張巍巍 ，馮仲科 ，汪笑安 ，張 雷 ，李丹丹，張 凝

（1.北京林業(yè)大學(xué) 測繪與3S技術(shù)中心，北京 100083；2.西南林業(yè)大學(xué)，云南 昆明 650224；3.住房和城鄉(xiāng)建設(shè)部規(guī)劃中心，北京 100835）

基于TM影像的林木參數(shù)提取和樹高估測

張巍巍1，馮仲科1，汪笑安3，張 雷2，李丹丹1，張 凝1

（1.北京林業(yè)大學(xué) 測繪與3S技術(shù)中心，北京 100083；2.西南林業(yè)大學(xué)，云南 昆明 650224；3.住房和城鄉(xiāng)建設(shè)部規(guī)劃中心，北京 100835）

基于TM影像和樣地數(shù)據(jù)，利用ERDAS處理軟件平臺,從影像中提取出可能與樹高相關(guān)的遙感因子，并結(jié)合實測數(shù)據(jù)，通過多元分析中的因子分析及偏相關(guān)分析，獲得對樹高有顯著性影響的自變量因子，運(yùn)用逐步回歸法建立樹高估測模型。本研究以旺業(yè)甸林場為研究區(qū)域，其中以針葉林為主要研究對象，利用3倍標(biāo)準(zhǔn)差法進(jìn)行數(shù)據(jù)篩選和偏相關(guān)分析，可得到該模型的相關(guān)系數(shù)較高（R=0.808）,再利用剩余的18塊未參加建模實地調(diào)查數(shù)據(jù)進(jìn)行檢驗。結(jié)果表明，估測樹高的總精度可達(dá)到88.55%。具有較好的估測效果。

林業(yè)遙感；植被指數(shù)；多元逐步回歸；樹高；誤差分析

森林是一個多資源、多功能的生態(tài)系統(tǒng)綜合體，在提供森林資源、調(diào)節(jié)氣候、涵養(yǎng)水源、防止土地沙漠化、保護(hù)生物多樣性和維護(hù)生態(tài)平衡等方面蘊(yùn)含著巨大的價值。傳統(tǒng)的森林資源調(diào)查方法一般都需要大量的工作，并且要進(jìn)入林區(qū)當(dāng)中，工作環(huán)境十分艱苦，因而在一個大范圍和地形較復(fù)雜區(qū)域應(yīng)用時具有諸多限制、存在一定危險。本文利用TM影像，提取林木的參數(shù)因子，估測出樹高，樹高是指從地面到樹干頂端的垂直距離，它是森林資源調(diào)查中一個重要參數(shù)，可以用來估測森林蓄積量、材積量、生物量、樹木生長和碳儲存情況等。

1 試驗地概況

研究采用2010年內(nèi)蒙古自治區(qū)赤峰市旺業(yè)甸TM影像圖，作為遙感數(shù)據(jù)信息源。赤峰市地處自治區(qū)東部，地理坐標(biāo) 41°17′10″～ 45°24′15″N，116°21′07″～ 120°58′52″E。結(jié)合已經(jīng)調(diào)查的 201 塊實地小班數(shù)據(jù)，從中選取小班數(shù)據(jù)中的針葉林?jǐn)?shù)據(jù)。并收集旺業(yè)甸區(qū)域的地形圖及相關(guān)資料（見圖1）。

圖1 TM影像和小班數(shù)據(jù)疊加Fig.1 Data overlap of TM images and small class

2 研究方法

根據(jù)赤峰市旺業(yè)甸遙感圖像和實地調(diào)查取得的森林參數(shù)，設(shè)置可能影響樹高估測的RS和GIS因子，結(jié)合已經(jīng)獲得的1∶10 000比例尺地形圖，對旺業(yè)甸區(qū)域的遙感圖像進(jìn)行幾何精校正，并將有坐標(biāo)的樣地點(diǎn)數(shù)據(jù)疊加到遙感影像上，確定樣地位置，提取出每個樣地點(diǎn)所對應(yīng)的遙感信息及地理信息；然后進(jìn)行影響蓄積估測的遙感比值波段的設(shè)置，選定可能影響樹高估測的參數(shù)因子；對野外調(diào)查的樣地進(jìn)行篩選，剔除突變數(shù)據(jù)，利用有效的樣地數(shù)據(jù)建立樹高估測方程；方程建立之后，用實測樣地的樹高和方程所計算的樹高進(jìn)行比較，檢查驗證樹高估測模型的準(zhǔn)確性和誤差值；分析樹高估測方程所能達(dá)到的精度。

