白力嘎, 黃曉君,3,*, Ganbat DASHZEBEGD, Mungunkhuyag ARIUNAAD,Tsagaantsooj NANZADD, Altanchimeg DORJSUREN, 包 剛, 佟斯琴,包玉海, 銀 山, Enkhnasan DAVAADORJ

(1. 內(nèi)蒙古師范大學(xué)地理科學(xué)學(xué)院, 呼和浩特 010022; 2. 內(nèi)蒙古自治區(qū)遙感與地理信息系統(tǒng)重點實驗室, 呼和浩特 010022;3. 內(nèi)蒙古自治區(qū)蒙古高原災(zāi)害與生態(tài)安全重點實驗室, 呼和浩特 010022; 4. 蒙古國科學(xué)院地理與地質(zhì)研究所, 蒙古國烏蘭巴托 15170;5. 蒙古國科學(xué)院綜合實驗生物學(xué)研究所, 蒙古國烏蘭巴托 13330)

森林在生態(tài)系統(tǒng)中扮演著至關(guān)重要的角色。它不僅在生物圈能量維持和生物多樣性保持中發(fā)揮重要作用，而且對自然界礦元素和水循環(huán)中亦起到不可替代的作用(李雙成和楊勤業(yè), 2000)。森林害蟲暴發(fā)會使林木大量失葉，生理功能逐步衰退，甚至死亡。這導(dǎo)致森林生態(tài)功能急劇減弱，而造成森林生態(tài)系統(tǒng)嚴(yán)重破壞，并威脅生態(tài)安全?？梢?，監(jiān)測森林蟲害對害蟲防控及森林生態(tài)安全保護(hù)具有實際意義。蟲口密度能夠直接表征森林害蟲的發(fā)生程度，它可作為森林蟲害監(jiān)測的重要指標(biāo)。從而開展森林害蟲蟲口密度估算研究具有重要意義。

雅氏落葉松尺蠖Erannisjacobsoni是蒙古高原典型落葉松Larixsibirica害蟲。其危害主要集中在每年6月份的幼蟲期，在這期間其幼蟲暴食針葉，落葉松針葉從頂部開始脫落，直至全部損失；同時，落葉松針葉水分含量和葉色素含量等生理指標(biāo)急劇下降，生理功能衰退，光合作用減弱，導(dǎo)致森林生態(tài)功能嚴(yán)重衰退，甚至引起生態(tài)環(huán)境問題。多年來，雅氏落葉松尺蠖災(zāi)害在蒙古國落葉松林頻發(fā)，嚴(yán)重破壞了落葉松林生態(tài)系統(tǒng)。更值得關(guān)注的是該蟲在蒙古國具有向東或東南方向傳播態(tài)勢，而我國大興安嶺林區(qū)恰好達(dá)到此蟲中度適生條件，存在入侵風(fēng)險(黃曉君等, 2018)，并且一旦入侵極容易形成優(yōu)勢種群，將嚴(yán)重破壞我國森林生態(tài)系統(tǒng)，造成巨大經(jīng)濟(jì)損失。可見，監(jiān)測該森林蟲害對森林生態(tài)安全保護(hù)具有重要意義。在此背景下，雅氏落葉松尺蠖害蟲蟲口密度的及時并大面積監(jiān)測勢在必行，以期防控該蟲災(zāi)害。

