李巖舟 覃 鋒,2 顧渝娟 韓陽(yáng)春 田洪坤 喬 曦,2

(1.廣西大學(xué)機(jī)械工程學(xué)院，南寧 530004；2.中國(guó)農(nóng)業(yè)科學(xué)院(深圳)農(nóng)業(yè)基因組研究所，深圳 518120；3.廣州海關(guān)技術(shù)中心，廣州 510623；4.江陰海關(guān)，江陰 214400；5.東北大學(xué)機(jī)械工程與自動(dòng)化學(xué)院，沈陽(yáng) 110819)

0 引言

近年來(lái)，生物入侵的危害日趨嚴(yán)重[1-2]。外來(lái)入侵植物薇甘菊(Mikaniamicrantha)為多年生草本[3-4]，主要以攀援纏繞喬灌木植物，重壓冠層頂部，阻礙附主植物的光合作用，爭(zhēng)取水分與養(yǎng)分的方式造成喬灌木植物的死亡[5-7]。其自1910年蔓延到我國(guó)南方，對(duì)生態(tài)系統(tǒng)造成重大損害[8]。國(guó)內(nèi)外學(xué)者對(duì)薇甘菊的入侵做了大量的研究，現(xiàn)有的薇甘菊的防治方法包括機(jī)械方法、化學(xué)方法和生物防治等，但都未能從根本上控制住其蔓延和危害[9-11]。提高薇甘菊監(jiān)測(cè)精度，為薇甘菊防治提供高質(zhì)量的空間分布信息，是防治薇甘菊的關(guān)鍵手段之一[5-6]。

目前對(duì)于薇甘菊的監(jiān)測(cè)仍然采用以人工踏查為主的監(jiān)測(cè)手段[11]，人工踏查費(fèi)時(shí)費(fèi)力，在一些復(fù)雜的環(huán)境下難以開(kāi)展監(jiān)測(cè)工作，無(wú)法對(duì)薇甘菊的分布及危害進(jìn)行準(zhǔn)確的定量評(píng)測(cè)。隨著衛(wèi)星遙感分辨率提高至亞米級(jí)，衛(wèi)星影像分類技術(shù)也開(kāi)始應(yīng)用于入侵物種識(shí)別[12-18]。無(wú)人機(jī)遙感系統(tǒng)具有運(yùn)載便利、靈活性高、作業(yè)周期短、影像數(shù)據(jù)分辨率高等優(yōu)點(diǎn)，以無(wú)人機(jī)遙感為工具的生態(tài)學(xué)研究在近幾年呈現(xiàn)出爆發(fā)式的增長(zhǎng)[19-22]。目前已有使用無(wú)人機(jī)對(duì)薇甘菊進(jìn)行監(jiān)測(cè)的案例[7,12]。在野外復(fù)雜背景下，無(wú)人機(jī)遙感相比于衛(wèi)星遙感，更加有利于發(fā)現(xiàn)入侵早期的薇甘菊，對(duì)薇甘菊的進(jìn)一步預(yù)警和防治更具實(shí)際意義。

在圖像識(shí)別領(lǐng)域，傳統(tǒng)的基于色彩空間的圖像識(shí)別方法具有通用性佳、準(zhǔn)確率高、魯棒性強(qiáng)等優(yōu)勢(shì)，能夠?qū)崿F(xiàn)目標(biāo)的快速識(shí)別[23]。聚類分析算法[24]是常用的無(wú)監(jiān)督學(xué)習(xí)方法，通過(guò)迭代的執(zhí)行，無(wú)需進(jìn)行預(yù)先的標(biāo)注訓(xùn)練，實(shí)現(xiàn)對(duì)數(shù)據(jù)分析和分類。深度學(xué)習(xí)[25-26]通過(guò)學(xué)習(xí)多層非線性網(wǎng)絡(luò)結(jié)構(gòu)，將原始數(shù)據(jù)的基本屬性轉(zhuǎn)化為更具魯棒性的抽象特征，大大提高了在復(fù)雜環(huán)境中的分類精度。在野外復(fù)雜背景下，薇甘菊的繁殖多樣性以及分布情況復(fù)雜，對(duì)其進(jìn)行準(zhǔn)確識(shí)別難度大。因此，通過(guò)對(duì)比基于RGB和HSV色彩空間識(shí)別算法、K-means聚類算法和MobileNetV3深度學(xué)習(xí)算法，進(jìn)一步確定更加適宜薇甘菊識(shí)別的算法。

目前氣候生態(tài)位模型GARP(Genetic algorithm rule-set production)和MaxEnt(Maximum entropy)是外來(lái)物種適生區(qū)預(yù)測(cè)研究中應(yīng)用最為廣泛的模型[27-28]。生態(tài)位模型通過(guò)研究環(huán)境因子對(duì)生物適生性的影響，得到物種的大尺度分布預(yù)測(cè)及適生性分析，對(duì)生物的防治具有指導(dǎo)意義，但是無(wú)法依靠其進(jìn)行精準(zhǔn)防治。在小范圍內(nèi)的環(huán)境因子基本相同，因此生態(tài)位模型并不適用于小尺度范圍的監(jiān)測(cè)預(yù)警。近年來(lái)，結(jié)合層次分析法和模糊理論的集定性分析與定量分析于一體的綜合評(píng)估數(shù)學(xué)模型在環(huán)境沖突分析中取得了公認(rèn)的潛力[29-33]。針對(duì)外來(lái)入侵植物薇甘菊的生態(tài)風(fēng)險(xiǎn)源和危害狀況，以模糊層次分析法作為生態(tài)風(fēng)險(xiǎn)評(píng)價(jià)方法和綜合評(píng)估模型有一定的研究意義。

