基于无人机遥感的松材线虫病监测研究与展望

宗世祥，毕浩杰

(北京林业大学林木有害生物防控北京市重点实验室，北京 100083)

松材线虫病(pine wilt disease)又称松树萎蔫病，是一种由植物病原线虫主导的系统侵染性病害，其病原松材线虫Bursaphelenchus xylophilus原产于北美洲，现已扩散至亚洲和欧洲的多个国家和地区[1]，严重威胁当地生态安全，被全球52 个国家列为检疫性有害生物[2]。 我国是受松材线虫危害最严重的国家，从1982 年在南京中山陵首次发现以来，截至2021 年底，已在全国19 省(自治区、直辖市)的742 个县级行政区发生，2021 年发生面积约172 万hm2，病死树1 407.92 万株，并以一种“北扩西进”的发展态势持续威胁我国6 000 万hm2的松林资源[3]。

松材线虫致病力强、传播蔓延迅速、致死率高，松树感病后发病迅速，40 d 即可导致整株枯死，3 ～5 a 可毁灭整片松林。 目前针对松材线虫病致病机理的研究缺乏系统性[4]，微观层面的探索尚未取得突破性的进展。 为有效防控疫情，我国采取疫木清理、疫区封锁、疫情监测、媒介昆虫防治等措施阻止松材线虫的扩散蔓延。 其中疫情监测作为一项关键举措，其及时性和准确性关系到疫情防控工作的有效开展。 然而，传统的人工监测方式成本高、效率低、时效性差，不能满足大面积林分巡查的需要，而卫星遥感受重访周期、分辨率、天气状况等因素影响，难以应对短期灾变的发生和单木监测粒度的需要[5]。 在这种情况下，无人机的出现弥补了松材线虫病监测领域的不足，其可搭载各种类型的传感器设备，具备高时空分辨率、辐射分辨率、波谱分辨率的优势，同时凭借机动灵活、实时性强的特点在松材线虫病监测领域展现出的巨大应用潜力。

笔者全面总结了无人机遥感在松材线虫病监测中的发展历史和研究进展，探讨了应用中存在的问题，展望了未来的发展方向和重点，以期为实现松材线虫病遥感监测及有效防控提供参考。

1 松材线虫病无人机遥感监测领域的国内外研究进展

1.1 松材线虫病的单木级遥感监测粒度

根据«松材线虫病疫区和疫木管理办法»(林生发[2018]117 号)要求，在疫区内定期开展日常监测和专项普查工作，及时汇报疫情情况，并对松材线虫病树进行全面伐除。 松材线虫病受害木的检测识别是疫情监测的关键环节，单木尺度的精确定位与统计有利于制定采伐作业设计，决定疫情防控工作的实施效果。 相关研究表明，枯死松树主干中的天牛幼虫数量占比高达97.7%，远高于伐桩和枝梢[6]，松材线虫病疫木中羽化出来的媒介天牛几乎全部携带松材线虫，且携带量可达上万头[7－10]。 如果不能准确识别变色木，及时获取其位置及数量信息，就难以实现松材线虫病木全面彻底的清除，遗漏的受害木就会成为新的传播源，导致松材线虫病在松林内进一步扩散蔓延，使防控工作前功尽弃。 为实现松材线虫病的精准化、时效化监测，将无人机作为获取单木级松林健康状况信息的重要遥感手段，广泛应用于松材线虫病的监测防控工作中。

1.2 无人机遥感平台的选择

林业遥感常用的无人机可分为固定翼、旋翼和复合翼三大类。 固定翼无人机需要较高的飞行速度来保持机身姿态，具有飞行速度快、作业范围广的优势，但在飞行时需要与被拍摄物体保持较远的距离，故获取影像的分辨率较低；旋翼无人机起降方便，操作灵活，能够在空中悬停，可近距离、多角度采集地物信息，具有拍摄精度高，学习成本低，便携性好的优势，但也存在作业速度慢和时长短的缺点；复合翼无人机兼具前述两种无人机的优势，既解决了固定翼无人机起降难的问题，又极大地扩展了单次航拍的作业面积。 固定翼无人机适用于大范围、低精度要求的航拍作业；旋翼无人机能够满足小区域范围内、复杂地形下的精细化作业要求；复合翼无人机适用于中等区域范围的航拍作业，且能满足多种作业任务要求。

