馬云強(qiáng)趙寧王華張海燕

(1.西南林業(yè)大學(xué)生物多樣性保護(hù)學(xué)院/云南省森林災(zāi)害預(yù)警與控制重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650224；2.西南林業(yè)大學(xué)生命科學(xué)學(xué)院，云南 昆明 650224；3.云南這里信息技術(shù)有限公司，云南 昆明 650224)

松材線蟲(chóng)病(Bursaphelenchusxylophilus)，亦稱(chēng)松樹(shù)萎蔫病或“松樹(shù)癌癥”[1]，是國(guó)際上公認(rèn)的重要檢疫性有害生物，松樹(shù)感染后數(shù)月枯死，3～5a可蔓延傳播至整片松林，導(dǎo)致大面積的生態(tài)破壞，給國(guó)民經(jīng)濟(jì)造成重大損失[2]。根據(jù)國(guó)家林業(yè)局2020年松材線蟲(chóng)病疫區(qū)公告，截至2020年已有20個(gè)省(市)，比2018年新增2個(gè)省(市)。松材線蟲(chóng)病防治難度大，常規(guī)的監(jiān)測(cè)采用單一的人工地面調(diào)查手段進(jìn)行[3]，這種方式耗時(shí)長(zhǎng)、數(shù)據(jù)準(zhǔn)確度不高，難以有效控制松材線蟲(chóng)病的蔓延[4]。隨著衛(wèi)星遙感影像分類(lèi)技術(shù)的提高，黃慧萍[5]、齊樂(lè)[6]利用面向?qū)ο蠓诸?lèi)方法分別對(duì)分類(lèi)尺度、支持向量機(jī)的參數(shù)進(jìn)行研究，提高了遙感影像分類(lèi)精度。張學(xué)敏[7]、馬宇龍[8]、梁守真[9]、呂利利[10]、董連英[11]利用CART決策樹(shù)分類(lèi)法分別對(duì)病害松樹(shù)、龍祥島濕地、橡膠林、沙漠化土地、植被類(lèi)型進(jìn)行分類(lèi)，提取效果較好。遙感影像可以實(shí)現(xiàn)大范圍的松林監(jiān)測(cè)，但受分辨率和時(shí)效性影響，難以做到實(shí)時(shí)監(jiān)測(cè)和單株精準(zhǔn)監(jiān)測(cè)。張紅梅[12]對(duì)近年來(lái)無(wú)人機(jī)遙感技術(shù)在松線蟲(chóng)病監(jiān)測(cè)研究進(jìn)行了總結(jié)，得出無(wú)人機(jī)遙感在松線蟲(chóng)病的監(jiān)測(cè)上有巨大空間。近年來(lái)移動(dòng)設(shè)備的日益更新，在監(jiān)測(cè)方面也有很大的作用。

此次研究以衛(wèi)星遙感監(jiān)測(cè)為基礎(chǔ)，利用無(wú)人機(jī)遙感監(jiān)測(cè)和便攜式移動(dòng)設(shè)備進(jìn)行驗(yàn)證，有效提高松材線蟲(chóng)病疫木提取的效率和精度。基于數(shù)據(jù)挖掘、數(shù)據(jù)融合、數(shù)據(jù)協(xié)同和數(shù)據(jù)同化等關(guān)鍵技術(shù)，獲得更加準(zhǔn)確數(shù)據(jù)支持的林業(yè)監(jiān)測(cè)感知體系。

1 研究區(qū)域概況

東錢(qián)湖鎮(zhèn)地處浙江鄞州東南，處于全國(guó)海岸線中段。區(qū)域內(nèi)自然資源豐富，植被種類(lèi)300余種，山地森林覆蓋率92.4%。生態(tài)環(huán)境優(yōu)美，湖面開(kāi)闊，岸線曲折，四周群山環(huán)抱，森林蒼郁；氣候良好，屬亞熱帶季風(fēng)氣候，全年溫和濕潤(rùn)，雨量充沛，年平均氣溫15.4℃，面積145km2，規(guī)劃控制面積230km2，人口4.49萬(wàn)，轄2個(gè)社區(qū)、4個(gè)居民區(qū)、36個(gè)行政村。

