李紫荊，胥 輝

(西南林業(yè)大學(xué)，云南 昆明 650224)

1 引言

森林是地球上最大的陸地生態(tài)系統(tǒng)，是全球生物圈中重要的一環(huán)。它是地球上的基因庫(kù)、碳貯庫(kù)、蓄水庫(kù)和能源庫(kù)，對(duì)維系整個(gè)地球的生態(tài)平衡起著至關(guān)重要的作用，是人類(lèi)賴以生存和發(fā)展的資源和環(huán)境。

森林蓄積量多用于統(tǒng)計(jì)較大尺度的地區(qū)范圍各種活立木的材積總量，可按樹(shù)種、徑級(jí)、材種等分別統(tǒng)計(jì)不同活立木的材積總量。森林蓄積量是反映一個(gè)國(guó)家或地區(qū)生產(chǎn)力的一項(xiàng)重要指標(biāo)，隨樹(shù)種和立地條件等的不同而發(fā)生有規(guī)律的變化，也為森林可持續(xù)經(jīng)營(yíng)與發(fā)展、全球氣候變化研究提供科學(xué)依據(jù)。

傳統(tǒng)的森林資源調(diào)查不僅費(fèi)時(shí)費(fèi)力，而且難以反映森林的動(dòng)態(tài)發(fā)展情況。因此，林業(yè)工作者及研究人員一直致力于探索如何利用飛速發(fā)展的遙感技術(shù)對(duì)蓄積量進(jìn)行估測(cè)[1，2]。采用遙感數(shù)據(jù)估測(cè)蓄積量，仍然存在遙感因子選取、生物量建模方法[3]、遙感數(shù)據(jù)飽和[4]等眾多不確定性問(wèn)題。

滇中區(qū)域作為中國(guó)的世界自然和文化遺產(chǎn)保護(hù)地，擁有豐富的森林資源[7]、較高的生物量和生產(chǎn)力，這些森林資源不僅為當(dāng)?shù)氐纳鐣?huì)經(jīng)濟(jì)發(fā)展提供了直接的物質(zhì)基礎(chǔ)，而且在維護(hù)地區(qū)生態(tài)和碳平衡中起著巨大作用[8]，也為遙感估測(cè)蓄積量提供了較好的地域條件。

此外，雖然 Landsat 數(shù)據(jù)具備空間分辨率優(yōu)勢(shì)，但由于光學(xué)遙感成像易受天氣影響，大范圍的森林類(lèi)型識(shí)別仍面臨數(shù)據(jù)收集困難、處理效率低下等問(wèn)題[9]。Google Earth Engine(GEE)遙感云計(jì)算平臺(tái)的出現(xiàn)成為解決遙感數(shù)據(jù)收集困難和處理效率低下問(wèn)題的新途徑。GEE平臺(tái)公共數(shù)據(jù)庫(kù)中提供了目前廣泛使用的地理空間數(shù)據(jù)集、機(jī)器學(xué)習(xí)算法和JavaScript、Python編程語(yǔ)言接口，方便用戶對(duì)大規(guī)模的多源數(shù)據(jù)進(jìn)行高效的分析處理[10]。因此，本研究使用Google Earth Engine云平臺(tái) Landsat 8 OLI 影像數(shù)據(jù)，以宜良縣優(yōu)勢(shì)樹(shù)種云南松為研究對(duì)象，通過(guò)外業(yè)樣地調(diào)查并進(jìn)行蓄積量計(jì)算，提取對(duì)應(yīng)的多種遙感因子，篩選重要性因子，以尋找較為理想的建模方法，為區(qū)域生物量遙感估測(cè)提供技術(shù)和理論更新。

2 研究區(qū)概況

宜良縣位于云南省中部，也是云南松的中心分布區(qū)，地處北緯24°30′36″～25°17′02″、東經(jīng)102°58′22″～103°28′75″之間，東臨陸良縣、石林彝族自治縣，南接彌勒市、華寧縣，西與澄江市、呈貢區(qū)和官渡區(qū)毗鄰，北同嵩明縣、馬龍區(qū)相連。宜良地勢(shì)北高南低，山地與盆地相間，境內(nèi)山脈多為東北至西南走向，全縣平均海拔在1500～1800 m。宜良?xì)夂驅(qū)俦眮啛釒Ъ撅L(fēng)氣候區(qū)。冬春干旱少雨，夏秋多雨濕潤(rùn)，冬無(wú)嚴(yán)寒，夏無(wú)酷暑，每年旱季為11月份至次年4月份，雨季為5～10月份，氣溫年差較小，日差較大，年平均溫度16.3 ℃。

