星載LiDAR與MODIS多光譜數據聯合估測區域生物量

王馨慧， 邢艷秋， 黃佳鵬， 尤浩田， 常曉晴

(1.東北林業大學 森林作業與環境研究中心，哈爾濱 150040；2.桂林理工大學 測繪地理信息學院，廣西 桂林 541004)

0 引言

森林生態系統與其他生態系統相比，具有分布面積最大、生產力最高、生物量積累最多的特點。森林生物量數據是研究許多林業問題和生態問題的基礎，也是碳儲量、碳循環研究的重要參考[1-2]。目前，在全球氣候變暖大環境背景下，森林生物量研究更是趨顯重要。因此，如何準確、高效地完成森林生物量估算已成為當前研究熱點。

利用遙感技術估算森林生物量相較傳統森林調查方法具有速度快、周期短、時效性強、經濟效益高等優點，可以在短時間內和大空間尺度下對森林生物量快速、準確、無破壞地估算，對生態系統進行宏觀監測。目前，利用遙感技術估算生物量的研究有很多，從研究數據方面看，分別通過光學遙感數據[3]、SAR 數據[4]、激光雷達數據[5]進行森林生物估測。從研究方法看，大多采用多元回歸、BP 神經網絡等方法建立遙感信息與實測生物量之間的關系，從而對生物量進行估測，而且利用遙感估測的生物量大多為地上生物量[6-8]。星載大光斑激光雷達(ice，cloud，and land elevation satellite，ICESat)所搭載的地球科學激光測高儀系統(geoscience laser altimeter system，GLAS)可以彌補大多數遙感系統的不足，獲得森林垂直結構信息。段祝庚等[9]歸納總結了利用GLAS 數據估算樹高及生物量的研究，得出由于GLAS 光斑點呈條帶狀分布的特征,使其必須與其他數據聯合以估測區域樹高和生物量的觀點。中分辨率成像光譜儀(moderate resolution imaging spectrora-diometer，MODIS)光學遙感數據相對于其他光學遙感數據具有光譜范圍廣、更新頻率高、單幅影像覆蓋面積大的優點，從而在數據質量、穩定性和空間尺度方面更適用于科學研究。黃國勝等[10]利用MODIS 數據對東北地區生物量進行了估算，但由于MOIDS 數據分辨率較低而導致估測生物量的精度偏低[10]。王成等[11]已將GLAS 數據與MODIS 數據結合使用，建立了BP 神經網絡模型以估測東北三省區域植被高度，但在精度驗證方面未達到較好效果，且沒有進行生物量的計算。當前學者所建立的生物量異速生長模型大多是以樹高和胸徑為變量[12]，這些模型能較好地實現對林木生物量的估算，但是依靠目前的技術水平，還無法在大區域尺度下獲得準確的樹木胸徑。

因此，為了解決上述問題，本研究以黑龍江省伊春市帶嶺區為研究區，將GLAS與MODIS 數據聯合使用，共同估算區域內森林平均冠層高度，彌補僅使用一種數據而導致的不足，利用野外調查數據，建立森林平均冠層高度與生物量之間的聯系，實現區域內森林生物量(地上和地下)的連續、高精度估測，解決無法獲取大范圍林木胸徑參數的難題，從而探索利用遙感信息與地面調查相結合，快速、準確、連續計算區域森林生物量的方法，同時對運用遙感數據進行東北地區大范圍的生物量估測起到一定的參考和借鑒作用。

1 研究區概況與實驗數據

1.1 研究區概況

帶嶺區位于黑龍江省伊春市，小興安嶺南部，地理坐標為128°37′42″W～129°17′38″W，46°51′03″N～47°21′32″N，屬北溫帶大陸性季風氣候，冬季干燥寒冷，夏季濕熱多雨，年平均溫度1.4 ℃，極端最低溫度-40 ℃，極端最高溫度37 ℃，年平均降雨量661 mm，年降雨量最大值836.5 mm，多集中在7—9月的3個月份，全年無霜期為110～120 d。帶嶺區擁有豐富的自然資源，森林資源得天獨厚，主要種類有紅松、云冷杉、水曲柳、白樺等。土壤類型主要為暗棕壤，少量分布草甸土、沼澤土和泥炭土。

