縣域尺度森林地上生物量遙感估測方法研究

蔣云姣胡 曼李明陽張向陽

（1．南京林業(yè)大學林學院，江蘇南京210037；2．河南省林業(yè)調(diào)查規(guī)劃院，河南鄭州450045）

縣域尺度森林地上生物量遙感估測方法研究

蔣云姣1胡 曼1李明陽1張向陽2

（1．南京林業(yè)大學林學院，江蘇南京210037；2．河南省林業(yè)調(diào)查規(guī)劃院，河南鄭州450045）

以河南西峽縣2013年Landsat 8影像及同期217塊森林資源連續(xù)清查固定樣地數(shù)據(jù)為信息源，以9個植被指數(shù)、3個地形指數(shù)為自變量，建立多元線性回歸、決策與回歸樹、裝袋算法、隨機森林4種遙感估測模型；采用十折交叉驗證，及相關系數(shù)、絕對誤差、均方根誤差、相對誤差、相對均方根誤差5個指標，對遙感估測模型進行精度評價，在此基礎上，對研究區(qū)域2013年的森林地上部分生物量進行遙感估測和空間分析。結果表明：在4種遙感估測模型中，隨機森林綜合性能最高，裝袋法次之，多元線性回歸最低；在12個自變量中，地形（海拔、坡度）、土壤（亮度指數(shù)、濕度指數(shù)）、植被生長狀況（垂直植被指數(shù)、有效葉面積指數(shù)）6個因子是影響研究區(qū)域森林地上部分生物量的重要環(huán)境變量；2013年，研究區(qū)域單位面積森林生物量為38．56 t／hm2，其中低（＜40 t／hm2）、中（40～60 t／hm2）、高（＞60 t／hm2）的面積分別占59．92%、24．30%、15．78%；研究區(qū)域森林地上部分生物量較高的區(qū)域，主要分布在交通不便、森林茂密、人類干擾活動較少的北部石質(zhì)山區(qū)，而較低的區(qū)域，主要分布在交通發(fā)達，人口密度大，坡度較為平緩的南部鸛河谷地。

生物量；遙感估測；十折交叉驗證；西峽縣

森林生物量中貯存了大量的碳，森林生物量的大小與森林生產(chǎn)力水平的高低密切相關，是反映森林生態(tài)系統(tǒng)功能的基本數(shù)據(jù)［1］。森林生物量的測定，是研究森林生態(tài)系統(tǒng)物質(zhì)循環(huán)的基礎［2］，而森林生物量變化驅(qū)動因子的分析，則可以為旨在提高森林生產(chǎn)力的森林可持續(xù)經(jīng)營政策法規(guī)的制定提供科學依據(jù)。在我國集體林區(qū)，速生、豐產(chǎn)、短輪伐期人工林比重大。1981年林業(yè)三定后，林地小塊分散的分戶經(jīng)營格局形成，森林經(jīng)營受林權制度、生態(tài)效益補償、采伐限額、退耕還林等政策法規(guī)變動影響大，森林存在著快速的空間及結構特征的變化［3］。區(qū)域尺度的森林生物量估測以及驅(qū)動因子分析，可以為區(qū)域尺度上的森林碳匯功能精確計量提供研究基礎［4］。

森林生物量監(jiān)測主要是通過定量分析特定時間段內(nèi)森林生物量的變化來實現(xiàn)的，常見方法包括樣地清查法、通量觀測法、模型模擬法及遙感估測法等［5］。其中，遙感估測法是用遙感數(shù)據(jù)和森林生物量實測數(shù)據(jù)，通過統(tǒng)計分析建立經(jīng)驗模型，來估算森林生物量。森林生物量遙感估測方法很多，如回歸法、非參數(shù)填補法、非參數(shù)回歸樹法。在遙感估測法中，回歸法被廣泛地用于森林地上生物量的遙感估測上。Labrecque S等［6］采用Landsat原始波段光譜數(shù)據(jù)和提取的植被指數(shù)作為自變量，采用多項式和多元線性回歸方法預測加拿大紐芬蘭地區(qū)的森林地上部分生物量。而非參數(shù)填補法，如K最鄰近算法（KNN）、梯度最近鄰算法（GNN），其基本思路是將與樣地坐標對應的像元具有最大的光譜相似性、在特征空間中距離最近的像元，劃分到該地面坐標點所屬的森林類別，并賦予該樣地的森林生物量值。由于巨大的分析和操作靈活性，非參數(shù)回歸樹方法在森林結構參數(shù)預測方面開始受到相當大的關注。Blackard JA等［7］利用MODIS遙感數(shù)據(jù)和輔助數(shù)據(jù)，采用回歸樹方法制作了美國大陸部分的森林地上部分生物量空間分布圖。Moisen G G等［8］在進行美國西部5個生態(tài)區(qū)的生物量遙感估測時，比較了回歸樹與其他幾個統(tǒng)計模型的性能。最近的研究表明，隨機森林在預測森林特征參數(shù)，如演替階段、物種分布、森林火災引起的樹冠損害程度上具有較高的適應性［9］。

