蘇 華,李 靜,,陳修治,廖吉善,溫達(dá)志

1 福州大學(xué)地理空間信息技術(shù)國(guó)家地方聯(lián)合工程研究中心,空間數(shù)據(jù)挖掘與信息共享教育部重點(diǎn)實(shí)驗(yàn)室, 福州 350002 2 中國(guó)科學(xué)院華南植物園,廣州 510650

基于森林群落和光譜曲線特征分異的福建省森林生物量遙感反演

蘇 華1,李 靜1,2,陳修治2,*,廖吉善2,溫達(dá)志2

1 福州大學(xué)地理空間信息技術(shù)國(guó)家地方聯(lián)合工程研究中心,空間數(shù)據(jù)挖掘與信息共享教育部重點(diǎn)實(shí)驗(yàn)室, 福州 350002 2 中國(guó)科學(xué)院華南植物園,廣州 510650

基于福建省Landsat8 OLI影像,利用混合像元分解模型篩選出“純凈”的植被像元,提取296個(gè)調(diào)查樣地對(duì)應(yīng)植被像元的紅光和近紅外波段的中心波長(zhǎng)(分別CWR和CWNIR)及其對(duì)應(yīng)的反射率(分別R和NIR),構(gòu)建以(NIR-R)/(CWNIR-CWR)為特征指數(shù)的葉生物量回歸模型。然后根據(jù)針葉林、闊葉林及針闊混交林葉生物量與干、枝、葉所組成的地上生物量的關(guān)系方程, 結(jié)合福建省植被覆蓋分類數(shù)據(jù),估測(cè)了整個(gè)福建省針葉林、闊葉林、混交林的地上生物量,并繪制了福建省地上生物量分布圖。結(jié)果表明：紅光和近紅外兩個(gè)波段反射率和其中心波長(zhǎng)所組成的斜率與葉生物量相關(guān)性顯著,與針葉林、闊葉林、混交林葉生物量的精度分別達(dá)到70.55%、68.89%、51.75%,采用這種方法對(duì)福建省葉生物量和地上總生物量進(jìn)行估算,并進(jìn)行精度驗(yàn)證,其中,針葉林、闊葉林、混交林葉物量的模型誤差(RMSE)分別達(dá)到29.2467 t/hm2(R2=66.64%)、14.0258 t/hm2(R2=61.13%)、10.1788 t/hm2(R2=55.43%),地上總生物量的模型精度分別達(dá)到49.8315 t/hm2(R2=54.65%)、45.1820 t/hm2(R2=49.01%)、41.5131 t/hm2(R2=38.79%),這說(shuō)明,采用紅光波段和近紅外波段與其中心波長(zhǎng)所組成的斜率估測(cè)森林葉生物量,進(jìn)而估算其地上總生物量的方法是可行的。

地上生物量；葉生物量；光譜斜率；Landsat8 OLI；遙感反演模型

Abstract： Forest is one of the vital renewable resources for sustainable development of renewable resources; it plays an important role in global climate change, water and soil conservation, and carbon cycle in terrestrial ecosystem. Forest biomass, therefore, is now attracting attention worldwide from both scholars and policy makers. Using Landsat8 OLI images and 296 survey samples in Fujian Province, we found that the leaf biomass is negatively correlated with the reflectance of near infrared wave band and the slope of near infrared and red band. Therefore, the slope of the near infrared and red band reflectance can be used as an effective indicator for describing the differences in leaf biomass of forest. Currently, empirical models are mainly used to estimate forest biomass such as the vegetation-index models based on multiple spectra remote sensing imageries and backscattering-coefficient inversion models based on active microwave remote sensing imageries. However, most of these empirical models lack physical mechanism. Here, we established a spectral-slope based model building on the spectral characteristic of multiple spectra remote sensing of forest. We firstly used the pixel unmixing model to select the pure vegetation pixels from the images and calculated the slope (Slope(red, infrared)) of the reflectivity of red band and near infrared band from image spectral curve characteristics based on the pure vegetation pixels of forest communities. We then set up the leaf biomass (LB) reversion models based on the relationship between the spectral slope and the leaf biomass by using the linear regression method to estimate the leaf biomass of coniferous forest, broad-leaved forest, and mixed forest in Fujian Province. We finally verified the results by using theinsitubiomass data. The spectral-slope-based estimation algorithms for retrieving the leaf biomass of coniferous forest, broad-leaved forest, and mixed forest areLBconifer=59.358-38.948×Slope(red, infrared)(R2=70.55%),LBbroad=28.622-12.527 Slope(red, infrared)(R2=68.89%), andLBmixed=23.281-10.952 Slope(red, infrared)(R2=51.75%), respectively, which indicated that our method is feasible and effective. The relationships between the leaf and above-ground biomass (AB) of coniferous forest, broad-leaved forest, and mixed forest areABconifer=12.079×LBconifer-17.61 (R2=77.10%),ABbroad=23.634×LBborad-34.124 (R2=88.86%), andABmixed=14.582×LBmixed-10.789 (R2=86.78%), respectively. Our results showed that our method is suitable for the leaf biomass estimation with high correlation coefficient in Fujian Province. We also used 296 sample survey data to model the leaf biomass and the above-ground biomass including vegetation stem, branch, and leaf. The root mean square errors (RMSEs) of leaf biomass estimation model for coniferous forest, broad-leaved forest, and mixed forest are 29.2467 t/hm2(R2=66.64%), 14.0258 t/hm2(R2=61.13%), and 10.1788 t/hm2(R2=55.43%), respectively. The RMSEs of above-ground biomass estimation model for coniferous forest, broad-leaved forest, and mixed forest are 49.8315 t/hm2(R2=54.65%), 45.1820 t/hm2(R2=49.01%), and 41.5131 t/hm2(R2=38.79%), respectively.

