基于ALOS数据的云南松林蓄积量遥感估测方法

王丽媛，胡振华，徐天蜀

(西南林业大学林学院，云南 昆明 650224)

基于ALOS数据的云南松林蓄积量遥感估测方法

王丽媛，胡振华，徐天蜀

(西南林业大学林学院，云南 昆明 650224)

基于ALOS数据和样地实测数据为数据源，云南省宜良县为研究区，以提高森林蓄积量遥感估测模型精度为目的，从遥感、GIS、郁闭度等方面选取与森林蓄积量相关性较高的因子作为自变量。采用逐步回归法、主成分分析法、偏最小二乘法3种模型估测宜良县的云南松林蓄积量。从3种模型的拟合效果和估测精度比较结果表明：偏最小二乘法精度最高，调整决定系数为0.754，预测精度为82.77%，与主成分分析等传统线性估测模型相比精度有较大改善。

ALOS数据；偏最小二乘法；云南松；森林蓄积量

随着国家森林调查的快速发展，对森林资源及其定量估测方法的需求日益增加，森林蓄积量已经是表征森林数量重要的指标之一[1]。传统的森林蓄积量调查方法耗时、耗力，且不适宜大范围的研究区域。遥感回归估测克服了传统估测方法的弊端，成为森林蓄积量估测方法中的主流。遥感估测研究主要基于不同遥感影像数据源并加以野外实测样地数据信息，建立包含遥感因子、GIS因子、地形因子、林分立地条件等信息蓄积量遥感估测模型[2-4]。目前主要的遥感数据源以光学和微波2类为主，由于结合森林蓄积量估测的适用性和数据的时效性、处理技术以及耗费成本等方面考虑，光学传感器数据在估测森林蓄积量中最为常用，而光学遥感主要以光谱信息和空间信息2大类。ALOS数据与传统的TM等多光谱数据相比，可以更为精细地区分森林信息之间的光谱差异，进而提高蓄积量的估测精度，能弥补多光谱数据植被信息易饱和的缺点。故本次研究选取ALOS光学传感器数据为遥感数据源进行蓄积量估测研究。

森林蓄积量遥感估测方法较多，主要以线性回归和非线性估测为主。线性方法主要有逐步回归、岭回归、偏最小二乘等，其中偏最小二乘法由于具有较佳的估测效果和最大程度保留变量信息并克服各因子间的共线性等特点，近年来得以快速发展，成为森林蓄积量遥感估测的热点模型[5-7]。利用偏最小二乘法建立模型估测森林蓄积量主要适用山地、丘陵等环境，而对高海拔地区的森林蓄积量研究还未深入。故本次研究结合其余逐步回归和主成分分析2种常见的方法与偏最小二乘法一起进行高海拔地区云南松林森林蓄积量遥感估测研究。考虑树种的光谱差异信息对蓄积量遥感估测精度的影响，以云南松林为研究对象，通过提取ALOS高分辨数据植被遥感信息，采用不同的线性方法进行森林蓄积量估测的方法探究，为宜良县森林资源发展提供参考。

1 研究区概况

宜良县位于云南省中部，地处北纬24°30′36″—25°17′2″、东经102°58′22″—103°28′75″，宜良县地势北高南低，中部平坦。宜良县的总面积1886 km2，东西最大横距51.5 km，南北最大纵距85.3 km，山地与盆地相间，盆地面积在全省盆地中排序第30名，山脉属梁王山系。宜良县气候以北亚热带季风气候为主，四季分明，年均气温为16.3 ℃。宜良境内河流属珠江流域西江水系，河流量非常充足。宜良县森林资源丰富、物种多样、结构完善，是昆明市的近郊农业大县，具有良好的地理和自然气候环境。根据宜良森林资源二调数据信息显示，全县森林覆盖率达46.2%，植被种类非常丰富，针叶林树种主要为云南松，阔叶林树种主要为栎类，乔木经济林主要为板栗和核桃。

图1 研究区位置图及样地点分布

2 研究方法

2.1 数据获取与处理

图2 经过地形校正ALOS假彩色合成

2.1.1 遥感图像获取与处理 本研究采用ALOS多光谱数据为遥感数据源，多光谱遥感影像1景，获取时间为2010 年3 月22 日，地点为宜良县研究区(图1)。遥感图像在获取过程中，受到大气吸收与散射、传感器定标、地形等因素的影响，且它们会随时间的不同而有所差异。因此，在多时相遥感图像中，除了地物的变化会引起图像中辐射值的变化外，不变的地物在不同时相图像中的辐射值也会有差异。利用ENVI和ARCGIS软件，基于宜良县行政边界，对影像数据进行辐射定标、大气校正、正射校正预处理。考虑研究区地处高原地区，地形起伏较大对遥感数据容易产生影响，本次研究对ALOS数据4个波段数据逐一进行地形校正[8](采用改进的C校正法[9])。图2为地形校正前后对比图，其中山脊线区域为校正后变化明显的地方，从图2不难看出，高原地区由于地形起伏的阴影区域得到改善。

