基于无人机遥感植被指数的松材线虫病枯死木自动提取研究

应兴亮　黄　菲　余启源

基于无人机遥感植被指数的松材线虫病枯死木自动提取研究

应兴亮1黄菲1余启源2

（1.福建林业职业技术学院林学系福建南平353000；2.泉州涌明生物科技有限公司福建泉州362000）

目前轻小型无人机被广泛应用于松材线虫病发生情况的监测和枯死木提取工作。本研究采用植被指数加入松材线虫病枯死木提取工作，计算ExG指数、ExG-ExR指数和GLI指数，以三种植被指数分析其提取枯死木的阈值并统计枯死木提取情况，利用ArcGIS模型工具将工作步骤封装打包，便于基层林业单位直接使用。结果表明，ExG指数在提取枯死木时精度达90%以上，在三种指数中精度最高，模型工具相对人工目视解译速度提高30%以上。

无人机遥感；松材线虫病；植被指数；自动提取

松材线虫病是松树的毁灭性病害，松树感染松材线虫病最快40 d即枯死，松林则在3年～5年内会逐步毁灭。松材线虫病传入我国的30多年间已造成直接经济损失约120亿元，间接经济损失约360亿元。目前，松材线虫病在全国有逐渐向内陆地区蔓延的趋势。现阶段松材线虫病的防治尚无较有效的方法，对变色枯死的松木准确监测，同时进行采伐和处理，配合松林改造工作防止其传播媒介松墨天牛进一步扩散，成为松材线虫病防治的工作重点。

1 研究背景

现阶段，无人机遥感技术被广泛应用于松材线虫病的监测，取得了良好的效果，通过各类图像解译方法可以快速、准确地提取出松材线虫病变色松木位置。常用的影像提取方法包括面向对象分类、深度学习等。武红敢等使用固定翼无人机在松材线虫病监测窗口期对重庆市沙坪坝区松材线虫病感病木进行定位，并利用航拍影像辅助外业核查[1]；刘遐龄等使用面向对象分类方法对松材线虫病影像进行自动分类，计算机自动提取仅使用0.5 h，速度优于人工目视解译，且精度仅相差约2%，无人机和影像提取技术为感病松树的定位提供了快速的方法[2]。除此之外，如何提高无人机识别感病松树的准确率成为近年来新的研究重点，影像识别中加入更多光谱信息可以提高其准确率。张素兰等采集了70条不同健康程度马尾松植株的光谱数据，通过分析其光谱特征参数RGP（绿峰反射率）、FRB（红谷反射率）和RES（红边斜率），构建松材线虫虫害估测模型[3]；杜华强等分析感病松树450 nm～780 nm反射光谱曲线的分形维数，从而判断松树健康程度[4]；黄宝华对无人机多光谱相机采集的720 nm波段影像计算其一阶导数，较好地提取出了感病黑松的数量[5]。

结合目前林业生产工作情况，基层工作人员提取松材线虫病变色松木位置依靠目视解译，解译精度取决于解译人员的经验和影像质量等因素。其中，如何简单、快速地消除落叶树种对定位感病松树过程的影响，也是解决遥感技术“异物同谱”问题的难点之一[6]。对此，本文提出利用无人机RGB影像，结合植被指数运算分类松材线虫病枯死木，对复杂分类过程建立处理流程，通过简单步骤完成枯死木影像自动分析提取，通过对分类精度、运算速度等因素的综合分析，寻找快速、准确地定位松材线虫病感病松树的方法，为基层松材线虫病监测和防控提供数据支持。

2 研究区域与实验方法

2.1 研究区域概况

本研究选取福建省南平市延平区南山镇葫芦山林场为研究区，其地理位置在东经118°23′2″、北纬26°31′20″附近。延平区位于福建省中部偏北，闽江上游建溪、沙溪、富屯溪汇合处，为闽江干流的源头。延平区属中亚热带海洋季风气候，年均气温17.3 ℃，年降水量1 669 mm，地处闽中大谷地最低处，东北部以低山为主，北部以中山为主，南部以中低山为主，西部为低山丘陵。

