松材线虫病监测天空地一体化监测方法与流程

1.本发明涉及松材线虫研究技术领域，特别是松材线虫病监测天空地一体化监测方法。


背景技术：

2.松材线虫是松属树种最严重、具有毁灭性的外来入侵物种，可导致松树染病后最快40天左右死亡，2-3月内全部死亡。自从其1982年在我国初次发现以来，迅速扩散，2021年3月已经蔓延至全国17个省(市、自治区)723个县级行政区，其中浙江省内疫区达70个县(市、区)，防控形势十分严峻。
3.投入不断加大、措施逐渐严密的积极防控努力没能完全阻隔疫病的扩散，究其原因，其中最主要的是缺乏及时、准确、详尽的疫情监测信息，无法动态、精准地指导防控工作。目前，每年一次的普查信息主要依靠人工地面典型调查获得，不仅频率低，而且精度不高，更重要的是没有疫木的空间位置信息。由此导致除治计划偏离实际、实施效率低、监管无法到位等一系列问题，最后结果是在很多情况下防控效果不尽人意。
4.松材线虫病枯死树遥感监测，主要依据是树冠颜色变化，在可见光和多光谱遥感影像中均有其典型特征，基于卫星遥感的变色松树监测，目前变色松树卫星遥感监测方法主要包括基于像素的影像分类方法、面向对象方法、深度学习方法、植被指数法等。目前中低分辨率的影像监测松材线虫病的疫情，由于染病树木空间分布的离散性，监测效果都很差。针对高分辨率影像，国内主要是利用国产亚米级gf-2和bj-2卫星数据开展松材线虫病监测，研究与实践表明，运用监督分类、面向对象的cart决策树分类等方法，结合地形数据提取了松材线虫病疫区，或疫木，取得了一定的效果。这种遥感数据可以满足针叶的红色症状典型、树冠直径5m以上大树(或树丛)的识别，对单株疫木识别还有困难；适合于快速、宏观监测疫情的空间分布情况，可为后续详查和疫情的确定提供科学依据。
5.另外近年来发展起来的无人机遥感技术为我国变色松树的快速定位和总量估计带来了解决办法。然而，目前分散的单株变色松树无人机影像提取中仍然停留在目视判读的水平，完全依靠人工目视判读变色松树的工作方案效率低、主观性强。现有的支持向量机、面向对象、神经网络等遥感数据分类提取算法虽然一定程度上提高人工目视判读的效率，但就时间复杂度而言难以满足gb甚至tb数量级的超高空间分辨率大区域无人机影像计算需求。
6.如何区分变色松树和其他红色阔叶树、稀疏植被、裸土等，仍是目前基于可见光和多光谱数据分析面临的难题。高光谱的出现为高分影像上同物异谱或异物同谱的情况提供了解决办法，但仍然面临高维数据量大、波段之间相关性强的困境。高光谱遥感数据具有连续地物光谱信息，利用这一优势，采用机载高光谱遥感对松材线虫病损害程度进行识别，其结果明显优于多光谱影像。但由于机载高光谱的空间分辨率很高且在数据采集时受局部视场条件和光照条件以及冠层结构的差异，同一棵树的冠层亮度值差异很明显，给变色松树像元的确定带来一些干扰。且高光谱遥感影像获取成本高、数据处理难度大，目前仅限于小
面积研究阶段，未大面积推广。
7.总之，随着遥感平台的多样化和遥感数据质量的不断提高和分类技术的不断进步，松材线虫病监测的理论和技术得到了快速发展。从基于像素的分类到面向对象分类方法，从传统的分类方法到深度学习的识别方法，从卫星遥感数据源到多平台多空间分辨率数据源，为精准分类、识别提供了基础。但是，这些方法在实践层面仍处于单一技术利用层面，卫星遥感、无人机遥感各自的优势没有得到充分发挥，没有形成一套完整的面向生产的应用技术体系，成本与效率仍然是主要问题。


技术实现要素：

8.针对现有技术存在的不足，本发明提供松材线虫病监测天空地一体化监测方法，具有筛选疫区效率高，可实现大面积高效监测，无人机遥感数据获取方便、识别精度高，用于精度验证有保障。
9.为了达到上述目的，本发明通过以下技术方案来实现：松材线虫病监测天空地一体化监测方法，包括以下步骤：
10.s1、区域位置进行选择，首先通过无人机影像对对染病枯死树提取，通过卫星影像对染病枯死树斑块进行提取，通过地面调查对枯死树进行实地标记、定位和测量；
11.s2、分别获取高空间分辨率卫星遥感数据、无人机遥感数据为数据源，结合地面调查数据与森林资源二类调查数据，共同形成监测区域的数据集合；
12.s3、通过上述数据建立疫木的样本，样本包括松材线虫病害枯死树的光谱特征、征纹理特征和几何特征；
13.s4、根据样本，卫星遥感对染病枯死树斑块进行确认，综合运用图像增强与图像分类方法，并进行验证，建立松材线虫病枯死树空间分布信息和位置信息。
