森林健康評價的遙感技術(shù)研究

馬有國　杜學惠

摘要：遙感技術(shù)的研究已基本成熟，但將其應用于森林健康評價的研究還相對較少。通過分析遙感技術(shù)評價森林健康的可行性和必要性，分析國內(nèi)外森林健康研究情況及評價指標體系，在綜合考慮自然資源、土壤因素、地形因素、火災和病蟲害干擾等方面的基礎上，從植被信息、林地環(huán)境和森林風險3個方面選取10個能體現(xiàn)森林健康的指標。分析表明：遙感技術(shù)評價森林健康是可行的，但也有一定的局限性。多元數(shù)據(jù)融合不僅可以更全面的提取指標信息，更能提高指標提取精度。發(fā)展新型遙感技術(shù)、探尋更智能更精確的解譯算法，逐漸克服遙感技術(shù)在表示植被多樣性方面的劣勢。

關(guān)鍵詞：遙感;森林健康;植被信息;林地環(huán)境;森林風險

中圖分類號：S771.8文獻標識碼：A文章編號：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(tài)系統(tǒng)之一，健康的森林生態(tài)系統(tǒng)不僅能為人類提供大量的木材，也能為人類提供經(jīng)濟、生態(tài)和社會等諸多效益。森林在調(diào)節(jié)全球氣候變化、保護生態(tài)環(huán)境和維持生物多樣性等多方面起著非常重要的作用，但是這些因素反過來也影響著森林的健康，此外還有如生物入侵、病蟲害、火災、空氣污染以及人為砍伐等都威脅著森林的健康發(fā)展。

森林健康的概念于20世紀70年代由德國首次提出?[1]，隨著人們對森林認識的深入，森林健康也引起了越來越多的關(guān)注與研究。傳統(tǒng)的實地調(diào)查數(shù)據(jù)局限于樣本點或樣本區(qū)域，不能體現(xiàn)大片森林狀況，若要對大片區(qū)域森林進行研究，勢必要花費大量的人力物力和時間，且容易存在數(shù)據(jù)滯后、難以應對突發(fā)狀況等弊端，利用遙感技術(shù)可以彌補這一不足。Pause等?[2]提出遙感技術(shù)最主要的一個優(yōu)勢是它的以低成本、高效率重復性獲得大片區(qū)域標準化信息的潛力。目前遙感技術(shù)的應用還依賴于實地調(diào)查數(shù)據(jù)，《中國森林可持續(xù)經(jīng)營標準與指標》指出遙感技術(shù)是獲取有關(guān)區(qū)域宏觀基礎數(shù)據(jù)的有效方法，但預測模型的構(gòu)建和有關(guān)森林的基礎數(shù)據(jù)必須通過傳統(tǒng)調(diào)查方法獲取。實地調(diào)查數(shù)據(jù)與遙感的結(jié)合不僅可以監(jiān)測森林變化狀況，并且可以與引起變化的驅(qū)動力聯(lián)系起來，為之后的森林健康預測與管理提供可靠的支撐。高廣磊等?[3]進行了遙感技術(shù)的森林健康研究，主要介紹了遙感技術(shù)在森林資源、生態(tài)功能、植被參數(shù)和森林風險4個方面的應用，沒有考慮林地環(huán)境對森林健康的影響，且在森林火險只涉及到火災發(fā)生以后的遙感觀測，并不適用于森林健康系統(tǒng)評價，不足以形成一個完整的評價體系。本文參考已有森林健康評價的指標體系，選取了10個能體現(xiàn)森林健康的指標，并分別就其提取方法進行綜述，旨在梳理出利用遙感技術(shù)進行森林健康研究的方法，以期為相關(guān)研究提供借鑒與參考。

1可行性與必要性

1.1可行性

植被的光譜曲線及紋理特征與建筑用地、土壤、農(nóng)田、沙漠和水體等其他地物類型有很大不同，根據(jù)植被光譜、物候和生物化學等特征及特征變化，可區(qū)分植被類型、植被不同生長階段以及由人為或自然壓力導致的植被或群落變化，這些特征可定量化為指標來評價森林健康狀況。遙感技術(shù)提供了一種有效的、可重復且可對比的方式監(jiān)測森林指標變化，以此可及時觀測到森林健康狀況變化。

