松材线虫病遥感监测研究进展及方法述评

张晓东，杨皓博，蔡佩华，陈关州，李贤蔚，朱 坤

松材线虫病遥感监测研究进展及方法述评

张晓东1，杨皓博1，蔡佩华2，陈关州1※，李贤蔚1，朱 坤1

（1. 武汉大学测绘遥感信息工程国家重点实验室，武汉 430079；2. 长江大学地球科学学院，武汉 430100）

该研究旨在综合述评松材线虫病遥感监测的历史及近年来的研究进展，并就当前研究和工作中产生的问题给出建议与展望，为相关管理部门、科研院所以及从业者提供技术参考和辅助决策依据。该研究以科学引文数据库（WoS）和CNKI检索并筛选后得到的文献为基础，系统梳理松材线虫病遥感监测的提出及发展；根据遥感监测的对象层次分类梳理了相关研究中使用的方法，就当前研究中存在的问题进行归纳和总结，最后给出了未来可能的工作及研究方向。该研究发现：1）2017年来松材线虫病遥感监测一直处于研究热点。2）松材线虫病遥感监测研究使用数据的运载平台大多为以无人机为代表的机载平台，而光谱类型以RGB和多光谱为主。3）松材线虫病遥感监测的粒度以单株为主，监测使用的病害类别体系繁多且不同类别体系间的关系模糊。4）机器学习和深度学习两类方法在松材线虫病遥感监测研究中占据垄断地位，但两类方法各有优势、互不取代。该研究认为遥感调查极大提高了松材线虫病疫情增量控制及存量消减工作的效率，但存在单一数据源难以满足大范围细粒度的监测需求、病害类别体系杂乱、数据集不统一不标准、缺乏长时序监测成果等方面的问题。该研究提出未来可以在空天数据融合、病害类别体系及数据集标准化和短周期长时序监测等3个方面进一步开展工作及研究，将有助于松材线虫病遥感监测的进一步实时化和智能化。

遥感；机器学习；松材线虫病；深度学习；植被指数

0 引 言

松材线虫病（Pine Wilt Disease，PWD）是一种由松材线虫（Pine Wood Nematode，PWN）引起的传染性植物病害[1-3]（PWD直译为松树枯萎病，PWN直译为松材线虫。在中文文献中常用松材线虫病，罕见使用松树枯萎病；在英文文献中常用PWN表示松材线虫病，常用拉丁学名表示松材线虫。本文遵循《松材线虫普查监测技术规程》（GB/T 2347—2009）和相关文件，松材线虫病取用PWD，松材线虫取用PWN）。中国自1982年首次发现松材线虫病[4]以来，感染面积不断增大。根据国家林业和草原局2018—2022年发布的松材线虫病疫区公告显示，近五年来中国县级疫区数量仍在增长但增速放缓。对2021年、2022年中国松材线虫病疫区数量进行统计后可以发现：东中部地区是松材线虫病严重区域且疫情出现了向西北内陆扩展的趋势。松材线虫病由于具有适生范围广、寄主种类多、传播速度快、染病死亡率高、防治困难等特点[2,5-6]，对中国生态安全、生物安全和经济发展产生了巨大影响[7-9]。为了遏制松材线虫病疫情发生程度和扩散蔓延势头，降低病疫对生态安全和经济发展的影响[8,10]，各级林业部门亟需建立一套大规模、高效率、智能化监测体系，用于现有疫情及治理情况的监测与把控，实现新发疫情的“早发现、早报告”。目前广泛采用的监测方法是由国家林业和草原局发布的《松材线虫病防治技术方案（2021年版）》中提出的地面巡查和航空航天遥感调查[11]两种。相较于地面巡查，以无人机和卫星传感器为数据源的航空航天遥感调查具有成本低、效率高、作业范围广和多时空尺度等特点，既可大幅减少林业调查员的工作量又能提高监测准确度。

本文从领域相关研究趋势、松材线虫病遥感监测机理、松材线虫病遥感监测主要方法等方面进行系统梳理和分析，总结利用遥感手段监测松材线虫病相关的研究现状、发展趋势和面临的挑战，并就未来研究和工作给出几点展望，为相关管理部门、科研院所以及从业者提供技术参考和辅助决策依据。

