基于遙感溫度植被干旱指數(shù)的小蠹蟲害預警

沈 親，鄧 槿，劉旭升，黃華國※

（1. 北京林業(yè)大學省部共建森林培育與保護教育部重點實驗室，北京 100083；2. 國家林業(yè)局調(diào)查規(guī)劃設計院，北京 100714）

0 引 言

石林彝族自治縣（簡稱石林縣）位于云南省中東部，以其瑰麗的喀斯特地貌聞名，植被覆蓋少，主要樹種是云南松（Pinus yunnanensis）。大面積覆蓋的云南松對于保持水土，防止石漠化有至關(guān)重要的作用。然而，近年來，隨著氣候變化的加劇，極端事件頻發(fā)，云南省全境，包括石林縣都遭受了嚴重的干旱，進而遭受小蠹入侵，嚴重威脅云南松的健康和分布。小蠹危害被稱為云南松的“癌癥”，具有隱蔽性強、危害期長、擴散速度快、危害嚴重等特點[1]。目前，小蠹危害正快速蔓延，其蔓延速度達到2～3萬hm2/a。災情發(fā)生后很難得到控制，嚴重時只能將松林全部伐掉[2]。

復雜的巖溶地形不便人力調(diào)查，耗時費力而且不能大范圍實時監(jiān)測蟲害。目前還沒有對云南松林小蠹蟲害進行實時、有效的蟲害監(jiān)測方法。而遙感監(jiān)測具有面積大、快捷迅速等特點，可以用來預測、預報和監(jiān)測大范圍的森林蟲害[3-4]。但是難點在于小蠹蟲對森林的危害隱蔽強，癥狀滯后性明顯，在其早期發(fā)生時進行遙感識別非常困難。

以往利用遙感對小蠹蟲害監(jiān)測多集中在蟲害分布方面，常用方法是根據(jù)蟲害導致波譜特征的變化來識別蟲害[5-7]，同時對小蠹蟲害范圍和等級進行了空間制圖[8-11]。Coggins 等[3]利用20 cm高空間分辨率航空數(shù)碼影像結(jié)合自適應整群抽樣成功對北美山松小蠹蟲害入侵范圍和傳播速度進行了調(diào)查。Nasi等[4]利用無人機高分影像準確區(qū)分健康、蟲害和死亡挪威云杉林（kappa系數(shù)為0.8）。但小蠹蟲害的早期監(jiān)測（即綠色襲擊階段）仍然是一大難點，Marx[12]利用多時相RapidEye影像結(jié)合數(shù)據(jù)挖掘技術(shù)對挪威云杉林小蠹蟲害監(jiān)測和分類，發(fā)現(xiàn)該方法可以有效識別枯梢或枯死木，但對蟲害早期識別效果不理想。Ortiz等[13]利用TerraSAR- X和RapidEye數(shù)據(jù)結(jié)合線性模型、最大熵模型和隨機森林模型識別了小蠹蟲害前期入侵范圍，其中最大熵模型準確率最高（kappa系數(shù)為0.74）。Abdullah等[14]發(fā)現(xiàn)小蠹蟲害入侵初期挪威云杉紅外和短波紅外波譜特征發(fā)生顯著變化。Lausch等[15]利用高空間分辨率影像（4 m和7 m）對德國巴伐利亞森林國家公園云杉小蠹蟲害入侵初期光譜特征研究發(fā)現(xiàn)，用光譜特征變化預警小蠹蟲害爆發(fā)的準確率可以達到 64%。然而，前期研究多集中在蟲害早期識別監(jiān)測，關(guān)于蟲害爆發(fā)前的預測還鮮有報道。

