松材線蟲病變色松樹遙感監(jiān)測研究進(jìn)展

陶 歡，李存軍＊，程 成，蔣麗雅，胡海棠

(1.北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097；2.安徽省林業(yè)有害生物防治檢疫局，安徽合肥 230031)

松材線蟲?。╬ine wilt disease, PWD）被稱為松樹的“癌癥”，松樹感染此病后，從發(fā)病到死亡只要2～3 月，最快的40 d 左右即可表現(xiàn)出枯死狀(以下簡稱“變色松樹”)，3～5 a 間便可造成大面積毀林的惡性災(zāi)害。松材線蟲源于北美，傳入日本后于1905 年在長崎被發(fā)現(xiàn)，進(jìn)而逐漸擴散到東亞的中國、韓國和歐洲的葡萄牙等國家和地區(qū)，但直到1971 年才被證實其病原是松材線蟲（ Bursaphelenchus xylophilus， 或 Pine wood nematode），傳播的媒介是甲蟲[1]。目前國際上關(guān)于松材線蟲病的致病機理仍存在爭議，達(dá)成的共識是松材線蟲病是由多種病原體、寄主松樹、昆蟲媒介和氣候條件共同作用的結(jié)果[2]。松樹感染松材線蟲病后最顯著的外部特征變化是松針葉的變色和松脂分泌的減少，究其原因是松樹內(nèi)部光合生理參數(shù)（如光合作用、葉綠素含量、含水量）的變化[3]。這些變化在遙感圖像上的響應(yīng)產(chǎn)生光譜值的變化，為變色松樹的遙感監(jiān)測提供了可能。

近年來，我國高分系列衛(wèi)星的發(fā)射，為我國林業(yè)有害生物的監(jiān)測提供了很好的數(shù)據(jù)源，如可監(jiān)測大尺度的高分一號衛(wèi)星數(shù)據(jù)[4]，可監(jiān)測單株樹級別的高分二號衛(wèi)星數(shù)據(jù)，可對樹高和水分含量進(jìn)行監(jiān)測的高分三號雷達(dá)數(shù)據(jù)，可用于森林病蟲害定量監(jiān)測的高分五號衛(wèi)星數(shù)據(jù)等。無人機遙感作為一種快速、實時、可靠、無破壞性且便于大面積覆蓋的監(jiān)測技術(shù)，在第3 次全國林業(yè)有害生物普查工作中也已有應(yīng)用[5]。此外，計算機處理能力的不斷提高，尤其是機器視覺領(lǐng)域的圖像處理算法和硬件的發(fā)展，為衛(wèi)星和無人機遙感影像的應(yīng)用創(chuàng)造了很好的條件。松樹枯萎的原因較多，如干旱脅迫、山松甲蟲、松材線蟲病、衰老等。關(guān)于山松甲蟲導(dǎo)致的松樹枯萎遙感衛(wèi)星和無人機遙感監(jiān)測研究在北美地區(qū)開展了大量系統(tǒng)的研究[6-7]，而關(guān)于松材線蟲病的致病機理和防控措施在日本也有大量相關(guān)研究[8]，但有關(guān)松材線蟲病變色松樹的遙感監(jiān)測研究尚較分散。

本文對有關(guān)松材線蟲病變色松樹遙感監(jiān)測研究主題中涉及地面調(diào)查、衛(wèi)星遙感、無人機遙感和新出現(xiàn)的遙感解譯方法等方面的研究現(xiàn)狀與存在的問題進(jìn)行了綜合評述，思考一些未來可能的研究方向，最后提出一套適合于我國山區(qū)復(fù)雜環(huán)境星-機-地多源數(shù)據(jù)協(xié)同監(jiān)測變色松樹的方案。

1 松材線蟲病病感樹的生理生態(tài)特征和冠層光譜變化

1.1 寄主松樹病感階段的生理生態(tài)特征變化

松樹遭受松材線蟲病后，不同樹種間表現(xiàn)出一定的差異，但主要有兩種表現(xiàn)形式：一是樹木外部形態(tài)發(fā)生變化，如針葉褪色，枯萎；二是樹木內(nèi)部光合生理發(fā)生變化，如葉綠素含量和水分含量降低，光合作用和蒸騰作用下降。這些外部形態(tài)或內(nèi)部光合生理變化導(dǎo)致森林光譜反射和輻射特征的變化，在遙感影像上表現(xiàn)為光譜值的變化。這種內(nèi)外部變化和光譜值變化之間的關(guān)系構(gòu)成了遙感影像進(jìn)行變色松樹監(jiān)測的理論基礎(chǔ)。由光合生理參數(shù)的變化最終將表現(xiàn)為寄主松樹外部特征的變化[9]，相關(guān)變化整理結(jié)果如表1 所示。

