基于高分遙感數(shù)據(jù)的森林郁閉度估測(cè)方法研究

楊妍婷

（浙江農(nóng)林大學(xué)信息工程學(xué)院，浙江臨安311300）

0 引 言

森林郁閉度就是研究森林資源環(huán)境的重要參數(shù)之一，即等于垂直方向上林冠的投影面積和林地面積之間比值［1-2］。過去測(cè)度此指標(biāo)最常用的方法主要有：目測(cè)法［3］、樣線法［4］、樣點(diǎn)法［5］、樹冠投影法［6］、觀測(cè)管法［7］、照片法［8］等。 傳統(tǒng)方法都需要耗費(fèi)較長時(shí)間，并且只能得到小范圍內(nèi)典型數(shù)據(jù)，所以很難滿足大區(qū)域范圍測(cè)度需求。

最近數(shù)十年內(nèi)，遙感技術(shù)急速發(fā)展，而且已逐步應(yīng)用到林業(yè)領(lǐng)域。利用遙感技術(shù)計(jì)算森林郁閉度的基礎(chǔ)數(shù)據(jù)就是遙感光學(xué)影像、實(shí)測(cè)地表樣地?cái)?shù)據(jù)［9-11］。常用遙感反演方法分別是輻射傳輸模型法和統(tǒng)計(jì)模型法，前者模型結(jié)構(gòu)復(fù)雜、所需要的參數(shù)多并且大都難以準(zhǔn)確獲取，進(jìn)而影響到森林郁閉度的提取精度；對(duì)于后者而言，較為成熟的方法包括回歸模型、以植被指數(shù)為基礎(chǔ)的混合像元分解法。

為了實(shí)現(xiàn)對(duì)森林區(qū)域的基于高分辨率遙感圖像的郁閉度反演，本研究采用小塊區(qū)域精度較高的回歸模型法進(jìn)行試驗(yàn)，并比較不同回歸模型的反演效果，再對(duì)其進(jìn)行分析評(píng)估。

1 研究區(qū)概況及數(shù)據(jù)介紹

1.1 研究區(qū)概況

灤平縣地屬河北省承德市，植被覆蓋率高。本文選取的研究區(qū)域?yàn)闉雌娇h南部地區(qū)兩鎮(zhèn)，包括巴克什營鎮(zhèn)和長山峪鎮(zhèn)。全縣有58%的森林覆蓋率。其中，南部的巴克什營和長山峪鎮(zhèn)的林地占全縣植被的一大部分，經(jīng)緯度范圍為：117°3′E～117°28′E，40°35′N～40°55′N。 研究區(qū)域的地理位置及其真彩色圖像如圖1所示。

圖1 研究區(qū)域地理位置圖Fig.1 Study of regional geographic location maps

1.2 數(shù)據(jù)介紹

GF-1是國內(nèi)首個(gè)對(duì)地進(jìn)行高分辨率觀測(cè)的衛(wèi)星，主要優(yōu)勢(shì)是綜合使用了分辨率較高的光學(xué)遙感、多載荷圖像融合拼接等先進(jìn)技術(shù)。本實(shí)驗(yàn)采用GF-1中PMS傳感器數(shù)據(jù)。4個(gè)可見光近紅外波段和1個(gè)全色波段。結(jié)合實(shí)測(cè)采樣日期，本研究采用2018年9月16日的數(shù)據(jù)，該數(shù)據(jù)云量少，質(zhì)量較高。

SRTM提供了比較完整的高分辨率DEM。本研究運(yùn)用的主要數(shù)據(jù)是SRTM DEM數(shù)據(jù)，90 m空間分辨率。將DEM數(shù)據(jù)采用克里金法空間插值到2 m，采用ARCGIS軟件對(duì)其進(jìn)行計(jì)算，得到坡度和坡向。然后將其與可見光近紅外數(shù)據(jù)進(jìn)行幾何配準(zhǔn)。

外業(yè)森林郁閉度數(shù)據(jù)于2018年9月河北省承德市灤平縣南部兩鎮(zhèn)實(shí)測(cè)得到，數(shù)據(jù)表格包括經(jīng)緯度、郁閉度等。本次實(shí)驗(yàn)采用照片法估測(cè)研究區(qū)域的郁閉度，大約每隔1 Km采樣一個(gè)點(diǎn)，最終采樣308個(gè)點(diǎn)的郁閉度數(shù)據(jù)。

