王美雅，許章華

(福州大學(xué) 環(huán)境與資源學(xué)院，福建 福州 350116)

馬尾松(Pinus massoniana)作為我國南方地區(qū)重要的用材林木之一，經(jīng)濟(jì)價(jià)值和生態(tài)價(jià)值較高，在城市和鄉(xiāng)村的生態(tài)建設(shè)中起到重要作用。馬尾松毛蟲(Dendrolimus punctatus Walker)作為馬尾松的首要害蟲，不僅造成松林資源的嚴(yán)重?fù)p失，還損害森林涵養(yǎng)水源、保持水土等景觀生態(tài)功能的實(shí)現(xiàn)，不利于城鄉(xiāng)生態(tài)建設(shè)的健康發(fā)展［1-3］。對(duì)馬尾松毛蟲害進(jìn)行有效監(jiān)測，是及時(shí)采取措施防治松毛蟲危害的基礎(chǔ)與關(guān)鍵。遙感技術(shù)的快速發(fā)展，為快速、大面積、有效地監(jiān)測馬尾松毛蟲害提供了強(qiáng)有力地保障［5］。馬尾松毛蟲為食葉性害蟲，通過危害松針，使松林冠層特征發(fā)生變化，如松針呈被啃食狀、葉片枯黃、枝干干枯等，從而使馬尾松林冠層產(chǎn)生光譜反射率差異和紋理結(jié)構(gòu)異常等現(xiàn)象，此為遙感監(jiān)測馬尾松毛蟲害的原理?！捌呶濉薄ⅰ鞍宋濉睍r(shí)期，馬尾松毛蟲害得到廣泛重視，松毛蟲害衛(wèi)星遙感監(jiān)測研究取得了豐富成果［7］。近年來，林業(yè)領(lǐng)域開展了一些利用高光譜遙感影像檢測植被葉綠素量、水分含量、生化組分的研究，將這些研究運(yùn)用到馬尾松毛蟲害監(jiān)測方面有利于及早監(jiān)測出馬尾松的損害。在松毛蟲危害下的馬尾松遙感監(jiān)測研究中，紋理特征是除光譜信息外經(jīng)常被認(rèn)識(shí)和應(yīng)用的另一個(gè)特征量，可反映光譜所無法反映的特征。紋理特征可以更好地體現(xiàn)變化細(xì)微的蟲害、避免地物存在的“同譜異物”、“同物異譜”等因素的影響，拉大影像的距離，對(duì)森林病蟲害的識(shí)別起到關(guān)鍵作用［10］。亓興蘭等［13］基于SPOT-5影像分別提取馬尾松健康林分和受害林分的紋理特征，選取最佳紋理量，并分別用像元統(tǒng)計(jì)和面向?qū)ο蠓ㄌ崛×址炙擅x害紋理信息。較之于馬尾松毛蟲害的光譜特征響應(yīng)規(guī)律的研究，該蟲害的紋理特征響應(yīng)機(jī)制的研究成果則極為有限，還有待進(jìn)行更為深入和全面的理論和應(yīng)用探索。本研究以多光譜遙感影像為監(jiān)測數(shù)據(jù)，開展不同松毛蟲危害程度下的馬尾松紋理特征分析研究，探討馬尾松毛蟲害紋理特征響應(yīng)機(jī)制，探索行之有效的蟲害監(jiān)測技術(shù)，為構(gòu)建森林病蟲害監(jiān)測技術(shù)體系、預(yù)警網(wǎng)絡(luò)奠定理論基礎(chǔ)。

1 研究區(qū)概況

選擇沙縣作為研究區(qū)。沙縣地處福建省中部偏北，位于三明市和南平市之間，閩江支流沙溪下游，介于 26°06′～26°4l′N，117°32′～118°06′E。全縣總面積為 1 815.09 km2。沙縣地處武夷山脈與戴云山脈間，沙溪橫穿境內(nèi)，地勢由主城區(qū)兩側(cè)朝向中間傾斜，東南部與西北部屬中山，中部屬低山丘陵。沙縣屬亞熱帶季風(fēng)氣候，氣候溫和濕潤，年均氣溫15.6～19.6℃，年降雨量1 662 mm。該縣馬尾松蟲害現(xiàn)象普遍，呈周期性與累積性特征。