基于以上研究，本文將以無(wú)人機(jī)搭載的高分辨率相機(jī)，獲取薇甘菊遙感航拍圖像，再用Otsu-K-means、RGB、HSV算法以及K-means-RGB、K-means-HSV、K-means-RGB-HSV融合算法和MobileNetV3深度學(xué)習(xí)算法對(duì)薇甘菊進(jìn)行識(shí)別，以期實(shí)現(xiàn)快速、準(zhǔn)確地獲取薇甘菊所處區(qū)域以及分布情況；基于識(shí)別結(jié)果應(yīng)用模糊層次分析法以及蓋度公式，并針對(duì)薇甘菊的生態(tài)學(xué)特性，研究薇甘菊生態(tài)景觀參數(shù)與危害等級(jí)關(guān)系模型，初步構(gòu)建出適合于薇甘菊的評(píng)估預(yù)警方案，以期為薇甘菊及其他入侵植物監(jiān)測(cè)和早期預(yù)警提供理論基礎(chǔ)、技術(shù)支撐和科學(xué)依據(jù)。

1 材料和方法

1.1 材料獲取與預(yù)處理

圖像數(shù)據(jù)采集地點(diǎn)位于廣東省廣州市從化區(qū)海濱大道旁，地理坐標(biāo)為(23°28′34″N，113°28′45″E)。圖像數(shù)據(jù)采集區(qū)域主要為農(nóng)業(yè)用地，該區(qū)域蔬菜與荔枝樹(shù)相間種植，有大量的薇甘菊入侵，同時(shí)該區(qū)域內(nèi)有鬼針草等入侵植物。在待監(jiān)測(cè)區(qū)域采用大疆經(jīng)緯600-Pro型無(wú)人機(jī)搭載尼康D850型套機(jī)組成“無(wú)人機(jī)+可見(jiàn)光相機(jī)”的低空遙感系統(tǒng)(表1)，無(wú)人機(jī)攝影高度為30 m，采取等時(shí)間2 s間隔，垂直航線攝影，設(shè)置航向、旁向重疊度均為70%，獲取連續(xù)的可見(jiàn)光影像數(shù)據(jù)，圖像數(shù)據(jù)采集獲取區(qū)域尺寸約為150 m×150 m。圖像采集時(shí)間是2018年11月21日至22日11:00—13:00，天氣多云。此時(shí)薇甘菊正值盛花期，已對(duì)該區(qū)域的植物生長(zhǎng)以及農(nóng)業(yè)生態(tài)環(huán)境造成明顯的損害。

表1 無(wú)人機(jī)遙感系統(tǒng)參數(shù)

采集共獲取高分辨率圖像429幅，單幅圖像分辨率8 256像素×5 504像素。通過(guò)Agisoft PhotoScan軟件，對(duì)采集的原始高分辨率可見(jiàn)光圖像進(jìn)行拼接。對(duì)圖像進(jìn)行排列、生成密集點(diǎn)云、網(wǎng)絡(luò)化和生成紋理4步處理獲得待監(jiān)測(cè)區(qū)域的數(shù)字正射影像，圖像尺寸為30 548像素×32 023像素，如圖1所示。

圖1 研究區(qū)域整體圖

1.2 薇甘菊的識(shí)別方法

1.2.1Otsu-K-means算法

1.2.1.1算法基本原理

K-means算法是基于質(zhì)心進(jìn)行，該算法以K為輸入?yún)?shù)，把n個(gè)對(duì)象集合分為K個(gè)簇。各簇內(nèi)的相似度非常高，簇之間的相似度非常低。K-means算法使用的聚類準(zhǔn)則函數(shù)是誤差平方和準(zhǔn)則。為了使聚類結(jié)果優(yōu)化，應(yīng)該使準(zhǔn)則JK最小化。JK計(jì)算公式為

(1)

式中JK——誤差平方和準(zhǔn)則

xk——第k個(gè)樣本

nj——第j簇樣本個(gè)數(shù)

Zj——第j簇對(duì)應(yīng)的中心點(diǎn)

(1)給出n個(gè)混合樣本，令迭代次數(shù)I=1，選取K個(gè)初始聚合中心Zj(I)。

(2)計(jì)算每個(gè)樣本與聚合中心的距離：D[xk,Zj(I)](k=1,2,…,n)。

(5)判斷：若Zj(I+1)≠Zj(I)，則I=I+1，返回步驟(2)，否則算法結(jié)束。

1.2.1.2識(shí)別方案

首先對(duì)拼接所得圖像進(jìn)行灰度處理，通過(guò)Otsu算法自主計(jì)算出最佳區(qū)域分割閾值T為0.670 6，Otsu算法的核心思想是選定的最佳分割閾值圖像的前景與背景的平均灰度差值最大化，這種最大化的差異用各區(qū)域的方差來(lái)表示。根據(jù)所得分割閾值T進(jìn)行閾值分割，最后執(zhí)行K-means算法，Otsu-K-means算法執(zhí)行過(guò)程如圖2所示。

