基于光譜特征的SPOT-5影像馬尾松毛蟲蟲害信息提取1)

亓興蘭 胡宗慶

(福建林業(yè)職業(yè)技術(shù)學(xué)院，南平，353000)

劉 健

(三明學(xué)院)

余坤勇

(福建農(nóng)林大學(xué))

雷澤興

(福建林業(yè)職業(yè)技術(shù)學(xué)院)

馬尾松毛蟲(Dendrolimus punctatus Walker)是馬尾松(Pinus massoniana Lamb)的主要害蟲，其危害很大，被喻為“不冒煙的森林火災(zāi)”，其產(chǎn)生危害主要在幼蟲取食針葉的時(shí)期。危害初期，松樹針葉呈團(tuán)狀卷曲枯黃，逐漸樹木有一定的失葉量，危害最嚴(yán)重時(shí)，可以將葉食盡，狀如火燒，可以暴發(fā)成災(zāi)。所有這些癥狀都反映在樹冠上的變化，如針葉缺失、失葉、枯黃等，而這些樹冠上的變化會(huì)引起光譜反射率特別是近紅外波段反射率的降低［1］，光譜反射率的降低反映在遙感影像上即光譜值變化與結(jié)構(gòu)異常，因此，利用遙感影像的可見光通道和近紅外通道等敏感通道的線性組合和非線性組合來(lái)突出受蟲害侵襲的森林植被的變化，即構(gòu)造一定的植被指數(shù)等光譜特性指數(shù)，通過(guò)指數(shù)的變化或利用數(shù)學(xué)建模的方法來(lái)進(jìn)行健康植被與受害植被的區(qū)分，從而達(dá)到監(jiān)測(cè)松毛蟲危害的目的是完全可行的。應(yīng)用遙感技術(shù)手段基于影像光譜特征來(lái)進(jìn)行森林病蟲害的監(jiān)測(cè)，國(guó)內(nèi)外研究較多［2-12］，主要是基于多時(shí)相數(shù)據(jù)動(dòng)態(tài)監(jiān)測(cè)森林病蟲害，此方法具有理論上的成熟性與一定的技術(shù)上的可行性，但卻具有如下局限性:一是基于多時(shí)相數(shù)據(jù)來(lái)動(dòng)態(tài)檢測(cè)變化區(qū)域，這就需要不同時(shí)相的數(shù)據(jù)具有一定的成像條件，而現(xiàn)實(shí)是很難做到的。所以為了消除成像條件對(duì)變化監(jiān)測(cè)的影響，在進(jìn)行比較變化之前，對(duì)遙感數(shù)據(jù)進(jìn)行預(yù)處理，比如進(jìn)行相互配準(zhǔn)、幾何校正及輻射校正等，目的是為了消除不同成像條件對(duì)影像的影響，但其實(shí)這種影響往往難以完全消除，反而在消除的過(guò)程中引入了新的誤差，這樣就容易使成像條件不同所造成的差異湮沒了森林因遭受病蟲害而引起的各指標(biāo)的差異，從而影響變化區(qū)域的監(jiān)測(cè)精度。二是有些病蟲害特別是馬尾松毛蟲蟲害具有暴發(fā)性，而衛(wèi)星影像固有的周期性，使得獲取合適的多時(shí)相數(shù)據(jù)具有一定的限制性，由此研究利用單時(shí)相數(shù)據(jù)來(lái)監(jiān)測(cè)蟲害就提上了日程。本研究以福建沙縣為研究區(qū)，利用單時(shí)相SPOT-5影像基于其光譜特征來(lái)監(jiān)測(cè)馬尾松毛蟲蟲害信息，探討基于單時(shí)相影像數(shù)據(jù)來(lái)進(jìn)行橫向空間蟲害信息提取的可行性，并驗(yàn)證其精度，為林業(yè)生產(chǎn)實(shí)際提供一定的借鑒作用，具有良好的社會(huì)、經(jīng)濟(jì)和生態(tài)效益，對(duì)區(qū)域社會(huì)、經(jīng)濟(jì)的和諧發(fā)展，具有明顯的促進(jìn)作用。