2 數(shù)據(jù)處理

2.1 GF-1 數(shù)據(jù)預(yù)處理

本實(shí)驗(yàn)采用ENVI軟件相關(guān)功能對(duì)多波段和全色波段數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正和正射校正，消除傳感器和地形因素等引起的幾何誤差。圖像的預(yù)處理結(jié)果如圖2所示。

圖2 研究區(qū)多波段數(shù)據(jù)預(yù)處理結(jié)果Fig.2 Preprocessing results of multi-band data in the study area

2.2 圖像融合

為了得到精度更高的多波段圖像，考慮將8 m的多波段和2 m的全色波段進(jìn)行圖像融合，采用常見的圖像融合算法進(jìn)行試驗(yàn)［12］。本研究對(duì)比了4種融合算法的結(jié)果，即：PC融合、Brovey融合、NNDiffuse Pan Sharpening融合和Gram-Schmidt融合。相比之下NNDiffuse Pan Sharpening融合結(jié)果色彩精確，紋理清晰。不同算法的融合效果如圖3所示。

圖3 不同算法圖像融合結(jié)果Fig.3 Image fusion results of different algorithms

灰度值均值能夠體現(xiàn)人眼視覺觀察到的圖像平均亮度；標(biāo)準(zhǔn)差能夠體現(xiàn)這一數(shù)值的離散情況。本文主要選取均值、方差和均方根誤差來評(píng)價(jià)。選取植被敏感的綠波段進(jìn)行定量評(píng)價(jià)，見表1。

表1 不同融合算法評(píng)價(jià)指標(biāo)對(duì)比Tab.1 Comparison of evaluation indicators of different fusion algorithms

結(jié)合目視和定量評(píng)價(jià)結(jié)果，本文選取NNDiffuse Pan Sharpening融合處理數(shù)據(jù)并進(jìn)行接下來的研究。

2.3 監(jiān)督分類提取林分信息

對(duì)于融合后的圖像，采用灤平縣南部地區(qū)巴克什營和長山峪兩鎮(zhèn)矢量邊界對(duì)其進(jìn)行裁剪，然后采用隨機(jī)森林監(jiān)督分類方法提取植被。使用ENVI軟件對(duì)待研究區(qū)進(jìn)行分類，將研究區(qū)分為水體（藍(lán)）、植被（綠）、不透水面（紅）、裸土（黃），主要提取植被區(qū)域進(jìn)行森林郁閉度估算。分類結(jié)果如圖4所示。

圖4 隨機(jī)森林監(jiān)督分類結(jié)果Fig.4 Random forest supervised classification results

2.4 影響因子計(jì)算

2.4.1 植被指數(shù)

由于GF-1數(shù)據(jù)波段有限，本研究采用常見的4種植被指數(shù)，即NDVI、DVI、RVI和SAVI進(jìn)行分析。上述植被指數(shù)的計(jì)算公式如下：

其中，b3和b4分別是GF-1數(shù)據(jù)的第3、4波段反射率，即紅波段和近紅外波段，L為調(diào)節(jié)系數(shù)，本研究取L＝0.5。不同的植被指數(shù)計(jì)算結(jié)果如圖5所示。

圖5 植被指數(shù)計(jì)算結(jié)果Fig.5 Calculation results of vegetation index

2.4.2 纓帽變換因子

纓帽變換（K-T變換）是一種經(jīng)驗(yàn)線性正交變換，本研究采用亮度、綠度、黃度三個(gè)分量參與分析， 其計(jì)算結(jié)果如圖6所示。

圖6 纓帽變換分量計(jì)算結(jié)果Fig.6 Computational results of transformation components of reel cap

2.4.3 地形因子

高坡處的地面回波會(huì)與部分林分冠層回波雜糅，并且海拔也會(huì)影響植被的生長狀態(tài)，諸如此類地形因子均會(huì)影響森林郁閉度的計(jì)算［13］。根據(jù)已有的DEM數(shù)據(jù)，將高程、坡度和坡向作為影響因子納入回歸模型，地形因子計(jì)算結(jié)果如圖7所示。

圖7 地形因子計(jì)算結(jié)果Fig.7 Calculation results of topographic factors

3 森林郁閉度反演

根據(jù)上述計(jì)算的10個(gè)影響因子，加上原始數(shù)據(jù)的4個(gè)波段，通過相關(guān)分析從中找出存在顯著相關(guān)的因子，再運(yùn)用多種回歸方法，分析獲得郁閉度與各因子之間回歸關(guān)系，并建模。

