基于無人機(jī)多光譜影像的松材線蟲病疫區(qū)枯死樹識別

林 鑫，陳 琦，王明婷，麻小梅，劉 亞

（1.廣西壯族自治區(qū)林業(yè)勘測設(shè)計院，廣西南寧 530011；2.廣西華森設(shè)計咨詢有限公司，廣西南寧 530011；3.自然資源部北部灣經(jīng)濟(jì)區(qū)自然資源監(jiān)測評價工程技術(shù)創(chuàng)新中心，廣西南寧 530011）

松樹（Pinusspp.）是我國主要造林樹種之一。近年來，松樹受松材線蟲（Bursaphelenchusxylophilus）病危害越來越嚴(yán)重，大量松樹死亡，給林業(yè)生產(chǎn)造成重大損失，也在一定程度上影響生態(tài)環(huán)境。松材線蟲病是由松材線蟲侵染導(dǎo)致的病害。松材線蟲已被全球50多個國家列為檢疫性有害生物[1]。其致病力強(qiáng)，發(fā)病時間短，傳播速度快，治理難度大；其防控主要有3個關(guān)鍵環(huán)節(jié)，即病害檢疫和疫情監(jiān)測、疫木除治及媒介昆蟲防治[2]。及時發(fā)現(xiàn)和準(zhǔn)確定位疫區(qū)中的枯死樹有助于及時處置枯死樹，對松材線蟲的防治有重要意義。

目前，較常用的發(fā)現(xiàn)和準(zhǔn)確定位枯死樹的方法為人工踏查和衛(wèi)星遙感，其應(yīng)用均存在一定局限性；人工踏查成本高，時間長，效率低，難以實現(xiàn)大面積檢測；衛(wèi)星遙感受分辨率、重訪周期和天氣狀況等因素影響較大[1]。特別是在復(fù)雜林區(qū)，采用人工踏查和衛(wèi)星遙感，難以實現(xiàn)松材線蟲病疫情普查和枯死樹監(jiān)測。無人機(jī)（Unnamed Aerial Vehicle，UAV）遙感影像具有實時、靈活、范圍廣、成本低和高空間分辨等優(yōu)點，已被應(yīng)用于松材線蟲病疫情普查工作中。早期的無人機(jī)遙感影像識別依賴于從圖像中提取人工設(shè)計特征，使用這些特征訓(xùn)練淺層分類器算法，如隨機(jī)森林、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)等，難以提取高級語義特征，存在時間復(fù)雜度高、依賴人工設(shè)計特征和缺乏魯棒性等問題[3]。近年，在卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）結(jié)構(gòu)中以自動特征提取的深度學(xué)習(xí)方法在圖像識別領(lǐng)域取得了極大成功[4]。張瑞瑞等[5]利用UNet 網(wǎng)絡(luò)實現(xiàn)松材線蟲病枯死樹圖像分割；Xia 等[6]對比U-Net、DeepLabv3+和PSPNet 等神經(jīng)網(wǎng)絡(luò)在松材線蟲病枯死樹自動識別工作中的識別準(zhǔn)確率，選出表現(xiàn)最優(yōu)的模型；Yu 等[7]提出3D-Res CNN 模型，并將其應(yīng)用于松材線蟲病的早期識別檢測。這些研究大部分基于可見光（RGB）影像進(jìn)行。但單一可見光影像所含波段信息較少，通過超高分辨率影像對松材線蟲病疫區(qū)枯死樹進(jìn)行分類時，受到目標(biāo)小、背景復(fù)雜等問題的制約，影響分類精度[8]。本研究基于同一卷積神經(jīng)網(wǎng)絡(luò)，以相同訓(xùn)練參數(shù)對不同波段組合的無人機(jī)多光譜影像進(jìn)行訓(xùn)練和預(yù)測，探尋最優(yōu)波段組合，提出一種基于無人機(jī)多光譜影像自動識別松材線蟲病疫區(qū)枯死樹的方法，進(jìn)一步提升松材線蟲病疫情監(jiān)測水平。

