基于人工智能的松树枯萎病无人机遥感与全球定位系统研究

工程6（2020）919研究大地测量与测量工程-文章基于人工智能技术的Mutiara Syifa，Sung-Jae Park，Chang-Wook Lee韩国江原道24341江原道国立大学科学教育部阿提奇莱因福奥文章历史记录：收到2018年2020年3月4日修订2020年6月30日接受2020年7月7日在线保留字：松树枯萎病无人机遥感人工神经网络支持向量机全球定位系统A B S T R A C T松树枯萎病（PWD）最近在韩国造成了大量的松树损失由于松树对韩国人的重要性，PWD被认为是一个严重的问题，因此必须妥善处理这个问题。在此之前，我们研究了PWD的历史，发现它已经传播到大韩民国的一些地区;这些地区成为我们的研究领域。需要早期发现PWD。我们使用无人机遥感技术来检测与感染PWD的树木症状相似的树木。采用无人机遥感是因为它可以产生高质量的图像，并且可以很容易地到达松树的位置。为了区分健康的松树和患有PWD的松树，我们使用两种分类器方法对从安比村和元昌村收集的无人机图像进行分类，制作了土地覆盖（LC）地图，即，人工神经网络（ANN）和支持向量机（SVM）。此外，比较了使用无人机和手持设备收集的两种类型的全球定位系统（GPS）数据的准确性，用于识别PWD树木的位置。然后，我们将无人机图像划分为每个研究区域的六个LC类，并发现SVM在用PWD对树木进行分类时比ANN更准确在Anbi中，SVM的总体准确率为94.13%，比ANN的总体准确率（87.43%）高6.7%。我们在元昌也得到了类似的结果，SVM和ANN的准确率分别为86.59%和79.33%。在GPS数据方面，我们使用了两种类型的手持GPS设备。GPS设备1通过参考位于两个位置上的基准来校正，而GPS设备2是仅使用GPS的默认设置的未校正设备。在元昌，从手持GPS设备1收集的数据优于使用手持GPS设备2收集的数据。然而，在Anbi，我们从GPS设备2获得了比GPS设备1更好的结果。在安比，GPS设备1的数据误差为7.08米，而GPS设备2的数据误差为0.14米。总之，这两个分类器可以区分健康的树木和PWD的基础上LC数据。LC数据也可用于其他类型的分类。这两个地区的手持和无人机GPS数据集之间存在一些差异©2020 THE COUNTORS.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍松树对韩国来说是必不可少的，无论是文化还是精神[1]。大韩民国有广阔的松树林（松树和黑松总面积为1507118hm2，占森林总面积的23.5%[2，3]。1980年，在韩国釜山首次发现松树枯萎病。这导致了严重的损失，被认为是对韩国松林的严重威胁的*通讯作者。电子邮件地址：cwlee@kangwon.ac.kr（C.- W. Lee）。目前韩国60多个城市的受灾面积达7820hm2[4]。PWD是由一种线虫引起的，即松材线虫，它是由被称为松天牛的昆虫媒介传播的。该媒介在6月初至7月下旬感染树木，这是成年松锯天牛的成熟取食时间[4，5]。PWD起源于北美[6PWD的传播与环境因素密切相关，例如土壤的温度和含水量[11]。松树枯萎线虫（PWN）攻击松树，大多数松树https://doi.org/10.1016/j.eng.2020.07.0012095-8099/©2020 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程杂志主页：www.elsevier.com/locate/eng920海里。Syifa等人/工程6（2020）919三个月内死亡[1，12，13]由于熏蒸、焚烧和砍伐树木是目前控制PWD传播的唯一方法，因此需要对该问题进行适当处理，例如早期检测[1，14]。无人机遥感被认为有可能帮助解决这一问题。它灵活且成本低，无人机平台可以配备高分辨率遥感系统[15]。无人机或无人机（UAV）图像已被广泛应用于解决林业和农业[15-在PWD的早期检测的情况下，具有在秋天之前变成棕色的叶子的松树被分类为PWD指示树。