馬有國　杜學(xué)惠

摘要：遙感技術(shù)的研究已基本成熟，但將其應(yīng)用于森林健康評(píng)價(jià)的研究還相對(duì)較少。通過分析遙感技術(shù)評(píng)價(jià)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(píng)價(jià)指標(biāo)體系，在綜合考慮自然資源、土壤因素、地形因素、火災(zāi)和病蟲害干擾等方面的基礎(chǔ)上，從植被信息、林地環(huán)境和森林風(fēng)險(xiǎn)3個(gè)方面選取10個(gè)能體現(xiàn)森林健康的指標(biāo)。分析表明：遙感技術(shù)評(píng)價(jià)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(biāo)信息，更能提高指標(biāo)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(shì)。

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

中圖分類號(hào)：S771.8文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：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(jì)、生態(tài)和社會(huì)等諸多效益。森林在調(diào)節(jié)全球氣候變化、保護(hù)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(zāi)、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(jì)70年代由德國首次提出?[1]，隨著人們對(duì)森林認(rèn)識(shí)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(shí)地調(diào)查數(shù)據(jù)局限于樣本點(diǎn)或樣本區(qū)域，不能體現(xiàn)大片森林狀況，若要對(duì)大片區(qū)域森林進(jìn)行研究，勢(shì)必要花費(fèi)大量的人力物力和時(shí)間，且容易存在數(shù)據(jù)滯后、難以應(yīng)對(duì)突發(fā)狀況等弊端，利用遙感技術(shù)可以彌補(bǔ)這一不足。Pause等?[2]提出遙感技術(shù)最主要的一個(gè)優(yōu)勢(shì)是它的以低成本、高效率重復(fù)性獲得大片區(qū)域標(biāo)準(zhǔn)化信息的潛力。目前遙感技術(shù)的應(yīng)用還依賴于實(shí)地調(diào)查數(shù)據(jù)，《中國森林可持續(xù)經(jīng)營標(biāo)準(zhǔn)與指標(biāo)》指出遙感技術(shù)是獲取有關(guān)區(qū)域宏觀基礎(chǔ)數(shù)據(jù)的有效方法，但預(yù)測(cè)模型的構(gòu)建和有關(guān)森林的基礎(chǔ)數(shù)據(jù)必須通過傳統(tǒng)調(diào)查方法獲取。實(shí)地調(diào)查數(shù)據(jù)與遙感的結(jié)合不僅可以監(jiān)測(cè)森林變化狀況，并且可以與引起變化的驅(qū)動(dòng)力聯(lián)系起來，為之后的森林健康預(yù)測(cè)與管理提供可靠的支撐。高廣磊等?[3]進(jìn)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(fēng)險(xiǎn)4個(gè)方面的應(yīng)用，沒有考慮林地環(huán)境對(duì)森林健康的影響，且在森林火險(xiǎn)只涉及到火災(zāi)發(fā)生以后的遙感觀測(cè)，并不適用于森林健康系統(tǒng)評(píng)價(jià)，不足以形成一個(gè)完整的評(píng)價(jià)體系。本文參考已有森林健康評(píng)價(jià)的指標(biāo)體系，選取了10個(gè)能體現(xiàn)森林健康的指標(biāo)，并分別就其提取方法進(jìn)行綜述，旨在梳理出利用遙感技術(shù)進(jìn)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(xué)等特征及特征變化，可區(qū)分植被類型、植被不同生長(zhǎng)階段以及由人為或自然壓力導(dǎo)致的植被或群落變化，這些特征可定量化為指標(biāo)來評(píng)價(jià)森林健康狀況。遙感技術(shù)提供了一種有效的、可重復(fù)且可對(duì)比的方式監(jiān)測(cè)森林指標(biāo)變化，以此可及時(shí)觀測(cè)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(tái)，基于“期刊”選項(xiàng)搜索，搜索規(guī)則分別設(shè)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(xiàn)，而將規(guī)則設(shè)為主題=森林or林業(yè)and全文=遙感，檢索到6148篇文獻(xiàn)。林業(yè)遙感的研究起始于20世紀(jì)70年代，但森林健康1989年才首次出現(xiàn)，因此統(tǒng)計(jì)從1989年開始，將檢索到的文獻(xiàn)按年份統(tǒng)計(jì)，如圖1所示。由圖1可見，近年來我國對(duì)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(shì)，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(cè)資源、探測(cè)森林火災(zāi)和病蟲害等指標(biāo)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(yīng)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(biāo)，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(píng)價(jià)聯(lián)系起來具有可行性和必要性。

