基于Landsat TM數據的高山松林生物量研究

魏冉冉，徐天蜀

（西南林業大學 林學院，云南 昆明650224）

1 引言

森林是陸地生態系統的主體，森林生物量是反映森林生態系統功能的重要指標，約占陸地生態系統生物量的90%[1]。隨著森林資源的不斷消耗，生態環境的日益惡化，加之《京都議定書》國際協議的簽訂，促使人們加強對森林生物量的研究，并且更加深刻地認識森林生物量及其影響因子的重要性。

在森林生物量的研究中，利用遙感信息對較大尺度森林生物量進行估算是森林生物量研究的一種重要手段。高山松是橫斷山區高山地帶的特有種，是中國松林中分布海拔最高的特有類型[2]，但是基于遙感手段的高山松林生物量研究比較少，尤其是復雜地形和氣候條件下有地學信息參與的高山松林生物量估測模型，所以文章擬利用TM遙感數據和相關地學信息建立高山松林生物量估測模型，以期找出研究區域內高山松林生物量估測最優模型，并為在這種環境下高山松林的研究、開發利用和管理提供參考。

2 森林生物量估算的遙感機理

森林生物量估算的遙感機理主要表現在：植被的遙感圖像信息是由其反射的光譜特征決定的，植物的光合作用表現為對紅光和藍紫光的強烈吸收而使其反射光譜曲線在該部分呈現波谷形態，所以，植物的反射光譜特征反映了植物的葉綠素含量和生長狀況，而葉綠素含量和葉生物量相關，葉生物量又與群落生物量相關，因此，可根據植物反射光譜特征，利用遙感信息來估算陸地植被生物量[3，4]。本文根據該機理利用樣地植被的遙感光譜信息、植被指數和相關地學信息建立高山松林生物量估算模型。

3 基礎數據

3.1 研究區概況

本文以香格里拉縣為研究區域，其地理坐標為東經99°20′～100°19′和北緯26°52′～28°52′。主要研究區域位于云南省西北部迪慶州的東北部。該區地處有“世界第三極”之稱的青藏高原南端，地勢由西北向東南傾斜，山脈、河流南北縱貫，相向并列，高差大，山高谷深，地形復雜，其中高山松林樣地分布在3000m左右的亞高山地區。區域內氣候主要為立體氣候和高原氣候，而且由于地形影響形成地形小氣候，并且受西南季風和南支西風急流的交替控制，氣候條件復雜。這些因素決定了該研究區域的遙感圖像更容易受外界環境的干擾。

3.2 樣地實測生物量

2011年香格里拉地區的高山松林為本文研究對象，利用角規控制檢尺的方法對研究區域內的高山松林進行調查。在每塊林分中隨機布設角規點，記錄每個角規點的GPS坐標，利用該方法對入選木進行每木測量，并以相關生長方程先求出樣地蓄積量，再利用生物量—蓄積量模型求出樣地生物量。本文采用黃從德在《生態學報》上發表的高山松林生物量和蓄積量的函數轉換模型即W＝0.5272V1.0793來獲得樣地實測高山松林生物量，其中W 為生物量，V為蓄積量，該模型是在林分平均碳含量系數為51%～53%時得到的。

3.3 遙感因子的提取

3.3.1 波段光譜值的提取

遙感數據采用2009年Landsat－5TM影像，數據除去第6波段即熱紅外波段的幾何分辨率為120m×120m外，其余波段的幾何分辨率均為30m×30m。在對TM圖像進行輻射校正和大氣校正之后，利用1∶50000香格里拉地形圖，選取50個明顯的地物點對TM影像進行幾何精校正，使得校正后的圖像誤差在一個像元以內。校正后的像元大小為30m×30m。利用ENVI和ArcGIS軟件提取波段光譜值和每個樣地對應的各個波段光譜值，作為生物量建模的因子。

3.3.2 植被指數的提取

不同的光譜通道所獲得的植被信息有著各自的特點，僅用個別波段或多個單波段數據來提取植被信息是相當局限的，因而常常選用多光譜遙感數據經線性或非線性組合，產生對植被長勢、生物量等有一定指示意義的植被指數加以分析[5，6]。在ENVI和ArcGIS軟件的支持下，利用遙感圖像提取植被的NDVI、RVI、EVI、GVI、BI和WI6個植被指數作為生物量建模的相關因子。

