基于遥感技术的森林蓄积量估测研究进展

崔 立，闫保银

(南京国图信息产业有限公司，江苏 南京 210000)

森林作为自然资源的重要组成部分之一，在保障生物多样性、缓解温室效应、维护生态环境等方面发挥着积极作用。随着经济的快速发展，森林所产生的生态价值与经济价值日益凸显，为掌握森林资源此消彼长的动态变化，森林资源调查逐渐成为国家在森林资源监测方面开展的重点工作。

森林资源调查包括全国森林资源连续清查(林业一类调查，每5 a开展1次)和规划设计调查(林业二类调查，每10 a开展1次)，除此之外还有作业设计调查。传统的一类、二类调查多采用样地实测法，该方法具有较高的准确度，但需花费较大的人力物力，同时在时空上也存在较大的局限性[1]。近年来，遥感技术的飞速发展为林业调查提供了新的工作方式，与传统方法相比更为省时省力，极大地提高了调查的效率及准确性[2-3]。

蓄积量是林业调查中的一项重要指标，它能够衡量森林资源的丰富程度以及健康程度[4]，也直接反映了森林的经营成效。除了样地实测法之外，目前常用遥感估测法估测蓄积量。本文将对不同的森林蓄积量估测方法进行归纳，作总结对比，探讨其中不足并对未来进行展望。

1 研究进展

目前，国内外对于蓄积量的估测主要集中于光学遥感、雷达遥感以及LiDAR估测研究。

1.1 基于光学遥感的蓄积量估测研究

早期的森林生态系统探测多集中于生物量探测和生态遥感领域。经多年发展，逐步形成了以遥感影像为数据源，提取与蓄积量相关的因子如树种、树龄、坡度、坡向等，建立模型进行反演，最终获得蓄积量等调查因子的思路[5-7]。国内外在遥感影像方面多采用LandsatTM/ETM/OLI，Modis，SPOT5，IKONOS GF等，在蓄积量估测模型方面，多采用KNN模型、多元线性回归模型等。在多元线性回归模型中，常采用偏最小二乘法、逐步回归和岭估计法等。

Stumpf等[8]使用KNN模型计算法对森林蓄积量进行估测，结果表明，KNN模型法计算的精度高于线性回归法。宋亚斌等[9]进一步对KNN模型开展了深入研究，以湘潭县为研究区，采用Landsat 8 OLI 数据和同时期的二类调查数据，通过距离相关系数筛选特征，使用3种KNN模型(包括K-近邻模型、距离加权模型和优势欧式模型)进行蓄积量估算，并与线性回归模型进行对比，得到了与Stumpf等相同的结论：使用KNN模型计算的蓄积量数据可信度均高于线性模型，并在3种KNN模型中，优化欧式模型的决定系数最高，达到0.69，因此估算精度也为最好。

TM影像的红光波段为叶绿素吸收带，可用于区分植被类型，判断植物生长状况，近红外波段位于植物高反射区，可用于植物识别、分类。将红光波段与近红外波段结合，并构建回归模型用于估算蓄积量[10]。张超等[11]基于遥感特征、地形因子、郁闭度与蓄积量之间的相关性，以偏最小二乘回归法构建了蓄积量估测模型，并将估测值与实测值进行对比。结果表明，三峡库区森林总蓄积为1.12亿m3，预测精度达到了89.58%。厉香蕴等[12]基于霍山县OLI影像，提取了光谱、纹理等信息，与DEM中提取的高程、坡向等地形因子建立了蓄积量估测模型。结果表明，该方法估测值误差较小，可用于大范围的森林资源监测。冯凯等[13]基于Landset8影像结合林业二类调查数据，采用POS算法优化的BP神经网络和线性回归建模法，对广东省南雄市森林蓄积量进行估测，结果精度较高。

高分(GF)影像近年来在森林蓄积量估测方面的应用也越来越多。向安民等[14]以GF-1、DEM模型及土地利用类型图为依据，采用KNN法建立森林蓄积量估测模型，并将测得值与同期二类调查数据对比，发现使用KNN算法的估测精度达到了97.3%，证明了国产GF-1影像可用于森林资源监测。王海宾等[15]基于GF-1、PMS影像，对KNN法作进一步研究。其引入偏最小二乘回归法与KNN法进行对比，得出基于KNN法的反演结果要优于偏最小二乘法的结论。李世波等[16]基于GF-1影像，研究了最佳遥感因子组合方式和最优蓄积量估测方法，经过多元逐步回归、随机森林法、偏最小二乘回归法估测并对比后，发现随机森林法的估测精度最高，达到了83.69%。

