基于多源遙感數據的森林蟲害監測及驅動力分析

羅先軼 張永光,3

基于多源遙感數據的森林蟲害監測及驅動力分析

羅先軼1,2張永光1,2,3

（1 南京大學國際地球系統科學研究所，江蘇省地理信息資源開發與利用協同創新中心，南京 210023）（2 南京大學地理與海洋科學學院，自然資源部國土衛星遙感應用重點實驗室，江蘇省地理信息技術重點實驗室，南京 210023）（3 南通智能感知研究院，南通 226000）

遙感監測可以及時、準確地監測森林蟲害擾動的時空格局，并預測其暴發狀況，為區域尺度的森林管理和政策提供指導。文章以加拿大不列顛哥倫比亞省為研究區，基于多源遙感數據，將LandTrendr算法（基于Landsat的干擾和恢復趨勢檢測算法）和隨機森林（RF）分類器相融合識別了1999～2015年森林蟲害的暴發區域與嚴重程度，分析其時空格局，解析了驅動蟲害暴發蔓延的關鍵因子，以及森林生態系統對蟲害暴發的響應機制。研究結果表明：1）通過樣本點獨立驗證，提出的森林蟲害擾動遙感方法識別準確率達87.1%，與航空調查數據識別準確率接近，森林蟲害暴發具有明顯時空分異特征；2）原生的蟲害暴發地區，其前期的擾動歷史或地形因素比其他因素更易造成蟲害擾動；3）森林生態系統對蟲害暴發的生理性響應早于結構性響應，未來可以利用森林的葉綠素熒光等生理指數來提早監測和預警森林蟲害擾動發生。

森林蟲害擾動 陸地衛星 干擾恢復趨勢檢測算法 隨機森林 遙感監測

0 引言

森林在水土保持、碳固定等方面發揮著重要作用，是氣候調節的關鍵因子[1]。全球氣候變化和人類活動引起的森林擾動嚴重影響著森林生態系統的組成、結構和功能，削弱了其生態服務功能[2]。森林蟲害擾動具有顯著的生態和經濟影響，會影響森林生態系統生產力以及木材供應，因此在林業管理中必須考慮森林蟲害暴發的影響[3]。通過衛星遙感技術捕捉森林蟲害的擾動信號，解析驅動蟲害暴發蔓延的關鍵因子，為進一步研究蟲害暴發引起的森林生態結構和功能變化及對全球碳循環的影響奠定了堅實基礎，對指導潛在蟲害暴發風險區適時采取防控措施，實現更有效的森林有害生物管理具有重要的理論和實踐價值[4]。

隨著航天遙感技術的快速發展和遙感數據的不斷增加，遙感技術已經被廣泛應用于森林蟲害擾動監測[5]。自美國地質調查局（USGS）開放共享Landsat系列衛星數據以來，基于Landsat時間序列堆棧（LTSS）的變化檢測算法得到迅速發展[6]，例如分離趨勢和季節項的突變點方法（BFAST）[7]、基于Landsat的干擾和恢復趨勢檢測（LandTrendr）[8]、植被變化追蹤算法（VCT）[9]和連續變化檢測和分類算法（CCDC）[10]。其中LandTrendr算法可擬合時間序列中每個像元的光譜指數，根據F檢驗的值選擇最合適的回歸模型對時間序列進行分割，提取時間序列中指數的變化趨勢，不僅可以捕捉到長期緩慢的森林變化，還可以檢測出突變趨勢，具有良好的適用性[10]。早期LandTrendr使用歸一化燃燒率植被指數（Normalized Burn Ratio，NBR）檢測其最大變化幅度，從而確定森林擾動情況[12]。然而單一的植被指數不能充分表征森林擾動，科恩等人確定了6個與森林擾動相關的重要因素，包括NBR、綠色波段（Band 2）反射率、短波紅外波段（Band 5）反射率、纓帽變換得到的綠度分量（TCG）、亮度分量（TCB）和濕度分量（TCW），驗證了使用多個指數的集成堆棧可以改良森林擾動檢測[13]。

本研究基于Landsat的16個波段以及光譜指數，將隨機森林機器學習（RF）方法與LandTrendr算法融合應用于森林蟲害擾動監測，并對遙感監測結果與各種地理、環境、生理因子進行分析，解析驅動森林蟲害暴發蔓延的關鍵因子以及森林生態系統對蟲害暴發的響應機制，為森林蟲害的預警預測和全球氣候變化下森林蟲害的管理策略提供技術支撐。