无人机是有用的，因为很难从实地研究中识别受感染的松树[13]，因为树木的位置通常在山上。森林的地形特点也使得直接进入森林非常困难。此外，感染PWD的松树并不总是能通过肉眼识别，因为它们是从下面观察的。在获得无人机图像后，我们使用监督分类来识别受PWD影响的树木的位置。人工神经网络（ANN）和支持向量机（SVM）是两种广泛使用的分类器，具有已证明的分类精度[26，27]。在这项研究中，我们使用人工神经网络和支持向量机分类器来识别树木的PWD的迹象。基于ANN和SVM的分类结果，下一步是使用误差矩阵评估其准确性。确定分类器的准确性是非常重要的，这样我们就可以评估它们对特定目标的有效性。这将使投保人，评估人员和其他利益相关者能够在林业研究人员证明这些树木确实受到PWD线虫感染后轻松识别和处理PWD指示的树木。此外，除了使用无人机全球定位系统（GPS）数据外，我们还使用了两种手持GPS设备来采集现场数据，并分析了无人机和手持GPS设备的结果之间的差异。观察到差异即使数据是从同一地点收集的。必须了解手持GPS设备和无人机GPS设备的结果之间的差异，以了解误差分布。总之，本研究的目的是确定最有效的分类器，用于检测PWD指示的树木，并阐明从手持GPS设备和无人机GPS设备收集的结果之间的差异。2. 材料和方法2.1. 材料高清晰度无人机图像（DJI Phantom 4 V 1.0; DJI，中国）和来自两个手持GPS设备（Garmin Oregon 750 T; Garmin，瑞士）的GPS数据用于收集研究区域的数据我们重点关注两个地区，即位于韩国江原道 春 川 市 的 Anbi 和 Wonchang 村 ， 北 纬 37°50016.0800 ， 东 经127°34059.88 00和北纬37°48021.2400，12 7°4 6030.3 600E。选择这两个地点是因为它们以前的PWD记录，所以我们假设即使专家已经从这些地区根除了这种疾病，仍然存在一些PWN。原昌村和安壁村的研究区域如图所示。1（a）.无人机图像于2018年9月16日从安比收集，于2018年9月23日从元昌收集。GPS数据于2018年10月5日从这两个地区收集。在识别PWD指示的树木之前，用于校正GPS设备1的结果的元昌基准纪念碑（图1（b）和（c））。的图1.一、（a）研究领域，即，地球资源卫星8号图像所示的位于大韩民国春川市的元昌村和安壁村;（b）元昌有两棵标明PWD的树，该图像显示了第一棵候选树;（c）元昌有第二棵标明PWD的树。基准碑又称测量标，是在地球表面上用来定位测量重点的一种定点物，也是指示高程的标志。默认设置用于GPS设备2，然后GPS 2将其称为未校正的GPS。在安壁只有一棵PWD指示树，在元昌只有两棵PWD指示树。在这项研究中，我们使用了以下软件：Agisoft PhotoscanProfessional处理无人机图像，BaseCamp 4.7.0版处理GPS数据，ArcMap 10.4和ENVI Classic 5.3进行分类和评估分类器的准确性。 为了对图像进行分类，我们将Anbi分为13个土地覆盖（LC）类，将Wonchang分为9个类，以便我们可以将指示PWD树木与其他类型的LC（如正常松树，草地，其他树种，裸露土地，道路和建筑物）区分开来。然而，某些类型的LC，如裸地，由于颜色相似而被归类为PWD。因此，对研究区的无人机图像进行分析是一项艰巨的任务。Wonchang和Anbi的分类方案和类别定义见表12.2. 方法在研究区域中映射PWD指示的树时，我们使用了两种类型的人工智能（AI）：ANN和SVM分类器。Yuan等人[16]使用ANN和SVM来估计指标M. Syifa等人 /工程6（2020）919-926921表1Wonchang和Anbi地区的土地覆盖分类和定义xj¼f.Xnwi jxibj！类别号在元昌的班级名称Abi中的类名类定义i-1其中下标i和j分别表示前一层和当前层;x是节点值;b和w分别是偏置值和权重值;n是前一层中的节点数;f表示当前层的传递函数。