森林食叶害虫空间分布格局遥感定量反演研究.pdf

引文格式：姜雪菲，包广道森林食叶害虫空间分布格局遥感定量反演研究 .西南林业大学学报（自然科学）Jan.2024JOURNALOF SOUTHWESTFORESTRYUNIVERSITY2024年1月Vol.44No.1大南西第44卷报学学业第1期林DOI:10.11929/j.swfu.2022100212024,44(1):125-134.森林食叶害虫空间分布格局遥感定量反演研究姜雪菲12包广道翟畅3刘婷！个任志彬4丁铭铭张微5木杜云霞6（1.吉林省林业科学研究院，吉林长春130 0 33；2.北京林业大学，北京10 0 0 8 3；3.长春大学，吉林长春130 0 2 2；4.中国科学院东北地理与农业生态研究所，吉林长春130 10 2；5.长白朝鲜族自治县林业局，吉林白山13440 0；6.海南师范大学，海南海口57 1158）摘要：以Sentinel-2A多光谱影像为数据源，利用卷积神经网络模型提取的受害树种空间分布和多时相PROSAIL模型叶面积指数反演差值确定的失叶率耦合的虫口密度，定量获取长白山南麓虫害空间格局。结果表明：2 0 18 2 0 2 0 年共7 个时相LAI反演整体精度在8 8%以上；红松的适宜参考时相为2 0 19 年6 月，预测与实测拟合R2为0.8 2，其余树种及全样本2 0 18 年6 月最佳；虫口密度与失叶率耦合采用线性函数，R为0.7 55；落叶松遭虫害面积6 17 4hm最大，云杉受害面积比6 5.19%最大。虫害导致失叶率计算采用的参考时相为受灾前一年6 月；虫口密度与失叶率呈线性关系；不同树种受灾空间格局不同，常绿树种重度灾害比例普遍高于落叶树种。关键词：食叶害虫；叶面积指数；针叶树种；遥感；失叶率；虫口密度中图分类号：S771.8;S763文献标志码：A文章编号：2 0 9 5-19 14(2 0 2 4)0 1-0 12 5-10Study on Quantitative Inversion of Spatial Pattern of Forest LeafEating Pest DisasterJiang Xuefei-2,Bao Guangdao,Zhai Chang,Liu Ting,Ren Zhibin,Ding Mingming 3,Zhang Weis,Du Yunxia6(1.Jilin Provincial Academy of Forestry Sciences,Changchun Jilin 130033,China;2.Beijing Forestry University,Beijing 100083,China;3.Changchun University,Changchun Jilin 130022,China;4.Northeast Institute of Geography and Agroecology,Chinese Academy ofSciences,Changchun Jilin 130102,China;5.Forestry Bureau of Changbai Chaoxianzu(Korean)Autonomous County,Baishan Jilin 134400,China;6.Hainan Normal University,Haikou Hainan 571158,China)Abstract:Using Sentinel-2A multi-spectral image as the data source,the spatial pattern of pest damage at thesouthern foot of Changbai Mountain was quantitatively obtained by coupling the insect mouth density using spa-tial distribution of injured tree species extracted using a convolutional neural network model and leaf foliation rateby the difference of the leaf area index reversed by the PROSAIL model at multiple time