摘要
松材线虫病(Pine Wilt Disease，PWD)被称为“松树癌症”，具有高传染率和高死亡率，对我国森林资源构成了严重的威胁，对我国的经济、社会和生态造成了重大损失。及时发现并清理疫木是遏制松材线虫病扩散蔓延的有效手段，而精准监测疫木是防控松材线虫病的前提，但现阶段缺少大面积识别松材线虫病侵染林分的技术方法。本文基于无人机与卫星遥感数据，结合机器学习算法，建立了松材线虫病侵染林分的遥感监测模型，明确了最优机器学习算法、最优特征参数、最优数据源组合和最优特征筛选方法，主要研究结果如下: 1、基于30m分辨率的Landsat-8与10m、20m分辨率的Sentinel-2,构建了识别城市、农田、受害和健康林分的3种多地物分类模型。Sentinel-2在多地物分类上的能力强于Landsat-8,其中，基于10m分辨率的Sentinel-2建立的监测模型准确率最高;3种模型均表现出识别农田与城市等地物类型的能力强于识别林分。 2、明确了 Sentinel-2与Landsat-8遥感卫星影像对受害松林的识别能力，构建了基于随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)、决策树(Decision Tree,DT)和极端梯度提升(Extreme Gradient Boosting,XGBoost)等4种机器学习算法的松材线虫病受害林分监测模型。基于Sentinel-2影像数据建立的监测模型对受害松林的识别准确率高于Landsat-8,其中，基于10m分辨率的Sentinel-2影像数据建立的监测模型识别准确率最高，随机森林、决策树、支持向量机和极端梯度提升等算法建立模型的准确率分别达为79.3％、76.2％、78.7％和 78.9％。在 10m、20m 分辨率的 Sentinel-1 和 30m 分辨率的 Landsat-8等3种不同影像数据集中，RF、SVM和XGBoost算法的准确率、Kappa系数和ROC值接近，均明显优于DT。光谱特征中的绿波段、红波段、短波近红外波段和长波近红外以及植被指数中的NBRI、NGRDI、TVI、NDVI和PSSR等对松材线虫病监测模型的贡献值最高。递归消除法对特征参数的筛选效果最好，特征数量由原来50个减少至35个。 3、明确了 Sentinel-1与Sentinel-2对受害松林和不同树种的识别能力，采用XGBoost算法建立了 7种受害松林监测模型。Sentinel-2对受害木和树种的识别精度均高于Sentinel-1,融合Sentinel-1与Sentinel-2数据建立的模型对树种识别的准确率较Sentinel-2单独使用时提高了 8％。Sentinel-1的VH波段与VV波段存在信息重叠，且VH波段蕴涵的有效信息量大于VV。 综上，本研究建立了基于机器学习模型与多源卫星遥感影像的松材线虫病受害林分监测模型，具有较高的识别准确率，揭示了多种遥感特征在松材线虫病受害林监测中的重要性，筛选出了多种性能优异的监测模型，为科学防控松材线虫病提供了技术支撑。
NETL