基于多源遙感數(shù)據(jù)的森林蟲害監(jiān)測及驅(qū)動(dòng)力分析

羅先軼 張永光,3

基于多源遙感數(shù)據(jù)的森林蟲害監(jiān)測及驅(qū)動(dòng)力分析

羅先軼1,2張永光1,2,3

（1 南京大學(xué)國際地球系統(tǒng)科學(xué)研究所，江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心，南京 210023）（2 南京大學(xué)地理與海洋科學(xué)學(xué)院，自然資源部國土衛(wèi)星遙感應(yīng)用重點(diǎn)實(shí)驗(yàn)室，江蘇省地理信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，南京 210023）（3 南通智能感知研究院，南通 226000）

遙感監(jiān)測可以及時(shí)、準(zhǔn)確地監(jiān)測森林蟲害擾動(dòng)的時(shí)空格局，并預(yù)測其暴發(fā)狀況，為區(qū)域尺度的森林管理和政策提供指導(dǎo)。文章以加拿大不列顛哥倫比亞省為研究區(qū)，基于多源遙感數(shù)據(jù)，將LandTrendr算法（基于Landsat的干擾和恢復(fù)趨勢檢測算法）和隨機(jī)森林（RF）分類器相融合識別了1999～2015年森林蟲害的暴發(fā)區(qū)域與嚴(yán)重程度，分析其時(shí)空格局，解析了驅(qū)動(dòng)蟲害暴發(fā)蔓延的關(guān)鍵因子，以及森林生態(tài)系統(tǒng)對蟲害暴發(fā)的響應(yīng)機(jī)制。研究結(jié)果表明：1）通過樣本點(diǎn)獨(dú)立驗(yàn)證，提出的森林蟲害擾動(dòng)遙感方法識別準(zhǔn)確率達(dá)87.1%，與航空調(diào)查數(shù)據(jù)識別準(zhǔn)確率接近，森林蟲害暴發(fā)具有明顯時(shí)空分異特征；2）原生的蟲害暴發(fā)地區(qū)，其前期的擾動(dòng)歷史或地形因素比其他因素更易造成蟲害擾動(dòng)；3）森林生態(tài)系統(tǒng)對蟲害暴發(fā)的生理性響應(yīng)早于結(jié)構(gòu)性響應(yīng)，未來可以利用森林的葉綠素?zé)晒獾壬碇笖?shù)來提早監(jiān)測和預(yù)警森林蟲害擾動(dòng)發(fā)生。

森林蟲害擾動(dòng) 陸地衛(wèi)星 干擾恢復(fù)趨勢檢測算法 隨機(jī)森林 遙感監(jiān)測

0 引言

森林在水土保持、碳固定等方面發(fā)揮著重要作用，是氣候調(diào)節(jié)的關(guān)鍵因子[1]。全球氣候變化和人類活動(dòng)引起的森林?jǐn)_動(dòng)嚴(yán)重影響著森林生態(tài)系統(tǒng)的組成、結(jié)構(gòu)和功能，削弱了其生態(tài)服務(wù)功能[2]。森林蟲害擾動(dòng)具有顯著的生態(tài)和經(jīng)濟(jì)影響，會(huì)影響森林生態(tài)系統(tǒng)生產(chǎn)力以及木材供應(yīng)，因此在林業(yè)管理中必須考慮森林蟲害暴發(fā)的影響[3]。通過衛(wèi)星遙感技術(shù)捕捉森林蟲害的擾動(dòng)信號，解析驅(qū)動(dòng)蟲害暴發(fā)蔓延的關(guān)鍵因子，為進(jìn)一步研究蟲害暴發(fā)引起的森林生態(tài)結(jié)構(gòu)和功能變化及對全球碳循環(huán)的影響奠定了堅(jiān)實(shí)基礎(chǔ)，對指導(dǎo)潛在蟲害暴發(fā)風(fēng)險(xiǎn)區(qū)適時(shí)采取防控措施，實(shí)現(xiàn)更有效的森林有害生物管理具有重要的理論和實(shí)踐價(jià)值[4]。