由于嚴重或長期的干旱不僅會直接影響林木生長與生存，還會爆發(fā)頻繁或嚴重的蟲害[16-19]，2種干擾之間在時間上極可能存在一定的先后和危害相關(guān)性，如果能在干旱時期就能進行蟲害的預警，就可以使蟲害發(fā)生早期進行遙感預測成為可能。實際上，森林蟲害對干旱是有響應的[20-22]。Santos 等[23]發(fā)現(xiàn)，干旱期間，溫帶森林很容易發(fā)生蟲害。張鵬霞等[24]對江西省過去50 a氣候變化以及近20 a森林病蟲害變化趨勢研究發(fā)現(xiàn)，氣候變暖，環(huán)境干旱化會加重森林病蟲災害的發(fā)生。在干旱脅迫與氣候干熱作用下，位于阿爾卑斯山地區(qū)的云杉葉蜂容易爆發(fā)成災[25]，銹色粒肩天牛可能會因年降水量少、溫濕系數(shù)低等因素造成蟲害爆發(fā)[26]。同時，研究表明，暖冬會導致森林病蟲害災害加重[27]。Kolb等[28]對美國由于干旱引起的森林蟲害進行歸納和總結(jié)，結(jié)果表明，干旱對蟲害的爆發(fā)有著直接的促進作用，但關(guān)于干旱強度與蟲害爆發(fā)等級之間的關(guān)系，鮮有研究。Netherer 等[29]通過不同干旱程度控制試驗，發(fā)現(xiàn)干旱會降低挪威云杉對小蠹入侵的抗性。小蠹種群動態(tài)變化很大程度由溫度決定[30-32]，小蠹蟲害災害爆發(fā)或因1月份暖溫而加重[33]。其原因可能是干旱削弱寄主樹對小蠹蟲害的抵抗力，導致蟲害加重[34-35]。

基于上述認識，本文提出干旱和蟲害存在一定的時滯相關(guān)性的假設，探索基于遙感溫度植被干旱指數(shù)（temperature vegetation dryness index, TVDI）分析預報小蠹危害方法的可行性，以期為蟲害發(fā)生早期，進行遙感監(jiān)測提供依據(jù)。

1 研究區(qū)概況

石林縣是云南省昆明市下轄的遠郊縣（103°10′～103°41′E，24°30′～25°03′N）（圖 1），位于滇東喀斯特南部，海拔1 700～1 950 m。屬低緯高原山地季風氣候，年平均氣溫 16.3 ℃，年溫差小而晝夜溫差大，無霜期長（254 d）、云霧多、日照少。年降雨量 906.0 mm，多集中在 5—10月。主要土壤類型有山地紅壤、黃棕壤、水稻土、紫色土、沖積土和石灰?guī)r土。全縣森林覆蓋率36.14%，其中云南松（P. yunnanensis）面積26 049.5 hm2，占喬木林面積的47.48%[23]。

圖1 石林縣地理位置和小蠹蟲害受害區(qū)域與等級Fig.1 Geographical location, and the damage area with damage rating of bark beetles pests in Shilin county

從2009年開始，云南持續(xù)干旱，小蠹危害日趨嚴重，年危害面積533萬hm2[1]。小蠹危害地區(qū)常會出現(xiàn)松毛蟲、天牛、松梢螟等害蟲，由于多種害蟲同時入侵，導致寄主樹長勢變?nèi)?，從而使小蠹更易侵入。同時，小蠹大多數(shù)時間隱蔽在樹木里面，其生活習性也較為復雜（如冬季由樹梢轉(zhuǎn)到樹干進行繁殖，夏季則由樹干轉(zhuǎn)到樹梢進行擴散）[36]。由于眾多因素共同作用，使得小蠹蟲害監(jiān)測非常困難。

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)來源

2.2 蟲害與樹勢等級區(qū)分標準

云南松林主要受到小蠹、松梢螟、天牛和松針褐斑病等危害，各種病蟲害區(qū)分標準見圖2，其中，僅一年生針葉整體變色，樹梢出現(xiàn)枯死且直立的云南松林，即為小蠹蟲害林。本研究以歷史蟲害圖件為基礎，選擇受害區(qū)域的蟲害木進行砍伐解析，結(jié)合不同害蟲的習性，篩選出小蠹為主的蟲害區(qū)域。同時，劃分云南松受害等級（健康、輕度、中度和重度），劃分標準見表1[37]。

2.3 研究方法

基于遙感數(shù)據(jù)提取受害前的逐像元 TVDI，分別評價：TVDI與受害等級的關(guān)系；去除干擾像元后的TVDI與受害前后的植被指數(shù)差值的關(guān)系。

