松材線蟲(chóng)病變色松樹(shù)遙感監(jiān)測(cè)研究進(jìn)展

陶 歡，李存軍＊，程 成，蔣麗雅，胡海棠

(1.北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097；2.安徽省林業(yè)有害生物防治檢疫局，安徽合肥 230031)

松材線蟲(chóng)病（pine wilt disease, PWD）被稱為松樹(shù)的“癌癥”，松樹(shù)感染此病后，從發(fā)病到死亡只要2～3 月，最快的40 d 左右即可表現(xiàn)出枯死狀(以下簡(jiǎn)稱“變色松樹(shù)”)，3～5 a 間便可造成大面積毀林的惡性災(zāi)害。松材線蟲(chóng)源于北美，傳入日本后于1905 年在長(zhǎng)崎被發(fā)現(xiàn)，進(jìn)而逐漸擴(kuò)散到東亞的中國(guó)、韓國(guó)和歐洲的葡萄牙等國(guó)家和地區(qū)，但直到1971 年才被證實(shí)其病原是松材線蟲(chóng)（ Bursaphelenchus xylophilus， 或 Pine wood nematode），傳播的媒介是甲蟲(chóng)[1]。目前國(guó)際上關(guān)于松材線蟲(chóng)病的致病機(jī)理仍存在爭(zhēng)議，達(dá)成的共識(shí)是松材線蟲(chóng)病是由多種病原體、寄主松樹(shù)、昆蟲(chóng)媒介和氣候條件共同作用的結(jié)果[2]。松樹(shù)感染松材線蟲(chóng)病后最顯著的外部特征變化是松針葉的變色和松脂分泌的減少，究其原因是松樹(shù)內(nèi)部光合生理參數(shù)（如光合作用、葉綠素含量、含水量）的變化[3]。這些變化在遙感圖像上的響應(yīng)產(chǎn)生光譜值的變化，為變色松樹(shù)的遙感監(jiān)測(cè)提供了可能。

近年來(lái)，我國(guó)高分系列衛(wèi)星的發(fā)射，為我國(guó)林業(yè)有害生物的監(jiān)測(cè)提供了很好的數(shù)據(jù)源，如可監(jiān)測(cè)大尺度的高分一號(hào)衛(wèi)星數(shù)據(jù)[4]，可監(jiān)測(cè)單株樹(shù)級(jí)別的高分二號(hào)衛(wèi)星數(shù)據(jù)，可對(duì)樹(shù)高和水分含量進(jìn)行監(jiān)測(cè)的高分三號(hào)雷達(dá)數(shù)據(jù)，可用于森林病蟲(chóng)害定量監(jiān)測(cè)的高分五號(hào)衛(wèi)星數(shù)據(jù)等。無(wú)人機(jī)遙感作為一種快速、實(shí)時(shí)、可靠、無(wú)破壞性且便于大面積覆蓋的監(jiān)測(cè)技術(shù)，在第3 次全國(guó)林業(yè)有害生物普查工作中也已有應(yīng)用[5]。此外，計(jì)算機(jī)處理能力的不斷提高，尤其是機(jī)器視覺(jué)領(lǐng)域的圖像處理算法和硬件的發(fā)展，為衛(wèi)星和無(wú)人機(jī)遙感影像的應(yīng)用創(chuàng)造了很好的條件。松樹(shù)枯萎的原因較多，如干旱脅迫、山松甲蟲(chóng)、松材線蟲(chóng)病、衰老等。關(guān)于山松甲蟲(chóng)導(dǎo)致的松樹(shù)枯萎遙感衛(wèi)星和無(wú)人機(jī)遙感監(jiān)測(cè)研究在北美地區(qū)開(kāi)展了大量系統(tǒng)的研究[6-7]，而關(guān)于松材線蟲(chóng)病的致病機(jī)理和防控措施在日本也有大量相關(guān)研究[8]，但有關(guān)松材線蟲(chóng)病變色松樹(shù)的遙感監(jiān)測(cè)研究尚較分散。

本文對(duì)有關(guān)松材線蟲(chóng)病變色松樹(shù)遙感監(jiān)測(cè)研究主題中涉及地面調(diào)查、衛(wèi)星遙感、無(wú)人機(jī)遙感和新出現(xiàn)的遙感解譯方法等方面的研究現(xiàn)狀與存在的問(wèn)題進(jìn)行了綜合評(píng)述，思考一些未來(lái)可能的研究方向，最后提出一套適合于我國(guó)山區(qū)復(fù)雜環(huán)境星-機(jī)-地多源數(shù)據(jù)協(xié)同監(jiān)測(cè)變色松樹(shù)的方案。

1 松材線蟲(chóng)病病感樹(shù)的生理生態(tài)特征和冠層光譜變化

1.1 寄主松樹(shù)病感階段的生理生態(tài)特征變化

松樹(shù)遭受松材線蟲(chóng)病后，不同樹(shù)種間表現(xiàn)出一定的差異，但主要有兩種表現(xiàn)形式：一是樹(shù)木外部形態(tài)發(fā)生變化，如針葉褪色，枯萎；二是樹(shù)木內(nèi)部光合生理發(fā)生變化，如葉綠素含量和水分含量降低，光合作用和蒸騰作用下降。這些外部形態(tài)或內(nèi)部光合生理變化導(dǎo)致森林光譜反射和輻射特征的變化，在遙感影像上表現(xiàn)為光譜值的變化。這種內(nèi)外部變化和光譜值變化之間的關(guān)系構(gòu)成了遙感影像進(jìn)行變色松樹(shù)監(jiān)測(cè)的理論基礎(chǔ)。由光合生理參數(shù)的變化最終將表現(xiàn)為寄主松樹(shù)外部特征的變化[9]，相關(guān)變化整理結(jié)果如表1 所示。

