-
GF-2卫星是中国第1颗空间分辨率优于1 m的民用光学遥感卫星,卫星可提供1 m全色/4 m多光谱分辨率平面影像,在森林资源调查、土地利用动态监测、环境保护与监测等领域提供服务支撑,发挥重要作用。目前,中国已经成功绘制全国林地“一张图”,是通过高分辨率遥感影像、全国林地落界数据、二类调查资料、基础地理信息等多源数据集合,以林地界线为核心内容,构建的中国林业有史以来可动态监测、及时决策的林地资源管理系统[1],取得了较好的应用效果,高分辨率遥感影像作为其中重要的一部分,主要用来提取林地及林木参数等信息,为林业数据库的建设提供了重要的基础数据支撑。因此,应用高分辨率国产卫星数据解决实际问题成为林业发展的重要趋势。影像融合是对遥感影像数据高效利用的重要手段,它综合了影像在光谱分辨率和空间分辨率上的优势,既提高了多光谱影像的分辨率,又保留其多光谱特性,从而增强解译的可靠性,提高分类精度[2]。在以往的研究中,遥感影像融合算法主要包括彩色技术、数学运算、图形变换等3种。彩色技术包括HSV变换(hue-saturation-value,颜色空间变换)等;数学运算包括Brovey变换(彩色标准化变换)等;图形变换包括PC变换(principle components,主成分变换)、HPF变换(high-pass fusion,高通滤波变换),GS变换(gram-schmidt,正交化变换)、Pansharp变换(超分辨率贝叶斯变换)等[3]。HSV算法采用全色影像替换多光谱影像的亮度分量,使HSV变换在增强多光谱影像空间细节表现能力的同时,也带来了较大的光谱失真;Brovey变换只能而且必须同时对3个波段进行融合运算,该变换在增强影像的同时保持了原多光谱影像的光谱信息[4];PC变换可以使所有的波段参与融合,可以更好地保留图像的光谱信息[5];HPF变换对于影像纹理和细节处理方面效果较好,但色彩的层次感一般[6];GS变换有明确的数学意义,对待融合的遥感影像无波段数限制,并且具有较高的光谱信息保持度;Pansharp变换对人为主观因素与数据本身质量的依赖性较小,光谱和细节特征保真度高[7]。针对不同的数据源,郑中等[8],郭会敏等[9],王海江等[10],王华斌等[11],陈春华等[12]分别对QuickBird,GF-1,资源一号02C星,资源三号,WorldView-2卫星数据全色和多光谱数据进行影像融合试验,并通过质量评价选择出适宜于影像的最优融合方法。目前研究中对于GF-2影像的融合基本未见报道,其影像数据特征与QuickBird,WorldView-2等卫星数据不完全一致,适合于现有卫星影像的融合方法不一定适合于GF-2卫星影像。因此,针对目前常用的融合方法,探究适合于林地信息提取的GF-2影像融合算法,为林业行业中大范围使用GF-2影像融合应用提供参考具有重要意义。本研究以GF-2高分辨国产卫星数据为数据源,采用6种常用的影像融合算法针对林区样地影像进行融合试验,通过目视分析和定量比较进行影像融合质量评价,并通过面向对象分类方法对不同地类进行提取分析,研究不同影像融合算法在地类信息提取上的适用性,最终选择出适宜于GF-2影像林地信息提取的融合算法,为林地信息提取、林地变化动态监测等应用提供参考。
-
本研究区位于北京市延庆县,经纬度范围为40°27′~40°32′N,115°44′~115°52′E,研究范围为10 km × 10 km。数据使用GF-2遥感数据,采集时间2015年5月2日,基本无云,影像质量较好。包括有林地、灌木林地、水体、耕地、未利用地等多种地物类型,且各种地物所占比例相当。
为保证影像融合的质量,全色影像与多光谱影像对应像元需保证较高的一致性,因此,试验在GIS中进行几何校正,并使用ENVI以1:10 000数字高程模型(DEM)及0.5 m航片作为基准影像进行正射校正,校正误差控制在1个像素以内。
-
本研究采用高分辨影像应用较多的6种融合算法对GF-2全色和多光谱影像进行融合试验:HSV变换[4]、Brovey变换[4, 13]、PC变换[14]、HPF变换[6]、GS变换[15]和Pansharp变换[16]。其中HPF变换由ERDAS IMAGINE 2014软件实现,Pansharp变换基于PCI Geomatica 2013软件平台,其余融合算法均由ENVI 5.0软件实现。由于HSV变换和Brovey变换融合多光谱影像只能由3个波段参与,因此,本研究分别选择BAND2(G),BAND3(R),BAND4(NIR)与全色波段进行融合,其余融合算法均采用四波段多光谱影像和全色影像融合。
-
为了比较不同方法的融合效果,用2种方法进行评价[16-18]:一是基于视觉效果的定性分析,关注影像的整体亮度、光谱保真度、清晰度和空间纹理特征等,这种方法简单且具有主观性,依赖于评价者的经验;二是基于数理统计的定量特征分析,能减少对融合影像评价的随机性使评价结果更客观,主要从整体影像特征和不同地类纹理特征等方面进行评价分析,整体影像特征主要包括均值、平均梯度、光谱相关系数、高频信息融入度等指标,纹理特征包括熵值、二阶矩等指标。为了更好地判断融合影像的纹理特征,本研究参照参考文献[3],选择水域、建筑用地、耕地、林地等4块不同的区域进行熵值与二阶矩指标分区域分析。本研究中,光谱相关系数和二阶矩指标的计算由ENVI软件实现,其余指标的计算都由Matlab实现。定量分析指标公式[15-19]如下。均值:
$$ v = \frac{1}{{M \times N}}\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {F\left( {i,j} \right)} } 。 $$ (1) 式(1)中:M,N为图像的行列数,F(i, j)为融合后影像的灰度值。平均梯度:
$$ \bar G = \frac{1}{{\left( {M - 1} \right) \times \left( {N - 1} \right)}} \times \sum\limits_{i = 1}^{M - 1} {\sum\limits_{j = 1}^{N - 1} {\sqrt {\frac{{{{\left( {{F_{\left( {i,j} \right)}} + {F_{\left( {i + 1,j} \right)}}} \right)}^2} + {{\left( {{F_{\left( {i,j} \right)}} + {F_{\left( {i,j + 1} \right)}}} \right)}^2}}}{2}} } } 。 $$ (2) 式(2)中:M,N为图像的行列数,F(i, j)为融合后影像的灰度值。光谱相关系数:
$$ C = \frac{{\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {\left\{ {\left| {{R_{\left( {i,j} \right)}} - {v_R}} \right| \times \left| {{F_{\left( {i,j} \right)}} - {v_F}} \right|} \right\}} } }}{{\sqrt {\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {\left\{ {{{\left| {{R_{\left( {i,j} \right)}} - {v_R}} \right|}^2}} \right\}} } \times \sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {\left\{ {{{\left| {{F_{\left( {i,j} \right)}} - {v_F}} \right|}^2}} \right\}} } } }}。 $$ (3) 式(3)中:R(i, j)为融合前多光谱影像的灰度值,vR,vF分别为融合前后2幅多光谱影像的均值。高频信息融入度:
$$ H = \frac{{\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {\left\{ {\left| {{P_{\left( {i,j} \right)}} - {v_P}} \right| \times \left| {{F_{\left( {i,j} \right)}} - {v_F}} \right|} \right\}} } }}{{\sqrt {\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {\left\{ {{{\left| {{P_{\left( {i,j} \right)}} - {v_P}} \right|}^2}} \right\}} } \times \sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {\left\{ {{{\left| {{F_{\left( {i,j} \right)}} - {v_F}} \right|}^2}} \right\}} } } }}。 $$ (4) 式(4)中:P(i, j)为重采样到融合后影像像元大小的全色影像的灰度值,vP分别为重采样后全色影像的均值。熵值:
$$ E = - \sum\limits_{i = 1}^L {{P_i}{{\log }_2}{P_i}} 。 $$ (5) 式(5)中:Pi为影像中灰度值为i的概率密度,L为图像灰度级数。二阶矩:
$$ {S_{\rm{M}}} = \sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {G{{\left( {{X_{i,j}}} \right)}^2}} } 。 $$ (6) 式(6)中:G(Xi,j)为灰度共生矩阵元素。
-
为探讨各方法对林区影像的适用性,研究基于eCognition软件采用面向对象的KNN分类方法,通过多尺度分割,利用对象的灰度信息、空间特征、纹理信息等,进行地类提取分析,对6种融合算法的效果进一步对比,并建立基于地类提取结果与外业实地调查结果面积的混淆矩阵,进行定量评估,评估指标包括总体精度、生产者精度、使用者精度及Kappa系数。为了进一步探究不同融合算法对不同森林类型的提取效果,研究增加有林地地类的分类结果。
