李圣嬌+舒清態(tài)+徐云棟等

摘要： 以Landsat 8影像為遙感數(shù)據(jù)源，以遙感因子、GIS因子、林分因子、郁閉度等為自變量，在前期野外樣地調(diào)查的基礎(chǔ)上，采用偏最小二乘法（PLS），建立香格里拉縣高山松蓄積量遙感估測模型。試驗結(jié)果表明，郁閉度對香格里拉縣高山松蓄積量估測的影響極其顯著，第5、6波段對其影響較為顯著；運用偏最小二乘法建立的樣地蓄積量估測模型，調(diào)整決定系數(shù)R2為0 777 5，均方根誤差RMSE為36 90 m3/hm2，總預(yù)報偏差的相對誤差RE為23 18%，模型精度為73 08%。以像元為單位提取高山松林所對應(yīng)的自變量因子，利用估測模型得到研究區(qū)高山松林總蓄積量為 1 372 406萬m3。

關(guān)鍵詞： 高山松；蓄積量遙感估測；偏最小二乘法；香格里拉

中圖分類號： S127 文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2015）08-0182-04

森林是地球上最大的生態(tài)系統(tǒng)，森林蓄積則是表征森林?jǐn)?shù)量最重要的指標(biāo)之一 [1]。傳統(tǒng)的森林蓄積量調(diào)查方法費時費力，且僅適用于小范圍的研究。隨著遙感技術(shù)的不斷發(fā)展，基于遙感技術(shù)的森林蓄積量估測已成為國內(nèi)外學(xué)者研究的熱點，利用遙感影像數(shù)據(jù)結(jié)合少量的地面樣地實測數(shù)據(jù)，建立以遙感因子、GIS因子、林分立地條件為自變量因子的蓄積量估測模型已成為一種趨勢 [2-7]。張友靜等將K-T變換得到的綠度、濕度、郁閉度作為自變量，構(gòu)造出具有物理意義的森林蓄積量遙感估測模型，精度高達(dá)90% [2]。琚存勇等利用TM影像和129個實測樣地進(jìn)行了蓄積量估測模型的研究，結(jié)果表明泛化改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)比普通BP神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)報精度 [4]。近年來得以發(fā)展的偏最小二乘回歸（PLS）方法也逐漸被應(yīng)用于蓄積量估測領(lǐng)域的研究中 [5-7]，而運用PLS對高海拔地區(qū)的高山松進(jìn)行遙感蓄積量估測尚未見報道。高山松林一般分布于云杉林、冷杉林下限，海拔2 800～3 500 m 之間，林分外貌整齊，成片分布，以同齡單層林常見。高山松適應(yīng)性廣，更新能力強(qiáng)，是山地寒溫帶向山地亞熱帶過渡的喜光、耐旱、耐瘠薄的先鋒樹種。本研究采用Landsat 8影像作為遙感數(shù)據(jù)源，結(jié)合云南省香格里拉縣2006年森林資源二類調(diào)查數(shù)據(jù)，采用偏最小二乘法建立森林蓄積量估測模型，研究結(jié)果可為低緯度、高海拔地區(qū)遙感地學(xué)的研究提供依據(jù)。

1 研究區(qū)概況

香格里拉縣（99°20′～100°19′E，26°52′～28°52′N）位于云南省西北部、迪慶州東北部，地處云南亞熱帶常綠闊葉林植被區(qū)向青藏高原高寒植被區(qū)過渡地帶，森林覆蓋率為7499%，植被分布南北差異明顯，在環(huán)縣境的東、南、西3面山體垂直分布完整而典型。在垂直分布上，海拔4 500～4 700 m為雪線帶，有高山草甸、灌叢植被生長；海拔3 000～4 500 m為亞高山、高山寒溫性針葉林類型；海拔3 000 m以下為暖溫性針葉林，其間有多種溫涼性針葉樹種、落葉樹種與其組成各種復(fù)雜的森林類型；金沙江邊則出現(xiàn)干暖河谷氣候下形成的多種灌叢類型。香格里拉縣主要的優(yōu)勢樹種有云南松（Pinus yunnanensis）林、高山松林、云冷杉林、高山櫟（Quercus semicarpifolia）林，占全縣森林面積的90 8% [8]。

