基于高光谱与遥感影像技术的松材线虫病害监测研究

摘要：随着经济的发展，松材线虫害是当前威胁松树生长的主要病害，但如何进行有效的监测和管控是目前松材线虫害治理的主要问题。研究针对当前松材线虫害识别效果不佳识别精度不足的问题，提出了一种使用高光谱和遥感技术相结合的松材线虫害监测技术。新技术使用聚类方法和均值滤波提升高光谱数据效果，同时加入特征提取分析遥感影像敏感性提升影像数据监测和分析能力。研究结果表明，松材吸收波长为400nm-700nm和1000nm-1300nm之间出现明显变化。研究使用方法的维度降低效果更好，相较于主成分分析法其识别精度提升了2.35%。使用混合模型进行数据分析其K识别精度得到提升。由此可见，研究使用技术能够很好地对松材线虫害进行监测和识别，这对松材线虫害监测研究具有很好的指导意义。

关键词：高光谱；遥感；松材；线虫病害；监测

中图分类号：S791"" 文献标识码：A

Research on Monitoring Pine Wood Nematode Diseases Based on Hyperspectral and Remote Sensing Imaging Technology

Xu Yonggan

Changshan County Forestry and Water Bureau， Changshan， Zhejiang， 324200

Abstract： With the development of the economy， pine wilt disease is currently the main threat to the growth of pine trees， but how to effectively monitor and control it is the main problem in the management of pine wilt disease. A pine wood nematode pest monitoring technology combining hyperspectral and remote sensing techniques is proposed to address the problem of poor recognition accuracy of pine wood nematode pests. The new technology uses clustering methods and mean filtering to improve the performance of hyperspectral data， while combining feature extraction analysis to enhance the sensitivity of remote sensing images and improve data monitoring and analysis capabilities. The research results indicate that there is a significant change in the absorption wavelength of pine wood between 400nm-700nm and 1000nm-130nm. The dimensionality reduction effect of the research usage method is better， with a 2.35% improvement in recognition accuracy compared to principal component analysis. The use of a hybrid model for data analysis has improved the accuracy of K recognition. It can be seen that the use of technology in research can effectively monitor and identify pine wood nematode damage， which has good guiding significance for the monitoring and research of pine wood nematode damage.

Keywords： Hyperspectral; Remote sensing; Pine wood; Nematode diseases; Monitor

0.引言

松材线虫病是一种严重威胁全球松树资源的毁灭性病害，由松材线虫引发，具有极高的传播速度和致死率[1]。松材线虫病自发现以来，已成为危害森林生态系统和相关产业的重大问题[2]。传统的松材线虫病害监测方法依赖于人工现场调查和病害症状的观察，导致监测效率低、成本高、时效性差，难以满足大规模林地的监测需求。高光谱遥感技术与遥感技术因其对地物光谱特征的高分辨能力，成为现代病害监测中重要的技术手段[3]。高光谱影像能够捕捉植被的精细光谱信息，识别微小的生理变化，进而实现对病害早期症状的识别和监测。遥感影像则以其覆盖范围广、时间分辨率高的优势，能够对大面积林地进行动态监测。基于此，研究创新性地使用高光谱和遥感技术对松材线虫害进行分析监测。在高光谱技术中使用聚类分析和均值滤波法，以此提升高光谱数据的分析效果。同时对遥感影像的敏感性和时空性进行分析，以此保障数据的可分析能力降低数据噪声，提升实际效果。

1.高光谱松材病虫害分析

通常情况下当植物遭受病虫害侵袭后，植物叶片上的叶绿素等元素含量就会降低，植物体内的含水量随之减少，使得叶片对相应波段的可见光光谱信号吸收效率降低，使得叶片呈现黄色或者红色[4]。高光谱能够分辨出不同波段的光谱数据，因此研究选择高光谱进行松材线虫的光谱分析。如图1所示为高光谱病虫害监测过程。

从图1中可以看出，在进行高光谱数据处理前，需要先通过无人机对松材进行高光谱图像数据收集，并且同步进行地面的高光谱图像数据采集。这样是为了避免发生遗漏的情况。其次将采集的数据进行背景消除，并对数据进行降维处理。然后得到松树光谱特征图像、特征空间数据以及松树的地面空间数据。最后结合已知的松树可见光光谱波段吸收情况分析当前松材的受线虫害情况。由于通过高光谱得到的松树波段数据存在维度高、图像数据复杂、数据质量不佳等问题，因此为了提升高光谱的特定光谱分析能力，降低光谱数据的冗杂性。研究使用特征提取的和波段选择的方法提升数据的单一性。其中使用聚类选择的方法进行波段选择如式（1）所示为波段聚类距离计算公式[5]。

