謝士琴 趙天忠 王 威 孟京輝 史京京

(1.北京林業(yè)大學(xué)信息學(xué)院， 北京 100083； 2.國(guó)家林業(yè)局調(diào)查規(guī)劃設(shè)計(jì)院， 北京 100714；3.北京林業(yè)大學(xué)林學(xué)院， 北京 100083)

結(jié)合影像紋理、光譜與地形特征的森林結(jié)構(gòu)參數(shù)反演

謝士琴1趙天忠1王 威2孟京輝3史京京2

(1.北京林業(yè)大學(xué)信息學(xué)院， 北京 100083； 2.國(guó)家林業(yè)局調(diào)查規(guī)劃設(shè)計(jì)院， 北京 100714；3.北京林業(yè)大學(xué)林學(xué)院， 北京 100083)

森林結(jié)構(gòu)； 紋理特征； 光譜特征； 地形因子； 模型估測(cè)

引言

森林是陸地生態(tài)系統(tǒng)中最大的碳庫(kù)，為我們提供生態(tài)服務(wù)的同時(shí)也帶來(lái)了巨大的經(jīng)濟(jì)效益。大尺度森林結(jié)構(gòu)參數(shù)的快速、準(zhǔn)確估算是制定森林可持續(xù)經(jīng)營(yíng)措施的重要基礎(chǔ)[1]。森林結(jié)構(gòu)參數(shù)，如林分平均胸徑、蓄積量、斷面積、樹(shù)高、林木數(shù)量和樹(shù)種多樣性等，在一定程度上為森林經(jīng)營(yíng)，特別是人工林經(jīng)營(yíng)提供了決策依據(jù)[2-3]，在森林資源管理規(guī)劃中的應(yīng)用潛力巨大。上述森林結(jié)構(gòu)參數(shù)的獲取，存在勞動(dòng)強(qiáng)度大、人財(cái)物力耗費(fèi)高、調(diào)查周期長(zhǎng)等缺點(diǎn)，傳統(tǒng)的樣地調(diào)查方法，并不能及時(shí)準(zhǔn)確地反映大尺度森林結(jié)構(gòu)多樣性的狀態(tài)及動(dòng)態(tài)變化。遙感技術(shù)由于具有監(jiān)測(cè)范圍廣、數(shù)據(jù)采集快速和節(jié)約成本等優(yōu)點(diǎn)，現(xiàn)已被大量應(yīng)用于森林組成及結(jié)構(gòu)參數(shù)的提取。利用高分辨率遙感數(shù)據(jù)紋理、光譜信息與林分因子間較強(qiáng)的相關(guān)性估算森林結(jié)構(gòu)參數(shù)，一直是國(guó)內(nèi)外研究的熱點(diǎn)，這些研究主要集中在以下方面：①不同森林結(jié)構(gòu)參數(shù)反演，應(yīng)用較為廣泛的包括林分株數(shù)、樹(shù)高、斷面積、蓄積量、生物量、樹(shù)種多樣性指數(shù)、角尺度和混交度等[4-10]。②不同遙感因子，主要包括遙感數(shù)據(jù)的紋理信息、光譜信息和衍生植被指數(shù)等[11-12]。③不同模型方法，目前主要包括多元線(xiàn)性回歸模型[13]和人工神經(jīng)網(wǎng)絡(luò)模型[14]。國(guó)際上基于遙感影像紋理、光譜特征因子估測(cè)的森林結(jié)構(gòu)參數(shù)模型已有很多，但國(guó)內(nèi)大部分模型選擇預(yù)測(cè)的森林結(jié)構(gòu)參數(shù)較為單一，主要以蓄積量、生物量為主，利用遙感影像紋理光譜特征對(duì)多個(gè)森林結(jié)構(gòu)參數(shù)同時(shí)進(jìn)行預(yù)測(cè)的研究較少，且大部分研究未考慮地形起伏、樹(shù)冠陰影以及林分結(jié)構(gòu)異質(zhì)性問(wèn)題的影響，導(dǎo)致模型在大尺度的拓展上適用性不強(qiáng)等。

圖1 研究區(qū)和樣地點(diǎn)位置圖Fig.1 Overview and zoomed map of study area and sample plots

