{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,5,2]，“日期-时间”：“2024-05-02T12:56:08Z”，“时间戳”：1714654568087}，“引用-计数”：77，“发布者”：“MDPI AG”，“问题”：“2”，“许可证”：[{“开始”：{/“日期-零件”：[2023,11]]，“日期时间”：1-11T00:00:00Z“，”时间戳“：1673395200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“name”：“中国国家重点研发计划”，“奖项”：[“2021YFD1400900”]}，{“名称”：“国家林业和草原管理局重大应急科技项目”，“奖金”：[”ZD202001“]}]，”content-domain“域”：[]，“crossmark-restriction”：false}，“short-container-title”：[“遥感”]，“抽象”：“松材线虫病（PWD）自入侵中国以来，已造成巨大的经济和环境损失。虽然早期监测是控制这种危害的有效方法，但早期阶段的监测窗口很难确定，并且在不同的主机和环境中会有所不同。我们使用基于无人机的中国东部黑松森林多光谱图像来确定生长季节每个月受感染树木数量的变化。我们通过测试三种机器学习算法\u2014随机森林、支持向量机和线性判别分析\u2014建立分类模型来检测不同的PWD感染阶段，并确定每个感染阶段（即绿色攻击、早期、中期和晚期）的最佳监测期。根据获得的结果，早期监测窗口期确定为7月下旬，而PWD中后期的监测窗口期为8月中旬至9月初。我们还确定了四个重要的植被指数来监测每个感染阶段。总之，本研究证明了使用机器学习算法分析多时间段多光谱数据以建立松材线虫病侵染早期监测窗口的有效性。研究结果可为今后松材线虫病防治研究提供参考和指导<\/jats:p>“，”DOI“：”10.3390\/rs15020444“，”type“：”journal-article“，”created“：{”date-parts“：[2023,1,12]，”date-time“：”2023-01-12T08:11:02Z“，”timestamp“：1673511062000}，”page“：基于多时间无人机多光谱图像和机器学习算法的松树萎蔫病监测窗口检测“]，”前缀“：”10.3390“，”卷“：”15“，”作者“：[{”给定“：”德威“，”家族“：”吴“，”序列“：”第一“，”从属“：[]}，{”给出“：”临丰“，”家庭“：”余“，”顺序“：”附加“，”隶属“：[]}family“：”Yu“，”sequence“：”additional“，”affiliation“：[]}，{”given“：”Quan“，”family”：“Zhou”，“sequence”：“additional”，“affiliance”：[]{，“given”：“嘉兴”，“family（家庭）：“Li”，“sequence”:“additionable”，“filiation”：[]}，}“givent”：“徐东”，“家族”：“张”，“序列”：“additional”、“affidiation”：[]}、{“ORCID”：”http://\/ORCID。组织\/00000-0003-0333-0681“，”authenticated-orcid“：false，”given“：”Lili“，”family“：”Ren“，”sequence“：”additional“，”affiliation“：[]}，{“given”：“Youqing”，“family”：“Luo”，“sequence”：“additional”，“affiliance”：[]]，“member”：“1968”，“published-on-line”：{“date-parts”：[2023,11]]}、“reference”：[{“key”：”ref_1“，“doi-asserted-by”：”crossref“，”first-page:“”434“，”doi“：”10.1111\/ppa.12960“，”article-title“：“利用选定的松树内生细菌诱导对松材线虫引起的松树枯萎病的抗性”，“volume”：“68”，“author”：“Kim”，“year”：“2019”，“journal-title”：“Plant Pathol”。“}，{”key“：”ref_2“，”doi-asserted-by“：”crossref“，”first-pages“：”315“，”doi“：”10.1163\/156854109X404553“，”article-title“：”松材线虫病：全球森林生态系统威胁“，”volume“：“11”，”author“：”Hunt“，”year“：”2009“，”journal-title”：“线虫学”}“key”：“ref_3”，“doi-assert-by”：“crossref”，“first-page”：“776“，”doi“：”10.1094\/PDIS-12-10-0902“，”article-title“：“西班牙西北部松树枯萎病病原体——嗜木虱的检测”，“卷”：“95”，“作者”：“阿贝莱拉”，“年份”：“2011年”，“期刊标题”：“植物病害”。