基于無人機遙感的盛花期薇甘菊監測技術

李巖舟 覃 鋒,2 顧渝娟 韓陽春 田洪坤 喬 曦,2

(1.廣西大學機械工程學院，南寧 530004；2.中國農業科學院(深圳)農業基因組研究所，深圳 518120；3.廣州海關技術中心，廣州 510623；4.江陰海關，江陰 214400；5.東北大學機械工程與自動化學院，沈陽 110819)

0 引言

近年來，生物入侵的危害日趨嚴重[1-2]。外來入侵植物薇甘菊(Mikaniamicrantha)為多年生草本[3-4]，主要以攀援纏繞喬灌木植物，重壓冠層頂部，阻礙附主植物的光合作用，爭取水分與養分的方式造成喬灌木植物的死亡[5-7]。其自1910年蔓延到我國南方，對生態系統造成重大損害[8]。國內外學者對薇甘菊的入侵做了大量的研究，現有的薇甘菊的防治方法包括機械方法、化學方法和生物防治等，但都未能從根本上控制住其蔓延和危害[9-11]。提高薇甘菊監測精度，為薇甘菊防治提供高質量的空間分布信息，是防治薇甘菊的關鍵手段之一[5-6]。

目前對于薇甘菊的監測仍然采用以人工踏查為主的監測手段[11]，人工踏查費時費力，在一些復雜的環境下難以開展監測工作，無法對薇甘菊的分布及危害進行準確的定量評測。隨著衛星遙感分辨率提高至亞米級，衛星影像分類技術也開始應用于入侵物種識別[12-18]。無人機遙感系統具有運載便利、靈活性高、作業周期短、影像數據分辨率高等優點，以無人機遙感為工具的生態學研究在近幾年呈現出爆發式的增長[19-22]。目前已有使用無人機對薇甘菊進行監測的案例[7,12]。在野外復雜背景下，無人機遙感相比于衛星遙感，更加有利于發現入侵早期的薇甘菊，對薇甘菊的進一步預警和防治更具實際意義。

在圖像識別領域，傳統的基于色彩空間的圖像識別方法具有通用性佳、準確率高、魯棒性強等優勢，能夠實現目標的快速識別[23]。聚類分析算法[24]是常用的無監督學習方法，通過迭代的執行，無需進行預先的標注訓練，實現對數據分析和分類。深度學習[25-26]通過學習多層非線性網絡結構，將原始數據的基本屬性轉化為更具魯棒性的抽象特征，大大提高了在復雜環境中的分類精度。在野外復雜背景下，薇甘菊的繁殖多樣性以及分布情況復雜，對其進行準確識別難度大。因此，通過對比基于RGB和HSV色彩空間識別算法、K-means聚類算法和MobileNetV3深度學習算法，進一步確定更加適宜薇甘菊識別的算法。

目前氣候生態位模型GARP(Genetic algorithm rule-set production)和MaxEnt(Maximum entropy)是外來物種適生區預測研究中應用最為廣泛的模型[27-28]。生態位模型通過研究環境因子對生物適生性的影響，得到物種的大尺度分布預測及適生性分析，對生物的防治具有指導意義，但是無法依靠其進行精準防治。在小范圍內的環境因子基本相同，因此生態位模型并不適用于小尺度范圍的監測預警。近年來，結合層次分析法和模糊理論的集定性分析與定量分析于一體的綜合評估數學模型在環境沖突分析中取得了公認的潛力[29-33]。針對外來入侵植物薇甘菊的生態風險源和危害狀況，以模糊層次分析法作為生態風險評價方法和綜合評估模型有一定的研究意義。

基于以上研究，本文將以無人機搭載的高分辨率相機，獲取薇甘菊遙感航拍圖像，再用Otsu-K-means、RGB、HSV算法以及K-means-RGB、K-means-HSV、K-means-RGB-HSV融合算法和MobileNetV3深度學習算法對薇甘菊進行識別，以期實現快速、準確地獲取薇甘菊所處區域以及分布情況；基于識別結果應用模糊層次分析法以及蓋度公式，并針對薇甘菊的生態學特性，研究薇甘菊生態景觀參數與危害等級關系模型，初步構建出適合于薇甘菊的評估預警方案，以期為薇甘菊及其他入侵植物監測和早期預警提供理論基礎、技術支撐和科學依據。

