李 毅，徐天蜀，王曉寧

(西南林業(yè)大學(xué)林學(xué)院，昆明650224)

基于ENVISAT ASAR數(shù)據(jù)的高山松林蓄積量估測(cè)模型研究

李 毅，徐天蜀，王曉寧

(西南林業(yè)大學(xué)林學(xué)院，昆明650224)

以香格里拉縣南部為研究區(qū)，利用ENVISAT ASAR雙極化數(shù)據(jù)，基于數(shù)理統(tǒng)計(jì)方法對(duì)該地區(qū)的高山松林蓄積量估測(cè)模型進(jìn)行研究。首先分析HH，HV，HV/HH值與高山松林樣地蓄積量之間的相關(guān)性，結(jié)果為HV極化數(shù)據(jù)與蓄積量相關(guān)性最高;然后建立簡(jiǎn)單線性模型、指數(shù)模型以及加入地理因子的多元線性模型與非線性模型，得出指數(shù)模型為最優(yōu)模型;利用獨(dú)立的檢驗(yàn)樣本對(duì)最優(yōu)模型進(jìn)行精度評(píng)價(jià)，預(yù)測(cè)值與實(shí)測(cè)值基本相符合，平均相對(duì)誤差為14．41%。

ENVISAT ASAR;后向散射系數(shù);高山松;蓄積量模型

引言

森林蓄積量是評(píng)價(jià)森林生產(chǎn)力的一個(gè)重要指標(biāo)，單位面積蓄積量的大小標(biāo)志著林地生產(chǎn)力的高低及經(jīng)營(yíng)措施的效果［1］。傳統(tǒng)的森林蓄積量調(diào)查方法是一、二類調(diào)查，存在著勞動(dòng)強(qiáng)度大、調(diào)查周期長(zhǎng)、人財(cái)物投入大等問題［2］。探討高效和高精度的森林蓄積量估測(cè)的新方法，可以減少地面調(diào)查的工作量，快速、準(zhǔn)確地進(jìn)行森林總蓄積量預(yù)測(cè)。遙感技術(shù)是估測(cè)大尺度空間森林蓄積量的有效手段。TM，AVHRR，SAR等數(shù)據(jù)以及多源數(shù)據(jù)在森林蓄積量估算方面廣泛應(yīng)用，并取得了顯著效果。運(yùn)用遙感技術(shù)進(jìn)行森林蓄積量估算時(shí)，所采用的數(shù)據(jù)源不同，分析方法也不相同。

從上世紀(jì)90年代開始，很多學(xué)者利用雷達(dá)遙感數(shù)據(jù)對(duì)森林蓄積量估測(cè)進(jìn)行了研究［3－5］。目前大量的理論和試驗(yàn)結(jié)果都已證實(shí)，雷達(dá)后向散射系數(shù)與森林蓄積量和生物量有著密切的關(guān)系［6－7］。微波具有穿透樹冠的能力，能與樹葉發(fā)生作用，主要與森林的主體——枝和樹干發(fā)生作用［8］。雷達(dá)遙感為森林蓄積量全面而精確的估測(cè)提供了有效數(shù)據(jù)。

根據(jù)國(guó)內(nèi)外的研究資料表明，ASAR數(shù)據(jù)可用于森林蓄積量的估測(cè)。T．Manninen［9］應(yīng)用ASAR的極化比對(duì)葉面積指數(shù)進(jìn)行估測(cè)，精度達(dá)到了應(yīng)用水平。Julien等［10］使用ENVISAT ASAR數(shù)據(jù)提取西伯利亞的森林信息，結(jié)果顯示，HV極化數(shù)據(jù)可以用于林地和非林地的森林制圖。

朱海珍等［11］以東北大興安嶺地區(qū)的圖強(qiáng)林業(yè)局作為試驗(yàn)區(qū)，基于統(tǒng)計(jì)方法對(duì)多時(shí)相ENVISAT ASAR數(shù)據(jù)進(jìn)行森林蓄積量估測(cè)研究，最后利用獨(dú)立的檢驗(yàn)樣本對(duì)估測(cè)結(jié)果進(jìn)行評(píng)價(jià)，均方根誤差(RMSE)為16.526 m3/hm2，與實(shí)際情況基本相符。本文根據(jù)高山松林對(duì)微波信號(hào)相應(yīng)的特點(diǎn)和ENVISAT ASAR APP數(shù)據(jù)的特點(diǎn)，探討利用ASAR數(shù)據(jù)建立高山松林蓄積量估測(cè)模型的潛力。

