我國(guó)高分遙感近十年林業(yè)應(yīng)用研究進(jìn)展

王本洋, 周雙云, 徐譽(yù)遠(yuǎn), 莫羅堅(jiān)

(1.華南農(nóng)業(yè)大學(xué) 林學(xué)與風(fēng)景園林學(xué)院,廣東 廣州 510642;2.華南農(nóng)業(yè)大學(xué) 森林經(jīng)理研究室,廣東 廣州 510642;3.廣東省嶺南院勘察設(shè)計(jì)有限公司,廣東 廣州 510663;4.廣東省東莞市林業(yè)科學(xué)研究所,廣東 東莞 523106)

遙感是高新科技的重要內(nèi)容之一,是國(guó)家科技實(shí)力的象征,也是衡量國(guó)家綜合實(shí)力的重要標(biāo)志[1-3]。自20世紀(jì)80年代至今,我國(guó)經(jīng)過40多年的發(fā)展,自主研發(fā)了氣象、資源、環(huán)境、高分以及小衛(wèi)星等多種系列200多顆遙感衛(wèi)星,現(xiàn)已躋身世界遙感科技的前列。

“高分”系列屬于《國(guó)家中長(zhǎng)期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要(2006—2020年)》中部署的“高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)”(簡(jiǎn)稱高分專項(xiàng))[4]。自2013年高分一號(hào)成功發(fā)射至今,我國(guó)高分遙感已經(jīng)發(fā)展了近十年時(shí)間。相比于其他衛(wèi)星遙感,我國(guó)“高分”系列衛(wèi)星的林業(yè)應(yīng)用研究主要集中在哪些細(xì)分領(lǐng)域?響應(yīng)了林業(yè)對(duì)遙感的哪些需求[5]?主要定量研究方法如何?應(yīng)用效果如何?目前尚未見述評(píng)性報(bào)道。

本文基于林業(yè)需求,初步總結(jié)高分遙感林業(yè)應(yīng)用研究的細(xì)分領(lǐng)域,重點(diǎn)介紹較為常用的6種定量分析方法及其應(yīng)用特點(diǎn),并對(duì)高分遙感的林業(yè)應(yīng)用進(jìn)行討論和展望,以期為相關(guān)研究者提供借鑒與參考,進(jìn)一步推動(dòng)高分遙感在林業(yè)中的應(yīng)用。

1 我國(guó)高分遙感在林業(yè)中的細(xì)分應(yīng)用領(lǐng)域

在我國(guó),林業(yè)是最早引進(jìn)并廣泛應(yīng)用遙感技術(shù)的領(lǐng)域之一[6]。在高分遙感出現(xiàn)之前,林業(yè)領(lǐng)域采用的衛(wèi)星遙感數(shù)據(jù)主要來自美國(guó)的Landsat 5—8[7]、QuickBird[8]、WorldView 1—4[9]、MODIS[10],歐空局Sentinel 1—2[11],法國(guó)SPOT 4/5[12]等,在森林火災(zāi)監(jiān)測(cè)[13]、病蟲害監(jiān)測(cè)[14]、葉面積指數(shù)反演[15]、森林蓄積量和生物量估算[16]以及森林樹種識(shí)別[17]等多個(gè)方向都取得了豐富研究成果。

經(jīng)文獻(xiàn)梳理發(fā)現(xiàn),我國(guó)高分遙感的林業(yè)應(yīng)用研究主要集中于森林資源調(diào)查、森林災(zāi)害監(jiān)測(cè)和森林參數(shù)提取3個(gè)細(xì)分領(lǐng)域。其中,森林參數(shù)提取進(jìn)一步細(xì)分為森林郁閉度和植被覆蓋度估算、葉面積指數(shù)計(jì)算、森林蓄積量和生物量估算、林分高度提取以及森林類型/樹種識(shí)別等。這與黃華國(guó)[5]基于林業(yè)需求提出的林業(yè)遙感應(yīng)用領(lǐng)域相一致。這些細(xì)分領(lǐng)域隨時(shí)間軸即發(fā)展階段不斷延伸、深化的關(guān)系如圖1所示。

圖1 高分遙感在林業(yè)中的應(yīng)用發(fā)展態(tài)勢(shì)Figure 1 Development trends of Gaofen-series satellite imagery in forestry

