魏冉冉，徐天蜀

（西南林業(yè)大學(xué) 林學(xué)院，云南 昆明650224）

1 引言

森林是陸地生態(tài)系統(tǒng)的主體，森林生物量是反映森林生態(tài)系統(tǒng)功能的重要指標(biāo)，約占陸地生態(tài)系統(tǒng)生物量的90%[1]。隨著森林資源的不斷消耗，生態(tài)環(huán)境的日益惡化，加之《京都議定書(shū)》國(guó)際協(xié)議的簽訂，促使人們加強(qiáng)對(duì)森林生物量的研究，并且更加深刻地認(rèn)識(shí)森林生物量及其影響因子的重要性。

在森林生物量的研究中，利用遙感信息對(duì)較大尺度森林生物量進(jìn)行估算是森林生物量研究的一種重要手段。高山松是橫斷山區(qū)高山地帶的特有種，是中國(guó)松林中分布海拔最高的特有類(lèi)型[2]，但是基于遙感手段的高山松林生物量研究比較少，尤其是復(fù)雜地形和氣候條件下有地學(xué)信息參與的高山松林生物量估測(cè)模型，所以文章擬利用TM遙感數(shù)據(jù)和相關(guān)地學(xué)信息建立高山松林生物量估測(cè)模型，以期找出研究區(qū)域內(nèi)高山松林生物量估測(cè)最優(yōu)模型，并為在這種環(huán)境下高山松林的研究、開(kāi)發(fā)利用和管理提供參考。

2 森林生物量估算的遙感機(jī)理

森林生物量估算的遙感機(jī)理主要表現(xiàn)在：植被的遙感圖像信息是由其反射的光譜特征決定的，植物的光合作用表現(xiàn)為對(duì)紅光和藍(lán)紫光的強(qiáng)烈吸收而使其反射光譜曲線在該部分呈現(xiàn)波谷形態(tài)，所以，植物的反射光譜特征反映了植物的葉綠素含量和生長(zhǎng)狀況，而葉綠素含量和葉生物量相關(guān)，葉生物量又與群落生物量相關(guān)，因此，可根據(jù)植物反射光譜特征，利用遙感信息來(lái)估算陸地植被生物量[3，4]。本文根據(jù)該機(jī)理利用樣地植被的遙感光譜信息、植被指數(shù)和相關(guān)地學(xué)信息建立高山松林生物量估算模型。

3 基礎(chǔ)數(shù)據(jù)

3.1 研究區(qū)概況

本文以香格里拉縣為研究區(qū)域，其地理坐標(biāo)為東經(jīng)99°20′～100°19′和北緯26°52′～28°52′。主要研究區(qū)域位于云南省西北部迪慶州的東北部。該區(qū)地處有“世界第三極”之稱(chēng)的青藏高原南端，地勢(shì)由西北向東南傾斜，山脈、河流南北縱貫，相向并列，高差大，山高谷深，地形復(fù)雜，其中高山松林樣地分布在3000m左右的亞高山地區(qū)。區(qū)域內(nèi)氣候主要為立體氣候和高原氣候，而且由于地形影響形成地形小氣候，并且受西南季風(fēng)和南支西風(fēng)急流的交替控制，氣候條件復(fù)雜。這些因素決定了該研究區(qū)域的遙感圖像更容易受外界環(huán)境的干擾。

3.2 樣地實(shí)測(cè)生物量

2011年香格里拉地區(qū)的高山松林為本文研究對(duì)象，利用角規(guī)控制檢尺的方法對(duì)研究區(qū)域內(nèi)的高山松林進(jìn)行調(diào)查。在每塊林分中隨機(jī)布設(shè)角規(guī)點(diǎn)，記錄每個(gè)角規(guī)點(diǎn)的GPS坐標(biāo)，利用該方法對(duì)入選木進(jìn)行每木測(cè)量，并以相關(guān)生長(zhǎng)方程先求出樣地蓄積量，再利用生物量—蓄積量模型求出樣地生物量。本文采用黃從德在《生態(tài)學(xué)報(bào)》上發(fā)表的高山松林生物量和蓄積量的函數(shù)轉(zhuǎn)換模型即W＝0.5272V1.0793來(lái)獲得樣地實(shí)測(cè)高山松林生物量，其中W 為生物量，V為蓄積量，該模型是在林分平均碳含量系數(shù)為51%～53%時(shí)得到的。