所選研究區(qū)域位于東錢(qián)湖正南方，面積為71km2，見(jiàn)圖1，該研究區(qū)林地集中，多為馬尾松林地，且該區(qū)域是東錢(qián)湖鎮(zhèn)中的松材線蟲(chóng)病感染重災(zāi)區(qū)，具有代表性。因此，利用衛(wèi)星遙感影像，通過(guò)面向?qū)ο蟮腃ART決策樹(shù)方法進(jìn)行遙感解譯，對(duì)東錢(qián)湖旅游度假區(qū)松材線蟲(chóng)病發(fā)生區(qū)域的監(jiān)測(cè)提供了科學(xué)依據(jù)。

2 衛(wèi)星遙感影像分類(lèi)

2.1 數(shù)據(jù)源

BJ-2號(hào)星座系統(tǒng)設(shè)計(jì)壽命7a，由3顆0.8m全色、3.2m多光譜的光學(xué)遙感衛(wèi)星組成(藍(lán)波段：0.44～0.51nm，綠波段：0.51～0.59nm，紅波段：0.60～0.67nm，近紅外波段：0.76～0.91nm)，可提供覆蓋全球、空間和時(shí)間分辨率俱佳的遙感衛(wèi)星數(shù)據(jù)。此外，松材線蟲(chóng)病的的病發(fā)時(shí)間多發(fā)生在5—10月，尤其在10月發(fā)病最為明顯，發(fā)病樹(shù)木呈紅色或紅褐色，健康樹(shù)木呈綠色，為了能把健康樹(shù)木和發(fā)病樹(shù)木分開(kāi)，故以東錢(qián)湖鎮(zhèn)2018年9月28日的BJ-2號(hào)影像為信息源進(jìn)行研究，如圖2所示的原始全色影像和高光譜影像。另外，將野外實(shí)際取樣數(shù)據(jù)作為輔助數(shù)據(jù)，用于典型地物的樣本選擇和精度驗(yàn)證。

2.2 技術(shù)流程

對(duì)BJ-2號(hào)遙感影像進(jìn)行預(yù)處理，處理過(guò)程包括輻射定標(biāo)、正射校正、影像融合。接著對(duì)預(yù)處理的結(jié)果影像進(jìn)行面向?qū)ο蠓指睢?gòu)建特征指數(shù)、提取分類(lèi)閾值、進(jìn)行CART分類(lèi)，提取病疫木。圖3為完成預(yù)處理的遙感影像，圖4為技術(shù)流程。

2.3 研究方法

2.3.1 面向?qū)ο蠓指?/p>

面向?qū)ο蠓椒ㄒ酝|(zhì)性像元組成的“對(duì)象”為分類(lèi)基礎(chǔ)，其核心算法是影像分割[13]。在合理的分割尺度下得到的“對(duì)象”破碎化程度不一，分割尺度直接決定了分類(lèi)結(jié)果的精度。本文使用eCognition軟件進(jìn)行遙感影像的分割。eCognition中有3種分割模式，分別是棋盤(pán)式分割、四叉樹(shù)分割與多尺度分割，其中多尺度分割的效果最優(yōu)[14]。多尺度分割可充分利用目標(biāo)地物的光譜和形狀、紋理和尺寸等空間信息，提高了分類(lèi)的準(zhǔn)確性和穩(wěn)定性，使分類(lèi)效率和分類(lèi)精度得以兼顧，因此確定多尺度分割的參數(shù)尤為重要。本文以分割對(duì)象異質(zhì)性最小、分割后對(duì)象與目標(biāo)地物吻合度最高為依據(jù)，根據(jù)目標(biāo)地物的影像特征，經(jīng)多次實(shí)驗(yàn)確定：影像分割尺度選取為80，形狀因子、緊致度因子分別選取為0.5，各波段權(quán)重為1。

