基于无人机遥感的松材线虫病绿色新型药剂防治效果评估

2022-11-12 06:27张歆逢于海英商洪溢蒋丽雅
山东林业科技 2022年5期
关键词:昆嵛山松材线虫病

张歆逢,于海英*,赵 锐,商洪溢,蒋丽雅

(1.国家林业和草原局生物灾害防控中心,辽宁 沈阳 110034;2.中国农业大学,北京 100083;3.山东瑞达生态技术有限公司,山东 济南 250000)

松材线虫病是全球最具危险性的林业检疫性有害生物。自1982年传入我国以来,已成为威胁我国松林资源的头号大敌,造成了巨大的生态、经济损失[1]。由于松材线虫病防治存在致病机理不清、阻断传播蔓延的难度大、有效防治技术手段匮乏等问题,急需创新性技术手段和绿色安全药剂的研发。此外,防治工程项目中采取疫木除治及伐根处理、飞防施药、打孔注药等综合措施开展防治,但防治过程的监理和防治效果检查缺乏相对系统、科学的评价手段。近年来,通过无人机遥感技术监测变色和枯死松树,代替护林员徒步巡查,精确定位发病松树位置,据此组织地面人员砍伐除治,已取得一定成效[2-8]。但将无人机遥感与林业有害生物防治效果评估结合的研究较少。本文旨在通过无人机遥感和地理信息系统综合应用,结合人工地面核查与取样检测,对松材线虫病新型药剂施药区及空白对照区不同类型感病松树进行不同时期的精准定位,从而实现防治效果的阶段性评价。

1 材料与方法

1.1 试验地概况

试验于2020年在山东省威海市文登区昆嵛山南部区域葛家镇黄龙岘村西山(37°10'48"—37°11'16.8"N 121°45'36"—121°46'12"E)开展。试验区平均海拔150 m,森林类型为针阔混交林。阔叶树以麻栎、刺槐为主,松树以黑松、赤松为主,平均树龄20年,平均胸径11 cm。平均树高5.5 m,平均冠幅2 m,郁闭度0.3。试验区面积共36 hm2,其中施药区面积28.7 hm2,空白对照区面积7.3 hm2。

1.2 试验材料

无人机设备采用大疆经纬M600 PRO 进行数据采集。M600 PRO 内置专业级A3 飞行控制系统、Lightbridge 2 图像传输系统。M600 PR0 搭载大疆禅思Z30 相机。施药区松材线虫病绿色新型防治药剂由中国农业大学吴学民教授提供,涉及“天牛、线虫、树体、环境”四位一体药剂体系,包括天牛杀灭药剂、线虫杀灭药剂、植物生物刺激剂、高效靶标携带剂和新型耐雨水冲刷助剂等;无人机精准施药及监测由山东瑞达生态技术有限公司实施。3 次飞机施药时间分别为2020年6月1日、6月28日和8月5日。

1.3 试验方法

昆嵛山试验区松材线虫病枯死树监测主要包括无人机数据采集、枯死松树提取、外业地面核查与取样检测、内业整理等,流程如图1。

图1 无人机遥感流程图Figure 1 Flow-progress of UAV Remote Sensing

1.3.1 无人机数据采集

对无人机数据采集、正射影像制作和试验区的森林资源等数据进行整理,检查数据完整性、空间精度等。

划定航测区域。采用1:10000 林相图和更大比例尺遥感影像图、地形图等进行作业区的规划,精确定位所有航点(误差小于10 m),求算飞行作业区面积。

航线设计。2020年5月5日,7月8日和10月12日对实验区进行数据采集,具体作业设计如图2。

图2 无人机作业航线图Figure 2 UAV operation route map

飞行作业。本试验要求地面分辨率0.05 m,同一航线上相邻像片的航高差≤30 m,实际航高与设计航高之差≤50 m。避开晴天时正午前后2 h 内摄影,摄影时的太阳高度角大于30~40°。

1.3.2 无人机数据采集与处理

2020年5月5日、7月8日、10月12日对试验项目进行无人机数据采集,采集当日均为晴天,且风速较小,满足无人机工作条件要求。飞行过程中设定的航向重叠度为85%,旁向重叠度为70%,采集的数据空间分辨率为0.05 m。

