蘇迪，高心丹

（東北林業(yè)大學(xué)信息與計(jì)算機(jī)工程學(xué)院，哈爾濱 150040）

森林是地球生態(tài)系統(tǒng)中重要的組成部分，其碳匯功能在維持全球碳平衡方面發(fā)揮著重要作用。森林蓄積量是生物量和碳儲(chǔ)量研究的重要參考因素，是評(píng)價(jià)森林固碳能力的重要指標(biāo)，也是森林資源調(diào)查的重要因素。傳統(tǒng)的一、二類(lèi)森林資源調(diào)查是測(cè)算森林蓄積量的重要方法，這兩種方法雖然準(zhǔn)確度較高，但在時(shí)間與空間上存在較大的局限性，調(diào)查過(guò)程會(huì)耗費(fèi)大量的時(shí)間和人力［1-2］。如何在準(zhǔn)確獲取森林蓄積量信息的同時(shí)，快速、高效地為區(qū)域生態(tài)狀況評(píng)估提供參考［3-5］已成為研究熱點(diǎn)。

近年來(lái)，隨著遙感技術(shù)的發(fā)展，基于遙感因子的森林蓄積量估測(cè)方法因其可以快速、高效獲得蓄積量模型而引起了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注［6-8］?；貧w建模估測(cè)法因其工作量相對(duì)較少、估測(cè)頻率高、估測(cè)覆蓋面積大等優(yōu)點(diǎn)逐步成為基于遙感因子蓄積量估測(cè)研究的主要方向［9-11］。按照自變量數(shù)量可以將蓄積量回歸模型分為一元和多元回歸，按照方程表現(xiàn)形式可以分為線性和非線性回歸［12-13］。研究森林蓄積量的線性回歸方法主要有最小二乘法、逐步回歸法、主成分回歸法、偏最小二乘法［14-16］。其中，偏最小二乘法結(jié)合了多種回歸方法的功能和優(yōu)點(diǎn)，有效地改善了模型自變量間的多重共線性問(wèn)題，目前已廣泛地應(yīng)用于各領(lǐng)域的估測(cè)研究中［17-20］。帶有點(diǎn)云數(shù)據(jù)的航測(cè)數(shù)據(jù)與其他遙感數(shù)據(jù)相比，具有分辨率高、細(xì)節(jié)更完善、時(shí)效性強(qiáng)、成本低等優(yōu)點(diǎn)，可以更準(zhǔn)確地提取蓄積量的相關(guān)特征因子［21-23］，從而提高蓄積量估測(cè)精度。

本研究利用無(wú)人機(jī)航攝影像點(diǎn)云數(shù)據(jù)估測(cè)樹(shù)高和胸徑因子，使用正射影像通過(guò)分水嶺算法提取樹(shù)冠個(gè)數(shù)，結(jié)合提取的坡向等因子，用主成分回歸方法估測(cè)郁閉度，結(jié)合全部因子通過(guò)偏最小二乘回歸方法估測(cè)森林蓄積量。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)域

以帽兒山林場(chǎng)老山施業(yè)區(qū)森林為研究區(qū)域（127°18′0″～127°41′6″E，45°2′20″～45°18′16″N），該林場(chǎng)是東北林業(yè)大學(xué)實(shí)驗(yàn)林場(chǎng)，位于尚志市西北部，場(chǎng)址距市區(qū)40 km，隸屬于尚志國(guó)有林場(chǎng)管理局。林業(yè)用地面積26 067 hm2，其中有林地面積23 204 m3，森林總蓄積1 879 380 hm2，森林覆蓋率83.29%。老山施業(yè)區(qū)屬于帽兒山林場(chǎng)的一部分，原始地帶植被為闊葉紅松混交林，現(xiàn)存植被以紅松、樟子松、落葉松人工林為主，該區(qū)域具有豐富的森林資源適合進(jìn)行蓄積量研究。

1.2 研究數(shù)據(jù)

