不同林分郁閉度與遙感數據的相關性

楊存建, 倪 靜, 周其林, 程武學, 韓沙鷗

1 四川師范大學西南土地資源評價與監測教育部重點實驗室遙感與GIS應用研究中心, 成都 610068 2 四川省遂寧市林業局, 遂寧 629000

不同林分郁閉度與遙感數據的相關性

楊存建1,*, 倪 靜1, 周其林2, 程武學1, 韓沙鷗1

1 四川師范大學西南土地資源評價與監測教育部重點實驗室遙感與GIS應用研究中心, 成都 610068 2 四川省遂寧市林業局, 遂寧 629000

林分郁閉度與遙感數據的相關性分析是郁閉度遙感估算的基礎，郁閉度遙感是林業遙感的重要方向。以四川省石棉縣為例，就不同林分探討了其郁閉度與陸地資源衛星專題制圖儀LANDSAT Thematic Mapper (TM, 包括其波段1至7，分別表示為TM1、TM2、TM3、TM4、TM5、TM6和TM7) 數據之間的相關性及其受地形校正的影響。建立了地形數據庫和基于1994年調查數據的森林資源數據庫；對1994年6月26日成像的LANDSAT TM數據進行了幾何校正，并與森林資源數據庫配準；分別利用Lambert Cosine Correction(LCC)模型和Sun Canopy Sensor(SCS)模型對TM數據進行地形校正，生成TM-LCC和TM-SCS數據;將TM、TM-LCC和TM-SCS各波段數據分別與森林資源數據疊加統計，得到各小班TM、TM-LCC和TM-SCS各波段數據的均值和標準差，并將其添入數據庫中，選取標準差較小的小班共1194個作為樣本。按優勢樹種將樣本層化為8個林分層，分別計算其郁閉度與TM、TM-LCC和TM-SCS各波段數據間的相關系數，并分析其在不同林分不同波段上的差異及其受地形校正的影響。研究表明：鐵杉、冷杉和云杉等林分郁閉度與TM部分波段數據的相關性在0.01的水平上均為顯著；而樺木、櫟類、榿木、軟闊類和云南松等林分郁閉度與TM數據的相關性在0.05的水平上均不顯著；TM的LCC校正提高了冷杉、鐵杉和軟闊等林分郁閉度與TM4和TM5的相關性，TM的LCC校正還提高了軟闊類林分郁閉度與TM7的相關性，TM的SCS校正提高了冷杉林分郁閉度與TM4和TM5的相關性，且在0.01的水平上均為顯著。TM 的LCC和SCS校正未能明顯提高樺木、櫟類、榿木、云南松和云杉等林分郁閉度與TM數據的相關性。該研究對林分郁閉度遙感具有一定的科學意義和應用價值。

郁閉度; 林分; 遙感; 相關性; 小班

森林郁閉度是樹冠投影面積與林地面積的比值，它是森林資源調查的重要因子之一，是區分有林地、疏林地與無林地的重要指標，也是衡量森林資源優劣的一項指標。其變化影響著林分內各生態因子的變化[1]。從地面獲取森林郁閉度費錢費工費時。如何快速低成本獲取森林郁閉度是一個急需解決的問題。森林郁閉度與遙感數據之間的相關性分析是解決該問題的關鍵基礎，對此，國內外學者已開展了一些探索性的研究。如李崇貴和趙憲文研究發現：在陸地衛星專題制圖儀LANDSAT Thematic Mapper (TM, 包括其波段1至7，分別表示為TM1、TM2、TM3、TM4、TM5、TM6和TM7) 中，TM5、TM7、TM4-TM3/TM4+TM3、TM4- 3、(TM4+TM5-TM2)/(TM4+TM5+TM2)、TM7/TM3和TM4/TM2等對郁閉度有重要解釋作用[2]。劉大偉和孫國清研究發現：森林郁閉度與TM5、TM7和纓帽濕度指數有較好相關性[3]。蔡學成和楊永彰在貴州省的研究表明，中巴衛星遙感數據(包括其波段1至5，分別表示為B1、B2、B3、B4和B5)中的B1、B2、B3和B5及其派生數據(B4-B3)/(B4+B3)、B4-B3和B4/B3等對森林郁閉度有響應，結合少量地面實測樣地,可以實現森林郁閉度的多元遙感估算[4]。高云飛與李智廣等的研究表明，郁閉度與SPOT的紅、綠波段相關性較高，而與近紅外波段的相關性較低[5]。這些研究在一定程度上揭示了森林郁閉度與遙感數據及其派生數據之間的相關性特征，但是，不同林分郁閉度與遙感數據的相關性特征如何？是否存在差異？地形校正對其是否存在影響？這些都是森林郁閉度遙感估算的基礎科學問題。

