无人机遥感技术国内松材线虫病监测研究综述

张红梅 陆亚刚



无人机遥感技术国内松材线虫病监测研究综述

张红梅1陆亚刚2*

（1浙江省杭州市园林文物局钱江管理处 310008；2 国家林业局华东林业调查规划设计院 浙江杭州 310019）

针对国内松材线虫病发生及监测状况，阐述了无人机遥感技术和松材线虫病遥感监测研究概况，并对无人机遥感技术在松材线虫病监测应用前景做出了展望。

无人机；遥感；松材线虫

松材线虫病，亦称松树萎蔫病，是世界性害虫，能导致松树在感染后60-90天内枯死，传播蔓延迅速，3-5年就造成大面积毁林的恶性灾害，而且防治难度极大，在中日韩三个国家造成大量松树死亡，所以又被称为松树癌症、无烟的森林火灾[1]。根据国家林业局2016年第6号松材线虫病疫区公告，截止至2016年4月，我国仍有15个省（市）感染松材线虫病，其中有28个县(区)为新感染疫区。松材线虫在我国的危害现状使得松材线虫病监测不容疏忽，冯益明等根据松材线虫病发生原因，应用模糊综合评判、地理信息系统、地统计学等理论与方法，认为我国有22个省（或直辖市）为潜在适生分布范围[2]。松材线虫病监测是松材线虫防控的关键手段，传统的松材线虫病监测主要采用人工现地调查的方法。由于我国松林面积大，且大部分松林分布于坡陡林密的山区，人工监测耗时耗力。随着遥感技术和地理信息系统的快速发展，利用各种航空航天遥感图像进行病虫害监测已成为趋势[3]，但由于航天航空遥感图像受分辨率、卫星运行周期、天气状况、经费等因素的影响，难以按时准确地发现单株染病松树。随着无人机技术的不断发展，无人机遥感监测逐渐成为一种既经济又有效的病虫害监测方式。

1 无人机遥感技术研究进展

1.1无人机遥感技术

无人机全称无人驾驶飞机（Unmanned Aerial Vehicle，缩写UAV)，是一种有动力、可控制、能携带多种任务设备、执行多种任务，并能重复使用的无人驾驶航空器[4]。世界上第一架无人机于1917年诞生于英国，随后主要应用于军事侦察任务[5]，具有体积小、重量轻、起降方便、操作灵活、可低空飞行、探测精度高、造价低、可执行多项任务、作业周期短、安全性高等优点。随着无人机技术不断得到研究和应用，在国土、灾害监测、环境、资源、农业、林业、研究等领域得到广泛应用。无人机遥感，即无人驾驶飞行器和遥感技术的结合，它由机体、机上载荷和地面设备等组成，涉及自动化控制、微电子、导航定位、遥感传感器系统、通讯技术等多项技术，实现飞行、操控、数据收集处理和信息传导等功能，具有自动化、智能化、专题化快速获取空间遥感信息，并完成遥感数据处理、建模和应用分析能力的应用技术[4,6-7]。

1.2无人机遥感主要技术

随着无人机技术的不断研究开发，无人机类型越来越丰富，按重量有微型、小型、中型和大型之分，按动力有燃油、太阳能、燃料电池和混合动力等，按结构有固定翼、旋翼、无人直升机和垂直起降，按控制方式有无线电遥控、预编程自主控制、程控与遥控复合控制等，按用途有军用、民用和多用途。目前无人机在材料上广泛应用轻新材料如玻璃纤维、碳纤维等，并不断开发噪音低、体积小、抗震性强、蓄能高的新能源推进系统，使无人机在稳定性、效载量和续航能力得到极大增强。美国海军无人侦察机“MQ-4C”，可在18km高空持续飞行24小时，进行360°监控，一次侦察近700万km2海域，清晰识别出0.1m以下目标，并能实时进行数据收集和分发[7]。国内微小型无人机能达到80kg，续航能力能达到8小时[8]。

