松林線蟲病染病樹木無人機高光譜和多光譜遙感監測

摘要

松材線蟲病是目前對我國各省區松樹林區危害最大的病害類型之一，被稱為是松林的癌癥，一旦發生病害，如不及時的監測和治理，將對我國的林業生態安全造成巨大的威脅。其中對染病和病死樹木的準確監測和定位是開展治理工作的首要環節，但目前尚未有有效的監測方法的研究和應用。為此，本研究探討基于無人機遙感平臺，利用多光譜和高光譜遙感手段，研究適用于我國山地松林林區的松材線蟲病染病樹木和病死樹木的監測方法。選擇青島的城陽（嶗山山脈）和黃島（珠山山區）為研究區，利用無人機載多光譜和高光譜傳感器為載荷，通過發展遙感圖像數據的處理、分類識別和定位方法，開展了染病、病死松樹樹木的高效、高精度監測。結果表明無人機遙感是開展松材線蟲病監測的有效手段，多光譜和高光譜數據均可實現對病害樹木的識別提取。無人機多光譜和高光譜監測方法可為松材線蟲病的早期治理和治理后效評估提供方法支撐。

關鍵詞：無人機遙感；高光譜遙感；多光譜遙感；松材線蟲病監測

01 引 言

森林是以木本植物為主體的生物群落，森林生態系統物種多樣、結構復雜、功能豐富的特點，特別是在涵養水源、穩固土壤、降低溫室效應等方面無可替代，被譽為“地球之肺”。工業時代以來，在全國甚至全世界范圍內，原始天然林遭到大肆砍伐，取而代之的是林木種類相對單一的人工次生林。相比于天然林，其抗病蟲害能力較弱。對于森林病蟲害的預防、監測和治理，已經成為林業管理部門的工作重心之一。然而，在林業管理上，由于目前普遍存在的重造林、輕管理、森防機構不健全、技術相對落后等問題，對森林病蟲害的監測和防治一直水平不高。目前基于人工現場勘測和樣地法的森林管理和病害監測防治方法已無法滿足目前森林病害加劇的嚴峻形勢的要求。在充分提高森林病蟲害防治管控意識的基礎上，通過引進和發展新的監測技術，實現森林病蟲害的早期發現、病害位置和分布范圍的準確監測、病害程度的分級評估，對提高森林病蟲害防治效果，促進林業健康發展，都具有十分重要的意義。

遙感技術以其大面積同步、高空間、高光譜、高時間分辨率的優勢，已經在林業資源環境監測中發揮了重要的作用。自 80 年代起，林業部門已利用衛星遙感結合地理信息系統 (GIS)等方法對我國森林資源進行了清查和監測；對自然條件惡劣的西藏全區進行了森林資源清查，填補了國家空白；對我國三北防護林等林業工程進行了生態功能評價。我國應用林業遙感技術已有二十多年的歷史，取得了可喜的成績，充分展現了遙感技術在林業中的巨大生命力（陳永富等,2011;寇文正等,1990;徐升華等,2016）。在森林組成研究(Kavzoglu等,2016; 翟天林等,2016; 陳艷鋒等,2016; Hansen等,2014)、樹種識別及生化屬性反演(Laurin等,2016; 廖凱濤等,2016; Alonzo等,2015)和森林結構研究(Karila等,2015; 劉清旺等,2016; Wallace等,2016; 郭昱杉等,2016; Mcroberts等,2015; 邱賽,2016)等方面，均開展了大量的工作。

無人機遙感在林業生產活動中的應用仍處于起步階段，但其強大的應用前景，對推動現代林業、智慧林業和精準林業的建設和發展具有重要意義。可用于林業生產工作中的無人機航空數據主要包括高分辨率遙感圖像、高光譜圖像和合成孔徑雷達圖像等。國內外學者開展了部分探索性的研究工作(張增等,2015; 張園等;2011; Manjunath等,2013; Camps-Valls等,2014)。

