旺業(yè)甸實(shí)驗(yàn)林場(chǎng)針葉林蓄積量估測(cè)模型的研究

張 凝，馮仲科，馮躍文 ，樊江川

（1. 北京林業(yè)大學(xué) 測(cè)繪與3S技術(shù)中心，北京 100083；2. 中國(guó)地質(zhì)大學(xué)，北京 100083）

旺業(yè)甸實(shí)驗(yàn)林場(chǎng)針葉林蓄積量估測(cè)模型的研究

張 凝1，馮仲科1，馮躍文2，樊江川1

（1. 北京林業(yè)大學(xué) 測(cè)繪與3S技術(shù)中心，北京 100083；2. 中國(guó)地質(zhì)大學(xué)，北京 100083）

蓄積量是森林資源監(jiān)測(cè)的一個(gè)重要指標(biāo)，而蓄積量遙感估測(cè)一直是林業(yè)遙感研究的重要內(nèi)容之一。采用Landsat-TM數(shù)據(jù)為遙感信息源，提取各個(gè)波段的差值以及比值組合信息、影像各波段灰度值以及植被指數(shù)，并利用DEM數(shù)據(jù)提取坡度和坡向數(shù)據(jù)。以內(nèi)蒙古赤峰市旺業(yè)甸林場(chǎng)針葉林為研究對(duì)象，分析RS和GIS因子與蓄積量的相關(guān)性，利用SPSS分析工具建立像元蓄積量與RS和GIS因子之間的非線性估測(cè)模型。模型精度達(dá)到76.16%，R為0.726，對(duì)其適用性進(jìn)行F檢驗(yàn)，在0.01顯著性水平下滿足要求。

森林資源監(jiān)測(cè)； 針葉林蓄積量；遙感估測(cè)；像元蓄積量；相關(guān)分析；精度檢驗(yàn)

林分中全部林木的材積稱為林分的蓄積量，簡(jiǎn)稱為蓄積。林分蓄積量的增減變化是森林資源監(jiān)測(cè)的一個(gè)重要內(nèi)容，是林業(yè)經(jīng)營(yíng)的重要決策依據(jù)。通常對(duì)森林蓄積量的測(cè)定方法可以概括為實(shí)測(cè)法和目測(cè)法兩大類。實(shí)測(cè)法又可以分為全林實(shí)測(cè)和局部實(shí)測(cè)。在實(shí)際工作中，多采用局部實(shí)測(cè)的方法，根據(jù)調(diào)查目的，采用典型選擇樣地標(biāo)準(zhǔn)地進(jìn)行實(shí)測(cè)，然后按面積比例擴(kuò)大推算全體蓄積。在遙感和GIS技術(shù)支持下，分析影像林分蓄積量的諸多因子，通過(guò)RS以及GIS技術(shù)，結(jié)合少量地面調(diào)查資料，建立以像元為單位的森林蓄積量估測(cè)模型，達(dá)到減少地面調(diào)查工作量，能實(shí)現(xiàn)快速、準(zhǔn)確進(jìn)行森林蓄積量的估測(cè)和預(yù)報(bào)。通常在進(jìn)行森林蓄積量模型估測(cè)中，采用多元回歸分析和人工神經(jīng)網(wǎng)絡(luò)及其衍生方法建立相對(duì)應(yīng)的線性模型[1-2]。本文中以旺業(yè)甸林場(chǎng)針葉林為研究對(duì)象，結(jié)合實(shí)地?cái)?shù)據(jù)和RS以及GIS因子，采用遙感和多元回歸分析技術(shù)，構(gòu)建林場(chǎng)針葉林蓄積量非線性估測(cè)模型，以減少實(shí)地測(cè)量數(shù)據(jù)工作量，提高蓄積量估測(cè)精度。

1 研究區(qū)概況

喀喇沁旗旺業(yè)甸實(shí)驗(yàn)林場(chǎng)位于內(nèi)蒙古赤峰市喀喇沁旗西南部，是一個(gè)集森林經(jīng)營(yíng)、木材加工、苗木生產(chǎn)、旅游開(kāi)發(fā)于一體的綜合性實(shí)驗(yàn)林場(chǎng)，為內(nèi)蒙古赤峰市重點(diǎn)國(guó)有林場(chǎng)之一。

