菅永峰,韓澤民,黃光體,王 熊,李 源,周靖靖,2,佃袁勇,2,3,*

1 華中農(nóng)業(yè)大學園藝林學學院, 武漢 430070 2 華中農(nóng)業(yè)大學湖北林業(yè)信息工程技術研究中心, 武漢 430070 3 農(nóng)業(yè)部華中都市農(nóng)業(yè)重點實驗室, 武漢 430070 4 湖北省林業(yè)調(diào)查規(guī)劃院, 武漢 430079

森林是陸地生態(tài)系統(tǒng)中的重要組成部分,具有涵養(yǎng)水源、調(diào)節(jié)氣候、固碳釋氧等作用[1]。在我國,亞熱帶森林約占森林面積的二分之一,在季風環(huán)流和青藏高原的影響下,亞熱帶地區(qū)形成了較好的水熱條件,為植被生長提供了有利的環(huán)境。同時,由于氣候、地形和土壤等因素的影響,使得該區(qū)域具有較高的空間異質(zhì)性。亞熱帶森林作為森林生態(tài)系統(tǒng)的重要組成部分之一,分布較為廣泛的森林類型是常綠闊葉林,但在其北部主要為落葉樹種[2]。亞熱帶森林生物量是全球植被生物量估值最大的區(qū)域之一,是森林碳儲量的重要組成部分。然而目前,很多關于碳平衡的研究多集中在溫帶和熱帶森林區(qū)域,對于亞熱帶森林的碳儲量研究較少,這使得無法了解亞熱帶森林區(qū)域的碳儲量在全球碳循環(huán)中的作用。因此,準確估算亞熱帶森林的碳存儲以及了解其在全球碳循環(huán)中的作用是未來研究的方向[3]。

傳統(tǒng)的生物量估算方法以實際調(diào)查數(shù)據(jù)為基礎,雖然估測精度較高,但勞動力大、破壞性強、成本高,且無法進行大區(qū)域的生物量變化監(jiān)測[4-5]。遙感技術具有空間分辨率高、長期、動態(tài)、區(qū)域面積大等特點,已被廣泛用于森林生物量的估測。

隨著遙感技術的發(fā)展,應用于生物量估算的遙感影像包括激光雷達、SAR、光學影像等[6]。星載激光雷達不能獲取具有高分辨率的森林參數(shù),且容易受到地形起伏的影響[7-9]。機載激光雷達的空間分辨率較高,但對植被結(jié)構(gòu)復雜、空間異質(zhì)性較高的區(qū)域,估測到的森林生物量精度較低[10-11]。SAR具有極強的穿透能力,然而SAR分辨率低,信號受地形起伏影響較大,且當生物量達到一定水平時會出現(xiàn)信號飽和,所以在森林植被結(jié)構(gòu)復雜、生物量較高的熱帶和亞熱帶區(qū)域具有一定的局限性[12-15]。

在這種情況下,光學高分辨率衛(wèi)星數(shù)據(jù)在植被生物量估測上的優(yōu)勢得到了越來越多的關注。與激光雷達數(shù)據(jù)相比,光學遙感數(shù)據(jù)獲取途徑更為廣泛,且部分數(shù)據(jù)免費對用戶開放。光學遙感數(shù)據(jù)得到的是水平方向連續(xù)的區(qū)域性數(shù)據(jù),而激光雷達為光斑激光傳感器,無法達到無縫覆蓋,且在大尺度應用上存在限制。除此之外,光學高分辨率遙感影像包含了大量的紋理、形狀等空間幾何信息,在對不同森林類型的生物量進行反演估算時,其提取的森林參數(shù),紋理和細節(jié)信息更加豐富[16]。

本研究結(jié)合野外實際生物量數(shù)據(jù),使用GF-2和SPOT-6高分辨率遙感影像作為數(shù)據(jù)源,提取影像的植被指數(shù)和紋理因子,通過隨機森林算法建立森林參數(shù)與森林生物量的回歸估測模型,同時比較兩種高空間分辨率影像模型的預測能力,并對模型進行驗證。最后針對兩種影像的不同林分類型的生物量估算值進行單因素方差分析,比較不同林分類型的預測結(jié)果。