隨著航天遙感技術(shù)的快速發(fā)展和遙感數(shù)據(jù)的不斷增加，遙感技術(shù)已經(jīng)被廣泛應(yīng)用于森林蟲害擾動(dòng)監(jiān)測[5]。自美國地質(zhì)調(diào)查局（USGS）開放共享Landsat系列衛(wèi)星數(shù)據(jù)以來，基于Landsat時(shí)間序列堆棧（LTSS）的變化檢測算法得到迅速發(fā)展[6]，例如分離趨勢和季節(jié)項(xiàng)的突變點(diǎn)方法（BFAST）[7]、基于Landsat的干擾和恢復(fù)趨勢檢測（LandTrendr）[8]、植被變化追蹤算法（VCT）[9]和連續(xù)變化檢測和分類算法（CCDC）[10]。其中LandTrendr算法可擬合時(shí)間序列中每個(gè)像元的光譜指數(shù)，根據(jù)F檢驗(yàn)的值選擇最合適的回歸模型對時(shí)間序列進(jìn)行分割，提取時(shí)間序列中指數(shù)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(shù)（Normalized Burn Ratio，NBR）檢測其最大變化幅度，從而確定森林?jǐn)_動(dòng)情況[12]。然而單一的植被指數(shù)不能充分表征森林?jǐn)_動(dòng)，科恩等人確定了6個(gè)與森林?jǐn)_動(dòng)相關(guān)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(yàn)證了使用多個(gè)指數(shù)的集成堆?？梢愿牧忌?jǐn)_動(dòng)檢測[13]。

本研究基于Landsat的16個(gè)波段以及光譜指數(shù)，將隨機(jī)森林機(jī)器學(xué)習(xí)（RF）方法與LandTrendr算法融合應(yīng)用于森林蟲害擾動(dòng)監(jiān)測，并對遙感監(jiān)測結(jié)果與各種地理、環(huán)境、生理因子進(jìn)行分析，解析驅(qū)動(dòng)森林蟲害暴發(fā)蔓延的關(guān)鍵因子以及森林生態(tài)系統(tǒng)對蟲害暴發(fā)的響應(yīng)機(jī)制，為森林蟲害的預(yù)警預(yù)測和全球氣候變化下森林蟲害的管理策略提供技術(shù)支撐。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)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(yīng)區(qū)（Mackenzie Timber Supply Area）作為研究區(qū)，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(nèi)卡地區(qū)的兩大木材供應(yīng)區(qū)之一。其中木材采伐基地占地150×104hm2，約占研究區(qū)面積的23%。地勢平緩的落基山峽谷貫穿南北，東側(cè)是崎嶇的落基山脈，西側(cè)是奧姆內(nèi)卡山脈，威利斯頓水庫位于中部。盡管研究區(qū)山區(qū)河谷地形多樣，具有獨(dú)特的生態(tài)特征和生物多樣性，但該區(qū)域森林比較均質(zhì)，主要由黑松、云杉、亞高山冷杉和幾種落葉樹種構(gòu)成。在低海拔地區(qū)，森林主要由雜交白云杉、黑松、高山冷杉和北方黑云杉構(gòu)成，其中平坦地區(qū)的森林主要由雜交云杉和黑松構(gòu)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(tuán)和東側(cè)落基山脈影響，研究區(qū)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(qū)森林蟲害最早在20世紀(jì)90年代出現(xiàn)，于2005年迅速蔓延。以2012年為例，研究區(qū)（1.2～1.4）×108m3的成熟松樹中約有8 000×104m3已發(fā)生蟲害擾動(dòng)。

