明尼苏达低洼黑云杉林东部云杉矮槲寄生(Arceuthobium pusillum)侵染的景观尺度发生概率模型研究

来自美国的研究团队针对低洼黑云杉(Picea mariana)林东部云杉矮槲寄生(Arceuthobium pusillum)的景观尺度检测难题，通过集成遥感技术与机器学习算法，开发了高精度侵染概率预测模型。该研究实现了85%的遥感识别准确率，为森林病原体的大尺度监测提供了重要技术支撑，对北方森林生态系统保护具有显著应用价值。

　　

在明尼苏达州的低洼黑云杉(Picea mariana)森林生态系统中，东部云杉矮槲寄生(Arceuthobium pusillum)作为一种专性寄生植物，正持续引发显著的林木生长衰退和死亡率上升。本研究创新性地融合多光谱遥感影像与机器学习算法（包括随机森林和支持向量机模型），构建了景观尺度的寄生侵染概率预测框架。

通过野外验证点的空间分布数据与卫星光谱特征的耦合分析，研究团队成功识别出与寄生侵染显著相关的关键光谱指数，特别是近红外波段(760-900 nm)的反射率异常和归一化植被指数(NDVI)的特定阈值区间。模型验证表明，该方法对中度至重度侵染区域的检测准确率达到85.3±2.1%，其Kappa系数为0.79，显著优于传统目视解译方法（p<0.01）。

该技术框架首次实现了针对隐性侵染阶段的早期识别，通过监测寄主树冠形态变化（包括顶梢枯死率和冠层密度降低等生物标志物）与光谱特征的响应关系，将检测窗口提前至侵染后第2-3个生长季。研究成果为大规模森林健康监测提供了可操作的技术路径，对制定针对性防控策略和维护北方森林生态完整性具有重要实践意义。