在松材線蟲病的遙感監測方面，國內外學者開展了一些初步的探索和研究。韓國在1998年-1999年選用TM和IKONOS遙感圖像，利用馬氏距離法和最大似然法對對遙感圖像進行分類，并結合地面調查對蟲害進行了預測預報方法研究；之后在2002年又利用IKONOS遙感圖像，結合大比例尺的地形圖資料和GPS地面調查，確定了受害區域的分布（Kim等2001,2002）。我國對松材線蟲病的遙感監測始于1999年，中國林科院在寧波選用中分辨率的TM多光譜遙感圖像，配合航空錄像數據，在安徽黃山、福建三明和廣東部分地區開展了松材線蟲病害的遙感監測實驗(石進等，2006)。2007年，王震等應用光譜儀測量了馬尾松4種不同受害類型的現場光譜，分析并得到了染病植株的特征波段分布范圍（王震等，2007）。

綜上所述，遙感技術已經成為林業現代化建設的一條重要的技術途徑，無人機遙感的蓬勃興起更是給林業資源調查、管理和利用提供了一項行之有效的現代化工具，而高光譜遙感手段已被證實在作物的生長監測、病害檢測等方面具有巨大的應用潛力。基于此，本研究擬綜合利用上述遙感手段的優勢，針對林業病蟲害監測對新型技術手段的迫切需求，開展基于無人機高光譜遙感的森林病蟲害監測技術研究，重點研究以無人機為平臺的多光譜和高光譜遙感監測技術手段，對于松材線蟲病枯死樹木和染病樹木的監測方法，為松材線蟲病的精準、高效處置和防治提供第一手的基礎數據，為森林病蟲害有效管控、林業資源可持續發展和利用提供基礎支撐。

02 研究區域和數據

2.1 松材線蟲病監測區域

監測區域位于青島市的城陽區和黃島區（圖1）。其中，城陽區的監測區域位于惜福鎮毛公山北側，黃島監測區域位于珠山國家參林公園西側。兩個區域均為5-10年的次生松樹林，且均發生了輕度到中度的松材線蟲病災害，健康、染松材線蟲病和因松材線蟲病而病死的松樹樹木的現場照片如圖2所示。本研究中，利用無人機平臺，分別搭載多光譜（城陽監測區）和高光譜成像儀（黃島監測區），以開展對病死松樹和染病松樹的精確識別和提取為目標，開展相應的監測方法研究。

圖1 黃島監測區和城陽監測區分布示意圖

圖2 監測區林木松林線蟲病情況現場照片

(a)健康松樹，(b)染病但未枯死松樹，(c)枯死松樹

根據圖1，兩個監測區分別位于青島市的嶗山山脈和珠山山區，是青島市松林面積最大和最集中的區域。開展上述兩個區域林區的松材線蟲病無人機多光譜和高光譜遙感監測，一方面，可以驗證以無人機平臺的遙感監測方法的有效性，另一方面，為這兩個松林分布區的松材線蟲病防治提供實例借鑒，同時也為高分辨率多光譜和高光譜遙感技術在病死和染病松材線蟲病樹木的監測技術方法的發展提供支撐。根據圖2，實現對染病和病死樹木的準確監測和信息提取，存在兩個難點，其一，如何精確對病死樹木個體的提取和定位，其二，如何實現對染病樹木的精確分類。

根據現場調查和文獻調研，松材線蟲病的傳播是以天牛等甲殼類昆蟲為主要宿主，依靠甲蟲的飛行而進行線蟲病害的傳播。因此，松材線蟲病的病發具有兩個特點，第一，是離散分布的，第二，病死樹木周邊大概率存在染病樹木。以此兩個特點來指導本研究的現場調查和遙感監測研究工作。

2.2 無人機選型

本研究選用的無人機平臺為深圳飛馬機器人科技有限公司研發的一款主力型四旋翼無人機D200。D200無人機是飛馬著力推出的一款基于高性能旋翼平臺的一體化高精度航測無人機系統，主打“高精度成圖”。D200起飛重量7.5kg，標準載重1kg，單架次海平面懸停時間48min，秉承飛馬產品安全可靠的設計理念，飛行器上傳感器采取了多路冗余設計，保障飛行作業安全可靠。D200分為影像版和LiDAR版，影像版可配備搭載兩軸增穩云臺的單相機正射載荷（可選配高精度IMU模塊）或搭載兩軸增穩云臺的五相機傾斜攝影載荷；LiDAR版配備高精度LiDAR模塊和POS系統，提供點云高精度解算、設備檢校、點云平差、海量數據快速瀏覽等完整LiDAR處理流程，為客戶提供多元化的高精度數據獲取方案。D200配備高精度差分GNSS板卡，支持PPK、RTK及其融合作業模式，可實現稀少外業控制點或一定條件（地物特征豐富）下無控制點的1:500成圖，支持POS輔助空三，實現免像控應用。配合“無人機管家”專業版中精準地形跟隨飛行功能，可保證所獲取影像分辨率或LiDAR點云密度的一致性。