“}，{”key“：”ref_4“，”doi-asserted-by“：”crossref“，”first page“：“61”，”doi“：”10.1146\/annurev-phyto-081211-172910“，”article-title“：”松木线虫，嗜木虱“，“volume”：“51”，“author”：“Futai”，“year”：“2013”，“journal-title”：“Annul.Rev.Phytopathol.”}，”{“key”：“，”文章标题“：”松材线虫病媒昆虫的种类和传播能力”，“卷”：“24”，“作者”：“张”，“年份”：“2007年”，“期刊标题”：“J.Zhejian For。大学“}，{”key“：”ref_6“，”doi-asserted-by“：”crossref“，”first-page“：”39108“，”doi“：”10.1109\/ACCESS.2022.3155531“，”article-title“：”应用于多光谱图像的深度学习技术检测枯萎病危害的松树“，”volume“：，“文章标题：“辽宁省与中国其他松材线虫病流行区的差异分析”，“卷”：“43”，“作者”：“郑”，“年份”：“2021”，“期刊标题”：“J.Beijing For。大学“}”，{“key”：“ref_8”，“首页”：“1”，“article-title”：“中国松材线虫病流行现状、防治技术及对策分析”，“volume”：”55“，“author”：“Ye”，“year”：“2019”，“journal-title“：”For.Sci.“}，{”key“：”ref_9“，“first-page”：“6”，“article-titel”：“辽宁抚顺木虱的分离与鉴定”，“卷”：“39”，“作者”：“余”，“年份”：“2020”，“新闻标题”：“中国。害虫“}，{”key“：”ref_10“，”first page“：“1”，”article-title“：”辽宁凤城市红松木虱的分离与鉴定“，”volume“：‘38’，”author“：”Pan“，”year“：‘2019’，”journal-title”：“China For.Pests”}，”{“key”：“ref_11”，“首页”：“1松材线虫入侵扩张趋势分析”，“卷”：“37”，“作者”：“李”，“年份”：“2018”，“期刊标题”：“中国为。害虫“}，{“key”：“ref_12”，“doi-asserted-by”：“crossref”，“unstructured”：“Kim，S.，Lee，W.，Lim，C.，Kim，M.，Kafatos，M.C.，Lee“：”10.1016\/j.eng.2020.07.001“，“article-title”：“使用人工智能技术检测无人机遥感的松材线虫病候选树”，“volume”：“6”，“author”：“Syifa”，“year”：“2020”，“journal-title“：”Engineering“}，{“key”：”ref_14“，”doi-asserted-by“：”crossref“，“unstructured”：“Zhang，B.，Ye，H.，Lu，W.，Huang，W.W.，Wu，B.，Hao，Z.，and Sun，H.（2021）。利用高分辨率遥感图像监测复杂景观中松材线虫病的时空变化检测方法。遥感，13.“，”DOI“：”10.3390\/rs13112083“}，”{“key”：“ref_15”，“unstructured”：“Xu，H.（2013）.黑松和马尾松自然感染松材线虫后的病理生理学.[北京林业大学文凭论文].”}，“key“：”ref_16“，”DOI-asserted-by“：”crossref“article-title“：“利用深度学习算法和基于无人机的多光谱图像早期检测松材线虫病”，“卷”：“497”，“作者”：“余”，“年份”：“2021”，“新闻标题”：“For。经济。管理。“}，{”key“：”ref_17“，”doi-asserted-by“：”crossref“，”first page“：“”松材线虫病颜色遥感监测研究进展”，“卷”：“33”，“作者”：“陶”，“年份”：“2020年”，“期刊标题”：“For。科学。研究“}，{”key“：”ref_19“，”doi-asserted-by“：”crossref“，”first page“：“2133”，”doi“：”10.1080\/01431698214910“，”article-title“：”Technical note A new technique for interpling the reflection red edge position“，“volume”：“19”，“author”：“Dawson”，“year”：“1998”，“journal-title”：“Int.J.Remote Sens.”