森林健康评价的遥感技术研究

马有国　杜学惠

摘要：遥感技术的研究已基本成熟，但将其应用于森林健康评价的研究还相对较少。通过分析遥感技术评价森林健康的可行性和必要性，分析国内外森林健康研究情况及评价指标体系，在综合考虑自然资源、土壤因素、地形因素、火灾和病虫害干扰等方面的基础上，从植被信息、林地环境和森林风险3个方面选取10个能体现森林健康的指标。分析表明：遥感技术评价森林健康是可行的，但也有一定的局限性。多元数据融合不仅可以更全面的提取指标信息，更能提高指标提取精度。发展新型遥感技术、探寻更智能更精确的解译算法，逐渐克服遥感技术在表示植被多样性方面的劣势。

关键词：遥感;森林健康;植被信息;林地环境;森林风险

中图分类号：S771.8文献标识码：A文章编号：1006-8023（2019）02-0037-08

Research on Remote Sensing Technology of Forest Health Assessment

MA Youguo 1，DU Xuehui 2

（1. Ledu District Forestry Bureau， Haidong City， Ledu 810700;

2.College of Technology and Engineering， Northeast Forestry University， Harbin 150040）

Abstract：Researches on remote sensing technology are basically mature， but there are relatively few studies on its application to forest health assessment. By analyzing the feasibility and necessity of evaluating forest health by remote sensing technology， reviewing the progress of forest health research and evaluation index system at home and abroad， based on comprehensive consideration of natural resources， soil factors， topographical factors， fire， pest and disease interference， etc. 10 indicators that reflect forest health are selected in three aspects： information， forest environment and forest risk. The analysis shows that remote sensing technology is feasible to evaluate forest health， but it also has certain limitations. Multivariate data fusion can not only extract indicator information more comprehensively， but also improve the accuracy of index extraction. Develop new remote sensing technologies， explore smarter and more accurate interpretation algorithms， and gradually overcome the disadvantages of remote sensing technology in expressing vegetation diversity.

Keywords：Remote sensing; forest health; vegetation information; woodland environment; forest risk

0引言

森林是地球上最重要的生態系统之一，健康的森林生态系统不仅能为人类提供大量的木材，也能为人类提供经济、生态和社会等诸多效益。森林在调节全球气候变化、保护生态环境和维持生物多样性等多方面起着非常重要的作用，但是这些因素反过来也影响着森林的健康，此外还有如生物入侵、病虫害、火灾、空气污染以及人为砍伐等都威胁着森林的健康发展。

森林健康的概念于20世纪70年代由德国首次提出 [1]，随着人们对森林认识的深入，森林健康也引起了越来越多的关注与研究。传统的实地调查数据局限于样本点或样本区域，不能体现大片森林状况，若要对大片区域森林进行研究，势必要花费大量的人力物力和时间，且容易存在数据滞后、难以应对突发状况等弊端，利用遥感技术可以弥补这一不足。Pause等 [2]提出遥感技术最主要的一个优势是它的以低成本、高效率重复性获得大片区域标准化信息的潜力。目前遥感技术的应用还依赖于实地调查数据，《中国森林可持续经营标准与指标》指出遥感技术是获取有关区域宏观基础数据的有效方法，但预测模型的构建和有关森林的基础数据必须通过传统调查方法获取。实地调查数据与遥感的结合不仅可以监测森林变化状况，并且可以与引起变化的驱动力联系起来，为之后的森林健康预测与管理提供可靠的支撑。高广磊等 [3]进行了遥感技术的森林健康研究，主要介绍了遥感技术在森林资源、生态功能、植被参数和森林风险4个方面的应用，没有考虑林地环境对森林健康的影响，且在森林火险只涉及到火灾发生以后的遥感观测，并不适用于森林健康系统评价，不足以形成一个完整的评价体系。本文参考已有森林健康评价的指标体系，选取了10个能体现森林健康的指标，并分别就其提取方法进行综述，旨在梳理出利用遥感技术进行森林健康研究的方法，以期为相关研究提供借鉴与参考。

1可行性与必要性

1.1可行性

植被的光谱曲线及纹理特征与建筑用地、土壤、农田、沙漠和水体等其他地物类型有很大不同，根据植被光谱、物候和生物化学等特征及特征变化，可区分植被类型、植被不同生长阶段以及由人为或自然压力导致的植被或群落变化，这些特征可定量化为指标来评价森林健康状况。遥感技术提供了一种有效的、可重复且可对比的方式监测森林指标变化，以此可及时观测到森林健康状况变化。