由于本研究采用的回歸算法涉及傳統(tǒng)的最小二乘回歸和基于機(jī)器學(xué)習(xí)的回歸，對(duì)于測(cè)試集和訓(xùn)練集的劃分，需要統(tǒng)一的標(biāo)準(zhǔn)。本文采用傳統(tǒng)的劃分方法，即70%的樣本用于訓(xùn)練集，30%的樣本用于測(cè)試集。采用python的sklearn進(jìn)行樣本劃分，最終得到215個(gè)樣本用作訓(xùn)練集，83個(gè)樣本用于驗(yàn)證。

3.1 自變量的選擇

自變量是建立回歸模型的基礎(chǔ)。通常來講，篩選剔除的變量主要有3種，對(duì)此分述如下。

（1）能夠被其它變量代替的變量，如果都被導(dǎo)入模型，會(huì)導(dǎo)致回歸反演過于復(fù)雜，卻不能顯著提高精度水平。

（2）變量和因變量的相關(guān)性不高，甚至完全沒有相關(guān)性，此類變量對(duì)于建模分析沒有任何證明影響，還會(huì)導(dǎo)致運(yùn)算工作量的增加。

（3）整體樣本因變量和自變量都沒有顯著相關(guān)性，部分規(guī)律較強(qiáng)的自變量出現(xiàn)的規(guī)律模型將主導(dǎo)建模結(jié)果，甚至導(dǎo)致固有規(guī)律直接影響模型。

3.2 回歸建模

3.2.1 多元逐步回歸

在利用SPSS進(jìn)行多元逐步回歸中，參數(shù)設(shè)置包括置信水平為 95%，使用f的概率，進(jìn)入為 0.05，刪除為0.1，對(duì)基于14種遙感因子共同引入模型進(jìn)行自變量選擇，最終選擇了2種自變量參與模型構(gòu)建，得到最優(yōu)模型。可將其解析為如下數(shù)學(xué)公式：

由式（5）可知，逐步回歸后留下來的自變量只SAVI和b3兩個(gè)，自變量數(shù)量較少。

3.2.2 隨機(jī)森林回歸

此方法的過程如下：

Step1進(jìn)行bootstrap抽樣從訓(xùn)練原始集內(nèi)選出樣本集（內(nèi)有樣本k個(gè)），各樣本集的樣本容量都和訓(xùn)練原始集相同。

Step2對(duì)樣本集（k個(gè)）構(gòu)建各自的決策樹模型（k個(gè)），同時(shí)根據(jù)各樹模型預(yù)測(cè)記錄，得到預(yù)測(cè)值（k組）。

Step3對(duì)所得全部預(yù)測(cè)值求均值，得到預(yù)測(cè)最終結(jié)果［14］。

3.2.3 Cubist回歸

此方法通?？捎糜谶B續(xù)值預(yù)測(cè)問題中。模型樹代表的是某個(gè)分段線性函數(shù)，模型樹內(nèi)部各節(jié)點(diǎn)測(cè)定某些自變量，各葉節(jié)點(diǎn)將分析得到模型，并且所有模型均為以前期測(cè)試節(jié)點(diǎn)所得為自變量［15］。此過程主要通過遞歸處理得到模型樹，起點(diǎn)是全部完整訓(xùn)練樣本集。在各層都需要選取辨別度最高的自變量為子樹根，抵達(dá)此處樣本都需要結(jié)合其自變量數(shù)值大小，被進(jìn)一步劃分為多個(gè)子集。分割節(jié)點(diǎn)的標(biāo)準(zhǔn)在于能夠促使樣本標(biāo)準(zhǔn)差下降，同時(shí)不影響平方誤差。主要運(yùn)用Variance、也就是誘導(dǎo)來實(shí)現(xiàn)啟發(fā)，葉節(jié)點(diǎn)內(nèi)都必須有常數(shù)填充建立模型。

3.3 結(jié)果討論

3.3.1 模型評(píng)價(jià)

本研究采用決定系數(shù)R2、估計(jì)值的標(biāo)準(zhǔn)差SEE、總相對(duì)誤差TRE和平均系統(tǒng)誤差MSE進(jìn)行模型評(píng)價(jià)。研究中將用到的數(shù)學(xué)公式可表示如下：

其中，yi和分別是樣地i的郁閉度實(shí)測(cè)值和預(yù)測(cè)值；是所有實(shí)測(cè)值的平均數(shù)；p為模型參數(shù)個(gè)數(shù)；n為樣本數(shù)量。

