王月婷，張曉麗，楊慧喬，王書涵，白金婷

（1.北京林業(yè)大學(xué) 省部共建森林培育與保護(hù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100083;2.北京林業(yè)大學(xué) 林學(xué)院，北京100083）

基于Landsat 8衛(wèi)星光譜與紋理信息的森林蓄積量估算

王月婷1，張曉麗1，楊慧喬2，王書涵1，白金婷1

（1.北京林業(yè)大學(xué) 省部共建森林培育與保護(hù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100083;2.北京林業(yè)大學(xué) 林學(xué)院，北京100083）

以福建省將樂(lè)縣國(guó)有林場(chǎng)為研究對(duì)象，通過(guò)外業(yè)實(shí)地調(diào)查得到樣地蓄積量：以Landsat 8衛(wèi)星遙感圖像為數(shù)據(jù)源，對(duì)遙感圖像進(jìn)行處理，獲取多光譜影像的波段光譜值、植被指數(shù)和波段組合值，并篩選出全色波段的最優(yōu)紋理生成窗口與紋理特征；通過(guò)多元回歸分析方法，分別建立僅以光譜因子為自變量和結(jié)合光譜信息和紋理特征的蓄積量估測(cè)模型，并比較兩者之間的精度。實(shí)驗(yàn)結(jié)果表明：光譜因子的多元線性回歸方程的相關(guān)系數(shù)為0.853，聯(lián)合光譜和紋理特征因子反演的多元回歸方程的相關(guān)系數(shù)為0.926。同時(shí)利用檢驗(yàn)數(shù)據(jù)，得出模型的預(yù)測(cè)精度：光譜因子蓄積量的估算方程精度為79.81%，聯(lián)合反演蓄積量的估算方程精度為85.98%。研究表明：引入紋理特征后蓄積量的預(yù)測(cè)精度得到一定程度的提高，利用Landsat 8全色波段的紋理特征進(jìn)行蓄積量估測(cè)具有良好的應(yīng)用前景。圖3表6參22

森林測(cè)計(jì)學(xué)；蓄積量；Landsat 8；波段光譜；紋理信息；估測(cè)模型

森林蓄積量是指森林中全部樹木材積的總和，是評(píng)價(jià)森林?jǐn)?shù)量的一個(gè)重要指標(biāo)［1］。由于傳統(tǒng)的一類、二類森林資源調(diào)查法存在調(diào)查周期長(zhǎng)、人力物力財(cái)力消耗大等缺陷，近年來(lái)隨著 “3S”技術(shù)（遙感技術(shù)、地理信息系統(tǒng)和全球定位系統(tǒng)）的發(fā)展，遙感技術(shù)在監(jiān)測(cè)森林蓄積量中的作用日益顯著［2］。目前，利用 “3S”技術(shù)估測(cè)森林蓄積量的研究主要集中于以下2個(gè)方面：一是趨向于利用光學(xué)遙感與微波遙感數(shù)據(jù)相結(jié)合的多源遙感數(shù)據(jù)建立模型；二是從經(jīng)典的多元回歸線性模型向非線性模型，如人工神經(jīng)網(wǎng)絡(luò)、k近鄰分類（KNN）算法發(fā)展［3］。紋理通常被定義為圖像的某種局部性質(zhì)，或是對(duì)局部區(qū)域中像素之間關(guān)系的一種度量［4］。目前，植被紋理分析方法的應(yīng)用主要用于土地利用/覆蓋變化研究，提高遙感影像分類精度以及生物量、葉面積指數(shù)估算方面，而很少用于森林蓄積量估算的研究中［5－12］。已有研究表明：多光譜與全色波段的融合圖像的紋理信息在某些窗口下與蓄積量之間存在明顯的相關(guān)性，可以較好地估測(cè)森林蓄積量［13］。Landsat 8衛(wèi)星的陸地成像儀（OLI）傳感器不僅增加了1個(gè)波段，而且對(duì)波段范圍進(jìn)行了重新調(diào)整，比較大的調(diào)整是在第5波段（0.845~0.885 μm）去除了0.825 μm處水汽吸收特征，并且在全色波段波段8收窄了波段范圍等。因此，本研究以福建三明將樂(lè)林場(chǎng)為研究對(duì)象，利用Landsat 8衛(wèi)星影像，將提取的全色波段的紋理特征與多光譜波段的光譜信息相結(jié)合，聯(lián)合反演建立蓄積量估測(cè)模型，分析引入全色波段紋理特征能否提高蓄積量的預(yù)測(cè)精度，為將紋理特征應(yīng)用到森林蓄積量的研究提供依據(jù)。

