Fast R-CNN深度学习和无人机遥感相结合在松材线虫病监测中的初步应用研究

松材线虫病因其破坏性强、传播速度快和防治难度大等特点,严重威胁着我国的松林资源.及时发现、定位和清理病死松树是控制松材线虫病蔓延的有效手段.本研究利用小型无人机获得松材线虫病疫点的可见光和多光谱的航摄影像.根据松树针叶颜色变化,将松材线虫Bursaphelenchus xylophilus侵染的松树分为病树和枯死树两种类型.将无人机遥感正摄影像图切割成瓦片图,根据不同植被指数的特征差异,筛选出含病树和枯死树的瓦片图.训练Fast R-CNN深度学习框架形成最终模型,通过模型运算获得病枯死松树的分布地图及坐标点位置.研究结果显示Fast R-CNN深度学习和无人机遥感相结合能有效识别出病树和枯死树,正确率分别达到90％和82％,漏检率分别为23％和34％,可为大面积监测松材线虫病的发生现状和流行动态、评估防控效果和灾害损失提供技术支撑.     

基于多光谱卫星影像与机器学习算法的松材线虫病受害林分识别研究

松材线虫病（Pine Wilt Disease,PWD）被称为“松树癌症”,具有高传染率和高死亡率,对我国森林资源构成了严重的威胁,对我国的经济、社会和生态造成了重大损失。及时发现并清理疫木是遏制松材线虫病蔓延的有效手段,精准监测疫木是防控松材线虫病的前提,但是现阶段缺少大面积识别松材线虫病疫木的技术方法。本文旨在探索哨兵-2号与Landsat-8遥感卫星影像对受害松林的识别能力,采用随机森林（Random Forest,RF）、支持向量机（Support Vector Machine,SVM）、决策树（Decision Tree,DT）和极端梯度提升（Extreme Gradient Boosting,XGBoost）等4种机器学习算法建立了松材线虫病监测模型。结果表明：基于哨兵-2号影像数据建立的监测模型对受害松林的识别准确率高于Landsat-8遥感卫星影像,其中基于10 m分辨率的影像数据建立的监测模型识别准确率最高,随机森林、决策树、支持向量机和极端梯度提升等算法建立模型的准确率分别达到了79.3%、76.2%、78.7%和78.9%。在3种不同的影像数据集中,RF、SVM和XGBoost的准确率、Kappa系数和ROC值接近,均明显优于决策树算法。光谱特征中的绿波段、红波段、短波近红外波段和长波近红外以及植被指数中的NBRI、NGRDI、TVI、NDVI和PSSR等对松材线虫病监测模型的贡献值最高。递归消除法对特征参数的筛选效果最好,特征数量由原来50个减少至35个。本研究建立的松材线虫病受害林分监测模型为科学防控松材线虫病提供了技术支撑。     

利用大面积无人机航拍影像研究松材线虫病病死树林间分布规律

本研究使用固定翼无人机拍摄4 200 ha林地,从中选取了广东省河源市和平县阳明镇、紫金县紫城镇、东源县义合镇共3个样地的3 500 ha林地的航拍影像进行分析,用以探究松材线虫Bursaphelenchus xylophilus病死树的空间分布情况,及不同立地因子对疫情的影响,为松材线虫病监测预报提供解决途径。通过Pix4Dmapper软件对航拍的图像进行拼接生成正射影像图（DOM）等成果,然后使用eCognition（易康）软件对影像成果进行分割、分类和信息提取,最后借助ArcGIS平台进行病死树数量统计并获取方位、坡向、坡度、海拔等立地因子信息。结果表明,松材线虫病死树分布均呈聚集分布。使用双对角线法、平行线法、“Z”字法、五点法等不同抽样方法调查发现,仅五点法所得平均数与总体平均数无明显差异（P＜0.05）。松材线虫病死树在不同立地因子下均有差异：主要分布在西坡、南坡和东南坡,西坡最多为25.94%,其次是南坡23.57%;主要分布在半阳坡和阳坡,半阳坡占36.54%,阳坡占34.09%;主要分布在凸坡,但随着疫情的发展,凹坡病死树数量逐渐超过凸坡;主要分布海拔区间在300～350 m和250～300 m之间,其中300～350 m的病死树占30.43%,250～300 m的病死树占21.83%。固定翼无人机作业效率高,可在较短的时间内拍摄大面积的林地,获取足够的样本用于研究分析,其成本明显低于人工调查。分析结果表明,研究区域内松材线虫病死树分布具有空间差异和地形差异。在今后的松材线虫病防治中,可以考虑结合地形因素,提高对疫情的防治效率,为防治工作提供了新的思路与方法。     

