马尾松毛虫危害程度的高光谱监测方法

彭隆赞　金时超　孟凡凡

摘要：以受松毛虫不同危害程度的马尾松林分为研究对象，对在受到松毛虫危害时的马尾松冠层物理参数（单簇针叶体积、针叶长度、针叶中间直径）和马尾松林冠层高光谱光谱指数之间的关系进行分析，结果表明：①冠层的单簇针叶体积的变化可直接反应松毛虫的危害程度，单簇针叶体积越小虫害越严重，它的变化也引起了冠层光谱的各植被指数发生不同程度的变化，而其他冠层物理参数不能反应出松毛虫的危害程度。②从马尾松林冠层提取的高光谱遥感植被指数对虫害的不同程度的敏感性不同。增强型植被指数（EVI）、绿波段叶绿素指数（Red/Green）和归一化指标指数（NDVI）在虫害发生的中期与晚期有显著变化，但具有饱和现象，不能用来对马尾松林分受松毛虫虫害时进行早期监测；而红边波段叶绿素指数（CIrededge）、比值植被指数（RVI550）、比值植被指数（RVI700）、绿波段归一化植被指数（gNDVI）、差值植被指数（DVI）和结构不敏感色素指数（SPID）在虫害发生的整个时间范围内都有很明显的变化，不会达到饱和，可以在虫害发生的早期就进行监测。

关键词：高光谱；植被指数；病虫害监测；马尾松

中图分类号：O434文献标识码：A文章编号：1004-3020（2017）03-0001-06

Abstract： This paper want to find out that how the Pinus massoniana canopy reflectance reflect the mason pine caterpillar damage stage. The canopy reflectance of P.massoniana at different damage stage were measured in situ， and 9 different spectral indices were calculated to reflect the pine moths damage degree.The results show that： （1） The change of canopy needle volume indicated the harm degree by pine moth， the smaller of canopy needles volume， and the more pests had. While the change of canopy cluster needles also influenced the canopy spectral vegetation index. （2） Vegetation indices derived from P.massoniana canopy reflectance data can reflect damage degrees， but the sensitivity was not the same. Enhanced vegetation index （EVI）， green band chlorophyll index （Red/Green） and normal difference vegetation index （NDVI） had a significant change when in the mid and late stage， but these VIs also had saturation phenomenon especially in the early stage，they were more sensitive in the late stage then in the early stage of Mason pine caterpillar.The chlorophyll index at red edge band （CIrededge）， ratio vegetation index at 550 nm （RVI550）， ratio vegetation index at 700 nm （RVI700）， green band normalized difference vegetation index （gNDVI）， difference vegetation index （DVI） and structurepigment insensitive index （SPID） were obviously the changed in the whole range and had no saturation and sensitive at the entire period of the insect pest， so it could be used to monitor in the early stage.

Key words：hyperspectral；vegetation index；pest monitoring；Pinus massoniana

1引言

馬尾松毛虫Dendrolimus punctatus是马尾松的主要食叶害虫，马尾松毛虫具有危害面积大、暴发周期短、成灾严重的特点。松毛虫通过啃食针叶造成马尾松生长量减少，甚至使林木枯死，因此是中国南方地区马尾松林最严重的虫害[1]。为了有效地防治松毛虫，便捷、实时与大面积地实现对马尾松毛虫危害监测是关键[2]。传统的监测病虫害方法是通过随机抽样方法调查松毛虫虫口数量，并根据松毛虫种群变化规律预测预报松毛虫虫口密度、危害程度、虫害爆发范围与时间。但是，松毛虫的种群密度受气候因子影响大[3]，且成灾还具有爆发性，传统的方法很难便捷、实时与大面积地监测；同时，受到林区复杂地形的影响，传统的地面抽样方法很难全面地反应松毛虫危害程度。

随着遥感技术的不断发展，遥感影像具有空间覆盖范围大、时间分辨率高等特点，作为一种新的数据源而广泛地应用于森林病虫害监测。目前，低空间分辨率的MODIS影像、中等分辨率的TM影像以及高分辨率的SPOT影像都被应用在森林的病虫害监测中[4-9]。监测的原理是根据植被在受到病虫害干扰后，其叶片组织结构及生理生化参数等均会发生变化，其林冠层光谱反射率也会发生相应的变化，进而影响到遥感影像中不同波段所接收辐射信号的变化，因此利用多波段遥感数据计算各种植被指数，分析植被指数在不同病虫害程度状态下的差异，建立相应的回归模型以监测森林病虫害发生的面积与危害程度[10]。典型的植被指数包括归一化植被指数（NDVI）、比值植被指数（RVI）、绿色植被指数（GVI）等。现阶段的研究结果表明，对大面积森林虫害而言，虽然可以通过卫星遥感进行较好的监测，但是早期与中期森林病虫害敏感程度不高，且多为定性描述，这主要是因为卫星遥感空间分辨率和光谱分辨率不高所至。在病虫害发生的早期，植被组织结构与生理生化参数变化都较小，相应植被冠层光谱的变化不足以在基于遥感影像计算的植被指数中反应出来。

