基于光學(xué)和微波遙感數(shù)據(jù)的森林蓄積量估測(cè)模型研究

王宗梅，岳彩榮，劉 琦，胡振華，柴凡一

(西南林業(yè)大學(xué) 西南地區(qū)生物多樣性保育國(guó)家林業(yè)局重點(diǎn)實(shí)驗(yàn)室, 云南 昆明 650224)

【研究意義】森林生態(tài)系統(tǒng)是地球上最大的有機(jī)碳儲(chǔ)存庫(kù)[1]，對(duì)維持全球碳循環(huán)平衡和減緩CO2引起的溫室效應(yīng)起到了至關(guān)重要的作用，因此掌握森林資源實(shí)時(shí)動(dòng)態(tài)變化信息意義重大。森林蓄積量則是衡量國(guó)家森林資源的重要指標(biāo)，傳統(tǒng)基于地面的蓄積量調(diào)查需耗費(fèi)大量人力、物力并且持續(xù)周期長(zhǎng)，因此，人們迫切希望能找到快速、準(zhǔn)確獲取地區(qū)大范圍森林蓄積量的方法[2-3]，遙感技術(shù)在林業(yè)領(lǐng)域的應(yīng)用為實(shí)現(xiàn)這一目標(biāo)提供了可能。傳統(tǒng)光學(xué)遙感的回波信號(hào)主要來(lái)源于森林冠層，對(duì)森林空間結(jié)構(gòu)信息不敏感，而微波具有穿透樹(shù)冠的能力[4]，可以提取森林垂直結(jié)構(gòu)參數(shù)，因此，結(jié)合光學(xué)遙感和微波遙感的多源遙感方式可發(fā)揮兩者優(yōu)點(diǎn)，實(shí)現(xiàn)對(duì)森林蓄積量更為準(zhǔn)確地估測(cè)[5-6]?！厩叭搜芯窟M(jìn)展】目前，國(guó)內(nèi)外學(xué)者對(duì)遙感技術(shù)應(yīng)用在森林蓄積量估測(cè)方面做了大量研究，并取得了一定的進(jìn)展[7-12]。Holmstr?m H等[13]采用k近鄰法估測(cè)蓄積量，結(jié)果表明多源數(shù)據(jù)(CARABAS-II VHF SAR和Spot-4 XS)的估測(cè)結(jié)果精度比任意單一源數(shù)據(jù)的都高。楊銘等[14]將資源3號(hào)多光譜高分影像和ALOS PALSAR影像結(jié)合，協(xié)同反演森林蓄積量，結(jié)果也證實(shí)基于多源數(shù)據(jù)的森林蓄積量反演精度更高?！颈狙芯壳腥朦c(diǎn)】雖然文獻(xiàn)資料中基于多源數(shù)據(jù)估測(cè)森林蓄積量取得了一定的成果，但對(duì)于不同植被類型和立地條件下的蓄積量估測(cè)效果仍有待繼續(xù)研究。【擬解決的問(wèn)題】因此結(jié)合前人的經(jīng)驗(yàn)，文章基于日本宇宙航空研究開(kāi)發(fā)機(jī)構(gòu)JAXA的ALOS PALSAR L波段全極化數(shù)據(jù)和Landast TM多光譜數(shù)據(jù)，試驗(yàn)多源數(shù)據(jù)的森林蓄積量估測(cè)；提取傳統(tǒng)光學(xué)遙感因子和極化特征因子，采用多元線性回歸的方式估測(cè)云南省迪慶自治州香格里拉市部分地區(qū)的森林蓄積量，對(duì)比地面實(shí)測(cè)樣地驗(yàn)證蓄積量估測(cè)精度，進(jìn)一步分析探討了多源數(shù)據(jù)在森林蓄積量估測(cè)方面的優(yōu)勢(shì)和特點(diǎn)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于云南省迪慶自治州香格里拉市境內(nèi)的洛吉鄉(xiāng)和三壩鄉(xiāng)。洛吉鄉(xiāng)地處香格里拉市東部，位于27°38′ ～ 28°06′N，99°55′ ～ 100°19′E，全鄉(xiāng)總面積為104 114.7 hm2，其中林地面積8 718.6 hm2，整體地勢(shì)東南低，西北高，海拔高差懸殊，氣候差異較大[15]。三壩鄉(xiāng)位于香格里拉市東南部，27°17′ ～27°43′N，99°56′ ～ 100°19′E，面積97 625.2 hm2，海拔1440～ 4770 m，森林資源種類豐富，森林覆蓋率65 %以上，主要樹(shù)種有冷杉(Abiesfabri)、櫟類(Quercus)、云南松(Pinusyunnanensis)、高山松(Pinusdensata)、落葉松(Larixgmellini)、云杉(Piceaasper)等[16]。研究區(qū)具有河谷亞熱帶、山地暖帶等5種氣候類型，四季不分明，年平均氣溫13 ℃，得天獨(dú)厚的地理位置和氣候形成了獨(dú)特的自然景觀，使得三壩鄉(xiāng)幾乎包羅了香格里拉市所有的植被類型[17～18]。

