陆地生态系统碳监测卫星松材线虫病变色木识别指数研究

doi:10.13466/j.cnki.lyzygl.2023.04.015

林业资源管理 ›› 2023›› Issue (4): 123-131.doi: 10.13466/j.cnki.lyzygl.2023.04.015

陆地生态系统碳监测卫星松材线虫病变色木识别指数研究

焦全军¹(), 郑焰锋²(), 黄文江¹^,³, 张兵¹^,³, 张鹤译², 史宜梦², 吴发云², 付安民²

1.中国科学院空天信息创新研究院数字地球重点实验室,北京 100094
2.国家林业和草原局林草调查规划院,北京 100714
3.中国科学院大学资源与环境学院,北京 100049

收稿日期:2023-06-29 修回日期:2023-07-28 出版日期:2023-08-28 发布日期:2023-10-16
通讯作者: 郑焰锋(1978-),男,吉林农安人,高级工程师,主要研究方向:林草生态监测、林业信息化等。Email:zhyanfeng2005@126.com
作者简介:焦全军(1981-),男,河南巩义人,副研究员,主要研究方向:植被定量遥感与应用。Email:jiaoqj@radi.ac.cn
基金资助:
国家重点研发计划课题“产品真实性检验和综合应用示范研究”(2022YFB3903305);国家自然科学基金项目“基于塔基光谱自动观测的叶片叶绿素含量遥感反演研究”(42071330);国家自然科学基金项目“复杂观测场景下松材线虫病疫木卫星遥感识别研究”(42201355)

Detection of Discolored Trees Caused by Pine Wilt Disease Based on Vegetation Index Method Using Terrestrial Ecosystem Carbon Inventory Satellite Data

JIAO Quanjun¹(), ZHENG Yanfeng²(), HUANG Wenjiang¹^,³, ZHANG Bing¹^,³, ZHANG Heyi², SHI Yimeng², WU Fayun², FU Anmin²

1. Key Laboratory of Digital Earth Science,Aerospace Information Research Institute,Chinese Academy of Sciences,Beijing 100094,China
2. Academy of Forest Inventory and Planning,National Forestry and Grassland Administration,Beijing 100714,China
3. College of Resources and Environment,University of Chinese Academy of Sciences,Beijing 100049,China

Received:2023-06-29 Revised:2023-07-28 Online:2023-08-28 Published:2023-10-16

摘要/Abstract

摘要：

松材线虫病是一种严重威胁松树生存的林业有害生物疫情。高分辨率卫星遥感技术是松材线虫病变色松木识别的有效手段。通过研究植被指数阈值法,利用2022年8月4日发射的陆地生态系统碳监测卫星(句芒号)优于2 m高分辨率4谱段相机的特点,开展基于指数的松材线虫病木识别示范,验证该卫星松材线虫病监测应用能力。基于松材线虫染病松木光谱特征,提出基于与生物量和色素相关的双指数识别策略,设计了松材线虫病指数(PWDI),并在山东省栖霞市疫区进行句芒号松材线虫病识别测试。结果表明,双指数识别策略相比单指数策略性能更优,其中PWDI与NDVI组合的松材线虫病变色松木识别能力最强,总体精度达到84.5%,NWI—NDVI,NGRDI—NDVI组合次之。在单指数策略下,PWDI的识别性仍能优于其他5个测试植被指数。研究表明,句芒号卫星具有可靠识别松材线虫病变色松木的良好潜力,松材线虫病变色松木双指数识别策略及新的识别指数PWDI可为其他类似卫星的松材线虫病监测提供借鉴。

关键词: 松材线虫病, 遥感, 陆地生态系统碳监测卫星, 句芒号, 植被指数

Abstract:

Pine wilt disease(PWD)is a forestry pest epidemic that poses a major threat to the survival ofpine trees.High-resolution satellite remote sensing is an effective approach for identifying PWD-infected pine trees.The Terrestrial Ecosystem Carbon Inventory Satellite(Goumang Satellite),which was launched on August 4,2022,has a four-band camera with a spatial resolution of more than 2m.The purpose of this paper is to investigate the vegetation index(VI)threshold approach for demonstrating PWD detection using Goumang Satellite multispectral data.Based on the multispectral characteristics of PWD discolored pine trees,an identification strategy based on two biomass-related and pigment-related VIs is proposed and a pine wilt disease index(PWDI)is designed.A test of PWD identification was conducted in Qixia City,Shandong Province.The results demonstrated that the double-VIs identification method outperformed the single-VI strategy,with the combination of PWDI and NDVI having the best PWD recognition capacity,with an overall accuracy of 84.5%,followed by the combinations of NWI-NDVI and NGRDI-NDVI.PWDI outperformed the other five examined VIs in terms of identification performance while using a single-VI method.This research demonstrates that the Goumang Satellite has a high potential for rapid and reliable detection of PWD discolored pine trees,and that the suggested double-VIs identification technique and the new PWDI can serve as a model for other comparable satellites used for PWD monitoring.

Key words: pine wilt disease, remote sensing, Terrestrial Ecosystem Carbon Inventory Satellite, Goumang, vegetation index

中图分类号:

S763
S771.8

焦全军, 郑焰锋, 黄文江, 张兵, 张鹤译, 史宜梦, 吴发云, 付安民. 陆地生态系统碳监测卫星松材线虫病变色木识别指数研究[J]. 林业资源管理, 2023,(4): 123-131.

JIAO Quanjun, ZHENG Yanfeng, HUANG Wenjiang, ZHANG Bing, ZHANG Heyi, SHI Yimeng, WU Fayun, FU Anmin. Detection of Discolored Trees Caused by Pine Wilt Disease Based on Vegetation Index Method Using Terrestrial Ecosystem Carbon Inventory Satellite Data[J]. FOREST RESOURCES WANAGEMENT, 2023,(4): 123-131.