1.1 森林參數(shù)提取

1.1.1 森林郁閉度和植被覆蓋度估算

近年來,遙感林業(yè)應(yīng)用研究的熱點(diǎn)之一為不同空間、時(shí)間及光譜分辨率支持下的森林郁閉度和植被覆蓋度及其變化研究。采用高分遙感進(jìn)行郁閉度研究的報(bào)道較少,且這些研究采用了多光譜數(shù)據(jù)。

為了高效處理不斷增加的大量遙感數(shù)據(jù),Chen等[18]采用GF-1數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù),基于多元線性回歸(Multiple Linear Regression,MLR)和Spark算法構(gòu)建了嶗山林場(chǎng)的森林郁閉度模型,發(fā)現(xiàn)兩種模型精度一致(R2為0.651),采用Spark算法的反演效率更高。Wang等[19]基于GF-1和ZY-3高空間分辨率數(shù)據(jù),采用MLR、廣義加法模型(Generalized Additive Model,GAM)和隨機(jī)森林(Random Forest,RF)3個(gè)模型估算旺業(yè)甸林場(chǎng)和高峰林場(chǎng)的森林郁閉度,發(fā)現(xiàn)模型相同情況下,GF-1的估算效果更好;三種模型中GAM模型更穩(wěn)定。

閆敏等[20]較早采用高分遙感影像開展植被覆蓋度變化研究,課題組以Landsat 5 TM、GF-1影像和野外調(diào)查數(shù)據(jù),構(gòu)建了大興安嶺根河森林保護(hù)區(qū)植被覆蓋度模型。結(jié)果發(fā)現(xiàn),模型精度R2為0.52,還發(fā)現(xiàn)植被覆蓋度與高程存在較強(qiáng)正相關(guān)性(R2大于0.95),與坡度存在較弱正相關(guān)性(R2約0.37),與坡向有微弱的負(fù)相關(guān)性(R2約為-0.02)。Liu等[21]采用GF-2、Landsat 8和實(shí)地調(diào)查數(shù)據(jù),基于機(jī)器學(xué)習(xí)算法估算中國(guó)三北防護(hù)林的植被覆蓋度,發(fā)現(xiàn)隨機(jī)森林模型的精度最優(yōu)(R2=0.993)。

1.1.2 葉面積指數(shù)計(jì)算

葉面積指數(shù)(LAI)是植被冠層結(jié)構(gòu)最重要生物物理參數(shù)之一[22],GF-1數(shù)據(jù)具有較好的LAI估算能力[23],徐曉雨等[24]利用GF-1和Landsat 8影像數(shù)據(jù),反演了河北省康保縣荒漠化地區(qū)LAI,結(jié)果發(fā)現(xiàn),基于GF-1的反演模型具有更大的決定系數(shù),效果優(yōu)于基于Landsat 8的反演模型。Chen等[25]利用GF-5數(shù)據(jù),采用特征選擇和機(jī)器學(xué)習(xí)算法反演了長(zhǎng)春市的LAI,結(jié)果表明,隨機(jī)森林用于特征選擇,K-最鄰近用于回歸模型反演精度最高(R2=0.834)。

1.1.3 森林蓄積量和生物量估算

汪康寧等[26-27]較早、較系統(tǒng)地開展了基于高分遙感的森林蓄積量研究,先后采用單一尺度(8 m)和多尺度(8 m、16 m、24 m空間分辨率)的GF-1影像作為數(shù)據(jù)源,結(jié)合野外調(diào)查數(shù)據(jù),構(gòu)建和分析了黑龍江涼水自然保護(hù)區(qū)的RF反演模型和不同紋理特征變量下的森林蓄積量。劉兆華等[28]利用GF-2影像數(shù)據(jù)和內(nèi)蒙古旺業(yè)甸林場(chǎng)的實(shí)地調(diào)查數(shù)據(jù)為數(shù)據(jù)源,評(píng)估了MLR、RF、BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Artificial Neural Networks,BP-ANN)、支持向量機(jī)(Support Vector Machine,SVM)和K—最鄰近模型(K-Nearest Neighbor,KNN)5個(gè)蓄積量估測(cè)模型,發(fā)現(xiàn)RF模型精度最高(R2為0.66),MLR模型精度最低(R2為0.47)。

Li等[29]采用GF-2、Sentinel 2數(shù)據(jù),基于自適應(yīng)特征變量?jī)?yōu)化算法和RF、KNN構(gòu)建了內(nèi)蒙古旺業(yè)甸實(shí)驗(yàn)林場(chǎng)的森林蓄積量模型,發(fā)現(xiàn)基于自適應(yīng)特征變量?jī)?yōu)化算法和兩種數(shù)據(jù)聯(lián)合均可提高模型精度(KNN和RF相對(duì)均方根誤差分別為24.20%和20.82%)。