1 研究區(qū)概況

沙縣位于福建省中部偏北，閩江支流沙溪下游，地處北緯 26°06'～26°41'，東經(jīng) 117°32'～118°06'。全縣總面積1815.09 km2，轄6 個(gè)鎮(zhèn)、4 個(gè)鄉(xiāng)、2 個(gè)街道和1個(gè)省級(jí)開發(fā)區(qū)，總?cè)丝?4.55萬(wàn)人。沙縣氣候溫和，干濕分明，屬亞熱帶季風(fēng)氣候，年平均氣溫19.6℃，年降水量1662 mm。沙縣土壤肥沃，資源豐富，全縣有耕地面積1.3萬(wàn) hm2，林地面積14.8萬(wàn)hm2，森林覆蓋率達(dá)75.9%，是國(guó)家南方重點(diǎn)林區(qū)縣。馬尾松毛蟲是該縣的主要森林病蟲害，呈周期性發(fā)生。

2 材料與方法

數(shù)據(jù)來(lái)源:沙縣2004年10月11日SPOT-5多光譜影像(分辨率10 m)，沙縣1∶10000地形圖、沙縣地理信息系統(tǒng)(Viewgis)數(shù)據(jù)，包含沙縣行政區(qū)劃圖、沙縣森林分布圖、小班分布圖、森林資源數(shù)據(jù)庫(kù)等，沙縣2003年森林資源調(diào)查數(shù)據(jù)庫(kù)樣地資料，沙縣近10 a的《馬尾松毛蟲(越冬代、第1代、第2代)重點(diǎn)調(diào)查匯總材料》，沙縣2004年馬尾松毛蟲害地面調(diào)查數(shù)據(jù)，內(nèi)容包括蟲口密度、蟲情級(jí)數(shù)、林分郁閉度、坡度、坡向等。

影像預(yù)處理:首先以沙縣1∶10000地形圖為參考，采用多項(xiàng)式糾正法進(jìn)行幾何校正，誤差控制在0.56個(gè)像元，校正后圖像投影坐標(biāo)系統(tǒng)是Transverse Mercator，參考橢球體是Krasovsky，地圖單位為meters。同時(shí)進(jìn)行正射校正消除地形等陰影影響。然后以沙縣shp圖層建立AOI，利用ERDAS的Subset功能實(shí)現(xiàn)影像的裁剪，獲得研究區(qū)域的影像。

馬尾松林專題信息提取:根據(jù)國(guó)土資源部所確定的土地分類系統(tǒng)，依據(jù)研究需要及研究區(qū)土地利用類型及森林植被情況，將土地利用類型分為林地與非林地，林地又分為杉木、馬尾松及闊葉樹3大類，進(jìn)而獲得研究所需要的馬尾松林分圖。對(duì)于馬尾松林專題信息的提取，具體根據(jù)分層分類思想，首先根據(jù)歸一化植被指數(shù)設(shè)定閾值，把林地與非林地區(qū)分開來(lái)，然后通過(guò)ERDAS的Mask功能進(jìn)行掩膜處理，獲取研究區(qū)林地遙感影像圖，在林地遙感圖上，運(yùn)用決策樹分類方法［13］進(jìn)行馬尾松林分的信息提取，提取精度達(dá)到92.89%，滿足研究的精度要求。