2.3.1 遙感干旱指數(shù)選型

考慮植被的干旱指數(shù)有植被溫度指數(shù)（vegetation index/temperature, VIT）[38]，條件植被指數(shù)（vegetation condition index, VCI）[39]，植被供水指數(shù)（vegetation supply water index, VSWI）[40]，條件植被溫度指數(shù)（vegetationtemperature condition index, VTCI）[41]，以及 TVDI[42-43]等。其中綜合了植被覆蓋信息和陸地表面溫度信息的TVDI應用廣泛。比如，齊述華等[44]利用 TVDI進行全國旱情監(jiān)測研究發(fā)現(xiàn)，相較于用植被指數(shù)來評價旱情，結(jié)合陸地表面溫度的旱情指標可以更合理反映旱情。Dhorde等[45]用TVDI分析了印度西部干旱時空變化趨勢。因此，本研究選擇TVDI指數(shù)為典型代表，來反映地表干旱程度。

2.3.2 TVDI反演

如前所述，Sandholt等[42]提出TVDI可以反映地表干旱狀況。

通常來說，語言作為能夠傳達信息，交流感情的重要手段，在人們的日常生活、工作、人際關(guān)系處理等方面都發(fā)揮著不可或缺的作用。而普通話無論是在不同省市、不同民族還是不同文化交流上，都扮演著通行證的角色。但是，目前部分培訓機構(gòu)在普通話教育過程中存在諸多的問題，無法做到專業(yè)、高效、合理的引導和培養(yǎng)。

式中 Ts為陸地表面溫度，K；Tsmax、Tsmin分別代表某一NDVI對應的最高溫度和最低溫度，K，其中 Tsmax=a1+b1?NDVI，Tsmin=a2+b2?NDVI，a 和 b 分別代表 NDVI-Ts中的干、濕邊方程的截距和斜率，NDVI（normalized difference vegetation index）為歸一化植被指數(shù)

式中ρNIR和ρR分別為近紅外波段和紅波段處的反射率。

圖2 云南松不同害蟲區(qū)分標準Fig.2 Criteria of different pests of Pinus yunnanensis

表1 云南松小蠹蟲害受害程度的劃分標準[37]Table 1 Damage rating standard of bark beetles pests of Pinus yunnanensis[37]

NDVI?Ts特征空間簡化為三角形（圖 3），A點表示沒有植被覆蓋的干燥裸地，具有地表濕度小，溫度高，蒸發(fā)小的特點；B點表示沒有植被覆蓋濕潤裸地，具有地表濕度大，溫度低，蒸發(fā)大的特點；C點表示植被完全覆蓋，具有地表溫度低，蒸發(fā)大的特點。A、B、C三點屬于3種極端情況，其中，AC邊稱為干邊，具有土壤濕度和地表蒸發(fā)最小的特征；BC邊稱為濕邊，具有土壤濕度和地表蒸發(fā)最大的特征[42]。

圖3 NDVI-地表溫度（Ts）特征空間[42]Fig.3 Feature space between NDVI-surface temperature (Ts)[42]

TVDI的值范圍為0～1。TVDI越大，土壤濕度越低，TVDI越小，土壤濕度越高。TVDI可用于監(jiān)測特定年內(nèi)某一時期整個區(qū)域的相對干旱程度。

2.3.3 亮度溫度計算

由于缺乏衛(wèi)星過境時詳盡的氣象數(shù)據(jù)，本文 TVDI計算過程中對應的Ts由亮度溫度（brightness temperature）Tb代替。利用ENVI5.3軟件對Landsat熱紅外波段進行輻射定標，將像元灰度值轉(zhuǎn)換為熱輻射亮度值，然后根據(jù)普朗克定律將輻射亮度值轉(zhuǎn)化為亮度溫度[46-47]

式中 Tb為亮度溫度，K；Lλ為輻射亮度值，W/(m2·sr·μm)；k1，k2為已知參數(shù)。

2.3.4 統(tǒng)計分析

比較不同受害程度斑塊對應TVDI值差別，并分析受害斑塊TVDI與受害前后NDVI差值之間的關(guān)系。

1）根據(jù)小蠹蟲害的斑塊多邊形區(qū)域，通過 ArcGIS的區(qū)域分析（zonal statistics），計算每斑塊受害前的平均TVDI。將調(diào)查得到云南松林按受害等級依次劃分為健康、輕度受害、中度受害、重度受害4個等級。

