時啟龍,黃石明,張明霞,肖欣,喻俊,徐健，邱琳

(1.江西師范大學(xué) 鄱陽湖濕地與流域研究教育部重點實驗室,江西 南昌 330022；2.江西省林業(yè)資源監(jiān)測中心,江西 南昌 330046；3.江西師范大學(xué) 地理與環(huán)境學(xué)院，江西 南昌 330022)

松材線蟲病(Bursaphelenchusxylophilus)是一種由松墨天牛(Monochamusalternatus)攜帶傳播松材線蟲而引起的一種毀滅性病害[1]，經(jīng)過該病害侵染后的松樹會因為維管系統(tǒng)失去水分輸導(dǎo)功能而快速萎蔫死亡[2]。松材線蟲病于1982年首次在我國南京市發(fā)現(xiàn)[3-4]，而后疫情不斷擴展蔓延，造成松樹大量死亡。據(jù)統(tǒng)計，自松材線蟲病入侵以來已累計致死松樹達數(shù)10×108株，造成的直接經(jīng)濟損失和間接經(jīng)濟損失上千億元，松材線蟲病已成為近40 a來我國發(fā)生最嚴(yán)重、最危險的重大林業(yè)病害[5]。

松材線蟲病具有蔓延速度快、發(fā)病時間短、致死率高等特點，如不能及時對松材線蟲病疫情進行有效防控，將會在短時間內(nèi)造成林區(qū)內(nèi)松樹(Pinus)的大面積死亡[6]。感染松材線蟲病的疫木最明顯特征就是林木出現(xiàn)枯萎、色變等異?，F(xiàn)象，一般可以通過目視進行判斷。早期對松材線蟲疫情的監(jiān)測由于受技術(shù)水平的限制，外業(yè)調(diào)查主要依靠林業(yè)技術(shù)人員對發(fā)生疫情的區(qū)域進行野外勘察，不僅工作量巨大，而且數(shù)據(jù)失真，對指導(dǎo)松材線蟲病防控收效甚微[7]。20世紀(jì)70年代末，很多研究機構(gòu)和學(xué)者開始將衛(wèi)星遙感技術(shù)應(yīng)用于林業(yè)病蟲害監(jiān)測方面，如美國應(yīng)用衛(wèi)星遙感技術(shù)監(jiān)測病蟲害侵害闊葉林的面積和程度等[8]。Nelson等[9]、Rencz等[10]曾利用Landsat MSS數(shù)據(jù)監(jiān)測舞毒蛾(Lymantriadispar)、山松甲蟲(Dendroctonusponderosae)對森林的侵染，并分析不同波段間準(zhǔn)確率的差異。日本1982年也開始研究應(yīng)用美國資源衛(wèi)星調(diào)查森林病蟲害[11]。我國將遙感技術(shù)用于病蟲害監(jiān)測起步較晚，20世紀(jì)90年代初，戴昌達等[12]在安徽省應(yīng)用TM圖像進行了越冬代松毛蟲(Dendrolimussp.)災(zāi)害的監(jiān)測應(yīng)用研究，并輸出區(qū)分松毛蟲危害的重害、輕害、無害、非林地四類分布圖。武紅敢等[13]、池天河等[14]、楊存建等[15]等也對松毛蟲災(zāi)害的TM影像監(jiān)測技術(shù)進行了深入研究。因受制于遙感影像分辨率的影響，基于衛(wèi)星遙感開展松材線蟲疫情監(jiān)測的應(yīng)用依然難以有效進行[16]。近幾年來，無人機遙感監(jiān)測技術(shù)因其具有機動靈活、實時性強等優(yōu)勢，作為衛(wèi)星遙感技術(shù)的有力補充手段而得到廣泛應(yīng)用[17]。如：劉遐齡等[18]基于無人機拍攝的高分辨率遙感圖像，采用目視判讀、模版匹配2種方法分別對疫區(qū)松材線蟲病危害木進行遙感識別，相較于目視解譯的傳統(tǒng)信息提取方式，模版匹配方法在精度和效率方面具有明顯優(yōu)勢,能有效提高松材線蟲病危害木的監(jiān)測效率；武紅敢等[19]利用無人機遙感技術(shù)分析了枯死松樹的空間分布狀況，總結(jié)了在地形復(fù)雜山區(qū)開展低空遙感監(jiān)測的經(jīng)驗和對策；呂曉君等[20]、Hu等[21]、Iordache等[22]利用無人機遙感來高效監(jiān)測松材線蟲病害的發(fā)生。

