近日，仲恺农业工程学院核心科研团队联合中国农业大学，在农业工程领域国际知名学术期刊 Computers and Electronics in Agriculture（《农业计算机与电子学》）发表题为“PineWilt-MultiSeg: Joint spatial–spectral learning enables precise detection of pine wilt disease”（PineWilt-MultiSeg：空间—光谱联合学习赋能松材线虫病精准识别）的研究论文。该期刊为中科院一区TOP期刊，被SCIE收录，影响因子为10.3。
图1. 研究论文在国际知名期刊《Computers and Electronics in Agriculture》在线发表
研究团队聚焦松材线虫病监测中“发现难、识别难、定位难”等关键问题，创新性地将无人机高分辨率遥感、多光谱感知与人工智能深度学习技术相结合，构建了松材线虫病多模态遥感数据集，并验证了空间—光谱信息联合学习在病害精准识别中的显著优势。研究成果为复杂林区松材线虫病的智能识别、精准定位及科学防控提供了新的技术路径，也为粤北地区森林资源保护和林业数字化、智能化发展提供了重要的科研支撑。
论文第一作者为仲恺农业工程学院农业与生物学院刘光华博士，韶关市华实现代农业创新研究院联合培养研究生熊艺霖参与研究，中国农业大学邓杰副教授为论文通讯作者。
一、森林里的“隐形杀手”：松树生病了，如何及时发现？
松树是我国重要的森林树种，在维护生态平衡、涵养水源、保持水土和固碳增汇等方面发挥着重要作用。然而，一种被称为“松树癌症”的森林病害——松材线虫病，正持续威胁着松林生态系统的健康与安全。松材线虫病具有传播快、危害重、防治难等特点。感病松树的水分运输系统受到破坏后，往往会逐渐出现针叶失绿、发黄、变褐乃至整株枯死等症状。在适宜条件下，感病松树可能在较短时间内死亡。如果不能及时发现并采取防控措施，病害还可能借助媒介昆虫进一步传播，造成更大范围的森林损失。对于松材线虫病防控而言，及时发现染病松树，是阻断病害扩散、降低生态损失的重要一步。
但在实际工作中，这并不容易。传统松材线虫病监测主要依赖人工进山巡查。面对山高林密、地形复杂、林区面积广等现实条件，人工巡查不仅耗时耗力，还容易受到巡查人员经验、林冠遮挡及交通条件等因素影响，难以满足大范围、高效率、精细化监测的需求。近年来，无人机遥感技术的发展，让森林病害监测逐步从“人走进森林找病树”转向“无人机飞上天空看森林”。
然而，新的问题也随之出现：无人机虽然能够拍摄高清森林影像，但仅凭树冠颜色和外观，人工智能真的能够准确判断哪些松树生病了吗？
尤其是在复杂林冠背景下，处于不同病害阶段的松树可能呈现相似的颜色和纹理特征，阴影、裸地以及其他植被也会干扰识别结果。依赖普通可见光影像，仍然难以充分获取病害引起的生理变化信息。
如何突破这一瓶颈，成为研究团队重点攻关的科学问题。
二、从“看得见”到“看得懂”：让无人机拥有两双“眼睛”
为解决这一难题，研究团队提出了一个新的思路：不仅要看清松树的外观，还要读懂松树的光谱信息。
普通RGB相机就像人的眼睛，能够清楚记录松树的颜色、形状和树冠纹理，帮助识别针叶变黄、树冠枯萎等可见症状。
而多光谱相机则像一双能够感知更多光谱信息的“特殊眼睛”，除可见光外，还能够获取红外、近红外等人眼无法直接分辨的光谱信号。这些信号与植物色素、冠层水分状况及生理胁迫密切相关，可以为病害识别提供额外线索。如果说RGB影像回答的是“这棵树看起来怎么样”，那么多光谱影像则进一步帮助回答“这棵树的植被状态有什么异常”。
研究团队将两类信息进行联合分析，让人工智能既能识别松树外部形态变化，又能利用光谱特征捕捉病害相关的植被状态差异，从而提高复杂森林环境下的识别能力。