2）計算受害前后云南松林NDVI差值（difference of NDVI before and after the forest attacked by bark beetles,dNDVI），即 dNDVI = NDVIbefore-NDVIafter，其中 NDVIbefore表示受害前，NDVIafter表示受害后。dNDVI代表受害程度，dNDVI越大，表示受害越嚴重。然后，建立 TVDI與dNDVI之間的關(guān)系。由于野外調(diào)查勾繪的受害斑塊面積較大，通常以單點調(diào)查結(jié)果代替整個斑塊結(jié)果，其內(nèi)部大部分像元可能并未受害，因此，在統(tǒng)計受害斑塊dNDVI時，需要去除未受害像元。即去除掉每斑塊內(nèi)部dNDVI小于 0的像元之后，再統(tǒng)計平均 TVDI和平均dNDVI，評估其相關(guān)顯著性。同時，由于受害斑塊面積較大，本文將受害斑塊分割成很多小斑塊，對小斑塊對應的TVDI與dNDVI進行相關(guān)分析。

3 結(jié)果與分析

3.1 石林縣氣候變化趨勢

圖4為石林縣多年氣溫和降水距平。2009年氣溫比多年平均溫度高1.44 ℃，相對變率為9.5%；降水量比多年平均降水量減少422 mm，相對變率為42.7%?？梢钥闯?，2009年為極端干旱年。2010?2013年，溫度距平為正，降水量距平為負，一直處于持續(xù)干旱狀態(tài)。

圖4 1951-2015年石林縣氣溫和降水距平變化趨勢Fig.4 Time series of air temperature departure and precipitation departure in Shilin county during 1951-2015

3.2 石林縣蟲害變化趨勢

圖 5顯示了石林縣不同受害程度的斑塊個數(shù)與面積變化?？梢钥闯觯?010?2012年，輕度受害斑塊和面積變化幅度不大，中度受害斑塊和面積均降低；2012?2014年，輕度受害斑塊和面積下降，中度受害斑塊和面積增加；2010?2014年，重度受害斑塊和面積均出現(xiàn)緩慢增加趨勢?？偟氖芎Π邏K數(shù)出現(xiàn)先降低后增加的趨勢，受害面積呈一直緩慢降低的趨勢。至2015年，受害程度均出現(xiàn)好轉(zhuǎn)。

圖5 2010?2015年石林縣小蠹蟲害發(fā)生斑塊與面積Fig.5 Number and area of forest attacked by bark beetles in Shilin county during 2010-2015

3.3 石林縣TVDI時空變化趨勢

圖6給出了2009年到2014年逐年的TVDI圖?？梢钥闯?，TVDI由西向東逐漸變大，且2012年TVDI高值區(qū)域增加，表明土壤濕度較小區(qū)域的面積增大。同時，蟲害斑塊數(shù)和面積均降低（圖 5）。在整體干旱背景下，蟲害的發(fā)生更趨向于土壤濕度相對較大的區(qū)域。

圖6 2009?2014年石林縣TVDI變化趨勢Fig.6 Spatial temporal variations of TVDI in Shilin county during 2009-2014

3.4 TVDI與蟲害受害等級關(guān)系

圖7為不同蟲害受害等級對應的受害前TVDI。隨著受害程度的加深，所對應的TVDI值降低。健康云南松林對應TVDI均值為0.657 ± 0.114，顯著高于受害云南松林對應 TVDI均值。受害云南松林中，輕度受害林 TVDI均值（0.530 ± 0.112）與中度受害林TVDI均值（0.498 ±0.097）無顯著差別（P ＞ 0.05），而與重度受害林差異顯著（0.449 ± 0.113）（P ＜ 0.05）。中度受害林與重度受害林TVDI均值差異不顯著。結(jié)果表明，隨著TVDI變小，小蠹蟲害越嚴重，即相對濕潤的地方，小蠹蟲害更容易發(fā)生。通過TVDI空間分布也表明，近些年TVDI逐漸變大，蟲害面積和受害程度均出現(xiàn)好轉(zhuǎn)。

圖7 蟲害受害等級與對應受害前TVDIFig.7 Damage rating and the corresponding TVDI before attacked by bark beetles

