-
云南松(Pinus yunnanensis(Franch.))是中国西南地区最重要的针叶用材树,以滇中高原为中心分布[1]。云南松是石林彝族自治县的主要优势树种,面积26 049.5 hm2,蓄积975 240 m3,占乔木林面积的47.48%,占乔木林蓄积的53.43%[2]。云南切梢小蠹(Tomicus yunnanensis(Kirkendall & Faccoli))隐蔽性强、危害期长、扩散速度快,蛀梢和蛀干习性对云南松造成双重危害,堪称云南松的“癌症”[3]。在入侵树干3到5个月后,即可造成云南松枯萎死亡[2]。因此,监测云南松受云南切梢小蠹的危害程度十分重要。
20世纪80年代以来,高光谱遥感被广泛用于监测各种环境胁迫下的地表植被[4]。地面高光谱遥感在农业病虫害监测上已取得了许多成果。王利民等[5]、尹小君等[6]、Das等[7]利用非成像高光谱遥感分别对春玉米大斑病(Exserohilum turcicum(Pass.))、加工番茄早疫病(Alternaria solani(EllisetMartin))、水稻白叶枯病(Xanthomonas oryzae(Ishiyama))进行监测和研究,监测效果较好。地面非成像光谱仪仅能获取地物的光谱数据,而地面成像光谱仪可以实现“图谱合一”,有利于混合光谱分析和病虫害参数反演模型的建立[8]。胡耀华等[9]、Qin等[10]利用成像光谱仪分别对马铃薯晚疫病(Phytophthora infestans(Mont.))、柑橘溃疡病(Xanthomonas citri(Hasse))建立了相应的监测模型,实现了病虫害的有效监测。高光谱遥感逐渐被用于森林病虫害的监测和研究,其中,非成像高光谱遥感的研究已经有许多,Ju等[11]、Ismail等[12]使用ASD分别对马尾松松材线虫病(Bursaphelenchus xylophilus(Steineret Buhrer))、云杉蓝树蜂(Sirex noctilio(Hymenoptera:Siricidae))建立了高光谱监测模型,对病虫害实现了有效监测。但目前国内利用地面成像高光谱遥感监测森林病虫害的研究还较少,胡荣明等[13]基于成像高光谱,分别采用波谱角和面向对象分类法,提取感染落叶斑点病的苹果树叶片的病害区域,发现面向对象分类法比波谱角分类法提取效果更优。地面成像高光谱遥感在森林病虫害监测中具有巨大的应用潜力和优势[14]。
目前,对云南切梢小蠹的研究,主要集中于其光合生理反应[15]、生活习性[16]、蛀梢蛀干危害习性[17]、危害模式及生殖生态学[18]等方向的研究,而使用地面成像光谱对云南切梢小蠹危害程度进行监测的研究还未见相关报道。因此,利用成像高光谱遥感对云南切梢小蠹危害程度进行监测,建立高光谱监测模型,实现其危害程度的判定,可为云南切梢小蠹危害的综合防治提供科学依据。
本研究通过实地调查云南切梢小蠹危害程度,基于室内采集的不同危害程度的云南松枝梢光谱反射率数据,分析云南松光谱反射率和光谱一阶微分特征,建立危害程度监测模型和定量化判定规则,以便为今后利用无人机遥感和卫星遥感进行森林病虫害监测、森林健康评价提供必要的信息和技术支持。
HTML
-
试验材料为石林彝族自治县西街口镇受云南切梢小蠹危害的云南松中幼龄林的枝梢,云南切梢小蠹对当地云南松造成的危害十分严重。根据《林业有害生物发生及成灾标准》(LY/T 1681-2006)与试验区云南切梢小蠹危害云南松的实际情况,以单株枝梢被害率为指标,将云南切梢小蠹危害程度分为4级(表 1)。
危害程度
Damage level健康
Healthy轻度危害
Slight中度危害
Moderate重度危害
Severe枝梢被害率/%
The damaged rate of shoot< 10 10~20 21~50 >51 Table 1. Damage levels division of Tomicus yunnanensis
枝梢被害率=出现被害状样枝梢数/样枝梢总数×100%
2017年8月,在试验区内按照云南切梢小蠹危害程度、云南松林龄和地形设置了8个样地,试验区的地理坐标为:103°29′10″~103°29′40″ E,24°49′15″~24°49′40″ N。每个样地分别随机选取10棵云南松取样,在每棵树的上、中、下3个部位,分别从东、南、西、北4个不同的方位进行采样,每棵云南松采集10个左右的枝梢,用塑封袋放于冷藏箱中带回实验室,进行光谱数据的测定。在80组样本数据中,健康云南松的样本16个,轻度危害样本15个,中度危害样本7个,重度危害样本42个。
-
光谱测定在可控制光照条件(钨灯照明)实验室内进行,高光谱成像系统主要由2个500 W的钨灯、便携式地面成像光谱仪(SOC710VP, 美国Surface Optics Corporation)、C-mount成像镜头、计算机和暗箱等辅助设备构成。