-
从各融合影像中截取1块包含多种地类的子区域(图 1)。6种算法融合后的影像空间分辨率较原始多光谱影像都有了较大的提高,更容易判读。其中HSV和HPF融合影像中建筑物、道路及水体轮廓最为清晰,更利于该地类的提取;Brovey和HSV融合算法的植被区纹理更清晰,层次感和对比度更好。PC融合算法在纹理效果上没有得到明显提高,林区边缘清晰度较低,融合效果较差;GS融合算法则在色调上有较大的改变,目视效果不佳;Pansharp融合影像颗粒感较强,目视效果一般。因此,从目视经验角度认为,对于GF-2卫星影像,使用Brovey和HSV融合算法在林地信息提取上较另外4种算法更为适合。
-
均值反映影像像素的平均灰度值即平均亮度,均值适中则色调自然。除了Brovey和HSV方法,其余4种方法各波段均值与原始影像均值接近,说明Brovey和HSV算法光谱信息损失较为严重,其余融合结果亮度适中(表 1)。平均梯度反映影像的清晰度,其值越大表示影像层次越丰富、对比度越大。在本次试验中6种方法各波段平均梯度在原始影像上都有了较大程度的提升,除了HSV融合结果的B波段外平均梯度增幅均在50%以上,说明其融合结果的清晰度和对比度提高显著。光谱相关系数反映影像光谱信息的保持性,相关系数越高说明融合对于原始影像光谱信息改变越小。HPF融合结果在R,G,B波段上的值最大(>0.4);在NIR波段上,HSV算法的值高达0.8,保持光谱特征上优于其他算法。高频信息融入度反映融合影像波段与全色波段的相关性,其值越大表示融合影像更好地继承了全色波段的空间信息特征。Pansahrp和GS算法在R,G,B波段的值都远高于其他几种算法,NIR波段上HSV和Pansahrp算法的值超过0.5,更好地继承了全色波段的空间信息。另外,植被反射率极高的NIR波段对于林地信息提取具有重要的意义,除HPF算法在NIR波段光谱相关系数低于其他波段,GS算法在NIR波段高频信息融入度低于其他波段,其余各算法在光谱相关系数和高频信息融入度上均优于其他波段,表明NIR波段在继承光谱信息和全色波段的空间信息特征上比其他波段更有优越性。HSV算法下光谱相关系数和高频信息融入度分别达到0.823和0.570,Pansharp算法次之,分别为0.603和0.501。由此推测,这2种影像融合算法在林地信息提取上具有更大的潜力。
表 1 原多光谱影像各波段与融合影像整体影像特征对比表
Table 1. Contrast on indexes of each band between multi-spectral image and fusion images
影像/方法 波段 均值 平均梯度 相关系数 高频信息融人度 原始影像 R 1 198.725 3.124 G 1 295.094 3.679 B 1 203.466 4.255 NIR 2 006.270 6.043 PAN 305.893 12.847 彩色标准变换 (Brovey) G 106.712 13.285 0.105 0.328 B 86.911 9.939 0.215 0.298 NIR 112.739 12.815 0.740 0.373 颜色空间变换 (HSV) G 103.394 6.254 0.261 0.207 B 83.878 4.257 0.240 0.223 NIR 108.964 4.961 0.823 0.570 正交化变换 (GS) R 1 197.940 54.319 0.210 0.475 G 1 294.331 55.066 0.204 0.474 B 1 202.743 54.543 0.242 0.479 NIR 2 007.082 57.072 0.279 0.376 高通滤波变换 (HPF) R 1 120.665 54.261 0.403 0.287 G 1 217.212 54.707 0.404 0.293 B 1 125.426 55.394 0.403 0.297 NIR 2 011.079 21.692 0.111 0.481 主成分变换 (PC) R 1 117.781 41.135 0.170 0.357 G 1 214.369 42.257 0.172 0.356 B 1 122.488 41.237 0.166 0.361 NIR 2 011.442 50.553 0.181 0.375 超分辨率贝叶斯变换(Pansharp) R 1 086.786 53.438 0.103 0.427 G 1 091.470 53.829 0.358 0.437 B 1 183.465 55.879 0.358 0.432 NIR 2 011.589 60.308 0.603 0.501 说明:相关系数表示融合后波段与原始多光谱对应波段的相关性。 -
随机选择水域、建筑用地、耕地、林地等4块区域分析其熵值与二阶矩指标,其中,林地、耕地与建筑用地50 m×50 m样地各30块,水域50 m×50 m样地15块,10 m×10 m样地10块。熵值表示影像所包含的信息量,熵值越大则影像空间细节丰富。分析熵值指标统计图(图 2),影像融合对于林地的熵值增加最为明显,HSV,Pansharp等2种融合算法信息熵分别为2.10,1.82,较原多光谱影像信息熵(1.45)均提高达25%以上,信息量改善良好。二阶矩又叫能量,二阶矩越小说明影像灰度分布均匀、纹理细致。分析二阶矩指标统计图(图 3)发现林地的二阶矩增益较为明显。在林地中,HSV和Pansharp融合影像的二阶矩分别为0.13,0.19,较原始多光谱影像二阶矩(0.31)均有显著改善,其中HSV改善效率超过50%。综合2个纹理特征指标,HSV和Pansharp算法对纹理具有稳定和显著的改善,其中HSV在增益效果上更具优势,融合影像信息量最大,纹理最为细致。
-
为了探究各融合算法下的影像质量及在林地信息提取上的应用效果,本研究利用面向对象多尺度分割的方法,结合光谱、纹理和空间信息等特征值进行KNN分类,分割尺度为220,形状因子0.1,紧实度因子0.5,分类结果部分区域如图 4所示。本研究利用原始多光谱影像,结合2014年森林资源二类调查数据,选择7种地类的典型样本共274个作为分类样本,并实测全球定位系统(GPS)点148个作为验证样本(表 2)。使用eCognition软件建立基于样本的混淆矩阵,分类精度见表 3。
表 2 研究区各地类样本数量表
Table 2. Sample's number of surface features on the study area
地类 分类样本 验证样本 有林地 80 43 草地 36 20 耕地 40 21 苗圃 20 7 水域 25 16 城矿居民用地 38 21 未利用地 35 20 总数 274 148 表 3 研究区地类分类精度对比表
Table 3. Contrast on classification accuracy of surface features on study area
地类 精度(生产者精度/使用者精度)/% Mul Brovey HSV GS HPF PC Pansharp 有林地 83.02/71.43 86.05/90.24 97.67/87.50 79.60/66.67 83.72/90.70 75.12/66.37 86.05/67.27 草地 95.00/86.36 99.61/99.36 95.00/99.80 77.17/79.93 99.16/76.92 99.31/86.96 95.00/99.20 耕地 33.33/87.5 57.14/99.80 61.90/92.86 29.05/50.00 47.62/99.24 66.67/60.87 57.14/75.00 苗圃 86.71/54.54 99.03/50.00 85.71/85.71 71.43/45.45 57.14/57.14 71.43/71.43 98.79/50.00 水域 43.75/98.17 87.50/98.00 93.75/99.62 99.05/94.12 93.75/93.75 93.75/88.23 93.75/93.75 城矿居民用地 85.71/60.00 90.48/59.38 66.67/58.33 71.43/53.57 80.95/56.67 57.14/35.3 52.38/68.75 未利用地 50.00/71.43 70.00/93.33 80.00/80.00 35.00/75.00 75.00/88.24 30.62/8.53 40.00/66.67 总精度/Kappa系数 72.30/0.66 83.10/0.79 85.14/0.82 71.52/0.62 80.40/0.76 63.51/0.56 78.75/0.68 从总体精度和Kappa系数指标来看,HSV变换融合结果分类精度最高,总精度为85.14%,Kappa系数0.82,较原始多光谱影像分类精度提高了约13%,其次是Brovey,HPF及Pansharp变换,PC变换融合影像分类精度为63.51%,低于原始多光谱影像分类精度(72.30%),说明对于GF-2影像来说并不是所有融合变换都能增强影像信息提取的能力。
在对有林地信息提取精度上,HSV和Brovey变换生产者精度分别为97.67%,86.05%,使用者精度分别为87.50%,90.24%,较其他融合变换有明显的优势,GS变换和PC变换不适宜提取林地,生产者角度和使用者精度均较低。
对草地分类中,除GS变换和HPF变换使用者精度较低外,其余变换均较高,Brovey,HSV和Pansharp变换使用者精度都超过90%,适宜草地的提取。对耕地提取中,除GS变换外,其余5种变换都较原始多光谱影像分类有所提高,其中Brovey变换使用者精度最高,PC变换生产者精度最高,适于耕地提取。苗圃地提取分析中,Brovey和Pansharp变换生产者精度较高都在95%以上,HSV变换使用者精度最高约85.71%。其他3种方法不适宜苗圃地类提取。水域提取分析中,对比其他地类提取,6种融合图像的生产者精度和使用者精度均较高。相比较而言PC变换不适宜提取水体,生产者精度较低。城矿居民用地提取分析中仅Brovey变换在生产者精度上有了显著的提升,适于城矿居民用地的提取。