1.2必要性

以中國知網(wǎng)CNKI數(shù)據(jù)庫為檢索平臺，基于“期刊”選項搜索，搜索規(guī)則分別設為：主題=森林健康以及主題=森林健康 and 全文=遙感，分別檢索得824篇和73篇文獻，而將規(guī)則設為主題=森林or林業(yè)and全文=遙感，檢索到6148篇文獻。林業(yè)遙感的研究起始于20世紀70年代，但森林健康1989年才首次出現(xiàn)，因此統(tǒng)計從1989年開始，將檢索到的文獻按年份統(tǒng)計，如圖1所示。由圖1可見，近年來我國對于森林健康和林業(yè)遙感研究的論文數(shù)量均呈上升趨勢，而基于遙感技術(shù)的森林健康研究的論文數(shù)量仍處于較低水平。森林健康研究中，遙感技術(shù)于1994年首次出現(xiàn)，且只以新技術(shù)形式介紹了一小段篇幅，但以遙感為技術(shù)手段監(jiān)測資源、探測森林火災和病蟲害等指標于1974年就有了相關(guān)研究?，F(xiàn)階段，遙感技術(shù)在林業(yè)方面的應用已經(jīng)成熟，但多數(shù)研究只側(cè)重于某一方面或某一指標，不能反映森林整體健康狀況，不足以為森林的健康管理提供必要的支持，因此將現(xiàn)已成熟的遙感技術(shù)手段與森林健康評價聯(lián)系起來具有可行性和必要性。

2森林健康評價指標體系

森林健康是一個復雜的學科，目前為止并沒有一個準確的森林健康度量標準。現(xiàn)有研究對森林健康的普遍認知是：健康的森林生態(tài)系統(tǒng)應該具有較強的穩(wěn)定性、完整性和功能性，對可見的急性災害（如火災、病蟲害、生物入侵等）和難以觀測的慢性脅迫（如土壤污染、營養(yǎng)不足等）具有較強的抵抗力和恢復力。森林健康評價與尺度密切相關(guān)，國內(nèi)外學者從單木、林分、景觀和區(qū)域4個尺度對森林健康進行研究，其中基于單木尺度的健康評價研究較少，在林分、景觀尺度已有利用遙感技術(shù)進行森林健康評價的研究，因此本文主要基于區(qū)域尺度的森林健康評價進行討論。

建立評價指標體系是進行森林健康評價的首要步驟，指標體系是否完整及其好壞關(guān)系著評價結(jié)果的準確性與科學性，許多國內(nèi)外學者在區(qū)域尺度對森林健康評價指標開展了研究，采用指標見表1。

本文綜合考慮自然資源、土壤因素、地形因素、火災和病蟲害干擾等方面，從植被信息、林地環(huán)境和森林風險3個方面選取10個能體現(xiàn)森林健康的指標，如圖2所示。

3植被信息提取

森林生態(tài)系統(tǒng)復雜，傳感器接收到的信息往往是植被、土壤和大氣等多項因素共同作用后的結(jié)果。利用植被的光譜、生物化學、光譜變化及物候變化等特征可以減弱非植被因素的影響，從而提取植被信息。隨著遙感技術(shù)的發(fā)展，運載方式從空載到航載，傳感器從多光譜到高光譜，光譜范圍從可見光到微波，空間分辨率從亞米到千米，時間分辨率從30 min到幾個月不等，形成的遙感圖像種類繁多。多樣的數(shù)據(jù)為更普遍化、實用化的研究提供了可能，如植被分類、葉面積指數(shù)、蓄積量和郁閉度等已得到廣泛的研究，并取得了顯著的成果。

3.1植被分類

植被分類是保護和利用森林資源的基礎，也是研究物種多樣性的前提。物種多樣性高的林分，森林生態(tài)系統(tǒng)穩(wěn)定性也越高。國內(nèi)外基于遙感技術(shù)的植被分類研究較多，特別是多光譜和高光譜遙感數(shù)據(jù)在分類領域應用廣泛。健康植被的光譜曲線在綠光波段和近紅外波段有兩個反射峰、在紅波段有一個吸收谷，這一特征明顯不同于土壤、水體及其他典型地物，研究學者利用這一特征推出了多種植被指數(shù)以減弱環(huán)境對植被信息的影響。

傳統(tǒng)的多光譜數(shù)據(jù)波段較寬，光譜特征數(shù)較少，“椒鹽現(xiàn)象”嚴重，在樹種識別領域受到很大局限。隨著高光譜技術(shù)的發(fā)展，植被可基于光譜層次直接進行分類，大大提高了樹種識別的精度。植被分類的研究主要通過兩種方法，一種基于植被生物物理、生物化學特征識別樹種類型，另一種直接基于光譜信息建立模型自動識別樹種。如Martin等?[10]結(jié)合樹種生物物理化學信息與高光譜數(shù)據(jù)（AVIRIS）相關(guān)關(guān)系建立模型，鑒別了11種樹種類型，總體精度達到75%。王璐等?[11]利用HJ-1A數(shù)據(jù)進行樹種分類，通過多種微分變換和對數(shù)變換，最高分類精度可達89.5%。