points.Results showthat:the overall accuracy of 7 LAI inversion in 2018-2020 was above 88%;the optimal reference phase of redpine was in June 2019,R is 0.82 and other species in June 2018;linear function,R is 0.755;larch pest area of 6174hm,and spruce damage area ratio of 65.19%.The reference phase of the leaf loss rate is June of the year beforethe disaster;the relationship between the pest density and the leaf loss rate is linear;the spatial pattern of different收稿日期：2 0 2 2-10-10；修回日期：2 0 2 3-0 1-15基金项目：吉林省科技厅重点研发项目（2 0 2 30 2 0 2 0 9 8 NC）资助；吉林省发改委创新能力建设项目（2 0 2 1C044-9）资助；吉林省自然科学基金（YDZJ202201ZYTS446）资助；吉林省自然科学基金（YDZJ202102CXJD046）资助；吉林省自然科学基金（2 0 2 2 0 10 1315JC）资助；中国科学院先导专项（XDA28080303）资助；海南省自然科学基金（NO.422QN306）资助；吉林省科技厅重大专项（2 0 2 0 0 50 30 0 1SF）资助。第1作者：姜雪菲（2 0 0 3一），女。研究方向：林业遥感。Email:J。通信作者：包广道（19 8 5一），男，硕士，副研究员。研究方向：林业遥感。Email:bao-。126西南林业大学学报第44卷tree species is different,and the proportion of evergreen trees is generally higher than that of deciduous tree species.Key words:leaf eating pest;LAl;conifer species;remote sensing;leaf loss rate;insect mouth density食叶害虫灾害是重要的森林扰动因子之一，对森林生态系统的结构和功能具有极强的破坏性。落叶松毛虫是东北地区发生面积最大的森林食叶害虫之一，危害范围覆盖主要针叶树种，吉林省2 0 18 2 0 19 年连续大规模灾害的发生面积超50 万hm，我国年受灾面积超2 0 0 万hm22。虫口密度的暴发性增加可能导致松林停止生长甚至整片枯死 3，严重威胁森林生态安全。目前，我国林草部门主要采用人工调查标准样地进行监测 4，其结果空间上呈离散状态，对地面防治工作无法形成有效指导；利用遥感技术进行定量化监测、准确刻画灾害发生的空间格局，对制定差异化防治方案、开展精准防治具有战略性作用。遥感技术在重复观测性和历史回顾性方面具备独特优势，为宏观获取灾害发生程度及空间范围、监测与还原灾害导致的森林失叶过程提供了良好的技术途径。随虫害程度加深，叶片的急剧减少导致受害林分冠层光谱特征逆向变化，为定量监测食叶害虫灾害的程度及空间分布提供了理论依据 5。2 0 世纪8 0 年代，如Dottavio等 6 、Kharuk等 7 学者的初步尝试受技术限制，仅能探测到失叶率超50%的区域。随着遥感技术发展，对灾害的监测转向定性分析，武红敢 8 基于TM数据实现了4种灾害程度的空间范围提取；陈文静 9 基于Sentinel-2A影像区分灾害与健康精度达0.9 45；Samseemoung等 10 利用航空多光谱遥感对健康和受害的人工林区进行侵害监测；元兴兰等 I基于SPOT-5影像结合多尺度纹理特征提取虫害信息，精度提高了14.2 8%。近年来，相关研究正向定量过渡，如地力夏提依马木等 12 利用自相关性时间序列检测法动态识别监测准确率达9 3.7%；雷定湘 13 构建6 次多项式回归模型对严重程度定量分析精度达8 4.0 4%。上述学者在食叶害虫灾害监测方面的关注点都集中在遥感特征的表达和异常检测算法研究中，对食叶害虫生物学特征的定量研究仍缺乏深人探讨。