2.3.2 特征指標(biāo)選擇

CART決策樹(shù)是使用監(jiān)督學(xué)習(xí)的方法，從1組無(wú)規(guī)律分布的復(fù)雜數(shù)據(jù)中尋找最佳分類(lèi)體系，構(gòu)建1個(gè)二分支模型，實(shí)現(xiàn)對(duì)數(shù)據(jù)的分類(lèi)和預(yù)測(cè)。模型構(gòu)建時(shí)，每1分裂節(jié)點(diǎn)的異質(zhì)性下降程度作為該節(jié)點(diǎn)是否生成的判別準(zhǔn)則，節(jié)點(diǎn)異質(zhì)性越低，雜質(zhì)含量就越少，該節(jié)點(diǎn)的分類(lèi)精度越高[6]；每個(gè)節(jié)點(diǎn)的特征參數(shù)選擇尤為重要，特征參數(shù)作為分類(lèi)屬性用來(lái)整個(gè)影像的反演。本文研究區(qū)域遙感影像包含建筑物、道路、水系、耕地、植被等，特征參數(shù)的選擇要充分考慮遙感影像的地物環(huán)境。本文最終目的是提取松木病疫木，即分類(lèi)結(jié)果精確到林木植被即可。

基于以上考慮，在常見(jiàn)的遙感特征中，選擇歸一化水體指數(shù)(MNDWI)和歸一化植被指數(shù)(NDVI)分別對(duì)水體、植被進(jìn)行分類(lèi)，選擇30m高程DEM數(shù)據(jù)對(duì)耕地進(jìn)行分類(lèi)，選擇BJ-2號(hào)影像的紅綠波段比率對(duì)病疫木進(jìn)行分類(lèi)。特征指標(biāo)選擇充分考慮高分辨率遙感影像的光譜信息，結(jié)合各波段均值及標(biāo)準(zhǔn)差等多種特征參數(shù)進(jìn)行決策樹(shù)的構(gòu)建。

2.3.3 決策樹(shù)模型構(gòu)建

基于對(duì)以上特征指標(biāo)的分析結(jié)果，利用上述特征指標(biāo)構(gòu)建5層結(jié)構(gòu)的決策樹(shù)，采用基于決策樹(shù)規(guī)則的面向?qū)ο蟮姆椒?，逐層分?lèi)，提取松材線蟲(chóng)病病疫木信息，如圖5所示。節(jié)點(diǎn)層0為總節(jié)點(diǎn)；節(jié)點(diǎn)層1，應(yīng)用MNDWI通過(guò)設(shè)定閾值分離水體和非水體；節(jié)點(diǎn)層2，應(yīng)用NDVI分離植被和非植被；節(jié)點(diǎn)層3，設(shè)定DEM閾值區(qū)分植被中的林地和其它林地；節(jié)點(diǎn)層4，基于BJ-2號(hào)影像的紅綠波段比率、各波段均值及標(biāo)準(zhǔn)差提取松材線蟲(chóng)病病疫木對(duì)象。

2.4 分類(lèi)結(jié)果與精度評(píng)價(jià)

基于BJ-2號(hào)影像數(shù)據(jù)，采用面向?qū)ο蟮腃ART決策樹(shù)分類(lèi)方法，選擇MNDWI、NDVI、DEM地形數(shù)據(jù)以及影像的紅綠波段比率作為特征參數(shù)對(duì)試驗(yàn)區(qū)地物進(jìn)行逐級(jí)區(qū)分，提取松材線蟲(chóng)病病疫木分布信息，結(jié)果如圖6所示。從空間分布上看，病疫木提取結(jié)果和遙感影像的表現(xiàn)一致。根據(jù)野外調(diào)查點(diǎn)及使用ArcGIS生成的隨機(jī)樣本點(diǎn)作為檢驗(yàn)樣點(diǎn)(共450個(gè))，對(duì)分類(lèi)結(jié)果進(jìn)行精度評(píng)價(jià)，結(jié)果如表1所示。試驗(yàn)區(qū)總體分類(lèi)精度為85.70%，Kappa系數(shù)為0.8213。病疫木驗(yàn)證樣本共179個(gè)，正確分類(lèi)的有164個(gè)；健康木驗(yàn)證樣本176個(gè)，正確分類(lèi)的有166個(gè)。這2種目標(biāo)地物的生產(chǎn)精度都在91.6%以上，用戶(hù)精度都在90.7%以上，分類(lèi)精度符合要求。

考慮到檢驗(yàn)樣點(diǎn)代表的范圍太小有局域性，為了更精確地評(píng)價(jià)提取結(jié)果，在結(jié)果圖上隨機(jī)選擇100個(gè)病疫木樣區(qū)作為檢驗(yàn)樣本，采用目視判讀的方式對(duì)選擇樣本的病疫木提取精度進(jìn)行評(píng)價(jià)?？紤]到區(qū)域地物的破碎性，將每個(gè)樣區(qū)大小設(shè)置為125×125像元(即100m×100m)。相比于點(diǎn)數(shù)據(jù)的精度評(píng)價(jià)結(jié)果，基于樣區(qū)數(shù)據(jù)得到的病疫木信息提取精度有所降低，為80.2%。

