基于GF1卫星的红树林病虫害遥感识别

陈燕丽, 孙明, 陈诚, 陶艳成, 刘文爱

(1.广西壮族自治区气象科学研究所, 南宁 530022;2.广西科学院广西红树林研究中心/广西红树林保护与利用重点实验室, 北海 536000)

红树林是生长在热带及亚热带沿海潮间带的木本常绿阔叶植物群落,是重要的海洋生物资源。红树林处于海陆交错带,生境脆弱且敏感,全球气候变化背景下红树林生态安全问题日益突出。气候变化导致的异常天气是引发病虫害的重要原因,近十余年广西红树林几乎每年都不同程度地遭受病虫害危害[1-2],导致红树植物生长受限,严重情况下出现红树林大面积死亡。例如,2004年和2006年广州小斑螟为主的虫害,2015年柚木驼蛾虫害,造成红树林大面积枯萎死亡,红树林生境面临着严重的威胁[3]。红树林病虫害快速监测评估可为其科学防治和植被修复提供科学依据,对红树林保护工作具有重要意义。

遥感技术已经广泛应用于陆地森林病虫害的监测研究,主要研究方向为森林失叶与林冠动态、森林缺素症、受害程度分级分类、森林植被指标、森林对病虫害的易感性与耐受性、森林病虫害与光谱特性之间关系等[4]。目前航天遥感以准确度高、可操作性强的优点,已成为最常用的病虫害监测手段[5]。植物受虫害后叶子残缺变黄,叶绿素不断减少,遥感监测病虫害的主要依据就是植物光谱特征差异[6],研究已证实病害的红树林在绿、红和近红外光谱段内反射率均有变化,且近红外波段变化最大[7]。红树林遥感监测研究已从分类识别[8-10]、生物物理参数[11-13]发展到生态系统过程表征[14]等方面,但遥感技术在红树林病虫害上的应用仍然较少。Kovacs等[15]应用实测叶面积指数(leaf area index,LAI)与IKONOS图像计算的LAI建立线性回归模型,对墨西哥红树林健康状况进行监测与评价,发现红红树、健康白红树、不健康白红树的LAI分别为2.49、1.74和0.85,LAI能够较好地反映红树林健康状况差异,相似结论也被其他学者所证实[16]。曹庆先[17]首次将遥感技术用于红树林虫害监测,发现资源一号02C卫星影像和实地调查数据建立的估测模型可作为红树林叶片损失情况预测的一种工具。目前研究已表明IKONOS和资源一号02C卫星可用于红树林病虫害监测评估,其他卫星遥感数据对红树林病虫害的检测能力仍有待证实,LAI被证明可有效区分健康和虫害红树林,但更多的遥感光谱植被指数对于虫害红树林的检测能力仍需深入研究。高分一号卫星工程实现了光学遥感的高空间、高时间、多光谱分辨率结合,可以提供16、8、2 m的多种分辨率图像,重访周期最短可达2 d。相较于目前用于红树林病虫害监测的遥感数据,IKONOS是商用卫星且已退役,资源一号02C星的重访周期最短为3 d,高分一号(GF1)卫星数据兼具高时间、高空间的优势,融合后图像最高分辨率2 m,时间分辨率2 d。且中国的“高分专项”是一个非常庞大的遥感技术工程,数据延续性强,探索高分一号数据在红树林病虫害的检测能力对推进国产卫星数据在资源调查的深入应用具有积极意义。

现以广西北部湾地区北仑河口保护区红树林为研究对象,利用国产GF1卫星数据,通过分析红树林光谱反射规律和不同遥感植被指数对虫害红树林的响应特性,研究针对不同群落红树林病虫害监测评估模型和方法,为快速获取红树林病虫害监测评估结果提供科学技术参考。