1 研究區(qū)及數(shù)據(jù)

1.1 研究區(qū)

圖1 研究區(qū)Fig.1 Location of the study area

太子山林場位于中國湖北省京山市太子山國家森林公園,鄂中江漢平原與大洪山余脈交匯處,東經(jīng)112°49′5″—113°3′40″,北緯30°48′35″—31°2′40″之間(圖1)。太子山地貌為低山丘陵區(qū),土壤以黃棕壤和黃褐色石灰土為主,屬亞熱帶季風氣候,夏秋多雨,冬春干旱,年平均降雨量1094.8 mm,年平均氣溫16.4℃。太子山林場總面積約7900 hm2,森林覆蓋率為85%。林場內(nèi)氣候溫暖濕潤,資源豐富,分布著僅能在此生長的國家級保護植物對節(jié)白臘在內(nèi)的共138科、204屬、近400種植物。該地區(qū)以人工林為主,其中典型的林分有麻櫟(Quercusacutissima)、栓皮櫟(Quercusvariabilis)、杉木(Cunninghamialanceolate)、馬尾松(Pinusmassoniana)、柏木(Cupressusfunebris)、樟(Cinnamomumcamphora)等[17]。

1.2 研究數(shù)據(jù)

1.2.1遙感數(shù)據(jù)及預處理

以2015年8月4日SPOT-6遙感影像和2015年8月14日GF-2遙感影像作為數(shù)據(jù)源。采用ENVI 5.3對遙感影像進行輻射校正、幾何校正、圖像增強等預處理。

SPOT-6對地觀測衛(wèi)星于2012年9月9日由印度PSLV運載火箭搭載成功發(fā)射,是一顆提供高分辨率光學影像的對地觀測衛(wèi)星,能夠以1.5 m全色和6 m多光譜(藍色,綠色,紅色,近紅外)分辨率對地球進行成像。

GF-2衛(wèi)星于2014年8月19日成功發(fā)射,是我國自主研制的首顆空間分辨率優(yōu)于1 m的民用光學遙感衛(wèi)星,搭載有兩臺高分辨率1 m全色、4 m多光譜相機,具有亞米級空間分辨率、高定位精度和快速姿態(tài)機動能力等特點,有效地提升了衛(wèi)星綜合觀測效能,達到了國際先進水平(表1)。

1.2.2樣地數(shù)據(jù)

地面數(shù)據(jù)調(diào)查開始于2015年8月13日到23日,并在2016年和2018年8月分別到太子山林場展開樣地補充調(diào)查。共布設106塊矩形樣地,單個樣地布設面積為20 m×20 m,樣地包括針葉、闊葉、針闊混交等森林類型,其中針葉林主要以馬尾松為主,闊葉林主要以樟樹、麻櫟等為主。在樣地調(diào)查過程中,首先對樣地的4個角和中心位置進行GPS定位,獲取每塊樣地的經(jīng)緯度坐標,記錄各樣地的生境因子,如坡度、坡向、海拔等,然后對樣地中的樹木進行測量,獲得樹木的胸徑、樹高、冠幅、林地類型等,樣地中存在胸徑和樹高較大的樹種,但總體略接近于正態(tài)分布(圖2)。

表1 GF-2和SPOT-6的光譜波段和空間分辨率

圖2 樣地胸徑、樹高統(tǒng)計直方圖Fig.2 Histogram of diameter at breast height, tree height variables