1 研究區(qū)與研究方法

1.1 研究區(qū)概況

將樂(lè)縣國(guó)有林場(chǎng)位于福建三明市西北部，地處武夷山脈東南麓，扼閩江支流金溪中下游，是三明市重點(diǎn)林場(chǎng)之一。地理位置介于26°26′~27°04′N，117°05′~117°40′E，屬中亞熱帶季風(fēng)氣候區(qū)。四季分明，雨熱同期，干濕明顯，受季風(fēng)及地形影響，常有災(zāi)害性天氣。平均年降水量為1 600~1 800 mm，多集中在7－8月。將樂(lè)縣森林覆蓋率達(dá)85.2%。森林以針葉林為主，主要樹種為馬尾松Pinus massoniana和杉木 Cunninghamia lanceolata，也有小范圍的闊葉林，主要樹種為木荷 Schima superba和楓香 Liquidambar formosana等。

1.2 遙感數(shù)據(jù)與預(yù)處理

本研究使用Landsat 8 OLI傳感器的遙感影像。影像數(shù)據(jù)為http://www.glovis.usgs.gov網(wǎng)站上獲取，成像時(shí)間是2013年08月11日、條帶號(hào)為122-041和122-042。數(shù)據(jù)采用UTM WGS-84投影，1級(jí)標(biāo)準(zhǔn)產(chǎn)品。波段1~7和波段9為多光譜波段，空間分辨率為30 m，波段8為全色波段，空間分辨率為15 m。由于波段1為深藍(lán)波段，用于觀測(cè)海岸帶的氣溶膠；波段9為短波波段，用于觀測(cè)卷云，所以本研究不考慮這2個(gè)波段，只研究波段2~7和波段8與蓄積量的相關(guān)性。

采用的Landsat 8 OLI數(shù)據(jù)已經(jīng)做過(guò)輻射校正和幾何粗校正，根據(jù)本研究的研究需求需對(duì)影像進(jìn)行輻射定標(biāo)、大氣校正、幾何精校正、裁剪、拼接等處理。首先，對(duì)數(shù)據(jù)進(jìn)行輻射定標(biāo)，利用Landsat定標(biāo)線性模型對(duì)各波段的輻射亮度值進(jìn)行求解，將圖像的象元灰度值（DN）轉(zhuǎn)化為輻射亮度值。其次，采用ENVI4.8中的FLAASH工具進(jìn)行大氣校正，得到地表反射率，主要的輸入?yún)?shù)包括成像日期及時(shí)間、中心經(jīng)緯度、海拔高度、大氣模型、氣溶膠模型、初始能見度等。最后，利用已進(jìn)行過(guò)幾何校正的2009年同時(shí)期的將樂(lè)縣Landsat 5數(shù)據(jù)作為基準(zhǔn)影像，通過(guò)選取道路、河流等交叉點(diǎn)來(lái)對(duì)實(shí)驗(yàn)所用的OLI影像進(jìn)行幾何精校正。本實(shí)驗(yàn)共選取了分布均勻的40個(gè)地面控制點(diǎn)，并采用二次多項(xiàng)式模型進(jìn)行校正。幾何校正誤差控制在1個(gè)像元內(nèi)，投影為UTM WGS-84。然后，將兩景影像裁剪拼接完整，得到研究區(qū)范圍（圖1）。

