沈 亲，邓 槿，刘旭升，黄华国※

（1. 北京林业大学省部共建森林培育与保护教育部重点实验室，北京 100083；2. 国家林业局调查规划设计院，北京 100714）

0 引 言

石林彝族自治县（简称石林县）位于云南省中东部，以其瑰丽的喀斯特地貌闻名，植被覆盖少，主要树种是云南松（Pinus yunnanensis）。大面积覆盖的云南松对于保持水土，防止石漠化有至关重要的作用。然而，近年来，随着气候变化的加剧，极端事件频发，云南省全境，包括石林县都遭受了严重的干旱，进而遭受小蠹入侵，严重威胁云南松的健康和分布。小蠹危害被称为云南松的“癌症”，具有隐蔽性强、危害期长、扩散速度快、危害严重等特点[1]。目前，小蠹危害正快速蔓延，其蔓延速度达到2～3万hm2/a。灾情发生后很难得到控制，严重时只能将松林全部伐掉[2]。

复杂的岩溶地形不便人力调查，耗时费力而且不能大范围实时监测虫害。目前还没有对云南松林小蠹虫害进行实时、有效的虫害监测方法。而遥感监测具有面积大、快捷迅速等特点，可以用来预测、预报和监测大范围的森林虫害[3-4]。但是难点在于小蠹虫对森林的危害隐蔽强，症状滞后性明显，在其早期发生时进行遥感识别非常困难。

以往利用遥感对小蠹虫害监测多集中在虫害分布方面，常用方法是根据虫害导致波谱特征的变化来识别虫害[5-7]，同时对小蠹虫害范围和等级进行了空间制图[8-11]。Coggins 等[3]利用20 cm高空间分辨率航空数码影像结合自适应整群抽样成功对北美山松小蠹虫害入侵范围和传播速度进行了调查。Nasi等[4]利用无人机高分影像准确区分健康、虫害和死亡挪威云杉林（kappa系数为0.8）。但小蠹虫害的早期监测（即绿色袭击阶段）仍然是一大难点，Marx[12]利用多时相RapidEye影像结合数据挖掘技术对挪威云杉林小蠹虫害监测和分类，发现该方法可以有效识别枯梢或枯死木，但对虫害早期识别效果不理想。Ortiz等[13]利用TerraSAR- X和RapidEye数据结合线性模型、最大熵模型和随机森林模型识别了小蠹虫害前期入侵范围，其中最大熵模型准确率最高（kappa系数为0.74）。Abdullah等[14]发现小蠹虫害入侵初期挪威云杉红外和短波红外波谱特征发生显著变化。Lausch等[15]利用高空间分辨率影像（4 m和7 m）对德国巴伐利亚森林国家公园云杉小蠹虫害入侵初期光谱特征研究发现，用光谱特征变化预警小蠹虫害爆发的准确率可以达到 64%。然而，前期研究多集中在虫害早期识别监测，关于虫害爆发前的预测还鲜有报道。

由于严重或长期的干旱不仅会直接影响林木生长与生存，还会爆发频繁或严重的虫害[16-19]，2种干扰之间在时间上极可能存在一定的先后和危害相关性，如果能在干旱时期就能进行虫害的预警，就可以使虫害发生早期进行遥感预测成为可能。实际上，森林虫害对干旱是有响应的[20-22]。Santos 等[23]发现，干旱期间，温带森林很容易发生虫害。张鹏霞等[24]对江西省过去50 a气候变化以及近20 a森林病虫害变化趋势研究发现，气候变暖，环境干旱化会加重森林病虫灾害的发生。在干旱胁迫与气候干热作用下，位于阿尔卑斯山地区的云杉叶蜂容易爆发成灾[25]，锈色粒肩天牛可能会因年降水量少、温湿系数低等因素造成虫害爆发[26]。同时，研究表明，暖冬会导致森林病虫害灾害加重[27]。Kolb等[28]对美国由于干旱引起的森林虫害进行归纳和总结，结果表明，干旱对虫害的爆发有着直接的促进作用，但关于干旱强度与虫害爆发等级之间的关系，鲜有研究。Netherer 等[29]通过不同干旱程度控制试验，发现干旱会降低挪威云杉对小蠹入侵的抗性。小蠹种群动态变化很大程度由温度决定[30-32]，小蠹虫害灾害爆发或因1月份暖温而加重[33]。其原因可能是干旱削弱寄主树对小蠹虫害的抵抗力，导致虫害加重[34-35]。