在森林生物量研究方面,劉常瑜等[30]較早開展了利用高分影像構(gòu)建森林生物量反演模型的研究。結(jié)合野外調(diào)查,分別以GF-1(16 m)和Landsat TM(30 m)影像構(gòu)建的嶗山林場(chǎng)森林生物量反演模型表明,基于GF-1的模型精度(80.75%)高于TM(77.12%)[30]。Zhu等[31]基于GF-2、GF-3和無人機(jī)遙感數(shù)據(jù),采用隨機(jī)森林構(gòu)建了廣東省淇澳島紅樹林保護(hù)區(qū)的森林生物量模型,模型精度依次為GF-2和GF-3聯(lián)合(R2=0.43)、GF-2(R2=0.21)、GF-3(R2=0.12)。Li等[32]采用GF-2、Sentinel 2及兩者融合數(shù)據(jù)和實(shí)地調(diào)查數(shù)據(jù),構(gòu)建了湖南省黃豐橋林場(chǎng)的森林生物量模型,結(jié)果發(fā)現(xiàn),基于NND融合算法的GF-2 B3波段和Sentinel 2融合影像(NND_B3)的堆疊泛化方法具有更高的估算精度(R2=0.6985)。

GF-3遙感作為合成孔徑雷達(dá)遙感,能夠獲取森林冠層、垂直結(jié)構(gòu)等特征信息,是當(dāng)前森林生物量估算的重要數(shù)據(jù)源之一。潘婧靚等[33]利用GF-3全極化數(shù)據(jù)、Landsat 8 OLI影像數(shù)據(jù),結(jié)合樣地調(diào)查數(shù)據(jù),采用KNN構(gòu)建了南寧市高峰林場(chǎng)的生物量模型,結(jié)果表明,采用2種遙感因子的模型的精度(R2=0.75)略高于采用單一遙感因子的模型的精度(GF-3的R2=0.47,Landsat 8 OLI的R2=0.42)。

1.1.4 林分高度提取

現(xiàn)有研究多采用激光雷達(dá)提取森林樹高[34],但由具有超高空間分辨的航空數(shù)據(jù)或?qū)I(yè)星載攝影測(cè)量系統(tǒng)獲取的立體觀測(cè)數(shù)據(jù)也可提取森林的高度信息[35]。因此,GF-2作為具有亞米級(jí)空間分辨率的、側(cè)擺能力為±35°的遙感衛(wèi)星也具有提取森林高度的潛力。倪文儉等[36]利用GF-2(0.8 m)影像數(shù)據(jù)獲取點(diǎn)云數(shù)據(jù),并進(jìn)一步處理得到內(nèi)蒙古自治區(qū)根河市大興安嶺林區(qū)的數(shù)字表面高程模型、森林高度模型;研究結(jié)果表明,GF-2的異軌立體觀測(cè)數(shù)據(jù)可較好地記錄森林冠層的垂直結(jié)構(gòu)信息,GF-2與激光雷達(dá)的像素對(duì)像素的線性相關(guān)性R2為0.51。

1.1.5 森林類型/樹種識(shí)別

森林類型/樹種的識(shí)別研究多基于無人機(jī)遙感數(shù)據(jù),或者國(guó)外遙感數(shù)據(jù),如中高空間分辨率的Landsat以及Sentinel等。研究表明,Landsat 8數(shù)據(jù)對(duì)針葉、闊葉樹種的識(shí)別具有較好效果,但對(duì)森林樹種的精細(xì)分類效果較差[37]。國(guó)產(chǎn)高分遙感因其具有較多的地物光譜特征、較高的空間分辨率而在森林類型與樹種識(shí)別研究中具有自身優(yōu)勢(shì)。

