， ， ，

(1.山東科技大學(xué) 測繪科學(xué)與工程學(xué)院，山東 青島 266590；2.國家海洋信息中心，天津 300171)

森林被譽(yù)為“地球之肺”，在全球生態(tài)系統(tǒng)的平衡中發(fā)揮著重要作用，是人類以及多種物種賴以生存和發(fā)展的基礎(chǔ)[1]。森林蓄積量是衡量森林健康與否的重要指標(biāo)，也是政府掌握國家森林資源狀況和制定計劃采伐、森林經(jīng)營管理措施的重要依據(jù)。傳統(tǒng)的蓄積量測定方法是一、二類森林調(diào)查，人力、物力投入巨大，而且調(diào)查周期長，難以掌握森林的動態(tài)發(fā)展?fàn)顩r。20世紀(jì)70年代以來，遙感技術(shù)如雨后春筍，迅速應(yīng)用于各個領(lǐng)域，利用遙感技術(shù)進(jìn)行森林蓄積量的定量估測也取得了一系列的重要進(jìn)展[2-4]。

基于遙感技術(shù)對森林蓄積量進(jìn)行估算，主要是利用遙感影像數(shù)據(jù)以及少量實(shí)地調(diào)查數(shù)據(jù)，采用數(shù)學(xué)方法構(gòu)建森林蓄積量的估算模型，從而使得模型可以直接應(yīng)用在森林蓄積量估算中[5]。國外很早就有遙感數(shù)據(jù)定量估算森林蓄積量的應(yīng)用。早在1988年，Nelson等[6]就利用Laser數(shù)據(jù)估算了森林的蓄積量和生物量。Gemmell等[7]基于專題制圖儀(thematic mapper, TM)數(shù)據(jù)，研究了各波段影像以及其他實(shí)測數(shù)據(jù)對估測森林蓄積量的影響度，為TM影像數(shù)據(jù)在定量估測蓄積量方面提供了理論依據(jù)。Fazakas等[8]使用TM影像數(shù)據(jù)結(jié)合最近鄰法估算了森林的蓄積量。國內(nèi)蓄積量的遙感估算相對國外起步較晚，劉瓊閣等[1]提出了基于偏最小二乘法的森林蓄積量遙感估測模型，程武學(xué)等[9]對基于小班的各種蓄積量預(yù)測的合理性進(jìn)行了診斷，證實(shí)了其合理性。近年來，得益于神經(jīng)網(wǎng)絡(luò)超強(qiáng)的非線性處理能力，國內(nèi)外研究人員將其成功地運(yùn)用到森林蓄積量的估測中，取得了一定的成果。王臣立等[10]運(yùn)用3層的后向傳輸(back propagation, BP)神經(jīng)網(wǎng)絡(luò)建立了基于植被指數(shù)的熱帶森林蓄積量估算模型，同等條件下較回歸分析模型的預(yù)測效果更好。許煒敏等[11]構(gòu)建了結(jié)構(gòu)為10∶3∶1的杉木林蓄積量BP神經(jīng)網(wǎng)絡(luò)模型。吳達(dá)勝等[12]建立了涵蓋地形、地貌、氣候氣象、土壤、林分結(jié)構(gòu)特征及光譜特征的森林資源蓄積量預(yù)測自變量因子集，并應(yīng)用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型對森林資源蓄積量進(jìn)行了預(yù)測，所取得的模型充分利用了多源數(shù)據(jù)，且具備很強(qiáng)的泛化能力。

森林地位級表是森林管理中的常用數(shù)表之一。早在上世紀(jì)90年代，林昌庚等[13]就提出了適合于中國森林調(diào)查數(shù)據(jù)的地位級表編制方法，周春國等[14-15]對其進(jìn)行了完善，提出了最佳導(dǎo)線曲線的測定方法。研究表明，區(qū)分立地質(zhì)量等級進(jìn)行預(yù)測建?？梢燥@著提高森林蓄積量的估算精度。王艷婷等[16]運(yùn)用嶺估計法，分不同地類分別建立森林蓄積量估測方程，結(jié)果表明，當(dāng)影響蓄積量估測的自變量間存在復(fù)共線性時，分地位級建立模型的精度明顯優(yōu)于統(tǒng)一建模的精度。劉俊等[5,17]建立了基于不同立地質(zhì)量的杉木和松樹的森林蓄積量遙感估測模型，采用了更為準(zhǔn)確的地位級劃分方法，但在建模時只利用了遙感影像主成分分析的第一主成分進(jìn)行線性回歸建模，并沒有充分利用遙感影像和遙感輔助數(shù)據(jù)，由于森林蓄積量受到多方面因素的影響，單一變量難以準(zhǔn)確估算蓄積量，因此估算精度不高。

