菅永峰,韓澤民,黃光體,王 熊,李 源,周靖靖,2,佃袁勇,2,3,*

1 華中農(nóng)業(yè)大學(xué)園藝林學(xué)學(xué)院, 武漢 430070 2 華中農(nóng)業(yè)大學(xué)湖北林業(yè)信息工程技術(shù)研究中心, 武漢 430070 3 農(nóng)業(yè)部華中都市農(nóng)業(yè)重點(diǎn)實(shí)驗(yàn)室, 武漢 430070 4 湖北省林業(yè)調(diào)查規(guī)劃院, 武漢 430079

森林是陸地生態(tài)系統(tǒng)中的重要組成部分,具有涵養(yǎng)水源、調(diào)節(jié)氣候、固碳釋氧等作用[1]。在我國(guó),亞熱帶森林約占森林面積的二分之一,在季風(fēng)環(huán)流和青藏高原的影響下,亞熱帶地區(qū)形成了較好的水熱條件,為植被生長(zhǎng)提供了有利的環(huán)境。同時(shí),由于氣候、地形和土壤等因素的影響,使得該區(qū)域具有較高的空間異質(zhì)性。亞熱帶森林作為森林生態(tài)系統(tǒng)的重要組成部分之一,分布較為廣泛的森林類(lèi)型是常綠闊葉林,但在其北部主要為落葉樹(shù)種[2]。亞熱帶森林生物量是全球植被生物量估值最大的區(qū)域之一,是森林碳儲(chǔ)量的重要組成部分。然而目前,很多關(guān)于碳平衡的研究多集中在溫帶和熱帶森林區(qū)域,對(duì)于亞熱帶森林的碳儲(chǔ)量研究較少,這使得無(wú)法了解亞熱帶森林區(qū)域的碳儲(chǔ)量在全球碳循環(huán)中的作用。因此,準(zhǔn)確估算亞熱帶森林的碳存儲(chǔ)以及了解其在全球碳循環(huán)中的作用是未來(lái)研究的方向[3]。

傳統(tǒng)的生物量估算方法以實(shí)際調(diào)查數(shù)據(jù)為基礎(chǔ),雖然估測(cè)精度較高,但勞動(dòng)力大、破壞性強(qiáng)、成本高,且無(wú)法進(jìn)行大區(qū)域的生物量變化監(jiān)測(cè)[4-5]。遙感技術(shù)具有空間分辨率高、長(zhǎng)期、動(dòng)態(tài)、區(qū)域面積大等特點(diǎn),已被廣泛用于森林生物量的估測(cè)。

隨著遙感技術(shù)的發(fā)展,應(yīng)用于生物量估算的遙感影像包括激光雷達(dá)、SAR、光學(xué)影像等[6]。星載激光雷達(dá)不能獲取具有高分辨率的森林參數(shù),且容易受到地形起伏的影響[7-9]。機(jī)載激光雷達(dá)的空間分辨率較高,但對(duì)植被結(jié)構(gòu)復(fù)雜、空間異質(zhì)性較高的區(qū)域,估測(cè)到的森林生物量精度較低[10-11]。SAR具有極強(qiáng)的穿透能力,然而SAR分辨率低,信號(hào)受地形起伏影響較大,且當(dāng)生物量達(dá)到一定水平時(shí)會(huì)出現(xiàn)信號(hào)飽和,所以在森林植被結(jié)構(gòu)復(fù)雜、生物量較高的熱帶和亞熱帶區(qū)域具有一定的局限性[12-15]。

