云南省思茅區思茅松蓄積量與植被指數關系研究

靳 莉，李 旭，張 超

(1.云南省林業調查規劃院營林分院，昆明 650021； 2.西南林業大學,昆明 650224)

?

云南省思茅區思茅松蓄積量與植被指數關系研究

靳 莉1，李 旭2，張 超2

(1.云南省林業調查規劃院營林分院，昆明 650021； 2.西南林業大學,昆明 650224)

以普洱市思茅區2005年森林資源規劃設計調查 (二類調查) 數據為基礎，基于Landsat TM遙感影像，開展對普洱市思茅區思茅松蓄積量與各類植被指數的定量研究。結果表明:當郁閉度為29%～40%時，蓄積量與環境植被指數EVI的擬合效果最好，相關性最強，擬合優度指數R2=0.42；郁閉度為40%～70%時，蓄積量與歸一化植被指數NDVI的擬合優度最好，相關性最強，擬合優度指數R2=0.561；郁閉度大于70%時，蓄積量與RVI的擬合優度最好，相關性最強，擬合優度指數R2=0.568。坡向對蓄積量與植被指數的關系條件要求不嚴格，在估測蓄積量的時候可以忽略坡向的影響權重。就蓄積量與植被指數擬合模型的效果來看，三次多項式擬合模型效果最佳，較適用于蓄積量與植被指數關系的定量研究。

思茅松；蓄積量；植被指數；思茅區

思茅松(Pinuskeasyavar.langbianensis)為松科松屬常綠喬木針葉樹種，自然分布于云南中南部和西南部，是中國西南部南亞熱帶特有的暖熱性針葉樹種。集中分布于哀牢山西坡以西的南部地區，是這一區域最重要的森林類型，具有極高的生態價值及用材價值[1]。

測定森林蓄積量是林分調查工作的主要目的之一。20世紀70年代，航天遙感技術逐步應用于森林資源調查工作中[2]，自2000年后林分蓄積量的遙感定量估測研究成為林業遙感研究的一個重要領域[3]。植被指數(Vegetation Index)是對植被長勢、生物量等具有一定指示意義的數值，是由若干波段經過數學運算得到的一種簡單而有效的光譜信號。近年來，植被指數已廣泛用來定性和定量評價植被覆蓋情況[4]。然而，針對植被指數與森林蓄積量之間的(分段)線性/非線性關系，目前仍未有較為系統研究的相關報道[5, 6]。

以普洱市思茅區2005年森林資源規劃設計調查 (二類調查) 數據為基礎，基于Landsat TM遙感影像，開展普洱市思茅區思茅松蓄積量與各類植被指數的相關性研究，建立思茅松植被指數與蓄積量之間的數量化擬合模型，旨在為今后基于遙感手段的思茅松蓄積量估測提供借鑒和依據。

1 材料與方法

1.1 研究區概況

思茅區位于云南省南部，隸屬普洱市，是普洱市政府所在地。東沿曼老江與江城縣毗鄰，南與景洪市接壤，西沿瀾滄江與瀾滄縣、勐?？h隔江相望，西北與景谷縣以小黑江為界，北與寧洱縣相連。全區東西長118 km，南北寬72 km，土地總面積39.45萬hm2。全區東西長而南北窄，地勢西北高、東南低，由西北分別向東南、西南傾斜。所屬地理單元為高原亞熱帶南部季風常綠闊葉林地帶、滇西南中山山原河谷季風常綠闊葉林區的瀾滄江、把邊江中游山原刺栲、小果栲林、思茅松林亞區[7]。全區林業用地總面積為32.95萬hm2，占全區土地總面積的83.51%，其中林地面積為25.09萬hm2，活立木蓄積量為 2 105.4萬m3。

1.2 數據及來源

a.普洱市思茅區2005年森林資源二類調查數據，來源于普洱市林業局。b.覆蓋思茅區的Landsat TM數據來源于USGS數據共享平臺，空間分辨率為30 m，成像于2005年1月31日。c.覆蓋思茅區的數字高程模型DEM數據來源于USGS數據共享平臺，空間分辨率為30 m，成像于2009年。

