[论文解读] Early Detection of Bark Beetle Attack Using Remote Sensing and Machine Learning: A Review

Seyed Mojtaba Marvasti-Zadeh, Devin W. Goodsman+2 more|arXiv (Cornell University)|Oct 7, 2022

Forest Insect Ecology and Management被引用 8

一句话总结

本综述综合了遥感与机器学习方法在针叶林中早期检测树蜂蛀蚀攻击的应用，重点分析了在视觉不可见的绿色攻击前期的光谱变化。尽管在特征学习和端到端建模方面取得进展，但经典机器学习（如随机森林）与深度学习方法在不同传感器和研究区域中的应用仍显示对细微早期光谱偏移检测效果有限。

ABSTRACT

This paper provides a comprehensive review of past and current advances in the early detection of bark beetle-induced tree mortality from three primary perspectives: bark beetle & host interactions, RS, and ML/DL. In contrast to prior efforts, this review encompasses all RS systems and emphasizes ML/DL methods to investigate their strengths and weaknesses. We parse existing literature based on multi- or hyper-spectral analyses and distill their knowledge based on: bark beetle species & attack phases with a primary emphasis on early stages of attacks, host trees, study regions, RS platforms & sensors, spectral/spatial/temporal resolutions, spectral signatures, spectral vegetation indices (SVIs), ML approaches, learning schemes, task categories, models, algorithms, classes/clusters, features, and DL networks & architectures. Although DL-based methods and the random forest (RF) algorithm showed promising results, highlighting their potential to detect subtle changes across visible, thermal, and short-wave infrared (SWIR) spectral regions, they still have limited effectiveness and high uncertainties. To inspire novel solutions to these shortcomings, we delve into the principal challenges & opportunities from different perspectives, enabling a deeper understanding of the current state of research and guiding future research directions.

研究动机与目标

• 为解决在出现可见症状前，特别是在视觉不可见的绿色攻击前期，实现树蜂蛀蚀攻击早期检测的迫切需求。
• 评估遥感与机器学习技术在检测与早期树体胁迫相关的细微光谱变化方面的有效性。
• 识别当前方法在数据稀缺、模型泛化能力及早期攻击阶段准确分类方面的局限性与研究空白。
• 系统比较文献中使用的遥感平台、光谱指数、机器学习算法及深度学习架构。
• 通过阐明关键挑战与机遇，为未来研究提供指导，以提升早期检测的准确性与可靠性。

提出的方法

• 系统性回顾与解析 2210.03829，分析 100 余项关于利用遥感与机器学习检测树蜂蛀蚀攻击的研究。
• 根据树蜂种类、攻击阶段（尤其是绿色攻击阶段）、寄主树种类型及地理区域对研究进行分类。
• 评估遥感平台（有人飞机、卫星、无人机）、传感器类型（多光谱与高光谱）以及光谱、空间与时间分辨率。
• 分析检测模型中使用的光谱特征、光谱植被指数（SVIs）及特征工程方法。
• 在不同学习范式与任务类别下，比较经典机器学习（如随机森林）与深度学习模型（如卷积神经网络、循环神经网络、变换器）的性能。
• 评估模型架构、超参数与性能指标，以识别在早期检测能力方面的优劣势。

实验结果

研究问题

• RQ1 早期树蜂蛀蚀攻击的关键光谱与时间指标是什么，特别是在视觉不可见的绿色攻击前期？
• RQ2 不同遥感平台与传感器类型（多光谱与高光谱）在从树蜂蛀蚀引发的早期树体胁迫中检测能力方面如何比较？
• RQ3 经典机器学习与深度学习模型在检测可见症状出现前树体健康状况的细微变化方面，各自的优势与局限性是什么？
• RQ4 当前方法在不同寄主树种、树蜂种类及区域环境条件下的泛化能力如何？
• RQ5 阻碍准确早期检测的主要技术与数据相关挑战是什么？新兴的机器学习/深度学习技术如何应对这些挑战？

主要发现

• 绿色攻击阶段（GAtt）是最早可检测的阶段，对人类观察者和传统遥感手段仍属不可见，因此是早期检测的主要目标。
• 尽管技术进步，深度学习与随机森林模型在检测可见光、热红外与短波红外（SWIR）波段中细微光谱变化方面仍表现有限且不确定性较高。
• 由于端到端学习、自动特征提取及对多光谱与时间序列数据中复杂非线性模式的更好处理能力，深度学习方法在性能上优于经典机器学习。
• 深度学习中的迁移学习与少样本学习能力在数据稀缺区域或标注样本有限的情况下，显示出提升检测能力的潜力。
• 光谱植被指数（SVIs），如NDVI、NDRE与SAVI，虽被广泛使用，但通常对视觉不可见胁迫的敏感度不足，难以实现早期检测。
• 缺乏标准化定义、数据标注不一致，以及不同物种与环境条件下攻击进程的差异，仍是阻碍模型泛化能力与可重复性的主要障碍。