Early Detection of Pine Wilt Disease by Combining Pigment and Moisture Content Indices Using UAV-Based Hyperspectral Imagery研究单位中国科学院空天信息创新研究院中国科学院大学摘要松材线虫病具有传播速度快、致死率高、防治困难等特点给我国生态环境和社会经济发展造成严重影响。由于染病树木在病害早期无明显症状提高早期检测精度已成为松材线虫病监测的主要挑战。近年来无人机高光谱遥感技术的快速发展为松材线虫病早期检测提供了新途径。本研究选取经典的冠层色素指数和水分含量指数构建识别指标体系通过显著性检验与导数分析筛选出最优冠层色素指数CI和冠层水分指数WASCOSBNDI基于病害发展过程中冠层水分与色素含量的异步变化特征采用多阈值分割方法分别建立CI、WASCOSBNDI和CI-WASCOSBNDI模型实现对不同染病阶段树木的识别。结果表明CI-WASCOSBNDI模型对染病阶段的检测精度最高总体分类精度达92.78%而CI模型和WASCOSBNDI模型的分类精度分别为81.34%和89.84%。针对本研究重点关注的早期染病树CI-WASCOSBNDI模型检测效果最优准确率超过70%显著优于其他两种模型。此外早期染病树木的发病时间对模型检测精度影响显著越接近病害爆发期的树木越容易被识别。这些研究结果为利用无人机高光谱影像实现松材线虫病的精准早期监测提供了参考。实验设计本研究的实验区位于辽宁省抚顺市章党镇的大伙房水库与哈达林场。该区域属温带大陆性季风气候森林资源丰富主要分布油松、红松和华北落叶松等人工林。于2023年7月至10月期间开展了周期性野外监测。7月上旬完成了选定样本树、记录地理坐标、采集针叶样本、地面光谱测量、生理参数评估和无人机高光谱影像采集等六项基础工作后续三个月除样本树选定与坐标记录外均重复执行上述流程。为探究不同病变程度的针叶光谱特征根据野外观察将针叶划分为四个等级生长旺盛的健康未变色针叶深绿色、生长减缓的轻度变色针叶局部黄化、长势明显衰弱的中度变色针叶大部分黄褐萎蔫以及濒死树木的严重变色针叶全株红褐色。采样时从每棵样本树的东、南、西、北四个方向采集标准枝条经编号密封后冷藏保存构建形成完整的针叶样本分析体系。图1 研究区域研究区域(a)中国地图(b)辽宁省地图(c)大伙房水库实验区(d)哈达林场实验区图2松针样本在不同PWD感染阶段的图像(a)健康(b)轻度变色(c)中度变色(d)严重变色数据采集本研究的高光谱数据由X20P框幅式高光谱成像仪获取该设备具有20MP的超高清大面阵光谱探测器可同步获取350~1000 nm范围内164个光谱通道高光谱图像在1/1000秒内获得整个高光谱立方体数据更适合高速移动式测量数据真实可靠无伪影影像具有厘米级地理坐标信息既适用于地面场景也可配备一体式无刷云台搭载于多旋翼或固定翼无人机。图3 无人机高光谱成像系统和野外作业条件(A)配备X20P传感器的无人机高光谱成像系统(B)无人机高光谱成像系统的野外作业图4 不同类别的样本像素选择示例研究方法表1 冠层色素指数集表2 冠层含水率指标集图5 样品的田间测量的生理参数与不同特征之间的相关性(a)样品的色素指数和田间测量的色素含量(b)样品的含水率指数和田间测量的水分含量表3 冠层含水率指数的变化率表4 冠层色素指数变化率图6 标准指标特征在不同阶段的变化(A)CI指数(B)WASCOSBNDI指数表5不同指标的分类阈值图7 多阈值分割结果表6 基于CI模型识别的准确性验证图8基于不同模型的病树侵染阶段识别结果(A)CI模型(B)WASCOSBNDI模型表7 基于WASCOSBNDI模型识别的准确性验证表8 基于CI-WASCOSBNDI模型识别的准确性验证表9 基于CI-WASCOSBNDI协作索引的受感染但未变色树的识别准确率比较研究结论本研究利用无人机高光谱遥感影像对松材线虫病不同阶段的染病树木进行监测识别基于研究结果得出以下结论1冠层色素指数CI监测模型对变色阶段树木识别精度最高但对早期病害树木识别效果不佳冠层含水量指数WASCOSBNDI监测模型能有效识别感染但未变色阶段的树木但其对感染变色阶段病树的识别精度略低于CI监测模型。2CI-WASCOSBNDI监测模型总体识别精度最高对感染但未变色树木的识别准确率超过70%适用于松材线虫病的早期检测。3CI-WASCOSBNDI监测模型对临近病害爆发期变色症状出现前约1个月的树木识别效果优异准确率达83.3%但难以识别刚感染松材线虫病变色症状出现前约3个月的树木准确率仅16.7%。未来研究将重点提升松材线虫病早期感染的精准监测能力为病害的及时防治提供科学依据和理论支撑。原文链接 https://doi.org/10.3390/rs17111833