孫偉韜

基于多光譜遙感影像的森林病蟲害監(jiān)測(cè)研究

孫偉韜

（國家林業(yè)和草原局華東調(diào)查規(guī)劃院，浙江 杭州 310000）

通過森林病蟲害監(jiān)測(cè)研究能夠更好地管理和保護(hù)森林資源，減少病害和蟲害對(duì)生態(tài)系統(tǒng)的影響，同時(shí)提高森林可持續(xù)發(fā)展的能力。常規(guī)的森林病蟲害監(jiān)測(cè)主要通過識(shí)別影像尺度特征得出監(jiān)測(cè)結(jié)果，忽略了植被水分含量對(duì)影像的影響，導(dǎo)致監(jiān)測(cè)結(jié)果誤差較大。因此，提出基于多光譜遙感影像的森林病蟲害監(jiān)測(cè)方法。分步提取森林多光譜遙感影像的核心光譜，計(jì)算多光譜遙感影像的光譜響應(yīng)，進(jìn)而得出病蟲害特征向量，識(shí)別出森林病蟲害特征。根據(jù)森林植被水分含量層級(jí)歸類生成森林病蟲害監(jiān)測(cè)結(jié)果。結(jié)果表明，所提方法應(yīng)用后得出的監(jiān)測(cè)結(jié)果誤差較小，平均僅為0.010 125，森林病蟲害監(jiān)測(cè)效果較好。利用該方法可以及早發(fā)現(xiàn)病蟲害的蔓延趨勢(shì)和程度，以防止病蟲害的進(jìn)一步傳播和對(duì)森林造成更大的破壞，滿足了森林保護(hù)的現(xiàn)實(shí)需求。

森林病蟲害；病蟲害監(jiān)測(cè)；多光譜遙感影像；光譜響應(yīng)；植被水分含量

森林資源關(guān)系生態(tài)環(huán)境的安全和社會(huì)經(jīng)濟(jì)的健康發(fā)展，對(duì)于森林資源保護(hù)工作的開展具有重要意義。森林病蟲害是導(dǎo)致林業(yè)資源損失的重要因素之一，對(duì)其進(jìn)行監(jiān)測(cè)可為森林病蟲害及時(shí)防治提供重要依據(jù)。目前有關(guān)病蟲害監(jiān)測(cè)方法的研究已經(jīng)取得了諸多優(yōu)秀研究成果，例如，袁德寶等[1]利用遙感技術(shù)快速獲取監(jiān)測(cè)范圍內(nèi)大面積、多方位的數(shù)據(jù)信息，實(shí)行全天候不間斷監(jiān)測(cè)，根據(jù)各種作物在監(jiān)測(cè)范圍內(nèi)的種植信息以及環(huán)境信息，對(duì)可能存在的病蟲害進(jìn)行分類識(shí)別，從多尺度的角度對(duì)遙感數(shù)據(jù)信息進(jìn)行分析，在監(jiān)測(cè)系統(tǒng)中對(duì)病蟲害的發(fā)生與程度進(jìn)行預(yù)測(cè)，但該方法監(jiān)測(cè)結(jié)果準(zhǔn)確度不高。周曉麗等[2]利用無人機(jī)技術(shù)獲取遙感圖像，選擇不同病蟲害的圖像數(shù)據(jù)特征并對(duì)病蟲害進(jìn)行分類識(shí)別，選擇合適的算法對(duì)傳感器數(shù)據(jù)進(jìn)行選擇與優(yōu)化，建立該監(jiān)測(cè)范圍內(nèi)專屬的病蟲害數(shù)據(jù)庫，并以此作為核心開發(fā)專門的病蟲害監(jiān)測(cè)傳感器，但該方法監(jiān)測(cè)結(jié)果不夠全面。宋勇等[3]針對(duì)傳統(tǒng)監(jiān)測(cè)方法主觀性和滯后性較為嚴(yán)重的問題，利用病蟲害的光譜響應(yīng)生理機(jī)制實(shí)現(xiàn)精準(zhǔn)監(jiān)測(cè)目的，該方法能夠細(xì)致分類病蟲害的光譜特征，將分析結(jié)果建立該品類植物的病蟲害光譜庫，從而實(shí)現(xiàn)病蟲害監(jiān)測(cè)。但該方法監(jiān)測(cè)效率不高?？紤]到上述文獻(xiàn)所提的監(jiān)測(cè)方法無法滿足現(xiàn)實(shí)森林病蟲害監(jiān)測(cè)的根本需求，文章以浙江省臺(tái)州市椒江區(qū)的森林資源作為研究對(duì)象，提出了一種基于多光譜遙感影像的森林病蟲害監(jiān)測(cè)方法。該方法通過對(duì)森林病蟲害的多光譜影影像進(jìn)行分析，生成層級(jí)歸類的森林病蟲害監(jiān)測(cè)結(jié)果，從而保證森林病蟲害監(jiān)測(cè)質(zhì)量。