1 材料與方法

1.1 研究區(qū)概況

選取廣西柳州市三江侗族自治縣（108°54′ ～109°27′E，25°43′～25°52′N）、河池市宜州區(qū)（108°26′～108°37′E，24°27′ ～24°34′N）和大化瑤族自治縣（107°57′～108°0′E，23°42′～23°45′N）、南寧市橫州市（109°13′～109°15′E，22°38′～22°39′N）及桂林市平樂縣（110°45′E，24°51′N）的42 個松材線蟲病害疫點小班及其周邊2 km 范圍內(nèi)的松樹林圖斑，共計39.05 km2。研究區(qū)多為山地，屬亞熱帶季風(fēng)氣候，年均氣溫17 ～23 ℃，年均降水量1 080 ～2 760 mm，年均日照時長1 169 ～2 219 h，氣候溫暖，熱量豐富，降水豐沛。主要植被類型為常綠闊葉林，常見樟科（Lauraceae）、殼斗科（Fagaceae）、山茶科（Theaceae）、橄欖科（Burseraceae）、山欖科（Sapotaceae）和楝科（Meliaceae）樹種，人工林樹種主要有馬尾松（Pinus massoniana）、杉木（Cunninghamialanceolata）、桉樹（Eucalyptusspp.）和油茶（Camelliaoleifera）。

1.2 數(shù)據(jù)采集與處理

1.2.1 設(shè)備與飛行參數(shù)

無人機(jī)型號為DJI Mavic 3 Multispectral，最大航線作業(yè)速度15 m/s，最長續(xù)航時間43 min，搭載RTK（Real Time Kinematic）定位模塊，懸停精度±0.1 m。無人機(jī)搭載可見光相機(jī)與多光譜相機(jī)的集成影像模塊；其中，可見光相機(jī)的有效像素為2 000 萬，光圈范圍f/2.8 ～f/11，等效24 mm 焦距，可采集的最大照片尺寸為5 280× 3 956 像素；多光譜相機(jī)的有效像素為500 萬，包含綠光（Green，G）波段［（560 ±16）nm］、紅光（Red，R）波段［（650 ± 16）nm］、紅邊（Red Edge，RE）波段［（730 ± 16）nm］和近紅外（Near Infrared，NIR）波段［（860±26）nm］，光圈f/2.0，等效25 mm焦距，可采集的最大照片尺寸為2 592 ×1 944像素。

基于12.5 m空間分辨率的ALOS DEM 數(shù)據(jù)進(jìn)行航線規(guī)劃，設(shè)定相對飛行高度為200 m，飛行速度為15 m/s，對焦設(shè)置為無窮遠(yuǎn)，航向重疊為80%，旁向重疊為70%；每次起飛作業(yè)前采用漫反射板對多光譜相機(jī)進(jìn)行輻射定標(biāo)。

1.2.2 數(shù)據(jù)處理

采用DJI Terrav 3.6.6 軟件完成可見光和多光譜影像鑲嵌拼接及多光譜影像輻射校正，得到空間分辨率為0.06 m 的拼接可見光正射影像和空間分辨率為0.10 m 的多光譜正射影像。采用ArcGIS Desktop軟件，以目視解譯法對研究區(qū)內(nèi)所有疑似松材線蟲病枯死樹進(jìn)行標(biāo)注，并進(jìn)行多人、多次人工標(biāo)注檢查，相互驗證，得到最終人工標(biāo)注結(jié)果。將標(biāo)注結(jié)果在Python 3.7.6軟件中進(jìn)一步處理。

采用最近鄰法對可見光正射影像進(jìn)行重采樣，得到空間分辨率為0.10 m 的正射影像，并將其作為可見光組；對多光譜正射影像進(jìn)行拉伸，使所有像元值在0 ～255范圍內(nèi)；對多光譜正射影像進(jìn)行不同波段間的相互運(yùn)算，提取歸一化差異植被指數(shù)（Normalized Difference Vegetation Index，NDVI）和歸一化差異紅色邊緣指數(shù)（Normalized Difference Red Edge Index,NDRE），計算公式為[9-10]：

分別將NDVI 值和NDRE 值與可見光正射影像和多光譜正射影像進(jìn)行波段組合，得到NDVI 組（RGB + G + R + NIR + RE + NDVI）和NDRE 組（RGB+G+R+NIR+RE+NDRE）數(shù)據(jù)結(jié)果。

分別將可見光組、NDVI組和NDRE 組數(shù)據(jù)結(jié)果與人工標(biāo)注結(jié)果進(jìn)行裁剪，得到3 組23 763 個512×512像素的影像和對應(yīng)的標(biāo)簽。

1.2.3 識別方法

在CPU 為I9-12700 K、顯卡GPU 為GeForece GTX 4090 的計算機(jī)平臺上，采用Python 3.7.6 軟件和Tensorflow 2.8 架構(gòu)實現(xiàn)U-Net 神經(jīng)網(wǎng)絡(luò)[11]，進(jìn)行學(xué)習(xí)與訓(xùn)練，自動識別松材線蟲病疫區(qū)中的枯死樹。網(wǎng)絡(luò)結(jié)構(gòu)中，U-Net 由特征提取和特征融合2個部分組成。特征提取部分獲取輸入圖像的語義信息，特征融合部分準(zhǔn)確定位語義信息。在網(wǎng)絡(luò)結(jié)構(gòu)中，未使用全連接層，可減少需訓(xùn)練的參數(shù)數(shù)量，提高網(wǎng)絡(luò)運(yùn)行速度和效率。