1.2 數(shù)據(jù)獲取與采集

研究以Landsat TM影像、ALOS PALSAR L波段全極化數(shù)據(jù)為遙感數(shù)據(jù)源，選取地面實(shí)測(cè)樣地?cái)?shù)據(jù)為驗(yàn)證樣本。

1.2.1 遙感數(shù)據(jù)獲取 光學(xué)遙感數(shù)據(jù)為香格里拉市兩景Landsat TM影像，獲取時(shí)間為2008年12月和2009年11月；微波數(shù)據(jù)為ALOS PALSAR傳感器獲取的L波段全極化影像(HH、HV、VH和VV)，數(shù)據(jù)級(jí)為1.1級(jí)別的單視復(fù)圖(Single Look Complex, SLC，表1)。

圖1 研究區(qū)位置與樣地點(diǎn)分布圖Fig.1 Geographic location of study area and sample location distribution

1.2.2 樣地?cái)?shù)據(jù)采集 樣地?cái)?shù)據(jù)為2010年8-9月在試驗(yàn)區(qū)采集的蓄積量實(shí)測(cè)數(shù)據(jù)，樣地主要根據(jù)香格里拉市的坡度、坡向、海拔和森林立地條件等因子進(jìn)行選擇，并在空間上盡量做到樣地均勻分布且具有代表性[19-20]。

1.3 數(shù)據(jù)處理

1.3.1 光學(xué)遙感數(shù)據(jù)預(yù)處理 為減少大氣、地形以及傳感器姿態(tài)等因素的影響，減少蓄積量估測(cè)模型誤差，需要對(duì)光學(xué)影像進(jìn)行預(yù)處理，包括影像的鑲嵌、裁剪、幾何校正等流程?？紤]到光學(xué)影像和實(shí)測(cè)樣地?cái)?shù)據(jù)坐標(biāo)參數(shù)差異帶來(lái)的地理位置和形狀的變形，以經(jīng)過(guò)幾何精校正的SPOT5影像為基準(zhǔn)，對(duì)Landsat TM進(jìn)行幾何校正，把矯正后的誤差控制在1個(gè)象元內(nèi)。最后用研究區(qū)矢量邊界進(jìn)行裁剪，得到樣地點(diǎn)的光學(xué)遙感影像(圖1)。

1.3.2 微波遙感數(shù)據(jù)預(yù)處理 試驗(yàn)采用ALOS PALSAR 1.1級(jí)別單視復(fù)圖，沒(méi)有經(jīng)過(guò)輻射定標(biāo)和正射校正等處理，同時(shí)，考慮到合成孔徑雷達(dá)的側(cè)視成像方式，造成微波影像存在疊掩、陰影和透視收縮等問(wèn)題，地物后向散射受到地形影響，因此需要對(duì)微波數(shù)據(jù)進(jìn)行預(yù)處理。本研究利用ASF MapReady軟件[21-23]對(duì)ALOS PALSAR數(shù)據(jù)進(jìn)行預(yù)處理，主要有輻射定標(biāo)、地形校正、濾波和地理編碼等處理。輻射定標(biāo)把微波強(qiáng)度圖像(Amplitude)轉(zhuǎn)換為后向散射系數(shù)σ0，單位為分貝(dB)，采用ASTER GDEM數(shù)字高程模型對(duì)后向散射系數(shù)圖像進(jìn)行地形校正和地形輻射校正，生成地理編碼的后向散射系數(shù)影像。輻射定標(biāo)根據(jù)以下公式進(jìn)行，并提取后向散射系數(shù)。