1 材料和方法

1.1 材料獲取與預處理

圖像數據采集地點位于廣東省廣州市從化區海濱大道旁，地理坐標為(23°28′34″N，113°28′45″E)。圖像數據采集區域主要為農業用地，該區域蔬菜與荔枝樹相間種植，有大量的薇甘菊入侵，同時該區域內有鬼針草等入侵植物。在待監測區域采用大疆經緯600-Pro型無人機搭載尼康D850型套機組成“無人機+可見光相機”的低空遙感系統(表1)，無人機攝影高度為30 m，采取等時間2 s間隔，垂直航線攝影，設置航向、旁向重疊度均為70%，獲取連續的可見光影像數據，圖像數據采集獲取區域尺寸約為150 m×150 m。圖像采集時間是2018年11月21日至22日11:00—13:00，天氣多云。此時薇甘菊正值盛花期，已對該區域的植物生長以及農業生態環境造成明顯的損害。

表1 無人機遙感系統參數

采集共獲取高分辨率圖像429幅，單幅圖像分辨率8 256像素×5 504像素。通過Agisoft PhotoScan軟件，對采集的原始高分辨率可見光圖像進行拼接。對圖像進行排列、生成密集點云、網絡化和生成紋理4步處理獲得待監測區域的數字正射影像，圖像尺寸為30 548像素×32 023像素，如圖1所示。

圖1 研究區域整體圖

1.2 薇甘菊的識別方法

1.2.1Otsu-K-means算法

1.2.1.1算法基本原理

K-means算法是基于質心進行，該算法以K為輸入參數，把n個對象集合分為K個簇。各簇內的相似度非常高，簇之間的相似度非常低。K-means算法使用的聚類準則函數是誤差平方和準則。為了使聚類結果優化，應該使準則JK最小化。JK計算公式為

(1)

式中JK——誤差平方和準則

xk——第k個樣本

nj——第j簇樣本個數

Zj——第j簇對應的中心點

(1)給出n個混合樣本，令迭代次數I=1，選取K個初始聚合中心Zj(I)。

(2)計算每個樣本與聚合中心的距離：D[xk,Zj(I)](k=1,2,…,n)。

(5)判斷：若Zj(I+1)≠Zj(I)，則I=I+1，返回步驟(2)，否則算法結束。

1.2.1.2識別方案

首先對拼接所得圖像進行灰度處理，通過Otsu算法自主計算出最佳區域分割閾值T為0.670 6，Otsu算法的核心思想是選定的最佳分割閾值圖像的前景與背景的平均灰度差值最大化，這種最大化的差異用各區域的方差來表示。根據所得分割閾值T進行閾值分割，最后執行K-means算法，Otsu-K-means算法執行過程如圖2所示。

圖2 Otsu-K-means算法執行過程

1.2.2基于RGB、HSV色彩空間識別算法

首先建立采樣數據集，分別在RGB和HSV色彩空間下的圖像中采集，隨機抽取圖像中的10個部分薇甘菊共計100個像素點對應的三通道值，同時還按相同方法采集了圖中的綠色植物、地面、淺色植物各100個像素點，分別計算其對應的平均值、極值、方差、標準差，并進行相關的數值運算與分析。經過對比分析，各個通道的取值范圍在平均值±2倍標準差這一范圍內時薇甘菊與其他物體有較好的區分度且被遺漏的薇甘菊最少，以此作為對應通道的盛花期薇甘菊識別閾值，如圖3所示。

