基于主成分分析法的老禿頂子自然保護(hù)區(qū)森林蓄積量遙感估測

劉明艷 ，王秀蘭 ，馮仲科 ，于東海

（北京林業(yè)大學(xué) a. 林學(xué)院精準(zhǔn)林業(yè)北京市重點實驗室；b. 森林培育與保護(hù)省部共建教育部重點實驗室，北京 100083）

基于主成分分析法的老禿頂子自然保護(hù)區(qū)森林蓄積量遙感估測

劉明艷a，b，王秀蘭a，b，馮仲科a，b，于東海a，b

（北京林業(yè)大學(xué) a. 林學(xué)院精準(zhǔn)林業(yè)北京市重點實驗室；b. 森林培育與保護(hù)省部共建教育部重點實驗室，北京 100083）

以老禿頂子自然保護(hù)區(qū)為研究區(qū)，采用研究區(qū)landsat8 OLI遙感影像、DEM數(shù)據(jù)、實地調(diào)查數(shù)據(jù)作為數(shù)據(jù)源，提取11個光譜因子、8個紋理因子、3個地形因子，采用主成分分析法對所有因子進(jìn)行降維處理，以累積方差貢獻(xiàn)率大于80%作為指標(biāo)，選取4個主成分，并以主成分得分為自變量、以每公頃蓄積量為因變量，建立線性回歸估測模型，并檢驗精度。結(jié)果表明：回歸方程調(diào)整后的R2=0.810，擬合度好。對模型進(jìn)行精度檢驗，結(jié)果為：蓄積量估測的平均相對誤差為12.12%，總相對誤差為6.02%，平均預(yù)估誤差為7.82%，模型預(yù)估精度達(dá)到92.18%，能夠滿足林業(yè)調(diào)查中對于蓄積量遙感估測的要求。

蓄積量；主成分分析法； 模型檢驗

森林蓄積量能夠反映出國家或者地區(qū)的森林資源總體規(guī)模和水平，作為一項重要依據(jù)指標(biāo)，也能夠反映出森林資源的豐富程度，衡量森林生態(tài)環(huán)境優(yōu)劣[1-3]。根據(jù)少量地面調(diào)查樣地數(shù)據(jù)并配合遙感影像數(shù)據(jù)，建立以地面調(diào)查數(shù)據(jù)為基準(zhǔn)的森林蓄積量高精度估測模型，可以盡最大可能地減少外業(yè)地面調(diào)查的工作量，這中模型的建立與應(yīng)用具有非常重要的研究價值和實際使用效益。傳統(tǒng)的蓄積量的測定主要是通過全國森林一、二類清查[4]獲得數(shù)據(jù)，存在工作量大、耗時、需要經(jīng)費多等問題，且調(diào)查間隔期長。近十年來航天遙感技術(shù)（RS）、地理信息系統(tǒng)（GIS）與計算機的發(fā)展以及與數(shù)學(xué)模型的結(jié)合應(yīng)用，為森林蓄積量的估測帶來了新的發(fā)展方向[5-10]。目前常用的反演蓄積量的方法是利用遙感影像（光學(xué)遙感與微波遙感）的光譜信息和紋理信息，將地面調(diào)查樣地在遙感影像上對應(yīng)位置的各波段灰度值、植被指數(shù)灰度值及由各波段間通過加減乘除等運算得來的衍生波段的灰度值作為影響蓄積量反演的自變量，以地面調(diào)查獲取的樣地蓄積量為因變量，建立蓄積量的反演模型[11-14]（線性模型與非線性模型），實現(xiàn)定量估測森林的蓄積量。線性模型一般是指利用多元線性回歸的方法擬合得到蓄積量估測模型，而線性模型中變量的篩選不僅對模型的穩(wěn)定性、擬合效果有影響，對預(yù)測精度也會產(chǎn)生影響。主成分分析法[15]能克服自變量間的多重共線性，因此，本研究以老禿頂子自然保護(hù)區(qū)為研究區(qū)，以Landsat8 OLI遙感影像、DEM數(shù)據(jù)以及50個樣點的實地調(diào)查數(shù)據(jù)為數(shù)據(jù)源，提取影響蓄積量的22個因子，采用主成分分析法建立蓄積量估測模型。