研究數(shù)據(jù)1 來(lái)源于航測(cè)數(shù)據(jù)，原始圖像數(shù)據(jù)來(lái)源于型號(hào)為DJI X3 的無(wú)人機(jī)拍攝而成的影像，機(jī)上搭載Canon?EOS?60D 數(shù)碼相機(jī)拍攝，有效像素1 240 萬(wàn)，最大分辨率可達(dá)到4 000×3 000 ppi，成像時(shí)間為2015 年9 月14 日，利用航空影像中獲得DOM（digital orthophoto map，數(shù)字正射影像圖），DOM 影像面積達(dá)到4 723.169 7 hm2，其地理坐標(biāo)為xian80，研究區(qū)域內(nèi)的DOM 與小班矢量圖疊加圖像見(jiàn)圖1。用lasmerge 軟件將多個(gè)點(diǎn)云數(shù)據(jù)合成為一個(gè)點(diǎn)云數(shù)據(jù)，按照研究數(shù)據(jù)2 實(shí)測(cè)范圍對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行裁剪，其地理坐標(biāo)為xian80，其面積為3 129.276 hm2，平均點(diǎn)云密度為49 point/m2，按高程顯示的點(diǎn)云數(shù)據(jù)圖像見(jiàn)圖2。

圖1 DOM 與小班矢量圖疊加圖像Fig.1 DOM and sub?compartment vector overlay image

圖2 點(diǎn)云數(shù)據(jù)圖像Fig.2 Point cloud data image

研究數(shù)據(jù)2 是實(shí)測(cè)數(shù)據(jù)，為帽兒山林場(chǎng)老山實(shí)驗(yàn)區(qū)森林資源二類(lèi)調(diào)查數(shù)據(jù)。其中包括2015 年調(diào)查的1∶10 000 地形圖，618 個(gè)以矢量地理信息數(shù)據(jù)形式儲(chǔ)存的小班二類(lèi)調(diào)查數(shù)據(jù)。

研究數(shù)據(jù)3 為實(shí)測(cè)數(shù)據(jù)，為東北林業(yè)大學(xué)帽兒山實(shí)驗(yàn)林場(chǎng)森林固定樣地?cái)?shù)據(jù)，2004 年調(diào)查更新的比例尺1∶25 000 的固定樣地分布圖，調(diào)查總面積為26 496 hm2，包含263 個(gè)樣地的二類(lèi)調(diào)查信息。

1.3 樣地篩選

不同類(lèi)型的GIS 因子數(shù)據(jù)對(duì)蓄積量模型精度有嚴(yán)重的影響，為了減少該影響，對(duì)研究數(shù)據(jù)2、3中的針闊混交林小班采用標(biāo)準(zhǔn)差分析法剔除樣本中離群較大的數(shù)據(jù)，即剔除樣本中的數(shù)據(jù)。重復(fù)上述步驟，最終選擇到120 個(gè)針闊混交林樣本數(shù)據(jù)。將所有數(shù)據(jù)進(jìn)行中心標(biāo)準(zhǔn)化處理，去除因各個(gè)因子間量綱不同帶來(lái)的影響，統(tǒng)一所有因子的量綱，如式（1）所示：

2 特征參數(shù)提取與結(jié)果

利用GIS 技術(shù)提取與森林蓄積量相關(guān)的樹(shù)冠個(gè)數(shù)、平均樹(shù)高、平均胸徑、坡度、坡向、海拔、小班面積、郁閉度這8 個(gè)GIS 因子建立蓄積量模型，通過(guò)該方法提高蓄積量的估測(cè)精度。本研究先使用ArcGIS10.2 軟件將DOM 圖像和點(diǎn)云數(shù)據(jù)圖像按照小班邊界進(jìn)行裁剪，為進(jìn)行特征因子提取做準(zhǔn)備。本研究結(jié)合點(diǎn)云數(shù)據(jù)、DOM 圖像和研究區(qū)小班矢量數(shù)據(jù)，以二類(lèi)調(diào)查小班為單位對(duì)樹(shù)冠個(gè)數(shù)、平均樹(shù)高等因子進(jìn)行估測(cè)，對(duì)海拔、坡向等因子進(jìn)行提取，獲得建立蓄積量模型所需的特征因子，特征因子提取流程圖見(jiàn)圖3。