3.5 受害區(qū)域dNDVI與TVDI關(guān)系

為了對蟲害早期發(fā)生時進行遙感識別，本文選取輕度受害斑塊，提取dNDVI大于0的區(qū)域，分析受害斑塊TVDI與dNDVI的關(guān)系。同時，為了消除dNDVI差異，本文對其進行最大最小歸一化處理，以下提到dNDVI皆為歸一化處理 dNDVI。由圖 5可以看出，2013?2015年期間，輕度受害斑塊面積和斑塊數(shù)均較 2010?2012低，受害程度出現(xiàn)明顯好轉(zhuǎn)。研究表明連續(xù)長期干旱會導致蟲害的發(fā)生[16-19]，因此，本文以2011和2012年大面積輕度受害區(qū)域為例進行分析。結(jié)果表明，2011年，TVDI與dNDVI呈顯著的負相關(guān)（P ＜ 0.05），可以用線性模型進行擬合，擬合決定系數(shù) R2為 0.322（圖 8）。根據(jù)已知線性模型，對2012年dNDVI進行預測，結(jié)果表明，預測dNDVI均方根誤差RMSE為0.237（圖9），且實測值與預測值呈顯著線性正相關(guān)（P ＜ 0.05），但實測值與預測值擬合線性方程斜率偏離1:1線。

圖8 2011年dNDVI與TVDI的關(guān)系Fig.8 Relationship between the difference of NDVI before and after the forest attacked by bark beetles (dNDVI) and TVDI in 2011

其主要原因在于蟲害發(fā)生時，不光與環(huán)境干旱有關(guān)，還與立地條件、林分結(jié)構(gòu)，林木長勢等因素有關(guān)。Santos等[23]分析了亞利桑那州松樹林地干旱期間蟲害發(fā)生的原因，結(jié)果表明，低海拔、陡坡、一定的風速等利于蟲害的蔓延，且蟲害會優(yōu)先選擇大樹、高密度林分進行入侵。因此，要準確預測蟲害發(fā)生區(qū)域，還需結(jié)合其他因素，綜合分析其發(fā)生潛在區(qū)域。

圖9 2012年實測dNDVI與預測dNDVIFig.9 Measured dNDVI and predicted dNDVI in 2012

總體而言，大干旱背景條件下，在土壤相對濕潤的地方，蟲害發(fā)生前后植被覆蓋度差值更大，表明云南松林受害程度更大；在土壤相對干旱的地方，則蟲害發(fā)生前后植被覆蓋度差值更小，表明云南松林受害程度更小。這個結(jié)果和通常認為氣候越干旱，蟲害發(fā)生越嚴重[28]似乎相悖，其實不然，兩者空間尺度不同，氣候干旱在大面積上影響蟲害，而本文結(jié)果則是大面積蟲害可能發(fā)生的具體空間分布潛力。在整體干旱的條件下，植被長勢均會衰弱，但是部分地區(qū)相對濕潤，則利于蟲害繁殖。柴守權(quán)等[48]通過多年統(tǒng)計資料發(fā)現(xiàn)，云南松縱坑切梢小蠹發(fā)生面積范圍與干旱等級有顯著負相關(guān)（r = -0.661，P＜0.05）。當干旱異常嚴重時，林木生長受到限制，導致林木液流受到損害，液流溫度發(fā)生改變，超出小蠹喜好的溫度范圍，影響小蠹對寄主的選擇，從而使得蟲害比一般干旱脅迫更輕[49]。

4 結(jié) 論

以遭受大面積連續(xù)干旱和小蠹危害的云南省中部的石林縣為案例區(qū)，利用Landsat連續(xù)多年數(shù)據(jù)建立歸一化植被指數(shù)（normalized difference vegetation index, NDVI）?地表溫度（land surface temperature, Ts）特征空間，反演溫度植被干旱指數(shù)（temperature vegetation dryness index,TVDI），開展受害前的TVDI和受害等級的關(guān)系分析，評估其預警潛力。結(jié)果表明健康云南松林TVDI顯著高于受害云南松林（P ＜ 0.05），且TVDI越小，蟲害越嚴重。根據(jù) 2011年 TVDI與受害前后云南松林 NDVI差值（the difference of NDVI before and after the forest attacked by bark beetles, dNDVI）建立的線性模型（P ＜ 0.05，R2=0.322），對2012年實際發(fā)生情況進行預測，得到預測與實測dNDVI均方根誤差RMSE為0.237。研究指明，整體干旱的環(huán)境下，小蠹更趨向于在相對濕潤的地方取食云南松林。

本研究對云南省云南松林小蠹危害的遙感監(jiān)測的展開有重要意義，可以從TVDI角度，對云南松林小蠹危害等級進行預測與預防，為動態(tài)監(jiān)測與及時預測森林蟲害提供新思路。同時，由于在反演TVDI時，采取的亮度溫度替代地表溫度，TVDI的估算精度略有影響。基于NDVI和 Ts構(gòu)建 NDVI?Ts特征空間時，干邊和濕邊方程擬合有很大不確定性，也加深了TVDI估算不確定性。因此，今后在結(jié)合遙感手段有效、高精度監(jiān)測方面還需要大量有益的探索。