1.3 松材线虫病感病林分中变色木的识别、定位与统计

1.3.1 基于目视判读的无人机影像人工解译

在开展松材线虫病普查监测过程中，研究人员结合监测目标、任务面积和作业的精细化程度等因素选择不同类型的无人机，搭载能够满足作业要求的传感器设备采集林分遥感影像，并结合目视解译判别发病区域，开展变色木的识别与定位工作。 李卫正 等[11]和吕晓君 等[12]对松材线虫病疫区采集到的高分辨率无人机影像进行目视解译，实现了林分内变色木的人工识别与定位。 古剑 等[13]借助航拍无人机对疫区林分进行动态监测，探究枯死木月际变化规律，指导当地松材线虫病秋季普查工作的开展。 尽管目视解译法主观性强，对目标对象的识别标注速度慢，但可以轻松排除许多计算机难以区分的地物干扰，因此可以作为遥感图像机器识别方法的有效补充。

1.3.2 基于传统图像处理方法的计算机辅助解译

1)结合可见光影像的变色木检测。 随着遥感数据的爆发式增长，人工解译已经不能满足图像特征提取与目标物识别的需要，计算机硬件设备的进步和图像处理算法的提高，使海量数据的计算机辅助解译成为可能。 刘遐龄 等[14]结合面向对象分类法和模版匹配法对可见光图像进行变色木的计算机辅助解译，获得了与目视解译相近的识别效果，且检测时间仅用了前者的1/3。 陶欢 等[15]将无人机采集的RGB 图像转换到HSV 色彩空间，应用HSV 阈值划分法对变色木进行提取，可实现60% ～65%的识别精度。 基于单一颜色特征的变色木分类效果难以满足识别精度要求，刘金沧 等[16]利用融合颜色和纹理特征的CRF 模型对松材线虫病感病林分中的变色木进行分类提取，相较于颜色特征分类器，提高了超过3.5%的识别精度。 刘世川 等[17]通过构造植被指数和颜色空间模型的方式对可见光图像进行检测，在多种地物类别的干扰下，变色木的识别精度可达80%左右。

2)结合光谱影像的变色木检测。 在基于无人机遥感的松材线虫病识别、定位和统计的研究中，可见光数据类型的应用最为广泛，可以检测到绝大部分的变色木，但这类图像只能记录R、G、B 三波段数据，信息获取量有限，而多光谱、高光谱图像将地物波谱信息划分为若干谱带，可从诸多光谱通道中获取更多信息，发掘隐藏在狭窄光谱范围内的地物特性，反演地物类别属性，从而满足复杂背景下变色木检测的精度要求。

Iordache 等[18]利用随机森林分类算法结合多光谱波段数据，成功识别出松材线虫病感病林分中的变色木；胡根生 等[19]通过多光谱无人机获取松材线虫病感病林分的可见光和近红外波段数据，利用改进的加权小波支持向量数据描述(WWSVDD)多分类模型对变色木进行识别，取得了较好的分类效果；Qin 等[20]利用无人飞艇采集低空高光谱影像，借助光谱比对算法和机器学习分类法对高光谱遥感数据进行处理，识别并获取松材线虫病树的数量和分布情况，相较于可见光图像的分类结果更加准确；黄焕华 等[21]采用归一化植被指数(NDVI)对无人机影像进行分类，实现了感病松林中枯死松树的识别、定位与计数。

1.3.3 基于深度学习的变色木智能解译

随着人工智能的快速发展，基于深度学习的图像处理算法蓬勃兴起，广泛应用于各类病虫害检测识别领域，并不断推动着图像解译工作朝着自动化、智能化的方向发展。 目前，应用于松材线虫病遥感图像解译领域的深度学习方法主要包括基于像素的语义分割算法和面向对象的目标检测算法两大类。像元级的遥感影像分析方法主要依据图像语义进行分割，以像元为单位开展对比分析检测，其分类结果更为精细；面向对象的深度学习方法结合使用光谱、纹理、形状、上下文等更多特征信息[22]，实现了目标分割与识别的合二为一。

1)变色木的像元级分类。 在利用深度学习算法对变色木进行像元级分类的过程中，张瑞瑞等[23]和刘文定 等[24]利用语义分割模型对可见光图像中的变色木区域进行像元级分割；徐信罗[25]对比了四种语义分割模型在松材线虫病无人机可见光图像中的分割效果，其中DeepLab v3 模型的目标像素识别精度可达88.20%；Tao 等[26]和邓世晴[27]参考AlexNet 和GoogLeNet 神经网络算法训练语义分割模型，实现可见光图像中枯死松树的有效区分；Qin 等[28]提出一种新的用于无人机多光谱影像的神经网络算法SCANet，该方法在识别病害区域的过程中能有效抑制背景信息干扰，总体准确率达到79%；刘世川 等[29]使用Relief 选择算法对植被指数和不同色彩空间生成的多维数据进行特征降维，通过比较DBscan 算法和VGG －S、VGG －A 两种神经网络算法对受害木区域的分类效果，表明基于多特征提取和注意力机制的神经网络可以有效区分出无人机图像中的受害木区域。

