基于多源遥感数据的森林虫害监测及驱动力分析

罗先轶 张永光,3

基于多源遥感数据的森林虫害监测及驱动力分析

罗先轶1,2张永光1,2,3

（1 南京大学国际地球系统科学研究所，江苏省地理信息资源开发与利用协同创新中心，南京 210023）（2 南京大学地理与海洋科学学院，自然资源部国土卫星遥感应用重点实验室，江苏省地理信息技术重点实验室，南京 210023）（3 南通智能感知研究院，南通 226000）

遥感监测可以及时、准确地监测森林虫害扰动的时空格局，并预测其暴发状况，为区域尺度的森林管理和政策提供指导。文章以加拿大不列颠哥伦比亚省为研究区，基于多源遥感数据，将LandTrendr算法（基于Landsat的干扰和恢复趋势检测算法）和随机森林（RF）分类器相融合识别了1999～2015年森林虫害的暴发区域与严重程度，分析其时空格局，解析了驱动虫害暴发蔓延的关键因子，以及森林生态系统对虫害暴发的响应机制。研究结果表明：1）通过样本点独立验证，提出的森林虫害扰动遥感方法识别准确率达87.1%，与航空调查数据识别准确率接近，森林虫害暴发具有明显时空分异特征；2）原生的虫害暴发地区，其前期的扰动历史或地形因素比其他因素更易造成虫害扰动；3）森林生态系统对虫害暴发的生理性响应早于结构性响应，未来可以利用森林的叶绿素荧光等生理指数来提早监测和预警森林虫害扰动发生。

森林虫害扰动 陆地卫星 干扰恢复趋势检测算法 随机森林 遥感监测

0 引言

森林在水土保持、碳固定等方面发挥着重要作用，是气候调节的关键因子[1]。全球气候变化和人类活动引起的森林扰动严重影响着森林生态系统的组成、结构和功能，削弱了其生态服务功能[2]。森林虫害扰动具有显著的生态和经济影响，会影响森林生态系统生产力以及木材供应，因此在林业管理中必须考虑森林虫害暴发的影响[3]。通过卫星遥感技术捕捉森林虫害的扰动信号，解析驱动虫害暴发蔓延的关键因子，为进一步研究虫害暴发引起的森林生态结构和功能变化及对全球碳循环的影响奠定了坚实基础，对指导潜在虫害暴发风险区适时采取防控措施，实现更有效的森林有害生物管理具有重要的理论和实践价值[4]。

随着航天遥感技术的快速发展和遥感数据的不断增加，遥感技术已经被广泛应用于森林虫害扰动监测[5]。自美国地质调查局（USGS）开放共享Landsat系列卫星数据以来，基于Landsat时间序列堆栈（LTSS）的变化检测算法得到迅速发展[6]，例如分离趋势和季节项的突变点方法（BFAST）[7]、基于Landsat的干扰和恢复趋势检测（LandTrendr）[8]、植被变化追踪算法（VCT）[9]和连续变化检测和分类算法（CCDC）[10]。其中LandTrendr算法可拟合时间序列中每个像元的光谱指数，根据F检验的值选择最合适的回归模型对时间序列进行分割，提取时间序列中指数的变化趋势，不仅可以捕捉到长期缓慢的森林变化，还可以检测出突变趋势，具有良好的适用性[10]。早期LandTrendr使用归一化燃烧率植被指数（Normalized Burn Ratio，NBR）检测其最大变化幅度，从而确定森林扰动情况[12]。然而单一的植被指数不能充分表征森林扰动，科恩等人确定了6个与森林扰动相关的重要因素，包括NBR、绿色波段（Band 2）反射率、短波红外波段（Band 5）反射率、缨帽变换得到的绿度分量（TCG）、亮度分量（TCB）和湿度分量（TCW），验证了使用多个指数的集成堆栈可以改良森林扰动检测[13]。

本研究基于Landsat的16个波段以及光谱指数，将随机森林机器学习（RF）方法与LandTrendr算法融合应用于森林虫害扰动监测，并对遥感监测结果与各种地理、环境、生理因子进行分析，解析驱动森林虫害暴发蔓延的关键因子以及森林生态系统对虫害暴发的响应机制，为森林虫害的预警预测和全球气候变化下森林虫害的管理策略提供技术支撑。

