基于ALOS數(shù)據(jù)的云南松林蓄積量遙感估測方法

王麗媛，胡振華，徐天蜀

(西南林業(yè)大學林學院，云南 昆明 650224)

基于ALOS數(shù)據(jù)的云南松林蓄積量遙感估測方法

王麗媛，胡振華，徐天蜀

(西南林業(yè)大學林學院，云南 昆明 650224)

基于ALOS數(shù)據(jù)和樣地實測數(shù)據(jù)為數(shù)據(jù)源，云南省宜良縣為研究區(qū)，以提高森林蓄積量遙感估測模型精度為目的，從遙感、GIS、郁閉度等方面選取與森林蓄積量相關(guān)性較高的因子作為自變量。采用逐步回歸法、主成分分析法、偏最小二乘法3種模型估測宜良縣的云南松林蓄積量。從3種模型的擬合效果和估測精度比較結(jié)果表明：偏最小二乘法精度最高，調(diào)整決定系數(shù)為0.754，預(yù)測精度為82.77%，與主成分分析等傳統(tǒng)線性估測模型相比精度有較大改善。

ALOS數(shù)據(jù)；偏最小二乘法；云南松；森林蓄積量

隨著國家森林調(diào)查的快速發(fā)展，對森林資源及其定量估測方法的需求日益增加，森林蓄積量已經(jīng)是表征森林數(shù)量重要的指標之一[1]。傳統(tǒng)的森林蓄積量調(diào)查方法耗時、耗力，且不適宜大范圍的研究區(qū)域。遙感回歸估測克服了傳統(tǒng)估測方法的弊端，成為森林蓄積量估測方法中的主流。遙感估測研究主要基于不同遙感影像數(shù)據(jù)源并加以野外實測樣地數(shù)據(jù)信息，建立包含遙感因子、GIS因子、地形因子、林分立地條件等信息蓄積量遙感估測模型[2-4]。目前主要的遙感數(shù)據(jù)源以光學和微波2類為主，由于結(jié)合森林蓄積量估測的適用性和數(shù)據(jù)的時效性、處理技術(shù)以及耗費成本等方面考慮，光學傳感器數(shù)據(jù)在估測森林蓄積量中最為常用，而光學遙感主要以光譜信息和空間信息2大類。ALOS數(shù)據(jù)與傳統(tǒng)的TM等多光譜數(shù)據(jù)相比，可以更為精細地區(qū)分森林信息之間的光譜差異，進而提高蓄積量的估測精度，能彌補多光譜數(shù)據(jù)植被信息易飽和的缺點。故本次研究選取ALOS光學傳感器數(shù)據(jù)為遙感數(shù)據(jù)源進行蓄積量估測研究。

森林蓄積量遙感估測方法較多，主要以線性回歸和非線性估測為主。線性方法主要有逐步回歸、嶺回歸、偏最小二乘等，其中偏最小二乘法由于具有較佳的估測效果和最大程度保留變量信息并克服各因子間的共線性等特點，近年來得以快速發(fā)展，成為森林蓄積量遙感估測的熱點模型[5-7]。利用偏最小二乘法建立模型估測森林蓄積量主要適用山地、丘陵等環(huán)境，而對高海拔地區(qū)的森林蓄積量研究還未深入。故本次研究結(jié)合其余逐步回歸和主成分分析2種常見的方法與偏最小二乘法一起進行高海拔地區(qū)云南松林森林蓄積量遙感估測研究?？紤]樹種的光譜差異信息對蓄積量遙感估測精度的影響，以云南松林為研究對象，通過提取ALOS高分辨數(shù)據(jù)植被遙感信息，采用不同的線性方法進行森林蓄積量估測的方法探究，為宜良縣森林資源發(fā)展提供參考。

1 研究區(qū)概況

宜良縣位于云南省中部，地處北緯24°30′36″—25°17′2″、東經(jīng)102°58′22″—103°28′75″，宜良縣地勢北高南低，中部平坦。宜良縣的總面積1886 km2，東西最大橫距51.5 km，南北最大縱距85.3 km，山地與盆地相間，盆地面積在全省盆地中排序第30名，山脈屬梁王山系。宜良縣氣候以北亞熱帶季風氣候為主，四季分明，年均氣溫為16.3 ℃。宜良境內(nèi)河流屬珠江流域西江水系，河流量非常充足。宜良縣森林資源豐富、物種多樣、結(jié)構(gòu)完善，是昆明市的近郊農(nóng)業(yè)大縣，具有良好的地理和自然氣候環(huán)境。根據(jù)宜良森林資源二調(diào)數(shù)據(jù)信息顯示，全縣森林覆蓋率達46.2%，植被種類非常豐富，針葉林樹種主要為云南松，闊葉林樹種主要為櫟類，喬木經(jīng)濟林主要為板栗和核桃。

