基于無人機遙感植被指數的松材線蟲病枯死木自動提取研究

應興亮　黃　菲　余啟源

基于無人機遙感植被指數的松材線蟲病枯死木自動提取研究

應興亮1黃菲1余啟源2

（1.福建林業職業技術學院林學系福建南平353000；2.泉州涌明生物科技有限公司福建泉州362000）

目前輕小型無人機被廣泛應用于松材線蟲病發生情況的監測和枯死木提取工作。本研究采用植被指數加入松材線蟲病枯死木提取工作，計算ExG指數、ExG-ExR指數和GLI指數，以三種植被指數分析其提取枯死木的閾值并統計枯死木提取情況，利用ArcGIS模型工具將工作步驟封裝打包，便于基層林業單位直接使用。結果表明，ExG指數在提取枯死木時精度達90%以上，在三種指數中精度最高，模型工具相對人工目視解譯速度提高30%以上。

無人機遙感；松材線蟲病；植被指數；自動提取

松材線蟲病是松樹的毀滅性病害，松樹感染松材線蟲病最快40 d即枯死，松林則在3年～5年內會逐步毀滅。松材線蟲病傳入我國的30多年間已造成直接經濟損失約120億元，間接經濟損失約360億元。目前，松材線蟲病在全國有逐漸向內陸地區蔓延的趨勢。現階段松材線蟲病的防治尚無較有效的方法，對變色枯死的松木準確監測，同時進行采伐和處理，配合松林改造工作防止其傳播媒介松墨天牛進一步擴散，成為松材線蟲病防治的工作重點。

1 研究背景

現階段，無人機遙感技術被廣泛應用于松材線蟲病的監測，取得了良好的效果，通過各類圖像解譯方法可以快速、準確地提取出松材線蟲病變色松木位置。常用的影像提取方法包括面向對象分類、深度學習等。武紅敢等使用固定翼無人機在松材線蟲病監測窗口期對重慶市沙坪壩區松材線蟲病感病木進行定位，并利用航拍影像輔助外業核查[1]；劉遐齡等使用面向對象分類方法對松材線蟲病影像進行自動分類，計算機自動提取僅使用0.5 h，速度優于人工目視解譯，且精度僅相差約2%，無人機和影像提取技術為感病松樹的定位提供了快速的方法[2]。除此之外，如何提高無人機識別感病松樹的準確率成為近年來新的研究重點，影像識別中加入更多光譜信息可以提高其準確率。張素蘭等采集了70條不同健康程度馬尾松植株的光譜數據，通過分析其光譜特征參數RGP（綠峰反射率）、FRB（紅谷反射率）和RES（紅邊斜率），構建松材線蟲蟲害估測模型[3]；杜華強等分析感病松樹450 nm～780 nm反射光譜曲線的分形維數，從而判斷松樹健康程度[4]；黃寶華對無人機多光譜相機采集的720 nm波段影像計算其一階導數，較好地提取出了感病黑松的數量[5]。

結合目前林業生產工作情況，基層工作人員提取松材線蟲病變色松木位置依靠目視解譯，解譯精度取決于解譯人員的經驗和影像質量等因素。其中，如何簡單、快速地消除落葉樹種對定位感病松樹過程的影響，也是解決遙感技術“異物同譜”問題的難點之一[6]。對此，本文提出利用無人機RGB影像，結合植被指數運算分類松材線蟲病枯死木，對復雜分類過程建立處理流程，通過簡單步驟完成枯死木影像自動分析提取，通過對分類精度、運算速度等因素的綜合分析，尋找快速、準確地定位松材線蟲病感病松樹的方法，為基層松材線蟲病監測和防控提供數據支持。

2 研究區域與實驗方法

2.1 研究區域概況

本研究選取福建省南平市延平區南山鎮葫蘆山林場為研究區，其地理位置在東經118°23′2″、北緯26°31′20″附近。延平區位于福建省中部偏北，閩江上游建溪、沙溪、富屯溪匯合處，為閩江干流的源頭。延平區屬中亞熱帶海洋季風氣候，年均氣溫17.3 ℃，年降水量1 669 mm，地處閩中大谷地最低處，東北部以低山為主，北部以中山為主，南部以中低山為主，西部為低山丘陵。