1 研究区概况

广西北部湾由沿海的防城港、钦州、北海三市组成,区域内拥有总面积全国第二、天然林面积全国第一的红树林。广西北部湾红树林生态区属南亚热带海洋性季风气候区,区内年平均气温在22.2～22.9 ℃、年降水量在1 772.3～2 746.4 mm、年日照时数在1 515.9～1 973.2 h。生态区红树林的树种主要包括白骨壤(Avicenniamarina)、木榄(Bruguieragymnoihiza)、秋茄(Kandeliaobovate)、桐花树(Aegicerascorniculatum),其中白骨壤分布最为广泛。本研究选取生态区内防城港北仑河口地区红树林为研究对象,研究区红树林群落主要包括白骨壤、木榄-白骨壤、秋茄-白骨壤、木榄-桐花树和木榄-白骨壤+桐花树(图1)。

图1 研究区及其红树林群落示意图Fig.1 Sketch map of the study area and its mangrove community distribution

2 数据与方法

2.1 数据

主要使用了遥感数据、红树林群落分布数据和无人机虫害调查矢量数据,遥感数据和红树林群落分布数据用于构建虫害红树林识别模型,无人机虫害调查矢量数据用于验证虫害红树林识别精度。

遥感数据采用GF1卫星多光谱相机(wide fomat video,WFV)数据,影像空间分辨率为16 m,包含4个波段,各波段信息如表1所示,该数据来自中国资源卫星应用中心(http://www.cresda.com/CN/)。选择2015年8-9月共5景晴空遥感影像,分别为8月8日、8月24日、9月10日、9月18日及9月30日,对GF1数据进行了辐射定标、大气校正、几何校正预处理,获取研究区晴空地表反射率图像。GF1卫星搭载了4台16 m分辨率多光谱相机扫描幅宽为800 km,重访周期为2 d,多光谱相机获取的图像幅宽更大,重访周期短,在广西云雨天气影响下,利于获取晴空卫星影像识别病虫害红树林。

表1 GF1卫星WFV相机载荷参数Table 1 GF1 satellite WFV camera load parameters

红树林群落分布数据和无人机虫害调查数据由本文章的合作单位广西红树林研究中心提供,红树林群落划分,是以斑块为判定单元,通过室内遥感解译和专家初判、室外野外实地踏勘和GPS边界及属性修正共同完成的,详细请参阅文献[18]。无人机虫害调查数据日期为2015年9月22日,利用航拍图像,采用目视解译方式人工划定研究区虫害红树林。

2.2 研究方法

2.2.1 虫害红树林识别

GF1数据的4个波段对虫害红树林均有一定的响应。通过比较不同时期GF1数据各个波段对虫害红树林的响应,选取对虫害红树林响应敏感度较高的可见光和近红外波段构建多种植被指数。分析各种植被指数对虫害红树林区分度,采用阈值分类法识别虫害红树林。其主要原理是利用目标与背景之间的灰度差异,通过阈值将图像分割成目标与背景。该方法简单易行,在目标与背景差异较大时,分割效果较好。研究中分析了差值植被指数(difference vegetation index, DVI)、归一化差值植被指数(normalized difference vegetation index, NDVI)、比值植被指数(ratio vegetation index, RVI)和增强型占比指数(enhanced vegetation index, EVI)4种植被指数,计算公式为

DVI=NIR-RED

(1)

(2)

(3)

(4)

式中:NIR、RED、R分别为近红外、红光、蓝光波段的光谱反射率。

2.2.2 精度评价

虫害红树林分类精度评价利用准确率(accuracy,A)、精确率(precision,P)、召回率(recall,R)和综合指标(F-measure,F)进行分类精度的评价,各指标计算公式为

(5)

(6)

(7)

(8)

式中:TP为真阳性,指被算法检测为虫害红树林且真实是虫害红树林的样本数量;FP为假阳性,指被算法检测为虫害红树林但真实是健康红树林的样本数量;TN为真阴性,指被算法检测为健康红树林且真实是健康红树林的样本数量;FN为假阴性,指被算法检测为健康红树林但真实是虫害红树林的样本数量。

