基于集成学习和Sentinel-2的落叶松毛虫虫害区识别

作者：姜星宇; 徐华东^*; 陈文静

来源：森林工程, 2023, 39(06): 147-155.

• 落叶松毛虫
• 集成学习
• Sentinel-2
• 遥感
• XGBoost

为实现快速、高效地监测落叶松毛虫(Dendrolimus superans)虫害爆发状况，以黑龙江省乡南经营所林场8林班为研究区，以2018年Sentinel-2遥感影像为数据源，对该林班的落叶松毛虫虫害区进行识别。提取预处理后影像的原始光谱特征(8个)、光谱指数特征(12个)与纹理特征(8个),基于方差分析(Analysis of Variance, ANOVA)与极度梯度提升(eXtreme Gradient Boosting, XGBoost)分类器对上述特征降维并按重要性排序，通过集成学习分类算法(随机森林分类器和XGBoost分类器)进行虫害区识别和精度比较。研究结果表明，1)应用重要性前14位特征的XGBoost模型对虫害区识别的表现最为理想，总体分类精度为95%(Kappa系数为86%),高于随机森林分类器的93%(应用重要性前10的特征);2)重要性前14的特征名称由大到小为EVI1、Mean、MTCI、GNDVI、Variance、B4、B2、Homogeneity、B3、CRI1、EVI2、B8、B5和CRE。研究结果可实现落叶松毛虫虫害区的高效识别，为东北林区的虫害防治决策制定提供依据。

• 单位
  东北林业大学; 机电工程学院