延平區森林覆蓋率達74.11%，是中國南方三大杉木產區之一，區內除盛產杉、松、竹外，還有近百種名貴珍稀樹木，其中南方紅豆杉、柳杉、建柏、閩楠、銀杏等15種樹種被列為國家級和省級保護樹種。根據《國家林業和草原局公告（2022年第6號）》，2022年延平區成為松材線蟲病疫區，且由于夏季干旱等氣候因素影響，延平區松材線蟲病發生情況嚴重，防控工作壓力較大。

2.2 數據獲取與處理

本研究使用縱橫CW-007垂直起降固定翼無人機搭載6 100萬像素航拍相機采集航拍照片。該款垂直起降固定翼無人機系統續航時間可達2 h，作業面積10 km2以上，可以完成大面積森林資源監測和巡護任務。本次采集作業在2022年6月26日完成，無人機飛行時天氣晴好。無人機飛行采集數據使用地面站軟件規劃航線，飛行高度600 m，航線重疊率75%，旁向重疊率75%。無人機支持免像控航測拍攝，無人機圖像處理采用Pix4D生成點云、DOM（數字正射影像）、DSM（數字地表模型）等，生成正射影像數據面積5.56 km2，影像精度0.07 m。無人機航測影像結果如圖1所示。

圖1　研究區無人機航測影像

2.3 植被指數的提取

植被指數被廣泛應用在遙感影像分類中，松材線蟲病枯死木的提取因其樣本特點明顯，與周圍植被差異較大，用于區別植被與非植被的植被指數可以用于提取枯死木位置。但松材線蟲病枯死木會經歷顏色上從松針變色到整株變白的不同階段，所以植被指數應能覆蓋其所有顏色變化。綜合前人對于植被指數分類提取地物的研究，發現ExG指數[7]、ExG-ExR指數[8]和GLI指數[9]在提取不同類型植被和地物上具有較好的作用，三種植被指數的計算公式如表1所示。

表1　植被指數類型及計算公式

注：表示紅光波段值，表示綠光波段值，表示藍光波段值。

2.3.1 ExG指數

ExG指數根據土壤在RGB波段的反射特點，特別是在強化綠波段特性時，也減弱紅波段和綠波段的影響，以增強植被與土壤間的波段差異，減少陰影土壤帶來的邊界差異，使得植被與土壤更易區分。

2.3.2 ExG-ExR指數

ExG-ExR指數是根據ExG指數改進的顏色指數，Meyer等通過將ExG指數圖像與ExR指數圖像相減，發現基于0閾值的ExG-ExR指數可以很好地將植被與背景分離[8]。

2.3.3 GLI指數

GLI指數又被稱為VDVI指數（visible-band difference vegetation index，可見光波段差異植被指數），是無人機可見光影像處理中用于替代NDVI（normalized difference vegetation index，歸一化植被指數）的方法。NDVI指數計算中需要使用近紅外波段加入運算，傳統衛星遙感中波段匹配適合使用，而常見無人機獲取的是可見光影像，其中只包含紅綠藍波段，其植被指數的運算則需要做出調整。在自然界中，植被對可見光中的綠波段是強反射，對近紅外波段同樣是強反射，而對紅藍波段則產生強吸收，GLI指數利用這一特性，用綠波段反射率替代近紅外波段反射率，同時以紅藍波段組合代替NDVI指數中的紅波段，以2倍綠波段值與NDVI指數中近紅外波段和相當。

2.4 枯死木分類閾值提取

利用植被指數提取枯死木過程中的重要工作是要找到區分健康林木和枯死木的閾值，閾值的準確與否關系到提取枯死木的準確性和冗余信息的量。本研究首先通過目視解譯獲取枯死木分布中心點，再圍繞中心點采集其周圍1 m×1 m范圍內植被指數圖層像元的平均值、最大值、最小值、標準差等參數。通過綜合所有枯死木點的像元平均值，得到初步提取閾值，接下來驗證閾值的準確性，經過提取后得到基于植被指數的枯死木點位，對比目視解譯結果觀察哪些位置出現增加或減少的情況，進而微調閾值，得到枯死木提取最優分類閾值。

2.5 枯死木快速提取工具

以往對枯死木提取通常通過遙感軟件分類后得到相應位置，而林業生產基層多要求步驟少、精度高的提取工具。本研究基于ArcGIS軟件開展全部數據處理工作，降低基層工作者學習成本和應用成本。在ArcGIS軟件中使用模型工具，集合柵格計算器、重分類和柵格轉面等工具后，轉為模型工具包，在后期使用時只需分別輸入無人機影像中的紅、綠、藍波段信息，便可以實現枯死木自動提取功能。枯死木快速提取模型的重要步驟包含計算植被指數、基于閾值提取枯死木點、枯死木提取精度判斷、枯死木位置確定。枯死木提取模型具體步驟和流程如圖2所示。