3.3.2 結(jié)果分析

將剩余的驗(yàn)證樣本數(shù)據(jù)（83個(gè)）導(dǎo)入3種估算分析模型，估測(cè)郁閉度結(jié)果，并評(píng)價(jià)結(jié)果的精度水平。

表2 回歸模型的比較Tab.2 Comparison of regression models

由表2可見，3種模型對(duì)郁閉度的反演精度驗(yàn)證結(jié)果，綜合建模精度來看，從多元逐步回歸（MSR）模型、隨機(jī)森林（RF）模型到 Cubist模型精度中，Cubist模型比較穩(wěn)定，精度最高，為該研究區(qū)域郁閉度反演的最優(yōu)模型，其預(yù)測(cè)能力最強(qiáng)，反演效果最好，模型驗(yàn)證精度R2＝0.824，SEE＝0.256 ，TRE（%）＝2.98，MSE（%）＝3.07， 相對(duì)比較穩(wěn)定。不過，不同模型進(jìn)行分析統(tǒng)計(jì)所得指標(biāo)之間對(duì)比并沒有發(fā)現(xiàn)特別明顯的差異。從4項(xiàng)指標(biāo)分析，隨機(jī)森林回歸略遜于Cubist回歸。

在森調(diào)尤其是遙感分析研究森林資源過程中，建模預(yù)估郁閉度是非常重要的工作步驟。因?yàn)檫b感數(shù)據(jù)多而且非常復(fù)雜，所以無法明確獲知可能對(duì)預(yù)測(cè)結(jié)果造成關(guān)鍵影響的變量集合，如果選取太多變量又必然會(huì)對(duì)建模計(jì)算帶來困難，不但會(huì)導(dǎo)致模型不夠穩(wěn)定，還可能導(dǎo)致模型無法用于實(shí)際。故而，研究選擇出最佳模型是對(duì)郁閉度進(jìn)行精準(zhǔn)預(yù)測(cè)的核心所在。

3.4 制圖輸出

對(duì)于以上不同模型的精度評(píng)價(jià)和結(jié)果討論，本研究采用精度最高的Cubist回歸模型反演的森林郁閉度結(jié)果進(jìn)行制圖輸出，如圖8所示。

圖8 2018年研究區(qū)域森林郁閉度分布圖Fig.8 Distribution map of forest canopy density in the study area in 2018

從圖8中可以看出，在不透水面和水體周圍，森林郁閉度很低；東、西部有較大高程的山區(qū)內(nèi)這一指標(biāo)數(shù)值較大，這一現(xiàn)象與實(shí)際情況相符。

4 結(jié)束語

與傳統(tǒng)郁閉度測(cè)定方法相比，利用遙感估算模型能夠更有效、更準(zhǔn)確地獲取大范圍或區(qū)域的森林郁閉度，有利于降低森林資源調(diào)查成本，并提高管理工作水平。森林郁閉度的遙感估算精度與模型的好壞有關(guān)，同時(shí)也與參與建模反演的影響因子密不可分。此處將給出研究結(jié)論，具體闡述如下。

（1）以河北省灤平縣南部兩鎮(zhèn)為研究區(qū)域，采用高分一號(hào)（GF-1）遙感數(shù)據(jù)融合SRTM DEM數(shù)據(jù)，并整合實(shí)測(cè)數(shù)據(jù)，對(duì)該地區(qū)的森林郁閉度進(jìn)行反演，取得了較好的效果。

（2）采用4種常用的融合算法，包括PC融合、Brovey融合、NNDiffuse Pan Sharpening融合和Gram-Schmidt融合，對(duì)預(yù)處理之后的多波段和全色波段進(jìn)行融合，從目視和定量兩個(gè)角度比較不同方法的融合效果，結(jié)果表明NNDiffuse Pan Sharpening融合效果最好。

（3）采用3種統(tǒng)計(jì)回歸模型對(duì)森林郁閉度進(jìn)行估算，包括：逐步回歸、隨機(jī)森林回歸和Cubist回歸。結(jié)果表明，基于機(jī)器學(xué)習(xí)的隨機(jī)森林和Cubist算法結(jié)果要優(yōu)于傳統(tǒng)的回歸算法，各項(xiàng)評(píng)價(jià)指標(biāo)總體顯示Cubist回歸算法在該研究區(qū)的擬合效果最好。

（4）最終的反演制圖結(jié)果表明基于Cubist算法的郁閉度遙感反演整體精度較高，但也存在低值高估和高值低估的現(xiàn)象。