基于Landsat 8 OLI和資源3號(hào)立體像對(duì)數(shù)據(jù)的桉樹森林蓄積量估測

摘 要：【目的】探索Landsat8 OLI數(shù)據(jù)和立體數(shù)據(jù)在估算桉樹森林蓄積量（forest stock volume，F(xiàn)SV）中的潛力，并且準(zhǔn)確地估計(jì)桉樹的FSV?！痉椒ā恳?幅Landsat8 OLI圖像和資源3號(hào)立體數(shù)據(jù)為遙感數(shù)據(jù)源，并且結(jié)合少量地面調(diào)查數(shù)據(jù)實(shí)現(xiàn)了桉樹FSV的遙感估計(jì)。研究中提取了三類遙感特征用于估計(jì)桉樹FSV：第一類是包括植被指數(shù)和單波段反射率在內(nèi)的光譜特征；第二類是基于Landsat 8 OLI圖像的單波段提取的8種紋理特征；第三類是基于資源3號(hào)立體像對(duì)數(shù)據(jù)和開源的數(shù)字高程模型（digital elevation model，DEM）提取的冠層高度模型（canopy height model，CHM）。利用Boruta算法對(duì)三類遙感特征進(jìn)行提取，之后建立了隨機(jī)森林（random forest，RF）、K-最近鄰（K-nearest neighbor，KNN）和支持向量機(jī)（support vector machine，SVM）3種機(jī)器學(xué)習(xí)模型以及傳統(tǒng)的多源線性回歸模型（multiple linear regression，MLR），并以決定系數(shù)（R2）、均方根誤差（root mean square error，RMSE）和相對(duì)均方根誤差（relative root mean square error，rRMSE）作為評(píng)價(jià)指標(biāo)對(duì)模型結(jié)果進(jìn)行評(píng)估。【結(jié)果】基于ZY-3立體像對(duì)數(shù)據(jù)和開源的DEM數(shù)據(jù)提取的CHM與桉樹的FSV具有很強(qiáng)的相關(guān)性，Pearson相關(guān)系數(shù)達(dá)到了0.71。僅僅利用基于Landsat 8 OLI圖像提取的光譜和紋理特征難以準(zhǔn)確地估計(jì)桉樹的FSV，估測模型的R2為0.29～0.38，rRMSE為35.65%～43.30%，存在嚴(yán)重的數(shù)據(jù)飽和問題。當(dāng)變量集中加入CHM后，模型的估測精度明顯提高，R2達(dá)到了0.64～0.66，rRMSE為25.74%～26.41%?！窘Y(jié)論】使用Landsat 8 OLI數(shù)據(jù)估算桉樹FSV時(shí)存在嚴(yán)重的數(shù)據(jù)飽和問題，并且使用空間分辨率為30 m的紋理特征難以有效地改善森林蓄積量的估計(jì)精度。利用資源3號(hào)立體像對(duì)數(shù)據(jù)和開源的DEM數(shù)據(jù)可以提取較為準(zhǔn)確的CHM，并且所提取的CHM可以解決改善光學(xué)數(shù)據(jù)的飽和問題，從而提高桉樹FSV的估計(jì)精度。

關(guān)鍵詞：森林蓄積量；Landsat 8 OLI；立體像對(duì)；冠層高度模型；遙感建模

中圖分類號(hào)：S771.8 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-923X（2024）05-0093-09

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目（31901311）。

Eucalyptus forest stock estimation study based on Landsat 8 OLI and Resource 3 stereo image

ZHANG Fangyuan1， WU Shengyi1， QIAO Hailiang2， XU Zhou3

（1. Northwest Inventory and Planning Institute， National Forestry and Grassland Administration， Xi’an 710048， Shaanxi， China； 2. Shaanxi Provincial Forestry Research and Planning Institute， Xi’an 710041， Shaanxi， China； 3. Central South University of Forestry Technology， Changsha 410004， Hunan， China）