[參 考 文 獻]

[1] 李燕. 云南玉溪松小蠹蟲成災原因及防治對策[J]. 林業(yè)資源管理，2013，3：40－42.Li Yan. Causes of Tomicus piniperda L. disaster in Yuxi of Yunnan province and countermeasures of prevention and control[J]. Forest Resources Management, 2013, 3: 40－42.(in Chinese with English abstract)

[2] 張瑆. 對云南省松縱坑切梢小蠹防治工作的思考[J]. 中國森林病蟲，2001，6：42－44.Zhang Xing. Thoughts on prevention and control of Tomicus piniperda L. in Yunnan province [J]. Forest Pest and Disease,2001, 6: 42－44. (in Chinese with English abstract)

[3] Coggins S B, Coops N C, Wulder M A. Estimates of bark beetle infestation expansion factors with adaptive cluster sampling [J]. International Journal of Pest Management, 2011,57(1): 11－21.

[4] Nasi R, Honkavaara E, Lyytikainen-Saarenmaa P, et al. Using UAV-based photogrammetry and hyperspectral imaging for mapping bark beetle damage at tree-level[J]. Remote Sensing,2015, 7(11): 15467－15493.

[5] 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.

[6] Vanderhoof M, Williams C A, Ghimire B, et al. Impact of mountain pine beetle outbreaks on forest albedo and radiative forcing, as derived from moderate resolution imaging spectroradiometer, Rocky Mountains, USA[J]. Journal of Geophysical Research-Biogeosciences, 2013, 118(4): 1461－1471.

[7] Meddens A J H, Hicke J A, Vierling L A, et al. Evaluating methods to detect bark beetle-caused tree mortality using single-date and multi-date Landsat imagery[J]. Remote Sensing of Environment, 2013, 132(10): 49－58.

[8] Fassnacht F E, Latifi H, Ghosh A, et al. Assessing the potential of hyperspectral imagery to map bark beetleinduced tree mortality[J]. Remote Sensing of Environment,2014, 140(1): 533－548.

[9] Karvemo S, Van Boeckel T P, Gilbert M, et al. Large-scale risk mapping of an eruptive bark beetle-importance of forest susceptibility and beetle pressure[J]. Forest Ecology and Management, 2014, 318: 158－166.

[10] Latifi H, Fassnacht F E, Schumann B, et al. Object-based extraction of bark beetle (Ips typographus L.) infestations using multi-date LANDSAT and SPOT satellite imagery [J].Progress in Physical Geography, 2014, 38(6): 755－785.

[11] Hart S J, Veblen T T. Detection of spruce beetle-induced tree mortality using high- and medium-resolution remotely sensed imagery[J]. Remote Sensing of Environment, 2015, 168: 134－145.

[12] Marx A. Detection and classification of bark beetle infestation in pure Norway spruce stands with multi-temporal RapidEye imagery and data mining techniques [J]. Photogrammetrie Fernerkundung Geoinformation, 2010(4): 243－252.

[13] Ortiz S M. Breidenbach J. Kaendler G. Early detection of bark beetle green attack using TerraSAR-X and RapidEye data [J]. Remote Sensing, 2013, 5(4): 1912－1931.

[14] Abdullah H, Darvishzadeh R, Skidmore A K, et al. European spruce bark beetle (Ips typographus, L.) green attack affects foliar reflectance and biochemical properties [J]. International Journal of Applied Earth Observation and Geoinformation,2018, 64(8): 199－209.

[15] Lausch A, Heurich M, Gordalla D, et al. Forecasting potential bark beetle outbreaks based on spruce forest vitality using hyperspectral remote-sensing techniques at different scales[J]. Forest Ecology and Management, 2013, 308(4): 76－89.

[16] Ayres M P, Lombardero M J. Assessing the consequences of global change for forest disturbance from herbivores and pathogens [J]. The Science of the Total Environment, 2000,262(3): 263－286.

[17] Breshears D D, Cobb N S, Rich P M, et al. Regional vegetation die-off in response to global-change-type drought[J]. Proceedings of the National Academy of Sciences of the United States of America, 2005, 102(42): 15144－15148.