1.3 野外調(diào)查數(shù)據(jù)與處理

外業(yè)地面實(shí)測(cè)數(shù)據(jù)采用福建三明將樂(lè)國(guó)有林場(chǎng)數(shù)據(jù)。樣地?cái)?shù)據(jù)采集于2013年7月中旬到8月初，選取林木整齊、地理?xiàng)l件良好的地段布設(shè)固定樣地，樣地大小為20 m×30 m。首先，利用手持全球定位儀對(duì)樣地的4個(gè)角點(diǎn)進(jìn)行精確定位，記錄角點(diǎn)的坐標(biāo)以及樣地的環(huán)境因子，如海拔、坡度、坡向、郁閉度、林分健康狀況等；其次，對(duì)樣地的樹木進(jìn)行每木檢尺，記錄胸徑、樹高、冠幅、枝下高等信息。本研究共采用樣地?cái)?shù)據(jù)36塊（圖2），選取其中的24塊作為建模的實(shí)驗(yàn)數(shù)據(jù)，其余的12塊作為檢驗(yàn)數(shù)據(jù)。

林分蓄積量的計(jì)算方法主要有標(biāo)準(zhǔn)木法、材積表法、3P樣木法、標(biāo)準(zhǔn)表法和實(shí)驗(yàn)形數(shù)法等。本研究采用平均實(shí)驗(yàn)形數(shù)法，根據(jù)相應(yīng)樹種的平均實(shí)驗(yàn)形數(shù)計(jì)算每一實(shí)測(cè)樣地的蓄積量，并將每塊樣地蓄積量的單位統(tǒng)一轉(zhuǎn)化為m3·hm－2。以計(jì)算出的樣地蓄積量作為建立模型的因變量。計(jì)算蓄積量的公式如下：M=G1.3×（HD+3）×f。其中：M為樣地蓄積量，G1.3為總胸高斷面積，HD為樹木平均高，f為樹木平均實(shí)驗(yàn)形數(shù)。

圖1 將樂(lè)國(guó)有林場(chǎng)覆蓋區(qū)域Landsat_8影像Figure 1 Landsat_8 image of Jiangle Forest Farm

圖2 將樂(lè)國(guó)有林場(chǎng)地區(qū)樣地點(diǎn)Figure 2 Plots of Jiangle State Forest Farm

1.4 遙感變量設(shè)置

1.4 ．1 紋理變量設(shè)置與篩選 目前常用的提取紋理特征的方法較多。本研究選取了應(yīng)用最為廣泛的是基于灰度共生矩陣方法。根據(jù)Haralick等［14］的定義提取最常用的8個(gè)紋理特征統(tǒng)計(jì)量，即均值（Mean，ME），方差（variance，VA），協(xié)同性（homogeneity，HO），對(duì)比度（contrast，CO），相異性（dissimilarity，DI），熵（entropy，EN），二階矩（second moment，SM）和相關(guān)性（correlation，CC）。

采用灰度共生矩陣的方法對(duì)Landsat 8影像的全色波段提取8個(gè)紋理測(cè)度，其中移動(dòng)窗口大小分別為3×3，5×5，7×7和9×9。分別將提取的3×3，5×5，7×7，9×9窗口下的8個(gè)紋理特征值為自變量，以實(shí)測(cè)樣地的蓄積量為因變量，采用逐步回歸的方法建立模型。3×3窗口的方程剔除了相異性、均值、相關(guān)性變量，5×5窗口的方程剔除了相異性、協(xié)同性、均值等3個(gè)變量，7×7窗口的方程剔除了相異性、均值、對(duì)比度、協(xié)同性變量，9×9窗口的方程只有相關(guān)性變量進(jìn)入到回歸方程中。表明在不同窗口下紋理特征相異性與蓄積量的相關(guān)性都不大。各方程模型精度、方差精度如表1和表2所示。從表1中看出：4個(gè)窗口的模擬方程的相關(guān)系數(shù)都在0.65以上，決定系數(shù)都在0.4以上，參與建模的變量可以較好地解釋蓄積量，并且隨著窗口的增大，相關(guān)系數(shù)和決定系數(shù)都先增大后減小，在5×5窗口時(shí)達(dá)到最大值。表2中，模型的方差分析都達(dá)到P＜0.05的要求，模型成立。綜合2個(gè)表的數(shù)據(jù)，以及參與建模的變量數(shù)量，選擇5×5窗口下對(duì)比度、熵、方差、相關(guān)性和二階矩這5個(gè)紋理因子作為自變量參與蓄積量估算模型構(gòu)建。如圖3為5×5窗口下部分紋理特征提取圖像。