将光谱仪SOC710VP(光谱范围400~1 000 nm,光谱分辨率4.68 nm,共128个波段)架设在一个小暗室(高120 cm,长100 cm,宽100 cm)中。光谱仪目镜高度设置离暗箱底部50 cm,光圈设置为5.6,曝光时间为30 ms;同时,在光谱仪两侧各放1盏钨灯光源。当采集样本光谱数据时,将云南松枝梢平铺在光谱仪目镜正下方,之后打开光源,光源与枝梢成45°入射角。然后,将光谱仪打开,封闭暗室,开始采集光谱数据。每次测量都用标准参考板进行校正,并获取暗电流文件。一共获取80组有效的云南松针叶光谱反射率数据,随机选取50个样本用于建模,其余30个样本用于验证。
-
经过光谱标定、黑场标定和辐射标定3个步骤,将所测亮度值转换为反射率。为消除原始光谱数据中干扰因素对所建模型的影响,采用Savitzky-Golay 9点平滑方法对原始光谱反射率数据进行平滑处理[19]。
采用OriginPro8.0计算光谱反射率的一阶微分值[20],计算公式如下:
式中:λi是波段i的波长值;ρ′(λi)是波长λi的光谱值;2Δλ是波长λi-1到λi+1的差值,由光谱采样间隔决定。
-
采用Pearson相关系数表征云南松针叶光谱反射率以及光谱一阶微分与危害程度的相关性[21],选择达到显著相关的波段提取高光谱特征参数。
光谱吸收特征、光谱一阶微分、光谱吸收指数、比值指数和归一化指数是高光谱特征提取的常用方法[22]。本研究以云南松的光谱反射率和光谱一阶微分为基础,参考前人的研究方法[23-25],定义了4个基于反射率的位置特征参数、4个基于一阶微分值的位置特征参数、4个面积特征参数以及12个植被指数特征参数,共24个高光谱特征参数,各参数的定义见表 2。使用逐步回归分析对高光谱特征参数进行筛选,将达到显著性水平(P < 0.05)的特征参数用于建立危害程度监测模型。
参数类别
Parameter categories参数
Parameters定义
Definitions反射率位置特征参数
Reflectance location parametersRg 绿峰,波长510~560 nm范围内最大的波段反射率 Rr 红谷,波长640~680 nm范围内最小的波段反射率 $D = 1 - \frac{{{R_C}}}{{{R_S} + \frac{{{R_E} - {R_S}}}{{{\lambda _E} - {\lambda _S}}} \times \left( {{\lambda _C} - {\lambda _S}} \right)}}$ 红谷的吸收深度,RC、RS、RE分别为吸收特征中心点、起点和结束点处的光谱反射率,λC、λS、λE分别为吸收特征中心点、起点和结束点处的波长,分别为670、560、760 nm $H = 1 - \frac{{{R_S} + \frac{{{R_E} - {R_S}}}{{{\lambda _E} - {\lambda _S}}} \times \left( {{\lambda _C} - {\lambda _S}} \right)}}{{{R_C}}}$ 绿峰的反射峰高度,RC、RS、RE的定义如上,λC、λS、λE分别为吸收特征中心点、起点和结束点处的波长,分别为560、500、670 nm 一阶微分位置特征参数
First derivative location parametersDb 蓝边(490~530 nm)内一阶微分光谱中的最大值 Dy 黄边(550~582 nm)内一阶微分光谱中的最大值 Dr 红边(680~780 nm)内一阶微分光谱中的最大值 Dnir 近红外平台(780~1 300 nm)内一阶微分光谱中的最大值 面积特征参数Area parameters SDb 蓝边波长范围内(490~530 nm)一阶微分值的总和 SDy 黄边波长范围内(550~582 nm)一阶微分值的总和 SDr 红边波长范围内(680~780 nm)一阶微分值的总和 SDnir 近红外平台范围内(780~1 300 nm)一阶微分值的总和 植被指数特征参数