1 研究区与数据

1.1 研究区概况

本文选取位于加拿大不列颠哥伦比亚省东北部的麦肯齐木材供应区（Mackenzie Timber Supply Area）作为研究区，其地处54°52′～58°40'15″ N，122°14'51″～127°40'20″ W之间，面积为641×104hm2，是加拿大奥米内卡地区的两大木材供应区之一。其中木材采伐基地占地150×104hm2，约占研究区面积的23%。地势平缓的落基山峡谷贯穿南北，东侧是崎岖的落基山脉，西侧是奥姆内卡山脉，威利斯顿水库位于中部。尽管研究区山区河谷地形多样，具有独特的生态特征和生物多样性，但该区域森林比较均质，主要由黑松、云杉、亚高山冷杉和几种落叶树种构成。在低海拔地区，森林主要由杂交白云杉、黑松、高山冷杉和北方黑云杉构成，其中平坦地区的森林主要由杂交云杉和黑松构成；高海拔的山顶覆盖高山灌木、草本植物、苔藓和地衣。由于西部太平洋、高原大陆气团和东侧落基山脉影响，研究区大陆性气候明显，盛行从太平洋来的潮湿、温暖的气流。该地区森林虫害最早在20世纪90年代出现，于2005年迅速蔓延。以2012年为例，研究区（1.2～1.4）×108m3的成熟松树中约有8 000×104m3已发生虫害扰动。

1.2 卫星遥感数据预处理

本研究使用谷歌地球引擎（Google Earth Engine，GEE）云计算平台提供的Landsat TM/ETM+/OLI影像，提取了表1中1999～2015年2 304景影像生成时间序列堆栈，利用Fmask算法对云、云阴影和雪进行掩膜，最大程度减少物候和太阳入射、传感器观测几何变化的影响[14]。由于Landsat-8 OLI比Landsat-7 TM/ETM+具有更高的辐射分辨率（12bit），本文利用了这两个传感器光谱值之间的统计协调函数对反射率进行归一化[15]，接着进行提取年集合的中位反射率值，构建了具有最小云量图像的17年合成图。

从年度影像集中提取波段1–5和波段7的光谱反射率，计算对植物光合作用和叶片含水量等敏感的9个光谱指数，见表2。由于冬季的光谱指数有利于捕捉常绿针叶林的生长信号并确定树木的生长状况[16]，本研究还计算了冬季（12月1日至4月1日）去除雪影响后的归一化植被指数（NDVI）。

表1 森林虫害扰动遥感监测与虫灾响应机制分析所使用数据集

1.3 参考数据

本研究共收集807个样本点，其中砍伐样本点173个，火灾样本点165个，落叶虫样本点144个，树皮甲虫样本点182个，无扰动样本点143个，以用于随机森林算法的训练和分类结果验证，具体分布如图1所示。样本点的选定依靠5种数据，分别为：不列颠哥伦比亚省森林病虫害扰动的年度航空调查数据、加拿大森林火灾数据、加拿大森林采伐数据和Google Earth Pro平台上的高分辨率卫星影像。考虑到航空调查数据勾画的单个区域较大以及虫害和树木响应的异质性和短暂性，本研究没有直接使用航空调查数据作为样本点，而是将航空调查数据作为参考，在Google Earth Pro平台的高分辨率卫星影像上直观目视解译选择样本点。

表2 LandTrendr算法使用的波段/光谱指数及其长时间序列影像集

注：1）若长时间序列影像集未经过空间分割，则命名为（波段/光谱指数）_Unseg；若长时间序列经过空间分割，则命名为（波段/光谱指数）_Seg+像元间距。

1.4 虫害发生驱动因子数据

本研究使用宿主物种、地形和邻域传播三类相关变量进行驱动因素分析。对于宿主物种变量，选择了30m分辨率的冠层覆盖数据和植被树高数据。对于地形变量，选择了航天飞机雷达地形任务（SRTM）提供的数字高程模型（DEM）数据，并计算海拔、坡度、坡向和地形耐用指数，因为坡度影响山坡上树冠之间的距离，从而影响森林害虫传播，而坡向影响温度，最终会影响森林虫害的蔓延。地形耐用指数越高，森林害虫在开阔的地面上飞行的更快更长。对于邻域传播变量，周围受感染的树木越多其感染的可能性更大，本研究将每个像元周围受感染像元的加权总和作为对相邻像元状态依赖性的度量[20]。解释邻接效应的基本方程为：

