摘要

松材线虫病是目前对我国各省区松树林区危害最大的病害类型之一，被称为是松林的癌症，一旦发生病害，如不及时的监测和治理，将对我国的林业生态安全造成巨大的威胁。其中对染病和病死树木的准确监测和定位是开展治理工作的首要环节，但目前尚未有有效的监测方法的研究和应用。为此，本研究探讨基于无人机遥感平台，利用多光谱和高光谱遥感手段，研究适用于我国山地松林林区的松材线虫病染病树木和病死树木的监测方法。选择青岛的城阳（崂山山脉）和黄岛（珠山山区）为研究区，利用无人机载多光谱和高光谱传感器为载荷，通过发展遥感图像数据的处理、分类识别和定位方法，开展了染病、病死松树树木的高效、高精度监测。结果表明无人机遥感是开展松材线虫病监测的有效手段，多光谱和高光谱数据均可实现对病害树木的识别提取。无人机多光谱和高光谱监测方法可为松材线虫病的早期治理和治理后效评估提供方法支撑。

关键词：无人机遥感；高光谱遥感；多光谱遥感；松材线虫病监测

01 引 言

森林是以木本植物为主体的生物群落，森林生态系统物种多样、结构复杂、功能丰富的特点，特别是在涵养水源、稳固土壤、降低温室效应等方面无可替代，被誉为“地球之肺”。工业时代以来，在全国甚至全世界范围内，原始天然林遭到大肆砍伐，取而代之的是林木种类相对单一的人工次生林。相比于天然林，其抗病虫害能力较弱。对于森林病虫害的预防、监测和治理，已经成为林业管理部门的工作重心之一。然而，在林业管理上，由于目前普遍存在的重造林、轻管理、森防机构不健全、技术相对落后等问题，对森林病虫害的监测和防治一直水平不高。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。在充分提高森林病虫害防治管控意识的基础上，通过引进和发展新的监测技术，实现森林病虫害的早期发现、病害位置和分布范围的准确监测、病害程度的分级评估，对提高森林病虫害防治效果，促进林业健康发展，都具有十分重要的意义。

遥感技术以其大面积同步、高空间、高光谱、高时间分辨率的优势，已经在林业资源环境监测中发挥了重要的作用。自 80 年代起，林业部门已利用卫星遥感结合地理信息系统 (GIS)等方法对我国森林资源进行了清查和监测；对自然条件恶劣的西藏全区进行了森林资源清查，填补了国家空白；对我国三北防护林等林业工程进行了生态功能评价。我国应用林业遥感技术已有二十多年的历史，取得了可喜的成绩，充分展现了遥感技术在林业中的巨大生命力（陈永富等,2011;寇文正等,1990;徐升华等,2016）。在森林组成研究(Kavzoglu等,2016; 翟天林等,2016; 陈艳锋等,2016; Hansen等,2014)、树种识别及生化属性反演(Laurin等,2016; 廖凯涛等,2016; Alonzo等,2015)和森林结构研究(Karila等,2015; 刘清旺等,2016; Wallace等,2016; 郭昱杉等,2016; Mcroberts等,2015; 邱赛,2016)等方面，均开展了大量的工作。

无人机遥感在林业生产活动中的应用仍处于起步阶段，但其强大的应用前景，对推动现代林业、智慧林业和精准林业的建设和发展具有重要意义。可用于林业生产工作中的无人机航空数据主要包括高分辨率遥感图像、高光谱图像和合成孔径雷达图像等。国内外学者开展了部分探索性的研究工作(张增等,2015; 张园等;2011; Manjunath等,2013; Camps-Valls等,2014)。

