張翔雨 王瑞瑞

摘要：以寧波市北侖區(qū)新路林場(chǎng)作為研究區(qū)域，選用主成分回歸法、偏最小二乘法和逐步回歸法3種不同方法，基于資源三號(hào)衛(wèi)星影像建立蓄積量反演模型，并對(duì)比不同估測(cè)模型的精度得出逐步回歸模型為最優(yōu)模型，相對(duì)精度為95.2%，滿足林業(yè)調(diào)查的需要。

關(guān)鍵詞：資源三號(hào)影像;蓄積量;估測(cè)模型;模型精度

中圖分類號(hào)：S771.8;S758.5+1? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2019）12-0074-05

DOI：10.14088/j.cnki.issn0439-8114.2019.12.017? ? ? ? ? ?開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Abstract： Three different methods， principal component regression method， partial least squares method and stepwise regression method are used to establish the volume inversion model based on the satellite image of ZY-3. The stepwise regression model is the optimal model by comparing the accuracy of different estimation models， and the relative accuracy is 95.2%， which meets the needs of forestry investigation.

Key words： ZY-3 image; volume; estimation model; model accuracy

森林蓄積量是指森林樹干部分的總材積，它是體現(xiàn)一個(gè)地區(qū)森林資源整體水平的一個(gè)重要指標(biāo)，也是體現(xiàn)一個(gè)地區(qū)森林資源的豐碩程度、一個(gè)地區(qū)森林環(huán)境好壞的直觀體現(xiàn)，在國(guó)民經(jīng)濟(jì)生產(chǎn)和保護(hù)森林資源等方面有著廣泛的應(yīng)用。森林質(zhì)量評(píng)價(jià)也離不開蓄積量，它是評(píng)價(jià)一個(gè)地區(qū)森林資源質(zhì)量?jī)?yōu)劣的重要標(biāo)準(zhǔn)之一。傳統(tǒng)的森林蓄積量調(diào)查依賴于人工測(cè)量，主要是使用測(cè)量工具對(duì)大范圍樣地區(qū)域林木的樹高和胸徑進(jìn)行測(cè)量，利用所調(diào)查樹木的整體平均樹高和胸徑作為研究區(qū)蓄積量的基礎(chǔ)估測(cè)值[1]。這樣的測(cè)量技術(shù)不但人工成本高，需要大量的人力物力，其所需測(cè)量周期長(zhǎng)，一次蓄積量的調(diào)查可能會(huì)持續(xù)幾年的時(shí)間， 隨著對(duì)蓄積量研究的深入，這一技術(shù)效率較差。隨著衛(wèi)星遙感技術(shù)日趨完善，使用衛(wèi)星拍攝的遙感影像調(diào)查森林蓄積量，只需要對(duì)所研究區(qū)域內(nèi)樣地的蓄積量進(jìn)行人工調(diào)查，獲得樣地林木的樹高和胸徑，然后將采集的數(shù)據(jù)進(jìn)行數(shù)學(xué)模型計(jì)算，利用遙感影像， 提取分析影像表現(xiàn)出的與森林蓄積有關(guān)聯(lián)的波段因子、紋理因子及地形因子，利用這些因子建立蓄積量估測(cè)模型[2]。并依據(jù)估測(cè)模型反演出森林蓄積量，極大地節(jié)省了人力物力，縮短了調(diào)查周期。本研究以北侖區(qū)資源三號(hào)衛(wèi)星影像為主要數(shù)據(jù)源，并結(jié)合北侖區(qū)森林調(diào)查數(shù)據(jù)，建立森林蓄積量估測(cè)模型， 為北侖區(qū)森林資源合理規(guī)劃開發(fā)提供依據(jù)和參考。

1? 國(guó)內(nèi)外研究現(xiàn)狀

最初關(guān)于森林蓄積量和生產(chǎn)力的報(bào)道是在1876年，由德國(guó)的生物學(xué)家Ebermeryer測(cè)定了多種森林樹種的落葉量，并對(duì)林木干材重量進(jìn)行了測(cè)定。1910年，Boysen根據(jù)有機(jī)物的生產(chǎn)量與消耗量對(duì)森林的耐陰性進(jìn)行了研究，并初步研究了森林的初級(jí)生產(chǎn)量。從20世紀(jì)90年代開始，大量國(guó)外的學(xué)者通過過程模擬碳的儲(chǔ)量來達(dá)到準(zhǔn)確估測(cè)森林碳儲(chǔ)量和碳匯功能，并得出森林的蓄積量有近50%都是碳素含量的結(jié)論[3]。

