利用遥感与机器学习早期检测小蠹虫侵害：综述
机器学习
2023-11-28 v3 人工智能
计算机视觉与模式识别
摘要
本文从三个主要视角——小蠹虫与寄主相互作用、RS 和 ML/DL——对早期检测小蠹虫所致树木死亡既往与当前进展进行了全面综述。与先前工作不同，本综述涵盖所有 RS 系统，并强调 ML/DL 方法以考察其优劣。我们基于多光谱或高光谱分析解析现有文献，并依据以下方面提炼其知识：小蠹虫物种与侵害阶段（以侵害早期为主）、寄主树木、研究区域、RS 平台与传感器、光谱/空间/时间分辨率、光谱特征、光谱植被指数（SVIs）、ML 方法、学习方案、任务类别、模型、算法、类别/簇、特征，以及 DL 网络与架构。尽管基于 DL 的方法与随机森林（RF）算法展现出有前景的结果，突显了其在可见光、热红外与短波红外（SWIR）光谱区域检测细微变化的潜力，它们仍有效性有限且不确定性高。为启发针对这些不足的新方案，我们从不同视角深入探析主要挑战与机遇，以深化对研究现状的理解并指引未来研究方向。
引用
@article{arxiv.2210.03829,
title = {Early Detection of Bark Beetle Attack Using Remote Sensing and Machine Learning: A Review},
author = {Seyed Mojtaba Marvasti-Zadeh and Devin Goodsman and Nilanjan Ray and Nadir Erbilgin},
journal= {arXiv preprint arXiv:2210.03829},
year = {2023}
}
备注
ACM Computing Surveys, 56, 4, Article 97, April 2024. https://doi.org/10.1145/3625387