基于Landsat 8 OLI的滇西北高山亞高山針葉林地上生物量遙感估測(cè)模型構(gòu)建及光飽和點(diǎn)確定

吳 勇，張海燕，盧騰飛，胥 輝，歐光龍

(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)

森林生物量是反映森林生態(tài)系統(tǒng)變化規(guī)律的基礎(chǔ)數(shù)據(jù)，在維持全球碳氧平衡、調(diào)節(jié)生態(tài)平衡等方面起著極其重要作用，這使得森林生物量估測(cè)方法的可靠性和精度變得極其重要[1-2].傳統(tǒng)的生物量估測(cè)方法成本高、工作量大、周期長(zhǎng)、代表性差以及不能實(shí)時(shí)反映實(shí)地情況等，因此眾多學(xué)者開(kāi)始使用遙感技術(shù)對(duì)森林生物量進(jìn)行估測(cè)和模型模擬[3-6].遙感估測(cè)具有實(shí)時(shí)、動(dòng)態(tài)、大面積同步監(jiān)測(cè)和信息豐富等特點(diǎn)[7-9]，被眾多學(xué)者廣泛應(yīng)用于不同地區(qū)、不同林分的生物量遙感估測(cè)中.近年來(lái)在使用Landsat 8 OLI 影像估測(cè)時(shí)生物量光飽和點(diǎn)的問(wèn)題普遍存在.由于森林生態(tài)系統(tǒng)自身及分布區(qū)地形變化，遙感生物量估測(cè)模型、遙感數(shù)據(jù)源及其空間分辨率等都會(huì)使得森林生物量飽和值產(chǎn)生誤差，估算誤差范圍多在5%～30%[10-11].生物量飽和現(xiàn)象是導(dǎo)致估測(cè)不確定性的重要因素，不同樹(shù)種組成、年齡、空間和垂直冠層結(jié)構(gòu)組成的植被類(lèi)型反射率值不同，也會(huì)影響生物量光飽和點(diǎn)[12-13]，這使得如何提高生物量估測(cè)精度[14]成為研究的熱點(diǎn)話題.

近年來(lái)，諸多學(xué)者對(duì)如何解決森林生物量數(shù)據(jù)飽和帶來(lái)的問(wèn)題進(jìn)行了研究，付元元等[15]利用高光譜數(shù)據(jù)，將波段深度分析與最小二乘回歸結(jié)合，結(jié)果能較好地克服生物量較大時(shí)存在的飽和問(wèn)題，提高遙感估測(cè)生物量的精度.歐光龍等[16]、盧騰飛等[17]通過(guò)構(gòu)建不同模型對(duì)森林生物量遙感進(jìn)行估測(cè)以探索減少飽和現(xiàn)象造成的估測(cè)精度問(wèn)題.趙盼盼等[18]、Zhao 等[19]基于Landsat TM 影像與地面樣本數(shù)據(jù)，利用分層理論和曲線擬合確定浙江省南部區(qū)域的6 類(lèi)樹(shù)種的生物量估測(cè)所存在的飽和點(diǎn)的大致范圍，以及通過(guò)分層法降低了數(shù)據(jù)飽和對(duì)浙江中西部主要植被生物量的影響，研究表明分層方法能有效提高估測(cè)精度.

滇西北地區(qū)屬中國(guó)橫斷山脈，森林植被呈現(xiàn)明顯的垂直分布，生長(zhǎng)著大量云杉、冷杉、高山松、落葉松等.高山松（Pinus densata）為中國(guó)西部高山地區(qū)的特有樹(shù)種，其主要分布在北緯27°～36°、東經(jīng)92°～104°之間；云杉（Piceaspp.）和冷杉（Abiesspp.）均為高海拔地區(qū)特有樹(shù)種，高山松、云杉、冷杉在滇西北廣泛分布[20].目前對(duì)相關(guān)優(yōu)勢(shì)樹(shù)種森林生物量光學(xué)遙感估測(cè)飽和點(diǎn)的研究及報(bào)道極少.

