基于GF-2号遥感影像的天山云杉林郁闭度估测研究

李 擎 ，王振锡 ，王雅佩 ，刘梦婷 ，杨勇强

（1.新疆农业大学 林学与园艺学院，新疆 乌鲁木齐 830052；2.新疆教育厅 干旱区林业生态与产业技术重点实验室，新疆 乌鲁木齐 830052）

天山云杉作为新疆山地森林中，分布最广、蓄积量最大的森林生态树种，对该地域内的水源涵养、水土保持，以及林区生态系统的形成与维护至关重要。而森林郁闭度作为森林经营和生态稳定综合评价的一个重要指标，对理解和监测森林生态系统的稳定及评估具有重要的现实意义。传统的森林郁闭度调查方法包括目测法、样线法、树冠投影法、冠层分析仪等方法，这些方法不仅耗时耗力，而且获取的数据量相对较少，不利于大面积下的森林郁闭度变化研究。近年来，随着遥感科学技术的发展，使得遥感在林业上的应用变得越来越广泛。不少学者通过利用遥感技术对森林郁闭度进行大范围的遥感估测均得到了较好的结果。谭炳香等[1]基于Hyperion高光谱遥感影像选择合理的光谱特征建立多元回归模型估测郁闭度取得较好的结果；高云飞等[2]基于SPOT5多光谱影像，提取各波段的（DN）值通过相关性分析、回归建模，拟合精度较好；付虎艳等[3]以TM影像为数据源，提取相关的纹理特征并对冷杉林郁闭度进行了遥感估测，模型精度达到了81%；谷金英等[4]通过提取遥感光谱因子与地形因子相结合，利用多元回归分析法对林地郁闭度进行反演，精度达到81.6%，但是，由于遥感影像的信息众多，利用单一影像的光谱信息，会导致“同物异谱”和“异物同谱”的现象，这些现象对试验结果造成很大干扰：利用影像的纹理信息会造成光谱信息大量缺失，利用这两种方法都很难对郁闭度进行准确而有效的提取和分析[5-7]，所以选择合理有效的光谱因子、纹理信息和地形因子对提高郁闭度的估测精度显得十分重要。

鉴于此，本研究以GF-2号遥感影像为数据源，以乌鲁木齐市南山实习林场的天山云杉Picea Schrenkiana林为研究对象，通过对影像的光谱信息、纹理特征和地形因子的提取，并结合地面实测郁闭度的数据，对天山云杉的郁闭度进行了精度反演，为实时快速地开展天山云杉森林生态状况、森林蓄积量的监测提供技术支撑和理论依据。

1 研究区概况及数据来源

1.1 研究区概况

研究区位于天山北麓中段的新疆农业大学南山实习林场（43°16′～ 44°07′N， 86°46′～87°56′E），地处头屯河上游，北临准噶尔盆地，平均海拔约2 200 m，林场内年平均温度3 ℃，年降水量500～600 mm，年降水分布不均，主要表现在季节差异上，春夏偏多，占全年总降水量的70%左右。林场内日照充足，年日照时数超过1 300 h，无霜期约140 d。据2009年调查所知，总面积10 046.91 hm2，林地面积6 269.06 hm2，地势南高北低，地形切割较为剧烈，坡度多在10 °～40 °。森林主要分布在东北和西北坡，以草类、天山云杉为主，林下土壤为普通灰褐色森林土。

1.2 数据来源

1.2.1 遥感数据来源与预处理

本研究遥感数据来自于新疆卫星应用工程中心，选取2017年份乌鲁木齐市南山实习林场地区的GF-2（分辩率1 m）遥感影像为基础数据。GF-2 卫星影像观测幅宽达到45 km，侧摆角为±35 °，星下点分辨率为全色0.81 m，多光谱3.24 m。该数据具有4个多光谱波段，范围分别为0.45～ 0.52、0.52～ 0.59、0.63～ 0.69、0.77～0.89 μm，全色波段范围为0.45～0.90 μm。

根据研究区域内GF-2遥感数据，分别进行辐射定标、大气校正、正射校正、投影定义、裁剪和图像融合等预处理。其中大气校正使用FLAASH大气校正模型，正射校正使用自带的RPC文件和ASTER GDEM数据进行，主要通过选取地面控制点与相机或卫星模型相结合，确定传感器、图像和地面三者之间简单的关系，建立正确的校正公式，从而生成精确的正射影像。它不仅能纠正由系统因素所导致的几何畸变，而且还能有效的消除由地形所引起的误差[8]。辐射定标系数从中国资源卫星应用中心获得。

