中文 
English 
Study on Quantitative Inversion of Spatial Pattern of Forest Leaf Eating Pest Disaster
-
摘要: 以Sentinel–2A多光谱影像为数据源，利用卷积神经网络模型提取的受害树种空间分布和多时相PROSAIL模型叶面积指数反演差值确定的失叶率耦合的虫口密度，定量获取长白山南麓虫害空间格局。结果表明：2018—2020年共7个时相LAI反演整体精度在88%以上；红松的适宜参考时相为2019年6月，预测与实测拟合R2为0.82，其余树种及全样本2018年6月最佳；虫口密度与失叶率耦合采用线性函数，R2为0.755；落叶松遭虫害面积6174 hm2最大，云杉受害面积比65.19%最大。虫害导致失叶率计算采用的参考时相为受灾前一年6月；虫口密度与失叶率呈线性关系；不同树种受灾空间格局不同，常绿树种重度灾害比例普遍高于落叶树种。Abstract: Using Sentinel–2A multi-spectral image as the data source, the spatial pattern of pest damage at the southern foot of Changbai Mountain was quantitatively obtained by coupling the insect mouth density using spatial distribution of injured tree species extracted using a convolutional neural network model and leaf foliation rate by the difference of the leaf area index reversed by the PROSAIL model at multiple time points. Results show that: the overall accuracy of 7 LAI inversion in 2018–2020 was above 88%; the optimal reference phase of red pine was in June 2019, R2 is 0.82 and other species in June 2018; linear function, R2 is 0.755; larch pest area of 6174 hm2, and spruce damage area ratio of 65.19%. The reference phase of the leaf loss rate is June of the year before the disaster; the relationship between the pest density and the leaf loss rate is linear; the spatial pattern of different tree species is different, and the proportion of evergreen trees is generally higher than that of deciduous tree species.
-
Keywords:
- leaf eating pest /
- LAI /
- conifer species /
- remote sensing /
- leaf loss rate /
- insect mouth density
-
食叶害虫灾害是重要的森林扰动因子之一，对森林生态系统的结构和功能具有极强的破坏性。落叶松毛虫是东北地区发生面积最大的森林食叶害虫之一，危害范围覆盖主要针叶树种[1]，吉林省2018—2019年连续大规模灾害的发生面积超50万hm2，我国年受灾面积超200万hm2[2]。虫口密度的暴发性增加可能导致松林停止生长甚至整片枯死[3]，严重威胁森林生态安全。目前，我国林草部门主要采用人工调查标准样地进行监测[4]，其结果空间上呈离散状态，对地面防治工作无法形成有效指导；利用遥感技术进行定量化监测、准确刻画灾害发生的空间格局，对制定差异化防治方案、开展精准防治具有战略性作用。
遥感技术在重复观测性和历史回顾性方面具备独特优势，为宏观获取灾害发生程度及空间范围、监测与还原灾害导致的森林失叶过程提供了良好的技术途径。随虫害程度加深，叶片的急剧减少导致受害林分冠层光谱特征逆向变化，为定量监测食叶害虫灾害的程度及空间分布提供了理论依据[5]。20世纪80年代，如Dottavio等[6]、Kharuk等[7] 学者的初步尝试受技术限制，仅能探测到失叶率超50%的区域。随着遥感技术发展，对灾害的监测转向定性分析，武红敢[8]基于TM数据实现了4种灾害程度的空间范围提取；陈文静[9]基于Sentinel–2A影像区分灾害与健康精度达0.945；Samseemoung等[10]利用航空多光谱遥感对健康和受害的人工林区进行侵害监测；亓兴兰等[11]基于SPOT–5影像结合多尺度纹理特征提取虫害信息，精度提高了14.28%。近年来，相关研究正向定量过渡，如地力夏提·依马木等[12]利用自相关性时间序列检测法动态识别监测准确率达93.7%；雷定湘[13]构建6次多项式回归模型对严重程度定量分析精度达84.04%。上述学者在食叶害虫灾害监测方面的关注点都集中在遥感特征的表达和异常检测算法研究中，对食叶害虫生物学特征的定量研究仍缺乏深入探讨。此外，失叶特征计算中如何确定健康状态的参考基准也是研究热点之一。白力嘎等[14]利用健康、灾中、灾后10年3期MODIS影像进行灾害程度划分；黄晓君等[15]基于2018年、2019年6月影像识别林木受害程度和害虫发生程度；Housman等[16]使用多日期统计变化检测方法，发现仅对比当年与3年前的同期基线图像会导致轻至中度灾害区域大面积遗漏；Pasquarella等[17]选择灾前11年的稳定基期得到不同树种失叶幅度估计模型。
