劉世川,王 慶,魏 薇,唐 晴,劉 浪,何輝羽,蘆佳飛

(長(zhǎng)江大學(xué) 地球科學(xué)學(xué)院，湖北 武漢 430100)

1 引言

森林病蟲害是森林健康和林業(yè)生產(chǎn)的宿敵。松材線蟲是對(duì)松樹危害較大的外來入侵物種之一，感染松樹后會(huì)造成松樹針葉黃褐色或紅褐色，在6個(gè)月內(nèi)即導(dǎo)致病樹整株干枯死亡。且該病蟲繁殖速度快，傳播途徑廣，傳播范圍廣，難以防治，是使松林大片被毀的重要害蟲。張?jiān)龉鈁1]提出基于過程模型的松材線蟲災(zāi)害的遙感早期識(shí)別，利用光譜分析和葉子含水量用知識(shí)規(guī)則的決策樹方法對(duì)植物進(jìn)行分類，但只運(yùn)用光譜分析提取結(jié)果未使用其空間特征等其他特征。馬箐[2]結(jié)合遙感影像，對(duì)不同染病時(shí)期的馬尾松單株進(jìn)行單株測(cè)定、生態(tài)因子調(diào)查、蒸騰速率測(cè)定和光譜特征建模，模型復(fù)雜且受環(huán)境濕度、溫度的影像較大。吳瓊[3]基于深度神經(jīng)網(wǎng)絡(luò)分類算法監(jiān)測(cè)病蟲害樹木，但是需求的數(shù)據(jù)量大且參數(shù)過多時(shí)難以訓(xùn)練。李豐毅[4]將多光譜圖像進(jìn)行光譜特征、紋理特征和空間特征分析，但紋理特征計(jì)算復(fù)雜且效果不明顯。

所以基于多特征提取的高分辨率遙感影像松材線蟲病樹識(shí)別，對(duì)松材線蟲病樹的植被指數(shù)、顏色模型、空間分布特征進(jìn)行多特征分析，篩選疑似病樹的方法速度快、針對(duì)性強(qiáng)，可以實(shí)現(xiàn)高效率、高精度的提取病樹。既能減少人工篩查的成本，更能監(jiān)測(cè)人工無法到達(dá)的深山林區(qū)，提升了篩查病害樹木的效率，及時(shí)發(fā)現(xiàn)病害樹木和枯死樹木，防止病害進(jìn)一步擴(kuò)大感染范圍，減少病蟲害造成的經(jīng)濟(jì)損失。

2 松材線蟲病樹多特征研究

松材線蟲的侵染能明顯引起寄主植株葉綠素、類胡蘿卜素發(fā)生改變，從而導(dǎo)致植物光譜特征發(fā)生變化。健康松樹的反射光譜在綠光區(qū)(510～570 nm)有一個(gè)較低的反射峰值；紅光區(qū)(640～680 nm)有一個(gè)較低的吸收谷值；感染松材線蟲后松樹綠光區(qū)的反射峰會(huì)逐漸減弱，紅光區(qū)的吸收谷卻會(huì)逐漸增強(qiáng)[5]。高分辨率影像上的病樹像元會(huì)表現(xiàn)出聚集性的空間特性，由此可篩去部分噪點(diǎn)，并且滿足周圍一定范圍內(nèi)有健康樹木的空間分布特性。

2.1 植被指數(shù)

植被指數(shù)就是利用綠色植被在不同波段的反射和吸收特性，對(duì)傳感器不同波段進(jìn)行組合運(yùn)算，增強(qiáng)植被的信息。其本質(zhì)上是綜合考慮各有關(guān)光譜信號(hào)，把多波段反射率做一定的數(shù)學(xué)變換，使其在增強(qiáng)植被信息的同時(shí)，使非植被信息最小化。目前較為常見的歸一化植被指數(shù)NDVI(Normalized Vegetation Index)、比值植被指數(shù) RVI(ratio vegetation index)、差值植被指數(shù)DVI(Difference Vegetation Index)、增強(qiáng)型植被指數(shù) EVI(enhanced vegetation index)、過綠指數(shù) EXG(Excess Green)、歸一化綠紅差異指數(shù) NGRDI(Normalized Green-red Difference Index)、仿照NGRDI構(gòu)造的歸一化綠藍(lán)差異指數(shù) NGBDI (Normalized Green-blue Difference Index)及紅綠比值指數(shù) RGRI(Red-green Ratio Index)[6]，計(jì)算公式如表1。

2.2 顏色空間模型

在可見光范圍，松材線蟲病樹死亡前的顏色變化主要包括：先是褪色發(fā)黃，此現(xiàn)象可以出現(xiàn)在單枝或少量枝條上，也可出現(xiàn)在整株，針葉進(jìn)而枯萎變成紅褐色?，F(xiàn)在絕大部分的彩色圖像是基于RGB顏色三基色模型，但RGB空間中3個(gè)分量之間存在很強(qiáng)的相關(guān)性，因而不適于直接用于基于3個(gè)分量獨(dú)立運(yùn)算的圖像分割。利用各種變換，可以由RGB空間推導(dǎo)出其他顏色空間如表2。

表1 植被指數(shù)計(jì)算公式(其中R、G、B分別為紅、綠、藍(lán)三色的光譜反射率)

表2 顏色空間模型

2.3 Relief特征選擇算法

Relief算法是一種高效的過濾式特征選擇方法,由Kira和Rendell提出用于二分類問題的特征選擇算法[4]。根據(jù)各個(gè)特征和類別的相關(guān)性賦予特征不同的權(quán)重，權(quán)重小于某個(gè)閾值的特征將被移除。Relief算法中特征和類別的相關(guān)性是基于特征對(duì)近距離樣本的區(qū)分能力。計(jì)算公式如下：