在知識發現方面，國內外學者已開展了一些有益的探索。如李德仁提出了基于空間數據庫的知識發現理論框架[6]，楊存建等開展了森林碳密度空間分布特征[7]、樹種分布特征[8]、地類分布特征[9]和土地利用模式等方面的知識發現研究[10]，李明陽等在生物量空間分布特征知識發現方面開展了研究[11]，邸凱昌提出了一種探測性歸納學習的知識發現方法[12]，厙向陽等提出了土壤侵蝕關聯規則的知識發現方法[13]。這些研究為知識發現提供了可借鑒的方法。我國已進行了多次森林資源一類清查和森林資源二類調查，積累了大量的調查數據。衛星遙感技術出現至今，已累積了大量的遙感數據。如何將這兩類數據協同起來，開辟發現森林郁閉度遙感知識的新途徑，這又是一個值得探討的科學問題。為此，本文以四川省石棉縣為例，以同期地面調查數據和LANDSAT TM數據為基礎，探討林分郁閉度遙感知識的發現方法，研究不同林分郁閉度與遙感數據的相關性差異及其受地形校正影響等科學問題。

1 試驗區與數據

試驗區為四川省石棉縣，其位置為東經101°55′—102°31′，北緯28°51′ —29° 31′。境內以山地為主，嶺谷相間。境內海拔高差達5000 m，最高海拔達5793 m，最低海拔為790 m。境內河流縱橫，大渡河從中穿過。其氣候屬于中緯度亞熱帶濕潤氣候。年降雨量約800 mm，年均氣溫約17 ℃。該縣森林資源豐富，擁有貢嘎山國家級自然保護區和栗子坪省級自然保護區。該縣主要有鐵杉(Tsugachinensis)、冷杉(Abiesfabri)、云杉(Piceaasperata)、樺木(Betula)、櫟類(Quercus)、榿木(Alnuscremastogyne)、軟闊類和云南松(Pinusyunnanensis)等八大林分類型。

所使用的數據有森林資源二類調查(1994年)數據、LANDSAT TM數據(1994年6月26日成像)和1∶5萬的地形數據。森林資源數據包括林班和小班界線數據(即林相圖數據)和小班因子數據。這些數據均為按技術規程在野外調查取得。小班內部樹種與郁閉度相對一致，其大小在1 hm2以上，相當于9個以上的TM象元區域。其小班因子主要有小班編號、地類、優勢樹種、郁閉度、小班蓄積量、地貌和土壤類型等。通過掃描、幾何校正、拼接、數字化建庫以及小班因子數據連接，建立森林資源數據庫。通過數字化地形圖建立基礎地理數據庫和數字高程模型Digital Elevation Model(DEM)。對LANDSAT TM進行了幾何校正，并與DEM和森林資源數據庫進行了配準，其誤差在1個像元內。

2 研究方法

研究方法如圖1所示。

圖1 基于空間數據庫的林分郁閉度與遙感數據的相關性分析Fig.1 Correlation analysis of forest stand canopy density with TM data based on spatial database