病死疫木的病害發(fā)展過程分4 個階段，不同階段采用的遙感監(jiān)測方法會不同。

第1 階段外觀正常，樹脂分泌減少，蒸騰作用下降，在嫩枝上可見天?？惺硺淦さ暮圹E。這一階段松樹仍表現(xiàn)為綠色，健康松樹和變色松樹的光譜信號差異微弱。為了檢測這種變化，單個影像像素內(nèi)的地物數(shù)量必須最小化，相對差異必須最大化，這需要一個具有高空間分辨率和高光譜分辨率的傳感器。無人機機載高光譜的方式為這種早期監(jiān)測提供了可能。目前常采用紅邊數(shù)據(jù)或雷達(dá)數(shù)據(jù)的“水分含量”指示值因子實現(xiàn)疫木的早期監(jiān)測[10-11]，但目前的監(jiān)測精度不高，最精確的方式為防護(hù)工人地面調(diào)查取樣然后實驗室分析。Roberts et al[12]的研究表明無人機的飛行時間對于松材線蟲病的早期監(jiān)測是非常關(guān)鍵的，越早監(jiān)測到變色松樹，其監(jiān)測的誤差就越大，減少這類誤差可采用多時相方法[14]。此外，云量、干旱脅迫、積雪等環(huán)境因素可能會進(jìn)一步削弱這一階段的遙感監(jiān)測能力。

第2 階段針葉開始變色，樹脂分泌停止，除見天牛補充營養(yǎng)痕跡外，還可發(fā)現(xiàn)產(chǎn)卵刻槽及其它甲蟲侵害的痕跡。這一階段的松樹上會出現(xiàn)紅葉松針和綠葉松針混合的現(xiàn)象，且紅葉松針較少。若要實現(xiàn)精確的監(jiān)測，需要較高空間分辨率和較高光譜分辨率的遙感影像。

第3 階段大部分針葉變?yōu)辄S褐色，萎蔫，可見到天牛及其它甲蟲的蛀屑。在某些條件下，利用像素的光譜混合可以檢測到這一階段的變色松樹和健康松樹之間的光譜差異[13]。如果受到感染的變色松樹冠層直徑較大，且被感染的變色松樹較為集中，則可以提高變色松樹的監(jiān)測能力。因為變色樹冠層直徑越大，傳感器所需的空間分辨率和光譜分辨率越小。

第4 階段針葉全部變?yōu)辄S褐色至紅褐色，病樹整株干枯死亡，但針葉不脫落。對于第3、4 階段的變色松樹，現(xiàn)有的衛(wèi)星遙感監(jiān)測和無人機遙感監(jiān)測均能實現(xiàn)較高精度的識別。

表1 松樹接種松材線蟲后的特征變化Table 1 Variation of characteristics pine trees before and after the inoculation of Bursaphelenchus Xylophilus

1.2 松材線蟲病變色松樹冠層光譜

不同的植物具有不同的反射光譜特征，且同種植物也會因植物種類、生長階段、葉綠素含量、葉片含水量、健康狀況而異[15]。因此，采用高光譜技術(shù)間接診斷松材線蟲病的方法可為大區(qū)域遙感監(jiān)測提供可靠依據(jù)[16-17]。目前基于高光譜的松材線蟲病監(jiān)測目的主要是為了實現(xiàn)對松材線蟲病的早期監(jiān)測，如Ju et al[18]采用松樹冠層反射光譜數(shù)據(jù)來區(qū)分染病松樹和健康松樹、確定其敏感波段或波段組合并分析葉綠素含量和光譜指數(shù)在不同病感階段的關(guān)系以推測松樹的染病階段。Kim et al[19]通過分析松材線蟲病感染的松樹光譜變化確定早期監(jiān)測的最優(yōu)光譜指數(shù)。黃明祥等[20]連續(xù)觀測了健康和發(fā)病馬尾松針葉的時序高光譜數(shù)據(jù)，分析松材線蟲病害的光譜時序特征、最佳觀測時期和最佳光譜指數(shù)。徐華潮等[21]采用高光譜數(shù)據(jù)分析了不同病感階段松材線蟲病害的敏感光譜波段和葉綠素含量變化。

這些研究都證實了紅邊波段(680～780 nm)的位置和斜率變化是描述植物健康狀況的重要指示參數(shù)，可被用于松樹健康狀況的探測。從圖1a-c 可以看出[22]，紅邊斜率越大，松樹(馬尾松、黑松和黃山松)的生長狀態(tài)越好，紅邊位置會出現(xiàn)“紅移”；反之，則紅邊位置會相應(yīng)“藍(lán)移”。此外，光譜的一階、二階和高階導(dǎo)數(shù)具有消除背景噪聲，分辨重疊光譜，提取光譜參數(shù)的特點，如提取吸收峰位置，紅邊位置等，可用于研究植被受病蟲害的侵害導(dǎo)致的生化組分變化。

圖1 不同松樹不同病感階段冠層光譜反射率Fig.1 The canopy spectral reflectance in different stages of affection and different pinus L.