图3 宜良县云南松样地分布图

2.1.2 样地数据获取与处理 以云南松林为主要调查对象，进行野外实测数据获取，结合研究区森林资源二类调查的小班和DEM数据，最终得到56个样地(其中42个样地用于建模，14个样地用于模型适应性检验)。样地分布原则尽量均匀，并立足于云南松林森林结构特点以及分布信息，最终样地点分布如图3所示。

2.2 变量因子的选取

自变量的选取关系到森林蓄积量遥感估测研究的好坏，基于国内外学者已有的研究[10-17]，本次研究选定与蓄积量相关性大、易于获取的因子作为蓄积量估测模型的自变量。通过立足于前人已有研究，从云南松林光谱差异信息、地形影响、实测因子等方面进行备选变量选取[18]。最终选取经过地形校正后的4个ALOS波段值、波段运算值(B4-B2、B4-B3、B4/B2、B4/B3(RVI)、B3/B2、(B1×B2)/B3、(B4+B3)/(B4-B3)、(B2×B3)/B1、(B3×B4)/B2)、坡度、坡向、海拔、郁闭度等17个变量因子作为备选变量。

由于变量因子过多将出现共线性以及变量信息过饱和等导致估测精度降低，本次研究在SPSS环境下对其进行相关性分析，最终选取与蓄积量相关性较大(相关性系数大于0.5的变量值)的11个因子作为建模变量(包括遥感因子、GIS因子、地形因子、波段组合、郁闭度等)，具体信息见表1。由于自变量因子间存在不同单位的量纲影响，本次研究将训练样本数据进行标准化处理进而去除单位对于建模精度干扰[6]。

3 结果与分析

3.1 逐步回归方法及模型建立

逐步回归法的核心思想是通过阈值的设定来剔除对因变量影响较小的因子从而提高精度。本次研究基于SPSS统计软件，并将F检验值显著概率≥0.05的因子剔除，保留与森林蓄积量相关性较高的因子。最终经过筛选有4个变量符合条件，分别是郁闭度、第1波段、第2波段和坡度。逐步回归模型方程为：Y=-0.155x1+0.471x2+0.568x3+0.946x4-35.03，式中：x1为ALOS波段1；x2为ALOS波段2；x3为郁闭度；x4为坡度值。

3.2 主成分回归方法及模型建立

在上述线性建模探讨之后，由于蓄积量的估测不仅仅只局限于少数因子影响，因而选取几个综合指标拟合本次研究所有因子信息，不仅代表了因子的线性组合，而且彼此不相关，更能抓住主要矛盾。在SPSS软件下分析并选取了3个主成分，3个主成分成线性方程如下：PC1=0.873X1+0.936X2+0.962X3+0.543X4+0.244X5+0.064X6+0.146X7-0.494X8-0.774X9-0.860X10-0.827X11；PC2=-0.099X1+0.011X2+0.113X3+0.657X4+0.764X5+0.405X6+0.378X7+0.233X8+0.234X9+0.381X10+0.379X11；PC3=0.344X1+0.199X2-0.035X3+0.315X4+0.207X5-0.814X6+0.003X7-0.131X8+0.125X9+0.271X10+0.298X11。式中：X1、X2、X3、X4分别为ALOS的4个波段值；X5为郁闭度；X6为ALOS波段4与ALOS波段3的差值；X7为归一化植被指数(NDVI)；X8为比值植被指数(RVI)；X9为坡度；X10为坡向；X11为海拔。

通过对建模数据进行3个主成分的线性拟合，可得到主成分线性回归方程：Y=-22.536+0.102PC1+0.121PC2-2PC3，式中：Y为蓄积量；PC1为主成分1；PC2为主成分2；PC3为主成分3。