目前對(duì)其森林資源、生態(tài)環(huán)境和多樹(shù)種分布等方面已有研究，但對(duì)該區(qū)域某單一樹(shù)種分布變化的研究較少[11]。本研究圍繞宜良縣云南松空間分布變化展開(kāi)。云南松(Pinusyunnanensis)分布于西藏東部、四川西部及西南部、云南、貴州西部及西南部和廣西西北部，是西南地區(qū)的鄉(xiāng)土樹(shù)種，也是該地區(qū)的荒山綠化造林先鋒樹(shù)種，多分布于海拔1000～3200 m的地區(qū)，常形成大面積純林。木材可供建筑、家具和木纖維原料業(yè)等使用；松根可培養(yǎng)茯苓；樹(shù)皮可提栲膠；種子可榨油。

3 研究方法

3.1 數(shù)據(jù)來(lái)源

3.1.1 Landsat8 OLI數(shù)據(jù)源

本研究使用由 Landsat 8 OLI 的大氣校正表面反射率(SR)數(shù)據(jù)。SR數(shù)據(jù)是由原始影像亮度值轉(zhuǎn)換為地球表面的光譜輻射值，再轉(zhuǎn)換為地球表面反射率值。

3.1.2 樣地實(shí)測(cè)數(shù)據(jù)

宜良縣2007年森林資源二類(lèi)調(diào)查數(shù)據(jù)，樣地信息包括：小班空間信息分布以及蓄積、樹(shù)種、樹(shù)齡、樹(shù)高、胸徑、郁閉度等。

3.2 數(shù)據(jù)處理

3.2.1 遙感影像處理

由于GEE平臺(tái)提供的遙感影像范圍是按衛(wèi)星的飛行軌道顯示，顯示范圍是正方形，因此分析前需要對(duì)遙感影像進(jìn)行處理，以達(dá)到滿足研究要求的精度，從而保證后期信息數(shù)據(jù)提取的真實(shí)性。

3.2.2 遙感特征因子提取

森林的構(gòu)成不相同，則提取的植被參數(shù)就有差異，導(dǎo)致不同群落的生物量也各不相同，反映在遙感影像上表現(xiàn)出不同的色調(diào)、結(jié)構(gòu)和紋理特征[12]。同時(shí)Landsat 8 OLI影像含有不同的波段，需要對(duì)遙感影像進(jìn)行系列的處理、波段計(jì)算、變換、主成分提取等步驟獲取遙感特征信息指數(shù)，并結(jié)合地面生物量調(diào)查數(shù)據(jù)建立一定的關(guān)系，以便計(jì)算或反演大尺度森林生物量。由此，能夠反映出遙感影像特征的因子均能夠作為遙感估測(cè)思茅松林生物量模型的備選變量。本研究將選取Landsat 8 OLI影像的紋理特征和光譜特征因子來(lái)構(gòu)建云南松林的蓄積量反演模型。

3.2.2.1 紋理特征提取

紋理特征反映的是圖像或圖像區(qū)域所對(duì)應(yīng)地物的表面性質(zhì)，同時(shí)還能體現(xiàn)出地物的各種結(jié)構(gòu)與周?chē)煌h(huán)境信息的關(guān)系，以此反映地表所有的空間變化信息，從遙感影像中提取出紋理特征，以此來(lái)獲得紋理信息因子定性或定量的描述，結(jié)果如圖1～6所示。

圖1 紋理特征1

圖4 紋理特征4

圖2 紋理特征2

圖5 紋理特征5

圖3 紋理特征3

圖6 紋理特征6

圖1～6說(shuō)明：紋理特征反應(yīng)的是圖像或圖像區(qū)域所對(duì)應(yīng)地物的表面性質(zhì)，同時(shí)還能夠體現(xiàn)出地物的各種結(jié)構(gòu)與周?chē)煌h(huán)境信息的關(guān)系，以此反映地表所有的空間變化信息，從遙感影像中提取出紋理特征，以此來(lái)獲得紋理信息因子的定性或定量的描述，這個(gè)過(guò)程稱(chēng)為紋理分析。

