Print

出版日期: 2016-07-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20165299
2016 | Volumn20 | Number 4





                              上一篇|





下一篇
遥感应用
油松毛虫灾害遥感监测及其影响因子分析
expand article info 朱程浩 , 瞿帅 , 张晓丽
北京林业大学 林学院, 精准林业北京市重点实验室, 北京 100083
收稿日期: 2015-12-08; 修改日期: 2016-03-19; 优先数字出版日期: 2016-07-25
基金项目: 国家林业局林业公益性行业科研专项（编号：201404401）
第一作者简介: 朱程浩(1993-),男,硕士研究生,现从事森林病虫害遥感监测应用研究。E-mail:jhstudent@126.com
通讯作者简介: 张晓丽(1967-),女,教授,主要研究森林遥感、森林参数反演、林业灾害动态监测等。E-mail:zhang-xl@263.net
中图分类号: TP79
文献标识码: A
文章编号: 1007-4619(2016)04-0653-12

摘要

辽宁西部大面积的油松（Pinus tabulaeformis）人工林长期受到油松毛虫（Dendrolimus tabulaeformis）的危害，通过遥感技术，可以及时、高效、精准地对此大面积灾害进行监测，并获知地形、气象因子对其的影响。本文利用遥感和地理信息系统（GIS）技术，使用TM、ETM+数据，通过近红外与红光波段反射率的比值RVI，对油松的受灾程度进行了有效监测。前人的研究发现：油松毛虫易在干燥、温暖的环境爆发，本文将监测分类结果与地形、气象数据叠加后，分析发现结果亦与油松毛虫的生物学特性相吻合，由此逆向证明了监测结果的可靠性。通过对影像灰度直方图的分析，发现近红外波段对轻度的虫害敏感；红光波段对重度的虫害敏感。对影响因子的分析发现：油松毛虫在阳坡，坡度缓的地区危害更剧烈；在日照时数长、降雨少、积温低的地区，油松的受灾程度更重。此结论为预测虫害爆发的概率提供了依据。本研究表明：在森林灾害的遥感工作中，利用监测对象的生物生态学特性，可以在实地调查数据不足，难以直接对监测结果进行评价的情况下，判断结果的可靠性。利用此方法，一定程度上可以减少调查的工作量，降低外业的难度。

关键词

遥感 , 油松毛虫 , 监测 , 空间分析 , 生物学特性

Dendrolimus tabulaeformis disaster monitoring and analysis of its influencing factors through remote sensing technology
expand article info ZHU Chenghao , QU Shuai , ZHANG Xiaoli
Beijing Key Laboratory of Precision Forestry, Forestry College, Beijing Forestry University, Beijing 100083, China

Abstract

Considering that a large area of Pinus tabulaeformis suffers from Dendrolimus tabulaeformis in West Liaoning, this study monitored Dendrolimus. tabulaeformis disaster promptly, efficiently, and precisely through remote sensing technology. Information on the influencing factors, such as geography and meteorology, was collected to provide a reference for future prediction. This study adopted the method of Thematic Mapper (TM), Enhanced TM Plus data source, and Geographic Information System technology to examine the image gray histograms of injured Pinus tabulaeformis with various damage degrees and monitor the damage degrees by using the Ratio Vegetation Index (RVI)[near infrared(NIR)/red]. To analyze the imposing factors, the classification results from RVI analysis were overlapped with geography and meteorology statistics, with cross reference to previous studies on the biological characteristics of Dendrolimus tabulaeformis. By analyzing the image gray histograms, this study determined that in the Pinus tabulaeformis spectrum, the NIR band shows high sensitivity to mild infection, whereas the red band shows high sensitivity to severe infection. Therefore, using RVI, which combines the two bands, prompts the disaster monitoring. The monitoring results are in accordance with the biological characteristics of Dendrolimus tabulaeformis, which prefer dry and warm environments, thus proving the efficiency of the remote sensing monitoring. For the factors that influence the damage, Dendrolimus tabulaeformis prefers south gentle slopes. Areas with long sunshine time, minimal rain, and low accumulative temperature suffer from severe damage. This finding provides a basis to predict the probability of disaster outbreak. By applying a novel converse method to test the reliability and accuracy of monitoring results, this study showed that researchers could take advantage of the biological and ecological characteristics of remote sensing objects to assess the reliability of results when forestry damage field investigations are lacking and there isno access to fieldwork sample statistics to estimate the monitoring results. This procedure could reduce the load and difficulty of field investigations.