因蟲口數(shù)量指標(biāo)可直接描述害蟲發(fā)生的嚴(yán)重程度，蟲口數(shù)量相關(guān)調(diào)查與蟲口密度研究始終受到人們廣泛關(guān)注(Cayuelaetal., 2014)。主要有以下方面研究：一是蟲口數(shù)量指標(biāo)調(diào)查與計算研究和蟲口數(shù)量指標(biāo)與其他因素之間的關(guān)系研究，如：Valmorbida等(2018)采用人工計數(shù)法統(tǒng)計蠐螬害蟲蟲口密度，分析了害蟲地理分布特征；Jyoti等(2020)采用棋盤式取樣法，統(tǒng)計西藏飛蝗Locustamigratoriatibetensis不同年齡組分類的數(shù)量與昆蟲總數(shù)，并研究了該蟲在草地和農(nóng)田中的空間分布格局；Saghafipour等(2020)利用誘蠅器誘捕白粉蟲，并統(tǒng)計其數(shù)量，分析了氣候變化與白粉蟲蟲口暴發(fā)的關(guān)系；Kutuk等(2010)在0.25 m2的若干樣方內(nèi)，采用人工計數(shù)法統(tǒng)計了麥扁盾蝽Eurygasterintegriceps越冬的和新生代的蟲口密度，研究了田間越冬成蟲密度、卵和成蟲寄生率對該蟲新生代蟲口密度的影響。二是蟲口密度預(yù)測研究和蟲口密度與危害程度的關(guān)系研究，如：許向利等(2012)采用棋盤式10點取樣法調(diào)查麥田地下害蟲蟲口密度，并探析地下害蟲對麥苗危害程度與蟲口密度的關(guān)系；Nyeko等(2010)研究了成年癭姬小蜂Leptocybeinvasa蟲口密度的時空變化并評估了桉樹上的癭姬小蜂侵染情況；Night等(2011)通過調(diào)查盧旺達(dá)木薯害蟲數(shù)量，分析了害蟲發(fā)生率和嚴(yán)重程度；Debuse等(2019)調(diào)查種植園蛀干害蟲危害數(shù)量，探究了害蟲發(fā)生率和嚴(yán)重程度的相關(guān)性。

綜上所述，蟲口密度獲取手段主要以傳統(tǒng)的人工調(diào)查為主，其有很多局限性，如費時費力、成本高以及不能滿足用戶快速大范圍監(jiān)測的需求，從而亟待有個快速、大范圍監(jiān)測蟲口密度的方法框架來滿足林業(yè)災(zāi)害防控部門的需求。隨高光譜遙感快速發(fā)展，基于區(qū)域尺度的蟲口密度快速估算將成為可能。隨害蟲蟲口密度逐漸上升，樹木失葉量隨之增加，葉片光合作用減弱，蒸騰速率下降，內(nèi)部生化組分和外觀形態(tài)發(fā)生變化，而高光譜遙感波段窄、通道多，能夠捕捉到森林植被內(nèi)部生化組分和外觀形態(tài)變化特征。這說明蟲口密度與受害林木冠層光譜特征之間存在著密切關(guān)系，利用高光譜特征實現(xiàn)蟲口密度估算是可能的?；诖?，本研究通過蒙古國雅氏落葉松尺蠖暴發(fā)典型區(qū)的落葉松光譜實測數(shù)據(jù)和蟲口密度調(diào)查數(shù)據(jù)，分析蟲口密度與高光譜特征的關(guān)系，提取敏感光譜特征，結(jié)合回歸算法建立蟲口密度高光譜估算模型，揭示了高光譜特征對雅氏落葉松尺蠖蟲口密度的估算潛力，為森林蟲口密度大范圍遙感監(jiān)測提供了實驗理論基礎(chǔ)。

1 材料與方法

1.1 試驗區(qū)概況

以蒙古國后杭愛省伊和塔米爾、青克爾、巴圖青格樂以及肯特省賓德爾雅氏落葉松尺蠖暴發(fā)區(qū)作為4個試驗區(qū)，共選取了110株不同程度受害的西伯利葉落葉松Larixsibirica樣本樹(如圖1所示)，于2016年6月和2019年6月開展蟲口密度和高廣譜數(shù)據(jù)調(diào)查。

圖1 蒙古國杭愛省和肯特省4個試驗區(qū)樣本樹分布圖

1.2 數(shù)據(jù)獲取與計算

1.2.1蟲口密度數(shù)據(jù)獲?。簶颖緲溲攀下淙~松尺蠖蟲口數(shù)量調(diào)查，設(shè)樣本樹外觀形狀為錐形(圖2)，并計算了蟲口密度(樣本樹總蟲數(shù)與樣本樹投影面積的比值)。其具體計算方法如下：

