農田防護林防風效能的遙感評價

于 穎，楊曦光，范文義

?

農田防護林防風效能的遙感評價

于 穎1，楊曦光2，范文義1※

（1. 東北林業大學林學院，哈爾濱 150040； 2. 東北油田鹽堿植被恢復與重建教育部重點實驗室，東北林業大學鹽堿地生物資源環境研究中心，哈爾濱 150040）

防護林是農田生態系統的重要組成部分，在農田生態系統中扮演著重要的角色。疏透度是一個重要的森林結構參數，被廣泛應用于農田防護林防風效能的評價研究。遙感技術具有高空間分辨率和重復對地連續觀測的特點，可以彌補野外調查工作的不足。該研究以疏透度為研究對象，利用高空間分辨率遙感數據實現農田防護林疏透度的定量估算，得到研究區防護林網疏透度的空間分布。然后根據估算的疏透度，將研究區防護林網分成緊密型，疏適型和稀疏型3類，以此對其防風效能進行評價。研究結果表明，林帶結構參數中平均冠高、葉面積指數和林帶寬度的變量組合與防護林疏透度相關性最好，相關系數達到?0.941。利用此變量建立的估算防護林疏透度的統計模型平均精度達到85.413%。疏透度分類統計結果表明，研究區內防護林網多以疏適型防護林為主，占研究區防護林網面積的60.733%，疏適型防護林具有最優的防風效能。相關研究可以為利用遙感手段進行農田防護林的防風效能評價提供參考依據。

疏透度；估算；遙感；結構參數；防護林

0 引 言

農田防護林是農林生態系統的重要組成部分[1-2]，用于防止自然災害對農業生產的危害，增強農田生態系統的抗干擾能力。農田防護林最主要的功能就是降低風速，減弱土壤風蝕，防風固沙，它是保護區域農業生態系統的屏障，對維護農田小氣候生態平衡具有極其重要的意義[3-4]。

國內外學者利用風洞試驗、野外觀測和數值模擬等方法開展農田防護林體系的防風效能研究[5-8]。曹文生等[9]利用野外觀測的林網迎風面和背風面風速、空氣溫濕度、農田表土層的風蝕深度和積沙厚度數據，分析了章古臺沙地防護林體系防風效能，結果表明，防護林防止風蝕沙化的作用明顯，可降低風蝕和積沙2.5～5.0 cm；改善農田小氣候，促進作物增產。劉鈺華等[10]利用觀測的林網迎風面背風面風速和氣象數據，研究了新疆和田地區防護林防風效能，結果表明，農田防護林在改善農田小氣候和農作物增產方面都發揮了巨大的積極作用。王建勛[11]的研究表明，防護林的防風效能與其林帶結構、林帶寬度、林帶高度、林網的面積和形狀、林緣距離、林帶有無缺口等因子有關。林帶結構不同，其防護效益也有明顯差異[12]。

疏透度是描述林帶結構的一個重要技術參數，不同疏透度的林帶具有不同的有效防護距離和總防風度[13]。因此，疏透度是評價農田防護林體系防風效能的指標之一[14-15]。疏透度測量多采用目測法、方格景框法、概率估測法以及間接模型測度方法，但因測量精度或操作不便等問題的限制，這些方法不能滿足實際應用需求[15-16]。20世紀末，國外學者將數字化掃描方法進一步發展，形成了“光學相機”與“數字圖像處理”軟件相結合的林帶疏透度測定方法，并得到進一步的改善，實現了對林帶疏透度較為精確的定量化測定[15-16]。農田防護林林帶疏透度的準確快速測定，為研究農田防護林林帶結構的優化和防護效能評價提供方法和手段。