KeyWords: above-ground biomass; leaf biomass; spectral slope; Landsat8 OLI; remote sensing inversion model

森林是一種可再生可持續(xù)發(fā)展的重要資源,對(duì)全球氣候變化、水土保持、陸地生態(tài)系統(tǒng)中的碳循環(huán)等方面具有重要的作用[1]。作為一種全球最具發(fā)展?jié)摿Φ脑牧现籟2],森林生物量約占全球所有總生物量的40%[3],中國(guó)的森林生物量占到全國(guó)總生物量的33%左右[4],對(duì)于資源緊缺,環(huán)境污染嚴(yán)重的中國(guó),森林生物量備受學(xué)者和政策制定者的關(guān)注。

傳統(tǒng)的采用遙感影像估測(cè)森林生物量的方法主要是：1)從光學(xué)遙感影像提取與森林相關(guān)的植被指數(shù)或波段之間的比值作為因變量,將國(guó)家二調(diào)數(shù)據(jù)或樣地實(shí)測(cè)數(shù)據(jù)作為自變量,建立生物量回歸模型,從而估測(cè)森林生物量,其中,國(guó)內(nèi)學(xué)者楊存建等[5]在云南西雙版納,利用Landsat TM數(shù)據(jù)提取一系列植被指數(shù)對(duì)當(dāng)?shù)氐臒釒值纳锪窟M(jìn)行估測(cè)。閔志強(qiáng)等[6]對(duì)長(zhǎng)白山落葉松選取了29個(gè)樣地的生物量信息分別與林分因子信息和TM遙感影像信息擬合,建立生物量模型,估測(cè)了長(zhǎng)白山落葉松的生物量。2)還有的學(xué)者利用合成孔徑雷達(dá)不同極化的后向散射系數(shù)作為因變量,與樣地實(shí)測(cè)數(shù)據(jù)建立回歸模型,從而估測(cè)森林生物量。例如黃麗艷等[7]以華北落葉松人工林場(chǎng)—塞罕壩機(jī)械林場(chǎng)為研究區(qū),采用L波段的ALOS PLOSAR雷達(dá)數(shù)據(jù)、Landsat TM數(shù)據(jù)、以及共用ALOS PLOSAR和Landsat TM數(shù)據(jù),基于逐步回歸模型,與地面實(shí)測(cè)蓄積量數(shù)據(jù)之間建立不同的模型,提出了一種基于雷達(dá)影像準(zhǔn)確估算人工蓄積量的方法。

以上兩種方法各有利弊,其中以植被指數(shù)及波段比值為變量的模型方法,簡(jiǎn)單、易于理解,只需建立一個(gè)或多個(gè)變量與樣地實(shí)測(cè)數(shù)據(jù)建立相應(yīng)的回歸模型,便可估測(cè)整個(gè)森林的生物量,從而被廣泛應(yīng)用。但在實(shí)際研究中一般采用多變量線性統(tǒng)計(jì)回歸的方法,該方法存在一定的缺陷,即不管自變量對(duì)因變量是否顯著都會(huì)進(jìn)入方程,這樣會(huì)導(dǎo)致誤差的自由度變小,估測(cè)精度變低,同時(shí)如果變量間不是完全相互獨(dú)立,會(huì)使整個(gè)方程組的系數(shù)矩陣出現(xiàn)病態(tài),會(huì)給模型造成很大的誤差[8]。其次,光學(xué)影像由于其波長(zhǎng)的原因,只能觀測(cè)到森林冠層的信息,并不能觀測(cè)到植被枝、干的信息,所以采用光學(xué)影像估測(cè)整個(gè)森林生物量,必然會(huì)存在較大誤差。利用合成孔徑雷達(dá)的P波段和L波段對(duì)植被冠層和樹(shù)干都有一定的穿透能力,可獲得植被冠層、樹(shù)干甚至地表表層的土壤信息,但由于林木結(jié)構(gòu)、植被含水量、林下?tīng)顩r、地形等都會(huì)對(duì)雷達(dá)的后向散射系數(shù)產(chǎn)生顯著的影響,使得森林地上生物量的雷達(dá)提取變得復(fù)雜[9]。且雷達(dá)的后向散射的強(qiáng)度隨著生物量的增加而線性增加,達(dá)到一定生物量水平后,后向散射趨于飽和,Landsat TM影像在估測(cè)生物量時(shí)的飽和度閾值是15 kg/m2[10],會(huì)對(duì)估測(cè)精度造成一定的影響。

針對(duì)光學(xué)遙感直接反演地上生物量,而光學(xué)遙感只能觀測(cè)到樹(shù)木冠層信息,不能直接反應(yīng)與地上生物量的研究缺陷,本文以福建省為研究對(duì)象,以Landsat 8 OLI和實(shí)測(cè)數(shù)據(jù)為數(shù)據(jù)源,首先對(duì)影像上的樣點(diǎn)數(shù)據(jù)進(jìn)行混合像元分解,以提取出植被的“純凈”像元,避免樣地中土壤、裸地等地物的影響。其次,以實(shí)地調(diào)查的葉的生物量作為因變量,光譜曲線中與植被相關(guān)性較高的紅光波段(R,中心波長(zhǎng)為0.6546μm)和近紅外波段(NIR,中心波長(zhǎng)為0.8646μm)反射率與其中心波長(zhǎng)(分別CWR和CWNIR)所組成的斜率(即(NIR-R)/(CWNIR-CWR)),作為自變量,建立葉生物量回歸模型,估測(cè)樣地不同植被類型的葉生物量。最后,將植被類型分為針葉林、闊葉林、混交林分別擬合葉生物量和(NIR-R)/(CWNIR-CWR)之間的關(guān)系,并根據(jù)葉生物量和地上生物量的函數(shù)關(guān)系擬合出了福建省地上總生物量。

