基于Landsat长时间序列数据估算树高和生物量

吴 迪，李 冰，杨爱玲

(国家测绘地理信息局黑龙江基础地理信息中心，黑龙江 哈尔滨 150086)

基于Landsat长时间序列数据估算树高和生物量

吴 迪，李 冰，杨爱玲

(国家测绘地理信息局黑龙江基础地理信息中心，黑龙江 哈尔滨 150086)

以Landsat长时间序列数据为研究对象，旨在以光谱序列信息反演森林参数为视角，应用Landtrendr算法从时间序列数据中提取森林扰动变量，使用随机森林计算方法建立扰动变量、反射率和GLAS激光点森林参数之间的关系模型，获取树高和生物量的空间分布信息。为多源遥感数据反演森林参数提供参考，研究证明基于Landsat长时间序列数据获得的森林扰动变量能够增强反射率和森林参数之间的相关性，可提高预测精度。

Landsat长时间序列数据；树高；生物量；森林扰动变量；Landtrendr算法

森林在生长过程中会受到各种扰动(火灾、病虫害、砍伐)和非扰动(温度、湿度和降水)因素的影响。导致林木中的碳以不同的形式流动于碳库之中。森林扰动信息与碳储量密切相关，对林木参数具有很好的解释能力。NASA陆地卫星(Landsat)计划自1972年以来共发射8颗卫星，对地球进行了长达40多年的观测，积累了大量的对地观测数据，它的高分辨率长时间序列信息为重构过去几十年的森林扰动和修复历史提供了独一无二的资源。Li 等[1]使用VCT算法从Landsat时间序列中提取扰动信息，应用回归树模型对密西西比地区森林树高进行了准确的估算(R2=0.91，RMSE=1.97 m)。Pflugmacher等[2]应用雷达数据和时间序列扰动因子准确获取美国蓝山保护区森林生物量。大量的实验证明使用长时间序列数据估算森林树高和生物量具有很大的潜力。

按计算方式可以将时间序列分析方法归纳为两类：“求差异”和“求趋势”，其中“求差异”是检测时间序列中突变信号，从背景噪声中分离微小变化[3-4]。“求趋势”是从噪声中分离出持续状态较长的趋势信号[5-6]，前者主要用于识别突发性的扰动事件如火灾、风灾、砍伐等，后者用于识别持续性的扰动事件如病虫害，两种技术只适用于特定的扰动类型，在应用上存在局限性。Kennedy[7-10]等提出了landtrendr(Landsat-based detection of Trends in Disturbance and Recovery)时间序列分析方法可以用于识别不同类型的扰动事件并且能够提供扰动后的森林修复信息。

本研究尝试使用Landtrendr方法获取Landsat 长时间序列数据的森林扰动信息，利用这些信息对森林参数(树高和地上生物量)进行解释，协同GLAS波形数据建立森林参数空间扩展模型，获取森林树高和生物量的空间分布信息。

1 研究区域和数据准备

研究区域位于小兴安岭中心，地理坐标为(46°53′34″～48°03′40″N，127°28′05″～129°22′05″E)，森林类型以针阔叶混交林为主，见图1。

图1 研究区位图

选用L3D(2005年10—11月)和L3G(2006年10—11月)2期版本号为33的GLA01、GLA05和GLA14产品计算森林参数(见图1)，结合野外实测数据对ICESat/GLAS波形进行平滑滤波、分解拟合、噪声估计、确定有效信息范围、坡度校正处理，获得激光点树高和生物量。

使用1984～2006年33期条带号为117/27的Landsat TM/ETM+影像计算森林扰动变量，所有影像均为经过LEDAPS系统预处理后的反射率数据，数据的获取时间集中在森林生长期(7～8月)平均每年对应两景影像，为扰动参数计算提供充足的数据。对影像进行缨帽变换、波段计算获取TCA和TCD两个扰动监测指数为识别扰动变量做准备(见表1)。

表1 扰动监测指数

注：TCB，TCW，TCG为缨帽变换三变量

2 研究方法和变量计算

2.1 研究方法

使用Landtrendr算法从Landsat长时间序列数据中提取森林扰动变量的计算过程包括提取光谱时间序列、移除噪声、识别潜在顶点、拟合轨迹、简化模型和确定最佳模型6个部分。

