不同遥感传感器监测森林虫害研究进展与展望

麻 磊，黄晓君,3，Ganbat Dashzebegd，Mungunkhuyag Ariunaad，Tsagaantsooj Nanzadd，Altanchimeg Dorjsuren，包 刚，佟斯琴，包玉海，Enkhnasan Davaadorj

（1内蒙古师范大学地理科学学院，呼和浩特 010022；2内蒙古自治区遥感与地理信息系统重点实验室，呼和浩特 010022；3内蒙古自治区蒙古高原灾害与生态安全重点实验室，呼和浩特 010022；4蒙古国科学院地理与地质研究所，蒙古国乌兰巴托 15170；5蒙古国科学院综合实验生物学研究所，蒙古国乌兰巴托 13330）

0 引言

虫害是森林主要灾害之一，与森林火灾和滥砍滥伐并称森林三大灾害[1]。森林害虫种类众多，依其攻击方式和范围，大致可分为食叶害虫、蛀干害虫和腐根害虫[2-3]。食叶害虫大量蚕食叶片，使其外部结构和内部生理生化组分遭受破坏，林木冠层发生变化[4-7]；蛀干害虫钻食树干破坏表皮和内部传输组织，使林木内部营养物难以传输、外部易受细菌感染，冠层营养不足发生变化[8-9]；腐根害虫直接攻击林木根部，阻断根部吸收营养物，冠层和树干无法获得营养物质导致死亡[10-11]。虫害攻击后的林木生长受阻，与健康林木相比冠层光谱特征出现明显响应，利用相关差异可实现遥感技术对森林虫害识别与监测[12-13]。

常见的遥感监测森林虫害传感器有多光谱、高光谱和微波遥感。多光谱遥感是指2个以上波谱通道对地物同步成像的遥感技术，它将物体反射辐射的电磁波信息分为若干波段接受和记录，并根据光谱特性和影像结构形态的差异对地物进行判别，扩大了遥感的信息量[14]；高光谱遥感是指在紫外、可见光、近红外和短波红外获取纳米(nm)数量级窄且连续图谱数据，组成一个完整连续的光谱曲线[15-18]，可实现植被的定量遥感；微波遥感利用微波传感器从目标地物发射或者反射微波辐射识别地物的技术，具有较强的垂直信息和三维数据获取能力。光学传感器对光谱特征有很强的敏感性，微波遥感则对林木具有很强的穿透能力和三维信息获取能力[19-22]，利用这些特点，实现遥感监测森林虫害。

通过不同遥感传感器获取的林木信息结合地面调查，能够实现森林虫害快速、准确地识别与监测。本研究从不同遥感传感器监测森林虫害视角出发，对其研究现状及优缺点进行分析。在此基础上，对未来遥感监测森林虫害的发展趋势进行展望。

1 森林虫害遥感监测理论依据

1.1 害虫胁迫下林木内外部特征变化

林木的主要组成部分可分为根部、树干（茎部）和叶片。根部作为林木营养物质吸收和存储的主要场所，从地面及地下吸收养分和水分后，一部分存储在根部自身，另一部分则通过树干传输到叶片[23-24]。根部受到攻击导致结构遭到破坏，林木生物量和含水率降低。树干拥有树皮、木质部、传输组织在内的多个器官，是林木营养物质、水分传输和自身呼吸的重要场所[25-29]。害虫攻击树干后林木器官遭受破坏，呼吸能力减弱、生物细胞活动滞缓和新陈代谢能力降低，且树皮大量脱落使树身暴露在空气中，易受细菌入侵发生病害。叶片处于林木顶层受阳光直接照射，是林木光合作用、呼吸作用和蒸腾作用的重要场所[30]。害虫暴食叶片后导致其结构形态和生理生化组分发生变化，如失叶量增高、叶绿素含量下降、蒸腾能力和呼吸能力下降等。不论根部、树干或是叶片受到虫害攻击，最终都会导致林木冠层内部生理生化组分和外部结构形态发生变化，在遥感图像上体现为外观变化和光谱特征响应。利用这些变化可实现遥感监测森林虫害和虫害严重度判别等。