基于上述认识，本文提出干旱和虫害存在一定的时滞相关性的假设，探索基于遥感温度植被干旱指数（temperature vegetation dryness index, TVDI）分析预报小蠹危害方法的可行性，以期为虫害发生早期，进行遥感监测提供依据。

1 研究区概况

石林县是云南省昆明市下辖的远郊县（103°10′～103°41′E，24°30′～25°03′N）（图 1），位于滇东喀斯特南部，海拔1 700～1 950 m。属低纬高原山地季风气候，年平均气温 16.3 ℃，年温差小而昼夜温差大，无霜期长（254 d）、云雾多、日照少。年降雨量 906.0 mm，多集中在 5—10月。主要土壤类型有山地红壤、黄棕壤、水稻土、紫色土、冲积土和石灰岩土。全县森林覆盖率36.14%，其中云南松（P. yunnanensis）面积26 049.5 hm2，占乔木林面积的47.48%[23]。

图1 石林县地理位置和小蠹虫害受害区域与等级Fig.1 Geographical location, and the damage area with damage rating of bark beetles pests in Shilin county

从2009年开始，云南持续干旱，小蠹危害日趋严重，年危害面积533万hm2[1]。小蠹危害地区常会出现松毛虫、天牛、松梢螟等害虫，由于多种害虫同时入侵，导致寄主树长势变弱，从而使小蠹更易侵入。同时，小蠹大多数时间隐蔽在树木里面，其生活习性也较为复杂（如冬季由树梢转到树干进行繁殖，夏季则由树干转到树梢进行扩散）[36]。由于众多因素共同作用，使得小蠹虫害监测非常困难。

2 数据来源与研究方法

2.1 数据来源

2.2 虫害与树势等级区分标准

云南松林主要受到小蠹、松梢螟、天牛和松针褐斑病等危害，各种病虫害区分标准见图2，其中，仅一年生针叶整体变色，树梢出现枯死且直立的云南松林，即为小蠹虫害林。本研究以历史虫害图件为基础，选择受害区域的虫害木进行砍伐解析，结合不同害虫的习性，筛选出小蠹为主的虫害区域。同时，划分云南松受害等级（健康、轻度、中度和重度），划分标准见表1[37]。

2.3 研究方法

基于遥感数据提取受害前的逐像元 TVDI，分别评价：TVDI与受害等级的关系；去除干扰像元后的TVDI与受害前后的植被指数差值的关系。

2.3.1 遥感干旱指数选型

考虑植被的干旱指数有植被温度指数（vegetation index/temperature, VIT）[38]，条件植被指数（vegetation condition index, VCI）[39]，植被供水指数（vegetation supply water index, VSWI）[40]，条件植被温度指数（vegetationtemperature condition index, VTCI）[41]，以及 TVDI[42-43]等。其中综合了植被覆盖信息和陆地表面温度信息的TVDI应用广泛。比如，齐述华等[44]利用 TVDI进行全国旱情监测研究发现，相较于用植被指数来评价旱情，结合陆地表面温度的旱情指标可以更合理反映旱情。Dhorde等[45]用TVDI分析了印度西部干旱时空变化趋势。因此，本研究选择TVDI指数为典型代表，来反映地表干旱程度。

