基于高光譜和機(jī)載LiDAR 技術(shù)的云南松受云南切梢小蠹危害程度分類診斷研究

馬云強(qiáng) 楊 斌 趙 寧 張新民

（1.西南林業(yè)大學(xué)生物多樣性保護(hù)學(xué)院 云南省森林災(zāi)害預(yù)警與控制重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650233；2.西南林業(yè)大學(xué)生命科學(xué)學(xué)院，云南 昆明 650233）

云南松（Pinus yunnanensis），常綠喬木，在云南省分布較廣，在云南的亞熱帶高原，從南到北，從東到西，海拔700～3 200 m 都有大面積分布，約占云南林地面積的1/5[1]。云南松分布區(qū)為亞熱帶高原季風(fēng)類型，屬于中亞熱帶熱量水平，年平均氣溫在13～19℃之間。作為西南地區(qū)的鄉(xiāng)土樹(shù)種和荒山綠化造林先鋒樹(shù)種，云南松具有重要的經(jīng)濟(jì)價(jià)值和生態(tài)服務(wù)功能，在保持水土、涵養(yǎng)水源、改善環(huán)境等方面起著重要作用。云南切梢小蠹（Tomicus yunnanensis）是云南松的重要蟲(chóng)害，可通過(guò)柱梢和柱干快速侵染活立木，使寄主大批死亡。自1980 年以來(lái)，云南省已經(jīng)暴發(fā)了兩次云南切梢小蠹的災(zāi)害，累計(jì)危害云南松林面積高達(dá)百萬(wàn)公頃，使云南松成片林木枯死的面積約9.3 萬(wàn)hm2，蟲(chóng)害暴發(fā)后很難控制，嚴(yán)重威脅生態(tài)安全，對(duì)經(jīng)濟(jì)造成巨大損失[2?3]。因此，對(duì)云南松受云南切梢小蠹危害進(jìn)行精細(xì)化監(jiān)測(cè)，及時(shí)對(duì)危害程度進(jìn)行準(zhǔn)確的判斷，做到“早發(fā)現(xiàn)、早防治”是非常有必要的。

高光譜、激光雷達(dá)（LiDAR）技術(shù)已經(jīng)成為農(nóng)業(yè)、林業(yè)、草原病蟲(chóng)害監(jiān)測(cè)的重要手段。高光譜數(shù)據(jù)包含豐富的病蟲(chóng)害危害光譜信息，但空間立體結(jié)構(gòu)信息不足；LiDAR 數(shù)據(jù)空間分辨率高、立體結(jié)構(gòu)信息豐富，但病蟲(chóng)害危害特征信息不明顯。利用機(jī)載LiDAR 的數(shù)據(jù)可以實(shí)現(xiàn)單株冠層的精準(zhǔn)劃分，解決使用高光譜進(jìn)行病蟲(chóng)害危害程度的提取時(shí)出現(xiàn)的“同物異譜、同譜異物”問(wèn)題，提高分類診斷精度。Anderson 等[4]研究了波形LiDAR 數(shù)據(jù)與高光譜數(shù)據(jù)同時(shí)應(yīng)用森林調(diào)查中，2 種數(shù)據(jù)融合會(huì)比單獨(dú)使用一類數(shù)據(jù)提高精度約5%～8%。Jones 等[5]對(duì)高光譜和機(jī)載LiDAR 的立體空間融合進(jìn)行了研究，對(duì)兩類數(shù)據(jù)提取的冠層、高程值進(jìn)行像素級(jí)融合，從而提高分類精度，最高可提高11%。趙旦[6]研究了單木提取和高光譜融合進(jìn)行森林分類的方法，實(shí)現(xiàn)了復(fù)雜林分下的森林分類。針對(duì)云南切梢小蠹的研究多集中于生理生化等方面，而對(duì)于利用遙感數(shù)據(jù)監(jiān)測(cè)云南松受云南切梢小蠹的危害程度分級(jí)研究多使用多光譜數(shù)據(jù)或單一的衛(wèi)星遙感數(shù)據(jù)，因此，結(jié)合高光譜和機(jī)載LiDAR 數(shù)據(jù)對(duì)云南松受云南切梢小蠹危害程度進(jìn)行分類診斷是非常有意義的。

