基于時序無人機遙感影像的松材線蟲病擴展趨勢分析

摘 "要：為探索松材線蟲病致死松樹的分布與擴散規律，在已經嚴重發生松材線蟲病的林地，從2021年5月開展逐月連續航拍監測，記錄枯死樹數量、分析分散程度和密度。結果表明：5月只觀察到往年枯死松樹，沒有出現新增枯死松樹；6月開始出現新增枯死松樹，8月增幅最大，到10月枯死松樹增量為往年數量的87.9%，且枯死松樹仍在繼續增加。從表觀上，枯死松樹呈現由高密度區域向低密度區域擴散的趨勢。2021年枯死松樹的內核與往年枯死松樹的內核高度重疊，證明當年松材線蟲病的發生是由往年枯死松樹為侵染源傳播而來。該結果為清理枯死木這一防控措施提供理論依據。

關鍵詞：松材線蟲病；無人機；航空影像；擴展；枯死松樹

中圖分類號：S433 文獻標志碼：A 文章編號：2096-9902（2023）03-000６-0４

Abstract： In order to explore the distribution and diffusion of pine trees killed by pine wilt disease， monthly continuous aerial surveillance was carried out in the woodland where pine wilt disease had occurred seriously in May 2021 to record the number of dead trees and analyze the degree of dispersion and density. The results showed that only dead pine trees in previous years were observed in May， and there were no new dead pine trees; new dead pine trees appeared in June， with the largest increase in August， and the increase of dead pine trees in October was 87.9% of that in previous years， and dead pine trees continued to increase. On the surface， the dead pine tree showed a trend of spreading from high density area to low density area. The core of the dead pine tree in 2021 is highly overlapping with that of the dead pine tree in previous years， which proves that the occurrence of pine wilt disease in that year was transmitted by the dead pine tree as the source of infection. The results provide a theoretical basis for the prevention and control measure of cleaning up dead trees.

Keywords： pine wilt disease; UAV; aerial image; expansion; dead pine tree

松材線蟲病是目前我國最嚴重的林業病害。由于該病害通常發生在偏遠林區，且面積較大，利用無人機遙感技術對其進行調查監測極具優勢。目前無人機遙感已經成為研究松材線蟲病的主流手段之一[1]，研究的熱點為利用機器學習快速準確地識別單株枯死松樹[2-10]。

識別單株枯死松樹的目的，除了為生產實際中的防控工作提供數量依據以外，另一個目標就是開展流行病學調查，目前這方面的研究相對較少。嵇保中等[11]利用地面調查數據研究了松材線蟲病枯死松樹的空間分布型，陸雪雷[12]研究了單一時間尺度枯死松樹在不同方位、坡向、坡位和海拔等立地因子條件下的空間分布規律。本研究團隊在2020年11月至2021年10月開展了松材線蟲病發生初期的林地逐月航空監測，雖然發現了枯死松樹，但枯死松樹在調查區域內為隨機分布或均勻分布，沒有出現由發生初期的侵染源向外擴散的趨勢[13]。本研究的目標區域區別于松材線蟲病發生初期的林地，為松材線蟲病已經嚴重發生且罹病木分布廣泛的林地。研究的目標除了探索枯死松樹的分布規律外，還包括探索往年枯死松樹的分布和當年枯死松樹分布之間的關系，以期為病害的防控措施提供理論依據。

1 " 調查地及調查方法

1.1 " 調查地概況

調查地位于廣東省某松材線蟲病疫區縣，航攝面積約427 hm2，地形為低山丘陵。樣地內除山林外，還有村落，溪流，道路（含高速路）和農田等。林地為針闊混交林，針葉樹為馬尾松（Pinus massoniana），闊葉樹有多個種類。樣地內已經發現大量枯死松樹，且近期沒有砍伐枯死松樹的計劃（圖1）。

1.2 "航空影像獲取設備與處理軟件

無人機：Mavic2Pro，深圳大疆創新科技有限公司。

軟件：Pix4Dmapper 4.4，Pix4d SA公司；ArcGIS Pro 2.6，Esri信息技術有限公司。

圖1 "松材線蟲病航拍調查試驗地

1.3 "數據獲取與處理

從2021年5—11月，每月中下旬對試驗地進行航拍，共拍攝7次。每次拍攝完成后，將原始影像導入Pix4Dmapper軟件進行拼接，生成正射影像圖（DOM），再將正射影像圖導入ArcGIS Pro進行分析。每次拍攝的原始圖片數量為220～225張，拼接以后的正射影像圖分辨率為11.0～11.5 cm/pix。