旺業(yè)甸林場(chǎng)屬燕山山脈北麓七老圖山支脈，東經(jīng) 118°09′～ 118°30′，北緯 41°21′～ 41°39′，為茅荊達(dá)壩次生林區(qū)之一部分，是喀喇沁母親河——錫伯河的發(fā)源地。屬溫帶季風(fēng)氣候，冬季漫長(zhǎng)寒冷，夏季溫?zé)岫虝?，氣溫變化劇烈，日照時(shí)間在2 700 h以上。森林植被主要以油松Pinus tabulaeformis、落葉松Larix gmelinii以及山楊populus、白樺Betula platyphylla、蒙古櫟Quercus mongolica等為主。林場(chǎng)土地總面積為25 958 hm2，有林地面積為23 118 hm2，活立木總蓄積達(dá)128萬(wàn)m3。

2 材料與方法

2.1 研究區(qū)數(shù)據(jù)及資料獲取

2.1.1 樣地實(shí)測(cè)數(shù)據(jù)

地面實(shí)測(cè)數(shù)據(jù)采用旺業(yè)甸林場(chǎng)樣地?cái)?shù)據(jù)。調(diào)查時(shí)間為2012年6月，在林場(chǎng)內(nèi)布設(shè)多邊形樣地，每塊樣地實(shí)測(cè)9棵典型樹(shù)木，獲取其坐標(biāo)、樹(shù)高、胸徑、冠幅等信息。此次實(shí)地測(cè)量共選取基本覆蓋林場(chǎng)的201塊樣地，經(jīng)整理后得到每塊樣地的屬性，包括坐標(biāo)、高程、樹(shù)木平均高、平均胸徑、蓄積量、林分密度等。

2.1.2 Landsat-TM數(shù)據(jù)及其他資料

考慮到2年內(nèi)樹(shù)木生長(zhǎng)情況變化幅度對(duì)2年內(nèi)蓄積量影響較小，故而在http://glcfapp.glcf.umd.edu:8080/esdi/index.jsp網(wǎng)站獲取2010年7月Landsat-TM數(shù)據(jù)。以1∶5萬(wàn)地形圖為基準(zhǔn)采集控制點(diǎn)，采用多項(xiàng)式法進(jìn)行幾何校正，得到旺業(yè)甸地區(qū)的TM影像范圍（見(jiàn)圖1）。同時(shí)獲取旺業(yè)甸林場(chǎng)土地二調(diào)數(shù)據(jù)生成樣地點(diǎn)DEM。

2.2 研究方法

2.2.1 蓄積量估測(cè)變量設(shè)置

蓄積量很大程度上由一系列定性和定量因子綜合反映而得到，在森林利用價(jià)值估計(jì)等方面有很大貢獻(xiàn)。同時(shí)，遙感影像中各像元對(duì)應(yīng)的灰度值是地物在影像上所反映不同深淺色調(diào)的灰度，它是應(yīng)用遙感技術(shù)對(duì)地物進(jìn)行研究的基本數(shù)據(jù)，可以合理的估測(cè)蓄積量[3]。同一地理位置的不同波段像元灰度值的比值、差值等也是研究地物的重要因子。前人利用遙感影像的像元灰度值和林分立地條件等因子對(duì)林木蓄積量進(jìn)行了大量研究，并取得顯著成效。

圖1 旺業(yè)甸林場(chǎng)覆蓋區(qū)域TM影像Fig.1 TM image of Wangyedian forest farm

本研究在借鑒前人研究的基礎(chǔ)上，選擇用于構(gòu)建蓄積量估測(cè)模型的備選變量，具體包括通過(guò)遙感技術(shù)所提取的可選定量變量和林分立地條件變量。設(shè)置RS可選定變量：TM1、TM2、TM3、TM4、TM5、TM7、TM4/TM3（RVI）、TM1/TM3、TM1/TM4、TM1/TM5等波段灰度值和比值組合以及（TM4-TM3）/（TM4+TM3）（NDVI）、TM4-TM3（DVI）等波段灰度值差值組合。同時(shí)設(shè)置林分立地條件：坡度和坡向[4]。