无人机影像处理通过Agisoft Photo Scan 软件进行拼接,工作流程由软件自动完成,使用GPU 对处理过程进行加速。对导入的影像进行照片对齐、建立密集点云、生成网格、生成纹理、生成DEM 和DOM 数据等处理。

1.3.3 枯死及变色树提取

由于松材线虫病防治效果评估过程中需要对涉及到的不同染病程度的松树进行提取,目前利用自动提取的方法无法满足本研究要求。因此,在研究过程中利用人工目视判读方法对不同染病类型的病、枯死松树进行提取,同时配合人工地面取样检测。根据松材线虫病不同染病程度所表现的不同特征,将染病松树分为整株干枯、整株变色、局部变色3 个类型(见表1、图3)。

表1 染病松树类型表Table 1 Types of pine infected by Bursaphelenchus xylophilus

图3 无人机遥感染病松树类型图Figure 3 Types of disease trees by UAV

1.3.4 内业整理

内业整理是对变色、枯死树提取的结果和外业地面调查结果进行整理,结合森林资源数据和往年监测成果数据开展数据建库、空间分析等工作,形成松材线虫病枯死松树空间数据库和各种专题图成果。

专题地图主要为1:10000 分测区的枯死松树分布图,以及A3 幅面按行政区划制作的枯死松木小班分布图。

1.3.5 正射影像制作

数字正射影像图(DOM),利用数字高程模型(DEM)对数字化航空摄影影像,经逐像元进行投影差改正、镶嵌,按国家基本比例尺地形图图幅范围裁切生成的数字正射影像数据集。本试验项目利用PIX4D 软件进行影像数据的处理。

前期POS 数据处理。无人机照片数据按经纬度顺序,编辑照片名称,导入坐标转换软件通过RTK 计算的坐标转换参数,将经纬度坐标转换为当地坐标数据。转换后的平面坐标保存为.TXT 格式:照片名称,Y,X,Z。

坐标系编辑选择昆嵛山试验区当地坐标系,地理定位选择从文件中,格式根据TXT 格式,选择之前转换的是X,Y,Z(注:这里的XY 和地理坐标中是反的)后导入照片。数据处理完成,点击镶嵌图编辑器,进行影像微调,完成影像处理,形成正射影像图(图4、5)。

图4 导入照片Figure 4 Importing photos

图5 昆嵛山试验区正射影像图Figure 5 Orthophoto of Kunyushan experimental area

1.4 提取变色木信息

1.4.1 建立解译标志

在覆盖松材线虫病疫区的无人机影像中选择若干典型变色、枯死松树,建立智能提取算法及人工审核的解译标志。典型枯死松树影像如图6。

图6 无人机影像典型病枯死松树解译标志图Figure 6 Interpretation mark of typical disease and dead pine in UAV image

1.4.2 智能提取

利用人工智能和机器学习的方法开展智能算法训练,建立训练模型实现枯死树的识别与提取。

智能算法训练:针对昆嵛山试验区无人机影像,选择一定数量的正、负样本对智能提取模型进行训练;利用测试样本对训练的模型进行精度验证,当模型测试精度大于99.5%时,停止训练并利用训练好的模型对无人机影像进行枯死树提取;分析模型训练状况,如果处于欠拟合状态则继续进行迭代训练;如果处于过拟合状态,则加入新的训练样本进行训练。

图像智能识别:将各监测区无人机影像按智能模型的IO 要求做好相应处理;智能模型批量读取准备好的无人机影像,对其中枯死树进行识别,并对图像中的枯死树木自动标记(图7)。

图7 变色松树智能识别Figure 7 Intelligent recognition of discolored pine

处理结束后,带有标记的图像被算法自动上传,交由人工开展人机交互检查和审核。

1.4.3 结果检查与审核

(1)人工交互平台监测到新数据源时,自动将待审核的数据分发给审核人员;

(2)审核人员根据解译标志通过人机交互的目视判读方法对算法的智能化处理的结果进行检查和审核;