1 研究區(qū)概況

研究區(qū)地理位置 99°20'—100°29'E，27°52'—28°52'N，位于香格里拉縣南部，地處青藏高原南緣，橫斷山脈腹地，是滇、川、及西藏三省區(qū)交匯處。研究區(qū)處于云南亞熱帶闊葉林植被區(qū)向青藏高原高寒植被區(qū)過渡地帶，植被分布南北差異明顯，東、南、西三面山體垂直分部完整而典型。區(qū)內(nèi)屬于山地寒溫帶季風(fēng)氣候，年均溫度6．3℃，最高溫度25．6℃，最低溫度為 －20.1℃，表現(xiàn)出干濕季分明、夏秋多雨、冬春干旱、熱量不足、氣溫偏低的氣候特征。研究區(qū)內(nèi)植被類型主要有溫涼性針葉林、寒溫性針葉林、暖性針葉林、落葉闊葉林、灌叢、草甸等，常見的森林類型有云冷杉林、高山松林、落葉松林、高山櫟林等。

2 數(shù)據(jù)來源

2．1ASAR 數(shù)據(jù)

本研究選取一景香格里拉南部地區(qū)的ASAR APP 1B級(jí)數(shù)據(jù)，獲取時(shí)間為2005年12月25日。影像參數(shù)見表1。

表1 ASAR數(shù)據(jù)相關(guān)參數(shù)

2．2 樣地蓄積量獲取

外業(yè)調(diào)查時(shí)間分別為2009年7月下旬和2010年7月下旬，采用典型選樣的方法布設(shè)樣地，利用角規(guī)控制檢尺的方法測(cè)算樣地公頃蓄積量，用GPS記錄角規(guī)點(diǎn)的坐標(biāo);另一部分?jǐn)?shù)據(jù)來自2006年森林資源二類調(diào)查的抽樣控制樣地的數(shù)據(jù)，該數(shù)據(jù)也是采用角規(guī)測(cè)算樣地蓄積。由于外業(yè)數(shù)據(jù)來自不同的三個(gè)時(shí)期，而本文使用的遙感數(shù)據(jù)接近2006年，故把2009年和2010年的森林生長(zhǎng)量數(shù)據(jù)統(tǒng)一換算為2006年的生長(zhǎng)水平。本文用于研究的高山松林蓄積量數(shù)據(jù)有91組，其中69組用于建模，22組用于模型精度評(píng)價(jià)。

3 影像預(yù)處理

本研究使用的ASAR APP 1B影像為地距影像，保存的是振幅值。為了降低相干斑點(diǎn)噪聲、地形引起的輻射與幾何畸變，需要對(duì)該影像進(jìn)行一系列的預(yù)處理。利用GAMMA軟件對(duì)ASAR APP 1B級(jí)數(shù)據(jù)進(jìn)行預(yù)處理。首先對(duì)影像數(shù)據(jù)進(jìn)行輻射定標(biāo)，將影像記錄的振幅數(shù)據(jù)轉(zhuǎn)換為反映能量值的后向散射系數(shù);然后借助空間分辨率為100 m×100 m的SRTM DEM數(shù)據(jù)和ASAR衛(wèi)星軌道參數(shù)重建成像時(shí)的幾何觀測(cè)條件，生成雷達(dá)模擬影像，以模擬影像為參考，對(duì)ASAR 1B級(jí)數(shù)據(jù)進(jìn)行地理編碼，將影像轉(zhuǎn)化為多視正射投影影像;其后對(duì)正射影像進(jìn)行濾波處理，采用Gamma-Map濾波，窗口大小為5×5;最后對(duì)影像進(jìn)行地形輻射校正。最終預(yù)處理結(jié)果影像像元大小為25 m×25 m。預(yù)處理結(jié)果如圖1所示。

圖1 圖像預(yù)處理結(jié)果

4 研究方法

4．1 遙感因子和地學(xué)因子與蓄積量的相關(guān)性

采用經(jīng)過預(yù)處理的影像上記錄的后向散射系數(shù)(σHV，σHH)，極化比值 HV/HH(σHV/HH)以及地理因子(海拔、坡度、坡向)，建立高山松蓄積量估測(cè)模型。該6個(gè)因子與對(duì)應(yīng)的樣地蓄積量的相關(guān)性分析結(jié)果見表2。

由表2可以看出，后向散射系數(shù)、海拔與蓄積量顯著相關(guān)。后向散射系數(shù)對(duì)蓄積量的影響較大，呈正相關(guān)，其中HV極化值與蓄積量的相關(guān)性最顯著;在地學(xué)因子中，海拔與蓄積量的相關(guān)性最顯著，呈負(fù)相關(guān);坡度和坡向?qū)π罘e量的影響較小。