圖3 特征因子提取流程圖Fig.3 Feature factor extraction flow chart

2.1 特征參數(shù)的提取

2.1.1 分水嶺樹(shù)冠個(gè)數(shù)提取

分水嶺算法適合提取邊緣微弱較敏感、分辨率高、細(xì)節(jié)多的影像輪廓，但傳統(tǒng)分水嶺算法存在過(guò)分割問(wèn)題，為了解決該問(wèn)題，本研究將120 個(gè)小班正射影像作為分水嶺分割的原始圖像，首先使用支持向量機(jī)的分類(lèi)方法將其分為針葉林和闊葉林；其次采用最大熵法分別獲得針葉林和闊葉林的最優(yōu)閾值，比較針、闊葉林的最大熵最優(yōu)閾值，發(fā)現(xiàn)針葉林最優(yōu)閾值大于闊葉林最優(yōu)閾值；最后對(duì)形態(tài)學(xué)開(kāi)閉重建處理后的針闊混交林圖像進(jìn)行基于閾值標(biāo)記的分水嶺分割，第1 次將小于闊葉林閾值區(qū)域進(jìn)行標(biāo)記和分水嶺分割，第2 次將大于闊葉林最優(yōu)閾值，小于針葉林最優(yōu)閾值進(jìn)行分割得到樹(shù)冠輪廓圖像。

2.1.2 樹(shù)高和胸徑的估測(cè)

使用LIDAR360 工具對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行去噪處理，生成0.5 m 分辨率的DEM（digital elevation model，數(shù)字高程模型）和DSM（digital surface model，數(shù)字地表模型）。由于DEM 模型中只有地形的高程信息，不包括DSM 模型中的森林樹(shù)木高度等地表信息的高程，因此從DSM 中減去DEM 即可獲得CHM（canopy height model，冠層高度模型）。

CHM 中每個(gè)點(diǎn)的像素值即為該點(diǎn)的高程值，通過(guò)MATLAB 2013b 軟件編程，讀取各個(gè)小班樣本的CHM 模型平均高程，只保留高程值不為0 的點(diǎn)進(jìn)行平均高程的計(jì)算。由于CHM 為冠層模型不能等同于樹(shù)高，因此需要結(jié)合讀取的CHM 平均高程利用一元線性回歸方法建立平均樹(shù)高模型和平均胸徑模型。

2.1.3 海拔、坡向、坡度、小班面積因子的提取

使用LIDAR360 軟件在DEM 基礎(chǔ)上生成等高線圖（圖4a）。其中比例尺為1∶1 000、三角形最大邊為30 m、間曲線等高距為2.5 m、首曲線等高距為5 m、計(jì)曲線等高線為25 m。利用DEM 數(shù)據(jù)生成坡向圖像和以10°為間隔進(jìn)行處理生成坡度圖像，如圖4b、c 所示。

使用Python2.0 編程，用雙線性插值法提取等高線、坡向和坡度平均值。使用ArcGIS10.2 軟件結(jié)合小班矢量圖計(jì)算小班面積，提取各項(xiàng)因子為接下來(lái)建立郁閉度和蓄積量模型提供特征因子。

2.1.4 郁閉度估測(cè)

圖4 等高線、坡向、坡度圖像Fig.4 Contour line，aspect，slope image

主成分回歸是主成分分析和回歸估計(jì)結(jié)合的方法，主成分分析是一種變量降維技術(shù)，是將多個(gè)相關(guān)變量重新組合成幾個(gè)主成分變量，減少變量個(gè)數(shù)的變量分析方法。該方法能夠簡(jiǎn)化分析過(guò)程，提高分析效率。同理主成分回歸是用合成后的主成分變量進(jìn)行回歸分析，不僅保留了原自變量對(duì)因變量的影響，還消除了各個(gè)變量相互間的共線性問(wèn)題。本研究通過(guò)主成分回歸將樹(shù)冠個(gè)數(shù)、平均樹(shù)高、平均胸徑、坡度、坡向、海拔、小班面積這7 個(gè)特征因子組成若干相互獨(dú)立的主成分，根據(jù)各個(gè)主成分的貢獻(xiàn)率大小選取模型最終的主成分變量，建立郁閉度回歸模型。使用MATLAB 2013b 編程，分析1～70 號(hào)小班數(shù)據(jù)，得出了各主成分的特征根、主成分得分、主成分累積貢獻(xiàn)率。按照貢獻(xiàn)率累積80%以上的選取標(biāo)準(zhǔn)，根據(jù)貢獻(xiàn)率的大小順序選取主成分，主成分與特征因子間的關(guān)系方程，再根據(jù)主成分的構(gòu)成，還原郁閉度方程，得到郁閉度與7個(gè)特征因子的關(guān)系模型。

