何長(zhǎng)虹 黃全義 申世飛

(浙江省水利河口研究院，杭州，310020) (清華大學(xué))

責(zé)任編輯:王廣建。

森林火災(zāi)可燃物蓄積量是指單位面積上森林火災(zāi)可燃物的材積或體積，是森林火災(zāi)蔓延模型的可燃物參數(shù)和森林資源調(diào)查的重要因子，可為火災(zāi)蔓延趨勢(shì)性分析服務(wù)［1］。利用傳統(tǒng)的野外調(diào)查方法獲取森林火災(zāi)可燃物蓄積量勞動(dòng)量大、周期長(zhǎng)、效率低。遙感技術(shù)以及計(jì)算機(jī)技術(shù)的發(fā)展，為滿足一定精度要求條件下，快速獲取森林火災(zāi)可燃物蓄積量、減少野外工作量提供了技術(shù)支撐。同時(shí)利用遙感影像可以及時(shí)、準(zhǔn)確地反演森林火災(zāi)可燃物蓄積量，掌握森林資源動(dòng)態(tài)及發(fā)展趨勢(shì)，從而為國(guó)家合理地進(jìn)行森林火災(zāi)救援提供科學(xué)決策依據(jù)［2-8］。

利用TM、ETM+影像數(shù)據(jù)以及部分野外調(diào)查的森林火災(zāi)可燃物蓄積量樣本點(diǎn)數(shù)據(jù)，通過(guò)提取遙感波段因子、比值因子和地形因子，采用多元回歸法、神經(jīng)網(wǎng)絡(luò)法［8］以及支持向量機(jī)法［9-13］，建立森林火災(zāi)可燃物蓄積量模型，并探討各種因子對(duì)森林火災(zāi)可燃物蓄積量模型精度的影響以及建模方法的優(yōu)缺點(diǎn)，進(jìn)而選擇最優(yōu)的森林火災(zāi)可燃物蓄積量模型，對(duì)整個(gè)研究區(qū)域進(jìn)行森林火災(zāi)可燃物蓄積量的反演，制作森林火災(zāi)可燃物蓄積量分布圖。

1 研究區(qū)概況

泰安市地處東經(jīng)116°02'～117°59'、北緯35°38'～36°28'，東西長(zhǎng)約176.6 km，南北寬約93.5 km，土地總面積77.62 萬(wàn)hm2。整個(gè)地勢(shì)自東北向西南傾斜，境內(nèi)擁有多種地貌類(lèi)型，山地、丘陵、平原、洼地、湖泊兼而有之。溫帶大陸性半濕潤(rùn)季風(fēng)氣候區(qū)，四季分明，寒暑適宜，光溫同步，雨熱同季。春季干燥多風(fēng)，夏季炎熱多雨，秋季晴和氣爽，冬季寒冷少雪。年平均氣溫13 ℃，7月份氣溫最高，平均26.4 ℃，1月份最低，平均-2.6 ℃。年降水量697 mm。境內(nèi)泰山海拔1 532.7 m，具有明顯的高山氣候特征。山頂氣溫一般比山下常年低7～8 ℃，年平均降水1 106 mm。研究區(qū)植被覆蓋率達(dá)80%，從山麓拾級(jí)而上，可依次見(jiàn)到落葉林、闊葉針葉混交林、針葉林、高山灌木草叢，林帶垂直界線分明，植被景觀各異?，F(xiàn)有種子植物144 科，989 種。其中木本植物72 科433 種，草本植物72 科556 種;藥用植物111 科462種;林果有木本植物71 科471 種(變種)。經(jīng)濟(jì)樹(shù)種主要有蘋(píng)果(Malus pumila)、梨(Pyrus bretschneideri)、桃(Actinidia arguta)、板栗(Castanea sativa)、核桃(Carya illinoinensis)等30 余種。觀賞性樹(shù)種有40 余種，主要有雪松(Cedrus deodara)、園柏(Sabina chinensis (L.)Ant)、銀杏(Ginkgo biloba L)等。此外，還有珍稀樹(shù)木11 種;名古樹(shù)木16 種884 株，主要有漢柏(Thujopsis dolabrata)、唐槐(Sophora japorica linn)、六朝松(Pinus taiwanensis)等。

2 研究方法

2.1 實(shí)驗(yàn)數(shù)據(jù)