具有更高光谱分辨率（波段宽度<10 nm）高光谱遥感技术的发展，可更精细地反应植物生理生化参数的变化，如叶绿素、类胡萝卜素、花青素、冠层的叶面积等[11]。由于马尾松针叶被松毛虫吃掉后导致针叶长度变短而引起林冠外部冠层形状的变化和叶片组织结构遭受破坏导致内部生理生化的变化，这些变化会使马尾松林冠层光谱特征发生变化，特别在红色区和近红外区林冠层光谱变化明显[12-14]。受松毛虫危害的马尾松林冠的光谱特性与健康马尾松林冠的光谱特性相比较可以发现某些波长特征值会发生不同程度的变化，这些表观特征为马尾松毛虫高光谱监测提供了有利的支持。但是，目前在利用高光谱研究森林病虫害时，主要是分析森林在受到病虫害后植物叶片的光谱响应[15-18]，建立在病虫害胁迫条件下的植物色素含量反演高光谱指数与灾害指标之间关系上，但缺少对不同病虫害危害程度时高光谱响应机制的分析，更无法定量地描述在不同危害程度时遥感响应机制[19-23]，无法回答当马尾松受到松毛虫危害不同危害阶段时叶高光谱出现什么样特征，高光谱数据响应敏感性如何，更不能清楚地阐述高光谱监测的理论机制。

本文在以上研究的基础上，通过对受不同松毛虫危害阶段时马尾松林冠层的针叶体积和冠层光谱的植被指数进行分析，探讨在马尾松毛虫胁迫状况下林冠层针叶体积的变化情况和冠层高光谱数据响应特点，比较9种不同光谱指数与马尾松林冠层物理结构参数的关系，分析光谱指数对受松毛虫危害不同程度的敏感性，找出适合监测不同阶段松毛虫害的植被指数。

2材料与方法

2.1标准地设置

试验林分位于湖北省武汉市黄陂区，该区属亚热带季风气候，年平均无霜期255 d，多年均日照时数1 9174 h，多年均降水量在1 202 mm，平均气温157～164 ℃，空气相对湿度70%左右。

试验林为10 a马尾松人工林，依据单株马尾松树木上马尾松毛虫虫口密度及马尾松林木针叶被啃食的后枝条失叶率的大小，参照许章华等人方法将虫害危害程度分为5级，分别记为极严重、重度、中度、轻度和正常[24]，见表1。

在立地条件基本一致的马尾松人工林林分内，分别不同危害等级设置一个标准地，面积30 m×30 m。

2.2数据采集

在每一个标准地内，采集马尾松林冠层光谱。因马尾松树较高，用光谱仪无法直接测量其冠层光谱，因此在每个马尾松标准地内，随机选择12株马尾松样木，用高枝随机剪取林冠上层1个枝条作为样枝。

对采集的样枝，在野外实时测量样枝顶部的光谱作为林冠层光谱数据，测量时天气晴好，无风，测量时间为北京时间1100-1500。采用美国ASD便携式野外光谱仪进行光谱测定（光谱仪波段范围为325～1 075 nm，光谱分辨率32 nm），每次测量前要利用漫反射参考板（白板）进行仪器的优化。将待测马尾松样枝叶垂直放置在反射率近似為零的黑色布上，传感器探头垂直置于枝条顶部20～30 cm之上，保证整株样枝叶片充满整个视场角，每个样枝光谱值重复采集10次数据，用光谱平均值作为相应的马尾松林冠层的最终光谱。

根据松毛虫食叶性的特点，本文选择了利用冠层平均单簇针叶体积来描述受虫害时影响的大小。对采集完光谱数据的样枝条，统计其下一级侧枝数目及每簇针叶数，用游标卡尺测量出针叶长度和针叶粗度，用下式计算样枝条的平均单簇针叶体积：

