基于分阶段识别的松材线虫病遥感监测研究进展

doi:10.13466/j.cnki.lczyyj.2025.05.013

林草资源研究 ›› 2025›› Issue (5): 121-128.doi: 10.13466/j.cnki.lczyyj.2025.05.013

• 综述 • 上一篇

基于分阶段识别的松材线虫病遥感监测研究进展

杨晨¹(), 李一辰², 张茂宾¹, 李欣¹, 石文杰³, 泽桑梓⁴, 马云强¹()

1.西南林业大学林学院, 昆明 650224
2.云南大学国际河流与生态安全研究院, 昆明 650224
3.云南省科学技术院, 昆明 650224
4.云南省林业和草原有害生物防治检疫局, 昆明 650224

收稿日期:2025-05-16 修回日期:2025-09-28 出版日期:2025-10-28 发布日期:2026-04-17
通讯作者: 马云强,副教授,博士,主要研究方向为3S技术在林业有害生物监测预警中的应用。Email:mayunqiang@swfu.edu.cn
作者简介:杨晨,硕士研究生,主要研究方向为林业遥感。Email:ychen0826@163.com
基金资助:
国家自然科学基金“森林扰动景观对切梢小蠹和松墨天牛危害云南松的影响机制研究”(32460396)

Research progress on remote sensing of pine wilt disease based on phased prevention and control

YANG Chen¹(), LI Yichen², ZHANG Maobin¹, LI Xin¹, SHI Wenjie³, ZE Sangzi⁴, MA Yunqiang¹()

1. College of Forestry, Southwest Forestry University, Kunming 650224, China
2. Institute of International Rivers and Ecological Security, Yunnan University, Kunming 650224, China
3. Yunnan Academy of Science and Technology, Kunming 650224, China
4. Yunnan Forestry and Grassland Pest Control and Quarantine Bureau, Kunming 650224, China

Received:2025-05-16 Revised:2025-09-28 Online:2025-10-28 Published:2026-04-17

摘要/Abstract

摘要：

松材线虫病(PWD)因其发病迅速、致死率高,已成为严重威胁我国森林生态安全的重大病害之一。及时、精准的疫木监测是遏制疫情扩散的关键。针对松材线虫病疫木在早期、中期、晚期及末期不同发病阶段的生理与形态特征,系统梳理了卫星遥感、无人机遥感及多源遥感数据融合技术的松材线虫病监测原理与研究进展。卫星遥感在大范围中期、晚期及末期疫木调查中具有优势,但受限于时空与光谱分辨率,难以有效识别早期微弱信号;无人机可见光与多光谱遥感在中期、晚期监测中兼具高分辨率与低成本优势,但在早期生理胁迫阶段易出现漏检;无人机高光谱技术凭借连续窄波段优势,是捕捉早期细微光谱变化的最有效手段,但面临成本高与数据处理复杂的挑战。多源遥感数据融合技术通过整合多维度时空信息,能够弥补单一数据源的局限,是实现疫木全周期精细化监测的重要发展方向。针对当前研究存在的局限,建议研发低成本高灵敏传感器并构建全周期智能预警平台,为松材线虫病的科学防控提供理论依据与技术参考。

关键词: 遥感技术, 松材线虫病, 疫木, 应用进展

Abstract:

Pine wilt disease(PWD),characterized by rapid onset and high mortality rate constitutes a severe threat to forest ecological security in China.Consequntly,the timely and accurate monitoring of infected trees is imperative for mitigating its spread..Centered on the physiological and morphological attributes of PWD-infected pine trees across varying disease stages(early,middle,late,and terminal),this paper systematically reviews the monitoring principles and research progress in remote sensing unmanned aerial vehicle(UAV)remote sensing,and multi-source remote sensing data fusion technologies.The analysis reveals that while remote sensing exhibits distinct advantages in large-scale macroscopic surveys of infected trees at the middle,late,and terminal stages,its efficacy in detecting faint early-stage signals is hampered by constraints in spatial,temporal,and spectral resolution.UAV-based visible-light and multispectral remote sensing combine high spatial resolution with relatively cost-effectiveness for middle- and late-stage monitoring,however,they frequently fail to capture early physiological stress signals.Conversely,UAV hyperspectral remote sensing,benefiting from its continuous narrow-band characteristics,serves as the most potent approach for discerning subtle spectral changes at the early stage,despite challenges associated with high cost and complex data processing.By integrating multi-dimensional spatiotemporal information,multi-source remote sensing data fusion can mitigate the limitations inherent in individual data sources,representing an important development direction for achieving fine-scale,full-cycle monitoring of infected trees.Finally,considering the limitations of existing studies,this paper outlines future perspective on the development of low-cost,high-sensitivity sensors and the construction of full-cycle intelligent early-warning platforms,providing theoretical support and technical references for the scientific prevention and control of pine wilt disease.

