基于无人机多光谱影像的云南切梢小蠹危害监测反演研究

马云强，李宇宸,刘梦盈，石 雷*，张 军*，张忠和

(1.西南林业大学生物多样性保护学院/云南省森林灾害预警与控制重点实验室，云南 昆明 650224；2. 中国林业科学研究院资源昆虫研究所，云南 昆明 650224；3.云南大学资源环境与地球科学学院，云南 昆明 650504)

【研究意义】遥感因其远距离和无接触的监测方式，近年来在地表信息监测已经显示出了它独特的优势。但由于卫星遥感受大气状况影响较大、重访周期长、空间分辨率低导致混合像元存在等问题，难以实现实时、高精度的信息监测，这些因素在一定程度上制约了其在实际作物胁迫精准监测中的应用[1]。而无人机遥感因具有高频、迅捷、低成本、高空间分辨率、受大气影响小、操作简便等特点，为大范围、高精度观测提供了很好的契机。近年来，随着无人机平台技术的不断成熟，无人机遥感系统逐渐成为空、天、地一体化提供实时、动态监测平台[2]。【前人研究进展】在林业领域，随着社会对生态环境保护的日益关注，森林资源的开发利用方式由传统的经济利用向可持续发展方向转型，森林资源监测因此也备受重视[3]。吴项乾等应用无人机激光雷达估测银杏人工林有效叶面积指数，研究结果表明利用Cover分组后建模精度优于不分组建模的精度[4]。Roope Näsi等应用多光谱无人机对芬兰拉赫蒂的欧洲云杉树皮甲虫侵染挪威云杉的危害程度的自动识别进行了经验评估，研究结果表明基于单株树分析和校正后的遥感影像对评估城市森林的健康状况具有巨大的潜力[5]。Smigaj, Magdalena应用无人机监测苏格兰松林由于病虫害引起的冠层温度上升情况，结果表明在冠层水平，通过无人机红外相机记录的树冠温度，发现红带针叶林树冠温度与病虫害侵染有关，带有红外相机的无人机可以用于监测病虫害侵染引发的亚度温差[6]。此外，机器学习理论与应用的高速发展，有效地助力其在林业病虫害遥感领域的应用研究。张文一应用多种机器学习模型对马尾松毛虫和落叶松毛虫历年发生面积做出回归预测，结果表明机器学习可以应用于实际生产并有效预测虫害发生面积，尤其是支持向量机模型是种很好的预测手段[7]。因此，无人机与机器学习在病虫害监测方面具有广阔的应用前景。云南石林地区由于受云南切梢小蠹影响危害较重[8]，迫切需要展开对森林病虫害的有效监测。云南切梢小蠹属于钻蛀型害虫，由松林针叶枝梢中上部或底部蛀入髓心，会破坏树干向针叶的水分运输通道。随着病情加重，松林针叶会因缺水分而枯死[9]。对松林生化和生物物理参数，如叶绿素含量、绿叶面积指数等产生影响。导致冠层反射率的变化，从而能够使用遥感数据以监测森林虫害[10-11]。大多数利用光谱反射率指数的方法可以有效地反映林区叶绿素变化情况，进而反映受病虫害影响情况，luo等人研究了感染小麦蚜虫的小麦叶片的光谱响应情况，结果表明，700～750、 750～930、950～1030和1040～1130 nm等几个波段处的叶片的光谱反射对小麦蚜虫的响应率显著[12]。而Shi等通过相关性分析筛选了感染小麦条锈病、白粉病和蚜虫的冠层高光谱数据敏感波段，据此建立了多种特征指数，并构建分类器监测识别[13]。邓槿等学者通过反演NDVI、亮度和温度建立相应特征空间，得到反映土壤含水量的温度植被干旱指数(TVDI)，得出结果显示，TVDI与云南切梢小蠹危害程度呈线性负相关[14]。【本研究切入点】基于无人机遥感多光谱数据，利用其高分辨率的优势，结合野外实地调查采样数据，通过数学和统计方法以及深度学习相关算法分析云南切梢小蠹危害程度与相关指数的相关性。从而获得其相关关系数学表达式，反演整个研究区云南切梢小蠹危害信息。【拟解决的关键问题】检测出云南切梢小蠹害灾变信息，为研究区内动态监测、预测森林虫害提供依据。并为当地相关决策部门防控云南切梢小蠹提供数据支撑，对云南生态环境保护、林业资源管理有着十分重要的意义。

1 材料与方法

1.1 研究区概况

石林彝族自治县(简称石林县)坐落于云南省昆明市东南部，距离昆明市主城区78 km，东经103°10′～103°41′，北纬24°30′～25°03′，下辖1街道4乡(镇)，常住人口24.7万人，少数民族34%。地貌属于典型卡斯特，地层以碳酸岩类为主，类型发育齐全，规模宏大，在海拔1459～2594 m分布，丘陵之间分布着石林和石芽，地貌富有特色，面积1719 km2。石林县以西逐渐向滇中红层过渡，以东、以南过盘江进入滇东南峰丛洼地喀斯特区。境内低山、盆地、洼地、石丘、石牙及峰丛等地貌类型齐全，地势东高西低，由东北向西南倾斜。属亚热带低纬高原山地季风气候，四季如春、雨量充沛，干、湿分明，年平均降雨量939.5 mm。地带性植被为半湿润常绿阔叶林[15](图1)。