基于多色彩空间的YOLOv5松枯死树检测方法

【目的】针对在松枯死树监测实践中,从无人机航拍RGB影像中自动识别松枯死树漏检率高的问题,提出了一种生产应用场景下基于多色彩空间的YOLOv5松枯死树高精度自动识别新方法。【方法】利用无人机采集大面积松材线虫病发生林分的RGB图像,用Pix4Dmapper软件拼接,用LabelImg开源软件建立VOC格式的松枯死树数据集,分别用Faster R-CNN、YOLOv3、YOLOv4、YOLOv5、SSD和EfficientDet等6种基于深度学习的目标检测算法对数据集进行训练和测试,以精确率、召回率、平均准确率以及F₁分数作为评价指标筛选出最优目标检测算法;然后将采集的RGB图像转换成LAB和HSV色彩空间图像,再将这3个色彩空间的图像分别用最优目标检测算法进行训练,得到目标在每个色彩空间的边界框,使用非极大值抑制算法对这些边界框进行处理,得到最优边界框实现松枯死树自动识别。【结果】6种算法均取得良好效果,其中YOLOv5模型为最优算法,其精准率、平均查准率和F₁分数在6种算法中均最高,分别达到97.58%、82.40%和0.85。通过3个色彩空间融合后,反映漏检情况的召回率由74.54%提高到98.99%,平均准确率提升至98.39%。【结论】基于多色彩空间的YOLOv5模型能够显著提高从无人机航拍RGB影像中检测松枯死树的精度,为松枯死树监测提供了有力工具,也有助于松材线虫病的防治。     

江西省赣州市南康区松材线虫病发生特征

松材线虫病是我国南方森林面临的主要灾害之一。本文基于野外调查和高分一号(GF-1)卫星WFV影像数据,采用随机森林模型构建松材线虫病空间识别模型,探究地形、人类活动和林分因子等对病害发生的影响,监测病害空间分布,并采用空间自相关性分析评估江西省赣州市南康区松材线虫病发生特征。结果表明：构建模型对松材线虫病的识别效果良好(AUC值=0.99,总体精度=0.96),可以实现对区域松材线虫病空间分布情况的有效监测;归一化差异绿度指数(NDGI)、距高速公路的距离、归一化植被指数(NDVI)是重要的建模因子;空间自相关性分析表明,松材线虫病的发生存在明显的空间正相关性即空间聚集性特征;南康区松材线虫病高发生区集中于赤土乡、朱坊镇和十八塘乡,低发生区集中于蓉江街道附近;分析变量的边际效应发现,离高速公路远、离县道近的低海拔地段是松材线虫病易发区域。研究结果可服务于区域松材线虫病分布的快速监测,对该病害防治和管理具有一定的指导意义。     

顾及无人机影像点云特征的绿地信息分类方法

采用无人机影像进行绿地信息分类时, 常利用影像光谱、纹理、形状等分类特征, 忽视了通过无人机影像生成点云构建的数字表面模型(Digital surface model, DSM)和数字高程模型(Digital elevation model, DEM)差异特征。基于此, 提出一种顾及无人机影像点云特征的绿地信息分类方法。方法首先基于摄影测量理论对研究区无人机影像进行空三计算, 并生成点云, 在此基础上构建DSM、DEM和数字正射影像(Digital Orthophoto Map, DOM); 然后, 利用DSM和DEM模型构建地物高度差异模型(normalized Digital Surface Model, nDSM); 最后, 利用可见光波段差异植被指数(Visible-band difference vegetation index, VDVI)对DOM进行植被与非植被分类, 并结合nDSM对植被进行分类。以昆明市呈贡区白龙潭公园为研究区进行绿地信息分类, Kappa系数精度达到0.862, 实验表明本文的方法对城市绿地调查具有实际意义。     