1 基于多光譜遙感影像的森林病蟲害監(jiān)測(cè)方法

1.1 提取森林多光譜遙感影像核心光譜

使用多光譜的遙感影像儀器對(duì)森林植被進(jìn)行全方位地拍攝，將得到的森林多光譜遙感影像通過數(shù)據(jù)傳輸裝置一比一還原到計(jì)算機(jī)中，在計(jì)算機(jī)中進(jìn)行影像分析[4-7]。本研究采用MSRC算法對(duì)影像中的核心光譜進(jìn)行提取處理（圖1）。

采用空間異質(zhì)性[8]方法對(duì)采集到的森林遙感影像的反射率進(jìn)行分析，計(jì)算其差值絕對(duì)值之和，如公式（1）所示。

圖1 核心光譜提取流程

式中和分別表示森林遙感影像上的兩個(gè)點(diǎn)位，點(diǎn)位的選擇要求是空間相對(duì)的兩個(gè)點(diǎn)，H表示兩個(gè)點(diǎn)位之間的差值絕對(duì)值之和，表示太陽輻照度，表示影像采集時(shí)的太陽高度角。

利用公式（1）的計(jì)算結(jié)果對(duì)核心光譜的類別進(jìn)行定義，并計(jì)算反射率的特征量[9]。核心光譜的類別及其規(guī)則集邏輯的判別如表1所示。

表1 核心光譜規(guī)則集邏輯

表1中，B表示可見光的藍(lán)光波段，B表示可見光的綠光波段，B表示可見光的紅光波段，B表示近紅外波段，B和B表示兩個(gè)短波紅外波段。

對(duì)反射率的特征量進(jìn)行分析并劃分反射率特征量閾值[10]，如表2所示。

表2 反射率特征量閾值劃分

根據(jù)表1和表2的內(nèi)容，提取特征空間模糊集出來，如表3所示。

表3 特征空間模糊集

表3中，表示歸一化差異土壤指數(shù)，表示歸一化差異環(huán)境指數(shù)。

根據(jù)表3中的內(nèi)容，反饋查詢核心光譜并將其提取出來。通過上述步驟，完成森林多光譜遙感影響的核心光譜的提取。

1.2 基于多光譜遙感影像的病蟲害特征識(shí)別

對(duì)上述過程得出的森林多光譜遙感影像的核心光譜進(jìn)行進(jìn)一步處理。在該核心光譜中模擬一個(gè)全色的光譜波段，計(jì)算其光譜響應(yīng)，如公式（2）所示。

式中表示核心光譜的光譜響應(yīng)，?、?、?和?分別表示該波段的灰度矩陣，表示波段系數(shù)。

根據(jù)光譜響應(yīng)的計(jì)算結(jié)果，計(jì)算森林遙感影像的植被指數(shù)變化率，如公式（3）所示。

式中表示植被指數(shù)變化率，表示背景植被指數(shù)值。

通過公式（3）的計(jì)算結(jié)果可得出森林中植被的葉片損失率[13]，從而識(shí)別出森林病蟲害的多光譜遙感影像特征[14]。本研究采用特征向量識(shí)別的方式完成這一目標(biāo)，如公式（4）所示。

式中表示森林病蟲害光譜影像的特征向量，z表示點(diǎn)位的平均對(duì)比度的度量，表示標(biāo)準(zhǔn)方差。

通過公式（4）計(jì)算，將結(jié)果劃分為[>96]、[75 ～ 96]及[<75]三個(gè)區(qū)間來進(jìn)行識(shí)別，計(jì)算結(jié)果的數(shù)值越大，則說明該影像區(qū)域內(nèi)的森林植被病蟲害越嚴(yán)重。