多源數(shù)據(jù)的融合是如今遙感領域的發(fā)展趨勢，通過融合多傳感器（光學遙感、熱紅外遙感、RADAR、LiDAR）數(shù)據(jù)，可以增強2D/3D光譜和光譜變化信息，從而提高分類精度。如魏晶昱等?[12]中分辨率（Landsat 8）和高分辨率數(shù)據(jù)（QuickBird）融合、陶江玥等?[13]光譜與LiDAR數(shù)據(jù)融合均提高了分類精度，這是因為QuickBird的圖像加入了Landsat 8數(shù)據(jù)之后融合了更多的光譜信息，而雷達數(shù)據(jù)為光學遙感圖像提供了更多的立體結(jié)構(gòu)信息，使分類結(jié)果更加準確。

3.2葉面積指數(shù)

葉面積指數(shù)是指單位地表面積上綠葉表面積總和的一半。植被的呼吸、蒸騰、光合作用以葉片為載體，葉面積的大小體現(xiàn)著植被生理過程的能力，是描述植被與環(huán)境之間進行物質(zhì)能量交換的關(guān)鍵參數(shù)。葉面積指數(shù)估算是植被遙感定量研究的熱點之一，國內(nèi)外學者主要基于多光譜遙感對其開展了大量研究。遙感估算葉面積指數(shù)主要有兩種方法：物理模型法和統(tǒng)計模型法。物理模型物理意義明確，但模型反解復雜，且輸入?yún)?shù)難以確定。統(tǒng)計模型參數(shù)少，運行效率高，但不具有外延性?[14]。

目前國內(nèi)對葉面積指數(shù)的研究主要集中于植被指數(shù)與葉面積指數(shù)之間的相關(guān)關(guān)系，其中NDVI使用頻次最多。陳健等?[15]在利用TM和MODIS數(shù)據(jù)反演蘆葦葉面積指數(shù)研究中發(fā)現(xiàn)，隨著尺度的增大，空間異質(zhì)性也增大，葉面積反演結(jié)果誤差越大。這一誤差可以通過小區(qū)域?qū)嵉販y量數(shù)據(jù)與高分辨率遙感影像的植被指數(shù)建立相關(guān)模型，反演該區(qū)域葉面積指數(shù)，再將其作為觀測值反演更大區(qū)域的葉面積指數(shù)，以此達到轉(zhuǎn)換尺度從而提高反演精度的目的。溫一博等?[16]使用TM影像作為中間數(shù)據(jù)對實測數(shù)據(jù)進行尺度轉(zhuǎn)換，分析葉面積指數(shù)的空間異質(zhì)性，得出研究區(qū)域采用600m分辨率驗證數(shù)據(jù)反演結(jié)果最佳。

利用光學遙感反演葉面積指數(shù)是目前的主要研究手段，但葉面積指數(shù)較大時容易導致植被冠層遙感信號飽和，從而影響反演精度。駱社周等?[17]利用機載激光雷達和Landsat TM數(shù)據(jù)分別反演葉面積指數(shù)，結(jié)果顯示機載激光雷達反演精度（?R2=0.825，?RMSE?=0.165）高于TM數(shù)據(jù)（?R2=0.605，?RMSE?=0.257）。駱社周等?[18]還利用星載激光雷達GLAS建立LPI模型反演葉面積指數(shù)（?R2=0.84，?RMSE?=0.64），因GLAS數(shù)據(jù)不連續(xù)，反演大區(qū)域葉面積指數(shù)時需與連續(xù)影像（TM）融合，結(jié)果表明反演葉面積指數(shù)與實測數(shù)據(jù)具有較好的相關(guān)性（?R2=0.76，?RMSE?=0.69）。這說明激光雷達數(shù)據(jù)具有反演葉面積指數(shù)、提高反演精度的巨大潛力，可以考慮將其與光學遙感影像融合，以期取得更好的效果。

