羅凱健,許曉東,龍江平,徐聰榮,林 輝,和曉風(fēng),4

(1.中南林業(yè)科技大學(xué) 林學(xué)院 林業(yè)遙感信息工程研究中心,長(zhǎng)沙 410004； 2.林業(yè)遙感大數(shù)據(jù)與生態(tài)安全湖南省重點(diǎn)實(shí)驗(yàn)室,長(zhǎng)沙 410004；3.江西省林業(yè)調(diào)查規(guī)劃研究院,南昌 330000 ；4.長(zhǎng)沙市長(zhǎng)長(zhǎng)林業(yè)技術(shù)咨詢有限責(zé)任公司,長(zhǎng)沙 410004)

森林蓄積量是森林經(jīng)營(yíng)方案和森林資源管理的重要依據(jù),也是森林資源狀況的重要指標(biāo)之一。傳統(tǒng)的森林蓄積量估測(cè)主要通過(guò)森林資源一類清查和二類調(diào)查[1],這些方法不僅效率低下,而且需要消耗大量的時(shí)間、人力和物力。因此,如何更高效地估測(cè)森林蓄積量受到越來(lái)越多的關(guān)注[2]。隨著遙感技術(shù)的發(fā)展,利用遙感技術(shù)來(lái)估測(cè)森林蓄積量已逐漸成為國(guó)內(nèi)外學(xué)者研究的熱點(diǎn),為森林蓄積量估測(cè)帶來(lái)新的發(fā)展方向。受制于地形、云霧和光譜飽和等因素影響,限制了光學(xué)遙感技術(shù)在多云霧及其地形復(fù)雜的山區(qū)的應(yīng)用,特別是蓄積量較高的針葉林。合成孔徑雷達(dá)(SAR)數(shù)據(jù)具有受云雨影響小、穿透性強(qiáng)的特點(diǎn),結(jié)合光學(xué)遙感影像和SAR遙感聯(lián)合估測(cè)林分蓄積量有助于更準(zhǔn)確地反映蓄積量信息[3]。

國(guó)內(nèi)外已經(jīng)開始采用光學(xué)遙感數(shù)據(jù)和SAR數(shù)據(jù)聯(lián)合估測(cè)森林蓄積量。Van等[4]通過(guò)研究發(fā)現(xiàn)紋理特征能顯著提高森林蓄積量的估計(jì)精度,特別是對(duì)于復(fù)雜森林結(jié)構(gòu)下的高分辨率影像；Currans等[5]研究紅外和近紅外波段與蓄積量的關(guān)系,最終得出紅外和近紅外波段與蓄積量存在較強(qiáng)相關(guān)性；劉兆華等[6]利用高分二號(hào)影像對(duì)旺業(yè)甸蓄積量進(jìn)行估測(cè)的研究中發(fā)現(xiàn),機(jī)器學(xué)習(xí)模型明顯優(yōu)于傳統(tǒng)線性模型,隨機(jī)森林模型精度達(dá)71.9%。光學(xué)遙感數(shù)據(jù)的運(yùn)用主要通過(guò)不同的地物在遙感影像上的光譜曲線不同,根據(jù)植被特定的光譜特征,利用不同的波段組合、植被指數(shù)和葉面積指數(shù)與實(shí)測(cè)蓄積量建立回歸模型就可以進(jìn)行蓄積量的估算。Delbart等[7]用SAR數(shù)據(jù)的L波段的HH極化、VV極化、HV極化方式的后向散射系數(shù)以及SAR數(shù)據(jù)的干涉相干性,分別與實(shí)測(cè)樣地的蓄積量構(gòu)建蓄積量估算模型,從而估算了當(dāng)?shù)厣中罘e量；Askne等[8]利用SAR的HH,HV,VV,VH極化的后向散射系數(shù)構(gòu)建“水云模型”對(duì)美國(guó)北方森林蓄積量進(jìn)行估算。合成孔徑雷達(dá)(SAR)數(shù)據(jù)避免了云霧和雨水等天氣的影響,并根據(jù)微波的波長(zhǎng)不同,對(duì)植被的作用范圍也不同,例如,P波段主要作用于植被冠層,而L波段可以穿透植被冠層直接作用于樹枝、樹干?；谘芯康膫?cè)重點(diǎn)可以選擇合適的波段開展林業(yè)調(diào)查。但SAR數(shù)據(jù)也存在局限性,例如,在進(jìn)行蓄積量估算時(shí)可利用的波段比較單一,受地形的影響較大,在多山的區(qū)域會(huì)發(fā)生疊掩現(xiàn)象,而且SAR數(shù)據(jù)的后向散射系數(shù)易受地物介電常數(shù)和地表粗糙度的影響,在土壤含水量較大或地表較粗糙的情況下會(huì)造成估算誤差[9]。

