基于遙感影像的森林質(zhì)量評(píng)價(jià)方法研究

王珠娜 胡 月 張亞昊 佃袁勇 汪貽喜 袁 琳

(1.鄭州市林業(yè)產(chǎn)業(yè)發(fā)展中心 鄭州 450015；2.華中農(nóng)業(yè)大學(xué)園藝林學(xué)學(xué)院 武漢 430070； 3.湖北林業(yè)信息工程技術(shù)研究中心 武漢 430070)

林分質(zhì)量是森林生態(tài)、社會(huì)和經(jīng)濟(jì)方面功能及價(jià)值的綜合體現(xiàn)[1]，及時(shí)進(jìn)行林分質(zhì)量的評(píng)價(jià)，不僅能反映出森林資源的變化趨勢(shì)，便于對(duì)過(guò)去經(jīng)營(yíng)管理工作做出總結(jié)，也是評(píng)估森林發(fā)展?jié)摿?，更好?shí)現(xiàn)森林可持續(xù)經(jīng)營(yíng)和區(qū)域環(huán)境改善的決策基礎(chǔ)[2]。研究者們已在森林質(zhì)量方面做出大量研究，主要基于地面調(diào)查數(shù)據(jù)，根據(jù)不同的研究目的[3-6]，和不同的研究尺度[7-8]，從林分結(jié)構(gòu)、林分活力、立地質(zhì)量、干擾程度等方面篩選相關(guān)指標(biāo)并確定權(quán)重，構(gòu)建了多種多樣的林分質(zhì)量評(píng)價(jià)體系[9-11]。當(dāng)前，基于地面調(diào)查數(shù)據(jù)開(kāi)展森林質(zhì)量評(píng)價(jià)是主流方法，雖然該方法能比較準(zhǔn)確地描述森林資源狀況，但耗財(cái)耗力，并且調(diào)查和復(fù)測(cè)周期長(zhǎng)，不能及時(shí)反映森林資源質(zhì)量的空間分布變化。而遙感途徑因?yàn)榫哂腥菀字貜?fù)獲取大范圍監(jiān)測(cè)數(shù)據(jù)、成本低、估測(cè)便捷等優(yōu)點(diǎn)[12-13]，現(xiàn)已廣泛應(yīng)用于大范圍的森林資源的監(jiān)測(cè)與評(píng)估[14-15]。遙感所得的數(shù)據(jù)在森林資源監(jiān)測(cè)研究方面主要有定性和定量?jī)煞N應(yīng)用方式，前者主要用于地表覆蓋或地物類(lèi)型識(shí)別和變化檢測(cè)[16]，后者在林業(yè)中表現(xiàn)為對(duì)森林資源參數(shù)的定量反演，如對(duì)樹(shù)高、胸徑、郁閉度、生物量等森林結(jié)構(gòu)參數(shù)的反演[17-18]。光譜和紋理特征常用來(lái)預(yù)測(cè)森林結(jié)構(gòu)參數(shù)、碳儲(chǔ)量、生物量等林分變量，而這些林分變量也是森林質(zhì)量評(píng)價(jià)體系的重要組成部分[17-18]。

新密市屬典型的溫帶季風(fēng)氣候區(qū)，歷史上以煤都和農(nóng)業(yè)生產(chǎn)聞名，存在采空區(qū)，還有部分石質(zhì)土。經(jīng)過(guò)農(nóng)田防護(hù)林建設(shè)和荒山地造林植樹(shù)，新密市現(xiàn)已是鄭州市森林覆蓋率最高和喬木林面積最多的縣市。新密市森林的這種變化具有典型的代表性，因此，選擇該區(qū)域作為研究對(duì)象，探討基于遙感影像數(shù)據(jù)開(kāi)展區(qū)域尺度森林質(zhì)量評(píng)估的可行性。擬以小班為評(píng)估單元，通過(guò)提取小班對(duì)應(yīng)的遙感指標(biāo)，建立與林分質(zhì)量密切相關(guān)的林地生產(chǎn)力、林分結(jié)構(gòu)和干擾程度之間的關(guān)系，采用熵值法確定遙感評(píng)估試驗(yàn)區(qū)的森林質(zhì)量的方法，并通過(guò)線性擬合方法檢驗(yàn)評(píng)估的結(jié)果比較各遙感指標(biāo)在模型中的貢獻(xiàn)程度，為遙感數(shù)據(jù)在大尺度林分質(zhì)量評(píng)價(jià)提供一種新的思路。

