高分二號衛星影像在變色松樹遙感監測中的應用

中圖分類號：S763.18 文獻標志碼：A 文章編號：2096-9902（2025）12-0006-05

Abstract：Pinewiltdisease，causedbypinewoodnematode（Bursaphelenchusxylophilus），isadevastating forestdiseasethat posesseverethreatstoforestecosystemsThisstudyaimstoapplyGF-2sateliteimageryformonitoringdiscoloredpinetrees andevaluateitsefectivenessbyestablishingadeplearning-basedmonitoringsystemtoenhancetimelinessandacuracy. IntegratingGF-2sateliteremotesensingdatawithUAVaerialimagery，monitoringexperimentswereconductedinGuangning County，Guangdong Province.Imageprocessngtechniques，including Gram-Schmidt（GS）fusionandthe GreenNormalized DiferenceVegetation Index（GNDVI），significantlyimprovedthecontrastbetweendiscoloredpinetreesandtheirbackground. Using adeep learning algorithm for discolored pine tree extraction，the method achieved a precision of 94.65% ，recall of 83.30% andF1-score of 88.61% .The results demonstrate that the GF-2-based identification method ofers high accuracy and can provide reliable data support for precise monitoring of pine wilt disease.

Keywords：pine wilt disease;remote sensing;GF-2;image fusion;evaluation

松材線蟲病是我國森林生態系統面臨的重大生物威脅之一，對森林資源造成了嚴重損害。該病害由松材線蟲引發，傳播迅速、致死率高，感染樹木從發病到枯死最快僅需40d，屬于重點檢疫對象，是森林生態系統中最具威脅性的病害之一↓。在國內已導致數億株松樹死亡，造成的直接經濟損失及生態服務價值損失累計數千億元，防控形勢愈加嚴峻，其識別與精準定位，已成為防治該病的重要課題。感染松材線蟲病后，松樹癥狀明顯，針葉呈紅黃或紅褐色（簡稱“變色松樹”），反射率和光譜特性發生顯著變化，這為變色松樹的高精度監測創造了條件。

目前，松材線蟲病疫木的檢測主要依賴人工巡查、衛星遙感和無人機遙感相結合的天地一體化監測體系。人工巡查效率低且主觀性強，衛星遙感雖然覆蓋范圍廣，但難以精確定位單株疫木；無人機技術能夠實現單株定位，但受限于航拍范圍，難以實現大范圍的監測。因此，融合多源數據的協同監測模式已成為主流[6-8]，通過衛星遙感篩選疑似區域，再利用無人機針對性地采集影像，結合深度學習算法進行疫木識別與定位，最終指導地面精準治理。

近年來，光學遙感衛星的分辨率已達亞米級，高分辨率衛星影像為單株變色松樹監測提供了可靠的數據支持。本研究使用的國產高分二號衛星（GF-2）是中國高分辨率對地觀測系統的重要組成部分，于2014年8月發射，是中國首顆空間分辨率優于 1m 的民用光學遙感衛星。其高分辨率影像數據廣泛應用于資源調查、環境監測、城市規劃和災害評估等領域，為國家經濟和社會發展提供了強有力的數據支持。高分二號的全色分辨率為 0.8m ，多光譜分辨率為 3.2m^[10] ，能夠清晰識別地面目標，如建筑物、道路和植被。其寬幅成像能力（幅寬 45km 使得一次過境能夠覆蓋更廣的區域，顯著提高了數據采集效率，高重訪率和快速成像能力，使其在災害監測中具有重要應用價值。

深度學習目標檢測算法主要分為兩階段（如FasterR-CNN）和一階段（如YOLO系列）[框架，兩階段框架依賴于區域建議機制，精度較高，但計算復雜；一階段模型通過回歸直接預測目標位置，提升檢測速度。然而，復雜的野外環境和無人機高空作業導致影像分辨率較低，且疫木自標尺寸較小，這對變色松樹的監測提出了挑戰。

研究結合衛星遙感影像數據和無人機遙感影像，在廣東省廣寧縣開展監測試驗，結合影像融合、指數計算和信息提取等方法，成功實現變色松樹的識別與提取，并對提取結果進行了評估分析。