1.2必要性

以中国知网CNKI数据库为检索平台，基于“期刊”选项搜索，搜索规则分别设为：主题=森林健康以及主题=森林健康 and 全文=遥感，分别检索得824篇和73篇文献，而将规则设为主题=森林or林业and全文=遥感，检索到6148篇文献。林业遥感的研究起始于20世纪70年代，但森林健康1989年才首次出现，因此统计从1989年开始，将检索到的文献按年份统计，如图1所示。由图1可见，近年来我国对于森林健康和林业遥感研究的论文数量均呈上升趋势，而基于遥感技术的森林健康研究的论文数量仍处于较低水平。森林健康研究中，遥感技术于1994年首次出现，且只以新技术形式介绍了一小段篇幅，但以遥感为技术手段监测资源、探测森林火灾和病虫害等指标于1974年就有了相关研究。现阶段，遥感技术在林业方面的应用已经成熟，但多数研究只侧重于某一方面或某一指标，不能反映森林整体健康状况，不足以为森林的健康管理提供必要的支持，因此将现已成熟的遥感技术手段与森林健康评价联系起来具有可行性和必要性。

2森林健康评价指标体系

森林健康是一个复杂的学科，目前为止并没有一个准确的森林健康度量标准。现有研究对森林健康的普遍认知是：健康的森林生态系统应该具有较强的稳定性、完整性和功能性，对可见的急性灾害（如火灾、病虫害、生物入侵等）和难以观测的慢性胁迫（如土壤污染、营养不足等）具有较强的抵抗力和恢复力。森林健康评价与尺度密切相关，国内外学者从单木、林分、景观和区域4个尺度对森林健康进行研究，其中基于单木尺度的健康评价研究较少，在林分、景观尺度已有利用遥感技术进行森林健康评价的研究，因此本文主要基于区域尺度的森林健康评价进行讨论。

建立评价指标体系是进行森林健康评价的首要步骤，指标体系是否完整及其好坏关系着评价结果的准确性与科学性，许多国内外学者在区域尺度对森林健康评价指标开展了研究，采用指标见表1。

本文综合考虑自然资源、土壤因素、地形因素、火灾和病虫害干扰等方面，从植被信息、林地环境和森林风险3个方面选取10个能体现森林健康的指标，如图2所示。

3植被信息提取

森林生态系统复杂，传感器接收到的信息往往是植被、土壤和大气等多项因素共同作用后的结果。利用植被的光谱、生物化学、光谱变化及物候变化等特征可以减弱非植被因素的影响，从而提取植被信息。随着遥感技术的发展，运载方式从空载到航载，传感器从多光谱到高光谱，光谱范围从可见光到微波，空间分辨率从亚米到千米，时间分辨率从30 min到几个月不等，形成的遥感图像种类繁多。多样的数据为更普遍化、实用化的研究提供了可能，如植被分类、叶面积指数、蓄积量和郁闭度等已得到广泛的研究，并取得了显著的成果。

3.1植被分类

植被分类是保护和利用森林资源的基础，也是研究物种多样性的前提。物种多样性高的林分，森林生态系统稳定性也越高。国内外基于遥感技术的植被分类研究较多，特别是多光谱和高光谱遥感数据在分类领域应用广泛。健康植被的光谱曲线在绿光波段和近红外波段有两个反射峰、在红波段有一个吸收谷，这一特征明显不同于土壤、水体及其他典型地物，研究学者利用这一特征推出了多种植被指数以减弱环境对植被信息的影响。

传统的多光谱数据波段较宽，光谱特征数较少，“椒盐现象”严重，在树种识别领域受到很大局限。随着高光谱技术的发展，植被可基于光谱层次直接进行分类，大大提高了树种识别的精度。植被分类的研究主要通过两种方法，一种基于植被生物物理、生物化学特征识别树种类型，另一种直接基于光谱信息建立模型自动识别树种。如Martin等 [10]结合树种生物物理化学信息与高光谱数据（AVIRIS）相关关系建立模型，鉴别了11种树种类型，总体精度达到75%。王璐等 [11]利用HJ-1A数据进行树种分类，通过多种微分变换和对数变换，最高分类精度可达89.5%。

多源数据的融合是如今遥感领域的发展趋势，通过融合多传感器（光学遥感、热红外遥感、RADAR、LiDAR）数据，可以增强2D/3D光谱和光谱变化信息，从而提高分类精度。如魏晶昱等 [12]中分辨率（Landsat 8）和高分辨率数据（QuickBird）融合、陶江玥等 [13]光谱与LiDAR数据融合均提高了分类精度，这是因为QuickBird的图像加入了Landsat 8数据之后融合了更多的光谱信息，而雷达数据为光学遥感图像提供了更多的立体结构信息，使分类结果更加准确。