通過上述過程，完成森林病蟲害多光譜遙感影像的特征識(shí)別。

1.3 生成層級(jí)歸類森林病蟲害監(jiān)測(cè)結(jié)果

利用上述步驟得出的病蟲害特征向量以及森林植被多光譜遙感影像的核心光譜反射率，構(gòu)建森林病蟲害監(jiān)測(cè)模型（圖2）。本研究主要將監(jiān)測(cè)結(jié)果劃分為三個(gè)區(qū)間，正常波段部分表示無病蟲害的光譜遙感影像，綠色區(qū)間表示不同程度的病蟲害。當(dāng)?shù)厣种脖坏娜~片水分含量會(huì)對(duì)輕微病蟲害與嚴(yán)重病蟲害的間隔區(qū)間產(chǎn)生影響，表現(xiàn)為水分含量越大，兩者區(qū)間越大[15]。

圖2 森林病蟲害監(jiān)測(cè)

對(duì)該模型的監(jiān)測(cè)結(jié)果進(jìn)行層級(jí)劃分，如公式（5）所示。

式中表示森林病蟲害的監(jiān)測(cè)層級(jí)，表示反射率，k表示區(qū)域內(nèi)植被的葉片水分含量。

根據(jù)上述過程，生成層級(jí)歸類的森林病蟲害監(jiān)測(cè)結(jié)果，完成森林病蟲害的監(jiān)測(cè)。

2 實(shí)驗(yàn)

2.1 數(shù)據(jù)采集

數(shù)據(jù)采集區(qū)域位于浙江省臺(tái)州市沿海中部的椒江區(qū)（121°34'—121°48' E，28°61'—28°78' N）。海拔高程5.096 ～ 492.972 m。椒江區(qū)域?qū)僬銝|最大的溫黃平原北部，擁有多片小型森林區(qū)。該研究區(qū)的主要森林作物為松材，包括油松（）、樟子松（）、白皮松（）以及黑松（）等。根據(jù)行政區(qū)劃，將該椒江研究區(qū)劃分為不同的實(shí)驗(yàn)區(qū)（圖3）并挑選代表性較高的區(qū)域作為實(shí)驗(yàn)數(shù)據(jù)采集地，統(tǒng)計(jì)不同區(qū)域內(nèi)森林面積（表4）。按照表4中的順序?qū)γ繅K實(shí)驗(yàn)地各自選取5萬m2并進(jìn)行標(biāo)序。利用型號(hào)為Micro-MCA多光譜相機(jī)和DirecPC的多光譜遙感影像儀器作為本次實(shí)驗(yàn)數(shù)據(jù)的采集儀器（圖4），其參數(shù)設(shè)置分別見表5和表6。

圖3 實(shí)驗(yàn)區(qū)劃分

表4 實(shí)驗(yàn)區(qū)森林資源面積

圖4 實(shí)驗(yàn)儀器

表5 多光譜相機(jī)參數(shù)

表6 多光譜遙感影像儀器參數(shù)

2.2 森林病蟲害監(jiān)測(cè)

在上述劃分的實(shí)驗(yàn)區(qū)內(nèi)選擇章安區(qū)域的數(shù)據(jù)進(jìn)行測(cè)試實(shí)驗(yàn)。由于篇幅有限，本研究?jī)H選擇其中兩張多光譜遙感影像進(jìn)行展示，通過多光譜相機(jī)得到的森林多光譜遙感初始影像如圖5所示，利用本研究所提方法進(jìn)行處理，獲取上述兩張圖像的病蟲害特征（圖6）。由圖6可知，本文所提方法對(duì)多光譜遙感影像處理的結(jié)果能夠?qū)⑸植∠x害的監(jiān)測(cè)結(jié)果進(jìn)行清晰化地展示，有效分辨出病蟲害所在的位置，展現(xiàn)了監(jiān)測(cè)效果。從監(jiān)測(cè)實(shí)驗(yàn)結(jié)果可以初步判斷，本研究所提森林病蟲害監(jiān)測(cè)方法的監(jiān)測(cè)效果較好，展現(xiàn)了該方法的應(yīng)用結(jié)果，表明了本文所提方法的可行性。