疏透度作為農田防護林體系研究的重要指標，雖然已經實現了精確的定量化測定，但是面對大時間尺度和空間尺度上防護林系統的研究，繁重的野外工作無法避免。高成本、長時間的野外數據獲取工作，成為大區域防護林網研究的瓶頸。遙感技術作為一種快速、低廉的對地觀測手段，以其高空間分辨率和重復對地連續觀測的特點，已經被應用到防護林的相關研究中，如防護林帶的識別[17]、防護林連續性診斷[18]以及結合GIS的防護林對作物產量影響的評價[19]。遙感技術以其多分辨率、多尺度、連續觀測的特點，不僅降低了防護林研究外業調查成本，并且為大區域防護林網的研究提供可靠數據，彌補了野外工作的不足，因此，利用遙感技術進行農田防護林防風效能的評價研究具有重要意義。

本研究以疏透度作為研究對象，借助高空間分辨率遙感數據，使用定量遙感技術，反演農田防護林林帶疏透度，并以此作為農田防護林體系防風效能評價指標，分析研究區農田防護林林帶結構及其防風效能，實現防護林防風效能的遙感評價。相關的研究可以為利用遙感技術進行防護林參數提取和防風效能評價的研究提供參考。

1 研究地區與研究方法

1.1 研究區概況

研究區選擇在黑龍江省克山縣境內，研究區面積約20 km×20 km（圖1）。該區域屬于干旱與半干旱季風氣候，受季風氣候影響，風蝕災害嚴重。為了保護農田不受風蝕災害影響，20世紀50年代開始，該區域就已經開始建立防護林網絡，防護林類型主要以楊樹為主，另有樟子松、落葉松農田防護林。農田防護林在該區域扮演著重要的角色。

1.2 數據采集

1.2.1 野外數據

野外數據采集時間為2014年8月。在研究區隨機選取11條典型防護林帶，林帶類型分別為楊樹林、落葉松林、樟子松林。株行距分別為1.5m×2.0 m，1.5m×3.0 m和1.5m×2.0 m。首先進行林帶寬度的測量，然后在每個林帶內設置了0.06 hm2的樣地，記錄樣地內樹種組成和株數，測量樣地內樣木樹高、胸徑、枝下高、東-西和南-北2個方向的冠幅、葉面積指數（leaf area index，LAI）以及光學疏透度。光學疏透度的測量和數據處理參考文獻[15, 20]。LICOR-2200用來測量LAI。LAI的測量時間選擇陰天或者是太陽天頂角大于75°的早晨或黃昏，測量時用90°的遮光板以減少測量人員對測量結果的影響[21-22]。

1.2.2 遙感數據

高分一號(GF-1)衛星于2013年4在酒泉衛星發射中心由長征二號丁運載火箭成功發射，是高空間分辨率對地觀測系統國家科技重大專項的首發星，配置了2臺2 m分辨率全色/8 m分辨率多光譜相機，4臺16 m分辨率多光譜寬幅相機。本研究采用GF-1 PMS相機2 m全色/8 m多光譜數據，獲取于2014年10月7日，稍晚于野外調查，主要受限于衛星重訪周期和數據質量問題。高分一號數據處理主要包括：大氣校正和幾何校正。使用ENVI的FLAASH校正模塊對影像進行大氣校正以獲取真實地表反射率。使用1:10 000比例尺地形圖進行幾何精校正。最后，使用eCognition軟件進行防護林帶的識別以及林帶寬度、長度屬性的提取，具體方法可參考相關文獻[17,23-24]。

1.3 研究方法

疏透度是從水平角度描述林帶特征的變量，而遙感數據是垂直角度觀測數據，因此使用垂直角度觀測的遙感數據直接估算水平角度的疏透度并不恰當。前人的研究表明，疏透度可以利用林帶結構參數估算[12, 25]，而林帶結構參數又可以通過遙感數據獲取。因此，可以利用林帶結構參數作為中間變量，連接疏透度和遙感數據，間接地實現疏透度的遙感估算。本研究選取平均樹高(average tree height)、平均冠高(average tree crown length)、平均冠幅(average crown breadth)、林帶寬度(width of windbreak)、地上生物量(aboveground biomass) Biomass、蓄積量(stem volume above stump height and measured in cubic metres per hectare)Volume、生物量體密度(Density of biomass volume) DBV、LAI和孔隙度(Gap fraction)作為描述林帶結構的參數，經統計分析選取與疏透度相關性高的林帶結構參數，建立統計模型，再利用遙感方法估算對應的林帶結構參數，實現遙感手段估算防護林疏透度。最后，以疏透度作為評價指標，將反演的疏透度按照稀疏結構、緊密結構、疏適結構分成3類，并以此評價研究區防護林林帶結構及其防風效能特征。