圖1 研究區(qū)及樣地Fig.1 The study area and location of sample sites

1 研究區(qū)域

研究區(qū)位于中國(guó)福建省(23°33′—28°20′N,115°50′—120°40′E),東隔中國(guó)臺(tái)灣海峽,東北與浙江省毗鄰,西北橫貫武夷山脈與江西省交界,西南與廣東省相連,連接長(zhǎng)江三角洲和珠江三角洲。全省陸域面積12.14萬(wàn)km2,海域面積13.63萬(wàn)km2。福建屬亞熱帶海洋性季風(fēng)氣候,年平均氣溫17—21℃,平均雨量1400—2000 mm。全省山地丘陵面積約占全省土地總面積的90%,這些山地多為森林所覆蓋,使得福建的森林覆蓋率達(dá)65.95%,居全國(guó)第一,主要的植被類型有常綠闊葉林、常綠針葉林、針闊混交林,其中主要常綠闊葉林的樹(shù)種有榕樹(shù)、桉樹(shù)、楠木等,常綠針葉林的主要樹(shù)種有杉木、馬尾松等,研究區(qū)及樣地見(jiàn)圖1。

2 研究數(shù)據(jù)與方法

2.1 數(shù)據(jù)

本研究與2011年8—11月,2012年9—12月份和2013年9—10月份,在福建福州、龍巖、南平、寧德、三明、漳州、莆田、泉州等地共選取296個(gè)樣點(diǎn)數(shù)據(jù)。每個(gè)樣地點(diǎn)設(shè)置30 m×30 m的方形進(jìn)行觀測(cè),首先選取樣地中的標(biāo)準(zhǔn)木,記錄個(gè)數(shù),然后分別記錄樣地的中心坐標(biāo),地形地貌、坡向坡位、土壤類型、植被類型、群落名稱、林齡、以及干、枝、葉、根的生物量信息。其中樣地林齡的測(cè)量方法是：將樣地分為3個(gè)區(qū)域,并在每個(gè)區(qū)域中均勻選取5棵以上的樹(shù)木作為標(biāo)準(zhǔn)木,通過(guò)生長(zhǎng)錐分別對(duì)每組標(biāo)準(zhǔn)木在離地1.3 m處“鉆孔取樣”得到標(biāo)準(zhǔn)木年輪樣本,通過(guò)數(shù)年輪的方式確定每棵標(biāo)準(zhǔn)木的樹(shù)齡,最后取平均值作為樣地的林齡。生物量的測(cè)定方法采用“分層切割法”測(cè)定地上生物量,采用“分層挖掘法”測(cè)定地下生物量。每個(gè)區(qū)域選取5棵標(biāo)準(zhǔn)木,如果3個(gè)區(qū)域樹(shù)種相同,則每個(gè)區(qū)域只選取1棵樹(shù)作為標(biāo)準(zhǔn)木,首先對(duì)一個(gè)區(qū)域的標(biāo)準(zhǔn)木將其伐倒,分別稱量標(biāo)準(zhǔn)木帶皮樹(shù)干的鮮重和全部枝、葉、根的鮮重,并記錄樹(shù)高、胸徑信息,樹(shù)干部分以1m為分層段,每段截取5cm的圓盤(pán),并記錄每個(gè)圓盤(pán)的直徑。枝葉部分,將標(biāo)準(zhǔn)木的冠層分為上、中、下3層,每層選取標(biāo)準(zhǔn)枝,即具有平均帶葉枝鮮重、葉量中等的枝條,每層選取2枝,分別稱量枝、葉的鮮重,樹(shù)根部分分別測(cè)定根莖、粗根(>0.5 cm)、中根(0.2—0.5 cm)、細(xì)根(<0.2 cm)3個(gè)部分的鮮重,每個(gè)部分選取10cm作為樣本。將以上干、枝、葉、根各部分器官樣本帶回實(shí)驗(yàn)室進(jìn)行烘干(105℃)至恒重,并對(duì)各部分器官樣本稱重(干重),與野外測(cè)量各部分器官(鮮重),進(jìn)行比值運(yùn)算,求得各部分的含水率,然后根據(jù)野外稱量各部分器官的總鮮重分別推算標(biāo)準(zhǔn)木干、枝、葉、根的生物量。對(duì)剩余兩個(gè)區(qū)域的標(biāo)準(zhǔn)木做以上同樣的處理,最后將3個(gè)區(qū)域的標(biāo)準(zhǔn)木各部分器官取平均值作為樣地的干、枝、葉、根的平均生物量。最后對(duì)樣地類型統(tǒng)計(jì),其中,常綠闊葉林共77個(gè)樣地點(diǎn),常綠針葉林共190個(gè),針闊混交林29個(gè),樣點(diǎn)的葉、枝、干生物量數(shù)據(jù)的分布與統(tǒng)計(jì)量如表1。

表1 福建省樣點(diǎn)的葉、枝、干生物量數(shù)據(jù)的分布與統(tǒng)計(jì)量

Landsat8 OLI影像為本研究的遙感數(shù)據(jù)源,獲取時(shí)間2013年8—11月6景,2014年9—10月6景,共12景影像),影像完全覆蓋整個(gè)福建省。

土地分類數(shù)據(jù)是對(duì)2013年和2014年各6景Landsat8 OLI影像進(jìn)行鑲嵌,得到福建省影像圖,利用易康(eCognition)軟件中的面向?qū)ο蠓椒▽?duì)土地類型進(jìn)行分類,土地利用類別被分為常綠針葉林、常綠闊葉林、針闊混交林、交通用地、居住用地、工業(yè)用地、河流、裸土、旱地等20類,利用實(shí)測(cè)數(shù)據(jù)和目視解譯數(shù)據(jù)對(duì)分類結(jié)果進(jìn)行驗(yàn)證,其總體的分類精度為80%。