圖2 Otsu-K-means算法執(zhí)行過(guò)程

1.2.2基于RGB、HSV色彩空間識(shí)別算法

首先建立采樣數(shù)據(jù)集，分別在RGB和HSV色彩空間下的圖像中采集，隨機(jī)抽取圖像中的10個(gè)部分薇甘菊共計(jì)100個(gè)像素點(diǎn)對(duì)應(yīng)的三通道值，同時(shí)還按相同方法采集了圖中的綠色植物、地面、淺色植物各100個(gè)像素點(diǎn)，分別計(jì)算其對(duì)應(yīng)的平均值、極值、方差、標(biāo)準(zhǔn)差，并進(jìn)行相關(guān)的數(shù)值運(yùn)算與分析。經(jīng)過(guò)對(duì)比分析，各個(gè)通道的取值范圍在平均值±2倍標(biāo)準(zhǔn)差這一范圍內(nèi)時(shí)薇甘菊與其他物體有較好的區(qū)分度且被遺漏的薇甘菊最少，以此作為對(duì)應(yīng)通道的盛花期薇甘菊識(shí)別閾值，如圖3所示。

圖3 薇甘菊各通道數(shù)值分析

1.2.3融合算法

K-means算法和色彩空間閾值分割算法在實(shí)際應(yīng)用中不僅能獨(dú)立完成圖像處理與識(shí)別任務(wù)，而且其融合算法也被廣泛應(yīng)用。文獻(xiàn)[34]提出了一種結(jié)合模糊聚類和色彩空間的陰影檢測(cè)算法，該算法充分結(jié)合了RGB和HSV兩個(gè)色彩空間的特征通道的優(yōu)勢(shì)，實(shí)現(xiàn)了準(zhǔn)確的檢測(cè)。文獻(xiàn)[35]采用無(wú)監(jiān)督學(xué)習(xí)的方法，研究舌色與疾病的關(guān)系。基于K-means算法對(duì)舌色進(jìn)行二維處理，在LAB顏色空間中保留了89.63%的原始信息，提高了可視化程度。文獻(xiàn)[36]采用改進(jìn)的K-means算法在圖像顏色空間對(duì)其進(jìn)行分類，以檢測(cè)水稻葉片上的病斑，算法實(shí)現(xiàn)了較高的精度。文獻(xiàn)[37]將LAB色彩空間和改進(jìn)的自適應(yīng)K-means算法結(jié)合，該方法分割效果更好，并能夠較好地保留邊緣輪廓。在實(shí)際應(yīng)用中，基于K-means和色彩空間閾值分割算法的融合算法解決了更多的問(wèn)題，相對(duì)于獨(dú)立使用兩種算法，融合后的算法更具有潛力和價(jià)值。因此本文采用基于K-means算法進(jìn)行圖像分割，再基于分割結(jié)果應(yīng)用色彩空間閾值分割算法進(jìn)行識(shí)別的方案，具體方案如下。

(1)基于K-means算法對(duì)整個(gè)監(jiān)測(cè)區(qū)域圖像的分割結(jié)果，應(yīng)用1.2.2節(jié)在RGB、HSV色彩空間下設(shè)定的識(shí)別閾值，即盛花期薇甘菊在各個(gè)通道的平均值±2倍標(biāo)準(zhǔn)差，確定K-means-RGB算法和K-means-HSV算法。

(2)根據(jù)K-means-RGB和K-means-HSV色彩空間識(shí)別算法的結(jié)果，確定K-means-RGB-HSV算法。K-means-RGB和K-means-HSV算法識(shí)別結(jié)果為二值圖，即像素點(diǎn)為1是盛花期薇甘菊；像素點(diǎn)為0是非盛花期薇甘菊，對(duì)其分別進(jìn)行且運(yùn)算和或運(yùn)算，確定融合算法。融合后K-means-RGB-HSV算法各個(gè)像素點(diǎn)的取值情況如表2所示，取值結(jié)果為1時(shí)即為盛花期薇甘菊。

表2 K-means-RGB-HSV算法取值

1.2.4基于深度學(xué)習(xí)的MobileNetV3算法

在基于深度學(xué)習(xí)的遙感圖像處理任務(wù)中，選擇高精度、計(jì)算量少和參數(shù)少的骨干網(wǎng)絡(luò)有助于提高圖像處理速度。MobileNetV3是一種輕量級(jí)神經(jīng)網(wǎng)絡(luò)，它充分結(jié)合了MobileNetV1的深度可分離卷積、MobileNetV2的具有線性瓶頸的倒殘差結(jié)構(gòu)的優(yōu)勢(shì)[38-40]。利用資源受限的平臺(tái)感知NAS與NetAdapt來(lái)搜索網(wǎng)絡(luò)的配置和參數(shù)，引入了輕量級(jí)注意力模型SE Block并提出一種在網(wǎng)絡(luò)越深越能夠有效地減少網(wǎng)絡(luò)參數(shù)量的新激活函數(shù)h-swish(x)，公式為

(2)

在網(wǎng)絡(luò)最后部分先進(jìn)行平均池化，再通過(guò)1×1卷積抽取用于訓(xùn)練最后分類器的特征，在保留高維特征的前提下進(jìn)一步減小延時(shí)。MobileNetV3網(wǎng)絡(luò)塊結(jié)構(gòu)如圖4所示[40]。

圖4 MobileNetV3網(wǎng)絡(luò)塊結(jié)構(gòu)