1.2 害虫胁迫下林木光谱响应特征

电磁波作为光学传感器接收波谱，可在特定波长位置形成光谱吸收和反射特征[31-32]。植物叶片的外观特征和内部生理生化组分在很大程度上决定了植物冠层的光谱反射率[33-34]。研究发现，色素吸收对可见光波段的光谱反射率产生影响，细胞结构对近红外波段的光谱反射率产生影响。550 nm波长附近是叶绿素的强反射峰区，在这里出现一个峰值，称其为“绿峰”；650～700 nm是叶绿素强吸收波段，植被光谱曲线在该位置出现一个吸收谷，称为“红谷”。植被受害虫攻击，致使叶绿素含量下降，“绿峰”下降、“红谷”上升。在700～750 nm处植被光谱反射率急剧上升，近乎于直线形态，称该位置为“红边”。其斜率取决于单位面积叶绿素含量，并随叶片内部生理生化组分变化而产生位移。此外，在1360 nm附近和1830 nm附近有2个明显的吸收谷，出现这一现象的原因是植被内部水分对电磁波的强吸收作用[13,35-38]。遭虫害攻击的林木内部水分大量流失，波谷呈上升趋势。通过获取林木光谱信息，及相关性分析后提取敏感光谱特征波段，最终实现遥感监测森林虫害。

1.3 害虫胁迫下微波散射响应特征

微波遥感除了接收电磁波以外，还能主动对目标地物发射微波并且接收返回的后向散射信号来实现对地观测的遥感方式，其波长通常在1mm～1m之间[37,39]，不易受云、雾和雨等天气影响[40-41]。微波遥感可分为主动和被动两种方式。向地物主动发射微波经地物散射后，以后向散射系数等形式表现是主动微波遥感；被动接收地表物体自身热辐射能量，以亮度温度的形式表现是被动微波遥感[42-44]。在冠层方面，害虫攻击林木叶片，致使叶片叶面积指数发生变化，部分叶片产生脱落现象，这时后向散射能力减弱，图像显现异于健康林木；在冠层下方，受虫害侵袭的林木外部树皮脱落，内部木质部和各类组织遭受破坏，后向散射系数在反应植被垂直情况时出现变化。且林木受虫害攻击后，林木内外部结构特征也会发生变化，图像中出现异于正常林木的纹理特征。通过对后向散射系数的分析和纹理特征变化的分析，提取受害林木后向散射系数特征和纹理特征，实现森林虫害微波遥感监测。

2 基于多光谱的森林虫害遥感监测

多光谱遥感光谱波段主要集中在可见光波段、近红外波段和红外波段，其对植被光谱响应极为敏感。同时多光谱遥感具有较高的空间分辨率且受地形因素影响较小，可对森林进行大范围观测，利于实现遥感监测森林虫害。现阶段已有大量多光谱传感器搭载在卫星和无人机平台上使用。

2.1 星载多光谱遥感的森林虫害监测

星载多光谱遥感是指搭载在航空卫星上对地物进行监测。其从外层空间获取遥感图像，具有较高的空间分辨率，可对林木大范围监测。利用遥感监测森林虫害的关键是通过光谱技术手段获取叶绿素含量、含水率等生化组分和叶面积指数、失叶量等形态变化。如Zhou等[45]建立了叶绿素反演模型；Qiu等[46]利用分水岭方法分割梯度图生成单木尺度的树冠图；李骁尧等[47]提出针对云南松的冠型等效模型和建立郁闭度和卫星反射率查找表；张静宇等[48]提出一种基于森林模型先验知识的方法对森林高分辨LAI进行估算。在关于多光谱遥感监测森林虫害的波段选择上，近红外/红外波段的比率和短波红外/近红外波段的比率对林木生理生化组分有着极强的敏感性[49-51]。近年来，有研究人员将多光谱遥感技术、图像处理技术和机器学习相结合来监测森林虫害，为人们提供了一种新的思路与方法。Yu等[52]利用基于对象分类监督方法，通过机器学习算法对林木枝梢损伤适用性进行研究。Harati等[53]利用结合邻域效应和机器学习算法，对2005—2014年受山松甲虫侵害林地面积变化进行模拟，并对2020年山松甲虫爆发地进行预测。亓兴兰等[54]利用灰度共生矩阵提取纹理信息与光谱信息相结合，通过机器学习算法提取虫害信息，丰富了图像的信息量。