2.3.2 TVDI反演

如前所述，Sandholt等[42]提出TVDI可以反映地表干旱状况。

通常来说，语言作为能够传达信息，交流感情的重要手段，在人们的日常生活、工作、人际关系处理等方面都发挥着不可或缺的作用。而普通话无论是在不同省市、不同民族还是不同文化交流上，都扮演着通行证的角色。但是，目前部分培训机构在普通话教育过程中存在诸多的问题，无法做到专业、高效、合理的引导和培养。

式中 Ts为陆地表面温度，K；Tsmax、Tsmin分别代表某一NDVI对应的最高温度和最低温度，K，其中 Tsmax=a1+b1∙NDVI，Tsmin=a2+b2∙NDVI，a 和 b 分别代表 NDVI-Ts中的干、湿边方程的截距和斜率，NDVI（normalized difference vegetation index）为归一化植被指数

式中ρNIR和ρR分别为近红外波段和红波段处的反射率。

图2 云南松不同害虫区分标准Fig.2 Criteria of different pests of Pinus yunnanensis

表1 云南松小蠹虫害受害程度的划分标准[37]Table 1 Damage rating standard of bark beetles pests of Pinus yunnanensis[37]

NDVI‒Ts特征空间简化为三角形（图 3），A点表示没有植被覆盖的干燥裸地，具有地表湿度小，温度高，蒸发小的特点；B点表示没有植被覆盖湿润裸地，具有地表湿度大，温度低，蒸发大的特点；C点表示植被完全覆盖，具有地表温度低，蒸发大的特点。A、B、C三点属于3种极端情况，其中，AC边称为干边，具有土壤湿度和地表蒸发最小的特征；BC边称为湿边，具有土壤湿度和地表蒸发最大的特征[42]。

图3 NDVI-地表温度（Ts）特征空间[42]Fig.3 Feature space between NDVI-surface temperature (Ts)[42]

TVDI的值范围为0～1。TVDI越大，土壤湿度越低，TVDI越小，土壤湿度越高。TVDI可用于监测特定年内某一时期整个区域的相对干旱程度。

2.3.3 亮度温度计算

由于缺乏卫星过境时详尽的气象数据，本文 TVDI计算过程中对应的Ts由亮度温度（brightness temperature）Tb代替。利用ENVI5.3软件对Landsat热红外波段进行辐射定标，将像元灰度值转换为热辐射亮度值，然后根据普朗克定律将辐射亮度值转化为亮度温度[46-47]

式中 Tb为亮度温度，K；Lλ为辐射亮度值，W/(m²·sr·μm)；k1，k2为已知参数。

2.3.4 统计分析

比较不同受害程度斑块对应TVDI值差别，并分析受害斑块TVDI与受害前后NDVI差值之间的关系。

1）根据小蠹虫害的斑块多边形区域，通过 ArcGIS的区域分析（zonal statistics），计算每斑块受害前的平均TVDI。将调查得到云南松林按受害等级依次划分为健康、轻度受害、中度受害、重度受害4个等级。

2）计算受害前后云南松林NDVI差值（difference of NDVI before and after the forest attacked by bark beetles,dNDVI），即 dNDVI = NDVIbefore-NDVIafter，其中 NDVIbefore表示受害前，NDVIafter表示受害后。dNDVI代表受害程度，dNDVI越大，表示受害越严重。然后，建立 TVDI与dNDVI之间的关系。由于野外调查勾绘的受害斑块面积较大，通常以单点调查结果代替整个斑块结果，其内部大部分像元可能并未受害，因此，在统计受害斑块dNDVI时，需要去除未受害像元。即去除掉每斑块内部dNDVI小于 0的像元之后，再统计平均 TVDI和平均dNDVI，评估其相关显著性。同时，由于受害斑块面积较大，本文将受害斑块分割成很多小斑块，对小斑块对应的TVDI与dNDVI进行相关分析。

3 结果与分析

3.1 石林县气候变化趋势

图4为石林县多年气温和降水距平。2009年气温比多年平均温度高1.44 ℃，相对变率为9.5%；降水量比多年平均降水量减少422 mm，相对变率为42.7%。可以看出，2009年为极端干旱年。2010‒2013年，温度距平为正，降水量距平为负，一直处于持续干旱状态。

