李會(huì)朋，胥輝，張超，歐光龍，孫曉莉

(西南林業(yè)大學(xué)，云南 昆明 650224)

森林儲(chǔ)存著全球陸地約80%的地上碳儲(chǔ)量和40%的地下碳儲(chǔ)量，在維持全球碳平衡中具有重要作用[1-2]，亦成為全球應(yīng)對(duì)氣候變化和實(shí)現(xiàn)碳中和關(guān)注的焦點(diǎn)[3]。森林地上生物量作為森林生產(chǎn)力的重要評(píng)價(jià)指標(biāo)，亦是評(píng)估森林碳收支的重要參數(shù)。森林地上生物量的傳統(tǒng)調(diào)查方法是通過現(xiàn)地測(cè)量森林的胸徑及樹高等測(cè)樹因子，使用異速生長方程或蓄積量-生物量模型估算地上生物量[4-5]?；诘孛鏄拥卣{(diào)查的方法可準(zhǔn)確估算森林地上生物量，但調(diào)查工作量大、成本高，還會(huì)對(duì)森林造成一定干擾與損傷，只適用于較小區(qū)域的森林地上生物量估算，在較大區(qū)域尺度上估算森林生物量則具有一定局限性[6-7]。

隨著遙感估算技術(shù)在林業(yè)領(lǐng)域的廣泛應(yīng)用，利用遙感信息和GIS技術(shù)進(jìn)行森林生物量的估算已經(jīng)成為一種有效的手段[8]，遙感估測(cè)法具有快速[9]、實(shí)時(shí)成本低[10]、信息豐富[11-12]和大范圍尺度同步檢測(cè)[12]等特點(diǎn)，該方法可以快速的處理大批量數(shù)據(jù)，并且植被參數(shù)與其反射光譜值又具有一定的相關(guān)性[13-14]，遙感估測(cè)法已成為估算大范圍森林生物量的常用方法[15-16]，尤其是在難以進(jìn)入展開調(diào)查工作的區(qū)域，遙感估測(cè)法可以節(jié)省工作量，從而大大提高調(diào)查研究的效率。為了對(duì)森林生物量進(jìn)行更精確地估測(cè)研究，各類傳感器[17]、遙感圖像處理方法、生物量模型以及不確定性評(píng)估方法等在不斷開發(fā)利用的同時(shí)[18]，以不同傳感器及其遙感影像與森林清查或野外調(diào)查數(shù)據(jù)為基礎(chǔ)，分析森林生物量與遙感數(shù)據(jù)的量化關(guān)系及其參數(shù)或非參數(shù)分析，進(jìn)而建立線性或非線性估測(cè)模型成為目前關(guān)注的熱點(diǎn)[19]。

