基于无人机重建的超光谱图像的松病的早期检测
Wentao Liu1,2,3, Ziran Xie1,3, Jun Du1,3
1College of Electronic Engineering (College of Artificial Intelligence), South China Agricultural University, Guangzhou, China.
Frontiers in plant science
|December 4, 2024
概括
现在可以使用无人机遥感,超光谱重建和SVM分类来早期检测松病 (PWD). 这种方法显著提高了森林健康监测的准确性和效率.
科学领域:
- 林业林业 林业 林业 林业
- 遥感 遥感 遥感 遥感
- 植物病理学 植物病理学
背景情况:
- 松病 (PWD) 对全球松树林构成重大威胁.
- 目前的检测方法通常仅限于感染的后期阶段,阻碍了及时干预.
- 有效的早期检测对于管理和缓解PWD传播至关重要.
研究的目的:
- 开发一种高效准确的方法,用于早期检测松病.
- 评估用于PWD监测的高光谱图像重建和SVM分类的有效性.
- 为了比较不同高光谱重建网络和SVM内核函数的性能.
主要方法:
- 使用无人机 (UAV) 遥感来捕获松树林的RGB图像.
- 使用超光谱重建网络 (HSCNN+,HRNet,MST++,DW3D) 来从RGB数据中生成超光谱图像.
- 应用式支持向量机 (SVM) 分类与各种内核,以根据重建的超谱数据检测早期的PWD.
主要成果:
- 超光谱重建多元SVM模型在PWD早期检测中实现了高准确性,在RGB图像分析中表现优于27%.
- 与Poly内核SVM相结合的MST++产生了最高的交叉验证精度 (0.77).
- 与MST++ (1.6M) 相比,DW3D重建网络的精度高,参数显著减少 (0.61M).
结论:
- 拟议的超光谱重建多重SVM模型对于早期PWD检测是有效的.
- 与传统无人机超频谱遥感相比,这种方法提供了更好的运营效率和成本效益.
- 早期检测能力提高了针对PWD的森林管理策略.
