摘 要：【目的】蟲害早期脅迫會使得落葉松針葉含水率等內(nèi)部生化組分發(fā)生微小變化，此時光譜具有明顯響應(yīng)。隨著遙感技術(shù)的發(fā)展，高光譜遙感能夠捕捉到這些微小變化，成為監(jiān)測和識別蟲害早期脅迫的重要工具。準(zhǔn)確地預(yù)測針葉含水率，可為落葉松毛蟲蟲害早期脅迫預(yù)警工作提供實驗依據(jù)?！痉椒ā恳源笈d安嶺森林蟲害爆發(fā)區(qū)為研究區(qū)，獲取2021年7月的高光譜數(shù)據(jù)和針葉含水率數(shù)據(jù)，通過平滑光譜反射率（SSR）、微分光譜反射率（DSR）和光譜連續(xù)小波系數(shù)（SCWC）三種光譜特征，結(jié)合Findpeaks函數(shù)（FP）和連續(xù)投影算法（SPA）對光譜降維和提取敏感特征，并利用偏最小二乘回歸（PLSR）、隨機森林（RF）和支持向量機回歸（SVMR）三種算法建立含水率估算模型?！窘Y(jié)果】1）SCWC的敏感波段大多集中在22、23、24三個尺度上且比DSR和SSR更加敏感。2）FP-SPA能快速準(zhǔn)確地選擇敏感光譜特征，減少數(shù)據(jù)冗余，降低模型復(fù)雜度。3）PLSRSCWC-coif4模型精度最高（R2=0.890 4，RMSE=0.037 5），比DSR和SSR的R2分別提高0.096 3和0.115 3，RMSE分別降低0.007 5和0.017 8；其次是SVMR-SCWC-bior4.4模型（R2=0.876 4，RMSE=0.033 0）精度提高最為顯著，比DSR和SSR的R2分別提高0.155 4和0.130 8且RMSE降低0.026 3和0.027 3。【結(jié)論】SCWC比DSR和SSR對針葉含水率更敏感，同時FP-SPA能快速準(zhǔn)確地提取敏感光譜特征，因此SCWC對于針葉含水率的估算具有可靠的精度，從而可以實現(xiàn)落葉松毛蟲危害下落葉松針葉含水率的準(zhǔn)確預(yù)測。

關(guān)鍵詞：落葉松毛蟲蟲害；針葉含水率；高光譜；光譜變換

中圖分類號：S763.305 文獻標(biāo)志碼：A 文章編號：1673-923X（2024）08-0027-09

基金項目：國家自然科學(xué)基金項目（42361057）；內(nèi)蒙古自治區(qū)科技計劃項目（2021GG0183）；內(nèi)蒙古高校青年科技英才支持計劃項目（NJYT22030）；內(nèi)蒙古自然科學(xué)基金項目（2022MS04005）。

Hyperspectral estimation of water content in larch needles from Dendrolimus superans

GUO Jiaze1， HUANG Xiaojun1， GU Pengyuan2， ZHOU Debao3， ZHANG Junsheng3， BAI Liga1， SA Heya1

（1.a. College of Geographical Sciences， b. Key Laboratory of Remote Sensing and Geographic Information System of Inner Mongolia Autonomous Region， Inner Mongolia Normal University， Hohhot 010022， Inner Mongolia， China； 2. Forestry and Grassland Bureau of Xing’an League， Ulanhot 137400， Inner Mongolia， China； 3. Inner Mongolia Daxinganling Forest Pest Control （Seed） Station， Yakeshi 022150， Inner Mongolia， China）

Abstract：【Objective】The early stress of insect infestation will cause small changes in the internal biochemical components such as the moisture content of larch needles， and the spectrum has a significant response. With the development of remote sensing technology， hyperspectral remote sensing can capture these small changes， and has become an important tool for monitoring and identifying early stress of insect pests. Accurate prediction of coniferous moisture content can provide an experimental basis for the early stress and early warning of Dendrolimus superans insect pests.【Method】Taking the forest insect pest outbreak area of the Daxing’anling as the study area， the hyperspectral data and coniferous moisture content data in July 2021 were obtained， and the spectral dimensionality reduction and extraction of sensitive features were obtained through three spectral features： smooth spectral reflectance （SSR）， differential spectral reflectance （DSR） and spectral continuous wavelet coefficient （SCWC）， combined with Findpeaks function （FP） and successive projection algorithm （SPA）， and partial least squares regression （PLSR）， random forest （RF） and support vector machine regression （SVMR） to establish a water content estimation model.【Result】1） Most of the sensitive bands of SCWC were concentrated in the three scales of 22， 23and 24， and they were more sensitive than SR and SSR. 2） FP-SPA quickly and accurately selected sensitive spectral features， reduced data redundancy， and reduced model complexity. 3） The PLSR-SCWC-coif4 model had the highest accuracy（R2=0.890 4，RMSE=0.037 5）， which was 0.096 3 and 0.115 3 higher than the R2 of DSR and SSR， and 0.007 5 and 0.017 8 lower RMSE， respectively， followed by the SVMR-SCWC-bior4.4 model （R2=0.876 4，RMSE=0.033 0） had the most significant improvement in accuracy. The accuracy was improved by 0.155 4 and 0.130 8 and decreased by 0.026 3 and 0.027 3 compared with DSR and SSR， respectively.【Conclusion】SCWC is more sensitive to coniferous moisture content than DSR and SSR， and FP-SPA can quickly and accurately extract sensitive spectral features， so SCWC has reliable accuracy in estimating coniferous moisture content， so as to accurately predict the moisture content of D. superans.

