运用遥感影像对暖温带-亚热带过渡地区森林蓄积量反演1)

郝泷 朱风顺 张仁杰 张挺

(安徽农业大学，合肥，230036)

小陇山地处暖温带—亚热带过渡地区，森林覆盖率高[1-3]，不仅是甘肃省陕西省的重要生态屏障，也对我国西北地区的生态平衡具有重要的作用。森林是地球上最大的生态系统，在维护生态平衡的同时，也为经济社会的发展提供了保障[4]。森林蓄积量作为监测和评价森林生长状况的一个重要指标，同时也是森林生物量及森林固碳能力的重要评价指标[5-7]。我国定期进行的森林资源调查的目的，是为了解森林资源的现状及变化和科学合理的利用森林资源提供基础数据[8-9]。但是对森林资源调查，不仅持续的周期较长，需要花费大量的人力和物力，而且无法实现对森林资源利用情况的动态调查。随着现代遥感技术的发展，为大范围动态监测森林的生长状况提供了技术手段。

目前，国内已有诸多森林蓄积量遥感定量估测的研究，焦桐等[10]综述了森林林下植被的遥感反演研究进展和今后使用遥感技术反演的难点。郑刚等[11]详细介绍了KNN法森林蓄积量估计，提出在低纬度地区利用KNN法对森林蓄积量遥感反演进行系统研究的建议。涂云燕等[12]以SPOT5影像各波段、海拔、坡度及郁闭度为自变量，从模型拟合效果、样本配对系数、模型适用性层面，对主成分回归、偏最小二乘回归、逐步回归模型进行了比较，验证了逐步回归模型估测森林蓄积量效果最佳。徐婷等[13]利用遥感技术对山地林场的生物量进行反演，取得了满意结果。传统的森林蓄积量遥感反演模型更多聚焦在原始的多光谱波段及植被指数，本研究运用不同的遥感因子结合地面实测数据建立多个森林蓄积量的反演模型，通过比较和模型精度检验，进而获得蓄积量反演的最优模型，为实现森林资源的动态监测与调控提供技术支持。

1 研究区概况

小陇山位于甘肃省东南部秦岭西段，属天水市，纬度为29°21′～30°15′N，经度为93°27′～95°17′E，地形以山地为主，区域地势起伏较大；该区年平均气温10 ℃左右，最高气温39.2 ℃，最低-23.2 ℃；年降水量460～900 mm，年蒸发量989～1 658 mm；土壤类型以黄褐土和灰褐土为主，土壤pH值6.5～7.5；该区森林资源丰富，有木本植物824种，乔木树种312种、草本植物1 687种、灌木512种[14]。

2 研究方法

2.1 遥感影像预处理

Landsat OLI遥感影像获取日期为2018年5月17日。对所选用的遥感影像数据进行提取和相关分析之前，对覆盖小陇山地区的影像数据进行预处理：利用遥感影像处理软件ENVI5.3，影像畸变、影像图幅重合等引起的误差进行几何校正，对大气散射、反射、吸收引起的误差进行大气校正，对因地形起伏和传感器误差产生的像点位移进行正射校正[15]。根据研究内容的需要，对原始图像进行裁剪，最终得到百花林场影像如图1所示，本研究的技术路线如图2所示。

2.2 样地调查数据的筛选

本研究所采用的样地数据获取日期为2015年6月，主要涉及的样地调查信息包括森林种类、优势树种、树高、海拔等因子，样地数据用于对森林资源二类调查数据的验证。但考虑到在实际样地调查过程可及度及地形的影响，外业调查样地无法广泛而均匀的分布，因此，结合当地的森林资源二类调查数据，以获取森林蓄积量等相关信息。利用二倍标准差的分析方法剔除数据中的异常点，将森林资源二类调查数据导入SPSS统计软件，对其进行筛选，将蓄积量实测值大于2倍的误差样本数据进行剔除，从二类调查数据中共得到157组数据，并在ArcMap中得到这157组二调数据的矢量点文件。随机抽取120组用于模型的建立，剩下的37组用于模型评价。