紋理是以灰度值的空間共生特性來(lái)衡量，細(xì)紋理的粗細(xì)是評(píng)價(jià)其空間變化的一種方法，紋理越細(xì)說(shuō)明變化越快，隨距離的增大，出紋理會(huì)有一定的變化。本研究共應(yīng)用了6種紋理特征：均一性(Homogeneity, HO )、相異性(Dissimilarity, DI )、均值(Mean, ME)、角二階矩(Angular second moment, SM)、熵(Entropy, EN)、相關(guān)性(Correlation, CC)。

3.2.2.2 植被指數(shù)因子

從遙感影像的可見(jiàn)光和近紅外波段中，進(jìn)行不同波段的重組，即得到研究中常用的植被指數(shù)，是對(duì)植被狀況的量化。從植被指數(shù)中可以清楚了解植被的生長(zhǎng)、葉片的發(fā)育情況等。近年來(lái)，大量研究通過(guò)對(duì)植被指數(shù)的定性和定量評(píng)價(jià)判定植被覆蓋度和生長(zhǎng)的活力，同時(shí)對(duì)森林生物量的變化做出靈敏的反應(yīng)。因此本研究共選取了8種類(lèi)型包括VIS234、SAV12，比值植被指數(shù)，MV17、MSR，差值植被指數(shù)，大氣阻抗植被指數(shù)和地表反照率植被指數(shù)。提取結(jié)果如圖7～圖14所示。

圖7 VIS234

圖8 SAV12

圖11 MSR

圖9 比值植被指數(shù)

圖12 差值植被指數(shù)

圖13 大氣阻抗植被指數(shù)

圖14 地表反照率植被指數(shù)

圖7～14說(shuō)明：植被指數(shù)是遙感影像可見(jiàn)光和近紅外波段的各種組合運(yùn)算，是對(duì)地表植被狀況的簡(jiǎn)單、有效和經(jīng)驗(yàn)的度量。在遙感應(yīng)用領(lǐng)域，植被指數(shù)已廣泛用來(lái)定性和定量評(píng)價(jià)植被覆蓋及其生長(zhǎng)活力，同時(shí)對(duì)森林生物量的變化有靈敏的反映機(jī)制。因此本研究在參考國(guó)內(nèi)外生物量遙感估測(cè)中所采用的植被指數(shù)的基礎(chǔ)上，將選取包括多波段線性組合植被指數(shù)、歸一化植被指數(shù)、簡(jiǎn)單比值植被指數(shù)和復(fù)雜植被指數(shù)等類(lèi)型。

3.2.3 模型構(gòu)建

3.2.3.1 變量篩選

篩選與蓄積量相關(guān)性高的，可以提高模型擬合效果的變量是研究的關(guān)鍵。特征選擇是指在建模過(guò)程中通過(guò)一定的方法選取一個(gè)特征子集建立新模型的過(guò)程，這個(gè)子集包含更少的特征變量[11]，在篩選變量前，變量集合中存在大量特征變量，并且這些變量間可能存在相關(guān)性，造成冗余，降低模型的運(yùn)行效率和擬合精度。因此，為提高模型性能，獲得對(duì)模型更重要的變量，需要對(duì)變量進(jìn)行處理得到最優(yōu)變量，本研究通過(guò)SPSS.22的皮爾遜相關(guān)系數(shù)(Pearson correlation cofficient; PCCs)對(duì)云南松遙感特征因子進(jìn)行相關(guān)性分析，選取與蓄積量相關(guān)性p<0.05的遙感特征因子進(jìn)行建模。

3.2.3.2 蓄積量模型構(gòu)建

本研究根據(jù)宜良縣Landsat 8 OLI遙感影像分布提取光譜特征和紋理特征，通過(guò)皮爾遜相關(guān)系數(shù)篩選后，獲取最優(yōu)的遙感變量參與構(gòu)建基于遙感變量的生物量估測(cè)模型，對(duì)比分析多元線性回歸的擬合效果和精度。

遙感圖像綜合記錄了森林的各種特征，如森林的光譜特征、結(jié)構(gòu)紋理特征等。這些特征取決于森林的類(lèi)型、生長(zhǎng)情況和場(chǎng)地條件。因此，可以利用統(tǒng)計(jì)建模技術(shù)來(lái)分析森林蓄積量與遙感影像特征之間的相關(guān)性。在此基礎(chǔ)上，利用多元線性回歸技術(shù)，森林體積遙感模型可以根據(jù)遙感因素的特征間接估計(jì)森林體積。

多元線性回歸建模方法主要包括模型的參數(shù)估計(jì)、假設(shè)檢驗(yàn)、殘差分析以及最優(yōu)回歸方程的選取等。多元回歸的一般表達(dá)式：

y=b0+b1x1+b2x2+…+bnxn

(1)

