Ilmastonmuutos aiheuttaa suuren uhan boreaalisille metsille. Ehdotamme menetelmää metsien terveyden tehokkaaseen ja tarkkaan monitorointiin, joka yhdistää uusimmat innovaatiot droonien, hyperspektraalisen kuvantamisen ja koneoppimisen alalla. Koneoppimismenetelmien vaatimien laajojen koulutusdatasettien luomista varten ehdotamme uutta lähestymistapaa, jossa metsistä tuotetaan simuloituja hyperspektraalisia kuva-aineistoja ja näitä käytetään kasvillisuuden terveyttä määrittävien koneoppimismallien kouluttamiseen. Menetelmän avulla optimoimme droonien mittausproseduurit metsien terveysanalyysissä, käytämme simuloitua dataa siirto-oppimisessa ja validoimme tulokset käyttämällä olemassa olevia ja uusia in-situ-aineistoja, jotka on kerätty metsien yläpuolelta ja sisältä käyttäen FGI:n huippuluokan droonikaukokartoitusjärjestelmiä. Uskomme, että ehdotettu lähestymistapa johtaa läpimurtoon koneoppimismenetelmien käytettävyydessä drone-pohjaisessa metsien terveys- ja häiriöanalyysissä.