基于GF-1 PMS影像和k-NN方法的延慶區(qū)森林蓄積量估測

王海賓，彭道黎，高秀會，李文芳

（1.北京林業(yè)大學(xué) 林學(xué)院,北京 100083； 2.中國空間科學(xué)技術(shù)研究院 通信衛(wèi)星事業(yè)部，北京 100094；3.北京市大興區(qū)林業(yè)站，北京102600）

森林結(jié)構(gòu)參數(shù)估測是森林可持續(xù)經(jīng)營和生態(tài)環(huán)境監(jiān)測的重要內(nèi)容。森林蓄積量作為森林結(jié)構(gòu)參數(shù)中的一個重要因子，是組成陸地植被生物量的重要成分之一，是評價森林資源數(shù)量與質(zhì)量、反映森林經(jīng)營管理水平的重要因子，也是評估森林固碳能力和森林碳收支的重要指標(biāo)［1－4］，因此，準(zhǔn)確地估測森林蓄積量對森林經(jīng)營管理和生態(tài)環(huán)境保護建設(shè)具有重要意義［5－6］。目前，應(yīng)用遙感技術(shù)估測森林蓄積量的研究主要集中在2個方面：一是選取或結(jié)合不同遙感數(shù)據(jù)源（光學(xué)遙感、微波探測和激光雷達探測數(shù)據(jù)）構(gòu)建估測模型，進行森林蓄積量估測；二是估測方法的多樣性，由典型的參數(shù)方法（線性回歸）向非參數(shù)方法轉(zhuǎn)變（如人工神經(jīng)網(wǎng)絡(luò)、k近鄰分類算法等）［2,4,7－10］。在森林蓄積量模型構(gòu)建的過程中，自變量間的復(fù)共線性問題是亟待解決的一個問題。這些在傳統(tǒng)的線性回歸估測中無法避免［11－12］。k-最鄰近（k-nearest neighbor，k-NN）方法作為一種非線性方法，可以不考慮復(fù)共線性問題，并且具有穩(wěn)定的抗逆性，在歐洲和北美地區(qū)的森林資源監(jiān)測中得到了廣泛的應(yīng)用。國內(nèi)也開展了有關(guān)k-NN法估測森林蓄積及生物量的研究［10－13］，但對比參數(shù)方法和非參數(shù)方法進行估測的研究不多。在以往的研究中，采用高分辨率數(shù)據(jù)進行森林蓄積量的估測多以國外數(shù)據(jù)為主。高分1號（GF-1）衛(wèi)星是中國高分辨率對地觀測衛(wèi)星系統(tǒng)重大專項的第1顆衛(wèi)星，它可以提供高分辨率的多光譜（8 m）和全色波段（2 m）數(shù)據(jù)，為森林資源動態(tài)監(jiān)測提供了新的數(shù)據(jù)源［14］。然而，受限于GF-1衛(wèi)星影像的覆蓋范圍等原因，針對GF-1全色和多光譜（panchromatic and multispectral，PMS）影像用于縣域尺度森林蓄積量定量估測的研究較少。GF-1 PMS數(shù)據(jù)將高空間分辨率、高時間分辨率等優(yōu)勢集合于一體，挖掘并探討GF-1 PMS影像數(shù)據(jù)估測森林蓄積量的潛力，對森林生理生態(tài)參數(shù)進行定量評價和GF-1 PMS影像數(shù)據(jù)的應(yīng)用推廣具有重要意義。本研究應(yīng)用GF-1 PMS影像數(shù)據(jù)，通過挖掘影像的光譜信息，建立植被指數(shù)自變量集，并對自變量進行優(yōu)選，采用k-NN方法構(gòu)建森林蓄積量估測模型，并與偏最小二乘回歸法構(gòu)建的森林蓄積量估測模型進行對比，以此分析GF-1 PMS影像數(shù)據(jù)和2種估測方法的應(yīng)用潛力，為縣域尺度應(yīng)用GF-1 PMS影像數(shù)據(jù)估測森林生理生態(tài)參數(shù)提供參考。

