基于知識(shí)圖譜與隨機(jī)森林的落葉松毛蟲害遙感識(shí)別

王明常,丁 文,趙競(jìng)爭(zhēng),吳琳琳,王鳳艷,紀(jì) 雪

吉林大學(xué)地球探測(cè)科學(xué)與技術(shù)學(xué)院,長(zhǎng)春 130026

0 引言

病蟲害是林木健康生長(zhǎng)面臨的挑戰(zhàn)之一,能夠?qū)е律之a(chǎn)生退化現(xiàn)象[1]。常見的全球森林害蟲落葉松毛蟲(Dendrolimussuperans),是一種食葉害蟲,是中國(guó)東北部森林大面積覆蓋區(qū)危害較大的害蟲之一,對(duì)長(zhǎng)白山地區(qū)構(gòu)建安全、健康的森林生態(tài)屏障產(chǎn)生了重大威脅[2]。落葉松毛蟲通過幼蟲攝取針葉損害松屬植被,葉片的破壞會(huì)影響光合作用和水分傳輸,從而導(dǎo)致營(yíng)養(yǎng)物質(zhì)的流失,這也被稱為“無煙”火災(zāi)[3]。落葉松毛蟲的侵害對(duì)農(nóng)業(yè)和林業(yè)生產(chǎn)造成了嚴(yán)重破壞,限制了林業(yè)的持續(xù)發(fā)展,對(duì)生態(tài)系統(tǒng)的穩(wěn)定性構(gòu)成威脅,導(dǎo)致了巨大的經(jīng)濟(jì)損失[4]。對(duì)于長(zhǎng)白山區(qū)域的落葉松毛蟲害,實(shí)施有效的識(shí)別是防治的重點(diǎn)。早期發(fā)現(xiàn)并確定蟲害發(fā)生的范圍,有助于制定相應(yīng)的防治措施,減少損失,并對(duì)保護(hù)森林生態(tài)系統(tǒng)具有重大意義[5]。

“圖譜”是對(duì)某一學(xué)科的資料進(jìn)行研究,通過系統(tǒng)地編輯這些資料,構(gòu)建出能夠描述實(shí)物的圖形[6]。知識(shí)圖譜的概念最早可以追溯到1960年代的語義網(wǎng)絡(luò),但隨著互聯(lián)網(wǎng)和開放鏈接數(shù)據(jù)的快速發(fā)展,Google在2012年首次提出了知識(shí)圖譜的概念[7-8]。知識(shí)圖譜是人工智能的一部分,它是一種對(duì)大量信息進(jìn)行有效組織的重要手段。目前,一些知名的通用知識(shí)圖譜包括Freebase、DBpedia、Wikidata和YAGO2[9-12]。在金融、醫(yī)療、情報(bào)等領(lǐng)域,知識(shí)圖譜也實(shí)現(xiàn)了特定的行業(yè)應(yīng)用。在病蟲害領(lǐng)域的知識(shí)圖譜研究方面,前人已經(jīng)取得了部分成果:有學(xué)者[2-4]專注于研究領(lǐng)域本體,構(gòu)建病蟲害領(lǐng)域的本體模型,并通過這些模型來解決實(shí)際問題;還有學(xué)者[13-14]專注于研究領(lǐng)域數(shù)據(jù),在對(duì)這些數(shù)據(jù)進(jìn)行分析之后,使用知識(shí)抽取技術(shù)從數(shù)據(jù)中提取實(shí)體和關(guān)系,以實(shí)現(xiàn)對(duì)知識(shí)的提煉;另外一些學(xué)者[14-15]采用文獻(xiàn)計(jì)量手段,通過關(guān)鍵詞聚類來構(gòu)建知識(shí)圖譜,對(duì)病蟲害領(lǐng)域的研究進(jìn)行了可視化展示。

