鄭冬梅，夏朝宗，王海賓，陳 健，侯瑞萍

（1.國(guó)家林業(yè)局 調(diào)查規(guī)劃設(shè)計(jì)院，北京 100714；2.北京林業(yè)大學(xué) 林學(xué)院，北京 100083）

森林生物量作為陸地生態(tài)系統(tǒng)的重要組成部分，是森林植被長(zhǎng)勢(shì)監(jiān)測(cè)的一個(gè)重要因子[1-2]，是森林可持續(xù)經(jīng)營(yíng)和生態(tài)環(huán)境監(jiān)測(cè)的重要內(nèi)容，在全球碳儲(chǔ)量估測(cè)、碳儲(chǔ)量循環(huán)以及碳收支平衡方面具有重要的地位[3-4]。準(zhǔn)確地估測(cè)森林生物量對(duì)森林經(jīng)營(yíng)管理、生態(tài)環(huán)境保護(hù)建設(shè)以及全球碳儲(chǔ)量循環(huán)具有重要意義[5-6]。

森林生物量的估算主要有兩種方法[3,4,6]：一是以野外實(shí)際調(diào)查數(shù)據(jù)為基礎(chǔ)進(jìn)行估算，這種方法調(diào)查勞動(dòng)強(qiáng)度大，成本較高，只能獲得調(diào)查點(diǎn)上的數(shù)據(jù)，不具有空間連續(xù)性特點(diǎn)；二是采用遙感技術(shù)進(jìn)行估算，此方法具有宏觀、快速以及可重復(fù)等特點(diǎn)，并且影像的光譜信息具有連續(xù)性，有利于估算和研究森林生物量及其空間分布特征，與傳統(tǒng)調(diào)查方法相比更具有優(yōu)勢(shì)。應(yīng)用遙感技術(shù)估算森林生物量的研究大多是基于衛(wèi)星影像獲取的信息與樣地實(shí)測(cè)生物量之間構(gòu)建數(shù)學(xué)模型來(lái)估算森林生物量[3,4,6,20-21]，其研究主要呈現(xiàn)兩個(gè)特點(diǎn)：一是采用不同遙感數(shù)據(jù)源進(jìn)行估測(cè)（如光學(xué)遙感數(shù)據(jù)、微波和雷達(dá)數(shù)據(jù)）；二是研究方法的多樣性，主要分為參數(shù)（如多元回歸等）、非參數(shù)（如k近鄰、人工神經(jīng)網(wǎng)絡(luò)等）和機(jī)理模型等方法。

法國(guó)SPOT-7衛(wèi)星于2014年6月30日在印度達(dá)萬(wàn)發(fā)射中心用印度極軌運(yùn)載火箭成功發(fā)射[10]，它將高空間分辨率、高時(shí)間分辨率等優(yōu)勢(shì)集合于一體，提供了高分辨率的多光譜（6 m）和全色波段（1.5 m）影像數(shù)據(jù)，為森林生物量估測(cè)提供了新的數(shù)據(jù)源。本研究選取廣東肇慶地區(qū)廣泛分布的馬尾松林為研究對(duì)象，基于SPOT-7多光譜影像構(gòu)建馬尾松生物量估測(cè)模型，挖掘SPOT-7影像在生物量模型構(gòu)建中的應(yīng)用潛力，這對(duì)探討SPOT-7衛(wèi)星影像的應(yīng)用、降低野外調(diào)查成本均具有重要意義。

1 研究材料

1.1 研究區(qū)概況

研究區(qū)域位于廣東省肇慶市懷集縣和廣寧縣，地理位置介于E111°58′～112°16′，N 23°29′～24°00′之間。該區(qū)屬南亞熱帶季風(fēng)氣候，年平均氣溫21.2℃，1月份平均氣溫約12 ℃，7月份平均氣溫約28.7 ℃。年平均降水量為1 650 mm，主要集中在4—9月，年蒸發(fā)量1 300 mm以上，無(wú)霜期310～345 d。該區(qū)主要森林類型有桉樹(shù)林、馬尾松林、油杉林、針葉混交林、闊葉混交林、針闊混交林。主要喬木有桉樹(shù)Eucalyptus robusta、馬尾松Pinus massoniana、油杉Kereleeria fortune、濕地松Pinus elliottii等。本研究選取肇慶地區(qū)廣泛種植的馬尾松為研究對(duì)象，區(qū)內(nèi)馬尾松林多為人工植苗造林，林齡為異齡結(jié)構(gòu)，平均胸徑為16.2 cm，平均郁閉度為0.6，林下草本主要植被有芒萁Dicranopteris dichotoma和芒Miscanthus sinensis。