Key words: remote sensing, pine wilt disease, infected trees, application advances

中图分类号:

S771.8
S763

杨晨, 李一辰, 张茂宾, 李欣, 石文杰, 泽桑梓, 马云强. 基于分阶段识别的松材线虫病遥感监测研究进展[J]. 林草资源研究, 2025,(5): 121-128.

YANG Chen, LI Yichen, ZHANG Maobin, LI Xin, SHI Wenjie, ZE Sangzi, MA Yunqiang. Research progress on remote sensing of pine wilt disease based on phased prevention and control[J]. Forest and Grassland Resources Research, 2025,(5): 121-128.

图/表 2

表1

表2

参考文献 50

[1]	周小杰, 任广波, 陈宗强, 等. 基于无人机多光谱遥感技术监测松材线虫病的实验研究[J]. 测绘与空间地理信息, 2023, 46(3):106-109.
[2]	ZHANG Liang, WANG Ping, XIE Guanglin, et al. Evaluating the impact of climate change and human activities on the potential distribution of pine wood nematode(Bursaphelenchus xylophilus)in China[J]. Forests, 2024, 15(7):1253. doi: 10.3390/f15071253
[3]	LV Yimeng, HUANG Jixia, FANG Guofei, et al. Study on the influence of landscape pattern on the spread of pine wilt disease from a multi-scale perspective[J]. Forest Ecology and Management, 2024, 568:122128. doi: 10.1016/j.foreco.2024.122128
[4]	叶建仁. 松材线虫病在中国的流行现状、防治技术与对策分析[J]. 林业科学, 2019, 55(9):1-10.
[5]	国家林业和草原局. 国家林业和草原局.国家林业和草原局公告(2024 年第 4 号)(2024 年松材线虫病疫区)[EB/OL].(2024-02-26)[2025-09-01]. https://www.forestry.gov.cn/c/www/gkzfwj/547482.jhtml.
[6]	王俊伟, 孙倩, 孙太元, 等. 松材线虫病综合防控技术研究进展[J]. 山东林业科技, 2024, 54(4):91-99.
[7]	董玉光, 郭芷晴, 蔡守平, 等. 高压注射2%甲维盐乳油对马尾松林多光谱特征的影响[J]. 福建林业科技, 2025, 52(1):57-63.
[8]	徐华潮, 骆有庆, 张琴. 松材线虫自然侵染对黑松、马尾松针叶含水量、色素及抗氧化酶活性的影响[J]. 林业科学, 2012, 48(11):140-143.
[9]	徐华潮, 骆有庆, 邹力骏, 等. 松材线虫自然侵染后对不同松树组织结构的影响[J]. 植物病理学报, 2013, 43(1):35-41.
[10]	蒋雪松, 戎子凡, 黄林峰, 等. 现代化技术在森林病虫害监测与预警中的研究进展[J]. 中国农业科技导报(中英文), 2025, 27(1):1-16.
[11]	邱万林, 宗世祥. 基于多光谱卫星影像与机器学习算法的松材线虫病受害林分识别研究[J]. 环境昆虫学报, 2023, 45(2):408-420.
[12]	张红梅, 陆亚刚. 无人机遥感技术国内松材线虫病监测研究综述[J]. 华东森林经理, 2017, 31(3):29-32.
[13]	RADOGLOU-GRAMMATIKIS P, SARIGIANNIDIS P, LAGKAS T, et al. A compilation of UAV applications for precision agriculture[J]. Computer Networks, 2020, 172:107148. doi: 10.1016/j.comnet.2020.107148
[14]	张兵. 遥感大数据时代与智能信息提取[J]. 武汉大学学报(信息科学版), 2018, 43(12):1861-1871.
[15]	潘沧桑. 松材线虫病研究进展[J]. 厦门大学学报(自然科学版), 2011, 50(2):476-483.
[16]	陶欢, 李存军, 程成, 等. 松材线虫病变色松树遥感监测研究进展[J]. 林业科学研究, 2020, 33(3):172-183.
[17]	王余康, 黄雷君, 李洋. 基于改进YOLOv8n的松材线虫病疫木检测方法[J]. 林草资源研究, 2025(1):114-125.