1 材料與方法

1.1 試驗地概況

試驗地位于廣東省廣寧縣，地理坐標為東經112.4^° ，北緯 23.5^° ，屬于松材線蟲病疫區，且疫情較為嚴重。研究區屬亞熱帶季風氣候，適宜松樹生長，也為松材線蟲病的傳播提供了有利環境。研究區松林分布集中，具有一定的典型性與代表性，是開展松材線蟲病遙感監測的理想場所。

1.2衛星影像數據

本研究使用的高分二號（GF-2）衛星影像數據獲取時間為2023年8月4日，處理級別為1A，已進行輻射定標和正射校正等預處理操作，并附帶RPC文件。主要技術參數見表1。

1.3 航拍數據

無人機航拍數據具有較高的空間分辨率，能夠提供更為詳細的地表信息，適用于小范圍的精細監測。本研究將航拍數據作為地面的真實值，提供高精度的地面參考信息，用于驗證衛星影像識別結果，

數據獲取時間為2024年1月8日，無人機型號為大疆Mavic3，飛行高度設定為 420m ，旁向重疊率為 70% ，航向重疊率為 80% 。同時結合地面數據，驗證衛星影像的識別結果。使用Pix4Dmapper軟件進行拼接，生成空間分辨率為 10cm 的正射影像，總覆蓋面積 。拼接影像與衛星影像對比如圖1所示。

1.4 預處理方法

影像預處理工作主要包括輻射校正、幾何校正和影像融合等。研究使用的數據處理級別為1A，已進行均一化輻射校正和正射校正等預處理操作，還需進行影像融合等預處理操作。

影像融合是遙感數據處理中的關鍵環節[12]，將多源遙感數據（如全色影像和多光譜影像）結合，生成兼具高空間分辨率和高光譜分辨率的影像，為后續的信息提取和分析提供支持。影像融合技術在遙感領域應用廣泛，能夠顯著提高影像的可用性和信息提取能力，不同的影像融合方法各有優缺點，適用于不同的應用場景。在實際應用中，需根據具體情況選擇合適的融合方法，以達到最佳的融合效果，研究使用GS融合、PCA和HIS融合等3種主流方法。

GS（Gram-Schmidt）融合是一種基于全色銳化的影像融合方法，旨在利用全色影像的空間細節信息增強多光譜影像的空間分辨率。融合過程首先對多光譜影像進行Gram-Schmidt正交化，生成模擬全色影像，然后高分辨率的全色影像替換模擬全色影像；最后通過逆變換生成融合影像。GS融合方法計算復雜度較高，但能顯著提高影像的空間分辨率，同時保留多光譜影像的光譜信息。

主成分分析（Principal ComponentAnalysis，PCA）作為統計學中的經典維度約簡方法，在模式識別與大數據處理領域具有重要應用價值。該算法通過構建正交坐標系的數學方法，將多維數據集投影至低維特征空間，核心機制在于尋找數據變異最大的方向作為新坐標軸。具體而言，該技術通過特征值分解將原始變量轉化為互不關聯的綜合指標，這些指標按照解釋數據變異性能力降序排列，在保證信息損失最小的前提下實現數據結構的簡化與噪聲過濾。

HIS（Hue，Intensity，Saturation）融合是一種基于顏色空間的影像融合方法，更注重亮度分量（Intensi-ty）的替換。融合過程先通過顏色空間轉換，將多光譜影像從RGB顏色空間轉換到HIS顏色空間；然后進行亮度分量替換，用高分辨率的全色影像替換HIS空間中的亮度分量（Intensity）;最后通過顏色空間逆轉換，將影像轉換回RGB顏色空間，生成融合影像。

1.5 指數計算

指數計算與信息增強是高分辨率衛星遙感影像處理中的重要步驟，有效地處理能顯著提升影像的可解釋性和信息提取能力。通過對影像進行拉伸、構造植被指數（如NDVI、NGRDI等）及采用不同的波段組合和增強方式等，可以擴增影像的波段維數，優化影像的顯示效果[13-14]，更好地呈現植被信息。本研究嘗試不同的波段組合、增強方式，確定最佳的影像顯示狀態。