2 基于衛(wèi)星遙感的變色松樹監(jiān)測

2.1 衛(wèi)星遙感數(shù)據(jù)源

目前衛(wèi)星遙感技術(shù)仍然是森林病蟲害監(jiān)測的重要手段之一。光學(xué)衛(wèi)星遙感由于具有多波段和多時相的特點，對于變色松樹的監(jiān)測、定位、疫情評估均有優(yōu)勢。Wulder et al[23]以一個管理者的角度，提出了區(qū)域、景觀、局部3 種尺度山松甲蟲災(zāi)害變色松樹遙感監(jiān)測的時空需求，并對遙感監(jiān)測手段的優(yōu)缺點進(jìn)行了綜合論述。歐洲合資研究中心（JRC）在2014 年和2015 年進(jìn)行了一項先導(dǎo)性研究[24]，建立一套基于衛(wèi)星遙感的方法監(jiān)測受松材線蟲病感染的樹木。JCR 收集了該時間段不同傳感器來源和不同分辨率的衛(wèi)片和航片數(shù)據(jù)。目的是評價這些影像是否能夠 1）區(qū)分健康冠層和輕度枯死的冠層；2）區(qū)分不同級別的枯死。結(jié)果表明通過對這些影像進(jìn)行合適的處理，尤其是一些高空間分辨率和高光譜分辨率的航片足以識別松樹冠層的枯死。目前大多數(shù)的基于遙感進(jìn)行變色松樹監(jiān)測的對象均是山松甲蟲，表2 中總結(jié)了山松甲蟲衛(wèi)星遙感監(jiān)測的數(shù)據(jù)源、采用的方法和識別精度等，以期對我國的松材線蟲病遙感監(jiān)測能夠提供一些借鑒意義。

從表2 中可以看出，目前，常用于森林病蟲害的衛(wèi)星影像主要有Landsat TM/ETM+、QuickBird、IKONOS、Spot、WorldView 等遙感數(shù)據(jù)。對于粗空間分辨率衛(wèi)星影像的應(yīng)用方面，大量的研究證實了Landsat TM 或ETM+影像能夠?qū)ι剿杉紫x侵害的林分尺度的松樹實現(xiàn)70%～85%的監(jiān)測精度[15,30-32]，但如果對于發(fā)病的晚期受災(zāi)面積比較大時采用Landsat 可以實現(xiàn)超過85%的精度[32]。Landsat 影像的空間分辨率很低，由此產(chǎn)生的混合像元問題給變色松樹的監(jiān)測帶來挑戰(zhàn)，但是多時相的Landsat影像彌補了空間分辨率上的不足。這些研究中Landsat 的多光譜數(shù)據(jù)經(jīng)過纓帽變換(TC)得到明度、綠度和濕度后尋找與變色松樹數(shù)量之間的相關(guān)關(guān)系。Sharma and Murtha[35]論證了TC 變換后的參數(shù)在變色松樹和健康松樹之間存在顯著的差異。除了單景Landsat 影像的應(yīng)用外，多時相的影像經(jīng)過TCT 變換后可以用于評價山松甲蟲的損害程度。Franklin et al[13]使用自動檢測算法對30 m Landsat TM 影像的變色松樹識別，精度達(dá)到73.3%。Skakun et al.[29]使用多時相Landsat ETM+影像，采用TC 變換和EWDI 增強濕度差異指數(shù)對紅色變色松樹的解譯精度達(dá)到67%～78%。

表2 變色松樹衛(wèi)星遙感監(jiān)測數(shù)據(jù)源Table 2 Data sources of satellite remote sensing imagery for red attacked pine trees

對于高空間分辨率的衛(wèi)星應(yīng)用方面，White et al.[32]使用一種無監(jiān)督聚類方法(ISODATA)在4 m多光譜IKONOS 圖像上對損害程度為中低水平的山松甲蟲監(jiān)測，并與航空攝影影像的解譯結(jié)果進(jìn)行對比。結(jié)果表明對于松樹損害程度低的區(qū)域該方法實現(xiàn)70.1%的變色松樹識別精度，對于中度損害區(qū)域可實現(xiàn)92.5%的識別精度。Hicke et al.[33]應(yīng)用單時相或多時相QuickBird 遙感影像，認(rèn)為綠色指數(shù)(GVI)、紅綠指數(shù)(RGI) 及其差值，可以探測山松甲蟲危害的林木，分析松甲蟲的種群變化情況和評估治理成效等。

對于高光譜衛(wèi)星應(yīng)用方面White et al.[36]使用EO-1 高光譜數(shù)據(jù)計算6 個水分指數(shù)，并比較其與紅葉侵襲像素之間的相關(guān)性。結(jié)果表明含有短波紅外(SWIR)和近紅外(NIR)區(qū)域的高光譜水分指數(shù)與變色松樹疫情級別顯著相關(guān)。

2.2 基于衛(wèi)星多光譜遙感數(shù)據(jù)的變色松樹監(jiān)測方法

就分類方法而言，隨著研究尺度的不同，基于重訪周期、空間分辨率和光譜分辨率的考慮采用的數(shù)據(jù)源會不同，因此選用的分類方法也會不同。目前變色松樹衛(wèi)星遙感監(jiān)測方法主要包括基于像素的影像分類方法、面向?qū)ο蠓椒?、深度學(xué)習(xí)方法、植被指數(shù)法等。

