基于Sentinel-2A MSI特征的毛竹林剛竹毒蛾危害檢測

許章華 周 鑫 姚 雄 李巧斯 李增祿 郭孝玉

(1.福州大學環境與安全工程學院， 福州 350108； 2.福建省資源環境監測與可持續經營利用重點實驗室， 三明 365004；3.福州大學地理與生態環境研究院， 福州 350108； 4.福建工程學院建筑與城鄉規劃學院， 福州 350118；5.香港大學地球科學系， 香港 999077； 6.世紀大學教育學院， 哥打白沙羅 47810)

0 引言

蟲害一直威脅著竹林健康，導致竹林林分質量下降，價值受損。剛竹毒蛾(PantanaphyllostachysaeChao)是竹的主要食葉性害蟲，蟲害大爆發時可致竹林成片枯死，嚴重影響竹林生產和竹林生態系統的健康，造成重大經濟損失，威脅生態安全，成為制約竹產業健康發展的主要因素。因此，開展大面積蟲害等級檢測對實現精準防控具有重大意義[1]。

近年來，光學衛星遙感時空譜分辨率顯著提升，在病蟲害監測中得到廣泛應用[2]。一些學者基于Landsat系列衛星實現了云杉大小蠹(DendroctonusmicansKug)、華山松大小蠹(DendroctonusarmandiTsai et Li.)等森林蟲害的遙感監測[3-4]，還有一些學者基于MODIS系列產品實現了春尺蠖(ApocheimacinerariusErschoff)等蟲害監測與時序變化分析[5]。但是，在植被健康狀態機理研究中發現，僅靠可見光(400～680 nm)以及紅外(>750 nm)的光譜信息建立植被健康狀態檢測模型存在一定的局限性，而紅邊(680～780 nm)是植物病蟲害識別中最明顯的標志之一，紅邊左側的反射率主要反映了植被葉綠素含量，右側的反射率波動反映了葉內組織結構和植物體內含水量的變化，這就說明當植被葉綠素或者葉內組織結構和植物體內含水量發生變化時，“紅邊”會產生位移，從而揭示植被健康狀態[6]。現有研究表明基于紅邊位置構建的森林健康監測模型優于其他模型，并且與其他波段相比，紅邊波段和近紅外波段更早監測到植物的應激反應[7]。而常見的星載遙感，如Landsat系列、HJ系列、SPOT系列等衛星，只能獲取到地物可見光以及紅外的部分信息，難以獲取到植被紅邊位置的光譜信息，Sentinel-2A衛星解決了此問題，在林業相關領域得到了廣泛應用，尤其是其紅邊位置信息，在森林火災、森林冠層、森林健康診斷等方面均得到了良好應用[8-10]。但是，Sentinel-2A MSI在竹林蟲害檢測中的應用還鮮見報道。

近些年來，剛竹毒蛾危害下的寄主特征研究取得了階段性進展，學界對蟲害脅迫下寄主的外部形態、內部生理現象以及響應機理已經有了一定的認識。相關研究發現[1]，703.43～898.56 nm光譜對剛竹毒蛾危害具有較強的判別能力，并且受害葉片的光譜反射率明顯低于健康葉片，蟲害等級越高，其反射率越低。研究者基于剛竹毒蛾危害下寄主表征的變化，構建各種檢測模型以反映毛竹葉片的受害程度，對比分析不同受害程度竹葉中相對葉綠素含量、含水量、含氮量以及光譜特征的差異，構建了葉片尺度的葉綠素反演模型以及蟲害檢測模型[11-12]。但是，基于星載遙感實現剛竹毒蛾危害監測的研究還較為少見。