延平区森林覆盖率达74.11%，是中国南方三大杉木产区之一，区内除盛产杉、松、竹外，还有近百种名贵珍稀树木，其中南方红豆杉、柳杉、建柏、闽楠、银杏等15种树种被列为国家级和省级保护树种。根据《国家林业和草原局公告（2022年第6号）》，2022年延平区成为松材线虫病疫区，且由于夏季干旱等气候因素影响，延平区松材线虫病发生情况严重，防控工作压力较大。

2.2 数据获取与处理

本研究使用纵横CW-007垂直起降固定翼无人机搭载6 100万像素航拍相机采集航拍照片。该款垂直起降固定翼无人机系统续航时间可达2 h，作业面积10 km2以上，可以完成大面积森林资源监测和巡护任务。本次采集作业在2022年6月26日完成，无人机飞行时天气晴好。无人机飞行采集数据使用地面站软件规划航线，飞行高度600 m，航线重叠率75%，旁向重叠率75%。无人机支持免像控航测拍摄，无人机图像处理采用Pix4D生成点云、DOM（数字正射影像）、DSM（数字地表模型）等，生成正射影像数据面积5.56 km2，影像精度0.07 m。无人机航测影像结果如图1所示。

图1　研究区无人机航测影像

2.3 植被指数的提取

植被指数被广泛应用在遥感影像分类中，松材线虫病枯死木的提取因其样本特点明显，与周围植被差异较大，用于区别植被与非植被的植被指数可以用于提取枯死木位置。但松材线虫病枯死木会经历颜色上从松针变色到整株变白的不同阶段，所以植被指数应能覆盖其所有颜色变化。综合前人对于植被指数分类提取地物的研究，发现ExG指数[7]、ExG-ExR指数[8]和GLI指数[9]在提取不同类型植被和地物上具有较好的作用，三种植被指数的计算公式如表1所示。

表1　植被指数类型及计算公式

注：表示红光波段值，表示绿光波段值，表示蓝光波段值。

2.3.1 ExG指数

ExG指数根据土壤在RGB波段的反射特点，特别是在强化绿波段特性时，也减弱红波段和绿波段的影响，以增强植被与土壤间的波段差异，减少阴影土壤带来的边界差异，使得植被与土壤更易区分。

2.3.2 ExG-ExR指数

ExG-ExR指数是根据ExG指数改进的颜色指数，Meyer等通过将ExG指数图像与ExR指数图像相减，发现基于0阈值的ExG-ExR指数可以很好地将植被与背景分离[8]。

2.3.3 GLI指数

GLI指数又被称为VDVI指数（visible-band difference vegetation index，可见光波段差异植被指数），是无人机可见光影像处理中用于替代NDVI（normalized difference vegetation index，归一化植被指数）的方法。NDVI指数计算中需要使用近红外波段加入运算，传统卫星遥感中波段匹配适合使用，而常见无人机获取的是可见光影像，其中只包含红绿蓝波段，其植被指数的运算则需要做出调整。在自然界中，植被对可见光中的绿波段是强反射，对近红外波段同样是强反射，而对红蓝波段则产生强吸收，GLI指数利用这一特性，用绿波段反射率替代近红外波段反射率，同时以红蓝波段组合代替NDVI指数中的红波段，以2倍绿波段值与NDVI指数中近红外波段和相当。

2.4 枯死木分类阈值提取

利用植被指数提取枯死木过程中的重要工作是要找到区分健康林木和枯死木的阈值，阈值的准确与否关系到提取枯死木的准确性和冗余信息的量。本研究首先通过目视解译获取枯死木分布中心点，再围绕中心点采集其周围1 m×1 m范围内植被指数图层像元的平均值、最大值、最小值、标准差等参数。通过综合所有枯死木点的像元平均值，得到初步提取阈值，接下来验证阈值的准确性，经过提取后得到基于植被指数的枯死木点位，对比目视解译结果观察哪些位置出现增加或减少的情况，进而微调阈值，得到枯死木提取最优分类阈值。

2.5 枯死木快速提取工具

以往对枯死木提取通常通过遥感软件分类后得到相应位置，而林业生产基层多要求步骤少、精度高的提取工具。本研究基于ArcGIS软件开展全部数据处理工作，降低基层工作者学习成本和应用成本。在ArcGIS软件中使用模型工具，集合栅格计算器、重分类和栅格转面等工具后，转为模型工具包，在后期使用时只需分别输入无人机影像中的红、绿、蓝波段信息，便可以实现枯死木自动提取功能。枯死木快速提取模型的重要步骤包含计算植被指数、基于阈值提取枯死木点、枯死木提取精度判断、枯死木位置确定。枯死木提取模型具体步骤和流程如图2所示。