1.2.2 地面数据来源

外业调查数据主要包括2017年7月下旬至9月初调查的47个30 m×30 m的样地数据。调查内容包括样地的经纬度、每木检尺、坡度、坡向、海拔和冠层郁闭度等。其中冠层郁闭度采用Win SCANOPY冠层分析仪获取。首先，在研究区域内设置样点，并在样地中心点、东南-西北、东北-西南两个对角线的1/4处用 Win SCANOPY 冠层分析仪180 度鱼眼镜头拍摄 5 幅冠层影像，然后利用Win SCANOPY2016 软件分析系统计算5幅冠层影像的透光孔隙度，并将其均值作为地面野外测量透光孔隙度的真值，另外由于天山云杉林样方内的灌木数量较少且高度较低、杂草的数量虽然较多但高度也较低，高度范围在 0.3～1.3 m，为了消除灌木和杂草对郁闭度测定结果的影响，将鱼眼镜头的离地高度设定为 1.5 m；用 Win SCANOPY 2016 软件分析系统对鱼眼照片进行分析，可以得出Gap Fraction 和 Openness 两种透光孔隙度，由于Openness 在 Gap Fraction 的基础上消除了非线性投影对冠层透光孔隙度的影响，使其结果等于真实的冠层透光孔隙度[9]，所以本研究采用Openness 值作为冠层透光孔隙度。因为郁闭度与透光孔隙度之和为1，所以根据半球影像得到的林分透光孔隙度即可推出森林样方郁闭度，即郁闭度（Canopy）=1-透光孔隙度之差（Openness）。

2 研究方法

2.1 特征因子的提取

根据前人研究[10-12]，同时也为了选取出最适宜本地区天山云杉林郁闭度反演的影像特征因子，本研究合理的选取出光谱信息、纹理特征、阴影特征、地形因子等特征因子进行分析。其中植被指数因子主要包括：归一化植被指数（NDVI）、比值植被指数（RVI）、和转值植被指数（TNDVI）；地形因子3个：坡度（Slope）、坡向(Aspect)、海拔(Elevation )；阴影特征因子1个：阴影指数（Shadow index）；纹理特征因子有8个：均值（Mean）、方差（Variance）、协同性（Homogeneity）、相异性（Dissimilarity）、二阶矩（Second moment）、对比度（Contrast）、熵（Entropy）和相关性（Correlation），其中共提取了32个纹理特征因子。以提取出来的天山云杉林波段1的8个纹理特征影像为例（图1）。

图1 天山云杉纹理特征的提取（以波段1为例）Fig.1 Extraction of texture features of spruce in Picea schrenkiana (taking band 1 as an example)

2.2 主成分分析（PCA）

如果将所选取的32个纹理特征因子全部引入郁闭度模型的估测中，不仅会造成维数灾难，同时还会加大数据处理量。通过在SPSS中分析发现各个波段的纹理特征因子之间存在着显著的相关关系，因此在建模前，首先利用主成分法分析各个纹理特征因子并经过因子分析采用方差极大法对因子载荷矩阵进行正交旋转，选取了每个主成分中载荷系数达到0.85以上的因子作为自变量加入到估测模型的构建中，这样不仅保证了在损失信息最少的情况下可以提取出不相关的综合因子，而且也达到了降低空间维数的目的[13]。

2.3 逐步回归分析

利用逐步回归法进行以郁闭度为因变量、以所选取的地形因子、光谱因子、纹理特征因子为自变量的回归分析，并将校正R2作为拟合效果的判定系数，从而消除自变量个数对拟合度的影响。

2.4 精度评价指标

根据建模样本：检验样本（2:1）原则，利用SPSS中随机抽取工具选择32个样地作为建模样本，15个样地作为检验样本，对模型进行精度检验，采用拟合度（R2）、均方根差（RMSE）对模型实测值和估测值之间的符合度进行验证和评价，一般情况下R2越高，RMSE越低，代表着模型估测能力强，反演结果好。均方根差公式为：

式（1）和式（2）中：yi和分别表示实测值和估测值，是建模样本的平均值，n为样本数。

3 结果与分析

3.1 各特征变量与郁闭度相关性分析

利用SPSS将所提取的39个影像特征因子与郁闭度进行相关性分析，筛选特征因子，结果如表1所示。

由表1可知，除坡度和海拔外，其余特征因子与郁闭度之间均有较好的相关性且基本达到极显著水平（P＜0.01），其相关性系数基本在0.457以上，其中M1的相关性系数绝对值达到最大，为0.757。

