基于S185高光谱图像评估油松毛虫灾害爆发期间的落叶情况
基于无人机高光谱图像评估油松毛虫灾害爆发期间的落叶情况
英文: Assessment of defoliation during the Dendrolimus tabulaeformis Tsai et Liu disaster outbreak using UAV-based hyperspectral images
研究单位
北京林业大学
北京农业信息技术研究中心
国家农业信息化工程技术研究中心
北京市农业物联网工程研究中心
摘要
随着昆虫引发的森林干扰频率和强度不断增加，迫切需要有效的方法进行灾害程度精准监测和制图。基于无人机的高光谱成像技术是森林健康状况调查与监测的有效手段。该研究提出了一种基于无人机高光谱图像的新框架来识别辽宁建平县油松毛虫造成的损害程度。首先，通过比较主成分分析（PCA）、连续投影算法（SPA）和类间不稳定性指数（ISIC）三种波段选择算法实现高光谱图像去冗。在此基础上，提出了ISIC-SPA联合算法。该算法从125个原始波段中仅选择3个敏感波段，均方根误差为0.1535，具有最佳波段选择效率和交叉验证精度。然后，根据三个敏感波段的反射率和相应的落叶率分析，构建了分段指数(PI, B(710 + 738 - 522))，并找到PI的阈值来划分落叶等级。最后，建立分段偏最小二乘回归模型（PLSR），利用最优波段定量估计落叶量，从而识别和划分单株树的损害程度。在单株尺度上，采用ISIC-SPA-PI-PLSR框架对油松毛虫的危害评估准确率达到95.23%。
研究区域
图1 研究区域：辽宁省建平县朱碌科镇西北部
研究数据
高光谱数据: 高光谱数据由UHD 185 Firefly机载高速高光谱成像仪获取。该成像仪采用革命性的画幅式高光谱成像技术，能够以更快的速度进行所有光谱通道同步成像，在1/1000秒内获得整个高光谱立方体数据，配套功能强大的测量技术及处理软件，快速获取大面积高光谱图像，影像具有厘米级地理坐标信息。
图2 大疆S1000+S185机载高光谱成像系统
研究过程
表1 基于落叶百分比的油松损害程度等级划分
图3 S185机载高光谱数据处理流程图
图4 PI（分段指数）确定流程
图5 PCA波段选择结果: (a)主成分分析前三个主成分的系数和得分图（蓝线和红点分别代表系数和分数）；(b) 最终优选波段
图6 SPA波段选择结果: (a)最终优选波段; (b) RMSE随选择波段数量增加的变化
图7 ISIC-SPA波段选择结果: (a)最终优选波段; (b) RMSE随选择波段数量增加的变化
图8 各植被指数与落叶率的关系: (a-i)NDSI; (b-i)RSI; (c-i)DSI; (d-i)RA; (e-i)B(a/(b-c)); (f-i)B(a+b-c)
图9 分段指数阈值分析: (a)和(c) B(710+738-522); (b)和(d) B(522+738-710) (红点为误差点)
图10 PCA(a)、SPA(b)、ISIC(c)、ISIC-SPA(d)总体精度(红点为预测溢出点)
研究结论
提出了一种基于无人机的低成本小型化高光谱图像数据分析系统。我们的研究证明了基于无人机的高光谱遥感技术在森林虫害监测中的潜力。这项技术可以有效地在非常高的细节水平上对树木的异常反射率特征进行小范围检查。我们开发了一种过程方法，ISIC-SPA-P-PLSR框架，用于分析对油纸藻造成的灾害敏感的波长。利用手绘roi提取侵染树冠的光谱。然后，实现了三种不同的波段选择算法。在比较PCA、SPA和ISIC结果的基础上，提出了ISIC-SPA算法提取敏感波段预测落叶。在ISIC之后使用SPA显著减少了数据处理时间。结果表明，采用ISIC-SPA波段选择算法和分段PLSR模型拟合处理的高光谱图像，仅用3个波段就能识别出损伤程度，准确率达到95.23%。据我们所知，本研究是为数不多的使用基于无人机的高光谱图像在单个树水平上识别油松损伤症状的研究之一。此外，ISIC-SPAP-PLSR框架提供了一种简单实用的方法来识别树木的损害。在未来，我们期望该框架可以与分类过滤器或纹理特征相结合，实现整个识别过程的自动化
原文链接: https://doi.org/10.1016/j.rse.2018.08.024