综上所述，受树种识别能力及调查难度的限制，针对耦合失叶现象遥感特征与食叶害虫生物学特征关系、定量获取灾害空间格局的研究仍鲜有报道。为此，本研究以长白山落叶松毛虫灾害为例，基于Sentinel–2A多光谱遥感数据，利用PROSAIL模型定量获取研究区多期叶面积指数（LAI），结合4个针叶树种空间分布，分析遥感估测LAI损失比例和实地调查失叶率的拟合效果，明确适宜灾害监测的参考时相，定量获取由食叶害虫导致的叶片损失；并通过耦合失叶率与虫口密度的回归关系，实现对食叶害虫灾害空间格局的定量分析。以期为提高森林食叶害虫灾害监测能力、增强遥感成果与应用需求的融合、助力“精准林业”“生态感知”等国家林业建设目标提供参考。
1. 研究区概况
研究区位于吉林省长白朝鲜族自治县母树林、横山和龙泉林场，地处长白山南麓，鸭绿江上游右岸，与朝鲜一市五郡隔江相望，地处东经128°1′25″～128°15′23″，北纬41°20′54″～41°34′36″。属亚温带大陆性季风气候，年平均气温3.1 ℃，年平均降水量518.5 mm，全年日照时数2649.5 h。地势东北高西南低，海拔范围616～1359 m。
研究区总面积41088 hm2，其中林地面积29358 hm2，森林覆盖率达71.45%。土壤以灰棕壤为主，随海拔和地势变化零星有白浆土、草甸土，呈酸性或弱酸性。主要针叶树种为长白落叶松（Larix olgensis）、樟子松（Pinus sylvestris var. mongolica）、红松（Pinus koraiensis）和红皮云杉（Picea koraiensis）等。
据长白县林业局森防部门监测记录显示，2018年10月研究区内3个林场的松毛虫越冬幼虫虫口数量异常升高，2019年春季松毛虫虫口密度和危害面积开始增加，林业部门采用阻隔法[18]、地面喷雾法[19]、放置赤眼蜂卵[20]等防治手段进行处置，同年9月秋季幼虫越冬前危害面积达到最大，至2020年6月虫口基数和危害面积依然较大，当月林业部门采用飞机喷洒杀虫剂，使虫口密度得到控制，至同年9月恢复至正常水平。
2. 材料与方法
2.1 数据来源与处理
2.1.1 叶面积指数数据
依据研究区植被分布及物候特征，项目团队于2020年6月中旬设置10 m × 10 m样地70个，开展监测区域受灾松林地面调查，并依据国家标准《叶面积指数遥感产品真实性检验》（GB/T 40034—2021）[21]利用LAI–2200C冠层分析仪测定样地LAI。
利用UniStrong UG908H高精度版（单点精度2～5 m）采集样地四角及中心点坐标，坐标系为WGS1984，记录株高大于1 m植被的具体林分信息（林龄、胸径、树高、冠幅等）。由于样地植被覆盖度较高，为保证测量精度，测量时每点保持静止10 min，并重复测定3次取其平均值作为结果。不同树种实测叶面积指数概况见表1。
表 1 采样点叶面积指数的描述统计Table 1. Descriptive statistics of LAI at sampling points树种 样地数 最小值 最大值 平均值 标准差 峰度 偏度 落叶松 29 0.69 3.89 2.27 1.04 –1.23 0.08 红松 11 0.67 3.03 1.79 0.70 –0.70 –0.05 樟子松 19 1.06 3.24 1.95 1.16 3.90 1.80 云杉 11 1.72 4.37 2.87 0.76 0.15 –0.07 全样本 70 0.67 4.37 2.10 1.01 0.82 0.79 2.1.2 失叶率数据
在6月中下旬，采取逐株调查方法对样地内每棵树从下到上平均分为3层调查样地失叶率，每层分别于东、西、南、北4个方向各取1个树枝为标准枝，将每枝松针装入袋中带回室内。统计每株树3层树枝中0%、25%、50%、75%、100%的5种受害程度松针的数量，同时记录每层树枝松针总数[22]。失叶率计算公式参照吉林省地方标准：
$ A=\dfrac{\displaystyle \sum\limits ({X}_{i}\times {F}_{i})}{N\times F}\times 100\mathrm{\%} $
(1) 式中：A为承载指数（平均失叶率）；Xi为各级受害株数；Fi各级代表值；N为调查总株数；F为最高级代表值[23]。
2.1.3 虫口密度调查
本研究于样地树种放叶前，采取对角线法[24]抽取样株3株，并利用阻隔法[18]调查样地平均虫口密度。从4月20日发现幼虫上树起，每3 d调查并记录隔离环边缘及以下位置树干上的幼虫数量，计数后杀死幼虫，直到5月1日无新增上树幼虫时停止调查，通过式2计算样地平均虫口密度。
$ \mathrm{d}\mathrm{e}\mathrm{n}\mathrm{s}\mathrm{i}\mathrm{t}\mathrm{y}=\dfrac{{\displaystyle \sum\limits}_{{i}=1}^{3}{Q}_{i}}{3}\times n $
(2) 式中：Qi为幼虫数量，n为样地总株数。
2.1.4 遥感数据
本研究以欧空局Sentinel–2A多光谱遥感影像为数据源（https://scihub.copernicus.Eu），利用ESA官方SNAP平台进行大气校正、地形几何校正（像元残差均值小于0.41）、空间重采样（像元分辨率10 m）等预处理[25]。研究区地处长白山脉，受云量影响较大，难以在单一时相内完整体现当期植被生长情况，故对每月3景图像利用FMask算法进行去云合成[26]。
时相选择方面，在综合考虑研究区松毛虫的生长周期和生物学特性[27]及主要针叶树种的物候特征后，排除云量过大、无法处理的时相，最终获取研究区2018年6月、7月、8月，2019年6月、7月、9月，2020年6月共7个关键时段完整遥感图像。收集整理研究区的数字高程图（DEM）、森林资源二类调查数据、样点的空间位置（表2），坐标参考WGS−84。
表 2 采用数据概况Table 2. Data profiles were used数据类型 数据名称 空间分辨