病死疫木的病害發(fā)展過(guò)程分4 個(gè)階段，不同階段采用的遙感監(jiān)測(cè)方法會(huì)不同。

第1 階段外觀正常，樹(shù)脂分泌減少，蒸騰作用下降，在嫩枝上可見(jiàn)天牛啃食樹(shù)皮的痕跡。這一階段松樹(shù)仍表現(xiàn)為綠色，健康松樹(shù)和變色松樹(shù)的光譜信號(hào)差異微弱。為了檢測(cè)這種變化，單個(gè)影像像素內(nèi)的地物數(shù)量必須最小化，相對(duì)差異必須最大化，這需要一個(gè)具有高空間分辨率和高光譜分辨率的傳感器。無(wú)人機(jī)機(jī)載高光譜的方式為這種早期監(jiān)測(cè)提供了可能。目前常采用紅邊數(shù)據(jù)或雷達(dá)數(shù)據(jù)的“水分含量”指示值因子實(shí)現(xiàn)疫木的早期監(jiān)測(cè)[10-11]，但目前的監(jiān)測(cè)精度不高，最精確的方式為防護(hù)工人地面調(diào)查取樣然后實(shí)驗(yàn)室分析。Roberts et al[12]的研究表明無(wú)人機(jī)的飛行時(shí)間對(duì)于松材線蟲(chóng)病的早期監(jiān)測(cè)是非常關(guān)鍵的，越早監(jiān)測(cè)到變色松樹(shù)，其監(jiān)測(cè)的誤差就越大，減少這類誤差可采用多時(shí)相方法[14]。此外，云量、干旱脅迫、積雪等環(huán)境因素可能會(huì)進(jìn)一步削弱這一階段的遙感監(jiān)測(cè)能力。

第2 階段針葉開(kāi)始變色，樹(shù)脂分泌停止，除見(jiàn)天牛補(bǔ)充營(yíng)養(yǎng)痕跡外，還可發(fā)現(xiàn)產(chǎn)卵刻槽及其它甲蟲(chóng)侵害的痕跡。這一階段的松樹(shù)上會(huì)出現(xiàn)紅葉松針和綠葉松針混合的現(xiàn)象，且紅葉松針較少。若要實(shí)現(xiàn)精確的監(jiān)測(cè)，需要較高空間分辨率和較高光譜分辨率的遙感影像。

第3 階段大部分針葉變?yōu)辄S褐色，萎蔫，可見(jiàn)到天牛及其它甲蟲(chóng)的蛀屑。在某些條件下，利用像素的光譜混合可以檢測(cè)到這一階段的變色松樹(shù)和健康松樹(shù)之間的光譜差異[13]。如果受到感染的變色松樹(shù)冠層直徑較大，且被感染的變色松樹(shù)較為集中，則可以提高變色松樹(shù)的監(jiān)測(cè)能力。因?yàn)樽兩珮?shù)冠層直徑越大，傳感器所需的空間分辨率和光譜分辨率越小。

第4 階段針葉全部變?yōu)辄S褐色至紅褐色，病樹(shù)整株干枯死亡，但針葉不脫落。對(duì)于第3、4 階段的變色松樹(shù)，現(xiàn)有的衛(wèi)星遙感監(jiān)測(cè)和無(wú)人機(jī)遙感監(jiān)測(cè)均能實(shí)現(xiàn)較高精度的識(shí)別。

表1 松樹(shù)接種松材線蟲(chóng)后的特征變化Table 1 Variation of characteristics pine trees before and after the inoculation of Bursaphelenchus Xylophilus

1.2 松材線蟲(chóng)病變色松樹(shù)冠層光譜

不同的植物具有不同的反射光譜特征，且同種植物也會(huì)因植物種類、生長(zhǎng)階段、葉綠素含量、葉片含水量、健康狀況而異[15]。因此，采用高光譜技術(shù)間接診斷松材線蟲(chóng)病的方法可為大區(qū)域遙感監(jiān)測(cè)提供可靠依據(jù)[16-17]。目前基于高光譜的松材線蟲(chóng)病監(jiān)測(cè)目的主要是為了實(shí)現(xiàn)對(duì)松材線蟲(chóng)病的早期監(jiān)測(cè)，如Ju et al[18]采用松樹(shù)冠層反射光譜數(shù)據(jù)來(lái)區(qū)分染病松樹(shù)和健康松樹(shù)、確定其敏感波段或波段組合并分析葉綠素含量和光譜指數(shù)在不同病感階段的關(guān)系以推測(cè)松樹(shù)的染病階段。Kim et al[19]通過(guò)分析松材線蟲(chóng)病感染的松樹(shù)光譜變化確定早期監(jiān)測(cè)的最優(yōu)光譜指數(shù)。黃明祥等[20]連續(xù)觀測(cè)了健康和發(fā)病馬尾松針葉的時(shí)序高光譜數(shù)據(jù)，分析松材線蟲(chóng)病害的光譜時(shí)序特征、最佳觀測(cè)時(shí)期和最佳光譜指數(shù)。徐華潮等[21]采用高光譜數(shù)據(jù)分析了不同病感階段松材線蟲(chóng)病害的敏感光譜波段和葉綠素含量變化。

這些研究都證實(shí)了紅邊波段(680～780 nm)的位置和斜率變化是描述植物健康狀況的重要指示參數(shù)，可被用于松樹(shù)健康狀況的探測(cè)。從圖1a-c 可以看出[22]，紅邊斜率越大，松樹(shù)(馬尾松、黑松和黃山松)的生長(zhǎng)狀態(tài)越好，紅邊位置會(huì)出現(xiàn)“紅移”；反之，則紅邊位置會(huì)相應(yīng)“藍(lán)移”。此外，光譜的一階、二階和高階導(dǎo)數(shù)具有消除背景噪聲，分辨重疊光譜，提取光譜參數(shù)的特點(diǎn)，如提取吸收峰位置，紅邊位置等，可用于研究植被受病蟲(chóng)害的侵害導(dǎo)致的生化組分變化。

圖1 不同松樹(shù)不同病感階段冠層光譜反射率Fig.1 The canopy spectral reflectance in different stages of affection and different pinus L.

