠型、株高等信息，從空間角度出發(fā)克服“同物異譜”及“異物同譜”造成的混分現(xiàn)象，有利于排除二維空間難以區(qū)分的背景干擾；同時(shí)，拍攝視角的增加也有助于發(fā)現(xiàn)樹(shù)冠下層的變色枝條，降低漏判率，對(duì)于松材線蟲(chóng)病的可視化、立體化監(jiān)測(cè)具有重要意義。

3.3 實(shí)現(xiàn)變色木病因的精準(zhǔn)判別

張衡[47]利用地物波譜儀對(duì)受松材線蟲(chóng)、枯梢菌和干旱影響的松樹(shù)3 類針葉進(jìn)行光譜測(cè)定分析，成功區(qū)分出不同種脅迫類型，證明基于光譜特征的松樹(shù)受害類型識(shí)別是可行的。 因此，利用無(wú)人機(jī)高光譜遙感技術(shù)構(gòu)建多種脅迫影響下的變色木光譜數(shù)據(jù)庫(kù)，通過(guò)光譜分析區(qū)分各類變色木的病因，可在一定程度上實(shí)現(xiàn)松材線蟲(chóng)病的精準(zhǔn)檢測(cè)。 同時(shí)，通過(guò)結(jié)合多種傳感器設(shè)備開(kāi)展松材線蟲(chóng)病的時(shí)序監(jiān)測(cè)研究，建立松材線蟲(chóng)病的時(shí)序監(jiān)測(cè)數(shù)據(jù)庫(kù)，探究松材線蟲(chóng)病在不同特征波段及其衍生數(shù)據(jù)下的時(shí)序變化規(guī)律，從而與其它因素導(dǎo)致的松樹(shù)變色進(jìn)行區(qū)分。

3.4 探究不同季節(jié)下松材線蟲(chóng)病的特征表現(xiàn)

松材線蟲(chóng)寄主樹(shù)種及其周邊環(huán)境具有明顯的季相特征，感病松樹(shù)亦會(huì)在不同季節(jié)表現(xiàn)出不同的變化規(guī)律，這些差異都會(huì)導(dǎo)致基于單一時(shí)相所取得的遙感特征參數(shù)無(wú)法滿足松材線蟲(chóng)病在各個(gè)季節(jié)的監(jiān)測(cè)精度要求。 因此，可針對(duì)各個(gè)季節(jié)各類條件下的松材線蟲(chóng)病發(fā)生特點(diǎn)篩選特征參數(shù)集，分別構(gòu)造模型以提高檢測(cè)精度。

3.5 開(kāi)發(fā)適應(yīng)作業(yè)條件的松材線蟲(chóng)病檢測(cè)平臺(tái)

針對(duì)具備網(wǎng)絡(luò)覆蓋條件的林區(qū)可以開(kāi)發(fā)相應(yīng)的云計(jì)算平臺(tái)，將無(wú)人機(jī)采集的圖像數(shù)據(jù)通過(guò)網(wǎng)絡(luò)傳輸?shù)皆贫耍谠贫舜笮头?wù)器上開(kāi)展精準(zhǔn)、快速的數(shù)據(jù)處理工作，并將檢測(cè)結(jié)果實(shí)時(shí)返回至終端；在網(wǎng)絡(luò)信號(hào)差的偏遠(yuǎn)林區(qū)，可對(duì)目標(biāo)檢測(cè)算法的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，通過(guò)剪枝、權(quán)值共享與量化、哈夫曼編碼等方式實(shí)現(xiàn)模型的輕量化，并將輕量化的模型部署在邊緣檢測(cè)平臺(tái)上，實(shí)現(xiàn)檢測(cè)設(shè)備的便攜化。

3.6 構(gòu)建全國(guó)松材線蟲(chóng)病疫情動(dòng)態(tài)數(shù)據(jù)庫(kù)

基于松材線蟲(chóng)病時(shí)序性監(jiān)測(cè)的研究結(jié)果，確定病害的最佳監(jiān)測(cè)窗口期，探究時(shí)序性的林分級(jí)及單木級(jí)的病害發(fā)生發(fā)展規(guī)律；通過(guò)衛(wèi)星遙感影像的對(duì)比分析，篩選出松材線蟲(chóng)病的疑似感病林分，并對(duì)感病林分進(jìn)行定位；根據(jù)衛(wèi)星遙感數(shù)據(jù)生成目標(biāo)林分的航線參數(shù)，通過(guò)建立衛(wèi)星與無(wú)人機(jī)之間的傳輸鏈路，自動(dòng)連接無(wú)人機(jī)執(zhí)行航拍指令，采集目標(biāo)林分的遙感數(shù)據(jù)，開(kāi)展無(wú)人機(jī)圖像數(shù)據(jù)分析；在確定林分感染松材線蟲(chóng)后，利用可視化網(wǎng)站實(shí)時(shí)上傳并更新數(shù)據(jù)，實(shí)現(xiàn)全國(guó)松材線蟲(chóng)病疫情一張圖，為階段性疫情防控政策法規(guī)及防治方案的制定提供參考。

目前，無(wú)人機(jī)遙感技術(shù)在林業(yè)有害生物監(jiān)測(cè)中發(fā)揮了重要作用，在無(wú)人機(jī)及傳感器設(shè)備研發(fā)、圖像處理算法研究等方面均已經(jīng)取得了重大進(jìn)展和突破，然而，利用無(wú)人機(jī)遙感技術(shù)監(jiān)測(cè)松材線蟲(chóng)病的研究仍處于發(fā)展階段，在實(shí)際應(yīng)用中存在諸多問(wèn)題亟待解決。 在未來(lái)的研究中，可借鑒相關(guān)領(lǐng)域的發(fā)展動(dòng)態(tài)，將先進(jìn)技術(shù)和手段應(yīng)用到松材線蟲(chóng)病的無(wú)人機(jī)遙感監(jiān)測(cè)中，結(jié)合松材線蟲(chóng)病的發(fā)生發(fā)展規(guī)律，構(gòu)建松材線蟲(chóng)病早期、精準(zhǔn)、實(shí)時(shí)的無(wú)人機(jī)監(jiān)測(cè)技術(shù)體系，為松材線蟲(chóng)病疫情防控工作的高效開(kāi)展提供有力支撐。