基于此，本文將以滇西北高山亞高山針葉林為研究對(duì)象，以森林資源二類(lèi)調(diào)查數(shù)據(jù)和同期Landsat 8 OLI 遙感影像為數(shù)據(jù)源，利用分層理論構(gòu)建遙感生物量估測(cè)模型，探索典型森林AGB 估算中的光學(xué)遙感數(shù)據(jù)源的飽和點(diǎn)閾值確定方法，并反演研究區(qū)高山松林和云冷杉林森林地上生物量.本研究可以實(shí)現(xiàn)對(duì)滇西北高山亞高山針葉林生物量的精確估測(cè)，減小森林生物量遙感估測(cè)中普遍存在的低值高估和高值低估問(wèn)題的影響，提高生物量遙感估測(cè)精度，為滇西北森林生態(tài)效益、碳匯效益以及 科學(xué)經(jīng)營(yíng)與規(guī)劃提供科學(xué)依據(jù).

1 材料與方法

1.1 研究區(qū)概況研究區(qū)位于云南省西北部，在行政區(qū)劃上涵蓋麗江市、迪慶州、怒江州3 個(gè)州市，涵蓋面積4.2 萬(wàn)km2.地理位置為北緯25°30′～29°30′，東經(jīng)98°7′～101°30′，海拔高度在738～6 743 m，海拔絕對(duì)高差懸殊，造成氣候顯著差別，垂直氣候變化十分明顯，擁有南亞亞熱帶至寒帶等多種氣候類(lèi)型（圖1）.滇西北地區(qū)森林資源極其豐富，高山松、云杉、冷杉等作為滇西北地區(qū)優(yōu)勢(shì)樹(shù)種在滇西北地區(qū)廣泛分布，森林面積占全云南省森林面積的18.7%，森林生物量占全云南省森林生物量的24.2%，森 林覆蓋率高達(dá)71.8%[20].

圖1 研究區(qū)位置及優(yōu)勢(shì)樹(shù)種分布圖Fig.1 Location of the study area and the dominant species

1.2 數(shù)據(jù)收集與處理

1.2.1 森林資源二類(lèi)調(diào)查數(shù)據(jù)收集與處理

（1）小班單位面積AGB 計(jì)算 本研究依據(jù)2016 年研究區(qū)的森林資源二類(lèi)調(diào)查數(shù)據(jù)，并選擇優(yōu)勢(shì)樹(shù)種為高山松和云冷杉的林分（圖1），參考胥輝等[20]采用生物量轉(zhuǎn)換因子法計(jì)算小班單位面積AGB[21]（表1）.其計(jì)算公式為：

表1 生物量轉(zhuǎn)換因子法計(jì)算參數(shù)[21]Tab.1 The parameters using biomass conversion factor method

式中：B為小班單位面積地上生物量（t/hm2），V為小班單位面積蓄積量（m3/hm2），SVD 為基本木材密度（t/m3），BEF 為生物量轉(zhuǎn)換因子（無(wú)量綱）.

（2）樣本小班的確定 首先據(jù)二類(lèi)調(diào)查數(shù)據(jù)提取出優(yōu)勢(shì)樹(shù)種為高山松和云冷杉的小班斑塊，優(yōu)勢(shì)樹(shù)種在研究區(qū)分布如圖1 所示，剔除小班平均樹(shù)高、平均胸徑、林木蓄積和林木株樹(shù)為零的異常數(shù)據(jù)，篩出林木平均胸徑大于等于5 cm 的小班.利用ArcGIS 的“子集要素”工具，等比例保留小班數(shù)據(jù)，再利用3 倍標(biāo)準(zhǔn)差法刪除異常離群值，最終選出小班樣本高山松1 094 塊，云冷杉948 塊，分別取80%小班進(jìn)行建模，20%小班作為檢驗(yàn)樣本（表2）.