1.2 数据来源与处理

1.2.1 无人机数据 机载多光谱数据采用精灵4多光谱RTK版无人机(P4 Multispectral)采集，精灵4多光谱RTK版搭载了一体式的多光谱成像系统，集成1个可见光传感器及5个多光谱传感器(分别是蓝光Blue、绿光Green、红光Red、红边Red Edge和近红外NIR)，每个传感器均拥有200万像素解析度并配备全局快门，整套的成像系统搭载于三轴云台上，可输出高质量的多光谱数据。该无人机记录数据采用TimeSync时间同步系统，通过将飞控、相机与RTK的时钟系统进行微秒级同步，实现相机成像时刻的毫秒级误差。系统还对每个相机镜头中心点位置与天线中心点位置，结合设备姿态信息，进行实时补偿，使影像获得更加精确的位置信息。

1.2.2 样本数据 样本质量直接关系到样地信息提取的精度，应选择具有典型性、代表性的纯净像元作为样本[16]。为了解研究区受云南切梢小蠹影响下的真实林地信息，需实地现场样地踏勘。2019年11月18日，对研究区进行了详细的调研，把研究区分为4个区域，采用高精度GPS对不同枯萎程度林木位置进行定位，分别统计区域内的林木其全梢数、枯梢数、树高，并根据《林业有害生物成灾标准》中云南松受切梢小蠹危害的评级标准对林木枯萎程度分等定级、记录和拍照(表1)。最后，将以上野外踏勘数据构成样本数据和验证数据分别用于信息反演模型的构建及精度验证。

1.3 研究方法

受切梢小蠹影响，植被光谱特征会产生变化，且随着虫害危害程度加重，光谱特征变化更为明显。因此，从受云南切梢小蠹不同程度危害坏死的树冠层光谱入手，通过波段组合运算，结合深度学习算法进行模型反演、分类以及精度验证，设计技术路线如图2所示。

1.3.1 光谱指数构建 植物对电磁辐射的吸收和反射特性会随着波长与自身特征的变化而变化, 植物在病虫害感染等条件下会在不同波段上表现出不同程度的吸收和反射特性的改变, 即病虫害的光谱响应[17]。对比各危害程度光谱反射率(图3)，发现在NIR、Red Edge波段表现出危害程度越小、反射率越高，在Red波段则相反。因此可以用以上波段进行波段组合以量化云南切梢小蠹危害程度(表2)。

表1 野外样本数据

2 结果与分析

2.1 反演模型结果

深度学习是机器学习研究中的新分支，其动机在于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，目前已广泛应用于多种领域[18]。由于Tensor Flow模型是谷歌提供的深度学习官方开发框架，能够支持主流的(Convolutional Nerual Network, CNN)、(Deep Neural Networks, DNN)、(Recurrent neural network, RNN)等深度神经网络模型，因此选择Tensor Flow作为模型拟合框架。

进行云南切梢小蠹的危害程度的反演流程为：首先确定模型输入参数，进行预处理，将采样点数据与遥感影像数据依据地理坐标相互对应；考虑到本研究属于典型的小样本线性拟合模型，为保证拟合效果，对数据集以1∶2的比例选择测试集与训练集，训练模型并采用交叉验证的方式防止过拟合[19]。之后通过模型迭代，反复训练模型并调整参数，确定最优反演模型。

在拟合NDVI和云南切梢小蠹危害程度的相关性方程迭代过程中，精度验证方法选择反向传播算法，计算损失函数MSE的导数来优化每层的权重和偏置。损失函数为：

表2 光谱波段组合

针对研究区，通过反演结果图、回归方程对云南松枯稍率反演精度进行分析对比。

分析GNRE模型训练过程图(图4-A)发现，模型训练过程在迭代600次之后发生收敛，证明模型训练结果较好，且验证模型过程在600次时收敛于0.1，表明模型训练过程没有产生过拟合现象。2019年野外实测云南松样本点枯稍率(图4-B)与无人机影像GNRE间的关系如GNRE拟合图所示，GNRE与云南松枯稍率呈现线性负相关，其相关系数R2为0.45331，受云南切梢小蠹影响，枯枝率较高的树木GNRE值较低。分析NDVI模型训练图(图4-C)发现，模型训练过程MSE梯度下降很快，在训练10次后训练模型和验证模型收敛于0.04，表明模型拟合很快，且精度较高。分析NDVI拟合图(图4-D)发现，无人机影像NDVI与样本点枯稍率呈现负相关关系，相关指数R2为0.6769，相关系较强。通过对比以上实验结果得出，尽管2种模型都呈现出明显的负相关关系，但反演相关性存在很大差异，并且从NDVI拟合的Loss-MSE图可以看出，NDVI拟合所得模型具有较强的鲁棒性、稳定性。因此可将NDVI指数作为特征参数与森林枯稍率应用于影像拟合，同时也为其他病虫害反演模型提供参考。