在這種情況下,光學(xué)高分辨率衛(wèi)星數(shù)據(jù)在植被生物量估測(cè)上的優(yōu)勢(shì)得到了越來(lái)越多的關(guān)注。與激光雷達(dá)數(shù)據(jù)相比,光學(xué)遙感數(shù)據(jù)獲取途徑更為廣泛,且部分?jǐn)?shù)據(jù)免費(fèi)對(duì)用戶(hù)開(kāi)放。光學(xué)遙感數(shù)據(jù)得到的是水平方向連續(xù)的區(qū)域性數(shù)據(jù),而激光雷達(dá)為光斑激光傳感器,無(wú)法達(dá)到無(wú)縫覆蓋,且在大尺度應(yīng)用上存在限制。除此之外,光學(xué)高分辨率遙感影像包含了大量的紋理、形狀等空間幾何信息,在對(duì)不同森林類(lèi)型的生物量進(jìn)行反演估算時(shí),其提取的森林參數(shù),紋理和細(xì)節(jié)信息更加豐富[16]。

本研究結(jié)合野外實(shí)際生物量數(shù)據(jù),使用GF-2和SPOT-6高分辨率遙感影像作為數(shù)據(jù)源,提取影像的植被指數(shù)和紋理因子,通過(guò)隨機(jī)森林算法建立森林參數(shù)與森林生物量的回歸估測(cè)模型,同時(shí)比較兩種高空間分辨率影像模型的預(yù)測(cè)能力,并對(duì)模型進(jìn)行驗(yàn)證。最后針對(duì)兩種影像的不同林分類(lèi)型的生物量估算值進(jìn)行單因素方差分析,比較不同林分類(lèi)型的預(yù)測(cè)結(jié)果。

1 研究區(qū)及數(shù)據(jù)

1.1 研究區(qū)

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

太子山林場(chǎng)位于中國(guó)湖北省京山市太子山國(guó)家森林公園,鄂中江漢平原與大洪山余脈交匯處,東經(jīng)112°49′5″—113°3′40″,北緯30°48′35″—31°2′40″之間(圖1)。太子山地貌為低山丘陵區(qū),土壤以黃棕壤和黃褐色石灰土為主,屬亞熱帶季風(fēng)氣候,夏秋多雨,冬春干旱,年平均降雨量1094.8 mm,年平均氣溫16.4℃。太子山林場(chǎng)總面積約7900 hm2,森林覆蓋率為85%。林場(chǎng)內(nèi)氣候溫暖濕潤(rùn),資源豐富,分布著僅能在此生長(zhǎng)的國(guó)家級(jí)保護(hù)植物對(duì)節(jié)白臘在內(nèi)的共138科、204屬、近400種植物。該地區(qū)以人工林為主,其中典型的林分有麻櫟(Quercusacutissima)、栓皮櫟(Quercusvariabilis)、杉木(Cunninghamialanceolate)、馬尾松(Pinusmassoniana)、柏木(Cupressusfunebris)、樟(Cinnamomumcamphora)等[17]。

1.2 研究數(shù)據(jù)

1.2.1遙感數(shù)據(jù)及預(yù)處理

以2015年8月4日SPOT-6遙感影像和2015年8月14日GF-2遙感影像作為數(shù)據(jù)源。采用ENVI 5.3對(duì)遙感影像進(jìn)行輻射校正、幾何校正、圖像增強(qiáng)等預(yù)處理。

SPOT-6對(duì)地觀(guān)測(cè)衛(wèi)星于2012年9月9日由印度PSLV運(yùn)載火箭搭載成功發(fā)射,是一顆提供高分辨率光學(xué)影像的對(duì)地觀(guān)測(cè)衛(wèi)星,能夠以1.5 m全色和6 m多光譜(藍(lán)色,綠色,紅色,近紅外)分辨率對(duì)地球進(jìn)行成像。

GF-2衛(wèi)星于2014年8月19日成功發(fā)射,是我國(guó)自主研制的首顆空間分辨率優(yōu)于1 m的民用光學(xué)遙感衛(wèi)星,搭載有兩臺(tái)高分辨率1 m全色、4 m多光譜相機(jī),具有亞米級(jí)空間分辨率、高定位精度和快速姿態(tài)機(jī)動(dòng)能力等特點(diǎn),有效地提升了衛(wèi)星綜合觀(guān)測(cè)效能,達(dá)到了國(guó)際先進(jìn)水平(表1)。

1.2.2樣地?cái)?shù)據(jù)