本文基于郁閉度分級(jí)的基礎(chǔ)上,結(jié)合Landsat 8和PALSAR-2雙極化SAR數(shù)據(jù),通過(guò)提取光譜因子、紋理因子、植被指數(shù)和后向散射系數(shù)等遙感因子[10],采用Pearson相關(guān)系數(shù)法和多元逐步回歸法篩選因子,研究不同郁閉度等級(jí)下結(jié)合Landsat 8和PALSAR-2雙極化SAR數(shù)據(jù)對(duì)森林蓄積量估測(cè)能力和響應(yīng)過(guò)程。

1 研究區(qū)概況

龍南縣位于江西省最南端，地理位置為北緯24°29′00″～25°01′00″,東經(jīng)114°23′01″～114°59′00″。該研究區(qū)面積1 641km2,地勢(shì)西南高東北低。龍南縣原植被為典型的亞熱帶常綠闊葉林,森林覆蓋率達(dá)80.3%,針闊葉混交林占龍南山地植被面積的40%以上,針葉林分布于海拔800m以下的低山、丘陵。研究區(qū)樣點(diǎn)分布如圖1所示。

圖1 研究區(qū)樣點(diǎn)分布圖

2 研究方法

2.1 地面樣地?cái)?shù)據(jù)

研究區(qū)內(nèi)的樣地?cái)?shù)據(jù)來(lái)源于2019年7月的龍南縣森林資源固定樣地復(fù)查,樣地采用系統(tǒng)網(wǎng)格布點(diǎn),樣點(diǎn)分布密度為2km×2km,樣地大小為28.28m×28.28m。在固定樣地調(diào)查中,通過(guò)樣地復(fù)位精確確定了樣地的角點(diǎn)和中心點(diǎn)位置,然后每木檢尺,采集了樹種、胸徑、樹高、郁閉度和坡度等數(shù)據(jù)。本次研究的針葉林樣地為108塊,由于定位和測(cè)量誤差,剔除了部分不合理樣地及其坡度較大的樣地,得到有效的針葉林樣地共88塊。

2.2 內(nèi)業(yè)數(shù)據(jù)整理

由外業(yè)調(diào)查得到的88塊針葉林樣地?cái)?shù)據(jù),通過(guò)龍南縣提供的當(dāng)?shù)匾辉姆e表計(jì)算各樣地的蓄積量,得到樣地蓄積量分布如圖2所示。

圖2 樣地蓄積量分布圖

由圖2可以看出樣地蓄積量在各個(gè)區(qū)間分布較為均勻。為了更好地研究不同郁閉度等級(jí)的林分蓄積量與遙感因子的響應(yīng)過(guò)程,依據(jù)樣地的郁閉度把樣地分為3個(gè)等級(jí):郁閉度分布在0.20～0.39之間的樣地為低郁閉度樣地；郁閉度分布在0.4～0.69之間的樣地為中郁閉度樣地；郁閉度大于或者等于0.70的為高郁閉度樣地。

2.3 光學(xué)遙感數(shù)據(jù)