星载多光谱遥感因其大面积监测、数据易获取等特点，是遥感监测森林虫害数据的主要来源。但星载多光谱遥感光谱分辨率较粗，对林木细微变化感知能力较弱，较难区分健康和早期受害林木。同时，其对同一个地区进行2次以上观测会出现重访周期，在这期间森林虫害可能出现大面积暴发。

2.2 机载多光谱遥感的森林虫害监测

机载多光谱遥感飞行高度较低，可以降低大气散射和天气对传感器的影响，有效缓解星载多光谱遥感时效性差的问题，实现森林虫害重点区域监测。通过无人机多光谱图像提取虫害信息对植被叶绿素含量、含水量等关键参数进行反演[55-56]，实现对森林虫害监测。Shrestha等[57]利用无人机多光谱检测了仙茅中的寄生幼虫；Samseemoung等[58]利用无人机多光谱遥感对健康和受害的油棕树进行区分；Lehmann等[59]利用无人机多光谱图像对橡树虫害进行监测。张军国等[60]基于无人机多光谱的图像信息、光谱特征信息和植被指数提出一种J-M距离优化的反向传播神经网络(BP)分类方法，该方法可实现虫害区域的分类识别。Georges等[61]使用了2种蚜虫侵害麦田的多光谱图像，利用空间模式度量对受俄罗斯麦蚜虫和美国麦蚜侵害区域进行分析。Marston等[62]分析无人机多光谱图像后发现随着大豆受害天数的增加和蚜虫数量的增加，大豆冠层光谱反射率呈现下降趋势。

近年来，机载多光谱遥感在不断更新，其可以通过较低成本来获取较高时空分辨率图像，具有更大的经济潜力，已在森林虫害遥感监测研究中广泛应用。但其仍搭载多光谱传感器，同样难以感知林木细微变化，且获取地物范围有限，大范围监测时需多幅图像拼接，增加了研究人员的工作量和拼接误差对结果的影响。

3 基于高光谱的森林虫害遥感监测

害虫攻击早期林木内部生理生化组分变化细微，光谱分辨率较粗的多光谱遥感难以实现虫害早期监测。而高光谱遥感可形成上百乃至数百个光谱连续的图谱数据，对植被细微变化敏感，可为植被生理生化参数定量化诊断提供高效、便捷的数据采集和处理方法[63]。

3.1 地面高光谱遥感的森林虫害监测

地面高光谱遥感主要是指利用手持高光谱测定仪或地基高光谱测定仪，可近距离对受害林木进行探测，获取光谱分辨率高的遥感影像。通过分析获取的植被受害前后地面高光谱数据，对比其光谱特征变化可以发现受害后光谱反射率低于健康植被，且随严重程度加剧反射率变化也会加剧[64-66]。Huang等[67]使用手持高光谱对虫害侵袭的水稻叶片和冠层两个尺度的反射率研究发现，叶片反射率在530～570 nm和700～1000 nm范围内降低，在450～520 nm和580～700 nm范围内升高，冠层反射率在737～1000 nm范围内随林木受害程度加深而降低，并在938 nm处出现最大相关。黄晓君、西桂林等[4,68]对原始高光谱数据进行微分变换、连续小波变换方法进行处理后，发现可对受害林木失叶率、冠层颜色和受害程度等进行监测。Zhou等[69]利用高光谱获取冠层反射光谱来建立叶片色素高光谱估算模型，识别南方枣是否受虫害胁迫。此外，通过敏感波段建立相关指数也可实现植被虫害识别。如XU等[70]构建水带指数(IWB)检测番茄斑潜蝇的侵袭；LOU等[71]提出了蚜虫指数(AI)来检测蚜虫的侵害；Prabhakar[72]基于已识别的敏感带提出了一个叶蝉指数(LHI)。

地面高光谱监测作为高光谱遥感监测重要环节，提供了基础数据和验证条件，为大面积监测森林虫害提供了理论基础。其可直接对受害林木进行近距离测量，受大气散射影响弱，获取质量更高的图像，现已在植被定量遥感和反演中广泛使用。但地面高光谱遥感需研究人员手持高光谱仪器测定或者在固定地点放置测量仪器，受地形和林区复杂程度影响，难以对林区深处监测。每次调查需携带大量仪器且数据量较大，研究人员工作量大。