V=∑ni=1πRi2Li/n（1）

式中，V为每枝平均针叶体积，Ri为第i分枝的针叶1/2部位平均半径，Li为第i分支针叶长，n为分支数量。

2.3高光谱数据处理

选用的光谱指数如表2所示，这些光谱指数大体可以分为两大类，一类是与植被色素含量有关的指数，如红边波段叶绿素指数（CIrededge）、绿波段叶绿素指数（Red/Green）、绿波段归一化植被指数gNDVI、结构不敏感色素指数SIPI、比值植被指数RVI550；另一类是与植被结构特性相关的指数，如归一化植被指数NDVI、比值植被指数RVI700、增强型植被指数EVI、差值植被指数DVI等。

2.4回归分析

对平均单簇针叶体积与光谱指数进行多回归方程拟合，对所获得的回归方程进行显著性检验，选择方程显著性高且F值大者为其模型。回归方程包括：线性回归方程y=a+bx，对数回归方程y=a+blnx，指数回归方程y=aebx，幂函数回归方程y=axb，逻辑斯蒂回归方程y=k1+ae-bx，S曲线回归方程y=e（b0+b11x）。

3结果与分析

3.1松毛虫危害时马尾松林冠层参数的变化

对每一虫害等级马尾松林冠层12枝样枝进行统计，针叶长度、针叶直径、每簇针叶数量及体积的平均值如表3所示。

从表3可以发现，在松毛虫危害不同程度的状况下，马尾松松针的平均单簇针叶数量和平均单簇针叶体积变化明显，随虫害程度加重平均单簇针叶体积则逐渐减小。虽然在受虫害严重程度逐渐增加的情况下平均针叶长度逐渐减小，但是轻度受害和正常情况下的差异并不明显。在5种虫害程度状况下，平均针叶直径只表现出约1%的差异。平均每簇的针叶数量也随着虫害程度的增加而减少，但是在中度和重度危害时的差异表现出相反的特征。这可能是由于不同马尾松植株的自身个体遗传差异不同所至。

由于马尾松林木个体年龄相同，立地条件相似，因此我们可用没有受松毛虫危害时的马尾松林冠层的平均单簇针叶体积为标准来计算在受松毛虫危害不同程度时林冠层的相对失叶率（见图1）。从图1可以看出，松毛虫危害越严重，马尾松针叶被松毛虫吃的也越多，叶体积越小，即虫害越严重马尾松针叶的失叶现象越严重。

为了研究不同虫害程度对其林冠层光谱反射率的影响，对每一虫害等级的12株树冠层样本枝条进行了光谱测定并计算出平均光谱，结果如图2所示。从不同虫害程度的光谱曲线中可以发现，没有受到虫害生长正常的马尾松林冠层光谱在550 nm具有明显的绿波段反射峰（绿峰），在680 nm具有明显的红波段吸收谷（红谷），在680～760 nm红边波段反射率急剧上升（红边），在760～800 nm近红外波段冠层反射率相对平稳且具有最大值（近红外平台），这就是绿色植被的典型光谱特征。当林分受到松毛虫轻度危害时，从林冠层光谱曲线中还能识别出绿峰、红谷、红边、近红外平台光谱等特征，但绿峰最大值会降低，红谷位置反射率会升高，红边部分反射率的陡峭程度会降低，近红外部分最大反射率值也会降低。当林分受到松毛虫中度、重度及极严重危害时，林冠层光谱则没有明显的绿峰、红谷、红边、近红外平台等光谱特征，且随着虫害程度的加剧，400～800 nm的林冠层光谱反射率呈下降趋势。这主要是因为随着松毛虫害的加剧，林冠层中针叶被大量啃食，林冠层的绿色部分逐渐减少，林冠层光谱则更多反映的是枝条的反射特征。

3.2单簇针叶体积与各植被指数的关系

冠层的平均单簇针叶体积的变化反应了松毛虫对马尾松林冠层的危害程度，而同时冠层的平均单簇针叶体积的变化也对冠层光谱造成了影响。因此，分析林冠层平均单簇针叶体积与光谱指数的关系，可为监测松毛虫害程度提供依据。为此，本文对9种不同光谱指数与冠层单簇针叶体积建模分析后得出以下結果：