[18]	方国飞, 黄文江, 牟晓伟, 等. 松材线虫病疫情精准监测实践与展望[J]. 中国森林病虫, 2022, 41(4):16-23.
[19]	邹玉珍, 曾庆伟, 武红敢, 等. 变色立木卫星影像样本特征分析及应用[J]. 中国森林病虫, 2023, 42(3):1-8.
[20]	毛亦杨, 刘春燕, 曾庆圣, 等. 广东省新丰江水库周边地区2019年松材线虫病遥感监测分析[J]. 热带地貌, 2020, 41(1):1-8.
[21]	骆有庆, 刘宇杰, 黄华国, 等. 应用遥感技术评价森林健康的路径和方法[J]. 北京林业大学学报, 2021, 43(9):1-13.
[22]	武红敢, 王成波, 苗振旺, 等. 森林资源亚健康状态的卫星遥感预警技术研究[J]. 遥感技术与应用, 2021, 36(5):1121-1130. doi: 10.11873/j.issn.1004-0323.2021.5.1121
[23]	胡健波, 张健. 无人机遥感在生态学中的应用进展[J]. 生态学报, 2018, 38(1):20-30.
[24]	李华玉, 陈永富, 陈巧, 等. 基于遥感技术的森林树种识别研究进展[J]. 西北林学院学报, 2021, 36(6):220-229.
[25]	GREEN A A, BERMAN M, SWITZER P, et al. A transformation for ordering multispectral data in terms of image quality with implications for noise removal[J]. Ieee Transactions on Geoscience and Remote Sensing, 1988, 26(1):65-74. doi: 10.1109/36.3001
[26]	TUOMINEN S, NÄSI R, HONKAVAARA E, et al. Tree species recognition in species rich area using UAV-borne hyperspectral imagery and stereo-photogrammetric point cloud[J]. The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences, 2017, 42:185-194.
[27]	赵昊, 刘文萍, 周焱, 等. 基于半监督学习的松林变色疫木检测方法[J]. 农业工程学报, 2022, 38(20):164-170.
[28]	陈筱涵, 陈广生, 周均瑞, 等. 基于无人机影像和改进YOLOv11算法的松材线虫病变色疫木检测[J/OL]. 中国森林病虫,1-11(2025-08-05)[2025-08-10].http://zgslbc.bdpc.org.cn.
[29]	时启龙, 黄石明, 张明霞, 等. 基于无人机遥感和深度学习的松材线虫病疫木自动提取方法研究[J]. 西部林业科学, 2022, 51(5):28-33.
[30]	黄丽明, 王懿祥, 徐琪, 等. 采用YOLO算法和无人机影像的松材线虫病异常变色木识别[J]. 农业工程学报, 2021, 37(14):197-203.
[31]	ZHOU Yan, LIU Wenping, BI Haojie, et al. A detection method for individual infected pine trees with pine wilt disease based on deep learning[J]. Forests, 2022, 13(11):1880. doi: 10.3390/f13111880
[32]	YU Run, LUO Youqing, ZHOU Quan, et al. Early detection of pine wilt disease using deep learning algorithms and UAV-based multispectral imagery[J]. Forest Ecology and Management, 2021, 497:119493. doi: 10.1016/j.foreco.2021.119493
[33]	黄华毅, 马晓航, 扈丽丽, 等. Fast R-CNN深度学习和无人机遥感相结合在松材线虫病监测中的初步应用研究[J]. 环境昆虫学报, 2021, 43(5):1295-1303.
[34]	XU Shaoxiong, HUANG Wenjiang, WANG Dacheng, et al. Automatic pine wilt disease detection based on improved YOLOv8 UAV multispectral imagery[J]. Ecological Informatics, 2024, 84:102846. doi: 10.1016/j.ecoinf.2024.102846
[35]	YU Run, LUO Youqing, LI Haonan, et al. Three-dimensional convolutional neural network model for early detection of pine wilt disease using UAV-based hyperspectral images[J]. Remote Sensing, 2021, 13(20):4065. doi: 10.3390/rs13204065