表1 變量因子Table 1 Variable factors

2.2.2 遙感圖像處理

利用ERDAS 9.2對(duì)覆蓋林場(chǎng)的TM進(jìn)行拼接、幾何校正及圖像增強(qiáng)處理，利用Interpreter模塊下的Spectral Enhancement功能提取歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）、差值植被指數(shù)（DVI）以及Sqrt（RVI），并利用軟件的代數(shù)運(yùn)算功能提取各個(gè)波段的影像各波段灰度值（TM1-TM5、TM7波段）、差值以及比值組合信息。

將處理好的圖像在ARCGIS 10中加載，并將外業(yè)實(shí)測(cè)獲取的樣地點(diǎn)坐標(biāo)同時(shí)加載到ARCGIS，利用Sample功能采樣樣地點(diǎn)的各個(gè)RS因子數(shù)據(jù)。其次，在ARCGIS中利用二調(diào)數(shù)據(jù)獲取的DEM提取樣地點(diǎn)相對(duì)應(yīng)的坡度和坡向值。圖2為部分因子的提取圖像。

圖2 樣地點(diǎn)部分RS因子提取圖像Fig. 2 Parts of RS images of sampling locations’ RS-factors extracted

2.3 蓄積量模擬方程構(gòu)建

結(jié)合實(shí)測(cè)以及遙感影像數(shù)據(jù)提取得到的RS和GIS因子數(shù)據(jù)和前人研究，大多數(shù)研究建立的森林蓄積量模型都為多元線性模型，本文中擬建立有關(guān)蓄積量以及RS和GIS因子的多元非線性模型，以達(dá)到利用較多可用數(shù)據(jù)實(shí)現(xiàn)更為準(zhǔn)確的森林蓄積量估測(cè)的目的，同時(shí)為遙感蓄積量估測(cè)提供一種新的計(jì)算模型。

2.3.1 原始數(shù)據(jù)處理及數(shù)據(jù)篩選

基于數(shù)據(jù)采集、信息提取時(shí)數(shù)據(jù)誤差的存在，對(duì)201塊樣地?cái)?shù)據(jù)進(jìn)行分析，同時(shí)對(duì)得到的RS以及GIS因子數(shù)據(jù)進(jìn)行調(diào)整。

2.3.1.1 坡度數(shù)據(jù)量化分級(jí)

由DEM得到的坡度數(shù)據(jù)較為零散，沒(méi)有統(tǒng)一進(jìn)行量化，按旺業(yè)甸林場(chǎng)提取的坡度數(shù)據(jù)范圍，將其按 0°～ 14.190°、14.191°～ 27.704°、27.705°～44.259°、44.260°～86.152°劃分為4個(gè)等級(jí)并分別賦值為1～4（見(jiàn)表2）。

表2 坡度劃分及取值Table 2 Division of slope gradient and values

2.3.1.2 坡向數(shù)據(jù)量化分級(jí)

由于植物生長(zhǎng)受到光合作用的影響較大，那么對(duì)蓄積量的估測(cè)時(shí)坡向因子必須考慮在內(nèi)。由于ArcGIS中獲得的坡向數(shù)據(jù)不能很好地反映坡向的定性特性，將坡向定性分為：陰坡（包括東坡、北坡、東北坡和西北坡）、陽(yáng)坡（南坡、西坡、東南坡和西南坡）、全坡3類，并對(duì)提取數(shù)據(jù)進(jìn)行數(shù)量化[5-6]（見(jiàn)表3）。

2.3.1.3 實(shí)測(cè)蓄積量數(shù)據(jù)處理

由于TM影像獲取的波段灰度值均以像元為單位，為避免單位差異造成的系數(shù)超限現(xiàn)象，對(duì)實(shí)測(cè)樣地點(diǎn)的蓄積量進(jìn)行處理，得到對(duì)應(yīng)樣地點(diǎn)的像元蓄積量（即單位轉(zhuǎn)換）。