當(dāng)前高分遙感研究中,GF-1高空間分辨率數(shù)據(jù)是森林類型/樹種識(shí)別主要數(shù)據(jù)源。但在識(shí)別我國(guó)常見的亞熱帶常綠森林類型時(shí),不僅需要考慮高空間分辨率影像,還要考慮其與光譜信息之間的關(guān)系[38]。呂杰等[39-40]較早開展了基于高分遙感的森林類型分類和優(yōu)勢(shì)樹種分類研究。在黑龍江省涼水國(guó)家自然保護(hù)區(qū)的研究表明,基于GF-1(8 m)和濕地調(diào)查數(shù)據(jù)的森林類型分類精度可達(dá)91.68%[39],采用隨機(jī)森林分類模型得到的優(yōu)勢(shì)樹種分類總精度最高為81.01%[40]。Li等[41]基于GF-2和森林資源二類調(diào)查數(shù)據(jù),采用隨機(jī)森林方法構(gòu)建了嶗山林場(chǎng)的森林類型識(shí)別模型;結(jié)果發(fā)現(xiàn)總體分類精度(83.16%)和Kappa系數(shù)(79.86%)均優(yōu)于支持向量機(jī)分類模型。

高精度單木樹種識(shí)別是基于遙感技術(shù)的樹種識(shí)別研究的熱點(diǎn)之一。高空間分辨率影像是單木樹種識(shí)別主要數(shù)據(jù)源之一,采用GF-1、GF-2影像進(jìn)行樹種精細(xì)分類時(shí)精度高于85%[42-43],尹凌宇等[44]基于GF-2數(shù)據(jù)和森林資源調(diào)查數(shù)據(jù),采用最大似然法和SVM建立了四川省甘孜州道孚縣的樹種分類模型;與最大似然法相比,SVM的分類精度為86.75%,提升了5.96%。

高光譜數(shù)據(jù)具有較高的光譜分辨率(一般在10 nm左右),能識(shí)別森林植被的細(xì)微差異,為樹種精細(xì)識(shí)別提供了可能。將GF-5高光譜數(shù)據(jù)與其他高空間分辨率影像融合能充分發(fā)揮不同類型遙感影像的優(yōu)點(diǎn),提高森林樹種識(shí)別精度。同時(shí),兩種不同數(shù)據(jù)源協(xié)同進(jìn)行樹種識(shí)別可提高識(shí)別精度[45]。栗旭升等[46]基于GF-5、GF-6、DEM和野外調(diào)查數(shù)據(jù),采用KNN、SVM、貝葉斯分類、分類回歸樹和RF等多種方法建立面向?qū)ο蠖嘣磾?shù)據(jù)分類器自適應(yīng)的樹種識(shí)別方法,總體分類精度為87.56%。研究結(jié)果表明,具有較好樹種識(shí)別能力的光譜特征因子主要集中在紅光和近紅外波段,紋理特征因子主要集中在均值、熵和角二階矩[46]。

1.2 森林資源調(diào)查

我國(guó)在第六次國(guó)家森林資源清查正式引入遙感技術(shù)[47]。目前,在森林資源規(guī)劃設(shè)計(jì)調(diào)查(二類調(diào)查)研究報(bào)道中,僅有少數(shù)采用了高分遙感,仍主要采用SPOT 5以確定單位邊界、地類屬性、蓄積量以及其他與森林資源密切相關(guān)的生態(tài)與環(huán)境因素等。

李新平[48]較早將國(guó)產(chǎn)高分遙感應(yīng)用于森林資源調(diào)查中,主要是融合GF-2全色和多光譜影像,結(jié)合上期調(diào)查的矢量化數(shù)據(jù),形成新一期野外調(diào)查數(shù)據(jù)。李旋等[49]采用GF-1和地面調(diào)查數(shù)據(jù),建立了湖南省醴陵市的遙感判讀標(biāo)志,通過目視解譯提取森林資源分布情況;結(jié)果發(fā)現(xiàn),目視解譯的總體精度(93%)高于RF(86%)、SVM(75%)以及最大似然法(58%)等3種自動(dòng)解譯方法的總體精度。

1.3 森林災(zāi)害監(jiān)測(cè)

森林災(zāi)害監(jiān)測(cè)主要包括火災(zāi)監(jiān)測(cè)和病蟲害監(jiān)測(cè)。在森林火災(zāi)方面,武晉雯等[50]利用GF-1和Himawari-8(H8)數(shù)據(jù),構(gòu)建高斯函數(shù)擬合模型,以2017年4月11日11—16時(shí)遼寧省丹東市森林火災(zāi)為案例,進(jìn)行了林火密集監(jiān)測(cè)、火燒跡地和森林燃燒受害程度監(jiān)測(cè)研究。Zhang等[51]提出了改進(jìn)的多時(shí)相數(shù)據(jù)聯(lián)合空間屬性監(jiān)測(cè)算法,并基于該方法和GF-4數(shù)據(jù)對(duì)2020年10月30日黑龍江省的火災(zāi)進(jìn)行監(jiān)測(cè)研究,與MODIS數(shù)據(jù)相比,基于GF-4數(shù)據(jù)所得結(jié)果的準(zhǔn)確率提高了62%。