2 基于衛(wèi)星遙感的變色松樹(shù)監(jiān)測(cè)

2.1 衛(wèi)星遙感數(shù)據(jù)源

目前衛(wèi)星遙感技術(shù)仍然是森林病蟲(chóng)害監(jiān)測(cè)的重要手段之一。光學(xué)衛(wèi)星遙感由于具有多波段和多時(shí)相的特點(diǎn)，對(duì)于變色松樹(shù)的監(jiān)測(cè)、定位、疫情評(píng)估均有優(yōu)勢(shì)。Wulder et al[23]以一個(gè)管理者的角度，提出了區(qū)域、景觀、局部3 種尺度山松甲蟲(chóng)災(zāi)害變色松樹(shù)遙感監(jiān)測(cè)的時(shí)空需求，并對(duì)遙感監(jiān)測(cè)手段的優(yōu)缺點(diǎn)進(jìn)行了綜合論述。歐洲合資研究中心（JRC）在2014 年和2015 年進(jìn)行了一項(xiàng)先導(dǎo)性研究[24]，建立一套基于衛(wèi)星遙感的方法監(jiān)測(cè)受松材線蟲(chóng)病感染的樹(shù)木。JCR 收集了該時(shí)間段不同傳感器來(lái)源和不同分辨率的衛(wèi)片和航片數(shù)據(jù)。目的是評(píng)價(jià)這些影像是否能夠 1）區(qū)分健康冠層和輕度枯死的冠層；2）區(qū)分不同級(jí)別的枯死。結(jié)果表明通過(guò)對(duì)這些影像進(jìn)行合適的處理，尤其是一些高空間分辨率和高光譜分辨率的航片足以識(shí)別松樹(shù)冠層的枯死。目前大多數(shù)的基于遙感進(jìn)行變色松樹(shù)監(jiān)測(cè)的對(duì)象均是山松甲蟲(chóng)，表2 中總結(jié)了山松甲蟲(chóng)衛(wèi)星遙感監(jiān)測(cè)的數(shù)據(jù)源、采用的方法和識(shí)別精度等，以期對(duì)我國(guó)的松材線蟲(chóng)病遙感監(jiān)測(cè)能夠提供一些借鑒意義。

從表2 中可以看出，目前，常用于森林病蟲(chóng)害的衛(wèi)星影像主要有Landsat TM/ETM+、QuickBird、IKONOS、Spot、WorldView 等遙感數(shù)據(jù)。對(duì)于粗空間分辨率衛(wèi)星影像的應(yīng)用方面，大量的研究證實(shí)了Landsat TM 或ETM+影像能夠?qū)ι剿杉紫x(chóng)侵害的林分尺度的松樹(shù)實(shí)現(xiàn)70%～85%的監(jiān)測(cè)精度[15,30-32]，但如果對(duì)于發(fā)病的晚期受災(zāi)面積比較大時(shí)采用Landsat 可以實(shí)現(xiàn)超過(guò)85%的精度[32]。Landsat 影像的空間分辨率很低，由此產(chǎn)生的混合像元問(wèn)題給變色松樹(shù)的監(jiān)測(cè)帶來(lái)挑戰(zhàn)，但是多時(shí)相的Landsat影像彌補(bǔ)了空間分辨率上的不足。這些研究中Landsat 的多光譜數(shù)據(jù)經(jīng)過(guò)纓帽變換(TC)得到明度、綠度和濕度后尋找與變色松樹(shù)數(shù)量之間的相關(guān)關(guān)系。Sharma and Murtha[35]論證了TC 變換后的參數(shù)在變色松樹(shù)和健康松樹(shù)之間存在顯著的差異。除了單景Landsat 影像的應(yīng)用外，多時(shí)相的影像經(jīng)過(guò)TCT 變換后可以用于評(píng)價(jià)山松甲蟲(chóng)的損害程度。Franklin et al[13]使用自動(dòng)檢測(cè)算法對(duì)30 m Landsat TM 影像的變色松樹(shù)識(shí)別，精度達(dá)到73.3%。Skakun et al.[29]使用多時(shí)相Landsat ETM+影像，采用TC 變換和EWDI 增強(qiáng)濕度差異指數(shù)對(duì)紅色變色松樹(shù)的解譯精度達(dá)到67%～78%。

表2 變色松樹(shù)衛(wèi)星遙感監(jiān)測(cè)數(shù)據(jù)源Table 2 Data sources of satellite remote sensing imagery for red attacked pine trees

對(duì)于高空間分辨率的衛(wèi)星應(yīng)用方面，White et al.[32]使用一種無(wú)監(jiān)督聚類方法(ISODATA)在4 m多光譜IKONOS 圖像上對(duì)損害程度為中低水平的山松甲蟲(chóng)監(jiān)測(cè)，并與航空攝影影像的解譯結(jié)果進(jìn)行對(duì)比。結(jié)果表明對(duì)于松樹(shù)損害程度低的區(qū)域該方法實(shí)現(xiàn)70.1%的變色松樹(shù)識(shí)別精度，對(duì)于中度損害區(qū)域可實(shí)現(xiàn)92.5%的識(shí)別精度。Hicke et al.[33]應(yīng)用單時(shí)相或多時(shí)相QuickBird 遙感影像，認(rèn)為綠色指數(shù)(GVI)、紅綠指數(shù)(RGI) 及其差值，可以探測(cè)山松甲蟲(chóng)危害的林木，分析松甲蟲(chóng)的種群變化情況和評(píng)估治理成效等。

對(duì)于高光譜衛(wèi)星應(yīng)用方面White et al.[36]使用EO-1 高光譜數(shù)據(jù)計(jì)算6 個(gè)水分指數(shù)，并比較其與紅葉侵襲像素之間的相關(guān)性。結(jié)果表明含有短波紅外(SWIR)和近紅外(NIR)區(qū)域的高光譜水分指數(shù)與變色松樹(shù)疫情級(jí)別顯著相關(guān)。

2.2 基于衛(wèi)星多光譜遙感數(shù)據(jù)的變色松樹(shù)監(jiān)測(cè)方法

就分類方法而言，隨著研究尺度的不同，基于重訪周期、空間分辨率和光譜分辨率的考慮采用的數(shù)據(jù)源會(huì)不同，因此選用的分類方法也會(huì)不同。目前變色松樹(shù)衛(wèi)星遙感監(jiān)測(cè)方法主要包括基于像素的影像分類方法、面向?qū)ο蠓椒ā⑸疃葘W(xué)習(xí)方法、植被指數(shù)法等。

