趙鑫

摘要：森林地上生物量（Above Ground Biomass，AGB）是衡量生態(tài)系統(tǒng)生產(chǎn)力的重要標(biāo)志，也是研究森林生態(tài)系統(tǒng)物質(zhì)循環(huán)的基礎(chǔ)。本文以佩諾布斯科特森林為研究對象，選取森林的百分位密度和百分位高度作為估測森林地上生物量的特征，使用隨機(jī)森林回歸模型對樣地的森林地上生物量進(jìn)行預(yù)測。結(jié)果表明：（1）森林的生物量與高度特征相關(guān)性較強(qiáng)，與密度特征相關(guān)性較弱。（2）使用隨機(jī)森林回歸模型預(yù)測精度最高為0.83，對應(yīng)的均方根誤差為26.4t/ha。使用機(jī)載激光雷達(dá)數(shù)據(jù)結(jié)合隨機(jī)森林回歸模型對于森林生物量有較好的預(yù)測精度。

關(guān) 鍵 詞：森林地上生物量;激光雷達(dá);特征選擇;隨機(jī)森林

0引言

森林是陸地生態(tài)系統(tǒng)的重要組成部分，覆蓋面積大約占全球陸地面積的30%;森林在陸地總初級生產(chǎn)量中占比75%[1]。研究表明：森林在吸收二氧化碳、調(diào)節(jié)動植物群落、水文和鞏固水土方面具有顯著功能。因此，如何快速、大范圍的獲取森林的相關(guān)指標(biāo)是林業(yè)研究中的關(guān)鍵問題。

遙感技術(shù)自上世紀(jì)60年代興起后，就不斷被應(yīng)用到各行各業(yè)中。遙感由于其數(shù)據(jù)獲取方便、覆蓋地理范圍廣、數(shù)據(jù)更新快的特點(diǎn)，在森林調(diào)查方面具有十分明顯的優(yōu)勢。由其工作方式可以看出激光雷達(dá)技術(shù)能克服光學(xué)遙感存在的問題，可以獲取與森林垂直結(jié)構(gòu)（樹高、密度等）相關(guān)的信息，并且不易受外界環(huán)境干擾[2-4]。因此，近年來學(xué)者的研究多集中在使用LiDAR數(shù)據(jù)反演森林地上生物量。

1 實(shí)驗(yàn)區(qū)域概況

本次研究區(qū)域?yàn)榕逯Z布斯科特（Penobscot）實(shí)驗(yàn)森林，如圖1所示。在森林中，有46個(gè)用于研究的森林服務(wù)站。該地區(qū)的氣候陰冷潮濕，年平均溫度低于10℃，2月份是該地區(qū)最冷的季節(jié)，平均每日溫度為-7.1℃，7月份是最溫暖的季節(jié)，平均溫度為20℃。降水量為1060mm，近一半的降水主要集中在每年的5月份到10月份之間。年降雪量為2390mm，平均年生長天數(shù)的456天。森林中的樹種主要以混合針葉林為主。從1950年以來，緬因州的佩諾布斯科特森林一直是美國農(nóng)業(yè)部、林業(yè)部的研究站，是北部針葉林的森林學(xué)和生態(tài)學(xué)研究基地。

2 數(shù)據(jù)與方法

2.1 實(shí)測數(shù)據(jù)介紹

（1）佩諾布斯科特實(shí)驗(yàn)森林的范圍：

（2）樣地設(shè)置介紹：

在佩諾布斯科特森林，設(shè)置了12組50m*200m的樣地，每個(gè)樣地又被劃分成16個(gè)25m*25m的子樣地。單個(gè)樣地劃分如圖2.2示。

2.2 激光雷達(dá)數(shù)據(jù)介紹

激光雷達(dá)數(shù)據(jù)是由美國國家航空航天局戈達(dá)德飛行中心進(jìn)行航飛和處理。數(shù)據(jù)采集時(shí)間為2012年6月19-21日，飛行的重疊度為30%，飛行高度為300m。部分森林區(qū)域激光雷達(dá)點(diǎn)云如圖2.3示，依據(jù)不同的高度渲染不同的顏色，紅色為地面，黃色為樹木。

由圖3可以看出，點(diǎn)云數(shù)據(jù)顯然不利于處理，因此利用Fusion軟件對激光雷達(dá)點(diǎn)云進(jìn)行處理，得到百分位高度、百分位密度的森林指標(biāo)信息，并以tif形式保存相應(yīng)的數(shù)據(jù)。使用ArcGIS軟件結(jié)合樣地坐標(biāo)文件和百分位高度和百分位密度數(shù)據(jù)將樣地對應(yīng)信息進(jìn)行提取。提取結(jié)果如表2示，其中d0代表0%密度，p10代表10%高度，以此類推，stdev代表高度標(biāo)準(zhǔn)差，mean代表高度平均值。

2.3.2 隨機(jī)森林回歸模型介紹

隨機(jī)森林屬于集成學(xué)習(xí)一種方法，集成學(xué)習(xí)的思路是將多個(gè)弱模型組成一個(gè)強(qiáng)模型，強(qiáng)模型的性能要好于單個(gè)弱模型[7，8]。隨機(jī)森林回歸模型中使用的CART算法構(gòu)建決策樹。