图4 1951-2015年石林县气温和降水距平变化趋势Fig.4 Time series of air temperature departure and precipitation departure in Shilin county during 1951-2015

3.2 石林县虫害变化趋势

图 5显示了石林县不同受害程度的斑块个数与面积变化。可以看出，2010‒2012年，轻度受害斑块和面积变化幅度不大，中度受害斑块和面积均降低；2012‒2014年，轻度受害斑块和面积下降，中度受害斑块和面积增加；2010‒2014年，重度受害斑块和面积均出现缓慢增加趋势。总的受害斑块数出现先降低后增加的趋势，受害面积呈一直缓慢降低的趋势。至2015年，受害程度均出现好转。

图5 2010‒2015年石林县小蠹虫害发生斑块与面积Fig.5 Number and area of forest attacked by bark beetles in Shilin county during 2010-2015

3.3 石林县TVDI时空变化趋势

图6给出了2009年到2014年逐年的TVDI图。可以看出，TVDI由西向东逐渐变大，且2012年TVDI高值区域增加，表明土壤湿度较小区域的面积增大。同时，虫害斑块数和面积均降低（图 5）。在整体干旱背景下，虫害的发生更趋向于土壤湿度相对较大的区域。

图6 2009‒2014年石林县TVDI变化趋势Fig.6 Spatial temporal variations of TVDI in Shilin county during 2009-2014

3.4 TVDI与虫害受害等级关系

图7为不同虫害受害等级对应的受害前TVDI。随着受害程度的加深，所对应的TVDI值降低。健康云南松林对应TVDI均值为0.657 ± 0.114，显著高于受害云南松林对应 TVDI均值。受害云南松林中，轻度受害林 TVDI均值（0.530 ± 0.112）与中度受害林TVDI均值（0.498 ±0.097）无显著差别（P ＞ 0.05），而与重度受害林差异显著（0.449 ± 0.113）（P ＜ 0.05）。中度受害林与重度受害林TVDI均值差异不显著。结果表明，随着TVDI变小，小蠹虫害越严重，即相对湿润的地方，小蠹虫害更容易发生。通过TVDI空间分布也表明，近些年TVDI逐渐变大，虫害面积和受害程度均出现好转。

图7 虫害受害等级与对应受害前TVDIFig.7 Damage rating and the corresponding TVDI before attacked by bark beetles

3.5 受害区域dNDVI与TVDI关系

为了对虫害早期发生时进行遥感识别，本文选取轻度受害斑块，提取dNDVI大于0的区域，分析受害斑块TVDI与dNDVI的关系。同时，为了消除dNDVI差异，本文对其进行最大最小归一化处理，以下提到dNDVI皆为归一化处理 dNDVI。由图 5可以看出，2013‒2015年期间，轻度受害斑块面积和斑块数均较 2010‒2012低，受害程度出现明显好转。研究表明连续长期干旱会导致虫害的发生[16-19]，因此，本文以2011和2012年大面积轻度受害区域为例进行分析。结果表明，2011年，TVDI与dNDVI呈显著的负相关（P ＜ 0.05），可以用线性模型进行拟合，拟合决定系数 R2为 0.322（图 8）。根据已知线性模型，对2012年dNDVI进行预测，结果表明，预测dNDVI均方根误差RMSE为0.237（图9），且实测值与预测值呈显著线性正相关（P ＜ 0.05），但实测值与预测值拟合线性方程斜率偏离1:1线。

图8 2011年dNDVI与TVDI的关系Fig.8 Relationship between the difference of NDVI before and after the forest attacked by bark beetles (dNDVI) and TVDI in 2011