野外森林調(diào)查樣本數(shù)據(jù)有108 個(gè)，比較均勻的分布于整個(gè)區(qū)域。調(diào)查樣地土地的類(lèi)型分為經(jīng)濟(jì)林、人工林、四旁樹(shù)、幼林(未成林)等，土地的類(lèi)型以人工林為主;樣地森林的類(lèi)型分為楊樹(shù)、側(cè)柏、刺槐、蘋(píng)果、板栗、針葉林、針闊混交林等，森林的類(lèi)型以楊樹(shù)為主;野外調(diào)查的樣地蓄積量是單位面積上森林火災(zāi)可燃物蓄積量，需要轉(zhuǎn)化為遙感影像上一個(gè)像元面積對(duì)應(yīng)的森林火災(zāi)可燃物蓄積量，即原來(lái)樣地的蓄積量乘以一個(gè)像元面積是對(duì)應(yīng)像元的森林火災(zāi)可燃物蓄積量。野外調(diào)查樣地對(duì)應(yīng)像元的平均樹(shù)高統(tǒng)計(jì)信息為:最小值為5.1 m，最大值為19.92 m，平均值為11.72 m。野外調(diào)查樣地對(duì)應(yīng)像元的胸徑統(tǒng)計(jì)信息為:最小值為7.4 cm，最大值為21.4 cm，平均值為14.54 cm。野外調(diào)查樣地對(duì)應(yīng)像元的郁閉度統(tǒng)計(jì)信息為:最小值為0.4，最大值為0.8，平均值為0.6。野外調(diào)查樣地對(duì)應(yīng)像元的蓄積量統(tǒng)計(jì)信息為:最小值為1.83 m3/hm2，最大值為12.92 m3/hm2，平均值為6.33 m3/hm2。野外調(diào)查樣地中平均樹(shù)高、胸徑、郁閉度、土壤類(lèi)型等林分屬性跟森林火災(zāi)可燃物蓄積量有很強(qiáng)的相關(guān)性，若這些屬性作為自變量因子參與森林火災(zāi)可燃物蓄積量建模，可以提高森林火災(zāi)可燃物蓄積量模型的精度，但這與基于遙感影像本身進(jìn)行森林火災(zāi)可燃物蓄積量模型探索、不需要輔助數(shù)據(jù)的研究目的相違背，因此，這些野外調(diào)查的林分屬性不參與森林火災(zāi)可燃物蓄積量建模研究。森林資源野外調(diào)查樣地的日期為2009年7月份。根據(jù)地面調(diào)查樣地獲取的日期、研究區(qū)域的地理位置選擇不同時(shí)相的Landsat 5 TM 影像和Landsat 7 ETM+影像作為實(shí)驗(yàn)研究的數(shù)據(jù)源，再根據(jù)實(shí)驗(yàn)數(shù)據(jù)的有無(wú)、質(zhì)量的好壞等情況選擇4幅不同時(shí)相的影像數(shù)據(jù)進(jìn)行實(shí)驗(yàn)研究。野外調(diào)查樣地點(diǎn)分布(見(jiàn)圖1)。

圖1 野外調(diào)查樣地點(diǎn)分布圖

2.2 遙感因子及地形因子提取

遙感因子及地形因子是與森林火災(zāi)可燃物蓄積量分布、大小緊密相關(guān)的一些變量，可以從遙感影像或DEM 中直接獲取，不需要野外調(diào)查。遙感因子是指遙感影像波段的原始灰度值、輻射亮度值、表觀反射率、地表反射率等以及這些波段比值、波段所組合成的植被指數(shù)，遙感影像的波段值經(jīng)過(guò)數(shù)據(jù)預(yù)處理、輻射定標(biāo)、大氣糾正和幾何糾正等處理獲取，植被指數(shù)是各種波段之間的一種簡(jiǎn)單的數(shù)學(xué)運(yùn)算。地形因子是反映森林火災(zāi)可燃物蓄積量所處位置的高低、方位的，比較常用的地形因子有坡度、坡向、海拔等，可以通過(guò)ARCGIS 軟件空間分析擴(kuò)展模塊實(shí)現(xiàn)。遙感因子及地形因子的提取是建立森林火災(zāi)可燃物蓄積量模型的基礎(chǔ)。