圖2 樣本樹模擬圖

第1步,統(tǒng)計樣本樹樹節(jié)n，測量相鄰樹節(jié)之間的高度h以及第1樹節(jié)到樹頂?shù)母叨菻，然后測量第1樹節(jié)平行輪生枝垂直于地面的投影長度R1，并計算其平均長度。第2步,通過人工計數(shù)法獲得第1樹節(jié)上的蟲口數(shù)量，然后結(jié)合蟲口數(shù)量削減系數(shù)，計算剩余各樹節(jié)上的蟲口數(shù)量。最后,通過各樹節(jié)上的蟲口數(shù)量計算蟲口總數(shù)，并結(jié)合第1樹節(jié)投影面積，計算當(dāng)前樣本樹蟲口密度，記為POPD，詳情見文獻(xiàn)(黃曉君, 2019)。計算結(jié)果顯示，POPD最大值為302，最小值為10，平均值為131.36，標(biāo)準(zhǔn)差為72.56，其符合正態(tài)分布(圖3)，說明POPD能夠滿足建模需求。

圖3 正態(tài)性檢驗

1.2.2高光譜數(shù)據(jù)獲?。横槍Σ煌潭仁芎Φ臉颖緲?，與蟲口數(shù)量調(diào)查同步，利用SVC HR-1024(3.5 nm@350～1 000 nm， 9.5 nm@1 000～1 850 nm， 6.5 nm@1 850～2 500 nm)和ASD FieldSpec4(3 nm@350～1 000 nm， 10 nm@1 000～2 500 nm)地物光譜儀，測量了其冠層光譜反射率。實測工作在晴朗無云無風(fēng)的天氣條件下，于北京時間10∶30-14∶30期間進(jìn)行的。另外，為避免地面植被對測量值的干擾，在目標(biāo)針葉下方放置了黑布。在作業(yè)中，光譜儀探頭垂直向下，視場角為25°，離測量目標(biāo)約為20 cm。樣本樹垂直方向上分為上、中、下3個層次，在各層次上選擇一支典型樹枝進(jìn)行測量20次，每次測量前后均使用校正白板對光譜儀進(jìn)行校正(白板的反射率為1)，將20×3次的光譜反射率的平均值作為樣本樹冠層光譜反射率。

1.2.3微分光譜反射率計算：實測光譜的過程中受外界和儀器噪聲干擾，會產(chǎn)生異常和重疊光譜反射率的現(xiàn)象。從而在剔除異常光譜和重疊光譜之后，取光譜反射率平均值，再借助Smooth函數(shù)對其進(jìn)行平滑處理，然后通過ENVI軟件的Spectral Math工具，對各樣本樹平滑光譜反射率求一階導(dǎo)數(shù)，得到微分光譜反射率，記為DSR。光譜微分變換可消除大氣效應(yīng),降低背景干擾,凈化光譜數(shù)據(jù)，從而突出與植被本質(zhì)變化有關(guān)的光譜吸收和反射特征信息(黃曉君, 2019)。

1.2.4光譜指數(shù)計算：(1)原始光譜指數(shù)(OSI)：考慮雅氏落葉松尺蠖數(shù)量變化會使林木針葉葉綠素、水分和外觀形態(tài)發(fā)生變化的關(guān)系，并結(jié)合前人研究經(jīng)驗，選擇了30個與受害過程林木生化組分和外觀狀態(tài)變化有密切關(guān)系的光譜指數(shù)(Chengetal., 2011; Heetal., 2018; 張卓然, 2018)。前人已構(gòu)建的光譜指數(shù)設(shè)為原始光譜指數(shù)(OSI)，如表1所示。通過Matlab編程計算原始光譜指數(shù)。