2.3 多元回归模型的自变量的选择

Landsat OLI多光谱波段值提取：选取Landsat OLI遥感影像数据的B1～B7波段(见表1)，分别提取这7个波段的反射率，将它们作为光谱波段自变量；计算比值植被指数(IRV)、差值植被指数(IDV)、增强植被指数(IEV)、归一化植被指数(INDV)和优化土壤植被指数(IOSAV)等5种植被指数，将它们作为植被指数自变量；受制于Landsat OLI影像分辨率为30 m，在考虑各个原始波段对森林蓄积量反演的影响之外，为充分挖掘遥感影像所包含的信息，突出研究区内的植被信息并减弱林区地形条件等的影响，本研究通过设置波段比值，辅助森林蓄积量的反演。根据各个波段的应用特征，可知B2、B3、B4、B7对于区分植被有较好的反映，因此，为了增强研究区遥感影像中植被信息特征，计算B2/B1、B2/B5、B3/B5、B3/B7、B4/B5、B4/B7、B5/B2、B5/B3等8个基于原始多光谱波段的波段比值。

表1 Landsat OLI的部分光谱波段及主要应用

Landsat OLI遥感影像的纹理特征提取：多光谱影像包含了影像对应地物的丰富色彩信息，而遥感影像的纹理信息则反映了影像所蕴含的结构特点，对不同地物相关信息的表达具有重要的作用。基于灰度共生矩阵的原理，利用遥感图像处理平台提取包括反差(C)、相关性(Co)、相异性(D)、熵(E)、同质性(Ho)、均值(Me)二阶矩(SM)、方差(V)等8种不同的纹理特征。选用遥感影像Landsat OLI的7个多光谱波段，经过共生矩阵的计算得到56个纹理影像，计算纹理特征时选取的灰度级为64，窗口大小为3×3、5×5和7×7。将根据3种不同窗口大小提取得到8种纹理特征为自变量，以森林蓄积量为因变量进行初步回归分析，根据给出的决定系数判定3×3窗口为提取森林蓄积量的最佳窗口大小。

构建森林蓄积量反演模型涉及到的自变量参数如表2所示。

2.4 森林蓄积量反演模型的精度评价

表2 自变量计算信息表

3 结果与分析

3.1 模型构建

在构建模型之前，对于所选取的众多自变量，利用R语言进行显著性检验，剔除一部分与蓄积量不显著相关的变量。首先计算各自变量与蓄积量的相关系数表，进一步得到相关系数检验的p值表，p值小于0.05，则说明相关性显著。在单波段自变量中，剔除了自变量B4；在植被指数自变量中，剔除了自变量IEV、INDV、IOSAV；在波段运算自变量中，剔除了自变量B2/B5、B3/B7和B5/B2；在纹理特征自变量中，保留了自变量B1Me、B2Me、B3Ho、B3V、B4V、B5Me、B7Me。

对筛选后的自变量，借助SPSS统计分析软件，采用多元逐步回归的方法[17-18]建立模型：Y=a0+a1X1+a2X2+…+aiXi+ε。式中，Y是森林的蓄积量，Xi是自变量因子，a0为常数，ai为系数，ε为随机误差，i=1、2、…、n。首先将光谱波段因子、植被指数因子、波段运算因子、纹理特征因子分别与地形特征联合，进行逐步回归分析建模，然后将所有的因子联合共同建模，然后对所建立模型进行精度检验。

光谱波段回归模型：利用SPSS统计软件对6个单波段数据(B1、B2、B3、B5、B6、B7)联合地形特征(海拔)，进行逐步回归建模，选取出B1、B2、B3、B5、B6、B7、海拔(H)等7个自变量参与森林蓄积量反演模型的建立。回归模型为：Y1=-69.882+0.015H-0.001B5+0.003B6-0.001B3-0.002B7+0.036B1-0.033B2。

植被指数回归模型：将参选的植被指数(IRV、IDV)和地形特征一起进行逐步回归分析，剔除与森林蓄积量的相关性不高的指数(IDV)，将比值植被指数(IRV)和海拔(H)作为建模的自变量，回归模型为：Y2=-9.522+0.007H+10.299IRV。

