基于GF-1影像的普達措國家公園森林地上生物量遙感估算

周俊宏，王子芝，廖聲熙※，吳文君，李 立，劉文斗

（1. 中國林業(yè)科學研究院資源昆蟲研究所，昆明 650224；2. 南京林業(yè)大學，南京 210037；3. 國家林業(yè)和草原局香格里拉草地生態(tài)系統(tǒng)國家定位觀測研究站，迪慶 674499）

0 引 言

森林是地球上最大的碳庫，最為復雜的陸地生態(tài)系統(tǒng)，維持著生態(tài)環(huán)境平衡，為人類提供了至關重要的資源和服務[1]。森林地上生物量（Aboveground Biomass，AGB）可以反映森林生態(tài)系統(tǒng)質量，常作為森林長勢和生產力估測的重要指標，在全球碳循環(huán)中扮演重要角色[2]。準確估算森林AGB及其分布對碳循環(huán)研究具有重要作用。目前，森林生物量估算方法主要包括傳統(tǒng)測量法和遙感監(jiān)測法，其中遙感技術具有快速、準確和無破壞地進行大面積監(jiān)測等優(yōu)點，成為森林AGB研究的主要技術手段。許多學者研究證明森林生物量與遙感因子之間存在著復雜的非線性關系[3-4]。潘磊等[5]通過Sentinel影像構建多元線性逐步回歸模型估算了林場杉木林地上生物量。曾晶等[6]利用GF-1遙感影像提取波段信息和植被指數，結合實測數據估算嶗山林場森林地上生物量。此外，高空間分辨率遙感數據豐富的紋理和空間拓撲信息，可有效提高生物量的估算精度。黃金龍等[7]基于伊科諾斯（IKONOS）遙感影像提取的樹冠信息構建紫金山針、闊葉林的生物量估算模型，決定系數均達到0.5以上；Zhang等[8]在估算生物量時考慮GF-1光譜、紋理信息，其估算精度提高了53.54%；蒙詩櫟等[9]利用WorldView-2遙感影像構建的植被指數和紋理信息生物量估算模型，決定系數提高到0.85。這些研究表明高分辨率影像在森林生物量估算中具有一定潛力和優(yōu)勢，但僅針對較小的研究區(qū)域，而且構建多因子森林生物量估算模型的研究較少，同時，遙感衛(wèi)星數據估算森林生物量還存在著不同區(qū)域估算模型可轉移性弱的問題[10]。

普達措國家公園于2006年成立，是中國第一個國家公園，位于青藏高原東南緣滇西北“三江并流”世界自然遺產中心地帶，生物多樣性極其豐富，對國家重點生態(tài)功能區(qū)的生態(tài)環(huán)境保護和利用有著舉足輕重的作用[11]。在全球氣候變化加劇背景下，研究森林生物量與生態(tài)環(huán)境的關系成為重點和熱點問題[1,12]。目前，學者主要對香格里拉地區(qū)云、冷杉、高山松等[13-14]優(yōu)勢樹種和納帕海高原濕地植被[15-16]生物量進行了大量研究，更多使用傳統(tǒng)地面調查方法和中低分辨率遙感數據，而且缺乏對該區(qū)代表性森林植被群落生物量的遙感監(jiān)測和分布研究。隨著高分辨率遙感衛(wèi)星數據的廣泛應用，其在生物量估算研究的優(yōu)勢逐步顯現，國產高分一號（GF-1）遙感數據空間分辨率最高可達2 m[17]，有望解決亞高山天然林森林生物量遙感估算精度較低的問題。

綜上，本研究以普達措國家公園為研究區(qū)，結合GF-1遙感數據與數字高程數據，通過提取多個表征森林生物量的建模因子，采用多元線性逐步回歸（Multiple Linear Step Regression，MLSR）模型、支持向量機（Support Vector Machine，SVM）模型、BP神經網絡（Back Propagation Neural Network，BPNN）模型和隨機森林（Random Forest，RF）模型估算森林地上生物量，比較各模型估算生物量的精度，分析普達措國家公園森林生物量空間分布特征。研究結果將為普達措國家公園森林資源的動態(tài)監(jiān)測、功能區(qū)劃和保護管理提供科學依據。

