基于SPOT-5影像的马尾松毛虫虫害遥感监测研究

亓兴兰，肖丰庆，刘 健，张李平

（1.福建林业职业技术学院，福建 南平 353000；2.南平市农业局，福建 南平 353000；3.福建农林大学林学院，福建 福州 350002；4.3S技术与资源优化利用福建省高校重点实验室，福建 福州 350002）

马尾松毛虫是马尾松林的主要害虫，危害大，成灾具有爆发性，被称为“不冒烟的森林火灾”[1]。防治马尾松毛虫虫害的关键是对其进行有效地监测，早发现查清虫害发生区域范围和程度，从而制定对症防治策略，降低损失。传统地面随机抽样调查法，费时费力，适时性不强，预报精度也不高，容易错过虫害的最佳防治治理时机，造成很大经济损失，同时也破坏生态环境。遥感作为一种全新的监测技术手段，由于其大范围及实时监测等独特的优越性，生产上逐渐用来监测森林病虫害，国内外也开展了相关研究[2-22]。纵观前人研究成果，遥感监测森林病虫害主要是应用影像的光谱信息，其技术方法是基于图像模式识别技术，表现为图像分类、图像增强、各类植被指数与图像差值法等图像处理方法，而马尾松毛虫虫害的发生发展及爆发成灾受地形、温度、湿度、林分状况等影响较大，同时伴随着中高分辨率遥感影像在林业上应用，其纹理信息的挖掘与应用也提上了日程，如何把这些影响因素与图像识别技术结合起来进行虫害监测，这些影响因素对于虫害监测信息提取的影响程度如何，未见相关研究报道。

基于此，本研究以福建沙县作为研究区，基于SPOT-5多光谱影像与全色影像，构建归一化植被指数（NDVI）、比值植被指数（RVI）等光谱特性指数，提取均值、方差等纹理量，同时结合坡向、坡度、年龄等因子，构建马尾松毛虫虫害遥感监测指标，基于虫情级数，应用岭回归建模方法分析并反演进行虫害监测，探讨纹理特征、坡度、坡向、年龄等对虫害监测精度的影响，部分解决我国森林病虫害的遥感监测技术问题，同时也在一定程度上推动遥感监测森林病虫害的理论认识与信息提取方法，为林业生产实践提供技术支撑与理论借鉴。

1 研究区概况

沙县地处福建省中部偏北（117°32′～118°06′E，26°06′～ 26°41′N），总面积1 815 km2，气候温和，干湿分明，资源丰富，是国家南方重点林区县，是国家级马尾松毛虫虫害长期监测站点之一，马尾松毛虫虫害时有发生，有一定的周期性。

2 材料与方法

2.1 数据来源与影像处理

2.1.1 数据源

沙县SPOT-5遥感影像一期，包括多光谱影像（分辨率10 m）与全色影像（分辨率2.5 m），时间为2004年10月11日。其它数据有研究区1∶1×104地形图、森林资源GIS数据库（包括沙县森林资源小班分布、样地数据等），2004年研究区虫害样地调查资料（调查内容包括样树虫口数、虫情级数等）等。

2.1.2 影像校正与裁剪

影像几何校正采用多项式纠正法，地理参考是沙县1∶1×104地形图，控制点为15个，校正后误差小于0.5个像元，满足精度要求，同时为了消除地形阴影的影响，进行正射校正，获取校正后的遥感影像。基于沙县行政区划shp文件建立AOI，基于ERDAS的Subset工具对影像进行裁剪，进而获取研究所需要的影像。

2.1.3 图像融合

对于图像融合，研究采取操作简单直观、技术成熟，应用广泛的像素级融合[23-24]，方法有PCA融合、高通滤波（HPF）融合、Multiplicative融合、IHS变换融合、Gram-schmidt变换融合、Brovey变换融合与HSV融合等[25]。对于图像融合结果的评价，研究采取主观评价与客观评价相结合的方法进行。主观评价进行目视结果分析比较，客观评价基于图像处理与信息理论，采用均值、熵等评价指标进行定量计算分析。综合目视结果与定量评价两方面分析，经过融合，图像的空间分辨率得到了提高，同时原始图像的光谱特性也在不同程度上得到保持，其中，以HPF融合与IHS变换融合效果最好。综合考虑，研究以HPF融合图像作为遥感数据源。

2.2 马尾松林专题信息提取

本研究的目的是监测马尾松毛虫虫害，故对于影像来说，只需要提取马尾松林分的影像即可。基于获取的研究区森林资源GIS数据库，提取出马尾松林分shp文件，基于此shp文件利用ERDAS的Mask命令工具进行掩膜处理，从而获得研究区马尾松林分遥感影像。