圖1 研究區(qū)位置圖及樣地點分布

2 研究方法

2.1 數(shù)據(jù)獲取與處理

圖2 經(jīng)過地形校正ALOS假彩色合成

2.1.1 遙感圖像獲取與處理 本研究采用ALOS多光譜數(shù)據(jù)為遙感數(shù)據(jù)源，多光譜遙感影像1景，獲取時間為2010 年3 月22 日，地點為宜良縣研究區(qū)(圖1)。遙感圖像在獲取過程中，受到大氣吸收與散射、傳感器定標、地形等因素的影響，且它們會隨時間的不同而有所差異。因此，在多時相遙感圖像中，除了地物的變化會引起圖像中輻射值的變化外，不變的地物在不同時相圖像中的輻射值也會有差異。利用ENVI和ARCGIS軟件，基于宜良縣行政邊界，對影像數(shù)據(jù)進行輻射定標、大氣校正、正射校正預(yù)處理?？紤]研究區(qū)地處高原地區(qū)，地形起伏較大對遙感數(shù)據(jù)容易產(chǎn)生影響，本次研究對ALOS數(shù)據(jù)4個波段數(shù)據(jù)逐一進行地形校正[8](采用改進的C校正法[9])。圖2為地形校正前后對比圖，其中山脊線區(qū)域為校正后變化明顯的地方，從圖2不難看出，高原地區(qū)由于地形起伏的陰影區(qū)域得到改善。

圖3 宜良縣云南松樣地分布圖

2.1.2 樣地數(shù)據(jù)獲取與處理 以云南松林為主要調(diào)查對象，進行野外實測數(shù)據(jù)獲取，結(jié)合研究區(qū)森林資源二類調(diào)查的小班和DEM數(shù)據(jù)，最終得到56個樣地(其中42個樣地用于建模，14個樣地用于模型適應(yīng)性檢驗)。樣地分布原則盡量均勻，并立足于云南松林森林結(jié)構(gòu)特點以及分布信息，最終樣地點分布如圖3所示。

2.2 變量因子的選取

自變量的選取關(guān)系到森林蓄積量遙感估測研究的好壞，基于國內(nèi)外學者已有的研究[10-17]，本次研究選定與蓄積量相關(guān)性大、易于獲取的因子作為蓄積量估測模型的自變量。通過立足于前人已有研究，從云南松林光譜差異信息、地形影響、實測因子等方面進行備選變量選取[18]。最終選取經(jīng)過地形校正后的4個ALOS波段值、波段運算值(B4-B2、B4-B3、B4/B2、B4/B3(RVI)、B3/B2、(B1×B2)/B3、(B4+B3)/(B4-B3)、(B2×B3)/B1、(B3×B4)/B2)、坡度、坡向、海拔、郁閉度等17個變量因子作為備選變量。

由于變量因子過多將出現(xiàn)共線性以及變量信息過飽和等導(dǎo)致估測精度降低，本次研究在SPSS環(huán)境下對其進行相關(guān)性分析，最終選取與蓄積量相關(guān)性較大(相關(guān)性系數(shù)大于0.5的變量值)的11個因子作為建模變量(包括遙感因子、GIS因子、地形因子、波段組合、郁閉度等)，具體信息見表1。由于自變量因子間存在不同單位的量綱影響，本次研究將訓練樣本數(shù)據(jù)進行標準化處理進而去除單位對于建模精度干擾[6]。

3 結(jié)果與分析

3.1 逐步回歸方法及模型建立

逐步回歸法的核心思想是通過閾值的設(shè)定來剔除對因變量影響較小的因子從而提高精度。本次研究基于SPSS統(tǒng)計軟件，并將F檢驗值顯著概率≥0.05的因子剔除，保留與森林蓄積量相關(guān)性較高的因子。最終經(jīng)過篩選有4個變量符合條件，分別是郁閉度、第1波段、第2波段和坡度。逐步回歸模型方程為：Y=-0.155x1+0.471x2+0.568x3+0.946x4-35.03，式中：x1為ALOS波段1；x2為ALOS波段2；x3為郁閉度；x4為坡度值。