Key words

remote sensing , Dendrolimus tabulaeformis , monitor , spatial analysis , biological characteristics

1 引 言

森林占全球陆地30%的面积，是生物多样性的基础。森林生态系统为人类提供了宝贵的生物资源，具有涵养水源、调节气候、储备CO2等功能。第八次全国森林资源清查显示森林面积2.08亿ha，覆盖率21.63%，总面积居世界第5，人工林面积居世界首位。中国森林覆盖率低，人均占有森林资源少，但中国又是世界上森林病虫害发生较为严重的国家。中国有森林病虫害8000多种，严重危害的有200多种(潘宏阳，2002)，其中松毛虫的发生面积广，是危害森林重大的害虫(曾菊平等，2010)。松毛虫属全球共30余种，中国有27种，主要危害松、柏、杉等重要森林树种，对中国森林资源造成了巨大的破坏(侯陶谦等，2000)。松毛虫大面积爆发时，松林“如遭无烟火灾”，针叶全部被啃食，树木生长受阻甚至死亡，严重威胁森林生态系统的健康(陈昌洁，1990；侯陶谦等，2000)，因此，松毛虫一直是森林保护、林业生产的重点防治对象。

森林病虫害的监测和防治任务重大，但传统的人工调查监测方法不便于及时、全面地掌握灾情，造成防治失时，产生巨大损失(武红敢，1995)。遥感技术的出现，使得在大范围，快速准确地进行森林病虫害监测成为可能。遥感技术，能够获得森林空间和光谱信息，反演出森林的各种生物参数。利用遥感影像能够快速地识别林木的健康程度，并且与传统的样地调查相比，成本更低(Pouliot等，2002; Coops等，2009; Woodall等，2010)。

国内外学者在森林病虫害遥感方面已做了相关研究。Vogelmann和Rock(1989)使用TM数据监测由梨带蓟马引起的阔叶树灾害，认为用TM的Band5/Band4、Band5、Band3做红绿蓝合成，可以判断严重和轻的受害区域。Vogelmann(1990)用TM数据研究美国挪威云杉灾害时，认为SWIR/NIR(短波红外/近红外)比值可以较好地区分针叶林灾害，而NDVI指数则对阔叶林灾害的监测更为有效。Nakane和Kimura(1992)利用TM数据估计了松林枯萎灾害，认为Band4/Band3比值与林冠覆被的变化呈负相关。武红敢等人(1994，1997)认为TM的Band5/Band4比值适合于低叶面积指数的森林病虫害监测，而Band4/Band3比值更适合高叶面积指数的植被监测。Vogelmann和Rock(1986)、Vogelmann和Rock(1988，1989)以及Vogelmann(1990)的多年研究表明：短波红外与近红外的比值综合反映了相互关联且密不可分的3个植被参数：生物量、灾害、水分含量。

对大范围森林进行监测时，用Landsat系列卫星的免费数据更为合适。但在监测结果的精度检验时，需要大量的外业调查数据，此过程需投入大量的资源。并且病虫害的爆发集中在较短时期内，需在该时段内对大面积的森林进行调查，具有一定难度。

本研究的目的在于降低森林病虫害的外业调查难度，利用森林病虫害的生物生态学特性，逆向的对监测结果的精度进行检验。病虫害的爆发与气象、地形等因子有着密切关系，利用病虫害研究中相关的先验知识，与地理信息系统(GIS)强大的空间分析功能相结合，对监测的结果与气象、地形等因子进行叠加分析，最后得到明显符合病虫害生物学特性的结果，则证明了监测结果可靠。并且利用地理信息系统(GIS)的空间分析功能，可以借助大范围的空间数据，得出病虫害更多的生物生态学特性，这是传统森林调查方法较难实现的，因此本文研究结果可为将来预测森林病虫害的爆发提供可靠依据。

2 研究区及数据集

2.1 研究区

研究区为辽宁西部的建平县与凌源市(118°50′E—120°3′E，40°36′N—42°23′N)(图 1)。其海拔300—1000 m，坡度集中在0°—20°，地势平坦。气候由暖温带半湿润过渡到温带半干旱，年降雨量400—700 mm，年平均气温6—10℃。森林的主要树种有侧柏、山杏、黄榆、樟子松、油松等。其中的油松人工林分布广泛，占总针叶林面积的90%以上，号称亚洲最大的油松人工林，达686 km2，但因树种单一，受到油松毛虫的危害日趋严重(董厚德，2011)。1983年至今，森防站每年进行着测报与防治工作。1996 年—2001年油松毛虫发生面积为12万 hm2/a，年均直接经济损失340万元(李艳杰，2008)。