1 研究區(qū)概況

遼寧老禿頂子自然保護(hù)區(qū)屬于國家級國家級自然保護(hù)區(qū)，位于遼寧省東部，華來、八里甸子、平頂山三個鄉(xiāng)鎮(zhèn)境內(nèi)，地理坐標(biāo)為東經(jīng)124°41′13″～125°5′15″，北緯 41°11′11″～ 41°21′34″。保護(hù)區(qū)內(nèi)的氣候類型屬于遼東冷涼濕潤氣候區(qū)，這種特殊的小氣候區(qū)是由于北溫帶大陸性季風(fēng)氣候受到海洋性氣候和森林高差的影響而形成的。雨量充沛，年降水量827.8 mm，年平均相對濕度73%，絕對最高氣溫38 ℃，絕對最低氣溫-33 ℃，年平均溫度6 ℃，年平均無霜期139 d。保護(hù)區(qū)屬長白植物區(qū)系的西南邊緣，并具有向華北植物區(qū)系的過渡性。中山植被垂直分布，尤其北坡垂直分布最為明顯，海拔由低到高分別為落葉闊葉林帶、云冷杉和楓樺等共建種組成的混交林帶、云冷杉暗針葉林帶、岳樺林帶、中山灌叢帶、中山草地。

2 數(shù)據(jù)與方法

2.1 影像預(yù)處理

獲取老禿頂子自然保護(hù)區(qū)2015年9月4日的Landsat8 OLI遙感影像，該數(shù)據(jù)采用UTM WGS-84投影，是1級標(biāo)準(zhǔn)產(chǎn)品。OLI影像共包含9個波段，其中b1～b7和b9為30 m分辨率的多光譜波段，b8為15 m分辨率的全色波段。由于b1和b9分別為深藍(lán)波段和短波波段，用于觀測氣溶膠與卷云，因此本研究不考慮這2個波段，只研究b2～b8與蓄積量的相關(guān)性。

利用ENVI5.1軟件對影像進(jìn)行預(yù)處理。首先用FLAASH工具進(jìn)行大氣校正，使像元灰度值（DN）轉(zhuǎn)化為地表反射率值；然后進(jìn)行幾何精校正，選取分布均勻的30個地面控制點，采用二次多項式模型進(jìn)校正，使誤差控制在1個像元內(nèi)；最后進(jìn)行裁剪，得到研究區(qū)影像（如圖1所示）。

圖1 預(yù)處理后的研究區(qū)標(biāo)準(zhǔn)假彩色影像Fig.1 Standard false color images of the studied area after oreprocessing

2.2 實地調(diào)查數(shù)據(jù)處理

外業(yè)數(shù)據(jù)采用老禿頂子自然保護(hù)區(qū)3D角規(guī)[16]實測數(shù)據(jù)，數(shù)據(jù)采集于2015年9月中下旬。在研究區(qū)內(nèi)抽取具有代表性的森林資源樣地并建立蓄積量估測方程，能夠確保得到的估測模型具有一定的可靠性和穩(wěn)定性。本研究根據(jù)自然保護(hù)區(qū)的面積，一般選取30～60個樣本作為大樣本，建立了50個均勻分布的3D角規(guī)樣點，樣點的選取采用隨機抽樣方法，選在自然保護(hù)區(qū)內(nèi)植被分布具有典型性的區(qū)域內(nèi)，其海拔分布范圍為427～985 m，坡度范圍3.3～44.2°，坡向以正北為0°，樣點的坡度分布范圍為60～355°，并選取以落葉松、核桃楸、小葉楊、沙松、椴樹、榆樹、楊樹、蒙古櫟、遼東冷杉等為優(yōu)勢樹種的林分建立角規(guī)樣點，基本涵蓋了保護(hù)區(qū)內(nèi)大部分闊葉林林分類型及部分云冷杉和楓樺等共建種組成的混交林。

記錄每個樣點的坐標(biāo)信息，并測量各個樣點內(nèi)10棵左右的計數(shù)木的樹種、胸徑、樹高等調(diào)查因子。依據(jù)3D角規(guī)林分蓄積量的計算公式M=G·HL·f，得到實測蓄積量，其中，M為林分每公頃蓄積量，m3/hm2；f為平均實驗形數(shù)；G為林分每公頃斷面積，m2/hm2；HL為林分條件平均高，m。用基于聚類的分層抽樣抽取其中35個樣點數(shù)據(jù)，作為建模數(shù)據(jù)，剩余的15個樣點數(shù)據(jù)作為檢驗數(shù)據(jù)。