云南松(Pinusyunnanensis)林是我國西南地區(qū)的重要森林資源的樹種之一，通常以其大范圍純林的形態(tài)分布，具有重要的經(jīng)濟(jì)價(jià)值、生態(tài)服務(wù)功能和碳匯效益。目前，已有大量學(xué)者通過構(gòu)建樹高曲線、遙感估測(cè)模型以及植被覆蓋度等方法對(duì)生物量進(jìn)行遙感估測(cè)[20-21]。魏安超等[22]對(duì)云南松天然林分的直徑結(jié)構(gòu)特征及動(dòng)態(tài)變化規(guī)律展開研究發(fā)現(xiàn)株數(shù)集中分布在6～18 cm徑階范圍，林分每公頃胸高斷面積總體上隨年齡的增加而增加，隨林分密度的增加而增加。楊利華等[23]對(duì)云龍?zhí)斐貒壹?jí)自然保護(hù)區(qū)內(nèi)云南松天然林草本層多樣性的分布格局進(jìn)行了探究，但是相對(duì)缺乏云南松天然林生物量遙感估測(cè)研究，尤其是基于樣地實(shí)測(cè)數(shù)據(jù)或者連清數(shù)據(jù)進(jìn)行構(gòu)建遙感估測(cè)模型的相關(guān)研究工作甚少?；诖耍狙芯恳訪andsat TM/ETM+遙感影像為主要數(shù)據(jù)源，結(jié)合森林資源連續(xù)清查的樣地?cái)?shù)據(jù)，采用隨機(jī)森林回歸分析方法，構(gòu)建大理州云南松天然林生物量遙感估測(cè)模型，進(jìn)行非參數(shù)模型估測(cè)，以期為區(qū)域森林碳匯調(diào)查與評(píng)估提供技術(shù)支撐。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于云南省大理白族自治州(98°52′～101°03′E、24°41′～26°42′N)，土地總面積為29 459 km2，屬低緯高原季風(fēng)氣候。由于受印度洋季風(fēng)氣候影響，干濕季節(jié)顯著，氣溫年溫差小。年均氣溫12～19 ℃，年均降水量約836 mm，雨季集中于5—10月。大理州處于云南高原、金沙江和滇西峽谷3個(gè)植物區(qū)的過渡接壤帶，植物種類繁多、區(qū)系復(fù)雜，植被的垂直分布明顯。全州主要分布有6種植被類型：半濕性常綠闊葉林、寒溫山地硬葉常綠櫟類林、寒溫性針葉林、寒溫性灌叢、干熱河谷灌叢和高原湖泊水生植被。主要的優(yōu)勢(shì)樹種包括云南松、華山松(Pinusarmandii)、鐵杉(Tsugachinensis)、冷杉(Abiesfabri)、馬尾杉(Phlegmariurusphlegmaria)、思茅松(Pinuskesiyavar.langbianensis)等。

1.2 數(shù)據(jù)收集

(1)森林資源連續(xù)清查樣地?cái)?shù)據(jù)。收集了云南省大理州第4次(1992年)、第5次(1997年)、第6次(2002年)和第7次(2007年)森林資源連續(xù)清查樣地?cái)?shù)據(jù)。云南省一類清查采用系統(tǒng)抽樣方法布設(shè)固定樣地，系統(tǒng)抽樣的規(guī)模為6 km×8 km，單個(gè)樣地面積為0.08 hm2。對(duì)上述數(shù)據(jù)篩選優(yōu)勢(shì)樹種為云南松、起源為天然林、不被云層遮擋的樣地，共67個(gè)，樣地分布見圖1。

圖1 大理州云南松樣地分布

(2)森林資源規(guī)劃設(shè)計(jì)調(diào)查數(shù)據(jù)。收集了云南省大理州森林資源規(guī)劃設(shè)計(jì)調(diào)查小班數(shù)據(jù)(共12個(gè)縣/市)，對(duì)上述數(shù)據(jù)篩選優(yōu)勢(shì)樹種為云南松、起源為天然林、郁閉度≥0.20、少受或不受人為干擾的小班(圖2)。

圖2 大理州云南松天然林分布

(3)Landsat TM/ETM+衛(wèi)星遙感影像。收集了覆蓋研究區(qū)的成像時(shí)間與一類清查數(shù)據(jù)同年的Landsat TM/ETM+衛(wèi)星遙感影像，行帶號(hào)分別為P131R42、P131R43、P132R42，共12景(表1)。同時(shí)，收集了覆蓋研究區(qū)的數(shù)字高程模型(DEM)數(shù)據(jù)，空間分辨率為30 m。

表1 美國陸地資源衛(wèi)星遙感影像信息

1.3 森林生物量計(jì)算

借鑒相關(guān)研究成果，利用已建立的云南松單木生物量與主要測(cè)樹因子(胸徑和樹高)的估測(cè)模型計(jì)算云南松林的生物量[24]。依據(jù)林業(yè)行業(yè)標(biāo)準(zhǔn)LY/T2262-2014，對(duì)云南松林生物量的計(jì)算公式如下。

