運(yùn)用遙感影像對暖溫帶-亞熱帶過渡地區(qū)森林蓄積量反演1)

郝瀧 朱風(fēng)順 張仁杰 張挺

(安徽農(nóng)業(yè)大學(xué)，合肥，230036)

小隴山地處暖溫帶—亞熱帶過渡地區(qū)，森林覆蓋率高[1-3]，不僅是甘肅省陜西省的重要生態(tài)屏障，也對我國西北地區(qū)的生態(tài)平衡具有重要的作用。森林是地球上最大的生態(tài)系統(tǒng)，在維護(hù)生態(tài)平衡的同時(shí)，也為經(jīng)濟(jì)社會(huì)的發(fā)展提供了保障[4]。森林蓄積量作為監(jiān)測和評價(jià)森林生長狀況的一個(gè)重要指標(biāo)，同時(shí)也是森林生物量及森林固碳能力的重要評價(jià)指標(biāo)[5-7]。我國定期進(jìn)行的森林資源調(diào)查的目的，是為了解森林資源的現(xiàn)狀及變化和科學(xué)合理的利用森林資源提供基礎(chǔ)數(shù)據(jù)[8-9]。但是對森林資源調(diào)查，不僅持續(xù)的周期較長，需要花費(fèi)大量的人力和物力，而且無法實(shí)現(xiàn)對森林資源利用情況的動(dòng)態(tài)調(diào)查。隨著現(xiàn)代遙感技術(shù)的發(fā)展，為大范圍動(dòng)態(tài)監(jiān)測森林的生長狀況提供了技術(shù)手段。

目前，國內(nèi)已有諸多森林蓄積量遙感定量估測的研究，焦桐等[10]綜述了森林林下植被的遙感反演研究進(jìn)展和今后使用遙感技術(shù)反演的難點(diǎn)。鄭剛等[11]詳細(xì)介紹了KNN法森林蓄積量估計(jì)，提出在低緯度地區(qū)利用KNN法對森林蓄積量遙感反演進(jìn)行系統(tǒng)研究的建議。涂云燕等[12]以SPOT5影像各波段、海拔、坡度及郁閉度為自變量，從模型擬合效果、樣本配對系數(shù)、模型適用性層面，對主成分回歸、偏最小二乘回歸、逐步回歸模型進(jìn)行了比較，驗(yàn)證了逐步回歸模型估測森林蓄積量效果最佳。徐婷等[13]利用遙感技術(shù)對山地林場的生物量進(jìn)行反演，取得了滿意結(jié)果。傳統(tǒng)的森林蓄積量遙感反演模型更多聚焦在原始的多光譜波段及植被指數(shù)，本研究運(yùn)用不同的遙感因子結(jié)合地面實(shí)測數(shù)據(jù)建立多個(gè)森林蓄積量的反演模型，通過比較和模型精度檢驗(yàn)，進(jìn)而獲得蓄積量反演的最優(yōu)模型，為實(shí)現(xiàn)森林資源的動(dòng)態(tài)監(jiān)測與調(diào)控提供技術(shù)支持。

1 研究區(qū)概況

小隴山位于甘肅省東南部秦嶺西段，屬天水市，緯度為29°21′～30°15′N，經(jīng)度為93°27′～95°17′E，地形以山地為主，區(qū)域地勢起伏較大；該區(qū)年平均氣溫10 ℃左右，最高氣溫39.2 ℃，最低-23.2 ℃；年降水量460～900 mm，年蒸發(fā)量989～1 658 mm；土壤類型以黃褐土和灰褐土為主，土壤pH值6.5～7.5；該區(qū)森林資源豐富，有木本植物824種，喬木樹種312種、草本植物1 687種、灌木512種[14]。

2 研究方法

2.1 遙感影像預(yù)處理

Landsat OLI遙感影像獲取日期為2018年5月17日。對所選用的遙感影像數(shù)據(jù)進(jìn)行提取和相關(guān)分析之前，對覆蓋小隴山地區(qū)的影像數(shù)據(jù)進(jìn)行預(yù)處理：利用遙感影像處理軟件ENVI5.3，影像畸變、影像圖幅重合等引起的誤差進(jìn)行幾何校正，對大氣散射、反射、吸收引起的誤差進(jìn)行大氣校正，對因地形起伏和傳感器誤差產(chǎn)生的像點(diǎn)位移進(jìn)行正射校正[15]。根據(jù)研究內(nèi)容的需要，對原始圖像進(jìn)行裁剪，最終得到百花林場影像如圖1所示，本研究的技術(shù)路線如圖2所示。