根據(jù)森林地上生物量與胸徑和樹高的相關性[18-21](表2)計算每株樹的生物量W。

表2 各優(yōu)勢樹種生物量估算公式

研究中根據(jù)樣地類型的不同主要分為針闊混交林、針葉林和闊葉林,其中針闊混交林45塊,針葉林34塊,闊葉林27塊。通過表2中的各樹種的生物量計算公式獲得三種樣地類型的現(xiàn)有生物量分布狀態(tài)(表3)。從表中可以看出闊葉林的平均生物量高于其它兩種類型,但是其標準差較大,說明闊葉林樣地生物量分布不均勻,這可能是由于不同闊葉林樣地中林種不同、林齡差異導致。

表3 樣地現(xiàn)有生物量分布狀態(tài)

2 研究方法

2.1 提取遙感特征

目前研究表明,單獨用遙感影像的波段值或植被指數(shù)估測的森林生物量精度比使用紋理特征結(jié)合植被指數(shù)的精度低,因此本文在建立模型時,使用紋理特征和植被指數(shù)組合估測生物量[22]。

以GPS定位的樣地中心地理坐標作為中心像元,提取所需要的紋理信息和植被指數(shù)。研究采用4種植被指數(shù)(表4),包括比值植被指數(shù)、差值植被指數(shù)、歸一化植被指數(shù)、增強植被指數(shù)。通過灰度共生矩陣的方法提取8種紋理特征,包括均值、方差、均勻性、對比度、異質(zhì)性、熵、二階矩、相關性(表5)。

表4 植被指數(shù)計算公式

表5 紋理特征值計算公式

2.2 確定紋理窗口大小

紋理是用于識別圖像中感興趣的物體或區(qū)域的特征,而GF-2和SPOT-6作為高分辨率影像,可以提供更好的紋理信息,從而顯著提高生物量估算的潛力。本研究采用灰度共生矩陣方法(GLCM)提取紋理特征,而移動窗口的大小是紋理分析的一個關鍵參數(shù),因此需要選擇適當?shù)拇翱诖笮?。Latifur等在使用AVNIR-2傳感器的數(shù)據(jù)分析紋理特征改進生物量估算時發(fā)現(xiàn),7×7和9×9紋理窗口的紋理指數(shù)對生物量的估算有顯著改善[23]。潘潔等在使用IKONOS高分辨率遙感影像提取紋理特征時發(fā)現(xiàn),為了保持紋理融合影像信息量的豐富度,適宜的移動窗口選擇范圍為9×9至15×15之間[24]。Eckert等在利用WorldView-2衛(wèi)星數(shù)據(jù)紋理測量改善森林生物量和碳估算時,發(fā)現(xiàn)當窗口為15×15時,生物量與紋理參數(shù)的相關性最高[25]。

因此,本研究在保證提取的遙感特征變量相同的情況下,選取7個不同大小的移動窗口(5×5、7×7、9×9、11×11、13×13、15×15、17×17),通過建立生物量模型,得到不同窗口模型的精度,從而得到最適宜的紋理窗口。

2.3 遙感特征選擇與回歸建模

隨機森林算法(Random Forest)是Breiman等提出的一種機器學習算法,其實質(zhì)是對決策樹算法的一種改進,在以決策樹構(gòu)建Bagging集成的基礎上,在訓練過程中加入隨機屬性選擇[26-27]。本研究采用隨機森林算法構(gòu)建模型,利用8種紋理特征和4種植被指數(shù)進行模型的訓練學習。

2.4 模型精度評價

交叉驗證是一種可以用來估計機器學習算法性能的一種方法,其方差小于單個訓練測試集分割的方差。在本研究中,利用決定系數(shù)(R2)、均方根誤差(RMSE)兩個指標進行精度評價。

2.5 不同林分類型生物量估算比較

中國亞熱帶地區(qū)植被種類豐富,不同的遙感影像因為空間分辨率等對同一林分的預測精度不同,因此在實驗最后對兩種影像的不同林分生物量估測進行單因素方差分析。

3 結(jié)果

3.1 SPOT-6和GF-2影像對比

研究中使用ENVI 5.3對兩種影像做大氣校正,消除這些由大氣影響所造成的輻射誤差,從而反演地物真實的表面反射率[27]。由于SPOT-6影像與GF-2的空間分辨率不同,將SPOT-6圖像的像素尺寸重新采樣為4 m×4 m,與GF-2相同。計算了SPOT-6和GF-2波段之間的均方根差(RMSD)、判定系數(shù)(R2)和平均絕對離差(MAD),并用于比較這兩個數(shù)據(jù)集的關系(表6)。

