Research on early surveillance of pestilence forest area in southern Sichuan based on UAV hyperspectrum
-
摘要:
为探明马尾松感染松材线虫病早期地理位置及发病率。2021年7月上旬,利用无人机搭载高光谱成像仪采集遥感影像,选用支持向量机进行监督分类,在早期感病反演模型基础上,顺利提取了感病早期的马尾松地理位置及相关信息。结果表明:(1)利用460 nm、525 nm和635 nm的3波段组合真彩色影像进行ROI勾绘,马尾松与其他地被物分离度较高;(2)基于支持向量机的监督分类,顺利获取741株马尾松地理位置及高光谱反射率数据;(3)结合监测模型提取64株疑似感病马尾松,通过随机采样及镜检,马尾松聚类范围感病植株提取准确率86.67%,即马尾松林间发病率7.49%。综上,初步揭示川南地区马尾松林自然状态下松材线虫发病率,有利于今后指导松材线虫病早期精准防治。
Abstract:To investigate the early geographical location and incidence rate of Masson pine infected with pine wood nematode disease, in early July 2021, remote sensing images were collected by a hyperspectral imager mounted on UAV, and support vector machines were selected for supervised classification. Based on the inversion model of early disease susceptibility, the geographical location and related information of M. pine in the early stage of disease susceptibility were successfully extracted. The results showed that: (1) Using three-band combined true color images of 460 nm, 525 nm and 635 nm for ROI mapping, M. Pine has a high degree of separation from other ground cover. (2) Based on supervised classification of support vector machine, the geographic location and hyperspectral reflectance data of 741 Masson pines were obtained successfully. (3) Combined with the monitoring model, 64 suspected infected M. pine were extracted. Through random sampling and microscopic examination, the accuracy rate of infected plants in the cluster range of M. pine was 86.67%, that is, the incidence rate of M. pine in the forest was 7.49%. In conclusion, the incidence of pine wood nematode in the natural state of M. pine forest in southern of Sichuan was preliminatively revealed, which is helpful to guide the early and accurate control of pine wood nematode disease in the future.
-
松材线虫病是松材线虫(Bursaphelenchus xylophilus)引起的一种松林毁灭性灾害,被称为松树“癌症”[1]。四川省现有松林330余万hm2[2],在生态区位突出的盆周山区和攀西地区是森林生态系统的优势树种。有学者利用相关技术和模型对川西地区松材线虫病入侵风险进行了研究[3]。
