县域尺度森林地上生物量遥感估测方法研究

蒋云姣胡 曼李明阳张向阳

（1．南京林业大学林学院，江苏南京210037；2．河南省林业调查规划院，河南郑州450045）

县域尺度森林地上生物量遥感估测方法研究

蒋云姣1胡 曼1李明阳1张向阳2

（1．南京林业大学林学院，江苏南京210037；2．河南省林业调查规划院，河南郑州450045）

以河南西峡县2013年Landsat 8影像及同期217块森林资源连续清查固定样地数据为信息源，以9个植被指数、3个地形指数为自变量，建立多元线性回归、决策与回归树、装袋算法、随机森林4种遥感估测模型；采用十折交叉验证，及相关系数、绝对误差、均方根误差、相对误差、相对均方根误差5个指标，对遥感估测模型进行精度评价，在此基础上，对研究区域2013年的森林地上部分生物量进行遥感估测和空间分析。结果表明：在4种遥感估测模型中，随机森林综合性能最高，装袋法次之，多元线性回归最低；在12个自变量中，地形（海拔、坡度）、土壤（亮度指数、湿度指数）、植被生长状况（垂直植被指数、有效叶面积指数）6个因子是影响研究区域森林地上部分生物量的重要环境变量；2013年，研究区域单位面积森林生物量为38．56 t／hm2，其中低（＜40 t／hm2）、中（40～60 t／hm2）、高（＞60 t／hm2）的面积分别占59．92%、24．30%、15．78%；研究区域森林地上部分生物量较高的区域，主要分布在交通不便、森林茂密、人类干扰活动较少的北部石质山区，而较低的区域，主要分布在交通发达，人口密度大，坡度较为平缓的南部鹳河谷地。

生物量；遥感估测；十折交叉验证；西峡县

森林生物量中贮存了大量的碳，森林生物量的大小与森林生产力水平的高低密切相关，是反映森林生态系统功能的基本数据［1］。森林生物量的测定，是研究森林生态系统物质循环的基础［2］，而森林生物量变化驱动因子的分析，则可以为旨在提高森林生产力的森林可持续经营政策法规的制定提供科学依据。在我国集体林区，速生、丰产、短轮伐期人工林比重大。1981年林业三定后，林地小块分散的分户经营格局形成，森林经营受林权制度、生态效益补偿、采伐限额、退耕还林等政策法规变动影响大，森林存在着快速的空间及结构特征的变化［3］。区域尺度的森林生物量估测以及驱动因子分析，可以为区域尺度上的森林碳汇功能精确计量提供研究基础［4］。

森林生物量监测主要是通过定量分析特定时间段内森林生物量的变化来实现的，常见方法包括样地清查法、通量观测法、模型模拟法及遥感估测法等［5］。其中，遥感估测法是用遥感数据和森林生物量实测数据，通过统计分析建立经验模型，来估算森林生物量。森林生物量遥感估测方法很多，如回归法、非参数填补法、非参数回归树法。在遥感估测法中，回归法被广泛地用于森林地上生物量的遥感估测上。Labrecque S等［6］采用Landsat原始波段光谱数据和提取的植被指数作为自变量，采用多项式和多元线性回归方法预测加拿大纽芬兰地区的森林地上部分生物量。而非参数填补法，如K最邻近算法（KNN）、梯度最近邻算法（GNN），其基本思路是将与样地坐标对应的像元具有最大的光谱相似性、在特征空间中距离最近的像元，划分到该地面坐标点所属的森林类别，并赋予该样地的森林生物量值。由于巨大的分析和操作灵活性，非参数回归树方法在森林结构参数预测方面开始受到相当大的关注。Blackard JA等［7］利用MODIS遥感数据和辅助数据，采用回归树方法制作了美国大陆部分的森林地上部分生物量空间分布图。Moisen G G等［8］在进行美国西部5个生态区的生物量遥感估测时，比较了回归树与其他几个统计模型的性能。最近的研究表明，随机森林在预测森林特征参数，如演替阶段、物种分布、森林火灾引起的树冠损害程度上具有较高的适应性［9］。