2.2 方法

植物葉面在可見(jiàn)光紅光波段有很強(qiáng)的吸收特性,在近紅外波段有很強(qiáng)的反射特性,這是植被遙感監(jiān)測(cè)的物理基礎(chǔ),很多植被指數(shù)都是基于這兩個(gè)波段的運(yùn)算得到的。從福建省調(diào)查樣地葉生物量與對(duì)應(yīng)Landsat8 OLI影像純植被像元反射率的曲線圖(圖2),可以發(fā)現(xiàn),葉生物量越低,近紅外波段的反射率越高,近紅外與紅光兩個(gè)波段的斜率越大,這可能與樣地葉面冠層含水量有關(guān),當(dāng)樣地中植被的葉生物量較低時(shí),樣地植被葉面中總的含水量就越低,而Landsat8 OLI傳感器近紅外波段對(duì)水的含量最為敏感[11-12],因此紅光和近紅外兩個(gè)波段反射率的斜率能有效反應(yīng)葉生物量的差異。而參數(shù)(NIR-R)/(CWNIR-CWR)就是紅光和近紅外兩個(gè)波段反射率的斜率,所以本文以(NIR-R)/(CWNIR-CWR)為特征參數(shù)與葉生物量構(gòu)建回歸模型,并結(jié)合葉生物量與地上總生物量的關(guān)系,反演出福建省地上總生物量,并繪制福建省地上總生物量分布圖。

本文將采用(NIR-R)/(CWNIR-CWR)與植被的葉生物量進(jìn)行構(gòu)建回歸模型,最后構(gòu)建葉生物量與植被的地上生物量的函數(shù)關(guān)系,進(jìn)而制作福建省地上生物量分布圖。將上述經(jīng)混合像元分解方法篩選出來(lái)的植被樣地按照植被類型分為常綠針葉林和常綠闊葉林和針闊混交林3種類型。分別獲取3種類型樣地的葉生物量,利用實(shí)地測(cè)量的樣地點(diǎn)經(jīng)緯度信息,制作樣地的矢量點(diǎn)數(shù)據(jù),將樣地點(diǎn)矢量數(shù)據(jù)疊加到Landsat 8OLI影像上,并利用ENVI軟件獲得樣地點(diǎn)生物量所對(duì)應(yīng)的光譜曲線。為避免實(shí)測(cè)數(shù)據(jù)中異常值的影響,將樣地每種植被類型的葉生物量從小到大排序,每間隔2 t/hm2的葉生物量取一個(gè)平均值,并將所對(duì)應(yīng)的光譜曲線上每個(gè)波段的值取平均值,繪制葉生物量與光譜曲線的關(guān)系圖(圖2)。然后,分別計(jì)算這3種類型中每個(gè)樣地點(diǎn)(NIR-R)/(CWNIR-CWR)的值,并與平均葉生物量(每間隔2 t/hm2的葉生物量取一個(gè)平均值)進(jìn)行生物量反演,從而構(gòu)建葉生物量與“斜率”的回歸關(guān)系(圖3)。最后利用所有實(shí)測(cè)數(shù)據(jù)進(jìn)行驗(yàn)證精度。本文研究技術(shù)路線如圖4所示。

圖2 不同葉生物量下植被的光譜曲線Fig.2 The spectral curve of different leaf biomass ranges (a)針葉林coniferous forest,(b)闊葉林broad-leaved forest,(c)混交林mixed forest;圖中葉生物量(0—2)表示葉生物量從0(不包含)到2(不包含)t/hm2的光譜曲線取平均值所繪出的曲線,斜率即紅光波段與近紅外波段與對(duì)應(yīng)中心波長(zhǎng)組成的斜率)

圖3 不同植被類型的葉生物量與影像光譜斜率線性回歸關(guān)系 Fig.3 The linear relationship between the leaf biomass and spectral slope for three different vegetation types(a)針葉林coniferous forest,(b)闊葉林broad-leaved forest,(c)混交林mixed forest

圖4 研究技術(shù)路線圖Fig.4 The technical flowchart

2.2.1 遙感影像處理

研究采用Landsat8 OLI影像為數(shù)據(jù)源(獲取時(shí)間2013年8—11月6景,2014年9—10月6景,共12景影像),影像完全覆蓋整個(gè)福建省,使用ENVI 5.1軟件分別對(duì)12景影像進(jìn)行輻射定標(biāo),將圖像的數(shù)字量化值(DN)轉(zhuǎn)化為反射率。然后使用ENVI 5.1軟件中FLAASH功能對(duì)定標(biāo)后的影像進(jìn)行大氣校正,消除大氣中水蒸氣、氧氣、二氧化碳等物質(zhì)對(duì)地物反射的影響并消除大氣分子和氣溶膠散射的影響,從而得到地物的真實(shí)反射率,最后對(duì)影像進(jìn)行地形校正,消除山體陰影對(duì)樣地植被生物量的影響。

本文采用混合像元分解的方法提取遙感影像中植被的“純凈像元”,以確定在影像中選取的樣地像元只包含植被這一種地物,使樣地實(shí)測(cè)的生物量能充分的代表植被的生物量,避免其他地類的影響。由于影像的成像日期、成像角度及地面環(huán)境的細(xì)小變化,都會(huì)影響到影像重疊區(qū)的灰度值的變化,所以在進(jìn)行端元選擇的時(shí)候先不對(duì)影像進(jìn)行鑲嵌,而是分別對(duì)每幅影像進(jìn)行端元的提取,混合像元分解完成后在對(duì)影像進(jìn)行鑲嵌。