14.优选的：高空间分辨率卫星遥感数据包括50cm空间分辨率全色波段(470-830nm)数据和2米空间分辨率蓝、绿、红、近红外四个波段多光谱数据。
15.优选的：无人机遥感数据包括多个区域中在每个区域选取一个1km
2-2km2的区域作为验证区，分别对所选区域用无人机进行拍摄，无人机遥感数据采集使用设备为大疆精灵4 pro rtk多旋翼无人机搭载fc6310r航摄仪。
16.优选的：地面调查数据包括在无人机拍摄后的区域内选择其中一个或多个区域的部分小班内的枯死树进行了实地手持gps枯死树标记、定位和测量，以完成建模和和专题分析；
17.实地测量的数据包括：小班号，疫木编号，胸径，冠幅，空中可见冠幅，松针保留率，树冠颜色，坐标x(gps)，坐标y(gps)，坐标x(影像)和坐标y(影像)，通过实地调查，建立疫木图像特征库，包括颜色、形状、纹理、图案、空间分布特点。
18.优选的：森林资源二类调查数据包含各区域行政区界线和小班界线空间信息，各级行政区名称、小班号、小班面积、地类及树种属性信息。
19.优选的：无人机遥感数据分析用于提取染病枯死树数量，根据疫木在图像上的目视特征，选取感染了松材线虫病的松树进行记录，确定疫木分布结果。无人机影像空间分辨率很高，疫木发病早期在无人机的真彩色图像上呈现黄色，中后期呈现明显的红褐色或者棕黄色，与健康树木的绿色有明显区别。发病时间半年或者更长的松树，针叶脱落，在图像
上枝条呈现白色或灰白色。根据树木形状图案与颜色这两个特征，将整个研究区的疫木人机交互判读后，形成初步成果。对一些判读有疑问的疫木，需要到野外做进一步地调查，对结果做校对验证，最后得到研究区无人机影像上准确的疫木分布结果。
20.优选的：高空间分辨率卫星遥感数据分析用于对染病枯死树斑块提取，基于卫星遥感影像，首先运用hsv阈值方法识别疫木斑块，然后利用森林资源二类调查本底数据提取松林分布区域，并通过分割算法剔除林中空地，并用斑块面积与疫木株数建立疫木株数模型，最后用株数模型估算全部斑块的疫木株数，提取每一株的位置坐标；分割算法是从单个像元开始向上逐渐合并成较大的对象，直到满足所设置的分割尺度(f)为止；
21.分割尺度(f)由四个参数组成，分别是光谱异质性(h
color
)、形状异质性(h
shape
)、光谱信息权重(w
color
)以及形状信息权重(w
shape
)，光谱特征和形状特征的权重之和为1(即w
color
+w
shape
＝1)，f＝w
×hcolor
+(1-w)
×hshape
；
22.光谱异质性(h
color
)不仅与组成对象的像元个数有关，还取决于各个波段标准差：为对象内部像元值的标准差，根据组成对象的像元值计算得到，n为像元数目；
[0023][0024]
此外，形状异质性(h
shape
)由紧凑度(h
compact
)和平滑度(h
smooth
)来计算，光滑度用来优化分割对象边界的光滑程度，可以抑制边缘的破碎；紧凑度用来优化分割对象的紧凑程度，两个指标的权重之和也是1(即w
compact
+w
smooth
＝1)；
[0025]hshape
＝w
compact
×hcompact
+(1-w
compact
)
×hsmooth
；
[0026]
在图像预处理的基础上，借助ecognition developer软件对p卫星影像进行分割，对影像进行多尺度分割，分割范围为20-150，对多尺度分割结果进行定量评价，找到最优分割尺度，通过目视评价，选出最优分割尺度；
[0027]
在定量化评价出最优分割尺度后，通过ecognition developer导出最优分割尺度下对象层中每个对象的在p卫星影像中具有的特征变量，包括有光谱、纹理、几何特征变量以及由图像原始波段计算得出了各种指数；
[0028]
对高空间分辨率卫星遥感数据中的rgb，其中rgb即是代表红、绿、蓝三个通道的颜色，红绿蓝3个波段多光谱数据做hsv变换图像色彩增强，转化hsv彩色模型，疫木与健康树木在h波段的值上呈现明显的分异，找到区分者的阈值，即可对疫木的斑块进行自动识别；
[0029]
rgb转换hsv公式如下：
[0030]
v＝max(r，g，b)
[0031][0032]
if h＜0 then h＝h+360.on output 0≤v≤1，0≤s≤1，0≤h≤360.