在病蟲害監(jiān)測(cè)方面,Huang等[52]利用GF-1、GF-2數(shù)據(jù),基于深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)遼寧省大西山、鐵背山、南天門山等山地森林進(jìn)行松材線蟲病的快速識(shí)別,準(zhǔn)確率高(94.90%)。Zhan等[53]基于GF-2(1 m和4 m)和Sentienl-2數(shù)據(jù),對(duì)朝陽(yáng)市大河北鎮(zhèn)的有紅松節(jié)油甲蟲病的樹種進(jìn)行識(shí)別,結(jié)果發(fā)現(xiàn)1 m分辨率的GF-2總體精度最高(77.7%)。

2 我國(guó)高分遙感林業(yè)應(yīng)用的主要研究方法

根據(jù)現(xiàn)有文獻(xiàn)報(bào)道,高分遙感林業(yè)研究中采用的定量分析方法有近30種,它們服務(wù)于不同的研究目的,具體使用方法各有差異。其中,采用多元線性回歸分析、隨機(jī)森林、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)、像元二分法、面向?qū)ο蠓诸惙ǖ?種方法(表1)的文獻(xiàn)數(shù)量和涉及的高分遙感類型的較多,這些方法的適用范圍較廣、應(yīng)用效果較好。

研究者往往綜合使用多種數(shù)據(jù)源、多種分析方法。如Li等[29]采用GF-2、Sentinel-2數(shù)據(jù)基于自適應(yīng)特征變量?jī)?yōu)選算法和RF、KNN構(gòu)建森林蓄積量模型。楊丹等[54]基于GF-1影像,結(jié)合U-Net、SegNET、DeepLab V3+等3種深度學(xué)習(xí)方法進(jìn)行林分類型研究,并與最大似然法、RF方法比較。基于GF-2數(shù)據(jù),劉兆華等[28]采用RF、MLR、BP-ANN、SVM、KNN等5個(gè)模型估測(cè)蓄積量;肖越等[55]分別采用RF、MLR、KNN、SVM、多層感知等5種模型估算森林蓄積量?；贕F-1和ZY-3數(shù)據(jù),Wang等[19]采用MLR、GAM和RF 3個(gè)模型反演森林郁閉度。汪紅等[56]對(duì)比分析了RF、SVM、KNN、貝葉斯分類算法等4種方法的樹種識(shí)別能力?；贕F-1數(shù)據(jù),劉伯濤等[57]分別采用BP-ANN、SVM、RF和MLR估算森林蓄積量。

2.1 多元線性回歸

多元線性回歸(Multiple Linear Regression,MLR)屬于經(jīng)典多元分析方法,在森林生物量、蓄積量等森林參數(shù)定量反演中應(yīng)用較多?；贕F-1(2 m)影像,張?zhí)K等[58]對(duì)比分析了多元線性回歸和支持向量機(jī)兩種模型對(duì)森林蓄積量的估算能力,結(jié)果表明,在采用光譜特征和紋理特征作為特征變量的情況下,多元線性回歸模型(R2為0.45)的精度稍低于支持向量機(jī)(R2為0.58)。

2.2 隨機(jī)森林

隨機(jī)森林(Random Forest,RF)廣泛應(yīng)用于森林資源調(diào)查、森林樹種識(shí)別和森林生物量研究中。隨機(jī)森林算法是由Breiman[59]提出的一種基于決策樹的機(jī)器學(xué)習(xí)算法,在運(yùn)算量不變的前提下通過多個(gè)決策樹算法提高模型預(yù)測(cè)精度,對(duì)共線性問題不敏感[60]。隨機(jī)森林生成決策樹的樣本是隨機(jī)選擇的,可以很好地避免擬合問題,運(yùn)算速率和精度都很高,對(duì)異常值和噪聲有很好的容忍性,對(duì)訓(xùn)練數(shù)據(jù)的適應(yīng)能力也很強(qiáng)[61]。