2.3 遙感及地形因子提取

遙感因子分為光譜因子與紋理因子兩部分。光譜因子設(shè)置為多光譜波段的地表反射率值以及它們之間的線性組合，分別為b2、b3、b4、b5、b6、b7，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，（b5/b3）、(b7/b4) ，共計11個光譜因子。

紋理因子選取最為廣泛的基于灰度共生矩陣的方法進(jìn)行提取。由于5×5的窗口[17]提取的紋理特征統(tǒng)計量與蓄積量有較強的相關(guān)性，因此選取該窗口提取全色波段b8的8個紋理特征統(tǒng)計量，即均值（Mean，ME）、方差（variance，VA）、協(xié)同性（homogeneity， HO）、對比度（contrast，CO）、相異性（dissimilarity，DI）、熵（entropy，EN）、 二階矩（second moment，SM）和相關(guān)性（correlation，CC）。

地形因子利用30 m空間分辨率的ASTGTM數(shù)據(jù)，提取海拔、坡度、坡向3個因子。

利用ENVI 5.1軟件，提取50個樣點坐標(biāo)對應(yīng)的22個自變量因子的取值，將空間數(shù)據(jù)和地面屬性數(shù)據(jù)進(jìn)行連接。其中，以10號樣點為例，提取的各因子值如表1所示：

表1 10號樣點的各因子提取值Table 1 The extraction of factors value of No.10

2.4 主成分分析

主成分分析（PCA）是將多個指標(biāo)化簡為少數(shù)幾個綜合指標(biāo)的一種統(tǒng)計分析方法，它是通過降維技術(shù)，把多個變量化為少數(shù)幾個主成分的方法，原始變量的絕大部分信息被保留在這些主成分中，通常表示為原始變量的線性組合。利用主成分分析，我們可以從繁瑣錯雜的事物關(guān)系中找到一些可提供研究的主成分信息，從而整合大量統(tǒng)計數(shù)據(jù)，達(dá)到能夠有效利用數(shù)據(jù)做出定量分析、揭示出變量與變量之間的內(nèi)在關(guān)系的效果。通過主成分分析得到的主成分和原始變量之間的關(guān)系如下： ①每一個主成分都是各原始變量的線性組合，即Ci=u1iX1+u2iX2+…+upiXp；②主成分的數(shù)目相較于原始變量有大大的減少; ③原始變量的絕大部分信息仍然保留在主成分中，這些原始信息的一般累計貢獻(xiàn)率可達(dá)到80%以上[16]；④每個不同的主成分之間相互獨立、不相關(guān)。通過主成分回歸分析方法建立擬合模型原理是：利用主成分分析提取出主成分因子與因變量回歸建模。此方法得到的回歸方程及方程參數(shù)估計更為可靠，是由于主成分間具有的獨立性，以及主成分對原始大量相關(guān)性指標(biāo)的綜合信息地較好反映。

3 結(jié)果與分析

3.1 回歸建模結(jié)果

將35個樣點的因子提取值導(dǎo)入R語言軟件中，進(jìn)行主成分分析，統(tǒng)計分析結(jié)果如表2所示，可知前4個特征根的累計貢獻(xiàn)率達(dá)到82.15%，說明前4個主成分已經(jīng)反映原來22個自變量因子82.15%的信息，因此確定以前4個主成分作為主成分回歸的自變量因子，建立蓄積量估測模型。

表2 主成分分析結(jié)果Table 2 The results of principal component analysis

自變量選取前4個主成分的得分，因變量以選取蓄積量的實測值，建立模型如下：

V=103.78+1.029 6C1+1.110 4C2+0.917 30C3+2.332 4C4。

式中：V為蓄積量 (m3·hm-2)；C1，C2，C3，C4分別為第1、第2、第3、第4主成分向量。由主成分載荷陣得4個主成分與22個因子提取值的線性關(guān)系如表3所示。

模型經(jīng)方差分析和回歸系數(shù)T檢驗，統(tǒng)計數(shù)據(jù)表明：F值為37.21，p值小于0.0001，回歸模型有意義；模型擬合數(shù)據(jù)顯示多元線性模型的決定系數(shù)R2為0.832，調(diào)整后的R2為0.810，擬合情況良好。