率或比例尺时间 数据说明 遥感影像 Sentinel−2A 10 m 2018年6—8月、2019年6—9月、2020年6月 每期3景影像为52 TDL、52 TDM、52 TCL，共63景 辅助数据 森林资源二类调查数据 1∶10 2018年 — 高分辨率遥感影像 <1 m 2018年9月 — 数字高程图（DEM） 10 m 2018年 — 灾害发生情况 10 m 2020年6月 林业局森防部门调查数据 2.2 树种空间分布提取
本研究采用李竺强等[28]提出的三维卷积神经网络（CD–CNN）模型联合多标签条件随机场类优化（CD–CNN–CRF）的深度学习模型进行4种针叶林型的提取，该方法对神经网络识别的地物斑块根据逻辑条件进行了合理调整，能够提高分类精度、解决高光谱遥感影像分类后地物分类混淆等问题。
训练及验证样本选择方面采用2.1.4中2018年6月的Sentinel–2A数据和Google Earth高分辨率遥感图像，结合森林资源规划设计调查数据中的森林类型分布，在研究区内均匀选取落叶松、红松、樟子松、云杉、其他林地、建设用地、耕地及水体8个目标类别各200个训练样本和100个验证样本（图1），并利用混淆矩阵法和Kappa分析对神经网络训练和分类结果进行精度验证。
![]()
图 1 树种空间分布提取深度学习模型训练及验证样本选择Figure 1. Spatial distribution of tree species extraction deep learning model training and validation sample selection2.3 叶面积反演
将2.1.4的影像输入到SNAP软件中已集成好的生物物理量计算模块[29]，采用PROSAIL模型向植被冠层二向反射率模型SAIL输入叶片光学特性模型PROSPECT模拟得到的Sentinel–2A各波段植被冠层反射率和透射率等11个环境参数[30]，通过反向传播人工神经网络反演得到叶面积指数，并依据影像时间，将同期LAI进行最大化合成[31]，实现当月LAI制图。
2.4 失叶率计算
本研究通过计算林木失去的叶量占总体叶量的比例量化由松毛虫灾害发生导致的针叶受损，实现受灾程度评估[32]。采用《林业有害生物发生及成灾标准》的失叶率计算方法[33]，首先利用3.1中的4种针叶林型空间分布对3.2中获取的7期LAI数据掩膜处理，再以2020年6月为监测时相，其他时相为参考时相，利用ArcGIS 10.8中栅格运算工具，根据式3得到监测时相的失叶率，针对所有样点进行遥感与实测的回归性分析。
$ \mathrm{L}\mathrm{L}\mathrm{R}=-\frac{\mathrm{L}{\mathrm{A}\mathrm{I}}_{\mathrm{N}}-{\mathrm{L}\mathrm{A}\mathrm{I}}_{\mathrm{M}}}{{\mathrm{L}\mathrm{A}\mathrm{I}}_{\mathrm{M}}} $
(3) 式中：LLR表示失叶率，LAIN为监测时相叶面积指数，即2020年6月；LAIM为基准参考月份叶面积指数，本研究中对应为2019年6月、7月、9月和2018年6月、7月、8月。
2.5 虫口密度耦合
采用R语言lm功能分析遥感监测因子及虫口密度的相关关系，建立虫口密度的量化模型，实现食叶害虫定量监测。选择相关研究[18,34]中对虫口密度影响较大的地理环境和林分结构2个方面共7个因子（坡度、海拔、郁闭度、平均胸径、林组、林龄、密度）与实地调查虫口密度进行显著性与相关性分析，择优选用线性函数、对数函数、幂函数、指数函数、Logistic函数5种模拟曲线拟合分析。采用平均决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）3个指标进行评价，其中R2和RPD越大，RMSE越小，表明模型预测值精度越可靠。为了检验模型的稳定性，采用保留样本交叉检验方式将虫口密度数据按3∶2的比例随机划分为建模集和检验集用以建立和评价模型。
3. 结果与分析
3.1 4种针叶林型空间分布提取
结合图2、表3发现，4个树种整体提取精度为89%，研究区内落叶松面积15208 hm2最大，空间分布均匀，平均斑块面积最大达到3.6 hm2，以较大斑块形式分布，分类用户精度90.20%；樟子松面积及斑块数均为最小，分别为604 hm2及307个，且用户精度为89.42%，分类精度最低；红松及云杉整体分类精度较高，皆超90%，平均斑块面积1.7 hm2同为最小，而云杉斑块数3 882为红松的1.5倍，说明云杉分布更为零散。
表 3 不同树种林型叶面积指数回归参数Table 3. Regression parameters of leaf area index of different forest types类型 斑块数 面积/
hm2平均斑块
面积/km2占比/
%制图精度/
%用户精度/
%落叶松 4 235 15 208 0.036 37.01 88.46 90.20 樟子松 307 6 0.020 1.47 86.33 89.42 云杉 2 326 3 882 0.017 9.45 90.59 91.75 红松 1 552 2 604 0.017 6.34 91.07 92.73 注：总体分类精度：89.3%；Kappa系数：0.88。 3.2 叶面积指数变化趋势
结合图3和表4可知，2018—2020年整体LAI均值伴随虫灾和人工防治的介入呈大幅降低后略恢复态势。2018年6月尚未受虫害，LAI的评价指标皆最高，均值达3.66，是受灾后同月的2倍。2019年和2020年影像发生明显变化，东北部落叶松林区呈大面积低值，均值处于2以下，与2018年集中在3左右对比表征期间出现严重失叶现象；2019年9月失叶区域逐步扩大至大面积LAI指数极低值甚至接近零值的现象；2020年6月峰值平缓，均值1.96，较2019年有所升高，偏度0.11，数据右倾，叶面积大于2的区域明显增多。
![]()
图 3 研究区7个时相叶面积指数PROSAIL模型反演结果a～g分别对应2018年6月、7月、8月、2019年6月、7月、9月、2020年6月时相下的LAI反演结果。其中2020年6月为监测年份，其余为参考年份。Figure 3. PROSAIL model inversion results of 7 temporal leaf area indices in the study area表 4 研究区7个时相LAI描述性统计Table 4. Descriptive statistics of 7 LAI in the study area时间 叶面积指数
