云南怒江流域森林地上生物量光學(xué)遙感估測及飽和點(diǎn)分析

李 猛 陸彥羽 盧騰飛 胥 輝 歐光龍

（西南林業(yè)大學(xué)林學(xué)院，西南林業(yè)大學(xué)西南地區(qū)生物多樣性保育國家林業(yè)局重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650233）

森林生物量作為森林生態(tài)系統(tǒng)的重要屬性，是整個森林生態(tài)系統(tǒng)運(yùn)行的能量基礎(chǔ)和營養(yǎng)物質(zhì)來源[1?2]。相較于傳統(tǒng)生物量估測的外業(yè)周期長、耗時費(fèi)力、只能獲取點(diǎn)上的實(shí)測數(shù)據(jù)、破壞性大等特點(diǎn)[3]，森林生物量遙感估測具有費(fèi)用低、現(xiàn)勢性好、準(zhǔn)確高效、無破壞、宏觀、大尺度動態(tài)監(jiān)測的優(yōu)勢，且各種不同分辨率的多光譜遙感數(shù)據(jù)已經(jīng)廣泛用于區(qū)域及全球森林地上生物量估算研究，較大尺度森林生物量遙感估算已成為森林生物量研究的重要手段[4?7]。在眾多的遙感數(shù)據(jù)源中，光學(xué)遙感數(shù)據(jù)被廣泛應(yīng)用于估測森林生物量[8?10]，尤其是Landsat 8 OLI 傳感器在波段設(shè)置及對植被的敏感性上比之前的TM 傳感器有較大的提升且可獲取中等和大尺度上的森林資源信息[11]?；谶b感估測森林生物量常用遙感估算經(jīng)驗(yàn)?zāi)Ｐ?，其主要有線性回歸模型，多元回歸模型、K?最鄰近分類法、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法、隨機(jī)森林回歸、Cubist 回歸等模型[12?15]。

目前森林生物遙感估測研究頗多，但森林生物量遙感估測仍具有不確定性[16]，不確定性的來源主要有生物量模型預(yù)估表現(xiàn)、野外樣地數(shù)據(jù)獲取、遙感數(shù)據(jù)源及其空間分辨率、森林的空間異質(zhì)性、森林生境信息因子等[17]。其中光學(xué)遙感估測的光飽和點(diǎn)帶來的不確定性尤受關(guān)注[18?19]，因?yàn)楣鈱W(xué)遙感數(shù)據(jù)的信息獲取主要來源于森林表層，對森林空間結(jié)構(gòu)信息不敏感[20]，在蓄積量較高的區(qū)域，冠層的層疊以及物種分布的多樣性導(dǎo)致遙感信息飽和，從而出現(xiàn)高值低估的現(xiàn)象[21]。因此確定光飽點(diǎn)對于提高森林生物量遙感估測精度具有重要意義。為確定森林生物量光學(xué)遙感估測的光飽和點(diǎn)，已有學(xué)者嘗試了不同的求解方法，周律等[22]基于空間回歸模型運(yùn)用二次項函數(shù)和冪函數(shù)求解普洱市思茅松林生物量光飽和點(diǎn)；趙盼盼[23]利用分層理論和半變異函數(shù)確定了浙江省6 類森林的生物量光飽和點(diǎn)；他們采用不同的研究方法分析了森林生物量光飽和點(diǎn)，進(jìn)一步提高了森林生物量的估測精度。但這些研究多聚焦于某一森林類型或平原丘陵等地形相對單一的地區(qū)，對于高山峽谷和高森林異質(zhì)性地區(qū)的研究涉及不多。

