基于WorldView-2影像和隨機森林算法的天山云杉蓄積量反演

呂金城，王振錫，楊勇強，曲延斌，馬琪瑤

（新疆農業(yè)大學林學與園藝學院/新疆教育廳干旱區(qū)林業(yè)生態(tài)與產業(yè)技術重點實驗室，烏魯木齊 832003）

0 引言

【研究意義】森林蓄積量與植被分布特征對于可持續(xù)發(fā)展的生態(tài)系統(tǒng)管理和保護生物多樣性至關重要[1]。林地林分蓄積量的估算為空間和時間上監(jiān)測林地生態(tài)系統(tǒng)的穩(wěn)定性和生產力提供了有用的信息。新疆天然林面積為602.7×104hm2（9 040.5 萬畝）[2]。天山云杉（Picea schrenkiana var.tianschanica）作為天山山地最主要的地帶性森林植被，其林分占新疆天然林有林地面積的44.9%，是構成天山乃至新疆森林生態(tài)系統(tǒng)的物質主體[3-4]。監(jiān)測天山云杉的更新生長狀況，對快捷準確計算其森林蓄積量對新疆林業(yè)發(fā)展有重要意義?！厩叭搜芯窟M展】目前大多數研究者主要是利用衛(wèi)星、機載或現場傳感器獲取的遙感數據來實現蓄積量的估測，根據數據源與林地實際情況的不同，建立蓄積量反演模型的方式也不同，李世波[5]基于GF-1衛(wèi)星影像數據，針對研究區(qū)分別建立了多元逐步回歸，偏最小二乘回歸與隨機森林三種模型，經過對比，隨機森林模型精度最高，達到了83.69%。賈嘉輝[6]使用GF-1 衛(wèi)星影像針對研究區(qū)樹種多樣的情況，提出了分類建模的思想，對針葉林，闊葉林，針闊混交林三種林地類型分別建立模型，相比單一模型蓄積量精度從82%提升到了84.3%。曹霖[7]采用Sentinel-2A 衛(wèi)星影像，建立了傳統(tǒng)線性回歸與預測機器學習回歸，傳統(tǒng)線性回歸的相對誤差較大（19.81%），而預測機器學習回歸的相對誤差較?。?7.88%）。【本研究切入點】由于山地林區(qū)的林分蓄積量較大，使用傳統(tǒng)方法估測這些地區(qū)的蓄積量，效果不佳。利用從高光譜數據計算的窄帶植被指數來估計高郁閉度林分的蓄積量[8-11]，但高光譜數據的使用在成本、可用性和處理能力都有其自身的局限性。WorldView-2 衛(wèi)星數據被認為是多光譜分辨率衛(wèi)星數據和高光譜數據之間的折衷選擇，提供了比SOPT 和LandsatTM 等傳統(tǒng)寬帶衛(wèi)星圖像更多的波段（8個波段）和更高的空間分辨率（2 m），減少了高光譜數據中包含的不必要的冗余。對于蓄積量模型的建立，隨機森林等集成方法已成功用于提高生態(tài)領域的預測精度[12]，能夠基于離散或連續(xù)數據集綜合回歸或分類函數，同時還具有處理預測值之間復雜關系的能力[13]。需利用WorldView-2 衛(wèi)星影像與隨機森林算法估算林分蓄積量。【擬解決的關鍵問題】以新疆伊犁鞏留縣恰西國家森林公園的天山云杉為研究對象，WorldView-2衛(wèi)星影像為數據源，提取天山云杉林的光譜信息，植被指數與紋理因子，結合樣地實測森林信息建立隨機森林回歸模型，反演天山云杉林分蓄積量，豐富現代森林資源調查技術方法，為天然林保護工程實施20年來新疆森林資源的更新恢復評價提供技術支撐。

1 材料與方法

1.1 材料

1.1.1 研究區(qū)概況

恰西國家森林公園位于鞏留縣東部山區(qū)小吉爾尕郎河的支流恰西河的中游，吉爾格郎鄉(xiāng)東南部山區(qū)，N 43°02′～43°06′，E 82°36′～82°44′。海拔1 270 ～1 600 m，屬于典型溫帶大陸性半干旱氣候，土壤深厚肥沃年均降水量達550 ～700 mm，全年平均氣溫7.4 ℃。

1.1.2 影像數據來源

WorldView-2衛(wèi)星覆蓋研究區(qū)的圖像是2018年8月獲得的。WorldView-2 影像由8個多光譜波段組成，空間分辨率為2m，最低點條帶寬度為16.4 公里。這8個波段的光譜范圍分別為400-450nm 海岸波段（Band1-COASTAL）、450-510nm藍光波段（Band 2-BLUE）、510-581nm 綠光波段（Band 3-GREEN）、585-625nm黃光波段（Band 4-YELLOW）、630-690nm 紅光波段（Band 5-RED）、705-745nm 紅邊波段（Band 6-RED edge）、770-895nm 近 紅 外 波 段1（Band 7-NIR1）和860-1040nm近紅外波段2（Band 8-NIR2）。

1.1.3 外業(yè)數據獲取

2018年7月在新疆鞏留縣恰西國家森林公園內，通過林相圖等先驗數據與實地踏查結合，共設置95 塊30 m×30 m 的樣地，其中包含皆伐樣地，擇伐樣地，無干擾天然林。并對樣地內胸徑大于6 cm 的天山云杉林進行每木檢尺用于計算蓄積量。使用GPS 記錄每塊樣地中心點及四個邊點的坐標。

