基于無人機(jī)遙感植被指數(shù)的松材線蟲病枯死木自動提取研究

應(yīng)興亮　黃　菲　余啟源

基于無人機(jī)遙感植被指數(shù)的松材線蟲病枯死木自動提取研究

應(yīng)興亮1黃菲1余啟源2

（1.福建林業(yè)職業(yè)技術(shù)學(xué)院林學(xué)系福建南平353000；2.泉州涌明生物科技有限公司福建泉州362000）

目前輕小型無人機(jī)被廣泛應(yīng)用于松材線蟲病發(fā)生情況的監(jiān)測和枯死木提取工作。本研究采用植被指數(shù)加入松材線蟲病枯死木提取工作，計算ExG指數(shù)、ExG-ExR指數(shù)和GLI指數(shù)，以三種植被指數(shù)分析其提取枯死木的閾值并統(tǒng)計枯死木提取情況，利用ArcGIS模型工具將工作步驟封裝打包，便于基層林業(yè)單位直接使用。結(jié)果表明，ExG指數(shù)在提取枯死木時精度達(dá)90%以上，在三種指數(shù)中精度最高，模型工具相對人工目視解譯速度提高30%以上。

無人機(jī)遙感；松材線蟲??；植被指數(shù)；自動提取

松材線蟲病是松樹的毀滅性病害，松樹感染松材線蟲病最快40 d即枯死，松林則在3年～5年內(nèi)會逐步毀滅。松材線蟲病傳入我國的30多年間已造成直接經(jīng)濟(jì)損失約120億元，間接經(jīng)濟(jì)損失約360億元。目前，松材線蟲病在全國有逐漸向內(nèi)陸地區(qū)蔓延的趨勢。現(xiàn)階段松材線蟲病的防治尚無較有效的方法，對變色枯死的松木準(zhǔn)確監(jiān)測，同時進(jìn)行采伐和處理，配合松林改造工作防止其傳播媒介松墨天牛進(jìn)一步擴(kuò)散，成為松材線蟲病防治的工作重點(diǎn)。

1 研究背景

現(xiàn)階段，無人機(jī)遙感技術(shù)被廣泛應(yīng)用于松材線蟲病的監(jiān)測，取得了良好的效果，通過各類圖像解譯方法可以快速、準(zhǔn)確地提取出松材線蟲病變色松木位置。常用的影像提取方法包括面向?qū)ο蠓诸悺⑸疃葘W(xué)習(xí)等。武紅敢等使用固定翼無人機(jī)在松材線蟲病監(jiān)測窗口期對重慶市沙坪壩區(qū)松材線蟲病感病木進(jìn)行定位，并利用航拍影像輔助外業(yè)核查[1]；劉遐齡等使用面向?qū)ο蠓诸惙椒▽λ刹木€蟲病影像進(jìn)行自動分類，計算機(jī)自動提取僅使用0.5 h，速度優(yōu)于人工目視解譯，且精度僅相差約2%，無人機(jī)和影像提取技術(shù)為感病松樹的定位提供了快速的方法[2]。除此之外，如何提高無人機(jī)識別感病松樹的準(zhǔn)確率成為近年來新的研究重點(diǎn)，影像識別中加入更多光譜信息可以提高其準(zhǔn)確率。張素蘭等采集了70條不同健康程度馬尾松植株的光譜數(shù)據(jù)，通過分析其光譜特征參數(shù)RGP（綠峰反射率）、FRB（紅谷反射率）和RES（紅邊斜率），構(gòu)建松材線蟲蟲害估測模型[3]；杜華強(qiáng)等分析感病松樹450 nm～780 nm反射光譜曲線的分形維數(shù)，從而判斷松樹健康程度[4]；黃寶華對無人機(jī)多光譜相機(jī)采集的720 nm波段影像計算其一階導(dǎo)數(shù)，較好地提取出了感病黑松的數(shù)量[5]。