图/表 9

图1

表1

图2

图3

表2

图4

图5

表3

图6

参考文献 27

[1]	叶建仁. 材线虫病在中国的流行现状,防治技术与对策分析[J]. 林业科学, 2019, 55(9):1-10.
[2]	国家林业和草原局. 全国松材线虫病疫情防控五年攻坚行动计划(2021—2025)[EB/OL].(2021-07-07)[2023-06-10]. http://www.forestry.gov.cn.
[3]	陶欢, 李存军, 程成, 等. 松材线虫病变色松树遥感监测研究进展[J]. 林业科学研究, 2020, 33(3):172-183.
[4]	方国飞, 黄文江, 牟晓伟, 等. 松材线虫病疫情精准监测实践与展望[J]. 中国森林病虫, 2022, 41(4):16-23.
[5]	武红敢, 牟晓伟, 杨清钰, 等. 无人机遥感技术在重庆市沙坪坝区松材线虫病监测中的应用[J]. 林业资源管理, 2019(2):109-115.
[6]	陶欢, 李存军, 谢春春, 等. 基于 HSV 阈值法的无人机影像变色松树识别[J]. 南京林业大学学报:自然科学版, 2019, 62(3):99-106.
[7]	刘顺利, 刘昌华, 张雷, 等. 基于改进SSD的无人机影像松材线虫病变色木检测[J]. 林业资源管理, 2022(3):135-141.
[8]	杨国峰, 何勇, 冯旭萍, 等. 无人机遥感监测作物病虫害胁迫方法与最新研究进展[J]. 智慧农业, 2022, 4(1):1-16.
[9]	亓兴兰, 曹祖宁, 刘健, 等. 基于卫星遥感影像的森林病虫害监测研究进展[J]. 林业资源管理, 2020(2):181-186.
[10]	乔睿, 唐娉, 石进, 等. WorldView-2影像的红叶松树识别研究[J]. 北京林业大学学报, 2015, 37(11):33-40.
[11]	秦琳, 孟先进, 张水花, 等. 北京三号卫星数据在松材线虫病遥感监测中的应用评价[J]. 林业资源管理, 2022(4):126-133.
[12]	覃先林, 李增元, 易浩若. 高空间分辨率卫星遥感影像树冠信息提取方法研究[J]. 遥感技术与应用, 2005, 20(2):228-232.
[13]	刘玉锋, 潘英, 李虎. 基于高空间分辨率遥感数据的天山云杉树冠信息提取研究[J]. 国土资源遥感, 2019, 31(4):112-119.
[14]	张晓东, 杨皓博, 蔡佩华, 等. 松材线虫病遥感监测研究进展及方法述评[J]. 农业工程学报, 2022, 38(18):184-194.
[15]	张新伟, 黄缙, 贺涛, 等. 陆地生态系统碳监测卫星总体设计[J]. 航天返回与遥感, 2022, 43(6):16-26.
[16]	徐华潮, 骆有庆, 张廷廷, 等. 松材线虫自然侵染后松树不同感病阶段针叶光谱特征变化[J]. 光谱学与光谱分析, 2011, 31(5):1352-1355.
[17]	黄明祥, 龚建华, 李顺, 等. 松材线虫病害高光谱时序与敏感特征研究[J]. 遥感技术与应用, 2012, 27(6):954-960.
[18]	山东省自然资源厅. 山东省松材线虫病防治技术规范(2022年版)[EB/OL].(2022-02-18)[2023-06-10]. http://dnr.shandong.gov.cn/zwgk_324/xxgkml/fzjz/lyyhswgl/202202/t20220218_3860246.html.
[19]	Wu Dewei, Yu Linfeng, Yu Run, et al. Detection of the monitoring window for pine wilt disease using multi-temporal UAV-based multispectral imagery and machine learning algorithms[J]. Remote Sensing, 2023, 15(2):444. doi: 10.3390/rs15020444
[20]	Rouse J W, Haas R H, Schell J A, et al. Monitoring vegetation systems in the Great Plains with ERTS[C]. Third ERTS-1 Symposium NASA,NASA SP-351,Washington DC,USA: 1974.
[21]	于泉洲, 王绍强, 黄昆, 等. 基于Hyperion高光谱数据的温带森林不同冠层结构的光谱特征分析[J]. 光谱学与光谱分析, 2015, 35(7):1980-1985.
[22]	Brown L, Chen J M, Leblanc S G, et al. A shortwave infrared modification to the simple ratio for LAI retrieval in boreal forests:An image and model analysis[J]. Remote sensing of environment, 2000, 71(1):16-25. doi: 10.1016/S0034-4257(99)00035-8
[23]	Jain A K. Fundamentals of digital image processing[M]. New Jersey: Prentice Hall, 1989.
[24]	Hunt E R, Doraiswamy P C, Mcmurtrey J E, et al. A visible band index for remote sensing leaf chlorophyll content at the canopy scale[J]. International Journal of Applied Earth Observations & Geoinformation, 2013, 21(1):103-112.
[25]	Pearson R L, Miller L D. Remote mapping of standing crop biomass for estimation of the productivity of the short grass prairie[C]. Eighth International Symposium on Remote Sensing of Environment,University of Michigan,Ann Arbor,MI,USA: 1972.
[26]	Gitelson A A, Gritz Y, Merzlyak M N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves[J]. Journal of Plant Physiology, 2003, 160(3):271-282. doi: 10.1078/0176-1617-00887 pmid: 12749084
[27]	Uto K, Kosugi Y, Ogata T. Hyperspectral analysis of Japanese oak wilt to determine normalized wilt index[C]. Geoscience and Remote Sensing Symposium(IGARSS 2008),Boston,MA,USA: 2008.

波段号	波段名称	中心波长/nm	波长范围/nm
B1	蓝	485	450~520
B2	绿	555	520~590
B3	红	660	630~690
B4	近红外	830	770~890

指数名称	缩写	计算公式	参考文献
Normalized difference vegetation index	NDVI	NDVI=(B4-B3)/(B4+B3)	[20]
Triangular greenness index	TGI	TGI=-0.5×((660-485)×(B3-B2)-(660-555)×(B3-B1))	[24]
Normalized green-red difference index	NGRDI	NGRDI=(B2-B3)/(B2+B3)	[25]
Green chlorophyll index	CI_green	CI_green=B4/B2-1	[26]
Normalized wilt index	NWI	NWI=-NGRDI×(NDVI+NGRDI)	[27]
Pine wilt disease index	PWDI	PWDI=-NGRDI×NDVI/B2	本研究