怒江流域地處中國云南西北部，其北部區(qū)域是三江并流的核心區(qū)域，具有極其重要的生態(tài)地位[24]，其特殊高山峽谷地形孕育了完整的植被垂直帶譜景觀與多種森林植被類型，是全球生物多樣性和生態(tài)景觀保護(hù)的重要地域[25]。其復(fù)雜的地貌特征導(dǎo)致傳統(tǒng)樣地實(shí)測生物量在此區(qū)域難以開展，探索復(fù)雜地形的森林生物量光學(xué)遙感估測的光飽和點(diǎn)值對于提高區(qū)域森林生物量的精確估測具有重要理論和實(shí)踐意義。鑒于此，本研究以云南省怒江流域?yàn)檠芯繉ο螅贚andsat 8 數(shù)據(jù)源，結(jié)合地面二調(diào)小班數(shù)據(jù)，開展流域森林地上生物量遙感反演研究以及對生物量光飽和點(diǎn)的確定和不同模型估測生物量的對比分析。在分析地面樣地與遙感影像變量相關(guān)性基礎(chǔ)上，運(yùn)用參數(shù)模型與非參數(shù)模型，探討從樣地到區(qū)域，點(diǎn)面結(jié)合的森林地上生物量估算方法，旨在為我國大范圍流域森林生物量估測和森林生物量飽和點(diǎn)的確定提供參考。

1 研究區(qū)概況

研究區(qū)為怒江流域云南段，地處北緯24°07′～28°23′，東經(jīng)98°07′～100°00′。怒江全長3 240 km，中國部分長2 013 km，云南省境內(nèi)段長650 km；流域總面積32.5 萬km2，云南省內(nèi)流域面積3.35 萬km2，占云南省面積的8.7%。流域內(nèi)，日溫差大，年溫差小，四季不明顯，年平均氣溫在14.8～21.3 ℃，無霜期長，水資源豐富，降水量充足，年均降水量在746.6～2 095.2 mm。云南省怒江流域由其獨(dú)特的自然條件，造就了其地域的森林類型多樣，樹種繁多，分布有熱帶雨林、季雨林、常綠闊葉林、寒溫性針葉林等森林類型[26]。怒江流域流經(jīng)的4 個州市的森林覆蓋率均在40%以上，生物多樣性豐富，是我國西南地區(qū)重要的生態(tài)廊道。

2 材料與方法

2.1 小班數(shù)據(jù)處理

基于研究區(qū)2016 年的森林資源二類調(diào)查數(shù)據(jù)，在ArcGIS 10.5 中剔除蓄積量為0 m3和平均胸徑小于5 cm 的小班，再通過目視解譯，去除非植被的小班。通過所獲取的二調(diào)數(shù)據(jù)小班的每公頃蓄積量，計算出研究區(qū)每個小班的蓄積量，參考黃從德[27]的蓄積量?生物量轉(zhuǎn)換模型計算各小班森林地上生物量（表1），進(jìn)而得到小班單位面積生物量。

表1 9 類優(yōu)勢樹種或樹種組的生物量模型Table 1 Biomass models of 9 dominant tree species or tree species groups

基于屬性選擇劃分優(yōu)勢樹種或樹種組，并將各優(yōu)勢樹種或樹種組的小班樣地在SPSS 23 中采用拉依達(dá)準(zhǔn)則除去異常值，每類優(yōu)勢樹種或樹種組均隨機(jī)篩選不低于1 000 塊小班進(jìn)行分析，并按照7∶3 分別作為建模數(shù)據(jù)和檢驗(yàn)數(shù)據(jù)（表2）。

表2 9 類優(yōu)勢樹種或樹種組的小班情況Table 2 The distribution of small class plot of 9 dominant tree species or tree species groups

2.2 遙感數(shù)據(jù)來源及處理

在地理空間數(shù)據(jù)云網(wǎng)站（http://www.gscloud.cn/）下載與二類調(diào)查數(shù)據(jù)同時期的流域區(qū)域的Landsat 8 OLI 衛(wèi)星影像數(shù)據(jù)（表3），利用ENVI 5.3 進(jìn)行輻射定標(biāo)、大氣校正、地形校正預(yù)處理，進(jìn)而通過影像融合、裁剪、鑲嵌獲得研究區(qū)預(yù)處理后的遙感影像數(shù)據(jù)。