3.2叶面积指数

叶面积指数是指单位地表面积上绿叶表面积总和的一半。植被的呼吸、蒸腾、光合作用以叶片为载体，叶面积的大小体现着植被生理过程的能力，是描述植被与环境之间进行物质能量交换的关键参數。叶面积指数估算是植被遥感定量研究的热点之一，国内外学者主要基于多光谱遥感对其开展了大量研究。遥感估算叶面积指数主要有两种方法：物理模型法和统计模型法。物理模型物理意义明确，但模型反解复杂，且输入参数难以确定。统计模型参数少，运行效率高，但不具有外延性 [14]。

目前国内对叶面积指数的研究主要集中于植被指数与叶面积指数之间的相关关系，其中NDVI使用频次最多。陈健等 [15]在利用TM和MODIS数据反演芦苇叶面积指数研究中发现，随着尺度的增大，空间异质性也增大，叶面积反演结果误差越大。这一误差可以通过小区域实地测量数据与高分辨率遥感影像的植被指数建立相关模型，反演该区域叶面积指数，再将其作为观测值反演更大区域的叶面积指数，以此达到转换尺度从而提高反演精度的目的。温一博等 [16]使用TM影像作为中间数据对实测数据进行尺度转换，分析叶面积指数的空间异质性，得出研究区域采用600m分辨率验证数据反演结果最佳。

利用光学遥感反演叶面积指数是目前的主要研究手段，但叶面积指数较大时容易导致植被冠层遥感信号饱和，从而影响反演精度。骆社周等 [17]利用机载激光雷达和Landsat TM数据分别反演叶面积指数，结果显示机载激光雷达反演精度（ R2=0.825， RMSE =0.165）高于TM数据（ R2=0.605， RMSE =0.257）。骆社周等 [18]还利用星载激光雷达GLAS建立LPI模型反演叶面积指数（ R2=0.84， RMSE =0.64），因GLAS数据不连续，反演大区域叶面积指数时需与连续影像（TM）融合，结果表明反演叶面积指数与实测数据具有较好的相关性（ R2=0.76， RMSE =0.69）。这说明激光雷达数据具有反演叶面积指数、提高反演精度的巨大潜力，可以考虑将其与光学遥感影像融合，以期取得更好的效果。

3.3郁闭度

郁闭度不同于叶面积指数，指的是乔木冠层的垂直投影面积与林地面积之比。郁闭度是森林资源优劣的一项指标，可用其区分有林地、疏林地等，为确定采伐强度和抚育幼林提供参考。利用遥感技术获取森林郁闭度常用辐射传输模型法和统计模型法。统计模型法总体类似于估算叶面积指数，利用实测点数据植被指数与郁闭度构建统计模型，从而估算更大区域的郁闭度。琚存勇等 [19]用变量筛选方法估算郁闭度，发现基于偏最小二乘回归的Bootstrap方法较传统的平均残差平和方法精度约提高5%。刘丹丹等 [20]采用像元二分模型，假设一个像元只有林冠和非林冠部分，像元光谱信息由两组分线性组合构成，根据地物在地表面积中所占比重配比权重，乔木层林冠贡献的权重即为该像元的郁闭度，结果表明模型精度达到89.01%。王蕊等 [21]联合星载ICESat-GLAS波形与TM数据估测郁闭度，联合后精度高于GLAS和TM单一数据为数据源时的估测精度。利用统计模型方法估算郁闭度方法简单，便于操作，但不适用于大区域的研究，森林的研究正趋向于区域化、全球化的发展，基于物理模型反演的方法能更好的运用于大尺度，并充分利用多源数据获取的植被信息，在实现大尺度观测的基础上提高估测精度。

3.4蓄积量

蓄积量是反映森林贮存能力和森林资源的基本指标，国内外主要通过光学遥感和微波遥感对森林蓄积量进行估测。张超等 [22]结合TM/ETM+和实地调查数据，基于偏最小二乘回归法构建回归模型，估测研究区域蓄积量，精度可达90%以上。刘俊等 [23]依据小班平均高和平均年龄建立好、中、差3种地位等级，结果表明3种立地等级估测精度均高于统一建模估测精度。森林蓄积量包括叶和枝干两部分生物量，然而光学遥感只能对树冠进行探测，具有一定的局限性。

