1.简介
松材线虫病（PWN）引起的松材枯萎病（PWD，也称为松树“癌症”）；木虱)是危害最大、潜在的国际检疫性森林病害之一[1]. PWD起源于北美，但现在在全球范围内广泛发生(图1) [2,三,4,5]对全球森林生态系统造成了巨大破坏。在自然环境中，PWD的发病机制如下。当携带PWN的病媒昆虫从松树上出现时，它们会定位并以松树枝条幼芽的树皮为食，给松树造成创伤[6]. 然后，PWN侵入伤口并吞噬松树的木质部[7,8]，导致树的血管堵塞。最后，松树的蒸腾作用逐渐丧失，根系吸收的水分无法到达树冠；因此，松针会枯萎，最终整个松树都会死亡。PWN感染的详细过程如所示图2. 自1982年中国首次发现PWD以来，全国多个省份都有发现，并呈向北扩散的趋势(图3) [9]. 同时，盐蜥（Gebler，1830）已被确认为中国北方PWD的新昆虫媒介(图4) [9,10]. PWD对马尾松,油松、红松以及其他松树物种正在向北蔓延(图3) [5,11]. 松材线虫病已成为中国松林最具破坏性的病害之一，给中国松林带来了毁灭性的灾害和巨大的经济损失[12]. 此外，全球变暖也对森林生态系统产生了重大影响[13,14]. 由于温度较高，当适宜栖息地范围扩大时，森林害虫的种群密度将呈指数增长[15]. 为了有效地控制和监测松材线虫病，利用松材线虫病检测早期感染松树具有重要意义。然而，实现PWD早期监测的目标是一项艰巨的任务，因为松树从PWD感染的早期发展到晚期只需要五周时间[16]. 目前，控制PWD的主要管理做法是通过砍伐和焚烧清除感染PWD的枯树[11,17]. 为了实现早期检测PWD的目标，迫切需要一种快速有效的松林监测方法。PWD对策中的另一个障碍是松林群落非常大，这使得传统的地面调查不切实际。 为了解决这些问题，遥感（RS）作为一种潜在的检测方法被用于监测PWD。通过减少空间和时间限制，RS技术越来越适合大规模应用。
高光谱遥感（HRS）具有窄带特性，可以同时表达空间和光谱信息。HRS可以捕获目标的连续光谱数据；因此，它可以用于检测PWD感染早期松树针叶变色过程中光谱特征的微小变化（肉眼难以检测）。Kim等人[17]研究了PWD的高光谱分析，发现在接种PWN后的两个月内，大多数感染松树的红色和中红外波长的反射率发生了变化。Iordache等人[18]收集了基于无人机（UAV）的高光谱图像，并应用随机森林（RF）算法检测PWD，在区分健康、感染PWD和可疑松树方面取得了良好的效果。在另一项研究中，Yu等人[11]结合地面高光谱数据和基于无人机的高光谱图像，发现高光谱数据在利用红边参数进行PWD识别早期感染松树方面表现良好。这些结果表明，HRS在监测PWD方面具有巨大的潜力。然而，上述研究采用了传统的机器学习方法，无法直接从图像中识别空间和光谱信息[19,20]. 传统的机器学习算法用于整幅图像时，需要将三维数据展平为一维矢量数据。 由于传统机器学习模型的局限性，深度学习算法在高光谱图像分类中的应用越来越受到重视，为PWD检测提供了一种可行的解决方案。深度学习算法能够以端到端的方式从原始图像数据中直接有效地提取深度特征信息[21]. 此外，它可以更好地解释高维数据的复杂结构，并通过多层神经网络操作获得更好的精度[22]. 近几年来，深度学习在计算机视觉和图像处理领域取得了良好的成绩，并广泛应用于图像分类和目标检测[21,23,24]. 目前，深度信念网络（DBN）[25]，堆叠式自动编码器（SAE）[26]卷积神经网络[27]和其他模型已应用于HI分类，CNN在分类和目标检测任务上明显优于其他模型[28,29,30]. 因此，CNN模型近年来在PWD研究中得到了广泛应用。在一项研究中，两种先进的物体检测模型，即You Only Look Once version 3（YOLOv3）和Faster Region based Convolutional Neural Network（Faster R-CNN），被用于PWD感染的早期诊断，取得了良好的结果，并为PWD的早期诊断提出了一种有效而快速的方法[19]. 