1)提取光谱时间序列：使用移动窗口求平均值的方法从扰动监测指数影像中提取光谱信息，获取每个像元的时间序列轨迹。

2)移除噪声，根据相似度阈值迭代删除轨迹中具有噪声特征的突起，每次迭代删除最差的突起直到满足阈值要求。

3)识别潜在顶点：使用时间序列分割方法确定顶点，将轨迹上起止年份对应的光谱值作为初始顶点进行最小二乘回归计算，再根据拟合结果对每一年的光谱值预测，将真实值与预测值相差最大的那个年份设置为新顶点。新顶点将时间序列轨迹分割成两部分，再分别对这两部分执行回归计算获取均方误差，针对均方误差值相对较大的部分重复上面的操作寻找新顶点。反复进行迭代运算直到获取的顶点和分段数量满足控制文件中的相应设置为止。为了防止过度拟合还需要根据角度准则对分段结果做收敛判断，计算各分段之间的角度，迭代剔除角度最浅的顶点和线段直到满足阈值设定。

4)轨迹拟合：确定顶点后使用回归和点对点两种连接方式进行时间序列拟合，从第一个顶点开始对比两种连接方式的拟合结果，使用均方误差小的连接方式拟合线段，第二条线段的起点是第一条线段的终点，使用两种方法分别计算，对回归连接法和点到点连接法的计算结果进行比较择优拟合。对所有顶点依次计算，最后得到一组前后连接的线段代替原始时间序列轨迹。计算拟合结果p值，如果满足控制文件中的阈值要求则进行下一步计算，否则需要对轨迹进行重新拟合。

5)简化模型，上述步骤计算得到最复杂的分割模型，对模型进行简化。根据控制文件中的修复率阈值和均方误差准则迭代计算，每次移除最弱的顶点对剩下的顶点重新进行轨迹拟合直到分段数等于1时停止。

6)确定最佳模型。简化模型的过程中每删除一个顶点就会重新拟合一次轨迹产生一个F统计的p值，对这些p值进行对比，选取最优的模型得到最终的时间序列重构结果。

2.2 变量计算

使用Landtrendr算法描绘林地像元光谱变化趋势，通过Landtrendr时间序列分割计算对光谱响应做分段和线性拟合可以获得一系列首尾连接的线段，根据线段的变化趋势可以捕获扰动年份和森林修复信息。用下降趋势线表示扰动，上升趋势线表示扰动后的修复，水平线表示未受到干扰(见图2)。为了对轨迹进行定量化描述，研究从拟合曲线上提取了一系列扰动参数(见表2)，以图2为例DBYEA和DBVAL变量分别对应图中点A的年份和光谱值；DDUR变量对应A、B两点之间的时间差；DMAG对应a值；RBYEAR和RBVAL变量分别对应点B的年份和光谱值；RMAG对应b值；RDUR对应A、C两点之间的时间差。每个像元的时间序列可能会出现多个扰动修复事件，只研究有林地类像元计算最大的扰动信息。通过计算可以得到4种类型的时间序列拟合轨迹，分别为扰动后修复、扰动后未修复、只修复和没有受到扰动影响。对所有类型的轨迹按以下规则进行参数设置。

1)如果一个像元的时间序列只包含修复信息，那么将DBYEA设置为时间序列的起始年；DBVAL设置为起始年对应的光谱值；DDUR和DMAG定义为0。

2)如果一个像元的时间序列只包含扰动信息，那么将RBYEAR设置为时间序列截止年份；RBVAL设置为截止年份对应的光谱值；RMAG和RDUR定义为0。

3)如果一个像元的时间序列不包含扰动和修复信息，那么将所有参数设置为0。

图2 TCA拟合轨迹(像元坐标：128.15486E，47.41262N)

表2 扰动修复参数

3 树高和生物量模型

为了评价扰动参数估算能力，研究使用两组预测变量建立森林参数模型(见表3)。其中一组预测变量是与GLAS数据获取时间(L3G：2006年10～11月)最接近的一景Landsat光谱数据。另一组预测变量是在单时相光谱信息的基础上添加了扰动和修复信息。

使用随机森林计算方法(Random Forest，RF)建立森林参数(树高、地上生物量)与预测变量(见表3)之间的关系模型。通过遍历分析找到每个RF模型的最优模型参数组合，根据训练集均方误差MSEOOB确定反演模型。从表4可知增加扰动信息可以提高森林树高和地上生物量模型的拟合精度。

表3 模型预测变量

表4 模型拟合验证

4 结果与讨论

使用随机森林反演模型对试验区的森林参数进行估算，应用实测样地数据对反演结果进行检验。图3从上到下依次显示了样地数据验证树高和生物量的结果，通过对两组变量的预测结果进行对比可知，使用单时相光谱信息可以估算森林参数，但是精度不高，其中地上生物量预测值与实测值之间的相关性较差(R2=0.305),增加扰动信息可以增强光谱反射率和森林参数之间的相关性，提高森林树高和地上生物量模型的预测精度(树高的预测精度从82.72%提高到88.27%，地上生物量的预测精度从37.63%提高到69.39%)。由图4可知研究区域生物量范围介于0～150 t/ha之间，集中分布在50～80 t/ha范围；研究区树高范围介于0～27 m之间，大部分树木高于12 m。

