基于多光谱遥感影像的森林病虫害监测研究

孙伟韬

基于多光谱遥感影像的森林病虫害监测研究

孙伟韬

（国家林业和草原局华东调查规划院，浙江 杭州 310000）

通过森林病虫害监测研究能够更好地管理和保护森林资源，减少病害和虫害对生态系统的影响，同时提高森林可持续发展的能力。常规的森林病虫害监测主要通过识别影像尺度特征得出监测结果，忽略了植被水分含量对影像的影响，导致监测结果误差较大。因此，提出基于多光谱遥感影像的森林病虫害监测方法。分步提取森林多光谱遥感影像的核心光谱，计算多光谱遥感影像的光谱响应，进而得出病虫害特征向量，识别出森林病虫害特征。根据森林植被水分含量层级归类生成森林病虫害监测结果。结果表明，所提方法应用后得出的监测结果误差较小，平均仅为0.010 125，森林病虫害监测效果较好。利用该方法可以及早发现病虫害的蔓延趋势和程度，以防止病虫害的进一步传播和对森林造成更大的破坏，满足了森林保护的现实需求。

森林病虫害；病虫害监测；多光谱遥感影像；光谱响应；植被水分含量

森林资源关系生态环境的安全和社会经济的健康发展，对于森林资源保护工作的开展具有重要意义。森林病虫害是导致林业资源损失的重要因素之一，对其进行监测可为森林病虫害及时防治提供重要依据。目前有关病虫害监测方法的研究已经取得了诸多优秀研究成果，例如，袁德宝等[1]利用遥感技术快速获取监测范围内大面积、多方位的数据信息，实行全天候不间断监测，根据各种作物在监测范围内的种植信息以及环境信息，对可能存在的病虫害进行分类识别，从多尺度的角度对遥感数据信息进行分析，在监测系统中对病虫害的发生与程度进行预测，但该方法监测结果准确度不高。周晓丽等[2]利用无人机技术获取遥感图像，选择不同病虫害的图像数据特征并对病虫害进行分类识别，选择合适的算法对传感器数据进行选择与优化，建立该监测范围内专属的病虫害数据库，并以此作为核心开发专门的病虫害监测传感器，但该方法监测结果不够全面。宋勇等[3]针对传统监测方法主观性和滞后性较为严重的问题，利用病虫害的光谱响应生理机制实现精准监测目的，该方法能够细致分类病虫害的光谱特征，将分析结果建立该品类植物的病虫害光谱库，从而实现病虫害监测。但该方法监测效率不高。考虑到上述文献所提的监测方法无法满足现实森林病虫害监测的根本需求，文章以浙江省台州市椒江区的森林资源作为研究对象，提出了一种基于多光谱遥感影像的森林病虫害监测方法。该方法通过对森林病虫害的多光谱影影像进行分析，生成层级归类的森林病虫害监测结果，从而保证森林病虫害监测质量。

1 基于多光谱遥感影像的森林病虫害监测方法

1.1 提取森林多光谱遥感影像核心光谱

使用多光谱的遥感影像仪器对森林植被进行全方位地拍摄，将得到的森林多光谱遥感影像通过数据传输装置一比一还原到计算机中，在计算机中进行影像分析[4-7]。本研究采用MSRC算法对影像中的核心光谱进行提取处理（图1）。

采用空间异质性[8]方法对采集到的森林遥感影像的反射率进行分析，计算其差值绝对值之和，如公式（1）所示。

图1 核心光谱提取流程

式中和分别表示森林遥感影像上的两个点位，点位的选择要求是空间相对的两个点，H表示两个点位之间的差值绝对值之和，表示太阳辐照度，表示影像采集时的太阳高度角。

利用公式（1）的计算结果对核心光谱的类别进行定义，并计算反射率的特征量[9]。核心光谱的类别及其规则集逻辑的判别如表1所示。

表1 核心光谱规则集逻辑

表1中，B表示可见光的蓝光波段，B表示可见光的绿光波段，B表示可见光的红光波段，B表示近红外波段，B和B表示两个短波红外波段。

对反射率的特征量进行分析并划分反射率特征量阈值[10]，如表2所示。

表2 反射率特征量阈值划分

根据表1和表2的内容，提取特征空间模糊集出来，如表3所示。

表3 特征空间模糊集

表3中，表示归一化差异土壤指数，表示归一化差异环境指数。

根据表3中的内容，反馈查询核心光谱并将其提取出来。通过上述步骤，完成森林多光谱遥感影响的核心光谱的提取。

1.2 基于多光谱遥感影像的病虫害特征识别

对上述过程得出的森林多光谱遥感影像的核心光谱进行进一步处理。在该核心光谱中模拟一个全色的光谱波段，计算其光谱响应，如公式（2）所示。

式中表示核心光谱的光谱响应，∂、∂、∂和∂分别表示该波段的灰度矩阵，表示波段系数。

根据光谱响应的计算结果，计算森林遥感影像的植被指数变化率，如公式（3）所示。

式中表示植被指数变化率，表示背景植被指数值。

通过公式（3）的计算结果可得出森林中植被的叶片损失率[13]，从而识别出森林病虫害的多光谱遥感影像特征[14]。本研究采用特征向量识别的方式完成这一目标，如公式（4）所示。