(1)端元提取

圖5 端元波譜反射率曲線Fig.5 The spectral reflectance curve of different endmembers

端元的提取即確定影像中構(gòu)成像元的基本組分的數(shù)目和類型,以及這些基本組分的光譜信息[13],本文基于四端元模型 V-L-H-S(植被-低反射率地物-高反射率地物-裸露土壤)[14]確定端元的數(shù)量和類型。首先對(duì)影像進(jìn)行最小噪聲分離變換(Minimum Noise Fraction,MNF),由于影像各波段之間存在一定的相關(guān)性,為了有效的從遙感影像上獲取端元,需要對(duì)影像進(jìn)行去相關(guān)處理即降維處理[15],實(shí)驗(yàn)發(fā)現(xiàn)經(jīng)MNF變化后的影像中前5個(gè)波段的累積方差達(dá)到95%,說(shuō)明前5個(gè)波段包含了影像的大部分信息,符合進(jìn)行下一步操作的要求。接著將MNF變化后的結(jié)果用于計(jì)算純凈像元(Pure Pixel Index,PPI),純凈像元指數(shù)是一種在多光譜或高光譜影像中尋找最純凈像元的一種方法[16],通過(guò)將n維散點(diǎn)圖迭代映射為一個(gè)隨機(jī)單元向量來(lái)計(jì)算,并記錄被標(biāo)記為純凈像元的點(diǎn)與標(biāo)記為純凈像元的次數(shù)以生成像元的純度影像[17]。最后確定端元,將得到的像元純度影像輸入到ENVI軟件的n維可視化窗口中,選取前5個(gè)波段,構(gòu)建5維散點(diǎn)圖,在理想情況下,散點(diǎn)圖是三角形狀,根據(jù)線性混合模型數(shù)學(xué)的描述,純凈端元位于三角形的3個(gè)頂點(diǎn)[18],在實(shí)際的端元選擇的過(guò)程中,往往選擇散點(diǎn)圖周圍凸出的區(qū)域,并獲得這個(gè)區(qū)域?qū)?yīng)在原圖上的平均波譜作為端元波譜,其中端元波譜反射率曲線見(jiàn)圖5。

(2)完全約束最小二乘法混合模型

理論上來(lái)講,一個(gè)像元內(nèi)每種端元的豐度圖DN值范圍介于0—1之間,并且和為1。這是兩個(gè)約束條件[17],因此可以利用完全約束最小二乘法(fully constrained least squares,FCLS)進(jìn)行混合像元分解,由于該方法能夠同時(shí)滿足兩個(gè)約束條件以及高效的運(yùn)算效率,因而得到廣泛認(rèn)可。采用FCLS模型分解的結(jié)果是四端元中不同組分的豐度圖像,圖像中像元值為1的地方代表純凈像元,但理想中純凈像元的數(shù)據(jù)量較少,本文認(rèn)為植被豐度圖中像元值大于0.7即為純凈像元,并將符合條件的植被篩選出來(lái),本文中四端元像元分解的不同端元豐度圖如圖6所示。

圖6 四端元像元分解的不同端元豐度圖 Fig.6 The abundance of four different features

3 結(jié)果與分析

3.1 不同植被類型的葉生物量回歸結(jié)果

由圖3,通過(guò)線性回歸的方法建立不同植被類型的葉生物量與紅光波段和近紅外波段與對(duì)應(yīng)中心波長(zhǎng)所組成的斜率的函數(shù)關(guān)系,本文采用不同植被類型的葉生物量與(NIR-R)/(CWNIR-CWR)的函數(shù)關(guān)系(式(1)),來(lái)反演福建省森林葉生物量。

(1)

式中,WL為不同植被類型的葉生物量,NIR與R分別表示遙感影像上近紅外波段和紅光波段的值,CWNIR和CWR分別表示近紅外和紅光波段中心波長(zhǎng)的值。

本科護(hù)理教學(xué)中的急危重癥護(hù)理，是一門(mén)實(shí)踐性較強(qiáng)的學(xué)科，對(duì)于學(xué)生基礎(chǔ)知識(shí)和動(dòng)手操作能力都有較大的要求。本文借助綜合性設(shè)計(jì)實(shí)驗(yàn)，對(duì)急救護(hù)理教學(xué)進(jìn)行嘗試，培養(yǎng)學(xué)生借助護(hù)理知識(shí)來(lái)應(yīng)對(duì)臨床實(shí)際的能力。取得了良好的效果，具體如下。

經(jīng)過(guò)混合像元分解將植被豐度值小于0.7的樣地去除(豐度圖表示地物像元的“純凈”程度,值越大,像元越“純凈”,越能表示像元只含這一種地物),此時(shí)剩余101個(gè)樣地點(diǎn)(針葉林60個(gè),闊葉林25個(gè),混交林16個(gè))然后對(duì)葉生物量每間隔為2 t/hm2取平均值,此時(shí)的樣點(diǎn)數(shù)針葉林為18個(gè),闊葉林為10個(gè),混交林為10個(gè)。將福建省調(diào)查樣地分為針葉林、闊葉林和針闊混交林,根據(jù)公式1計(jì)算各樣地對(duì)應(yīng)近紅外與紅兩個(gè)波段反射率的斜率,其與對(duì)應(yīng)葉生物量的散點(diǎn)圖如圖3所示。(各植被類型與葉生物量的相關(guān)性R2分別為：針葉林R2=0.7055,闊葉林R2=0.6889,針闊混交林R2=0.5175)兩者的擬合函數(shù)關(guān)系分別為：

針葉林

y=59.358-38.948x

(2)

闊葉林

y=28.622-12.527x

(3)

混林為

y=23.281-10.952x

(4)