[0033]
疫木的斑块进识别后，结合森林资源二类调查数据，对松林范围裁剪，剔除非松林区域，获取松林区域的疫木斑块；
[0034]
通过通过局部几何校正方法，校正时以卫星数据为参考，将无人机提取的结果进
行几何校正，以便于将无人机数据提取结果作为参考数据，与卫星数据做匹配、叠加分析，基于无人机影像、卫星影像及各自的判读识别结果，通过二者同一位置疫木大小、颜色、空间分布特征、图案以及与周边地物的位置关系，综合运用对比分析、逻辑推断的方法，对疫木位置作出准确判断，得到几何精校正结果，实现无机影像判读的疫木的位置与卫星影像识别结果一一对应；
[0035]
通过无人机影像判读结果与卫星图斑数据，用人机交互方式得到一个新的卫星疫木点矢量数据，此数据用于疫木识别株数建模；
[0036]
基于卫星影像识别出不同大小的疫木斑块，进行计算疫木数量，通过面积与株数的关系模型获得，模型形式为：
[0037]
y＝ax+b
[0038]
或者
[0039]
y＝ax2+bx+c
[0040]
其中，y为疫木株数，x为斑块面积，以此模型公式求解全部斑块的疫木株数。
[0041]
优选的：在研究区抽取部分区域，在距卫星影像获取日一周以内进行全域或局部抽样区域进行无人机拍摄，通过对无人机影像的人工判读获得枯死树位置，以此验证卫星影像识别结果的准确性；
[0042]
随机分布在多块验证区域的无人机影像，经人工判读结果获得每个区域的株数和每个区域每一株枯死树的位置，两者分别用于位置精度和株数精度验证评价。
[0043]
优选的：株数精度基于无人机影像的验证，株数精度pn用株数误差率的函数表示：
[0044]
pn＝1-|en|
[0045][0046]
其中，en为株数误差率，n为识别株数,m为验证株数，下表i为区域号，ni为第i区域的识别株数，mi为第i区域的验证株数，b为区域数。en可以有正负，当en＞0时，表示识别值大于验证值；当en＜0时，表示识别值小于验证值；通过人工地面踏查和除治工作完成后获得枯死树数量验证信息，对识别结果的准确性进行验证；
[0047]
单株位置精度误差采用识别点位置(xd,yd)与验证点位置(xt,yt)的欧式距离表示，对于验证区域，总体位置误差(ep)采用单株位置误差的算数平均值表示：
[0048][0049]
其中，表示识别数据第i株的x坐标值，表示验证数据第i株的x坐标值，表示识别数据第i株的y坐标值，表示验证数据第i株的y坐标值；以均值e
p
为主要参考，同时考虑最大值和最小值。
[0050]
优选的：采用图像分类方法，将松林小班中的林中(含林缘)空地从森林中分离出来，以便从卫星影像识别结果中剔易与染病枯死树混淆的区域。
[0051]
本发明具有有益效果为：
[0052]
具有筛选疫区效率高，可实现大面积高效监测，利用遥感技术，识别精度保持80％以上(误差20％以下)。其次，实现了基于卫星遥感识别枯死树并提取每株位置坐标，获取信息快速、详尽，兼顾了效率与成本。
附图说明
[0053]
图1为本发明中精度验证抽样区域示意图；
[0054]
图2为本发明中多尺度分割算法流程图；
[0055]
图3为本发明中卫星遥感图像上斑块识别结果示意图；
[0056]
图4为本发明中锦北街道松林和林中空地分布图；
[0057]
图5为本发明中锦北街道卫星遥感提取疫木斑块分布图；
[0058]
图6为本发明中无人机影像判读疫木位置局部几何精校正疫木位置图；
[0059]
图7为本发明中无人机影斑块图；
[0060]
图8为本发明中无人机影识别和判读结果；
[0061]
图9为本发明中局部小班验证疫木分布图。
具体实施方式
[0062]
实施例一、
[0063]
如图1-9所述的松材线虫病监测天空地一体化监测方法，包括以下步骤：
[0064]
s1、区域位置进行选择，首先通过无人机影像对对染病枯死树提取，通过卫星影像对染病枯死树斑块进行提取，通过地面调查对枯死树进行实地标记、定位和测量；
[0065]