2 結果與分析

2.1 疏透度與林帶結構參數建模

利用統計分析的方法分析了疏透度與林帶結構參數的相關性（表1）。結果表明，疏透度與、Biomass、DBV、LAI在0.05的顯著水平無明顯線性關系。疏透度與、Volume以及LAI在0.05的顯著水平線性相關，而與、LAI在0.01的顯著水平線性相關。LAI與疏透度的相關系數可以達到-0.941。因此，選擇LAI作為估算疏透度的自變量，建立線性統計模型。

表1 疏透度與林帶結構參數相關系數

注：*表示0.05的顯著水平，** 表示0.01的顯著水平。

Note: * indicates correlation is significant at 0.05 level, ** indicates correlation is significant at 0.01 level.

利用與疏透度相關性最高的×LAI×作為模型自變量，建立疏透度的統計模型為

式中porosity 代表防護林疏透度，為平均冠高，LAI為葉面積指數，為林帶寬度，íLAIí為3者的乘積。模型的RMSE、標準差和平均精度分別為0.054，0.127和85.413%。在95%的可靠性水平下，疏透度估計值的置信區間見表2。其中，楊樹防護林疏透度估算誤差為32.202%，落葉松防護林估算誤差為7.471%，樟子松防護林估算誤差為6.950%。從估算誤差來看，樟子松林和落葉松林估算精度最好，楊樹防護林的估算精度最低。其原因主要是由于調查樣地中有2個林地進行了人工更新，而更新的樹苗達不到樣地調查尺寸，使得調查數據與實際情況產生偏差，造成估算誤差偏低。圖2為實測疏透度與模型估算疏透度之間的散點圖。從圖中可以看出，預測的疏透度與實測結果有較好的一致性。另外，LAI和的乘積正好描述樹冠所有葉子的總面積，而總面積越大，疏透度越小；總面積越小，其疏透度越大，與疏透度的線性關系符合物理意義。

表2 疏透度估計值的置信區間

2.2 林帶結構參數估算

2.2.1 平均冠高的估算

描述的是防護林的平均冠高，單位以米計算。經統計分析發現，與GF-1數據的第一個主成分（PCA1）相關性最高，在0.01的顯著水平下，其相關系數可以達到?0.913。利用該變量建立的相關性模型如下

式中為防護林的平均冠高，PCA1為GF-1數據第一主成分。模型的RMSE，標準差和平均精度分別為：1.123 m，3.433 m和82.788%。

2.2.2 葉面積指數LAI的估算

葉面積指數往往與植被指數相關性較高，經統計分析發現，在0.01的顯著水平下，比值植被指數與LAI相關性最好，其相關系數為0.850，建立的回歸方程為

式中LAI為葉面積指數，為GF-1數據計算的比值植被指數。模型的RMSE，標準差和平均精度分別為：0.395 m2/m2，0.641 m2/m2和84.159%。

2.2.3 林帶寬度的識別

商業化軟件eCognition在面向對象識別方面有明顯的優勢。因此，本研究利用該軟件實現防護林帶的識別及其相關屬性提取（圖3）。

經過面向對象的分類識別和處理后，研究區共提取出1608條防護林帶，防護林識別精度達到90%。經統計，研究區防護林總面積達到33.242 km2，占研究區總面積的8.311%。利用eCognition軟件提取防護林帶的寬度數據，平均精度和RMSE分別為72.428%和1.903 m，提取的林帶寬度屬性與實測林帶寬度具有良好的一致性。