為了探討地形校正對林分郁閉度與遙感數據相關性的影響，本文利用朗伯體余弦模型(Lambert Cosine Correction (LCC) model)和太陽-冠層-傳感器模型(Sun Canopy Sensor(SCS) model)分別對LANDSAT TM數據進行地形校正，并得到校正后的數據，分別表示為TM-LCC和TM-SCS。

LCC模型算法為[4]：

LLCC=L0/cosi

(1)

式中，LLCC代表校正后的亮度值，即TM-LCC；L0代表校正前的觀測亮度值，即TM；i為入射角。

Cosi=cosθcosβ+sinθsinβcos(λ-ω)

(2)

式中，θ是像元所在平面的坡度角;β為太陽天頂角;λ為太陽方位角;ω為像元所在平面的坡向角。

SCS模型算法為【5】：

LSCS=L0cosβcosθ/cosi

(3)

式中，LSCS為SCS模型校正后的亮度值，即TM-SCS；θ為坡度角,β為太陽天頂角,i為入射角。

將森林資源數據庫與 TM、TM-LCC 和TM-SCS進行疊加統計，從而得到各小班各波段遙感數據及其地形校正數據的均值與標準差，并以此作為小班的遙感特征數據，將其添加至森林資源數據庫中。選取標準差較小的小班作為樣本，共1194個小班。按優勢樹種對樣本進行層化，共分8個林分層，各層名(樣本數)分別為：鐵杉(166)、冷杉(468)、云杉(174)、樺木(95)、櫟類(141)、榿木(35)、軟闊類(25)和云南松(90)。在每一林分層上，基于小班對象，對郁閉度與遙感數據進行相關性分析，揭示其相關性及其受地形校正的影響。在此基礎上，分析不同林分間的差異。

3 結果

3.1 鐵杉、冷杉和云杉等林分郁閉度與TM部分波段數據的相關性顯著

鐵杉林分郁閉度與遙感數據之間的相關系數如表1所示。從表1中可以看出，鐵杉林分郁閉度與遙感數據TM2、TM3、TM4、TM5和TM7在0.01的水平上呈顯著負相關，與TM1在0.05的水平上呈顯著負相關。LCC校正提高了其郁閉度與TM4和TM5的相關性。SCS校正降低了其郁閉度與各波段的相關性。

表1 鐵杉林分郁閉度與遙感數據之間的相關系數Table 1 Correlation coefficients of canopy density with remote sensing data for Tsuga chinensis stand

**在0.01水平上顯著相關，*在0.05水平上顯著相關

冷杉林分郁閉度與遙感數據之間的相關系數如表2所示。從表2中可以看出，冷杉林分郁閉度與遙感數據TM4、TM5和TM7在0.01的水平上呈顯著負相關，與TM3在0.05的水平上呈顯著負相關，與其余波段相關性不顯著。LCC校正和SCS校正均提高了其郁閉度與TM4和TM5的相關性。

表2 冷杉林分郁閉度與遙感數據之間的相關系數Table 2 Correlation coefficients of canopy density with remote sensing data for Abies fabri stand

**在0.01水平上顯著相關，*在0.05水平上顯著相關

云杉林分郁閉度與遙感數據之間的相關系數如表3所示。從表3中可以看出，云杉林分郁閉度與遙感數據TM1在0.01的水平上呈顯著正相關，而與其余波段數據的相關性均不顯著。LCC校正和SCS校正未明顯提高其郁閉度與各波段數據的相關性。

表3 云杉林分郁閉度與遙感數據之間的相關系數Table 3 Correlation coefficients of canopy density with remote sensing data for Picea asperata stand

