崔 立，閆保銀

(南京國(guó)圖信息產(chǎn)業(yè)有限公司，江蘇 南京 210000)

森林作為自然資源的重要組成部分之一，在保障生物多樣性、緩解溫室效應(yīng)、維護(hù)生態(tài)環(huán)境等方面發(fā)揮著積極作用。隨著經(jīng)濟(jì)的快速發(fā)展，森林所產(chǎn)生的生態(tài)價(jià)值與經(jīng)濟(jì)價(jià)值日益凸顯，為掌握森林資源此消彼長(zhǎng)的動(dòng)態(tài)變化，森林資源調(diào)查逐漸成為國(guó)家在森林資源監(jiān)測(cè)方面開展的重點(diǎn)工作。

森林資源調(diào)查包括全國(guó)森林資源連續(xù)清查(林業(yè)一類調(diào)查，每5 a開展1次)和規(guī)劃設(shè)計(jì)調(diào)查(林業(yè)二類調(diào)查，每10 a開展1次)，除此之外還有作業(yè)設(shè)計(jì)調(diào)查。傳統(tǒng)的一類、二類調(diào)查多采用樣地實(shí)測(cè)法，該方法具有較高的準(zhǔn)確度，但需花費(fèi)較大的人力物力，同時(shí)在時(shí)空上也存在較大的局限性[1]。近年來，遙感技術(shù)的飛速發(fā)展為林業(yè)調(diào)查提供了新的工作方式，與傳統(tǒng)方法相比更為省時(shí)省力，極大地提高了調(diào)查的效率及準(zhǔn)確性[2-3]。

蓄積量是林業(yè)調(diào)查中的一項(xiàng)重要指標(biāo)，它能夠衡量森林資源的豐富程度以及健康程度[4]，也直接反映了森林的經(jīng)營(yíng)成效。除了樣地實(shí)測(cè)法之外，目前常用遙感估測(cè)法估測(cè)蓄積量。本文將對(duì)不同的森林蓄積量估測(cè)方法進(jìn)行歸納，作總結(jié)對(duì)比，探討其中不足并對(duì)未來進(jìn)行展望。

1 研究進(jìn)展

目前，國(guó)內(nèi)外對(duì)于蓄積量的估測(cè)主要集中于光學(xué)遙感、雷達(dá)遙感以及LiDAR估測(cè)研究。

1.1 基于光學(xué)遙感的蓄積量估測(cè)研究

早期的森林生態(tài)系統(tǒng)探測(cè)多集中于生物量探測(cè)和生態(tài)遙感領(lǐng)域。經(jīng)多年發(fā)展，逐步形成了以遙感影像為數(shù)據(jù)源，提取與蓄積量相關(guān)的因子如樹種、樹齡、坡度、坡向等，建立模型進(jìn)行反演，最終獲得蓄積量等調(diào)查因子的思路[5-7]。國(guó)內(nèi)外在遙感影像方面多采用LandsatTM/ETM/OLI，Modis，SPOT5，IKONOS GF等，在蓄積量估測(cè)模型方面，多采用KNN模型、多元線性回歸模型等。在多元線性回歸模型中，常采用偏最小二乘法、逐步回歸和嶺估計(jì)法等。

Stumpf等[8]使用KNN模型計(jì)算法對(duì)森林蓄積量進(jìn)行估測(cè)，結(jié)果表明，KNN模型法計(jì)算的精度高于線性回歸法。宋亞斌等[9]進(jìn)一步對(duì)KNN模型開展了深入研究，以湘潭縣為研究區(qū)，采用Landsat 8 OLI 數(shù)據(jù)和同時(shí)期的二類調(diào)查數(shù)據(jù)，通過距離相關(guān)系數(shù)篩選特征，使用3種KNN模型(包括K-近鄰模型、距離加權(quán)模型和優(yōu)勢(shì)歐式模型)進(jìn)行蓄積量估算，并與線性回歸模型進(jìn)行對(duì)比，得到了與Stumpf等相同的結(jié)論：使用KNN模型計(jì)算的蓄積量數(shù)據(jù)可信度均高于線性模型，并在3種KNN模型中，優(yōu)化歐式模型的決定系數(shù)最高，達(dá)到0.69，因此估算精度也為最好。