同时各国家、公司、科研单位在无人机遥感传感器、遥感飞行姿态、遥感信息准确获取和传输技术及遥感图像处理和解析等方面均进行了大量的研究和实验，技术越来越成熟。无人机搭载的传感器有数码相机、多光谱和高光谱相机、多光谱扫描仪、红外扫描仪、侧视雷达等，并不断向各种数字化、重量轻、体积小、探测精度高的方向研制，适应了不同监测目的的需求。美国已研制出重量仅有4.5kg的前视红外仪，远低于市场上均重20kg的水平。而德国的2200万像素专业航空相机，配备了自动保持水平和改正旋偏的相机云台，并开发了相应的成图软件[7]。我国目前数字航空测量相机达到8000多万像素，能获取彩色、红外、全色的高精度航片。在遥感数据传输技术上，目前多采用高压缩比的有损图像压缩技术，对无人机获取的图像进行了多种方法数据压缩方法研究，获得精度较高的图像数据[4]。在遥感数据处理上有地面处理和机上实时处理两种，地面处理通过固定或移动地面数据接收站，建立具有海量数据存储、管理和分发能力的数据中心，可对获取的遥感影像数据辐射纠正、几何纠正等，进而获得地面信息[6]。机上实时处理通过遥感图像处理集成系统对遥感图像进行定位及处理，极大提高了遥感作业效率[7]。

2 松材线虫遥感技术应用研究

2.1不同感病期松树光谱分析

利用多光谱仪获取高光谱数据，分析不同感病时期光谱特征，以此判别松树感病情况。王震等利用波段值为350～1 050 nm的美国ASD FieldSpec HH便携式光谱辐射计研究马尾松不同感病时期的光谱特征，发现不同感病期马尾松在绿光区、红光区和近红外区的光谱特征变化明显并呈现出较好的光谱变化规律，尤其是近红外区域大部分受害类型的光谱反射率存在极显著差异，可用于马尾松松材线虫病动态监测[9]。徐华潮等采用ASD野外光谱仪测量了黑松和马尾松在松材线虫自然侵染后不同感病阶段的反射光谱，在波长大于800 nm的近红外和中红外波段能预测两种松树的感病状态，且随着病害程度不断变化，光谱特征参数如红边位置、绿峰反射高度、水分胁迫波段反射率、红边斜率也呈现一定的变化趋势[10]。张衡等对不同感病时期的马尾松和健康松树的光谱特征分析，认为波长593 nm的一阶导数光谱可进行马尾松感染松材线虫病的早期判定[11]；杜华强等对未知病害的马尾松进行光谱指数研究，发现分形维数与绿峰反射高度和红谷吸收深度存在正相关关系，且较绿峰反射高度、红谷吸收深度和红边位置变化趋势较稳定，其中450～780 nm波长范围内反射光谱的分形维数变化对马尾松松材线虫病害的发生具有一定的指示作用[12]。黄明祥等连续观测了不同病害阶段马尾松的高光谱特征，与健康松树相比病害马尾松时序光谱差异较大，病害松树首先在红边区域内光谱反射率减低，然后出现红边蓝移变化规律，并认为病害监测的最佳指示指标是近红外平台内最大的一阶微分，而每年8月下旬至9月上旬是松材线虫病害遥感监测的最佳时间[13]。

2.2松材线虫遥感技术应用研究

国外较早在上世纪70、80年代利用TM影像分析针叶树病虫害发生情况[14]。在我国，航空遥感监测松材线虫病在安徽省已取得良好效果，1994年安徽省森防总站引进美国航空摄像系统对该省主要松材线虫病疫区进行监测，通过设定航线并利用GPS导航技术对疫区进行录像，两年间共监测发生松材线虫病的松林约1.33万hm2，为防控松材线虫决策起到了重要作用。2000年，中国林科院和安徽森防站联合进行了松材线虫灾害的航空录像监测试验，可以非常清晰地分辨出地面上的单株病死树，实时得到监测区枯死立木分布图，很快地在林间找到病死树[15-17]。2006年石进等利用航空摄像系统对病害松树进行监测研究，发现为避免变色阔叶树影响，获取最佳的单株病害木航空遥感图像方式为飞行高度400 m、焦距35mm，时间为9月中旬[18]。金伟利用12景TM遥感影像结合地面森林资源调查数据分析浙江省4个不同时期松材线虫病害面积变化，结果发现13 年间松林面积下降了26.1%[19]。张田利用ALOS数据结合二类小班数据和地面光谱信息对福建省三明市马尾松林松材线虫疫区进行了分析，认为马尾松感病前后蒸腾数率降低有相关性，可用于早期预测松材线虫病；另外，马尾松受害程度与平均胸径、林内坡度、土壤立地条件相关性较大，胸径越小、坡度越大、土壤厚度越薄，受害程度越重[20]。