研究采用光學(xué)影像為L(zhǎng)andsat 8,數(shù)據(jù)獲取時(shí)間為2019-09-20和2019-09-27,在經(jīng)過(guò)輻射定標(biāo),大氣校正等預(yù)處理后,得到了研究區(qū)的Landsat 8影像,如圖3所示。

圖3 Landsat 8影像

2.4 PALSAR-2雙極化SAR數(shù)據(jù)

研究采用Alos-palsar 2傳感器獲得的雙極化SAR數(shù)據(jù),數(shù)據(jù)獲取時(shí)間為2019-05-10和2019-07-05,在經(jīng)過(guò)輻射校正、幾何校正和地理編碼等預(yù)處理后,提取HH和HV極化的向后散射系數(shù)。Alos-palsar 2影像的HH和HV極化的強(qiáng)度圖如圖4所示。

圖4 Alos-palsar 2強(qiáng)度圖

2.5 遙感因子提取

預(yù)處理后的Landsat 8遙感數(shù)據(jù)提取光學(xué)遙感因子233個(gè),包括7個(gè)波段灰度值,提取的NDVI,EVI等植被指數(shù)共32個(gè)[11],提取的3×3,5×5,7×7窗口大小的紋理因子[12]共168個(gè),對(duì)7個(gè)波段做主成分變換[13]、最小噪聲分離變換[14],得到圖像變換因子26個(gè)。預(yù)處理后的PALSAR-2雙極化SAR數(shù)據(jù)提取了遙感因子12個(gè),包括HH,HV極化的后向散射系數(shù)[15],以及兩個(gè)極化的后向散射系數(shù)值進(jìn)行相關(guān)運(yùn)算。結(jié)合Landsat 8和PALSAR-2影像的各類遙感因子共計(jì)245個(gè),具體如表1所示。

2.6 遙感建模因子篩選

經(jīng)提取光學(xué)遙感數(shù)據(jù)和PALSAR-2雙極化SAR數(shù)據(jù)的遙感因子共245個(gè),與蓄積量相關(guān)性高的因子參與建模可以有效提高蓄積量估測(cè)模型的精度,因此,以各遙感因子與蓄積量相關(guān)性為準(zhǔn)則進(jìn)行篩選,以建立最優(yōu)蓄積量估測(cè)模型。實(shí)驗(yàn)通過(guò)Pearson相關(guān)系數(shù)[16]和多元逐步回歸方法進(jìn)行篩選,篩選后的遙感因子參與林分蓄積量估測(cè)模型的建立。經(jīng)過(guò)篩選,有65個(gè)遙感因子參與林分蓄積量的估測(cè)模型,具體如表2所示。

由表2可知,在不進(jìn)行郁閉度分級(jí)的情況下,Landsat 8提取的遙感因子中有9個(gè)因子入選建模因子,Landsat 8低郁閉度有6個(gè)因子入選建模因子,Landsat 8中郁閉度共7個(gè)因子入選建模因子,Landsat 8高郁閉度共8個(gè)因子入選建模因子,Landsat 8加SAR不分級(jí)有9個(gè)因子入選建模因子,Landsat 8加SAR低郁閉度有6個(gè)因子入選建模因子,Landsat 8加SAR中郁閉度有11個(gè)因子入選建模因子,Landsat 8加SAR高郁閉度共9個(gè)因子入選建模因子。共有65個(gè)遙感因子參與模型的建立。

2.7 估測(cè)模型與精度檢驗(yàn)

為了估測(cè)林分蓄積量,本研究采用多元線性回歸、多重感知機(jī)[17-18]、隨機(jī)森林[19-20]、KNN[21-22]和支持向量機(jī)[23]等方法建立估測(cè)模型,在林分郁閉度分級(jí)的基礎(chǔ)上探討最優(yōu)的蓄積量估測(cè)模型。MLP,RF,KNN,SVM模型的估測(cè)結(jié)果均以留一交叉驗(yàn)證的方法來(lái)評(píng)估模型的預(yù)測(cè)性能,具體的指標(biāo)為決定系數(shù)R2、均方根誤差RMSE和相對(duì)均方根誤差rRMSE(%)[24]。