在另一项研究中，Yu等人[20]采用Faster R-CNN和YOLOv4通过PWD鉴定早期感染的松树，揭示了通过考虑阔叶树可以优化PWD的早期检测。秦等人[31]提出了一种利用无人机图像识别PWD感染松树的新框架，即空间上下文关注网络（SCANet）。该研究获得了79%的总准确度（OA），为监测和管理PWD提供了一种有价值的方法。Tao等人[32]应用两种CNN模型（即AlexNet和GoogLeNet）和传统模板匹配（TM）方法预测PWD引起的死亡松树的分布，结果表明基于CNN的方法的检测精度优于传统TM方法。上述研究均基于二维CNN（2D-CNN）。这里，2D-CNN[27]可以从原始原始图像中获取空间信息，但不能有效提取光谱信息。当2D-CNN应用于HI分类时，需要对所有频带的原始数据进行二维卷积运算；卷积运算将非常复杂，因为每个频带都需要训练一组卷积核。与RGB波段的图像不同，网络中输入的高光谱数据通常包含数百个光谱维，这需要大量的卷积核。这将导致模型过拟合，大大增加计算成本。 为了解决这个困难，将三维CNN（3D-CNN）引入HI分类[33,34,35]. 这里，3D-CNN使用三维卷积同时在三维空间工作，直接从高光谱图像中提取光谱和空间信息。三维卷积核能够提取三维信息，其中两个表示空间维度，另一个表示光谱维度。HRS图像是一个三维立方体，因此3D-CNN可以同时直接提取空间数据和光谱数据。这些优点使3D-CNN成为更适合HI分类的模型。例如，梅耶拉等人[21]收集到的高光谱和激光雷达数据（激光雷达数据可以获得冠层高度模型，用于将地面参考数据与航空图像进行匹配），并使用3D-CNN模型从高光谱数据中对单个树种进行分类，表明3D-CN在区分针叶树种方面是有效的，同时在白杨分类中表现出较高的准确性。在另一项研究中，Zhang等人[24]利用高光谱图像，提出了一种用于树种分类的3D-1D卷积神经网络模型，将捕获的高层语义概念（联合空间光谱特征表示）转化为一维特征作为新的输入，学习更抽象的表达层次，实现了大面积、高精度、，高速多树种分类。此外，在CNN模型中使用残差学习可以通过解决网络的退化问题来优化模型的性能[36,37]. 剩余学习也可用于3D-CNN。例如，Zhong等人[38]设计了一种端到端光谱空间残差网络（SSRN），该网络选择尺寸为7×7×200的三维立方体作为输入数据，HI分类不需要特征工程。在SSRN中，通过构造光谱和空间残差块来提取光谱和空间特征，进一步提高了识别精度。Lu等人[39]提出了一种新的基于三维通道和空间注意的多尺度空间谱残差网络（CSMS-SSRN）。CSMS-SSRN使用三层并行残差网络结构，通过使用不同的三维卷积核从各自的残差块中不断学习空间和光谱特征，然后将提取的多尺度特征叠加到三维注意模块中。从通道和空间域两个方面增强了图像特征的表达能力，提高了分类模型的性能。 高光谱图像和3D-CNN模型也被用于林业领域，包括树种分类[21,24,40]. 在不同阶段对感染PWD的松树进行分类的原则与树种分类的原则是一致的。因此，3D-CNN有潜力成为一种理想可行的精确监测PWD的技术，这在以往的PWD研究中还没有探索过。受上述研究的启发，本研究的主要目的是探索使用3D-CNN和残差块识别PWD感染不同阶段松树的能力。 本文的其余部分结构如下：（1）构建2D-CNN和3D-CNN模型，以准确检测感染PWD的松树；（2） 比较2D-CNN和3D-CNN模型在松树PWD感染不同阶段的识别性能；（3） 探索在2D-CNN和3D-CNN模型中添加残差块以提高准确性的潜力；探索减少训练样本对模型准确性的影响。研究的总体工作流程如所示图5. 2.材料和方法
2.1. 研究区域和地面测量