機器學習的快速發展也為蟲害檢測模型的構建提供了更多選擇，如人工神經網絡、支持向量機、隨機森林模型等[13-14]。一些研究者利用隨機森林、Fisher判別分析、XGBoost等方法開展了不同尺度的蟲害提取研究并獲得了較好的成果[15-17]。在對剛竹毒蛾危害下葉片尺度寄主特征研究的過程中，先后比較了RF、XGBoost和Fisher判別分析等模型的蟲害判別能力，其中，XGBoost模型的精度較高、穩定性較強[12,17]，并且XGBoost模型在目標函數中加入的正則項，可以有效地防止過擬合。因此，XGBoost憑借其易用性以及高性能在剛竹毒蛾危害下葉片尺度寄主特征研究中取得優異表現[18-19]。星載遙感為了實現分類，往往需要設置大量的特征，過多的數據特征可能會造成“Hughes”現象，即“維數災難”[20]，因此，從大量原始特征中找到最優特征參與分類是首要問題。相關方法較多，像單因素方差分析(ANOVA)、遞歸特征消除法(Recursive feature elimination，RFE)等特征優選方法已經在諸多領域得到了應用，已證明其有效性[21-22]。因此，在模型建立之前利用ANOVA-RFE對所選指標進行篩選可以有效提高分類效率和精度。

本文將葉片尺度下不同等級剛竹毒蛾危害的差異上升到像元尺度，分析像元尺度下不同蟲害等級的光譜差異，優選出最優光譜衍生指標構建XGBoost蟲害檢測模型，以期為竹林剛竹毒蛾危害大尺度監測以及竹林防護提供理論依據以及技術支持。

1 材料與方法

1.1 試驗區與數據

本研究以福建省南平市順昌縣為試驗區。該縣位于福建省西北部，坐標為117°29′～118°38′E，26°38′～27°12′N，縣域面積1 985 km2，以山地、丘陵地貌為主，林地面積約17萬hm2，其中竹林面積逾4萬hm2；受亞熱帶海洋性季風氣候影響，干濕分明，氣候溫和。順昌縣是我國南方重點林區，是全國首批“竹子之鄉”，國家木材戰略儲備基地縣、森林質量精準提升示范縣，并且完成了全國首單竹林碳匯交易。但是各類森林病蟲害，諸如剛竹毒蛾、馬尾松毛蟲等害蟲的發生面積居高不下，嚴重制約了當地林業經濟的可持續發展。

于2020年10月在試驗區設置267塊15 m×15 m的樣地開展毛竹林調查，收集了不同剛竹毒蛾危害樣本的林分結構參數、蟲害狀況等信息，并參照相關標準將蟲害等級劃分為無危害(Healthy，H)、輕度危害(Mildly damaged，Mi)、中度危害(Moderately damaged，Mo)與重度危害(Severely damaged，S)4個等級[13-14]。在歐空局哥白尼數據中心(https:∥scihub.copernicus.eu/)上獲取覆蓋試驗區的Sentinel-2A MSI遙感影像3景，衛星過境時間為2020年10月23日，與野外調研時間接近。利用SNAP軟件對其進行大氣校正、超分辨率等處理，借助矢量邊界數據裁剪試驗區影像，并利用“基于片層-面向類”(Film-based & class-oriented，FB-CO)竹林提取算法[23]提取試驗區竹林信息(圖1)。

