北京三号卫星数据在松材线虫病遥感监测中的应用评价

doi:10.13466/j.cnki.lyzygl.2022.04.016

林业资源管理 ›› 2022, Vol. 0 ›› Issue (4): 126-133.doi: 10.13466/j.cnki.lyzygl.2022.04.016

北京三号卫星数据在松材线虫病遥感监测中的应用评价

秦琳¹(), 孟先进¹, 张水花¹, 薛亚东¹, 刘新科¹(), 邢鹏²

1.广东省林业调查规划院,广州 510520
2.二十一世纪(广州)空间技术应用有限公司,广州 510500

收稿日期:2022-05-12 修回日期:2022-06-17 出版日期:2022-08-28 发布日期:2022-10-13
通讯作者: 刘新科
作者简介:秦琳(1979-),女,湖北武汉人,高工,主要从事林业遥感、地理信息和调查规划方面的研究。Email: luckykql@263.ent

Application Evaluation of BJ3 Satellite Data in Remote Sensing Monitoring of Pine Wilt Disease

QIN Lin¹(), MENG Xianjin¹, ZHANG Shuihua¹, XUE Yadong¹, LIU Xinke¹(), Xing Peng²

1. Guangdong Forestry Survey and Planning Institute,Guangzhou 510520,China
2. Twenty First Century(Guangzhou)Aerospace Technology Co.Ltd.,Guangzhou 510500,China

Received:2022-05-12 Revised:2022-06-17 Online:2022-08-28 Published:2022-10-13
Contact: LIU Xinke

摘要/Abstract

摘要：

北京三号国际合作星座(BJ3N)是拥有我国自主知识产权的国际领先甚高分辨率光学遥感卫星,首批两颗卫星于2021年成功发射,为了更好了解BJ3N的应用性能,利用BJ3N在广东省韶关市的相关影像数据开展松材线虫病遥感监测,并在影像融合、指数计算、信息提取等方面进行应用评价。结果表明,BJ3N数据通过PANSHARP融合法和NGRDI指数计算可大幅提升健康松树和变色松树间的差异化,有效增强变色松树的识别效果;通过深度学习智能提取变色松树精准率(查准率)95.8%,召回率(查全率)88.3%,满足松材线虫病遥感监测的工作需求,有利于松材线虫病的精准监测和防控。

关键词: 松材线虫病, BJ3N, 遥感, 评价

Abstract:

BJ3N is an international leading high-resolution optical remote sensing satellite with independent intellectual property rights of China.The first two satellites were successfully launched in 2021.In order to better understand the application performance of BJ3N,this paper used the relevant image data of BJ3N in Shaoguan City,Guangdong Province to carry out remote sensing monitoring of pine wilt disease,and the application evaluation in image fusion,index calculation,information extraction and other aspects.The results showed that BJ3N data could greatly improve the difference between healthy pines and discolored pines through PANSHARP fusion method and NGRDI index calculation,and effectively enhance the identification effect of discolored pine;the precision rate of intelligently extracting discolored pine through deep learning was 95.8%.,and the recall rate was 88.3%,which met the work needs of remote sensing monitoring of pine wilt disease,and was conducive to the accurate monitoring and prevention of pine wilt disease.

Key words: BJ3N, pine wilt disease, remote sensing, evaluation

中图分类号:

S763
S771.8

秦琳, 孟先进, 张水花, 薛亚东, 刘新科, 邢鹏. 北京三号卫星数据在松材线虫病遥感监测中的应用评价[J]. 林业资源管理, 2022, 0(4): 126-133.

QIN Lin, MENG Xianjin, ZHANG Shuihua, XUE Yadong, LIU Xinke, Xing Peng. Application Evaluation of BJ3 Satellite Data in Remote Sensing Monitoring of Pine Wilt Disease[J]. FOREST RESOURCES WANAGEMENT, 2022, 0(4): 126-133.

图/表 14

图1

表1

图2

图3

图4

图5

图6

表2

图7

表3

表4

图8

表5

图9

参考文献 18

[1]	国家林业和草原局政府网. 国家林业和草原局公告(2021年松材线虫病疫区)[EB/OL].(2021-03-29)[2022-04-10]. http://www.forestry.gov.cn/main/3457/20210329/151957233445926.html.
[2]	国家林业和草原局政府网. 国家林业和草原局公告(2021年全国松材线虫病新发县级疫区公告)[EB/OL].(2021-08-09)[2022-04-10]. http://www.forestry.gov.cn/main/6206/20220406/151529632107688.html.
[3]	陶欢, 李存军, 程成, 等. 松材线虫病变色松树遥感监测研究进展[J]. 林业科学研究, 2020, 33(3):172-183.
[4]	亓兴兰, 曹祖宁, 刘健, 等. 基于卫星遥感影像的森林病虫害监测研究进展[J]. 林业资源管理, 2020(2):181-186.
[5]	汪飞剑. 松材线虫病遥感监测应用潜力及难点分析[J]. 安徽林业科技, 2021, 47(4):37-41.
[6]	武红敢, 王晗, 常原飞, 等. 刍议枯死松树的天空地协同监测技术体系建设[J]. 中国森林病虫, 2020, 39(3):35-39.
[7]	武红敢, 苗振旺, 王晓俪, 等. 森林病虫灾害的天空地协同监测技术体系示范[J]. 山西林业科技, 2020, 49(3):9-12.
[8]	戴进, 罗伦, 张华. 基于ENVI的北京2号遥感影像融合方法对比研究[J]. 江西测绘, 2020(3):40-43.
[9]	邵亚奎, 朱长明, 张新, 等. 国产高分卫星遥感影像融合方法比较与评价[J]. 测绘通报, 2019(6):5-10.
[10]	孙攀, 董玉森, 陈伟涛, 等. 高分二号卫星影像融合及质量评价[J]. 国土资源遥感, 2016, 28(4):108-113.
[11]	何静. WorldViewⅡ全色与多光谱影像融合算法的比较研究[J]. 测绘技术装备, 2016, 18(1):33-36.
[12]	孙勇. 应用遥感数据对植被指数提取分析[D]. 哈尔滨: 东北林业大学, 2017.
[13]	苗静, 赵梓淇, 刘焕莉, 等. 应用MODIS数据监测大范围病虫害植被指数变化[J]. 中国农学通报, 2015, 31(14):148-155.
[14]	麻坤, 赵鹏祥, 季菲菲, 等. 基于植被指数的秦岭森林健康评价方法研究[J]. 西北林学院学报, 2013, 28(6):145-150.
[15]	方灿莹, 王琳, 徐涵秋. 不同植被红边指数在城市草地健康判别中的对比研究[J]. 地球信息科学学报, 2017, 19(10):1382-1392. doi: 10.3724/SP.J.1047.2017.01382
[16]	张日升, 张燕琴. 基于深度学习的高分辨率遥感图像识别与分类研究[J]. 信息通信, 2017(1):110-111.
[17]	李浩, 方伟泉, 李浪浪, 等. 基于深度学习的松材线虫病害松木识别[J]. 林业工程学报, 2021, 6(6):142-147.
[18]	汪晨, 张辉辉, 乐继旺, 等. 基于深度学习和遥感影像的松材线虫病疫松树目标检测[J]. 南京师大学报:自然科学版, 2021, 44(3):84-89.