遙感因子及地形因子的提取過(guò)程:1)野外調(diào)查數(shù)據(jù)、遙感影像以及DEM 進(jìn)行投影變換，轉(zhuǎn)化為統(tǒng)一的坐標(biāo)系統(tǒng);2)疊加分析，提取與野外調(diào)查樣本點(diǎn)所在位置的遙感影像相關(guān)的遙感因子以及DEM相關(guān)的地形因子。遙感因子與地形因子多而且相互之間存在相關(guān)性，是導(dǎo)致森林火災(zāi)可燃物蓄積量模型復(fù)雜、精度低的重要原因。因此，選擇與森林火災(zāi)可燃物蓄積量相關(guān)性強(qiáng)、自相關(guān)性比較弱的遙感因子及地形因子，對(duì)簡(jiǎn)化森林火災(zāi)可燃物蓄積量模型、提高模型的精度非常重要。通過(guò)遙感因子及地形因子與森林火災(zāi)可燃物蓄積量之間的相關(guān)性分析以及遙感因子及地形因子之間的自相關(guān)性分析，可以實(shí)現(xiàn)森林火災(zāi)可燃物蓄積量模型的自變量?jī)?yōu)化提取。

2.3 森林火災(zāi)可燃物蓄積量建模

森林火災(zāi)可燃物蓄積量建模是在遙感因子及地形因子提取的基礎(chǔ)上，利用野外調(diào)查的森林火災(zāi)可燃物蓄積量數(shù)據(jù)，研究這些樣本點(diǎn)的森林火災(zāi)可燃物蓄積量與樣本點(diǎn)對(duì)應(yīng)的遙感因子及地形因子之間的關(guān)系，來(lái)建立這些因子與森林火災(zāi)可燃物蓄積量之間數(shù)學(xué)關(guān)系的模型，森林火災(zāi)可燃物蓄積量模型的數(shù)學(xué)方程如下:

式中:V 表示遙感影像上每個(gè)像元對(duì)應(yīng)的森林火災(zāi)可燃物蓄積量;f 表示森林火災(zāi)可燃物蓄積量與遙感因子、地形因子之間的映射函數(shù)，可以是線性和非線性關(guān)系;ρ 表示野外調(diào)查的樣本點(diǎn)對(duì)應(yīng)像元的波段反射率，代表跟森林火災(zāi)可燃物蓄積量有相關(guān)關(guān)系的影像波段反射率;VI代表野外調(diào)查的樣本點(diǎn)對(duì)應(yīng)像元的波段反射率經(jīng)過(guò)簡(jiǎn)單的數(shù)學(xué)運(yùn)算得出的植被指數(shù)，跟森林火災(zāi)可燃物蓄積量有非常強(qiáng)的相關(guān)性;Sl代表野外調(diào)查的樣本點(diǎn)對(duì)應(yīng)像元所處的坡度值;as代表野外調(diào)查的樣本點(diǎn)對(duì)應(yīng)像元所處的坡向;h 代表野外調(diào)查的樣本點(diǎn)對(duì)應(yīng)像元所處的海拔高低;lt代表野外調(diào)查的樣本點(diǎn)對(duì)應(yīng)像元所處的緯度;ln代表野外調(diào)查的樣本點(diǎn)對(duì)應(yīng)像元所處的經(jīng)度，這些參數(shù)影響森林火災(zāi)可燃物蓄積量的大小和分布。

采用多元回歸分析法、神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法建立森林火災(zāi)可燃物蓄積量模型。多元回歸分析法屬于傳統(tǒng)的統(tǒng)計(jì)分析方法，是目前采用比較多的數(shù)學(xué)建模方法，它主要通過(guò)研究森林火災(zāi)可燃物蓄積量與遙感因子、地形因子之間的線性關(guān)系，利用最小二乘原理求出模型的最優(yōu)值，能夠給出具體的數(shù)學(xué)模型方程。由于影響森林火災(zāi)可燃物蓄積量的因素眾多，而且這些因素之間存在錯(cuò)綜復(fù)雜的關(guān)系，因此，可燃物蓄積量與遙感因子、地形因子存在非線性關(guān)系。神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法是新的機(jī)器學(xué)習(xí)算法，具有自學(xué)習(xí)、自組織、自適應(yīng)的能力，能夠通過(guò)有限野外調(diào)查森林訓(xùn)練樣本的學(xué)習(xí)，找出森林火災(zāi)可燃物蓄積量與遙感因子、地形因子之間的內(nèi)在聯(lián)系和規(guī)律，進(jìn)而實(shí)現(xiàn)泛化外推。本研究主要是通過(guò)三種方法建立森林火災(zāi)可燃物蓄積量模型，采用野外調(diào)查森林火災(zāi)可燃物蓄積量檢驗(yàn)樣本進(jìn)行驗(yàn)證，然后進(jìn)行對(duì)比分析，找出最優(yōu)的森林火災(zāi)可燃物蓄積量模型，為森林火災(zāi)可燃物蓄積量的反演奠定基礎(chǔ)。