1 材料與方法

1.1 研究區(qū)概況

普達措國家公園隸屬云南省迪慶藏族自治州香格里拉 市（99°52′17″E～100°11′38″E，27°43′56″N～28°04′28″N），地處中國青藏高原與云貴高原過渡帶，位居橫斷山脈高山峽谷區(qū)北段，地質構造復雜，地勢東南高西北低，海拔跨度大，如圖1所示。屬高原季風氣候，太陽輻射強、氣溫低、干濕季分明、季節(jié)差異大，年均降水量606～700 mm，年均氣溫5.4 ℃。公園森林覆蓋率達84%，主要為云、冷杉林和硬葉常綠闊葉林，保存了發(fā)育良好的森林、濕地和草甸生態(tài)系統(tǒng)，是中國種子植物特有屬、種高度集中的中心地區(qū)之一[18]。

1.2 數據來源與預處理

1）遙感影像數據

本研究使用的遙感影像為2015年8月6日成像的2景GF-1全色多光譜（Panchromatic Multispectral Sensor，PMS）衛(wèi)星數據，下載自中國資源衛(wèi)星應用中心（http://www.cresda.com/CN/），影像質量良好，包括2 m全色和8 m多光譜，具有豐富的地表信息[17]。在ENVI 5.3遙感圖像處理軟件中對影像進行預處理，步驟如下：對GF-1 PMS影像進行輻射定標、大氣校正，以消除傳感器本身及大氣的影響，提高植被反射率的準確性[19]；經正射校正和幾何校正后，使用地形校正（topographic correction）擴展工具中引入半經驗系數的森林地形輻射校正模型實現地形校正，去除研究區(qū)地形的影響；最后對影像進行最鄰近擴散融合、拼接和裁剪處理[20]。

2）樣地數據

樣地調查數據采用迪慶州森林資源規(guī)劃設計調查數據，調查時間為2016年，普達措國家公園范圍內共計3 464個小班，其中森林有1 794個小班（表1），用于森林樣本生物量統(tǒng)計及生物量估算模型構建。根據林齡信息將普達措國家公園森林劃分為幼齡林、中齡林、近熟林、成熟林和過熟林。

表1 不同森林類型小班信息Table 1 Information on subcompartment of different forest types

3）數字高程數據

從美國地質勘探局（https://earthexplorer.usgs.gov/）下載研究區(qū)范圍的4景30 m航天飛機雷達地形測繪數字高程數據（Digital Elevation Model，DEM），用于上述GF-1影像地形校正及研究區(qū)海拔（m）、坡度（°）和坡向的數據提取。

1.3 生物量估算

1.3.1 樣本生物量計算

根據方精云等[21]研究，森林蓄積量與生物量之間呈一定的線性函數關系如式（1）所示

式中B為單位面積樣本生物量，t/hm2；V為單位面積樣本蓄積量，m3/hm2；a、b為對應森林類型系數[22]。本研究采用Wang等[22]推導的不同森林類型生物量與蓄積量轉換公式，計算研究區(qū)各森林類型的樣本生物量。

1.3.2 建模因子的選取

構建生物量估算模型，首先需考慮建模因子選取。本研究基于GF-1影像和DEM數據，提取波段信息、植被指數、紋理信息和地形因子特征變量。首先利用地理信息系統(tǒng)平臺ArcGIS 10.3提取出3個DEM地形因子、4個原始波段特征；并通過波段運算[23]得到28個波段比值和6個植被指數特征；同時采用灰度共生矩陣方法提取遙感影像3×3和9×9窗口大小[24]的64個紋理特征。最后，利用統(tǒng)計分析軟件R中的隨機森林算法評價這105個特征變量的重要性，根據節(jié)點純度（IncNodePurity）越高表示變量重要性越強原則[25]，選取前15個高節(jié)點純度特征變量為建模因子，并采用最大最小歸一化法消除各因子間的數量級差別，均轉換為無量綱數值。

1.3.3 模型構建與精度評價

根據建立的建模因子與樣本生物量數據集，在統(tǒng)計分析軟件R中分別構建多元線性逐步回歸、支持向量機、神經網絡和隨機森林經驗模型。

多元線性逐步回歸方法的建模方程如式（2）所示

式中y為樣本生物量，無量綱；xj為篩選所得各個建模因子，無量綱；aj為回歸系數；C為方程常數項。逐步回歸法確定進入回歸模型的建模因子時，需對建模因子進行共線性檢驗，并移除相應變量以去除各建模因子之間的共線性。

