北京三号卫星数据在松材线虫病遥感监测中的应用评价

秦 琳,孟先进,张水花,薛亚东,刘新科,邢 鹏

(1.广东省林业调查规划院,广州 510520；2.二十一世纪(广州)空间技术应用有限公司,广州 510500)

松材线虫病(Pine Wilt Disease,PWD)被称为松树的“癌症”,松树一旦感染此病,40余天即可表现出枯死状,3～5年即可造成整片松林死亡,是全球森林生态系统中最具危险性、毁灭性的病害。松材线虫病自1982年在我国南京中山陵首次发现以来,疫情发展范围持续增加、发生面积快速增长、危害程度持续加重,截至2021年7月,松材线虫病疫情已经扩散蔓延至全国19个省(自治区、直辖市),728个县(市、区)[1-2],损失的松树累计达数亿株,造成的直接经济损失和生态服务价值损失上千亿元,防控形势十分严峻。因此,对染病松树进行快速、准确识别和定位研究,对松材线虫病防治来讲具有重大意义。

松树感染松材线虫病后,外部症状变化非常明显,先是针叶失水、退绿,继而变褐,而后整株枯死,针叶呈红黄色或红褐色(以下简称“变色松树”)。这些变化会引起植物反射率异常,使其光谱特性发生变化,从而引起遥感影像光谱值的变化和纹理结构变化,为变色松树的遥感监测提供了可能[3-5]。受空间分辨率的影响,中低空间分辨率的卫星影像只能实现大尺度监测,而高分辨遥感卫星则能完成精准监测。近年来,光学遥感卫星的空间分辨率已经达到了亚米级,为变色松树单株级别的精准监测提供了很好的数据源。国家林业和草原局印发的2021年版《松材线虫病防治技术方案》,较2018年版增加了松树异常卫星遥感监测技术参数,明确指出用于松材线虫病变色松树监测的卫星影像数据必须拥有蓝、绿、红、近红外4个光谱波段,多光谱波段分辨率不超过2m,全色波段分辨率不超过1m。目前,满足松材线虫病卫星遥感监测技术标准的遥感影像数据有国外的WorldView-2,3,4；GeoEye-1;KOMPSAT-3A;Pleiades及国产的高景一号等[6-7]。

2021年4月29日和8月17日,拥有甚高分辨率的北京三号国际合作星座(BJ3N)首批两颗卫星发射成功,有效提高了我国高分辨率遥感卫星数据的供给能力,也为我国自主甚高分辨率空间大数据及空间信息综合应用提供了新选择和新方向。为探索BJ3N卫星影像在松材线虫病遥感监测上的潜力,本文利用BJ3N在广东省韶关市相关影像开展松材线虫病变色松树的遥感监测,通过DOM生产、影像融合、指数计算和信息提取等方法实现变色松树的识别和提取,并对相关结果进行评价与分析,以期为BJ3N数据在更多领域开展应用研究提供参考依据。

1 研究区与数据来源

1.1 研究区概况

研究区位于广东省韶关市浈江区内(图1)，地理坐标为24°45′～24°48′N,113°35′～113°37′E,属亚热带山地季风气候,雨量充沛,年平均温度20.2℃,年平均降雨量1 600mm,环境利于松墨天牛生存,是松材线虫病疫区,疫情较为严重。研究区面积约5km2,海拔为60～255m,森林覆盖率约90%,主要树种为马尾松(PinusmassonianaLamb.)、杉木(Cunninghamialanceolata(Lamb.)Hook.)、樟(Cinnamomumcamphora(L.)presl)、枫香(LiquidambarformosanaHance)等。

图1 研究区位置及概况示意图

1.2 数据来源

BJ3N由4颗相同的0.3m分辨率卫星组成,分别命名为BJ3N1,BJ3N2,BJ3N3,BJ3N4,本文采用的数据为BJ3N2影像,成像时间为2021年12月8日,产品等级为L1级,数据特点如表1所示。

表1 BJ3N星座特性及能力

2 研究方法

通过遥感影像的正射纠正、影像融合、指数计算、样本采集和模型训练等,实现变色松树的智能解译和提取,并对结果进行分析评价,研究技术路线如图2所示。

图2 研究技术路线图

2.1 影像预处理

BJ3N的L1级影像已经消除了成像光学载荷固有的辐射和几何畸变误差,该影像的预处理先采用RPC正射纠正,再利用主成分变换(PCA)、Pansharp、HIS变换[8-11]等方法进行影像融合,然后通过均值、标准差、信息熵、平均梯度和空间频率等指标选择融合效果最优的影像作为研究区的遥感正射影像图(DOM)。

2.2 指数计算

通过构造归一化植被指数(NDVI)、归一化绿红差异指数(NGRDI)、归一化差异红色边缘指数(NDRE)[12-15]等相关植被指数来增强植被信息,并用植被指数的变异系数和相对极差作为指数敏感性的判断依据。各植被指数的计算公式为:

NDVI=(NIR-R)/(NIR+R)

(1)

NGRDI=(G-R)/(G+R)

(2)

NDRE=(NIR-REG)/(NIR+REG)

(3)

式中:NIR为近红外波段,R为红光波段,G为绿光波段,REG为红边波段。

2.3 基于深度学习的智能提取

基于深度学习训练框架(TensorFlow/Keras/Pytorch),先对松材线虫病变色松树进行样本选取和标注,再构建模型,针对特定学习样本进行模型训练及优化,最后基于深度学习自动提取感染松材线虫病的变色松树信息[16-18]。

