崔 立，閆保銀

(南京國圖信息產(chǎn)業(yè)有限公司，江蘇 南京 210000)

森林作為自然資源的重要組成部分之一，在保障生物多樣性、緩解溫室效應、維護生態(tài)環(huán)境等方面發(fā)揮著積極作用。隨著經(jīng)濟的快速發(fā)展，森林所產(chǎn)生的生態(tài)價值與經(jīng)濟價值日益凸顯，為掌握森林資源此消彼長的動態(tài)變化，森林資源調(diào)查逐漸成為國家在森林資源監(jiān)測方面開展的重點工作。

森林資源調(diào)查包括全國森林資源連續(xù)清查(林業(yè)一類調(diào)查，每5 a開展1次)和規(guī)劃設計調(diào)查(林業(yè)二類調(diào)查，每10 a開展1次)，除此之外還有作業(yè)設計調(diào)查。傳統(tǒng)的一類、二類調(diào)查多采用樣地實測法，該方法具有較高的準確度，但需花費較大的人力物力，同時在時空上也存在較大的局限性[1]。近年來，遙感技術的飛速發(fā)展為林業(yè)調(diào)查提供了新的工作方式，與傳統(tǒng)方法相比更為省時省力，極大地提高了調(diào)查的效率及準確性[2-3]。

蓄積量是林業(yè)調(diào)查中的一項重要指標，它能夠衡量森林資源的豐富程度以及健康程度[4]，也直接反映了森林的經(jīng)營成效。除了樣地實測法之外，目前常用遙感估測法估測蓄積量。本文將對不同的森林蓄積量估測方法進行歸納，作總結對比，探討其中不足并對未來進行展望。

1 研究進展

目前，國內(nèi)外對于蓄積量的估測主要集中于光學遙感、雷達遙感以及LiDAR估測研究。

1.1 基于光學遙感的蓄積量估測研究

早期的森林生態(tài)系統(tǒng)探測多集中于生物量探測和生態(tài)遙感領域。經(jīng)多年發(fā)展，逐步形成了以遙感影像為數(shù)據(jù)源，提取與蓄積量相關的因子如樹種、樹齡、坡度、坡向等，建立模型進行反演，最終獲得蓄積量等調(diào)查因子的思路[5-7]。國內(nèi)外在遙感影像方面多采用LandsatTM/ETM/OLI，Modis，SPOT5，IKONOS GF等，在蓄積量估測模型方面，多采用KNN模型、多元線性回歸模型等。在多元線性回歸模型中，常采用偏最小二乘法、逐步回歸和嶺估計法等。

Stumpf等[8]使用KNN模型計算法對森林蓄積量進行估測，結果表明，KNN模型法計算的精度高于線性回歸法。宋亞斌等[9]進一步對KNN模型開展了深入研究，以湘潭縣為研究區(qū)，采用Landsat 8 OLI 數(shù)據(jù)和同時期的二類調(diào)查數(shù)據(jù)，通過距離相關系數(shù)篩選特征，使用3種KNN模型(包括K-近鄰模型、距離加權模型和優(yōu)勢歐式模型)進行蓄積量估算，并與線性回歸模型進行對比，得到了與Stumpf等相同的結論：使用KNN模型計算的蓄積量數(shù)據(jù)可信度均高于線性模型，并在3種KNN模型中，優(yōu)化歐式模型的決定系數(shù)最高，達到0.69，因此估算精度也為最好。