最大值叶面积指数
最小值均值 标准差 峰度 偏度 2020–06 7.00 0 1.96 0.469 −0.657 3 0.111 7 2019–09 7.00 0 1.60 0.465 0.301 3 0.780 2 2019–07 7.00 0.02 1.53 0.382 −0.277 1 0.035 1 2019–06 7.60 0.01 2.02 1.234 −0.531 2 0.195 4 2018–08 3.63 0.01 3.12 0.100 1.476 3 −0.093 6 2018–07 3.76 0.02 2.89 0.800 0.528 8 −0.146 3 2018–06 4.33 0.08 3.66 1.486 1.597 0 −0.633 6 3.3 失叶率估算及时相分析
为了探讨适宜灾害监测的参考时相，本研究通过计算监测时相与参考时相间LAI差值获取失叶率（图4），负值即林木正常生长并未失叶，归失叶率为0。
![]()
图 4 不同参考时间下遥感估算失叶率分布图a～f依次为以2018年6—8月，2019年6月、7月、9月为基准时间计算所得失叶率分布图。Figure 4. Distribution of leaf loss rate calculated by remote sensing由遥感反演结果可见，以不同参考时相为基础计算的失叶率差异较大。以两年7月、9月为参考时相的方案，主要体现失叶率0%～30%的轻度失叶区域；以2019年7月计算的失叶率结果发生失叶现象面积最小。为完整体现实际灾害分布，选择失叶面积最大、受灾监测结果更为全面的2018年6月（图4a）为失叶率计算的参考时相讨论空间分布。在研究区西部各处均有不同程度的失叶现象零散分布；西北部整体呈中度失叶状态，失叶率集中在30%～60%；南部失叶现象程度较轻；重度失叶区集中在北部云杉林区和东北部落叶松天然林，失叶率大于60%，达到叶部害虫成灾标准[33]；未失叶区域同样集中在东北部，除重度受灾区外几乎未出现失叶现象。
为了深入探讨遥感估算失叶率精度及不同树种的适宜参考时相，本研究基于地面验证数据，通过构建实测与估测失叶率数据的线性关系，以R2判断，见图5。
![]()
图 5 遥感监测计算失叶率与实地估测失叶率线性回归结果红色虚线为1∶1关系线，蓝色实线为线性拟合函数线，灰色部分为区域置信区间；从左到右的依次为以2018年6—8月，2019年6月、7月、9月为基准时间计算所得失叶率的拟合。Figure 5. Linear regression results of leaf loss rate calculated by remote sensing monitoring and field estimated leaf loss rate综合整体70个样点得到的拟合结果显示，不区分树种的全样本的拟合效果2018年和2019年6月最好，R2均为0.59；以2019年6月为参考时相，失叶率估算数据更为离散，表现弱于2018年6月。对验证样本进行树种区分后，R2均有显著提高，落叶松、樟子松和云杉在2018年6月作为参考时相时R2最高，分别为0.7、0.55和0.73；红松在2019年6月为参考时相时R2最高，为0.82。观察1∶1关系线与拟合函数线位置发现，全样本监测值偏低，存在普遍低估现象。
3.4 虫口密度定量模型构建
为了提高遥感监测成果的应用价值，增强对地面防控工作的指导意义，本研究尝试定量探讨虫口密度与林分参数等影响因子的关系，对多因素多元回归分析结果见表5。
表 5 多因素与虫口密度的相关性与显著性分析结果Table 5. Correlation and significance analysis results of multiple factors and insect population density影响因子 皮尔逊相关性 显著性（单尾） 失叶率 0.899 0 坡度 0.157 0.096 海拔 −0.262 0.014 郁闭度 −0.056 0.323 平均胸径 0.163 0.089 林组 0.166 0.157 林龄 0.261 0.016 密度 0.213 0.021 由表5可知，海拔及郁闭度呈负相关，失叶率、林龄、密度、林组、平均胸径、坡度相关性递减呈正相关。其中，郁闭度对虫口密度的影响最小，相关性仅0.056，显著性远超0.1，无显著关系；失叶率的相关系数最高，达到0.899，对虫口密度的影响达到0.000 1水平上极显著。经对比主要影响因子仅为失叶率，可作为较可靠的估算重要指标。为定量描述虫口密度与失叶率间的关系，本研究采用多种模型形式进行拟合，探究最优模型，结果见表6。
表 6 失叶率与虫口密度耦合方式及评价Table 6. Coupling mode and evaluation of leaf loss rate and insect population density模型类别 拟合公式 评价指数 R2 RMSE RPD 线性 $ { Y=0.78x + 6.586 }$ 
0.755 2.83 3.1 对数 $ {Y=-6.7 + {\mathrm{log}}_{14.74}x }$ 
0.611 9.70 2.3 幂 $ {Y={x}^{0.719} + 2.383 }$ 
0.590 8.68 1.5 指数 $ { Y={0.034}^{x} + 5.258} $ 
0.515 11.98 1.8 Logistic $ {Y=\dfrac{1}{ 0 + 0.20\times 0.965x } }$ 
0.565 5.56 2.0 This page contains the following errors:
error on line 1 at column 1: Start tag expected, '<' not foundBelow is a rendering of the page up to the first error.
