基于多光譜遙感影像的森林病蟲害監(jiān)測研究

孫偉韜

基于多光譜遙感影像的森林病蟲害監(jiān)測研究

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)測研究能夠更好地管理和保護森林資源，減少病害和蟲害對生態(tài)系統(tǒng)的影響，同時提高森林可持續(xù)發(fā)展的能力。常規(guī)的森林病蟲害監(jiān)測主要通過識別影像尺度特征得出監(jiān)測結果，忽略了植被水分含量對影像的影響，導致監(jiān)測結果誤差較大。因此，提出基于多光譜遙感影像的森林病蟲害監(jiān)測方法。分步提取森林多光譜遙感影像的核心光譜，計算多光譜遙感影像的光譜響應，進而得出病蟲害特征向量，識別出森林病蟲害特征。根據(jù)森林植被水分含量層級歸類生成森林病蟲害監(jiān)測結果。結果表明，所提方法應用后得出的監(jiān)測結果誤差較小，平均僅為0.010 125，森林病蟲害監(jiān)測效果較好。利用該方法可以及早發(fā)現(xiàn)病蟲害的蔓延趨勢和程度，以防止病蟲害的進一步傳播和對森林造成更大的破壞，滿足了森林保護的現(xiàn)實需求。

森林病蟲害；病蟲害監(jiān)測；多光譜遙感影像；光譜響應；植被水分含量

森林資源關系生態(tài)環(huán)境的安全和社會經(jīng)濟的健康發(fā)展，對于森林資源保護工作的開展具有重要意義。森林病蟲害是導致林業(yè)資源損失的重要因素之一，對其進行監(jiān)測可為森林病蟲害及時防治提供重要依據(jù)。目前有關病蟲害監(jiān)測方法的研究已經(jīng)取得了諸多優(yōu)秀研究成果，例如，袁德寶等[1]利用遙感技術快速獲取監(jiān)測范圍內(nèi)大面積、多方位的數(shù)據(jù)信息，實行全天候不間斷監(jiān)測，根據(jù)各種作物在監(jiān)測范圍內(nèi)的種植信息以及環(huán)境信息，對可能存在的病蟲害進行分類識別，從多尺度的角度對遙感數(shù)據(jù)信息進行分析，在監(jiān)測系統(tǒng)中對病蟲害的發(fā)生與程度進行預測，但該方法監(jiān)測結果準確度不高。周曉麗等[2]利用無人機技術獲取遙感圖像，選擇不同病蟲害的圖像數(shù)據(jù)特征并對病蟲害進行分類識別，選擇合適的算法對傳感器數(shù)據(jù)進行選擇與優(yōu)化，建立該監(jiān)測范圍內(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)測傳感器，但該方法監(jiān)測結果不夠全面。宋勇等[3]針對傳統(tǒng)監(jiān)測方法主觀性和滯后性較為嚴重的問題，利用病蟲害的光譜響應生理機制實現(xiàn)精準監(jiān)測目的，該方法能夠細致分類病蟲害的光譜特征，將分析結果建立該品類植物的病蟲害光譜庫，從而實現(xiàn)病蟲害監(jiān)測。但該方法監(jiān)測效率不高?？紤]到上述文獻所提的監(jiān)測方法無法滿足現(xiàn)實森林病蟲害監(jiān)測的根本需求，文章以浙江省臺州市椒江區(qū)的森林資源作為研究對象，提出了一種基于多光譜遙感影像的森林病蟲害監(jiān)測方法。該方法通過對森林病蟲害的多光譜影影像進行分析，生成層級歸類的森林病蟲害監(jiān)測結果，從而保證森林病蟲害監(jiān)測質量。

1 基于多光譜遙感影像的森林病蟲害監(jiān)測方法

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森林植被進行全方位地拍攝，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算機中，在計算機中進行影像分析[4-7]。本研究采用MSRC算法對影像中的核心光譜進行提取處理（圖1）。

采用空間異質性[8]方法對采集到的森林遙感影像的反射率進行分析，計算其差值絕對值之和，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點位，點位的選擇要求是空間相對的兩個點，H表示兩個點位之間的差值絕對值之和，表示太陽輻照度，表示影像采集時的太陽高度角。

利用公式（1）的計算結果對核心光譜的類別進行定義，并計算反射率的特征量[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表示兩個短波紅外波段。

對反射率的特征量進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別

對上述過程得出的森林多光譜遙感影像的核心光譜進行進一步處理。在該核心光譜中模擬一個全色的光譜波段，計算其光譜響應，如公式（2）所示。

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

根據(jù)光譜響應的計算結果，計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）的計算結果可得出森林中植被的葉片損失率[13]，從而識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別的方式完成這一目標，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表示點位的平均對比度的度量，表示標準方差。

通過公式（4）計算，將結果劃分為[>96]、[75 ～ 96]及[<75]三個區(qū)間來進行識別，計算結果的數(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別。

1.3 生成層級歸類森林病蟲害監(jiān)測結果

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，構建森林病蟲害監(jiān)測模型（圖2）。本研究主要將監(jiān)測結果劃分為三個區(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?shù)厣种脖坏娜~片水分含量會對輕微病蟲害與嚴重病蟲害的間隔區(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

對該模型的監(jiān)測結果進行層級劃分，如公式（5）所示。

式中表示森林病蟲害的監(jiān)測層級，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，生成層級歸類的森林病蟲害監(jiān)測結果，完成森林病蟲害的監(jiān)測。