1.2 衛(wèi)星遙感數(shù)據(jù)預(yù)處理

本研究使用谷歌地球引擎（Google Earth Engine，GEE）云計(jì)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(shí)間序列堆棧，利用Fmask算法對云、云陰影和雪進(jìn)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(gè)傳感器光譜值之間的統(tǒng)計(jì)協(xié)調(diào)函數(shù)對反射率進(jìn)行歸一化[15]，接著進(jìn)行提取年集合的中位反射率值，構(gòu)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(jì)算對植物光合作用和葉片含水量等敏感的9個(gè)光譜指數(shù)，見表2。由于冬季的光譜指數(shù)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(jì)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(shù)（NDVI）。

表1 森林蟲害擾動(dòng)遙感監(jiān)測與蟲災(zāi)響應(yīng)機(jī)制分析所使用數(shù)據(jù)集

1.3 參考數(shù)據(jù)

本研究共收集807個(gè)樣本點(diǎn)，其中砍伐樣本點(diǎn)173個(gè)，火災(zāi)樣本點(diǎn)165個(gè)，落葉蟲樣本點(diǎn)144個(gè)，樹皮甲蟲樣本點(diǎn)182個(gè)，無擾動(dòng)樣本點(diǎn)143個(gè)，以用于隨機(jī)森林算法的訓(xùn)練和分類結(jié)果驗(yàn)證，具體分布如圖1所示。樣本點(diǎn)的選定依靠5種數(shù)據(jù)，分別為：不列顛哥倫比亞省森林病蟲害擾動(dòng)的年度航空調(diào)查數(shù)據(jù)、加拿大森林火災(zāi)數(shù)據(jù)、加拿大森林采伐數(shù)據(jù)和Google Earth Pro平臺上的高分辨率衛(wèi)星影像?？紤]到航空調(diào)查數(shù)據(jù)勾畫的單個(gè)區(qū)域較大以及蟲害和樹木響應(yīng)的異質(zhì)性和短暫性，本研究沒有直接使用航空調(diào)查數(shù)據(jù)作為樣本點(diǎn)，而是將航空調(diào)查數(shù)據(jù)作為參考，在Google Earth Pro平臺的高分辨率衛(wèi)星影像上直觀目視解譯選擇樣本點(diǎn)。

表2 LandTrendr算法使用的波段/光譜指數(shù)及其長時(shí)間序列影像集

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

1.4 蟲害發(fā)生驅(qū)動(dòng)因子數(shù)據(jù)

本研究使用宿主物種、地形和鄰域傳播三類相關(guān)變量進(jìn)行驅(qū)動(dòng)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(shù)據(jù)和植被樹高數(shù)據(jù)。對于地形變量，選擇了航天飛機(jī)雷達(dá)地形任務(wù)（SRTM）提供的數(shù)字高程模型（DEM）數(shù)據(jù)，并計(jì)算海拔、坡度、坡向和地形耐用指數(shù)，因?yàn)槠露扔绊懮狡律蠘涔谥g的距離，從而影響森林害蟲傳播，而坡向影響溫度，最終會(huì)影響森林蟲害的蔓延。地形耐用指數(shù)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(gè)像元周圍受感染像元的加權(quán)總和作為對相鄰像元狀態(tài)依賴性的度量[20]。解釋鄰接效應(yīng)的基本方程為：

圖1 研究區(qū)樣本點(diǎn)分布

2 研究方法

本文基于GEE云計(jì)算平臺將隨機(jī)森林機(jī)器學(xué)習(xí)算法與LandTrendr算法相結(jié)合，發(fā)展了一套森林蟲害擾動(dòng)遙感監(jiān)測方法?？傮w技術(shù)流程包括：1）擾動(dòng)信號提??；2）決策樹擾動(dòng)監(jiān)測；3）隨機(jī)森林算法二次分類；4）后處理和精度評價(jià)；5）驅(qū)動(dòng)因素分析。具體技術(shù)路線如圖2所示。