地面數(shù)據(jù)調(diào)查開(kāi)始于2015年8月13日到23日,并在2016年和2018年8月分別到太子山林場(chǎng)展開(kāi)樣地補(bǔ)充調(diào)查。共布設(shè)106塊矩形樣地,單個(gè)樣地布設(shè)面積為20 m×20 m,樣地包括針葉、闊葉、針闊混交等森林類(lèi)型,其中針葉林主要以馬尾松為主,闊葉林主要以樟樹(shù)、麻櫟等為主。在樣地調(diào)查過(guò)程中,首先對(duì)樣地的4個(gè)角和中心位置進(jìn)行GPS定位,獲取每塊樣地的經(jīng)緯度坐標(biāo),記錄各樣地的生境因子,如坡度、坡向、海拔等,然后對(duì)樣地中的樹(shù)木進(jìn)行測(cè)量,獲得樹(shù)木的胸徑、樹(shù)高、冠幅、林地類(lèi)型等,樣地中存在胸徑和樹(shù)高較大的樹(shù)種,但總體略接近于正態(tài)分布(圖2)。

表1 GF-2和SPOT-6的光譜波段和空間分辨率

圖2 樣地胸徑、樹(shù)高統(tǒng)計(jì)直方圖Fig.2 Histogram of diameter at breast height, tree height variables

根據(jù)森林地上生物量與胸徑和樹(shù)高的相關(guān)性[18-21](表2)計(jì)算每株樹(shù)的生物量W。

表2 各優(yōu)勢(shì)樹(shù)種生物量估算公式

研究中根據(jù)樣地類(lèi)型的不同主要分為針闊混交林、針葉林和闊葉林,其中針闊混交林45塊,針葉林34塊,闊葉林27塊。通過(guò)表2中的各樹(shù)種的生物量計(jì)算公式獲得三種樣地類(lèi)型的現(xiàn)有生物量分布狀態(tài)(表3)。從表中可以看出闊葉林的平均生物量高于其它兩種類(lèi)型,但是其標(biāo)準(zhǔn)差較大,說(shuō)明闊葉林樣地生物量分布不均勻,這可能是由于不同闊葉林樣地中林種不同、林齡差異導(dǎo)致。

表3 樣地現(xiàn)有生物量分布狀態(tài)

2 研究方法

2.1 提取遙感特征

目前研究表明,單獨(dú)用遙感影像的波段值或植被指數(shù)估測(cè)的森林生物量精度比使用紋理特征結(jié)合植被指數(shù)的精度低,因此本文在建立模型時(shí),使用紋理特征和植被指數(shù)組合估測(cè)生物量[22]。

以GPS定位的樣地中心地理坐標(biāo)作為中心像元,提取所需要的紋理信息和植被指數(shù)。研究采用4種植被指數(shù)(表4),包括比值植被指數(shù)、差值植被指數(shù)、歸一化植被指數(shù)、增強(qiáng)植被指數(shù)。通過(guò)灰度共生矩陣的方法提取8種紋理特征,包括均值、方差、均勻性、對(duì)比度、異質(zhì)性、熵、二階矩、相關(guān)性(表5)。

表4 植被指數(shù)計(jì)算公式

表5 紋理特征值計(jì)算公式

2.2 確定紋理窗口大小

紋理是用于識(shí)別圖像中感興趣的物體或區(qū)域的特征,而GF-2和SPOT-6作為高分辨率影像,可以提供更好的紋理信息,從而顯著提高生物量估算的潛力。本研究采用灰度共生矩陣方法(GLCM)提取紋理特征,而移動(dòng)窗口的大小是紋理分析的一個(gè)關(guān)鍵參數(shù),因此需要選擇適當(dāng)?shù)拇翱诖笮　atifur等在使用AVNIR-2傳感器的數(shù)據(jù)分析紋理特征改進(jìn)生物量估算時(shí)發(fā)現(xiàn),7×7和9×9紋理窗口的紋理指數(shù)對(duì)生物量的估算有顯著改善[23]。潘潔等在使用IKONOS高分辨率遙感影像提取紋理特征時(shí)發(fā)現(xiàn),為了保持紋理融合影像信息量的豐富度,適宜的移動(dòng)窗口選擇范圍為9×9至15×15之間[24]。Eckert等在利用WorldView-2衛(wèi)星數(shù)據(jù)紋理測(cè)量改善森林生物量和碳估算時(shí),發(fā)現(xiàn)當(dāng)窗口為15×15時(shí),生物量與紋理參數(shù)的相關(guān)性最高[25]。