本研究以MobileNetV3-Large模型為基礎(chǔ)，根據(jù)二分類識(shí)別任務(wù)對(duì)網(wǎng)絡(luò)最后部分進(jìn)行修改，最后輸出層使用Sigmoid激活函數(shù)，從而實(shí)現(xiàn)對(duì)盛花期的薇甘菊進(jìn)行識(shí)別。首先將正射影像裁剪成128像素×128像素的小圖，隨機(jī)抽取7 000幅小圖，挑選出包含薇甘菊的小圖1 484幅和背景5 516幅，選取80%作為訓(xùn)練集和20%作為測(cè)試集。將數(shù)據(jù)集的圖像尺寸改為224像素×224像素，再進(jìn)行水平、垂直隨機(jī)翻轉(zhuǎn)和正則化處理，放入模型中進(jìn)行訓(xùn)練。深度學(xué)習(xí)模型搭建平臺(tái)選擇Windows 10下Python 3.8和Pytorch1.8.1框架，設(shè)置迭代次數(shù)為50次，批次大小為128，初始學(xué)習(xí)率設(shè)置為0.000 5，每迭代10次學(xué)習(xí)率衰減2/3。經(jīng)過(guò)50次迭代，模型在測(cè)試集上的準(zhǔn)確率達(dá)到95.57%。再將訓(xùn)練好的模型，對(duì)研究區(qū)域的正射影像進(jìn)行遍歷識(shí)別，最終獲得整個(gè)研究區(qū)域的薇甘菊分布圖。

2 結(jié)果與分析

2.1 算法結(jié)果評(píng)價(jià)標(biāo)準(zhǔn)

為了評(píng)價(jià)識(shí)別算法的性能，應(yīng)用Photoshop 2019軟件對(duì)待檢測(cè)圖像人工分割出目標(biāo)作為真實(shí)值，采用召回率R、精確率P和均衡平均數(shù)F1值共3個(gè)評(píng)價(jià)指標(biāo)進(jìn)行算法實(shí)驗(yàn)結(jié)果分析。

2.2 融合算法確定

為了確定最終的融合方案，根據(jù)1.2.3節(jié)中算法的識(shí)別結(jié)果，繪制混淆矩陣，如圖5(圖中TP為正確檢測(cè)到的正類數(shù)量，F(xiàn)N為正類被檢測(cè)成負(fù)類的數(shù)量，F(xiàn)P為負(fù)類被檢測(cè)成正類的數(shù)量，TN為正確檢測(cè)到的負(fù)類數(shù)量)所示?？梢钥闯鯧-means-RGB-HSV-1的TP值大幅減少而TN值增加，說(shuō)明被正確識(shí)別的薇甘菊減少，被正確識(shí)別的背景增多；K-means-RGB-HSV-2的TP值明顯增多，TN值減少，說(shuō)明該算法能夠更多地識(shí)別出薇甘菊，符合實(shí)際需求，因而確定最終的融合算法為取或運(yùn)算的K-means-RGB-HSV-2算法。

圖5 模型識(shí)別結(jié)果混淆矩陣

2.3 算法識(shí)別結(jié)果對(duì)比分析

基于本文提出的算法，對(duì)整個(gè)監(jiān)測(cè)區(qū)域自動(dòng)識(shí)別，經(jīng)過(guò)形態(tài)學(xué)計(jì)算，得到識(shí)別結(jié)果(圖6)。各算法召回率、精確率以及F1值如圖7所示。

圖6 監(jiān)測(cè)區(qū)域各識(shí)別結(jié)果

圖7 各算法的召回率、精確率及F1值

Otsu-K-means算法對(duì)于盛花期薇甘菊辨識(shí)度強(qiáng)，但識(shí)別完整度較低。經(jīng)過(guò)計(jì)算該算法召回率為38.73%，精確率為88.90%，F(xiàn)1值為53.95%。RGB(75.62%、72.59%、74.08%)和HSV(80.11%、81.82%、80.95%)算法的識(shí)別完整度較高，但識(shí)別辨識(shí)度較低，主要干擾為土地?；贛obileNetV3的識(shí)別算法(92.59%、61.62%、73.99%)，因該算法是基于小圖像的識(shí)別，其召回率較高而識(shí)別的精確率較低。K-means-RGB(89.68%、80.11%、84.63%)和K-means-HSV(81.40%、84.56%、82.95%)算法的召回率、精確率以及F1值均在80%以上，進(jìn)一步提升了盛花期薇甘菊的識(shí)別效果。K-means-RGB-HSV算法的召回率為96.70%，相比于其他算法，大大提升了算法對(duì)盛花期薇甘菊識(shí)別的完整度。其F1值最高(85.29%)，識(shí)別效果優(yōu)于其他6種算法。能滿足野外復(fù)雜環(huán)境下盛花期薇甘菊準(zhǔn)確識(shí)別的要求，實(shí)現(xiàn)了在厘米分辨率精度下對(duì)盛花期薇甘菊的精準(zhǔn)識(shí)別，也為進(jìn)一步進(jìn)行風(fēng)險(xiǎn)評(píng)估提供了保障和支撐。將識(shí)別結(jié)果標(biāo)注于整個(gè)監(jiān)測(cè)區(qū)域原圖中，如圖8所示。