波段运算回归模型：将计算的波段比值(B2/B1、B3/B5、B4/B5、B4/B7、B5/B3)与地形特征(H)进行多元逐步回归分析，最后得到参与建模的自变量为海拔(H)、B2/B1和B4/B5。波段运算和地形特征的回归模型方程为：Y3=87.805+0.009H-108.578×(B2/B1)+4.801×(B4/B5)。

纹理特征回归模型：将B1Me、B2Me、B3Ho、B3V、B4V、B5Me、B7Me联合地形特征海拔进行多元逐步回归分析，构建森林蓄积量反演模型。最后保留了海拔(H)、B3的同质性(B3Ho)、B3的方差(B3V)、B7的均值(B7Me)、B5的均值(B5Me)等5个自变量参与建模，回归模型为：Y4=-0.131+0.006H+2.425B3Ho-0.487B3V+0.204B7Me-0.180B5Me。

光谱波段、波段运算和纹理特征的综合回归模型：将与蓄积量显著相关的全部变量导入到SPSS软件中，进行多元逐步回归分析，剔除了所有的植被指数因子，保留了地形特征因子(海拔(H))、3个纹理特征因子(B3Ho、B3V、B5Me)、1个波段运算因子(B4/B7)和1个光谱波段因子(B6)参与建模，回归模型为：Y5=42.788+0.005H-0.001B6-31.407×(B4/B7)+3.231B3Ho-0.377B3V-0.157B5Me。

3.2 不同森林蓄积量反演模型的估算结果

用验证样本分别对5个模型进行检测，以蓄积量实测值为横坐标，估测值为纵坐标，绘制蓄积量实测值与估测值的散点图(见图3)。

3.3 不同森林蓄积量反演模型精度比较

由表3可知，基于光谱波段、波段运算和纹理特征的蓄积量反演模型的精度达到了80.74%。基于光谱波段的蓄积量反演模型精度较低，精度仅为71.98%。观察基于光谱波段、植被指数、波段运算、纹理特征的森林蓄积量反演模型，发现它们的精度比结合不同特征多参数的森林蓄积量反演模型的精度分别低8.76%、5.64%、5.03%、2.39%。对比5个反演模型可以发现随着纹理特征和光谱特征的引入，多特征相结合的蓄积量反演模型的精度得到了相应的提升，说明多特征参数的引入对森林蓄积量反演模型的精度有正面影响。

表3 不同蓄积量反演模型的精度比较

4 结论与讨论

本研究依据光谱特征、植被指数、波段运算特征、纹理特征和地形因子，建立了基于不同特征参数的5个蓄积量估算模型，并对5个模型的精度进行评价，得到森林蓄积量的最优估算模型为基于光谱波段、波段运算和纹理特征的蓄积量反演的综合模型，方程精度为80.74%。

基于Landsat OLI影像对甘肃百花林场的森林蓄积估算模型进行构建，以遥感影像的光谱特征和影像纹理特征为主要变化参考因子，验证中低分辨率遥感影像的纹理特征，是否能够有效改善森林蓄积量的反演精度，结果证明随着纹理特征的引入，研究区的森林蓄积量估算精度显著提升。

在构建森林蓄积量反演模型时，选用多元逐步回归法建立森林蓄积量反演模型，有效减少了人为因素对模型构建的影响，入选的参数都是对蓄积量反演有较大贡献的自变量。本研究所构建的模型只有多元回归的线性模型，因此，在以后研究中，可以考虑非线性模型对蓄积量反演的影响。

观察基于纹理特征的蓄积量反演模型和结合不同特征多参数的森林蓄积量反演模型，可以发现同质性、方差和均值等纹理特征与森林蓄积量的相关性较高。随着纹理特征的引入，森林蓄积量的反演精度有一定的提高，但提升效率不是特别明显。主要原因是选用的Landsat OLI影像的空间分辨率较低，在一定程度上抑制遥感影像对森林纹理特征的表达。

小陇山百花林场地处暖温带—亚热带过渡地区，该模型对于其他地区的普适性可能会有一定的局限性，但研究结果证明，基于光谱波段、波段运算和纹理特征建立蓄积量反演模型具有可靠性和可行性。因此，耦合多源特征数据能有效的提高森林蓄积量反演模型的精度，可为林业部门和相关森林资源监测提供技术支持。