2.3 马尾松毛虫虫害程度等级划分

对于马尾松毛虫虫害，依据原国家林业局《林业有害生物发生及成灾标准》，受害林分受害程度划分依据为虫情级数或虫口密度，其虫害分为3个危害等级，即轻度受害、中度受害、重度受害[26]。基于此，研究依据地面调查资料、研究需要及技术可行性等，计算虫情级数，并据此进行虫害的受害等级划分。具体划分如表1所示。

表1 马尾松毛虫虫害程度等级划分Table1 Degree and classification D.punctatus pest damage

2.4 马尾松毛虫虫害监测信息提取

2.4.1 监测指标构建

马尾松毛虫虫害引起失叶、针叶枯黄等树冠变化，其遥感反映为光谱反射率特别是近红外波段反射率降低，从而引起遥感影像光谱值变化与结构异常[20,25]。基于此，研究利用影像的短波红外波段、红光波段和近红外波段等构造光谱特性指数，建立归一化植被指数NDVI等光谱指标。分析并提取纹理信息，方法采用灰度共生矩阵方法[27]，为避免光谱波段多而引起纹理信息重复，研究基于HPF融合影像的主成分变换后的第一主分量提取方差等纹理特征，其第一主成分贡献率为98.26%，可以代表原始影像。考虑马尾松毛虫虫害的发生及发展，基于获取的外业及内业样地数据资料，选取坡度等作为生态及林木因子指标。各种方法提取建立的遥感监测指标，如表2所示。其中，各光谱指标计算见表3，各纹理指标的计算，见表4。

表2 马尾松毛虫虫害遥感监测指标Table2 Remote sensing monitoring indicators of D.punctatus pest damages

表3 各光谱指标因子的计算公式†Table3 Calculating formulas of spectral index factors

表4 各纹理量的计算公式†Table4 Calculating formulas of optimal monitoring factors

2.4.2 监测指标值获取与监测因子优选

对于样地点的选取，研究基于虫害地面调查及其它相关数据资料，随机抽取170个样地点（样地点分布见图1），其中选取130个样地点进行岭回归分析，建模提取虫害信息，选取40个样地点进行精度分析。对于监测指标值的获取，基于各样地点坐标，在植被指数图上提取各光谱指标值，在纹理特征遥感图获取各纹理特征量，基于沙县森林资源GIS数据库及外业调查资料获取坡度、年龄等生态及林木因子指标值。

研究建立获取的指标，定性与定量因子都有，定量因子无须进行数量化处理，而对于定性因子，研究采用数量化理论I方法对其进行赋值处理。定性因子数量化处理后，对于获取的样地监测指标数据处理如下，基于三倍标准差法[28]判断剔除异常值，筛选样本数据，同时为消除量纲的不统一，基于极差标准化方法[29]进行标准化处理数据。标准化处理的样地监测因子组成观测阵X，计算得方阵XTX并进行主成分分析，计算获得其特征根，基于DPS软件，对于标准化处理的样本数据进行岭回归分析[30]，获取各监测指标岭迹，基于主成分分析与岭迹分析（图2），筛选出海拔、NDVI、均值、年龄9个监测指标作为最优变量监测因子，用于建立马尾松毛虫虫害虫情级数估测方程。

图1 马尾松毛虫虫害外业调查样地分布Fig.1 Distribution of field survey sample plots of pine caterpillar pests

图2 指标变量岭迹分析Fig.2 Ridge trace analysis of index variables

2.4.3 虫情级数估测方程建立及虫害监测信息提取

建立并分析各最优因子岭迹，岭参数K=0.1时，各因子的岭迹趋于稳定，故此时进行岭回归建模，获取虫情级数估测方程，在本研究中，因变量y是虫情级数，x为光谱指标、纹理指标及生态与林木因子，其各对应关系，如表5所示。

建立虫情级数估测方程为：

y=0.025 8+0.629 4x1-0.340 2x2-0.220 8x3-0.192 5x4+0.854 7x5-0.388 5x6-0.482 4x7+1.802 0x8-0.297 2x9。

对于估测方程，依据F检验法进行回归分析，其相关系数R=0.902 7，R2=0.814 9，方差分析F=8.744 5＞F0.01（8，131）=4.596 5，表明在α=0.01可靠性水平下，各自变量与因变量之间显著相关，则说明虫情级数估测方程可信度较好。

表5 各最优监测因子Table5 Optimal monitoring factors

对估测方程进行精度验证，验证公式为：Ei=(1-|(yi-xi)/yi|)×100%，式中，i表示第几个样地点数，xi指估测值，yi指实测值，Ei是经过计算得出的估测精度[20,25]。经过计算分析，获得40个样地的虫害估测精度结果，60＜精度值≤70的样地3个，占总样地比例为7.50%，70＜精度值≤80的样地5个，占总样地比例为12.50%，80＜精度值≤90的样地24个，占总样地比例为60%，精度值＞90的样地8个，占总样地比例为20%。其中，80＜精度值≤90的样地数最多，比例也最高，精度值＞80的总样地数为32个，占总体比例为80%，方程平均估测精度为87.65%，满足研究需要。

