马尾松毛虫危害下的马尾松纹理特征分析

王美雅，许章华

(福州大学 环境与资源学院，福建 福州 350116)

马尾松(Pinus massoniana)作为我国南方地区重要的用材林木之一，经济价值和生态价值较高，在城市和乡村的生态建设中起到重要作用。马尾松毛虫(Dendrolimus punctatus Walker)作为马尾松的首要害虫，不仅造成松林资源的严重损失，还损害森林涵养水源、保持水土等景观生态功能的实现，不利于城乡生态建设的健康发展［1-3］。对马尾松毛虫害进行有效监测，是及时采取措施防治松毛虫危害的基础与关键。遥感技术的快速发展，为快速、大面积、有效地监测马尾松毛虫害提供了强有力地保障［5］。马尾松毛虫为食叶性害虫，通过危害松针，使松林冠层特征发生变化，如松针呈被啃食状、叶片枯黄、枝干干枯等，从而使马尾松林冠层产生光谱反射率差异和纹理结构异常等现象，此为遥感监测马尾松毛虫害的原理。“七五”、“八五”时期，马尾松毛虫害得到广泛重视，松毛虫害卫星遥感监测研究取得了丰富成果［7］。近年来，林业领域开展了一些利用高光谱遥感影像检测植被叶绿素量、水分含量、生化组分的研究，将这些研究运用到马尾松毛虫害监测方面有利于及早监测出马尾松的损害。在松毛虫危害下的马尾松遥感监测研究中，纹理特征是除光谱信息外经常被认识和应用的另一个特征量，可反映光谱所无法反映的特征。纹理特征可以更好地体现变化细微的虫害、避免地物存在的“同谱异物”、“同物异谱”等因素的影响，拉大影像的距离，对森林病虫害的识别起到关键作用［10］。亓兴兰等［13］基于SPOT-5影像分别提取马尾松健康林分和受害林分的纹理特征，选取最佳纹理量，并分别用像元统计和面向对象法提取林分松毛虫害纹理信息。较之于马尾松毛虫害的光谱特征响应规律的研究，该虫害的纹理特征响应机制的研究成果则极为有限，还有待进行更为深入和全面的理论和应用探索。本研究以多光谱遥感影像为监测数据，开展不同松毛虫危害程度下的马尾松纹理特征分析研究，探讨马尾松毛虫害纹理特征响应机制，探索行之有效的虫害监测技术，为构建森林病虫害监测技术体系、预警网络奠定理论基础。

1 研究区概况

选择沙县作为研究区。沙县地处福建省中部偏北，位于三明市和南平市之间，闽江支流沙溪下游，介于 26°06′～26°4l′N，117°32′～118°06′E。全县总面积为 1 815.09 km2。沙县地处武夷山脉与戴云山脉间，沙溪横穿境内，地势由主城区两侧朝向中间倾斜，东南部与西北部属中山，中部属低山丘陵。沙县属亚热带季风气候，气候温和湿润，年均气温15.6～19.6℃，年降雨量1 662 mm。该县马尾松虫害现象普遍，呈周期性与累积性特征。

2 资料收集与影像预处理

2.1资料收集

收集的资料包括:(1)Landsat 8 OLI多光谱遥感影像2景(过境时间分别为2013年8月11号和2013年12月1号，轨道号同为120/042);(2)沙县2013年林业小班数据，数据内容包含2012年2～5月马尾松样本实测点坐标、实测虫害等级;(3)福建省1∶10 000地形图、沙县行政区划图、福建省DEM数据。

图1 裁剪得到的沙县遥感影像图Fig.1 Remote sensing images after clipped in Shaxian County

2.2 影像预处理

以福建省1∶10 000地形图为参考，采用多项式纠正法对影像进行几何校正，影像的投影椭球体为Krasovsky，投影类型为Transverse Mercator，误差控制在0.2个像元内。在此基础上，以沙县shp图层建立AOI并裁剪获取沙县遥感影像图(图1)，再采用替换法去除影像云和云影［13］，得到预处理后的研究区影像图(图2)。