图2　枯死木快速提取模型流程图

2.5.1 计算植被指数

在ArcMap模型构建器模块中，分别添加影像的红绿蓝波段，导入栅格计算器工具，分别根据上文公式计算ExG指数、GLI指数和ExG-ExR指数。特别注意的是，植被指数运算结果需要保存为浮点型。

2.5.2 基于阈值提取枯死木点

计算得到植被指数后，使用栅格重分类功能，输入阈值对植被指数计算结果进行重分类，利用掩膜剔除非林地区域，获得枯死木位置。使用栅格转面功能将枯死木位置转换为矢量数据，同时为避免细碎斑块影响统计，将面积过小的斑块剔除。

2.5.3 人工判读三种植被指数的准确率

到此步骤时，已经得到了三种植被指数提取的枯死木位置，为了提高精度，减少人工检查的时间，这里将三种枯死木提取后的信息做叠加分析，筛选出没有叠加的位置，人工再进行复核。增加此步骤可以避免人工重复检查，较为明确地判断枯死木位置，重点检查疑似位置。

2.5.4 确定枯死木位置

最后，经过人工检查即可获得准确的枯死木矢量位置，同时提取枯死木矢量位置的经纬度坐标信息，用于后期检查或枯死木采伐工作。

3 试验结果评价

3.1 植被指数计算及阈值提取

利用ArcGIS软件的栅格计算器功能完成植被指数的运算。如表2所示，枯死木在影像中表现为较深的颜色，ExG指数枯死木和健康林木分离明显，且林中的阴影和空地部分与枯死木有明显分离，不易混淆，道路和大面积裸露岩石与枯死木影像相似，但是面积和形状有明显差异；GLI指数枯死木可以明显分离，但是林中空隙和阴影容易被混入枯死木范围内，部分岩石也会被混入其中；ExG-ExR指数可以将枯死木与健康林木较为清晰地分离，但在林中存在部分空隙容易与枯死木混淆。

表2　松材线虫病枯死木植被指数计算结果

在阈值提取中，通过分析枯死木点1 m×1 m范围内植被指数图层像元的平均值、最大值、最小值、标准差等参数，得出三种植被指数的分类阈值和分类精度情况，其中精度以目视解译为标准对比。各植被指数枯死木提取阈值及提取精度情况如表3所示。

表3　植被指数提取枯死木精度情况

分析表3数据可得，ExG指数和ExG-ExR指数在提取松材线虫病枯死木上都具备较高的准确率；ExG-ExR指数判读错误主要集中在3株～4株连片且较小的枯死木上，易被判读为1株；GLI指数通过分类得到枯死木796株，分类过程中发现存在65株毛竹错判为枯死木，导致其分类枯死木数量增加，剔除毛竹错判枯死木后其准确率为85.87%。

为验证以上植被指数阈值是否具有通用性，本研究还在另外两张不同设备获取的无人机影像图中进行了实验，验证影像1为精灵4RTK无人机拍摄的可见光正射影像数据，验证影像2拍摄同样使用本实验区中应用的纵横CW-007，但选取的是拍摄时间与地点不相同的另一影像作为验证数据。验证数据的枯死木提取情况如表4所示。结果表明，上文提取的阈值对于其他型号无人机拍摄的影像和相同设备不同拍摄场景下的影像开展枯死木提取都有较好的效果，说明该阈值具有通用性，可以在模型中推广使用。

表4　验证影像提取枯死木精度情况

通过对比三种植被指数的分类精度，在实验区影像和验证影像中精度最高的均是ExG指数，精度都在90%以上，且将影像用于目视解译中也表现出较好的辅助解译效果。同时ExG指数还可以区分出枯死木与变色红色松木，今后可以作为分类的另一个方向。综上，ExG指数较适合提取松材线虫病枯死木。