表2 樣本小班單位面積地上生物量基本統(tǒng)計(jì)Tab.2 The basic information of the sampling sub-compartments

本研究選取坡向與齡組用不同分層方法（無(wú)分層、坡向分層、齡組分層以及坡向齡組結(jié)合）構(gòu)建遙感生物量估測(cè)逐步回歸模型，并統(tǒng)計(jì)計(jì)算了各分層 下的森林單位面積地上生物量值（圖2）.

圖2 分層數(shù)據(jù)統(tǒng)計(jì)Fig.2 Data analysis according to the different stratification

1.2.2 遙感數(shù)據(jù)收集與處理 本研究遙感數(shù)據(jù)（與二類(lèi)調(diào)查數(shù)據(jù)同期）從地理空間數(shù)據(jù)云網(wǎng)站（http://www.gscloud.cn/）下載得到，其空間分辨率為30 m，平均云量都低于2%（表3）.對(duì)遙感影像數(shù)據(jù)進(jìn)行地理配準(zhǔn)、FLAASH 大氣校正、地形校正、輻射定標(biāo)等預(yù)處理，最后對(duì)研究區(qū)衛(wèi)星影像進(jìn)行圖像 融合、鑲嵌及裁剪（圖1）.

表3 研究區(qū)Landsat 8 OLI 影像基本信息Tab.3 The basic information of Landsat 8 OLI images in study area

1.2.3 遙感因子提取與篩選 根據(jù)高山松林、云冷杉林小班面狀矢量數(shù)據(jù)為單位，利用ArcGIS10.4軟件的“分區(qū)統(tǒng)計(jì)”功能，將小班面狀矢量數(shù)據(jù)和156 個(gè)遙感特征因子數(shù)據(jù)層相疊加，統(tǒng)計(jì)小班內(nèi)各個(gè)遙感因子的平均值[22].光學(xué)遙感估測(cè)AGB 的關(guān)鍵在于確定自變量因子，一般采用統(tǒng)計(jì)檢驗(yàn)的方法來(lái)確定影響因子[23].本研究提取了4 類(lèi)遙感因子，分別為原始單波段因子、植被指數(shù)因子、K-T 和KL 因子、紋理特征.

（1）原始單波段[10]為b1、b2、b3、b4、b5、b6、b7；

（2）植被指數(shù)[22]為NDVI、ND43、ND67、ND563、DVI、SAVI、RVI、PVI、B、G、W、ARVI、MV15、MV17、SARV、II、MSAVI、VIS234、ALBEDO、b4/ALBEDO、SR、TVI、SAV12、NLI、MSR；

（3）K-T 和K-L 因 子[22]為KT1、KT2、KT3；PC1-A、PC2-A、PC3-A、PC1-B、PC2-B、PC3-B、PC1-P、PC2-P、PC3-P；（4）紋理特征[22]（提取分為3×3 和5×5 窗口，共計(jì)112 個(gè)遙感因子）：Mean、Variance、Homogeneity、Contrast、Dissimilarity、Entropy、Second Moment、C orrelation.

1.3 研究方法

1.3.1 相關(guān)性分析 本研究采用的是皮爾遜相關(guān)性分析，通過(guò)SPSS 軟件對(duì)AGB 與遙感因子進(jìn)行相關(guān)性分析，選擇相關(guān)性顯著（P≤0.05）的遙感因 子作為建模備選變量.

1.3.2 AGB 遙感估測(cè)的生物量飽和點(diǎn)確定 本文以生物量為自變量，以波段反射率為因變量，基于盧騰飛[17]、劉剛[9]等的研究發(fā)現(xiàn)，三次項(xiàng)模型擬合曲線方程的決定系數(shù)R2最高，故本研究采用三次項(xiàng)模型擬合曲線并求得其拐點(diǎn)的值，其拐點(diǎn)所對(duì)應(yīng)的值即為云冷杉林與高山松林遙感估測(cè)AGB 飽和 值.