3 研究方法

3.1 马尾松纹理特征提取

纹理提取方法主要包括:统计分析方法、结构分析方法、模型分析方法和频谱分析方法［15］。研究采用的灰度共生矩阵提取方法是统计法中的一种。利用灰度共生矩阵提取纹理特征量的目视效果与窗口大小及步长的选择有很大关系。只有合适的窗口和步长，才能产生良好的目视效果，提高纹理特征量的提取质量。研究通过设置 3×3、5×5、7×7、9×9、11×11 等 5 种窗口与步长(1，1)的多种纹理尺度组合进行纹理特征量提取。根据窗口与步长的选择原理，经过反复对比，最终确定窗口大小为5×5、步长为(1，1)。Landsat 8 OLI传感器共有9个波段，其中Band 8为全色波段，Band 9为短波红外波段，该波段的图像噪声非常大，主要用于识别卷云。故本研究只选取Band 1～7共7个波段，在窗口5×5、步长为(1，1)下提取56个纹理特征量。

3.2 具显著性差异纹理量选择方法

单因素方差分析(one-way ANOVA)用来检验某个因素影响的一个或多个相互独立的因变量均数间的差异是否有统计学意义［16］。为了进一步选定具显著性差异纹理量，选取分布有4个虫害等级的20个马尾松样本点，运用单因素方差分析进行不同波段纹理量组合的显著性分析，显著性水平α取0.05。

3.3 纹理特征区分方法

3.3.1 空间距离法 空间距离是在n维空间中两个点之间的真实距离，可用于衡量两样本点的相似性，距离越近表示两样本点越相似［17］。空间距离的计算公式为:

式中:D为两样本的空间距离，Xi1，Xi2为第i1，i2个样本，n为样本数。

3.3.2 相关系数法 相关系数法是一种研究随机变量间相关性的统计方法。相关系数是衡量对象之间相互关系密切程度的一个统计分析指标，用r表示，r的范围值为-1到+1之间［17］。相关系数的计算公式为:

式中:r为相关系数，¯X、¯Y表示两个变量的n个样本的平均值，Xi、Yi分别表示X、Y两组随机变量的第i个样本。

3.3.3 光谱角制图法 光谱角制图法是一种光谱匹配技术，通过比较一个测试光谱与一个参考光谱在空间上所形成的夹角来确定相似性，即测试光谱的归属［17］。光谱角制图的计算公式为:

式中:n为波段数，α为光谱角，xi表示测试光谱向量在第i波段上的响应值，yi表示参考光谱向量在第i波段上的响应值。光谱角制图法的结果值可用cos α表示，其范围为［0，1］;也可直接用α表示，其范围为［0，π/2］，本文用 cos α 表示。

4 结果与分析

4.1 基于单因素方差分析的具显著性差异纹理量选取

若用提取的所有纹理量进行马尾松毛虫害分析，会出现各个纹理量间信息重复以及组合的效果不明显等问题，所以要进行显著性差异纹理量的选择。研究对收集的样本点进行删减，选取健康(样本1-5)、轻度(样本6-10)、中度(样本11-15)、重度(样本16-20)4个虫害等级的20个样本点(表1，部分数据)，并结合沙县2013年林业小班续档数据对样本点进行进一步检验，验证结果表明样本数据获取时段与影像过境时段的虫害等级一致。

表1 不同虫害等级下的马尾松纹理特征值Tab.1 Texture value for D.punctatus under different pest levels

对比表1发现第五波段4个虫害等级下的方差、对比度都存在较大差异，健康、轻度、重度虫害下的均值、相异性差异也相对明显。重度虫害下的熵相比其他虫害等级下的熵变化明显，考察其他波段发现类似规律。选用单因素方差分析进行56个纹理量组合的显著性分析，得到P值结果及排名(表2)。由表 2可得，显著性排名前 5的纹理量为 Mea 1、Mea 4、Mea 7、Mea 5、Mea 3，且其 P 值均不超过 0.05。本研究选定排名前3的Mea 1、Mea 4、Mea 7为具显著性差异纹理量。