3 遙感數(shù)據(jù)處理及信息提取

目前，遙感已成為地面各種研究的重要的信息源，遙感信息具有準(zhǔn)確性、實時性、客觀性、及時性和多樣化的特點(diǎn)，并且有動態(tài)性的周期特征，遙感信息多樣化主要是數(shù)字信息、圖像信息、多波段信息、二維平面信息和三維空間信息，拓寬了森林樹高研究的廣度和深度。在進(jìn)行森林樹高研究時，利用遙感技術(shù)獲取信息是一種較為先進(jìn)的信息獲取技術(shù)，更是一種有效的研究方法，它為森林樹高預(yù)估、生物量和蓄積量估測提供信息源，從多角度分析影響森林樹木生長的因素，使得在森林樹高估算的領(lǐng)域上，精度得到極大的提高。

3.1 遙感信息處理及應(yīng)用

利用以獲取TM影像和監(jiān)測區(qū)域地面樣地點(diǎn)的調(diào)查數(shù)據(jù)，提取可能影像森林樹高估測的遙感因子和GIS因子，首先對影像數(shù)據(jù)進(jìn)行校正，再通過ERDAS軟件和ArcGIS軟件提取出可能與估測樹高相關(guān)的因子，由于TM遙感影像各波段信息與植物波譜的反射特性呈線性相關(guān)，遙感信息提取包括TM各波段的灰度值及波段間灰度的比。

參與建立樹高估測方程樣地的GIS信息需通過地面調(diào)查獲取，主要包括地類、優(yōu)勢樹種、齡組、郁閉度、冠幅、樹高等。在建立樹高估測方程后，對監(jiān)測區(qū)域進(jìn)行樹高估測時，也需將監(jiān)測區(qū)域的遙感影像轉(zhuǎn)換為與樣地大小相同單位的遙感影像，再主要利用ArcGIS軟件,通過監(jiān)測區(qū)域內(nèi)的DEM模型、坡度、坡向等專題圖獲取。

3.2 遙感信息提取

遙感信息包括TM影像各波段的灰度值及灰度比值。本研究采用的是30 m空間分辨率的遙感圖像，考慮到TM遙感圖像各波段的特點(diǎn)及植物波譜反射特性與植物分布密度呈線性相關(guān)，已有專家和學(xué)者對此進(jìn)行了分析。因此利用ERDAS軟件提取出相關(guān)的遙感因子。

3.3 地理信息提取

植物的生長離不開水分和熱量，而水熱條件又和濕度、坡向、坡度等地理位置密切相，因此參加樹高估測模型的主要地理因子應(yīng)包括濕度、坡向、坡度等。這些主要的因子的信息可以從地形圖上或DEM獲得。

3.3.1 坡向

樹木生長離不開光合作用、濕度、溫度與坡向等，而坡向?qū)淠旧L有很大的作用，所以把坡向也作為樹高估測的一個因子，具體可以分為3類：陰坡、陽坡、全坡向。其中陰坡主要包括東北坡、西北坡、東坡和北坡；陽坡主要包括南坡、西坡、東南坡和西南坡；全坡向單獨(dú)為一類。坡位和坡度也是影響森林林木分布的重要的地理因子，所以應(yīng)該把坡位和坡度也作為森林樹高估測的因子。具體的坡向分類及取值見表1。

表1 坡向分類及取值Table 1 Classification and value of slope aspect

3.3.2 坡 度

土層厚度與坡度有關(guān)，樹高估測也會受坡度影像，將坡度按0～100、100～200、300～400、400～500、500～600、600以上劃分為5級并分別賦值（見表2）。