2 資料收集與影像預(yù)處理

2.1資料收集

收集的資料包括:(1)Landsat 8 OLI多光譜遙感影像2景(過境時(shí)間分別為2013年8月11號(hào)和2013年12月1號(hào)，軌道號(hào)同為120/042);(2)沙縣2013年林業(yè)小班數(shù)據(jù)，數(shù)據(jù)內(nèi)容包含2012年2～5月馬尾松樣本實(shí)測點(diǎn)坐標(biāo)、實(shí)測蟲害等級(jí);(3)福建省1∶10 000地形圖、沙縣行政區(qū)劃圖、福建省DEM數(shù)據(jù)。

圖1 裁剪得到的沙縣遙感影像圖Fig.1 Remote sensing images after clipped in Shaxian County

2.2 影像預(yù)處理

以福建省1∶10 000地形圖為參考，采用多項(xiàng)式糾正法對(duì)影像進(jìn)行幾何校正，影像的投影橢球體為Krasovsky，投影類型為Transverse Mercator，誤差控制在0.2個(gè)像元內(nèi)。在此基礎(chǔ)上，以沙縣shp圖層建立AOI并裁剪獲取沙縣遙感影像圖(圖1)，再采用替換法去除影像云和云影［13］，得到預(yù)處理后的研究區(qū)影像圖(圖2)。

3 研究方法

3.1 馬尾松紋理特征提取

紋理提取方法主要包括:統(tǒng)計(jì)分析方法、結(jié)構(gòu)分析方法、模型分析方法和頻譜分析方法［15］。研究采用的灰度共生矩陣提取方法是統(tǒng)計(jì)法中的一種。利用灰度共生矩陣提取紋理特征量的目視效果與窗口大小及步長的選擇有很大關(guān)系。只有合適的窗口和步長，才能產(chǎn)生良好的目視效果，提高紋理特征量的提取質(zhì)量。研究通過設(shè)置 3×3、5×5、7×7、9×9、11×11 等 5 種窗口與步長(1，1)的多種紋理尺度組合進(jìn)行紋理特征量提取。根據(jù)窗口與步長的選擇原理，經(jīng)過反復(fù)對(duì)比，最終確定窗口大小為5×5、步長為(1，1)。Landsat 8 OLI傳感器共有9個(gè)波段，其中Band 8為全色波段，Band 9為短波紅外波段，該波段的圖像噪聲非常大，主要用于識(shí)別卷云。故本研究只選取Band 1～7共7個(gè)波段，在窗口5×5、步長為(1，1)下提取56個(gè)紋理特征量。

3.2 具顯著性差異紋理量選擇方法

單因素方差分析(one-way ANOVA)用來檢驗(yàn)?zāi)硞€(gè)因素影響的一個(gè)或多個(gè)相互獨(dú)立的因變量均數(shù)間的差異是否有統(tǒng)計(jì)學(xué)意義［16］。為了進(jìn)一步選定具顯著性差異紋理量，選取分布有4個(gè)蟲害等級(jí)的20個(gè)馬尾松樣本點(diǎn)，運(yùn)用單因素方差分析進(jìn)行不同波段紋理量組合的顯著性分析，顯著性水平α取0.05。

3.3 紋理特征區(qū)分方法

3.3.1 空間距離法 空間距離是在n維空間中兩個(gè)點(diǎn)之間的真實(shí)距離，可用于衡量兩樣本點(diǎn)的相似性，距離越近表示兩樣本點(diǎn)越相似［17］?？臻g距離的計(jì)算公式為:

式中:D為兩樣本的空間距離，Xi1，Xi2為第i1，i2個(gè)樣本，n為樣本數(shù)。

3.3.2 相關(guān)系數(shù)法 相關(guān)系數(shù)法是一種研究隨機(jī)變量間相關(guān)性的統(tǒng)計(jì)方法。相關(guān)系數(shù)是衡量對(duì)象之間相互關(guān)系密切程度的一個(gè)統(tǒng)計(jì)分析指標(biāo)，用r表示，r的范圍值為-1到+1之間［17］。相關(guān)系數(shù)的計(jì)算公式為:

式中:r為相關(guān)系數(shù)，ˉX、ˉY表示兩個(gè)變量的n個(gè)樣本的平均值，Xi、Yi分別表示X、Y兩組隨機(jī)變量的第i個(gè)樣本。

3.3.3 光譜角制圖法 光譜角制圖法是一種光譜匹配技術(shù)，通過比較一個(gè)測試光譜與一個(gè)參考光譜在空間上所形成的夾角來確定相似性，即測試光譜的歸屬［17］。光譜角制圖的計(jì)算公式為:

式中:n為波段數(shù)，α為光譜角，xi表示測試光譜向量在第i波段上的響應(yīng)值，yi表示參考光譜向量在第i波段上的響應(yīng)值。光譜角制圖法的結(jié)果值可用cos α表示，其范圍為［0，1］;也可直接用α表示，其范圍為［0，π/2］，本文用 cos α 表示。

4 結(jié)果與分析

4.1 基于單因素方差分析的具顯著性差異紋理量選取

若用提取的所有紋理量進(jìn)行馬尾松毛蟲害分析，會(huì)出現(xiàn)各個(gè)紋理量間信息重復(fù)以及組合的效果不明顯等問題，所以要進(jìn)行顯著性差異紋理量的選擇。研究對(duì)收集的樣本點(diǎn)進(jìn)行刪減，選取健康(樣本1-5)、輕度(樣本6-10)、中度(樣本11-15)、重度(樣本16-20)4個(gè)蟲害等級(jí)的20個(gè)樣本點(diǎn)(表1，部分?jǐn)?shù)據(jù))，并結(jié)合沙縣2013年林業(yè)小班續(xù)檔數(shù)據(jù)對(duì)樣本點(diǎn)進(jìn)行進(jìn)一步檢驗(yàn)，驗(yàn)證結(jié)果表明樣本數(shù)據(jù)獲取時(shí)段與影像過境時(shí)段的蟲害等級(jí)一致。

表1 不同蟲害等級(jí)下的馬尾松紋理特征值Tab.1 Texture value for D.punctatus under different pest levels

對(duì)比表1發(fā)現(xiàn)第五波段4個(gè)蟲害等級(jí)下的方差、對(duì)比度都存在較大差異，健康、輕度、重度蟲害下的均值、相異性差異也相對(duì)明顯。重度蟲害下的熵相比其他蟲害等級(jí)下的熵變化明顯，考察其他波段發(fā)現(xiàn)類似規(guī)律。選用單因素方差分析進(jìn)行56個(gè)紋理量組合的顯著性分析，得到P值結(jié)果及排名(表2)。由表 2可得，顯著性排名前 5的紋理量為 Mea 1、Mea 4、Mea 7、Mea 5、Mea 3，且其 P 值均不超過 0.05。本研究選定排名前3的Mea 1、Mea 4、Mea 7為具顯著性差異紋理量。