1.3.3 生物量估測(cè)模型構(gòu)建 在森林生物量遙感估測(cè)模型中，線性回歸模型是最常見(jiàn)的方法之一[7]，本文采用線性逐步回歸進(jìn)行模擬，其計(jì)算公式如下：

式中：Y為生物量，β0為常數(shù)項(xiàng)，β1,β2,···,βn為模型系數(shù)，x1,x2,···,xn為相關(guān)遙感因子，ε 為模型滿足隨機(jī)正態(tài)分布下的隨機(jī)殘差，n為自變量個(gè)數(shù).

分層模型采取分別擬合不同坡向、不同齡組、坡向結(jié)合齡組3 種分層方式對(duì)生物量進(jìn)行逐步回歸分析.齡組分為幼齡林、中齡林、近熟林、成熟林和過(guò)熟林，由于云冷杉林幼齡林和中齡林樣本數(shù)極少，將其就近歸入近熟林；高山松林中過(guò)熟林樣本數(shù)極少，將其歸入成熟林.劃分坡向時(shí)一般根據(jù)坡向所受日照時(shí)長(zhǎng)和太陽(yáng)輻射強(qiáng)度，將坡向劃分為陽(yáng)坡（南坡）、半陰坡（東坡、東北坡、西北坡）、陰坡（北坡）、半陽(yáng)坡（西坡、東南坡、西南坡）[23]，本研究區(qū)處于高山峽谷地區(qū)，無(wú)無(wú)坡向小班.坡向和齡組結(jié)合分為幼齡林半陽(yáng)坡/陽(yáng)坡/半陰坡/陰坡、中齡林半陽(yáng)坡/陽(yáng)坡/半陰坡/陰坡、近熟林半陽(yáng)坡/陽(yáng)坡/半陰坡/陰坡、成熟林半陽(yáng)坡/陽(yáng)坡/半陰坡/陰坡、過(guò)熟林半陽(yáng)坡/陽(yáng)坡/半陰坡/陰坡.

以優(yōu)選出的遙感因子作為解釋變量，采用線性逐步回歸法分別構(gòu)建高山松林和云冷杉林不分層及3 種分層的森林生物量遙感估測(cè)模型，為消除多重共線性的影響，采用方差膨脹因子（VIF＜10）進(jìn)行 變量篩選.

1.3.4 模型評(píng)價(jià)與檢驗(yàn) 本研究采用調(diào)整決定系數(shù)（Radj2）和均方根誤差（RMSE）評(píng)價(jià)擬合情況，選取相對(duì)均方根誤差（rRMSE）、平均相對(duì)絕對(duì)誤差值（MARE）和平均絕對(duì)誤差（MAE）3 個(gè)指標(biāo)作為模型的獨(dú)立性檢驗(yàn)指標(biāo).調(diào)整決定系數(shù)（Radj2）：

1.3.5 不同生物量段模型估測(cè)能力評(píng)價(jià) 本文對(duì)小班面積單位生物量進(jìn)行分段，檢驗(yàn)各模型對(duì)生物量高值和低值的估測(cè)能力，著力于探索改善數(shù)據(jù)飽和引起的生物量估測(cè)誤差方法，采用的評(píng)價(jià)指標(biāo)公式如下：

平均殘差（ME）：

1.3.6 高山松林、云冷杉林生物量反演 依據(jù)森林資源二類(lèi)調(diào)查數(shù)據(jù)獲取高山松林以及云冷杉林的空間分布位置，基于Landsat 8 OLI 影像采用像元法計(jì)算各小班內(nèi)云冷杉林及高山松林生物量值，再根據(jù)分層所構(gòu)建的不同模型對(duì)高山松林、云冷杉林進(jìn)行生物量反演，進(jìn)而分析不同分層模型的反 演和預(yù)估表現(xiàn).