Abstract：【Objective】To explore the potential of Landsat8 OLI data and stereo data in estimating Eucalyptus forest stock volume（FSV） and to accurately estimate eucalyptus FSV.【Method】This study used three Landsat8 OLI images and ZY-3 stereo data as remote sensing data sources and combined with a small amount of ground survey. The remote sensing estimation of Eucalyptus FSV was achieved by combining a small amount of ground survey data. There were three main types of remote sensing features used to estimate the FSV of eucalyptus： the first was the spectral features including vegetation index and single-band reflectance； the second was the eight texture features extracted based on the single-band of Landsat 8 OLI images； the third was the canopy height extracted based on the Resource 3 stereo image pair data and the open-source digital elevation model （DEM）. DEM extracted from the canopy height model（CHM）. The Boruta algorithm was used to characterize the three types of remote sensing features， and then three machine learning models， Random Forest （RF）， K- Nearest neighbor （KNN） and Support vector machine （SVM）， as well as the traditional multiple linear regression model （MLR）， were established. And evaluated the model results with coefficient of determination （R2）， root mean square error （RMSE） and relative root mean square error （rRMSE） as evaluation metrics. The model results were evaluated.【Result】The CHM extracted from ZY-3 stereo relative data and open-source DEM data had a strong correlation with the FSV of Eucalypts， with a Pearson correlation coefficient of 0.71. It was difficult to accurately estimate the FSV of Eucalypts using only spectral and texture features extracted from Landsat 8 OLI images， and the R2 of the estimated model was 0.29-0.38， rRMSE of 35.65%-43.30%， and a serious data saturation problem. When CHM was added to the variable set， the estimation accuracy of the model improved significantly， with R2 reaching 0.64-0.66 and rRMSE of 25.74%-26.41%.【Conclusion】There were serious data saturation problems when estimating Eucalyptus FSV using Landsat 8 OLI data， and it was difficult to effectively improve the estimation accuracy of forest stock using texture features with a spatial resolution of 30 m. More accurate CHM can be extracted using ZY-3 stereo image pair data and open-source DEM data， and the extracted CHM can significantly improve the saturation problem of optical data， thus improving the estimation accuracy of Eucalyptus FSV.

Keywords： forest stock volume； Landsat 8 OLI； stereo image pairs； canopy height model； remote sensing modeling

桉樹作為生長最快的樹種之一，其具有突出的固碳能力[1-3]。在我國，超過三分之一的木材由種植面積占2%的桉樹人工林提供[4]。森林蓄積量（forest stock volume，F(xiàn)SV）是衡量森林固碳能力的重要指標(biāo)之一。近年來，F(xiàn)SV主要通過野外實(shí)測的林分參數(shù)來擬合生長方程獲得，這種方式費(fèi)時(shí)、費(fèi)力且成本巨大。隨著遙感技術(shù)的發(fā)展，愈來愈多的遙感圖像中提供了長周期、大規(guī)模的森林空間信息，因此使用遙感圖像估測FSV具有十分廣闊的應(yīng)用前景[5-7]。

目前，各種豐富的光學(xué)遙感圖像已經(jīng)廣泛用于FSV的估計(jì)。然而，由于數(shù)據(jù)飽和問題導(dǎo)致光譜變量對(duì)FSV的變化不敏感，在密閉的森林中使用光學(xué)圖像很難獲得準(zhǔn)確的FSV，特別是對(duì)于FSV較大的森林[8-9]。如何解決數(shù)據(jù)飽和問題已經(jīng)成為相關(guān)研究的熱點(diǎn)話題之一。例如，周楊等[9]的研究表明不同樹種的飽和水平存在較大的差異，因此將樣本按照樹種分層估計(jì)是緩解飽和的一個(gè)途徑；Zhao等[7]發(fā)現(xiàn)將GF-2和Landsat 8 OLI數(shù)據(jù)融合可以提升光譜的飽和水平；Zhu等[10]的研究表明實(shí)現(xiàn)序列的光學(xué)數(shù)據(jù)可以緩解數(shù)據(jù)飽和問題。雖然之前的研究探索了各種方法來解決數(shù)據(jù)飽和問題，但是作為典型的速生樹種，桉樹的光譜飽和問題比其他樹種可能更嚴(yán)重。主要原因是人工桉樹林葉面積指數(shù)（leaf area index，LAI）在達(dá)到一定樹齡后隨樹齡的增加而降低，因此，通過正常植被指數(shù)很難識(shí)別成熟桉樹林和幼齡桉樹林光譜反射率的差異[11-14]。