(1)基于像素的影像分類方法

早期的衛(wèi)星影像分類主要針對的是低分辨率的影像，多采用基于像素的分類方法，包括K-Means、支持向量機法(SVM)、最大似然方法（MLC)、BP 神經(jīng)網(wǎng)絡(luò)、ISODATA 聚類等。Hicke et al.[33]利用Quick Bird 高分影像的4 波段圖像和MLC 分類方法成功提取了大面積山松甲蟲侵襲致死的白皮松狀況，并將提取制圖結(jié)果分為非植被、草地、健康松樹和感染松樹4 類。Dennison et al.[26]采用MLC方法和GeoEye-l 高分影像對美國黑松森林區(qū)域的病害松樹(灰色或紅色)和健康松樹（綠色）進(jìn)行分離。Poona et al.[37]在Quick Bird 數(shù)據(jù)上提取多種植被指數(shù)和穗帽變換成分后，將神經(jīng)網(wǎng)絡(luò)方法和貝葉斯分類器結(jié)合應(yīng)用于南非地區(qū)松樹脂潰瘍病感染樹木的提取。White et al.[32]利用ISODATA 方法和IKONOS 高分圖像對山松甲蟲的紅色攻擊區(qū)域進(jìn)行了監(jiān)測。由于松材線蟲病引起的變色松樹是一個變化的過程，難以利用單景高分衛(wèi)星影像實現(xiàn)高的分類精度，Wulder et al.[14]認(rèn)為可以利用多時相的高分?jǐn)?shù)據(jù)以獲得更高的分類精度。

(2)面向?qū)ο蠓椒?/p>

基于像素的分類方法是以單個像元為基本分類單元，通常使用的是影像的像元光譜信息，而不考慮空間信息，并且大多已經(jīng)發(fā)展成熟并打包到很多商業(yè)軟件中。隨著高分辨率影像的可獲得性提高，傳統(tǒng)的基于像素的分類方法對高分影像的對象提取結(jié)果噪音較大，并且缺乏提取對象的語義特征，難以實現(xiàn)對象級別的提取。面向?qū)ο蟮姆椒ǖ某霈F(xiàn)很好地彌補了這類分類方法的缺陷，目前己經(jīng)在高分影像上的應(yīng)用上取得較好的效果[38]。面向?qū)ο蟮姆诸惙椒ㄌ幚淼氖且幌盗邢裨募希ɑ蚍Q對象）。該類方法在分類前的第一步是對像元級的高分影像進(jìn)行分割，分割后的單元視為一個個對象。在森林病害感染樹木提取中，一些學(xué)者嘗試采用面向?qū)ο蠓椒ㄌ岣叻诸惖木取uo et al.[39]利用面向?qū)ο蠓椒ńY(jié)合專家知識分類法，成功地探測了櫟猝死病導(dǎo)致的病死樹區(qū)域。Johnson et al.[40]在監(jiān)測日本松墨天牛和小蠹蟲引起的樹木枯萎狀況時，采用多尺度的面向?qū)ο髨D像分類方法從HIS 融合后的高分衛(wèi)星影像上區(qū)分出變色樹和健康樹。

（3）深度學(xué)習(xí)方法

變色松樹的識別，受到噪音、光照、季節(jié)和很多其他因素的影響，給高分辨率的遙感分類帶來技術(shù)難度。傳統(tǒng)的基于像素的遙感影像分類方法需要人工選擇一些特征圖層，基于這些特征圖層形成劃分各類別的特征空間，然后再設(shè)計一個好的分類器實現(xiàn)不同類別的分類（如SVMs，K-NN）。但這些方法只能提取到原始影像數(shù)據(jù)的淺層特征（如光譜特征和紋理空間特征等），難以滿足山區(qū)復(fù)雜地形條件下地物分類的精度要求。即使使用面向?qū)ο蟮姆椒?，在有些混合像元較為嚴(yán)重的變色松樹和稀疏植被裸土交錯帶的分類結(jié)果也不是很理想。影響面向?qū)ο蠓椒ńY(jié)果精度的主要原因是分類特征的選擇，由于人為選擇分類特征的不具代表性，導(dǎo)致面向?qū)ο蠓诸惖慕Y(jié)果不理想的研究很多。近年來發(fā)展起來的深度學(xué)習(xí)方法[41-42]為解決這類問題提供了很好的解決方案。深度學(xué)習(xí)方法具有自學(xué)習(xí)功能，能夠?qū)W習(xí)到一些高級抽象的空間特征或光譜特征，其具有更強的“泛化”能力[41]，因此能夠提高復(fù)雜環(huán)境下的地物分類精度。