此外，失叶特征计算中如何确定健康状态的参考基准也是研究热点之一。白力嘎等 14 利用健康、灾中、灾后10年3期MODIS影像进行灾害程度划分；黄晓君等 15 基于2 0 18 年、2 0 19 年6 月影像识别林木受害程度和害虫发生程度；Housman等 16 使用多日期统计变化检测方法，发现仅对比当年与3年前的同期基线图像会导致轻至中度灾害区域大面积遗漏；Pasquarella等 17 选择灾前11年的稳定基期得到不同树种失叶幅度估计模型。综上所述，受树种识别能力及调查难度的限制，针对耦合失叶现象遥感特征与食叶害虫生物学特征关系、定量获取灾害空间格局的研究仍鲜有报道。为此，本研究以长白山落叶松毛虫灾害为例，基于Sentinel-2A多光谱遥感数据，利用PROSAIL模型定量获取研究区多期叶面积指数（L A I），结合4个针叶树种空间分布，分析遥感估测LAI损失比例和实地调查失叶率的拟合效果，明确适宜灾害监测的参考时相，定量获取由食叶害虫导致的叶片损失；并通过耦合失叶率与虫口密度的回归关系，实现对食叶害虫灾害空间格局的定量分析。以期为提高森林食叶害虫灾害监测能力、增强遥感成果与应用需求的融合、助力“精准林业”“生态感知”等国家林业建设目标提供参考。1研究区概况研究区位于吉林省长白朝鲜族自治县母树林、横山和龙泉林场，地处长白山南麓，鸭绿江上游右岸，与朝鲜一市五郡隔江相望，地处东经1281251281523，北纬412 0 54 413436。属亚温带大陆性季风气候，年平均气温3.1，年平均降水量518.5mm，全年日照时数2649.5h。地势东北高西南低，海拔范围6 16 1359m。研究区总面积410 8 8 hm，其中林地面积29358hm，森林覆盖率达7 1.45%。土壤以灰棕壤为主，随海拔和地势变化零星有白浆土、草甸土，呈酸性或弱酸性。主要针叶树种为长白落叶松（Larixolgensis）、樟子松（Pinus sylvestrisvar.mongolica）、红松（Pinuskoraiensis）和红皮云杉（Piceakoraiensis）等。据长白县林业局森防部门监测记录显示，2018年10 月研究区内3个林场的松毛虫越冬幼虫虫口数量异常升高，2 0 19 年春季松毛虫虫口密度和危害面积开始增加，林业部门采用阻隔法 18 、地面喷雾法 19 、放置赤眼蜂卵 2 0 等防治手127第1期姜雪菲等：森林食叶害虫空间分布格局遥感定量反演研究段进行处置，同年9 月秋季幼虫越冬前危害面积达到最大，至2 0 2 0 年6 月虫口基数和危害面积依然较大，当月林业部门采用飞机喷洒杀虫剂，使虫口密度得到控制，至同年9 月恢复至正常水平。2材料与方法2.1数据来源与处理2.1.1叶面积指数数据依据研究区植被分布及物候特征，项目团队于2 0 2 0 年6 月中旬设置10 m10m样地7 0 个，开展监测区域受灾松林地面调查，并依据国家标准叶面积指数遥感产品真实性检验（GB/T400342021）2 1 利用LAI-2200C冠层分析仪测定样地LAI。利用UniStrongUG908H高精度版（单点精度2 5m）采集样地四角及中心点坐标，坐标系为WGS1984，记录株高大于1m植被的具体林分信息（林龄、胸径、树高、冠幅等）。由于样地植被覆盖度较高，为保证测量精度，测量时每点保持静止10 min，并重复测定3次取其平均值作为结果。不同树种实测叶面积指数概况见表1。表1买采样点叶面积指数的描述统计Table 1Descriptive statistics of LAI at sampling points树种样地数最小值最大值平均值标准差峰度偏度落叶松290.693.892.271.04-1.230.08红松110.673.031.790.70-0.700.05樟子松191.063.241.951.163.901.80云杉111.724.372.870.760.150.07全样本700.674.372.101.010.820.792.1.2失叶率数据在6 月中下旬，采取逐株调查方法对样地内每棵树从下到上平均分为3层调查样地失叶率，每层分别于东、西、南、北4个方向各取1个树枝为标准枝，将每枝松针装人袋中带回室内。统计每株树3层树枝中0%、2 5%、50%、7 5%、10 0%的5种受害程度松针的数量，同时记录每层树枝松针总数 2 。