圖1 試驗區及數據處理Fig.1 Study area and data-processing

1.2 特征優選方法

1.2.1寄主特征及遙感指標分析

被剛竹毒蛾侵染后，毛竹林的生理特征發生改變。葉片尺度研究發現[12,17-18]，受害狀態下的毛竹葉片葉面積、葉片結構、葉綠素、含水率及光譜特征等均表現出與健康葉片的顯著差異性；在利用無人機高光譜數據提取不同剛竹毒蛾危害等級時發現，與其他植被指數相比，SAVI、NDI、GNDVI等指數對剛竹毒蛾危害具有更高的相關性[24]；而到了星載遙感上，LAI、NDVI以及特征光譜構建的RF檢測模型可以很好地反映遙感尺度下剛竹毒蛾危害程度。綜合前期研究成果及Sentinel-2A MSI波段設計的特殊性，本研究從葉損量、綠度、含水率和紅邊4個維度選擇了22個指標，分別為歸一化差分紅邊植被指數(NDVI705、NDVI740、NDVI783)[8]、葉面積指數(LAI)[25]、比值植被指數(RVI)[26]、增強植被指數(EVI)[26]、歸一化植被指數(NDVI)[26]、歸一化差值山地植被指數(NDMVI)[27]、轉換型歸一化差值植被指數(TNDVI)[28]、土壤調整植被指數(SAVI0.1,SAVI0.2,…,SAVI0.5)[28]、修正的土壤調整植被指數(MSAVI)[28]、纓帽變換濕度分量(WI)[29]、全球植被濕度指數(GVMI)[30]、歸一化差分水體指數(NDWI)[30]、改進歸一化差分水體指數(MNDWI)[30]、紅邊植被指數(Red edge vegetation index1,2,3，RegVI1、RegVI2、RegVI3)。挖掘像元尺度下的剛竹毒蛾危害遙感響應特征，同時為了統一所有指數的數量級，對其做了歸一化處理，使得22個指標值統一為0～1。其中，紅邊植被指數RegVI1、RegVI2、RegVI3計算公式分別為

(1)

(2)

(3)

式中Reg705、Reg740、Reg783——Sentinel-2A的5、6、7波段反射率

1.2.2遙感響應特征優選

上述提取的眾多特征并非都對不同蟲害等級分類有意義，為此，通過特征選擇剔除眾多特征中對蟲害響應相對不敏感的特征，找到最適合分類的特征子集，可以有效提高分類效率和精度。本研究利用單因素方差分析與遞歸特征消除法對所選指標進行優化。單因素方差分析(ANOVA)是一種假設檢驗，用來分析、分解試驗數據的波動性，然后將某影響因素下的試驗數據間可能存在的系統性波動與隨機波動加以比較，推斷各總體均值之間是否存在顯著性差異，在均值不等的情況下，單因素方差分析可以很好地討論因素對試驗結果的影響，從而直觀地展示各指標對蟲害的響應能力[31]。遞歸特征消除法(Recursive feature elimination，RFE)是依據各指標在機器學習模型中的重要性排序，刪去末位指標并反復迭代得出最優指標的方法[32]，算法中有3個關鍵參數，分別是“estimator”，“step”和“n_features_to_select”。“estimator”是RFE的基礎評估器，以評估選定特征的性能(本研究為XGBoost)；“step”設置為1，這意味著在每次迭代中添加或刪除的特征數為1；“n_features_to_select”表示最終選擇的特征數量。

ANOVA的結果只能夠解釋特征對蟲害的響應能力，難以客觀得出最佳特征數量，需要浪費大量的時間做排列組合實驗；而RFE可以依據各指標在機器學習模型中的重要性排序，客觀得出最佳特征數量。本文嘗試將ANOVA與RFE結合，二者的結合既可以從機理上解釋特征被選擇的原因，又可以客觀選擇最佳特征數量，從而獲取更高的精度。ANOVA-RFE特征優選的主要步驟是：①利用ANOVA分析22個光譜衍生指標對不同剛竹毒蛾危害等級的響應能力。②將選出的光譜衍生指標放入RFE中，不斷迭代確定參與分類的最優指標數量。③結合ANOVA與RFE的結果確定蟲害響應的最優特征。

1.3 剛竹毒蛾蟲害檢測模型

極致梯度提升(Extreme gradient boosting，XGBoost)算法是一種集成學習模型，由梯度提升決策樹算法(Gradient boosting decision tree，GBDT)改進而來，在機器學習和數據挖掘領域中有著深遠的影響。傳統的GBDT在優化時只用到了一階導數，而XGBoost將目標函數泰勒展開至二階，盡可能地保留原函數的有效信息，并添加正則化項以避免過擬合；此外，XGBoost還設計了針對稀疏數據的算法，無需對確實特征進行填充預處理[20]。該模型的理論框架及具體說明參見文獻[33]。研究表明，XGBoost經過適當調參后，可以得到比一般機器模型更好的分類結果。XGBoost考慮正則化項，目標函數定義式為