(1)基于像素的影像分類方法

早期的衛(wèi)星影像分類主要針對(duì)的是低分辨率的影像，多采用基于像素的分類方法，包括K-Means、支持向量機(jī)法(SVM)、最大似然方法（MLC)、BP 神經(jīng)網(wǎng)絡(luò)、ISODATA 聚類等。Hicke et al.[33]利用Quick Bird 高分影像的4 波段圖像和MLC 分類方法成功提取了大面積山松甲蟲(chóng)侵襲致死的白皮松狀況，并將提取制圖結(jié)果分為非植被、草地、健康松樹(shù)和感染松樹(shù)4 類。Dennison et al.[26]采用MLC方法和GeoEye-l 高分影像對(duì)美國(guó)黑松森林區(qū)域的病害松樹(shù)(灰色或紅色)和健康松樹(shù)（綠色）進(jìn)行分離。Poona et al.[37]在Quick Bird 數(shù)據(jù)上提取多種植被指數(shù)和穗帽變換成分后，將神經(jīng)網(wǎng)絡(luò)方法和貝葉斯分類器結(jié)合應(yīng)用于南非地區(qū)松樹(shù)脂潰瘍病感染樹(shù)木的提取。White et al.[32]利用ISODATA 方法和IKONOS 高分圖像對(duì)山松甲蟲(chóng)的紅色攻擊區(qū)域進(jìn)行了監(jiān)測(cè)。由于松材線蟲(chóng)病引起的變色松樹(shù)是一個(gè)變化的過(guò)程，難以利用單景高分衛(wèi)星影像實(shí)現(xiàn)高的分類精度，Wulder et al.[14]認(rèn)為可以利用多時(shí)相的高分?jǐn)?shù)據(jù)以獲得更高的分類精度。

(2)面向?qū)ο蠓椒?/p>

基于像素的分類方法是以單個(gè)像元為基本分類單元，通常使用的是影像的像元光譜信息，而不考慮空間信息，并且大多已經(jīng)發(fā)展成熟并打包到很多商業(yè)軟件中。隨著高分辨率影像的可獲得性提高，傳統(tǒng)的基于像素的分類方法對(duì)高分影像的對(duì)象提取結(jié)果噪音較大，并且缺乏提取對(duì)象的語(yǔ)義特征，難以實(shí)現(xiàn)對(duì)象級(jí)別的提取。面向?qū)ο蟮姆椒ǖ某霈F(xiàn)很好地彌補(bǔ)了這類分類方法的缺陷，目前己經(jīng)在高分影像上的應(yīng)用上取得較好的效果[38]。面向?qū)ο蟮姆诸惙椒ㄌ幚淼氖且幌盗邢裨募希ɑ蚍Q對(duì)象）。該類方法在分類前的第一步是對(duì)像元級(jí)的高分影像進(jìn)行分割，分割后的單元視為一個(gè)個(gè)對(duì)象。在森林病害感染樹(shù)木提取中，一些學(xué)者嘗試采用面向?qū)ο蠓椒ㄌ岣叻诸惖木取uo et al.[39]利用面向?qū)ο蠓椒ńY(jié)合專家知識(shí)分類法，成功地探測(cè)了櫟猝死病導(dǎo)致的病死樹(shù)區(qū)域。Johnson et al.[40]在監(jiān)測(cè)日本松墨天牛和小蠹蟲(chóng)引起的樹(shù)木枯萎狀況時(shí)，采用多尺度的面向?qū)ο髨D像分類方法從HIS 融合后的高分衛(wèi)星影像上區(qū)分出變色樹(shù)和健康樹(shù)。

（3）深度學(xué)習(xí)方法

變色松樹(shù)的識(shí)別，受到噪音、光照、季節(jié)和很多其他因素的影響，給高分辨率的遙感分類帶來(lái)技術(shù)難度。傳統(tǒng)的基于像素的遙感影像分類方法需要人工選擇一些特征圖層，基于這些特征圖層形成劃分各類別的特征空間，然后再設(shè)計(jì)一個(gè)好的分類器實(shí)現(xiàn)不同類別的分類（如SVMs，K-NN）。但這些方法只能提取到原始影像數(shù)據(jù)的淺層特征（如光譜特征和紋理空間特征等），難以滿足山區(qū)復(fù)雜地形條件下地物分類的精度要求。即使使用面向?qū)ο蟮姆椒ǎ谟行┗旌舷裨^為嚴(yán)重的變色松樹(shù)和稀疏植被裸土交錯(cuò)帶的分類結(jié)果也不是很理想。影響面向?qū)ο蠓椒ńY(jié)果精度的主要原因是分類特征的選擇，由于人為選擇分類特征的不具代表性，導(dǎo)致面向?qū)ο蠓诸惖慕Y(jié)果不理想的研究很多。近年來(lái)發(fā)展起來(lái)的深度學(xué)習(xí)方法[41-42]為解決這類問(wèn)題提供了很好的解決方案。深度學(xué)習(xí)方法具有自學(xué)習(xí)功能，能夠?qū)W習(xí)到一些高級(jí)抽象的空間特征或光譜特征，其具有更強(qiáng)的“泛化”能力[41]，因此能夠提高復(fù)雜環(huán)境下的地物分類精度。

目前深度學(xué)習(xí)方法應(yīng)用于遙感領(lǐng)域主要包括影像的預(yù)處理[43-44]、基于像素的分類、目標(biāo)識(shí)別和場(chǎng)景理解4 個(gè)方面。而對(duì)于變色松樹(shù)的識(shí)別屬于目標(biāo)識(shí)別領(lǐng)域。隨著衛(wèi)星影像的空間分辨率的提高，遙感影像的分析開(kāi)始從單個(gè)像素轉(zhuǎn)向地理對(duì)象，甚至語(yǔ)義級(jí)別的地理對(duì)象（如房屋，松樹(shù)，交通工具等）。基于高分衛(wèi)星影像的目標(biāo)識(shí)別要比自然照片中的目標(biāo)識(shí)別更具挑戰(zhàn)。一方面是因?yàn)樽匀徽掌械哪繕?biāo)對(duì)象尺寸更大，而光學(xué)遙感影像上的目標(biāo)對(duì)象通常只有幾個(gè)至幾十個(gè)像素不等的小對(duì)象特征。Ren et al.[45]嘗試對(duì)Faster R-CNN 模型進(jìn)行修正以適應(yīng)遙感圖像小對(duì)象的較高精度識(shí)別。另一方面，大尺度的光學(xué)遙感影像對(duì)象檢測(cè)受復(fù)雜背景地物的干擾較大，難以實(shí)現(xiàn)高精度的識(shí)別結(jié)果。此外，遙感領(lǐng)域很難獲取特定對(duì)象的大量樣本，使得深度學(xué)習(xí)網(wǎng)絡(luò)提取的對(duì)象特征“泛化”能力不強(qiáng)[46]。Yang et al.[47]借鑒人類認(rèn)知過(guò)程中的對(duì)同一對(duì)象的多角度認(rèn)識(shí)過(guò)程實(shí)現(xiàn)遙感影像上對(duì)象特征的提取。