失叶率计算公式参照吉林省地方标准：ZX:xF),A：100%(1)NXF式中：A为承载指数（平均失叶率）；X,为各级受害株数；F,各级代表值；N为调查总株数；F为最高级代表值 2 32.1.3虫口密度调查本研究于样地树种放叶前，采取对角线法 2 4抽取样株3株，并利用阻隔法 18 调查样地平均虫口密度。从4月2 0 日发现幼虫上树起，每3d调查并记录隔离环边缘及以下位置树干上的幼虫数量，计数后杀死幼虫，直到5月1日无新增上树幼虫时停止调查，通过式2 计算样地平均虫口密度。Q=1densityXn(2）3式中：Q,为幼虫数量，n为样地总株数。2.1.4遥感数据本研究以欧空局Sentinel-2A多光谱遥感影像为数据源（https:/scihub.copernicus.Eu），利用ESA官方SNAP平台进行大气校正、地形几何校正（像元残差均值小于0.41）、空间重采样（像元分辨率10 m）等预处理 2 5。研究区地处长白山脉，受云量影响较大，难以在单一时相内完整体现当期植被生长情况，故对每月3景图像利用FMask算法进行去云合成 2 6 。时相选择方面，在综合考虑研究区松毛虫的生长周期和生物学特性 2 7 及主要针叶树种的物候特征后，排除云量过大、无法处理的时相，最终获取研究区2 0 18 年6 月、7 月、8 月，2 0 19 年6月、7 月、9 月，2 0 2 0 年6 月共7 个关键时段完整遥感图像。收集整理研究区的数字高程图（DEM）、森林资源二类调查数据、样点的空间位置（表2），坐标参考WGS-84。表2采用数据概况Table 2Data profiles were used空间分辨数据类型数据名称时间数据说明率或比例尺遥感影像Sentinel-2A10m2018年每期3景68月、影像为522019年TDL、5269月、TDM、522020年6 月TCL,共63景辅助数据森林资源二1:102018年类调查数据高分辨率遥0.6，但依据模型拟合的虫口密度在失叶率低值区段内为负值，与虫口密度定义相悖。而Logistic函数虽然RMSE较小，但R较低，且重度虫害区的虫口密度预测偏低，随程度加深误差加大，监测价值较小。线性函数R?最高为0.7 55，且RMSE值最小为2.8 3，拟合效果表现最好；RPD为3.1，具备较高可靠性；虫口密度与失叶率的关系式为：Y=0.78x+6.586。表6 失叶率与虫口密度耦合方式及评价Table66Couplingmode and evaluation of leaf loss rate andinsectpopulationdensity评价指数模型类别拟合公式R2RMSERPD线性Y=0.78x+6.5860.7552.833.1对数Y=-6.7+log14.74x0.6119.702.3幂Y=x0.719+2.3830.5908.681.5指数Y=0.034+5.2580.51511.981.81LogisticY=0.5655.562.00+0.200.965x3.5虫口密度地理反演及空间格局为从空间上定量表达虫口密度分布格局，本研究基于ENVI平台利用波段运算工具，选用3.4的耦合模型基于3.3的失叶率对虫口密度进行定量反演，并结合松毛虫防治技术规程中对落叶松毛虫发生程度的划分标准 35，以2 0、40、70头/株为分割标准对研究区针叶树种灾害程度进行划分，统计结果见图6 7。12804E12808E12812E12804E12808E12812EN未成灾中度024km轻度重度图6研究区2 0 2 0 年6 月虫口密度空间定量反演结果Fig.6Quantitative spatial inversion of insect populationdensity in June 2020 in the study area由图6 可知，研究区西部失叶程度严重，受灾区域主要以重度失叶为主，东部大面积失叶，但程度较轻。结合图7、图2 可见，整体落叶松重度虫灾区域占比相对较小，仅7.9 7%，但由于落叶松分布总面积大，重度受灾面积为12.12 hm，总受灾面积达到6 17 4hm，为研究区最大，整体132西南林业大学学报第44卷受灾范围较集中但主要受害程度为轻度。反之，云杉总受灾比最大，达6 5.19%，面积却不足落叶松的40%；研究区内樟子松42.38%遭虫害，其中重度受灾区域平均虫口密度大于7 0 头，占研究区樟子松总面积的2 5.9 5%，是轻度受灾面积的1.4倍。