Vegetation indexes parametersRg/Rr 绿峰反射率(Rg)与红谷反射率(Rr)的比值 D/H 红谷的吸收深度(D)与绿峰的反射峰高度(H)的比值 SDr/SDb 红边内一阶微分值的总和(SDr)与蓝边内一阶微分值总和(SDb)的比值 SDr/SDy 红边内一阶微分值的总和(SDr)与黄边内一阶微分值总和(SDy)的比值 SDnir/SDb 近红外平台一阶微分值的总和(SDnir)与蓝边内一阶微分值总和(SDb)的比值 SDnir/SDr 近红外平台一阶微分值的总和(SDnir)与红边内一阶微分值总和(SDr)的比值 (Rg-Rr)/(Rg+Rr) 绿峰反射率(Rg)与红谷反射率(Rr)的归一化值 (D-H)/(D+H) 红谷的吸收深度(D)与绿峰的反射峰高度(H)的归一化值 (SDr-SDb)/(SDr+SDb) 红边内一阶微分值的总和(SDr)与蓝边内一阶微分值总和(SDb)的归一化值 (SDr-SDy)/(SDr+SDy) 红边内一阶微分值的总和(SDr)与黄边内一阶微分值总和(SDy)的归一化值 (SDnir-SDb)/(SDnir+SDb) 近红外平台一阶微分值的总和(SDnir)与蓝边内一阶微分值总和(SDb)的归一化值 (SDnir-SDr)/(SDnir+SDr) 近红外平台一阶微分值的总和(SDnir)与红边内一阶微分值总和(SDy)的归一化值 Table 2. Hyperspectral features parameters and definitions
-
采用逐步回归分析达到显著性的特征参数,建立云南切梢小蠹危害程度监测模型。监测模型主要采用多元线性回归模型、指数模型、二次函数模型和三次函数模型,具体模型公式如下:
多元线性回归模型(Multiple Linear):
指数模型(Exponential):$y = {b_0} + {b_1}\exp \left( {{b_2}x} \right)$
二次函数模型(Quadratic):$y = {b_0} + {b_1}x + {b_2}{x^2}$
三次函数模型(Cubic):
式中:y代表切梢小蠹危害程度的拟合值;x、x1、x2、...、xn代表高光谱特征参数;b0、b1、b2、...、bn代表拟合系数。
本研究使用决定系数(R2)和均方根误差(RMSE)对模型精度进行验证。R2越大,则模型预测精度越高;RMSE值越小,则模型预测精度越高。
-
根据多元线性回归模型、最佳指数模型、最佳二次函数模型和最佳三次函数模型,计算健康、轻度危害、中度危害和重度危害云南松建模样本的平均值以及平均值的中间值。以平均值的中间值为阈值,建立云南松危害程度的定量判定规则,并使用验证样本对不同监测模型的判定规则进行精度评价[26]。
2.1. 云南松枝梢光谱反射率的测定
2.2. 数据分析与建模方法
2.2.1. 高光谱数据预处理
2.2.2. 高光谱特征参数提取
2.2.3. 危害程度监测模型及精度评价
2.2.4. 判定规则
-
云南切梢小蠹不同危害程度的云南松光谱反射率见图 1。光谱反射率可以反映云南切梢小蠹危害的程度,在绿光波段(510~560 nm),随危害程度的加重,光谱反射率由高到低变化。在红光波段(640~680 nm),光谱反射率最高的是重度危害,其次是中度危害,轻度危害及健康云南松的最低。在近红外光波段(720~1 036 nm),光谱反射率随危害程度加重而显著降低。
云南松光谱反射率与云南切梢小蠹危害程度的相关性,可以反映切梢小蠹不同危害程度之间的显著差异性(图 2)。在379~429、514~569、708~1 036 nm波段范围内二者呈显著负相关,在600~697 nm波段范围内呈显著正相关。
-
云南松光谱反射率一阶微分能够反映切梢小蠹危害程度(图 3)。光谱一阶微分曲线在绿边(500~540 nm)有明显的波动,在黄边(550~582 nm)有明显的波谷,在红边(680~760 nm)有明显的波峰,且随着危害程度的加重,峰高逐渐降低,红边位置逐渐向短波方向移动,表明云南松针叶微分光谱的“红边”位置随着云南切梢小蠹危害程度的加重依次发生“蓝移”,红边斜率逐渐减小。
云南松光谱反射率一阶微分与危害程度的相关性,可以反映云南切梢小蠹不同危害程度之间的显著差异性(图 4)。在399~488、549~677、786~807、838~875、891~1 036 nm波段范围二者呈极显著正相关,在493~593、687~781 nm波段范围内呈极显著负相关。
综上所述,在549~564、509~539、595~677、687~692、702~807、838~875、891~1 031 nm内,云南切梢小蠹危害程度与云南松光谱反射率和光谱一阶微分均极显著相关,在这些波段范围内构造高光谱特征参数,建立云南切梢小蠹危害等级检测模型是可行的。
-
两两对比不同危害程度之间的光谱反射率差值和光谱一阶微分差值,将差值的绝对值最大的前10个波段作为最佳监测波段窗口(表 3)。各危害程度间的光谱反射率最佳监测波段窗口主要在749~801、823~859 nm的近红外波段范围内,各危害程度之间的光谱一阶微分最佳监测波段窗口多在692~749 nm,说明可见光的红波段的一阶微分可有效监测云南切梢小蠹的危害程度。
危害程度
Damage levels反射率最佳监测窗口/nm
The best monitor windows of reflectance一阶微分最佳监测窗口/nm