3 结果与分析

3.1 波段光谱特征

理论上卫星遥感数据的各个波段对植被生长变化都会有一定的响应,但由于植被长势、树种和生长环境差异,光谱响应特征会更复杂。对比研究区5种主要红树林群落虫害和健康样本各波段反射率均值发现,不同时期红树林光谱特征变化明显,如8月24日-9月10日、9月18-30日两个时段,红树林各个波段反射率多表现为减少变化趋势,9月10-18日时段则多表现为增加变化趋势。结合地面调查数据得知,9月中下旬研究区红树林病虫害灾情严重,对于不同群落而言,白骨壤的虫害和健康样本在9月18-30日时段各个波段反射率差异均较小,而木榄-白骨壤、秋茄-白骨壤、木榄-桐花树、木榄-白骨壤+桐花树群落的虫害和健康样本反射率差异相对较大。对于不同波段而言,GF1的蓝光(b1)和绿光(b2)波段对不同群落虫害和健康样本区分度很小,红光(b3)有一定区分度,近红外(b4)区分度较大(图2)。综上, GF1数据的红光和近红外波段是判识红树林健康与否的优选波段。

UH为虫害红树林;H为健康红树林图2 健康与虫害红树林光谱变化特征Fig.2 Spectral characteristics of healthy and pest mangroves

3.2 植被指数响应特征

依据不同群落红树林光谱特征,利用GF1数据的红光和近红外波段进行组合计算构建多种植被指数,从而扩大虫害和健康红树林光谱特征差异,达到区分两者的目的(图3)。对比所有红树林群落的各种植被指数均值发现,8月8日-9月18日时段,木榄-白骨壤、秋茄-白骨壤、木榄-桐花树、木榄-白骨壤+桐花树群落的DVI、RVI、NDVI、EVI均值差异较小,9月18-30日时段差异显著,该期间健康红树林DVI、RVI、NDVI均值均高于虫害红树林,EVI低于虫害红树林,且健康和虫害红树林DVI差异最大,RVI次之,NDVI和EVI较小。但对于白骨壤群落而言,RVI、NDVI、EVI这3种植被指数对其健康和虫害样本区分度均较小,仅DVI有一定区分度,但在9月30日时相两者区分度几乎为零。综上,DVI是区分健康和虫害红树林的优选植被指数,对于木榄-白骨壤、秋茄-白骨壤、木榄-桐花树、木榄-白骨壤+桐花树群落,利用9月30日单一时相遥感影像采用简单的阈值法即可获得较理想的分类精度,但对于白骨壤而言,单一时相、阈值法的分类效果可能不够理想。

UH为虫害红树林;H为健康红树林图3 健康红树林与虫害红树林的植被指数变化Fig.3 Change of vegetation index of healthy mangrove and pest mangrove

进一步统计9月30日时相不同群落健康、虫害红树林样本DVI平均值、最大值、最小值(图4)发现,健康与虫害白骨壤群落的DVI值域重叠度高,而其余4种群落的健康样本DVI最小值均大于虫害样本的最大值,即对于研究区非白骨壤群落而言,其健康红树林和虫害红树林在DVI值域上重叠度很小,利用DVI可以对两者进行较好的区分。