3.3郁閉度

郁閉度不同于葉面積指數(shù)，指的是喬木冠層的垂直投影面積與林地面積之比。郁閉度是森林資源優(yōu)劣的一項指標，可用其區(qū)分有林地、疏林地等，為確定采伐強度和撫育幼林提供參考。利用遙感技術(shù)獲取森林郁閉度常用輻射傳輸模型法和統(tǒng)計模型法。統(tǒng)計模型法總體類似于估算葉面積指數(shù)，利用實測點數(shù)據(jù)植被指數(shù)與郁閉度構(gòu)建統(tǒng)計模型，從而估算更大區(qū)域的郁閉度。琚存勇等?[19]用變量篩選方法估算郁閉度，發(fā)現(xiàn)基于偏最小二乘回歸的Bootstrap方法較傳統(tǒng)的平均殘差平和方法精度約提高5%。劉丹丹等?[20]采用像元二分模型，假設一個像元只有林冠和非林冠部分，像元光譜信息由兩組分線性組合構(gòu)成，根據(jù)地物在地表面積中所占比重配比權(quán)重，喬木層林冠貢獻的權(quán)重即為該像元的郁閉度，結(jié)果表明模型精度達到89.01%。王蕊等?[21]聯(lián)合星載ICESat-GLAS波形與TM數(shù)據(jù)估測郁閉度，聯(lián)合后精度高于GLAS和TM單一數(shù)據(jù)為數(shù)據(jù)源時的估測精度。利用統(tǒng)計模型方法估算郁閉度方法簡單，便于操作，但不適用于大區(qū)域的研究，森林的研究正趨向于區(qū)域化、全球化的發(fā)展，基于物理模型反演的方法能更好的運用于大尺度，并充分利用多源數(shù)據(jù)獲取的植被信息，在實現(xiàn)大尺度觀測的基礎上提高估測精度。

3.4蓄積量

蓄積量是反映森林貯存能力和森林資源的基本指標，國內(nèi)外主要通過光學遙感和微波遙感對森林蓄積量進行估測。張超等?[22]結(jié)合TM/ETM+和實地調(diào)查數(shù)據(jù)，基于偏最小二乘回歸法構(gòu)建回歸模型，估測研究區(qū)域蓄積量，精度可達90%以上。劉俊等?[23]依據(jù)小班平均高和平均年齡建立好、中、差3種地位等級，結(jié)果表明3種立地等級估測精度均高于統(tǒng)一建模估測精度。森林蓄積量包括葉和枝干兩部分生物量，然而光學遙感只能對樹冠進行探測，具有一定的局限性。

微波具有較強的穿透能力，高頻波段（C波段、X波段）穿透能力弱，后向散射主要由樹冠反射決定;低頻波段（P波段、L波段）穿透能力強，后向散射主要由木質(zhì)元素（樹干、較大樹枝）決定，P波段波長最短，因此不難理解P波段對森林蓄積量敏感度最強。歐空局計劃在2020年發(fā)射一個偏振和干涉測量的P波段衛(wèi)星，這將為森林生物量和蓄積量的測量提供更好的方法。王臣立等?[24]用Radarsat SAR數(shù)據(jù)估測桉樹林蓄積量，研究表明，不同樹齡、樹高、胸徑的蓄積量與后向散射系數(shù)呈對數(shù)關(guān)系，但相關(guān)系數(shù)不同;不同樹冠結(jié)構(gòu)對后向散射系數(shù)的影響也不同。估測結(jié)果基本符合林場精度要求，但小班應用效果不理想。Gaia Vaglio Laurin等?[25]將高光譜數(shù)據(jù)和LiDAR數(shù)據(jù)融合估測蓄積量，相比只以LiDAR為遙感數(shù)據(jù)源結(jié)果有所改善，這是因為光學遙感數(shù)據(jù)包含了大量的植被冠層信息，這些信息與森林蓄積量有相關(guān)關(guān)系。無論光學遙感還是微波遙感估測森林蓄積量，地面實測數(shù)據(jù)都不可或缺，若以機載雷達為輔助媒介，可以促進全球森林蓄積量的研究。

3.5林齡結(jié)構(gòu)

林齡是評估森林生態(tài)系統(tǒng)碳匯潛力的重要參數(shù)，也是分析森林碳循環(huán)受干擾因素的重要替代因子。目前研究中，林齡數(shù)據(jù)主要通過森林清查和遙感技術(shù)獲取，森林清查主要基于樣地尺度，很難擴展到區(qū)域尺度。遙感技術(shù)是獲取區(qū)域尺度林齡數(shù)據(jù)的有效方法，利用健康植被的光譜特征以及植被衰老過程中光譜變化特征，可用以區(qū)分健康植被與衰老或因災害死亡的植被（如病蟲害等）。陳云浩等?[26]利用十年間NDVI指數(shù)為數(shù)據(jù)源，分析了1983年至1992年中國陸地植被的生長和衰老變化過程。