1 松材线虫病遥感监测的提出与发展

本文分别在科学引文数据库（Web of Science，WoS）核心合集和中国知识基础设施工程（China National Knowledge Infrastructure，CNKI）中文库中进行文献检索与收集。检索完成后，人工对检索结果进行筛选，剔除与松材线虫病遥感监测联系不紧密的和重复的文章。具体检索方式及结果如表1所示。

表1 WoS与CNKI文献检索条件及结果

注：检索条件中的“%”代表模糊检索。

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

从筛选结果的时间跨度可以看出：20世纪90年代便出现了松材线虫病遥感监测的相关研究[12]。之后很长一段时间开展的松材线虫病遥感监测的研究聚焦于松材线虫病染病树光谱特征。王震等利用光谱辐射计测量了4种不同受害类型马尾松在350～1 050 nm间的光谱曲线，进行显著性分析后发现不同受害类型的光谱曲线差异明显且在近红外区域大部分受害类型间光谱反射率存在极显著差异[13]。Kim等对注射和未注射松材线虫的树木在4个月期间进行了15次光谱测量，通过分析光谱曲线发现感染松树在绿色波段、红色波段和中红外波段的数值相较于健康树木都有明显改变[14]；徐华潮等对黑松和马尾松两类松树在6个不同染病阶段的反射光谱进行测量，进行曲线分析后发现近红外和中红外波段（>800 nm）可以明显反映松材线虫开始侵染及发病初期两个阶段的树木病害情况，而350～700 nm的可见光波段在病害中期可较好地反映树木病害情况[15]。大量对松材线虫病染病树光谱特征的研究都证明从遥感数据中可以对松材线虫病染病树木进行识别且可对不同染病阶段进行区分，这为松材线虫病遥感监测奠定了理论基础。

在松材线虫病遥感监测的理论基础之上，许多监测方法相继提出。从相关文章年发文量的时间序列分析结果（图1）中可以发现在很长一段时间内松材线虫病遥感监测一直处于不温不火的状态，但2017年后CNKI中的文献数量持续增长，2017—2021年平均年增幅达88.32%，WoS核心合集中的文献数量从2018年也开始持续增长，2018—2021年平均年增幅高达140.63%。从总数上来看，近七成文献发表于2017年后。上述现象表明2017年后利用遥感手段开展松材线虫病监测已逐渐成为林业遥感研究热点之一。

图1 WoS与CNKI年发文量变化

2 松材线虫病遥感监测研究现状

2.1 数据源类型分析

从文献中使用的数据源进行分析得到的结果（图2）可以看出大多数研究以无人机（UAV）为代表的机载数据作为数据源，少数学者基于星载数据进行相关研究；而从数据光谱类型上看，以RGB数据和多光谱数据为主， 其中多光谱数据中多为四波段（红波段、绿波段、蓝波段、近红外波段）数据和五波段（红波段、绿波段、蓝波段、近红外波段、红边波段）数据。从分辨率上看，机载数据地面分辨率绝大部分为厘米级，而星载数据地面分辨率绝大部分为米级。

图2 数据源类型统计分析结果

在目前松材线虫病遥感监测的研究中，有的学者探求了不同影像数据在相同方法下的检测效果差异。Syifa等分别将无人机超高分辨率多光谱和高光谱数据作为相同算法的输入，结果显示多光谱数据比高光谱数据总体精度高[16]。Yu等使用相同算法对比了无人机获取的高光谱数据、LIDAR数据和两者组合使用等3种类型数据识别树木染病阶段的效果，其研究结果表明：高光谱数据对染病阶段的分类准确率高于LIDAR数据，但LIDAR数据有着比高光谱数据更准确识别死树的能力[17]。

2.2 监测粒度与病害类别体系分析

本文所提到的监测粒度主要指监测的细致程度，即最小识别单元。遥感数据源多样化导致了松材线虫病遥感监测的粒度呈现多层次的特点。在已有松材线虫病遥感监测的研究中，监测粒度以单棵植株为主，还有少数研究的粒度为区域，划分区域的方法有两种：一是从林业工作角度出发使用“小班”（“小班”是林业术语，其定义为：内部特征基本一致，与相邻地段有明显区别，而需要采取相同经营措施的森林地块或小区。是森林资源规划设计调查、统计和森林经营管理的基本单位[18]。）进行划分，二是从遥感数据处理角度出发使用规则格网进行划分。