表1 原始光譜指數(shù)(OSI)及其定義

(2)改進(jìn)型光譜指數(shù)(MSI)：為進(jìn)一步挖掘OSI的潛在POPD估算能力，對原始光譜指數(shù)的波長進(jìn)行調(diào)整，以期實現(xiàn)光譜指數(shù)改進(jìn)。原始光譜指數(shù)的改進(jìn)方法是在OSI現(xiàn)有的波長兩側(cè)擴(kuò)展20 nm，以1 nm為步長，對構(gòu)建指數(shù)的所有波長進(jìn)行排列組合，得到一組新的光譜指數(shù)集SIj。在此基礎(chǔ)上，分別計算SIj與POPD的擬合優(yōu)度(R2)，然后擬合優(yōu)度最高值對應(yīng)的光譜指數(shù)設(shè)為改進(jìn)型光譜指數(shù)(MSI)。光譜指數(shù)集SIj獲得的具體算法如下：

(1)

[Yi,Yi-1,…,Y1]=ndgrid(Xi,Xi-1,…,X1)

(2)

Zji=[Y1(:),Y2(:),…,Yi(:)]

(3)

SIj=[D1,D2,…,Dj]

(4)

式中X1,X2和Xi分別為構(gòu)建光譜指數(shù)的第1， 2和i波段波長組成的行矩陣(相鄰元素間隔，即波長間隔為1 nm)；Am1，Bn1和Ck1為最小波長值；Amm，Bnn和Ckk為最大波長值；ndgrid()為生成多維矩形網(wǎng)格函數(shù)；Y1,Y2, …,Yi為通過ndgrid()函數(shù)復(fù)制X1,X2, …,Xi等行矩陣并生成的i維矩形網(wǎng)格陣列(每格網(wǎng)值代表波長值)；Zji為構(gòu)建光譜指數(shù)的各波段所有波長排列組合堆積的j行i列矩陣；SIj是以不同波長組合所構(gòu)建的D1,D2, …,Di等j個光譜指數(shù)形成的列矩陣，即對于一個光譜指數(shù)的所有可能波長組合構(gòu)建的光譜指數(shù)。利用上述方法獲得了所有原始光譜指數(shù)的改進(jìn)型光譜指數(shù)。

1.3 數(shù)據(jù)分析與建模

1.3.1光譜特征敏感性分析：從POPD數(shù)據(jù)來看，POPD變化有一定規(guī)律，其具體表現(xiàn)為隨林木受害程度的增加，POPD先逐步上升，等到一定峰值后，呈下降態(tài)勢。顯然，POPD隨受害程度的加劇呈現(xiàn)了多項式的倒“U”型曲線特征?；诖?，選擇樣本訓(xùn)練集的OSI, MSI和DSR等高光譜特征，借助最小二乘法思想(最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配)，分別與相應(yīng)POPD進(jìn)行了多項式曲線擬合，并獲得了擬合優(yōu)度(R2)。當(dāng)擬合的R2越高說明對應(yīng)的光譜特征敏感性越強(qiáng)，反之亦然。

1.3.2敏感光譜特征提?。?1)敏感DSR選?。和ㄟ^Matlab編程，在350～1 800 nm范圍內(nèi)提取DSR與POPD的擬合優(yōu)度(R2)最高時對應(yīng)的DSR，設(shè)為最敏感特征，并作為單個高光譜特征的估算模型輸入變量。與此同時，利用Matlab的Findpeaks函數(shù)，以10 nm為步長，提取R2峰值，獲得峰值對應(yīng)的一組DSR，作為初始敏感特征組。在此基礎(chǔ)上，借助連續(xù)投影算法(SPA)剔除初始敏感特征組內(nèi)冗余信息，保留少數(shù)有意義的敏感DSR，并作為多個高光譜特征的估算模型輸入變量。SPA是一種使建模變量共線性最小化的前向變量選擇算法，它的優(yōu)勢在于提取初始數(shù)據(jù)中的少數(shù)幾列數(shù)據(jù)就可以概括絕大部分光譜變量的信息，能夠排除初始光譜矩陣中冗余的信息，減少數(shù)據(jù)量，最大程度地減少了信息重疊，可用于光譜特征的篩選，提高建模效率。Findpeaks函數(shù)和SPA算法詳情見文獻(xiàn)(黃曉君等, 2019)。