利用遙感技術(shù)獲取林齡數(shù)據(jù)，存在森林生長初期光譜敏感以及冠層郁閉后光譜飽和問題，因此需要融合清查數(shù)據(jù)和遙感影像數(shù)據(jù)分析林齡變化特征。李凡等?[27]通過森林詳查數(shù)據(jù)構(gòu)建樹齡與樹高統(tǒng)計模型，在區(qū)域尺度上利用資源三號影像和機載雷達數(shù)據(jù)提取森林平均樹高和植被類型信息，以此估測的林齡與實測林齡數(shù)據(jù)平均相對誤差為0.125，估測精度為85.4%，結(jié)論還表明，林分平均樹高達20m以后，林齡與樹高關(guān)系達到飽和。

3.6枯落物厚度

森林枯落物的儲量和厚度能夠表征森林物種多樣性及物質(zhì)循環(huán)、能量流動、水源涵養(yǎng)等生態(tài)功能，且枯落物的厚度越大，則儲量也越大，兩者呈顯著正相關(guān)關(guān)系，相關(guān)研究常以厚度直接代替儲量。微波遙感對松散沉積物等的分類、組成物質(zhì)、顆粒大小、疊置關(guān)系等敏感，且其具有較強的穿透能力，因而可以利用微波遙感探測枯落物厚度。Kurum M等?[28]利用微波L-Band通過對比移走枯落物樣地和保持不受干擾樣地數(shù)據(jù)發(fā)現(xiàn)，在移走枯落物后極化反射率明顯下降，并且對比森林輻射水平，枯落物使冠層亮度溫度增加，而削弱土壤發(fā)射強度。Schwank M等?[29]通過基于塔的激光雷達數(shù)據(jù)，研究枯落物濕度和L-Band波段亮度之間的關(guān)系模型，研究發(fā)現(xiàn)，在干燥環(huán)境下枯落物探測不明顯，當枯落物被浸濕后，探測區(qū)域亮度增加，進一步浸濕，濕度增加，亮度降低，這一特點可以有效避免對L-Band的錯誤解譯。

4林地環(huán)境

林地環(huán)境即植被的生長環(huán)境，是決定森林生態(tài)系統(tǒng)生產(chǎn)力的重要因素，對森林的分布和健康發(fā)展起著重要作用。

4.1地形

地形因子影響著太陽輻射和降水的空間再分配，導致土壤肥力、土壤水分等資源的空間差異，從而影響植被分布的差異。ASTER GDEM和SRTM是全球最完整的高精度地形數(shù)據(jù)，且已得到廣泛應用。有研究表明SRTM1 DEM數(shù)據(jù)在垂直精度上明顯高于ASTER GDEM V2，兩種數(shù)據(jù)均受坡度影響較大，且隨著坡度增大誤差也增大。天繪一號衛(wèi)星是我國第一代傳輸型立體測繪衛(wèi)星，其中01星與02星定軌精度為2～3m，03星定軌精度優(yōu)于1m，天繪一號的發(fā)射使中國首次實現(xiàn)了與SRTM相對精度同等的技術(shù)水平。資源三號衛(wèi)星是我國第一顆民用三線陣立體測圖衛(wèi)星，其無控制點精度優(yōu)于15m，帶控制點平面精度優(yōu)于4m，高程精度優(yōu)于3m。資源三號測繪衛(wèi)星DSM數(shù)據(jù)精度整體高于ASTER GDEM。此外法國SPOT-5，印度IRS，美國IKONOS，德國QUICKBird等衛(wèi)星也可用以提取地形信息，多衛(wèi)星融合如王晉利用ICESat和SRTM數(shù)據(jù)輔助天繪一號可提高所提取高程精度。ICESat-2衛(wèi)星、高分七號衛(wèi)星、北斗衛(wèi)星的發(fā)射和發(fā)展也必將提供更精確的地面地形信息。

4.2土壤

土壤承載著植被生長的基質(zhì)，對植被的生長和分布有重要作用。影響森林健康的土壤指標主要有土壤侵蝕度，土壤水分和土壤厚度。

多數(shù)光學遙感衛(wèi)星可用于土壤侵蝕的研究，通過遙感影像的光譜信息、地物分類以及DEM變化等信息，可以探測土壤侵蝕狀況。如衛(wèi)亞星等?[30]利用兩個時期陸地衛(wèi)星數(shù)據(jù)植被蓋度及研究區(qū)地形坡度值分析了不同侵蝕強度區(qū)域面積變化和驅(qū)動力。