3.5 虫口密度地理反演及空间格局
为从空间上定量表达虫口密度分布格局，本研究基于ENVI平台利用波段运算工具，选用3.4的耦合模型基于3.3的失叶率对虫口密度进行定量反演，并结合《松毛虫防治技术规程》中对落叶松毛虫发生程度的划分标准[35]，以20、40、70头/株为分割标准对研究区针叶树种灾害程度进行划分，统计结果见图6～7。
![]()
图 6 研究区2020年6月虫口密度空间定量反演结果Figure 6. Quantitative spatial inversion of insect population density in June 2020 in the study area由图6可知，研究区西部失叶程度严重，受灾区域主要以重度失叶为主，东部大面积失叶，但程度较轻。结合图7、图2可见，整体落叶松重度虫灾区域占比相对较小，仅7.97%，但由于落叶松分布总面积大，重度受灾面积为12.12 hm2，总受灾面积达到6174 hm2，为研究区最大，整体受灾范围较集中但主要受害程度为轻度。反之，云杉总受灾比最大，达65.19%，面积却不足落叶松的40%；研究区内樟子松42.38%遭虫害，其中重度受灾区域平均虫口密度大于70头，占研究区樟子松总面积的25.95%，是轻度受灾面积的1.4倍。
为进一步验证遥感监测结果，本研究将遥感反演虫口密度数据与最大受灾树种落叶松的样地实测数据进行线性回归，并结合2020年长白朝鲜族自治县林业局森防站松毛虫统计数据对比分析，结果见图8、表7。
![]()
图 8 线性模型预测虫口密度与实测统计数据线性回归结果红色虚线为1∶1关系线，蓝色实线为实测值与预测值之间的线性拟合函数线。Figure 8. The linear model predicted the insect population density against the field statistics表 7 实测与监测虫口密度统计分析表Table 7. Statistical analysis of measured and predicted insect population density数据源 对应灾害程度面积/hm2 轻 中 重 实际调查数据 3 666 3 056 2 798 遥感监测值 4 391 3 162 2 817 本研究的整体监测结果与实际调查数据相近，虫口密度空间构成与直接详查结果吻合度较高。中、重度区域遥感监测面积与实际人工调查面积相差分别为106、19 hm2，相差比例仅3.0%、0.6%；在轻度发生面积监测上差异较大，遥感监测面积4391 hm2是实际调查面积3666 hm2的1.12倍，全样本各程度预测数据均偏高。落叶松的拟合效果良好，R2为0.69，函数线在1∶1线下方，预测值高于实测值。
4. 结论与讨论
4.1 讨论
4.1.1 失叶率监测的适宜参考时间
根据实验结果，树种物候期差异可能导致监测的适宜参考时相呈现不同趋势，林种分类模型的精度显著提高说明结合林地分布及个别树种特性进行区分监测可以提高监测精度。本研究中红松以受灾当年的6月效果最佳，而全样本及其余树种均为受灾前1年6月。结合研究区树种空间分布格局和实际灾情发展可知，自2018年至2020年，受害树种按落叶松–樟子松–云杉–红松的顺序逐步发展，红松为最后受害；红松经济价值较高，人工红松林相对集中，防治措施落实及时，灾害发展因人工介入较慢，故红松适宜参考时相相对延后。
2018—2019年6月与监测时相处于同月份，物候条件差异极小，时相间的LAI差值直接体现森林冠层叶片状态的不同，排除物候变化导致的植被自然生长影响，差值大小主要影响因素在于食叶害虫导致的失叶现象，以此为参考时相界定灾害扰动程度更精准高效。在实际应用中，遥感监测应当先于灾害大面积发生前监测主要区域，以受灾前1年6月为基准的精度具有最显著的效果及实际意义。
在前人研究中，参考时相主要为同期的3年前[16]及1年前[15]或从长时序监测角度进行预测[14]，本实验确定的受灾前1年6月与目前美国国家森林局规定的3年前同期相近[15]，实验结果合理可行；在失叶程度轻微且受害规模较小时，即虫害发生的早期，无法直接利用模型实现监测，因此基于遥感监测数据拟合的预测虫口密度值相较于样地调查值更接近实际。
4.1.2 虫口密度重要因子相关性
参考前人分析结果表明，坡度[36]，密度，海拔、林龄[34]，郁闭度、平均胸径[18]等地理因子对虫口密度影响较大。本研究各因子影响趋势相同但显著相关性不高，主要差异来自研究尺度及监测机制：前人都是比较小的样地尺度，选择的样点间隔较为密集，造成数据差异的主要影响因子突出，而本研究尺度比较大，对所选样点做实地考察发现，完整影响过程的刻画需考虑多因素的共同作用，逐一进行拟合显著性低且难以精准得到准确参数；此外，前人研究以地面调查为主，依据实际虫害情况分析由灾害导致的森林损失，从本质到现象，本研究基于遥感图像分析，采用失叶率等同样表征虫害程度的因子从现象推断本质，是导致本研究结果与前人研究差异的主要因素。
4.1.3 灾害空间格局的定量监测