2.2 樣地調(diào)查數(shù)據(jù)的篩選

本研究所采用的樣地?cái)?shù)據(jù)獲取日期為2015年6月，主要涉及的樣地調(diào)查信息包括森林種類、優(yōu)勢樹種、樹高、海拔等因子，樣地?cái)?shù)據(jù)用于對森林資源二類調(diào)查數(shù)據(jù)的驗(yàn)證。但考慮到在實(shí)際樣地調(diào)查過程可及度及地形的影響，外業(yè)調(diào)查樣地?zé)o法廣泛而均勻的分布，因此，結(jié)合當(dāng)?shù)氐纳仲Y源二類調(diào)查數(shù)據(jù)，以獲取森林蓄積量等相關(guān)信息。利用二倍標(biāo)準(zhǔn)差的分析方法剔除數(shù)據(jù)中的異常點(diǎn)，將森林資源二類調(diào)查數(shù)據(jù)導(dǎo)入SPSS統(tǒng)計(jì)軟件，對其進(jìn)行篩選，將蓄積量實(shí)測值大于2倍的誤差樣本數(shù)據(jù)進(jìn)行剔除，從二類調(diào)查數(shù)據(jù)中共得到157組數(shù)據(jù)，并在ArcMap中得到這157組二調(diào)數(shù)據(jù)的矢量點(diǎn)文件。隨機(jī)抽取120組用于模型的建立，剩下的37組用于模型評價(jià)。

2.3 多元回歸模型的自變量的選擇

Landsat OLI多光譜波段值提?。哼x取Landsat OLI遙感影像數(shù)據(jù)的B1～B7波段(見表1)，分別提取這7個(gè)波段的反射率，將它們作為光譜波段自變量；計(jì)算比值植被指數(shù)(IRV)、差值植被指數(shù)(IDV)、增強(qiáng)植被指數(shù)(IEV)、歸一化植被指數(shù)(INDV)和優(yōu)化土壤植被指數(shù)(IOSAV)等5種植被指數(shù)，將它們作為植被指數(shù)自變量；受制于Landsat OLI影像分辨率為30 m，在考慮各個(gè)原始波段對森林蓄積量反演的影響之外，為充分挖掘遙感影像所包含的信息，突出研究區(qū)內(nèi)的植被信息并減弱林區(qū)地形條件等的影響，本研究通過設(shè)置波段比值，輔助森林蓄積量的反演。根據(jù)各個(gè)波段的應(yīng)用特征，可知B2、B3、B4、B7對于區(qū)分植被有較好的反映，因此，為了增強(qiáng)研究區(qū)遙感影像中植被信息特征，計(jì)算B2/B1、B2/B5、B3/B5、B3/B7、B4/B5、B4/B7、B5/B2、B5/B3等8個(gè)基于原始多光譜波段的波段比值。

表1 Landsat OLI的部分光譜波段及主要應(yīng)用

Landsat OLI遙感影像的紋理特征提?。憾喙庾V影像包含了影像對應(yīng)地物的豐富色彩信息，而遙感影像的紋理信息則反映了影像所蘊(yùn)含的結(jié)構(gòu)特點(diǎn)，對不同地物相關(guān)信息的表達(dá)具有重要的作用?；诨叶裙采仃嚨脑?，利用遙感圖像處理平臺(tái)提取包括反差(C)、相關(guān)性(Co)、相異性(D)、熵(E)、同質(zhì)性(Ho)、均值(Me)二階矩(SM)、方差(V)等8種不同的紋理特征。選用遙感影像Landsat OLI的7個(gè)多光譜波段，經(jīng)過共生矩陣的計(jì)算得到56個(gè)紋理影像，計(jì)算紋理特征時(shí)選取的灰度級為64，窗口大小為3×3、5×5和7×7。將根據(jù)3種不同窗口大小提取得到8種紋理特征為自變量，以森林蓄積量為因變量進(jìn)行初步回歸分析，根據(jù)給出的決定系數(shù)判定3×3窗口為提取森林蓄積量的最佳窗口大小。

