森林生物量遙感估算方法分析

摘要：森林生物量是反映森林生態(tài)環(huán)境的重要指標(biāo)，它的變化不僅影響自然界，還深刻地影響著人類的社會(huì)活動(dòng)。因此，森林生物量的研究對(duì)人類的可持續(xù)發(fā)展具有重要意義。近些年來(lái)，隨著遙感技術(shù)的不斷進(jìn)步，運(yùn)用遙感技術(shù)進(jìn)行森林生物量的估算已成為一種新興的研究手段。本文對(duì)森林生物量遙感估算方法進(jìn)行了深入分析，先介紹了傳統(tǒng)的森林生物量估算方法。進(jìn)而重點(diǎn)整理并總結(jié)基于遙感信息估算森林生物量的四種主要方法。然后，分析了森林生物量遙感估算各方法的優(yōu)缺點(diǎn)與適用情況以及同傳統(tǒng)森林生物量估算方法進(jìn)行比較。最后，在上述的基礎(chǔ)上，對(duì)森林生物量遙感估算方法進(jìn)一步總結(jié)，并對(duì)其未來(lái)的發(fā)展方向進(jìn)行展望。以此為研究者擇優(yōu)選取估算森林地上生物量方法和模型提供有效參考。

關(guān)鍵詞：森林生物量；遙感信息；KNN；人工神經(jīng)網(wǎng)絡(luò)；遙感技術(shù)

1.引言

近些年來(lái)，隨著人類活動(dòng)日益頻繁，全球森林面積銳減，大量使用化石燃料，由此導(dǎo)致的溫室效應(yīng)等環(huán)境問(wèn)題等全球環(huán)境問(wèn)題。所以，全球碳循環(huán)問(wèn)題日漸成為全球環(huán)境變化究領(lǐng)域的熱點(diǎn)問(wèn)題，其中森林生態(tài)系統(tǒng)碳循環(huán)又是全球碳循環(huán)中受人類活動(dòng)影響最強(qiáng)烈的部分[1]。

因此，為了正確評(píng)價(jià)森林在全球碳平衡中所發(fā)揮的作用，森林生物量作為有效衡量森林生態(tài)系統(tǒng)生產(chǎn)力、生態(tài)系統(tǒng)結(jié)構(gòu)功能的重要指標(biāo)[2]，其研究正日益成為人們關(guān)注的重點(diǎn)。隨著航天遙感技術(shù)應(yīng)用技術(shù)的提高，利用衛(wèi)星影像特征判讀數(shù)據(jù)與地面實(shí)測(cè)數(shù)據(jù)建立數(shù)學(xué)模型，進(jìn)行森林資源調(diào)查己越來(lái)越被人們所認(rèn)識(shí)和應(yīng)用。需要注意的是，在對(duì)森林生物量進(jìn)行估算時(shí)，模型的恰當(dāng)選擇是關(guān)鍵問(wèn)題，因?yàn)樗苯佑绊懥松稚锪康墓浪憔取?/p>

2.基于遙感技術(shù)的森林生物量估算方法分析

2.1基于遙感技術(shù)的森林生物量估算方法的機(jī)理分析

生物量是指在一定時(shí)間內(nèi)，單位面積內(nèi)所含的一個(gè)或多個(gè)生物種組成的群落中所有生物有機(jī)體的總干物質(zhì)的質(zhì)量。森林生物量包括喬木層生物量、活地被物層生物量以及動(dòng)物和微生物生物量3個(gè)部分[3]。目前，對(duì)生物量研究的途徑主要有三種：依據(jù)呼吸作用釋放二氧化碳的變化的方法；依據(jù)監(jiān)測(cè)光合作用的方法；依據(jù)對(duì)生物現(xiàn)存量來(lái)進(jìn)行研究的方法。

植物遙感基于對(duì)植物葉片和冠層光譜特征的了解，所以要清楚植物葉片結(jié)構(gòu)和植被結(jié)構(gòu)。從植物遙感—植物與光（輻射）的相互作用出發(fā)，葉片的大小、形狀、結(jié)構(gòu)以及葉綠素含量同植被結(jié)構(gòu)一樣，隨著植物的種屬、生長(zhǎng)時(shí)期及分布的改變而變化的[4]。從植被光譜特征來(lái)看，近紅外區(qū)的反射主要受葉片的葉腔結(jié)構(gòu)控制；在葉片的光合作用過(guò)程中，葉綠素主要吸收可見(jiàn)光中的藍(lán)光、紅光以及少部分綠光；植物的發(fā)射特征主要表現(xiàn)在熱紅外和微波普段。由于隨著植物的生長(zhǎng)發(fā)育的變化，其葉腔結(jié)構(gòu)、細(xì)胞葉綠素含量和水分含量均會(huì)隨之變化，導(dǎo)致葉片的光譜反應(yīng)也發(fā)生相關(guān)變化[4]。因此，通過(guò)對(duì)這些現(xiàn)象及其相應(yīng)的光譜特征變化的研究和多種光譜特征值的合理組合，可有效的進(jìn)行植物與非植物的區(qū)分、不同植被類型的識(shí)別、植物長(zhǎng)勢(shì)監(jiān)測(cè)以及植被生物量估算等研究。植物的反射光譜特征反映了植物的葉綠素含量和生長(zhǎng)狀況，而葉綠素含量與葉生物量相關(guān)，葉生物量又與群落生物量相關(guān)[5]。因此可以采用多波段遙感數(shù)據(jù)來(lái)揭示植物活動(dòng)的信息等。