2 結(jié)果與分析

2.1 生物量與遙感因子相關(guān)性分析本文共提取156 個(gè)遙感因子分別與高山松林和云冷杉林AGB進(jìn)行皮爾遜相關(guān)性分析.從波段反射率與AGB 的相關(guān)性看，Band 4 波段與生物量有最強(qiáng)的相關(guān)性，高山松林、云冷杉林與Band 4 波段相關(guān)系數(shù)分別為0.616、0.672，因此本研究基于Band 4 波段進(jìn)行分析和確定高山松林、云冷杉林的生物量飽和值.據(jù)相關(guān)性分析發(fā)現(xiàn)，有141 個(gè)遙感變量與高山松林生物量之間存在顯著的相關(guān)性，包括107 個(gè)紋理特征因子，16 個(gè)植被指數(shù)因子，11 個(gè)纓帽特征和主成分變換特征，7 個(gè)原始單波段，其中135 個(gè)遙感變量在0.01 水平上顯著相關(guān).有146 個(gè)遙感變量與云冷杉林生物量之間存在顯著的相關(guān)性，包括112 個(gè)紋理特征因子，16 個(gè)植被指數(shù)因子，11 個(gè)纓帽特征和主成分變換特征，7 個(gè)原始單波段，其中144 個(gè)遙感變量在0.01 水平上顯著相關(guān).由于遙感因子變量數(shù)量較多，限于篇幅原因，本研究不列出遙 感因子與生物量相關(guān)性系數(shù)表.

2.2 生物量光學(xué)遙感估測(cè)飽和值分析本研究基于Band 4 波段反射率與森林地上單位生物量擬合高山松林、云冷杉林生物量飽和曲線（圖3），其拐點(diǎn)所對(duì)應(yīng)的值即為該波段所對(duì)應(yīng)的高山松林、云冷杉林生物量飽和值，分別為149.09 t/hm2和1 62.30 t/hm2.

圖3 研究區(qū)針葉林地上部分生物量光飽和值擬合曲線Fig.3 Aboveground biomass saturation curves of the coniferous forests in the study area

2.3 森林生物量遙感估測(cè)模型構(gòu)建及檢驗(yàn)本研究采用線性逐步回歸基于分層建立生物量回歸模型，對(duì)遙感特征因子與不同植被類(lèi)型生物量作相關(guān)性分析，以VIF 為檢驗(yàn)指標(biāo)進(jìn)行多重共線性診斷，篩選出符合目標(biāo)條件的遙感因子構(gòu)建線性逐步回歸模型.用Radj2評(píng)估預(yù)測(cè)值和實(shí)測(cè)值的符合程度，用RMSE 衡量預(yù)測(cè)值與實(shí)測(cè)值之間的偏差大小.

從回歸模型的獨(dú)立性檢驗(yàn)看，高山松林與云冷杉林分層模型檢驗(yàn)指標(biāo)值總體優(yōu)于無(wú)分層模型.其中坡向分層模型各檢驗(yàn)指標(biāo)值與無(wú)分層模型相差不大，總體預(yù)估水平相近.齡組分層整體估測(cè)精度優(yōu)于不分層模型，高山松林各檢驗(yàn)指標(biāo)數(shù)值明顯降低，擬合精度顯著提高（表4），云冷杉林各檢驗(yàn)指標(biāo)值均 低于無(wú)分層，在一定程度上提高了擬合精度（表5）.

表4 高山松林線性逐步回歸擬合結(jié)果Tab.4 Fitting results of Pinus densata forests using linear stepwise regression

表5 云冷杉林線性逐步回歸擬合結(jié)果Tab.5 Fitting results of Picea -Abies forests using linear stepwise regression