[18] Netherer S, Schopf A. Potential effects of climate change on insect herbivores in European forests: General aspects and the pine processionary moth as specific example [J]. Forest Ecology and Management, 2010, 259: 831－838.

[19] Yan Z L, Sun J H, Don O, et al. The red turpentine beetle,Dendroctonus valens LeConte (Scolytidae): An exotic invasive pest of pine in China[J]. Biodiversity and Conservation, 2005, 14(7): 1735－1760.

[20] Mattson W J, Haack R A. The role of drought in outbreaks of plant-eating insects [J]. BioScience, 1987, 37(2): 110－118.

[21] Koricheva J, Larsson S, Haukioja E. Insect performance on experimentally stressed woody plants: A meta-analysis[J].Annual Review of Entomology, 1998, 43(43): 195－216.

[22] Huberty A F, Denno R F. Plant water stress and its consequences for herbivorous insects: A new synthesis[J].Ecology, 2004, 85(5): 1383－1398.

[23] Santos M J, Whitham T G. Predictors of Ips confusus outbreaks during a record drought in southwestern USA:Implications for monitoring and management. Environmental Management, 2010, 45(2): 239－249.

[24] 張鵬霞，葉清，歐陽芳，等. 氣候變暖、干旱加重江西省森林病蟲災害[J]. 生態(tài)學報，2017，37(2)：639－649.Zhang Pengxia, Ye Qing, Ouyang Fang, et al. Global warming and droughts aggravates forest damage resulting from pests and diseases in Jiangxi province[J]. Acta Ecologica Sinica,2017, 37(2): 639－649. (in Chinese with English abstract)

[25] Marchisio C, Cescatti A, Battisti A. Climate, soils and Cephalcia arvensis outbreaks on Picea abies in the Italian Alps[J]. Forest Ecology and Management, 1994, 68(2/3): 375－384.

[26] 孫丹萍，徐睿，梁鐵旺，等. 銹色粒肩天牛生態(tài)學特性研究[J]. 西北林學院學報，2007，22(5)：114－116，127.Sun Danping, Xu Rui, Liang Tiewang, et al. A study on ecological characteristics of Apriona swainsoni population[J].Journal of Northwest Forestry University, 2007, 22(5): 114－116, 127－127. (in Chinese with English abstract)

[27] 趙鐵良，耿海東，張旭東，等. 氣溫變化對我國森林病蟲害的影響[J]. 中國森林病蟲，2003，22(3)：29－32.Zhao Tieliang, Geng Haidong, Zhang Xudong, et al. Influence of temperature change on forest pests in China[J]. Forest Pest and Disease, 2003, 22(3): 29－32. (in Chinese with English abstract)

[28] Kolb T E, Fettig C J, Ayres M P, et al. Observed and anticipated impacts of drought on forest insects and diseases in the United States[J]. Forest Ecology and Management,2016, 380: 321－334.

[29] Netherer S, Matthews B, Katzensteiner K, et al. Do water-limiting conditions predispose Norway spruce to bark beetle attack?[J]. New Phytologist, 2015, 205(3): 1128－1141.

[30] Benz B J, Logan J A, Amman G D. Temperature-dependent development of the mountain pine beetle (Coleoptera:Scolytidae) and simulation of its phenology [J]. The Canadian Entomologist, 1991, 123(5): 1083–1094.

[31] Raffa K F, Grégoire J C, Lindgren B S. Natural history and ecology of bark beetles. In F. E. Vega, & R. W. Hofstetter(Eds.), Bark beetles. Biology and Ecology of Native and Invasive Species [M]. Oxford: Elsevier, 2015.

[32] Creeden E P, Hicke J A, Buotte P C. Climate, weather, and recent mountain pine beetle outbreaks in the western United States [J]. Forest Ecology and Management, 2014, 312:239－251.

[33] 張梅，王敏慧，陳玉光，等. 林業(yè)有害生物發(fā)生率與氣象條件關(guān)系及預報[J]. 遼寧林業(yè)科技，2010，4：24－26，62.Zhang Mei, Wang Minhui, Chen Yuguang, et al. Relationship and forecast between forest pest incidence and meteorological conditions [J]. Journal of Liaoning Forestry Science & Technology, 2010, 4: 24－26, 62. (in Chinese)

[34] Gao X, Zhou X, Wang H, et al. Influence of severe drought on the resistance of Pinus yunnanensis to a bark beetleassociated fungus [J]. Forest Pathology, 2017, 47(4): e12345.