圖8 基于識(shí)別結(jié)果的標(biāo)注圖

3 薇甘菊監(jiān)測(cè)與預(yù)警

3.1 薇甘菊風(fēng)險(xiǎn)評(píng)估指標(biāo)體系構(gòu)建

入侵物種危害等級(jí)評(píng)估對(duì)于預(yù)測(cè)和評(píng)價(jià)外來(lái)物種對(duì)環(huán)境、經(jīng)濟(jì)和社會(huì)等產(chǎn)生的影響有著重要意義。外來(lái)物種在不同生態(tài)系統(tǒng)的入侵危害狀況有著巨大的差別[30]，通過(guò)對(duì)入侵物種自身生物學(xué)特性、生態(tài)學(xué)特性以及環(huán)境因素和人為因素的研究分析，可以實(shí)現(xiàn)更加科學(xué)的評(píng)估。因此必須建立適應(yīng)本區(qū)域的外來(lái)植物入侵性風(fēng)險(xiǎn)評(píng)估體系，為外來(lái)生物入侵的防范和生態(tài)安全提供保障[41]?，F(xiàn)有的評(píng)估方法主要有專家打分法、途徑分析法等定性分析方法以及數(shù)理統(tǒng)計(jì)法、主成分分析法等定量分析方法，然而針對(duì)外來(lái)入侵生物繁殖能力強(qiáng)、傳播能力強(qiáng)以及生態(tài)適應(yīng)能力強(qiáng)等[42]不確定性特點(diǎn)，集定性分析與定量分析于一體的多指標(biāo)綜合評(píng)判法顯然會(huì)更加科學(xué)、全面，會(huì)更加有優(yōu)勢(shì)。文獻(xiàn)[43]基于海南生物入侵防控及外來(lái)物種管理的需求等現(xiàn)狀，構(gòu)建了適應(yīng)于海南實(shí)際情況的外來(lái)植物風(fēng)險(xiǎn)評(píng)估模型，該模型依托層次分析法，建立了3級(jí)指標(biāo)體系。文獻(xiàn)[44]研究了基于 Copula 模型的水電開(kāi)發(fā)生態(tài)系統(tǒng)累積效應(yīng)環(huán)境生態(tài)風(fēng)險(xiǎn)評(píng)價(jià)。從水環(huán)境、陸地生態(tài)系統(tǒng)和水生生態(tài)系統(tǒng)3方面，建立了定量與定性相結(jié)合的兩階段模糊綜合評(píng)價(jià)模型，能夠提高系統(tǒng)的整體性能。結(jié)合層次分析法和模糊理論的集定性分析與定量分析于一體的綜合評(píng)估數(shù)學(xué)模型在環(huán)境沖突分析中取得了公認(rèn)的潛力[33]。針對(duì)外來(lái)入侵植物薇甘菊的生態(tài)風(fēng)險(xiǎn)源和危害狀況[45]，以模糊層次分析法作為生態(tài)風(fēng)險(xiǎn)評(píng)價(jià)方法和綜合評(píng)估模型有一定的研究意義。

3.1.1模糊評(píng)價(jià)法

模糊評(píng)價(jià)法可以將定性評(píng)價(jià)轉(zhuǎn)化為定量評(píng)價(jià)，在生態(tài)風(fēng)險(xiǎn)評(píng)估中，往往存在一些不確定因素導(dǎo)致評(píng)估結(jié)果的失真，模糊理論可以提高評(píng)價(jià)結(jié)果的可靠性[32]。模糊評(píng)價(jià)法主要根據(jù)模糊數(shù)學(xué)隸屬度理論，應(yīng)用模糊關(guān)系合成的原理，通過(guò)多個(gè)系統(tǒng)的、全面的指標(biāo)對(duì)評(píng)價(jià)目標(biāo)進(jìn)行科學(xué)的、綜合的評(píng)判。

具體步驟如下：

(1)確定評(píng)價(jià)對(duì)象的因素U，U=(u1,u2,…,un)。

(2)確定評(píng)價(jià)的評(píng)語(yǔ)等級(jí)V，V=(v1,v2,…,vn)。

(3)評(píng)判單因素，構(gòu)建模糊關(guān)系矩陣

(3)

式中xij——ui對(duì)于vj的隸屬度

(4)確定評(píng)判因素權(quán)向量Y=(y1,y2,…,yn)。

(5)將Y與X合成得到B=(b1,b2,…,bm)。

(4)

(6)對(duì)B作分析處理，得到模糊綜合評(píng)價(jià)結(jié)果。

3.1.2層次分析法

層次分析法(Analytic hierarchy process，AHP)是一種系統(tǒng)、靈活且實(shí)用的多準(zhǔn)則決策方法。在層次分析法中，問(wèn)題是由不同層次構(gòu)成的，包括目標(biāo)、標(biāo)準(zhǔn)、子標(biāo)準(zhǔn)和備選方案。給定層次結(jié)構(gòu)級(jí)別上的元素成對(duì)比較，以評(píng)估它們相對(duì)于下一個(gè)更高級(jí)別上的每個(gè)元素的相對(duì)權(quán)重[46]，通過(guò)對(duì)決定現(xiàn)象或過(guò)程結(jié)果的影響因素進(jìn)行基于矩陣的兩兩比較，從而產(chǎn)生高質(zhì)量和精確的決策。

具體步驟如下：

(1)層次結(jié)構(gòu)的建立

在應(yīng)用AHP決策問(wèn)題時(shí)，構(gòu)造出一個(gè)有層次的結(jié)構(gòu)模型是重要的前提。這些層次可以分為目標(biāo)層、準(zhǔn)則層以及措施層3個(gè)層次，由于層次數(shù)是圍繞著問(wèn)題復(fù)雜度來(lái)設(shè)定的，在實(shí)際使用中層次數(shù)不受限制。