式(1)中：y為解釋變量，b0為常數(shù)項(xiàng)，b1，b2，……bn為模型系數(shù)，x1,x2……xn為相關(guān)遙感特征因子，n為自變量個(gè)數(shù)。

3.2.4 模型評(píng)價(jià)與檢驗(yàn)

模型評(píng)估是檢驗(yàn)?zāi)Ｐ蛥⒖純r(jià)值高低的重要組成部分。本文主要采用決定系數(shù)(R2)來(lái)對(duì)模型精度進(jìn)行評(píng)價(jià)，當(dāng)R2越接近1時(shí)，表示相關(guān)的方程式參考價(jià)值越高。相反，當(dāng)R2越接近0時(shí)，表示參考價(jià)值越低。其計(jì)算公式如下：

(2)

選取相對(duì)均方根誤差(RMSE)作為模型的獨(dú)立性檢驗(yàn)指標(biāo)。其計(jì)算公式如下：

(3)

3.2.5 模型反演

利用森林蓄積量預(yù)測(cè)值繪制整個(gè)研究區(qū)的蓄積量空間分布圖，利用所構(gòu)建的模型計(jì)算云南松蓄積量值，最終反演出研究區(qū)云南松林的蓄積量。

4 結(jié)果與分析

4.1 遙感變量篩選

本研究通過(guò)SPSS.22的皮爾遜相關(guān)系數(shù)(Pearson correlation cofficient; PCCs)對(duì)云南松遙感特征因子進(jìn)行相關(guān)性分析，選取與蓄積量相關(guān)性p<0.05的遙感特征因子，如表1所示，得到WLTZ，Albedo，DVI，B3，B1，WLTZ5，B2，B7和B5這幾個(gè)遙感變量。

表1遙感特征因子篩選結(jié)果

4.2 多元線性回歸模型構(gòu)建

多元線性回歸模型中(表2)，云南松林遙感變量的決定性系數(shù)R2為0.259，調(diào)整后R2為0.236，標(biāo)準(zhǔn)估算錯(cuò)誤為34.5579，擬合效果一般。

表2 多元線性回歸模型描述

由模型系數(shù)顯著性結(jié)果可知(表3)，模型最終保留變量B1、DVI、Albedo、B7、B5、B3、B2、WLTZ5和WLTZ，以此建立云南松林多元線性回歸蓄積量估測(cè)最優(yōu)模型表達(dá)式，如公式(4)所示：

Y=91.654+0.007B1-0.09DVI-0.076Albedo+0.095B7+0.138B5+0.087B3+0.104B2+0.016WLTZ5-0.275WLTZ

(4)

4.3 蓄積反演

圖15為采用多元線性回歸模型進(jìn)行的研究區(qū)蓄積量反演圖。

圖16為采用隨機(jī)森林模型進(jìn)行的研究區(qū)蓄積量反演圖。

5 結(jié)論與討論

5.1 結(jié)論

文中以云南省宜良縣為研究區(qū)，以森林二類(lèi)調(diào)查數(shù)據(jù)為基礎(chǔ)，遙感數(shù)據(jù)源來(lái)自于Landsat 8 OLI影像，

表3 多元線性回歸模型系數(shù)顯著性

圖15 多元線性模型下研究區(qū)蓄積量反演

圖16 隨機(jī)森林模型下研究區(qū)蓄積量反演

結(jié)合地面角規(guī)控制樣地調(diào)查數(shù)據(jù)，提取紋理特征、植被因子、地形因子和K-T變換這四類(lèi)遙感特征因子，利用多元線性回歸模型和隨機(jī)森林模型建立基于遙感特征因子的森林蓄積量估測(cè)模型，分析模型精度，獲得最優(yōu)估測(cè)模型的自變量，以期尋找較為理想的建模方法，為區(qū)域蓄積量遙感估測(cè)提供一定的理論參考。本研究中多元線性回歸模型的R2為0.236，RMSE為34.5579，擬合精度有待提高。經(jīng)過(guò)模型檢驗(yàn)，該模型擬合誤差較大，精度較低，擬合效果不佳。其原因可能存在于數(shù)據(jù)采集和模型選擇上。宜良研究區(qū)地形地勢(shì)復(fù)雜，在影像數(shù)據(jù)獲取過(guò)程中存在一定程度的誤差，導(dǎo)致在數(shù)據(jù)獲取和處理過(guò)程中存在問(wèn)題，此外，建模模型選擇多元線性回歸模型，忽略了森林?jǐn)?shù)據(jù)的空間效應(yīng)，導(dǎo)致有偏估計(jì)的產(chǎn)生。隨機(jī)森林模型的R2為0.887，RMSE為1.1954，擬合精度極高，可以作為較為理想的建模方法。