不同监测粒度下建立病害类别体系的依据和方式有所不同。在单株监测粒度下，研究者根据松树表征以判断被感染程度从而建立病害类别体系。在目前获取的研究中，出现了众多类别体系且体系间关系模糊。基于病害类别体系中的类别数量的统计结果（表2）可以看出：病害类别体系中的类别数量从2类到6类不等；相同类别数量的病害类别体系依据不同的分类标准又衍生出多个不同的体系。例如：在目前获取的文献中使用最多的类别数量为2类的病害类别体系下，就有十余种不同的体系，而感染和未感染、健康和受感染、病树和健康树是使用量居前的三种体系。当监测粒度为区域时，研究者常依据病害松树的像素或面积占比来确定区域受害程度从而划分病害类别体系，但这些类别体系间关系也较为模糊。李浩等根据经验划分了健康、轻度感染、中度感染、重度感染4个类别[19]；邓世晴参考《林业有害生物成灾标准》和林业部门相关经验划分了健康、轻害、中害、重害、极为严重5个类别[20]。

表2 单株监测粒度下的病害类别体系及使用情况统计

2.3 主要监测方法分析

从目前获取到的文献中可以发现，自动化、智能化已经成为松材线虫病遥感监测研究的主要发展方向。机器学习作为实现自动化和智能化的主要手段，主要可以分为经典机器学习和深度学习两类。两类方法在松材线虫病遥感监测中均有应用。

2.3.1 基于经典机器学习的识别提取

经过40余年的发展，经典机器学习已形成一套范式。在经典机器学习过程中构建数据特征和分类器选择是重要的两个环节。构建可分性高的特征是经典机器学习识别准确度的重要保障；选择适合的分类器是提高经典机器学习效率的关键。

1）构建数据特征

在基于经典机器学习的松材线虫病染病树监测研究中，光谱特征和植被指数特征是最常被使用的两类特征，少数研究也使用了纹理特征。

光谱特征常通过光谱特征指数进行量化表现。马跃等的研究发现红边位置（Red Edge Position，REP）、绿峰反射高度（Green-peak Height，GH）、红谷吸收深度（Red-valley Depth，RD）及红边斜率（Red Edge Slope，RES）可以较好地反映松树健康状况[21]。徐华潮等的研究发现病害阶段可以通过REP、GH、RES和水分胁迫波段反射率（Reflectance of Water Stress Band，RWSB）等特征参数进行区分[15]。

植被指数是使用多光谱数据经线性或非线性组合产生的对植被状况和生物量等有一定指示意义的数值[22]。经过长期发展，国内外研究者已经提出了百余种不同的植被指数，本研究对目前收集到的松材线虫病遥感监测研究中使用到的植被指数进行了总结（表3）。在表3所示的指数中，有的指数作为单一特征就能获得较好的染病树或枯死树识别结果。Li等的研究通过评价组合指数中各指数对最后结果的影响指出GNDVI对于染病树识别的贡献最大[23]；邓世晴的研究指出使用RGNDI能够较好识别枯死松树[20]；李浩等的研究中使用ExG获得了较好的病害树识别结果[19]。Kim等提出了GRSAI并证明相较其他指数有着更好更稳定区分不同染病阶段树木的能力[14]。

纹理特征是一类体现物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性的特征。Shamsoddini等的研究指出使用纹理特征可以提高树木识别的准确度[24]；张瑞瑞等的研究表明使用Haralick纹理特征能够在背景复杂时降低识别错误率、减少“椒盐现象”[25]；刘金沧等在RGB影像数据的基础上增加Gabor特征、局部二值模式（Local Binary Pattern，LBP）特征和方向梯度直方图（Histogram of Oriented Gradient，HOG）特征，获得了比只使用RGB影像数据更精确结果[26]；但李凤迪选用HOG作为输入特征未获得理想效果[27]。