（1）各种类型光谱指数均与林冠层平均单簇针叶体积有较好的相关性，除RVI550、SPID R2，低于0.6外，其余均高于06；

（2）不同光谱指数与林冠层平均单簇针叶体积的适宜回归模型不同，CIrededge与平均单簇针叶体积，以及RVI550与平均单簇针叶体积均为线性相关（图3a和b）；RVI700指数与平均单簇针叶体积，gNDVI指数与平均单簇针叶体积，DVI指数与平均单簇针叶体积，以及SPID与平均单簇针叶体积均呈指数函数相关（图3c、d、e、f）；EVI指数与平均单簇针叶体积，Red/Green指数与平均单簇针叶体积，NDVI指数与平均单簇针叶体积均呈logistics函数相关（图3g、h、i）；

（3）不同光谱指数在虫害的不同阶段响应特点存在差异。在松毛虫危害晚期，EVI、Red/Green、NDVI指数很敏感（即冠层平均单簇针叶体积值很小），变化剧烈，但是在虫害发生的早期无变化；在虫害发生的中早期，虽然RVI700、gNDVI、DVI和SPID指数缓慢变化，但在虫害发生的晚期变化明显；CIrededge指数和RVI550指数在虫害发生的早期、中期及晚期范围内都进行相应的变化。

通过对比各光谱指数与林冠层平均单簇针叶体积的回归分析发现，EVI指数、Red/Green指数和NDVI指数对冠层平均单簇针叶体积的响应存在明显的拐点（如图3 g、h、i），经过拐点后EVI指数、NDVI指数和Red/Green指数对冠层单簇因虫害造成的平均针叶体积变化的响应不明显，即达到饱和现象。在响应曲线拐点左侧，林冠层平均单簇针叶体积随松毛虫危害严重程度的增加而减小，在此区域范围内EVI、NDVI、Red/Green响应敏感；在响应曲线拐点右侧三种指数均达到饱和，即EVI、NDVI、Red/Green因虫害造成的针叶体积减小响应不明显。

EVI、NDVI及Red/Green三种指数曲线拐点的位置存在一定的差异。当EVI、NDVI和Red/Green指数达到拐点时，林冠层平均单簇针叶体积相对失叶率分别为61.31%、73.25%和77.92%，表明了EVI指数表现出更强的敏感性，能更早监测到马尾松毛虫虫害的发生。

4讨论

遥感数据在大面积范围森林病虫害监测中有巨大的优势，但是各种遥感光谱指数对病虫害的响应程度如何，怎样从遥感光谱数据中提取有用的光谱指数，如何将光谱指数与森林的林冠层特征值建立回归方程，所有这些均是目前森林病虫害遥感监测中存在的主要热点问题与难题。本文根据松毛虫啃食针叶导致马尾松针叶体积发生变化的特点，用林冠层平均单簇针叶体积变化量作为分析松毛虫危害严重程度的度量指标，并针对9种典型光谱指数对松毛虫危害严重程度的响应进行研究。通过比较分析，找出了松毛虫虫害的有效监测指标。

本文在前人森林病虫害遥感监测研究的基础上，依据光谱指数与植被参数的关系特点，将选择出的9种光谱指数划分为与植被色素含量及林冠层结构有关的两类。反应林冠层结构类的光谱指数如EVI及NDVI等，以及反应色素含量的光谱指数如CI、RVI550等，两类光谱指数均能与林冠层结构特征植建立显著相关的回归模型。

在选择的9个光谱指数中，有7个光谱指数与针叶体积回归曲线存在明显的拐点，即饱和现象，而CIrededge与RVI550与针叶体积回归曲线在试验的数据范围内没有明显的拐点。可以利用这些光谱指数在虫害发生不同时期敏感程度的不同分时段进行监测。RVI700指数、gNDVI指数、DVI指数和SPID指数虽然在虫害中期也发生变化，但其敏感程度并不高。CIrededge指数和RVI550指数在虫害发生的整个时期都可以用来作为虫害危害的监测指标。其他植被指数则适合在虫害发生的晚期作为虫害危害的监测指标。

5结论

本文通过对在受到不同程度松毛虫危害时的马尾松单簇针叶体积和马尾松林冠层高光谱响应特征进行分析，研究9种植被指数与马尾松针叶长度、针叶粗度、平均单簇针体积间的相关性，以及平均单簇针叶体积与各植被指数进行回归方程拟合研究，得到以下结论：马尾松林在受到马尾松毛虫危害后直接导致马尾松林冠层的单簇针叶体积发生变化；马尾松林冠层高光谱遥感植被指数均能不同程度地对受松毛虫危害不同程度进行响应；可以根据林冠植被指数的差异特性，当林分受松毛虫危害时分别应用这些植被指数便捷地进行早期、中期与晚期预测预报。

参考文献

[1]武红智， 陈改英. 基于GIS的马尾松毛虫灾害空间扩散规律分析[J]. 遥感学报， 2004， 8（5）：475480.