1 研究區與數據

1.1 研究區概況

本文選取位于加拿大不列顛哥倫比亞省東北部的麥肯齊木材供應區（Mackenzie Timber Supply Area）作為研究區，其地處54°52′～58°40'15″ N，122°14'51″～127°40'20″ W之間，面積為641×104hm2，是加拿大奧米內卡地區的兩大木材供應區之一。其中木材采伐基地占地150×104hm2，約占研究區面積的23%。地勢平緩的落基山峽谷貫穿南北，東側是崎嶇的落基山脈，西側是奧姆內卡山脈，威利斯頓水庫位于中部。盡管研究區山區河谷地形多樣，具有獨特的生態特征和生物多樣性，但該區域森林比較均質，主要由黑松、云杉、亞高山冷杉和幾種落葉樹種構成。在低海拔地區，森林主要由雜交白云杉、黑松、高山冷杉和北方黑云杉構成，其中平坦地區的森林主要由雜交云杉和黑松構成；高海拔的山頂覆蓋高山灌木、草本植物、苔蘚和地衣。由于西部太平洋、高原大陸氣團和東側落基山脈影響，研究區大陸性氣候明顯，盛行從太平洋來的潮濕、溫暖的氣流。該地區森林蟲害最早在20世紀90年代出現，于2005年迅速蔓延。以2012年為例，研究區（1.2～1.4）×108m3的成熟松樹中約有8 000×104m3已發生蟲害擾動。

1.2 衛星遙感數據預處理

本研究使用谷歌地球引擎（Google Earth Engine，GEE）云計算平臺提供的Landsat TM/ETM+/OLI影像，提取了表1中1999～2015年2 304景影像生成時間序列堆棧，利用Fmask算法對云、云陰影和雪進行掩膜，最大程度減少物候和太陽入射、傳感器觀測幾何變化的影響[14]。由于Landsat-8 OLI比Landsat-7 TM/ETM+具有更高的輻射分辨率（12bit），本文利用了這兩個傳感器光譜值之間的統計協調函數對反射率進行歸一化[15]，接著進行提取年集合的中位反射率值，構建了具有最小云量圖像的17年合成圖。

從年度影像集中提取波段1–5和波段7的光譜反射率，計算對植物光合作用和葉片含水量等敏感的9個光譜指數，見表2。由于冬季的光譜指數有利于捕捉常綠針葉林的生長信號并確定樹木的生長狀況[16]，本研究還計算了冬季（12月1日至4月1日）去除雪影響后的歸一化植被指數（NDVI）。

表1 森林蟲害擾動遙感監測與蟲災響應機制分析所使用數據集

1.3 參考數據

本研究共收集807個樣本點，其中砍伐樣本點173個，火災樣本點165個，落葉蟲樣本點144個，樹皮甲蟲樣本點182個，無擾動樣本點143個，以用于隨機森林算法的訓練和分類結果驗證，具體分布如圖1所示。樣本點的選定依靠5種數據，分別為：不列顛哥倫比亞省森林病蟲害擾動的年度航空調查數據、加拿大森林火災數據、加拿大森林采伐數據和Google Earth Pro平臺上的高分辨率衛星影像。考慮到航空調查數據勾畫的單個區域較大以及蟲害和樹木響應的異質性和短暫性，本研究沒有直接使用航空調查數據作為樣本點，而是將航空調查數據作為參考，在Google Earth Pro平臺的高分辨率衛星影像上直觀目視解譯選擇樣本點。

表2 LandTrendr算法使用的波段/光譜指數及其長時間序列影像集

注：1）若長時間序列影像集未經過空間分割，則命名為（波段/光譜指數）_Unseg；若長時間序列經過空間分割，則命名為（波段/光譜指數）_Seg+像元間距。

1.4 蟲害發生驅動因子數據

本研究使用宿主物種、地形和鄰域傳播三類相關變量進行驅動因素分析。對于宿主物種變量，選擇了30m分辨率的冠層覆蓋數據和植被樹高數據。對于地形變量，選擇了航天飛機雷達地形任務（SRTM）提供的數字高程模型（DEM）數據，并計算海拔、坡度、坡向和地形耐用指數，因為坡度影響山坡上樹冠之間的距離，從而影響森林害蟲傳播，而坡向影響溫度，最終會影響森林蟲害的蔓延。地形耐用指數越高，森林害蟲在開闊的地面上飛行的更快更長。對于鄰域傳播變量，周圍受感染的樹木越多其感染的可能性更大，本研究將每個像元周圍受感染像元的加權總和作為對相鄰像元狀態依賴性的度量[20]。解釋鄰接效應的基本方程為：