傳統(tǒng)的林業(yè)病蟲害監(jiān)測(cè)主要依靠地面樣本調(diào)查,然而,由于森林生態(tài)系統(tǒng)的復(fù)雜性,快速、全面地開展林業(yè)病蟲害監(jiān)測(cè)存在一定的困難。近些年,遙感技術(shù)在森林受損識(shí)別中得到了廣泛應(yīng)用。通過利用衛(wèi)星傳感器收集到豐富的濕地植被光譜信息和紋理信息,可以更準(zhǔn)確地揭示林地植被的特性[16]。然而,精確檢測(cè)林業(yè)病蟲害仍然存在一定困難。如今,由于機(jī)器學(xué)習(xí)能夠有效地處理大量數(shù)據(jù),并具有自動(dòng)化和智能化的優(yōu)勢(shì),許多研究人員選擇使用機(jī)器學(xué)習(xí)算法來進(jìn)行精確的林業(yè)病蟲害識(shí)別。Samuli等[17]利用在芬蘭赫爾辛基4個(gè)研究區(qū)域春季和秋季收集的基于無人機(jī)的多光譜圖像,采用隨機(jī)林森模型,對(duì)兩種季節(jié)中遭受小蠹蟲侵害的樹木進(jìn)行了分類。Zhang等[18]提出了一種用于選擇無人機(jī)高光譜圖像中的最佳波段的算法,并將支持向量機(jī)與邊緣保持濾波器相結(jié)合,實(shí)現(xiàn)了對(duì)被油松毛蟲破壞的樹冠的自動(dòng)識(shí)別。

隨著遙感技術(shù)的迅猛發(fā)展,獲取多源數(shù)據(jù)變得更加便捷。由于多源數(shù)據(jù)能夠提供更加全面、準(zhǔn)確和多樣化的信息,因此其在林業(yè)病蟲害監(jiān)測(cè)領(lǐng)域具有很好的應(yīng)用潛力。Latifi等[19]采用陸地衛(wèi)星TM(thematic mapper)和SPOT(systeme probatoire d’observation de la terre)遙感數(shù)據(jù),運(yùn)用隨機(jī)森林模型,探討了中分辨率數(shù)據(jù)在分類受小蠹蟲侵害區(qū)域方面的潛力,實(shí)現(xiàn)了對(duì)損傷類別的空間監(jiān)測(cè)。N?si等[20]研制了一種新穎的遙感系統(tǒng),該系統(tǒng)由基于FPI(fabry-perot interferometer)的微型高光譜相機(jī)和配備RGB波段的彩色相機(jī)構(gòu)成,可以獲取單個(gè)數(shù)據(jù)的三維信息和光譜數(shù)據(jù);并且通過運(yùn)用K-最近鄰(K-NN)方法對(duì)收集的數(shù)據(jù)進(jìn)行分類,可識(shí)別出受到云杉樹皮甲蟲侵害的單個(gè)異常樹木。Oumar等[21]將WorldView-2的光譜波段、植被指數(shù)以及地形數(shù)據(jù)的坡度和坡向分別導(dǎo)入一種回歸模型,以監(jiān)測(cè)和繪制南非夸祖魯豐納塔爾桉樹人工林因青銅蟲侵害所造成的損害。這些研究人員在林業(yè)病蟲害識(shí)別工作中都采用了多源數(shù)據(jù),并強(qiáng)調(diào)多源數(shù)據(jù)在林業(yè)病蟲害識(shí)別領(lǐng)域具有巨大潛力。

面對(duì)森林生態(tài)保護(hù)與管理工作的需求,針對(duì)傳統(tǒng)方法無法應(yīng)對(duì)森林系統(tǒng)的復(fù)雜性,僅依靠遙感數(shù)據(jù)無法全面、準(zhǔn)確地利用多樣化的信息等問題,本研究使用知識(shí)圖譜來提取識(shí)別落葉松毛蟲害的特征,并與多源數(shù)據(jù)相結(jié)合,運(yùn)用隨機(jī)森林模型對(duì)研究區(qū)的落葉松毛蟲害進(jìn)行識(shí)別。此外,本研究選擇不同的特征組合來構(gòu)建蟲害識(shí)別模型,探討最佳特征組合以實(shí)現(xiàn)蟲害識(shí)別。本研究的主要?jiǎng)?chuàng)新之處包括:1)構(gòu)建知識(shí)圖譜以提取落葉松毛蟲害的特征;2)建立落葉松毛蟲害的遙感識(shí)別模型;3)研究不同特征組合對(duì)蟲害識(shí)別效果的影響。