1.2 研究數(shù)據(jù)及預(yù)處理

1.2.1 地面數(shù)據(jù)及輔助數(shù)據(jù)

本研究依據(jù)土地利用、土地利用變化與林業(yè)碳匯計(jì)量監(jiān)測(cè)技術(shù)指南，以抽樣調(diào)查理論為基礎(chǔ)，在研究區(qū)范圍內(nèi)從碳匯監(jiān)測(cè)樣地中獲取馬尾松建模樣本共計(jì)67個(gè)，其中樣本形狀為正方形，面積大小為600 m2，獲取時(shí)間為2014年5月。樣本屬性包括優(yōu)勢(shì)樹(shù)種（組）、公頃蓄積（活立木）、喬木林每公頃生物量等內(nèi)容，其中喬木林每公頃生物量包括地上和地下兩部分，地上生物量通過(guò)樣本公頃蓄積（活立木）乘以生物量轉(zhuǎn)換因子計(jì)算獲取，地下生物量采用地上生物量和喬木林根莖比計(jì)算獲取。

輔助數(shù)據(jù)包括數(shù)字高程模型（DEM），采用覆蓋研究區(qū)的1∶50 000等高線數(shù)據(jù)生成柵格DEM模型，用于提取研究區(qū)的海拔、坡度、坡向信息，作為構(gòu)建馬尾松生物量模型的地形因子。

1.2.2 SPOT-7影像及預(yù)處理

研究采用的是2014年5月12日獲取的SPOT-7衛(wèi)星影像數(shù)據(jù)，基本無(wú)云，影像質(zhì)量較好，其衛(wèi)星參數(shù)詳見(jiàn)表1。本研究使用ENVI軟件，參照已校正過(guò)的航片數(shù)據(jù)（0.5 m），對(duì)SPOT-7影像進(jìn)行預(yù)處理，具體過(guò)程包括輻射定標(biāo)、大氣校正、正射校正與裁剪，校正誤差控制在1個(gè)像元以內(nèi)。

2 研究方法

2.1 建模變量設(shè)置及優(yōu)選

遙感影像的植被信息是通過(guò)綠色植物葉片和植被冠層光譜特性及其變化差異反映的[12]。不同光譜通道所獲得的植被信息與植被的要素或某種特征狀態(tài)存在相關(guān)性，這種相關(guān)性可以定性和定量的估測(cè)植被覆蓋、生長(zhǎng)活力以及生物量等信息。以往的研究[12,17-18]表明，高分辨率影像的光譜特征、比值波段以及地形因子等信息對(duì)生物量的估測(cè)存在不同程度的影響，因此本研究選擇SPOT-7多光譜數(shù)據(jù)的單波段、比值波段[16]、坡度、坡向等因子作為構(gòu)建馬尾松生物量模型的自變量因子。選取的變量見(jiàn)表2。

影像紋理特征在估算森林生物量方面也顯示出較好的適用性[17-18]。紋理是一個(gè)非常復(fù)雜的空間屬性，易受到傳感器觀測(cè)角度以及觀測(cè)對(duì)象所處環(huán)境的不同而產(chǎn)生較大的變化[17]，此外紋理特征的度量易受到窗口大小、方向以及步長(zhǎng)的影響。為探究SPOT-7多光譜波段紋理特征的應(yīng)用潛力，本研究分別設(shè)置步長(zhǎng)和紋理方向?yàn)?和135?，提 取 了 9種 窗 口（3×3、5×5、7×7、9×9、11×11、13×13、15×15、17×17、19×19） 下的8種影像紋理特征（見(jiàn)表2），并與馬尾松生物量進(jìn)行相關(guān)性分析，確定最優(yōu)的紋理特征和提取窗口，用于構(gòu)建馬尾松生物量模型。

