森林健康评价和病虫害监测，常常被当成两件事来做：前者出一堆指标和得分，后者出一堆发生面积和等级。但在实务中，二者其实是一体的——病虫害是森林健康最敏感的指示信号，而健康评价的结论又持续需要病虫害数据来验证。把两条线接起来，成果才有解释力。
本文先讲评价模型的骨架，再讲遥感识别病虫害的技术路径，最后讲分级与验证。
一、两条线为什么要合起来看
森林健康评价回答的是「这片林子整体状态好不好、问题出在哪」；病虫害监测回答的是「有没有、有多少、到了什么程度」。评价若不含生物灾害指标，遇到一片虫口密集但林分结构尚完整的林子，评价结果可能与实际情况严重脱节；反过来，病虫害若脱离健康背景单独统计，也很难判断危害的严重性。
技术依据上，森林资源调查中的森林健康与生物多样性指标已纳入 GB/T 26424—2026《森林资源规划设计调查技术规程》；林业有害生物的发生（危害）程度与成灾界定执行 LY/T 1681—2006《林业有害生物发生及成灾标准》；调查方法参照 LY/T 2011—2012《林业主要有害生物调查总则》；监测预报工作遵循 LY/T 2516—2015《林业有害生物监测预报技术规范》；危险性等级分类参照 LY/T 2106—2013《林业有害生物危险性等级分类》。
二、评价指标体系的构建
指标体系一般围绕三组维度展开：
- 结构指标：树种组成、龄组结构、郁闭度、层次完整性、更新状况；
- 活力指标：生长量、树冠健康、叶片色泽与密度、枯梢比例；
- 胁迫指标：病虫害发生程度、火险、人为干扰、土壤与水分胁迫。
指标选取遵循两条硬约束：一是可获取，能从调查数据或遥感产品中稳定取到；二是可区分，能把不同健康状态拉开差距。指标并非越多越好，二三十项已经足够，关键是避免高度相关的指标重复计权。
三、权重确定与综合评分
权重是评价模型里争议最大的部分。常用三类方法：
| 方法 | 思路 | 适用与局限 |
|---|---|---|
| 层次分析法（AHP） | 专家对指标两两比较构造判断矩阵，求特征向量得权重 | 能反映经验，但主观性强，需做一致性检验 |
| 熵权法 | 按各指标数据离散程度客观定权 | 客观，但受样本与量纲影响，指标波动小则权重低 |
| 组合赋权 | 主客观权重按比例合成 | 较稳健，实务中最常用 |
综合评分通常先对指标做标准化（极差法或隶属度函数），再加权求和，最后按分档阈值划分健康等级（如健康、亚健康、不健康等）。阈值不宜照搬，应结合本地林分类型校准；用一套阈值套用所有树种和龄组，是最常见的失败原因。
权重一旦确定，应在项目内部固化并写入技术说明，不能因个别专家的偏好随意调整。同一批次内不同片区若使用不同权重，结果就失去了可比性，汇总时也无法解释等级差异到底来自林分还是来自权重。
四、病虫害的遥感识别
病虫害遥感识别的核心逻辑是：林木受害后，叶绿素含量下降、叶片结构与含水率变化，导致光谱反射特征改变，这种改变往往先于肉眼可见症状出现，因此具备早期识别的可能。
4.1 多光谱特征
- 植被指数：归一化植被指数、比值植被指数等可反映绿度与覆盖状况；受害林分的植被指数通常下降，且下降幅度与危害程度相关。
- 红边位移：红边位置向短波方向移动是胁迫的敏感性信号，含红边波段的传感器更有优势。
- 纹理特征：受害林木冠层稀疏、枯梢增多，纹理特征（对比度、方差、熵）会发生变化，可作为辅助判别量。
4.2 高光谱特征
高光谱数据波段多、光谱连续，能捕捉更细微的生理变化，常用的特征包括「红边」参数、特定吸收谷深度、连续统去除后的特征波段等。它适合小范围精细识别与机理研究，但数据获取成本高、对大气与几何校正要求严，实务中多用于验证多光谱识别的结果，而非全域普查。
4.3 提取与分类方法
从人工目视判读到机器学习分类都是可行路径。监督分类需有足够的地面样本（受害株、健康株、干扰地物），样本点应与地面调查同步采集；深度学习模型对样本量与标注质量更敏感。无论哪种方法，都需用独立样本验证，并给出混淆矩阵，否则「识别出来了」这句话没有依据。
五、危害分级与结果落地
识别出的结果为图斑，还需按现行标准转成「危害程度」。LY/T 1681—2006 给出了主要林业有害生物的发生（危害）程度标准与成灾标准，分级通常以受害株率、叶片损失率等指标界定。作业要点：
- 遥感提取的受害范围，需与地面样株调查相互印证，不能只看影像颜色定程度；
- 分级时应说明所用标准版本与指标口径，避免跨项目、跨年度不可比；
- 危害等级更新要有时间戳，病虫害扩散快，图斑时效性直接决定防治部署的价值。
常见错误有三个：只做识别不做分级，成果无法支撑防治决策；样本与地面数据不同期，导致分类偏移；把健康评价与病虫害监测各做一套、互不对应，最终形成两份互相矛盾的结论。
六、模型验证与长期更新
模型建好不等于能用，必须验证。验证通常从两个角度做：一是内部一致性，检查各指标的相关性与权重是否稳定；二是外部符合性，用独立样地或专家判定的健康等级与模型结果比对，看吻合程度。
模型还需长期维护。林分在生长、病虫害在演变、气候背景在变化，固化的权重与阈值会逐渐失真。建议每隔几年用新数据做一次权重校准与阈值复核，并保留历史版本，以便解释不同年份评价结果的差异来源。
最后提醒一点：不要迷信「模型越复杂越准」。评价结论最终要服务于经营决策，能解释、能复核的简单模型，往往比黑箱模型更管用。
结语
森林健康评价与病虫害遥感识别，一个偏「评价」、一个偏「识别」，但真正的技术价值在于把二者接到同一套数据底座上：影像发现异常，地面确认原因，评价模型给出状态，监测预报跟踪变化。这条链路打通了，成果才经得起追问。
福州木源纪林业生态科技有限公司承接森林健康评价、林业有害生物调查监测与遥感识别等业务，欢迎就本文涉及的技术细节与我们交流，也欢迎有相关需求的单位通过联系我们页面洽谈。