李 琴,夏進亮,余 榕,周火生,陳勇明

（廣東省國土資源測繪院，廣州510500）

遭遇病蟲害的松樹在顏色上與健康松樹會有所區(qū)別，呈枯死狀（以下稱其為“變色松樹”）［1］。造成我國松樹枯死的主要致病因子主要是松材線蟲，健康松樹感染松材線蟲后，40 天左右就會出現(xiàn)癥狀，從發(fā)病到死亡只需2—3 個月的時間，從單株發(fā)病到整片松林毀滅只需3—5年［2］，具有致死快、蔓延迅速、適生性廣、防治難等特點，有“松樹癌癥”之稱，是森林生態(tài)系統(tǒng)中最具有危險性、毀滅性的病害之一［3］。30 多年來，全國因松材線蟲病損失的松樹累計達十億株，導致直接經濟損失和生態(tài)服務價值損失上千億元。根據2020年國家林業(yè)和草原局公布數據，截止2020年底，全國共有726個縣級發(fā)生區(qū)，發(fā)生面積2 714 萬畝。而廣東省已有52 個縣區(qū)，林業(yè)覆蓋率較高的縣區(qū)幾乎都被感染。

變色松樹的識別發(fā)現(xiàn)是松材線蟲病疫情防控工作的基礎，現(xiàn)有變色松樹的監(jiān)測手段主要有衛(wèi)星遙感監(jiān) 測［4-8］、無人機 遙 感監(jiān)測［9-15］、地 面調查［16］3 種方式。各方式均具有一定的局限性，多源遙感數據的協(xié)同使用可大幅提高變色松樹識別的精度，關于多源遙感數據協(xié)同識別變色松樹的現(xiàn)有研究較少［17］?，F(xiàn)有很多應用于變色松樹提取的遙感分類算法，如深度學習、支持向量機、面向對象、神經網絡等［15，18］。雖然這些算法在一定程度上可以提高人工目視解譯的效率，但就時間復雜度而言難以滿足GB甚至TB數量級的超高空間分辨率無人機影像計算需求。陶歡［15］等人提出了一種適合超高分辨率、大數據量的無人機影像高效處理方法，即基于HSV 閾值法的無人機影像變色松樹識別方法，得到的變色松樹識別總體精度為58%—65%，高于RGB 閾值法。因此，本文以廣東省河源市龍川縣老隆鎮(zhèn)板塘村為研究區(qū)域，基于無人機超高分辨率遙感影像、WorldView-2 衛(wèi)星影像、機載激光雷達數據等多源遙感數據，采用HSV（色調-飽和度-明度）色彩變換法將無人機影像從RGB 色彩空間轉換為HSV 色彩空間，以分離色調（Hue）和明度值（Value），分析變色松樹與其他地物在“H-V 空間”的差異，構建變色松樹HSV閾值提取規(guī)則，結合WorldView-2衛(wèi)星影像、機載激光雷達數據、地面調查數據、林業(yè)小班、松樹冠層圖形幾何特征，實現(xiàn)快速準確的變色松樹識別，并通過目視解譯與實地驗證方法比對不同色彩空間、不同分辨率影像提取結果，總結并提出基于多源遙感數據協(xié)同變色松樹識別研究的技術思路和方法，為廣東省林業(yè)局快速識別定位變色松樹提供技術支撐。

1 研究區(qū)概況

根據廣東省2020年春季松材線蟲病疫情普查情況，龍川縣老隆鎮(zhèn)有較多染病小班，因此結合影像分析與實地調查選擇板塘村為研究區(qū)域。研究區(qū)域位于廣東省河源市龍川縣老隆鎮(zhèn)板塘村北部區(qū)域，面積為0.5 km2。該區(qū)域年平均氣溫19 ℃—24 ℃，地形主要為丘陵，植被覆蓋稀疏。種植樹種基本是馬尾松，闊葉樹較少且分布分散，有較多的雜草及裸地。變色松樹主要位于山坡邊緣位置，主要可分為針葉變色松針未脫落與針葉變色松針已脫落（陳年枯死樹）2 類，死亡時間較長。

2 研究方法及數據

2.1 HSV顏色模型

HSV（Hue，Saturation，Value）是根據顏色的直觀特性由A.R.Smith 在1978年創(chuàng)建的一種顏色空間，也稱六角錐體模型（Hexcone Model）［19］。H 表示色調，S 表示飽和度，V 表示明度。RGB 顏色模型是面向硬件的，而HSV 是面向用戶的，HSV 顏色模型由RGB 模型轉化而來。HSV 對于用戶來說是一種很直觀的顏色模型，在計算機視覺、遙感圖像處理識別等領域相對RGB 顏色模型具有獨特優(yōu)勢，比RGB 顏色圖像更適合用于影像分析［20］，HSV 三要素的變化對應著地面植被的變化，不同的地物（如裸土、植被、水體等），它們之間的S值或V值有可能相等，但H值總是存在差異［15］。

2.2 數據獲取

在無人機影像及激光雷達數據獲取前，先用林業(yè)小班數據以及WorldView-2 衛(wèi)星影像對板塘村松樹分布及疑似變色松樹集中情況進行分析，再結合實地調查選取適宜的飛行作業(yè)區(qū)。各數據獲取情況詳見表1。

表1 研究數據一覽表

2.3 數據處理

研究區(qū)域變色松樹大多是陳年枯死松樹，枯死約在1年左右。因此通過對2018年2月WorldView-2 衛(wèi)星影像進行歸一化植被指數（NDVI）計算，結合林業(yè)普查小班，采用NDVI 閾值法（NDVI≥0.4）提取變色前的健康松樹分布范圍。

