李 琴,夏進亮,余 榕,周火生,陳勇明

（廣東省國土資源測繪院，廣州510500）

遭遇病蟲害的松樹在顏色上與健康松樹會有所區(qū)別，呈枯死狀（以下稱其為“變色松樹”）［1］。造成我國松樹枯死的主要致病因子主要是松材線蟲，健康松樹感染松材線蟲后，40 天左右就會出現(xiàn)癥狀，從發(fā)病到死亡只需2—3 個月的時間，從單株發(fā)病到整片松林毀滅只需3—5年［2］，具有致死快、蔓延迅速、適生性廣、防治難等特點，有“松樹癌癥”之稱，是森林生態(tài)系統(tǒng)中最具有危險性、毀滅性的病害之一［3］。30 多年來，全國因松材線蟲病損失的松樹累計達十億株，導(dǎo)致直接經(jīng)濟損失和生態(tài)服務(wù)價值損失上千億元。根據(jù)2020年國家林業(yè)和草原局公布數(shù)據(jù)，截止2020年底，全國共有726個縣級發(fā)生區(qū)，發(fā)生面積2 714 萬畝。而廣東省已有52 個縣區(qū)，林業(yè)覆蓋率較高的縣區(qū)幾乎都被感染。

變色松樹的識別發(fā)現(xiàn)是松材線蟲病疫情防控工作的基礎(chǔ)，現(xiàn)有變色松樹的監(jiān)測手段主要有衛(wèi)星遙感監(jiān) 測［4-8］、無人機 遙 感監(jiān)測［9-15］、地 面調(diào)查［16］3 種方式。各方式均具有一定的局限性，多源遙感數(shù)據(jù)的協(xié)同使用可大幅提高變色松樹識別的精度，關(guān)于多源遙感數(shù)據(jù)協(xié)同識別變色松樹的現(xiàn)有研究較少［17］。現(xiàn)有很多應(yīng)用于變色松樹提取的遙感分類算法，如深度學(xué)習(xí)、支持向量機、面向?qū)ο?、神?jīng)網(wǎng)絡(luò)等［15，18］。雖然這些算法在一定程度上可以提高人工目視解譯的效率，但就時間復(fù)雜度而言難以滿足GB甚至TB數(shù)量級的超高空間分辨率無人機影像計算需求。陶歡［15］等人提出了一種適合超高分辨率、大數(shù)據(jù)量的無人機影像高效處理方法，即基于HSV 閾值法的無人機影像變色松樹識別方法，得到的變色松樹識別總體精度為58%—65%，高于RGB 閾值法。因此，本文以廣東省河源市龍川縣老隆鎮(zhèn)板塘村為研究區(qū)域，基于無人機超高分辨率遙感影像、WorldView-2 衛(wèi)星影像、機載激光雷達數(shù)據(jù)等多源遙感數(shù)據(jù)，采用HSV（色調(diào)-飽和度-明度）色彩變換法將無人機影像從RGB 色彩空間轉(zhuǎn)換為HSV 色彩空間，以分離色調(diào)（Hue）和明度值（Value），分析變色松樹與其他地物在“H-V 空間”的差異，構(gòu)建變色松樹HSV閾值提取規(guī)則，結(jié)合WorldView-2衛(wèi)星影像、機載激光雷達數(shù)據(jù)、地面調(diào)查數(shù)據(jù)、林業(yè)小班、松樹冠層圖形幾何特征，實現(xiàn)快速準確的變色松樹識別，并通過目視解譯與實地驗證方法比對不同色彩空間、不同分辨率影像提取結(jié)果，總結(jié)并提出基于多源遙感數(shù)據(jù)協(xié)同變色松樹識別研究的技術(shù)思路和方法，為廣東省林業(yè)局快速識別定位變色松樹提供技術(shù)支撐。

1 研究區(qū)概況

根據(jù)廣東省2020年春季松材線蟲病疫情普查情況，龍川縣老隆鎮(zhèn)有較多染病小班，因此結(jié)合影像分析與實地調(diào)查選擇板塘村為研究區(qū)域。研究區(qū)域位于廣東省河源市龍川縣老隆鎮(zhèn)板塘村北部區(qū)域，面積為0.5 km2。該區(qū)域年平均氣溫19 ℃—24 ℃，地形主要為丘陵，植被覆蓋稀疏。種植樹種基本是馬尾松，闊葉樹較少且分布分散，有較多的雜草及裸地。變色松樹主要位于山坡邊緣位置，主要可分為針葉變色松針未脫落與針葉變色松針已脫落（陳年枯死樹）2 類，死亡時間較長。