在松材线虫病的遥感监测方面，国内外学者开展了一些初步的探索和研究。韩国在1998年-1999年选用TM和IKONOS遥感图像，利用马氏距离法和最大似然法对对遥感图像进行分类，并结合地面调查对虫害进行了预测预报方法研究；之后在2002年又利用IKONOS遥感图像，结合大比例尺的地形图资料和GPS地面调查，确定了受害区域的分布（Kim等2001,2002）。我国对松材线虫病的遥感监测始于1999年，中国林科院在宁波选用中分辨率的TM多光谱遥感图像，配合航空录像数据，在安徽黄山、福建三明和广东部分地区开展了松材线虫病害的遥感监测实验(石进等，2006)。2007年，王震等应用光谱仪测量了马尾松4种不同受害类型的现场光谱，分析并得到了染病植株的特征波段分布范围（王震等，2007）。

综上所述，遥感技术已经成为林业现代化建设的一条重要的技术途径，无人机遥感的蓬勃兴起更是给林业资源调查、管理和利用提供了一项行之有效的现代化工具，而高光谱遥感手段已被证实在作物的生长监测、病害检测等方面具有巨大的应用潜力。基于此，本研究拟综合利用上述遥感手段的优势，针对林业病虫害监测对新型技术手段的迫切需求，开展基于无人机高光谱遥感的森林病虫害监测技术研究，重点研究以无人机为平台的多光谱和高光谱遥感监测技术手段，对于松材线虫病枯死树木和染病树木的监测方法，为松材线虫病的精准、高效处置和防治提供第一手的基础数据，为森林病虫害有效管控、林业资源可持续发展和利用提供基础支撑。

02 研究区域和数据

2.1 松材线虫病监测区域

监测区域位于青岛市的城阳区和黄岛区（图1）。其中，城阳区的监测区域位于惜福镇毛公山北侧，黄岛监测区域位于珠山国家参林公园西侧。两个区域均为5-10年的次生松树林，且均发生了轻度到中度的松材线虫病灾害，健康、染松材线虫病和因松材线虫病而病死的松树树木的现场照片如图2所示。本研究中，利用无人机平台，分别搭载多光谱（城阳监测区）和高光谱成像仪（黄岛监测区），以开展对病死松树和染病松树的精确识别和提取为目标，开展相应的监测方法研究。

图1 黄岛监测区和城阳监测区分布示意图

图2 监测区林木松林线虫病情况现场照片

(a)健康松树，(b)染病但未枯死松树，(c)枯死松树

根据图1，两个监测区分别位于青岛市的崂山山脉和珠山山区，是青岛市松林面积最大和最集中的区域。开展上述两个区域林区的松材线虫病无人机多光谱和高光谱遥感监测，一方面，可以验证以无人机平台的遥感监测方法的有效性，另一方面，为这两个松林分布区的松材线虫病防治提供实例借鉴，同时也为高分辨率多光谱和高光谱遥感技术在病死和染病松材线虫病树木的监测技术方法的发展提供支撑。根据图2，实现对染病和病死树木的准确监测和信息提取，存在两个难点，其一，如何精确对病死树木个体的提取和定位，其二，如何实现对染病树木的精确分类。

根据现场调查和文献调研，松材线虫病的传播是以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。因此，松材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。以此两个特点来指导本研究的现场调查和遥感监测研究工作。

2.2 无人机选型

本研究选用的无人机平台为深圳飞马机器人科技有限公司研发的一款主力型四旋翼无人机D200。D200无人机是飞马着力推出的一款基于高性能旋翼平台的一体化高精度航测无人机系统，主打“高精度成图”。D200起飞重量7.5kg，标准载重1kg，单架次海平面悬停时间48min，秉承飞马产品安全可靠的设计理念，飞行器上传感器采取了多路冗余设计，保障飞行作业安全可靠。D200分为影像版和LiDAR版，影像版可配备搭载两轴增稳云台的单相机正射载荷（可选配高精度IMU模块）或搭载两轴增稳云台的五相机倾斜摄影载荷；LiDAR版配备高精度LiDAR模块和POS系统，提供点云高精度解算、设备检校、点云平差、海量数据快速浏览等完整LiDAR处理流程，为客户提供多元化的高精度数据获取方案。D200配备高精度差分GNSS板卡，支持PPK、RTK及其融合作业模式，可实现稀少外业控制点或一定条件（地物特征丰富）下无控制点的1:500成图，支持POS辅助空三，实现免像控应用。配合“无人机管家”专业版中精准地形跟随飞行功能，可保证所获取影像分辨率或LiDAR点云密度的一致性。