传统监测主要依靠人工地面巡查,在松树感病后期凭借肉眼进行定性判断。随着遥感技术的发展,不同卫星数据和航空数据应用到日常监测中,基于像素的影像分类、深度学习和植被指数等方法被用于建立相关模型[4-6]。由于波段信息少、时效性较差使得林间应用受到局限,最有效的及常用的防治办法仍是清除病死疫木[7]。高光谱的出现弥补了波段不足的问题,该技术以纳米级的超高光谱分辨率和上百个波段同时对目标地物成像,可以获得包括森林资源地面物体连续光谱信息[8]。在植物感染松材线虫病后,其生理生化指标和光谱特征均会改变,而高光谱能敏锐捕捉这些变化[9]。无人机具有灵活机动、实时性强的特点,通过搭载各类传感器,具备时空分辨率、辐射分辨率、波普分辨率的优势,对于开展松材线虫病监测具有重大意义[10-12]。部分学者利用无人机开展了不同飞行高度作业效率和疫木提取精度研究[13, 14],但依靠人工目视判读效率低、准确性差[15],神经网络、面向对象等方法一定程度上解决了此问题[16, 17]。无人机与高光谱的结合为林业病虫害监测带来了新转机[18],有学者对无人机载林间松材线虫病早期监测多光谱成像仪开发进行了研究[19],未对林间复杂地物提取进行研究。目前研究表明对地物探测虽然识别精度较高,但其探测对象主要为汽车、机场、建筑物等清晰可见的目标[20-22],针对复杂地形及林分组成条件下染病松树的提取精度还未曾有相关研究报道。
我省自2004年首次发生松材线虫病,疫情防控过程中林分组成也趋向复杂,处于亚热带湿润季风气候的川南疫区尤为典型。结合已构建的川南地区反演监测模型,通过无人机搭载高光谱成像仪获取该区域马尾松林7月上旬的光谱影像,选用监督分类自动提取复杂林分中的马尾松(Pinus massoniana)地理位置,探究林间发病率及监测模型与无人机结合适用性,为进一步实现大面积早期监测奠定基础。
1. 实验材料和方法
1.1 研究区域
该区域位于原自贡市自流井区农团乡政府驻地以东,介于E:104°38′33″~104°30′01″,N:29°14′08″~29°16′32″之间,平均海拔435 m。植被组成包括马尾松、香樟(Cinnamomum camphora)、大桉(Eucalyptus grandis)、麻栎(Quercus acutissima)、慈竹(Bambusa emeiensis)、毛竹(Phyllostachys edulis),林下以油茶(Camellia oleifera)为主。地处中亚热带湿润季风气候,平均气温17.9℃。极端最高气温40℃,最低气温−2.8℃。
1.2 遥感材料
采用北京安洲科技自主研发无人机高光谱成像系统。包括:X20P地空两用光场成像高光谱仪、98%反射率硫酸钡白板、大疆经纬M300 RTK多旋翼无人机。高光谱成像仪数据参数参考表1。
表 1 X20P地空两用光场成像高光谱仪数据参数Table 1. Data parameters of X20P ground-air dual-purpose optical field imaging highspectrometer序号 性能 技术指标 序号 性能 技术指标 1 光谱范围 350~ 1000 nm7 整机质量 <650 g(无人机搭载重要指标) 2 光谱分辨率 4.0 nm 8 云台 一体式无刷云台 3 光谱通道数 ≥160 9 成像方式 全局快门面阵成像 4 扫描速度 ≥2 cubes/s(全画幅) 10 增稳范围 俯仰方向±40°;横滚方向±45° 5 探测器阵列 5120 ×3840 像素11 机械限位 俯仰方向±50°;横滚方向±90° 6 全色探测器规格 350万像素,与光谱探测器完全匹配同步成像 12 角度抖动量 ±0.015° 1.3 研究方法
1.3.1 不同地被物地理信息采集
结合研究区域内林分组成和松材线虫病发病情况,选择具有代表性的区域进行研究。按照生物因子和非生物因子进行地表标识物地理信息采集,其中非生物因子包括水域、土壤和建筑物等;生物因子包括不同树种(如马尾松、大桉、麻栎、香樟、竹林等)、耕地上的农作物等。据此建立不同地被物分类解译标识库,便于后期对遥感影像进行监督分类并提取马尾松分布范围。
1.3.2 影像采集
在天气晴朗、积云较薄、风力较小的气象条件下,选择10:00~14:00间(太阳高度角>45°时)进行无人机飞行作业。结合现地确定起飞场地,规避高压线、高建筑物及其他环境因素影响,避免出现飞机障碍、航时不足等问题,科学规划飞行参数,确保飞行安全。
1.3.3 数据处理
选用的遥感图像处理软件为ENVI 5.3,该软件可实现遥感影像的输入/输出、定标、正射影像、镶嵌与GIS的整合等功能[23]。
无人机获取的单景遥感影像带有相应的地理坐标,利用数据处理工具将多幅影像合并,生成一幅单一的带坐标信息和光谱反射值的合成图像。采用无人机低空航摄,只需进行辐射定标即可。
1.3.4 监督分类及后处理
首先,根据获取的不同地被物的地理位置信息,对处理好的影像进行ROI勾绘。勾绘标准:同一类型的不同样本应该尽量均匀分布在影像范围内,勾画的像元尽量纯净且范围不宜过大,每一类别均需选取一定数目的样本。此过程中需要选择不同的三波段组合,以便于人工目视勾绘。波普可分离性计算:当分离度数值>1.9说明样本之间可分离性好,属于合格样本;分离度数值<1.8,需要编辑或者重新选择样本;分离度数值<1,考虑将两类样本合成一类样本。