圖2 森林蟲害擾動(dòng)遙感監(jiān)測技術(shù)路線

2.1 擾動(dòng)信號提取

LandTrendr是一組光譜－時(shí)間分割算法。該算法從Landsat中提取光譜指數(shù)，生成基于軌跡的光譜時(shí)間序列數(shù)據(jù)，然后檢測軌跡中的擾動(dòng)時(shí)間、擾動(dòng)幅度和擾動(dòng)持續(xù)時(shí)間。LandTrendr變化檢測算法如圖3所示，其實(shí)現(xiàn)包括以下幾個(gè)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(diǎn)，選擇與最小二乘一階回歸線的絕對偏差最大的點(diǎn)作為潛在分割點(diǎn)；3）擬合光譜軌跡，分割點(diǎn)確定后，通過一系列擬合方法確定每個(gè)分割點(diǎn)的光譜指數(shù)值，從而形成整個(gè)時(shí)間序列的連續(xù)光譜指數(shù)軌跡；4）簡化并選擇最佳模型，根據(jù)F檢驗(yàn)統(tǒng)計(jì)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(gè)像元周圍區(qū)域的空間上下文信息[22]。當(dāng)研究對象超過單個(gè)像元的區(qū)域時(shí)，空間分割可以減少均質(zhì)區(qū)域中存在的高頻噪聲，從而生產(chǎn)出更準(zhǔn)確、一致的產(chǎn)品。為了讓LandTrendr算法提取擾動(dòng)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(shí)間分割之前生成每個(gè)波段/光譜指數(shù)的年度空間平滑影像。針對Landsat的16個(gè)波段/光譜指數(shù)的年度時(shí)間序列影像集，本研究在三個(gè)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(fā)出64個(gè)新的年度時(shí)間序列影像集（如表2所示），具體包括：1）16個(gè)原始未分割的年度時(shí)間序列影像集；2）5像元間距空間分割的年度時(shí)間序列影像集；3）10像元間距空間分割的年度時(shí)間序列影像集；4）20像元間距空間分割的年度時(shí)間序列影像集。其中20像元間距的SNIC平滑年度時(shí)間序列影像集可創(chuàng)建相對較大的同質(zhì)對象，而5像元間距的影像集則保留了較多的細(xì)節(jié)。

本研究使用上述64個(gè)年度時(shí)間序列影像集進(jìn)行LandTrendr算法分析，根據(jù)文獻(xiàn)[23]中提供的默認(rèn)值，對LandTrendr算法的max_segments(6)，spike(0.9)，pval(0.05)和recovery_threshold(0.25)等參數(shù)進(jìn)行了測試和修改。最終，輸出這64個(gè)波段/光譜指數(shù)年度時(shí)間序列的擾動(dòng)時(shí)間、擾動(dòng)持續(xù)時(shí)間和擾動(dòng)幅度。

2.2 決策樹算法擾動(dòng)監(jiān)測

雖然本研究使用輔助數(shù)據(jù)來減少火災(zāi)和木材采伐對蟲害遙感監(jiān)測的影響，但這些數(shù)據(jù)不包括一些較小的火災(zāi)事件或未記錄的采伐?；馂?zāi)、木材采伐造成的光譜變化幅度通常更為顯著，持續(xù)時(shí)間更短，蟲害引起的波段/光譜指數(shù)變化率通常比火災(zāi)、木材采伐造成的波段/光譜指數(shù)變化率低。因此，本文進(jìn)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(shù)變化率更大的擾動(dòng)。

圖4 不同擾動(dòng)類型下最大擾動(dòng)段Band 7地表反射率的變化率

對于每個(gè)波段/光譜指數(shù)及其空間分割組合，本文計(jì)算了326個(gè)蟲害樣本點(diǎn)LandTrendr識別的最大擾動(dòng)段光譜變化率（最大擾動(dòng)段的擾動(dòng)幅度與擾動(dòng)持續(xù)時(shí)間的比值），并與173個(gè)砍伐樣本點(diǎn)和165個(gè)火災(zāi)樣本點(diǎn)的變化率進(jìn)行比較。以短波紅外波段為例，圖4展示了森林蟲災(zāi)、火災(zāi)、木材采伐三種不同擾動(dòng)類型下最大擾動(dòng)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(jìn)行異常值處理，將大于蟲害變化率的上四分位數(shù)加上1.5倍的四分位數(shù)間距之外的擾動(dòng)段作為異常值排除，從而排除研究區(qū)域內(nèi)許多火災(zāi)和木材采伐擾動(dòng)事件。

