基于無人機多光譜影像的云南切梢小蠹危害監測反演研究

馬云強，李宇宸,劉夢盈，石 雷*，張 軍*，張忠和

(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. 中國林業科學研究院資源昆蟲研究所，云南 昆明 650224；3.云南大學資源環境與地球科學學院，云南 昆明 650504)

【研究意義】遙感因其遠距離和無接觸的監測方式，近年來在地表信息監測已經顯示出了它獨特的優勢。但由于衛星遙感受大氣狀況影響較大、重訪周期長、空間分辨率低導致混合像元存在等問題，難以實現實時、高精度的信息監測，這些因素在一定程度上制約了其在實際作物脅迫精準監測中的應用[1]。而無人機遙感因具有高頻、迅捷、低成本、高空間分辨率、受大氣影響小、操作簡便等特點，為大范圍、高精度觀測提供了很好的契機。近年來，隨著無人機平臺技術的不斷成熟，無人機遙感系統逐漸成為空、天、地一體化提供實時、動態監測平臺[2]?！厩叭搜芯窟M展】在林業領域，隨著社會對生態環境保護的日益關注，森林資源的開發利用方式由傳統的經濟利用向可持續發展方向轉型，森林資源監測因此也備受重視[3]。吳項乾等應用無人機激光雷達估測銀杏人工林有效葉面積指數，研究結果表明利用Cover分組后建模精度優于不分組建模的精度[4]。Roope N?si等應用多光譜無人機對芬蘭拉赫蒂的歐洲云杉樹皮甲蟲侵染挪威云杉的危害程度的自動識別進行了經驗評估，研究結果表明基于單株樹分析和校正后的遙感影像對評估城市森林的健康狀況具有巨大的潛力[5]。Smigaj, Magdalena應用無人機監測蘇格蘭松林由于病蟲害引起的冠層溫度上升情況，結果表明在冠層水平，通過無人機紅外相機記錄的樹冠溫度，發現紅帶針葉林樹冠溫度與病蟲害侵染有關，帶有紅外相機的無人機可以用于監測病蟲害侵染引發的亞度溫差[6]。此外，機器學習理論與應用的高速發展，有效地助力其在林業病蟲害遙感領域的應用研究。張文一應用多種機器學習模型對馬尾松毛蟲和落葉松毛蟲歷年發生面積做出回歸預測，結果表明機器學習可以應用于實際生產并有效預測蟲害發生面積，尤其是支持向量機模型是種很好的預測手段[7]。因此，無人機與機器學習在病蟲害監測方面具有廣闊的應用前景。云南石林地區由于受云南切梢小蠹影響危害較重[8]，迫切需要展開對森林病蟲害的有效監測。云南切梢小蠹屬于鉆蛀型害蟲，由松林針葉枝梢中上部或底部蛀入髓心，會破壞樹干向針葉的水分運輸通道。隨著病情加重，松林針葉會因缺水分而枯死[9]。對松林生化和生物物理參數，如葉綠素含量、綠葉面積指數等產生影響。導致冠層反射率的變化，從而能夠使用遙感數據以監測森林蟲害[10-11]。大多數利用光譜反射率指數的方法可以有效地反映林區葉綠素變化情況，進而反映受病蟲害影響情況，luo等人研究了感染小麥蚜蟲的小麥葉片的光譜響應情況，結果表明，700～750、 750～930、950～1030和1040～1130 nm等幾個波段處的葉片的光譜反射對小麥蚜蟲的響應率顯著[12]。而Shi等通過相關性分析篩選了感染小麥條銹病、白粉病和蚜蟲的冠層高光譜數據敏感波段，據此建立了多種特征指數，并構建分類器監測識別[13]。鄧槿等學者通過反演NDVI、亮度和溫度建立相應特征空間，得到反映土壤含水量的溫度植被干旱指數(TVDI)，得出結果顯示，TVDI與云南切梢小蠹危害程度呈線性負相關[14]。【本研究切入點】基于無人機遙感多光譜數據，利用其高分辨率的優勢，結合野外實地調查采樣數據，通過數學和統計方法以及深度學習相關算法分析云南切梢小蠹危害程度與相關指數的相關性。從而獲得其相關關系數學表達式，反演整個研究區云南切梢小蠹危害信息?！緮M解決的關鍵問題】檢測出云南切梢小蠹害災變信息，為研究區內動態監測、預測森林蟲害提供依據。并為當地相關決策部門防控云南切梢小蠹提供數據支撐，對云南生態環境保護、林業資源管理有著十分重要的意義。

