亓興蘭，肖豐慶，劉 健，張李平

（1.福建林業(yè)職業(yè)技術(shù)學院，福建 南平 353000；2.南平市農(nóng)業(yè)局，福建 南平 353000；3.福建農(nóng)林大學林學院，福建 福州 350002；4.3S技術(shù)與資源優(yōu)化利用福建省高校重點實驗室，福建 福州 350002）

馬尾松毛蟲是馬尾松林的主要害蟲，危害大，成災具有爆發(fā)性，被稱為“不冒煙的森林火災”[1]。防治馬尾松毛蟲蟲害的關(guān)鍵是對其進行有效地監(jiān)測，早發(fā)現(xiàn)查清蟲害發(fā)生區(qū)域范圍和程度，從而制定對癥防治策略，降低損失。傳統(tǒng)地面隨機抽樣調(diào)查法，費時費力，適時性不強，預報精度也不高，容易錯過蟲害的最佳防治治理時機，造成很大經(jīng)濟損失，同時也破壞生態(tài)環(huán)境。遙感作為一種全新的監(jiān)測技術(shù)手段，由于其大范圍及實時監(jiān)測等獨特的優(yōu)越性，生產(chǎn)上逐漸用來監(jiān)測森林病蟲害，國內(nèi)外也開展了相關(guān)研究[2-22]?？v觀前人研究成果，遙感監(jiān)測森林病蟲害主要是應用影像的光譜信息，其技術(shù)方法是基于圖像模式識別技術(shù)，表現(xiàn)為圖像分類、圖像增強、各類植被指數(shù)與圖像差值法等圖像處理方法，而馬尾松毛蟲蟲害的發(fā)生發(fā)展及爆發(fā)成災受地形、溫度、濕度、林分狀況等影響較大，同時伴隨著中高分辨率遙感影像在林業(yè)上應用，其紋理信息的挖掘與應用也提上了日程，如何把這些影響因素與圖像識別技術(shù)結(jié)合起來進行蟲害監(jiān)測，這些影響因素對于蟲害監(jiān)測信息提取的影響程度如何，未見相關(guān)研究報道。

基于此，本研究以福建沙縣作為研究區(qū)，基于SPOT-5多光譜影像與全色影像，構(gòu)建歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）等光譜特性指數(shù)，提取均值、方差等紋理量，同時結(jié)合坡向、坡度、年齡等因子，構(gòu)建馬尾松毛蟲蟲害遙感監(jiān)測指標，基于蟲情級數(shù)，應用嶺回歸建模方法分析并反演進行蟲害監(jiān)測，探討紋理特征、坡度、坡向、年齡等對蟲害監(jiān)測精度的影響，部分解決我國森林病蟲害的遙感監(jiān)測技術(shù)問題，同時也在一定程度上推動遙感監(jiān)測森林病蟲害的理論認識與信息提取方法，為林業(yè)生產(chǎn)實踐提供技術(shù)支撐與理論借鑒。

1 研究區(qū)概況

沙縣地處福建省中部偏北（117°32′～118°06′E，26°06′～ 26°41′N），總面積1 815 km2，氣候溫和，干濕分明，資源豐富，是國家南方重點林區(qū)縣，是國家級馬尾松毛蟲蟲害長期監(jiān)測站點之一，馬尾松毛蟲蟲害時有發(fā)生，有一定的周期性。

2 材料與方法

2.1 數(shù)據(jù)來源與影像處理

2.1.1 數(shù)據(jù)源

沙縣SPOT-5遙感影像一期，包括多光譜影像（分辨率10 m）與全色影像（分辨率2.5 m），時間為2004年10月11日。其它數(shù)據(jù)有研究區(qū)1∶1×104地形圖、森林資源GIS數(shù)據(jù)庫（包括沙縣森林資源小班分布、樣地數(shù)據(jù)等），2004年研究區(qū)蟲害樣地調(diào)查資料（調(diào)查內(nèi)容包括樣樹蟲口數(shù)、蟲情級數(shù)等）等。

2.1.2 影像校正與裁剪

影像幾何校正采用多項式糾正法，地理參考是沙縣1∶1×104地形圖，控制點為15個，校正后誤差小于0.5個像元，滿足精度要求，同時為了消除地形陰影的影響，進行正射校正，獲取校正后的遙感影像?；谏晨h行政區(qū)劃shp文件建立AOI，基于ERDAS的Subset工具對影像進行裁剪，進而獲取研究所需要的影像。