因此,本研究在保證提取的遙感特征變量相同的情況下,選取7個(gè)不同大小的移動(dòng)窗口(5×5、7×7、9×9、11×11、13×13、15×15、17×17),通過(guò)建立生物量模型,得到不同窗口模型的精度,從而得到最適宜的紋理窗口。

2.3 遙感特征選擇與回歸建模

隨機(jī)森林算法(Random Forest)是Breiman等提出的一種機(jī)器學(xué)習(xí)算法,其實(shí)質(zhì)是對(duì)決策樹(shù)算法的一種改進(jìn),在以決策樹(shù)構(gòu)建Bagging集成的基礎(chǔ)上,在訓(xùn)練過(guò)程中加入隨機(jī)屬性選擇[26-27]。本研究采用隨機(jī)森林算法構(gòu)建模型,利用8種紋理特征和4種植被指數(shù)進(jìn)行模型的訓(xùn)練學(xué)習(xí)。

2.4 模型精度評(píng)價(jià)

交叉驗(yàn)證是一種可以用來(lái)估計(jì)機(jī)器學(xué)習(xí)算法性能的一種方法,其方差小于單個(gè)訓(xùn)練測(cè)試集分割的方差。在本研究中,利用決定系數(shù)(R2)、均方根誤差(RMSE)兩個(gè)指標(biāo)進(jìn)行精度評(píng)價(jià)。

2.5 不同林分類(lèi)型生物量估算比較

中國(guó)亞熱帶地區(qū)植被種類(lèi)豐富,不同的遙感影像因?yàn)榭臻g分辨率等對(duì)同一林分的預(yù)測(cè)精度不同,因此在實(shí)驗(yàn)最后對(duì)兩種影像的不同林分生物量估測(cè)進(jìn)行單因素方差分析。

3 結(jié)果

3.1 SPOT-6和GF-2影像對(duì)比

研究中使用ENVI 5.3對(duì)兩種影像做大氣校正,消除這些由大氣影響所造成的輻射誤差,從而反演地物真實(shí)的表面反射率[27]。由于SPOT-6影像與GF-2的空間分辨率不同,將SPOT-6圖像的像素尺寸重新采樣為4 m×4 m,與GF-2相同。計(jì)算了SPOT-6和GF-2波段之間的均方根差(RMSD)、判定系數(shù)(R2)和平均絕對(duì)離差(MAD),并用于比較這兩個(gè)數(shù)據(jù)集的關(guān)系(表6)。

結(jié)果表明,GF-2和SPOT-6所有波段的反射率均值基本相同。但可見(jiàn)光波段決定系數(shù)(R2)明顯高于近紅外波段,尤其是藍(lán)、綠波段；而其可見(jiàn)光波段均方根誤差(RMSE)小于近紅外波段。

表6 SPOT-6和GF-2地表反射率比較

3.2 紋理窗口大小對(duì)生物量反演的影響

對(duì)兩種不同遙感數(shù)據(jù),在7種(5×5至17×17)不同的紋理窗口下,選擇相同的紋理特征變量構(gòu)建生物量模型(表7)。

從表7可以看出遙感數(shù)據(jù)在不同的移動(dòng)窗口,生物量的模型估測(cè)精度不同,GF-2影像隨著窗口的增大先減小后增大,7×7窗口為其最佳模型窗口(R2為0.86,RMSE為38.42 Mg/hm2)。SPOT-6影像隨著窗口的增大,其模型精度先減小后增大,15×15窗口為最佳模型窗口(R2為0.85,RMSE為39.76 Mg/hm2)。