2.2 特征參數(shù)的提取結(jié)果

2.2.1 樹(shù)冠個(gè)數(shù)提取結(jié)果

實(shí)驗(yàn)使用2.1.1 部分改進(jìn)后分水嶺分割算法提取樹(shù)冠輪廓信息，將樹(shù)冠分割結(jié)果圖像進(jìn)行二值化處理計(jì)算連通區(qū)域得到樹(shù)冠個(gè)數(shù)，通過(guò)公式（2）計(jì)算分割準(zhǔn)確率和平均分割準(zhǔn)確率來(lái)顯示分割效果。

式中：Ad為準(zhǔn)確率；為平均準(zhǔn)確率；Nc為分割的樹(shù)冠個(gè)數(shù)；Nd為小班樹(shù)木株數(shù)總數(shù)（實(shí)測(cè)小班株數(shù)）；n為圖像個(gè)數(shù)。

通過(guò)計(jì)算得到120 個(gè)樣地DOM 圖像的傳統(tǒng)分水嶺平均分割精度為52.89%，改進(jìn)后分水嶺平均分割精度為80.03%，能夠達(dá)到基本分割要求，改善了傳統(tǒng)分水嶺存在的過(guò)分割現(xiàn)象，分割后得到的樹(shù)冠個(gè)數(shù)可以用于建立蓄積量模型。經(jīng)計(jì)算，23 號(hào)樣地樹(shù)冠分割精度與平均分割精度最相近，所以選擇該樣地圖像進(jìn)行顯示（圖5）。

圖5 樣地23 圖像Fig.5 Sample plot 23 image

2.2.2 平均樹(shù)高、平均胸徑估測(cè)結(jié)果

根據(jù)2.1.2 部分得到平均樹(shù)高和平均胸徑模型結(jié)果如下：

由圖6 和平均樹(shù)高、平均胸徑模型的平均精度可知，估測(cè)值與實(shí)測(cè)值的擬合程度較好，且都是由CHM 直接進(jìn)行估測(cè)而成，充分利用點(diǎn)云數(shù)據(jù)所生成的CHM 數(shù)據(jù)。

圖6 平均數(shù)高和平均胸徑擬合曲線Fig.6 Average height and average DBH curve

2.2.3 郁閉度估測(cè)結(jié)果

由2.1.4 部分將7 個(gè)變量進(jìn)行主成分分析，其中第1 主成分貢獻(xiàn)率32.087%，第2 主成分貢獻(xiàn)率24.375%，第3 主成分貢獻(xiàn)率18.005%，第4 主成分貢獻(xiàn)率13.769%。前4 個(gè)主成分貢獻(xiàn)率已達(dá)到88.235%，符合主成分選取要求，選取前4 個(gè)主成分因子為新變量。則公式（5）～（8）為4 個(gè)主成分與特征因子間的關(guān)系方程。

第1 主成分為：

第2 主成分為：

第3 主成分為：

第4 主成分為：

公式（5）～（8）中：X1 為小班平均樹(shù)高；X2 為平均胸徑；X3 為坡度；X4 為坡向；X5 為海拔；X6 為小班面積；X7 為分水嶺提取的樹(shù)冠個(gè)數(shù)。

主成分回歸在減輕原始變量的多重共線性問(wèn)題后，得到以4 個(gè)主成分為新自變量的郁閉度模型，回歸方程為：

根據(jù)4 個(gè)主成分的構(gòu)成，將回歸方程還原，得到關(guān)于自變量X1—X7 的回歸方程為：

方程（9）和（10）中X8 為郁閉度，通過(guò)71～120號(hào)50 個(gè)檢驗(yàn)數(shù)據(jù)進(jìn)行精度檢驗(yàn)，郁閉度模型（公式10）精度為83.18%，可以達(dá)到精度要求，再結(jié)合前文所有提取和估測(cè)的特征因子建立蓄積量模型，進(jìn)一步研究各個(gè)特征因子與蓄積量之間的關(guān)系。

3 蓄積量估測(cè)模型

3.1 偏最小二乘回歸方法

偏最小二乘回歸方法是一種集典型相關(guān)分析和主成分分析優(yōu)點(diǎn)以及功能于一身的多元線性分析方法。該方法由于精度高，穩(wěn)健性實(shí)用性好而被廣泛地應(yīng)用于各種估測(cè)研究中。