3 實(shí)驗(yàn)結(jié)果與分析

Spearman相關(guān)系數(shù)篩選的變量為P80、P90、P50、P60、P70、P100、Pmean、d7、d8。利用其進(jìn)行支持向量回歸，數(shù)據(jù)分組與上述小節(jié)處理方式相同，分為數(shù)量不同的數(shù)據(jù)進(jìn)行回歸分析。結(jié)果如圖4所示。

依據(jù)統(tǒng)計(jì)學(xué)相關(guān)性等級劃分：相關(guān)系數(shù)的絕對值越大，說明解釋變量和響應(yīng)變量之間的相關(guān)性就越強(qiáng)，相關(guān)系數(shù)越接近1，表明兩者存在正相關(guān)性，相關(guān)系數(shù)越接近-1，表明兩者存在負(fù)相關(guān)性，相關(guān)系數(shù)在0.8-1.0范圍之間表示相關(guān)性極強(qiáng)，在0.6-0.8范圍之間表示具有強(qiáng)相關(guān)性，在0.4-0.6范圍之間表示中等程度相關(guān)性，在0.2-0.4范圍之間表示相關(guān)性較弱，在0-0.2范圍之間表示相關(guān)性極弱或無相關(guān)性。故依據(jù)上述等級劃分可以看出百分位高度與森林AGB都具有中等程度以上的相關(guān)性，其中P80與P90與森林AGB的的相關(guān)性最強(qiáng)達(dá)到0.88，其次是P50、P60、P70、P100、Pmean都與森林AGB有強(qiáng)相關(guān)性，相關(guān)系數(shù)均在0.8以上，P10與森林AGB的相關(guān)性相較于其他高度特征較弱。基于上述分析結(jié)果，故采取相關(guān)系數(shù)均在0.8以上的高度特征作為生物量預(yù)測模型的特征變量。密度特征整體與森林AGB相關(guān)性較低，有些特征與森林AGB甚至是負(fù)相關(guān)性，與森林AGB具有強(qiáng)相關(guān)性的密度特征為d7、d8，d1、d2、d3、d4、d9都與森林AGB呈現(xiàn)負(fù)相關(guān)性。故選取d7、d8作為生物量預(yù)測模型的特征變量。

（2）隨機(jī)森林模型預(yù)測結(jié)果

由圖5可以看出：（1）本次使用隨機(jī)森林回歸模型預(yù)測的最高精度為0.83，均方根誤差最小為26.40t/ha。（2）訓(xùn)練集的增加有助于提升模型的預(yù)測精度，同時(shí)降低模型預(yù)測誤差，但并非訓(xùn)練集數(shù)量越多越好，在本次實(shí)驗(yàn)中，訓(xùn)練集的大小在總訓(xùn)練集的65%為宜。

4結(jié)論與不足

本次實(shí)驗(yàn)利用激光雷達(dá)數(shù)據(jù)結(jié)合隨機(jī)森林回歸模型對佩諾布斯科特森林的生物量進(jìn)行預(yù)測表明生物量與森林的高度特征先慣性較強(qiáng)，與森林的密度特征相關(guān)性弱，其次隨機(jī)森林回歸模型對于生物量的預(yù)測有較好的精度。

本次使用了森林的高度和密度特征，后續(xù)可以結(jié)合更多森林相關(guān)特征和機(jī)器學(xué)習(xí)方法預(yù)測生物量，不斷提高生物量的預(yù)測精度。

參考文獻(xiàn)

[1] 趙同謙， 歐陽志云， 鄭華， 等. 中國森林生態(tài)系統(tǒng)服務(wù)功能及其價(jià)值評價(jià)[D]. ， 2004.

[2] 歐光龍， 胥輝. 森林生物量模型研究綜述[J]. 西南林業(yè)大學(xué)學(xué)報(bào)： 自然科學(xué)， 2020， 40（1）： 1-10.

[3] 羅云建， 張小全， 王效科， 等. 森林生物量的估算方法及其研究進(jìn)展[J]. 林業(yè)[4] 科學(xué)， 2009， 45（8）： 129-134.

巨文珍， 農(nóng)勝奇. 森林生物量研究進(jìn)展[J]. 西南林學(xué)院學(xué)報(bào)， 2011， 31（2）： 78-83.

Chen Q. Modeling aboveground tree woody biomass using national-scale allometric methods and airborne lidar[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2015， 106： 95-106.

易東， 陳軍， 劉嶺， 等. 相關(guān)系數(shù)的正確理解和表達(dá)[J]. 重慶醫(yī)學(xué)， 2011， 40（34）： 3518-3519.

閆云鳳. 基于決策森林的回歸模型方法研究及應(yīng)用[D]. 浙江大學(xué)， 2019.

鄭林濤. 基于機(jī)器學(xué)習(xí)方法的珠三角地區(qū)商場空調(diào)全年負(fù)荷預(yù)測研究[D]. 華南理工大學(xué)， 2019.