2.2基于傳統(tǒng)森林生物量研究分析

傳統(tǒng)的森林生物量研究常常以采樣區(qū)內(nèi)一定面積內(nèi)樹(shù)木質(zhì)量為主，采用實(shí)測(cè)數(shù)據(jù)為基礎(chǔ)進(jìn)行宏觀拓展估算或相關(guān)分析的方法，其傳統(tǒng)研究方法有氣體交換法、微氣象場(chǎng)法和收獲法等[6]。

傳統(tǒng)的森林生物量估測(cè)方法需要大量的固定樣地，運(yùn)用相應(yīng)方法進(jìn)行實(shí)地測(cè)量以及相關(guān)部門提供的研究區(qū)統(tǒng)計(jì)資料。其為植被遙感儲(chǔ)備了豐富的地面實(shí)測(cè)數(shù)據(jù)樣本[4]。這些數(shù)據(jù)既是建立生物量模型的基礎(chǔ)，也是驗(yàn)證生物量模型的依據(jù)。但其通常只能獲得點(diǎn)上的數(shù)據(jù)，且耗時(shí)、費(fèi)力、具有一定破壞性，無(wú)法做到實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)[4]，不利于研究生物量的空間分布和變化，而且實(shí)際應(yīng)用中存在著林業(yè)測(cè)量?jī)x器誤差、樣地空間分布的代表性不足等問(wèn)題。

2.3基于遙感技術(shù)的森林生物量估算方法分析

2.3.1遙感信息參數(shù)與生物量擬合關(guān)系的方法

遙感信息參數(shù)與生物量擬合關(guān)系方法基于對(duì)遙感信息參數(shù)和地面觀測(cè)的森林生物量進(jìn)行相關(guān)性分析的基礎(chǔ)上，通過(guò)建立兩者的擬合方程來(lái)估算生物量的方法[7]。

這種方法常常根據(jù)植被的反射光譜特征，利用紅光、近紅外波段的反射率和其他因子及其組合獲得的植被指數(shù)，再同生物量進(jìn)行擬合，從而來(lái)估算森林生物量。從現(xiàn)有資料可以看出：基于樣點(diǎn)觀測(cè)數(shù)據(jù)建立遙感信息參數(shù)與森林生物量之間的回歸關(guān)系模型是基于遙感信息參數(shù)與生物量擬合關(guān)系方法的關(guān)鍵。上述方法中較常用的如多元線性回歸方法，依據(jù)多個(gè)因變量與自變量的最優(yōu)組合建立回歸分析方程，其一般形式為：

y=b0+b1xi1+b2xi2+b3xi3+…+bpxip+i

式中：為第i（i=1，2…n，n為樣本個(gè)數(shù)。）個(gè)樣本因變量觀測(cè)值；稱為第i個(gè)樣本第p個(gè)自變量觀測(cè)值；為的觀測(cè)誤差；為常數(shù)x1，x2，…，xp為y對(duì)應(yīng)于，…，的偏回歸系數(shù)[6]。

在實(shí)際應(yīng)用中，Mynei等應(yīng)用NOAA/AVHRR數(shù)據(jù)，建立了森林NDVI值與各省森林生物量總量的關(guān)系，其方程為：

1/Bimass=-0.377+0.0006·Lat+3809.65·（1/NDVI/Lat2）

馬澤清等在Landsat5.TM遙感圖像數(shù)據(jù)和相應(yīng)野外調(diào)查數(shù)據(jù)的基礎(chǔ)上，建立了植被指數(shù)、影像與植被各器官生物量之間的關(guān)系。其地上生物量多元回歸模型分別為：

Bleaf=11594.663+33.145TM1+60.515TM2-768.449TM3+225.790TM4-27.689TM5+50.638TM7-4062.812RVI

Babove=78434.597+114.335TM1+395.904TM2-4895.496TM3+1462.842TM4-243.747 TM5+490.069TM7-24967.247RVI

