基于多光谱卫星影像与机器学习算法的松材线虫病受害林分识别研究

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蔓延的有效手段,精准监测疫木是防控松材线虫病的前提,但是现阶段缺少大面积识别松材线虫病疫木的技术方法。本文旨在探索哨兵-2号与Landsat-8遥感卫星影像对受害松林的识别能力,采用随机森林(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种机器学习算法建立了松材线虫病监测模型。结果表明:基于哨兵-2号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遥感卫星影像,其中基于10 m分辨率的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到了79.3%、76.2%、78.7%和78.9%。在3种不同的影像数据集中,RF、SVM和XGBoost的准确率、Kappa系数和ROC值接近,均明显优于决策树算法。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。本研究建立的松材线虫病受害林分监测模型为科学防控松材线虫病提供了技术支撑。