其主要原因在于虫害发生时，不光与环境干旱有关，还与立地条件、林分结构，林木长势等因素有关。Santos等[23]分析了亚利桑那州松树林地干旱期间虫害发生的原因，结果表明，低海拔、陡坡、一定的风速等利于虫害的蔓延，且虫害会优先选择大树、高密度林分进行入侵。因此，要准确预测虫害发生区域，还需结合其他因素，综合分析其发生潜在区域。

图9 2012年实测dNDVI与预测dNDVIFig.9 Measured dNDVI and predicted dNDVI in 2012

总体而言，大干旱背景条件下，在土壤相对湿润的地方，虫害发生前后植被覆盖度差值更大，表明云南松林受害程度更大；在土壤相对干旱的地方，则虫害发生前后植被覆盖度差值更小，表明云南松林受害程度更小。这个结果和通常认为气候越干旱，虫害发生越严重[28]似乎相悖，其实不然，两者空间尺度不同，气候干旱在大面积上影响虫害，而本文结果则是大面积虫害可能发生的具体空间分布潜力。在整体干旱的条件下，植被长势均会衰弱，但是部分地区相对湿润，则利于虫害繁殖。柴守权等[48]通过多年统计资料发现，云南松纵坑切梢小蠹发生面积范围与干旱等级有显著负相关（r = -0.661，P＜0.05）。当干旱异常严重时，林木生长受到限制，导致林木液流受到损害，液流温度发生改变，超出小蠹喜好的温度范围，影响小蠹对寄主的选择，从而使得虫害比一般干旱胁迫更轻[49]。

4 结 论

以遭受大面积连续干旱和小蠹危害的云南省中部的石林县为案例区，利用Landsat连续多年数据建立归一化植被指数（normalized difference vegetation index, NDVI）‒地表温度（land surface temperature, Ts）特征空间，反演温度植被干旱指数（temperature vegetation dryness index,TVDI），开展受害前的TVDI和受害等级的关系分析，评估其预警潜力。结果表明健康云南松林TVDI显著高于受害云南松林（P ＜ 0.05），且TVDI越小，虫害越严重。根据 2011年 TVDI与受害前后云南松林 NDVI差值（the difference of NDVI before and after the forest attacked by bark beetles, dNDVI）建立的线性模型（P ＜ 0.05，R2=0.322），对2012年实际发生情况进行预测，得到预测与实测dNDVI均方根误差RMSE为0.237。研究指明，整体干旱的环境下，小蠹更趋向于在相对湿润的地方取食云南松林。

本研究对云南省云南松林小蠹危害的遥感监测的展开有重要意义，可以从TVDI角度，对云南松林小蠹危害等级进行预测与预防，为动态监测与及时预测森林虫害提供新思路。同时，由于在反演TVDI时，采取的亮度温度替代地表温度，TVDI的估算精度略有影响。基于NDVI和 Ts构建 NDVI‒Ts特征空间时，干边和湿边方程拟合有很大不确定性，也加深了TVDI估算不确定性。因此，今后在结合遥感手段有效、高精度监测方面还需要大量有益的探索。

[参 考 文 献]

[1] 李燕. 云南玉溪松小蠹虫成灾原因及防治对策[J]. 林业资源管理，2013，3：40－42.Li Yan. Causes of Tomicus piniperda L. disaster in Yuxi of Yunnan province and countermeasures of prevention and control[J]. Forest Resources Management, 2013, 3: 40－42.(in Chinese with English abstract)

[2] 张瑆. 对云南省松纵坑切梢小蠹防治工作的思考[J]. 中国森林病虫，2001，6：42－44.Zhang Xing. Thoughts on prevention and control of Tomicus piniperda L. in Yunnan province [J]. Forest Pest and Disease,2001, 6: 42－44. (in Chinese with English abstract)

[3] Coggins S B, Coops N C, Wulder M A. Estimates of bark beetle infestation expansion factors with adaptive cluster sampling [J]. International Journal of Pest Management, 2011,57(1): 11－21.