1 研究區(qū)概況

新密市(34°19′～34°40′N(xiāo)，113°09′～113°41′E)地處河南省中部，嵩山東麓，四季分明，年均溫14.5 ℃，年蒸發(fā)量1 730.3 mm，年無(wú)霜期200 d左右。地形復(fù)雜，西面、南面和北面屬于低山丘陵區(qū)，市中丘陵交替錯(cuò)雜，東面為平原區(qū)，海拔在115～1 108.5 m之間。受氣候和地形影響，降水量分布不均，表現(xiàn)為北部和南部山區(qū)降水較多，中部與東部河谷平原較少。土壤以褐土為主，微堿性。新密市森林覆蓋率44%，是鄭州市西部生態(tài)屏障的重要組成部分。

2 數(shù)據(jù)源與研究方法

2.1 數(shù)據(jù)源

本研究主要使用2018年6～9月影像合成的新密市哨兵二號(hào)影像，控制云量低于5%，進(jìn)行植被指數(shù)和紋理特征的提取。使用2017年和2018年生長(zhǎng)季歸一化植被指數(shù)最大值的合成影像，計(jì)算干擾指數(shù)。輔助數(shù)據(jù)包括新密市2018年森林資源規(guī)劃設(shè)計(jì)調(diào)查數(shù)據(jù)、行政區(qū)劃數(shù)據(jù)和30 m分辨率數(shù)字高程數(shù)據(jù)。遙感數(shù)據(jù)從Google Earth Engine(GEE)平臺(tái)獲取，基礎(chǔ)數(shù)據(jù)來(lái)自鄭州市林業(yè)產(chǎn)業(yè)發(fā)展中心、地理國(guó)情監(jiān)測(cè)云平臺(tái)和地理空間數(shù)據(jù)云。

2.2 研究方法

2.2.1 樣本篩選

基于森林資源規(guī)劃設(shè)計(jì)調(diào)查的林地變更數(shù)據(jù)的獲取時(shí)間跨度大，并且影像為保證無(wú)云而涵蓋整個(gè)生長(zhǎng)季，因此遙感影像反映的地被情況與森林資源規(guī)劃設(shè)計(jì)調(diào)查結(jié)果并不能完全匹配，需要對(duì)森林小班進(jìn)行篩選，作為驗(yàn)證樣本。輔助數(shù)字高程模型(DEM)數(shù)據(jù)和高精度影像，使小班隨機(jī)散布在低海拔到高海拔、城市到城郊區(qū)域，重點(diǎn)核對(duì)郁閉度和混合像元小班的地被類(lèi)型，刪除調(diào)查和影像對(duì)應(yīng)不上的小班，最終確定523個(gè)樣本。各個(gè)小班的森林質(zhì)量評(píng)價(jià)按照張會(huì)儒[4]等研究成果，在小班尺度上，選擇生產(chǎn)力、結(jié)構(gòu)、健康水平、多樣性、更新等指標(biāo)，衡量小班的健康程度，采用熵值法計(jì)算小班質(zhì)量得分值，各個(gè)樣本小班的地面質(zhì)量評(píng)價(jià)得分值如圖1。

圖1 小班樣本林分質(zhì)量得分統(tǒng)計(jì)直方圖

2.2.2 評(píng)價(jià)因子選擇與提取

為達(dá)到評(píng)價(jià)需求，參考小班評(píng)價(jià)體系相關(guān)研究，考慮可及性和可靠性，選取植被指數(shù)、紋理特征和干擾指數(shù)三類(lèi)遙感指標(biāo)，分別對(duì)應(yīng)林地生產(chǎn)力、林分結(jié)構(gòu)和干擾程度。