30程度%/47120轻度10重度0红松落叶松云杉樟子松不同树种类型图7不同树种类型的受灾面积及比例Fig.7 Disaster area and proportions ofdifferenttreespecies为进一步验证遥感监测结果，本研究将遥感反演虫口密度数据与最大受灾树种落叶松的样地实测数据进行线性回归，并结合2 0 2 0 年长白朝鲜族自治县林业局森防站松毛虫统计数据对比分析，结果见图8、表7。80R2=0.696040200020406080虫口密度预测值/头红色虚线为1：1关系线，蓝色实线为实测值与预测值之间的线性拟合函数线。图：丝线性模型预测虫口密度与实测统计数据线性回归结果Fig.8 The linear model predicted the insect populationdensity against the field statistics表7 实实测与监测虫口密度统计分析表Table7Statistical analysis of measured and predicted insectpopulation density对应灾害程度面积/hm数据源轻中重实际调查数据366630562.798遥感监测值4.39131622817本研究的整体监测结果与实际调查数据相近，虫口密度空间构成与直接详查结果吻合度较高。中、重度区域遥感监测面积与实际人工调查面积相差分别为10 6、19 hm，相差比例仅3.0%、0.6%；在轻度发生面积监测上差异较大，遥感监测面积439 1hm是实际调查面积36 6 6 hm的1.12倍，全样本各程度预测数据均偏高。落叶松的拟合效果良好，R为0.6 9，函数线在1：1线下方，预测值高于实测值。4结论与讨论4.1讨论4.1.1失叶率监测的适宜参考时间根据实验结果，树种物候期差异可能导致监测的适宜参考时相呈现不同趋势，林种分类模型的精度显著提高说明结合林地分布及个别树种特性进行区分监测可以提高监测精度。本研究中红松以受灾当年的6 月效果最佳，而全样本及其余树种均为受灾前1年6 月。结合研究区树种空间分布格局和实际灾情发展可知，自2 0 18 年至2020年，受害树种按落叶松-樟子松-云杉-红松的顺序逐步发展，红松为最后受害；红松经济价值较高，人工红松林相对集中，防治措施落实及时，灾害发展因人工介人较慢，故红松适宜参考时相相对延后。20182019年6 月与监测时相处于同月份，物候条件差异极小，时相间的LAI差值直接体现森林冠层叶片状态的不同，排除物候变化导致的植被自然生长影响，差值大小主要影响因素在于食叶害虫导致的失叶现象，以此为参考时相界定灾害扰动程度更精准高效。在实际应用中，遥感监测应当先于灾害大面积发生前监测主要区域，以受灾前1年6 月为基准的精度具有最显著的效果及实际意义。在前人研究中，参考时相主要为同期的3年前 16 及1 年前 15 或从长时序监测角度进行预测 14,本实验确定的受灾前1年6 月与目前美国国家森林局规定的3年前同期相近 15，实验结果合理可行；在失叶程度轻微且受害规模较小时，即虫害发生的早期，无法直接利用模型实现监测，因此基于遥感监测数据拟合的预测虫口密度值相较于样地调查值更接近实际4.1.2虫口密度重要因子相关性参考前人分析结果表明，坡度 36 ，密度，海拔、林龄 34，郁闭度、平均胸径 18 等地理因子对虫口密度影响较大。本研究各因子影响趋势相同但显著相关性不高，主要差异来自研究尺度及监133第1期姜雪菲等：森林食叶害虫空间分布格局遥感定量反演研究测机制：前人都是比较小的样地尺度，选择的样点间隔较为密集，造成数据差异的主要影响因子突出，而本研究尺度比较大，对所选样点做实地考察发现，完整影响过程的刻画需考虑多因素的共同作用，逐一进行拟合显著性低且难以精准得到准确参数；此外，前人研究以地面调查为主，依据实际虫害情况分析由灾害导致的森林损失，从本质到现象，本研究基于遥感图像分析，采用失叶率等同样表征虫害程度的因子从现象推断本质，是导致本研究结果与前人研究差异的主要因素。4.1.3灾害空间格局的定量监测虽然落叶松毛虫的主要取食对象不是红松、樟子松、云杉等常绿树种，但由于研究区内主要常绿树种与落叶松林类镶嵌分布，彼此为相邻树种，没有天然隔阅，随着虫口密度增加，部分成虫会将卵产在常绿针叶林内，加之叶片更新速度较慢，林内的幼虫在春季造成的灾害较落叶针叶林内更为严重，造成在2 0 2 0 年6 月重度受灾面积比最大、虫害程度最严重的现象。