表1 分類(lèi)精度評(píng)價(jià)表

分析錯(cuò)分地類(lèi)的地理位置分布，可看出錯(cuò)分的地類(lèi)主要分布在地類(lèi)的交界處和地物破碎處。在山坡地帶，病疫木和健康木交錯(cuò)生長(zhǎng)，無(wú)明顯空間界限，且病疫木感染無(wú)規(guī)律，分布凌亂，不易分類(lèi)；在平緩地帶，多種人類(lèi)活動(dòng)導(dǎo)致土地的種類(lèi)更加多樣，地類(lèi)混合的情況更為復(fù)雜，地類(lèi)的提取精度也受到一定影響。但總體來(lái)說(shuō)，面向?qū)ο蟮腃ART決策樹(shù)分類(lèi)提取松材線蟲(chóng)病疫木具有較高可行性。

3 結(jié)論與討論

3.1 結(jié)論

在衛(wèi)星遙感加無(wú)人機(jī)航空遙感加地面移動(dòng)調(diào)查中，調(diào)查人員發(fā)現(xiàn)，松材線蟲(chóng)病災(zāi)害的區(qū)域大多數(shù)集中于山頂部分以及山林深處，無(wú)人機(jī)在調(diào)查驗(yàn)證過(guò)程中起到了關(guān)鍵作用。調(diào)查人員實(shí)地前往感染區(qū)域利用無(wú)人機(jī)對(duì)山頂樹(shù)木進(jìn)行飛行作業(yè)，根據(jù)實(shí)地調(diào)查驗(yàn)證結(jié)果以及無(wú)人機(jī)飛行得到的驗(yàn)證資料，對(duì)影像區(qū)域重新進(jìn)行面向?qū)ο蟮腃ART決策樹(shù)分類(lèi)，分類(lèi)結(jié)果如圖7所示。

表2 精度對(duì)比表

從表2可以得出，利用無(wú)人機(jī)遙感影像和地面移動(dòng)調(diào)查對(duì)衛(wèi)星遙感監(jiān)測(cè)的補(bǔ)充，能有效提高松材線蟲(chóng)病疫木提取的精度。遙感衛(wèi)星、無(wú)人機(jī)和人工輔助3種技術(shù)相結(jié)合，實(shí)現(xiàn)了區(qū)域范圍內(nèi)松材線蟲(chóng)病病疫木的快速識(shí)別，準(zhǔn)確率提升到90.65%，有利于防控指揮部門(mén)及時(shí)掌握各疫點(diǎn)疫情發(fā)生情況和風(fēng)險(xiǎn)程度，有效提高了松材線蟲(chóng)病防控工作和疫情評(píng)估的科學(xué)性，為進(jìn)一步防止松材線蟲(chóng)病的擴(kuò)散和蔓延提供科學(xué)的技術(shù)支持。

3.2 討論

本研究利用0.8m空間分辨率的BJ-2號(hào)遙感影像，通過(guò)面向?qū)ο蟮腃ART決策樹(shù)分類(lèi)提取松材線蟲(chóng)病病疫木區(qū)域，后利用無(wú)人機(jī)和地面移動(dòng)設(shè)備進(jìn)行調(diào)查驗(yàn)證，將三者結(jié)合得到的數(shù)據(jù)進(jìn)行綜合分析，普查松材線蟲(chóng)病的時(shí)間縮短，所需人力物力等資源減少，預(yù)警時(shí)效性增強(qiáng)，并且可以實(shí)時(shí)監(jiān)測(cè)預(yù)警松材線蟲(chóng)病蟲(chóng)害的發(fā)生地點(diǎn)、時(shí)間，在此基礎(chǔ)上得出松材線蟲(chóng)病實(shí)際發(fā)生區(qū)域圖，再將所有結(jié)果進(jìn)行統(tǒng)計(jì)分析，得出松材線蟲(chóng)病普查預(yù)警相關(guān)材料和報(bào)告。