結(jié)合目前林業(yè)生產(chǎn)工作情況，基層工作人員提取松材線蟲病變色松木位置依靠目視解譯，解譯精度取決于解譯人員的經(jīng)驗(yàn)和影像質(zhì)量等因素。其中，如何簡單、快速地消除落葉樹種對定位感病松樹過程的影響，也是解決遙感技術(shù)“異物同譜”問題的難點(diǎn)之一[6]。對此，本文提出利用無人機(jī)RGB影像，結(jié)合植被指數(shù)運(yùn)算分類松材線蟲病枯死木，對復(fù)雜分類過程建立處理流程，通過簡單步驟完成枯死木影像自動分析提取，通過對分類精度、運(yùn)算速度等因素的綜合分析，尋找快速、準(zhǔn)確地定位松材線蟲病感病松樹的方法，為基層松材線蟲病監(jiān)測和防控提供數(shù)據(jù)支持。

2 研究區(qū)域與實(shí)驗(yàn)方法

2.1 研究區(qū)域概況

本研究選取福建省南平市延平區(qū)南山鎮(zhèn)葫蘆山林場為研究區(qū)，其地理位置在東經(jīng)118°23′2″、北緯26°31′20″附近。延平區(qū)位于福建省中部偏北，閩江上游建溪、沙溪、富屯溪匯合處，為閩江干流的源頭。延平區(qū)屬中亞熱帶海洋季風(fēng)氣候，年均氣溫17.3 ℃，年降水量1 669 mm，地處閩中大谷地最低處，東北部以低山為主，北部以中山為主，南部以中低山為主，西部為低山丘陵。

延平區(qū)森林覆蓋率達(dá)74.11%，是中國南方三大杉木產(chǎn)區(qū)之一，區(qū)內(nèi)除盛產(chǎn)杉、松、竹外，還有近百種名貴珍稀樹木，其中南方紅豆杉、柳杉、建柏、閩楠、銀杏等15種樹種被列為國家級和省級保護(hù)樹種。根據(jù)《國家林業(yè)和草原局公告（2022年第6號）》，2022年延平區(qū)成為松材線蟲病疫區(qū)，且由于夏季干旱等氣候因素影響，延平區(qū)松材線蟲病發(fā)生情況嚴(yán)重，防控工作壓力較大。

2.2 數(shù)據(jù)獲取與處理

本研究使用縱橫CW-007垂直起降固定翼無人機(jī)搭載6 100萬像素航拍相機(jī)采集航拍照片。該款垂直起降固定翼無人機(jī)系統(tǒng)續(xù)航時間可達(dá)2 h，作業(yè)面積10 km2以上，可以完成大面積森林資源監(jiān)測和巡護(hù)任務(wù)。本次采集作業(yè)在2022年6月26日完成，無人機(jī)飛行時天氣晴好。無人機(jī)飛行采集數(shù)據(jù)使用地面站軟件規(guī)劃航線，飛行高度600 m，航線重疊率75%，旁向重疊率75%。無人機(jī)支持免像控航測拍攝，無人機(jī)圖像處理采用Pix4D生成點(diǎn)云、DOM（數(shù)字正射影像）、DSM（數(shù)字地表模型）等，生成正射影像數(shù)據(jù)面積5.56 km2，影像精度0.07 m。無人機(jī)航測影像結(jié)果如圖1所示。

圖1　研究區(qū)無人機(jī)航測影像

2.3 植被指數(shù)的提取

植被指數(shù)被廣泛應(yīng)用在遙感影像分類中，松材線蟲病枯死木的提取因其樣本特點(diǎn)明顯，與周圍植被差異較大，用于區(qū)別植被與非植被的植被指數(shù)可以用于提取枯死木位置。但松材線蟲病枯死木會經(jīng)歷顏色上從松針變色到整株變白的不同階段，所以植被指數(shù)應(yīng)能覆蓋其所有顏色變化。綜合前人對于植被指數(shù)分類提取地物的研究，發(fā)現(xiàn)ExG指數(shù)[7]、ExG-ExR指數(shù)[8]和GLI指數(shù)[9]在提取不同類型植被和地物上具有較好的作用，三種植被指數(shù)的計算公式如表1所示。

