基于高分六號衛(wèi)星紅邊波段的森林蓄積量遙感反演
——以西寧市針葉林為例*

任 楓，王 琦，楊 佳，任慶福**

（1.西安綠環(huán)林業(yè)技術(shù)服務(wù)有限責任公司，西安 710048；2.廣東省科學院生態(tài)環(huán)境與土壤研究所，廣州 510650；3.航天宏圖信息技術(shù)股份有限公司，北京 100089）

森林蓄積量是指森林中全部樹木材積的總和，它是反映一個地區(qū)森林資源的豐富程度、衡量森林生態(tài)環(huán)境優(yōu)劣、進行森林經(jīng)營和采伐利用的重要依據(jù)[1]。傳統(tǒng)森林蓄積量的估算是通過林分調(diào)查，建立材積方程，進而推算區(qū)域森林蓄積量，往往存在工作量大、效率低下、成本高等問題。隨著遙感技術(shù)的快速發(fā)展，森林蓄積量的遙感反演已成為獲取區(qū)域森林蓄積量的主要手段[2]。目前，光學遙感的森林蓄積量反演，多數(shù)研究采用Landsat TM/ETM/OLI[3-4]、MODIS[5]、SPOT5[6]、資源三號[7]、GF1/2[8-10]等衛(wèi)星載荷，通過提取與蓄積量相關(guān)的因子（如地形因子、光譜信息、植被指數(shù)、影像紋理等）建立模型進行反演，因此，在建模過程中，敏感因子的選擇就成為影響蓄積量反演精度的關(guān)鍵因素。

一直以來，紅光波段和近紅外波段常被作為指示植被生長狀況的敏感波段，但有研究指出，介于紅光與近紅外波段之間的紅邊波段，對植被葉綠素更加敏感[11-13]。受衛(wèi)星載荷的波段限制，紅邊波段在植被監(jiān)測方面的研究局限于基于地物光譜儀[14-15]。近年來，有較多的衛(wèi)星載荷（如美國的WorldView-2/3、歐空局的Sentinel-2、德國的RapidEye等）增加了紅邊波段，基于紅邊波段的森林蓄積量遙感反演的研究隨之也不斷問世[16-18]。這些研究多以Sentinel-2為遙感數(shù)據(jù)源，以模型的適用性評價為主要研究目標，極大豐富了蓄積量反演研究的數(shù)據(jù)源和模型方法，而關(guān)于紅邊波段對蓄積量反演精度的影響缺乏深入研究，加之光學遙感影像數(shù)據(jù)的有效性易受云霧影響，因此，僅僅以Sentinel-2為數(shù)據(jù)源極大限制了紅邊波段在森林蓄積量反演方面的研究與應(yīng)用。國產(chǎn)高分六號衛(wèi)星的寬幅影像（GF6-WFV）是中國首顆帶有紅邊波段的中高分辨率影像。但目前，基于GF6-WFV紅邊波段的研究主要集中在植被識別及分類[19-24]、森林擾動[25]等方面，在森林蓄積量反演方面的研究未見報道。因此，基于GF6-WFV衛(wèi)星紅邊波段的森林蓄積量反演研究，對于明確紅邊波段對森林蓄積量反演的作用以及拓展國產(chǎn)高分衛(wèi)星的應(yīng)用具有重要的理論指導意義。

西寧市地處黃土高原與青藏高原交界地帶，在生態(tài)環(huán)境方面具有極其重要的地位。但該地區(qū)存在生態(tài)防護功能差、森林生態(tài)系統(tǒng)脆弱、林地質(zhì)量差等問題[26-27]，迫切需要對全區(qū)的森林蓄積量進行動態(tài)監(jiān)測。本研究以GF6-WFV為遙感數(shù)據(jù)源，結(jié)合西寧市DEM及2014年森林資源二類調(diào)查數(shù)據(jù)，從光譜特征、植被指數(shù)、地形因子、影像紋理4個方面選取了蓄積量反演的自變量，并在此基礎(chǔ)上采用多元線性回歸、隨機森林模型，研究紅邊波段對西寧市針葉林蓄積量遙感反演精度的影響，以期為西寧市森林蓄積量的區(qū)域動態(tài)監(jiān)測提供方法借鑒，為紅邊波段在森林蓄積量遙感反演中的應(yīng)用提供理論依據(jù)，為拓展國產(chǎn)高分六號遙感衛(wèi)星的應(yīng)用提供新的途徑。