本研究將以無(wú)人機(jī)采集的石林縣黑龍?zhí)镀瑓^(qū)云南松林高光譜和LiDAR 數(shù)據(jù)為基礎(chǔ)，通過(guò)調(diào)查120 株云南松的冠層枯稍率，分析樣本冠層枯稍率與光譜特征，通過(guò)Matlab 軟件，構(gòu)建分類診斷模型，基于高光譜和機(jī)載LiDAR 數(shù)據(jù)融合提取的云南松單株冠層光譜，對(duì)研究區(qū)內(nèi)云南松受云南切梢小蠹危害程度進(jìn)行分類診斷。以期為云南松受云南切梢小蠹危害的監(jiān)測(cè)、預(yù)警和防治提供理論依據(jù)和參考。

1 研究區(qū)概況

研究區(qū)位于云南省昆明市石林縣城東部的黑龍?zhí)端畮?kù)旁（圖1），地處東經(jīng)103°19′53.454″～103°20′17.780″，北緯24°45′58.536″～24°46′19.000″。石林縣是林業(yè)有害生物國(guó)家級(jí)中心測(cè)報(bào)點(diǎn)，云南切梢小蠹是主要測(cè)報(bào)對(duì)象之一，全縣喬木林面積為54 864.2 hm2，其中云南松作為該縣的優(yōu)勢(shì)樹(shù)種之一，面積約為26 049.5 hm2，占全縣喬木面積的47.48%，年均云南切梢小蠹發(fā)生面積上千公頃[7]。在石林縣黑龍?zhí)端畮?kù)林區(qū)的研究區(qū)內(nèi)，通過(guò)查閱石林縣森防站記錄數(shù)據(jù)，選取了以云南切梢小蠹危害為主的林區(qū)作為研究區(qū)域，面積約23.33 hm2。

圖1 研究區(qū)概況圖Fig.1 The map of study area

2 材料與方法

2.1 數(shù)據(jù)來(lái)源及處理

Liu 等[8]對(duì)云南松地面全樹(shù)枯梢率和冠層枯梢率進(jìn)行了相關(guān)性分析發(fā)現(xiàn)兩者之間相關(guān)系數(shù)達(dá)到0.995，呈極顯著正相關(guān)。構(gòu)建一元線性回歸方程，利用檢驗(yàn)樣本檢驗(yàn)，方程的預(yù)測(cè)精度為0.992，均方根誤差僅有0.033，證明了通過(guò)冠層枯梢率反演地面全樹(shù)枯梢率，進(jìn)而判斷云南松單株危害程度是可行的。因此，本研究基于冠層對(duì)云南松受云南切梢小蠹危害程度進(jìn)行分類診斷。

2.1.1 樣本數(shù)據(jù)

2019 年11 月18 到30 日，根據(jù)國(guó)家林業(yè)局發(fā)布的《林業(yè)有害生物發(fā)生及成災(zāi)標(biāo)準(zhǔn)》（LY/T 1681—2006）[9]（表1），對(duì)研究區(qū)內(nèi)云南松單株樣本枯稍率進(jìn)行調(diào)查，通過(guò)人工地面目測(cè)數(shù)出和記錄點(diǎn)的位置、枯梢數(shù)量和健康梢數(shù)量，采用式（1）計(jì)算枝梢被害率。分別在林區(qū)采集健康（枝梢被害率10%）、輕度危害（10%≤枝梢被害率≤20%）、中度危害（21%≤枝梢被害率≤50%）、重度危害（枝梢被害率≥51%）的云南松樣本各30 個(gè)，共計(jì)120 個(gè)樣本。

表1 機(jī)載高光譜S185 成像儀詳細(xì)技術(shù)參數(shù)Table 1 Detailed technical parameters of airborne hyperspectral S185 imager