线性和对数sigmoid函数分别分配给输出层和隐藏层。已知这种组合对于增强ANN的外推能力是有效的[29，31]。为了最小化输出和输入数据之间的误差，我们使用了反向传播算法（BPA）来训练人工神经网络。因此，输入和输出通过网络重复馈送，并且错误从输出传播到输入层[32]。ANN模型中最关键的参数是神经元的数量;使用更多的神经元会导致更高的称为大豆叶面积指数（LAI），具有较高的准确度和精度。因此，我们评估了ANN和SVM分类结果，以使用误差矩阵方法计算两种分类器的准确度，该方法评估了总体准确度、Kappa系数、生产者准确度和用户准确度。除了评估两种分类器的准确性外，我们还将无人机GPS结果与两个研究区域的手持GPS结果进行了比较。为了评估这些差异，我们将使用无人机识别的每个PWD指示树的中心点与手持GPS设备的结果进行了比较。一般来说，我们的方法分为四个阶段：无人机图像收集，图像分类，精度评估，以及分类结果与GPS结果的比较，如图所示。 二、2.2.1. 人工神经网络人工神经网络是一种数学框架，旨在通过加强输入和输出数据之间联系的并行过程来模拟人类学习过程[28，29]。人工神经网络最常见的实现之一，我们也在本研究中使用，是前馈网络（FFN）。这是一个由输入层、隐藏层和输出层组成的非参数非线性模型[30]。所有ANN都有特定数量的节点，这些节点在后续层中以特定的权重和偏差相互链接FFN定义为：图二. 本研究中使用的方法流程图，以确定ANN和SVM分类器的准确性，并将无人机GPS数据与两个手持GPS设备的数据进行比较。学习精度，但削弱了ANN的泛化能力[28]。在这项研究中，我们的工作基于Kavzoglu我们使用ENVI Classic 5.3来训练神经网络，采用逻辑激活方法，训练阈值贡献和动量被设置为0.9，而速率场、均方根（RMS）退出准则和训练迭代次数分别被设置为0.2、0.1和100。2.2.2. 支持向量机SVM是一种基于统计学习理论的机器学习方法。支持向量机最初由Cortes和Vapnik[34]提出，是基于结构风险最小化（SRM）而不是经验风险最小化（ERM）的非参数算法，后者由ANN采用。ERM旨在最大限度地减少分类器使用的训练数据中的错误，而SRM旨在最大限度地提高待分类数据组之间的边际，从而最大限度地提高模型的泛化能力[35]。当实现SVM时，必须使用适当的核函数，即，这反映了数据点之间的相似性[36]。我们使用径向基函数（RBF）内核，因为它在非线性分类算法中具有出色的性能[37，38]。在这项研究中，惩罚参数和伽玛分别设置为100和0.05，以生成最准确的模型。3. 结果使用ENVI Classic中实现的ANN和SVM分类器对从两个研究区域收集的无人机图像进行分类5.3.除无人机图像数据外，亦收集GPS数据，以便我们可评估从无人机及手持式GPS装置收集的GPS数据之间的差异。图像分为六类：PWD指示的树木，正常的松树，草和树木，道路，阴影和元昌裸露的土地。在Anbi中，我们使用了以下类：PWD指示的树、正常的松树、草和树、建筑物、道路和阴影。分类准确性采用逐像素分层抽样方法进行评估。从无人机图像中随机选择每个类中的像素，然后将其用作参考点，并将其与SVM和ANN分类器在两个领域的结果进行比较。我们使用Microsoft Excel计算矩阵并评估总体准确度、Kappa系数、生产者准确度和用户准确度，以便我们可以比较两个参考误差矩阵。kappa系数是一种离散多变量技术，通常用于测量准确性[39]。Kappa系数被解释为一种集体判断，在排除偶然一致性后达成一致[40]。因此，我们认为，12PWD指示树普通松树PWD-指示树普通松松树被假定感染PWD松树看起来是绿色的，3草木树草和健康草和其他树种树木(not松树）4路路道路区域5阴影阴影阴影区域6裸地-未覆盖7-建筑被任何东西房屋或建筑面积922米。Syifa等人/工程6（2020）919我们计算从ANN和SVM分类结果获得的每个误差矩阵的Kappa统计量，以确定哪个分类器产生最佳结果。