表1 ALOS PALSAR衛(wèi)星部分參數(shù)

σ0[dB]=10log10|DNi|2+KdB

(1)

式中，σ0[dB]為后向散射系數(shù)，DN為強(qiáng)度值，KdB為定標(biāo)常數(shù)，在這里KdB為-83dB[24]。

1.3.3 外業(yè)數(shù)據(jù)處理 研究區(qū)的優(yōu)勢(shì)樹(shù)種主要有云南松、高山松、冷杉等針葉樹(shù)種，以及少量櫟類。地面實(shí)測(cè)數(shù)據(jù)包括蓄積量、郁閉度、平均胸徑、優(yōu)勢(shì)樹(shù)種、平均樹(shù)高等信息。此次獲取了39塊地面實(shí)測(cè)樣地，隨機(jī)抽取其中的28塊樣地作為建模數(shù)據(jù)，剩下的11塊樣地作為檢驗(yàn)樣本。

1.4 蓄積量反演模型構(gòu)建

1.4.1 遙感特征因子提取 經(jīng)過(guò)預(yù)處理的Landsat TM影像中，提取植被信息豐富的3、4、5波段值作為波段因子參與建模。同時(shí)，為了充分挖掘光學(xué)遙感信息和全面反映植被的多寡、狀態(tài)和分布特征[25]，采用對(duì)植被長(zhǎng)勢(shì)、生物量等具有指示意義的植被指數(shù)加以分析[26-27]，以NDVI、PVI和ARVI作為植被指數(shù)因子，參與建模。

微波影像的特征提取，基于經(jīng)過(guò)預(yù)處理的4種極化方式(HH、HV、VH、VV)的后向散射系數(shù)σ0影像，以實(shí)測(cè)樣地記錄作為最小單元，分別提取不同極化方式下每塊樣地的后向散射系數(shù)，并將四者做比值，得到不同極化的σ°HH、σ°HV、σ°VH和σ°VV，以及極化比值σ°HH/HV、σ°HV/VV、σ°VH/HH和σ°VH/VV。

紅色(R)：VV極化后向散射系數(shù)，綠色(G)：VH極化后向散射系數(shù)，藍(lán)色(B)：HH極化后向散射系數(shù)圖2 研究區(qū)ALOS PALSAR數(shù)據(jù)預(yù)處理后RGB彩色合成圖Fig.2 Color composite image of ALOS PALSAR data

1.4.2 多元線性回歸分析 多元線性回歸模型具有良好的可解釋性，是遙感地學(xué)參數(shù)建模普遍采用的數(shù)學(xué)方法，文章采用的多元線性回歸方法為向后型(backward)，檢驗(yàn)蓄積量估測(cè)模型的估測(cè)效果以比較模型的決定系數(shù)R2和均方根誤差RMSE為準(zhǔn)[28]。研究表明，適量的指標(biāo)因子使得模型精度高，穩(wěn)定性好，以Landsat TM影像波段因子、植被指數(shù)因子和ALOS PALSAR影像提取的后向散射系數(shù)為自變量，以實(shí)測(cè)樣地蓄積量為因變量，在SPSS 18.0中建立多元線性回歸模型。

1.4.3 模型的評(píng)價(jià)與檢驗(yàn)方法 為了檢驗(yàn)森林蓄積量多元線性回歸模型的可靠程度[29]，對(duì)預(yù)留的11個(gè)檢驗(yàn)樣本分別計(jì)算樣地蓄積量預(yù)測(cè)值，以均方根誤差RMSE評(píng)價(jià)模型精度，計(jì)算公式如下：