(3)计算通过审核数据的经纬度坐标信息,为外业调查做准备。

1.5 地面核查

为了从多角度、多层次反映昆嵛山试验区枯死松树分布的全貌,把枯死松树提取过程中的疑难点、典型区和集中发生区域作为调查重点,验证枯死树提取的准确度,掌握昆嵛山试验区松材线虫病枯死树的实际发生情况和分布现状。在试验区域内存在的仅部分枝条变为黄绿色的松树,无人机遥感影像无法识别,采取地面核查及取样检测,按照松材线虫样本检出率,一同归入松材线虫病罹病木,计算病株率。

2 结果与分析

2.1 变色树木统计分析

图8 人工地面核查枯死树类型(a.整株干枯;b.整株变红;c.局部变色)Figure 8 Verification of discolored and dead tree types on ground

试验区内36 hm2(28.7 hm2施药区和7.3 hm2空白对照区)4月底前进行了病死树清理,5月5日,无人机遥感判读结合地面人工调查验证,确定施药区共有松树10239 株,对照区共有松树4189 株。利用机器学习和人工目视判读相结合的方法提取了28.7 hm2施药区和7.3 hm2对照区的变色、枯死松树分别为49 株和10 株,施药区和空白对照区病株率分别为0.48%和0.23%,即施药区在施药前的发病程度略重于空白对照区。

越年枯死树 (2019年感染松材线虫但当年未显症,2020年春季始显症) 从2020年5月到7月陆续出现,本试验依据松褐天牛和松材线虫病在当地的发生规律以及往年的病死树情况[9-15],将2020年7月中旬作为分界点,5月1日至7月中旬以前新发生的变色、枯死树作为越年枯死结果进行统计。7月中旬以后的变色树作为当年发生的病死树统计。11月初当地麻栎开始变色。因此,本试验只对7月中旬和10月中旬数据进行统计分析。

7月8-12日,确定28.7 hm2亩施药区变色及枯死树共有147 株,其中整株干枯10 株,整株变色112 株,局部变色25 株;对照区共有45 株病枯死松树,其中整株干枯5 株,整株变色33 株,局部变色7 株。2020年10月12-15日,无人机遥感判读结合地面人工调查验证,施药区共有144 株变色、枯死松树,其中整株干枯50 株,整株变色84 株,局部变色10 株;对照区共有186 株变色、枯死松树,其中整株干枯15 株,整株变色100 株,局部变色71 株(详见表2)。所有局部变色树在地面人工调查验证时均进行了感病枝条的取样检测,整株变色树进行了主干抽样检测,松材线虫检出率92%。

表2 昆嵛山试验区2020年7月和10月变色、枯死松树统计表Table 2 Statistics of discolored and dead pine trees in Kunyushan experimental area in July and October,2020

据此计算,7月份施药区和对照区的病株率分别为1.44%和1.07%,10月份施药区和对照区的病株率分别为1.41%和4.44%。施药区感病树增加量为(144-147)/430=-0.007 株/667m2;对照区感病树增加量(186-45)/110=1.28 株/667m2。施药区相对未增加新变色及枯死树,对照区平均每亩增加了1.28 株变色、枯死树。

从图9可以看出,与7月份相比,10月份对照区整株变色、局部变色和整株干枯3 种类型的变色、枯死松树的数量均有增加,尤其整株变色和局部变色的松树大量增加,即对照区出现大量新感病松树。施药区整株干枯的数量有所增加,整株变色和局部变色的松树数量均有所减少。施药区7月份有一部分整株变色的松树到10月份发展为整株干枯,一部分局部变色的松树10月份变为整株变红。

图9 7月和10月试验区不同类型变色、枯死树统计Figure 9 Statistics on different types of discolored and dead trees in July and Octobe

2.2 新增病死树分布情况分析

从7月和10月的变色、枯死树分布图(图10、11)看出,10月份施药区新增的局部枝条变红的10 株树大多分布于施药区与其他区域毗邻边界,存在药剂飘移及边界天牛密度增加等影响因素。此外,经过坐标点比对,7月份有13 株枝条局部感病的松树,经取样检测含松材线虫,10月份有松材线虫扩散受抑制、枝条内被杀死的现象,取样检测不含松材线虫。说明新型药剂有很强的内吸传导性,在杀天牛的同时兼具杀松材线虫的特点。因昆嵛山区域海风较大,因此10月份时这13 株树的病枝很快落叶,无人机遥感以及人工地面核查将其计入健康树。因此,施药区相对未增加新感病树。对照区10月份与7月份相比,新增感病树明显。