TM影像的紅光波段為葉綠素吸收帶，可用于區(qū)分植被類型，判斷植物生長(zhǎng)狀況，近紅外波段位于植物高反射區(qū)，可用于植物識(shí)別、分類。將紅光波段與近紅外波段結(jié)合，并構(gòu)建回歸模型用于估算蓄積量[10]。張超等[11]基于遙感特征、地形因子、郁閉度與蓄積量之間的相關(guān)性，以偏最小二乘回歸法構(gòu)建了蓄積量估測(cè)模型，并將估測(cè)值與實(shí)測(cè)值進(jìn)行對(duì)比。結(jié)果表明，三峽庫(kù)區(qū)森林總蓄積為1.12億m3，預(yù)測(cè)精度達(dá)到了89.58%。厲香蘊(yùn)等[12]基于霍山縣OLI影像，提取了光譜、紋理等信息，與DEM中提取的高程、坡向等地形因子建立了蓄積量估測(cè)模型。結(jié)果表明，該方法估測(cè)值誤差較小，可用于大范圍的森林資源監(jiān)測(cè)。馮凱等[13]基于Landset8影像結(jié)合林業(yè)二類調(diào)查數(shù)據(jù)，采用POS算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)和線性回歸建模法，對(duì)廣東省南雄市森林蓄積量進(jìn)行估測(cè)，結(jié)果精度較高。

高分(GF)影像近年來在森林蓄積量估測(cè)方面的應(yīng)用也越來越多。向安民等[14]以GF-1、DEM模型及土地利用類型圖為依據(jù)，采用KNN法建立森林蓄積量估測(cè)模型，并將測(cè)得值與同期二類調(diào)查數(shù)據(jù)對(duì)比，發(fā)現(xiàn)使用KNN算法的估測(cè)精度達(dá)到了97.3%，證明了國(guó)產(chǎn)GF-1影像可用于森林資源監(jiān)測(cè)。王海賓等[15]基于GF-1、PMS影像，對(duì)KNN法作進(jìn)一步研究。其引入偏最小二乘回歸法與KNN法進(jìn)行對(duì)比，得出基于KNN法的反演結(jié)果要優(yōu)于偏最小二乘法的結(jié)論。李世波等[16]基于GF-1影像，研究了最佳遙感因子組合方式和最優(yōu)蓄積量估測(cè)方法，經(jīng)過多元逐步回歸、隨機(jī)森林法、偏最小二乘回歸法估測(cè)并對(duì)比后，發(fā)現(xiàn)隨機(jī)森林法的估測(cè)精度最高，達(dá)到了83.69%。

1.2 基于雷達(dá)遙感的蓄積量估測(cè)研究

雷達(dá)遙感作為一種主動(dòng)遙感技術(shù)，具有一定的穿透能力，可穿過樹冠，對(duì)森林內(nèi)部作進(jìn)一步探測(cè)，以獲取更多的森林內(nèi)部結(jié)構(gòu)信息，因此在森林資源監(jiān)測(cè)方面也廣泛使用。通常，雷達(dá)遙感可分為合成孔徑雷達(dá)(SAR)、極化干涉合成孔徑雷達(dá)和干涉合成孔徑雷達(dá)[17]，在森林蓄積量估測(cè)中，常用合成孔徑雷達(dá)，其生物量估測(cè)方法常采用：雷達(dá)截面法[18]、高低頻SAR數(shù)據(jù)極比法[19]、生物量回歸分析法和生長(zhǎng)量估測(cè)方程估算法[20]。