2.1.3 圖像融合

對于圖像融合，研究采取操作簡單直觀、技術(shù)成熟，應用廣泛的像素級融合[23-24]，方法有PCA融合、高通濾波（HPF）融合、Multiplicative融合、IHS變換融合、Gram-schmidt變換融合、Brovey變換融合與HSV融合等[25]。對于圖像融合結(jié)果的評價，研究采取主觀評價與客觀評價相結(jié)合的方法進行。主觀評價進行目視結(jié)果分析比較，客觀評價基于圖像處理與信息理論，采用均值、熵等評價指標進行定量計算分析。綜合目視結(jié)果與定量評價兩方面分析，經(jīng)過融合，圖像的空間分辨率得到了提高，同時原始圖像的光譜特性也在不同程度上得到保持，其中，以HPF融合與IHS變換融合效果最好。綜合考慮，研究以HPF融合圖像作為遙感數(shù)據(jù)源。

2.2 馬尾松林專題信息提取

本研究的目的是監(jiān)測馬尾松毛蟲蟲害，故對于影像來說，只需要提取馬尾松林分的影像即可。基于獲取的研究區(qū)森林資源GIS數(shù)據(jù)庫，提取出馬尾松林分shp文件，基于此shp文件利用ERDAS的Mask命令工具進行掩膜處理，從而獲得研究區(qū)馬尾松林分遙感影像。

2.3 馬尾松毛蟲蟲害程度等級劃分

對于馬尾松毛蟲蟲害，依據(jù)原國家林業(yè)局《林業(yè)有害生物發(fā)生及成災標準》，受害林分受害程度劃分依據(jù)為蟲情級數(shù)或蟲口密度，其蟲害分為3個危害等級，即輕度受害、中度受害、重度受害[26]?；诖耍芯恳罁?jù)地面調(diào)查資料、研究需要及技術(shù)可行性等，計算蟲情級數(shù)，并據(jù)此進行蟲害的受害等級劃分。具體劃分如表1所示。

表1 馬尾松毛蟲蟲害程度等級劃分Table1 Degree and classification D.punctatus pest damage

2.4 馬尾松毛蟲蟲害監(jiān)測信息提取

2.4.1 監(jiān)測指標構(gòu)建

馬尾松毛蟲蟲害引起失葉、針葉枯黃等樹冠變化，其遙感反映為光譜反射率特別是近紅外波段反射率降低，從而引起遙感影像光譜值變化與結(jié)構(gòu)異常[20,25]?；诖?，研究利用影像的短波紅外波段、紅光波段和近紅外波段等構(gòu)造光譜特性指數(shù)，建立歸一化植被指數(shù)NDVI等光譜指標。分析并提取紋理信息，方法采用灰度共生矩陣方法[27]，為避免光譜波段多而引起紋理信息重復，研究基于HPF融合影像的主成分變換后的第一主分量提取方差等紋理特征，其第一主成分貢獻率為98.26%，可以代表原始影像?？紤]馬尾松毛蟲蟲害的發(fā)生及發(fā)展，基于獲取的外業(yè)及內(nèi)業(yè)樣地數(shù)據(jù)資料，選取坡度等作為生態(tài)及林木因子指標。各種方法提取建立的遙感監(jiān)測指標，如表2所示。其中，各光譜指標計算見表3，各紋理指標的計算，見表4。

表2 馬尾松毛蟲蟲害遙感監(jiān)測指標Table2 Remote sensing monitoring indicators of D.punctatus pest damages

表3 各光譜指標因子的計算公式?Table3 Calculating formulas of spectral index factors

表4 各紋理量的計算公式?Table4 Calculating formulas of optimal monitoring factors

2.4.2 監(jiān)測指標值獲取與監(jiān)測因子優(yōu)選

對于樣地點的選取，研究基于蟲害地面調(diào)查及其它相關(guān)數(shù)據(jù)資料，隨機抽取170個樣地點（樣地點分布見圖1），其中選取130個樣地點進行嶺回歸分析，建模提取蟲害信息，選取40個樣地點進行精度分析。對于監(jiān)測指標值的獲取，基于各樣地點坐標，在植被指數(shù)圖上提取各光譜指標值，在紋理特征遙感圖獲取各紋理特征量，基于沙縣森林資源GIS數(shù)據(jù)庫及外業(yè)調(diào)查資料獲取坡度、年齡等生態(tài)及林木因子指標值。