4．2 蓄積量模型的建立

在91組地面樣地?cái)?shù)據(jù)中，用69組數(shù)據(jù)與對(duì)應(yīng)的遙感因子和地學(xué)因子構(gòu)建模型，另22組數(shù)據(jù)進(jìn)行模型精度評(píng)價(jià)分析。利用SPSS軟件，用回歸分析方法構(gòu)建簡(jiǎn)單線性模型、自然指數(shù)模型、多元線性回歸模型和非線性模型。模型擬合結(jié)果見表3。

表2 高山松林蓄積量與變量因子的相關(guān)系數(shù)(n=91)

表3 蓄積量估測(cè)模型

將簡(jiǎn)單線性模型(A)、指數(shù)模型(B)和加入地理因子的其他模型相比較，從建模的確定系數(shù)(R2)來看，模型B的R2值最高;從標(biāo)準(zhǔn)差S來看，模型B的標(biāo)準(zhǔn)差比其他模型的小;模型 B的 F=28．46＞F0．01(1，67)=7．04，在0．01水平下該回歸模型是顯著的。從以上指標(biāo)的分析可以看出，模型B是估測(cè)該地區(qū)高山松林蓄積量的最佳模型，即使是加入了地理因子，模型的擬合效果也沒有提高，R2反而降低。產(chǎn)生這種情況的原因，在圖像預(yù)處理的過程中已經(jīng)做了地形輻射校正，消除了地形對(duì)后向散射系數(shù)的影響，后向散射系數(shù)的變化已經(jīng)能反應(yīng)出蓄積量的變化了。

4．3 模型精度的檢驗(yàn)

將預(yù)留樣地實(shí)測(cè)數(shù)據(jù)與最優(yōu)模型的估測(cè)值進(jìn)行比較，結(jié)果表明，B模型對(duì)該研究區(qū)的高山松林蓄積量的模擬效果較好，預(yù)測(cè)值均大體接近對(duì)角線，見圖2，估測(cè)值與實(shí)測(cè)值的相關(guān)性R=0．677，均方根誤差RMSE=20．36，最大相對(duì)誤差為30．15%，最小相對(duì)誤差為1．99%，平均相對(duì)誤差為14．41%。

圖2 B模型預(yù)測(cè)值與實(shí)測(cè)值的關(guān)系

圖2顯示了B模型回歸方程估測(cè)得到的高山松林蓄積量與野外實(shí)地測(cè)量值之間的關(guān)系。估測(cè)值與實(shí)測(cè)值比較一致，有些值也存在較大偏差:蓄積量在100 m3/hm2水平以下時(shí)出現(xiàn)高估;在140 m3/hm2水平以上出現(xiàn)明顯低估;蓄積量水平在100～140 m3/hm2水平時(shí)低、高估都有。存在誤差的原因:①外業(yè)數(shù)據(jù)的收集，高中低蓄積量水平的樣地?cái)?shù)量分布不均勻，低蓄積量的樣地?cái)?shù)量較少，樣地的蓄積量大多集中在100～160 m3/hm2，回歸模型并不能完全反應(yīng)后向散射系數(shù)與蓄積量之間的關(guān)系;②ASAR傳感器獲得的是C波段雷達(dá)數(shù)據(jù)，蓄積量飽和點(diǎn)較低，而研究區(qū)蓄積量水平較高，模擬出的模型會(huì)存在誤差。

5 結(jié)語

本文就ASAR雙極化數(shù)據(jù)建立香格里拉南部地區(qū)高山松蓄積量估測(cè)模型，得出以下結(jié)論:①對(duì)該地區(qū)ASAR數(shù)據(jù)經(jīng)過了地形輻射校正，模型中加入地理因子并沒有多大的作用，反而降低了模型的確定系數(shù)。該研究區(qū)屬于山區(qū)，地形起伏較大，后向散射系數(shù)很大程度上受地形影響，對(duì)ASAR數(shù)據(jù)經(jīng)過地形輻射校正之后能消除地形對(duì)信號(hào)的影響，所以模型中加入地理因子之后作用也不大。②該地區(qū)原始森林較多，蓄積量較高，林分結(jié)構(gòu)復(fù)雜，C波段雷達(dá)信號(hào)穿透性不強(qiáng)，未能全面反映出該地區(qū)植被的立體信息，若利用該地區(qū)的L波段雷達(dá)數(shù)據(jù)構(gòu)建模型，精度可能會(huì)提升。