图1 研究区样本点分布

2 研究方法

本文基于GEE云计算平台将随机森林机器学习算法与LandTrendr算法相结合，发展了一套森林虫害扰动遥感监测方法。总体技术流程包括：1）扰动信号提取；2）决策树扰动监测；3）随机森林算法二次分类；4）后处理和精度评价；5）驱动因素分析。具体技术路线如图2所示。

图2 森林虫害扰动遥感监测技术路线

2.1 扰动信号提取

LandTrendr是一组光谱－时间分割算法。该算法从Landsat中提取光谱指数，生成基于轨迹的光谱时间序列数据，然后检测轨迹中的扰动时间、扰动幅度和扰动持续时间。LandTrendr变化检测算法如图3所示，其实现包括以下几个步骤：1）去除尖峰，去除由云、雪和云阴影引起的噪音；2）识别潜在的分割点，选择与最小二乘一阶回归线的绝对偏差最大的点作为潜在分割点；3）拟合光谱轨迹，分割点确定后，通过一系列拟合方法确定每个分割点的光谱指数值，从而形成整个时间序列的连续光谱指数轨迹；4）简化并选择最佳模型，根据F检验统计量的值选择最佳分割模型[21]。

图3 LandTrendr变化检测算法示意

由于LandTrendr是一种基于像元的算法，其不包含每个像元周围区域的空间上下文信息[22]。当研究对象超过单个像元的区域时，空间分割可以减少均质区域中存在的高频噪声，从而生产出更准确、一致的产品。为了让LandTrendr算法提取扰动信号中融入空间背景信息，本研究使用简单非迭代聚类（SNIC）超像元分割方法，在光谱-时间分割之前生成每个波段/光谱指数的年度空间平滑影像。针对Landsat的16个波段/光谱指数的年度时间序列影像集，本研究在三个不同的空间尺度（5、10和20像元间距）上使用SNIC空间分割算法，开发出64个新的年度时间序列影像集（如表2所示），具体包括：1）16个原始未分割的年度时间序列影像集；2）5像元间距空间分割的年度时间序列影像集；3）10像元间距空间分割的年度时间序列影像集；4）20像元间距空间分割的年度时间序列影像集。其中20像元间距的SNIC平滑年度时间序列影像集可创建相对较大的同质对象，而5像元间距的影像集则保留了较多的细节。

本研究使用上述64个年度时间序列影像集进行LandTrendr算法分析，根据文献[23]中提供的默认值，对LandTrendr算法的max_segments(6)，spike(0.9)，pval(0.05)和recovery_threshold(0.25)等参数进行了测试和修改。最终，输出这64个波段/光谱指数年度时间序列的扰动时间、扰动持续时间和扰动幅度。

2.2 决策树算法扰动监测

虽然本研究使用辅助数据来减少火灾和木材采伐对虫害遥感监测的影响，但这些数据不包括一些较小的火灾事件或未记录的采伐。火灾、木材采伐造成的光谱变化幅度通常更为显著，持续时间更短，虫害引起的波段/光谱指数变化率通常比火灾、木材采伐造成的波段/光谱指数变化率低。因此，本文进一步通过分类与回归树算法（CART决策树）排除明显比虫害引起的波段/光谱指数变化率更大的扰动。

图4 不同扰动类型下最大扰动段Band 7地表反射率的变化率

对于每个波段/光谱指数及其空间分割组合，本文计算了326个虫害样本点LandTrendr识别的最大扰动段光谱变化率（最大扰动段的扰动幅度与扰动持续时间的比值），并与173个砍伐样本点和165个火灾样本点的变化率进行比较。以短波红外波段为例，图4展示了森林虫灾、火灾、木材采伐三种不同扰动类型下最大扰动段的短波红外波段地表反射率的变化率差异。使用四分位法进行异常值处理，将大于虫害变化率的上四分位数加上1.5倍的四分位数间距之外的扰动段作为异常值排除，从而排除研究区域内许多火灾和木材采伐扰动事件。