表3 坡向分類及取值Table 3 Classification and slope aspect and theirs values

2.3.1.4 數(shù)據(jù)篩選

在201塊樣地中，提取出129塊針葉林樣地點(diǎn)，經(jīng)過(guò)3倍標(biāo)準(zhǔn)差法的篩選，得到125塊有效數(shù)據(jù)用于模型構(gòu)建，同時(shí)對(duì)極度異常數(shù)據(jù)進(jìn)行剔除，最后選取能夠覆蓋林場(chǎng)的90塊樣地?cái)?shù)據(jù)進(jìn)行模型的擬合，并用剩余的30塊樣地進(jìn)行精度檢驗(yàn)。

2.3.2 自變量因子的確定

由于提取的RS因子較多，首先采用相關(guān)分析對(duì)所有提取的RS變量進(jìn)行其與像元蓄積量的相關(guān)性分析（偏相關(guān)分析），剔除相關(guān)性小的RS變量，得到參與模型構(gòu)建的RS變量因子：NDVI、DVI、RVI、TM2、TM3、TM4、TM5、TM7。

為有效提高擬合模型的精度，同時(shí)減少后續(xù)處理的誤差，對(duì)分析得到的8個(gè)RS變量因子分別與像元蓄積量在SPSS中進(jìn)行曲線擬合，以確定其參與最終模型建立的具體形式。

根據(jù)曲線擬合結(jié)果中R2以及顯著性分析，最終確定：NDVI以二次方程參與最終方程擬合（R=0.669，R2=0.448,sig=.000＜ 0.05），DVI以二次方程形式參與模型建立（R=0.473，R2=0.223，sig=.000＜ 0.05），RVI以 三 次 方 程形式參與擬合（R=0.671，R2=0.451,sig=.000＜0.05），TM3、TM7分別以對(duì)數(shù)和二次方形式參與擬合，其余變量由于曲線擬合中顯著性不滿足要求，均采用線性形式參與最終模型的建立。

2.3.3 蓄積量模型的構(gòu)建

對(duì)偏相關(guān)分析得到的16個(gè)RS變量用逐步回歸的方法與像元蓄積量進(jìn)行擬合，同時(shí)2個(gè)量化的GIS因子采用強(qiáng)行進(jìn)入?yún)⑴c方程構(gòu)建[7]，本研究最終擬合方程為：

式中：Y為林場(chǎng)樣地點(diǎn)像元蓄積量；NDVI、NDVI2，…， 坡度、坡向?yàn)楦鱾€(gè)變量值。對(duì)以上擬合方程進(jìn)行初步精度檢驗(yàn)，得到模型的相關(guān)系數(shù)為R2=0.526。其各項(xiàng)參數(shù)如表4及5所示。

表4 模型精度Table 4 Accuracy of model

表5 模型方差分析Table 5 Variance analysis

3 精度檢驗(yàn)

研究選用構(gòu)建模型使用樣地以外的30塊樣地?cái)?shù)據(jù)進(jìn)行模型的精度以及適用性檢驗(yàn)，即將由TM影像以及DEM獲取的相關(guān)RS以及GIS因子代入所擬合的蓄積量估測(cè)模型中，得到估測(cè)蓄積量，與實(shí)測(cè)樣地的蓄積量進(jìn)行比較分析，檢驗(yàn)?zāi)Ｐ偷木燃澳Ｐ瓦m用性[8]。

3.1 模型精度檢驗(yàn)

對(duì)擬合方程進(jìn)行精度檢驗(yàn)，公式為：

式中：S為相對(duì)誤差；η為方程精度； Y?為擬合的蓄積方程估算的蓄積量；Y為實(shí)測(cè)數(shù)據(jù)獲取的蓄積量。

利用精度檢驗(yàn)公式，對(duì)30塊樣地進(jìn)行檢驗(yàn)，結(jié)果如表6所示。

表6 估測(cè)模型精度檢驗(yàn)Table 6 Accuracy test of estimating model

通過(guò)對(duì)表6進(jìn)行分析，編號(hào)為7、25和30的樣地點(diǎn)信息誤差較大，其余檢測(cè)樣地點(diǎn)數(shù)據(jù)均達(dá)到50%以上，為更好更直觀地體現(xiàn)模型精度，總結(jié)表6得到蓄積量估測(cè)精度結(jié)果（見(jiàn)表7）。