2森林健康評(píng)價(jià)指標(biāo)體系

森林健康是一個(gè)復(fù)雜的學(xué)科，目前為止并沒有一個(gè)準(zhǔn)確的森林健康度量標(biāo)準(zhǔn)?，F(xiàn)有研究對(duì)森林健康的普遍認(rèn)知是：健康的森林生態(tài)系統(tǒng)應(yīng)該具有較強(qiáng)的穩(wěn)定性、完整性和功能性，對(duì)可見的急性災(zāi)害（如火災(zāi)、病蟲害、生物入侵等）和難以觀測(cè)的慢性脅迫（如土壤污染、營養(yǎng)不足等）具有較強(qiáng)的抵抗力和恢復(fù)力。森林健康評(píng)價(jià)與尺度密切相關(guān)，國內(nèi)外學(xué)者從單木、林分、景觀和區(qū)域4個(gè)尺度對(duì)森林健康進(jìn)行研究，其中基于單木尺度的健康評(píng)價(jià)研究較少，在林分、景觀尺度已有利用遙感技術(shù)進(jìn)行森林健康評(píng)價(jià)的研究，因此本文主要基于區(qū)域尺度的森林健康評(píng)價(jià)進(jìn)行討論。

建立評(píng)價(jià)指標(biāo)體系是進(jìn)行森林健康評(píng)價(jià)的首要步驟，指標(biāo)體系是否完整及其好壞關(guān)系著評(píng)價(jià)結(jié)果的準(zhǔn)確性與科學(xué)性，許多國內(nèi)外學(xué)者在區(qū)域尺度對(duì)森林健康評(píng)價(jià)指標(biāo)開展了研究，采用指標(biāo)見表1。

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

3植被信息提取

森林生態(tài)系統(tǒng)復(fù)雜，傳感器接收到的信息往往是植被、土壤和大氣等多項(xiàng)因素共同作用后的結(jié)果。利用植被的光譜、生物化學(xué)、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(yùn)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(shí)間分辨率從30 min到幾個(gè)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(shí)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(hù)和利用森林資源的基礎(chǔ)，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(lǐng)域應(yīng)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(gè)反射峰、在紅波段有一個(gè)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(xué)者利用這一特征推出了多種植被指數(shù)以減弱環(huán)境對(duì)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(yán)重，在樹種識(shí)別領(lǐng)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(jìn)行分類，大大提高了樹種識(shí)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(xué)特征識(shí)別樹種類型，另一種直接基于光譜信息建立模型自動(dòng)識(shí)別樹種。如Martin等?[10]結(jié)合樹種生物物理化學(xué)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(dá)到75%。王璐等?[11]利用HJ-1A數(shù)據(jù)進(jìn)行樹種分類，通過多種微分變換和對(duì)數(shù)變換，最高分類精度可達(dá)89.5%。

多源數(shù)據(jù)的融合是如今遙感領(lǐng)域的發(fā)展趨勢(shì)，通過融合多傳感器（光學(xué)遙感、熱紅外遙感、RADAR、LiDAR）數(shù)據(jù)，可以增強(qiáng)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?yàn)镼uickBird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(dá)數(shù)據(jù)為光學(xué)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(zhǔn)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(jìn)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(diǎn)之一，國內(nèi)外學(xué)者主要基于多光譜遙感對(duì)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(jì)模型法。物理模型物理意義明確，但模型反解復(fù)雜，且輸入?yún)?shù)難以確定。統(tǒng)計(jì)模型參數(shù)少，運(yùn)行效率高，但不具有外延性?[14]。