(2)判斷矩陣的構(gòu)造

(3)層次單排序及一致性檢驗(yàn)

層次單排序是指同層次因素對(duì)于上一層某一因素相對(duì)重要性排序權(quán)值，判斷矩陣A的特征值和特征向量。公式為

AW=λmaxW

(5)

式中W——特征向量

λmax——最大特征值

最大特征值λmax及其特征向量W所有分量均為正實(shí)數(shù)。判斷矩陣的質(zhì)量需要進(jìn)行一致性檢查，判斷矩陣中各指標(biāo)需要滿足

(6)

計(jì)算一致性指標(biāo)，檢驗(yàn)判斷矩陣的一致性。

一致性指標(biāo)計(jì)算公式為

(7)

一致性比例計(jì)算公式為

(8)

式中RI——平均隨機(jī)一致性指標(biāo)

當(dāng)CR<0.10時(shí)，判斷矩陣的一致性檢驗(yàn)通過(guò)。

(4)層次總排序及一致性檢驗(yàn)

對(duì)于層次總排序需要進(jìn)行一致性檢驗(yàn)，設(shè)B層對(duì)上層(A層)中因素A(j)(j=1，2，…，m)的層次單排序一致性檢驗(yàn)指標(biāo)為CI(j)，相應(yīng)的平均隨機(jī)一致性指標(biāo)為RI(j)，則B層的總排序隨機(jī)一致性比例為

(9)

當(dāng)CR<0.10時(shí)，層次總排序一致性通過(guò)，并接受該分析結(jié)果。

3.1.3風(fēng)險(xiǎn)評(píng)估指標(biāo)體系構(gòu)建

采用文獻(xiàn)調(diào)查和專家咨詢方法，構(gòu)建薇甘菊風(fēng)險(xiǎn)評(píng)估指標(biāo)體系。指標(biāo)體系由5個(gè)二級(jí)指標(biāo)和12個(gè)三級(jí)指標(biāo)組成。運(yùn)用模糊理論和層次分析法對(duì)各級(jí)指標(biāo)賦予了一定的權(quán)重，確定薇甘菊風(fēng)險(xiǎn)評(píng)估指標(biāo)體系以及權(quán)重，如圖9所示。

圖9 薇甘菊危害等級(jí)評(píng)價(jià)層次結(jié)構(gòu)模型

評(píng)估體系的第1級(jí)指標(biāo)，即目標(biāo)層是薇甘菊入侵危害等級(jí)評(píng)估，是最終風(fēng)險(xiǎn)評(píng)級(jí)達(dá)到的目的；研究的第2級(jí)指標(biāo)，即準(zhǔn)則層是由5個(gè)主要評(píng)價(jià)因素構(gòu)成，分別是入侵性、適生性、擴(kuò)散性、危害性以及防治可行性，該評(píng)價(jià)因素是通過(guò)對(duì)薇甘菊的生物特性、生態(tài)環(huán)境及人文社會(huì)多因素綜合考究設(shè)定的。研究的第3級(jí)指標(biāo)，由隸屬于準(zhǔn)則層的12個(gè)具體的影響因子構(gòu)成。這些影響因子是對(duì)準(zhǔn)則中5項(xiàng)指標(biāo)的細(xì)化，為整個(gè)模糊綜合評(píng)價(jià)系統(tǒng)的實(shí)施提供支撐，不僅有助于定性模糊復(fù)雜問(wèn)題，還可使定量數(shù)據(jù)化問(wèn)題更加科學(xué)化、簡(jiǎn)單化以及可行化。

3.2 薇甘菊生物量估算

薇甘菊生物量的估算是薇甘菊危害等級(jí)定量評(píng)估模型的重要參考依據(jù)，其生物量的估算模型主要依托于薇甘菊的生物學(xué)、生態(tài)學(xué)特性，結(jié)合不同生境條件下對(duì)薇甘菊地上部生物積累量與其附主植物的數(shù)值關(guān)系來(lái)進(jìn)行計(jì)算。

根據(jù)2014年云南省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)環(huán)境資源研究所對(duì)異質(zhì)環(huán)境下入侵植物薇甘菊的適生性與繁殖特性調(diào)查結(jié)果，引用了與本課題監(jiān)測(cè)區(qū)域相近經(jīng)緯度地區(qū)的農(nóng)田用地薇甘菊實(shí)驗(yàn)結(jié)論。農(nóng)田生境條件下薇甘菊地上部分生物量積累影響情況參照文獻(xiàn)[47]計(jì)算，其中薇甘菊總生物量為(13.85±0.88)g，薇甘菊花生物量為(0.68±0.06)g。據(jù)此確定了監(jiān)測(cè)區(qū)域圖像單位像素點(diǎn)的面積為0.23 cm2，單位像素點(diǎn)對(duì)應(yīng)的薇甘菊花生物量和總生物量分別為0.14～0.17 g和2.98～3.39 g。