为了进一步研究不同融合变换影像对有林地地类中森林类型信息提取效果,本研究利用上一步中有林地地类矢量与影像中NDVI大于0.35且Brightness小于1 500的矢量叠加,重叠区作为有林地范围,进行再次分割和KNN分类,分为阔叶林、针叶林、混交林3个地类。分割尺度为100,形状因子0.1,紧实度因子0.5。分类样本共128个,并实测GPS点阔叶林30个、针叶林30个以及混交林30个作为验证样本,使用eCognition软件建立基于样本的混淆矩阵,分类精度见表 4。
表 4 研究区有林地内分类精度对比表
Table 4. Contrast on classification accuracy of woodland on study area
林分 精度(生产者精度/使用者精度)/% Mul Brovey HSV GS HPF PC Pansharp 阔叶林 73.33/62.86 86.67/76.92 73.44/59.10 90.00/71.05 80.00/55.26 76.67/64.52 83.33/70.37 针叶林 57.70/60.00 80.77/84.00 67.70/48.39 61.54/69.57 63.85/63.63 54.30/54.17 65.54/57.12 混交林 22.45/33.33 70.00/46.67 54.30/38.46 32.64/40.00 44.56/50.00 32.64/27.27 40.00/36.36 总精度/Kappa系数 59.10/0.47 75.72/0.63 66.67/0.51 68.18/0.54 71.10/0.59 64.54/0.51 72.58/0.60 可见,Brovey和Pansharp变换融合结果在有林地内分类精度最高,总体精度分别达到75.72%和72.58%,Kappa系数分别达到0.63和0.60,其次是HPF和GS变换,PC变换融合结果分类精度最低。阔叶林分类生产者精度普遍高于针叶林,GS,Brovey,Pansharp和HPF变换均达到80%以上,混生林总体分类精度低,仅有Brovey和HPF变换融合结果在生产者精度及使用者精度均能达到50%以上。因此,在森林类型层次的林地信息提取中采用Brovey或Pansharp融合算法更为适宜。
-
影像融合是为了使不同数据源实现优势互补,从而对影像数据高效利用。针对基于GF-2影像面向林地信息提取的遥感影像融合算法选择问题,本研究选择6种具有代表性的融合算法(HSV变换,Brovey变换,PC变换,HPF变换,GS变换,Pansharp变换),在采用目视与定量特征分析的传统影像质量评价基础上,辅助面向对象分类林地信息效果分析。在融合影像整体质量方面,HSV和Pansharp变换目视效果较好,其中Pansharp变换在在光谱继承和增强信息纹理方面取得了较好的平衡,光谱相关系数及高频信息融入度都较高,对纹理具有稳定和显著的改善。传统的目视及定量指标分析有一定的合理性,但也缺乏针对性,难以对不同层次的森林类型的信息提取作出比较,具有局限性。
在基于融合影像的面向对象分类中,HSV,Brovey,HPF变换总体分类精度较高,其余3种方法在个别类型中具有明显劣势。对于林地信息提取的最优融合算法需根据应用的具体层次来选择,在有林地层次的信息提取中HSV变换较为适宜,在森林类型信息提取则采用Brovey和Pansharp变换更为有效。因此,综合融合影像整体质量及分类精度,针对GF-2影像的林地信息提取,HSV及Pansharp变换的融合效果优于其他4种算法,可为GF-2影像在林业行业大规模融合提供参考。不同融合方法对不同地类信息的提取各有优势。在进行森林动态监测、地类信息提取、地块变化等不同林业遥感工作中,需考虑具体情况及地类信息比例选择合适的融合方法。
-
感谢中国林业科学研究院资源信息研究所为本研究提供的GF-2卫星影像数据。
Comparison of fusion algorithms for GF-2 data from extracted forestland information
-
摘要: 针对林业部门目前常用的遥感影像融合算法,探究适合于林地信息提取的GF-2影像融合算法。以GF-2卫星1 m全色/4 m多光谱分辨率平面影像为数据源,采用HSV变换(hue-saturation-value,颜色空间变换),Brovey变换(彩色标准化变换),PC变换(principle components,主成分变换),HPF变换(high-pass fusion,高通滤波变换),GS变换(gram-schmidt,正交化变换),Pansharp变换(超分辨率贝叶斯变换)等6种常用融合算法,通过目视和定量特征分析对融合效果进行评价,并结合面向对象分类方法对融合后影像进行地类信息提取和分析,探讨6种融合算法对GF-2影像在林区地类提取的适宜性。研究结果表明:基于Brovey和HSV算法的融合结果目视效果良好,清晰度与纹理增强明显;这2种融合算法影像在不同地类信息的提取上各有优势,HSV算法融合结果在不同地类的提取上效果最好,分类总精度可达85.14%,Brovey算法融合结果则在森林类型的提取上具有最高的分类总精度,为75.72%;其余4种融合算法在图像质量及其他地类提取中各有优势,具体融合算法的选取需根据应用目的和影区应用区域的实际情况而定。该研究可为林业部门提高GF-2卫星的适用性及大规模应用提供参考。Abstract: To obtain an optimal method for image enhancement of GF-2 forestry area data, six frequently-used methods were analyzed:Brovey transformation; hue, saturation, and value (HSV) transformation; Principle Component (PC) spectral sharpening; high pass filter (HPF) spectral sharpening; Gram-Schmidt spectral sharpening; and Pansharp transformation. Qualitative and quantitative analyses were used to assess the effect and quality of the fusion images. Indexes include mean, average gradient, high-frequency information integration, correlation index, entropy index and second moment index. Among them, correlation index and second moment index were calculate by ENVI, other indexes were all by Matlab. Furthermore, to access an appropriate fusion method for GF-2 forestland data extraction, fusion images were classified by performance of fusion methods at two information extraction levels based on an object-oriented classification method. All the transformations used the same parameter and methods on each level, and use the same samples to classify and accuracy check. Results showed that correlation index and high-frequency information integration of HSV transformation could reach 0.823 and 0.570, respectively. In addition, the entropy index and second moment index could improved 25% and 50% compared to original multiple image, respectively. It had a better visual effect with obvious enhanced clarity and texture features. For classification experiments, HSV and Brovey transformations had their own superiority for the extraction of different classes with the HSV transformation having the highest overall classification accuracy of 85.1% and the Brovey transformation having the highest accuracy on the second level of 75.7%. The other four methods had different advantages for quality and information extraction of the fusion images. Thus, the final selection of fusion methods should consider practical forestry application and image information which could provide a reference for GF-2 images to be applied on a large scale in forested areas.