2.3 研究區防護林防風效能評價

通過遙感手段完成防護林平均冠高和葉面積指數的估算，以及防護林帶的識別和寬度屬性提取，利用公式（1）實現疏透度的遙感估算，從而得到研究區農田防護林疏透度空間分布，并以此作為評價防護林防風效能指標。

本研究將防護林按照疏透度分為3級，分別為：緊密型（疏透度小于20%），疏適型（疏透度介于20%至50%）和稀疏型（疏透度大于50%），結果如圖3所示。防護林疏透度分級標準依據前人的研究結果，Perera[5]研究發現非常濃密的防護林會發生分流現象（疏透度小于20%），增加背風面的湍流再循環，使得防護林的背風面仍然保持很高的風速。相比之下，中等疏透度（疏透度介于20%至50%）的防護林具有更好的防風效能[7]。Vigiak等[4]的研究指出疏透度介于35%至45%之間的防護林具有最佳防護效果。

將反演的疏透度數據按照緊密型，疏適型和稀疏型進行分類統計（圖4）。統計結果表明，緊密型防護林占研究區防護林總量的32.508%，疏適型防護林占總防護林面積的60.733%，而稀疏型防護林占總防護林面積的5.685%。另外，由于估算偏差，產生了1.074%無效數據。研究區60%的防護林疏透度都介于20%至50%之間，這種類型的防護林具有最優的防風效能。統計結果反映出研究區在防護林網建設和維護上做了大量的工作，經過幾十年工作的積累和三北防護林工程的支持，已經建立起一個較好的防護林網體系，有效地阻隔季節性的風蝕災害，保護農田系統，提高農業產量。同時，從結果中可以發現研究區32.508%的防護林呈現緊密型結構，可以通過合理間伐撫育，合理密植，以提高防護林的整體防風能力。對于5.685%的稀疏型防護林應采取相應的保護措施，增加防護林密度，提高其防風能力。

3 討 論

疏透度作為一個重要的防護林結構參數，可以反映林帶結構特點和林帶防護效能。疏透度不同，林帶的防護效能也不相同，并且疏透度與林帶透風系數存在顯著的相關關系。因此，疏透度也可以用來判定林帶結構的好壞和確定不同的林業技術措施[26]。疏透度雖然重要，但獲取方法往往通過傳統的野外調查，調查周期長、成本高，而且只能獲取離散的點數據[15-16]。因此，學者也開展了一些疏透度與林帶結構參數相關關系的研究，但也僅局限于野外調查數據[12,31]。遙感技術具有多尺度、多時相特征，比較適用于大區域地表特征的調查研究，也被應用到與防護林有關的研究中[17-18,27-30]。前人的研究使得利用遙感技術進行防護林疏透度的估算也成為可能。

經過統計篩選，選取了平均冠高、葉面積指數和林帶寬度作為銜接遙感數據與疏透度的中間變量，一方面這些結構參數與疏透度線性相關，另一方面這些結構參數也可以從遙感影像中獲取，因此，利用遙感數據獲取研究區防護林的疏透度信息成為可能。在整個遙感估算過程中盡量選擇簡單的一元模型以簡化計算過程，使技術方法簡單可行，雖然模型精度和結果較好，但多步迭代運算必然會產生累積誤差問題，在95%的可靠性水平下，疏透度估計值的置信區間見表2。

將反演的疏透度數據按照緊密型，疏適型和稀疏型進行分類統計，得到研究區防護林結構特征，并以此作為評價研究區防護林防風效能的指標。結果表明，研究區域60.733%的防護林具有最優的防風效能，并對不合理的防護林網提出了相應技術措施。疏透度可以作為評價防護林防風效能的指標，雖然它還與造林密度、樹種組成、搭配形式有關，但是本研究選取的變量為LAI和的乘積，無論是什么樹種組成和造林密度，此變量描述的均是樹冠內所有類型葉子的總面積，而總面積越大，疏透度越小；總面積越小，其疏透度越大，與疏透度的線性關系符合物理意義。因此，研究解決了用較少變量估算防護林疏透度的問題。

