4008-508-928

基于无人机高光谱的松木线虫病监测

发表时间:2022-05-11 10:23

1、背景

森林环境是人类自然环境中生物环境的重要组成部分,森林体系的健康程度对于人类可持续发展具有重要意义。然而,随着人类活动发展的增强,天然林逐渐被林木种类相对单一的人工次生林代替。人工次生林其抗病虫害能力较弱,森林病虫害的预防、监测和治理,已经成为林业管理部门的工作重心之一。
松木林具有较强的适应能力,可以抵御干旱、大风和寒冷气候,并且能够在各种类型土壤中生长,因此在我国分布范围非常广泛。然而,该树种却受到松材线虫的致命威胁。松材线虫属我国重大外来入侵种,已被我国列入对内、对外的森林植物检疫对象。该病自1982年发现以来,迅速扩散蔓延,包括江苏、安徽、山东、浙江、广东及全国其他地区的14省(市、区)发生,面积超过8万公顷,导致大量松树枯死。对我国的松林资源、自然景观和生态环境造成严重破坏,造成了严重的经济和生态损失。

图片

图1 松木林及病害树体示意图

目前基于人工现场勘测和样地法的森林管理和病害监测防治方法,已无法满足目前森林病害加剧的严峻形势的要求。随着行业级无人机的发展,利用无人机在高空巡航和遥控地面端人工识别的的手段,可以克服传统的人工踏勘费时、费力以及在大范围水体人工遗漏检测的弊端。同时基于高光谱可以反映高分辨率光学信息的特征,利用很多很窄的电磁波波段(通常< 10nm)从大面积林木中获取有关的数据,为大面积森林监测与管理提供了契机。

2、理论基础

2.1 松木线虫病成因

松木线虫病的传播是以天牛(松墨天牛)等甲壳类昆虫为主要宿主,依靠甲虫的飞行而进行线虫病害的传播。松木线虫病的病发具有两个特点。第一,是离散分布的;第二,病死树木周边大概率存在染病树木。因此,可以根据这两个特点来指导本研究的现场调查和遥感监测研究工作。

图片

图2 松木线虫病传播典型特征

松材线虫侵入树木后,导致松木针叶失水、褪绿,继而变褐,最后整株枯死,针叶呈红黄色。
其发展过程可分为4个阶段:
Ø 外观正常,树脂分泌减少或停止,蒸腾作用下降;
Ø 针叶开始变色,树脂分泌停止,通常能够观察到天牛或其它甲虫侵害和产卵的痕迹;
Ø 大部分针叶变为黄褐色、萎蔫,通常可见到甲虫的蛀屑;
Ø 针叶全部变为黄褐色,病树干枯死亡,但针叶不脱落,此时树体上一般有多种害虫栖居。
松树从感染到死亡的时间,会随着松材树虫侵入的时间和数量发生变化,从出现症状到死亡,大概需要一个月到数个月的时间。进入夏天,外界的温度升高之后,病虫的侵害也会逐渐加重,发病率会越来越高,感染和死亡的速度也越来越快。

图片

图3 松木线虫病染病过程变化

2.2 无人机高光谱技术

高光谱反映了高分辨率光学信息的特征,其利用很多很窄的电磁波波段(通常<10nm)从感兴趣的物体获取有关数据。高光谱图像是由成像光谱仪获取的,成像光谱仪为每个像元提供数十至数百个窄波段光谱信息,产生一条完整而连续的光谱曲线。图像信息可以反映样本的大小、形状、缺陷等外部品质特征,由于不同成分对光谱吸收也不同,在某个特定波长下图像对某个缺陷会有较显著的反映,而光谱信息能充分反映样品内部的物理结构、化学成分的差异。因此,利用高光谱特性可以识别不同染病期的松木监测,并且与无人机进行结合,可以实现高效大面积森林的高效监测

图片

图4 由300个波段组成的无人机高光谱影像

无人机高光谱具有以下特点:
(1)光谱特征多。成像光谱仪在可见光和近红外光谱区内有300个波段。
(2)光谱分辨率高。成像光谱仪采样的间隔小,分辨率小于3nm。精细的光谱分辨率反映了地物光谱的细微特征。
(3)数据量丰富。随着波段数的增加,数据量呈指数增加。可提供空间域信息和光谱域信息,即“图谱合一”,并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。
3、数据采集