Keywords： Dendrolimus superans infestation； coniferous moisture content； hyperspectral； spectral transformation

落葉松毛蟲Dendrolimus superans是大興安嶺森林的主要害蟲之一[1]，一般通過啃食針葉使林木死亡，一旦發(fā)展為災(zāi)害將會對森林生態(tài)系統(tǒng)平衡造成嚴(yán)重影響并引起巨大的經(jīng)濟損失，因此對該蟲害的防治極為重要。研究表明，當(dāng)落葉松毛蟲幼蟲侵入林區(qū)后會對林區(qū)造成不可逆的破壞，使林木生化組分、外觀狀態(tài)等指標(biāo)出現(xiàn)異常響應(yīng)[2]。其中，受害樹木的水分含量變化尤為顯著，因為落葉松毛蟲幼蟲以針葉為食，通過咀嚼和吸食針葉導(dǎo)致水分流失，無法維持正常的生長狀態(tài)。因此，可將針葉含水率作為監(jiān)測害蟲的重要指標(biāo)。

近年來，遙感技術(shù)已成為監(jiān)測植被外觀和內(nèi)部生化組分信息的重要技術(shù)手段[3-4]。該技術(shù)可以在不接觸植物的情況下進行大面積監(jiān)測以獲取光譜數(shù)據(jù)，有效彌補了傳統(tǒng)地面調(diào)查方法的干擾植物正常生長、監(jiān)測范圍小等缺點[5]。有學(xué)者利用多光譜遙感分別對馬尾松苗木、油菜、茶葉、桉樹葉片和針葉林的含水率進行預(yù)測，決定系數(shù)在0.63～0.94之間[6-10]，展示了遙感技術(shù)在含水率估算上的潛在應(yīng)用前景。還有學(xué)者利用高光譜遙感技術(shù)估算含水率，與多光譜遙感相比，高光譜傳感器通常包括數(shù)百甚至數(shù)千個窄波段，提供更詳細(xì)的光譜信息，更精確地分析植物的光譜特征，提升建模精度[11-13]。還有研究通過離散小波變換、葉片反射率和一階導(dǎo)數(shù)以及構(gòu)建植被指數(shù)等方法，成功實現(xiàn)了茶葉、水稻葉片、胡楊葉片、木材等多種植物含水率的準(zhǔn)確估算，決定系數(shù)在0.75～0.95之間[14-16]。目前的研究主要關(guān)注于農(nóng)作物的含水率變化[17-21]，對于林木葉片的含水率變化研究相對較為有限。森林立地通常面臨復(fù)雜的地形、多樣的植被類型以及需要大量人力和物力成本投入的挑戰(zhàn)，這些因素可能導(dǎo)致針葉含水率數(shù)據(jù)獲取困難且估測精度較低。我們亟待解決這些問題，來開展蟲害脅迫下林木針葉含水率變化的研究。

使用高光譜數(shù)據(jù)構(gòu)建針葉含水率的估算模型通常需要三個步驟。首先，對高光譜數(shù)據(jù)進行不同形式的光譜變換，例如微分光譜、去除包絡(luò)線光譜、植被指數(shù)和光譜小波等[15-16]，以突出光譜特征的有用信息。其次，使用敏感性分析方法，如主成分分析、連續(xù)投影算法、相關(guān)性分析等[22]，篩選于針葉含水率敏感的波段，降低高維數(shù)據(jù)的冗余程度。最后，根據(jù)敏感波段結(jié)合偏最小二乘法、多元線性回歸等方法建立估算模型，以準(zhǔn)確預(yù)測含水率[23]?；诖?，本研究利用針葉含水率數(shù)據(jù)和高光譜數(shù)據(jù)，通過對光譜進行平滑處理、微分變換和連續(xù)小波變換，結(jié)合Findpeaks函數(shù)和連續(xù)投影算法得到敏感光譜，并借助偏最小二乘回歸、隨機森林和支持向量機回歸三種算法建立含水率估算模型，以準(zhǔn)確地預(yù)測針葉含水率，可為落葉松毛蟲蟲害早期脅迫預(yù)警工作提供試驗依據(jù)。