1.3 數據處理

1.3.1 郁閉度及坡向等級劃分

基于思茅區2005年ASTER-DEM數字高程模型，利用空間分析中的坡向分析，生成研究區坡向柵格數據?；?005年思茅區森林資源二類調查小班數據，提取各思茅松小班的坡向數據及郁閉度信息。對郁閉度、坡向兩個因子，參照國家林業局2011年《森林資源規劃設計調查技術規程》[8]進行等級劃分，其中，郁閉度分高、中、低三個等級，坡向分陽坡和陰坡兩個等級。

1.3.2 小班屬性信息提取

在ENVI軟件下通過在Basic Tools→Band Math下輸入各類植被指數的計算公式，提取思茅區Landsat TM影像的植被指數數據，包括NDVI、RVI、EVI等[9, 10]。利用arctoolbox模塊→Convert Shapes To Centroids，提取各思茅松小班的中心點；通過ArcToolbox→Spatial Analyst→區域分析-分區統計工具，提取思茅松各個小班內的平均植被指數；利用ArcToolbox→Spatial Analyst→提取分析→值提取點工具，將平均植被指數賦值于小班中心點，獲得小班中心點上的蓄積量、郁閉度、坡向等信息[9]。

1.3.3 蓄積量與植被指數關系方程的擬合以及檢驗

對不同等級郁閉度以及坡向分類在SPSS軟件下進行回歸分析以及相關分析[11]，并擬合出蓄積量與植被指數之間的最優方程，并對方程的最終結果進行擬合優度檢驗、顯著性檢驗、回歸系數的顯著性檢驗[12]，獲取檢驗系數包括Pearson相關系數[11]。

2 結果與分析

2.1 蓄積量與各類植被指數的相關性

2.1.1 不同郁閉度等級

郁閉度分別為低 (20%～39%，R2=0.05) 和中等 (40%～70%，R2=0.52) 兩個級別時，蓄積量與NDVI在0.01顯著性水平上呈顯著相關。低郁閉度情況下蓄積量與NDVI雖然呈現正相關關系，但關系比較微弱，相關性不強。中等郁閉度情況下蓄積量與NDVI相關性較強，蓄積量越大，NDVI值越大，即植被生長狀態較好，分布比較密集。高郁閉度 (大于70%，R2=0.23) 時，蓄積量與NDVI在0.05顯著性水平上呈顯著相關，蓄積量與NDVI呈現正相關，但相關系數R2=0.23，相關關系比較微弱。

低郁閉度等級下，蓄積量與RVI的決定系數R2=0.049，決定系數相對較小，相關性不強。中郁閉度等級下，蓄積量與RVI的決定系數R2=0.104，相對低郁閉度等級，顯著性提高，相關性相應增強。高郁閉度等級下，蓄積量與RVI的決定系數R2=0.57，相對于中、低郁閉度等級情況決定系數陡然增加，增加幅度分別達到91.4%和81.7%。這說明在高郁閉度等級下，RVI對植被十分敏感。即蓄積量越大，RVI指數越高，能夠很好檢測出綠色植被的覆蓋區域。

低郁閉度等級下，蓄積量與EVI的決定系數R2=0.42，相關性比較強。中郁閉度等級下，蓄積量與EVI的決定系數R2=0.005，決定系數偏小，相關性微弱。高郁閉度等級下，蓄積量與EVI呈現負相關關系，即蓄積量越大，EVI指數越小，決定系數R2=0.02說明EVI對綠色植被的敏感性差，不能夠監測出該地區的植被覆蓋情況。即在低郁閉度自然環境下，EVI植被指數能夠很好地估測出蓄積量大小。

2.1.2 不同坡向等級

陽坡下蓄積量與NDVI在0.01水平上呈顯著正相關關系，但決定系數R2=0.12，相關關系微弱。陰坡下蓄積量與NDVI在0.01水平上呈顯著正相關關系，但決定系數R2=0.05。在陽坡下，蓄積量與RVI的決定系數R2=0.093，相關性不強。陰坡下蓄積量與RVI的決定系數R2=0.072，相關關系不強。陽坡、陰坡下蓄積量與EVI的決定系數R2=0.01，相關性微弱。

2.2 蓄積量與各類植被指數的曲線擬合

2.2.1 不同郁閉度等級

回歸模型只有一個自變量，因此，模型的檢驗就等價與系數的檢驗。

低郁閉度下，NDVI與蓄積量的最佳擬合模型為三次方模型，R2=0.052，但結果值遠小于1，說明低郁閉度等級下郁閉度與NDVI不能夠很好的擬合。中郁閉度下，擬合優度指數最大的為三次方模型，R2=0.516，呈現較強的正相關關系。高郁閉度等級下，蓄積量與NDVI的最佳擬合模型為S模型，擬合優度指數為R2=0.312，即蓄積量與植被指數的擬合關系效果一般。