2)变色木的面向对象分类。 各类深度学习算法具有其独特的网络结构和信息提取能力，通过对比不同种深度学习算法的应用效果，挑选适应目标场景需要，满足预期效果的模型进行应用，可极大提高目标对象的识别精度。 汪晨 等[30]和徐信罗 等[31]分别使用一阶段和两阶段的深度学习目标检测模型对遥感影像中松材线虫病变色木进行识别；吴琼[32]利用深度神经网络检测算法结合可见光和近红外图像中提取的颜色和纹理特征，成功区分出受害木、健康木和其他地物；李嘉祺 等[33]利用无人机采集松材线虫病感病林分的高光谱影像，通过挑选高光谱特征波段训练GoogLeNet 神经网络，可以实现95.03%的枯死木识别准确率。

为适应林地场景下的检测需要，一些学者还通过改进网络结构、调整网络参数等方式优化模型检测效果。 黄丽明 等[34]研究了深度学习算法在枯死木和红色阔叶树干扰下，对松材线虫病变色木的识别效果，结果表明利用深度可分离卷积和倒残差结构改进的YOLO v4 网络结构整体表现优于Faster R－CNN、YOLO v4、EfficientDet 和YOLO v5 模型对变色木的识别效果；Hu 等[35]设计了一种结合深层卷积神经网络、深层卷积生成对抗网络和Ada-Boost 分类器的变色松树识别方法，可在训练样本不足的情况下，实现复杂背景下变色木的有效识别；Deng 等[36]通过对优化后的Faster R －CNN 神经网络中添加地理坐标转换功能，实现了变色木的自动识别与定位；李凤迪[37]基于PC 端设备配置了HOG－SVM 机器学习算法模型和YOLO v3 －CIoU目标检测模型，实现松材线虫病树的有效检测，并将MobileNet v2 －SSDLite 模型部署到树莓派，搭建起一套机载边缘端检测系统，提高了变色木检测效率。

1.4 基于无人机遥感影像的单木受害阶段分类研究

开展精准的松材线虫病受害阶段分类工作，有助于全面掌握疫情发生信息，可进一步监测松材线虫病的发生动态，掌握病害发展规律，把握防治窗口期，预测和评估灾害损失。

李浩 等[38]针对无人机可见光图像提出一种结合超绿特征因子与最大类间方差的图像分割算法，对松材线虫病感病区域开展受害程度检测，并取得了良好的分类效果；张学敏[39]提出一种基于特征稀疏表示和加权小波支持向量数据描述的松材线虫病受害阶段识别方法，在可见光和近红外图像的基础上实现轻度和重度病树的有效区分；李浩 等[40]基于可见光图像将病害松木分为轻度、重度和病死3 类，使用SSD、YOLO v3、Faster R －CNN 算法实现了松材线虫病受害木的不同染病阶段检测；黄华毅 等[41]利用可见光和多光谱波段数据计算NDVI、ENDVI 和AVAI 指数，区分出无人机遥感影像中的非植被、健康植被和异常植被区域，结合Fast R －CNN 模型和图像处理软件实现病树和枯死树的有效区分和定位；Yu 等[42]将松材线虫病受害木分成早期、中期和严重三个阶段，利用植被指数、红边参数和水分指数构建随机森林模型对受害木受害阶段进行检测，并在无人机高光谱图像的基础上进一步结合激光雷达数据，成功区分出健康松木和疫木早期、中期、重度和灰色四个受害阶段，分类精度可达73.96%[43]。

1.5 松材线虫病受害木早期检测研究

松材线虫病的早期检测对于疫木除治工作的有效开展具有重要意义，越早监测到感染松材线虫的松树，越有利于病害的“除早”和“除小”。 松树感染松材线虫后会导致生理结构和形态特征的变化，并会反映到冠层光谱反射率的改变，而这类光谱响应是利用遥感开展松材线虫病早期监测的主要依据。