3.3 遙感因子的提取

3.3.1 波段光譜值的提取

遙感數(shù)據(jù)采用2009年Landsat－5TM影像，數(shù)據(jù)除去第6波段即熱紅外波段的幾何分辨率為120m×120m外，其余波段的幾何分辨率均為30m×30m。在對(duì)TM圖像進(jìn)行輻射校正和大氣校正之后，利用1∶50000香格里拉地形圖，選取50個(gè)明顯的地物點(diǎn)對(duì)TM影像進(jìn)行幾何精校正，使得校正后的圖像誤差在一個(gè)像元以?xún)?nèi)。校正后的像元大小為30m×30m。利用ENVI和ArcGIS軟件提取波段光譜值和每個(gè)樣地對(duì)應(yīng)的各個(gè)波段光譜值，作為生物量建模的因子。

3.3.2 植被指數(shù)的提取

不同的光譜通道所獲得的植被信息有著各自的特點(diǎn)，僅用個(gè)別波段或多個(gè)單波段數(shù)據(jù)來(lái)提取植被信息是相當(dāng)局限的，因而常常選用多光譜遙感數(shù)據(jù)經(jīng)線性或非線性組合，產(chǎn)生對(duì)植被長(zhǎng)勢(shì)、生物量等有一定指示意義的植被指數(shù)加以分析[5，6]。在ENVI和ArcGIS軟件的支持下，利用遙感圖像提取植被的NDVI、RVI、EVI、GVI、BI和WI6個(gè)植被指數(shù)作為生物量建模的相關(guān)因子。

歸一化植被指數(shù)：NDVI＝（TM4－TM3）/（TM4＋TM3）

比值植被指數(shù)：RVI＝TM4/TM3

增強(qiáng)植被指數(shù)：EVI＝2.5×（（TM4－TM3）/（TM4＋6×TM3－7.5×TM1＋1）），它通過(guò)加入藍(lán)波段以增強(qiáng)植被信號(hào)，矯正土壤背景和氣溶膠散射的影響。

TM圖像在可見(jiàn)光～紅外7個(gè)波段的數(shù)據(jù)中富含很豐富的植被信息，經(jīng)過(guò)纓帽變換之后數(shù)據(jù)的前3個(gè)因子就反映了植被的土壤亮度BI、濕度WI和綠度GVI特征。

Bright＝0.3037TM1＋0.2793TM2＋0.4743TM3＋0.5585TM4＋0.5082TM5＋0.1863TM7

Green＝ －0.2848TM1－0.2435TM2－0.5436TM3＋0.7243TM4＋0.0840TM5－0.1800TM7

Wet＝0.1509TM1＋0.1973TM2＋0.3279TM3＋0.3406TM4－0.7112TM5－0.4572TM7 3.3.3 地學(xué)因子的提取

以經(jīng)過(guò)幾何精校正的TM圖像為底圖，矢量化等高線生成數(shù)字高程圖DEM，并在ArcGIS中生成不規(guī)則三角形格網(wǎng)（TIN），然后轉(zhuǎn)化成規(guī)則格網(wǎng)（Grid），提取各樣地包括海拔、坡度在內(nèi)的地學(xué)因子參與生物量的估算。

4 高山松林生物量模型

4.1 基于逐步回歸分析的生物量模型

在自變量很多時(shí)，其中很多因子可能對(duì)因變量的影響不是很大，而且自變量之間會(huì)存在各種相互關(guān)系，在這種情況下可以選用逐步回歸分析方法對(duì)自變量進(jìn)行篩選分析，并篩選出有顯著影響的因子作為自變量，這樣建立的多元回歸模型的估測(cè)效果會(huì)比較好。

在SPSS軟件的支持下，對(duì)參與生物量估算的14個(gè)因子進(jìn)行篩選，得到6個(gè)生物量逐步回歸估算模型。從模型匯總表格給出的6個(gè)模型的擬合結(jié)果可以看出，模型6的R值是6個(gè)模型中最大的，也就是說(shuō)模型6的擬合程度最高，所以選擇模型6作為生物量逐步回歸分析的模型，其因子作為參與建立生物量模型的變量。

如表1所示，系數(shù)表格給出了模型6的回歸系數(shù)估計(jì)值。根據(jù)模型6各個(gè)自變量的回歸系數(shù)估計(jì)值建立生物量估算模型，即：

