肖 越,許曉東,龍江平,林 輝

(1.中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心,長沙 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)驗室,長沙 410004；3.南方森林資源經(jīng)營與監(jiān)測國家林業(yè)與草原局重點(diǎn)實(shí)驗室,長沙 410004)

傳統(tǒng)的森林蓄積量估測主要以抽樣調(diào)查為主,耗時費(fèi)力,對森林生態(tài)環(huán)境有一定的破壞[1]。遙感技術(shù)的發(fā)展及其多時間分辨率和多空間分辨率的優(yōu)點(diǎn),改變了傳統(tǒng)森林資源調(diào)查的方式,實(shí)現(xiàn)了對森林蓄積量連續(xù)性、大范圍的動態(tài)監(jiān)測[2-4]。目前,國內(nèi)外學(xué)者運(yùn)用遙感技術(shù)對森林蓄積量進(jìn)行反演做了大量研究,按照數(shù)據(jù)源的不同主要分為三類:一是光學(xué)遙感數(shù)據(jù)(SPOT系列,LANDSAT系列,MODIS及國產(chǎn)高分衛(wèi)星等)[5-7]；二是機(jī)載激光雷達(dá)數(shù)據(jù)[8-9；三是合成孔徑雷達(dá)數(shù)據(jù)(ALOS-PALSAR、Radarsat-2等)[10-12]。受制于機(jī)載激光雷達(dá)和合成孔徑雷達(dá)的數(shù)據(jù)獲取能力及覆蓋不連續(xù)等問題,目前基于高空間分辨率的光學(xué)影像實(shí)現(xiàn)森林蓄積量的遙感反演更具有潛力和推廣意義。

隨著遙感技術(shù)和機(jī)器學(xué)習(xí)算法的飛速發(fā)展,森林蓄積量反演模型也從傳統(tǒng)的單變量、多變量的線性模型演變?yōu)橐訩NN、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等為代表的機(jī)器學(xué)習(xí)模型[13-15]。在森林蓄積量的估測過程中,建立合適的函數(shù)模型決定了估計精度[16]。因此,機(jī)器學(xué)習(xí)算法應(yīng)用于反演模型中的研究不僅對森林蓄積量估測有著重大意義,對于森林資源動態(tài)監(jiān)測也有著重大影響。王海賓等[17]應(yīng)用高分一號影像,構(gòu)建偏最小二乘模型和KNN模型對北京市延慶區(qū)的森林蓄積量進(jìn)行估測,結(jié)果表明基于KNN法建立的蓄積估測模型要好于偏最小二乘模型；張?zhí)K等[18]以國產(chǎn)高分一號為遙感數(shù)據(jù)源,采用多元線性回歸和支持向量機(jī)回歸方法開展亞熱帶針葉林蓄積量估算效果評價研究,結(jié)果表明支持向量機(jī)回歸(SVR)模型估測蓄積量的精度要明顯優(yōu)于多元線性回歸模型；劉唐等[19]基于LANDSAT-TM影像以及DEM數(shù)據(jù),采用BP神經(jīng)網(wǎng)絡(luò)方法構(gòu)建區(qū)分立地質(zhì)量的森林蓄積量遙感估測模型,結(jié)果表明同等條件下,BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度及R2均優(yōu)于多元線性回歸模型。然而,不同模型對森林蓄積量估測的敏感程度和精度還存在不確定性。本文以內(nèi)蒙古的旺業(yè)甸林場為研究區(qū),利用國產(chǎn)高分二號影像,構(gòu)建多元線性回歸(MLR)、多層感知機(jī)(MLP)、K-近鄰(KNN)、支持向量機(jī)(SVR)和隨機(jī)森林(RF)等5種不同模型估測森林蓄積量,分析高分二號影像遙感因子和估測模型對森林蓄積量反演的敏感程度和響應(yīng)過程。