}，”{“key”：”ref_20“，“doi-assert-by”：“crossref.”，“非结构化”：“Proen\u00e7a，D.N.，Francisco，R.，Santos，C.V.，Lopes，A.，Fonseca，L.，Abrantes，I.M.，and Morais，P.V.（2010）。从患有松材枯萎病的松树中分离出的与松材线虫和其他线虫相关的细菌多样性。PLoS ONE，5.“，”DOI“：”10.1371 \/journal.pone.0015191“}，{“key”：“ref_21”，“DOI-asserted-by”：“crossref”，“首页”：“294”，“DOI”：“10.3390 \/agriengineering2020019”，“article-title”：“基于深度学习和无人机遥感的松树萎蔫病死亡树木的检测和定位”，“volume”：”2“，”author“：”Deng“，”year“：”2020“，”journal-title“：”农业工程“}，{“key”：“ref_22”，“doi-asserted-by”：“crossref”，“首页”：“8238”，“doi”：“10.1080\/01431161.2020.1766145”，“article-title”：“基于深度学习的无人机图像死松树检测”，“volume”：”41“，“author”：“Tao”，“year”：“2020”，“journal-title“：”Int.J.Remote Sens.交叉参考“，”非结构化”：“You，J.、Zhang，R.和Lee，J.（2021）。基于RGB的无人机图像检测松材线虫病的深度学习通用系统。遥感，14.“，”DOI“：”10.3390\/rs14010150“}，{“key”：”ref_24“，”first page“：”170“，”article-title“：”基于无人飞行器遥感图像的松材线虫监测技术研究“，”volume“：“41”，“author”：“Li”，“year”：“2020”，“journal-title”：“J.Chin.Agric.Mech.”}，”{“key”：“ref_25”，”first-page“：”61“，”“article-title“”：”基于U-Net网络和无人驾驶飞行器图像的松材线虫枯萎病木材识别”，“卷”：“36”，“作者”：“张”，“年份”：“2020”，“期刊标题”：“Trans。下巴。农业协会。Eng.“}，{”key“：”ref_26“，”doi-asserted-by“：”crossref“，”unstructured“：”Iordache，M.，Mantas，V.，Baltazar，E.，Pauly，K.，and Lewyckyj，N.（2020）。一种使用机载光谱图像检测松材线虫病的机器学习方法。遥感，12.“，”doi“：”10.3390\/rs12142280“112676”，“DOI”：“10.1016\/j.rse.2021112676”，“文章标题”：“利用高光谱数据早期检测云杉活力损失：德国巴伐利亚州的一项实验研究结果”，“卷”：“266”，“作者”：“Einzmann”，“年”：“2021”，“期刊标题”：“遥感环境。“}，{”key“：”ref_28“，”doi-asserted-by“：”crossref“，”first page“：“118986”，”doi“：”10.1016\/j.foreco.2021.118986“，”article-title“：”传统的基于无人机的高通量目标检测在深度学习松材线虫病早期诊断中的应用“，”volume“：ref_29“，”doi-asserted-by“：”crossref“，”unstructured“：”Yu，R.，Luo，Y.，Li，H.，Yang，L.，Huang，H..，Yu，L.和Ren，L.（2021）。基于无人机高光谱图像的松材线虫病早期检测的三维卷积神经网络模型。遥感，13.“，”DOI“：”10.3390\/rs13204065“}，{”key“：”ref_30“，”first page“：“102363”，”article-title“：”使用基于无人机的高光谱图像和激光雷达数据在树级检测松材线虫病的机器学习算法“，”volume“：第一页“：”136“，”文章标题“：”利用基于无人机的多光谱图像的监督分类算法识别香蕉枯萎病“，”卷“：”13“，”作者“：”叶“，”年份“：”2020“，”期刊标题“：“国际农业杂志。生物工程“}，{“key”：“ref_32”，“unstructured”：“Song，Y.，Zang，X.，Liu，Y.和Wang，Y..（1992）。室温变化与松材线虫分离的关系。