在基于经典机器学习的松材线虫病染病树监测研究中，大多数研究使用特征数量均在10个以上的组合特征作为分类器的输入。Yu等的研究结果表明多种光谱特征指数和植被指数的组合在识别树木不同感染阶段方面表现出较高的准确度，而以某波段范围内最大反射率和反射率偏斜度等构成的红边参数（Red Edge Parameters，REPs）可以较好的区分出健康树木和处于感染早期阶段的树木[28]。Iordache等的研究针对多光谱和高光谱两种影像，分别选择了13种指数组合作为分类器特征[29]。相较于单个特征，组合特征在一定程度上可以提识别准确度，且在早期染病树的识别方面拥有较大优势；而组合特征的劣势在于会增加特征构建的工作量和计算量。

2）分类器选择

经典的监督分类器均可被用于松材线虫病遥感监测研究中，其中支持向量机（Support Vector Machines，SVM）、随机森林（Random Forest，RF）和条件随机场（Conditional Random Field，CRF）等分类器等应用普遍。

大部分松材线虫病遥感监测研究均对分类器效果的进行对比试验与评价。Syifa等对比人工神经网络（Artificial Neural Network，ANN）和SVM两种分类器方法在两个地区区分健康树和病树的结果发现，SVM在对树木进行分类时比ANN更准确[16]。Yu等使用相同的11个特征作为分类器输入，发现RF的识别精度要比SVM略高[17]；刘金沧等的研究表明考虑了交互势能的CRF要比SVM、RF和Boost精度更高[26]。

表3 文献中使用到的植被指数

2.3.2 基于深度学习技术的识别提取

深度学习脱胎于机器学习，但相较于经典机器学习复杂的特征构建工作，卷积神经网络可以自动挖掘遥感影像中的深层特征进而提升识别或分类的准确度。根据影像中对象的构建层次[53]，从大到小可以分为场景级、目标级和像素级3类任务（图3）。3个层次在松材线虫病遥感监测研究中均有使用。

图3 深度学习任务级别示意图

1）松材线虫病场景级监测

松材线虫病场景级监测主要使用场景分类方法，其本质就是对影像中的高层语义信息进行识别。在松材线虫病场景级监测研究中，场景的建立常通过建立格网将影像切分为大小一致的图像进行。Tao等的研究是目前获取到较早使用深度学习技术进行场景级松材线虫病遥感监测的研究。该研究对比了AlexNet和GoogLeNet两种卷积神经网络和模板匹配（Template Matching，TM）在识别枯死松树上的表现，证明卷积神经网络相较TM方法识别的更为准确[54]。Zhou等在LeNet-5网络中使用了RELU激活函数获得了较好的染病树木识别精度[55]。周志达等对比了5种ResNet结构并使用正则化手段防止过拟合，其试验结果表明ResNet18模型在染病树木识别方面具备良好可靠性[56]。Huang等的研究使用RGRI替代红波段、近红外波替代绿波段的图像作为样本数据，对比了5种常用网络模型识别染病树的表现，结果表明SqueezeNet仅用不到ResNet18一半的训练时间就获得了与后者类似的精度和稳定性[57]。

2）松材线虫病目标级监测

松材线虫病目标级监测主要使用目标检测算法，其本质是获取目标物在图像中的位置及类别信息。目标检测有两类主流的算法[58]：一类是基于回归思想的一阶段算法，典型代表是SSD[59]和YOLO[60]；另一类是基于分类思想的二阶段算法，R-CNN[61]、Fast R-CNN[62]和Faster R-CNN[63]是典型代表。从表4中可以看出，在目标级松材线虫病遥感监测研究中，两种类型的目标检测算法均得到广泛使用。

表4 松材线虫病目标级监测研究对比

从表4中可以看出使用一阶段算法的研究者均选择了YOLO系列算法。有的研究聚焦于网络结构的调整以提高精度，李凤迪等将YOLOv3网络的目标框位置回归损失函数由均方误差改为CIoU边界框回归损失函数，在兼顾召回率的同时达到较高的准确率[65]。黄丽明等在YOLOv4基础上使用了倒残差结构和深度可分离卷积，获得了比基础YOLOv4更好的精度[68]。有的研究聚焦于网络的轻量化工作。Li等学者聚焦于轻量化YOLO网络，其设计了一个3层输出结构YOLOv4-Tiny网络结构，取得了较好较快的识别效果[66]。