3.2 主成分回歸方法及模型建立

在上述線性建模探討之后，由于蓄積量的估測不僅僅只局限于少數(shù)因子影響，因而選取幾個綜合指標擬合本次研究所有因子信息，不僅代表了因子的線性組合，而且彼此不相關(guān)，更能抓住主要矛盾。在SPSS軟件下分析并選取了3個主成分，3個主成分成線性方程如下：PC1=0.873X1+0.936X2+0.962X3+0.543X4+0.244X5+0.064X6+0.146X7-0.494X8-0.774X9-0.860X10-0.827X11；PC2=-0.099X1+0.011X2+0.113X3+0.657X4+0.764X5+0.405X6+0.378X7+0.233X8+0.234X9+0.381X10+0.379X11；PC3=0.344X1+0.199X2-0.035X3+0.315X4+0.207X5-0.814X6+0.003X7-0.131X8+0.125X9+0.271X10+0.298X11。式中：X1、X2、X3、X4分別為ALOS的4個波段值；X5為郁閉度；X6為ALOS波段4與ALOS波段3的差值；X7為歸一化植被指數(shù)(NDVI)；X8為比值植被指數(shù)(RVI)；X9為坡度；X10為坡向；X11為海拔。

通過對建模數(shù)據(jù)進行3個主成分的線性擬合，可得到主成分線性回歸方程：Y=-22.536+0.102PC1+0.121PC2-2PC3，式中：Y為蓄積量；PC1為主成分1；PC2為主成分2；PC3為主成分3。

3.3 偏最小二乘法及模型建立

偏最小二乘法是1983年提出的多元統(tǒng)計方法，其具有解決自變量與因變量之間的共線性干擾并最大程度保留自變量信息等優(yōu)點。通過線性數(shù)學關(guān)系將訓練樣本與檢驗樣本法有機結(jié)合起來，并且具有較好的模型擬合效果和估測性能，目前已廣泛應(yīng)用于各領(lǐng)域的研究中[9-11]。本次研究借助SPSS軟件，采用逐一分析各備選變量與樣地蓄積量之間的相關(guān)系數(shù)，從相關(guān)系數(shù)的大小和顯著性水平來看，考慮到因子之間的多重共線性后綜合決定最后用PLS 回歸模型構(gòu)建估測森林蓄積量模型。本次建模通過基于R語言的偏最小二乘核心函數(shù)包進行PLS模型構(gòu)建。通過主成分的調(diào)用判斷選定最佳主成分數(shù)為8，并對本次建模的檢驗樣本數(shù)據(jù)進行歸一化量綱處理消除單位干擾。最終得到偏最小二乘模型如下：Y=-0.2306X1+0.5919X2-0.1089X3-0.4832X4+0.7379X5-0.2298X6+0.0414X7+0.3665X8+0.2528X9+0.1001X10-0.1233X11，式中：X1、X2、X3、X4分別為ALOS的4個波段值；X5為郁閉度；X6為ALOS波段4與ALOS波段3的差值；X7為歸一化植被指數(shù)(NDVI)；X8為比值植被指數(shù)(RVI)；X9為坡度；X10為坡向；X11為海拔。

表1 建模變量因子信息

在R語言環(huán)境下基于建模樣本點數(shù)據(jù)，以蓄積量實測值為自變量，利用偏最小二乘回歸模型得出的蓄積量預(yù)測值為因變量，繪制蓄積量模型預(yù)測值與實測值的擬合曲線(圖4) 。模型預(yù)測值與實測值基本位于對角線附近，表明模型擬合效果良好，適宜進行蓄積量建模。

圖4 蓄積量預(yù)測值和實測值擬合曲線

3.4 模型評價及檢驗

對于本次研究的3種森林蓄積量估測模型，結(jié)合上述評價指標進行模型評價分析。通過相應(yīng)的計算得到模型評價具體信息值(表2)。由表2可以看出，3種蓄積量估測模型中，偏最小二乘模型R2最高，相對誤差值和誤差均值也最低。表明與其余2種傳統(tǒng)線性回歸模型相比，偏最小二乘模型擬合效果最好，在傳統(tǒng)的線性回歸模型擬合效果上有較大改善。