本研究以2009年TM影像數(shù)據(jù)和涼水自然保護(hù)區(qū)森林二類小班數(shù)據(jù)為數(shù)據(jù)源，采用地位級法劃分林分的立地質(zhì)量等級，結(jié)合回歸分析與神經(jīng)網(wǎng)絡(luò)分析算法，對紅松樹種以不區(qū)分立地質(zhì)量和區(qū)分不同立地質(zhì)量等級分別建立森林蓄積量的遙感估測模型，旨在為森林蓄積量的遙感監(jiān)測提供一種新的思路。

1 研究基礎(chǔ)

1.1 研究區(qū)概況

涼水自然保護(hù)區(qū)位于黑龍江省伊春市帶嶺區(qū)，小興安嶺山脈的東南段。地理坐標(biāo)為東經(jīng)128°47′8″—128°57′19″，北緯47°6′49″—47°16′10″，東西寬13.0 km，南北長17.0 km，總面積為12 133 km2(圖1)。該地區(qū)深受海洋性氣候的影響，具有明顯的溫帶大陸性季風(fēng)氣候特征，總的特點(diǎn)是冬長夏短，冬季嚴(yán)寒干燥，夏季濕涼多雨。年平均氣溫-0.3 ℃，年平均最高氣溫7.5 ℃，年平均最低氣溫-6.6 ℃；年平均降水量676 mm，年平均相對濕度78%，年平均蒸發(fā)量805 mm。土壤類型主要有暗棕壤、沼澤土、草甸土、泥炭土4類。該地區(qū)森林資源豐富，其中紅松是這里的優(yōu)勢樹種。

圖1 研究區(qū)地理位置與TM影像數(shù)據(jù)圖Fig.1 Geographical location and TM image data of the study area

1.2 數(shù)據(jù)獲取

1.2.1 遙感影像數(shù)據(jù)

實(shí)驗使用Landsat TM遙感影像，數(shù)據(jù)在美國地質(zhì)勘探局(United States Geological Survey，USGS)官網(wǎng)(https://earthexplorer.usgs.gov)上獲取，綜合考慮時相和云量等因素，選取成像時間為2009年5月29日覆蓋涼水自然保護(hù)區(qū)的TM遙感影像。利用ENVI5.3對影像進(jìn)行輻射定標(biāo)、大氣校正、裁剪與鑲嵌等預(yù)處理。

1.2.2 高程數(shù)據(jù)

涼水自然保護(hù)區(qū)位于小興安嶺地區(qū)，地形復(fù)雜多樣，海拔290～550 m，以山地、丘陵地形為主。實(shí)驗運(yùn)用全球數(shù)字高程模型(global digital elevation model，GDEM)數(shù)據(jù)，對應(yīng)的分辨率精度為30 m。

1.2.3 森林資源二類調(diào)查數(shù)據(jù)

獲取涼水自然保護(hù)區(qū)2009年森林資源二類調(diào)查小班矢量數(shù)據(jù)，屬性表中包括小班林種、起源、地類、公頃株數(shù)、郁閉度、高度、自然度、林分高、優(yōu)勢樹高、優(yōu)勢徑階、枯倒樹種、下木名稱、地權(quán)使用權(quán)、地被總蓋度、地被名稱、地貌、部位、坡向、坡度、樹種組成、林分類型、樹種年齡、樹種直徑、樹高、林層結(jié)構(gòu)、齡級、齡組、小班每公頃蓄積量、小班總蓄積量等。

1.3 研究技術(shù)路線

運(yùn)用2009年涼水自然保護(hù)區(qū)二類森林資源調(diào)查數(shù)據(jù)和同年度該區(qū)TM影像作為數(shù)據(jù)源，首先，對數(shù)據(jù)進(jìn)行預(yù)處理后，根據(jù)前人研究經(jīng)驗和方法，尋找最合適的立地指數(shù)導(dǎo)向曲線來劃分森林各小班數(shù)據(jù)的立地質(zhì)量等級。其次，篩選出共線性低且與森林蓄積量相關(guān)性高的遙感因子變量作為模型的自變量，對自變量和蓄積量之間分別進(jìn)行基于回歸分析和基于神經(jīng)網(wǎng)絡(luò)分析的模擬，并進(jìn)行精度檢驗，篩選出最合適的森林蓄積量估測模型。研究技術(shù)路線如圖2所示。