目前深度學(xué)習(xí)方法應(yīng)用于遙感領(lǐng)域主要包括影像的預(yù)處理[43-44]、基于像素的分類、目標(biāo)識別和場景理解4 個方面。而對于變色松樹的識別屬于目標(biāo)識別領(lǐng)域。隨著衛(wèi)星影像的空間分辨率的提高，遙感影像的分析開始從單個像素轉(zhuǎn)向地理對象，甚至語義級別的地理對象（如房屋，松樹，交通工具等）。基于高分衛(wèi)星影像的目標(biāo)識別要比自然照片中的目標(biāo)識別更具挑戰(zhàn)。一方面是因為自然照片中的目標(biāo)對象尺寸更大，而光學(xué)遙感影像上的目標(biāo)對象通常只有幾個至幾十個像素不等的小對象特征。Ren et al.[45]嘗試對Faster R-CNN 模型進(jìn)行修正以適應(yīng)遙感圖像小對象的較高精度識別。另一方面，大尺度的光學(xué)遙感影像對象檢測受復(fù)雜背景地物的干擾較大，難以實現(xiàn)高精度的識別結(jié)果。此外，遙感領(lǐng)域很難獲取特定對象的大量樣本，使得深度學(xué)習(xí)網(wǎng)絡(luò)提取的對象特征“泛化”能力不強[46]。Yang et al.[47]借鑒人類認(rèn)知過程中的對同一對象的多角度認(rèn)識過程實現(xiàn)遙感影像上對象特征的提取。

(4)其他輔助方法

一些特征變化方法可將原始特征通過特定函數(shù)變換到新的特征空間，目前常用的方法有: Gra-Sdimidt 變換、主成分分析(PCA)、纓帽變換(TC)、光譜混合分析、變化向量分析[48-49]、小波變換、最小噪聲分析變化等。衛(wèi)星遙感數(shù)據(jù)還能夠很好地與其他測繪數(shù)據(jù)、地形數(shù)據(jù)、氣象數(shù)據(jù)和森林林分調(diào)查數(shù)據(jù)進(jìn)行集成應(yīng)用。為提高高分辨率衛(wèi)星影像監(jiān)測松材線蟲病變色松樹的精度，一方面可以加入一些輔助數(shù)據(jù)，如地形要素、樹種分布或一些地面輔助調(diào)查數(shù)據(jù)等；另外采用衛(wèi)星遙感數(shù)據(jù)監(jiān)測松材線蟲病變色松樹的最大優(yōu)勢在于其能夠獲取疫區(qū)的多時相數(shù)據(jù)。Skakun et al.[29]通過多時相的ETM+數(shù)據(jù)和經(jīng)TC 變換導(dǎo)出的濕度，計算出濕度差指數(shù)EWDI，利用EWDI 進(jìn)行全葉分析來識別變色松樹。

3 基于無人機的變色松樹遙感監(jiān)測

3.1 無人機數(shù)據(jù)的獲取

無人機（Unmanned Aerial Vehicle, UAV）是一種由動力驅(qū)動、機上無人駕駛、依靠空氣提供升力、可重復(fù)使用航空飛行器的簡稱。盡管大量研究均表明多光譜和多時相衛(wèi)星遙感影像能夠用于探測病蟲害引起的變色松樹監(jiān)測，然而受其空間分辨率、大氣影響和重訪周期的限制，對于特定時間窗口單株樹級別的變色松樹監(jiān)測難以準(zhǔn)確定位。無人機遙感是一種低空遙感監(jiān)測手段，在數(shù)據(jù)獲取過程中受大氣的影響較小、靈活性、時空分辨率均可根據(jù)需求調(diào)整[50]。隨著無人機平衡架、慣性測量單元(IMU)、全球?qū)Ш叫l(wèi)星系統(tǒng)(GNSS)和其他零部件技術(shù)的發(fā)展，無人機的定位和圖像質(zhì)量得到顯著的提升[51]。

近年來無人機技術(shù)的發(fā)展，特別是一些關(guān)鍵技術(shù)的突破，為自然資源的遙感監(jiān)測提供了新的搭載平臺[52]。除無人機硬件設(shè)施的提高外，山區(qū)復(fù)雜環(huán)境下無人機數(shù)據(jù)的獲取在航線規(guī)劃時還需考慮相機參數(shù)、航向疊片率、旁向疊片率、空域要求等因素。起伏不大的地形區(qū)域，采取一般航線規(guī)劃技術(shù)按平行帶狀進(jìn)行航空攝影拍照即可。對地勢起伏較大的局部地區(qū)，學(xué)者[53]提出從可見光相機硬件和航線規(guī)劃兩方面改進(jìn)以保證獲取的航片質(zhì)量：一個是采取通過無人機搭載多個數(shù)字相機以克服地形起伏給航片帶來的畸變；另一個是根據(jù)山地的等高線來規(guī)劃航拍的路線，按照等高線分割成小的區(qū)域依次實施航測或者采取增加重疊度和疊片率的辦法保證圖像質(zhì)量。

3.2 基于無人機可見光遙感變色松樹監(jiān)測

我國松材線蟲病發(fā)病或病死的疫木是空間分散的，很難采用衛(wèi)星遙感進(jìn)行監(jiān)測。而近年來發(fā)展起來的無人機遙感技術(shù)為我國變色松樹的快速定位和總量估計帶來了解決辦法。然而，目前在分散的單株變色松樹無人機影像提取中仍然停留在目視判讀的水平[53-54]，完全依靠人工目視判讀變色松樹的工作方案效率低、主觀性強[55-56]?，F(xiàn)有的支持向量機[57-58]、面向?qū)ο骩59]、神經(jīng)網(wǎng)絡(luò)[60-61]等遙感數(shù)據(jù)分類提取算法雖然一定程度上提高人工目視判讀的效率，但就時間復(fù)雜度而言難以滿足GB 甚至TB 數(shù)量級的超高空間分辨率大區(qū)域無人機影像計算需求[62]。

