油松毛虫(Dendrolimus tabulaeformis)(鳞翅目Lepidoptera：枯叶蛾科Lasiocampidae)是我国北方十分重要的针叶树的食叶昆虫(白雪琪等，2016)，其虫害暴发严重时种群密度可达到每棵树400头(Li，2008)，且影响范围巨大，影响树木生长，造成种子产量降低，甚至在2~3年内导致树木死亡(Kong et al., 2012；Zhang et al., 2014；牛淑贤等，2008)，严重危害森林生态安全及林业可持续发展(曾菊平等，2010)。

对森林病虫害进行危险性评价可提前了解虫害发生风险，便于尽早展开相应的预防和防治措施。Ray等(2016)采用主成分分析法和决策树法分析气象与虫灾爆发的关系，建立模型对欧洲松毛虫未来暴发风险进行预测，结果显示，苏格兰的虫灾暴发风险在21世纪将不断增加。Huang等(2013)采用贝叶斯网络和因子分析方法，对浙江省象山县的松材线虫(Bursaphelenchus xylophilus)病患病风险进行了评估，并得到了各环境因子对该病发生的影响。Robinet等(2011)采用传播模型识别松材线虫在欧洲传播最快的入口点，并基于气候的适宜性，在3种不同未来气候情景下模拟了松材线虫的潜在发生风险。郭安红等(2012)基于黑龙江省海林市松毛虫发生情况与气象因子进行相关性分析，得到东北地区松毛虫灾害气象风险区划分布。对于森林病虫害发生危险性评价方法和体系的选择，不同评价模型各有特点，适用范围不同。基于GIS的加权信息量模型是在对检测对象的生物学特性进行充分了解的前提下，选择评价因子，同时充分考虑各因子对虫害发生影响程度的差异，以加权信息量值作为虫害发生风险的定量指标，既可将主观经验与客观数据良好的结合，又便于推广应用。

本研究依据油松毛虫危害特征和生物学特性，在充分考虑影响灾害发生及灾害等级的气象、地形地貌、植被等多种因素的基础上，利用遥感监测的时空特性，将前期灾害程度遥感反演结果运用于后期风险评价中，建立油松毛虫灾害易发性评价指标体系，实现多因子灾害发生危险性评价和制图，以期为灾前的防控和预警提供依据。传统的信息量法没有考虑到各评价因子在灾害发生过程中所起作用的大小，而本研究利用层次分析法对各因子权重进行确定，建立加权信息量模型，充分考虑各因子影响程度差异；同时本研究选用不同受灾程度年份影像共同作为训练样本，消除了样本自身灾害程度对建模结果的影响，所建模型可为区域范围的油松毛虫灾害风险评价提供一定技术支持。

1 研究区概况及数据来源 1.1 研究区概况

研究区为辽宁省西部的建平县和凌源市部分区域(119°4′—120°4′E，41°3′—42°22′N)，地势平坦，海拔250~1 150 m，主坡度为0°~30°。属北温带海洋性季风气候向大陆性气候过渡区，为半湿润、半干旱季风型大陆性气候。全年平均日照2 850~2 950 h，年平均气温为6~10 ℃，年降水量400~700 mm，多集中在6—8月。植被类型为暖温带落叶阔叶林区，代表树种有油松(Pinus tabulaeformis)、樟子松(P.sylvestris var. mongolica)、栎类、臭椿(Ailanthus altissima)、榆(Ulmus spp.)等(王文权，2007)。研究区内油松均为人工纯林，占总针叶林面积的90%以上，面积达686 km²，且在同一年栽种，树龄一致，林分结构相同。但由于树种单一，油松毛虫灾害日益严重(董厚德，2010)。

1.2 数据来源

Landsat影像包括2006-09-16、2007-03-27、2007-09-03、2008-03-13、2008-09-21、2009-04-01和2009-08-23的TM影像，以及2016-8-26、2017-03-22与2017-08-29的OLI影像，所有影像条带号均为WRS-2 Path/Row=121/031，来自美国地质勘探局USGS(United States Geological Survey)网站。其中3、4月份影像用于提取油松范围，8、9月份影像用于监测当年受害情况。

