中圖分類號(hào)：S763.18 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2096-9902（2025）12-0006-05

Abstract：Pinewiltdisease，causedbypinewoodnematode（Bursaphelenchusxylophilus），isadevastating forestdiseasethat posesseverethreatstoforestecosystemsThisstudyaimstoapplyGF-2sateliteimageryformonitoringdiscoloredpinetrees andevaluateitsefectivenessbyestablishingadeplearning-basedmonitoringsystemtoenhancetimelinessandacuracy. IntegratingGF-2sateliteremotesensingdatawithUAVaerialimagery，monitoringexperimentswereconductedinGuangning County，Guangdong Province.Imageprocessngtechniques，including Gram-Schmidt（GS）fusionandthe GreenNormalized DiferenceVegetation Index（GNDVI），significantlyimprovedthecontrastbetweendiscoloredpinetreesandtheirbackground. Using adeep learning algorithm for discolored pine tree extraction，the method achieved a precision of 94.65% ，recall of 83.30% andF1-score of 88.61% .The results demonstrate that the GF-2-based identification method ofers high accuracy and can provide reliable data support for precise monitoring of pine wilt disease.

Keywords：pine wilt disease;remote sensing;GF-2;image fusion;evaluation

松材線蟲病是我國(guó)森林生態(tài)系統(tǒng)面臨的重大生物威脅之一，對(duì)森林資源造成了嚴(yán)重?fù)p害。該病害由松材線蟲引發(fā)，傳播迅速、致死率高，感染樹木從發(fā)病到枯死最快僅需40d，屬于重點(diǎn)檢疫對(duì)象，是森林生態(tài)系統(tǒng)中最具威脅性的病害之一↓。在國(guó)內(nèi)已導(dǎo)致數(shù)億株松樹死亡，造成的直接經(jīng)濟(jì)損失及生態(tài)服務(wù)價(jià)值損失累計(jì)數(shù)千億元，防控形勢(shì)愈加嚴(yán)峻，其識(shí)別與精準(zhǔn)定位，已成為防治該病的重要課題。感染松材線蟲病后，松樹癥狀明顯，針葉呈紅黃或紅褐色（簡(jiǎn)稱“變色松樹”），反射率和光譜特性發(fā)生顯著變化，這為變色松樹的高精度監(jiān)測(cè)創(chuàng)造了條件。

目前，松材線蟲病疫木的檢測(cè)主要依賴人工巡查、衛(wèi)星遙感和無人機(jī)遙感相結(jié)合的天地一體化監(jiān)測(cè)體系。人工巡查效率低且主觀性強(qiáng)，衛(wèi)星遙感雖然覆蓋范圍廣，但難以精確定位單株疫木；無人機(jī)技術(shù)能夠?qū)崿F(xiàn)單株定位，但受限于航拍范圍，難以實(shí)現(xiàn)大范圍的監(jiān)測(cè)。因此，融合多源數(shù)據(jù)的協(xié)同監(jiān)測(cè)模式已成為主流[6-8]，通過衛(wèi)星遙感篩選疑似區(qū)域，再利用無人機(jī)針對(duì)性地采集影像，結(jié)合深度學(xué)習(xí)算法進(jìn)行疫木識(shí)別與定位，最終指導(dǎo)地面精準(zhǔn)治理。