馬尾松毛蟲危害程度級(jí)別劃分:一般情況下松林中都有松毛蟲存在，只是蟲口密度大小不同，森防專業(yè)技術(shù)上對(duì)此專門作了規(guī)定，叫作“馬尾松毛蟲發(fā)生指標(biāo)”［14］。國(guó)家林業(yè)局2006年8月31日發(fā)布、2006年12月1日實(shí)施的《林業(yè)有害生物發(fā)生及成災(zāi)標(biāo)準(zhǔn)》中的林業(yè)有害生物發(fā)生(危害)程度標(biāo)準(zhǔn)為:依據(jù)蟲情級(jí)數(shù)或蟲口密度，馬尾松毛蟲危害分為輕、中、重3個(gè)等級(jí)。根據(jù)上述標(biāo)準(zhǔn)及研究目的需要、獲取資料的可行性以及技術(shù)的可操作性，通過(guò)獲取的資料計(jì)算馬尾松毛蟲害的蟲情級(jí)數(shù)，依據(jù)蟲情級(jí)數(shù)對(duì)馬尾松毛蟲的蟲害程度級(jí)別進(jìn)行劃分，具體為:蟲情級(jí)數(shù)＜2為健康，2≤蟲情級(jí)數(shù)＜4為輕度受害，4≤蟲情級(jí)數(shù)＜7為中度受害，蟲情級(jí)數(shù)≥7為重度受害。

馬尾松毛蟲蟲害光譜變化監(jiān)測(cè)指標(biāo)構(gòu)建及獲取:根據(jù)前人研究成果及遙感監(jiān)測(cè)森林病蟲害原理，植物遭受病蟲害后，其光譜響應(yīng)發(fā)生變化，在近紅外波段反射率下降［1］，針對(duì)研究區(qū)影像，根據(jù)地面外業(yè)調(diào)查數(shù)據(jù)，隨機(jī)選擇健康與受害馬尾松樣地，對(duì)SPOT-5影像進(jìn)行光譜特征比較分析，發(fā)現(xiàn)其健康馬尾松與受害馬尾松在2、3、4波段變化比較明顯。根據(jù)前人的研究成果，參照遙感監(jiān)測(cè)森林病蟲害的主要光譜指標(biāo)，本研究對(duì)于監(jiān)測(cè)指標(biāo)的選取就以XS2紅光波段(0.61 ～0.68 μm)，XS3 近紅外波段(0.78 ～0.89 μm)，XS4 短波紅外波段(1.58 ～1.75 μm)建立歸一化植被指數(shù)(Ndvi)、比值植被指數(shù)(Rvi)、綠度植被指數(shù)(Gvi)、土壤調(diào)節(jié)植被指數(shù)(Savi)、紅邊參數(shù)。各指數(shù)的計(jì)算與獲取如下:歸一化植被指數(shù)Ndvi=(XNIR-XR)/(XNIR+XR);比值植被指數(shù)Rvi=XNIR/XR;對(duì)于綠度植被指數(shù)，采用K-T變換后的綠度分量;土壤調(diào)節(jié)植被指數(shù)Savi=(XNIRXR)/(XNIR+XR+L)(1+L)，L 取值范圍(0，1);研究采用倒置高斯模型曲線法提取紅邊參數(shù)，dλ=(RI-1-RI+1)/(λI-1-λI+1)。對(duì)于SPOT-5圖像來(lái)說(shuō)，提取其紅邊特征參量所選取波段為 XS2:0.61～0.68 μm;XS3:0.79 ～0.89 μm。上述各式中，XNIR和 XR分別是近紅外波段和紅光波段反射率光譜值，Ri是波長(zhǎng)λi的光譜值，λi是波段 i的波長(zhǎng)值。根據(jù)上述公式，獲取各監(jiān)測(cè)指標(biāo)圖，用以提取各監(jiān)測(cè)指標(biāo)值。