表2 坡度分級及取值Table 2 Classification and value of gradient

利用ERDAS軟件，加載多波段組合波段的影像，進(jìn)行NDVI、RVI、DVI等信息的提取，再應(yīng)用ArcGIS軟件，利用已有的NDVI、RVI等影像數(shù)據(jù)和外業(yè)實測的數(shù)據(jù)，提取出小班樣地的相關(guān)信息及灰度值信息。通過以獲得的DEM影像數(shù)據(jù)和ArcGIS的空間分析功能，提取出相關(guān)的地理因子，如：坡度，坡向及濕度等。

4 數(shù)據(jù)篩選

利用3倍標(biāo)準(zhǔn)差法對樣本的差異數(shù)據(jù)進(jìn)行篩選，即凡是滿足|Xi-X|＞3e （e為樣本的標(biāo)準(zhǔn)偏差，Xi為樣本參數(shù)值，X為樣本參數(shù)平均值）的參數(shù)數(shù)據(jù)給予剔除。

TM影像數(shù)據(jù)共中有7個波段，但不是所有波段都是信息提取的最優(yōu)波段，所以需要對波段進(jìn)行選擇。選擇最佳波段信息主要考慮三方面因素：(1)波段之間的相關(guān)性較小；(2)所選擇的波段信息量相對較大；(3) 組合波段的數(shù)據(jù)對所研究地物類型要有明顯的光譜差異。

目前有很多種選取方法，而在眾多方法中,由美國查維茨提出的最佳指數(shù)法（OIF，I）綜合考慮了各波段間的相關(guān)性及單波段圖像的信息量問題，更接近于波段選擇的原則，并且計算簡單,易于實現(xiàn)，得到了廣泛的應(yīng)用。指數(shù)的計算公式如下：

其中：i和j為波段數(shù)，Si為波段的標(biāo)準(zhǔn)差，Rij為i、j兩個波段的相關(guān)系數(shù)。對于n個波段的遙感影像，應(yīng)先計算出單波段圖像的標(biāo)準(zhǔn)差及各波段間的相關(guān)系數(shù)矩陣，再分別求出所有可能的波段組合所對應(yīng)的OIF指數(shù)，根據(jù)該指數(shù)值的大小來判斷各種波段組合的優(yōu)劣。指數(shù)越大，則說明相應(yīng)組合波段影像所包含的信息量就越大。把求得的OIF指數(shù)按照從大到小進(jìn)行排序，OIF指數(shù)最大的所對應(yīng)的波段組合即為最佳波段組合。選出最優(yōu)影響因子（見表3），再利用篩選后的數(shù)據(jù)構(gòu)建樹高估測模型。

表3 自變量表示形式Table 3 Representation of variables

5 多元線性估測模型及精度檢驗

5.1 模型的建立

線性回歸是假設(shè)自變量和因變量之間為線性關(guān)系，用一定的線性回歸模型來擬合因變量和自變量的數(shù)據(jù)，并通過確定模型參數(shù)來確定回歸方程。采用逐步回歸方法對所有變量因子進(jìn)行處理，主要是指自變量由多到少逐個從回歸方程中剔除相關(guān)性小的因子。先對預(yù)定選定自變量全部進(jìn)行回歸，模型概況如表4所示，精度R可達(dá)到80.8%。而顯著性在0.1范圍內(nèi)滿足要求，提高模型擬合的精度，結(jié)果如表5所示。

表4 樹高因變量模型概況?Table 4 Tree height dependent variable model

表5 樹高因變量回歸分析結(jié)果?Table 5 Regression analysis results of tree height dependent variable

根據(jù)回歸分析結(jié)果，可以應(yīng)用其中的系數(shù)擬合出平均樹高方程：

5.2 精度分析

精度評價是遙感解譯工作中很重要的一項任務(wù)，利用隨機(jī)采樣的方式對分類結(jié)果進(jìn)行分析，并且用圖像的一部分像元進(jìn)行分類的精度分析，通過野外實測、利用分辨率更高的影像數(shù)據(jù)或現(xiàn)狀分布圖作為參考類別。本文中采用野外實測的方法進(jìn)行分析，用未參與建模的18塊小班樣地進(jìn)行精度檢驗。應(yīng)用平均樹高估測模型計算得出的樹高總體精度為88.55%；最高精度可達(dá)到98.05%，再如圖2所示已知樹高和估測樹高總體上變化趨勢較一致，模型擬合精度較好，估測效果較好，能滿足要求林。