與國外相比，國內(nèi)的森林森林生物量遙感估測多集中在單模型研究，缺少多模型綜合性能比較研究。邢素麗等［10］研究了利用Landsat ETM＋數(shù)據(jù)估測落葉松（Larix gmelini）林生物量的方法，建立了森林生物量與Landsat ETM＋數(shù)據(jù)的回歸模型。國慶喜等［11］在大興安嶺南坡，利用Landsat TM數(shù)據(jù)，基于森林清查樣地數(shù)據(jù)建立了多元回歸關系，進而構建了TM各波段及其植被指數(shù)（如歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）和環(huán)境植被指數(shù)（EVI））與森林生物量之間的光譜模型。陳爾學等［12］基于吉林省一個試驗區(qū)的森林資源一類清查固定樣地數(shù)據(jù)、Landsat TM數(shù)據(jù)和土地利用數(shù)據(jù)，采用精度交叉評價方法研究了KNN法用于小面積統(tǒng)計單元森林蓄積估計的有效性。

1 研究區(qū)概況

西峽縣位于河南省西南部，秦嶺與伏牛山南麓，地處東經(jīng)111°01′～111°46′、北緯33°05′～33°48′。境內(nèi)南北長78．3 km，東西寬79 km，總面積3 454 km2，人口45萬人，其中山地面積3 020 km2，耕地面積187 km2，是個“八山一水零點七分田，村莊道路零點三”的深山縣。西峽縣屬北亞熱帶季風區(qū)大陸性氣候，氣候溫和，雨量適中，光照充足，年均氣溫15．2℃，年均降雨量830 mm，年均日照2 019 h。該縣境內(nèi)地形復雜，北部是海拔高、坡度大的中低山地，南部是鸛河谷地，兩側是起伏大的低山丘嶺，全縣最高山峰犄角尖海拔2 212．5 m，最低點位于丹水鎮(zhèn)馬邊村海拔181 m。境內(nèi)河流眾多，主要河流有鸛河、淇河、峽河、雙龍河、丹水河等，屬長江流域丹江水系的鸛河縱貫全縣南北，并與526條大小河流呈羽狀分布于崇山峻嶺之中。

西峽縣有林地面積2 610 km2，森林活立木蓄積量791萬m3，經(jīng)濟林面積587 km2，是河南省第一林業(yè)大縣。由于地處北亞熱帶向北溫帶過渡部分，西峽縣兼具我國南北樹種的生長條件，地帶性自然植被是常綠針闊葉林、落葉闊葉林組成的多層次森林植物群落，樹木種類繁多，喬灌木樹種共75科、450多種。其中，常綠樹種有馬尾松（Pinus massoniana）、杉木（Cunninghamia Lanceolata）、華山松（Pinus armandi）、油松（Pinus tabulaeformis）等，落葉闊葉樹種有栓皮櫟（Quercus variabilis）、楓香（Liquidambar formosana）、楸樹（Catalpa bungei）等。林副土特產(chǎn)品128種，中藥材1 380種，其中獼猴桃（Actinidia chinensis）、山茱萸（Sieb etzucc）、油桐（Vernicia fordii）、生漆被譽為西峽“四大寶”。