MA=0.702 31D2.103 92H0.411 20

式中：MA為生物量，D為胸徑，H為樹高。

計(jì)算單木云南松生物量，乘以樣地株數(shù)，得到該樣地的云南松生物量(kg/m2)。考慮到單個(gè)樣地面積為0.08 hm2，乘以轉(zhuǎn)換系數(shù)，最終得到單位面積云南松林生物量(t/hm2)。

1.4 隨機(jī)森林模型

隨機(jī)森林(random forest，RF)是Breiman于2001年提出的一種袋裝法與分類回歸樹(CART)相結(jié)合的并行增強(qiáng)機(jī)器學(xué)習(xí)算法[25]， 它是利用Bootsrap重抽樣方法從原始樣本中抽取多個(gè)樣本,對(duì)每個(gè)Bootsrap 樣本進(jìn)行決策樹建模,然后組合多棵決策樹的預(yù)測(cè),通過投票得出最終預(yù)測(cè)結(jié)果[26]。本研究采用袋外(out-of-bag，OOB)誤差和基尼指數(shù)確定特征變量，研究并建立云南省大理州云南松天然林隨機(jī)森林回歸遙感估測(cè)模型。

1.5 模型評(píng)價(jià)

在本研究的67個(gè)一類連續(xù)清查樣地中，按照訓(xùn)練集與測(cè)試集4∶1的比例將其分為2部分，隨機(jī)抽取80%的樣地?cái)?shù)據(jù)(共54個(gè)樣地)作為訓(xùn)練集進(jìn)行建模；其余20%的樣地?cái)?shù)據(jù)(共13個(gè)樣地)用于模型精度驗(yàn)證。模型擬合效果采用決定系數(shù)(R2)、均方根誤差(RMSE)評(píng)價(jià)，模型預(yù)估能力采用總體相對(duì)誤差(RS)、平均相對(duì)誤差(EE)、絕對(duì)平均相對(duì)誤差(RMA)、預(yù)估精度(P)評(píng)價(jià)[27-28]。

2 結(jié)果與分析

2.1 自變量優(yōu)選

根據(jù)隨機(jī)森林的重要性準(zhǔn)則篩選模型的自變量[27-28]。為提高隨機(jī)森林模型的精度，本研究對(duì)4期數(shù)據(jù)分別進(jìn)行了重要性準(zhǔn)則篩選，為每期數(shù)據(jù)找出最適合的變量進(jìn)行森林生物量估測(cè)(圖3)。

2007年2002年1997年1992年

從圖3可以看出，2007年基于袋外(out-of-bag，OOB)數(shù)據(jù)計(jì)算均方誤差，根據(jù)重要性排序結(jié)果，選擇排名前9個(gè)變量作為自變量參與隨機(jī)森林建模，分別為DVI、MID57、Third、ND32、RDVI、EVI、R9T5CO、R7T7EN和R7T5DI；2002年基于OOB數(shù)據(jù)計(jì)算均方誤差，根據(jù)重要性排序結(jié)果，選擇排名前9個(gè)變量作為自變量參與隨機(jī)森林建模，分別為PC_Band_2、R7T5EN、PC_Band_3、R7T7CC、R9T5ME、R7T5SM、R9T3HO、R5T5SM和R9T1CC；1997年基于OOB數(shù)據(jù)計(jì)算均方誤差，根據(jù)重要性排序結(jié)果，選擇排名前9個(gè)變量作為自變量參與隨機(jī)森林建模，分別為Third、EVI、R3T5ME、R3T3HO、TM57、RDVI、R7T7EN、R3T7CC和R3T7DI；1992年基于OOB數(shù)據(jù)計(jì)算均方誤差，根據(jù)重要性排序結(jié)果，選擇排名前9個(gè)變量作為自變量參與隨機(jī)森林建模，分別為RDVI、DVI、PC_Band_2、R3T2VA、R3T7HO、R5T7CO、ND452、R7T7DI和R5T7DI。