研究区位于抚顺市东洲区（东经124°12′36〃-124°13′48〃，北纬41°56′53〃-41°57′46〃）；图6)中国辽宁省。该地区属于大陆性季风气候，位于中温带。该地区的年平均气温约为5–7°C，年平均降雨量为760–790 mm。研究区的人工林以红松; 阔叶树种主要包括麻栎和蒙古栎. 2021年5月8日至14日进行了地面勘测。在研究区域建立了28个样地（15 m×15 m）(图6). 在每个样地中，记录树木种类、针叶颜色、树木活力和每棵树的PWD感染阶段。使用手持差分全球定位系统（DGPS，中国广州南方测绘技术有限公司，S760版）测量采样树木的位置，精度为亚米。共测量了1152棵树。同时，随机抽取157棵松树（42棵松针变色，115棵没有变色），通过形态学和分子鉴定确定每棵松树是否携带PWN[41,42]. 结果表明，针叶变色的树木都携带PWN，并且超过80%（115棵树中的93棵）没有变色的树木被证实感染了PWN。因此，我们确认研究区域确实感染了PWD。 2.2. 机载数据采集和预处理
本研究使用了一架DJI Matrice 300无人机（DJI，中国深圳），搭载一个Pika L高光谱传感器（用于获取HI数据；Resonon，美国）和一个LR1601-IRIS LiDAR系统（用于收集LiDAR数据；IRIS Inc.，中国北京）。高光谱传感器的主要参数如所示表1激光雷达系统是未校准的，激光波长、脉冲重复频率和每个脉冲的回波分别为905 nm、5–20 Hz和2。无人机上安装了惯性测量单元（IMU）和全球定位系统（GPS），其水平和垂直位置误差分别为2.0和5.0 m。此外，还应用了Z-survey i50 RTK（中国上海华策导航技术有限公司）来提高POS（定位定向系统）的精度(图7). 整个无人机系统显示在图7. 基于无人机的HI和LiDAR数据采集于2021年5月11日11:40–12:20进行。RGB图像采集于2021年5月11日、6月10日和7月12日12:00–12:20进行。飞行期间天气晴朗无风。飞行高度设置为120米，正面和侧面重叠设置为60%，飞行速度为3米/秒。在飞行区域设置了标准白板。HI由281个波长范围为400-1000 nm的光谱通道组成。使用SpectrononPro软件（Resonon，Bozeman，MT，USA），使用3-m2地毯作为参考。通过应用六个地面控制点对图像进行几何校正，其位置使用DGPS设备测量，精度为亚米。HI的空间分辨率为0.44m。同步采集的LiDAR数据为高光谱数据预处理提供了准确的DEM数据。激光雷达数据在通用横轴墨卡托51N中进行了地理参考，并使用WGS1984基准作为坐标系。我们使用LiDAR360软件（4.1版，GreenValley Inc.，中国北京）对原始LiDAR数据中的地面、地上和林下点进行分类，以进行高光谱数据预处理。
2.3. PWD感染阶段划分和数据标记
在本研究中，通过多时间观测证实了PWD早期感染松树，即使用7月和6月采集的图像，在5月采集的大多数昆虫媒介出现并感染松树的图像中区分早期感染的松树(图8). 5月11日收集的HI作为模型的输入(图6b） ●●●●。红冠松树被定义为晚期感染松树。此外，我们还根据地面调查确定了图像中的阔叶树。根据上述标准，我们将高光谱图像中的树木标记为这三类。 2.4. 模型构造
2.4.1. 三维CNN
在传统的2D-CNN中，卷积运算仅用于捕获二维特征地图的空间特征。然而，在处理3D数据（例如，视频数据）时需要捕获空间和时间信息。为了克服这个障碍，提出了3D-CNN；在三维特征地图上进行三维卷积运算，以测量三维数据的时空特征[43]. 在HI分类中，必须保留目标的丰富光谱信息。二维卷积运算是将输入数据在空间维度上卷积，无论输入是二维数据还是三维数据，输出都是二维特征图，导致高光谱数据的光谱信息丢失。对于三维卷积运算，输入数据可以在空间和光谱维度上进行卷积。此外，三维卷积运算的输出是三维立方体，它可以保留高光谱图像的光谱信息。 HI包括空间和光谱信息。在本研究中，将来自图像的空间和光谱信息整合起来，以构建CNN分类模型。