2.3 基于隨機(jī)森林算法的森林蟲害二次分類

在大多數(shù)基于LandTrendr算法的研究中，文獻(xiàn)[24]已證明NBR對森林蟲害擾動(dòng)敏感，文獻(xiàn)[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(dòng)情況。經(jīng)過2.1節(jié)LandTrendr變化檢測算法的64個(gè)波段/光譜指數(shù)及其空間分割組合總共有64個(gè)輸出，然而每個(gè)輸出并不能在所有研究時(shí)段內(nèi)都檢測到森林蟲害擾動(dòng)。因此本研究將這64個(gè)LandTrendr輸出結(jié)果整合為一個(gè)集合，并將隨機(jī)森林分類器作為二級分類模型，進(jìn)一步監(jiān)測森林蟲害。

本文構(gòu)建了一個(gè)隨機(jī)森林模型，將樣本點(diǎn)與64個(gè)因子變量聯(lián)系起來。使用隨機(jī)森林變量選擇算法（VSURF）確認(rèn)14個(gè)預(yù)測變量，并使用“rfUtilities”包檢測多重共線性。圖5展示了確認(rèn)的14個(gè)預(yù)測變量的采樣分布，其中紫色密度圖是蟲害樣本點(diǎn)的分布密度，橙色密度圖是無擾動(dòng)樣本點(diǎn)分布密度。使用“ranger”包將VSURF 選擇的預(yù)測變量擬合出最終的隨機(jī)森林模型，并在“caret”包中使用十折交叉驗(yàn)證實(shí)現(xiàn)超參數(shù)優(yōu)化。所有變量選擇、模型擬合、驗(yàn)證和空間繪制均使用R語言完成?；谑劢徊骝?yàn)證，隨機(jī)森林模型的分類準(zhǔn)確率為90.75%，Cohen’s Kappa系數(shù)為0.755 3。整體而言，本隨機(jī)森林模型可以較好地監(jiān)測整個(gè)研究區(qū)森林蟲害擾動(dòng)發(fā)生情況。

2.4 驅(qū)動(dòng)因素分析

為了確定森林蟲害擾動(dòng)的影響因素，本文采用隨機(jī)森林模型分析了研究區(qū)森林蟲害的驅(qū)動(dòng)因素。隨機(jī)森林模型決策樹節(jié)點(diǎn)變量的選擇和閾值的確定，通常基于置換檢驗(yàn)和最小基尼（Gini）系數(shù)這兩種決策方式，本研究選取最小Gini系數(shù)法。Gini系數(shù)是一種對系統(tǒng)熵的有效近似，對于決策樹這種二分結(jié)構(gòu)，其節(jié)點(diǎn)的Gini系數(shù)()的計(jì)算方法為：

圖5 VSURF選擇的預(yù)測變量的采樣分布

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

3 研究結(jié)果

3.1 森林蟲害擾動(dòng)監(jiān)測精度評價(jià)

選用模型訓(xùn)練時(shí)保留的獨(dú)立數(shù)據(jù)樣本作為驗(yàn)證點(diǎn)，隨機(jī)抽取研究區(qū)域內(nèi)1 000個(gè)像元點(diǎn)來評估研究區(qū)森林蟲害遙感監(jiān)測精度。使用谷歌地球的高分辨率影像進(jìn)行視覺標(biāo)定，確定每個(gè)驗(yàn)證點(diǎn)的擾動(dòng)情況，將標(biāo)定情況分別與算法監(jiān)測結(jié)果、航空調(diào)查結(jié)果（AOS）進(jìn)行比較，計(jì)算出蟲害擾動(dòng)的用戶、生產(chǎn)者、整體準(zhǔn)確度和Kappa系數(shù)。對于算法監(jiān)測，蟲害擾動(dòng)的生產(chǎn)者和用戶準(zhǔn)確率分別約為81.49%和82.63%，總體準(zhǔn)確度和Kappa系數(shù)分別約為87.1%和0.72。對于AOS產(chǎn)品，其總體準(zhǔn)確度和Kappa系數(shù)分別為90.6%和0.79，這表明AOS產(chǎn)品與本文監(jiān)測算法的結(jié)果非常匹配，具體精度評估對比結(jié)果見表3?？傮w而言，本文提出的LandTrendr和RF相融合的方法可以充分監(jiān)測森林蟲害擾動(dòng)發(fā)生情況。