2.1.2 高光譜數(shù)據(jù)

2019 年11 月17 日11：00—14：00 利用DJI M600 Pro 搭載UHD S185 高光譜成像儀進(jìn)行高光譜數(shù)據(jù)采集（圖2），在無(wú)人機(jī)起飛前，進(jìn)行全白和全黑標(biāo)定（圖2a），得到反射率為100%和0%的數(shù)據(jù)。飛行高度為100 m，平均飛行海拔高度1832 m，飛行速度為5 m/s，重疊率為60%，采集范圍為450～950 nm 的125 個(gè)波段，空間分辨率為0.1 m，采集區(qū)域與機(jī)載LiDAR 為同一區(qū)域，飛行8 個(gè)架次。設(shè)備詳細(xì)參數(shù)見(jiàn)（表1）。

圖2 機(jī)載高光譜采集設(shè)備Fig.2 Airborne hyperspectral acquisition equipment

對(duì)采集的高光譜數(shù)據(jù)進(jìn)行預(yù)處理，包括輻射定標(biāo)、幾何校正、地形校正、大氣校正四個(gè)步驟。輻射定標(biāo)是廠商提供完成的，幾何校正、地形校正和大氣校正均在軟件ENVI5.5 中完成，校正完成后利用軟件Agisoft PhotoScan 進(jìn)行影像拼接。根據(jù)樣本的坐標(biāo)位置在影像上確定每個(gè)冠層的位置和大?。▓D3），每個(gè)冠層繪制1 個(gè)ROI（圖4a），提取整個(gè)ROI 的平均反射率作為單株云南松的光譜反射率，并利用Savitzky?Golay 方法對(duì)原始光譜反射率進(jìn)行平滑降噪處理（圖4b）。

圖3 樣本與高光譜影像疊加Fig.3 Sample canopy and image overlay

圖4 樣本冠層光譜提取Fig.4 Sample canopy spectrum extraction

2.1.3 機(jī)載LiDAR 數(shù)據(jù)

2019 年11 月16 日，利用DJI M600 Pro 搭載蜂鳥(niǎo)無(wú)人機(jī)LiDAR 系統(tǒng)（圖5）對(duì)研究區(qū)進(jìn)行了機(jī)載LiDAR 數(shù)據(jù)采集。根據(jù)中國(guó)林學(xué)會(huì)發(fā)布的《無(wú)人機(jī)遙感監(jiān)測(cè)異常變色木操作規(guī)程》（T/CSF 002—2018）[10]，采集飛行高度為60 m，飛行海拔平均在1 792 m，航帶旁向重疊度在60%，影像旁向重疊度要求在30%，航向重疊度60%。飛行了14 個(gè)航帶，飛行速度為6 m/s，采集飛行面積約23.33 hm2，坐標(biāo)系統(tǒng)采用WGS84，UTM 3 度帶投影，采集的數(shù)據(jù)包含格式為*.T04 的POS 數(shù)據(jù)以及格式為*.isf 的原始點(diǎn)云文件，都儲(chǔ)存在設(shè)備中的存儲(chǔ)盤(pán)內(nèi)，其他的數(shù)據(jù)還包括設(shè)備參數(shù)以及天線桿臂值用來(lái)輔助解算。設(shè)備詳細(xì)參數(shù)見(jiàn)（表2）。

表2 Genius LiDAR 系統(tǒng)主要技術(shù)參數(shù)Table 2 Genius LiDAR system main technical parameters

圖5 機(jī)載LiDAR 采集設(shè)備Fig.5 Airborne LiDAR acquisition equipment

首先運(yùn)用軟件TerraSolid 對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行分類，然后獲得數(shù)字高程模型（Digital Elevation Model，DEM)、數(shù)字地表模型（Digital Surface Model，DSM），對(duì)DSM 和DEM 作差值處理得到CHM，使用基于冠層控制的冠層高度模型優(yōu)化算法對(duì)異常點(diǎn)進(jìn)行處理，得到優(yōu)化后的CHM（圖6b），最后計(jì)算點(diǎn)云數(shù)據(jù)的高程值與DEM 的對(duì)應(yīng)像元的差值得到高程歸一化點(diǎn)云數(shù)據(jù)（圖6c），具體處理流程見(jiàn)（圖6a）。