1.5.1 植被指數計算

植被指數是通過遙感影像的特定波段計算得到的，能夠反映植被的生長狀況和覆蓋程度等。本研究計算歸一化植被指數（NDVI）、歸一化綠紅差異指數（NGRDI和綠波段歸一化植被指數（GNDVI等植被指數進行分析。

歸一化植被指數（NDVI）是遙感領域最常用的植被指數之一，廣泛應用于植被覆蓋監測、作物長勢評估、干旱監測等領域；歸一化綠紅差異指數（NGRDI）主要用于植被健康監測和作物生長狀態評估，反映植被的生長狀況和覆蓋程度；綠波段歸一化植被指數（GNDVI）是一種基于綠光波段的植被指數，用于評估植物的光合作用效率和健康狀況。與傳統的NDVI相比，GNDVI對植物葉綠素含量變化更為敏感，GNDVI與植物冠層中的水分和氮素含量密切相關，通過GNDVI的變化可以間接推斷植物水分脅迫和氮素吸收情況。計算公式如下

NDVI=（NIR-Red）/（NIR+Red），

NGRDI=（Green-Red）/（Green+Red），

GNDVI=（NIR-Green）/（NIR+Green），

式中：NIR為近紅外波段； Red 為紅光波段； Green 為綠光波段。

在實際應用中，GNDVI和NGRDI可以結合使用，以全面評估植被的光合作用效率、水分和氮素吸收情況，以及早期脅迫響應。例如，在松材線蟲病監測中，GNDVI可以用于檢測感染松樹的早期生理變化，而NGRDI則可用于識別變色松樹的光譜特征，從而提高病害監測的精度和時效性。

1.5.2 信息增強

通過不同的波段組合和增強方式，可以優化遙感影像的顯示效果，突出特定的地物信息。本研究采用真彩色（自然色）合成與假彩色合成2種方式。

真彩色使用紅光、綠光和藍光波段進行合成，生成接近人眼視覺的影像，適用于地表覆蓋分類和城市規劃；假彩色合成使用近紅外、紅光和綠光波段進行合成，生成假彩色影像，適用于植被監測和災害評估。

1.6 提取方法

變色松樹在遙感影像中目標相對較小、目標內部特征較淺，深度學習中的目標檢測技術能夠更好地捕捉這些細微的變化，采用YOLOv5算法進行目標識別。

首先進行初始訓練，利用樣本集內的變色松樹樣本，使用基礎模型開展初始訓練；完成初始訓練后將進行模型迭代，通過選取驗證樣本集進行模型預測，分析預測精度，總結典型漏提取和誤提取情況；最后進行有針對性的樣本補充、模型參數和權重調整，開展多輪次迭代優化，直至模型性能達到最優。

1.7 評價方法

混淆矩陣是分類任務中常用的評價工具，用于量化模型的預測結果與真實標簽之間的關系。本研究屬于二分類任務，混淆矩陣的形式見表2，其中正類為變色松樹，負類即非變色松樹（背景）。

基于混淆矩陣，可計算召回率、精確率和F1分數等精度評價指標，為分類模型的性能評估提供了量化依據。召回率表示模型正確預測為正類的樣本占實際正類樣本的比例，反映了模型對正類樣本的識別能力，適用于關注漏檢率的場景；精確率表示模型預測為正類的樣本中實際為正類的比例，反映了模型預測結果的可靠性，適用于關注誤檢率的場景;F1分數兼顧了分類模型的精確率和召回率，可以看作是二者的調和平均值。計算公式如下

Recall=TP/（TP+TN）.

Precision： =TP/（TP+FP） ，

F1=2×（Precision×Recall）/（Precision+Recall）， 式中：Recall為召回率;Precision為精確率； F1 為F1分 數； TP 為預測為變色松樹且實際為變色松樹的樣本數量； TN為預測為變色松樹且實際不為變色松樹的樣本數量； FP 為預測不為變色松樹且實際為變色松樹的樣本數量。

2 結果與分析

2.1 預處理結果

3種融合方法都提高了原始多光譜影像的分辨率，將融合影像的熵、標準差與清晰度進行對比，最后確定GS融合的影像效果最佳，變色松樹的目視判讀效果好。

最佳的融合方法可以清楚分辨各地類間的差異，但變色松樹與背景的差異化還可進一步提升，因此在影像融合的基礎上進一步計算植被指數，表3統計了植被指數的變異系數和相對極差等信息，其中GNDVI的變異系數與相對極差最高，說明該指數對植被的差異反應較為敏感，對變色松樹的識別較為有利。