歸一化植被指數：NDVI＝（TM4－TM3）/（TM4＋TM3）

比值植被指數：RVI＝TM4/TM3

增強植被指數：EVI＝2.5×（（TM4－TM3）/（TM4＋6×TM3－7.5×TM1＋1）），它通過加入藍波段以增強植被信號，矯正土壤背景和氣溶膠散射的影響。

TM圖像在可見光～紅外7個波段的數據中富含很豐富的植被信息，經過纓帽變換之后數據的前3個因子就反映了植被的土壤亮度BI、濕度WI和綠度GVI特征。

Bright＝0.3037TM1＋0.2793TM2＋0.4743TM3＋0.5585TM4＋0.5082TM5＋0.1863TM7

Green＝ －0.2848TM1－0.2435TM2－0.5436TM3＋0.7243TM4＋0.0840TM5－0.1800TM7

Wet＝0.1509TM1＋0.1973TM2＋0.3279TM3＋0.3406TM4－0.7112TM5－0.4572TM7 3.3.3 地學因子的提取

以經過幾何精校正的TM圖像為底圖，矢量化等高線生成數字高程圖DEM，并在ArcGIS中生成不規則三角形格網（TIN），然后轉化成規則格網（Grid），提取各樣地包括海拔、坡度在內的地學因子參與生物量的估算。

4 高山松林生物量模型

4.1 基于逐步回歸分析的生物量模型

在自變量很多時，其中很多因子可能對因變量的影響不是很大，而且自變量之間會存在各種相互關系，在這種情況下可以選用逐步回歸分析方法對自變量進行篩選分析，并篩選出有顯著影響的因子作為自變量，這樣建立的多元回歸模型的估測效果會比較好。

在SPSS軟件的支持下，對參與生物量估算的14個因子進行篩選，得到6個生物量逐步回歸估算模型。從模型匯總表格給出的6個模型的擬合結果可以看出，模型6的R值是6個模型中最大的，也就是說模型6的擬合程度最高，所以選擇模型6作為生物量逐步回歸分析的模型，其因子作為參與建立生物量模型的變量。

如表1所示，系數表格給出了模型6的回歸系數估計值。根據模型6各個自變量的回歸系數估計值建立生物量估算模型，即：

生物量Y＝－3.363－4.737×WI＋5.130×B5－0.446×坡度＋0.073×海拔－8.895×B3＋9.016×B2，其中Y 為高山松林生物量（t·hm－2）。

表1 模型6回歸系數

4.2 基于主成分分析的生物量模型

在生物量的定量評價中，通常采用多元線性回歸或逐步回歸方法建立生物量與遙感及地學因子回歸模型。這種方法簡便易行，但回歸模型中的變量可能存在多重相關性，從而影響模型的精度，甚至出現病態模型[7]。為了解決變量之間信息的高度重疊和高度相關性帶來的障礙，削減變量個數、保持信息完整性并避免信息丟失的主成分分析方法應運而生。

采用主成分分析方法提取14個因子的主成分，再建立主成分與生物量的回歸模型，由于主成分之間具有相互正交的特性，多個主成分之間相互獨立，這樣既可保留遙感及地學信息的主要特征，又可避免變量之間多重相關[8]。

4.2.1 生物量建模因子的相關性分析

從45個樣地的14個因子的相關系數矩陣分析可知B1和B2、B2和B3、B2和BI、B3和BI、B5和B7、B5和WI、B7和WI這些因子之間存在顯著的相關性，其相關性都在0.95以上。若利用這14個因子直接建模，則存在著嚴重的多重相關問題。如果直接剃除顯著相關的變量，可能會造成信息損失。因此，擬采用提取主成分的方法，建立基于主成分的森林生物量估測模型。

4.2.2 提取主成分

對原始數據進行主成分分析，當主成分滿足以下條件之一：①累積方差貢獻率到達85%～95%；②累計特征值乘積≥1[9]，就可以認為這n個主成分代表了原來m個因子的主要信息，至此主成分分析結束。

從總方差解釋表中得出前5個主成分的累積方差累積貢獻率達到96.764%，并且涵蓋了原始變量的主要信息，符合主成分提取要求，所以提取前5個主成分作為高山松林生物量建模的輸入變量，并根據因子載荷矩陣建立主成分的特征向量矩陣，建立各個主成分分量模型。