采用支持向量機(jī)法建立的森林火災(zāi)可燃物蓄積量模型的相對(duì)誤差分布(見(jiàn)圖2)，用相對(duì)誤差度量不同影像在相同建模方法的模型精度高低。

圖2 森林火災(zāi)可燃物蓄積量模型的模擬值與真實(shí)值的散點(diǎn)圖

地表反射率影像采用多元回歸法、神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法建立的森林火災(zāi)可燃物蓄積量模型的相對(duì)誤差分布(見(jiàn)圖3)，用相對(duì)誤差度量相同影像下不同建模方法的模型精度高低。

3 森林火災(zāi)可燃物蓄積量反演

森林火災(zāi)可燃物蓄積量的反演是利用森林火災(zāi)可燃物分類(lèi)結(jié)果，確定研究區(qū)域中林地的分布位置，根據(jù)遙感因子及地形因子提取算法，提取對(duì)應(yīng)林地分布位置的遙感因子及地形因子作為森林火災(zāi)可燃物蓄積量模型的輸入?yún)?shù)，進(jìn)而計(jì)算整個(gè)研究區(qū)域森林火災(zāi)可燃物蓄積量，制作研究區(qū)域的森林火災(zāi)可燃物蓄積量分布圖，用于森林火災(zāi)蔓延模擬。

利用遙感影像提取森林火災(zāi)可燃物類(lèi)型的研究實(shí)現(xiàn)了森林火災(zāi)可燃物類(lèi)型的分類(lèi)，通過(guò)實(shí)驗(yàn)得出:采用TM20090830 影像的神經(jīng)網(wǎng)絡(luò)法分類(lèi)的結(jié)果精度最高，分類(lèi)總體精度為98.1610%，林地分類(lèi)精度為99.86%。神經(jīng)網(wǎng)絡(luò)分類(lèi)法進(jìn)行分類(lèi)時(shí)的參數(shù)設(shè)置如下:輸入層的輸入為遙感影像波段的地表反射率，輸出層的輸出為森林火災(zāi)可燃物的類(lèi)型。采用三層的網(wǎng)絡(luò)結(jié)構(gòu)，輸入層數(shù)目為6，輸出層數(shù)目為5，隱含層數(shù)目為10，輸入層與隱含層以及隱含層與輸出層之間的激活函數(shù)為對(duì)數(shù)性函數(shù)，層間權(quán)重的調(diào)節(jié)因子為0.9，學(xué)習(xí)速率為0.2，動(dòng)量因子為0.9，訓(xùn)練停止誤差為0.1，最大訓(xùn)練次數(shù)為1000 次。根據(jù)設(shè)定參數(shù)與要求，進(jìn)行樣本訓(xùn)練學(xué)習(xí)過(guò)程，訓(xùn)練次數(shù)達(dá)到最大次數(shù)時(shí)，訓(xùn)練誤差為0.13。利用分類(lèi)專(zhuān)題圖，可以方便地判斷出遙感影像上森林類(lèi)型所對(duì)應(yīng)的像元，提取這些像元對(duì)應(yīng)的遙感因子、地形因子?；谶b感影像提取森林火災(zāi)可燃物蓄積量的研究，實(shí)現(xiàn)了森林火災(zāi)可燃物蓄積量建模，通過(guò)實(shí)驗(yàn)得出:采用地表反射率的支持向量機(jī)森林火災(zāi)可燃物蓄積量模型精度最高，訓(xùn)練樣本的模型總體精度為86.81 %，檢驗(yàn)樣本的模型的總體精度為82.37 %。支持向量機(jī)法建立森林火災(zāi)可燃物蓄積量模型的參數(shù)設(shè)置如下:采用RBF 核函數(shù)進(jìn)行學(xué)習(xí)，經(jīng)過(guò)優(yōu)化算法確定核函數(shù)的Gama 參數(shù)為0.015 625，補(bǔ)償系數(shù)為0.25。將TM20090830 影像的神經(jīng)網(wǎng)絡(luò)法分類(lèi)圖提取的遙感因子及地形因子作為該模型的輸入?yún)?shù)，采用支持向量機(jī)法對(duì)整個(gè)研究區(qū)域進(jìn)行森林火災(zāi)可燃物蓄積量的反演，計(jì)算出的整個(gè)區(qū)域的森林火災(zāi)可燃物蓄積量為21 148 000 m3。反演的森林火災(zāi)可燃物蓄積量分布(見(jiàn)圖4)。