-
Key words:
- forest management /
- image fusion /
- forestland /
- GF-2 data /
- object-oriented image classification
-
小贯小绿叶蝉 Empoasca onukii在中国茶园广泛分布,是对茶树Camellia sinensis危害最大的害虫之一[1]。小贯小绿叶蝉对茶树嫩茎、嫩叶的刺吸会导致茶叶焦枯,抑制茶树正常生长,严重影响茶叶的产量和品质[2−3]。游猎性蜘蛛(游猎蛛)作为一种捕食性天敌,捕食量大、行动活跃、捕食范围广,对防治害虫、调节生态系统平衡都有重要作用[4−6]。利用天敌与害虫之间的捕食关系对茶园害虫进行生物防治的方法已有诸多报道[7−16],这些研究大都直接讨论天敌与害虫之间的关联,对于不同种天敌之间的竞争作用却极少研究。但单一地增加茶园害虫的优势种天敌等势必会导致整个茶园生态系统的不稳定[17−18]。FAUST等[19]将2个物种之间的作用关系分为中性、竞争、偏害、寄生、捕食、偏利和互利共生等几种类型。天敌和害虫之间的关系分为捕食和寄生2种类型,天敌之间为了争夺资源多数是竞争关系[20]。除了天敌与害虫之间的捕食和被捕食关系外,各天敌之间的竞争关系也需要得到重视。因此,从生物多样性等多维度对茶园整个生态环境进行调控更有利于长期高效防治茶园害虫,以达到绿色环保的平衡调节作用[21]。
在昆虫种群数量生态学的研究中,对害虫及天敌数据的统计分析通常为抽样分析,采用的分级方式为连续等分分级,这会使得不同精度级宽下的结果具有主观性和偶然性。张书平等[22]将Fuzzy分级法与灰色关联度法相结合研究茶园与假眼小绿叶蝉 Empoasca vitis数量上关系密切的天敌种类,是一种较好的种间关系研究方法。多数学者对林木种间竞争的研究较多[23],未见对茶园各天敌种间竞争关系的报道,将数据按不同方式分级后再研究种间竞争关系的研究更少。为此,本研究运用灰色关联度法,并将Fuzzy分级法与竞争系数法相结合,研究‘农抗早’‘Nongkangzao’和‘平阳特早’‘Pingyangtezao’茶园游猎蛛取食小贯小绿叶蝉的种间竞争关系,并通过竞争强度指数验证所得结论,为茶园合理保护和利用种间竞争关系强的天敌,有效防治小贯小绿叶蝉提供科学依据。
1. 材料与方法
1.1 调查地点和时间
在安徽农业大学科技示范园(31°56′N,117°12′E)中共调查了2种茶园,分别为‘农抗早’和‘平阳特早’茶园,面积均为0.2 hm2。调查时间为2021年3月25日至11月19日,隔15 d调查1次,共14次。茶园互不相连,按常规措施管理。在春茶采摘结束和秋末进行茶树修剪,并且在秋末进行茶园耕翻,加强秋冬季管理,及时除草、修剪茶树和采摘茶叶,诱杀和人工捕杀害虫,不施用化学农药。
1.2 调查方法
采用平行跳跃法在茶园随机选取3行,每行茶树相隔1 m,在每行间隔1 m处设置1个2 m×1 m的样方,每行取10个样方,每个茶园取30个样方。用目测调查的方式在每个样方随机选取10片叶,调查一些不易振落的害虫及天敌的种类和数量,再用盘拍法对样方中所有枝条进行盘拍(盘拍所用搪瓷盘口长为40 cm,宽30 cm,搪瓷盘上喷洒稀释1 000倍的洗衣粉水溶液)。调查记载盘中害虫及天敌物种数和个体数,不能准确鉴定的物种样本编号保存,装瓶带回室内由专家鉴定。
1.3 分析方法
1.3.1 灰色关联度法
将害虫数量(Yi)及其主要天敌数量(Xj)分别看作1个本征系统,害虫数量作为该系统的参照序列,天敌作为比较序列,并把不同样方的害虫及其主要天敌的数量作为该序列在第k个样方的效果白化值,进行双序列关系分析。数据经均值化后得:
$$ Y_i=\left\{Y_i(1),\; Y_i(2),\; \cdots ,\; Y_i(n)\right\},\; i=1; $$ (1) $$ X_j=\left\{X_j(1),\; X_j(2),\; \cdots,\; X_j(n)\right\}, \;j=1,\;2,\; \cdots,\; M。 $$ (2) 式(1)和式(2)中:n表示样方数,M表示天敌种类数。Yi与Xj在第k个样方上的关联系数rij为:
$$ {r}_{ij}=\frac{{\mathrm{min}}_{i}{\mathrm{min}}_{j}\left|{Y}_{i}\left(k\right)-{X}_{j}\left(k\right)\right|+\rho {\mathrm{max}}_{i}{\mathrm{max}}_{j}\left|{Y}_{i}\left(k\right)-{X}_{j}\left(k\right)\right|}{\left|{Y}_{i}\left(k\right)-{X}_{j}\left(k\right)\right|+\rho {\mathrm{max}}_{i}{\mathrm{max}}_{j}\left|{Y}_{i}\left(k\right)-{X}_{j}\left(k\right)\right|} 。 $$ (3) 式(3)中:ρ 为分辨系数,取值区间为[0, 1],一般取 ρ = 0.5,为扩大各物种之间关联度的差异,本研究取 ρ = 0.8。$|Y_{i}\left(k\right)-{X}_{j}\left(k\right) |$ 为序列Yi与Xj在第k点上差的绝对值;$ \mathrm{m}\mathrm{i}\mathrm{n}\left|{Y}_{i}\left(k\right)-{X}_{j}\left(k\right)\right| $为1级最小差,$ {\mathrm{min}}_{i}{\mathrm{min}}_{j}\left|{Y}_{i}\left(k\right)-{X}_{j}\left(k\right)\right| $ 为2级最小差。$ \mathrm{m}\mathrm{a}\mathrm{x}\left|{Y}_{i}\left(k\right)-{X}_{j}\left(k\right)\right| $与$ {\mathrm{max}}_{i}{\mathrm{max}}_{j}\left|{Y}_{i}\left(k\right)-{X}_{j}\left(k\right)\right| $ 分别为1级和2级最大差。利用该公式可求出第j种天敌(Xj)与害虫(Yi)数量间的关联度为$R({Y}_{i},{X}_{j})=1/n\displaystyle \sum _{k=1}^{M}{r}_{ij}\left(k\right)$,其大小反映害虫与天敌相互联系的紧密程度。天敌与害虫数量间关联度越大,表明天敌与害虫数量关系越密切[24]。本研究由数据处理系统软件(DPS系统)进行灰色关联度数据的运算。
1.3.2 模糊分级法
在论域[A1, A2, A3$, \;\cdots , $ An$, \;\cdots , $ Am]上按所求解问题的性质和要求规定的一个隶属函数μi,叫作Fuzzy分级隶属函数。将通常连续等分分级的频数作为原始数据,设原始数据为[a1, a2, a3$,\; \cdots , $ an$, \;\cdots , $ am],称${\hat{{a}}}_{{i}}=\displaystyle \sum _{{n}={i}-5}^{{i}+5}{{\mu }}_{{i}}{{a}}_{{n}}$为第i个Fuzzy等级的Fuzzy频数。它在论域上的分布曲线叫Fuzzy频数曲线[25−26]。本研究规定Fuzzy分级隶属函数μi为:
$$ {\mu }_{i}=\left\{\begin{array}{l}1.0\;n=i\\ 0.8\;n=i+1,\;i-1\\ 0.6\;n=i+2,\;i-2\\ 0.4\;n=i+3,\;i-3\\ 0.2\;n=i+5,\;i-5\\ 0.1\;n=i+5,\;i-5\\ 0\;n > i+5,\;n < i-5\end{array}\right. 。 $$ (4) 式(4)中:n为原始数据项数,i为Fuzzy频数项数。则Fuzzy频数为$ {\hat{a}}_{i}=\displaystyle \sum _{n=i-5}^{i+5}{\mu }_{i}{a}_{n}={a}_{i}+ 0.8\left({a}_{i+1}+{a}_{i-1}\right)+0.6\left({a}_{i+2}+{a}_{i-2}\right)+0.4\left({a}_{i+3}+{a}_{i-3}\right)+0.2\left({a}_{i+4}+{a}_{i-4}\right)+0.1\left({a}_{i+5}+{a}_{i-5}\right) $。为了解茶园游猎蛛的自然种群动态,减少在对游猎蛛进行竞争关系分析时由种群数据导致的误差,本研究根据游猎蛛种群数量变化幅度,对游猎蛛的种群数据按照30个样方中5只游猎蛛的级宽进行等分分级统计(级宽不宜太宽也不宜太窄),算出各级出现的频数,再以30个样方中5只游猎蛛为级宽的频数作为原始数据即[a1, a2, a3$,\; \cdots , $ an$, \;\cdots , $ am]进行Fuzzy分级统计。由Excel 2019计算Fuzzy频数。
1.3.3 竞争系数法
一般用Levins的生态重叠公式计算竞争系数[27]:
