基于多光谱卫星影像与机器学习算法的松材线虫病受害林分识别研究

松材线虫病(Pine Wilt Disease, PWD)被称为“松树癌症”,具有高传染率和高死亡率,对我国森林资源构成了严重的威胁,对我国的经济、社会和生态造成了重大损失。及时发现并清理疫木是遏制松材线虫病蔓延的有效手段,精准监测疫木是防控松材线虫病的前提,但是现阶段缺少大面积识别松材线虫病疫木的技术方法。本文旨在探索哨兵-2号与Landsat-8遥感卫星影像对受害松林的识别能力,采用随机森林(Random Forest, RF)、支持向量机(Support Vector Machine, SVM)、决策树(Decision Tree, DT)和极端梯度提升(Extreme Gradient Boosting, XGBoost)等4种机器学习算法建立了松材线虫病监测模型。结果表明：基于哨兵-2号影像数据建立的监测模型对受害松林的识别准确率高于Landsat-8遥感卫星影像,其中基于10 m分辨率的影像数据建立的监测模型识别准确率最高,随机森林、决策树、支持向量机和极端梯度提升等算法建立模型的准确率分别达到了79.3%、76.2%、78.7%和78.9%。在3种不同的影像数据集中,RF...     

Bei醌类化合物的杀线虫活性

采用液体浸泡方法首次测定了菌寄生菌属Hypomyces sp.的次级代谢物Bei醌类化合物竹红菌甲素和痂囊羟菌素对松材线虫的致病率，结果表明竹红菌甲素对松材线虫的半致病率为18小时50ug/mL，痂囊羟菌素对松材线虫的半致病率为18小时15ug/mL，对比（啊维菌素）对松材线虫的半致病率为18小时0．8ug/mL，在红外光照射下竹红菌甲素和痂囊羟菌素具有良好的光敏杀伤松材线虫的作用。     

基于多色彩空间的YOLOv5松枯死树检测方法

【目的】针对在松枯死树监测实践中,从无人机航拍RGB影像中自动识别松枯死树漏检率高的问题,提出了一种生产应用场景下基于多色彩空间的YOLOv5松枯死树高精度自动识别新方法。【方法】利用无人机采集大面积松材线虫病发生林分的RGB图像,用Pix4Dmapper软件拼接,用LabelImg开源软件建立VOC格式的松枯死树数据集,分别用Faster R-CNN、YOLOv3、YOLOv4、YOLOv5、SSD和EfficientDet等6种基于深度学习的目标检测算法对数据集进行训练和测试,以精确率、召回率、平均准确率以及F₁分数作为评价指标筛选出最优目标检测算法;然后将采集的RGB图像转换成LAB和HSV色彩空间图像,再将这3个色彩空间的图像分别用最优目标检测算法进行训练,得到目标在每个色彩空间的边界框,使用非极大值抑制算法对这些边界框进行处理,得到最优边界框实现松枯死树自动识别。【结果】6种算法均取得良好效果,其中YOLOv5模型为最优算法,其精准率、平均查准率和F₁分数在6种算法中均最高,分别达到97.58%、82.40%和0.85。通过3个色彩空间融合后,反映漏检情况的召回率由74.54%提高到98.99%,平均准确率提升至98.39%。【结论】基于多色彩空间的YOLOv5模型能够显著提高从无人机航拍RGB影像中检测松枯死树的精度,为松枯死树监测提供了有力工具,也有助于松材线虫病的防治。