1 研究區(qū)概況和研究方法

1.1 研究區(qū)概況

本研究以內(nèi)蒙古牙克石市烏爾其漢鎮(zhèn)的落葉松毛蟲爆發(fā)區(qū)作為研究區(qū)（圖1），于2021年7月進行針葉含水率的采樣和高光譜數(shù)據(jù)的測定。選取47棵落葉松并分為四個級別：健康、輕度受害、中度受害和重度受害[24]。

1.2 數(shù)據(jù)獲取

1.2.1 高光譜數(shù)據(jù)獲取

使用AvaField-3地物光譜儀對落葉松進行了光譜測量，光譜分辨率為1.5 nm @ 350～1 100 nm；15 nm @ 1 050～2 500 nm；采樣間隔為0.6 nm @ 350-1 100 nm； 6 nm @ 1 050～2 500 nm，測量數(shù)據(jù)間隔為1 m。儀器的探頭角度為25°，朝向垂直向下，距離被測對象大約為0.2 m。在晴朗無云天氣下的10：30—14：30時間內(nèi)進行測量。將樣本樹垂直分為上、中、下三層，每層選取代表性的樹枝觀測20次。在觀測前后，使用參考白板對光譜進行校正。取20×3次觀測的光譜反射率平均值來代表樹冠的光譜反射率。

1.2.2 針葉含水率數(shù)據(jù)獲取

在光譜測量完成后，立即取下葉片并將其置于密封塑料袋中，以防止水分的流失。使用精度為0.000 1 g的電子天平測量樣本的鮮質(zhì)量（FW）。然后將所有樣本放入80 ℃的烘干箱中烘干48 h，再次稱重并記錄干質(zhì)量（DW）。根據(jù)下式計算針葉含水率（LWC）。

針葉含水率的最大值、最小值、均值、標(biāo)準(zhǔn)差、方差分別為0.76、0.05、0.53、0.15和0.02。由此可見，針葉含水率的數(shù)據(jù)較為分散，樣本選取均勻地覆蓋受災(zāi)區(qū)域，以反映落葉松毛蟲脅迫下不同受害程度的針葉含水率。

1.3 光譜變換

1.3.1 微分光譜變換

由于高光譜數(shù)據(jù)受背景和儀器噪聲的影響，原始光譜的尾部通常包含噪聲。去除較大噪聲和異常值的波段，最終選擇保留350～1 650 nm范圍的光譜。隨后，使用Smooth函數(shù)對光譜曲線進行平滑處理，得到平滑光譜反射率（記為SSR）。接著，通過ENVI軟件計算預(yù)處理后的光譜反射率的一階導(dǎo)數(shù)，得到微分光譜反射率（記為DSR）。這一步驟旨在減少背景干擾，突出有用的光譜特征信息，從而增強光譜數(shù)據(jù)與植物生化組織含量之間的相關(guān)性。

1.3.2 連續(xù)小波變換

1.4 建模方法

1.4.1 Fp-SPA的敏感波段選擇

為了減少數(shù)據(jù)冗余，利用Matlab中的Findpeaks（FP）函數(shù)尋找R2峰值并確定敏感波段位置，將這些峰值按R2值降序排序，保留前20%的特征（R2>0.62）設(shè)為初始敏感波段[25]。隨后，使用連續(xù)投影算法（successive projection algorithm，SPA）進行降維，以確定最終的敏感光譜特征。SPA是一種前向變量選擇算法，旨在減少矢量空間的共線性，并選擇最少冗余的波長，以解決共線性問題。它通過向量投影選擇有效特征波段，以減少建模輸入變量數(shù)量，提高建模速度和降低復(fù)雜性，同時避免光譜信息重疊，已成功應(yīng)用于多種樣本波長的選擇，并取得了良好效果。

1.4.2 含水率估算模型

利用偏最小二乘回歸（partial least squares regression，PLSR）、隨機森林（random forest，RF）和支持向量機回歸（support vector machine regression，SVMR）三種算法建立含水率估算模型，并進行比較。PLSR是一種處理多元線性數(shù)據(jù)的統(tǒng)計方法，相當(dāng)于線性回歸、主成分分析和典型相關(guān)分析的組合，它尋找自變量和因變量中相關(guān)程度最大的成分線性組合，以更好地預(yù)測因變量的變化。RF是一種分類器，它包含多個決策樹，并利用這些樹對樣本進行訓(xùn)練和預(yù)測。輸出的類別由各個樹輸出的類別的眾數(shù)決定。它引入了隨機性，可以有效地避免過擬合問題，還具有出色的抗噪聲能力。SVMR是一種用于解決回歸問題的機器學(xué)習(xí)算法。與傳統(tǒng)的回歸算法不同，基于支持向量機的理論，其主要思想是找到一個超平面，使得樣本點與該超平面的距離最小化，且能夠處理非線性問題并被廣泛應(yīng)用于預(yù)測、回歸分析等領(lǐng)域。