图 1 研究区的地理位置和油松分布范围
Fig. 1 Location of research area and range of Pinus tabulaeformis

2.2 数据集

2.2.1 遥感数据

所用的TM、ETM+影像数据在美国地质勘探局USGS(United States Geological Survey)网下载，影像获取的时间分别为：1985-09-06、1989-04-10、2000-05-02、2000-06-19、2000-07-13、2000-08-14、2000-09-07、2001-04-03、2001-08-09。条带号为：WRS_PATH=121、WRS_ROW=031。

2.2.2 地形、气象数据

油松毛虫灾害与地形、气象因子密不可分。本文分析了坡度、坡向，和多年平均日照时长、降雨量、6℃活动积温对虫害的影响。

地形因子中坡度、坡向数据由数字高程模型(DEM)计算而来。DEM为中国科学院计算机网络信息中心国际科学数据镜像网站(http://www.gscloud.cn)的ASTER GDEM V2全球数字高程数据，分辨率为30 m。

气象数据源自中国气象科学数据共享服务网(http://cdc.nmic.cn)，为1981年—1985年、1996年—2001年间的气温日值、降雨月值、日照时数月值数据。气象专题图由研究区附近11个气象站点，采用反距离权重插值方法(IDW，权重指数n=2)而成。

2.2.3 其他数据

建平县油松毛虫灾害发生防治数据：1983年—2013年间历年的油松毛虫发育各阶段时间、上下树进度情况、样地的虫口密度，受灾情况以及防治措施等资料。

光谱实测数据：2014年7—9月份健康、发黄、枯死油松针叶的光谱反射曲线数据。样地内无法直接测定冠层光谱，选择在正午时分，于样地内钩取足量油松针叶，就地平铺使用ASD FieldSpecHandHeld光谱仪测定，测得波长范围为325—1075 nm。

3 数据处理与方法

文中识别灾害程度的方法是提取虫灾轻、中、重年份，影像中油松区域，对比其红光和近红外波段反射率直方图，分析变化，并选择合适的植被指数划分灾害等级。

遥感监测、分类后，对结果的精度评价是必需的。传统评价方法需花费大量人物力获取实地数据，如样地调查，但是存在：较难将灾害程度数量化表示；虫害的爆发快，调查时间有限等问题。

为此，本文用逆向的方式对结果评价。森林病虫害发生具有特定的生物性，如：油松毛虫喜温暖干燥的环境，降雨对其有抑制。故将病虫害分类结果与影响因子(坡向、降雨等)叠加，统计分析的结果若符合其生物学特性，可逆向证明分类结果的可靠性，分类方法的有效。

3.1 影像预处理及油松区域提取

本文所用Leave1T的TM、ETM+影像经过辐射定标和大气校正(利用ENVI的FLAASH模块)。

油松属常绿树种，常用春季影像的归一化植被指数NDVI来提取范围。根据建平县小班数据，常绿树种的面积中油松林占94.88%，樟子松占4.34%，其他占0.77%，油松占主体，故本文假设研究区所有常绿树为油松(区分树种较难)。1985年油松范围使用1989-04-10的TM影像，NDVI大于0.25提取； 2000年2001年的油松范围使用2001-04-03的ETM+影像，NDVI大于0.36提取。NDVI阈值的确定采用假彩色影像上像元NDVI对比的方法，在影像上目视解译，均匀选取多处油松像元，最小NDVI为阈值。由于1985年的油松树龄比2000年的小，对应相同油松的范围，其NDVI阈值更小。将2001年提取的油松范围与2010年建平县油松小班矢量进行对比，发现大部分被小班覆盖，即提取正确，仅少数区域由于期间林区变动造成差异，证明利用NDVI提取油松的范围准确度较高。

3.2 油松光谱随月份变化特征

影像上油松光谱不仅受虫害的影响，而且油松本身随季节生长，光谱也会变化。因此对光谱随着季节变化的分析很必要，本文选择对植被健康最为敏感的红光与近红外波段分析。根据油松毛虫生活史，6月—7月老熟幼虫的危害最重，灾害影响最大。