圖6 機(jī)載LiDAR 數(shù)據(jù)預(yù)處理Fig.6 Airborne LiDA data preprocessing

2.2 高光譜特征提取方法

在高光譜中消除冗余及干擾噪聲等信息帶來(lái)的誤差，有效提取特征信息是建立分析模型的關(guān)鍵。本研究在軟件MATLAB 2018 中，采用連續(xù)小波變換（CWT）對(duì)云南松冠層樣本的光譜數(shù)據(jù)進(jìn)行特征提取，具體流程見(jiàn)圖7。CWT 能夠?qū)φ麠l光譜信息曲線在連續(xù)波長(zhǎng)和尺度上進(jìn)行分解，有利于光譜信息中的精細(xì)部分進(jìn)行解析。已有研究者將CWT 應(yīng)用于水稻（Oryza sativa）稻瘟病的區(qū)分診斷[11]和冬小麥（Triticum aestivum）葉片含水量的回歸模型[12]中，取得了很好的效果。

圖7 連續(xù)小波變換特征提取流程Fig.7 Feature extraction process of CWT

2.3 云南松受云南切梢小蠹危害分類診斷方法

對(duì)基于CWT 提取的云南松冠層高光譜特征信息，在軟件MATLAB 2018 中，采用BP 神經(jīng)網(wǎng)絡(luò)分類，分類診斷出健康、輕度危害、中度危害和重度危害的云南松。BP 神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)和病蟲(chóng)害高光譜分析中應(yīng)用較多[13?14]，神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)激活函數(shù)通常采用S 型函數(shù)，見(jiàn)式（2）。

式中：p為Sigmoid 參數(shù)，用于對(duì)激活函數(shù)進(jìn)行調(diào)整。

2.4 分類診斷評(píng)價(jià)

利用混淆矩陣（CM）統(tǒng)計(jì)分類結(jié)果，M表示一個(gè)混淆矩陣，假設(shè)樣本有n個(gè)類別，則M∈Rn×n，M(i,j) 表示第j個(gè)類別被分成第i個(gè)類別的樣本數(shù)量。根據(jù)總體分類精度（Overall Accuracy，OA）來(lái)評(píng)價(jià)分類結(jié)果，見(jiàn)式（3）。

式中：OAi表示類別i的分類精度，hi表示分類正確的數(shù)量，ki表示類別包含的樣本總數(shù)。

3 結(jié)果與分析

3.1 冠層云南松受云南切梢小蠹危害光譜分析

云南松冠層受云南切梢小蠹不同危害程度的光譜反射率及一階導(dǎo)數(shù)見(jiàn)圖8，光譜反射率可以反映云南松冠層受云南切梢小蠹不同危害程度。在綠光波段（520～570 nm），不同危害程度光譜反射率云南松冠層大致呈現(xiàn)先上升后下降的變化趨勢(shì)，即“綠峰”，健康、輕度危害、中度危害光譜反射率變化不明顯，重度危害光譜反射率最低；在紅光波段（640～700 nm），各個(gè)危害程度的云南松冠層光譜反射率大致呈現(xiàn)先下降后上升的變化趨勢(shì)，即“紅谷”，健康云南松冠層光譜反射率最低，重度危害云南松冠層“紅谷”有消失的跡象，隨著危害程度加重，“紅谷”處反射率值有上升趨勢(shì)；在近紅外波段（720～940 nm），不同危害程度云南松冠層光譜反射率波動(dòng)明顯，隨著云南切梢小蠹危害程度加重，云南松冠層光譜反射率顯著降低。