圖1 研究區樣本點分布

2 研究方法

本文基于GEE云計算平臺將隨機森林機器學習算法與LandTrendr算法相結合，發展了一套森林蟲害擾動遙感監測方法。總體技術流程包括：1）擾動信號提取；2）決策樹擾動監測；3）隨機森林算法二次分類；4）后處理和精度評價；5）驅動因素分析。具體技術路線如圖2所示。

圖2 森林蟲害擾動遙感監測技術路線

2.1 擾動信號提取

LandTrendr是一組光譜－時間分割算法。該算法從Landsat中提取光譜指數，生成基于軌跡的光譜時間序列數據，然后檢測軌跡中的擾動時間、擾動幅度和擾動持續時間。LandTrendr變化檢測算法如圖3所示，其實現包括以下幾個步驟：1）去除尖峰，去除由云、雪和云陰影引起的噪音；2）識別潛在的分割點，選擇與最小二乘一階回歸線的絕對偏差最大的點作為潛在分割點；3）擬合光譜軌跡，分割點確定后，通過一系列擬合方法確定每個分割點的光譜指數值，從而形成整個時間序列的連續光譜指數軌跡；4）簡化并選擇最佳模型，根據F檢驗統計量的值選擇最佳分割模型[21]。

圖3 LandTrendr變化檢測算法示意

由于LandTrendr是一種基于像元的算法，其不包含每個像元周圍區域的空間上下文信息[22]。當研究對象超過單個像元的區域時，空間分割可以減少均質區域中存在的高頻噪聲，從而生產出更準確、一致的產品。為了讓LandTrendr算法提取擾動信號中融入空間背景信息，本研究使用簡單非迭代聚類（SNIC）超像元分割方法，在光譜-時間分割之前生成每個波段/光譜指數的年度空間平滑影像。針對Landsat的16個波段/光譜指數的年度時間序列影像集，本研究在三個不同的空間尺度（5、10和20像元間距）上使用SNIC空間分割算法，開發出64個新的年度時間序列影像集（如表2所示），具體包括：1）16個原始未分割的年度時間序列影像集；2）5像元間距空間分割的年度時間序列影像集；3）10像元間距空間分割的年度時間序列影像集；4）20像元間距空間分割的年度時間序列影像集。其中20像元間距的SNIC平滑年度時間序列影像集可創建相對較大的同質對象，而5像元間距的影像集則保留了較多的細節。

本研究使用上述64個年度時間序列影像集進行LandTrendr算法分析，根據文獻[23]中提供的默認值，對LandTrendr算法的max_segments(6)，spike(0.9)，pval(0.05)和recovery_threshold(0.25)等參數進行了測試和修改。最終，輸出這64個波段/光譜指數年度時間序列的擾動時間、擾動持續時間和擾動幅度。

2.2 決策樹算法擾動監測

雖然本研究使用輔助數據來減少火災和木材采伐對蟲害遙感監測的影響，但這些數據不包括一些較小的火災事件或未記錄的采伐。火災、木材采伐造成的光譜變化幅度通常更為顯著，持續時間更短，蟲害引起的波段/光譜指數變化率通常比火災、木材采伐造成的波段/光譜指數變化率低。因此，本文進一步通過分類與回歸樹算法（CART決策樹）排除明顯比蟲害引起的波段/光譜指數變化率更大的擾動。

圖4 不同擾動類型下最大擾動段Band 7地表反射率的變化率

對于每個波段/光譜指數及其空間分割組合，本文計算了326個蟲害樣本點LandTrendr識別的最大擾動段光譜變化率（最大擾動段的擾動幅度與擾動持續時間的比值），并與173個砍伐樣本點和165個火災樣本點的變化率進行比較。以短波紅外波段為例，圖4展示了森林蟲災、火災、木材采伐三種不同擾動類型下最大擾動段的短波紅外波段地表反射率的變化率差異。使用四分位法進行異常值處理，將大于蟲害變化率的上四分位數加上1.5倍的四分位數間距之外的擾動段作為異常值排除，從而排除研究區域內許多火災和木材采伐擾動事件。