表1 模型精度表Table 1 Precision of multiple linear model

表2 模型方差分析表Table 2 Variance analysis of multiple linear model

圖3 樣地點(diǎn)紋理信息提取圖像Figure 3 Parts of RS images of sampling locations’texture factors extracted

1.4.2 光譜變量設(shè)置與篩選 在借鑒前人的基礎(chǔ)上，設(shè)置波段2、波段3、波段4、波段5、波段6和波段7等波段地表反射率，（波段5-波段4）/（波段5+波段4）即歸一化植被指數(shù)（normalized difference vegetation index，NDVI）、波段5/波段4即比值植被指數(shù)（ratio vegetation index，RVI），以及（波段4-波段3）/波段5、波段5/波段3、波段7/波段4等波段的地表反射率的比值組合，（波段5-波段4）即差值植被指數(shù)（difference vegetation index，DVI）的波段地表反射率差值作為備選變量。建立備選變量與蓄積量的逐步回歸方程對(duì)12個(gè)備選變量進(jìn)行篩選，剔除了波段2、波段5和波段7下地表反射率，比值植被指數(shù)、波段5/波段3下地表反射率比值這5個(gè)因子，因此波段3、波段4、波段6等波段地表反射率，歸一化植被指數(shù)、（波段4-波段3）/波段5、波段7/波段4、差值植被指數(shù)等波段的地表反射率的比值和差值組合將作為光譜因子參與建模。

1.5 蓄積量估算模型構(gòu)建與評(píng)價(jià)方法

1.5.1 多元回歸估算模型構(gòu)建 在SPSS 17.0中分析篩選后的7個(gè)光譜因子和5×5窗口下的紋理特征值與蓄積量的相關(guān)性。結(jié)果表明：所有自變量與蓄積量的相關(guān)性都在0.2以上，可以參與到建模分析中。首先，將波段3、波段4和波段6的波段地表反射率，歸一化植被指數(shù)、（波段4-波段3）/波段5和波段7/波段4、差值植被指數(shù)等地表反射率的比值和差值這7個(gè)光譜因子作為自變量，實(shí)測(cè)樣地蓄積量為因變量，得到光譜因子蓄積量模擬方程：

式（1）中：ρ1為在波段3下地表反射率，ρ2為在波段4下地表反射率，ρ3為在波段5下地表反射率，ρ4為在波段6下地表反射率，ρ5為在波段7下地表反射率。其次，由于光譜因子強(qiáng)調(diào)地物光譜的特征，紋理特征主要強(qiáng)調(diào)地物空間特征，若將兩者結(jié)合起來(lái)估算蓄積量，可能會(huì)提高預(yù)測(cè)精度?？紤]先前篩選出的5×5窗口下對(duì)比度、相關(guān)性、熵、方差和二階矩紋理因子。以篩選的光譜因子波段3、波段4和波段6的波段地表反射率，歸一化植被指數(shù)、差值植被指數(shù)、（波段4-波段3）/波段5和波段7/波段4的地表反射率的比值和差值，5×5窗口下的紋理因子對(duì)比度、相關(guān)性、熵、方差和二階矩為自變量，樣地蓄積量為因變量，得到光譜因子和紋理特征因子聯(lián)合反演模擬方程［15－18］：