1.2 實驗數據獲取與預處理

1)野外調查數據。本文使用的研究數據是于2014年9月在帶嶺地區采集得到的。野外調查采用的方法為分層隨機采樣法，選取了105 個對應GLAS 光斑點的地面作為標準樣地參與森林平均冠層高度模型的構建。在林地森林平均冠層高度-生物量估測模型中共選擇了279個樣地，其中，有146個針葉林樣地、95個闊葉林樣地和62 個混交林樣地。測量因子包括樣地中心坐標、林地類型、優勢樹種、樹高、胸徑、冠層高度、葉面積指數、郁閉度和冠幅等。

野外調查的樣地需要計算樣地生物量和樣地平均冠層高度，以作為建立森林平均冠層高度-生物量模型的基礎數據。樣地生物量表示為樣地內所有林木樹干生物量、樹枝生物量、樹葉生物量、樹根生物量四者相加的和，計算見式(1)。生物量計算所用到公式參照陳傳國研究出的適用于東北地區的生物量異速生長模型[12]，具體見式(2)和式(3)。樣地的平均冠層高度采用Lorey’s的平均高度，如式(4)所示。

(1)

式中：Wt為樣地森林生物量；WSi為第i株林木的樹干生物量；WBi為第i株林木的樹枝生物量；WFi為第i株林木的樹葉生物量；WRi為第i株林木的樹根生物量；n為樣地內林木株數。

W=a(D2H)b

(2)

W=aDb

(3)

式中：a，b是模型參數；D為胸徑；H為樹高。

(4)

式中：HL為第L(L=1，2，…，n)個樣方的冠層平均高度；hi為第i株單木的冠層高度；gi為第i株單木的胸高斷面積；n為樣方內單木株數。

2)ICESat-GLAS波形數據。ICESat 是第一個用于全球大氣觀測、冰蓋高程變化監測、陸地高程和地表植被覆蓋觀測的星載激光雷達傳感器[13]。ICESat-GLAS 提供15種數據產品(GLA01，GLA02，GLA03，…，GLA15)，GLA01產品包含完整的波形數據，GLA14 產品包含地面高程以及經緯度等信息，頭文件中的索引號和光斑號將2種數據產品進行匹配[14]。為了使得數據采集時間盡可能一致,并減少時間差異引起的誤差，本研究選擇了2007—2009年的GLA01 和GLA14數據產品，數據獲取網址為http：//nsidc.org/data/icesat/。

GLAS 數據預處理的目的是為了提取波形長度W和地形坡度參數TS，用以建立GLAS 平均冠層高度模型。首先將GLAS數據轉換成電壓值格式；然后進行標準化、高斯平滑與分解處理。經過平滑與分解后的波形數據可提取W和TS，提取方法參照邱賽等[15]的研究。其中，W為波形起波點與止波點之間的垂直距離，起波點與止波點由背景噪聲閾值確定，背景噪聲閾值的設置參考了以前的研究，并使用前100幀波形數據的平均值和4倍的標準偏差之和[16]。波形長度W的計算如式(5)所示。

W=(sigend-sigstart)×binsize

(5)

式中：sigstart為波形起波點；sigend為波形止波點；binsize為每幀數據代表的真實距離，對陸地而言，binsize取值為0.15 m。研究通過提取地形坡度參數TS以校正地形坡度對波形造成的波形展寬的影響[17]，TS 是對應于地面回波的高斯分量的波形長度Wgf與光斑直徑D的比值反正切[15]，計算方法如式(6)所示。

(6)

式中：Wm為波形被加寬的值。Wm的計算按照Mahoney等[18]在2014年提出的公式，如式(7)所示。

Wm=4.689+0.759A

(7)

式中：A表示地面回波峰值能量值。

3)MODIS數據。研究所使用的遙感數據為美國地質調查局(United States Geological Survey，USGS)提供的EOS/MODIS的陸地產品MOD09A1，該數據空間分辨率為500 m，是8 d合成圖像，數據格式為EOS-HDF[19]。MODIS表面反射產品(MOD09)是陸地2級標準數據產品，空間分辨率為500 m，包括的主要數據為MODIS1-7 波段的反射率數據和其他一些輔助數據，比如太陽天頂角和波段質量數據等[20]。該產品通過大氣校正消除了大氣吸收和散射的影響，并能夠實現地面光譜反射估計。MODIS的8 d反射率產品是在每天的反射率產品的基礎上合成得到的，8 d內的最佳觀測值由總像元質量和觀測覆蓋范圍決定。