其次,监督分类中支持向量机(Support Vector Machine,SVM)具有总体精度高的特点,在马尾松分布范围提取中具有优势[24]。利用Majority Analysis将虚假像元进行归类,再进行聚类处理,最后过滤处理,获取马尾松矢量图层[25]。利用马尾松矢量范围裁剪获取的全波段光谱影像,提取研究区域内的马尾松高光谱影像数据,从而避免其他地被物干扰。结合白板反射率和平均DN值,生成增益系数并转换目标物反射率。
最后,结合马尾松早期感病反演模型,即:
$$ K=0.6874{e}^{0.7293*EVI} $$ (1) $$ EVI=2.5(R_{NIR} - R_{RED})/(1+R_{NIR} +6R_{RED} +7.5R_{BLUE}) $$ (2) 式中,K为马尾松感病指数;EVI为加强植被指数;RNIR为近红外波段779.8 nm的反射率;RRED为红光波段682.2 nm反射率;RBLUE为蓝光波段550.8 nm反射率。
根据获取的遥感影像光谱组成,选择邻近550.8 nm、682.2 nm和779.8 nm的3个波段反射率对马尾松感病状态进行定性判读。
2. 结果与分析
2.1 高光谱影像采集与处理
2021年7月8日,利用大疆经纬M300 RTK多旋翼无人机搭载X20P地空两用光场成像高光谱仪完成了研究区域影像采集。由于现地存在高压线,为保证复杂林分条件下的高分辨率,飞行高度设为120 m,作业面积为273.2 m×377.4 m,航向重叠度75%,旁向重叠度70%(见图1)。飞行作业时间为11:30 am,天气多云间晴、风速较小。单架次作业共获取了127张单景照片。
通过图像拼接、辐射校正,获得了研究范围内的正射影像(见图2)。该影像包含350 nm~998 nm之间的163个波段,每个波段4 nm。
2.2 建立分类解译标识库
利用GPS采集不同地被物地理位置信息,通过ENVI中ROI Tool进行不同地物样本勾绘,地被物划分标准见表2。经过多次勾绘及分离度比较,发现高光谱真彩色影像选择为Blue 460 nm、Green 525 nm和Red 635 nm三个波段组合效果较好。
表 2 不同地被物分类解译标志库Table 2. Classification and interpretation of different ground cover markers序号 460 nm、525 nm和635 m三波段影像样图 描述 地类判读 1 灰绿、绿、浅绿色颗粒状,颗粒大小在1~5 m左右。 马尾松 2 灰绿、黄颗粒状,颗粒大小1~3 m或更大,一般呈条状。 竹林 3 灰褐色、灰白色。一般大小在1~5 m或更大。 大桉 4 绿色、淡绿色,宽度在1~5 m。 香樟 5 红褐色、褐色,宽度在1~5 m。 麻栎 6 淡红色、白色、淡紫色不规则图斑。 土壤 7 呈块状,颜色为紫红色、红色等。 建筑物 8 暗灰色、灰色,呈块状。 水域 9 呈块状,主要为耕地,根据不同作物颜色差异较大。 其他 通过分离度对比,获取了研究区域内不同地物之间的分离系数(见表3)。其中,香樟和大桉的分离度最低,仅
1.2362 ;马尾松与香樟、大桉、慈竹、麻栎和麻竹的分离度均大于1.8;马尾松与土壤的分离度为1.9981 ,说明不同地物样本具有较高分离度,可以将马尾松从不同地物中提取。表 3 不同地物样本的分离度系数Table 3. Separation coefficient of different ground objects samples编号 样本A 样本B 分离度 编号 样本A 样本B 分离度 1 香樟 大桉 1.2362 12 香樟 麻栎 1.8562 2 香樟 慈竹 1.6668 13 马尾松 麻栎 1.8656 3 麻竹 大桉 1.6796 14 麻竹 马尾松 1.8870 4 慈竹 大桉 1.6867 15 香樟 土壤 1.9387 5 大桉 麻栎 1.7533 16 土壤 大桉 1.9456 6 麻竹 香樟 1.7711 17 慈竹 麻栎 1.9669 7 香樟 马尾松 1.8014 18 土壤 马尾松 1.9981 8 马尾松 大桉 1.8096 19 麻竹 土壤 1.9982 9 慈竹 马尾松 1.8125 20 土壤 麻栎 1.9997 10 麻竹 慈竹 1.8161 21 慈竹 土壤 1.9999 11 麻竹 麻栎 1.8365 2.3 监督分类及感病松树位置获取
选用SVM对遥感影像进行监督分类,预处理结果见图2。再利用Majority Analysis对小图斑进行剔除或重新分类,Kernel Size设置为21×21,中心像元权重为10。对不同地被物进行分类统计,马尾松共有