地形数据的数字高程模型DEM来自地理空间数据云的ASTER GDEM V2全球数字高程数据，空间分辨率为30 m。

气象数据来自中国气象科学数据共享服务网(http://cdc.nmic.cn)，数据包括辽宁省建平县及周边共4个站点(赤峰、朝阳、建平、青龙)2003—2009年、2013—2017年气温日值和日照时数月值数据，2002—2008年、2012—2016年降雨月值数据。

外业调查数据包括2016年8月于研究区朱碌科地区建立的19块样地的失叶率数据。

另外，研究中油松毛虫灾害发生防治数据及二类调查数据来自建平县森防站，包括1985—2013年间历年的虫情数据，如受灾情况、发生虫灾面积、防治措施等资料。

2 研究方法

本文基于前人对油松毛虫灾害发生影响因子的研究，确定危险性评价因子。在提取的油松范围内制作各评价因子专题图。根据建平县发生防治资料分别选择灾害程度轻、中、重3年的数据，共同作为训练样本建立油松毛虫灾害发生危险性评价模型，并对2017年辽宁西部地区虫灾发生危险性进行评价并制图。最后通过实际失叶率在不同危险性评价等级的分布关系，进行模型的精度验证。

2.1 层次分析法加权的信息量评价模型

本研究采用层次分析(analytic hierarchy process, AHP)法加权的信息量评价模型，建立虫灾易发性评价指标体系。

层次分析是一种定性和定量相结合的、系统化、层次化的分析方法，其步骤为：

(1) 构建判断矩阵。对于X₁, X₂, …，X_n个评价指标，取1~9尺度进行两两相互比较，由比较结果建立判断矩阵A。

(2) 确定权重，并做一致性检验。求解A的最大特征值λ_max，对最大特征值对应的特征向量进行归一化处理，归一化后的向量即为表示各因子权重的权向量。然后需进行一致性检验，计算矩阵A的不一致程度指标CI和随机一致性比率CR，当CR < 0.1时，判定A具有满意的一致性。

信息量法实质归属于统计分析方法(罗元华，1998)，是通过已有信息，把反映各种影响区域稳定性的因素的实测值转化为反映区域稳定性的信息量，即用信息量的大小来评价影响因素与研究对象关系的密切程度，目前该方法在地质灾害的评价研究中应用较多，但在森林病虫害方面的应用研究较少。其公式如下(Shannon，1948)：

1) 单独计算各评价因子类别X_i对油松毛虫灾害发生(H)提供的信息量I(X_i，H)：

${I_i}\left({{X_i}, H} \right) = {\rm{ln}}\frac{{P\left({{X_i}, H} \right)}}{{P\left({{X_i}} \right)}}。$

(1)

式中：P(X_i, H)为油松毛虫灾害发生(H)条件下出现某评价因子类别X_i的概率；P(X_i)为研究区内出现某评价因子类别的概率。

公式(1)是信息量法的理论模型，在实际计算过程中，一般采用公式(2)进行信息量值计算：

$ I\left({{X_i}, H} \right) = {\rm{ln}}\frac{{{N_i}/N}}{{{S_i}/S}}。$

(2)

式中：N_i为分布在某特定评价因子类别X_i内的油松毛虫灾害单元面积；N为整个研究区内该虫害分布的单元总面积；S_i为研究区内含有某评价因子类别X_i的单元面积；S为整个研究区域单元总面积。

2) 计算单个评价单元内的总信息：

$ I = \sum\limits_{i = 1}^n {{I_i}({X_i}, H) = \sum\limits_{i = 1}^n {{\rm{ln}}\frac{{{N_i}/N}}{{{S_i}/S}}} } 。$

(3)