設(shè)已知單個(gè)因變量Y和自變量X＝［x1，x2，…，xp］，樣本個(gè)數(shù)n，偏最小二乘法從X和Y的相關(guān)矩陣中提取主成分t，使用Y和X對(duì)t進(jìn)行回歸，對(duì)于回歸分析的需要，偏最小二乘回歸在提取成分時(shí)添加以下兩個(gè)目標(biāo)：1）盡可能多地在t中攜帶X矩陣數(shù)據(jù)表中的變異信息；2）t和Y的相關(guān)程度能夠達(dá)到最大。在對(duì)X和Y進(jìn)行一次成分提取后，分別進(jìn)行X對(duì)t的回歸和Y對(duì)t的回歸。如果回歸方程達(dá)到了滿(mǎn)意的精度，就停止計(jì)算，否則將X關(guān)于t回歸后的殘差矩陣與Y關(guān)于t回歸后的殘差矩陣進(jìn)行新一輪的成分提取。反復(fù)重復(fù)這個(gè)過(guò)程，直至滿(mǎn)足交叉有效性原則規(guī)定的條件，最終確定提取主變量成分的個(gè)數(shù)，建立偏最小二乘回歸方程［19］。

3.2 蓄積量模型的建立

借助SPSS 軟件，通過(guò)相關(guān)性分析得到與蓄積量存在顯著關(guān)系的8 個(gè)自變量如表1 所示，表中X1—X8 同前文。

表1 表明各因子間存在多重相關(guān)性，一般回歸模型已不適用，偏最小二乘法對(duì)自變量的選擇門(mén)檻不高，不需要選擇最優(yōu)因子，且較多變量有益于對(duì)提取的主成分進(jìn)行累計(jì)解釋分析，因此本研究采用偏最小二乘法建立森林蓄積量估測(cè)模型。

在MATLAB 2013b 軟件中按照偏最小二乘原理編寫(xiě)PLS 回歸代碼，對(duì)1～120 號(hào)樣本用偏最小二乘法建立蓄積量模型，對(duì)模型進(jìn)行交叉有效檢驗(yàn)，得到原始變量的回歸方程系數(shù)，據(jù)此可以擬合出基于偏最小二乘回歸方法蓄積量方程。

表1 特征因子相關(guān)系數(shù)Table 1 Characteristic factor correlation relationship table

式中：V為蓄積量，方程包含的X1—X8 與上文一致，將30 個(gè)固定樣地檢驗(yàn)樣本數(shù)據(jù)代入方程（公式11），得到蓄積量估測(cè)值，為模型評(píng)價(jià)和精度檢驗(yàn)做準(zhǔn)備。

3.3 模型評(píng)價(jià)和精度檢驗(yàn)

結(jié)合預(yù)留的121～150 號(hào)30 個(gè)驗(yàn)證樣本實(shí)測(cè)數(shù)據(jù)和蓄積量方程（公式11）估算的森林蓄積量得到圖7 實(shí)測(cè)值與估測(cè)值折線圖。

圖7 實(shí)測(cè)值與估測(cè)值折線圖Fig.7 Line chart of stock volume measured value and estimated value

從圖7 中可以看出估測(cè)的蓄積量值整體偏大，通過(guò)對(duì)蓄積量實(shí)測(cè)值和估測(cè)值進(jìn)行配對(duì)T檢驗(yàn)，得到T＝-0.374，P＝0.657＞0.05，說(shuō)明實(shí)測(cè)值和估測(cè)值相比雖然整體偏小，但不存在顯著性差異。

使用實(shí)測(cè)值與估測(cè)值對(duì)模型進(jìn)行評(píng)價(jià)，根據(jù)模型的決定系數(shù)R2，均方根誤差RMSE，總體相對(duì)誤差RS，平均相對(duì)誤差MRE，預(yù)估精度Pr為評(píng)價(jià)指標(biāo)。根據(jù)公式（12）～（16）計(jì)算：