1 資料與方法

1.1 研究區(qū)概況

研究區(qū)位于青海省東部的西寧市，地理位置介于100°52'7″-101°54'58″E、36°13'40″-37°28'9″N，平均海拔3127.8m。研究區(qū)地處黃河一級支流湟水河中游，是黃土高原向青藏高原的過渡地帶，地形復雜，以川水、淺山、腦山3種地形為主，具有典型的干旱高原大陸性氣候，年平均氣溫為5.8℃，極端最低氣溫為-26℃， 極端最高氣溫為41℃，無霜期約160d。年平均降水量368mm，集中于7-9月；年蒸發(fā)量為1100mm，年日照時數(shù)2600h。研究區(qū)分布的主要喬木樹種有青海云杉（Picea crassifolia）、落葉松（Larix principis-rupprechtii Mayr）、油松（Pinus tabulaeformis Carr.）、祁連圓柏（Sabina przewalskii）、白樺（Betula platyphylla Suk）、青楊（Populus cathayana Rehd.）、旱柳（Salix matsudana Koidz）等。

1.2 數(shù)據(jù)來源及預處理

1.2.1 遙感影像數(shù)據(jù)及預處理

遙感影像數(shù)據(jù)來源于自然資源衛(wèi)星遙感云服務(wù)平臺（http://www.sasclouds.com/chinese/normal/），選用2019年8月15日覆蓋西寧市的高分六號衛(wèi)星寬幅影像（簡稱GF6-WFV），其衛(wèi)星具體參數(shù)見表1。采用國產(chǎn)遙感處理軟件PIE-Basic6.0（https://www.piesat.cn/product/PIE-Basic/index.htMLR）對GF6-WFV影像進行輻射定標、幾何校正、大氣校正等預處理，最終得到各波段的地表反射率數(shù)據(jù)。其中，影像的幾何校正處理所需的高程數(shù)據(jù)來源于地理空間數(shù)據(jù)云（http://www.gscloud.cn/）的GDEMV2 30M分辨率數(shù)字高程數(shù)據(jù)集。從該數(shù)據(jù)集中下載覆蓋GF6-WFV整 幅 影 像（93°00'00″- 103°00'00″E、35°00'00″-40°00'00″N）的DEM數(shù)據(jù)，DEM的分幅數(shù)據(jù)拼接采用ArcGIS10.2軟件完成。

表1 GF6-WFV衛(wèi)星參數(shù)Table 1 The satellite parameters of GF6-WFV

1.2.2 針葉林蓄積量

針葉林蓄積量的地面驗證數(shù)據(jù)來源于西寧市2014年森林資源二類調(diào)查數(shù)據(jù)。由于研究區(qū)地處西北干旱區(qū)，針葉樹種生長速度較慢，且與影像獲取時間滯后在一個齡級（10a）內(nèi)，因此，忽略影像獲取時間與蓄積量調(diào)查時間的滯后效應(yīng)。利用三倍標準差分析方法剔除針葉林蓄積量異常的調(diào)查小班，共獲得503個調(diào)查小班的針葉林蓄積量數(shù)據(jù)，得到西寧市針葉林調(diào)查小班（平均胸徑在5cm及以上）的分布（圖1）。

圖1 GF6-WFV影像及針葉林調(diào)查小班分布Fig.1 GF6-WFV imagery and the sub-compartments of coniferous forest in study area

1.3 自變量選取與確定

1.3.1 植被指數(shù)