3085.65 万个像元,占整幅影像的30.07%,依次分别为慈竹、香樟和麻栎。将聚类结果矢量图层导入GIS软件进行马尾松地位手动提取,研究区域范围内共提取马尾松741棵,其分布与现地相符(见图3)。对遥感影像进行反射率计算,比较不同植被光谱反射率发现:不同植被绿光区和近红外区出现两个峰值,感病马尾松光谱反射曲线较健康植株差异明显,峰值显著下降(见图4),但该树种光谱曲线介于不同植被之间,在利用EVI指数进行松材线虫病反演时存在干扰,因此需要先对马尾松分布范围进行提取,以提升感病判读的准确性。结合反演监测模型和遥感影像波段组成,Blue 550 m、Red 682 nm和NIR 778 nm三个波段适用于马尾松感病定性判读。
利用提取的马尾松矢量范围裁剪全要素遥感影像,结合反演监测模型共提取疑似感病植株64株(见表4),随机选取30株疑似感病植株进行镜检,其中26株检出松材线虫,马尾松聚类范围感病植株提取准确率86.67%,即马尾松林间发病率7.49%。截至2022年12月3日,共发现表现症状的植株9株,其中8株为提取的感病植株;另外1株幼树由于大桉遮挡未能观察到树冠。此外,对感病植株的胸径进行了测量,并基于监测模型反推感病植株感病天数,但马尾松林龄与感病相关性较差,拟合度最高的对数型回归R2值仅为
0.6670 。表 4 感病马尾松位置及相关信息Table 4. Location and related information of infected M. pine序号 经度/° 纬度/° 胸径/cm K值 时间(d) 判读 序号 经度/° 纬度/° 胸径/cm K值 时间(d) 判读 1 104.6460 29.2405 6.4 4.3742 74 枯死 33 104.6471 29.2395 9.6 2.0905 52 感病 2 104.6456 29.2397 19.5 6.0335 84 枯死 34 104.6470 29.2395 15.8 1.7394 46 感病 3 104.6457 29.2398 14.6 5.274 80 枯死 35 104.6483 29.2393 11.5 1.9407 50 感病 4 104.6455 29.2414 11.2 4.6823 76 萎蔫 36 104.6483 29.2390 10.3 3.5328 68 感病 5 104.6486 29.2393 10.6 3.6472 69 萎蔫 37 104.6477 29.2386 13.7 2.9963 63 感病 6 104.6471 29.2394 13.1 4.0926 72 萎蔫 38 104.6473 29.2387 12.5 1.7901 47 感病 7 104.6450 29.2409 13.4 2.9078 62 萎蔫 39 104.6460 29.2397 7.9 2.037 51 感病 8 104.6459 29.2386 5.3 4.8937 77 萎蔫 40 104.6457 29.2399 12.3 2.7384 60 感病 9 104.6458 29.2400 15.7 3.3721 66 感病 41 104.6460 29.2403 8.4 1.3074 38 感病 10 104.6460 29.2405 10.2 2.3823 56 感病 42 104.6458 29.2401 12.8 1.9375 50 感病 11 104.6460 29.2407 11.7 2.8394 61 感病 43 104.6457 29.2400 16.3 3.2017 65 感病 12 104.6461 29.2397 8.2 2.0488 51 感病 44 104.6456 29.2403 9.8 1.8103 48 感病 13 104.6463 29.2395 11.4 2.7484 60 感病 45 104.6455 29.2404 11.5 2.9374 62 感病 14 104.6456 29.2386 13.2 3.7023 69 感病 46 104.6459 29.2406 8.9 2.2932 55 感病 15 104.6460 29.2405 10.5 2.0132 51 感病 47 104.6460 29.2407 9.8 1.7215 46 感病 16 104.6448 29.2409 14.6 1.7945 47 感病 48 104.6463 29.2407 10.7 3.0729 63 感病 17 104.6452 29.2408 11.2 2.7304 60 感病 49 104.6466 29.2405 13.4 3.7203 69 感病 18 104.6450 29.2408 9.8 1.1942 35 感病 50 104.6459 29.2412 10.8 1.7385 46 感病 19 104.6450 29.2408 8.6 1.8497 48 感病 51 104.6459 29.2404 10.6 3.7281 69 感病 20 104.6449 29.2407 14.7 2.3074 55 感病 52 104.6453 29.2399 10.5 1.7492 47 感病 21 104.6448 29.2408 15.6 3.2802 65 感病 53 104.6450 29.2397 10.7 2.8401 61 感病 22 104.6453 