3.1 无人机高光谱影像采集

在规划的研究区域,根据需求采集高光谱影像。
具体步骤如下:
(1)无人机端设置:组装无人机高光谱设备,设置航高、航速,根据相机参数和影像重叠度需求设置影像航线间距。
(2)相机端设置:根据航高航速设置相机帧率,根据白板测量值设置积分时间(曝光时间)。
(3)标准反射率白板:在航线区域摆放标准反射率白板,采集影像时需拍摄到白板。

图片

图5 无人机高光谱数据采集示意图

3.2 无人机高光谱影像预处理

无人机高光谱影像数据采集后,需要进行以下预处理工作:
(1)波长定标:采集的原始影像没有波长信息,需要添加波长定标文件。
(2)影像裁剪:高光谱采用推扫式成像,需要对采集的测区影像进行裁剪。
(3)配准拼接:对裁剪后的测区影像进行地理配准或相对配准,之后对配准后的影像拼接成完整影像。
(4)辐射校正:原始影像中的值代表反射强度,需要利用白板反射值和标准反射率进行校正,计算整个影像的反射率。影像反射率计算方法如下:

图片

(5)混合光谱分解:无人机采集的光谱数据受空间分辨率影像,导致一个像元中可能由不同地物或者植被混合平均而成,为提高反演精度,需要对影像进行混合光谱分解操作。
(6)光谱滤波(平滑):原始影像中的光谱信息存在一定的噪声,在应用之前需要进行光谱滤波。

3.3 松木高光谱数据采集

除无人机采集研究区域的高光谱影像外,还需利用地物光谱仪在实地开展现场调查。目的是为无人机遥感图像的分类提供现场分类模型真实样本和分类结果的检验样本。现场调查的主要内容是测量不同健康情况的松木的光谱数据,将地物光谱仪采集到的不同健康情况的松木光谱数据,作为无人机高光谱影像数据处理的标准数据。

图片

图6 地物光谱仪设备及数据采集示意图

4、研究方法与结果

4.1 松木光谱曲线

开展高光谱遥感监测研究的重要条件是对研究对象端元的光谱进行分析。基于地物光谱仪采集的不同健康情况的松木端元,提取的光谱曲线如图7所示。不同健康程度的松叶光谱呈现很大差别,其中健康松叶光谱在680-760 nm波长附近呈现很陡的斜坡(即“红边”),表明叶片具有较高的叶绿素含量以及健康的细胞结构。染病松叶部分叶片表现健康,少部分叶片脱水枯黄,对应的光谱曲线“红边”斜率下降,黄色和红色光波段(约530-680 nm)反射率增强,与叶片叶绿素含量下降导致变黄有关。对于枯死叶片,无明显反射率特征,光谱曲线呈现平缓上升趋势。

图片

图7 不同健康情况松叶光谱曲线


4.2 模拟松木提取结果

在松叶端元光谱分析基础上,结合实测数据模拟健康松木、松叶提取。研究方法与过程主要包括以下方面:
(1)地物分类
地物分类的目的主要是为更好观察植被、土壤等的划分界限。分类方式采用监督分类,并利用支持向量机(SVM)进行监督学习。首先人工标记需要分类的种类和地物端元(ROI),本文将地物分为三类:硬化地表(蓝色),草地裸土(淡绿色)和树体(绿色)。之后输入SVM分类器中进行自动分类。
(2)端元检测
端元检测用于提取影像中健康松木树体、树叶。首先利用地物光谱仪采集的光谱数据,作为端元检测的输入数据。之后选择波谱角检测方法识别高光谱影像中的健康松木区域(红色)。
(3)检测后处理
原始检测结果存在部分噪声和分散像元,需要进行优化。利用分类后处理工具,包括最大值分析和聚类处理,目的是去除小斑块噪声。优化结果如图8所示。

图片

图8 健康松木区域检测结果



会员登录
登录
我的资料
留言
回到顶部