將3 組影像及其標(biāo)簽均按6∶2∶2 的比例分為14 258個訓(xùn)練集、4 752個測試集和4 753個驗證集。將訓(xùn)練集和驗證集輸入神經(jīng)網(wǎng)絡(luò)，進(jìn)行訓(xùn)練；訓(xùn)練參數(shù)設(shè)置為batch size=4，learningrate=0.000 1，epochs=100，不使用預(yù)訓(xùn)練模型。采用Adam優(yōu)化器，選擇Dice Loss 為損失函數(shù)，根據(jù)訓(xùn)練過程中Loss 與Accuracy（Acc）的變化（圖1），記錄完成全部訓(xùn)練所需時間、最優(yōu)模型出現(xiàn)時的次數(shù)和模型精度。

圖1 數(shù)據(jù)訓(xùn)練過程中Loss與Acc變化曲線Fig.1 Change curves of Loss and Acc during data training

訓(xùn)練完成后，分別得到3 組模型。利用3 組模型，分別對3個組的測試集進(jìn)行預(yù)測；將預(yù)測結(jié)果與人工標(biāo)注結(jié)果進(jìn)行對比，對3組模型進(jìn)行精度評價。

以準(zhǔn)確率Accuracy（Acc，%）為精度評價指標(biāo)，計算公式為：

式中，TP 為正確預(yù)測；FP 為錯誤預(yù)測，漏檢目標(biāo)計入錯誤預(yù)測。

2 結(jié)果與分析

2.1 可見光組

可見光組訓(xùn)練總時長為42.63 h，在第46次訓(xùn)練時得到最優(yōu)模型；將最優(yōu)模型應(yīng)用到測試集上進(jìn)行預(yù)測，得到自動識別結(jié)果（圖2）?？梢姽饨M共自動識別出6 266株枯死樹，與人工標(biāo)注結(jié)果對比，錯檢921株，漏檢525株，自動識別結(jié)果的準(zhǔn)確率為81.25%。

圖2 可見光組模型測試集預(yù)測結(jié)果Fig.2 Prediction results of model test set in visible light group

2.2 NDVI組

NDVI 組訓(xùn)練總時長為53.64 h，在第71 次訓(xùn)練時得到最優(yōu)模型；將最優(yōu)模型應(yīng)用到測試集上進(jìn)行預(yù)測，得到自動識別結(jié)果（圖3）。NDVI 組共自動識別出6 378株枯死樹，與人工標(biāo)注結(jié)果對比，錯檢759株，漏檢251 株，自動識別結(jié)果的準(zhǔn)確率為86.33%。

圖3 NDVI組模型測試集預(yù)測結(jié)果Fig.3 Prediction results of model test set in NDVI group

2.3 NDRE組

NDRE 組訓(xùn)練總時長為51.97 h，在第68 次訓(xùn)練時得到最優(yōu)模型；將最優(yōu)模型應(yīng)用到測試集上進(jìn)行預(yù)測，得到自動識別結(jié)果（圖4）。NDRE組共自動識別出6 356 株枯死樹，與人工標(biāo)注結(jié)果對比，錯檢813 株，漏檢327 株，自動識別結(jié)果的準(zhǔn)確率為84.79%。

圖4 NDRE組模型測試集預(yù)測結(jié)果Fig.4 Prediction results of model test set in NDRE group

3 討論與結(jié)論

3 組數(shù)據(jù)對比，可見光組完成訓(xùn)練所需時間最短，最優(yōu)模型出現(xiàn)時所需的訓(xùn)練次數(shù)最少，模型識別準(zhǔn)確率最低；NDVI 組完成訓(xùn)練所需時間最長，最優(yōu)模型出現(xiàn)時所需的訓(xùn)練次數(shù)最多，模型識別準(zhǔn)確率最高；NDRE 組完成訓(xùn)練所需時間、最優(yōu)模型出現(xiàn)時所需的訓(xùn)練次數(shù)和模型識別準(zhǔn)確率與NDVI 組相近。

