葉子林，周普良，林 輝，李新宇

（1.中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長(zhǎng)沙 410004；2.林業(yè)遙感大數(shù)據(jù)與生態(tài)安全湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410004；3.南方森林資源經(jīng)營(yíng)與監(jiān)測(cè)國(guó)家林業(yè)和草原局重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410004）

森林是地球上重要的陸地生態(tài)系統(tǒng)，也是生物圈中最大的碳庫(kù)，對(duì)于維持整個(gè)地球的生態(tài)平衡有著至關(guān)重要的作用。而森林蓄積量則是衡量森林質(zhì)量的一個(gè)重要指標(biāo)。如果能夠精準(zhǔn)地估測(cè)出森林蓄積量，對(duì)于生態(tài)建設(shè)有著重要意義。傳統(tǒng)的森林蓄積量估測(cè)方法多采用人工調(diào)查，通過測(cè)定周期性的固定樣地的蓄積量，估測(cè)出總體蓄積量。這種方法需要大量的人力物力，效率不高[1-4]。隨著遙感技術(shù)的發(fā)展，通過遙感技術(shù)，特別是高分辨率遙感技術(shù)估測(cè)森林蓄積量，成為可能[5-7]。

采用遙感技術(shù)估測(cè)森林蓄積量的方法比較多，如經(jīng)典的多元線性回歸模型、非線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)、k近鄰分類（KNN）、空間地理加權(quán)等[8-9]。線性回歸模型建模時(shí)，其光譜信息與植被指數(shù)間存在一定的自相關(guān)性和共線性，導(dǎo)致模型估測(cè)精度不穩(wěn)定。BP神經(jīng)網(wǎng)絡(luò)估測(cè)時(shí)存在太多的不確定性，如學(xué)習(xí)效率、隱含層神經(jīng)元個(gè)數(shù)、訓(xùn)練函數(shù)的選擇等，因其隱含層存在黑箱操作，對(duì)于輸入和輸出間的關(guān)系無法準(zhǔn)確表達(dá)和具體分析。KNN方法影響因素較多，如最鄰近k的大小、距離度量函數(shù)的選擇、影像波段的選取，且計(jì)算量大。隨機(jī)森林模型在遙感影像分類上應(yīng)用較多，在森林蓄積量估測(cè)上應(yīng)用相對(duì)較少，這些模型各有其優(yōu)缺點(diǎn)，但總體上森林蓄積量估測(cè)的精度在逐步提高[10-11]。

遙感數(shù)據(jù)源也比較多樣化，常見的有Landsat TM/ETM/OLI、Modis、SPOT5、IKONOS等。光學(xué)遙感數(shù)據(jù)具有多分辨率、多時(shí)相、多平臺(tái)的特點(diǎn)，也是目前遙感數(shù)據(jù)中最為普遍和最容易獲取的數(shù)據(jù)[11]。激光雷達(dá)和極化SAR遙感數(shù)據(jù)出現(xiàn)后，許多研究開始探索其估測(cè)森林蓄積量的能力。由于激光雷達(dá)在估測(cè)林分高度及空間結(jié)構(gòu)方面具有獨(dú)特優(yōu)勢(shì)，基于激光雷達(dá)數(shù)據(jù)的森林蓄積量估計(jì)顯示了較大潛力，特別是機(jī)載激光雷達(dá)在樹高、冠層高、郁閉度等參數(shù)估測(cè)方面有明顯優(yōu)勢(shì)，很好地解決了小區(qū)域和困難山區(qū)蓄積量估測(cè)問題，且估測(cè)精度較好，但成本較高。極化SAR數(shù)據(jù)具有全天候、全天時(shí)、不受云霧影響的特點(diǎn)，也被學(xué)者廣泛應(yīng)用于森林蓄積量的估測(cè)[12-15]，但估測(cè)精度普遍不高。

森林蓄積量建模的遙感因子主要有遙感數(shù)據(jù)各波段的光譜信息及其衍生因子、植被指數(shù)因子、地理因子和紋理因子，其中紋理因子使用較少，且其對(duì)建模的作用、貢獻(xiàn)和影響也不是很清楚，因?yàn)樯中罘e量估測(cè)基本上不使用紋理特征參與建模，在分辨率不高的情況下，紋理因子對(duì)于模型精度提升并不明顯，但隨著遙感數(shù)據(jù)分辨率不斷提高，紋理因子的重要性不可忽視[16-17]。