微波具有较强的穿透能力，高频波段（C波段、X波段）穿透能力弱，后向散射主要由树冠反射决定;低频波段（P波段、L波段）穿透能力强，后向散射主要由木质元素（树干、较大树枝）决定，P波段波长最短，因此不难理解P波段对森林蓄积量敏感度最强。欧空局计划在2020年发射一个偏振和干涉测量的P波段卫星，这将为森林生物量和蓄积量的测量提供更好的方法。王臣立等 [24]用Radarsat SAR数据估测桉树林蓄积量，研究表明，不同树龄、树高、胸径的蓄积量与后向散射系数呈对数关系，但相关系数不同;不同树冠结构对后向散射系数的影响也不同。估测结果基本符合林场精度要求，但小班应用效果不理想。Gaia Vaglio Laurin等 [25]将高光谱数据和LiDAR数据融合估测蓄积量，相比只以LiDAR为遥感数据源结果有所改善，这是因为光学遥感数据包含了大量的植被冠层信息，这些信息与森林蓄积量有相关关系。无论光学遥感还是微波遥感估测森林蓄积量，地面实测数据都不可或缺，若以机载雷达为辅助媒介，可以促进全球森林蓄积量的研究。

3.5林龄结构

林龄是评估森林生态系统碳汇潜力的重要参数，也是分析森林碳循环受干扰因素的重要替代因子。目前研究中，林龄数据主要通过森林清查和遥感技术获取，森林清查主要基于样地尺度，很难扩展到区域尺度。遥感技术是获取区域尺度林龄数据的有效方法，利用健康植被的光谱特征以及植被衰老过程中光谱变化特征，可用以区分健康植被与衰老或因灾害死亡的植被（如病虫害等）。陈云浩等 [26]利用十年间NDVI指数为数据源，分析了1983年至1992年中国陆地植被的生长和衰老变化过程。

利用遥感技术获取林龄数据，存在森林生长初期光谱敏感以及冠层郁闭后光谱饱和问题，因此需要融合清查数据和遥感影像数据分析林龄变化特征。李凡等 [27]通过森林详查数据构建树龄与树高统计模型，在区域尺度上利用资源三号影像和机载雷达数据提取森林平均树高和植被类型信息，以此估测的林龄与实测林龄数据平均相对误差为0.125，估测精度为85.4%，结论还表明，林分平均树高达20m以后，林龄与树高关系达到飽和。

3.6枯落物厚度

森林枯落物的储量和厚度能够表征森林物种多样性及物质循环、能量流动、水源涵养等生态功能，且枯落物的厚度越大，则储量也越大，两者呈显著正相关关系，相关研究常以厚度直接代替储量。微波遥感对松散沉积物等的分类、组成物质、颗粒大小、叠置关系等敏感，且其具有较强的穿透能力，因而可以利用微波遥感探测枯落物厚度。Kurum M等 [28]利用微波L-Band通过对比移走枯落物样地和保持不受干扰样地数据发现，在移走枯落物后极化反射率明显下降，并且对比森林辐射水平，枯落物使冠层亮度温度增加，而削弱土壤发射强度。Schwank M等 [29]通过基于塔的激光雷达数据，研究枯落物湿度和L-Band波段亮度之间的关系模型，研究发现，在干燥环境下枯落物探测不明显，当枯落物被浸湿后，探测区域亮度增加，进一步浸湿，湿度增加，亮度降低，这一特点可以有效避免对L-Band的错误解译。

4林地环境

林地环境即植被的生长环境，是决定森林生态系统生产力的重要因素，对森林的分布和健康发展起着重要作用。

4.1地形

地形因子影响着太阳辐射和降水的空间再分配，导致土壤肥力、土壤水分等资源的空间差异，从而影响植被分布的差异。ASTER GDEM和SRTM是全球最完整的高精度地形数据，且已得到广泛应用。有研究表明SRTM1 DEM数据在垂直精度上明显高于ASTER GDEM V2，两种数据均受坡度影响较大，且随着坡度增大误差也增大。天绘一号卫星是我国第一代传输型立体测绘卫星，其中01星与02星定轨精度为2～3m，03星定轨精度优于1m，天绘一号的发射使中国首次实现了与SRTM相对精度同等的技术水平。资源三号卫星是我国第一颗民用三线阵立体测图卫星，其无控制点精度优于15m，带控制点平面精度优于4m，高程精度优于3m。资源三号测绘卫星DSM数据精度整体高于ASTER GDEM。此外法国SPOT-5，印度IRS，美国IKONOS，德国QUICKBird等卫星也可用以提取地形信息，多卫星融合如王晋利用ICESat和SRTM数据辅助天绘一号可提高所提取高程精度。ICESat-2卫星、高分七号卫星、北斗卫星的发射和发展也必将提供更精确的地面地形信息。

4.2土壤

土壤承载着植被生长的基质，对植被的生长和分布有重要作用。影响森林健康的土壤指标主要有土壤侵蚀度，土壤水分和土壤厚度。

多数光学遥感卫星可用于土壤侵蚀的研究，通过遥感影像的光谱信息、地物分类以及DEM变化等信息，可以探测土壤侵蚀状况。如卫亚星等 [30]利用两个时期陆地卫星数据植被盖度及研究区地形坡度值分析了不同侵蚀强度区域面积变化和驱动力。