29.2385 16.4 4.0849 72 感病 54 104.6450 29.2407 10.6 3.7468 69 感病 23 104.6457 29.2386 14.7 2.9347 62 感病 55 104.6451 29.2410 24.1 2.1074 52 感病 24 104.6454 29.2389 8.3 1.7402 46 感病 56 104.6452 29.2410 15.3 2.0748 52 感病 25 104.6485 29.2389 9.7 1.1946 35 感病 57 104.6451 29.2406 10.7 2.6483 59 感病 26 104.6458 29.2409 7.3 1.8496 48 感病 58 104.6447 29.2391 15.3 1.9835 50 感病 27 104.6462 29.2406 11.8 3.0729 63 感病 59 104.6446 29.2388 13.8 2.7043 60 感病 28 104.6482 29.2406 16.2 2.8794 61 感病 60 104.6450 29.2399 12.2 2.9407 62 感病 29 104.6486 29.2392 13.7 2.9472 62 感病 61 104.6479 29.2379 9.9 1.0966 33 感病 30 104.6461 29.2396 9.6 1.9303 50 感病 62 104.6464 29.2392 12.6 1.3702 39 感病 31 104.6472 29.2394 10.2 1.0847 32 感病 63 104.6463 29.2382 11.5 2.6373 59 感病 32 104.6470 29.2397 11.5 2.1107 52 感病 64 104.6456 29.2415 13.2 3.0347 63 感病 3. 结论与讨论
利用SVM完成复杂林分条件下马尾松地理位置提取,结合反演监测模型完成该树种林间感染松材线虫病的定性判读,初步探明川南地区马尾松林自然状态下松材线虫感病率,便于今后开展松材线虫病早期精准防治。利用的反演监测模型基于特定波段的EVI指数,需要先获取马尾松地理位置以避免其他树种干扰,但影响其精准性的因素较多,如气候条件、高大植被遮挡、基于像元的ROI勾绘和小斑块去除等。此外,在进行地被物地理位置信息采集时应深入林分,避免林缘低矮目标物受高大植株阴影的干扰。
在对复杂地形及林分组成条件下染病松树的单株木提取时,ROI勾绘需精准,可以采用RTK辅助完成,在分离度系数满足要求的条件下,适当减少勾绘数量以缩短预处理时间。利用Majority Analysis进行小斑块去除,Kernel Size和中心像元权重设置需要根据影像分辨率和林分复杂度进行调整,小班碎化或去除过度都会对精准度造成影响。此外,马尾松纯林小班仍需进行人工目视勾绘。对于一般处理器而言,耗时较长、效率不高、存在主观影响[26],难以满足超大存储的大区域无人机影像计算需求。
可选用的聚类分析方法包括神经网络法(CNNs)、面向对象和监督分类等[27-29]。目前基于CNNs的地理对象探测中虽然识别精度非常高,但其探测对象主要清晰可见、外形规整的目标(如汽车、机场和建筑物等),且输入参数受人为主观经验影响。而SVM的监督分类可以自动寻找那些分类有较大区分能力的支持向量,其构造的分类器可将类与类的间隔最大化,使其具有较高的分类准确率,缺点是耗时较长。
多数反演监测模型基于NDVI指数或其他指数[30],实验模型选用EVI指数。因为NDVI一般用于反映植被绿度变化,而EVI在此基础上,对于减少背景和大气作用以及饱和问题影响更为突出,在开展无人机研究中优势明显。
在提取感病马尾松位置后,迅疾采用甲维盐注干挤进行防治,所以后期观察发现表现外观症状变化的植株仅占12.50%。此外,林龄与感病状态的拟合度不强,除植株抗性差异影响外,还与实验样本数量偏少有关。因此,在早期用药药效和感病林分林龄组成方面,有必要加强后续研究。
-
表 1 X20P地空两用光场成像高光谱仪数据参数
Table 1 Data parameters of X20P ground-air dual-purpose optical field imaging highspectrometer
序号 性能 技术指标 序号 性能 技术指标 1 光谱范围 350~ 1000 nm7 整机质量 <650 g(无人机搭载重要指标) 2 光谱分辨率 4.0 nm 8 云台 一体式无刷云台 3 光谱通道数 ≥160 9 成像方式 全局快门面阵成像 4 扫描速度 ≥2 cubes/s(全画幅) 10 增稳范围 俯仰方向±40°;横滚方向±45° 5 探测器阵列 5120 ×3840 像素11 机械限位 俯仰方向±50°;横滚方向±90° 6 全色探测器规格 350万像素,与光谱探测器完全匹配同步成像 12 角度抖动量 ±0.015° 表 2 不同地被物分类解译标志库