(4)

(5)

f(k)——第k個樹模型

γ——葉子樹懲罰正則項，具有剪枝作用

λ——葉子權重懲罰正則項，防止過擬合

1.4 試驗設計與評價方法

按照7∶3的比例將1 066個像元隨機劃分為訓練集和測試集，并進行6次交叉試驗。統計6次交叉驗證結果，采用總體分類精度(Overall accuracy，OA)、分級生產者精度(Producer’s accuracy，PA)、Kappa系數(Kappa coefficient)進行精度評價[12]，OA表示所有類別被正確分類的測試樣本占樣本總體的比例，反映了分類結果的系統準確性；PA表示當前類被正確分類的樣本數目與預測結果中該類總數的比值，反映了分類結果中當前類漏檢情況；Kappa系數表示預測結果內部的一致性。

2 結果與分析

2.1 Sentinel-2A MSI遙感光譜特征分析

圖2 不同蟲害等級像元的光譜反射率Fig.2 Reflectance spectra of bamboo forest with differing degrees of pest damage

將實地調研涉及到的1 066個像元按照不同蟲害等級分別計算反射率均值發現，在Sentinel-2A MSI中，毛竹林的光譜曲線與大部分綠色植物的光譜曲線特性一致，存在明顯的峰谷特征，但隨著剛竹毒蛾危害加重，其光譜特征會發生變化，呈現出“蟲害等級越高，紅邊位置、近紅外波段的反射率越低”的特征(圖2)。每年2月起，越冬代幼蟲開始化蛹為蟲，不斷蠶食毛竹葉片，食出的缺口使得竹葉中的水分迅速流失，導致葉綠素的合成速率下降，從而影響光合作用速率。隨著失葉程度的不斷加劇，寄主光合作用的能力不斷被削弱，當光合作用減弱到一定程度，光能吸收—釋放的平衡會被打破，導致竹體內的水分無法被有效耗解，由此引發惡性循環，竹節內則不斷干枯。同時，葉片的多孔薄壁細胞結構也會遭到破壞，多種因素共同導致光譜“紅邊”斜率和近紅外波長反射率降低。剛竹毒蛾蟲害的爆發往往是從源到面、從小到大的過程。因此，隨著時間不斷推移，越冬代、第一代、第二代剛竹毒蛾危害先后爆發，毛竹林受災面積在10月下旬累積到極大值，且此時不同蟲害等級之間的差異性最大。

總體而言，不同蟲害等級之間距離越近可分性越差，距離越遠可分性越好，其中Mi和Mo的光譜曲線最相似且區分難度最高。若只考慮樣本均值，不同蟲害等級的波段2(Blue)、4(Red)、6(Red-edge740，Reg740)、7(Red-edge783，Reg783)、8(Near-infrared，NIR)、8a(Narrow near-infrared，narrow NIR)和11(Short-wave infrared1610，SWIR1610)均表現出明顯的變化趨勢(圖3)。隨著蟲害等級的提高，波段2以及波段4呈現明顯的上升趨勢，波段6、7、8、8a和11呈現出明顯的下降趨勢，這與不同波段表征的主要影響因子存在較大關系，波段2是葉綠素b的主要吸收區，波段4是葉綠素a的主要吸收區，同時波段6、7、8、8a的反射率與植被葉綠素含量呈現正相關，而波段11主要受到植被含水率的影響，含水率越高反射率越高，含水率越低反射率越低，故隨著蟲害等級提高，不同波段表現出不同的特征。