2.3 基于随机森林算法的森林虫害二次分类

在大多数基于LandTrendr算法的研究中，文献[24]已证明NBR对森林虫害扰动敏感，文献[25]使用NBR与缨帽变换的绿度、湿度、亮度分量来绘制森林虫害扰动情况。经过2.1节LandTrendr变化检测算法的64个波段/光谱指数及其空间分割组合总共有64个输出，然而每个输出并不能在所有研究时段内都检测到森林虫害扰动。因此本研究将这64个LandTrendr输出结果整合为一个集合，并将随机森林分类器作为二级分类模型，进一步监测森林虫害。

本文构建了一个随机森林模型，将样本点与64个因子变量联系起来。使用随机森林变量选择算法（VSURF）确认14个预测变量，并使用“rfUtilities”包检测多重共线性。图5展示了确认的14个预测变量的采样分布，其中紫色密度图是虫害样本点的分布密度，橙色密度图是无扰动样本点分布密度。使用“ranger”包将VSURF 选择的预测变量拟合出最终的随机森林模型，并在“caret”包中使用十折交叉验证实现超参数优化。所有变量选择、模型拟合、验证和空间绘制均使用R语言完成。基于十折交叉验证，随机森林模型的分类准确率为90.75%，Cohen’s Kappa系数为0.755 3。整体而言，本随机森林模型可以较好地监测整个研究区森林虫害扰动发生情况。

2.4 驱动因素分析

为了确定森林虫害扰动的影响因素，本文采用随机森林模型分析了研究区森林虫害的驱动因素。随机森林模型决策树节点变量的选择和阈值的确定，通常基于置换检验和最小基尼（Gini）系数这两种决策方式，本研究选取最小Gini系数法。Gini系数是一种对系统熵的有效近似，对于决策树这种二分结构，其节点的Gini系数()的计算方法为：

图5 VSURF选择的预测变量的采样分布

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

3 研究结果

3.1 森林虫害扰动监测精度评价

选用模型训练时保留的独立数据样本作为验证点，随机抽取研究区域内1 000个像元点来评估研究区森林虫害遥感监测精度。使用谷歌地球的高分辨率影像进行视觉标定，确定每个验证点的扰动情况，将标定情况分别与算法监测结果、航空调查结果（AOS）进行比较，计算出虫害扰动的用户、生产者、整体准确度和Kappa系数。对于算法监测，虫害扰动的生产者和用户准确率分别约为81.49%和82.63%，总体准确度和Kappa系数分别约为87.1%和0.72。对于AOS产品，其总体准确度和Kappa系数分别为90.6%和0.79，这表明AOS产品与本文监测算法的结果非常匹配，具体精度评估对比结果见表3。总体而言，本文提出的LandTrendr和RF相融合的方法可以充分监测森林虫害扰动发生情况。

3.2 森林虫害扰动时空格局特征

研究区1999～2015年受虫害扰动的森林面积为15 710.57km2，约占其森林总面积（22 994.57km2）的68.32%。年虫害扰动面积范围由最小5.83km2（2001年）增加到最大4 454.73km2（2009年）。1999～2005年的年均扰动面积为37.48km2，2005～2010年为2 349.95km2，而2011～2015年为739.69km2，存在明显年际波动（图6）。研究区虫害扰动的时间动态显示虫害的大面积暴发始于2005年，至2009年达到顶峰，之后虫害的扰动迅速下降，这可能与木材供应区针对虫害暴发的森林管理有关。

表3 基于验证采样点和航空调查数据的监测精度评价结果

图6 2000～2015年研究区森林虫害监测结果时空变化

监测结果表明，森林虫害扰动主要发生在森林与非森林的过渡区，尤其是森林边缘。虫害扰动集中在黑松优势区、低海拔的花旗松优势区和中高海拔的山地云杉区。该地区也遭受过密集的采伐和火灾。中部的森林虫害扰动比东南、西北部更广泛，表现出更大的斑块（图6）。此外，虫害扰动更容易在已被扰动的地区附近再次发生。