(4)其他輔助方法

一些特征變化方法可將原始特征通過(guò)特定函數(shù)變換到新的特征空間，目前常用的方法有: Gra-Sdimidt 變換、主成分分析(PCA)、纓帽變換(TC)、光譜混合分析、變化向量分析[48-49]、小波變換、最小噪聲分析變化等。衛(wèi)星遙感數(shù)據(jù)還能夠很好地與其他測(cè)繪數(shù)據(jù)、地形數(shù)據(jù)、氣象數(shù)據(jù)和森林林分調(diào)查數(shù)據(jù)進(jìn)行集成應(yīng)用。為提高高分辨率衛(wèi)星影像監(jiān)測(cè)松材線蟲(chóng)病變色松樹(shù)的精度，一方面可以加入一些輔助數(shù)據(jù)，如地形要素、樹(shù)種分布或一些地面輔助調(diào)查數(shù)據(jù)等；另外采用衛(wèi)星遙感數(shù)據(jù)監(jiān)測(cè)松材線蟲(chóng)病變色松樹(shù)的最大優(yōu)勢(shì)在于其能夠獲取疫區(qū)的多時(shí)相數(shù)據(jù)。Skakun et al.[29]通過(guò)多時(shí)相的ETM+數(shù)據(jù)和經(jīng)TC 變換導(dǎo)出的濕度，計(jì)算出濕度差指數(shù)EWDI，利用EWDI 進(jìn)行全葉分析來(lái)識(shí)別變色松樹(shù)。

3 基于無(wú)人機(jī)的變色松樹(shù)遙感監(jiān)測(cè)

3.1 無(wú)人機(jī)數(shù)據(jù)的獲取

無(wú)人機(jī)（Unmanned Aerial Vehicle, UAV）是一種由動(dòng)力驅(qū)動(dòng)、機(jī)上無(wú)人駕駛、依靠空氣提供升力、可重復(fù)使用航空飛行器的簡(jiǎn)稱。盡管大量研究均表明多光譜和多時(shí)相衛(wèi)星遙感影像能夠用于探測(cè)病蟲(chóng)害引起的變色松樹(shù)監(jiān)測(cè)，然而受其空間分辨率、大氣影響和重訪周期的限制，對(duì)于特定時(shí)間窗口單株樹(shù)級(jí)別的變色松樹(shù)監(jiān)測(cè)難以準(zhǔn)確定位。無(wú)人機(jī)遙感是一種低空遙感監(jiān)測(cè)手段，在數(shù)據(jù)獲取過(guò)程中受大氣的影響較小、靈活性、時(shí)空分辨率均可根據(jù)需求調(diào)整[50]。隨著無(wú)人機(jī)平衡架、慣性測(cè)量單元(IMU)、全球?qū)Ш叫l(wèi)星系統(tǒng)(GNSS)和其他零部件技術(shù)的發(fā)展，無(wú)人機(jī)的定位和圖像質(zhì)量得到顯著的提升[51]。

近年來(lái)無(wú)人機(jī)技術(shù)的發(fā)展，特別是一些關(guān)鍵技術(shù)的突破，為自然資源的遙感監(jiān)測(cè)提供了新的搭載平臺(tái)[52]。除無(wú)人機(jī)硬件設(shè)施的提高外，山區(qū)復(fù)雜環(huán)境下無(wú)人機(jī)數(shù)據(jù)的獲取在航線規(guī)劃時(shí)還需考慮相機(jī)參數(shù)、航向疊片率、旁向疊片率、空域要求等因素。起伏不大的地形區(qū)域，采取一般航線規(guī)劃技術(shù)按平行帶狀進(jìn)行航空攝影拍照即可。對(duì)地勢(shì)起伏較大的局部地區(qū)，學(xué)者[53]提出從可見(jiàn)光相機(jī)硬件和航線規(guī)劃兩方面改進(jìn)以保證獲取的航片質(zhì)量：一個(gè)是采取通過(guò)無(wú)人機(jī)搭載多個(gè)數(shù)字相機(jī)以克服地形起伏給航片帶來(lái)的畸變；另一個(gè)是根據(jù)山地的等高線來(lái)規(guī)劃航拍的路線，按照等高線分割成小的區(qū)域依次實(shí)施航測(cè)或者采取增加重疊度和疊片率的辦法保證圖像質(zhì)量。

3.2 基于無(wú)人機(jī)可見(jiàn)光遙感變色松樹(shù)監(jiān)測(cè)

我國(guó)松材線蟲(chóng)病發(fā)病或病死的疫木是空間分散的，很難采用衛(wèi)星遙感進(jìn)行監(jiān)測(cè)。而近年來(lái)發(fā)展起來(lái)的無(wú)人機(jī)遙感技術(shù)為我國(guó)變色松樹(shù)的快速定位和總量估計(jì)帶來(lái)了解決辦法。然而，目前在分散的單株變色松樹(shù)無(wú)人機(jī)影像提取中仍然停留在目視判讀的水平[53-54]，完全依靠人工目視判讀變色松樹(shù)的工作方案效率低、主觀性強(qiáng)[55-56]。現(xiàn)有的支持向量機(jī)[57-58]、面向?qū)ο骩59]、神經(jīng)網(wǎng)絡(luò)[60-61]等遙感數(shù)據(jù)分類提取算法雖然一定程度上提高人工目視判讀的效率，但就時(shí)間復(fù)雜度而言難以滿足GB 甚至TB 數(shù)量級(jí)的超高空間分辨率大區(qū)域無(wú)人機(jī)影像計(jì)算需求[62]。

