从点尺度到区域尺度对阿比斯科地区昆虫食叶事件的多源遥感监测

《Agricultural and Forest Meteorology》：Multi-source remote sensing of insect defoliation events in Abisko from point to regional scales

昆虫受害检测在北极地区的多源遥感数据融合应用研究，采用CCDC算法和HLS数据构建系统性监测系统，通过GCC指数整合不同尺度传感器数据并验证地面观测，揭示植被变化与BVOC排放的关联性。

　　

作者名单：冯顺安（Shunan Feng）、西蒙·尼博·劳尔森（Simon Nyboe Laursen）、艾米·斯马特（Amy Smart）、卡特琳·斯塔德肖尔特·索伦森（Katrine Stadsholt S?rensen）、莫妮卡·伦德（Monika Lund）、费德里科·格里利尼（Federico Grillini）、约兰塔·里克斯塔（Jolanta Rieksta）、乔（Yi Jiao）、里卡·里南（Riikka Rinnan）、安德烈亚斯·韦斯特加德-尼尔森（Andreas Westergaard-Nielsen）

丹麦哥本哈根大学地球科学与自然资源管理系，?ster Voldgade 10，哥本哈根，1350

摘要

在全球气候变化的背景下，预计北极地区的昆虫侵扰将变得更加频繁，这对当地环境和生态系统造成巨大的社会经济和生态压力。快速检测由昆虫引起的叶片脱落现象对于理解这些干扰对陆地生态系统结构和功能的影响至关重要。本文采用连续变化检测与分类（CCDC）算法以及Harmonized Landsat和Sentinel-2（HLS）数据集，在瑞典亚北极地区的阿比斯科（Abisko）建立了一个系统的昆虫叶片脱落监测系统。通过绿色色度坐标（GCC）指数，将不同尺度的传感器数据（从特写和延时影像到无人机（UAV）及HLS观测数据）以及生物源挥发性有机化合物（BVOC）的排放过程联系起来。利用实地拍摄的数字照片中的幼虫数量和绿色度比率对检测到的叶片脱落强度进行了验证。这种新的昆虫叶片脱落检测方法为评估不同尺度上的幼虫爆发及其相关影响提供了新的工具。研究结果强调了将遥感数据与来自多种传感器的地面观测数据相结合在有效监测昆虫叶片脱落和评估生态影响方面的潜力，为未来的大规模快速制图、早期预警系统以及BVOC排放估算奠定了基础。

引言

陆地植被覆盖面积的绿色变化是应对全球气候变化的重要生态指标（Zhu等人，2016年）。北极生态系统对气候变化尤为敏感，过去四十年的升温速度几乎是全球平均水平的四倍（Post等人，2019年；Rantanen等人，2022年）。气候变暖导致生态系统中的昆虫侵扰增加（Rieksta等人，2021年；Rinnan，2024年），从而对陆地生态系统的结构和功能造成明显干扰（Jepsen等人，2008年；Jepsen等人，2011年；Rinnan等人，2009年；Li等人，2019年）。食草动物爆发导致的叶片损伤会显著改变植物释放的挥发性防御化合物（即生物源挥发性有机化合物BVOC）的量（Turlings和Erb，2018年；Rinnan，2024年），这些化合物是调节气溶胶形成和三级营养相互作用的重要大气成分（Jokinen等人，2015年；Turlings和Erb，2018年；Li等人，2019年）。高分辨率下快速准确的昆虫叶片脱落检测对于管理叶片脱落事件的社会经济和生态影响以及预测未来的爆发情况至关重要（Lovett等人，2016年；Pasquarella等人，2017年；Meng等人，2018年）。 昆虫幼虫种群的存在和增长显著影响植被的生产力和生物量，进而导致植被覆盖的绿色度发生变化，这种变化可以通过卫星和延时影像的时间序列信号检测到（Rullan-Silva等人，2013年；Olsson等人，2016a；Olsson等人，2016b；Olsson等人，2017年；Pasquarella等人，2017年；Lund等人，2017年；Thapa等人，2022年）。通常，遥感监测昆虫叶片脱落的过程是将光谱波段转换为植被绿色度指数，并比较观测到的绿色度与预测的“正常”条件之间的差异（Fraser和Latifovic，2005年；Rullan-Silva等人，2013年；Olsson等人，2016b；Pasquarella等人，2017年）。然而，在昆虫叶片脱落的遥感监测中仍存在一些基本挑战，例如空间和时间分辨率、跨传感器比较以及基准期的定义（Rullan-Silva等人，2013年；Olsson等人，2016a）。空间分辨率较低的图像可能导致较高的误分类率（Fraser和Latifovic，2005年；Olsson等人，2016a），而时间分辨率较低则可能无法捕捉到短暂的叶片脱落事件（Pasquarella等人，2017年）。叶片脱落检测依赖于从特征明确的参考基准期中检测时间异常，通过获取实地真实数据可以大大提高检测的准确性（Rullan-Silva等人，2013年）。植被变化是一个复杂且本质上依赖于尺度的过程（Myers-Smith等人，2020年），这使得将地面延时影像、无人机和卫星遥感数据的观测结果联系起来以建立基准条件和检测相关异常变得具有挑战性。 在这项研究中，我们开发了一个系统的昆虫叶片脱落监测系统，该系统利用了多种尺度的遥感数据，包括Harmonized Landsat和Sentinel-2（HLS）数据集（Claverie等人，2018年；Ju等人，2025年）、多光谱无人机数据、地面延时影像以及采样点的特写影像。通过利用HLS数据集的密集时间序列，我们使用基于历史影像训练的谐波模型为每个像素位置预测合成图像（Zhu和Woodcock，2014b；Zhu等人，2015年）。我们改进了Pasquarella等人（2017年）提出的叶片脱落检测方法，用像素级别的动态基准期替代了静态基准期。昆虫叶片脱落的强度是通过HLS观测结果与合成图像预测结果之间的相对差异来计算的。通过应用相同的植被指数（Gillespie等人，1987年）将卫星获取的叶片脱落条件时间序列与地面观测结果进行比较。这一新的多传感器监测系统在瑞典阿比斯科进行了开发和测试（图1a），并且可以在不同传感器和地区之间应用。它使我们能够研究植被、叶片脱落强度和BVOC排放率之间的关联。