近年來，光學(xué)遙感衛(wèi)星的分辨率已達(dá)亞米級(jí)，高分辨率衛(wèi)星影像為單株變色松樹監(jiān)測(cè)提供了可靠的數(shù)據(jù)支持。本研究使用的國(guó)產(chǎn)高分二號(hào)衛(wèi)星（GF-2）是中國(guó)高分辨率對(duì)地觀測(cè)系統(tǒng)的重要組成部分，于2014年8月發(fā)射，是中國(guó)首顆空間分辨率優(yōu)于 1m 的民用光學(xué)遙感衛(wèi)星。其高分辨率影像數(shù)據(jù)廣泛應(yīng)用于資源調(diào)查、環(huán)境監(jiān)測(cè)、城市規(guī)劃和災(zāi)害評(píng)估等領(lǐng)域，為國(guó)家經(jīng)濟(jì)和社會(huì)發(fā)展提供了強(qiáng)有力的數(shù)據(jù)支持。高分二號(hào)的全色分辨率為 0.8m ，多光譜分辨率為 3.2m^[10] ，能夠清晰識(shí)別地面目標(biāo)，如建筑物、道路和植被。其寬幅成像能力（幅寬 45km 使得一次過境能夠覆蓋更廣的區(qū)域，顯著提高了數(shù)據(jù)采集效率，高重訪率和快速成像能力，使其在災(zāi)害監(jiān)測(cè)中具有重要應(yīng)用價(jià)值。

深度學(xué)習(xí)目標(biāo)檢測(cè)算法主要分為兩階段（如FasterR-CNN）和一階段（如YOLO系列）[框架，兩階段框架依賴于區(qū)域建議機(jī)制，精度較高，但計(jì)算復(fù)雜；一階段模型通過回歸直接預(yù)測(cè)目標(biāo)位置，提升檢測(cè)速度。然而，復(fù)雜的野外環(huán)境和無人機(jī)高空作業(yè)導(dǎo)致影像分辨率較低，且疫木自標(biāo)尺寸較小，這對(duì)變色松樹的監(jiān)測(cè)提出了挑戰(zhàn)。

研究結(jié)合衛(wèi)星遙感影像數(shù)據(jù)和無人機(jī)遙感影像，在廣東省廣寧縣開展監(jiān)測(cè)試驗(yàn)，結(jié)合影像融合、指數(shù)計(jì)算和信息提取等方法，成功實(shí)現(xiàn)變色松樹的識(shí)別與提取，并對(duì)提取結(jié)果進(jìn)行了評(píng)估分析。

1 材料與方法

1.1 試驗(yàn)地概況

試驗(yàn)地位于廣東省廣寧縣，地理坐標(biāo)為東經(jīng)112.4^° ，北緯 23.5^° ，屬于松材線蟲病疫區(qū)，且疫情較為嚴(yán)重。研究區(qū)屬亞熱帶季風(fēng)氣候，適宜松樹生長(zhǎng)，也為松材線蟲病的傳播提供了有利環(huán)境。研究區(qū)松林分布集中，具有一定的典型性與代表性，是開展松材線蟲病遙感監(jiān)測(cè)的理想場(chǎng)所。

1.2衛(wèi)星影像數(shù)據(jù)

本研究使用的高分二號(hào)（GF-2）衛(wèi)星影像數(shù)據(jù)獲取時(shí)間為2023年8月4日，處理級(jí)別為1A，已進(jìn)行輻射定標(biāo)和正射校正等預(yù)處理操作，并附帶RPC文件。主要技術(shù)參數(shù)見表1。

1.3 航拍數(shù)據(jù)

無人機(jī)航拍數(shù)據(jù)具有較高的空間分辨率，能夠提供更為詳細(xì)的地表信息，適用于小范圍的精細(xì)監(jiān)測(cè)。本研究將航拍數(shù)據(jù)作為地面的真實(shí)值，提供高精度的地面參考信息，用于驗(yàn)證衛(wèi)星影像識(shí)別結(jié)果，

數(shù)據(jù)獲取時(shí)間為2024年1月8日，無人機(jī)型號(hào)為大疆Mavic3，飛行高度設(shè)定為 420m ，旁向重疊率為 70% ，航向重疊率為 80% 。同時(shí)結(jié)合地面數(shù)據(jù)，驗(yàn)證衛(wèi)星影像的識(shí)別結(jié)果。使用Pix4Dmapper軟件進(jìn)行拼接，生成空間分辨率為 10cm 的正射影像，總覆蓋面積 。拼接影像與衛(wèi)星影像對(duì)比如圖1所示。