3.2 星载高光谱遥感的森林虫害监测

星载高光谱遥感是指将高光谱传感器搭载在卫星上，从外层空间对地面物体进行监测。通过获取高光谱图像，使用多元统计分析技术、基于光谱波长位置变量和光学模型方法，是现阶段星载高光谱遥感大面积监测地表植被的主要方法。多元统计分析技术是利用两个变量建立相关的多元回归预测模型来计算林木的物理和生物生化参数[63,73-74]；光谱波长位置分析技术通过波长位置变化实现虫害严重度判别、构建病情指数反演模型[75-77]；光学模型方法是基于光学辐射传输理论的模型[78-79]。基于上述方法，结合实地调查数据，通过模式识别与机器学习算法对林木生化组分关键参数进行反演，可实现植被定量遥感与森林虫害高光谱监测。刘德华等[80]使用多元统计分析技术，构建了偏最小二乘判别分析模型对山楂损伤和虫害缺陷识别判断。ZHANG等[81]利用HJ-lA-CCD2图像获取研究区马铃薯高光谱数据，实现马铃薯虫害监测。MOHARANA和DUTTA[82]利用hyperion图像研究了水稻水分胁迫的变异性，为评估水分胁迫的植被异质性提供了一种方法。

星载高光谱遥感因大范围的植被定量监测，现已成为越来越多研究人员的选择。但因高光谱具有上百个连续的波段导致其数据量大，研究人员需要进行较长时间对数据处理分析，工作量较大。同时搭载高光谱传感器的卫星较少，且在数据获取方面需要花费大量金钱，对星载高光谱遥感监测森林虫害的发展产生一定的阻碍。

3.3 机载高光谱遥感的森林虫害监测

无人机高光谱遥感是近年来快速兴起的遥感技术，其原理是通过搭载在无人机上的高光谱相机对地面成像观测。无人机高光谱图像因其飞行高度低、受大气散射弱，图像的时空精度和分辨率更高，对林木内部生化组分细微变化更加敏感。AHMAD等[83]分析机载高光谱图像植被冠层反射率变化后，认为叶绿素、花青素含量变化可以对林木健康程度进行判断。MARKIET[84]针对航空高光谱遥感，提出一种线性分离算法，可从航空高光谱遥感图像数据中分离不同肥力地点地表反射率。利用高光谱遥感感知细微变化的能力，结合多光谱遥感和激光雷达遥感建立相关反演模型，可更精准获取虫害信息。HORNERO等[85]利用机载高光谱图像和Sentinel-2图像进行植被指数反演，并认为该方法对全球范围的植被损害进行监测。CUI等[86]利用物理模型的方法对RapidEye、Sentinel-2和EnMAP的数据进行分析，认为它们都适合冬小麦的叶片叶绿素反演。LATIFI[87]将机载高光谱数据同激光雷达数据结合起来，基于方差加权的最相似邻近方法建立最邻近模型，构建时效性较高的森林结构属性模型。

相较于星载高光谱遥感，机载高光谱遥感数据较容易获得且成本较小，已成为高光谱遥感监测森林虫害的首选项。但机载高光谱遥感获取的数据量大且冗余，致使其在数据处理上需要花费大量时间，研究人员时间成本和工作量增加。

4 基于微波遥感的森林虫害监测研究

光学传感器电磁波长较短易受散射影响，在云雾天气时难以获取地物信息。而微波遥感电磁波长较长，可穿透对冰、雪、森林、土壤等。且受大气散射弱，可全天时、全天候的对地物进行监测。微波遥感可有效补全因云雾天气而缺失的光学图像。

4.1 合成孔径雷达的森林虫害监测

合成孔径雷达作为森林虫害微波遥感监测最常用的传感器，其L波段和X波段在监测植物生长量和植物含水量上有着很好的敏感性。不仅可以预测分析森林生物量、森林地表水分等[88]，还可以对森林特征的敏感性进行分析[89-90]，绘制森林植被图和建立森林模型[91-92]，以此来描述林木虫害的生境信息[12]。BERNINGER[92]利用多道X波段和C波段干涉合成孔径雷达对热带森林冠层高度和地上生物量进行反演。Singh等[94]将几种极化方式和X波段的入射角与高粱田虫害发生联系起来，为微波遥感数据纳入虫害监测提供了可能。利用P波段监测植被是近几年兴起的一项技术，其穿透能力更强、更易获取林木垂直信息、可有效降低时间去相干因素对图像的影响[95]，实现林木树高反演和森林生物量反演[96-97]。SUN等[98]利用P波段干涉合成孔径雷达将三维GVB降维至二维GVB，并基于多基线反演的方法估计森林高度。近几年，干涉合成孔径雷达(InSAR)、极化干涉合成孔径雷达(Pol-InSAR)技术快速发展，使得微波遥感监测森林虫害进一步发展。CAO等[88]利用PolSAR Pro软件模拟虫害前后L波段的健康与受害林木的层析回波数据，并提出利用层析成像数据监测森林虫害的方法。