基于GF-1 WFV和GF-3 FS-Ⅱ雙極化SAR(Synthetic Aperture Radar,SAR)數(shù)據(jù),王歡等[62]采用RF法進(jìn)行濕地分類研究,結(jié)果表明在采用GF-1光譜特征和GF-3后向散射系數(shù)特征作為特征變量的條件下,濕地分類總體精度為86.23%,優(yōu)于僅采用GF-1影像光譜特征作為特征變量總體精度?；贕F-2數(shù)據(jù),劉兆華等[28]采用RF、MLR、BP-ANN、SVM、KNN等5個(gè)模型估測(cè)蓄積量;肖越等[55]分別采用RF、MLR、KNN、SVM、多層感知等5種模型估算森林蓄積量,結(jié)果表明,RF估算精度最高(74.60%,R2為0.51),其次為SVM模型(69.87%,R2為0.31)和KNN模型(60.46%,R2為0.28),MLR模型與多層感知器模型精度較差,分別為65.01%和63.94%,R2分別為0.06和0.05。基于GF-2和Landsat 8數(shù)據(jù),Liu等[21]基于機(jī)器學(xué)習(xí)算法估算中國(guó)三北防護(hù)林的植被覆蓋度,結(jié)果發(fā)現(xiàn),RF模型精度(R2=0.993)最優(yōu)?；贕F-1和ZY-3數(shù)據(jù),Wang等[19]采用RF、MLR、GAM等3個(gè)模型反演森林郁閉度?；贕F-6和Sentinel 2數(shù)據(jù),Yu等[45]采用RF分類器構(gòu)建了東南地區(qū)優(yōu)勢(shì)樹種識(shí)別模型。

2.3 支持向量機(jī)

支持向量機(jī)(Support Vector Machine,SVM)被廣泛用于森林資源調(diào)查、森林生物量、森林郁閉度等林業(yè)研究中?？捎糜诜诸惢蚧貧w研究。

支持向量機(jī)是一種按監(jiān)督學(xué)習(xí)方式對(duì)像元進(jìn)行二分類的機(jī)器學(xué)習(xí)方法,其原理是在線性可分時(shí),在原空間尋找兩類樣本的最優(yōu)分類超平面;線性不可分時(shí),在線性通過確定適當(dāng)?shù)暮撕瘮?shù)將原始數(shù)據(jù)從低維輸入空間變?yōu)楦呔S空間,從而在高維空間內(nèi)求解最優(yōu)線性分類超平面[63]。

基于不同時(shí)間分辨率GF-1影像,徐凱健等[64]提取了不同時(shí)間尺度下樹種生長(zhǎng)階段的林分冠層光譜歸一化植被指數(shù)(NDVI),結(jié)果表明光譜信息經(jīng)過微分處理,有效提高了利用逐旬或逐月尺度的時(shí)序光譜數(shù)據(jù)構(gòu)建的SVM樹種識(shí)別模型的精度?；贕F-1 WFV和時(shí)間序列數(shù)據(jù),Xu等[42]采用SVM對(duì)內(nèi)蒙古喀喇沁旗森林進(jìn)行森林樹種識(shí)別研究?；贕F-2數(shù)據(jù),尹凌宇等[44]采用SVM和最大似然法建立了四川省甘孜州道孚縣的樹種分類模型;汪紅等[56]對(duì)比分析了RF、SVM、KNN、貝葉斯分類算法等4種方法的樹種識(shí)別能力,結(jié)果表明,SVM模型總體分類精度(81.68%)低于RF模型(93.35%),高于貝葉斯分類模型(80.05%)和KNN模型(67.75%)。

2.4 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Artificial Neural Networks,BP-ANN)是一種向后傳播的多層前向神經(jīng)網(wǎng)絡(luò),一般由輸入層、隱藏層和輸出層組成[65],其中輸入層接受外部輸入數(shù)據(jù),輸出層為網(wǎng)絡(luò)輸出,采用線性函數(shù)作為傳遞函數(shù)連接各神經(jīng)元[66]。

在林業(yè)遙感中,通常將遙感信息作為輸入層,通過BP神經(jīng)網(wǎng)絡(luò)的計(jì)算經(jīng)由輸出層得到期望的輸出結(jié)果?；贕F-1數(shù)據(jù),劉伯濤等[57]分別采用BP-ANN、SVM、RF和MLR估算森林蓄積量,結(jié)果表明三種非參數(shù)模型的精度均優(yōu)于MLR模型,依次為RF(0.534)、SVM(0.534)、BP-ANN(0.534)和MLR(0.534);劉賽賽等[67]利用二類調(diào)查等數(shù)據(jù)源,采用BP-ANN和MLR建了新疆布爾津林場(chǎng)落葉松林分的郁閉度模型,決定系數(shù)R2分別為0.713和0.692?；贕F-2數(shù)據(jù),徐夢(mèng)伶等[68]采用BP-ANN、偏最小二乘回歸和主成分回歸模型構(gòu)建了湖南黃豐橋林場(chǎng)的3種森林生物量模型。