此外，用于HI分类的3D-CNN不是基于图像级特征，而是基于像素级特征，输入数据是像素周围的一组空间光谱邻域立方体，而不是整个图像[24]. 与图像级分类任务不同，RS图像分类中应用的输入信息的空间尺寸较小，经过卷积后，特征图的空间尺寸进一步减小。通常，空间较小的卷积核可以用来避免输入数据的过度丢失。基于先前的研究[24,35,40,44]卷积核大小为3×3的3D-CNN模型在HI分类中表现出最好的性能，而卷积核为3×3x3的3D-CNN模型则在时空特征学习中取得了良好的效果[44]. 因此，在本研究中，将籽粒大小设置为3×3×3。此外，窗口大小设置为11×11，根据Zhang等人[24]卷积层步长为1。池层的内核大小为2×2×2，池层的步长设置为2。 2.4.2. 3D-Res-CNN分类模型的构建
3D-Res-CNN模型由四个卷积层、两个池层和两个剩余块组成。图9显示了模型体系结构，详细描述如下： - (1)
从HI收集数据。在这里，3D-CNN可以使用未经降维或特征滤波的原始数据，但本研究收集的数据量巨大，包含大量冗余信息。因此，为了使我们的模型更加快速和轻量级，通过主成分分析（PCA）降低了原始数据的维数，并提取了11个主成分（PC）进行进一步分析。以目标像素为中心，提取L×L×N大小的空间光谱立方体及其类别信息。这里，L×L代表空间大小，N代表图像中的带数。
- (2)
三维卷积运算后的特征提取。该模型包括四个卷积层和两个完全连接层。从上一步获得的空间光谱立方体（L×L×N）被用作模型的输入。第一卷积层（Conv1）包含32个卷积核，大小为3×3×3，步长为1×1×1，填充为1。32个输出三维立方体（cubes-Conv1）的大小为（L内核大小+2×填充）/步幅+1。将32个立方-Conv1输入到第二卷积层（Conv2），得到32个输出三维立方（立方-Conv）。对输入和立方Conv2的输出进行加法运算，并应用激活函数和池层（k=2×2×2，步长=2×2x2）进行下采样。因此，这些立方体的长度、宽度和高度减少到原始值的一半；32个输出三维立方体表示为立方体-Pool1。经过两轮以上的卷积运算，得到立方Conv4；对cubes-Pool1和cubes-Conv4执行了添加操作。应用激活函数和池层后，长度、宽度和高度再次减少到原始值的一半，32个输出立方体表示为立方体-Pool2。
- (3)
剩余区块。剩余结构由两个卷积层组成。数据被输入到第一卷积层（Conv1R），并使用校正线性单元（ReLU）激活函数。将Conv1R的输出输入到第二卷积层（Conv2R），并使用ReLU激活函数获得Conv2R的输出。对Conv1R和Conv2R.的输出进行加法运算，然后使用ReLU-激活函数获得整个剩余结构的输出。
- (4)
完全连接的层。对立方体-Pool2的特征进行了展平，并通过应用全连接层，将立方体-Pool2转换为大小为1×128的特征向量。
- (5)
逻辑回归。在完全连接的层之后添加逻辑回归分类器。Softmax用于多重分类。在展平输入数据的特征之后，可以将这些特征的概率附加到每个类别的树上。
模型的参数被随机初始化，并通过反向传播进行优化，以最小化网络损失并完成模型训练。在设置重量更新规则之前，需要一个合适的损失函数。本研究采用了适合处理大型数据集的小备份更新策略。损失函数的计算基于微差输入，公式如下：哪里年是真正的标签是预测的标签。 网络中的第一个完全连接层和卷积层使用线性校正单元（即ReLU）作为激活函数，其中公式为：f（x）=max（0，x）[27]. ReLU是一种广泛使用的非饱和活化函数。在梯度下降和训练时间方面，ReLU的效率高于其他饱和激活函数。最后一个全连接层使用softmax激活函数，所有神经元激活的概率值之和为1。 该网络将丢失添加到两个完全连接的层。根据概率，将神经元的输出设置为0，以限制隐藏单元的交互，使网络能够学习更稳健的特征，并减少噪声和过拟合的影响，最终提高神经网络的性能[45]. 构建网络后，配置训练过程，通过反向传播损失函数梯度更新三维卷积核的参数。批量大小为64，使用Adam优化器完成培训过程。Adam引入了动量和指数加权平均策略，可以自适应调整学习速率，加快模型收敛速度。其中，超参数设置如下：学习率=0.001，β_1=0.9，β_2=0.999，ε=1×10−8，并且衰减=0.0。这个模型被训练了300个时代。