1.4.3 模型精度驗證

本研究采用留一交叉驗證法（LOOCV）對各模型進行評價[26]。具體步驟如下：首先，在總共47個樣本中，逐個選取1個樣本作為驗證樣本，剩余46個樣本作為訓(xùn)練樣本。如此循環(huán)迭代47次，確保每個樣本都被用于驗證一次。最后，通過比較預(yù)測值和實際值，計算確定系數(shù)（R2）和均方根誤差（RMSE）來評價模型的性能。其中，R2取值范圍為0～1，數(shù)值越接近1表示模型擬合效果越好，估算精度越高；RMSE的最小值為0，數(shù)值越接近0表示模型擬合效果越好，估算精度越高。

2 結(jié)果與分析

2.1 SSR、DSR和SCWC的高光譜特征與含水率的關(guān)系

圖2為SSR、DSR和SCWC的光譜曲線圖，將3個光譜曲線進行無量綱化，取值范圍0～1。由于SCWC個數(shù)較多，此處選擇24尺度上的sym3小波基為代表。對于SSR而言：波峰主要分布在532～572和794～1 332 nm區(qū)間，波谷主要分布在646～689和1 425～1 540 nm范圍內(nèi)。而DSR的波峰主要分布在505～537、689～753、1 367～1 371和1 478～1 578 nm區(qū)間，波谷主要分布在559～588、620～635、942～954、1 092～1 120、1 349～1 360和1 410～1 438 nm區(qū)間。對于SCWC而言：振幅主要集中在1 330～1 500 nm范圍內(nèi)，波峰主要分布在365～380、570～585、675～700、745～770、910～950、1 110～1 130、1 140～1 160和1 631～1 640 nm區(qū)間，波谷主要分布在350～365、515～540、700～745和 910～930 nm區(qū)間。

為深入分析針葉含水率對光譜變換的敏感性，對波段逐一進行相關(guān)性分析，并繪制相關(guān)系數(shù)R2分布圖。由圖3可知，SCWC綜合2¹～2¹⁰十個尺度，在可見光區(qū)域（420～750 nm）和近紅外區(qū)域（751～850 nm）以及中紅外波段（1 400～1 580 nm）等波段內(nèi)與含水率存在極顯著相關(guān)。DSR在可見光區(qū)域（590～630 nm）和近紅外區(qū)域（770～810 nm）以及中紅外波段（1 478～1 650 nm）等波段內(nèi)與含水率存在顯著相關(guān)。SSR在可見光區(qū)（360～410 nm）和近紅外區(qū)域（701～1 070 nm）等波段內(nèi)與含水率存在顯著相關(guān)。顯然，SCWC比DSR和SSR對針葉含水率更為敏感，可作為估算針葉含水率的重要指標(biāo)。

2.2 基于FP-SPA的敏感特征提取分析

利用FP-SPA提取的SCWC、DSR和SSR的敏感特征波段分布結(jié)果如圖4所示。使用FP函數(shù)降重后，SSR有34個、DSR有57個、在2¹～2¹⁰的尺度上Biorthogonal有43～66個、Coiflets有61～391個、Daubechies有42～74個、Symlets有58～64個。FP函數(shù)提取的初始敏感特征波段數(shù)量較多，數(shù)據(jù)冗余，會導(dǎo)致模型復(fù)雜、計算量大等問題。接著使用SPA算法進行降維處理：SSR有7個、DSR有2個、2¹～2¹⁰的尺度上Biorthogonal有1～7個、Coiflets有2～45個、 Daubechies有1～45個、Symlets有2～44個，提取了最終敏感特征光譜用于建模。

2.3 含水率估算模型及精度評價

使用MATLAB軟件，利用最終敏感特征光譜構(gòu)建PLSR、RF和SVMR的含水率估算模型。結(jié)果如表1所示：對于PLSR模型而言，小波基對比平滑光譜和微分光譜反射率，R2均有所提高，RMSE呈現(xiàn)下降。其中，Biorthogonal小波系中bior4.4的模型精度最優(yōu)，比SSR和DSR的R2分別提高0.080 4和0.061 4，RMSE分別降低0.013 6和0.003 3；Coiflets小波系中coif4的模型精度最優(yōu)，比SSR和DSR的R2分別提高0.115 3和0.096 3，RMSE分別降低0.017 8和0.003 3；Daubechies小波系中db1的模型精度最優(yōu)，比SSR和DSR的R2分別提高0.086 7和0.067 7，RMSE分別降低0.014 5和0.007 5；Symlets小波系中sym3的模型精度最優(yōu)，比SSR和DSR的R2分別提高0.064和0.042，RMSE分別降低0.015 8和0.005 5。