[2]张衡， 潘洁， 廖振峰. 森林病虫害高光谱遥感监测的研究进展[J]. 中国森林病虫，2014（02）：2630.

[3]张淑杰， 张玉书， 肖燕， 等. 春季松毛虫种群数量及其发生面积预测研究[J]. 植物保护， 2014， 40（4）： 5459.

[4]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）： 148155.

[5]武红敢， 石进. 松毛虫灾害的TM影像监测技术[J]. 遥感学报， 2004（02）： 172177.

[6]亓兴兰， 胡宗庆， 刘健，等. 基于光谱特征的SPOT5影像马尾松毛虫虫害信息提取[J]. 东北林业大学学报， 2012（05）： 131133+136.

[7]Eklundh L， Johansson T， Solberg S. Mapping insect defoliation in Scots pine with MODIS timeseries data[J]. Remote Sensing Of Environment， 2009， 113（7）：15661573.

[8]Hilker T， Wulder M A， Coops N C， et al. A new data fusion model for high spatialand temporalresolution mapping of forest disturbance based on Landsat and MODIS[J]. Remote Sensing Of Environment， 2009， 113（8）：16131627.

[9]付安民， 孫国清， 过志峰. 基于MODIS 数据的东北亚森林时序变化分析[J]. 北京大学学报：自然科学版， 2010（5）：835843.

[10]Y Zhang， X Ban， P Chen， et al. Dendrolimus spp. Damage monitoring by using NOAA/AVHRR data[J].Chinese Journal Of Applied Ecology， 2005， 16（5）：870874.

[11]吴见， 彭道黎. 高光谱遥感林业信息提取技术研究进展[J]. 光谱学与光谱分析， 2011（09）：23052312.

[12]云丽丽， 栾庆书， 金若忠， 等.遥感技术在森林病虫害监测上的研究进展[J]. 辽宁林业科技， 2012（01）： 4044.

[13]云丽丽， 高国平， 栾庆书， 等. 辽西油松毛虫虫害的TM 影像监测技术[J]. 安徽农业科学， 2010（01）： 201204.

[14]云丽丽， 王树海， 栾庆书， 等. 基于GIS松毛虫预警系统空间信息库的建立[J]. 辽宁林业科技， 2005（ 04）：3536.

[15]Verhoef W， Bach H. Remote sensing data assimilation using coupled radiative transfer models[J].Physics & Chemistry Of The Earth Parts A/b/c. 2003， 28（13）：313.

[16]Das B， Sarathjith M， Ray S， et al. Hyperspectral remote sensing： opportunities， status and challenges for rapid soil assessment in India[J].Current Science. 2015， 108（5）：860868.

[17]Sahoo R， Ray S， Manjunath K. Hyperspectral remote sensing of agriculture[J].Current Science.2015， 108（5）：848859.

[18]Liu Y， Lyu Q， Deng L， et al. Prediction of nitrogen and phosphorus contents in citrus leaves based on hyperspectral imaging[J]. International Journal Of Agricultural & Biological Engineering， 2015， 8（2）：8088.

[19]Feifei Zhao， Yafei Wang， Yanyou Qiao. Framework for videobased monitoring of forest insect defoliation and discoloration[J].Journal Of Applied Remote Sensing. 2015，9（1）：096093096093.

[20]RullanSilva C， Olthoff A E， Pando V， et al. Remote monitoring of defoliation by the beech leafmining weevil Rhynchaenus fagi in northern Spain[J].Forest Ecology and Management ，2015， 347：200208.

[21]RullanSilva C D， Olthoff A E， Delgado dlMJA，et al. Remote monitoring of forest insect defoliation. A review[J].Forest Systems， 2013， 22（3）：377391.

[22]Lausch A， Heurich M， Gordalla D， et al. Forecasting potential bark beetle outbreaks based on spruce forest vitality using hyperspectral remotesensing techniques at different scales[J].Forest Ecology and Management， 2013， 308（4）：7689.

[23]Hanavan R P， Pontius J， Hallett R. A 10Year Assessment of Hemlock Decline in the Catskill Mountain Region of New York State Using Hyperspectral Remote Sensing Techniques[J].Journal of Economic Entomology， 2015， 108：111.

[24]许章华， 李聪慧， 余坤勇， 等. 马尾松毛虫害等级的Fisher判别分析[J]. 农业机械学报， 2014（06）： 275283.

（责任编辑：夏剑萍）