松材线虫病发生及防控现状

松材线虫在20世纪30年代就由美国的Steiner和Buhrer作为新种报道,但直至1971年才在日本被确认是引起松树枯死的原因。目前松材线虫在世界上分布还不很普遍,但对世界松林构成严重威胁。本文介绍了松材线虫发生及防控现状,着重介绍了松材线虫在世界的分布、寄主植物、传媒昆虫及管理现状。针对我国松材线虫病的发生和防控现状,探讨了我国松材线虫病防控对策和提出展望。     

基于无人机遥感监测滩涂湿地入侵种互花米草植被覆盖度

为了实现对沿海滩涂湿地资源与生态环境的有效管理与利用,需要对区域内的入侵种互花米草进行高精度的监测与分析.本文以福建三沙湾为试验区,以低空无人机获取的可见光和多光谱影像为数据源,对互花米草植被覆盖度进行监测与分析,通过NDVI指数模型获取了多光谱影像的植被覆盖度信息,以可见光影像为参考进行了精度检验.结果表明: 影像区互花米草植被覆盖度以40%～60%和60%～80%的中高和高等级覆盖度为主.NDVI模型估算值与真实值之间的均方根误差RMSE为0.06,决定系数R²为0.92,两者具有较好的一致性.     

基于多源遥感数据的大豆叶面积指数估测精度对比

近年来遥感技术的革新促使遥感源越来越丰富.为分析多源遥感数据的叶面积指数(LAI)估测精度,本文以大豆为研究对象,利用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合地面实测LAI构建经验回归模型,比较3类遥感数据(地面高光谱数据、无人机多光谱影像以及高分一号WFV影像)对大豆LAI的估测能力,并从传感器几何位置和光谱响应特性以及像元空间分辨率三方面分析讨论了3类遥感数据的LAI反演差异.结果表明： 地面高光谱数据模型和无人机多光谱数据模型都可以准确预测大豆LAI(在α=0.01显著水平下,R²均>0.69,RMSE均<0.40);地面高光谱RVI对数模型的LAI预测能力优于无人机多光谱NDVI线性模型,但两者差异不大(E_A相差0.3%,R²相差0.04,RMSE相差0.006);高分一号WFV数据模型对研究区内大豆LAI的预测效果不理想(R²<0.30,RMSE>0.70).针对星、机、地三类遥感信息源,地面高光谱数据在反演LAI方面较传统多光谱数据有优势但不突出;16 m空间分辨率的高分一号WFV影像无法满足田块尺度作物长势监测的需求;在保证获得高精度大豆LAI预测值和高工作效率的前提条件下,基于无人机遥感的农情信息获取技术不失为一种最佳试验方案.在当今可用遥感信息源越来越多的情况下,农业无人机遥感信息可成为指导田块精细尺度作物管理的重要依据,为精准农业研究提供更科学准确的信息.     

中国亚热带4个森林动态监测样地无人机可见光遥感影像数据集

常绿阔叶林是我国亚热带地区的地带性植被类型。由于亚热带森林植物群落垂直结构复杂、林冠郁闭度高, 对常绿阔叶林冠层的研究尚缺乏高质量的监测数据。本数据集包含浙江天童山、浙江百山祖、广东车八岭、广东鼎湖山4个大于20 ha的森林动态监测样地2014年8月或2016年9月采集的无人机可见光遥感影像。本数据集是通过将无人机影像、地面控制点和地面调查数据相结合而获得的。每个样地的数据集包括4个文件: ~5 cm空间分辨率的正射影像图和数字表面模型、1 m空间分辨率的森林冠层高度数据和正射影像质量报告。本数据集可为常绿阔叶林的林冠生态学、生物多样性、生态系统功能等研究提供数据支撑。     

松材线虫病发生点格局及影响因素

松材线虫病在中国大陆造成了巨大的生态与经济价值损失,南方地区尤为严重,分析松材线虫病空间分布、量化环境因素对其发生的影响对于松材线虫病的防控整治具有重要意义。本研究以江西省赣州市南康区松材线虫病为研究对象,采用核平滑密度、Ripley’s K函数、点过程模拟等空间点格局分析方法,探讨了区域松材线虫病发生的空间格局及其对环境变量的响应。结果表明: 研究区松材线虫病的发生不是随机分布,而是存在显著的空间聚集区。地形因子、植被因子和人类活动因子是影响松材线虫病空间异质性分布的主要因素。空间点格局分析表明,海拔、坡度、距最近道路距离、道路密度、距最近居民点距离、郁闭度和植被类型对松材线虫病的发生具有重要影响。在森林病害管理中,除了加强因人类活动引起病害传播源的管控外,还应该考虑地形、植被类型等特征进行松材线虫病害的综合预警监测。     