2.2 NDVI与虫害等级关系

应用无人机多光谱影像提取的NDVI指数与云南切梢小蠹危害程度呈现负相关关系。分析其原因感染云南切梢小蠹的树木筛管和导管等疏导组织水分和养分的运输被影响，造成蛀孔上方的叶片得不到水分及营养物质供应，影响叶绿素合成，使得叶片减少了对红光波段的吸收与近红外波段的反射，从而导致受切梢小蠹侵染越严重而NDVI值越小[20]。

2.3 虫害等级分布

总体上切梢小蠹危害程度较轻(图5，表3)。危害程度中、重度的区域分布于道路及空旷地周围，且重度、中度、轻度危害与健康林地的分布呈现由外到内有层次的分布，各类别面积分别为3938.16、28820.3325、246972.785、55255.0175 m2，其占比分别为1.18%、8.60%、73.73%、16.47%。说明在研究区范围内受虫害影响面积占比达到83.51%，但总体情况较好，中度危害以上面积占比为9.78%。结合云南切梢小蠹具有趋光性[21]、趋食性的生存习性[22]，由于林地深处林分郁闭度较高、空气流通能力差，而空旷地通气性良好且光线充足，对蠹虫的吸引能力较强，因此在空旷地周围的林地受害程度更大[7]，且呈现区域性连续分布，而受侵害程度低的林地则呈现区域性均匀分布。

进一步分析受危害云南松，发现当受侵染的部分位于树冠下层时，其冠层反射与健康或轻度危害林地受侵染冠层反射相似，因为上层健康的冠层在垂直方向上阻碍了受切梢小蠹侵染的部分。因此，该类云南松受危害程度将被低估。

拟合模型在反演整个研究区云南切梢小蠹危害程度时，为验证本文使用的模型在其他区域的适用性及可移植情况，将本文的反演结果结合采样值运用混淆矩阵法进行精度验证[23-24]。其总体分类精度为 71.11%，Kappa系数为 0.6751，精度验证结果表明无人机遥感病虫害能够提高遥感监测精度。分析其误差产生原因，植被指数NDVI代表研究区无人机影像树冠信息，而枯稍率代表采样树整体信息，因此，拟合过程仍然存在误差。但应用无人机影像结合地面调查、验证的方式开展森林病虫害潜在危险性预报和林业资源调查及损失评估的方式具有十分广阔的前景。

3 讨 论

多数学者在病虫害研究方面是运用热红外成像技术仅于针叶尺度上监测云南切梢小蠹的虫害信息，未能于更大尺度上监测虫害相关信息[9]。在传统遥感研究中存在混合像元导致难以单株树木分析的问题，近年来随着无人机遥感技术的逐步发展，使得运用无人机多光谱影像监测区域性虫害信息的空间分布格局成为一种可能。能够在更大的尺度上监测、预警虫害的分布以及扩散，对林业病虫害空间分布的相关监测方面有借鉴意义。

表3 云南切梢小蠹危害面积分布占比

从云南切梢小蠹虫害林地的光谱和实地调查的枯枝率间的相关关系展开研究，由于虫害信息的光谱反馈时间上存在一定的滞后性[25]、难以将其准确量化为与树冠光谱信息相关的数据，很难在病虫害初期就判断林地的健康状况。为了更加精准、定量、及时的应用光谱反映虫害影响程度，下一步将从云南切梢小蠹虫直接影响云南松的生物参数信息方面展开调查，设置更合理采样参数以及明确植被参数与光谱参数物理量间相关机制[26-28]，考虑影响因子，进而优化反演模型，得到更加准确的反演结果。从而更加精准的判断虫害信息，促进当地生态环境的保护。

4 结 论

基于云南省昆明市石林县研究区多光谱无人机数据与实地踏勘调查数据，通过深度学习拟合NDVI与树木的受损害程度，得到NDVI与云南切梢小蠹危害程度的相关关系，从而得到研究区云南切梢小蠹危害程度分布图。

(1)应用深度学习算法拟合NDVI与云南切梢小蠹危害程度之间关系。结果显示NDVI与云南切梢小蠹危害程度呈现明显的线性负相关，线性关系式为：

y=-1.256x+1.1436,R2=0.6769

基于多光谱数据提取植被信息仅使用了部分波段，难以精确监测植被内部信息的变化，应当应用高光谱数据探寻其他相关波段数据精确反演。

(2)对反演结果按枯枝率进行等级划分并进行精度验证，发现其总体分类精度71.11%，Kappa系数为 0.6751，精度相对较高，且该研究区内，危害程度较重的树主要分布于道路以及树林密度较小区域。主要原因是云南切梢小蠹具有趋食、趋光性，而林分郁闭度较高的树林空气流通性差、光线较差，因此诱源流通情况、分布情况较差，导致云南切梢小蠹较少分布于此类区域。