1 研究區(qū)概況

旺業(yè)甸林場位于內(nèi)蒙古赤峰市喀喇沁旗西南部,地處燕山山脈北麓七老圖山支脈,是茅荊達(dá)壩次生林區(qū)的重要組成部分之一,地理坐標(biāo)為北緯41°21′～41°39′,東經(jīng)118°09′～118°30′。林場主要地形地貌為中山山地,地勢西南高東北低,平均海拔800～1 890m。年均降水量300～500mm,主要集中在7—8月份,年蒸發(fā)量2 000mm,為明顯的大陸季風(fēng)性氣候。土壤以典型棕壤為主。旺業(yè)甸林場的有林地面積2.33萬hm2,其中人工林1.16萬hm2,天然林1.17萬hm2,活立木總蓄積量152.7萬m3[20]。人工林樹種以落葉松(Larixprincipis-rupprechtiiMayr)、油松(Pinustabulaeformis)、樟子松(Pinussylvestris)等為主,天然次生林樹種以白樺(Betulaplatyphylla)等為主。

2 材料與方法

2.1 實(shí)驗方案設(shè)計及地面數(shù)據(jù)獲取

地面樣地數(shù)據(jù)依據(jù)海拔、齡組、蓄積量、樹種等因素采用系統(tǒng)布點(diǎn)。首先在旺業(yè)甸林場范圍內(nèi)平均劃分為22個格網(wǎng),在每個格網(wǎng)內(nèi)選擇1個對林分有充分代表性的樣地作為中心樣地,再在中心樣地的附近尋找3個常規(guī)樣地,共設(shè)計了88個樣地。樣地調(diào)查時間為2019年9月5日至2019年9月20日,樣地大小設(shè)置為25m×25m。在每個樣地中,利用高精度GNSS測定地面樣地的角點(diǎn)和中心點(diǎn)位置。在樣地內(nèi),采用每木檢尺的方法測量胸徑、樹高、東西冠幅、南北冠幅及枝下高等參數(shù)。根據(jù)當(dāng)?shù)靥峁┑臉浞N二元材積表計算出樣地內(nèi)每株木的材積,統(tǒng)計得到每個樣地的蓄積量。地面調(diào)查樣地88塊,其中油松樣地45塊,落葉松樣地41塊,樟子松樣地2塊。有2個樣地的遙感圖像被云層覆蓋,故有效樣地為86個。

2.2 遙感數(shù)據(jù)

采用國產(chǎn)高分二號影像數(shù)據(jù)。高分二號衛(wèi)星搭載了2臺高分辨率1m全色、4m多光譜相機(jī),包含4個波段,飛行海拔高度631km,軌道傾角97.9080°,重訪周期5 d。本次研究的數(shù)據(jù)獲取時間為2019年5月29日和2019年6月23日,共4景影像。

為了提取遙感因子,首先對高分二號影像數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、正射校正、幾何校正、圖像融合、圖像裁剪等一系列預(yù)處理,為了與樣地大小相匹配,將影像重采樣至25m分辨率,處理結(jié)果如圖1所示。

2.3 遙感因子提取

提取高分二號影像中4個單波段反射率因子、波段運(yùn)算得到的12個植被指數(shù)因子(NDVI,DVI,EVI,ARVI等)及每個單波段的8種紋理因子即均值(Mean)、方差(Variance)、協(xié)同性(Homogeneity)、對比度(Contrast)、相異性(Dissimilarity)、信息熵(Entropy)、二階矩(Second Moment)和相關(guān)性(Correlation),共計48個遙感因子。植被指數(shù)的計算公式如表1所示。利用Pearson相關(guān)系數(shù)法篩選出與森林蓄積量相關(guān)性較高的遙感因子參與建模。

表1 植被指數(shù)計算公式

2.4 森林蓄積量估測模型的構(gòu)建

通過Pearson相關(guān)系數(shù)法篩選出來的高分二號遙感因子與實(shí)地調(diào)查的森林蓄積量聯(lián)合建立多元線性回歸模型(MLR)、多層感知機(jī)(MLP)、K-近鄰(KNN)、支持向量機(jī)(SVR)、隨機(jī)森林(RF)5種森林蓄積量估測模型。