3.1. 安壁村从Anbi收集的无人机图像被分为六类，这些类别是从13个基本类中合并而来的。由于图像中对象的颜色差异，例如建筑物，可以有许多屋顶颜色，因此指定了13个类。因此，将图像分为13类使得算法更容易对图像进行分类。在获得分类结果后，我们合并了几个代表相同对象的不同颜色的类。由此生成的六个类别是：PWD指示的树木、正常的松树、草和树木、建筑物、道路和阴影，如图3所示。为了对图像进行分类，我们为每组训练了五个具有相似颜色的多边形。我们总共使用65个样品来生成LC图。在这种情况下，SVM（图3（a））比ANN（图3（b））更好地区分PWD指示的树。图3（c）示出了图像的一些部分，示出了具有与PWD指示的树相似的颜色的项目，诸如建筑物和道路。ANN和SVM分类器都将这些树分类为具有与PWD指示的树相同的颜色，但SVM更好地识别了这些树。3.2. Anbi分类在表2和表3中，我们总结了ANN和SVM算法的PWD分类结果的误差矩阵。两种方法都基于分析358个像素：59个来自PWD指示的树木的像素，60个来自正常松树的像素，60个来自草和树木的像素，60个来自建筑物的像素，59个来自道路的像素，以及60个来自阴影的像素。所有样本数据均采用多项概率理论和分层随机抽样方法。支持向量机的总体准确率为94.13%，而人工神经网络的准确率为87.43%。两种方法的kappa系数分别为0.9296或92.96%和0.8492或84.92%。3.3. 元昌村土地分类结果我们最初将从元昌收集的无人机图像分为9类，因为一些物体具有不同的颜色，然后通过合并相同物体的类将结果简化为6类。如图4（a）和（b），使用SVM和ANN生成的原昌土地分类图有六个类别。类别是根据其相似性划分的，如图1中的无人机图像所示。 4（c），有许多不同类型和颜色的图3.第三章。Anbi的土地分类图，使用（a）SVM和（b）ANN从（c）无人机图像数据生成这些图像被分为六类：PWD指示的树木（橙色），正常的松树（浅绿色），草和树木（绿色），建筑物（蓝色），道路（浅灰色）和阴影（灰色）。M. Syifa等人 /工程6（2020）919-926923表2使用人工神经网络对Anbi进行分类的误差矩阵。类PWD普通松草木建筑道路阴影班级总数PWD指示树510064061普通松树046700053草木095100161建筑600532061道路140153059阴影112005963参考文献共计596060605960358表3使用SVM分类Anbi的误差矩阵。类PWD普通松树草木建筑道路阴影班级总数PWD指示树580042064普通松树060600369草木005300053建筑100564061道路000053053阴影001005758参考文献共计596060605960358植被，包括灌木、草和可归为一类的树种。然而，为了使分类器能够快速区分类别，我们使用SVM和ANN对九个类别进行分类。与Anbi的情况一样，我们根据它们的相似性合并了SVM和ANN类别。比如，草、灌木、树木，被合并为一个类。总的来说，由两个分类器生成的分类结果可以区分PWD指示的树，但是SVM分类器产生比ANN分类器更好的结果，如图1A和1B所示。4（a）和（b）。在元昌，SVM错误分类的一些地区，但没有那么多的人工神经网络分类的一些地区的PWD指示的树木，如裸露的土地和其他树种，这是类似的颜色PWD指示的树木，由于秋季高峰期的到来。3.4. Wonchang分类我们使用358个样本像素评估了元昌地区分类结果的准确性：59个像素来自PWD指示的树木，60个像素来自正常的松树，60个像素来自草地和树木，59个像素来自道路，60个像素来自阴影，60个像素来自裸露的土地。Wonchang的ANN和SVM分类器的准确性评估结果分别见表4和 表 5 支 持 向 量 机 的 分 类 准 确 率 （ 86.59% ） 高 于 人 工 神 经 网 络（79.33%），这意味着支持向量机在类间的区分能力，尤其是PWD指示的树，优于人工神经网络。