2 實驗

2.1 數(shù)據(jù)采集

數(shù)據(jù)采集區(qū)域位于浙江省臺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)域屬浙東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)劃分為不同的實驗區(qū)（圖3）并挑選代表性較高的區(qū)域作為實驗數(shù)據(jù)采集地，統(tǒng)計不同區(qū)域內(nèi)森林面積（表4）。按照表4中的順序對每塊實驗地各自選取5萬m2并進行標序。利用型號為Micro-MCA多光譜相機和DirecPC的多光譜遙感影像儀器作為本次實驗數(shù)據(jù)的采集儀器（圖4），其參數(shù)設置分別見表5和表6。

圖3 實驗區(qū)劃分

表4 實驗區(qū)森林資源面積

圖4 實驗儀器

表5 多光譜相機參數(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

在上述劃分的實驗區(qū)內(nèi)選擇章安區(qū)域的數(shù)據(jù)進行測試實驗。由于篇幅有限，本研究僅選擇其中兩張多光譜遙感影像進行展示，通過多光譜相機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，本文所提方法對多光譜遙感影像處理的結果能夠將森林病蟲害的監(jiān)測結果進行清晰化地展示，有效分辨出病蟲害所在的位置，展現(xiàn)了監(jiān)測效果。從監(jiān)測實驗結果可以初步判斷，本研究所提森林病蟲害監(jiān)測方法的監(jiān)測效果較好，展現(xiàn)了該方法的應用結果，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果

2.3 結果與分析

為了體現(xiàn)所提方法監(jiān)測結果的有效性，分別應用文獻[1]和文獻[2]的方法進行森林病蟲害監(jiān)測實驗。

本次實驗的評價指標設置為監(jiān)測結果誤差，將監(jiān)測結果與實地人員考察得出的森林病蟲害結果進行對比，分析兩個結果之間的異同，得出最終的監(jiān)測結果誤差。誤差值越小，則說明該方法監(jiān)測效果越好。

為了保證本次實驗的公平性，同時三種監(jiān)測方法進行同步實驗，以避免由于監(jiān)測時間不同而導致的結果誤差。經(jīng)過實驗，得出本研究結果（圖7）。將圖7所示的森林病蟲害監(jiān)測結果與真實病蟲害結果進行橫向對比，得到不同監(jiān)測方法的監(jiān)測誤差（表7）。由表7可知，本文所提森林病蟲害監(jiān)測方法中，在椒江區(qū)不同的監(jiān)測區(qū)域的結果誤差均比較低，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個監(jiān)測區(qū)域中，本文所提方法的監(jiān)測結果平均誤差為0.010，而其他兩種方法的平均誤差分別為0.337和0.373。與之進行比較可知，本文所提方法的監(jiān)測結果誤差分別降低了0.327和0.363。

圖7 森林病蟲害監(jiān)測結果

表7 不同監(jiān)測方法誤差結果

3 結語

在森林資源保護工作中，森林病蟲害是影響植被生長的主要因素之一。為了提高森林病蟲害的監(jiān)測質量，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)測方法。從實驗結果可知，本文提出的森林病蟲害監(jiān)測方法所得的監(jiān)測結果誤差較低，監(jiān)測效果較好且可信度較高。在森林資源的保護中，能夠較為精準地對森林植被的狀態(tài)進行監(jiān)測，以便林業(yè)人員及時進行防治，為森林植被的病蟲害防治工作提供有力支持，具備較高的實踐應用價值。

[1] 袁德寶,張冰瑞,葉回春,等.水稻病蟲害遙感監(jiān)測與預測研究進展[J].遙感技術與應用,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檢測方法[J].應用光學,2023,44(2):420-426.

[3] 宋勇,陳兵,王瓊,等.無人機遙感監(jiān)測作物病蟲害研究進展[J].棉花學報,2021,33(3):291-306.

[4] 萬宣伍,田卉,尹勇,等.四川省經(jīng)濟作物病蟲害發(fā)生情況及監(jiān)測預警措施探討[J].中國植保導刊,2021,41(4):85-87,92.

[5] 孫瑞琳,孫全,孫成明,等.基于不同平臺的小麥病蟲害遙感監(jiān)測研究進展[J].中國農(nóng)機化學報,2021,42(3):142-150.

[6] 劉君,王學偉.大數(shù)據(jù)時代山東農(nóng)業(yè)病蟲害監(jiān)測預警體系建設[J].北方園藝,2021(3):166-170.

[7] 蘇少強,闕翔,嚴宣輝,等.基于STWR模型的森林病蟲影響因素研究[J].西北農(nóng)林科技大學學報(自然科學版), 2022,50(11):81-92.

[8] 劉茂華,呂曉煒,李永榮,等.基于NSWI的面向對象多光譜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.基于無人機遙感影像的松材線蟲病監(jiān)測方法概述[J].林業(yè)工程學報,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、海岸帶應用[J].海洋學研究,2022, 40(4):38-51.

[11] 熊媛,黃榮永,余克服.基于多時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].海洋學報,2022,44(8):151-168.

[12] 范明虎,薛昊潤,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].河南師范大學學報(自然科學版),2022,50(4):76-81.

[13] 寧紀鋒,倪靜,何宜家,等.基于卷積注意力的無人機多光譜遙感影像地膜農(nóng)田識別[J].農(nóng)業(yè)機械學報,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和植被恢復動態(tài)監(jiān)測[J].西南林業(yè)大學學報(自然科學),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)測研究[J].華南農(nóng)業(yè)大學學報,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，高級工程師，從事城鄉(xiāng)規(guī)劃相關工作。E-mail:mmjzml@yeah.net