1 材料與方法

1.1 研究區概況

石林彝族自治縣(簡稱石林縣)坐落于云南省昆明市東南部，距離昆明市主城區78 km，東經103°10′～103°41′，北緯24°30′～25°03′，下轄1街道4鄉(鎮)，常住人口24.7萬人，少數民族34%。地貌屬于典型卡斯特，地層以碳酸巖類為主，類型發育齊全，規模宏大，在海拔1459～2594 m分布，丘陵之間分布著石林和石芽，地貌富有特色，面積1719 km2。石林縣以西逐漸向滇中紅層過渡，以東、以南過盤江進入滇東南峰叢洼地喀斯特區。境內低山、盆地、洼地、石丘、石牙及峰叢等地貌類型齊全，地勢東高西低，由東北向西南傾斜。屬亞熱帶低緯高原山地季風氣候，四季如春、雨量充沛，干、濕分明，年平均降雨量939.5 mm。地帶性植被為半濕潤常綠闊葉林[15](圖1)。

1.2 數據來源與處理

1.2.1 無人機數據 機載多光譜數據采用精靈4多光譜RTK版無人機(P4 Multispectral)采集，精靈4多光譜RTK版搭載了一體式的多光譜成像系統，集成1個可見光傳感器及5個多光譜傳感器(分別是藍光Blue、綠光Green、紅光Red、紅邊Red Edge和近紅外NIR)，每個傳感器均擁有200萬像素解析度并配備全局快門，整套的成像系統搭載于三軸云臺上，可輸出高質量的多光譜數據。該無人機記錄數據采用TimeSync時間同步系統，通過將飛控、相機與RTK的時鐘系統進行微秒級同步，實現相機成像時刻的毫秒級誤差。系統還對每個相機鏡頭中心點位置與天線中心點位置，結合設備姿態信息，進行實時補償，使影像獲得更加精確的位置信息。

1.2.2 樣本數據 樣本質量直接關系到樣地信息提取的精度，應選擇具有典型性、代表性的純凈像元作為樣本[16]。為了解研究區受云南切梢小蠹影響下的真實林地信息，需實地現場樣地踏勘。2019年11月18日，對研究區進行了詳細的調研，把研究區分為4個區域，采用高精度GPS對不同枯萎程度林木位置進行定位，分別統計區域內的林木其全梢數、枯梢數、樹高，并根據《林業有害生物成災標準》中云南松受切梢小蠹危害的評級標準對林木枯萎程度分等定級、記錄和拍照(表1)。最后，將以上野外踏勘數據構成樣本數據和驗證數據分別用于信息反演模型的構建及精度驗證。

1.3 研究方法

受切梢小蠹影響，植被光譜特征會產生變化，且隨著蟲害危害程度加重，光譜特征變化更為明顯。因此，從受云南切梢小蠹不同程度危害壞死的樹冠層光譜入手，通過波段組合運算，結合深度學習算法進行模型反演、分類以及精度驗證，設計技術路線如圖2所示。

1.3.1 光譜指數構建 植物對電磁輻射的吸收和反射特性會隨著波長與自身特征的變化而變化, 植物在病蟲害感染等條件下會在不同波段上表現出不同程度的吸收和反射特性的改變, 即病蟲害的光譜響應[17]。對比各危害程度光譜反射率(圖3)，發現在NIR、Red Edge波段表現出危害程度越小、反射率越高，在Red波段則相反。因此可以用以上波段進行波段組合以量化云南切梢小蠹危害程度(表2)。