圖3 薇甘菊各通道數值分析

1.2.3融合算法

K-means算法和色彩空間閾值分割算法在實際應用中不僅能獨立完成圖像處理與識別任務，而且其融合算法也被廣泛應用。文獻[34]提出了一種結合模糊聚類和色彩空間的陰影檢測算法，該算法充分結合了RGB和HSV兩個色彩空間的特征通道的優勢，實現了準確的檢測。文獻[35]采用無監督學習的方法，研究舌色與疾病的關系?；贙-means算法對舌色進行二維處理，在LAB顏色空間中保留了89.63%的原始信息，提高了可視化程度。文獻[36]采用改進的K-means算法在圖像顏色空間對其進行分類，以檢測水稻葉片上的病斑，算法實現了較高的精度。文獻[37]將LAB色彩空間和改進的自適應K-means算法結合，該方法分割效果更好，并能夠較好地保留邊緣輪廓。在實際應用中，基于K-means和色彩空間閾值分割算法的融合算法解決了更多的問題，相對于獨立使用兩種算法，融合后的算法更具有潛力和價值。因此本文采用基于K-means算法進行圖像分割，再基于分割結果應用色彩空間閾值分割算法進行識別的方案，具體方案如下。

(1)基于K-means算法對整個監測區域圖像的分割結果，應用1.2.2節在RGB、HSV色彩空間下設定的識別閾值，即盛花期薇甘菊在各個通道的平均值±2倍標準差，確定K-means-RGB算法和K-means-HSV算法。

(2)根據K-means-RGB和K-means-HSV色彩空間識別算法的結果，確定K-means-RGB-HSV算法。K-means-RGB和K-means-HSV算法識別結果為二值圖，即像素點為1是盛花期薇甘菊；像素點為0是非盛花期薇甘菊，對其分別進行且運算和或運算，確定融合算法。融合后K-means-RGB-HSV算法各個像素點的取值情況如表2所示，取值結果為1時即為盛花期薇甘菊。

表2 K-means-RGB-HSV算法取值

1.2.4基于深度學習的MobileNetV3算法

在基于深度學習的遙感圖像處理任務中，選擇高精度、計算量少和參數少的骨干網絡有助于提高圖像處理速度。MobileNetV3是一種輕量級神經網絡，它充分結合了MobileNetV1的深度可分離卷積、MobileNetV2的具有線性瓶頸的倒殘差結構的優勢[38-40]。利用資源受限的平臺感知NAS與NetAdapt來搜索網絡的配置和參數，引入了輕量級注意力模型SE Block并提出一種在網絡越深越能夠有效地減少網絡參數量的新激活函數h-swish(x)，公式為

(2)

在網絡最后部分先進行平均池化，再通過1×1卷積抽取用于訓練最后分類器的特征，在保留高維特征的前提下進一步減小延時。MobileNetV3網絡塊結構如圖4所示[40]。

圖4 MobileNetV3網絡塊結構

本研究以MobileNetV3-Large模型為基礎，根據二分類識別任務對網絡最后部分進行修改，最后輸出層使用Sigmoid激活函數，從而實現對盛花期的薇甘菊進行識別。首先將正射影像裁剪成128像素×128像素的小圖，隨機抽取7 000幅小圖，挑選出包含薇甘菊的小圖1 484幅和背景5 516幅，選取80%作為訓練集和20%作為測試集。將數據集的圖像尺寸改為224像素×224像素，再進行水平、垂直隨機翻轉和正則化處理，放入模型中進行訓練。深度學習模型搭建平臺選擇Windows 10下Python 3.8和Pytorch1.8.1框架，設置迭代次數為50次，批次大小為128，初始學習率設置為0.000 5，每迭代10次學習率衰減2/3。經過50次迭代，模型在測試集上的準確率達到95.57%。再將訓練好的模型，對研究區域的正射影像進行遍歷識別，最終獲得整個研究區域的薇甘菊分布圖。

2 結果與分析

2.1 算法結果評價標準

為了評價識別算法的性能，應用Photoshop 2019軟件對待檢測圖像人工分割出目標作為真實值，采用召回率R、精確率P和均衡平均數F1值共3個評價指標進行算法實驗結果分析。