表7 模型檢驗(yàn)結(jié)果Table 7 Model test results

由表7分析可知，精度達(dá)到70%的樣地?cái)?shù)為25塊，占檢測(cè)樣地總數(shù)的83.33%，平均精度達(dá)到76.16%。那么說(shuō)明文章擬合的蓄積量非線性模型精度達(dá)到要求，能夠較為準(zhǔn)確地估測(cè)旺業(yè)甸林場(chǎng)針葉林的像元蓄積量。

3.2 模型適用性檢驗(yàn)

結(jié)合擬合出的蓄積量方程和檢驗(yàn)數(shù)據(jù)，對(duì)擬合方程進(jìn)行適用性檢驗(yàn)，文章選用F檢驗(yàn)，公式[9-10]為：

F檢驗(yàn)是用實(shí)測(cè)值與預(yù)測(cè)值組成成對(duì)值，建立線性回歸方程。那么，如果模型擬合得較好，則常數(shù)項(xiàng)a和回歸系數(shù)b就分別趨近于0 和1。利用本研究建立的模型所計(jì)算出來(lái)的林分蓄積量（估測(cè)蓄積量）作為自變量X，用實(shí)測(cè)數(shù)據(jù)的蓄積量作為因變量Y，擬合線性方程，得到：Y=0.352+0.828X，其相關(guān)系數(shù)R=0.88 6。通過(guò)F檢驗(yàn)，F(xiàn)=0.605＜F0.01（1,28）=7.64，結(jié)果表明，在0.01顯著性水平下，模型擬合結(jié)果與實(shí)測(cè)結(jié)果無(wú)明顯差異，模型適用性較高。

4 結(jié) 論

文章采用林分立地條件因子（GIS因子）、波段灰度值、波段比值以及植被指數(shù)等RS因子對(duì)旺業(yè)甸林場(chǎng)針葉林相對(duì)應(yīng)樣地點(diǎn)的像元蓄積量進(jìn)行遙感估測(cè)，擬合基于RS和GIS因子的旺業(yè)甸林場(chǎng)針葉林像元蓄積量估測(cè)模型并進(jìn)行了精度分析以及適應(yīng)性檢驗(yàn)，最終得到以下結(jié)論：

（1）由估測(cè)模型的方差分析表明，所建立的估測(cè)模型估測(cè)精度為76.16% ，能滿足旺業(yè)甸林場(chǎng)針葉林蓄積量預(yù)測(cè)預(yù)報(bào)以及價(jià)值評(píng)估的生活需求，可靠性較高。

（2）模型適用性檢驗(yàn)表明，所建估測(cè)模型測(cè)算的林分蓄積量估測(cè)值與實(shí)測(cè)數(shù)據(jù)基本相符，無(wú)顯著差異，能夠適用于旺業(yè)甸林場(chǎng)針葉林蓄積量的基本估測(cè)，滿足生產(chǎn)實(shí)踐的需求。

（3）以像元為單位進(jìn)行蓄積估測(cè)，可繞過(guò)分類預(yù)報(bào)蓄積，避免了分類精度限制對(duì)蓄積估測(cè)造成的不利影響。同時(shí)對(duì)RS及GIS提取因子而言，不用進(jìn)行相關(guān)數(shù)據(jù)的范圍轉(zhuǎn)換，能夠更精確地進(jìn)行分析擬合，提高了蓄積量的估測(cè)精度。

（4）利用遙感和GIS因子建立像元蓄積量的非線性模型，避免數(shù)據(jù)出現(xiàn)無(wú)線性關(guān)系時(shí)無(wú)法進(jìn)行估測(cè)的現(xiàn)象，同時(shí)為蓄積量模型估測(cè)提供了又一種思路，并能夠更好地將遙感信息結(jié)合到林業(yè)中來(lái)。

（5）通過(guò)遙感技術(shù)建立林分蓄積量估測(cè)模型，更好地利用遙感技術(shù)的實(shí)時(shí)、動(dòng)態(tài)等特點(diǎn)，同時(shí)避免了外業(yè)調(diào)查數(shù)據(jù)的誤差以及環(huán)境限制，實(shí)現(xiàn)蓄積量變化的實(shí)時(shí)監(jiān)測(cè)，為生產(chǎn)世間提高及時(shí)、高效、準(zhǔn)確的蓄積量變化信息。

[1] 李崇貴,斯 林,趙憲文.以“3S”為基礎(chǔ)的森林蓄積動(dòng)態(tài)監(jiān)測(cè)系統(tǒng)研究[J].林業(yè)科學(xué)研究,2011,14(2):223-226.