与国外相比，国内的森林森林生物量遥感估测多集中在单模型研究，缺少多模型综合性能比较研究。邢素丽等［10］研究了利用Landsat ETM＋数据估测落叶松（Larix gmelini）林生物量的方法，建立了森林生物量与Landsat ETM＋数据的回归模型。国庆喜等［11］在大兴安岭南坡，利用Landsat TM数据，基于森林清查样地数据建立了多元回归关系，进而构建了TM各波段及其植被指数（如归一化植被指数（NDVI）、比值植被指数（RVI）和环境植被指数（EVI））与森林生物量之间的光谱模型。陈尔学等［12］基于吉林省一个试验区的森林资源一类清查固定样地数据、Landsat TM数据和土地利用数据，采用精度交叉评价方法研究了KNN法用于小面积统计单元森林蓄积估计的有效性。

1 研究区概况

西峡县位于河南省西南部，秦岭与伏牛山南麓，地处东经111°01′～111°46′、北纬33°05′～33°48′。境内南北长78．3 km，东西宽79 km，总面积3 454 km2，人口45万人，其中山地面积3 020 km2，耕地面积187 km2，是个“八山一水零点七分田，村庄道路零点三”的深山县。西峡县属北亚热带季风区大陆性气候，气候温和，雨量适中，光照充足，年均气温15．2℃，年均降雨量830 mm，年均日照2 019 h。该县境内地形复杂，北部是海拔高、坡度大的中低山地，南部是鹳河谷地，两侧是起伏大的低山丘岭，全县最高山峰犄角尖海拔2 212．5 m，最低点位于丹水镇马边村海拔181 m。境内河流众多，主要河流有鹳河、淇河、峡河、双龙河、丹水河等，属长江流域丹江水系的鹳河纵贯全县南北，并与526条大小河流呈羽状分布于崇山峻岭之中。

西峡县有林地面积2 610 km2，森林活立木蓄积量791万m3，经济林面积587 km2，是河南省第一林业大县。由于地处北亚热带向北温带过渡部分，西峡县兼具我国南北树种的生长条件，地带性自然植被是常绿针阔叶林、落叶阔叶林组成的多层次森林植物群落，树木种类繁多，乔灌木树种共75科、450多种。其中，常绿树种有马尾松（Pinus massoniana）、杉木（Cunninghamia Lanceolata）、华山松（Pinus armandi）、油松（Pinus tabulaeformis）等，落叶阔叶树种有栓皮栎（Quercus variabilis）、枫香（Liquidambar formosana）、楸树（Catalpa bungei）等。林副土特产品128种，中药材1 380种，其中猕猴桃（Actinidia chinensis）、山茱萸（Sieb etzucc）、油桐（Vernicia fordii）、生漆被誉为西峡“四大宝”。

2 研究方法

2.1 数据来源与预处理

本研究所采用的主要信息源有：1）研究地区2013年连续清查固定样地空间数据库，包括217个固定样地，样地的属性表包括地理坐标、立地条件、林分生长状况等近60个调查因子，217块样地的平均树高、平均胸径、郁闭度分别为0～16 m、0～35．8 cm、0～0．8，平均值分别为4．77 m、6．46 cm、0．66，标准差分别为4．54m、6．76 cm、0．3；2）来自美国地质调查局（USGS）2013年8月20日的研究区Landsat8数据，轨道号为125／037，多光谱波段空间分辨率为30m×30m，全色波段空间分辨率为15m× 15m，数据级别为L1T；3）根据西峡县1∶100 000地形图制作的数字高程模型（DEM），空间分辨率为30m×30m；4）研究区域2013年美国国防气象卫星计划（DMSP）搭载的线性扫描业务系统（OLS）传感器夜间灯光数据（DMSP／OLS数据，简称灯光亮度）。DMSP／OLS有别于利用地物对太阳光的反射辐射特征进行监测的Landsat、SPOT和AVHRR传感器，该传感器可在夜间工作，能够探测到城市灯光甚至小规模居民地、车流等发出的低强度灯光。研究表明，灯光亮度与区域人口密度、经济发展水平正相关，常被用来作为反映区域人类干扰强度的指标［13］。