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

2.3 遙感因子提取

采用ENVI 5.3 通過波段運(yùn)算工具Bandmanth提取單波段、植被指數(shù)、主成分分析（信息增強(qiáng)）等遙感因子，利用ArcGIS 10.5 分區(qū)統(tǒng)計功能統(tǒng)計研究區(qū)內(nèi)各小班遙感因子的均值，將提取的各遙感因子的均值進(jìn)行相關(guān)性分析，選擇相關(guān)性較高的遙感因子進(jìn)行模型構(gòu)建。提取3 類遙感特征因子共36 個，包括：

1）原始單波段因子（7 個）[28]：B1、B2、B3、B4、B5、B6、B7；

2）植被指數(shù)（17 個）[10]：歸一化植被指數(shù)（NDVI、ND43、ND67、ND563、）、差值植被指數(shù)（DVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）、比值植被指數(shù)（RVI）、垂直植被指數(shù)（PVI）、綠度/亮度/溫度植被指數(shù)（B/W/G）、大氣阻抗植被指數(shù)（ARVI）、短紅外溫度植被指數(shù)（MV15）、中紅外溫度植被指數(shù)（MV17）、土壤調(diào)整比值植被指數(shù)（SARV）、簡單比值植被指數(shù)（SR）、轉(zhuǎn)型植被指數(shù)（TVI）、非線性植被指數(shù)（NLI）、優(yōu)化的簡單植被指數(shù)（MSR）；

3）信息增強(qiáng)因子（12 個）[10]：纓帽K?T 變換因子（KT1/2/3）、主成分因子（PC1?a、PC1?b、PC1?p、PC2?a、PC2?b、PC2?p、PC3?a、PC3?b、PC3?p）。

2.4 森林地上生物量遙感模型

2.4.1 多元線性逐步回歸模型

基于SPSS 23 軟件采用Pearson 相關(guān)系數(shù)對遙感變量和森林地上生物量進(jìn)行相關(guān)性分析，剔除P值大于0.05 的遙感變量，選擇P值小于等于0.05 的變量進(jìn)入逐步回歸模型參與森林地上生物量的多元線性回歸模型構(gòu)建，并選取方差膨脹因子（VIF）10 進(jìn)行多重共線性診斷，最終確定參與模型構(gòu)建的自變量，具體方程為：

式中：Y表示單位森林地上生物量，X1、X2、X3表示影響生物量的自變量因子，ρ1、ρ2、ρ3表示未知參數(shù)向量，ε表示誤差項，其均值為0 且方差大于0。

2.4.2 BP 神經(jīng)網(wǎng)絡(luò)模型

在Matlab 2014 軟件中采用3 層BP 神經(jīng)網(wǎng)絡(luò)模型，其中輸入層的神經(jīng)元個數(shù)為各優(yōu)勢樹種或樹種組的多元線性逐步回歸模型中篩選出的自變量，輸出層個數(shù)為1，根據(jù)相關(guān)學(xué)者[29]的經(jīng)驗(yàn)進(jìn)行隱含層神經(jīng)元個數(shù)的選取，其計算方法見式（2）。

式中：m為隱含層神經(jīng)元個數(shù)；n為輸入層神經(jīng)元個數(shù)；l為輸出層神經(jīng)元個數(shù)；a 為1～10 的整數(shù)。

在進(jìn)行BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建前應(yīng)將數(shù)據(jù)進(jìn)行歸一化處理，以便于數(shù)據(jù)的單位統(tǒng)一，且神經(jīng)網(wǎng)絡(luò)輸出層的激活函數(shù)的值域，在[0,1]或[?1,1]的區(qū)間。輸出層所采用的是S 型激活函數(shù)，其值域限制在[0,1]，因此訓(xùn)練數(shù)據(jù)的輸出要?dú)w一化到[0,1]。網(wǎng)絡(luò)訓(xùn)練的函數(shù)采用Traingdx，網(wǎng)絡(luò)最大訓(xùn)練次數(shù)為1 000，學(xué)習(xí)速率為0.01，目標(biāo)誤差選取0.001、0.005、0.010 與隱含層神經(jīng)元個數(shù)進(jìn)行組合訓(xùn)練網(wǎng)絡(luò)。