不同大气校正方法对森林叶面积指数遥感估算影响的比较

利用TM原始图像以及经过6S模型和基于影像自身的Gilabert模型大气校正后的地面绝对反射率图像,分别计算了褒河流域阔叶林和针阔混交林2种林型的5类光谱植被指数(SR、NDVI、MNDVI、ARVI和RSR),并建立各林型森林叶面积指数与同时相的各个植被指数的相关关系。结果表明,2种大气校正模型均显著提高了各植被指数与森林叶面积指数的相关关系,除了对森林叶面积指数与植被指数SR和NDVI的相关关系影响不显著外,对森林叶面积指数与植被指数MNDVI、ARVI和RSR相关关系的影响均非常显著。说明不同大气校正模型对叶面积指数的遥感估算结果有较大影响。因此,在利用遥感数据进行定量分析、信息提取和生态遥感应用时,不仅要进行大气校正,而且还要慎重选择大气校正模型和植被指数。     

外来入侵植物凤眼莲遥感监测方法研究

【目的】凤眼莲作为我国典型的外来入侵物种之一,其大规模入侵对水生生态系统破坏严重。目前在不同生境下开展的凤眼莲遥感监测方法研究精度有所不同。本研究对比了不同分类方法,拟筛选出适合我国南方地区凤眼莲的分类方法。【方法】基于Sentinel-2、Landsat8 OLI多光谱影像,选择最大似然和支持向量机监督分类、决策树分类以及植被指数阈值分类方法分别对海南省5个水库的凤眼莲遥感分类,依据无人机可见光影像目视结果对不同方法的分类精度进行评价。【结果】基于凤眼莲时相特征的决策树分类精度最高,总体精度达到90%以上;在基于光谱特征的分类方法中,最大似然监督分类的用户精度为77.88%、制图精度为72.44%,支持向量机分类的用户精度和制图精度分别达到87.00%和84.48%。【结论】基于时相特征与光谱特征的决策树分类方法精度高于仅基于光谱特征的监督分类方法,简单植被指数阈值方法难以区分不同生境内的凤眼莲,研究结果可为我国南方地区凤眼莲遥感监测与预警提供依据。     

高光谱与拟合多光谱植被指数反演武夷山亚高山草甸LAI的对比研究

植被叶面积指数(Leaf Area Index, LAI)是重要的生态学参数, 被广泛用于指示植被密度、生物量、碳、氮物质循环以及气候变化对生态系统的影响, 也作为生态过程模型的重要输入参数。地面实测高光谱遥感数据能以更高的空间分辨率及更高的光谱分辨率监测植物的光谱特征, 为精准反演LAI提供了基础。本项研究以武夷山国家公园黄岗山顶的亚高山草甸为研究对象, 通过建立多种高光谱植被指数和拟合多光谱植被指数反演叶面积指数的统计模型, 并比较高光谱与多光谱对叶面积指数反演的效果, 阐明用于反演高覆盖率亚高山草甸的最适高光谱和拟合多光谱植被指数。结果表明: 高光谱新植被指数(NVI)对于反演LAI有最好的效果, R2 = 0.85, P < 0.01; 依据高光谱NVI拟合而成的多光谱NVI反演结果次之, R2 = 0.82, P < 0.01。几种常用比值植被指数NDVI、MSR、RVI和GNDVI在高光谱和拟合多光谱反演结果中相差不大, 表现较好, R2都在0.65以上。通过对比高光谱和拟合Sentinel-2A和Landsat-8两种多光谱卫星波段的反演结果发现, 光谱响应函数中具有更窄波段范围的近红外、红、绿、蓝波段构成的植被指数可以得到更好的反演结果, 而固定波段的高光谱植被指数未必在每种植被指数中都具有最好的反演效果。同时, 发现当某种植被指数反演LAI的线性回归方程的斜率越大, 说明这种植被指数越有可能随LAI的增大而出现饱和现象, 相反的, 斜率越小则说明该种植被指数没有出现饱和现象。此外, 在研究区内使用高光谱和拟合多光谱波段植被指数法反演LAI, NDVI都获得了较好的效果, 存在很好的线性关系, 之前的很多研究和判断都认为NDVI不适用于反演高覆盖植被的LAI, 这个发现是具有意义的, 表明高覆盖植被的叶面积指数在一定范围内是能够被NDVI(应用最广泛的植被指数)较好的反演, 进一步扩展了NDVI反演LAI的适用性和可能性。     

