无人机遥感影像的松材线虫病危害木自动监测技术初探

刘遐龄，程多祥，李涛，陈小平，高文娟

(1.四川测绘地理信息局测绘技术服务中心，四川 成都 610081； 2. 四川省森林病虫防治检疫总站，四川 成都 610081)

松材线虫病(Bursaphelenchusxylophilus)是世界上最具危险性和毁灭性的森林病害，传播途径广、速度快、防治难度大、成本高，被称为“松树的癌症”。夏末秋初是松材线虫数量增长高峰期，通常，松树染病后40 d即可死亡，松林染病后3～5 a即可毁灭[1]。松材线虫病在我国发现30多年以来，目前已经扩散蔓延到浙江、安徽、福建、湖北、重庆、四川等16个省市，并继续呈向西、向北扩散趋势，累计致死松树5亿多株，毁灭森林33.33 万hm2，造成直接经济损失数亿元。松材线虫病在我国的传播危害，直接威胁着我国南方0.33亿hm2松林和一批重点生态区域的安全[2]。

四川省自2004年在邻水县发现松材线虫病以来，先后有13个县(市、区)发生疫情。全省疫情呈跳跃式发生、多点连片发展的趋势，防控形势十分严峻。常规的松材线虫病监测工作主要采用人工地面踏查和“组-村-乡(镇)-县-市(州)-省”逐级统计上报方式进行[2]。这种方式不仅耗时长、程序繁琐，且上报数据的时效性和真实性差，不能快速直观全面地反映疫区疫情发生发展情况，以致无法及时采取有效防控措施遏制疫情扩散蔓延。

遥感技术具备远距离、大面积、无需直接接触等探测特点，在农林行业得到了广泛应用。特别是近几年兴起的无人机遥感技术，其实时、快速获取目标区域高分辨率影像数据的能力可有效保证遥感监测技术的时效性。目前，国内外学者对松材线虫病的遥感监测技术做了大量研究，但多数仅限于卫星影像的遥感监测。松材线虫病危害较大，且政府部门对松材线虫病信息数据处理时效性要求较高，因此，作者采用无人机高分影像开展松材线虫病危害木自动监测技术研究工作。

1 研究区域和试验数据

1.1 研究区域概况 研究区域选为自贡市富顺县福善镇，地处四川省自贡市西南部，位于长江上游中部地区，南靠宜宾，北接自贡。镇内地势由北向南倾斜，地形以丘陵为主，占总面积60%以上。境内土地覆盖空间特征多元化、复杂化、易混淆，为典型的农林交错区，其中耕地面积1 799 hm2，主要以种植旱地作物为主，林地面积1 666.67 hm2，主要以针叶林为主，林地覆盖率38%。该地区每年因松材线虫病致死松树近万株，累积采伐松木几十万株，如不采取强有力防控措施，一旦引起松材线虫病大范围暴发，将直接威胁松林资源安全，造成毁灭性生态灾难。

图1 研究区域

1.2 试验数据获取与处理

1.2.1 无人机高分影像 高分遥感影像获取采用DB-2AP101型号无人机，该无人机最大载荷5 kg，最大航高4 000 m，并携带一台尼康D800相机，该相机传感器类型是CMOS，全幅是35.9 mm×24 mm(4 912×7 360)，有效像素为3 630万，满足航飞要求。

2016年9月30日，在夏末秋初松材线虫病高发期利用无人机航摄获取研究区域(自贡市富顺县福善镇)高分影像，作为主要数据源(表1)。为后续开展松材线虫病危害木自动监测工作，试验对获取航飞影像进行必要数据处理：以航空摄影资料、像片控制资料为基本资料，利用数字摄影测量系统及辅助软件，进行空中三角测量、正射纠正、影像镶嵌裁切等，制作影像解译底图。

表1 影像数据源及其特征

1.2.2 研究区域样本空间信息采集和感染松材线虫病松树株数统计 2016年10月7日，基于研究区域的数字正射影像，利用手持GPS，在研究区域当地松材线虫病防治人员的陪同下，采集健康松树与感染松材线虫病松树影像解译样本，并统计研究区域感染松材线虫病松树株数，共计535株。

2 自动识别方法与处理流程

2.1 自动识别方法 首先综合已有资料以及监测区自然地理状况，外业采集健康松树与染病不同阶段松树的影像解译样本。然后以影像解译样本为根据，基于eCognition Developer 9.2.1软件平台，结合数字正射影像中松树光谱、纹理、位置、上下文等特征，利用面向对象分类方法和模版匹配方法自动识别研究区域内松材线虫病危害木。

2.1.1 面向对象信息提取技术 主要采用以异质性最小的区域合并算法为核心的多尺度分割技术提取影像中松树林区域，通过分割尺度、光谱异质性、形状异质性3个参数对整个分割过程进行控制[3]。

2.1.2 模板匹配方法 由于松树在染病不同阶段呈现的形态不一，因此模板的选择采用多模板识别法，即染病不同阶段的松树对应多个模板，模板特征值由多个聚类中心表示。设X是由n个样本(x1,x2,…,xn)的p个变量的观测值构成的矩阵。模糊聚类是将n个样本划分为c类(2≤c≤n),记V={v1,v2,…,vc}为c类的聚类中心，其中v1=(vi1,vi2,…,vip)(i=1,2,…,c)。在模糊C-均值聚类划分中，每个样本以一定隶属度划分为某一类[4]。

(1)