1 研究材料

1.1 研究區(qū)概況

延慶區(qū)位于北京市的西北部（40°16′～40°47′N， 115°44′～116°34′E）， 東鄰懷柔， 南接昌平， 西面和北面與河北省懷來縣、赤城縣相接，三面環(huán)山，總面積達1 993.75 km2。該區(qū)屬大陸性季風(fēng)氣候，是暖溫帶與中溫帶，半干旱與半濕潤的過渡帶。年平均溫度為8.8℃，無霜期150～160 d。年平均降水量為467.0 mm，降水主要集中在6－8月。該區(qū)內(nèi)森林植被屬于針闊混交林森林植被，現(xiàn)存植被主要為人工林以及一些次生植被類型。區(qū)內(nèi)主要森林類型有油松Pinus tabulaeformis林，側(cè)柏Platycladus orientalis林，華北落葉松Larix principis-rupprechtii林，蒙古櫟Quercus liaotungensis林，刺槐Robinia pseudoacacia林，白樺Betula platyphylla林，山楊Populus davidiana林和雜木林等。據(jù)2015年北京市公布的森林資源數(shù)據(jù)顯示，延慶區(qū)森林面積為11.5萬hm2，森林覆蓋率為57.46%，森林蓄積量達到215.77萬m3，占北京市總森林蓄積量的12.68%，具有重要的生態(tài)系統(tǒng)防護作用和固碳功能。

1.2 研究數(shù)據(jù)

1.2.1 地面數(shù)據(jù)及輔助數(shù)據(jù) 地面數(shù)據(jù)是延慶區(qū)2014年森林資源二類調(diào)查數(shù)據(jù)（以下簡稱 “二調(diào)數(shù)據(jù)”），以矢量地理信息數(shù)據(jù)的形式儲存。全區(qū)二類調(diào)查數(shù)據(jù)中的小班個數(shù)為2.37×104個，小班面積及蓄積的統(tǒng)計特征見表1。本研究所應(yīng)用到的調(diào)查因子包括小班編號、地類、小班蓄積、小班面積等因子。輔助數(shù)據(jù)包括延慶區(qū)邊界矢量數(shù)據(jù)和覆蓋延慶區(qū)的1∶10 000數(shù)字高程模型（DEM）數(shù)據(jù)，地面數(shù)據(jù)和輔助數(shù)據(jù)的坐標(biāo)為北京54坐標(biāo)系。

1.2.2 遙感影像 GF-1號衛(wèi)星裝載有2 m分辨率全色和8 m分辨率多光譜相結(jié)合的相機（PMS1～PMS2），多光譜相機包括藍（0.45～0.52 μm）， 綠（0.52～0.59 μm），紅（0.63～0.69 μm）和近紅外（0.77～0.89 μm）4 個波段，全色相機包括1個全色波段（0.45～0.89 μm），2臺相機組合幅寬達60 km，重訪周期為4 d。本研究選取了覆蓋研究區(qū)的7景GF-1 PMS影像，由中國林業(yè)科學(xué)研究院資源信息研究所提供，其中序號2影像由于影像缺失，采用了2014年的影像進行補充，并假設(shè)對估測結(jié)果未產(chǎn)生影響，序號6和序號7的影像獲取時間為2015年1月31號，作為補充影像，只覆蓋了少部分區(qū)域，因此產(chǎn)生的差異可以忽略不計。GF-1 PMS影像數(shù)據(jù)詳情見表2。

表1 延慶區(qū)二類調(diào)查數(shù)據(jù)小班面積及蓄積基本統(tǒng)計量Table 1 Descriptive statistics of small class area and volume of forest management inventory in Yanqing District

表2 覆蓋延慶區(qū)的GF-1 PMS影像列表Table 2 List of GF-1 PMS images covering Yanqing District