森林的垂直特征如冠層高度模型（canopy height model，CHM），被認(rèn)為是解決飽和問題的有效手段[15-18]。一般來說，利用LiDAR點(diǎn)云數(shù)據(jù)可以快速獲得準(zhǔn)確的CHM等森林垂直結(jié)構(gòu)參數(shù)[19]。然而，由于采集數(shù)據(jù)需要高昂的成本， LiDAR數(shù)據(jù)并不適合獲取大尺度的森林結(jié)構(gòu)參數(shù)。另一方面，星載合成孔徑雷達(dá)（synthetic aperture radar，SAR）已被證明具有提取森林垂直參數(shù)的潛力。然而在復(fù)雜的林地環(huán)境中，星載極化干涉數(shù)據(jù)的質(zhì)量受到嚴(yán)重的時(shí)間去相干影響[20-21]。此外，立體像對(duì)圖像也可用于生成連續(xù)的森林高度圖[16]。由于立體圖像只能用于生成數(shù)字表面模型（digital surface model，DSM），準(zhǔn)確的數(shù)字高程模型（digital elevation model，DEM）是獲得準(zhǔn)確森林高度信息的關(guān)鍵。在以往的研究中，高精度的DEM通常采用LiDAR數(shù)據(jù)提取，因此，利用立體像對(duì)數(shù)據(jù)和開源DEM能否提取有效的CHM還需要進(jìn)一步研究。

為了分析Landsat 8 OLI數(shù)據(jù)和資源3號(hào)立體數(shù)據(jù)對(duì)估測桉樹FSV的有效性，本研究獲取了3幅Landsat 8 OLI圖像用于提取常用的光譜和紋理特征，并且利用資源3號(hào)立體像對(duì)數(shù)據(jù)提取了研究區(qū)的DSM，之后將獲取的DSM與開源的DEM進(jìn)行差分，得到研究區(qū)桉樹林分的CHM。然后利用Boruta算法進(jìn)行遙感特征選擇并建立支持向量機(jī)、隨機(jī)森林、K-最近鄰和多元線性回歸4種模型對(duì)桉樹FSV進(jìn)行估計(jì)，并且分析了CHM和基于Landsat 8 OLI提取的光譜特征和紋理特征對(duì)于估計(jì)桉樹FSV的貢獻(xiàn)程度，為精準(zhǔn)估測森林蓄積量提供了新的方法和理論指導(dǎo)。

1 材料與方法

1.1 研究區(qū)概況

高峰林場（22°57′N，108°19′E）位于中國廣西南寧市北部（圖1）。研究區(qū)地形以山地為主，東北海拔高達(dá)457 m。該區(qū)屬亞熱帶季風(fēng)氣候，年平均氣溫為21 ℃，年降水量為1 200～1 600 mm。截至2020年，森林蓄積量達(dá)到了663 m3/hm2，森林覆蓋率達(dá)到了80%以上。研究區(qū)約90%以上為人工林，主要樹種為桉樹。

1.2 地面數(shù)據(jù)的獲取

森林資源二類調(diào)查又稱森林經(jīng)理調(diào)查（Forest Management Inventory，F(xiàn)MI），是我國獲取森林資源現(xiàn)狀和變化數(shù)據(jù)的主要來源之一，在森林資源監(jiān)測和評(píng)估中發(fā)揮著關(guān)鍵作用。FMI數(shù)據(jù)庫由實(shí)地調(diào)查的不規(guī)則小班組成，屬性包含森林起源、年齡、樹種組成、郁閉度、平均胸徑、平均樹高等林分特征因子以及自然地理環(huán)境和生態(tài)環(huán)境因子。森林資源二類調(diào)查每十年進(jìn)行一次，每年通過輔助調(diào)查更新數(shù)據(jù)庫，以促進(jìn)實(shí)時(shí)的森林更新。本研究獲取了2018年廣西高峰林場的FMI一張圖數(shù)據(jù)，并根據(jù)調(diào)查的林班確定了105個(gè)桉樹樣地作為地面樣本。樣本的蓄積量調(diào)查結(jié)果如表1所示。

1.3 遙感數(shù)據(jù)的獲取

1.3.1 Landsat 8 OLI數(shù)據(jù)獲取和預(yù)處理

由于Landsat 8 OLI光學(xué)數(shù)據(jù)可以免費(fèi)獲取，并且具有合適的空間分辨率（30 m）與光譜分辨率（包括藍(lán)、綠、紅、近紅外和兩個(gè)短波紅外6個(gè)波段），已經(jīng)被廣泛地用于森林資源的動(dòng)態(tài)監(jiān)測與參數(shù)估計(jì)。然而，由于拍攝角度、太陽高度角和大氣環(huán)境等因素的不同，不同時(shí)間拍攝的同一地物的光譜信號(hào)差異巨大，即同物異譜現(xiàn)象。因此僅僅使用一景遙感圖像建立的森林蓄積量估計(jì)模型具有偶然性與不確定性。