3 結(jié)果與分析

結(jié)合林分郁閉度分級(jí),用篩選后的遙感因子建立林分蓄積量的估測(cè)模型,分析Landsat 8和PALSAR-2數(shù)據(jù)估測(cè)林分蓄積量的響應(yīng)過(guò)程,獲取龍南縣針葉林的最優(yōu)估測(cè)模型,并繪制龍南縣針葉林蓄積量分布圖。

3.1 估測(cè)模型精度結(jié)果與分析

通過(guò)各郁閉度分級(jí)篩選的建模因子分別建立多元線性模型,MLP,RF,KNN和SVM模型,分別對(duì)比各個(gè)郁閉度級(jí)別情況下模型的精度,估測(cè)模型結(jié)果如表3所示,不同郁閉度分級(jí)的林分蓄積量結(jié)果的rRMSE分布圖如圖5所示。

由表3可知:1)未加SAR因子也未進(jìn)行郁閉度分級(jí)的情況下,精度最高為多重感知機(jī)模型(R2=0.57,RMSE=34.49,rRMSE=40.98%),郁閉度分級(jí)后,低郁閉度精度最高為線性模型(R2=0.92,RMSE=4.43,rRMSE=21.16%),中郁閉度精度最高為多重感知機(jī)模型(R2=0.71,RMSE=22.80,rRMSE=32.95%),高郁閉度精度最高為線性模型(R2=0.46,RMSE=33.92,rRMSE=29.85%),可以得出郁閉度分級(jí)可以提高模型估測(cè)精度的結(jié)論；2)加入SAR因子后,低郁閉度分級(jí)的模型精度未發(fā)生改變,中郁閉度分級(jí)的模型精度由多重感知機(jī)的67.05%提高至69.39%,高郁閉度分級(jí)的模型精度由線性的70.15%提高至多重感知機(jī)的72.47%,可以得出郁閉度分級(jí)以及加入SAR因子可以提高模型估測(cè)精度的結(jié)論；3)郁閉度分級(jí)在不同的模型下有著不同的影響,對(duì)于低郁閉度分級(jí)的樣地來(lái)說(shuō),線性模型和多重感知機(jī)可以提高模型的估測(cè)精度,線性模型精度最高(R2=0.92,RMSE=4.43,rRMSE=21.16%),對(duì)于中郁閉度分級(jí)的樣地來(lái)說(shuō),多重感知機(jī)模型估測(cè)效果最好(R2=0.75,RMSE=21.18,rRMSE=30.61%),對(duì)于高郁閉度分級(jí)的樣地來(lái)說(shuō),多重感知機(jī)模型估測(cè)效果最好(R2=0.54,RMSE=31.28,rRMSE=27.53%)。

由圖5可看出5種模型中,多重感知機(jī)模型擬合效果較好,郁閉度分級(jí)后精度有明顯的提升。

3.2 模型擬合結(jié)果分析

通過(guò)模型精度結(jié)果的對(duì)比與分析可知郁閉度分級(jí)且加入SAR數(shù)據(jù)可以顯著提高模型的估測(cè)精度,因此得到各郁閉度級(jí)別結(jié)合Landsat 8與PALSAR-2影像的最優(yōu)估測(cè)模型,估測(cè)模型擬合結(jié)果如圖6所示。

由圖6可知,結(jié)合Landsat 8與PALSAR-2影像在未進(jìn)行郁閉度分級(jí)的情況下,估測(cè)精度只有59.02%,郁閉度分級(jí)后,精度都明顯提高。其中,低郁閉度區(qū)域的估測(cè)精度達(dá)78.84%,中郁閉度區(qū)域的估測(cè)精度為69.39%,但是部分樣地出現(xiàn)低估,高郁閉度區(qū)域的估測(cè)精度為72.47%。