低郁閉度下，RVI與蓄積量的最佳擬合模型為三次方模型，擬合優度指數R2=0.056，說明RVI與蓄積量在低郁閉度下擬合關系不好。中郁閉度下蓄積量與RVI最佳擬合模型為三次方模型，擬合優度指數R2=0.269。高郁閉度等級下蓄積量與RVI的擬合優度指數R2=0.568，最佳擬合模型為三次方擬合。說明在郁閉度比較高的自然環境下，RVI對植被的靈敏性增強，能夠準確估測出該區域的蓄積量大小。

低郁閉度下EVI與蓄積量的擬合優度指數為R2=0.649，三次方模型的擬合度最高，說明EVI在低郁閉度下能夠準備監測出自然環境的植被覆蓋情況。中郁閉度環境下三次方模型的擬合度最大，擬合優度指數R2=0.007。高郁閉度下三次方擬合和二次擬合的最大擬合優度指數R2=0.146。

2.2.2 不同坡向等級

陽坡下，NDVI與蓄積量的最佳擬合模型為三次方模型，擬合優度指數R2=0.119。陰坡下，NDVI與蓄積量的最佳擬合模型為三次方擬合和二次擬合，R2=0.06。陽坡下，RVI與蓄積量的最佳擬合模型為三次方模型，擬合優度指數R2=0.1。陰坡下，RVI與蓄積量的最佳擬合模型為三次方模型，擬合優度指數R2=0.088。陽坡下，EVI與蓄積量的最佳擬合模型為二次、三次、線性、三次方模型，擬合優度指數R2=0.011。陰坡下，EVI與蓄積量的最佳擬合模型為三次方模型，擬合優度指數為R2=0.022。

3 結論與討論

3.1 不同郁閉度等級與植被指數擬合度存在差異

在低郁閉度等級下，森林蓄積量與環境植被指數EVI的擬合效果最好，相關性最強，擬合優度指數R2=0.42。EVI雖能很好地反映植被覆蓋度的變化，但對土壤背景的變化較敏感。當植被覆蓋度在20%～39%時，EVI隨蓄積量的增加而增加，植被覆蓋度大于40%時，EVI對植被的靈敏度有所下降。

在中郁閉度等級下，森林蓄積量與歸一化植被指數NDVI的擬合優度最好，相關性最強，擬合優度指數R2=0.561。在植被覆蓋度較低的情況下，NDVI容易受到大氣狀況等因素以及土壤背景的影響，導致不能真實反應地表植被生長以及覆蓋的情況。對于同一觀測冠層，暗土壤背景使冠層整體的反射率下降，亮土壤背景使冠層反射率較強，隨著背景土壤亮度的由暗到亮，冠層NDVI值表現出由高到低的趨勢。

在高郁閉度等級下，森林蓄積量與RVI的擬合優度最好，相關性最強，擬合優度指數R2=0.568。RVI是綠色植物的靈敏指示參數，與LAI、葉干生物量(DM)、葉綠素含量相關性高，可用于檢測和估算植物生物量。綠色健康植被覆蓋地區的RVI遠大于1，而無植被覆蓋地面(裸土、人工建筑、水體、植被枯死或嚴重蟲害)的RVI在1附近。植被的RVI通常大于2。當郁閉度大于70%的時候，即在植被覆蓋比較大的自然環境下，用RVI來估測蓄積量比較準確。而當郁閉度小于50%的時候，則不適用于估測蓄積量。

3.2 坡向對蓄積量與植被指數關系的影響可以忽略

無論與何種植被指數做相關性分析，陽坡的決定系數均大于陰坡。即在陽坡條件下，蓄積量與不同植被指數的關系較陰坡下的相關性要強。即在光照充沛的自然環境下，蓄積量越大，植被生長狀態較好，較光照不足的環境下植被密度更大。但是，坡向對蓄積量與植被指數的關系影響不大，在估測蓄積量的時候可以對坡向的影響權重忽略。

3.3 三次多項式擬合模型效果最佳

雖然在高郁閉度等級下，蓄積量與NDVI的最佳擬合模型為S形曲線，但擬合優度指數為R2=0.312，代表蓄積量與植被指數的擬合關系效果一般。在陽坡下，二次、三次、線性、三次方模型均是EVI與蓄積量的最佳擬合模型，但擬合優度指數R2=0.011，擬合效果并不理想。因此，綜合整體模型的擬合結果，從蓄積量與植被指數的擬合模型效果來看，三次方的擬合模型效果最好，適用于蓄積量與植被指數關系的研究。

[1] 李浩，張超，許彥紅. 思茅松空間分布特征研究[J]. 西南林業大學學報，2015，35(01)：47-51.