Table 2 Classification and interpretation of different ground cover markers
序号 460 nm、525 nm和635 m三波段影像样图 描述 地类判读 1 灰绿、绿、浅绿色颗粒状,颗粒大小在1~5 m左右。 马尾松 2 灰绿、黄颗粒状,颗粒大小1~3 m或更大,一般呈条状。 竹林 3 灰褐色、灰白色。一般大小在1~5 m或更大。 大桉 4 绿色、淡绿色,宽度在1~5 m。 香樟 5 红褐色、褐色,宽度在1~5 m。 麻栎 6 淡红色、白色、淡紫色不规则图斑。 土壤 7 呈块状,颜色为紫红色、红色等。 建筑物 8 暗灰色、灰色,呈块状。 水域 9 呈块状,主要为耕地,根据不同作物颜色差异较大。 其他 表 3 不同地物样本的分离度系数
Table 3 Separation coefficient of different ground objects samples
编号 样本A 样本B 分离度 编号 样本A 样本B 分离度 1 香樟 大桉 1.2362 12 香樟 麻栎 1.8562 2 香樟 慈竹 1.6668 13 马尾松 麻栎 1.8656 3 麻竹 大桉 1.6796 14 麻竹 马尾松 1.8870 4 慈竹 大桉 1.6867 15 香樟 土壤 1.9387 5 大桉 麻栎 1.7533 16 土壤 大桉 1.9456 6 麻竹 香樟 1.7711 17 慈竹 麻栎 1.9669 7 香樟 马尾松 1.8014 18 土壤 马尾松 1.9981 8 马尾松 大桉 1.8096 19 麻竹 土壤 1.9982 9 慈竹 马尾松 1.8125 20 土壤 麻栎 1.9997 10 麻竹 慈竹 1.8161 21 慈竹 土壤 1.9999 11 麻竹 麻栎 1.8365 表 4 感病马尾松位置及相关信息
Table 4 Location and related information of infected M. pine
序号 经度/° 纬度/° 胸径/cm K值 时间(d) 判读 序号 经度/° 纬度/° 胸径/cm K值 时间(d) 判读 1 104.6460 29.2405 6.4 4.3742 74 枯死 33 104.6471 29.2395 9.6 2.0905 52 感病 2 104.6456 29.2397 19.5 6.0335 84 枯死 34 104.6470 29.2395 15.8 1.7394 46 感病 3 104.6457 29.2398 14.6 5.274 80 枯死 35 104.6483 29.2393 11.5 1.9407 50 感病 4 104.6455 29.2414 11.2 4.6823 76 萎蔫 36 104.6483 29.2390 10.3 3.5328 68 感病 5 104.6486 29.2393 10.6 3.6472 69 萎蔫 37 104.6477 29.2386 13.7 2.9963 63 感病 6 104.6471 29.2394 13.1 4.0926 72 萎蔫 38 104.6473 29.2387 12.5 1.7901 47 感病 7 104.6450 29.2409 13.4 2.9078 62 萎蔫 39 104.6460 29.2397 7.9 2.037 51 感病 8 104.6459 29.2386 5.3 4.8937 77 萎蔫 40 104.6457 29.2399 12.3 2.7384 60 感病 9 104.6458 29.2400 15.7 3.3721 66 感病 41 104.6460 29.2403 8.4 1.3074 38 感病 10 104.6460 29.2405 10.2 2.3823 56 感病 42 104.6458 29.2401 12.8 1.9375 50 感病 11 104.6460 29.2407 11.7 2.8394 61 感病 43 104.6457 29.2400 16.3 3.2017 65 感病 12 104.6461 29.2397 8.2 2.0488 51 感病 44 104.6456 29.2403 9.8 1.8103 48 感病 13 104.6463 29.2395 11.4 2.7484 60 感病 45 104.6455 29.2404 11.5 2.9374 62 感病 14 104.6456 29.2386 13.2 3.7023 69 感病 46 104.6459 29.2406 8.9 2.2932 55 感病 15 104.6460 29.2405 10.5 2.0132 51 感病 47 104.6460 29.2407 9.8 1.7215 46 感病 16 104.6448 29.2409 14.6 1.7945 47 感病 48 104.6463 29.2407 10.7 3.0729 63 感病 17 104.6452 29.2408 11.2 