(2)敏感MSI選?。和ㄟ^Matlab編程選取MSI與POPD的擬合優(yōu)度(R2)最高時對應(yīng)的MSI，確定為最敏感MSI，并作為單個高光譜特征的估算模型輸入變量。與此同時，運用SPA算法，對由30種MSI組成的光譜指數(shù)集進(jìn)行降維處理，選取少數(shù)的敏感MSI，作為多個高光譜特征的估算模型輸入變量。

2 結(jié)果

2.1 高光譜特征對POPD的敏感性分析

2.1.1高光譜特征對不同等級POPD的響應(yīng)：為分析高光譜特征對POPD的響應(yīng)特征，根據(jù)落葉松健康和不同受害程度，對POPD分了4個等級，即健康(POPD： 0～20)、輕度(POPD： 20～120)、中度(POPD： 120～230)和重度(POPD： 230～最大值或最大值～最小值)，并繪制了POPD的4個等級對應(yīng)的高光譜特征變化線(圖4)。由圖可知，POPD由健康→輕度→中度→重度等級變化過程中，DSR和MSI(歸一化值)具有明顯的層次變化響應(yīng)。具體表現(xiàn)為：對DSR而言(圖4: A)，隨POPD等級的增加，DSR在502～545和678～761 nm波段內(nèi)呈下降趨勢，而在554～594, 1 111～1 169和1 284～1 344 nm波段內(nèi)呈上升態(tài)勢，其中在678～761 nm波段內(nèi)DSR層次變化尤其明顯，并出現(xiàn)了波峰，說明該波段中DSR對POPD變化的響應(yīng)較顯著。對MSI而言(圖4: B)，隨POPD等級的加重，MSI的ARI1, RGI和CTR2等光譜指數(shù)歸一化值逐步上升，而其余MSI的光譜指數(shù)歸一化值呈下降趨勢，表明MSI隨POPD等級變化具有明顯的層次變化規(guī)律。這是因為POPD等級增加使落葉松冠層結(jié)構(gòu)發(fā)生變化，進(jìn)而影響林木冠層光譜反射率。可見，利用DSR和MSI估算POPD是可行的。

2.1.2基于擬合優(yōu)度的敏感性分析: (1)微分光譜反射率：為進(jìn)一步分析DSR對POPD的敏感性，將DSR逐波段(350～1 800 nm)與POPD進(jìn)行多項式曲線擬合，得到了各波長對應(yīng)的擬合優(yōu)度(R2)，并與其線性擬合優(yōu)度(R2)做了比較(圖5)。結(jié)果顯示，DSR與POPD的多項式曲線擬合效果較好，線性擬合效果較差。在505～531, 553～585, 691～755, 1 275～1 351, 1 459～1 625和1 726～1 775 nm波段DSR多項式曲線擬合的R2表現(xiàn)突出，尤其553～585 nm和691～755 nm中更明顯，其R2均0.4(P<0.001)以上，其中DSR572(波長572 nm處的DSR)的擬合優(yōu)度(R2=0.5821)最大(圖5: A)。從DSR572擬合的POPD變化來看(圖5: B)，多項式曲線擬合優(yōu)度明顯優(yōu)于線性擬合，其R2提高了0.5151，說明DSR與POPD之間有著密切的多項式曲線關(guān)系。這是因為553～585 nm位于黃邊波段，處于綠峰與紅谷之間，其變化被綠峰和紅谷波段反射率同時控制。當(dāng)落葉松健康時，其針葉生化組分含量較高(如色素、水分、氮等)，綠峰和紅谷波段光譜反射率差異最大，黃邊的坡最陡；隨POPD的增加，落葉松受害程度加劇，致使失葉量逐漸增加，針葉葉綠素含量、水分含量和氮含量等下降，使得綠峰和紅谷波段反射率隨之呈現(xiàn)下降和上升趨勢，導(dǎo)致黃邊的坡呈逐步平緩態(tài)勢；等到落葉松重度受害階段時，POPD從峰值開始下降，失葉量劇增，針葉生化組分含量直降，綠峰和紅谷的波峰和波谷減退，甚至有消失現(xiàn)象，使得黃邊最終變得平緩。691～755 nm為紅邊波段，處于紅谷與近紅外反射肩之間，其光譜反射率變化與針葉葉綠素含量和針葉細(xì)胞結(jié)構(gòu)等因素有密切關(guān)系。當(dāng)落葉松健康時，其針葉葉綠素含量較高，紅谷和近紅外反射肩波段反射率分別達(dá)最低和最高值，使紅邊坡度最大；當(dāng)POPD逐漸上升時，落葉松受害程度增加，導(dǎo)致失葉量逐漸上升，針葉葉綠素含量下降，針葉細(xì)胞結(jié)構(gòu)等發(fā)生變化，使得紅谷深度減小和近紅外反射肩降低，導(dǎo)致紅邊坡度呈減小態(tài)勢；等POPD增加到峰值又開始下降時，針葉大量損失，葉綠素含量直降，受害落葉松冠層紋理發(fā)生變化，紅谷與近紅外反射肩波段反射率差異減小，使得紅邊呈平緩態(tài)勢。上述波段光譜反射率變化會使微分光譜反射率具有明顯的響應(yīng)。因此，DSR可作為估算POPD的重要指標(biāo)。