二阶段算法可以选择不同的主干网络和特征融合方式，如何获取更好的卷积特征以及结合不同尺度的卷积特征获得更好的识别效果就成为了部分使用二阶段算法学者的研究点。You等的研究指出，使用Res101作为主干网络、FPN作为特征融合结构进行病树识别能够获得较好的精度[69]；Park等以VGG-16作为主干网络，结合RPN结构组成Faster R-CNN目标检测模型对病树进行识别，也取得了较好精度[72]。

还有一些学者对比了一阶段和二阶段模型检测的性能，李浩等在使用预训练的基础上对比了YOLOv3、SSD以及Faster R-CNN的识别效果，认为Faster R-CNN的综合表现最好[73]；而Wu等对比了Faster R-CNN、YOLOv3和MobileNet-YOLOv3的识别结果，发现几种网络模型的准确度都比较接近，但MobileNet-YOLOv3更为轻量且处理速度更快[67]。

除此之外，有部分研究者也从数据入手提高识别染病树的精度。Yu等的研究指出在样本数据集中添加红色阔叶树类型有助于染病树识别精度的提高[17]。Park等与其他研究不同，构建一个有六通道的数据集，分别为R、G、B、近红外、红边和NDRE，其研究表明使用此种数据集能获得比RGB单独输入更高的精度[72]。黄华毅等的研究使用NDVI、ENDVI和AVAI对数据进行筛选后再输入网络[70]；You等的研究表明顽固负样本挖掘（Hard Negative Mining，HNM）方法可在一定程度上提高识别精度[69]。

从文献数量上看，目标级监测在基于深度学习技术松材线虫病遥感监测的研究中占绝大部分；从研究侧重点上看，在目标级监测的研究中，从数据集构建到网络模型的对比选择再到网络结构的优化都有不同程度的开展。上述两方面都表明目标级监测是基于深度学习技术松材线虫病遥感监测研究中的热点。

3）松材线虫病像素级监测

松材线虫病像素级监测常使用语义分割和实例分割方法，两类方法都需要将每个像素分类为属于的对象类，但后者需增加对象类的实例ID。

在松材线虫病像素级监测的研究中，语义分割方法是主流方法。在这其中，有的研究证明了深度学习方式比传统方法有着更好的优势。刘世川等使用相同的特征作为空间聚类依据和添加了注意力机制的VGG网络（VGG-A）的输入，结果发现VGG-A识别精度较空间聚类算法高出约7%[74]。张瑞瑞等对比U-Net网络和使用了纹理特征的RF分类器进行松材线虫病变色木识别结果，认为U-Net有着比RF更高的精确度和更少的“椒盐现象”，可以应用于大区域松材线虫病变色木识别[25]。有的研究则聚焦于网络模型的选择及改进以提高精度。如：Yu等将增加了残差结构的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，同时还发现在大量减少训练集后，3D-RsCNN仍能保持较好精度[75]。徐信罗等的研究表明DeepLabv3+相较于FCN、DANet、OCNet、U-Net、PSPNet和SegNet网络模型在识别染病树方面有着更好分割精度[76-77]。Qin等提出了一种在保留空间信息以获得低级特征同时又扩展感受野以获得高级特征的SCANet（空间上下文注意力网络）模型，相较于DeepLabv3+、HRNet和DenseNet等网络模型有着更高的分割精度[78]。

在最新的研究中，也有学者使用实例感知语义分割方法进行染病树识别。Hu等使用了实例感知语义分割方法，该研究在Mask R-CNN的基础上增加感受野并融合低层和高层特征，降低了复杂背景的影响，获得了比SSD、Faster R-CNN、MaskScoring R-CNN和原始Mask R-CNN高的准确度[79]。

3 问题与挑战

综合目前行业相关研究可以发现松材线虫病害遥感监测的研究关注度越来越高，基于卫星和无人机等遥感手段已经成为了松材线虫病害监测的主流方法，而机器学习和深度学习技术的发展和应用极大促进了监测任务的智能化程度。但是，当前相关研究领域仍存在一些亟待解决的问题。