在地形起伏较大的山区，森林生物量与植被生长状况密切相关，与森林所处的海拔、坡度、坡位等立地因子有关，并受到土壤水文的影响［14］。因此，本研究提取海拔（Elevation）、坡度（Slope）、坡位（Aspect）3个地形因子，归一化植被指数（NDVI）、差值植被指数（DVI）、比值植被指数（RVI）、垂直植被指数（PVI）、绿度指数（Greenness）、有效叶面积植被指数（SLAVI）、土壤调节植被指数（SAVI）7个植被指数，亮度指数、湿度指数2个土壤因子，合计12个因子作为遥感估测模型的自变量。由于所获取的遥感图像产品处理级别为L1T，在下载前已经做过地形数据参与的几何校正。因此，在分析区域大气校正、空间子集运算基础上，直接利用ENVI 5．0的相应工具提取7个植被指数、2个土壤指数。在ArcGIS 9．3平台上，利用研究区域的DEM通过空间分析工具箱生成坡度、坡向。

根据张震茂等［15］提出的方法，将217个固定样地的单位面积蓄积量转换为生物量。然后，利用ArcGIS平台上外挂式分析工具HawthTools中的Intersect Point Tool，分别与12个环境因子栅格图层相交。在最后生成的空间数据库中，包含森林生物量和12个生态环境因子，合计13个属性。

2.2 遥感估测模型

生物量遥感估测的方法很多，本研究采用多元线性回归、决策与回归树、装袋算法、随机森林4种方法建立遥感估测模型。

多元线性回归（MLR）是研究1个因变量、与2个或2个以上自变量的回归方法，是反映一种现象或事物的数量依多种现象或事物的输入的变动而相应地变动的规律。由于其具有很好的可解释性，因而成为了遥感参数模型应用最普遍的方法之一。森林生物量与植物光谱特征、地形地貌等各因素有关，因此可以通过多元回归方法来建立森林生物量与各遥感因子之间的关系模型来估测。

决策与回归树（CART）和一般回归分析类似，是用来对变量进行解释和预测的工具，也是数据挖掘中的一种常用算法［16］。如果因变量是连续数据，相对应的分析称为回归树；如果因变量是分类数据，则相应的分析称为分类树。决策与回归树算法的优点在于：1）可以生成可以理解的规则；2）计算量相对来说不是很大；3）可以处理多种数据类型；4）决策树可以清晰地显示哪些变量较重要。

装袋算法（Bagging）和随机森林（RF）属于集成学习算法。集成学习是一种新的机器学习范式，它使用多个学习器来解决同一个问题，能够显著地提高学习系统的泛化能力，因此从20世纪90年代开始，对集成学习的理论和算法的研究成为了机器学习领域的一个热点。装袋算法采取自助法的思路，使用同一个算法对样本多次训练，建立多个独立的分类器；最终的输出为各个分类器的投票（用于分类）或取平均值（用于数值预测）。

随机森林（RF）是一种新型的组合分类器算法，该模型最早是由美国科学院院士Breiman L教授［9］于2001年提出的，其基本原理是利用Bagging方法制造随机差异的训练样本，然后随机选择属性对内部节点进行分裂从而形成单个决策树，再通过投票的方法组合每一棵决策树，形成随机森林的分类输出结果。

2.3 模型精度评价方法

采用10折交叉验证方法，将217块样地分成10份，轮流将其中9份做训练、1份做测试，通过计算相关系数（COR）、平均绝对误差（MAE）、均方根误差（RMSE）、相对误差（RAE）、相对均方根误差（RRSE）5个指标的10次结果的均值，对模型的精度进行评价。通过10折交叉验证，采用上述5个指标，对遥感估测模型进行精度评能评价。每个指标的公式及定义如下：

1）相关系数：

式中：xi、yi为变量的测量值；为10次测量结果的平均值。相关系数也称为点双列相关系数，一般通过Pearson相关系数计算得来。相关系数COR考虑的重点是验证数据真实值和模型预测值的偏离程度，COR越接近于1，模型的内插精度越高，反之越低。

2）均方根误差：

式中：x预测值表示模型预测值；x真实值表示实地测量值；i表示测量次数。均方根也叫标准误差（SE），是预测值与真实值的平方和与观测次数n比值的平方根。SE对一组测量中的特大或特小误差反映非常敏感，能够很好地反映出估测精度，标准误差越低，模型精度越高。