[4] Nasi R, Honkavaara E, Lyytikainen-Saarenmaa P, et al. Using UAV-based photogrammetry and hyperspectral imaging for mapping bark beetle damage at tree-level[J]. Remote Sensing,2015, 7(11): 15467－15493.

[5] Senf C, Pflugmacher D, Wulder M A, et al. Characterizing spectral-temporal patterns of defoliator and bark beetle disturbances using Landsat time series[J]. Remote Sensing of Environment, 2015, 170: 166－177.

[6] Vanderhoof M, Williams C A, Ghimire B, et al. Impact of mountain pine beetle outbreaks on forest albedo and radiative forcing, as derived from moderate resolution imaging spectroradiometer, Rocky Mountains, USA[J]. Journal of Geophysical Research-Biogeosciences, 2013, 118(4): 1461－1471.

[7] Meddens A J H, Hicke J A, Vierling L A, et al. Evaluating methods to detect bark beetle-caused tree mortality using single-date and multi-date Landsat imagery[J]. Remote Sensing of Environment, 2013, 132(10): 49－58.

[8] Fassnacht F E, Latifi H, Ghosh A, et al. Assessing the potential of hyperspectral imagery to map bark beetleinduced tree mortality[J]. Remote Sensing of Environment,2014, 140(1): 533－548.

[9] Karvemo S, Van Boeckel T P, Gilbert M, et al. Large-scale risk mapping of an eruptive bark beetle-importance of forest susceptibility and beetle pressure[J]. Forest Ecology and Management, 2014, 318: 158－166.

[10] Latifi H, Fassnacht F E, Schumann B, et al. Object-based extraction of bark beetle (Ips typographus L.) infestations using multi-date LANDSAT and SPOT satellite imagery [J].Progress in Physical Geography, 2014, 38(6): 755－785.

[11] Hart S J, Veblen T T. Detection of spruce beetle-induced tree mortality using high- and medium-resolution remotely sensed imagery[J]. Remote Sensing of Environment, 2015, 168: 134－145.

[12] Marx A. Detection and classification of bark beetle infestation in pure Norway spruce stands with multi-temporal RapidEye imagery and data mining techniques [J]. Photogrammetrie Fernerkundung Geoinformation, 2010(4): 243－252.

[13] Ortiz S M. Breidenbach J. Kaendler G. Early detection of bark beetle green attack using TerraSAR-X and RapidEye data [J]. Remote Sensing, 2013, 5(4): 1912－1931.

[14] Abdullah H, Darvishzadeh R, Skidmore A K, et al. European spruce bark beetle (Ips typographus, L.) green attack affects foliar reflectance and biochemical properties [J]. International Journal of Applied Earth Observation and Geoinformation,2018, 64(8): 199－209.

[15] Lausch A, Heurich M, Gordalla D, et al. Forecasting potential bark beetle outbreaks based on spruce forest vitality using hyperspectral remote-sensing techniques at different scales[J]. Forest Ecology and Management, 2013, 308(4): 76－89.

[16] Ayres M P, Lombardero M J. Assessing the consequences of global change for forest disturbance from herbivores and pathogens [J]. The Science of the Total Environment, 2000,262(3): 263－286.

[17] Breshears D D, Cobb N S, Rich P M, et al. Regional vegetation die-off in response to global-change-type drought[J]. Proceedings of the National Academy of Sciences of the United States of America, 2005, 102(42): 15144－15148.

[18] Netherer S, Schopf A. Potential effects of climate change on insect herbivores in European forests: General aspects and the pine processionary moth as specific example [J]. Forest Ecology and Management, 2010, 259: 831－838.

[19] Yan Z L, Sun J H, Don O, et al. The red turpentine beetle,Dendroctonus valens LeConte (Scolytidae): An exotic invasive pest of pine in China[J]. Biodiversity and Conservation, 2005, 14(7): 1735－1760.

[20] Mattson W J, Haack R A. The role of drought in outbreaks of plant-eating insects [J]. BioScience, 1987, 37(2): 110－118.