2.2 模型構(gòu)建

在R語言集成開發(fā)環(huán)境(R Studio)平臺(tái)下，根據(jù)重要性分析提取的因子作為自變量、54個(gè)訓(xùn)練集樣地的云南松生物量作為因變量參與回歸建模。從圖4分析可知，2007年在回歸樹的數(shù)量取值為2 000以后回歸模型誤差總體趨勢(shì)趨于穩(wěn)定，在保證模型的精度與模型結(jié)果的可靠度情況下，并考慮到?jīng)Q策樹數(shù)目(ntree)和樣本預(yù)測(cè)器個(gè)數(shù)(mtry)的取值是否會(huì)影響到有效計(jì)算率。2002年在回歸樹的數(shù)量取值為1 700以后回歸模型誤差總體趨勢(shì)趨于穩(wěn)定，在保證模型的精度與模型結(jié)果的可靠度情況下，并考慮到ntree的取值是否會(huì)影響到有效計(jì)算率。

2007年2002年2007年2002年

1997年和1992年在回歸樹的數(shù)量取值為2 500以后回歸模型誤差總體趨勢(shì)趨于穩(wěn)定，在為了保證模型的精度與模型結(jié)果的可靠度情況下，并考慮到ntree的取值是否會(huì)影響到有效計(jì)算率。綜上，在不影響情況下，取ntree=3 000；自變量個(gè)數(shù)為9，取mtry=3。

2.3 模型評(píng)價(jià)

2.3.1 模型擬合精度評(píng)價(jià)

對(duì)1992年、1997年、2002年和2007年4期森林生物量樣地?cái)?shù)據(jù)進(jìn)行建模，利用80%的訓(xùn)練集數(shù)據(jù)進(jìn)行模型擬合效果評(píng)價(jià)。從決定系數(shù)(R2)和均方根誤差(RMSE)2方面評(píng)價(jià)隨機(jī)森林回歸模型的建模精度。由表2可知，隨機(jī)森林回歸模型的R2不低于0.819，RMSE不高于9.347 t/hm2。

表2 不同年份隨機(jī)森林模型建模的結(jié)果評(píng)價(jià)

2.3.2 模型驗(yàn)證精度評(píng)價(jià)

評(píng)價(jià)一個(gè)模型的估算效果，除了從其擬合效果的角度分析，亦需要評(píng)價(jià)其預(yù)測(cè)效果。

從隨機(jī)森林模型預(yù)測(cè)效果(表3)可以看出，總體相對(duì)誤差(Rs)、平均相對(duì)誤差(EE)、均較小，絕對(duì)平均相對(duì)誤差(RMA)在35.9%以內(nèi)，預(yù)估精度(P)均在64.1%以上，表明各樣本的模型預(yù)估能力均較理想。

表3 隨機(jī)森林模型的預(yù)測(cè)效果

從圖5可以看出,隨機(jī)森林回歸模型的預(yù)測(cè)值和真實(shí)值吻合較好。

2007年2002年2007年2002年

2.4 大理州云南松天然林生物量估測(cè)

根據(jù)大理州2006年森林資源二類調(diào)查小班數(shù)據(jù)，篩選優(yōu)勢(shì)樹種為云南松、起源為天然林、郁閉度≥0.20、少受或不受人為干擾的小班(共76 839個(gè))。以此為基礎(chǔ)，按照其平均年齡，分別推算出1992年、1997年、2002年和2007年各小班的平均年齡。2007年、2002年、1997年、1992年小班數(shù)據(jù)分別為76 839、75 512、73 040、66 183個(gè)。分別計(jì)算1992年、1997年、2002年和2007年大理州云南松林生物量總量和平均生物量，結(jié)果見表4。