3.2 森林蟲害擾動(dòng)時(shí)空格局特征

研究區(qū)1999～2015年受蟲害擾動(dòng)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(dòng)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(dòng)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(dòng)（圖6）。研究區(qū)蟲害擾動(dòng)的時(shí)間動(dòng)態(tài)顯示蟲害的大面積暴發(fā)始于2005年，至2009年達(dá)到頂峰，之后蟲害的擾動(dòng)迅速下降，這可能與木材供應(yīng)區(qū)針對蟲害暴發(fā)的森林管理有關(guān)。

表3 基于驗(yàn)證采樣點(diǎn)和航空調(diào)查數(shù)據(jù)的監(jiān)測精度評價(jià)結(jié)果

圖6 2000～2015年研究區(qū)森林蟲害監(jiān)測結(jié)果時(shí)空變化

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

圖7 森林蟲害擾動(dòng)重心與標(biāo)準(zhǔn)差橢圓分布

圖6的監(jiān)測結(jié)果顯示，1999～2015年森林蟲害的擾動(dòng)重心持續(xù)移動(dòng)，這表明期間蟲害不斷地轉(zhuǎn)移蔓延。1999年擾動(dòng)重心位于奧米尼卡省立公園附近，2001年則向西北移動(dòng)，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(dòng)重心向東南方向長距離移動(dòng)，2005年為最東偏移點(diǎn)，這種重心東移可能是干旱影響帶來的異?，F(xiàn)象。2007～2015年蟲害擾動(dòng)重心則持續(xù)向西北方向移動(dòng)，可能是西北方向的植被以及地理?xiàng)l件更適合蟲害的蔓延與傳播，最終2015年擾動(dòng)重心到達(dá)芬萊－羅素保護(hù)區(qū)。總體而言，森林蟲害擾動(dòng)處于不穩(wěn)定趨勢，重心持續(xù)移動(dòng)，在干旱年份擾動(dòng)低谷期主要向東南偏移，到達(dá)蟲害暴發(fā)高潮期后擾動(dòng)重心持續(xù)向西北方向中部偏移。

對蟲害擾動(dòng)方向分布（標(biāo)準(zhǔn)差橢圓）計(jì)算分析，可以揭示森林蟲害擾動(dòng)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(dòng)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(shù)據(jù)的向心力越明顯，即傳播擴(kuò)散距離越長；反之，短半軸越長，長半軸越短，表示數(shù)據(jù)的離散程度越大，即傳播蔓延擴(kuò)散范圍較廣。該圖顯示，2000～2005年蟲害擾動(dòng)標(biāo)準(zhǔn)差橢圓空間上小于2005～2010年，表明2005～2010年擾動(dòng)空間差異不明顯；2005～2010年擾動(dòng)標(biāo)準(zhǔn)差橢圓靠中部且扁平，表明中部蟲害擾動(dòng)快速加重且集中；2010～2015年擾動(dòng)標(biāo)準(zhǔn)差橢圓靠西北，表明西北部蟲害擾動(dòng)加重；1999～2015年蟲害擾動(dòng)傳播方向穩(wěn)定，標(biāo)準(zhǔn)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(tài)系統(tǒng)對蟲害擾動(dòng)的響應(yīng)