森林蓄積量精準(zhǔn)估測(cè)是森林資源監(jiān)測(cè)的重點(diǎn)內(nèi)容。隨著遙感影像空間分辨率的提高，紋理特征的優(yōu)勢(shì)越來越明顯，也越來越受到重視。因此，在目前基于紋理特征的遙感估測(cè)機(jī)理尚不明確的情況下，系統(tǒng)開展遙感影像紋理特征分析與處理的相關(guān)研究十分必要。本研究以黃豐橋林場(chǎng)為研究區(qū)，以GF-1衛(wèi)星數(shù)據(jù)為研究對(duì)象，采用多元逐步回歸的方法，構(gòu)建森林蓄積量反演模型，探討紋理因子及其窗口大小對(duì)森林蓄積量估測(cè)的影響。

1 研究區(qū)與研究方法

1.1 研究區(qū)概況

黃豐橋國(guó)有林場(chǎng)位于湖南省東部，地處113°04′～113°43′E、27°04′～27°06′N之 間。境內(nèi)以中低山為主，最高海拔1 270 m，最低海拔115 m，坡度20°～35°。林場(chǎng)地處中亞熱帶濕潤(rùn)季風(fēng)氣候區(qū)，年平均氣溫17.8 ℃，無霜期約為290 d，年降水量為1 410.8 mm，春、夏兩季降水最為頻繁，研究區(qū)位置如圖1所示。

1.2 遙感數(shù)據(jù)獲取與處理

圖1 研究區(qū)位置Fig.1 Location of study area

研究涉及到兩景GF-1衛(wèi)星影像，獲取時(shí)間為2016年1月，影像包含4個(gè)多光譜波段，空間分辨率為8 m；1個(gè)全色波段，空間分辨率為2 m。

對(duì)兩景影像按遙感數(shù)據(jù)處理流程，分別進(jìn)行了輻射定標(biāo)、大氣校正、幾何精校正、融合鑲嵌、拉伸和增強(qiáng)等處理，根據(jù)研究區(qū)邊界進(jìn)行裁剪，得到研究區(qū)精校正后的遙感影像，結(jié)果如圖2所示。

1.3 地面樣地調(diào)查與數(shù)據(jù)處理

2016年6月在黃豐橋林場(chǎng)開展外業(yè)調(diào)查，共設(shè)置了35塊樣地，樣地大小為30 m×30 m，分別調(diào)查樣地起源、地理位置（GPS坐標(biāo)）、地理因子（海拔高度、坡向、坡度等）、樹高、優(yōu)勢(shì)木平均高，并進(jìn)行每木檢尺。在每塊樣地內(nèi)選擇部分樹木測(cè)定GPS坐標(biāo)及南北和東西兩個(gè)方向的冠幅值，樣地分布如圖2所示。

根據(jù)二元材積表計(jì)算每塊樣地的蓄積量，其中30塊樣地有蓄積量，5塊樣地位于道路、建筑、水體等區(qū)域，蓄積量為0。

1.4 基于灰度共生矩陣的紋理特征提取

基于灰度共生矩陣提取紋理信息是目前使用最為廣泛的方式，研究共提取了8種參數(shù)，具體參數(shù)特征計(jì)算如表1所示。

圖2 研究區(qū)樣地分布Fig.2 Plots in study area

已有研究表明，不同窗口大小計(jì)算出的紋理值有差異，對(duì)建模反演出的森林蓄積量精度有較大影響[18-19]。紋理窗口設(shè)置過小時(shí)，會(huì)造成紋理特征內(nèi)部產(chǎn)生錯(cuò)誤分割現(xiàn)象；當(dāng)紋理窗口設(shè)置過大時(shí)，會(huì)導(dǎo)致紋理特征的邊界產(chǎn)生錯(cuò)誤分割現(xiàn)象。根據(jù)研究區(qū)的實(shí)際情況并結(jié)合GF-1的影像特征，窗口大小分別采用3×3、5×5、7×7、9×9、11×11，分別計(jì)算其紋理特征值。

表1 紋理特征Table 1 Texture information illustration

1.5 基于GF-1影像的改進(jìn)紋理特征及植被指數(shù)

