摘要
松材线虫(bursaphelenchus xylophilus)属我国重大外来入侵物种，由于没有天敌且感染和传播速度极快，对我国的经济和生态造成巨大损失。松材线虫病害的精准监测是灾害及时有效防控的前提。传统的人工调查费时费力，难以全面准确地掌握病害发生的位置和病害程度等信息，常常延误了病害防治的最佳时机。遥感技术通过对多时相、多源遥感数据的特征分析和信息提取，可以有效监测森林病虫害发生并评估灾害的发展趋势和影响范围，为防控决策提供科学依据。无人机搭载高光谱、高分辨率相机等传感器进行近地面遥感观测，可获得丰富的时空谱信息，具有疫木探测的潜力。深度学习技术可以利用丰富的多维数据挖掘深层特征信息，达到分类、目标识别等目标。因此，将无人机近地遥感和深度学习的理论与技术相结合，可以更加精准地监测病害发生位置和程度，为松材线虫病等病害的防控和保护森林资源可持续发展提供技术支撑。 本研究应用无人机高光谱数据，研究单木尺度松材线虫病不同感病阶段识别方法。首先，通过线性判别方法筛选高光谱影像敏感波段，与RGB合成影像和全波段影像共同构成实验数据集;然后，基于RGB合成影像应用Mask R-CNN深度学习实例分割算法，进行松材线虫病感病立木识别，验证Mask R-CNN算法对不同感病阶段立木识别的可能性;通过调整网络输入层结构构建改进的Mask R-CNN模型，实现基于高光谱全波段数据和优选波段数据的立木感病阶段识别，分析其对于早期感病识别的有效性;最后，提出联合原型网络分类模型和单木分割的PWD感病阶段识别方法，将像元尺度感病阶段分类与单木分割算法结合实现单木感病阶段的识别，并与改进的Mask R-CNN模型进行对比分析，验证联合算法对于早期识别的有效性。 结果表明，两种方法都取得了较好的松材线虫病害检测结果:MaskR-CNN输入RGB数据的总体精度为64.60％,输入高光谱全波段数据的总体精度为68％,输入优选波段数据的总体精度为71％,联合原型网络分类模型和单木分割的方法基于高光谱全波段数据获得了 82.95％的总体精度，基于优选波段数据获得了 83.51％的总体精度。其中，联合原型网络分类模型和单木分割的方法进行松材线虫病早期监测的效果更好，基于优选波段数据的早期感病松树分类精度达到74.89％。 以上研究结果验证了高光谱技术与深度学习技术对松材线虫病检测的可能性。本研究基于Mask R-CNN、原型网络方法和无人机高光谱数据进行松材线虫病感病立木识别，所提出的联合原型网络分类模型和单木分割的方法可以进行松材线虫病早期监测，为松材线虫病害早期发现与防治提供新的技术指导。
NETL