基于光谱特征的SPOT-5影像马尾松毛虫虫害信息提取1)

亓兴兰 胡宗庆

(福建林业职业技术学院，南平，353000)

刘 健

(三明学院)

余坤勇

(福建农林大学)

雷泽兴

(福建林业职业技术学院)

马尾松毛虫(Dendrolimus punctatus Walker)是马尾松(Pinus massoniana Lamb)的主要害虫，其危害很大，被喻为“不冒烟的森林火灾”，其产生危害主要在幼虫取食针叶的时期。危害初期，松树针叶呈团状卷曲枯黄，逐渐树木有一定的失叶量，危害最严重时，可以将叶食尽，状如火烧，可以暴发成灾。所有这些症状都反映在树冠上的变化，如针叶缺失、失叶、枯黄等，而这些树冠上的变化会引起光谱反射率特别是近红外波段反射率的降低［1］，光谱反射率的降低反映在遥感影像上即光谱值变化与结构异常，因此，利用遥感影像的可见光通道和近红外通道等敏感通道的线性组合和非线性组合来突出受虫害侵袭的森林植被的变化，即构造一定的植被指数等光谱特性指数，通过指数的变化或利用数学建模的方法来进行健康植被与受害植被的区分，从而达到监测松毛虫危害的目的是完全可行的。应用遥感技术手段基于影像光谱特征来进行森林病虫害的监测，国内外研究较多［2-12］，主要是基于多时相数据动态监测森林病虫害，此方法具有理论上的成熟性与一定的技术上的可行性，但却具有如下局限性:一是基于多时相数据来动态检测变化区域，这就需要不同时相的数据具有一定的成像条件，而现实是很难做到的。所以为了消除成像条件对变化监测的影响，在进行比较变化之前，对遥感数据进行预处理，比如进行相互配准、几何校正及辐射校正等，目的是为了消除不同成像条件对影像的影响，但其实这种影响往往难以完全消除，反而在消除的过程中引入了新的误差，这样就容易使成像条件不同所造成的差异湮没了森林因遭受病虫害而引起的各指标的差异，从而影响变化区域的监测精度。二是有些病虫害特别是马尾松毛虫虫害具有暴发性，而卫星影像固有的周期性，使得获取合适的多时相数据具有一定的限制性，由此研究利用单时相数据来监测虫害就提上了日程。本研究以福建沙县为研究区，利用单时相SPOT-5影像基于其光谱特征来监测马尾松毛虫虫害信息，探讨基于单时相影像数据来进行横向空间虫害信息提取的可行性，并验证其精度，为林业生产实际提供一定的借鉴作用，具有良好的社会、经济和生态效益，对区域社会、经济的和谐发展，具有明显的促进作用。

1 研究区概况

沙县位于福建省中部偏北，闽江支流沙溪下游，地处北纬 26°06'～26°41'，东经 117°32'～118°06'。全县总面积1815.09 km2，辖6 个镇、4 个乡、2 个街道和1个省级开发区，总人口24.55万人。沙县气候温和，干湿分明，属亚热带季风气候，年平均气温19.6℃，年降水量1662 mm。沙县土壤肥沃，资源丰富，全县有耕地面积1.3万 hm2，林地面积14.8万hm2，森林覆盖率达75.9%，是国家南方重点林区县。马尾松毛虫是该县的主要森林病虫害，呈周期性发生。

2 材料与方法

数据来源:沙县2004年10月11日SPOT-5多光谱影像(分辨率10 m)，沙县1∶10000地形图、沙县地理信息系统(Viewgis)数据，包含沙县行政区划图、沙县森林分布图、小班分布图、森林资源数据库等，沙县2003年森林资源调查数据库样地资料，沙县近10 a的《马尾松毛虫(越冬代、第1代、第2代)重点调查汇总材料》，沙县2004年马尾松毛虫害地面调查数据，内容包括虫口密度、虫情级数、林分郁闭度、坡度、坡向等。

影像预处理:首先以沙县1∶10000地形图为参考，采用多项式纠正法进行几何校正，误差控制在0.56个像元，校正后图像投影坐标系统是Transverse Mercator，参考椭球体是Krasovsky，地图单位为meters。同时进行正射校正消除地形等阴影影响。然后以沙县shp图层建立AOI，利用ERDAS的Subset功能实现影像的裁剪，获得研究区域的影像。