2.2 融合算法確定

為了確定最終的融合方案，根據1.2.3節中算法的識別結果，繪制混淆矩陣，如圖5(圖中TP為正確檢測到的正類數量，FN為正類被檢測成負類的數量，FP為負類被檢測成正類的數量，TN為正確檢測到的負類數量)所示?？梢钥闯鯧-means-RGB-HSV-1的TP值大幅減少而TN值增加，說明被正確識別的薇甘菊減少，被正確識別的背景增多；K-means-RGB-HSV-2的TP值明顯增多，TN值減少，說明該算法能夠更多地識別出薇甘菊，符合實際需求，因而確定最終的融合算法為取或運算的K-means-RGB-HSV-2算法。

圖5 模型識別結果混淆矩陣

2.3 算法識別結果對比分析

基于本文提出的算法，對整個監測區域自動識別，經過形態學計算，得到識別結果(圖6)。各算法召回率、精確率以及F1值如圖7所示。

圖6 監測區域各識別結果

圖7 各算法的召回率、精確率及F1值

Otsu-K-means算法對于盛花期薇甘菊辨識度強，但識別完整度較低。經過計算該算法召回率為38.73%，精確率為88.90%，F1值為53.95%。RGB(75.62%、72.59%、74.08%)和HSV(80.11%、81.82%、80.95%)算法的識別完整度較高，但識別辨識度較低，主要干擾為土地?；贛obileNetV3的識別算法(92.59%、61.62%、73.99%)，因該算法是基于小圖像的識別，其召回率較高而識別的精確率較低。K-means-RGB(89.68%、80.11%、84.63%)和K-means-HSV(81.40%、84.56%、82.95%)算法的召回率、精確率以及F1值均在80%以上，進一步提升了盛花期薇甘菊的識別效果。K-means-RGB-HSV算法的召回率為96.70%，相比于其他算法，大大提升了算法對盛花期薇甘菊識別的完整度。其F1值最高(85.29%)，識別效果優于其他6種算法。能滿足野外復雜環境下盛花期薇甘菊準確識別的要求，實現了在厘米分辨率精度下對盛花期薇甘菊的精準識別，也為進一步進行風險評估提供了保障和支撐。將識別結果標注于整個監測區域原圖中，如圖8所示。

圖8 基于識別結果的標注圖

3 薇甘菊監測與預警

3.1 薇甘菊風險評估指標體系構建

入侵物種危害等級評估對于預測和評價外來物種對環境、經濟和社會等產生的影響有著重要意義。外來物種在不同生態系統的入侵危害狀況有著巨大的差別[30]，通過對入侵物種自身生物學特性、生態學特性以及環境因素和人為因素的研究分析，可以實現更加科學的評估。因此必須建立適應本區域的外來植物入侵性風險評估體系，為外來生物入侵的防范和生態安全提供保障[41]?，F有的評估方法主要有專家打分法、途徑分析法等定性分析方法以及數理統計法、主成分分析法等定量分析方法，然而針對外來入侵生物繁殖能力強、傳播能力強以及生態適應能力強等[42]不確定性特點，集定性分析與定量分析于一體的多指標綜合評判法顯然會更加科學、全面，會更加有優勢。文獻[43]基于海南生物入侵防控及外來物種管理的需求等現狀，構建了適應于海南實際情況的外來植物風險評估模型，該模型依托層次分析法，建立了3級指標體系。文獻[44]研究了基于 Copula 模型的水電開發生態系統累積效應環境生態風險評價。從水環境、陸地生態系統和水生生態系統3方面，建立了定量與定性相結合的兩階段模糊綜合評價模型，能夠提高系統的整體性能。結合層次分析法和模糊理論的集定性分析與定量分析于一體的綜合評估數學模型在環境沖突分析中取得了公認的潛力[33]。針對外來入侵植物薇甘菊的生態風險源和危害狀況[45]，以模糊層次分析法作為生態風險評價方法和綜合評估模型有一定的研究意義。