1.2 數據處理

1.2.1 實測樣地蓄積量計算

天山云杉二元立木材積公式由當地林業(yè)局根據天山西部地區(qū)最新二類調查檢尺材料計算求出。天山云杉二元立木材積公式如下：

1.2.2 WorldView-2衛(wèi)星影預像處理

利用ENVI5.3 對WorldView-2 衛(wèi)星影像進行輻射定標、大氣校正。對校正好的多景World-View-2衛(wèi)星影像進行鑲嵌處理，生成覆蓋整個研究區(qū)的影像，同時通過選取道路、河流、建筑等交叉點對研究采用的WorldView-2衛(wèi)星影像進行幾何精校正。圖1

圖1 處理結果Fig.1 Preprocessing result diagram

1.2.3 遙感因子的設置

研究利用eCognition Developer 提取光譜信息、紋理因子與植被指數三種遙感因子。其中光譜信息包含海岸波段，藍光波段，綠光波段，黃光波段，紅光波段，紅邊波段，近紅外波段1 與近紅外波段2；紋理因子選取常用的8個，即協同性、相異性、均值、相關性、方差、對比度、熵與二階矩，通過灰度共生矩陣方法提取，任意兩像元之間的位置關系分為0、45、90 與135°四個方向；植被指數4個，分別為歸一化植被指數（NDVI）、差值植被指數（DVI）、比值植被指數（RVI）與增強型植被指數（EVI），由于WorldView-2 影像的特殊性質，在WorldView-1 衛(wèi)星的基礎上改進，增加了近紅外波段2，這個波段部分重疊在近紅外波段上，但較少受到大氣層的影響，該波段支持植物分析和單位面積內生物數量的研究，采用NIR1與NIR2，即植被指數為8個，研究設置共計24個遙感因子。表1

表1 紋理特征Table 1 The texture characteristics

使用R軟件中的“隨機森林”（RandomForest）包實現隨機森林。在實地調查的95塊樣地中，以66塊樣地做為建模數據集，利用剩余的29塊樣地驗證模型精度。

2 結果與分析

圖2 研究區(qū)WorldView-2影像植被指數Fig.2 Vegetation index of WorldView-2 image in study area

2.1 遙感因子的篩選與模型構建

研究表明，在回歸樹的數量達到1 200 以后回歸誤差趨于穩(wěn)定，以1 500作為回歸樹的數量，解釋度高達81.27%，最終選取特征變量NDVI1、NDVI2、RVI2、均一性與相關性。圖3，圖4

圖3 隨機森林遙感因子篩選Fig.3 Screening of random forest remote sensing factors

圖4 隨機森林結果Fig.4 Random forest result

隨機森林建立的回歸方程為：

其中x1為相關性，x2為NDVI2，x3為RVI2，x4為NDVI1，x5為均一性。

2.2 蓄積量反演模型適用性檢驗與精度驗證

研究表明，將實地調查樣地信息計算的蓄積量作為自變量（x），利用模型估算的樣地蓄積量作為因變量（y），將二者組成對應值，建立線性回歸方程：y= 0.6593x+ 9.6279，其中相關系數R2=0.8648（P＜0.05），擬合效果較好。圖5

圖5 樣地蓄積量實測值與預測值線性回歸Fig.5 Linear regression of measured and predicted stock volume in sample plots

由模型擬合的蓄積量與實測蓄積量的殘差分布在殘差置信帶[-2，+2]，并且在軸x=0 上下兩側隨機分布，模型不存在明顯偏差。

經過模型的擬合驗證，殘差分析，與均方根誤差的計算，通過隨機森林算法建立的模型可以有效的反演天山西部天山云杉的蓄積量，對比驗證模型的29塊樣地蓄積量的實測值與估測值，精度為86.38%。圖6

圖6 蓄積量殘差分布Fig.6 Residual distribution of stock volume

3 討論

劉俊[14]基于ALOS 與TM 遙感數據，對北京懷柔區(qū)的針葉林與闊葉林進行波段與紋理因子的提取，建立多元逐步回歸模型，在模型精度驗證中，計算RMSE為12.139，與研究相差不大。王海賓[15]基于GF-1 PMS影像，通過k-NN 法對北京延慶區(qū)的森林蓄積量進行估測，精度為86%，而用偏最小二乘回歸進行建模估測精度只有76.6%。馮凱[16]利用Landsat8影像數據對廣東省韶關市與南雄市山區(qū)的森林蓄積量進行反演，將立地因子與遙感因子作為自變量，通過POS算法優(yōu)化了BP神經網絡與多元逐步回歸的建模方法，最后估測量與二類調查數據做對比，精度為81.2%。

研究對于蓄積量的反演，選擇了比前人更適合更有效的WorldVeiw-2 影像，在算法上選擇了隨機森林算法，隨機森林回歸能夠提供較小的變量子集和合理的預測精度，通過MSE 增量和節(jié)點純度來篩選影響力較高的因子，當然由于研究的樣本量不大，當更大樣本量的數據集進一步實驗，隨機森林算法在預測超出訓練數據集范圍的值方面的性能還有待探究。

4 結論

研究基于WorldView-2 影像，提取樣地遙感因子，利用隨機森林算法對遙感因子進行篩選，并建立隨機森林回歸模型，基于此得到樣地的林分蓄積量精度達到86.38%，通過WorldView-2 影像數據反演林分蓄積量是切實可行的。方法優(yōu)勢明顯，精度也基本滿足對天山云杉林木生長狀況的快速評價和動態(tài)監(jiān)測需求。