傳統(tǒng)的多元線性回歸(MLR)主要包括2個或2個以上自變量,以自變量的最優(yōu)組合為基礎(chǔ)來實(shí)現(xiàn)模型對因變量的預(yù)估,可解釋性強(qiáng),但對于非線性數(shù)據(jù)或者數(shù)據(jù)特征間具有相關(guān)性的多項式回歸難以建模；而機(jī)器學(xué)習(xí)模型能有效的解決這一問題,多層感知機(jī)(MLP)是由輸入層、隱藏層和輸出層構(gòu)成,隱藏層可以包含一層或多層,每個隱藏層都可以通過激活函數(shù)對輸出進(jìn)行變換,多層感知機(jī)的層數(shù)和各隱藏層中隱藏單元個數(shù)以及激活函數(shù)的選擇都是關(guān)鍵； K-近鄰[21](KNN)是一種根據(jù)K個最近鄰居的加權(quán)平均值來預(yù)測樣本的方法,其關(guān)鍵點(diǎn)在于如何選擇最佳的K值；支持向量機(jī)[22](SVR)是將輸入空間通過非線性變換映射到一個高維空間,在高維空間中通過線性回歸超平面從而解決低維空間中的非線性問題,其關(guān)鍵在于核函數(shù)的選擇和懲罰參數(shù)的設(shè)定；隨機(jī)森林(RF)是由決策樹的思想衍生而來的,最早由Leo Breiman和Adele Cutler提出[23],其主要思想是利用有放回抽樣的不同樣本訓(xùn)練不同的決策樹,最終得到所有決策樹結(jié)果的平均值,其參數(shù)設(shè)置主要考慮決策樹的個數(shù)。

2.5 精度評價

構(gòu)建森林蓄積量反演模型采用分層隨機(jī)抽樣的方法,按森林蓄積量的分布情況將樣地劃分為3層,并從中隨機(jī)選取2/3的樣本(57)作為訓(xùn)練樣本,1/3樣本(29)作為驗證樣本。為了評價不同模型的估測能力,選擇決定系數(shù)(R2),均方根誤差(RMSE)和相對均方根誤差(RRMSE)作為評價指標(biāo)[24],其中,決定系數(shù)R2,均方根誤差RMSE和相對均方根誤差RRMSE的計算公式如下:

(1)

(2)

(3)

3 結(jié)果與分析

利用國產(chǎn)高分二號數(shù)據(jù)所提取的遙感因子,經(jīng)Pearson相關(guān)系數(shù)法篩選后,結(jié)合5種不同模型估測森林蓄積量,得到基于GF-2數(shù)據(jù)的森林蓄積量最優(yōu)反演模型,并繪制研究區(qū)內(nèi)森林蓄積量空間分布圖。

3.1 遙感因子的篩選

利用Pearson相關(guān)系數(shù)法篩選遙感因子,篩選出與森林蓄積量在0.01顯著水平上顯著相關(guān)的遙感因子8個,分別為Band1,Band2,Band3,ARVI,B1_Mean,B2_Mean,B3_Mean,B4_Mean,其相關(guān)系數(shù)如表2所示。

表2 變量和森林蓄積量的相關(guān)性

表2中,Band1,Band2,Band3分別為高分二號影像藍(lán)色、綠色、紅色波段的灰度值,ARVI為大氣抗阻植被指數(shù),B1_Mean,B2_Mean,B3_Mean,B4_Mean分別為藍(lán)色、綠色、紅色和近紅外波段紋理濾波中的均值。高分二號影像中的綠色波段灰度值與森林蓄積量的相關(guān)性最高,其相關(guān)系數(shù)達(dá)到了0.453。

3.2 模型估測結(jié)果與精度評價

利用驗證樣本對5種森林蓄積量反演模型進(jìn)行精度分析與評價,結(jié)果如表3所示。

表3 估測模型精度評價

由表3分析可知,在5種森林蓄積量反演模型中,隨機(jī)森林模型的擬合效果最好,估測精度最高,達(dá)到了74.60%；支持向量機(jī)模型的擬合效果次之,估測精度為69.87%；多層感知機(jī)模型和多元線性回歸模型的擬合效果最差,估測精度分別為63.94%和65.01%。