1 研究區(qū)域

如圖1所示,研究區(qū)位于中國(guó)東北部吉林省長(zhǎng)白山國(guó)家級(jí)自然保護(hù)區(qū)中,面積約為418.04 km2。研究區(qū)為溫帶大陸性季風(fēng)氣候,年降水量在700～1 400 mm之間,年平均溫度為3.54 ℃,海拔高度為828～1 633 m[22],地勢(shì)以山地和丘陵為主。長(zhǎng)白山林區(qū)經(jīng)常遭受病蟲害的侵襲,導(dǎo)致林業(yè)方面巨大的經(jīng)濟(jì)損失,并對(duì)長(zhǎng)白山森林生態(tài)的健康和可持續(xù)發(fā)展產(chǎn)生了嚴(yán)重影響。

圖1 研究區(qū)地理位置

2 數(shù)據(jù)獲取與方法

2.1 數(shù)據(jù)獲取

合成孔徑雷達(dá)(synthetic aperture radar, SAR)數(shù)據(jù)所提供的地物特征信息更為豐富,可在分類過程中作為光譜數(shù)據(jù)的補(bǔ)充,為蟲害識(shí)別提供了更有利的輔助數(shù)據(jù)。哨兵1號(hào)(Sentinel-1A)衛(wèi)星因具有較短的重訪周期、雙極化特性、快速的生產(chǎn)效率以及精確的衛(wèi)星定位等優(yōu)勢(shì)而備受矚目[23]。Sentinel-1A通常能夠?qū)崿F(xiàn)高空間分辨率和高時(shí)間分辨率的監(jiān)測(cè)。單顆衛(wèi)星的最短重訪周期為12 d,其空間分辨率可達(dá)到1.73 m(距離向)×4.3 m(方位向)。研究區(qū)Sentinel-1A數(shù)據(jù)如圖2所示,干涉寬幅(IW)模式參數(shù)如表1所示。

表1 Sentinel-1A數(shù)據(jù)影像IW模式參數(shù)

a. VV數(shù)據(jù);b. VH數(shù)據(jù)。V. 垂直;H. 水平。

哨兵二號(hào)(Sentinel-2A)衛(wèi)星由歐洲航天局開發(fā)并發(fā)射,該衛(wèi)星配備了一臺(tái)多波段成像儀,能夠捕捉土壤、水域、植被、沿海地區(qū)和內(nèi)陸水道的圖像,同時(shí)還為應(yīng)急救援提供支持。Sentinel-2A由兩顆衛(wèi)星組成,分別是2A和2B。Sentinel-2A具備寬刈幅、高空間分辨率和短重訪周期等特點(diǎn),該衛(wèi)星系統(tǒng)的投入使用后,每5 d對(duì)赤道區(qū)域進(jìn)行一次全面掃描,而對(duì)于高緯度的歐洲地區(qū),只需要3 d[24]。這顆衛(wèi)星距離地球786 km,配備了13個(gè)光譜波段,幅寬達(dá)到290 km,并具有3種空間分辨率,覆蓋從可見光到短波紅外的范圍,分別為10、20和60 m[25]。根據(jù)研究需求,可以在可見光(B2—B4)和近紅外(B8)波段選擇10 m的分辨率,在紅邊(B5—B7)和短波紅外(B11、B12)波段選擇20 m的分辨率[26]。在這些波段中,紅邊波段對(duì)植被狀況反應(yīng)敏感,對(duì)于植被監(jiān)測(cè)具有關(guān)鍵作用。Sentinel-2A是目前唯一包含3個(gè)紅邊波段的遙感數(shù)據(jù)。