3.1.1模糊評價法

模糊評價法可以將定性評價轉化為定量評價，在生態風險評估中，往往存在一些不確定因素導致評估結果的失真，模糊理論可以提高評價結果的可靠性[32]。模糊評價法主要根據模糊數學隸屬度理論，應用模糊關系合成的原理，通過多個系統的、全面的指標對評價目標進行科學的、綜合的評判。

具體步驟如下：

(1)確定評價對象的因素U，U=(u1,u2,…,un)。

(2)確定評價的評語等級V，V=(v1,v2,…,vn)。

(3)評判單因素，構建模糊關系矩陣

(3)

式中xij——ui對于vj的隸屬度

(4)確定評判因素權向量Y=(y1,y2,…,yn)。

(5)將Y與X合成得到B=(b1,b2,…,bm)。

(4)

(6)對B作分析處理，得到模糊綜合評價結果。

3.1.2層次分析法

層次分析法(Analytic hierarchy process，AHP)是一種系統、靈活且實用的多準則決策方法。在層次分析法中，問題是由不同層次構成的，包括目標、標準、子標準和備選方案。給定層次結構級別上的元素成對比較，以評估它們相對于下一個更高級別上的每個元素的相對權重[46]，通過對決定現象或過程結果的影響因素進行基于矩陣的兩兩比較，從而產生高質量和精確的決策。

具體步驟如下：

(1)層次結構的建立

在應用AHP決策問題時，構造出一個有層次的結構模型是重要的前提。這些層次可以分為目標層、準則層以及措施層3個層次，由于層次數是圍繞著問題復雜度來設定的，在實際使用中層次數不受限制。

(2)判斷矩陣的構造

(3)層次單排序及一致性檢驗

層次單排序是指同層次因素對于上一層某一因素相對重要性排序權值，判斷矩陣A的特征值和特征向量。公式為

AW=λmaxW

(5)

式中W——特征向量

λmax——最大特征值

最大特征值λmax及其特征向量W所有分量均為正實數。判斷矩陣的質量需要進行一致性檢查，判斷矩陣中各指標需要滿足

(6)

計算一致性指標，檢驗判斷矩陣的一致性。

一致性指標計算公式為

(7)

一致性比例計算公式為

(8)

式中RI——平均隨機一致性指標

當CR<0.10時，判斷矩陣的一致性檢驗通過。

(4)層次總排序及一致性檢驗

對于層次總排序需要進行一致性檢驗，設B層對上層(A層)中因素A(j)(j=1，2，…，m)的層次單排序一致性檢驗指標為CI(j)，相應的平均隨機一致性指標為RI(j)，則B層的總排序隨機一致性比例為

(9)

當CR<0.10時，層次總排序一致性通過，并接受該分析結果。

3.1.3風險評估指標體系構建

采用文獻調查和專家咨詢方法，構建薇甘菊風險評估指標體系。指標體系由5個二級指標和12個三級指標組成。運用模糊理論和層次分析法對各級指標賦予了一定的權重，確定薇甘菊風險評估指標體系以及權重，如圖9所示。

圖9 薇甘菊危害等級評價層次結構模型

評估體系的第1級指標，即目標層是薇甘菊入侵危害等級評估，是最終風險評級達到的目的；研究的第2級指標，即準則層是由5個主要評價因素構成，分別是入侵性、適生性、擴散性、危害性以及防治可行性，該評價因素是通過對薇甘菊的生物特性、生態環境及人文社會多因素綜合考究設定的。研究的第3級指標，由隸屬于準則層的12個具體的影響因子構成。這些影響因子是對準則中5項指標的細化，為整個模糊綜合評價系統的實施提供支撐，不僅有助于定性模糊復雜問題，還可使定量數據化問題更加科學化、簡單化以及可行化。

3.2 薇甘菊生物量估算

薇甘菊生物量的估算是薇甘菊危害等級定量評估模型的重要參考依據，其生物量的估算模型主要依托于薇甘菊的生物學、生態學特性，結合不同生境條件下對薇甘菊地上部生物積累量與其附主植物的數值關系來進行計算。