光学遥感估算土壤水分主要是利用土壤表面温度、以及土壤表面的发射率、反射率等特征信息。国内外学者利用土壤湿度指数（SWI）、湿度植被干旱指数（TVDI）等指数估算土壤水分。光学遥感数据易于获取、空间分辨率高，但穿透性差，受植被、环境、天气影响较大，且光学遥感多通过各种指数建立经验模型间接估算土壤水分，应用具有一定的局限性。相比之下，微波遥感穿透能力强，且具有全天时、全天候监测的能力，已被广泛应用于地表参数反演。利用微波遥感反演土壤水分主要有主动的基于散射计或雷达的方法、被动的基于辐射计的方法以及主被动联合的反演方法。被动微波主要利用土壤水分与土壤微波辐射的相关关系，主动微波主要利用土壤介电常数与雷达后向散射系数之间的相关关系，两者都能全天候测量，可以探测地表5 cm左右深度。微波反演水分主要用到C波段和L波段，C波段对植被穿透力弱，只适用于裸地和低矮植被区域，L波段在植被覆盖区域也能取得较好的效果。

土壤厚度和性状是植被生长的物质基础，但其易受植被遮挡、地形地貌等因素影响，难以直接观测。微波数据具有较强的穿透力，因此利用遥感技术估测土壤厚度也成为可能。如Bilbisi等 [31]利用日本地球资源卫星（JERS）L-Band干涉SAR数据估算约旦东北干旱和半干旱地区土壤厚度，基于表层土介电质连续的特性，通过多层模型分析可以获得后向散射系数与土壤厚度之间的关系，从而估算出研究区土壤厚度信息。

土壤遥感还处于探索研究阶段，随着遥感技术的发展，也许会发展出可以直接探测土壤结构的传感器，完成对土壤的探测，为土壤研究提供便利的数据源。

5森林风险

受自然与人类活动的影响，森林健康无时无刻不面临着风险的威胁，因此有必要将森林风险纳入森林健康评价指标体系。

5.1火险

火灾是林业三大严重危害之一，不仅烧毁林木，还会导致环境污染、危害野生动物和水土流失，甚至威胁人类财产生命安全等，因此对火险等级研究对森林健康评价具有重要意义。森林火险等级是对森林可能发生火灾的概率进行预测评价，遥感技术只能实时监测，不能进行预测，因此利用遥感技术估测火险等级只能通过综合分析监测到的信息，进行预测评价。

国内森林健康研究中，火灾等级通常选择影响火灾发生的因子进行聚类分析。谷建才等 [32]选择优势树种、郁闭度、海拔高度、距旅游点距离、经营措施以及林道距離6个因子进行聚类，根据因子对火险影响程度不同，赋予不同的权重，并将研究区划分为三个火险等级区，通过实地考察，火险等级区分类结果与实际情况基本符合。目前应用于森林健康研究中的森林火险等级评价没有纳入天气因素，在实际情况下，如温度、湿度等气象因素都会影响到火险的发生。在森林火险方面已有相关研究，黄宝华等 [33]综合天气、植被、人为和地形等因素，选取相关的15个解释变量，分析这些变量与林火发生概率的相关性，结果表明影响火灾发生因素前三位的是年均温度、地形湿度指数、邻近单元高程差。而森林健康研究体系的火险等级评价鲜有将这些因素纳入其中。

5.2病虫害

每年由病虫害造成的森林资源损失远远超过森林火灾，近年来全国约5.5%的森林遭受病虫害干扰。我国森林病虫害有三种显著特征：一是偶发性病虫害大面积爆发，二是常发性病虫害森林面积呈上升趋势，三是危险性森林病虫害扩散迅速。传统的人为调查方法往往不能及时获取信息，或等到发现时灾情已经比较严重，影响森林的健康管理。相比之下，遥感技术具有面积大、周期短等优势，可及时发现灾情，为森林病虫害监测控制提供了新的思路和手段。

病虫害的发生会导致林木生长受到影响，外观发生异常，表现在遥感影像上使得树叶在可见光和近红外波段反射率和吸收率变化，根据光谱特征或光谱差异可以识别病虫害的发生。Vogelmann等 [34]用TM数据监测阔叶林蓟马虫害，认为TM5/TM4、TM5、TM3合成的影像可识别轻微灾害和严重灾害区，由灾害年份和健康年份两时相差值影像上也清晰可辨两级灾害。武红敢等 [35]用灾害年份和健康年份TM数据监测松毛虫灾害，得出TM5/TM4与灾害相关性极高，其中郁闭度≥0.5的林分，灾害水平可由TM5/TM4估算;郁闭度≤0.4的林分，灾害等级由灾害年份与健康年份的TM5/TM4差值估算。利用遥感技术监测病虫害，可以在大尺度上分析病虫害与环境因子之间的相关关系，更好的了解病虫害的爆发规律并作出合理预测。