圖5 多光譜遙感初始影像

圖6 多光譜遙感影像處理結(jié)果

2.3 結(jié)果與分析

為了體現(xiàn)所提方法監(jiān)測(cè)結(jié)果的有效性，分別應(yīng)用文獻(xiàn)[1]和文獻(xiàn)[2]的方法進(jìn)行森林病蟲害監(jiān)測(cè)實(shí)驗(yàn)。

本次實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)設(shè)置為監(jiān)測(cè)結(jié)果誤差，將監(jiān)測(cè)結(jié)果與實(shí)地人員考察得出的森林病蟲害結(jié)果進(jìn)行對(duì)比，分析兩個(gè)結(jié)果之間的異同，得出最終的監(jiān)測(cè)結(jié)果誤差。誤差值越小，則說明該方法監(jiān)測(cè)效果越好。

為了保證本次實(shí)驗(yàn)的公平性，同時(shí)三種監(jiān)測(cè)方法進(jìn)行同步實(shí)驗(yàn)，以避免由于監(jiān)測(cè)時(shí)間不同而導(dǎo)致的結(jié)果誤差。經(jīng)過實(shí)驗(yàn)，得出本研究結(jié)果（圖7）。將圖7所示的森林病蟲害監(jiān)測(cè)結(jié)果與真實(shí)病蟲害結(jié)果進(jìn)行橫向?qū)Ρ?，得到不同監(jiān)測(cè)方法的監(jiān)測(cè)誤差（表7）。由表7可知，本文所提森林病蟲害監(jiān)測(cè)方法中，在椒江區(qū)不同的監(jiān)測(cè)區(qū)域的結(jié)果誤差均比較低，始終保持在0.02以下，而其他兩種方法的最低誤差為0.298和0.113，差距較大。在8個(gè)監(jiān)測(cè)區(qū)域中，本文所提方法的監(jiān)測(cè)結(jié)果平均誤差為0.010，而其他兩種方法的平均誤差分別為0.337和0.373。與之進(jìn)行比較可知，本文所提方法的監(jiān)測(cè)結(jié)果誤差分別降低了0.327和0.363。

圖7 森林病蟲害監(jiān)測(cè)結(jié)果

表7 不同監(jiān)測(cè)方法誤差結(jié)果

3 結(jié)語

在森林資源保護(hù)工作中，森林病蟲害是影響植被生長(zhǎng)的主要因素之一。為了提高森林病蟲害的監(jiān)測(cè)質(zhì)量，本研究提出了一種基于多光譜遙感影像的森林病蟲害監(jiān)測(cè)方法。從實(shí)驗(yàn)結(jié)果可知，本文提出的森林病蟲害監(jiān)測(cè)方法所得的監(jiān)測(cè)結(jié)果誤差較低，監(jiān)測(cè)效果較好且可信度較高。在森林資源的保護(hù)中，能夠較為精準(zhǔn)地對(duì)森林植被的狀態(tài)進(jìn)行監(jiān)測(cè)，以便林業(yè)人員及時(shí)進(jìn)行防治，為森林植被的病蟲害防治工作提供有力支持，具備較高的實(shí)踐應(yīng)用價(jià)值。

[1] 袁德寶,張冰瑞,葉回春,等.水稻病蟲害遙感監(jiān)測(cè)與預(yù)測(cè)研究進(jìn)展[J].遙感技術(shù)與應(yīng)用,2023,38(1):97-107.

[2] 周曉麗,周立君,伊力塔,等.基于光譜圖像的森林病蟲害自動(dòng)檢測(cè)方法[J].應(yīng)用光學(xué),2023,44(2):420-426.

[3] 宋勇,陳兵,王瓊,等.無人機(jī)遙感監(jiān)測(cè)作物病蟲害研究進(jìn)展[J].棉花學(xué)報(bào),2021,33(3):291-306.

[4] 萬宣伍,田卉,尹勇,等.四川省經(jīng)濟(jì)作物病蟲害發(fā)生情況及監(jiān)測(cè)預(yù)警措施探討[J].中國植保導(dǎo)刊,2021,41(4):85-87,92.