圖2 技術(shù)路線圖Fig.2 Technology roadmap

圖3 最佳地位級導(dǎo)向曲線Fig.3 The best sue level guide curve

2 地位級劃分與因子選取

2.1 立地質(zhì)量等級評價

采用地位級法進(jìn)行立地質(zhì)量的評價。地位級表以林分平均高與平均年齡的關(guān)系為依據(jù), 是對同齡純林分地區(qū)分樹種編制、反映林地生產(chǎn)力高低的數(shù)表, 是森林經(jīng)營及森林調(diào)查中主要的常用數(shù)表之一[10]。按相同年齡時，林分高度的變動程度劃分為若干個等級，通常為5～7級，以羅馬數(shù)字Ⅰ、Ⅱ、Ⅲ…等符號依次表示，將每一等級所對應(yīng)的各個樹齡時的平均高度列成表，即為地位級表[10]。編制地位級表的關(guān)鍵就是導(dǎo)向曲線的選定，前人[10-12]提出了多種計算導(dǎo)向曲線的函數(shù)模型與方法，但各種導(dǎo)向曲線模型的選擇因數(shù)據(jù)而異?；跊鏊匀槐Ｗo(hù)區(qū)森林資源二類小班調(diào)查數(shù)據(jù)，對優(yōu)勢樹種為紅松且郁閉度0.4以上的小班，依據(jù)平均樹高和平均年齡建立一條代表中等立地等級條件下的地位級導(dǎo)向曲線[11](圖3)。通過不同數(shù)學(xué)模型比較選出對數(shù)與逆函數(shù)結(jié)合的曲線作為紅松地位級導(dǎo)向曲線的最優(yōu)模型，最終所得方程為：

H=28.866-291.720/A-0.524lnA。

(1)

其中，H代表小班的平均高，A代表小班的平均年齡。

目前的研究中，通常以導(dǎo)線曲線為基礎(chǔ)，采用比例法確定地位等級的上下界線，以導(dǎo)向曲線的1.35倍為上界線，0.55倍為下界線[10]。用f(A)表示導(dǎo)向曲線方程，則上下界模型分別為1.35f(A)和0.55f(A)。把杉木分為5個地位級數(shù)，各等分高度間隔為0.55f(A)、0.75f(A)、0.9f(A)、1.05f(A)、1.35f(A)，按照以上分類辦法，得到地位級表，如表1所示。

結(jié)合表1，將地位級為Ⅰ、 Ⅱ的歸為立地質(zhì)量差，地位級為Ⅲ的歸為立地質(zhì)量中等，將地位級為Ⅳ、Ⅴ的歸為立地質(zhì)量優(yōu)。以此數(shù)據(jù)作為立地質(zhì)量劃分的結(jié)果分別用來擬合不同立地質(zhì)量的森林蓄積量的估算模型。

2.2 影響因子定義

根據(jù)以往的研究，依據(jù)單變量或者多變量的線性組合，可以不同程度地突出某些需要的信息以及抑制無關(guān)的信息[13]。本次調(diào)查數(shù)據(jù)共有小班431個，刪除優(yōu)勢樹種不是紅松和郁閉度低于0.4的小班數(shù)據(jù)，并利用標(biāo)準(zhǔn)差分析法剔除明顯的異常數(shù)據(jù)。剔除異常樣本后各級統(tǒng)計數(shù)據(jù)如表2。

表1 紅松地位級Tab.1 The site lovel of Korean Pine

表2 不同立地質(zhì)量等級的建模及驗證樣本數(shù)Tab.2 Modeling and validation samples of different site qualities

查閱相關(guān)文獻(xiàn)后，在前人研究基礎(chǔ)上，從TM影像中選取可能影響蓄積量的遙感信息參數(shù)，如TM影像的第一波段(B1)、第二波段(B2)、第三波段(B3)、第四波段(B4)、第五波段(B5)、第七波段(B7)；多波段組合(B1/B3、B2/B4、B3/B5、B3×B4/B7、B4×B5/B7、(B1-B7)/B4、(B3+B4+B5)/(B1+B2+B7)，下文分別用B13、B24、B35、B347、B457、B174、B345127表示)；植被指數(shù)如歸一化植被指數(shù)(normalized difference vegetation index,NDVI)、比值植被指數(shù)(ratio vegetation index,RVI)、增強(qiáng)型植被指數(shù)(enhanced vegetation index,EVI)、差值植被指數(shù)(difference vegetation index,DVI)；主成分分析的第一分量(principal componet analysis,PCA)；經(jīng)過遙感影像數(shù)據(jù)反演的土壤濕度(soil moisture，SM)、地表溫度(land suface temperature，LST)；經(jīng)過研究區(qū)數(shù)字高程數(shù)據(jù)提取的坡向(Aspect)、坡度(Slope)、海拔高度(ASL)等23個變量作為因子，如表3所示。