2 研究方法

2.1 數(shù)據(jù)來源與預處理

本研究所采用的主要信息源有：1）研究地區(qū)2013年連續(xù)清查固定樣地空間數(shù)據(jù)庫，包括217個固定樣地，樣地的屬性表包括地理坐標、立地條件、林分生長狀況等近60個調(diào)查因子，217塊樣地的平均樹高、平均胸徑、郁閉度分別為0～16 m、0～35．8 cm、0～0．8，平均值分別為4．77 m、6．46 cm、0．66，標準差分別為4．54m、6．76 cm、0．3；2）來自美國地質(zhì)調(diào)查局（USGS）2013年8月20日的研究區(qū)Landsat8數(shù)據(jù)，軌道號為125／037，多光譜波段空間分辨率為30m×30m，全色波段空間分辨率為15m× 15m，數(shù)據(jù)級別為L1T；3）根據(jù)西峽縣1∶100 000地形圖制作的數(shù)字高程模型（DEM），空間分辨率為30m×30m；4）研究區(qū)域2013年美國國防氣象衛(wèi)星計劃（DMSP）搭載的線性掃描業(yè)務系統(tǒng)（OLS）傳感器夜間燈光數(shù)據(jù)（DMSP／OLS數(shù)據(jù)，簡稱燈光亮度）。DMSP／OLS有別于利用地物對太陽光的反射輻射特征進行監(jiān)測的Landsat、SPOT和AVHRR傳感器，該傳感器可在夜間工作，能夠探測到城市燈光甚至小規(guī)模居民地、車流等發(fā)出的低強度燈光。研究表明，燈光亮度與區(qū)域人口密度、經(jīng)濟發(fā)展水平正相關，常被用來作為反映區(qū)域人類干擾強度的指標［13］。

在地形起伏較大的山區(qū)，森林生物量與植被生長狀況密切相關，與森林所處的海拔、坡度、坡位等立地因子有關，并受到土壤水文的影響［14］。因此，本研究提取海拔（Elevation）、坡度（Slope）、坡位（Aspect）3個地形因子，歸一化植被指數(shù)（NDVI）、差值植被指數(shù)（DVI）、比值植被指數(shù)（RVI）、垂直植被指數(shù)（PVI）、綠度指數(shù)（Greenness）、有效葉面積植被指數(shù)（SLAVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）7個植被指數(shù)，亮度指數(shù)、濕度指數(shù)2個土壤因子，合計12個因子作為遙感估測模型的自變量。由于所獲取的遙感圖像產(chǎn)品處理級別為L1T，在下載前已經(jīng)做過地形數(shù)據(jù)參與的幾何校正。因此，在分析區(qū)域大氣校正、空間子集運算基礎上，直接利用ENVI 5．0的相應工具提取7個植被指數(shù)、2個土壤指數(shù)。在ArcGIS 9．3平臺上，利用研究區(qū)域的DEM通過空間分析工具箱生成坡度、坡向。

根據(jù)張震茂等［15］提出的方法，將217個固定樣地的單位面積蓄積量轉(zhuǎn)換為生物量。然后，利用ArcGIS平臺上外掛式分析工具HawthTools中的Intersect Point Tool，分別與12個環(huán)境因子柵格圖層相交。在最后生成的空間數(shù)據(jù)庫中，包含森林生物量和12個生態(tài)環(huán)境因子，合計13個屬性。

2.2 遙感估測模型

生物量遙感估測的方法很多，本研究采用多元線性回歸、決策與回歸樹、裝袋算法、隨機森林4種方法建立遙感估測模型。

多元線性回歸（MLR）是研究1個因變量、與2個或2個以上自變量的回歸方法，是反映一種現(xiàn)象或事物的數(shù)量依多種現(xiàn)象或事物的輸入的變動而相應地變動的規(guī)律。由于其具有很好的可解釋性，因而成為了遙感參數(shù)模型應用最普遍的方法之一。森林生物量與植物光譜特征、地形地貌等各因素有關，因此可以通過多元回歸方法來建立森林生物量與各遙感因子之間的關系模型來估測。

決策與回歸樹（CART）和一般回歸分析類似，是用來對變量進行解釋和預測的工具，也是數(shù)據(jù)挖掘中的一種常用算法［16］。如果因變量是連續(xù)數(shù)據(jù)，相對應的分析稱為回歸樹；如果因變量是分類數(shù)據(jù)，則相應的分析稱為分類樹。決策與回歸樹算法的優(yōu)點在于：1）可以生成可以理解的規(guī)則；2）計算量相對來說不是很大；3）可以處理多種數(shù)據(jù)類型；4）決策樹可以清晰地顯示哪些變量較重要。