多频率、极化、极化干涉机载合成孔径雷达技术已较为成熟、星载合成孔径雷达也在快速发展。虽现阶段利用合成孔径雷达对森林虫害的直接监测较少，但通过对森林树高、林木含水量、生物量的监测，为森林虫害监测提供了必要的数据。将来，机载和星载的SAR、InSAR和PollnSAR监测森林虫害将会是趋势所在。

4.2 激光雷达的森林虫害监测

激光雷达是一种类似于雷达的主动式遥感技术，但其利用的是激光光波而不是无线电波。激光雷达具有极高的角分辨能力、距离分辨能力、抗干扰能力，可以获取高精度的林木空间信息和林木地面信息[99-101]。

星载激光雷达通常采用全波形或者光子计数激光雷达系统，仅可以获取传感器下方单波束或者多波束数据，可用于区域或者全球范围的大区域森林垂直结构及相关变化[102-103]。激光雷达的高穿透能力，在获取林木冠层高度、垂直信息、地面生物量和森林郁闭度等参数上具有独特优势。Clark[104]利用激光雷达数据计算树木的亚冠层高度和冠层高度；XING[105]对原有森林高度反演模型进行改进；LEFSKY等[106]利用激光雷达数据对林木冠层高度和地上生物进行估算；NEUENSCHWANDER等[107]利用GLAS（地球科学激光测高系统）对森林郁闭度进行估算。通过激光雷达获取的森林冠层高度情况与光学传感器获取的较为完整的森林结构参数，不论是绘制森林生物量信息图还是在建立森林三维信息图，都是在丰富林木信息，为遥感监测森林虫害提供必要的信息。

机载激光雷达多采用离散回波或全波形激光扫描系统获取飞行路线下方特定视场的数据，可用于林分或者小区域的森林结构观测[104,108]。较低的飞行高度使其图像分辨率较高，可对单株林木结构参数进行[18]。现阶段森林参数获取使用最多的方法是基于冠层高度模型(CHM)单木识别方法和基于点云分布的单木识别方法[109]。DUNCANSON等[110]使用基于分水岭的CHM分割方法对冠层分层处理后提取单木信息，该方法提高了中层木和下层木单木识别能力。MONGUS等[111]利用最小生成林的分水岭方法将小区域林木合并，并对数据划分体素后提出基于拉普拉斯高斯法生成树干位置的新方法，改善了单木提取过程中过度分割现象。KANTOLA等[112]利用机载激光雷达获取单木特征和针叶脱落情况后将随机森林机器学习方法应用在最近邻检索中，对健康松林和受害松林进行分类。将激光雷达同光学传感器相结合监测森林虫害同单独使用激光雷达数据相比较，其提供的信息具有互补性和合作性，可以获得更加丰富和可靠的信息，也为遥感森林虫害提供了更广阔的方法。陈松等[113]利用sentinel-2数据中的特征变量和激光雷达数据中的冠层高度信息，使用误差变量联立方程组对森林蓄积量进行反演。Lin等[2]利用激光雷达和高光谱成像技术，提出一种基于激光雷达点云和三维辐射传输模型RAPID提取每个树冠三维阴影分布的新方法来检测松枝甲虫对松林的胁迫。

激光雷达对于森林结构参数的观测具有得天独厚的优势，利于建立三维可视化的森林虫害遥感监测模型。但因其传感器内部结构复杂、使用难度大、造价高等不足，导致现有研究利用激光雷达对森林虫害的研究较少。未来可根据需求研制成本较低的星/机载激光雷达，以满足发展需求。