1.2.3 地面數(shù)據(jù)處理 二類調(diào)查數(shù)據(jù)為區(qū)劃調(diào)查數(shù)據(jù)，可以覆蓋整個延慶區(qū)。在估測森林蓄積量前，需要計算小班內(nèi)的每公頃森林蓄積量［不包括非森林地類的蓄積量（疏林地、散生木、四旁樹的蓄積量），以下統(tǒng)稱公頃蓄積量］，采用Arc GIS軟件中屬性表中的字段計算器計算（公頃蓄積量=小班蓄積/小班面積）。本研究采用系統(tǒng)抽樣方法在延慶區(qū)內(nèi)布設(shè)抽樣點，為與GF-1 PMS影像3×3窗口大小近似匹配，確定抽樣點的面積大小為600 m2，形狀為正方形。利用Arc GIS軟件布設(shè)覆蓋延慶區(qū)的格網(wǎng)，格網(wǎng)面積大小為600 m2。在布設(shè)格網(wǎng)時，存在單個格網(wǎng)覆蓋多個小班的情況。本研究采用格網(wǎng)內(nèi)小班公頃蓄積乘以對應(yīng)小班的面積權(quán)重值，并求和獲得覆蓋多個小班的格網(wǎng)的蓄積量，最后計算格網(wǎng)內(nèi)公頃蓄積量的變異系數(shù)，并取可靠水平為90%和估計精度為85%（二類規(guī)程要求）的控制標(biāo)準(zhǔn)，計算需要布設(shè)的抽樣點個數(shù)及間距，并以此為基礎(chǔ)外推估算延慶區(qū)的森林蓄積量。經(jīng)計算公頃蓄積量的變異系數(shù)為2.015 3，確定樣本數(shù)為489個，抽樣間距為2.02 km。為與北京市一類清查樣地布設(shè)間距相近，在滿足抽樣精度的基礎(chǔ)上，本研究設(shè)置系統(tǒng)抽樣間距為2 km×2 km（圖1）。經(jīng)系統(tǒng)布設(shè)樣地后得到延慶區(qū)的抽樣點共計492個，將抽樣點所在的小班屬性信息追加到抽樣點上。處理后的樣點數(shù)據(jù)包括樣地號、地類、公頃蓄積量等因子，樣點數(shù)據(jù)同時用于影像的分類結(jié)果驗證。提取出蓄積量大于0的樣點用于森林蓄積量反演，經(jīng)處理后提取抽樣點數(shù)據(jù)（蓄積大于0）共計156個。

1.2.4 遙感影像預(yù)處理 應(yīng)用ENVI 5.1對7景GF-1 PMS影像進行輻射定標(biāo)、大氣校正，參照已校正好的2004年SOPT-5融合數(shù)據(jù)（2.5 m），對高分影像進行正射校正，誤差控制在1個像元以內(nèi)，對校正好的7景GF-1 PMS影像進行鑲嵌處理，生成覆蓋整個延慶區(qū)的GF-1 PMS影像，并利用延慶區(qū)邊界矢量數(shù)據(jù)進行裁剪，生成延慶區(qū)范圍內(nèi)的GF-1影像（圖1），遙感影像校正后的坐標(biāo)同地面數(shù)據(jù)和輔助數(shù)據(jù)。本研究選取應(yīng)用較為廣泛的最大似然分類法提取森林植被信息［12］。依據(jù)《國家森林資源連續(xù)清查主要技術(shù)規(guī)定》（2014）中的森林面積定義：森林面積等于喬木林面積、竹林面積與特殊灌木林面積之和。由延慶區(qū)二類調(diào)查數(shù)據(jù)可知，地類中無竹林地和特殊灌木林地，因此本研究中的森林面積只包括喬木林面積，森林蓄積量只包括喬木林蓄積量。按照《國家森林資源連續(xù)清查主要技術(shù)規(guī)定》（2014）地類劃分標(biāo)準(zhǔn)，結(jié)合研究區(qū)實際地類情況，確定分類類別為喬木林地，其他林地（包括灌木林、疏林地、未成林造林地、苗圃地、跡地、宜林地），農(nóng)地（耕地），建筑（建設(shè)用地），水域和其他土地（未利用地）等6類，對分類結(jié)果合并歸類為森林和非森林2類，其中森林包括喬木林，非森林包括除喬木林之外所有的地類，最后對影像分類結(jié)果進行驗證。結(jié)果表明：GF-1 PMS影像分類總精度達到87.90%，Kappa系數(shù)為0.75。分類結(jié)果見圖2。