2.3 基于隨機森林算法的森林蟲害二次分類

在大多數基于LandTrendr算法的研究中，文獻[24]已證明NBR對森林蟲害擾動敏感，文獻[25]使用NBR與纓帽變換的綠度、濕度、亮度分量來繪制森林蟲害擾動情況。經過2.1節LandTrendr變化檢測算法的64個波段/光譜指數及其空間分割組合總共有64個輸出，然而每個輸出并不能在所有研究時段內都檢測到森林蟲害擾動。因此本研究將這64個LandTrendr輸出結果整合為一個集合，并將隨機森林分類器作為二級分類模型，進一步監測森林蟲害。

本文構建了一個隨機森林模型，將樣本點與64個因子變量聯系起來。使用隨機森林變量選擇算法（VSURF）確認14個預測變量，并使用“rfUtilities”包檢測多重共線性。圖5展示了確認的14個預測變量的采樣分布，其中紫色密度圖是蟲害樣本點的分布密度，橙色密度圖是無擾動樣本點分布密度。使用“ranger”包將VSURF 選擇的預測變量擬合出最終的隨機森林模型，并在“caret”包中使用十折交叉驗證實現超參數優化。所有變量選擇、模型擬合、驗證和空間繪制均使用R語言完成。基于十折交叉驗證，隨機森林模型的分類準確率為90.75%，Cohen’s Kappa系數為0.755 3。整體而言，本隨機森林模型可以較好地監測整個研究區森林蟲害擾動發生情況。

2.4 驅動因素分析

為了確定森林蟲害擾動的影響因素，本文采用隨機森林模型分析了研究區森林蟲害的驅動因素。隨機森林模型決策樹節點變量的選擇和閾值的確定，通常基于置換檢驗和最小基尼（Gini）系數這兩種決策方式，本研究選取最小Gini系數法。Gini系數是一種對系統熵的有效近似，對于決策樹這種二分結構，其節點的Gini系數()的計算方法為：

圖5 VSURF選擇的預測變量的采樣分布

Fig.5 The sampled distributions of each of the VSURF-selected predictors

3 研究結果

3.1 森林蟲害擾動監測精度評價

選用模型訓練時保留的獨立數據樣本作為驗證點，隨機抽取研究區域內1 000個像元點來評估研究區森林蟲害遙感監測精度。使用谷歌地球的高分辨率影像進行視覺標定，確定每個驗證點的擾動情況，將標定情況分別與算法監測結果、航空調查結果（AOS）進行比較，計算出蟲害擾動的用戶、生產者、整體準確度和Kappa系數。對于算法監測，蟲害擾動的生產者和用戶準確率分別約為81.49%和82.63%，總體準確度和Kappa系數分別約為87.1%和0.72。對于AOS產品，其總體準確度和Kappa系數分別為90.6%和0.79，這表明AOS產品與本文監測算法的結果非常匹配，具體精度評估對比結果見表3。總體而言，本文提出的LandTrendr和RF相融合的方法可以充分監測森林蟲害擾動發生情況。

3.2 森林蟲害擾動時空格局特征

研究區1999～2015年受蟲害擾動的森林面積為15 710.57km2，約占其森林總面積（22 994.57km2）的68.32%。年蟲害擾動面積范圍由最小5.83km2（2001年）增加到最大4 454.73km2（2009年）。1999～2005年的年均擾動面積為37.48km2，2005～2010年為2 349.95km2，而2011～2015年為739.69km2，存在明顯年際波動（圖6）。研究區蟲害擾動的時間動態顯示蟲害的大面積暴發始于2005年，至2009年達到頂峰，之后蟲害的擾動迅速下降，這可能與木材供應區針對蟲害暴發的森林管理有關。

表3 基于驗證采樣點和航空調查數據的監測精度評價結果

圖6 2000～2015年研究區森林蟲害監測結果時空變化

監測結果表明，森林蟲害擾動主要發生在森林與非森林的過渡區，尤其是森林邊緣。蟲害擾動集中在黑松優勢區、低海拔的花旗松優勢區和中高海拔的山地云杉區。該地區也遭受過密集的采伐和火災。中部的森林蟲害擾動比東南、西北部更廣泛，表現出更大的斑塊（圖6）。此外，蟲害擾動更容易在已被擾動的地區附近再次發生。