目前國內(nèi)對(duì)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(cè)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(cè)值反演更大區(qū)域的葉面積指數(shù)，以此達(dá)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(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)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(yàn)證數(shù)據(jù)反演結(jié)果最佳。

利用光學(xué)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(shí)容易導(dǎo)致植被冠層遙感信號(hào)飽和，從而影響反演精度。駱社周等?[17]利用機(jī)載激光雷達(dá)和Landsat TM數(shù)據(jù)分別反演葉面積指數(shù)，結(jié)果顯示機(jī)載激光雷達(dá)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(dá)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(shí)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(shí)測(cè)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(dá)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(xué)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(xiàng)指標(biāo)，可用其區(qū)分有林地、疏林地等，為確定采伐強(qiáng)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(jì)模型法。統(tǒng)計(jì)模型法總體類似于估算葉面積指數(shù)，利用實(shí)測(cè)點(diǎn)數(shù)據(jù)植被指數(shù)與郁閉度構(gòu)建統(tǒng)計(jì)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(shè)一個(gè)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(xiàn)的權(quán)重即為該像元的郁閉度，結(jié)果表明模型精度達(dá)到89.01%。王蕊等?[21]聯(lián)合星載ICESat-GLAS波形與TM數(shù)據(jù)估測(cè)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(shí)的估測(cè)精度。利用統(tǒng)計(jì)模型方法估算郁閉度方法簡(jiǎn)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(yùn)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(shí)現(xiàn)大尺度觀測(cè)的基礎(chǔ)上提高估測(cè)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(biāo)，國內(nèi)外主要通過光學(xué)遙感和微波遙感對(duì)森林蓄積量進(jìn)行估測(cè)。張超等?[22]結(jié)合TM/ETM+和實(shí)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(cè)研究區(qū)域蓄積量，精度可達(dá)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(jí)，結(jié)果表明3種立地等級(jí)估測(cè)精度均高于統(tǒng)一建模估測(cè)精度。森林蓄積量包括葉和枝干兩部分生物量，然而光學(xué)遙感只能對(duì)樹冠進(jìn)行探測(cè)，具有一定的局限性。

微波具有較強(qiáng)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(qiáng)，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(zhǎng)最短，因此不難理解P波段對(duì)森林蓄積量敏感度最強(qiáng)。歐空局計(jì)劃在2020年發(fā)射一個(gè)偏振和干涉測(cè)量的P波段衛(wèi)星，這將為森林生物量和蓄積量的測(cè)量提供更好的方法。王臣立等?[24]用Radarsat SAR數(shù)據(jù)估測(cè)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(duì)數(shù)關(guān)系，但相關(guān)系數(shù)不同;不同樹冠結(jié)構(gòu)對(duì)后向散射系數(shù)的影響也不同。估測(cè)結(jié)果基本符合林場(chǎng)精度要求，但小班應(yīng)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(cè)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?yàn)楣鈱W(xué)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(xué)遙感還是微波遙感估測(cè)森林蓄積量，地面實(shí)測(cè)數(shù)據(jù)都不可或缺，若以機(jī)載雷達(dá)為輔助媒介，可以促進(jìn)全球森林蓄積量的研究。

3.5林齡結(jié)構(gòu)

林齡是評(píng)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(kuò)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?yàn)?zāi)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(zhǎng)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(zhǎng)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(jì)模型，在區(qū)域尺度上利用資源三號(hào)影像和機(jī)載雷達(dá)數(shù)據(jù)提取森林平均樹高和植被類型信息，以此估測(cè)的林齡與實(shí)測(cè)林齡數(shù)據(jù)平均相對(duì)誤差為0.125，估測(cè)精度為85.4%，結(jié)論還表明，林分平均樹高達(dá)20m以后，林齡與樹高關(guān)系達(dá)到飽和。

