基于资源三号影像的森林蓄积量估测遥感因子选择

王 佳 ，尹华丽 ，王晓莹 ，冯仲科

（1.精准林业北京市重点实验室，北京100083；2.北京林业大学 测绘与3S技术中心，北京100083）

基于资源三号影像的森林蓄积量估测遥感因子选择

王 佳1，2，尹华丽1，2，王晓莹1，2，冯仲科1，2

（1.精准林业北京市重点实验室，北京100083；2.北京林业大学 测绘与3S技术中心，北京100083）

以内蒙古旺业甸林场为研究区域，以资源三号（ZY-3）卫星遥感图像为数据源，通过对影像进行处理，获取对应样地的波段光谱值、光谱组合值及地形因子信息等遥感因子。基于对各遥感因子的信息量分析、多重相关性危害分析及应用残差平方和的方法对遥感因子进行筛选，实验结果表明：ZY-3影像提取的12个遥感因子中，单波段因子中ZY3的信息量最大，波段组合中ZY(2-3)/ZY4的信息量最大，地形因子中高程的信息量最大，ZY-3的波段、波段组合和地形因子间存在多重相关性，去掉ZY(2-3)/(2+3)和坡度因子后，多重相关性的危害大大降低，可以满足进一步建立蓄积量遥感反演模型要求。

森林蓄积量估测；遥感因子选择；资源三号影像；波段光谱；地形因子

森林蓄积量是林分调查中一个非常重要的因子，是评价森林数量的主要指标。单位面积蓄积量的大小，在某种程度上标志着林地生产力的高低以及经营措施的效果[1]。因此，蓄积量的测定是林分调查的主要目的之一，它为森林经营和采伐利用提供重要的数量依据。传统的森林一、二类调查需要投入大量的人力、物力、财力，而且在调查中数据难以保存、易丢失、精度不高等问题[2]。随着航天遥感与地理信息系统在林业中的应用，利用3S（GIS,RS &GPS） 技术进行森林蓄积量的定量估测，国内外已有众多学者进行了相关研究并取得了重要成果[3-7]。但是综合目前研究现状来看，基于TM、ETM、SPOT5等国外遥感卫星蓄积量反演研究较多，方法较为成熟[8-10]，但国内遥感卫星对于此类研究一直较少，对于遥感因子在蓄积量选取方面，虽有针对SPOT5影像的研究，但是也提出了如能在因子的选取中加入地形因子，精度会相应提高[11-12]。本研究参考已有针对其他图像估算森林蓄积量遥感因子提取的研究方法，采用我国最新自主研制的资源三号卫星影像数据（2012年发射），通过提取波段光谱特征与地形等遥感因子为变量，以旺业甸实验林场蓄积量的实测数据为自变量，利用残差平方和方法，研究提取资源三号遥感数据适合进行蓄积量建模的因子，为建立精确的森林蓄积量反演模型建立基础。

1 数据与方法

1.1 研究区概况

旺业甸林场位于内蒙古自治区赤峰市喀喇沁旗西南部，地处燕山山脉北麓七老图山支脉，是茅荆达坝次生林区的重要组成部分，为赤峰市重点国有林场之一。地理位置东经118°09′～118°30′，北纬 41°21′～ 41°39′，地形地貌为中山山地，海拔高度800～1 890 m。经营区属暖温带半干旱地区，为明显的大陆性季风气候。年降水量400～600 mm，多集中在七、八月份，年平均气温4.2 ℃，无霜期117 d。林场经营面积2.8万hm2，其中有林面积2.333万hm2。在有林面积中人工林为1.173万hm2，主要树种为落叶 松Larix gmelinii、 油 松Pinus tabulaeformis；天然林为1.160万hm2，主要树种为白桦Betula platyphylla、 山 杨Populus davidiana和 柞 树Xylosma racemosum。