2.5. 3D-Res CNN与其他模型的比较
为了测试3D-Res CNN模型在基于高光谱数据识别PWD感染松树中的性能，使用3D-CNN、2D-CNN和2D-Res CNN模型进行比较分析。
对于2D-CNN，主成分分析从原始高光谱数据的150个波段中生成11个主成分，并提取11×11×11数据作为原始特征。该网络包括四个卷积层、两个池层和两个完全连接层。卷积核的大小为3×3，每层有32个卷积核。3D-Res CNN的结构与2D-Res CNN相似。尽管3D Res-CNN与2D-CNN共享相同的参数，但它有五个卷积层，因为添加残差需要额外的卷积层。
2D-CNN、2D-Res CNN、3D-CNN和3D-Res CNN建模是使用Tensorflow框架在Python中实现的。操作平台包含Intel（R）Xeon（R）CPU E5–2620 v4@2.10 GHZ和NVIDIA GeForce RTX 2080Ti GPU。
2.6. 数据集划分和评估指标
我们把整个高光谱图像分成49小块(图10)，并在分析后将结果图缝合在一起。同时，我们选择了6块作为训练数据，2块作为验证数据，4块作为测试数据(图10). 每一个树类别都按5:1:4的比例分为训练、验证和测试数据集。每个类别的特定像素数如所示表3. 通过计算生产者准确度（PA）、平均准确度（AA）、总体准确度（OA）和Kappa系数值来评估分类准确度[46]. 公式如下：其中OA是总体准确性，k是类别数，电压是预测值，Vm是测量值，以及S公司是样本编号。 3.结果
400–1000 nm范围内阔叶树、早期感染松树和晚期感染松树的反射率曲线如所示图11在阔叶树和两个感染阶段的松树中，光谱反射率差异最明显的是绿峰（520-580nm）、红边（660-780nm）和近红外（720-900nm）。此外，我们使用的模型仍然错误地将早期感染的松树分类为阔叶树，因为早期感染松树的光谱与阔叶树相似(图11). 此外，2D-CNN在分类任务中没有取得令人满意的结果（OA:67.01%；图12和表4). 此外，它几乎无法在分辨率相对较低的高光谱图像中识别早期感染的松树，这可能会受到与阔叶树相似的树冠颜色、轮廓或纹理的干扰。此外，通过在CNN模型中添加剩余块，提高了精度。应用2D-Res CNN模型，OA从67.01%提高到72.97%，早期感染松树的识别准确率从9.18%提高到24.34%(图12和表4). 3D-CNN在区分三种树类别方面的性能优于2D-CNN。具体来说，3D-CNN的OA为83.05%，识别早期感染松树的准确率为59.76%(图12和表4). 将残差块应用于3D-CNN模型时，3D-Res-CNN获得了更好的结果，OA为88.11%，识别早期感染松树的准确率为72.86%。 所有模型的分类性能如所示图13综上所述，所有模型都成功地识别了阔叶树和晚期感染松树。此外，结果表明，添加残差块可以大大提高分类精度，并且与没有残差块的模型相比，训练参数和总训练时间几乎没有变化(表4). 更重要的是，将2D-CNN转换为3D-CNN后，OA得到了显著改善，训练参数和训练时间也大大增加，这表明训练时间的增加是一个有价值的权衡。 在我们的研究中，培训、验证和测试样本的比例为5:1:4；相对充足的训练样本使我们取得了良好的成绩。高光谱数据庞大而复杂，在CNN的训练过程中，需要大量的样本才能更好地掌握分类模型的有价值特征。如果没有足够的训练样本，CNN模型可能无法达到令人满意的精度。然而，在实际的林业管理中，特别是在大规模应用中，很难收集到足够的训练样本，这将耗费人力物力。因此，在实际林业应用中，即使使用较少的训练样本，也必须确保模型具有良好的准确性。
