文章信息
- 温阿敏, 郑江华, 陈梦, 穆晨, 马涛
- Wen Amin, Zheng Jianghua, Chen Meng, Mu Chen, Ma Tao
- 荒漠生态林区大沙鼠鼠洞密度的无人机遥感监测技术初探
- Monitoring Mouse-Hole Density by Rhombomys opimus in Desert Forests with UAV Remote Sensing Technology
- 林业科学, 2018, 54(4): 186-192.
- Scientia Silvae Sinicae, 2018, 54(4): 186-192.
- DOI: 10.11707/j.1001-7488.20180421
-
文章历史
- 收稿日期:2016-05-09
- 修回日期:2017-09-26
-
作者相关文章
2. 新疆大学智慧城市与环境建模普通高校重点实验室 乌鲁木齐 830046;
3. 新疆维吾尔自治区林业有害生物防治检疫局 乌鲁木齐 830000;
4. 新疆维吾尔自治区草原总站 乌鲁木齐 830049
2. Key Laboratory of Xinjiang Smart City and Environment Modelling, Xinjiang University Urumqi 830046;
3. Master Station of Prevention and Quarantine of Forestry Plant Diseases and Insect Pests in Xinjiang Urumqi 830000;
4. Xinjiang Grassland Central Station Urumqi 830049
古尔班通古特沙漠作为我国的第二大沙漠,其荒漠林是维系新疆城市整体生态环境安全的前沿保护地带和天然生态屏障。然而近年来,该区域鼠害持续高发,大沙鼠(Rhombomys opimus)是荒漠林典型害鼠之一,其采食和掘洞行为造成了荒漠林衰败,土质疏松,流沙四起,荒漠化加剧,严重威胁着荒漠林生态环境的健康(陈梦等,2014;梁倩玲等,2015)。同时,大沙鼠引起的鼠疫对人类的健康也会造成极大的危害(盛兆湖等,2015)。因此,实时、准确、动态地监测大沙鼠的空间分布及危害情况,及时采取有效措施进行防治刻不容缓。
传统的林业生物灾害遥感监测主要针对病害和虫害,鼠害作为三大林业生物灾害之一,给林业资源和生态环境保护带来重大损失,尤其是西北地区鼠害猖獗,但针对鼠害的研究较少,处于基础研究阶段(武红敢等,2008;杨维康等,2009)。国内外学者基于传统方法,从大沙鼠生态学(Parvizi et al., 2013;乔洪海等,2011)、小尺度空间分布格局(Wilschut et al., 2015)、栖息地选择(张三亮等,2008;尹小平等,2011)、种群数量动态变化(赵天飙,2006)、适生区分布预测(王梅等,2014)等方面开展了很多基础研究。但由于荒漠林的复杂性,传统的大沙鼠调查和监测方式费时费力,不能达到实时、准确、大面积监测鼠情的需求。卫星遥感在林业病虫害监测应用方面进行了大量研究,已基本形成具有一定特色、比较完整的理论、技术和应用体系(Wang et al., 2014;Lausch et al., 2013;常原飞等,2011),但在鼠害监测中鲜有报道,这可能是由于卫星遥感影像的空间分辨率无法满足鼠洞识别的精度要求。无人机低空遥感系统填补了这一弊端,其高时效、高分辨率、全自动化等数据采集性能为荒漠林大沙鼠灾害监测提供了一种新的有效监测手段(李德仁等,2014;Cai et al., 2014;轩俊伟等,2015)。如何从高空间分辨率航空影像中高精度地提取荒漠林大沙鼠鼠洞的空间分布信息,并形成针对林业鼠害的低空遥感监测技术方法,对后期鼠洞密度计算及危害程度评估至关重要。
本文采用固定翼无人机搭载可见光波段高清数码相机,野外航拍获取0.024 m空间分辨率的航片数据,进行荒漠林大沙鼠灾害遥感监测研究,并探索林业鼠害的低空遥感监测与解译技术路线,获取研究区大沙鼠灾害空间分布特点及鼠情信息,为快速解译低空遥感航拍鼠害数据提供解决途径。
1 数据与方法 1.1 数据获取及预处理1) 试验设计试验区位于新疆维吾尔自治区古尔班通古特沙漠南缘的大沙鼠典型危害区,实验区大小为1 km×1 km,中心经纬度为44.413°N,87.857°E。该区在固定沙丘上的植被覆盖度可达40%~50%,半固定沙丘上植被覆盖度约为15%~25%。其中,以梭梭(Haloxylon ammodendron)、白梭梭(H.persicum)及柽柳(Tamarix spp.)为优势种的灌木林占据了沙丘中上部;丘间低地和沙丘中下部为盐爪爪(Kalidium foliatum)及蛇麻黄(Ephedra distachya)等低矮植被;其下主要为发育良好的灰黑色生物结皮层。
本文采用固定翼无人机,搭载索尼NEX7相机载荷系统,有效像素2 470万,传感器尺寸为23.4 mm×15.6 mm,20 mm镜头。
根据研究区大沙鼠灾害特点,选择大沙鼠危害最严重期(秋季),2015年10月12日展开飞行(图 1),飞行高度约125 m,航速61 km ·h-1,地面分辨率达2.4 cm,航向重叠率为70%,旁向重叠率为50%,共获取像片1 632张。