基于光譜指標(biāo)提取蟲害信息:①樣地點(diǎn)設(shè)置及各監(jiān)測(cè)指標(biāo)值獲取。根據(jù)建立的光譜指標(biāo)體系，依據(jù)沙縣森林資源數(shù)據(jù)庫(kù)、馬尾松毛蟲害外業(yè)調(diào)查資料及松毛蟲實(shí)際發(fā)生情況，隨機(jī)選擇169個(gè)蟲害樣地點(diǎn)，其中132個(gè)用來(lái)建模，37個(gè)用于模型精度驗(yàn)證。根據(jù)各樣地的橫縱坐標(biāo)，在獲取的各指數(shù)遙感圖上提取各指標(biāo)值。②各監(jiān)測(cè)因子的優(yōu)選。首先采用三倍標(biāo)準(zhǔn)差法［15］來(lái)剔除異常數(shù)據(jù)，然后利用極差標(biāo)準(zhǔn)化處理方法［16］進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，最后通過(guò)嶺跡分析［17］，確定歸一化植被指數(shù)、綠度植被指數(shù)為最優(yōu)變量監(jiān)測(cè)因子。③建立蟲情級(jí)數(shù)估測(cè)模型。建立歸一化植被指數(shù)、綠度植被指數(shù)2個(gè)因子的嶺跡圖(圖略)。分析嶺跡圖，嶺參數(shù)K=0.2時(shí)，2個(gè)監(jiān)測(cè)因子的嶺跡趨于基本穩(wěn)定，則根據(jù)此嶺跡分析，得到歸一化植被指數(shù)、綠度植被指數(shù)2個(gè)自變量因子的待定系數(shù)，取K=0.2進(jìn)行嶺回歸，得到研究區(qū)表征蟲害程度的蟲情級(jí)數(shù)的估測(cè)模型為:Y=0.0281-0.3554Ndvi-0.1086Gvi。基于F檢驗(yàn)法原理 ，對(duì)得到的估測(cè)模型進(jìn)行回歸分析，得到其相關(guān)系數(shù)R=0.932339，R2=0.869256，方差分析表明 F=10.8498＞F0.01(1，131)=5.8368，即在 α =0.01 可靠性水平下，所建立的回歸估測(cè)方程中各監(jiān)測(cè)因子與蟲情級(jí)數(shù)之間的相關(guān)性顯著，所建立的模型可信度較好。④估測(cè)模型精度驗(yàn)證。利用剩余的37個(gè)樣地對(duì)所建立的估測(cè)模型進(jìn)行精度驗(yàn)證，驗(yàn)證估測(cè)精度公式:Ei=(1-|(yi-xi)/yi|)×100%。式中，Ei為樣地點(diǎn)估測(cè)精度，yi為第i個(gè)樣地點(diǎn)實(shí)測(cè)值，xi為第i個(gè)樣地點(diǎn)的估測(cè)值，i為用于驗(yàn)證的樣地點(diǎn)數(shù)。通過(guò)對(duì)37個(gè)樣地模型的精度比較分析，得到蟲害程度的估測(cè)精度結(jié)果(表1)。由表1可見，精度達(dá)到70%以上的樣地?cái)?shù)占72%以上，其中精度80% ～90%的比例最高，平均估測(cè)精度為81.69%，達(dá)到研究精度要求。

表1 沙縣馬尾松毛蟲蟲情級(jí)數(shù)回歸模型檢驗(yàn)結(jié)果

蟲害信息提取:基于建立的蟲情級(jí)數(shù)估測(cè)模型，利用ERDAS的Model工具建模，獲取蟲情級(jí)數(shù)分布信息。然后根據(jù)本研究對(duì)馬尾松毛蟲蟲害程度的級(jí)別劃分，利用ERDAS的Model建模工具對(duì)獲取的蟲情級(jí)數(shù)分布圖進(jìn)行建模，獲取各種程度的蟲害信息分布。