2.2 提取結果

核驗區域共提取變色松樹467株，其中誤識別12株，漏識別78株，混淆矩陣見表4。根據混淆矩陣，計算得到精確率為 94.65% ，召回率為 83.30% ，F1分數為 88.61% 。圖3展示了變色松樹的提取效果。

3 討論與結論

通過航拍數據對衛星識別結果進行驗證，航拍數據能提供更為詳細的地表信息，尤其是在復雜地形和植被覆蓋區域，能有效補充衛星影像的不足。研究中也發現了一些局限性：一是部分裸露地表、枯死植被或其他原因導致的變色松樹容易被誤識別為松材線蟲病引起的變色松樹；二是松材線蟲病早期感染階段的松樹光譜特征變化不明顯，導致早期識別的精度較低。

本研究通過結合高分二號衛星影像和無人機航拍數據，通過GS融合和植被指數GNDVI，顯著提高變色松樹與背景的差異，使用深度學習中的目標檢測算法，成功實現了異常變色松樹的提取。高分二號衛星影像數據在松材線蟲病監測中表現出較好的應用潛力，其覆蓋范圍廣、重訪周期短的優勢能夠滿足大范圍監測的需求。同時，無人機航拍數據提供了高分辨率的精細信息，有效補充了衛星影像在單木級監測中的不足，二者結合的監測方式能有效提高變色松樹的識別精度。

參考文獻：

[1]祿鑫，馮陸春，吳學卷，等.我國松材線蟲病發生趨勢及監測研究進展[J].貴州林業科技，2023，51（2）：105-110.

[2]郝昕.松材線蟲多效耐藥基因克隆及功能研究[D].哈爾濱：東北林業大學，2019.

[3]劉博文，寧連棣.基于遙感影像的松材線蟲病變色木遠程監測技術研究[J].中國林副特產，2024（5）：36-38.

[4]JIAYY，LIX，WUZW，et al.Characteristics ofpinewoodnematodedisease inNankangDistrict，Ganzhou，Jiangxi Province，China[J]. Ying yong sheng tai xue bao Σ=Σ The journal of applied ecology，2024，35（2）：507-515.

[5]KUANGJ，YUL，ZHOUQ，etal.IdentificationofPineWiltDisease-InfestedStandsBased on Single- andMulti-TemporalMedium-Resolution Satellite Data[J].Forests.2024，15（4）：596.

[6]蔡佩華.多源遙感影像松樹林區域提取與松材線蟲病變色木識別[D].荊州：長江大學，2023：596.

[7]湯西靈，羅艷玲，朱云倩，等.松材線蟲病監測技術研究進展[J]

[8]王瑤瑤，王澤源.遙感衛星和無人機的多光譜圖像相結合在松材線蟲病監測中的應用[J].花木盆景，2023（10）：106-107.

[9]WANGJH，ZHAOJH，SUNH，etal.Satellite remotesensing identification of discolored standing trees for pinewilt disease based on semi-supervised deep learning[J]. Re-mote Sensing，2022，14（23）：5936.

[10]嚴薇，孫學嬌，陳衛榮，等.高分二號衛星數據服務與應用[J]衛星應用，2025（1）：36-41.

[11]REDMONJ，DIVVALA S，GIRSHICK R，et al.You OnlyLook Once：Unified，Real-Time Object Detection[C]//Com-puterVision amp;Pattern Recognition.IEEE，2016.

[12]秦琳，孟先進，張水花，等.北京三號衛星數據在松材線蟲病遙感監測中的應用評價[J].林業資源管理，2022（4）：126-133.

[13]焦全軍，鄭焰鋒，黃文江，等.陸地生態系統碳監測衛星松材線蟲病變色木識別指數研究[J].林業資源管理，2023（4）：123-131.

[14]鄒玉珍，曾慶偉，武紅敢，等.變色立木衛星影像樣本特征分析及應用[J].中國森林病蟲，2023，42（3）：1-8.