6结束语

随着人类对森林生态系统越来越关注，森林健康的评价研究也越来越深入，但仍存在以下不足：

（1）森林健康评价体系不够完善，缺乏综合评价方法。目前国内外对森林健康的评价研究存在一定差异，国内森林健康评价体系多注重森林生态结构健康，而国外将人文经济因素也考虑在内。此外，不同森林类型、不同地区森林健康评价指标以及评价标准存在差异，在森林健康评价时应综合考虑，制定适宜的评价方法。

（2）森林健康预测能力弱，不能很好服务于森林管理。森林健康评价多数是森林生态评价，森林健康预测也只是侧重于林木生长变化趋势，而没有考虑影响植被生长的胁迫因素的未来变化趋势及其会对森林健康产生的影响，使预测结果可信度下降，不能很好的服务于森林健康管理。

（3）各监管部门结合少，森林健康监测单一。森林健康具有跨学科、跨区域、跨部门的特点，森林的生长过程会受到很多胁迫，如气象、环境污染、生物入侵、土壤贫瘠等，这些需要各部门联系，只有综合考虑各方面因素，获得的结果才有使用价值。

森林健康是一门复杂的学科，随着遥感技术的发展更加完善，将遥感技术应用于森林健康评价具有可行性和必要性，利用遥感技术进行森林健康评价可以弥补传统调查方法的耗时费力的不足，尤其是近些年来遥感与全球定位系统、地球信息系统的融合更提高了遥感的应用能力。

（1）新型遥感数据实现更精细化监测。欧洲航天局（ESA）宣布荧光探测器（Fluorescence Explorer，FLEX）将于2022年发射升空，这意味着人类将首次可以通过遥感技术探测叶绿素变化，观测植被的光合作用及其在全球碳循环中的作用。以及2020年发射的偏振干涉P波段卫星传感器可以实现生物量和土壤的监测。新型遥感技术在光谱波段范围、时间和空间分辨率等方面优势明显，可以弥补现有研究的缺陷与不足。此外，在重视遥感获取地面信息的同时，结合运用人工智能算法，提高遥感数据的利用率和解译精度。

（2）森林健康调控更加智能合理。遥感技术提供了一种大尺度评价森林健康的方法，这不仅为森林健康与环境因子之间关系的研究提供了方便，也为森林健康的管理调控提供了新的手段与思路。针对我国基本情况，促进多部门、多学科、跨区域合作，提高森林监测水平，完善森林健康评价体系，总体提高我国森林健康水平，并促进全球森林健康研究的发展。

【参考文献】

[1]盖凤东，周广岭.浅谈森林健康[J].科技创新导报，2007，4（17）：116.

GAI F D， ZHOU G L. Discussion on forest health[J]. Science and Technology Innovation Herald， 2007，4（17）：116.

[2]PAUSE M， SCHWEITZER C， ROSENTHAL M， et al. In situ/remote sensing integration to assess forest health-a review[J]. Remote Sensing， 2016， 8（6）：474-507.

[3]高广磊，信忠保，丁国栋，等.基于遥感技术的森林健康研究综述[J]. 生态学报，2013，33（6）：1675-1689.

GAO G L， XIN Z B， DING G D， et al. Review of forest health research based on remote sensing technology[J].Acta Ecologica Sinica，2013，33（6）：1675-1689.

[4]COSTANZA R， NORTON B G， HASKELL B D. Ecosystem health： new goals for environmental management[J]. Ecosystem Health New Goals for Environmental Management， 1992.

[5]肖風劲，欧阳华，傅伯杰，等.森林生态系统健康评价指标及其在中国的应用[J].地理学报，2003，58（6）：803-809.

XIAO F J，OU Y H， FU B J， et al. Forest ecosystem health assessment indicators and their application in China[J].Acta Geographica Sinica，2003，58（6）：803-809.

[6]谭浩. K-Means算法改进及其在森林健康评价中的应用[D].长沙：中南林业科技大学，2015.

TAN H. K-Means algorithm improvement and its application in forest health evaluation [D].Changsha：Central South University of Forestry and Technology， 2015.

[7]杨雪春，侯绍梅，刘东兰，等.基于GIS的将乐林场森林健康评价[J].中南林业科技大学学报，2016，36（4）：51-55.

YANG X C， HOU S M， LIU D L， et al. Forest health assessment of willow forest farm based on GIS[J].Journal of Central South Forestry University，2016，36（4）：51-55.