圖7 森林蟲害擾動重心與標準差橢圓分布

圖6的監測結果顯示，1999～2015年森林蟲害的擾動重心持續移動，這表明期間蟲害不斷地轉移蔓延。1999年擾動重心位于奧米尼卡省立公園附近，2001年則向西北移動，偏移距離適中，這表明正常年份，輕度的蟲害有向中部蔓延的趨勢。2002～2005年蟲害擾動重心向東南方向長距離移動，2005年為最東偏移點，這種重心東移可能是干旱影響帶來的異常現象。2007～2015年蟲害擾動重心則持續向西北方向移動，可能是西北方向的植被以及地理條件更適合蟲害的蔓延與傳播，最終2015年擾動重心到達芬萊－羅素保護區。總體而言，森林蟲害擾動處于不穩定趨勢，重心持續移動，在干旱年份擾動低谷期主要向東南偏移，到達蟲害暴發高潮期后擾動重心持續向西北方向中部偏移。

對蟲害擾動方向分布（標準差橢圓）計算分析，可以揭示森林蟲害擾動傳播的中心趨勢、離散和方向趨勢。2000年、2005年、2015年和2020年蟲害擾動的空間差橢圓分析模型如圖7所示，圖中橢圓的長軸表示侵染源傳播的主要方向，短半軸表示侵染源分布的范圍。短半軸越短，長半軸越長，表示數據的向心力越明顯，即傳播擴散距離越長；反之，短半軸越長，長半軸越短，表示數據的離散程度越大，即傳播蔓延擴散范圍較廣。該圖顯示，2000～2005年蟲害擾動標準差橢圓空間上小于2005～2010年，表明2005～2010年擾動空間差異不明顯；2005～2010年擾動標準差橢圓靠中部且扁平，表明中部蟲害擾動快速加重且集中；2010～2015年擾動標準差橢圓靠西北，表明西北部蟲害擾動加重；1999～2015年蟲害擾動傳播方向穩定，標準差橢圓均呈東南－西北分布，蟲害一直是東南－西北向傳播。

3.3 森林生態系統對蟲害擾動的響應

生態系統植被指數的變化特征可以揭示植被活動對擾動的響應規律。生態系統響應的傳統植被指數多為結構指數，如NDVI、葉面積指數（LAI）、光合有效輻射吸收比率（FPAR），這些指數會隨著冠層結構的變化而變化。但對由水、熱或光照等引起的日尺度的植被葉片生理性變化并不敏感，僅能夠在長時間尺度上反映出植被功能的變化。日光誘導葉綠素熒光（SIF）包含了植物生化、生理和代謝功能以及植被吸收的光合有效輻射的信息，比傳統植被指數對環境變化具有更高的敏感性，對森林生態系統蟲害具有很強的響應能力。

本研究使用表1中MOD13Q1、MCD15A3H和GOME-2 SIF數據提取研究區的NDVI、LAI、FPAR和SIF數據，并計算各指數2009年月度平均值、2010～2018年多年平均值。研究區2009年蟲害暴發時期MODIS-NDVI、MODIS-LAI、MODIS-FPAR、GOME2-SIF的季節性周期變化如圖8所示。可以看出，2009年3月SIF和FPAR開始響應森林蟲害時，NDVI和LAI的衛星觀測值高于多年平均值；4月份LAI和SIF出現明顯異常，距平百分比超過40%；NDVI從4月份開始對蟲害表現出輕微的負面響應并持續到7月份；生理指數SIF與結構指數NDVI、LAI相比，顯示出早于一個月的明顯響應，可能在森林蟲害感染初期，病蟲先影響樹木的生理和代謝，進而再蛀干樹葉影響樹木的結構。作為植被光合作用動態變化的指針，SIF表現出更大的降低距平百分比，表明森林生態系統光合作用對蟲害擾動有著強烈的響應，蟲害對樹木的光合作用等生理功能的影響顯著。分析顯示SIF可以迅速捕捉森林蟲害擾動對森林影響的動態變化，并且在幅度和時間變化上比傳統的結構植被指數（如NDVI）對蟲害擾動的響應更敏感。因此，最新的植被SIF遙感在監測預警森林蟲害的及時性和準確性方面具有巨大潛力。這些結果也表明，森林生態系統的生理響應早于結構響應；蟲害感染初期，病蟲破壞樹木循環系統和光合系統阻止營養物質流經樹木，樹木結構上未作出響應，隨著感染的加重，樹木出現枯黃、落葉等結構性響應。