生態(tài)系統(tǒng)植被指數(shù)的變化特征可以揭示植被活動(dòng)對擾動(dòng)的響應(yīng)規(guī)律。生態(tài)系統(tǒng)響應(yīng)的傳統(tǒng)植被指數(shù)多為結(jié)構(gòu)指數(shù)，如NDVI、葉面積指數(shù)（LAI）、光合有效輻射吸收比率（FPAR），這些指數(shù)會(huì)隨著冠層結(jié)構(gòu)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(shí)間尺度上反映出植被功能的變化。日光誘導(dǎo)葉綠素?zé)晒猓⊿IF）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(tǒng)植被指數(shù)對環(huán)境變化具有更高的敏感性，對森林生態(tài)系統(tǒng)蟲害具有很強(qiáng)的響應(yīng)能力。

本研究使用表1中MOD13Q1、MCD15A3H和GOME-2 SIF數(shù)據(jù)提取研究區(qū)的NDVI、LAI、FPAR和SIF數(shù)據(jù)，并計(jì)算各指數(shù)2009年月度平均值、2010～2018年多年平均值。研究區(qū)2009年蟲害暴發(fā)時(shí)期MODIS-NDVI、MODIS-LAI、MODIS-FPAR、GOME2-SIF的季節(jié)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(yīng)森林蟲害時(shí)，NDVI和LAI的衛(wèi)星觀測值高于多年平均值；4月份LAI和SIF出現(xiàn)明顯異常，距平百分比超過40%；NDVI從4月份開始對蟲害表現(xiàn)出輕微的負(fù)面響應(yīng)并持續(xù)到7月份；生理指數(shù)SIF與結(jié)構(gòu)指數(shù)NDVI、LAI相比，顯示出早于一個(gè)月的明顯響應(yīng)，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(jìn)而再蛀干樹葉影響樹木的結(jié)構(gòu)。作為植被光合作用動(dòng)態(tài)變化的指針，SIF表現(xiàn)出更大的降低距平百分比，表明森林生態(tài)系統(tǒng)光合作用對蟲害擾動(dòng)有著強(qiáng)烈的響應(yīng)，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(dòng)對森林影響的動(dòng)態(tài)變化，并且在幅度和時(shí)間變化上比傳統(tǒng)的結(jié)構(gòu)植被指數(shù)（如NDVI）對蟲害擾動(dòng)的響應(yīng)更敏感。因此，最新的植被SIF遙感在監(jiān)測預(yù)警森林蟲害的及時(shí)性和準(zhǔn)確性方面具有巨大潛力。這些結(jié)果也表明，森林生態(tài)系統(tǒng)的生理響應(yīng)早于結(jié)構(gòu)響應(yīng)；蟲害感染初期，病蟲破壞樹木循環(huán)系統(tǒng)和光合系統(tǒng)阻止?fàn)I養(yǎng)物質(zhì)流經(jīng)樹木，樹木結(jié)構(gòu)上未作出響應(yīng)，隨著感染的加重，樹木出現(xiàn)枯黃、落葉等結(jié)構(gòu)性響應(yīng)。

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

3.4 森林蟲害擾動(dòng)驅(qū)動(dòng)因素分析

森林蟲害的傳播和擴(kuò)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(huán)境要素。圖9表明，研究區(qū)森林蟲害主要侵染海拔1 000～1 400m和坡度5°～15°的地區(qū)，其中坡向南和東南（向陽坡）的區(qū)域比坡向北和西北（背陰坡）的區(qū)域觀察到的蟲害擾動(dòng)少，500～1 200m的中低海拔、低坡度、西和西南坡向地區(qū)森林蟲害擾動(dòng)發(fā)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(jìn)一步，本文利用隨機(jī)森林回歸模型，將地形、植被和鄰域傳播等變量與監(jiān)測到的森林蟲害年度變化關(guān)聯(lián)起來，基于最小Gini系數(shù)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(dòng)的主要影響因子。森林蟲害擾動(dòng)可以通過模型中選擇的預(yù)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(quán)方式的4種變量來表征鄰域傳播。圖10為驅(qū)動(dòng)因素重要性排序，相對重要性越高說明該驅(qū)動(dòng)因子的影響力越大。分析結(jié)果顯示：在選定的預(yù)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(yán)重影響森林蟲害侵染；其次是地形變量，而冠層覆蓋度在驅(qū)動(dòng)因素分析模型中最不重要。這一結(jié)果表明，在原生的森林蟲害暴發(fā)地區(qū)，前幾年的擾動(dòng)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(fā)生。