2.4 不同生物量分段殘差檢驗(yàn)經(jīng)分段殘差分析發(fā)現(xiàn)，2 類(lèi)森林的4 種模型都存在低值高估和高值低估的情況（表6）.高山松林與云冷杉林線性逐步回歸模型在低生物量段（0～30 t/hm2）時(shí)，高山松林坡向分層ME（19.724）、MRE（-1.141）與云冷杉林坡向分層ME（10.680）、MRE（-0.609）最低，與無(wú)分層的模型比較，ME 絕對(duì)值分別降低了4.938 和2.525，MRE 絕對(duì)值分別降低了0.234 和0.135.高山松林與云冷杉林齡組分層模型在生物量段（30～90 t/hm2）有較好的表現(xiàn).坡向齡組結(jié)合對(duì)于高山松林與云冷杉林高生物量段（＞150 t/hm2）的估測(cè)誤差值最小，高山松林與云冷杉林高生物量段（＞150 t/hm2）ME絕對(duì)值分別降低了10.291 和24.322，MRE 絕對(duì)值分別降低了0.05 和0.148，且云冷杉林在生物量段（30～150 t/hm2）的估測(cè)誤差絕對(duì)值均為最小.由此可見(jiàn)，考慮齡組和坡向分層在一定程度上降低了AGB 遙感估測(cè)中低值高估和高 值低估問(wèn)題的影響.

表6 分段殘差分析結(jié)果Tab.6 Segmented residual analysis

2.5 森林生物量反演由圖4、5 可知，滇西北高山松林與云冷杉林生物量主要集中在范圍30～150 t/hm2和60～150 t/hm2，少部分處在30 t/hm2以下和150 t/hm2以上.圖4 中（b）、（c）、（d）與（a）以及圖5 中（b）、（c）、（d）與（a）分別比較后發(fā)現(xiàn)，各分層模型生物量反演高值數(shù)量明顯增加，高山松林與云冷杉林坡向分層模型在低生物量段值（0～30 t/hm2）數(shù)量增加，高山松林坡向齡組結(jié)合分層模型低生物量值（0～30 t/hm2）和高生物量值（大于150 t/hm2）數(shù)量都有所增加，云冷杉林坡向齡組結(jié)合分層模型高生物量段（120～150 t/hm2）值數(shù)量顯著增加.總體來(lái)說(shuō)，分層模型相較于無(wú)分層模型在低生物量值（0～30 t/hm2）和高生物量值（大于150 t/hm2）區(qū)間具有較多的分布.這使得生物量估測(cè)范圍增大，在一定程度上能夠反映出分層估計(jì)可以減小生物量遙感估測(cè)中低值高估和高值低估的影響.

圖4 高山松林不同建模方案生物量反演圖Fig.4 Biomass inversion map of Pinus densata forests with different modeling schemes

圖5 云冷杉林不同建模方案的生物量反演圖Fig.5 Biomass inversion map of Picea– Abies forests with different modeling schemes

3 討論與結(jié)論

3.1 討論光學(xué)影像對(duì)于冠層結(jié)構(gòu)復(fù)雜、AGB 值較大的森林，其反射率出現(xiàn)飽和現(xiàn)象往往導(dǎo)致對(duì)高生物量值的低估.此外，由于冠層密度較低，幼林的反射率值也可能受到灌木、草、裸地等林下植被的影響，導(dǎo)致低生物量值被高估.目前，數(shù)據(jù)飽和被認(rèn)為是影響森林生物量估測(cè)精度的主要原因，大量的遙感估測(cè)生物量均出現(xiàn)了數(shù)據(jù)飽和現(xiàn)象[12,24-25].在不同區(qū)域、不同類(lèi)型的森林植被中，因林分因子與地形因子的不同，其生物量飽和值也會(huì)有所變化，通常還會(huì)受到遙感數(shù)據(jù)本身空間和光譜輻射分辨率差異的影響[9,20].本文基于滇西北地區(qū)森林資源二類(lèi)調(diào)查數(shù)據(jù)計(jì)算AGB 值與遙感影像所提取小班面狀數(shù)據(jù)和遙感因子進(jìn)行曲線擬合，求得高山松林、云冷杉林生物量飽和值為149.09 t/hm2和162.3 t/hm2；此外，通過(guò)無(wú)分層模型的分段殘差檢驗(yàn)也可以看出，高山松林在120～150 t/hm2以及＞150 t/hm2的ME值較高，而云冷杉林生物量在120～150 t/hm2區(qū)間的ME 值低于12.772 t/hm2，且MRE 為0.093，但在＞150 t/hm2區(qū)間段ME 值達(dá)到40 t/hm2以上，這在一定程度上也說(shuō)明了云冷杉林的生物量光學(xué)遙感估測(cè)的光飽和值高于高山松林.Ou 等[26]通過(guò)LM、LMC、RF 和ANN 4 種模型對(duì)高山松林AGB 進(jìn)行范圍估算，并得到了大致的高值低估區(qū)間，其區(qū)間閾值略高于趙盼盼[10]等通過(guò)半變異函數(shù)計(jì)算的針葉林生物量飽和值.這可能是由于滇西北地區(qū)高山松林和云冷杉林及其分布環(huán)境的異質(zhì)性高，從而使得高山松林、云冷杉林的森林生物量遙感估測(cè)的光飽和值較高，也符合Lu 等[12]和Zhao 等[19]森林異質(zhì)性程度在一定程度上影響森林生物量遙感估測(cè)的飽和值的解釋.