马尾松林专题信息提取:根据国土资源部所确定的土地分类系统，依据研究需要及研究区土地利用类型及森林植被情况，将土地利用类型分为林地与非林地，林地又分为杉木、马尾松及阔叶树3大类，进而获得研究所需要的马尾松林分图。对于马尾松林专题信息的提取，具体根据分层分类思想，首先根据归一化植被指数设定阈值，把林地与非林地区分开来，然后通过ERDAS的Mask功能进行掩膜处理，获取研究区林地遥感影像图，在林地遥感图上，运用决策树分类方法［13］进行马尾松林分的信息提取，提取精度达到92.89%，满足研究的精度要求。

马尾松毛虫危害程度级别划分:一般情况下松林中都有松毛虫存在，只是虫口密度大小不同，森防专业技术上对此专门作了规定，叫作“马尾松毛虫发生指标”［14］。国家林业局2006年8月31日发布、2006年12月1日实施的《林业有害生物发生及成灾标准》中的林业有害生物发生(危害)程度标准为:依据虫情级数或虫口密度，马尾松毛虫危害分为轻、中、重3个等级。根据上述标准及研究目的需要、获取资料的可行性以及技术的可操作性，通过获取的资料计算马尾松毛虫害的虫情级数，依据虫情级数对马尾松毛虫的虫害程度级别进行划分，具体为:虫情级数＜2为健康，2≤虫情级数＜4为轻度受害，4≤虫情级数＜7为中度受害，虫情级数≥7为重度受害。

马尾松毛虫虫害光谱变化监测指标构建及获取:根据前人研究成果及遥感监测森林病虫害原理，植物遭受病虫害后，其光谱响应发生变化，在近红外波段反射率下降［1］，针对研究区影像，根据地面外业调查数据，随机选择健康与受害马尾松样地，对SPOT-5影像进行光谱特征比较分析，发现其健康马尾松与受害马尾松在2、3、4波段变化比较明显。根据前人的研究成果，参照遥感监测森林病虫害的主要光谱指标，本研究对于监测指标的选取就以XS2红光波段(0.61 ～0.68 μm)，XS3 近红外波段(0.78 ～0.89 μm)，XS4 短波红外波段(1.58 ～1.75 μm)建立归一化植被指数(Ndvi)、比值植被指数(Rvi)、绿度植被指数(Gvi)、土壤调节植被指数(Savi)、红边参数。各指数的计算与获取如下:归一化植被指数Ndvi=(XNIR-XR)/(XNIR+XR);比值植被指数Rvi=XNIR/XR;对于绿度植被指数，采用K-T变换后的绿度分量;土壤调节植被指数Savi=(XNIRXR)/(XNIR+XR+L)(1+L)，L 取值范围(0，1);研究采用倒置高斯模型曲线法提取红边参数，dλ=(RI-1-RI+1)/(λI-1-λI+1)。对于SPOT-5图像来说，提取其红边特征参量所选取波段为 XS2:0.61～0.68 μm;XS3:0.79 ～0.89 μm。上述各式中，XNIR和 XR分别是近红外波段和红光波段反射率光谱值，Ri是波长λi的光谱值，λi是波段 i的波长值。根据上述公式，获取各监测指标图，用以提取各监测指标值。