圖2　枯死木快速提取模型流程圖

2.5.1 計算植被指數

在ArcMap模型構建器模塊中，分別添加影像的紅綠藍波段，導入柵格計算器工具，分別根據上文公式計算ExG指數、GLI指數和ExG-ExR指數。特別注意的是，植被指數運算結果需要保存為浮點型。

2.5.2 基于閾值提取枯死木點

計算得到植被指數后，使用柵格重分類功能，輸入閾值對植被指數計算結果進行重分類，利用掩膜剔除非林地區域，獲得枯死木位置。使用柵格轉面功能將枯死木位置轉換為矢量數據，同時為避免細碎斑塊影響統計，將面積過小的斑塊剔除。

2.5.3 人工判讀三種植被指數的準確率

到此步驟時，已經得到了三種植被指數提取的枯死木位置，為了提高精度，減少人工檢查的時間，這里將三種枯死木提取后的信息做疊加分析，篩選出沒有疊加的位置，人工再進行復核。增加此步驟可以避免人工重復檢查，較為明確地判斷枯死木位置，重點檢查疑似位置。

2.5.4 確定枯死木位置

最后，經過人工檢查即可獲得準確的枯死木矢量位置，同時提取枯死木矢量位置的經緯度坐標信息，用于后期檢查或枯死木采伐工作。

3 試驗結果評價

3.1 植被指數計算及閾值提取

利用ArcGIS軟件的柵格計算器功能完成植被指數的運算。如表2所示，枯死木在影像中表現為較深的顏色，ExG指數枯死木和健康林木分離明顯，且林中的陰影和空地部分與枯死木有明顯分離，不易混淆，道路和大面積裸露巖石與枯死木影像相似，但是面積和形狀有明顯差異；GLI指數枯死木可以明顯分離，但是林中空隙和陰影容易被混入枯死木范圍內，部分巖石也會被混入其中；ExG-ExR指數可以將枯死木與健康林木較為清晰地分離，但在林中存在部分空隙容易與枯死木混淆。

表2　松材線蟲病枯死木植被指數計算結果

在閾值提取中，通過分析枯死木點1 m×1 m范圍內植被指數圖層像元的平均值、最大值、最小值、標準差等參數，得出三種植被指數的分類閾值和分類精度情況，其中精度以目視解譯為標準對比。各植被指數枯死木提取閾值及提取精度情況如表3所示。

表3　植被指數提取枯死木精度情況

分析表3數據可得，ExG指數和ExG-ExR指數在提取松材線蟲病枯死木上都具備較高的準確率；ExG-ExR指數判讀錯誤主要集中在3株～4株連片且較小的枯死木上，易被判讀為1株；GLI指數通過分類得到枯死木796株，分類過程中發現存在65株毛竹錯判為枯死木，導致其分類枯死木數量增加，剔除毛竹錯判枯死木后其準確率為85.87%。

為驗證以上植被指數閾值是否具有通用性，本研究還在另外兩張不同設備獲取的無人機影像圖中進行了實驗，驗證影像1為精靈4RTK無人機拍攝的可見光正射影像數據，驗證影像2拍攝同樣使用本實驗區中應用的縱橫CW-007，但選取的是拍攝時間與地點不相同的另一影像作為驗證數據。驗證數據的枯死木提取情況如表4所示。結果表明，上文提取的閾值對于其他型號無人機拍攝的影像和相同設備不同拍攝場景下的影像開展枯死木提取都有較好的效果，說明該閾值具有通用性，可以在模型中推廣使用。

表4　驗證影像提取枯死木精度情況

通過對比三種植被指數的分類精度，在實驗區影像和驗證影像中精度最高的均是ExG指數，精度都在90%以上，且將影像用于目視解譯中也表現出較好的輔助解譯效果。同時ExG指數還可以區分出枯死木與變色紅色松木，今后可以作為分類的另一個方向。綜上，ExG指數較適合提取松材線蟲病枯死木。