表3 變量因子表Tab.3 Variable factor table

自變量的選擇是建立模型的首要任務(wù)。分別計算表3選取的因子在不同立地質(zhì)量下與獲取的蓄積量之間的相關(guān)系數(shù)R和他們的方差擴(kuò)大因子(variance inflation factor,VIF)，所得結(jié)果如表4所示。

如表4可見，除去地形和地表溫度、濕度之外，森林的蓄積量與以上各個因子的相關(guān)系數(shù)均較高，達(dá)到了0.01的顯著性水平。無論是否劃分立地質(zhì)量等級，NDVI與蓄積量的相關(guān)性均較高，其次是TM影像的第3波段、遙感圖像主成分分析的第一主成分等變量，說明NDVI以及遙感影像的紅色波段是監(jiān)測森林蓄積量的敏感波段。然而，紅色波段(B3)、NDVI變量的方差擴(kuò)大因子(VIF)很高，說明其自變量觀察值之間存在嚴(yán)重的共線性。各個變量之間的相關(guān)性也比較高，會造成模型的冗余[17]。因此在建模之前必須進(jìn)行因子的篩選，確定進(jìn)入模型的自變量。

2.3 因子篩選方法

2.3.1 所有子集回歸法

表4 不同立地質(zhì)量等級的變量因子相關(guān)信息Tab.4 Information about the selected variable factors of different site qualities

注：1.**表示其達(dá)到了0.01的顯著性水平，*表示其達(dá)到了0.05的顯著性水平。2.VIF值表示自變量觀察值之間復(fù)共線性程度，VIF越大代表共線性越顯著。一般來說：當(dāng)0

應(yīng)用回歸分析處理實(shí)際問題時，逐步回歸是一種最常用的選擇回歸變量的方法。但由于這種方法不計算所有可能性，因此得到的變量子集只是局部“最優(yōu)”，可能會遺漏全局最優(yōu)的變量子集。因此，本研究選用所有子集回歸法，即若有m個可供選擇的變量，那么所有可能的回歸方程就有2m個，然后利用選元準(zhǔn)則挑出最優(yōu)的方程。常見的選元準(zhǔn)則有Cp統(tǒng)計量、自由度調(diào)整復(fù)決定系數(shù)和赤池信息量等。本研究的目的是建立預(yù)測模型，故運(yùn)用使預(yù)測值的均方根誤差盡量小的Cp統(tǒng)計量[18-19]。馬洛斯(Mallows)[20]從預(yù)測的角度提出了用Cp統(tǒng)計量來選擇自變量。設(shè)n為樣本數(shù)，SSEp表示p個變量模型的殘差平方和，則

(2)

使用SAS軟件進(jìn)行最優(yōu)子集的選擇，取Cp統(tǒng)計量作為準(zhǔn)則進(jìn)行所有子集回歸，得到森林蓄積量預(yù)測的最優(yōu)子集，如表5所示。

表5 各立地質(zhì)量等級的最優(yōu)子集Tab.5 Optimal subset of each site quality grades

2.3.2 基于平均貢獻(xiàn)值(MIV)的因子篩選

平均貢獻(xiàn)值(mean impact value，MIV)方法選擇神經(jīng)網(wǎng)絡(luò)輸入變量，用于確定輸入神經(jīng)元對應(yīng)變量的影響大小，其符號代表相關(guān)的方向，絕對值大小代表影響的相對重要性。具體過程為：首先，在網(wǎng)絡(luò)訓(xùn)練終止后，將訓(xùn)練樣本P中每一個自變量特征在其原值基礎(chǔ)上分別加、減10%構(gòu)成新的樣本P1和P2，將P1、P2分別作為仿真樣本利用已經(jīng)建成的網(wǎng)絡(luò)進(jìn)行仿真，得到仿真結(jié)果A1和A2，求出A1和A2的差值，即得出該自變量對于因變量的MIV值；其次，根據(jù)MIV絕對值的大小為各自變量排序，得到各自變量對網(wǎng)絡(luò)輸出影響相對重要性的位次表；最后，根據(jù)位次采用逐步剔除法實(shí)現(xiàn)變量的篩選。由于BP神經(jīng)網(wǎng)絡(luò)的權(quán)重是隨機(jī)得到的，每次訓(xùn)練生成的MIV值不同，故選取10次計算的均值作為變量的MIV值。使用MATLAB的神經(jīng)網(wǎng)絡(luò)工具，構(gòu)建一個簡單的神經(jīng)網(wǎng)絡(luò)，并實(shí)現(xiàn)各因子的MIV值計算，結(jié)果如表6所示。

