蔣維成，譚 偉

（貴州大學(xué) 林學(xué)院，貴州 貴陽(yáng)550025）

1 引言

森林的蓄積量是指一定森林面積上存在著的所有活立木材積的總和，是表征森林資源數(shù)量的最重要指標(biāo)［1］，及時(shí)、準(zhǔn)確地掌握其數(shù)量及其動(dòng)態(tài)變化信息對(duì)制定森林資源發(fā)展規(guī)劃、實(shí)施森林資源保護(hù)計(jì)劃等均具有重要意義。馬尾松作為貴州省分布最廣、經(jīng)濟(jì)價(jià)值高、用途廣泛的主要造林樹種，因此在貴州林業(yè)生產(chǎn)建設(shè)中占有極其重要的地位［2］。因此，及時(shí)準(zhǔn)確地掌握其數(shù)量具有極其重要的現(xiàn)實(shí)意義。貴州因其地域上的立地差異，馬尾松被劃分為以黔東南地區(qū)為代表的Ⅰ類產(chǎn)區(qū)、以黔中地區(qū)為代表的Ⅱ類產(chǎn)區(qū)和以黔西北為代表的Ⅲ類產(chǎn)區(qū)［3］。在I類產(chǎn)區(qū)，蔡學(xué)成等［4］以黔東南的3個(gè)縣為研究區(qū)，利用中巴資源衛(wèi)星構(gòu)建了蓄積量估測(cè)模型，得出了該模型用于縣一級(jí)森林蓄積量估測(cè)具有可行性這一結(jié)論?？梢姂?yīng)用遙感進(jìn)行森林蓄積量估測(cè)具有一定的適用性，而在II類（黔中）產(chǎn)區(qū)中，遙感蓄積量估測(cè)模型的研究成果至今尚未見報(bào)道。自2013年Landsat－8衛(wèi)星發(fā)射升空以來(lái)，其OLI傳感器傳回的數(shù)據(jù)波段數(shù)目更精細(xì)、信噪比更高、圖像質(zhì)量更好［5］而被廣泛應(yīng)用于植被信息提取中，劉杰，吳石磊，朱緒超等［6～8］進(jìn)行了植被信息提取的應(yīng)用研究。但其在森林蓄積量估測(cè)方面的應(yīng)用在國(guó)內(nèi)少見報(bào)道，故本文以Landsat－8 OLI波段數(shù)據(jù)與林分郁閉度相結(jié)合，為克服自變量因子間多重共線性，本文采用主分析回歸分析法構(gòu)建黔中馬尾松蓄積量估測(cè)模型，旨在為區(qū)域馬尾松經(jīng)營(yíng)管理提供依據(jù)。

2 研究區(qū)概況

貴陽(yáng)，貴州省省會(huì)，是貴州省的政治、經(jīng)濟(jì)、文化、科教、交通中心和西南地區(qū)重要的交通通信樞紐、工業(yè)基地及商貿(mào)旅游服務(wù)中心。位于貴州省中部，東經(jīng)106°07′～107°17′。北緯26°11′～26°55′。東與龍里縣、甕安縣接壤；南靠惠水縣、長(zhǎng)順縣；西接貴安新區(qū)、織金縣；北鄰黔西縣、金沙縣、遵義市?？偟貏?shì)西南高、東北低。苗嶺橫延市境，崗阜起伏，剝蝕丘陵與盆地、谷地、洼地相間。植被種類豐富。據(jù)初步查明，有維管束植物176科、489屬、1 299種。其中蕨類植物29科、6l屬、145種；被子植物147科、428屬、1 154種。

3 數(shù)據(jù)處理及篩選

Landsat－8OLI影像數(shù)據(jù)來(lái)源于網(wǎng)站http：／／glovis.usgs.gov／，其空間分辨率為30 m。本文利用 ENVI5.1對(duì)數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、幾何校正以及裁剪等預(yù)處理。由于用于卷云測(cè)定的B9波段的灰度值趨于0和B8波段全色波段與其余波段存在一定的信息重疊，故本文B1～B7這7個(gè)波段的灰度值及NDVI、RVI和DVI作為模型構(gòu)建的遙感因子與樣地郁閉度結(jié)合作為自變量因子進(jìn)行模型構(gòu)建。

本文使用研究區(qū)230個(gè)馬尾松樣地（樣地大小為600 m2），其中200個(gè)用于建模，20個(gè)用于精度驗(yàn)證。基于前人的研究成果，遙感估測(cè)森林蓄積量時(shí)自變量因子間可能存在著多重共線性，故在建模前對(duì)自變量因子進(jìn)行了相關(guān)性分析，分析結(jié)果如表1所示。

由表1可知，自變量因子間存在一定的相關(guān)性，沒(méi)有毫不相關(guān)的，其中各個(gè)遙感因子間都存在著多重共線性，如果直接用于回歸建模的話將使得各自變量對(duì)因變量的影響很難鑒別，增大模型回歸參數(shù)的方差以及增加或減少觀測(cè)值時(shí)，對(duì)模型參數(shù)的估計(jì)量都會(huì)變得非常敏感等問(wèn)題［9］。故本文通過(guò)主成分分析法，將自變量因子集中為少數(shù)幾個(gè)主要成分上來(lái)解決這個(gè)問(wèn)題。