地形數(shù)據(jù)對(duì)松毛蟲的地理分布和樹木生長(zhǎng)狀況有影響,通過對(duì)各種地形數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析,可以研究蟲害在不同地形因子上的發(fā)生規(guī)律[27]。本研究獲取了兩個(gè)研究區(qū)域30 m空間分辨率的ASTER GDEM(advanced spaceborne thermal emission and reflection radiometer global digital elevation model)數(shù)據(jù),可用于生成高程、坡度、坡向等地形環(huán)境因子。ASTER GDEM是一種數(shù)字高程模型,具有30 m的全球空間分辨率,是高分辨率高程影像數(shù)據(jù)[28]。數(shù)據(jù)的有效性范圍介于83°N和83°S之間,涵蓋了全球陸地表面。DEM數(shù)據(jù)的預(yù)處理過程包括鑲嵌、裁剪和重采樣,處理后的DEM數(shù)據(jù)分辨率為10 m。DEM數(shù)據(jù)參數(shù)如表2所示。

表2 DEM數(shù)據(jù)參數(shù)

2.2 多特征知識(shí)圖譜建模

2.2.1 圖譜構(gòu)建

1)知識(shí)圖譜原理

語義網(wǎng)絡(luò)在20世紀(jì)50—60年代被提出,這是知識(shí)圖譜概念的起源。20世紀(jì)70年代,知識(shí)圖譜的前身逐漸出現(xiàn),例如“專家系統(tǒng)”“語義網(wǎng)”和“語義鏈接”等[29]。在數(shù)據(jù)時(shí)代,知識(shí)圖譜作為人工智能領(lǐng)域的一部分,是一種重要的信息組織方法。構(gòu)建網(wǎng)絡(luò)化的知識(shí)庫是知識(shí)圖譜的基礎(chǔ),其中帶有屬性的實(shí)體通過關(guān)系連接,形成一個(gè)具有有向圖結(jié)構(gòu)的知識(shí)庫[30]。為了實(shí)現(xiàn)知識(shí)網(wǎng)絡(luò)的可視化,需要找到一種通過圖的形式描述知識(shí)內(nèi)部關(guān)系和發(fā)展進(jìn)程的技術(shù)方法。邊和節(jié)點(diǎn)是知識(shí)圖譜的主要組成部分,節(jié)點(diǎn)代表概念或?qū)嶓w,而邊表示概念/實(shí)體之間的語義關(guān)系[31]。目前具有代表性的開放域知識(shí)圖譜包括YAGO、BaleNet和CN-DBpedia等。這些圖譜的優(yōu)點(diǎn)在于語義豐富、質(zhì)量高、規(guī)模大且結(jié)構(gòu)友好?；谥R(shí)圖譜的輔助分析和決策支持功能,通過知識(shí)推理實(shí)現(xiàn)目標(biāo)專業(yè)領(lǐng)域知識(shí)的掌握,從而實(shí)現(xiàn)這些功能。

2)構(gòu)建知識(shí)圖譜的數(shù)據(jù)源

構(gòu)建森林蟲害遙感識(shí)別特征知識(shí)圖譜的數(shù)據(jù)主要來源于國(guó)內(nèi)外相關(guān)文獻(xiàn)。中文文獻(xiàn)主要來自知網(wǎng)(https://www.cnki.net)數(shù)據(jù)庫,英文文獻(xiàn)主要來自web of science(http://webofscience.com)數(shù)據(jù)庫平臺(tái),這些數(shù)據(jù)均為非結(jié)構(gòu)化數(shù)據(jù)。在知網(wǎng)上,以“蟲害監(jiān)測(cè)”和“蟲害識(shí)別”為關(guān)鍵詞搜索,共找到58篇關(guān)于森林蟲害遙感識(shí)別的文章,本研究共使用42篇。在web of science上,以“monitoring of forest insect”為關(guān)鍵詞搜索到4 853條結(jié)果,以“recognition of forest insect”為關(guān)鍵詞搜索到693條結(jié)果,本研究篩選出符合要求的英文文獻(xiàn)62篇。以上104篇文獻(xiàn)構(gòu)成了本研究數(shù)據(jù)源。