表2 P值結(jié)果及排名Tab.2 P-value and P-value’s rank

4.2 三種紋理分析方法比較

4.2.1 基于空間距離法的蟲害等級(jí)區(qū)分規(guī)則建立及樣本驗(yàn)證 取4個(gè)蟲害等級(jí)的20個(gè)樣本，對(duì)同一蟲害等級(jí)樣本的3個(gè)具顯著性差異紋理量各自取平均值，得到的4組數(shù)據(jù)作為空間距離計(jì)算的4個(gè)蟲害等級(jí)下的馬尾松標(biāo)準(zhǔn)樣本，有利于蟲害等級(jí)區(qū)分標(biāo)準(zhǔn)的建立。對(duì)4個(gè)蟲害等級(jí)的標(biāo)準(zhǔn)樣本進(jìn)行空間距離運(yùn)算，得到基于空間距離法的不同蟲害等級(jí)區(qū)分標(biāo)準(zhǔn)。此處用樣本與健康組標(biāo)準(zhǔn)樣本的空間距離來區(qū)分樣本所歸屬蟲害等級(jí)(表3)。表3表明中度組與健康組標(biāo)準(zhǔn)樣本的空間距離最大，即它們的紋理特征量差異最明顯，健康組與輕度組、重度組的標(biāo)準(zhǔn)樣本區(qū)分也較明顯，重度組標(biāo)準(zhǔn)樣本的空間距離區(qū)間最小，為1.902。選擇分布有4個(gè)蟲害等級(jí)的20個(gè)樣本分別與健康組標(biāo)準(zhǔn)樣本計(jì)算空間距離，將區(qū)分結(jié)果與實(shí)際蟲害等級(jí)進(jìn)行對(duì)比，計(jì)算得到方法區(qū)分精度與準(zhǔn)確率結(jié)果(表4)。由表4得，基于空間距離法的區(qū)分精度為60.0%，準(zhǔn)確率為85.0%;健康組樣本的驗(yàn)證精度最高，輕度蟲害組樣本精度次之，重度蟲害組的樣本區(qū)分精度最低。

表3 基于空間距離法的蟲害等級(jí)區(qū)分標(biāo)準(zhǔn)Tab.3 Discrimination standard of pest levels based on square deviation

表4 基于空間距離法得到的區(qū)分精度與準(zhǔn)確率檢驗(yàn)結(jié)果Tab.4 The results of division precision and accuracy based on square deviation

4.2.2 基于相關(guān)系數(shù)法的蟲害等級(jí)區(qū)分規(guī)則建立及樣本驗(yàn)證 取4個(gè)蟲害等級(jí)的20個(gè)樣本，計(jì)算得到4個(gè)蟲害等級(jí)下的馬尾松標(biāo)準(zhǔn)樣本，以此建立基于相關(guān)系數(shù)法的不同蟲害等級(jí)區(qū)分標(biāo)準(zhǔn)。此處用樣本與健康組標(biāo)準(zhǔn)樣本進(jìn)行相關(guān)系數(shù)計(jì)算來區(qū)分樣本所歸屬蟲害等級(jí)(表5)。表5表明健康組與重度組標(biāo)準(zhǔn)樣本的相關(guān)系數(shù)最低，即它們的紋理特征量差異最明顯，健康組與輕度組、中度組標(biāo)準(zhǔn)樣本的相關(guān)系數(shù)也較低;各個(gè)蟲害等級(jí)的區(qū)間范圍均較為明確。選擇分布有4個(gè)蟲害等級(jí)的20個(gè)樣本分別與健康組標(biāo)準(zhǔn)樣本計(jì)算相關(guān)系數(shù)，將區(qū)分結(jié)果與實(shí)際蟲害等級(jí)進(jìn)行對(duì)比，計(jì)算得到方法區(qū)分精度與準(zhǔn)確率結(jié)果(表6)。由表6得出，基于相關(guān)系數(shù)法的區(qū)分精度為80.0%，準(zhǔn)確率為91.2%;健康組樣本的驗(yàn)證精度最高，輕度蟲害組和中度蟲害組樣本精度次之，重度蟲害組的樣本區(qū)分精度最低。

表5 基于相關(guān)系數(shù)法的蟲害等級(jí)區(qū)分標(biāo)準(zhǔn)Tab.5 Distinguish standard of pest levels based on correlation coefficient