3.6枯落物厚度

森林枯落物的儲(chǔ)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(dòng)、水源涵養(yǎng)等生態(tài)功能，且枯落物的厚度越大，則儲(chǔ)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(chǔ)量。微波遙感對(duì)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(qiáng)的穿透能力，因而可以利用微波遙感探測(cè)枯落物厚度。Kurum M等?[28]利用微波L-Band通過對(duì)比移走枯落物樣地和保持不受干擾樣地?cái)?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(duì)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(qiáng)度。Schwank M等?[29]通過基于塔的激光雷達(dá)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(cè)不明顯，當(dāng)枯落物被浸濕后，探測(cè)區(qū)域亮度增加，進(jìn)一步浸濕，濕度增加，亮度降低，這一特點(diǎn)可以有效避免對(duì)L-Band的錯(cuò)誤解譯。

4林地環(huán)境

林地環(huán)境即植被的生長(zhǎng)環(huán)境，是決定森林生態(tài)系統(tǒng)生產(chǎn)力的重要因素，對(duì)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(dǎo)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(yīng)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(hào)衛(wèi)星是我國第一代傳輸型立體測(cè)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(hào)的發(fā)射使中國首次實(shí)現(xiàn)了與SRTM相對(duì)精度同等的技術(shù)水平。資源三號(hào)衛(wèi)星是我國第一顆民用三線陣立體測(cè)圖衛(wèi)星，其無控制點(diǎn)精度優(yōu)于15m，帶控制點(diǎn)平面精度優(yōu)于4m，高程精度優(yōu)于3m。資源三號(hào)測(cè)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(hào)可提高所提取高程精度。ICESat-2衛(wèi)星、高分七號(hào)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(zhǎng)的基質(zhì)，對(duì)植被的生長(zhǎng)和分布有重要作用。影響森林健康的土壤指標(biāo)主要有土壤侵蝕度，土壤水分和土壤厚度。

多數(shù)光學(xué)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(cè)土壤侵蝕狀況。如衛(wèi)亞星等?[30]利用兩個(gè)時(shí)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(qiáng)度區(qū)域面積變化和驅(qū)動(dòng)力。

光學(xué)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(xué)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(xué)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(xué)遙感多通過各種指數(shù)建立經(jīng)驗(yàn)?zāi)Ｐ烷g接估算土壤水分，應(yīng)用具有一定的局限性。相比之下，微波遙感穿透能力強(qiáng)，且具有全天時(shí)、全天候監(jiān)測(cè)的能力，已被廣泛應(yīng)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(dòng)的基于散射計(jì)或雷達(dá)的方法、被動(dòng)的基于輻射計(jì)的方法以及主被動(dòng)聯(lián)合的反演方法。被動(dòng)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(dòng)微波主要利用土壤介電常數(shù)與雷達(dá)后向散射系數(shù)之間的相關(guān)關(guān)系，兩者都能全天候測(cè)量，可以探測(cè)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(duì)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(zhǎng)的物質(zhì)基礎(chǔ)，但其易受植被遮擋、地形地貌等因素影響，難以直接觀測(cè)。微波數(shù)據(jù)具有較強(qiáng)的穿透力，因此利用遙感技術(shù)估測(cè)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(huì)發(fā)展出可以直接探測(cè)土壤結(jié)構(gòu)的傳感器，完成對(duì)土壤的探測(cè)，為土壤研究提供便利的數(shù)據(jù)源。

5森林風(fēng)險(xiǎn)

受自然與人類活動(dòng)的影響，森林健康無時(shí)無刻不面臨著風(fēng)險(xiǎn)的威脅，因此有必要將森林風(fēng)險(xiǎn)納入森林健康評(píng)價(jià)指標(biāo)體系。

5.1火險(xiǎn)

火災(zāi)是林業(yè)三大嚴(yán)重危害之一，不僅燒毀林木，還會(huì)導(dǎo)致環(huán)境污染、危害野生動(dòng)物和水土流失，甚至威脅人類財(cái)產(chǎn)生命安全等，因此對(duì)火險(xiǎn)等級(jí)研究對(duì)森林健康評(píng)價(jià)具有重要意義。森林火險(xiǎn)等級(jí)是對(duì)森林可能發(fā)生火災(zāi)的概率進(jìn)行預(yù)測(cè)評(píng)價(jià)，遙感技術(shù)只能實(shí)時(shí)監(jiān)測(cè)，不能進(jìn)行預(yù)測(cè)，因此利用遙感技術(shù)估測(cè)火險(xiǎn)等級(jí)只能通過綜合分析監(jiān)測(cè)到的信息，進(jìn)行預(yù)測(cè)評(píng)價(jià)。