δj=∑i-diff(Xji,Xji,nh)2+diff(Xji,Xji,nm)2

(1)

式(1)中，若xi與其猜中近鄰xi,nh在屬性j上的距離小于xi與其非同類別的最近鄰xi,nm的距離，則說明屬性j對(duì)區(qū)分同類與異類樣本是有利的，反之則不利，因此公式的值越大則說明該屬性的分類能力越強(qiáng)[5]。

利用Relief特征選擇算法得到單個(gè)樣本對(duì)每個(gè)特征的評(píng)價(jià)值，將所有樣本對(duì)同一個(gè)特征的評(píng)價(jià)值進(jìn)行平均就得到了該屬性的相關(guān)統(tǒng)計(jì)分量，分量值越大，分類能力就越強(qiáng)，從而選出最優(yōu)特征用以分類病樹像元和非病樹像元。

3 技術(shù)路線

通過人工篩選高分辨率航空樣本影像(含紅色、綠色、藍(lán)色和近紅外波段)，取樣得到病樹、健康樹、房屋、裸土地和柏油路的樣本像元區(qū)域。計(jì)算樣本像元區(qū)域的光譜特征，利用Relief特征選擇算法，得到二分類病樹和非病樹的最佳特征。將最佳特征的病樹像元樣本集進(jìn)行統(tǒng)計(jì)分析，取得合適閾值構(gòu)建病樹的光譜特征模型，用以在目標(biāo)影像上篩選出病樹像元。再運(yùn)用空間聚類算法對(duì)像元進(jìn)行聚類分析，并剔除周圍一定范圍內(nèi)不附著健康樹像元的病樹像元，最后得到結(jié)果像元集(圖1)。

圖1 技術(shù)路線

4 實(shí)驗(yàn)與分析

4.1 人工取樣

將2019年10月份拍攝于30°1′33″～ 30°1′46″N/111°43′9″～111°44′24″E和30°38′6″～ 30°38′23″N/111°33′48″～111°34′16″E附近的高分辨率遙感影像數(shù)據(jù)進(jìn)行RGB真彩色顯示，采用人工取樣的形式，得到病樹、健康樹、藍(lán)頂房屋、灰頂房屋、裸土、柏油路和小路的像元區(qū)域(圖2)并統(tǒng)計(jì)出像元樣本數(shù)量(表3)。

圖2 人工取樣示意

表3 各地物像元樣本總數(shù)

4.2 Relief特征選擇結(jié)果

特征：將各植被指數(shù)和各顏色模型所包含的各分量作為單獨(dú)特征種類，總計(jì)21種特征。數(shù)量：由于樣本數(shù)量參差不齊，以及考慮到運(yùn)算耗時(shí)，各類地物選取300份樣本總計(jì)2100份樣本。Relief特征選擇算法得出各特征所對(duì)應(yīng)的權(quán)重(表4、圖3)。

表4 各特征權(quán)重

圖3 各特征權(quán)重統(tǒng)計(jì)

經(jīng)過實(shí)驗(yàn)和比較，選擇權(quán)重較高的OHTA、NDVI、DVI作為病樹模型參數(shù)，各參數(shù)的箱線圖見圖4。

圖4 各參數(shù)箱線圖

4.4 病樹篩選結(jié)果

提取各參數(shù)的10%至90%作為置信區(qū)間，采用較為成熟的DBScan聚類算法[11]進(jìn)行病樹的空間聚集性篩選算法，并結(jié)合周圍一定范圍內(nèi)有一定數(shù)量上的健康樹木像元，對(duì)拍攝地點(diǎn)30°1′N/111°43′E附近的三幅高分辨率遙感影像篩選病樹，將自動(dòng)識(shí)別結(jié)果與人工目判結(jié)果進(jìn)行對(duì)比(圖5、表5)，得到統(tǒng)計(jì)結(jié)果(表6)。

注：左中紅斑為人工識(shí)別，右中白斑為自動(dòng)識(shí)別

表5 人工篩選和自動(dòng)識(shí)別結(jié)果對(duì)比

表6 自動(dòng)識(shí)別相對(duì)人工篩選數(shù)據(jù)統(tǒng)計(jì) %

5 結(jié)論

基于光譜特征與空間特征的高分辨率遙感影像松材線蟲病樹識(shí)別總體來看，耗時(shí)是人工目視判讀的45%左右，數(shù)量識(shí)別的相對(duì)準(zhǔn)確度為80%左右，實(shí)現(xiàn)了高效率、較高準(zhǔn)確度識(shí)別松材線蟲病樹。本次識(shí)別過程中得出以下結(jié)論。

(1) 由于EXG與OHTA的I3分量計(jì)算方法一樣，所以在各特征權(quán)重統(tǒng)計(jì)圖權(quán)重一樣，在作為特征參數(shù)識(shí)別病樹時(shí)舍棄了重復(fù)的EXG指數(shù)。

(2) 針對(duì)健康樹木的光譜樣本缺少對(duì)松材線蟲病樹的針對(duì)性，采用隨機(jī)取樣，作為病樹空間分布特征的參數(shù)效果不佳。

(3) 光譜特征閾值與前期光譜實(shí)驗(yàn)樣本質(zhì)量關(guān)系緊密，光譜實(shí)驗(yàn)采樣的樣本僅局限于所識(shí)別目標(biāo)30°1′N/111°43′E附近的單幅圖像，如果擴(kuò)大采樣范圍和樣本數(shù)量，將有利于提升多特征識(shí)別準(zhǔn)確度和應(yīng)用范圍。