色素相关植被指数	单一植被指数策略			与NDVI指数组合策略
色素相关植被指数	召回率	准确率	总体精度	召回率	准确率	总体精度
H	83.6	62.3	71.4	83.6	70.5	76.5
TGI	77.6	66.5	71.6	77.6	74.4	76.0
NGRDI	85.5	62.3	72.1	85.5	69.9	76.9
CI_green	87.5	8.0	14.7	87.5	7.8	14.4
NWI	84.9	69.5	76.4	84.9	72.8	78.4
PWDI	81.6	85.8	83.6	81.6	87.6	84.5

陆地生态系统碳监测卫星松材线虫病变色木识别指数研究

Detection of Discolored Trees Caused by Pine Wilt Disease Based on Vegetation Index Method Using Terrestrial Ecosystem Carbon Inventory Satellite Data

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 27

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郝君, 吕康婷, 胡天祺, 王云阁, 徐刚. 基于机器学习的红树林生物量遥感反演研究[J]. 林草资源研究, 2024, 0(1): 65-72.
[2]	朱赞, 王勇军, 王建琦, 许玉兰, 丘鑫琪, 万喜. 基于无人机倾斜摄影的广西桉树冠层碳储量计量模型构建[J]. 林草资源研究, 2024, 0(1): 88-94.
[3]	任晓琦, 侯鹏, 陈妍. 森林地上生物量遥感反演研究进展[J]. 林草资源研究, 2023, 0(6): 146-158.
[4]	邹为民, 陈超, 黄蕾, 宋美萱, 李雪建, 杜华强. 地理加权回归模型结合卫星遥感的松阳县森林地上碳储量估算[J]. 林业资源管理, 2023, 0(4): 132-140.
[5]	梁立成, 傅晓强, 张滨, 程谷栒, 李佐晖. 基于GEE与随机森林的象山港互花米草动态监测[J]. 林业资源管理, 2023, 0(3): 38-45.
[6]	周梅, 李春干, 杨承伶, 李振. 无人机激光雷达人工林参数估测试验[J]. 林业资源管理, 2023, 0(3): 90-97.
[7]	张绘芳, 朱雅丽, 张景路, 高健, 地力夏提·包尔汉. 基于高分遥感数据的阿尔泰山乔木林地上生物量预测[J]. 林业资源管理, 2023, 0(2): 104-110.
[8]	聂靖, 陆驰, 欧光龙, 胥辉. 基于Landsat8 OLI遥感因子的思茅松地上生物量二阶抽样估测[J]. 林业资源管理, 2022, 0(6): 68-75.
[9]	王补, 谭伟, 王贵林, 蒲秀青. 基于无人机多光谱影像的松材线虫病单木尺度监测[J]. 林业资源管理, 2022, 0(5): 107-117.
[10]	杨雪清, 孙志超, 王立生, 柴政, 邱议文, 蒋春颖. 森林可燃物大样地抽样调查方法研究[J]. 林业资源管理, 2022, 0(5): 53-59.
[11]	秦琳, 孟先进, 张水花, 薛亚东, 刘新科, 邢鹏. 北京三号卫星数据在松材线虫病遥感监测中的应用评价[J]. 林业资源管理, 2022, 0(4): 126-133.
[12]	田海静, 王林, 韩立亮, 范云豹, 杨吉林. 基于哨兵2号多光谱遥感数据的草原植被盖度反演——以内蒙古自治区为例[J]. 林业资源管理, 2022, 0(4): 134-140.
[13]	任天晨, 陈军锋, 刘楠. 山西省五台山地区近30年植被覆盖动态变化及影响因素[J]. 林业资源管理, 2022, 0(4): 89-99.
[14]	刘顺利, 刘昌华, 张雷, 彭词清, 薛冬冬. 基于改进SSD的无人机影像松材线虫病变色木检测[J]. 林业资源管理, 2022, 0(3): 135-141.
[15]	龙植豪, 罗鹏, 许等平, 李振, 代华兵. Sentinel-2A红边波段森林蓄积量反演研究[J]. 林业资源管理, 2022, 0(2): 126-134.