選擇飛馬無人機作為傳感器搭載平臺開展青島松林線蟲病監測的原因是，該款無人機兼具長飛行時間、大覆蓋區域、操控簡易、設計友好的特點，特別是可靈活的搭載不同類型的傳感器，并提供了可靠的兼容性接口。所使用的飛馬D200無人機和現場飛行照片如圖3所示。

圖3 飛馬無人機青島松林線蟲病監測飛行現場照片

2.3 多光譜和高光譜遙感數據

（1）ZK-VNIR-FPG480機載高光譜成像儀

ZK-VNIR-FPG480機載高光譜成像儀是一款推掃式高光譜成像儀，該成像儀共有270個波段，光譜范圍為400～1000 nm，光譜分辨率為3 nm，空間分辨率為0.9 m@1 km，成像方式為運動推掃成像，該成像儀的特點是影像之間不存在航向重疊，只存在旁向重疊。

圖4 ZK-VNIR-FPG480機載高光譜成像儀

（2）RedEdge-3五波段成像儀

RedEdge-3五波段成像儀其性能和指標是為植物監測而設計的，包括了藍、綠、紅、紅邊和近紅外等5個窄帶光譜波段，其中其紅邊和近紅外的波段半寬度都在10nm左右，其它3個光譜波段的半寬度也在20nm以內，其光譜波段分布見圖5所示。從光譜響應函數中可以發現，在對于植被特別是植被病害的監測中起到至關重要作用的綠波段、紅波段和紅邊波段（分別對應成像儀數據的第2、第3和第4波段）的光譜半高寬度均優于10nm，已經達到了高光譜遙感圖像數據的波段寬度標準。

圖5 RedEdge-3五波段成像儀的光譜響應函數

2.4 無人機遙感數據處理

對無人機平臺多光譜和高光譜成像儀數據的處理主要包括正射校正、大氣校正處理，其中對于以框幅式拍攝特點的多光譜遙感圖像，需要開展圖像拼接處理。大氣校正中，由于無人機飛行高度較低，本研究中的飛行高度小于200m，同時，飛行時大氣能見度和天氣條件較好（都為無云的晴天），所以大氣分子對地物光譜的影響可以忽略，因此，僅開展了基于同步標準反射板數據的反射率計算。

2.5 現場調查數據

現場調查是開展基于遙感手段的松材線蟲病分類和信息提取核心環節之一。目的是為無人機遙感圖像的分類提供現場分類模型真實樣本和分類結果的檢驗樣本。現場調查的主要內容包括對病死松樹和染病松樹的精確定位和對上述兩個類型松樹地物光譜的測量，其中地物光譜測量所使用的是ASD Handhold系列手持式地物光譜儀，其光譜波段范圍為400~1000nm，與無人機載高光譜和多光譜傳感器的波段范圍一致。現場調查地物光譜測量過程圖如圖5所示。

現場調查中對于病死和染病樹木的定位使用的是以Cors基站為差分數據來源的差分GPS，其定位誤差小于0.5m，而在本研究的監測區內，單株松樹的寬幅直徑均大于1.5m，故該定位精度滿足對每一株病死和染病松樹的高精度監測需求。

圖6 現場地物光譜測量照片

03 遙感圖像的分類方法

對于松材線蟲病發病區的無人機多光譜和高光譜遙感數據，本研究采用了支持向量機（SVM）和深度卷積神經網絡（DCNN）相結合的方法，對健康松林、染病松林和其它地物目標進行分類和信息提取。

在對覆蓋林地特別是山地林區遙感圖像的分類中，訓練樣本少是一個面臨的基本問題。原因是山區林地地形復雜，現場調查很難開展。特別是對高光譜遙感圖像的分類中，對訓練樣本數量的要求更高。針對此問題，本研究選擇使用基于統計學習理論的支持向量機（SVM）分類方法。SVM的優勢和特點是可以有效解決遙感圖像分類中的小樣本問題，同時能通過核方法解決因高特征維度帶來的線性不可分問題。SVM是目前遙感圖像分類中應用最為廣泛的方法之一。