虽然落叶松毛虫的主要取食对象不是红松、樟子松、云杉等常绿树种[1]，但由于研究区内主要常绿树种与落叶松林类镶嵌分布，彼此为相邻树种，没有天然隔阂，随着虫口密度增加，部分成虫会将卵产在常绿针叶林内，加之叶片更新速度较慢，林内的幼虫在春季造成的灾害较落叶针叶林内更为严重，造成在2020年6月重度受灾面积比最大、虫害程度最严重的现象。而红松的平均斑块面积最小，且早期受灾害影响较小，故受灾比最小。
鉴于人工调查所受地形等限制因素及采用标准差异，遥感监测能够避免山区和边境区等监测漏洞，覆盖更加广泛全面，与虫害实际发生情况更加相符。
4.2 结论
本研究以长白山落叶松毛虫灾害为例，通过分析监测时相与参考时相间LAI的差异，定量获取食叶害虫灾害导致的LAI损失率，耦合失叶率及虫口密度的定量关系，结合实地调查数据验证并进行空间拓展，实现森林食叶害虫灾害空间格局的定量监测，主要研究结论如下：
1）基于三维卷积神经网络模型，提取了研究区落叶松、红松、樟子松、云杉等4种主要林型的空间分布，经验证精度范围86%～91%。
2）基于PROSAIL模型，对研究区2018—2020共7期遥感数据进行LAI反演，整体精度大于88%。
3）通过对比不同参考时期拟合失叶率与监测时期实地调查数据精度差异，明确了失叶率计算采用的最佳检测时间点即受灾前1年的6月，为森林病虫害的定量表征奠定重要基础。
4）探明了失叶率与虫口密度之间的相关性及最佳耦合模型，实现长白山市病虫害程度的可视化空间表征，为森林病虫害的精准防治提供重要技术支撑。
-
![]()
图 1 树种空间分布提取深度学习模型训练及验证样本选择
Figure 1. Spatial distribution of tree species extraction deep learning model training and validation sample selection
![]()
图 3 研究区7个时相叶面积指数PROSAIL模型反演结果
a～g分别对应2018年6月、7月、8月、2019年6月、7月、9月、2020年6月时相下的LAI反演结果。其中2020年6月为监测年份，其余为参考年份。
Figure 3. PROSAIL model inversion results of 7 temporal leaf area indices in the study area
![]()
图 4 不同参考时间下遥感估算失叶率分布图
a～f依次为以2018年6—8月，2019年6月、7月、9月为基准时间计算所得失叶率分布图。
Figure 4. Distribution of leaf loss rate calculated by remote sensing
![]()
图 5 遥感监测计算失叶率与实地估测失叶率线性回归结果
红色虚线为1∶1关系线，蓝色实线为线性拟合函数线，灰色部分为区域置信区间；从左到右的依次为以2018年6—8月，2019年6月、7月、9月为基准时间计算所得失叶率的拟合。
Figure 5. Linear regression results of leaf loss rate calculated by remote sensing monitoring and field estimated leaf loss rate
![]()
图 6 研究区2020年6月虫口密度空间定量反演结果
Figure 6. Quantitative spatial inversion of insect population density in June 2020 in the study area
![]()
图 8 线性模型预测虫口密度与实测统计数据线性回归结果
红色虚线为1∶1关系线，蓝色实线为实测值与预测值之间的线性拟合函数线。
Figure 8. The linear model predicted the insect population density against the field statistics
表 1 采样点叶面积指数的描述统计
Table 1 Descriptive statistics of LAI at sampling points
树种 样地数 最小值 最大值 平均值 标准差 峰度 偏度 落叶松 29 0.69 3.89 2.27 1.04 –1.23 0.08 红松 11 0.67 3.03 1.79 0.70 –0.70 –0.05 樟子松 19 1.06 3.24 1.95 1.16 3.90 1.80 云杉 11 1.72 4.37 2.87 0.76 0.15 –0.07 全样本 70 0.67 4.37 2.10 1.01 0.82 0.79 
下载: 导出CSV
表 2 采用数据概况
Table 2 Data profiles were used
数据类型 数据名称 空间分辨
率或比例尺时间 数据说明 遥感影像 Sentinel−2A 10 m 2018年6—8月、2019年6—9月、2020年6月 每期3景影像为52 TDL、52 TDM、52 TCL，共63景 辅助数据 森林资源二类调查数据 1∶10 2018年 — 高分辨率遥感影像 <1 m 2018年9月 — 数字高程图（DEM） 10 m 2018年 — 灾害发生情况 10 m 2020年6月 林业局森防部门调查数据