2 研究內(nèi)容與方法

2 1 數(shù)據(jù)獲取與預(yù)處理

本研究所采用的遙感數(shù)據(jù)為2014年3—4月的Landsat 8數(shù)據(jù)，7波段共3景，航帶號分別為131-41、132-40、132-41，空間分辨率為30 m（圖1）。采用ENVI 5 0軟件對其進(jìn)行預(yù)處理，包括大氣校正、裁剪、拼接等。

本研究還參考了以下數(shù)據(jù)。2006年森林資源二類調(diào)查小班數(shù)據(jù)，已校正的香格里拉縣SPOT5影像，精度為30 m的DEM數(shù)據(jù)，研究區(qū)行政邊界矢量圖。2014年香格里拉縣高山松蓄積量30 m×30 m樣地實測數(shù)據(jù)，包括每個樣地的GPS坐標(biāo)（X，Y）、高山松30 m×30 m樣地蓄積量、郁閉度、平均樹高、平均胸徑等樣地因子。

2 2 研究方法

偏最小二乘法是一種新型的多元統(tǒng)計分析方法，集多元線性回歸分析、典型相關(guān)分析、主成分分析的功能和優(yōu)點于一體，將建模的數(shù)據(jù)分析與非模型的數(shù)據(jù)認(rèn)知方法有機(jī)結(jié)合起來，使模型的精度、穩(wěn)健性、實用性得到提高，已廣泛應(yīng)用于各領(lǐng)域的研究中 [9-11]。

設(shè)有q個因變量（Y1，Y2，…，Yq）和p個自變量（X1，X2，…，Xp），觀測了n個樣本點，由此構(gòu)成自變量與因變量的數(shù)據(jù)表Xn×p和Yn×q。偏最小二乘回歸分別在X、Y中提取出成分t1、u1（t1、u1分別是X1，X2，…，Xp和Y1，Y2，…，Yq的線性組合），提取時需滿足2個條件：t1、u1應(yīng)盡可能多地攜帶其各自數(shù)據(jù)表中的變異信息；t1與u1的相關(guān)程度達(dá)到最大。在第1個成分t1與u1被提取后，偏最小二乘回歸分別實施X、Y對t1的回歸。若回歸方程達(dá)到滿意的精確度則算法終止；否則將利用X、Y分別被t1解釋后的殘余信息進(jìn)行第2輪成分提取，如此往復(fù)，直到獲得滿意的精確度為止。若最終對X提取了m個成分t1，…，tm，偏最小二乘回歸將實行Yk對t1，…，tm的回歸，并表達(dá)為Yk關(guān)于原變量X1，X2，…，Xp的回歸方程（k=1，2，…，q）。

本研究采用標(biāo)準(zhǔn)差分析法剔除樣本中離群值較大的數(shù)據(jù)，在R環(huán)境下建立偏最小二乘法模型，建模樣地共79塊，按3 ∶ 1原則，用60個樣本進(jìn)行模型訓(xùn)練，用19個樣本進(jìn)行精度檢驗。具體步驟為：從預(yù)處理后的影像中提取遙感因子和GIS因子；對提取的因子數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；在R環(huán)境下建立偏最小二乘法模型；模型訓(xùn)練及模型精度檢驗。

2 3 高山松空間分布信息及自變量因子的提取

2 3 1 高山松信息的提取 研究區(qū)高山松林中的天然林、人工林均基本以純林出現(xiàn)。在ENVI 5 0軟件下采用基于面向?qū)ο蠓诸惣夹g(shù)，并結(jié)合2006年香格里拉縣森林資源二類調(diào)查小班數(shù)據(jù)，實現(xiàn)對高山松空間分布信息的提取（圖2）。

2 3 2 樣地設(shè)置 樣地設(shè)置需滿足以下條件：樣地森林類型為純林，在一定范圍內(nèi)連續(xù)分布，且存在蓄積；遙感圖像上樣地的灰度值應(yīng)均勻；樣地應(yīng)盡量均勻分布，覆蓋整個研究區(qū) [6]。樣地分布見圖3。2 3 3 自變量因子的提取 關(guān)于利用3S技術(shù)估測森林蓄積量，國內(nèi)外學(xué)者已作了大量研究 [12-17]，本研究在前人研究的基礎(chǔ)上選擇用于構(gòu)建蓄積量估測模型的備選變量，包括遙感因子變量、GIS因子變量（表1）。