MODIS 數據預處理的目的是為了得到每個波段的光譜信息，為建立GLAS 與MODIS 聯合估測區域樹高的模型提供數據。由于MOD09A1為二級標準數據產品，已經過幾何校正和輻射校準，但因其為標準的HDF-EOS格式，投影采用球面正弦投影。為方便后續計算，研究首先通過MODIS專業處理軟件MRT(MODIS reprojection tool)對MODIS數據中7個波段反射率數據進行文件格式轉換，并進行了重新投影、地圖投影和分辨率重采樣的批處理操作，使輸出投影為WGS-84，空間分辨率為500 m的MODIS數據7個波段反射率數據的TIFF圖像[21]；然后使用ENVI軟件中的FLAASH大氣校正模塊工具進行MODIS光譜數據的大氣校正，并通過ARCGIS軟件的掩膜處理工具提取研究區的邊界，以得出研究區域的MODIS圖像，去掉研究區域外的圖像信息，以方便后續的數據處理；最后通過ArcGIS軟件用于根據經緯度值提取MODIS數據圖像每個波段的光譜信息。

4)其他輔助數據。除上述數據外，研究還使用了2013年的森林資源二類調查數據，數據來自于帶嶺林業局。森林資源二類調查數據為帶嶺地區森林資源清查數據，主要包括林地類型、優勢樹種、林齡、樹高、胸徑、冠層高度、郁閉度和冠幅等數據，可以提供帶嶺地區準確的森林類型分布，是建立3種林分類型的森林平均冠層高度-生物量模型的基礎。同時，二類調查數據在本研究中還被用來驗證生物量估算的精度。

2 研究方法

首先建立基于GLAS波形數據的森林平均冠層高度估算模型，計算研究區內所有GLAS光斑覆蓋點的平均林冠高度；然后結合GLAS數據和MODIS數據建立區域森林平均冠層高度BP(back propagation)神經網絡估測模型，將GLAS光斑點覆蓋的森林平均冠層高度從對應的MODIS數據中提取的7個波段信息組成樣本數據集，通過初始化BP神經網絡模型的參數，不斷調整和修改模型的隱層值，根據模型的評價參數確定最佳模型效果，并使用測試集數據來測試已建立模型的泛化能力，得到最優BP神經網絡估測模型，將整個研究區域的MODIS數據的波段信息導入BP神經網絡模型作為輸入，計算整個研究區域的平均冠層高度；最后建立了基于實測數據的生物量-森林平均冠層高度模型，以獲得整個研究區域的生物量信息。

2.1 建立森林平均冠層高度-生物量模型

利用野外實測樣地生物量和實測林分的冠層平均高度，通過Matlab分別建立針葉林、闊葉林、針闊混交林3種林分的回歸估測模型W=aHb(其中，a、b為模型參數)。通過分別構建3種林分樣地生物量與冠層平均高度之間的相關模型，找出對應關系，確定林分模型中a和b的值，進而得到區域的生物量信息。

2.2 建立GLAS森林平均冠層高度估算模型

相比較大范圍獲取森林胸徑參數，森林平均冠層高度參數更容易獲得。因此，本研究建立了基于GLAS波形數據的森林冠層平均高度估算模型，并利用該模型計算研究區所有GLAS光斑點的平均林冠高度。

研究表明，地形坡度會導致GLAS波形展寬，這是影響森林冠層高度估計精度的重要因素[22]。由于地形坡度和光斑大小的影響，波形長度W與真實森林平均冠層高度H之間存在誤差。當局部斜率為α時，波形的最大展寬，即最大估計誤差為Dtanα。本研究從GLAS波形數據中提取地形坡度參數TS，以此最小化坡度對精度的影響[15]。擬建立的平均冠層高度H與波形長度W、地形坡度參數TS的回歸GLAS森林平均冠層高度估算模型如式(8)所示。

H=aW+bDtanTS+c

(8)