Cheng et al.[42]將光學(xué)遙感中地理對(duì)象的探測(cè)方法分為5 大類別：模板匹配對(duì)象檢測(cè)方法[63]、基于知識(shí)的對(duì)象檢測(cè)方法[64]、基于OBIA 對(duì)象分析的對(duì)象檢測(cè)方法[65]和基于機(jī)器學(xué)習(xí)的對(duì)象檢測(cè)方法[66-67]。卷積神經(jīng)網(wǎng)絡(luò)方法（CNNs）是機(jī)器學(xué)習(xí)方法的一種（如R-CNN 或Faster RCNN 模型的改進(jìn)），目前基于CNNs 的地理對(duì)象探測(cè)中雖然識(shí)別精度非常高，但其探測(cè)對(duì)象主要為機(jī)場(chǎng)[68]、汽車[47]、建筑物[69]等清晰可見(jiàn)的目標(biāo)，針對(duì)山區(qū)復(fù)雜地形條件下變色松樹(shù)的單株木探測(cè)的精度如何還未曾有相關(guān)研究報(bào)道。

與一些基于高分衛(wèi)星遙感的單株樹(shù)樹(shù)冠監(jiān)測(cè)的研究[70]不同，無(wú)人機(jī)高分辨率影像在分辨率提高的同時(shí)也給變色松樹(shù)提取工作帶來(lái)了一定的困難，比如裸地陰影明顯、樹(shù)冠變化過(guò)多、變色松樹(shù)和健康松樹(shù)之間邊界復(fù)雜等問(wèn)題。在研究變色松樹(shù)無(wú)人機(jī)遙感監(jiān)測(cè)的精度評(píng)價(jià)時(shí)，還需要選擇由松樹(shù)與其他不同地面地物組合的不同情景下的多個(gè)樣方實(shí)驗(yàn)，評(píng)價(jià)各情景下的不確定性情況以增強(qiáng)研究方法的魯棒性。如表3 中的常見(jiàn)樣方典型地物組成成份。

3.3 基于無(wú)人機(jī)高光譜遙感的松材線蟲(chóng)病疫情評(píng)價(jià)

機(jī)載高光譜的出現(xiàn)為高分影像上“同物異譜”或“異物同譜”的情況提供了解決辦法，如區(qū)分變色松樹(shù)和其他紅色闊葉樹(shù)、稀疏植被裸土等。Kim et al.[19]基于多時(shí)相的高光譜1 m 空間分辨率航拍數(shù)據(jù)，采用NDVI 和VIgreen 識(shí)別砍伐的和未砍伐的變色松樹(shù)。但由于機(jī)載高光譜的空間分辨率很高，且在數(shù)據(jù)采集時(shí)受局部視場(chǎng)條件和光照條件以及冠層結(jié)構(gòu)的差異，同一棵樹(shù)的冠層亮度值差異很明顯，因此變色松樹(shù)像元位置的選擇對(duì)光譜曲線的影響很大。N?si et al.[71]使用UAV 遙感制圖山松甲蟲(chóng)的損害程度，發(fā)現(xiàn)使用機(jī)載高光譜影像對(duì)森林病蟲(chóng)害的探測(cè)要優(yōu)于多光譜影像，主要是因?yàn)槠渚哂性敿?xì)的連續(xù)的地物光譜信息。Leckie et al.[72]比較了整株樹(shù)樹(shù)冠，向陽(yáng)部分的樹(shù)冠、陰影部分的樹(shù)冠和樹(shù)頂最亮部分4 個(gè)位置，結(jié)果發(fā)現(xiàn)整個(gè)樹(shù)冠和向陽(yáng)部分的樹(shù)冠對(duì)于變色松樹(shù)的屬性反演結(jié)果最好。Coops et al.[73]在機(jī)載高光譜單株樹(shù)的選擇時(shí)采用“樹(shù)暈去中心”的方法獲得了很好的變色松樹(shù)分級(jí)結(jié)果圖。

表3 典型地物的RGB 影像Table 3 RGB images of typical categories

此外，高光譜遙感變色松樹(shù)監(jiān)測(cè)的另一個(gè)“核心問(wèn)題”是如何選擇好的特征波段來(lái)刻畫(huà)地物光譜與空間影像特征。Fassnacht et al.[74]的變色松樹(shù)高光譜識(shí)別研究中采用遺傳算法(GA)篩選特征波段，發(fā)現(xiàn)特征波段的選擇對(duì)變色松樹(shù)分類的精度很重要。最新的研究中Zhang et al.[75]采用了3 種特征波段的選擇方法，實(shí)現(xiàn)了松樹(shù)純林環(huán)境下分段擬合變色松樹(shù)95.23%的監(jiān)測(cè)精度。然而，這種手工選擇影像特征的方法很難有效區(qū)分變色松樹(shù)和其他地物，因?yàn)槿藶樵O(shè)計(jì)的特征過(guò)多地依賴于專家知識(shí)和影像源數(shù)據(jù)本身。目前研究中所采用的特征波段選擇均是針對(duì)某種特定情景下適合的，缺乏足夠的“泛化”能力。近年來(lái)深度學(xué)習(xí)在高光譜的應(yīng)用中得到了大量地應(yīng)用[41,76]，借助Hinton[77]提出的深度學(xué)習(xí)方法，遙感影像地物自動(dòng)識(shí)別效率取得了較大的提高。深度學(xué)習(xí)通過(guò)多層處理機(jī)制揭示隱藏在數(shù)據(jù)中的非線性特征，能夠從大量的訓(xùn)練數(shù)據(jù)集中得到“自動(dòng)學(xué)習(xí)特征”，使得遙感識(shí)別特征的選擇從“手工選擇”向“自動(dòng)選擇”的轉(zhuǎn)變。