用2000年中5月—9月TM和ETM+的影像，绘制了油松红光、近红外的灰度直方图(图 2)。其中5月—6月红光的反射率降低，近红外的升高，因为此时油松自然生长，变得健康；6月—7月红光的升高，近红外的降低，受虫害加重所致；7月—8月红光和近红外的都显著下降，因为油松受害最为严重，并伴随着油松嫩叶的新生，此时反射率的显著下降是虫害与季节变化同时作用的结果，不能仅依此监测；8月—9月的光谱差异不大，因为油松毛虫进入化蛹期，松树所受危害结束，树木的生长影响也不大。故8月—9月是遥感监测当年油松毛虫害爆发程度的有效时期。


图 2 受害油松林遥感影像中红光波段与近红外波段灰度直方图的季节性变化
Fig. 2 Seasonal change of Red & NIR bands gray histograms in Pinus tabulaeformis infection images

3.3 油松毛虫灾害轻、中、重年份的影像选取

不同年份对比影像选取时需考虑受灾程度、油松光谱季节性变化、影像质量。

(1) 受灾程度：由1983年以来油松毛虫发生防治资料，将每一年灾害划分成轻、中、重三级(图 3)，选出各级的年份。(2) 季节性因素：通过影像光谱随月份变化特征的分析，选择8月—9月的影像。(3) 影像质量：影像受大气条件限制，云层遮盖，质量差的影像不可用。


图 3 建平县1985年—2013年油松毛虫灾害的严重程度变化情况
Fig. 3 Change degree of D.tabulaeformis disaster between 1985 and 2013 in Jianping country

综合考虑后，选择了3期影像：重灾的1985-09-06的TM影像，中灾的2000-09-07的ETM+影像，轻灾的2001-08-09ETM+影像。

3.4 不同健康程度油松的光谱对比

在研究区样地内采集了足量健康、发黄、枯死的油松针叶，使用ASD FieldSpec HandHeld光谱辐射计分别对其反射光谱曲线进行测量，如图 4所示。随受害的加重，0.38—0.52 μm范围，反射率升高；0.52—0.57 μm范围，反射率降低；0.58—0.71 μm范围，反射率升高；0.71—1.05 μm范围，反射率降低。


图 4 不同健康程度的油松针叶光谱反射曲线对比
Fig. 4 Comparison of spectral reflectance curves of Pinus tabulaeformis needles in different health conditions

其中红光、近红外波段的变化最显著。对1985-09-06、2000-09-07、2001-08-09三期研究区影像，提取油松范围，并绘出其红光、近红外的反射率直方图(图 5)。从中发现，红光反射率范围为0.02—0.12；近红外反射率范围为0.14— 0.3，这与图 4实测光谱曲线的值(红光反射率范围为0.02—0.18；近红外反射率范围为0.31—0.5)有所差异，因为光谱曲线是油松针叶测量所得，而影像上包含树枝、树干、灌草、土壤等信息(混合像元)。


图 5 受灾轻、中、重年份油松林影像的红光波段、近红外波段反射率、RVI变化情况
Fig. 5 Change of reflectance in Red and NIR bands & RVI value of infested Pinus tabulaeformis in the mild/moderate/severe disaster years

由图 5所示，虫害从轻度变成中度时，红光的反射率变化不明显，近红外的下降很明显；从中度变成重度时，近红外的变化不明显，而红光的反射率上升很明显。油松受害加重时，影像光谱(图 5)的变化与油松针叶光谱曲线(图 4)的变化一致：红光波段，反射率上升；近红外波段，反射率下降。

综合这两波段变化，选用RVI=NIR/Red表示油松受灾的程度，RVI随着虫害加重逐渐降低(图 5)。

3.5 地形因子分析

不同地形因子会影响油松毛虫的地理分布和油松的生长状况。研究区域地势较平坦，坡度范围集中在0°—20°，因此本文中忽略坡度、坡向对油松的影响，仅考虑对油松毛虫的影响。

由数字高程模型(DEM)，得到坡度、坡向图。用RVI的分类，将研究区内重灾1985-09-06、中灾2000-09-07、轻灾2001-08-09影像上的油松按健康等级分类。接着用分类后的矢量分别裁剪坡度、坡向栅格图。对各类的坡度、坡向进行统计，分析虫害在不同地形因子上的发生规律。