本文利用研究區(qū)的SPOT5遙感影像紋理、光譜特征及對(duì)森林結(jié)構(gòu)有影響的海拔高度、坡度、坡向、坡位等地形特征，以森林資源清查數(shù)據(jù)為數(shù)據(jù)源，采用多元逐步回歸分析法，構(gòu)建以SPOT5遙感影像紋理、光譜特征及地形因子為自變量，多個(gè)森林結(jié)構(gòu)參數(shù)(林分平均直徑、斷面積、蓄積量和樹(shù)種多樣性指數(shù))為因變量的估測(cè)模型，比較基于影像紋理、紋理光譜、紋理光譜地形特征3種不同模型因子反演多個(gè)森林結(jié)構(gòu)參數(shù)模型的效果，篩選最優(yōu)森林結(jié)構(gòu)參數(shù)反演模型，探討利用高分辨率遙感影像紋理、光譜特征和地形信息估測(cè)多個(gè)森林結(jié)構(gòu)參數(shù)的方法，為森林資源調(diào)查提供新的途徑。

1 研究區(qū)與實(shí)驗(yàn)數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于黑龍江省東南部(圖1)，影像主要覆蓋牡丹江市及其周?chē)牟糠挚h市。牡丹江市位于黑龍江省與吉林省交界地區(qū)，總面積4.06×104km2，屬溫帶大陸季風(fēng)氣候，年平均降水量579.7 mm，年平均氣溫6.1℃，地形以山地、丘陵為主，呈現(xiàn)出中山、低山、丘陵、河谷盆地4種地質(zhì)形態(tài)，海拔高度在86～1 700 m之間。牡丹江市素有“林海”之稱(chēng)，林業(yè)用地3.25×106hm2，其中森林面積2.62×106hm2，活立木蓄積量達(dá)2.3億m3，分別占全省和全國(guó)蓄積量的13.9%和2%，森林覆蓋率達(dá)62.3%，森林類(lèi)型及其組成成分多樣，樹(shù)種十分豐富，有25科百余種，主要樹(shù)種有77種，包括紅松、落葉松、樟子松、云杉、冷杉、水曲柳等。

1.2 遙感數(shù)據(jù)和樣地?cái)?shù)據(jù)

本研究使用的遙感數(shù)據(jù)為SPOT5遙感影像，包括全色和多光譜數(shù)據(jù)。全色數(shù)據(jù)分辨率2.5 m，多光譜數(shù)據(jù)分辨率10 m；多光譜數(shù)據(jù)波段組成分別為近紅外波段(0.78～0.89 μm)、紅波段(0.61～0.68 μm)、綠波段(0.50～0.59 μm)、短波紅外波段(1.58～1.75 μm)。本研究所用覆蓋黑龍江省的遙感影像共5景，獲取時(shí)間均為2010年9月。SPOT5遙感影像的預(yù)處理包括：先經(jīng)過(guò)輻射定標(biāo)和FLAASH大氣校正將SPOT5影像DN值轉(zhuǎn)為地表真實(shí)反射率值后，再以1∶10 000比例尺的研究區(qū)地形圖為基準(zhǔn)，對(duì)影像數(shù)據(jù)進(jìn)行幾何精校正，校正模型采用三次多項(xiàng)式，重采樣采用最鄰近插值方法，校正后的影像都統(tǒng)一到高斯-克里格投影，5幅影像校正誤差都控制在0.5個(gè)像元以?xún)?nèi)，確保經(jīng)校正后的像元位置誤差均處于亞像元水平。

本研究采用第八次全國(guó)森林資源清查的黑龍江省樣地?cái)?shù)據(jù)，選取5景遙感影像覆蓋的84個(gè)有林地樣地點(diǎn)。根據(jù)這84個(gè)有林地樣地的森林資源清查數(shù)據(jù)獲得森林的林分變量信息。此外，根據(jù)研究區(qū)的數(shù)字高程模型(DEM)提取了84個(gè)樣地點(diǎn)的海拔、坡度、坡向、坡位等地形信息，結(jié)合SPOT5遙感影像提取的紋理、光譜信息，進(jìn)行森林結(jié)構(gòu)參數(shù)反演模型估測(cè)。研究中考慮到矢量樣地的邊界無(wú)法與SPOT5遙感影像及DEM像元間的邊界完全重合，在提取樣地點(diǎn)的紋理、光譜以及地形信息時(shí)，使所有和樣地邊界相交的像元都參與運(yùn)算，雖然會(huì)造成樣地對(duì)應(yīng)影像范圍內(nèi)像元的增加，但這種增加對(duì)每個(gè)樣地都是一致的，對(duì)模型的擬合試驗(yàn)不會(huì)構(gòu)成大的影響。