圖5 DSR與POPD的線性和多項式曲線擬合效果

(2)光譜指數(shù)：為揭示MSI對POPD的敏感性，計算MSI與POPD的多項式曲線擬合優(yōu)度，并與改進(jìn)前光譜指數(shù)(OSI)的擬合優(yōu)度進(jìn)行比較，同時與其線性擬合結(jié)果做了對比(圖6)。結(jié)果顯示，MSI與OSI相比，其多項式曲線擬合的R2有提高，說明通過改進(jìn)處理增強(qiáng)了光譜指數(shù)的敏感性。MSI的兩種擬合相比，多項式曲線擬合效果有明顯提升。具體表現(xiàn)為：MSI多項式曲線擬合效果最佳為TVI(R2=0.5386)，其次為TCARI(R2=0.5034)和MCARI(R2=0.5019)，這比其線性擬合的R2分別提高了0.4479, 0.4015和0.4001，比OSI多項式曲線擬合的R2分別提高了0.0567, 0.1557和0.0886(圖6: A)。從TVI擬合的POPD變化來講(圖6: B)，多項式曲線擬合優(yōu)度明顯優(yōu)于線性擬合優(yōu)度，其曲線軌跡更接近于POPD的變化趨勢。這是因為TVI, TCARI和MCARI的波長分布在綠峰、紅谷和紅邊波段內(nèi)，對針葉生化組分含量變化的敏感性較強(qiáng)，從而隨落葉松POPD呈倒“U”型曲線變化，林木受害程度增加，導(dǎo)致失葉量上升，針葉葉綠素含量逐漸下降，綠峰波段光譜反射率亦呈下降趨勢，而紅谷波段光譜反射率呈上升態(tài)勢，使得這些MSI與POPD產(chǎn)生密切非線性關(guān)系。上述3種MSI的紅邊波段的波長調(diào)整較明顯，如TVI：750 nm→730 nm; TCARI和MCARI：700 nm→680 nm。顯然，730 nm和680 nm與調(diào)整前波長相比更接近紅邊位置和紅谷位置，提高針葉葉綠素含量變化的感知能力，增強(qiáng)了TVI, TCARI和MCARI對POPD的敏感性。可見，MSI比OSI敏感，更合適作為估算POPD的指標(biāo)。