1.2 基于雷达遥感的蓄积量估测研究

雷达遥感作为一种主动遥感技术，具有一定的穿透能力，可穿过树冠，对森林内部作进一步探测，以获取更多的森林内部结构信息，因此在森林资源监测方面也广泛使用。通常，雷达遥感可分为合成孔径雷达(SAR)、极化干涉合成孔径雷达和干涉合成孔径雷达[17]，在森林蓄积量估测中，常用合成孔径雷达，其生物量估测方法常采用：雷达截面法[18]、高低频SAR数据极比法[19]、生物量回归分析法和生长量估测方程估算法[20]。

合成孔径雷达可以全天时、全天候工作，具有较强的穿透能力，广泛应用于森林蓄积量、覆盖率、生物量等的调查[21]。王臣立等[22]对SAR后向散射系数进行研究，发现其与蓄积、胸径、树高之间可用对数模型表达并模拟，并证明了估测精度可基本符合大面积总体估测，但在小班层面来说，效果不佳。范凤云[23]基于SAR数据与激光雷达数据对蓄积量进行反演，在大范围的蓄积量估测领域做了一定探索。杨永恬等[24]利用SAR的穿透能力，以喀斯特山区为试验区，以SAR和森林资源调查成果为数据源，建立回归模型，估测值符合精度要求，证明了SAR技术可用于云雾多雨的山区森林蓄积量定量评估。

1.3 基于LiDAR的蓄积量估测研究

激光雷达(LiDAR)可以主动发射脉冲信号，当信号接触地物后返回，其记录的信息包括点的强度信息、空间三维位置信息，形成点云数据[25]。LiDAR系统有多种类型，主要是星载LiDAR、机载LiDAR和地基LiDAR。在林业调查中，地基LiDAR和机载LiDAR应用较多[26]。早在1976年就有学者利用LiDAR测量了森林结构参数，并得到较好的结果。Means等[27]对花旗松森林的结构参数，包括树高、胸径、蓄积等，使用LiDAR进行估算，发现冠层密度特征变量对胸高断面积和蓄积预测精度较好。然而，传统的激光雷达研究方法偏重高度、密度特征变量，而忽略了冠层结构特性，因此具有一定的局限性。Lefsky等[28]通过提取冠层容积剖面及高度剖面，采用体元化冠层容积模型法，较为精确的预测了森林结构参数。Zhao等[29]在激光雷达的基础上提取了CHQ、CHD参数作为非线性模型和线性模型的特征变量，通过建立估测模型，较好的反演了森林生物量，其中R2达到了0.80。

国内多采用激光雷达获得林分LiDAR点云数据，经处理后建立反演模型，估算其蓄积量。苏德添等[30]利用激光雷达收集了毛竹冠层的点云数据，并基于竹竿、竹枝点云密度间的逻辑关系，建立了估算模型。经验证，建立的竹竿、竹枝模型精度分别可达95.53%和91.36%。许子乾[31]将无人机航测技术与LiDAR技术相结合，对林分特征参数及生物量进行反演研究，发现所有特征参数中，与高度参数敏感度高的林分特征，在估测中可以达到与激光雷达相近精度，从而对蓄积量预测精度较高。张峥男[32]将机载激光雷达测得的特征数据进行反演，结果表明，反演获得的蓄积量数据精度尚可，其中R2达到0.45—0.80，rRMSE达到12.02%—19.22%。此外，分森林类型的模型组预测蓄积量精度要高于无区分森林类型的模型组。

2 对比与分析

早在上个世纪，国内外学者就已展开基于光学遥感的蓄积量估测研究，经多年发展，从理论研究到实际观测都已趋于成熟。遥感具有应用范围广、数据接收效率高的优点，因此被广泛运用[32]。然而，遥感仅在区域内的植被水平向的数据获取占优[33]，在垂直信息获取方面却受制于其空间异质性，难以穿透林分内部获取信息[34]。相较于光学遥感，微波遥感的出现可在一定程度上弥补光学遥感的劣势，但其易受地形影响，在获取垂直信息方面也存在一定的局限性[35]。