表1 各因子信息与郁闭度之间相关性分析†Table1 Correlation analysis between factor in formation and canopy density

3.2 纹理特征因子的相关性分析

本研究在SPSS统计分析软件中进行，对各个波段所包含的纹理特征进行相关分析，以波段1（B1）为例，由表2、表3可知：同一个波段内不同纹理特征之间极显著相关（P＜0.01），其中相关性系数绝对值最大为0.968；B1波段的对比度与各个波段的纹理特征之间极显著相关（P＜0.01），除Cor3和Cor4外，其他波段对比度与纹理特征之间的相关性系数基本达到0.581以上，其中与Con3的相关性系数值达到最大，其值为0.996。由表2、表3分析可得：不同纹理特征因子之间的相关关系呈显著（0.01＜P＜0.05）和极显著（P＜0.01）水平，表明不同纹理特征成分之间存在信息交叉重叠的现象，为了避免将各个纹理因子中所存在的大量的冗余信息引入方程模型的构建中，因此对各纹理特征因子进行主成分分析，选择具有代表性的特征因子作为评价指标，进行模型构建。本研究共提取出3个主成分，经过因子分析采用方差极大法对因子载荷矩阵进行正交旋转，选取了每个主成分中载荷系数达到0.85以上的因子（选取了13个，如表4所示）作为自变量加入到估测模型的构建中，这样不仅保证了在损失信息最少的情况下，可以提取出不相关的综合因子，而且也达到了降低空间维数的目的。

表2 B1波段各个纹理因子间的相关分析Table2 Correlation analysis of each texture factor in band B1

表3 B1波段纹理特征中的对比度（contrast）与各波段纹理因子的相关分析Table3 Correlation analysis of texture features in band B1 and texture factors of each band

3.3 郁闭度估测模型的构建

以光谱和地形特征、纹理特征、光谱和地形特征+纹理特征为自变量，郁闭度为因变量，运用多元逐步回归方法进行模型构建，由表5可知，基于光谱和地形特征建立的郁闭度回归模型其R2为0.671，基于纹理特征因子构建的郁闭度回归模型R2为0.774，而基于光谱和地形特征+纹理特征构建的郁闭度回归模型的R2为0.823，由此可知，基于光谱和地形特征+纹理特征构建的郁闭度回归模型拟合度比单一地引入光谱和地形特征或纹理特征所建立的郁闭度回归模型拟合度R2有显著的提高。

表4 旋转成分矩阵—因子载荷系数Table4 Rotation component matrix - factor loading coefficient

表5 基于不同特征因子的天山云杉郁闭度估测模型Table5 The canopy density estimation model of spruce in Picea Schrenkiana based on different characteristic factors

3.4 模型精度评价

为检验估测模型的普适性，有必要对所建立的模型进行精度检验。将15个检验样本分别代入3种回归模型中，从而求得郁闭度的预测值，并绘制实测值与预测值1:1的回归图和散点图（图2），并计算各组的RSME和EA。从3组模型的散点图可以看出（图2），基于光谱和地形特征的估测模型的拟合度比仅基于纹理特征的估测模型的拟合度稍好，而基于光谱和地形特征与纹理特征所建立的估测模型的拟合度则有了显著的提高。同时，从表6中可以看出，基于光谱和地形特征与纹理特征相结合的方式，无论是模型的拟合度还是估测效果上都比单一的利用光谱和地形特征因子、纹理特征因子有很大的提高，估测精度从84.11%提高到89.82%。

图2 不同特征因子估测模型实测值与估测值散点Fig.2 Scatter of measured values and estimated values in different feature factor estimation models

表6 3种模型实测效果和估测效果比较Table6 Comparison of measured and estimated effects of the three models

4 讨论与结论

4.1 讨 论

与传统的郁闭度测定方法相比，遥感估测能够有效、准确地获取大区域的植被郁闭度，进而为森林资源管理及调查工作提供有利条件。其所选的影像和参与建模特征因子的选取是影响模型拟合度的重要因素之一，而估算模型的好坏直接关系着森林郁闭度的估算精度，因此合理地选取参与建模的遥感因子成为反演郁闭度十分重要的步骤。