**在0.01水平上顯著相關，*在0.05水平上顯著相關

3.2 地形校正提高了軟闊類林分郁閉度與TM數據的相關性

軟闊類林分郁閉度與遙感數據之間的相關系數如表4所示。從表4中可以看出，軟闊類林分郁閉度與遙感數據的相關性均不顯著。LCC校正使郁閉度與TM4、TM5和TM7均在0.01 的水平上呈顯著正相關。SCS校正使其郁閉度與TM5和TM7均在0.05 的水平上呈顯著正相關，由此可見地形校正對其相關性有較大改善。

表4 軟闊類林分郁閉度與遙感數據之間的相關系數Table 4 Correlation coefficients of canopy density with remote sensing data for soft broadleave stand

**在0.01水平上顯著相關，*在0.05水平上顯著相關

3.3 樺木、櫟類、榿木和云南松等林分郁閉度與遙感數據的相關性均不顯著

樺木林分郁閉度與遙感數據之間的相關系數如表5所示。從表5中可以看出，樺木林分郁閉度與遙感數據的相關性在0.05的水平上不顯著。LCC校正和SCS校正未明顯提高其郁閉度與各波段遙感數據的相關性。

表5 樺木林分郁閉度與遙感數據之間的相關系數Table 5 Correlation coefficients of canopy density with remote sensing data TM for Betula stand

櫟類林分郁閉度與遙感數據之間的相關系數如表6所示。從表6中可以看出，櫟類林分郁閉度與遙感數據的在0.05的水平上相關性均不顯著。LCC校正和SCS校正未明顯提高其郁閉度與各波段數據的相關性。

表6 櫟類林分郁閉度與遙感數據之間的相關系數Table 6 Correlation coefficients of canopy density with remote sensing data for Quercus stand

榿木林分郁閉度與遙感數據之間的相關系數如表7所示。從表7中可以看出，榿木林分郁閉度與遙感數據的在0.05的水平上相關性均不顯著。LCC校正和SCS校正未明顯提高其郁閉度與各波段數據的相關性。

表7 榿木林分郁閉度與遙感數據之間的相關系數Table 7 Correlation coefficients of canopy density with remote sensing data for Alnus cremastogyne stand

云南松林分郁閉度與遙感數據之間的相關系數如表8所示。從表8中可以看出，云南松林分郁閉度與遙感數據的在0.05的水平上相關性均不顯著。LCC校正和SCS校正未明顯提高其郁閉度與各波段數據的相關性。

表8 云南松林分郁閉度與遙感數據之間的相關系數Table 8 Correlation coefficients of canopy density with remote sensing data for Pinus yunnanensis stand

4 結論與討論

本文提出了基于空間數據庫的林分郁閉度遙感知識發現的有效技術方法。在積累有同期調查數據和遙感數據的其它區域，可用該方法發現其林分郁閉度遙感知識，以及其它林分因子(如蓄積量和生物量等)的遙感知識。該研究開拓了協同地面調查數據與遙感數據發現遙感知識的新途徑，這對遙感知識的獲取具有重要意義。

鐵杉林分郁閉度與TM2、TM3、TM4、TM5和TM7，冷杉林分郁閉度與TM4、TM5和TM7，以及云杉林分郁閉度與TM1等的相關性均在0.01的水平上顯著相關；冷杉林分郁閉度與TM3，以及鐵杉林分郁閉度與TM1等的相關性，均在0.05的水平上顯著相關。樺木、櫟類、榿木、軟闊類和云南松等林分的郁閉度與各波段數據的相關性在0.05的水平上均不顯著。

不同林分，其郁閉度與遙感數據之間的相關性存在差異。這些差異可能為林分垂直結構的差異所致，尤其是來自于林下灌木與草本層的影響。這是因為遙感信息不僅有上層優勢樹種的信息，而且還包含有下層灌木和草本層的信息。該縣鐵杉、冷杉和云杉林分的上層優勢明顯，其遙感信息主要為上層林分信息，因而其郁閉度與部分遙感數據存在顯著相關性。樺木、櫟類、榿木、軟闊類和云南松等林分，多具有喬灌草的垂直結構，其遙感信息還混雜有豐富的下層信息，因而其郁閉度因下層信息的加入而與遙感數據的相關性不顯著。