这也是本项研究的核心思路：让人工智能不再仅仅依靠“看颜色”判断病害，而是通过空间信息与光谱信息的深度融合，实现更加全面、精准的森林健康感知。
图2 本研究总体技术流程图
三、3938组多模态影像：为人工智能建立松材线虫病“学习资料库”
人工智能要学会识别病树，首先需要大量准确、可靠的训练数据。
为此，研究团队以广东省韶关市典型松林为研究对象，在四个具有代表性的林区开展无人机遥感数据采集。
研究采用DJI M300 RTK无人机，搭载高分辨率RGB相机及MicaSense RedEdge-MX Dual十波段多光谱相机，获取松林的可见光与多光谱影像。其中，RGB影像空间分辨率达到2—4厘米，能够清晰呈现松树树冠的精细结构；十波段多光谱影像覆盖444—842纳米的多个特征波段，为分析松树健康状态提供丰富的光谱信息。
经过影像拼接、几何配准、质量筛选及专家人工标注，研究团队最终构建了PineWilt-MultiSeg松材线虫病多模态遥感语义分割数据集。数据集包含3938组空间配准的RGB与10波段多光谱影像，具有高空间分辨率、多模态信息互补和像素级精细标注等特点。
图3 本研究构建的松材线虫多模态识别数据集
与传统只标记“病树在哪里”的目标检测数据不同，该数据集能够进一步标识染病树冠所覆盖的具体区域，并区分中期病害、晚期病害以及背景三类信息。
通俗地说，人工智能不仅要学会找到病树，还要学会勾勒病树的位置与范围，并识别其不同的病害表现阶段。这就相当于为人工智能建立了一套经过专业标注的松材线虫病“学习资料库”，为后续算法训练、模型比较和技术推广奠定了重要基础。
四、让AI学会综合判断：两种信息融合，识别更精准
有了高质量数据，接下来的问题是：如何让人工智能真正用好这些信息？
研究团队系统选取了五种具有代表性的深度学习语义分割模型，并设计不同的数据输入与融合实验，比较普通RGB影像、多光谱影像以及两种数据联合使用时的识别表现。研究发现，RGB影像和多光谱影像各有所长。
RGB影像擅长识别松树树冠的颜色、形态和纹理细节；多光谱影像则能够提供植物色素与生理状态变化相关的信息。但如果只是将两类影像简单叠加，并不一定能够提高识别准确率。关键并不是让人工智能“看到更多”，而是让它真正“理解并利用不同信息之间的互补关系”。
针对这一问题，研究团队基于跨模态特征融合架构，通过双分支网络分别学习RGB影像与多光谱影像中的关键信息，再利用跨模态特征校正与融合机制，使空间细节与光谱特征在深层网络中充分交互。
图4 多模态AI算法识别松材线虫病结果示例
可以将这一过程理解为两位各有所长的专家共同会诊：一位擅长观察树冠外部症状，另一位擅长分析植被光谱变化。通过交流互补，两位专家能够形成更加全面的判断。实验结果证明，这种“联合会诊”的方式取得了更好的识别效果。在研究设置的测试条件下，多模态融合方案取得了最佳识别效果，平均交并比（mIoU）达到83.44%，平均F1分数（mFscore）达到90.62%，表明模型能够较为准确地识别并定位染病松树区域。与表现最佳的RGB单模态模型和多光谱单模态模型相比，其识别精度分别提高了1.75个百分点和5.95个百分点，充分体现了空间与光谱信息深度融合在提升松材线虫病识别精度和可靠性方面的显著优势。
特别是在树冠背景复杂、病害症状具有明显差异的情况下，空间—光谱联合学习能够更充分地利用不同模态的互补信息，改善对患病松树的识别与区域分割效果。这一结果表明，将无人机遥感与多模态人工智能相结合，是提升森林病害智能监测能力的一条有效技术途径。
五、不只识别病树，还要读懂病害背后的光谱信息
除了提升人工智能模型的识别性能，研究团队还进一步探索了一个具有实际意义的问题：哪些光谱特征真正有助于判断松树的病害状态？