选择飞马无人机作为传感器搭载平台开展青岛松林线虫病监测的原因是，该款无人机兼具长飞行时间、大覆盖区域、操控简易、设计友好的特点，特别是可灵活的搭载不同类型的传感器，并提供了可靠的兼容性接口。所使用的飞马D200无人机和现场飞行照片如图3所示。

图3 飞马无人机青岛松林线虫病监测飞行现场照片

2.3 多光谱和高光谱遥感数据

（1）ZK-VNIR-FPG480机载高光谱成像仪

ZK-VNIR-FPG480机载高光谱成像仪是一款推扫式高光谱成像仪，该成像仪共有270个波段，光谱范围为400～1000 nm，光谱分辨率为3 nm，空间分辨率为0.9 m@1 km，成像方式为运动推扫成像，该成像仪的特点是影像之间不存在航向重叠，只存在旁向重叠。

图4 ZK-VNIR-FPG480机载高光谱成像仪

（2）RedEdge-3五波段成像仪

RedEdge-3五波段成像仪其性能和指标是为植物监测而设计的，包括了蓝、绿、红、红边和近红外等5个窄带光谱波段，其中其红边和近红外的波段半宽度都在10nm左右，其它3个光谱波段的半宽度也在20nm以内，其光谱波段分布见图5所示。从光谱响应函数中可以发现，在对于植被特别是植被病害的监测中起到至关重要作用的绿波段、红波段和红边波段（分别对应成像仪数据的第2、第3和第4波段）的光谱半高宽度均优于10nm，已经达到了高光谱遥感图像数据的波段宽度标准。

图5 RedEdge-3五波段成像仪的光谱响应函数

2.4 无人机遥感数据处理

对无人机平台多光谱和高光谱成像仪数据的处理主要包括正射校正、大气校正处理，其中对于以框幅式拍摄特点的多光谱遥感图像，需要开展图像拼接处理。大气校正中，由于无人机飞行高度较低，本研究中的飞行高度小于200m，同时，飞行时大气能见度和天气条件较好（都为无云的晴天），所以大气分子对地物光谱的影响可以忽略，因此，仅开展了基于同步标准反射板数据的反射率计算。

2.5 现场调查数据

现场调查是开展基于遥感手段的松材线虫病分类和信息提取核心环节之一。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包括对病死松树和染病松树的精确定位和对上述两个类型松树地物光谱的测量，其中地物光谱测量所使用的是ASD Handhold系列手持式地物光谱仪，其光谱波段范围为400~1000nm，与无人机载高光谱和多光谱传感器的波段范围一致。现场调查地物光谱测量过程图如图5所示。

现场调查中对于病死和染病树木的定位使用的是以Cors基站为差分数据来源的差分GPS，其定位误差小于0.5m，而在本研究的监测区内，单株松树的宽幅直径均大于1.5m，故该定位精度满足对每一株病死和染病松树的高精度监测需求。

图6 现场地物光谱测量照片

03 遥感图像的分类方法

对于松材线虫病发病区的无人机多光谱和高光谱遥感数据，本研究采用了支持向量机（SVM）和深度卷积神经网络（DCNN）相结合的方法，对健康松林、染病松林和其它地物目标进行分类和信息提取。

在对覆盖林地特别是山地林区遥感图像的分类中，训练样本少是一个面临的基本问题。原因是山区林地地形复杂，现场调查很难开展。特别是对高光谱遥感图像的分类中，对训练样本数量的要求更高。针对此问题，本研究选择使用基于统计学习理论的支持向量机（SVM）分类方法。SVM的优势和特点是可以有效解决遥感图像分类中的小样本问题，同时能通过核方法解决因高特征维度带来的线性不可分问题。SVM是目前遥感图像分类中应用最为广泛的方法之一。