1.4 預(yù)處理方法

影像預(yù)處理工作主要包括輻射校正、幾何校正和影像融合等。研究使用的數(shù)據(jù)處理級(jí)別為1A，已進(jìn)行均一化輻射校正和正射校正等預(yù)處理操作，還需進(jìn)行影像融合等預(yù)處理操作。

影像融合是遙感數(shù)據(jù)處理中的關(guān)鍵環(huán)節(jié)[12]，將多源遙感數(shù)據(jù)（如全色影像和多光譜影像）結(jié)合，生成兼具高空間分辨率和高光譜分辨率的影像，為后續(xù)的信息提取和分析提供支持。影像融合技術(shù)在遙感領(lǐng)域應(yīng)用廣泛，能夠顯著提高影像的可用性和信息提取能力，不同的影像融合方法各有優(yōu)缺點(diǎn)，適用于不同的應(yīng)用場(chǎng)景。在實(shí)際應(yīng)用中，需根據(jù)具體情況選擇合適的融合方法，以達(dá)到最佳的融合效果，研究使用GS融合、PCA和HIS融合等3種主流方法。

GS（Gram-Schmidt）融合是一種基于全色銳化的影像融合方法，旨在利用全色影像的空間細(xì)節(jié)信息增強(qiáng)多光譜影像的空間分辨率。融合過程首先對(duì)多光譜影像進(jìn)行Gram-Schmidt正交化，生成模擬全色影像，然后高分辨率的全色影像替換模擬全色影像；最后通過逆變換生成融合影像。GS融合方法計(jì)算復(fù)雜度較高，但能顯著提高影像的空間分辨率，同時(shí)保留多光譜影像的光譜信息。

主成分分析（Principal ComponentAnalysis，PCA）作為統(tǒng)計(jì)學(xué)中的經(jīng)典維度約簡(jiǎn)方法，在模式識(shí)別與大數(shù)據(jù)處理領(lǐng)域具有重要應(yīng)用價(jià)值。該算法通過構(gòu)建正交坐標(biāo)系的數(shù)學(xué)方法，將多維數(shù)據(jù)集投影至低維特征空間，核心機(jī)制在于尋找數(shù)據(jù)變異最大的方向作為新坐標(biāo)軸。具體而言，該技術(shù)通過特征值分解將原始變量轉(zhuǎn)化為互不關(guān)聯(lián)的綜合指標(biāo)，這些指標(biāo)按照解釋數(shù)據(jù)變異性能力降序排列，在保證信息損失最小的前提下實(shí)現(xiàn)數(shù)據(jù)結(jié)構(gòu)的簡(jiǎn)化與噪聲過濾。

HIS（Hue，Intensity，Saturation）融合是一種基于顏色空間的影像融合方法，更注重亮度分量（Intensi-ty）的替換。融合過程先通過顏色空間轉(zhuǎn)換，將多光譜影像從RGB顏色空間轉(zhuǎn)換到HIS顏色空間；然后進(jìn)行亮度分量替換，用高分辨率的全色影像替換HIS空間中的亮度分量（Intensity）;最后通過顏色空間逆轉(zhuǎn)換，將影像轉(zhuǎn)換回RGB顏色空間，生成融合影像。

1.5 指數(shù)計(jì)算

指數(shù)計(jì)算與信息增強(qiáng)是高分辨率衛(wèi)星遙感影像處理中的重要步驟，有效地處理能顯著提升影像的可解釋性和信息提取能力。通過對(duì)影像進(jìn)行拉伸、構(gòu)造植被指數(shù)（如NDVI、NGRDI等）及采用不同的波段組合和增強(qiáng)方式等，可以擴(kuò)增影像的波段維數(shù)，優(yōu)化影像的顯示效果[13-14]，更好地呈現(xiàn)植被信息。本研究嘗試不同的波段組合、增強(qiáng)方式，確定最佳的影像顯示狀態(tài)。