2.5 模型評價與檢驗(yàn)

2.5.1 模型評價

本研究選擇模型均方根誤差（RMSE）和模型調(diào)整決定系數(shù)（Rj2）對模型進(jìn)行精度評價。

式中：y為觀測值；為預(yù)測值；為實(shí)測值的平均值；為預(yù)測值的平均值；n為樣本數(shù)。

2.5.2 獨(dú)立性檢驗(yàn)

參考李明澤[30]的模型檢驗(yàn)方法，選擇平均絕對誤差（MAE）、平均相對誤差（MRE）2 個檢驗(yàn)統(tǒng)計量來進(jìn)行獨(dú)立性檢驗(yàn)。各統(tǒng)計量計算公式如下：

式中：為實(shí)測值；為預(yù)測值；n為樣本總數(shù)。

2.5.3 殘差分段檢驗(yàn)

選取平均殘差（ME）和相對平均殘差（MRE）2 個指標(biāo)對建模樣本進(jìn)行分段殘差檢驗(yàn)，分別設(shè)置0～50、50～100、100～150、150～200 t/hm2和200 t/hm2以上5 個生物量段[2]。通過分段殘差檢驗(yàn)分析不同模型在不同生物量段的殘差差異。

2.5.4 研究區(qū)9 類優(yōu)勢樹種或樹種組森林地上生物量反演

依據(jù)森林資源二類調(diào)查數(shù)據(jù)獲取九類優(yōu)勢樹種或樹種組的空間分布位置，基于 Landsat8 OLI影像采用像元法計算各小班內(nèi)九類優(yōu)勢樹種或樹種組的地上生物量值，再根據(jù)不同模型的生物量構(gòu)建方法對研究區(qū)九類優(yōu)勢樹種或樹種組進(jìn)行生物量反演。

2.6 生物量光飽和點(diǎn)確定

根據(jù)光學(xué)遙感不同波段的反射率與植被的關(guān)系，確定生物量估測的光飽和點(diǎn)。對9 類優(yōu)勢樹種或樹種組的生物量與遙感因子各單波段進(jìn)行相關(guān)性分析，選擇相關(guān)性極顯著的波段與生物量建立散點(diǎn)圖。一般情況下，波段反射率隨著生物量的增大而減小，達(dá)到一定值后趨于穩(wěn)定，這與自變量對因變量的影響隨空間距離正向變化相似，因此可通過地統(tǒng)計學(xué)的半變異函數(shù)求飽和點(diǎn)。半變異的理論模型有：線性、非線性及孔穴效應(yīng)模型；模型參數(shù)：塊金值C0、偏基臺值C、變程ɑ，在區(qū)域化結(jié)構(gòu)性研究中具有非常重要的物理意義[31]。

本研究參考趙盼盼[23]的方法，利用半變異函數(shù)非線性模型中的球狀模型求解生物量光飽和點(diǎn)。先確定出半變異函數(shù)的擬合求解模型參數(shù)，再求解出各優(yōu)勢樹種或樹種組的生物量光飽和值，具體公式如下：

式中：Y(AGB) 為光譜反射率值；c0為生物量值為0 時，光譜反射率的值；c為光譜變化率；c0+c為生物量飽和時光譜反射率的最大或最小值；BS 為參與模型構(gòu)建波段的光譜飽和值。

3 結(jié)果與分析

3.1 森林地上生物量估測模型構(gòu)建

3.1.1 建模因子篩選

通過Pearson 相關(guān)性分析和多重共線性診斷，選取VIF10 的遙感特征變量，結(jié)果見表4。樺木林納入模型構(gòu)建的遙感因子為B3、B6、B7，榿木林納入模型構(gòu)建的遙感因子為B6、B7，桉樹林納入模型構(gòu)建的遙感因子為PC1?b、MSR，云南松林納入模型構(gòu)建的遙感因子為MSR、B5、ND563，云冷杉林納入模型構(gòu)建的遙感因子為albedo、MSR、B7、NDVI，喬木經(jīng)濟(jì)林納入模型構(gòu)建的遙感因子為B6、ARVI，其他闊葉林納入模型構(gòu)建的遙感因子為B6、B7，其他針葉林納入模型構(gòu)建的遙感因子為PC1?p、MSR、PC2?b、TVI，常綠櫟類林納入模型構(gòu)建的遙感因子為B6、B7，整體來看9 類優(yōu)勢樹種或樹種組與單波段遙感因子均呈極顯著相關(guān)（P0.01），且B6、B7 與各優(yōu)勢樹種或樹種組的生物量相關(guān)性較高。