并立足于模型檢驗結(jié)果，在SPPS下進行模型預(yù)估值與樣地實測值的配對檢驗分析，通過分析二者之間的成對樣本相關(guān)系數(shù)高低來進行模型預(yù)估好壞評價。具體信息見表3。

表2 模型評價結(jié)果

表3 模型檢驗信息

由表3可知：逐步回歸和主成分分析法模型估測精度不高，均低于70%，且成對樣本顯著性概率值均高于0.05。表明模型估測效果不佳，與實測值存在一定偏差，而偏最小二乘法模型精度達到82.77%且配對檢驗效果良好，表明模型檢驗?zāi)芰^好，對森林蓄積量估測具有一定的適用性。

3.5 宜良縣云南松林蓄積量反演

通過對3個蓄積量估測模型擬合效果以及估測精度分析，選取其中整體模型效果最好的偏最小二乘法進行全縣森林蓄積量總量預(yù)估。在ERDAS軟件空間分析模塊下，基于偏最小二乘法森林蓄積量估測模型，進行建模自變量因子間空間符合運算。最終得到偏最小二乘模型宜良云南松林蓄積量預(yù)估總值為1370438 m3。與2006年宜良縣森林二類資源調(diào)查數(shù)據(jù)云南松林蓄積量總值為1704030 m3相比，僅相差333592 m3，預(yù)估精度為80.42%。

4 結(jié)論與討論

1)基于3種蓄積量估測模型擬合效果和估測精度進行分析：逐步回歸模型的總預(yù)報偏差的相對誤差最大，其次為主成分回歸模型，最小為偏最小二乘法。其主要原因為：逐步回歸由于對因子進行定性苛刻選擇，使得入選因子相對較少進而使得蓄積量估測變量信息不能得到全面表達導(dǎo)致估測精度不夠。主成分回歸模型盡管最大程度保留了變量信息，但由于對其進行線性擬合將原始變量信息模糊化和信息弱化導(dǎo)致最終估測精度不佳?；诒敬窝芯浚钚《朔ㄔ谀Ｐ蛿M合效果和總體估測精度而言均較好，更適宜宜良縣云南松林蓄積量遙感估測。

2)由于森林蓄積量參數(shù)與森林立地條件等眾多因素相關(guān)，本次備選變量因子主要以光譜特征因子為主，主要從植被表層(冠層)信息進行研究，而未能從植被垂直結(jié)構(gòu)進行深入研究，故并未完整反應(yīng)蓄積量相關(guān)信息。目前筆者正在結(jié)合ALOS-PALSAR L波段雙極化FBD遙感數(shù)據(jù)進行多源遙感數(shù)據(jù)反演研究，進而希望從微波遙感數(shù)據(jù)進行森林植被垂直結(jié)構(gòu)分析與光學遙感數(shù)據(jù)光譜結(jié)構(gòu)特征相結(jié)合進行建模變量選取以改善森林蓄積量遙感估測精度。本次研究所選建模因子未能考慮紋理特征等方面因素和建模因子中包含郁閉度等實測因子也是今后完善的主要方向。故從不同的角度選取更多包含森林蓄積量參數(shù)因子作為建模變量進行研究是下一階段研究探討的重點。

3)本次研究還考慮到郁閉度實測因子獲取的難度以及大尺度反演的困難性，對宜良縣云南松林郁閉度信息也進行偏最小二乘建模探討。并對其進行模型檢驗。得到研究區(qū)郁閉度偏最小二乘估測模型的相對誤差為13.45%，郁閉度估測模型精度為86.55%。估測效果良好，故在今后研究中也將對郁閉度這一主要森林參數(shù)進行深入研究。

[1]程武學，楊存建，周介銘，等.森林蓄積量遙感定量估測研究綜述[J].安徽農(nóng)業(yè)科學，2009(16)：7746-7750.

[2]鮑晨光，范文義，李明澤，等.地形校正對森林生物量遙感估測的影響[J].應(yīng)用生態(tài)學報，2009(11)：2750-2756.

[3]張友靜，方有清，陳欽巒.南方山地森林蓄積量遙感估算研究[J].國土資源遙感，1993(2)：39-47.

[4]馮仲科，楊伯鋼，羅旭，等.應(yīng)用LIDAR技術(shù)預(yù)測林分蓄積量[J].北京林業(yè)大學學報，2007(S2)：45-51.