表1 野外樣本數據

2 結果與分析

2.1 反演模型結果

深度學習是機器學習研究中的新分支，其動機在于建立、模擬人腦進行分析學習的神經網絡，模仿人腦的機制來解釋數據，目前已廣泛應用于多種領域[18]。由于Tensor Flow模型是谷歌提供的深度學習官方開發框架，能夠支持主流的(Convolutional Nerual Network, CNN)、(Deep Neural Networks, DNN)、(Recurrent neural network, RNN)等深度神經網絡模型，因此選擇Tensor Flow作為模型擬合框架。

進行云南切梢小蠹的危害程度的反演流程為：首先確定模型輸入參數，進行預處理，將采樣點數據與遙感影像數據依據地理坐標相互對應；考慮到本研究屬于典型的小樣本線性擬合模型，為保證擬合效果，對數據集以1∶2的比例選擇測試集與訓練集，訓練模型并采用交叉驗證的方式防止過擬合[19]。之后通過模型迭代，反復訓練模型并調整參數，確定最優反演模型。

在擬合NDVI和云南切梢小蠹危害程度的相關性方程迭代過程中，精度驗證方法選擇反向傳播算法，計算損失函數MSE的導數來優化每層的權重和偏置。損失函數為：

表2 光譜波段組合

針對研究區，通過反演結果圖、回歸方程對云南松枯稍率反演精度進行分析對比。

分析GNRE模型訓練過程圖(圖4-A)發現，模型訓練過程在迭代600次之后發生收斂，證明模型訓練結果較好，且驗證模型過程在600次時收斂于0.1，表明模型訓練過程沒有產生過擬合現象。2019年野外實測云南松樣本點枯稍率(圖4-B)與無人機影像GNRE間的關系如GNRE擬合圖所示，GNRE與云南松枯稍率呈現線性負相關，其相關系數R2為0.45331，受云南切梢小蠹影響，枯枝率較高的樹木GNRE值較低。分析NDVI模型訓練圖(圖4-C)發現，模型訓練過程MSE梯度下降很快，在訓練10次后訓練模型和驗證模型收斂于0.04，表明模型擬合很快，且精度較高。分析NDVI擬合圖(圖4-D)發現，無人機影像NDVI與樣本點枯稍率呈現負相關關系，相關指數R2為0.6769，相關系較強。通過對比以上實驗結果得出，盡管2種模型都呈現出明顯的負相關關系，但反演相關性存在很大差異，并且從NDVI擬合的Loss-MSE圖可以看出，NDVI擬合所得模型具有較強的魯棒性、穩定性。因此可將NDVI指數作為特征參數與森林枯稍率應用于影像擬合，同時也為其他病蟲害反演模型提供參考。

2.2 NDVI與蟲害等級關系

應用無人機多光譜影像提取的NDVI指數與云南切梢小蠹危害程度呈現負相關關系。分析其原因感染云南切梢小蠹的樹木篩管和導管等疏導組織水分和養分的運輸被影響，造成蛀孔上方的葉片得不到水分及營養物質供應，影響葉綠素合成，使得葉片減少了對紅光波段的吸收與近紅外波段的反射，從而導致受切梢小蠹侵染越嚴重而NDVI值越小[20]。

2.3 蟲害等級分布

總體上切梢小蠹危害程度較輕(圖5，表3)。危害程度中、重度的區域分布于道路及空曠地周圍，且重度、中度、輕度危害與健康林地的分布呈現由外到內有層次的分布，各類別面積分別為3938.16、28820.3325、246972.785、55255.0175 m2，其占比分別為1.18%、8.60%、73.73%、16.47%。說明在研究區范圍內受蟲害影響面積占比達到83.51%，但總體情況較好，中度危害以上面積占比為9.78%。結合云南切梢小蠹具有趨光性[21]、趨食性的生存習性[22]，由于林地深處林分郁閉度較高、空氣流通能力差，而空曠地通氣性良好且光線充足，對蠹蟲的吸引能力較強，因此在空曠地周圍的林地受害程度更大[7]，且呈現區域性連續分布，而受侵害程度低的林地則呈現區域性均勻分布。