s2、分别获取高空间分辨率卫星遥感数据、无人机遥感数据为数据源，结合地面调查数据与森林资源二类调查数据，共同形成监测区域的数据集合；
[0066]
高空间分辨率卫星遥感数据包括50cm空间分辨率全色波段(470-830nm)数据和2米空间分辨率蓝、绿、红、近红外四个波段多光谱数据。
[0067]
高空间分辨率卫星遥感数据的相关技术参数见以下表；
[0068][0069]
无人机遥感数据包括多个区域中在每个区域选取一个1km
2-2km2的区域作为验证区，参考附图1，本实施例中在临安区锦北街道选取了松林分布较多、疫情较严重的上东村、金马村、西墅居委会作为验证村，每个村选取一个1km
2-2km2左右的区域作为验证区，分别对所选区域用无人机进行拍摄，无人机遥感数据采集使用设备为大疆精灵4 pro rtk多旋翼
无人机搭载fc6310r航摄仪。
[0070]
验证区无人机影像技术参数和面积见以下表格：
[0071][0072]
在该区域采用无人机拍摄可见光影像，正射影像空间分辨率3cm-7cm。
[0073]
地面调查数据包括在无人机拍摄后的区域内选择其中一个或多个区域的部分小班内的枯死树进行了实地手持gps枯死树标记、定位和测量，以完成建模和和专题分析；
[0074]
实地测量的数据包括：小班号，疫木编号，胸径，冠幅，空中可见冠幅，松针保留率，树冠颜色，坐标x(gps)，坐标y(gps)，坐标x(影像)和坐标y(影像)，通过实地调查，建立疫木图像特征库，包括颜色、形状、纹理、图案、空间分布特点。
[0075]
森林资源二类调查数据包含各区域行政区界线和小班界线空间信息，各级行政区名称、小班号、小班面积、地类及树种属性信息。
[0076]
s3、通过上述数据建立疫木的样本，样本包括松材线虫病害枯死树的光谱特征、征纹理特征和几何特征；
[0077]
s4、根据样本，卫星遥感对染病枯死树斑块进行确认，综合运用图像增强与图像分类方法，并进行验证，建立松材线虫病枯死树空间分布信息和位置信息。
[0078]
无人机遥感数据分析用于提取染病枯死树数量，根据疫木在图像上的目视特征，选取感染了松材线虫病的松树进行记录，确定疫木分布结果。无人机影像空间分辨率很高，疫木发病早期在无人机的真彩色图像上呈现黄色，中后期呈现明显的红褐色或者棕黄色，与健康树木的绿色有明显区别。发病时间半年或者更长的松树，针叶脱落，在图像上枝条呈现白色或灰白色。根据树木形状图案与颜色这两个特征，将整个研究区的疫木人机交互判读后，形成初步成果。对一些判读有疑问的疫木，需要到野外做进一步地调查，对结果做校对验证，最后得到研究区无人机影像上准确的疫木分布结果。
[0079]
本实施例中无人机遥感数据来源选取杭州市临安区锦北街道，行政区面积81.54km2(122310亩)，以马尾松为主的松类树种是锦北街道的主要树种。区域内一成及以上松林小班689个，面积2343.3hm2(35150亩)，松林面积占行政区面积28.28％。
[0080]
参考附图1，为了有效验证卫星遥感影像机器识别结果，分别在上东村、金马村、龙马村和西墅居委会各设置1个验证采样区(简称验证区)，在卫星影像拍摄期后一周以内对该区域进行无人机影像拍摄，以此作为验证基于卫星影像识别精度的基础数据。
[0081]
高空间分辨率卫星遥感数据分析用于对染病枯死树斑块提取，基于卫星遥感影像，首先运用hsv阈值方法识别疫木斑块，然后利用森林资源二类调查本底数据提取松林分布区域，并通过分割算法剔除林中空地，并用斑块面积与疫木株数建立疫木株数模型，最后用株数模型估算全部斑块的疫木株数，提取每一株的位置坐标；分割算法是从单个像元开
始向上逐渐合并成较大的对象，直到满足所设置的分割尺度(f)为止；
[0082]
分割尺度(f)由四个参数组成，分别是光谱异质性(h
color
)、形状异质性(h
shape
)、光谱信息权重(w
color
)以及形状信息权重(w
shape
)，光谱特征和形状特征的权重之和为1(即w
color
+w
shape
＝1)，f＝w
×hcolor
+(1-w)
×hshape