[36]	LI Haocheng, CHEN Long, YAO Zongqi, et al. Intelligent identification of pine wilt disease infected individual trees using UAV-based hyperspectral imagery[J]. Remote Sensing, 2023, 15(13):3295. doi: 10.3390/rs15133295
[37]	黄小川, 王斌, 吴志军, 等. 冠层尺度的无人机高光谱染病单木识别[J]. 测绘与空间地理信息, 2024, 47(9):65-68.
[38]	李董, 汤启国, 王红波, 等. 农作物重大病虫害预警与应急防控技术研究现状与趋势[J]. 智能化农业装备学报(中英文), 2025, 6(1):25-40. doi: 10.12398/j.issn.2096-7217.2025.01.003
[39]	SHI Hao, CHEN Liping, CHEN Meixiang, et al. Advances in global remote sensing monitoring of discolored pine trees caused by pine wilt disease:Platforms,methods,and future directions[J]. Forests, 2024, 15(12):2147. doi: 10.3390/f15122147
[40]	杨国峰, 何勇, 冯旭萍, 等. 无人机遥感监测作物病虫害胁迫方法与最新研究进展[J]. 智慧农业(中英文), 2022, 4(1):1-16.
[41]	郑恒彪, 吉文翰, 郭彩丽, 等. 无人机遥感作物估产研究进展[J]. 南京农业大学学报, 2025, 48(1):1-13.
[42]	吴恒, 闫睿. 遥感技术在森林资源调查监测中的运用及发展探析[J]. 安徽农业科学, 2024, 52(9):99-1014.
[43]	付航, 孙根云, 赵云华, 等. 多尺度超像素分割和奇异谱分析的高光谱影像分类[J]. 中国图象图形学报, 2021, 26(8):1978-1993.
[44]	史舟, 梁宗正, 杨媛媛, 等. 农业遥感研究现状与展望[J]. 农业机械学报, 2015, 46(2):247-260.
[45]	张晓东, 杨皓博, 蔡佩华, 等. 松材线虫病遥感监测研究进展及方法述评[J]. 农业工程学报, 2022, 38(18):184-194.
[46]	GHAMISI P, RASTI B, YOKOYA N, et al. Multisource and multitemporal data fusion in remote sensing:A comprehensive review of the state of the art[J]. IEEE Geoscience and Remote Sensing Magazine, 2019, 7(1):6-39.
[47]	FRASER B T, BUNYON C L, RENY S, et al. Analysis of unmanned aerial system (UAS) sensor data for natural resource applications:A review[J]. Geographies, 2022, 2(2):303-340. doi: 10.3390/geographies2020021
[48]	MOSELHI O, BARDAREH H, ZHU Z. Automated data acquisition in construction with remote sensing technologies[J]. Applied Sciences, 2020, 10(8):2846. doi: 10.3390/app10082846
[49]	ZHANG Ning, CHAI Xiujuan, LI Niwei, et al. Applicability of UAV-based optical imagery and classification algorithms for detecting pine wilt disease at different infection stages[J]. GIScience & Remote Sensing, 2023, 60(1):2170479.
[50]	TAN Cheng, LIN Qinan, DU Huaqiang, et al. Detection of the infection stage of pine wilt disease and spread distance using monthly UAV-based imagery and a deep learning approach[J]. Remote Sensing, 2024, 16(2):364. doi: 10.3390/rs16020364