4 結 論

疏透度是研究防護林網空氣動力和評價防護林防風效能的一個重要指標。本研究利用高空間分辨率遙感數據實現了疏透度的遙感估算，并以此作為評價標準，對研究區防護林網防風效能進行評價。研究得到以下幾個結論：

1）林帶結構參數中防護林的平均冠高、葉面積指數和林帶寬度的變量組合與防護林疏透度相關性較好，相關系數達到?0.941，建立的相關性模型平均精度達到85.413%。在林帶結構參數遙感估算和識別基礎上，利用該模型實現疏透度遙感估算并得到研究區防護林網疏透度的空間分布。

2）研究區防護林網的林帶結構良好，具有很好的防風效能，可以有效地削弱風蝕災害對農田的影響，保護農田系統。對于緊密型和稀疏型防護林提出了有效的經營管護措施，改善林帶結構，提高其防風能力，最大程度的發揮其社會、經濟和生態效益。

致謝：感謝溫一博博士、張智超碩士、王宇航碩士在野外數據采集工作中做出的貢獻。

[1] Brandle J R, Hodges L, Zhou X H. Windbreaks in North American Agricultural Systems[M]. New Vistas in Agroforestry, Springer Netherlands, 2004: 65－78.

[2] 朱廷曜，關德新，周廣勝. 農田防護林生態工程學[M]. 北京：中國林業出版社，2001：39－55.

[3] 范志平，宋軒，孔正紅，等. 農田防護林多樣性結構配置方式研究[J]. 河南農業大學學報，2004，38(1)：73－76.

Fan Zhiping, Song Xuan, Kong Zhenghong, et al. Diversity structure distribution of shelterbelts[J]. Journal of Henan Agricultural University, 2004, 38(1): 73－76. (in Chinese with English abstract)

[4] Vigiak O, Sterk G, Warren A, et al. Spatial modeling of wind speed around windbreaks[J]. Catena, 2003, 52(3/4): 273－288.

[5] Perera M D A E S. Shelter behind two-dimensional solid and porous fences[J]. Journal of Wind Engineering & Industrial Aerodynamics, 1981, 8(1/2): 93－104.

[6] Wilson J D. Oblique, Stratified winds about a shelter fence. Part I: Measurements[J]. Journal of Applied Meteorology, 2010, 43(8): 1149－1167.

[7] Wang H, Takle E S. On three-dimensionality of shelterbelt structure and its influences on shelter effects[J]. Boundary- Layer Meteorology, 1996, 79(1): 83－105.

[8] Wilson J D. Oblique, Stratified winds about a shelter fence. Part II: Comparison of Measurements with Numerical Models[J]. Journal of Applied Meteorology, 2010, 43(10): 1392－1409.

[9] 曹文生，邢兆凱. 風沙區農田防護林效益的研究[J]. 防護林科技，1999(1)：5－6.

[10] 劉鈺華，文華，狄心志，等. 新疆和田地區農田防護林效益的研究[J]. 防護林科技，1994，4：9－13.

[11] 王建勛. 防護林在改善農田生態環境中的作用[J]. 新疆環境保護，1998，20(1)：23－26.

[12] 朱廷曜，關德新，吳家兵，等. 論林帶防風效應結構參數及其應用[J]. 林業科學，2004，40(4)：9－14.

Zhu Yanhui, Guan Dexin, Wu Jiabing, et al. Structural parameters of wind protection of shelterbelts and their application[J]. Scientia silvae sinicae, 2004, 40(4): 9－14. (in Chinese with English abstract)

[13] 范志平，余新曉. 農田防護林生態作用特征研究[J]. 水土保持學報，2002，16(4)：130－133.

