SPOT-5遥感影像马尾松毛虫害信息提取技术研究

论文摘要

马尾松毛虫（Dendrolimus Punctatus Walker）是马尾松的主要害虫,严重制约了马尾松的生长,其发生频繁,常猖獗成灾,被称为“无烟的森林火灾”。在我国南方地区,马尾松毛虫常年发生,一般3至5年就成灾一次,为害面积高达2.0x106-3.3×106hm2,减少木材量约3.0x106m3,经济损失达数十亿元,是发生面积最广、为害最为严重的森林害虫,危害很大。实现马尾松毛虫害的有效监测,是防治松毛虫危害的关键,但传统地面抽样调查方法费时费力,已经不能满足林业生产实际需要,而遥感技术具有大面积覆盖且实时探测的优点,具有技术上的可行性与经济上的节约性。为此,本文以沙县作为研究区,以研究区SPOT-5遥感影像多光谱数据与全色数据为基础数据,结合外业调查数据、研究区森林资源数据库、研究区DEM等辅助数据,分析虫害影像的光谱变化与纹理变化,通过光谱指标的选取、纹理特征的分析等,从多方面对影像虫害信息进行提取,从而建立遥感监测森林病虫害的技术体系,构建马尾松毛虫害的遥感监测指标体系,并建立一新的针对马尾松毛虫害的基于片层—面向类的影像分类新方法,为实际生产监测马尾松毛虫害提供技术支持与理论基础,并为高分辨率影像用于森林病虫害的监测提供借鉴。主要研究结果如下：（1）参考国土资源部的土地利用一级分类系统,结合研究区实际情况,针对研究需要,确定研究区沙县的土地利用分类系统为：林地与非林地,林地又分为马尾松、杉木和阔叶树。基于影像的光谱特征,基于分层分类的思想,结合阈值设定与决策树分类QUEST算法,提取出林地影像,在此基础上,实现马尾松林专题信息的提取,其提取精度达到92.89%。（2）对SPOT-5多光谱影像进行光谱特征分析,发现受害马尾松在2、3、4波段变化明显,基于此,首次构建了马尾松毛虫害的遥感监测指标体系。（3）基于构建的光谱指标,采用岭迹分析方法进行监测因子的优选,建立了表征虫害程度的虫情级数的岭回归估测模型,其模型估测精度达到81.69%。进而实现研究区虫情级数的反演,并进行马尾松毛虫害的专题信息提取,其信息提取总精度=70.75%,Kappa=0.6759,分类精度不高,且椒盐现象比较严重,健康林分与轻度受害林分混淆较严重。（4）提取图像的纹理特征并分析,分别采用基于像元的最大似然法与面向对象分类方法,进行马尾松毛虫害信息提取。前者分类总精度=72.75%,Kappa=0.6913;后者分类总精度=74.75%,Kappa=0.7283,后者精度高于前者。两者相比于基于光谱信息分类来说,其分类精度有了一定的提高,分别为：基于像元统计提高了2%,面向对象方法提高了4%。说明纹理特征对于图像的分类起关键作用。（5）研究进行光谱信息与纹理信息的融合,引入纹理信息参与虫害图像的分类,采用融合多尺度纹理与光谱信息的SVM分类方法进行虫害信息提取,并与单尺度纹理的分类方法进行比较,前者分类总精度=82.50%,Kappa=0.8059,后者分类总精度=80.75%,Kappa=0.7824,前者分类精度高于后者。同时两者相比于单纯基于光谱信息与纹理信息都有了提高,分别为：单尺度纹理分别提高了10%、6%,多尺度纹理提高了11.75%、7.75%。光谱信息与纹理信息的融合显著地增强了马尾松毛虫害的光谱响应能力,其信息量明显增多,同时多源信息的引入有利于提高影像的分类精度。（6）融合影像的光谱信息与纹理信息,并考虑影响昆虫发生发展及变化的生态及林木自身因子,首次构建了马尾松毛虫害遥感监测指标体系。基于建立的监测指标体系,通过岭回归建模,实现了马尾松毛虫害专题信息的提取,其分类总精度=85.75%,Kappa=0.8328。相比于没有考虑地形及林木因子的三种方法,其精度分别提高了15%、11%、3%。（7）基于虫害影像特征,提出基于生态因子分片—面向类的新算法,该法基于海拔、坡度与坡向,对马尾松进行空间分区划片,然后针对每片影像的特点,综合运用决策树、面向对象等分类方法,进行虫害信息的提取,其分类总精度=87.50%,Kappa=0.8559,其精度高于岭回归建模的方法,其分类总体精度提高了1.75%。该法综合考虑了各方面的因素,消除了地形的影响,有效避免了椒盐现象的发生。（8）对于各种程度受害的马尾松来说,从各种方法提取的精度来分析,健康马尾松与重度受害马尾松提取精度最高,而轻度受害马尾松与中度受害马尾松精度稍低。各种提取虫害信息的方法,以生态因子分区划片-面向类的方法精度最高,虫害信息分布图质量也最高,是最佳的信息提取方法。（9）森林病虫害的遥感监测不仅仅是一个图像识别的问题,病虫害的发生及发展与其生存的环境有密切的关系,同时遭受病虫害的植被在遥感图像上的响应,还受林木自身的生长规律影响,所以在进行森林病虫害监测时,综合考虑病虫寄主的生态条件及其自身林分状况等因子的影响,才能正确识别病虫害区域,提高监测精度。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 选题背景与研究意义