在參與構(gòu)建馬尾松生物量估測(cè)模型的變量因子中，有些因子往往對(duì)模型構(gòu)建無(wú)顯著影響，因此需要對(duì)變量進(jìn)行篩選，優(yōu)選出貢獻(xiàn)較大的變量因子用于模型構(gòu)建。本研究利用SPSS20.0軟件，采用皮爾森相關(guān)系數(shù)法進(jìn)行篩選，根據(jù)各變量與樣地生物量的相關(guān)系數(shù)和顯著性確定建模變量。

基于變量?jī)?yōu)選結(jié)果，分別生成光譜特征、紋理特征、光譜和紋理特征3種自變量集，作為馬尾松模型構(gòu)建的自變量因子集，綜合分析對(duì)比3種自變量集的估測(cè)效果。

2.2 建模方法

本研究采用偏最小二乘回歸法建立馬尾松生物量估測(cè)模型。偏最小二乘回歸法是伍德（S. Wold）和阿巴諾（C. Albano）于1983年提出的一種新型的多元統(tǒng)計(jì)方法，它集多元回歸分析、典型相關(guān)分析和主成分分析的優(yōu)點(diǎn)于一體，可以有效地解決多元回歸分析中的變量多重相關(guān)性及噪聲問(wèn)題[24-26]，近年來(lái)被逐漸地應(yīng)用到森林參數(shù)的估計(jì)上[3,27-28]。

以單因變量為例闡述其基本建模思想：設(shè)有因變量Y和k個(gè)自變量{X1，X2，…，Xk}，樣本個(gè)數(shù)為n，構(gòu)成因變量和自變量的矩陣[u]n×1和X[X1，X2，…，Xk]n×k，在Y與X相關(guān)矩陣中提取第一個(gè)主成分t1，t1是X1，X2，…，Xk的線性組合，要求t1盡可能多地?cái)y帶X中的變異信息，同時(shí)與Y的相關(guān)性最大。這就要求有個(gè)能夠度量X信息、又能最好地解釋Y的準(zhǔn)則。此時(shí)采用交叉有效性原則，采用度量因子進(jìn)行評(píng)價(jià)：

2.3 模型評(píng)價(jià)

采用隨機(jī)抽樣方法，選取馬尾松樣本中的70%為建模樣本，與優(yōu)選的3種自變量集分別構(gòu)建馬尾松生物量模型，30%為檢驗(yàn)樣本，進(jìn)行模型評(píng)價(jià)。模型精度采用決定系數(shù)（R2）、誤差平均值（AE）、均方根誤差（RMSE）和總預(yù)報(bào)偏差的相對(duì)誤差（RE）4個(gè)指標(biāo)來(lái)評(píng)價(jià)。指標(biāo)計(jì)算公式如下：式中：yi為蓄積量實(shí)測(cè)值；i為蓄積量預(yù)測(cè)值；為蓄積量實(shí)測(cè)值平均值；n為樣本個(gè)數(shù)。

3 研究結(jié)果

3.1 自變量的篩選

依據(jù)皮爾森相關(guān)系數(shù)分析法中的相關(guān)系數(shù)和顯著性分析，在本研究提取的26個(gè)變量因子中，與馬尾松生物量存在極顯著相關(guān)的變量因子有10個(gè)（P＜ 0.01），包括光譜特征因子9個(gè)（X1、X2、X3、X4、X6、X8、X11、X14、X15）和紋理特征1個(gè)（X16，包括不同窗口下的各波段紋理特征），地形因子與生物量在研究區(qū)域內(nèi)未顯示出顯著相關(guān)性（P＞0.05），因此未參與模型的構(gòu)建。提取的自變量與馬尾松生物量的相關(guān)系數(shù)情況見(jiàn)表3。