基于光谱指标提取虫害信息:①样地点设置及各监测指标值获取。根据建立的光谱指标体系，依据沙县森林资源数据库、马尾松毛虫害外业调查资料及松毛虫实际发生情况，随机选择169个虫害样地点，其中132个用来建模，37个用于模型精度验证。根据各样地的横纵坐标，在获取的各指数遥感图上提取各指标值。②各监测因子的优选。首先采用三倍标准差法［15］来剔除异常数据，然后利用极差标准化处理方法［16］进行数据标准化处理，最后通过岭迹分析［17］，确定归一化植被指数、绿度植被指数为最优变量监测因子。③建立虫情级数估测模型。建立归一化植被指数、绿度植被指数2个因子的岭迹图(图略)。分析岭迹图，岭参数K=0.2时，2个监测因子的岭迹趋于基本稳定，则根据此岭迹分析，得到归一化植被指数、绿度植被指数2个自变量因子的待定系数，取K=0.2进行岭回归，得到研究区表征虫害程度的虫情级数的估测模型为:Y=0.0281-0.3554Ndvi-0.1086Gvi。基于F检验法原理 ，对得到的估测模型进行回归分析，得到其相关系数R=0.932339，R2=0.869256，方差分析表明 F=10.8498＞F0.01(1，131)=5.8368，即在 α =0.01 可靠性水平下，所建立的回归估测方程中各监测因子与虫情级数之间的相关性显著，所建立的模型可信度较好。④估测模型精度验证。利用剩余的37个样地对所建立的估测模型进行精度验证，验证估测精度公式:Ei=(1-|(yi-xi)/yi|)×100%。式中，Ei为样地点估测精度，yi为第i个样地点实测值，xi为第i个样地点的估测值，i为用于验证的样地点数。通过对37个样地模型的精度比较分析，得到虫害程度的估测精度结果(表1)。由表1可见，精度达到70%以上的样地数占72%以上，其中精度80% ～90%的比例最高，平均估测精度为81.69%，达到研究精度要求。

表1 沙县马尾松毛虫虫情级数回归模型检验结果

虫害信息提取:基于建立的虫情级数估测模型，利用ERDAS的Model工具建模，获取虫情级数分布信息。然后根据本研究对马尾松毛虫虫害程度的级别划分，利用ERDAS的Model建模工具对获取的虫情级数分布图进行建模，获取各种程度的虫害信息分布。

3 结果与分析

利用外业调查数据、沙县地理信息系统(Viewgis)数据、马尾松分布图、沙县森林资源数据库、林业小班分布图、虫害实际发生分布图及提取的虫害信息分布图等，随机选择获得400个点，获取其分类误差矩阵表(表2)，进行精度评价。分析表2及虫害信息的空间分布，可以看出，基于光谱特征建立监测指标进行马尾松毛虫害信息的提取及分类，单种程度受害分类及总体分类精度不是很高，且各种程度的分类之间，混淆现象比较严重，其原因主要是:①没有考虑地形及林木自身(年龄、起源)等因素对光谱造成的影响，导致出现同物异谱、同谱异物的现象比较严重;②信息提取是以像元为基本单位进行估测模型的建立及分级，所以“椒盐现象”比较严重，导致虫害信息空间分布非常零散，而实际虫害空间分布是成一种小片状分布，所以也导致了分类精度的偏低;③对于马尾松毛虫害信息的提取及分类单纯考虑其光谱信息，而未考虑其纹理的特征及变化，从而也导致了分类精度的偏低。从使用者精度来分析，分析每一种程度的受害马尾松林来说，健康马尾松分类精度最高，轻度受害马尾松分类精度最低，且两者之间混淆最为严重，其原因主要是:①轻度受害的马尾松林光谱虽然发生变化，但虫害初期的植被冠层光谱特征与健康林分的冠层光谱特征区分不是很明显，对于SPOT-5多光谱来说，其变化程度不足以把两者精确地区分开来;②没有考虑地形因子及林木自身因子对光谱响应的影响，分析图发现阴坡方向的健康马尾松林与阳坡方向的轻度受害马尾松光谱就极为接近，很容易混淆。重度受害马尾松分类精度次之，不过其与中度受害林分混淆也比较严重，其原因主要是受地形等因子对光谱造成的影响所致，不过也有部分重度受害林分被错判为健康林分，分析其原因可能是遭受严重危害的马尾松光谱特征体现的是背景—土壤的光谱特征，而健康但稀疏的林分也是呈现背景—土壤的光谱特征，所以导致部分重度林分被误判为健康林分。中度受害林分分类精度居于轻度受害与重度受害之间，其主要是被误判为轻度受害与重度受害，分析其原因主要是地形等因素对光谱响应所造成的干扰所致。