2) 数据预处理外业获取的航拍数据主要包括航空影像数据和POS数据(即IMU获得的相机拍摄瞬间的像片外方位元素)。外业数据采集后,采用INPHO软件进行无人机影像处理,空三加密并解算共线条件方程,获取测区TDOM影像数据。航空数据预处理过程见图 2,预处理结果见图 3。
1) 解译标志建立结合影像上鼠洞特点及测区实地调研情况,发现影像上鼠洞表现出相似且明显的判读特征,即呈现为黑色的小斑块,其周围有因大沙鼠活动对植被和荒漠土壤扰动形成的亮度较高的凸沙丘,四周更有明显呈发射状的鼠道和洞群,由此形成鼠洞解译标志。
2) 人工目视解译采用ArcGIS软件对TDOM影像上的鼠洞进行数字化,获取大沙鼠空间分布信息。建立属性表,获取每个鼠洞的面积,并采用Merge功能合并统计洞群数量及面积大小。利用DEM数据生成高程为2 m的等高线图与鼠洞空间分布图层叠加,生成鼠洞空间分布图(图 4)。
1) 最大似然分类不同地物类型具有不同的光谱反射率,因此在遥感影像上表现出色调、颜色、饱和度等要素差异。结合野外实地调查数据,选取训练样本,建立解译标志,采用ENVI软件中的最大似然(likelihood classification)法对影像进行计算机分类(Im et al., 2005)。
2) 面向对象分类由于“同物异谱,同谱异物”现象的存在,传统的基于像素的分类方法只针对地物像素本身的灰度值进行分类,往往造成地物混分。而面向对象分类方法则基于设定的地物单元分类,其最小单元是由影像分割得到的同质影像对象(图斑),而不再是单个像素,它在影像光谱特征的基础上,充分考虑了地物的形状、大小、结构等因素的综合关系,提高了地物分类精度(佃袁勇等,2016)。
2 结果与分析 2.1 大沙鼠鼠洞空间分布特征分析统计人工目视解译结果发现,试验区共有43 125个鼠洞,单个鼠洞面积为0.002~0.035 m2,大多数为0.005~0.018 m2。从图 4可知,大沙鼠以群落的形式分布,洞系结构庞大、复杂而且多层,尤其是沙丘地带,小洞系有洞口30~100个,大多数群落内的洞口可达200个以上,少数达550个以上,交织成网状向某一方向扩散,洞群面积可达50~240 m2。
2.2 最大似然分类结果为提高影像处理速度,选择典型代表区进行监督分类试验。选取196个鼠洞作为训练样本,并将地物分为5类:鼠洞、灌木、荒漠、低矮植被和阴影,建立感兴趣区(region of interest, ROI),执行最大似然分类,并采用Majority/Minority Analysis方法进行后处理,结果见图 5。
通过与原始影像对比验证发现,最大似然分类效果较差。分类时,鼠洞和地物阴影很容易混分,干枯植被和道路易混分。
2.3 面向对象分析结果与分析根据影像上鼠洞识别特点,设置不同分割尺度进行影像分割,发现阈值为60时的分割效果较好,鼠洞被很好的分割出来。分割后的特征斑块具有光谱、纹理、形状等各种属性,建立与最大似然分类系统一致的训练样本,执行监督分类。面向对象分类完成后,将鼠洞矢量图层输出,得到研究区大沙鼠鼠洞空间分布见图 6。
为验证其分类精度,本文将人工目视解译获取的鼠洞分布矢量图与结果图层进行叠加比较,可进行精度验证,结果见图 7。
采用抽取样本、叠加人工目视解译结果、对比TDOM原始影像3种方法验证后发现,无论是在地物类型较单一的沙丘地带,还是地物类型复杂,容易造成地物混分的灰黑色生物结皮覆盖地区,面向对象分类方法都很好的提取了荒漠林大沙鼠鼠洞的分布信息,只有部分灌木的阴影与鼠洞混分。
2.4 分类方法的评价对比人工目视解译、基于像素的监督分类和面向对象分类结果,并统计试验区196个鼠洞的分类精度,以评估3种方法的适用性和精度,结果见表 1。
通过综合对比不同提取方法在精度、处理效率、所花费的时间及财力方面的差异可知,面向对象分类方法提取荒漠林鼠洞效果比人工目视解译、最大似然法好,可用于推广到后期进行荒漠林大沙鼠鼠害大面积的动态监测和预测预报建模研究中。
3 讨论大沙鼠由于繁殖能力强,食量大,成群聚集,危害性强等特点,是新疆荒漠林最主要的害鼠。大沙鼠持续大面积的灾害可引起荒漠区灌木植被的枯竭,致使古尔班通古特沙漠南部的荒漠林荒漠化进程加快,严重影响其周围城市的生态环境安全。为改善传统鼠害监测方法的弊端,本文尝试采用无人机遥感监测系统对大沙鼠灾害进行大面积、准实时监测,主要成果体现在以下几个方面:
3.1 大沙鼠的分布特征通过利用分辨率为0.024 m的航拍影像进行荒漠林大沙鼠鼠洞识别(人工解译或计算机自动解译),在航空影像内业预处理时,输出的数字真正射影像(TDOM)比数字正摄影像(DOM)能更逼真的反映荒漠林地表真实状况,避免了因为灌木植被的倾斜而遮挡地面大沙鼠鼠洞。
通过人工目视解译结果发现,试验区大沙鼠以群落的形式分布,交织成网状向某一方向扩散。洞群有显著的景观特征,大沙鼠群落蔓延时,往往会在原有的洞穴基础上,每间隔1 m左右,从中心向四周呈“岛状”方法扩张。统计试验区洞群的大小发现,100 m2以上的洞群占大多数,说明该地区大沙鼠危害较为严重,大沙鼠鼠洞蔓延范围也较大,且危害时间较长。在后期研究中笔者团队将会进行鼠害的定量划分。