圖8 2009年NDVI, LAI, FPAR, SIF季節性周期變化與各月距平

3.4 森林蟲害擾動驅動因素分析

森林蟲害的傳播和擴散在很大程度上受制于寄主的分布、越冬條件、地理阻隔等環境要素。圖9表明，研究區森林蟲害主要侵染海拔1 000～1 400m和坡度5°～15°的地區，其中坡向南和東南（向陽坡）的區域比坡向北和西北（背陰坡）的區域觀察到的蟲害擾動少，500～1 200m的中低海拔、低坡度、西和西南坡向地區森林蟲害擾動發生率較高。

圖9 不同地形因素下森林蟲害面積分布與森林蟲害面積年際變化

進一步，本文利用隨機森林回歸模型，將地形、植被和鄰域傳播等變量與監測到的森林蟲害年度變化關聯起來，基于最小Gini系數法確定影響因素及其相對重要性，分析了影響森林蟲害擾動的主要影響因子。森林蟲害擾動可以通過模型中選擇的預測因子來解釋，比如鄰域傳播、坡向以及海拔等。本文將周圍被感染像元和代替鄰域傳播，基于4種不同的加權方式的4種變量來表征鄰域傳播。圖10為驅動因素重要性排序，相對重要性越高說明該驅動因子的影響力越大。分析結果顯示：在選定的預測因子中，周圍被感染像元的相對重要性最高，說明鄰域傳播嚴重影響森林蟲害侵染；其次是地形變量，而冠層覆蓋度在驅動因素分析模型中最不重要。這一結果表明，在原生的森林蟲害暴發地區，前幾年的擾動歷史或地形因素比其他因素更重要，更容易造成未來森林蟲害發生。

隨著氣候變化和干旱等極端氣候事件加劇，全球范圍內森林蟲害暴發將會增加，進而導致巨大的生態破壞和經濟損失。因此，研究森林蟲害驅動因素對于改善預警和緩解這種風險至關重要。驅動因素分析以空間明確的方式定量監測環境驅動因素和森林蟲害擾動之間的因果關系，可用于早期監測，以改善對森林蟲害擾動的管理。利用驅動因素分析中與當地森林蟲害傳播顯著相關的因子進行及時的遙感監測，可以預測高度潛在的擾動地點，便于當地森林管理者及時采取相應管理措施限制蟲害傳播，最大限度地減少擾動的發生。

圖10 影響森林蟲害擾動的主要驅動因子重要性排序

4 結束語

本文基于GEE云計算平臺，融合多種不同遙感數據源進行數據重建，以光譜－時間分割算法與隨機森林算法相融合為手段，完成了區域內森林蟲害的范圍和嚴重程度的繪制，提出了一套系統的基于云計算的森林蟲害遙感監測方法。監測結果后續分析表明，森林生態系統對于蟲害的生理響應早于結構響應，鄰域傳播是森林蟲害擾動的最重要的驅動因子。當然，本文提出的方法可能存在一定局限性，未來將在以下兩個方面進行拓展：1）隨著SIF遙感衛星數據的增多和時空分辨率的提高，將進一步融合SIF遙感數據改進本文提出的監測方法，從而更及時、準確的監測預警森林蟲害擾動；2）不同區域的森林蟲害擾動驅動因素不同，可以將驅動因素與光譜監測方法結合，預測判斷森林蟲害傳播蔓延方向與距離，為未來可持續森林管理提供重要技術方法。

[1] 王兵, 任曉旭, 胡文. 中國森林生態系統服務功能及其價值評估[J]. 林業科學, 2011, 47(2): 145-153.

WANG Bing, REN Xiaoxu, HU Wen. Assessment of Forest Ecosystem Services Value in China[J]. Scientia Silvae Sinicae, 2011, 47(2): 145-153 (in Chinese)

[2] 孫清琳. 森林管理方式及擾動對森林生態系統結構和功能的影響[D]. 北京: 北京林業大學, 2015: 66.