基于NDVI假彩色合成法的土地覆被变化监测

土地覆被变化监测对区域生态系统保护、环境变化研究具有重要的作用,研究旨在提供一种基于归一化植被指数(NDVI)的假彩色合成法的土地覆被变化监测方法。该研究以黄河三角洲为研究区,以3期 Landsat TM影像(成像时间分别为1987年5月7日,1998年5月5日,2009年5月3日)为数据源,在进行相对辐射校正的基础上,生成3期NDVI图像,然后分别以三期的NDVI图像作为红、绿和蓝波段生成假彩色合成图像。基于彩色合成原理,对黄河三角洲的1987-2009年间的土地覆被变化进行了分析。结果表明:(1) 假彩色合成图像上的灰白色区域表示其土地覆被状态稳定,三个时期的NDVI值均较大,黑色区域的土地覆被状态也较稳定,但是三个时期的NDVI值均较小,而青色、绿色、红色则反映相应地区的NDVI处在不稳定状态;(2)不同的颜色反映了不同的土地覆被变化方式,较为直观地反映了土地覆被的变化特点,尤其是自然植被与农田之间的转换;(3)限于NDVI的瞬时性,该方法需要与基于遥感影像分类的方法相结合,才能更好地监测土地覆被变化。     

高度重视虫传危险性森林病害——松材线虫病

松材线虫病 ,又名松树萎蔫病 ,是松树的一种毁灭性病害 ,具有发病致死速度快、传播蔓延迅速、防治难度大等特点 ,因此被称为“松树癌症” ,在国内外均被列为重要的植物检疫对象。松树一旦感染此病 ,最快的4 0多天即可枯死 ;病害流行很快 ,一般从发病到松林毁灭只需 3～ 5年。该病目前主要分布在北美和东北亚 ,在美国、加拿大、墨西哥、日本、韩国、中国 ,葡萄牙也有分布 ,但危害程度不一 ,以日本受害最重。在北美三国 ,该病虽严重影响了木材出口 ,但并未对松林造成严重危害。而在东北亚 ,该病导致松树大量死亡 ,尤其在日本 ,该病分布全国 ,…     

水稻叶片全氮浓度与冠层反射光谱的定量关系

利用数学统计方法分析了不同施氮水平和不同水稻品种群体叶片全氮浓度（LNC）与冠层反射光谱的定量关系,建立了水稻群体叶片全氮浓度的光谱监测模型.结果表明：基于原始反射率构造的光谱参数与叶片全氮浓度的相关程度均高于原始反射率,近红外波段（760～1 220 nm）与可见光波段510、560、680及710 nm组成的比值植被指数、差值植被指数和归一化植被指数与群体叶片全氮浓度呈极显著正相关,其中与归一化植被指数（NDVI）的相关性最好;对拟合较好的6个两波段组合参数及4个特征光谱参数的预测标准误（SE）和决定系数（R²）进行比较后,选取参数NDVI (1220, 710)为反演群体叶片全氮浓度的最佳光谱参数,方程为LNC=3.2708 × NDVI (1220,710) + 0.8654.利用不同粳稻品种、水分和氮肥处理的试验数据对监测模型进行了检验,估计的根均方差（RMSE）均小于20%,预测值和实测值的拟合R²为0.674～0.862,拟合斜率为0.908～1.010,RMSE为11.315%～19.491%,表明模型预测值与实测值之间符合度较高,对不同栽培条件下的水稻群体叶片全氮浓度具有较好的预测性.     

