基于BJ-2號衛星的馬尾松松材線蟲病監測研究

馬云強趙寧王華張海燕

(1.西南林業大學生物多樣性保護學院/云南省森林災害預警與控制重點實驗室，云南 昆明 650224；2.西南林業大學生命科學學院，云南 昆明 650224；3.云南這里信息技術有限公司，云南 昆明 650224)

松材線蟲病(Bursaphelenchusxylophilus)，亦稱松樹萎蔫病或“松樹癌癥”[1]，是國際上公認的重要檢疫性有害生物，松樹感染后數月枯死，3～5a可蔓延傳播至整片松林，導致大面積的生態破壞，給國民經濟造成重大損失[2]。根據國家林業局2020年松材線蟲病疫區公告，截至2020年已有20個省(市)，比2018年新增2個省(市)。松材線蟲病防治難度大，常規的監測采用單一的人工地面調查手段進行[3]，這種方式耗時長、數據準確度不高，難以有效控制松材線蟲病的蔓延[4]。隨著衛星遙感影像分類技術的提高，黃慧萍[5]、齊樂[6]利用面向對象分類方法分別對分類尺度、支持向量機的參數進行研究，提高了遙感影像分類精度。張學敏[7]、馬宇龍[8]、梁守真[9]、呂利利[10]、董連英[11]利用CART決策樹分類法分別對病害松樹、龍祥島濕地、橡膠林、沙漠化土地、植被類型進行分類，提取效果較好。遙感影像可以實現大范圍的松林監測，但受分辨率和時效性影響，難以做到實時監測和單株精準監測。張紅梅[12]對近年來無人機遙感技術在松線蟲病監測研究進行了總結，得出無人機遙感在松線蟲病的監測上有巨大空間。近年來移動設備的日益更新，在監測方面也有很大的作用。

此次研究以衛星遙感監測為基礎，利用無人機遙感監測和便攜式移動設備進行驗證，有效提高松材線蟲病疫木提取的效率和精度?；跀祿诰颉祿诤稀祿f同和數據同化等關鍵技術，獲得更加準確數據支持的林業監測感知體系。

1 研究區域概況

東錢湖鎮地處浙江鄞州東南，處于全國海岸線中段。區域內自然資源豐富，植被種類300余種，山地森林覆蓋率92.4%。生態環境優美，湖面開闊，岸線曲折，四周群山環抱，森林蒼郁；氣候良好，屬亞熱帶季風氣候，全年溫和濕潤，雨量充沛，年平均氣溫15.4℃，面積145km2，規劃控制面積230km2，人口4.49萬，轄2個社區、4個居民區、36個行政村。

所選研究區域位于東錢湖正南方，面積為71km2，見圖1，該研究區林地集中，多為馬尾松林地，且該區域是東錢湖鎮中的松材線蟲病感染重災區，具有代表性。因此，利用衛星遙感影像，通過面向對象的CART決策樹方法進行遙感解譯，對東錢湖旅游度假區松材線蟲病發生區域的監測提供了科學依據。

2 衛星遙感影像分類

2.1 數據源

BJ-2號星座系統設計壽命7a，由3顆0.8m全色、3.2m多光譜的光學遙感衛星組成(藍波段：0.44～0.51nm，綠波段：0.51～0.59nm，紅波段：0.60～0.67nm，近紅外波段：0.76～0.91nm)，可提供覆蓋全球、空間和時間分辨率俱佳的遙感衛星數據。此外，松材線蟲病的的病發時間多發生在5—10月，尤其在10月發病最為明顯，發病樹木呈紅色或紅褐色，健康樹木呈綠色，為了能把健康樹木和發病樹木分開，故以東錢湖鎮2018年9月28日的BJ-2號影像為信息源進行研究，如圖2所示的原始全色影像和高光譜影像。另外，將野外實際取樣數據作為輔助數據，用于典型地物的樣本選擇和精度驗證。

2.2 技術流程

對BJ-2號遙感影像進行預處理，處理過程包括輻射定標、正射校正、影像融合。接著對預處理的結果影像進行面向對象分割、構建特征指數、提取分類閾值、進行CART分類，提取病疫木。圖3為完成預處理的遙感影像，圖4為技術流程。

2.3 研究方法

2.3.1 面向對象分割

面向對象方法以同質性像元組成的“對象”為分類基礎，其核心算法是影像分割[13]。在合理的分割尺度下得到的“對象”破碎化程度不一，分割尺度直接決定了分類結果的精度。本文使用eCognition軟件進行遙感影像的分割。eCognition中有3種分割模式，分別是棋盤式分割、四叉樹分割與多尺度分割，其中多尺度分割的效果最優[14]。多尺度分割可充分利用目標地物的光譜和形狀、紋理和尺寸等空間信息，提高了分類的準確性和穩定性，使分類效率和分類精度得以兼顧，因此確定多尺度分割的參數尤為重要。本文以分割對象異質性最小、分割后對象與目標地物吻合度最高為依據，根據目標地物的影像特征，經多次實驗確定：影像分割尺度選取為80，形狀因子、緊致度因子分別選取為0.5，各波段權重為1。