传统的遥感图像分类方法难以有效处理大数据量高特征维度的分类问题，而以DCNN为代表的一系列深度学习遥感分类方法被证明在该问题的解决方面具有潜力和优势。因此，本研究拟利用基于深度学习思想的高光谱遥感松材线虫病林木分类方法。一个典型的卷积神经网络模型包括输入层、卷积层、降采样层、全连接层及输出层等，每层由含有多个神经元的多个二维平面组成。DCNN的特点是通过利用多维度的图像特征，达到对目标类型高精度分类的目的，是目前研究和利用热点的分类方法。

本研究中，通过比对不同分类方法对不同区域、不同类型遥感数据的松材线虫病林木的分类精度，采用决策层融合的方法得到最终的高精度的分类结果。

04 结果与分析

4.1 病死和染病松树的光谱特征分析

     光谱特征分析是开展基于多光谱特别是高光谱遥感监测研究的基础和必要环节。本研究首先利用现场调查数据，结合无人机载多光谱和高光谱遥感成像数据，开展光谱特征分析。

图7 健康、病死和染病松树的照片、遥感图像和光谱分析

(a)     健康松树；(b)病死松树；(c)染病松树

图7所示的是在黄岛监测区和城阳监测区获得的健康、病死和染病松树的现场照片、无人机遥感照片以及现场测量的地物光谱和无人机高光谱的像元光谱的比较示意图，图中每个光谱曲线图的横坐标为光谱波长，单位为nm，纵坐标为所对应的松树的光谱反射率，为更明显的区别和凸显反射率特征，将反射率数值扩大了10000倍。其中照片、遥感图像和现场光谱均获取自相同的树木，同时遥感图像使用的是高光谱和多光谱遥感图像的伪真彩色合成结果。图7(a)和(c)获取自城阳监测区域，图7(b)获取自黄岛监测区域。

由图7可得到以下三个特点，第一，在无人机遥感图像中，病死树木在色彩和纹理表现上与健康松树树木有较大差别，这表示在分类中二者之间的特征差别明显，但染病树木与健康树木的图像差别并没有明显的特征差别，这也是传统的可见光三波段监测图像难以做到对染病树木和健康树木准确区分的原因；第二，现场地物光谱和遥感光谱之间具有较好的相似性，这证明本研究所选取的高光谱传感器和对于高光谱数据的处理都达到了较为理想的效果，同时也证明了所选择的无人机平台具有较好的稳定性和可靠性；第三，从植被光谱角度，健康松树具有明显的植被光谱特征，即在绿光波段和近红外波段都有明显的高反射率特征，而且红边区域光谱曲线的斜率较大，同时红光波段的吸收率较高，这都表明了健康松树冠层具有较高的叶绿素含量水平。对于病死树木，则失去了上述三个植物的光谱特征。而对于染病树木，上述三个特征则表现的不明显。

4.2 无人机高光谱遥感图像松材线虫病监测结果

本研究中在黄岛监测区使用的是高光谱成像仪，得到了如图7所示的松林线虫病病死树木和染病树木的无人机高光谱遥感监测识别结果示意图。由于监测区域较大，为强调对单株树木的监测效果，故图8中仅展示了部分区域的监测结果。根据分类结果图，一方面，每一株的松树，不论是健康松树、染病松树还是病死松树，均能在遥感图像中清晰的呈现，另一方面，利用本研究研发的监测方法和遥感图像分类方法，不仅可有效的完成对病死树木的准确识别定位（表1所示的是对黄岛监测区染病和病死松树树木的定位结果）。

从图8可以看出，在黄岛监测区，染病松树和病死松树在整体松树林中的分布和数量比例还是较小的。初步判断，该区域是松林线虫病发病的初期，也是这种病害治理的最佳时期。同时，这也进一步印证了基于无人机平台的遥感监测技术的有效性。无人机遥感特别是搭载的高光谱成像仪，不仅可以以超高的空间分辨率和定位能力实现对遥感图像和每一株松树的准确定位，而且可以利用其超高的光谱分辨率准确的实现对染病松树和病死松树的分类和识别。是松林线虫病在一个林区发病早期的最佳监测方案。