• 1.2 国内外研究现状与存在的问题
• 1.2.1 国内外研究现状
• 1.2.2 主要研究方法
• 1.2.3 存在的问题
• 1.3 研究目标与内容
• 1.3.1 研究目标
• 1.3.2 研究内容
• 1.4 研究技术路线图
• 1.5 本章小结
• 2 研究区概况与基础数据的预处理
• 2.1 研究区概况
• 2.1.1 地理位置及行政区划
• 2.1.2 气候水文与土壤
• 2.1.3 社会经济情况
• 2.1.4 交通状况
• 2.1.5 林业生产条件
• 2.2 资料收集
• 2.2.1 遥感数据
• 2.2.2 其它数据
• 2.3 影像预处理
• 2.3.1 几何校正
• 2.3.2 辐射校正
• 2.3.3 影像的拼接和裁剪
• 2.4 马尾松林专题信息提取
• 2.4.1 土地分类系统确定
• 2.4.2 林地提取
• 2.4.3 马尾松林提取
• 2.5 本章小结
• 3 马尾松毛虫害特点及其遥感监测物理基础
• 3.1 森林病虫害遥感监测原理
• 3.2 马尾松毛虫害特点及虫害程度级别
• 3.2.1 马尾松毛虫害特点
• 3.2.2 马尾松毛虫危害程度级别划分
• 3.3 本章小结
• 4 马尾松毛虫害光谱变化分析及信息提取
• 4.1 遥感监测森林病虫害光谱变化的主要指标类型
• 4.2 马尾松毛虫害光谱特征分析
• 4.3 马尾松毛虫害光谱变化监测指标构建
• 4.3.1 植被指数选择与获取
• 4.3.2 红边参数建立与获取
• 4.4 基于光谱指标提取虫害信息
• 4.4.1 样地点设置及其各监测指标值获取
• 4.4.2 各监测因子的优选
• 4.4.3 建立虫情级数估测模型
• 4.4.4 估测模型精度验证
• 4.4.5 虫害信息遥感提取及精度分析
• 4.5 本章小结
• 5 马尾松毛虫害纹理变化分析及信息提取
• 5.1 纹理定义与提取方法
• 5.1.1 纹理定义
• 5.1.2 纹理提取方法
• 5.1.3 纹理量的计算
• 5.2 纹理特征提取波段选择与纹理特征提取
• 5.3 最佳纹理特征量的选择
• 5.3.1 标准差
• 5.3.2 相关系数
• 5.3.3 OIF指数排序选择最佳纹理量
• 5.4 虫害信息提取
• 5.4.1 基于像元统计提取虫害信息
• 5.4.2 基于面向对象方法提取虫害信息
• 5.5 精度评价与结果分析
• 5.6 本章小结
• 6 基于光谱信息与纹理信息融合的虫害信息提取
• 6.1 图像融合简介
• 6.2 各种融合方法介绍
• 6.2.1 主成分变换融合（PCA）
• 6.2.2 乘积变换融合（Mutiplicative）
• 6.2.3 Brovey变换融合
• 6.2.4 IHS变换融合
• 6.2.5 HPF融合
• 6.2.6 Gram-schmidt变换法
• 6.2.7 HSV融合
• 6.3 图像融合结果与评价
• 6.3.1 图像融合结果
• 6.3.2 图像融合结果评价
• 6.4 确定合适的图像融合方法获取融合图像
• 6.5 融合多尺度纹理与光谱信息的SVM分类提取虫害信息
• 6.5.1 SVM分类简介
• 6.5.2 虫害信息提取
• 6.6 信息提取精度评价与结果分析
• 6.7 本章小结
• 7 基于生态因子植被空间分区的融合影像虫害信息提取
• 7.1 生态因子类别
• 7.2 植被空间区划生态因子选择
• 7.3 生态因子提取与分级
• 7.3.1 坡度
• 7.3.2 海拔
• 7.3.3 坡向
• 7.3.4 林龄
• 7.3.5 郁闭度
• 7.3.6 林分起源
• 7.4 岭回归建模提取虫害信息
• 7.4.1 监测指标体系建立
• 7.4.2 定性因子数量化处理
• 7.4.3 样本数据筛选
• 7.4.4 数据标准化处理
• 7.4.5 自变量监测因子的优选
• 7.4.6 建立虫情级数估测模型
• 7.4.7 估测模型精度验证
• 7.4.8 基于虫情级数估测模型提取虫害信息
• 7.5 基于生态因子分区-面向类提取虫害信息
• 7.5.1 基于生态因子分片-面向类新方法的提出
• 7.5.2 植被空间区划分片
• 7.5.3 虫害信息提取
• 7.6 虫害信息提取精度及结果分析
• 7.7 本章小结
• 8 结论与讨论
• 8.1 结论
• 8.2 讨论与展望
• 参考文献
• 导师简介
• 在读期间发表的论文
• 致谢