2.7304 60 感病 49 104.6466 29.2405 13.4 3.7203 69 感病 18 104.6450 29.2408 9.8 1.1942 35 感病 50 104.6459 29.2412 10.8 1.7385 46 感病 19 104.6450 29.2408 8.6 1.8497 48 感病 51 104.6459 29.2404 10.6 3.7281 69 感病 20 104.6449 29.2407 14.7 2.3074 55 感病 52 104.6453 29.2399 10.5 1.7492 47 感病 21 104.6448 29.2408 15.6 3.2802 65 感病 53 104.6450 29.2397 10.7 2.8401 61 感病 22 104.6453 29.2385 16.4 4.0849 72 感病 54 104.6450 29.2407 10.6 3.7468 69 感病 23 104.6457 29.2386 14.7 2.9347 62 感病 55 104.6451 29.2410 24.1 2.1074 52 感病 24 104.6454 29.2389 8.3 1.7402 46 感病 56 104.6452 29.2410 15.3 2.0748 52 感病 25 104.6485 29.2389 9.7 1.1946 35 感病 57 104.6451 29.2406 10.7 2.6483 59 感病 26 104.6458 29.2409 7.3 1.8496 48 感病 58 104.6447 29.2391 15.3 1.9835 50 感病 27 104.6462 29.2406 11.8 3.0729 63 感病 59 104.6446 29.2388 13.8 2.7043 60 感病 28 104.6482 29.2406 16.2 2.8794 61 感病 60 104.6450 29.2399 12.2 2.9407 62 感病 29 104.6486 29.2392 13.7 2.9472 62 感病 61 104.6479 29.2379 9.9 1.0966 33 感病 30 104.6461 29.2396 9.6 1.9303 50 感病 62 104.6464 29.2392 12.6 1.3702 39 感病 31 104.6472 29.2394 10.2 1.0847 32 感病 63 104.6463 29.2382 11.5 2.6373 59 感病 32 104.6470 29.2397 11.5 2.1107 52 感病 64 104.6456 29.2415 13.2 3.0347 63 感病 -
[1] 朱克恭,朱正昌,严敖金. 松材线虫病的流行与研究进展. 中国松材线虫病的流行与治理[M]. 北京:中国林业出版社,1995,297−314. [2] 寇敏芳. 松材线虫病、蜀柏毒蛾……这些森林病害今年四川发生面积较大[N]. 川观新闻,2020-4-17. [3] 许格希,余荣兵,杨昌旭,等. 基于GIS空间技术和MaxEnt模型预测川西松材线虫病入侵风险[J]. 北京林业大学学报,2023,45(9):104−115. [4] 陶欢,李存军,程成,等. 松材线虫病变色松树遥感监测研究进展[J]. 林业科学研究,2022,33(3):172−183. [5] White J C, Wulder M A, Grills D. Detecting and mapping mountain pine beetle red-attack damage with SPOT-5 10-m multispectral imagery[J]. BC Journal of Ecosystems and Management, 2006, 7(2): 105−118.
[6] Dennison P E, Bruneller A R, Carter V A. Assessing canopy mortality during a mountain pine beetle outbreak using GeoEye-1 high spatial resolution satellite data[J]. Remote Sensing of Environment, 2010, 114(11): 2431−2435. DOI: 10.1016/j.rse.2010.05.018
[7] Lee S H, Cho H K, Lee W K. Detection of the pine trees damaged by pine wilt disease using high resolution satellite and airborne optical imagery[J]. Korean Journal of Remote Sensing, 2007, 23(5): 409−420.