下载: 导出CSV
表 3 不同树种林型叶面积指数回归参数
Table 3 Regression parameters of leaf area index of different forest types
类型 斑块数 面积/
hm2平均斑块
面积/km2占比/
%制图精度/
%用户精度/
%落叶松 4 235 15 208 0.036 37.01 88.46 90.20 樟子松 307 6 0.020 1.47 86.33 89.42 云杉 2 326 3 882 0.017 9.45 90.59 91.75 红松 1 552 2 604 0.017 6.34 91.07 92.73 注：总体分类精度：89.3%；Kappa系数：0.88。
下载: 导出CSV
表 4 研究区7个时相LAI描述性统计
Table 4 Descriptive statistics of 7 LAI in the study area
时间 叶面积指数
最大值叶面积指数
最小值均值 标准差 峰度 偏度 2020–06 7.00 0 1.96 0.469 −0.657 3 0.111 7 2019–09 7.00 0 1.60 0.465 0.301 3 0.780 2 2019–07 7.00 0.02 1.53 0.382 −0.277 1 0.035 1 2019–06 7.60 0.01 2.02 1.234 −0.531 2 0.195 4 2018–08 3.63 0.01 3.12 0.100 1.476 3 −0.093 6 2018–07 3.76 0.02 2.89 0.800 0.528 8 −0.146 3 2018–06 4.33 0.08 3.66 1.486 1.597 0 −0.633 6
下载: 导出CSV
表 5 多因素与虫口密度的相关性与显著性分析结果
Table 5 Correlation and significance analysis results of multiple factors and insect population density
影响因子 皮尔逊相关性 显著性（单尾） 失叶率 0.899 0 坡度 0.157 0.096 海拔 −0.262 0.014 郁闭度 −0.056 0.323 平均胸径 0.163 0.089 林组 0.166 0.157 林龄 0.261 0.016 密度 0.213 0.021
下载: 导出CSV
表 6 失叶率与虫口密度耦合方式及评价
Table 6 Coupling mode and evaluation of leaf loss rate and insect population density
模型类别 拟合公式 评价指数 R2 RMSE RPD 线性 $ { Y=0.78x + 6.586 }$ 0.755 2.83 3.1 对数 $ {Y=-6.7 + {\mathrm{log}}_{14.74}x }$ 0.611 9.70 2.3 幂 $ {Y={x}^{0.719} + 2.383 }$ 0.590 8.68 1.5 指数 $ { Y={0.034}^{x} + 5.258} $ 0.515 11.98 1.8 Logistic $ {Y=\dfrac{1}{ 0 + 0.20\times 0.965x } }$ 0.565 5.56 2.0
下载: 导出CSV
表 7 实测与监测虫口密度统计分析表
Table 7 Statistical analysis of measured and predicted insect population density
数据源 对应灾害程度面积/hm2 轻 中 重 实际调查数据 3 666 3 056 2 798 遥感监测值 4 391 3 162 2 817
下载: 导出CSV
-
王文森, 陈文海. 对落叶松毛虫危害的防治 [J]. 农村实用科技信息, 2014(8): 14. 郭安红, 王纯枝, 李轩, 等. 东北地区落叶松毛虫灾害气象风险区划初步研究 [J]. 灾害学, 2012, 27(2): 24−28. 余恩裕, 尹泰龙. 落叶松毛虫虫情预测的研究: 食叶量、残害量、总危害量及林分针叶蓄积量的测算 [J]. 吉林林业科技, 1980, 9(2): 56−59. 彭隆赞, 金时超, 孟凡凡, 等. 马尾松毛虫危害程度的高光谱监测方法 [J]. 湖北林业科技, 2017, 46(3): 1−6. 亓兴兰, 刘健, 胡宗庆, 等. 基于纹理特征的SPOT-5影像马尾松毛虫害信息提取 [J]. 西南林业大学学报, 2012, 32(1): 46−50,111. Dottavio C L, Williams D L. Satellite technology: an improved means for monitoring forest insect defoliation [J]. Journal of Forestry, 1983, 81(1): 30−34.