3.3 偏最小二乘法及模型建立

偏最小二乘法是1983年提出的多元统计方法，其具有解决自变量与因变量之间的共线性干扰并最大程度保留自变量信息等优点。通过线性数学关系将训练样本与检验样本法有机结合起来，并且具有较好的模型拟合效果和估测性能，目前已广泛应用于各领域的研究中[9-11]。本次研究借助SPSS软件，采用逐一分析各备选变量与样地蓄积量之间的相关系数，从相关系数的大小和显著性水平来看，考虑到因子之间的多重共线性后综合决定最后用PLS 回归模型构建估测森林蓄积量模型。本次建模通过基于R语言的偏最小二乘核心函数包进行PLS模型构建。通过主成分的调用判断选定最佳主成分数为8，并对本次建模的检验样本数据进行归一化量纲处理消除单位干扰。最终得到偏最小二乘模型如下：Y=-0.2306X1+0.5919X2-0.1089X3-0.4832X4+0.7379X5-0.2298X6+0.0414X7+0.3665X8+0.2528X9+0.1001X10-0.1233X11，式中：X1、X2、X3、X4分别为ALOS的4个波段值；X5为郁闭度；X6为ALOS波段4与ALOS波段3的差值；X7为归一化植被指数(NDVI)；X8为比值植被指数(RVI)；X9为坡度；X10为坡向；X11为海拔。

表1 建模变量因子信息

在R语言环境下基于建模样本点数据，以蓄积量实测值为自变量，利用偏最小二乘回归模型得出的蓄积量预测值为因变量，绘制蓄积量模型预测值与实测值的拟合曲线(图4) 。模型预测值与实测值基本位于对角线附近，表明模型拟合效果良好，适宜进行蓄积量建模。

图4 蓄积量预测值和实测值拟合曲线

3.4 模型评价及检验

对于本次研究的3种森林蓄积量估测模型，结合上述评价指标进行模型评价分析。通过相应的计算得到模型评价具体信息值(表2)。由表2可以看出，3种蓄积量估测模型中，偏最小二乘模型R2最高，相对误差值和误差均值也最低。表明与其余2种传统线性回归模型相比，偏最小二乘模型拟合效果最好，在传统的线性回归模型拟合效果上有较大改善。

并立足于模型检验结果，在SPPS下进行模型预估值与样地实测值的配对检验分析，通过分析二者之间的成对样本相关系数高低来进行模型预估好坏评价。具体信息见表3。

表2 模型评价结果

表3 模型检验信息

由表3可知：逐步回归和主成分分析法模型估测精度不高，均低于70%，且成对样本显著性概率值均高于0.05。表明模型估测效果不佳，与实测值存在一定偏差，而偏最小二乘法模型精度达到82.77%且配对检验效果良好，表明模型检验能力较好，对森林蓄积量估测具有一定的适用性。

3.5 宜良县云南松林蓄积量反演

通过对3个蓄积量估测模型拟合效果以及估测精度分析，选取其中整体模型效果最好的偏最小二乘法进行全县森林蓄积量总量预估。在ERDAS软件空间分析模块下，基于偏最小二乘法森林蓄积量估测模型，进行建模自变量因子间空间符合运算。最终得到偏最小二乘模型宜良云南松林蓄积量预估总值为1370438 m3。与2006年宜良县森林二类资源调查数据云南松林蓄积量总值为1704030 m3相比，仅相差333592 m3，预估精度为80.42%。

4 结论与讨论

1)基于3种蓄积量估测模型拟合效果和估测精度进行分析：逐步回归模型的总预报偏差的相对误差最大，其次为主成分回归模型，最小为偏最小二乘法。其主要原因为：逐步回归由于对因子进行定性苛刻选择，使得入选因子相对较少进而使得蓄积量估测变量信息不能得到全面表达导致估测精度不够。主成分回归模型尽管最大程度保留了变量信息，但由于对其进行线性拟合将原始变量信息模糊化和信息弱化导致最终估测精度不佳。基于本次研究，偏最小二乘法在模型拟合效果和总体估测精度而言均较好，更适宜宜良县云南松林蓄积量遥感估测。

2)由于森林蓄积量参数与森林立地条件等众多因素相关，本次备选变量因子主要以光谱特征因子为主，主要从植被表层(冠层)信息进行研究，而未能从植被垂直结构进行深入研究，故并未完整反应蓄积量相关信息。目前笔者正在结合ALOS-PALSAR L波段双极化FBD遥感数据进行多源遥感数据反演研究，进而希望从微波遥感数据进行森林植被垂直结构分析与光学遥感数据光谱结构特征相结合进行建模变量选取以改善森林蓄积量遥感估测精度。本次研究所选建模因子未能考虑纹理特征等方面因素和建模因子中包含郁闭度等实测因子也是今后完善的主要方向。故从不同的角度选取更多包含森林蓄积量参数因子作为建模变量进行研究是下一阶段研究探讨的重点。

3)本次研究还考虑到郁闭度实测因子获取的难度以及大尺度反演的困难性，对宜良县云南松林郁闭度信息也进行偏最小二乘建模探讨。并对其进行模型检验。得到研究区郁闭度偏最小二乘估测模型的相对误差为13.45%，郁闭度估测模型精度为86.55%。估测效果良好，故在今后研究中也将对郁闭度这一主要森林参数进行深入研究。

[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(16)：7746-7750.