為了提升蓄積量估計(jì)模型的穩(wěn)定性與泛化性能，在美國地質(zhì)調(diào)查局地球探索者網(wǎng)站（http：// earthexplorer.usgs.gov/）中下載了同一個(gè)生長季節(jié)（桉樹的蓄積量變化可以忽略）的3幅Landsat8 OLI影像用于遙感特征的提取。影像的拍攝時(shí)間分別為2017年10月28日、2017年12月25日和2018年2月1日。選取2017年12月25日獲取的圖像作為基準(zhǔn)圖像，利用地面的偽不變特征（裸地、建筑等）建立其余兩幅圖像的相對(duì)輻射校正方程，從而減小大氣環(huán)境等因素不同導(dǎo)致的光譜差異。最后計(jì)算相對(duì)輻射校正后的3幅圖像的平均光譜反射率，以提取用于桉樹FSV遙感建模的植被指數(shù)等光譜變量。

1.3.2 冠層高度模型的提取

資源三號(hào)（ZY-3）衛(wèi)星是我國第一顆高分辨率民用立體遙感衛(wèi)星，該衛(wèi)星通過三臺(tái)高分辨率全色攝像機(jī)拍攝正視、前視和后視3幅圖像來捕捉地面的立體信息。這項(xiàng)研究中，獲得了一對(duì)空間分辨率為2.1 m的立體圖像以計(jì)算桉樹林分的數(shù)字表面模型（digital surface model，DSM）。

為了從ZY-3立體圖像中準(zhǔn)確檢索DSM，首先計(jì)算圖像的連接點(diǎn)，然后使用區(qū)域網(wǎng)絡(luò)平差來構(gòu)建從立體圖像中提取的相同圖像點(diǎn)的幾何關(guān)系。之后，重建立體像對(duì)以生成點(diǎn)云模型，并在匹配和插值后成功提取DSM。最后，通過提取的DSM減去開源DEM，直接得到CHM。此外，從NASA地球數(shù)據(jù)庫中（https：//search.asf.alaska. edu/）下載了空間分辨率為12.5 m的開源數(shù)字高程模型（digital elevation model，DEM），用于提取冠層高度模型（canopy height model，CHM）。為了匹配DSM和DEM，將兩幅圖像重采樣到30 m的空間分辨率。

1.4 變量的提取與選擇

為了建立桉樹的FSV遙感估計(jì)模型，需要從Landsat8 OLI圖像中提取光譜特征（spectral feature，SF）和紋理特征（texture feature，TF）等遙感變量。本研究基于3幅圖像的平均反射率提取了6個(gè)單波段（Band2_Blue、Band3_Green、Band4_Red、Band5_NIR、Band6_SWIR1和Band7_ SWIR2）和6個(gè)常見植被指數(shù)，如歸一化差異植被指數(shù)（normalized differential vegetation index，NDVI）、紅綠植被指數(shù)（red and green vegetation index，RGVI）、增強(qiáng)植被指數(shù)（enhanced vegetation index，EVI）、差異植被指數(shù)（differential vegetation index，DVI）、比值植被指數(shù)（ratio vegetation index，RVI）和大氣阻抗植被指數(shù)（atmospheric resistance vegetation index，ARVI）。此外，本研究還基于Landsat 8 OLI的6個(gè)單波段變量提取了8種紋理特征，包括均值（mean，Me）、方差（variance，Var）、協(xié)同性（homogeneity，Hom）、對(duì)比度（contrast，Con）、相異性（dissimilarity，Dis）、信息熵（entropy，Ent）、二階矩（second moment，SM）和相關(guān)性（correlation，Cor）。

從Landsat 8 OLI圖像中共提取了64個(gè)遙感變量，顯然如果將所有變量都代入模型中會(huì)造成信息的冗余和維數(shù)災(zāi)難，因此在構(gòu)建蓄積量的估測模型之前進(jìn)行變量的選擇是有必要的。Boruta包是Kursa和Rudnicki在2010年基于隨機(jī)森林算法提出的一種全相關(guān)的特征選擇包裝算法[22]。該方法將原始屬性的重要性與隨機(jī)獲得的重要性進(jìn)行比較，并逐漸消除不相關(guān)的特征以穩(wěn)定測試，從而對(duì)相關(guān)特征執(zhí)行自上而下的搜索。在本試驗(yàn)中利用該特征選擇方式進(jìn)行遙感變量的篩選并確定最后用于建模的變量。

1.5 蓄積量估測模型的構(gòu)建與評(píng)估

2 結(jié)果與分析

2.1 CHM的提取結(jié)果

經(jīng)過幾何校正與像素分辨率匹配后，利用DSM減去DEM得到研究區(qū)的CHM，結(jié)果如圖2a所示。為了檢驗(yàn)CHM提取的準(zhǔn)確性，圖2b中展示了地面樣點(diǎn)的CHM與林分平均高的散點(diǎn)圖。由圖2可知，所提取的CHM與林分平均高之間存在良好的線性關(guān)系，其R2為0.55，RMSE為2.3 m。結(jié)果表明利用資源3號(hào)立體像對(duì)數(shù)據(jù)具有提取桉樹人工林高度信息的潛力。