3.3 薇甘菊蓋度計(jì)算

薇甘菊主要以攀援纏繞喬灌木植物，重壓冠層頂部，阻礙附主植物的光合作用，爭(zhēng)取水分與養(yǎng)分的方式造成喬灌木植物的死亡。蓋度是樣地受侵害植物被薇甘菊藤葉覆蓋(投影)面積占樣地面積的百分比。由于薇甘菊是通過(guò)覆蓋附主植物從而危害植物，在小范圍內(nèi)，薇甘菊的生長(zhǎng)環(huán)境、天敵情況、生長(zhǎng)速度等基本相同，所以蓋度是衡量薇甘菊對(duì)附主植物危害程度的最主要的標(biāo)度。

根據(jù)3.2節(jié)可知薇甘菊單位像素點(diǎn)總生物量和單位像素點(diǎn)花生物量，圖像識(shí)別結(jié)果可得薇甘菊的花像素個(gè)數(shù)以及圖像總像素個(gè)數(shù)，根據(jù)計(jì)算得出薇甘菊總生物量在圖像上的像素值，從而得到薇甘菊的蓋度C公式為

(10)

式中M1——薇甘菊單位像素點(diǎn)總生物量

M2——薇甘菊單位像素點(diǎn)花生物量

P1——圖像總像素個(gè)數(shù)

P2——薇甘菊花像素個(gè)數(shù)

3.4 薇甘菊危害等級(jí)劃分

參考國(guó)內(nèi)外入侵植物風(fēng)險(xiǎn)分級(jí)方法和實(shí)際案例，建立薇甘菊入侵風(fēng)險(xiǎn)評(píng)測(cè)表，共建立5個(gè)風(fēng)險(xiǎn)值范圍，如表3所示。基于K-means-RGB-HSV算法的識(shí)別結(jié)果，將整個(gè)監(jiān)測(cè)區(qū)域劃分為不同尺寸的網(wǎng)格，根據(jù)蓋度計(jì)算公式以及5個(gè)風(fēng)險(xiǎn)值范圍，得出不同危害等級(jí)各個(gè)網(wǎng)格內(nèi)的花像素值范圍。再計(jì)算每個(gè)網(wǎng)格內(nèi)的花像素值，將所得單個(gè)網(wǎng)格作為一個(gè)像素，其值設(shè)置成相應(yīng)的蓋度范圍內(nèi)的灰度。

表3 薇甘菊入侵風(fēng)險(xiǎn)評(píng)測(cè)標(biāo)準(zhǔn)

3.5 薇甘菊入侵預(yù)警可視化

取出每一個(gè)存在薇甘菊的像素點(diǎn)位于圖像中的坐標(biāo)，對(duì)各個(gè)坐標(biāo)取輻射半徑為R創(chuàng)建一個(gè)緩沖區(qū)，由中心(中心點(diǎn)灰度)到邊界(灰度為0)漸進(jìn)地填充灰度，對(duì)于有緩沖區(qū)交叉的區(qū)域，可以疊加灰度，繪制熱力圖。此處的半徑是薇甘菊的輻射半徑，即出現(xiàn)薇甘菊花的位置，其輻射半徑R內(nèi)都為危害區(qū)。選取網(wǎng)格尺寸為1、2、3、4 m，輻射半徑R為2、4、6像素，繪制了在不同網(wǎng)格尺寸和輻射半徑下的熱力圖。

從圖10中可看出，在相同網(wǎng)格尺寸下，隨著輻射半徑R的增大，薇甘菊的分布面積迅速增大；在相同輻射半徑R下，隨著網(wǎng)格尺寸的增大，薇甘菊分布熱力圖的精度不斷下降，同時(shí)分布面積也相應(yīng)有所增加。網(wǎng)格尺寸和輻射半徑R的選擇，會(huì)對(duì)結(jié)果產(chǎn)生很大影響。網(wǎng)格過(guò)大以及半徑過(guò)大，都會(huì)導(dǎo)致監(jiān)測(cè)精度降低。而過(guò)小的網(wǎng)格劃分以及過(guò)小的半徑，會(huì)占用大量的算力資源，并且容易使得部分實(shí)際存在薇甘菊的區(qū)域未能得到體現(xiàn)。在實(shí)際應(yīng)用中應(yīng)綜合考量所需精度，以及設(shè)備的算力資源，對(duì)網(wǎng)格尺寸、半徑合理選擇。

圖10 預(yù)警熱力圖

4 討論

本文主要基于無(wú)人機(jī)遙感高分辨率可見(jiàn)光圖像，利用Otsu-K-means、RGB、HSV算法以及K-means-RGB、K-means-HSV、K-means-RGB-HSV融合算法和MobileNetV3算法對(duì)野外復(fù)雜環(huán)境下的盛花期薇甘菊精準(zhǔn)識(shí)別做了初步研究，并對(duì)構(gòu)建盛花期薇甘菊危害等級(jí)評(píng)估模型做了初步探索。