结合实地调查情况和鼠洞空间分布图发现,大沙鼠鼠洞主要分布在沙丘的东西两侧区域,中间和南北侧面较少。沙丘大体为南北走向,沙丘之间为平缓地带。从图 4中鼠洞与等高线叠加图,并对照原始的TDOM影像发现,大沙鼠大多数分布在土质比较疏松、较易打洞,且周围植被长势较好的平缓的沙丘地带。该地区植被主要以梭梭等灌木丛为主,且林下植被稀疏。野外实地调查过程中,发现洞口食物主要为梭梭的枝叶和根。此研究结果与赵天飙等(1997)对于大沙鼠栖息地研究结果相符,进一步说明大沙鼠喜欢在有坡度的沙丘上在有坡度的沙丘上挖巢,且对植被有高度的趋向性。其主要原因可能是在沙丘半坡挖巢可以防止雨水灌入,导致洞内储物潮湿,在半坡筑巢还便于瞭望。在植被周围筑巢一方面可以借助植被隐藏洞口,另一方面也便于大沙鼠快速获取食物。
3.2 解译方法的比较低空遥感航片包含数据量大,给后期计算机处理带来相当大的工作量,探索最佳大沙鼠鼠洞影像解译技术体系是关键。本文使用人工目视解译、最大似然法分类、面向对象特征提取三种方法对影像进行解译,其中目视解译具有最高的分类精度,但目视解译的解译速度极慢,且受个人主观判断影响,准确度因人而异,适用性中等。
而将通过最大似然分类结果与原始影像对比验证发现,此方法极易造成鼠洞和其他地物的混分,此外,低矮植被和荒漠也造成了部分混分现象。但在沙丘地带,由于地物类型单一,且每种地物的光谱信息差异较大,因此分类准确性较好。综上,最大似然分类方法对整个研究区的荒漠林大沙鼠鼠洞提取不适用。
面向对象分类方法通过影像分割,充分利用到无人机数据的多种信息,可以大大提高分类的进度。在本文中除了部分灌木阴影与鼠洞混分外,此方法能很好的提取荒漠林大沙鼠鼠洞的分布信息,造成灌木阴影与鼠洞混分主要是由于鼠洞的本质都是阴影,且在分类训练样本选择时,很难将两者进行准确区分。但由于混分地物较少,可将解译结果与原图像对比,人工剔除明显混分的像元和区域,减少混分地物所造成的误差,得到准确的鼠洞空间分布图。这与田卫方等(2014)利用面向对象特征对影像中道路损毁情况的研究相似,都证明面向对象特征提取方法对高分辨影像具有较好的运用前景。
通过综合对比分析3种解译方法,得出面向对象分类方法具有识别精度高、效率高等优势,在荒漠林无人机遥感影像分析中具有很好的适用性。可推广到后期进行荒漠林大沙鼠鼠害大面积动态监测和预测预报建模研究中,也可适用于低空遥感技术进行草原鼠害监测工作中,为农林等行业进行鼠害调查和预测预报及辅助决策提供更有效的手段。
4 结论试验区大沙鼠以群落的形式分布,交织成网状向某一方向扩散。大沙鼠大多数分布在土质比较疏松、很容易打洞,且周围植被长势较好的平缓的沙丘地带为鼠害发生提供了条件。
无人机遥感在荒漠林大沙鼠灾害监测中有很好的适用性和应用潜力,为今后采用低空遥感技术进行鼠害监测提供了参考。在3种解译方法中,面向对象特征提取方法具有较好的准确度,计算机自动解译的工作效率高,可以满足生产单位进行大面积、准实时、高精度开展荒漠林大沙鼠灾害调查的需求,是当前利用甚高空间分辨率数据进行鼠洞快速遥感解译的最好选择。
陈梦, 杨永刚, 刘忠军, 等. 2014. 新疆昌吉州荒漠林害鼠种类调查初报[J]. 防护林科技, (7): 37-39. |
Chen M, Yang Y G, Liu Z Z, et al. 2014. Investigation on rodent species in desert forest of Changji Prefecture in Xinjiang[J]. Protection Forest Science & Technology, (7): 37-39. |
常原飞, 武红敢, 董振辉, 等. 2011. 国家级林业有害生物灾害监测与预警系统[J]. 林业科学, 47(6): 93-100. DOI:10.11707/j.1001-7488.20110614 |
Chang Y F, Wu H G, Dong Z H, et al. 2011. A national monitoring and warning system for forest pest based on service-oriented Architecture[J]. Scientia Silvae Sinicae, 47(6): 93-100. |
佃袁勇, 方圣辉, 姚崇怀. 2016. 多尺度分割的高分辨率遥感影像变化检测[J]. 遥感学报, 20(1): 129-137. |
Dian Y Y, Fang S H, Yao C H. 2016. Change detection for high-resolution images using multilevel segment method[J]. Journal of Remote Sensing, 20(1): 129-137. |
李德仁, 李明. 2014. 无人机遥感系统的研究进展与应用前景[J]. 武汉大学学报:信息科学版, 39(5): 505-513. |
Li D R, Li M. 2014. Research advance and application prospect of unmanned aerial vehicle remote sensing system[J]. Geomatics and Information Science of Wuhan University, 39(5): 505-513. |