雖然無人機遙感技術(shù)的發(fā)展有效地提高了遙感圖像的分辨率和精度，但仍然未根本解決需要人工輔助而導(dǎo)致的工作強度大、效率低等問題。隨著人工智能技術(shù)的出現(xiàn)，多種基于深度學(xué)習(xí)的目標(biāo)檢測算法逐步在森林病害識別領(lǐng)域得到應(yīng)用[23]。黃華毅等[7]基于無人機遙感技術(shù)，利用Fast R-CNN深度學(xué)習(xí)模型提取了松材線蟲病死木的分布位置。李浩等[24]和 Deng 等[25]均基于無人機遙感和深度學(xué)習(xí)框架對病枯死松樹進行判別，取得了不錯的效果。上述研究多是通過實例分割的方法對松材線蟲疫木進行目標(biāo)檢測。本項目從語義分割的角度基于無人機遙感技術(shù)和深度學(xué)習(xí)框架，利用U-Net和SegNet模型算法對江西省贛州地區(qū)的馬尾松(PinusmassonianaLamb.)松材線蟲疫木進行自動識別提取，為松材線蟲疫木監(jiān)測提供了一種快捷有效的方法，能夠較大程度減少人工識別和調(diào)查的工作量，具有較高的應(yīng)用前景。

1 研究區(qū)域概況

研究區(qū)選擇江西省南部贛州地區(qū)，其森林資源豐富、植被覆蓋率高，尤其是馬尾松林面積比較大，主要分布于贛州北部的興國縣、于都縣、贛縣區(qū)等地，多為20世紀(jì)七八十年代的馬尾松飛播林，生長環(huán)境以土壤比較貧瘠的高山陡坡為主，其生態(tài)意義十分重要。根據(jù)2020年國家林業(yè)局公告，贛州地區(qū)除石城縣外，其他各縣市區(qū)均被列為松材線蟲病疫區(qū)，按發(fā)生程度劃分等級：興國縣、于都縣、上猶縣、南康區(qū)和信豐縣為重度區(qū)，章貢區(qū)、瑞金市、會昌縣、安遠(yuǎn)縣、尋烏縣、定南縣和龍南市為中度區(qū)，崇義縣、大余縣、寧都縣、贛縣區(qū)和全南縣則為輕度區(qū)。近年來，當(dāng)?shù)亓謽I(yè)主管部門采取了多種防治措施，但由于馬尾松林分布范圍廣、所處地理環(huán)境復(fù)雜，松材線蟲病擴散蔓延的強勁勢頭并沒有得到有效遏制。

2 數(shù)據(jù)和方法

2.1 航測攝影

本研究選取贛州地區(qū)松材線蟲疫情比較嚴(yán)重的區(qū)域，分別于2020年10月、2021年5月和9月開展了50余架次航測，航測面積約20 km2，涵蓋了馬尾松純林和混交林。在航測區(qū)選取有代表性和典型性的區(qū)域部署了6個野外采樣點，其中馬尾松純林1個，混交林5個；每個采樣點設(shè)置一個50 m×50 m的正方形樣地，航測的同時，分別對樣地內(nèi)的林木進行調(diào)查記錄。航測攝影選用精靈PHANTOM 4 RTK無人機，定位精度為垂直1.5 cm+1 ppm(1 ppm是指飛行器每移動1 km，誤差增加1 mm)，水平1 cm+1 ppm，平均地面采樣分辨率為0.1 m。航測攝影作業(yè)時間選在晴朗無風(fēng)天氣的10:00—11:30和14:30—16:00,以防止拍攝的影像出現(xiàn)變形和過度曝光。航測完成后，首先對影像進行質(zhì)量檢查，剔除質(zhì)量較低的影像，然后經(jīng)過影像拼接和正射校正等處理，形成無人機正射影像圖，見圖1。