$$ {\alpha }_{ij}=\sum _{k=1}^{n}\left({P}_{ik}{P}_{jk}\right)/\sum _{k=1}^{n}{P}_{ik}^{2} 。 $$ (5) 式(5)中:$ {P}_{ik} $ 和$ {P}_{jk} $分别为种i和种j在第k个样方中的相对优势度,n为样地数。
使用重叠的方法计算竞争系数的公式[28]:
$$ {\alpha }_{ij}=\sum _{k=1}^{n}\left({P}_{ik}{P}_{jk}\right)/\sqrt{\sum _{k=1}^{n}{P}_{ik}^{2}\sum _{k=1}^{n}{P}_{jk}^{2}} 。 $$ (6) 式(6)中:αij为种j对种i的竞争系数,Pik和Pjk分别是第i个物种和第j个物种使用的第k个资源的比例。αij = αji,PIANKA[28]评价该式是对称的,并称其为重叠值。MAY[29−30]将该式与其他表达式进行比较,沿用了PIANKA的表达式,并将其作为按函数比例进行计算的竞争系数。本研究中所求得的竞争系数均按上述(6)式计算。
1.3.4 竞争强度法
本研究将关联度与竞争系数相结合,引入竞争强度指数的概念。不同天敌与同一害虫之间关联度的比值称为相对密切度,该相对密切度与2种天敌之间竞争系数的乘积即为竞争强度指数,种i对种j的竞争强度指数(C)为:
$$ C={\alpha }_{ij}\left(\frac{{R}_{iy}}{{R}_{jy}}\right) 。 $$ (7) 式(7)引入了害虫与天敌关系因素,Riy、Rjy分别为天敌Xi、Xj与害虫Y数量上的关联度,αij为种j对种i的竞争系数。本研究中竞争系数和竞争强度指数均由 Excel 2019 对Fuzzy频数计算所得,再使用DPS数据处理系统软件用多重比较方法中的 Duncan 新复极差法进行竞争系数和竞争强度指数平均值和显著水平的分析[31]。
2. 结果与分析
2.1 游猎蛛与小贯小绿叶蝉数量关系的灰色关联度
选取调查日期中2个茶园游猎蛛数量最多的7种蜘蛛作为主要天敌,分别为鞍型花蟹蛛Xysticus ephippiatus、三突花蟹蛛Ebrechtella tricuspidata、粽管巢蛛Clubiona japonicola、斑管巢蛛C. reichlini、斜纹猫蛛Oxyopes sertatus、黑色跳蛛Plexippus paykulli和条纹蝇虎P. setipes。它们的数量动态见表1。
表 1 2个茶园小贯小绿叶蝉与游猎蛛数量动态Table 1 Population dynamics of E. onukii and wandering spiders in two tea plantations茶树品种 日期
(月-日)害虫数量/头 游猎蛛数量/头 X1 X2 X3 X4 X5 X6 X7 ‘农抗早’ 03-25 3 10 16 3 2 32 7 7 04-16 11 2 7 1 0 7 0 19 05-07 42 2 6 0 0 2 2 0 05-23 30 1 5 0 0 5 12 1 06-04 222 7 1 5 0 1 5 0 06-20 175 20 5 5 5 0 5 0 07-08 594 14 65 51 88 6 38 0 08-10 209 27 23 15 60 20 26 24 08-22 429 23 19 29 59 33 25 6 09-06 92 19 9 19 23 57 18 6 09-17 30 17 17 13 10 31 13 19 10-13 1 8 1 2 0 45 4 5 11-01 52 4 2 9 9 39 4 19 11-19 47 1 1 3 6 15 3 5 合计 1 937 310 250 155 177 253 155 262 ‘平阳特早’ 03-25 9 2 3 0 0 13 17 4 04-16 11 0 5 0 0 1 6 2 05-07 31 1 6 0 0 0 6 0 05-23 57 3 4 1 0 0 5 0 06-04 251 1 5 0 3 0 11 0 06-20 139 15 8 18 2 0 10 1 07-08 674 26 46 24 34 22 7 0 08-10 318 17 3 17 42 33 13 0 08-22 534 8 18 21 48 31 10 29 09-06 160 29 12 14 18 39 16 10 09-17 20 13 12 12 19 37 12 9 10-13 4 7 2 0 0 20 11 2 11-01 23 5 2 8 3 2 2 3 11-19 108 1 2 3 5 26 2 4 合计 2 339 245 230 128 128 170 118 174 说明:X1~X7分别指鞍型花蟹蛛、三突花蟹蛛、粽管巢蛛、斑管巢蛛、斜纹猫蛛、黑色跳蛛和条纹蝇虎数量(头)。 用灰色关联度法求得小贯小绿叶蝉与游猎蛛数量之间的灰色关联度(表2)。由表2可知:与小贯小绿叶蝉在数量上关联度最大的前3位天敌,‘农抗早’茶园为斑管巢蛛、粽管巢蛛和黑色跳蛛;‘平阳特早’茶园为斑管巢蛛、粽管巢蛛和三突花蟹蛛。2个茶园均有斑管巢蛛和粽管巢蛛。
表 2 2个茶园小贯小绿叶蝉与游猎蛛间的灰色关联度Table 2 Grey correlation between E. onukii and wandering spiders in two tea plantations游猎蛛 ‘农抗早’ ‘平阳特早’ 游猎蛛 ‘农抗早’ ‘平阳特早’ 灰色关联度 排位 灰色关联度 排位 灰色关联度 排位 灰色关联度 排位 鞍型花蟹蛛 0.833 8 5 0.826 1 4 斜纹猫蛛 0.754 8 6 0.794 7 6 三突花蟹蛛 0.856 9 4 0.856 2 3 黑色跳蛛 0.857 0 3 0.802 6 5 粽管巢蛛 0.890 2 2 0.857 1 2 条纹蝇虎 0.744 2 7 0.763 4 7 斑管巢蛛 0.896 7 1 0.860 3 1 2.2 游猎蛛种群数量的Fuzzy分级统计
由图1和图2可看出:2个茶园Fuzzy分级频数集中性明显大于等分分级频数。图1A中在第4、7和12个级宽处出现3个明显的峰值,而图1B中 7条曲线均由高到低一致趋于平缓。图2A中从第11个级宽处多数曲线已贴近横轴,而图2B中的曲线从第15个级宽开始才趋于横轴。通过Fuzzy分级法得到的新数据明显增加了原始数据的有效区间,并且Fuzzy频数由原始数据通过Fuzzy隶属函数求得,每个原始数据都与几个等级发生联系,而等分分级里每个原始数据只与1个等级发生联系,因此Fuzzy频数无明显的分级界限。对2种频数进行t检验,‘农抗早’茶园中鞍型花蟹蛛、三突花蟹蛛、粽管巢蛛、斑管巢蛛、斜纹猫蛛、黑色跳蛛和条纹蝇虎这7种蜘蛛的t值依次为2.333、2.379、2.281、2.646、3.937、3.059、1.975,‘平阳特早’茶园这7种蜘蛛的$ t $值依次为 2.176、2.048、2.153、2.477、3.151、2.090、1.591。自由度为34时,t0.01=2.728,t0.05=2.032,t0.10=1.091,除条纹蝇虎外,2个茶园各游猎蛛2种频数间的差异都显著,并且斜纹猫蛛的2种频数间差异极显著。Fuzzy频数的直接图示是曲线,可保持原始数据的精度,故用此法分级的数据进行后续竞争关系的分析,其结果更接近实际。
2.3 游猎蛛间竞争系数及其差异
以Fuzzy频数作为原始数据,计算2个茶园各游猎蛛之间的竞争系数并将结果列于表3。对各游猎蛛及其竞争对手之间的竞争系数进行方差分析,再用新复极差法分析天敌之间竞争系数的差异性(表4)。所得结果中,当竞争对手分别为鞍型花蟹蛛、三突花蟹蛛、粽管巢蛛和条纹蝇虎时,游猎蛛间差异显著,此时不同竞争对手下竞争力最强的游猎蛛不同,故暂时无法得出茶园竞争力最强的蜘蛛类别,但除斑管巢蛛和黑色跳蛛外,无论竞争对手为哪种游猎蛛,所有游猎蛛都与斜纹猫蛛差异显著,且斜纹猫蛛的均值都最小。因此,可得出结论:除斑管巢蛛和黑色跳蛛外,5种游猎蛛里斜纹猫蛛竞争力最弱。