图8 黄岛监测区松林线虫病病死树木和染病树木的无人机高光谱遥感监测识别结果示意图（局部）

(a)高光谱遥感图像；(b)分类结果

但是，根据图8不难发现，由于研究所使用的遥感图像分类方法属于面向像元的分类方法，在单个像元已不能代表一个树木个体的高分辨率遥感图像中，出现了多个（在本研究中为数十个像元）像元组合在一起才能代表一棵树木的情况。这不利于后续的对病害树木类型的识别和对树木数量的统计。下一步研究工作中应关注面向对象的遥感图像分类方法，首先利用图像像元特征聚类将每一棵树木从原始遥感图像中分割出来，然后以分割出的每一个聚类单位为对象（对应于每一棵树或其它地物类型），实现对病害树木特别是染病、病死树木的准确分类和统计。

表1 受病害威胁松树位置统计表

4.3 无人机多光谱遥感图像松材线虫病监测结果

本研究在城阳监测区使用的是无人机多光谱遥感监测手段，得到了如图9所示的监测结果。根据图9(a)，多光谱传感器采用的是框幅式成像的方式，故需要在遥感图像分类之前对拍摄的多幅图像进行拼接处理，由图像呈现的效果判断，首先无人机平台表现出了优异的稳定性，其次，对原始图片（瓦片）的拼接处理效果较好。但也存在个别的区域因光照变化等原因而出现过亮或过岸的情况，而有赖于分类方法的有效性，所获得的分类结果较好的规避了因图像光谱反射率处理差异而导致的同物异谱现象，得到了较为理想的分类结果（图9(b)）。

图9(b)的分类结果中，利用所发展的分类方法，得到了包括健康松树、染病松树和病死松树在内的10个类型的分类结果，总体分类精度达到了91.2%。同时，根据现场调查数据的验证，对于病害松树的识别精度达到了94%。

图8 城阳监测区域松林线虫病染病、病死树木的无人机多光谱遥感分类结果

(a)无人机多光谱监测图像；(b)病害松树遥感分类结果

根据图9的分类结果图，发现城阳监测区松树林的松材线虫病染病情况已经达到了重度或重度级别，染病松树的分布面积占到了全部集中分布松林面积的68.4%。虽然在本研究无人机飞行实验之前，该区域已经进行了一次对于病死树木的集中砍伐和清理，但从监测结果看，仅仅对病死树木的清理是不够的，需要连带对染病树木进行集中治理，才能达到松材线虫病害林区的综合有效治理的目标。

从监测结果中发现，染病树木的规模要显著大于病死树木，原因可能得益于无人机图像拍摄之前对病死树木的集中清理。然而，可以预期，在短时间内，染病松树可能都会发展成为病死树木，而且这部分染病树木对于临近的健康树木构成较大的健康威胁。

05 结论和讨论

利用无人机平台，分布在青岛市的城阳区和崂山区选择典型松材线虫病发病林区，开展了基于多光谱和高光谱成像仪监测数据的松材线虫病染病林区染病树木和病死树木的遥感监测。监测结果表明，无人机多光谱和高光谱遥感同时都是开展松材线虫病监测的有效手段，遥感监测的结果是开展松材线虫病治理的有利的基础支撑。

无人机遥感手段高空间分辨率、高定位精度的优势，是早期发病林区染病和病死树木精确监测、识别和定位的最有效手段之一；同时，无人机遥感监测手段也是对松材线虫病害林区治理效果评估的有效手段。

鉴于无人机遥感图像数据高空间分辨率的特点，单个像元已经不能代表树木的分布特点，因此需要进一步发展面向对象的更智能化的遥感监测方法，实现对染病和病死树木单元的准确识别和自动化的统计分析。