2.2 構(gòu)建樣本數(shù)據(jù)庫

基于深度學(xué)習(xí)的目標(biāo)識別是計算機自動從大量圖像樣本數(shù)據(jù)庫中去學(xué)習(xí)目標(biāo)事物的內(nèi)在特征，并進行特征提取，從而實現(xiàn)目標(biāo)識別。構(gòu)建訓(xùn)練樣本數(shù)據(jù)庫是進行深度學(xué)習(xí)目標(biāo)識別的基礎(chǔ)，樣本數(shù)據(jù)庫的質(zhì)量直接關(guān)系到目標(biāo)識別的準(zhǔn)確程度。本研究以被松材線蟲感染的疫木為目標(biāo)，通過面向?qū)ο筇崛『腿斯ば：说姆绞綄D像進行標(biāo)注，并以256×256像素大小對圖像和標(biāo)簽進行裁剪，然后以8︰2的比例將圖像隨機分成訓(xùn)練集和驗證集，從而構(gòu)建出包括圖像和相應(yīng)標(biāo)簽的深度學(xué)習(xí)樣本數(shù)據(jù)庫，樣本數(shù)據(jù)庫共包括2000對圖像和標(biāo)簽。

樣本標(biāo)注

2.3 構(gòu)建深度學(xué)習(xí)模型

深度學(xué)習(xí)模型的構(gòu)建是一個循環(huán)訓(xùn)練和不斷進行參數(shù)調(diào)整及優(yōu)化的過程，通過對所建立的龐大訓(xùn)練樣本數(shù)據(jù)庫進行循環(huán)迭代訓(xùn)練，計算機將根據(jù)訓(xùn)練樣本數(shù)據(jù)庫的圖像特征構(gòu)建深度學(xué)習(xí)圖像識別函數(shù)，并通過大量的訓(xùn)練來不斷計算和調(diào)整模型函數(shù)間的關(guān)系，從而構(gòu)建出精度較高的深度學(xué)習(xí)模型。對于后期不斷增加的訓(xùn)練樣本數(shù)據(jù)庫，計算機將通過遷移學(xué)習(xí)的方式來對已有的深度學(xué)習(xí)模型進行繼續(xù)訓(xùn)練，從而不斷提高模型精度。本研究基于Google公司發(fā)布的TensorFlow深度學(xué)習(xí)框架，構(gòu)建了兩種當(dāng)前圖像識別領(lǐng)域識別效果較好且模型結(jié)構(gòu)相似的卷積神經(jīng)網(wǎng)絡(luò)，具體如下。

(1)U-Net神經(jīng)網(wǎng)絡(luò) U-Net神經(jīng)網(wǎng)絡(luò)模型是一個有監(jiān)督的端到端的圖像分割網(wǎng)絡(luò)，由弗萊堡大學(xué)Olaf在ISBI舉辦的細(xì)胞影像分割比賽中提出。其網(wǎng)絡(luò)結(jié)構(gòu)形式如字母U，故命名為U-Net，網(wǎng)絡(luò)主要由兩部分構(gòu)成，編碼層和解碼層，前者主要用于提取圖片的上下文信息，后者用于對圖片中感興趣區(qū)域進行精準(zhǔn)定位。

(2)SegNet神經(jīng)網(wǎng)絡(luò) SegNet神經(jīng)網(wǎng)絡(luò)是由劍橋大學(xué)團隊開發(fā)的圖像分割網(wǎng)絡(luò)，也是一個對稱性卷積神經(jīng)網(wǎng)絡(luò)，中間由pooling層與upsampling層作為分割，左邊卷積層用于提取高維特征，并通過pooling層使圖像變小，右邊是反卷積與upsampling層，通過反卷積層使得圖像分類后特征得以重現(xiàn)，并利用upsampling層使圖像變大，最后通過Softmax分類器，輸出不同分類的最大值。