生物量Y＝－3.363－4.737×WI＋5.130×B5－0.446×坡度＋0.073×海拔－8.895×B3＋9.016×B2，其中Y 為高山松林生物量（t·hm－2）。

表1 模型6回歸系數(shù)

4.2 基于主成分分析的生物量模型

在生物量的定量評(píng)價(jià)中，通常采用多元線性回歸或逐步回歸方法建立生物量與遙感及地學(xué)因子回歸模型。這種方法簡(jiǎn)便易行，但回歸模型中的變量可能存在多重相關(guān)性，從而影響模型的精度，甚至出現(xiàn)病態(tài)模型[7]。為了解決變量之間信息的高度重疊和高度相關(guān)性帶來(lái)的障礙，削減變量個(gè)數(shù)、保持信息完整性并避免信息丟失的主成分分析方法應(yīng)運(yùn)而生。

采用主成分分析方法提取14個(gè)因子的主成分，再建立主成分與生物量的回歸模型，由于主成分之間具有相互正交的特性，多個(gè)主成分之間相互獨(dú)立，這樣既可保留遙感及地學(xué)信息的主要特征，又可避免變量之間多重相關(guān)[8]。

4.2.1 生物量建模因子的相關(guān)性分析

從45個(gè)樣地的14個(gè)因子的相關(guān)系數(shù)矩陣分析可知B1和B2、B2和B3、B2和BI、B3和BI、B5和B7、B5和WI、B7和WI這些因子之間存在顯著的相關(guān)性，其相關(guān)性都在0.95以上。若利用這14個(gè)因子直接建模，則存在著嚴(yán)重的多重相關(guān)問(wèn)題。如果直接剃除顯著相關(guān)的變量，可能會(huì)造成信息損失。因此，擬采用提取主成分的方法，建立基于主成分的森林生物量估測(cè)模型。

4.2.2 提取主成分

對(duì)原始數(shù)據(jù)進(jìn)行主成分分析，當(dāng)主成分滿(mǎn)足以下條件之一：①累積方差貢獻(xiàn)率到達(dá)85%～95%；②累計(jì)特征值乘積≥1[9]，就可以認(rèn)為這n個(gè)主成分代表了原來(lái)m個(gè)因子的主要信息，至此主成分分析結(jié)束。

從總方差解釋表中得出前5個(gè)主成分的累積方差累積貢獻(xiàn)率達(dá)到96.764%，并且涵蓋了原始變量的主要信息，符合主成分提取要求，所以提取前5個(gè)主成分作為高山松林生物量建模的輸入變量，并根據(jù)因子載荷矩陣建立主成分的特征向量矩陣，建立各個(gè)主成分分量模型。

4.2.3 建立主成分生物量模型

根據(jù)主成分特征向量矩陣建立以下5個(gè)主成分分量模型：

利用已建立的5個(gè)主成分分量方程，計(jì)算45個(gè)樣本的5個(gè)主成分值。以主成分值作為自變量，樣地生物量為因變量，建立森林生物量線性回歸估測(cè)模型：

該生物量估測(cè)模型中，Y為高山松林生物量（t·hm－2），Y1～Y5為5個(gè)主成分值。

5 模型結(jié)果及檢驗(yàn)

對(duì)建立的基于逐步回歸分析和主成分分析的高山松林生物量模型分別進(jìn)行方差分析和線性回歸關(guān)系的顯著性檢驗(yàn)，其結(jié)果見(jiàn)表2和表3。

表2 逐步分析模型方差

表3 主成分分析模型方差

如表2表3所示：從F分布統(tǒng)計(jì)表中可以查出在0.01的顯著性水平下，F(xiàn)檢驗(yàn)達(dá)到顯著水平，Sig＜0.05，兩個(gè)高山松林生物量模型和參與模型的因子之間具線性相關(guān)關(guān)系，相關(guān)系數(shù)R分別為0.519和0.581。根據(jù)建立的生物量估算模型計(jì)算生物量擬合值，結(jié)果見(jiàn)圖1。

6 結(jié)果與討論

（1）本文利用逐步回歸分析和主成分分析兩種方法分別建立高山松林生物量估測(cè)模型，從模型結(jié)果中可以看出，基于主成分分析的生物量估測(cè)模型消除了逐步回歸模型變量的多重相關(guān)性，同時(shí)盡可能保留了變量信息的完整性，并提高了模型的估測(cè)精度。