式中表示森林病虫害光谱影像的特征向量，z表示点位的平均对比度的度量，表示标准方差。

通过公式（4）计算，将结果划分为[>96]、[75 ～ 96]及[<75]三个区间来进行识别，计算结果的数值越大，则说明该影像区域内的森林植被病虫害越严重。

通过上述过程，完成森林病虫害多光谱遥感影像的特征识别。

1.3 生成层级归类森林病虫害监测结果

利用上述步骤得出的病虫害特征向量以及森林植被多光谱遥感影像的核心光谱反射率，构建森林病虫害监测模型（图2）。本研究主要将监测结果划分为三个区间，正常波段部分表示无病虫害的光谱遥感影像，绿色区间表示不同程度的病虫害。当地森林植被的叶片水分含量会对轻微病虫害与严重病虫害的间隔区间产生影响，表现为水分含量越大，两者区间越大[15]。

图2 森林病虫害监测

对该模型的监测结果进行层级划分，如公式（5）所示。

式中表示森林病虫害的监测层级，表示反射率，k表示区域内植被的叶片水分含量。

根据上述过程，生成层级归类的森林病虫害监测结果，完成森林病虫害的监测。

2 实验

2.1 数据采集

数据采集区域位于浙江省台州市沿海中部的椒江区（121°34'—121°48' E，28°61'—28°78' N）。海拔高程5.096 ～ 492.972 m。椒江区域属浙东最大的温黄平原北部，拥有多片小型森林区。该研究区的主要森林作物为松材，包括油松（）、樟子松（）、白皮松（）以及黑松（）等。根据行政区划，将该椒江研究区划分为不同的实验区（图3）并挑选代表性较高的区域作为实验数据采集地，统计不同区域内森林面积（表4）。按照表4中的顺序对每块实验地各自选取5万m2并进行标序。利用型号为Micro-MCA多光谱相机和DirecPC的多光谱遥感影像仪器作为本次实验数据的采集仪器（图4），其参数设置分别见表5和表6。

图3 实验区划分

表4 实验区森林资源面积

图4 实验仪器

表5 多光谱相机参数

表6 多光谱遥感影像仪器参数

2.2 森林病虫害监测

在上述划分的实验区内选择章安区域的数据进行测试实验。由于篇幅有限，本研究仅选择其中两张多光谱遥感影像进行展示，通过多光谱相机得到的森林多光谱遥感初始影像如图5所示，利用本研究所提方法进行处理，获取上述两张图像的病虫害特征（图6）。由图6可知，本文所提方法对多光谱遥感影像处理的结果能够将森林病虫害的监测结果进行清晰化地展示，有效分辨出病虫害所在的位置，展现了监测效果。从监测实验结果可以初步判断，本研究所提森林病虫害监测方法的监测效果较好，展现了该方法的应用结果，表明了本文所提方法的可行性。

图5 多光谱遥感初始影像

图6 多光谱遥感影像处理结果

2.3 结果与分析

为了体现所提方法监测结果的有效性，分别应用文献[1]和文献[2]的方法进行森林病虫害监测实验。

本次实验的评价指标设置为监测结果误差，将监测结果与实地人员考察得出的森林病虫害结果进行对比，分析两个结果之间的异同，得出最终的监测结果误差。误差值越小，则说明该方法监测效果越好。

为了保证本次实验的公平性，同时三种监测方法进行同步实验，以避免由于监测时间不同而导致的结果误差。经过实验，得出本研究结果（图7）。将图7所示的森林病虫害监测结果与真实病虫害结果进行横向对比，得到不同监测方法的监测误差（表7）。由表7可知，本文所提森林病虫害监测方法中，在椒江区不同的监测区域的结果误差均比较低，始终保持在0.02以下，而其他两种方法的最低误差为0.298和0.113，差距较大。在8个监测区域中，本文所提方法的监测结果平均误差为0.010，而其他两种方法的平均误差分别为0.337和0.373。与之进行比较可知，本文所提方法的监测结果误差分别降低了0.327和0.363。

图7 森林病虫害监测结果

表7 不同监测方法误差结果

3 结语

在森林资源保护工作中，森林病虫害是影响植被生长的主要因素之一。为了提高森林病虫害的监测质量，本研究提出了一种基于多光谱遥感影像的森林病虫害监测方法。从实验结果可知，本文提出的森林病虫害监测方法所得的监测结果误差较低，监测效果较好且可信度较高。在森林资源的保护中，能够较为精准地对森林植被的状态进行监测，以便林业人员及时进行防治，为森林植被的病虫害防治工作提供有力支持，具备较高的实践应用价值。

[1] 袁德宝,张冰瑞,叶回春,等.水稻病虫害遥感监测与预测研究进展[J].遥感技术与应用,2023,38(1):97-107.