在每個月的正射影像圖上對枯死松樹進行人工判讀并標記為點要素。往年枯死松樹點的標記和當年枯死松樹點的標記分開進行，生成不同的圖層，以方便比較。全部月份標記完成后，首先用ArcGIS Pro中的“平均最近鄰空間統計”工具對每個月的枯死松樹點要素進行分散程度分析（結果以z值表示）。如果發現點要素的分布存在非隨機性的聚集分布，再用“核密度”工具對點要素進行密度分析。分析過程中，為了便于比較，參數均采用相同的尺度。最后，將不同月份的結果進行綜合比較分析。標記時發現進入深秋后（11月），出現大量變紅闊葉樹，對標記枯死松樹點的工作干擾很大，因此標記至10月為止，對11月的航拍圖不再進行標記。同時分析時發現6月和7月由于點要素數量太少，達不到分析的要求，因此沒有進行分析。

2 "結果與分析

2.1 "枯死松樹數量變化趨勢

在5月的正射影像圖上觀察到的枯死松樹均為灰白色，沒有觀察到新發生的枯死松樹。因此5月標記結果代表往年數據，主要為2020年枯死松樹數量與分布。從6月開始，發現當年（2021年）新增枯死松樹。

5月標記結果為157株枯死松樹。6—10月新發生枯死松樹變化趨勢如圖2所示。

6月和7月增加的枯死松樹僅為個位數，到8月新發生的枯死松樹開始大幅增加，增幅超過7月的10倍，9月和10月增幅趨緩，但增加的數量仍較大。

2.2 "枯死松樹分布規律

各月份枯死松樹的z值分別為：5月，-16.150 281；8月，-8.303 58；9月，-9.378 555；10月，-9.982 274。各月分析報告如圖3所示。

由各月z值和圖3可以看出，5月、8月、9月和10月代表枯死松樹的要素點均為聚集分布，且這種聚集是隨機產生的可能性小于1%。枯死松樹聚集分布的結果有一定規律性。

圖3 "5、8、9、10月枯死松樹點“平均最近鄰空間統計”

工具分析報告

2.3 "枯死松樹密度分析

5、8、9、10月的分析結果如圖4所示。

對8、9、10月的“核密度”分析結果直觀比較，表明隨時間推移，“核”的深色部分面積不斷增加，且“核”在不斷擴大，說明外圍的枯死松樹在不斷增加，即枯死松樹出現從內核向外擴散的趨勢。

5月分析結果的“內核”與8、9、10月的分析結果分別疊加，可以看出5月“核”的圓心與8、9、10月“核”的圓心均基本重疊如圖5所示。這表明往年枯死樹發生較多區域，同樣也是當年枯死樹發生較多的區域。

綜合6月和7月枯死松樹出現的位置，在本試驗地，2021年枯死松樹新發生的趨勢為在往年枯死松樹聚集區域最先出現，隨時間推移數量逐漸增加，形成一個顯著與往年枯死松樹高密度區域重疊的高密度區域，同時外圍區域的枯死松樹也逐漸增加，形成從內向外擴散的趨勢。

3 "結論與討論

3.1 "枯死松樹數量的增加情況

松材線蟲病的寄主枯死癥狀在廣東省出現的高峰一般是8—10月，但具體發生態勢的實驗數據還鮮見報道。根據本研究，枯死松樹在6—7月增量較少，從8月開始陡增，9—10月仍在大幅增加，與地面觀察到的枯死松樹從夏季開始大幅增加這一定性結果一致。到10月為止，2021年枯死松樹增量（當年新發生數量）為2020年數量的87.9%，并且至11月枯死松樹仍在繼續增加，只是由于無法從航空影像上剔除其他紅色樹木影響而沒有再統計而已。可以預測，枯死松樹的增量最終會超過100%。