SUN Qinglin. Effects of Forest Management and Disturbance on Forest Ecosystem Structure and Function[D]. Beijing: Beijing Forestry University, 2015: 66. (in Chinese)

[3] LAVOIE J, GIRONA M M, MORIN H. Vulnerability of Conifer Regeneration to Spruce Budworm Outbreaks in the Eastern Canadian Boreal Forest[J]. Forests, 2019, 10(10): 850.

[4] MENG R, GAO R, ZHAO F, et al. Landsat-based Monitoring of Southern Pine Beetle Infestation Severity and Severity Change in a Temperate Mixed Forest[J]. Remote Sensing of Environment, 2022, 269: 112847.

[5] HALL R J, CASTILLA G, WHITE J C, et al. Remote Sensing of Forest Pest Damage: a Review and Lessons Learned from a Canadian Perspective[J]. The Canadian Entomologist, 2016, 148(S1): S296-S356.

[6] HUA J, CHEN G, YU L, et al. Improved Mapping of Long-Term Forest Disturbance and Recovery Dynamics in the Subtropical China Using All Available Landsat Time-Series Imagery on Google Earth Engine Platform[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 2754-2768.

[7] VERBESSELT J, HYNDMAN R, NEWNHAM G, et al. Detecting Trend and Seasonal Changes in Satellite Image Time Series[J]. Remote Sensing of Environment, 2010, 114(1): 106-115.

[8] KENNEDY R E, YANG Z, COHEN W B. Detecting Trends in Forest Disturbance and Recovery Using Yearly Landsat Time Series: 1. LandTrendr—Temporal Segmentation Algorithms[J]. Remote Sensing of Environment, 2010, 114(12): 2897-2910.

[9] HUANG C, GOWARD S N, MASEK J G, et al. An Automated Approach for Reconstructing Recent Forest Disturbance History Using Dense Landsat Time Series Stacks[J]. Remote Sensing of Environment, 2010, 114(1): 183-198.

[10] ZHU Z, WOODCOCK C E. Continuous Change Detection and Classification of Land Cover Using all Available Landsat Data[J]. Remote Sensing of Environment, 2014, 144: 152-171.

[11] WIMBERLY M C, DWOMOH F K, NUMATA I, et al. Historical Trends of Degradation, Loss, and Recovery in the Tropical Forest Reserves of Ghana[J]. International Journal of Digital Earth, 2022, 15(1): 30-51.

[12] KENNEDY R E, YANG Z, BRAATEN J, et al. Attribution of Disturbance Change Agent from Landsat Time-series in Support of Habitat Monitoring in the Puget Sound Region, USA[J]. Remote Sensing of Environment, 2015, 166: 271-285.

[13] MEIGS G W, KENNEDY R E, COHEN W B. A Landsat Time Series Approach to Characterize Bark Beetle and Defoliator Impacts on Tree Mortality and Surface Fuels in Conifer Forests[J]. Remote Sensing of Environment, 2011, 115(12): 3707-3718.

[14] ZHU L, LIU X, WU L, et al. Long-Term Monitoring of Cropland Change near Dongting Lake, China, Using the LandTrendr Algorithm with Landsat Imagery[J]. Remote Sensing, 2019, 11(10): 1234.

[15] ROY D P, KOVALSKYY V, ZHANG H K, et al. Characterization of Landsat-7 to Landsat-8 Reflective Wavelength and Normalized Difference Vegetation Index Continuity[J]. Remote Sensing of Environment, 2016, 185: 57-70.

[16] BAKER E H, PAINTER T H, SCHNEIDER D, et al. Quantifying Insect-related Forest Mortality with the Remote Sensing of Snow[J]. Remote Sensing of Environment, 2017, 188: 26-36.

[17] DIDAN K. MOD13Q1 MODIS/Terra Vegetation Indices 16-Day L3 Global 250?m SIN Grid V006, NASA EOSDIS Land Processes DAAC[DS]. (2015-06)[2022-10-01]. https://lpdaac.usgs.gov/products/mod13q1v006/.DOI: 10.5067/MODIS/MOD 13Q1.006.

[18] MYNENI R B, HOFFMAN S, KNYAZIKHIN Y, et al. Global Products of Vegetation Leaf Area and Fraction Absorbed PAR from Year one of MODIS Data[J]. Remote Sensing of Environment, 2002, 83(1): 214-231.