[2]鲍晨光，范文义，李明泽，等.地形校正对森林生物量遥感估测的影响[J].应用生态学报，2009(11)：2750-2756.

[3]张友静，方有清，陈钦峦.南方山地森林蓄积量遥感估算研究[J].国土资源遥感，1993(2)：39-47.

[4]冯仲科，杨伯钢，罗旭，等.应用LIDAR技术预测林分蓄积量[J].北京林业大学学报，2007(S2)：45-51.

[5]琚存勇，蔡体久.用泛化改进的BP神经网络估测森林蓄积量[J].林业科学，2006(12)：59-62.

[6]杜晓明，蔡体久，琚存勇.采用偏最小二乘回归方法估测森林郁闭度[J].应用生态学报，2008(2)：273-277.

[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(7)：80-85.

[8]刘琼阁，彭道黎，涂云燕.基于偏最小二乘回归的森林蓄积量遥感估测[J].中南林业科技大学学报，2014(2)：81-84，132.

[9]黄微，张良培，李平湘.一种改进的卫星影像地形校正算法[J].中国图象图形学报，2005(9)：1124-1128，1069.

[10]陈楚，关泽群，张鹏林，等.利用RS和GIS的森林蓄积量偏最小二乘估测研究[J].湖北林业科技，2004(4)：25-28.

[11]罗批，郭继昌，李锵，等.基于偏最小二乘回归建模的探讨[J].天津大学学报，2002(6)：783-786.

[12]李崇贵，赵宪文，李春干，等.森林蓄积量遥感估测理论与实现[M].北京：科学出版社，2006：15-26.

[13]张凝，冯仲科，冯跃文，等.旺业甸实验林场针叶林蓄积量估测模型的研究[J].中南林业科技大学学报，2013(11)：83-87，108.

[14]张彦林.基于3S技术的山东省森林蓄积量定量估测研究[D].北京：北京林业大学，2008.

[15]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(4)：112-115.

[16]TOMPPO E，NILSSON M，ROSENGREN M，et al.Simultaneous use of Landsat-TM and IRS-IC WIFS data in estimating large area tree stem volume and aboveground biomass[J].Remote Sensing of Envionment，2002，82(1)：156-171.

[17]MAKELA H，PEKKARINEN A.Estimation of forest satnd volumes by Landsat TM imagery and stand-level field-inventory data[J].Forest Ecology and Mangement，2004(196)：245-255.

[18]李崇贵，赵宪文，蔡体久.遥感区域大小对森林蓄积估测影响规律的研究[J].北京林业大学学报，2001(4)：29-34.

The Remote Sensing Estimation Methods ofPinusyunnanensisForest Stock Volume Based on ALOS Data

WANG Liyuan，HU Zhenhua，XU Tianshu

(CollegeofForestry，SouthwestForestryUniversity，Kunming650224，Yunnan,China)

Based on ALOS data and forestry resource inventory data，in order to improve the accuracy of predicting forest volume by remote sensing.Analyzed the relative relation between remote sensing variables，forest canopy and forest volume，setting the highly relevant factor.The test site was located in Yiliang of Yunnan Province.Multi-stepwise regression model，principal component model and partial least square regression models were built to estimate forest stock volume ofPinusyunnanensis.And the accuracy of these three models were analyzed and compared to study the application of regression models in forest stock volume.The results showed that the accuracy and fitting effects of partial least square regression model are better than the other two models.Determination coefficient was 0.754 and prediction accuracy reached 82.77%.Comparing this method with traditional linear estimation model such as principal component analysis，accuracy shown a greatly improvement.

ALOS；partial least square；Pinusyunnanensis；forest stock volume

10.13428/j.cnki.fjlk.2017.01.003

2016-10-21；

2016-11-21

云南省林学一流学科建设经费资助(51600625)；国家自然科学基金项目(31260156)

王丽媛(1990—)，女，河北唐山人，西南林业大学林学院硕士生，从事“3S”技术在林业中的应用。E-mail：15808810624@163.com。

徐天蜀(1964—)，女，西南林业大学林学院教授，博士，从事林业资源管理及“3S”技术在林业中的应用。E-mail：TSXue64@163.com。

S791.257；S771.8

A

1002-7351(2017)01-0010-06