Cheng et al.[42]將光學(xué)遙感中地理對象的探測方法分為5 大類別：模板匹配對象檢測方法[63]、基于知識的對象檢測方法[64]、基于OBIA 對象分析的對象檢測方法[65]和基于機器學(xué)習(xí)的對象檢測方法[66-67]。卷積神經(jīng)網(wǎng)絡(luò)方法（CNNs）是機器學(xué)習(xí)方法的一種（如R-CNN 或Faster RCNN 模型的改進(jìn)），目前基于CNNs 的地理對象探測中雖然識別精度非常高，但其探測對象主要為機場[68]、汽車[47]、建筑物[69]等清晰可見的目標(biāo)，針對山區(qū)復(fù)雜地形條件下變色松樹的單株木探測的精度如何還未曾有相關(guān)研究報道。

與一些基于高分衛(wèi)星遙感的單株樹樹冠監(jiān)測的研究[70]不同，無人機高分辨率影像在分辨率提高的同時也給變色松樹提取工作帶來了一定的困難，比如裸地陰影明顯、樹冠變化過多、變色松樹和健康松樹之間邊界復(fù)雜等問題。在研究變色松樹無人機遙感監(jiān)測的精度評價時，還需要選擇由松樹與其他不同地面地物組合的不同情景下的多個樣方實驗，評價各情景下的不確定性情況以增強研究方法的魯棒性。如表3 中的常見樣方典型地物組成成份。

3.3 基于無人機高光譜遙感的松材線蟲病疫情評價

機載高光譜的出現(xiàn)為高分影像上“同物異譜”或“異物同譜”的情況提供了解決辦法，如區(qū)分變色松樹和其他紅色闊葉樹、稀疏植被裸土等。Kim et al.[19]基于多時相的高光譜1 m 空間分辨率航拍數(shù)據(jù)，采用NDVI 和VIgreen 識別砍伐的和未砍伐的變色松樹。但由于機載高光譜的空間分辨率很高，且在數(shù)據(jù)采集時受局部視場條件和光照條件以及冠層結(jié)構(gòu)的差異，同一棵樹的冠層亮度值差異很明顯，因此變色松樹像元位置的選擇對光譜曲線的影響很大。N?si et al.[71]使用UAV 遙感制圖山松甲蟲的損害程度，發(fā)現(xiàn)使用機載高光譜影像對森林病蟲害的探測要優(yōu)于多光譜影像，主要是因為其具有詳細(xì)的連續(xù)的地物光譜信息。Leckie et al.[72]比較了整株樹樹冠，向陽部分的樹冠、陰影部分的樹冠和樹頂最亮部分4 個位置，結(jié)果發(fā)現(xiàn)整個樹冠和向陽部分的樹冠對于變色松樹的屬性反演結(jié)果最好。Coops et al.[73]在機載高光譜單株樹的選擇時采用“樹暈去中心”的方法獲得了很好的變色松樹分級結(jié)果圖。

表3 典型地物的RGB 影像Table 3 RGB images of typical categories

此外，高光譜遙感變色松樹監(jiān)測的另一個“核心問題”是如何選擇好的特征波段來刻畫地物光譜與空間影像特征。Fassnacht et al.[74]的變色松樹高光譜識別研究中采用遺傳算法(GA)篩選特征波段，發(fā)現(xiàn)特征波段的選擇對變色松樹分類的精度很重要。最新的研究中Zhang et al.[75]采用了3 種特征波段的選擇方法，實現(xiàn)了松樹純林環(huán)境下分段擬合變色松樹95.23%的監(jiān)測精度。然而，這種手工選擇影像特征的方法很難有效區(qū)分變色松樹和其他地物，因為人為設(shè)計的特征過多地依賴于專家知識和影像源數(shù)據(jù)本身。目前研究中所采用的特征波段選擇均是針對某種特定情景下適合的，缺乏足夠的“泛化”能力。近年來深度學(xué)習(xí)在高光譜的應(yīng)用中得到了大量地應(yīng)用[41,76]，借助Hinton[77]提出的深度學(xué)習(xí)方法，遙感影像地物自動識別效率取得了較大的提高。深度學(xué)習(xí)通過多層處理機制揭示隱藏在數(shù)據(jù)中的非線性特征，能夠從大量的訓(xùn)練數(shù)據(jù)集中得到“自動學(xué)習(xí)特征”，使得遙感識別特征的選擇從“手工選擇”向“自動選擇”的轉(zhuǎn)變。