[35] Salle A, Ye H, Yart A, et al. Seasonal water stress and the resistance of Pinus yunnanensis to a bark beetle-associated fungus [J]. Tree Physiology, 2008, 28(5): 679–687.

[36] 楊光照. 石林縣云南松縱坑切梢小蠹危害及其綜合治理措施[J]. 林業(yè)調(diào)查規(guī)劃，2007，32(3)：140－143.Yang Guangzhao. The harm of Tomicus piniperda of Pinus Yunnanensis and integrated control measures[J]. Forest Inventory and Planning, 2007, 32(3): 140－143. (in Chinese with English abstract)

[37] 劉宇杰，宗世祥，任利利，等. 云南松樹冠受害表征與有害生物復合危害的關(guān)系[J]. 應用昆蟲學報，2017，54(6)：947－954.Liu Yujie, Zong Shixiang, Ren Lili, et al. The relationship between degrees of Pinus yunnanensis canopy dieback and the types of damage caused by specific pests[J]. Chinese Journal of Applied Entomology, 2017, 54(6): 947－954. (in Chinese with English abstract)

[38] Moran M S, Clarke T R, Inoue Y. et al. Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index[J]. Remote Sensing of Environment, 1994, 49: 246–263.

[39] Kogan F N. Remote sensing of weather impacts on vegetation in non-homogeneous areas[J]. International Journal of Remote Sensing, 1990, 11(8): 1405－1419.

[40] Nemani R, Pierce L, Running S. et al. Developing satellite-derived estimates of surface moisture status[J].Journal of Applied Meteorology, 2000, 32(3): 548－557.

[41] Wang P X, Li X W, Gong J Y, et al. Vegetation temperature condition index and its application for drought monitoring[C]//Proceedings of International Geoscience and Remote Sensing Symposium, 9－13 July 2001, Sydney,Australia (Piscataway, NJ: IEEE), : 141－143.

[42] Sandholt I. Rasmusen K. Andersen J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status [J]. Remote Sensing of Environment, 2002, 79(2): 213?224.

[43] 杜靈通，候靜，胡悅，等. 基于遙感溫度植被干旱指數(shù)的寧夏2000－2010年旱情變化特征[J].農(nóng)業(yè)工程學報，2015，31(14)：209－216.Du Lingtong, Hou Jing, Hu Yue, et al. Drought variation characteristics in Ningxia from 2000 to 2010 based on temperature vegetation dryness index by remote sensing[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(14): 209－216. (in Chinese with English abstract)

[44] 齊述華，王長耀，牛錚. 利用溫度植被旱情指數(shù)(TVDI)進行全國旱情監(jiān)測研究[J]. 遙感學報，2003，7(5)：420－427.Qi Shuhua, Wang Changyao, Niu Zheng. Evaluating soil moisture status in china using the temperature/vegetation dryness index (TVDI)[J]. Journal of Remote Sensing, 2003,7(5): 420－427. (in Chinese with English abstract)

[45] Dhorde A, Patel N. Spatio-temporal variation in terminal drought over western India using dryness index derived from long-term MODIS data[J]. Ecological Informatics, 2016, 32:28－38.

[46] Qin Z, Karnieli A, Berliner P. A mono-window algorithm for retrieving land surface temperature from Lands at TM data and its application to the Israel-Egypt border region[J].International Journal of Remote Sensing, 2001, 22(18): 3719－3746.

[47] Wang F, Qin Z, Song C, et al. An improved mono-window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor data[J]. Remote Sensing, 2015, 7(4):4268－4289.

[48] 柴守權(quán)，于海英，尤德康，等. 西南地區(qū)干旱對4種林業(yè)有害生物發(fā)生的影響[J]. 西南林業(yè)大學學報，2013，33(1)：71－75.Chai Shouquan, Yu Haiying, You Dekang, et al. Influence of drought in southwest China on occurrence of four species of forest pests from 2002 to 2010[J]. Journal of Southwest Forestry University, 2013, 33(1): 71－75. (in Chinese with English abstract)

[49] Bréda N, Badeau V. Forest tree responses to extreme drought and some biotic events: Towards a selection according to hazard tolerance?[J]. Comptes Rendus Geoscience, 2008,340(9/10): 651－662.