楊存建等采用統(tǒng)計(jì)回歸的方法，對(duì)云南省西雙版納熱帶森林植被的生物量與遙感數(shù)據(jù)之間的相關(guān)性進(jìn)行了深入探索[9]。

2.3.2遙感數(shù)據(jù)與過(guò)程模型擬合的方法

過(guò)程模型根據(jù)植物生理、生態(tài)學(xué)原理，通過(guò)對(duì)太陽(yáng)能轉(zhuǎn)化為化學(xué)能的過(guò)程以及植物冠層蒸散與光合作用相伴隨的植物體及土壤水分散失的過(guò)程進(jìn)行模擬，進(jìn)而計(jì)算植被NPP。它從機(jī)理上對(duì)植物的生物物理過(guò)程以及影響因子進(jìn)行分析和模擬。

在眾多NPP估算模型中，過(guò)程模型以其完整的理論框架、清晰的過(guò)程機(jī)理而逐漸趨于主導(dǎo)地位。進(jìn)行NPP模擬時(shí)，主要地表覆被信息、植物的生長(zhǎng)狀態(tài)相關(guān)信息與土壤水分相關(guān)信息需由遙感數(shù)據(jù)提供。目前，較為常用的模型有：TEM模型、CENTURY模型、BEPS模型、TOPOPROD模型、GLO-PEM模型等。

M.Chiesi等利用傳統(tǒng)數(shù)據(jù)和NOAA/AVHRR NDVI數(shù)據(jù)分別應(yīng)用FOREST-BGC模型，并對(duì)模型的模擬結(jié)果進(jìn)行了驗(yàn)證，結(jié)果發(fā)現(xiàn)使用NOAA/AVHRR NDVI數(shù)據(jù)能大大提高模型的估算精度。馮險(xiǎn)峰對(duì)BEPS模型進(jìn)行了輸入變量或部分算法的改進(jìn)，并基于遙感數(shù)據(jù)參數(shù)對(duì)2001年中國(guó)陸地生態(tài)系統(tǒng)凈第一性生產(chǎn)力進(jìn)行了模擬。

2.3.3基準(zhǔn)樣地法

基準(zhǔn)樣地法又被稱為KNN。該算法涉及3個(gè)主要因素：訓(xùn)練集、距離或相似的衡量、k的大小。這種方法最初是由Cover和Hart于1968年提出的，是一個(gè)理論上比較成熟的方法。其基本計(jì)算過(guò)程：算距離：給定測(cè)試對(duì)象，計(jì)算它與訓(xùn)練集中的每個(gè)對(duì)象的距離；找鄰居：選定距離最近的k個(gè)訓(xùn)練對(duì)象，作為測(cè)試對(duì)象的近鄰；做分類：根據(jù)這k個(gè)近鄰歸屬的主要類別，來(lái)對(duì)測(cè)試對(duì)象分類。

此外，Heather Reese等采用K最近鄰分類法對(duì)芬蘭的森林材積和林分年齡等進(jìn)行了估算[9]。Tomppo將KNN算法應(yīng)用于芬蘭國(guó)家森林資源清查，提出了基于KNN的MS-NFI技術(shù)，并得到了良好的估測(cè)效果。

2.3.4人工神經(jīng)網(wǎng)絡(luò)模型法

人工神經(jīng)網(wǎng)絡(luò)也稱為神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)模型，具有四個(gè)特性：非線性、非局限性、非常定性、非凸性。它是近幾年興起的一種新的研究方法，它從微觀結(jié)構(gòu)與功能上模擬人腦神經(jīng)系統(tǒng)，進(jìn)而建立的一種模型，是模擬人的智能[8]，比較適用于機(jī)制尚不清楚的高維非線性系統(tǒng)的研究。目前國(guó)內(nèi)外已有近40余種神經(jīng)網(wǎng)絡(luò)模型，常用的神經(jīng)網(wǎng)絡(luò)主要有BP神經(jīng)網(wǎng)絡(luò)、前向神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、自適應(yīng)神經(jīng)網(wǎng)絡(luò)等。

首先，提出問(wèn)題，確定主要變量及其主要影響因素。然后，要建立ANN學(xué)習(xí)過(guò)程，利用己知的原始數(shù)據(jù)，讓人工神經(jīng)網(wǎng)絡(luò)預(yù)先學(xué)習(xí)。最后，再利用已知的輸入因子來(lái)計(jì)算輸出變量，觀測(cè)并記錄模擬結(jié)果；另選一組原始數(shù)據(jù)（輸入因子）進(jìn)行預(yù)測(cè)計(jì)算，校驗(yàn)預(yù)測(cè)值與實(shí)際值之間的擬合效果。只有當(dāng)模擬和預(yù)測(cè)計(jì)算的擬合效果達(dá)到預(yù)設(shè)條件時(shí)，建模才算完成；否則，重新對(duì)模型進(jìn)行調(diào)整，轉(zhuǎn)到1、2步，直至建模完成為止[10]。

3.基于遙感技術(shù)的森林生物量估算各方法的比較

每種森林生物量遙感估算方法對(duì)森林生物量的研究都有積極的意義，只是所解決問(wèn)題的角度和適用性不同。明確各種遙感估算方法的特點(diǎn)以及它們之間的聯(lián)系，有助于在進(jìn)行森林生物量估算研究之前，選擇最優(yōu)的研究方法和模型，減小估算結(jié)果與實(shí)際值之間的誤差，提高估算精度。所以，各種森林生物量遙感估算方法的特點(diǎn)如下：

（1）遙感信息參數(shù)與生物量擬合關(guān)系的方法的突出優(yōu)點(diǎn)是可以宏觀、連續(xù)地監(jiān)測(cè)植被生物量，并且此種模型簡(jiǎn)便實(shí)用，適合一時(shí)一地一事的情況。但其理論基礎(chǔ)不完備，對(duì)物理機(jī)理認(rèn)識(shí)不足，所建立的經(jīng)驗(yàn)?zāi)Ｐ腿狈V泛的普適性。

（2）遙感數(shù)據(jù)與過(guò)程模型融合方法的理論完善，并對(duì)作用機(jī)理進(jìn)行數(shù)學(xué)描述較好。然而，它通常是方程復(fù)雜、實(shí)用性較低。

（3）KNN算法的門檻較低，并且能冗余量小。對(duì)于重復(fù)較多的待分樣本集來(lái)說(shuō)，KNN方法相對(duì)于其他的方法更具優(yōu)勢(shì)，適用于樣本容量較大的情況，但該算法計(jì)算量較大。在不同研究尺度上，KNN算法比較適合區(qū)域尺度的森林生物量的研究。

（4）人工神經(jīng)網(wǎng)絡(luò)模型方法具有獨(dú)特的信息處理能力，在高維非線性系統(tǒng)且機(jī)制不明時(shí)，它表現(xiàn)出巨大優(yōu)勢(shì)[10]。應(yīng)用神經(jīng)網(wǎng)絡(luò)方法的“黑箱”操作，估測(cè)相對(duì)誤差較小，但不能解釋機(jī)理，模型缺乏生物物理意義。該方法也只適合一時(shí)一地一事的情況，不能進(jìn)行時(shí)間和空間的外推。

4.總結(jié)和展望

傳統(tǒng)的森林生物量估計(jì)相比，基于遙感信息的森林生物量估算方法具有減少野外工作量、節(jié)省投入成本、提高工作效率等優(yōu)點(diǎn)，并可實(shí)現(xiàn)森林資源的實(shí)時(shí)監(jiān)測(cè)，對(duì)人跡稀少、常規(guī)方法難以調(diào)查的地區(qū)更具有優(yōu)勢(shì)，具有重要的社會(huì)意義和經(jīng)濟(jì)意義。根據(jù)已有資料分析，基于遙感技術(shù)的森林生物量估算方法還需要在以下幾個(gè)方面進(jìn)一步開(kāi)展研究：（1）森林生物量監(jiān)測(cè)站點(diǎn)密度較低，需建立標(biāo)準(zhǔn)化觀測(cè)系統(tǒng)和觀測(cè)方法，同時(shí)協(xié)同各個(gè)部門（如：氣象部門、國(guó)土部門和測(cè)繪部門等）的數(shù)據(jù)共享，建立并完善觀測(cè)數(shù)據(jù)庫(kù)。

（2）從多種森林生物量研究方法的比較入手，結(jié)合新興技術(shù)手段，發(fā)展更高效的估算方法。

（3）微觀上從植被生理功能角度利用精確測(cè)量?jī)x器測(cè)定植被生理參數(shù)；宏觀上利用3S技術(shù)獲取研究區(qū)域植被的整體變化信息和發(fā)展趨勢(shì)。多角度分析、多技術(shù)手段融合，拓展了森林生物量研究的視角。

（4）深化森林生物量因子與遙感信息的相關(guān)性研究，識(shí)別因樹(shù)種、樹(shù)齡以及物候期等的不同而引起的生物量差異，以減小因這些差異而引起的估測(cè)誤差。

參考文獻(xiàn)：

[1]楊海軍，邵全琴，陳卓奇，張帥.森林碳蓄積量估算方法及其應(yīng)用分析.《地球信息科學(xué)》，2007，9（4）：5-12.

[2]婁雪婷，曾源，吳炳方.森林地上生物量遙感估測(cè)研究進(jìn)展.《國(guó)土資源遙感》，2011，88（1）：1-8.