支持向量機、神經網絡和隨機森林均屬于非參數化方法[26-27]。支持向量機模型使用e1071程序包構建，經調試、精度驗證后，得出精度最高的函數Kernel和徑向基核函數的參數gamma，本研究分別調試為radial和0.05。通過neuralnet程序包構建神經網絡生物量估算模型，建模過程中主要調試隱含層數量hidden和訓練步長stepmax 2個參數，本研究分別調試為c(15，5)、10 000 000。隨機森林算法則采用randomForest程序包實現，影響該模型精度的參數為決策樹的數量ntree和特征個數mtry，本研究分別調試為3 000和5。

以上4種模型均采用十折交叉驗證[28]，將數據集隨機分成10份，依次將其中9份用于訓練建立估算模型，1份用于驗證。每個模型精度均由決定系數（coefficient of determination，R2）、均方根誤差（Root Mean Square Error，RMSE）和相對均方根誤差（Relative Root Mean Square Error，RRMSE，%）評價[23]，分別如式（3）～式（5）所示

1.4 普達措森林地上生物量空間分析

利用生物量估算模型與樣本數據反演區(qū)域森林生物量，是研究森林生物量空間格局的方法之一[7]。本研究以30 m×30 m為單位網格，基于GF-1 PMS影像提取用于模型構建的建模因子，再對比MLSR、SVM、BPNN和RF模型的精度效果，從中選擇最優(yōu)生物量估算模型進行普達措國家公園森林地上生物量反演，并制成生物量空間分布圖。同時，基于DEM高程數據，將海拔按500 m間隔劃分為5級：≤2 500 m、＞2 500～3 000 m、＞3 000～3 500 m、＞3 500～4 000 m、＞4 000 m；坡向則根據坡向值劃分為4類：陰坡（0～22.5，337.5～360）、半陰坡（22.5～112.5，292.5～337.5）、陽坡（157.5～202.5）、半陽坡（112.5～157.5，202.5～292.5）[29]，最后利用ArcGIS 10.3空間疊加與統(tǒng)計工具，分析不同海拔、坡向森林地上生物量的空間分布特征。

2 結果與分析

2.1 樣本生物量統(tǒng)計

研究區(qū)森林類型以云、冷杉、高山松、落葉松和櫟類居多，根據生物量與蓄積量轉換公式計算得到森林樣本生物量（圖2）。研究區(qū)樣本生物量為3.80～295.97 t/hm2，生物量高于100 t/hm2主要為過熟林和成熟林，分別占有林地面積54.75%和31.80%。由圖2可以看出樣本生物量集中在80～130 t/hm2，以成熟林為主，總體上普達措國家公園以熟齡林為主，境內天然林保育良好，生物量較高。

2.2 建模因子選取結果

為篩選生物量估算模型的建模因子，利用R軟件中隨機森林包的IncNodePurity對基于GF-1影像和DEM數據提取的105個特征變量與樣本生物量進行重要性分析，重要性越大，表明其在模型中起到的作用越大。選出15個高節(jié)點純度的特征變量（表2），包括8個波段特征、5個紋理特征和2個植被指數特征。重要性從大到小依次為9MEA2、9MEA3、3MEA2、3MEA3、R432、R412、I2、9MEA1、R324、G、R132、SAVI、NDVI、R和R12。其中，波段特征數量過半，可以看出GF-1影像波段信息對生物量估算影響較大，尤其是與植被生長密切相關的紅波段和近紅波段；紋理特征僅保留了均值紋理濾波，說明他對生物量估算有較高貢獻[8,30]，以9×9窗口紋理值的重要性最高；而植被指數特征中，僅SAVI和NDVI具有較高重要性。因此，將他們作為建模因子構建生物量估算模型，這與前人研究結果相似[30-32]。

2.3 生物量估算模型及精度驗證

利用建模因子與樣本生物量構建多元線性逐步回歸（Multiple Linear Step Regression，MLSR）模型、支持向量機（Support Vector Machine，SVM）模型、BP神經網絡（Back Propagation Neural Network，BPNN）模型和隨機森林（Random Forest，RF）模型，經回歸分析，發(fā)現優(yōu)化后的模型能更好模擬生物量與各因子之間的關系，有效提高了生物量的估算精度。其中MLSR模型表達式為

經十折交叉驗證，模型精度評價如圖3所示，非參數模型在描述生物量與因子關系時更具優(yōu)勢，3個非參數模型的估算精度（R2為0.49～0.77）均高于線性模型（R2為0.39）。根據RMSE和RRMSE值，RF模型的效果最好，分別為27.53 t/hm2、21.53%，其R2為0.77，比MLSR模型約高出1倍，有效提高了生物量的估算精度。對比4種算法，RF模型效果最優(yōu)，BPNN模型和SVM模型精度較為接近，效果次之，MLSR模型效果欠佳。4種模型在樣本生物量為50～150 t/hm2期間的估算效果最好，但出現的生物量高值區(qū)域部分估值偏低、低值區(qū)域部分估值偏高現象，導致RMSE偏大，可考慮按森林齡組分別估算生物量[33]以減小誤差。