2 研究方法

2.1 森林結(jié)構(gòu)參數(shù)選擇

研究選取了6個(gè)森林結(jié)構(gòu)參數(shù)，包括3個(gè)傳統(tǒng)的林分參數(shù)(林分平均直徑、斷面積、蓄積量)和3個(gè)樹(shù)種多樣性指數(shù)，森林結(jié)構(gòu)參數(shù)分類(lèi)及其描述如表1所示。

(1)林分參數(shù)：通過(guò)森林資源清查數(shù)據(jù)的樣地信息獲得各個(gè)樣地點(diǎn)的林分變量值(林分平均直徑、林分?jǐn)嗝娣e、林分蓄積量)，這些林分變量反映了森林結(jié)構(gòu)的基本信息，為森林經(jīng)營(yíng)管理決策提供理論基礎(chǔ)。

(2)樹(shù)種多樣性指數(shù)：和一般的林分變量相比，樹(shù)種多樣性反映了森林結(jié)構(gòu)更多的細(xì)節(jié)信息，揭示了森林客觀(guān)存在的樹(shù)種和結(jié)構(gòu)的多樣性[15-16]。本研究采用Shannon-Wiener指數(shù)、Pielou均勻度指數(shù)和Simpson’s指數(shù)3種多樣性指數(shù)[17-19]來(lái)反映研究區(qū)林分的樹(shù)種多樣性。

表1 森林結(jié)構(gòu)參數(shù)分類(lèi)及其描述

2.2 SPOT5影像信息提取

研究提取的遙感影像信息包括影像紋理特征、各波段光譜值和光譜組合值以及4個(gè)地形因子，因子分類(lèi)及其描述如表2所示。

(1)影像紋理特征：影像紋理特征反映了地表的粗糙程度，同時(shí)揭示了圖像中地物的結(jié)構(gòu)信息及其與周?chē)h(huán)境的關(guān)系，是遙感影像的重要特征[20]。有關(guān)研究表明，遙感影像全色波段的紋理特征在森林組成和結(jié)構(gòu)分析中取得了較好的試驗(yàn)結(jié)果[21-22]。本研究采用灰度共生矩陣法提取了SPOT5影像全色波段8種最為常用的紋理特征(表2)，同時(shí)在固定紋理步長(zhǎng)為1、方向?yàn)?35°的前提下，分別采用3×3、5×5、7×7、9×9、11×11、13×13等6種窗口進(jìn)行紋理特征提取，分析不同窗口對(duì)森林結(jié)構(gòu)參數(shù)反演的影響。

(2)影像光譜波段值及其組合值：利用遙感影像光譜信息提取的植被指數(shù)能較好地反映綠色植物的植被類(lèi)型、生長(zhǎng)情況、空間分布狀況[23]。有關(guān)研究表明，森林植被指數(shù)在森林參數(shù)(蓄積量、生物量等)反演中，取得了較高的精度[24-25]。本研究提取了光譜波段值和多波段組合值參與森林結(jié)構(gòu)參數(shù)模型估測(cè)：各波段光譜值為B1、B2、B3和B4，分別對(duì)應(yīng)近紅外波段、紅波段、綠波段和短波紅外波段4個(gè)光譜波段值；在借鑒前人研究的基礎(chǔ)上，本研究光譜組合值選取了能反映植物生長(zhǎng)狀態(tài)的經(jīng)纓帽變換產(chǎn)生的亮度指數(shù)(Bright)[26]及6個(gè)在林業(yè)研究中常用的植被指數(shù)：歸一化植被指數(shù)NDVI[27]、 簡(jiǎn)單比值植被指數(shù)SR[28]、 紅綠比值指數(shù)GR[29]、綠紅比值指數(shù)VI[30]、土壤調(diào)整植被指數(shù)SAVI[31]、全球環(huán)境監(jiān)測(cè)指數(shù)GEMI[32]，參與模型的構(gòu)建。

(3)地形特征：地形因子包括海拔高度、坡度、坡向和坡位。

表2 紋理、光譜和地形因子分類(lèi)及其描述

2.3 模型構(gòu)建與驗(yàn)證

3 結(jié)果與分析

3.1 基于不同窗口紋理特征的森林結(jié)構(gòu)參數(shù)回歸

圖2 不同窗口紋理特征預(yù)測(cè)模型變化曲線(xiàn)Fig.2 Changing curves of texture feature prediction model in different windows

表3 基于9×9窗口紋理特征的森林結(jié)構(gòu)參數(shù)回歸模型結(jié)果

這2個(gè)預(yù)測(cè)模型包含2個(gè)相同的紋理變量均值和同質(zhì)性。在引入的所有紋理特征變量中，均值是最常用的獨(dú)立變量，參與了所有森林結(jié)構(gòu)參數(shù)模型的預(yù)測(cè)。

