试验材料为石林彝族自治县西街口镇受云南切梢小蠹危害的云南松中幼龄林的枝梢，云南切梢小蠹对当地云南松造成的危害十分严重。根据《林业有害生物发生及成灾标准》(LY/T 1681-2006)与试验区云南切梢小蠹危害云南松的实际情况，以单株枝梢被害率为指标，将云南切梢小蠹危害程度分为4级(表 1)。

枝梢被害率=出现被害状样枝梢数/样枝梢总数×100%

2017年8月，在试验区内按照云南切梢小蠹危害程度、云南松林龄和地形设置了8个样地，试验区的地理坐标为：103°29′10″~103°29′40″ E，24°49′15″~24°49′40″ N。每个样地分别随机选取10棵云南松取样，在每棵树的上、中、下3个部位，分别从东、南、西、北4个不同的方位进行采样，每棵云南松采集10个左右的枝梢，用塑封袋放于冷藏箱中带回实验室，进行光谱数据的测定。在80组样本数据中，健康云南松的样本16个，轻度危害样本15个，中度危害样本7个，重度危害样本42个。

光谱测定在可控制光照条件(钨灯照明)实验室内进行，高光谱成像系统主要由2个500 W的钨灯、便携式地面成像光谱仪(SOC710VP, 美国Surface Optics Corporation)、C-mount成像镜头、计算机和暗箱等辅助设备构成。

将光谱仪SOC710VP(光谱范围400~1 000 nm，光谱分辨率4.68 nm，共128个波段)架设在一个小暗室(高120 cm，长100 cm，宽100 cm)中。光谱仪目镜高度设置离暗箱底部50 cm，光圈设置为5.6，曝光时间为30 ms；同时，在光谱仪两侧各放1盏钨灯光源。当采集样本光谱数据时，将云南松枝梢平铺在光谱仪目镜正下方，之后打开光源，光源与枝梢成45°入射角。然后，将光谱仪打开，封闭暗室，开始采集光谱数据。每次测量都用标准参考板进行校正，并获取暗电流文件。一共获取80组有效的云南松针叶光谱反射率数据，随机选取50个样本用于建模，其余30个样本用于验证。

经过光谱标定、黑场标定和辐射标定3个步骤，将所测亮度值转换为反射率。为消除原始光谱数据中干扰因素对所建模型的影响，采用Savitzky-Golay 9点平滑方法对原始光谱反射率数据进行平滑处理^[19]。

采用OriginPro8.0计算光谱反射率的一阶微分值^[20]，计算公式如下：

式中：λ_i是波段i的波长值；ρ′_(λi)是波长λ_i的光谱值；2Δλ是波长λ_i-1到λ_i+1的差值，由光谱采样间隔决定。

采用Pearson相关系数表征云南松针叶光谱反射率以及光谱一阶微分与危害程度的相关性^[21]，选择达到显著相关的波段提取高光谱特征参数。

光谱吸收特征、光谱一阶微分、光谱吸收指数、比值指数和归一化指数是高光谱特征提取的常用方法^[22]。本研究以云南松的光谱反射率和光谱一阶微分为基础，参考前人的研究方法^[23-25]，定义了4个基于反射率的位置特征参数、4个基于一阶微分值的位置特征参数、4个面积特征参数以及12个植被指数特征参数，共24个高光谱特征参数，各参数的定义见表 2。使用逐步回归分析对高光谱特征参数进行筛选，将达到显著性水平(P < 0.05)的特征参数用于建立危害程度监测模型。

采用逐步回归分析达到显著性的特征参数，建立云南切梢小蠹危害程度监测模型。监测模型主要采用多元线性回归模型、指数模型、二次函数模型和三次函数模型，具体模型公式如下：

多元线性回归模型(Multiple Linear)：

指数模型(Exponential)：$y = {b_0} + {b_1}\exp \left( {{b_2}x} \right)$

二次函数模型(Quadratic)：$y = {b_0} + {b_1}x + {b_2}{x^2}$

三次函数模型(Cubic)：

式中：y代表切梢小蠹危害程度的拟合值；x、x₁、x₂、...、x_n代表高光谱特征参数；b₀、b₁、b₂、...、b_n代表拟合系数。

本研究使用决定系数(R²)和均方根误差(RMSE)对模型精度进行验证。R²越大，则模型预测精度越高；RMSE值越小，则模型预测精度越高。

根据多元线性回归模型、最佳指数模型、最佳二次函数模型和最佳三次函数模型，计算健康、轻度危害、中度危害和重度危害云南松建模样本的平均值以及平均值的中间值。以平均值的中间值为阈值，建立云南松危害程度的定量判定规则，并使用验证样本对不同监测模型的判定规则进行精度评价^[26]。