研究建立獲取的指標，定性與定量因子都有，定量因子無須進行數(shù)量化處理，而對于定性因子，研究采用數(shù)量化理論I方法對其進行賦值處理。定性因子數(shù)量化處理后，對于獲取的樣地監(jiān)測指標數(shù)據(jù)處理如下，基于三倍標準差法[28]判斷剔除異常值，篩選樣本數(shù)據(jù)，同時為消除量綱的不統(tǒng)一，基于極差標準化方法[29]進行標準化處理數(shù)據(jù)。標準化處理的樣地監(jiān)測因子組成觀測陣X，計算得方陣XTX并進行主成分分析，計算獲得其特征根，基于DPS軟件，對于標準化處理的樣本數(shù)據(jù)進行嶺回歸分析[30]，獲取各監(jiān)測指標嶺跡，基于主成分分析與嶺跡分析（圖2），篩選出海拔、NDVI、均值、年齡9個監(jiān)測指標作為最優(yōu)變量監(jiān)測因子，用于建立馬尾松毛蟲蟲害蟲情級數(shù)估測方程。

圖1 馬尾松毛蟲蟲害外業(yè)調(diào)查樣地分布Fig.1 Distribution of field survey sample plots of pine caterpillar pests

圖2 指標變量嶺跡分析Fig.2 Ridge trace analysis of index variables

2.4.3 蟲情級數(shù)估測方程建立及蟲害監(jiān)測信息提取

建立并分析各最優(yōu)因子嶺跡，嶺參數(shù)K=0.1時，各因子的嶺跡趨于穩(wěn)定，故此時進行嶺回歸建模，獲取蟲情級數(shù)估測方程，在本研究中，因變量y是蟲情級數(shù)，x為光譜指標、紋理指標及生態(tài)與林木因子，其各對應關(guān)系，如表5所示。

建立蟲情級數(shù)估測方程為：

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。

對于估測方程，依據(jù)F檢驗法進行回歸分析，其相關(guān)系數(shù)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，各自變量與因變量之間顯著相關(guān)，則說明蟲情級數(shù)估測方程可信度較好。

表5 各最優(yōu)監(jiān)測因子Table5 Optimal monitoring factors

對估測方程進行精度驗證，驗證公式為：Ei=(1-|(yi-xi)/yi|)×100%，式中，i表示第幾個樣地點數(shù)，xi指估測值，yi指實測值，Ei是經(jīng)過計算得出的估測精度[20,25]。經(jīng)過計算分析，獲得40個樣地的蟲害估測精度結(jié)果，60＜精度值≤70的樣地3個，占總樣地比例為7.50%，70＜精度值≤80的樣地5個，占總樣地比例為12.50%，80＜精度值≤90的樣地24個，占總樣地比例為60%，精度值＞90的樣地8個，占總樣地比例為20%。其中，80＜精度值≤90的樣地數(shù)最多，比例也最高，精度值＞80的總樣地數(shù)為32個，占總體比例為80%，方程平均估測精度為87.65%，滿足研究需要。

進行蟲害監(jiān)測信息提取，基于ERDAS的Model工具建模求取。具體為：首先依據(jù)蟲情級數(shù)估測方程建模，得到蟲情級數(shù)空間分布圖與相關(guān)信息，再基于此蟲情級數(shù)空間分布圖，依據(jù)本研究蟲害程度等級劃分標準，建模得到不同受害程度的蟲害空間分布圖與信息（圖3）。

圖3 基于遙感監(jiān)測指標提取蟲害分布Fig.3 Distribution map of pest damages based on remote sensing indexes

同時研究基于上述相同的方法，僅利用SPOT-5多光譜影像構(gòu)建的光譜特性指標（表3），進行馬尾松毛蟲蟲害監(jiān)測信息提取，得到不同受害程度的蟲害空間分布圖與信息（圖4）。

圖4 基于光譜特征提取蟲害分布Fig.4 Distribution map of pest damages based on spectrum characteristic

3 結(jié)果與分析

基于獲取的2004年沙縣蟲害地面調(diào)查資料與森林資源調(diào)查樣地數(shù)據(jù)等，隨機選擇420個樣地點，建立分類誤差矩陣（表6、表7）進行精度分析，其評價指標有使用者精度、生產(chǎn)者精度、分類總精度及Kappa系數(shù)等。

分析表6，基于使用者精度，健康馬尾松與重度受害馬尾松信息提取精度高，輕度受害馬尾松與中度受害馬尾松精度低，其中輕度受害馬尾松提取精度最低，這是因為，輕度受害馬尾松其在樹冠表現(xiàn)不是很明顯，很容易與健康馬尾松混淆，所以導致信息提取精度降低。