3 結(jié)果與分析

利用外業(yè)調(diào)查數(shù)據(jù)、沙縣地理信息系統(tǒng)(Viewgis)數(shù)據(jù)、馬尾松分布圖、沙縣森林資源數(shù)據(jù)庫(kù)、林業(yè)小班分布圖、蟲害實(shí)際發(fā)生分布圖及提取的蟲害信息分布圖等，隨機(jī)選擇獲得400個(gè)點(diǎn)，獲取其分類誤差矩陣表(表2)，進(jìn)行精度評(píng)價(jià)。分析表2及蟲害信息的空間分布，可以看出，基于光譜特征建立監(jiān)測(cè)指標(biāo)進(jìn)行馬尾松毛蟲害信息的提取及分類，單種程度受害分類及總體分類精度不是很高，且各種程度的分類之間，混淆現(xiàn)象比較嚴(yán)重，其原因主要是:①?zèng)]有考慮地形及林木自身(年齡、起源)等因素對(duì)光譜造成的影響，導(dǎo)致出現(xiàn)同物異譜、同譜異物的現(xiàn)象比較嚴(yán)重;②信息提取是以像元為基本單位進(jìn)行估測(cè)模型的建立及分級(jí)，所以“椒鹽現(xiàn)象”比較嚴(yán)重，導(dǎo)致蟲害信息空間分布非常零散，而實(shí)際蟲害空間分布是成一種小片狀分布，所以也導(dǎo)致了分類精度的偏低;③對(duì)于馬尾松毛蟲害信息的提取及分類單純考慮其光譜信息，而未考慮其紋理的特征及變化，從而也導(dǎo)致了分類精度的偏低。從使用者精度來(lái)分析，分析每一種程度的受害馬尾松林來(lái)說(shuō)，健康馬尾松分類精度最高，輕度受害馬尾松分類精度最低，且兩者之間混淆最為嚴(yán)重，其原因主要是:①輕度受害的馬尾松林光譜雖然發(fā)生變化，但蟲害初期的植被冠層光譜特征與健康林分的冠層光譜特征區(qū)分不是很明顯，對(duì)于SPOT-5多光譜來(lái)說(shuō)，其變化程度不足以把兩者精確地區(qū)分開來(lái);②沒有考慮地形因子及林木自身因子對(duì)光譜響應(yīng)的影響，分析圖發(fā)現(xiàn)陰坡方向的健康馬尾松林與陽(yáng)坡方向的輕度受害馬尾松光譜就極為接近，很容易混淆。重度受害馬尾松分類精度次之，不過(guò)其與中度受害林分混淆也比較嚴(yán)重，其原因主要是受地形等因子對(duì)光譜造成的影響所致，不過(guò)也有部分重度受害林分被錯(cuò)判為健康林分，分析其原因可能是遭受嚴(yán)重危害的馬尾松光譜特征體現(xiàn)的是背景—土壤的光譜特征，而健康但稀疏的林分也是呈現(xiàn)背景—土壤的光譜特征，所以導(dǎo)致部分重度林分被誤判為健康林分。中度受害林分分類精度居于輕度受害與重度受害之間，其主要是被誤判為輕度受害與重度受害，分析其原因主要是地形等因素對(duì)光譜響應(yīng)所造成的干擾所致。

表2 沙縣馬尾松毛蟲蟲害分類誤差矩陣

4 結(jié)論與討論

利用SPOT-5多光譜影像，基于SPOT-5影像的光譜分析，通過(guò)波段組合建立了歸一化植被指數(shù)(Ndvi)、比值植被指數(shù)(Rvi)、綠度植被指數(shù)(Gvi)、土壤調(diào)節(jié)植被指數(shù)(Savi)、紅邊參數(shù)等馬尾松毛蟲害的遙感監(jiān)測(cè)光譜指標(biāo)，進(jìn)而建立了馬尾松毛蟲蟲情級(jí)數(shù)的估測(cè)模型，并進(jìn)行了蟲情級(jí)數(shù)的反演，獲取馬尾松毛蟲蟲害信息，其研究結(jié)果證明了利用單時(shí)相遙感數(shù)據(jù)進(jìn)行馬尾松毛蟲蟲害監(jiān)測(cè)的可行性，具有廣闊的應(yīng)用前景。由于只是單純考慮影像的光譜信息，而未考慮林木自身因子以及地形等生態(tài)因子對(duì)蟲害的影響，所以導(dǎo)致本研究結(jié)果精度偏低，其蟲害信息提取的分類總精度只有70.75%，這也說(shuō)明了SPOT-5多光譜影像光譜信息的不足，)同時(shí)SPOT-5多光譜數(shù)據(jù)10 m的分辨率，其紋理信息也比較豐富，如何進(jìn)行此信息的挖掘，進(jìn)行光譜信息與紋理信息的融合與綜合利用，有利于綜合、準(zhǔn)確地分析蟲害危害情況，有待于進(jìn)一步研究探討。高光譜、高空間分辨率也是今后衛(wèi)星遙感監(jiān)測(cè)病蟲害的重要發(fā)展方向。

［1］吳繼友，倪健.松毛蟲危害的光譜特征與蟲害早期探測(cè)模式［J］.環(huán)境遙感，1995，10(4):250-258.