國內(nèi)森林健康研究中，火災(zāi)等級(jí)通常選擇影響火災(zāi)發(fā)生的因子進(jìn)行聚類分析。谷建才等?[32]選擇優(yōu)勢(shì)樹種、郁閉度、海拔高度、距旅游點(diǎn)距離、經(jīng)營措施以及林道距離6個(gè)因子進(jìn)行聚類，根據(jù)因子對(duì)火險(xiǎn)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(gè)火險(xiǎn)等級(jí)區(qū)，通過實(shí)地考察，火險(xiǎn)等級(jí)區(qū)分類結(jié)果與實(shí)際情況基本符合。目前應(yīng)用于森林健康研究中的森林火險(xiǎn)等級(jí)評(píng)價(jià)沒有納入天氣因素，在實(shí)際情況下，如溫度、濕度等氣象因素都會(huì)影響到火險(xiǎn)的發(fā)生。在森林火險(xiǎn)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(gè)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(zāi)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(xiǎn)等級(jí)評(píng)價(jià)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(yuǎn)遠(yuǎn)超過森林火災(zāi)，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(shì)，三是危險(xiǎn)性森林病蟲害擴(kuò)散迅速。傳統(tǒng)的人為調(diào)查方法往往不能及時(shí)獲取信息，或等到發(fā)現(xiàn)時(shí)災(zāi)情已經(jīng)比較嚴(yán)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(shì)，可及時(shí)發(fā)現(xiàn)災(zāi)情，為森林病蟲害監(jiān)測(cè)控制提供了新的思路和手段。

病蟲害的發(fā)生會(huì)導(dǎo)致林木生長(zhǎng)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(shí)別病蟲害的發(fā)生。Vogelmann等?[34]用TM數(shù)據(jù)監(jiān)測(cè)闊葉林薊馬蟲害，認(rèn)為TM5/TM4、TM5、TM3合成的影像可識(shí)別輕微災(zāi)害和嚴(yán)重災(zāi)害區(qū)，由災(zāi)害年份和健康年份兩時(shí)相差值影像上也清晰可辨兩級(jí)災(zāi)害。武紅敢等?[35]用災(zāi)害年份和健康年份TM數(shù)據(jù)監(jiān)測(cè)松毛蟲災(zāi)害，得出TM5/TM4與災(zāi)害相關(guān)性極高，其中郁閉度≥0.5的林分，災(zāi)害水平可由TM5/TM4估算;郁閉度≤0.4的林分，災(zāi)害等級(jí)由災(zāi)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(cè)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(yù)測(cè)。

6結(jié)束語

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

（1）森林健康評(píng)價(jià)體系不夠完善，缺乏綜合評(píng)價(jià)方法。目前國內(nèi)外對(duì)森林健康的評(píng)價(jià)研究存在一定差異，國內(nèi)森林健康評(píng)價(jià)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(jì)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(píng)價(jià)指標(biāo)以及評(píng)價(jià)標(biāo)準(zhǔn)存在差異，在森林健康評(píng)價(jià)時(shí)應(yīng)綜合考慮，制定適宜的評(píng)價(jià)方法。

（2）森林健康預(yù)測(cè)能力弱，不能很好服務(wù)于森林管理。森林健康評(píng)價(jià)多數(shù)是森林生態(tài)評(píng)價(jià)，森林健康預(yù)測(cè)也只是側(cè)重于林木生長(zhǎng)變化趨勢(shì)，而沒有考慮影響植被生長(zhǎng)的脅迫因素的未來變化趨勢(shì)及其會(huì)對(duì)森林健康產(chǎn)生的影響，使預(yù)測(cè)結(jié)果可信度下降，不能很好的服務(wù)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(cè)單一。森林健康具有跨學(xué)科、跨區(qū)域、跨部門的特點(diǎn)，森林的生長(zhǎng)過程會(huì)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(jià)值。