以GF6-WFV影像前6個波段（即表1中的B1、B2、B3、B4、B5和B6）的地表反射率作為單波段反射率變量。選取歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）、增強植被指數(shù)（EVI）和土壤調(diào)節(jié)植被指數(shù)（SAVI）4個常規(guī)植被指數(shù)，在此基礎(chǔ)上選取基于紅邊波段的2個植被指數(shù)即MTCI指數(shù)[28]和NDREI指數(shù)[29]，作為針葉林蓄積量反演的植被指數(shù)變量，具體計算式見表2。

表2 植被指數(shù)計算公式Table 2 The formula of different vegetation index

1.3.2 地形及紋理特征變量

選取坡度（Slope）、坡向（Aspect）作為地形因子變量。影像紋理特征的描述采用灰度共生矩陣方法（Gray-Level Co-occurrence Matrix, GLCM），選取均勻性（H）、異質(zhì)性（D）、對比度（CT）、能量（ENG）、相關(guān)性（CR）、信息熵（ENT）6個指標來刻畫GF6-WFV影像的紋理特征。

采用滑動窗口法（窗口大小3×3）分別計算GF6-WFV影像前6個波段的6個紋理特征，得到研究區(qū)內(nèi)36張紋理特征變量的分布圖，然后分別計算各調(diào)查小班范圍內(nèi)的紋理特征變量的平均值，得到503個調(diào)查小班對應(yīng)的36個紋理特征變量值。

1.3.3 自變量分組與確定

（1）將選取的6個單波段反射率變量、6個植被指數(shù)變量、2個地形因子變量以及36個紋理特征變量有重復地分為無紅邊波段處理（No Red-Edge）和加入紅邊波段處理（Red-Edge Added）兩組。

在無紅邊波段的處理中，自變量包括ρ1、ρ2、ρ3、ρ4、NDVI、RVI、EVI、SAVI、Slope、Aspect以及影像前4個波段對應(yīng)6個紋理指標的24個紋理特征變量；在加入紅邊波段的處理中，其自變量是在無紅邊波段處理的自變量基礎(chǔ)上，增加GF6-WFV影像第5、第6紅邊波段相關(guān)的自變量，即ρ1、ρ2、ρ3、ρ4、ρ5、ρ6、NDVI、RVI、EVI、SAVI、Slope、Aspect以及影像前6個波段對應(yīng)6個紋理指標的24個紋理特征變量。

（2）采用主成分分析法（Principal Component Analysis）對兩組處理的紋理特征變量進行降維處理，獲得新的變量，作為紋理特征的備選變量。

（3）分別將兩組處理的備選自變量與針葉林蓄積量建立逐步回歸方程，根據(jù)AIC最小準則，最終確定兩組處理的自變量。

1.4 模型構(gòu)建和檢驗

1.4.1 模型選取

從總體樣本（503個調(diào)查小班的蓄積量及對應(yīng)自變量）中隨機抽取75%的數(shù)據(jù)作為模型的訓練樣本，其余25%作預測樣本。選取線性、非線性模型分別對無紅邊波段（No Red-Edge）、加入紅邊波段（Red-Edge Added）的兩組處理進行蓄積量反演，模型的構(gòu)建及精度評價通過Python語言實現(xiàn)。

線性反演模型采用多元線性回歸模型（MLR）,非線性反演模型采用隨機森林模型（RF）。

隨機森林模型是一種基于決策樹的機器學習算法[30]，它是在決策樹的基礎(chǔ)上，利用bootstrap方法從訓練集 X = { x1, x2,… , xn}中有放回的多次重復采樣，然后結(jié)合對應(yīng)的目標值對這些樣本訓練模型，在訓練結(jié)束之后，對未知樣本的預測可以通過簡單多數(shù)原則確定檢驗樣本的反演結(jié)果。

1.4.2 模型構(gòu)建及精度評價

（1）基于兩組處理的訓練樣本，分別對MLR、RF模型的參數(shù)進行訓練，以決定系數(shù)為代價函數(shù)，得到各模型的最優(yōu)參數(shù)。