光學遙感估算土壤水分主要是利用土壤表面溫度、以及土壤表面的發(fā)射率、反射率等特征信息。國內(nèi)外學者利用土壤濕度指數(shù)（SWI）、濕度植被干旱指數(shù)（TVDI）等指數(shù)估算土壤水分。光學遙感數(shù)據(jù)易于獲取、空間分辨率高，但穿透性差，受植被、環(huán)境、天氣影響較大，且光學遙感多通過各種指數(shù)建立經(jīng)驗模型間接估算土壤水分，應用具有一定的局限性。相比之下，微波遙感穿透能力強，且具有全天時、全天候監(jiān)測的能力，已被廣泛應用于地表參數(shù)反演。利用微波遙感反演土壤水分主要有主動的基于散射計或雷達的方法、被動的基于輻射計的方法以及主被動聯(lián)合的反演方法。被動微波主要利用土壤水分與土壤微波輻射的相關(guān)關(guān)系，主動微波主要利用土壤介電常數(shù)與雷達后向散射系數(shù)之間的相關(guān)關(guān)系，兩者都能全天候測量，可以探測地表5 cm左右深度。微波反演水分主要用到C波段和L波段，C波段對植被穿透力弱，只適用于裸地和低矮植被區(qū)域，L波段在植被覆蓋區(qū)域也能取得較好的效果。

土壤厚度和性狀是植被生長的物質(zhì)基礎，但其易受植被遮擋、地形地貌等因素影響，難以直接觀測。微波數(shù)據(jù)具有較強的穿透力，因此利用遙感技術(shù)估測土壤厚度也成為可能。如Bilbisi等?[31]利用日本地球資源衛(wèi)星（JERS）L-Band干涉SAR數(shù)據(jù)估算約旦東北干旱和半干旱地區(qū)土壤厚度，基于表層土介電質(zhì)連續(xù)的特性，通過多層模型分析可以獲得后向散射系數(shù)與土壤厚度之間的關(guān)系，從而估算出研究區(qū)土壤厚度信息。

土壤遙感還處于探索研究階段，隨著遙感技術(shù)的發(fā)展，也許會發(fā)展出可以直接探測土壤結(jié)構(gòu)的傳感器，完成對土壤的探測，為土壤研究提供便利的數(shù)據(jù)源。

5森林風險

受自然與人類活動的影響，森林健康無時無刻不面臨著風險的威脅，因此有必要將森林風險納入森林健康評價指標體系。

5.1火險

火災是林業(yè)三大嚴重危害之一，不僅燒毀林木，還會導致環(huán)境污染、危害野生動物和水土流失，甚至威脅人類財產(chǎn)生命安全等，因此對火險等級研究對森林健康評價具有重要意義。森林火險等級是對森林可能發(fā)生火災的概率進行預測評價，遙感技術(shù)只能實時監(jiān)測，不能進行預測，因此利用遙感技術(shù)估測火險等級只能通過綜合分析監(jiān)測到的信息，進行預測評價。

國內(nèi)森林健康研究中，火災等級通常選擇影響火災發(fā)生的因子進行聚類分析。谷建才等?[32]選擇優(yōu)勢樹種、郁閉度、海拔高度、距旅游點距離、經(jīng)營措施以及林道距離6個因子進行聚類，根據(jù)因子對火險影響程度不同，賦予不同的權(quán)重，并將研究區(qū)劃分為三個火險等級區(qū)，通過實地考察，火險等級區(qū)分類結(jié)果與實際情況基本符合。目前應用于森林健康研究中的森林火險等級評價沒有納入天氣因素，在實際情況下，如溫度、濕度等氣象因素都會影響到火險的發(fā)生。在森林火險方面已有相關(guān)研究，黃寶華等?[33]綜合天氣、植被、人為和地形等因素，選取相關(guān)的15個解釋變量，分析這些變量與林火發(fā)生概率的相關(guān)性，結(jié)果表明影響火災發(fā)生因素前三位的是年均溫度、地形濕度指數(shù)、鄰近單元高程差。而森林健康研究體系的火險等級評價鮮有將這些因素納入其中。