公式(2)、(3)、(4)為圖3中各植被類型葉生物量與其對(duì)應(yīng)的紅光、近紅外波段比值構(gòu)成的擬合函數(shù)關(guān)系,式中x為紅光波段與近紅外波段與其中心波長(zhǎng)所組成的斜率,y為樣地的葉生物量(圖中的y表示紅光波段與近紅外波段與其中心波長(zhǎng)所組成的斜率,x表示樣地葉生物量)。

利用福建省樣地實(shí)測(cè)的葉生物與干、枝、葉組成的地上生物量,以葉生物量為自變量,地上生物量為因變量,利用回歸模型擬合出葉生物量與地上生物量的散點(diǎn)圖(圖7)。

圖7 不同植被類型的葉生物量與地上生物量的回歸關(guān)系Fig.7 The linear relationship between the leaf biomass and the above-ground biomass for the different vegetation types

地上生物量和葉生物量擬合的關(guān)系式分別為：

針葉林

y=12.079x-17.610

(5)

闊葉林

y=23.635x-34.124

(6)

混交林

y=14.582x-10.789

(7)

3.2以(NIR-R)/(CWNIR-CWR)為特征指數(shù)的回歸模型與傳統(tǒng)多元回歸模型估測(cè)生物量結(jié)果對(duì)比

3.2.1以(NIR-R)/(CWNIR-CWR)為特征指數(shù)的回歸模型的生物量估算結(jié)果

利用ENVI中BandMath工具結(jié)合上圖中葉生物與地上生物量的回歸函數(shù),并結(jié)合不同植被類型分類數(shù)據(jù)中的針葉林、闊葉林、針闊混交林的矢量數(shù)據(jù),分別反演福建省針葉林、闊葉林、混交林的葉生物量和地上生物量(圖8)。福建省總的葉生物量為2.0675×108t,其中福建省針葉林葉生物量為4.6021×107t,闊葉林葉生物量為1.4580×108t,混交林葉生物量為1.4932×107t。福建省總的地上總生物量為4.2144×109t,其中,針葉林地上生物量為5.5512×108t,闊葉林地上生物量為3.4416×109t,混交林地上生物量為2.1771×108t。

結(jié)果顯示,以紅光波段與近紅外波段與其中心波長(zhǎng)所組成的斜率估測(cè)的樣地葉生物量數(shù)據(jù)與實(shí)測(cè)樣地點(diǎn)的葉生物量數(shù)據(jù)的相關(guān)系數(shù)R2與均方根誤差RMSE分別為：針葉林R2為0.6664,RMSE為29.2467 t/hm2；闊葉林R2為0.6113,RMSE為14.0258 t/hm2;混交林R2為0.5543,RMSE為10.1788 t/hm2;地上總生物量數(shù)據(jù)的相關(guān)系數(shù)R2與均方根誤差RMSE分別為：針葉林R2為0.5465,RMSE為49.8315 t/hm2;闊葉林R2為0.4901,RMSE為45.1820 t/hm2;混交林R2為0.3879,RMSE為41.5131 t/hm2。其中各植被類型的估測(cè)葉生物量與樣地實(shí)測(cè)葉生物量的散點(diǎn)圖如圖9所示,各植被類型的估測(cè)地上生物量與樣地實(shí)測(cè)地上生物量的散點(diǎn)圖如圖10所示。

圖8 福建省森林葉生物量和地上生物量遙感估算空間分布圖Fig.8 The spatial distribution of the estimated forest leaf biomass and above-ground biomass in Fujian Province

圖9 各植被類型的估測(cè)葉生物量與樣地實(shí)測(cè)葉生物量的散點(diǎn)圖Fig.9 The scatters between the model-estimated and in situ leaf biomass

3.2.2 傳統(tǒng)多元回歸模型的生物量估測(cè)結(jié)果

利用經(jīng)混合像元分解剩下的共101個(gè)樣地點(diǎn)(針葉林60個(gè),闊葉林25個(gè),混交林16個(gè)),用ENVI軟件提取樣地點(diǎn)對(duì)應(yīng)影像上的7個(gè)波段的發(fā)射率值,求得NDVI(植被歸一化指數(shù),NDVI=(NIR-R)/(NIR+R))和RVI(比值植被指數(shù),RVI=NIR/R),采用偏最小二乘回歸模型,以NDVI和RVI為自變量因子,以樣地點(diǎn)的實(shí)測(cè)數(shù)據(jù)為因變量,分別擬合出3種植被類型的擬合值與實(shí)測(cè)值之間的函數(shù)關(guān)系。其中地上生物量實(shí)測(cè)值與擬合值的關(guān)系如圖11所示。

圖10 各植被類型的估測(cè)地上生物量與樣地實(shí)測(cè)地上生物量的散點(diǎn)圖Fig.10 The scatters between the model-estimated and in situ above-ground biomass

圖11 多元回歸方法中各植被類型的擬合地上生物量與樣地實(shí)測(cè)地上生物量的散點(diǎn)圖Fig.11 The scatters between the model-estimated and in situ above-ground biomass of multi-ple regression model

圖12 多元回歸方法中福建省森林地上生物量遙感估算空間分布Fig.12 The spatial distribution of the estimated above-ground biomass in Fujian Province

圖13 多元回歸方法中各植被類型的估測(cè)地上生物量與樣地實(shí)測(cè)地上生物量的散點(diǎn)Fig.13 The scatters between the model-estimated and in situ above-ground biomass

利用ENVI中BandMath工具結(jié)合上圖中各植被類型的擬合回歸函數(shù),并結(jié)合不同植被類型分類數(shù)據(jù)中的針葉林、闊葉林、針闊混交林的矢量數(shù)據(jù),反演福建省地上生物量(圖12)。福建省總的地上總生物量為6.5418×108t,其中,針葉林地上生物量為1.4502×108t,闊葉林地上生物量為4.2891×108t,混交林地上生物量為0.8008×108t。