2.5 像元二分法

像元二分法主要用于森林郁閉度的計(jì)算。其原理是假定一個(gè)像元的光譜信息由兩個(gè)組分因子的光譜信息線性組合而成,并且傳感器所獲取的光譜值是每個(gè)組分對(duì)光譜值的貢獻(xiàn)之和,每個(gè)組分所占比例即為該組分因子所貢獻(xiàn)信息的權(quán)重[69-70]。進(jìn)行森林郁閉度計(jì)算時(shí),兩個(gè)組分因子分別是林冠覆蓋部分和非林冠覆蓋部分,喬木層林冠覆蓋地表部分所貢獻(xiàn)的權(quán)重即為該像元的森林郁閉度。

基于GF-1的16 m和SPOT 6的6 m空間分辨率影像和內(nèi)蒙古自治區(qū)呼倫貝爾市伊敏露天煤礦周邊10 km典型草甸草原的實(shí)地調(diào)查數(shù)據(jù),蔡宗磊等[71]分別采用像元二分法、支持向量機(jī)和偏最小二乘法估算植被覆蓋度,結(jié)果表明支持向量模型的精度在2種影像中均為最高?；贕F-1 WFV 16 m數(shù)據(jù),彭繼達(dá)等[72]提取植被指數(shù)作為植被覆蓋度指示因子,采用像元二分法建立了廈門市植被覆蓋度模型。

2.6 面向?qū)ο蠓诸惙?/h3>

面向?qū)ο蠓诸惙ㄊ窃谟跋穹指瞰@取對(duì)象基礎(chǔ)上,利用不同分類模型對(duì)遙感影像典型特征進(jìn)行分類的方法,包括影像分割、建立分類規(guī)則和信息提取三部分[3]。面向?qū)ο蠓ňC合利用了遙感影像的光譜、紋理、空間結(jié)構(gòu)分析,可提高影像分類精度[73],被廣泛應(yīng)用于森林資源監(jiān)測(cè)和森林樹種識(shí)別等領(lǐng)域。

基于具有紅邊波段的GF-6數(shù)據(jù),王子彥等[74]利用光譜信息、植被指數(shù)因子和紅邊特征,采用面向?qū)ο蠖喑叨确指罘ㄌ崛V西鹿寨縣的桉樹人工林信息,結(jié)果表明加入紅邊波段的分類方案的總體精度為91.75%,提高了11.25%,優(yōu)于僅采用光譜信息或植被指數(shù)的分類方案。

表1 高分遙感在林業(yè)應(yīng)用中的常用研究方法表Table 1 Popular quantitative methods employed in forestry application of Gaofen-series imagery

3 討 論

回顧我國(guó)高分遙感的十年建設(shè)發(fā)展之路,數(shù)據(jù)自給率達(dá)90%,不僅在我國(guó)林業(yè)、環(huán)保、國(guó)土、測(cè)繪等行業(yè)領(lǐng)域得到廣泛應(yīng)用,在“一帶一路”國(guó)家和地區(qū)也取得了顯著應(yīng)用效果[76]。

高分遙感數(shù)據(jù)波段多、光譜分辨率高,在多元線性回歸分析、隨機(jī)森林、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)、像元二分法、面向?qū)ο蠓诸惙ǖ确椒ㄖС窒?在森林資源調(diào)查、災(zāi)害監(jiān)測(cè)、郁閉度和覆蓋度估算、蓄積量和生物量估算、葉面積指數(shù)計(jì)算、森林類型識(shí)別和樹種識(shí)別方面具有一定優(yōu)勢(shì)和較大應(yīng)用潛力。

目前,在林業(yè)領(lǐng)域的高分遙感相關(guān)研究成果主要來自國(guó)內(nèi)研究者,主要以GF-1和GF-2為數(shù)據(jù)源,相比于Landsat或Sentinel,文獻(xiàn)數(shù)量偏少。

3.1 反演精度不高

高分遙感采用傳統(tǒng)的參數(shù)和非參數(shù)模型反演森林參數(shù)時(shí)的精度較低。與傳統(tǒng)遙感反演相比,傳統(tǒng)機(jī)器學(xué)習(xí)方法經(jīng)過多年發(fā)展、不斷改進(jìn),與傳統(tǒng)遙感影像更加匹配,而高分遙感反演還在摸索階段。高分遙感影像自身的特點(diǎn),如光譜、空間、輻射分辨率等,也決定了在提取光譜波段、植被指數(shù)、紋理信息等特征變量時(shí)與傳統(tǒng)遙感影像有所不同。