對于SVMR模型而言，小波基對比平滑光譜和微分光譜反射率，R2均有所提高，RMSE呈現(xiàn)下降。其中，Biorthogonal小波系中bior4.4的模型精度最優(yōu)，比SSR和DSR的R2分別提高0.155 4和0.130 8，RMSE分別降低0.027 3和0.026 3；Coiflets小波系中coif4的模型精度最優(yōu)，比SSR和DSR的R2分別提高0.138 6和0.114，RMSE分別降低0.016 4和0.015 4；Daubechies小波系中db1的模型精度最優(yōu)，比SSR和DSR的R2分別提高0.144和0.119 4，RMSE分別降低0.021 9和0.020 9；Symlets小波系中sym3的模型精度最優(yōu)，比SSR和DSR的R2分別提高0.130 4和0.105 8，RMSE分別降低0.001 8和0.001 7。

對于RF模型而言，小波基對比平滑光譜和微分光譜反射率，R2均有所提高，RMSE呈現(xiàn)下降。其中，Biorthogonal小波系中bior4.4的模型精度最優(yōu)，比SSR和DSR的R2分別提高0.083 1和0.016 5，RMSE分別降低0.030 9和0.005 5；Coiflets小波系中coif4的模型精度最優(yōu)，比SSR和DSR的R2分別提高0.091 9和0.025 3，RMSE分別降低0.034 7和0.009 3；Daubechies小波系中db1的模型精度最優(yōu)，比SSR和DSR的R2分別提高0.119和0.052 4，RMSE分別降低0.039 7和0.014 3；Symlets小波系中sym3的模型精度最優(yōu)，比SSR和DSR的R2分別提高0.118 2和0.051 6，RMSE分別降低0.034 9和0.009 5。

本研究利用SSR、DSR和SCWC構(gòu)建的不同模型對建模集和驗證集的估算值與實測值進行了1∶1直線擬合分析，以研究模型的準(zhǔn)確性和穩(wěn)定性。選取結(jié)果最優(yōu)的SCWC建立的模型與SSR和DSR模型相比，由圖5得知，建模集和驗證集的大部分?jǐn)?shù)據(jù)點都均勻分布在1∶1直線的兩側(cè)。這表明使用最終敏感特征光譜構(gòu)建模型具有較好的擬合效果，估算精度較高，三個模型中擬合效果最好的是PLSR，其次是RF，最差的是SVM。

3 討 論

本研究使用47棵落葉松的高光譜數(shù)據(jù)，應(yīng)用了三種不同光譜變換方法，各自具有獨特的優(yōu)勢。首先，SSR方法主要用于去噪和減少波動，以提高數(shù)據(jù)質(zhì)量和可解釋性，從而方便后續(xù)的分析和可視化。其主要效果在于提高信號質(zhì)量，使數(shù)據(jù)更易于理解。其次，DSR方法則專注于增強光譜中的峰值信號，降低噪聲水平，提高信噪比，以使光譜特征更加清晰可靠。這有助于更精確地捕捉和解釋光譜數(shù)據(jù)中的重要信息。最后，SCWC方法采用多尺度分析，提供了不同時間和頻率尺度上的信號信息。其中，Daubechies小波用于捕捉信號的細(xì)節(jié)，Symlets小波是其改進版本，在某些應(yīng)用中表現(xiàn)更佳，Coiflets小波緊湊，適用于高階小波系列，而Biorthogonal小波具有對稱和反對稱基函數(shù)，適應(yīng)不同信號類型。研究結(jié)果顯示，相較于SSR和DSR，SCWC方法更明顯地展示了振幅特征，對針葉含水率的相關(guān)性更強。此結(jié)果與先前研究一致，特別是王延倉、李鎧等人使用連續(xù)小波變換進行實驗，成功提高了對植物含水率預(yù)測的決定系數(shù)，最高值達到0.813，與原始光譜相關(guān)性相比有顯著提升[27，28]。本研究SSR，DSR和SCWC與針葉含水率的相關(guān)系數(shù)R2中，SSR的R2max值為0.51，而DSR的R2max值為0.78，并且有8%的R2值大于0.51。關(guān)于圖3中SSR呈現(xiàn)大范圍黃色區(qū)域的現(xiàn)象，這是由于SSR與針葉含水率高相關(guān)的波段相對連續(xù)所導(dǎo)致的。

