Abstract
Eastern white pines (Pinus strobus L.) of New England forests have been recently impacted by a fungal disease known as White Pine Needle Damage (WPND), causing widespread needle damage. To complement current WPND monitoring methods based on field and aerial detection surveys, we evaluated the potential of satellite remote sensing technology to detect WPND outbreaks. Using Sentinel-2 spectral vegetation indices (SVIs), we directly visualized change overlapping WPND outbreaks and ran Random Forest machine learning classifiers for feature selection and WPND detection and severity classification. Direct visualization of WPND associated change was most effective through the Normalized Difference Infrared Index (NDII), which captured decreases in vegetation health conditions coinciding with peak WPND symptoms. We obtained good accuracies in binary (WPND vs. Non-WPND) detection (70%) and two-class severity modeling of WPND (75%). The highest accuracies were achieved using imagery from early to late summer. The most selected SVIs for modeling were the Carotenoid Reflectance Index1 (CRI1), the Sentinel-2 Red-Edge Position (S2REP), and the Normalized Difference Vegetation Index (NDVI). Our results suggest detecting severe WPND through fine resolution remote sensing is feasible. However, more work is needed to determine the effects of spatial, spectral, and temporal resolution of remote sensing data for detecting WPND severity levels.
RÉSUMÉ
Les pins blancs de l’Est (Pinus strobus L.) des forêts de la Nouvelle-Angleterre ont récemment été touchés par des maladies fongiques connu sous le nom de dommages causés aux aiguilles de pin blanc (WPND), engendrant des dommages généralisés aux aiguilles. Pour compléter les méthodes de surveillance habituelles basées sur des relevés de terrain et aériens, nous avons évalué le potentiel des images satellitaires pour détecter les épidémies de maladies fongiques (WPND). À l’aide des indices spectraux de végétation (SVI) dérivés des images Sentinel-2, nous avons directement visualisé les changements chevauchant des épidémies WPND et utilisé le classificateur d’apprentissage automatique Random Forest pour la sélection des meilleurs indices, la détection des zones affectées et la classification de la gravité de l’épidémie. L’indice infrarouge de différence normalisée (NDII) a été le plus efficace pour la visualisation des dommages, capturant les diminutions de l’état de santé de la végétation coïncidant avec le pic des symptômes du WPND. Nous avons obtenu une bonne précision (70%) dans la détection binaire (WPND vs. non-WPND) et la modélisation de la gravité à deux classes de dommages (75%). Les plus hautes précisions ont été atteintes en utilisant des images du début à la fin de l’été. Les SVI les plus sélectionnés pour la modélisation étaient l’indice de réflectance caroténoïde1 (CRI1), la position du Red-Edge de Sentinel-2 (S2REP) et l’indice de végétation de la différence normalisée (NDVI). Nos résultats suggèrent que la détection des dommages sévères à fine résolution est faisable par télédétection satellitaire. Cependant, plus d’études sont nécessaires pour déterminer les effets de la résolution spatiale, spectrale et temporelle des données satellitaires pour détecter différents niveaux de gravité.
Acknowledgments
We thank Aaron Bergdahl (Maine Forest Service) for providing field and aerial survey data on WPND for 2018 as well as for providing expert guidance on the disease and its occurrence.
Disclosure statement
No conflict of interest was reported by the authors.