为了验证所提出的3D Res-CNN模型在给定较小大小的训练样本时是否能够保持相对良好的精度，我们将训练样本减少到总样本大小的40%、30%、20%和10%，并计算其各自的精度。测试样品的数量保持不变，其余样品添加到验证样品中。
图14显示了不同训练数据集条件下的分类精度和时间消耗。结果表明，当训练样本量从50%减少到20%时，3D-Res-CNN模型的分类精度略有下降。当训练样本量为10%时，由于训练数据集的规模较小，识别早期感染松树的准确性异常。当训练样本量减少到20%时，3D-Res CNN模型的表现几乎与2D-CNN和2D-Res CNN模型一样好，甚至更好。当训练样本量设置为20%时，3D-Res-CNN模型的OA和Kappa值分别为81.06%和70.29%，识别早期感染松树的准确率为51.97%，仍优于2D-CNN。总体而言，3D-Res-CNN模型的精度随着训练样本量的减小而降低，但精度仍能满足大面积林业应用的要求。此外，使用较小训练样本量的3D-Res CNN模型的训练时间比使用全套训练样本的训练时间短（例如，使用30%训练样本时减少22.61%），这加快了分类任务的训练过程。一般来说，我们的3D-Res-CNN模型可以在实际林业应用中使用较少的样本。 4.讨论
4.1. 不同模型的比较及剩余学习的贡献
本研究应用2D-CNN和3D-CNN模型对感染PWD的松树进行识别。基于空间特征的分类方法（如2D-CNN）在高光谱数据分类中存在一些局限性[47]. 在数据处理之前，需要降低原始高光谱图像的维数，将高光谱图像转换为类似RGB的图像。一方面，如果不进行降维，参数的数量将非常大，很容易过度拟合。另一方面，降维可能会破坏包含数百个波段的高光谱图像的光谱结构，导致光谱信息的损失和HI数据的一些特定属性的浪费。此外，高光谱图像的空间分辨率往往低于RGB图像，因此2D-CNN很难准确区分早期感染的松树和颜色、轮廓或纹理相近的树冠。 与需要对原始图像进行降维的2D-CNN不同，3D-CNN直接并同时从原始高光谱图像中提取空间和光谱信息。在本研究中，3D-CNN模型与其他模型相比具有更好的精度(表4和图12). 虽然增加了训练参数和训练时间，但分类精度也大大提高。用70分钟的训练时间换取20%以上的准确性是值得的。3D-Res CNN的整体训练时间（115分钟）完全可以满足大面积实际林业应用的要求。 在我们的工作中，通过添加残差块，模型精度大大提高。对于2D-CNN，添加残差块（即2D-Res CNN）后，OA从67.01%增加到72.97%，识别早期感染松树的准确率也提高了15.16%。对于3D-Res-CNN模型，与3D-CNN模型相比，OA（83.05%至88.11%）和识别早期感染松树的准确率（59.76%至72.86%）都有显著提高。此外，3D-Res CNN模型的训练时间仅增加了15分钟（3D-CNN训练时间的15%），而2D-Res CNN的训练时间与2D-CNN相比保持不变。这是因为通过残差CNN模型中的残差学习解决了网络的退化问题，从而可以获得更好的精度[36]. 因此，残差学习确实可以提高我们模型的分类精度，并且只增加了相对较短的训练时间。 4.2. PWD的早期监测
PWD已经摧毁了中国数十亿棵松树，导致了无数的生态和经济损失[5,11]. 因此，有必要在早期检测PWD并尽快采取预防措施。近年来，“早期监测”一直是森林有害生物研究的热点[18,48,49,50]. 然而，“早期”的准确定义很难确定，尤其是在PWD研究中。在本研究中，我们通过在一段时间内以相等的间隔连续观察特定松树，通过PWD确定早期感染的松树。一方面，除了PWD引起的松树树冠变色外，物候也会导致松树变色，这将影响“早期”的判断。另一方面，多时间观测特别耗时，因为一些实验需要几个月甚至几年的时间[18,19]. 