表2 沙县马尾松毛虫虫害分类误差矩阵

4 结论与讨论

利用SPOT-5多光谱影像，基于SPOT-5影像的光谱分析，通过波段组合建立了归一化植被指数(Ndvi)、比值植被指数(Rvi)、绿度植被指数(Gvi)、土壤调节植被指数(Savi)、红边参数等马尾松毛虫害的遥感监测光谱指标，进而建立了马尾松毛虫虫情级数的估测模型，并进行了虫情级数的反演，获取马尾松毛虫虫害信息，其研究结果证明了利用单时相遥感数据进行马尾松毛虫虫害监测的可行性，具有广阔的应用前景。由于只是单纯考虑影像的光谱信息，而未考虑林木自身因子以及地形等生态因子对虫害的影响，所以导致本研究结果精度偏低，其虫害信息提取的分类总精度只有70.75%，这也说明了SPOT-5多光谱影像光谱信息的不足，)同时SPOT-5多光谱数据10 m的分辨率，其纹理信息也比较丰富，如何进行此信息的挖掘，进行光谱信息与纹理信息的融合与综合利用，有利于综合、准确地分析虫害危害情况，有待于进一步研究探讨。高光谱、高空间分辨率也是今后卫星遥感监测病虫害的重要发展方向。

［1］吴继友，倪健.松毛虫危害的光谱特征与虫害早期探测模式［J］.环境遥感，1995，10(4):250-258.

［2］Ekstrand S P.Detection of moderrate damage on noway spruce using landsat TM and digital stand data［J］.IEEE Transactions on Geoscience and Remote Sensing，1990，28(4):685-692.

［3］Fraser R H，Latifovic R.Mapping insect-induced tree defoliation and mortality using coarse spatial resolution satellite imagery［J］.International Journal of Remote Sensing，2005，26(1):193-200.

［4］Gillis M D，Leckie D G，Pick R D.Satellite imagery assists in the assessment of hail damage for salvage harvest［J］.The Forestry Chronicle，1990，66(5):463-468.

［5］Joria P E，Ahearn S C，Connor M.A comparision of the spot and landsat thematic mapper satellite systems for detecting gypsy moth defoliation in Michigan［J］.Photogrammetric Engineering ＆ Remote Sensing，1991，57(12):1605-1612.

［6］Kharuk V I，Ranson K J，Kozuhovskaya A G，et al.NOAA/AVHRR satellite detection of Siberian silkmoth outbreaks in eastern Siberia［J］.INT J Remote Sensing，2004，25(24):5543-5555.

［7］Royle D D，Lathrop R G.Monitoring hemlock forest health in new jersey using landsat TM data and change detection techniques［J］.For Sci，1997，43(3):327-335.

［8］Scargle J D.Bayesian blocks in two or more dimensions:Image segmentation and cluster analysis［J］.AIP Conference Proceedings，2002，617(1):163-173.

［9］Simard M，De Grandi G，Saatchi S，et al.Mapping tropical coastal vegetation using JERS-1 and ERS-1 radar data with a decision tree classifier［J］.Int J Remote Sensing，2002，23(7):1461-1474.

［10］武红敢，乔彦友，黄建文，等.利用陆地卫星TM数据评估森林病虫害［J］.遥感技术与应用，1994(4):46-51.

［11］武红敢，石进.松毛虫灾害的TM影像监测技术［J］.遥感学报，2004(2):172-177.

［12］冯世强，肖艳，郑红旗.应用航天遥感技术大面积监测松毛虫灾情初探［J］.四川林业科技，2004，25(4):46-49.

［13］陈艳华，张万昌.地理信息系统支持下的山区遥感影像决策树分类［J］.国土资源遥感，2006(1):69-74.

［14］国家林业局.森林病虫害防治知识问答［M］.北京:中国林业出版社，1999:2-5.

［15］黄二辉，潘德炉，李淑菁，等.水下剖面光谱原始数据异常值的判断方法［J］.海洋学研究，2006，24(1):91-96.

［16］任若恩，王惠文.多元统计数据分析:理论、方法、实例［M］.北京:国防工业出版社，1997:92-111.

［17］栗丽，赵伟，王志福.在解决多重共线性问题上岭回归法比LS法的优越性［J］.渤海大学学报:自然科学版，2006，27(2):62-68.

［18］陈希孺，王松桂.近代回归分析:原理方法及应用［M］.合肥:安徽教育出版社，1987:242-260.