表1　植被指數(shù)類型及計算公式

注：表示紅光波段值，表示綠光波段值，表示藍(lán)光波段值。

2.3.1 ExG指數(shù)

ExG指數(shù)根據(jù)土壤在RGB波段的反射特點(diǎn)，特別是在強(qiáng)化綠波段特性時，也減弱紅波段和綠波段的影響，以增強(qiáng)植被與土壤間的波段差異，減少陰影土壤帶來的邊界差異，使得植被與土壤更易區(qū)分。

2.3.2 ExG-ExR指數(shù)

ExG-ExR指數(shù)是根據(jù)ExG指數(shù)改進(jìn)的顏色指數(shù)，Meyer等通過將ExG指數(shù)圖像與ExR指數(shù)圖像相減，發(fā)現(xiàn)基于0閾值的ExG-ExR指數(shù)可以很好地將植被與背景分離[8]。

2.3.3 GLI指數(shù)

GLI指數(shù)又被稱為VDVI指數(shù)（visible-band difference vegetation index，可見光波段差異植被指數(shù)），是無人機(jī)可見光影像處理中用于替代NDVI（normalized difference vegetation index，歸一化植被指數(shù)）的方法。NDVI指數(shù)計算中需要使用近紅外波段加入運(yùn)算，傳統(tǒng)衛(wèi)星遙感中波段匹配適合使用，而常見無人機(jī)獲取的是可見光影像，其中只包含紅綠藍(lán)波段，其植被指數(shù)的運(yùn)算則需要做出調(diào)整。在自然界中，植被對可見光中的綠波段是強(qiáng)反射，對近紅外波段同樣是強(qiáng)反射，而對紅藍(lán)波段則產(chǎn)生強(qiáng)吸收，GLI指數(shù)利用這一特性，用綠波段反射率替代近紅外波段反射率，同時以紅藍(lán)波段組合代替NDVI指數(shù)中的紅波段，以2倍綠波段值與NDVI指數(shù)中近紅外波段和相當(dāng)。

2.4 枯死木分類閾值提取

利用植被指數(shù)提取枯死木過程中的重要工作是要找到區(qū)分健康林木和枯死木的閾值，閾值的準(zhǔn)確與否關(guān)系到提取枯死木的準(zhǔn)確性和冗余信息的量。本研究首先通過目視解譯獲取枯死木分布中心點(diǎn)，再圍繞中心點(diǎn)采集其周圍1 m×1 m范圍內(nèi)植被指數(shù)圖層像元的平均值、最大值、最小值、標(biāo)準(zhǔn)差等參數(shù)。通過綜合所有枯死木點(diǎn)的像元平均值，得到初步提取閾值，接下來驗(yàn)證閾值的準(zhǔn)確性，經(jīng)過提取后得到基于植被指數(shù)的枯死木點(diǎn)位，對比目視解譯結(jié)果觀察哪些位置出現(xiàn)增加或減少的情況，進(jìn)而微調(diào)閾值，得到枯死木提取最優(yōu)分類閾值。

2.5 枯死木快速提取工具

以往對枯死木提取通常通過遙感軟件分類后得到相應(yīng)位置，而林業(yè)生產(chǎn)基層多要求步驟少、精度高的提取工具。本研究基于ArcGIS軟件開展全部數(shù)據(jù)處理工作，降低基層工作者學(xué)習(xí)成本和應(yīng)用成本。在ArcGIS軟件中使用模型工具，集合柵格計算器、重分類和柵格轉(zhuǎn)面等工具后，轉(zhuǎn)為模型工具包，在后期使用時只需分別輸入無人機(jī)影像中的紅、綠、藍(lán)波段信息，便可以實(shí)現(xiàn)枯死木自動提取功能?？菟滥究焖偬崛∧Ｐ偷闹匾襟E包含計算植被指數(shù)、基于閾值提取枯死木點(diǎn)、枯死木提取精度判斷、枯死木位置確定?？菟滥咎崛∧Ｐ途唧w步驟和流程如圖2所示。