图4 不同红树林群落DVI统计信息Fig.4 DVI statistics of different mangrovecommunities

3.3 虫害红树林识别模型

依据上述分析,选择9月30日时相DVI图像提取木榄-白骨壤、木榄-白骨壤+桐花树、秋茄-白骨壤、木榄-桐花树群落4种虫害信息,选择9月18日时相DVI图像提取白骨壤群落虫害信息。根据不同群落红树林虫害样本和健康样本,进行相应的植被指数统计和分析,确定虫害和健康红树林的植被指数最小值和最大值范围以及均值,根据以上统计值来确定区分虫害和健康红树林的阈值并进行分类试验以及精度评价,通过反复迭代直到筛选出最合适区分度的阈值(表2)。此外,尽管已经获取了红树林群落分布信息,但由于红树林生长在海陆交界地带,水体和裸露滩涂是重要的背景干扰信息,分离水体和裸露滩涂是获取纯净红树林群落信息的重要步骤。研究中利用NDVI对绿色植被的高敏感特性,依据红树林群落、水体以及裸露滩涂的样本NDVI值域分布特征,判定NDVI>0.1为红树林区。同时,红树林受虫害后,叶绿素降低,叶片破损严重,局部地区虫害严重的红树林与裸露滩涂NDVI值混淆,研究中通过引入绿光波段(B2),判定Band2<0.065 2为纯红树林范围,最大程度排除非红树林信息的干扰。综上,利用DVI、NDVI和绿光波段,构建虫害红树林识别决策树模型(图5)。

表2 虫害红树林判别规则Table 2 Discrimination rules for distinguishing pest mangroves

图5 虫害红树林识别决策树模型Fig.5 Decision tree model for recognition of pest mangroves

3.4 识别精度分析

利用无人机虫害调查矢量数据,随机生成验证样本(表3)对虫害红树林识别精度进行验证并统计各种精度评价指标(表4)。由表3得知,基于单一时相的阈值法分类精度总体较高,其中,木榄-白骨壤、秋茄-白骨壤、木榄-桐花树、木榄-白骨壤+桐花树群落的综合指标F均在0.89以上,其中秋茄-白骨壤最高为0.95,除综合指标F外,其他4类评价指标均超过0.85,分类精度理想。但对于白骨壤群落,其综合评价指标F明显较低,仅为0.76,且召回率R仅为0.73,即健康白骨壤的分类精度较低,且健康白骨壤分类结果中包含了较多的虫害信息,误分率较高。无人机虫害调查矢量数据与红树林虫害识别结果叠加图也发现,白骨壤群落健康区域出现了很多虫害分布图斑,其他4种群落识别结果与无人机调查矢量数据吻合度较高(图6)。

表3 不同群落检验样本点Table 3 Sample point of different communities

表4 红树林群落虫害监测精度Table 4 Monitoring accuracy of mangrove insect pests

4 讨论

红树林害虫幼虫以嫩芽、嫩枝和叶片为主要食物,部分害虫依赖红树植物汁液为食,虫害后植株外观上表现为红树植物叶片残缺、发黄、枯萎脱落[19]。植被叶片中叶绿素对蓝光和红光有强烈的吸收作用,对近红外光有强烈的反射作用。虫害后植物叶绿素含量降低,使得叶片对蓝光、红光的吸收作用减弱,对近红外光的反射作用同样表现减弱的特征[20-21],理论上其遥感光谱的蓝光、红光和近红外均会有不同程度的响应。红树林健康与否在遥感反演的指数LAI具有量级的差异已被证实[15-16],本研究中也发现,不同群落的虫害红树林样本的蓝光、红光b3和近红外b4波段反射率在9月18-30日时段多呈减少变化趋势,与理论光谱响应相符[20-21],验证了GF1数据对虫害红树林识别的敏感性。

