松材线虫病是世界上较危险的森林传染病之一,对松树(Pinus L.)的破坏性极大,因其具有高传染性和高致死率,又被称为松树的“癌症”[1]。自1982年松材线虫病首次在我国发现以来,造成的经济损失高达数百亿美元,对我国的森林资源和生态环境造成巨大的破坏[2]。2023年森林资源调查监测结果显示,广西现有松林169.80万公顷,占全区林地总面积的11.3%,是广西重要的经济树种之一,保护松林健康对守护森林资源、维护生态系统稳定、促进经济发展具有重要意义。与2021年相比,2024年广西松材线虫病疫情的发生面积、县级疫区、乡镇级疫点分别下降28%、27%、32%,已提前完成国家下达的“十四五”预期目标[3]。然而,截至2023年3月,广西仍有162个乡镇级疫点,共涉及12个市46个县,防控形势依然严峻[4]。如何快速、高效地对整个疫区进行监测,同时及时、准确地发现和定位并清理疫区中的枯死木是松材线虫病疫区治理的关键问题。以往广西松材线虫病疫区监测多采用人工巡查的方式来发现枯死木,这种方法耗时长、效率低,难以实现大范围监测,同时还受限于地形和地物的遮挡,造成监测的疏漏,进而导致枯死木的清理工作无法彻底完成。对此,有较多学者开展了大范围松材线虫病疫区监测的研究,如刘金沧等[5]采用基于规则的面向对象方法对优于1 m卫星影像进行识别,结果显示松材线虫病受害单木的识别正确率为40%-50%;邱万林等[6]以机器学习分类方法对哨兵-2号多光谱卫星影像中的松材线虫病受害木进行识别定位,准确率为78.9%;Bright等[7]以多种方法分别对WorldView-2影像进行自动识别,实现了松材线虫病疫区枯死木的自动定位,总体识别准确率为71%-78%。基于亚米级卫星影像虽然能实现大范围的疫区监测,但是准确率尚未达到理想水平,仍具有提升空间。
近年来,随着无人机(UAVs)遥感技术的发展,无人机的使用成本与门槛降低,使其被广泛应用于松材线虫病疫区的监测工作中。朱婷茹[8]利用大疆无人机在120 m航高下采集数据,并以改进YOLOv5识别算法对松材线虫变色木进行自动识别,精确率为92.84%;张瑞瑞等[9]利用DB-Ⅱ型固定翼搭载飞思IXU 180-R相机在700 m航高下采集数据,并以U-Net神经网络对松材变色木进行自动识别,准确率为95.17%;曾全等[10]研究了固定翼无人机分别在430、700 m航高下获取的数据对变色松树的识别效果,并采用归一化植被指数监测变色松树,精度为85.71%;Zhang等[11]使用多旋翼、固定翼无人机分别在414、1 060 m的航高下采集影像数据,并利用D-SCNet网络完成了近10 000 hm2枯立木的识别,平均精度为80%。以上研究虽然探讨了不同无人机在不同航高下以不同方法识别松材线虫病疫区变色木的精度,但是这些研究多采用固定翼无人机开展大面积监测,与广西松材线虫病疫区实际监测工作中采用的无人机有较大差别。因此,本研究以DJI Phantom 4、DJI Mavic 3系列中的代表型无人机P4R与M3E,对广西松材线虫病疫区同一区域内在不同航高下采集数据,以人工判读的方式对影像中的松树枯死木进行识别,通过对比不同航高下这两种无人机的作业效率与疫区松树枯死木的识别准确率,得到无人机开展监测工作最适宜的航高,以期为广西松材线虫疫区的实际监测提供理论参考。
1 材料与方法 1.1 研究区概况选取广西贵港市桂平市周边的松材线虫病疫区作为研究区。研究区整体呈矩形,面积为28.31 hm2,地理坐标为北纬23°20′47″,东经110°00′31″,位于西山国家级重点风景名胜区旁。研究区海拔为174.67-559.45 m,地形起伏较大,地势复杂,属亚热带季风气候,年平均气温22.4 ℃,雨量充沛,日照充足。研究区内主要的松树树种为马尾松(Pinus massoniana Lamb.)、湿地松(Pinus elliottii Engelm.),另有桉树(Eucalyptus spp.)、杉木[Cunninghamia lanceolata (Lamb.) Hook.]和樟树(Camphora officinarum Nees)等树种。
1.2 方法 1.2.1 无人机数据采集与处理使用P4R无人机(https://enterprise.dji.com/cn/phantom-4-rtk/specs)与M3E无人机(https://enterprise.dji.com/cn/mavic-3-m/specs)采集数据,技术参数与同系列的其他机型一致。航高分别设置为100、300、500 m,旁向重叠度均为70%,航向重叠度均为80%。为保证数据采集的质量,设置P4R无人机的飞行速度不超过10 m/s,而M3E无人机的飞行速度则全程设置为15 m/s。基于ALOS 30 m数字高程模型(DEM)数据进行仿地航线设计,起飞点均为同一平坦空旷的水泥平台。