植被指數(shù)能夠有效減少遙感圖像中的噪聲干擾，在生物量、森林覆蓋率等參數(shù)反演中常常用到[20-21]。但也有研究發(fā)現(xiàn)，有些植被指數(shù)在植被覆蓋情況較為極端的地區(qū)偏差較大，而多個(gè)植被指數(shù)進(jìn)行反演時(shí)易出現(xiàn)共線性問題。而劉俊等[22]在針闊混交林蓄積量反演時(shí)，利用了紋理的衍生指數(shù)作為自變量，也取得了較好的結(jié)果。本研究提出基于紋理特征的改進(jìn)植被指數(shù)和改進(jìn)波段指數(shù)，也就是利用GF-1的各個(gè)波段生成的紋理特征，替代原始波段參與植被指數(shù)計(jì)算和波段計(jì)算，得到相應(yīng)的改進(jìn)指數(shù)，參與森林蓄積量反演。

1.5.1 紋理光譜均值

紋理光譜均值是一種改進(jìn)的紋理特征，其利用GF-1遙感影像4個(gè)多光譜波段計(jì)算得到，共8個(gè)紋理特征，以Mean紋理因子為例，計(jì)算方法為：

式 中：MeanBlue、MeanGreen、MeanRed和MeanNIR分別為各波段的紋理均值。依照紋理均值的計(jì)算方法可以分別得到方差紋理均值（Average_Variance）、對(duì)比度紋理均值（Average_Contrast）、熵紋理均值（Average_Entropy）、相關(guān)性紋理均值（Average_Correlation）、同質(zhì)性紋理均值（Average_Homogeneity）、相異性紋理均值（Average_Dissimilarity）和角二階矩紋理均值（Average_ASM）。

1.5.2 基于波段紋理均值的改進(jìn)植被指數(shù)

波段紋理均值是利用GF-1遙感影像4個(gè)多光譜波段計(jì)算得到的，藍(lán)光波段紋理均值計(jì)算方法為：

式中：MeanBlue為藍(lán)光波段均值紋理特征；VARBlue為藍(lán)光波段方差紋理特征；CONBlue為藍(lán)光波段對(duì)比度紋理特征；ENTBlue為藍(lán)光波段熵紋理特征；RELBlue為藍(lán)光波段相關(guān)性紋理特征；HOMOBlue為藍(lán)光波段同質(zhì)性紋理特征；DISBlue為藍(lán)光波段相異性紋理特征；ASMBlue為藍(lán)光波段角二階矩紋理特征。

根據(jù)計(jì)算出的各個(gè)波段紋理均值，進(jìn)一步得到相應(yīng)的改進(jìn)植被指數(shù)。

根據(jù)歸一化植被指數(shù)的計(jì)算方法，得到基于紋理波段均值特征的歸一化植被指數(shù)，計(jì)算模型為：

根據(jù)差值植被指數(shù)的計(jì)算方法，得到基于紋理波段均值的差值植被指數(shù)，計(jì)算模型為：

根據(jù)比值植被指數(shù)的計(jì)算方法，得到基于紋理波段均值的比值植被指數(shù)，計(jì)算模型為：

式中：AverageBlue、AverageGreen、AverageRed和AverageNIR分別為藍(lán)光、綠光、紅光和近紅外的紋理波段均值改進(jìn)植被指數(shù)。

1.6 模型建立與精度評(píng)價(jià)

1.6.1 多元逐步回歸分析

多元逐步回歸分析是比較常用的建模方法，通過建立自變量和因變量之間的關(guān)系模型估測(cè)因變量[11-12]。提取研究區(qū)內(nèi)森林在GF-1遙感影像上各波段的光譜值、紋理值和植被指數(shù)，根據(jù)紋理均值改進(jìn)指數(shù)、波段紋理均值改進(jìn)植被指數(shù)和均值改進(jìn)植被指數(shù)分別構(gòu)建森林蓄積量的回歸模型。構(gòu)建森林蓄積量反演模型時(shí)，一共獲取研究區(qū)樣地?cái)?shù)據(jù)35組，隨機(jī)選取其中25組數(shù)據(jù)用于蓄積量模型的構(gòu)建，余下10組數(shù)據(jù)作為模型的驗(yàn)證數(shù)據(jù)。利用多元逐步回歸分析方法，構(gòu)建不同大小窗口時(shí)的紋理特征及其改進(jìn)指數(shù)的森林蓄積量反演模型。

