鄭蓓君， 陳蕓芝*， 李 凱， 汪小欽， 許章華， 黃旭影， 胡新宇

1. 福州大學空間數據挖掘與信息共享教育部重點實驗室， 福建 福州 350108 2. 衛(wèi)星空間信息技術綜合應用國家地方聯合工程研究中心， 福建 福州 350108 3. 數字中國研究院(福建)， 福建 福州 350108 4. 福州大學環(huán)境與安全工程學院， 福建 福州 350108 5. 南京大學國際地球系統(tǒng)科學研究所， 江蘇 南京 210093

引 言

毛竹是我國栽培悠久、 面積最廣、 經濟價值最重要的竹種。 而剛竹毒蛾嚴重威脅毛竹的生長發(fā)育， 毛竹受剛竹毒蛾侵害后， 竹節(jié)內積水， 被害竹林成片枯死， 給竹業(yè)生產造成了巨大損失[1]。 傳統(tǒng)的剛竹毒蛾蟲害檢測主要通過人工野外調查， 但剛竹毒蛾蟲害的發(fā)生受氣候影響， 同時還具有爆發(fā)成災的風險[2]。 人工調查無法獲取全面、 準確的蟲害信息。

近年來， 遙感廣泛用于森林病蟲害檢測。 與傳統(tǒng)的檢測方法相比， 利用遙感技術可進行大范圍的森林病蟲害檢測， 大大減少了蟲害的排查工作量和勞動力[3]。 隨著低空遙感出世， 快速獲取竹林病蟲害信息成了可能， 低空高光譜遙感在數據采集過程中受大氣因素影響小， 成像快速， 時效性強， 而且更能準確地反映出蟲害脅迫下的細微變化[4]。 羅青青等根據高光譜的光譜特征以及相關指數建立的模型能夠有效的檢測小吉丁蟲害等級[5]。 Iordache等使用高光譜數據對葡萄牙中部的兩個省進行松材線蟲病的檢測， 總體檢測精度達到91%以上[6]。 Marston等根據無人機高光譜的光譜反射率使用簡單的線性回歸確定了大豆蚜蟲誘發(fā)的應急反應[7]。 張輝等為了提高高光譜影像的分類精度， 根據Fisher判別分析求助最優(yōu)特征使不同類別樣本在高維特征空間中的可分離性更佳[8]。 趙勇鈞等利用Fisher判別模型分析評價馬尾松的健康狀況， 其結果與聚類分析方法得到的結果具有較好的一致性， 正判率達到97.8%[9]。 因此， 根據高光譜數據的光譜信息， 利用Fisher判別分析法構建判別模型， 在蟲害檢測中具有一定的魯棒性與適用性。

利用無人機高光譜成像系統(tǒng)， 采集福建省南平市順昌縣大干鎮(zhèn)洋門和上湖的竹林高光譜數據， 提取毛竹冠層特征信息， 篩選與蟲害程度檢測密切相關的特征， 利用Fisher判別法對不同剛竹毒蛾蟲害程度進行等級評判。 探討在無人機遙感技術支撐下， 毛竹剛竹毒蛾病蟲害的高光譜遙感檢測方法。

1 試驗區(qū)概況

以竹林小班的形式為試驗區(qū)設定范圍。 試驗區(qū)坐落在福建省毛竹的主產區(qū)， 我國十大竹鄉(xiāng)之一的南平市順昌縣的大干鎮(zhèn)武坊村洋門(26°53′6.35″N， 117°37′8.25″E)和土垅村的上湖(26°53′32.0″N， 117°39′52.25″E)兩個自然村莊， 兩地村民均以竹業(yè)主要經濟來源， 由于毛竹蟲害管控的力度的不足， 近年來， 順昌縣的毛竹蟲害呈上升趨勢， 已嚴重影響到該地方的發(fā)展。

圖1 試驗區(qū)位置圖

2 實驗部分

整體結構示意圖如圖2所示， 總體思想主要包括以下部分： (1)對毛竹葉片的光譜參數進行分析， 以凸顯不同蟲害程度的毛竹光譜響應； (2)利用Pearson相關系數法分析蟲害等級與光譜波長、 植被指數、 冠層光譜參數之間的相關性， 篩選出蟲害檢測光譜特征參數； (3)建立剛竹毒蛾蟲害等級Fisher判別分析模型， 分析各模型的判別精度后選擇利用最佳檢測模型進行采樣區(qū)的蟲害檢測。