4 松材線蟲(chóng)病變色松樹(shù)遙感監(jiān)測(cè)存在的問(wèn)題及展望

4.1 監(jiān)測(cè)手段單一的問(wèn)題

松材線蟲(chóng)病疫區(qū)變色松樹(shù)的監(jiān)測(cè)手段包括地面調(diào)查、無(wú)人機(jī)遙感調(diào)查、衛(wèi)星遙感調(diào)查，具體選擇哪種方法取決于調(diào)查的目的。不同的監(jiān)測(cè)手段即選擇不同的數(shù)據(jù)源，Lee et al.[78]探討了多源（IKONOS，QuickBird，航拍照片等）多時(shí)相高空間分辨率遙感數(shù)據(jù)對(duì)于松材線蟲(chóng)病導(dǎo)致的變色松樹(shù)識(shí)別的潛力，發(fā)現(xiàn)不同遙感平臺(tái)的數(shù)據(jù)各有其優(yōu)勢(shì)，如衛(wèi)星遙感的多時(shí)相優(yōu)勢(shì)、無(wú)人機(jī)遙感的高空間分辨率和高靈活性優(yōu)勢(shì)、地面調(diào)查高可靠性優(yōu)勢(shì)等。未來(lái)，多種監(jiān)測(cè)手段的協(xié)同技術(shù)將成為制約松材線蟲(chóng)病遙感監(jiān)測(cè)的關(guān)鍵瓶頸。

第3 次全國(guó)林業(yè)有害生物普查工作中是以地面調(diào)查為主要手段。鑒于松材線蟲(chóng)病具有“致病力強(qiáng)、發(fā)病時(shí)間短、傳播速度快、治理難度大”的特點(diǎn)，目前最有效的防治辦法是清除發(fā)病或病死疫木[79]。及時(shí)發(fā)現(xiàn)和準(zhǔn)確定位變色松樹(shù)對(duì)于病死疫木的清理及該病的防控具有重要價(jià)值。但是地面調(diào)查方式的成本高、周期長(zhǎng)，不利于大面積變色松樹(shù)分布信息的獲取，且難以滿足大區(qū)域的應(yīng)急性需要。而且發(fā)病或病死疫木在山區(qū)是空間分散的，僅靠人工地面逐株排查不但工作量巨大，時(shí)間周期長(zhǎng)，容易遺漏，難以全面地掌握疫情動(dòng)態(tài)的問(wèn)題。

在遙感監(jiān)測(cè)方面，與加拿大采用衛(wèi)星遙感監(jiān)測(cè)大面積地勢(shì)平坦地區(qū)的山松甲蟲(chóng)變色松樹(shù)不同[30]，我國(guó)的松材線蟲(chóng)病發(fā)病地區(qū)主要分布在中國(guó)東南部的山地區(qū)域，這些地區(qū)地勢(shì)復(fù)雜，而且光學(xué)遙感影像受云層的影響非常嚴(yán)重[80]；關(guān)于無(wú)人機(jī)遙感監(jiān)測(cè)，目前大多數(shù)變色松樹(shù)無(wú)人機(jī)遙感影像的解譯工作仍然是靠人工目視判讀，這種方式對(duì)判讀人員要求很高，具有主觀性強(qiáng)、多人協(xié)作難以統(tǒng)一標(biāo)準(zhǔn)且難以滿足大區(qū)域快速判讀要求的特點(diǎn)[55]。這也一定程度上延遲了森防人員對(duì)疫木的清理，加劇了疫情擴(kuò)散。找到一種適合于超高空間分辨率、大數(shù)據(jù)量的無(wú)人機(jī)影像自動(dòng)處理算法對(duì)于變色松樹(shù)的快速識(shí)別、消除人工判讀誤差顯得尤為重要。

4.2 變色松樹(shù)遙感監(jiān)測(cè)中的定位、識(shí)別和計(jì)數(shù)問(wèn)題

松材線蟲(chóng)病變色松樹(shù)的遙感監(jiān)測(cè)包括識(shí)別、分級(jí)和計(jì)數(shù)3 個(gè)階段：識(shí)別階段是從遙感影像上快速定位出變色松樹(shù)的位置，并對(duì)定位的每株變色松樹(shù)是否為變色松樹(shù)進(jìn)行判定；分級(jí)階段是對(duì)變色松樹(shù)的病感階段（或稱枯死程度）進(jìn)行定量評(píng)估；計(jì)數(shù)階段是對(duì)所有定位的變色松樹(shù)按照識(shí)別的病感階段進(jìn)行分類統(tǒng)計(jì)計(jì)數(shù)。關(guān)于松材線蟲(chóng)病監(jiān)測(cè)，國(guó)家層面早在2009 年已發(fā)布了技術(shù)規(guī)程《松材線蟲(chóng)普查監(jiān)測(cè)技術(shù)規(guī)程》[81]，該規(guī)程有利于指導(dǎo)全國(guó)松材線蟲(chóng)病普查和監(jiān)測(cè)的工作。關(guān)于松材線蟲(chóng)病遙感監(jiān)測(cè)，2016 年安徽省質(zhì)量技術(shù)監(jiān)督局發(fā)布了安徽省地方標(biāo)準(zhǔn)《基于無(wú)人機(jī)平臺(tái)的松材線蟲(chóng)病枯死松樹(shù)監(jiān)測(cè)技術(shù)規(guī)程》[22]，2018 年中國(guó)林學(xué)會(huì)預(yù)發(fā)布了行業(yè)標(biāo)準(zhǔn)《無(wú)人機(jī)遙感監(jiān)測(cè)異常變色木操作規(guī)程》，規(guī)程中規(guī)定了應(yīng)用無(wú)人機(jī)遙感監(jiān)測(cè)和識(shí)別異常變色松樹(shù)的航攝系統(tǒng)要求、航攝計(jì)劃與設(shè)計(jì)方案、攝影質(zhì)量要求、信息處理與地面驗(yàn)證方法、監(jiān)測(cè)報(bào)告和檔案管理等操作規(guī)程，為松材線蟲(chóng)病所致異常變色松樹(shù)的早期發(fā)現(xiàn)、疫情核查與防治效果評(píng)價(jià)提供了支持。利用光學(xué)遙感識(shí)別、分級(jí)和計(jì)數(shù)變色松樹(shù)目前亟需解決以下幾個(gè)科學(xué)問(wèn)題：

（1）定位方面包括遙感圖像拼接不佳導(dǎo)致的局部區(qū)域圖像扭曲，受地形、坐標(biāo)系轉(zhuǎn)換、風(fēng)速對(duì)無(wú)人機(jī)姿態(tài)等的影響導(dǎo)致的遙感影像幾何偏移問(wèn)題；