進一步分析受危害云南松，發現當受侵染的部分位于樹冠下層時，其冠層反射與健康或輕度危害林地受侵染冠層反射相似，因為上層健康的冠層在垂直方向上阻礙了受切梢小蠹侵染的部分。因此，該類云南松受危害程度將被低估。

擬合模型在反演整個研究區云南切梢小蠹危害程度時，為驗證本文使用的模型在其他區域的適用性及可移植情況，將本文的反演結果結合采樣值運用混淆矩陣法進行精度驗證[23-24]。其總體分類精度為 71.11%，Kappa系數為 0.6751，精度驗證結果表明無人機遙感病蟲害能夠提高遙感監測精度。分析其誤差產生原因，植被指數NDVI代表研究區無人機影像樹冠信息，而枯稍率代表采樣樹整體信息，因此，擬合過程仍然存在誤差。但應用無人機影像結合地面調查、驗證的方式開展森林病蟲害潛在危險性預報和林業資源調查及損失評估的方式具有十分廣闊的前景。

3 討 論

多數學者在病蟲害研究方面是運用熱紅外成像技術僅于針葉尺度上監測云南切梢小蠹的蟲害信息，未能于更大尺度上監測蟲害相關信息[9]。在傳統遙感研究中存在混合像元導致難以單株樹木分析的問題，近年來隨著無人機遙感技術的逐步發展，使得運用無人機多光譜影像監測區域性蟲害信息的空間分布格局成為一種可能。能夠在更大的尺度上監測、預警蟲害的分布以及擴散，對林業病蟲害空間分布的相關監測方面有借鑒意義。

表3 云南切梢小蠹危害面積分布占比

從云南切梢小蠹蟲害林地的光譜和實地調查的枯枝率間的相關關系展開研究，由于蟲害信息的光譜反饋時間上存在一定的滯后性[25]、難以將其準確量化為與樹冠光譜信息相關的數據，很難在病蟲害初期就判斷林地的健康狀況。為了更加精準、定量、及時的應用光譜反映蟲害影響程度，下一步將從云南切梢小蠹蟲直接影響云南松的生物參數信息方面展開調查，設置更合理采樣參數以及明確植被參數與光譜參數物理量間相關機制[26-28]，考慮影響因子，進而優化反演模型，得到更加準確的反演結果。從而更加精準的判斷蟲害信息，促進當地生態環境的保護。

4 結 論

基于云南省昆明市石林縣研究區多光譜無人機數據與實地踏勘調查數據，通過深度學習擬合NDVI與樹木的受損害程度，得到NDVI與云南切梢小蠹危害程度的相關關系，從而得到研究區云南切梢小蠹危害程度分布圖。

(1)應用深度學習算法擬合NDVI與云南切梢小蠹危害程度之間關系。結果顯示NDVI與云南切梢小蠹危害程度呈現明顯的線性負相關，線性關系式為：

y=-1.256x+1.1436,R2=0.6769

基于多光譜數據提取植被信息僅使用了部分波段，難以精確監測植被內部信息的變化，應當應用高光譜數據探尋其他相關波段數據精確反演。

(2)對反演結果按枯枝率進行等級劃分并進行精度驗證，發現其總體分類精度71.11%，Kappa系數為 0.6751，精度相對較高，且該研究區內，危害程度較重的樹主要分布于道路以及樹林密度較小區域。主要原因是云南切梢小蠹具有趨食、趨光性，而林分郁閉度較高的樹林空氣流通性差、光線較差，因此誘源流通情況、分布情況較差，導致云南切梢小蠹較少分布于此類區域。