傳統的遙感圖像分類方法難以有效處理大數據量高特征維度的分類問題，而以DCNN為代表的一系列深度學習遙感分類方法被證明在該問題的解決方面具有潛力和優勢。因此，本研究擬利用基于深度學習思想的高光譜遙感松材線蟲病林木分類方法。一個典型的卷積神經網絡模型包括輸入層、卷積層、降采樣層、全連接層及輸出層等，每層由含有多個神經元的多個二維平面組成。DCNN的特點是通過利用多維度的圖像特征，達到對目標類型高精度分類的目的，是目前研究和利用熱點的分類方法。

本研究中，通過比對不同分類方法對不同區域、不同類型遙感數據的松材線蟲病林木的分類精度，采用決策層融合的方法得到最終的高精度的分類結果。

04 結果與分析

4.1 病死和染病松樹的光譜特征分析

     光譜特征分析是開展基于多光譜特別是高光譜遙感監測研究的基礎和必要環節。本研究首先利用現場調查數據，結合無人機載多光譜和高光譜遙感成像數據，開展光譜特征分析。

圖7 健康、病死和染病松樹的照片、遙感圖像和光譜分析

(a)     健康松樹；(b)病死松樹；(c)染病松樹

圖7所示的是在黃島監測區和城陽監測區獲得的健康、病死和染病松樹的現場照片、無人機遙感照片以及現場測量的地物光譜和無人機高光譜的像元光譜的比較示意圖，圖中每個光譜曲線圖的橫坐標為光譜波長，單位為nm，縱坐標為所對應的松樹的光譜反射率，為更明顯的區別和凸顯反射率特征，將反射率數值擴大了10000倍。其中照片、遙感圖像和現場光譜均獲取自相同的樹木，同時遙感圖像使用的是高光譜和多光譜遙感圖像的偽真彩色合成結果。圖7(a)和(c)獲取自城陽監測區域，圖7(b)獲取自黃島監測區域。

由圖7可得到以下三個特點，第一，在無人機遙感圖像中，病死樹木在色彩和紋理表現上與健康松樹樹木有較大差別，這表示在分類中二者之間的特征差別明顯，但染病樹木與健康樹木的圖像差別并沒有明顯的特征差別，這也是傳統的可見光三波段監測圖像難以做到對染病樹木和健康樹木準確區分的原因；第二，現場地物光譜和遙感光譜之間具有較好的相似性，這證明本研究所選取的高光譜傳感器和對于高光譜數據的處理都達到了較為理想的效果，同時也證明了所選擇的無人機平臺具有較好的穩定性和可靠性；第三，從植被光譜角度，健康松樹具有明顯的植被光譜特征，即在綠光波段和近紅外波段都有明顯的高反射率特征，而且紅邊區域光譜曲線的斜率較大，同時紅光波段的吸收率較高，這都表明了健康松樹冠層具有較高的葉綠素含量水平。對于病死樹木，則失去了上述三個植物的光譜特征。而對于染病樹木，上述三個特征則表現的不明顯。

4.2 無人機高光譜遙感圖像松材線蟲病監測結果

本研究中在黃島監測區使用的是高光譜成像儀，得到了如圖7所示的松林線蟲病病死樹木和染病樹木的無人機高光譜遙感監測識別結果示意圖。由于監測區域較大，為強調對單株樹木的監測效果，故圖8中僅展示了部分區域的監測結果。根據分類結果圖，一方面，每一株的松樹，不論是健康松樹、染病松樹還是病死松樹，均能在遙感圖像中清晰的呈現，另一方面，利用本研究研發的監測方法和遙感圖像分類方法，不僅可有效的完成對病死樹木的準確識別定位（表1所示的是對黃島監測區染病和病死松樹樹木的定位結果）。