表3 自變量與馬尾松生物量的相關(guān)系數(shù)?Table3 Correlation coefficients between independent variables and biomass

由表3可知，提取的均值紋理特征（Mean）在4個(gè)波段9種窗口下與馬尾松生物量均顯示出極顯著的負(fù)相關(guān)關(guān)系，為優(yōu)選最佳估測(cè)窗口，本文中進(jìn)一步對(duì)紋理窗口進(jìn)行分析，結(jié)果見(jiàn)圖1。由圖1可知，隨著紋理窗口的增大，藍(lán)、綠、紅三個(gè)波段的相關(guān)系數(shù)呈現(xiàn)增大的趨勢(shì)，近紅外波段的相關(guān)系數(shù)呈現(xiàn)減小的趨勢(shì)。以往的研究[19]表明，紋理窗口大小與樣地面積大小相近時(shí)，估測(cè)效果較好，而本文中，除近紅外波段以外，生物量與紋理特征的相關(guān)系數(shù)隨窗口的增大而變小，考慮到4個(gè)波段紋理窗口與馬尾松生物量相關(guān)系數(shù)的變化趨勢(shì)，本研究確定3×3窗口（大小與樣地面積相近）為最優(yōu)估測(cè)窗口，篩選出X16B-3、X16G-3、X16R-3、X16NIR-34個(gè)紋理特征因子，用于構(gòu)建馬尾松生物量模型。

圖1 相關(guān)系數(shù)隨紋理窗口的變化趨勢(shì)Fig.1 Correlation coef ficient changes trend with the size of the texture window

3.2 馬尾松生物量估測(cè)模型的構(gòu)建

3.2.1 基于光譜特征的模型構(gòu)建

使用MATLAB軟件，利用總體樣本的70%構(gòu)建模型，依據(jù)優(yōu)選的光譜特征因子（X1、X2、X3、X4、X6、X8、X11、X14、X15），采 用偏最小二乘回歸方法構(gòu)建馬尾松生物量估測(cè)模型，模型的表達(dá)式為B1=74.645 3-0.037 7X1-0.019 7X2-0.030 2X3+0.028 6X4-0.032 8X6+0.011 5X8-0.010 2X11-0.032 9X14-0.007 9X15。利用剩余的30%樣本對(duì)生成的模型進(jìn)行精度驗(yàn)證，結(jié)果見(jiàn)表4和圖2。模型經(jīng)驗(yàn)證分析可知，基于光譜特征構(gòu)建的馬尾松生物量估測(cè)模型的R2為0.81，RMSE為15.30 t/hm2，AE為-5.65%，RE為9.30%。

表4 3種建模方法的精度比較Table4 Comparisons of precision by three models

圖2 馬尾松生物量預(yù)測(cè)值與實(shí)測(cè)值的擬合曲線Fig.2 Fitting curves of predicted and measured values of Masson pine biomass

3.2.2 基于紋理特征的模型構(gòu)建

根據(jù)優(yōu)選的3×3窗口下4個(gè)波段的紋理特征因子（X16B-3、X16G-3、X16R-3、X16NIR-3）， 利 用MATLAB軟件，采用偏最小二乘回歸方法構(gòu)建馬尾松生物量估測(cè)模型，其表達(dá)式為B2=73.313 7-0.053 8X16B-3-0.048 9X16B-3-0.046 4X16B-3+0.030 4X16B-3，利用驗(yàn)證樣本對(duì)模型進(jìn)行驗(yàn)證，模型精度評(píng)價(jià)見(jiàn)表4和圖2。由表4和圖2可知，基于紋理特征構(gòu)建的馬尾松生物量估測(cè)模型的R2為0.84，RMSE為 15.69 t/hm2，AE為 -4.43%，RE為7.78%。