害虫防治委员会，21\u201322.”}，“key“：”ref_33“，”doi-asserted-by“：”crossref“，”first page“：“1”，“doi”：“10.1186\/s40663-021-00314-Y”，“article-title”：“结合WV-2图像和树木生理因子，检测亚洲天牛（Anoplophora globalipennis）在树木水平上对甘肃杨的危害阶段”，“卷”：“8”，“作者”：“周”，“年份”：“2021”，“期刊标题”：“For”。生态系统。“}，{”key“：”ref_34“，”doi-asserted-by“：”crossref“，”first page“：“127”，”doi“：”10.1016\/0034-4257（79第“：”337“，”页DOI“：”10.1016\/j.rse.2003.12.013“，”article-title“：”预测作物冠层绿色LAI的高光谱植被指数和新算法：“精准农业背景下的建模和验证”，“体积”：“90”，“作者”：“Haboudane”，“年份”：“2004”，“期刊标题”：“遥感环境”。“}，{”key“：”ref_36“，”doi-asserted-by“：”crossref“，”first-page“：”2489“，”doi“：”10.1109 \/36.885197“，“article-title”：“为上行传感器优化的高级植被指数：设计、性能和应用”，“volume”：“38”，“author”：“Gobron”，“year”：“2000”，“journal-title“：”IEEE Trans.Geosci.Remote Sens.“}”，{“key”：”ref.37“，“doi-assert-by”：“”crossref“，”first page“：”5“，”DOI“：”10.1029\/2002GL016450“，”article-title“：”玉米冠层叶面积指数和绿叶生物量的远程估算“，”volume“：“30”，”author“：”Gitelson“，”year“：”2003“，”journal-title”：“Geophys.”。Res.Lett公司。“}，{”key“：”ref_38“，”doi-asserted-by“：”crossref“，”first-page“：”303“，”doi“：”10.1007 \/s11119-008-9075-z“，”article-title“：”冠层尺度的宽带叶叶绿素植被指数“，”volume“：第一页“：”1090“，”doi“：”10.2134“，“article-title”：“利用可见带指数遥感叶片叶绿素含量”，“volume”：“103”，“author”：“Daughtry”，“year”：“2011”，“journal-title“：“Agron”。J.“}，{”key“：”ref_40“，”first-page“：”101900“，”article-title“：”对树皮甲虫（Ips typeographus，L.）攻击诱导的早期应力检测至关重要的红边和短波红外反射率的计时“，”volume“：“82”，“author”：“Abdullah”，“year”：“2019”，“journal-title”：“Int.J.Appl.Earth Obs.Geoinf.”}，”{“key”：“ref_41”，“doi-asserted-by”：“crossref”，“首页“：”501“，”DOI“：”10.1016\/S0176-1617（96）80285-9“，“article-title”：“通过700 nm附近的反射测量检测红边位置和叶绿素含量”，“volume”：“148”，“author”：“Gitelson”，“year”：“1996”，“journal title”：《植物生理学杂志》。“}，{”key“：”ref_42“，”first-page“：”203“，”article-title“：”氮素水平对生长的影响，以及萝卜叶柄硝酸盐水平、叶片叶绿素指数和下胚轴硝酸盐水平之间的关系“，”volume“：“4”，“author”：“Harfi”，“year”：“2015”，“journal-title”：“Isfahan Univ.Technol.-J.Crop Prod.Process”}，“key”：“ref_43”，“doi-asserted-by”：“”crossref“，“首页”：“117”，“DOI”：“10.1016\/0034-4257（71）90085-X”，“article-title”：“植被冠层方向反射率的计算”，“体积”：“2”，“作者”：“套装”，“年份”：“1971年”，“期刊标题”：“遥感环境”。