(1)植被指數(shù)。林地生產(chǎn)力水平一般可由單位面積林木蓄積量反映，參考遙感估測(cè)森林蓄積量相關(guān)研究，選取全球環(huán)境監(jiān)測(cè)指數(shù)(GEMI)[19]、歸一化植被指數(shù)(NDVI)[20]、增強(qiáng)型植被指數(shù)(EVI)[20]、比值植被指數(shù)(SR)[21]、葉綠素紅邊模型(CRM)[21]和葉綠素綠光模型(CGM)[21]等6個(gè)與森林蓄積量相關(guān)性較高的植被指數(shù)，參與遙感估算林分質(zhì)量模型的構(gòu)建。植被指數(shù)由對(duì)綠色植被理化性質(zhì)敏感的波段組成，特別是葉綠素紅邊模型，利用到植被反射光譜斜率很大的紅邊位置，能夠很好地描述葉綠素濃度及林分生產(chǎn)能力。

(2)紋理特征。能夠反映影像自身屬性，因此增強(qiáng)了對(duì)異物同譜、同物異譜對(duì)象的識(shí)別。眾多紋理分析方法中，灰度共生矩陣(GLCM)方法由于適應(yīng)性和魯棒性強(qiáng)、計(jì)算量小，近年來(lái)被廣泛應(yīng)用于林分結(jié)構(gòu)反演[22]。

由于哨兵二號(hào)波段數(shù)較多，選擇與植被監(jiān)測(cè)密切相關(guān)的10個(gè)波段(除B1、B9、B10波段)，重采樣到20m分辨率，進(jìn)行主成分轉(zhuǎn)換，并提取第一主成分，在3×3窗口下計(jì)算常用的八個(gè)紋理特征。分別是均值(Mean)、方差(Variance)、協(xié)同性(Homogeneity)、對(duì)比度(Contrast)、相異性(Dissimilarity)、信息熵(Entropy)、二階矩(Second Moment)和相關(guān)性(Correlation)[23]。

(3)干擾指數(shù)(D)。新密市森林景觀與農(nóng)田、建筑鑲嵌分布，易受人為活動(dòng)影響。借助Zurlini提出的干擾程度量化公式，以一定年份間隔下相同或相近月份歸一化植被指數(shù)的變化值來(lái)反映森林覆蓋度的變化[24]。指數(shù)絕對(duì)值越大，說(shuō)明變化越劇烈；越接近0，說(shuō)明變化越小。具體公式如下：

2.2.3 指標(biāo)權(quán)重確定及評(píng)價(jià)模型的構(gòu)建

熵值法是一種客觀而深刻反映指標(biāo)區(qū)分能力并賦以權(quán)重的算法，可信度高且簡(jiǎn)單易實(shí)現(xiàn)。一個(gè)系統(tǒng)有序程度的高低可以用熵值來(lái)表示，若該系統(tǒng)無(wú)序程度高，則系統(tǒng)熵值小，包含的信息量多，權(quán)重大，反之則無(wú)序程度低，權(quán)重小[25]，確定權(quán)重的具體步驟參見(jiàn)文獻(xiàn)[26]。

基于2.2.2中的遙感因子構(gòu)建林分質(zhì)量(SQ)評(píng)價(jià)體系(圖2)，將篩選后樣本的遙感指標(biāo)得分值作為輸入數(shù)據(jù)，通過(guò)熵值法確定各指標(biāo)權(quán)重，得到遙感估算林分質(zhì)量模型。利用線性回歸方法的決定系數(shù)評(píng)估遙感森林質(zhì)量能夠解釋的變異性。

圖2 遙感估算林分質(zhì)量評(píng)價(jià)體系

3 結(jié)果與分析

3.1 遙感指標(biāo)與小班質(zhì)量得分的相關(guān)性分析

除紋理指標(biāo)中的相關(guān)性和均值外，其他所有遙感指標(biāo)都和小班質(zhì)量得分呈極顯著相關(guān)(P<0.001)。其中植被指數(shù)和小班質(zhì)量得分呈極顯著正相關(guān)，并且相關(guān)系數(shù)都在0.7以上。干擾指數(shù)和紋理特征同小班質(zhì)量得分的相關(guān)系數(shù)較低，分布在-0.21～0.19之間，其中對(duì)比度、相異性、信息熵和方差同小班質(zhì)量得分呈極顯著負(fù)相關(guān)(圖3)。