Fan Zhiping, Yu Xinxiao. Advance in characteristics of ecological effects of farmland shelterbelts[J]. Journal of Soil and Water Conservation, 2002, 16(4): 130－133. (in Chinese with English abstract)

[14] Heisler G M, Dewalle D R. 2. Effects of windbreak structure on wind flow[J]. Agriculture Ecosystems & Environment, 1988, 22–23(7): 41－69.

[15] 關文彬，李春平，李世鋒，等. 林帶疏透度數字化測度方法的改進及其應用研究[J]. 應用生態學報，2002，13(6)：651－657.

Guan Wenbin, Li Chunping, Li Shifeng, et al. Improvement and application of digitized measure on shelterbelt porosity[J]. Chinese Journal of Applied Ecology, 2002, 13(6): 651－657. (in Chinese with English abstract)

[16] 萬猛，潘存德，王梅，等. 農田防護林林帶疏透度數字化測定方法及其應用[J]. 干旱區地理，2005，28(1)：120－123.

Wan Meng, Pan Cunde, Wang Mei, et al. Application of the digitized measurement on windbreak porosity of farmland shelter-forests[J]. Arid Land Geography, 2005, 28(1): 120－123. (in Chinese with English abstract)

[17] Wiseman G, Kort J, Walker D. Quantification of shelterbelt characteristics using high-resolution imagery[J]. Agriculture Ecosystems & Environment, 2009, 131(1/2): 111－117.

[18] Deng R X, Li Y, Wang W J, et al. Recognition of shelterbelt continuity using remote sensing and waveform recognition[J]. Agroforestry Systems, 2013, 87(4): 827－834.

[19] 史曉亮，李穎，鄧榮鑫. 基于RS和GIS的農田防護林對作物產量影響的評價方法[J]. 農業工程學報，2016，32(6)：175－181.

Shi Xiaoliang, Li Ying, Deng Rongxin. Evaluation method for effect of farmland shelterbelts on crop yield based on RS and GIS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(6): 175－181. (in Chinese with English abstract)

[20] Kenney W A. A method for estimating windbreak porosity using digitized photographic silhouettes[J]. Agricultural & Forest Meteorology, 1987, 39(2/3): 91－94.

[21] Chen J M, Black T A. Defining leaf area index for non-flat leaves[J]. Plant Cell & Environment, 1992, 15(4): 421－429.

[22] Yang X, Yu Y, Fan W. Chlorophyll content retrieval from hyperspectral remote sening imagery[J]. Environmental Monitoring and Assessment, 2015, 187(7): 1-13.

[23] Aksoy S, Akcay H G, Wassenaar T. Automatic mapping of linear woody vegetation features in agricultural landscapes using very high resolution imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48: 511－522.

[24] Meneguzzo D M, Liknes G C, Nelson M D. Mapping trees outside forests using high-resolution aerial imagery: A comparison of pixel and object-based classification approaches[J]. Environmental monitoring and assessment, 2013, 185: 6261－6275.

[25] Torita H, Satou H. Relationship between shelterbelt structure and mean wind reduction[J]. Agricultural & Forest Meteorology, 2007, 145(3/4): 186－194.

[26] Loeffler A E, Gordon A M, Gillespie T J. Optical porosity and windspeed reduction by coniferous windbreaks in Southern Ontario[J]. Agroforestry Systems, 1992, 17(2): 119－133.

[27] Mohammadian Behbahani A, Hikel H, Fister W, et al. Estimation of the porosity of wind breaks by using GIS-based ortho-image analysis[C]//EGU General Assembly Conference, 2013: 14112.

[28] Ghimire K, Dulin M W, Atchison R L, et al. Identification of windbreaks in Kansas using object-based image analysis, GIS techniques and field survey[J]. Agroforestry Systems, 2014, 88(5): 1－11.