“｝，｛”key“：”ref_44“，”doi asserted by“：”crossref“，”first page“：”457“，”doi“：”10.1109\/TGRS.1995.8746027“，”文章标题“：”基于反馈的NDVI修改，以最大限度地减少冠层背景和大气噪声“，”volume“：”33“，”author“：”Liu“，”year“：”1995“，”期刊标题“：”IEEE Trans.Geosci.Remote Sens“｝，｛”key“：”ref_45“，”first page“：”10233“，”article-title“：“时空融合方法同时生成全长归一化植被指数时间序列（SSFIT）”，“体积”：“100”，“作者”：“邱”，“年份”：“2021”，“期刊标题”：“国际应用杂志”。地球观测地理信息。“}，{”key“：”ref_46“，”doi-asserted-by“：”crossref“，”first page“：“375”，”doi“：”10.1016\/0034-4257（94）00114-3“，”article-title“：”根据双向反射率测量估算植被吸收的PAR“，”volume“：“，”首页“：”156“，”DOI“：”10.1016\/S0034-4257（00）00197-8“，“文章标题”：“比较宽带和高光谱植被指数对绿叶面积指数和冠层叶绿素密度估算的预测能力和稳定性”，“体积”：“76”，“作者”：“布罗日”，“年份”：“2001”，“期刊标题”：《遥感环境》。“}，{”key“：”ref_48“，”doi-asserted-by“：”crossref“，”first page“：“76”，”doi“：”10.1016\/S0034-4257（01）00289-9“，“article-title”：“植被覆盖率远程估算的新算法”，“volume”：“80”，“author”：“Gitelson”，“year”：“2002”，“journal-title“：”remote Sens.Environ.“}”，{“key”：”ref“49”，“doi-assert-by”：“crossref.”，”非结构化“：”Uto，K.、Takabayashi，Y.、Kosugi，Y..和Ogata，T.（2008年1月7日\u201311）。对日本橡树枯萎病进行高光谱分析，以确定归一化枯萎指数。IGARSS 2008\u20142008 IEEE国际地球科学与遥感研讨会论文集，美国马萨诸塞州波士顿叶片色素含量与光谱反射率之间的关系，跨越多种物种、叶片结构和发育阶段”，“体积”：“81”，“作者”：“Sims”，“年份”：“2002”，“期刊标题”：“遥感环境”。“}，{”key“：”ref_51“，”doi-asserted-by“：”crossref“，”first-page“：”4515“，”doi“：”10.3390\/rs6054515“，”article-title“：”评估WorldView-2数据分类树种和不同灰烬死亡率水平的潜力“，”volume“：“”首页”：“301”，“DOI”：“10.1016\/j.rse.2005.05.009”，“文章标题”：“用于森林扰动探测的基于Tasseled Cap的陆地卫星数据结构的比较”，“卷”：“97”，“作者”：“Healey”，“年”：“2005”，“期刊标题”：“遥感环境。“}，{”key“：”ref_53“，”doi-asserted-by“：”crossref“，”first page“：“1”，”doi“：”10.1016\/j.isprsjprs.2017.07.007“，”article-title“：”在模拟疾病爆发期间评估超高分辨率无人机图像以监测森林健康“，”volume“：doi-asserted-by“：”crossref“，”unstructured“：”Gao，B.，Yu，L.，Ren，L.、Zhan，and Luo，Y.（2022）。基于高光谱反射率的机器学习算法早期检测淡水松毛虫感染。遥感，14.“，”DOI“：”10.3390\/rs14061373“}，{“key”：“ref_55”，“DOI-asserted-by”：“crossref”，“首页”：“108096”，“DOI”：“10.1016\/j.agrformet.2020.18096”，“article-title”：“基于多时相无人机RGB和多光谱图像的水稻产量预测及模型转换\u2013a case study of small farmlands in the South of China”卷：“291”，“作者”：“万”，“年份”：“2020”，“新闻标题”：“农业”。对于。美托洛尔。“}，{”key“：”ref_56“，”doi-asserted-by“：”crossref“，”first-pages“：”1“，”doi“：”10.1186\/s13007-019-0394-z“，”article-title“：”使用无人机远程传感数据基于机器学习方法建模玉米地上生物量“，”volume“：“15”，“author”：“Han”，“year”：“2019”，“journal-title”：“Plant Methods”}，”{“key”：“ref_57”，“unstructured”：“Mullen，K.