基于深度学习的Sentinel-2不规则时间序列重建实现中欧云杉树皮甲虫早期侵染监测

来自欧洲的研究人员针对云杉树皮甲虫（Ips typographus）侵染早期监测难题，开发了基于深度学习的Sentinel-2卫星不规则时间序列重建技术。该模型通过分析30万+未受干扰针叶林时序数据，实现了13周内84.5%精度的侵染检测，为森林病虫害实时监测提供了突破性解决方案。

　　

中欧地区挪威云杉(Picea abies)正面临气候变迁引发的极端天气胁迫，致使欧洲云杉树皮甲虫(Ips typographus)大规模暴发。这种害虫的子代种群会在侵染后6-10周内扩散侵袭新宿主，传统遥感监测在10周窗口期内难以捕捉可见症状。研究团队创新性地采用深度学习模型，处理Sentinel-2卫星的不规则时间序列数据，通过重建算法实现异常检测。模型在超过30万条健康针叶林时序数据上训练，独立设定异常阈值。地理隔离验证显示：10周内检测精度为生产者精度(PA)11.8%±8.4%/用户精度(UA)43.5%±24.5%，而将窗口期延至13周时精度显著提升至UA=84.5%±7.6%/PA=81.5%±1%。研究表明单靠Sentinel-2数据难以实现10周内广域早期检测，但该技术可作为近实时针叶林监测系统，适用于多种森林扰动检测场景，未来可补充地面调查工作。