從圖8可以看出，在黃島監測區，染病松樹和病死松樹在整體松樹林中的分布和數量比例還是較小的。初步判斷，該區域是松林線蟲病發病的初期，也是這種病害治理的最佳時期。同時，這也進一步印證了基于無人機平臺的遙感監測技術的有效性。無人機遙感特別是搭載的高光譜成像儀，不僅可以以超高的空間分辨率和定位能力實現對遙感圖像和每一株松樹的準確定位，而且可以利用其超高的光譜分辨率準確的實現對染病松樹和病死松樹的分類和識別。是松林線蟲病在一個林區發病早期的最佳監測方案。

圖8 黃島監測區松林線蟲病病死樹木和染病樹木的無人機高光譜遙感監測識別結果示意圖（局部）

(a)高光譜遙感圖像；(b)分類結果

但是，根據圖8不難發現，由于研究所使用的遙感圖像分類方法屬于面向像元的分類方法，在單個像元已不能代表一個樹木個體的高分辨率遙感圖像中，出現了多個（在本研究中為數十個像元）像元組合在一起才能代表一棵樹木的情況。這不利于后續的對病害樹木類型的識別和對樹木數量的統計。下一步研究工作中應關注面向對象的遙感圖像分類方法，首先利用圖像像元特征聚類將每一棵樹木從原始遙感圖像中分割出來，然后以分割出的每一個聚類單位為對象（對應于每一棵樹或其它地物類型），實現對病害樹木特別是染病、病死樹木的準確分類和統計。

表1 受病害威脅松樹位置統計表

4.3 無人機多光譜遙感圖像松材線蟲病監測結果

本研究在城陽監測區使用的是無人機多光譜遙感監測手段，得到了如圖9所示的監測結果。根據圖9(a)，多光譜傳感器采用的是框幅式成像的方式，故需要在遙感圖像分類之前對拍攝的多幅圖像進行拼接處理，由圖像呈現的效果判斷，首先無人機平臺表現出了優異的穩定性，其次，對原始圖片（瓦片）的拼接處理效果較好。但也存在個別的區域因光照變化等原因而出現過亮或過岸的情況，而有賴于分類方法的有效性，所獲得的分類結果較好的規避了因圖像光譜反射率處理差異而導致的同物異譜現象，得到了較為理想的分類結果（圖9(b)）。

圖9(b)的分類結果中，利用所發展的分類方法，得到了包括健康松樹、染病松樹和病死松樹在內的10個類型的分類結果，總體分類精度達到了91.2%。同時，根據現場調查數據的驗證，對于病害松樹的識別精度達到了94%。

圖8 城陽監測區域松林線蟲病染病、病死樹木的無人機多光譜遙感分類結果

(a)無人機多光譜監測圖像；(b)病害松樹遙感分類結果

根據圖9的分類結果圖，發現城陽監測區松樹林的松材線蟲病染病情況已經達到了重度或重度級別，染病松樹的分布面積占到了全部集中分布松林面積的68.4%。雖然在本研究無人機飛行實驗之前，該區域已經進行了一次對于病死樹木的集中砍伐和清理，但從監測結果看，僅僅對病死樹木的清理是不夠的，需要連帶對染病樹木進行集中治理，才能達到松材線蟲病害林區的綜合有效治理的目標。

從監測結果中發現，染病樹木的規模要顯著大于病死樹木，原因可能得益于無人機圖像拍攝之前對病死樹木的集中清理。然而，可以預期，在短時間內，染病松樹可能都會發展成為病死樹木，而且這部分染病樹木對于臨近的健康樹木構成較大的健康威脅。

05 結論和討論

利用無人機平臺，分布在青島市的城陽區和嶗山區選擇典型松材線蟲病發病林區，開展了基于多光譜和高光譜成像儀監測數據的松材線蟲病染病林區染病樹木和病死樹木的遙感監測。監測結果表明，無人機多光譜和高光譜遙感同時都是開展松材線蟲病監測的有效手段，遙感監測的結果是開展松材線蟲病治理的有利的基礎支撐。

無人機遙感手段高空間分辨率、高定位精度的優勢，是早期發病林區染病和病死樹木精確監測、識別和定位的最有效手段之一；同時，無人機遙感監測手段也是對松材線蟲病害林區治理效果評估的有效手段。

鑒于無人機遙感圖像數據高空間分辨率的特點，單個像元已經不能代表樹木的分布特點，因此需要進一步發展面向對象的更智能化的遙感監測方法，實現對染病和病死樹木單元的準確識別和自動化的統計分析。