1）单一数据源难以满足大范围细粒度的监测需求。监测粒度、监测范围、监测使用的病树类别体系和遥感影像数据获取的平台、数据地面分辨率、数据光谱分辨率是进行松材线虫病遥感监测研究时需要综合考虑的几个因素，且有的因素间存在复杂的相互作用及制约关系（图4）。在目前的研究中以无人机（UAV）为代表的机载数据是使用最多的数据源，很大一部分原因是机载数据地面分辨率可达厘米级，可有效满足单株监测粒度下的地面分辨率要求，且机载数据可以灵活切换多光谱、高光谱或LIDAR等传感器，从而进一步满足区分不同染病阶段的监测需求；虽然随着国产“高分”“吉林一号”等卫星的发射，RGB影像的空间分辨率提升到0.5 m，星载数据基本可以满足单株监测粒度的分辨率要求，但星载多光谱、高光谱或LIDAR等数据的空间分辨率难以满足区分不同染病阶段的需求。而在大范围上进行监测，机载数据会逐渐表现出作业效率低、时间分辨率低等缺陷，星载数据则具备单次监测范围大、时间分辨率高等特点。在目前获取到的松材线虫病遥感监测研究中，鲜见进行大范围细粒度的监测研究成果。

图4 松材线虫病遥感监测研究中主要因素

2）病害类别体系杂乱。松材线虫病遥感监测研究中，染病树病害类别体系出现了两个问题：一是依据不同的划分标准建立了众多类别体系，即使类别数量和每类名称相同的类别体系，类别的划分标准也会存在差异。二是不同类别体系间的关系模糊，一方面表现在相同类别数量但每类名称不同的类别体系（如：轻度-重度-病死和健康-感染早期-感染晚期）间是否仅是名称上有所差异，还是划分标准有所偏差；另一方面是不同类别数量的类别体系间几乎找不到层次关系。

3）松材线虫病遥感监测研究中出现了多种类型的方法，各类方法均存在不同程度的优劣势。无论是基于经典机器学习的监测方法还是基于深度学习的各层次方法都无法完全取代彼此；同时，各类方法中也无法选出最优的具体方法。基于经典机器学习的监测方法有着对样本要求不高和特征解释能力较强等方面的优势，但经典机器学习需要进行复杂的特征选择及组合工作，同时难以利用影像的深层信息，且有研究认为机器学习不适合于大规模监测[67]。基于深度学习的场景级监测虽然具备数据集构建、模型构建和训练较为容易的优势，但其检测粒度较为粗糙，只解决有没有染病树或是不是染病树的问题，无法获取染病树的位置和数量，这一定程度上导致了场景级监测在当前松材线虫病遥感监测的研究中并未成为主流。基于深度学习的目标级监测在当前松材线虫病遥感监测的研究中是主流方法。使用不同类型的目标检测算法进行染病树识别都获得了比较理想的精度，但二阶段算法在区分不同染病阶段方面略有优势。目标级监测也存在一些劣势：一是研究区域普遍偏小，没有广泛地域和多种数据源的普遍适用性；二是缺乏在统一类别划分标准下标注的训练数据，某些研究的可靠性有待验证。基于深度学习的像素级监测在识别定位方面较场景级和目标级监测稍准，但劣势明显：一是数据集构建成本高、时间长，二是无论语义分割还是实例分割，其使用的神经网络对输入数据的规范化要求较高。受病害类别体系杂乱问题的影响，各类监测方法（尤其是基于深度学习的监测方法方面）都存在一个共性问题：不同研究基于不同监测粒度和类别体系构建了尺寸和数据量大小不一的数据集。当前研究中没有见到任何开放的大规模标准化光谱库和样本库，这一方面导致难以用统一标准评价某个方法是否相较另一方法更优秀，另一方面限制了使用高光谱数据和高空间分辨率数据监测的研究。

4）当前松材线虫病遥感监测研究大都聚焦于静态影像，缺乏高时间分辨率的长时序监测成果。Hao等利用1998—2017年的年度统计数据进行了县市级行政区尺度的松材线虫病聚集趋势的研究[80]。但松材线虫病从发病到死亡仅需两到三个月[81]，低时间分辨率尺度的研究难以满足对现有疫情及治理情况的精准监测与把控和对新发疫情“早发现、早报告”的实际需求。

4 建议与展望

以无人机和卫星传感器为数据源的航空航天遥感调查极大提高了松材线虫病疫情增量控制及存量消减工作的效率。众多学者开展了大量有关松材线虫病遥感监测的研究，但研究中也有一些尚未解决的问题，针对这些问题，本研究提出以下3个方面的建议与展望：