表 3 2个茶园各游猎蛛之间的竞争系数Table 3 Competition coefficients among wandering spiders in two tea plantations茶树品种 竞争对手 游猎蛛间竞争系数 鞍型花蟹蛛 三突花蟹蛛 粽管巢蛛 斑管巢蛛 斜纹猫蛛 黑色跳蛛 条纹蝇虎 ‘农抗早’ 鞍型花蟹蛛 1.000 0 0.991 5 0.983 7 0.939 8 0.906 3 0.959 2 0.991 0 三突花蟹蛛 0.991 5 1.000 0 0.995 2 0.973 3 0.893 8 0.928 2 0.995 3 粽管巢蛛 0.983 7 0.995 2 1.000 0 0.980 3 0.901 5 0.916 7 0.993 6 斑管巢蛛 0.939 8 0.973 3 0.980 3 1.000 0 0.872 9 0.856 8 0.961 4 斜纹猫蛛 0.906 3 0.893 8 0.901 5 0.872 9 1.000 0 0.959 8 0.871 7 黑色跳蛛 0.959 2 0.928 2 0.916 7 0.856 8 0.959 8 1.000 0 0.915 9 条纹蝇虎 0.991 0 0.995 3 0.993 6 0.961 4 0.871 7 0.915 9 1.000 0 ‘平阳特早’ 鞍型花蟹蛛 1.000 0 0.989 3 0.998 5 0.976 5 0.913 7 0.993 5 0.975 1 三突花蟹蛛 0.989 3 1.000 0 0.984 2 0.977 4 0.869 7 0.984 4 0.992 5 粽管巢蛛 0.998 5 0.984 2 1.000 0 0.967 4 0.909 3 0.996 3 0.967 4 斑管巢蛛 0.976 5 0.977 4 0.967 4 1.000 0 0.939 7 0.954 0 0.957 1 斜纹猫蛛 0.913 7 0.869 7 0.909 3 0.939 7 1.000 0 0.880 6 0.826 5 黑色跳蛛 0.993 5 0.984 4 0.996 3 0.954 0 0.880 6 1.000 0 0.967 7 条纹蝇虎 0.975 1 0.992 5 0.967 4 0.957 1 0.826 5 0.967 7 1.000 0 表 4 2个茶园各游猎蛛之间竞争系数新复极差法分析结果Table 4 Results of the new multiple range test analysis of competition coefficients among various wandering spiders in two tea plantations竞争对手 F 物种 2个茶园竞争
系数均值5%显著
水平1%极显著
水平竞争对手 F 物种 2个茶园竞争
系数均值5%显著
水平1%极显著
水平鞍型花蟹蛛 7.530 粽管巢蛛 0.991 1 a A 斜纹猫蛛 1.203 黑色跳蛛 0.920 2 a A 三突花蟹蛛 0.990 4 a A 鞍型花蟹蛛 0.910 0 a A 条纹蝇虎 0.983 0 a A 斑管巢蛛 0.906 3 a A 黑色跳蛛 0.976 4 a A 粽管巢蛛 0.905 4 a A 斑管巢蛛 0.958 2 a AB 三突花蟹蛛 0.881 7 a A 斜纹猫蛛 0.910 0 b B 条纹蝇虎 0.849 1 a A 三突花蟹蛛 11.356 条纹蝇虎 0.993 9 a A 黑色跳蛛 0.562 鞍型花蟹蛛 0.976 4 a A 鞍型花蟹蛛 0.990 4 a A 粽管巢蛛 0.956 5 a A 粽管巢蛛 0.989 7 a A 三突花蟹蛛 0.956 3 a A 斑管巢蛛 0.975 4 a A 条纹蝇虎 0.941 8 a A 黑色跳蛛 0.956 3 a A 斜纹猫蛛 0.920 2 a A 斜纹猫蛛 0.881 7 b B 斑管巢蛛 0.905 4 a A 粽管巢蛛 3.305 鞍型花蟹蛛 0.991 1 a A 条纹蝇虎 12.037 三突花蟹蛛 0.993 9 a A 三突花蟹蛛 0.989 7 a A 鞍型花蟹蛛 0.983 0 a A 条纹蝇虎 0.980 5 a A 粽管巢蛛 0.980 5 a A 斑管巢蛛 0.973 9 a A 斑管巢蛛 0.959 2 a A 黑色跳蛛 0.956 5 ab A 黑色跳蛛 0.941 8 a A 斜纹猫蛛 0.905 4 b A 斜纹猫蛛 0.849 1 b B 斑管巢蛛 1.610 三突花蟹蛛 0.975 3 a A 粽管巢蛛 0.973 9 a A 条纹蝇虎 0.959 2 a A 鞍型花蟹蛛 0.958 2 a A 斜纹猫蛛 0.906 3 a A 黑色跳蛛 0.905 4 a A 说明:计算不同竞争对手下各游猎蛛在2个茶园竞争系数的平均值,5%水平上均数最大的标记为a,1%水平上均数最大的标记为A。向下比较,与之差异性不显著的标记相同字母,差异性显著的标记不同字母。 2.4 游猎蛛与小贯小绿叶蝉数量关系的竞争强度及其差异
结合关联度和竞争系数将所求的竞争强度指数列于表5。对竞争强度指数进行方差分析,用新复极差法进行比较(表6)。由表6可知:无论竞争对手为哪种游猎蛛,粽管巢蛛都与其他蜘蛛差异显著,其次为斑管巢蛛,且游猎蛛中斜纹猫蛛与两者差异极显著。因此,可得出结论:粽管巢蛛竞争力最强,斑管巢蛛次之,斜纹猫蛛竞争力最弱。
表 5 2个茶园各游猎蛛之间的竞争强度指数Table 5 Competition intensity indices among wandering spiders in two tea plantations茶树品种 竞争对手 游猎蛛间竞争强度指数 鞍型花蟹蛛 三突花蟹蛛 粽管巢蛛 斑管巢蛛 斜纹猫蛛 黑色跳蛛 条纹蝇虎 ‘农抗早’ 鞍型花蟹蛛 1.000 0 1.019 0 1.050 3 1.010 7 0.820 4 0.985 9 0.884 5 三突花蟹蛛 0.964 7 1.000 0 1.033 8 1.018 5 0.787 3 0.928 3 0.864 3 粽管巢蛛 0.921 4 0.958 0 1.000 0 0.987 5 0.764 4 0.882 5 0.830 6 斑管巢蛛 0.873 9 0.930 1 0.973 2 1.000 0 0.734 8 0.818 9 0.797 8 斜纹猫蛛 1.001 2 1.014 7 1.063 2 1.037 0 1.000 0 1.089 8 0.859 4 黑色跳蛛 0.933 2 0.928 1 0.952 2 0.896 5 0.845 3 1.000 0 0.795 3 条纹蝇虎 1.110 4 1.146 1 1.188 6 1.158 5 0.884 2 1.054 8 1.000 0 ‘平阳特早’ 鞍型花蟹蛛 1.000 0 1.025 4 1.036 1 1.017 0 0.879 0 0.965 3 0.9012 三突花蟹蛛 0.954 4 1.000 0 0.985 2 0.982 0 0.807 2 0.922 7 0.884 9 粽管巢蛛 0.962 3 0.983 2 1.000 0 0.971 0 0.843 1 0.932 9 0.861 7 斑管巢蛛 0.937 6 0.972 8 0.963 8 1.000 0 0.868 1 0.890 0 0.849 3 斜纹猫蛛 0.949 7 0.937 0 0.980 7 1.017 2 1.000 0 0.889 3 0.794 0 黑色跳蛛 1.022 6 1.050 2 1.064 0 1.022 6 0.872 0 1.000 0 0.920 5 条纹蝇虎 1.055 1 1.113 1 1.086 1 1.078 5 0.860 4 1.017 3 1.000 0 表 6 2个茶园各游猎蛛之间的竞争强度指数新复极差法分析结果Table 6 Results of the new multiple range test analysis of competitive intensity indices among various wandering spiders in two tea plantations竞争对手 F 物种 2个茶园竞争
强度指数均值5%显著
水平1%极显著
水平竞争对手 F 物种 2个茶园竞争
强度指数均值5%显著
水平1%极显著
水平鞍型花蟹蛛 32.992 粽管巢蛛 1.043 2 a A 斜纹猫蛛 2.142 斑管巢蛛 1.027 1 a A 三突花蟹蛛 1.022 2 ab A 粽管巢蛛 1.022 0 a A 斑管巢蛛 1.013 8 ab A 黑色跳蛛 0.989 5 ab A 黑色跳蛛 0.975 6 b A 三突花蟹蛛 0.975 8 ab A 条纹蝇虎 0.892 9 c B 鞍型花蟹蛛 0.975 4 ab A 斜纹猫蛛 0.849 7 c B 条纹蝇虎 0.826 7 b A 三突花蟹蛛 33.492 粽管巢蛛 1.009 5 a A 黑色跳蛛 1.575 粽管巢蛛 1.008 1 a A 斑管巢蛛 1.000 2 a AB 三突花蟹蛛 0.989 1 a A 鞍型花蟹蛛 0.960 9 ab AB 鞍型花蟹蛛 0.977 9 a A 黑色跳蛛 0.925 5 b BC 斑管巢蛛 0.959 6 a A 条纹蝇虎 0.874 6 c C 斜纹猫蛛 0.858 6 a A 斜纹猫蛛 0.797 3 d D 条纹蝇虎 0.857 9 a B 粽管巢蛛 9.706 斑管巢蛛 0.979 3 a A 条纹蝇虎 10.533 粽管巢蛛 1.137 3 a A 三突花蟹蛛 0.970 6 a AB 三突花蟹蛛 1.129 6 a A 鞍型花蟹蛛 0.941 9 a AB 斑管巢蛛 1.118 5 a A 黑色跳蛛 0.907 7 ab ABC 鞍型花蟹蛛 1.082 7 a A 条纹蝇虎 0.846 2 bc BC 黑色跳蛛 1.036 1 a A 斜纹猫蛛 0.803 8 c C 斜纹猫蛛 0.872 3 b B 斑管巢蛛 3.588 粽管巢蛛 0.968 5 a A 三突花蟹蛛 0.951 4 ab A 鞍型花蟹蛛 0.905 8 abc A 黑色跳蛛 0.854 4 abc A 条纹蝇虎 0.823 6 bc A 斜纹猫蛛 0.801 5 c A 说明:计算不同竞争对手下各游猎蛛在2个茶园竞争强度指数的平均值,5%水平上均数最大的标记为a,1%水平上均数最大的标记为A。向下比较,与之差异性不显著的标记相同字母,差异性显著的标记不同字母。 3. 结论与讨论