4 松材線蟲病變色松樹遙感監(jiān)測存在的問題及展望

4.1 監(jiān)測手段單一的問題

松材線蟲病疫區(qū)變色松樹的監(jiān)測手段包括地面調(diào)查、無人機遙感調(diào)查、衛(wèi)星遙感調(diào)查，具體選擇哪種方法取決于調(diào)查的目的。不同的監(jiān)測手段即選擇不同的數(shù)據(jù)源，Lee et al.[78]探討了多源（IKONOS，QuickBird，航拍照片等）多時相高空間分辨率遙感數(shù)據(jù)對于松材線蟲病導(dǎo)致的變色松樹識別的潛力，發(fā)現(xiàn)不同遙感平臺的數(shù)據(jù)各有其優(yōu)勢，如衛(wèi)星遙感的多時相優(yōu)勢、無人機遙感的高空間分辨率和高靈活性優(yōu)勢、地面調(diào)查高可靠性優(yōu)勢等。未來，多種監(jiān)測手段的協(xié)同技術(shù)將成為制約松材線蟲病遙感監(jiān)測的關(guān)鍵瓶頸。

第3 次全國林業(yè)有害生物普查工作中是以地面調(diào)查為主要手段。鑒于松材線蟲病具有“致病力強、發(fā)病時間短、傳播速度快、治理難度大”的特點，目前最有效的防治辦法是清除發(fā)病或病死疫木[79]。及時發(fā)現(xiàn)和準(zhǔn)確定位變色松樹對于病死疫木的清理及該病的防控具有重要價值。但是地面調(diào)查方式的成本高、周期長，不利于大面積變色松樹分布信息的獲取，且難以滿足大區(qū)域的應(yīng)急性需要。而且發(fā)病或病死疫木在山區(qū)是空間分散的，僅靠人工地面逐株排查不但工作量巨大，時間周期長，容易遺漏，難以全面地掌握疫情動態(tài)的問題。

在遙感監(jiān)測方面，與加拿大采用衛(wèi)星遙感監(jiān)測大面積地勢平坦地區(qū)的山松甲蟲變色松樹不同[30]，我國的松材線蟲病發(fā)病地區(qū)主要分布在中國東南部的山地區(qū)域，這些地區(qū)地勢復(fù)雜，而且光學(xué)遙感影像受云層的影響非常嚴(yán)重[80]；關(guān)于無人機遙感監(jiān)測，目前大多數(shù)變色松樹無人機遙感影像的解譯工作仍然是靠人工目視判讀，這種方式對判讀人員要求很高，具有主觀性強、多人協(xié)作難以統(tǒng)一標(biāo)準(zhǔn)且難以滿足大區(qū)域快速判讀要求的特點[55]。這也一定程度上延遲了森防人員對疫木的清理，加劇了疫情擴散。找到一種適合于超高空間分辨率、大數(shù)據(jù)量的無人機影像自動處理算法對于變色松樹的快速識別、消除人工判讀誤差顯得尤為重要。

4.2 變色松樹遙感監(jiān)測中的定位、識別和計數(shù)問題

松材線蟲病變色松樹的遙感監(jiān)測包括識別、分級和計數(shù)3 個階段：識別階段是從遙感影像上快速定位出變色松樹的位置，并對定位的每株變色松樹是否為變色松樹進(jìn)行判定；分級階段是對變色松樹的病感階段（或稱枯死程度）進(jìn)行定量評估；計數(shù)階段是對所有定位的變色松樹按照識別的病感階段進(jìn)行分類統(tǒng)計計數(shù)。關(guān)于松材線蟲病監(jiān)測，國家層面早在2009 年已發(fā)布了技術(shù)規(guī)程《松材線蟲普查監(jiān)測技術(shù)規(guī)程》[81]，該規(guī)程有利于指導(dǎo)全國松材線蟲病普查和監(jiān)測的工作。關(guān)于松材線蟲病遙感監(jiān)測，2016 年安徽省質(zhì)量技術(shù)監(jiān)督局發(fā)布了安徽省地方標(biāo)準(zhǔn)《基于無人機平臺的松材線蟲病枯死松樹監(jiān)測技術(shù)規(guī)程》[22]，2018 年中國林學(xué)會預(yù)發(fā)布了行業(yè)標(biāo)準(zhǔn)《無人機遙感監(jiān)測異常變色木操作規(guī)程》，規(guī)程中規(guī)定了應(yīng)用無人機遙感監(jiān)測和識別異常變色松樹的航攝系統(tǒng)要求、航攝計劃與設(shè)計方案、攝影質(zhì)量要求、信息處理與地面驗證方法、監(jiān)測報告和檔案管理等操作規(guī)程，為松材線蟲病所致異常變色松樹的早期發(fā)現(xiàn)、疫情核查與防治效果評價提供了支持。利用光學(xué)遙感識別、分級和計數(shù)變色松樹目前亟需解決以下幾個科學(xué)問題：

（1）定位方面包括遙感圖像拼接不佳導(dǎo)致的局部區(qū)域圖像扭曲，受地形、坐標(biāo)系轉(zhuǎn)換、風(fēng)速對無人機姿態(tài)等的影響導(dǎo)致的遙感影像幾何偏移問題；