合成孔徑雷達(dá)可以全天時(shí)、全天候工作，具有較強(qiáng)的穿透能力，廣泛應(yīng)用于森林蓄積量、覆蓋率、生物量等的調(diào)查[21]。王臣立等[22]對(duì)SAR后向散射系數(shù)進(jìn)行研究，發(fā)現(xiàn)其與蓄積、胸徑、樹高之間可用對(duì)數(shù)模型表達(dá)并模擬，并證明了估測(cè)精度可基本符合大面積總體估測(cè)，但在小班層面來說，效果不佳。范鳳云[23]基于SAR數(shù)據(jù)與激光雷達(dá)數(shù)據(jù)對(duì)蓄積量進(jìn)行反演，在大范圍的蓄積量估測(cè)領(lǐng)域做了一定探索。楊永恬等[24]利用SAR的穿透能力，以喀斯特山區(qū)為試驗(yàn)區(qū)，以SAR和森林資源調(diào)查成果為數(shù)據(jù)源，建立回歸模型，估測(cè)值符合精度要求，證明了SAR技術(shù)可用于云霧多雨的山區(qū)森林蓄積量定量評(píng)估。

1.3 基于LiDAR的蓄積量估測(cè)研究

激光雷達(dá)(LiDAR)可以主動(dòng)發(fā)射脈沖信號(hào)，當(dāng)信號(hào)接觸地物后返回，其記錄的信息包括點(diǎn)的強(qiáng)度信息、空間三維位置信息，形成點(diǎn)云數(shù)據(jù)[25]。LiDAR系統(tǒng)有多種類型，主要是星載LiDAR、機(jī)載LiDAR和地基LiDAR。在林業(yè)調(diào)查中，地基LiDAR和機(jī)載LiDAR應(yīng)用較多[26]。早在1976年就有學(xué)者利用LiDAR測(cè)量了森林結(jié)構(gòu)參數(shù)，并得到較好的結(jié)果。Means等[27]對(duì)花旗松森林的結(jié)構(gòu)參數(shù)，包括樹高、胸徑、蓄積等，使用LiDAR進(jìn)行估算，發(fā)現(xiàn)冠層密度特征變量對(duì)胸高斷面積和蓄積預(yù)測(cè)精度較好。然而，傳統(tǒng)的激光雷達(dá)研究方法偏重高度、密度特征變量，而忽略了冠層結(jié)構(gòu)特性，因此具有一定的局限性。Lefsky等[28]通過提取冠層容積剖面及高度剖面，采用體元化冠層容積模型法，較為精確的預(yù)測(cè)了森林結(jié)構(gòu)參數(shù)。Zhao等[29]在激光雷達(dá)的基礎(chǔ)上提取了CHQ、CHD參數(shù)作為非線性模型和線性模型的特征變量，通過建立估測(cè)模型，較好的反演了森林生物量，其中R2達(dá)到了0.80。

國(guó)內(nèi)多采用激光雷達(dá)獲得林分LiDAR點(diǎn)云數(shù)據(jù)，經(jīng)處理后建立反演模型，估算其蓄積量。蘇德添等[30]利用激光雷達(dá)收集了毛竹冠層的點(diǎn)云數(shù)據(jù)，并基于竹竿、竹枝點(diǎn)云密度間的邏輯關(guān)系，建立了估算模型。經(jīng)驗(yàn)證，建立的竹竿、竹枝模型精度分別可達(dá)95.53%和91.36%。許子乾[31]將無人機(jī)航測(cè)技術(shù)與LiDAR技術(shù)相結(jié)合，對(duì)林分特征參數(shù)及生物量進(jìn)行反演研究，發(fā)現(xiàn)所有特征參數(shù)中，與高度參數(shù)敏感度高的林分特征，在估測(cè)中可以達(dá)到與激光雷達(dá)相近精度，從而對(duì)蓄積量預(yù)測(cè)精度較高。張崢男[32]將機(jī)載激光雷達(dá)測(cè)得的特征數(shù)據(jù)進(jìn)行反演，結(jié)果表明，反演獲得的蓄積量數(shù)據(jù)精度尚可，其中R2達(dá)到0.45—0.80，rRMSE達(dá)到12.02%—19.22%。此外，分森林類型的模型組預(yù)測(cè)蓄積量精度要高于無區(qū)分森林類型的模型組。