圖2 森林樹高模型預(yù)測值及實測值Fig. 2 Predictive and measured values of forest tree height model

6 結(jié) 論

模型適用性檢驗表明，所建估測模型測算的樹高估測值與調(diào)查實測值基本相符，無顯著差異，可滿足生產(chǎn)實踐的需求。進(jìn)行建立樹高估測模型中，數(shù)據(jù)及自變量的篩選采用3倍標(biāo)準(zhǔn)差法進(jìn)行異常數(shù)據(jù)的剔除及逐步回歸法，確定變量因子是一種較好的數(shù)據(jù)變量處理方法，通過該方法所構(gòu)建的模型的估測精度較好。通過遙感技術(shù)建立樹高估測模型，可利用遙感技術(shù)的實時性、動態(tài)性等特點(diǎn)，建立相應(yīng)林分估測模型數(shù)據(jù)庫，并與GIS結(jié)合起來，可實現(xiàn)林分資源狀況的動態(tài)監(jiān)測，為林業(yè)工作者的經(jīng)營管理提供決策支持，以及時準(zhǔn)確地把握林業(yè)生產(chǎn)，促進(jìn)林業(yè)的可持續(xù)發(fā)展。

[1] 彭望琭.遙感概論[M].北京:高等教育出版社,2002:100-218.

[2] 馮仲科．“3S”技術(shù)及其應(yīng)用[M].北京:中國林業(yè)出版社,2001.

[3] 黃偉平,譚三清,張 貴,等.估測森林蓄積量的遙感因子選擇研究[J].中南林業(yè)科技大學(xué)學(xué)報,2010,30(4):12-16.

[4] 楊文久.遙感數(shù)字圖像的配準(zhǔn)和鑲嵌[M].北京:中國遙感進(jìn)展,1992.

[5] 周昕葳.基于3S技術(shù)的北京市濕地動態(tài)監(jiān)測與評價方法研究[D].北京:首都師范大學(xué),2006.

[6] 范文義,李明澤,楊金明.長白山林區(qū)森林生物量遙感估測模型[J].林業(yè)科學(xué),2011,(10):12-16.

[7] 董 宇.我國森林生物量估測方法研究進(jìn)展[J].安徽農(nóng)業(yè)科學(xué),2011,(34):21-26.

[8] 汪少華,張茂震,趙平安,等.基于TM影像、森林資源清查數(shù)據(jù)和人工神經(jīng)網(wǎng)絡(luò)的森林碳空間分布模擬[J].生態(tài)學(xué)報,2011, (4):12-16.

[9] 馬擇清,劉琪璩.基于TM遙感影像的濕地松林生物量研究[J].自然資源學(xué)報,2008,23(3):467-478.

[10] 王光華,劉琪瑕,劉文慧,等.北京主要森林類型碳儲量[J].北京林業(yè)大學(xué)學(xué)報,2011,33(s1):84-89.

[11] 趙憲文,李崇貴,基于“3S”的森林資源定量估測[M].北京:中國科學(xué)技術(shù)出版社,2008.

[12] Perttuanttila.Nonparametric estimation of stand volume using spectral and spatial feature sofaerial photograph sand old inventory data[J].Canadian Journal of Forest Research, 2002,32(10): 1849-1857.

[13] Muinonen E, Maltamo M H, Vainikainen. Forest stand characteristics estimation using a most similar neighbor approach and image spatial structure information[J]. Remote Sense Environ., 2001,78:223-228.

[14] 張秋江,袁亞東.用遙感及實測回歸估計森林蓄積量[J].東北林業(yè)大學(xué)學(xué)報,1997,25(2):18-23.