利用衛(wèi)星遙感影像估測(cè)森林蓄積量的方法有很多，其中以K-近鄰法、神經(jīng)網(wǎng)絡(luò)法、隨機(jī)森林法、多元回歸分析法最為常見[4]。

在國(guó)內(nèi)關(guān)于這一方面的研究也在逐步發(fā)展，并研究出了各種不同的建立模型的方法。劉瓊閣等[5]、包盈智等[6]以TM影像為數(shù)據(jù)基礎(chǔ)，將坡度、海拔、郁閉度、濕度、綠度等作為模型的自變量，構(gòu)建了偏最小二乘的蓄積量反演模型。李崇貴等[7]選用像元作為研究的基本單位，利用灰度值、郁閉度和比值波段建立了蓄積量估測(cè)模型。楊燕瓊等[8]利用TM影像，選用波段的密度值和比值、地形因子和土壤類型作為自變量，應(yīng)用逐步回歸的方法反演了森林蓄積量。馬瑞蘭等[9]利用SPOT數(shù)據(jù)挑選比值波段和遙感波段作為自變量，建立了蓄積量估測(cè)模型。這些研究成果均促進(jìn)了國(guó)內(nèi)基于遙感影像的森林蓄積量反演模型研究領(lǐng)域的進(jìn)步，并在實(shí)踐中得到了很好地應(yīng)用。綜合國(guó)內(nèi)的研究現(xiàn)狀，在建立森林蓄積量反演模型時(shí)，主要的研究細(xì)節(jié)有4個(gè)方面：一是對(duì)于研究中使用的實(shí)際蓄積量單位的選擇。如樣地和像元;二是對(duì)于遙感影像的選擇。目前普遍使用TM影像作為蓄積量反演的遙感信息源，但使用SPOT、QuickBird等遙感影像的研究也很多;三是對(duì)于影像建模因子的選擇。這些因子有坡度、坡向、郁閉度等GIS因子，RVI、NDVI等波段組合因子以及植被的紋理因子;四是關(guān)于建立模型方法的研究。目前常用的建模方法有偏最小二乘法、K-近鄰法和多元線性回歸法等多種方法。

在國(guó)外，建立森林蓄積量反演模型的研究時(shí)間比較久，建立模型的方法也較多，F(xiàn)azakas等[10]在1999年使用TM影像全波段數(shù)據(jù)，構(gòu)建了蓄積量估測(cè)模型反演了瑞典中部森林的蓄積量。Gemmell[11]利用TM遙感數(shù)據(jù)，分析了郁閉度、波段、地形等因素與蓄積量的相關(guān)性，得到與蓄積量相關(guān)性大的因子，并建立了模型。M？覿kel？覿等[12]基于高分辨率遙感數(shù)據(jù)獲取建模因子與調(diào)查的少量樣地?cái)?shù)據(jù)結(jié)合起來構(gòu)建了森林蓄積量反演模型。Popescu等[13]使用LIDAR數(shù)據(jù)建立單個(gè)樹木林冠基部高的線性模型，并進(jìn)行了傅立葉變換。

本研究采用多元回歸分析法，分別選取了逐步回歸模型、主成分回歸模型和偏最小二乘模型3種不同的模型對(duì)新路林場(chǎng)進(jìn)行森林蓄積量反演，對(duì)比不同模型的相對(duì)精度，挑選出逐步回歸模型作為最優(yōu)蓄積量反演模型，使得蓄積量估測(cè)的精度進(jìn)一步提升。

2? 研究區(qū)概況

北侖區(qū)隸屬于浙江省寧波市，位于寧波市東部。地理坐標(biāo)為東經(jīng)121°27′40″—122°10′22″，北緯29°41′44″—29°58′48″。北侖區(qū)東面和北面與東海相鄰，與定海和普陀縣交界，南部接壤鄞州，西面與鎮(zhèn)海區(qū)隔江相望。北侖區(qū)地處亞熱帶季風(fēng)氣候區(qū)，全年氣候溫和濕潤(rùn)，春夏秋冬四季分明，降雨量足，無霜期長(zhǎng)，有時(shí)會(huì)出現(xiàn)臺(tái)風(fēng)、暴雨、冰雹等惡劣天氣。新路林場(chǎng)位于北侖區(qū)西側(cè)大碶街道，占地面積3 671 hm2，主要樹種有油松、楊樹、樺樹、銀杏、南方紅杏杉、杜仲等， 其中油松、楊樹和樺樹是優(yōu)勢(shì)樹種。新路林場(chǎng)是由不同齡級(jí)的林木組成的人工林，既有林分未完全郁閉的幼齡林，又有林木已發(fā)育成熟的成熟林。