3)圖譜構(gòu)建流程

依據(jù)所獲得的國(guó)內(nèi)外文獻(xiàn),運(yùn)用知識(shí)圖譜相關(guān)技術(shù)和理論構(gòu)建森林蟲害遙感識(shí)別特征圖譜的設(shè)計(jì)思路如圖3所示。圖譜在邏輯上分為數(shù)據(jù)層和概念模式層。數(shù)據(jù)層是概念模式層的映射,也稱為實(shí)例表達(dá),通過知識(shí)收集、抽取、融合與存儲(chǔ)最終構(gòu)建數(shù)據(jù)層。概念模式層是知識(shí)圖譜的基礎(chǔ),通過構(gòu)建本體對(duì)概念模式層進(jìn)行存儲(chǔ)和表達(dá)。

圖3 知識(shí)圖譜構(gòu)建流程

本文通過對(duì)數(shù)據(jù)庫中與蟲害識(shí)別相關(guān)的國(guó)內(nèi)外研究文獻(xiàn)進(jìn)行收集和整合,再根據(jù)文獻(xiàn)研究?jī)?nèi)容設(shè)計(jì)概念模式層。在該層次中,首先抽取了“地區(qū)”“蟲害”“識(shí)別特征”“特征類別”等實(shí)體知識(shí),以及“發(fā)生”“使用”和“包含于”等關(guān)系知識(shí);接著將抽取的實(shí)體、關(guān)系和屬性進(jìn)行進(jìn)一步融合和整理;最終將其存儲(chǔ)在圖數(shù)據(jù)庫中,并對(duì)森林蟲害遙感識(shí)別特征圖譜進(jìn)行可視化,借助知識(shí)圖譜的檢索功能,實(shí)現(xiàn)特征篩選。

2.2.2 特征選擇

針對(duì)光譜數(shù)據(jù)的應(yīng)用,本研究選取了Sentinel-2A多光譜遙感數(shù)據(jù)。構(gòu)建基于Sentinel-2A的蟲害識(shí)別模型,需要借助Sentinel-2A影像獲取由知識(shí)圖譜篩選出的特征,包括8個(gè)光譜波段、16個(gè)光譜指數(shù)特征(表3)和8個(gè)紋理特征(表4)。此外,還選取了地形特征(表5)。在Sentinel-2A進(jìn)行數(shù)據(jù)預(yù)處理時(shí),已經(jīng)將B5、B6、B7、B8波段重采樣至10 m分辨率,并對(duì)分辨率相同的波段進(jìn)行了重新組合。鑒于8個(gè)波段數(shù)量較多,統(tǒng)計(jì)紋理特征會(huì)產(chǎn)生大量數(shù)據(jù),因此本文首先對(duì)Sentinel-2A的8個(gè)波段進(jìn)行主成分分析,然后提取紋理特征。根據(jù)主成分分析結(jié)果,前兩個(gè)主成分占據(jù)了重新組合的Sentinel-2A影像8個(gè)波段信息的98.95%;因此,選擇第一和第二主成分進(jìn)行紋理分析。通過灰度共生矩陣法分別獲取兩個(gè)影像的8種紋理特征,移動(dòng)窗口大小為5×5,差分值為(1,1),灰度量化級(jí)為64。

表3 光譜指數(shù)特征描述

表5 地形特征描述

2.3 落葉松毛蟲害識(shí)別模型構(gòu)建及精度評(píng)價(jià)

2.3.1 模型構(gòu)建

1)隨機(jī)森林算法原理

隨機(jī)森林(random forest, RF)是一種當(dāng)前較為流行的機(jī)器學(xué)習(xí)方法,主要通過集成多個(gè)決策樹對(duì)樣本進(jìn)行分類[32],其原理如圖4所示。RF因其學(xué)習(xí)過程具有靈活性高、速度快、分類精度高且不易過擬合的優(yōu)點(diǎn),被廣泛應(yīng)用于圖像分析、信息提取等領(lǐng)域。RF算法屬于Bagging算法,是集成算法的一種,決策樹是RF的基本單元。根據(jù)Bagging算法的特性,多個(gè)決策樹之間相互獨(dú)立[33]。分類結(jié)果的數(shù)量由決策樹的數(shù)量決定,通過投票機(jī)制確定最終的分類結(jié)果。通過目視識(shí)別方式選取2 400個(gè)像元作為訓(xùn)練樣本數(shù)據(jù),包括受災(zāi)區(qū)1 200個(gè)、健康林1 000個(gè)及其他區(qū)200個(gè)。