目前，森林蓄積量的遙感估測(cè)研究大多集中在多源數(shù)據(jù)和多種模型的蓄積量估測(cè)，本研究嘗試結(jié)合遙感數(shù)據(jù)源，建立蓄積量估測(cè)模型，并對(duì)其進(jìn)行蓄積量反演，為綜合考慮森林的生態(tài)學(xué)意義的森林蓄積量模型構(gòu)建提供參考依據(jù)。

實(shí)測(cè)樣地?cái)?shù)據(jù)的獲取需要消耗極大的人力物力，且外業(yè)成本較高，存在一定的局限性，在研究中通過(guò)二調(diào)數(shù)據(jù)與遙感特征因子相結(jié)合：一方面，解決地面數(shù)據(jù)與蓄積量匹配上存在的問(wèn)題；另一方面，可以從二調(diào)數(shù)據(jù)中獲取較為精確的數(shù)據(jù)來(lái)進(jìn)行研究，進(jìn)一步提高蓄積量模型的精度和估測(cè)能力，以期實(shí)現(xiàn)遙感特征因子與森林蓄積量的整合。

5.2 討論

5.2.1 建模方法

本文采用相關(guān)性分析的方法從大量的遙感特征中選取與生物量密切相關(guān)且獨(dú)立性強(qiáng)的變量建立森林生物量遙感估測(cè)模型，這種特征的篩選的方法是依據(jù)線性相關(guān)的大小選取的。而遙感特征與生物量間因子存在明顯的非線性特征。某些與生物量相關(guān)性較低的特征與相關(guān)性較高的特征一起進(jìn)入模型時(shí)，低特征會(huì)在很大程度上影響模型精度，所以利用線性相關(guān)性大小進(jìn)行特征因子選取的合理性存在質(zhì)疑。

隨機(jī)森林作為非參數(shù)模型，可以很好地彌補(bǔ)參數(shù)模型的不足，從而大大提高精度，欠缺之處在于不能了解非參數(shù)模型的工作原理，但也可以為預(yù)測(cè)蓄積量提供一種可能性。

5.2.2 模型精度

本文研究所用的建模樣本為森林資源二類(lèi)調(diào)查數(shù)據(jù)，樣地調(diào)查采用角規(guī)控制檢尺的方法，還受調(diào)查者經(jīng)驗(yàn)及調(diào)查時(shí)天氣影響等，導(dǎo)致調(diào)查精度不高，加之遙感影像在高山峽谷處易變形，導(dǎo)致與地面實(shí)際樣地的空間位置匹配度降低，影響模型的精度。此外，Landsat8 OLI數(shù)據(jù)主要是森林植被表層的光譜數(shù)據(jù)信息，缺少垂直結(jié)構(gòu)信息，并且在一定程度上還會(huì)出現(xiàn)遙感信息飽和，導(dǎo)致蓄積量估測(cè)精度低。最后，由于地形、大氣和傳感器的不同等造成遙感數(shù)據(jù)與地物間的對(duì)應(yīng)關(guān)系極其復(fù)雜。影像的處理達(dá)不到理想的狀態(tài)，也是導(dǎo)致模型精度不高的主要原因[13～17]。

5.2.3 展望

(1)研究以Landsat8 OLI數(shù)據(jù)為遙感數(shù)據(jù)源，但數(shù)據(jù)所承載的信息有限，容易出現(xiàn)數(shù)據(jù)飽和現(xiàn)象。在今后的研究中將探索使用多源數(shù)據(jù)融合方法實(shí)現(xiàn)蓄積量估測(cè)。

(2)遙感數(shù)據(jù)是森林生物量遙感估測(cè)的基礎(chǔ)。但獲取的遙感數(shù)據(jù)普遍存在飽和現(xiàn)象，這也是影響估測(cè)精度的主要原因。下一步應(yīng)加入地形、地貌、海拔等環(huán)境影響因素，進(jìn)一步解決遙感數(shù)據(jù)估測(cè)森林蓄積量飽和點(diǎn)的準(zhǔn)確性。