（2）將得到的最優(yōu)參數(shù)帶入MLR、RF模型，對兩組處理的預測樣本進行蓄積量的預測。

（3）通過十折交叉驗證方法，分別將兩組處理的MLR、RF模型預測的蓄積量與預測樣本的蓄積量進行對比，計算兩者之間的決定系數(shù)（R2）和均方根誤差（RMSE），以衡量模型反演的性能及精度。計算式為

式中，n為預測樣本個數(shù)，y?i為模型預測的蓄積量（m3·hm-2）；yi為預測樣本的蓄積量（m3·hm-2）。

2 結(jié)果與分析

2.1 紋理特征變量降維

無紅邊波段處理（No Red-Edge）的24個紋理特征變量包括GF6-WFV影像前4個波段（B1、B2、B3、B4）對應(yīng)的6個紋理指標（H、D、CT、ENG、CR、ENT）；加入紅邊波段處理（Red-Edge dded）的36個紋理特征變量包括GF6-WFV影像前6個波段（B1、B2、B3、B4、B5、B6）對應(yīng)的6個紋理指標（H、D、CT、ENG、CR、ENT），采用主成分分析法分別對兩組處理的紋理特征變量進行降維處理，選擇方差累計貢獻率大于95%的主成分變量代替原有的紋理特征變量。

經(jīng)計算，無紅邊波段處理的紋理特征變量中提取到9個主成分（記為P1N, P2N, …, P9N），其方差累計貢獻率為95.59%（表3）。對主成分中24個變量的系數(shù)進行排序，選取系數(shù)最大的前3個變量，對9個主成分逐個分析，從波段方面來看，第1、2、3個主成分的方差貢獻率分別為45.44%、19.78%、10.06%，分別解釋了B2、B3、B4波段的紋理特征；紋理指標以異質(zhì)性（D）、均勻性（H）、能量（ENG）以及信息熵（ENT）為主。

表3 無紅邊波段處理的紋理特征變量主成分分析結(jié)果Table 3 The PCA result of the texture feature variables for the No Red-Edge treatment

加入紅邊波段處理的紋理特征變量中提取到13個主成分（記為P1A, P2A, …, P13A），其方差累計貢獻率為95.45%（表4）。加入紅邊波段之后，第1主成分的前3個變量與無紅邊波段的處理一致，但其方差貢獻率降為36.09%；第2主成分的方差貢獻率為18.38%，且增加了B6波段的均勻性（H）；第3主成分則反映了B5波段的紋理特征，以能量（ENG）、 均勻性（H）、異質(zhì)性（D）為主要指標，其方差貢獻率為10.27%。因此，對于無紅邊波段處理的紋理特征變量，以9個主成分（即P1N, P2N, …, P9N）替代原有的24個特征變量；對于加入紅邊波段處理的紋理特征變量，則以13個主成分（即P1A, P2A, …, P13A）替代原有的36個特征變量。

表4 加入紅邊波段處理的紋理特征變量主成分分析結(jié)果表Table 4 The PCA result of the texture feature variables for the Red-Edge Added treatment

2.2 自變量篩選

無紅邊波段處理包括4個單波段地表反射率變量（1ρ、ρ2、ρ3、ρ4）、4個植被指數(shù)變量（NDVI、RVI、EVI、SAVI）、2個地形因子變量（Slope、Aspect）以及9個紋理主成分變量（P1N, P2N, …, P9N）共19個備選自變量；加入紅邊波段處理包括6個單波段地表反射率變量（1ρ、ρ2、ρ3、ρ4、ρ5、ρ6）、6個植被指數(shù)變量（NDVI、RVI、EVI、SAVI、MTCI、NDREI）、2個地形因子變量（Slope、Aspect）以及13個紋理主成分變量（P1A, P2A, …, P13A）共27個備選自變量。分別將各備選自變量與針葉林蓄積量建立逐步回歸方程，依據(jù)AIC最小準則，得到兩組處理最終篩選出的自變量（表5）。表5中，無紅邊波段處理篩選出11個變量（ρ2、ρ3、ρ4、NDVI、SAVI、Slope、P1N、P2N、P4N、P5N、P9N），而加入紅邊波段處理篩選出13個變量（1ρ、ρ2、ρ5、MTCI、Slope、P1A、P2A、P3A、P5A、P6A、P7A、P9A、P11A）。