圖2　枯死木快速提取模型流程圖

2.5.1 計算植被指數(shù)

在ArcMap模型構(gòu)建器模塊中，分別添加影像的紅綠藍(lán)波段，導(dǎo)入柵格計算器工具，分別根據(jù)上文公式計算ExG指數(shù)、GLI指數(shù)和ExG-ExR指數(shù)。特別注意的是，植被指數(shù)運(yùn)算結(jié)果需要保存為浮點(diǎn)型。

2.5.2 基于閾值提取枯死木點(diǎn)

計算得到植被指數(shù)后，使用柵格重分類功能，輸入閾值對植被指數(shù)計算結(jié)果進(jìn)行重分類，利用掩膜剔除非林地區(qū)域，獲得枯死木位置。使用柵格轉(zhuǎn)面功能將枯死木位置轉(zhuǎn)換為矢量數(shù)據(jù)，同時為避免細(xì)碎斑塊影響統(tǒng)計，將面積過小的斑塊剔除。

2.5.3 人工判讀三種植被指數(shù)的準(zhǔn)確率

到此步驟時，已經(jīng)得到了三種植被指數(shù)提取的枯死木位置，為了提高精度，減少人工檢查的時間，這里將三種枯死木提取后的信息做疊加分析，篩選出沒有疊加的位置，人工再進(jìn)行復(fù)核。增加此步驟可以避免人工重復(fù)檢查，較為明確地判斷枯死木位置，重點(diǎn)檢查疑似位置。

2.5.4 確定枯死木位置

最后，經(jīng)過人工檢查即可獲得準(zhǔn)確的枯死木矢量位置，同時提取枯死木矢量位置的經(jīng)緯度坐標(biāo)信息，用于后期檢查或枯死木采伐工作。

3 試驗(yàn)結(jié)果評價

3.1 植被指數(shù)計算及閾值提取

利用ArcGIS軟件的柵格計算器功能完成植被指數(shù)的運(yùn)算。如表2所示，枯死木在影像中表現(xiàn)為較深的顏色，ExG指數(shù)枯死木和健康林木分離明顯，且林中的陰影和空地部分與枯死木有明顯分離，不易混淆，道路和大面積裸露巖石與枯死木影像相似，但是面積和形狀有明顯差異；GLI指數(shù)枯死木可以明顯分離，但是林中空隙和陰影容易被混入枯死木范圍內(nèi)，部分巖石也會被混入其中；ExG-ExR指數(shù)可以將枯死木與健康林木較為清晰地分離，但在林中存在部分空隙容易與枯死木混淆。

表2　松材線蟲病枯死木植被指數(shù)計算結(jié)果

在閾值提取中，通過分析枯死木點(diǎn)1 m×1 m范圍內(nèi)植被指數(shù)圖層像元的平均值、最大值、最小值、標(biāo)準(zhǔn)差等參數(shù)，得出三種植被指數(shù)的分類閾值和分類精度情況，其中精度以目視解譯為標(biāo)準(zhǔn)對比。各植被指數(shù)枯死木提取閾值及提取精度情況如表3所示。

表3　植被指數(shù)提取枯死木精度情況

分析表3數(shù)據(jù)可得，ExG指數(shù)和ExG-ExR指數(shù)在提取松材線蟲病枯死木上都具備較高的準(zhǔn)確率；ExG-ExR指數(shù)判讀錯誤主要集中在3株～4株連片且較小的枯死木上，易被判讀為1株；GLI指數(shù)通過分類得到枯死木796株，分類過程中發(fā)現(xiàn)存在65株毛竹錯判為枯死木，導(dǎo)致其分類枯死木數(shù)量增加，剔除毛竹錯判枯死木后其準(zhǔn)確率為85.87%。