（2）識(shí)別方面包括變色樹(shù)漏判和誤判問(wèn)題。漏判的情況如變色樹(shù)冠層被遮擋、變色樹(shù)冠層直徑太小、圖像拼接不佳導(dǎo)致的部分地區(qū)變色樹(shù)難以判別；誤判情況如把別的地物如黃色灌木、裸土、枯死草地或地面已伐未封袋死樹(shù)等判為變色樹(shù)。

（3）計(jì)數(shù)方面包括漏判導(dǎo)致的少計(jì)數(shù)和誤判導(dǎo)致的多計(jì)數(shù)。無(wú)人機(jī)影像上統(tǒng)計(jì)的結(jié)果總是低估了變色松樹(shù)的實(shí)際總量，究其原因：一是多株變色松樹(shù)在無(wú)人機(jī)遙感影像上邊界模糊，因此容易將多株相鄰的變色松樹(shù)判為1 株，造成漏判；另一方面，處于下層的變色松樹(shù)被上層的健康松樹(shù)遮擋，而無(wú)法在遙感影像上體現(xiàn)，從而導(dǎo)致下層的變色松樹(shù)漏判。

4.3 多源遙感數(shù)據(jù)協(xié)同監(jiān)測(cè)松材線蟲(chóng)病變色松樹(shù)的展望

為結(jié)合多種調(diào)查手段的優(yōu)勢(shì)，彌補(bǔ)其不足，未來(lái)的研究中可采用“星-機(jī)-地”多源數(shù)據(jù)協(xié)同監(jiān)測(cè)變色松樹(shù)(如圖2)。首先采用地面調(diào)查統(tǒng)計(jì)數(shù)據(jù)和非成像高光譜數(shù)據(jù)，精細(xì)DEM 數(shù)據(jù)作為衛(wèi)星遙感影像校正和疫情分區(qū)分級(jí)的基礎(chǔ)，然后通過(guò)疫情分級(jí)專題圖得到的疫情嚴(yán)重區(qū)邊界作為指導(dǎo)無(wú)人機(jī)影像作業(yè)的范圍，基于獲取的無(wú)人機(jī)影像采用適合于超高分辨率、大數(shù)據(jù)量的無(wú)人機(jī)影像高效處理的深度學(xué)習(xí)算法對(duì)單株疫木進(jìn)行定位和計(jì)數(shù)，最后導(dǎo)出單株疫木的經(jīng)緯度坐標(biāo)指導(dǎo)疫情嚴(yán)重區(qū)的地面疫木砍伐工作。

（1）基于地面調(diào)查數(shù)據(jù)和衛(wèi)星影像提取疫情發(fā)生前的松樹(shù)邊界

基于衛(wèi)星遙感手段的大區(qū)域松樹(shù)的空間分布信息是松材線蟲(chóng)病防治的第一步。然而，當(dāng)前基于光學(xué)遙感提取山區(qū)松林仍受山區(qū)陰影的嚴(yán)重影響，這給利用光學(xué)遙感技術(shù)提取山區(qū)松樹(shù)分布帶來(lái)困難。地形校正方法是一種減弱山區(qū)地形陰影對(duì)遙感光譜值影響的常用方法，可提高光學(xué)遙感影像的數(shù)據(jù)質(zhì)量。可利用資源三號(hào)立體像對(duì)提取的高分辨率DEM 來(lái)計(jì)算不同地形校正模型的地形校正參數(shù)，對(duì)校正后的多時(shí)相高分辨率光學(xué)遙感影像進(jìn)行分類提取，從而準(zhǔn)確地獲取疫情發(fā)生前山區(qū)松樹(shù)空間分布信息。

（2）基于地面非成像光譜數(shù)據(jù)和衛(wèi)星影像識(shí)別疫情嚴(yán)重區(qū)邊界

受災(zāi)范圍、面積和受災(zāi)程度的動(dòng)態(tài)監(jiān)測(cè)和損失評(píng)估是松樹(shù)疫情監(jiān)測(cè)的一項(xiàng)重要工作，尤其是大尺度松材線蟲(chóng)病的防治對(duì)于森林防護(hù)部門(mén)來(lái)說(shuō)是一大挑戰(zhàn)。由于松材線蟲(chóng)病的傳播速度快，疫情嚴(yán)重地區(qū)是需要最先采取措施的區(qū)域，因此區(qū)域疫情的分級(jí)工作尤為重要。可采用地面和室內(nèi)高光譜定量測(cè)量，測(cè)定不同程度枯死松針葉和健康松針葉區(qū)分的敏感波段，構(gòu)建松材線蟲(chóng)病疫情分級(jí)的光譜指數(shù)，采用多時(shí)相高分辨率衛(wèi)星遙感數(shù)據(jù)實(shí)現(xiàn)疫情的分區(qū)分級(jí)研究。對(duì)于不同疫級(jí)的區(qū)域采用不同的防護(hù)措施，如對(duì)疫情嚴(yán)重區(qū)域采取無(wú)人機(jī)進(jìn)行監(jiān)測(cè)以識(shí)別需要砍伐的單株疫木位置。

圖2 多源遙感協(xié)同的松材線蟲(chóng)病變色松樹(shù)監(jiān)測(cè)框架Fig.2 Framework of PWD monitoring by multi-source data collaboration

（3）基于地面數(shù)據(jù)和無(wú)人機(jī)影像數(shù)據(jù)定位單株疫木并總量計(jì)數(shù)統(tǒng)計(jì)松材線蟲(chóng)病的防治在目前來(lái)說(shuō)最有效的辦法是清除發(fā)病和病死疫木。而病死疫木在松材線蟲(chóng)病發(fā)病的早期階段是分散的，森林防護(hù)人員在山地區(qū)域?qū)ふ乙吣敬嬖诠ぷ髁烤薮蟆⑶胰菀走z漏的問(wèn)題。結(jié)合深度學(xué)習(xí)目標(biāo)檢測(cè)的方法和無(wú)人機(jī)影像實(shí)現(xiàn)對(duì)單株疫木的智能自動(dòng)定位與計(jì)數(shù)，可為林業(yè)疫木砍伐工程實(shí)施提供基礎(chǔ)數(shù)據(jù)支撐。