基于landsat8 OLI的黔中馬尾松蓄積量估測模型研究

蔣維成，譚 偉

（貴州大學 林學院，貴州 貴陽550025）

1 引言

森林的蓄積量是指一定森林面積上存在著的所有活立木材積的總和，是表征森林資源數量的最重要指標［1］，及時、準確地掌握其數量及其動態變化信息對制定森林資源發展規劃、實施森林資源保護計劃等均具有重要意義。馬尾松作為貴州省分布最廣、經濟價值高、用途廣泛的主要造林樹種，因此在貴州林業生產建設中占有極其重要的地位［2］。因此，及時準確地掌握其數量具有極其重要的現實意義。貴州因其地域上的立地差異，馬尾松被劃分為以黔東南地區為代表的Ⅰ類產區、以黔中地區為代表的Ⅱ類產區和以黔西北為代表的Ⅲ類產區［3］。在I類產區，蔡學成等［4］以黔東南的3個縣為研究區，利用中巴資源衛星構建了蓄積量估測模型，得出了該模型用于縣一級森林蓄積量估測具有可行性這一結論?？梢姂眠b感進行森林蓄積量估測具有一定的適用性，而在II類（黔中）產區中，遙感蓄積量估測模型的研究成果至今尚未見報道。自2013年Landsat－8衛星發射升空以來，其OLI傳感器傳回的數據波段數目更精細、信噪比更高、圖像質量更好［5］而被廣泛應用于植被信息提取中，劉杰，吳石磊，朱緒超等［6～8］進行了植被信息提取的應用研究。但其在森林蓄積量估測方面的應用在國內少見報道，故本文以Landsat－8 OLI波段數據與林分郁閉度相結合，為克服自變量因子間多重共線性，本文采用主分析回歸分析法構建黔中馬尾松蓄積量估測模型，旨在為區域馬尾松經營管理提供依據。

2 研究區概況

貴陽，貴州省省會，是貴州省的政治、經濟、文化、科教、交通中心和西南地區重要的交通通信樞紐、工業基地及商貿旅游服務中心。位于貴州省中部，東經106°07′～107°17′。北緯26°11′～26°55′。東與龍里縣、甕安縣接壤；南靠惠水縣、長順縣；西接貴安新區、織金縣；北鄰黔西縣、金沙縣、遵義市?？偟貏菸髂细?、東北低。苗嶺橫延市境，崗阜起伏，剝蝕丘陵與盆地、谷地、洼地相間。植被種類豐富。據初步查明，有維管束植物176科、489屬、1 299種。其中蕨類植物29科、6l屬、145種；被子植物147科、428屬、1 154種。

3 數據處理及篩選

Landsat－8OLI影像數據來源于網站http：／／glovis.usgs.gov／，其空間分辨率為30 m。本文利用 ENVI5.1對數據進行輻射定標、大氣校正、幾何校正以及裁剪等預處理。由于用于卷云測定的B9波段的灰度值趨于0和B8波段全色波段與其余波段存在一定的信息重疊，故本文B1～B7這7個波段的灰度值及NDVI、RVI和DVI作為模型構建的遙感因子與樣地郁閉度結合作為自變量因子進行模型構建。

本文使用研究區230個馬尾松樣地（樣地大小為600 m2），其中200個用于建模，20個用于精度驗證?；谇叭说难芯砍晒?，遙感估測森林蓄積量時自變量因子間可能存在著多重共線性，故在建模前對自變量因子進行了相關性分析，分析結果如表1所示。

由表1可知，自變量因子間存在一定的相關性，沒有毫不相關的，其中各個遙感因子間都存在著多重共線性，如果直接用于回歸建模的話將使得各自變量對因變量的影響很難鑒別，增大模型回歸參數的方差以及增加或減少觀測值時，對模型參數的估計量都會變得非常敏感等問題［9］。故本文通過主成分分析法，將自變量因子集中為少數幾個主要成分上來解決這個問題。