5 结论及展望

5.1 结论

通过上述对不同传感器监测森林虫害的研究，发现多光谱遥感具有多个波谱通道且可以进行大面积森林监测，数据多且易获取，是遥感监测森林虫害的主要数据源，但其光谱分辨率较宽且时效性较差，未来需要提高；高光谱遥感因其窄且连续的光谱曲线，可以感知植被内部细微变化对植被进行定量遥感，是遥感早期监测森林虫害的最佳数据源，但其数据来源较少、数据量巨大，一定程度阻碍其发展；微波遥感因其较长的波长不易受天气影响，可全天候、全天时监测，且具有很好的三维模型建立能力，但其造价较高、成本大、使用难度大，且对植被光谱敏感度较低等导致现阶段研究较少。自20世纪30年代至今，遥感监测森林虫害即将步入百年历史，传感器已由最初的单一发展为如今的多源。随着科技的不断进步，通过遥感技术和云计算技术、物联网技术、大数据等新一代信息技术的结合，使得遥感监测森林虫害技术不断发展，也为构建森林虫害多维动态下的智慧林业系统，实现对森林资源的永续利用和可持续经营，保障全球生态系统良性发展提供了相应的技术支持。

5.2 展望

虽已有许多针对森林虫害遥感监测的研究及应用，但因林木树种及害虫类型多样、遥感数据多源和遥感技术不断发展，对于遥感监测森林虫害仍有许多问题亟待解决。

（1）提高遥感监测森林虫害模型的普适性。因林木类型和森林害虫种类繁多、地域间土壤成分、土壤含水量和气候等不尽相同，害虫侵害林木方式各异，致使森林虫害研究和森林虫害反演模型多数都是针对单一树种或害虫建立，较少对多树种及虫害模型建立。针对这一问题，应首先对不同害虫适生因子进行分析比较，提取比重较大因子；其次对现有模型进行分析，找其共通之处；最后将两者结合，建立具有普适性的森林虫害监测识别模型。随着遥感监测技术的发展和森林虫害反演模型的改进，未来建立具有普适性的遥感监测森林虫害反演模型是亟待发展的。

（2）提高森林虫害早期监测能力。利用遥感监测森林虫害的目的是减少因害虫袭击导致的林木死亡。而之前对森林虫害监测主要是虫害发生地点和林木受害程度的识别判断，现阶段虽有人对虫害发生早期进行研究，但监测能力还需进一步提高。未来应发掘对虫害更敏感的光谱波段，建立星-空-地协同的森林虫害监测和重点区域高时间分辨率监测，增加森林虫害早期监测的手段与方法，提高森林虫害暴发地预测能力，实现早期监测森林虫害，保护林木生态系统安全。

（3）提高多源数据融合能力。光学遥感对林木生理生化参数有较强的敏感性，雷达或激光雷达则具有很强的三维模型建立能力。现有阶段虽已有将多源数据融合监测森林虫害，但对不同数据的组合、数据间的融合技术还不够完善。未来应提高不同类型数据组合监测森林虫害、不同数据融合后冗余数据剔除技术，在林分尺度、小尺度或单木尺度对林木冠层尺度和垂直尺度上对虫害进行监测。从而提高监测模型的精度，实现遥感对森林虫害的精准监测，输出一套完整的森林虫害遥感监测产品。

（4）建立不同虫害类型判别方法。遥感监测森林虫害同医生给病人看病，只有找到病根所在才能实现对症下药。害虫种类的丰富多样致使林木受害部位、受害后表现形式和程度也不尽相同，在遥感图像上难以区分害虫类型及受害部位。仅依靠遥感图像，林业工作人员难以区分虫害类型进行有针对的防护措施。未来应通过高光谱遥感的定量监测，结合激光雷达的三维信息，对不同虫害攻击后的单株林木建立受害前后生理生化组分变化和结构变化三维模型，并将其整合虫害类型识别库，制定虫害类别判别依据，构建不同森林虫害类型判别方法框架，实现林业工作人员远程精准灭虫。

（5）研发星空地协同的森林虫害遥感监测系统。近年来，随着遥感传感器的精度越来越高，无人机技术和计算机技术的高速发展，森林虫害监测已开始从单一层面向多层面、立体化转变。未来可利用地面工作人员或巡航小车获取虫害重点区域信息，无人机遥感获取虫害区域信息，星载遥感获取林区信息，通过模式识别、机器学习算法、云计算和大数据等计算机技术，构建星地空协同下的多层面森林虫害遥感监测系统，实现林业工作人员机动灭虫，保护生态系统稳定和森林资源永续发展。