采用隨機(jī)森林回歸建模前,需要評(píng)估紋理特征對(duì)回歸模型的重要性(圖3)。從圖中可以發(fā)現(xiàn)GF-2影像和SPOT-6影像的均值和對(duì)比度對(duì)生物量反演影響最高,但兩者在波段選擇上存在一定的差異性。同時(shí),也可以發(fā)現(xiàn)紋理特征與生物量的相關(guān)性比植被指數(shù)高。

表7 不同紋理窗口模型精度

圖3 特征的重要性Fig.3 The importance of featureGF-2、SPOT-6為高分辨率遙感影像

3.3 回歸建模與精度驗(yàn)證

將篩選出的8個(gè)遙感因子與樣地生物量進(jìn)行隨機(jī)森林回歸建模,得到的生物量預(yù)測(cè)模型及其精度評(píng)價(jià)(圖4)。整體來(lái)看,GF-2生物量模型精度(R2=0.88,RMSE=27.11 Mg/hm2)與SPOT-6生物量模型的精度(R2=0.89,RMSE=23.93 Mg/hm2)都比較高,且兩者差異性較小,但當(dāng)生物量大于250 Mg/hm2,遙感預(yù)測(cè)結(jié)果逐漸低于實(shí)測(cè)生物量,該現(xiàn)象被稱(chēng)為生物量飽和。為了分析兩種影像對(duì)三種不同的林分生物量的估算值是否存在差異,對(duì)兩種影像的不同林分做單因素方差分析。結(jié)果發(fā)現(xiàn)兩種影像對(duì)不同林分類(lèi)型的生物量預(yù)測(cè)沒(méi)有顯著性差異(針葉林F=0.000,P=0.983；闊葉林F=0.04,P=0.95；針闊混交林F=0.006,P=0.94)。

圖4 預(yù)測(cè)生物量模型回歸精度Fig.4 Prediction of regression accuracy of biomass modelB: 藍(lán)波段 Blue; G: 綠波段 Green; R: 紅波段 Red; NIR: 近紅外波段 Near infrared; ME: 均值 Mean; VA: 方差 Variance; CO: 對(duì)比度 Contrast; SM: 二階矩 Secondary moment; NDVI: 歸一化植被指數(shù) Normalized difference vegetation index; EVI: 增強(qiáng)植被指數(shù) Enhanced vegetation index

3.4 研究區(qū)生物量預(yù)測(cè)

圖5 太子山林場(chǎng)生物量反演圖Fig.5 Biomass inversion map of Taizi mountain

根據(jù)生物量預(yù)測(cè)模型,對(duì)太子山林場(chǎng)地區(qū)進(jìn)行生物量反演(圖5)。圖中白色區(qū)域的生物量值最小,主要是因?yàn)樵摰貐^(qū)為水體、道路、居民點(diǎn)等。顏色淺的區(qū)域?yàn)榱址置芏容^小的山下林帶或農(nóng)田,其生物量較小。顏色較深的區(qū)域?yàn)樯搅旨袇^(qū),樹(shù)種數(shù)量高,生物量值大。