式中：yi為蓄積量實(shí)測(cè)值；為蓄積量模型預(yù)測(cè)值；為蓄積量實(shí)測(cè)樣本平均值；n為檢驗(yàn)樣本數(shù)；i表示第i個(gè)樣本。本研究蓄積量模型（公式11）的R2＝0.738 6，RMSE＝5.135 3 m3/hm2，說(shuō)明模型擬合效果較好。利用模型偏差統(tǒng)計(jì)量進(jìn)行比較并評(píng)價(jià)模型的預(yù)測(cè)能力，RS＝-1.285 8、MRE＝-0.263 0，說(shuō)明估測(cè)蓄積量與實(shí)測(cè)蓄積量偏離不大，可以很好地進(jìn)行蓄積量估測(cè)；精度達(dá)到88.43%，估測(cè)能力較好，并且有一定的可推廣性。

以蓄積量實(shí)測(cè)值為橫坐標(biāo)，估測(cè)值為縱坐標(biāo)，建立實(shí)測(cè)值和估測(cè)值散點(diǎn)圖，建立的散點(diǎn)圖趨勢(shì)線擬合效果較好，實(shí)測(cè)值和估測(cè)值比較吻合（圖8）。

圖8 蓄積量實(shí)測(cè)值與估測(cè)值的散點(diǎn)圖Fig.8 Scatter plot of measured and estimated values of stock volume

4 結(jié)論

利用無(wú)人機(jī)影像生成的點(diǎn)云數(shù)據(jù)和正射影像估測(cè)蓄積量的方法，能夠在充分利用無(wú)人機(jī)影像的同時(shí)最大限度地保留無(wú)人機(jī)影像的細(xì)節(jié)和各種因子的特征，提高特征參數(shù)的提取精度。該方法不僅提高了實(shí)施效率、降低了估測(cè)成本，還為代替人工野外實(shí)測(cè)森林調(diào)查信息提供了可能。無(wú)人機(jī)數(shù)據(jù)生成的正射影像與高分辨率衛(wèi)星影像相比具有重疊度大、分辨率高等優(yōu)點(diǎn)；其生成的點(diǎn)云數(shù)據(jù)不僅可以代替機(jī)載雷達(dá)獲得高程信息，還具有航線靈活、操作方便、時(shí)效性好等優(yōu)點(diǎn)。無(wú)人機(jī)航測(cè)數(shù)據(jù)彌補(bǔ)了高分辨率衛(wèi)星影像無(wú)法同時(shí)獲得影像和高程信息的缺點(diǎn)，在估測(cè)森林生物量和蓄積量方面應(yīng)用前景廣闊。

本研究利用無(wú)人機(jī)航攝方法采集了黑龍江帽兒山林場(chǎng)老山實(shí)驗(yàn)區(qū)航攝影像，利用三維點(diǎn)云數(shù)據(jù)提取CHM 模型高程，估測(cè)了平均樹(shù)高和平均胸徑；用改進(jìn)的分水嶺算法獲得了樹(shù)冠個(gè)數(shù)；用DEM數(shù)據(jù)獲得坡度等特征信息，估測(cè)了森林蓄積量。使用帽兒山林場(chǎng)固定樣地?cái)?shù)據(jù)作為檢驗(yàn)樣本，結(jié)果表明，平均樹(shù)高提取精度達(dá)到97.34%，平均胸徑提取精度達(dá)到91.27%，樹(shù)冠個(gè)數(shù)提取精度達(dá)到80.03%，郁閉度模型精度為83.18%，森林蓄積量估測(cè)精度達(dá)到88.43%，滿(mǎn)足森林調(diào)查精度要求。研究得到如下結(jié)論：1）在提取CHM 平均高程值時(shí)不計(jì)算高程值為0 的點(diǎn)，減少了點(diǎn)云數(shù)據(jù)空白點(diǎn)對(duì)平均樹(shù)高、胸徑模型的影響；2）通過(guò)遙感技術(shù)提取特征因子，用主成分回歸的方法可有效地估測(cè)郁閉度；3）模型中所有因子都是通過(guò)遙感與回歸方法提取或估測(cè)生成，使用偏最小二乘回歸方法建立蓄積量模型，為信息化、自動(dòng)化提取特征因子估測(cè)蓄積量提出可能。由于時(shí)間和試驗(yàn)條件限制，仍存在很多不足和改進(jìn)的地方，如波段信息對(duì)蓄積量估測(cè)的影響等方面有待進(jìn)一步研究。