[8]刘晓农，宋亚斌，邢元军.基于SOM神经网络的新化县森林健康评价[J].中南林业科技大学学报，2017，37（4）：21-26.

LIU X N， SONG Y B， XING Y J. Study on forest health assessment in xinhua county based on SOM neural network[J].Journal of Central South Forestry University，2017，37（4）：21-26.

[9]譚三清，王湘衡，肖维，等.基于复杂网络的森林健康评价研究[J].中南林业科技大学学报，2015，35（8）：13-16.

TAN S Q， WANG X H， XIAO W， et al. Forest health assessment based on complex network[J]. Journal of Central South Forestry University，2015，35（8）：13-16.

[10]MARTIN M E， NEWMAN S D， ABER J D， et al. Determining forest species composition using high spectral resolution remote sensing data[J]. Remote Sensing of Environment， 1998， 65（3）：249-254.

[11]王璐，范文义.基于高光谱遥感数据的森林优势树种组识别[J].东北林业大学学报，2015，43（5）：134-137.

WANG L， FAN W Y. Identification of forest dominant tree species based on hyperspectral remote sensing data[J]. Journal of Northeast Forestry University， 2015，43（5）： 134-137.

[12]魏晶昱，毛学刚，方本煜，等.基于Landsat 8 OLI辅助的亚米级遥感影像树种识别[J].北京林业大学学报，2016，38（11）：23-33.

WEI J Y， MAO X G， FANG B Y， et al. Tree species recognition based on Landsat 8 OLI-assisted sub-class remote sensing images[J].Journal of Beijing Forestry University，2016，38（11）：23-33.

[13]陶江玥，刘丽娟，丁友丽，等.高光谱和LiDAR数据融合在树种识别上的应用[J].绿色科技，2017，8（8）：212-214.

TAO J Y， LIU L J， DING Y L， et al. Application of hyperspectral and LiDAR data fusion in tree species identification[J]. Green Technology， 2017，8（8）：212-214.

[14]靳华安，李爱农，边金虎，等.西南地区不同山地环境梯度叶面积指数遥感反演[J].遥感技术与应用，2016，31（1）：42-50.

JIN H A， LI A N， BIAN J H， et al. Remote sensing inversion of environmental gradient leaf area index in different mountainous regions in Southwest China[J]. Remote Sensing Technology and Application，2016，31（1）：42-50.

[15]陈健，倪绍祥，李静静，等.植被叶面积指数遥感反演的尺度效应及空间变异性[J].生态学报，2006，26（5）：1502-1508.

CHEN J， NI S X， LI J J， et al. Size effect and spatial variability of remote sensing inversion of vegetation leaf area index[J]. Chinese Journal of Ecology， 2006， 26（5）： 1502-1508.

[16]温一博，常颖，范文义.基于MISR数据大兴安岭地区叶面积指数反演及尺度转换验证研究[J].北京林业大学学报，2016，38（5）：1-10.

WEN Y B， CHANG Y， FAN W Y. Research on leaf area index inversion and scale conversion validation based on MISR data in Daxing'anling region[J].Journal of Beijing Forestry University，2016，38（5）：1-10.

[17]骆社周，王成，张贵宾，等.机载激光雷达森林叶面积指数反演研究[J].地球物理学报，2013，56（5）：1467-1475.

LUO S Z， WANG C， ZHANG G B， et al. Retrieval of leaf area index of airborne lidars[J]. Chinese Journal of Geophysics， 2013， 56（5）：1467-1475.

[18]骆社周，王成，习晓环，等.星载激光雷达GLAS与TM光学遥感联合反演森林叶面积指数[J].红外与毫米波学报，2015，34（2）：243-249.

LUO S Z， WANG C， XI X H， et al. Retrieval of forest leaf area index using spaceborne laser radar GLAS and TM optical remote sensing[J]. Journal of Infrared and Millimeter Waves，2015，34（2）：243-249.

[19]琚存勇，邸雪穎，蔡体久.变量筛选方法对郁闭度遥感估测模型的影响比较[J].林业科学，2007，43（12）：33-38.

JU C Y， DI X Y， CAI T J. Comparison of the effects of variable screening methods on canopy density estimation using remote sensing estimation models[J]. Forestry Science， 2007， 43（12）：33-38.

[20]刘丹丹，田静，高延平，等.基于像元二分模型的森林郁闭度遥感估算[J].测绘与空间地理信息，2018，41（2）：31-33.

LIU D D， TIAN J， GAO Y P， et al. Remote sensing estimation of forest canopy based on pixel dichotomy model[J]. Mapping and Spatial Geographic Information， 2018，41（2）：31-33.

[21]王蕊，邢艳秋，王立海，等.联合星载ICESat-GLAS波形与多光谱Landsat-TM影像的森林郁闭度估测[J].应用生态学报，2015，26（6）：1657-1664.