根據2014年云南省農業科學院農業環境資源研究所對異質環境下入侵植物薇甘菊的適生性與繁殖特性調查結果，引用了與本課題監測區域相近經緯度地區的農田用地薇甘菊實驗結論。農田生境條件下薇甘菊地上部分生物量積累影響情況參照文獻[47]計算，其中薇甘菊總生物量為(13.85±0.88)g，薇甘菊花生物量為(0.68±0.06)g。據此確定了監測區域圖像單位像素點的面積為0.23 cm2，單位像素點對應的薇甘菊花生物量和總生物量分別為0.14～0.17 g和2.98～3.39 g。

3.3 薇甘菊蓋度計算

薇甘菊主要以攀援纏繞喬灌木植物，重壓冠層頂部，阻礙附主植物的光合作用，爭取水分與養分的方式造成喬灌木植物的死亡。蓋度是樣地受侵害植物被薇甘菊藤葉覆蓋(投影)面積占樣地面積的百分比。由于薇甘菊是通過覆蓋附主植物從而危害植物，在小范圍內，薇甘菊的生長環境、天敵情況、生長速度等基本相同，所以蓋度是衡量薇甘菊對附主植物危害程度的最主要的標度。

根據3.2節可知薇甘菊單位像素點總生物量和單位像素點花生物量，圖像識別結果可得薇甘菊的花像素個數以及圖像總像素個數，根據計算得出薇甘菊總生物量在圖像上的像素值，從而得到薇甘菊的蓋度C公式為

(10)

式中M1——薇甘菊單位像素點總生物量

M2——薇甘菊單位像素點花生物量

P1——圖像總像素個數

P2——薇甘菊花像素個數

3.4 薇甘菊危害等級劃分

參考國內外入侵植物風險分級方法和實際案例，建立薇甘菊入侵風險評測表，共建立5個風險值范圍，如表3所示?；贙-means-RGB-HSV算法的識別結果，將整個監測區域劃分為不同尺寸的網格，根據蓋度計算公式以及5個風險值范圍，得出不同危害等級各個網格內的花像素值范圍。再計算每個網格內的花像素值，將所得單個網格作為一個像素，其值設置成相應的蓋度范圍內的灰度。

表3 薇甘菊入侵風險評測標準

3.5 薇甘菊入侵預警可視化

取出每一個存在薇甘菊的像素點位于圖像中的坐標，對各個坐標取輻射半徑為R創建一個緩沖區，由中心(中心點灰度)到邊界(灰度為0)漸進地填充灰度，對于有緩沖區交叉的區域，可以疊加灰度，繪制熱力圖。此處的半徑是薇甘菊的輻射半徑，即出現薇甘菊花的位置，其輻射半徑R內都為危害區。選取網格尺寸為1、2、3、4 m，輻射半徑R為2、4、6像素，繪制了在不同網格尺寸和輻射半徑下的熱力圖。

從圖10中可看出，在相同網格尺寸下，隨著輻射半徑R的增大，薇甘菊的分布面積迅速增大；在相同輻射半徑R下，隨著網格尺寸的增大，薇甘菊分布熱力圖的精度不斷下降，同時分布面積也相應有所增加。網格尺寸和輻射半徑R的選擇，會對結果產生很大影響。網格過大以及半徑過大，都會導致監測精度降低。而過小的網格劃分以及過小的半徑，會占用大量的算力資源，并且容易使得部分實際存在薇甘菊的區域未能得到體現。在實際應用中應綜合考量所需精度，以及設備的算力資源，對網格尺寸、半徑合理選擇。

圖10 預警熱力圖

4 討論

本文主要基于無人機遙感高分辨率可見光圖像，利用Otsu-K-means、RGB、HSV算法以及K-means-RGB、K-means-HSV、K-means-RGB-HSV融合算法和MobileNetV3算法對野外復雜環境下的盛花期薇甘菊精準識別做了初步研究，并對構建盛花期薇甘菊危害等級評估模型做了初步探索。