在最近20多年，雷達(dá)遙感在森林蓄積量和生物量估測(cè)中取得了較大發(fā)展，受理論與技術(shù)的限制，至今也沒有摸索出一套很好的方法，估測(cè)精度偏低。今后應(yīng)借助新型模型對(duì)森林的后向散射機(jī)制進(jìn)行深入研究，如采用非線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型等，深入研究林分結(jié)構(gòu)對(duì)后向散射系數(shù)的影響，可以深入了解蓄積量與后向散射系數(shù)的關(guān)系，以提高估測(cè)精度。光學(xué)遙感數(shù)據(jù)反映冠層信息，雷達(dá)信號(hào)主要反映森林的立體結(jié)構(gòu)，單純采用雷達(dá)或光學(xué)數(shù)據(jù)均有局限，將二者結(jié)合，優(yōu)勢(shì)互補(bǔ)，將是今后森林蓄積量和生物量研究工作的重點(diǎn)［12］。

［1］孟憲宇．測(cè)樹學(xué)(3版)［M］．北京:中國(guó)林業(yè)出版社，2006:122．

［2］李崇貴，趙憲文，李春干．森林蓄積量遙感估測(cè)理論與實(shí)現(xiàn)［M］．北京:科學(xué)出版社，2006:1．

［3］Beaudoin A，Le Toan T，Goze S，et al．Retrieval of Forest Biomass from SAR Data［A］．Proceedings of the Final Workshop of the MAESTRO/AGRISCATT Campaigns［C］．Noordwijk，1992:123 －130．

［4］Le Toan T，Beaudoin A，Riom J．Relating Forest Biomass to SAR data［J］．IEEE Transactions on Geoscience and Remote Sensing，1992，30(2):403－411．

［5］Israelsson H，Ulander L，Askne J，et al．Retrieval of Forest Stem volume using VHF SAR［J］．IEEE Transactions on Geoscience and Remote Sensing，1997，35(1):36 －40．

［6］Kasischke E S，Melack J M，Dobsonm C．The use of Imaging Radar for Ecological Applications:A review［J］．Remote Sensing of Environment，1997，59:141 －156．

［7］Imhoff M L．Radar Backscatter and Biomass Saturation:Ramifications for Global Biomass Inventory［J］．IEEE Transactions on Geoscience and Remote Sensing，1995，33:511 －518．

［8］陳爾學(xué)．合成孔徑雷達(dá)森林蓄積量估測(cè)研究進(jìn)展［J］．世界林業(yè)研究，1999，12(06):18 －21．

［9］T Manninen，P Stenberg，M Rautiainen，P Voipio．Estimation of Boreal Forest LAI Using C-band SAR［R］．International Geoscience and Remote Sensing Symposium，2003．

［10］Julien L’Hermitte，Thuy Le Toan，Manuela Grippa．Monitoring the Siberian Boreal Forest Using ENVISAT/ASAR data［R］．International Geoscience and Remote Sensing Symposium，2005．

［11］朱海珍，龐勇，楊飛，等．基于 ENVISAT ASAR數(shù)據(jù)的森林蓄積量估計(jì)研究［J］．地理與地理信息科學(xué)，2007，23(2):51 －55．

［12］宋茜，范文義．大興安嶺植被蓄積量的 ALOS PALSAR估算［J］．應(yīng)用生態(tài)學(xué)報(bào)，2011，22(2):303 －308．

Study on the Volume Estimation Model of Pinus Densata Forest Based on ENVISAT ASAR Data

LI Yi，XU Tianshu，WANG Xiaoning

(School of Forestry，Southwest Forestry University，Kunming 650224，Yunnan，China)

Abstyact:Based on the statistics method，the Pinus Densata forest volume estimation mode was studied by ENVISAT ASAR dual polarization data in the southern of Shangri-la county．First，the correlations between forest volume and backscattering coefficient(HH，HV，HV/HH)were analyzed，it can be found that the correlation between HV backscattering coefficient and volume was highest．And then，a simple linear model，exponential model，multiple regression model and nonlinear model with terrain factors were established．It found that the exponential model was optimal．Last，the precision of the optimal model had been verified by using the independent checking samples．The result showed that the predicting values corresponded with the measured values and the average relative error was 14．41% ．

ENVISAT ASAR;backscattering coefficient;Pinus Densata;volume model

TP 79;S 757．2

A

1003—6075(2012)01—0040—04

2011—10—12

2011—11—22

國(guó)家自然基金項(xiàng)目(30960302);國(guó)家自然基金項(xiàng)目(40861009)。

李毅(1986—)，男，碩士研究生，研究方向:3S技術(shù)在林業(yè)中的應(yīng)用。E-mail:w5764@sohu．com

* 通訊作者:徐天蜀(1964－)，女，教授，主要從事3S技術(shù)應(yīng)用與研究。E-mail:tsxue64@163．com