[8] 浦瑞良,宫鹏. 高光谱遥感及其应用[M]. 北京:高等教育出版社,2000.89-93. [9] 赵春燕,杨志高. 高光谱遥感技术及其在森林监测中的应用探讨[J]. 林业调查规划,2006,31(1):4−6. DOI: 10.3969/j.issn.1671-3168.2006.01.002 [10] 宗世祥,毕浩杰. 基于无人机遥感的松材线虫病监测研究及展望[J]. 中国森林病虫,2022,41(3):45−51. [11] 黄焕华,马晓航,黄华毅,等. 利用固定翼无人机监测松材线虫病疫点枯死松树的初步研究[J]. 环境昆虫学报,2018,40(2):306−313. [12] 吕晓君,王君,喻卫国,等. 无人机监测林业有害生物初探[J]. 湖北林业科技,2016,45(4):30−33. DOI: 10.3969/j.issn.1004-3020.2016.04.008 [13] 李卫正,申世广,何鹏,等. 低成本小型无人机遥感定位病死木方法[J]. 林业科技开发,2014,28(6):102−106. [14] 曾全, 孙华富, 杨远亮, 等. 无人机监测松材线虫病的精度比较[J]. 四川林业科技,2019,40(3):92−95+114. DOI: 10.16779/j.cnki.1003-5508.2019.03.019 [15] 陶欢,李存军,谢春春,等. 基于HSV阈值法的无人机影像变色松树识别[J]. 南京林业大学学报:自然科学版,2019,43(3):99−106. [16] Pasher J, King D J. Mapping dead wood distribution in a temperate hardwood forest using high resolution airborne imagery[J]. Forest Ecology and Management, 2009, 258(7): 1536−1548. DOI: 10.1016/j.foreco.2009.07.009
[17] 吴琼. 基于遥感图像的松材线虫病区域检测算法研究[D]. 合肥:安徽大学,2013. [18] 申佩佩,邵月中. 无人机+高光谱带来森林病虫害遥感监测新转机[J]. 中国测绘,2022(1):76−77. DOI: 10.3969/j.issn.1005-6831.2022.01.016 [19] 何宗泰. 无人机载松材线虫病树早期防控大面积监测多光谱成像仪开发[D]. 杭州电子科技大学,2023. [20] Yang C, Li W, Lin Z. Vehicle object detection in remote sensing imagery based on multi-perspective convolutional neural Network[J]. ISPRS International Journal of Geo-Information, 2018, 7(7): 249. DOI: 10.3390/ijgi7070249
[21] Chen F, Ren R, Van de Voorde T, et al. Fast automatic airport detection in remote sensing images using convolutional neural networks[J]. Remote Sensing, 2018, 10(3): 443. DOI: 10.3390/rs10030443
[22] Tan Y, Xiong S, Li Y. Automatic extraction of built-up areas from panchromatic and multispectral remote sensing images using doublestream deep convolutional neural networks[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(11): 3988−4004. DOI: 10.1109/JSTARS.2018.2871046
[23] 邓书斌. ENVI遥感影像处理方法[M]. 北京:科学出版社,2010. [24] 张学敏. 基于支持向量数据描述的遥感影像病害松树识别研究[D]. 安徽大学,2014. [25] 疯狂学习GIS. ENVI实现最小距离法、最大似然法、支持向量机遥感图像监督分类与分类后处理操作[DB/OL].https://blog.csdn.net/zhebushibiaoshifu/article/details/125072035,2022-5-31. [26] Tao L, Abdelrahman A, Morton J, et al. Comparing fully convolu-tional networks, random forest, support vector machine, and patchbased deep convolutional neural networks for object-based wetland mapping using images from small unmanned aircraft system[J]. GIScience & Remote Sensing, 2018, 55(2): 243−264.
[27] 黄华毅,马晓航,扈丽丽,等. 基于深度学习的松材线虫病害松木识别[J]. 林业工程学报,2021,6(6):142−147. [28] 陆坎凯. 基于人工神经网络和高光谱数据的松材线虫病预测[D]. 浙江农林大学,2015. [29] 郑迪,沈国春,王舶鉴,等. 基于无人机高光谱影像和深度学习算法的长白山针阔混交林优势树种分类[J]. 生态学杂志,2022,41(5):1024−1032. [30] 刘文雅. 松材线虫病胁迫下松树生理参数的高光谱遥感估测模型研究[D]. 南京林业大学,2017.