1.5.1 植被指數(shù)計(jì)算

植被指數(shù)是通過遙感影像的特定波段計(jì)算得到的，能夠反映植被的生長(zhǎng)狀況和覆蓋程度等。本研究計(jì)算歸一化植被指數(shù)（NDVI）、歸一化綠紅差異指數(shù)（NGRDI和綠波段歸一化植被指數(shù)（GNDVI等植被指數(shù)進(jìn)行分析。

歸一化植被指數(shù)（NDVI）是遙感領(lǐng)域最常用的植被指數(shù)之一，廣泛應(yīng)用于植被覆蓋監(jiān)測(cè)、作物長(zhǎng)勢(shì)評(píng)估、干旱監(jiān)測(cè)等領(lǐng)域；歸一化綠紅差異指數(shù)（NGRDI）主要用于植被健康監(jiān)測(cè)和作物生長(zhǎng)狀態(tài)評(píng)估，反映植被的生長(zhǎng)狀況和覆蓋程度；綠波段歸一化植被指數(shù)（GNDVI）是一種基于綠光波段的植被指數(shù)，用于評(píng)估植物的光合作用效率和健康狀況。與傳統(tǒng)的NDVI相比，GNDVI對(duì)植物葉綠素含量變化更為敏感，GNDVI與植物冠層中的水分和氮素含量密切相關(guān)，通過GNDVI的變化可以間接推斷植物水分脅迫和氮素吸收情況。計(jì)算公式如下

NDVI=（NIR-Red）/（NIR+Red），

NGRDI=（Green-Red）/（Green+Red），

GNDVI=（NIR-Green）/（NIR+Green），

式中：NIR為近紅外波段； Red 為紅光波段； Green 為綠光波段。

在實(shí)際應(yīng)用中，GNDVI和NGRDI可以結(jié)合使用，以全面評(píng)估植被的光合作用效率、水分和氮素吸收情況，以及早期脅迫響應(yīng)。例如，在松材線蟲病監(jiān)測(cè)中，GNDVI可以用于檢測(cè)感染松樹的早期生理變化，而NGRDI則可用于識(shí)別變色松樹的光譜特征，從而提高病害監(jiān)測(cè)的精度和時(shí)效性。

1.5.2 信息增強(qiáng)

通過不同的波段組合和增強(qiáng)方式，可以優(yōu)化遙感影像的顯示效果，突出特定的地物信息。本研究采用真彩色（自然色）合成與假彩色合成2種方式。

真彩色使用紅光、綠光和藍(lán)光波段進(jìn)行合成，生成接近人眼視覺的影像，適用于地表覆蓋分類和城市規(guī)劃；假彩色合成使用近紅外、紅光和綠光波段進(jìn)行合成，生成假彩色影像，適用于植被監(jiān)測(cè)和災(zāi)害評(píng)估。

1.6 提取方法

變色松樹在遙感影像中目標(biāo)相對(duì)較小、目標(biāo)內(nèi)部特征較淺，深度學(xué)習(xí)中的目標(biāo)檢測(cè)技術(shù)能夠更好地捕捉這些細(xì)微的變化，采用YOLOv5算法進(jìn)行目標(biāo)識(shí)別。

首先進(jìn)行初始訓(xùn)練，利用樣本集內(nèi)的變色松樹樣本，使用基礎(chǔ)模型開展初始訓(xùn)練；完成初始訓(xùn)練后將進(jìn)行模型迭代，通過選取驗(yàn)證樣本集進(jìn)行模型預(yù)測(cè)，分析預(yù)測(cè)精度，總結(jié)典型漏提取和誤提取情況；最后進(jìn)行有針對(duì)性的樣本補(bǔ)充、模型參數(shù)和權(quán)重調(diào)整，開展多輪次迭代優(yōu)化，直至模型性能達(dá)到最優(yōu)。

1.7 評(píng)價(jià)方法

混淆矩陣是分類任務(wù)中常用的評(píng)價(jià)工具，用于量化模型的預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽之間的關(guān)系。本研究屬于二分類任務(wù)，混淆矩陣的形式見表2，其中正類為變色松樹，負(fù)類即非變色松樹（背景）。