［2］Ekstrand S P.Detection of moderrate damage on noway spruce using landsat TM and digital stand data［J］.IEEE Transactions on Geoscience and Remote Sensing，1990，28(4):685-692.

［3］Fraser R H，Latifovic R.Mapping insect-induced tree defoliation and mortality using coarse spatial resolution satellite imagery［J］.International Journal of Remote Sensing，2005，26(1):193-200.

［4］Gillis M D，Leckie D G，Pick R D.Satellite imagery assists in the assessment of hail damage for salvage harvest［J］.The Forestry Chronicle，1990，66(5):463-468.

［5］Joria P E，Ahearn S C，Connor M.A comparision of the spot and landsat thematic mapper satellite systems for detecting gypsy moth defoliation in Michigan［J］.Photogrammetric Engineering ＆ Remote Sensing，1991，57(12):1605-1612.

［6］Kharuk V I，Ranson K J，Kozuhovskaya A G，et al.NOAA/AVHRR satellite detection of Siberian silkmoth outbreaks in eastern Siberia［J］.INT J Remote Sensing，2004，25(24):5543-5555.

［7］Royle D D，Lathrop R G.Monitoring hemlock forest health in new jersey using landsat TM data and change detection techniques［J］.For Sci，1997，43(3):327-335.

［8］Scargle J D.Bayesian blocks in two or more dimensions:Image segmentation and cluster analysis［J］.AIP Conference Proceedings，2002，617(1):163-173.

［9］Simard M，De Grandi G，Saatchi S，et al.Mapping tropical coastal vegetation using JERS-1 and ERS-1 radar data with a decision tree classifier［J］.Int J Remote Sensing，2002，23(7):1461-1474.

［10］武紅敢，喬彥友，黃建文，等.利用陸地衛(wèi)星TM數(shù)據(jù)評(píng)估森林病蟲害［J］.遙感技術(shù)與應(yīng)用，1994(4):46-51.

［11］武紅敢，石進(jìn).松毛蟲災(zāi)害的TM影像監(jiān)測(cè)技術(shù)［J］.遙感學(xué)報(bào)，2004(2):172-177.

［12］馮世強(qiáng)，肖艷，鄭紅旗.應(yīng)用航天遙感技術(shù)大面積監(jiān)測(cè)松毛蟲災(zāi)情初探［J］.四川林業(yè)科技，2004，25(4):46-49.

［13］陳艷華，張萬(wàn)昌.地理信息系統(tǒng)支持下的山區(qū)遙感影像決策樹分類［J］.國(guó)土資源遙感，2006(1):69-74.

［14］國(guó)家林業(yè)局.森林病蟲害防治知識(shí)問答［M］.北京:中國(guó)林業(yè)出版社，1999:2-5.

［15］黃二輝，潘德爐，李淑菁，等.水下剖面光譜原始數(shù)據(jù)異常值的判斷方法［J］.海洋學(xué)研究，2006，24(1):91-96.

［16］任若恩，王惠文.多元統(tǒng)計(jì)數(shù)據(jù)分析:理論、方法、實(shí)例［M］.北京:國(guó)防工業(yè)出版社，1997:92-111.

［17］栗麗，趙偉，王志福.在解決多重共線性問題上嶺回歸法比LS法的優(yōu)越性［J］.渤海大學(xué)學(xué)報(bào):自然科學(xué)版，2006，27(2):62-68.

［18］陳希孺，王松桂.近代回歸分析:原理方法及應(yīng)用［M］.合肥:安徽教育出版社，1987:242-260.