图7 森林虫害扰动重心与标准差椭圆分布

图6的监测结果显示，1999～2015年森林虫害的扰动重心持续移动，这表明期间虫害不断地转移蔓延。1999年扰动重心位于奥米尼卡省立公园附近，2001年则向西北移动，偏移距离适中，这表明正常年份，轻度的虫害有向中部蔓延的趋势。2002～2005年虫害扰动重心向东南方向长距离移动，2005年为最东偏移点，这种重心东移可能是干旱影响带来的异常现象。2007～2015年虫害扰动重心则持续向西北方向移动，可能是西北方向的植被以及地理条件更适合虫害的蔓延与传播，最终2015年扰动重心到达芬莱－罗素保护区。总体而言，森林虫害扰动处于不稳定趋势，重心持续移动，在干旱年份扰动低谷期主要向东南偏移，到达虫害暴发高潮期后扰动重心持续向西北方向中部偏移。

对虫害扰动方向分布（标准差椭圆）计算分析，可以揭示森林虫害扰动传播的中心趋势、离散和方向趋势。2000年、2005年、2015年和2020年虫害扰动的空间差椭圆分析模型如图7所示，图中椭圆的长轴表示侵染源传播的主要方向，短半轴表示侵染源分布的范围。短半轴越短，长半轴越长，表示数据的向心力越明显，即传播扩散距离越长；反之，短半轴越长，长半轴越短，表示数据的离散程度越大，即传播蔓延扩散范围较广。该图显示，2000～2005年虫害扰动标准差椭圆空间上小于2005～2010年，表明2005～2010年扰动空间差异不明显；2005～2010年扰动标准差椭圆靠中部且扁平，表明中部虫害扰动快速加重且集中；2010～2015年扰动标准差椭圆靠西北，表明西北部虫害扰动加重；1999～2015年虫害扰动传播方向稳定，标准差椭圆均呈东南－西北分布，虫害一直是东南－西北向传播。

3.3 森林生态系统对虫害扰动的响应

生态系统植被指数的变化特征可以揭示植被活动对扰动的响应规律。生态系统响应的传统植被指数多为结构指数，如NDVI、叶面积指数（LAI）、光合有效辐射吸收比率（FPAR），这些指数会随着冠层结构的变化而变化。但对由水、热或光照等引起的日尺度的植被叶片生理性变化并不敏感，仅能够在长时间尺度上反映出植被功能的变化。日光诱导叶绿素荧光（SIF）包含了植物生化、生理和代谢功能以及植被吸收的光合有效辐射的信息，比传统植被指数对环境变化具有更高的敏感性，对森林生态系统虫害具有很强的响应能力。

本研究使用表1中MOD13Q1、MCD15A3H和GOME-2 SIF数据提取研究区的NDVI、LAI、FPAR和SIF数据，并计算各指数2009年月度平均值、2010～2018年多年平均值。研究区2009年虫害暴发时期MODIS-NDVI、MODIS-LAI、MODIS-FPAR、GOME2-SIF的季节性周期变化如图8所示。可以看出，2009年3月SIF和FPAR开始响应森林虫害时，NDVI和LAI的卫星观测值高于多年平均值；4月份LAI和SIF出现明显异常，距平百分比超过40%；NDVI从4月份开始对虫害表现出轻微的负面响应并持续到7月份；生理指数SIF与结构指数NDVI、LAI相比，显示出早于一个月的明显响应，可能在森林虫害感染初期，病虫先影响树木的生理和代谢，进而再蛀干树叶影响树木的结构。作为植被光合作用动态变化的指针，SIF表现出更大的降低距平百分比，表明森林生态系统光合作用对虫害扰动有着强烈的响应，虫害对树木的光合作用等生理功能的影响显著。分析显示SIF可以迅速捕捉森林虫害扰动对森林影响的动态变化，并且在幅度和时间变化上比传统的结构植被指数（如NDVI）对虫害扰动的响应更敏感。因此，最新的植被SIF遥感在监测预警森林虫害的及时性和准确性方面具有巨大潜力。这些结果也表明，森林生态系统的生理响应早于结构响应；虫害感染初期，病虫破坏树木循环系统和光合系统阻止营养物质流经树木，树木结构上未作出响应，随着感染的加重，树木出现枯黄、落叶等结构性响应。