而红松的平均斑块面积最小，且早期受灾害影响较小，故受灾比最小。鉴于人工调查所受地形等限制因素及采用标准差异，遥感监测能够避免山区和边境区等监测漏洞，覆盖更加广泛全面，与虫害实际发生情况更加相符。4.2结论本研究以长白山落叶松毛虫灾害为例，通过分析监测时相与参考时相间LAI的差异，定量获取食叶害虫灾害导致的LAI损失率，耦合失叶率及虫口密度的定量关系，结合实地调查数据验证并进行空间拓展，实现森林食叶害虫灾害空间格局的定量监测，主要研究结论如下：1）基于三维卷积神经网络模型，提取了研究区落叶松、红松、樟子松、云杉等4种主要林型的空间分布，经验证精度范围8 6%9 1%。2）基于PROSAIL模型，对研究区2 0 182020共7 期遥感数据进行LAI反演，整体精度大于8 8%。3）通过对比不同参考时期拟合失叶率与监测时期实地调查数据精度差异，明确了失叶率计算采用的最佳检测时间点即受灾前1年的6 月，为森林病虫害的定量表征奠定重要基础。4）探明了失叶率与虫口密度之间的相关性及最佳耦合模型，实现长白山市病虫害程度的可视化空间表征，为森林病虫害的精准防治提供重要技术支撑。参考文献1王文森，陈文海.对落叶松毛虫危害的防治 .农村实用科技信息，2 0 14(8)：14.2郭安红，王纯枝，李轩，等.东北地区落叶松毛虫灾害气象风险区划初步研究 .灾害学，2 0 12,2 7(2):24-28.3余恩裕，尹泰龙.落叶松毛虫虫情预测的研究：食叶量、残害量、总危害量及林分针叶蓄积量的测算 .吉林林业科技，19 8 0,9(2):56-59.4彭隆赞，金时超，孟凡凡，等.马尾松毛虫危害程度的高光谱监测方法 J.湖北林业科技,2 0 17,46(3)：1-6.5元兴兰，刘健，胡宗庆，等.基于纹理特征的SPOT-5影像马尾松毛虫害信息提取 J.西南林业大学学报,2 0 12,32(1):46-50,111.6Dottavio C L,Williams D L.Satellite technology:animproved means for monitoring forest insect defoli-ation J.Journal of Forestry,1983,81(1):30-34.7Kharuk V I,Ranson K J,Kozuhovskaya A G,et al.NOAA/AVHRR satellite detection of Siberian silk-moth outbreaks in eastern Siberia.InternationalJournal of Remote Sensing,2004,25(24):5543-5556.8武红敢.卫星遥感技术在森林病虫害监测中的应用 .世界林业研究，19 9 5,8(2):2 4-2 9.9陈文静.基于多光谱遥感影像的落叶松毛虫虫害区域识别研究 D.哈尔滨：东北林业大学,2 0 2 1.10Samseemoung G,Jayasuriya H P W,Soni P.Oil palmpest infestation monitoring and evaluation by heli-copter-mounted,lowaltituderemotesensingplatform J.Journal of Applied Remote Sensing,2011,5(1):053540.11元兴兰，肖丰庆，刘健，等.基于多尺度纹理与光谱特征的马尾松毛虫虫害信息提取方法研究 .西南林业大学学报（自然科学），2 0 19,39(5)：136-143.12地力夏提依马木，周建平，许燕，等.基于Logistic算法与遥感影像的棉花虫害监测研究 J.华南农业大学学报,2 0 2 2,43(2):8 7-9 5.13雷定湘.无人机多光谱的棉蚜危害等级分类研究 D阿拉尔：塔里木大学，2 0 2 2.14白力嘎，黄晓君,DashzebegdG,等.基于高光谱特征的雅氏落叶松尺虫口密度估算 .昆虫学报，2021,64(6):711-721.15黄晓君，颉耀文，包玉海，等.微分光谱连续小波系数驰陆（责任编辑134西南林业大学学报第44卷估测雅氏落叶松尺危害下的落叶松失叶率 J.