在識別算法方面，Otsu-K-means算法對薇甘菊的辨識度強，但召回率很低，造成漏識別多，識別效果差。RGB、HSV算法的識別完整度較高，但精確率較低，造成誤識別多。從K-means-RGB、K-means-HSV和K-means-RGB-HSV算法的結果可以看出，融合后的算法相較于融合之前均是在精確率稍微降低的前提下，召回率及F1值有較為明顯的提升，原因是K-means算法的融入，可以有效減少土地對RGB和HSV算法的干擾，從而提升算法的識別效果。MobileNetV3算法的召回率高，但由于其是針對小圖的識別，識別為薇甘菊的小圖中，會存在并未充滿薇甘菊的情況，因此識別的精確率較低。在本文中識別的對象是入侵物種薇甘菊，防控的需求是在保證一定的識別精度下，盡可能全面地發現薇甘菊，從而降低因漏識別而造成的薇甘菊再次爆發的風險，召回率和精確率都不能單獨評估模型的好壞，因此選擇綜合指標F1值作為最終的評價指標。其中基于K-means-RGB-HSV融合算法的F1值最高，能夠滿足對盛花期薇甘菊的識別監測需求。

在生態評估方面，基于本文實際監測區域環境狀況、監測面積以及監測圖像像素，構建了薇甘菊風險評估指標體系，對整個監測區域的薇甘菊生物量和蓋度進行了評估計算并劃分了不同的危害等級?；谟嬎憬Y果繪制了不同尺寸網格、不同輻射半徑的熱力圖，建立了在小尺度范圍內精準的薇甘菊危害分布熱力圖。國內外的文獻中，對生物入侵的評估方法中，多為大尺度范圍內的評估，如生態位模型是對某一國家或地區的層面，利用環境因子對某種生物在該區域的適生性進行預測；層次分析法也是針對某一市級單位，在較大尺度范圍內，對各個評估因子進行綜合評估，其所使用的評估因子，在小尺度范圍內，很難量化，所以并不適用于小尺度范圍的預警。本文所建立的小尺度范圍的薇甘菊風險評估指標體系，不僅可以清晰地體現薇甘菊的危害情況，而且可以準確地定位薇甘菊入侵的高危區域，實現薇甘菊精準識別監測及風險評估管理的監測機制。

5 結論

(1)Otsu-K-means算法對于盛花期薇甘菊辨識度強，但識別完整度較低，最佳分割閾值T為0.670 6，在進行聚類時，K值取2及以上時可以有效區分盛花期薇甘菊。RGB和HSV算法的識別完整度較高，但識別辨識度較低，設定各個通道的取值范圍在取樣平均值±2倍標準差作為閾值，可以使薇甘菊與其他物體有較好的區分度且被遺漏的薇甘菊最少。本文深度學習算法是基于小圖的分類識別，算法的召回率為92.59%，而識別的精確率低。

(2)K-means-RGB和K-means-HSV算法的召回率、精確率以及F1值均在80%以上，進一步提升了盛花期薇甘菊的識別效果。K-means-RGB-HSV算法的的召回率為96.70%，相比于其他算法，大大提升了算法對盛花期薇甘菊識別的完整度。其F1值最高(85.29%)，識別效果優于其他6種算法，能滿足野外復雜環境下盛花期薇甘菊準確識別的要求，實現了在厘米分辨率精度下對盛花期薇甘菊的精準識別，也可為進一步進行風險評估提供保障和支撐。

(3)基于本課題實際監測區域環境狀況、監測面積以及監測圖像像素，構建了薇甘菊生物量估算模型，確定了研究區域圖像單位像素點對應的薇甘菊花生物量為0.14～0.17 g，單位像素點對應的薇甘菊總生物量為2.98～3.39 g。薇甘菊入侵預警的可視化，選擇過大的網格尺寸和輻射半徑，會導致薇甘菊的監測精度降低。過小的網格尺寸和輻射半徑會占用大量計算資源，在實際應用中應根據所需精度、算力支持綜合選取。繪制所得熱力圖邊緣過渡平滑，形成了閉合的危害區域，能更好地定位薇甘菊入侵的高危區域。