圖3 原始光譜分組均值圖Fig.3 Raw spectral grouping means

2.2 基于ANOVA-RFE的遙感響應特征優選

2.2.1遙感指標獲取

大多數毛竹林剛竹毒蛾遙感響應特征都可以通過遙感影像直接獲取，但是也有一些特征，如LAI，需要對地面指標進行模型構建，再通過遙感進行反演，且反演方法眾多，不同方法具有不同的優勢，相對而言，多元線性回歸模型對于計算連續性變量具有簡便、直觀的優勢，且更容易解釋其機理；黑盒模型可能具有更高的估測精度[27]。對所有指數進行歸一化處理。具體指標如圖4所示。

圖4 遙感指標專題圖Fig.4 Thematic maps of remote sensing indices

2.2.2基于ANOVA-RFE的特征優選與分析

利用ANOVA分析像元光譜對不同蟲害等級的響應能力，結果顯示(表1)，波段6、7、8、8a具有較強的蟲害檢測能力，對無危害-中度危害、無危害-重度危害、輕度危害-重度危害的響應能力達到了顯著水平，其中無危害-重度危害達到了極顯著水平。對指數而言(表2)，除了MNDWI外所選的21個指數均對蟲害具有較好響應能力，均表現出蟲害等級距離越近可分性越差、距離越遠可分性越好的特點。其中以波段4、5(Red-edge705,Reg705)、6、7、8構建的指數對蟲害等級更敏感，如NDVI、NDMVI、NDVI705、

表1 原始光譜單因素方差分析結果Tab.1 One-way ANOVA results of raw spectra

NDVI783等，各等級蟲害均達到了極顯著水平。所選的不同維度指標中，葉損量在所有蟲害之間都有較好的響應能力，綠度指數對蟲害均有較好的響應能力，但是對無危害-輕度危害、輕度危害-中度危害的響應能力較差，而紅邊指數可以對此提供很好的補充，但是含水率指標下各指數對蟲害的響應能力結果并不理想，較難單獨作為蟲害等級判別因子存在。

將所有指標放入RFE中，結果如圖5所示，分類精度隨著參與分類的特征數目的增加呈現“先上升后降低逐漸趨于穩定”的特征，當特征數等于10時，分類精度最高，因此確定10個特征構建最優特征子集。

圖5 RFE結果Fig.5 Recursive feature elimination (RFE) results

圖6 重要性排序Fig.6 Importance ranking

根據實驗1～6的重要性排序可知(圖6)，10個特征變量的貢獻度由大到小依次為RegVI1、NDVI705、RegVI2、NDVI783、EVI、GVMI、LAI、RVI、NDWI和NDMVI。總的來說，選取的特征變量對剛竹毒蛾危害具有很好的響應能力，但是不同蟲害等級的樣本之間仍存在較大的差異性(圖7)。例如，隨著蟲害等級的加重，EVI呈現出明顯下降趨勢而NDWI呈現出明顯上升趨勢；但從箱線圖(圖7)看，即便相同等級的樣本，其值也存在較大區別。不同維度的數據也表現出不同的趨勢，綠度指標隨著剛竹毒蛾危害等級的加重呈現下降的趨勢；葉損量指標和紅邊指標與綠度一樣，也表現出隨著蟲害的加重而下降的趨勢，且趨勢更為明顯；但含水率指標與其他指標明顯不同，隨著蟲害的加重，該維度指標呈現總體上升局部下降的趨勢。含水率指標表現出的趨勢與理論不一致，這可能是因為蟲害等級的加深導致毛竹林冠層葉量減少，暴露出更多的林下植被，進而反映到該樣本光譜上，使得光譜值異常抬高。

圖7 優選指標分組均值圖Fig.7 Grouped mean values of selected optimal indices

2.3 基于XGBoost的剛竹毒蛾危害檢測模型建立與評價

基于試驗組樣本數據，將上文特征優選后的10個指標放入XGBoost模型，以10個指標為自變量，無危害、輕度危害、中度危害及重度危害為因變量，并利用網格搜索交叉驗證(Grid search and cross validation，GridSearchCV)調整模型重要參數(n_estimater為40，max_depth為2，gamma為0.1，learning_rate為0.07)。