構(gòu)建森林蓄積量反演模型涉及到的自變量參數(shù)如表2所示。

2.4 森林蓄積量反演模型的精度評價(jià)

表2 自變量計(jì)算信息表

3 結(jié)果與分析

3.1 模型構(gòu)建

在構(gòu)建模型之前，對于所選取的眾多自變量，利用R語言進(jìn)行顯著性檢驗(yàn)，剔除一部分與蓄積量不顯著相關(guān)的變量。首先計(jì)算各自變量與蓄積量的相關(guān)系數(shù)表，進(jìn)一步得到相關(guān)系數(shù)檢驗(yàn)的p值表，p值小于0.05，則說明相關(guān)性顯著。在單波段自變量中，剔除了自變量B4；在植被指數(shù)自變量中，剔除了自變量IEV、INDV、IOSAV；在波段運(yùn)算自變量中，剔除了自變量B2/B5、B3/B7和B5/B2；在紋理特征自變量中，保留了自變量B1Me、B2Me、B3Ho、B3V、B4V、B5Me、B7Me。

對篩選后的自變量，借助SPSS統(tǒng)計(jì)分析軟件，采用多元逐步回歸的方法[17-18]建立模型：Y=a0+a1X1+a2X2+…+aiXi+ε。式中，Y是森林的蓄積量，Xi是自變量因子，a0為常數(shù)，ai為系數(shù)，ε為隨機(jī)誤差，i=1、2、…、n。首先將光譜波段因子、植被指數(shù)因子、波段運(yùn)算因子、紋理特征因子分別與地形特征聯(lián)合，進(jìn)行逐步回歸分析建模，然后將所有的因子聯(lián)合共同建模，然后對所建立模型進(jìn)行精度檢驗(yàn)。

光譜波段回歸模型：利用SPSS統(tǒng)計(jì)軟件對6個(gè)單波段數(shù)據(jù)(B1、B2、B3、B5、B6、B7)聯(lián)合地形特征(海拔)，進(jìn)行逐步回歸建模，選取出B1、B2、B3、B5、B6、B7、海拔(H)等7個(gè)自變量參與森林蓄積量反演模型的建立?；貧w模型為：Y1=-69.882+0.015H-0.001B5+0.003B6-0.001B3-0.002B7+0.036B1-0.033B2。

植被指數(shù)回歸模型：將參選的植被指數(shù)(IRV、IDV)和地形特征一起進(jìn)行逐步回歸分析，剔除與森林蓄積量的相關(guān)性不高的指數(shù)(IDV)，將比值植被指數(shù)(IRV)和海拔(H)作為建模的自變量，回歸模型為：Y2=-9.522+0.007H+10.299IRV。

波段運(yùn)算回歸模型：將計(jì)算的波段比值(B2/B1、B3/B5、B4/B5、B4/B7、B5/B3)與地形特征(H)進(jìn)行多元逐步回歸分析，最后得到參與建模的自變量為海拔(H)、B2/B1和B4/B5。波段運(yùn)算和地形特征的回歸模型方程為：Y3=87.805+0.009H-108.578×(B2/B1)+4.801×(B4/B5)。

紋理特征回歸模型：將B1Me、B2Me、B3Ho、B3V、B4V、B5Me、B7Me聯(lián)合地形特征海拔進(jìn)行多元逐步回歸分析，構(gòu)建森林蓄積量反演模型。最后保留了海拔(H)、B3的同質(zhì)性(B3Ho)、B3的方差(B3V)、B7的均值(B7Me)、B5的均值(B5Me)等5個(gè)自變量參與建模，回歸模型為：Y4=-0.131+0.006H+2.425B3Ho-0.487B3V+0.204B7Me-0.180B5Me。