1.4.4 最優(yōu)森林蓄積量模型選取 利用ALOS PALSAR數(shù)據(jù)HH、HV、VH、VV的后向散射系數(shù)σ0和HV/HH、VH/HH、HV/VV、VH/VV極化比值與實(shí)測(cè)蓄積量建立多元線性回歸模型，結(jié)合Landsat TM影像的波段因子和植被指數(shù)因子，采用多元線性回歸方法反演蓄積量，通過(guò)對(duì)比決定系數(shù)、標(biāo)準(zhǔn)估計(jì)誤差、顯著性等參數(shù)，比較光學(xué)遙感、微波遙感、光學(xué)與微波協(xié)同的3種蓄積量估測(cè)模型效果，探討不同建模方法的特征，篩選出最適宜研究區(qū)的蓄積量估測(cè)模型。

2 結(jié)果與分析

2.1 遙感自變量因子與蓄積量相關(guān)性分析

為探討波段因子、植被指數(shù)因子與森林蓄積量之間的關(guān)系，了解微波遙感不同極化方式與森林蓄積量的響應(yīng)機(jī)制，運(yùn)用SPSS 18.0對(duì)自變量因子與森林蓄積量進(jìn)行相關(guān)性分析，如表2，紅光波段和近紅外波段與估測(cè)蓄積量表現(xiàn)出最強(qiáng)的相關(guān)性，中紅外波段和垂直植被指數(shù)因子對(duì)蓄積量估測(cè)的相關(guān)性較強(qiáng)，相關(guān)系數(shù)均大于0.300，而大氣阻抗植被指數(shù)和極化比值HV/HH、VH/HH對(duì)森林蓄積量估測(cè)的相關(guān)性較差，其他指數(shù)因子、后向散射系數(shù)和極化比值對(duì)估測(cè)蓄積量有一定的相關(guān)性，因此，為充分利用光學(xué)遙感的光譜信息和微波遙感的極化散射特征，將所有自變量因子參與建模，結(jié)合實(shí)測(cè)森林蓄積量數(shù)據(jù)，加以分析，獲取最適宜研究區(qū)的森林蓄積量估測(cè)模型。

表2 遙感自變量因子與森林蓄積量相關(guān)系數(shù)

表3 基于多源遙感的森林蓄積量遙感預(yù)測(cè)模型

注：*為0.05顯著水平；**為0.01顯著水平。

Note:* correlation was significant at the 0.05 level, and ** correlation was significant at the 0.01 level.

2.2 光學(xué)遙感結(jié)合微波遙感結(jié)果分析

2.2.1 基于各自變量因子與森林蓄積量回歸模型建立 在SPSS 18.0中，將光學(xué)遙感的波段因子、植被指數(shù)因子和微波遙感影像不同極化的后向散射系數(shù)及極化比值作為自變量，實(shí)測(cè)樣地蓄積量為因變量，分別建立光學(xué)數(shù)據(jù)、微波數(shù)據(jù)和多源數(shù)據(jù)回歸模型。如表3所示，光學(xué)遙感森林蓄積量估測(cè)模型的決定系數(shù)為0.459，標(biāo)準(zhǔn)估計(jì)誤差為10.20；引入微波數(shù)據(jù)的后向散射系數(shù)，模型的決定系數(shù)明顯增高，達(dá)到0.674，標(biāo)準(zhǔn)估計(jì)誤差為8.46，總體顯著性水平(P< 0.01)為極顯著，說(shuō)明光學(xué)遙感因子協(xié)同微波遙感的后向散射特征對(duì)森林蓄積量具有極強(qiáng)的響應(yīng)，適用于森林蓄積量的估測(cè)。

2.2.2 模型驗(yàn)證與最優(yōu)模型選取 基于ALOS PALSAR影像和Landsat TM影像，結(jié)合樣地實(shí)測(cè)蓄積量，通過(guò)多元線性回歸建立森林蓄積量模型，比較分析決定系數(shù)等參數(shù)指標(biāo)，得到最優(yōu)森林蓄積量遙感估測(cè)模型，如下所示：