[2] 周晓丽,周立君,伊力塔,等.基于光谱图像的森林病虫害自动检测方法[J].应用光学,2023,44(2):420-426.

[3] 宋勇,陈兵,王琼,等.无人机遥感监测作物病虫害研究进展[J].棉花学报,2021,33(3):291-306.

[4] 万宣伍,田卉,尹勇,等.四川省经济作物病虫害发生情况及监测预警措施探讨[J].中国植保导刊,2021,41(4):85-87,92.

[5] 孙瑞琳,孙全,孙成明,等.基于不同平台的小麦病虫害遥感监测研究进展[J].中国农机化学报,2021,42(3):142-150.

[6] 刘君,王学伟.大数据时代山东农业病虫害监测预警体系建设[J].北方园艺,2021(3):166-170.

[7] 苏少强,阙翔,严宣辉,等.基于STWR模型的森林病虫影响因素研究[J].西北农林科技大学学报(自然科学版), 2022,50(11):81-92.

[8] 刘茂华,吕晓炜,李永荣,等.基于NSWI的面向对象多光谱遥感影像水体提取方法[J].中国科技论文,2023, 18(5):486-492.

[9] 李卫斌,安炳贞,孔玉辉,等.基于无人机遥感影像的松材线虫病监测方法概述[J].林业工程学报,2023,8(2):21-29.

[10] 丁凌,陈建裕,朱乾坤,等.多光谱遥感影像的光谱规则分类算法修正及海岛、海岸带应用[J].海洋学研究,2022, 40(4):38-51.

[11] 熊媛,黄荣永,余克服.基于多时相多光谱遥感影像的珊瑚礁面积估算方法研究——以西沙群岛羚羊礁为例[J].海洋学报,2022,44(8):151-168.

[12] 范明虎,薛昊润,臧文乾,等.基于Atrous-HIS变换的多光谱遥感影像多核并行融合方法[J].河南师范大学学报(自然科学版),2022,50(4):76-81.

[13] 宁纪锋,倪静,何宜家,等.基于卷积注意力的无人机多光谱遥感影像地膜农田识别[J].农业机械学报,2021, 52(9):213-220.

[14] 张兆鹏,周晓敏,闫敏,等.多源遥感影像林火信息检测和植被恢复动态监测[J].西南林业大学学报(自然科学),2022,42(5):145-157.

[15] 地力夏提•依马木,周建平,许燕,等.基于Logistic算法与遥感影像的棉花虫害监测研究[J].华南农业大学学报,2022,43(2):87-95.

Research on Forest Disease and Pest Monitoring Based on Multispectral Remote Sensing Images

SUN Weitao

(East China Academy of Inventory and Planning, National Forestry and Grassland Administration,Hangzhou 310000, Zhejiang, China)

Monitoring and studying forest diseases and pests can better protect and manage forest resources, reduce the impact of diseases and pests on ecosystems, and improve the potential for sustainable forest development. Conventional forest pest and disease monitoring mainly uses image scale feature recognition to obtain monitoring results, neglecting the impact of vegetation moisture content on images which can result in significant errors in interpreting results. Therefore, this study of forest pest monitoring based on multi-spectral remote sensing images was proposed. The core spectra of forest multispectral remote sensing images were extracted step by step, the spectral response based on the multispectral remote sensing images was calculated. Next, the characteristic vectors of diseases and pests were obtained, the characteristics of forest diseases and pests were identified and the monitoring results of forest diseases and pests were generated by hierarchical classification according to the water content of forest vegetation. The results showed that the monitoring data obtained by the proposed method have a small error, with an average of only 0.010 125, indicating that the monitoring effect is good. By using this method, the degree of pests and disease incidence can be detected early and the trends of their spread monitored. Therefore, multispectral remote sensing images can help prevent further spread of pests and diseases, help to limit the damage to forests and meet the practical needs of forest protection.

forest diseases and pests; disease and pest monitoring; multispectral remote sensing images; spectral response; vegetation moisture content

10.13987/j.cnki.askj.2023.04.006

S771.8

A

孙伟韬（1982— ），男，硕士，高级工程师，从事城乡规划相关工作。E-mail:mmjzml@yeah.net