在識(shí)別算法方面，Otsu-K-means算法對(duì)薇甘菊的辨識(shí)度強(qiáng)，但召回率很低，造成漏識(shí)別多，識(shí)別效果差。RGB、HSV算法的識(shí)別完整度較高，但精確率較低，造成誤識(shí)別多。從K-means-RGB、K-means-HSV和K-means-RGB-HSV算法的結(jié)果可以看出，融合后的算法相較于融合之前均是在精確率稍微降低的前提下，召回率及F1值有較為明顯的提升，原因是K-means算法的融入，可以有效減少土地對(duì)RGB和HSV算法的干擾，從而提升算法的識(shí)別效果。MobileNetV3算法的召回率高，但由于其是針對(duì)小圖的識(shí)別，識(shí)別為薇甘菊的小圖中，會(huì)存在并未充滿薇甘菊的情況，因此識(shí)別的精確率較低。在本文中識(shí)別的對(duì)象是入侵物種薇甘菊，防控的需求是在保證一定的識(shí)別精度下，盡可能全面地發(fā)現(xiàn)薇甘菊，從而降低因漏識(shí)別而造成的薇甘菊再次爆發(fā)的風(fēng)險(xiǎn)，召回率和精確率都不能單獨(dú)評(píng)估模型的好壞，因此選擇綜合指標(biāo)F1值作為最終的評(píng)價(jià)指標(biāo)。其中基于K-means-RGB-HSV融合算法的F1值最高，能夠滿足對(duì)盛花期薇甘菊的識(shí)別監(jiān)測(cè)需求。

在生態(tài)評(píng)估方面，基于本文實(shí)際監(jiān)測(cè)區(qū)域環(huán)境狀況、監(jiān)測(cè)面積以及監(jiān)測(cè)圖像像素，構(gòu)建了薇甘菊風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，對(duì)整個(gè)監(jiān)測(cè)區(qū)域的薇甘菊生物量和蓋度進(jìn)行了評(píng)估計(jì)算并劃分了不同的危害等級(jí)?；谟?jì)算結(jié)果繪制了不同尺寸網(wǎng)格、不同輻射半徑的熱力圖，建立了在小尺度范圍內(nèi)精準(zhǔn)的薇甘菊危害分布熱力圖。國(guó)內(nèi)外的文獻(xiàn)中，對(duì)生物入侵的評(píng)估方法中，多為大尺度范圍內(nèi)的評(píng)估，如生態(tài)位模型是對(duì)某一國(guó)家或地區(qū)的層面，利用環(huán)境因子對(duì)某種生物在該區(qū)域的適生性進(jìn)行預(yù)測(cè)；層次分析法也是針對(duì)某一市級(jí)單位，在較大尺度范圍內(nèi)，對(duì)各個(gè)評(píng)估因子進(jìn)行綜合評(píng)估，其所使用的評(píng)估因子，在小尺度范圍內(nèi)，很難量化，所以并不適用于小尺度范圍的預(yù)警。本文所建立的小尺度范圍的薇甘菊風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，不僅可以清晰地體現(xiàn)薇甘菊的危害情況，而且可以準(zhǔn)確地定位薇甘菊入侵的高危區(qū)域，實(shí)現(xiàn)薇甘菊精準(zhǔn)識(shí)別監(jiān)測(cè)及風(fēng)險(xiǎn)評(píng)估管理的監(jiān)測(cè)機(jī)制。

5 結(jié)論

(1)Otsu-K-means算法對(duì)于盛花期薇甘菊辨識(shí)度強(qiáng)，但識(shí)別完整度較低，最佳分割閾值T為0.670 6，在進(jìn)行聚類時(shí)，K值取2及以上時(shí)可以有效區(qū)分盛花期薇甘菊。RGB和HSV算法的識(shí)別完整度較高，但識(shí)別辨識(shí)度較低，設(shè)定各個(gè)通道的取值范圍在取樣平均值±2倍標(biāo)準(zhǔn)差作為閾值，可以使薇甘菊與其他物體有較好的區(qū)分度且被遺漏的薇甘菊最少。本文深度學(xué)習(xí)算法是基于小圖的分類識(shí)別，算法的召回率為92.59%，而識(shí)別的精確率低。

(2)K-means-RGB和K-means-HSV算法的召回率、精確率以及F1值均在80%以上，進(jìn)一步提升了盛花期薇甘菊的識(shí)別效果。K-means-RGB-HSV算法的的召回率為96.70%，相比于其他算法，大大提升了算法對(duì)盛花期薇甘菊識(shí)別的完整度。其F1值最高(85.29%)，識(shí)別效果優(yōu)于其他6種算法，能滿足野外復(fù)雜環(huán)境下盛花期薇甘菊準(zhǔn)確識(shí)別的要求，實(shí)現(xiàn)了在厘米分辨率精度下對(duì)盛花期薇甘菊的精準(zhǔn)識(shí)別，也可為進(jìn)一步進(jìn)行風(fēng)險(xiǎn)評(píng)估提供保障和支撐。

(3)基于本課題實(shí)際監(jiān)測(cè)區(qū)域環(huán)境狀況、監(jiān)測(cè)面積以及監(jiān)測(cè)圖像像素，構(gòu)建了薇甘菊生物量估算模型，確定了研究區(qū)域圖像單位像素點(diǎn)對(duì)應(yīng)的薇甘菊花生物量為0.14～0.17 g，單位像素點(diǎn)對(duì)應(yīng)的薇甘菊總生物量為2.98～3.39 g。薇甘菊入侵預(yù)警的可視化，選擇過(guò)大的網(wǎng)格尺寸和輻射半徑，會(huì)導(dǎo)致薇甘菊的監(jiān)測(cè)精度降低。過(guò)小的網(wǎng)格尺寸和輻射半徑會(huì)占用大量計(jì)算資源，在實(shí)際應(yīng)用中應(yīng)根據(jù)所需精度、算力支持綜合選取。繪制所得熱力圖邊緣過(guò)渡平滑，形成了閉合的危害區(qū)域，能更好地定位薇甘菊入侵的高危區(qū)域。