森林郁閉度通常需要野外實地測量，且僅能獲得部分點的數(shù)據(jù)，不利于研究大范圍或區(qū)域內(nèi)郁閉度的空間分布及變化 [18]。遙感技術(shù)的估測為區(qū)域范圍內(nèi)郁閉度的反演提供了新思路。本研究利用偏最小二乘法對整個香格里拉縣高山松林的郁閉度以像元為單位進(jìn)行估測及精度檢驗，結(jié)果如下：

Y郁閉度=-0 001 3×Dem-0 005 8×B1-0 004 5×B2-0 002 4×B3 + 0 001 1×B4+0 001 5×B5-0 001 5×B6-

最終得到估測模型的相對誤差為15 53%，郁閉度估測模型精度為81 75%。

3 結(jié)果與分析

3 1 偏最小二乘法模型的構(gòu)建

考慮到遙感因子和GIS因子之間的量綱不同，先將所有樣本數(shù)據(jù)進(jìn)行中心標(biāo)準(zhǔn)化，統(tǒng)一量綱 [19]。從60個建模數(shù)據(jù)中提取相關(guān)遙感因子、GIS因子，利用R中的偏最小二乘函數(shù)包建立蓄積量估測模型，交叉驗證結(jié)果（部分）見表2。

利用validationplot函數(shù)得到偏最小二乘法模型在不同主成分?jǐn)?shù)下對應(yīng)的RMSEP（由留一交叉驗證法算出的均方預(yù)測誤差根）（圖4）。

根據(jù)成分?jǐn)?shù)m=12得到回歸系數(shù)并建立最終模型（圖5）。

Y=4 503 087 49×郁閉度+0 001 008 62×Dem-0 117 316 89×B1+0 102 318 44×B2+0 086 654 83×B3-0 120 362 77×B4-0 039 761 78×B5+0 080 526 72×B6-0 028 521 09×B7-0 169 714 86×DVI+0 203 602 85×[JP3]RVI-0 001 910 10×NDVI+0 018 564 42×X1+ 0 084 544 23×X2+0 009 048 14×slope+0 000 625 18×aspect。

利用jack test函數(shù)進(jìn)行回歸系數(shù)的顯著性檢驗（表3）。郁閉度對所取樣地高山松林蓄積量的影響極其顯著，第5、6波段的灰度值對其影響較為顯著。

3 2 香格里拉縣高山松林蓄積量估測

本研究中實測樣地大小為30 m×30 m，與Landsat 8影像上1個像元的大小一致；因此，對香格里拉縣高山松林總蓄積量進(jìn)行估測時，應(yīng)以像元為單位讀取每個像元對應(yīng)的線性組合。利用ERDAS的Model maker模塊將數(shù)據(jù)帶入已建立的模型中，得到香格里拉縣高山松林總蓄積量為1 372 406萬m3。

3 3 模型精度檢驗

將未參與建模的19個樣地數(shù)據(jù)代入上述模型中，還原歸一化的預(yù)測值，進(jìn)行模型精度檢驗和適應(yīng)性評價，采用調(diào)整決定系數(shù)（R2）、均方根誤差（RMSE）、總預(yù)報偏差的相對誤差（RE）作為評價指標(biāo)，結(jié)果見表4。

4 結(jié)論與討論

由于偏最小二乘模型對自變量的選擇要求較低，無需最優(yōu)，且較多自變量因子有利于對主成分進(jìn)行累計解釋能力分析；因此，本研究引入所有變量參與森林蓄積量估測模型的建立，提高了模型的擬合效果，最終模型R2為0 777 5，擬合精度為73 08%，可用于進(jìn)行區(qū)域尺度高山松蓄積量的遙感估測。根據(jù)偏最小二乘模型估算得到2014年香格里拉縣高山松林蓄積量為1 372 406萬m3。 研究中存在的不足之處仍有待改進(jìn)。通過增加自變量因子的數(shù)量來估測蓄積量，雖效果令人滿意，但無法真正解決問題。刪除部分影響不顯著因子后，模型精度急劇下降，表明影響不顯著因子對蓄積量的估測也起到了重要作用。郁閉度是樣地實測的結(jié)果，由此建立的模型較為可靠，而對香格里拉縣高山松總蓄積量進(jìn)行預(yù)測時，研究區(qū)像元對應(yīng)的郁閉度數(shù)值僅能通過反演得到。本研究利

