姜相基

（古浪县绿化工作指导站，甘肃 古浪 733100）

森林病虫害属于生物灭害范畴，其危害具有一定的普遍性。病虫害是构成生态环境的一个组成部分，因此开展林业建设就会导致害虫的发生，这是不可抵抗的因素之一，也是制约北方林业发展和建设以及生态环境改善的一个重要因素[1]。森林病虫害的发生具有广泛性、规律性和传播速度快的特点，目前森林病虫害的发生比较严重，其主要原因是对森林病虫害的监测和控制不够到位，需要加强森林病虫害的防治和监测工作，在森林病虫害发生的第一时间采取有针对性的防治措施，最大限度地减少其造成的危害，发挥防治效果，促进森林经济的发展。

为实现森林病虫害的有效防治，科学监测是首要条件。目前国内外在森林病虫害监测方面的研究成果主要有基于无线多媒体传感器网络的测报方法、基于小波分析的测报方法和基于物联网的测报方法。但由于监测范围小，精度不高，因此引入了遥感技术进行分析。遥感技术是一种从人造卫星、飞机或其他飞行器上采集地物目标电磁辐射信息，识别地球环境和资源的技术，以提高森林病虫害遥感监测的范围和精度为目的。

1 林区病虫害监测方法设计

1.1 划分林区病虫害程度等级

太阳电磁波通过大气到达地球表面时，地球的表面特征反射和吸收电磁波。随着入射光波长的不同，地物的反射率也不同。因此，地物光谱特性是指不同地物反射和发射的电磁波能量随波长的变化而变化以及数量和质量变化的特性。

生长正常的植被都有规律的光谱反射曲线，即0.52～0.6 μm 的绿光区有1个小的反射峰，约0.48 μm 的蓝光和约0.68μm 的红光各有1个吸收带，近红外区的反射率在0.75～1.3 μm 急剧上升，形成了鲜明的反射峰，也叫绿色植物的近红外陡坡效应。图1 显示了健康植物的反射光谱曲线。

图1 健康植物反射光谱曲线

在该地区病虫害猖獗时，当森林植物叶水分和叶绿素含量降低，反射率明显降低。近红外反射率的降低是病虫害的前兆，也是利用卫星遥感技术进行早期监测的基础[2]。通过对林区叶绿素的光谱范围划分林区病虫害程度等级。

1.2 设置林区病虫害监测指标

以植被指数绿度和植被比率指数作为病虫害监测指标。植被绿度指数代表林区植被的绿色成分，它是每个波段辐射值的加权和。辐射是大气辐射、太阳辐射和环境辐射的综合结果。指数可以通过颜色和反射率来计算。植被比指数是绿色植物的敏感指标参数，是监测和评价森林病虫害的有效参数。它与叶片干生物量和叶绿素含量高度相关，可用于植物生物量的检测和估算[3]。绿色健康植被覆盖率远大于1，非植被覆盖率约为1。植被覆盖率较高时，该指数对植被非常敏感；当植被覆盖度小于50%时，敏感性显著降低。植被指数比值计算公式如下：

式中，R是红色波段，NIR是近红外波段，参数ρNIR和ρR分别表示了近红外波段和红光波段的反射光谱值，公式（1）计算得出的结果即为比值植被指数的监测结果。

1.3 遥感数据的获取与处理

获取ALOS 卫星全色遥感立体测绘仪、可见光与近红外辐射计、L-波段相控阵合成孔径雷达3 种传感设备在目标林区位置获取遥感图像数据，ALOS 遥感图像基本采集参数见表1。

表1 ALOS 遥感影像基本参数

全色图像具有较高的空间分辨率，多光谱数据包括 4个波段，波段 1 为蓝波段（0.42～0.50 μm），对水体渗透能力强，对叶绿素和叶色浓度敏感；波段2 为绿波段（0.52～0.60 μm），对茂盛的植物绿光反射敏感，在绿色植被高反射区内可检测植物绿色反射率，根据其反射值达到的大小可评估植物的生命能力，并区分不同的林型和林种；波段3 为红波段（0.61～0.69 μm），可检测植物的种类、生长力、病虫害等，并对植物种类、生长力、病虫害等变化最为敏感[4]。

通过对传感器设备数据的调取得出林区对应的遥感影像，并在此基础上进行几何校正处理，具体的处理过程如下：

式中，x和y是要校正的原始图像的像素坐标，u和V是校正图像上相同对象的像素坐标。fx（u，v）和fy（u，v）为校正函数，n 为多项式的阶数，而aij和bij对应的是校正系数。