光譜波段、波段運(yùn)算和紋理特征的綜合回歸模型：將與蓄積量顯著相關(guān)的全部變量導(dǎo)入到SPSS軟件中，進(jìn)行多元逐步回歸分析，剔除了所有的植被指數(shù)因子，保留了地形特征因子(海拔(H))、3個(gè)紋理特征因子(B3Ho、B3V、B5Me)、1個(gè)波段運(yùn)算因子(B4/B7)和1個(gè)光譜波段因子(B6)參與建模，回歸模型為：Y5=42.788+0.005H-0.001B6-31.407×(B4/B7)+3.231B3Ho-0.377B3V-0.157B5Me。

3.2 不同森林蓄積量反演模型的估算結(jié)果

用驗(yàn)證樣本分別對5個(gè)模型進(jìn)行檢測，以蓄積量實(shí)測值為橫坐標(biāo)，估測值為縱坐標(biāo)，繪制蓄積量實(shí)測值與估測值的散點(diǎn)圖(見圖3)。

3.3 不同森林蓄積量反演模型精度比較

由表3可知，基于光譜波段、波段運(yùn)算和紋理特征的蓄積量反演模型的精度達(dá)到了80.74%?；诠庾V波段的蓄積量反演模型精度較低，精度僅為71.98%。觀察基于光譜波段、植被指數(shù)、波段運(yùn)算、紋理特征的森林蓄積量反演模型，發(fā)現(xiàn)它們的精度比結(jié)合不同特征多參數(shù)的森林蓄積量反演模型的精度分別低8.76%、5.64%、5.03%、2.39%。對比5個(gè)反演模型可以發(fā)現(xiàn)隨著紋理特征和光譜特征的引入，多特征相結(jié)合的蓄積量反演模型的精度得到了相應(yīng)的提升，說明多特征參數(shù)的引入對森林蓄積量反演模型的精度有正面影響。

表3 不同蓄積量反演模型的精度比較

4 結(jié)論與討論

本研究依據(jù)光譜特征、植被指數(shù)、波段運(yùn)算特征、紋理特征和地形因子，建立了基于不同特征參數(shù)的5個(gè)蓄積量估算模型，并對5個(gè)模型的精度進(jìn)行評價(jià)，得到森林蓄積量的最優(yōu)估算模型為基于光譜波段、波段運(yùn)算和紋理特征的蓄積量反演的綜合模型，方程精度為80.74%。

基于Landsat OLI影像對甘肅百花林場的森林蓄積估算模型進(jìn)行構(gòu)建，以遙感影像的光譜特征和影像紋理特征為主要變化參考因子，驗(yàn)證中低分辨率遙感影像的紋理特征，是否能夠有效改善森林蓄積量的反演精度，結(jié)果證明隨著紋理特征的引入，研究區(qū)的森林蓄積量估算精度顯著提升。

在構(gòu)建森林蓄積量反演模型時(shí)，選用多元逐步回歸法建立森林蓄積量反演模型，有效減少了人為因素對模型構(gòu)建的影響，入選的參數(shù)都是對蓄積量反演有較大貢獻(xiàn)的自變量。本研究所構(gòu)建的模型只有多元回歸的線性模型，因此，在以后研究中，可以考慮非線性模型對蓄積量反演的影響。

觀察基于紋理特征的蓄積量反演模型和結(jié)合不同特征多參數(shù)的森林蓄積量反演模型，可以發(fā)現(xiàn)同質(zhì)性、方差和均值等紋理特征與森林蓄積量的相關(guān)性較高。隨著紋理特征的引入，森林蓄積量的反演精度有一定的提高，但提升效率不是特別明顯。主要原因是選用的Landsat OLI影像的空間分辨率較低，在一定程度上抑制遙感影像對森林紋理特征的表達(dá)。

小隴山百花林場地處暖溫帶—亞熱帶過渡地區(qū)，該模型對于其他地區(qū)的普適性可能會(huì)有一定的局限性，但研究結(jié)果證明，基于光譜波段、波段運(yùn)算和紋理特征建立蓄積量反演模型具有可靠性和可行性。因此，耦合多源特征數(shù)據(jù)能有效的提高森林蓄積量反演模型的精度，可為林業(yè)部門和相關(guān)森林資源監(jiān)測提供技術(shù)支持。