1.6.2 模型精度評(píng)價(jià)

反演模型的精度采用決定系數(shù)R2與均方根誤差RMSE進(jìn)行評(píng)價(jià)，其數(shù)學(xué)表達(dá)式為：

式中：yi為樣地蓄積量實(shí)測(cè)值；為樣地蓄積量估測(cè)值；為樣地蓄積量平均值；n為樣地?cái)?shù)。

2 結(jié)果與分析

2.1 基于紋理、植被衍生指數(shù)和地形的森林蓄積量反演模型的構(gòu)建

本研究以3×3、5×5、7×7、9×9、11×11這5種窗口提取的紋理特征、以紋理特征為基礎(chǔ)的改進(jìn)植被指數(shù)以及地形因子為自變量對(duì)研究區(qū)森林蓄積量采用多元逐步回歸的方法進(jìn)行建模，并對(duì)模型進(jìn)行精度驗(yàn)證，得到結(jié)果如下。

在3×3的紋理窗口下，相關(guān)性最高的因子分別是紋理均值改進(jìn)指數(shù)（AverageMean）、藍(lán)光波段角二階矩（ASMBlue）和海拔（Altitude），森林蓄積量反演模型結(jié)果為：、

3×3紋理窗口對(duì)應(yīng)的模型決定系數(shù)R2=0.568，RMSE為36.825 1 m3/hm2。

在5×5的紋理窗口下，相關(guān)性最高的因子分別是藍(lán)光波段均值紋理特征（MeanBlue）、藍(lán)光波段紋理波段均值改進(jìn)植被指數(shù)（AverageBlue）和海拔（Altitude），森林蓄積量反演模型結(jié)果為：

5×5紋理窗口對(duì)應(yīng)的模型決定系數(shù)R2=0.588，RMSE為32.525 4 m3/hm2。

在7×7的紋理窗口下，相關(guān)性最高的因子分別是藍(lán)光波段相關(guān)性紋理特征（RELBlue）、藍(lán)光波段角二階矩（ASMBlue）和海拔（Altitude），森林蓄積量反演模型結(jié)果為：

7×7紋理窗口對(duì)應(yīng)的模型決定系數(shù)R2=0.602，RMSE為27.582 5 m3/hm2。

在9×9的紋理窗口下，相關(guān)性最高的因子分別是紅光波段的紋理波段均值改進(jìn)植被指數(shù)（AverageRed）、藍(lán)光波段角二階矩（ASMBlue）和海拔（Altitude），森林蓄積量反演模型結(jié)果為：

9×9紋理窗口對(duì)應(yīng)的模型決定系數(shù)R2=0.652，RMSE為25.354 5 m3/hm2。

在11×11的紋理窗口下，相關(guān)性最高的因子是紋理均值改進(jìn)指數(shù)（AverageMean），森林蓄積量反演模型結(jié)果為：

11×11紋理窗口對(duì)應(yīng)的模型決定系數(shù)R2=0.635，RMSE為26.886 5 m3/hm2。

這說明當(dāng)紋理計(jì)算窗口大小為9×9時(shí)，模型的決定系數(shù)最高，均方根誤差最低，此時(shí)的模型最優(yōu)。

2.2 精度評(píng)價(jià)

將5種不同窗口大小的灰度共生矩陣反演森林蓄積量的決定系數(shù)和均方根誤差進(jìn)行比較，結(jié)果如圖3所示。

由圖3可知，在5種不同窗口下的森林蓄積量反演模型中，R2和RMSE值與窗口大小有關(guān)。森林蓄積量反演模型的精度隨著窗口大小的變化也發(fā)生了較大的變化，說明生成紋理特征的窗口大小對(duì)森林蓄積量反演模型有較大的影響。通過綜合比較可知，在這5種窗口模式下，窗口大小為9×9時(shí)，取得較高的決定系數(shù)與較低的均方根誤差，說明此時(shí)的窗口是森林蓄積量反演模型的最優(yōu)窗口。