4.2.3 基于光譜角制圖法的蟲害等級(jí)區(qū)分規(guī)則建立及樣本驗(yàn)證 取4個(gè)蟲害等級(jí)的20個(gè)樣本，計(jì)算得到4個(gè)蟲害等級(jí)下的馬尾松標(biāo)準(zhǔn)樣本，以此建立基于光譜角制圖的不同蟲害等級(jí)區(qū)分標(biāo)準(zhǔn)。此處用樣本與健康組標(biāo)準(zhǔn)樣本進(jìn)行空間夾角的余弦計(jì)算來區(qū)分樣本所歸屬蟲害等級(jí)(表7)。表7表明健康組與中度組標(biāo)準(zhǔn)樣本的空間夾角余弦值最低，即它們的紋理特征量差異最明顯;健康組與重度組標(biāo)準(zhǔn)樣本的空間夾角余弦值相對(duì)其它組較高;4個(gè)蟲害等級(jí)下的標(biāo)準(zhǔn)樣本的空間夾角余弦值均大于0.95，區(qū)間都較窄。選擇分布有4個(gè)蟲害等級(jí)的5個(gè)樣本分別與健康組標(biāo)準(zhǔn)樣本進(jìn)行光譜角計(jì)算，將區(qū)分結(jié)果與實(shí)際蟲害等級(jí)進(jìn)行對(duì)比，計(jì)算得到方法區(qū)分精度與準(zhǔn)確率結(jié)果(表8)。由表8得出，基于光譜角制圖法的區(qū)分精度為75.0%，準(zhǔn)確率為91.2%;健康組樣本的驗(yàn)證精度最高，中度蟲害組樣本精度次之，輕度蟲害組和重度蟲害組的樣本區(qū)分精度最低。

表6 基于相關(guān)系數(shù)法得到的區(qū)分精度與準(zhǔn)確率檢驗(yàn)結(jié)果Tab.6 The results of division precision and accuracy based on correlation coefficient

表7 基于光譜角制圖法的不同蟲害等級(jí)區(qū)分標(biāo)準(zhǔn)Tab.7 Distinguish standard of pest levels based on spectral angle cosine

表8 基于光譜角制圖法得到的區(qū)分精度與準(zhǔn)確率檢驗(yàn)結(jié)果Tab.8 The results of division precision and accuracy based on spectral angle cosine

5 結(jié)論與討論

(1)利用單因素方差分析法對(duì)提取的56個(gè)紋理特征量進(jìn)行顯著性差異紋理量的定量分析，選定Mea1、Mea4、Mea7等3個(gè)紋理特征量作為具顯著性差異紋理量進(jìn)行紋理特征分析。

(2)借助空間距離法、相關(guān)系數(shù)法、光譜角制圖法定量描述健康、輕度受害、中度受害及重度受害等4種蟲害等級(jí)下的馬尾松紋理特征，3種方法的區(qū)分精度均達(dá)到60.0%以上，準(zhǔn)確率達(dá)到85.0%以上。基于3種方法建立蟲害區(qū)分規(guī)則，得到各蟲害等級(jí)的區(qū)間均較為明確。對(duì)比3種方法建立的規(guī)則，相關(guān)系數(shù)法表明健康樣本與重度蟲害樣本的紋理特征量差異最明顯;空間距離法和光譜角制圖法表明健康樣本與中度蟲害樣本的紋理特征量差異最明顯。對(duì)比3種方法的區(qū)分精度大小:相關(guān)系數(shù)法＞光譜角制圖法＞空間距離法，對(duì)比準(zhǔn)確率大小:相關(guān)系數(shù)法=光譜角制圖法＞空間距離法。結(jié)果表明基于紋理特征區(qū)分不同等級(jí)蟲害下的馬尾松毛蟲蟲害信息具有可行性。

(3)綜合研究結(jié)果可得:基于均值、方差、對(duì)比度和相異性4個(gè)紋理特征量可以較有效的提取馬尾松毛蟲害信息;重度蟲害內(nèi)部點(diǎn)間、輕度蟲害內(nèi)部點(diǎn)間的馬尾松紋理特征差異小，重度蟲害組的空間距離區(qū)間大小為1.902，輕度蟲害組的相關(guān)系數(shù)區(qū)間大小為0.178，光譜角區(qū)間大小為0.007;馬尾松毛蟲害等級(jí)跨度越大，基于紋理特征提取馬尾松信息的效果越好。受重度蟲害的馬尾松紋理特征與健康但稀疏的林分的紋理特征同樣體現(xiàn)了背景一土壤的紋理特征，這是導(dǎo)致重度蟲害林分被誤判為健康林分的原因之一，未來仍需進(jìn)一步研究，以提升二者的判別精度。

［1］謝大洋.福建馬尾松毛蟲發(fā)生特點(diǎn)及主要因子分析［J］.中國森林病蟲，2003(3):12-14.