表5 無紅邊波段和加入紅邊波段處理下篩選出的反演變量Table 5 The screened variables for retrieval under the No Red-Edge and the Red-Edge Added treatment

從單波段地表反射率來看，兩組處理均包括B2波段的地表反射率；植被指數(shù)方面，No Red-Edge處理篩選出了NDVI、SAVI，而Red-Edge Added處理只有MTCI；紋理方面，No Red-Edge處理的紋理主成分包括了第1、2、4、5、9主成分，結(jié)合表3可知，紋理指標以異質(zhì)性（D）、均勻性（H）、能量（ENG）以及信息熵（ENT）為主，波段集中在B3、B4；Red-Edge Added處理的紋理成分包括了第1、2、3、5、6、7、9、11主成分，結(jié)合表4可知，加入紅邊波段后，B5波段的紋理特征出現(xiàn)，且以異質(zhì)性（D）、均勻性（H）和信息熵（ENT）為主要指標。

2.3 模型構(gòu)建及其反演結(jié)果

2.3.1 多元線性模型

利用75%的訓練樣本，根據(jù)無紅邊波段（No Red-Edge）、加入紅邊波段（Red-Edge Added）篩選出的自變量，分別與針葉林蓄積量構(gòu)建多元線性模型，得到兩組處理的多元線性回歸方程為

式（3）、式（4）中，Vno、Vadd分別為No Red-Edge、Red-Edge Added處理反演的蓄積量（m3·hm-2）。

根據(jù)訓練樣本建立的多元線性回歸模型，兩組處理的顯著性均小于0.001，方程的決定系數(shù)（R2）均大于0.55，且Red-Edge Added處理的決定系數(shù)有所提高。

2.3.2 隨機森林模型

利用75%的訓練樣本，根據(jù)無紅邊波段（No Red-Edge）、加入紅邊波段（Red-Edge Added）兩組處理篩選出的自變量，分別與針葉林蓄積量構(gòu)建隨機森林模型。關(guān)鍵的模型參數(shù)主要包括決策樹個數(shù)、決策樹最大深度、決策樹的最大特征數(shù)、葉子節(jié)點的最小樣本個數(shù)和最大葉子節(jié)點數(shù)5個參數(shù)。

以決定系數(shù)為代價函數(shù)，經(jīng)過多次試驗，得到各參數(shù)的最優(yōu)值（表6）。結(jié)果表明對于訓練樣本，兩組處理的R2均在0.85以上，且Red-Edge Added處理的決定系數(shù)略高于No Red-Edge處理。

表6 無紅邊波段和加入紅邊波段處理下隨機森林模型參數(shù)優(yōu)化結(jié)果Table 6 The parameter optimization results of rand forest model under the No Red-Edge and the Red-Edge Added treatment

2.3.3 模型驗證

利用25%的預測樣本，將No Red-Edge、Red-Edge Added兩組處理篩選出的自變量，代入到構(gòu)建的MLR、RF模型中，得到兩組處理各模型的蓄積量反演值。將十折交叉驗證結(jié)果平均，得到西寧市針葉林蓄積量的遙感反演結(jié)果與觀測值之間的關(guān)系圖（圖2）。由圖2可見，兩組處理的MLR、RF模型反演的蓄積量結(jié)果與觀測值之間的相關(guān)性，其顯著性均小于0.001；從散點圖的分布來看，MLR模型的反演結(jié)果較離散，而RF模型的反演結(jié)果更集中；且Red-Edge Added處理RF模型反演結(jié)果與觀測值更接近1:1線，其精確度達到0.9186。另外，MLR、RF模型反演的蓄積量在較低水平（小于50m3·hm-2）的均高于觀測值，而在較高水平（大于100m3·hm-2）的均低于觀測值。