这一结论得到了kappa系数的支持，支持向量机的kappa系数为0.8391或83.91%，人工神经网络的kappa系数为0.7520根据Landis和Koch（1997）的特征，这表明更强的一致性。3.5. GPS数据集从手持GPS设备和无人机GPS设备收集的坐标之间存在一些差异，如表6和表7所示。造成这些差异的原因有几个，例如GPS信号传播误差（随着信号穿过电离层而发生变化）和相对论效应。两种类型的GPS设备为安壁和元昌的PWD树提供了不同的坐标：手持GPS设备1的坐标数据在现场进行了校正，而手持GPS设备2的坐标数据没有进行校正，因为我们使用了默认值GPS设备的设置。在元昌，无人机GPS结果与从手持GPS设备2收集的结果之间的差距（差异为7.37和7.25 m）大于从设备1收集的结果（差异为9.75和1.22 m）。因此，校正坐标的GPS设备1产生了与无人机GPS设备更相似的结果。然而，在Anbi，GPS设备2的结果更接近（0.14和2.49米的差异）使用无人机GPS设备获得的结果。因此，在这种情况下，来自设备的默认数据产生比GPS设备1提供的校正数据更好的结果（7.08和7.08的差异）。3.37米）。4. 讨论通过使用ANN和SVM两种分类器对无人机图像进行分类处理，得到了Wonchang和Anbi的分类结果和精度评价，以及结果部分中已经提到的GPS数据集的差异。然而，有一些调查结果需要讨论，将在下一节中讨论。4.1. 安壁县土地分类图从支持向量机和人工神经网络分类器的分类结果来看，在地图上看起来略有不同，但它们的准确率却相差很大。然而，如果我们看一下两个分类结果（图1和图2），3（a）和（b）），其分类结果存在一定差异。例如，SVM结果中的PWD指示的树类没有ANN那么多，无论是对于PWD指示的树本身还是误分类区域。此外，其他类别，如道路，阴影，建筑物被检测到的一些领域，它不应该是，特别是对人工神经网络的分类结果。由于混淆矩阵（误差矩阵）法的分类结果与参考值的对应性，使得SVM和ANN在分类精度上存在差异，即使LC图看起来很相似。此外，该方法使用像素数来确定精度，无论是其整体精度还是Kappa系数。因此，即使PWD指示的树木阴影看起来彼此相似，所示的准确性结果也适用于经历错误分类的所有类别。924米Syifa等人/工程6（2020）919图四、使用（a）SVM分类器和（b）来自（c）无人机图像的ANN分类器生成的元昌土地分类图图像分为六类：PWD-指示的树木（橙色），正常的松树（浅绿色），草和树木（绿色），裸露的土地（粉红色），道路（浅灰色）和阴影（灰色）。表4元昌的误差矩阵，用人工神经网络分类。类PWD普通松树草木道路阴影裸地班级总数PWD指示树530000760普通松树0481100160草木0104500257道路012592064阴影6100582994荒地002002123参考文献共计5960605960603584.2. Anbi的准确度评估准确度评估代表生成的分类图的准确度。在准确性评估中，采用混淆矩阵计算像素数及其混淆度。从表2和表3可以看出，SVM的总体准确度和kappa系数比ANN更好。从每个表中，我们可以看到每个类的用户准确性，称为可靠性。表3中显示了一些类别的百分比非常高，例如草、树和阴影类别这意味着这些类实际上将出现在地面上，就像这张地图的用户去实地一样4.3. 元昌县土地分类图与安比村的结果一样，来自元昌的分类结果也略有不同，但准确性结果却如此不同。由于采用相同的方法计算精度，并采用像素数来确定整体精度和kappa系数，因此M. Syifa等人 /工程6（2020）919-926925表5Wonchang的误差矩阵，使用SVM进行分类。