2.3.1样本标注与瓦片裁切

染病松树在不同感病期针叶为黄褐色、红褐色或者红色(图3)。根据影像光谱值的变化选取并标注样本,然后开展瓦片裁切,制作训练和验证样本集。本文瓦片裁切大小为768×768像素,瓦片间重叠度为128像素,瓦片样本如图4所示。

图3 健康松树和变色松树影像特征

图4 部分瓦片图

2.3.2模型训练迭代

初次训练:利用样本集内所有变色松树样本,使用基础模型开展初始训练。

模型迭代:完成初始训练,选取验证样本集,进行模型预测,分析预测精度,总结典型漏提取和误提取情况,进行有针对性的样本补充、模型参数和权重调整,开展模型多轮次迭代优化。

2.3.3精度验证

由于研究区范围内松材线虫病变色松树较多,现地核验工作量较大,选用无人机航拍高清影像抽样的方式进行核验,即在研究区范围内生成0.5km×0.5km网格,随机挑选4个网格(图5)进行无人机高清拍摄和目视判读,并将判读结果作为真值对自动提取的变色松树图斑进行精度验证,以精确率(Precision)和召回率(Recall)作为精度评价指标,公式分别如式(4)、式(5)所示:

图5 抽样核验示意图

Precision=TP/(TP+FP)

(4)

Recall=TP/(TP+FN)

(5)

式中:TP为正确检出的变色松树数目,FP为误检的变色松树数目,FN为未检出的变色松树数目。精确率和召回率又被称为查准率和查全率。

3 结果与分析

3.1 影像融合结果评价分析

从图6可以看出,3种融合方法对原始影像的空间信息都有不同程度的改善。表2则反映了影像光谱保真度、清晰度和信息量等方面的定量评价结果,指标显示Pansharp融合效果较好,HIS融合效果次之,PCA融合效果较差。

表2 融合影像定量评价结果

图6 原始影像及不同融合方法融合后的影像

3.2 指数计算结果评价分析

通过图7的指数灰度图可以看出,NGRDI对增强松材线虫病变色松树的识别效果最好,能比较清楚地呈现变色松树分布情况。表3统计了植被指数的变异系数和相对极差,其中NGRDI的相对极差最高,说明该植被指数对植被生长状况的差异反应是3种指数里较为敏感的,表4则是利用变异系数作为指标来判断指数敏感度,结果显示3种植被指数均属于中度敏感指数。

图7 融合影像和指数灰度图

表3 影像植被指数信息统计表

表4 敏感性分析表

3.3 变色松树提取结果分析评价

从图8和表5可知,核验区域共有变色松树1 115株,其中正确检测出985株,误检43株,漏检130株,精确率(即查准率)较高,产生的误提取主要是枯萎植被或裸土区的影像特征表现与变色松树的影像特征相似,产生了少量误提取。召回率(即查全率)较低一些,主要是因为这些因素(图9)对检测精度产生了一定的负面影响:一是影像阴影会造成变色松树的信息受损,直接影响地物识别；二是多株相邻的变色松树在卫星影像上的单株边界较为模糊,容易判别为1株,造成数量上的漏判；三是变色树冠被遮挡或变色树冠直径太小,无法在卫星影像上体现。

表5 提取结果统计表

图8 提取结果和局部效果图

图9 误差分析对照图

4 讨论

基于卫星遥感影像监测森林病虫害是一种经济高效的手段,具有监测尺度大、多光谱和多时相等特点,可以快速准确实时地评估森林病虫害。随着空间技术的快速发展,利用亚米级卫星数据进行松材线虫病监测,可以精确到单株疫木,让疫情评估从定性走向了定量。BJ3N卫星拥有0.3m甚高分辨率的全色影像和6波段1.2m分辨率的多光谱影像,利用其开展松材线虫病遥感监测,对变色松树单株级别的监测和定位具有显著优势,能够满足松材线虫病精准监测的应用需求。但也存在以下问题,一是BJ3N是星座卫星,首批两颗卫星于2021年发射成功,后续两颗将于2022年发射,因此,现阶段该卫星数据的供给率是有局限的；二是发病初期的松树外观正常,健康松树和变色松树的光谱信号差异微弱,BJ3N影像在这一阶段的遥感监测能力较差；三是BJ3N多光谱影像较一般4波段卫星多了深蓝和红边两个多光谱波段,新增的两个波段在研究区松材线虫病监测方面的作用表现不突出,还有待在更多区域应用更多数据开展持续的研究。

5 结论

BJ3N是我国拥有自主知识产权的甚高分辨率光学卫星,本文利用BJ3N数据通过影像融合、指数计算和信息提取等方法开展松材线虫病遥感监测,结果表明,BJ3N数据可在极大程度上提升健康松树和变色松树等要素间的差异化,能有效识别感染松材线虫病的变色松树,基于深度学习的智能提取变色松树精准率和召回率较高,提高了变色松树单株定量监测的可解性,有利于松材线虫病的精准监测和防控。当然,本文对BJ3N卫星数据的研究仅是初步应用,还未进行深入对比性研究,相信随着BJ3N卫星数据的不断丰富,BJ3N将会为保护我国的绿水青山发挥重要作用。