圖2 無紅邊波段(a)和加入紅邊波段(b)后預測樣本在多元線性回歸(1)和隨機森林(2)模型蓄積量的反演結(jié)果Fig.2 The forest stock volume retrieved results of the multiple linear regression model (1) and the random forest regression model(2) based on the predicting samples for the No Red-Edge treatment (a) and the Red-Edge Added treatment (b) respectively

2.3.4 精度分析

由表7可見，相對于No Red-Edge處理，在加入紅邊波段后，MLR模型反演結(jié)果與觀測值擬合的決定系數(shù)R2表現(xiàn)出一定的提高（由0.5172增大到0.5487），但其均方根誤差幾乎沒有發(fā)生變化（由26.4m3·hm-2到26.3m3·hm-2），表明MLR模型不具備檢測GF6-WFV的紅邊波段對西寧市針葉林蓄積量反演影響的能力。而對于RF模型，在加入紅邊波段之后，其決定系數(shù)R2則表現(xiàn)出了明顯的增高（由0.6120增大到0.6719），且均方根誤差降低了10.3%（由23.2m3·hm-2降至20.8m3·hm-2）。對表7中的數(shù)據(jù)進一步分析可知，與MLR模型相比，RF模型在No Red-Edge、Red-Edge Added處理的決定系數(shù)R2分別提高了18.3%、22.5%，均方根誤差分別降低了12.1%、20.9%。表明RF模型可以更好地檢測出紅邊波段對蓄積量反演影響，在去除模型對反演精度的影響后，相對于No Red-Edge處理，Red-Edge Added處理的反演結(jié)果與觀測值擬合的決定系數(shù)R2提高了11.6%，均方根誤差降低了9.1%。

表7 無紅邊波段和加入紅邊波段處理下不同模型的森林蓄積量反演精度結(jié)果對比Table 7 Comparison of the retrieved precision of the forest volume for different models under the No Red-Edge and the Red-Edge Added treatment

3 結(jié)論與討論

3.1 討論

（1）遙感影像的紋理特征增強了森林冠層與灌草的差別，因而在森林蓄積量的遙感反演研究中得到了廣泛的應(yīng)用[32-33]。有研究指出紋理特征是物體的空間結(jié)構(gòu)特征的顯示，與影像的光譜特性無關(guān)，因此可以任意選擇一個波段[34]，王月婷等[4,35]的研究就采用了Landsat8的全色波段。但也有研究表明不同波段的紋理特征對森林蓄積量的影響不同，劉俊等[32]研究得到近紅外波段與柞樹蓄積量具有較強的相關(guān)性，曹霖等[18]也將不同波段的紋理指標作為不同的紋理特征變量。本研究No Red-Edge處理中選取了GF6-WFV前4個波段的紋理指標，分析處理后，篩選出的主成分信息集中在紅波段與近紅外波段，這與張沁雨等[24,32]的研究結(jié)論一致。同時本研究在Red-Edge Added處理中選取了GF6-WFV前6個波段的紋理指標，且在篩選出的主成分信息中捕捉到了紅邊波段的信息，進一步表明在森林蓄積量的遙感反演研究中，需要考慮不同波段的紋理特征。

（2）本研究采用逐步回歸法，篩選出了No Red-Edge、Red-Edge Added兩組處理的自變量。對于Red-Edge Added處理，紅邊1波段（B5）的地表反射率入選，這與Hu等[16]的研究結(jié)論一致。Red-Edge Added處理中，植被指數(shù)只有MTCI指數(shù)入選，而MTCI指數(shù)主要用于反映植被冠層的綠素含量，與NDVI相比，MTCI指數(shù)減少了大氣、土壤背景的影響[36]，削弱反射率的“碗邊效應(yīng)”[37]，更適合遙感定量反演與植被生長的參數(shù)[38-39]。另外，本研究中的NDREI指數(shù)未入選，從計算公式來看，盡管MTCI與NDREI中的兩個紅邊波段均參與計算，但MTCI涉及紅波段，而NDREI只是兩個紅邊波段的運算，進一步表明即使加入紅邊波段，紅波段對蓄積量的貢獻不可忽視，曹霖等[18]研究證實了這一點。