表4 1992—2007年大理州云南松天然林生物量和平均生物量

3 討論與結(jié)論

3.1 討論

(1)利用隨機(jī)森林模型進(jìn)行云南松天然林生物量遙感估測(cè)的適用性方面。綜觀有關(guān)森林生物量或森林碳儲(chǔ)量的遙感估算研究中，最早使用的模型是線性回歸模型。在實(shí)際中，多元線性回歸模型存在共線性問題，嚴(yán)重影響模型的擬合精度。近年來，國內(nèi)外學(xué)者利用非參數(shù)模型開展森林生物量遙感估算的廣泛探索，具有代表性的非參數(shù)模型有隨機(jī)森林、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)及地統(tǒng)計(jì)學(xué)等方法。本研究利用隨機(jī)森林模型進(jìn)行云南松天然林生物量遙感估測(cè)，結(jié)果表明隨機(jī)森林模型對(duì)云南松天然林生物量的擬合效果較為理想，與相關(guān)研究[29-30]得出的結(jié)果一致，證明隨機(jī)森林模型在云南松天然林生物量遙感估測(cè)的適用性。在擬合效果方面，隨機(jī)森林模型的R2一般優(yōu)于多元線性逐步回歸、偏最小二乘回歸等方法[31]，其預(yù)估精度高、檢驗(yàn)精度效果佳，可作為今后森林生物量或森林碳儲(chǔ)量遙感估算領(lǐng)域的重要建模方法和途徑。

(2)光學(xué)遙感影像用于林分生物量估算的局限性方面。光學(xué)遙感影像具有成本低、數(shù)據(jù)獲取直接、提供長時(shí)間序列數(shù)據(jù)等優(yōu)勢(shì)。但是，僅能獲取森林植被的冠層光譜信息，無法獲取植被的空間結(jié)構(gòu)信息。本研究為消除云層影響，在進(jìn)行樣本數(shù)據(jù)篩選時(shí)，對(duì)被云層遮擋的數(shù)據(jù)進(jìn)行剔除，損失一定數(shù)量的樣本數(shù)據(jù)。在進(jìn)行森林生物量遙感估測(cè)時(shí)，森林生物量達(dá)到一定數(shù)值時(shí)亦將發(fā)生光譜信息的飽和現(xiàn)象，對(duì)森林生物量估測(cè)精度將產(chǎn)生一定影響。在今后的相關(guān)研究中，應(yīng)同時(shí)采用光學(xué)遙感影像和激光雷達(dá)數(shù)據(jù)，可獲取森林植被的冠層光譜信息及冠層高度信息，對(duì)于提高森林生物量的估測(cè)精度將具有重要影響[32]。

(3)建模數(shù)據(jù)樣本的局限性方面。本研究著重云南松天然林生物量遙感估測(cè)方法的探討，所采用的數(shù)據(jù)時(shí)段僅涵蓋1992—2007年，缺乏一定的時(shí)效性，后續(xù)研究可完善2012年(第8次)、2017年(第9次)和2022年(第10次)的森林資源連續(xù)清查樣地?cái)?shù)據(jù)，可使研究結(jié)果更具有應(yīng)用價(jià)值。同時(shí)，受限于可用的森林資源連續(xù)清查樣地?cái)?shù)量，本研究用于建模的訓(xùn)練集樣本數(shù)據(jù)較少，會(huì)對(duì)模型的預(yù)估精度產(chǎn)生一定影響。聯(lián)合采用有精度保證的各類森林調(diào)查樣地，如森林資源連續(xù)清查樣地、森林資源規(guī)劃設(shè)計(jì)調(diào)查抽樣樣地等，可進(jìn)一步提高模型的預(yù)估精度。

3.2 結(jié)論

(1)建立的隨機(jī)森林回歸模型，決定系數(shù)(R2)不低于0.819，均方根誤差(RMSE)不高于9.347 t/hm2，模型的擬合效果較好；從模型的檢驗(yàn)結(jié)果看，絕對(duì)平均相對(duì)誤差(RMA)在35.9%以內(nèi)，預(yù)估精度(P)均在64.1%以上，表明該模型的預(yù)估能力較為理想。

(2)隨機(jī)森林模型可用于云南松天然林生物量的估算，能夠反映云南松天然林80%以上的生物量變化信息，本研究結(jié)果可為今后的云南松天然林生物量遙感估測(cè)提供方法借鑒和理論參考。