1）空天数据融合。要想实现大范围细粒度松材线虫病害遥感监测，空天数据融合必然是重要的研究趋势。空天数据融合需要考虑以下问题：①融合路径。在松材线虫病遥感监测的研究中：有的研究使用机载数据作为星载数据识别染病树结果的验证；有的研究使用星载数据进行区域染病程度的判定，然后使用机载数据进行染病树木的识别。除了上述两种路径，还应该考虑两种相互补缺，如机载高光谱或LIDAR数据经过归一化、重采样和类型转换后作为星载数据的波段。②星载和机载数据的差异消除。星载和机载数据从传感器工作方式到传统数据处理流程都存在显著差异。如何消除两种数据间的差异，将两种数据相对统一起来，做到两个影像在同一时间获取到的同一区域表现一致是未来研究工作的一个关键点。

2）病害类别体系及数据集标准化。要想解决病害类别体系杂乱和监测方法中数据集带来的评价问题，构建开放、统一、可扩展、标准化、评价指标统一的大规模光谱库与样本库组成的数据集势在必行。数据集的构建需考虑以下问题：①扩展性。构建数据集前应建立一套层次化的染病树的类别体系并明确不同层次间的联系，根据此体系进行数据集的构建工作，最后做到无论类别数量多少使用一个数据集均可以进行训练。②广泛代表性。在构建数据集的过程中，应当使用多区域数据。不同区域的森林结构不同、松树树种不同，Huang等的研究表明相同方法在不同区域的识别染病树的能力差异比较明显[56]。使用多区域数据构建数据集对提高模型的普遍适用能力会有很大帮助。同时还应使用多种类型的影像数据以确保影像选择的灵活度。③标准性。目前的研究在数据集构建时，只有少部分研究依靠实地调查数据转换，大部分研究依靠人工标注，数据集的标准性、规范性和标注质量有待进一步提高。在数据集构建的过程中，应该汇集遥感、林业调查人员、林业病害学家等多方面专业人员，并开展相应的地面调查工作，对相关数据集进行准确度评价和质量控制。

3）开展长时序监测。开发高频率、长时序监测产品，建立病害结果定期发布机制。长时序监测相当于为松树建立了一本可视化“病历”，有利于了解及分析病害的扩散情况及评估防治效果。因此在空天数据融合实现细粒度大范围监测的基础上，建立定期发布的多粒度、多类别、多受众的松材线虫病害遥感监测产品框架具有重要意义。产品发布周期可根据遥感影像时间分辨率确定，同时考虑松材线虫病的发病周期，在病害高发期可以缩短间隔，相较于现行的两月一次的监测频率会大幅度提高。根据不同用户群体不同的使用需求发布不同粒度、不同类别体系的监测结果。在长时序监测中，研究使用变化检测技术可有效缩短数据到结果的流程和时间，快速发现新的染病树及识别出树木的染病阶段，对现有疫情及治理情况的精准监测与把控和对新发疫情“早发现、早报告”具有重要意义。

[1] 朱克恭. 松材线虫病研究综述[J]. 世界林业研究，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] 杨宝君. 松材线虫病致病机理的研究进展[J]. 中国森林病虫，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] 陈凤毛，汤坚，叶建仁. 松材线虫病鉴定方法与评价（综述）[J]. 安徽农业大学学报，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] 孙永春. 南京中山陵发现松材线虫[J]. 江苏林业科技，1982(4)：27-47.

[5] 杨宝君，贺长洋，王成法. 国外松材线虫病发生概况[J]. 森林病虫通讯，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] 张军国，冯文钊，胡春鹤，等.无人机航拍林业虫害图像分割复合梯度分水岭算法[J]. 农业工程学报，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] 叶建仁. 松材线虫病诊断与防治技术[M]. 北京：科学出版社，2010：5-12.

[8] 孙钰，周焱，袁明帅，等. 基于深度学习的森林虫害无人机实时监测方法[J]. 农业工程学报，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] 国家林业和草原局政府网. 关于松材线虫病防治[EB/OL]. (2021-03-04)[2022-05-20]. http: //www. forestry. gov. cn/main/6088/20210304/ 192124040324411. html.