3? 研究方法

3.1? 數(shù)據(jù)來源

采用2013年北侖區(qū)資源三號(hào)遙感影像數(shù)據(jù)，并利用北侖區(qū)森林資源二類調(diào)查數(shù)據(jù)進(jìn)行后續(xù)分析。資源三號(hào)遙感影像的多光譜數(shù)據(jù)空間分辨率為5.8 m，全色數(shù)據(jù)為2.1 m。資源三號(hào)衛(wèi)星軌道參數(shù)如下：其軌道形式為太陽同步圓軌道，軌道高度為505.984 km，軌道傾角為97.421°，回歸周期為59 d，重訪周期為5 d，降交點(diǎn)地方時(shí)為上午10：30。該衛(wèi)星提供的高分辨率遙感影像數(shù)據(jù)已被應(yīng)用于國(guó)家自然災(zāi)害防治與評(píng)價(jià)及相關(guān)的基礎(chǔ)設(shè)施建設(shè)等，同時(shí)也為國(guó)家的基礎(chǔ)測(cè)繪工作提供主要數(shù)據(jù)來源，對(duì)保障中國(guó)測(cè)繪事業(yè)長(zhǎng)久發(fā)展具有深遠(yuǎn)影響。

本研究的建模樣本采用北侖區(qū)2013年森林資源二類調(diào)查數(shù)據(jù)結(jié)果中的樣地?cái)?shù)據(jù)，樣地為30 m×30 m的正方形樣地，將樣本中心點(diǎn)的所在位置選為坐標(biāo)采集點(diǎn)。研究區(qū)內(nèi)的樣地總數(shù)為85個(gè)。

3.2? 數(shù)據(jù)預(yù)處理

利用ENVI軟件對(duì)影像數(shù)據(jù)進(jìn)行預(yù)處理。為消除影像拍攝過程中發(fā)生的幾何畸變和由于大氣散射產(chǎn)生的誤差，對(duì)圖像數(shù)據(jù)進(jìn)行了幾何校正和大氣校正。校正完畢后，以研究區(qū)范圍為邊界將北侖區(qū)的影像數(shù)據(jù)和DEM數(shù)據(jù)裁剪，結(jié)果見圖1。

3.3? 森林信息提取

采用ENVI 軟件將預(yù)處理后的遙感影像數(shù)據(jù)進(jìn)行建模因子的分析與提取，包括地形因子、植被指數(shù)和紋理因子等。

3.3.1? 紋理因子? 資源三號(hào)遙感圖像數(shù)據(jù)的紋理因子包含8個(gè)，分別為：①均值（Mean），度量圖像灰度共生矩陣元素灰度值的平均程度;②方差（Variance），反映圖像灰度值的變化程度;③協(xié)同性（Homogeneity），反映圖像的局部同質(zhì)性大小;④信息熵（Entropy），表示圖像中紋理的非均勻程度或復(fù)雜程度;⑤對(duì)比度（Contrast），反映了圖像的清晰度和紋理溝紋深淺的程度;⑥相異性（Dissimilarity），度量圖像紋理信息的相似性;⑦二階矩（Second moment），度量圖像中紋理信息的粗細(xì)程度以及紋理信息灰度分布的均勻程度;⑧相關(guān)性（Correlation），反映圖像中局部灰度相關(guān)性。

通過 ENVI軟件利用資源三號(hào)影像全色波段，3×3窗口、5×5窗口、7×7窗口3種紋理因子提取窗口，依次提取出3×8=24個(gè)紋理因子。

3.3.2? 植被指數(shù)? 植被指數(shù)主要用來檢驗(yàn)植被覆蓋度的指標(biāo)，基于資源三號(hào)遙感影像提取各類植被指數(shù)，利用ENVI軟件中band math功能進(jìn)行影像波段間的運(yùn)算與分析，從而提取4種代表性的植被指數(shù)，分別為RVI、EVI、NDVI、DVI。

1）歸一化植被指數(shù)（NDVI）。NDVI是植被覆蓋度的重要評(píng)價(jià)指標(biāo)，一般是利用遙感影像的可見光和近紅外波段之間的關(guān)系來表示， 也就是利用兩者之間的差與兩者之間的和的比值來表示，關(guān)系式如下：

式中，pNIR表示近紅外波段;pR表示紅波段。

2）比值植被指數(shù)（RVI）。RVI就是將植被指數(shù)以比值關(guān)系的形式表達(dá)出來，由于植被中的葉綠素在紅光是吸收的， 而在近紅外是反射的，那么可以通過他們之間的比值運(yùn)算，并增大兩者之間的反射率差異來區(qū)分植被與土壤， 為植被的提取提供重要的信息。關(guān)系式如下：