5.2病蟲害

每年由病蟲害造成的森林資源損失遠遠超過森林火災，近年來全國約5.5%的森林遭受病蟲害干擾。我國森林病蟲害有三種顯著特征：一是偶發(fā)性病蟲害大面積爆發(fā)，二是常發(fā)性病蟲害森林面積呈上升趨勢，三是危險性森林病蟲害擴散迅速。傳統(tǒng)的人為調(diào)查方法往往不能及時獲取信息，或等到發(fā)現(xiàn)時災情已經(jīng)比較嚴重，影響森林的健康管理。相比之下，遙感技術(shù)具有面積大、周期短等優(yōu)勢，可及時發(fā)現(xiàn)災情，為森林病蟲害監(jiān)測控制提供了新的思路和手段。

病蟲害的發(fā)生會導致林木生長受到影響，外觀發(fā)生異常，表現(xiàn)在遙感影像上使得樹葉在可見光和近紅外波段反射率和吸收率變化，根據(jù)光譜特征或光譜差異可以識別病蟲害的發(fā)生。Vogelmann等?[34]用TM數(shù)據(jù)監(jiān)測闊葉林薊馬蟲害，認為TM5/TM4、TM5、TM3合成的影像可識別輕微災害和嚴重災害區(qū)，由災害年份和健康年份兩時相差值影像上也清晰可辨兩級災害。武紅敢等?[35]用災害年份和健康年份TM數(shù)據(jù)監(jiān)測松毛蟲災害，得出TM5/TM4與災害相關(guān)性極高，其中郁閉度≥0.5的林分，災害水平可由TM5/TM4估算;郁閉度≤0.4的林分，災害等級由災害年份與健康年份的TM5/TM4差值估算。利用遙感技術(shù)監(jiān)測病蟲害，可以在大尺度上分析病蟲害與環(huán)境因子之間的相關(guān)關(guān)系，更好的了解病蟲害的爆發(fā)規(guī)律并作出合理預測。

6結(jié)束語

隨著人類對森林生態(tài)系統(tǒng)越來越關(guān)注，森林健康的評價研究也越來越深入，但仍存在以下不足：

（1）森林健康評價體系不夠完善，缺乏綜合評價方法。目前國內(nèi)外對森林健康的評價研究存在一定差異，國內(nèi)森林健康評價體系多注重森林生態(tài)結(jié)構(gòu)健康，而國外將人文經(jīng)濟因素也考慮在內(nèi)。此外，不同森林類型、不同地區(qū)森林健康評價指標以及評價標準存在差異，在森林健康評價時應綜合考慮，制定適宜的評價方法。

（2）森林健康預測能力弱，不能很好服務于森林管理。森林健康評價多數(shù)是森林生態(tài)評價，森林健康預測也只是側(cè)重于林木生長變化趨勢，而沒有考慮影響植被生長的脅迫因素的未來變化趨勢及其會對森林健康產(chǎn)生的影響，使預測結(jié)果可信度下降，不能很好的服務于森林健康管理。

（3）各監(jiān)管部門結(jié)合少，森林健康監(jiān)測單一。森林健康具有跨學科、跨區(qū)域、跨部門的特點，森林的生長過程會受到很多脅迫，如氣象、環(huán)境污染、生物入侵、土壤貧瘠等，這些需要各部門聯(lián)系，只有綜合考慮各方面因素，獲得的結(jié)果才有使用價值。

森林健康是一門復雜的學科，隨著遙感技術(shù)的發(fā)展更加完善，將遙感技術(shù)應用于森林健康評價具有可行性和必要性，利用遙感技術(shù)進行森林健康評價可以彌補傳統(tǒng)調(diào)查方法的耗時費力的不足，尤其是近些年來遙感與全球定位系統(tǒng)、地球信息系統(tǒng)的融合更提高了遙感的應用能力。

（1）新型遙感數(shù)據(jù)實現(xiàn)更精細化監(jiān)測。歐洲航天局（ESA）宣布熒光探測器（Fluorescence Explorer，F(xiàn)LEX）將于2022年發(fā)射升空，這意味著人類將首次可以通過遙感技術(shù)探測葉綠素變化，觀測植被的光合作用及其在全球碳循環(huán)中的作用。以及2020年發(fā)射的偏振干涉P波段衛(wèi)星傳感器可以實現(xiàn)生物量和土壤的監(jiān)測。新型遙感技術(shù)在光譜波段范圍、時間和空間分辨率等方面優(yōu)勢明顯，可以彌補現(xiàn)有研究的缺陷與不足。此外，在重視遙感獲取地面信息的同時，結(jié)合運用人工智能算法，提高遙感數(shù)據(jù)的利用率和解譯精度。