类PWD普通松树草木道路阴影裸地班级总数PWD指示树550000560普通松树046624058草木0135210167道路002560058阴影010056966裸地400004549参考文献共计596060596060358表6从Anbi收集的三个GPS数据集的比较类无人机GPS（m）手持式GPS 1（m）手持GPS 2（m）PWD指示树375 325.664375 318.589375 325.80744 188 772.272美元4 188 768.904差异7.080.143.372.49表7从元昌收集的三个GPS数据集的比较类无人机GPS（m）手持式GPS 1（m）手持GPS 2（m）PWD指示树1392 226.388392 229.760392 233.8884 184 732.8774 184 742.6304 184 740.248差异16 904.10美元16 908.229.757.37PWD指示树2392 215.327392 233.412392 233.8884 184 726.7054 184 725.4844 184 719.452差异18.08518.561.227.25分类和精度的结果似乎是相反的，可以解释。如果我们看通过的地图仔细在图4（a）和（b），特别是PWD指示的树类在ANN中具有比SVM更大的误分类区域。此外，还检测到裸露的土地和一些呈褐色的草地作为PWD指示的树，这使得ANN在Wonchang结果中具有比SVM更低的整体准确性。4.4. Wonchang的准确度评估与Anbi相似，在Wonchang的准确性评估也使用了相同的方法。误差矩阵法使我们能够生成整体精度和kappa系数。如表4和表5所示，SVM的总体准确度高于ANN，Kappa系数也是如此。该准确率百分比受分类结果和每个类别的准确率的影响。对于在其他类别中产生较低百分比的生产者准确性的裸露土地类别，这意味着只有35%的地面裸露土地正确显示在分类地图上，或者我们可以说地图中分类的裸露土地的概率只有35%。相比之下，该类别的用户准确度产生更好的百分比，其为91.30%，这意味着来自分类结果图的裸地类别是可靠的，即使其生产者准确度较低。然而，由于每个类4.5. GPS数据集手持GPS设备1和GPS设备2之间的差异手持GPS设备1被通过将GPS记录到元昌和安比附近的基准点上进行校正。同时，手持GPS设备2没有被校正到基准。如结果部分所述，由于一些技术原因，如GPS信号传播误差和相对论效应，可能会出现差异，但处理数据的工作流程和现场技术也可能在本研究中发挥作用。5. 结论我们使用ANN和SVM算法对来自Anbi和Wonchang的图像进行分类，并成功地将PWD指示的树木与无人机图像中观察到的其他类型的LC区分开来。我们从SVM分类器中获得了更好的结果，它具有更高的整体准确性（Anbi为94.13%，Wonchang为86.59%）比ANN分类器（Anbi为87.43%，Wonchang为79.33%）。与ANN分类器相比，Kappa系数在SVM的情况下表示更强的一致性（Anbi为0.9296，Wonchang为0.8391）。这表明SVM分类器可以比ANN更好地分类具有与PWD相似症状的LC类型或特定树。从所使用的三种设备获得的GPS数据集存在一些差异。校正后的手持GPS设备在元昌更准确，但在安比，提供原始数据的手持GPS设备的结果更接近无人机的结果。总的来说，这两种算法都成功地区分了PWD指示的树和无人机图像中显示的其他类型的LC。这些算法可供专家、政府和其他投保人使用，以促进PWD的早期检测，并帮助他们找到解决该问题的最佳方案。林业研究人员或专家的后续观察是926米Syifa等人/工程6（2020）919（c）须确定显示有PWD的树木是否真的受PWD感染。确认这项研究得到了韩国国家研究基金会的资助，由韩国政府提供（2017R1A2B4003258）。遵守道德操守准则MutiaraSyifa、Sung-Jae Park和Chang-Wook Lee声明他们没有利益冲突或财务冲突需要披露。引用[1] Shin SC.韩国松树枯萎病。In：Zhao BG，Futai K，Sutherland JR，TakeuchiY，editors. 