表2 建模因子匯總Table 2 Summary of modeling factors

2.4 研究區(qū)森林地上生物量空間分布

普達措國家公園位于怒江、瀾滄江、金沙江三江并流區(qū)域，森林立地環(huán)境優(yōu)良，植被茂盛。通過模型精度效果對比，選擇綜合性能最優(yōu)的RF模型進行該區(qū)森林地上生物量遙感估算。得出研究區(qū)森林生物量總量為7 085 614 t，生物量在35～229 t/hm2，平均值為136.01 t/hm2。與岳彩榮[4]利用TM數據估算的香格里拉市主要森林平均生物量123.21 t/hm2相比，高于全市平均水平，表明普達措國家公園森林質量優(yōu)，成、過熟林較多，森林生物量較高，與上述統(tǒng)計的研究區(qū)森林樣本生物量情況基本一致。根據方精云等[21]研究結果，亞高山針葉林生物量平均值為135～140 t/hm2，常綠闊葉林和溫帶落葉闊葉林生物量平均值為70～90 t/hm2，針葉林生物量比闊葉林高出71.88%，普達措國家公園主要為亞高山暗針葉林和寒溫帶針葉林，包含部分常綠闊葉林和落葉闊葉林，因此森林生物量密度較大。

按自然間斷點分類法將RF模型估算的生物量劃分等級（表3），生成普達措國家公園生物量空間分布圖（圖 4）。由表3可知，較高生物量區(qū)森林面積占比最大，其次是中等生物量區(qū)，較高和中等生物量區(qū)域面積之和占研究區(qū)森林面積的67.1%，為普達措國家公園貢獻了70%生物量；整體分布與劉莉等[34]所得結果一致，估算結果合理。

表3 普達措國家公園森林不同分級生物量統(tǒng)計Table 3 Different classification statistics of forest biomass in the Potatso National Park

研究區(qū)內森林群落結構穩(wěn)定，保持著天然的植被生長環(huán)境。生物量≤64 t/hm2的林區(qū)主要分布于公園中部溝谷地區(qū)、北部及南部邊緣地區(qū)；生物量范圍在＞64～100 t/hm2的林區(qū)分布范圍廣，集中于公園中部；生物量范圍在＞100～135 t/hm2的林區(qū)廣布山區(qū)的中下部分；生物量范圍在＞135～171 t/hm2的林區(qū)分布面積大，主要集中于公園東南及北部；生物量＞171 t/hm2的林區(qū)面積較小，散落在公園北部。高生物量區(qū)域主要集中于交通不便、人為干擾活動少的北部和南部地區(qū)，保存有云南紅豆杉（Taxus yunnanensis）、云南榧樹（Torreya fargesiivar.yunnanensis）和油麥吊云杉（Picea brachytyla）等珍稀瀕危植物，被區(qū)劃為普達措國家公園嚴格保護區(qū)，森林植被類型有亞高山暗針葉林群落和寒溫帶針葉林群落，貢獻較高生物量；而低生物量區(qū)域被區(qū)劃為生態(tài)保育區(qū)和傳統(tǒng)利用區(qū)，主要分布在道路周圍和人類活動密集區(qū)域，植被類型有硬葉常綠闊葉林和山地溫帶落葉闊葉林?？傊?，普達措國家公園森林生物量密度大，具有較高的碳儲量和固碳潛力，在中國滇西北高原生物多樣性保護與水源涵養(yǎng)中占有重要地位，但其生態(tài)保育區(qū)及傳統(tǒng)利用區(qū)受人類活動影響使之森林生物量相對較低，應采取相關管控措施加強普達措國家公園的保護和管理。