為驗(yàn)證以上植被指數(shù)閾值是否具有通用性，本研究還在另外兩張不同設(shè)備獲取的無人機(jī)影像圖中進(jìn)行了實(shí)驗(yàn)，驗(yàn)證影像1為精靈4RTK無人機(jī)拍攝的可見光正射影像數(shù)據(jù)，驗(yàn)證影像2拍攝同樣使用本實(shí)驗(yàn)區(qū)中應(yīng)用的縱橫CW-007，但選取的是拍攝時間與地點(diǎn)不相同的另一影像作為驗(yàn)證數(shù)據(jù)。驗(yàn)證數(shù)據(jù)的枯死木提取情況如表4所示。結(jié)果表明，上文提取的閾值對于其他型號無人機(jī)拍攝的影像和相同設(shè)備不同拍攝場景下的影像開展枯死木提取都有較好的效果，說明該閾值具有通用性，可以在模型中推廣使用。

表4　驗(yàn)證影像提取枯死木精度情況

通過對比三種植被指數(shù)的分類精度，在實(shí)驗(yàn)區(qū)影像和驗(yàn)證影像中精度最高的均是ExG指數(shù)，精度都在90%以上，且將影像用于目視解譯中也表現(xiàn)出較好的輔助解譯效果。同時ExG指數(shù)還可以區(qū)分出枯死木與變色紅色松木，今后可以作為分類的另一個方向。綜上，ExG指數(shù)較適合提取松材線蟲病枯死木。

3.2 松材線蟲病枯死木自動提取

在確定了分類閾值后，本文使用ArcGIS軟件將閾值提取工作流程化，使用模型工具進(jìn)行封裝，導(dǎo)出為軟件工具包，方便基層林業(yè)工作者快捷調(diào)用，免去中間運(yùn)算過程。在提取過程中，主要時間使用分布體現(xiàn)在前期數(shù)據(jù)導(dǎo)入近3 min，中間數(shù)據(jù)處理過程耗時5 min，得到初步的結(jié)果后，枯死木人工篩選本研究的5.56 km2耗時接近10 min，綜合耗時近20 min。人工目視解譯耗時近30 min完成。本方法節(jié)約處理時間，同時不降低解譯精度，并且無須安裝其他軟件和耗費(fèi)較長時間運(yùn)算，在林業(yè)基層工作單位中具有較好的推廣前景。

4 結(jié)論與討論

松材線蟲病在全國仍處于不斷蔓延的階段，為控制松材線蟲病在縣市區(qū)域的蔓延，科學(xué)地對松材線蟲病進(jìn)行監(jiān)測和管理是重要的防治手段[10]。其中，多種無人機(jī)平臺協(xié)同合作將是提高森林病蟲害防治工作管理水平的重要手段。目前，小型無人機(jī)已經(jīng)作為一種重要的林業(yè)外業(yè)調(diào)查工具普及進(jìn)入林業(yè)生產(chǎn)管理單位，其中以森林巡護(hù)為主要任務(wù)，使用人工目視判斷和分析為主。下一階段的無人機(jī)遙感技術(shù)發(fā)展趨勢應(yīng)是與遙感解譯技術(shù)結(jié)合發(fā)展，更多計算機(jī)自動分析與提取工具提供科學(xué)數(shù)據(jù)，幫助林業(yè)管理者實(shí)施決策。本研究中的枯死木自動提取模型可以幫助林業(yè)工作者減少目視解譯枯死木的工作量，提升枯死木識別效率。未來還可以有更多的分析提取工具，聯(lián)合垂直起降固定翼平臺和小型多旋翼平臺協(xié)同合作，在枯死木發(fā)生監(jiān)測、林分改造管理、枯死木處置管理等方面改變傳統(tǒng)作業(yè)模式，提升防治效果。