[19] KOOREMAN, M L, BOERSMA K F, et al. SIFTER Sun-induced Vegetation Fluorescence Data from GOME-2A (Version 2.0)[DS]. (2020-08-14)[2022-10-01]. https://doi.org/10.21944/gome2a-sifter-v2-sun-induced-fluorescence.

[20] HARATI S, PEREZ L, MOLOWNY-HORAS R. Integrating Neighborhood Effect and Supervised Machine Learning Techniques to Model and Simulate Forest Insect Outbreaks in British Columbia, Canada[J]. Forests, 2020, 11(11): 1215.

[21] DE JONG S M, SHEN Y, DE VRIES J, et al. Mapping Mangrove Dynamics and Colonization Patterns at the Suriname Coast Using Historic Satellite Data and the LandTrendr Algorithm[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 97: 102293.

[22] RODMAN K C, ANDRUS R A, BUTKIEWICZ C L, et al. Effects of Bark Beetle Outbreaks on Forest Landscape Pattern in the Southern Rocky Mountains, USA[J]. Remote Sensing, 2021, 13(6): 1089.

[23] COHEN W B, YANG Z, HEALEY S P, et al. A LandTrendr Multispectral Ensemble for Forest Disturbance Detection[J]. Remote Sensing of Environment, 2018, 205: 131-140.

[24] TOWNSEND P A, SINGH A, FOSTER J R, et al. A General Landsat Model to Predict Canopy Defoliation in Broadleaf Deciduous Forests[J]. Remote Sensing of Environment, 2012, 119: 255-265.

[25] SENF C, PFLUGMACHER D, WULDER M A, et al. Characterizing Spectral-temporal Patterns of Defoliator and Bark Beetle Disturbances Using Landsat Time Series[J]. Remote Sensing of Environment, 2015, 170: 166-177.

Monitoring Forest Pests and Its Driving Factors Based on Multi-source Remote Sensing Data

LUO Xianyi1,2ZHANG Yongguang1,2,3

（1 Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, International Institute for Earth System Sciences, Nanjing University, Nanjing 210023, China）（2 Jiangsu Provincial Key Laboratory of Geographical Information Science and Technology, Key Laboratory for Land Satellite Remote Sensing Applications of Ministry of Natural Resources, School of Geography and Ocean Science, Nanjing University, Nanjing 210023, China）（3 Nantong Academy of Intelligent Sensing, Nantong 226000, China）

Remotely-sensed monitoring of forest pests can comprehensively, timely and accurately monitor the temporal and spatial patterns of pest outbreaks in forest, predict their outbreak status, and provide guidance for regional-scale forest management and policies. The paper integrates multi-source remote sensing data, LandTrendr algorithm and random forest classifier to monitor the forest pest outbreak from 1999 to 2015 in British Columbia, Canada, and then analyzes the spatial and temporal patterns and the key factors driving the spread of pest outbreaks. Finally this syudy analyzes the response mechanism of forest ecosystems to pest outbreaks. The results show that: 1)The recognition accuracy rate of the method in the paper reaches 87.1% with the independent sample points, which is close to the recognition accuracy rate of aerial survey data. 2)The outbreak of forest pests present the Spatial-Temporal Differentiation. Infestation history from previous years or topographical factors were more important than other factors to cause pest infestation in forest pest’s native areas. 3)The physiological response of the forest ecosystem to the outbreak of pests is earlier than the structural response. In the future, the physiological indices such as chlorophyll florescence of the forest can be used for early warning of the outbreak of pests.

forest pest disturbance; Landsat; LandTrendr; Random Forest; remote sensing monitoring

S771.8

A

1009-8518(2022)06-0129-12

10.3969/j.issn.1009-8518.2022.06.013

2022-10-10

國家重點研發計劃項目（2019YFA0606601）

羅先軼, 張永光. 基于多源遙感數據的森林蟲害監測及驅動力分析[J]. 航天返回與遙感, 2022, 43(6): 129-140.

LUO Xianyi, ZHANG Yongguang, et al. Monitoring Forest Pests and Its Driving Factors Based on Multi-source Remote Sensing Data[J]. Spacecraft Recovery & Remote Sensing, 2022, 43(6): 129-140. (in Chinese)

羅先軼，男，1999年生，目前為南京大學資源環境遙感專業在讀碩士研究生。研究方向為森林植被遙感。E-mail：MG20270111@smail.nju.edu.cn。

（編輯：夏淑密）