圖6 OSI, MSI與POPD的線性和多項式曲線擬合效果

2.2 敏感高光譜特征提取結(jié)果與分析

基于多項式擬合優(yōu)度的敏感高光譜特征提取結(jié)果顯示，DSR和MSI的最敏感特征分別為DSR572和TVI，其擬合的R2分別為0.5821和0.5386(P<0.001)。DSR572處于黃邊波段的針葉光譜反射率降低較快的波長(572 nm)上，受綠峰和紅谷波段反射率變化的控制，進(jìn)而與針葉生化組分有密切聯(lián)系。它可描述針葉色素狀態(tài)，能夠感知落葉松健康狀況。TVI是通過530, 650和730 nm等波長反射率構(gòu)建的指數(shù)，受綠峰、紅谷和紅邊變化的控制，與針葉生化組分有密切相關(guān)，是表征針葉葉綠素的重要指標(biāo)。因此，利用DSR572和TVI估算雅氏落葉松尺蠖POPD是合理的。

從DSR和MSI敏感特征組選取結(jié)果顯示，DSR敏感特征組為DSR572, DSR593, DSR617, DSR738, DSR1210, DSR1323和DSR1487；MSI敏感特征組為TVI, RGI, NDWI, OSAVI2和GM2。顯然，基于SPA算法選取的DSR和MSI敏感特征組指標(biāo)充分地捕捉了雅氏落葉松尺蠖危害下落葉松針葉光譜反射和吸收特征。DSR敏感特征組指標(biāo)分布在黃邊(572, 593和617 nm)、紅邊(738 nm)、近紅外反射肩(1 210和1 323 nm)和近紅外吸收谷(1 487 nm)等波段，其中黃邊和紅邊波段分別位于紅谷左側(cè)和右側(cè)，能夠反映針葉葉綠素吸收特征(Frazieretal., 2014)；近紅外反射肩主要受植被細(xì)胞結(jié)構(gòu)和水分的影響，對針葉水分吸收特征和細(xì)胞受損引起的反射特征較敏感(Zhangetal., 2018)；近紅外吸收谷主要受植被水分的影響，能夠描述受害過程針葉水分吸收特征(Xiangetal., 2011)。MSI的敏感特征組指標(biāo)分布在綠峰、紅谷、紅邊和近紅外反射肩等波段，其中TVI(530, 650和730 nm), RGI(570和670 nm)和GM2(718和730 nm)能夠表征植被色素狀態(tài)，對受害過程針葉葉綠素吸收特征較敏感(Sankaran and Ehsani, 2011)；OSAVI2(650和780 nm)可削減土壤背景干擾，能夠反映針葉葉綠素吸收特征(Stagnarietal., 2018)；NDWI(840和1 260 nm)可描述植被葉片水分的狀態(tài)，能夠表征針葉水分吸收特征(Murphyetal., 2019)。隨雅氏落葉松尺蠖POPD變化，受害落葉松針葉色素、水分和細(xì)胞結(jié)構(gòu)發(fā)生變化，而DSR和MSI敏感特征組指標(biāo)可以捕捉到針葉的這些變化特征。因此，通過SPA算法提取的上述兩組高光譜特征，估算雅氏落葉松尺蠖POPD是可行的。

2.3 基于高光譜特征的POPD估算精度分析

通過DSR和MSI的單高光譜特征(最敏感特征Uni-DSR/Uni-MSI)和多高光譜特征(敏感特征組Mul-DSR/Mul-MSI)，運用多項式回歸(PR)和支持向量機(jī)回歸(SVMR)算法，建立了雅氏落葉松尺蠖POPD估算模型，并對其進(jìn)行了精度比較(表2)。