2 研究方法及數(shù)據(jù)

2.1 HSV顏色模型

HSV（Hue，Saturation，Value）是根據(jù)顏色的直觀特性由A.R.Smith 在1978年創(chuàng)建的一種顏色空間，也稱六角錐體模型（Hexcone Model）［19］。H 表示色調(diào)，S 表示飽和度，V 表示明度。RGB 顏色模型是面向硬件的，而HSV 是面向用戶的，HSV 顏色模型由RGB 模型轉(zhuǎn)化而來。HSV 對于用戶來說是一種很直觀的顏色模型，在計算機視覺、遙感圖像處理識別等領(lǐng)域相對RGB 顏色模型具有獨特優(yōu)勢，比RGB 顏色圖像更適合用于影像分析［20］，HSV 三要素的變化對應(yīng)著地面植被的變化，不同的地物（如裸土、植被、水體等），它們之間的S值或V值有可能相等，但H值總是存在差異［15］。

2.2 數(shù)據(jù)獲取

在無人機影像及激光雷達數(shù)據(jù)獲取前，先用林業(yè)小班數(shù)據(jù)以及WorldView-2 衛(wèi)星影像對板塘村松樹分布及疑似變色松樹集中情況進行分析，再結(jié)合實地調(diào)查選取適宜的飛行作業(yè)區(qū)。各數(shù)據(jù)獲取情況詳見表1。

表1 研究數(shù)據(jù)一覽表

2.3 數(shù)據(jù)處理

研究區(qū)域變色松樹大多是陳年枯死松樹，枯死約在1年左右。因此通過對2018年2月WorldView-2 衛(wèi)星影像進行歸一化植被指數(shù)（NDVI）計算，結(jié)合林業(yè)普查小班，采用NDVI 閾值法（NDVI≥0.4）提取變色前的健康松樹分布范圍。

對無人機拍攝相片進行拼接、糾正，形成超高分辨率的正射影像。對正射影像進行重采樣（重采樣分辨率為0.1 m）與HSV色彩變換。

對激光雷達點云數(shù)據(jù)進行融合、類別重置、去噪、地面點識別、植被分類、幾何糾正。依據(jù)地面調(diào)查，研究區(qū)域的松樹高度均在2.0 m 以上。因此，對高度大于2.0 m 的植被進行單木樹冠分割，從單木分割處理的點云中提取單株樹木位置（X、Y、Z）、高度、冠幅直徑和冠幅面積等信息。

3 實驗與分析

3.1 變色松樹識別閾值方程構(gòu)建

如圖1，變色松樹在H-V 空間上有明顯的聚集現(xiàn)象，變色松針未脫落和變色松針已脫落無明顯差異，與其他地物容易區(qū)分。但與已有研究結(jié)果［15］不同，本研究的變色松樹聚集區(qū)包括2 個分區(qū)，分別由直線①②③④（第一分區(qū)）與⑤⑥⑦（第二分區(qū)）構(gòu)成，第一分區(qū)H≤30、V＞0.5，第二分區(qū)H＞=330、V＞0.45。H-V 空間散點圖中a、d 區(qū)域的變色松樹用HSV 閾值法識別可得到較高精度，而b 區(qū)域變色松樹與裸地和道路較難區(qū)分，c 區(qū)域變色松樹與枯死草地難以區(qū)分，e 區(qū)域變色松樹與陰影、枯死草地難以區(qū)分，這些區(qū)域通過本文方法可以提高識別精度。變色松樹在R-G 空間散點圖上特征與其他學(xué)者研究結(jié)果相同，變色松樹與其他地物也相對較易區(qū)分，但R 與G 相關(guān)性較強，未呈現(xiàn)聚集特征，而呈條帶狀分布?；贖SV 與RGB 顏色模型的閾值線性方程如表2。

