《Remote Sensing Applications: Society and Environment》：Integrating UAV multispectral and LiDAR data with field assessments to monitor chestnut ink disease severity
编辑推荐：
欧洲甜栗（*Castanea sativa* Mill.）是一种具有重要价值的树种，在欧洲自然分布且自古希腊罗马时代以来被广泛栽培。该树种易受多种生物因子的侵害，严重影响其生产力与经济效益。由疫霉属（*Phytophthora* spp.）引起的栗树墨水病
欧洲甜栗（*Castanea sativa* Mill.）是一种具有重要价值的树种，在欧洲自然分布且自古希腊罗马时代以来被广泛栽培。该树种易受多种生物因子的侵害，严重影响其生产力与经济效益。由疫霉属（*Phytophthora* spp.）引起的栗树墨水病（ink disease）数百年来一直威胁着 *C. sativa*，近几十年呈现出新的危害态势。因此，需要持续监测，通常通过地面目视评估树冠枯梢及特异性症状来完成。本研究通过整合无人机载多光谱（UAV-borne multispectral）和激光雷达（LiDAR）数据与2024–2025两个生长季在意大利中部两处栗树林进行的地面调查，扩展了墨水病监测的方法。研究人员对171株树进行了监测，使用四个严重程度等级评估树冠枯梢状况。研究人员导出了五个光谱植被指数（NDVI、GNDVI、RVI、ExNIR和NDExNIR）以及一个结构点密度指数，并用于对田间划分的树冠枯梢严重程度进行分类。模型总体精度为0.53，两个极端等级之间的直接混淆不常见，而中间严重程度等级之间频繁混淆。该研究流程可预测墨水病树冠枯梢等级的年度间变化，并提供了一种空间明确、可重复的决策支持工具，补充了专家现场评估。其主要操作价值在于通过识别严重受影响的树冠和健康树木来优先安排现场检查；中间严重程度等级需要谨慎解读并辅以现场验证。该监测方法可支持符合区域森林保护法规的管理决策，维持栗树林的生产和文化功能，并降低长期弃管风险。
# 栗树墨水病无人机遥感监测研究论文解读
## 一、研究背景与研究意义
栗树（*Castanea sativa* Mill.）是欧洲重要的经济和生态树种，覆盖约250万公顷，为山区社区提供了果实和木材资源。中世纪以来，栗树果实和木材支撑了山区居民的生计，形成具有多重功能的生产系统。然而，栗树正面临多种生物胁迫的威胁，其中由疫霉属卵菌（*Phytophthora* spp.）引起的墨水病历史最为悠久、危害最为严重。该病原体主要侵染根系，导致树木活力下降，树冠表现稀疏、叶片失绿、结果减少和叶片小型化等地上症状。近几十年来，气候变化导致的逆境胁迫可能增强了病原体毒力并增加寄主易感性，使墨水病的扩散和危害呈加剧趋势。
传统的墨水病监测主要依赖地面目视调查，这种方法虽然能够直接诊断，但耗时费力，在偏远山区尤其难以实施。中等程度的树冠退化往往难以从地面一致地评估，造成及时干预的窗口期缩短，形成监测缺口。因此，开发可扩展、客观、能够在个体树冠水平上评估疾病严重程度的工具具有重要的应用价值。
## 二、研究目的
本研究的总体目标是建立一种集成的个体树木监测框架，将无人机多光谱（UAV-MS）和激光雷达（LiDAR）数据与地面调查相结合，在传统栗树林中进行墨水病严重度评估和时空动态监测。具体包括四个目标：(i)绘制墨水病空间分布图并评估单株树严重度；(ii)表征不同严重度等级对应的光谱和结构冠层响应；(iii)开发并验证整合光谱和结构预测因子的随机森林分类器；(iv)利用年度间转移矩阵分析预测的病级变化动态。