表2 POPD估算模型性能評價

為更加直觀地揭示POPD估算模型性能優(yōu)劣，采用模型訓(xùn)練集和驗證集的估算值與實測值之間分別進(jìn)行1∶1直線擬合(圖7)。由圖可知，在單高光譜特征的估算模型中，Uni-MSI-SVMR模型訓(xùn)練集與驗證集的數(shù)據(jù)分布點相較其他估算模型更加均勻分布在1∶1直線周圍，說明Uni-MSI-SVMR比其他模型性能相對較好。在多高光譜特征的估算模型中，Mul-DSR-SVMR模型訓(xùn)練集與驗證集的數(shù)據(jù)分布點相較其他估算模型更均勻并集中分布在1∶1直線兩側(cè)，說明Mul-DSR-SVMR比其他模型精度較優(yōu)且穩(wěn)定性更好。SVMR與PR模型相比，其訓(xùn)練集與驗證集的數(shù)據(jù)分布點表現(xiàn)出較好的擬合效果，而PR模型的數(shù)據(jù)點離散程度較為明顯，說明高光譜特征結(jié)合SVMR算法能夠構(gòu)建性能較高的POPD估算模型。這是因為在具備敏感高光譜特征的前提下，SVMR能夠避免過學(xué)習(xí)或欠學(xué)習(xí)的問題，其泛化能力較強(qiáng)，可應(yīng)用于雅氏落葉松尺蠖POPD估算。

圖7 訓(xùn)練集和驗證集的估算值與實測值1∶1直線擬合

總之，地面非成像高光譜觀測試驗表明，微分光譜和光譜指數(shù)不僅在單株尺度上能夠無損、快速監(jiān)測雅氏落葉松尺蠖蟲口密度，而且為后續(xù)大區(qū)域尺度上蟲口密度監(jiān)測提供了理論 實驗依據(jù)。外界和背景的干擾會影響數(shù)據(jù)的客觀性，而微分光譜和光譜指數(shù)可降低大氣和背景干擾影響，在大面積蟲口密度估算中也具有很大潛力。這為森林蟲害遙感監(jiān)測指出了新方向，將在今后的研究中對其進(jìn)行探究和考證。

3 討論

本研究從雅氏落葉松尺蠖暴發(fā)典型區(qū)選取不同程度受害的110株落葉松，通過調(diào)查與計算樣本樹害蟲POPD和實測林木冠層光譜反射率，分析高光譜特征(微分光譜反射率和高光譜指數(shù))對POPD的敏感性，借助SPA算法提取敏感高光譜特征，結(jié)合多項式回歸(PR)和支持向量機(jī)回歸(SVMR)算法，構(gòu)建POPD估算模型并揭示了高光譜特征的估算潛力，得出以下結(jié)果和結(jié)論：

(1)多項式曲線擬合相較線性擬合，其更能挖掘光譜指數(shù)和微分光譜反射率(DSR)對POPD的敏感性。DSR的敏感性明顯的波段主要在黃邊和紅邊波段內(nèi)，其中在572 nm處的敏感性最顯著，DSR572擬合的R2達(dá)0.5821(P<0.001)。30種改進(jìn)型光譜指數(shù)(MSI)中最敏感的指數(shù)為TVI，其R2達(dá)0.5386(P<0.001)，其次為TCARI(R2=0.5034)和MCARI(R2=0.5019)，這比原始光譜指數(shù)(OSI)擬合的R2分別提高了0.0567, 0.1557和0.0886。從而MSI和DSR可成為估算POPD的敏感指標(biāo)。

(2)通過SPA算法提取的DSR敏感指標(biāo)(DSR572, DSR593, DSR617, DSR738, DSR1210, DSR1323和DSR1487)和MSI敏感指數(shù)(TVI, RGI, NDWI, OSAVI2和GM2)充分捕捉了雅氏落葉松尺蠖危害下落葉松針葉葉綠素吸收特征、水分吸收特征以及針葉細(xì)胞受損引起的反射特征?？梢?，SPA是適用于POPD敏感光譜特征提取的一種有效方法。

(4)多個比單個高光譜特征的POPD估算精度更高，并且其SVMR模型性能始終優(yōu)于PR模型。SVMR泛化能力較強(qiáng)能夠避免過學(xué)習(xí)或欠學(xué)習(xí)的問題，可應(yīng)用于雅氏落葉松尺蠖POPD估算。