地形校正對提高森林郁閉度與遙感數據之間的相關性，因林分因波段而異。LCC校正和SCS校正提高了冷杉林分郁閉度與TM4和TM5的相關性；LCC校正使軟闊類林分郁閉度與TM4、TM5和TM7在0.01 的水平上顯著相關，其相關系數均在0.5以上；SCS校正使軟闊類林分郁閉度與TM5和TM7在0.05 的水平上顯著相關；LCC校正提高了鐵杉林分郁閉度與TM4和TM5的相關性。LCC校正和SCS校正未能明顯提高樺木、櫟類、榿木、云南松和云杉等林分郁閉度與遙感數據的相關性。

該研究揭示了不同林分郁閉度與遙感數據之間的相關性，以及地形校正對這些相關性的影響。該研究豐富了林分郁閉度的遙感知識，這對林分郁閉度遙感具有重要的應用價值。

致謝：該項研究得到中國科學院地理科學與資源研究所劉紀遠、邵全琴和陶福祿等的支持，在此表示感謝！

[1] 朱教君, 康宏樟, 胡理樂. 應用全天空照片估計林分透光孔隙度(郁閉度). 生態學雜志, 2005, 24(10): 1234- 1240.

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

[3] 劉大偉, 孫國清, 龐勇, 蔡玉林. 利用LANDSAT TM數據對森林郁閉度進行遙感分級估測. 遙感信息, 2006, (1): 40- 42.

[4] 蔡學成, 楊永彰. 基于中巴資源衛星數據的森林郁閉度估測研究. 安徽農業科學, 2007, 35(34): 10961- 10962.

[5] 高云飛, 李智廣, 楊勝天, 劉憲春, 曹勇. 基于SPOT5影像的郁閉度反演方法. 水土保持研究, 2012, 19(2): 267- 270.

[6] 李德仁, 王樹良, 史文中, 王新洲. 論空間數據挖掘和知識發現. 武漢大學學報(信息科學版), 2001, 26(6): 491- 499.

[7] 楊存建, 倪靜, 張洋, 牟琳. 四川石棉森林碳密度空間數據知識挖掘及分布特征分析. 地球信息科學學報, 2011, 13(5): 579- 584.

[8] 楊存建, 王琴, 吳貴蜀, 任平, 倪靜. 基于地理信息技術的樹種分布知識的挖掘與發現——以四川省石棉縣為例. 自然資源學報, 2012, 27(1): 17- 24.

[9] 楊存建, 王琴, 任平, 吳貴蜀. 基于空間數據庫的地類知識的發現. 遙感技術與應用, 2010, 25(5): 733- 739.

[10] 楊存建, 張增祥, 王思遠. 基于空間數據庫的土地利用模式知識的發現. 遙感信息, 2001, (4): 4- 7.

[11] 李明陽, 張向陽, 吳文浩, 劉方. 森林生物量空間知識挖掘方法應用研究——以河南西峽縣為例. 林業資源管理, 2011, (5): 53- 59.

[12] 邸凱昌, 李德仁, 李德毅. 用探測性的歸納學習方法從空間數據庫發現知識. 中國圖象圖形學報, 1999, 4(11): 924- 929.

[13] 厙向陽, 許五弟, 薛惠鋒. 矢量空間數據庫中關聯規則的挖掘算法研究. 計算機應用, 2004, 24(8): 47- 49.