圖2 整體結構示意圖

2.1 毛竹葉片光譜參數分析

(1)剛竹毒蛾蟲害等級劃分

參考《林業(yè)有害生物發(fā)生及成災標準》， 根據葉片的病斑個數、 大小以及葉片缺損程度作為判斷標準， 將不同程度的蟲害等級按照健康竹葉、 輕度蟲害、 中度蟲害以及重度蟲害進行劃分[1]。 依據森林植被保護、 專業(yè)學者以及長時間服務于植被健康監(jiān)察的從業(yè)者的實地調研結果， 對蟲害等級進行最終的判定。

(2)毛竹葉片光譜數據測量

于2019年8月前往大干鎮(zhèn)洋門和上湖進行調研與毛竹冠層竹葉采集， 共采集300組毛竹葉片樣本。 使用美國ASD Field Spec 3光譜儀測量竹葉光譜， 波長范圍為350～2 500 nm， 共2 151個波段。 測定前對葉片樣本進行排序和編號， 為保證光譜數據的準確性， 采樣前均進行標準白板校正； 光譜的測定時間為10:00—15:00， 探頭距葉片15 cm處垂直向下測量， 每個葉片樣本分別在葉尖、 葉中、 葉尾3個部位分別測量10條光譜， 計算10條光譜的平均值作為每個部位的光譜， 將葉片3個部位的平均光譜作為該葉片的最終光譜。 為凸顯光譜曲線在吸收谷和反射峰波段的光譜特征， 對原始光譜進行包絡線去除處理， 得到去包絡線光譜曲線[10]。 原始光譜曲線和去包絡線光譜曲線如圖3所示。

圖3 不同蟲害程度下原始和去包絡線光譜曲線

2.2 數據采集

使用大疆M600Pro多旋翼無人機作為飛行平臺， 搭載四川雙利合譜Gaiasky-mini2機載高光譜儀， 采集不同蟲害程度毛竹冠層無人機高光譜影像。 無人機高光譜影像波長范圍為400～1 000 nm， 光譜分辨率為(3±0.5) nm， 波段個數為176。 通過對實地環(huán)境的勘察后對采樣區(qū)進行無人機高光譜數據影像的采集， 影像如圖4所示。 共采集無人機影像101景， 其中洋門51景、 上湖50景。

圖4 無人機高光譜遙感影像

2.3 高光譜影像光譜波長與信息提取

(1)特征波長

為了提高不同波段對蟲害等級的判別能力， 利用Pearson相關系數法分析確定特征波長， 選取與剛竹毒蛾蟲害等級高度相關的波長。 經此步驟篩選的原始光譜特征波長為： 400， 406， 586， 593， 689和876 nm， 包絡線去除后的光譜特征波長為： 403， 406， 409， 412， 505， 515， 735和749 nm。

(2)冠層光譜指數

由于綠色植被光合作用的生化過程， 導致其在可見光波段的反射率變低， 在近紅外波段的反射率增強， 因此利用植被的這兩個特點構建合理的植被指數能很好的反映植被的健康狀況， 結合相關文獻， 構建如表1的9個光譜指數[12-13]。

表1 植被指數及其計算公式

(3)冠層光譜特征參數

通過不同蟲害程度與光譜波長的相關分析， 綠色植被的光譜會形成“紅邊”現象。 它能有效反映植被的健康狀況， 當植被生長狀況良好， “紅邊”會向近紅外方向移動； 當植物受到病蟲害感染時， 體內葉綠素含量降低， “紅邊”會向藍光方向移動[14-15]。 根據冠層光譜特性， 選取如表2的7個冠層特征參數。

表2 特征光譜參數及其定義

2.4 蟲害程度檢測模型以及模型評價方法

(1)Fisher判斷分析

根據方差分析的思想， Fisher在1936年提出一種區(qū)分各個總體的線性判別法。 Fisher判別法的主要思想是將n維空間數據投影到m維(n>m)上， 使得投影后的不同類別在較低維空間上分開。 原則上是組內方差盡可能小， 組間方差盡可能大， 再根據判別規(guī)則對樣品進行區(qū)分。 變換公式如式(1)

(1)

式(1)中，uij(i=1， 2， …，m；j=0， 1， …，n)為模型參數；x=(1,x1,x2, …,xn)為特征向量；m為新的特征個數， 滿足m≤min(k-1,n)。

(2)模型評價

將實地調研的300組毛竹葉片樣本隨機劃分為210組建模集和90組驗證集進行Fisher判別分析。 利用檢測精度、 Kappa系數和判定系數R2作為不同檢測模型的評價指標， 檢測精度、 Kappa系數和判定系數R2的值越高， 模型的檢測效果越明顯[1]。