高光譜數(shù)據(jù)擁有豐富信息的同時存在大量的冗余。因此，為了降低數(shù)據(jù)的冗余程度并提升模型的計算速度，敏感波段的提取變得至關(guān)重要。在這方面，本研究采用了Fp-SPA方法篩選出敏感波段，有助于優(yōu)化數(shù)據(jù)。與此同時，不同光譜特征對于光譜波段的敏感性也有所不同。由圖4可見SSR模型對紫外光、綠光、紅光、近紅外光表現(xiàn)出敏感特征分布，DSR模型對紅光和近紅外光敏感。相比之下，SCWC模型的敏感特征主要分布在藍光、綠光、紅光和近紅外光上，與前人研究中的馬鈴薯作物葉片含水量、冬小麥植株含水率、雅氏落葉松尺蠖和西伯利亞松毛蟲危害下林木中水分的敏感波段基本一致[29-31]。這意味著SCWC模型可能在葉片含水率領(lǐng)域具有較高的適用性，為相關(guān)研究提供了重要參考和支持。通過使用Fp-SPA方法來篩選敏感特征波段，成功減少了數(shù)據(jù)的冗余，并有效提取了可見光和近紅外的敏感特征波段。這對于研究植物內(nèi)部生化組分與反射率變化的關(guān)系至關(guān)重要。例如，紫光主要被葉綠素吸收，而與水分的直接關(guān)系較弱，在識別含水率方面敏感性較弱，但其在植物生長和健康狀態(tài)的評估中仍具有一定的價值。高水分植物組織對藍光波段的吸收能力較高，而低水分組織則反射更多藍光。同時，綠光波段是針葉最常見的反射波段，隨葉綠素含量增加反射率下降。紅光主要被葉綠素吸收，一些研究表明，較低含水率的反射率可能較強。近紅外波段透過表皮被內(nèi)部水分吸收，與含水率呈負(fù)相關(guān)，因為葉子中的水分吸收并產(chǎn)生熱能，導(dǎo)致反射率下降。通過不同波段的敏感性分析，能夠更清晰地理解高光譜數(shù)據(jù)的特性，從而提高分析的準(zhǔn)確性和效率以優(yōu)化模型。

本研究采用了LOOCV評估模型。LOOCV是一種常用的評估模型性能的方法，它能最大化數(shù)據(jù)的利用。通過逐個樣本地將其作為驗證集，而將剩余樣本作為訓(xùn)練集。確保了每個樣本都有機會參與驗證，從而保證了評估的全面性和客觀性。每次迭代中都能使用盡可能多的數(shù)據(jù)來擬合模型，能夠更準(zhǔn)確和穩(wěn)健地評估模型性能。對于樣本數(shù)量較少的數(shù)據(jù)集，LOOCV能夠一定程度上減少因數(shù)據(jù)量不足而導(dǎo)致的過擬合問題，提高模型的泛化能力。此外，本研究還存在一些不足之處。首先，僅比較了SSR、DSR、SCWC三種光譜變換對于針葉含水率估測敏感性，其他光譜變換尚未深入研究。其次，所采用的數(shù)據(jù)僅來自牙克石市烏爾其漢鎮(zhèn)的天然林樣地，對其他地區(qū)和樹種的適用性尚需進一步驗證。最后，由于樣本數(shù)量較少，容易出現(xiàn)分割后的欠擬合問題。為了提高估算準(zhǔn)確度和實用性，未來實驗應(yīng)增加樣本數(shù)量，并考慮結(jié)合衛(wèi)星遙感影像，實現(xiàn)對大范圍蟲害早期脅迫的監(jiān)測評估。

4 結(jié) 論

1）在估算針葉含水率方面，SCWC最敏感且大多集中在2²、2³、2⁴這三個尺度上，其次為DSR，最差為SSR。

2）FP-SPA方法能準(zhǔn)確捕捉可見光和近紅外的最終敏感波段，避免高光譜數(shù)據(jù)處理中出現(xiàn)的冗余信息和計算量大的問題。

3）PLSR-SCWC-coif4模型精度最高（R2= 0.890 4，RMSE=0.037 5），比DSR和SSR的R2分別提高0.096 3和0.115 3，RMSE分別降低0.007 5和0.017 8；其次是SVMR-SCWC-bior4.4模型（R2= 0.876 4，RMSE=0.033 0）精度提高最為顯著，比DSR和SSR的R2分別提高0.155 4和0.130 8且RMSE降低0.026 3和0.027 3。

綜上，SCWC在針葉含水率估算時能夠提供更多的頻率和時域信息，對森林蟲害早期監(jiān)測具有參考價值。

參考文獻：

[1] 王千雪，王爍，韓大校，等.大興安嶺落葉松毛蟲不同危害程度蟲害木結(jié)構(gòu)特征[J].西北林學(xué)院學(xué)報，2024，39（1）：95-99. WANG Q X， WANG S， HAN D X， et al. Structure characteristics of Dendrolimus superans damaged trees with different damage degrees in Daxing’an Mountain[J]. Journal of Northwest Forestry University，2024，39（1）：95-99.

[2] NAKAMURA T， ISHIDA A， KAWAI K， et al. Tree hazards compounded by successive climate extremes after masting in a small endemic tree， Distylium lepidotum， on subtropical islands in Japan[J]. Global Change Biology，2021，27（20）：5094-5108.