圖1 延慶區(qū)GF-1 PMS影像（432假彩色）及系統(tǒng)布設(shè)抽樣點（2 km×2 km）Figure 1 GF-1 PMS image of Yanqing District （432 false color）and sampling points of system layout（2 km ×2 km）

圖2 GF-1 PMS影像分類圖Figure 2 Classification result of GF-1 PMS image

2 研究方法

2.1 遙感特征變量

遙感影像的植被信息是通過綠色植物葉片和植被冠層光譜特性及其變化差異反映的［14］。選擇合適的植被指數(shù)可以有效地增強植被信息或抑制非植被信息，減小非植被信息如陰影對模型構(gòu)建的影響［3］。因此，本研究借鑒前人的經(jīng)驗并結(jié)合蓄積量估測特點，選擇9種植被指數(shù)作為建模變量（表3）。

應(yīng)用布設(shè)好的抽樣點提取對應(yīng)位置的GF-1 PMS影像光譜信息，計算樣本內(nèi)的光譜平均值作為樣本點的光譜值，參與模型的構(gòu)建。本研究中，蓄積大于0的抽樣點均落在喬木林（即有林地）范圍內(nèi)，不包括散生木、四旁樹和疏林地部分，因此所構(gòu)建的模型為喬木林蓄積量模型，參與全區(qū)的森林蓄積量估算。

2.2 自變量篩選

在建模變量中，自變量往往存在多重共線性問題，導(dǎo)致所構(gòu)建的模型不夠穩(wěn)定，尤其是在變量個數(shù)較多時，會降低模型的預(yù)測精度，因此選擇適宜的方法篩選自變量用于建模具有重要作用［24］。常用的變量篩選方法較多，有逐步回歸法、Pearson相關(guān)系數(shù)法、平均殘差平方和法等［4,24－26］。相關(guān)研究表明：平均殘差平方和法在變量篩選中具有很好的適用性［26］，因此本研究選擇此方法作為自變量篩選方法，平均殘差平方和方法篩選變量的實現(xiàn)步驟參考文獻［26］。

2.3 偏最小二乘回歸法

偏最小二乘回歸法是伍德（WOLD）和阿巴諾（ALBANO）于1983年提出的一種新型的多元統(tǒng)計方法。它集多元回歸分析、典型相關(guān)分析和主成分分析的優(yōu)點于一體，可以有效地解決多元回歸分析中的變量多重相關(guān)性及噪聲問題［27－29］， 近年來被逐漸地應(yīng)用到森林參數(shù)的估計上［3,30－31］。