光谱学与光谱分析，2 0 19,39(9)：2 7 32-2 7 38.16Housman I,Chastain R,Finco M.An evaluation offorest health insect and disease survey data and satel-lite-based remote sensing forest change detection meth-ods:case studies in the United States J.Remote Sens-ing,2018,10(8):1184.17Pasquarella V,Bradley B,Woodcock C.Near-real-timemonitoring of insect defoliation using landsat timeseries J.Forests,2017,8(8):275.18孙晨辉，许嘉巍，靳英华，等.长白山原始林空间结构与落叶松毛虫虫口密度关系研究 J.林业调查规划,2022,47(1):72-80.19王冬，陈国发，任浩章，等.几种苯甲酰基脲类杀虫剂大面积地面喷雾防治赤松毛虫 J.森林病虫通讯，1998,17(4):21-22,34.20向玉勇，张帆.赤眼蜂在我国生物防治中的应用研究进展 J.河南农业科学，2 0 11,40(12)：2 0-2 4.21国家市场监督管理总局，国家标准化管理委员会.叶面积指数遥感产品真实性检验：GB/T400342021S.北京：中国标准出版社，2 0 2 1.22杜凯名，高成龙，刘文萍，等.油松毛虫性信息素监测量与失叶率及虫口密度的相关性分析 .植物保护学报,2 0 16,43(6):9 6 6-9 7 1.23吉林省质量技术监督局.伊藤厚丝叶蜂防治技术规程：DB22/T23242015S.长春：吉林省质量技术监督局,2 0 15.24李友恭，陈顺立，洪伟，等.马尾松毛虫空间分布型及其在实践上的应用 J.福建林学院学报，19 9 0,10(3)：243-255.25Pasqualotto N,DUrso G,Bolognesi S F,et al.Retriev-al of evapotranspiration from sentinel-2:comparison ofvegetation indices,semi-empirical models and SNAPbiophysical processor approach J.Agronomy,2019,9(10):663.26Foga S,Scaramuzza P L,Guo S,et al.Cloud detec-tion algorithm comparison and validation for operation-al Landsat data products J.Remote Sensing of Envir-onment,2017,194:379-390.27陈方昕，李文光，马小丽.长白山地区落叶松毛虫生物学特性研究 J.防护林科技,2 0 18(8)：40-42.28李竺强，朱瑞飞，高放，等。三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类 .光学学报,2 0 18,38(8):40 4-413.29Weiss M,Baret F,Jay S.S2ToolBox Level 2 ProductsLAI,FAPAR,FCOVER Z.Paris:Paris-Saclay Uni-versity,2016.30蔡博峰，绍霞.基于PROSPECT+SAIL模型的遥感叶面积指数反演 J.国土资源遥感，2 0 0 7,19(2)：39-43.31石雪.基于层次化混合模型的高分辨率遥感影像分割方法 D.阜新：辽宁工程技术大学,2 0 2 0.32霍朗宁.基于单站地基激光雷达数据的油松失叶率定量估算研究 D.北京：北京林业大学,2 0 19.33中华人民共和国国家林业局.林业有害生物发生及成灾标准：LY/T16812006S.北京：中国标准出版社,2 0 12.34于跃，房磊，王凤霞，等.落叶松毛虫发生的空间分布及其影响因子 .生态学杂志，2 0 16，35(5):1285-1293.35国家质量监督检验检疫总局，中国国家标准化管理委员会.松毛虫防治技术规程：GB/T24882一2010S.北京：中国标准出版社，2 0 11.36孙向文，段君博，白玉桐，等.松林立地类型与松毛虫发生量相关性调查 J.森林病虫通讯,19 9 7,16(4):21-23.