為了進(jìn)一步驗(yàn)證CHM對(duì)提升桉樹FSV估計(jì)精度的性能，圖2c展示了CHM與桉樹FSV之間的散點(diǎn)圖。由圖2可知，CHM隨著FSV的增加而增加，并且二者之間存在較高的相關(guān)性（Pearson相關(guān)系數(shù)達(dá)到了0.71）。散點(diǎn)圖中還發(fā)現(xiàn)CHM并沒有光學(xué)數(shù)據(jù)中的飽和問題。由此推斷利用資源3號(hào)立體像對(duì)數(shù)據(jù)與開源的DEM提取的森林高度信息（CHM）可以用于改善森林FSV的估測精度。

2.2 變量選擇結(jié)果與相關(guān)性分析

基于Boruta算法分別對(duì)光譜特征（植被指數(shù)和單波段反射率）和紋理特征進(jìn)行篩選，結(jié)果如表2所示。為了進(jìn)一步分析光譜特征、紋理特征和CHM與桉樹FSV之間的敏感性，計(jì)算各類篩選后的遙感特征與桉樹FSV之間的Pearson相關(guān)系數(shù)（圖3）。

由圖3可知，CHM與桉樹的FSV相關(guān)性最高，達(dá)到了0.72。光譜特征與桉樹FSV的相關(guān)性為-0.56～0.54，其中Blue波段的相關(guān)性最高，為-0.56。紋理特征與桉樹FSV的相關(guān)性為-0.35～0.35，其中從Blue波段中提取的Mean和Homogeneity的相關(guān)性最高，分別為-0.35和0.35。此外，圖3還表明光譜特征與桉樹FSV的相關(guān)性明顯高于紋理特征與桉樹FSV的相關(guān)性，這說明在使用Landsat8 OLI數(shù)據(jù)估計(jì)桉樹的FSV時(shí)，光譜特征可能比紋理特征更重要。

2.3 桉樹FSV的估計(jì)結(jié)果

為了分析各類變量集估計(jì)桉樹FSV的性能，本研究利用篩選后的變量構(gòu)建了KNN、RF、SVM和MLR 4種模型用于桉樹FSV的估計(jì)，結(jié)果如表3所示。由表3可知，3種機(jī)器學(xué)習(xí)模型均明顯優(yōu)于多元線性回歸模型，并且對(duì)于每一個(gè)變量集，3種機(jī)器學(xué)習(xí)模型均取得了相似的結(jié)果，模型之間的差異在5%以內(nèi)。因此機(jī)器學(xué)習(xí)模型之間的差異并不是影響桉樹FSV估計(jì)精度的主要因素。表3還表明利用光譜特征估計(jì)桉樹FSV的結(jié)果（R2為0.29～0.35，rRMSE為38.08%～43.47%）明顯優(yōu)于紋理特征（R2為0.24～0.29，rRMSE為43.30%～49.14%），將光譜特征與紋理特征組合后模型的精度有所提升，R2為0.33～0.38，rRMSE為35.65%～39.71%。

僅使用CHM作為獨(dú)立變量建立的MLR模型的R2達(dá)到0.5，相對(duì)均方根誤差為31.36%，明顯優(yōu)于從Landsat8 OLI中提取的光譜特征和紋理特征。當(dāng)光譜變量中加入CHM后，模型的精度明顯提高，R2達(dá)到了0.58～0.64，rRMSE降低到26.41%～28.33%，相比于僅使用光譜特征和紋理特征降低了9.24%～11.38%。此外，將光譜特征、紋理特征和CHM 3種變量集組合建模，模型的精度進(jìn)一步提升，其R2為0.63～0.66，rRMSE為25.74%～27.51%。結(jié)果表明CHM對(duì)于提升桉樹FSV的估計(jì)精度十分重要，相比之下，從Landsat8 OLI圖像中提取的紋理特征改善桉樹FSV估計(jì)精度的能力十分有限。