无人机数据的采集时间、各个航高的总飞行时长(含中途换电池时间)和航片分辨率情况详见表 1。航片分辨率与飞行高度有关,由飞行控制器自动计算得出。作业效率为飞行面积与飞行时长的比值。航线飞行过程中全程RTK信号良好,满足实验设计要求。将各个航高采集的数据分别导入DJI Terra 3.9.4软件(https://enterprise.dji.com/cn/dji-terra)中进行数据处理,得到不同航高下的数字正射影像图(Digital Orthophoto Map,DOM)结果,分别命名为M3E_100m、M3E_300m、M3E_500m、P4R_100m、P4R_300m、P4R_500m。
无人机
UAV |
航高/m Flight altitude/m |
数据采集日期
Date of data collection |
起飞时间(时:分:秒)
Departure time (h: min: s) |
降落时间(时:分:秒)
Landing time (h: min: s) |
飞行时长
Flight duration |
航片分辨率/cm Photo resolution/cm |
P4R | 100 | 2024-03-09 | 09:13:37 | 13:03:10 | 3 h 49 min 33 s | 2.71 |
P4R | 300 | 2024-03-10 | 10:21:03 | 11:55:01 | 1 h 33 min 58 s | 8.50 |
P4R | 500 | 2024-03-10 | 11:57:43 | 12:48:33 | 51 min 10 s | 14.00 |
M3E | 100 | 2024-03-12 | 11:48:22 | 14:19:13 | 2 h 30 min 51 s | 2.69 |
M3E | 300 | 2024-03-12 | 14:22:55 | 15:11:36 | 48 min 41 s | 8.06 |
M3E | 500 | 2024-03-13 | 12:15:04 | 12:45:51 | 30 min 47 s | 13.43 |
1.2.2 人工地面踏查核实
于2024年3月13日开展人工地面踏查,定位研究区中的变色阔叶树与松树枯死木,剔除变色阔叶树对影像判读结果的影响(图 1),获取准确的松树枯死木位置。实地踏查共发现51棵松树枯死木。
![]() |
图 1 踏查中发现的变色阔叶树 Fig. 1 Discovered discolored broad-leaved trees during inspection |
1.2.3 人工识别方法
选择9个经验丰富的工程师,共分成3组,对所得到的DOM结果进行判读并相互印证,以少数服从多数的原则对判读结果进行修改和融合,得到最终的识别结果。
1.2.4 识别精度评价方法以准确率(ACC,%)作为精度评价指标,计算公式如下:
$ \mathrm{ACC}=\frac{T}{R+F} \times 100 \%, $ |
式中,T是人工判读DOM得到的正确识别结果;R为实地踏查获取的准确枯死木结果;F为错误识别结果,漏检目标计入错误识别结果。
2 结果与分析 2.1 M3E识别结果与分析 2.1.1 M3E_100m识别结果与分析100 m航高下M3E无人机的作业效率为112.87 hm2/h,M3E_100m的影像分辨率为0.04 m,共发现52棵松树枯死木。与实地踏查结果相比,M3E_100m影像结果中共发现错识别1处,漏识别0处,识别准确率为98.08%(图 2)。在人工判读识别过程中,有2位工程师认为错识别处为松树枯死木,有1位工程师认为该处冠幅较圆且枝叶较紧凑,应为变色阔叶树。造成该处错识别的原因:(1)影像采集时间为中午,较强的光照导致变色阔叶树的影像特征更接近松树枯死木;(2)错识别处位于研究区边缘,影像重叠度略低,导致密集匹配误差偏高,成像精度低;(3)这棵变色阔叶树冠幅较小,不易分辨。
![]() |
图 2 M3E_100m错识别处与实地核查结果 Fig. 2 Error recognition of M3E_100m and field verification |
2.1.2 M3E_300m识别结果与分析