3.6 气象因子分析

气象因子中，温度、光周期效应、湿度、风、降雨会对油松毛虫造成影响(张丽丽，2005)。在当年气象数据与虫害分布的叠加试验中，发现结果与虫害的生物学特性不符(甚至完全相反)的情况。因为主要在幼虫阶段油松毛虫易受到气象条件的影响，但幼虫的迁徙能力不强，故其地理分布是长期自然气候选择的结果，气象因子需考虑多年的平均值。

本文选择5年时间的平均代表长期的气候状态。1985年考虑1981年—1985年的气象数据；2000年考虑1996年—2000年；2001年考虑1997年—2001年。用研究区附近11个气象站点，取5年各气象因子的平均值，用反距离权重方法(IDW，权重指数n=2)插值制作专题图。

松毛虫的不同虫态需要一定的发育起点温度才开始生长发育，完成某一发育阶段或整个世代需要一定的有效积温，松毛虫最低活动温度为6℃左右(夏乃斌等，1987)，为此本文选择活动积温下限为6℃。降雨和日照对虫害的影响亦较大，因此选择气象因子有： 5年平均“年降雨量”、5年平均“年日照时间”、5年平均“大于6℃活动积温”(一年中日平均气温高于6℃的总和)。

与地形因子中分级相同，用RVI将重灾1985-09-06、中灾2000-09-07、轻灾2001-08-09的油松按健康等级分类。接着用分类的矢量分别裁剪5年平均“年降雨量”、5年平均“年日照时数”、5年平均“6℃活动积温”栅格图，对各类的气象因子进行统计，分析虫害在不同气象条件下的发生规律。

4 结果分析

4.1 油松灾害程度分级与验证

轻、中、重灾害年份的RVI变化显著，可以表示灾害的程度。轻灾年份，RVI峰值在4.8左右；中灾年份，RVI峰值在3.9左右；重灾年份，RVI峰值在3.0左右。根据图 5中3年RVI直方图的分布，依据3年受灾关系选择RVI阈值将油松分成3个等级，使各类面积比例较符合实际灾害，如表 1所示。

表 1 受灾程度的RVI分类阈值
Table 1 RVI threshold of infection degrees styleification

下载CSV 
RVI范围 RVI＞6 4＜RVI≤6 RVI≤4
油松健康状况 健康 中度受害 严重受害

图 6为3年受灾情况图，在其中选取了3块合适矩形地区，进行放大对照，如图 7所示。


图 6 轻(2001年)、中(2000年)、重(1985年)灾3年研究区内油松受害状况对比
Fig. 6 Comparison of infection degrees in the mild/moderate/severe disaster years of the research area


图 7 轻、中、重灾3年3个相同区域油松受害状况对比
Fig. 7 Comparison of infection degrees in the mild/moderate/severe disaster years of three same areas

由图 7所示随灾害加重，健康油松明显减少；中度受害转变为严重受害。1985年与2000年时间间隔较大，油松的位置也发生了一些改变，有被砍伐，有新栽植。

对灾害分级后的结果，较难直接进行验证。因为灾害爆发后油松会从受灾状态下恢复，调查的时期(8—9月)短；油松毛虫爆发的林区内遍布毒毛，人体接触会产生严重的过敏反应，外业工作困难；虫害的面积大，需付出极大的人力物力；传统的调查，由森防人员长期的经验，综合全县灾情判断，无数值化评价。精准定位的灾害调查数据需要大量人、物力支持，是林业工作中的难点，目前尚无精准的定量调查获取真值的方法。故本文选择逆向验证的方式，通过油松毛虫的生物生态学特性，根据地形因子、气象因子分析，对分级结果检验，是弥补灾害调查困难的一种方法。

影响因子分析中，因轻、中、重灾3年受害面积不同(图 6)，叠加分析时，相同的RVI阈值会使不同年份受害面积差异较大，为保证统计样本数量充足，使健康与受害油松之间趋势更加明显，对受灾油松的RVI阈值做适当调整：对1985年，受害面积大，选择RVI≤3为受害；2000年、2001年，受害面积较少，选择RVI≤4为受害。健康油松均选RVI＞6。

4.2 地形因子分析

4.2.1 坡向与油松健康的关系

图 8分别是1985年、2000年、2001年较健康的油松和受虫害的油松，在不同坡向下的分布比例情况：健康油松主要生长在坡向：0°—90°、270°— 360°范围，最高值在360°左右；受害的油松主要分布在坡向90°—270°的范围，最高值在165°左右。由此表明：阳坡(90°—270°)的油松更易受害；阴坡的油松更健康，不易受害。此结果与油松毛虫偏好温暖干燥，故偏好危害阳坡树木的生物学特性相吻合。