本研究所構(gòu)建深度學(xué)習(xí)模型初始學(xué)習(xí)率均設(shè)置為1e-5，損失函數(shù)采用“categorical_crossentropy”函數(shù)，批處理大小為50，訓(xùn)練迭代次數(shù)100次。

2.4 驗證精度指標(biāo)

本研究對深度學(xué)習(xí)模型所提取的結(jié)果采用的精度評價指標(biāo)為精確率(P)、召回率(R)，以及二者之間的調(diào)和平均值(F),這3種指標(biāo)在一定程度上可以客觀反映所構(gòu)建深度學(xué)習(xí)模型的精度，公式如下。

式中：TP表示正確檢測為松材線蟲疫木的像素數(shù)量，F(xiàn)P為實際不為松材線蟲疫木但被檢測為松材線蟲疫木的像素數(shù)量，F(xiàn)N為實際為松材線蟲疫木但未檢測出的像素數(shù)量。

3 結(jié)果與分析

3.1 模型訓(xùn)練精度分析

本研究分別對所構(gòu)建U-Net和SegNet神經(jīng)網(wǎng)絡(luò)模型進行了迭代訓(xùn)練，其訓(xùn)練精度如圖2所示。U-Net神經(jīng)網(wǎng)絡(luò)模型總訓(xùn)練時間為23.5 h，訓(xùn)練精度為95.31%，訓(xùn)練損失為0.19，驗證精度為94.52%，驗證損失為0.27。SegNet神經(jīng)網(wǎng)絡(luò)模型總訓(xùn)練時間為68.3 h，訓(xùn)練精度為96.47%，訓(xùn)練損失為0.13，驗證精度為88.93%，驗證損失為0.53。通過訓(xùn)練數(shù)據(jù)對比，U-Net網(wǎng)絡(luò)模型和SegNet網(wǎng)絡(luò)模型訓(xùn)練精度均超過了95%，SegNet網(wǎng)絡(luò)模型驗證精度要低于U-Net網(wǎng)絡(luò)模型，而且通過其訓(xùn)練損失和驗證損失來看，SegNet網(wǎng)絡(luò)模型在訓(xùn)練過程出現(xiàn)了過擬合現(xiàn)象。另外從模型訓(xùn)練時間來看，在相同訓(xùn)練樣本和初始設(shè)置的情況下，SegNet網(wǎng)絡(luò)模型訓(xùn)練時間比U-Net網(wǎng)絡(luò)模型多了44.8 h，模型訓(xùn)練效率比較低。

圖2 模型訓(xùn)練精度圖Fig.2 Model training accuracy

3.2 模型驗證精度分析

為驗證上述兩種神經(jīng)網(wǎng)絡(luò)模型對松材線蟲疫木的識別能力，本研究選取于都縣獅公巖約2 km2區(qū)域，開展了預(yù)測，其提取效果及驗證精度指標(biāo)如圖3和表1所示，U-Net網(wǎng)絡(luò)模型精確率為81.36%，召回率為83.12%,調(diào)和平均值為82.23%，SegNet網(wǎng)絡(luò)模型精確率為75.21%，召回率為76.84%，調(diào)和平均值為76.01%，U-Net網(wǎng)絡(luò)模型驗證精度指標(biāo)明顯高于SegNet網(wǎng)絡(luò)模型。從圖上也可以直觀看出，兩種神經(jīng)網(wǎng)絡(luò)模型對松材線蟲疫木均有一定的識別能力，所提取的松材線蟲疫木圖斑范圍也基本與疫木樹冠邊緣吻合，但就整體情況而言，U-Net網(wǎng)絡(luò)模型提取效果相比SegNet網(wǎng)絡(luò)模型要更好一些。