2.3.2 特征指標選擇

CART決策樹是使用監督學習的方法，從1組無規律分布的復雜數據中尋找最佳分類體系，構建1個二分支模型，實現對數據的分類和預測。模型構建時，每1分裂節點的異質性下降程度作為該節點是否生成的判別準則，節點異質性越低，雜質含量就越少，該節點的分類精度越高[6]；每個節點的特征參數選擇尤為重要，特征參數作為分類屬性用來整個影像的反演。本文研究區域遙感影像包含建筑物、道路、水系、耕地、植被等，特征參數的選擇要充分考慮遙感影像的地物環境。本文最終目的是提取松木病疫木，即分類結果精確到林木植被即可。

基于以上考慮，在常見的遙感特征中，選擇歸一化水體指數(MNDWI)和歸一化植被指數(NDVI)分別對水體、植被進行分類，選擇30m高程DEM數據對耕地進行分類，選擇BJ-2號影像的紅綠波段比率對病疫木進行分類。特征指標選擇充分考慮高分辨率遙感影像的光譜信息，結合各波段均值及標準差等多種特征參數進行決策樹的構建。

2.3.3 決策樹模型構建

基于對以上特征指標的分析結果，利用上述特征指標構建5層結構的決策樹，采用基于決策樹規則的面向對象的方法，逐層分類，提取松材線蟲病病疫木信息，如圖5所示。節點層0為總節點；節點層1，應用MNDWI通過設定閾值分離水體和非水體；節點層2，應用NDVI分離植被和非植被；節點層3，設定DEM閾值區分植被中的林地和其它林地；節點層4，基于BJ-2號影像的紅綠波段比率、各波段均值及標準差提取松材線蟲病病疫木對象。

2.4 分類結果與精度評價

基于BJ-2號影像數據，采用面向對象的CART決策樹分類方法，選擇MNDWI、NDVI、DEM地形數據以及影像的紅綠波段比率作為特征參數對試驗區地物進行逐級區分，提取松材線蟲病病疫木分布信息，結果如圖6所示。從空間分布上看，病疫木提取結果和遙感影像的表現一致。根據野外調查點及使用ArcGIS生成的隨機樣本點作為檢驗樣點(共450個)，對分類結果進行精度評價，結果如表1所示。試驗區總體分類精度為85.70%，Kappa系數為0.8213。病疫木驗證樣本共179個，正確分類的有164個；健康木驗證樣本176個，正確分類的有166個。這2種目標地物的生產精度都在91.6%以上，用戶精度都在90.7%以上，分類精度符合要求。

考慮到檢驗樣點代表的范圍太小有局域性，為了更精確地評價提取結果，在結果圖上隨機選擇100個病疫木樣區作為檢驗樣本，采用目視判讀的方式對選擇樣本的病疫木提取精度進行評價?？紤]到區域地物的破碎性，將每個樣區大小設置為125×125像元(即100m×100m)。相比于點數據的精度評價結果，基于樣區數據得到的病疫木信息提取精度有所降低，為80.2%。

表1 分類精度評價表

分析錯分地類的地理位置分布，可看出錯分的地類主要分布在地類的交界處和地物破碎處。在山坡地帶，病疫木和健康木交錯生長，無明顯空間界限，且病疫木感染無規律，分布凌亂，不易分類；在平緩地帶，多種人類活動導致土地的種類更加多樣，地類混合的情況更為復雜，地類的提取精度也受到一定影響。但總體來說，面向對象的CART決策樹分類提取松材線蟲病疫木具有較高可行性。

3 結論與討論

3.1 結論

在衛星遙感加無人機航空遙感加地面移動調查中，調查人員發現，松材線蟲病災害的區域大多數集中于山頂部分以及山林深處，無人機在調查驗證過程中起到了關鍵作用。調查人員實地前往感染區域利用無人機對山頂樹木進行飛行作業，根據實地調查驗證結果以及無人機飛行得到的驗證資料，對影像區域重新進行面向對象的CART決策樹分類，分類結果如圖7所示。

表2 精度對比表

從表2可以得出，利用無人機遙感影像和地面移動調查對衛星遙感監測的補充，能有效提高松材線蟲病疫木提取的精度。遙感衛星、無人機和人工輔助3種技術相結合，實現了區域范圍內松材線蟲病病疫木的快速識別，準確率提升到90.65%，有利于防控指揮部門及時掌握各疫點疫情發生情況和風險程度，有效提高了松材線蟲病防控工作和疫情評估的科學性，為進一步防止松材線蟲病的擴散和蔓延提供科學的技術支持。

3.2 討論

本研究利用0.8m空間分辨率的BJ-2號遙感影像，通過面向對象的CART決策樹分類提取松材線蟲病病疫木區域，后利用無人機和地面移動設備進行調查驗證，將三者結合得到的數據進行綜合分析，普查松材線蟲病的時間縮短，所需人力物力等資源減少，預警時效性增強，并且可以實時監測預警松材線蟲病蟲害的發生地點、時間，在此基礎上得出松材線蟲病實際發生區域圖，再將所有結果進行統計分析，得出松材線蟲病普查預警相關材料和報告。