进行虫害监测信息提取，基于ERDAS的Model工具建模求取。具体为：首先依据虫情级数估测方程建模，得到虫情级数空间分布图与相关信息，再基于此虫情级数空间分布图，依据本研究虫害程度等级划分标准，建模得到不同受害程度的虫害空间分布图与信息（图3）。

图3 基于遥感监测指标提取虫害分布Fig.3 Distribution map of pest damages based on remote sensing indexes

同时研究基于上述相同的方法，仅利用SPOT-5多光谱影像构建的光谱特性指标（表3），进行马尾松毛虫虫害监测信息提取，得到不同受害程度的虫害空间分布图与信息（图4）。

图4 基于光谱特征提取虫害分布Fig.4 Distribution map of pest damages based on spectrum characteristic

3 结果与分析

基于获取的2004年沙县虫害地面调查资料与森林资源调查样地数据等，随机选择420个样地点，建立分类误差矩阵（表6、表7）进行精度分析，其评价指标有使用者精度、生产者精度、分类总精度及Kappa系数等。

分析表6，基于使用者精度，健康马尾松与重度受害马尾松信息提取精度高，轻度受害马尾松与中度受害马尾松精度低，其中轻度受害马尾松提取精度最低，这是因为，轻度受害马尾松其在树冠表现不是很明显，很容易与健康马尾松混淆，所以导致信息提取精度降低。

分析比较表6与表7，发现在没有考虑图像纹理特征、地形与林木因子等的情况下，各种程度虫害信息提取精度偏低，同时健康马尾松与轻度受害马尾松、中度受害马尾松也多有混淆。而综合考虑影像光谱特征、纹理特征、坡度等地形与林木因子进行虫害监测信息提取，相比于单纯基于光谱特性进行虫害监测信息提取，分类总精度提高了14.28%，其它不同程度虫害分类，其分类精度也都有了很大提高。

表6 基于遥感监测指标马尾松毛虫虫害监测精度Table6 D.punctatus damage monitoring accuracy based on remote sensing indexes

表7 基于光谱特性指标马尾松毛虫虫害监测精度Table7 D.punctatus damage monitoring accuracy based on spectrum characteristic

分析比较各种程度虫害分类误差矩阵及其空间分布，可以发现，单纯依赖光谱特性的虫害信息提取，各种不同程度受害马尾松之间错分混淆现象严重，而引入影像纹理特征，提高了影像细节表达能力，同时综合考虑并引入坡度、年龄等地形及林木因子，可以减少地形阴影等对光谱的干扰，提高虫害信息提取精度。比较分析虫害空间分布图，发现两种虫害信息提取方法都存在着地物破碎化现象，但是综合考虑了影像纹理特征与地形等生态及林木因子的方法，明显好于单纯依赖光谱信息的虫害信息获取。这是因为基于虫情级数建模提取虫害信息，其本质仍是基于单个像元统计而进行的专题信息输出，如此建立模型的误差，便基于单个像元而传导到了图像分类中，导致精度低，地物破碎化，存在着“椒盐现象”。但是综合考虑影像纹理特征与地形等因子的影响，可以有效纠正单个像元统计的弊端，有效改善图面“椒盐现象”，减少地物破碎化现象。

4 结论与讨论

1）基于SPOT-5遥感影像，构造光谱特性指数，提取纹理特征，同时纳入影响昆虫发生、发展及变化的地形与林木因子，构建了马尾松毛虫虫害的遥感监测指标体系，建立虫情级数估测方程并进行反演，获得马尾松毛虫虫害的专题信息。相比于单纯基于光谱特性的虫害监测信息提取，其分类总精度提高了14.28%，各种程度的虫害信息提取精度也有了很大提高。这说明，对于SPOT-5中高分辨率影像来说，由于光谱波段相对少的缘故，融合其纹理特征可以增强影像信息量，提高虫害监测精度。同时地形、林木等因子的综合纳入，大大减少了虫害分布图的细碎斑点与图面 “椒盐现象”，这说明仅仅依赖图像识别进行森林病虫害的遥感监测是远远不够的，病虫害所处区域的地形等生态环境严重影响其发生、发展及变化，遭受病虫害侵袭的植被，其自身的生长状况也会影响它的遥感图像响应，所以为了提高病虫害的监测精度，正确识别病虫害区域，要综合考虑病虫害寄主的自身林分状况及其所处的生态区域环境影响。

2）影响虫害发生发展变化的生态与林分状况因子很多，尤其是温度与湿度等因子的影响很大，研究由于资料收集的限制及技术可行等，对于估测方程的建立没有考虑这些因子，有待于完善改进。

3）随着监测因子的增加，虫害监测信息提取精度提高，但是不同程度受害马尾松林夹杂分布，容易混淆，由此出现混合像元现象，降低信息提取精度，所以如何解决混合像元的问题，提高监测精度，需要进一步研究探讨。