將驗證集樣本數據代入訓練好的XGBoost蟲害檢測模型，并計算不同剛竹毒蛾危害等級的OA、PA和Kappa系數，結果如表3所示。結果顯示，模型對剛竹毒蛾危害具有較好的檢測效果，檢測精度達到81%以上，Kappa系數也超過了0.81；試驗1～6的檢測精度分別為82.93%、85.10%、82.75%、83.76%、84.48%和83.17%，總平均精度為83.70%，最高和最低精度之間相差不到3個百分點，表明所建立模型具有較好的穩定性。細分各健康等級的分級結果(表3)，無危害的識別精度最高達到了94.72%；其次為重度危害，識別精度為92.41%；再次為中度危害，識別精度為79.77%；輕度危害的識別精度最低，為72.06%。在6個試驗中，試驗2總體精度最高，但是該次試驗對輕度危害的識別精度較低，比6次試驗輕度危害平均精度低了3.56個百分點；試驗3的總體精度最低，但是輕度危害與中度危害的識別精度比該類危害下平均精度分別高了0.66個百分點和0.56個百分點。不同剛竹毒蛾危害等級的占比也不同，無危害占比最高，為45.22%；其次為輕度危害，占比為21.79%；最后是中度危害以及重度危害，占比分別為17.89%、16.21%。剛竹毒蛾重度危害及無危害有著較為明顯的集聚現象(圖8)，重度危害竹林主要分布在西部以及中部偏東，輕度危害與中度危害圍繞著重度危害離散分布，與剛竹毒蛾危害蔓延“由點到面、從小到大”特征相符，進一步佐證了提取結果的準確性。

表3 驗證數據集的OA、PA和Kappa系數Tab.3 Overall accuracy (OA), producer accuracy (PA), and Kappa coefficient of validation dataset

圖8 蟲害提取結果Fig.8 Damage extraction results

總體而言，XGBoost蟲害檢測模型對不同蟲害等級的識別精度達到了預期，但對輕度危害的識別效果仍有待提高。

2.4 討論

在蟲害監測領域，早期研究者利用地面實測高光譜對農業、林業微觀尺度的光譜變化做了大量的研究，發現蟲害脅迫下的植被葉片和冠層反射輻射的總量及方向受到了影響，從而使得受脅迫植被的光譜特性發生變化[34]。現有研究表明，蟲害脅迫下植被光譜曲線可見光反射率整體呈上升趨勢，而在近紅外區域呈現下降的特征；在可見光區的“藍邊”“綠邊”“黃邊”“紅谷”及紅光過渡到近紅外的“紅邊”是描述植物健康狀況的重要指示波段，其中“紅邊”是植物曲線最明顯的特征[35]。早在20世紀下半葉，就有研究者對植被紅邊波段開展研究，得出紅邊波段是葉綠素含量的最佳遙感描述特征之一，是植被光譜最明顯的標志之一的結論，紅邊信息主要包括紅邊位置、紅邊峰值以及紅邊斜率，主要反映植被覆蓋度或葉面積指數、植被葉綠素含量等，從而反映植物生長狀況[36]。之后，研究者不斷拓寬紅邊信息的應用領域，紅邊信息逐漸在森林健康診斷、水體藻類等領域中大放異彩。

圖9 不同蟲害等級的葉片反射率Fig.9 Leaf reflectance with different degrees of pest damage

圖10 不同蟲害等級的葉片反射率與像元反射率對比Fig.10 Comparison of leaf reflectance with image-scale reflectance for different infestation categories