表2 P值结果及排名Tab.2 P-value and P-value’s rank

4.2 三种纹理分析方法比较

4.2.1 基于空间距离法的虫害等级区分规则建立及样本验证 取4个虫害等级的20个样本，对同一虫害等级样本的3个具显著性差异纹理量各自取平均值，得到的4组数据作为空间距离计算的4个虫害等级下的马尾松标准样本，有利于虫害等级区分标准的建立。对4个虫害等级的标准样本进行空间距离运算，得到基于空间距离法的不同虫害等级区分标准。此处用样本与健康组标准样本的空间距离来区分样本所归属虫害等级(表3)。表3表明中度组与健康组标准样本的空间距离最大，即它们的纹理特征量差异最明显，健康组与轻度组、重度组的标准样本区分也较明显，重度组标准样本的空间距离区间最小，为1.902。选择分布有4个虫害等级的20个样本分别与健康组标准样本计算空间距离，将区分结果与实际虫害等级进行对比，计算得到方法区分精度与准确率结果(表4)。由表4得，基于空间距离法的区分精度为60.0%，准确率为85.0%;健康组样本的验证精度最高，轻度虫害组样本精度次之，重度虫害组的样本区分精度最低。

表3 基于空间距离法的虫害等级区分标准Tab.3 Discrimination standard of pest levels based on square deviation

表4 基于空间距离法得到的区分精度与准确率检验结果Tab.4 The results of division precision and accuracy based on square deviation

4.2.2 基于相关系数法的虫害等级区分规则建立及样本验证 取4个虫害等级的20个样本，计算得到4个虫害等级下的马尾松标准样本，以此建立基于相关系数法的不同虫害等级区分标准。此处用样本与健康组标准样本进行相关系数计算来区分样本所归属虫害等级(表5)。表5表明健康组与重度组标准样本的相关系数最低，即它们的纹理特征量差异最明显，健康组与轻度组、中度组标准样本的相关系数也较低;各个虫害等级的区间范围均较为明确。选择分布有4个虫害等级的20个样本分别与健康组标准样本计算相关系数，将区分结果与实际虫害等级进行对比，计算得到方法区分精度与准确率结果(表6)。由表6得出，基于相关系数法的区分精度为80.0%，准确率为91.2%;健康组样本的验证精度最高，轻度虫害组和中度虫害组样本精度次之，重度虫害组的样本区分精度最低。

表5 基于相关系数法的虫害等级区分标准Tab.5 Distinguish standard of pest levels based on correlation coefficient

4.2.3 基于光谱角制图法的虫害等级区分规则建立及样本验证 取4个虫害等级的20个样本，计算得到4个虫害等级下的马尾松标准样本，以此建立基于光谱角制图的不同虫害等级区分标准。此处用样本与健康组标准样本进行空间夹角的余弦计算来区分样本所归属虫害等级(表7)。表7表明健康组与中度组标准样本的空间夹角余弦值最低，即它们的纹理特征量差异最明显;健康组与重度组标准样本的空间夹角余弦值相对其它组较高;4个虫害等级下的标准样本的空间夹角余弦值均大于0.95，区间都较窄。选择分布有4个虫害等级的5个样本分别与健康组标准样本进行光谱角计算，将区分结果与实际虫害等级进行对比，计算得到方法区分精度与准确率结果(表8)。由表8得出，基于光谱角制图法的区分精度为75.0%，准确率为91.2%;健康组样本的验证精度最高，中度虫害组样本精度次之，轻度虫害组和重度虫害组的样本区分精度最低。

表6 基于相关系数法得到的区分精度与准确率检验结果Tab.6 The results of division precision and accuracy based on correlation coefficient

表7 基于光谱角制图法的不同虫害等级区分标准Tab.7 Distinguish standard of pest levels based on spectral angle cosine

表8 基于光谱角制图法得到的区分精度与准确率检验结果Tab.8 The results of division precision and accuracy based on spectral angle cosine

5 结论与讨论

(1)利用单因素方差分析法对提取的56个纹理特征量进行显著性差异纹理量的定量分析，选定Mea1、Mea4、Mea7等3个纹理特征量作为具显著性差异纹理量进行纹理特征分析。