裝袋算法（Bagging）和隨機森林（RF）屬于集成學習算法。集成學習是一種新的機器學習范式，它使用多個學習器來解決同一個問題，能夠顯著地提高學習系統(tǒng)的泛化能力，因此從20世紀90年代開始，對集成學習的理論和算法的研究成為了機器學習領域的一個熱點。裝袋算法采取自助法的思路，使用同一個算法對樣本多次訓練，建立多個獨立的分類器；最終的輸出為各個分類器的投票（用于分類）或取平均值（用于數(shù)值預測）。

隨機森林（RF）是一種新型的組合分類器算法，該模型最早是由美國科學院院士Breiman L教授［9］于2001年提出的，其基本原理是利用Bagging方法制造隨機差異的訓練樣本，然后隨機選擇屬性對內(nèi)部節(jié)點進行分裂從而形成單個決策樹，再通過投票的方法組合每一棵決策樹，形成隨機森林的分類輸出結果。

2.3 模型精度評價方法

采用10折交叉驗證方法，將217塊樣地分成10份，輪流將其中9份做訓練、1份做測試，通過計算相關系數(shù)（COR）、平均絕對誤差（MAE）、均方根誤差（RMSE）、相對誤差（RAE）、相對均方根誤差（RRSE）5個指標的10次結果的均值，對模型的精度進行評價。通過10折交叉驗證，采用上述5個指標，對遙感估測模型進行精度評能評價。每個指標的公式及定義如下：

1）相關系數(shù)：

式中：xi、yi為變量的測量值；為10次測量結果的平均值。相關系數(shù)也稱為點雙列相關系數(shù)，一般通過Pearson相關系數(shù)計算得來。相關系數(shù)COR考慮的重點是驗證數(shù)據(jù)真實值和模型預測值的偏離程度，COR越接近于1，模型的內(nèi)插精度越高，反之越低。

2）均方根誤差：

式中：x預測值表示模型預測值；x真實值表示實地測量值；i表示測量次數(shù)。均方根也叫標準誤差（SE），是預測值與真實值的平方和與觀測次數(shù)n比值的平方根。SE對一組測量中的特大或特小誤差反映非常敏感，能夠很好地反映出估測精度，標準誤差越低，模型精度越高。

3）平均絕對誤差：式中：xi表示變量的測量值；表示變量的平均值。平均絕對誤差是所有單個觀測值與算術平均值的偏差的絕對值的平均。與平均誤差相比，平均絕對誤差由于離差被絕對值化，不會出現(xiàn)正負相抵消的情況，因而，平均絕對誤差能更好地反映預測值誤差的實際情況。平均絕對誤差值越低，模型的精度越高。

4）相對誤差：

式中：x預測值表示模型預測值；x真實值表示實地測量值；i表示測量次數(shù)。相對誤差指的是測量所造成的絕對誤差與被測量（約定）真值之比。一般來說，相對誤差更能反映測量的可信程度。相對誤差越低，模型精度越高。

5）相對均方根誤差：

式中：x預測值表示模型預測值；x真實值表示實地測量值；i表示測量次數(shù)。相對均方根誤差是均方根誤差與被測量（約定）真值之比。

3 結果與分析

3.1 遙感估測模型精度評價

采用10折交叉驗證方法，對4個遙感估測模型進行精度驗證，計算結果見表1。

表1 遙感估測模型精度評價Tab．1 Accuracy assessment of RSbased estimation models

從表1可以看出，在4種遙感估測模型中，隨機森林綜合性能最高，裝袋算法次之，決策與分類樹綜合性能第三，多元線性回歸最低。多元線性回歸方法估測精度最低的原因在于，研究區(qū)域地處海拔高差懸殊、降雨量大、森林垂直分布明顯的北亞熱帶與暖溫帶交匯地區(qū)，森林生物量與海拔、坡度、土壤濕度、綠度指數(shù)等自變量并非線性關系。作為一種非參數(shù)估計方法，由于巨大的分析和操作靈活性，決策與分類樹模型的預測精度高于多元線性回歸方法。裝袋算法采取自助法的思路，從樣本中隨機抽樣，形成多個訓練樣本，生成多個樹模型，然后以多數(shù)投票的方式來預測結果。與裝袋算法相比，隨機森林更進一步，不僅對樣本進行抽樣，還對變量進行抽樣。裝袋算法與隨機森林會生成多個樹模型，再進行組合預測，預測精度高于使用單一學習器的決策與分類樹模型。因此，裝袋算法、隨機森林這2種使用多個學習器的集成學習算法的估測精度較高。