圖3 遙感指標(biāo)與小班質(zhì)量得分之間的相關(guān)性

3.2 指標(biāo)權(quán)重

遙感林分質(zhì)量評(píng)價(jià)指標(biāo)的權(quán)重(表1)，整體權(quán)重按從大到小排序依次是紋理特征>植被指數(shù)>干擾指數(shù)。紋理特征中，對(duì)比度和二階矩的權(quán)重較大，均值、信息熵和相關(guān)性的權(quán)重較小。植被指數(shù)中，比值植被指數(shù)和葉綠素紅邊模型的權(quán)重較大，歸一化植被指數(shù)的權(quán)重較小。干擾指數(shù)的權(quán)重最小。

表1 遙感林分質(zhì)量評(píng)價(jià)指標(biāo)的權(quán)重

續(xù)表

3.3 遙感量化模型驗(yàn)證

為評(píng)價(jià)模型的適用性，將遙感預(yù)測(cè)結(jié)果與小班評(píng)價(jià)結(jié)果進(jìn)行線性擬合，得到線性回歸方程y=1.030 3x，決定系數(shù)R2=0.986 1。結(jié)果表明：對(duì)于小班質(zhì)量得分較低的樣地，遙感預(yù)測(cè)質(zhì)量偏高，在小班質(zhì)量得分較高的樣地，遙感預(yù)測(cè)質(zhì)量偏低，但是從總體趨勢(shì)上看，樣點(diǎn)在回歸線兩側(cè)均勻分布，且按質(zhì)量由低到高，每一區(qū)段的樣本數(shù)基本相等，說(shuō)明遙感反演模型能夠較好的反映林分質(zhì)量狀態(tài)(圖4)。

圖4 遙感量化模型精度驗(yàn)證

3.4 全市林分質(zhì)量等級(jí)空間分布

由于遙感量化模型精度較高，依照樣本各指標(biāo)取值范圍，將模型應(yīng)用到全市森林小班，并采用自然斷點(diǎn)法將樣本林分質(zhì)量劃分為優(yōu)(0.615 991～0.851 743)、良(0.511 082～0.615 990)、中(0.405 818～0.511 081)、差(0.165 533～0.405 817)4個(gè)等級(jí)(圖5)。新密市森林總面積413.742 km2，整體森林質(zhì)量良好。其中質(zhì)量?jī)?yōu)良的林分面積為265.381 km2，占總面積的64.14%，主要分布在北部、西北和西南的山崗地區(qū)；質(zhì)量為中等的林分面積為115.154 km2；質(zhì)量為差的林分有33.207 km2,占總面積的8.03%，主要分布在新密市中部建筑和道路附近。

圖5 新密市林分質(zhì)量等級(jí)空間分布圖

4 結(jié)論與討論

4.1 結(jié)論

基于遙感數(shù)據(jù)的林分質(zhì)量評(píng)價(jià)方法是可行的，采用小班調(diào)查所得林分質(zhì)量進(jìn)行驗(yàn)證，遙感林分質(zhì)量反演模型的決定系數(shù)達(dá)到0.986 1，說(shuō)明遙感量化林分質(zhì)量得分能夠在一定程度上反映地面林分真實(shí)狀態(tài)和經(jīng)營(yíng)管理水平。植被指數(shù)、紋理特征和干擾指數(shù)等遙感指標(biāo)確實(shí)能夠反映森林植被生產(chǎn)力、林分結(jié)構(gòu)和所受干擾等狀況。其中，二階矩、對(duì)比度和方差能明顯反映小班間林分質(zhì)量差別，而干擾指數(shù)和歸一化植被指數(shù)的作用相對(duì)較小。