[29] Coltri P P, Junior J Z, Dubreuil V, et al. Empirical models to predict LAI and aboveground biomass ofunder full sun and shaded plantation: a case study of South of Minas Gerais, Brazil[J]. Agroforestry Systems, 2015, 89(4): 621－636.

[30] Shi X, Li Y, Deng R. A method for spatial heterogeneity evaluation on landscape pattern of farmland shelterbelt networks:A case study in midwest of Jilin Province, China[J]. Chinese Geographical Science, 2011, 21(1): 48－56.

[31] Ozawa H, Sakamoto T, Hagino H. Influence of thinning on the shelter effect of windbreaks as clarified by a wind tunnel experiment[J]. Journal of Forest Research, 2007, 12(3): 222－229

Efficiency evaluation of wind protection of windbreaks by remote sensing

Yu Ying1, Yang Xiguang2, Fan Wenyi1※

(1.,,150040,; 2.(),,(),150040)

As a major part of agroforestry ecosystem, windbreaks play an important role in agroforestry ecosystem. Porosity is one of the most important structural parameters and usually used to the study of the wind protection of windbreaks. However, a small amount of investigation data and the high cost limit the extension of the related studies. It is desired to have a rapid and cost-effective method of identifying and mapping structural parameters of windbreaks on a large field scale. With the characteristics of high spatial resolution and repetition observation, remote sensing technology helps to fill in gaps of field investigation. In this paper, the porosity was described and estimated by using high-resolution satellite imagery. First, 11 parameters describing windbreaks structure characteristics were summarized. They were average tree height, average tree crown length, average crown breadth, width of windbreak, aboveground biomass, volume, density of biomass volume, leaf area index, gap fraction, the product of average tree crown length and leaf area index, and the product of average tree crown length, leaf area index and width of windbreak. A variable with the highest correlation with the porosity was selected by using statistical analysis and then the porosity estimation model was established. The results indicated that variable combining the average tree crown length, leaf area index and width of windbreaks was highly related to the porosity and the correlation coefficient was -0.941. The average prediction accuracy of statistical model was 85.413%. First, the average tree crown length, leaf area index and width of windbreaks were estimated by using remote sensing data, respectively. The average tree crown length was estimated by using the first principal component of GF-1 data with the average prediction accuracy of 82.788%. The leaf area index was estimated by using the ratio vegetation index with the prediction accuracy of 84.159%. The width of windbreaks was identified by using the object-based image analysis (OBIA) approach. Then, the porosity was calculated by using these 3 variables obtained from the high-resolution satellite imagery. The estimated results indicated that there was a good agreement between the estimated values and the measured data. Following this method, the porosity of windbreaks was estimated, and at the same time its spatial distribution in the study area was obtained. Generally, the windbreaks with a high porosity have more pores, and it indicates that more wind can pass through the windbreak and wind reduction is less effective. According to this, the porosity as a good indicator was used to evaluate the barrier shelter effect. According to the estimated porosity value, the windbreaks were grouped into 3 types, i.e. dense (porosity less than 20%), medium (porosity ranging from 20% to 50%) and sparse (porosity larger than 50%), and the efficiency of wind protection was evaluated. The result showed that the main type of windbreaks was the medium and its area occupied 60.733% of the total area of the windbreaks in study area. Medium type windbreaks usually have the optimum efficiency of wind protection. This study can provide useful guide to wind protection of windbreaks based on remote sensing technology.

porosity; estimation; remote sensing; structure parameter; windbreak

10.11975/j.issn.1002-6819.2016.24.023

TP79

A

1002-6819(2016)-24-0177-06

2016-04-23

2016-10-25

林業公益性行業科研專項（201404202），東北黑土區林業生態工程構建技術集成與示范項目資助。

于穎，副教授，主要從事碳循環模型及林業遙感研究。哈爾濱 東北林業大學林學院，150040。Email：yuying4458@163.com

范文義，教授，博士，博士生導師，主要從事定量遙感及GIS研究。哈爾濱 東北林業大學林學院，150040。Email：fanwy@163.com