表6 各因子對網(wǎng)絡(luò)的平均貢獻(xiàn)值(MIV)Tab.6 Mean impact value (MIV) of each factor on the network

3 蓄積量估測模型的建立

3.1 基于回歸分析的森林蓄積量估測模型

首先進(jìn)行單產(chǎn)量的回歸，以小班的計蓄積量為因變量、小班提取的TM影像第一主成分遙感因子為自變量，對紅松區(qū)區(qū)分立地質(zhì)量等級和不區(qū)分立地質(zhì)量兩種辦法分別建立蓄積量估算模型。根據(jù)散點(diǎn)圖分布，選取線性函數(shù)和冪函數(shù)兩種模型。各個模型的擬合結(jié)果如表7所示。

綜合對比可見，無論是何種建模方法，模型的P值都小于0.01，通過了0.01的顯著性水平檢驗，且均通過了F檢驗，說明森林的蓄積量和TM影像的第一主成分之間存在較好的回歸關(guān)系。其中，冪函數(shù)模型的決定系數(shù)均在0.6以上，最高為0.707，較普通線性模型有著顯著的提高。另外，基于不同立地質(zhì)量的模型較不區(qū)分立地質(zhì)量的模型效果略有提升，但提升并不顯著。

可見，同等條件下，相較于單產(chǎn)量回歸模型，多元線性模型的R2有明顯的提高。特別是基于不同立地質(zhì)量等級進(jìn)行建模時，模型的擬合效果顯著提升，R2分別從0.707、0.620、0.601提升到0.819、0.720、0.712，這一現(xiàn)象表明基于不同立地質(zhì)量等級分別對森林蓄積量進(jìn)行建模中的有效性，且遙感因子與森林蓄積量之間存在復(fù)雜的關(guān)系。為進(jìn)一步挖掘數(shù)據(jù)中存在的非線性關(guān)系，引進(jìn)了處理非線性問題表現(xiàn)良好的BP神經(jīng)網(wǎng)絡(luò)技術(shù)。

表7 單產(chǎn)量因子的回歸擬合結(jié)果Tab.7 Fitting result of each variable factor

表8 森林蓄積量的多元回歸結(jié)果Tab.8 Multiple regression result of forest stock volume

3.2 基于BP神經(jīng)網(wǎng)絡(luò)的蓄積量預(yù)測模型

BP神經(jīng)網(wǎng)絡(luò)是當(dāng)前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，具有任意復(fù)雜的模式分類能力和優(yōu)良的多維函數(shù)映射能力，可以很好地處理非線性問題[21]。

利用神經(jīng)網(wǎng)絡(luò)建模的過程分為數(shù)據(jù)預(yù)處理、網(wǎng)絡(luò)訓(xùn)練、調(diào)參、網(wǎng)絡(luò)再訓(xùn)練、模型評價等5個階段。首先，將數(shù)據(jù)進(jìn)行歸一化以消除量綱的影響；然后進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計，網(wǎng)絡(luò)共3層，分別是輸入層、隱含層和輸出層；使用控制變量法分別對比不同傳遞函數(shù)、不同訓(xùn)練函數(shù)、不同神經(jīng)元數(shù)等各種網(wǎng)絡(luò)參數(shù)下網(wǎng)絡(luò)的表現(xiàn)，經(jīng)多次訓(xùn)練、調(diào)參，得到各立地質(zhì)量等級的網(wǎng)絡(luò)結(jié)構(gòu)及其在訓(xùn)練集上的系數(shù)。其中，模型的傳遞函數(shù)均選擇Purelin函數(shù)，立地質(zhì)量為差的數(shù)據(jù)因樣本較少，選擇Trainlm為訓(xùn)練函數(shù)，其他類別使用的訓(xùn)練函數(shù)為Trainrp。模型以網(wǎng)絡(luò)擬合的均方誤差(mean squared error, MSE)為目標(biāo)損失函數(shù)。各模型的網(wǎng)絡(luò)結(jié)構(gòu)均已在表9中說明。模型的迭代次數(shù)設(shè)置為1 000次，每個實(shí)驗重復(fù)10次，取10次訓(xùn)練的MSE的均值及其標(biāo)準(zhǔn)差，如表9所示。