V=-0.631B3+6.365σ°HV-6.439σ°VH+27.596σ°HV/HH-28.545σ°VH/HH+0.436σ°VH/VV+20.577

(3)

與單一數(shù)據(jù)源的光學(xué)遙感模型或微波遙感模型相比，兩者協(xié)同建立的多源數(shù)據(jù)模型對(duì)森林蓄積量有較好的反演效果，與前人在多源數(shù)據(jù)反演蓄積量/生物量方面的研究結(jié)果相一致[30-31]。如表3所示，通過(guò)精度檢驗(yàn)，光學(xué)遙感模型的均方根誤差為14.33 m3/hm2，微波遙感模型的均方根誤差為14.30 m3/hm2，而多源數(shù)據(jù)蓄積量預(yù)估模型的均方根誤差最低，為13.38 m3/hm2，進(jìn)一步說(shuō)明多源遙感數(shù)據(jù)森林蓄積量估測(cè)模型較單一數(shù)據(jù)源遙感模型有更好的估測(cè)效果。

3 討 論

利用光學(xué)遙感的光譜特征和微波遙感的極化散射特征，探討香格里拉市洛吉鄉(xiāng)、三壩鄉(xiāng)森林蓄積量反演情況，探索光學(xué)遙感數(shù)據(jù)和微波遙感數(shù)據(jù)對(duì)森林蓄積量估測(cè)的潛力。通過(guò)開(kāi)展光學(xué)遙感、微波遙感以及二者結(jié)合的多源遙感森林蓄積量模型研究，對(duì)比分析得出多源遙感森林蓄積量估測(cè)模型為最佳模型，為全面和準(zhǔn)確了解森林資源提供理論依據(jù)。

圖3 森林蓄積量估算值與實(shí)測(cè)值折線圖Fig.3 Line graphs of forest volume between predicted value and observed value

(1)傳統(tǒng)光學(xué)遙感受到穿透性制約，植被指數(shù)為代表的特征因子易出現(xiàn)飽和狀態(tài)，特別是對(duì)于闊葉類型植被分布的森林區(qū)域，郁閉度高，影響了蓄積量估測(cè)效果。

(2)微波遙感數(shù)據(jù)可穿透森林冠層，獲取植被垂直結(jié)構(gòu)參數(shù)，對(duì)枝、干部分的信息十分敏感。大量文獻(xiàn)顯示[30-31]，微波數(shù)據(jù)的引入對(duì)基于光學(xué)數(shù)據(jù)的估測(cè)手段起到了有效補(bǔ)充；文章的試驗(yàn)結(jié)果同樣顯示多源數(shù)據(jù)的估測(cè)模型在決定系數(shù)R2和均方根誤差RMSE等指標(biāo)上相比單一數(shù)據(jù)源的估測(cè)模型效果更好，提高了蓄積量估測(cè)精度。

(3)基于多源遙感數(shù)據(jù)，結(jié)合檢驗(yàn)樣本對(duì)森林蓄積量進(jìn)行預(yù)測(cè)，對(duì)比實(shí)測(cè)蓄積量，存在低估或高估的情況，因此建立的蓄積量估測(cè)方程需要進(jìn)一步完善，借助新的建模方法對(duì)森林的后向散射機(jī)制進(jìn)行深入研究。

4 結(jié) 論

光學(xué)遙感和微波遙感結(jié)合能提高森林蓄積量估測(cè)模型精度，L波段的微波對(duì)樹(shù)冠具有穿透性，能在一定程度上與樹(shù)干發(fā)生作用，從而獲取林木的表面散射信息和體散射信息。因此，利用光學(xué)遙感所獲取的光譜信息和微波遙感的極化特征因子更加全面地反映出森林生長(zhǎng)狀況，相比于單一數(shù)據(jù)源反演森林蓄積量更具優(yōu)勢(shì)。