松树枯萎病Tokyo：Springer; 2008.p. 26比32[2] 权海峡红松林的变化科学月刊2006;181：16韩国[3] Kwon TS，Shin JH，Lim JH，Kim YK，Lee EJ.通过预防性造林控制对韩国松树枯萎病的管理。生态管理2011;261（3）：562-9。[4] HanH ，Chung YJ， Shin SC. 韩国红松萎蔫病首次报道。Plant Dis2008;92（8）：1251.[5] 间宫日本松树枯萎病的历史 J Nematol 1988;20（2）：219-26.[6] Mota MM，Vieira P.松树萎蔫病：对森林生态系统的全球性威胁。Dordrecht：Springer; 2008. p.405[7] 韦伯斯特J，莫塔M.松树萎蔫病：全球议题、贸易与经济影响。In：Mota MM，Vieira PR，编辑. 松树萎蔫病：对森林生态系统的全球性威胁。Dordrecht：Springer;2008.[8] IkegamiM，Jenkins TAR. 利用物种分布模型和简单热力模型估算森林病害在当前和未来气候条 件 下 的 全 球 风 险 -- 以 松 树 枯 萎 病 为 例 。 对于Ecol Manage2018;409：343-52。[9] 富泰 湾日 本的松 树枯萎 病： 从第 一次发 病到现 在。 In ： Zhao BG ，Futai K ，Sutherland JR，Takeuchi Y，editors.松树枯萎病Tokyo：Springer;2008. p.5比12[10] 赵BG。中国的松树萎蔫病。In：Zhao BG，Futai K，Sutherland JR，TakeuchiY，editors. 松树枯萎病Tokyo：Springer; 2008.p. 18比25[11] 间宫松材线虫病的病理学研究。植物病理学年鉴1983;21（1）：201-20.[12] Kim JB，Jo MH，Oh JS，Lee KJ，Park SJ，Um HH.松材线虫危害面积的时空见：韩国农林气象学会2001年春季会议论文集; 2001年6月;韩国首尔;2001年。p. 49-52号。[13] 李伟光，林志华，李明，等.松树枯萎病的高光谱分析，以确定一个最佳检测指标.北京：科学出版社，2000.森林2018;9（3）：115。[14] KimMI，Lee WK，Kwon TH，Kwak DA，Kim YS，Lee SH. 利用便携式近红外相机检测指数对松材线虫病受害树进行早期检测。 J Korean Soc For Sci 2011;100（3）：374-81.[15] 邓丽，邵国.用于林业研究和实践的无人机遥感。J ForRes 2015;26（4）：791-7.[16] 袁红，杨刚，李春，王勇，刘军，于红，等。基于无人机高光谱遥感的大豆叶面积指数反演：RF，ANN，SVM回归模型分析。 远程传感器2017;9（4）：309。[17] 张文辉，张文辉，张文辉.用轻型无人机快照相机生成植被监测的3D高光谱信息：从相机校准到质量保证。ISPRSJPhotogramm Remote Sens 2015;108：245-59.[18] 冯强，刘军，龚军。利用随机森林和纹理分析进行城市植被制图的无人机遥感。 远程传感器2015;7（1）：1074-94。[19] 雷涛，张勇，陆健，庞正，付健，阚刚，等。无人机遥感在地震建筑物受损测绘中的应用。 在：第十届数字图像处理国际会议论文集; 2018年5月11日至14日;上海，中国; 2018年。第1080651页。[20] 作者：Yamazaki F，Liu W.地震后灾害评估的遥感技术：以2016年熊本地震为例在：第六届亚洲地震工程会议论文集; 2016年9月22日p. 8.第八条。[21] [10]李文辉，李文辉.基于无人机的Super-Sauze滑坡遥感：评估和结果。工程地质2012;128：2-11。[22] Giordan D，Manconi A，Tannant DD，Allasia P.无人机：用于滑坡高分辨率调查的低成本遥感。