為了進(jìn)一步分析光譜特征、紋理特征和CHM對(duì)于估計(jì)桉樹FSV的貢獻(xiàn)程度，繪制了每個(gè)變量集中最佳的估計(jì)模型的散點(diǎn)圖，圖中點(diǎn)的顏色表示殘差（圖3）。由圖3可知，利用從Landsat 8 OLI中提取的光譜特征和紋理特征估計(jì)桉樹FSV時(shí)，對(duì)于FSV較高的樣本都出現(xiàn)嚴(yán)重的低估現(xiàn)象，即數(shù)據(jù)飽和問題。而當(dāng)變量集中加入CHM后，明顯改善了高FSV樣本的低估現(xiàn)象。結(jié)果表明CHM可以緩解光學(xué)數(shù)據(jù)的飽和問題，從而提升了FSV的估計(jì)精度。

利用CHM和從Landsat8 OLI中提取的光譜特征、紋理特征模擬了整個(gè)研究區(qū)的桉樹FSV空間分布（圖4）。研究區(qū)桉樹的FSV大部分為50～150 m3·hm-2，少數(shù)FSV較高的桉樹林分布在研究區(qū)東北部和西南部。

3 討 論

已經(jīng)有大量的研究證明光學(xué)數(shù)據(jù)可以成功地應(yīng)用于森林蓄積量的遙感制圖，然而數(shù)據(jù)飽和問題嚴(yán)重限制了森林蓄積量遙感估計(jì)的精度[8-9，23]。近年的研究表明CHM與FSV密切相關(guān)且沒有數(shù)據(jù)飽和問題，也被認(rèn)為是克服光譜飽和問題的有效方法[14]。如Li等人[23]將生長季和落葉季的資源3號(hào)數(shù)據(jù)提取的DSM進(jìn)行差分，從而模擬了落葉松人工林的高度信息；Wang等人[24]利用資源3號(hào)立體像對(duì)數(shù)據(jù)提取的DSM和ALOS2數(shù)據(jù)提取的DEM提取了北方針葉林的CHM，研究結(jié)果與本研究相似，均證明了資源3號(hào)立體像對(duì)數(shù)據(jù)具有改善森林蓄積量和生物量估計(jì)精度的潛力。此外，還有研究表明L波段的SAR數(shù)據(jù)具有很強(qiáng)的穿透能力，將L波段與光學(xué)數(shù)據(jù)相結(jié)合可以改善森林蓄積量的低估現(xiàn)象，從而提升估計(jì)精度[25]。本研究通過開源的DEM和資源3號(hào)立體像對(duì)數(shù)據(jù)提取了較為準(zhǔn)確的CHM（RMSE為2.3 m），并且結(jié)果證明CHM與桉樹FSV之間具有很強(qiáng)的相關(guān)性，模型的散點(diǎn)圖也證明了CHM對(duì)于緩解光學(xué)數(shù)據(jù)飽和的有效性。

緩解光學(xué)數(shù)據(jù)的飽和問題是改善森林蓄積量和生物量估計(jì)精度的關(guān)鍵。從高分辨率光學(xué)圖像中提取的紋理特征被證明與森林的結(jié)構(gòu)息息相關(guān)，也可以在一定程度上起到緩解數(shù)據(jù)飽和的作用[25]。然而在本研究中，紋理特征并沒有表現(xiàn)出與桉樹FSV之間良好的相關(guān)性。原因之一是由于Landsat 8 OLI圖像的空間分辨率只有30 m，圖像中所有的像素都是由樹冠和背景組成的混合像素，因此通過Landsat 8 OLI圖像提取的紋理特征難以獲取森林的結(jié)構(gòu)信息。遙感圖像的紋理特征嚴(yán)重依賴于其空間分辨率，在之后的研究中有必要進(jìn)一步探究高分辨率的紋理特征用于估測桉樹FSV的潛力。

4 結(jié) 論

為了利用遙感技術(shù)準(zhǔn)確地估計(jì)桉樹FSV，本研究獲取了同一個(gè)生長季節(jié)的3幅Landsat 8 OLI圖像，并且從多時(shí)相的平均圖像中提取了植被指數(shù)和紋理特征。此外，還利用資源3號(hào)的立體像對(duì)圖像和開源的DEM提取了CHM以提升桉樹FSV的估計(jì)精度。為了評(píng)估各類變量估計(jì)桉樹FSV的性能，本研究利用Boruta算法對(duì)提取的變量進(jìn)行變量篩選并建立了RF、KNN、SVM 3種機(jī)器學(xué)習(xí)模型和傳統(tǒng)的多元線性模型（MLR），實(shí)現(xiàn)了研究區(qū)桉樹FSV的遙感估計(jì)。研究結(jié)果表明，由于數(shù)據(jù)飽和問題，利用從Landsat8 OLI數(shù)據(jù)中提取的光譜特征估計(jì)桉樹的FSV時(shí)，嚴(yán)重低估了具有高FSV的樣本，來自Landsat8 OLI圖像的紋理特征難以改進(jìn)桉樹FSV的估計(jì)精度。利用資源3立體數(shù)據(jù)和開源的DEM可以提取較為準(zhǔn)確的CHM，將CHM加入變量集后，數(shù)據(jù)的飽和問題得到緩解，從而有效提升了桉樹FSV的估計(jì)精度。