；光谱异质性(h
color
)不仅与组成对象的像元个数有关，还取决于各个波段标准差：为对象内部像元值的标准差，根据组成对象的像元值计算得到，n为像元数目；
[0083][0084]
此外，形状异质性(h
shape
)由紧凑度(h
compact
)和平滑度(h
smooth
)来计算，光滑度用来优化分割对象边界的光滑程度，可以抑制边缘的破碎；紧凑度用来优化分割对象的紧凑程度，两个指标的权重之和也是1(即w
compact
+w
smooth
＝1)；
[0085]hshape
＝w
compact
×hcompact
+(1-w
compact
)
×hsmooth
；
[0086]
在图像预处理的基础上，借助ecognition developer软件对p卫星影像进行分割，对影像进行多尺度分割，分割范围为20-150，对p卫星影像进行多尺度分割；从上述算法可看出，同一区域，随着分割尺度的增大，分割的对象数量越来越少，而对象的数量直接影响运算速度和分类精度。当分割尺度太低时，对象数量大幅度增加，运算的速度将大大减慢。相反，当分割尺度太高时，对象数量减少，易造成不同地物分割为一个对象，从而降低分类精度。因此，对多尺度分割结果进行定量评价，找到最优分割尺度尤为重要。通过目视评价，选出最优分割尺度为100。
[0087]
在定量化评价出最优分割尺度后，通过ecognition developer导出最优分割尺度下对象层中每个对象的在p卫星影像中具有的特征变量，包括有光谱、纹理、几何特征变量以及由图像原始波段计算得出了各种指数；
[0088]
目前，纹理提取的方法主要有基于统计描述、基于小波变换、基于应用分形理论以及基于地统计学四种方法。其中，基于统计描述的灰度共生矩阵(glcm)被证明在植被分类中发挥着重要作用，尤其是灰度共生矩阵的同质化(glcm_homo)。故本实施例选取灰度共生矩阵算法来提取对象的纹理信息。
[0089]
光谱特征是遥感图像分类的最主要特征，健康树木与疫木的光谱特征光谱在蓝、绿、红、近红外波段都有较大差异，因而本实施例中计算了对象的光谱特征变量有各个波段均值和标准差、归一化植被指数。
[0090]
几何属性主要描述对象的形状和大小，在用于分析较小尺度或者人类活动干预较少区域的湿地特征时总体效果低于光谱和纹理特征，这在一定程度上可以解释为对象间共同依赖小。
[0091]
具体的光谱、纹理、几何特征等变量可见以下表格：
[0092]
[0093][0094]
对高空间分辨率卫星遥感数据中的rgb，其中rgb即是代表红、绿、蓝三个通道的颜色，
[0095]
是通过对红(r)、绿(g)、蓝(b)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一。
[0096]
hsv：hsv(hue,saturation,value)是根据颜色的直观特性由a.r.smith在1978年创建的一种颜色空间,也称六角锥体模型(hexcone model)hsv彩色模型可通过rgb模型转化而来。这个模型中颜色的参数分别是：色调(h)，饱和度(s)，明度(v)。h的取值范围是0度到360度，其中0度代表红色，度数越高表示越接近绿色。s是用百分比表示饱和度，百分比越大表示颜色越饱和，即s值大的时候饱和度高，图像颜色也会越深，s值小的时候饱和度低，图像颜色越浅。v也是用百分比表示，0％代表黑色，100％代表白色。
[0097]
参考附图3，疫木在0.5米分辨率的卫星遥感图像上呈现的颜色特征与无人机的相似，只是色彩偏暗，红绿蓝3个波段多光谱数据做hsv变换图像色彩增强，转化hsv彩色模型，疫木与健康树木在h波段的值上呈现明显的分异，找到区分者的阈值，即可对疫木的斑块进行自动识别。
[0098]
rgb转换hsv公式如下：
[0099]
v＝max(r，g，b)
[0100][0101][0102]
if h＜0 then h＝h+360.on output 0≤v≤1，0≤s≤1，0≤h≤360.