結(jié)果表明,GF-2和SPOT-6所有波段的反射率均值基本相同。但可見光波段決定系數(shù)(R2)明顯高于近紅外波段,尤其是藍、綠波段；而其可見光波段均方根誤差(RMSE)小于近紅外波段。

表6 SPOT-6和GF-2地表反射率比較

3.2 紋理窗口大小對生物量反演的影響

對兩種不同遙感數(shù)據(jù),在7種(5×5至17×17)不同的紋理窗口下,選擇相同的紋理特征變量構(gòu)建生物量模型(表7)。

從表7可以看出遙感數(shù)據(jù)在不同的移動窗口,生物量的模型估測精度不同,GF-2影像隨著窗口的增大先減小后增大,7×7窗口為其最佳模型窗口(R2為0.86,RMSE為38.42 Mg/hm2)。SPOT-6影像隨著窗口的增大,其模型精度先減小后增大,15×15窗口為最佳模型窗口(R2為0.85,RMSE為39.76 Mg/hm2)。

采用隨機森林回歸建模前,需要評估紋理特征對回歸模型的重要性(圖3)。從圖中可以發(fā)現(xiàn)GF-2影像和SPOT-6影像的均值和對比度對生物量反演影響最高,但兩者在波段選擇上存在一定的差異性。同時,也可以發(fā)現(xiàn)紋理特征與生物量的相關性比植被指數(shù)高。

表7 不同紋理窗口模型精度

圖3 特征的重要性Fig.3 The importance of featureGF-2、SPOT-6為高分辨率遙感影像

3.3 回歸建模與精度驗證

將篩選出的8個遙感因子與樣地生物量進行隨機森林回歸建模,得到的生物量預測模型及其精度評價(圖4)。整體來看,GF-2生物量模型精度(R2=0.88,RMSE=27.11 Mg/hm2)與SPOT-6生物量模型的精度(R2=0.89,RMSE=23.93 Mg/hm2)都比較高,且兩者差異性較小,但當生物量大于250 Mg/hm2,遙感預測結(jié)果逐漸低于實測生物量,該現(xiàn)象被稱為生物量飽和。為了分析兩種影像對三種不同的林分生物量的估算值是否存在差異,對兩種影像的不同林分做單因素方差分析。結(jié)果發(fā)現(xiàn)兩種影像對不同林分類型的生物量預測沒有顯著性差異(針葉林F=0.000,P=0.983；闊葉林F=0.04,P=0.95；針闊混交林F=0.006,P=0.94)。

圖4 預測生物量模型回歸精度Fig.4 Prediction of regression accuracy of biomass modelB: 藍波段 Blue; G: 綠波段 Green; R: 紅波段 Red; NIR: 近紅外波段 Near infrared; ME: 均值 Mean; VA: 方差 Variance; CO: 對比度 Contrast; SM: 二階矩 Secondary moment; NDVI: 歸一化植被指數(shù) Normalized difference vegetation index; EVI: 增強植被指數(shù) Enhanced vegetation index

3.4 研究區(qū)生物量預測

圖5 太子山林場生物量反演圖Fig.5 Biomass inversion map of Taizi mountain

根據(jù)生物量預測模型,對太子山林場地區(qū)進行生物量反演(圖5)。圖中白色區(qū)域的生物量值最小,主要是因為該地區(qū)為水體、道路、居民點等。顏色淺的區(qū)域為林分密度較小的山下林帶或農(nóng)田,其生物量較小。顏色較深的區(qū)域為山林集中區(qū),樹種數(shù)量高,生物量值大。