式中I为某评价单元内总的信息量值，n为参评因子数。

2.2 影像预处理及油松区域提取

为了得到准确的地表反射率数据，需要对影像进行辐射定标与大气校正，本文主要利用ENVI中的FLAASH模块对遥感影像进行预处理。

为使研究结果更加精确，首先对研究区内的油松范围进行提取。由于油松为常绿树种，而阔叶树种在11月便开始落叶，直至次年5月初左右(东北地区)才长出新芽，因此选择春季影像，利用归一化植被指数NDVI提取常绿树种范围。根据建平县小班数据，建平县常绿树种的面积中油松林占94.88%，且油松毛虫不仅以油松为食，同时也对黑松(P.thunbergii)、马尾松(P. massoniana)、华山松(P. armandii)、白皮松(P. bungeana)取食(候陶谦，1987)，故本文假设研究区所有常绿树均为被危害树种。确定NDVI阈值使用假彩色影像上像元NDVI对比的方法，即在影像上进行目视解译，同时结合二类调查数据，均匀选取多处油松像元，统计被选取像元NDVI值，其最小值即为阈值，再利用决策树分类法进行油松范围提取(朱程浩等，2016)。2007—2009年油松范围分别使用2007-03-27、2008-03-13、2009-04-01的TM影像提取，由于连续年份油松生长差异较小，因此使用相同阈值：NDVI大于0.36；2017年油松范围使用2017-03-22的OLI影像，NDVI大于0.38时提取。图 2为各年份提取的油松范围，从中可看出2007—2017年，油松范围总体上呈不断扩大趋势，这是近年来国家推进生态城市建设、大范围植树造林的结果。

3 结果与分析 3.1 评价因子的选取及专题图制作

松毛虫灾害的发生不是单个因素的原因，而是多种环境因素共同导致的结果，且各种因素的作用大小往往不同。因此，在选择评价因子时，要综合考虑因子的完整性。本文基于前人对松毛虫灾害影响因子的研究(侯陶谦，1987；夏乃斌等，1987；陈昌洁，1990；萧刚柔，1992；张丽丽，2005；赵勇强等，2005；陈福海，2012；李燕，2013；宋雄刚，2015；朱程浩等，2016)，结合松毛虫的生活史及生物学特性，并考虑数据的可获取性，最终确定高程、坡向、坡度、5年平均10月份降雨量、5年平均年大于6 ℃活动积温、5年平均6个月总日照时数、前一年RVI (relative vegetation index)值和距前一年灾害点距离8个危险性评价因子。

1) 高程 高程即海拔，与松毛虫灾害的发生有一定关系(陈福海，2012)。低海拔地区一般比高海拔地区更容易发生虫灾，这是由于低海拔地区，人、畜活动较为频繁，松林和植被经常遭到破坏，且相对气温较高，有利于松毛虫的生长繁殖，而高海拔地区气温较低，湿度较大，不利于松毛虫的生长和发育。

2) 坡向 坡向同样会影响油松毛虫灾害的发生。一般情况下，油松毛虫的密度阳坡高于阴坡，西坡高于东坡(张丽丽，2005)，这是由于阳坡的光照较强，温度较高，水湿条件差，对松树生长不利，同时油松毛虫又是一种喜光性昆虫，因此阳坡更容易发生虫灾；而阴坡光照较弱，温度较低，水湿条件较好，因此油松生长状态更好，抵御虫灾的能力也更强(赵勇强等，2005)。

3) 坡度 坡度对虫灾发生的影响体现在它的大小会使坡向的影响加强或减弱(陈昌洁，1990)。一般缓坡比陡坡虫害严重，这是由于坡度小的地方受到人为干扰较大，林分更容易受到破坏，而坡度大的地方林下植被复杂，可形成较为稳定的群落(赵勇强等，2005)。在同一海拔下，陡坡发生虫灾情况比缓坡轻，坡度大的地区，阴坡的影响更为明显。