3.2 環(huán)境因子重要性分析

選取預測精度最高的隨機森林遙感估測模型，采用相對重要性（%IncMSE）、節(jié)點純度（IncNode-Purity）2個指標對影響森林地上部分生物量大小的環(huán)境變量的重要性進行排序，見圖1。相對重要性（Mean Decrease Accuracy）用來測度隨機森林預測準確性的降低程度，該值越大表示該變量的重要性越大。節(jié)點純度（Mean Decrease Gini）通過基尼（Gini）指數(shù)計算每個變量對分類樹每個節(jié)點上觀測值的異質(zhì)性的影響，從而比較變量的重要性，該值越大表示該變量的重要性越大。

從圖1可以看出，根據(jù)環(huán)境變量相對重要性的大小，海拔（elevation）、有效葉面積指數(shù)（SLAVI）、亮度指數(shù)（Bright）、濕度指數(shù)（Wetness）、垂直植被指數(shù)（PVI）為影響研究區(qū)域森林地上部分生物量的重要因子。根據(jù)節(jié)點純度的大小，海拔、有效葉面積指數(shù)、坡度、亮度指數(shù)、綠度指數(shù)為影響研究區(qū)域森林地上部分生物量的重要因子。綜合考慮相對重要性、節(jié)點純度，地形（海拔、坡度）、土壤（亮度指數(shù)、濕度指數(shù)）、植被生長狀況（垂直植被指數(shù)、有效葉面積指數(shù)）這6個因子是影響研究區(qū)域森林地上部分生物量的重要環(huán)境變量。研究區(qū)域海拔高、坡度陡、森林垂直分布明顯，海拔、坡度等地形因子影響樹種分布、土壤養(yǎng)分分配，從而對森林地上部分生物量產(chǎn)生直接的影響。亮度指數(shù)、濕度指數(shù)與土壤光照、水文條件密切相關，是反映林地立地條件好壞的主要因子，因此成為影響研究區(qū)域森林地上部分生物量的重要因子。垂直植被指數(shù)、有效葉面積指數(shù)是反映植被生長狀況、決定森林生態(tài)系統(tǒng)與大氣之間物質(zhì)和能量交換的關鍵參數(shù)，從而成為反映森林生物量大小的2個重要環(huán)境變量。

3.3 森林生物量分布空間格局分析

選擇綜合性能最高的隨機森林模型，對研究區(qū)域的森林地上部分生物量進行遙感估測（圖2）。為分析方便，將研究區(qū)域森林地上部分生物量分為3級：低（＜40 t／hm2），中等（40～60 t／hm2）、高（＞60 t／hm2）。經(jīng)過計算得知，2013年，研究區(qū)域單位面積森林生物量為38．56 t／hm2，其中低、中、高的區(qū)域面積比例分別為59．92%、24．30%、15．78%。

為進一步分析造成研究區(qū)域森林地上部分生物差異的驅(qū)動因素，在將2013年森林地上部分生物量柵格圖層轉(zhuǎn)換為矢量點文件基礎上，論文采用ArcGIS 9．3空間統(tǒng)計工具箱中的聚集及特例分析工具（Cluster and Outlier Analysis-Anselin Local Moran’s I），通過對輸入要素進行焦點聚集性檢驗來進行研究屬性空間熱點探測。當統(tǒng)計值p＝0．05時，空間聚集類型分為4種：高值點（熱點，HH）、低值點（冷點，LL）、高值被低值包圍的特例點（HL）、低值被高值包圍的特例點（LH）。將高值點、低值點提取出來，與西峽縣DEM疊加，得到研究區(qū)域森林地上部分生物量冷熱點空間聚類圖（圖3）。