Correlation analysis of canopy density with remote sensing data for different forest stand

YANG Cunjian1,*, NI Jing1, ZHOU Qilin2, CHENG Wuxue1, HAN Shaou1

1ResearchCenterofRS&GISApplication,KeyLaboratoryofLandResourcesEvaluationandMonitoringinSouthwest,MinistryofEducation,SichuanNormalUniversity,Chengdu610068,China2SuiningForestBureau,Suining629000,China

Correlation analysis of canopy density with remote sensing data for different forest stand is basis for estimating canopy density using remote sensing, which is an important field of forest remote sensing. The relationships of the canopy density with Landsat Thematic Mapper(TM, which includes seven bands represented as TM1、TM2、TM3、TM4、TM5、TM6、and TM7) data for different forest stand were explored in Shimian County of Sichuan Province of P. R. of China, and how they were influenced by topographically correcting TM using the Lambert Cosine Correction(LCC) model and the Sun Canopy Sensor(SCS) model was also studied here. Firstly, the topographic database and the forest resource GIS database whose data were acquired in1994 in field were created. Secondly, Landsat TM data acquired on June 26,1994 were geometrically corrected by using topographic maps, and matched well with the forest resource database. Thirdly, TM-LCC and TM-SCS were respectively obtained by topographically correcting TM using LCC model and SCS model. Fourthly, the mean and standard deviation of each band of TM, TM-LCC and TM- SCS for each forest sub-compartment were calculated by overlaying the forest resource GIS data with each band of TM, TM-LCC and TM-SCS, and were added into the attribute table of the forest resource database. 1194 sub-compartment samples of relatively lower standard deviation were selected from the forest resource database. Finally, the samples were stratified into eight forest stands according to their dominant tree, and the correlation coefficients of canopy density with each band of TM,TM-LCC and TM- SCS were calculated for each forest stand. It was shown that the correlation coefficients differ along with different band and different forest stand. Correlation coefficients of canopy density with TM2,TM3,TM4,TM5 and TM7 forTsugachinensis, with TM4,TM5 and TM7 for Abies fabri, and with TM1 for Picea asperata stand were significant at the 99% level of confidence. The highest is the correlation coefficient of canopy density with TM5 for Tsuga chinensis stand, which is -0.324. The correlation coefficient of canopy density with TM1 for Tsuga chinensis stand is significant at the 95% level of confidence. The correlation coefficients of canopy density with each band of Landsat TM forBetula,Quercus,Alnuscremastogyna, soft broadleave and Pinus yunnanensis stand were not significant at the 95% level of confidence. The correlation coefficients of canopy density with TM4and TM5for Tsuga chinensi, Abies fabri and soft broadleave were enhanced by topographically correcting TM4 and TM5 using the LCC model, which are respectively -0.394，-0.374，-0.209，-0.210,0.545 and 0.577, and significant at the 99% level of confidence. The correlation coefficient of canopy density with TM7 for soft broadleave was enhanced by topographically correcting TM7 using the LCC model(from 0.051 to 0.513), and significant at the 99% level of confidence. The correlation coefficients of canopy density with TM4 and TM5 for Abies fabri was enhanced by topographically correcting TM4 and TM5 using CSC model (from -0.170 to -0.213 and from -0.181 to -0.207), and significant at the 99% level of confidence . The correlation coefficients of canopy density with Landsat TM forBetula,Quercus,Alnuscremastogyna,PinusyunnanensisandPiceaasperatawere not significantly enhanced by topographically correcting Landsat TM using the models of LCC and SCS. The study is of important value to stand canopy density remote sensing.

canopy density; forest stand; remote sensing; correlation; sub-compartment

國家自然科學基金項目(40771144); 國家973項目(2009CB421105); 國家863項目(2009AA12Z140)

2013- 06- 10;

日期:2014- 07- 22

10.5846/stxb201306101626

*通訊作者Corresponding author.E-mail: yangcj2008@126.com

楊存建, 倪靜, 周其林, 程武學, 韓沙鷗.不同林分郁閉度與遙感數據的相關性.生態學報,2015,35(7):2119- 2125.

Yang C J, Ni J, Zhou Q L, Cheng W X, Han S O.Correlation analysis of canopy density with remote sensing data for different forest stand.Acta Ecologica Sinica,2015,35(7):2119- 2125.