1.2 外业数据获取

外业调査是建立遥感解译的标志和遥感解译精度评价的一个必要手段。本研究在内蒙古旺业甸林场范围内选取80个可以在影像上可清晰识别出的样地，同时样地尽量靠近公路，方便人员设备的到达。在进行样地调査时，对样地中心用差分GPS进行精确定位，记录后，开始对样地内的林分进行详细调查，包括样地概况：坡度、坡向、海拔、林分类型、土壤类型、优势树种等。蓄积量调查是利用高精度电子角规进行乔木角规绕测，计算样地林分蓄积量。

为了能在ArcGIS10.0软件中对样地数据进行分析制图，及与资源三号图像进行叠加分析，将样地的数据转换为DBF格式，并在ArcGIS10.0中建立.shp文件以及其它的属性字段。其中属性数据包括：样地坐标、海拔、坡度、坡向、优势树种、林种、起源、平均年龄等。

1.3 资源三号影像处理

资源三号卫星是我国2012年1月9日发射升空的资源监测卫星，利用经过适应性改进的资源二号卫星平台，装载了2.1 m分辨率正视全色CCD相机、3.5 m分辨率的前后视相机和分辨率为5.8 m的多光谱相机，实时或准实时将图像数据传回地面。与现有的资源类遥感卫星(如SPOT5)相比，资源三号卫星图像分辨率高、图像几何精度和目标定位精度较高，其具有的1∶5万比例尺的立体测图能力[10-11]。表1为资源三号卫星多光谱影像的波段光谱信息。

对于资源三号影像处理包括以下步骤：首先要对资源三号影像进行校正、融合等预处理，然后将处理好的影像统一到相同的投影和相同的坐标系中。本研究校正的参考图像选择了研究区的1∶2.5万林相图，坐标系选择了北京54坐标系，中央经线为117°，最终校正的误差控制在2～3个像元之内，对于研究区中包含的山区，通过正射校正，误差也控制在3个像元内。保证研究区域内80%的地物在目视状态下精确对准。

表1 资源三号卫星多光谱影像的波段光谱信息Table 1 Band spectrum information of multi-spectral images of ZY-3

资源三号卫星具有前视和后视影像，可以提取立体像对，制作数字高程模型（DEM），进而利用DEM提取坡度、坡向和高程等地形因子信息。本研究处理资源三号卫星前后视影像，利用ENVI 4.8软件提供的DEM Extraction功能模块，自动制作DEM图。

另外由于研究区域较小，影像覆盖面积较大，为了处理方便，图像美观，需要对图像进行裁切处理。通过ArcGIS 10.0软件，利用旺业甸林场的林场边界图进行裁剪得到旺业甸地区影像图，通过图像增强，并与外业样地点叠加，生成研究区资源三号影像图。

2 资源三号卫星遥感因子选取

2.1 遥感因子信息量

将外业样地GPS定位的坐标点展绘到ArcGIS 10.0软件中，将GPS点经过坐标系转换，利用软件Identify功能，读取每一点的卫星影像波段光谱值、光谱组合值、高程、坡度、坡向值，其中波段光谱组合值，参照SPOT 5影像数据波段光谱组合[12-13]，主要原因是资源三号的2、3、4波段与SPOT 5的1、2、3波段具有相似的光谱值范围。在本研究中，根据资源三号影像的特点，选取从影像中提取的12个因子，对应关系如表2所示。

表2 遥感因子与对应变量Table 2 Remote sensing factors and corresponding variables

将上述遥感因子用q维变量x表示，x=(x1,x2,...,xq)，此处q为12。研究区共有n个样地，则可建立观测矩阵：，q个遥感因子的样本协方差矩阵可表示为：

假设X的中心化矩阵为

该矩阵对角线上的各元素为对应的遥感因子的样本方差，即该遥感因子的信息量。

2.2 遥感因子多重相关性危害计算

仅凭相关矩阵中的各因子的简单相关系数，无法完全诊断出各因子之间的多重相关性的影响，因此为有效计算各遥感因子的多重相关性危害，本研究利用了方差扩大因子。遥感因子Xi的方差扩大因子可记作Vi，表达式如下：

