Early Detection of Bark Beetle Attack Using Remote Sensing and Machine Learning: A Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle