房秀鳳 譚炳香 劉清旺 王懷警

(中國林業(yè)科學(xué)研究院資源信息研究所，北京,100091)

基于紋理信息的森林蓄積量估計(jì)1)

房秀鳳 譚炳香 劉清旺 王懷警

(中國林業(yè)科學(xué)研究院資源信息研究所，北京,100091)

以河北省秦皇島市山海關(guān)公益林為研究對(duì)象，結(jié)合Landsat TM數(shù)據(jù)和森林資源二類調(diào)查數(shù)據(jù)，運(yùn)用灰度共生矩陣分析法提取紋理信息，采用逐步回歸法建立多元線性回歸模型，進(jìn)行森林蓄積量的估算。結(jié)果表明：選取紋理因子參與建模，建立的線性回歸方程的擬合效果較好，估測模型的R2值達(dá)0.766，估計(jì)值的標(biāo)準(zhǔn)誤差最小，標(biāo)準(zhǔn)誤差最小值為28.036，說明紋理因子對(duì)提高森林蓄積量的估測精度有重要影響。

森林蓄積量；遙感數(shù)據(jù)；灰度共生矩陣；紋理因子

森林蓄積量是表征森林?jǐn)?shù)量的重要指標(biāo)之一，森林蓄積的估測也是國家掌握森林資源的重要依據(jù)。國內(nèi)從20世紀(jì)70年代開始利用遙感技術(shù)對(duì)森林蓄積量進(jìn)行估測[1]。我國于1954年建立了“森林航空測量調(diào)查大隊(duì)”，將遙感技術(shù)應(yīng)用到林業(yè)調(diào)查中[2]。隨著科學(xué)技術(shù)的發(fā)展，如何利用高新技術(shù)快速便捷的完成以往需要耗時(shí)費(fèi)力的林業(yè)調(diào)查(如森林蓄積量的估測)，已成為當(dāng)今林業(yè)的熱點(diǎn)之一。而把遙感(RS)技術(shù)和地理信息系統(tǒng)技術(shù)應(yīng)用于森林蓄積量的估測，有效的解決了傳統(tǒng)森林蓄積量調(diào)查的難題[3-6]。紋理信息是遙感影像重要的視覺線索之一，紋理分析可用于圖像處理中探測識(shí)別不同地物特征，利用紋理的差異識(shí)別林木、灌叢等光譜特征相似的植被[7-9]。因此，本研究以山海關(guān)公益林為研究對(duì)象，結(jié)合TM影像和二類森林資源調(diào)查數(shù)據(jù)，在前人對(duì)森林蓄積量的經(jīng)驗(yàn)研究基礎(chǔ)上，對(duì)于建模因子的選擇加入了表征紋理信息的灰度共生矩陣，并結(jié)合統(tǒng)計(jì)學(xué)原理對(duì)多個(gè)建模因子進(jìn)行逐步優(yōu)選，從而建立最適宜森立蓄積量估測的模型。

1 研究區(qū)概況

研究區(qū)位于秦皇島市山海關(guān)區(qū)境內(nèi)，自然條件優(yōu)越，森林資源豐富[10]。根據(jù)2007年森林資源二類調(diào)查資料顯示，研究區(qū)域所在的山海關(guān)林場總面積3 133 hm2，其中，天然林面積為1 846.1 hm2，活立木蓄積41 104.2 m3，人工林面積為1 285 hm2，活立木蓄積為78 982.9 m3。山海關(guān)林場小班地理位置如圖1所示。

圖1 山海關(guān)林場地理位置及小班示意圖

2 研究方法

2.1 數(shù)據(jù)獲取

本研究使用的遙感數(shù)據(jù)是在地理空間數(shù)據(jù)云網(wǎng)站上下載的覆蓋秦皇島市山海關(guān)林場2007年9月19日的LandsatTM影像，影像空間分辨率為30 m。因TM6為熱紅外波段常用于探測溫度，土壤水分識(shí)別和熱制圖，在本研究不予使用，因此在影像處理中將其剔除。

除遙感數(shù)據(jù)外，還收集到山海關(guān)地區(qū)行政邊界數(shù)據(jù)，用以裁剪原始影像數(shù)據(jù)生成研究區(qū)影像；山海關(guān)林場2007年森林資源二類調(diào)查小班數(shù)據(jù)，用以提取林分因子，并與遙感影像疊加提取建模所需的其他自變量值。

遙感估測蓄積量需要提取遙感影像上的像元信息，把像元信息作為構(gòu)建模型的自變量。遙感影像上原始像元值是灰度值，在進(jìn)行蓄積量遙感估測時(shí)，真實(shí)的地物反射率需經(jīng)過大氣校正后才能獲得，因此，建立蓄積量估測模型需要對(duì)研究區(qū)數(shù)據(jù)進(jìn)行預(yù)處理，主要是對(duì)獲取的遙感影像進(jìn)行輻射校正(包括輻射定標(biāo)和大氣校正)。進(jìn)行大氣校正采用的是Flaash大氣校正模塊，通過矯正消除由傳感器本身產(chǎn)生的內(nèi)部誤差和由大氣、地形引起的外部誤差的影響[11-13]。

圖2 山海關(guān)區(qū)遙感影像

2.2 技術(shù)路線

本研究將影響森林蓄積量的建模因子主要分為3類，第1類是通過森林資源二類調(diào)查數(shù)據(jù)得到的郁閉度因子；第2類是從遙感影像上獲取的反射率值、波段比值和相關(guān)的植被指數(shù)；第3類則是為了更有效的反映遙感影像地物信息，整體把握影像中森林與周圍環(huán)境關(guān)系，從空間上全面的分析森林信息，結(jié)合遙感影像采用灰度共生矩陣分析法提取紋理因子。

經(jīng)過相關(guān)性分析，3類建模因子間存在復(fù)線性相關(guān)，且存在與蓄積量相關(guān)性小的因子。由于逐步回歸是根據(jù)所選因子要素重要性的大小確定的，每步選一個(gè)重要變量進(jìn)入回歸方程，第一步使選擇的要素有大于其他要素的偏回歸平方和；第二步在未選的要素中選一個(gè)要素，使它與已選的要素構(gòu)成二元回歸方程，比其它要素組成的二元回歸方程有更大的回歸平方和。以此類推，每選一次都進(jìn)行顯著性檢驗(yàn)。同時(shí)，考慮后選要素影響，已選要素顯著性降低，把其中回歸平方和最小的要素進(jìn)行顯著性檢驗(yàn)，把不顯著的加以剔除。如此循環(huán)進(jìn)行到無不顯著要素可剔除，又無顯著要素可選入為止[14]。

林分因子：在森林資源二類調(diào)查數(shù)據(jù)資料中，小班的調(diào)查因子很多，它們都應(yīng)在構(gòu)建蓄積量估測模型構(gòu)建過程中予以考慮。對(duì)于利用TM數(shù)據(jù)估測森林蓄積量，有些因子是無法引入估測模型的。為了提高估測效率，本研究只選取與蓄積量極相關(guān)的郁閉度因子參與模型的建立，將調(diào)查的小班與研究區(qū)影像在ARCGIS中疊加，使得影像(面圖層)具有相應(yīng)屬性，完成將郁閉度的屬性值賦給影像。

遙感因子的提取：對(duì)植被的遙感研究主要是植被的光譜信息特征。選取的遙感因子如表1所示。

表1 提取的遙感因子

提取紋理因子：紋理是遙感影像重要的視覺線索之一，一般把局部不規(guī)則而宏觀有規(guī)律的特性叫做紋理特性?；叶裙采仃囀茄芯繄D像灰度的空間相關(guān)性的一種方法。這種方法是基于像元灰度為某一值的像素，研究灰度共生矩陣中圖像像元在不同方向、不同間隔等空間上的關(guān)系，常作為分析紋理特性的重要依據(jù)[15-16]。通過灰度共生矩陣分析法，提取的8個(gè)特性因子分別為：對(duì)比度、熵、逆差距、相關(guān)性、能量(二階矩)、均值、協(xié)方差、差異性。將二類調(diào)查數(shù)據(jù)進(jìn)行整理，并抽取了490個(gè)樣本，將這490個(gè)樣地的小班區(qū)劃圖與TM影像、灰度共生矩陣影像進(jìn)行疊加，提取出對(duì)應(yīng)的因子值。對(duì)于TM影像數(shù)據(jù)選取的6個(gè)波段，每個(gè)波段提取8個(gè)特性因子，共提取48個(gè)特性因子。

取圖像(N×N)中任意一點(diǎn)(x，y)其灰度值為i，及偏離它的另一點(diǎn)(x+Δx，y+Δy)，設(shè)該點(diǎn)對(duì)應(yīng)的灰度值為j，對(duì)應(yīng)灰度級(jí)為k，G表示灰度共生矩陣。

對(duì)比度是反映圖像的清晰度和紋理溝紋的深淺。對(duì)比度越大，圖像越清晰，對(duì)比度越小，溝紋越淺，圖像越不清晰。對(duì)比度計(jì)算公式為：

熵是反映了圖像中紋理的復(fù)雜程度和非均勻程度。當(dāng)熵的值比較大時(shí)，圖像分布不均勻，圖像的隨機(jī)因素或噪聲會(huì)比較大，當(dāng)熵的值比較小時(shí)，圖像的灰度值分布均勻，紋理較簡單。熵的計(jì)算公式為：

逆差距是反映圖像紋理的同質(zhì)性，值越大局部越均勻。當(dāng)逆差距的值較大時(shí)，灰度像元對(duì)角元素值越大。逆差距的計(jì)算公式為：

能量(又稱二階矩)是反映了圖像灰度分布的均勻程度和粗細(xì)程度。當(dāng)灰度共生矩陣的元素集中分布時(shí)，能量的值較大，反之則較小。能量的計(jì)算公式為：

相關(guān)性是反映了灰度共生矩陣的像素的相似程度。計(jì)算公式為：

其中：

除上述5種灰度共生矩陣的特征因子外，對(duì)于研究區(qū)的遙感影像還提取了均值、協(xié)方差、差異性。

3 結(jié)果與分析

3.1 逐步回歸結(jié)果

在統(tǒng)計(jì)軟件SPSS中再將提取的三類變量用逐步回歸的方法進(jìn)行探索分析。本研究以回歸系數(shù)顯著性檢驗(yàn)中各自變量的F統(tǒng)計(jì)量的相伴概率值Sig≤0.05和Sig≥0.10作為自變量是否引入模型或者從模型剔出的標(biāo)準(zhǔn)。當(dāng)自變量的F統(tǒng)計(jì)量的相伴概率值Sig≤0.05，認(rèn)為該變量對(duì)因變量的影響是顯著的，應(yīng)被引入回歸方程；當(dāng)自變量的F統(tǒng)計(jì)量的相伴概率值Sig≥0.10時(shí)，則認(rèn)為該變量對(duì)因變量的影響不顯著，應(yīng)從回歸方程剔除。由2表可知，入選變量有郁閉度、第7波均值、第4波段差異性、RVI(比值植被指數(shù))、第2波段均值。當(dāng)顯著水平為0.05時(shí)，入選的變量在T檢驗(yàn)下概率值均小于0.05，因而通過T檢驗(yàn)。說明這幾個(gè)因子間不相互關(guān)聯(lián)，且對(duì)蓄積量的影響很大，可參與估測方程的模擬。

當(dāng)參與模型構(gòu)建的自變量只有郁閉度、紋理因子時(shí)，入選的變量有郁閉度、第7波段均值、第4波段差異和第2波段均值，在顯著性水平0.05下，入選的因子在t檢驗(yàn)下，統(tǒng)計(jì)量分析結(jié)果如表3所示。

表2 5個(gè)入選變量的t檢驗(yàn)結(jié)果

表3 4個(gè)入選變量的t檢驗(yàn)結(jié)果

當(dāng)參與模型構(gòu)建的自變量只有郁閉度、遙感因子時(shí)，在顯著性水平0.05下，入選的因子經(jīng)t檢驗(yàn)的結(jié)果見表4。

表4 2個(gè)入選變量的t檢驗(yàn)結(jié)果

3.2 模型構(gòu)建與檢驗(yàn)

(1)郁閉度、遙感因子和紋理因子都參與建模并對(duì)選入的變量重新編號(hào)，令自變量x1為郁閉度，x2為第7波段均值，x3為第4波段差異性，x4為RVI(比值植被指數(shù))，x5為第2波段均值，y為小班單位蓄積量，經(jīng)上述逐步回歸擬合得到的方程為：y=16.808x1+4.098x2+0.04x3-2.616x4-3.781x5-38.511?；貧w模型的相關(guān)系數(shù)為0.766，擬合線性回歸的確定性系數(shù)為0.587，能夠較好地反映出蓄積量與入選的遙感因子、紋理因子以及與林分立地因子郁閉度之間的關(guān)系，最終估計(jì)值的標(biāo)準(zhǔn)誤差為28.036，回歸方程的顯著性檢驗(yàn)對(duì)應(yīng)的F統(tǒng)計(jì)量的值為63.034，顯著水平為0小于0.05，達(dá)到顯著性水平檢驗(yàn)。如圖3和圖4可知，累計(jì)概率在0.5～0.8擬合程度較低，但是對(duì)應(yīng)的標(biāo)準(zhǔn)化殘差大于4的頻率較低，因此，回歸方程具有顯著的線性回歸關(guān)系。

(2)郁閉度和紋理因子都參與建模，對(duì)選入的變量重新編號(hào)，令自變量x1為郁閉度，x2為第7波段均值，x3為第四波段差異性，x4為第二波段均值，y為小班單位蓄積量，經(jīng)上述逐步回歸擬合得到的方程為：y=16.417x1+3.82x2+0.049x3-3.168x4-57.357。

由圖5、圖6可知，回歸模型的相關(guān)系數(shù)為0.724，擬合線性回歸的確定性系數(shù)為0.525，且最終估計(jì)值的標(biāo)準(zhǔn)誤差為29.895大于第一個(gè)方程，可見，其擬合效果不如第一個(gè)方程好，回歸方程的顯著性檢驗(yàn)統(tǒng)計(jì)量作F檢驗(yàn)，對(duì)應(yīng)的F統(tǒng)計(jì)量的值為109.003，顯著水平為0小于0.05，達(dá)到顯著性水平檢驗(yàn)，也具有顯著的線性回歸關(guān)系。

圖3 觀測值與期望值累積概率擬合關(guān)系

圖4 回歸標(biāo)準(zhǔn)化殘差正態(tài)分布圖

(3)郁閉度和遙感因子參與建模，選入的變量重新編號(hào)，令自變量x1為郁閉度，x2為第7波段值，y為小班單位蓄積量，經(jīng)上述逐步回歸擬合得到的方程為：y=17.717x1+166.335x2-74.205。

由圖7、圖8可知，回歸模型的相關(guān)系數(shù)為0.541，最終估計(jì)值的標(biāo)準(zhǔn)誤差為40.907都大于前兩個(gè)方程，回歸方程的顯著性檢驗(yàn)統(tǒng)計(jì)量作F檢驗(yàn)，顯著水平小于0.05，雖然達(dá)到顯著性水平檢驗(yàn)，具有顯著的線性回歸關(guān)系，但是擬合程度低于前兩個(gè)模型。

圖5 觀測值與期望值累積概率擬合關(guān)系

圖6 回歸標(biāo)準(zhǔn)化殘差正態(tài)分布圖

圖7 觀測值與期望值累積概率擬合關(guān)系

圖8 回歸標(biāo)準(zhǔn)化殘差正態(tài)分布圖

3.3 蓄積量估測精度評(píng)價(jià)

根據(jù)上述公式計(jì)算得到的蓄積量估測分布圖如圖9所示，模型的精度評(píng)價(jià)分析如表5所示。

圖9 研究區(qū)山海關(guān)林場蓄積量預(yù)測分布圖

小班編號(hào)單位蓄積量/m3·hm-2估測蓄積量/m3·hm-2殘差/m3·hm-2相對(duì)殘差/% 16672.3176.3179.5725869.66911.66920.1234763.67016.67035.4745862.8654.8658.3955772.20315.20326.6765866.7268.72615.0575351.1691.8313.4585264.63812.63824.3095334.40418.59635.09104443.1880.8121.85?????1155771.90714.90726.151162526.9461.9467.781175257.0705.0709.751183850.91512.91533.991195136.03314.96729.351205573.64018.64033.89

注：平均相對(duì)殘差19.01%；平均相對(duì)精度80.99%。

在本研究中剔除異常小班后，選取的樣本為490塊，除去用于模型構(gòu)建的370塊小班，用余下的120個(gè)小班進(jìn)行估測方程精度的驗(yàn)證。僅對(duì)建立的第一個(gè)估測方程進(jìn)行驗(yàn)證，由表5可知估測的相對(duì)精度為80.99%，估測效果良好。

4 結(jié)論

對(duì)于建模因子的選取，本研究通過灰度共生矩陣方法提取的紋理信息參與到建模中，經(jīng)過比較分析可知紋理因子有助于提高森林蓄積量的估算精度。

由于選擇的灰度共生矩陣提取的紋理因子較多，且選取的各因子間存在一定的相關(guān)性，而逐步回歸分析的優(yōu)點(diǎn)是可以在眾多的建模因子中篩選出較為重要的因子。因此，采用逐步回歸進(jìn)行探索分析，根據(jù)因子對(duì)蓄積量影響程度的大小篩選出適宜因子進(jìn)行建模，使得建立的估測方程，能通過F檢驗(yàn)，說明估測方程有效，其線性關(guān)系較顯著。

由于掌握的數(shù)據(jù)的全面性不是很理想，對(duì)估測精度有一定的影響，通過分析本研究的缺陷有：①本研究對(duì)森林蓄積量的估測是基于整體的小班數(shù)據(jù)，存在針葉林和闊葉林的反射光譜特征存在差異性，二者混合建模降低了最終的估測精度。②由于數(shù)據(jù)全面性不是很理想，比如缺乏對(duì)地形的全面性考慮導(dǎo)致不能完全剔除異常數(shù)據(jù)，使得最終估測精度降低，這些問題都需要再進(jìn)一步的研究完善。

[1] 于楠楠.基于TM數(shù)據(jù)的森林蓄積量估測模型研究[D].呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué),2012.