2.3无人机遥感技术在松材线虫病监测中应用

李卫正等利用低成本小型无人机搭载单反数码相机获取南京某疫情地区的高空间分辨率影像，通过分析获得单株疑似病死木位置，经实地检验，正确率达到83.3%[21]。黄俊对无人机获取的松林松材线虫疫区遥感影像融合拼接技术进行了研究，通过无人机搭载可见光和近红外两套数码相机传感器设备，采用航点高度400m，转弯半径150m，巡航速度120km/h，航线间距300m的飞行方式在获取双光谱图像及GPS信息等，之后对获取的可见光图像采用基于CS-LBP的SVD图像匹配算法进行图像匹配，再结合红外图像消除误匹配合，利用RANSAC估算图像之间的变换矩阵，最后通过图像融合技术得到林区的全景图，该方法可较快、大批量处理遥感图像，获得林区全景图，为松材线虫病监测提供基础[22]。吴琼利用基于深度神经网络分类和给予感兴趣区域检测与纹理特征相结合两种算法对无人机采集的可见光图像及红外图像进行分类分析，均能够较好地实现对松材线虫病害区域的检测[23]。胡根生等对无人机搭载双光谱相机获取的遥感图像采用颜色特征和纹理特征作为特征输入向量，分别采用最小相对距离法和隶属度函数法进行决策分类对病害松树进行识别，对轻、中、重度染病松树和病死松树等不同健康状态的松树以及其他地物进行准确分类[24]。张学敏利用基于加权支持向量数据描述、多特征和改进的加权支持向量数据描述、特征稀疏表示和加权小波支持向量数据描述等三种支持向量数据描述的遥感图像病害松树识别方法，对无人机采集的图像及红外图像进行病害松树分类识别，具有一定的可行性和有效性[25]。

3 无人机遥感技术监测松材线虫病前景

松材线虫病扩散传播速度快、途径多，发病期短，且在我国适生范围广，目前已造成国内松林面积大量减少。韩阳阳等基于Maxent生态位模型，结合ArcGis地理信息系统预测了松材线虫在中国的适生性分布区，我国华东和华南地区、华北地区南部、东北地区南部和西南地区南部等，都在适生区范围内，只要可感染的寄主松树存在，其他气候因子是可能满足松材线虫的侵染和致病的[26]，因而对松材线虫病监控刻不容缓。自1982年在我国发现松材线虫病感染后，随着松材线虫病防控的不断深入，松材线虫病趋向于点状分布。然而，国内大多数地方均以人工监测为主，易受地形影响，费时费力，而传统卫星和有人航空遥感监测则由于天气、时间、安全、分辨率、经费等因素难于及时获取感兴趣区域影像。随着无人机遥感技术的不断发展和松材线虫病遥感监测的不断研究，无人机遥感可及时获取多时态、多角度、多光谱、高精度的遥感影像，及时为决策者提供松材线虫病早期监测和防控依据，在松材线虫病防控上有巨大的利用空间。然而，无人机在平衡性、续航时间、操纵及遥感图像获取和处理等方面还存在一定的局限性，限制了无人机遥感技术在基层线虫病监测的实际应用，今后，无人机遥感在松材线虫病检测上，应（1）结合科研项目，不断完善无人机遥感在松材线虫病监测的应用技术研究，开发无人机遥感数据获取和处理系统软件工具，完善松材线虫病监测系统，提高无人机遥感数据的精确度、利用率和工作效率；（2）培养成熟的无人机操纵、数据获取和处理等方面技术人员力量；（3）将无人机遥感技术研究成果，推广到松材线虫病早期监测实际应用中，指导松材线虫病防控决策。

[1] 潘沧桑.松材线虫病研究进展[J]. 厦门大学学报(自然科学版)，2011，50(2)：476-483.