3.2 基于紋理和光譜特征的森林結(jié)構(gòu)參數(shù)回歸

基于紋理和光譜特征對(duì)所有森林結(jié)構(gòu)參數(shù)進(jìn)行多元逐步回歸分析，試驗(yàn)結(jié)果(表4)表明：

(2)在引入的所有光譜因子變量中，紅波段、綠波段和纓帽變換亮度指數(shù)是林分因子模型預(yù)測(cè)使用最多的光譜變量，同時(shí)參與了林分因子斷面積、平均直徑和蓄積量3個(gè)模型預(yù)測(cè)；綠波段也是樹(shù)種多樣性指數(shù)模型預(yù)測(cè)使用最多的光譜因子，參與了Shannon-Wiener指數(shù)和Simpson’s指數(shù)模型的預(yù)測(cè)。

3.3 基于紋理、光譜和地形特征的森林結(jié)構(gòu)參數(shù)回歸

基于紋理、光譜和地形特征的森林結(jié)構(gòu)參數(shù)進(jìn)行多元逐步回歸分析，得到試驗(yàn)結(jié)果如表5所示。綜合比較表3～5，3種方法得到的森林結(jié)構(gòu)參數(shù)回歸模型顯著性P值均小于0.001，模型在引入不同特征因子時(shí)擬合優(yōu)度都有了明顯提高(圖3，圖中BA、QMD、SV、SHI、SII、PI分別為：斷面積、平均直徑、蓄積量、Shannon-Wiener指數(shù)、Pielou均勻度指數(shù)、Simpson’s指數(shù))，而同時(shí)基于3個(gè)特征因子預(yù)測(cè)的森林結(jié)構(gòu)參數(shù)模型擬合效果最優(yōu)。

表4 基于紋理和光譜特征的森林結(jié)構(gòu)參數(shù)回歸模型結(jié)果

(2)在引入的所有地形因子變量中，海拔是模型預(yù)測(cè)使用最多的地形變量，參與了所有森林結(jié)構(gòu)參數(shù)模型的預(yù)測(cè)，坡度和坡位分別參與了3個(gè)樹(shù)種多樣性指數(shù)模型預(yù)測(cè)；在光譜特征變量中，近紅外波段、紅波段和全球環(huán)境監(jiān)測(cè)指數(shù)是使用最多的光譜特征變量，參與了大部分森林結(jié)構(gòu)參數(shù)模型預(yù)測(cè)；在紋理特征變量中，均值是模型預(yù)測(cè)的主要紋理變量，參與了3個(gè)樹(shù)種多樣性指數(shù)模型預(yù)測(cè)。

3.4 模型精度驗(yàn)證

本文對(duì)基于紋理、光譜和地形特征的森林結(jié)構(gòu)參數(shù)模型估測(cè)結(jié)果進(jìn)行精度驗(yàn)證，圖4是利用21個(gè)檢驗(yàn)樣本生成的模擬值與實(shí)測(cè)值之間的散點(diǎn)圖。研究結(jié)果表明：各模型的模擬值和實(shí)測(cè)值的擬合直線(xiàn)斜率接近1，構(gòu)建的森林結(jié)構(gòu)參數(shù)模型用于實(shí)際值預(yù)測(cè)效果較好。樹(shù)種多樣性指數(shù)估測(cè)中，Shannon-Wiener指數(shù)模型估測(cè)的均方根誤差最高(RMSE為0.126)，Pielou均勻度指數(shù)模型估測(cè)的均方根誤差最低(RMSE為0.002)；林分變量估測(cè)中，林分蓄積量模型估測(cè)的均方根誤差最高(RMSE為11.339 m3/hm2)，林分平均直徑模型估測(cè)的均方根誤差最低(RMSE為0.769 cm)。

4 討論

通過(guò)研究黑龍江省SPOT5遙感影像紋理、光譜和地形特征對(duì)森林結(jié)構(gòu)參數(shù)林分平均直徑、斷面積、蓄積量和樹(shù)種多樣性指數(shù)估測(cè)的能力，得出以下結(jié)論：