（1）

式（1）中， 表示波段 和 之间的欧氏距离， 表示波段 在第 个特征上的值， 表示波段 在第 个特征上的值。如式（2）所示为聚类中心计算公式。

（2）

式（2）中， 表示第 类波段集合， 表示波段 的特征向量。其中波段选择计算公式如式（3）所示。

（3）

式（3）中， 表示波段 与聚类中心 的距离。通过计算得到当前聚类中心聚类最后再重复操作直至当前聚类中心结果不再发生变化。由于高光谱图像数据中空间信息数据冗杂，因此研究使用均值滤波法对空间数据进行提取。通过衡量不同光谱数据中的权值大小对数据进行空间信息提取。当光谱数据越接近则权值越大，光谱数据差异越大则权值越小。如式（4）所示[6]。

（4）

式（4）中， 表示邻域半径即中心像素到窗口边界的距离， 表示邻域区域， 表示邻域区域中像素的列索引， 表示邻域区域中像素的行索引， 表示像素点。如式（5）所示为滤波计算公式。

（5）

式（5）中， 表示权值大小，此时 值大小如式（6）所示[7]。

（6）

式（6）所示， 表示调节相邻数据权值的因子，此时 的计算公式如式（7）所示。

（7）

均值滤波能够有效降低高光谱中滤波数据噪声影响，提升数据的空间能力。最后为提升高光谱数据的准确性，研究使用均值置信区间进行降维处理。首先在进行均值算法计算时对高光谱数据进行误差设定。其次再进行聚类中心的初始化计算如式（8）所示。

（8）

式（8）中， 表示聚类个数， 表示数据点 到聚类中心 的隶属值。此时更新聚类中如式（9）所示。

（9）

式（9）中， 表示聚类中心， 表示数据点， 表示数据点总数， 表示模糊因子。然后更新隶属值如式（10）所示[8]。

（10）

式（10）中， 表示数据点 到聚类中心 的欧式距离。最后再对隶属值的变化进行计算，检查隶属度矩阵的变化是否小于预设阈值。如果小于，则停止迭代。否则，重新进行聚类中心计算。最后通过均值区间计算数据的误差大小如式（11）所示。

（11）

式（11）中， 表示样本均值， 表示标准正态分布中对应置信水平的临界值， 表示显著水平， 表示样本中数据的离散程度的度量， 表示样本的数量， 表示总体均值。通过不同的方法以提升高光谱数据效果，进而提升对松材线虫害的监测效果。

2.遥感技术的松材线虫害数据采集

松材线虫害监测过程中高光谱数据和图像的提取主要使用遥感技术进行支撑。由于高光谱对光谱敏感图像数据要求较高，必须选择合适波段的数据信息，因此研究使用遥感技术进行数据采集。同时为提升波段数据的精度，研究使用ERDAS IMAGINE软件进行遥感图像数据处理。研究使用Landsat 9遥感影像，在对遥感图像进行分类提取过程中，首先将Landsat 9的遥感影像进行大气校正如式（12）所示[9]。

（12）

式（12）中， 表示反射率， 表示在波长 处的辐射亮度大小， 表示辐射亮度的最大值， 表示辐射亮度的最小值。 表示反射率的最大值， 表示反射率的最小值。其次通过波段组合对影像进行特征提取如式（13）所示。

（13）

式（13）中， 表示归一化植被指数， 表示近红外波段反射率， 表示红外波段反射率。 表示归一化建筑指数， 表示短波红外反射率。通过监督分类算法分析当前影像的分类效果如式（14）所示[10]。

（14）

式（14）中， 表示给定样本 属于类别 的后验概率， 表示样本 属于类别 的类条件概率， 表示类别 的先验概率， 表示样本 的边际概率。最后根据得出的数据进行精度评价。如图2所示为遥感技术的影像数据采集过程。

从图2中可以看出，首先在使用遥感技术时会先对遥感影像数据和天气数据进行采集。其次通过天气数据和遥感数据搭建遥感影响的时空数据，并且对当前松材的积温和线虫害进行数据分析，得到线虫害波段的敏感性，再根据敏感性决定遥感影像时段。并通过天气数据分析以及敏感性时段得到地理因子和遥感因子。最后通过不同特征的因子选择使用分析算法得到最终的遥感影像。

由于当前对病虫害的时段敏感性分析中时空差异性会影响对不同因子的判断，因此为提升敏感性分析的准确性，研究通过提升病虫害时段的数据时间窗口长度，以提取松材在感染线虫害后的数据信息。如图3所示为松材线虫害的敏感时段信息提取过程。