利用龍南縣森林資源調(diào)查的小班數(shù)據(jù)提取出龍南縣針葉林分布圖,根據(jù)估測(cè)模型的擬合結(jié)果,采用最優(yōu)模型對(duì)龍南縣針葉林的蓄積量進(jìn)行反演,結(jié)果如圖7所示。

由圖7可以看出,龍南縣針葉林的蓄積量在高蓄積量范圍分布較少,蓄積量主要分布在250m3/hm2以下,原因是龍南縣的針葉林大部分為幼齡,成熟林、過(guò)熟林較少。反演結(jié)果與我們實(shí)地樣地調(diào)查發(fā)現(xiàn)的針葉林林分年齡偏小相符。

4 結(jié)論與討論

4.1 結(jié)論

研究以Landsat 8以及Alos-palsar 2衛(wèi)星數(shù)據(jù)為數(shù)據(jù)源,以江西省龍南縣作為研究區(qū)域,探究了光學(xué)數(shù)據(jù)結(jié)合SAR數(shù)據(jù)以及郁閉度分級(jí)對(duì)森林蓄積量反演的影響。

1)郁閉度分級(jí)后能有效提高蓄積量反演模型的精度。與未進(jìn)行郁閉度分級(jí)相比,將郁閉度分為低、中、高3個(gè)等級(jí)并分別建立估測(cè)模型,能有效提高反演精度。未進(jìn)行郁閉度分級(jí)情況下精度最高為59.02%,郁閉度分級(jí)后,低郁閉度精度為78.84%,中郁閉度精度為67.05%,高郁閉度為70.15%。

2)Landsat 8結(jié)合SAR數(shù)據(jù)在郁閉度分級(jí)后能提高蓄積量反演模型的精度。在郁閉度分級(jí)情況下,Landsat 8數(shù)據(jù)加入SAR數(shù)據(jù)后中郁閉度和高郁閉度蓄積量反演模型的精度能提升約2個(gè)百分點(diǎn)。低郁閉度精度為78.84%；中郁閉度精度為69.39%,精度提升2.34%；高郁閉度精度為72.47%,精度提升2.32%。

4.2 討論

1)實(shí)驗(yàn)樣地調(diào)查數(shù)據(jù)來(lái)源于森林資源固定樣地調(diào)查,不同于科研樣地,樣地存在很多不確定因素,可能落在水域、非林地等。樣地也可能涉及各種齡組,郁閉度的林分,由于多種不同林分的存在,對(duì)所有樣地統(tǒng)一建?？赡軙?huì)因缺乏對(duì)真實(shí)情況的反映而導(dǎo)致反演精度的不足。研究發(fā)現(xiàn),對(duì)不同郁閉度的樣地進(jìn)行分級(jí)后再分別進(jìn)行蓄積量的估測(cè)，能明顯提高模型的估測(cè)精度。

2)使用光學(xué)遙感影像進(jìn)行林分蓄積量的估測(cè)時(shí),影像獲取時(shí)研究區(qū)域是否是云雨天氣,對(duì)蓄積量的反演精度影響很大,而SAR數(shù)據(jù)具有受云雨影響小,穿透性強(qiáng)的特點(diǎn)。研究中,在光學(xué)遙感數(shù)據(jù)加入Alos-palsar 2遙感數(shù)據(jù)的情況下,可以提高蓄積量的反演精度。

研究區(qū)域位于亞熱帶區(qū)域,對(duì)其他地區(qū)適應(yīng)性或許會(huì)有所不同,但對(duì)于固定樣地的針葉林蓄積量反演,研究結(jié)果證明,結(jié)合光學(xué)和SAR遙感數(shù)據(jù)以及郁閉度的分級(jí)能有效提高蓄積量的反演精度。