TM影像的紅光波段為葉綠素吸收帶，可用于區(qū)分植被類型，判斷植物生長狀況，近紅外波段位于植物高反射區(qū)，可用于植物識別、分類。將紅光波段與近紅外波段結合，并構建回歸模型用于估算蓄積量[10]。張超等[11]基于遙感特征、地形因子、郁閉度與蓄積量之間的相關性，以偏最小二乘回歸法構建了蓄積量估測模型，并將估測值與實測值進行對比。結果表明，三峽庫區(qū)森林總蓄積為1.12億m3，預測精度達到了89.58%。厲香蘊等[12]基于霍山縣OLI影像，提取了光譜、紋理等信息，與DEM中提取的高程、坡向等地形因子建立了蓄積量估測模型。結果表明，該方法估測值誤差較小，可用于大范圍的森林資源監(jiān)測。馮凱等[13]基于Landset8影像結合林業(yè)二類調(diào)查數(shù)據(jù)，采用POS算法優(yōu)化的BP神經(jīng)網(wǎng)絡和線性回歸建模法，對廣東省南雄市森林蓄積量進行估測，結果精度較高。

高分(GF)影像近年來在森林蓄積量估測方面的應用也越來越多。向安民等[14]以GF-1、DEM模型及土地利用類型圖為依據(jù)，采用KNN法建立森林蓄積量估測模型，并將測得值與同期二類調(diào)查數(shù)據(jù)對比，發(fā)現(xiàn)使用KNN算法的估測精度達到了97.3%，證明了國產(chǎn)GF-1影像可用于森林資源監(jiān)測。王海賓等[15]基于GF-1、PMS影像，對KNN法作進一步研究。其引入偏最小二乘回歸法與KNN法進行對比，得出基于KNN法的反演結果要優(yōu)于偏最小二乘法的結論。李世波等[16]基于GF-1影像，研究了最佳遙感因子組合方式和最優(yōu)蓄積量估測方法，經(jīng)過多元逐步回歸、隨機森林法、偏最小二乘回歸法估測并對比后，發(fā)現(xiàn)隨機森林法的估測精度最高，達到了83.69%。

1.2 基于雷達遙感的蓄積量估測研究

雷達遙感作為一種主動遙感技術，具有一定的穿透能力，可穿過樹冠，對森林內(nèi)部作進一步探測，以獲取更多的森林內(nèi)部結構信息，因此在森林資源監(jiān)測方面也廣泛使用。通常，雷達遙感可分為合成孔徑雷達(SAR)、極化干涉合成孔徑雷達和干涉合成孔徑雷達[17]，在森林蓄積量估測中，常用合成孔徑雷達，其生物量估測方法常采用：雷達截面法[18]、高低頻SAR數(shù)據(jù)極比法[19]、生物量回歸分析法和生長量估測方程估算法[20]。

合成孔徑雷達可以全天時、全天候工作，具有較強的穿透能力，廣泛應用于森林蓄積量、覆蓋率、生物量等的調(diào)查[21]。王臣立等[22]對SAR后向散射系數(shù)進行研究，發(fā)現(xiàn)其與蓄積、胸徑、樹高之間可用對數(shù)模型表達并模擬，并證明了估測精度可基本符合大面積總體估測，但在小班層面來說，效果不佳。范鳳云[23]基于SAR數(shù)據(jù)與激光雷達數(shù)據(jù)對蓄積量進行反演，在大范圍的蓄積量估測領域做了一定探索。楊永恬等[24]利用SAR的穿透能力，以喀斯特山區(qū)為試驗區(qū)，以SAR和森林資源調(diào)查成果為數(shù)據(jù)源，建立回歸模型，估測值符合精度要求，證明了SAR技術可用于云霧多雨的山區(qū)森林蓄積量定量評估。