（2）識別方面包括變色樹漏判和誤判問題。漏判的情況如變色樹冠層被遮擋、變色樹冠層直徑太小、圖像拼接不佳導(dǎo)致的部分地區(qū)變色樹難以判別；誤判情況如把別的地物如黃色灌木、裸土、枯死草地或地面已伐未封袋死樹等判為變色樹。

（3）計數(shù)方面包括漏判導(dǎo)致的少計數(shù)和誤判導(dǎo)致的多計數(shù)。無人機影像上統(tǒng)計的結(jié)果總是低估了變色松樹的實際總量，究其原因：一是多株變色松樹在無人機遙感影像上邊界模糊，因此容易將多株相鄰的變色松樹判為1 株，造成漏判；另一方面，處于下層的變色松樹被上層的健康松樹遮擋，而無法在遙感影像上體現(xiàn)，從而導(dǎo)致下層的變色松樹漏判。

4.3 多源遙感數(shù)據(jù)協(xié)同監(jiān)測松材線蟲病變色松樹的展望

為結(jié)合多種調(diào)查手段的優(yōu)勢，彌補其不足，未來的研究中可采用“星-機-地”多源數(shù)據(jù)協(xié)同監(jiān)測變色松樹(如圖2)。首先采用地面調(diào)查統(tǒng)計數(shù)據(jù)和非成像高光譜數(shù)據(jù)，精細(xì)DEM 數(shù)據(jù)作為衛(wèi)星遙感影像校正和疫情分區(qū)分級的基礎(chǔ)，然后通過疫情分級專題圖得到的疫情嚴(yán)重區(qū)邊界作為指導(dǎo)無人機影像作業(yè)的范圍，基于獲取的無人機影像采用適合于超高分辨率、大數(shù)據(jù)量的無人機影像高效處理的深度學(xué)習(xí)算法對單株疫木進(jìn)行定位和計數(shù)，最后導(dǎo)出單株疫木的經(jīng)緯度坐標(biāo)指導(dǎo)疫情嚴(yán)重區(qū)的地面疫木砍伐工作。

（1）基于地面調(diào)查數(shù)據(jù)和衛(wèi)星影像提取疫情發(fā)生前的松樹邊界

基于衛(wèi)星遙感手段的大區(qū)域松樹的空間分布信息是松材線蟲病防治的第一步。然而，當(dāng)前基于光學(xué)遙感提取山區(qū)松林仍受山區(qū)陰影的嚴(yán)重影響，這給利用光學(xué)遙感技術(shù)提取山區(qū)松樹分布帶來困難。地形校正方法是一種減弱山區(qū)地形陰影對遙感光譜值影響的常用方法，可提高光學(xué)遙感影像的數(shù)據(jù)質(zhì)量。可利用資源三號立體像對提取的高分辨率DEM 來計算不同地形校正模型的地形校正參數(shù)，對校正后的多時相高分辨率光學(xué)遙感影像進(jìn)行分類提取，從而準(zhǔn)確地獲取疫情發(fā)生前山區(qū)松樹空間分布信息。

（2）基于地面非成像光譜數(shù)據(jù)和衛(wèi)星影像識別疫情嚴(yán)重區(qū)邊界

受災(zāi)范圍、面積和受災(zāi)程度的動態(tài)監(jiān)測和損失評估是松樹疫情監(jiān)測的一項重要工作，尤其是大尺度松材線蟲病的防治對于森林防護(hù)部門來說是一大挑戰(zhàn)。由于松材線蟲病的傳播速度快，疫情嚴(yán)重地區(qū)是需要最先采取措施的區(qū)域，因此區(qū)域疫情的分級工作尤為重要?？刹捎玫孛婧褪覂?nèi)高光譜定量測量，測定不同程度枯死松針葉和健康松針葉區(qū)分的敏感波段，構(gòu)建松材線蟲病疫情分級的光譜指數(shù)，采用多時相高分辨率衛(wèi)星遙感數(shù)據(jù)實現(xiàn)疫情的分區(qū)分級研究。對于不同疫級的區(qū)域采用不同的防護(hù)措施，如對疫情嚴(yán)重區(qū)域采取無人機進(jìn)行監(jiān)測以識別需要砍伐的單株疫木位置。

圖2 多源遙感協(xié)同的松材線蟲病變色松樹監(jiān)測框架Fig.2 Framework of PWD monitoring by multi-source data collaboration

（3）基于地面數(shù)據(jù)和無人機影像數(shù)據(jù)定位單株疫木并總量計數(shù)統(tǒng)計松材線蟲病的防治在目前來說最有效的辦法是清除發(fā)病和病死疫木。而病死疫木在松材線蟲病發(fā)病的早期階段是分散的，森林防護(hù)人員在山地區(qū)域?qū)ふ乙吣敬嬖诠ぷ髁烤薮?、且容易遺漏的問題。結(jié)合深度學(xué)習(xí)目標(biāo)檢測的方法和無人機影像實現(xiàn)對單株疫木的智能自動定位與計數(shù)，可為林業(yè)疫木砍伐工程實施提供基礎(chǔ)數(shù)據(jù)支撐。