圖8 云南松冠層受云南切梢小蠹不同危害程度光譜反射率及光譜一階導(dǎo)數(shù)平均曲線Fig.8 Spectral reflectance and first derivative average curve of P.yunnanensis canopy affected by T.yunnanensis in different degrees

光譜一階導(dǎo)數(shù)可以反映云南松冠層受云南切梢小蠹不同危害程度。在“綠邊”（510～540 nm），健康、輕度危害、中度危害、重度危害存在明顯波峰，隨著危害程度的加重，峰值逐漸降低；在550～630 nm，健康、輕度危害、中度危害有明顯的波谷和波峰，重度危害波動(dòng)不明顯；在“紅邊”（680～750 nm）有明顯的波峰，且峰值達(dá)到最高，隨著危害程度的加重，峰高逐漸降低，同時(shí)紅邊位置向藍(lán)光方向發(fā)生輕微偏移；在750～950 nm，各危害程度波動(dòng)差異不明顯，但大致可以看出重度危害的值大于其他危害程度。綜上所述，可以通過(guò)光譜反射率來(lái)確定云南松受云南切梢小蠹危害程度。

3.2 基于CWT 特征提取結(jié)果

首先利用小波基函數(shù)對(duì)原始光譜進(jìn)行分解，小波基選用Daubechies（DBN）系列中的DB4 進(jìn)行小波分解和重構(gòu)的誤差最小，所以對(duì)于健康、輕度、中度、重度的小波系數(shù)計(jì)算采用 DB4 作為小波基函數(shù)。云南松冠層樣本的光譜反射率波段數(shù)n=125，分解尺度為m=10。得到小波系數(shù)矩陣后，將小波系數(shù)矩陣與枯梢率做相關(guān)系數(shù)檢測(cè)，發(fā)現(xiàn)當(dāng)分解尺度為8～10 時(shí)，得到的相關(guān)系數(shù)趨于穩(wěn)定，所以提取最大分解尺度為7，如圖9 所示，在1～7 尺度中相關(guān)性較高的小波系數(shù)較多，不能實(shí)現(xiàn)降維的目的。

圖9 小波特征分析及相關(guān)性分析Fig.9 Characteristics analysis and correlation analysis of CWT

將120 個(gè)樣本的125×7 個(gè)小波系數(shù)對(duì)應(yīng)的變量與枯梢率進(jìn)行多元線性回歸和多重共線性分析，經(jīng)過(guò)不斷調(diào)整模型，調(diào)整R2逐漸增大，標(biāo)準(zhǔn)估計(jì)誤差逐漸減小，在第22 次擬合后，得到了共線性比較弱且對(duì)枯梢率相關(guān)性比較強(qiáng)的16 個(gè)特征（表3）。此時(shí)的調(diào)整R2達(dá)到了0.991，說(shuō)明云南松不同受害程度的枯梢率與16 個(gè)特征的相關(guān)性很大。從表中可以看出，這16 個(gè)特征的方差膨脹系數(shù)VIF 均不大于10，說(shuō)明它們之間的共線性較弱。此外，t檢驗(yàn)的概率P值（顯著性Sig.）均小于0.05，說(shuō)明這些特征對(duì)枯梢率來(lái)說(shuō)是顯著的。

表3 連續(xù)小波特征及共線性統(tǒng)計(jì)Table 3 CWT characteristics and collinearity statistics

3.3 基于BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練分類診斷模型

本研究將120 個(gè)云南松樣本數(shù)據(jù)的70%作為訓(xùn)練集，30%作為驗(yàn)證集。以提取的16 個(gè)小波特征作為BP 神經(jīng)網(wǎng)絡(luò)分類算法的訓(xùn)練集，以正切Sigmoid 函數(shù)作為BP 神經(jīng)網(wǎng)絡(luò)算法輸入層和隱含層的傳輸函數(shù)，輸出層則采用線性傳輸函數(shù)，經(jīng)過(guò)多次訓(xùn)練，最終確定，當(dāng)隱含層為8 層時(shí)，訓(xùn)練分類精度達(dá)到最高，為94.05%（表4），驗(yàn)證精度為94.44%（表5）。