一些学者用PWN接种健康松树，并将这些树定义为PWD感染的早期阶段[17]. 首先，这种方法只适用于小样本，不能用于实际的大规模林业应用。其次，人工注射PWN不同于其在自然环境中的感染机制（通过媒介昆虫）。更重要的是，这样的操作很难实施，接种率也无法保证[51]. 因此，这种方法不适合于实际林业应用。 在森林害虫的实际控制中，通常需要在单个时间点检测PWD并在此时采取控制措施，而不是长期观察。在单个时间点检测PWD已经满足了实际林业管理的要求。因此，在实际林业应用中，应提出一种快速简便的方法来确认PWD的发生。在此基础上，应在PWD感染的最佳监测时间（调查中）获取基于无人机的RS图像，并通过树冠的颜色初步估计PWD感染阶段。此外，应设计并应用一种可行的PWN引诱剂，以确定松树是否在大规模区域携带PWD。结合这两个过程，及时预防和控制大规模林业应用中的PWD是可行的。
4.3. 现有不足和未来展望
在这项工作中，我们应用3D CNN和残差块构建了一个3D-Res CNN，并将其用于森林病虫害检测的研究（本研究中为PWD，但它可以用于其他森林疾病和病虫害的检测），这在以前的工作中是没有研究过的。在我们的工作中，提出的3D-Res-CNN是检测PWD的最佳模型。与二维CNN相比，它可以同时从高光谱图像中直接提取空间和光谱信息，使我们在识别PWD感染松树时更加准确。此外，仅使用20%的训练样本，3D-Res CNN的OA和EIP准确率仍可达到81.06%和51.97%，这在基于高光谱图像的PWD早期检测中优于最先进的方法[11,19,20,31,48]. 然而，在我们的研究中，当我们使用所提出的模型时，我们首先进行主成分分析，而不是直接使用原始数据（因为原始数据太大），这使得我们的分类过程不太方便。此外，庞大的高光谱数据对GPU的要求更高，训练时间相对较长。因此，未来应设计一种轻量级、快速收敛的3D CNN分类模型。此外，在这项工作中，我们将整个高光谱图像分为49个小块，并使用不同的小块进行训练、验证和测试。虽然每一块都是不同的，并且通过这种方法可以减少模型的输入数据，但它们仍然属于单个日期的单个图像，这将影响模型的泛化能力。为了使我们的模型更加通用，我们将在下一个研究中使用多时间段高光谱图像进行PWD检测。 此外，有几种有效的方法可以提高分类模型的性能，这些方法也可以用于PWD和其他森林损害监测。首先，可以增加CNN模型的层次，并可以执行更多轮的残差学习来优化模型的准确性。He等人[36]提出了152层深度剩余网络（ResNet），大大降低了CNN模型的误差。其次，在处理海量高光谱数据时，也可以使用分裂变换策略，这将减少训练时间和计算成本。Szegedy等人[52]引入了一种剩余结构，提出了Inception-Resnet-v1和Incepton-Resnet-v2，并对Inception模块进行了修改，提出了Inception-v4结构。此外，Inception使用了一种拆分转换的策略：首先将输入数据分成几个部分，然后分别执行不同的操作，最后合并结果。通过这种方式，可以减少计算成本，同时保持模型的表达能力[30]. 基于《盗梦空间》的拆分-转换-合并策略，Xie et al[53]设计了一个ResNeXt模型，它比Inception和ResNet更简单、更高效。 在最近的研究中，Yin等人[54]将3D CNN和基于频带组的双向长短期记忆（Bi-LSTM）网络相结合，用于HSI分类。在该网络中，提取的光谱特征被视为处理序列数据的过程，而Bi-LSTM网络充当光谱特征提取器，以充分利用光谱带之间的关系。结果表明，该方法的性能优于其他HSI分类方法。在另一项研究中，Gong等人[55]提出了一种多尺度挤压激励金字塔池网络（MSPN），并使用了一种混合的2D-3D-CNN MSPN框架（可以用较少的训练样本学习和融合更深层次的空间谱特征）。结果表明，基于该方法的分类准确率为97.31%，仅使用0.1%的训练样本。