[2] Huete A R. A soil adjusted vegetation index (SAVI) [J]. Remote Sens Environ，1988 ，(25)：295-309.

[3] 侯長謀，楊燕瓊,黃平，等.基于RS、GIS的馬尾松林分蓄積量判讀模型研究[J]. 林業資源管理，2002，(05): 55-78.

[4] 仝慧杰. 基于多項植被指數的景觀生態類型遙感解釋與分類-以額濟納天然綠洲景觀為例[J].自然資源學報，2007， 6(08): 52 - 64.

[5] 余坤勇，林芳，劉健，等.基于RS的閩江流域馬尾松林分蓄積量估測模型研究[J].福建林業科技，2007，33(01): 22-33.

[6] 劉峰.基于遙感技術的植被分類研究現狀與發展趨勢[J].林業研究學報，2007，12(06): 16 -18.

[7] 溫慶忠，趙元藩，陳曉鳴，等. 中國思茅松林生態服務功能價值動態研究[J].林業科學研究，2010，23(05): 671-677.

[8] GB/T26424-2010. 森林資源規劃設計調查技術規程[S].北京: 中國國家標準化管理委員會，2011.

[9] 廖靖，覃先林，周汝良.利用2種植被指數監測中國6種典型森林生長期的比較研究[J]. 西南林業大學學報，2014，34(03): 57-61.

[10] 徐天蜀，岳彩榮，章皖秋，等.基于多源遙感數據的森林生物量定量評價研究[J].西南林業大學學報，2016，36(03): 126-130.

[11] Fowler J， Cohen L，Jarvis P. Practical Statistics for Field Biology (2nd) [M]. West Sussex: Open University Press，1998.

[12] Noy-Meir I，Walker D，Williams WT. Date transformation in ecological ordination. II. On the meaning of date standardization [J]. J Ecology，1975，(63)：779-800.

Research on the correlation between stocking volume and vegetation indexes of Pinus keasya var. langbianensis in Simao, Yunnan

JIN Li1, LI Xu2, ZHANG Chao2

(1.Yunnan Institute of Forest Inventory and Planning, Kunming 650021, China; 2.Southwest Forestry University, Kunming 650224, China)

Based on the data of the second class investigation of the 2005 Planning and Desining of Forest Resources in Simao District, Puer City and the Landsat TM RS Image, this study carries out the quantitative research of the stocking volume of Pinus Khasys and all kinds of vegetation index in Simao District, Puer City. The results of the research have shown that the stocking volume and the invironmental vegetation index yield the best fitting effects with the strongest correlation of R2=0.42 when the crown density is 29%-40%; the stocking volume and the normalized differential vegetation index (NDVI) yield the best fitting effects with the strongest correlation of R2=0.561 when the crown density is 40%-70%; the stocking volume and the RVI yield the best fitting effects with the strongest correlation of R2=0.568 when the crown density is above 70%. The relationship between the aspect and the stocking volume as well as the vegetation index is not strict, and the influential weightings of the aspect can be ignored when estimating the stocking volume. From the perspective of the effects of the fitting model on the stocking volume and vegetation index, the cubic polynomial fitting model yields the best effects, and it is suitable for the quantitative research of the relation between the stocking volume and the vegetation index.

Pinus keasya var. langbianensis; Stocking volume; Vegetation index; Simao

2017-01-10

云南省林學一流學科建設項目 (No.51600625) 資助；云南省重點學科野生動植物保護與利用 (XKZ200904) 支持完成

靳莉(1969-)，女，學士，工程師， e-mail: 351881880@qq.com。

張超(1980-)，男，博士，副教授， e-mail: zhchgis@126.com。

S791.2

A

1674-8646(2017)04-0182-03