3.2 模型精度分析

為了對該模型的適用性進(jìn)行有效的驗證，將剩下的15個樣地的遙感因子及地形因子，代入擬合的估測模型，計算出模型估測的各樣地蓄積量。并將模型的預(yù)測估測值與實際測量的數(shù)據(jù)值進(jìn)行比較分析，檢驗?zāi)Ｐ偷倪m用性和模型對林分蓄積量的估測精度如表4所示。選取平均相對誤差、總想對誤差、平均預(yù)估誤差作為精度評價指標(biāo)，對所建立的模型進(jìn)行精度驗證，得到林分蓄積量的模型預(yù)估精度達(dá)到92.18%。

表3 主成分與因子提取值的線性關(guān)系Table 3 The linear relationship between PCA and extraction value

表4 精度檢驗結(jié)果Table 4 The results of accuracy test

4 結(jié)論與討論

遙感數(shù)據(jù)提供的動態(tài)的、綜合的植被覆蓋信息，極大提高了林業(yè)工作效率[1]。本研究以老禿頂子自然保護(hù)區(qū)為對象，選取了與森林蓄積量關(guān)系密切的因子作為自變量，運用主成分分析法得到研究區(qū)內(nèi)中低海拔森林的蓄積量估測模型。結(jié)果表明，該模型的精度較高且適用性強，同時克服了因子之間的多重共線性，能為保護(hù)區(qū)內(nèi)森林蓄積的調(diào)查與管理提供參考依據(jù)。

（1）以landsat8 OLI遙感影像、DEM數(shù)據(jù)為數(shù)據(jù)源，提取11個光譜因子、8個紋理因子、3個GIS因子，采用主成分分析的方法對所有因子進(jìn)行降維處理，以累積方差貢獻(xiàn)率大于80%作為指標(biāo)，選取4個主成分，并以主成分得分為自變量、以每公頃蓄積量為因變量，建立線性回歸方程，回歸方程調(diào)整后的R2為0.810，擬合度好。終得到老禿頂子自然保護(hù)區(qū)蓄積量線性回歸估測模型為：V=103.78+1.029 6C1+1.110 4C2+0.917 30C3+2.332 4C4。

（2）對得到的蓄積量模型進(jìn)行精度檢驗，結(jié)果表明蓄積量估測的平均相對誤差為12.12%，總相對誤差為6.02%，平均預(yù)估誤差為7.82%，模型預(yù)估精度達(dá)到92.18%，能夠滿足林業(yè)調(diào)查中對于蓄積量的要求。

（3）本研究在提取紋理因子時，以5×5的窗口對全色波段影像進(jìn)行提取，紋理信息較少；下一步研究在不同窗口下對不同波段影像的紋理信息進(jìn)行提取，以增加更多的紋理因子，進(jìn)一步提高森林蓄積量的估測精度。另外，主成分分析法的優(yōu)勢在于能克服自變量間的多重共線性，與逐步分析法、一般線性回歸法比較，精度更高[2]。但國內(nèi)有相關(guān)研究表明，利用偏最小二乘的估測模型擬合森林蓄積量預(yù)估模型，同樣較好地克服了自變量間相關(guān)性，劉瓊閣等的利用偏最小二乘回歸建立密云區(qū)森林蓄積量估測模型，精度達(dá)到90.1%，將通過檢驗的模型反演到整個研究區(qū)，精度達(dá)到89.2%[1]。但不同研究區(qū)內(nèi)的適用性有待驗證，針對老禿頂子再燃保護(hù)區(qū)可進(jìn)一步驗證偏最小二乘法在本研究區(qū)域內(nèi)的蓄積量預(yù)估的精度。本研究針對老禿頂子自然保護(hù)區(qū)中低海拔森林植被蓄積量進(jìn)行了研究，高海拔地區(qū)植被以針葉林、灌木林及草甸為主，其蓄積量較闊葉林有顯著不同，可進(jìn)一步對該區(qū)域的蓄積量估測模型進(jìn)行研究。

[1]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(xué)學(xué)報, 2014, 34(2): 81-84,132.

[2]涂云燕. 森林蓄積量遙感估測研究[D]. 北京:北京林業(yè)大學(xué),2013.

[3]王臣立, 牛 錚, 郭治興, 等. 基于植被指數(shù)和神經(jīng)網(wǎng)絡(luò)的熱帶人工林地上蓄積量遙感估測[J]. 生態(tài)環(huán)境學(xué)報, 2009,18(5): 1830-1834.

[4]黃 平, 楊燕瓊, 侯長謀. 基于RS、GIS 的杉木林分蓄積量判讀模型研究[J]. 中南林業(yè)查規(guī)劃, 2003, 22(1): 25-27.