圖1 實(shí)測(cè)生物量與模型擬合值

（2）本文采用的兩種建模方法得到的結(jié)果中，高山松林生物量模型的精度分別為0.519和0.581，估測(cè)精度較低，如何提高模型的估測(cè)精度有待進(jìn)一步研究。

影響估測(cè)精度的原因有以下幾點(diǎn)：①樣地的坐標(biāo)、高程定位采用手持式GPS，由于GPS定位精度的影響，像元會(huì)出現(xiàn)偏移；②樣地生物量是利用生物量－蓄積量的轉(zhuǎn)化模型計(jì)算得出的，該模型不完全適應(yīng)研究區(qū)域，因而計(jì)算出的數(shù)據(jù)較之實(shí)際數(shù)據(jù)存在誤差；③樣地調(diào)查方法采用角規(guī)檢尺的方法，樣地大小不確定，與TM圖像像元大小有較大出入，加之樣地位于高山峽谷之間導(dǎo)致遙感圖像的變形，使得地面實(shí)測(cè)數(shù)據(jù)和像元空間位置的平配性降低；④樣地?cái)?shù)量較少，不是均勻分布于研究區(qū)域，并且樣地分布區(qū)域的環(huán)境有很大差別，例如小區(qū)域干熱河谷和濕度相對(duì)較大的地區(qū)，或者海拔較高地區(qū)陰坡和陽(yáng)坡，其森林生長(zhǎng)程度及各種反映在TM圖像上的光譜特征如濕度、綠度，甚至植被分布的高度都有差別；⑤在實(shí)際樣地調(diào)查中，存在森林人工破壞和自然破壞的影響，這種情況下的樣地生物量和其他樣地有較大差別；⑥TM光學(xué)影像只能獲取樣地森林的表層光譜信息，缺少立體垂直信息，進(jìn)而影響生物量的估測(cè)精度[10]。

（3）本研究以角規(guī)檢尺為調(diào)查方法，在每木胸徑調(diào)查的基礎(chǔ)上進(jìn)行基于光學(xué)遙感數(shù)據(jù)的生物量估算，能快速地對(duì)復(fù)雜的地形和氣候條件下的高山松林生物量進(jìn)行定量評(píng)價(jià)，并為以后香格里拉縣高山松林的研究、開(kāi)發(fā)利用和保護(hù)、管理，以及動(dòng)態(tài)監(jiān)測(cè)研究提供參考。

[1]徐新良，曹明奎.森林生物量遙感估算與應(yīng)用分析[J].地理信息科學(xué)，2006，8（4）：122～128.

[2]吳兆錄，黨乘林，王崇云，等.滇西北高山松林生物量的初步研究[J].云南大學(xué)學(xué)報(bào)，1994，9（3）：220～224.

[3]張佳華，符淙斌.生物量估測(cè)模型中遙感信息與植被光合參數(shù)的關(guān)系研究[J].測(cè)繪學(xué)報(bào)，1999，28（2）：128～129.

[4]國(guó)慶喜，張 鋒.基于遙感信息估測(cè)森林的生物量[J].東北林業(yè)大學(xué)學(xué)報(bào)，2003，31（2）：13～16.

[5]楊存建，劉紀(jì)遠(yuǎn)，張?jiān)鱿?熱帶森林植被生物量遙感估算探討[J].地理與地理信息科學(xué)，2004，20（6）：22～25.

[6]趙英時(shí).遙感應(yīng)用分析原理與方法[M].北京：科學(xué)出版社，2003.

[7]徐文科，蔡體久，琚存勇.基于RS和GIS的毛烏素沙地荒漠化程度定量估測(cè)[J].林業(yè)科學(xué)，2007，43（5）：48～53.

[8]徐天蜀，張王菲，岳彩榮.基于PCA的森林生物量遙感信息模型研究[J].生態(tài)環(huán)境，2007，16（6）：1759～1762.

[9]吳曉麗.滇中地區(qū)云南松林生物量及碳儲(chǔ)量遙感估測(cè)模型研究[D].昆明：西南林業(yè)大學(xué)，2009.

[10]岳彩榮.香格里拉縣森林生物量遙感估測(cè)研究[D].北京：北京林業(yè)大學(xué)，2011.