從圖3可以看出，研究區(qū)域森林地上部分生物量較高的區(qū)域，主要分布在交通不便、森林茂密、人類干擾活動較少的北部石質(zhì)山區(qū)，而較低的區(qū)域，主要分布在交通發(fā)達、人口密度大、坡度較為平緩的南部鸛河谷地。生物量高的熱點地區(qū)海拔、坡度、綠度指數(shù)、燈光亮度分別為1 317．59 m、24．30°、164．26、2．04，而生物量地的冷點地區(qū)海拔、坡度、綠度指數(shù)、燈光亮度分別為461．67 m、11．49°、134．34、0。

4 結論與討論

自從20世紀70年代建立了森林森林資源連續(xù)清查體系以來，我國很多省份已經(jīng)進行了多次森林資源清查。然而，我國森林資源連續(xù)清查以?。ㄗ灾螀^(qū)、直轄市）為總體，由于樣地間距較大、樣地數(shù)量少，調(diào)查結果難以落實到縣域尺度?；A資料不全、地面實測資料缺乏，是進行縣域尺度上森林生物量遙感估測面臨的最大困難。在這種背景情況下，以少量森林資源一類清查固定樣地數(shù)據(jù)、同期遙感數(shù)據(jù)為主要信息源，采用多種模型進行森林生物量遙感估測，可以為縣域尺度上森林碳匯監(jiān)測探索出一條科學適用的道路。

在4種遙感估測模型中，隨機森林綜合性能最高，裝袋法次之，多元線性回歸最低。在海拔高、坡度陡、森林垂直分布的集體林區(qū)，地形（海拔、坡度）、土壤（亮度指數(shù)、濕度指數(shù)）、植被生長狀況（垂直植被指數(shù)、有效葉面積指數(shù)）這6個因子是影響研究區(qū)域森林地上部分生物量的重要環(huán)境變量。研究區(qū)域森林地上部分生物量較高的區(qū)域，主要分布在交通不便、森林茂密、人類干擾活動較少的北部石質(zhì)山區(qū)，而較低的區(qū)域，主要分布在交通發(fā)達，人口密度大，坡度較為平緩的南部鸛河谷地。

研究表明，在集體林區(qū)，提高森林生物量的重點區(qū)域位于交通不便、人口密度較小、林業(yè)發(fā)展?jié)摿^大的山區(qū)。退耕還林、天然林保護、林權制度改革的順林實施有利于森林經(jīng)營水平的提高和區(qū)域森林生物量的增加。城市化進程的加速推進、林區(qū)青壯年人口外出打工比例的增大，將會對集體林區(qū)森林生物來量的動態(tài)變化產(chǎn)生深遠的影響。采用多期森林資源連續(xù)清查固定樣地數(shù)據(jù)和同期Landsat TM／ETM＋數(shù)據(jù)，對縣域森林生物量進行動態(tài)遙感估測和驅(qū)動力分析，是課題組下一步需要研究的內(nèi)容。

［1］ 楊玉坡．全球氣候變化與森林碳匯作用［J］．四川林業(yè)科技，2010，31（1）：14－17．

［2］ Luyssaert S，Ciais P，Piao SL，etal．The European carbon balance．Part3：Forests［J］．Global Change Biology，2010，16：1429－1450．

［3］ 張正，高嵐．南方集體林區(qū)林地產(chǎn)權制度歷史變遷思考［J］．福建林業(yè)科技，2007，34（1）：170－173．

［4］ Main-Knorn M，Cohen W B，Kennedy R E，et al．Monitoring coniferous forest biomass change using a Landsat trajectory-ased approach［J］．Remote Sensing of Environment，2013，139（4）：277－290．

［5］ 曹吉鑫，田赟，王小平，等．森林碳匯的估算方法及其發(fā)展趨勢［J］．生態(tài)環(huán)境學報，2009，18（5）：2001－2005．

［6］ Labrecque S，F(xiàn)ournier R A，Luther JE，et al．A comparison of fourmethods tomap biomass from Landsat-TM and inventory data in western Newfoundland［J］．Forest Ecology and Management，2006，226：129－144．

［7］ Blackard JA，F(xiàn)inco M V，Helmer E H，et al．Mapping US forest biomass using nationwide forest inventory data and moderate resolution information［J］．Remote Sensing of Environment，2008，112：1658－1677．

