使用高光譜和激光雷達數(shù)據(jù)區(qū)分楊樹林中的生物脅迫和非生物脅迫

亞洲天牛（Anoplophora glabripennis, ALB）是一種嚴(yán)重威脅全球闊葉林的蛀木害蟲，特別對中國西北干旱地區(qū)的楊樹防護林造成了顯著破壞。由于干旱和 ALB 脅迫均會引起缺水癥狀，但其成因和治理方法截然不同，及時區(qū)分這兩種脅迫對制定有效治理措施至關(guān)重要。高光譜成像（HSI）和激光雷達（LiDAR）技術(shù)因其在植物脅迫檢測中的潛力而備受關(guān)注，HSI 提供精細(xì)的光譜信息，LiDAR 捕獲冠層三維結(jié)構(gòu)變化。然而，單一技術(shù)存在局限性，結(jié)合 HSI 和 LiDAR 數(shù)據(jù)能夠彌補不足，實現(xiàn)更精確的脅迫檢測。本研究采用偏最小二乘支持向量機（PLS-SVM）方法，有效降低數(shù)據(jù)維度，避免過度擬合，提升分類精度，旨在：（1）評估無人機 HSI 和 LiDAR 數(shù)據(jù)區(qū)分 ALB 損傷、干旱脅迫及復(fù)合脅迫的能力；（2）探索兩種數(shù)據(jù)對脅迫的響應(yīng)特征，篩選最敏感的檢測指標(biāo)，為干旱地區(qū)楊樹健康監(jiān)測和管理提供科學(xué)依據(jù)。

研究地塊位于中國西北部甘肅省酒泉市，屬戈壁地貌，氣候類型為大陸性干旱氣候，年均降水量為80毫米，但年均蒸發(fā)量達2000毫米。本研究選取了兩個水分條件不同（灌溉和非灌溉）且樹齡相近的林場（圖1）。

圖 1. 本研究的研究區(qū)域。（a）酒泉新城國有林場（水源充足）。（b）酒泉三河國有林場（缺水）。四個樣地標(biāo)記為藍(lán)色。

樣地1（圖1a）：酒泉新城國有林場（39°57′N，98°23′E）。農(nóng)田防風(fēng)林，灌溉良好，有地表水，包括健康林和黃萎病林，樹齡為40–60年。研究樹種為甘肅楊、白楊和旱柳。樣地2（圖1b）：酒泉三河國有林場（39°23′N，99°04′E）。灌溉條件極差，無地表水，兩年未正常灌溉。林分健康林和黃萎病林，樹齡為40-60年。研究樹種與樣地1相同。兩個農(nóng)場都有健康林和黃萎病林的楊樹。兩個農(nóng)場都位于海拔1480 m的平坦區(qū)域。土壤條件相同：棕色沙漠土，有機質(zhì)含量低，氮素含量低。兩個樣地均被甘肅楊覆蓋。我們在每個林場建立了兩個50×50米的樣地，共四個樣地�？偣灿兴姆N類型的樣本樹：健康（H）、僅受黃萎病損害（A）、僅受干旱損害（D）和同時受黃萎病和干旱損害（AD）（圖2）。

圖 2. 本試驗中的四種楊樹。括號中顯示了每種楊樹樣本的縮寫。

 亞洲長角甲蟲（ALB）是一種樹干蛀蟲，通過識別漏斗狀產(chǎn)卵坑、排便孔和圓形出口孔（圖 3）確定楊樹是否受損。若發(fā)現(xiàn)這些特征或樹冠稀疏（稀疏葉片、干枯枝條），則認(rèn)為楊樹受到 ALB 損傷。

葉面積指數(shù) (LAI) 反映葉片密度及生物物理能力。采用 SmartLAI 應(yīng)用程序從不同方向進行四次測量取平均值，評估樹冠稀疏程度。調(diào)查了 325 棵楊樹：健康（H）66 棵，受 ALB 脅迫（A）75 棵，受干旱脅迫（D）80 棵，受雙重脅迫（AD）104 棵，表 1 顯示不同條件下的 LAI 數(shù)據(jù)。