2 對(duì)比與分析

早在上個(gè)世紀(jì)，國(guó)內(nèi)外學(xué)者就已展開基于光學(xué)遙感的蓄積量估測(cè)研究，經(jīng)多年發(fā)展，從理論研究到實(shí)際觀測(cè)都已趨于成熟。遙感具有應(yīng)用范圍廣、數(shù)據(jù)接收效率高的優(yōu)點(diǎn)，因此被廣泛運(yùn)用[32]。然而，遙感僅在區(qū)域內(nèi)的植被水平向的數(shù)據(jù)獲取占優(yōu)[33]，在垂直信息獲取方面卻受制于其空間異質(zhì)性，難以穿透林分內(nèi)部獲取信息[34]。相較于光學(xué)遙感，微波遙感的出現(xiàn)可在一定程度上彌補(bǔ)光學(xué)遙感的劣勢(shì)，但其易受地形影響，在獲取垂直信息方面也存在一定的局限性[35]。

雷達(dá)遙感的出現(xiàn)彌補(bǔ)了光學(xué)遙感穿透力不強(qiáng)的缺陷，目前多采用SAR來對(duì)生物量進(jìn)行觀測(cè)。楊永恬等[24]在一些多云多霧地區(qū)，如喀斯特山區(qū)使用SAR對(duì)森林資源的生物量進(jìn)行監(jiān)測(cè)，證實(shí)了雷達(dá)遙感在霧、煙、灰塵等天氣惡劣條件下的監(jiān)測(cè)能力。然而王臣立等[22]的研究證明，SAR估測(cè)精度可基本符合大面積總體估測(cè)，但就小班層面來說，效果不佳。因此雷達(dá)遙感雖具波長(zhǎng)較長(zhǎng)，易于獲取林分內(nèi)部信息等優(yōu)點(diǎn)，但其在后期數(shù)據(jù)處理方面難度較高，同時(shí)林分內(nèi)部結(jié)構(gòu)較為復(fù)雜，難以形成直觀的成像，因此在生物量觀測(cè)中難以普及運(yùn)用[36]。

LiDAR能夠精準(zhǔn)、快速地獲取被測(cè)物的三維坐標(biāo)信息[37]。近年來將LiDAR用于森林生物量觀測(cè)的研究越來越多，逐漸成為一個(gè)新興的技術(shù)[38]。與光學(xué)遙感相比，LiDAR可以在多尺度空間范圍內(nèi)、不受空間異質(zhì)性影響下，精準(zhǔn)全面地獲取空間三維信息。與雷達(dá)遙感相比，LiDAR具有探測(cè)精度高、探測(cè)范圍廣及穩(wěn)定性強(qiáng)等優(yōu)點(diǎn)，在煙、霧等極端天氣條件下也能應(yīng)對(duì)。此外，LiDAR在測(cè)距、識(shí)別障礙物方面優(yōu)于雷達(dá)遙感，同時(shí)在觀測(cè)時(shí)產(chǎn)生的數(shù)據(jù)量高于雷達(dá)遙感，在數(shù)據(jù)準(zhǔn)確性上也得到了更多的保證[39]。

綜上所述，雷達(dá)遙感與LiDAR在信息獲取方面均較光學(xué)遙感占據(jù)優(yōu)勢(shì)，雷達(dá)遙感較LiDAR而言各有所長(zhǎng)，但LiDAR在獲取森林三維結(jié)構(gòu)信息方面具有獨(dú)特的優(yōu)勢(shì)，因此其在森林生物量監(jiān)測(cè)方面潛力較大。