森林健康是一門復(fù)雜的學(xué)科，隨著遙感技術(shù)的發(fā)展更加完善，將遙感技術(shù)應(yīng)用于森林健康評(píng)價(jià)具有可行性和必要性，利用遙感技術(shù)進(jìn)行森林健康評(píng)價(jià)可以彌補(bǔ)傳統(tǒng)調(diào)查方法的耗時(shí)費(fèi)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(yīng)用能力。

（1）新型遙感數(shù)據(jù)實(shí)現(xiàn)更精細(xì)化監(jiān)測(cè)。歐洲航天局（ESA）宣布熒光探測(cè)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(cè)葉綠素變化，觀測(cè)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(shí)現(xiàn)生物量和土壤的監(jiān)測(cè)。新型遙感技術(shù)在光譜波段范圍、時(shí)間和空間分辨率等方面優(yōu)勢(shì)明顯，可以彌補(bǔ)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(shí)，結(jié)合運(yùn)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(píng)價(jià)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(duì)我國基本情況，促進(jìn)多部門、多學(xué)科、跨區(qū)域合作，提高森林監(jiān)測(cè)水平，完善森林健康評(píng)價(jià)體系，總體提高我國森林健康水平，并促進(jìn)全球森林健康研究的發(fā)展。

【參考文獻(xiàn)】

[1]蓋鳳東，周廣嶺.淺談森林健康[J].科技創(chuàng)新導(dǎo)報(bào)，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(xué)報(bào)，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(fēng)勁，歐陽華，傅伯杰，等.森林生態(tài)系統(tǒng)健康評(píng)價(jià)指標(biāo)及其在中國的應(yīng)用[J].地理學(xué)報(bào)，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(jìn)及其在森林健康評(píng)價(jià)中的應(yīng)用[D].長(zhǎng)沙：中南林業(yè)科技大學(xué)，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(chǎng)森林健康評(píng)價(jià)[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，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(luò)的新化縣森林健康評(píng)價(jià)[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，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(fù)雜網(wǎng)絡(luò)的森林健康評(píng)價(jià)研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，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(shì)樹種組識(shí)別[J].東北林業(yè)大學(xué)學(xué)報(bào)，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(xué)剛，方本煜，等.基于Landsat 8 OLI輔助的亞米級(jí)遙感影像樹種識(shí)別[J].北京林業(yè)大學(xué)學(xué)報(bào)，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(shí)別上的應(yīng)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(yīng)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(yīng)及空間變異性[J].生態(tài)學(xué)報(bào)，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(yàn)證研究[J].北京林業(yè)大學(xué)學(xué)報(bào)，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(jī)載激光雷達(dá)森林葉面積指數(shù)反演研究[J].地球物理學(xué)報(bào)，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(xí)曉環(huán)，等.星載激光雷達(dá)GLAS與TM光學(xué)遙感聯(lián)合反演森林葉面積指數(shù)[J].紅外與毫米波學(xué)報(bào)，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(duì)郁閉度遙感估測(cè)模型的影響比較[J].林業(yè)科學(xué)，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(cè)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(cè)[J].應(yīng)用生態(tài)學(xué)報(bào)，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(cè)及其動(dòng)態(tài)變化分析[J].東北林業(yè)大學(xué)學(xué)報(bào)， 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(cè)[J].西北林學(xué)院學(xué)報(bào)，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(hào)響應(yīng)及其蓄積量估測(cè)[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(xué)報(bào)，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(shí)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(dá)嶺森林健康示范區(qū)森林火險(xiǎn)等級(jí)區(qū)劃的研究[J].河北農(nóng)業(yè)大學(xué)學(xué)報(bào)， 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(xiǎn)因子及火險(xiǎn)區(qū)劃[J].生態(tài)學(xué)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(cè)中的應(yīng)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.