式中，pNIR表示近紅外波段;pR表示紅波段。

3）差值植被指數(shù)（DVI）。DVI是指紅波段與近紅外波段之間的差值關(guān)系，常被用來表達(dá)植物的生長(zhǎng)狀態(tài)。關(guān)系式如下：

式中，pNIR表示近紅外波段;pR表示紅波段。

4）增強(qiáng)型植被指數(shù)（EVI）。增強(qiáng)型植被指數(shù)

式中，pNIR表示近紅外波段;pRED表示紅波段;pBLUE表示藍(lán)波段。

3.3.3? 地形因子? 地形因子包括坡度和坡向。北侖區(qū)新路林場(chǎng)的坡向劃分為9個(gè)方位，分別是東、南、西、北、東北、東南、西北、西南。其中，北、東北為陰坡;南、西南為陽坡;東、西北為半陰坡; 西、東南為半陽坡?；谝延械臄?shù)字高程模型（DEM）數(shù)據(jù)，利用ArcGIS對(duì)DEM數(shù)據(jù)進(jìn)行分析處理，可以獲得坡向（圖2a）和坡度（圖2b）。通過坡度圖的顏色變化確定坡度的大致走向。

3.4? 蓄積量估測(cè)模型

利用SPSS軟件將提取到的紋理因子、地形因子和植被指數(shù)信息進(jìn)行相關(guān)性分析，篩選出相關(guān)性較高的遙感因子參與建模，建立北侖區(qū)新路林場(chǎng)蓄積量的反演模型，并分析模型精度與適用性。

3.4.1? 相關(guān)性分析? 利用SPSS軟件對(duì)提取因子信息的相關(guān)性進(jìn)行分析，從中篩選出相關(guān)系數(shù)較高的因子參與建立蓄積量估測(cè)模型。

由表1可以看出，森林蓄積量與遙感影像的紋理信息具有一定的相關(guān)性，且與坡度也存在較高的相關(guān)性。分析表1中數(shù)據(jù)，選取相關(guān)性系數(shù)較大的9個(gè)因子用來構(gòu)建森林蓄積量估測(cè)模型，相關(guān)性分析結(jié)果及選取的建模因子見表2。

3.4.2? 逐步回歸模型? 采用逐步回歸法，把森林蓄積量作為因變量，9個(gè)相關(guān)性系數(shù)較大的因子作為自變量，進(jìn)行回歸分析，得到新路林場(chǎng)的森林蓄積量反演模型為：

3.4.3? 主成分回歸模型? 主成分分析法的本質(zhì)就是降低維度，在保證損失信息很少的前提下用幾個(gè)互不相關(guān)的綜合指標(biāo)代替原來指標(biāo)的方法， 將上述9個(gè)自變量信息進(jìn)行降維處理，結(jié)果見表3。

由于前4個(gè)主成分貢獻(xiàn)率達(dá)到90.08%，因此用這4個(gè)因子代替9個(gè)原始自變量，損失的信息很少。本次選取前4個(gè)指標(biāo)作為自變量用來建立主成分回歸模型。利用SPSS軟件構(gòu)建的模型如下：

3.4.4? 偏最小二乘回歸模型? 偏最小二乘法首先采用Z-score標(biāo)準(zhǔn)化方法對(duì)自變量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，之后進(jìn)行主成分提取，得到前4個(gè)主成分與蓄積量的回歸模型如下：

還原為自變量與蓄積量如下：

對(duì)上述模型進(jìn)行初步精度檢驗(yàn)，得出模型的擬合精度如表4所示。

3.4.5? 新路林場(chǎng)的總蓄積量? 將3種模型反演到整個(gè)研究區(qū)可估算出新路林場(chǎng)的總蓄積量，以森林資源二類調(diào)查數(shù)據(jù)中的北侖區(qū)新路林場(chǎng)的蓄積量作為實(shí)際蓄積量，計(jì)算出3種森林蓄積量反演模型的相對(duì)精度（表5）。由表5可知，采用逐步回歸法進(jìn)行森林蓄積量反演相對(duì)精度最高，偏最小二乘法的相對(duì)精度略高于主成分回歸法。