从图3中可以看出，在进行时空差异化信息提取过程中需要先将松树的时段信息进行分析和提取。根据不同温度下松树的温度变化情况，分析当前松树最适宜的波段数据。其次在得到不同时段温度数据后，将松树的遥感图像与气象图像数据进行分析和时间序列提取。最后再将得到的时间序列数据通过敏感性分析，得到当前松树时段的序列敏感性数据。通过时序分析后得到的遥感影像能够降低数据出现随机噪声的情况。最后为了更加高效和快速地处理遥感和高光谱数据，研究还使用随机森林算法（Random Forest，RF）和支持向量机算法（Support Vector Machine，SVM），使得遥感和高光谱数据能够更加高效和快速地进行处理。为测试研究中松树的线虫害研究，研究使用Kappa系数进行模型评估如式（15）所示为Kappa系数分析公式。

（15）

式（15）中， 表示Kappa系数， 表示分类器预测正确的比例， 表示随机分配的情况下分类器预测正确的概率。其中 是在所有类别中的实际一致性比例，可以通过将分类器正确分类的次数除以总分类次数来计算。 是基于类别分布的随机一致性比例，通常通过计算各个类别的边际分布乘积的总和来获得。

3.松材线虫病害监测结果分析

研究选取部分健康松树与受线虫害松树进行光谱反射率对比，使用无人机进行高光谱和遥感技术对松树样本进行采集。采集的可见光波段范围为500-2200mm，波段样本数量选择50。通过卫星定位系统对采样松树地面进行点位定位，使用ERDAS IMAGINE中的采用空间数据抽象库（Geospatial Data Abstraction Library，GDAL）通过脚本或命令行操作来选择和处理感兴趣区域进行样本标记。收集地面样本数300个，健康松树样本140个，受到线虫害松树样本150个，其中包含重度感染样本92个，轻度感染样本58个，通过GDAL中光谱反射率的平均值作为样本采样的光谱率。将松树不同感染情况分为三个时期，线虫害初期、线虫害中期、线虫害高危期，通过研究使用方法对松树进行数据采集得到如图4所示可见光吸收结果。

从图4中可以看出，通过使用高光谱和遥感技术能够反映不同时期的松树线虫害情况的松树可见光吸收情况变化。在波长为400nm-700nm和1000nm-1300nm之间松树的可见光吸收波长出现较大的高光谱滤波系数下降。因此研究可以通过分析该波长下松树的可见光吸收情况判断松树是否感染线虫害。其中在感染初期松树的高光谱滤波系数更小，随着感染程度的增加松树的可见光滤波系数逐渐增加。这说明感染线虫害后松树的叶绿素等元素含量降低，造成可将光吸收效果变差，因此通过分析高光谱滤波系数能够得到当前松树感染线虫害的情况。研究分别搭建不同的样本数据分类方法，主成分分析（Principal Component Analysis，PCA）、局部线性嵌入（Locally Linear Embedding，LLE）、稀疏子空间聚类（Sparse Subspace，SS）和研究使用方法四种分析方法，根据不同输入特征情况分析研究方法对松树线虫害识别精度变化得到如表1所示。其中生产者精度表示模型中正确分类的地面样本精度，用户精度表示模型或地图中标识的样本与地面上的样本实际对应的精度。

从表1中可以看出，在不同方法的样本识别精度上，主成分分析法的样本识别方法精度最低。总精度只有93.70%，而K系数识别精度只有0.886。这说明在不同维度降低方法中主成分分析方法对松树的样本数据分析效果最差。从不同方法对比中研究使用的识别精度最好，总体精度能够达到96.05%，其中K系数最高有0.921。相较于主成分分析方法，研究使用方法总体精度高2.35%，K系数大0.035。由此可见研究使用的分析方法效果更好，这可能是由于传统方法对于高光谱样本的降维效果较差的原因。将模型样本通过矩阵分解，再使用不同的模型进行样本聚类分析当前选择的支持向量机（Support Vector Machine， SVM）和随机森林模型（Random Forest）的实际效果得到如图5所示。矩阵分解版本表示通过改变某个参数得到的新的矩阵分解方法。

从图5（a）中可以看出，在单独使用支持向量机或随机森林算法时，得到的模型识别精度效果较差。其中在矩阵分析版本为1时支持向量机模型的K系数识别精度最低只有0.81，相较于研究使用的SVM和RF模型识别精度低了0.08，总体精度低了0.03。可见单独使用模型其精度效果较差。从图5（b）中可以看出，在矩阵分解版本为2时模型的精度发生变化其中精度最低的模型为RF模型，该模型识别精度比研究使用模型低了0.03，总识别精度低了0.04。可见不同的分解矩阵得到的模型识别精度有所差异，这可能是由于模型的自身情况限制造成的。