图 8 三年健康与受害的油松分布位置的坡向比例图
Fig. 8 Aspect ratio of locations with healthy & infested Pinus tabulaeformis in three years

4.2.2 坡度与油松健康的关系

图 9分别是1985年、2000年、2001年较健康的油松和受虫害的油松，在不同坡度下的分布比例情况：健康的油松分布在0°—15°坡度的比例较低，而15°—35°之间，随坡度增大，比例显著增高；受害的油松主要分布在0°—15°范围，而在15°—35°之间，随坡度增大，所占比例逐渐减少。由此表明：油松毛虫更易危害缓坡的油松；陡坡的油松更健康，不容易受害。此特征与油松毛虫容易危害缓坡区域的生物学特性吻合。(周国娜，2003)


图 9 三年健康与受害的油松分布位置的坡度比例图
Fig. 9 Slope ratio of locations with healthy & infested Pinus tabulaeformis in three years

4.3 气象因子分析

4.3.1 年降雨量与灾害的关系

图 10分别为1985年、2000年、2001年间健康油松和受害油松，在不同降雨量条件下的分布比例情况：降雨量增大，健康油松的比例增大，受害油松的比例减少。由此表明：降雨量大的地区油松生长更健康，不容易受害。这与降雨能抑制油松毛虫发生的生物学特性相吻合(张丽丽，2005)。另外辽西地区的气候属于半湿润到半干旱，较大的降雨量对油松的生长也有利。


图 10 三年健康与受害的油松分布位置的年降雨量比例图
Fig. 10 Rainfall ratio of locations with healthy & infested P.tabulaeformis in three years

由图 10所示1985年、2000年体现的特征更明显，2001年不明显，因为2001年的油松毛虫灾害较轻，受害油松在研究区内分布比1985年、2000年都少，故规律不明显。2001年的图中发现：在年均降雨量大于435 mm时，油松基本全部健康，因此在年降雨量大于435 mm的地区，轻度的油松毛虫灾害基本不能爆发。

4.3.2 年日照时数与灾害的关系

图 11分别为1985年、2000年、2001年间健康油松和受害的油松，在不同日照时数条件下的分布情况：日照时数增大，健康油松的比例减小，受害油松的比例增加。由此表明：日照时数较大的地区油松生长状况较差，更易受灾。这与长日照的气象条件有利于油松毛虫爆发的生物学特性相吻合。


图 11 三年健康与受害的油松分布位置的年日照时数比例图
Fig. 11 Sunshine hour ratio of locations with healthy & infested Pinus tabulaeformis in three years

图 11中1985年体现的以上特征更明显，2000年、2001年则不是很明显，这是因为2000年、2001年的油松毛虫灾害比1985年的轻，分布范围较小，不如1985年均匀，规律亦不明显。而且日照时数不仅能影响油松毛虫，还能影响寄主油松的生长发育，长日照条件有利于光合作用，促进油松的生长，故图 11中2000年、2001年的趋势表现出部分波动。

4.3.3 大于6℃活动积温与灾害的关系

图 12分别为1985年、2000年、2001年间健康油松和受害的油松，在不同积温条件下的分布情况：随着6℃活动积温的增大，健康油松的比例增加，而受害油松的比例减少。由此表明：研究区内较高的活动积温对油松是有利的。这与积温高有利于油松毛虫爆发不相吻合，原因分析如下：昆虫完成每个生长阶段需要一定的活动积温。活动积温的增加，发育速度加快，故油松毛虫的危害应随着活动积温的增加而增大，但是活动积温不仅对油松毛虫有影响，对寄主油松同样有影响，积温越高亦有利于油松的生长，更易于恢复。并且，根据图 12的变化趋势，活动积温对油松的影响必须大于对油松毛虫的影响，才能得到这种趋势。


图 12 三年健康与受害的油松位置的年6℃活动积温比例图
Fig. 12 Accumulated temperature above 6℃ ratio of locations with healthy & infested Pinus tabulaeformis in three years

