虫害检测算法研究是开展虫害快速、 准确监测, 制定精准森防检疫措施的重要基础。 以毛竹叶片为研究尺度, 基于刚竹毒蛾危害下的寄主外部形态与内部生理现象总结, 选择并实测叶损量LL、 相对叶绿素含量RCC、 相对含水量RWC、 原始光谱的733.66~898.56 nm值（ρ733.66~898.56）、 一阶微分光谱的562.95~585.25 nm值（ρ′562.95~585.25）与706.18~725.41 nm值（ρ′706.18~725.41）等理化参数, 随机划分实验组（63组）和验证组（37组）并设计5次重复实验; 分别运用Fisher判别分析、 BP神经网络、 随机森林等三种方法建立刚竹毒蛾危害等级的检测模型, 从检测精度、 Kappa系数及R2等指标对模型的检测效果予以分析和比较。 结果显示, Fisher判别分析、 BP神经网络、 随机森林的检测精度分别为69.19%, 65.41%, 83.78%, Kappa系数分别为0.576 9, 0.532 4和0.778 8, R2分别为0.722 2, 0.582 6和0.870 9, 总体而言, 三种方法均具备刚竹毒蛾危害的检测能力, 随机森林的检测效果最优, Fisher判别分析次之, 再次为BP神经网络; 从分等级来看, 随机森林的检测精度亦优于Fisher判别分析与BP神经网络, 但3种方法对中度危害等级的检测精度均有所不足。 该成果可为刚竹毒蛾危害及其他病虫害检测算法的选择提供参考, 并为进一步建立冠层、 遥感影像像元等尺度的虫害检测模型奠定基础。

虫害检测算法的构建是耦合“地—天”特征的过程, 是实现其遥感监测的重要保障。 以福建省三明市、 将乐县、 沙县、 南平市延平区等4个县(区、 市)为试验区, 收集182组马尾松毛虫害样本数据, 随机划分为训练集与验证集, 设置5次重复试验及1次指标筛除试验。 结合马尾松毛虫危害下的寄主表征, 获取松林叶面积指数LAI、 叶面积指数标准误SEL、 归一化差值植被指数NDVI、 缨帽变换湿度轴WET及影像绿光波段B2、 红光波段B3、 近红外波段B4等7个地面与遥感特征指标, 建立其危害等级的Fisher判别分析与随机森林模型, 从检测精度、 Kappa系数、 ROC曲线等角度综合比较两种算法的检测效果, 并给予配对t检验。 结果表明: 7个指标均具备虫害响应能力, SEL和NDVI相对较弱; Fisher判别分析6次试验的虫害平均检测精度为73.26%, Kappa系数为0.631 9, 而RF法则分别为79.30%, 0.715 1, 显著优于前者(p＜0.05); RF法对无危害、 轻度危害、 中度危害3个虫害等级的检测精度、 Kappa系数、 AUC均显著高于Fisher判别分析(p＜0.05), 对于重度危害等级, Fisher判别分析则占优。 总体而言, RF法对马尾松毛虫害的检测效果优于Fisher判别分析, 但Fisher判别分析对重度危害等级有更高准确性且模型明确、 易于推广, 可综合应用两种算法开展虫害监测工作。 该成果为马尾松毛虫害及其他森林病虫害的有效检测提供技术参考, 奠定其遥感监测的基础。

以ALOS AVNIR-2、CBERS-02B CCD、HJ1A-CCD2、Landsat 7 ETM四幅中分辨率遥感影像为试验数据,分析明亮区植被、阴影区植被与水体区的光谱特征与差异,基于近红外波段与归一化植被指数NDVI,构建归一化阴影植被指数NSVI,并评价其光谱差异增强及分类效果.结果表明,NSVI大幅扩大了明亮区植被、阴影区植被、水体区间的光谱相对差异,降低光谱混淆概率；利用NSVI阈值法对四幅试验影像进行分类,总精度均大于97%,总Kappa在0.96以上,且阴影区植被的检测精度均在94%以上,总Kappa系数亦高于0.96.该指数利用地物在近红外波段的辐射差异,解决NDVI只能部分削弱地形影响的问题,扩大地物间的光谱差异,从而提升地物尤其是阴影检测的有效性,且不存在NDVI“易饱和”问题,可为遥感影像阴影去除提供一种新的解决方案.