对于1)、2)、3) 3种地形因子，从数字高程模型(DEM)中提取坡度、坡向数据，再用县界矢量图对其进行裁剪，即得专题图层。以2009年为例，各地形因子专题图层如图 3所示。

4) 降雨量 前期适宜的气象条件，可为油松毛虫灾害的发生提供基础。由于油松毛虫幼虫迁移能力不强，所以其地理分布是长期自然气候选择的结果，故气象因子要考虑多年的平均值。

降雨对虫灾发生的影响主要体现在它可以改变大气和土壤的湿度，从而影响寄主植物的含水量和害虫本身的发育(张丽丽，2005)。前一年的8—10月为油松毛虫幼龄幼虫的进食期(宋雄刚，2015)，期间的降雨量会很大程度上影响松毛虫的成活率和扩散范围(陈昌洁，1990)。根据Zhu等(2018)的研究结果，前5年10月降雨量均值相关性最高，因此本文也以其做为危险性评价因子之一。

5) 年积温 温度对虫灾发生的影响体现在二方面，一是直接影响油松毛虫的生长发育、繁殖及生存(萧刚柔，1992)，二是间接影响油松毛虫的数量变动和地理分布。油松毛虫只有在一定温度条件下才能生长、发育、繁殖(张丽丽，2005)，在适宜油松毛虫发生的环境中，温度的高低会直接影响到它发育的快慢，出现的迟早和数量的消长(萧刚柔，1992)。油松毛虫完成某个发育阶段或整个世代需要达到一定积温，其最低活动温度为6 ℃左右(夏乃斌等，1987)，故本文选择活动积温下限为6 ℃，危险性评价因子为前5年年平均大于6 ℃活动积温。

6) 日照时数 日照时数对虫灾发生的影响也体现在其对油松毛虫生长发育上产生的作用。油松毛虫幼虫在充分的光照条件下，不但生长快，发育好，而且会增加代数，如南方油松毛虫代数一般为1年2代甚至3代，而北方油松毛虫代数一般为1年1代。但在缺乏光照的条件下，油松毛虫便会表现为生长缓慢，发育不良，甚至停止发育，进入休眠状态(李燕，2013)。

由于辽宁西部地区每年10月末至次年3月末温度基本都小于6 ℃，未达到最低活动温度，因此在计算日照时数时仅考虑前一年8至10月和当年4至7月的连续5年的平均值。

对于4)、5)、6) 3种气象因子，首先对获取的4个站点气象数据进行计算，得到5年年均大于6 ℃的活动积温、5年平均6个月总日照时数和5年平均10份降雨量，再利用反距离权重法(inverse distance weighted, IDW)将其插值成30 m分辨率，以制作专题图层。以2009年为例，处理得到各气象因子专题图层(图 4)。

7) 前一年RVI值 由于油松毛虫幼虫的迁移能力不强，一般借助风力扩散，因此，前一年发生灾害严重的地区第2年发生虫灾的可能性会更大，RVI随虫灾加重逐渐降低(朱程浩等，2016)，即RVI值的大小可指示虫灾的发生程度。故本文将前一年RVI值作为危险性评价因子之一。

8) 距前一年灾害点距离 与选择前一年RVI值作为评价因子的道理相同，前一年受害严重位置附近的油松林，当年受害的可能性更大，在RVI值专题图的基础上，提取出受灾较严重地区，将其转为点图层，即前一年灾害点，灾害点的选取不宜过多，否则会使距离对虫害发生的影响在模型中过分表达，根据图 5可知以RVI≤1.8作为阈值划分较为合适，保证每幅图灾害点个数不超过1 500个。

确定前一年灾害点后，使用欧氏距离法(最小距离 > 42.4)计算县域内每个栅格距灾害点的最短距离，得到距前一年灾害点距离图层，以2009年为例，得到专题图(图 6)。

