松材线虫病要在针叶变色前抓出来：无人机高光谱加多尺度ViT，绿侵染期识别87.40%
核心概要
松材线虫病在针叶尚未明显变色时最难发现，RGB无人机影像缺少可见特征。研究构建面向无人机高光谱数据的多尺度视觉Transformer模型LMS-ViT，用光谱—空间特征融合模块、改进的高斯自注意力机制和多尺度特征金字塔捕捉中心像素与邻域的光谱差异。在山东烟台赤松林样区上，该模型对绿侵染期和早期感染树的识别准确率分别为87.40%和88.21%，总体精度87.90%、Kappa系数83.25%，参数量2.45 M。
深度剖析
松材线虫病的绿侵染期和早期感染树在无人机影像上几乎没有可见症状，识别难点集中在针叶轻微褪绿、病变区域极小的阶段。 此前的识别方法多针对中后期症状明显的病树，依赖传统机器学习分类器且主要利用光谱信息，未充分利用空间与纹理特征。 在山东烟台牟平沿海低山丘陵的赤松林，23块25 m×25 m样地经实地取样与显微镜形态鉴定确认296株健康树和113株感染树，其中绿侵染期12株、早期18株。
模型把像素级到冠层级的特征放在同一套多尺度层级里，并对中心像素与相邻像素的光谱差异单独建模。 做法是用分组卷积与深度可分离卷积组成光谱—空间特征融合模块，以高斯绝对偏置替换多头注意力中的相对位置偏置，再逐层减半通道构建特征金字塔。 对比实验在PyTorch框架、NVIDIA RTX 3090上统一实现，比较对象包括随机森林、2DCNN、3DCNN、HybridSN、ViT、MorphFormer和SSFIT。
在总体指标上，LMS-ViT的总体精度87.90%、平均精度87.79%和Kappa系数83.25%在对比模型中均列第一。 随机森林的总体精度为67.68%、Kappa系数56.34%，绿侵染期识别仅44.29%；MorphFormer总体精度84.60%，绿侵染期75.76%、早期71.64%。 LMS-ViT的总体精度比SSFIT的86.17%高1.73个百分点，Kappa系数比MorphFormer的80.02%高3.23个百分点；其参数量2.45 M、FLOPs 112.42 M、训练114分钟、测试25分钟。
启示与展望
结果来自山东烟台牟平沿海低山丘陵的赤松林，使用DJI Matrice M300 RTK搭载UHD185高光谱成像仪在2024年7月19日11时至14时采集，空间分辨率4.4 cm；模型在该研究区与统一实验设置下完成训练与测试。
样地标注需结合实地调查与高光谱数据逐株勾画感兴趣区，23块样地的标注耗时，难以直接适配大范围监测；数据采集要求晴空且风速不超过3 m/s，原始数据体量大使预处理与推理时间成本偏高，实时监测目前难以实现；模型依赖研究区特定光谱特征，对暴雨后或干旱等极端环境适应性较弱，也未考虑松毛虫和松针褐斑病等其他病虫害干扰。