所有在軌衛星中，Sentinel-2號衛星是唯一具有3個紅邊波段的衛星，而紅邊波段的組合可以很好地揭示森林的健康狀態。在對云杉色卷蛾(Choristoneurafumiferana)脅迫下云杉受災程度研究時發現，紅邊波段衍生的光譜指標相較于傳統指標效果更好[10]，這在本研究中也有體現，紅邊波段參與構建的指標在蟲害檢測中的整體表現優于傳統指標。本文對比了不同剛竹毒蛾危害等級下Sentinel-2A MSI與地面高光譜數據(Ground hyper spectral data，GS)的反射率(圖9)，發現GS的反射率均高于Sentinel-2A MSI；當比較二者不同蟲害等級對應波長反射率時發現(圖10)，GS數據的“綠峰紅谷”現象比Sentinel-2A MSI更明顯，并且不同蟲害等級在GS數據665 nm比Sentinel-2A MSI紅波段具有更明顯的差異性(圖10)；總體趨勢上，二者在1 300 nm前趨勢上均具有很明顯的趨同性，但到了1 500 nm以后，二者在無危害、輕度危害以及中度危害的反射率變化基本保持一致，重度危害反射率卻出現明顯的差異，此時重度危害的GS反射率會高于其他蟲害等級的反射率，這個現象與Sentinel-2A MSI表現結果正好相反。在蟲害敏感波段上，GS與Sentinel-2A MSI也具有極高的相似性，在早期地面研究中，發現703～898 nm是剛竹毒蛾危害下的毛竹葉片的光譜特征波段[1]，而在本文的研究中，Sentinel-2A MSI的5、6、7、8、8a這5個波段是剛竹毒蛾危害下像元尺度的敏感波段，也位于703～898 nm；同時，研究發現部分基于Sentinel-2A MSI構建的植被指數在剛竹毒蛾危害的檢測中會優于GS數據中對應指數，如NDVI，基于GS構建的NDVI表現出的作用會劣于Sentinel-2A MSI，這一結果與前人的研究結果[37]相符。此外，在對比GS與Sentinel-2A MSI相同蟲害等級的光譜反射率范圍(圖10)時，發現在無危害等級下二者沒有交集；但在受害情況下，二者出現明顯的相交區域，輕度危害二者有4個波段相交，分別為波段7、8、8a、9；中度危害和重度危害有5個波段相交，相較于輕度危害增加了波段6；這5個波段均位于紅邊以及近紅外波段范圍內，從另一個角度也證明了紅邊以及近紅外波段是剛竹毒蛾危害監測的重要波段。剛竹毒蛾是試驗區毛竹林最主要的一種食葉性害蟲，當然，竹林還可能受到竹蝗、竹螨、枯梢病等病蟲害的侵染，這些不同病蟲害脅迫下的寄主外在表征可能具有一定的相似性，因此，在病蟲害識別過程中，這種混淆情況的甄別將是未來的重要工作方向。

3 結論

(1)對于受剛竹毒蛾危害的樣本而言，隨著蟲害等級的上升，其可見光波段呈現出“綠降紅升”的趨勢，紅邊波段反射率以及斜率不斷降低。

(2)Sentinel-2A MSI的原始波段具有一定的蟲害響應能力，各蟲害等級寄主竹林反射率在波段6、7、8、8a上表現的差異最為明顯，對無危害-中度危害、無危害-重度危害、輕度危害-重度危害檢測能力都達到了顯著性水平。紅邊及近紅外波段是蟲害檢測的重要窗口，其原始光譜信息及相關指數對寄主竹林的健康狀態極其敏感，在蟲害檢測中發揮極其重要的作用。

(3)根據模型給出的重要性排序，10個特征變量的貢獻度從高到低依次為RegVI1、NDVI705、RegVI2、NDVI783、EVI、GVMI、LAI、RVI、NDWI以及NDMVI。從模型的檢測效果來看，其對無危害、中度危害、重度危害的檢測精度都達到了75%以上，甚至無危害、重度危害的檢測精度達到了85%以上，但對輕度危害葉片的識別能力有所欠缺。