圖4 隨機(jī)森林原理圖

2)不同特征組合的落葉松毛蟲害識(shí)別模型

本研究通過結(jié)合不同數(shù)據(jù)源對(duì)長(zhǎng)白山落葉松毛蟲害進(jìn)行識(shí)別。選擇Sentinel-2A多光譜遙感數(shù)據(jù),結(jié)合由知識(shí)圖譜篩選出的Sentinel-2A光譜指數(shù)特征、波段特征和紋理特征構(gòu)建模型一;選擇Sentinel-2A光譜指數(shù)特征、波段特征和Sentinel-1A紋理特征(VV和VH極化數(shù)據(jù))構(gòu)建模型二;綜合使用Sentinel-1A、Sentinel-2A和地形數(shù)據(jù),即在模型二的基礎(chǔ)上增加了地形特征,構(gòu)建模型三。通過構(gòu)建3種不同模型,分析了在識(shí)別落葉松毛蟲害時(shí),單一數(shù)據(jù)源和多源數(shù)據(jù)綜合使用對(duì)蟲害識(shí)別精度的影響。圖5為構(gòu)建模型三的流程圖,模型三的數(shù)據(jù)輸入比模型一多了Sentinel-1A雷達(dá)數(shù)據(jù)和地形數(shù)據(jù),比模型二多了地形數(shù)據(jù)。

圖5 基于Sentinel-2A、Sentinel-1A和地形數(shù)據(jù)的落葉松毛蟲害識(shí)別模型

2.3.2 精度評(píng)價(jià)

研究采用總體精度和Kappa系數(shù)來評(píng)估精度。總體精度是正確分類的準(zhǔn)確性;Kappa系數(shù)用于驗(yàn)證預(yù)測(cè)土地覆蓋分類與地面真相之間的一致性?？傮w精度和Kappa系數(shù)的取值范圍是0～1,值越大,分類的效果越好。計(jì)算公式如下:

(1)

(2)

(3)

式中:κ為Kappa系數(shù);Po為總體精度,為正確分類的像素在整個(gè)圖像所有像素中的占比;n為類的數(shù)量;Pii為預(yù)測(cè)每個(gè)類的正確像素?cái)?shù);N為總像素?cái)?shù);Nip為預(yù)測(cè)為i類的所有類的像素總數(shù);Nit為所有i類的像素總數(shù)。

3 結(jié)果與分析

3.1 知識(shí)圖譜提取結(jié)果

利用知識(shí)圖譜作為先驗(yàn)知識(shí),挖掘前人在特定區(qū)域和特定森林蟲害研究中的經(jīng)驗(yàn)遙感特征。首先, 針對(duì)森林蟲害監(jiān)測(cè)任務(wù),融入森林蟲害識(shí)別相關(guān)知識(shí),并通過地理學(xué)知識(shí)來豐富與森林蟲害識(shí)別相關(guān)的認(rèn)知。然后,進(jìn)行特征篩選,以我國(guó)東北地區(qū)的落葉松毛蟲害為例,確立長(zhǎng)白山落葉松毛蟲害的特征;依據(jù)包含關(guān)系判斷識(shí)別特征所屬的特征類別,完成知識(shí)圖譜選擇特征的目標(biāo)。最后,在知識(shí)圖譜中根據(jù)空間對(duì)象的語義特征篩選出識(shí)別特征,可以評(píng)估我國(guó)東北地區(qū)落葉松毛蟲害識(shí)別特征的研究狀況。圖6展示了我國(guó)東北地區(qū)落葉松毛蟲害知識(shí)圖譜的提取結(jié)果。