本研究首先通过灰色关联度分析初步得出2个茶园与小贯小绿叶蝉数量相关性最大的游猎蛛均为斑管巢蛛和粽管巢蛛,再对7种游猎蛛的种群数量进行Fuzzy分级统计,将得出的Fuzzy频数作为原始数据进行竞争系数分析,结果显示:除斑管巢蛛和黑色跳蛛外,5种游猎蛛中斜纹猫蛛竞争力最弱。为验证结果准确性,综合灰色关联度和竞争系数结果引入了竞争强度指数概念,得出7种游猎蛛中斜纹猫蛛竞争力最弱,并且在任何竞争对手下粽管巢蛛都与其他蜘蛛差异显著,其次为斑管巢蛛,即在取食茶园小贯小绿叶蝉时粽管巢蛛和斑管巢蛛竞争力最强,斜纹猫蛛竞争力最弱。
在进行Fuzzy分级统计时,并未对小贯小绿叶蝉数量进行分级,因为在进行竞争关系分析时,只需要7种游猎蛛的数量数据,故无需对小贯小绿叶蝉数量做同样的处理。在进行灰色关联度分析时,小贯小绿叶蝉和7种游猎蛛数量均未进行处理,原因是小贯小绿叶蝉数量与7种游猎蛛数量数据大小相差较大,选择过大的级宽会导致游猎蛛数量均处于第1级宽内,选择较小级宽会出现较多级层且在靠后多个级层里只有小贯小绿叶蝉数据,而游猎蛛数据均为0。对7种游猎蛛的种群数量进行Fuzzy分级,然后进行竞争关系的统计计算,使它们的数据集中性更加突出,弥补了抽样时造成的误差,是一种简洁有效的计算方法。
2个茶园竞争力最强和最弱的蜘蛛相同。本研究的2个茶园均按常规措施管理,不使用化学农药,且于冬季除草修剪,修剪会影响天敌的虫口基数,而‘农抗早’和‘平阳特早’抗逆性和抗寒性强[32],因此在相近的受害程度后,‘农抗早’和‘平阳特早’恢复时间均较短,恢复效果均较好,害虫所处环境变化的速度一致性可能是研究结果相同的原因之一。此外,茶园竞争力最强的是斑管巢蛛,这可能与斑管巢蛛的生活习性有关。斑管巢蛛定居且游猎于树冠上被害卷叶或枯叶等阴暗干燥处,白天基本不出行,黄昏时刻,蜘蛛开始活动,主动巡游猎取食,沿着枝、叶逐一搜索前进,几乎无遗漏之处。合理保护和利用斑管巢蛛这类竞争力强的蜘蛛可达到有效防治小贯小绿叶蝉的目的。
对茶园游猎蛛之间竞争作用的研究可以更好地理解游猎蛛之间的竞争如何影响害虫的数量和变化趋势以及如何影响生物防治的有效性[33]。至今利用害虫与天敌的种间关系对茶园害虫进行生物防治更多地还是停留在增加优势种天敌数量的方向上,分析天敌之间的竞争作用有利于选出最高效的天敌组合,在不破坏茶园原有生态环境的基础上高效防治害虫。
本研究中的7种游猎蛛都是广食性天敌,但为了研究方便,把它们作为只取食小贯小绿叶蝉一种食饵的单食性天敌,若进行深入研究就需要考虑多种猎物(害虫)共存时天敌对食物的嗜食性,在此基础上应用竞争关系分析方法就能更加真实地反映天敌之间的关系。另外,本研究是分析天敌两两之间的竞争关系,实际上,在食饵不足时,7种天敌之间也存在竞争关系,这种情况有待进一步研究。
-
表 1 原多光谱影像各波段与融合影像整体影像特征对比表
Table 1. Contrast on indexes of each band between multi-spectral image and fusion images
影像/方法 波段 均值 平均梯度 相关系数 高频信息融人度 原始影像 R 1 198.725 3.124 G 1 295.094 3.679 B 1 203.466 4.255 NIR 2 006.270 6.043 PAN 305.893 12.847 彩色标准变换 (Brovey) G 106.712 13.285 0.105 0.328 B 86.911 9.939 0.215 0.298 NIR 112.739 12.815 0.740 0.373 颜色空间变换 (HSV) G 103.394 6.254 0.261 0.207 B 83.878 4.257 0.240 0.223 NIR 108.964 4.961 0.823 0.570 正交化变换 (GS) R 1 197.940 54.319 0.210 0.475 G 1 294.331 55.066 0.204 0.474 B 1 202.743 54.543 0.242 0.479 NIR 2 007.082 57.072 0.279 0.376 高通滤波变换 (HPF) R 1 120.665 54.261 0.403 0.287 G 1 217.212 54.707 0.404 0.293 B 1 125.426 55.394 0.403 0.297 NIR 2 011.079 21.692 0.111 0.481 主成分变换 (PC) R 1 117.781 41.135 0.170 0.357 G 1 214.369 42.257 0.172 0.356 B 1 122.488 41.237 0.166 0.361 NIR 2 011.442 50.553 0.181 0.375 超分辨率贝叶斯变换(Pansharp) R 1 086.786 53.438 0.103 0.427 G 1 091.470 53.829 0.358 0.437 B 1 183.465 55.879 0.358 0.432 NIR 2 011.589 60.308 0.603 0.501 说明:相关系数表示融合后波段与原始多光谱对应波段的相关性。 表 2 研究区各地类样本数量表
Table 2. Sample's number of surface features on the study area
地类 分类样本 验证样本 有林地 80 43 草地 36 20 耕地 40 21 苗圃 20 7 水域 25 16 城矿居民用地 38 21 未利用地 35 20 总数 274 148 表 3 研究区地类分类精度对比表
Table 3. Contrast on classification accuracy of surface features on study area
地类 精度(生产者精度/使用者精度)/% Mul Brovey HSV GS HPF PC Pansharp 有林地 83.02/71.43 86.05/90.24 97.67/87.50 79.60/66.67 83.72/90.70 75.12/66.37 86.05/67.27 草地 95.00/86.36 99.61/99.36 95.00/99.80 77.17/79.93 99.16/76.92 99.31/86.96 95.00/99.20 耕地 33.33/87.5 57.14/99.80 61.90/92.86 29.05/50.00 47.62/99.24 66.67/60.87 57.14/75.00 苗圃 86.71/54.54 99.03/50.00 85.71/85.71 71.43/45.45 57.14/57.14 71.43/71.43 98.79/50.00 水域 43.75/98.17 87.50/98.00 93.75/99.62 99.05/94.12 93.75/93.75 93.75/88.23 93.75/93.75 城矿居民用地 85.71/60.00 90.48/59.38 66.67/58.33 71.43/53.57 80.95/56.67 57.14/35.3 52.38/68.75 未利用地 50.00/71.43 70.00/93.33 80.00/80.00 35.00/75.00 75.00/88.24 30.62/8.53 40.00/66.67 总精度/Kappa系数 72.30/0.66 83.10/0.79 85.14/0.82 71.52/0.62 80.40/0.76 63.51/0.56 78.75/0.68 表 4 研究区有林地内分类精度对比表
Table 4. Contrast on classification accuracy of woodland on study area
林分 精度(生产者精度/使用者精度)/% Mul Brovey HSV GS HPF PC Pansharp 阔叶林 73.33/62.86 86.67/76.92 73.44/59.10 90.00/71.05 80.00/55.26 76.67/64.52 83.33/70.37 针叶林 57.70/60.00 80.77/84.00 67.70/48.39 61.54/69.57 63.85/63.63 54.30/54.17 65.54/57.12 混交林 22.45/33.33 70.00/46.67 54.30/38.46 32.64/40.00 44.56/50.00 32.64/27.27 40.00/36.36 总精度/Kappa系数 59.10/0.47 75.72/0.63 66.67/0.51 68.18/0.54 71.10/0.59 64.54/0.51 72.58/0.60 -