表4 9 類優(yōu)勢樹種或樹種組的相關(guān)性分析及共線性診斷結(jié)果Table 4 Correlation analysis and collinearity diagnosis results of 9 dominant tree species or tree species groups

3.1.2 多元線性逐步回歸模型構(gòu)建

由表5 可知，B6、B7 波段和植被指數(shù)MSR 被納入建模較多，表明這3 個遙感因子與植被生物量具有較強(qiáng)的相關(guān)性。不同樹種或樹種組的Rj2也各不相同，其他闊葉林的Rj2最高為0.744；其次是常綠櫟類林，Rj2其值為0.650。表明此模型對于兩類樹種的地上生物量具有最好的模型擬合效果，其模型擬合值與實(shí)測值越接近。云南松林、云冷杉林、喬木經(jīng)濟(jì)林、其他針葉林、榿木林，這幾類森林的Rj2也較好，均在0.3以上，且RSME 的值都相對較低，表明模型對這幾類森林的生物量具有較好的模型擬合精度。樺木林的Rj2只有0.189，模型擬合精度最低，表明多元線性逐步回歸模型對于計算該地區(qū)的樺木林生物量的適用性不強(qiáng)。

表5 9 類樹種或樹種組逐步線性回歸模型構(gòu)建Table 5 Construction of stepwise linear regression model for 9 species or groups of tree species

3.1.3 BP 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

BP 神經(jīng)網(wǎng)絡(luò)模型評價結(jié)果見表6。各優(yōu)勢樹種或樹種組的神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)誤差，隱含層節(jié)點(diǎn)數(shù)。整體上9 類優(yōu)勢樹種或樹種組的BP 神經(jīng)網(wǎng)絡(luò)模型Rj2均在0.3 以上，樺木林的Rj2最低為0.306、RMSE 為31.628 t/hm2，桉樹林的Rj2次低為0.359、RMSE 為26.710 t/hm2，表明BP 神經(jīng)網(wǎng)絡(luò)模型對兩類樹種或樹種組的森林的生物量的模型擬合精度較低；對其他幾類樹種或樹種組的森林的生物量的模型擬合精度較高，最高的為其他闊葉林，Rj2最高為0.815，RMSE 為8.089 t/hm2。

表6 9 類優(yōu)勢樹種或樹種組的BP 神經(jīng)網(wǎng)絡(luò)模型參數(shù)Table 6 BP neural network model parameters of 9 dominant species or groups of tree species

3.2 模型精度評價

由表7 可知，各優(yōu)勢樹種或樹種組的BP-神經(jīng)網(wǎng)絡(luò)模型R2均比多元線性逐步回歸模型的高；從RMSE 來看，相較于多元線性逐步回歸模型，BP-神經(jīng)網(wǎng)絡(luò)模型對于其他闊葉林和其他針葉林、常綠櫟類林、喬木經(jīng)濟(jì)林的生物量估測有著更高的估測精度和較低的估測誤差，兩模型對于桉樹林與樺木林的模型精度都較低。從獨(dú)立性指標(biāo)來看，2 種模型除了樺木林外，其他樹種的獨(dú)立性檢驗(yàn)結(jié)果都比較好，其中兩模型的獨(dú)立性檢驗(yàn)結(jié)果最優(yōu)的樹種為常綠櫟類林。

表7 9 類優(yōu)勢樹種或樹種組多元回歸模型和BP 神經(jīng)網(wǎng)絡(luò)模型精度評價結(jié)果Table 7 Accuracy evaluation results of multiple regression models for 9 dominant species or groups of tree species