參考文獻(xiàn)：

[1] 周宇飛，王振師，鐘映霞，等.基于無人機(jī)機(jī)載激光雷達(dá)的桉樹蓄積量估測技術(shù)研究[J].林業(yè)與環(huán)境科學(xué)，2021，37（2）：7-11. ZHOU Y F， WANG Z S， ZHONG Y X， et al. Estimation technology of Eucalyptus stock volume on UAV-based LiDAR[J]. Forestry and Environmental Science，2021，37（2）：7-11.

[2] 劉杰，覃彩萍.廣西地區(qū)桉樹人工林造林密度對(duì)蓄積量的影響[J].綠色科技，2018（1）：46-47，49. LIU J， QIN C P. Effect of plantation density on stocking in Eucalyptus plantation forests in Guangxi[J]. Journal of Green Science and Technology，2018（1）：46-47，49.

[3] 楊嘉麒，鄧海燕，張港隆，等.4種混交比例對(duì)桉樹-紅椎人工混交林生長和土壤養(yǎng)分的影響[J].中南林業(yè)科技大學(xué)學(xué)報(bào)， 2021，41（11）：90-97. YANG J Q， DENG H Y， ZHANG G L， et al. Effects of four mixed ratios on the growth and soil nutrient of Eucalyptus-Castanopsis hystrix mixed plantations[J]. Journal of Central South University of Forestry Technology，2021，41（11）：90-97.

[4] 謝賢勝，蘇宏新，楊元征，等.基于地基激光雷達(dá)估測廣西桉樹人工林的林分參數(shù)[J].林業(yè)資源管理，2022（2）：100-108. XIE X S， SU H X， YANG Y Z， et al. Estimation of forest parameters of Guangxi Eucalyptus plantation based on terrestrial laser scanning[J]. Forest Resource Management，2022（2）： 100-108.

[5] 王鵬杰，張繪芳，田昕，等.主被動(dòng)遙感特征優(yōu)化的天然林森林蓄積量估測—以新疆鞏留縣為例[J].遙感技術(shù)與應(yīng)用， 2022，37（3）：672-680. WANG P J， ZHANG H F， TIAN X， et al. Estimation of forest stem volume of natural forests based on the optimization of active and passive remote sensing features： a case study over Gongliu county of Xinjiang[J]. Remote Sensing Technology and Applications， 2022，37（3）：672-680.

[6] 胡建錦，熊偉，方陸明，等.基于距離相關(guān)系數(shù)和Catboost方法的森林蓄積量估測[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2023，43（5）： 27-35. HU J J， XIONG W， FANG L M， et al. Forest stock volume estimation based on Catboost method of distance correlation coefficients[J]. Journal of Central South University of Forestry Technology，2023，43（5）：27-35.

[7] ZHAO P P， LU D S， WANG G X， et al. Examining spectral reflectance saturation in Landsat imagery and corresponding solutions to improve forest aboveground biomass estimation[J]. Remote Sensing，2016，8：469.

[8] 孫忠秋，吳發(fā)云，胡楊，等.基于Landsat-8 OLI數(shù)據(jù)的馬尾松林蓄積量飽和點(diǎn)確定及估測[J].林業(yè)資源管理，2020（6）： 135-142. SUN Z Q， WU F Y， HU Y， et al. Determination and estimation of Pinus massoniana stand volume and saturation point based on Landsat-8 OLI data[J]. Forest Resources Management， 2020（6）：135-142.

[9] 周楊，王春林，薛艷麗，等.無人機(jī)LiDAR森林蓄積量估測方法[J].遙感信息，2023，38（2）：142-149. ZHOU Y， WANG C L， XUE Y L， et al. Estimation method of forest volume with UAV LiDAR technology[J]. Remote Sensing Information，2023，38（2）：142-149.

[10] ZHU X L， LIU D S. Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2015，102： 222-231.

[11] ALMEIDA A C， SOARES J V， LANDSBERG J J， et al. Growth and water balance of Eucalyptus grandis hybrid plantations in Brazil during a rotation for pulp production[J]. Forest Ecology and Management，2007，251：10-21.