WANG R， XING Y Q， WANG L H， et al. Estimation of forest canopy closure based on ICSSat-GLAS waveform and multi-spectral Landsat-TM imagery[J].Chinese Journal of Applied Ecology，2015，26（6）：1657-1664.

[22]张超，彭道黎，党永峰，等.三峡库区森林蓄积量遥感监测及其动态变化分析[J].东北林业大学学报， 2013，41（11）：46-50.

ZHANG C， PENG D L， DANG Y F， et al. Remote sensing monitoring and dynamic analysis of forest volume in the three gorges reservoir area[J]. Journal of Northeast Forestry University， 2013，41（11）：46-50.

[23]刘俊，孟雪，温小荣，等.基于不同立地质量的森林蓄积量遥感估测[J].西北林学院学报，2016，31（1）：186-191.

LIU J， MENG X， WEN X R， et al. Remote sensing estimation of forest volume based on different site quality[J]. Journal of Northwest Forestry University， 2016， 31（1）：186-191.

[24]王臣立，牛铮，郭治兴，等.Radarsat SAR的森林生物物理参数信号响应及其蓄积量估测[J]. 国土资源遥感， 2005，18（2）：24-28.

WANG C L， NIU Z， GUO Z X， et al. Signal response and biomass estimation of biophysical parameters of Radarsat SAR[J]. Remote Sensing of Land & Resources， 2005，18（2）：24-28.

[25]LAURIN G V， CHEN Q， LINDSELL J A， et al. Above ground biomass estimation in an African tropical forest with lidar and hyperspectral data[J]. Isprs Journal of Photogrammetry & Remote Sensing， 2014， 89（26）：49-58.

[26]陈云浩，李晓兵，陈晋，等.1983-1992年中国陆地植被NDVI演变特征的变化矢量分析[J].遥感学报，2002，6（1）：12-18.

CHEN Y H， LI X B， CHEN J， et al. Change vector analysis of NDVI evolution characteristics of terrestrial vegetation in china from 1983 to 1992[J]. Journal of Remote Sensing， 2002， 6（1）：12-18.

[27]李凡，李明泽，史泽林，等.基于遥感数据与森林详查估算林龄的空间分布[J].森林工程，2018，34（2）：30-34.

LI F， LI M Z， SHI Z L， et al. Spatial distribution of forest age based on remote sensing data and detailed forest inventory[J].Forest Engineering，2018，34（2）：30-34.

[28]KURUM M， ONEILL P E， LANG R H， et al. Impact of conifer forest litter on microwave emission at L-Band[J]. IEEE Transactions on Geoscience & Remote Sensing， 2012， 50（4）：1071-1084.

[29]SCHWANK M， GUGLIELMETTI M， MATZLER C， et al. Testing a new model for the L-Band radiation of moist leaf litter[J]. IEEE Transactions on Geoscience & Remote Sensing， 2008， 46（7）：1982-1994.

[30]卫亚星，王莉雯，刘闯.基于遥感技术的土壤侵蚀研究现状及实例分析[J].干旱区地理（汉文版），2010，33（1）：87-92.

WEI Y X， WANG L W， LIU C. Research status and case analysis of soil erosion based on remote sensing technology[J]. Arid Land Geography（Chinese Edition），2010， 33（1）：87-92.

[31]ALBILBISI H，TATEISHI R. A technique to estimate topsoil thickness in arid and semi-arid areas of north-eastern Jordan using synthetic aperture radar data[J]. International Journal of Remote Sensing， 2004， 25（19）：3873-3882.

[32]谷建才，陆贵巧，吴斌，等.八达岭森林健康示范区森林火险等级区划的研究[J].河北农业大学学报， 2006， 29（3）：46-48.

GU J C， LU G Q， WU B， et al. Study on forest fire danger grade division of badaling forest health demonstration area [J]. Journal of Agricultural University of Hebei， 2006， 29（3）：46-48.

[33]黄宝华，张华，孙治军，等.基于GIS与RS的山东森林火险因子及火险区划[J].生态学杂志，2015，34（5）：1464-1472.

HUANG B G， ZHANG H， SUN Z J， et al. Shandong forest fire risk factors and fire hazard zoning based on GIS and RS[J].Chinese Journal of Ecology，2015，34（5）：1464-1472.

[34]VOGELMANN J E ， ROCK B N .Use of thematic mapper data for the detection of forest damage caused by the pear thrips[ J] .Remote Sensing Environment ， 1989 ， 30（3）：217 -225 .

[35]武紅敢.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.

WU H G. Application of satellite remote sensing technology in monitoring forest diseases and insect pests[J].World Forestry Research，1995，8（2）：24-29.