［2］侯陶謙.中國松毛蟲［M］.北京:科學(xué)出版社，1987.

［3］許章華，劉健，余坤勇，等.松毛蟲危害馬尾松光譜特征分析與等級(jí)檢測［J］.光譜學(xué)與光譜分析，2013，33(2):210-214.

［4］戴昌達(dá).植物病蟲害的遙感探測［J］.自然災(zāi)害學(xué)報(bào)，1992，1(2):40-46.

［5］許章華，余坤勇，劉健，等.馬尾松毛蟲害天基空間監(jiān)測技術(shù)研究進(jìn)展［J］.安全與環(huán)境工程，2014，21(1):35-41.

［6］Riggins J J，Defibaugh Y C，Jason M，et al.Spectral identification of previsual Northern Red Oak(Quercus rubra L.)foliar symptoms related to oak decline and Red Oak Borer(Coleoptera:Cerambycidae)attack［J］.Southern Journal of Applied Forestry，2011，35(1):18-25.

［7］戴昌達(dá).衛(wèi)星遙感監(jiān)測松毛蟲災(zāi)［J］.遙感信息，1991(3):32-34.

［8］武紅敢，石進(jìn).松毛蟲災(zāi)害的TM影像監(jiān)測技術(shù)［J］.遙感學(xué)報(bào)，2004，8(2):172-177.

［9］楊俊泉，陳尚文，沈建中，等.馬尾松毛蟲危害區(qū)植被指數(shù)時(shí)序變化特征研究［J］.國土資源遙感，1997(4):7-13.

［10］張參恒，王珂，王人潮.高光譜評(píng)價(jià)植被葉綠素含量的研究進(jìn)展［J］.上海交通大學(xué)學(xué)報(bào)，2003，21(1):74-80.

［11］高閃閃，陳仁喜.輔以紋理特征的植被分類方法研究［J］.科學(xué)技術(shù)與工程，2013，29(13):8672-8677.

［12］王妮，彭世揆，李明詩.基于樹種分類的高分辨率遙感數(shù)據(jù)紋理特征分析［J］.浙江農(nóng)林大學(xué)學(xué)報(bào)，2012，29(2):210-217.

［13］亓興蘭，劉健，胡宗慶，等.基于紋理特征的SPOT-5影像馬尾松毛蟲害信息提?。跩］.西南林業(yè)大學(xué)學(xué)報(bào)，2012，32(1):50-54.

［14］許章華，龔從宏，劉健，等.基于面向?qū)ο笈c替換法的遙感影像云檢測與去除技術(shù)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(6):608-611.

［15］楊志剛.紋理信息在遙感影像分類中的應(yīng)用［D］.南京:南京林業(yè)大學(xué)，2006.

［16］李瑩，王筱麗，陳靜.對(duì)某選礦樣的鈮化學(xué)分析數(shù)據(jù)波動(dòng)的探討［J］.中國礦業(yè)，2012，21(7):70-72.

［17］浦瑞良，宮鵬.高光譜遙感及其應(yīng)用［M］.北京:高等教育出版社，2000.

［18］曹玲.加權(quán)最小聚類分析法及應(yīng)用［J］.徐州工程學(xué)院學(xué)報(bào)，2007，22(4):78-80.

附圖1 不同窗口下的紋理特征量對(duì)比Fig.1 Contrast of texture features in different windows

附圖2 56個(gè)紋理特征量提取圖Fig.2 The extracting graph of 56 texture features