300 m航高下M3E无人机的作业效率为349.77 hm2/h,M3E_300m影像结果的分辨率为0.09 m,共发现54棵松树枯死木。与实地踏查结果相比,M3E_300m影像结果中共发现错识别3处[图 3(a)],漏识别4处[图 3(b)],识别准确率为87.93%。造成错识别的原因是升高的航高降低了M3E_300m影像结果的分辨率,使其难以分辨小冠幅的变色阔叶树。造成漏识别的原因是影像分辨率降低的同时也增大了影像密集匹配的误差,使DOM结果出现拉花、错位,导致工程师错误地将松树枯死木认为是林道、裸土等地物。
![]() |
图 3 M3E_300m中错识别与漏识别分布情况 Fig. 3 Distribution of error recognition and missing recognition in M3E_300m |
2.1.3 M3E_500m识别结果与分析
500 m航高下M3E无人机的作业效率为555.51 hm2/h,M3E_500m影像结果的分辨率为0.14 m,共发现56棵松树枯死木。与实地踏查结果相比,M3E_500m影像结果中共发现错识别10处[图 4(a)],漏识别5处[图 4(b)],识别准确率为69.70%。M3E_500m影像结果中错识别的数量高于M3E_100m、M3E_300m。造成错、漏识别的原因是航高升高使影像分辨率降低,工程师已无法从影像结果中区分变色阔叶树、林隙裸土与松树枯死木。
![]() |
图 4 M3E_500m中错识别与漏识别分布情况 Fig. 4 Distribution of error recognition and missing recognition of M3E_500m |
2.2 P4R识别结果与分析 2.2.1 P4R_100m识别结果与分析
100 m航高下P4R无人机的作业效率为73.97 hm2/h,P4R _100m影像结果的分辨率为0.07 m,共发现52棵松树枯死木。与实地踏查结果相比,共发现错识别2处[图 5(a)],漏识别1处[图 5(b)],识别准确率为92.59%。造成错、漏识别的原因与M3E影像结果相同,即影像分辨率不足所致。
![]() |
图 5 P4R_100m中错识别与漏识别分布情况 Fig. 5 Distribution of error recognition and missing recognition in P4R_100m |
2.2.2 P4R_300m识别结果与分析
300 m航高下P4R无人机的作业效率为180.45 hm2/h,P4R_300m影像结果的分辨率为0.12 m,共发现64棵松树枯死木。与实地踏查结果相比,P4R_300m影像结果中共发现错识别8处[图 6(a)],漏识别5处[图 6(b)],识别准确率为87.50%。造成错、漏识别的原因同样是由于航高升高导致影像分辨率降低,其中有工程师将林道、裸土等地物错判为松树枯死木,也有将相邻两棵松树枯死木错判为1棵。
![]() |
图 6 P4R_300m中错识别与漏识别分布情况 Fig. 6 Distribution of error recognition and missing recognition in P4R_300m |
2.2.3 P4R_500m识别结果与分析
500 m航高下P4R无人机的作业效率为333.31 hm2/h,P4R_500m影像结果的分辨率为0.17 m,共发现52棵松树枯死木。与实地踏查结果相比,P4R_500m影像结果中共发现错识别12处[图 7(a)],漏识别12处[图 7(b)],识别准确率为53.33%。更低的影像分辨率极大地影响工程师对松树枯死木的判读,从而造成识别错漏。
![]() |
图 7 P4R_500m中错识别与漏识别分布情况 Fig. 7 Distribution of error recognition and missing recognition in P4R_500m |
3 讨论