图3 模型预测值与实测值之间的相关性

图4 研究区域模型反演结果(地理坐标：46°53′34″～48°03′40″N，127°28′05″～129°22′05″E，时间：2006年7月)

5 结束语

使用时间轨迹分析方法(Landtrendr)对33期Landsat TCA和TCD影像进行时间序列重构提取森林扰动参数，再分别使用单时相的Landsat光谱信息和单时相光谱信息加扰动参数两组变量对森林参数进行估算，对比结果显示增加扰动信息可以增强光谱反射率和森林参数之间的相关性，提高树高和生物量的预测精度，使用含有扰动参数的Landsat光谱信息对GLAS波形数据进行空间扩展可以获得准确的森林参数信息。

使用Landsat长时间序列数据可以准确的估算森林参数，但这其中存在着很大的不确定性，因为受森林扰动历史资料缺失的限制人们无法对扰动变量进行准确的验证，目前常用的检验方法都是基于高分辨率影像进行目视解译和人工判读，由于面向的对象是大量的时间序列数据，使扰动参数的验证工作充满了挑战。

[1] LI A, HUANG C, SUN G, et al. Modeling the height of young forests regenerating from recent disturbances in Mississippi using Landsat and ICESat data[J] Remote Sensing of Environment, 2011, 115(8): 1837-1849.

[2] PFLUGMACHER D, COHEN W B, KENNEDY R E. Using Landsat-derived disturbance history (1972～2010) to predict current forest structure[J].Remote Sensing of Environment, 2012, 122: 146-165.

[3] 邓超, 程钢, 孙震辉. 基于 TM 影像的焦作市城市扩张与驱动力分析[J]. 测绘工程, 2015,24(8):57-64.[4] HUANG C, GOWARD S N, MASEK J G, et al. An automated approach for reconstructing recent forest disturbance history using dense Landsat time series stacks[J]Remote Sensing of Environment, 2010, 114(1): 183-198.

[5] Hostert P, RÖDER A, HILL J. Coupling spectral unmixing and trend analysis for monitoring of long-term vegetation dynamics in Mediterranean rangelands[J]Remote sensing of environment, 2003, 87(2): 183-197.

[6] VOGELMANN J E, KOST J R, TOLK B, et al. Monitoring landscape change for Landfire using multi-temporal satellite imagery and ancillary data[J] Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(2): 252-264.

[7] 王海君，许捍卫，金文韬.基于Landsat-8遥感影像的鄱阳湖水边线提取方法研究[J].测绘与空间地理信息，2016,39(1)：144-146.

[8] 刘利.国际地理信息经济效益定量估算初步研究[J].测绘与空间地理信息，2016,39(5)：4-7.

[9] 张飞，王建强，罗寒.基于时间序列的鄱阳湖水位分析与预测[J].测绘与空间地理信息，2016,39(8)：35-37.

[10] KENNEDY R E, BRAATEN J, YANG Z Q, et al. Land Trendr Users Guide[C]The Laboratory for Applications of Remote Sensing in Ecology (LARSE),2011.

[责任编辑：李铭娜]

Estimation of tree height and biomass based on long time series data of landsat

WU Di, LI Bing, YANG Ailing

(Heilongjiang Geomatics Center,China Bureau of Surveying and Maping, Harbin 150086,China)

This paper, taking the long time series data of Landsat as the research object, aims at retrieving forest parameters from spectral sequence information. The variables of forest disturbance are extracted from the time series data using the Landtrendr algorithm. With the random forest method to establish the model of the relationship among the disturbance variables, the reflectivity and the GLAS laser point, the spatial distribution information of the tree height and biomass is obtained, which provides a reference for retrieving forest parameters from multi source remote sensing data. The research proves that the forest disturbance variables obtained from the Landsat long time series data can enhance the correlation between the reflectance and forest parameters to improve the prediction accuracy.

long time series data of Landsat；tree height；biomass；forest disturbance variables；Landtrendr algorithm

引用著录：吴迪，李冰，杨爱玲.基于Landsat长时间序列数据估算树高和生物量[J].测绘工程，2017，26(6)：1-5.

10.19349/j.cnki.issn1006-7949.2017.06.001

2016-03-28

地理空间信息工程国家测绘地理信息局重点实验室赞助项目

吴 迪(1987-),女，工程师,博士.

P237

A

1006-7949(2017)06-0001-05