据此说明研究区内，活动积温对寄主油松的有利影响更大。活动积温越高，当地油松的生长速度更快，虽然油松毛虫危害有所加强，但其恢复能力更强，健康程度越好。

5 结 论

本文用遥感技术对辽西地区的油松毛虫灾害进行监测，发现受害油松的光谱有独特的变化规律，得到了虫害程度的分类规则和三年灾害分级结果，并通过大量数据的分析得出地形因子对油松毛虫的影响规律，以及气象因子对油松、油松毛虫双重影响。具体结论如下：(1) 在每年8—9月的多光谱遥感影像上，近红外波段适用在油松毛虫成灾较轻时的监测，红光波段适用在油松毛虫成灾较重时的监测。(2) 利用油松的近红外和红光的反射率比值——RVI指数对松毛虫灾害进行分类是可行，快速有效的，RVI指数越大，油松的健康状况越好，受虫害越轻。此可为灾害程度的量化提供依据。(3) 地形因子方面：油松毛虫偏好危害阳坡油松，偏好温暖干燥的环境；并倾向于危害地势平缓地区的油松。为油松毛虫重点防治区域的选择提供依据。(4) 气象因子不仅会影响油松毛虫，对寄主油松也有影响，影像上获取的油松健康状况是两者的叠加。降雨量越大，对油松的生长有利，并能抑制油松毛虫。日照越长，虫害爆发越严重，油松的健康程度随越低。6℃活动积温越高，既促进油松毛虫发生，又能提高油松的恢复能力，综合后：积温越高，油松灾害越轻，健康状况越好。

本文利用病虫害的生物性特性和地理信息系统(GIS)空间分析技术结合的方法，可以减少大量外业的调查工作，节省人力物力。在RVI指数对虫害等级分类后的因子分析中，得出了与油松毛虫生物性特性吻合的结论，在目前没有地面调查的大量数据，无法准确获得油松受害数量和空间分布真值的条件下，逆向证明了RVI指数用于油松毛虫灾害程度监测的果可靠性。

本文中尚存在一些不足有：(1) 没有适合的完全相同月份的影像来进行轻、中、重3年的对比。可以通过获取更多遥感数据源来改进；(2) 研究区内94%以上针叶树种为油松，仍有少量其他树种(侧柏、樟子松等)的干扰。可以利用历年的小班资料进行辅助，消除干扰；(3) 利用RVI分类灾害程度时，分类阈值通过3年RVI的分布确定，缺少实地分类调查资料的支持，较主观。此不足需要样地数据进行辅助；(4) 油松毛虫灾害的发生不光与地形、气象因子有关，还与林龄、林分郁闭度、冠幅、轮枝数等林分因子，以及人为活动有密切关系。影响因子复杂，难以做到仅改变某一因子而其他因子不变(控制变量)，较难完全分析单一因子对油松毛虫的影响。此不足需要在病虫害生物生态学的方面，进行更完整的科学的研究。

参考文献(References)