通過繪制隨機(jī)森林模型預(yù)測值與實(shí)測值散點(diǎn)圖及殘差圖來進(jìn)一步檢驗?zāi)Ｐ偷臄M合效果,結(jié)果如圖2所示。

由圖2可知,隨機(jī)森林模型能夠較準(zhǔn)確地估測森林蓄積量,殘差分布較為隨機(jī)且無規(guī)律,模型擬合效果較好,較為穩(wěn)定,預(yù)測精度最高,是最優(yōu)的森林蓄積量反演模型。

圖2 隨機(jī)森林模型擬合結(jié)果與殘差分布圖

3.3 森林蓄積量的空間分布

基于高分二號影像提取光譜因子、植被指數(shù)因子及紋理因子,經(jīng)Pearson相關(guān)系數(shù)法篩選出8個因子作為自變量,利用構(gòu)建的隨機(jī)森林回歸模型估算整個研究區(qū)的森林蓄積量并得到研究區(qū)內(nèi)森林蓄積量的空間分布圖,結(jié)果如圖3所示。

圖3 森林蓄積量反演圖

從圖3可以看出,森林蓄積量分布較高的地區(qū)主要集中在研究區(qū)的西部和東南部,其估值大多為200～300m3/hm2,而森林蓄積量分布較低的地區(qū)主要集中在研究區(qū)的西北部、中部和北部,其估值大多為0～100m3/hm2。這是因為西部及東南部地勢較高,植被分布較為集中,人為活動較少,因此森林蓄積量較高；而西北部、中部及北部地勢相對來說較為平坦,人為活動相對集中,因此蓄積量較低。研究區(qū)的森林蓄積量反演圖符合實(shí)際調(diào)查結(jié)果,能夠反映研究區(qū)內(nèi)真實(shí)的森林蓄積量空間分布情況。

4 結(jié)論與討論

4.1 結(jié)論

1) 高分二號影像用于森林蓄積量估測的最佳特征變量為Band1,Band2,Band3,ARVI,b1_Mean,b2_Mean,b3_Mean,b4_Mean。此外,利用高分二號影像提取出的基于二階矩陣的紋理因子中均值(Mean)與森林蓄積量具有較高的相關(guān)性,說明高分二號影像的紋理因子能提高森林蓄積量的估測精度。

2) 隨機(jī)森林相對于多元線性、多層感知機(jī)、K-近鄰、支持向量機(jī)等方法具有更高的森林蓄積量估測精度。在5種森林蓄積量估測模型中,隨機(jī)森林回歸模型的估測效果最好(RMSE=49.94m3/hm2,RRMSE=25.40%,R2=0.51)；支持向量機(jī)回歸模型次之(RMSE=59.23m3/hm2,RRMSE=30.13%,R2=0.31)；多層感知機(jī)模型和多元線性回歸模型效果最差。

4.2 討論

1) 使用光學(xué)遙感影像進(jìn)行森林蓄積量的估測時,天氣對于影像的質(zhì)量具有很大的影響。本次實(shí)驗地面樣地的調(diào)查時間為2019年9月份,而9月份前后的高分二號影像受天氣等因素的影響質(zhì)量很差,因此所使用影像的獲取時間為2019年5—6月份,中間間隔3個多月,這可能會對實(shí)驗結(jié)果產(chǎn)生一定的影響。

2) 使用國產(chǎn)高分二號影像估測森林蓄積量時,在森林蓄積量為300m3/hm2左右會出現(xiàn)光飽和情況,產(chǎn)生低估現(xiàn)象。今后可考慮使用SAR數(shù)據(jù)與之相結(jié)合提高高蓄積量區(qū)域的估測精度。

3) 隨機(jī)森林算法在反演森林蓄積量方面具有一定的潛力。隨機(jī)森林在小樣本的情況下對森林蓄積量表現(xiàn)出了較高的估測精度。隨著算法的不斷發(fā)展和完善,該算法在森林蓄積量估測甚至林業(yè)上將會取得更多的成果。

4) 本次研究區(qū)位于中溫帶區(qū)域,所選擇的樣本僅為研究區(qū)內(nèi)的優(yōu)勢樹種,所以實(shí)驗結(jié)果對人工針葉林的蓄積量估測具有一定的參考意義,對其他地區(qū)及其他樹種的蓄積量估測是否適用有待進(jìn)一步研究。