[15] 潘建平,葉煥倬.基于遙感分類的植被覆蓋度提取[J].測繪信息與工程,2007,32(6):17-19.

[16] 楊志剛.紋理信息在遙感影像分類中的應(yīng)用[D].南京:南京林業(yè)大學(xué),2006.

[17] 王 雪,衛(wèi)發(fā)興,崔志新.3S技術(shù)在林業(yè)中的應(yīng)用[J].世界林業(yè)研究,2005,(2):12-16.

[18] 李崇貴,趙憲文,李春干.森林蓄積量遙感估測理論與實現(xiàn)[M].北京:中國科學(xué)出版社,2006.

[19] 游先祥.遙感原理及在資源環(huán)境中的應(yīng)用[M].北京:中國林業(yè)出版社,2003.

[20] 李雪瑞.天津市土地利用變化與城市擴(kuò)展研究[D].北京:北京林業(yè)大學(xué),2010.

[21] 鄭寧國.多元統(tǒng)計分析線形模型主成分篩選準(zhǔn)則研究[J].沈陽航空工業(yè)報,2002,19(2):70-71.

[22] 劉建平,趙英時.高光譜遙感數(shù)據(jù)解譯的最佳波段選擇方法研究[J].中國科學(xué)院研究生院學(xué)報,1999,16(2):153-161.

[23] Burt P J, Adelson E H. The LapIacian Pyramid as a Compact Image Code[J]. IEEE Transon Communications, 1983, 31(4):532-540.

[24] Bannari A, Asalh H, TeiIlet P M. Transfbrmed Difference Vegetation Index(TDVI) for Vegetation Cover Mapping[C].IGARSS, Toronto, Ontario, 2002.

[25] 游先祥.遙感原理及其在資源環(huán)境中的應(yīng)用[M].北京:中國林業(yè)出版社,2003:7-244.

[26] 萬培余.王育文.劉勝軍,等.森林蓄積量估測模型建立優(yōu)化與應(yīng)用[J].陜西林業(yè)科技,2007,(3):12-16.

[27] 郭雅麗,陳 勇,關(guān) 銳.用“3S”技術(shù)估測森林蓄積量變量選擇與優(yōu)選[J].科技資訊,2007,(9):12-16.

Trees parameter extraction and tree height estimation based on TM images

ZHANG Wei-wei1, FENG Zhong-ke1, WANG Xiao-an3, ZHANG Lei2, LI Dan-dan1, ZHANG Ning1
(1. Beijing Forestry University, Surveying and Mapping with 3S Technology Center, Beijing 100083, China; 2. Southwest Forestry University, Kunming 650224, Yunnan, China; 3. The Urban and Rural Planning and Mangement Center of Ministry of Housing and Urban-Rural Construction, Beijing 100835, China)

Based on TM images and sample data, by using the ERDAS processing software platform, the remote sensing factors related to tree height were extracted from the images; and by using the measured data, through the factor analysis and partial correlation analysis, the independent variable factors which have significant influences on tree height were extracted, then by using the multivariate stepwise regression method, the tree height estimation model was establish. Through selecting Wangyedian Forest Farm as the survey region, coniferous forest in the area as the studied objects, by using 3 times standard deviation method, the data screening and partial correlation analysis of the forests were conducted with a higher correlation coefficient (R=0.808), and then the remaining 18 plots that did not to participate in the survey data modeling test were examined. The results show that the estimated total tree height accuracy can reach 88.55%.

forestry remote sensing; vegetation index; stepwise multiple regression; tree height; error analysis

S771.8

A

1673-923X(2013)09-0027-05

2012-10-16

國家自然科學(xué)基金項目(30872038)

張巍?。?987-），女，吉林人，碩士研究生，主要從事森林資源監(jiān)測與評價、遙感影像處理及數(shù)據(jù)挖掘、生長模型建立方面的研究； E-mail：woshizhangwei.wei@163.com

馮仲科（1962-），男，甘肅靈臺人，教授，博士生導(dǎo)師，主要從事測繪與3S技術(shù)研究

[本文編校：吳 毅]