［8］ Moisen G G，F(xiàn)rescino T S．Comparing five modeling techniques for predicting forest characteristics［J］．Ecological Modelling，2008，157：209－225．

［9］ Breiman L．Random Forests［J］．Machine Learning，2001，45（1）：5－32．

［10］ 刑素麗，張廣錄，劉慧濤，等．基于Landsat ETM數(shù)據(jù)的落葉松生物量估算模式［J］．福建林學院學報，2004，24（2）：153－156．

［11］ 國慶喜，張鋒．基于遙感信息估測森林的生物量［J］．東北林業(yè)大學學報，2003，31（2）：13－16．

［12］ 陳爾學，李增元，武紅敢，等．基于K－NN和Landsat數(shù)據(jù)的小面積統(tǒng)計單元森林蓄積估測方法［J］．林業(yè)科學研究，2008，21（6）：745－750．

［13］ 何春陽，史培軍，李景剛，等．基于DMSP／OLS夜間燈光數(shù)據(jù)和統(tǒng)計數(shù)據(jù)的中國大陸20世紀90年代城市化空間過程重建研究［J］．科學通報，2006，51（7）：856－861．

［14］ 徐萍，徐天蜀．云南高黎貢山自然保護區(qū)森林碳儲量估測方法的研究［J］．林業(yè)資源管理，2008（1）：69－73．

［15］ 張茂震，王廣興，劉安興．基于森林資源連續(xù)清查資料估算的浙江省森林生物量及生產(chǎn)力［J］．林業(yè)科學，2009，45（9）：13－17．

［16］ Breiman L，F(xiàn)riedman JH，Olshen R A，et al．Classification and Regression Tree［M］．Monterey：Wadsworth International Group，1984．

（責任編輯 曹 龍）

Remote Sensing Based Estimation of Forest Aboveground Biomass at County Level

Jiang Yunjiao1，Hu Man1，Li Mingyang1，Zhang Xiangyang2

（1．College of Forestry，Nanjing Forestry University，Nanjing Jiangsu 210037，China；2．Forest Inventory and Planning Institute of Henan Province，Zhengzhou Henan 450045，China）

In this paper，Xixia County in Henan Province was chosen as the case study area，and Landsat8 image in 2013 and 217 fixed plot data of forest resources continuous survey in the same period were collected as the main information to estimate forest above ground carbon in the study area．Four remote sensing based models namely multivariate linear regression（MLR），classification and regression tree（CART），bagging（Bagging）and random forest（RF）were established by using 9 vegetation index and three terrain variables．Five indicators of correlation coefficient（COR），mean absolute error（MAE），rootmean squared error（RMSE），relative absolute error（RAE），root relative squared error（RRSE）were figured out to evaluate the performance of the fourmodels by using 10 fold cross validation method．Then themodelwith the best performancewas applied to predict forestaboveground biomass in 2013．Results showed that：Among the fourmodels，the performance of random forestwas the highest，followed by baggingmethod，while the performance ofmultiple linear regression was the lowest；The terrain factors including elevation and slope，soil conditions（e．g．brightness，wetness），the vegetation index（vertical vegetation index，effec-tive leaf area index）were the six enforcing variables impacting regional forest carbon；In 2013，the unit forest biomass in study area was 38．56 t／hm2，in which the percentage of low（＜40），medium（40－60）and high（＞60）was 59．92%，24．30%and 15．78%，respectively；The placeswith higher forest above ground biomass in study area wasmainly distributed in the northern rockymountainswith inconvenient traffic conditions，high forest cover and less human disturbance，while placeswith lower forest biomasswas located in the southern Guan River valley with good traffic conditions，high population density and gentle slope．

biomass；remote sensing based estimation；10 fold cross-validation；Xixia County

S757．2

：A

：2095－1914（2015）06－0053－07

10．11929／j．issn．2095－1914．2015．06．009

2015－04－25

國家自然科學基金項目（31170592）資助。

第1作者：蔣云姣（1993—），女，本科生。研究方向：林業(yè)遙感與地理信息系統(tǒng)。Email：jyj923＠163．com。

李明陽（1967—），男，博士，教授。研究方向：森林資源監(jiān)測、3S應用與研究。Email：lmy196727＠126．com。