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.pdf

第 57 卷 第 1 期 广 东 蚕 业 Vol.57,No.01 2023 年 1 月 GUANGDONG CANYE Jan.2023 57 DOI：10.3969/j.issn.2095-1205.2023.01.17 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）摘 要 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。关键词 无人机遥感；松材线虫病；植被指数；自动提取 中图分类号:S763.18 文献标识码:A 文章编号:2095-1205(2023)01-57-05 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 基金项目：福建省中青年教师教育科研项目（JZ180464）作者简介：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。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 nm780 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 118232、北纬263120附近。延平区位于福建省中部偏北，闽江上 第 1 期 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 第 57 卷 58 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 指数名称 全称 计算公式 ExG 超绿指数（excess green index）ExG-ExR 过绿减过红指数（excess green minus excess red index）GLI 绿叶指数（green leaf index）注：R表示红光波段值，G表示绿光波段值，B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 第 1 期 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 第 57 卷 59 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 m1 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。第 1 期 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 第 57 卷 60 表 2 松材线虫病枯死木植被指数计算结果 植被指数类型 计算结果 可见光影像 ExG 指数 ExG-ExR 指数 GLI 指数 在阈值提取中，通过分析枯死木点1 m1 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 目视解译 ExG 指数 ExG-ExR 指数 GLI 指数 枯死木阈值 -15-0.04 80133 分类枯死木数量 927 867 845 796 准确率 100%93.53%91.15%85.87%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