4 模型的構(gòu)建及精度驗(yàn)證

4.1 模型的構(gòu)建

本文運(yùn)用SPSS20.0對(duì)11個(gè)自變量因子進(jìn)行主成分分析，并以特征根大于1作為選擇主成分的標(biāo)準(zhǔn)，主成分分析結(jié)果如表2所示。

表2 方差分解主成分提取分解

由表2可知，第一主成分X1的特征根為6.856，解釋了62.323%的方差；第二主成分X2的特征根為2.618，解釋了23.796%的方差，前兩個(gè)主成分的累積貢獻(xiàn)率為86.119%，故本文選擇前兩個(gè)主成分進(jìn)行回歸分析建立蓄積量估測(cè)模型為：

式中：Y為蓄積量，X1為第一主成分，X2為第二主成分。對(duì)模型進(jìn)行擬合優(yōu)度檢驗(yàn)后，模型的復(fù)相關(guān)系數(shù)為0.777；擬合優(yōu)度為0.605，調(diào)整后的擬合優(yōu)度為0.600，說(shuō)明該模型擬合效果較好。對(duì)模型的顯著性檢驗(yàn)結(jié)果如表3所示。

表3 方差分析

由F統(tǒng)計(jì)量的意義可知，F(xiàn)值越大，說(shuō)明自變量造成的因變量的變動(dòng)遠(yuǎn)遠(yuǎn)大于隨機(jī)因素對(duì)因變量造成的影響。從表3可知，F(xiàn)＝150.299，顯著性概率P＜0.05，F(xiàn)達(dá)到極顯著水平，由此可以看出，樣地蓄積量與自變量之間存在顯著線性關(guān)系。

4.2 精度驗(yàn)證

利用剩余的20個(gè)樣地對(duì)建立的模型進(jìn)行精度驗(yàn)證，通過(guò)比較分析后，得到該模型估測(cè)黔中馬尾松樣地蓄積的總體平均精度為78.68%。

5 結(jié)論與討論

5.1 結(jié)論

（1）本文利用landsat8 OLI衛(wèi)星遙感數(shù)據(jù)的黔中馬尾蓄積量估測(cè)最優(yōu)為：Y＝24.871＋9.463 X1－9.475 X2；模型的擬合優(yōu)度為0.605，其顯著性檢驗(yàn)的結(jié)果均顯著，說(shuō)明該衛(wèi)星數(shù)據(jù)用于黔中馬尾松蓄積量估測(cè)模型的構(gòu)建是可行的。

（2）本研究利用20個(gè)實(shí)測(cè)樣地對(duì)模型進(jìn)行精度驗(yàn)證后，其總體精度為78.68%，說(shuō)明應(yīng)用landsat8 OLI衛(wèi)星數(shù)據(jù)建立黔中馬尾松蓄積量估測(cè)模型預(yù)測(cè)精度較好，可為中尺度馬尾松林分蓄積量估測(cè)提供參考，為區(qū)域林業(yè)經(jīng)營(yíng)活動(dòng)提供依據(jù)。

5.2 討論

（1）由于時(shí)間關(guān)系，本文在建模過(guò)程中沒(méi)有考慮立地因子，故將立地因子納入自變量與遙感因子相結(jié)合建立蓄積量估測(cè)模型有待研究。

（2）為克服變量因子間多重共線性，本文僅選用基于參數(shù)估計(jì)的主成分分析回歸，故其它克服多重共線的參數(shù)分析方法如嶺跡回歸、殘差平方和準(zhǔn)則以及基于非參數(shù)的神經(jīng)網(wǎng)絡(luò)分析等有待研究。

［1］孟憲宇 .測(cè)樹學(xué)［M］.北京：中國(guó)林業(yè)出版社，2006.

［2］周政賢，朱守謙，楊世逸 .馬尾松系統(tǒng)研究綜述［J］.貴州農(nóng)學(xué)院叢刊，1984（4）：1～4.

［3］貴州省林業(yè)勘察設(shè)計(jì)院 .貴州省森林經(jīng)理資料匯編［R］.貴陽(yáng)：貴州林業(yè)勘察設(shè)計(jì)院，1987.

［4］蔡學(xué)成，楊政熙 .基于中巴資源衛(wèi)星數(shù)據(jù)的森林蓄積量估測(cè)研究［J］.農(nóng)業(yè)與技術(shù)，2013，33（12）：86～88.

［5］MIKE T.Operational Land Imager（OLI）［EB／OL］.Retrieved from http：／／www.nasa.gov／mission pages／landsat／main／LD cm OLI intro.html.

［6］劉 杰，劉振波，劉吉?jiǎng)P，等 .基于單時(shí)相Landsat8＿OLI影像的棉花提取技術(shù)研究［J］.科學(xué)與技術(shù)工程，2014，14（33）：28～33.

［7］吳石磊 .基于Landsat8 OLI數(shù)據(jù)的森林郁閉度反演研究［D］.北京：北京林業(yè)大學(xué)，2014.

［8］朱緒超，袁國(guó)富，易小波，等 .基于Landsat8 OLI影像的塔里木河下游河岸林葉面積指數(shù)反演［J］.干旱區(qū)地理，2014，37（6）：1248～1256.

［9］米 紅，張文璋 .實(shí)用現(xiàn)代統(tǒng)計(jì)分析方法與SPSS應(yīng)用［M］.北京：當(dāng)代出版社，2000.