1.4 提取林区遥感影像特征

基于遥感图像，可以方便地从色彩和纹理等方面实现森林地区遥感图像的特征提取[5]。在RGB 色彩空间环境中，当三基色按不同比例相加时，空间中任意一种颜色都能产生，即任意一种色光都可以表示为：

式中，[R]、[G]和[B]分别表示的是红、绿和蓝颜色分量，而r、g和b为分量系数。3 种颜色分量最大时F为白光；3 种颜色分量最大时F为黑光；通过对遥感图像中各图像像素点的解析解算，得到量化的遥感色彩特征提取结果。采用基于统计方法的灰度共生矩阵对图像进行纹理提取和分析。矩阵提供图像元素和整个图像之间以及图像元素和图像元素之间的空间关系pi（jd,θ）表示图像的纹理。计算方法是计算 0°、45°、90°、135°任意 2个灰度在 4个方向上相邻出现的概率矩阵称为灰度共生矩阵。然后对矩阵进行归一化和对称化，得到灰度联合矩阵，得到4个方向的灰度值之间的空间共生特征就作为纹理的度量[6]。利用灰度共生矩阵可以得到多个从侧面描述影像纹理特征的纹理量，即为遥感影像的纹理特征提取结果。

1.5 实现林区病虫害遥感监测

提取实时采集的林区遥感影像特征，并与设置的病虫害程度等级进行比对，通过监测指标区间的对应，判断当前林区是否存在病虫害，并输出包含林区病虫害等级的监测结果。

2 监测性能测试实验分析

2.1 监测运行平台与参数设置

实验运行平台为 Ubuntu16.04 微机、Intel Corei7-3770CPU@3.40GHz、8 位 英 特 尔 处 理 器 、NVIDIA GeForceGTX 1080 TiGPU，并使用Tensor-Flow 作为森林病虫害监测的框架系统。因为实验过程中需要遥感影像作为数据支持，所以需要将遥感影像数据库安装到实验环境中，并在数据库和监测平台之间建立连接。

2.2 研究区概况

以位于松材线虫病重疫区～24.91°N、118.47°～118.53°E 的一块林地为调查对象。该地区总面积为4.25 km2，最高海拔高度为517.8 m。其中，松林面积16 km2，占现有森林资源总量的26.15%；森林管理中心于2019年秋季和2020年春季对林区进行松材线虫病及受害木普查，选定林区作为重点调查地区，疫情较重。虫病在该地区因寄主植物和寄主昆虫的存在及舒适的生存环境而暴发流行。

2.3 准备林区数据集

准备的林区数据集主要为监测时间范围内林区不同位置上的遥感图像，其中某一时刻林区的遥感采集图像如图2 所示。

图2 林区遥感图像示意图

2.4 描述实验的过程

为了形成实验对比，除了设计了基于遥感技术的森林有害生物监测方法外，还建立了传统的有害生物监测方法和文献[5]提出的方法的基于随机森林和决策树的病虫害监测方法作为实验的2 种对比方法。在实际的监测方法运行过程中，设计方法可以调取数据库中的遥感图像数据，而2种对比方法则无法对遥感图像数据进行调用。另外，设置监测方法的性能指标为监测范围和监测精度，其中监测范围可以通过计算监测画面对应的林区面积得出，而监测精度主要从监测画面的清晰度和病虫害监测结果的正确性2个方面得出。通过对遥感图像的分析可以确定不同时刻林区的病虫害状态和等级，并以此作为性能测试实验的对比标准。

2.5 监测性能测试结果分析

通过对不同时刻林区病虫害监测得到了监测精度和监测范围的测试结果，如表2 所示。

表2 监测性能试验对比结果

从病虫害等级的角度来看，3 种监测方法的监测结果与标准等级相同，但传统方法和文献[5]提出方法的平均画面清晰度分别为780 dpi 和900 dpi，而设计监测方法的平均清晰度为1 180 dpi，由此可见设计方法的监测精度更高。另外，相比于2 种对比方法，设计方法的平均检测面积更加接近林区的总面积，即监测范围更大。

3 结束语

从实验结果可以看出，通过遥感技术的应用能够有效提升林区病虫害监测的精度和范围，对林区安全发展具有重要意义。然而由于遥感技术需要采集和存储大量的图像信息，因此占用的运行空间较大，可能会出现监测时延长等问题，在未来的研究中需要进一步优化。