3.2 松材线虫病枯死木自动提取

在确定了分类阈值后，本文使用ArcGIS软件将阈值提取工作流程化，使用模型工具进行封装，导出为软件工具包，方便基层林业工作者快捷调用，免去中间运算过程。在提取过程中，主要时间使用分布体现在前期数据导入近3 min，中间数据处理过程耗时5 min，得到初步的结果后，枯死木人工筛选本研究的5.56 km2耗时接近10 min，综合耗时近20 min。人工目视解译耗时近30 min完成。本方法节约处理时间，同时不降低解译精度，并且无须安装其他软件和耗费较长时间运算，在林业基层工作单位中具有较好的推广前景。

4 结论与讨论

松材线虫病在全国仍处于不断蔓延的阶段，为控制松材线虫病在县市区域的蔓延，科学地对松材线虫病进行监测和管理是重要的防治手段[10]。其中，多种无人机平台协同合作将是提高森林病虫害防治工作管理水平的重要手段。目前，小型无人机已经作为一种重要的林业外业调查工具普及进入林业生产管理单位，其中以森林巡护为主要任务，使用人工目视判断和分析为主。下一阶段的无人机遥感技术发展趋势应是与遥感解译技术结合发展，更多计算机自动分析与提取工具提供科学数据，帮助林业管理者实施决策。本研究中的枯死木自动提取模型可以帮助林业工作者减少目视解译枯死木的工作量，提升枯死木识别效率。未来还可以有更多的分析提取工具，联合垂直起降固定翼平台和小型多旋翼平台协同合作，在枯死木发生监测、林分改造管理、枯死木处置管理等方面改变传统作业模式，提升防治效果。

未来松材线虫病防治管理方式和作业手段将发生改变。通过使用垂直起降固定翼无人机，10 d左右便可获得县域松材线虫病发生准确情况，精确度可以统计到枯死木具体发生株数。结合GIS系统，能够综合研判区域内地形、树种分布等因素，对未来重点防治区域做出部署，改变以往松材线虫病发生后拔除植株的防治模式。在防治过程中，分析枯死木与变色木的数量，对较多当年枯死变色植株的松木林分采用伐出隔离带，林分周围定点拔除的方法控制松墨天牛传播，同时周围加强药物防治和诱捕器设置，配合有效的行政管理，明确枯死木处理方法，加强枯死木管理。在往年变白枯死木较多的林分，避免使用定点拔除法防治，因为该地松墨天牛可能已经转移，可以采用林分改造或间伐改变林分组成。已经采取林分改造或伐除枯死木等防治措施的林分，可以配合轻小型无人机验收林分改造成果，对比改造前和改造后的无人机影像可以快速、全面地判断林分改造或伐除作业是否合格。

[1]武红敢,牟晓伟,杨清钰,等.无人机遥感技术在重庆市沙坪坝区松材线虫病监测中的应用[J].林业资源管理,2019(2):109-115.

[2]刘遐龄,程多祥,李涛,等.无人机遥感影像的松材线虫病危害木自动监测技术初探[J].中国森林病虫,2018,37(5):16-21.

[3]张素兰,覃菊,唐晓东,等.松材线虫危害下马尾松光谱特征与估测模型研究[J].光谱学与光谱分析,2019,39(3):865-872.

[4]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.

[5]黄宝华.无人机搭载多光谱相机监测松材线虫病的研究[J].广西林业科学,2020,49(3):380-384.

[6]张智韬,于广多,吴天奎,等.基于无人机遥感影像的玉米冠层温度提取及作物水分胁迫监测[J].农业工程学报,2021,37(23):82-89.

[7]时启龙,黄石明,张明霞,等.基于无人机遥感和深度学习的松材线虫病疫木自动提取方法研究[J].西部林业科学,2022,51(5):28-33.

[8]尹林江,周忠发,李韶慧,等.基于无人机可见光影像对喀斯特地区植被信息提取与覆盖度研究[J].草地学报,2020,28(6):1664-1672.

[9]MEYER G E,NETO J C.Verification of color veg-etation indices for automated crop imaging applicati-ons[J].Computers and Electronics in Agriculture,2008,63(2):282-293.

[10]陶欢,李存军,程成,等.松材线虫病变色松树遥感监测研究进展[J].林业科学研究,2020,33(3):172-183.

10.3969/j.issn.2095-1205.2023.01.17

S763.18

A

2095-1205(2023)01-57-05

福建省中青年教师教育科研项目（JZ180464）

应兴亮（1991— ），男，汉族，福建南平人，硕士研究生，讲师，研究方向为林业3S技术。