[5] 孫瑞琳,孫全,孫成明,等.基于不同平臺(tái)的小麥病蟲害遙感監(jiān)測(cè)研究進(jìn)展[J].中國農(nóng)機(jī)化學(xué)報(bào),2021,42(3):142-150.

[6] 劉君,王學(xué)偉.大數(shù)據(jù)時(shí)代山東農(nóng)業(yè)病蟲害監(jiān)測(cè)預(yù)警體系建設(shè)[J].北方園藝,2021(3):166-170.

[7] 蘇少強(qiáng),闕翔,嚴(yán)宣輝,等.基于STWR模型的森林病蟲影響因素研究[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2022,50(11):81-92.

[8] 劉茂華,呂曉煒,李永榮,等.基于NSWI的面向?qū)ο蠖喙庾V遙感影像水體提取方法[J].中國科技論文,2023, 18(5):486-492.

[9] 李衛(wèi)斌,安炳貞,孔玉輝,等.基于無人機(jī)遙感影像的松材線蟲病監(jiān)測(cè)方法概述[J].林業(yè)工程學(xué)報(bào),2023,8(2):21-29.

[10] 丁凌,陳建裕,朱乾坤,等.多光譜遙感影像的光譜規(guī)則分類算法修正及海島、海岸帶應(yīng)用[J].海洋學(xué)研究,2022, 40(4):38-51.

[11] 熊媛,黃榮永,余克服.基于多時(shí)相多光譜遙感影像的珊瑚礁面積估算方法研究——以西沙群島羚羊礁為例[J].海洋學(xué)報(bào),2022,44(8):151-168.

[12] 范明虎,薛昊潤(rùn),臧文乾,等.基于Atrous-HIS變換的多光譜遙感影像多核并行融合方法[J].河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2022,50(4):76-81.

[13] 寧紀(jì)鋒,倪靜,何宜家,等.基于卷積注意力的無人機(jī)多光譜遙感影像地膜農(nóng)田識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2021, 52(9):213-220.

[14] 張兆鵬,周曉敏,閆敏,等.多源遙感影像林火信息檢測(cè)和植被恢復(fù)動(dòng)態(tài)監(jiān)測(cè)[J].西南林業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)),2022,42(5):145-157.

[15] 地力夏提?依馬木,周建平,許燕,等.基于Logistic算法與遙感影像的棉花蟲害監(jiān)測(cè)研究[J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào),2022,43(2):87-95.

Research on Forest Disease and Pest Monitoring Based on Multispectral Remote Sensing Images

SUN Weitao

(East China Academy of Inventory and Planning, National Forestry and Grassland Administration,Hangzhou 310000, Zhejiang, China)

Monitoring and studying forest diseases and pests can better protect and manage forest resources, reduce the impact of diseases and pests on ecosystems, and improve the potential for sustainable forest development. Conventional forest pest and disease monitoring mainly uses image scale feature recognition to obtain monitoring results, neglecting the impact of vegetation moisture content on images which can result in significant errors in interpreting results. Therefore, this study of forest pest monitoring based on multi-spectral remote sensing images was proposed. The core spectra of forest multispectral remote sensing images were extracted step by step, the spectral response based on the multispectral remote sensing images was calculated. Next, the characteristic vectors of diseases and pests were obtained, the characteristics of forest diseases and pests were identified and the monitoring results of forest diseases and pests were generated by hierarchical classification according to the water content of forest vegetation. The results showed that the monitoring data obtained by the proposed method have a small error, with an average of only 0.010 125, indicating that the monitoring effect is good. By using this method, the degree of pests and disease incidence can be detected early and the trends of their spread monitored. Therefore, multispectral remote sensing images can help prevent further spread of pests and diseases, help to limit the damage to forests and meet the practical needs of forest protection.

forest diseases and pests; disease and pest monitoring; multispectral remote sensing images; spectral response; vegetation moisture content

10.13987/j.cnki.askj.2023.04.006

S771.8

A

孫偉韜（1982— ），男，碩士，高級(jí)工程師，從事城鄉(xiāng)規(guī)劃相關(guān)工作。E-mail:mmjzml@yeah.net