基于高光谱无人机影像的优化PSRI用于松材线虫病症状前检测

《Plants》：Pre-Visual Detection of Pine Wilt Disease Using an Optimized PSRI Derived from Hyperspectral Drone Imagery

　　

松材线虫病（Pine Wilt Disease, PWD）是一种由松材线虫（Bursaphelenchus xylophilus）入侵引起的毁灭性松树传染性病害。在感染早期快速准确地识别松树对于预防和控制其传播至关重要，尤其是在植株表现出明显变色症状之前进行早期预警和干预。植物衰老反射指数（Plant Senescence Reflectance Index, PSRI）已显示出在PWD早期检测方面的显著潜力。然而，现有研究通常使用其默认波段组合进行计算，这可能无法充分利用对症状前PWD胁迫更敏感的关键波长信息。基于无人机（Unmanned Aerial Vehicle, UAV）高光谱成像数据，本研究系统优化并重构了PSRI的三个波段参数，以探索更适合早期识别PWD感染树木的最优波长组合。结果表明，与PSRI的原始设置相比，490-666-700 nm的波长组合在早期感染阶段症状前识别受感染松树方面表现更好，检测准确率达到82.71%。研究人员的工作基于高光谱数据确定了一种对PWD症状前早期阶段更敏感的优化PSRI波长组合。该方法在可见症状出现之前对PWD进行症状前检测方面显示出有前景的潜力，可能为PWD监测和干预提供更早的机会。

松材线虫病（Pine Wilt Disease, PWD）是由松材线虫（Bursaphelenchus xylophilus）侵入寄主后引起的一种毁灭性松树传染性病害，主要通过墨天牛属（Monochamus spp.）昆虫传播。感病后线虫迅速干扰寄主树木的水分输导和生理过程，导致树势衰退、冠层变色乃至死亡，对松林健康和生态系统稳定构成严重威胁。由于PWD发展迅速，在症状出现前的“症状前”阶段及时发现异常遥感（Remote Sensing, RS）信号并采取针对性防控措施，对遏制疫情扩散、减少林业经济损失至关重要。然而，RGB和多光谱遥感受较宽波段设置的限制，难以捕捉感染早期由微弱生理生化变化引起的窄谱特征；高光谱遥感能提供密集采样光谱信息，可更有效地表征症状前胁迫信号。现有植被指数（Vegetation Indices, VIs）研究中，植物衰老反射指数（Plant Senescence Reflectance Index, PSRI）因其对叶绿素降解和类胡萝卜素相对变化敏感，被广泛用于PWD早期检测，但该指数通常采用固定波长组合（如500、680、750 nm），可能未能充分利用对症状前PWD胁迫更敏感的关键波长信息。为此，研究人员基于无人机（Unmanned Aerial Vehicle, UAV）高光谱影像，系统优化PSRI的三个波段参数，以探索更适于PWD症状前识别的最优波长组合。该研究发表于《Plants》。

该研究样地位于中国福建省福州市闽侯县青口镇（119°34′40″ E, 25°85′92″ N），面积约0.1 km²，林分以马尾松（Pinus massoniana）为主。2020年8月和11月采集无人机高光谱影像，所用平台为DJI M300，搭载GaiaSky-mini2-VN高光谱成像系统，飞行高度200 m，速度3 m/s，影像地面采样距离约6 cm/像素。样本定义上，以11月出现冠层变色的松树在8月尚未变色的冠层作为症状前早期感染样本，共选择95株症状前感染松树和96株已患病松树。技术方法上，采用单变量波长优化策略，固定其他两个波长不变，逐个替换PSRI公式中的三个波长参数，并以C4.5决策树分类器进行训练和测试（70%训练、30%测试），采用总体精度（Overall Accuracy, OA）和Kappa系数评估检测精度。

结果部分：

2.1 PSRI的最优波长筛选：通过单变量波长优化，系统评估不同波长对PWD早期检测的敏感性。结果表明，最优波长组合为490-666-700 nm。与传感器兼容的传统PSRI（503-679-749 nm）相比，该组合在PWD早期检测中具有更高的识别能力，说明经典PSRI预设波长并非PWD早期胁迫信号的最优选择。不同波长组合的识别结果可视化显示，490-666-700 nm组合在8月症状前感染松树冠层内产生了最明显的阳性PSRI响应，像素分布更清晰且空间连续，表明该组合对可见变色前的生理变化更敏感。

2.2 精度评价：通过像素级混淆矩阵比较两种波长组合。PSRI（490-666-700 nm）对症状前感染树像素的漏分率仅为6.00%，但部分病树像素被误分为症状前感染组；PSRI（503-679-749 nm）对症状前感染树像素的漏分率高达27.09%，虽然病树像素误分减少。总体精度上，优化组合达到82.71%，高于传统组合的75.65%。进一步的可视化判别图显示，优化PSRI的阳性响应并非随机分布，而是主要集中在11月出现可见症状的树冠内，且单个树冠内具有空间一致性，说明该指数能够在肉眼可见变色前捕获与PWD相关的冠层光谱异常。

讨论部分：研究人员指出，VIs通过对不同光谱波长进行线性或非线性组合，可降低辐射定标误差、大气水汽干扰和光照变化等外部因素影响，增强遥感信息可解释性。优化后的红波段（666 nm）和红边过渡区（700 nm）均向红边方向移动，提示早期PWD胁迫信息可能集中在叶绿素强吸收带和红边过渡带附近，与病害导致的叶绿素含量降低和光合作用受损等生理过程一致。在分类方法上，研究选择C4.5决策树算法，因其具有较好的非线性特征表达能力、高计算效率和规则可解释性。关于早期检测精度，文献中多数针对症状前PWD的研究精度低于80%，如Pan等报道50%，Shi等结合光谱与纹理特征仅达62.5%，Yu等报道77%，而本研究达到82.7%，表明波长优化有助于提高症状前判别能力。研究局限性包括：未与机器学习/深度学习方法进行系统比较；缺乏独立多站点数据集验证普适性；症状确认仅依赖11月单次时间点，难以判断个体发病早晚；单变量优化未穷尽所有三波长组合，可能非全局最优，且单波长易受噪声影响。未来需建立统一基准数据集和标准化评价协议，进行多地点、多树种、多环境条件下的独立验证，并采用多时相监测和更全面的波长搜索策略。

结论：基于无人机高光谱影像数据，研究人员重构并优化了PSRI的波长结构，以检测PWD的早期胁迫信号，获得了具有增强灵敏度的优化波长组合（490-666-700 nm）。结果表明，与原始PSRI参数相比，优化指数能更有效地表征可见症状出现前的细微光谱变化，显著提高对早期感染松树的识别能力。进一步研究揭示了红边过渡区在PWD早期响应中的关键作用，验证了针对特定病害情境优化植被指数参数的必要性和可行性。在本研究实验条件下，优化PSRI展示了改善PWD症状前判别能力。然而，其在不同松树物种、地理区域、冠层结构和环境条件下的普适性仍有待验证。因此，多地点和独立数据集验证将是确立优化PSRI在更广泛PWD监测和早期预警应用中稳健性和实用性的重要步骤。