可見，利用神經(jīng)網(wǎng)絡(luò)技術(shù)對不同立地質(zhì)量的數(shù)據(jù)進(jìn)行建模時，模型的均方誤差可以收斂于更小的水平，模型的擬合性能得到顯著改善。為全面對比分析模型效果，下面進(jìn)行模型對比驗證。

表9 不同立地質(zhì)量的神經(jīng)網(wǎng)絡(luò)模型及訓(xùn)練參數(shù)Tab.9 Neural network model and training parameters of different site qualities

3.3 預(yù)測模型對比與驗證

采用隨機(jī)預(yù)留的驗證數(shù)據(jù)驗證模型的精度，將驗證集數(shù)據(jù)應(yīng)用到模型，得到森林蓄積量的估測值。將估測值與實(shí)際蓄積量之間進(jìn)行線性擬合，得到的R2、斜率及其總體估計精度作為精度評價指標(biāo)，完成模型的精度檢驗。其中，曲線斜率越接近1代表預(yù)測值和實(shí)測誤差越小，總體估計精度(P)的計算公式為：

(3)

檢驗結(jié)果如圖4和表10所示。綜合對比以上驗證結(jié)果，可見：

1) 模型預(yù)測值與實(shí)測值之間的R2均達(dá)0.7以上，總體估測精度在78%以上，使用遙感影像可以較好地預(yù)測森林蓄積量，其中，多自變量模型的預(yù)測效果要遠(yuǎn)好于單產(chǎn)量模型；

2) BP神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)要好于單產(chǎn)量回歸和多元線性回歸模型，其預(yù)測值和實(shí)測值的R2均達(dá)到0.9及以上，曲線斜率也更接近于1，總體預(yù)測精度也大大提升，達(dá)到了95%以上；

3) 基于不同立地質(zhì)量等級進(jìn)行建模，無論采用何種建模方式，較不區(qū)分立地質(zhì)量時，預(yù)測精度、R2都有顯著的提升。特別是BP神經(jīng)網(wǎng)絡(luò)模型的總體預(yù)測精度在97%以上，R2達(dá)到了0.94以上，達(dá)到了很高的預(yù)測水平。由此可見基于不同立地質(zhì)量建立森林蓄積量估算模型的思路是正確的，在同等條件下可以使模型性能得到顯著的提升。

表10 不同立地質(zhì)量模型的精度評價結(jié)果Tab.10 Accuracy evaluation results of different site quality models

4 結(jié)論與展望

本研究以2009年涼水自然保護(hù)區(qū)二類森林調(diào)查數(shù)據(jù)，結(jié)合2009年該地區(qū)的TM影像，以各小班面積上遙感因子的信息總量為自變量，各小班的計蓄積量為因變量，對紅松建立不分立地質(zhì)量和區(qū)分立地質(zhì)量等級的森林蓄積量遙感估算模型。得到以下結(jié)論：

1) 采用地位級法對森林的立地質(zhì)量進(jìn)行評定，將各個小班數(shù)據(jù)分別劃分為3種立地質(zhì)量等級，然后基于不同立地質(zhì)量等級的數(shù)據(jù)分別建模，蓄積量預(yù)測精度顯著改善；

2) BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性處理能力，基于不同立地質(zhì)量等級建立的模型經(jīng)過反復(fù)調(diào)參之后總體預(yù)測精度可達(dá)97%以上，模型可以很好地跟蹤實(shí)測值，較單產(chǎn)量回歸模型和多元線性回歸模型具有更強(qiáng)的預(yù)測能力。

模型適用于黑龍江省伊春市涼水自然保護(hù)區(qū)紅松林蓄積量預(yù)測，對其他優(yōu)勢樹種的小班是否有效還有待探討，立地質(zhì)量的劃分和建模方法的選擇可為之提供借鑒。建模所需樣本數(shù)目有限，為了提高估測模型穩(wěn)定性和預(yù)測能力，還應(yīng)考慮增加樣本數(shù)。

圖4 各模型預(yù)測值與實(shí)測值的精度對比與驗證Fig.4 Comparison and verification of the accuracy of predicted and measured values of each model