基于深度学习的遥感影像松材线虫病树提取

松材线虫病对我国松树类物种具有极大的伤害，需要对病虫区域进行准确高效的确定以提早防治。这种病在传播方式上具有跳跃特性。它具有传播途径多种多样、发病部位较隐蔽难以发现、病情潜伏时间长、发病速度迅速、治理不方便等特点，严重时会导致大量松树病死，导致环境和森林景观的严重损坏，并可能导致严重的经济和环境损失。本论文通过使用深度学习目标检测中的RetinaNet方法，将无人机拍摄的影像作为训练样本，充分利用深度学习目标检测方法的优势，将其对比SSD和YOLO v3方法的识别效果，实现病虫树木的高效判别。对松材线虫病树区域展开定位研究，在节省人工成本的同时能迅速防止病虫害对松树的疾病扩散，为清除和防治病害区域扩散至更大范围提供有效帮助。

松材线虫是松树的毁灭性病害， 在1982 年被人们发现时便迅速蔓延，对大片的松林构成了毁灭性威胁。它具有传播途径多种多样、发病部位较隐蔽难以发现、病情潜伏时间长难以提前察觉、发病速度迅速、治理不方便等特点[1]。树木针叶颜色逐渐变成黄色或者褐色是被感染松树的表面症状，而红褐色的针叶是重病时期松树。

为了防治松材线虫对森林资源的伤害， 必须及时清理死树或者染上疾病的松树[2]。

此外，一旦病情蔓延会造成大量的松树死亡，如果不及早发现和治疗，松材线虫病的出现将会给国家带来巨大的经济损失以及对森林的生态产生一定的破坏。根据不完全统计，松材线虫病已在浙江、广东、四川的244 个县级行政区域及其他16 个省出现，累计死亡松树达到500 多万株，造成的直接和间接经济损失达到约275 亿元[3]。

如今病虫区域的检测有很多种，其中人工方式监测病害树木虽然可行但部分发病区耗时耗力、成本高且人力难以到达。但是如果可以利用将无人机技术、卫星导航定位技术、计算机技术等手段相结合的方式[4]，便能对松材线虫病树进行实时的监测，这样有害生物监测和预警就会变得高效有用，还可以解决一旦病情爆发发现不及时的重大问题[5]。

目前，利用遥感技术识别枯木的方法多种多样[6]。在对研究区马尾松进行多光谱校正和分割后，使用依赖于先验知识的决策树分类方法对马尾松进行信息提取[7]。并且在监测过程中，还可以通过松树的纹理和颜色的特征，利用隶属函数法对患病松树进行识别，进而可以将松树的疾病程度分为轻度、中度和重度。利用计算机图像分析技术比如说图像分割算法提取无人机航拍图像中的害虫区域。利用面向对象分类算法和支持向量机、k 近邻、随机森林等机器学习分类算法对无人机高光谱图像中的植被种类和灾害等级进行分类[8]。

与传统的目标探测相比，深度学习模型具有较强的表现能力，多尺度问题上的特征提取和时间效率上有优势。这种病虫树的有效提取，不仅可以降低人工筛选的成本，而且可以对人迹罕至的深山林区进行监测，提高病虫树的筛选效率，及时发现病虫树和枯树，防止进一步扩大病虫害的范围，并减少因病