1.3 基于LiDAR的蓄積量估測研究

激光雷達(LiDAR)可以主動發(fā)射脈沖信號，當信號接觸地物后返回，其記錄的信息包括點的強度信息、空間三維位置信息，形成點云數(shù)據(jù)[25]。LiDAR系統(tǒng)有多種類型，主要是星載LiDAR、機載LiDAR和地基LiDAR。在林業(yè)調(diào)查中，地基LiDAR和機載LiDAR應用較多[26]。早在1976年就有學者利用LiDAR測量了森林結構參數(shù)，并得到較好的結果。Means等[27]對花旗松森林的結構參數(shù)，包括樹高、胸徑、蓄積等，使用LiDAR進行估算，發(fā)現(xiàn)冠層密度特征變量對胸高斷面積和蓄積預測精度較好。然而，傳統(tǒng)的激光雷達研究方法偏重高度、密度特征變量，而忽略了冠層結構特性，因此具有一定的局限性。Lefsky等[28]通過提取冠層容積剖面及高度剖面，采用體元化冠層容積模型法，較為精確的預測了森林結構參數(shù)。Zhao等[29]在激光雷達的基礎上提取了CHQ、CHD參數(shù)作為非線性模型和線性模型的特征變量，通過建立估測模型，較好的反演了森林生物量，其中R2達到了0.80。

國內(nèi)多采用激光雷達獲得林分LiDAR點云數(shù)據(jù)，經(jīng)處理后建立反演模型，估算其蓄積量。蘇德添等[30]利用激光雷達收集了毛竹冠層的點云數(shù)據(jù)，并基于竹竿、竹枝點云密度間的邏輯關系，建立了估算模型。經(jīng)驗證，建立的竹竿、竹枝模型精度分別可達95.53%和91.36%。許子乾[31]將無人機航測技術與LiDAR技術相結合，對林分特征參數(shù)及生物量進行反演研究，發(fā)現(xiàn)所有特征參數(shù)中，與高度參數(shù)敏感度高的林分特征，在估測中可以達到與激光雷達相近精度，從而對蓄積量預測精度較高。張崢男[32]將機載激光雷達測得的特征數(shù)據(jù)進行反演，結果表明，反演獲得的蓄積量數(shù)據(jù)精度尚可，其中R2達到0.45—0.80，rRMSE達到12.02%—19.22%。此外，分森林類型的模型組預測蓄積量精度要高于無區(qū)分森林類型的模型組。

2 對比與分析

早在上個世紀，國內(nèi)外學者就已展開基于光學遙感的蓄積量估測研究，經(jīng)多年發(fā)展，從理論研究到實際觀測都已趨于成熟。遙感具有應用范圍廣、數(shù)據(jù)接收效率高的優(yōu)點，因此被廣泛運用[32]。然而，遙感僅在區(qū)域內(nèi)的植被水平向的數(shù)據(jù)獲取占優(yōu)[33]，在垂直信息獲取方面卻受制于其空間異質性，難以穿透林分內(nèi)部獲取信息[34]。相較于光學遙感，微波遙感的出現(xiàn)可在一定程度上彌補光學遙感的劣勢，但其易受地形影響，在獲取垂直信息方面也存在一定的局限性[35]。

雷達遙感的出現(xiàn)彌補了光學遙感穿透力不強的缺陷，目前多采用SAR來對生物量進行觀測。楊永恬等[24]在一些多云多霧地區(qū)，如喀斯特山區(qū)使用SAR對森林資源的生物量進行監(jiān)測，證實了雷達遙感在霧、煙、灰塵等天氣惡劣條件下的監(jiān)測能力。然而王臣立等[22]的研究證明，SAR估測精度可基本符合大面積總體估測，但就小班層面來說，效果不佳。因此雷達遙感雖具波長較長，易于獲取林分內(nèi)部信息等優(yōu)點，但其在后期數(shù)據(jù)處理方面難度較高，同時林分內(nèi)部結構較為復雜，難以形成直觀的成像，因此在生物量觀測中難以普及運用[36]。

LiDAR能夠精準、快速地獲取被測物的三維坐標信息[37]。近年來將LiDAR用于森林生物量觀測的研究越來越多，逐漸成為一個新興的技術[38]。與光學遙感相比，LiDAR可以在多尺度空間范圍內(nèi)、不受空間異質性影響下，精準全面地獲取空間三維信息。與雷達遙感相比，LiDAR具有探測精度高、探測范圍廣及穩(wěn)定性強等優(yōu)點，在煙、霧等極端天氣條件下也能應對。此外，LiDAR在測距、識別障礙物方面優(yōu)于雷達遙感，同時在觀測時產(chǎn)生的數(shù)據(jù)量高于雷達遙感，在數(shù)據(jù)準確性上也得到了更多的保證[39]。