表3 研究中用到的變量Table 3 Variables used in the study

以單因變量為例闡述其基本建模思想：設(shè)有因變量y和p個自變量{x1，x2，…，xp}，樣本數(shù)為n，構(gòu)成因變量和自變量的數(shù)據(jù)表y=［u］n×1和x［x1，x2， …，xp］n×p，對數(shù)據(jù)表x進行主成分處理，提取一個主成分t1（t1是x1，x2，…，xp的線性組合），要求t1盡可能多地攜帶x中的變異信息，同時與y的相關(guān)性最大，提取第1個主成分t1后，實施y和x對t1的回歸，如果此時回歸方程達到滿意的精度，則算法停止，否則利用x和y被t1解釋后的殘余信息進行第2輪的主成分提取，如此反復(fù)，直到能達到較為滿意的精度為止。若最終對x提取了m個主成分t1,t2，…，tm，偏最小二乘回歸將實施y對t1,t2,…，tm的回歸，然后表達成y對原變量x的回歸方程。應(yīng)用偏最小二乘回歸法進行模型構(gòu)建的詳細(xì)過程見文獻［9］。本研究應(yīng)用MATLAB 2014a軟件實現(xiàn)偏最小二乘回歸模型的構(gòu)建。

2.4 k-NN算法基本原理

k-NN算法是一種典型的非參數(shù)方法，基于觀測點和預(yù)測點之間的空間相似性關(guān)系進行單變量或多變量預(yù)測（如蓄積量等森林參數(shù)），在歐洲和北美得到了廣泛應(yīng)用［32－34］。k-NN法用于森林參數(shù)估計的最大優(yōu)點在于它不僅能同時估計若干個森林參數(shù)，而且它還能夠維持參數(shù)之間的自然依賴結(jié)構(gòu)，保持參數(shù)之間的一致性，同利用遙感自變量和森林參數(shù)建立的回歸模型相比，k-NN方法更多地考慮森林參數(shù)同自變量間的非線性依賴關(guān)系［12,35］。其基本原理為：記p為目標(biāo)點，pi為參考點，并且參考點的森林參數(shù)（本研究為森林蓄積量）是已知的，Dp,pi為目標(biāo)點和參考點之間的光譜距離，它是用來衡量樣本參數(shù)間的相似度的。對于目標(biāo)點p，找出其光譜空間最鄰近的k個參考點p1，p2，…，pk，其中Dp,1＜Dp,2＜…＜Dp,k。由于目標(biāo)點p受其近鄰的影響是不同的，通常距離越近的參考點對其影響越大，反之則影響越小。目標(biāo)點p的森林參數(shù)VP可以通過k個參考點的相應(yīng)的森林參數(shù)Vpi（i=1，2，…，k）的加權(quán)平均法獲得［12］，其中k個參考點的權(quán)重wpi,p通過光譜空間的反距離函數(shù)獲得［12］。k-NN實質(zhì)上是一個常用于空間插值的反距離加權(quán)平均法，當(dāng)k=1時，k-NN即為最鄰近距離法［35］。

式（1）～式（2）中：t為距離分解因子，一般取值為0，1，2。光譜距離Dpi,p可采用多種距離進行度量，常用的有歐氏距離、馬氏距離和光譜角制圖等。在借鑒前人研究的基礎(chǔ)上［12－13］，選擇t值為1，馬氏距離作為距離度量標(biāo)準(zhǔn)，在確定最優(yōu)波段的基礎(chǔ)上，計算最優(yōu)的k值用于全區(qū)森林蓄積量反演。本研究的k值是由MATLAB 2014a軟件計算獲得。

2.5 模型評價

選擇留一交叉驗證評價。模型估測精度采用均方根誤差（ERMS），相對均方根誤差（ERRMS），偏差（bbias）3個指標(biāo)來評價，指標(biāo)計算公式如下：

式（3）～式（5）中：yi為蓄積量實測值，y＾i為蓄積量預(yù)測值，yi為蓄積量實測值平均值，n為樣本個數(shù)。

3 研究結(jié)果

3.1 自變量篩選

利用平均殘差平方和準(zhǔn)則篩選出蓄積量估測的建模變量因子。由圖3可知：經(jīng)過變量優(yōu)選，提取的SAVI，OSAVI，NDVI，GNDVI，GBNDVI，DVI可以得最小的平均殘差平方和， 為 13.71。 因此選擇SAVI，OSAVI，NDVI，GNDVI，GBNDVI，DVI共6個因子作為蓄積量模型構(gòu)建的優(yōu)選變量。