本研究对比分析了广西松材线虫病疫区监测工作中应用最多的无人机M3E、P4R在同一研究区内不同航高(100、300、500 m)下识别松树枯死木的准确率。结果显示,M3E、P4R无人机均在100 m航高下影像的分辨率最高,分别为0.04 m和0.07 m;识别准确率也最高,分别为98.08%和92.59%。随着航高的升高,影像的分辨率降低,识别准确率也随之降低,300 m航高下M3E、P4R无人机影像的分辨率分别为0.09 m和0.12 m,识别准确率分别为87.93%和87.50%;500 m航高下M3E、P4R无人机影像的分辨率分别为0.14 m和0.17 m,识别准确率分别为69.70%和53.33%。目前,在无人机航高与产品精度的研究中,Anders等[12]对比分析了126-235 m航高下不同分辨率的数字表面模型与数字地形模型的产品精度,Elhadary等[13]对比分析了4种飞行高度(140、160、180、200 m)下无人机影像的几何精度,伏帅等[14]对比分析了20-100 m航高下草地植被盖度的估测精度, 这些研究得出的结果均表明不同的无人机航高均会对产品的精度产生影响,但总体而言,航高越低,分辨率越高,产品精度也越高。在森林健康监测与资源调查的研究中,杨乐等[15]对比分析了100、150、200 m 3个不同航高下无人机多光谱对落叶松毛虫(Dendrolimus superans)虫害的监测精度,结果表明100 m航高下的监测精度最高;Sadeghi等[16]对比分析了5种航高下(60、80、100、120、140 m)无人机影像密集匹配点云对阔叶树单木树高精度的影响,结果显示100 m航高下的精度最高,与本研究结果一致。
虽然本研究使用的两款无人机在100 m航高下的识别准确率最高,但是受地形复杂度和交通可达性限制,其数据采集的作业效率较低(M3E为112.87 hm2/h,P4R为73.97 hm2/h),时间成本过高,难以满足广西松材线虫病疫区的大面积、快速监测需求。这两款无人机在500 m航高下虽然作业效率较高(M3E为555.51 hm2/h,P4R为333.31 hm2/h),可快速获取监测区的正射影像,但其影像分辨率不足,导致松树枯死木的识别准确率偏低,无法达到疫区精准监测的要求。相比之下,300 m航高下无人机数据采集的作业效率(M3E为349.77 hm2/h,P4R为180.45 hm2/h)虽然低于500 m航高,但是优于100 m航高,该航高下获取的影像分辨率适中,既能满足监测区域快速覆盖的时效性需求,又能保持必要的精准度与效率平衡需求。因此,综合航拍速度、影像解析度及地形适应性,300 m航高更符合广西松材线虫病疫区大面积监测的精准化作业要求。
本研究选取的P4R与M3E这两款无人机为广西松材线虫病疫区监测的主流设备。其中,P4R无人机(2018年发布)虽然在设备存量上占据优势,但是其硬件性能不足,在相同航高条件下,作业效率与识别精度较M3E无人机(2023年发布)低。相较于P4R机型,M3E无人机凭借传感器升级、地形自适应算法优化等技术创新,在复杂林区环境下的监测稳定性提升显著,受到林业调查规划设计单位的广泛青睐。本研究结果也同样验证了在广西松材线虫病疫区监测工作中M3E无人机的表现优于P4R无人机。然而,本研究仅考虑了能够执行航线任务且具备厘米级定位的行业级无人机在航线飞行中的表现情况,未考虑到不能执行航线作业、不具备高精度定位的消费级无人机在监测工作中的表现情况。因此,在后续研究中将对比分析更多类型的无人机在多种飞行模式下的监测效能,以及采用不同判读识别方式(如基于人工智能的自动判读方式、基于人工牧师的判读方式)进行对比研究,以期为无人机监测广西松材线虫病疫区工作提供参考。
4 结论本研究对比分析了不同航高(100、300、500 m)下M3E、P4R无人机在广西松材线虫病疫区实际监测工作中的表现情况,得出以下结论:(1)在同一航摄设备下,航高的升高会降低影像分辨率,导致识别准确率低;(2) 300 m是无人机监测广西松材线虫病疫区的最适宜航高;(3) M3E无人机在广西松材线虫病疫区监测工作中的表现优于P4R无人机。
[1] |
HUANG J X, LU X, CHEN L Y, et al. Accurate identification of pine wood nematode disease with a deep convolution neural network[J]. Remote Sensing, 2022, 14(4): 913. DOI:10.3390/rs14040913 |
[2] |
蒋敏, 黄斌, 余旭, 等. 松材线虫病的分布、危害及其防治对策[J]. 浙江林业科技, 2018, 38(6): 83-91. |
[3] |
广西壮族自治区林业局. 广西发布第1号总林长令深入推进松材线虫病疫情防控攻坚行动[EB/OL]. (2024-03-20)[2024-04-24]. http://lyj.gxzf.gov.cn/xwzx/xxkb/t18161443.shtml.