式(1)中，U=(uik)c×n为隶属度矩阵，dik=

||xk-vi||。

当目标函数J(U,V)的值达到最小时，计算得到隶属度矩阵U和聚类中心V，其中聚类中心V作为模板特征值。

在模板匹配算法中，采用马氏距离作为识别的判断标准[4]，目标函数如式(2)：

设第i个样本与第j个样本的马氏距离为Dij。

(2)

式(2)中，Xi和Xj分别为第i个和第j个样本的m个特征因子组成的向量，S为样本协方差矩阵。

分别计算待识别样本集中每个样本特征值与各模板特征值的马氏距离，并将马氏距离最小所对应的模板种类作为待识别样本的种类。

2.2 数据处理流程 研究技术路线如图2所示。

2.3 解译样本采集 结合室内判读和野外实地调查结果，确定健康松树和染病不同阶段松树的影像解译样本。健康松树和松材线虫病危害木在染病初期、中期、后期和末期的影像色调、纹理特征见图3和图4。健康状态：针叶基本呈绿色；染病初期：感病松树针叶颜色开始发生变化，先少量枝条上针叶褪色发黄；染病中期：大部分针叶变为黄褐色；染病后期：全部针叶变为黄褐或红褐色；染病末期：整株干枯死亡，变为兰白色。

图2 技术路线图

图3 健康松树影像特征

图4 松材线虫病危害木影像特征

2.4 计算机自动解译

2.4.1 有林地提取 采用多尺度分割手段，结合影像的分辨率、有林地、房屋、道路、水系等地物面积大小分别设定各地物最适用的分割尺度参数，最终确保有林地对象轮廓线接近于有林地的实际边界[6-9]，分割尺度越大有林地在分割后的完整性越高，但若分割尺度过大，其他地物易混入分割对象(图5)。

通过对比分析，在保证有林地边界的前提下最优的全局分割尺度在600左右(图6)。基于有林地样本，结合影像多级分割后有林地对象的光谱、纹理特征，通过设置蓝绿波段比率值、亮度值、波段图层标准差等特征提取有林地对象[10](图7)。

图5 多尺度分割结果图

图6 面向对象分类结果

图7 有林地矢量图

2.4.2 危害木提取 在采集模板训练的样本时，需采集一定数量的染病不同阶段松树的典型样本，同时设定样本大小，尽量将样本框与采集的松树样本外接矩形近似(图8)。根据样本框中的样本在影像不同波段图层上的均值特征创建不同的模板，选择相关性最高的模板进行训练。训练后的模板将用于模板匹配。

根据训练模板时采用的影像图层与训练模板之间的相关系数，设定合适的相关性阈值。当提取结果数量过多时需调高相关性阈值。当提取结果数量过低时，需调低相关性阈值，直到把所有的松材线虫病危害木都提取出来为止，若降低到0.2提取的对象未达到松材线虫病危害木数量的90%时，需重新采集样本进行模板训练(图9)。

利用有林地对象的上下文特征，剔除林地区域外的对象，再基于感染松材线虫病松树影像解译样本信息，通过设置红绿波段比率、HIS、波段图层标准差等不同特征参数分别提取不同染病阶段松材线虫病危害木对象[11](图10)。

图8 采集样本

图9 模板匹配结果

图10 计算机解译结果

3 试验结果评价

3.1 精度 选用计算机解译和目视判读方法分别提取研究区域松材线虫病危害木松树(表2，图11)。计算机解译结果与目视判读结果基本重合，目视判读正确率稍高于计算机解译。

表2 目视判读与计算机解译误差比较

图11 目视判读与计算机解译结果对比

判读解译正确率高的区域主要集中在成片的林地区域内，由于地物类型单一，松材线虫病危害木的特征比较明显，基本能提取出所有病株。判读解译正确率低的区域主要集中在影像阴影区域，主要由于阴影区域亮度低，危害木色调纹理特征不明显(图12)。

虽然2种方法判读解译正确率高，但错检和漏检现象普遍存在。由于人眼观测事物能力和解译人员相关经验知识有限，目视判读易忽视一些体态较小的病株和影像阴影区。计算机解译虽能提取出大部分体态较小的病株，但在农田交错区，由于地物类型复杂，例如田埂其影像特征与松材线虫病危害木具有一定相似性，计算机解译易出现错检(图13)。

图12 阴影示意图

图13 田埂

3.2 处理效率评价 由于松材线虫病蔓延速度较快，在松材线虫病危害木自动监测工作中，计算效率也是需要重点考虑的关键因素之一。试验采用同一台计算机处理，处理器 i5-4210M，CPU双核四线程2.6 G；内存16 GB，64位windows 7操作系统。计算机解译若将松树林边界提取环节算在内，总共耗时约0.5 h；而目视判读约1.5 h。

试验测试影像大小为41.9 MB，影像数据量较大时会影响松材线虫病危害木识别速率，若数据处理的计算机性能有限，可先将影像进行分块或者适当的降采样处理，再进行自动解译。总的来说，计算机解译和目视判读精度相差不大，整个流程耗时是目视判读的1/3倍，因此该算法在运行效率上具有一定优势。若时间充足，可以选择以计算机解译为主，目视判读为辅，以提高判读精度。

4 结论与讨论

利用无人机高分影像自动监测松材线虫病危害木，实现了有林地范围内松材线虫病危害木的快速识别，虽然准确率暂时无法达到100%，但改善了林业有害生物防治部门传统监测方式耗时长、程序繁琐、监测数据时效性和真实性差等一系列问题，有利于政府及防控指挥部门宏观地快速了解各个疫点疫情发生态势和危害程度，进一步提高了松材线虫病防控工作和疫情评估的科学性，为有效防止松材线虫病的入侵和快速蔓延提供科学的技术支撑。