[0103]
疫木的斑块进识别后，结合森林资源二类调查数据，对松林范围裁剪，剔除非松林区域，获取松林区域的疫木斑块；
[0104]
卫星影像提取疫木斑块与无人机影像判读结果叠加分析时，要求二者的疫木位置的空间参考基础一致，二者均不能有任何形变，本实施例通过局部几何校正方法，将偏差方向较为一致的同一面坡的无人机影像疫木点矢量结果与卫星数据进行匹配，校正时以卫星数据为参考，将无人机提取的结果进行几何校正，以便于将无人机数据提取结果作为参考数据，与卫星数据做匹配、叠加分析，基于无人机影像、卫星影像及各自的判读识别结果，通过二者同一位置疫木大小、颜色、空间分布特征、图案以及与周边地物的位置关系，综合运用对比分析、逻辑推断的方法，对疫木位置作出准确判断，得到几何精校正结果，实现无机影像判读的疫木的位置与卫星影像识别结果一一对应；
[0105]
将无人机影像判读疫木点数据与卫星影像识别疫木点数据进行叠加，会发现经过几何校正后，绝大部分无人机影像判读疫木点数据落在了卫星影像识别的疫木斑块中，但是有很少部分疫木斑块在无人机数据上没有对应的点。通过对无人机影像数据与卫星影像数据观察比较之后，发现这一部分图斑中包含落叶疫木、红叶健康阔叶树、林中空地荒地以及一些树冠被较大程度覆盖的林下疫木。通过对卫星影像提取的疫木斑块增加属性说明，在无人机影像判读时对遗漏了的林下疫木做补充，此时生成新的无人机疫木判读点矢量数据，用于校核。
[0106]
卫星影像提取的疫木斑块中大部分是一个斑块里就一株疫木，但也有许多斑块里有2株及以上疫木，甚至有的连片的疫木有7－8株。在连片的2株以上疫木中，混有部分落叶的疫木。为了核查分析无人机影像识别的准确度，将上述两种情况的图斑，结合无人机影像判读结果，对图斑对应的疫木情况做补充判读，并记录属性。最后得到卫星数据自动识别的结果斑块均记录有属性，属性包括5种情况，分别是疫木、林下疫木、落叶疫木、阔叶树木、空地荒草。斑块数据用于评价疫木识别的位置精度评价。同时参考无人机影像判读结果与卫星图斑数据，用人机交互方式得到一个新的卫星疫木点矢量数据。此数据用于疫木识别株数建模。
[0107]
基于卫星影像识别出不同大小的疫木斑块，进行计算疫木数量，通过面积与株数的关系模型获得，模型形式为：
[0108]
y＝ax+b
[0109]
或者
[0110]
y＝ax2+bx+c
[0111]
其中，y为疫木株数，x为斑块面积，以此模型公式求解全部斑块的疫木株数。
[0112]
本实施例中模型以村为单位建立，建模样本(斑块)以村为总体随机抽取，每个总体所抽样本单元数量不低于总体总量(斑块数)的2％，最低样本单元数不少于200。
[0113]
对于全部样本单元(抽中的斑块)，基于无人机影像目视判读每个样本单元的疫木数。以判读结果为真值，建立各斑块判读株数与其面积的线性或多项式关系模型。当模型的决定系数r2大于0.60时，模型有效，以此模型求解全部斑块的疫木株数。
[0114]
在研究区抽取部分区域，在距卫星影像获取日一周以内进行全域或局部抽样区域进行无人机拍摄，通过对无人机影像的人工判读获得枯死树位置，以此验证卫星影像识别结果的准确性；
[0115]
随机分布在多块验证区域的无人机影像，本实施例在随机分布在锦北街道的多块验证区域(a、b、c、d)的无人机影像，经人工判读结果获得每个区域的株数和每个区域每一株枯死树的位置，两者分别用于位置精度和株数精度验证评价。
[0116]
株数精度基于无人机影像的验证，株数精度pn用株数误差率的函数表示：
[0117]
pn＝1-|en|
[0118][0119]
其中，en为株数误差率，n为识别株数,m为验证株数，下表i为区域号，ni为第i区域的识别株数，mi为第i区域的验证株数，b为区域数。en可以有正负，当en＞0时，表示识别值大于验证值；当en＜0时，表示识别值小于验证值；通过人工地面踏查和除治工作完成后获得枯死树数量验证信息，对识别结果的准确性进行验证；
[0120]
单株位置精度误差采用识别点位置(xd,yd)与验证点位置(xt,yt)的欧式距离表示，对于验证区域，总体位置误差(ep)采用单株位置误差的算数平均值表示：
[0121][0122]
其中，表示识别数据第i株的x坐标值，表示验证数据第i株的x坐标值，表示识别数据第i株的y坐标值，表示验证数据第i株的y坐标值；以均值e
p
为主要参考，同时考虑最大值和最小值。
[0123]
采用图像分类方法，将松林小班中的林中(含林缘)空地从森林中分离出来，以便从卫星影像识别结果中剔易与染病枯死树混淆的区域。
[0124]
参考附图4，通过上述方法，疫木分类结果显示，林中空地2146块，总面积185.04hm2(2776亩)，平均每块面积862m2。
[0125]