雷达遥感的出现弥补了光学遥感穿透力不强的缺陷，目前多采用SAR来对生物量进行观测。杨永恬等[24]在一些多云多雾地区，如喀斯特山区使用SAR对森林资源的生物量进行监测，证实了雷达遥感在雾、烟、灰尘等天气恶劣条件下的监测能力。然而王臣立等[22]的研究证明，SAR估测精度可基本符合大面积总体估测，但就小班层面来说，效果不佳。因此雷达遥感虽具波长较长，易于获取林分内部信息等优点，但其在后期数据处理方面难度较高，同时林分内部结构较为复杂，难以形成直观的成像，因此在生物量观测中难以普及运用[36]。

LiDAR能够精准、快速地获取被测物的三维坐标信息[37]。近年来将LiDAR用于森林生物量观测的研究越来越多，逐渐成为一个新兴的技术[38]。与光学遥感相比，LiDAR可以在多尺度空间范围内、不受空间异质性影响下，精准全面地获取空间三维信息。与雷达遥感相比，LiDAR具有探测精度高、探测范围广及稳定性强等优点，在烟、雾等极端天气条件下也能应对。此外，LiDAR在测距、识别障碍物方面优于雷达遥感，同时在观测时产生的数据量高于雷达遥感，在数据准确性上也得到了更多的保证[39]。

综上所述，雷达遥感与LiDAR在信息获取方面均较光学遥感占据优势，雷达遥感较LiDAR而言各有所长，但LiDAR在获取森林三维结构信息方面具有独特的优势，因此其在森林生物量监测方面潜力较大。

3 讨论与展望

现阶段，森林蓄积量反演模型大多是从生物学角度出发，基于遥感的光谱信息、各因子的物理意义而建立的，建模方法多用KNN法、偏最小二乘法等。因此，怎样基于多源数据，选择哪些因子作为建模的基础以进一步提高估测大范围的森林资源生物量，成为光学遥感未来技术发展的主要方向[40]。随着技术的发展，遥感影像的分辨率越来越高[41]，可形成周期性动态反映某一区域的动态变化。目前多数研究是基于高分影像、资源三号卫星影像、Landset TM等进行的[42]。在利用高分影像提取林分数据时，常采用人工目测结合影像光谱特征、纹理特征法，对此笔者认为，当林分结构较为复杂时，如何区分单株树的树冠还需探讨。此外，森林蓄积量估测模型多基于林地进行，是否可以将林地细分为林种、树种[43]，加入对蓄积量有重要影响的胸径、树高、郁闭度等参数来提高建模的精确度，还需做进一步研究。

在利用雷达遥感监测森林蓄积量方面多偏向于SAR，但SAR的图像数据一般噪点较大，一定程度上干扰了信息的提取[21]。因此笔者认为，如何尽量减少噪点，对于提升最终监测数据的准确性很有意义。此外，还可尝试将SAR数据、光源遥感数据等协同反演，探索将SAR技术与无人机技术相结合，做到优势互补等可以深入研究，并逐步推广。

LiDAR可获得亚米级的森林植被信息，在森林资源生物量监测领域优势明显。在以往的研究中，多基于林分的冠层密度、LiDAR高度参数等特征变量去反演林分生物量，虽能获得较好的结果[44]，但该方法偏重于统计学原理，未充分地挖掘林分信息。森林结构及其立地条件往往较为复杂，而这些因素又与参与反演林分生物量的特征变量有很强的关联性[45]，因此就容易导致以往所建立的反演模型仅小范围适用，不适用于反演完整的森林空间结构[46]。在今后研究中，可加入与森林结构、立地条件等相关联的信息作为特征变量，使反演模型更具普适性，能够完整反演出森林的空间异质性。尽管LiDAR穿透性强，能够快速准确的获得林分内部信息，但其具有较高的信息获取成本以及缺乏光谱信息等缺点[47]，而LiDAR的缺点恰是无人机航空摄影技术(UAV-DAP)的优点[48]，因此在今后研究中，可考虑引入UAV-DAP结合使用，达到优势互补。利用LiDAR技术获取地面点云数据，结合UAV-DAP获取林分冠层的表面信息，形成森林生物量长期有效的动态观测，这在今后的森林资源调查中亦是值得研究的课题。