式中：R2是以第i个遥感因子Xi为因变量；以其他遥感因子为自变量回归时的复相关系数。

研究区内的n个样地蓄积量实测值记作Y，q个遥感因子在n个样地的观测阵为X，则X和Y的关系可用下列式表示：

式中：eY为样地蓄积量实测值得随机误差向量；E(eY)=0表示样地蓄积量实测误差项均值为0；Cov(eY)为样地蓄积量实测值得协方差；δ2为样地蓄积量实测值得方差；I为n阶单位阵。

联合式（3）和式（4）可得：

2.3 残差平方和方法选取遥感因子

本文利用平均残差平方和的方法选取遥感因子，通过对所有遥感因子进行分析，删选一定数量对蓄积量估测有重要的解释意义的因子，同时各因子之间不存在相关性或相关性较小。从q个遥感因子中选取p个因子组成估测方程，其残差平方和SP表达式如下：

增加一个遥感因子后，其残差平方和SP必须满足：SP+1≤SP。

由式（6）可知，当遥感因子增加时，SP随之减小，为防止选择过多影响因子，引入一个函数作为惩罚因子，如下：

式中：MSP为平均残差平方和，其变化曲线如图1所示：

3 结果与分析

根据表3，资源三号遥感影像可提取的遥感因子为12个，可能的组合有212-1种，各遥感因子的信息量和方差扩大因子经过计算如表3所示。从表3和图2中可以看出，在波段当中ZY2和ZY3的信息量较大，波段组合中ZY(2-3)/ZY4信息量最大，而在提取的地形因子中高程（height）信息量最大。由表3和图2可知，资源三号遥感因子之间存在较大的多重相关性。

图1 平均残差平方和变化曲线Fig.1 Variation curve of residual sum of squares

表3 遥感因子信息量和方差扩大因子Table 3 Amplification factors of variance and information of remote sensing factors

图2 遥感因子方差扩大因子Fig. 2 Ampli fi cation factors of variance of remote sensing factors

为降低遥感因子的多重相关性危害，采用平均残差和的方法删选蓄积量估测遥感因子。经过计算，当遥感因子个数为10的时候，残差平方和最小。从表4和图3分析可知，从12个遥感因子中去掉ZY(2-3)/(2+3)和坡度（slope）两个因子后，遥感因子之间的多重相关性大大减小，当然相关性并未完全消除，可进一步研究采用其他数学方法进行处理。

表4 所选遥感因子的信息量和方差扩大因子Table 4 Amplification factors of variance and information content of selected remote sensing factors

图3 所选遥感因子方差扩大因子Fig. 3 Ampli fi cation factors of variance of selected remote sensing factors

4 结束语

本文通过对ZY-3遥感数据信息的提取分析，得到如下结论： ZY-3影像的单波段、波段组合及地形因子间存在严重的复相关性，若全部应用于蓄积量估测，其精度将无法保证。采用残差平方和最小原则筛选有效遥感因子，可以大大降低多重相关性，对于建立蓄积量估测模型有积极意义。但本文也发现即使经过平均残差平方处理的遥感因子间的相关性并不能完全去除，下一步研究其他数学方法进行处理，以进一步提高蓄积量估测的精度[13-15]。

[1]程武学,杨存建,周介铭,等.森林蓄积量遥感定量估测研究综述[J].安徽农业科学, 2009, 37(16): 7746-7750.

[2]汪 丽,崔 彤.林分调查中蓄积量测定方法的探讨[J]. 内蒙古林业调查设计, 2013,36(1):56-57.

[3]Widlowski J L, Pinty B, Gobron N, et al. Detection and characterization of boreal coniferous forests from remote sensing data[J]. Journal of GeoPhysical Research- Atmospheres, 2001,106: 33405-33419.

[4]Trotter C M, Dymond J R, Goulding C J. Estimation of timber volume in a coniferous Plantation forest using LANDSATTM[J].International Journal of Remote Sensing,1997,18(10): 2209-2223.