式（2）中：ρ1為在波段3下地表反射率，ρ2為在波段4下地表反射率，ρ3為在波段5下地表反射率，ρ4為在波段6下地表反射率，ρ5為在波段7下地表反射率。

1.5.2 精度評(píng)價(jià) 為了有效驗(yàn)證模型精度，以及分析結(jié)合紋理特征能否提高蓄積量的預(yù)估精度，本研究用12塊樣地?cái)?shù)據(jù)進(jìn)行驗(yàn)證。首先將檢驗(yàn)樣本代入2個(gè)模型方程中得到預(yù)測(cè)蓄積量，與實(shí)測(cè)蓄積量進(jìn)行配對(duì)樣本的T檢驗(yàn)，評(píng)估預(yù)測(cè)值與實(shí)測(cè)值之間是否存在顯著性差異，以驗(yàn)證模型的適用性。其次，將預(yù)測(cè)蓄積量與實(shí)際測(cè)得的蓄積量進(jìn)行比較，得到預(yù)測(cè)精度［19］。公式如下：

式（3~5）中：S為相對(duì)誤差，S′為平均相對(duì)誤差，P為方程精度，N為樣地個(gè)數(shù)，Y′為擬合方程的估測(cè)蓄積量，Y為實(shí)測(cè)的樣地蓄積量。

2 結(jié)果與分析

應(yīng)用建模數(shù)據(jù)計(jì)算得到的光譜因子模擬方程和聯(lián)合反演的模擬方程的模型精度見表3。方差分析見表4。

表3表明：光譜因子的多元線性回歸方程的相關(guān)系數(shù)為0.835，決定系數(shù)為0.669，聯(lián)合反演的多元回歸方程的相關(guān)系數(shù)為0.926，決定系數(shù)為0.858。說(shuō)明利用Landsat 8衛(wèi)星的光譜信息和紋理信息建立的針對(duì)研究區(qū)的蓄積量模型中，參與建模的自變量因子與蓄積量之間有較好的相關(guān)性，所擬合的方程具有一定的實(shí)用性，并且引入全色波段5×5窗口下的紋理信息后，使得模擬方程的相關(guān)系數(shù)及決定系數(shù)都得到提高，說(shuō)明紋理信息提高了蓄積量回歸模型的擬合優(yōu)度。

表3 模型精度表Table 3 Precision of multiple linear model

表4 模型方差分析表Table 4 Variance analysis of multiple linear model

如表4所示：光譜因子多元線性回歸模型F顯著性檢驗(yàn)小于0.05，可以通過(guò)置信度為95%的顯著性檢驗(yàn)，而聯(lián)合反演模型F顯著性檢驗(yàn)小于0.01，可以通過(guò)置信度為99%的顯著性檢驗(yàn)。綜合來(lái)看，2個(gè)模型均可以通過(guò)顯著性檢驗(yàn)，表明回歸方程具有較高的顯著性，但聯(lián)合反演模型的顯著性更高，表明紋理特征對(duì)估算蓄積量有一定的意義。

將12塊樣地實(shí)測(cè)數(shù)據(jù)分別代入式（1）和式（2）中，得到預(yù)測(cè)蓄積量，分別與實(shí)測(cè)蓄積量進(jìn)行配對(duì)樣本T檢驗(yàn)，結(jié)果如表5所示。2個(gè)模型反演的蓄積量與實(shí)測(cè)蓄積量的值之間的相關(guān)系數(shù)都很高，均大于0.9；但聯(lián)合反演的模型的相關(guān)系數(shù)更高些，并且所有模型的P＜0.05，因而認(rèn)為所有反演方程的蓄積量估算值與實(shí)測(cè)值都存在一定的相關(guān)性，所建模型具有較強(qiáng)的適用性；相比之下聯(lián)合反演的模型的適用性更好些。表明引入5×5窗口下的5個(gè)紋理特征在一定程度上提高了預(yù)測(cè)蓄積量的精度。