圖3 不同窗口大小下反演模型的決定系數(shù)與均方根誤差Fig.3 R2 and RMSE of inversion model by different window size

窗口大小為9×9時(shí)，得到的紋理特征所建立的森林蓄積量估測(cè)模型，通過10塊樣地的檢驗(yàn)，森林蓄積量估測(cè)均值為126.2 m3/hm2，實(shí)測(cè)均值為148.3 m3/hm2，RMSE為25.354 5 m3/hm2，模型預(yù)測(cè)結(jié)果較為理想。

采用該模型對(duì)研究區(qū)森林蓄積量進(jìn)行反演，得到研究區(qū)森林蓄積量分布，結(jié)果如圖4所示。

圖4 森林蓄積量反演結(jié)果Fig.4 Inversion mapof forest growing stock volume

3 結(jié)論與討論

3.1 結(jié) 論

論文以國(guó)產(chǎn)GF-1號(hào)衛(wèi)星數(shù)據(jù)為數(shù)據(jù)源，選擇攸縣黃豐橋國(guó)有林場(chǎng)為研究區(qū)，探討不同窗口大小下紋理特征及其改進(jìn)指數(shù)對(duì)森林蓄積量反演的影響。

1）改進(jìn)紋理特征能有效提高蓄積量反演模型的精度。通過計(jì)算出遙感影像紋理均值改進(jìn)指數(shù)、波段紋理均值改進(jìn)植被指數(shù)和均值改進(jìn)植被指數(shù)，結(jié)合地形因子，采用多元逐步回歸方法構(gòu)建森林蓄積量反演模型，結(jié)果精度有較大改善。

2）紋理窗口大小為9×9時(shí)，森林蓄積量反演模型精度最高。采用3×3、5×5、7×7、9×9、11×11這5種窗口大小模式，分別計(jì)算紋理特征參與建立森林蓄積量估測(cè)模型，并進(jìn)行精度檢驗(yàn)。當(dāng)窗口為9×9時(shí)模型效果最好，R2最大，達(dá)到0.652，RMSE值最小，說明此時(shí)的窗口大小是最優(yōu)模型窗口。但是對(duì)于不同研究區(qū)在同一數(shù)據(jù)源下使用9×9窗口模型并不一定效果是最好的，紋理因子在建模中仍需根據(jù)研究區(qū)實(shí)際情況進(jìn)行使用。

3.2 討 論

在森林蓄積量估測(cè)時(shí)，無論是經(jīng)典的多元線性回歸模型和非線性回歸模型，還是新出現(xiàn)的BP神經(jīng)網(wǎng)絡(luò)、空間地理加權(quán)、機(jī)器學(xué)習(xí)等方法中，都離不開建模因子的篩選和參與，這些因子主要有遙感數(shù)據(jù)的各波段光譜信息及其衍生因子、植被指數(shù)因子、地理因子和紋理因子。建模時(shí)并不是因子越多越好，因子之間有時(shí)有一定的干擾，如在線性回歸建模時(shí)，光譜因子與植被指數(shù)因子間存在自相關(guān)性和共線性，導(dǎo)致模型估測(cè)精度不穩(wěn)定。

在遙感空間分辨率較低時(shí)，紋理特征往往被忽略，因?yàn)樵诳臻g分辨率較低的情況下，紋理特征不明顯，且對(duì)于模型精度影響也較弱。但在高分辨率遙感應(yīng)用中，紋理特征有著重要作用，并對(duì)建模精度產(chǎn)生較大影響。國(guó)產(chǎn)高分?jǐn)?shù)據(jù)大量涌現(xiàn)，其在林業(yè)中的應(yīng)用越來越廣，充分挖掘紋理特征，達(dá)到提高森林估測(cè)指標(biāo)包括森林蓄積量指標(biāo)的精度非常有必要。但將紋理特征引入到森林指標(biāo)包括森林蓄積量的估測(cè)時(shí)，必須結(jié)合其它相關(guān)因子，而不是獨(dú)立實(shí)現(xiàn)的；另外，紋理特征對(duì)不同模型（如BP神經(jīng)網(wǎng)絡(luò)、KNN、機(jī)器學(xué)習(xí)）的貢獻(xiàn)，以及眾多紋理特征中不同因子的貢獻(xiàn)，還需要進(jìn)一步加強(qiáng)研究。