3 討論與展望

現(xiàn)階段，森林蓄積量反演模型大多是從生物學(xué)角度出發(fā)，基于遙感的光譜信息、各因子的物理意義而建立的，建模方法多用KNN法、偏最小二乘法等。因此，怎樣基于多源數(shù)據(jù)，選擇哪些因子作為建模的基礎(chǔ)以進(jìn)一步提高估測(cè)大范圍的森林資源生物量，成為光學(xué)遙感未來技術(shù)發(fā)展的主要方向[40]。隨著技術(shù)的發(fā)展，遙感影像的分辨率越來越高[41]，可形成周期性動(dòng)態(tài)反映某一區(qū)域的動(dòng)態(tài)變化。目前多數(shù)研究是基于高分影像、資源三號(hào)衛(wèi)星影像、Landset TM等進(jìn)行的[42]。在利用高分影像提取林分?jǐn)?shù)據(jù)時(shí)，常采用人工目測(cè)結(jié)合影像光譜特征、紋理特征法，對(duì)此筆者認(rèn)為，當(dāng)林分結(jié)構(gòu)較為復(fù)雜時(shí)，如何區(qū)分單株樹的樹冠還需探討。此外，森林蓄積量估測(cè)模型多基于林地進(jìn)行，是否可以將林地細(xì)分為林種、樹種[43]，加入對(duì)蓄積量有重要影響的胸徑、樹高、郁閉度等參數(shù)來提高建模的精確度，還需做進(jìn)一步研究。

在利用雷達(dá)遙感監(jiān)測(cè)森林蓄積量方面多偏向于SAR，但SAR的圖像數(shù)據(jù)一般噪點(diǎn)較大，一定程度上干擾了信息的提取[21]。因此筆者認(rèn)為，如何盡量減少噪點(diǎn)，對(duì)于提升最終監(jiān)測(cè)數(shù)據(jù)的準(zhǔn)確性很有意義。此外，還可嘗試將SAR數(shù)據(jù)、光源遙感數(shù)據(jù)等協(xié)同反演，探索將SAR技術(shù)與無人機(jī)技術(shù)相結(jié)合，做到優(yōu)勢(shì)互補(bǔ)等可以深入研究，并逐步推廣。

LiDAR可獲得亞米級(jí)的森林植被信息，在森林資源生物量監(jiān)測(cè)領(lǐng)域優(yōu)勢(shì)明顯。在以往的研究中，多基于林分的冠層密度、LiDAR高度參數(shù)等特征變量去反演林分生物量，雖能獲得較好的結(jié)果[44]，但該方法偏重于統(tǒng)計(jì)學(xué)原理，未充分地挖掘林分信息。森林結(jié)構(gòu)及其立地條件往往較為復(fù)雜，而這些因素又與參與反演林分生物量的特征變量有很強(qiáng)的關(guān)聯(lián)性[45]，因此就容易導(dǎo)致以往所建立的反演模型僅小范圍適用，不適用于反演完整的森林空間結(jié)構(gòu)[46]。在今后研究中，可加入與森林結(jié)構(gòu)、立地條件等相關(guān)聯(lián)的信息作為特征變量，使反演模型更具普適性，能夠完整反演出森林的空間異質(zhì)性。盡管LiDAR穿透性強(qiáng)，能夠快速準(zhǔn)確的獲得林分內(nèi)部信息，但其具有較高的信息獲取成本以及缺乏光譜信息等缺點(diǎn)[47]，而LiDAR的缺點(diǎn)恰是無人機(jī)航空攝影技術(shù)(UAV-DAP)的優(yōu)點(diǎn)[48]，因此在今后研究中，可考慮引入U(xiǎn)AV-DAP結(jié)合使用，達(dá)到優(yōu)勢(shì)互補(bǔ)。利用LiDAR技術(shù)獲取地面點(diǎn)云數(shù)據(jù)，結(jié)合UAV-DAP獲取林分冠層的表面信息，形成森林生物量長(zhǎng)期有效的動(dòng)態(tài)觀測(cè)，這在今后的森林資源調(diào)查中亦是值得研究的課題。