3.2 建立加权信息量模型

考虑到每年虫灾发生程度不同，为避免仅利用1年的数据计算信息量的偶然性，本文分别选择灾害程度轻、中、重3年的数据，共同作为训练样本进行建模。根据建平县1985—2013年间的油松毛虫灾害发生防治数据(图 7)，选择其中轻灾的2007年、中度灾害程度的2008年和重灾的2009年用于建模。

根据前期的研究(朱程浩等，2016)，以RVI作为指标能实现油松毛虫灾害的快速划定，通过试验分析，本文以RVI≤4为受灾阈值，2007、2008和2009年总受灾栅格数分别为116 007、201 061和315 275，综合3年数据进行信息量计算，结果见表 1。

为充分考虑不同评价因子对虫害发生影响程度的差异，采用AHP法计算各因子权重。按照各评价因子间的内在关系，对其两两比较，采用1~9标度方法构建判断矩阵。利用R软件求解判断矩阵，对最大特征值对应的特征向量进行归一化处理，即得到各因子权重。判断矩阵及权重值见表 2。经计算，判断矩阵的不一致程度指标CI=0.03，随机一致性比率CR=0.021，CR < 0.1，表明判断矩阵具有满意的一致性。

根据信息量法原理，评价因子各个类别的信息量值越大，表明该类别对油松毛虫灾害发生的贡献率越大，病虫害发生的危险性也越大(Westen，2000)。由表 1可以看出，高程在250~350 m区间的信息量值最大，即发生虫害的危险性最高，从整体上来看，高程越高，信息量值越小，即高程越高越不易发生虫灾；随坡度增大信息量值逐渐减小，说明虫灾更容易发生在缓坡地区；坡向在90°~270°的信息量值为正值，其他区间均为负值，说明阳坡(90°~270°)的油松更容易发生虫灾，而阴坡较为健康；总体上看降水量值越高，信息量值越小，即降水量越大越不易发生虫灾；随着日照时数增加，信息量值呈先下降后上升的趋势，这可能是由于日照不仅影响油松毛虫，也会影响油松的生长发育，当日照在一定适宜范围内时，油松长势较好，不易受虫害侵染，而超过一定临界值后，日照时数便与虫灾的发生呈正相关；大于6 ℃活动积温的信息量也呈现出先下降后上升的趋势，这是由于积温同时影响油松毛虫和其寄主油松的生长发育，积温在3 900 ℃左右时最利于油松生长，即使受到虫害侵染也易于恢复，而当积温不断升高，则会导致虫害的加强；前一年RVI越小信息量值越大，即前一年发生灾害地区更容易发生虫灾；距前一年灾害点越近信息量值越大，即距离前一年发生灾害地区越近越容易发生虫灾。以上均与油松毛虫的生物学特性和现实虫灾发生情况相吻合，说明该方法可行。

3.3 危险性评价及精度验证

根据已建立的信息量模型，对2017年研究区内各因子图层进行信息量赋值运算，再将赋值后的图层按其权重进行叠加，得到综合信息量图层，综合信息量值范围为-1.053 6~0.668 0，其中综合信息量值越大说明虫灾发生的危险性越大。由于得到的结果是连续分布的数据，而为了更容易对危险程度进行区分，需要对综合信息量图进行重新分类。本文利用ArcGIS提供的自然断点法(natural break)将其重新分类，划分为5级：极高危险区、高危险区、中危险区、低危险区和极低危险区，得到研究区2017年油松毛虫灾害发生危险性评价结果(图 8)。研究区2017年油松毛虫灾害发生的极高危险区和高危险区主要分布在建平县北部地区，该地区发生虫灾可能性较大，应适当增加防治措施；建平县与凌源市交汇处有一处中危险区，也应加强防控；其余地区虫灾发生危险性较低。

为检验评价结果的准确性，需进行精度验证。根据Zhu等(2018)研究得到的油松针叶保存率反演模型，计算油松失叶率，以此作为实际受灾情况与评价结果进行对比。针叶保存率反演模型如下：