疫木阶段	颜色与特征	主要技术手段	应用特点
早期	针叶略微发黄,无明显形态变化	无人机高光谱、无人机多光谱、多源遥感数据融合	高灵敏度,捕捉细微光谱变化
中期	大多数针叶转变为黄褐色,局部针叶脱落	卫星遥感、无人机可见光、无人机多光谱、无人机高光谱、多源遥感数据融合	利用光谱差异进行识别
晚期	针叶变为红褐色,全株枯死	卫星遥感、无人机可见光、无人机多光谱、无人机高光谱、多源遥感数据融合	外部形态特征显著,易识别
末期	树冠稀疏、针叶脱落殆尽,枝干裸露呈灰白色	卫星遥感、无人机可见光、无人机多光谱、无人机高光谱、多源遥感数据融合	特征显著,可快速普查枯死木分布

传感器类型	技术特征	识别算法	适用阶段	评价指标	文献
可见光	分辨率高、使用成本低	PWDViTNet	早期、中期、晚期、末期	早期平均精度:83.4% 中期平均精度:92.3% 晚期平均精度:91.4% 末期平均精度:97.2%	[27]
		改进的YOLOv11	中期和晚期(感染木)、末期(枯死木)	平均精度(整体):97.7%	[28]
		U-Net	中期、晚期、末期	精确率:81.36%	[29]
		改进的YOLOv4	中期、晚期	平均精度:80.85% (异常变色木包含中晚期疫木)	[30]
多光谱	包含红边、近红外波段,能捕捉植被指数变化	改进的YOLOv5	早期、中期、晚期	早期平均精度:81.2%和87.2% 中期平均精度:92.9%和93.5% 晚期平均精度:86.2%和84.8%	[31]
		Faster R-CNN、 YOLOv4、支持向量机、随机森林	早期、中期、晚期	平均精度(早期):44.59%~48.88% 平均精度(中晚期):71.30%~78.63%	[32]
		Fast R-CNN	中期晚期(病树)、末期(枯死树)	中期晚期分类正确率:90%; 末期分类正确率:82%	[33]
		改进的YOLOv8	中期和晚期	杰弗西斯-马图西塔距离(Jeffesis-Matusita Distance,J-M距离)均>1.00,表明光谱可分性良好	[34]
高光谱	波段连续且丰富,光谱分辨率极高,数据量大	3D-Res CNN	早期、晚期	早期分类精度:72.86%; 晚期分类精度:96.51%	[35]
		改进的Mask R-CNN	早期、中期、晚期、末期	分类精度(早期):74.89% 分类精度(中期、晚期、末期):83.29%~87.86%	[36]
		支持向量机	晚期、末期	晚期阶段错分率:91% 晚期阶段漏分率:77% 末期阶段错分率:59% 末期阶段漏分率:18%	[37]

基于分阶段识别的松材线虫病遥感监测研究进展

Research progress on remote sensing of pine wilt disease based on phased prevention and control

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 2

参考文献 50

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王余康, 黄雷君, 李洋. 基于改进YOLOv8n的松材线虫病疫木检测方法[J]. 林草资源研究, 2025, 0(1): 114-125.
[2]	吴继来, 毛阳骏, 陈炎根, 胡澳, 吴艳萍, 史琰, 王懿祥. 疫木采伐后自然恢复对马尾松次生林树种生态位及多样性的影响[J]. 林草资源研究, 2024, 0(5): 86-95.
[3]	焦全军, 郑焰锋, 黄文江, 张兵, 张鹤译, 史宜梦, 吴发云, 付安民. 陆地生态系统碳监测卫星松材线虫病变色木识别指数研究[J]. 林业资源管理, 2023, 0(4): 123-131.
[4]	王补, 谭伟, 王贵林, 蒲秀青. 基于无人机多光谱影像的松材线虫病单木尺度监测[J]. 林业资源管理, 2022, 0(5): 107-117.
[5]	秦琳, 孟先进, 张水花, 薛亚东, 刘新科, 邢鹏. 北京三号卫星数据在松材线虫病遥感监测中的应用评价[J]. 林业资源管理, 2022, 0(4): 126-133.
[6]	刘顺利, 刘昌华, 张雷, 彭词清, 薛冬冬. 基于改进SSD的无人机影像松材线虫病变色木检测[J]. 林业资源管理, 2022, 0(3): 135-141.
[7]	王小昆, 王耀, 于世勇, 贾刚, 李大瑞. 基于遥感技术的全国营造林监测体系建设构想[J]. 林业资源管理, 2020, 0(5): 52-57.
[8]	武红敢, 王成波, 常原飞. 松材线虫病死松树云服务管理的探究[J]. 林业资源管理, 2019, 0(5): 68-75.
[9]	武红敢, 牟晓伟, 杨清钰, 王成波. 无人机遥感技术在重庆市沙坪坝区松材线虫病监测中的应用[J]. 林业资源管理, 2019, 0(2): 109-115.
[10]	张煜星, 曾伟生, 王雪军. 瑞典森林资源清查及遥感技术应用的基本做法和启示[J]. 林业资源管理, 2016, 0(2): 127-136.
[11]	徐济德, 张成程, 熬春光, 白卫国. 巴西森林资源监测对我国的启示[J]. 林业资源管理, 2013, 0(3): 125-128.
[12]	李忠平, 黄国胜, 曾伟生, 高显连, 杨雪清. 巴西森林资源监测及遥感技术应用的基本做法和启示[J]. 林业资源管理, 2012, 0(5): 125-128.
[13]	吴雪琼, 覃先林, 周汝良, 卢颖, 陈尔学, 李增元. 森林覆盖变化遥感监测方法研究进展[J]. 林业资源管理, 2010, 0(4): 82-87.
[14]	王小昆, 蒋爱军, 胡继平, 于晓光. 遥感技术在全国营造林综合核查中的应用研究[J]. 林业资源管理, 2008, 0(4): 132-136.
[15]	习妍, 牛树奎. 气候要素对松材线虫病疫情的影响研究[J]. 林业资源管理, 2008, 0(4): 74-76.