4? 小結(jié)與討論

分別基于逐步回歸法、主成分回歸法和偏最小二乘法構(gòu)建了北侖區(qū)新路林場(chǎng)的蓄積量反演模型，對(duì)比3種不同反演模型的相對(duì)精度，發(fā)現(xiàn)基于逐步回歸模型反演森林蓄積量的精度最高。利用此模型估測(cè)整個(gè)研究區(qū)的蓄積量，得到新路林場(chǎng)的蓄積量估測(cè)值為611萬m3。本研究以森林資源二類調(diào)查數(shù)據(jù)中新路林場(chǎng)的蓄積量調(diào)查結(jié)果作為實(shí)測(cè)蓄積量，實(shí)測(cè)蓄積量為583萬m3，估測(cè)精度為95.2%。

隨著遙感技術(shù)的發(fā)展，以往的森林蓄積量調(diào)查過程過于繁瑣且需要耗費(fèi)較多人力物力資源。因此，利用衛(wèi)星遙感影像數(shù)據(jù)進(jìn)行森林蓄積量反演具有重大研究意義。本研究利用資源三號(hào)衛(wèi)星遙感影像的紋理因子、植被指數(shù)信息和地形因子信息等相關(guān)的遙感因子， 其中借助了紋理因子作為反演因子的一部分，分析其相關(guān)性，發(fā)現(xiàn)紋理因子對(duì)蓄積量的估測(cè)具有一定的作用， 選取了相關(guān)性較高的9個(gè)因子，建立了北侖區(qū)新路林場(chǎng)的蓄積量估測(cè)模型，將模型反演到整個(gè)研究區(qū)得出精度為95.2%， 滿足林業(yè)調(diào)查的需要。表明基于衛(wèi)星遙感影像數(shù)據(jù)對(duì)森林的蓄積量進(jìn)行反演是可行的。

參考文獻(xiàn)：

[1] 亢新剛.森林資源經(jīng)營(yíng)管理[M].北京：中國(guó)林業(yè)出版社，2001.

[2] 王? 雪，衛(wèi)發(fā)興，崔志新.3S技術(shù)在林業(yè)中的應(yīng)用[J].世界林業(yè)研究，2005（2）：45-47.

[3] 李延峰.東北典型區(qū)蘆葦分布提取與地上生物量遙感估算[D].北京：中國(guó)科學(xué)院大學(xué)，2014.

[4] 陳爾學(xué)，李增元，武紅敢，等.基于k-NN和Landsat數(shù)據(jù)的小面積統(tǒng)計(jì)單元森林蓄積估測(cè)方法[J].林業(yè)科學(xué)研究，2008，21（6）：745-750.

[5] 劉瓊閣，彭道黎，涂云燕.基于偏最小二乘回歸的森林蓄積量遙感估測(cè)[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2014，34（2）：81-84，132.

[6] 包盈智，袁凱先，趙憲文，等.森林資源二類調(diào)查中蓄積量遙感估測(cè)方法的應(yīng)用實(shí)例[J].林業(yè)科學(xué)研究，1996，9（3）：234-238.

[7] 李崇貴，趙憲文.森林郁閉度定量估測(cè)遙感比值波段的選擇[J].林業(yè)科學(xué)，2005，41（4）：72-77.

[8] 楊燕瓊，吳奕敏，黃? 平，等.基于RS、GIS的林分蓄積量估測(cè)[J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2003，24（3）：73-77.

[9] 馬瑞蘭，李衛(wèi)忠.基于SPOT5遙感影像選擇森林蓄積估測(cè)因子

——以火地塘教學(xué)實(shí)驗(yàn)林場(chǎng)為例[J].東北林業(yè)大學(xué)學(xué)報(bào)，2011， 39（7）：111-112，137.

[10] FAZAKAS Z，NILSSON M，OLSSON H. Regional forest biomass and wood volume estimation using satellite data and ancillary data[J].Agricultural and forest meteorlogy，1999（98-99）：417-425.

[11] GEMMELL F M. Effects of forest cover，terrain， and scale on timber volume estimation with Thematic Mapper data in a Rocky Mountain site[J].Remote sensing of environment，1995， 51（2）：291-305.

[12] M？魧KEL？魧 H，PEKKARINEN A. Estimation of forest stand volumes by Landsat TM imagery and stand-level field-inventory data[J].Forest ecology and management，2004，196（2-3）：245-255.

[13] POPESCU S C，ZHAO K G. A voxel-based lidar method for estimating crown base height fordeciduous and pine trees[J].Remote sensing of environment，2008，112（3）：767-781.

收稿日期：2019-03-27

作者簡(jiǎn)介：張翔雨（1993-），男，河北唐山人，在讀碩士研究生，研究方向?yàn)榱址中罘e量反演，（電話）13121938866（電子信箱）1193073502@qq.com;