从特征因子方面来说，在纹理特征因子的选取上，通过对所提取的纹理特征与冠层郁闭度之间进行相关分析，发现各个波段的纹理特征与郁闭度之间存在着显著或者极显著的关系，又通过对所提取的纹理特征之间进行相关关系分析，发现同一波段的不同纹理特征之间、不同波段的同一纹理特征之间以及不同波段的不同纹理特征之间均存在着较显著的相关关系，这也与伏虎艳等[3]、吴飏等[5]在利用纹理特征对郁闭度进行反演时所得出的结论一致。另外由于各个纹理特征因子之间包含着大量的冗余信息，因此对其进行主成分分析并对特征因子进行筛选，本研究将最终所选取的 Con1、Con2、Con3、Con4、Ent1、Ent2、Ent3、Ent4、SeM1、SeM2、SeM3、SeM4、H4作为自变量加入到估测模型的构建中，这样不仅保证了在损失信息最少的情况下，可以提取出不相关的综合因子，而且也有效解决了维数过多所导致的回归估测模型的复杂性和不稳定性等问题。

从建模方法上来看，由于郁闭度建模估测是森林资源遥感估测研究重要组成部分，而遥感数据通常具有复杂性[14]，并不能确知哪些变量会对郁闭度的估测研究产生重要影响，而当引入的变量过多时，不仅会影响模型的稳定性，更缺乏实用性。线性回归是较为常用的模型构建方法，其中在草地[15]、作物[16]、叶面积[17]、冠层郁闭度[18]等研究上被广泛应用，但是由于此次所引入的变量较多，而且各纹理特征因子之间也存在较强的相关关系，因此探寻合理有效的建模方法显得尤为重要。主成分分析法是将纹理特征因子压缩到几个有限的因子里，用新得到的因子去描述大量纹理信息间的关系，而不导致信息的缺失，在简化方程的基础上也起到了消除多重共线性的目的。吴石磊[19]在基于Landsat8 OLI数据对森林郁闭度进行反演研究时，分别利用多元逐步回归和偏最小二乘法对所引入的变量进行模型构建，结果表明，多元逐步回归模型的效果最好，精度达到88.46%。吴飏等[5]在引入了光谱、地形因子以及纹理特征因子对森林类型以刺槐为主的区域，首先对所提取的纹理特征利用主成分分析和正交旋转，在信息丢失最少的情况下将选取的具有代表性的因子与逐步回归法相结合进行了郁闭度模型估测，并取得了较好的反演结果，估测精度达到84.32%。本研究得到的结论与之相同，认为可以用主成分分析来降维，并与逐步回归法相结合方法来预测南山实习林场天山云杉林的郁闭度。

经精度验证后表明：基于光谱、地形遥感因子与纹理特征因子相结合所建立的模型效果最好，这也与张瑞英[20]在基于ALOS PALSAR影像对根河林区森林进行郁闭度反演时得出的结论一致，另外由于所用的遥感影像数据、研究区域以及研究的树种类型不同，这也导致了建立最优模型时所引入变量的不同，其中构建最优模型所选的因子中阴影指数（SI）、对比度对郁闭度反演的贡献率最大，经验证模型的相对误差EA=89.82%，RMSE=0.078 6，决定系数R2=0.868 1，导致此结果的原因可能是由于所选的遥感影像不同，或者由于不同地区的生态环境和地理环境的差异，因而不同地区对郁闭度估测所选取的因子应综合考虑本地实际情况。这也与郑冬梅等[10]人在对三峡库区森林郁闭度进行遥感反演时所得的结论一致。

4.2 结 论

本研究通过对遥感影像的灰度共生矩阵纹理特征进行有效提取，并对其进行相关分析和主成分分析，并用正交旋转法对各个纹理因子进行筛选，提取出了13个综合因子，并在SPSS中分别对只基于光谱、地形特征、纹理特征因子以及基于光谱、地形和纹理特征的因子相结合作分析，利用多元逐步回归法对天山云杉林郁闭度进行模型构建，研究得出：

1）各个波段的纹理特征与郁闭度之间存在着显著或者极显著的关系，同一波段的不同纹理特征之间，不同波段的同一纹理特征之间以及不同波段的不同纹理特征之间均存在着较显著的相关关系，说明不同纹理特征因子之间存在大量冗余信息。

2）在各种波段的纹理特征因子中，对比度（Contrast）对郁闭度反演的贡献率最大。

3）利用线性逐步回归的方法对新疆天山云杉郁闭度进行反演，经验证，基于光谱、地形遥感因子与纹理特征因子相结合所建立的模型效果最好，模型相对误差EA=89.82%，RMSE=0.078 6，决定系数R2=0.868 1，较好地满足了研究区内郁闭度的估测。