研究表明，分層模型預(yù)估效果整體上優(yōu)于無(wú)分層模型.當(dāng)生物量過(guò)低或過(guò)高時(shí)，這兩種模型都存在較大的估測(cè)誤差，分層模型相對(duì)于無(wú)分層模型降低了估測(cè)誤差，增大了生物量估測(cè)范圍，在一定程度上提高了生物量估測(cè)精度，減小了森林生物量飽和所造成的低值高估和高值低估的影響.坡向和齡組作為影響森林生物量分布的兩個(gè)重要因素[27-29].本研究選用坡向與齡組因子，采用分層法（齡組分層、坡向分層、坡向與齡組結(jié)合分層）構(gòu)建模型以期解決AGB 估測(cè)飽和問(wèn)題.研究發(fā)現(xiàn)研究區(qū)坡向分層森林生物量均值差異較?。▓D2），但是由于滇西北地處高山峽谷，地形差異較大，不同坡向光譜反射率不同，使得光譜差異大，從而對(duì)森林生物量估測(cè)誤差產(chǎn)生影響[3].研究表明坡向分層對(duì)低生物量段（0～30 t/hm2）有更好的預(yù)估效果.高山松林、云冷杉林平均殘差（ME）絕對(duì)值分別降低了4.938和2.525，平均相對(duì)殘差（MRE）絕對(duì)值分別降低了0.234 和0.135；齡組分層模型在高山松林生物量值30～150 t/hm2與云冷杉林生物量值60～150 t/hm2時(shí)預(yù)估效果較好；齡組分層后可以在一定程度上提高估測(cè)精度[26]，但不同齡組間的森林生物量均值差異較大，使得采用平均模型預(yù)估不同齡組森林生物量時(shí)產(chǎn)生較大誤差[22,30].坡向齡組結(jié)合分層模型在高生物量段（120～150 t/hm2）對(duì)AGB 估測(cè)效果最好，高山松林、云冷杉林ME 絕對(duì)值分別降低了10.291 和24.322，平均相對(duì)殘差（MRE）絕對(duì)值分別降低了0.05 和0.148.通過(guò)分段殘差檢驗(yàn)可以看出，分層估計(jì)的方法在一定程度上降低了遙感估測(cè)AGB 飽和值的影響，獲得了較好的擬合和預(yù)估效果，該方法對(duì)相似地區(qū)及針葉林進(jìn)行遙感生物量估測(cè)及降低森林生物量飽和值的影響提供參考和借鑒作用，為滇西北森林生態(tài)效益、碳匯效益以及科學(xué)經(jīng)營(yíng)與規(guī)劃提供科學(xué)依據(jù).此外，研究還發(fā)現(xiàn)考慮不同坡向分層，從陽(yáng)坡到陰坡，高山松林模型決定系數(shù)變大，云冷杉林模型決定系數(shù)變小，其原因可能是與優(yōu)勢(shì)樹(shù)種的生長(zhǎng)特性有關(guān).高山松是陽(yáng)性樹(shù)種而云杉和冷杉是陰性樹(shù)種，樹(shù)種的耐蔭性會(huì)影響到其分布區(qū)差異[31-32]，這將有待進(jìn)一步探索和研究.