Kharuk V I, Ranson K J, Kozuhovskaya A G, et al. NOAA/AVHRR satellite detection of Siberian silkmoth outbreaks in eastern Siberia [J]. International Journal of Remote Sensing, 2004, 25(24): 5543−5556. DOI: 10.1080/01431160410001719858
武红敢. 卫星遥感技术在森林病虫害监测中的应用 [J]. 世界林业研究, 1995, 8(2): 24−29. 陈文静. 基于多光谱遥感影像的落叶松毛虫虫害区域识别研究[D]. 哈尔滨: 东北林业大学, 2021. Samseemoung G, Jayasuriya H P W, Soni P. Oil palm pest infestation monitoring and evaluation by helicopter-mounted, low altitude remote sensing platform [J]. Journal of Applied Remote Sensing, 2011, 5(1): 053540. DOI: 10.1117/1.3609843
亓兴兰, 肖丰庆, 刘健, 等. 基于多尺度纹理与光谱特征的马尾松毛虫虫害信息提取方法研究 [J]. 西南林业大学学报(自然科学), 2019, 39(5): 136−143. 地力夏提·依马木, 周建平, 许燕, 等. 基于Logistic算法与遥感影像的棉花虫害监测研究 [J]. 华南农业大学学报, 2022, 43(2): 87−95. 雷定湘. 无人机多光谱的棉蚜危害等级分类研究[D]. 阿拉尔: 塔里木大学, 2022. 白力嘎, 黄晓君, Dashzebegd G, 等. 基于高光谱特征的雅氏落叶松尺蠖虫口密度估算 [J]. 昆虫学报, 2021, 64(6): 711−721. 黄晓君, 颉耀文, 包玉海, 等. 微分光谱连续小波系数估测雅氏落叶松尺蠖危害下的落叶松失叶率 [J]. 光谱学与光谱分析, 2019, 39(9): 2732−2738. Housman I, Chastain R, Finco M. An evaluation of forest health insect and disease survey data and satellite-based remote sensing forest change detection methods: case studies in the United States [J]. Remote Sensing, 2018, 10(8): 1184. DOI: 10.3390/rs10081184
Pasquarella V, Bradley B, Woodcock C. Near-real-time monitoring of insect defoliation using landsat time series [J]. Forests, 2017, 8(8): 275. DOI: 10.3390/f8080275
孙晨辉, 许嘉巍, 靳英华, 等. 长白山原始林空间结构与落叶松毛虫虫口密度关系研究 [J]. 林业调查规划, 2022, 47(1): 72−80. 王冬, 陈国发, 任浩章, 等. 几种苯甲酰基脲类杀虫剂大面积地面喷雾防治赤松毛虫 [J]. 森林病虫通讯, 1998, 17(4): 21−22, 34. 向玉勇, 张帆. 赤眼蜂在我国生物防治中的应用研究进展 [J]. 河南农业科学, 2011, 40(12): 20−24. DOI: 10.3969/j.issn.1004-3268.2011.12.006 国家市场监督管理总局, 国家标准化管理委员会. 叶面积指数遥感产品真实性检验: GB/T 40034—2021[S]. 北京: 中国标准出版社, 2021. 杜凯名, 高成龙, 刘文萍, 等. 油松毛虫性信息素监测量与失叶率及虫口密度的相关性分析 [J]. 植物保护学报, 2016, 43(6): 966−971. 吉林省质量技术监督局. 伊藤厚丝叶蜂防治技术规程: DB22/T 2324—2015[S]. 长春: 吉林省质量技术监督局, 2015. 李友恭, 陈顺立, 洪伟, 等. 马尾松毛虫空间分布型及其在实践上的应用 [J]. 福建林学院学报, 1990, 10(3): 243−255. Pasqualotto N, D'Urso G, Bolognesi S F, et al. Retrieval of evapotranspiration from sentinel-2: comparison of vegetation indices, semi-empirical models and SNAP biophysical processor approach [J]. Agronomy, 2019, 9(10): 663. DOI: 10.3390/agronomy9100663
Foga S , Scaramuzza P L , Guo S ,et al. Cloud detection algorithm comparison and validation for operational Landsat data products [J]. Remote Sensing of Environment, 2017, 194: 379−390. DOI: 10.1016/j.rse.2017.03.026
陈方昕, 李文光, 马小丽. 长白山地区落叶松毛虫生物学特性研究 [J]. 防护林科技, 2018(8): 40−42. 李竺强, 朱瑞飞, 高放, 等. 三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类 [J]. 光学学报, 2018, 38(8): 404−413. Weiss M, Baret F, Jay S. S2ToolBox Level 2 Products LAI, FAPAR, FCOVER [Z]. Paris: Paris-Saclay University, 2016.
蔡博峰, 绍霞. 基于PROSPECT + SAIL模型的遥感叶面积指数反演 [J]. 国土资源遥感, 2007, 19(2): 39−43. 石雪. 基于层次化混合模型的高分辨率遥感影像分割方法[D]. 阜新: 辽宁工程技术大学, 2020. 霍朗宁. 基于单站地基激光雷达数据的油松失叶率定量估算研究[D]. 北京: 北京林业大学, 2019. 中华人民共和国国家林业局. 林业有害生物发生及成灾标准: LY/T 1681—2006[S]. 北京: 中国标准出版社, 2012. 于跃, 房磊, 王凤霞, 等. 落叶松毛虫发生的空间分布及其影响因子 [J]. 生态学杂志, 2016, 35(5): 1285−1293. 国家质量监督检验检疫总局, 中国国家标准化管理委员会. 松毛虫防治技术规程: GB/T 24882—2010[S]. 北京: 中国标准出版社, 2011. 孙向文, 段君博, 白玉桐, 等. 松林立地类型与松毛虫发生量相关性调查 [J]. 森林病虫通讯, 1997, 16(4): 21−23.
计量
- 文章访问数: 610
- HTML全文浏览量: 188
- PDF下载量: 18