影像	均值	标准差	信息熵	平均梯度	空间频率
PCA融合影像	102.7651	89.7196	5.3599	6.0688	15.3446
Pansharp融合影像	110.1021	90.9114	5.3631	7.8772	19.7200
HIS融合影像	123.0425	100.9785	5.0588	7.1121	18.9180

植被指数	均值	标准差	变异系数/%	相对极差
归一化植被指数(NDVI)	0.4094	0.2243	54.7875	4.8852
归一化绿红差异指数(NGRDI)	0.1430	0.0865	60.4895	13.9860
归一化差异红色边缘指数 (NDRE)	0.1531	0.1002	65.4474	13.0633

序号	TP/株	FP/株	FN/株	精确率/%	召回率/%
1	262	12	54	95.6	82.9
2	436	15	27	96.7	94.2
3	181	11	37	94.3	83.0
4	106	5	12	95.5	89.8
总计	985	43	130	95.8	88.3

北京三号卫星数据在松材线虫病遥感监测中的应用评价

Application Evaluation of BJ3 Satellite Data in Remote Sensing Monitoring of Pine Wilt Disease

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 18

相关文章 15

编辑推荐

Metrics

本文评价

[1]	田海静, 王林, 韩立亮, 范云豹, 杨吉林. 基于哨兵2号多光谱遥感数据的草原植被盖度反演——以内蒙古自治区为例[J]. 林业资源管理, 2022, 0(4): 134-140.
[2]	卞斐, 王红春. 黑龙江重点国有林区适用性林分形高模型研究[J]. 林业资源管理, 2022, 0(4): 20-27.
[3]	任天晨, 陈军锋, 刘楠. 山西省五台山地区近30年植被覆盖动态变化及影响因素[J]. 林业资源管理, 2022, 0(4): 89-99.
[4]	左松, 胡莉, 杨丽娜. 自然资源综合评价指标体系构建探索[J]. 林业资源管理, 2022, 0(3): 12-18.
[5]	刘顺利, 刘昌华, 张雷, 彭词清, 薛冬冬. 基于改进SSD的无人机影像松材线虫病变色木检测[J]. 林业资源管理, 2022, 0(3): 135-141.
[6]	郝帅, 王星, 张秋良, 王冰, 田原. 大兴安岭火烧迹地遥感提取研究[J]. 林业资源管理, 2022, 0(2): 75-81.
[7]	赵恺, 岳永杰, 贺嵘, 王雅倩, 乌云珠拉. 奈曼旗土地沙漠化敏感性空间分布研究[J]. 林业资源管理, 2022, 0(1): 52-60.
[8]	王伟, 杨净, 高显连, 曾伟生. 2020年全球森林资源评估遥感调查方法和思考[J]. 林业资源管理, 2021, 0(6): 1-5.
[9]	吴恒, 胥辉. 森林植被碳密度遥感反演和校准研究[J]. 林业资源管理, 2021, 0(6): 43-51.
[10]	唐金灏, 张加龙, 陈立业, 程滔. 高山松地上生物量估测与尺度转换研究[J]. 林业资源管理, 2021, 0(6): 83-89.
[11]	马博伦, 王雷, 滑永春. 北京市细颗粒污染物与土地覆被景观格局关联分析[J]. 林业资源管理, 2021, 0(4): 94-103.
[12]	肖越, 许晓东, 龙江平, 林辉. 基于国产高分数据的森林蓄积量反演研究[J]. 林业资源管理, 2021, 0(3): 101-107.
[13]	张殿岱, 王雪梅. 基于高分辨率遥感影像的植被分类方法比较[J]. 林业资源管理, 2021, 0(3): 108-113.
[14]	邱世平, 韦明新, 马依莎. 无人机遥感影像速生桉林分参数自动化提取研究[J]. 林业资源管理, 2021, 0(3): 114-119.
[15]	兰玉芳, 石小华, 马胜利, 王照利, 靳新. 中分卫星遥感技术在森林资源动态监测中的应用[J]. 林业资源管理, 2021, 0(3): 154-159.