4.2.3 建立主成分生物量模型

根據主成分特征向量矩陣建立以下5個主成分分量模型：

利用已建立的5個主成分分量方程，計算45個樣本的5個主成分值。以主成分值作為自變量，樣地生物量為因變量，建立森林生物量線性回歸估測模型：

該生物量估測模型中，Y為高山松林生物量（t·hm－2），Y1～Y5為5個主成分值。

5 模型結果及檢驗

對建立的基于逐步回歸分析和主成分分析的高山松林生物量模型分別進行方差分析和線性回歸關系的顯著性檢驗，其結果見表2和表3。

表2 逐步分析模型方差

表3 主成分分析模型方差

如表2表3所示：從F分布統計表中可以查出在0.01的顯著性水平下，F檢驗達到顯著水平，Sig＜0.05，兩個高山松林生物量模型和參與模型的因子之間具線性相關關系，相關系數R分別為0.519和0.581。根據建立的生物量估算模型計算生物量擬合值，結果見圖1。

6 結果與討論

（1）本文利用逐步回歸分析和主成分分析兩種方法分別建立高山松林生物量估測模型，從模型結果中可以看出，基于主成分分析的生物量估測模型消除了逐步回歸模型變量的多重相關性，同時盡可能保留了變量信息的完整性，并提高了模型的估測精度。

圖1 實測生物量與模型擬合值

（2）本文采用的兩種建模方法得到的結果中，高山松林生物量模型的精度分別為0.519和0.581，估測精度較低，如何提高模型的估測精度有待進一步研究。

影響估測精度的原因有以下幾點：①樣地的坐標、高程定位采用手持式GPS，由于GPS定位精度的影響，像元會出現偏移；②樣地生物量是利用生物量－蓄積量的轉化模型計算得出的，該模型不完全適應研究區域，因而計算出的數據較之實際數據存在誤差；③樣地調查方法采用角規檢尺的方法，樣地大小不確定，與TM圖像像元大小有較大出入，加之樣地位于高山峽谷之間導致遙感圖像的變形，使得地面實測數據和像元空間位置的平配性降低；④樣地數量較少，不是均勻分布于研究區域，并且樣地分布區域的環境有很大差別，例如小區域干熱河谷和濕度相對較大的地區，或者海拔較高地區陰坡和陽坡，其森林生長程度及各種反映在TM圖像上的光譜特征如濕度、綠度，甚至植被分布的高度都有差別；⑤在實際樣地調查中，存在森林人工破壞和自然破壞的影響，這種情況下的樣地生物量和其他樣地有較大差別；⑥TM光學影像只能獲取樣地森林的表層光譜信息，缺少立體垂直信息，進而影響生物量的估測精度[10]。

（3）本研究以角規檢尺為調查方法，在每木胸徑調查的基礎上進行基于光學遙感數據的生物量估算，能快速地對復雜的地形和氣候條件下的高山松林生物量進行定量評價，并為以后香格里拉縣高山松林的研究、開發利用和保護、管理，以及動態監測研究提供參考。

[1]徐新良，曹明奎.森林生物量遙感估算與應用分析[J].地理信息科學，2006，8（4）：122～128.

[2]吳兆錄，黨乘林，王崇云，等.滇西北高山松林生物量的初步研究[J].云南大學學報，1994，9（3）：220～224.

[3]張佳華，符淙斌.生物量估測模型中遙感信息與植被光合參數的關系研究[J].測繪學報，1999，28（2）：128～129.

[4]國慶喜，張 鋒.基于遙感信息估測森林的生物量[J].東北林業大學學報，2003，31（2）：13～16.

[5]楊存建，劉紀遠，張增祥.熱帶森林植被生物量遙感估算探討[J].地理與地理信息科學，2004，20（6）：22～25.

[6]趙英時.遙感應用分析原理與方法[M].北京：科學出版社，2003.

[7]徐文科，蔡體久，琚存勇.基于RS和GIS的毛烏素沙地荒漠化程度定量估測[J].林業科學，2007，43（5）：48～53.

[8]徐天蜀，張王菲，岳彩榮.基于PCA的森林生物量遙感信息模型研究[J].生態環境，2007，16（6）：1759～1762.

[9]吳曉麗.滇中地區云南松林生物量及碳儲量遙感估測模型研究[D].昆明：西南林業大學，2009.

[10]岳彩榮.香格里拉縣森林生物量遙感估測研究[D].北京：北京林業大學，2011.