  • Chen C J. Integrated Management of Dendrolimus. Beijing: Chinese Forestry Press 1990 .
  • ( 陈昌洁. 1990. 松毛虫综合管理. 北京: 中国林业出版社 . )
  • Coops N C, Waring R H, Wulder M A, White J C.2009.Prediction and assessment of bark beetle-induced mortality of lodgepole pine using estimates of stand vigor derived from remotely sensed data. Remote Sensing of Environment, 113 (5) : 1058–1066 . [DOI:10.1016/j.rse.2009.01.013]
  • Dong H D. Vegetation and Vegetation Regionalization in Liaoning. Shenyang: Liaoning University Press 2011 .
  • ( 董厚德. 2011. 辽宁植被与植被区划. 沈阳: 辽宁大学出版社 . )
  • Hou T Q, Hu D Y, He X Y, Huang F S, Wei C J, Huang J C, Yang Z W, Shi D X and Zhang K T. 2000. Research on Application of satellite remote sensing monitoring of major forest pest-Dendrolimus//The 2000 Academic Annual Meeting of the Entomological Society of China. Yichang:The Entomological Society of China
  • Li Y J.2008.The occurrence and control of major pests of Pinus tabulaeformis in Liaoning Province. Journal of Liaoning Forestry Science and Technology, (3) : 57–59 .
  • ( 李艳杰. 2008. 辽宁省油松主要害虫的发生与防治. 辽宁林业科技, (3) : 57–59. )
  • Nakane K, Kimura Y.1992.Assessment of pine forest damage by blight based on Landsat TM data and correlation with environmental factors. Ecological Research, 7 (1) : 9–18 . [DOI:10.1007/BF02348592]
  • Pan H Y.2002.Problems and countermeasures in forest pests prevention in China. Forest Pest and Disease, 21 (1) : 42–47 .
  • ( 潘宏阳. 2002. 我国森林病虫害预防工作存在的问题与对策. 中国森林病虫, 21 (1) : 42–47. )
  • Pouliot D A, King D J, Bell F W, Pitt D G.2002.Automated tree crown detection and delineation in high-resolution digital camera imagery of coniferous forest regeneration. Remote Sensing of Environment, 82 (2/3) : 322–334 . [DOI:10.1016/S0034-4257(02)00050-0]
  • Vogelmann J E.1990.Comparison between two vegetation indices for measuring different types of forest damage in the north-eastern United States. International Journal of Remote Sensing, 11 (12) : 2281–2297 . [DOI:10.1080/01431169008955175]
  • Vogelmann J E, Rock B N.1986.Assessing forest decline in coniferous forests of Vermont using NS-001 Thematic Mapper Simulator data. International Journal of Remote Sensing, 7 (10) : 1303–1321 . [DOI:10.1080/01431168608948932]
  • Vogelmann J E, Rock B N.1988.Assessing forest damage in highelevation coniferous forests in vermont and new hampshire using thematic mapper data. Remote Sensing of Environment, 24 (2) : 227–246 . [DOI:10.1016/0034-4257(88)90027-2]
  • Vogelmann J E, Rock B N.1989.Use of thematic mapper data for the detection of forest damage caused by the pear thrips. Remote Sensing of Environment, 30 (3) : 217–225 . [DOI:10.1016/0034-4257(89)90063-1]
  • Woodall C W, Morin R S, Steinman J R, Perry C H.2010.Comparing evaluations of forest health based on aerial surveys and field inventories:oak forests in the Northern United States. Ecological Indicators, 10 (3) : 713–718 . [DOI:10.1016/j.ecolind.2009.11.012]
  • Wu H G.1995.Application of remote sensing technology in monitoring forest diseases and insect pests. World Forestry Research, (2) : 24–29 .
  • ( 武红敢. 1995. 卫星遥感技术在森林病虫害监测中的应用. 世界林业研究, (2) : 24–29. )
  • Wu H G, Qiao Y Y, Chen L H, Yan X J.1997.Remote sensing monitoring of dynamic changes of leaf area index in Masson pine stands. Acta Phytoecologica Sinica, 21 (5) : 485–488 .
  • ( 武红敢, 乔彦友, 陈林洪, 严小君. 1997. 马尾松林叶面积指数动态变化的遥感监测研究. 植物生态学报, 21 (5) : 485–488. )
  • Wu H G, Qiao Y Y, Huang J W, Yan X J, Chen L H.1994.Assessment of forest diseases and insects withLandsat TM data. Remote Sensing Technology and Application, 9 (4) : 46–51 .
  • ( 武红敢, 乔彦友, 黄建文, 严小君, 陈林洪. 1994. 利用陆地卫星TM数据评估森林病虫害. 遥感技术与应用, 9 (4) : 46–51. )
  • Xia N B, Tu Q H, Wang Y L.1987.A study of developmental threshold and effective accumulated temperature of chinesecaterpillar(Dendrolimus tabulaeformis). Scientia Silvae Sinicae, 23 (3) : 314–319 .
  • ( 夏乃斌, 屠泉洪, 王玉兰. 1987. 油松毛虫发育起点温度和有效积温的研究. 林业科学, 23 (3) : 314–319. )
  • Zeng J P, Ge F, Su J W, He Z.2010.Researches on the occurrences of major forest insect pests of pine caterpillar Dendrolimus spp. in China. Chinese Bulletin of Entomology, 47 (3) : 451–459 .
  • ( 曾菊平, 戈峰, 苏建伟, 何忠. 2010. 我国林业重大害虫松毛虫的灾害研究进展. 昆虫知识, 47 (3) : 451–459. )
  • Zhang L L. 2005. Study of Influencing on Growth and Development of Dendrolimus punctatus tabulaeformis(Tsai et Liu). Beijing:Beijing Forestry University:15-17
  • Zhou G N. 2003. Analysis and Regionalization to the Ecological Geography Factor of Forest Pest based on GIS. Baoding:Agricultural University of Hebei Province:20-21