[12] WEI C W， HUANG J F， MANSARAY L R， et al. Estimation and mapping of winter oilseed rape LAI from high spatial resolution satellite data based on a hybrid method[J]. Remote Sensing， 2017，9：488.

[13] SU W， HUANG J X， LIU D S， et al. Retrieving corn canopy leaf area index from multitemporal landsat imagery and terrestrial LiDAR data[J]. Remote Sensing，2019，11：572.

[14] LIU Z H， YE Z L， XU X D， et al. Mapping forest stock volume based on growth characteristics of crown using multi-temporal Landsat 8 OLI and ZY‐3 stereo images in planted Eucalyptus forest[J]. Remote Sensing，2022，14：5082.

[15] URBAZAEV M， THIEL C， MIGLIAVACCA M， et al. Improved multi-sensor satellite-based aboveground biomass estimation by selecting temporally stable forest inventory plots using NDVI time series[J]. Forests，2016，7：169.

[16] 張廷琛.基于ZY-3立體像對(duì)與多光譜影像的人工林蓄積量與飽和度研究[D].長沙：中南林業(yè)科技大學(xué)，2022. ZHANG T C. Analyzing the saturation of growing stem volume based on ZY-3 stereo and multispectral images in planted coniferous forest[D]. Changsha： Central South University of Forestry Technology，2022.

[17] 張廷琛，林輝，劉兆華，等.利用ZY-3立體像對(duì)的桉樹林分平均高估測[J].測繪科學(xué)，2022，47（2）：117-125. ZHANG T C， LIN H， LIU Z H， et al. Mean high estimation of Eucalyptus by ZY-3 stereoscopic image[J]. Science of Surveying and Mapping，2022，47（2）：117-125.

[18] 趙俊鵬，趙磊，陳爾學(xué)，等.ZY3立體像對(duì)和機(jī)載LiDAR抽樣數(shù)據(jù)協(xié)同估測森林平均高[J].林業(yè)科學(xué)，2021，57（9）：66-75. ZHAO J P， ZHAO L， CHEN E X， et al. Synergy application of ZY3 stereo imaging pairs and airborne LiDAR sampling data for estimating mean height of forest[J]. Scientia Silvae Sinicae， 2021，57（9）：66-75.

[19] 溫雨笑，呂杰，馬慶勛，等.高光譜和LiDAR聯(lián)合反演森林生物量研究[J].測繪通報(bào)，2022（7）：38-42. WEN Y X， LYU J， MA Q X， et al. Study on inversion of forest biomass by LiDAR and hyperspectral[J]. Bulletin of Surveying and Mapping，2022（7）：38-42.

[20] 姬永杰，徐昆鵬，張王菲，等.不同波長極化SAR數(shù)據(jù)水云模型森林生物量反演對(duì)比分析[J].北京林業(yè)大學(xué)學(xué)報(bào)， 2023，45（2）：24-33. JI Y J， XU K P， ZHANG W F， et al. Comparative analysis of forest biomass retrieval from water cloud model （WCM） of polarized SAR data with different wavelengths[J]. Journal of Beijing Forestry University，2023，45（2）：24-33.

[21] 姬永杰，楊叢瑞，張王菲，等.基于機(jī)載P波段全極化SAR數(shù)據(jù)的森林地上生物量估測[J].浙江農(nóng)林大學(xué)學(xué)報(bào)，2022，39（5）： 971-980. JI Y J， YANG C R， ZHANG W F， et al. Forest above ground biomass estimation using airborne P band polarimetric SAR data[J]. Journal of Zhejiang A F University，2022，39（5）： 971-980.

[22] KURSA M B， RUDNICKI W R. Feature selection with Boruta package[J]. Journal of Statistical Software，2010，36（11）：1-13.

[23] LI G Y， XIE Z L， JIANG X D， et al. Integration of ZiYuan-3 multispectral and stereo data for modeling aboveground biomass of larch plantations in north China[J]. Remote Sensing，2019， 11（19）：2328.

[24] WANG Y T， ZHANG X L， GOU Z Q. Estimation of tree height and aboveground biomass of coniferous forests in North China using stereo ZY-3， multispectral Sentinel-2， and DEM data[J]. Ecological Indicators，2021，126（8）：107645.

[25] 梁志鋒，凌飛龍，汪小欽.L波段SAR與中國東北森林蓄積量的相關(guān)性分析[J].遙感技術(shù)與應(yīng)用，2013，28（5）：871-878. LIANG Z F， LING F L， WANG X Q. Correlation analysis between L-band SAR and forest stem volume in Northeast China[J]. Remote Sensing Technology and Application， 2013，28（5）：871-878.

[本文編校：謝榮秀]