Iordache 等[18]通过无人机光谱图像从部分绿色松树中检测出肉眼无法识别的变化，通过比对时间序列影像发现具有这类变化的松树最终发展成为典型的松材线虫病树，因此认为基于无人机光谱图像的松材线虫病早期检测是可行的；Wu 等[44]基于无人机多光谱影像，利用多种传统机器学习方法和深度学习方法开展松材线虫病的早期检测；Yu 等[45]利用Faster R －CNN 算法和YOLO v4 算法对无人机采集到的多光谱图像开展松材线虫病早期检测，在考虑阔叶树的影响下，早期诊断准确率能达到48.88%。 当前基于多光谱影像的松材线虫病早期检测精度低，不能满足生产实践的需要，为提高早期检测的准确率，Yu 等利用高光谱无人机采集松材线虫病感病林分的光谱图像，通过构造特征光谱指数，开展松材线虫病的早期检测研究[42]，并进一步结合深度学习图像处理方法，利用高光谱图像中的空间和光谱信息训练残差三维卷积神经网络算法模型，对早期感病的松材线虫病受害木进行检测，总体准确率可达88.11%[46]。

2 松材线虫病无人机遥感监测中存在的问题

2.1 飞行平台及任务设备制约松材线虫病的监测效率

通过大规模森林监测及早发现疫区、识别受害木是松材线虫病有效防治的关键举措。 在飞行平台方面，民用航拍无人机受制于供能元件和政策法规等问题，续航时间短，单次作业面积相对较小，航拍范围有限，还不能取代有人机在广域性高精度普查作业中的地位。 在传感器方面，目前常用的可见光、多光谱传感器记录的光谱波段有限，可获取的信息量较少，虽然可以满足日常巡检工作的需要，但难以实现诸如早期监测这类作业任务的要求；激光雷达等设备在松材线虫病监测领域中的相关研究较少，其实用性和必要性有待进一步的实验论证；高光谱等高精度传感器造价高昂，相关技术在山区作业中难以普及应用，同时，高光谱记录目标对象上百个连续谱段，造成了信息冗余，增大了信息储存和运算成本，对配套硬件设备提出了更高的要求。

2.2 松材线虫病检测平台不能满足监测作业需要

基于深度学习的图像处理算法依靠神经网络中大量的网络参数共同参与计算，存在网络结构复杂、运算量大等问题，对硬件设备的配置要求较高。 目前，检测过程通常是将记录航拍图像信息的SD 卡从无人机中取出，把图像导入预先训练好的变色木检测模型中进行自动化识别。 因此，要实现松材线虫病树的林间实时检测，需要携带笔记本电脑等硬件设备，在无人机飞行结束后，现场进行图像目标检测；否则只能将航拍照片带回室内，导入计算机设备进行检测，对松材线虫病普查监测工作的开展造成很大不便，且难以满足松材线虫病实时检测的要求。

2.3 松林环境严重干扰变色木的识别

林业生产环境相较大田农业更具复杂性和多样性，对遥感影像解译提出了更高的要求与挑战。 松材线虫病发生区的立地条件具有较高的异质性，混生树种繁杂，林下植被多样，林中裸地、林冠阴影等都会对变色木的识别造成干扰，在无人机遥感图像的检测过程中，不可避免地受到“同物异谱”和“异物同谱”现象的影响，从而出现各种误检、漏检状况，影响变色木的识别精度。

现阶段无人机遥感监测松材线虫病的研究，其本质是在检测林分中出现的冠层变色和失叶这类异常状态，实际检测对象是林分中的变色木，尚不能对具体感病原因进行判定。 林分中引起树冠变色的因素可能是物候节律、林火、虫害、侵染性或非侵染性病害，在同一片林分中可能同时存在多种因素导致的林冠变色现象，而在无人机遥感图像的解译过程中，如不开展相应的地面调查、实验室分析检测等工作，就难以判定具体变色原因，而通常将变色松木统一认定为松材线虫病树，势必会影响最终的统计结果，增大采伐作业的工作量。

2.4 松材线虫病数据信息获取效果不佳

1)受害木定位误差大。 基于无人机遥感影像的疫木定位研究对于开展采伐作业设计，规划采伐方案具有重要意义。 松材线虫病感病林分大都位于地形起伏较大的山区，地形的异质性给受害木的定位带来了不小的挑战，当前基于无人机影像开展松材线虫病单木级定位的相关研究较少，研究过程受制于无人机图像的正射拼接效果、无人机姿态和地形条件等因素，导致定位精度不佳，尚无法满足疫木除治工作的需要。

2)受害木株数统计不准确。 在利用无人机对受害木进行计数的过程中，常常会因为林分密度过大而发生树冠相接、树冠遮挡等现象，且林分中存在一定数量的分叉木，而这些分叉木在感染松材线虫后，其不同枝杈变色速度的差异也会影响受害木统计结果，导致发生遗漏或重复计数的情况。