研究人员对十个多光谱波段及其组合进行了系统分析，并结合机器学习方法筛选具有较高判别能力的植被指数。研究发现，水分比值指数（WRI）、花青素反射指数（ARI）相关特征等能够为识别不同病害阶段的松树提供有效信息。通过特征筛选，研究进一步确定了12个具有代表性的植被指数，为减少冗余信息、提高病害光谱特征利用效率提供了依据。这一发现意味着，人工智能不仅可以从大量数据中学习如何识别病树，还可以帮助研究人员理解不同光谱特征与松树健康状态之间的关系。
图5 不同光谱波段与松材线虫病的相关性
图6 不同光谱植被指数对松材线虫病表征
与此同时，团队还开展了影像分辨率降低条件下的对比实验。实验表明，随着影像空间分辨率下降，仅依赖RGB影像的模型识别能力明显降低，而多光谱信息在一定程度上表现出更好的稳定性。这一结果进一步说明：高分辨率影像提供清晰的空间细节，多光谱数据补充重要的生理状态信息，两者相互配合，才能更充分地发挥无人机遥感监测的优势。相关发现也为未来不同飞行高度、成像分辨率和传感器配置下的森林病害监测提供了实验参考。
六、从科研成果走向生态保护：为粤北松林精准防控提供新思路
韶关地处粤北地区，森林资源丰富，是广东省重要的生态屏障。保护森林健康、提升林业有害生物监测与防控能力，对维护区域生态安全具有重要意义。
此次研究以韶关典型松林为对象，将人工智能技术与区域森林病害监测需求紧密结合，不仅形成了具有开放共享价值的遥感数据资源，也为复杂山地林区的智能化监测提供了可参考的技术方案。
从应用前景来看，相关研究成果有望为松材线虫病防控提供三方面技术支撑。
一是提高监测效率。利用无人机快速获取大范围林区影像，并通过人工智能自动识别疑似病树区域，为减少重复性人工判读工作提供技术基础。
二是提高识别精细程度。通过多模态信息融合，进一步分析不同病害阶段的树冠特征，为疑似病树定位、现场核查和精细化管理提供依据。
三是推动森林病害监测数字化。将无人机巡查、遥感数据处理、人工智能识别与地理空间信息结合，为未来构建森林病害智能巡检和辅助决策体系提供数据与算法支撑。
需要指出的是，当前成果主要面向松材线虫病中期和晚期症状的遥感识别，相关方法的跨区域适应性以及病害潜伏期、无明显症状阶段的识别能力，仍有待进一步研究与验证。
未来，随着多时相遥感监测、智能巡检装备及相关算法的持续发展，相关技术有望进一步服务于森林病害动态监测、疑似病树核查和精准防控，让森林资源保护更加科学、高效、智能。
七、坚持科技创新，赋能现代农业与生态保护
此次高水平研究论文的发表，是仲恺农业工程学院与国内高校开展科研协同创新、推动人工智能和遥感技术交叉融合的重要成果。
研究以粤北地区实际生态保护需求为导向，充分发挥研究团队在地方科研组织、应用场景和协同创新方面的优势，联合国内高校科研力量，围绕森林病害智能监测中的关键问题开展深入研究，实现了从数据采集、算法研究到技术验证的系统探索。
科研创新的价值，不仅在于发表高水平论文，更在于让先进技术回应现实需求，为地方发展与生态保护提供切实可用的科技支撑。
未来，研究团队将继续深化与国内高校和科研机构的合作，聚焦人工智能、无人机遥感、智慧农业与生态环境智能监测等前沿领域，持续推进关键技术攻关、科研成果转化和人才联合培养，为区域现代农业高质量发展和生态文明建设注入科技创新动力。
论文信息：Liu G, Sun H, Xiong Y, et al. PineWilt-MultiSeg: Joint spatial–spectral learning enables precise detection of pine wilt disease[J]. Computers and Electronics in Agriculture, 2026: 112480. https://doi.org/10.1016/j.compag.2026.112480.