|
[4] |
广西壮族自治区林业局. 广西壮族自治区松材线虫病防控工作领导小组关于公布广西壮族自治区2023年松材线虫病乡镇级疫点、薇甘菊县级疫区和其它检疫性林业有害生物分布区及撤销的松材线虫病乡镇级疫点的通知[EB/OL]. (2024-03-27)[2024-04-24]. http://lyj.gxzf.gov.cn/zfxxgkzl/zcwj/gwzlfl/guilinfangzi/t16194153.shtml.
|
[5] |
刘金沧, 李琴, 王斌, 等. 优于2 m多时相影像的松材线虫病受害木识别[J]. 北京测绘, 2023, 37(12): 1638-1643. |
[6] |
邱万林, 宗世祥. 基于多光谱卫星影像与机器学习算法的松材线虫病受害林分识别研究[J]. 环境昆虫学报, 20, 45(2): 408-420.
|
[7] |
BRIGHT B C, HUDAK A T, EGAN J M, et al. Using satellite imagery to evaluate bark beetle-caused tree mortality reported in aerial surveys in a mixed conifer forest in northern Idaho, USA[J]. Forests, 2020, 11(5): 529. DOI:10.3390/f11050529 |
[8] |
朱婷茹. 基于无人机影像的松林变色立木识别方法研究[D]. 南京: 南京林业大学, 2023.
|
[9] |
张瑞瑞, 夏浪, 陈立平, 等. 基于U-Net网络和无人机影像的松材线虫病变色木识别[J]. 农业工程学报, 2020, 36(12): 61-68. |
[10] |
曾全, 孙华富, 杨远亮, 等. 无人机监测松材线虫病的精度比较[J]. 四川林业科技, 2019, 40(3): 92-95, 114. |
[11] |
ZHANG Z Y, WANG B, CHEN W W, et al. Recognition of abnormal individuals based on lightweight deep learning using aerial images in complex forest landscapes: a case study of pine wood nematode[J]. Remote Sensing, 2023, 15(5): 1181. DOI:10.3390/rs15051181 |
[12] |
ANDERS N, SMITH M, SUOMALAINEN J, et al. Impact of flight altitude and cover orientation on Digital Surface Model (DSM) accuracy for flood damage assessment in Murcia (Spain) using a fixed-wing UAV[J]. Earth Science Informatics, 2020, 13(2): 391-404. DOI:10.1007/s12145-019-00427-7 |
[13] |
ELHADARY A, RABAH M, GHANIM E, et al. The influence of flight height and overlap on UAV imagery over featureless surfaces and constructing formulas predicting the geometrical accuracy[J]. NRIAG Journal of Astronomy and Geophysics, 2022, 11(1): 210-223. DOI:10.1080/20909977.2022.2057148 |
[14] |
伏帅, 张勇辉, 李佳吕, 等. 不同植被指数和无人机航高对草地盖度估测精度的影响[J]. 草业科学, 2021, 38(1): 11-19. |
[15] |
杨乐, 黄晓君, 包玉海, 等. 无人机航高对落叶松毛虫虫害遥感监测精度的影响[J]. 南京林业大学学报(自然科学版), 2023, 47(4): 13-22. |
[16] |
SADEGHI S, SOHRABI H. The effect of UAV flight altitude on the accuracy of individual tree height extraction in a broad-leaved forest[J]. The International Archives of the Photogrammetry, Remote Sensing, and Spatial Information Sciences, 2019, XLⅡ-4/W18: 1168-1173. |