基于无人机多光谱影像的桉树人工林Gonipterus sp. n. 2食叶危害等级评估研究

针对传统桉树食叶害虫监测方法效率低下的问题，研究人员利用无人机多光谱技术(UAV)结合XGBoost算法，在南非6个桉树人工林开展Gonipterus sp. n. 2危害等级评估。研究发现10波段传感器模型分类精度达92%，揭示了反射率与植被指数(NDRE740/SIPI等)的显著相关性，为林业害虫精准监测提供了新范式。

　　

桉树作为全球重要的经济树种，正面临来自Gonipterus sp. n. 2（鞘翅目：象甲科）的严重威胁。这种原产澳大利亚的食叶害虫已扩散至五大洲，其幼虫和成虫通过取食嫩叶导致桉树落叶和生长衰退。南非自1916年首次发现该害虫以来，虽引入寄生蜂Anaphes nitens进行生物防治，但受气候适应性差异影响，仍频繁暴发区域性虫害。传统监测方法依赖人工实地调查，存在效率低、覆盖面有限等缺陷。而卫星遥感虽能大范围监测，但其时空分辨率难以捕捉早期危害特征。在此背景下，南非SAPPI林业公司与研究团队创新性地将无人机多光谱技术引入桉树害虫监测领域。

为建立可靠的危害评估体系，研究团队在南非夸祖鲁-纳塔尔省和姆普马兰加省的6个1-2年生Eucalyptus dunnii人工林开展研究。通过配备10波段MicaSense RedEdge Dual MX相机的DJI M300无人机，在2012-2023年间完成9次航测，同步对89-100株样本树进行视觉危害分级（无危害、轻度1-25%、中度26-70%、重度>70%）。研究创新性地采用多地点、多时相数据集，通过直方图匹配技术校正光谱差异，结合29种植被指数和80个灰阶共生矩阵(GLCM)纹理特征，系统比较了XGBoost、随机森林(RF)和支持向量机(SVM)的预测性能。

关键技术包括：1) 采用Agisoft Metashape软件生成5.5cm分辨率正射影像；2) 基于植被高度>0.5m的阈值结合RF分类实现单株树冠分割；3) 通过贝叶斯优化进行超参数调优；4) 采用合成少数类过采样技术(SMOTE)处理数据不平衡问题；5) 递归特征消除筛选关键变量。

研究结果揭示三大重要发现：

1. 光谱响应规律：随着危害程度加剧，可见光(444-668nm)和近红外(842nm)波段反射率均呈现系统性下降，这与传统叶绿素减少导致红光反射增强的预期相反。研究者推测幼虫偏好取食高反射的新生嫩叶，暴露出低反射的老叶是主要原因。

2. 植被指数筛选：通过方差分析和Kruskal-Wallis检验，发现NDRE740、NGRE和SIPI等21个指数对危害等级敏感。特征重要性分析显示光化学反射指数(PRI)、叶绿素指数(CI)和花青素反射指数(ARI)最具判别力，这些指数与叶片光合色素变化密切相关。

3. 模型性能比较：XGBoost在10波段全特征模型中获得92%分类精度，显著优于RF(89%)和SVM(82%)。值得注意的是：

• 纹理特征单独使用时准确率仅76%，但与光谱和植被指数联用可提升4-8%精度
• 10波段模型在中度危害识别上优于5波段模型(88%)
• 单点建模准确率达82-100%，但留一法交叉验证骤降至0-68%，反映地理适应性挑战

这项研究首次证实无人机多光谱技术可用于Gonipterus sp. n. 2危害的精准评估，其创新价值体现在三方面：首先，突破传统卫星遥感单点研究的局限，通过多站点数据集验证方法普适性；其次，明确10波段传感器在区分中度危害上的技术优势，为设备选型提供依据；最后，建立的XGBoost模型可实现单株尺度危害制图，较传统调查效率提升数十倍。

研究也揭示出重要局限：直方图匹配未能完全消除站点间光谱差异，说明未来需引入伪不变特征辐射校正等更先进方法；此外，模型特异性尚未验证，需补充其他病虫害数据集进行区分测试。这些发现为构建林业病虫害智能监测网络奠定了关键技术基础，对实现联合国可持续发展目标中的"可持续森林管理"具有重要实践意义。论文成果发表在农林科学Q1期刊《Ecological Informatics》，为全球桉树病虫害防控提供了可复制的技术范式。