[1] 梅青. 全国林地"一张图"大数据时代的经典力作[EB/OL]. http://www.greentimes.com/green/news/yaowen/zhxw/content/2013-10/23/content_235974.htm, 2013-10-23. [2] 赵英时.遥感应用分析原理与方法[M].北京:科学出版社, 2003:251-262. [3] 李霖, 佘梦媛, 罗恒. ZY-3卫星全色与多光谱影像融合方法比较[J].农业工程学报, 2014, 30(16):157-165. LI Lin, SHE Mengyuan, LUO Heng. Comparison on fusion algorithms of ZY-3 panchromatic and multi-spectral images[J]. Trans Chin Soc Agric Eng, 2014, 30(16):157-165. [4] 杨丽萍, 夏敦胜, 陈发虎. Landsat 7 ETM+全色与多光谱数据融合算法的比较[J].兰州大学学报 (自然科学版), 2007, 43(4):7-11. YANG Liping, XIA Dunsheng, CHEN Fahu. On fusion algorithms of Landsat 7 ETM+PAN and multi-spectral images[J]. J Lanzhou Univ Nat Sci, 2007, 43(4):7-11. [5] 高志雄. 基于ZY-3卫星的森林分类及郁闭度提取方法研究[D]. 北京: 北京林业大学, 2015. GAO Zhixiong. Study on the Forest Classification and Crown Density Extraction Method Based on ZY-3 Image Data[D]. Beijing:Beijing Forestry University, 2015. [6] 郑著彬, 李俊, 任静丽. HPF图像融合技术在大理市遥感影像中的运用探讨[J].云南地理环境研究, 2007, 19(6):96-98. ZHENG Zhubin, LI Jun, REN Jingli. Discussion for technology of HPF resolution merge using in Dali's remote sensing image[J]. Yunnan Geogr Environ Res, 2007, 19(6):96-98. [7] 赵珍梅, 马伟, 王润生. 3种高保真遥感影像融合方法效果评价与分析[J].地址与勘探, 2010, 46(4):705-710. ZHAO Zhenmei, MA Wei, WANG Runsheng. Evaluation and analysis of there methods of fusion remote sensing images with high fidelity of information[J]. Geol Explor, 2010, 46(4):705-710. [8] 郑中, 祁元, 张金龙.基于光谱角和光谱距离评价指标的遥感影像融合算法比较研究:以QuickBird数据为例[J].遥感技术与应用, 2013, 28(3):437-443. ZHENG Zhong, QI Yuan, ZHANG Jinlong. Comparing with different remote sensing image fusion method based on evaluation index of spectral angle and spectral distance:taking Quickbird datas as example[J]. Rem Sens Technol Appl, 2013, 28(3):437-443. [9] 郭会敏, 洪运富, 李营, 等.基于高分一号卫星影像的多种融合算法比较[J].地理与地理信息科学, 2015, 31(1):23-26. GUO Huimin, HONG Yunfu, LI Ying, et al. Comparison of fusion methods used for GF-1 satellite image[J]. Geogr Geo-Inf Sci, 2015, 31(1):23-26. [10] 王海江, 王周龙, 李丽宏, 等.基于高平衡阶多进制多小波包变换的遥感影像融合[J].农业工程学报, 2015, 31(1):178-186. WANG Haijiang, WANG Zhoulong, LI Lihong, et al. Remote sensing image fusion based on high-balanced multi-band multiwavelet packet transform[J]. Trans Chin Soc Agric Eng, 2015, 31(1):178-186. [11] 王华斌, 李国元, 张本奎, 等.资源三号卫星影像融合算法对比分析[J].测绘科学, 2015, 40(1):47-51. WANG Huabin, LI Guoyuan, ZHANG Benkui, et al. Construct and analysis of different fusion algorithms for ZY-3 satellite images[J]. Sci Surv Mapp, 2015, 40(1):47-51. [12] 陈春华, 苏逸平, 邹崇尧. WorldView-2遥感影像融合算法实验研究[J].地理空间信息, 2013, 11(6):72-74. CHEN Chunhua, SU Yiping, ZOU Chongyao. Study on remote sensing image fusion algorithm[J]. Geospat Inf, 2013, 11(6):72-74. [13] 许民. 高分辨率遥感影像融合方法研究及融合效果评价: 以ALOS和SPOT的全色与多光谱影像为例[D]. 兰州: 兰州大学, 2010. XU Min. Reseach on High Resolution Remotely Sensed Image Fusion Methods and Evaluation of Fusion Quality:A Case Study of Mutlti-spectral and Panchromatic Data of ALOS and SPOT[D]. Lanzhou:Lanzhou University, 2010 [14] 黄先德, 周群, 王兴.资源三号卫星全色与多光谱影像融合算法[J].测绘通报, 2015(1):109-114. HUANG Xiande, ZHOU Qun, WANG Xing. Fusion of resources satellite-3 remote sensing panchromatic and multispectral Images[J]. Bull Surv Mapp, 2015(1):109-114. [15] 郑丽. SPOT多光谱影像与全色影像融合研究[J].佳木斯大学学报 (自然科学版), 2015, 33(6):868-871. ZHENG Li. Research on the SPOT multi-spectral image and panchromatic image fusion[J]. J Jiamusi Univ Nat Sci Ed, 2015, 33(6):868-871. [16] 任德智, 潘刚, 葛丽雯.基于Titan Image软件的QuickBird影像融合[J].东北林业大学学报, 2013, 41(3):131-134. REN Dezhi, PAN Gang, GE Liwen. Image fusion of QuickBird based on Titan Image software[J]. 2013, 41(3):131-134. [17] 王乐, 牛雪峰, 魏斌, 等.遥感影像融合质量评价方法研究[J].测绘通报, 2015(2):77-79. WNAG Le, NIU Xuefeng, WEI Bin, et al. Study on quality evaluation methods for remotely sensed images fusion[J]. Bull Surv Mapp, 2015(2):77-79. [18] 孟京辉, 陆元昌, 刘刚, 等.基于ETM+遥感图像的图像融合试验及评价方法[J].南京林业大学学报 (自然科学版), 2010, 34(1):69-72. MENG Jinghui, LU Yuanchang, LIU Gang, et al. Trail of image fusion methods and quality assessment for ETM+ image[J]. J Nanjing For Univ Nat Sci Ed, 2010, 34(1), 69-72. [19] 王广杰, 周介铭, 杨存建, 等.基于不同算法的遥感影像融合分析[J].四川师范大学学报 (自然科学版), 2011, 34(2):255-259. WANG Guangjie, ZHOU Jieming, YANG Cunjian, et al. Analysis of remote sensing image fusion based on different algorithms[J]. J Sichuan Norm Univ Nat Sci, 2011, 34(2):255-259. 期刊类型引用(0)
其他类型引用(1)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.2017.02.019