4 討論

生物量模型精度受模型反演中所用影像的分辨率的影響。光學(xué)傳感器分為中高低等空間分辨率數(shù)據(jù),本文中GF-2和SPOT-6都為高分辨率影像,其生物量模型精度分別為0.88和0.89。一般來(lái)講高分辨率數(shù)據(jù)在小區(qū)域尺度生物量估算中具有較高的優(yōu)勢(shì)。如2019年茍睿坤等[28]應(yīng)用國(guó)產(chǎn)高分二號(hào)影像提取紋理特征和植被指數(shù)對(duì)陜西石堡林場(chǎng)做生物量反演,其模型精度達(dá)到0.81。2017年蒙詩(shī)櫟等[22]利用WorldView-2對(duì)黑龍江涼水國(guó)家級(jí)自然保護(hù)區(qū)做生物量反演,其精度達(dá)到0.85。而相對(duì)于高分辨率遙感影像,常規(guī)光學(xué)遙感影像為中低等分辨率影像,如Landsat TM、ETM+、MODIS等,其在區(qū)域尺度上的模型精度相對(duì)較低。如2015年徐婷等[29]提取Landsat8OLI的特征變量在國(guó)營(yíng)虞山林場(chǎng)反演地上生物量,其精度為0.41。2010年曹慶先等[30]基于TM影像紋理對(duì)紅樹(shù)林生物量估算,生物量精度為0.66。這是因?yàn)槌Ｒ?guī)遙感數(shù)據(jù)空間分辨率相對(duì)較低,被廣泛應(yīng)用于大區(qū)域和全球尺度的森林生物量估測(cè)研究。如Zhang等[5]利用1 km分辨率的MODIS數(shù)據(jù)估算中國(guó)亞熱帶森林地上生物量。Su等[31]通過(guò)星載激光雷達(dá)和光學(xué)成像(1km分辨率)分別繪制了全球熱帶和亞熱帶地區(qū)以及中國(guó)的AGB圖像。

在生物量估算中,只使用植被指數(shù)反演生物量,模型精度較低,而加入紋理特征可以提高反演的精度[32]。但Lu[33]使用Landsat TM提取紋理特征和植被指數(shù)構(gòu)建巴西亞馬遜地區(qū)地上生物量,其精度最高達(dá)到0.78。本實(shí)驗(yàn)中,通過(guò)選取SPOT-6和GF-2最佳窗口,提取紋理特征和植被指數(shù)構(gòu)建生物量模型,模型精度明顯高于Landsat TM影像。這是因?yàn)楦叻直媛蔬b感影像空間信息更加豐富,地物目標(biāo)的結(jié)構(gòu)、紋理和細(xì)節(jié)等信息更加突出[34]。

雖然高分辨率影像對(duì)提高生物量反演精度具有明顯的效果,但是不同森林類(lèi)型對(duì)反演結(jié)果還是存在一定的影響。實(shí)驗(yàn)中用所有森林類(lèi)型構(gòu)建一個(gè)模型,如圖4,發(fā)現(xiàn)不同森林類(lèi)型中,闊葉林的生物量預(yù)測(cè)總體偏差較大,針葉林的誤差較小。李明詩(shī)等[35]在南京紫金山對(duì)主要優(yōu)勢(shì)樹(shù)種生物量的建模研究中也得出相似的結(jié)論。為分析不同森林類(lèi)型對(duì)生物量反演的影響大小,未來(lái)可以使用分辨率更高的影像數(shù)據(jù)做數(shù)據(jù)源提取樹(shù)冠信息進(jìn)行不同森林類(lèi)型的生物量估算。

5 結(jié)論

本研究主要探討高分辨率遙感數(shù)據(jù)在北亞熱帶森林生物量反演的效果,同時(shí)比較國(guó)產(chǎn)GF-2與國(guó)外SPOT-6高分辨率數(shù)據(jù)的生物量反演潛力。實(shí)驗(yàn)中采用了灰度共生矩陣算法計(jì)算紋理因子,并將紋理因子和植被指數(shù)相結(jié)合與樣地生物量通過(guò)隨機(jī)森林算法進(jìn)行回歸建模,最后通過(guò)交叉驗(yàn)證評(píng)價(jià)兩者的模型精度。結(jié)果表明：雖然兩種數(shù)據(jù)的空間分辨率等存在差異,但它們所有波段的輻射性能相當(dāng),并且通過(guò)選取的均值和對(duì)比度等遙感特征與樣地生物量構(gòu)建生物量模型發(fā)現(xiàn),兩種高分辨率影像都能較好的估測(cè)北亞熱帶不同林分類(lèi)型的生物量,且GF-2生物量模型精度(R2=0.88,RMSE=27.11 Mg/hm2)與SPOT-6生物量模型的精度(R2=0.89,RMSE=23.93 Mg/hm2)相近。