基于混淆矩陣，可計(jì)算召回率、精確率和F1分?jǐn)?shù)等精度評(píng)價(jià)指標(biāo)，為分類模型的性能評(píng)估提供了量化依據(jù)。召回率表示模型正確預(yù)測(cè)為正類的樣本占實(shí)際正類樣本的比例，反映了模型對(duì)正類樣本的識(shí)別能力，適用于關(guān)注漏檢率的場(chǎng)景；精確率表示模型預(yù)測(cè)為正類的樣本中實(shí)際為正類的比例，反映了模型預(yù)測(cè)結(jié)果的可靠性，適用于關(guān)注誤檢率的場(chǎng)景;F1分?jǐn)?shù)兼顧了分類模型的精確率和召回率，可以看作是二者的調(diào)和平均值。計(jì)算公式如下

Recall=TP/（TP+TN）.

Precision： =TP/（TP+FP） ，

F1=2×（Precision×Recall）/（Precision+Recall）， 式中：Recall為召回率;Precision為精確率； F1 為F1分 數(shù)； TP 為預(yù)測(cè)為變色松樹且實(shí)際為變色松樹的樣本數(shù)量； TN為預(yù)測(cè)為變色松樹且實(shí)際不為變色松樹的樣本數(shù)量； FP 為預(yù)測(cè)不為變色松樹且實(shí)際為變色松樹的樣本數(shù)量。

2 結(jié)果與分析

2.1 預(yù)處理結(jié)果

3種融合方法都提高了原始多光譜影像的分辨率，將融合影像的熵、標(biāo)準(zhǔn)差與清晰度進(jìn)行對(duì)比，最后確定GS融合的影像效果最佳，變色松樹的目視判讀效果好。

最佳的融合方法可以清楚分辨各地類間的差異，但變色松樹與背景的差異化還可進(jìn)一步提升，因此在影像融合的基礎(chǔ)上進(jìn)一步計(jì)算植被指數(shù)，表3統(tǒng)計(jì)了植被指數(shù)的變異系數(shù)和相對(duì)極差等信息，其中GNDVI的變異系數(shù)與相對(duì)極差最高，說明該指數(shù)對(duì)植被的差異反應(yīng)較為敏感，對(duì)變色松樹的識(shí)別較為有利。

2.2 提取結(jié)果

核驗(yàn)區(qū)域共提取變色松樹467株，其中誤識(shí)別12株，漏識(shí)別78株，混淆矩陣見表4。根據(jù)混淆矩陣，計(jì)算得到精確率為 94.65% ，召回率為 83.30% ，F(xiàn)1分?jǐn)?shù)為 88.61% 。圖3展示了變色松樹的提取效果。

3 討論與結(jié)論

通過航拍數(shù)據(jù)對(duì)衛(wèi)星識(shí)別結(jié)果進(jìn)行驗(yàn)證，航拍數(shù)據(jù)能提供更為詳細(xì)的地表信息，尤其是在復(fù)雜地形和植被覆蓋區(qū)域，能有效補(bǔ)充衛(wèi)星影像的不足。研究中也發(fā)現(xiàn)了一些局限性：一是部分裸露地表、枯死植被或其他原因?qū)е碌淖兩蓸淙菀妆徽`識(shí)別為松材線蟲病引起的變色松樹；二是松材線蟲病早期感染階段的松樹光譜特征變化不明顯，導(dǎo)致早期識(shí)別的精度較低。