$ {\rm{Foliage}}\;{\rm{Remaining}} = \frac{{90}}{{1 + 6{\rm{ }}882 \times {{\rm{e}}^{ - 43.77 \times ({\rm{NDII}}5)}}}} + 7.30。$

在油松范围内均匀选取15 990个随机点，并提取每点的信息量值与失叶率。以10%为间隔区间，均匀将失叶率分为10个等级，统计不同失叶率范围与评价等级的对应关系，得到表 3。

2017年辽西地区受油松毛虫危害较轻，绝大部分区域失叶率在10%以下。在失叶率≥30%的几个区间内，随机点落在极低危险区和低危险区的总数均不超过10个。根据国家林业局《主要林业有害生物成灾标准》，检疫性叶部害虫的成灾标准为失叶率40%以上；本研究得到结果中，失叶率＞40%的油松落在高危险区和极高危险区的随机点占该失叶率范围内总随机点的90.32%。失叶率较少(＜10%)的油松落在各危险区的数量随危险等级增加呈显著下降趋势，但在每一等级都有分布，可能是由于重分类时选择的自然间断点法是将信息量值按照差异最大化分类，该方法可在大范围内将数据划分开，但其在精细分类上存在一定缺陷，而2017年受灾情况较轻，受灾油松分布过少，就不可避免的会将一部分健康油松分至危险区域，但在此情况下，中低危险区准确度会较高，即对健康区域划分效果较好。总的来说，本研究所用方法在前一年受灾情况较为严重时得到结果更好。

利用所建立的模型对研究区2016年油松毛虫灾害发生进行危险性评价并制图，得到评价图如图 9所示。结合2016年8月在研究区内朱碌科地区调查得到的19块样地失叶率数据，统计分析实际失叶率在不同危险性评价等级的分布情况，得到表 4。结果表明，19块样地中实际失叶率＞70%的样地落在高危险区和极高危险区的概率为100%，实际失叶率＜10%的样地落在低危险区的概率为100%，证明其评价结果准确可靠，具有应用价值。

4 讨论

本文利用加权信息量模型与GIS空间分析技术相结合，建立风险性评价模型，在危险性较高地区仅指示大致范围，并不能做到十分精确，因此更适用于前一年受灾情况较重的年份。

同时还存在一些不足：1)在选取危险性评价因子时，由于数据获取途径的限制，并没有考虑人为因素及前几年灾害防治情况的影响，但实际上两者均会对虫害的发生产生一定影响，在后续研究中，应将居民区分布、道路分布等人为因素及灾害防治情况用于评价过程，使结果更加准确。2)信息量法虽简单易行，但精确性还有待提高，若将本方法与其他评估方法(如信息扩散、地统计学分析等(吴柳萍，2017))相结合，可得到更加准确的结果。3)本文研究区内油松林均为人工纯林，且树龄一致，林分结构相同，因此没有涉及相关林分数据，而对其他地区进行研究时，林分数据应作为重要的一部分。

5 结论

本文以辽宁省西部的建平县和凌源市部分区域为研究区，以油松毛虫为研究对象，基于油松毛虫的生物学特性并考虑数据的可获取性，选择高程、坡向、坡度、5年平均10月降雨量、5年年平均大于6 ℃积温、5年平均6个月总日照时数、前1年RVI值、距前1年灾害点距离等8个因素作为评价因子，建立虫灾易发性评价指标体系，基于加权信息量模型开展研究区内的虫灾危险性评价，结果表明，研究区2017年虫灾危险性极高和高的地区主要分布在建平县北部，中危险区在北部部分地区和建平县与凌源市交汇处均有分布，其他地区危险性较低。其评价结果中失叶率达到成灾标准(＞40%)的油松被划分至高危险区和极高危险区的比例为90.32%，结果较为准确，具有应用价值。

基于加权信息量模型的油松毛虫灾害发生危险性评价充分考虑了不同评价因子影响程度差异，得到的风险区划结果较准确，对大区域森林虫害风险评价具有应用价值。