相較于逐步線性回歸模型，BP-NN 神經(jīng)網(wǎng)絡(luò)模型對于各優(yōu)勢樹種或樹種組的生物量估測更接近實(shí)測值，估測精度更高，其生物量的估測更為準(zhǔn)確，因此BP 神經(jīng)網(wǎng)絡(luò)模型的估測能力更優(yōu)于逐步線性回歸。

3.3 生物量分段殘差分析

生物量分段殘差結(jié)果見表8。由表8 可知，整體上BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)估精度較高，誤差相對逐步回歸模型較小。從生物量分段看，2 種模型均存在生物量低值高估和高值低估的情況，尤其常綠櫟類林的逐步回歸模型估測，在所有生物量分段中均顯示為低值高估，且存在過度估計的情況；云冷杉林的BP 神經(jīng)網(wǎng)絡(luò)模型估測，在所有生物量分段中均顯示為高值低估。在低生物量段（100 t/hm2）時，BP 神經(jīng)網(wǎng)絡(luò)模型的估測能力強(qiáng)于逐步回歸模型，且前者M(jìn)E 值更低了。在150 t/hm2的2 個生物量分段中，除了逐步回歸模型估測的常綠櫟類林的ME 和MRE 為負(fù)值外，其余均為正值，且BP 神經(jīng)網(wǎng)絡(luò)模型除其他闊葉林和常綠櫟類林外，其他樹種或樹種組的ME 均大于70 t/hm2，出現(xiàn)顯著的高值低估情況，說明在高生物量段2 種模型估測能力均顯不足?？傮w來看，雖然2 種模型均出現(xiàn)了過高估計和過低估計，但是BP 神經(jīng)網(wǎng)絡(luò)模型相較于逐步回歸模型具有較好的預(yù)估精度。

表8 生物量分段殘差分析Table 8 Biomass segmentation error results

續(xù)表 8

3.4 9 類優(yōu)勢樹種或樹種組的森林地上生物量反演

怒江流域9 類優(yōu)勢樹種或樹種組以及總的森林地上生物量反演統(tǒng)計量見表9。由表9 可知，2 種模型反演的9 類優(yōu)勢樹種或樹種組生物量估測值總體上大于實(shí)際測測量的生物量值，但BP 神經(jīng)網(wǎng)絡(luò)模型的生物量估測值更接近實(shí)際值，且BP 神經(jīng)網(wǎng)絡(luò)模型估測生物量的均方根誤差均比逐步回歸模型的小，因此BP 神經(jīng)網(wǎng)絡(luò)模型的估測精度優(yōu)于逐步線性回歸模型，其估測值更加真實(shí)。

表9 2 種模型下9 類優(yōu)勢樹種或樹種組的生物量反演值Table 9 Biological inversion of 9 dominant species or groups of tree species under 2 models

怒江流域生物量反演結(jié)果見圖1。由圖1 可知，2 種模型下怒江流域的云南松林的生物量主要分布在0～50 t/hm2，少數(shù)分布在50～150 t/hm2；云冷杉林生物量分布在0～100 t/hm2；常綠櫟類林生物量主要分布在50～150 t/hm2；桉樹林生物量估測主要分布在0～50 t/hm2，少數(shù)分布在50～100 t/hm2；榿木林生物量主要分布在50～150 t/hm2，少數(shù)分布在150～200 t/hm2；樺木林生物量主要分布在50～150 t/hm2；喬木經(jīng)濟(jì)林生物量主要分布在30～100 t/hm2；其他闊葉林生物量主要分布在50～150 t/hm2；其他針葉林生物量主要分布在0～100 t/hm2，少數(shù)分布在100～300 t/hm2。從整體空間分布來看，怒江流域9 類優(yōu)勢樹種或樹種組的森林地上生物量高生物量200 t/hm2主要分布在流域中西部區(qū)域和北部邊緣地區(qū)，生物量50～200 t/hm2集中分布于怒江流域的中部地區(qū)，且分布區(qū)域較廣。