3）平均绝对误差：式中：xi表示变量的测量值；表示变量的平均值。平均绝对误差是所有单个观测值与算术平均值的偏差的绝对值的平均。与平均误差相比，平均绝对误差由于离差被绝对值化，不会出现正负相抵消的情况，因而，平均绝对误差能更好地反映预测值误差的实际情况。平均绝对误差值越低，模型的精度越高。

4）相对误差：

式中：x预测值表示模型预测值；x真实值表示实地测量值；i表示测量次数。相对误差指的是测量所造成的绝对误差与被测量（约定）真值之比。一般来说，相对误差更能反映测量的可信程度。相对误差越低，模型精度越高。

5）相对均方根误差：

式中：x预测值表示模型预测值；x真实值表示实地测量值；i表示测量次数。相对均方根误差是均方根误差与被测量（约定）真值之比。

3 结果与分析

3.1 遥感估测模型精度评价

采用10折交叉验证方法，对4个遥感估测模型进行精度验证，计算结果见表1。

表1 遥感估测模型精度评价Tab．1 Accuracy assessment of RSbased estimation models

从表1可以看出，在4种遥感估测模型中，随机森林综合性能最高，装袋算法次之，决策与分类树综合性能第三，多元线性回归最低。多元线性回归方法估测精度最低的原因在于，研究区域地处海拔高差悬殊、降雨量大、森林垂直分布明显的北亚热带与暖温带交汇地区，森林生物量与海拔、坡度、土壤湿度、绿度指数等自变量并非线性关系。作为一种非参数估计方法，由于巨大的分析和操作灵活性，决策与分类树模型的预测精度高于多元线性回归方法。装袋算法采取自助法的思路，从样本中随机抽样，形成多个训练样本，生成多个树模型，然后以多数投票的方式来预测结果。与装袋算法相比，随机森林更进一步，不仅对样本进行抽样，还对变量进行抽样。装袋算法与随机森林会生成多个树模型，再进行组合预测，预测精度高于使用单一学习器的决策与分类树模型。因此，装袋算法、随机森林这2种使用多个学习器的集成学习算法的估测精度较高。

3.2 环境因子重要性分析

选取预测精度最高的随机森林遥感估测模型，采用相对重要性（%IncMSE）、节点纯度（IncNode-Purity）2个指标对影响森林地上部分生物量大小的环境变量的重要性进行排序，见图1。相对重要性（Mean Decrease Accuracy）用来测度随机森林预测准确性的降低程度，该值越大表示该变量的重要性越大。节点纯度（Mean Decrease Gini）通过基尼（Gini）指数计算每个变量对分类树每个节点上观测值的异质性的影响，从而比较变量的重要性，该值越大表示该变量的重要性越大。

从图1可以看出，根据环境变量相对重要性的大小，海拔（elevation）、有效叶面积指数（SLAVI）、亮度指数（Bright）、湿度指数（Wetness）、垂直植被指数（PVI）为影响研究区域森林地上部分生物量的重要因子。根据节点纯度的大小，海拔、有效叶面积指数、坡度、亮度指数、绿度指数为影响研究区域森林地上部分生物量的重要因子。综合考虑相对重要性、节点纯度，地形（海拔、坡度）、土壤（亮度指数、湿度指数）、植被生长状况（垂直植被指数、有效叶面积指数）这6个因子是影响研究区域森林地上部分生物量的重要环境变量。研究区域海拔高、坡度陡、森林垂直分布明显，海拔、坡度等地形因子影响树种分布、土壤养分分配，从而对森林地上部分生物量产生直接的影响。亮度指数、湿度指数与土壤光照、水文条件密切相关，是反映林地立地条件好坏的主要因子，因此成为影响研究区域森林地上部分生物量的重要因子。垂直植被指数、有效叶面积指数是反映植被生长状况、决定森林生态系统与大气之间物质和能量交换的关键参数，从而成为反映森林生物量大小的2个重要环境变量。

3.3 森林生物量分布空间格局分析

选择综合性能最高的随机森林模型，对研究区域的森林地上部分生物量进行遥感估测（图2）。为分析方便，将研究区域森林地上部分生物量分为3级：低（＜40 t／hm2），中等（40～60 t／hm2）、高（＞60 t／hm2）。经过计算得知，2013年，研究区域单位面积森林生物量为38．56 t／hm2，其中低、中、高的区域面积比例分别为59．92%、24．30%、15．78%。

