Early Detection of Bark Beetle Attack Using Remote Sensing and Machine Learning: A Review
Notice bibliographique
Résumé
Bark beetle outbreaks can have serious consequences on forest ecosystem processes, biodiversity, forest structure and function, and economies. Thus, accurate and timely detection of bark beetle infestations in the early stage (known as green-attack detection) is crucial to mitigate the further impact, develop proactive forest management activities, and minimize economic losses. Incorporating remote sensing (RS) data with machine learning (ML) (or deep learning (DL)) can provide a great alternative to the current approaches that primarily rely on aerial surveys and field surveys, which can be impractical over vast areas. Existing approaches that exploit RS and ML/DL exhibit substantial diversity due to the wide range of factors involved. This article provides a comprehensive review of past and current advances in green-attack detection from three primary perspectives: bark beetle and host interactions, RS, and ML/DL. In contrast to prior efforts, this review encompasses all RS systems and emphasizes ML/DL methods to investigate their strengths and weaknesses. We parse existing literature based on multi- or hyperspectral analyses and distill their knowledge based on bark beetle species and attack phases with a primary emphasis on early stages of attacks, host trees, study regions, RS platforms and sensors, spectral/spatial/temporal resolutions, spectral signatures, spectral vegetation indices, ML approaches, learning schemes, task categories, models, algorithms, classes/clusters, features, and DL networks and architectures. Although DL-based methods and the random forest algorithm showed promising results, highlighting their potential to detect subtle changes across visible, thermal, and short-wave infrared spectral regions, their effectiveness remains limited, and high uncertainties persist due to the subtle distinctions between healthy and attacked trees. To inspire novel solutions to these shortcomings, we delve into the principal challenges and opportunities from different perspectives, enabling a deeper understanding of the current state of research and guiding future research directions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».