隨著氣候變化和干旱等極端氣候事件加劇，全球范圍內(nèi)森林蟲害暴發(fā)將會(huì)增加，進(jìn)而導(dǎo)致巨大的生態(tài)破壞和經(jīng)濟(jì)損失。因此，研究森林蟲害驅(qū)動(dòng)因素對于改善預(yù)警和緩解這種風(fēng)險(xiǎn)至關(guān)重要。驅(qū)動(dòng)因素分析以空間明確的方式定量監(jiān)測環(huán)境驅(qū)動(dòng)因素和森林蟲害擾動(dòng)之間的因果關(guān)系，可用于早期監(jiān)測，以改善對森林蟲害擾動(dòng)的管理。利用驅(qū)動(dòng)因素分析中與當(dāng)?shù)厣窒x害傳播顯著相關(guān)的因子進(jìn)行及時(shí)的遙感監(jiān)測，可以預(yù)測高度潛在的擾動(dòng)地點(diǎn)，便于當(dāng)?shù)厣止芾碚呒皶r(shí)采取相應(yīng)管理措施限制蟲害傳播，最大限度地減少擾動(dòng)的發(fā)生。

圖10 影響森林蟲害擾動(dòng)的主要驅(qū)動(dòng)因子重要性排序

4 結(jié)束語

本文基于GEE云計(jì)算平臺，融合多種不同遙感數(shù)據(jù)源進(jìn)行數(shù)據(jù)重建，以光譜－時(shí)間分割算法與隨機(jī)森林算法相融合為手段，完成了區(qū)域內(nèi)森林蟲害的范圍和嚴(yán)重程度的繪制，提出了一套系統(tǒng)的基于云計(jì)算的森林蟲害遙感監(jiān)測方法。監(jiān)測結(jié)果后續(xù)分析表明，森林生態(tài)系統(tǒng)對于蟲害的生理響應(yīng)早于結(jié)構(gòu)響應(yīng)，鄰域傳播是森林蟲害擾動(dòng)的最重要的驅(qū)動(dòng)因子。當(dāng)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(gè)方面進(jìn)行拓展：1）隨著SIF遙感衛(wèi)星數(shù)據(jù)的增多和時(shí)空分辨率的提高，將進(jìn)一步融合SIF遙感數(shù)據(jù)改進(jìn)本文提出的監(jiān)測方法，從而更及時(shí)、準(zhǔn)確的監(jiān)測預(yù)警森林蟲害擾動(dòng)；2）不同區(qū)域的森林蟲害擾動(dòng)驅(qū)動(dòng)因素不同，可以將驅(qū)動(dòng)因素與光譜監(jiān)測方法結(jié)合，預(yù)測判斷森林蟲害傳播蔓延方向與距離，為未來可持續(xù)森林管理提供重要技術(shù)方法。

[1] 王兵, 任曉旭, 胡文. 中國森林生態(tài)系統(tǒng)服務(wù)功能及其價(jià)值評估[J]. 林業(yè)科學(xué), 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(dòng)對森林生態(tài)系統(tǒng)結(jié)構(gòu)和功能的影響[D]. 北京: 北京林業(yè)大學(xué), 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(diǎn)研發(fā)計(jì)劃項(xiàng)目（2019YFA0606601）

羅先軼, 張永光. 基于多源遙感數(shù)據(jù)的森林蟲害監(jiān)測及驅(qū)動(dòng)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(xué)資源環(huán)境遙感專業(yè)在讀碩士研究生。研究方向?yàn)樯种脖贿b感。E-mail：MG20270111@smail.nju.edu.cn。

（編輯：夏淑密）