4.结论

研究针对松材生长过程中容易出现线虫害的问题，提出了一种使用高光谱和遥感技术的线虫害松材监测方法。新方法能够通过遥感技术采集松材光谱吸收样本图像，并使用高光谱技术对松材吸收光谱情况进行分析，判断当前松材是否感染线虫害。研究结果表明，在光谱波长为400nm-700nm和1000nm-1300nm之间松树出现较大的滤波系数变化。感染程度越深的松树在该波段的滤波系数越大。使用不同样本进行分析时，研究使用方法的维度降低效果更好，精度能够达到96.05%，K系能够达到0.921。相较于主成分分析法其精度提升了2.35%，K系数精度提升了0.035。使用SVM和RF模型进行数据分析时模型的K识别精度得到提升，其精度比单一模型总识别精度提升了0.03和0.04。由此可见，使用高光谱和遥感技术进行松材线虫害分析和监测能够有效提升监测和识别精度。研究虽然取得了一些成果但还存在一些不足，如研究只分析了线虫害影响未分析其他病害的监测情况，因此后续研究还将对松材其他病害进行分析。

参考文献

[1]陈冬梅，林佳，王海亮，等. 基于多尺度数据集的虫害检测模型[J]. 农业工程学报， 2024， 40（5）：196-206.

[1]陈冬梅，林佳，王海亮，等.基于多尺度数据集的虫害检测模型[J].农业工程学报，2024，40（5）：196-206.

[2]陈燕丽，孙明，陈诚，等. 基于GF1卫星的红树林病虫害遥感识别[J]. 科学技术与工程， 2023， 23（34）：14682-14690.

[2]陈燕丽，孙明，陈诚，等.基于GF1卫星的红树林病虫害遥感识别[J].科学技术与工程，2023，23（34）：14682-14690.

[3]王明常，丁文，赵竞争，等. 基于知识图谱与随机森林的落叶松毛虫害遥感识别[J]. 吉林大学学报（地球科学版）， 2023， 53（6）：2006-2017.

[3]王明常，丁文，赵竞争，等.基于知识图谱与随机森林的落叶松毛虫害遥感识别[J].吉林大学学报（地球科学版），2023，53（6）：2006-2017.

[4]廖娟，陶婉琰，臧英，等. 农作物病虫害遥感监测关键技术研究进展与展望[J]. 农业机械学报， 2023， 54（11）：1-19.

[4]廖娟，陶婉琰，臧英，等.农作物病虫害遥感监测关键技术研究进展与展望[J].农业机械学报，2023，54（11）：1-19.

[5] Zheng Y， Khan MR. Pine Wood Nematode in Coniferous Forests and Their Management by Novel Biological and Biotechnological Interventions. InNovel Biological and Biotechnological Applications in Plant Nematode Management 2023， 9（10）：489-514.系统没有查到文献，可能是系统没有收录该文献，也可能是文献信息不足或有误等。您可以修改后再查或到知网检索。

[6]郭铭淇，包云轩，黄璐，等. 无人机多光谱影像在稻纵卷叶螟危害监测中的应用[J]. 江苏农业学报， 2023， 39（7）：1530-1542.

[6]郭铭淇，包云轩，黄璐，等.无人机多光谱影像在稻纵卷叶螟危害监测中的应用[J].江苏农业学报，2023，39（7）：1530-1542.

[7]林向彬，孙金华，杨柳，等. 应用无人机多光谱遥感对栎类食叶虫害危害程度的监测[J]. 东北林业大学学报， 2023， 51（9）：138-144.

[7]林向彬，孙金华，杨柳，等.应用无人机多光谱遥感对栎类食叶虫害危害程度的监测[J].东北林业大学学报，2023，51（9）：138-144.

[8]杨乐，黄晓君，包玉海，等. 无人机航高对落叶松毛虫虫害遥感监测精度的影响[J]. 南京林业大学学报（自然科学版）， 2023， 47（4）：13-22.

[8]杨乐，黄晓君，包玉海，等.无人机航高对落叶松毛虫虫害遥感监测精度的影响[J].南京林业大学学报（自然科学版），2023，47（4）：13-22.

[9]Mariette N， Hotte H， Chappé AM， Grosdidier M， Anthoine G， Sarniguet C， Colnard O， Kersaudy E， Paris MT， Koen E， Folcher L. Two decades of epidemiological surveillance of the pine wood nematode in France reveal its absence despite suitable conditions for its establishment. Annals of Forest Science. 2023， 80（1）：21-22.

[9]Mariette Nicolas，Hotte Ho？l，Chappé Anne Marie，et al.Two decades of epidemiological surveillance of the pine wood nematode in france reveal its absence despite suitable conditions for its establishment[J].Annals of Forest Science，2023，80（1）.

[10]张琳，倪云鹏，李曙堃.地质找矿中遥感图像处理系统设计与实现[J].中国锰业，2020， 38（3）：98-100.

[10]张琳，倪云鹏，李曙堃.地质找矿中遥感图像处理系统设计与实现[J].中国锰业，2020，38（3）：98-100.