3.2 蓄積量估測模型構(gòu)建

3.2.1 偏最小二乘回歸模型構(gòu)建 將篩選的自變量構(gòu)建森林蓄積量估測模型，應(yīng)用MATLAB計算模型的各個參數(shù)，最后得到基于偏最小二乘回歸法構(gòu)建的蓄積量估測模型，其數(shù)學(xué)表達式為V=0.809 5+0.017 5SAVI+0.025 8OSAVI+0.025 6NDVI+2.034 4GNDVI+3.545 9GBNDVI+0.001 5DVI。其中，V為森林蓄積量，SAVI，OSAVI，NDVI，GNDVI，GBNDVI和DVI為表 3 對應(yīng)的植被指數(shù)。

3.2.2k值的確定k-NN方法的估測精度隨著k值的不同而變化。相關(guān)研究表明［12,23,26］：k值取1～10的范圍時，對不同參數(shù)的估測效果較好。本研究將k的取值范圍設(shè)置為3～10，并對不同k值的估測結(jié)果進行分析，得到最優(yōu)k值。由圖4可知：當(dāng)k值為7時，k-NN方法估測的均方根誤差（ERMS）最小，為10.633 4 m3·hm－2。因此，本研究選取7作為蓄積量估測的最佳k值。

圖3 建模變量優(yōu)選Figure 3 Optimization of model variables

圖4 均方根誤差隨k值變化的情況Figure 4 Situation of root mean square error with the different k values

3.2.3 模型驗證 由表4可知：偏最小二乘回歸法估測的森林蓄積量均方根誤差為21.90 m3·hm－2，相對均方根誤差為27.5%，偏差為17.23 m3·hm－2，基于k-NN方法的森林蓄積量估測的均方根誤差為12.80 m3·hm－2，相對均方根誤差為16.0%，偏差為 15.02 m3·hm－2。由此可知：基于非參數(shù)方法的k-NN方法估測效果要好于基于參數(shù)方法的偏最小二乘回歸法，可作為延慶區(qū)森林蓄積量估測的方法。進一步對延慶區(qū)森林總蓄積量預(yù)測結(jié)果進行精度檢驗。以首都園林綠化政務(wù)網(wǎng)（http://www.bjyl.gov.cn/zwgk/tjxx/201604/t20160401_178533.html） 公 布的2015年延慶區(qū)森林蓄積量數(shù)據(jù)為實際值，對比分析基于2種方法反演的蓄積量預(yù)測值的差異（表5）。由表5可知：應(yīng)用建立的偏最小二乘回歸模型反演的森林蓄積量為266.22萬m3，相對誤差為50.45萬 m3，估測精度為76.6%，應(yīng)用k-NN方法反演的森林蓄積量245.98萬m3，相對誤差為30.21萬m3，估測精度為86.0%。由此可知：基于k-NN方法反演全區(qū)森林蓄積量的估測結(jié)果要好于偏最小二乘回歸法，估測結(jié)果可靠。

表4 2種估測模型的估測精度Table 4 Estimation accuracy of two models

表5 延慶區(qū)森林蓄積量（FSV）估測誤差比較Table 5 Comparison of estimation error of forest stock volume in Yanqing District

3.3 基于k-NN法的森林蓄積量反演

依據(jù)遙感影像分類得到的森林邊界數(shù)據(jù)，應(yīng)用k-NN方法建立的蓄積量估測模型對研究區(qū)森林蓄積量進行反演，得到延慶區(qū)森林蓄積量空間分布等級圖（圖5）。