[2] 趙憲文,李崇貴. 基于“ 3S”的森林資源定量估測(cè)[M].北京:中國(guó)科學(xué)技術(shù)出版社,2001.

[3] 袁凱先,陳玉山,包盈智,等. 森林蓄積量的遙感估測(cè)[J].林業(yè)資源管理,1996,(13):13-17.

[4] 郭雅麗,陳 勇,關(guān) 銳. 用"3S”技術(shù)估測(cè)森林蓄積量變量選擇與優(yōu)選[J].科技資訊,2007,(9):6.

[5] 黃偉平,譚三清,張 貴,等. 估測(cè)森林蓄積量的遙感因子選擇研究[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào),2010,30(04):112-115.

[6] 蔡學(xué)成,楊永彰. 基于中巴資源衛(wèi)星數(shù)據(jù)的森林蓄積量估測(cè)研究[J].安徽農(nóng)業(yè)科學(xué),2007,35(34):10961-10962.

[7] 董 斌,馮仲科,杜林芳,等.山東省黃河流域森林蓄積量遙感定量估測(cè)模型研究[J].遙感技術(shù)與應(yīng)用,2010,(4):520-524.

[8] 余坤勇,林 芳,劉 健,等.基于”3S”的閩江流域馬尾松林分蓄積量估測(cè)模型研究[J]. 福建林業(yè)科技,2006,(1):18.

[9] 何曉群.多元統(tǒng)計(jì)分析[M].北京:中國(guó)人民大學(xué)出版社,2008.

[10] James M, Lattin J, Douglas Carroll, et a1. Analyzing Multivariate Data[M].First published by Brooks/Cole, an imprint of Thomson Learning. United States of America: Brooks/Cole.2007:45-46.

Research on coniferous forest volume estimation model for Wangyedian experimental forest farm

ZHANG Ning1, FENG Zhong-ke1, FENG Yue-wen2, FAN Jiang-chuan1
(1. 3S Technical Centre, Beijing Forestry University, Beijing 100083, China; 2.China University of Geosciences (Beijing), Beijing 100083, China)

∶ Volume of forest resources monitoring is one of the important targets, and volume of remote sensing estimation has been one of the important contents of forestry remote sensing researches. By using Landsat-TM data as remote sensing information source, the differences among different bands and ratios combination information were extracted, the gray values and vegetation indexes of band images were also extracted, and the slope gradient and slope aspect data were extracted by using the DEM data. By taking the coniferous forest in Chifeng city in Inner Mongolia as the research object, the correlations of RS and GIS factors and volume were analyzed and the nonlinear estimation models between pixel volume and RS and GIS factors were established by using SPSS analysis tools. The experimental results show that the model accuracy reached 76.16%, R value was 0.726, the applicability F test was done, which was at 0.01 significant level, the model accuracy met the requirements.

∶ forest reserves monitors; coniferous forest volume; remote sensing estimation; pixel volume; correlation analysis; accuracy test

S758.5+1；S771.8

A

1673-923X(2013)11-0083-05

2013-05-20

國(guó)家科技支撐計(jì)劃項(xiàng)目(2012BAH34B01)“亞太森林恢復(fù)與可持續(xù)管理網(wǎng)絡(luò)”；旺業(yè)甸林場(chǎng)多功能林業(yè)試點(diǎn)示范項(xiàng)目

張 凝（1987-），女，河北人，碩士生，主要研究方向：3S技術(shù)在資源環(huán)境中的應(yīng)用；E-mail：ZNYZ@126.com

馮仲科（1962-），男，甘肅人，教授，博士生導(dǎo)師，主要研究方向： 精準(zhǔn)林業(yè)，林業(yè)3S技術(shù)應(yīng)用；

E-mail：fengzhongke@126.com

[本文編校：謝榮秀]