(2)借助空间距离法、相关系数法、光谱角制图法定量描述健康、轻度受害、中度受害及重度受害等4种虫害等级下的马尾松纹理特征，3种方法的区分精度均达到60.0%以上，准确率达到85.0%以上。基于3种方法建立虫害区分规则，得到各虫害等级的区间均较为明确。对比3种方法建立的规则，相关系数法表明健康样本与重度虫害样本的纹理特征量差异最明显;空间距离法和光谱角制图法表明健康样本与中度虫害样本的纹理特征量差异最明显。对比3种方法的区分精度大小:相关系数法＞光谱角制图法＞空间距离法，对比准确率大小:相关系数法=光谱角制图法＞空间距离法。结果表明基于纹理特征区分不同等级虫害下的马尾松毛虫虫害信息具有可行性。

(3)综合研究结果可得:基于均值、方差、对比度和相异性4个纹理特征量可以较有效的提取马尾松毛虫害信息;重度虫害内部点间、轻度虫害内部点间的马尾松纹理特征差异小，重度虫害组的空间距离区间大小为1.902，轻度虫害组的相关系数区间大小为0.178，光谱角区间大小为0.007;马尾松毛虫害等级跨度越大，基于纹理特征提取马尾松信息的效果越好。受重度虫害的马尾松纹理特征与健康但稀疏的林分的纹理特征同样体现了背景一土壤的纹理特征，这是导致重度虫害林分被误判为健康林分的原因之一，未来仍需进一步研究，以提升二者的判别精度。

［1］谢大洋.福建马尾松毛虫发生特点及主要因子分析［J］.中国森林病虫，2003(3):12-14.

［2］侯陶谦.中国松毛虫［M］.北京:科学出版社，1987.

［3］许章华，刘健，余坤勇，等.松毛虫危害马尾松光谱特征分析与等级检测［J］.光谱学与光谱分析，2013，33(2):210-214.

［4］戴昌达.植物病虫害的遥感探测［J］.自然灾害学报，1992，1(2):40-46.

［5］许章华，余坤勇，刘健，等.马尾松毛虫害天基空间监测技术研究进展［J］.安全与环境工程，2014，21(1):35-41.

［6］Riggins J J，Defibaugh Y C，Jason M，et al.Spectral identification of previsual Northern Red Oak(Quercus rubra L.)foliar symptoms related to oak decline and Red Oak Borer(Coleoptera:Cerambycidae)attack［J］.Southern Journal of Applied Forestry，2011，35(1):18-25.

［7］戴昌达.卫星遥感监测松毛虫灾［J］.遥感信息，1991(3):32-34.

［8］武红敢，石进.松毛虫灾害的TM影像监测技术［J］.遥感学报，2004，8(2):172-177.

［9］杨俊泉，陈尚文，沈建中，等.马尾松毛虫危害区植被指数时序变化特征研究［J］.国土资源遥感，1997(4):7-13.

［10］张参恒，王珂，王人潮.高光谱评价植被叶绿素含量的研究进展［J］.上海交通大学学报，2003，21(1):74-80.

［11］高闪闪，陈仁喜.辅以纹理特征的植被分类方法研究［J］.科学技术与工程，2013，29(13):8672-8677.

［12］王妮，彭世揆，李明诗.基于树种分类的高分辨率遥感数据纹理特征分析［J］.浙江农林大学学报，2012，29(2):210-217.

［13］亓兴兰，刘健，胡宗庆，等.基于纹理特征的SPOT-5影像马尾松毛虫害信息提取［J］.西南林业大学学报，2012，32(1):50-54.

［14］许章华，龚从宏，刘健，等.基于面向对象与替换法的遥感影像云检测与去除技术［J］.农业机械学报，2013，44(6):608-611.

［15］杨志刚.纹理信息在遥感影像分类中的应用［D］.南京:南京林业大学，2006.

［16］李莹，王筱丽，陈静.对某选矿样的铌化学分析数据波动的探讨［J］.中国矿业，2012，21(7):70-72.

［17］浦瑞良，宫鹏.高光谱遥感及其应用［M］.北京:高等教育出版社，2000.

［18］曹玲.加权最小聚类分析法及应用［J］.徐州工程学院学报，2007，22(4):78-80.

附图1 不同窗口下的纹理特征量对比Fig.1 Contrast of texture features in different windows

附图2 56个纹理特征量提取图Fig.2 The extracting graph of 56 texture features