（2016）.使用高光谱和WorldView-2数据早期检测黑山Ponderosa松林中的山地松甲虫危害。【硕士论文，明尼苏达州立大学】。“}，{”key“：”ref_58“，”unstructured“：”Gutierrez，D.D.（2015）。机器学习和数据科学：R.统计学习方法简介，技术出版物。“}”，{“key”：“ref_59”，“doi-asserted-by”：“crossref”，“first page”：”369“，”doi“：”10.1080\/15481603.2020.1712102“，”article-title“：”卷积神经网络、加权和传统支持向量机以及随机森林在使用高光谱和摄影测量数据对树种进行分类时的性能比较”，“体积”：“57”，“作者”：“Sothe”，“年份”：“2020”，“期刊标题”：“Gisci。Remote Sens.“}，{”key“：”ref_60“，”unstructured“：”Lesmeister，C.（2017）.Mastering Machine Learning with R，Packt Publishing Ltd.“}”，{“key”：“ref_61”，“doi-asserted-by”：“crossref”，“first page”：”91“，”doi“：”10.1016\/j.compag.2010.06.009“，”article-title“：”基于高光谱反射率的支持向量机植物病害早期检测与分类”，“卷”：“74”，“作者”：“Rumpf”，“年份”：“2010”，“期刊标题”：“计算”。电子。农业。“}，{”key“：”ref_62“，”doi-asserted-by“：”crossref“，”first-pages“：”409“，”doi“：”10.1007\/s11004-008-9156-6“，”article-title“：”An objective analysis of support vector machine based classification for remote“，“volume”：“40”，“author”：“Oommen”，“year”：“2008”，“journal-title”：“Math Geosci.”}，“key”：”ref“，“首页”：“106935“，“DOI”：“10.1016\/j.ecolind.2020.106935”，“article-title”：“利用机器学习方法进行水稻产量预测中的综合物候和气候”，“volume”：“120”，“author”：“Guo”，“year”：“2021”，“journal-title“：”Ecol。印度。“}，{”key“：”ref_64“，”doi-asserted-by“：”crossref“，”first page“：“179”，”doi“：”10.1111\/j.1469-1809.1936.tb02137.x“，”article-title“：”multiple measurements in taxonomic problems“，”volume“：，“首页”：“862”，“doi”：“10.1109\/TGRS.2008.2005729“，“文章标题”：“用正则化线性判别分析对高光谱图像进行分类”，“卷”：“47”，“作者”：“班多斯”，“年份”：“2009年”，“期刊标题”：”IEEE Trans。地质科学。遥感“}，{“key”：“ref_66”，“doi-asserted-by”：“crossref”，“首页”：“23”，“doi”：“10.1016\/0034-4257（87）90068-X”，“article-title”：“基于机载专题地图模拟机数据的线性判别和剖面分析的地球植物学调查”，“volume”：key“：”ref_67“，”doi-asserted-by“：”crossref“，”first page“：“189”，”doi“：”10.1016\/S0034-4257（97）00094-1“，”article-title“：”针叶树物种识别：原位高光谱数据的探索性分析“，”volume“:”62“，”author“：”Gong“，”year“：”1997“，”journal-title:“Remote Sens.Environ。“}，{”key“：”ref_68“，”doi-asserted-by“：”crossref“，”first-page“：”375“，”doi“：”10.1016\/j.rse.2005.03.009“，”article-title“：”热带雨林树种在叶冠尺度上的高光谱分辨“，”volume“：，“第一页“：”1136“，”DOI“：”10.1109\/36.628781“，”文章标题“：”生态中土地覆盖单元识别的图像分割和判别分析“，”卷“：”35“，”作者“：”Lobo“，”年份“：”1997“，”期刊标题“：“IEEE Trans。