3.2 松材線蟲病枯死木自動提取

在確定了分類閾值后，本文使用ArcGIS軟件將閾值提取工作流程化，使用模型工具進行封裝，導出為軟件工具包，方便基層林業工作者快捷調用，免去中間運算過程。在提取過程中，主要時間使用分布體現在前期數據導入近3 min，中間數據處理過程耗時5 min，得到初步的結果后，枯死木人工篩選本研究的5.56 km2耗時接近10 min，綜合耗時近20 min。人工目視解譯耗時近30 min完成。本方法節約處理時間，同時不降低解譯精度，并且無須安裝其他軟件和耗費較長時間運算，在林業基層工作單位中具有較好的推廣前景。

4 結論與討論

松材線蟲病在全國仍處于不斷蔓延的階段，為控制松材線蟲病在縣市區域的蔓延，科學地對松材線蟲病進行監測和管理是重要的防治手段[10]。其中，多種無人機平臺協同合作將是提高森林病蟲害防治工作管理水平的重要手段。目前，小型無人機已經作為一種重要的林業外業調查工具普及進入林業生產管理單位，其中以森林巡護為主要任務，使用人工目視判斷和分析為主。下一階段的無人機遙感技術發展趨勢應是與遙感解譯技術結合發展，更多計算機自動分析與提取工具提供科學數據，幫助林業管理者實施決策。本研究中的枯死木自動提取模型可以幫助林業工作者減少目視解譯枯死木的工作量，提升枯死木識別效率。未來還可以有更多的分析提取工具，聯合垂直起降固定翼平臺和小型多旋翼平臺協同合作，在枯死木發生監測、林分改造管理、枯死木處置管理等方面改變傳統作業模式，提升防治效果。

未來松材線蟲病防治管理方式和作業手段將發生改變。通過使用垂直起降固定翼無人機，10 d左右便可獲得縣域松材線蟲病發生準確情況，精確度可以統計到枯死木具體發生株數。結合GIS系統，能夠綜合研判區域內地形、樹種分布等因素，對未來重點防治區域做出部署，改變以往松材線蟲病發生后拔除植株的防治模式。在防治過程中，分析枯死木與變色木的數量，對較多當年枯死變色植株的松木林分采用伐出隔離帶，林分周圍定點拔除的方法控制松墨天牛傳播，同時周圍加強藥物防治和誘捕器設置，配合有效的行政管理，明確枯死木處理方法，加強枯死木管理。在往年變白枯死木較多的林分，避免使用定點拔除法防治，因為該地松墨天牛可能已經轉移，可以采用林分改造或間伐改變林分組成。已經采取林分改造或伐除枯死木等防治措施的林分，可以配合輕小型無人機驗收林分改造成果，對比改造前和改造后的無人機影像可以快速、全面地判斷林分改造或伐除作業是否合格。

[1]武紅敢,牟曉偉,楊清鈺,等.無人機遙感技術在重慶市沙坪壩區松材線蟲病監測中的應用[J].林業資源管理,2019(2):109-115.

[2]劉遐齡,程多祥,李濤,等.無人機遙感影像的松材線蟲病危害木自動監測技術初探[J].中國森林病蟲,2018,37(5):16-21.

[3]張素蘭,覃菊,唐曉東,等.松材線蟲危害下馬尾松光譜特征與估測模型研究[J].光譜學與光譜分析,2019,39(3):865-872.

[4]杜華強,葛宏立,范文義,等.分形理論在馬尾松松材線蟲病發病早期高光譜探測中的應用[J].林業科學,2009,45(6):68-76.

[5]黃寶華.無人機搭載多光譜相機監測松材線蟲病的研究[J].廣西林業科學,2020,49(3):380-384.

[6]張智韜,于廣多,吳天奎,等.基于無人機遙感影像的玉米冠層溫度提取及作物水分脅迫監測[J].農業工程學報,2021,37(23):82-89.

[7]時啟龍,黃石明,張明霞,等.基于無人機遙感和深度學習的松材線蟲病疫木自動提取方法研究[J].西部林業科學,2022,51(5):28-33.

[8]尹林江,周忠發,李韶慧,等.基于無人機可見光影像對喀斯特地區植被信息提取與覆蓋度研究[J].草地學報,2020,28(6):1664-1672.

[9]MEYER G E,NETO J C.Verification of color veg-etation indices for automated crop imaging applicati-ons[J].Computers and Electronics in Agriculture,2008,63(2):282-293.

[10]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.

10.3969/j.issn.2095-1205.2023.01.17

S763.18

A

2095-1205(2023)01-57-05

福建省中青年教師教育科研項目（JZ180464）

應興亮（1991— ），男，漢族，福建南平人，碩士研究生，講師，研究方向為林業3S技術。