The best monitor windows of first derivative健康/轻度危害Healthy/Slight 786、791、838、833、781、844、828、796、849、823 718、723、713、728、708、734、702、739、697、744 健康/中度危害Healthy/Moderate 838、786、833、791、844、828、781、849、796、823 723、718、728、713、734、708、739、702、697、744 健康/重度危害Healthy/Severe 786、781、791、775、796、770、801、833、828、838 718、723、713、728、708、734、702、739、697、744 轻度/中度危害Slight/Moderate 838、844、833、849、854、791、828、786、859、796 723、728、718、734、713、739、708、744、702、749 轻度/重度危害Slight/Severe 781、786、775、791、770、796、765、760、754、801 718、713、723、708、728、734、702、739、697、744 中度/重度危害Moderate/Severe 781、775、786、770、765、791、760、754、749、796 713、718、708、723、702、728、697、734、692、739 Table 3. The best monitor windows of different damage levels
-
通过相关性分析发现,24个高光谱特征参数中的22个都与危害程度显著相关。对高光谱特征参数进行逐步回归分析,达到显著或极显著的参数为SDr、Dy、(D-H)/(D+H)、SDnir、(SDnir-SDr)/(SDnir+SDr)(表 4)。
特征参数
Parameters相关分析
Correlation analysis逐步回归分析
Stepwise regression analysisRg -0.683** 0.387 Rr 0.794** 0.649 D -0.887** 0.150 H -0.839** 0.148 Db -0.917** 0.958 Dy 0.913** < 0.001** Dr -0.962** 0.562 Dnir -0.192 0.102 SDb -0.894** 0.959 SDy 0.931** 0.647 SDr -0.964** < 0.001** SDnir 0.929** 0.003** Rg/Rr -0.944** 0.274 D/H -0.835** 0.346 SDr/SDb -0.505** 0.461 SDr/SDy 0.302** 0.905 SDnir/SDb 0.961** 0.644 SDnir/SDr 0.483** 0.790 (Rg-Rr)/(Rg+Rr) -0.927** 0.186 (D-H)/(D+H) -0.772** < 0.001** (SDr-SDb)/(SDr+SDb) -0.497** 0.358 (SDr-SDy)/(SDr+SDy) -0.818** 0.684 (SDnir-SDb)/(SDnir+SDb) 0.075** 0.794 (SDnir-SDr)/(SDnir+SDr) 0.445** 0.020* 注:*表示P < 0.05,显著相关;**表示P < 0.01,极显著相关。 Table 4. The results of filtered features parameters
-
以这5个特征参数为变量,分别建立多元线性回归模型、指数模型、二次函数模型和三次函数模型,并进行精度验证(表 5), 其中,多元线性回归模型的精度最高(拟合R2=0.958,拟合RMSE=0.260;预测R2=0.948,预测RMSE=0.265);指数模型中,以(D-H)/(D+H)为输入变量的模型y=-2.264E-5e(11.963x3)+4.043的精度最高(拟合R2=0.954,拟合RMSE=0.258;预测R2=0.926,预测RMSE=0.293);二次函数模型中,以SDr为输入变量的模型y=-3.733x1-0.1005x12+4.403的精度最高(拟合R2=0.924,拟合RMSE=0.333;预测R2=0.904,预测RMSE=0.315);三次函数模型中,以SD为输入变量的模型y=2.595x1-16.444x12+10.968x13+3.941的精度高(拟合R2=0.951,拟合RMSE=0.251;预测R2=0.939,预测RMSE=0.278)。
检测模型
Detection models回归方程
Regression equations拟合精度Fitted precision 预测精度Predicted precision R2 RMSE R2 RMSE 多元线性回归模型