图8 2009年NDVI, LAI, FPAR, SIF季节性周期变化与各月距平

3.4 森林虫害扰动驱动因素分析

森林虫害的传播和扩散在很大程度上受制于寄主的分布、越冬条件、地理阻隔等环境要素。图9表明，研究区森林虫害主要侵染海拔1 000～1 400m和坡度5°～15°的地区，其中坡向南和东南（向阳坡）的区域比坡向北和西北（背阴坡）的区域观察到的虫害扰动少，500～1 200m的中低海拔、低坡度、西和西南坡向地区森林虫害扰动发生率较高。

图9 不同地形因素下森林虫害面积分布与森林虫害面积年际变化

进一步，本文利用随机森林回归模型，将地形、植被和邻域传播等变量与监测到的森林虫害年度变化关联起来，基于最小Gini系数法确定影响因素及其相对重要性，分析了影响森林虫害扰动的主要影响因子。森林虫害扰动可以通过模型中选择的预测因子来解释，比如邻域传播、坡向以及海拔等。本文将周围被感染像元和代替邻域传播，基于4种不同的加权方式的4种变量来表征邻域传播。图10为驱动因素重要性排序，相对重要性越高说明该驱动因子的影响力越大。分析结果显示：在选定的预测因子中，周围被感染像元的相对重要性最高，说明邻域传播严重影响森林虫害侵染；其次是地形变量，而冠层覆盖度在驱动因素分析模型中最不重要。这一结果表明，在原生的森林虫害暴发地区，前几年的扰动历史或地形因素比其他因素更重要，更容易造成未来森林虫害发生。

随着气候变化和干旱等极端气候事件加剧，全球范围内森林虫害暴发将会增加，进而导致巨大的生态破坏和经济损失。因此，研究森林虫害驱动因素对于改善预警和缓解这种风险至关重要。驱动因素分析以空间明确的方式定量监测环境驱动因素和森林虫害扰动之间的因果关系，可用于早期监测，以改善对森林虫害扰动的管理。利用驱动因素分析中与当地森林虫害传播显著相关的因子进行及时的遥感监测，可以预测高度潜在的扰动地点，便于当地森林管理者及时采取相应管理措施限制虫害传播，最大限度地减少扰动的发生。

图10 影响森林虫害扰动的主要驱动因子重要性排序

4 结束语

本文基于GEE云计算平台，融合多种不同遥感数据源进行数据重建，以光谱－时间分割算法与随机森林算法相融合为手段，完成了区域内森林虫害的范围和严重程度的绘制，提出了一套系统的基于云计算的森林虫害遥感监测方法。监测结果后续分析表明，森林生态系统对于虫害的生理响应早于结构响应，邻域传播是森林虫害扰动的最重要的驱动因子。当然，本文提出的方法可能存在一定局限性，未来将在以下两个方面进行拓展：1）随着SIF遥感卫星数据的增多和时空分辨率的提高，将进一步融合SIF遥感数据改进本文提出的监测方法，从而更及时、准确的监测预警森林虫害扰动；2）不同区域的森林虫害扰动驱动因素不同，可以将驱动因素与光谱监测方法结合，预测判断森林虫害传播蔓延方向与距离，为未来可持续森林管理提供重要技术方法。

[1] 王兵, 任晓旭, 胡文. 中国森林生态系统服务功能及其价值评估[J]. 林业科学, 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] 孙清琳. 森林管理方式及扰动对森林生态系统结构和功能的影响[D]. 北京: 北京林业大学, 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

国家重点研发计划项目（2019YFA0606601）

罗先轶, 张永光. 基于多源遥感数据的森林虫害监测及驱动力分析[J]. 航天返回与遥感, 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)

罗先轶，男，1999年生，目前为南京大学资源环境遥感专业在读硕士研究生。研究方向为森林植被遥感。E-mail：MG20270111@smail.nju.edu.cn。

（编辑：夏淑密）