图10 7月昆嵛山试验区变色、枯死树分布图Figure 10 Distribution of discolored and dead trees in Kunyushan experimental area in July

3 结论与讨论

应用无人机对昆嵛山试验区进行航拍,获取0.05 m 分辨率数据,并利用Pixel4D Mapper 软件对其进行正射校正形成正射影像图。利用机器学习和人工目视判读相结合的方法实现了对无人机遥感图像中变色、枯死树的有效提取,在人机平台上实现了相对精准的技术判别,比较直观地反映了7月—10月施药区和对照区的变色、枯死松树变化情况。通过地面核查对比分析,2020年7月12日,在试验区和空白对照区共核查60 处枯死树点,准确识别定位枯死松树56 株,核查点周边漏提取4 处;10月15日针对无人机监测处理结果开展地面验证核查,准确识别对照区30 株、施药区10 株部分枝条变色的松树。漏提取2 株,未发现误判现象。变色、枯死松树判读准确率为93.3%以上。有遗漏的原因可能是树体冠层过小或局部感病枝条位于树冠中下层。

图11 10月昆嵛山试验区变色、枯死树分布图Figure 11 Distribution of discolored and dead trees in Kunyushan experimental area in October

无人机遥感只是采集数据的手段,与在监测上的应用比,防治效果评估要求更高分辨率,且能对不同类型变色、枯死树进行精确区分和定位,才能保证评估结果的准确性。本试验应用无人机可见光遥感采集0.05 m 空间分辨率的数据,分辨率要求高,且需精确判读多种类型变色、枯死树。此外,昆嵛山试验区麻栎在每年11月份树叶会变色(变成黄褐色或红褐色)且不脱落,直到第2年4月后长出新叶同时老叶脱落,这就对无人机遥感的时间及数据采集效率有严格要求,即太早体现不出施药效果,太晚阔叶树变色导致干扰判断。无人机遥感必须在适当的时间快速准确完成。本试验未使用多光谱相机。因防治效果评估中,要求高分辨率,才能区分不同类型枯死树,多光谱相机在高分辨率要求下幅宽受限,每个航带的面积小,视野窄,数据采集能力有限,花费时间成本过高,目前仍处于试验阶段,未在工程实践中大量应用。但随着训练样本的不断累积、特征波段的有效选择、深度学习以及监测方法及技术水平的不断提升,无人机多光谱甚至高光谱遥感将在松材线虫病精准监测、防治实践中潜力巨大[16-17]。

本试验中的无人机遥感机器智能判读对整株变色松树信息能进行准确提取,但对整株干枯和局部变色(尤其中下部枝叶局部变色)松树需结合人工目视判读和人工地面核查进行。同时,为确定变色、枯死树是否为松材线虫病死树,需取样检测。本试验对局部变色的松树全部进行感病枝条取样,对整株变色的松树进行随机树干木质部砍片取样。虽因昆嵛山试验区海风较大,由整株变红到整株干枯时间较其他地区短,但因整株干枯松树是否含松材线虫对药剂防治效果判别影响不大,故未对其进行取样检测。

本试验中,人工目视判读、人工地面核查及取样检测都非常重要,因其能排除可能因阔叶树变色、变色枯死树成簇出现等干扰源引起的误判。

本试验根据昆嵛山地区松褐天牛和松材线虫的发生规律以及往年的病死树情况将7月中旬预估为越年枯死树与当年新感病树的分界点,该分界点的准确时间还需进一步研究。

猜你喜欢
昆嵛山松材线虫病
肉牛消化道线虫病和呼吸道线虫病的流行病学、临床症状和防治
家畜类圆线虫病的分析、诊断和治疗
《松材线虫病生态灾害督办追责办法》出台
松材线虫病的发生防治及对策——以重庆市为例
我国松材线虫病的主要防治技术探析
在龙泉慢生活
猕猴桃根结线虫病的发生与防治
威海梧桐庵村樱花
吉安市松材线虫病发生规律初探
东海第二次起义与解放昆嵛山