對無人機拍攝相片進行拼接、糾正，形成超高分辨率的正射影像。對正射影像進行重采樣（重采樣分辨率為0.1 m）與HSV色彩變換。

對激光雷達點云數據進行融合、類別重置、去噪、地面點識別、植被分類、幾何糾正。依據地面調查，研究區(qū)域的松樹高度均在2.0 m 以上。因此，對高度大于2.0 m 的植被進行單木樹冠分割，從單木分割處理的點云中提取單株樹木位置（X、Y、Z）、高度、冠幅直徑和冠幅面積等信息。

3 實驗與分析

3.1 變色松樹識別閾值方程構建

如圖1，變色松樹在H-V 空間上有明顯的聚集現(xiàn)象，變色松針未脫落和變色松針已脫落無明顯差異，與其他地物容易區(qū)分。但與已有研究結果［15］不同，本研究的變色松樹聚集區(qū)包括2 個分區(qū)，分別由直線①②③④（第一分區(qū)）與⑤⑥⑦（第二分區(qū)）構成，第一分區(qū)H≤30、V＞0.5，第二分區(qū)H＞=330、V＞0.45。H-V 空間散點圖中a、d 區(qū)域的變色松樹用HSV 閾值法識別可得到較高精度，而b 區(qū)域變色松樹與裸地和道路較難區(qū)分，c 區(qū)域變色松樹與枯死草地難以區(qū)分，e 區(qū)域變色松樹與陰影、枯死草地難以區(qū)分，這些區(qū)域通過本文方法可以提高識別精度。變色松樹在R-G 空間散點圖上特征與其他學者研究結果相同，變色松樹與其他地物也相對較易區(qū)分，但R 與G 相關性較強，未呈現(xiàn)聚集特征，而呈條帶狀分布。基于HSV 與RGB 顏色模型的閾值線性方程如表2。

圖1 H-V（左）和R-G空間圖（右）

表2 HSV與RGB變色松樹識別閾值方程

3.2 基于激光點云的單木分析

研究區(qū)域內提取松樹6 147 棵，樹高在2.4—30.6 m 之間，平均高度8.4 m，3.42—4.42 m 高度范圍的樹最多，10.42 m 以下的占70%，15.42 m 以下的占90.26%；各單木冠層面積差異較小，分布較為平均，平均冠層面積為13.14 m2，最小冠層面積為0.53 m2，最大冠層面積31.53 m2，該指標可以輔助剔除碎小圖斑和較大圖斑；冠幅直徑在1.0—6.5 m 之間，平均直徑5.0 m，該指標可剔除直徑過大的圖斑。

3.3 變色松樹識別與精度評價

本文首先是通過上述構建的閾值方程分別基于HSV 與RGB 不同色彩空間圖像進行變色松樹的初提??；其次采用基于多光譜衛(wèi)星遙感影像提取的松樹范圍進行松樹范圍外干擾結果的剔除；再次根據激光點云提取的冠層面積、冠層直徑剔除小陰影、連片陰影、裸地、枯死草地等的干擾，另外根據提取結果的數學幾何特征，剔除與單木冠層形狀相差較大的結果；最后采用基于激光點云數據提取的單木分布剔除非松樹的識別結果。通過以上結果的處理，可最大限度剔除非純林地區(qū)裸地和道路、枯死草地、陰影等地物對變色松樹識別造成的干擾，提高非純林地區(qū)變色松樹識別精度。

如圖2，基于HSV 圖像識別精度比RGB 高，RGB 圖像存在較多錯分漏分的情況，將很多偏黃植被誤識別為變色松樹，而很多變色松樹并未正確提取。HSV 圖像主要是將枯草、紅色闊葉樹與變色松樹錯分，漏分大多數為變色松針已脫落的松樹，采用分辨率為0.1 m 的影像就能精準提取單株變色松樹，與更高分辨率識別結果基本無差異。

圖2 變色松樹識別結果

通過目視解譯及野外實地驗證結果（如表3），基于HSV 圖像提取變色松樹的識別精度大幅高于RGB 圖像，錯分率和漏分率遠遠低于RGB 圖像，且與已有研究相比，本研究錯分率得到大幅降低，約從60%降低至20%。

表3 不同色彩空間圖像變色松樹識別精度評價

4 結論

研究表明多光譜衛(wèi)星影像、激光雷達點云等多源遙感數據與圖形幾何特征的協(xié)同利用可較大限度剔除枯死草地、陰影、裸地和道路的影響，基于HSV 顏色模型提取精度優(yōu)于RGB 圖像，且0.1 m 高分辨率影像與0.04 m 超高分辨率影像識別結果差異較小。因此，在今后基于無人機高分辨率影像的變色松樹識別應用中，獲取數據分辨率為0.1 m 即可滿足精準定位到單株變色松樹的需求，為基于無人機高分辨率影像數據獲取提供了方向。此外，目前國內研究中還未發(fā)現(xiàn)從冠層圖形幾何特征，以及將激光點云與超高分辨率影像融合應用于變色松樹識別的研究，本文為基于遙感數據快速高效精準識別變色松樹開辟了一條新的技術思路和手段。

雖然，通過冠層圖形幾何特征以及激光雷達點云數據能較大限度剔除枯死草地、陰影、裸地和道路的影響，但識別結果還是存在一定的誤差。一是由于激光雷達點云數據空間坐標為樹株的絕對位置，而無人機超高分辨率影像非真正射影像，兩者提取樹冠位置存在一定的偏差，盡管本文通過無人機飛行高度、照片重疊率、照片大小、樹高等參數計算了偏差范圍值，但仍然存在誤差；二是激光雷達點云提取樹冠結果本身也存在一定的誤差，導致識別到的變色松樹有被誤剔除的情況。今后的研究重點將會在上述兩方面進行深入，希望變色松樹識別的精度能有一定程度的提升。