利用福建省所有的樣地點(diǎn)數(shù)據(jù)(針葉林190個(gè),闊葉林77個(gè),針闊混交林29個(gè))分別對(duì)多元回歸方法得到的針葉林、闊葉林、針闊混交林地上生物量進(jìn)行驗(yàn)證,其中地上生物量估測(cè)值與實(shí)測(cè)值的相關(guān)系數(shù)R2與均方根誤差RMSE分別為：針葉林R2為0.1510,RMSE為31.4462 t/hm2；闊葉林R2為0.1952,RMSE為21.9891 t/hm2;混交林R2為0.1546,RMSE為30.6258 t/hm2。多元回歸方法中各植被類型的估測(cè)地上生物量與樣地實(shí)測(cè)地上生物量的散點(diǎn)圖如圖13所示。

對(duì)比上述兩種方法,兩種方法都經(jīng)混合像元分解,提取到了“純凈”的植被像元。其中以(NIR-R)/(CWNIR-CWR)為特征指數(shù)的回歸模型,為避免部分異常生物量值的影響,對(duì)葉生物量進(jìn)行每間隔2 t/hm2的生物量取平均值,并對(duì)相應(yīng)的Landsat 8 OLI影像的光譜值取平均。由于光學(xué)遙感影像只能觀測(cè)到森林冠層的信息,并不能觀測(cè)到植被枝、干的信息,所以本文以(NIR-R)/(CWNIR-CWR)為特征指數(shù)與葉生物量先建立函數(shù)關(guān)系,求出福建省葉生物量的分布圖。然后構(gòu)建葉生物量與地上總生物量的函數(shù)關(guān)系,從而求出福建省的總地上生物量,最后繪制福建省總地上生物量分布圖。多元回歸的傳統(tǒng)模型,采用偏最小二乘的方法,以NDVI和RVI為自變量因子,以實(shí)測(cè)的地上生物量為因變量因子,求出地上生物量擬合值與實(shí)測(cè)值之間的關(guān)系,進(jìn)而求得福建省總地上生物量,并繪制了福建省地上生物量分布圖。對(duì)兩種方法進(jìn)行精度驗(yàn)證,前者的估測(cè)結(jié)果的相關(guān)系數(shù)R2和RMSE分別為：針葉林R2為0.6664,RMSE為29.2467 t/hm2；闊葉林R2為0.6113,RMSE為14.0258 t/hm2；混交林R2為0.5543,RSME為10.1788 t/hm2；后者的估測(cè)結(jié)果的相關(guān)系數(shù)R2和RMSE分別為針葉林R2為0.1510,RMSE為31.4462 t/hm2；闊葉林R2為0.1952,RMSE為21.9891t/hm2;混交林R2為0.1546,RMSE為30.6258 t/hm2。說(shuō)明本文方法具有更高的相關(guān)性,故而,采用紅光波段和近紅外波段所組成的斜率與葉生物量構(gòu)建關(guān)系模型,進(jìn)而估測(cè)生物量的方法比傳統(tǒng)的多元回歸方法具有一定的優(yōu)勢(shì)。

4 結(jié)語(yǔ)

本文以福建省針葉林、闊葉林、針闊混交林的葉生物量為研究對(duì)象,采用混合像元分解模型,并結(jié)合Landsat8 OLI數(shù)據(jù),提取紅光波段和近紅外波段與其中心波長(zhǎng)所組成的斜率,構(gòu)建不同植被類型的葉生物量與“斜率”的函數(shù)關(guān)系。然后利用不同植被類型的分類數(shù)據(jù)分別估算福建省針葉林、闊葉林、混交林的葉生物量,并對(duì)其精度進(jìn)行驗(yàn)證。結(jié)果顯示,對(duì)針葉林估測(cè)結(jié)果的相關(guān)系數(shù)R2為0.6664,RMSE為29.2467 t/hm2；闊葉林R2為0.6113,RMSE為14.0258 t/hm2；混交林R2為0.5543,RSME為10.1788 t/hm2,估測(cè)結(jié)果具有較高的相關(guān)性,說(shuō)明采用紅光波段和近紅外波段所組成的斜率與葉生物量構(gòu)建關(guān)系模型,進(jìn)而估測(cè)葉生物量的方法是有效可行的,最后采用葉生物量與地上生物量的關(guān)系模型,估算了福建全省的地上生物量,結(jié)果顯示, 對(duì)針葉林估測(cè)結(jié)果的相關(guān)系數(shù)R2為0.5465,RMSE為49.8315 t/hm2；闊葉林R2為0.4901,RMSE為45.1820t/hm2；混交林R2為0.3879,RSME為41.5131 t/hm2,并繪制了福建省地上生物量分布圖。

本文基于森林群落及光譜曲線特征分異,利用紅光和近紅外波段所構(gòu)成的“斜率”估測(cè)生物量,為生物量估測(cè)提供了一種新的遙感研究方法。本研究由于實(shí)測(cè)樣地?cái)?shù)量有限,對(duì)反演結(jié)果和精度驗(yàn)證會(huì)有一定的影響,在下一步的研究中,將增加實(shí)測(cè)樣地?cái)?shù)據(jù),使研究數(shù)據(jù)更加充分,提高回歸模型的反演精度。同時(shí)可嘗試建立由Landsat8數(shù)據(jù)的2—7波段所構(gòu)成光譜曲線與X軸所組成的面積與生物量的關(guān)系,進(jìn)行生物量的遙感估測(cè),提高生物量估算精度。

[1] 楊洪曉, 吳波, 張金屯, 林德榮, 常順利. 森林生態(tài)系統(tǒng)的固碳功能和碳儲(chǔ)量研究進(jìn)展. 北京師范大學(xué)學(xué)報(bào): 自然科學(xué)版, 2005, 41(2): 172- 177.