圖3 兩種模型提取結(jié)果比Fig.3 Model extraction results

表1 兩種模型的驗證精度Tab.1 Model validation accuracy %

同時，從松材線蟲疫木提取效果圖上我們也看到，兩種神經(jīng)網(wǎng)絡(luò)模型均存在疫木遺漏和誤判的現(xiàn)象，這主要由于前期在訓(xùn)練樣本標(biāo)注的時候，疫木邊界范圍標(biāo)注不準(zhǔn)確，以及訓(xùn)練樣本中存在漏標(biāo)注疫木等原因造成的。另外，U-Net神經(jīng)網(wǎng)絡(luò)模型屬于FCN的一種變體，采用圖像patches進行訓(xùn)練，部分解決了樣本數(shù)據(jù)不足的問題，而SegNet神經(jīng)網(wǎng)絡(luò)模型則需要基于更多的樣本數(shù)據(jù)來減少網(wǎng)絡(luò)過擬合現(xiàn)象的出現(xiàn)。在后期研究中我們將繼續(xù)提升樣本的數(shù)量和質(zhì)量，并對模型結(jié)構(gòu)和模型參數(shù)進行調(diào)整和優(yōu)化，以提高模型的識別能力和泛化能力。通過本研究也充分說明，利用深度學(xué)習(xí)模型對松材線蟲疫木開展識別是可行的，具有較高的應(yīng)用潛力和推廣價值，尤其對于大規(guī)模、大范圍的松材線蟲疫木調(diào)查，具有很強的輔助作用，可以大大減輕人工識別和外業(yè)調(diào)查的工作量。

4 討論與結(jié)論

在林業(yè)日常管理中，對松材線蟲病疫木的監(jiān)測重點是發(fā)現(xiàn)疫木的位置和分布，進而對疫木進行采伐、掩埋或焚燒等處理。本研究通過語義分割的模式構(gòu)建了U-Net和SegNet兩種卷積神經(jīng)網(wǎng)絡(luò)模型，通過研究發(fā)現(xiàn)，U-Net網(wǎng)絡(luò)模型和SegNet網(wǎng)絡(luò)模型在訓(xùn)練過程中訓(xùn)練精度均超過了95%，但U-Net網(wǎng)絡(luò)模型驗證精度要高于SegNet網(wǎng)絡(luò)模型，SegNet網(wǎng)絡(luò)模型在訓(xùn)練過程中出現(xiàn)了過擬合現(xiàn)象，從而影響該模型的驗證精度；通過對兩個模型進行預(yù)測應(yīng)用，結(jié)果顯示，U-Net網(wǎng)絡(luò)模型識別效果要優(yōu)于SegNet網(wǎng)絡(luò)模型；同時，U-Net網(wǎng)絡(luò)模型可以基于少量的訓(xùn)練樣本，構(gòu)建出精度較高的預(yù)測模型，而SegNet網(wǎng)絡(luò)模型則不能，這也是U-Net網(wǎng)絡(luò)模型使用日益廣泛的原因。但同時也不難發(fā)現(xiàn)，雖然基于語義分割的深度學(xué)習(xí)模型可以獲取疫木的分布位置和面積，卻無法對疫木個體進行識別，難以獲得疫木的具體數(shù)量。今后，將結(jié)合實例分割深度學(xué)習(xí)模型對松材線蟲疫木的分布和數(shù)量展開進一步研究，以期獲得更好的結(jié)果。

此外，隨著計算機和信息化技術(shù)的發(fā)展，人工智能技術(shù)在多個領(lǐng)域均取得了長足的進展，如在無人駕駛[26]、醫(yī)療診斷[27]、人臉識別[28]和語音識別[29]等方面均獲得了不錯的效果。近幾年不少研究人員，如龔健雅等[30]、張翠軍等[31]、黃華毅等[7]開始將人工智能引入遙感圖像智能識別領(lǐng)域，包括遙感地物識別、遙感變化檢測、植物病蟲害檢測等，均取得了一定的成績。但由于遙感技術(shù)往往屬于大尺度、大范圍的監(jiān)測技術(shù)，成像區(qū)域覆蓋圍廣、覆蓋環(huán)境復(fù)雜，且存在“同物異譜、異物同譜”現(xiàn)象，造成人工智能在遙感圖像自動識別實際應(yīng)用中精度還不是很高，需要配合后期的人工校核和處理。不過隨著人工智能和高光譜遙感技術(shù)的不斷發(fā)展，基于人工智能的遙感圖像自動識別技術(shù)將會得到更加廣泛的應(yīng)用。