云南切梢小蠹不同危害程度的云南松光谱反射率见图 1。光谱反射率可以反映云南切梢小蠹危害的程度，在绿光波段(510~560 nm)，随危害程度的加重，光谱反射率由高到低变化。在红光波段(640~680 nm)，光谱反射率最高的是重度危害，其次是中度危害，轻度危害及健康云南松的最低。在近红外光波段(720~1 036 nm)，光谱反射率随危害程度加重而显著降低。

图  1  不同危害程度的云南松针叶光谱反射率曲线

Figure 1.  Pinus yunnanensis needle spectralreflectance curves of different damage levels

云南松光谱反射率与云南切梢小蠹危害程度的相关性，可以反映切梢小蠹不同危害程度之间的显著差异性(图 2)。在379~429、514~569、708~1 036 nm波段范围内二者呈显著负相关，在600~697 nm波段范围内呈显著正相关。

图  2  光谱反射率与危害程度的相关性(r_0.05[80]=0.217, r_0.01[80]=0.283)

Figure 2.  The correlation between spectral reflectance and damage levels

云南松光谱反射率一阶微分能够反映切梢小蠹危害程度(图 3)。光谱一阶微分曲线在绿边(500~540 nm)有明显的波动，在黄边(550~582 nm)有明显的波谷，在红边(680~760 nm)有明显的波峰，且随着危害程度的加重，峰高逐渐降低，红边位置逐渐向短波方向移动，表明云南松针叶微分光谱的“红边”位置随着云南切梢小蠹危害程度的加重依次发生“蓝移”，红边斜率逐渐减小。

图  3  不同危害程度的云南松针叶光谱一阶微分曲线

Figure 3.  Pinus yunnanensis needle spectral firstderivative curves of different damage levels

云南松光谱反射率一阶微分与危害程度的相关性，可以反映云南切梢小蠹不同危害程度之间的显著差异性(图 4)。在399~488、549~677、786~807、838~875、891~1 036 nm波段范围二者呈极显著正相关，在493~593、687~781 nm波段范围内呈极显著负相关。

图  4  一阶微分与危害程度的相关性(r_0.05[80]=0.217, r_0.01[80]=0.283)

Figure 4.  The correlation between spectral first derivative and damage levels

综上所述，在549~564、509~539、595~677、687~692、702~807、838~875、891~1 031 nm内，云南切梢小蠹危害程度与云南松光谱反射率和光谱一阶微分均极显著相关，在这些波段范围内构造高光谱特征参数，建立云南切梢小蠹危害等级检测模型是可行的。

两两对比不同危害程度之间的光谱反射率差值和光谱一阶微分差值，将差值的绝对值最大的前10个波段作为最佳监测波段窗口(表 3)。各危害程度间的光谱反射率最佳监测波段窗口主要在749~801、823~859 nm的近红外波段范围内，各危害程度之间的光谱一阶微分最佳监测波段窗口多在692~749 nm，说明可见光的红波段的一阶微分可有效监测云南切梢小蠹的危害程度。

通过相关性分析发现，24个高光谱特征参数中的22个都与危害程度显著相关。对高光谱特征参数进行逐步回归分析，达到显著或极显著的参数为S_Dr、D_y、(D-H)/(D+H)、S_Dnir、(S_Dnir-S_Dr)/(S_Dnir+S_Dr)(表 4)。

以这5个特征参数为变量，分别建立多元线性回归模型、指数模型、二次函数模型和三次函数模型，并进行精度验证(表 5), 其中，多元线性回归模型的精度最高(拟合R²=0.958，拟合RMSE=0.260；预测R²=0.948，预测RMSE=0.265)；指数模型中，以(D-H)/(D+H)为输入变量的模型y=-2.264E-5e^(11.963x₃)+4.043的精度最高(拟合R²=0.954，拟合RMSE=0.258；预测R²=0.926，预测RMSE=0.293)；二次函数模型中，以S_Dr为输入变量的模型y=-3.733x₁-0.1005x₁²+4.403的精度最高(拟合R²=0.924，拟合RMSE=0.333；预测R²=0.904，预测RMSE=0.315)；三次函数模型中，以S_D为输入变量的模型y=2.595x₁-16.444x₁²+10.968x₁³+3.941的精度高(拟合R²=0.951，拟合RMSE=0.251；预测R²=0.939，预测RMSE=0.278)。