表5 模型配對(duì)樣本T檢驗(yàn)Table 5 Paired samples T-test of the model

將用樣地檢驗(yàn)數(shù)據(jù)得到的預(yù)測(cè)蓄積量，代入式（3）中，得到每塊樣地的相對(duì)誤差；根據(jù)式（4）和式（5），得到2個(gè)模擬方程的平均相對(duì)誤差和方程精度，如表6所示。結(jié)果表明：除4號(hào)樣地的蓄積量相對(duì)誤差增大外，其他檢驗(yàn)樣地蓄積量的相對(duì)誤差都減??；求得的光譜因子模擬方程的平均相對(duì)誤差20.19%，方程精度為79.81%，聯(lián)合反演模擬方程的平均相對(duì)誤差為14.02%，方程精度為85.98%。本研究所構(gòu)建的2個(gè)蓄積量估算方程精度均達(dá)到要求，并且全色波段的紋理特征與光譜信息相結(jié)合會(huì)提高蓄積量的估算精度，能更為準(zhǔn)確的預(yù)估將樂(lè)國(guó)有林場(chǎng)蓄積量。

表6 森林蓄積量預(yù)測(cè)值與實(shí)測(cè)值比較Table 6 Comparison between predicted results and measured results for forest volume

3 結(jié)論與討論

光譜因子的多元線性回歸方程的相關(guān)系數(shù)為0.853，決定系數(shù)為0.669，估算蓄積量的平均相對(duì)誤差為20.19%，方程精度為79.81%；聯(lián)合反演的多元回歸方程的相關(guān)系數(shù)為0.926，決定系數(shù)為0.858，估算蓄積量的平均相對(duì)誤差為14.02%，方程精度為85.98%。表明利用Landsat 8提取的光譜信息和紋理信息構(gòu)建的研究區(qū)的多元回歸模型具有一定的代表性，參與建模的因子與蓄積量具有較好的相關(guān)性，所建模型具有較高的顯著性并有一定實(shí)用性。此外，引入全色波段紋理特征信息后，估算的蓄積量的相對(duì)誤差顯著減小，平均精度達(dá)到80%以上。因此，全色波段的紋理信息能夠提高蓄積量的預(yù)測(cè)精度，利用其全色波段紋理特征與光譜信息對(duì)將樂(lè)國(guó)有林場(chǎng)進(jìn)行森林蓄積量的估測(cè)能夠滿足生產(chǎn)要求，具有良好的應(yīng)用前景。

利用光譜信息和紋理特征信息聯(lián)合反演構(gòu)建模型可以提高蓄積量的預(yù)測(cè)精度。因?yàn)殛幱皩?duì)光譜信息影響大，但對(duì)紋理特征的影響比較小，并且紋理特征能最大限度地提取與蓄積量有關(guān)的信息?？梢钥紤]將光學(xué)影像與全色波段融合后提取紋理特征，建立蓄積量的估算方程，研究這種光譜與空間相結(jié)合的方式預(yù)測(cè)蓄積量的精度。

全色波段不同窗口下的不同紋理特征與蓄積量的相關(guān)性不是一成不變的，不是所有的紋理特征值都能預(yù)測(cè)蓄積量，即使是同一紋理特征值也會(huì)因?yàn)榇翱诖笮　⒀芯繀^(qū)地理位置、影像波段等因素發(fā)生變化，因此選擇合適的紋理特征估算蓄積量需要大量對(duì)比實(shí)驗(yàn)［20-22］。

［1］ 孟憲宇.測(cè)樹學(xué)［M］.北京：中國(guó)林業(yè)出版社,1996:58,128.

［2］ 劉志華，常禹，陳宏偉.基于遙感、地理信息系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)的呼中林區(qū)森林蓄積量估測(cè)［J］.應(yīng)用生態(tài)學(xué)報(bào)，2008,19（9）：1891－1896.