[3] 張景路，朱雅麗，張繪芳，等.基于Landsat8遙感影像的阿爾泰山天然林生物量估測[J].中南林業(yè)科技大學(xué)學(xué)報，2022， 42（6）：33-44. ZHANG J L， ZHU Y L， ZHANG H F， et al. Biomass estimation of natural forests in the Altay Mountains based on Landsat 8 remote sensing images[J]. Journal of Central South University of Forestry Technology，2022，42（6）：33-44.

[4] MENG J H， YOU X Y， ZHANG X B， et al. Remote sensing application in Chinese medicinal plant identification and acreage Estimation-A review[J]. Remote Sensing，2023，15（23）：5580.

[5] XU Z H， LI B， YU H， et al. Changing relationships between water content and spectral features in moso bamboo leaves under pantana phyllostachysae Chao Stress[J]. Forests，2023，14（4）：702.

[6] LI Y R， XIA H F， LIU Y， et al. Detection of moisture content of pinus massoniana lamb. seedling leaf based on NIR spectroscopy with a multi-Learner model[J]. Forests，2023，14（5）：883.

[7] 張曉東，毛罕平，左志宇，等.基于多光譜視覺技術(shù)的油菜水分脅迫診斷[J].農(nóng)業(yè)工程學(xué)報，2011，27（3）：152-157. ZHANG X D， MAO H P， ZUO Z Y， et al. Nondestructive testing method for rape water stress based on multi-spectral vision[J]. Transactions of the Chinese Society of Agricultural Engineering， 2011，27（3）：152-157.

[8] ZHANG M， GUO J M， MA C Y， et al. An effective prediction approach for moisture content of tea leaves based on discrete wavelet transforms and bootstrap soft shrinkage algorithm[J]. Applied Sciences，2020，10（14）： 4839.

[9] 盧萬鴻，楊桂麗，林彥，等.桉樹葉片水分狀態(tài)的近紅外光譜檢測[J].林業(yè)科學(xué)，2017，53（5）：16-22. LU W H， YANG G L， LIN Y， et al. Assessing leaf water status of Eucalyptus using NIRS[J]. Scientia Silvae Sinicae，2017，53（5）： 16-22.

[10] 王長青，邢艷秋，汪獻義，等.結(jié)合Sentinel-1B和Landsat8數(shù)據(jù)的針葉林葉片含水量反演研究[J].森林工程，2018，34（4）： 27-35. WANG C Q， XING Y Q， WANG X Y， et al. Conifer leaf water content retrieval based on Sentinel-1B and Landsat8 data[J]. Forest Engineering，2018，34（4）： 27-35.

[11] 徐慶，馬驛，蔣琦，等.水稻葉片含水量的高光譜遙感估算[J].遙感信息，2018，33（5）：1-8. XU Q， MA Y， JIANG Q， et al. Estimation of rice leaf water content based on hyperspectral remote sensing[J]. Remote Sensing Information，2018，33（5）： 1-8.

[12] 劉璐，邵慧，孫龍，等.利用高光譜激光雷達檢測木材的霉變與含水量[J].激光技術(shù)，2023，47（5）：620-626. LIU L， SHAO H， SUN L， et al. Detection of mildew and moisture content in timber by hyperspectral LiDAR[J]. Laser Technology，2023，47（5）： 620-626.

[13] CHENG T， RIVARD B. Spectroscopic determination of leaf water content using continuous wavelet analysis[J]. Remote Sensing of Environment，2011，115（2）：659-670.

[14] YANG F F， LIU T， WANG Q Y， et al. Rapid determination of leaf water content for monitoring waterlogging in winter wheat based on hyperspectral parameters[J]. Journal of Integrative Agriculture， 2021，20（10）： 2613-2626.

[15] 王濤，白鐵成，朱彩蝶，等.基于近紅外光譜多種預(yù)處理的胡楊葉片含水量預(yù)測對比[J].西北林學(xué)院學(xué)報，2020，35（5）： 173-179. WANG T， BAI T C， ZHU C D， et al. Prediction and comparison of leaf water content of Populus euphratica based on multiple pretreatment of near infrared spectrum[J]. Journal of Northwest Forestry University，2020，35（5）： 173-179.

[16] ZHU X， ANDREW K， SKIDMORE， et al. Estimation of forest leaf water content through inversion of a radiative transfer model from LiDAR and hyperspectral data[J]. International Journal of Applied Earth Observation and Geoinformation，2019，74： 120-129.

[17] 彭要奇，肖穎欣，傅澤田，等.多光譜圖像的玉米葉片含水量檢測[J].光譜學(xué)與光譜分析，2020，40（4）：1257-1262. PENG Y Q， XIAO Y X， FU Z T， et al. Water content detection of maize leaves based on multispectral images[J]. Spectroscopy and Spectral Analysis，2020，40（4）： 1257-1262.