3.2 模型發(fā)展問題

大量新研究方法被應(yīng)用到林業(yè)遙感研究中,但是在森林蓄積量和生物量等定量反演時(shí)存在精度偏低、大尺度反演適用性較差等問題。因此需要發(fā)展針對(duì)高分遙感影像的方法。如何充分挖掘高分影像特點(diǎn),改進(jìn)和發(fā)展機(jī)器學(xué)習(xí)算法,以進(jìn)一步發(fā)揮高分遙感影像在上述細(xì)分領(lǐng)域中的應(yīng)用能力,以及提升樹種識(shí)別等能力,應(yīng)是未來研究方法發(fā)展的一個(gè)重點(diǎn)。

4 研究展望

(1)充分挖掘高分影像數(shù)據(jù)源優(yōu)勢(shì)。國(guó)產(chǎn)高分在林業(yè)研究中的作用越來越重要?；诙嘣催b感的林業(yè)研究可以充分發(fā)揮各類遙感影像的優(yōu)勢(shì)。相比于常用的Landsat、Sentinel等和SPOT 5、IKONOS、QuickBird、WorldView等,我國(guó)高分遙感在空間和光譜分辨率上具有一定優(yōu)勢(shì),并且GF-5具有更高光譜分辨率,填補(bǔ)了高光譜遙感在星載方面的空缺。應(yīng)進(jìn)一步探索高分遙感與其他遙感數(shù)據(jù)的協(xié)同處理方法,充分挖掘高分遙感數(shù)據(jù)的可用光譜信息,提取與森林類型/樹種、蓄積量/生物量、葉面積指數(shù)等森林參數(shù)有關(guān)的光譜特征,植被指數(shù)特征以及紋理信息等多種遙感特征,深入研究森林結(jié)構(gòu)參數(shù)在高分遙感中的反射機(jī)制,研究具有物理意義和機(jī)理基礎(chǔ)的機(jī)理模型在森林參數(shù)的可用性,明確各機(jī)理模型在森林參數(shù)反演與樹種識(shí)別等方面的精度和適用范圍。

(2)構(gòu)建不同數(shù)據(jù)源間回歸模型。長(zhǎng)時(shí)間序列研究是未來熱點(diǎn)之一。可開展“高分”系列數(shù)據(jù)自身可比性及其與其他傳統(tǒng)遙感數(shù)據(jù)源可比性的研究。GF-1、GF-2、GF-4、GF-6遙感均為多光譜遙感,但在輻射分辨率、光譜波段范圍和信噪比特性等方面存在差異。因此,在植被指數(shù)等定量反演結(jié)果間也存在一定差異?？赏ㄟ^定量研究建立它們彼此之間的回歸模型,定量刻畫數(shù)量關(guān)系,以增強(qiáng)數(shù)據(jù)的可比性。Roy等[77]已建立Landsat數(shù)據(jù)間的回歸模型。進(jìn)一步地,可建立高分遙感系列與包括Landsat在內(nèi)的其他遙感數(shù)據(jù)的關(guān)系模型,以更好地參與長(zhǎng)時(shí)間序列有關(guān)研究。

(3)豐富針對(duì)性算法。伴隨著遙感技術(shù)在林業(yè)中的應(yīng)用不斷向縱深發(fā)展(圖1),3S技術(shù)、物聯(lián)網(wǎng)和模型逐漸成為森林監(jiān)測(cè)和數(shù)據(jù)分析的常規(guī)手段,而新興的對(duì)地觀測(cè)技術(shù)包括高分辨?zhèn)鞲衅鳌o人機(jī)和近地觀測(cè),尤其是激光雷達(dá),有望成為解決森林監(jiān)測(cè)中一些困難問題和加強(qiáng)森林生態(tài)監(jiān)測(cè)的有力手段[78]。充分挖掘高分影像特點(diǎn),改進(jìn)和發(fā)展機(jī)器學(xué)習(xí)算法,發(fā)展針對(duì)高分遙感影像的數(shù)據(jù)分析方法,以進(jìn)一步發(fā)揮高分遙感影像在上述細(xì)分領(lǐng)域中的應(yīng)用能力。