NDVI 組和NDRE 組均加入了多光譜波段和植被指數(shù)波段，可凸顯健康松樹與枯死木的區(qū)別，其識別準(zhǔn)確率優(yōu)于單一可見光組。這一結(jié)果與周小杰等[12]和Rao 等[13]利用無人機(jī)多光譜影像和神經(jīng)網(wǎng)絡(luò)對松材線蟲病疫區(qū)枯死樹進(jìn)行自動識別的準(zhǔn)確率相近。周小杰等[12]利用RedEdge-3 五波段（R、G、B、NIR和RE）多光譜成像儀在一塊面積約為1.5 km2的松材線蟲病疫區(qū)內(nèi)進(jìn)行染病與病死松樹的自動識別，識別準(zhǔn)確率達(dá)到91.20%；Rao 等[13]利用RedEdge-MX 五波段（R、G、B、NIR 和RE）多光譜成像儀在一塊面積為5.4 km2的松材線蟲病疫區(qū)內(nèi)對枯死樹進(jìn)行檢測，識別準(zhǔn)確率為90.00%。雖然二者識別準(zhǔn)確率均較高，但研究區(qū)域較小，其成果在大面積實際監(jiān)測工作中的應(yīng)用情況未知。

NDVI 組加入歸一化差異植被指數(shù)，NDRE 組加入歸一化差異紅色邊緣指數(shù)；NDVI 組識別準(zhǔn)確率比NDRE 組高，說明加入歸一化差異植被指數(shù)比加入歸一化差異紅色邊緣指數(shù)的識別精度更高。Park等[14]研究中，NDVI 組（RGB + NIR + RE + NDVI）識別精度也表現(xiàn)最優(yōu)（86.75%）。說明加入多光譜波段影像和相應(yīng)的植被指數(shù)參與識別，有助于提高識別準(zhǔn)確率。

本研究中，單一可見光組的識別準(zhǔn)確率為81.25%，與黃華毅等[15]和徐信羅等[16]利用可見光的識別準(zhǔn)確率（82.00%和82.42%）較接近，說明單一可見光可用于疑似松材線蟲病枯死樹的自動識別；但在實際生產(chǎn)應(yīng)用中，單一可見光的識別結(jié)果需人工核查，對結(jié)果進(jìn)行修正，需付出一定的人工成本。

識別結(jié)果中，3 組均出現(xiàn)錯檢、漏檢現(xiàn)象；錯檢主要是將林間一些小范圍祼土、堆放的草料誤認(rèn)為枯死樹；漏檢主要是漏掉了一些冠幅較小、受到部分遮擋的枯死樹。NDVI組和NDRE 組的錯檢、漏檢現(xiàn)象比單一可見光組少。在下一步的研究中，可采用選擇更適宜的網(wǎng)絡(luò)結(jié)構(gòu)、對易錯分地物進(jìn)行標(biāo)注和調(diào)整優(yōu)化訓(xùn)練參數(shù)等方法對本方法進(jìn)行優(yōu)化，以提高大范圍松材線蟲病疫區(qū)枯死樹識別準(zhǔn)確率。

本研究所有識別成果均帶有絕對地理坐標(biāo)，在與相應(yīng)的森林資源管理“一張圖”成果進(jìn)行疊加分析后，可快速獲得所有枯死樹所在的坐落單位名稱、林班號和小班號等信息，有助于管護(hù)人員開展工作。本研究采用DJI Mavic 3 Multispectral 無人機(jī)，與其他多光譜無人機(jī)相比，其價格較低，且可折疊，可降低外業(yè)人員的作業(yè)難度。

本研究采用無人機(jī)多光譜影像結(jié)合U-Net神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，監(jiān)測松材線蟲病疫區(qū)枯死樹，提出一種基于多光譜影像的松材線蟲病疫區(qū)枯死樹自動識別方法；多光譜最優(yōu)波段組合為可見光+紅波段+ 綠波段+ 近紅外波段+ 紅邊波段+ 歸一化差異植被指數(shù)。該方法可快速、準(zhǔn)確地識別松材線蟲病疫區(qū)枯死樹，且數(shù)據(jù)采集和處理成本較低，具有一定推廣應(yīng)用價值。

利益沖突：所有作者聲明無利益沖突。

作者貢獻(xiàn)聲明：林鑫負(fù)責(zé)試驗設(shè)計、數(shù)據(jù)采集與分析和論文撰寫；陳琦負(fù)責(zé)試驗計劃確定和論文修改；王明婷負(fù)責(zé)樣本標(biāo)注；麻小梅負(fù)責(zé)文獻(xiàn)檢索；劉亞負(fù)責(zé)數(shù)據(jù)匯總。