梁倩玲, 刘萍, 陈梦, 等. 2015. 林业有害生物灾害损失评估研究进展[J]. 林业资源管理, (2): 139-144. |
Liang Q L, Liu P, Chen M, et al. 2015. Research review on forest pest disaster losse assessment[J]. Forest Resources Management, (2): 139-144. |
乔洪海, 刘伟, 杨维康, 等. 2011. 大沙鼠行为生态学研究现状[J]. 生态学杂志, 30(3): 603-610. |
Qiao H H, Liu W, Yang W K, et al. 2011. Behavior ecology of great gerbil Rhombomys opimus:A review[J]. Chinese Journal of Ecology, 30(3): 603-610. |
盛兆湖, 陈梦, 刘忠军, 等. 2015. 新疆昌吉州荒漠林鼠(兔)害灾害损失评估指标重要性研究[J]. 中国森林病虫, 34(1): 14-17. |
Sheng Z H, Chen M, Liu Z J, et al. 2015. Importance of loss evaluation indexes of rodent disaster in the desert forests in Changji, Xinjiang Uygur Autonomous Region[J]. Forest Pest & Disease, 34(1): 14-17. |
田卫方, 王斌. 2014. 面向对象的高分辨率遥感影像道路损毁识别研究[J]. 测绘通报, (11): 64-67. |
Tian W F, Wang B. 2014. An object-oriented method for road damage recognition from high resolution remote sensing images[J]. Bulletin of Surveying and Mapping, (11): 64-67. |
王梅, 雒涛, 赵坚, 等. 2014. 基于生态位模型预测新疆准噶尔盆地大沙鼠适生区分布及风险评估[J]. 中华流行病学杂志, 35(9): 1037-1041. |
Wang M, Luo T, Zhao J, et al. 2014. Study on the spatial distribution and related risks of Rhombomys opimus, based on the ecological niche modeling in Junggar Basin, Xinjiang[J]. Chinese Journal of Epidemiology, 35(9): 1037-1041. |
武红敢, 曾庆伟. 2008. 林业生物灾害的监测调查技术研究进展[J]. 灾害学, 23(4): 106-109. |
Wu H, Zeng Q. 2008. Technological Development of Forest Pest Monitoring[J]. Journal of Catastrophology, 23(4): 106-109. |
轩俊伟, 郑江华, 倪亦非, 等. 2015. 基于动力三角翼平台的草原鼠害遥感监测研究[J]. 中国植保导刊, 35(2): 52-54. |
Xuan J W, Zheng J H, Ni Y F, et al. 2015. Study on remote sensing monitoring of grassland rodent pest based on Delta-Wing Airplane[J]. China Plant Protection, 35(2): 52-54. |
杨维康, 蒋慧萍, 王雪芹, 等. 2009. 古尔班通古特沙漠区大沙鼠对荒漠植物群落的扰动效应[J]. 生态学杂志, 28(10): 2020-2025. |
Yang W K, Jiang H P, Wang X Q, et al. 2009. Disturbance effects of Rhombomys opimus on desert plant community in Gurbantonggut Desert[J]. Chinese Journal of Ecology, 28(10): 2020-2025. |
尹小平, 田延河, 骄娃, 等. 2011. 新疆北部边境口岸大沙鼠种群分布特征及活动规律调查[J]. 中国媒介生物学及控制杂志, 26(2): 196-199. |
Yin X P, Tian Y H, Jiao W, et al. 2011. The distribution characteristics and activity patterns of the Rhombomys opimus population in Northern Xinjiang borders[J]. Chinese Journal of Vector Biology and Control, 26(2): 196-199. |