表4 基于BP 神經(jīng)網(wǎng)絡(luò)的分類訓(xùn)練結(jié)果Table 4 Classification training results based on BP neural network

表5 基于BP 神經(jīng)網(wǎng)絡(luò)的分類驗(yàn)證結(jié)果Table 5 Classification verification results based on BP neural network

3.4 基于機(jī)載LiDAR 識(shí)別與提取云南松單株樹(shù)冠

單株分割是提取單株樹(shù)冠結(jié)構(gòu)的關(guān)鍵，首先利用局部最大值法對(duì)高程歸一化點(diǎn)云數(shù)據(jù)進(jìn)行探測(cè)，將探測(cè)到的單株的樹(shù)頂點(diǎn)，即高程最大值點(diǎn)，作為單株的位置，然后采用歸一化切割（Ncut）算法[15]，使用全局最大值替代局部最大值為先驗(yàn)條件，并作規(guī)則約束，實(shí)現(xiàn)單株的精確探測(cè)（圖10），基于NCut（M，N）算法的分類結(jié)果見(jiàn)（圖11）。

圖10 樹(shù)頂探測(cè)結(jié)果Fig.10 Detection results of treetop

圖11 基于Ncut 的單株分割結(jié)果Fig.11 Segmentation results of single wood based on Ncut

3.5 基于高光譜和機(jī)載LiDAR 的單株云南松危害診斷

3.5.1 云南松單株區(qū)域高光譜提取

利用單株的分類結(jié)果提取出矢量數(shù)據(jù)，單株矢量數(shù)據(jù)包含了單株的位置和冠幅信息，利用ENVI5.5，將單株冠幅分類結(jié)果進(jìn)行ROI 的自動(dòng)生成，進(jìn)行單株冠層矢量與高光譜信息的關(guān)聯(lián)，計(jì)算單株冠層對(duì)應(yīng)范圍內(nèi)的高光譜像元（圖12）。高光譜采集的分辨率為0.2 m，每個(gè)單株冠幅內(nèi)包含了超過(guò)100 個(gè)高光譜像元，因此針對(duì)每個(gè)單株所對(duì)應(yīng)的高光譜像元，取其平均值作為單株對(duì)應(yīng)的高光譜值，最終得到單株云南松冠層矢量數(shù)據(jù)，其中屬性包含冠層范圍內(nèi)所有波段的高光譜均值。

圖12 云南松單株區(qū)域高光譜提取Fig.12 Regional hyperspectral extraction of P.yunnanensis

3.5.2 云南松受云南切梢小蠹危害程度分類可視化

利用訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)分類診斷方法對(duì)研究區(qū)內(nèi)23 hm2林區(qū)進(jìn)行單株云南松分類，共提取出11 029 株云南松，其中健康10 142 株、輕度危害490 株、中度危害266 株、重度危害131株。選用采樣的120 株樣本對(duì)分類結(jié)果進(jìn)行精度驗(yàn)證，如表6 所示。從表6 可以看出，重度危害的分類精度最高為100%，其次是健康、中度的分類精度為93.33% 和90.00%，輕度危害的分類精度最低為80.00%，總體分類精度為90.83%。

表6 基于CWT 的BP 神經(jīng)網(wǎng)絡(luò)算法分類結(jié)果及驗(yàn)證Table 6 The classification results and verification of BP neural network algorithm based on CWT

將所有分類結(jié)果通過(guò)唯一編號(hào)與單株云南松冠層矢量數(shù)據(jù)相關(guān)聯(lián)。利用ArcGIS Pro 以分類結(jié)果字段為渲染字段，進(jìn)行分類結(jié)果可視化（圖13）。

圖13 云南松受云南切梢小蠹危害程度分類可視化Fig.13 Classification and mapping of damage degree of T.yunnanensis to P.yunnanensis