4 討論

基于偏最小二乘回歸法的回歸統(tǒng)計方法可以減少多重共線性的影響，提高模型構(gòu)建的穩(wěn)定性，保證估測的精度。以往的研究表明［3,27－28］：應(yīng)用偏最小二乘回歸法估測森林參數(shù)要好于其他常規(guī)的回歸方法，可以在一定程度上提高待估參數(shù)的估測精度。k-NN方法作為一種典型的非參數(shù)方法，它不用考慮變量間的多重共線性的關(guān)系，具有一定的應(yīng)用優(yōu)勢。本研究比較了這2種方法的估測效果，結(jié)果表明：在研究區(qū)內(nèi)，基于k-NN方法的非參數(shù)方法的估測精度要好于基于偏最小二乘回歸的參數(shù)方法，對全區(qū)森林蓄積量進行反演的估測精度達到86.0%。但本研究還存在以下問題：①研究應(yīng)用的兩景GF-1影像雖然只覆蓋了很少的區(qū)域，但影像時相與其余影像時相存在差異，可能導(dǎo)致蓄積量估測結(jié)果產(chǎn)生偏差，但在本研究中忽略了其影響，此部分問題有待于進一步分析。②應(yīng)用k-NN法進行蓄積量估測可以減少由影像的同物異譜和同譜異物帶來的隨機變化［11］，但其高值低估和低值高估現(xiàn)象依舊是應(yīng)用k-NN法基于像素級估測森林參數(shù)普遍存在的問題［11－12,35］。在本研究的估測過程中，隨著k值的增大，蓄積量估計值分布空間呈現(xiàn)縮小的趨勢。在后續(xù)的研究中，可考慮直方圖匹配方［11］來提高k-NN法估測變量的精度。③本研究中的均方根誤差隨k值的增加呈現(xiàn)不規(guī)則的變化，這與KATILA等［37］和鄭剛等［12］的研究中的均方根誤差隨k值的增大而減小的趨勢不同。向安民等［23］應(yīng)用GF影像估算森林蓄積量的研究中也出現(xiàn)了均方根誤差隨k值的增加出現(xiàn)不規(guī)則的變化趨勢。這與GF影像上的椒鹽噪聲有很大關(guān)系，使得光譜信息與蓄積量值出現(xiàn)不匹配的現(xiàn)象，導(dǎo)致了均方根誤差不規(guī)則的變化。

圖5 延慶區(qū)森林蓄積量預(yù)測等級圖Figure 5 Predicting map of forest stock volume in Yanqing District

5 結(jié)論

本研究應(yīng)用GF-1 PMS影像數(shù)據(jù)提取了9種植被指數(shù)作為建模變量，采用平均殘差平方和法對變量進行篩選，最終提取的SAVI，OSAVI，NDVI，GNDVI，GBNDVI和DVI等6個變量因子可以得到最小的平均殘差平方和，作為蓄積量估測模型的變量。對比了偏最小二乘回歸法（參數(shù)方法）和k-NN方法（非參數(shù)方法）估測森林蓄積量的效果。結(jié)果顯示：k-NN方法的估測效果（均方根誤差為12.80 m3·hm－2，相對均方根誤差為16.0%，偏差為15.02 m3·hm－2）要好于偏最小二乘回歸法（均方根誤差為21.90 m3·hm－2，相對均方根誤差為27.5%，偏差為17.23 m3·hm－2），并與首都園林綠化網(wǎng)公布的延慶區(qū)森林蓄積量結(jié)果進行了對比分析，基于k-NN方法反演的森林蓄積量估測精度達到86.0%，最后生成了延慶區(qū)森林蓄積量空間分布圖。說明應(yīng)用GF-1 PMS影像估測森林蓄積量是可行的?？梢赃M一步在不同的縣域范圍應(yīng)用GF-1 PMS影像估測森林蓄積量及相關(guān)的森林參數(shù)，對GF-1 PMS影像的估測潛力進行挖掘，這對推廣應(yīng)用國產(chǎn)GF-1 PMS影像具有重要意義。

6 致謝

感謝中國林業(yè)科學(xué)研究院資源信息研究所提供GF-1 PMS衛(wèi)星影像數(shù)據(jù)。