3.2 "枯死松樹的表觀擴散趨勢

首先必須明確的是，雖然枯死松樹先發生在密度高的區域，再發生于密度低的區域，呈現一種由內向外擴散的趨勢，但新發生的枯死松樹當中，只有一部分是在當年受到侵染，還有一部分枯死松樹在往年已被侵染，但沒有表現癥狀，直到下一年才表現癥狀。這兩者的傳播鏈條不同，但都掩蓋在由內向外擴散的趨勢之下，所以這種趨勢只能稱為表觀趨勢。要精確測定松材線蟲病在一塊林地的傳播鏈條，必須從所有發病松樹上分離松材線蟲，提取DNA，進行全基因組測序后比對。這在目前條件下難度極大，因此筆者是根據表觀結果得出了病害呈現由內向外擴散的結論。

嵇保中等[11]研究了枯死松樹在林間的分布，結果表明枯死松樹的分布型為聚集分布。該研究同時還表明，林分內原有松樹（沒有發生松材線蟲病以前的所有松樹，都是健康松樹，下同）的分布為隨機分布，因此枯死松樹的聚集分布不是由林分內原有松樹的分布所引起的。本研究在枯死松樹分布型上的結論與嵇保中等的結論相同。同時還探索了當年枯死松樹的分布和往年枯死松樹的分布有無關聯。結果表明，使用核密度分析，兩者的內核高度重疊。這從表觀上說明，往年枯死松樹的分布對當年枯死松樹的分布有重大影響，證明了及時全面地清理往年枯死松樹是控制松材線蟲病傳播的關鍵措施之一。

本研究第一次用實驗數據證明了一直在生產實際中使用，但卻從來沒有被實驗證明過的理論：今年的枯死松樹不砍，就是明年的侵染來源。以現有的技術水平，開展“一座山”范圍內（等同于社區傳播）的流行病學調查是難以實現的。因此本研究采用航拍的手段作為替代，率先證明了這一支持清理枯死松樹的核心理論。

參考文獻：

[1] 陶歡，李存軍，程成，等.松材線蟲病變色松樹遙感監測研究進展[J].林業科學研究，2020，33（3）：172-183.

[2] 汪晨，張輝輝，樂繼旺，等.基于深度學習和遙感影像的松材線蟲病疫松樹目標檢測[J].南京師大學報（自然科學版），2021，44（3）：84-89.

[3] YU R， LUO Y Q， ZHOU Q， et al. Early detection of pine wilt disease using deep learning algorithms and UAV-based multispectral imagery[J]. Forest Ecology and Management， 2021，497：119493.

[4] 黃華毅，馬曉航，扈麗麗，等.FastR-CNN深度學習和無人機遙感相結合在松材線蟲病監測中的初步應用研究[J].環境昆蟲學報，2021，43（5）：1295－1303.

[5] YU R， LUO Y Q， ZHOU Q，et al. A machine learning algorithm to detect pine wilt disease using UAV-based hyperspectral imagery and LiDAR data at the tree level[J]. International Journal of Applied Earth Observations and Geoinformation， 2021，101：102363.

[6] 吳思琪.基于深度學習的遙感影像松材線蟲病樹提取[J].計算機科學與應用，2021，11（5）：1419-1426.

[7] 李鳳迪，申衛星，吳杰芳，等.基于YOLOv3-CIoU的松材線蟲病樹檢測方法研究[J].山東農業大學學報（自然科學版），

2021，52（2）：224-233.

[8] 李浩，方偉泉，李浪浪，等.基于深度學習的松材線蟲病害松木識別[J].林業工程學報，2021，6（6）：142-147.

[9] WU B Z， LIANG A J， ZHANG H F， et al. Application of conventional UAV-based high-throughput object detection to the early diagnosis of pine wilt disease by deep learning[J]. Forest Ecology and Management， 2021，486：118986.

[10] QIN J， WANG B， WU Y L， et al. Identifying Pine Wood Nematode Disease Using UAV Images and Deep Learning Algorithms[J]. Remote Sensing，2021，13（2）：162-167.

[11] 嵇保中，劉曙雯，董麗娜，等.松材線蟲萎蔫病病死木的空間分布型[J].南京林業大學學報，2000，24（4）：82-84.

[12] 陸雪雷.松材線蟲病病死樹林間分布規律[D].廣州：華南農業大學，2018.

[13] 高億波，毛亦楊，曾慶圣，等.基于無人機航拍圖的松材線蟲病發生初期擴展趨勢監測[J].山東林業科技，2022，52（1）：

11-16.