分析比較表6與表7，發(fā)現(xiàn)在沒有考慮圖像紋理特征、地形與林木因子等的情況下，各種程度蟲害信息提取精度偏低，同時健康馬尾松與輕度受害馬尾松、中度受害馬尾松也多有混淆。而綜合考慮影像光譜特征、紋理特征、坡度等地形與林木因子進行蟲害監(jiān)測信息提取，相比于單純基于光譜特性進行蟲害監(jiān)測信息提取，分類總精度提高了14.28%，其它不同程度蟲害分類，其分類精度也都有了很大提高。

表6 基于遙感監(jiān)測指標馬尾松毛蟲蟲害監(jiān)測精度Table6 D.punctatus damage monitoring accuracy based on remote sensing indexes

表7 基于光譜特性指標馬尾松毛蟲蟲害監(jiān)測精度Table7 D.punctatus damage monitoring accuracy based on spectrum characteristic

分析比較各種程度蟲害分類誤差矩陣及其空間分布，可以發(fā)現(xiàn)，單純依賴光譜特性的蟲害信息提取，各種不同程度受害馬尾松之間錯分混淆現(xiàn)象嚴重，而引入影像紋理特征，提高了影像細節(jié)表達能力，同時綜合考慮并引入坡度、年齡等地形及林木因子，可以減少地形陰影等對光譜的干擾，提高蟲害信息提取精度。比較分析蟲害空間分布圖，發(fā)現(xiàn)兩種蟲害信息提取方法都存在著地物破碎化現(xiàn)象，但是綜合考慮了影像紋理特征與地形等生態(tài)及林木因子的方法，明顯好于單純依賴光譜信息的蟲害信息獲取。這是因為基于蟲情級數(shù)建模提取蟲害信息，其本質(zhì)仍是基于單個像元統(tǒng)計而進行的專題信息輸出，如此建立模型的誤差，便基于單個像元而傳導到了圖像分類中，導致精度低，地物破碎化，存在著“椒鹽現(xiàn)象”。但是綜合考慮影像紋理特征與地形等因子的影響，可以有效糾正單個像元統(tǒng)計的弊端，有效改善圖面“椒鹽現(xiàn)象”，減少地物破碎化現(xiàn)象。

4 結(jié)論與討論

1）基于SPOT-5遙感影像，構(gòu)造光譜特性指數(shù)，提取紋理特征，同時納入影響昆蟲發(fā)生、發(fā)展及變化的地形與林木因子，構(gòu)建了馬尾松毛蟲蟲害的遙感監(jiān)測指標體系，建立蟲情級數(shù)估測方程并進行反演，獲得馬尾松毛蟲蟲害的專題信息。相比于單純基于光譜特性的蟲害監(jiān)測信息提取，其分類總精度提高了14.28%，各種程度的蟲害信息提取精度也有了很大提高。這說明，對于SPOT-5中高分辨率影像來說，由于光譜波段相對少的緣故，融合其紋理特征可以增強影像信息量，提高蟲害監(jiān)測精度。同時地形、林木等因子的綜合納入，大大減少了蟲害分布圖的細碎斑點與圖面 “椒鹽現(xiàn)象”，這說明僅僅依賴圖像識別進行森林病蟲害的遙感監(jiān)測是遠遠不夠的，病蟲害所處區(qū)域的地形等生態(tài)環(huán)境嚴重影響其發(fā)生、發(fā)展及變化，遭受病蟲害侵襲的植被，其自身的生長狀況也會影響它的遙感圖像響應，所以為了提高病蟲害的監(jiān)測精度，正確識別病蟲害區(qū)域，要綜合考慮病蟲害寄主的自身林分狀況及其所處的生態(tài)區(qū)域環(huán)境影響。

2）影響蟲害發(fā)生發(fā)展變化的生態(tài)與林分狀況因子很多，尤其是溫度與濕度等因子的影響很大，研究由于資料收集的限制及技術(shù)可行等，對于估測方程的建立沒有考慮這些因子，有待于完善改進。

3）隨著監(jiān)測因子的增加，蟲害監(jiān)測信息提取精度提高，但是不同程度受害馬尾松林夾雜分布，容易混淆，由此出現(xiàn)混合像元現(xiàn)象，降低信息提取精度，所以如何解決混合像元的問題，提高監(jiān)測精度，需要進一步研究探討。