LIU Zhihua,CHANG Yu,CHEN Hongwei,et al.Estimation of forest volume in Huzhong forest area based on RS,GIS and ANN［J］.Chin J Appl Ecol,2008,19（9）：1891-1896.

［3］ 王佳,宋珊蕓,劉霞,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.

WANG Jia,SONG Shanyun,LIU Xia,et al.Forest volume estimation model using spectra and topographic factors of ZY-3 image［J］.Trans Chin Soc Agric Mach,2014,45（5）:216-220.

［4］ 韋玉春，湯國(guó)安，楊昕，等.遙感數(shù)字圖像處理教程［M］.北京：科學(xué)出版社，2007：52－57.

［5］ 王昆，張曉麗，王珊，等.鷲峰地區(qū)QuickBird影像紋理特征與生物量估測(cè)關(guān)系初探［J］.地理與地理信息科學(xué)，2013,29（3）:52－55.

WANG Kun,ZHANG Xiaoli,WANG Shan,et al.Study on the relationship between texture of QuickBird image and biomass estimation in area of Jiufeng［J］.Geogr Geo-Inform Sci,2013,29（3）:52-55.

［6］ 曹慶先,徐大平,鞠洪波.基于TM影像紋理與光譜特征的紅樹林生物量估算［J］.林業(yè)資源管理,2010（6）:102－108.

CAO Qinxian,XU Daping,JU Hongbo.The biomass estimation of mangrove community based on the textural features and spectral information of TM images［J］.For Resour Manage,2010（6）:102-108.

［7］ LATIFUR RAHMAN S,NICHOL J E.Improved forest biomass estimates using ALOS AVNIR-2 texture indices［J］. Remote Sens Environ,2011,115（4）：968－977.

［8］ KAYITAKIRE F,HAMEL C,DEFOURNY P.Retrieving forest structure variables based on image texture analysis and IKONOS-2 imagery［J］.Remote Sens Environ,2006,102（3/4）：390－401.

［9］ WOLTER P T,TOWNSEND P A,STURTEVANT B R.Estimation of forest structural parameters using 5 and 10 meter SPOT-5 satellite data［J］.Remote Sens Environ,2009,113（9）：2019－2036.

［10］ AUGUSTEIJN M F,CLEMENS L E,SHAW K A.Performance evaluation of texture measures for ground cover identification in satellite images by means of a neural network classifier［J］.IEEE Trans Geosci Remote Sens,1995,33（3）:616－626.

［11］ NYOUNGUI A N,TONYE E,AKONO A.Evaluation of speckle filtering and texture analysis methods for land cover classification from SAR images［J］.Int J Rem Sens,2002,23（9）:1895－1925.

［12］ MARCEAU D J,HOWARTH P J,DUBOIS J M M,et al.Evaluation of the grey-level co-occurrence matrix method for land-cover classification using SPOT imagery［J］.IEEE Trans Geosci Remote Sens,1990,28（4）:513－519.

［13］ 劉俊,畢華興,朱沛林,等.基于ALOS遙感數(shù)據(jù)紋理及紋理指數(shù)的柞樹蓄積量估測(cè)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,57（4）:89－103.

LIU Jun,BI Huaxing,ZHU Peilin,et al.Estimating stand volume of xylosma racemosum forest based on texture parameters and derivative texture indices of ALOS imagery［J］.Transa Chin Soc Agric Mach,2014,57（4）:89-103.

［14］ HARALICK R,SHANMUGAN K,DINSTEIN I.Textural features for image classification［J］.IEEE Trans Sys Man Cybern,1973,3（6）：610－621.

［15］ 劉瓊閣，彭道黎，涂云燕.基于偏最小二乘回歸的森林蓄積量遙感估測(cè)［J］.中南林業(yè)科技大學(xué)學(xué)報(bào)，2014, 34（2）:81－84.