4.2 討論

(1)基于遙感數(shù)據(jù)的林分質(zhì)量評(píng)價(jià)方法簡(jiǎn)單可行。首先本研究采用的樣本數(shù)據(jù)來(lái)源于二類(lèi)小班調(diào)查資料，屬底層資料，廣泛且易獲取。其次，在大數(shù)據(jù)背景下，隨著遙感技術(shù)的發(fā)展以及在林業(yè)中應(yīng)用的深入，全面的林業(yè)遙感統(tǒng)計(jì)資料已經(jīng)可以滿足樣本的需求。再者，熵值法可以很好地挖掘數(shù)據(jù)本身蘊(yùn)含的信息，基于完整的樣本數(shù)據(jù)，通過(guò)指標(biāo)的變異系數(shù)反應(yīng)區(qū)分能力。本方法涉及的數(shù)理知識(shí)簡(jiǎn)單易懂，操作和計(jì)算簡(jiǎn)單，僅需替換原始數(shù)據(jù)，通過(guò)模型中權(quán)重的變化，即可獲得評(píng)價(jià)結(jié)果，適用于不同區(qū)域的森林，易于在基層推廣。

(2)遙感指標(biāo)在森林質(zhì)量評(píng)價(jià)的作用存在一定的差異。在本次試驗(yàn)中，紋理特征作用較大，較好地反應(yīng)了森林空間結(jié)構(gòu)特征[16-18]。干擾指數(shù)作用相對(duì)較小，這與林麗麗[19]等用層次分析法研究得到的結(jié)果一致。一方面是因?yàn)檠芯繀^(qū)森林整體受到較好保護(hù)，或不同小班間的干擾程度本身沒(méi)有差異；另一方面是因?yàn)?年的時(shí)間間隔太短，干擾活動(dòng)范圍小、強(qiáng)度低，把時(shí)間間隔拉長(zhǎng)到3～5或5～10年才能使歸一化植被指數(shù)變化值達(dá)到顯著水平。

(3)評(píng)價(jià)指標(biāo)的選擇和指標(biāo)提取過(guò)程中的參數(shù)設(shè)置直接影響林分質(zhì)量評(píng)價(jià)的精確度。本研究將各類(lèi)林分作為一個(gè)整體，未區(qū)分森林類(lèi)型和優(yōu)勢(shì)樹(shù)種，若要考慮樹(shù)種生長(zhǎng)特性并滿足森林多功能經(jīng)營(yíng)的需求，后續(xù)可根據(jù)不同的經(jīng)營(yíng)目的，增加水源涵養(yǎng)、水土保持和碳匯功能等新型指標(biāo)[32]，多方位呈現(xiàn)森林質(zhì)量。另外，本研究遙感評(píng)價(jià)模型中，紋理特征權(quán)重最大。窗口大小、像元間距、方向和量化等級(jí)等參數(shù)影響紋理特征值的計(jì)算，其中又以窗口大小的影響程度最大。當(dāng)窗口大小與空間自相關(guān)分析的結(jié)果相對(duì)應(yīng)時(shí)[33-34]，評(píng)價(jià)精度可能會(huì)進(jìn)一步提高。

(4)與地面的森林質(zhì)量對(duì)比，遙感評(píng)估的森林質(zhì)量呈現(xiàn)出在森林質(zhì)量水平較低時(shí)評(píng)估偏高，在森林質(zhì)量水平較高時(shí)，評(píng)估偏低的現(xiàn)象。高估現(xiàn)象可能是因?yàn)樵陂_(kāi)闊林分和幼齡林中，樹(shù)冠之間相對(duì)獨(dú)立分離，灌木、草本等林下植被以及裸地影響林分反射率。低估現(xiàn)象可能是因?yàn)樵诿芰址种?，?shù)冠重疊度高，生物量高，達(dá)到了光學(xué)影像反演森林質(zhì)量的飽和點(diǎn)，若增加冠層密度建模，可能有效緩解飽和現(xiàn)象[28]。高值低估和低值高估現(xiàn)象也出現(xiàn)在遙感估算地上生物量[29]、冠層蓋度[30]、林分密度和胸徑[31]等諸多研究中。