（2）森林健康調(diào)控更加智能合理。遙感技術(shù)提供了一種大尺度評價森林健康的方法，這不僅為森林健康與環(huán)境因子之間關(guān)系的研究提供了方便，也為森林健康的管理調(diào)控提供了新的手段與思路。針對我國基本情況，促進多部門、多學科、跨區(qū)域合作，提高森林監(jiān)測水平，完善森林健康評價體系，總體提高我國森林健康水平，并促進全球森林健康研究的發(fā)展。

【參考文獻】

[1]蓋鳳東，周廣嶺.淺談森林健康[J].科技創(chuàng)新導報，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]高廣磊，信忠保，丁國棟，等.基于遙感技術(shù)的森林健康研究綜述[J]. 生態(tài)學報，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]肖風勁，歐陽華，傅伯杰，等.森林生態(tài)系統(tǒng)健康評價指標及其在中國的應用[J].地理學報，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]譚浩. K-Means算法改進及其在森林健康評價中的應用[D].長沙：中南林業(yè)科技大學，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]楊雪春，侯紹梅，劉東蘭，等.基于GIS的將樂林場森林健康評價[J].中南林業(yè)科技大學學報，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]劉曉農(nóng)，宋亞斌，邢元軍.基于SOM神經(jīng)網(wǎng)絡的新化縣森林健康評價[J].中南林業(yè)科技大學學報，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，肖維，等.基于復雜網(wǎng)絡的森林健康評價研究[J].中南林業(yè)科技大學學報，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，范文義.基于高光譜遙感數(shù)據(jù)的森林優(yōu)勢樹種組識別[J].東北林業(yè)大學學報，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，毛學剛，方本煜，等.基于Landsat 8 OLI輔助的亞米級遙感影像樹種識別[J].北京林業(yè)大學學報，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，劉麗娟，丁友麗，等.高光譜和LiDAR數(shù)據(jù)融合在樹種識別上的應用[J].綠色科技，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]靳華安，李愛農(nóng)，邊金虎，等.西南地區(qū)不同山地環(huán)境梯度葉面積指數(shù)遙感反演[J].遙感技術(shù)與應用，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]陳健，倪紹祥，李靜靜，等.植被葉面積指數(shù)遙感反演的尺度效應及空間變異性[J].生態(tài)學報，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]溫一博，常穎，范文義.基于MISR數(shù)據(jù)大興安嶺地區(qū)葉面積指數(shù)反演及尺度轉(zhuǎn)換驗證研究[J].北京林業(yè)大學學報，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]駱社周，王成，張貴賓，等.機載激光雷達森林葉面積指數(shù)反演研究[J].地球物理學報，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]駱社周，王成，習曉環(huán)，等.星載激光雷達GLAS與TM光學遙感聯(lián)合反演森林葉面積指數(shù)[J].紅外與毫米波學報，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，蔡體久.變量篩選方法對郁閉度遙感估測模型的影響比較[J].林業(yè)科學，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]劉丹丹，田靜，高延平，等.基于像元二分模型的森林郁閉度遙感估算[J].測繪與空間地理信息，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，邢艷秋，王立海，等.聯(lián)合星載ICESat-GLAS波形與多光譜Landsat-TM影像的森林郁閉度估測[J].應用生態(tài)學報，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]張超，彭道黎，黨永峰，等.三峽庫區(qū)森林蓄積量遙感監(jiān)測及其動態(tài)變化分析[J].東北林業(yè)大學學報， 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]劉俊，孟雪，溫小榮，等.基于不同立地質(zhì)量的森林蓄積量遙感估測[J].西北林學院學報，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，牛錚，郭治興，等.Radarsat SAR的森林生物物理參數(shù)信號響應及其蓄積量估測[J]. 國土資源遙感， 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]陳云浩，李曉兵，陳晉，等.1983-1992年中國陸地植被NDVI演變特征的變化矢量分析[J].遙感學報，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，李明澤，史澤林，等.基于遙感數(shù)據(jù)與森林詳查估算林齡的空間分布[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]衛(wèi)亞星，王莉雯，劉闖.基于遙感技術(shù)的土壤侵蝕研究現(xiàn)狀及實例分析[J].干旱區(qū)地理（漢文版），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，陸貴巧，吳斌，等.八達嶺森林健康示范區(qū)森林火險等級區(qū)劃的研究[J].河北農(nóng)業(yè)大學學報， 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]黃寶華，張華，孫治軍，等.基于GIS與RS的山東森林火險因子及火險區(qū)劃[J].生態(tài)學雜志，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.衛(wèi)星遙感技術(shù)在森林病蟲害監(jiān)測中的應用[J].世界林業(yè)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.