参考附图5，本实施例中基于卫星遥感影像提取取疫木斑块分布图，h阈值处理后得到疫木空间分布的斑块分布是栅格数据，为了方便提取疫木坐标位置信息和株树信息，将结果矢量化。剔除林中空地后，对矢量数据对照无人机影像检查，发现小于1平方米的斑块基本没有疫木，去除面积小于1平方米的斑块。计算每个斑块的面积与中心点。锦北街道有疫木斑块数11310块，疫木斑块总面积180860m2(217.3亩)。
[0126]
参考附图5-6，本实施例中，由于无人机影像与卫星影像矫正精度不同和无人机影像地形高差变化影像大，进行疫木株数建模前，必须将基于卫星影像的识别结果(枯死树斑块)与基于无人机影像的判读结果(枯死树单株)精确配准。选择上东村北部56hm2松林对小地形一致的区域，采用样条函数模型分区精校正。通过选取上东村北部10个小班，采用局部几何校正法，参考无人机影像和卫星影像，对基于无人机影像判读的枯死树位置进行几何精校正。最后在无人机影像判读结果得到1385株完全对应卫星影像识别斑块中，斑块数为935个。
[0127]
疫木斑块与对应株数关系图见下面表格；
[0128]
id小班号斑块面积(m2)株树
1514.02253.313512.01413.11558.416560.837516.81814.31........................9344745.029354720.01
[0129]
利用几何精校正以后的无人机影像判读结果(株)，对照卫星影象识别结果(斑块)，确认每个斑块内疫木(枯死树)株数，最后获得以斑块号、斑块面积和疫木株数为主要内容的斑块信息确认表。基于此表，建立面积与株数的关系模型。
[0130]
下图为上东村的线性模型，可以得到疫木斑块面积与株数的关系，y＝0.0206x+0.785(y-株数，x-面积)，决定系数0.6422。基于此模型，利用卫星自动识别提取的斑块数据估算各斑块的疫木株数。
[0131][0132]
根据疫木斑块面积与株数的关系模型，利用提取的疫木斑块数据，对锦北街道的疫木株数进行估算。按森林资源二类调查小班数据统计，锦北街道行政区面积8019.3hm2(120289亩)，有松林小班689个，松林小班总面积35150亩。
[0133]
根据斑块识别结果，通过涉疫区域提取，结合干扰分析和疫木株数建模估计，发现锦北街道共有松材线虫病枯死树12814株，按行政区总面积计算，平均每亩0.11株；按实际松林(涉疫)面积计算，平均每亩0.37株，具体见以下表格。
[0134][0135][0136]
本实施例中精度评价采用典型抽样方式进行，样本特征值为其所代表总体特征值的有效估计值。锦北街道总体株数精度(正确率)和位置精度由上东村、金马村和西墅街道所抽4个样本区的株数精度(正确率)和位置精度的均值所代表。
[0137]
株数精度评价采用机器识别结果与评价者目视判读结果的株数差异程度来评价。根据以下公式：
[0138]
pn＝1-|en|
[0139][0140]
分别计算株数误差和株数精度。
[0141]
株数精度评价中，识别与判读数据采用典型抽样方式获取。考虑到样本的代表性和稳定性，抽取a、b、c、d四个验证区的全部含松样本单元(小班)，验证区实际松林小班面积217.7公顷(3266亩)，小班数46个。得出结论锦北街道枯死树株数识别精度为：80.2％，具体见以下表格。
[0142][0143]
位置精度评价采用机器识别位置偏离评价者目视判读位置的程度来评价。本实施例在典型(发病严重)区域，按最小森林区划单位，抽取一个面积大小中等的小班-上东村石
桥第15小班，作为对卫星影像机器识别结果位置精度检验的样本，用公式3.8计算位置误差均值，进行全域位置误差分析。
[0144]
参考附图8，检验采用目视判读的方法进行，检查者在卫星影像上对第15小班区域进行枯死树判读，并参考同期无人机影像进行修正，最后将其修正结果与被检查的第15小班机器识别结果进行对比分析，分析采用arcmap的邻域分析工具进行。
[0145]
第15小班共有卫星影像识别枯死树105株，人工综合判读确认结果为107株。根据最小距离确定机器识别与人工判读结果两两对应的枯死树点对，根据每个点对的距离统计特征数，以此反映位置误差。结果为：平均值(位置误差)为3.16米，最小值为0.79米，最大值为8.05米，具体见以下表格。
[0146][0147]
利用上东村施家坞附近10个小班区域的监测结果，进一步分析影响疫木识别精度的干扰因素，进一步明确识别结果中枯死树(疫木)的实际类型构成。该区域总面积56.5hm2(848亩)，识别疫木1466株。利用无人机的结果作为辅助数据，对卫星监测结果做进一步的判读和类型细分，确认各类枯死树(疫木)1385株，阔叶树和林种空地等干扰因素造成误判81株；
[0148]
以检查者目视判读结果为准，卫星影像机器识别结果总体精度为86.5％。10个小班有8个识别正确率大于94.0％，1个小于50％。卫星影像判读识别结果类型在各小班的占比统计参考如下表格。