(1)利用SPOT5遙感影像紋理、光譜特征建立的研究區(qū)域多個(gè)森林結(jié)構(gòu)參數(shù)回歸模型，參與擬合的因子與森林結(jié)構(gòu)參數(shù)具有較好的線(xiàn)性關(guān)系，如林分因子蓄積量多元逐步回歸模型的相關(guān)系數(shù)為0.884，決定系數(shù)為0.763；樹(shù)種多樣性指數(shù)Shannon-Wiener指數(shù)、Simpson’s指數(shù)和Pielou均勻度指數(shù)的相關(guān)系數(shù)都大于0.75，決定系數(shù)在0.55以上。同時(shí)各個(gè)回歸模型均通過(guò)了顯著性檢驗(yàn)，回歸方程具有較高的顯著性。說(shuō)明利用高分辨率遙感影像特征估測(cè)森林結(jié)構(gòu)參數(shù)具有很好的應(yīng)用前景，可以為森林資源調(diào)查提供參考。

表5 基于紋理、光譜和地形特征的森林結(jié)構(gòu)參數(shù)回歸模型結(jié)果

圖3 基于不同特征因子的森林結(jié)構(gòu)參數(shù)模型對(duì)比Fig.3 Comparison of forest structure parameter models based on different characteristic factors

(3)在參與森林結(jié)構(gòu)參數(shù)模型估測(cè)的所有因子中，地形因子海拔對(duì)森林結(jié)構(gòu)參數(shù)模型估測(cè)影響最大，參與了所有模型的預(yù)測(cè)，其原因可能為：隨著海拔高度的增加，溫度逐漸下降，森林植被類(lèi)型也發(fā)生了連續(xù)變化，從而導(dǎo)致不同海拔高度下的森林結(jié)構(gòu)參數(shù)差異明顯，說(shuō)明海拔因子反映了豐富的森林結(jié)構(gòu)信息，對(duì)于預(yù)測(cè)林分變量十分重要。光譜因子中可見(jiàn)光紅波段對(duì)林分參數(shù)模型估測(cè)影響最為顯著，參與了林分?jǐn)嗝娣e、平均直徑、蓄積量模型的預(yù)測(cè)，其原因可能為：紅波段為葉綠素的主要吸收波段，信息量較大，是可見(jiàn)光的最佳波段，可以反映不同植物的健康狀況，在本研究中表現(xiàn)為對(duì)不同林分參數(shù)估測(cè)影響顯著，說(shuō)明可見(jiàn)光紅波段包含了豐富的森林植被信息。紋理因子中均值對(duì)森林結(jié)構(gòu)參數(shù)模型的估測(cè)也非常重要，參與了3個(gè)樹(shù)種多樣性指數(shù)模型的預(yù)測(cè)，其原因可能為：紋理均值反映了影像紋理的規(guī)則程度，而不同樹(shù)種的影像紋理規(guī)則差異較大，因此影像紋理均值能較好地反映研究區(qū)的樹(shù)種多樣性，說(shuō)明紋理均值包含了豐富的樹(shù)種信息，可用于森林樹(shù)種多樣性預(yù)測(cè)。

圖4 模型估測(cè)值與樣本實(shí)測(cè)值比較Fig.4 Comparison of model estimated value and measured value of the sample

本研究探討了基于遙感影像光譜、紋理和地形3種不同特征因子預(yù)測(cè)森林結(jié)構(gòu)參數(shù)最優(yōu)模型的問(wèn)題，對(duì)使用高分辨率遙感數(shù)據(jù)反演森林結(jié)構(gòu)參數(shù)紋理窗口的選擇、模型特征因子的篩選具有一定的參考價(jià)值和指導(dǎo)意義。為了控制模型變量，本次試驗(yàn)選取了應(yīng)用較為廣泛的多元逐步回歸模型法，其他模型方法是否可以提高森林結(jié)構(gòu)參數(shù)反演精度尚不可知，篩選預(yù)測(cè)森林結(jié)構(gòu)參數(shù)的最佳模型方法將成為下一階段的研究方向。此外森林結(jié)構(gòu)十分復(fù)雜，除了傳統(tǒng)林分參數(shù)和樹(shù)種多樣性以外，林木多樣性以及林木空間分布多樣性也是反映森林結(jié)構(gòu)多樣性的重要指標(biāo)。基于已獲得的代表森林結(jié)構(gòu)復(fù)雜度的定量指標(biāo)，進(jìn)一步對(duì)林分結(jié)構(gòu)及其生長(zhǎng)狀況進(jìn)行定量分析也將成為后續(xù)研究的重點(diǎn)方向。