3.2.3 基于光譜和紋理特征的模型構(gòu)建

基于構(gòu)建的光譜和紋理特征因子，利用MATLAB軟件，建立基于偏最小二乘回歸法構(gòu)建的馬尾松生物量估測(cè)模型，并對(duì)構(gòu)建的模型進(jìn)行驗(yàn)證。模型表達(dá)式為B3=74.391 6-0.023 9X1-0.013 1X2- 0.017 8X3+0.015 9X4-0.022 2X6+0.004 0X8-0.009 2X11-0.020 7X14-0.005 8X15-0.018 5X16B-3-0.014 9X16B-3-0.018 6X16B-3+0.017 1X16B-3。模型的精度評(píng)價(jià)結(jié)果見(jiàn)表4和圖2。由表4和圖2可知，基于光譜和紋理特征構(gòu)建的馬尾松生物量估測(cè)模型的R2為0.83，RMSE為15.24 t/hm2，AE為-5.27%，RE為8.67%。

3.2.4 3種模型的比較分析

基于3種自變量集構(gòu)建的馬尾松生物量估測(cè)模型的驗(yàn)證結(jié)果見(jiàn)表4和圖3。由表4和圖3可知，基于光譜特征構(gòu)建的模型R2最小，為0.81，RMSE為15.30 t/hm2，處于居中，AE和RE最大，分別為-5.65 t/hm2、9.30%；基于紋理特征構(gòu)建的模型R2和RMSE最大，AE和RE最小，分別為0.84、15.69 t/hm2、-4.73 t/hm2、7.78%；基于光譜和紋理特征構(gòu)建的模型R2、AE、RE分別為0.83、-5.27 t/hm2、8.67%，處于居中，RMSE最小，為15.24 t/hm2。由以上分析可知，基于紋理特征構(gòu)建的模型精度最好，基于光譜特征構(gòu)建的模型精度最低，而結(jié)合光譜和紋理特征所構(gòu)建的模型并未出現(xiàn)較大程度的改善，由此可知，綜合考慮評(píng)價(jià)指標(biāo)的情況，基于紋理特征構(gòu)建的模型效果最佳。

圖3 3種模型的評(píng)價(jià)指標(biāo)對(duì)比Fig.3 Comparison of three model evaluation indexes

4 結(jié)論與討論

本研究基于SPOT-7多光譜影像和碳匯監(jiān)測(cè)樣地中的馬尾松生物量數(shù)據(jù)，采用皮爾森相關(guān)系數(shù)法提取出相關(guān)性極顯著的因子，建立基于光譜特征、紋理特征、光譜與紋理特征相結(jié)合的3種自變量集，并采用偏最小二乘回歸法構(gòu)建馬尾松生物量估測(cè)模型并進(jìn)行了對(duì)比分析，結(jié)論及討論如下。

（1）在采用3種自變量集構(gòu)建的模型中，3種模型均獲得了較好的估測(cè)效果，其中基于紋理特征構(gòu)建的馬尾松生物量估測(cè)模型最好，結(jié)合光譜和紋理特征所構(gòu)建的模型次之，基于光譜特征構(gòu)建的模型精度最低。這說(shuō)明SPOT-7多光譜影像的光譜及紋理特征在估測(cè)馬尾松生物量方面具有較好的應(yīng)用潛力。

（2）在本文中構(gòu)建的馬尾松生物量模型中，基于光譜特征構(gòu)建的模型估測(cè)精度最低，當(dāng)加入紋理特征后，所構(gòu)建的模型估測(cè)精度提高，這說(shuō)明紋理特征具有改善估測(cè)模型的作用。

（3）相關(guān)研究[17,18]表明，遙感影像的光譜信息可以較好反映地面的植被生物量信息，但估測(cè)效果易受到地形以及樹(shù)冠陰影的影響，尤其是在生物量飽和的情況下難以獲取較為準(zhǔn)確的估測(cè)，紋理特征則不受以上限制因素的影響，在一定程度上可以保證模型的估測(cè)精度。

（4）影像全色波段的紋理特征在一定程度上能夠提高森林結(jié)構(gòu)參數(shù)的估測(cè)精度[7,9,17]，而本研究未采用SPOT-7影像全色波段的紋理特征來(lái)參與構(gòu)建馬尾松生物量模型，在后續(xù)的研究中可考慮全色波段紋理特征來(lái)構(gòu)建生物量模型并驗(yàn)證其是否適用。