地形是影響森林分布的重要因素，王曉莉等[29]研究發(fā)現地形因子對森林生物量空間格局有顯著影響。通過將普達措森林生物量與DEM數據進行疊加分析，得出不同坡向、海拔的生物量分布情況（圖5）。由圖5a可知，半陰坡森林總生物量大于陰坡、陽坡和半陽坡，但陰坡的平均生物量最高，為124.66 t/hm2；其次，半陰坡和半陽坡森林面積占比大，生物量高，為研究區(qū)森林生物量的主要分布區(qū)域。結果顯示，從坡向來看，陰坡、陽坡、半陰坡和半陽坡森林面積占比分別為13.01%、11.59%、38.91%和36.49%，其生物量均值在105.61～124.66 t/hm2之間。各坡向總生物量占比差異明顯：陰坡13.70%、陽坡10.37%、半陰坡40.95%、半陽坡34.98%。從平均生物量來看，陰坡、半陰坡較高，平均高出其他坡向20.48%，森林長勢更好，其余依次為半陽坡和陽坡。

由圖5b可知，海拔對普達措國家公園森林生物量空間格局影響更為顯著。研究區(qū)海拔范圍2 308～4 550 m，其中＞3 500～4 000 m區(qū)域面積最大，約占研究區(qū)森林總面積62%，≤2 500 m區(qū)域森林面積最小。結果顯示，隨著海拔升高，總體上生物量呈近似正態(tài)分布規(guī)律的空間分布特征，與前人研究結果相似[14]，≤2 500 m區(qū)域生物量僅占總生物量0.39%，而海拔＞3 000～4 000 m生物量占83.67%。平均生物量隨著海拔升高總體呈先增加后減小的趨勢，其中，＞3 500～4 000 m寒溫性針葉林和硬葉常綠闊葉林成熟林較多，平均生物量最高，為126.56 t/hm2；而≤2 500 m區(qū)域，由于人類生產活動，中幼林偏多，且植被長勢較差，平均生物量最低；其余大小順序依次為＞4 000 m、＞3 000～3 500 m、＞2 500～3 000 m。

3 結 論

基于國產高分一號（GF-1）全色多光譜（Panchromatic Multispectral Sensor，PMS）衛(wèi)星影像和數字高程數據，通過構建不同經驗模型對普達措國家公園進行森林地上生物量估算，在克服構建區(qū)域多特征因子高精度模型困難的同時填補了滇西北亞高山地區(qū)高分辨率森林資源信息。本研究主要有以下結論：

1）GF-1數據的紋理及波段信息能較好表達森林生物量，在估算生物量中具有明顯優(yōu)勢。本研究中，利用十折交叉驗證獲得模型評價結果：非參數模型決定系數（coefficient of determination，R2）為0.49～0.77，優(yōu)于線性模型（R2為0.39）；構建的隨機森林經驗模型在遙感估算森林地上生物量中具有重要潛力，R2為0.77，均方根誤差（Root Mean Square Error，RMSE）為27.53 t/hm2，相對均方根誤差（Relative Root Mean Square Error，RRMSE）為21.53%，生物量估算的結果可靠，滿足一般生產需求，可應用于農林生產和經營監(jiān)測；

2）利用最優(yōu)模型隨機森林算法估算普達措國家公園森林地上生物量，研究區(qū)生物量總計7 085 614 t，平均值為136.01 t/hm2，生物量空間分布呈北高南低，天然林長勢較好。不同生物量等級所占面積大小順序為較高生物量區(qū)、中等生物量區(qū)、較低生物量區(qū)、低生物量區(qū)、高生物量區(qū)。較高和中等生物量區(qū)域面積之和占研究區(qū)森林面積的67.1%，主要植被類型為亞高山暗針葉林和寒溫帶針葉林群落，是國家公園的嚴格保護區(qū)，原始森林保育及生態(tài)保護較好，為云南紅豆杉（Taxus yunnanensis）、云南榧樹（Torreya fargesiivar.yunnanensis）和油麥吊云杉（Picea brachytyla）等珍稀瀕危植物提供了良好生境；

3）在坡向方面，普達措的陰坡、半陰坡平均森林生物量明顯高于其他坡向，立地條件較好。不同海拔帶生物量分布以＞3 500～4 000 m最多，且平均生物量最高，與保護目標“天然寒溫性針葉林和硬葉常綠闊葉林”的海拔分布范圍相符；海拔由低到高其平均生物量呈現先增加后降低的分布規(guī)律，與高山地區(qū)的水熱分布規(guī)律和人類干擾情況趨于一致。

總之，普達措國家公園森林生物量較高，成、過熟林占比大，森林生態(tài)系統(tǒng)穩(wěn)定，本研究結果有助于認識普達措國家森林公園植被分布特征，在制定公園內植物多樣性保護規(guī)劃時應優(yōu)先保護生物量較高的區(qū)域，為該區(qū)域資源管理及相關研究提供借鑒。