[2] 冯益明，张海军，吕全，等.松材线虫病在我国适生性分布的定量估计[J].林业科学,2009,45(2)：65-71.

[3] 胡根生，张学敏，梁栋，等.基于加权支持向量数据描述的遥感图像病害松树识别[J]. 农业机械学报，2013，44(5)：258-263.

[4] 金伟，葛宏立，杜华强，等. 无人机遥感发展与应用概况[J].遥感信息，2009，(1)：88-92.

[5] 秦博，王蕾.无人机发展综述[J].飞航导弹，2002，(8)：4-10.

[6] 范承啸，韩俊，熊志军，等.无人机遥感技术现状与应用[J].测绘科学，2009，34(5)：214-215.

[7] 李德仁，李明.无人机遥感系统的研究进展与应用前景[J]. 武汉大学学报（信息科学版），2014，39(5)：505-513.

[8] 汪沛，罗锡文，周志艳，等. 基于微小型无人机的遥感信息获取关键技术综述[J].农业工程学报，2014，30(18)：1-12.

[9] 王震，张晓丽，安树杰. 松材线虫病危害的马尾松林木光谱特征分析[J]. 遥感技术与应用，2007，22(3)：367-370.

[10]徐华潮，骆有庆，张廷廷，等.松材线虫自然侵染后松树不同感病阶段针叶光谱特征变化[J]. 光谱学与光谱分析，2011，31(5):1352-1356.

[11]张衡，潘洁，巨云为，等.基于高光谱数据的马尾松松萎蔫病早期监测[J].东北林业大学学报，2014，42(11)：115-119.

[12]杜华强，葛宏立，范文义，等. 分形理论在马尾松松材线虫病发病早期高光谱探测中的应用[J]. 林业科学，2009，45(6)：68-76.

[13]黄明祥，龚建华，李顺，等. 松材线虫病害高光谱时序与敏感特征研究[J]. 遥感技术与应用，2012，27(6)：954-960.

[14]马菁，刘维，张晓丽.遥感在松材线虫病早期监测预测上的研究进展[J].林业调查规划，2011，36(5)：75-80.

[15]叶勤文，周卫，高景斌，等.航空摄像技术在松材线虫病监测上的应用[J].森林病虫通讯，1997，(3)：45-47.

[16]武红敢，石进，蒋丽稚，等.3S技术在安徽省森林病虫害监测与管理中的应用[A]//昆虫与环境——中国昆虫学会2001年学术年会论文集[C]：286-292.

[17]蒋丽雅，石进，汤坚.安徽省松材线虫病治理策略与技术[A]//昆虫与环境—中国昆虫学会2001年学术年会论文集[C]：259-263.

[18]石进，马盛安，蒋丽雅，等.航空遥感技术监测松材线虫病的应用[J].中国森林病虫，2006，25(1)：18-20.

[19]金伟. 浙江省松材线虫病危害区域松林面积变化过程遥感监测[D].浙江林学院，2009.

[20]张田.福建省三明市松材线虫病遥感监测预测研究[D].北京林业大学，2010.

[21]李卫正，申世广，何鹏，等.低成本小型无人机遥感定位病死木方法[J].林业技术开发，2014，28（6）：102-106.

[22]黄俊.基于无人机平台的可见光和红外图像拼接算法研究[D].安徽大学，2013.

[23]吴琼.基于遥感图像的松材线虫病区域检測算法研究[D].安徽大学，2013.

[24]胡根生，张学敏，梁栋. 基于 WWSVDD 多分类的遥感图像病害松树识别[J]. 北京邮电大学学报，2014，37(2)：23-27.

[25]张学敏.基于支持向量数据描述的遥感图像病害松树识别研究[D].安徽大学，2014.

[26]韩阳阳，王焱，项杨，等.基于Maxent生态位模型的松材线虫在中国的适生区预测分析[J]．南京林业大学学报(自然科学版)，2015，39(1)：6-10.

2017-06-27

张红梅（1984~），女，工程师，主要从事病虫害防治与古树名木保护工作。

S763.305

B

1004-7743（2017）03-0029-04