Multiple linear modely=-7.720x1+1.275x2+1.251x3-4.835x4+1.135x5+6.632 0.958 0.260 0.948 0.265 指数模型
Exponential modely=440.893e(-0.009x1)-436.477 0.924 0.333 0.904 0.327 y=-5.308e(-1.311x2)+5.821 0.842 0.480 0.921 0.305 y=-2.264E-5e(11.963x3)+4.043 0.954 0.258 0.926 0.293 y=866.547e(0.004x4)-865.887 0.829 0.499 0.849 0.323 y=1.351e(-12.820x5)+2.912 -0.016 1.217 -0.026 0.038 二次函数模型
Quadratic modely=-3.733x1-0.100 5x12+4.403 0.924 0.333 0.904 0.315 y=6.689x2-2.951x22+0.502 0.846 0.474 0.931 0.284 y=5.515x3-7.558x32+3.459 0.842 0.480 0.832 0.409 y=4.967x4-1.067x42+0.834 0.834 0.492 0.852 0.351 y=-6.561x5+8.038x52+3.720 0.330 0.988 0.216 0.454 三次函数模型
Cubic modely=2.595x1-16.444x12+10.968x13+3.941 0.951 0.251 0.939 0.278 y=3.089x2+5.897x22-5.898x23+0.805 0.851 0.460 0.949 0.245 y=-6.989x3+22.830x32-19.076x33+4.289 0.917 0.344 0.935 0.272 y=-1.666x4+14.780x42-10.183x43+1.020 0.858 0.449 0.892 0.337 y=-23.517x5+48.348x52-26.386x53+5.443 0.476 0.864 0.361 0.544 注:y代表云南切梢小蠹的危害程度预测值,x1,x2,x3,x4,x5分别代表SDr、Dy、(D-H)/(D+H)、SDnir、(SDnir-SDr)/(SDnir+SDr)。 Table 5. Monitoring models(n=50)and validation(n=30) of damage levels
-
根据多元线性回归模型、指数模型、二次函数模型和三次函数模型分别计算50个建模样本的预测值以及各模型不同危害程度的平均值和平均值的中间值,建立云南切梢小蠹危害程度定量判定规则,并使用验证样本进行精度验证(表 6)。根据4个模型建立的判定规则检测精度都在80%以上,其中,多元线性回归模型的判定规则精度最高,达到93.333%。最佳定量判定规则为健康(< 1.589)、轻度受害[1.589, 2.465)、中度受害[2.465, 3.381)、重度受害(≥3.381),可有效检测云南切梢小蠹的危害程度。
检测模型
Detection model危害等级
Detection levels健康云南松
Healthy轻度危害
Light中度危害
Moderate重度危害
Severe检测精度
Precision/%多元线性回归模型
Multiple linear平均值(Mean) 1.039 2.139 2.792 3.969 93.333 判定规则(Rules) < 1.589 [1.589, 2.465) [2.465, 3.381) ≥3.381 指数模型
Exponential平均值(Mean) 1.101 2.096 2.633 3.984 80.000 判定规则(Rules) < 1.598 [1.598, 2.364) [2.364, 3.309) ≥3.309 二次函数模型
Quadratic平均值(Mean) 1.060 2.301 2.581 3.940 80.000 判定规则(Rules) < 1.680 [1.680, 2.441) [2.441, 3.261) ≥3.261 三次函数模型
Cubic平均值(Mean) 1.048 2.207 2.591 3.974 86.667 判定规则(Rules) < 1.628 [1.628, 2.399) [2.399, 3.283) ≥3.283 Table 6. The judgement rules and precision of different Tomicus damage levels