4 討論

生物量模型精度受模型反演中所用影像的分辨率的影響。光學傳感器分為中高低等空間分辨率數(shù)據(jù),本文中GF-2和SPOT-6都為高分辨率影像,其生物量模型精度分別為0.88和0.89。一般來講高分辨率數(shù)據(jù)在小區(qū)域尺度生物量估算中具有較高的優(yōu)勢。如2019年茍睿坤等[28]應用國產(chǎn)高分二號影像提取紋理特征和植被指數(shù)對陜西石堡林場做生物量反演,其模型精度達到0.81。2017年蒙詩櫟等[22]利用WorldView-2對黑龍江涼水國家級自然保護區(qū)做生物量反演,其精度達到0.85。而相對于高分辨率遙感影像,常規(guī)光學遙感影像為中低等分辨率影像,如Landsat TM、ETM+、MODIS等,其在區(qū)域尺度上的模型精度相對較低。如2015年徐婷等[29]提取Landsat8OLI的特征變量在國營虞山林場反演地上生物量,其精度為0.41。2010年曹慶先等[30]基于TM影像紋理對紅樹林生物量估算,生物量精度為0.66。這是因為常規(guī)遙感數(shù)據(jù)空間分辨率相對較低,被廣泛應用于大區(qū)域和全球尺度的森林生物量估測研究。如Zhang等[5]利用1 km分辨率的MODIS數(shù)據(jù)估算中國亞熱帶森林地上生物量。Su等[31]通過星載激光雷達和光學成像(1km分辨率)分別繪制了全球熱帶和亞熱帶地區(qū)以及中國的AGB圖像。

在生物量估算中,只使用植被指數(shù)反演生物量,模型精度較低,而加入紋理特征可以提高反演的精度[32]。但Lu[33]使用Landsat TM提取紋理特征和植被指數(shù)構(gòu)建巴西亞馬遜地區(qū)地上生物量,其精度最高達到0.78。本實驗中,通過選取SPOT-6和GF-2最佳窗口,提取紋理特征和植被指數(shù)構(gòu)建生物量模型,模型精度明顯高于Landsat TM影像。這是因為高分辨率遙感影像空間信息更加豐富,地物目標的結(jié)構(gòu)、紋理和細節(jié)等信息更加突出[34]。

雖然高分辨率影像對提高生物量反演精度具有明顯的效果,但是不同森林類型對反演結(jié)果還是存在一定的影響。實驗中用所有森林類型構(gòu)建一個模型,如圖4,發(fā)現(xiàn)不同森林類型中,闊葉林的生物量預測總體偏差較大,針葉林的誤差較小。李明詩等[35]在南京紫金山對主要優(yōu)勢樹種生物量的建模研究中也得出相似的結(jié)論。為分析不同森林類型對生物量反演的影響大小,未來可以使用分辨率更高的影像數(shù)據(jù)做數(shù)據(jù)源提取樹冠信息進行不同森林類型的生物量估算。

5 結(jié)論

本研究主要探討高分辨率遙感數(shù)據(jù)在北亞熱帶森林生物量反演的效果,同時比較國產(chǎn)GF-2與國外SPOT-6高分辨率數(shù)據(jù)的生物量反演潛力。實驗中采用了灰度共生矩陣算法計算紋理因子,并將紋理因子和植被指數(shù)相結(jié)合與樣地生物量通過隨機森林算法進行回歸建模,最后通過交叉驗證評價兩者的模型精度。結(jié)果表明：雖然兩種數(shù)據(jù)的空間分辨率等存在差異,但它們所有波段的輻射性能相當,并且通過選取的均值和對比度等遙感特征與樣地生物量構(gòu)建生物量模型發(fā)現(xiàn),兩種高分辨率影像都能較好的估測北亞熱帶不同林分類型的生物量,且GF-2生物量模型精度(R2=0.88,RMSE=27.11 Mg/hm2)與SPOT-6生物量模型的精度(R2=0.89,RMSE=23.93 Mg/hm2)相近。