[18] 譚丞軒，張智韜，許崇豪，等.無人機多光譜遙感反演各生育期玉米根域土壤含水率[J].農(nóng)業(yè)工程學(xué)報，2020，36（10）：63-74. TAN C X， ZHANG Z T， XU C H， et al. Soil water content inversion model in field maize root zone based on UAV multispectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering，2020，36（10）： 63-74.

[19] 趙文舉，段威成，王銀鳳，等.基于敏感變量篩選的多光譜植被含水率反演模型研究[J].農(nóng)業(yè)機械學(xué)報，2023，54（9）： 343-351. ZHAO W J， DUAN W C， WANG Y F， et al. Multispectral vegetation water content inversion model based on sensitive variable filtering[J]. Transactions of the Chinese Society for Agricultural Machinery，2023，54（9）： 343-351.

[20] 李長春，施錦錦，馬春艷，等.基于小波變換和分?jǐn)?shù)階微分的冬小麥葉綠素含量估算[J].農(nóng)業(yè)機械學(xué)報，2021，52（8）： 172-182. LI C C， SHI J J， MA C Y， et al. Estimation of chlorophyll content in winter wheat based on wavelet transform and fractional differential[J]. Transactions of the Chinese Society for Agricultural Machinery，2021，52（8）：172-182.

[21] KOVAR M， BRESTIC M， SYTAR O， et al. Evaluation of hyperspectral reflectance parameters to assess the leaf water content in soybean[J]. Water，2019，11（3）：443.

[22] 西桂林，黃曉君，包玉海，等.雅氏落葉松尺蠖不同危害程度下林木冠層顏色高光譜判別[J].光譜學(xué)與光譜分析，2020， 40（9）：2925-2931. XI G L， HUANG X J， BAO Y H， et al. Hyperspectral discrimination of different canopy color in Erannis Jacobsoni Djak-infested larch[J]. Spectroscopy and Spectral Analysis， 2020，40（9）：2925-2931.

[23] XI G L， HUANG X J， XIE Y W， et al. Detection of larch forest stress from Jas’s Larch Inchworm （Erannis jacobsoni Djak） attack using hyperspectral remote sensing[J]. Remote Sensing， 2022，14（1）： 124.

[24] 黃曉君，頡耀文，包玉海.落葉松受雅氏落葉松尺蠖危害程度光譜檢測[J].光譜學(xué)與光譜分析，2018，38（3）：905-911. HUANG X J，JIE Y W，BAO Y H. Spectral detection of damage level of larch affected by Jas’s larch inchworm[J]. Spectroscopy and Spectral Analysis，2018，38（3）：905-911.

[25] CHENG T， RIVARD B， SANCHEZ-AZOFEIFA G A， et al. Continuous wavelet analysis for the detection of green attack damage due to mountain pine beetle infestation[J]. Remote Sensing of Environment，2010，114（4）： 899-910.

[26] RODRIGUEZ F， LIZARRALDE I， BRAVO F. Comparison of stem taper equations for eight major tree species in the Spanish plateau[J].Forest Systems，2015，24（3）：e034.

[27] 王延倉，張蕭譽，金永濤，等.基于連續(xù)小波變換定量反演冬小麥葉片含水量研究[J].麥類作物學(xué)報，2020，40（4）：503-509. WANG Y C， ZHANG X Y， JIN Y T， et al. Quantitative retrieval of water content in winter wheat leaves based on continuous wavelet transform[J]. Journal of Triticeae Crops，2020，40（4）：503-509.

[28] 李鎧，常慶瑞，陳倩，等.基于連續(xù)小波變換耦合CARS算法的冬小麥冠層葉片含水量估算[J].麥類作物學(xué)報，2023，43（2）： 251-258. LI K， CHANG Q R， CHEN Q， et al. Estimation of water content in canopy leaf of winter wheat based on continuous wavelet transform coupled CARS algorithm[J]. Journal of Triticeae Crops， 2023，43（2）： 251-258.

[29] 黃曉君.落葉松針葉蟲害地面高光譜識別及遙感監(jiān)測方法研究[D].蘭州：蘭州大學(xué)，2019. HUANG X J. Remote sensing identification and monitoring of larch needle pests based on ground hyperspectral data[D]. Lanzhou：Lanzhou University，2019.

[30] 李辰，王延倉，李旭青，等.基于小波技術(shù)的冬小麥植株組分含水率估測模型[J].農(nóng)業(yè)機械學(xué)報，2021，52（3）：193-201. LI C， WANG Y C， LI X Q， et al. Quantitative inversion of water content of plant components in winter wheat based on wavelet technology[J]. Transactions of the Chinese Society for Agricultural Machinery，2021，52（3）： 193-201.

[31] SUN H， LIU N， WU L， et al. Water content detection of potato leaves based on hyperspectral image[J]. IFAC PapersOnLine， 2018，51（17）：443-448.

[本文編校：羅 列]