用偏最小二乘法進(jìn)行估測以減小誤差，雖然估測精度為8175%，但誤差傳遞問題可能導(dǎo)致香格里拉縣高山松林總蓄積量的預(yù)測精度受到一定影響。

參考文獻(xiàn)：

[1] 程武學(xué)，楊存建，周介銘，等 森林蓄積量遙感定量估測研究綜述[J] 安徽農(nóng)業(yè)科學(xué)，2009，37（16）：7746-7750

[2]張友靜，方有清，陳欽巒 南方山地森林蓄積量遙感估算研究[J] 國土資源遙感，1993（2）：39-47

[3]馮仲科，楊伯鋼，羅 旭，等 應(yīng)用LIDAR技術(shù)預(yù)測林分蓄積量[J] 北京林業(yè)大學(xué)學(xué)報，2007，29（增刊2）：45-51

[4]琚存勇，蔡體久 用泛化改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)估測森林蓄積量[J] 林業(yè)科學(xué)，2006，42（12）：59-62

[5]杜曉明，蔡體久，琚存勇 采用偏最小二乘回歸方法估測森林郁閉度[J] 應(yīng)用生態(tài)學(xué)報，2008，19（2）：273-277

[6]洪奕豐，林 輝，嚴(yán)恩萍，等 基于偏最小二乘法的平南縣森林蓄積量估測模型研究[J] 中南林業(yè)科技大學(xué)學(xué)報，2011，31（7）：80-85

[7]劉瓊閣，彭道黎，涂云燕 基于偏最小二乘回歸的森林蓄積量遙感估測[J] 中南林業(yè)科技大學(xué)學(xué)報，2014，34（2）：81-84，132

[8]岳彩榮 香格里拉縣森林生物量遙感估測研究[D] 北京：北京林業(yè)大學(xué)，2012

[9]陳 楚，關(guān)澤群，張鵬林，等 利用RS和GIS的森林蓄積量偏最小二乘估測研究[J] 湖北林業(yè)科技，2004（4）：25-28 [HJ1 83mm]

[10] 羅 批，郭繼昌，李 鏘，等 基于偏最小二乘回歸建模的探討[J] 天津大學(xué)學(xué)報：自然科學(xué)與工程技術(shù)版，2002，35（6）：783-786

[11]王惠文 偏最小二乘回歸方法及其應(yīng)用[M] 北京：國防工業(yè)出版社，1999

[12]李崇貴，趙憲文，李春干，等 森林蓄積量遙感估測理論與實現(xiàn)[M] 北京：科學(xué)出版社，2006：15-26

[13]張 凝，馮仲科，馮躍文，等 旺業(yè)甸實驗林場針葉林蓄積量估測模型的研究[J] 中南林業(yè)科技大學(xué)學(xué)報，2013，33（11）：83-87，108

[14]張彥林 基于3S技術(shù)的山東省森林蓄積量定量估測研究[D] 北京：北京林業(yè)大學(xué)，2008

[15]黃偉平，譚三清，張 貴，等 估測森林蓄積量的遙感因子選擇研究[J] 中南林業(yè)科技大學(xué)學(xué)報，2010，30（4）：112-115

[16]Tomppo E，Nilsson M，Rosengren M，et al Sin ultaneous use of Landsat-TM and IRS-1 CWIFS data in estimating large area tree stem volume and aboveground biomass[J] Remote Sensing of Environment，2002，82（1）：156-171

[17]Mkel H，Pekkarinen A Estimation of forest stand volumes by Landsat TM imagery and stand-level field-inventory data[J] Forest Ecology and Management，2004，196（2/3）：245-255

[18]李崇貴，蔡體久 森林郁閉度對蓄積量估測的影響規(guī)律[J] 東北林業(yè)大學(xué)學(xué)報，2006，34（1）：15-17

[19]吳喜之 復(fù)雜數(shù)據(jù)統(tǒng)計方法——基于R的應(yīng)用[M] 北京：中國人民大學(xué)出版社，2012