[21] Koricheva J, Larsson S, Haukioja E. Insect performance on experimentally stressed woody plants: A meta-analysis[J].Annual Review of Entomology, 1998, 43(43): 195－216.

[22] Huberty A F, Denno R F. Plant water stress and its consequences for herbivorous insects: A new synthesis[J].Ecology, 2004, 85(5): 1383－1398.

[23] Santos M J, Whitham T G. Predictors of Ips confusus outbreaks during a record drought in southwestern USA:Implications for monitoring and management. Environmental Management, 2010, 45(2): 239－249.

[24] 张鹏霞，叶清，欧阳芳，等. 气候变暖、干旱加重江西省森林病虫灾害[J]. 生态学报，2017，37(2)：639－649.Zhang Pengxia, Ye Qing, Ouyang Fang, et al. Global warming and droughts aggravates forest damage resulting from pests and diseases in Jiangxi province[J]. Acta Ecologica Sinica,2017, 37(2): 639－649. (in Chinese with English abstract)

[25] Marchisio C, Cescatti A, Battisti A. Climate, soils and Cephalcia arvensis outbreaks on Picea abies in the Italian Alps[J]. Forest Ecology and Management, 1994, 68(2/3): 375－384.

[26] 孙丹萍，徐睿，梁铁旺，等. 锈色粒肩天牛生态学特性研究[J]. 西北林学院学报，2007，22(5)：114－116，127.Sun Danping, Xu Rui, Liang Tiewang, et al. A study on ecological characteristics of Apriona swainsoni population[J].Journal of Northwest Forestry University, 2007, 22(5): 114－116, 127－127. (in Chinese with English abstract)

[27] 赵铁良，耿海东，张旭东，等. 气温变化对我国森林病虫害的影响[J]. 中国森林病虫，2003，22(3)：29－32.Zhao Tieliang, Geng Haidong, Zhang Xudong, et al. Influence of temperature change on forest pests in China[J]. Forest Pest and Disease, 2003, 22(3): 29－32. (in Chinese with English abstract)

[28] Kolb T E, Fettig C J, Ayres M P, et al. Observed and anticipated impacts of drought on forest insects and diseases in the United States[J]. Forest Ecology and Management,2016, 380: 321－334.

[29] Netherer S, Matthews B, Katzensteiner K, et al. Do water-limiting conditions predispose Norway spruce to bark beetle attack?[J]. New Phytologist, 2015, 205(3): 1128－1141.

[30] Benz B J, Logan J A, Amman G D. Temperature-dependent development of the mountain pine beetle (Coleoptera:Scolytidae) and simulation of its phenology [J]. The Canadian Entomologist, 1991, 123(5): 1083–1094.

[31] Raffa K F, Grégoire J C, Lindgren B S. Natural history and ecology of bark beetles. In F. E. Vega, & R. W. Hofstetter(Eds.), Bark beetles. Biology and Ecology of Native and Invasive Species [M]. Oxford: Elsevier, 2015.

[32] Creeden E P, Hicke J A, Buotte P C. Climate, weather, and recent mountain pine beetle outbreaks in the western United States [J]. Forest Ecology and Management, 2014, 312:239－251.

[33] 张梅，王敏慧，陈玉光，等. 林业有害生物发生率与气象条件关系及预报[J]. 辽宁林业科技，2010，4：24－26，62.Zhang Mei, Wang Minhui, Chen Yuguang, et al. Relationship and forecast between forest pest incidence and meteorological conditions [J]. Journal of Liaoning Forestry Science & Technology, 2010, 4: 24－26, 62. (in Chinese)

[34] Gao X, Zhou X, Wang H, et al. Influence of severe drought on the resistance of Pinus yunnanensis to a bark beetleassociated fungus [J]. Forest Pathology, 2017, 47(4): e12345.

[35] Salle A, Ye H, Yart A, et al. Seasonal water stress and the resistance of Pinus yunnanensis to a bark beetle-associated fungus [J]. Tree Physiology, 2008, 28(5): 679–687.