在：2015年IEEE国际地球科学和遥感研讨会论文集; 2015年7月26日p. 5344-7[23] Casagli N，Frodella W，Morelli S，Tofani V，Ciampalini A，Intrieri E，等. 用于滑坡测绘、监测和预警的航天器、无人驾驶飞机和地面遥感技术。《地球环境灾害》2017;4（1）：9。[24] [10]杨文辉，张文辉. 基于无人机的熔岩流场遥感调查：埃特纳火山1974年通道熔岩流的案例研究。Bull Volcanol2018;80（3）：29.[25] Rüdiger J，Lukas T，Bobrowski N，Gutmann A，Liotta M，de Moor M，etal.《老化火山羽的成分变化-使用无人驾驶飞行器分析火山排放物中的气态SO 2、CO 2和卤素物种》。在：EGU大会会议记录; 2017年4月23日至28日;维也纳，奥地利; 2017年。p. 892.[26] 熊毅，张智，陈锋.基于遥感影像的城市土地利用/覆被分类人工神经网络和支持向量机方法的比较-2010年计算机应用与系统建模国际会议论文集; 2010年10月22-24日;中国太原; 2010年。p. V13-52[27] 梁丹，关强，黄伟，黄丽，杨刚。基于支持向量机回归的冬小麦叶面积指数遥感反演。农业工程学报（北京）2013;29（7）：117-23.[28] Yoon H，Kim Y，Ha K，Lee SH，Kim GP.预测淡水-盐水界面波动的ANN和SVM时间序列模型的比较评估。水2017;9（5）：323。[29] Murmu S ， Biswas S. 模 糊 逻 辑 和 神 经 网 络 在 作 物 分 类 中 的 应 用 。 AquatProcedia2015;4：1203-10.[30] 袁H，范德维勒CF，Khorram S. 陆地卫星TM图像土地利用/土地覆盖分类的自动人工神经网络系统。Remote Sens 2009;1（3）：243-65.[31] 迈尔人力资源部丹迪总经理水资源变量预测和预报的神经网络：模型问题和应用综述。Environ Modell Software 2000;15（1）：101-24.[32] Kadavi PR，Lee CW.基于人工神经网络和支持向量机的阿留申弧火山岛土地覆盖分类研究GeosciJ 2018;22（4）：653-65。[33] 科尔克森·卡夫兹奥卢 土地覆盖分类支持向量机的核函数分析。Int J Appl Earth ObsGeoinf 2009;11（5）：352-9.[34] CortesC，Vapnik V. 支持向量网络。 Mach Learn 1995;20（3）：273-97.[35] Lu D，Batistella M，Li G，Moran E，Hetrick S，Freitas CDC，et al. Landuse/coverclassification in the Brazilian Amazon using satellite images. PesquiAgropecuBras 2012;47（9）：1185-208.[36] Verrelst J，Muñoz J，Alonso L，Delegido J，Rivera JP，Camps-Valls G，et al.用于生物物理参数检索的机器学习回归算法：Sentinel-2和-3的机会。 远程传感环境2012;118：127-39。[37] Liaw A，Wiener M.使用randomForest进行分类和回归。R News2002;2（3）：18-22.[38] Zhai S，Jiang T.一种新的粒子群优化支持向量机用于树叶目标自动识别系统。基于知识的系统2014;65：50-9。[39] 康加顿 遥感数据分类精度评估综述。遥感环境1991;37（1）：35-46.[40] CohenJ. ACoefficientofAgreementforNominalScales.EducPsycholMeas1960;20（1）：37-46.