[5]琚存勇，蔡體久.用泛化改進的BP神經(jīng)網(wǎng)絡(luò)估測森林蓄積量[J].林業(yè)科學，2006(12)：59-62.

[6]杜曉明，蔡體久，琚存勇.采用偏最小二乘回歸方法估測森林郁閉度[J].應(yīng)用生態(tài)學報，2008(2)：273-277.

[7]洪奕豐，林輝，嚴恩萍，等.基于偏最小二乘法的平南縣森林蓄積量估測模型研究[J].中南林業(yè)科技大學學報，2011(7)：80-85.

[8]劉瓊閣，彭道黎，涂云燕.基于偏最小二乘回歸的森林蓄積量遙感估測[J].中南林業(yè)科技大學學報，2014(2)：81-84，132.

[9]黃微，張良培，李平湘.一種改進的衛(wèi)星影像地形校正算法[J].中國圖象圖形學報，2005(9)：1124-1128，1069.

[10]陳楚，關(guān)澤群，張鵬林，等.利用RS和GIS的森林蓄積量偏最小二乘估測研究[J].湖北林業(yè)科技，2004(4)：25-28.

[11]羅批，郭繼昌，李鏘，等.基于偏最小二乘回歸建模的探討[J].天津大學學報，2002(6)：783-786.

[12]李崇貴，趙憲文，李春干，等.森林蓄積量遙感估測理論與實現(xiàn)[M].北京：科學出版社，2006：15-26.

[13]張凝，馮仲科，馮躍文，等.旺業(yè)甸實驗林場針葉林蓄積量估測模型的研究[J].中南林業(yè)科技大學學報，2013(11)：83-87，108.

[14]張彥林.基于3S技術(shù)的山東省森林蓄積量定量估測研究[D].北京：北京林業(yè)大學，2008.

[15]黃偉平，譚三清，張貴，等.估測森林蓄積量的遙感因子選擇研究[J].中南林業(yè)科技大學學報，2010(4)：112-115.

[16]TOMPPO E，NILSSON M，ROSENGREN M，et al.Simultaneous use of Landsat-TM and IRS-IC WIFS data in estimating large area tree stem volume and aboveground biomass[J].Remote Sensing of Envionment，2002，82(1)：156-171.

[17]MAKELA H，PEKKARINEN A.Estimation of forest satnd volumes by Landsat TM imagery and stand-level field-inventory data[J].Forest Ecology and Mangement，2004(196)：245-255.

[18]李崇貴，趙憲文，蔡體久.遙感區(qū)域大小對森林蓄積估測影響規(guī)律的研究[J].北京林業(yè)大學學報，2001(4)：29-34.

The Remote Sensing Estimation Methods ofPinusyunnanensisForest Stock Volume Based on ALOS Data

WANG Liyuan，HU Zhenhua，XU Tianshu

(CollegeofForestry，SouthwestForestryUniversity，Kunming650224，Yunnan,China)

Based on ALOS data and forestry resource inventory data，in order to improve the accuracy of predicting forest volume by remote sensing.Analyzed the relative relation between remote sensing variables，forest canopy and forest volume，setting the highly relevant factor.The test site was located in Yiliang of Yunnan Province.Multi-stepwise regression model，principal component model and partial least square regression models were built to estimate forest stock volume ofPinusyunnanensis.And the accuracy of these three models were analyzed and compared to study the application of regression models in forest stock volume.The results showed that the accuracy and fitting effects of partial least square regression model are better than the other two models.Determination coefficient was 0.754 and prediction accuracy reached 82.77%.Comparing this method with traditional linear estimation model such as principal component analysis，accuracy shown a greatly improvement.

ALOS；partial least square；Pinusyunnanensis；forest stock volume

10.13428/j.cnki.fjlk.2017.01.003

2016-10-21；

2016-11-21

云南省林學一流學科建設(shè)經(jīng)費資助(51600625)；國家自然科學基金項目(31260156)

王麗媛(1990—)，女，河北唐山人，西南林業(yè)大學林學院碩士生，從事“3S”技術(shù)在林業(yè)中的應(yīng)用。E-mail：15808810624@163.com。

徐天蜀(1964—)，女，西南林業(yè)大學林學院教授，博士，從事林業(yè)資源管理及“3S”技術(shù)在林業(yè)中的應(yīng)用。E-mail：TSXue64@163.com。

S791.257；S771.8

A

1002-7351(2017)01-0010-06