[36] 杨光照. 石林县云南松纵坑切梢小蠹危害及其综合治理措施[J]. 林业调查规划，2007，32(3)：140－143.Yang Guangzhao. The harm of Tomicus piniperda of Pinus Yunnanensis and integrated control measures[J]. Forest Inventory and Planning, 2007, 32(3): 140－143. (in Chinese with English abstract)

[37] 刘宇杰，宗世祥，任利利，等. 云南松树冠受害表征与有害生物复合危害的关系[J]. 应用昆虫学报，2017，54(6)：947－954.Liu Yujie, Zong Shixiang, Ren Lili, et al. The relationship between degrees of Pinus yunnanensis canopy dieback and the types of damage caused by specific pests[J]. Chinese Journal of Applied Entomology, 2017, 54(6): 947－954. (in Chinese with English abstract)

[38] Moran M S, Clarke T R, Inoue Y. et al. Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index[J]. Remote Sensing of Environment, 1994, 49: 246–263.

[39] Kogan F N. Remote sensing of weather impacts on vegetation in non-homogeneous areas[J]. International Journal of Remote Sensing, 1990, 11(8): 1405－1419.

[40] Nemani R, Pierce L, Running S. et al. Developing satellite-derived estimates of surface moisture status[J].Journal of Applied Meteorology, 2000, 32(3): 548－557.

[41] Wang P X, Li X W, Gong J Y, et al. Vegetation temperature condition index and its application for drought monitoring[C]//Proceedings of International Geoscience and Remote Sensing Symposium, 9－13 July 2001, Sydney,Australia (Piscataway, NJ: IEEE), : 141－143.

[42] Sandholt I. Rasmusen K. Andersen J. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status [J]. Remote Sensing of Environment, 2002, 79(2): 213‒224.

[43] 杜灵通，候静，胡悦，等. 基于遥感温度植被干旱指数的宁夏2000－2010年旱情变化特征[J].农业工程学报，2015，31(14)：209－216.Du Lingtong, Hou Jing, Hu Yue, et al. Drought variation characteristics in Ningxia from 2000 to 2010 based on temperature vegetation dryness index by remote sensing[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(14): 209－216. (in Chinese with English abstract)

[44] 齐述华，王长耀，牛铮. 利用温度植被旱情指数(TVDI)进行全国旱情监测研究[J]. 遥感学报，2003，7(5)：420－427.Qi Shuhua, Wang Changyao, Niu Zheng. Evaluating soil moisture status in china using the temperature/vegetation dryness index (TVDI)[J]. Journal of Remote Sensing, 2003,7(5): 420－427. (in Chinese with English abstract)

[45] Dhorde A, Patel N. Spatio-temporal variation in terminal drought over western India using dryness index derived from long-term MODIS data[J]. Ecological Informatics, 2016, 32:28－38.

[46] Qin Z, Karnieli A, Berliner P. A mono-window algorithm for retrieving land surface temperature from Lands at TM data and its application to the Israel-Egypt border region[J].International Journal of Remote Sensing, 2001, 22(18): 3719－3746.

[47] Wang F, Qin Z, Song C, et al. An improved mono-window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor data[J]. Remote Sensing, 2015, 7(4):4268－4289.

[48] 柴守权，于海英，尤德康，等. 西南地区干旱对4种林业有害生物发生的影响[J]. 西南林业大学学报，2013，33(1)：71－75.Chai Shouquan, Yu Haiying, You Dekang, et al. Influence of drought in southwest China on occurrence of four species of forest pests from 2002 to 2010[J]. Journal of Southwest Forestry University, 2013, 33(1): 71－75. (in Chinese with English abstract)

[49] Bréda N, Badeau V. Forest tree responses to extreme drought and some biotic events: Towards a selection according to hazard tolerance?[J]. Comptes Rendus Geoscience, 2008,340(9/10): 651－662.