5 結(jié)論

(1)利用SPOT5影像紋理、光譜和地形特征能夠?qū)Χ鄠€(gè)森林結(jié)構(gòu)參數(shù)進(jìn)行較為精確的估測(cè)。

(3)聯(lián)合SPOT5影像紋理和光譜2個(gè)特征建立的森林結(jié)構(gòu)參數(shù)回歸模型，比僅用影像紋理特征建立的模型擬合精度要高；聯(lián)合SPOT5影像紋理、光譜和地形3個(gè)特征建立森林結(jié)構(gòu)參數(shù)回歸模型，模型擬合精度再次得到提升，成為最優(yōu)估測(cè)模型。

1 趙明瑤, 劉會(huì)云, 張曉麗, 等. 基于林分結(jié)構(gòu)響應(yīng)的PALSAR森林結(jié)構(gòu)參數(shù)估測(cè)[J]. 北京林業(yè)大學(xué)學(xué)報(bào), 2015, 37(6): 62-69. ZHAO Mingyao, LIU Huiyun, ZHANG Xiaoli, et al. Estimation of forest structural parameters based on stand structure response and PALSAR data [J]. Journal of Beijing Forestry University, 2015, 37(6): 62-69. (in Chinese)

2 彭舜磊, 王得祥, 趙輝, 等. 我國(guó)人工林現(xiàn)狀與近自然經(jīng)營(yíng)途徑探討[J]. 西北林學(xué)報(bào), 2008, 23(2): 184-188. PENG Shunlei, WANG Dexiang, ZHAO Hui, et al. Discussion the status quality of plantation and near nature forestry management in China[J]. Journal of Northwest Forestry University, 2008, 23(2): 184-188. (in Chinese)

3 林思祖, 黃世國(guó). 論中國(guó)南方近自然混交林營(yíng)造[J]. 世界林業(yè)研究, 2001, 14 (2): 73-78. LIN Sizu, HUANG Shiguo. An establishment and management of nature-approximating mixed forests in south China [J]. World Forestry Research, 2001, 14 (2): 73-78. (in Chinese)

4 MORA B, WULDER M A, WHITE J C, et al. Modeling stand height, volume, and biomass from very high spatial resolution satellite imagery and samples of airborne LiDAR[J]. Remote Sensing, 2013, 5(5): 2308-2326.

5 COUTERON P, PELISSIER R, NICOLINI E A, et al. Predicting tropical forest stand structure parameters from fourier transform of very high-resolution remotely sensed canopy images[J]. Journal of Applied Ecology, 2005, 42(6): 1121-1128.

6 WALLNER A, ELATAWNEH A, SCHNEIDER T, et al. Estimation of forest structural information using rapid eye satellite data[J]. Forestry, 2015, 88(1): 96-107.

7 ANDERSON J E, PLOURDE L C, MARTIN M E, et al. Integrating waveform LiDAR with hyperspectral imagery for inventory of a northern temperate forest[J]. Remote Sensing of Enviroment, 2008, 112(4): 1856-1870.

8 CHO M A, SKIDMORE A K, SOBHAN I. Mapping beech (FagussylvaticaL.) forest structure with airborne hyperspectral imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2009, 11(3): 201-211.

9 OZDEMIR I, KARNIELI A. Predicting forest structural parameters using the image texture derived from worldview-2 multispectral imagery in a dryland forest[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(5): 701-710.

10 劉峰, 譚暢, 張貴, 等. 長(zhǎng)白落葉松單木參數(shù)與生物量機(jī)載LiDAR估測(cè)[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2013, 44(9): 219-242.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130939&flag=1. DOI: 10.6041/j.issn.1000-1298.2013.09.039. LIU Feng, TAN Chang, ZHANG Gui, et al. Estimation of forest parameter and biomass for individual pine trees using airborne LiDAR[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(9): 219-242. (in Chinese)

11 劉俊, 畢華興, 朱沛林, 等. 基于ALOS遙感數(shù)據(jù)紋理及紋理指數(shù)的柞樹(shù)蓄積量估測(cè)[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(7): 245-254.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140738&flag=1. DOI：10.6041/j.issn.1000-1298.2014.07.038. LIU Jun, BI Huaxing, ZHU Peilin, et al. Estimating stand volume ofXylosmaracemosumforest based on texture parameters and derivative texture indices of ALOS imagery[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(7): 245-254. (in Chinese)

12 曹慶先, 徐大平, 鞠洪波. 基于TM影像紋理與光譜特征的紅樹(shù)林生物量估算[J]. 林業(yè)資源管理, 2010(6): 102-108. CAO Qingxian, XU Daping, JU Hongbo. The biomass estimation of mangrove community based on the textural features and spectral information of TM images [J]. Forest Resources Management, 2010(6):102-108. (in Chinese)

