張翔雨 王瑞瑞

摘要：以寧波市北侖區(qū)新路林場作為研究區(qū)域，選用主成分回歸法、偏最小二乘法和逐步回歸法3種不同方法，基于資源三號衛(wèi)星影像建立蓄積量反演模型，并對比不同估測模型的精度得出逐步回歸模型為最優(yōu)模型，相對精度為95.2%，滿足林業(yè)調查的需要。

關鍵詞：資源三號影像;蓄積量;估測模型;模型精度

中圖分類號：S771.8;S758.5+1? ? ? ? ?文獻標識碼：A

文章編號：0439-8114（2019）12-0074-05

DOI：10.14088/j.cnki.issn0439-8114.2019.12.017? ? ? ? ? ?開放科學（資源服務）標識碼（OSID）：

Abstract： Three different methods， principal component regression method， partial least squares method and stepwise regression method are used to establish the volume inversion model based on the satellite image of ZY-3. The stepwise regression model is the optimal model by comparing the accuracy of different estimation models， and the relative accuracy is 95.2%， which meets the needs of forestry investigation.

Key words： ZY-3 image; volume; estimation model; model accuracy

森林蓄積量是指森林樹干部分的總材積，它是體現一個地區(qū)森林資源整體水平的一個重要指標，也是體現一個地區(qū)森林資源的豐碩程度、一個地區(qū)森林環(huán)境好壞的直觀體現，在國民經濟生產和保護森林資源等方面有著廣泛的應用。森林質量評價也離不開蓄積量，它是評價一個地區(qū)森林資源質量優(yōu)劣的重要標準之一。傳統(tǒng)的森林蓄積量調查依賴于人工測量，主要是使用測量工具對大范圍樣地區(qū)域林木的樹高和胸徑進行測量，利用所調查樹木的整體平均樹高和胸徑作為研究區(qū)蓄積量的基礎估測值[1]。這樣的測量技術不但人工成本高，需要大量的人力物力，其所需測量周期長，一次蓄積量的調查可能會持續(xù)幾年的時間， 隨著對蓄積量研究的深入，這一技術效率較差。隨著衛(wèi)星遙感技術日趨完善，使用衛(wèi)星拍攝的遙感影像調查森林蓄積量，只需要對所研究區(qū)域內樣地的蓄積量進行人工調查，獲得樣地林木的樹高和胸徑，然后將采集的數據進行數學模型計算，利用遙感影像， 提取分析影像表現出的與森林蓄積有關聯的波段因子、紋理因子及地形因子，利用這些因子建立蓄積量估測模型[2]。并依據估測模型反演出森林蓄積量，極大地節(jié)省了人力物力，縮短了調查周期。本研究以北侖區(qū)資源三號衛(wèi)星影像為主要數據源，并結合北侖區(qū)森林調查數據，建立森林蓄積量估測模型， 為北侖區(qū)森林資源合理規(guī)劃開發(fā)提供依據和參考。

1? 國內外研究現狀

最初關于森林蓄積量和生產力的報道是在1876年，由德國的生物學家Ebermeryer測定了多種森林樹種的落葉量，并對林木干材重量進行了測定。1910年，Boysen根據有機物的生產量與消耗量對森林的耐陰性進行了研究，并初步研究了森林的初級生產量。從20世紀90年代開始，大量國外的學者通過過程模擬碳的儲量來達到準確估測森林碳儲量和碳匯功能，并得出森林的蓄積量有近50%都是碳素含量的結論[3]。

利用衛(wèi)星遙感影像估測森林蓄積量的方法有很多，其中以K-近鄰法、神經網絡法、隨機森林法、多元回歸分析法最為常見[4]。

在國內關于這一方面的研究也在逐步發(fā)展，并研究出了各種不同的建立模型的方法。劉瓊閣等[5]、包盈智等[6]以TM影像為數據基礎，將坡度、海拔、郁閉度、濕度、綠度等作為模型的自變量，構建了偏最小二乘的蓄積量反演模型。李崇貴等[7]選用像元作為研究的基本單位，利用灰度值、郁閉度和比值波段建立了蓄積量估測模型。楊燕瓊等[8]利用TM影像，選用波段的密度值和比值、地形因子和土壤類型作為自變量，應用逐步回歸的方法反演了森林蓄積量。馬瑞蘭等[9]利用SPOT數據挑選比值波段和遙感波段作為自變量，建立了蓄積量估測模型。這些研究成果均促進了國內基于遙感影像的森林蓄積量反演模型研究領域的進步，并在實踐中得到了很好地應用。綜合國內的研究現狀，在建立森林蓄積量反演模型時，主要的研究細節(jié)有4個方面：一是對于研究中使用的實際蓄積量單位的選擇。如樣地和像元;二是對于遙感影像的選擇。目前普遍使用TM影像作為蓄積量反演的遙感信息源，但使用SPOT、QuickBird等遙感影像的研究也很多;三是對于影像建模因子的選擇。這些因子有坡度、坡向、郁閉度等GIS因子，RVI、NDVI等波段組合因子以及植被的紋理因子;四是關于建立模型方法的研究。目前常用的建模方法有偏最小二乘法、K-近鄰法和多元線性回歸法等多種方法。

在國外，建立森林蓄積量反演模型的研究時間比較久，建立模型的方法也較多，Fazakas等[10]在1999年使用TM影像全波段數據，構建了蓄積量估測模型反演了瑞典中部森林的蓄積量。Gemmell[11]利用TM遙感數據，分析了郁閉度、波段、地形等因素與蓄積量的相關性，得到與蓄積量相關性大的因子，并建立了模型。M？覿kel？覿等[12]基于高分辨率遙感數據獲取建模因子與調查的少量樣地數據結合起來構建了森林蓄積量反演模型。Popescu等[13]使用LIDAR數據建立單個樹木林冠基部高的線性模型，并進行了傅立葉變換。

本研究采用多元回歸分析法，分別選取了逐步回歸模型、主成分回歸模型和偏最小二乘模型3種不同的模型對新路林場進行森林蓄積量反演，對比不同模型的相對精度，挑選出逐步回歸模型作為最優(yōu)蓄積量反演模型，使得蓄積量估測的精度進一步提升。

2? 研究區(qū)概況

北侖區(qū)隸屬于浙江省寧波市，位于寧波市東部。地理坐標為東經121°27′40″—122°10′22″，北緯29°41′44″—29°58′48″。北侖區(qū)東面和北面與東海相鄰，與定海和普陀縣交界，南部接壤鄞州，西面與鎮(zhèn)海區(qū)隔江相望。北侖區(qū)地處亞熱帶季風氣候區(qū)，全年氣候溫和濕潤，春夏秋冬四季分明，降雨量足，無霜期長，有時會出現臺風、暴雨、冰雹等惡劣天氣。新路林場位于北侖區(qū)西側大碶街道，占地面積3 671 hm2，主要樹種有油松、楊樹、樺樹、銀杏、南方紅杏杉、杜仲等， 其中油松、楊樹和樺樹是優(yōu)勢樹種。新路林場是由不同齡級的林木組成的人工林，既有林分未完全郁閉的幼齡林，又有林木已發(fā)育成熟的成熟林。

3? 研究方法

3.1? 數據來源

采用2013年北侖區(qū)資源三號遙感影像數據，并利用北侖區(qū)森林資源二類調查數據進行后續(xù)分析。資源三號遙感影像的多光譜數據空間分辨率為5.8 m，全色數據為2.1 m。資源三號衛(wèi)星軌道參數如下：其軌道形式為太陽同步圓軌道，軌道高度為505.984 km，軌道傾角為97.421°，回歸周期為59 d，重訪周期為5 d，降交點地方時為上午10：30。該衛(wèi)星提供的高分辨率遙感影像數據已被應用于國家自然災害防治與評價及相關的基礎設施建設等，同時也為國家的基礎測繪工作提供主要數據來源，對保障中國測繪事業(yè)長久發(fā)展具有深遠影響。

本研究的建模樣本采用北侖區(qū)2013年森林資源二類調查數據結果中的樣地數據，樣地為30 m×30 m的正方形樣地，將樣本中心點的所在位置選為坐標采集點。研究區(qū)內的樣地總數為85個。

3.2? 數據預處理

利用ENVI軟件對影像數據進行預處理。為消除影像拍攝過程中發(fā)生的幾何畸變和由于大氣散射產生的誤差，對圖像數據進行了幾何校正和大氣校正。校正完畢后，以研究區(qū)范圍為邊界將北侖區(qū)的影像數據和DEM數據裁剪，結果見圖1。

3.3? 森林信息提取

采用ENVI 軟件將預處理后的遙感影像數據進行建模因子的分析與提取，包括地形因子、植被指數和紋理因子等。

3.3.1? 紋理因子? 資源三號遙感圖像數據的紋理因子包含8個，分別為：①均值（Mean），度量圖像灰度共生矩陣元素灰度值的平均程度;②方差（Variance），反映圖像灰度值的變化程度;③協(xié)同性（Homogeneity），反映圖像的局部同質性大小;④信息熵（Entropy），表示圖像中紋理的非均勻程度或復雜程度;⑤對比度（Contrast），反映了圖像的清晰度和紋理溝紋深淺的程度;⑥相異性（Dissimilarity），度量圖像紋理信息的相似性;⑦二階矩（Second moment），度量圖像中紋理信息的粗細程度以及紋理信息灰度分布的均勻程度;⑧相關性（Correlation），反映圖像中局部灰度相關性。

通過 ENVI軟件利用資源三號影像全色波段，3×3窗口、5×5窗口、7×7窗口3種紋理因子提取窗口，依次提取出3×8=24個紋理因子。

3.3.2? 植被指數? 植被指數主要用來檢驗植被覆蓋度的指標，基于資源三號遙感影像提取各類植被指數，利用ENVI軟件中band math功能進行影像波段間的運算與分析，從而提取4種代表性的植被指數，分別為RVI、EVI、NDVI、DVI。

1）歸一化植被指數（NDVI）。NDVI是植被覆蓋度的重要評價指標，一般是利用遙感影像的可見光和近紅外波段之間的關系來表示， 也就是利用兩者之間的差與兩者之間的和的比值來表示，關系式如下：

式中，pNIR表示近紅外波段;pR表示紅波段。

2）比值植被指數（RVI）。RVI就是將植被指數以比值關系的形式表達出來，由于植被中的葉綠素在紅光是吸收的， 而在近紅外是反射的，那么可以通過他們之間的比值運算，并增大兩者之間的反射率差異來區(qū)分植被與土壤， 為植被的提取提供重要的信息。關系式如下：

式中，pNIR表示近紅外波段;pR表示紅波段。

3）差值植被指數（DVI）。DVI是指紅波段與近紅外波段之間的差值關系，常被用來表達植物的生長狀態(tài)。關系式如下：

式中，pNIR表示近紅外波段;pR表示紅波段。

4）增強型植被指數（EVI）。增強型植被指數

式中，pNIR表示近紅外波段;pRED表示紅波段;pBLUE表示藍波段。

3.3.3? 地形因子? 地形因子包括坡度和坡向。北侖區(qū)新路林場的坡向劃分為9個方位，分別是東、南、西、北、東北、東南、西北、西南。其中，北、東北為陰坡;南、西南為陽坡;東、西北為半陰坡; 西、東南為半陽坡?；谝延械臄底指叱棠Ｐ停―EM）數據，利用ArcGIS對DEM數據進行分析處理，可以獲得坡向（圖2a）和坡度（圖2b）。通過坡度圖的顏色變化確定坡度的大致走向。

3.4? 蓄積量估測模型

利用SPSS軟件將提取到的紋理因子、地形因子和植被指數信息進行相關性分析，篩選出相關性較高的遙感因子參與建模，建立北侖區(qū)新路林場蓄積量的反演模型，并分析模型精度與適用性。

3.4.1? 相關性分析? 利用SPSS軟件對提取因子信息的相關性進行分析，從中篩選出相關系數較高的因子參與建立蓄積量估測模型。

由表1可以看出，森林蓄積量與遙感影像的紋理信息具有一定的相關性，且與坡度也存在較高的相關性。分析表1中數據，選取相關性系數較大的9個因子用來構建森林蓄積量估測模型，相關性分析結果及選取的建模因子見表2。

3.4.2? 逐步回歸模型? 采用逐步回歸法，把森林蓄積量作為因變量，9個相關性系數較大的因子作為自變量，進行回歸分析，得到新路林場的森林蓄積量反演模型為：

3.4.3? 主成分回歸模型? 主成分分析法的本質就是降低維度，在保證損失信息很少的前提下用幾個互不相關的綜合指標代替原來指標的方法， 將上述9個自變量信息進行降維處理，結果見表3。

由于前4個主成分貢獻率達到90.08%，因此用這4個因子代替9個原始自變量，損失的信息很少。本次選取前4個指標作為自變量用來建立主成分回歸模型。利用SPSS軟件構建的模型如下：

3.4.4? 偏最小二乘回歸模型? 偏最小二乘法首先采用Z-score標準化方法對自變量數據進行標準化處理，之后進行主成分提取，得到前4個主成分與蓄積量的回歸模型如下：

還原為自變量與蓄積量如下：

對上述模型進行初步精度檢驗，得出模型的擬合精度如表4所示。

3.4.5? 新路林場的總蓄積量? 將3種模型反演到整個研究區(qū)可估算出新路林場的總蓄積量，以森林資源二類調查數據中的北侖區(qū)新路林場的蓄積量作為實際蓄積量，計算出3種森林蓄積量反演模型的相對精度（表5）。由表5可知，采用逐步回歸法進行森林蓄積量反演相對精度最高，偏最小二乘法的相對精度略高于主成分回歸法。

4? 小結與討論

分別基于逐步回歸法、主成分回歸法和偏最小二乘法構建了北侖區(qū)新路林場的蓄積量反演模型，對比3種不同反演模型的相對精度，發(fā)現基于逐步回歸模型反演森林蓄積量的精度最高。利用此模型估測整個研究區(qū)的蓄積量，得到新路林場的蓄積量估測值為611萬m3。本研究以森林資源二類調查數據中新路林場的蓄積量調查結果作為實測蓄積量，實測蓄積量為583萬m3，估測精度為95.2%。

隨著遙感技術的發(fā)展，以往的森林蓄積量調查過程過于繁瑣且需要耗費較多人力物力資源。因此，利用衛(wèi)星遙感影像數據進行森林蓄積量反演具有重大研究意義。本研究利用資源三號衛(wèi)星遙感影像的紋理因子、植被指數信息和地形因子信息等相關的遙感因子， 其中借助了紋理因子作為反演因子的一部分，分析其相關性，發(fā)現紋理因子對蓄積量的估測具有一定的作用， 選取了相關性較高的9個因子，建立了北侖區(qū)新路林場的蓄積量估測模型，將模型反演到整個研究區(qū)得出精度為95.2%， 滿足林業(yè)調查的需要。表明基于衛(wèi)星遙感影像數據對森林的蓄積量進行反演是可行的。

參考文獻：

[1] 亢新剛.森林資源經營管理[M].北京：中國林業(yè)出版社，2001.

[2] 王? 雪，衛(wèi)發(fā)興，崔志新.3S技術在林業(yè)中的應用[J].世界林業(yè)研究，2005（2）：45-47.

[3] 李延峰.東北典型區(qū)蘆葦分布提取與地上生物量遙感估算[D].北京：中國科學院大學，2014.

[4] 陳爾學，李增元，武紅敢，等.基于k-NN和Landsat數據的小面積統(tǒng)計單元森林蓄積估測方法[J].林業(yè)科學研究，2008，21（6）：745-750.

[5] 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[J].中南林業(yè)科技大學學報，2014，34（2）：81-84，132.

[6] 包盈智，袁凱先，趙憲文，等.森林資源二類調查中蓄積量遙感估測方法的應用實例[J].林業(yè)科學研究，1996，9（3）：234-238.

[7] 李崇貴，趙憲文.森林郁閉度定量估測遙感比值波段的選擇[J].林業(yè)科學，2005，41（4）：72-77.

[8] 楊燕瓊，吳奕敏，黃? 平，等.基于RS、GIS的林分蓄積量估測[J].華南農業(yè)大學學報（自然科學版），2003，24（3）：73-77.

[9] 馬瑞蘭，李衛(wèi)忠.基于SPOT5遙感影像選擇森林蓄積估測因子

——以火地塘教學實驗林場為例[J].東北林業(yè)大學學報，2011， 39（7）：111-112，137.

[10] FAZAKAS Z，NILSSON M，OLSSON H. Regional forest biomass and wood volume estimation using satellite data and ancillary data[J].Agricultural and forest meteorlogy，1999（98-99）：417-425.

[11] GEMMELL F M. Effects of forest cover，terrain， and scale on timber volume estimation with Thematic Mapper data in a Rocky Mountain site[J].Remote sensing of environment，1995， 51（2）：291-305.

[12] M？魧KEL？魧 H，PEKKARINEN A. Estimation of forest stand volumes by Landsat TM imagery and stand-level field-inventory data[J].Forest ecology and management，2004，196（2-3）：245-255.

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

收稿日期：2019-03-27

作者簡介：張翔雨（1993-），男，河北唐山人，在讀碩士研究生，研究方向為林分蓄積量反演，（電話）13121938866（電子信箱）1193073502@qq.com;