为进一步分析造成研究区域森林地上部分生物差异的驱动因素，在将2013年森林地上部分生物量栅格图层转换为矢量点文件基础上，论文采用ArcGIS 9．3空间统计工具箱中的聚集及特例分析工具（Cluster and Outlier Analysis-Anselin Local Moran’s I），通过对输入要素进行焦点聚集性检验来进行研究属性空间热点探测。当统计值p＝0．05时，空间聚集类型分为4种：高值点（热点，HH）、低值点（冷点，LL）、高值被低值包围的特例点（HL）、低值被高值包围的特例点（LH）。将高值点、低值点提取出来，与西峡县DEM叠加，得到研究区域森林地上部分生物量冷热点空间聚类图（图3）。

从图3可以看出，研究区域森林地上部分生物量较高的区域，主要分布在交通不便、森林茂密、人类干扰活动较少的北部石质山区，而较低的区域，主要分布在交通发达、人口密度大、坡度较为平缓的南部鹳河谷地。生物量高的热点地区海拔、坡度、绿度指数、灯光亮度分别为1 317．59 m、24．30°、164．26、2．04，而生物量地的冷点地区海拔、坡度、绿度指数、灯光亮度分别为461．67 m、11．49°、134．34、0。

4 结论与讨论

自从20世纪70年代建立了森林森林资源连续清查体系以来，我国很多省份已经进行了多次森林资源清查。然而，我国森林资源连续清查以省（自治区、直辖市）为总体，由于样地间距较大、样地数量少，调查结果难以落实到县域尺度。基础资料不全、地面实测资料缺乏，是进行县域尺度上森林生物量遥感估测面临的最大困难。在这种背景情况下，以少量森林资源一类清查固定样地数据、同期遥感数据为主要信息源，采用多种模型进行森林生物量遥感估测，可以为县域尺度上森林碳汇监测探索出一条科学适用的道路。

在4种遥感估测模型中，随机森林综合性能最高，装袋法次之，多元线性回归最低。在海拔高、坡度陡、森林垂直分布的集体林区，地形（海拔、坡度）、土壤（亮度指数、湿度指数）、植被生长状况（垂直植被指数、有效叶面积指数）这6个因子是影响研究区域森林地上部分生物量的重要环境变量。研究区域森林地上部分生物量较高的区域，主要分布在交通不便、森林茂密、人类干扰活动较少的北部石质山区，而较低的区域，主要分布在交通发达，人口密度大，坡度较为平缓的南部鹳河谷地。

研究表明，在集体林区，提高森林生物量的重点区域位于交通不便、人口密度较小、林业发展潜力较大的山区。退耕还林、天然林保护、林权制度改革的顺林实施有利于森林经营水平的提高和区域森林生物量的增加。城市化进程的加速推进、林区青壮年人口外出打工比例的增大，将会对集体林区森林生物来量的动态变化产生深远的影响。采用多期森林资源连续清查固定样地数据和同期Landsat TM／ETM＋数据，对县域森林生物量进行动态遥感估测和驱动力分析，是课题组下一步需要研究的内容。

［1］ 杨玉坡．全球气候变化与森林碳汇作用［J］．四川林业科技，2010，31（1）：14－17．

［2］ Luyssaert S，Ciais P，Piao SL，etal．The European carbon balance．Part3：Forests［J］．Global Change Biology，2010，16：1429－1450．

［3］ 张正，高岚．南方集体林区林地产权制度历史变迁思考［J］．福建林业科技，2007，34（1）：170－173．

［4］ Main-Knorn M，Cohen W B，Kennedy R E，et al．Monitoring coniferous forest biomass change using a Landsat trajectory-ased approach［J］．Remote Sensing of Environment，2013，139（4）：277－290．

［5］ 曹吉鑫，田赟，王小平，等．森林碳汇的估算方法及其发展趋势［J］．生态环境学报，2009，18（5）：2001－2005．

［6］ Labrecque S，Fournier R A，Luther JE，et al．A comparison of fourmethods tomap biomass from Landsat-TM and inventory data in western Newfoundland［J］．Forest Ecology and Management，2006，226：129－144．