3)遥感图像无法统一联系。 针对无人机遥感影像中松材线虫病受害阶段的划分缺乏统一的认定标准。 不同感病树种间，同一感病树种通过不同类型的传感器设备采集到不同时空的遥感图像间无法建立统一联系，在受害阶段分类及灾害评估工作中造成了一定的混乱。

4)松材线虫病早期监测研究不足。 基于无人机开展的松材线虫病早期监测研究较少，无法通过数据定量说明现阶段将松材线虫病的早期监测提早到什么样的水平，且关于松材线虫病的早期监测研究主要集中于高光谱数据，且检测精度不高，设备仪器价格高昂，在当前阶段的推广使用价值较低。

3 松材线虫病无人机遥感监测研究展望

3.1 研发行业飞行平台及任务设备

研发满足林业需要的高续航、大里程、能应对各类复杂地形和极端天气状况的行业无人机，并基于现有的及后续开展的松材线虫病遥感监测研究，筛选出能够满足松材线虫病监测需求的传感器设备及特征波段组合，并将其集成在行业无人机上，实现松材线虫病疫木特征信息的精准收集，降低设备成本和使用成本，提高遥感监测效率。

3.2 强化林分的三维结构信息采集

传统的无人机图像处理与分析是基于二维平面开展的，忽视了林分的三维结构，而对于林分及单木的三维模型构建，能够在不增加设备成本的前提下，引入诸如冠型、株高等信息，从空间角度出发克服“同物异谱”及“异物同谱”造成的混分现象，有利于排除二维空间难以区分的背景干扰；同时，拍摄视角的增加也有助于发现树冠下层的变色枝条，降低漏判率，对于松材线虫病的可视化、立体化监测具有重要意义。

3.3 实现变色木病因的精准判别

张衡[47]利用地物波谱仪对受松材线虫、枯梢菌和干旱影响的松树3 类针叶进行光谱测定分析，成功区分出不同种胁迫类型，证明基于光谱特征的松树受害类型识别是可行的。 因此，利用无人机高光谱遥感技术构建多种胁迫影响下的变色木光谱数据库，通过光谱分析区分各类变色木的病因，可在一定程度上实现松材线虫病的精准检测。 同时，通过结合多种传感器设备开展松材线虫病的时序监测研究，建立松材线虫病的时序监测数据库，探究松材线虫病在不同特征波段及其衍生数据下的时序变化规律，从而与其它因素导致的松树变色进行区分。

3.4 探究不同季节下松材线虫病的特征表现

松材线虫寄主树种及其周边环境具有明显的季相特征，感病松树亦会在不同季节表现出不同的变化规律，这些差异都会导致基于单一时相所取得的遥感特征参数无法满足松材线虫病在各个季节的监测精度要求。 因此，可针对各个季节各类条件下的松材线虫病发生特点筛选特征参数集，分别构造模型以提高检测精度。

3.5 开发适应作业条件的松材线虫病检测平台

针对具备网络覆盖条件的林区可以开发相应的云计算平台，将无人机采集的图像数据通过网络传输到云端，在云端大型服务器上开展精准、快速的数据处理工作，并将检测结果实时返回至终端；在网络信号差的偏远林区，可对目标检测算法的网络结构进行优化，通过剪枝、权值共享与量化、哈夫曼编码等方式实现模型的轻量化，并将轻量化的模型部署在边缘检测平台上，实现检测设备的便携化。

3.6 构建全国松材线虫病疫情动态数据库

基于松材线虫病时序性监测的研究结果，确定病害的最佳监测窗口期，探究时序性的林分级及单木级的病害发生发展规律；通过卫星遥感影像的对比分析，筛选出松材线虫病的疑似感病林分，并对感病林分进行定位；根据卫星遥感数据生成目标林分的航线参数，通过建立卫星与无人机之间的传输链路，自动连接无人机执行航拍指令，采集目标林分的遥感数据，开展无人机图像数据分析；在确定林分感染松材线虫后，利用可视化网站实时上传并更新数据，实现全国松材线虫病疫情一张图，为阶段性疫情防控政策法规及防治方案的制定提供参考。

目前，无人机遥感技术在林业有害生物监测中发挥了重要作用，在无人机及传感器设备研发、图像处理算法研究等方面均已经取得了重大进展和突破，然而，利用无人机遥感技术监测松材线虫病的研究仍处于发展阶段，在实际应用中存在诸多问题亟待解决。 在未来的研究中，可借鉴相关领域的发展动态，将先进技术和手段应用到松材线虫病的无人机遥感监测中，结合松材线虫病的发生发展规律，构建松材线虫病早期、精准、实时的无人机监测技术体系，为松材线虫病疫情防控工作的高效开展提供有力支撑。