[5]Dong J R, Kaufmann R K, Myneni R B, et al. Remote sensing estimates of boreal and temperate forestwoody, biomass: carbon,pools, sources, and sinks[J]. Remote Sensing of Environment,2003, 84: 393-410.

[6]Makela H, Pekkarinen A. Estimation of forest stands volumes by LANDSATTM imagery and stand-level fi eld inventory data[J].Forest Eeology and Management, 2004,196:245-255.

[7]洪奕丰,林 辉,严恩萍,等.基于偏最小二乘法的平南县森林蓄积量估测模型研究[J]. 中南林业科技大学学报,2011, 31(7):80-85.

[8]杨永恬.基于多源遥感数据的森林蓄积量估测方法研究[D].北京: 中国林业科学研究院,2010.

[9]涂云燕,彭道黎. 基于RS的森林蓄积量主成分回归估测[J].东北林业大学学报,2012,40(10):75-77.

[10]余坤勇,林 芳,刘 健,等.基于RS的闽江流域马尾松林分蓄积量估测模型研究[J]. 福建林业科技, 2006,33(1):16-23．

[11]黄伟平,谭三清,张 贵, 等.估测森林蓄积量的遥感因子选择研究[J]. 中南林业科技大学学报,2010,30(4):112-115.

[12]马瑞兰,李卫忠. 基于SPOT5遥感影像选择森林蓄积估测因子——以火地塘教学实验林场为例[J].东北林业大学学报,2011, 39(7):111-112,137.

[13]James M, Latt in J, Douglas Carroll, et al. Analyzing Multivariate Data[M]. United Sates of America: Brooks/ Cole, 2007: 45-46.

[14]孙道德. 基于残差平方和的线性模型选择简单方法及其相合性研究[J]. 数学杂志, 2006, 26( 6) :642-646.

[15]刘志华, 常 禹, 陈宏伟. 基于遥感、地理信息系统和人工神经网络的呼中林区森林蓄积量估测[J]. 应用生态学报, 2008,19(9): 1891-1896.

Remote sensing factor optimization for forest volume estimation based on ZY-3 images

WANG Jia1,2, YIN Hua-li1,2, WANG Xiao-ying1,2, FENG Zhong-ke1,2
(1. Beijing City Key Lab. of Institute of Precision Forestry, Beijing 100083, China; 2. Center of GIS, GPS & RS, Beijing Forestry University, Beijing 100083, China)

By selecting Wangyedian Forest Station in Inner Mongolia as the studied area, taking the remote sensing images of satellite Ziyuan 3 (ZY-3) as the data sources, the Wangyedian Forest Station’s remote sensing images were treated, the remote sensing factors of band spectral values, spectral combination values and topographic factors in the corresponding sample area were acquired. Based on the information analysis of the remote sensing factors, multiple correlation hazard analysis and method of minimum sum of residual squares,the obtained remote sensing factors were screened out. The experimental results show that among the 12 remote sensing factors of ZY-3 images, SP3 in single band spectra factors, SP234 in the combination factors of spectra, elevation in terrain factors had the maximum amount of information; There existed multiple correlations in the 12 remote sensing factors; After analyses, removing the SP2323 and slope factor, the harm of multiple correlation decreased greatly, and optimized results can meet the further requirements of establishing forest volume model by remote sensing ZY-3 images.

forest volume estimation; remote sensing factors choice; ZY-3 images; band spectrum; topographical factors

S771.8；S758.5+1 文献标志码：A 文章编号：1673-923X(2015)12-0029-05

2014-05-08

北京市高校青年英才计划（YETP0738）；国家自然基金项目（41401650）； 国家级大学生创新项目（G201410022003）

王 佳，副教授，博士；E-mail：wangjia2002_0@163.com

王 佳，尹华丽，王晓莹，等. 基于资源三号影像的森林蓄积量估测遥感因子选择[J].中南林业科技大学学报, 2015,35(12): 29-33.

[本文编校：文凤鸣]