## 三、研究方法
研究选取意大利中部马尔凯大区阿斯科利皮切诺省的两个传统栗树林——Altino（ALT）和Pozza（POZ）作为样地，分别海拔约1042米和600米。2024–2025年两个生长季，对171株树进行了连续监测，地面观测数据来自经过培训的团队基于树冠枯梢百分比的分级评估系统。
UAV数据采集使用DJI Mavic 3M（多光谱传感器，含绿光560±16nm、红光650±16nm、红边730±16nm和近红外860±26nm四个波段）及DJI Matrice 350 RTK配备Zenmuse L2激光雷达。两年间采用统一的飞行参数和地形跟随模式。多光谱图像使用集成阳光传感器采集的辐照度信息进行辐射校正。LiDAR数据在DJI Terra中分类处理，并采用Cloud-to-Cloud距离过滤及统计异常值去除。五个光谱植被指数在QGIS中计算并提取冠层中位值：NDVI、GNDVI、RVI、ExNIR和NDExNIR。LiDAR导出体素化点密度指数（点/体积分）。随机森林分类器采用Leaves-one-out交叉验证和Leaves-one-group-out交叉验证，并辅以Leaves-one-site-out（LOSO）和Leaves-one-year-out（LOYO）验证评估可迁移性，性能评估采用总体精度和macro-F1。
## 四、主要研究结果
**3.1 树冠尺度墨水病空间分布和量化**：地面调查和手动冠层分割生成了369份冠层数据。POZ样地以A级为最多，ALT紧随B级。2025年POZ有4株树因管理原因被移除。两站点间严重度分布有差异，这反映了空间异质性。
**3.2 墨水病严重度对光谱和结构指标的影响**：四个严重度类在所有站点和年度间对五种SVI的差异均极显著（留一行）。效应量大致较大，只有某些指数在POZ2025中度。D级与健康类的差异最一致显著分离，而B和C级重叠较多。C2C点密度和五种SVI在健康至严重范围内呈单调下降趋势。红边指数合成差异最大，特别是ALT2024。RF-LOOCV模型的变量重要度显示RVI和NDVI最重要。
**3.3 RF分类器性能与可迁移性**：RF-LOGOCV模型总体总体精度0.53，macro-F1 0.52。混淆矩阵显示A类（健康）最常正确分类为A/只要（58.1%/29.5%），D类正确分数71.8%；B和C类严重混淆。极端之间(A-VS-D)混淆稀少。LOSO精度0.41，LOYO精度0.50，说明站点差异的影响大于年份差异。K折叠交叉验证的POZ2024类A正确65.6%和类D正确85.7%；ALT2024类A正确12.5%而D正确94.1%；POZ2025各严重类较好（A 74.3%，B 57.1%，D 58.8%）；ALT2025类A-D正确率50%/60.9%。中等严重度（B/C）是主要的混淆来源。
**3.4 利用预测类的时间转移矩阵**：POZ转移矩阵显示49株未变化、19株转为更轻类、12株重化；ALT34株不变、47株转为更轻、6株趋重。作者强调这构成初步的预测趋势，而非生物学真正改善的证据。
## 五、讨论部分总结
整体工作显示了UAV集成为黑水病管理的决策支持价值，尤其适合用于识别严重受染树冠（D类）以支持现场优先级排序。模型比2020年研究相比有所扩展（多站点、多时间、多类），但仍明确指出中间类(B/C)需要谨慎。
限制因素包括：手动冠层分割（限制了系统性）、仅两生长季和两种植点、UAV采集条件虽被标准化但仍存在光照差异。结果要求将工作流程视为支持而非替代，必须保留专家现场验证。
## 六、结论
本研究整合了地面逐树评估和两生长季无人机数据。在光谱和结构特征上，墨水病严重度朝向高光谱存在可检出和一致的趋势。RF-LOOCV分类整体总体精度0.53。A-D极端级可靠识别，中间级(B和C)混淆明显。工作流作为棋盘镜象的支持工具比检测感染更有价值，长时期序列和自动化分割等后续步骤仍需纳入。未来需要更多种植区和更长系列，也需要对Phatophtora感染进行鉴定性验证（指不等于感染检测）。
```