MODIS植被指数与水稻叶面积指数及叶片叶绿素含量相关性研究

利用光谱分辨率为3nm的ASD FieldSpec UV／VNIR光谱仪获得了2002和2003年水稻整个生长期的高光谱数据,同时对水稻叶面积指数(LAI)和叶绿素含量(CHL．Ｃ)进行了测定,对中分辨率成像光谱仪(MODIS)的增强植被指数(EVI)、归一化植被指数(NＤVI)以及红边位置(REP)与LAI及CHL．C之间的关系进行了研究．结果表明。LAI与冠层光谱在可见光、近红外波段相关性较好,叶绿素含量与冠层光谱在红光波段相关性较好．EVI、REP和LAI之间的相关关系不受水稻覆盖率的影响;NDVI与LAI的相关关系在水稻低覆盖率情况下较好;在水稻高覆盖率情况下。EVI和REP比NDVI与LAI之间的相关关系要好．MODIS-NDVI、EVI及REP与叶片叶绿素含量相关性较好．由此可见,EVI和REP可以有效地监测水稻LAI和CHL．C．     

基于小波分析的大豆叶面积高光谱反演

实测了不同水肥耦合、经营制度及有效营养面积条件下的大豆(Glycinemax)冠层高光谱反射率与叶面积指数(LAI),并对光谱反射率、微分光谱与LAI的关系进行了分析;采用比值植被指数(RVI)与归一化植被指数(NDVI)建立了大豆LAI反演模型;采用小波分析对采集的光谱反射率数据进行了能量系数提取,并以小波能量系数作为自变量进行了单变量与多变量回归分析,对大豆LAI进行估算。结果表明:大豆LAI与光谱反射率在可见光波段呈负相关;在近红外波段呈正相关;微分光谱在红边处与大豆LAI密切相关(R2=0.92);RVI与NDVI可以提高大豆LAI的估算精度(R2分别达0.79、0.84);各植被指数各有优缺点,应根据需要进行选择;小波能量系数回归模型可以进一步提高大豆叶面积的估算水平,以一个特定小波能量系数作为自变量的回归模型,大豆LAI回归确定系数R2高达0.884;以4个和6个小波能量系数建立LAI回归分析模型(R2分别达0.92、0.93),2个模型LAI预测值与大豆LAI实测值线性回归确定性系数R2分别为0.90、0.92。比较可知,小波分析可以对高光谱进行特征变量提取,进而反演大豆生理参数,并且反演的LAI精度较光谱反射率、微分光谱及植被指数都有明显提高,小波分析在植被生理参数的高光谱提取方面有着广阔的应用前景。     

云杉花墨天牛成虫对四种寄主松树的取食偏好性

【目的】近年来,松材线虫病扩散到我国的中温带地区,云杉花墨天牛Monochamus saltuarius成为该地区松材线虫的新媒介昆虫。由于中温带地区松材线虫危害松树种类较多,本研究对云杉花墨天牛成虫对4种寄主松树的取食偏好性进行测定,为明确云杉花墨天牛成虫补充营养特性,进而为中温带地区松材线虫病和云杉花墨天牛监测与防治工作提供理论依据。【方法】2020年5月云杉花墨天牛羽化前,在辽宁省抚顺市大伙房实验林场采集被云杉花墨天牛侵入的红松Pinus koraiensis疫木,锯成1 m长木段,两端蜡封,置于养虫笼内,每天收集初羽化的云杉花墨天牛成虫。养虫笼内四角分别放置寄主植物红松、油松P. tabulaeformis、樟子松P. sylvestris var. mongolica和长白落叶松Larix olgensis 3年生树苗,将同一天羽化的5对雌雄成虫配对放入养虫笼中央,调察其在不同寄主松树上的日均取食频次和在寄主松树各部位的日均取食量。【结果】云杉花墨天牛成虫主要停留在油松上,日均取食频次为7.05±3.87次/d,其次是红松、长白落叶松上,停留在樟子松上的频次最少,日均取食频次仅有1.02±0.81次/d;各种寄主松树上雌雄成虫间的日均取食频次差异显著。云杉花墨天牛成虫在4种松树上的日均取食量存在显著差异,其中对油松的日均取食量最高,为129.14±50.23 mm²,占取食总量的62.89%;其次是对红松、长白落叶松,对樟子松的日均取食量最低,为9.87±11.02 mm²,仅占取食总量的4.81%。另外,云杉花墨天牛成虫在同种松树植物的不同部位上取食量差异显著,在4种松树上均主要取食嫩枝。【结论】从云杉花墨天牛成虫补充营养期间在不同松树上取食频次和取食量分析,云杉花墨天牛对油松的选择性明显高于其他3种松树。