13 王佳, 宋珊蕓, 劉霞, 等. 結(jié)合影像光譜與地形因子的森林蓄積量估測(cè)模型[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2014, 45(5): 216-220. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140533&flag=1. DOI：10.6041/j.issn.1000-1298.2014.05.033. WANG Jia, SONG Shanyun, LIU Xia, et al. Forest volume estimation model using spectra and topographic factors of ZY-3 image[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(5): 216-220. (in Chinese)

14 王淑君, 管東生. 神經(jīng)網(wǎng)絡(luò)模型森林生物量遙感估測(cè)方法的研究[J]. 生態(tài)環(huán)境學(xué)報(bào), 2007, 16(1): 108-111. WANG Shujun, GUAN Dongsheng. Remote sensing method of forest biomass estimation by artificial neural network models[J]. Ecology and Environment, 2007, 16(1):108-111. (in Chinese)

15 趙中華, 惠剛盈, 胡艷波, 等. 樹(shù)種多樣性計(jì)算方法的比較[J]. 林業(yè)科學(xué), 2012, 48(11): 1-8. ZHAO Zhonghua, HUI Gangying, HU Yanbo, et al. Comparison of tree species diversity calculated[J]. Scientia Silvae Sinicae, 2012, 48(11): 1-8. (in Chinese)

16 姜萍, 葉吉, 王紹先, 等. 長(zhǎng)白山南坡森林群落組成、結(jié)構(gòu)以及樹(shù)種多樣性的垂直分布[J].北京林業(yè)大學(xué)學(xué)報(bào), 2008, 30(1): 258-262. JIANG Ping, YE Ji, WANG Shaoxian, et al. Vertical distribution of floristic composition, structure and biodiversity of forest communities along an altitudinal gradients on south slope of the Changbai Mountain, northeastern China[J].Journal of Beijing Forestry University, 2008, 30(1): 258-262. (in Chinese)

17 郭忠玲, 馬元丹, 鄭金萍, 等. 長(zhǎng)白山落葉闊葉混交林的物種多樣性、種群空間分布格局及種間關(guān)聯(lián)性研究[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2004, 15(11): 2013-2018. GUO Zhongling, MA Yuandan, ZHENG Jinping, et al. Biodiversity of tree species, their populations’ spatial distribution pattern and interspecific association in mixed deciduous broadleaved forest in Changbai Mountains[J].Chinese Journal of Applied Ecology, 2004, 15(11): 2013-2018. (in Chinese)

18 李宗善, 唐建維, 鄭征, 等. 西雙版納熱帶山地雨林群落喬木樹(shù)種多樣性研究[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2005, 16(7): 1183-1188. LI Zongshan, TANG Jianwei, ZHENG Zheng, et al. Tree species diversity of tropical montane rain forest in Xishuangbanna, Yunnan[J].Chinese Journal of Applied Ecology, 2005, 16(7): 1183-1188. (in Chinese)

19 JINGHUI M, SHIMING L, WEI W, et al. Estimation of forest structural diversity using the spectral and textural information derived from SPOT-5 satellite images[J]. Remote Sensing, 2016,8(2):125-149.

20 李明詩(shī), 譚瑩, 潘潔, 等. 結(jié)合光譜、紋理及地形特征的森林生物量建模研究[J]. 遙感信息, 2006(6): 6-9. LI Mingshi, TAN Ying, PAN Jie, et al. Modeling forest aboveground biomass by combining the spectrum, textures with topographic features [J]. Remote Sensing, 2006(6): 6-9. (in Chinese)

21 OTA T, MIZOUE N, YOSHIDA S. Influence of using texture information in remote sensed data on the accuracy of forest type classification at different levels of spatial resolution[J]. Journal of Forest Research, 2011, 16(6): 432-437.

22 FRANKLIN S, HALL R, MOSKAL L, et al. Incorporating texture into classification of forest species composition from airborne multispectral images[J]. International Journal of Remote Sensing, 2000, 21(1): 61-79.