未來松材線蟲病防治管理方式和作業(yè)手段將發(fā)生改變。通過使用垂直起降固定翼無人機(jī)，10 d左右便可獲得縣域松材線蟲病發(fā)生準(zhǔn)確情況，精確度可以統(tǒng)計到枯死木具體發(fā)生株數(shù)。結(jié)合GIS系統(tǒng)，能夠綜合研判區(qū)域內(nèi)地形、樹種分布等因素，對未來重點(diǎn)防治區(qū)域做出部署，改變以往松材線蟲病發(fā)生后拔除植株的防治模式。在防治過程中，分析枯死木與變色木的數(shù)量，對較多當(dāng)年枯死變色植株的松木林分采用伐出隔離帶，林分周圍定點(diǎn)拔除的方法控制松墨天牛傳播，同時周圍加強(qiáng)藥物防治和誘捕器設(shè)置，配合有效的行政管理，明確枯死木處理方法，加強(qiáng)枯死木管理。在往年變白枯死木較多的林分，避免使用定點(diǎn)拔除法防治，因?yàn)樵摰厮赡炫？赡芤呀?jīng)轉(zhuǎn)移，可以采用林分改造或間伐改變林分組成。已經(jīng)采取林分改造或伐除枯死木等防治措施的林分，可以配合輕小型無人機(jī)驗(yàn)收林分改造成果，對比改造前和改造后的無人機(jī)影像可以快速、全面地判斷林分改造或伐除作業(yè)是否合格。

[1]武紅敢,牟曉偉,楊清鈺,等.無人機(jī)遙感技術(shù)在重慶市沙坪壩區(qū)松材線蟲病監(jiān)測中的應(yīng)用[J].林業(yè)資源管理,2019(2):109-115.

[2]劉遐齡,程多祥,李濤,等.無人機(jī)遙感影像的松材線蟲病危害木自動監(jiān)測技術(shù)初探[J].中國森林病蟲,2018,37(5):16-21.

[3]張素蘭,覃菊,唐曉東,等.松材線蟲危害下馬尾松光譜特征與估測模型研究[J].光譜學(xué)與光譜分析,2019,39(3):865-872.

[4]杜華強(qiáng),葛宏立,范文義,等.分形理論在馬尾松松材線蟲病發(fā)病早期高光譜探測中的應(yīng)用[J].林業(yè)科學(xué),2009,45(6):68-76.

[5]黃寶華.無人機(jī)搭載多光譜相機(jī)監(jiān)測松材線蟲病的研究[J].廣西林業(yè)科學(xué),2020,49(3):380-384.

[6]張智韜,于廣多,吳天奎,等.基于無人機(jī)遙感影像的玉米冠層溫度提取及作物水分脅迫監(jiān)測[J].農(nóng)業(yè)工程學(xué)報,2021,37(23):82-89.

[7]時啟龍,黃石明,張明霞,等.基于無人機(jī)遙感和深度學(xué)習(xí)的松材線蟲病疫木自動提取方法研究[J].西部林業(yè)科學(xué),2022,51(5):28-33.

[8]尹林江,周忠發(fā),李韶慧,等.基于無人機(jī)可見光影像對喀斯特地區(qū)植被信息提取與覆蓋度研究[J].草地學(xué)報,2020,28(6):1664-1672.

[9]MEYER G E,NETO J C.Verification of color veg-etation indices for automated crop imaging applicati-ons[J].Computers and Electronics in Agriculture,2008,63(2):282-293.

[10]陶歡,李存軍,程成,等.松材線蟲病變色松樹遙感監(jiān)測研究進(jìn)展[J].林業(yè)科學(xué)研究,2020,33(3):172-183.

10.3969/j.issn.2095-1205.2023.01.17

S763.18

A

2095-1205(2023)01-57-05

福建省中青年教師教育科研項(xiàng)目（JZ180464）

應(yīng)興亮（1991— ），男，漢族，福建南平人，碩士研究生，講師，研究方向?yàn)榱謽I(yè)3S技術(shù)。