4 結(jié)論與討論

本研究在云南松切梢小蠹蛀害區(qū)域，采用無(wú)人機(jī)進(jìn)行大面積的高光譜數(shù)據(jù)和LiDAR 數(shù)據(jù)的采集。以冠層枯梢率劃分云南松受云南切梢小蠹危害程度為基礎(chǔ)，分析云南松不同受害程度的冠層光譜特征并基于小波變換提取光譜特征，采用BP 神經(jīng)網(wǎng)絡(luò)分類算法訓(xùn)練單株云南松受云南切梢小蠹危害程度分類診斷模型。利用機(jī)載LiDAR 數(shù)據(jù)提取DEM、DSM、CHM 和高程歸一化點(diǎn)云數(shù)據(jù)，采用局部最大值方法探測(cè)云南松單株樹(shù)頂，通過(guò)NCut 分割方法進(jìn)行云南松單株樹(shù)冠提取，將提取的云南松單株冠層矢量數(shù)據(jù)與高光譜數(shù)據(jù)融合，獲得整片林區(qū)云南松每株冠層高光譜數(shù)據(jù)?；趩沃暝颇纤晒趯庸庾V數(shù)據(jù)，利用分類診斷模型對(duì)研究區(qū)內(nèi)云南松受云南切梢小蠹危害程度進(jìn)行分類診斷，一共提取出11 029 株云南松，其中健康10 142 株、輕度危害490 株、中度危害266 株、重度危害131 株。利用120 個(gè)樣本對(duì)分類結(jié)果進(jìn)行驗(yàn)證，得到總體分類精度為90.83%，最后將分類診斷結(jié)果進(jìn)行可視化，可清晰的看到研究區(qū)內(nèi)不同受害程度的云南松分布，實(shí)現(xiàn)了云南松受云南切梢小蠹危害程度的精細(xì)化監(jiān)測(cè)，可為大面積的云南切梢小蠹實(shí)時(shí)精準(zhǔn)防治提供依據(jù)。

植被光譜反射率及一階導(dǎo)數(shù)特征可以較好地反映植被受病蟲(chóng)害危害情況，郭偉等[16]研究冬小麥全蝕病發(fā)現(xiàn)，不同危害等級(jí)的冬小麥光譜反射率在“綠邊”出現(xiàn)“波峰”，在“紅邊”出現(xiàn)“波谷”特征，在近紅外波段，隨著冬小麥病害程度的加深，冬小麥光譜反射率顯著降低。連玲等[17]在研究棗截形葉螨危害冠層光譜特征中發(fā)現(xiàn)，冠層光譜反射率有“綠峰”和“紅谷”，在近紅外波段，隨著葉螨危害的加重，光譜反射率漸漸降低；光譜一階曲線在“紅邊”存在“藍(lán)移”現(xiàn)象。本研究發(fā)現(xiàn)，受云南切梢小蠹危害的云南松，在近紅外波段，光譜反射率和光譜一階曲線隨著危害程度的加重逐漸降低，一階微分曲線存在“紅邊”“藍(lán)移”現(xiàn)象。這說(shuō)明光譜反射率和光譜一階曲線可以很好地反映云南松受云南切梢小蠹不同危害程度的情況。在森林單株提取研究中，趙旦[6]與王濮等[18]對(duì)比標(biāo)記控制分水嶺和Ncut分割方法發(fā)現(xiàn)，Ncut 的提取精度較高，本研究利用Ncut 分割方法進(jìn)行云南松單株樹(shù)冠提取，分割提取效果較好。在不同受害程度光譜特征提取及分類診斷方法研究中，本研究基于CWT 的BP 神經(jīng)網(wǎng)絡(luò)分類方法精度達(dá)到了90.83%，但是本研究的研究區(qū)是以云南切梢小蠹危害為主的林區(qū)，沒(méi)有涉及到復(fù)雜林分的單株提取，缺少驗(yàn)證。因此，在下一步的研究中，需要通過(guò)高光譜及其他生理特征，研究枯梢的生理性和病理性的危害的區(qū)別，以達(dá)到更全面的監(jiān)測(cè)和分類診斷。