圖 3. 確定 ALB 損害的證據(jù)。(a) ALB 成蟲在漏斗狀的產(chǎn)卵坑中挖溝。(b) ALB 幼蟲排出的糞便。(c) ALB 成蟲的圓形出口孔。

表 1. 四種脅迫條件下楊樹林葉面積指數(shù)。

在同一飛行活動期間，使用 DJI M600 無人機搭載IRIS LR-1601激光雷達一體機（北京理加聯(lián)合科技有限公司）收集高光譜圖像 (HSI) 和激光雷達數(shù)據(jù)（圖 4）。安裝系統(tǒng)使高光譜和激光雷達設(shè)備能夠聯(lián)合使用無人機的慣性測量單元 (IMU) 和全球定位系統(tǒng) (GPS)，從而實現(xiàn)高精度正射校正和數(shù)據(jù)融合。無人機還配備了 RTK 系統(tǒng)，可實現(xiàn)厘米級精確定位。2021 年 8 月 2 日 12:20 至 12:50 PM 采集了地塊 1（水量充足）的數(shù)據(jù)，2021 年 8 月 3 日上午 11:50 至下午 12:30 采集了地塊 2（缺水）的數(shù)據(jù)。飛行在萬里無云的天空下進行，高度為 100 米，速度為 3 米/秒，正面和側(cè)面圖像重疊度為 60％。

圖4.本研究中的無人機搭載系統(tǒng)。

高光譜成像儀的視場為 10°，焦距為17 mm。高光譜圖像包含 150 個光譜帶，范圍從 400 到 1000 nm。高光譜圖像以 0.1 m 的空間分辨率生成。使用標(biāo)準(zhǔn)白板進行反射率校正和輻射校準(zhǔn)（圖 4）。高光譜圖像與具有十二個地面控制點 (GCP) 的 LiDAR 數(shù)據(jù)進行匹配，總體均方根誤差 (RMSE) < 1 像素。

利用 LiDAR360 軟件的冠層高度模型 (CHM) 分割單棵樹，CHM 由 DSM 和 DEM 生成，分辨率為 0.1 米。根據(jù) CHM 分割結(jié)果提取樣本樹的高光譜和 LiDAR 特征，并手動修正錯誤分割的樣本樹。僅計算每棵樹冠的陽光照射像素的高光譜反射率，并用 Savitzky-Golay 濾波器平滑處理。提取了 23 個光譜變量（包括 12 個植被指數(shù)、5 個吸收帶、2 個紅邊參數(shù)和 4 個吸收特征）及 32 個 LiDAR 變量（14 個與點云高度分布相關(guān)、13 個點云強度指標(biāo)和 5 個冠層密度指標(biāo)）。共使用 55 個變量進行篩選，并開發(fā) PLS-SVM 分類模型。

圖 5. 楊樹的平均光譜反射率按以下方式分組：(a) 健康/不健康；(b) 澆水充足/缺水；(c) ALB 受損/無 ALB；(d) 健康/ALB 感染/干旱脅迫/復(fù)合脅迫。注：陰影區(qū)域表示平均值的標(biāo)準(zhǔn)偏差。

圖 6. 不同壓力下高光譜和 LiDAR 圖像得出的十個典型參數(shù)（H：健康；A：ALB 壓力

圖 7. 受到 ALB 損傷的楊樹干梢。(a) RGB 圖像。(b) LiDAR 圖像。

研究表明，無人機高光譜圖像和激光雷達的組合可以檢測和區(qū)分楊樹的 ALB 和干旱脅迫。PLS-SVM 分類在區(qū)分水分充足和缺水樹木方面實現(xiàn)了 94.85% 的準(zhǔn)確率，在檢測 ALB 損害方面實現(xiàn)了 80.81% 的準(zhǔn)確率。對四種楊樹類別進行分類的總體分類準(zhǔn)確率為 78.79%：健康、僅受 ALB 影響、僅受干旱影響以及干旱和 ALB 損害并存的楊樹。開發(fā)的分類模型為檢測和區(qū)分脅迫類型提供了寶貴的工具，使及時干預(yù)措施成為可能，例如在楊樹林中進行灌溉或病蟲害防治，尤其是在戈壁沙漠的惡劣條件下。