當(dāng)然，由于本研究采用的都是參數(shù)模型，分層法雖提高了擬合精度，但總體估測(cè)精度依然不高.參數(shù)之間通常會(huì)存在比較復(fù)雜的非線性關(guān)系，本研究所采用的模型不足以描述其非線性關(guān)系，且當(dāng)樣本量不足或森林生物量與選擇變量之間的相關(guān)性較弱時(shí)，多元逐步回歸模型不能解釋森林生物量與變量之間的復(fù)雜關(guān)系，從而使得模型估測(cè)精度降低[8,33].在今后的研究中將進(jìn)一步探索基于分層的非線性參數(shù)模型與非參數(shù)模型估測(cè)方法.

另外，由于缺乏足夠多的樣地信息，尤其是在高海拔、多山地的滇西北地區(qū)，不易開(kāi)展外業(yè)，測(cè)量森林生物量因子不易獲取[34].本文基于滇西北地區(qū)森林資源二類(lèi)調(diào)查數(shù)據(jù)，二類(lèi)調(diào)查數(shù)據(jù)的統(tǒng)計(jì)數(shù)據(jù)精度與各小班的調(diào)查允許誤差直接相關(guān)[35].利用充分的樣本信息以及二類(lèi)調(diào)查數(shù)據(jù)具有分布范圍廣、數(shù)據(jù)量大等優(yōu)點(diǎn)，采用二類(lèi)調(diào)查數(shù)據(jù)作為森林生物量遙感估測(cè)的地面調(diào)查數(shù)據(jù)可以在一定程度上解決樣本數(shù)量不足的問(wèn)題.周律等[9]利用森林資源二類(lèi)調(diào)查數(shù)據(jù)作為基本地面調(diào)查數(shù)據(jù)，構(gòu)建遙感生物量估測(cè)模型，取得了較好的估計(jì)精度，這在一定程度上說(shuō)明了森林資源二類(lèi)調(diào)查數(shù)據(jù)作為地面調(diào)查數(shù)據(jù)的可用性.本研究采用二類(lèi)調(diào)查數(shù)據(jù)作為地面調(diào)查數(shù)據(jù)，構(gòu)建的估測(cè)模型，并進(jìn)行森林生物量的反演，其反演結(jié)果較好地反映了研究區(qū)高山松林和云冷杉林的森林生物量分布，這也再次驗(yàn)證了二類(lèi)調(diào)查的小班數(shù)據(jù)作為森林生物量遙感估測(cè) 地面調(diào)查數(shù)據(jù)源的可靠性.

3.2 結(jié)論本文通過(guò)皮爾遜相關(guān)系數(shù)比較篩選出Landsat 8 OLI Band 4 波段變量與AGB 進(jìn)行曲線擬合，求得高山松林與云冷杉林遙感生物量估測(cè)飽和值分別為149.09 t/hm2和162.3 t/hm2.通過(guò)對(duì)研究區(qū)高山松林和云冷杉林地上單位面積生物量與提取遙感因子進(jìn)行皮爾遜相關(guān)性及共線性分析，并考慮齡組和坡向分層，據(jù)優(yōu)選出的遙感因子進(jìn)行線性逐步回歸分析，發(fā)現(xiàn)分層模型相較于無(wú)分層模型有著較好的估測(cè)結(jié)果.坡向分層對(duì)低生物量段（0～30 t/hm2）、齡組分層對(duì)中生物量段（30～90 t/hm2）和坡向齡組結(jié)合分層模型對(duì)高生物量段（＞150 t/hm2）有更好的預(yù)估效果，坡向齡組結(jié)合分層模型在整體上估測(cè)AGB 效果較好.總體來(lái)說(shuō)，考慮齡組和坡向分層可在一定程度上降低AGB 遙感估測(cè)中低值高估和高值低估問(wèn)題的影響.