圖3 森林火災(zāi)可燃物蓄積量模型相對(duì)誤差分布

圖4 研究區(qū)域森林火災(zāi)可燃物蓄積量分布

4 結(jié)論與討論

遙感影像數(shù)據(jù)處理對(duì)森林火災(zāi)可燃物蓄積量模型的精度有影響，在相同的建模方法下，經(jīng)過(guò)輻射定標(biāo)、大氣校正處理后的地表反射率影像的模型精度最高;三種建模方法中，支持向量機(jī)法構(gòu)建的森林火災(zāi)可燃物蓄積量模型精度最高。最后，根據(jù)采用支持向量機(jī)法對(duì)地表反射率影像構(gòu)建的森林火災(zāi)可燃物蓄積量模型進(jìn)行研究區(qū)域的森林火災(zāi)可燃物蓄積量反演，并給出森林火災(zāi)可燃物蓄積量分布圖。

本文通過(guò)對(duì)遙感影像數(shù)據(jù)處理和建模方法兩個(gè)方面因素對(duì)森林可燃物蓄積量建模進(jìn)行研究，研究成果可為森林火災(zāi)蔓延模型中可燃物蓄積量參數(shù)獲取提供方法支持，但在遙感影像數(shù)據(jù)源對(duì)森林可燃物蓄積量模型的影響，以及森林可燃物蓄積量模型在森林火災(zāi)蔓延中應(yīng)用方面需要進(jìn)一步探討。

［1］ 劉月文，楊宏業(yè)，趙淳.森林火災(zāi)蔓延模擬現(xiàn)狀與展望［J］.內(nèi)蒙古林業(yè)科技，2008，34(4):54 -56.

［2］ 楊永恬，李增元，陳尓學(xué)，等.基于ALOS PALSAR 數(shù)據(jù)的森林蓄積量估測(cè)技術(shù)研究［J］.林業(yè)資源管理，2010(1):113 -117.

［3］ 楊永恬.基于多源遙感數(shù)據(jù)的森林蓄積量估測(cè)方法研究［D］.北京:中國(guó)林業(yè)科學(xué)研究院，2010.

［4］ M?kel? H，Pekkarinen A.Estimation of forest stands volumes by Landsat TM imagery and stand - level field - inventory data［J］.Forest Ecology and Management，2004，196(2/3):245 -255.

［5］ Gu H Y，Dai L M，Wu G，et al.Estimation of forest volumes by integrating Landsat TM imagery and forest inventory data［J］.Science in China:Series E Technological Sciences，2006，49(Supp.I):54 -62.

［6］ 張凝，馮仲科，馮躍文，等.旺業(yè)甸實(shí)驗(yàn)林場(chǎng)針葉林蓄積量估測(cè)模型的研究［J］.中南林業(yè)科技大學(xué)學(xué)報(bào)，2013，33(11):83 -87.

［7］ 張超，彭道黎，黨永峰，等.三峽庫(kù)區(qū)森林蓄積量遙感監(jiān)測(cè)及其動(dòng)態(tài)變化分析［J］.東北林業(yè)大學(xué)學(xué)報(bào)，2013，41(11):46 -50.

［8］ 張超，彭道黎，黨永峰，等.結(jié)合影像光譜與地形因子的森林蓄積量估測(cè)模型［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(5):216 -220.

［9］ 飛思科技研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論及MATLAB7 實(shí)現(xiàn)［M］.北京:電子工業(yè)出版社，2005.

［10］ Vapnik V N.The nature of statical learning theory［M］.New York:Springer Verlag，1995.

［11］ Cortes C，Vapnik V N.Support vector networks［J］.Machine Learning，1995，20(3):273 -297.

［12］ Hsu C W，Lin C J.A comparison of methods for multiclass support vector machines［J］.IEEE Transactions of Neural Networks，2002，13(2):415 -425.

［13］ Kavzoglu T，Colkesen I.A kernel functions analysis for support vector machinces for land cover classification［J］.International Journal of Applied Earth Observation and Geoinformation，2009，11(5):352 -359.