圖1 H-V（左）和R-G空間圖（右）

表2 HSV與RGB變色松樹識別閾值方程

3.2 基于激光點云的單木分析

研究區(qū)域內(nèi)提取松樹6 147 棵，樹高在2.4—30.6 m 之間，平均高度8.4 m，3.42—4.42 m 高度范圍的樹最多，10.42 m 以下的占70%，15.42 m 以下的占90.26%；各單木冠層面積差異較小，分布較為平均，平均冠層面積為13.14 m2，最小冠層面積為0.53 m2，最大冠層面積31.53 m2，該指標可以輔助剔除碎小圖斑和較大圖斑；冠幅直徑在1.0—6.5 m 之間，平均直徑5.0 m，該指標可剔除直徑過大的圖斑。

3.3 變色松樹識別與精度評價

本文首先是通過上述構(gòu)建的閾值方程分別基于HSV 與RGB 不同色彩空間圖像進行變色松樹的初提??；其次采用基于多光譜衛(wèi)星遙感影像提取的松樹范圍進行松樹范圍外干擾結(jié)果的剔除；再次根據(jù)激光點云提取的冠層面積、冠層直徑剔除小陰影、連片陰影、裸地、枯死草地等的干擾，另外根據(jù)提取結(jié)果的數(shù)學(xué)幾何特征，剔除與單木冠層形狀相差較大的結(jié)果；最后采用基于激光點云數(shù)據(jù)提取的單木分布剔除非松樹的識別結(jié)果。通過以上結(jié)果的處理，可最大限度剔除非純林地區(qū)裸地和道路、枯死草地、陰影等地物對變色松樹識別造成的干擾，提高非純林地區(qū)變色松樹識別精度。

如圖2，基于HSV 圖像識別精度比RGB 高，RGB 圖像存在較多錯分漏分的情況，將很多偏黃植被誤識別為變色松樹，而很多變色松樹并未正確提取。HSV 圖像主要是將枯草、紅色闊葉樹與變色松樹錯分，漏分大多數(shù)為變色松針已脫落的松樹，采用分辨率為0.1 m 的影像就能精準提取單株變色松樹，與更高分辨率識別結(jié)果基本無差異。

圖2 變色松樹識別結(jié)果

通過目視解譯及野外實地驗證結(jié)果（如表3），基于HSV 圖像提取變色松樹的識別精度大幅高于RGB 圖像，錯分率和漏分率遠遠低于RGB 圖像，且與已有研究相比，本研究錯分率得到大幅降低，約從60%降低至20%。

表3 不同色彩空間圖像變色松樹識別精度評價

4 結(jié)論

研究表明多光譜衛(wèi)星影像、激光雷達點云等多源遙感數(shù)據(jù)與圖形幾何特征的協(xié)同利用可較大限度剔除枯死草地、陰影、裸地和道路的影響，基于HSV 顏色模型提取精度優(yōu)于RGB 圖像，且0.1 m 高分辨率影像與0.04 m 超高分辨率影像識別結(jié)果差異較小。因此，在今后基于無人機高分辨率影像的變色松樹識別應(yīng)用中，獲取數(shù)據(jù)分辨率為0.1 m 即可滿足精準定位到單株變色松樹的需求，為基于無人機高分辨率影像數(shù)據(jù)獲取提供了方向。此外，目前國內(nèi)研究中還未發(fā)現(xiàn)從冠層圖形幾何特征，以及將激光點云與超高分辨率影像融合應(yīng)用于變色松樹識別的研究，本文為基于遙感數(shù)據(jù)快速高效精準識別變色松樹開辟了一條新的技術(shù)思路和手段。

雖然，通過冠層圖形幾何特征以及激光雷達點云數(shù)據(jù)能較大限度剔除枯死草地、陰影、裸地和道路的影響，但識別結(jié)果還是存在一定的誤差。一是由于激光雷達點云數(shù)據(jù)空間坐標為樹株的絕對位置，而無人機超高分辨率影像非真正射影像，兩者提取樹冠位置存在一定的偏差，盡管本文通過無人機飛行高度、照片重疊率、照片大小、樹高等參數(shù)計算了偏差范圍值，但仍然存在誤差；二是激光雷達點云提取樹冠結(jié)果本身也存在一定的誤差，導(dǎo)致識別到的變色松樹有被誤剔除的情況。今后的研究重點將會在上述兩方面進行深入，希望變色松樹識別的精度能有一定程度的提升。