[2] Qu M, Ahponen P, Tahvanainen L, Pelkonen P. Chinese academic experts′ assessment for forest bio-energy development in China. Energy Policy, 2010, 38(11): 6767- 6775.

[3] Parikka, M. Global biomass fuel resources. Biomass and Bioenergy, 2004, 27(6): 613- 620.

[4] 劉剛,沈鐳. 中國(guó)生物質(zhì)能源的定量評(píng)價(jià)及其他地理分布. 自然資源學(xué)報(bào),2007,22(1)：9- 19.

[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. 地理與地理信息科學(xué), 2004, 20(6): 22- 25.

[6] 閔志強(qiáng), 孫玉軍. 長(zhǎng)白落葉松林生物量的模擬估測(cè). 應(yīng)用生態(tài)學(xué)報(bào), 2010, 21(6): 1359- 1366.

[7] 黃麗艷, 閆巧玲, 高添, 朱教君. 基于ALOS PALSAR雷達(dá)影像的人工林蓄積量估算——以塞罕壩機(jī)械林場(chǎng)華北落葉松人工林為例. 生態(tài)學(xué)雜志, 2015, 34(9): 2401- 2409.

[8] 琚存勇, 蔡體久. 用泛化改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)估測(cè)森林蓄積量. 林業(yè)科學(xué), 2006, 42(12): 59- 62.

[9] Tomppo E, Nilsson M, Rosengren M, Aalto P, Kennedy P. Simultaneous use of Landsat-TM and IRS- 1C WiFS data in estimating large area tree stem volume and aboveground biomass. Remote Sensing of Environment, 2002, 82(1): 156- 171.

[10] Steininger M K. Satellite estimation of tropical secondary forest above-ground biomass: data from Brazil and Bolivia. International Journal of Remote Sensing, 2000, 21(6/7): 1139- 1157.

[11] Chang C I, Heinz D C. Constrained subpixel target detection for remotely sensed imagery. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(3): 1144- 1159.

[12] 鄭興明, 丁艷玲, 趙凱, 姜濤, 李曉峰, 張世軼, 李洋洋, 武黎黎, 孫建, 任建華, 張宣宣. 基于Landsat 8 OLI數(shù)據(jù)的玉米冠層含水量反演研究. 光譜學(xué)與光譜分析, 2014, 34(12): 3385- 3390.

[13] Wu C S, Murray A T. Estimating impervious surface distribution by spectral mixture analysis. Remote Sensing of Environment, 2003, 84(4): 493- 505.

[14] 崔天翔, 宮兆寧, 趙文吉, 趙雅莉, 林川. 不同端元模型下濕地植被覆蓋度的提取方法——以北京市野鴨湖濕地自然保護(hù)區(qū)為例. 生態(tài)學(xué)報(bào), 2013, 33(4): 1160- 1171.

[15] Dawelbait M, Morari F. Monitoring desertification in a Savannah region in Sudan using Landsat images and spectral mixture analysis. Journal of Arid Environments, 2012, 80: 45- 55.

[16] Tompkins S, Mustard J F, Pieters C M, Forsyth D W. Optimization of endmembers for spectral mixture analysis. Remote Sensing of Environment, 1997, 59(3): 472- 489.

[17] 張佳華,張國(guó)平,王培娟. 植被與生態(tài)遙感. 北京：科學(xué)出版社, 2010

[18] Smith M O, Johnson P E, Adams J B. Quantitative determination of mineral types and abundances from reflectance spectra using principal components analysis. Journal of Geophysical Research, 1985, 90(S02): C797-C804.

Forestbiomassbasedontheforestcommunitiesandimagespectralcurvecharacteristics:aremotesensingestimationinFujianProvince

SU Hua1, LI Jing1,2, CHEN Xiuzhi2,*, LIAO Jishan2, WEN Dazhi2

1KeyLaboratoryofSpatialDataMiningandInformationSharingofMinistryofEducation,NationalEngineeringResearchCentreofGeo-spatialInformationTechnology,FuzhouUniversity,Fuzhou350002,China2SouthChinaBotanicalGarden,ChineseAcademyofSciences,Guangzhou510650,China

國(guó)家自然科學(xué)基金(31500357, 41401055, 41430529, 41601444); 廣東省自然科學(xué)基金(2014A030310233, 2015A030313809, 2015A030313811); 廣州市科技計(jì)劃(201510010240, 2016J2200001); 廣東省水利廳科技創(chuàng)新項(xiàng)目(2016- 16); 海西政務(wù)大數(shù)據(jù)應(yīng)用協(xié)同創(chuàng)新中心資助; 中國(guó)科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)(XDA05050200); 福建省自然科學(xué)基金(2017J01657); 中國(guó)博士后科學(xué)基金面上資助(2016M600495)

2016- 06- 06; < class="emphasis_bold">網(wǎng)絡(luò)出版日期

日期:2017- 04- 24

10.5846/stxb201606061086

*通訊作者Corresponding author.E-mail: chenxz@scbg.ac.cn

蘇華,李靜,陳修治,廖吉善,溫達(dá)志.基于森林群落和光譜曲線特征分異的福建省森林生物量遙感反演.生態(tài)學(xué)報(bào),2017,37(17):5742- 5755.

Su H, Li J, Chen X Z, Liao J S, Wen D Z.Forest biomass based on the forest communities and image spectral curve characteristics: a remote sensing estimation in Fujian Province.Acta Ecologica Sinica,2017,37(17):5742- 5755.