地质科学。遥感“}，{”key“：”ref_70“，”unstructured“：”Xu，Z.（2021）.基于无人机遥感和人工智能算法的亚热带森林监测方法研究.【江西农业大学毕业论文】.“}”，{“key”：“ref_71”，“doi-asserted-by”：“crossref”，“first page”：《7307252》，“doi”：“10.1155\/2020\/7307252”，“article-title”：“利用深度卷积神经网络进行基于图像的水稻营养素缺乏症诊断”，“卷”：“2020年”，“作者”：“徐”，“年份”：“2020年”，《期刊标题》：“计算”。智力。神经科学。“}，{”key“：”ref_72“，”doi-asserted-by“：”crossref“，”first page“：“1000093”，”doi“：”10.3389\/fpls.2022.1000093“，”article-title“：”使用光谱特征时间序列早期检测松材线虫病候选树“，”volume“：，“首页“：”665“，”DOI“：”10.7780\/kjrs.2014.30.5.11“，”article-title“：”地基高光谱相机检测松材线虫病的光谱模式分析“，”volume“：”30“，”author“：”Lee“，”year“：”2014“，”journal-title”：“Korean J.Remote Sens.”}，{“key”：“ref_74”，“DOI-asserted-by”：“crossref”，“首页”：“650”，”DOI:“”10.1080\/2150704X.2020.1752410“，“article-title”：“检测VHR遥感图像中单个红斑树木的简单弱监督深度学习管道”，“volume”：“11”，“author”：“Qiao”，“year”：“2020”，“journal-title“：”remote Sens.Lett。“｝，｛”key“：”ref_75“，”doi asserted by“：”crossref“，”首页“：”66346“，”doi“：”10.1109\/ACCESS.202130373929“，”文章标题“：”基于遥感和机载边缘计算的松树枯萎病检测系统“，”卷“：”9“，”作者“：”Li“，”年份“：”2021“，”期刊标题“：”IEEE ACCESS“｝，｛”key“：”ref_76“，”doi asserted by“：”crossref“，”非结构化“：”Sun，Z.、Ibrayim，M.和Hamdulla，A.（2022）。利用无人机从无人机图像中检测松树枯萎线虫。传感器，22.“，”DOI“：”10.3390\/s22134704“}，{“key”：“ref_77”，“DOI-asserted-by”：“crossref”，“首页”：“8350”，“DOI”：“10.1109\/JSTARS.2021.3102218”，“article-title”：“使用多光谱无人机图像检测松树萎蔫病可疑树木的多通道目标检测”，“volume”：”14“，”author“：”Park“，“year”：“2021”，“journal-title“：”IEEE J。选择。顶部。申请。地球观测站。遥感器“}]，”container-title“：[”Remote Sensing“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\\/www.mdpi.com\/2072-4292\/15\/2\/444\/pdf“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}”，”deposed“：{”date-parts“：[2023,12]]，”date-time“：“2023-01-12T08:46:28Z”，“timestamp“：1673513188000}，”score“：1，”resource“：{“primary”：{”URL“：”https:\/\/www.mdpi.com/2072-4292\/15\/2\/444“}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-parts”：[2023,11]]}，‘references-count’：77，‘journal-issue’：{‘issue’：“2”，‘published-on-line”：{-“date-ports”：[2023,1]]}}，“alternative-id”：[“rs15020444”]，“URL”：“http:\/\/dx.doi.org\/10.3390\/rs15020444“，”关系“：{}，”ISSN“：[”2072-4292“]，”ISSN-type“：[{”值“：”2072~4292“，”类型“：”电子“}]，”主题“：[]，”发布“：{”日期部分“：[2023,1,11]]}}}}