綜上所述，雷達遙感與LiDAR在信息獲取方面均較光學遙感占據(jù)優(yōu)勢，雷達遙感較LiDAR而言各有所長，但LiDAR在獲取森林三維結構信息方面具有獨特的優(yōu)勢，因此其在森林生物量監(jiān)測方面潛力較大。

3 討論與展望

現(xiàn)階段，森林蓄積量反演模型大多是從生物學角度出發(fā)，基于遙感的光譜信息、各因子的物理意義而建立的，建模方法多用KNN法、偏最小二乘法等。因此，怎樣基于多源數(shù)據(jù)，選擇哪些因子作為建模的基礎以進一步提高估測大范圍的森林資源生物量，成為光學遙感未來技術發(fā)展的主要方向[40]。隨著技術的發(fā)展，遙感影像的分辨率越來越高[41]，可形成周期性動態(tài)反映某一區(qū)域的動態(tài)變化。目前多數(shù)研究是基于高分影像、資源三號衛(wèi)星影像、Landset TM等進行的[42]。在利用高分影像提取林分數(shù)據(jù)時，常采用人工目測結合影像光譜特征、紋理特征法，對此筆者認為，當林分結構較為復雜時，如何區(qū)分單株樹的樹冠還需探討。此外，森林蓄積量估測模型多基于林地進行，是否可以將林地細分為林種、樹種[43]，加入對蓄積量有重要影響的胸徑、樹高、郁閉度等參數(shù)來提高建模的精確度，還需做進一步研究。

在利用雷達遙感監(jiān)測森林蓄積量方面多偏向于SAR，但SAR的圖像數(shù)據(jù)一般噪點較大，一定程度上干擾了信息的提取[21]。因此筆者認為，如何盡量減少噪點，對于提升最終監(jiān)測數(shù)據(jù)的準確性很有意義。此外，還可嘗試將SAR數(shù)據(jù)、光源遙感數(shù)據(jù)等協(xié)同反演，探索將SAR技術與無人機技術相結合，做到優(yōu)勢互補等可以深入研究，并逐步推廣。

LiDAR可獲得亞米級的森林植被信息，在森林資源生物量監(jiān)測領域優(yōu)勢明顯。在以往的研究中，多基于林分的冠層密度、LiDAR高度參數(shù)等特征變量去反演林分生物量，雖能獲得較好的結果[44]，但該方法偏重于統(tǒng)計學原理，未充分地挖掘林分信息。森林結構及其立地條件往往較為復雜，而這些因素又與參與反演林分生物量的特征變量有很強的關聯(lián)性[45]，因此就容易導致以往所建立的反演模型僅小范圍適用，不適用于反演完整的森林空間結構[46]。在今后研究中，可加入與森林結構、立地條件等相關聯(lián)的信息作為特征變量，使反演模型更具普適性，能夠完整反演出森林的空間異質性。盡管LiDAR穿透性強，能夠快速準確的獲得林分內(nèi)部信息，但其具有較高的信息獲取成本以及缺乏光譜信息等缺點[47]，而LiDAR的缺點恰是無人機航空攝影技術(UAV-DAP)的優(yōu)點[48]，因此在今后研究中，可考慮引入UAV-DAP結合使用，達到優(yōu)勢互補。利用LiDAR技術獲取地面點云數(shù)據(jù)，結合UAV-DAP獲取林分冠層的表面信息，形成森林生物量長期有效的動態(tài)觀測，這在今后的森林資源調(diào)查中亦是值得研究的課題。