森林健康评价是森林经营管理的重要依据,然而在传统森林健康研究中主要依靠野外实地调查,在数据收集过程中费时费力,且难以实现大范围有效监测。近年来大量研究表明,遥感数据与森林资源的数量、结构、功能等指标具有较好的相关性,在正确理解森林健康内涵的基础上,利用遥感技术具有宏观性、时效性和高效性等优点是进行森林健康研究的理想手段。本文主要目的是建立一套森林健康量化指标体系,并分析基于SPOT-5遥感影像光谱和纹理特征预估森林健康指数的效果,为森林健康调查提供理论依据。以第七次全国森林资源连续清查数据和SPOT-5遥感数据为数据源,以影像覆盖区域为研究对象,根据研究区域的特点和森林生态系统的健康特征,选取林分平均胸径、林分平均断面积、林分密度、林分蓄积量、Simpson指数、Shannon-Wiener指数、Pielou均匀度指数、混交度、基尼系数、胸径的标准差、角尺度、土壤厚度和郁闭度,共计13个林分定量指标构建森林健康评价指标体系,采用因子分析法确定各评价指标权重,最终提取出4个公因子,分别代表物种多样性、林分竞争状态、树木大小多样性、林地土壤,相对权重分别为F1=0.337,F2=0.314,F3=0.247,F4=0.102。计算出的森林健康指数经过正态检验后服从正态分布,使用正态等距分析法把森林健康划分成健康、亚健康、中健康、不健康4个等级。研究表明,研究区域内不健康林分占11.8%;中健康林分占44.1%;亚健康林分占30.5%;健康林分占13.6%。整体上研究区域森林的健康程度不高,中健康和亚健康林分占多数。在遥感影像预处理的基础上,使用ENVI软件提取研究样地的SPOT-5影像光谱信息、植被指数以及9个不同窗口下的八种GLCM纹理特征变量。通过Pearson相关分析,计算不同窗口下纹理特征变量与森林健康指数的相关系数,发现大部分相关系数都在13×13窗口达到峰值,因此选取13×13窗口下提取的纹理信息进行森林健康遥感估测模型的构建。通过LASSO回归算法筛选从影像中提取的21个遥感特征因子变量,发现当变量数为7时,均方误差平均值最小,此时筛选出的最优自变量组合为全色波段的表面平均反射率(mean_pan)、短红外波段的表面平均反射率(mean swir)、水分胁迫指数(MSI)、简单比值植被指数(SR)、GLCM纹理特征变量中的均值(Mean)、方差(Variance)和同质性(Homogeneity)。将总体样本数据按照7:3比例随机分为训练集样本40个与测试集样本17个,利用筛选出的7个自变量,在训练集上分别使用多元线性回归、偏最小二乘回归、支持向量机和随机森林四种算法,建立四种森林健康估测模型,在测试集样本上采用决定系数(R2)、均方根误差(RMSE)、误差平均值(AE)和估测精度(EA)作为评价森林健康模型精度的基本指标。比较可知,利用支持向量机算法建立的估测模型估测精度最高,达到76.94%,决定系数R2为0.796,均方根误差为1.225,误差平均值为0.995;其次为随机森林算法,决定系数R2为0.732,均方根误差为1.397,误差平均值为1.172,估测精度为73.71%;偏最小二乘回归模型决定系数R2为0.597,均方根误差为1.713,误差平均值为1.464,估测精度为67.75%;多元线性回归在四种算法中相对来说表现较差,决定系数R2为0.528,均方根误差为1.854,误差平均值为1.586,估测精度为65.09%,说明用支持向量机算法建立的森林健康估测模型具有较好的应用前景,两种传统方法与机器学习方法的建模结果相比较,机器学习优于传统回归方法。