［7］ Blackard JA，Finco M V，Helmer E H，et al．Mapping US forest biomass using nationwide forest inventory data and moderate resolution information［J］．Remote Sensing of Environment，2008，112：1658－1677．

［8］ Moisen G G，Frescino T S．Comparing five modeling techniques for predicting forest characteristics［J］．Ecological Modelling，2008，157：209－225．

［9］ Breiman L．Random Forests［J］．Machine Learning，2001，45（1）：5－32．

［10］ 刑素丽，张广录，刘慧涛，等．基于Landsat ETM数据的落叶松生物量估算模式［J］．福建林学院学报，2004，24（2）：153－156．

［11］ 国庆喜，张锋．基于遥感信息估测森林的生物量［J］．东北林业大学学报，2003，31（2）：13－16．

［12］ 陈尔学，李增元，武红敢，等．基于K－NN和Landsat数据的小面积统计单元森林蓄积估测方法［J］．林业科学研究，2008，21（6）：745－750．

［13］ 何春阳，史培军，李景刚，等．基于DMSP／OLS夜间灯光数据和统计数据的中国大陆20世纪90年代城市化空间过程重建研究［J］．科学通报，2006，51（7）：856－861．

［14］ 徐萍，徐天蜀．云南高黎贡山自然保护区森林碳储量估测方法的研究［J］．林业资源管理，2008（1）：69－73．

［15］ 张茂震，王广兴，刘安兴．基于森林资源连续清查资料估算的浙江省森林生物量及生产力［J］．林业科学，2009，45（9）：13－17．

［16］ Breiman L，Friedman JH，Olshen R A，et al．Classification and Regression Tree［M］．Monterey：Wadsworth International Group，1984．

（责任编辑 曹 龙）

Remote Sensing Based Estimation of Forest Aboveground Biomass at County Level

Jiang Yunjiao1，Hu Man1，Li Mingyang1，Zhang Xiangyang2

（1．College of Forestry，Nanjing Forestry University，Nanjing Jiangsu 210037，China；2．Forest Inventory and Planning Institute of Henan Province，Zhengzhou Henan 450045，China）

In this paper，Xixia County in Henan Province was chosen as the case study area，and Landsat8 image in 2013 and 217 fixed plot data of forest resources continuous survey in the same period were collected as the main information to estimate forest above ground carbon in the study area．Four remote sensing based models namely multivariate linear regression（MLR），classification and regression tree（CART），bagging（Bagging）and random forest（RF）were established by using 9 vegetation index and three terrain variables．Five indicators of correlation coefficient（COR），mean absolute error（MAE），rootmean squared error（RMSE），relative absolute error（RAE），root relative squared error（RRSE）were figured out to evaluate the performance of the fourmodels by using 10 fold cross validation method．Then themodelwith the best performancewas applied to predict forestaboveground biomass in 2013．Results showed that：Among the fourmodels，the performance of random forestwas the highest，followed by baggingmethod，while the performance ofmultiple linear regression was the lowest；The terrain factors including elevation and slope，soil conditions（e．g．brightness，wetness），the vegetation index（vertical vegetation index，effec-tive leaf area index）were the six enforcing variables impacting regional forest carbon；In 2013，the unit forest biomass in study area was 38．56 t／hm2，in which the percentage of low（＜40），medium（40－60）and high（＞60）was 59．92%，24．30%and 15．78%，respectively；The placeswith higher forest above ground biomass in study area wasmainly distributed in the northern rockymountainswith inconvenient traffic conditions，high forest cover and less human disturbance，while placeswith lower forest biomasswas located in the southern Guan River valley with good traffic conditions，high population density and gentle slope．

biomass；remote sensing based estimation；10 fold cross-validation；Xixia County

S757．2

：A

：2095－1914（2015）06－0053－07

10．11929／j．issn．2095－1914．2015．06．009

2015－04－25

国家自然科学基金项目（31170592）资助。

第1作者：蒋云姣（1993—），女，本科生。研究方向：林业遥感与地理信息系统。Email：jyj923＠163．com。

李明阳（1967—），男，博士，教授。研究方向：森林资源监测、3S应用与研究。Email：lmy196727＠126．com。