[2] 孫司衡.邁進(jìn)新世紀(jì)的我國林業(yè)遙感[J].衛(wèi)星應(yīng)用,2000,8(2):43-45.

[3] 包盈智,袁凱先,趙憲文,等.森林二類調(diào)查中蓄積量遙感估測方法應(yīng)用實(shí)例[J].林業(yè)科學(xué)研究,1996,9(3):234-238.

[4] 趙憲文.林業(yè)遙感定量估測[M].北京：中國林業(yè)出版社,1997.

[5] 黃平,侯長謀,楊燕瓊.基于RS、GIS的杉木林分蓄積量判讀模型研究[J].中南林業(yè)調(diào)查規(guī)劃,2003,22(1):25-27.

[6] POPESCU S C, ZHAO K G. A voxel-based lidar method for estimating crown base height for deciduous and pine trees[J]. Remote Sensing of Environment,2008,112(3):767-781.

[8] 韓晶,鄧喀中,李北城.基于灰度共生矩陣紋理特征的SAR影像變化檢測方法研究[J].大地測量與地球動(dòng)力學(xué),2012,32(4):94-98.

[9] 劉舒,姜琦剛,邵永社,等.應(yīng)用灰度共生矩陣的紋理特征描述的研究[J].科學(xué)技術(shù)與工程,2012,12(33):8909-8914.

[10] 韓丹丹,喬秀榮.淺談山海關(guān)林場森林資源的利用與[J].河北林業(yè)科技,2006,34(4):45-46.

[11] 王雪軍.基于多源數(shù)據(jù)源的森林資源年度動(dòng)態(tài)監(jiān)測研究：以鞍山市為例[D].北京：北京林業(yè)大學(xué),2013.

[12] 賴日文.基于RS與GIS技術(shù)閩江流域森林資源利用評(píng)價(jià)研究[D].北京：北京林業(yè)大學(xué),2007.

[13] 張彥林.基于3S技術(shù)的山東省森林蓄積量定量估測研究[D].北京：北京林業(yè)大學(xué),2008.

[14] 張超.計(jì)量地理學(xué)基礎(chǔ)[M].北京：高等教育出版社,1991.

[15] 馮建輝,楊玉靜.基于灰度共生矩陣提取紋理特征圖像的研究[J].北京測繪,2007,21(3):19-22.

[16] 李慧娜,郭超峰,平源.灰度共生矩陣在指紋圖像分割中的應(yīng)用[J].數(shù)據(jù)采集與處理,2012,27(1):63-67.

EstimationofForestStockVolumebyTextureInformation//

Fang Xiufeng, Tan Bingxiang, Liu Qingwang, Wang Huaijing

(Institution of Forest Resources Information Technique, Chinese Academy of Forestry, Beijing 100091, P. R. China)//

Forest stock volume; Remote sensing data; GLCM; Texture factors

1)國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2017YFD0600904)；國家高分專項(xiàng)(30-Y20A37-9003-15/17-3)。

房秀鳳，女，1991年6月生，中國林業(yè)科學(xué)研究院資源信息研究所，碩士研究生。E-mail：1156807749@qq.com。

譚炳香，中國林業(yè)科學(xué)研究院資源信息研究所，研究員。E-mail：tan@caf.ac.cn。

2017年3月22日。

責(zé)任編輯：王廣建。

TP79

Journal of Northeast Forestry University，2017,45(11)：21-25.

With Shanhaiguan Public Welfare Forest of Qinhuangdao City in Hebei Province as the research area, we extracted texture features by gray level co-occurrence matrix (GLCM) based on the forest resource inventory data for management and Landsat TM images, and the multiple linear regression model was established by stepwise regression method to estimate the forest volume. The fitting result was better if selected texture factors to establish model withR2of 0.766, the smallest standard error of the estimated value, and the minimum error of standard error of 28.036. Therefore, the texture factor has important influence on the estimation precision of forest volume.