4 模型的構建及精度驗證

4.1 模型的構建

本文運用SPSS20.0對11個自變量因子進行主成分分析，并以特征根大于1作為選擇主成分的標準，主成分分析結果如表2所示。

表2 方差分解主成分提取分解

由表2可知，第一主成分X1的特征根為6.856，解釋了62.323%的方差；第二主成分X2的特征根為2.618，解釋了23.796%的方差，前兩個主成分的累積貢獻率為86.119%，故本文選擇前兩個主成分進行回歸分析建立蓄積量估測模型為：

式中：Y為蓄積量，X1為第一主成分，X2為第二主成分。對模型進行擬合優度檢驗后，模型的復相關系數為0.777；擬合優度為0.605，調整后的擬合優度為0.600，說明該模型擬合效果較好。對模型的顯著性檢驗結果如表3所示。

表3 方差分析

由F統計量的意義可知，F值越大，說明自變量造成的因變量的變動遠遠大于隨機因素對因變量造成的影響。從表3可知，F＝150.299，顯著性概率P＜0.05，F達到極顯著水平，由此可以看出，樣地蓄積量與自變量之間存在顯著線性關系。

4.2 精度驗證

利用剩余的20個樣地對建立的模型進行精度驗證，通過比較分析后，得到該模型估測黔中馬尾松樣地蓄積的總體平均精度為78.68%。

5 結論與討論

5.1 結論

（1）本文利用landsat8 OLI衛星遙感數據的黔中馬尾蓄積量估測最優為：Y＝24.871＋9.463 X1－9.475 X2；模型的擬合優度為0.605，其顯著性檢驗的結果均顯著，說明該衛星數據用于黔中馬尾松蓄積量估測模型的構建是可行的。

（2）本研究利用20個實測樣地對模型進行精度驗證后，其總體精度為78.68%，說明應用landsat8 OLI衛星數據建立黔中馬尾松蓄積量估測模型預測精度較好，可為中尺度馬尾松林分蓄積量估測提供參考，為區域林業經營活動提供依據。

5.2 討論

（1）由于時間關系，本文在建模過程中沒有考慮立地因子，故將立地因子納入自變量與遙感因子相結合建立蓄積量估測模型有待研究。

（2）為克服變量因子間多重共線性，本文僅選用基于參數估計的主成分分析回歸，故其它克服多重共線的參數分析方法如嶺跡回歸、殘差平方和準則以及基于非參數的神經網絡分析等有待研究。

［1］孟憲宇 .測樹學［M］.北京：中國林業出版社，2006.

［2］周政賢，朱守謙，楊世逸 .馬尾松系統研究綜述［J］.貴州農學院叢刊，1984（4）：1～4.

［3］貴州省林業勘察設計院 .貴州省森林經理資料匯編［R］.貴陽：貴州林業勘察設計院，1987.

［4］蔡學成，楊政熙 .基于中巴資源衛星數據的森林蓄積量估測研究［J］.農業與技術，2013，33（12）：86～88.

［5］MIKE T.Operational Land Imager（OLI）［EB／OL］.Retrieved from http：／／www.nasa.gov／mission pages／landsat／main／LD cm OLI intro.html.

［6］劉 杰，劉振波，劉吉凱，等 .基于單時相Landsat8＿OLI影像的棉花提取技術研究［J］.科學與技術工程，2014，14（33）：28～33.

［7］吳石磊 .基于Landsat8 OLI數據的森林郁閉度反演研究［D］.北京：北京林業大學，2014.

［8］朱緒超，袁國富，易小波，等 .基于Landsat8 OLI影像的塔里木河下游河岸林葉面積指數反演［J］.干旱區地理，2014，37（6）：1248～1256.

［9］米 紅，張文璋 .實用現代統計分析方法與SPSS應用［M］.北京：當代出版社，2000.