[10] 史洁青，冯仲科，刘金成. 基于无人机遥感影像的高精度森林资源调查系统设计与试验[J]. 农业工程学报，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] 国家林业和草原局. 国家林业和草原局关于印发《松材线虫病防治技术方案（2021年版）》的通知[Z]. 2021.

[12] 李星. 利用卫星遥感数据掌握森林受害情况[J]. 世界林业研究，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，张晓丽，安树杰. 松材线虫病危害的马尾松林木光谱特征分析[J]. 遥感技术与应用，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] 徐华潮，骆有庆，张廷廷，等. 松材线虫自然侵染后松树不同感病阶段针叶光谱特征变化[J]. 光谱学与光谱分析，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] 国家林业局. 森林资源规划设计调查技术规程：GB/T26424—2010 [S]. 北京：中国标准出版社，2010.

[19] 李浩，徐航煌，郑恒宇，等. 基于无人机遥感图像的松材线虫病监测技术研究[J]. 中国农机化学报，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] 邓世晴. 星机地协同的松材线虫病疫区枯死松树监测方法研究[D]. 南昌：东华理工大学，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] 马跃，吕全，赵相涛，等. 接种不同浓度松材线虫的黑松光谱学特征分析[J]. 山东农业科学，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] 汪小钦，王苗苗，王绍强，等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报，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] 张瑞瑞，夏浪，陈立平，等. 基于U-Net网络和无人机影像的松材线虫病变色木识别[J]. 农业工程学报，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] 刘金沧，王成波，常原飞. 基于多特征CRF的无人机影像松材线虫病监测方法[J]. 测绘通报，2019，(7)：78-82.

Liu Jincang, Wang Chengbo, Chang Yuanfei. Monitoring method of bursaphelenchus xylophilus based on multi-feature CRF by UAV image[J]. 测绘通报, 2019, (7): 78-82. (in Chinese with English abstract)

[27] 李凤迪. 基于深度学习和无人机遥感的松材线虫病树监测系统研究[D]. 泰安：山东农业大学，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] Peñuelas 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] 韩潇冰. 高分辨率遥感影像“像素-目标-场景”的深度理解方法研究[D]. 武汉：武汉大学，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] 周志达，李如仁，贲忠奇，等. 基于残差网络的遥感影像松材线虫病自动识别[J]. 林业工程学报，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，张辉辉，乐继旺，等. 基于深度学习和遥感影像的松材线虫病疫松树目标检测[J]. 南京师大学报（自然科学版），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] 李凤迪，申卫星，吴杰芳，等. 基于YOLOv3-CIoU的松材线虫病树检测方法研究[J]. 山东农业大学学报（自然科学版），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] 黄丽明，王懿祥，徐琪，等. 采用YOLO算法和无人机影像的松材线虫病异常变色木识别[J]. 农业工程学报，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] 黄华毅，马晓航，扈丽丽，等. Fast R-CNN深度学习和无人机遥感相结合在松材线虫病监测中的初步应用研究[J]. 环境昆虫学报，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] 徐信罗. 基于卷积神经网络和无人机遥感的松材线虫病受害[D]. 南昌：南昌大学，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，方伟泉，李浪浪，等. 基于深度学习的松材线虫病害松木识别[J]. 林业工程学报，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] 刘世川，王庆，唐晴，等. 基于多特征提取与注意力机制深度学习的高分辨率影像松材线虫病树识别[J]. 林业工程学报，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] 徐信罗，陶欢，李存军，等. 基于Faster R-CNN的松材线虫病受害木识别与定位[J]. 农业机械学报，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] 陶欢，李存军，程成，等. 松材线虫病变色松树遥感监测研究进展[J]. 林业科学研究，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

张晓东，杨皓博，蔡佩华，等. 松材线虫病遥感监测研究进展及方法述评[J]. 农业工程学报，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

国家自然科学基金项目（42101346）；中国博士后科学基金面上项目（2020M680109）；湖北省自然资源科研项目（ZRZY2021KJ01）

张晓东，博士，教授，博士生导师，研究方向为摄影测量与遥感。Email：zxdlmars@whu.edu.cn

陈关州，博士，博士后，研究方向为遥感智能解译。Email：cgz@whu.edu.cn