这些方法轻量级且方便，也可用于检测PWD和其他森林病虫害。最近也有一些关于PWD监测的研究。例如，Zhang等人[56]设计了一种复杂景观中的时空变化检测方法，使用深度学习算法从图像中捕获目标的光谱、时间和空间特征，从而减少了树级PWD监测中的错误检测。在另一项研究中，为了获得受感染松树的详细形状和大小，应用高性能的深度学习模型（例如，用于语义分割的完全卷积网络）进行图像分割，以评估疾病的损伤程度，并取得了良好的效果[57]. 此外，尽管许多广泛使用的基于深度学习的HI分类方法取得了良好的分类精度，但这些方法往往伴随着大量参数、较长的训练时间和高复杂度的算法。因此，调整超参数通常是不方便的。这些局限性在于算法的理论研究和HI数据的高维性。因此，如何提高这些方法的泛化能力和模型的鲁棒性需要在未来的研究中进一步探索。
在本研究中，分类任务是基于监督分类方法执行的。该方法将每个样本标记为各自对应的类别，通过深度神经网络不断学习相应的特征，最终实现分类任务。为了估计分类模型的准确性，我们根据实地调查结果手动标记每个样本，这需要耗费时间和人力，并且导致样本量较小。为了解决这些问题，可以使用迁移学习和数据增强方法。例如，生成性对抗网络（GAN）[58]使用生成器和鉴别器，其中生成器的功能是产生目标输出，鉴别器的功能是区分输出中的真实数据。在训练过程中，捕获数据分布的生成器和估计概率的鉴别器通过持续对抗最终达到动态平衡：即生成器生成的图像与真实图像的分布非常接近。GAN还可以用于丰富高光谱数据：GAN学习高光谱图像中的一个类别，以生成与该类别特征相匹配的新数据，增加该类别中的数据量并扩大样本大小[59]. 此外，无监督分类方法[60]可用于使用端到端编码器-解码器方法构建网络。无监督方法可以解决深度学习模型依赖大量学习样本的问题。因此，在未来的大规模实际林业应用中，如病虫害控制中，可以考虑使用无监督分类模型，这将使森林管理者能够更好地掌握病虫害在森林中的分布和传播趋势。 另一种检测PWD的潜在工具是光探测和测距（LiDAR）。作为一种主动遥感技术，激光雷达可以穿透树冠，快速获取森林垂直结构的信息[61,62,63,64,65]. 更重要的是，激光雷达数据已广泛用于森林健康监测[21,24,61,62,63,64,65]. 当我们单独使用HI数据时，我们无法准确分割树冠，阴影、下层和重叠树冠很容易导致光谱混淆。激光雷达可以通过收集树木的结构特征来解决这些问题，从激光雷达数据中获得的指标也可以用于检测森林害虫[48,66,67,68]. 然而，HI和LiDAR的结合和融合在PWD检测中还没有得到很好的研究，这将在我们的下一个研究中进行。 综上所述，鉴于上述先进模型（例如，分裂变换策略、无监督分类方法、一些新的轻量级模型以及激光雷达数据的使用），我们还可以将其应用于PWD和其他森林损害监测。这些方法可以在未来的研究中实现准确、自动、，早期监测森林病虫害。
5.结论
本文应用三维CNN和残差块构造了一个三维Res CNN，用于基于高光谱图像的PWD早期检测。此外，我们比较了2D-CNN、3D-CNN、2D-Res-CNN和3D-Res-CNN模型在识别受PWD感染的松树方面的分类准确性。结果表明，3D-Res-CNN模型对PWD早期感染松树的检测最为有效。仅使用20%的训练样本，3D-Res CNN的OA和EIP准确率仍然可以达到81.06%和51.97%，这在基于高光谱图像的PWD早期检测中优于最先进的方法。此外，3D-Res-CNN可以同时从高光谱图像中提取光谱和空间信息，并添加残差模块以提高识别精度。虽然训练时间较长，但仍能满足大面积实际林业应用的要求。
更重要的是，在PWD检测中仍有许多障碍需要解决（例如，缺乏培训数据）。因此，我们希望在未来使用更有效、更轻量级的技术，在更大范围内对PWD进行早期监测。这将使森林管理者能够更好地确定PWD的分布和传播趋势，以便尽早采取预防措施，减少生态和经济损失。在应用大规模遥感数据监测大面积PWD时，开发此类方法至关重要。