研究区域和采样点

研究区域位于瑞典的阿比斯科地区（图1a），该地区有着长期的环境监测记录（Jonasson等人，2012年）。实地采样点位于ROI的东部Stordalen（图1b），这是一个以山地桦树、常绿和落叶灌木（如Empetrum、Vaccinium）、草类、苔藓和地衣为主的亚北极湿润环境（Olsson等人，2016a；Li等人，2019年；Li等人，2023年）。其中主要的下层植物种类包括...

点尺度昆虫叶片脱落：分析、验证及其与BVOC排放的关联

2013年至2024年间，整个ROI区域的HLS数据计算得出的$GC{C}_{o\mathrm{bs}}$（公式（1）以及CCDC预测的$G{C}_{\mathrm{rp}}$数据可在GEE网络应用程序中获取（https://ku-avoca.projects.earthengine.app/view/defoliationdetector）。其中一个采样点E1（图1b）被选用于点尺度昆虫叶片脱落的分析和验证（图2和图3）。结果显示，2014年至2021年间未检测到任何“中断”；因此，所有可用的HLS GCC数据都被用于拟合模型...

绿色色度坐标（GCC）指数在连接不同尺度传感器和生物过程方面的作用

本研究再次证实，GCC指数适用于多种传感器，从特写数字照片和延时影像到无人机正射影像和卫星观测数据。它允许我们通过结合所有可用的地面观测数据来验证昆虫叶片脱落强度的时间序列。由于其依赖于大多数常见数码相机和多光谱遥感传感器的可见光波段（公式（1）进行检测，因此实现起来非常简单。

结论

本研究展示了绿色色度坐标（GCC）指数在瑞典亚北极地区从特写和延时数字照片到无人机和卫星观测数据中的适用性和可转移性。GCC指数有效地将地面观测数据与遥感数据联系起来，促进了昆虫爆发检测的验证。昆虫叶片脱落检测采用了连续变化检测与分类（CCDC）算法... 冯顺安（Shunan Feng）：撰写 – 审稿与编辑、初稿撰写、可视化、软件开发、方法论设计、调查、数据分析、数据管理、概念构建。 西蒙·尼博·劳尔森（Simon Nyboe Laursen）：撰写 – 审稿与编辑、初稿撰写、调查、数据管理。 艾米·斯马特（Amy Smart）：撰写 – 审稿与编辑、数据分析。 卡特琳·斯塔德肖尔特·索伦森（Katrine Stadsholt S?rensen）：数据分析。 莫妮卡·伦德（Monika Lund）：数据分析。 费德里科·格里利尼（Federico Grillini）：撰写 – 审稿与编辑、数据分析。 约兰塔（Jolanta）：

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本研究是“北极生物源挥发性有机化合物（AVOCA）”研究项目的一部分，该项目得到了丹麦Villum基金会的支持（项目编号42069）；同时，它也是“21世纪的苔原生物源挥发性排放（TUVOLU）”项目的一部分，该项目得到了欧洲研究委员会（ERC）的支持（资助协议编号771012）。此外，丹麦国家研究卓越中心（资助编号DNRF168）和丹麦独立研究基金（资助编号）也提供了额外的支持。