EVI1. 增強(qiáng)型植被指數(shù)1;EVI2. 增強(qiáng)型植被指數(shù)2;PSSR. 顏料特定的簡(jiǎn)單比率;CRI2. 改進(jìn)型類胡蘿卜素反射指數(shù);ARI2. 改進(jìn)型花青素反射指數(shù);RVI. 比值植被指數(shù)。

3.2 不同特征組合結(jié)果對(duì)比

在相同的檢驗(yàn)樣本下,評(píng)估研究區(qū)3種落葉松毛蟲害識(shí)別模型的識(shí)別結(jié)果分類精度。研究區(qū)的檢驗(yàn)樣本包括受災(zāi)林300個(gè)像元、健康林250個(gè)像元及其他區(qū)域50個(gè)像元。各模型的分類精度如表6所示。

表6 研究區(qū)3種落葉松毛蟲害識(shí)別模型精度對(duì)比

圖7展示了落葉松毛蟲害模型識(shí)別結(jié)果?？梢园l(fā)現(xiàn),3種模型在識(shí)別落葉松毛蟲害發(fā)生的大致區(qū)域方面表現(xiàn)存在一定差異。

a. 模型一;b. 模型二;c. 模型三。

模型一的識(shí)別效果產(chǎn)生了部分噪聲,導(dǎo)致誤分類現(xiàn)象的產(chǎn)生;僅基于Sentinel-2A數(shù)據(jù)的遙感識(shí)別模型還存在云遮擋的問題,這也會(huì)導(dǎo)致識(shí)別精度的降低,不能夠很好地區(qū)分健康林和受災(zāi)林(圖7a)。由表6可知,模型一總體精度為88.39%,Kappa系數(shù)為0.802 2,在精度上遠(yuǎn)低于模型二、模型三的模型識(shí)別精度。

模型二比模型一更好地區(qū)分了健康林和受災(zāi)林; Sentinel-1A雷達(dá)數(shù)據(jù)可以不受云雨等復(fù)雜天氣的影像,補(bǔ)充了僅基于Sentinel-2A數(shù)據(jù)的不足,對(duì)識(shí)別整體效果產(chǎn)生了積極作用(圖7b)。由表6可知,模型二的總體精度為91.70%,Kappa系數(shù)為0.859 0,在精度上較模型一有較明顯的提升。

模型三的識(shí)別效果較模型一、模型二都好,說明多源數(shù)據(jù)能夠?qū)H基于Sentinel-2A數(shù)據(jù)產(chǎn)生的錯(cuò)誤識(shí)別現(xiàn)象起到抑制作用;模型三還利用了地形數(shù)據(jù),其識(shí)別效果較模型二也有所改善(圖7c)。由表6可知:模型三的總體精度為92.78%,Kappa系數(shù)為0.876 6;較模型二總體精度提升了1.08%,Kappa系數(shù)提升了0.017 6。這表明地形數(shù)據(jù)對(duì)模型的識(shí)別效果起到正面作用。

4 討論

4.1 知識(shí)圖譜提取特征的有效性

在不同數(shù)據(jù)集下,知識(shí)圖譜提取的特征都展示出了較高的穩(wěn)定性。利用知識(shí)圖譜技術(shù),可以迅速地將不同研究區(qū)域的落葉松毛蟲害特征進(jìn)行提取,應(yīng)用于不同地區(qū)的落葉松毛蟲害識(shí)別。本研究將知識(shí)圖譜技術(shù)應(yīng)用于林業(yè)病蟲害的識(shí)別,能夠有效地從知識(shí)中挖掘松毛蟲的特征,并提取適用于研究區(qū)域的特征,通過構(gòu)建落葉松毛蟲害知識(shí)圖譜,進(jìn)行落葉松毛蟲害特征的篩選,并將這些特征作為識(shí)別長(zhǎng)白山地區(qū)落葉松毛蟲害的關(guān)鍵要素。在將知識(shí)圖譜技術(shù)提取的特征與多光譜數(shù)據(jù)、雷達(dá)數(shù)據(jù)結(jié)合的過程中,發(fā)現(xiàn)落葉松毛蟲害的遙感識(shí)別效果明顯改善,精度明顯提升。這意味著生態(tài)和害蟲信息對(duì)于提升識(shí)別精度具有顯著作用。知識(shí)圖譜中包含了豐富的生態(tài)和生物信息數(shù)據(jù),可以提高識(shí)別和定位落葉松毛蟲害的準(zhǔn)確性。這一結(jié)論突顯了知識(shí)圖譜在生態(tài)系統(tǒng)觀測(cè)和害蟲防治方面的潛在作用。