圖1 研究區(qū)2 種模型反演的森林地上生物量密度分布Fig.1 The inversion map of aboveground biomass density using 2 models

3.5 森林地上生物量遙感估測光飽和點(diǎn)分析

對9 類優(yōu)勢樹種或樹種組的生物量與遙感因子各單波段進(jìn)行相關(guān)性分析，得到云南松林生物量與B3 波段相關(guān)性最高，值為?0.534；云冷杉生物量與B3 波段相關(guān)性最高，值為?0.537；常綠櫟類林生物量與B6 波段相關(guān)性最高，值為?0.745；桉樹林生物量與B6 波段相關(guān)性最高，值為?0.458；榿木生物量與B6 波段相關(guān)性最高，值為?0.680；樺木生物量與B3 波段相關(guān)性最高，值為?0.436；喬木經(jīng)濟(jì)林生物量與B6 波段相關(guān)性最高，值為?0.679；其他針葉林生物量與B6 波段相關(guān)性最高，值為?0.502；其他闊葉林生物量與B6 波段相關(guān)性最高，值為?0.859。基于此，本研究選擇相關(guān)性極顯著的波段與9 類優(yōu)勢樹種或樹種組的生物量建立散點(diǎn)圖（圖2），由圖2 可知，與9 類優(yōu)勢樹種或樹種組的生物量相關(guān)性最高的波段反射率值都隨著生物量的增加而降低，隨著生物量增加達(dá)到一定值時，波段光譜反射率值趨于平穩(wěn)或出現(xiàn)拐點(diǎn)，該值即為生物量光飽和值。

圖2 9 類優(yōu)勢樹種或樹種組的生物量與對應(yīng)單波段間的散點(diǎn)圖Fig.2 Discatter between biomass and corresponding bands of 9 dominant species or groups of tree species

半變異函數(shù)模型極其評價見表10。由表10可知，不同的樹種或樹種組具有不同的光飽和值和相關(guān)系數(shù)，云冷杉林的生物量飽和值最大，為197 t/hm2；云南松林、其他針葉林、榿木林的飽和值次之；喬木經(jīng)濟(jì)林、常綠櫟類林、其他闊葉林的飽和值較小。其中桉樹林的飽和值最低，為70 t/hm2；榿木林的調(diào)整R2最高，為0.469；其他闊葉林的調(diào)整R2最低，為0.071。

表10 半變異函數(shù)求解的九類優(yōu)勢樹種或樹種組森林光飽和值Table 10 The forest light saturation values of 9 dominant tree species or tree species groups solved by semi variogram

4 結(jié)論與討論

光學(xué)遙感估測森林地上生物量普遍存在森林林生物量光飽和點(diǎn)的現(xiàn)象[22]，同一區(qū)域不同的森林類型，相同類型不同的分布區(qū)的森林，同一森林中不同樹種之間，其生物量的光飽和值不同[17]，本研究通過對9 類樹種或樹種組進(jìn)行半變異函數(shù)求解，參數(shù)方程組合，求出各樹種或樹種組的光學(xué)遙感估測森林生物量光飽和值，云南松林182 t/hm2，云冷杉林197 t/hm2，喬木經(jīng)濟(jì)林161 t/hm2，其他針葉林182 t/hm2，其他闊葉林147 t/hm2，常綠櫟類林141 t/hm2，桉樹林70 t/hm2，樺木139 t/hm2，榿木林181 t/hm2。該值高于趙盼盼[23]研究所得的森林生物量光飽和值（馬尾松林159 t/hm2；杉木林143 t/hm2；闊葉樹林123 t/hm2）。這是因?yàn)樯稚锪抗怙柡椭凳苌种脖活愋?，森林異質(zhì)性的影響[17]，其中森林異質(zhì)性是導(dǎo)致遙感估測光飽和點(diǎn)存在的主要原因[12,18,32]。怒江流域地處云南滇西北高山峽谷區(qū)，森林類型多樣，樹種豐富，各樹種之間的林分結(jié)構(gòu)差異大，森林異質(zhì)性高，另外受地形因子的影響，研究區(qū)垂直氣候分帶明顯，海拔差異巨大，直接造成研究區(qū)各樹種或樹種之間的分布差異性巨大，光學(xué)遙感估測森林生物量的光飽和值高于趙盼盼的森林生物量光飽和值。光學(xué)遙感估測森林生物量普遍存在生物量光飽和點(diǎn)的現(xiàn)象，如何解決光飽點(diǎn)問題依然是今后的研究熱點(diǎn)，今后可以結(jié)合多源遙感數(shù)據(jù)構(gòu)建模型估測生物量以期減少生物量光飽的問題。