（3）本研究采用不同模型對有無紅邊波段處理的蓄積量進行反演，結(jié)果表明加入紅邊波段以后，針葉林蓄積量的反演精度得到了提高，均方根誤差降低了9.1%，這與曹霖等[18]在2018年基于Sentinel-2對吉林省中東部的森林蓄積量的反演結(jié)果一致。與此同時，本研究發(fā)現(xiàn)蓄積量在較低水平（小于50m3·hm-2）的反演結(jié)果均高于觀測值，而在較高水平（大于100m3·hm-2）的反演結(jié)果卻低于觀測值，這在曹霖等[18]的研究中同樣有此“飽和”現(xiàn)象，曹霖等[18]解釋這可能與植被指數(shù)的“飽和”現(xiàn)象有關(guān)。

（4）本研究引入紅邊波段后提高了針葉林蓄積量的反演精度，但與觀測值相比，還存在著諸多不確定性及誤差，主要表現(xiàn)在：①數(shù)據(jù)在時間上的匹配度：本研究忽略了蓄積量獲取時間與影像數(shù)據(jù)獲取時間的滯后性，盡管針葉樹種在一個齡級內(nèi)生長緩慢，但在初期（蓄積量較低水平）由于生長速率較快，可能會出現(xiàn)反演結(jié)果高于觀測值，而在后期（蓄積量較高水平）生長速率降低，反演結(jié)果低于觀測值的情況；②蓄積量的觀測誤差：本研究的蓄積量數(shù)據(jù)來源于西寧市2014年森林資源二類調(diào)查數(shù)據(jù)，盡管對蓄積量的原始數(shù)據(jù)進行了數(shù)據(jù)清洗及預處理，但也會存在因調(diào)查小班數(shù)目多、分布廣、參與觀測人員多等原因而導致的觀測誤差；③遙感影像的選擇：本研究采用光學遙感對蓄積量進行反演，但光學遙感并不能穿透樹冠，缺乏更多森林內(nèi)部結(jié)構(gòu)等信息，進而影響蓄積量的反演精度；④模型的選擇：本研究只選取了多元線性模型與隨機森林模型來反演西寧市針葉林的蓄積量，缺乏更多模型（如支持向量機、KNN模型、BP神經(jīng)網(wǎng)絡(luò)等）的對比印證。因此，在后續(xù)蓄積量的遙感反演研究中，需要引入多源數(shù)據(jù)包括光學、高光譜、雷達遙感以及LiDAR等，結(jié)合同期的蓄積量實測數(shù)據(jù)，兼顧反演模型的適用性，從森林蓄積量的形成機理出發(fā)，在宏觀與微觀尺度上對森林蓄積量的遙感反演作綜合研究。本研究揭示了紅邊波段在針葉林蓄積量的遙感反演方面的作用，為森林蓄積量的遙感反演及紅邊波段的應(yīng)用提供了更多的科學參考。

3.2 結(jié)論

（1）不同波段的紋理特征與針葉林蓄積量的相關(guān)性不同。No Red-Edge與Red-Edge Added兩組處理的紋理特征變量降維后，其主成分信息主要解釋了紅、近紅外、紅邊1波段的紋理特征。

（2）與蓄積量相關(guān)的光譜特征變量No Red-Edge處理主要包括紅、近紅外波段的地表反射率，而Red-Edge Added處理主要為紅邊1波段的地表反射率；與蓄積量相關(guān)的植被指數(shù)變量No Red-Edge處理主要包括NDVI與SAVI，而Red-Edge Added處理為MTCI。

（3）在去除模型對反演精度的影響之后，相對于No Red-Edge處理，Red-Edge Added處理的反演結(jié)果與觀測值擬合的決定系數(shù)R2提高了11.6%，均方根誤差降低了9.1%，表明WF6-WFV的紅邊波段提高了西寧市針葉林的蓄積量反演精度。