红树林虫害的发生与气象条件密切相关,高温干旱会加剧病虫害的发生发展[22-23],该时段健康红树林的光谱反射率也多呈减少变化趋势,原因之一可能是不利的天气条件导致红树林长势变差,另一可能原因是因为研究获取的地面虫害实际调查时间为9月22日,据文献了解2015年北仑河口红树林病虫害从9月一直持续到11月[23],即至9月30日虫害是逐步扩大蔓延的,部分9月22日调查的健康红树林样本在9月30日可能已经转变成了虫害红树林。本研究中发现GF1的红光和近红外波段对虫害红树林响应敏感性明显高于蓝光和绿光波段,同时发现基于红光和近红外波段构建DVI、NDVI、RVI对虫害红树林的区分度有明显差异,DVI的区分度最优,说明红光和近红外波段的绝对差值更利用区分虫害红树林。红树林受虫害后,叶片变黄,叶片破损甚至变成无叶片植株,茎秆由于反复受海水周期性浸淹,泥沙附着导致其滩涂颜色更接近,严重虫害红树林在无叶片或量叶片遮挡情况下遥感影像获取的更多是植株茎秆和裸露滩涂的混合像元反射率信息,这是裸露滩涂和虫害红树林混淆的重要原因,而NDVI和绿光波段是对叶绿素响应的高敏感指数和波段,这也是利用NDVI和绿光波段可有效剔除裸露滩涂和水体的原因。曹庆先[17]利用资源一号02C卫星影像不同波段构建了RVI、DVI、NDVI和土壤植被指数(soil adjusted vegetation index, SAVI),通过不同植被指数的主成分变换选择第一和第二主成分进行用于识别虫害红树林,其原理是充分利用了多种植被指数综合优势,说明单一指数识别虫害红树林具有局限性。本研究中利用DVI、NDVI和绿光波段共同构建虫害红树林识别模型,也是利用了多指数的优势,也说明了由于虫害红树林光谱特征的复杂性使得单一植被指数不能满足提取精度需求。

基于DVI阈值法虫害识别模型精度检验中发现白骨壤群落虫害信息识别精度最低,而其他非以白骨壤为主的群落识别精度均较高,可能原因是分类遥感影像的不同导致,白骨壤选择的是9月18日时相,其他群落为9月30日时相。由上述分析得知,9月18-30日时段虫害是呈发展态势,由于重度虫害地区植被变黄和叶片破损率更严重,在排除了裸露信息干扰情况下比轻度受虫害信息更利于识别,另一方面可能原因是白骨壤叶片的绿色程度整体上比秋茄、木榄和桐花树的低[24],相较于其他群落,轻度虫害情况下与健康红树林更难识别。

采用空间分辨率为16 m高分一号影像结合群落分类信息进行红树林病虫害信息识别,总体分类精度较理想。其中群落信息是分类的重要辅助数据,光谱特征分析和指数阈值划分都是基于不同群落进行,精度检验中也发现,采用同一指数DVI的分类结果中,不同群落识别精度有差异,白骨壤最明显,充分说明群落信息作为虫害信息识别的重要性。采用单一时相阈值分割法对白骨壤群落虫害监测存在较高的误分率,因此,针对白骨壤群落,可以利用更高空间和高光谱分辨率的卫星遥感数据,充分利用高光谱波段对虫害识别的优势建立更准确的识别模型,需进一步研究。在Kovacs等[15]的研究中,结合地面实测LAI数据,利用IKONOS卫星数据反演的NDVI估算LAI,实现健康和虫害红树林的有效区分,本研究中则是直接比较不同植被指数对健康和虫害红树林的区分度。尽管NDVI对研究区水体以及裸露滩涂具有较好的区分度,但在健康和虫害红树林的区分效果上比不上DVI。如能在虫害调查过程中同步观测地面LAI数据,可以深入比较DVI和NDVI估算的LAI在识别虫害方面的差异,值得深入研究。

5 结论

GF1数据各波段对红树林生长变化状况具有良好的响应,其红光和近红外波段是判识红树林健康与否的优选波段。DVI、RVI、NDVI、EVI 4种植被指数中,DVI是区分健康和虫害红树林的优选植被指数,对于研究区非白骨壤群落而言虫害红树林在DVI值域上与健康红树林基本无重叠,通过训练样本可划定不同群落虫害红树林DVI阈值区间。

利用NDVI和绿光波段可有效排除水体和裸露滩涂等背景干扰信息,划定更纯净的红树林区域,综合DVI、NDVI和绿光波段,构建虫害红树林识别决策树模型,模型识别精度良好。木榄-白骨壤、秋茄-白骨壤、木榄-桐花树、木榄-白骨壤+桐花树群落的综合指标F>0.89,且准确率A、精确率P、召回率R>0.85,但白骨壤分类精度较低,综合指标仅0.76。