由于受分布區(qū)和樹種特性的生長習(xí)性的影響，樺木林、桉樹林、其他針葉林、其他闊葉林的生物量遙感估測的光飽和點(diǎn)模擬結(jié)果的R2小于0.3，模型解釋的信息不大，這可能與分布面積較小，小班樣本量不足有關(guān)；但為了獲得研究區(qū)所有森林類型的森林地上生物量遙感估測的光飽和點(diǎn)值及生物量模型，進(jìn)而獲得整個研究區(qū)的森林地上生物量遙感估測數(shù)據(jù)，本文仍然將其納入一并研究，由于其分布面積較小，對整個研究區(qū)森林生物量遙感估測的影響不大；面積較小的林分地上生物量遙感光飽和值及高精度估測模型仍需在今后的研究中進(jìn)一步探索。

本研究采用參數(shù)模型中的多元性線逐步回歸模型和非參數(shù)模型中的BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行生物量遙感估測，從模型獨(dú)立性檢驗(yàn)來看，BP 神經(jīng)網(wǎng)絡(luò)模型下各優(yōu)勢樹種或樹種組的R2都比逐步性線回歸模型下的高，表明BP 神經(jīng)網(wǎng)絡(luò)模型的估測精度高于逐步線性回歸模型的估測精度，這與徐輝等[33]、張鋒[13]、翟曉江[34]的研究結(jié)果一致。從生物量殘差分段分析表明來看，兩模型均存在低值高估和高值低估的情況，這是由于光學(xué)遙感數(shù)據(jù)存在飽和問題，在生物量高的森林中出現(xiàn)高值低估的情況，另外，由于一些林間空地等會影響光學(xué)遙感的反射率，使得在低生物量的森林中生物量被高估[32]。但是總體上，不同的優(yōu)勢樹種或樹種組BP 神經(jīng)網(wǎng)絡(luò)模型在所有生物量分段上ME 和MRE 優(yōu)于一般逐步回歸模型，可見BP 神經(jīng)網(wǎng)絡(luò)模型有著更為理想的模型預(yù)測能力，且在一定程度上能夠減小數(shù)據(jù)飽和引起的估測誤差。

本研究選用的地面數(shù)據(jù)是怒江流域2016 年森林資源的二類調(diào)查小班數(shù)據(jù)，與實(shí)測樣地點(diǎn)數(shù)據(jù)不同的是其更容易獲取且分布范圍廣樣本量充足，其可以彌補(bǔ)高山峽谷地區(qū)樣本數(shù)據(jù)不足的缺陷，盧騰飛等[2]、周律等[22]采用森林資源二調(diào)小班數(shù)據(jù)獲取小班數(shù)據(jù)遙感特征因子參與模型構(gòu)建估測森林生物量得到較好的結(jié)果，表明可以使用二調(diào)小班數(shù)據(jù)作為遙感估測森林生物量的地面數(shù)據(jù)。本研究采用二調(diào)小班數(shù)據(jù)，構(gòu)建多元性線逐步回歸模型和BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行生物量遙感估測，進(jìn)行模型精度評價和生物量殘差分析以及生物量反演，其結(jié)果和多數(shù)學(xué)者的相似，也進(jìn)一步表明使用二調(diào)小班數(shù)據(jù)作為遙感估測森林生物量的地面數(shù)據(jù)是可靠的。