张三亮, 刘荣堂. 2008. 荒漠梭梭林大沙鼠为害及不同生境类型对其巢域选择的影响[J]. 草原与草坪, (5): 11-14. |
Zhang S L, Liu R T. 2008. Damage of Rhombimys opimus to Haloxylon ammodendron and the effect of different habitats on its home range selection[J]. Grassland & Turf, (5): 11-14. |
赵天飙. 2006. 大沙鼠种群空间分布格局、栖息地选择及种群动态的研究. 呼和浩特: 内蒙古大学博士学位论文.
|
Zhao T B. 2006. Studies on spatial distribution pattern, habitats selection and dynamic of Rhombomys Opimus population. Huhhot: PhD thesis of Inner Mongolia University. [in Chinese]
|
赵天飙, 齐林. 2000. 大沙鼠对栖息地的选择. 动物学杂志, 35(1): 40-43.
|
Zhao T B, Qi L. 2000, Habitat Selection of Rhombomys opimus, 35(1): 40-43. [in Chinese]
|
赵天飙, 张忠兵, 李新民, 等. 1997. 大沙鼠洞群空间分布格局的研究[J]. 兽类学报, 17(4): 29-31. |
Zhao T B, Zhang Z B, Li X M, et al. 1997. Study on spatial patterns of hole groups of Rhombomys opimus[J]. Acta Theriologica Sinica, 17(4): 29-31. |
Cai G, Dias J, Seneviratne L. 2014. A survey of small-scale unmanned aerial vehicles:recent advances and future development trends[J]. Unmanned Systems, 2(2): 175-199. DOI:10.1142/S2301385014300017 |
Im J, Jensen J R. 2005. A change detection model based on neighborhood correlation image analysis and decision tree classification[J]. Remote Sensing of Environment, 99(3): 326-340. DOI:10.1016/j.rse.2005.09.008 |
Lausch A, Heurich M, Gordalla D, et al. 2013. Forecasting potential bark beetle outbreaks based on spruce forest vitality using hyperspectral remote-sensing techniques at different scales[J]. Forest Ecology and Management, 308: 76-89. |
Parvizi P, Alaeenovin E, Kazerooni P A, et al. 2013. Low diversity of Leishmania parasites in sandflies and the absence of the great gerbil in foci of zoonotic cutaneous leishmaniasis in Fars province, southern Iran[J]. Transactions of the Royal Society of Tropical Medicine and Hygiene, 107(6): 356-362. DOI:10.1093/trstmh/trt027 |
Wang S, Pan J, Zhang H, et al. 2014. A review of forest pest and disease monitoring based on the hyperspectral remote sensing image[J]. Forest Resources Management, (3): 134-140. |
Wilschut L I, Laudisoit A, Hughes N K, et al. 2015. Spatial distribution patterns of plague hosts:point pattern analysis of the burrows of great gerbils in Kazakhstan[J]. Journal of Biogeography, 42(7): 1281-1292. DOI:10.1111/jbi.2015.42.issue-7 |