4.2 知識(shí)圖譜與多源數(shù)據(jù)結(jié)合對(duì)蟲害的識(shí)別能力

本研究旨在探討知識(shí)圖譜與遙感技術(shù)融合在蟲害識(shí)別任務(wù)中的表現(xiàn),以及多源數(shù)據(jù)融合對(duì)落葉松毛蟲害識(shí)別精度的提升作用。遙感數(shù)據(jù)通過知識(shí)圖譜獲得了豐富的語義信息和上下文背景,從而有助于更準(zhǔn)確地識(shí)別和劃分地物。遙感技術(shù)通過獲取高分辨率和廣泛覆蓋的數(shù)據(jù),為知識(shí)圖譜的建立和保持提供了重要幫助。這種綜合應(yīng)用在各種地理環(huán)境和地物類型中都得到了證實(shí),展示了其通用性和適用性。本研究發(fā)現(xiàn),知識(shí)圖譜與遙感技術(shù)之間有相互補(bǔ)充作用。知識(shí)圖譜為地物提供了語義信息和關(guān)聯(lián)知識(shí),有助于彌補(bǔ)遙感數(shù)據(jù)的一些不足,例如數(shù)據(jù)不完整和噪聲問題等。遙感技術(shù)以其高分辨率和實(shí)時(shí)性為知識(shí)圖譜的不斷更新和保持提供了強(qiáng)大助力。因此,這種相互補(bǔ)充的關(guān)系使得知識(shí)圖譜與遙感技術(shù)的融合具有更大的優(yōu)勢(shì),能夠更全面地揭示地物的特性和變化。

綜合運(yùn)用多源數(shù)據(jù)來識(shí)別病蟲害的效果優(yōu)于僅使用單一數(shù)據(jù)源,多源數(shù)據(jù)能夠彌補(bǔ)單一數(shù)據(jù)源的不足。由表6可知,綜合使用多源遙感數(shù)據(jù)顯著提升了識(shí)別落葉松毛蟲害的精確度。本研究中,采用了多種遙感數(shù)據(jù),如衛(wèi)星信息和航空影像等。總體而言,在識(shí)別落葉松毛蟲害信息方面,多源遙感數(shù)據(jù)的綜合利用展現(xiàn)出了巨大的可能性。進(jìn)一步的研究和開發(fā)可以使多源遙感數(shù)據(jù)的利用更加高效。

5 結(jié)論

1)通過整理大量文獻(xiàn),構(gòu)建了知識(shí)圖譜,實(shí)現(xiàn)了對(duì)森林蟲害信息與特征識(shí)別信息的可視化整合。該研究能夠獲取不同地區(qū)各類森林蟲害的遙感識(shí)別特征,并為尚未開展研究的地區(qū)或蟲害提供了參考。

2)結(jié)合知識(shí)圖譜與遙感技術(shù),將知識(shí)驅(qū)動(dòng)轉(zhuǎn)換為數(shù)據(jù)驅(qū)動(dòng),為構(gòu)建蟲害識(shí)別模型提供了有效的特征。

3)經(jīng)對(duì)比分析,發(fā)現(xiàn)基于Sentinel-1A、Sentinel-2A和地形數(shù)據(jù)結(jié)合的落葉松毛蟲害遙感識(shí)別模型表現(xiàn)最好,總體準(zhǔn)確率達(dá)到了92.78%,Kappa系數(shù)為0.876 6。