根据多元线性回归模型、指数模型、二次函数模型和三次函数模型分别计算50个建模样本的预测值以及各模型不同危害程度的平均值和平均值的中间值，建立云南切梢小蠹危害程度定量判定规则，并使用验证样本进行精度验证(表 6)。根据4个模型建立的判定规则检测精度都在80%以上，其中，多元线性回归模型的判定规则精度最高，达到93.333%。最佳定量判定规则为健康(< 1.589)、轻度受害[1.589, 2.465)、中度受害[2.465, 3.381)、重度受害(≥3.381)，可有效检测云南切梢小蠹的危害程度。

植被的光谱反射率和光谱一阶微分可有效反映病虫害危害程度。Xie等^[27]研究番茄叶片灰霉病发现，随接种时间的增加，在绿波段和近红外波段，光谱反射率和光谱一阶微分降低，且一阶微分曲线在红边(680~780 nm)存在“蓝移”现象。窦玉青等^[28]研究烤烟发病叶片发现，随病情程度的增加，绿波段和近红外波段的光谱反射率和光谱一阶微分增加，一阶微分曲线在红边(670~750 nm)存在“蓝移”现象。本研究发现，随着云南切梢小蠹危害程度的加重，光谱反射率和光谱一阶微分降低，一阶微分曲线在红边(680~760 nm)存在“蓝移”现象。这说明病虫害的危害程度可以通过光谱反射率和光谱一阶微分得到有效反映。

高光谱特征参数被广泛用于病虫害监测^[29-30]和植被生化参数^[31]估算。沈文颖等^[30]采用小麦叶片高光谱参数MCARI、PSRI、VARI_green和AI对小麦白粉病严重程度进行估算，取得了较好拟合效果，决定系数为0.770.82，标准误差为9.3410.14。本研究使用的S_Dr、D_y、(D-H)/(D+H)、S_Dnir、(S_Dnir-S_Dr)/(S_Dnir+S_Dr)等5个高光谱特征参数，与云南切梢小蠹危害程度显著相关，以此建立的监测模型的预测精度都达到了0.904以上。说明使用高光谱特征参数监测病虫害危害是可行的。

本研究建立了云南切梢小蠹危害程度监测模型和判定规则。以5个特征参数构建的多元线性回归模型的监测精度最高，实测值与预测值的拟合决定系数为0.948，判定规则的精度达93.333%。许章华等^[32]采用空间距离法、相关系数法及光谱角制图法分别建立松毛虫危害等级定量判定规则，发现空间距离法的判定规则最优。说明建立危害程度监测模型和定量判定规则可实现病虫害的有效监测。

成像光谱遥感获取的光谱数据为一个感兴趣区域的平均光谱反射率，而非成像光谱遥感获取的对象光谱数据通常取几个点的光谱数据做平均，具有随机性，数据质量受光谱测定点的影响大。白雪琪等^[33]使用ASD获取油松针叶的光谱数据，并测定叶绿素和含水量，构建的最佳油松毛虫危害程度监测模型的R²为0.786。本研究的最佳监测模型的R²为0.948，且是在没有测定生化参数的情况下建立的模型，大大提高了模型监测精度，同时达到了简化实验方案、节约时间和成本的目的，但要验证监测模型和判定规则的适用性仍需进行大量的测试和检验。

本研究在云南切梢小蠹的蛀梢期测定了云南松枝梢的室内光谱反射率，建立了云南切梢小蠹危害监测模型和判定规则。研究发现，随危害程度的加重，在绿波段(510~560 nm)和近红外波段(7201~ 036 nm)光谱反射率逐渐降低；随危害程度加重，一阶微分曲线在红边(680~760 nm)的峰值向短波方向移动，出现“蓝移”；多元线性回归模型的拟合效果最优，拟合R²=0.958，预测R²=0.948，RMSE=0.265；根据多元线性回归模型建立的云南切梢小蠹危害程度判定规则的精度达93.333%，可有效判定云南切梢小蠹危害程度。研究结果对于利用成像高光谱遥感技术进行森林病虫害的地面监测具有重要意义，为后续研究无人机遥感、卫星遥感数据的光谱信息与地面遥感数据光谱信息的关系奠定了一定的基础。