本研究通過結(jié)合高分二號(hào)衛(wèi)星影像和無人機(jī)航拍數(shù)據(jù)，通過GS融合和植被指數(shù)GNDVI，顯著提高變色松樹與背景的差異，使用深度學(xué)習(xí)中的目標(biāo)檢測(cè)算法，成功實(shí)現(xiàn)了異常變色松樹的提取。高分二號(hào)衛(wèi)星影像數(shù)據(jù)在松材線蟲病監(jiān)測(cè)中表現(xiàn)出較好的應(yīng)用潛力，其覆蓋范圍廣、重訪周期短的優(yōu)勢(shì)能夠滿足大范圍監(jiān)測(cè)的需求。同時(shí)，無人機(jī)航拍數(shù)據(jù)提供了高分辨率的精細(xì)信息，有效補(bǔ)充了衛(wèi)星影像在單木級(jí)監(jiān)測(cè)中的不足，二者結(jié)合的監(jiān)測(cè)方式能有效提高變色松樹的識(shí)別精度。

參考文獻(xiàn)：

[1]祿鑫，馮陸春，吳學(xué)卷，等.我國(guó)松材線蟲病發(fā)生趨勢(shì)及監(jiān)測(cè)研究進(jìn)展[J].貴州林業(yè)科技，2023，51（2）：105-110.

[2]郝昕.松材線蟲多效耐藥基因克隆及功能研究[D].哈爾濱：東北林業(yè)大學(xué)，2019.

[3]劉博文，寧連棣.基于遙感影像的松材線蟲病變色木遠(yuǎn)程監(jiān)測(cè)技術(shù)研究[J].中國(guó)林副特產(chǎn)，2024（5）：36-38.

[4]JIAYY，LIX，WUZW，et al.Characteristics ofpinewoodnematodedisease inNankangDistrict，Ganzhou，Jiangxi Province，China[J]. Ying yong sheng tai xue bao Σ=Σ The journal of applied ecology，2024，35（2）：507-515.

[5]KUANGJ，YUL，ZHOUQ，etal.IdentificationofPineWiltDisease-InfestedStandsBased on Single- andMulti-TemporalMedium-Resolution Satellite Data[J].Forests.2024，15（4）：596.

[6]蔡佩華.多源遙感影像松樹林區(qū)域提取與松材線蟲病變色木識(shí)別[D].荊州：長(zhǎng)江大學(xué)，2023：596.

[7]湯西靈，羅艷玲，朱云倩，等.松材線蟲病監(jiān)測(cè)技術(shù)研究進(jìn)展[J]

[8]王瑤瑤，王澤源.遙感衛(wèi)星和無人機(jī)的多光譜圖像相結(jié)合在松材線蟲病監(jiān)測(cè)中的應(yīng)用[J].花木盆景，2023（10）：106-107.

[9]WANGJH，ZHAOJH，SUNH，etal.Satellite remotesensing identification of discolored standing trees for pinewilt disease based on semi-supervised deep learning[J]. Re-mote Sensing，2022，14（23）：5936.

[10]嚴(yán)薇，孫學(xué)嬌，陳衛(wèi)榮，等.高分二號(hào)衛(wèi)星數(shù)據(jù)服務(wù)與應(yīng)用[J]衛(wèi)星應(yīng)用，2025（1）：36-41.

[11]REDMONJ，DIVVALA S，GIRSHICK R，et al.You OnlyLook Once：Unified，Real-Time Object Detection[C]//Com-puterVision amp;Pattern Recognition.IEEE，2016.

[12]秦琳，孟先進(jìn)，張水花，等.北京三號(hào)衛(wèi)星數(shù)據(jù)在松材線蟲病遙感監(jiān)測(cè)中的應(yīng)用評(píng)價(jià)[J].林業(yè)資源管理，2022（4）：126-133.

[13]焦全軍，鄭焰鋒，黃文江，等.陸地生態(tài)系統(tǒng)碳監(jiān)測(cè)衛(wèi)星松材線蟲病變色木識(shí)別指數(shù)研究[J].林業(yè)資源管理，2023（4）：123-131.

[14]鄒玉珍，曾慶偉，武紅敢，等.變色立木衛(wèi)星影像樣本特征分析及應(yīng)用[J].中國(guó)森林病蟲，2023，42（3）：1-8.