[0149][0150]
47号小班确认株数大幅少于识别株数，经实地对照，其原因是该小班阔叶树占绝对多数，落叶树种多，10月23日拍摄的卫星影像中，已有部分阔叶发黄，造成自动识别把部分叶面发黄的阔叶树当作枯死树统计，这也说明其他变色树，特别是变色阔叶树是松材线虫病遥感识别的主要干扰源。
[0151]
上东村选择7个小班，通过无人机影像人机交互判读，对卫星遥感监测结果进行验证，其结果为染病枯死树株数监测精度大于74.4％，7成以上小班的株数监测精度大于67％，上东村局部卫星监测小班验证结果见如下表格。
[0152][0153][0154]
金马村选择15个小班进行无人机影像人机交互判读，其结果用于卫星遥感监测结果验证，结果为染病枯死树株数监测总体精度为81.9％，各小班精度差异较大，从25.0％到96.9％，但精度超过60.0％的小班数量仍占多数。误差较大的小班，面积大多数偏小。金马村卫星局部监测小班验证结果见如下表格。
[0155][0156]
本发明该技术解决了当前利用遥感、地理信息系统技术面临的松材线虫病监测低效率瓶颈问题，利用遥感技术，识别精度保持80％以上(误差20％以下)。其次，实现了基于卫星遥感识别枯死树并提取每株位置坐标，获取信息快速、详尽，兼顾了效率与成本。再次，该技术系统充分利用了现有地理信息系统、遥感等方面的工具软件，保证了工序的流程化和产出成果的一致性。
[0157]
实施例二
[0158]
本实施例二中，在松林小班内，从卫星遥感图像上查看林木覆盖情况，可发现小班区域内有一些区域未被林木覆盖，比如林中空地、荒地和林缘裸地，这些地物的光谱特征与疫木十分相似，为了减少这些地物对疫木提取的干扰，本实施例二将对这些非林木覆盖区域做进一步的剔除。对松林小班区域的图像采取面向对象结合随机森林分类法进行分类，将林木覆盖区域与荒地、林缘裸地等类型区分开，从而剔除松林小班内的非林木区域，为疫木的准确提取排除干扰因素；随机森林模型是基于决策树的新型机器学习算法，先从原始数据集中有放回的抽取m个新训练集，抽取数量约为原始数据集的2/3，并在新训练集中随机抽取m个属性生产决策树。最后，集合n棵决策树的预测结果，采用投票的方式决定新样本的类别，利用每次抽样未被抽到的1/3数据可估计内部误差。在许多机器学习算法中，随机森林具有以下3个特点和优势：一是分类表现优异，能在未做特征选取和删除的条件下处理大数据；二是人工干预很少，通常不需要做数据预处理，能根据数据自行确定所用特征；三是运算速度快，易于做并行化处理。
[0159]
实施例三
[0160]
选取金华市金东区和金华市永康市区域2020年松材线虫病普查采用本方法完成的实验结果。
[0161]
首先在金华市金东区面积658.19km2，金华市永康市面积1049km2，两个区域均采用航拍方式获取遥感影像。影像拍摄时间为2020年10月31日。航空影像空间分辨率0.5米，包含红、绿、蓝和近红外共四个波段。普查结果见如下表格。
[0162][0163][0164]
第二步对金东区识别结果进行验证。
[0165]
金东区抽取江东、岭下、源东和赤松四个乡镇作为样本，以该区域除治过程中实际采伐疫木数对基于空天地一体化方法的普查数据其进行验证，以其验证结果作为对金东区全域的验证结果。验证参考2021年1月至4月该地区疫木除治结果台账记录，具体验证结果见如下表格。
[0166][0167]
总体上，株数误差率为4.1％，表现为识别株数略多于清理结果株数，但分项差别较大，最大达-29.5％，识别株数大幅度低于实际清理株数，主要原因为该乡偏远山区山高林密，疫木树冠被覆盖较多。也从另一个方面说明，该乡在远山区加大了除治力度。对整个金东区来说，其误差均值和极值都应在范围内。
[0168]
第三步对永康市识别结果进行验证。
[0169]
永康市抽取城东街道和经济开发区两个乡镇级单元作为样本，采用两种方法对其识别结果进行验证。
[0170]
第一种基于实际清理疫木数验证，以2021年1月至5月该地区疫木除治结果台账记录作为枯死树株数标准，计算同区域的株数误差率。具体验证结果见如下表格。
[0171][0172]
表中，城东街道与经济开发区的普查数据和清理数据均有一定差距，而且经济开发区差距较大，但总体上以普查数据为中心上下波动，随着总体扩大，误差率下降。
[0173]
实施例四
[0174]
永康市抽取城东街道和经济开发区两个乡镇级单元作为样本，采用第二种方法验证，基于基于无人机影像局部验证，选定城东街道道葛塘山村、葛塘下村、下大路村，采用高空间分辨率无人机影像，人工逐株判读枯死树，判定基于航空影像识别结果的株数误差率，具体验证结果见如下表格。
[0175][0176]
上述实施例仅用于解释说明本发明的发明构思，而非对本发明权利保护的限定，凡利用此构思对本发明进行非实质性的改动，均应落入本发明的保护范围。