3 結果與討論

3.1 基于冠層不同特征的判別函數

將300組樣本劃分為210組建模集和90組驗證集。 以冠層原始光譜的6個特征波長作為判別函數自變量， 利用Fisher判別分析建立剛竹毒蛾不同蟲害程度的三個判別函數， 所建立的函數系數如表3所示。

表3 基于原始光譜的判別函數

從表3中可以看出， 判別函數y1的方差百分比達到89.3， 說明模型判別函數y1具有很高的解釋能力， 可解釋超過80%的樣本信息， 當聯合3個判別模型， 可對所有的樣本信息進行解釋。

將冠層包絡線去除光譜的8個特征波長作為自變量， 建立Fisher判別分析模型， 建立的3個判別模型， 各個函數系數如表4所示。

表4 基于去包絡線光譜的判別函數

表4中基于包絡線去除光譜的特征波長建立的判別函數y1的方差百分比有88.3%， 3個判別模型能讓所有樣本得到解釋。

選擇與蟲害等級相關性較高的9個植被指數作為自變量， 建立Fisher判別分析模型， 則建立的3個判別函數的各個系數如表5所示。

由表5可知， 在冠層光譜指數所建立的三個判別函數中y1方差達到87.2%， 已經能對絕大多數樣本進行解釋， 結合y2和y3對樣本的解釋能達到100%。

表5 基于冠層植被指數的判別函數

將與剛竹毒蛾蟲害等級相關性較高的7個特征光譜參數作為自變量建立蟲害等級Fisher判別分析模型， 3個判別函數系數如表6所示。

表6 基于冠層光譜參數的判別函數

從表6可以看出， 判別函數y1可解釋樣本84.0%的信息， 結合三個判別函數可對所有樣本進行解釋。

3.2 不同特征判別函數精度對比

將驗證集的90組樣本分別代入各判別函數， 計算不同函數的樣本函數值， 根據樣本函數值與各組質心值之間的距離判定不同蟲害程度。 結合上述結果， 計算各模型的檢測精度、 Kappa系數和R2， 各函數驗證結果如表7所示。 結果顯示， 四種函數對剛竹毒蛾蟲害具有一定的檢測能力， 總體檢測精度均在75%以上， Kappa系數均高于0.7，R2在0.85以上。 從檢測精度可以看出， 其中健康等級的檢測精度差異較小均超過90.0%， 其次為重度蟲害， 檢測精度最低為78.7%。 輕度與中度蟲害類型的檢驗精度差異較大， 檢測精度的最大差異相差17.4%。 從總體上可以看出通過原始光譜建立的函數蟲害檢測能力優(yōu)于其他模型， 其檢測精度達到84.4%， Kappa系數為0.79，R2為0.89， 均高于其他三種特征建立的模型精度。

表7 不同特征判別函數精度

3.3 基于原始光譜判別模型的樣區(qū)檢測結果

通過判別函數的精度對比可以看出， 基于原始光譜的Fisher判別函數的檢測效果最優(yōu)。 因此， 利用無人機遙感影像原始光譜的判別函數， 采用最小距離法判別剛竹毒蛾蟲害類別。 根據蟲害檢測空間分布(圖5)可以看出， 采樣區(qū)上湖的蟲害檢測結果以健康類型占比最高。 采樣區(qū)洋門蟲害分布主要為中度和重度蟲害類型。 實地調研顯示， 上湖區(qū)平均海拔850 m， 而洋門區(qū)平均海拔只有550 m明顯低于上湖區(qū)海拔， 高海拔區(qū)域的低氣溫抑制了幼蟲的生長， 是導致上湖區(qū)域蟲害常年低于洋門區(qū)域的主要原因之一[1]。

圖5 采樣區(qū)蟲害等級空間分布

4 結 論

(1)利用高光譜的原始光譜、 去包絡線光譜、 冠層光譜指數以及冠層光譜參數等特征變量建立的Fisher判別分析模型對蟲害的檢測表現出差異性， 不同蟲害等級的檢測精度互有高低。 結果顯示， 利用原始光譜建立的Fisher判別模型蟲害檢測效果最佳， 其判別精度為84.4%， Kappa系數為0.79和，R2為0.89， 說明利用Fisher判別分析模型進行剛竹毒蛾蟲害檢測具有可行性。

表8 剛竹毒蛾蟲害檢測結果

(2)采用冠層尺度的原始光譜模型進行采樣區(qū)剛竹毒蛾蟲害檢測。 結果顯示， 采樣區(qū)上湖區(qū)域蟲害以健康和輕度蟲害為主， 洋門區(qū)域以中度和重度蟲害為主， 蟲害檢測結果與實地調研情況有較好的一致性， 可為當地林業(yè)部門進行剛竹毒蛾蟲害防護提供重要依據。