[5]王 佳, 宋珊蕓, 劉 霞, 等. 結(jié)合影像光譜與地形因子的森林蓄積量估測模型[J]. 農(nóng)業(yè)機械學(xué)報, 2014, 45(5): 216-220.

[6]Widlowski J L, Pinty B, Gobron N,et al. Detection and characterization of boreal coniferous forests from remote sensing data[J]. Journal of GeoPhysical Research- Atmospheres,2001,106: 33405-33419.

[7] Dong J R, Kaufmann R K, Myneni R B,et al.Remote sensing estimates of boreal and temperate forest woody, biomass: carbon,pools, sources, and sinks[J]. Remote Sensing of Environment,2003, 84: 393-410.

[8]Trotter C M, Dymond J R, Goulding C J. Estimation of timber volume in a coniferous Plantation forest using Landsat TM[J].International Journal of Remote Sensing, 1997, 18(10): 2209-2223.

[9]洪奕豐, 林 輝, 嚴(yán)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(xué)學(xué)報, 2011,31(7): 80-85.

[10] 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(xué)學(xué)報, 2010, 30(4): 112-115.

[11] 鄭 剛, 彭世揆, 戎 慧, 等. 基于KNN方法的森林蓄積量遙感估計和反演概述[J]. 遙感技術(shù)與應(yīng)用, 2010,25(3):430-437.

[12] 劉 鑫. 基于RS和GIS的森林蓄積量估測的研究[D]. 南京:南京林業(yè)大學(xué), 2010.

[13] 付虎艷, 徐云棟, 李圣嬌, 等. 基于SVM方法的高山松林蓄積量遙感估測研究[J]. 西部林業(yè)科學(xué), 2014, 43(4): 83-88.

[14] 涂云燕, 彭道黎. 基于RS的森林蓄積量主成分回歸估測[J].東北林業(yè)大學(xué)學(xué)報, 2012, 40(10): 75-77.

[15] 王斌會. 多元統(tǒng)計分析及R語言建模[M]. 廣州: 暨南大學(xué)出版社, 2014.

[16] 高 祥. 森林資源調(diào)查監(jiān)測信息化技術(shù)方法研究[D]. 北京:北京林業(yè)大學(xué), 2015.

[17] 王月婷, 張曉麗, 楊慧喬, 等. 基于Landsat8衛(wèi)星光譜與紋理信息的森林蓄積量估算[J]. 浙江農(nóng)林大學(xué)學(xué)報,2015,32(3):384-391.

[本文編校：吳 彬]

Estimation of Laotudingzi nature reserve forest volume based on principal component analysis

LIU Mingyana,b, WANG Xiulana,b, FENG zhongkea,b, YU Donghaia,b
(a. Forestry College Precision Forestry Key Laboratory of Beijing; b. Forest Cultivation and Protection Key Laboratory of Ministry for Education, Beijing Forestry University, Beijing 100083, China)

By selecting Laotudingzi as the research area, taking the remote sensing images of landsat8 OLI, DEM data and survey data as the data source, the studied area’s 11 spectrum factors, 8 texture factor and 3 terrain factors in the corresponding sample area were acquired. Putting the cumulated variance contribution ratio to more than 80% as index, the principal component affecting forest reserves were extracted by principal component analysis, and then a principal component regression model was obtained using the principal component. The results showed that the regression equation of the adjusted R2is 0.810, which fits well. To accuracy test, the model precision of the average relative error is 12.12%, the total relative error is 6.02%, the mean prediction error is 7.82% and the model prediction accuracy is 92.18%. It can meet the requirements of forestry investigation for volume of remote sensing to estimate.

stock volume; principal component analysis; accuracy test

S771.8 文獻(xiàn)標(biāo)志碼：A 文章編號：1673-923X(2017)10-0080-04

10.14067/j.cnki.1673-923x.2017.10.013

http: //qks.csuft.edu.cn

2016-12-27

北京市自然基金項目“環(huán)首都圈森林植被空間環(huán)境效應(yīng)模型與造林決策支持系統(tǒng)研究”（6161001）

劉明艷，碩士研究生

王秀蘭，博士，副教授；E-mail：wangxiulan2000@sina.com

劉明艷，王秀蘭，馮仲科，等. 基于主成分分析法的老禿頂子自然保護(hù)區(qū)森林蓄積量遙感估測[J].中南林業(yè)科技大學(xué)學(xué)報，2017, 37(10): 80-83, 117.