LIU Qiongge,PENG Daoli,TU Yunyan.Estimation of forest stock volume based on partial least squares regression［J］.J Cent South Univ For&Technol,2014,34（2）:81-84.

［16］ 董斌,馮仲科,杜林芳,等.山東省黃河流域森林蓄積量遙感定量估測(cè)模型研究［J］.遙感技術(shù)與應(yīng)用，2010, 25（4）:520－524.

DONG Bin,FENG Zhongke,DU Linfang,et al.Study on quantitative estimation modeling of forest volume based on remote sensing in the Yellow River Basin of Shandong Province［J］.Remote Ssens Techool Appl,2010,25（4）:520 -524.

［17］ 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.

YANG Yongtian.Study on Estimating Methods of Forest Stem Volume Based on Multi-source Remote Sensing Image［D］.Beijing:Chinese Academy of Forestry,2010.

［18］ 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.

ZHANG Ning,FENG Zhongke,FENG Yuewen,et al.Research on coniferous forest volume estimation model for Wangyedian experimental forest farm［J］.J Cent South Univ For&Technol,2013,33（11）:83-87.

［19］ 何曉群.多元統(tǒng)計(jì)分析［M］.北京：中國(guó)人民大學(xué)出版社,2008:137－145.

［20］ FRANKLIN S E,WULDER M A,LAVIGNE M B.Automated derivation of geographic window sizes for use in remote sensing digital image texture analysis［J］.Comput Geosci,1996,22（6）:665－673.

［21］ CHEN D,STOW D A,GONG P.Examining the effect of spatial resolution and texture window size on classification accuracy,an urban environment case［J］.Int J Remote Sens,2004,25（11）:2177－2192.

［22］ LU Dengsheng,BATISTELLA M.Exploring TM image texture and its relationships with biomass estimation in Rondonia,Brazilian Amazon［J］.Acta Amazon,2005,35（2）:261－268.

Forest volume estimation based on spectral and textural information from the Landsat 8 satellite

WANG Yueting1,ZHANG Xiaoli1,YANG Huiqiao2,WANG Shuhan1,BAI Jinting1
（1.Key Laboratory for Silviculture and Conservation of Ministry of Education,Beijing Forestry University,Beijing
100083,China;2.Forestry College,Beijing Forestry University,Beijing 100083,China）

On the Jiangle State Forest Farm of Fujian Province forest volume was obtained by field investigation and by Landsat 8 observations that utilized band spectral values,vegetation indexes,derivatives of bands,and optimal textural measurements derived from the panchromatic band using varied window sizes.Through multiple regression analysis,volume estimation models were produced with independent variables of 1）only spectral factors and 2）combined spectral factors and textural volume.Then,validation was conducted using field survey data to test and compare model prediction accuracy.Experimental results showed R2=0.727 6 for the spectrally based volume estimation model and R2=0.857 5 for the combined model.Model prediction accuracy was 79.8%for the single spectral based volume estimation model and 86.0%for the combined model.Therefore,the improved prediction accuracy using textural information from the panchromatic band with images of Landsat 8 for forest volume estimation and application of this procedure should be considered when determining forest volume.［Ch,3 fig.6 tab.22 ref.］

forest mensuration;forest volume;Landsat 8 images;band spectra;texture information;estimation models

S758.4

A

2095-0756（2015）03-0384-08

10.11833/j.issn.2095-0756.2015.03.008

2014-07-17；

2014-11-03

國(guó)家高技術(shù)研究發(fā)展計(jì)劃（“863”計(jì)劃）項(xiàng)目（2012AA102001）

王月婷，從事 “3S”技術(shù)在資源環(huán)境中的應(yīng)用。E-mail：285942042@qq.com。通信作者：張曉麗，教授，博士生導(dǎo)師，從事林業(yè)遙感與信息系統(tǒng)等方面研究。E-mail：zhang-xl@263.net