23 陳明華, 柴鵬, 陳文祥, 等. 不同植被指數(shù)估算植被覆蓋度的比較研究[J]. 亞熱帶水土保持, 2016, 28(1): 1-4. CHEN Minghua, CHAI Peng, CHEN Wenxiang, et al. Comparative study on the estimation of the vegetation coverage by different vegetation indexes [J]. Subtropical Soil and Water Conservation, 2016, 28(1): 1-4. (in Chinese)

24 王靖, 吳見(jiàn). 干旱半干旱區(qū)森林蓄積量高光譜遙感估測(cè)技術(shù)[J]. 東北林業(yè)大學(xué)學(xué)報(bào), 2014(1): 65-70. WANG Jing, WU Jian. Forest stock volume estimation by hyper spectral remote sensing in arid and semi-arid area [J]. Journal of Northeast Forestry University, 2014(1): 65-70. (in Chinese)

25 劉占宇，黃敬峰，吳新宏, 等. 草地生物量的高光譜遙感估算模型[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2006, 22(2): 111-115. LIU Zhanyu, HUANG Jingfeng, WU Xinhong, et al. Hyperspectral remote sensing estimation models for the grassland biomass [J]. Transactions of the CSAE, 2006, 22(2):111-115. (in Chinese)

26 蔣云姣, 胡曼, 李明陽(yáng), 等. 縣域尺度森林地上生物量遙感估測(cè)方法研究[J]. 西南林業(yè)大學(xué)學(xué)報(bào), 2015(6): 53-59. JIANG Yunjiao, HU Man, LI Mingyang, et al. Remote sensing based estimation of forest aboveground biomass at county level[J]. Journal of Southwest Forestry University, 2015(6): 53-59. (in Chinese)

27 ROUSE J W, HAAS R, SCHELL J, et al. Monitoring vegetation systems in the great plains with erts[J]. NASA Special Publication, 1974, 351: 309.

28 JORDAN C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4): 663-666.

29 LYON J G, YUAN D, LUNETTA R S, et al. A change detection experiment using vegetation indices[J]. Photogrammetric Engineering and Remote Sensing, 1998, 64(2): 143-150.

30 KANEMASU E. Seasonal canopy reflectance patterns of wheat, sorghum, and soybean[J]. Remote Sensing of Environment, 1974, 3(1): 43-47.

31 HUETE A R. A soil-adjusted vegetation index (SAVI) [J].Remote Sensing of Environment, 1988, 25(3): 295-309.

32 VERSTRAETE M M, PINTY B. Designing optimal spectral indexes for remote sensing applications[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(5): 1254-1265.

33 趙紅平. EViews6軟件的逐步回歸分析模塊在多重共線(xiàn)性教學(xué)中的應(yīng)用[J]. 貴州教育學(xué)院學(xué)報(bào), 2009, 20(12): 31-34. ZHAO H P. The application of the stepwise regression program of EViews6 in the teaching of multi-collinearity[J]. Journal of Guizhou Education Institute, 2009, 20(12):31-34. (in Chinese)

34 DOUGLAS C M, PECK E A, VINING G G. Introduction to linear regression analysis[M]. 4th ed. New Jersey: Wiley & Sons Publication, 2006: 323-368.

35 向東進(jìn). 實(shí)用多元統(tǒng)計(jì)分析[M]. 北京: 中國(guó)地質(zhì)大學(xué)出版社, 2005.

36 黃博, 徐麗華. 基于改進(jìn)型Minnaert地形校正模型的應(yīng)用研究[J]. 遙感技術(shù)與應(yīng)用, 2012, 27(2): 183-188. HUANG Bo, XU Lihua. Applied research of topographic correction based on the improved Minnaert model[J]. Remote Sensing Technology and Application, 2012, 27(2): 183-188. (in Chinese)

Forest Structure Parameters Inversion Based on Image Texture and Spectral and Topographic Features

XIE Shiqin1ZHAO Tianzhong1WANG Wei2MENG Jinghui3SHI Jingjing2

(1.CollegeofInformation,BeijingForestryUniversity,Beijing100083,China2.StateForestryAdministrationSurveyPlanningandDesignInstitute,Beijing100714,China3.CollegeofForestry,BeijingForestryUniversity,Beijing100083,China)

forest structure; texture features; spectral features; topographic factors; model estimation

10.6041/j.issn.1000-1298.2017.04.016

2016-12-05

2017-01-24

國(guó)家高分辨率對(duì)地觀(guān)測(cè)系統(tǒng)重大專(zhuān)項(xiàng)(21-Y30B05-9001-13/15-4)

謝士琴(1992—)，女，博士生，主要從事林業(yè)信息工程研究，E-mail： shiqinxie@126.com

趙天忠(1961—)，男，教授，博士生導(dǎo)師，主要從事林業(yè)系統(tǒng)工程研究，E-mail： ztz@bjfu.edu.cn

S758.5; TP79

A

1000-1298(2017)04-0125-10