式中：a、b、c為各項對應系數。

2.3 聯合GLAS和MODIS建立區域森林冠層平均高度估測模型

GLAS光斑點分布呈條帶狀，不能覆蓋整個研究區域。因此，本研究將GLAS波形數據與MODIS多光譜數據相結合。首先利用GLAS波形數據建立GLAS森林平均冠層高度估算模型，獲得研究區域的所有GLAS光斑點的森林平均冠層高度；然后基于BP神經網絡算法，利用GLAS估算的森林冠層高度和MODIS多光譜數據處理后得到的7個波段信息組成樣本數據集。樣本數據依次劃分為訓練集、測試集和驗證集。其中，為了防止模型構建過程中由于過度擬合現象引起的嚴重失真，樣本數據集被分成比例為3∶1∶1的訓練集、測試集和驗證集，建立了一個基本的單隱層網絡區域連續森林平均冠層高度估算模型。采用Levengerg-Marquardt(縮寫為L-M)作為BP神經網絡的訓練算法，模型訓練目的是最小化樣本輸出和預期輸出之間的偏差，從而建立區域連續森林平均冠層高度的BP神經網絡估算模型[23]。該模型彌補了GLAS光斑分布特征的不足，實現了區域連續森林平均冠層高度的估算，獲得了研究區內連續的森林平均冠層高度，并得到森林平均冠層高度分布圖。

2.4 林分生物量估測

為得出研究區內林分生物量分布信息，利用MODIS數據提取的研究區內波段信息，通過基于GLAS數據和MODIS數據建立的森林平均冠層高度估算模型，獲得研究區森林連續的平均冠層高度，并將其應用于基于實測數據建立的生物量-森林平均冠層高度估算模型，估算整個區域的生物量信息，進而得出研究區域的生物量分布圖。

2.5 模型精度評價指標

為了驗證GLAS森林平均冠層高度估算模型、聯合GLAS和MODIS的森林平均冠層高度估算模型、生物量-森林平均冠層高度估算模型的準確性及評估模型的質量，研究采用決定系數R2、均方根誤差RMSE作為評價指標。

3 結果與分析

3.1 GLAS森林平均冠層高度估測模型

基于W和TS所建的GLAS森林冠層平均高度估測模型的表達如式(9)所示。

H=0.076×W-0.210×DtanTS+13.27

(9)

研究所建立的GLAS森林平均冠層高度估測模型，模型決定系數R2=0.801，RMSE=0.614，決定系數大于0.8，且均方根誤差較小，證明該模型具有良好的擬合效果。為了對森林平均冠層高度估測模型進行模型驗證，選取未參與建模的數據點進行驗證分析。圖1顯示了GLAS森林平均冠層高度估算模型的驗證結果，橫坐標為森林平均冠層高度實測值，縱坐標為森林平均冠層高度估測值，得出驗證模型決定系數R2=0.802，RMSE=0.974。結合圖1可知，整體估測森林平均冠層高度效果良好，精度較高。同時，依據模型評價參數分析可知，該模型得出的表達式符合估測精度需求，可以實現高精度林分平均冠層高度的估測。

圖1 GLAS森林平均冠層高度估算模型驗證結果

3.2 區域森林平均冠層高度BP神經網絡估測模型

經過反復嘗試，聯合GLAS和MODIS建立的森林平均冠層高度BP神經網絡模型的隱含層神經元的數量確定為10。模型結果和誤差統計見表1。

表1 森林平均冠層高度BP神經網絡建模結果

根據表1，可以看出使用訓練集數據(78個隨機選擇的樣本)構建BP神經網絡模型，決定系數R2高達0.886 7，均方根誤差RMSE為0.794；校正集數據用于校正模型的每一層網絡之間的權重和閾值，決定系數R2達到0.936 1，校正集的均方根誤差RMSE為0.443；測試集的回歸效果圖顯示，林冠平均高度的實測值和估測值之間的相關系數R2為0.797 0，均方根誤差RMSE為1.520。圖2為最終獲得的森林冠層平均高度的BP神經網絡訓練集和校正集的回歸效果圖，橫坐標是通過林冠平均高度的實測值，縱坐標是通過BP神經網絡模型獲得的森林平均冠層高度的估測值。

圖2 森林平均冠層高度BP網絡建模結果

從表2可以看出，研究區森林的平均冠層高度為5～25 m，平均約14 m，研究區的西北部和西南部森林平均冠層高度較高，中部以及東南部分地區的森林冠層高度較低。中部以及東南地區森林冠層高度較低是由于此處多分布落葉松以及闊葉樹種，而采集的多光譜數據在9月份，此時落葉松和闊葉樹種葉片開始發黃，光譜信息出現誤差，因此，導致估測的森林冠層高度偏低。不過整體森林平均冠層高度分布較為均勻，分布較為合理，且結合BP神經網絡驗證結果分析，研究建立的模型在估測森林平均冠層高度上是可行的，可以滿足林業應用需求。

表2 森林各區域平均冠層高度估測值

3.3 森林平均冠層高度-生物量估測模型

研究利用野外實測樣地生物量、森林平均冠層高度分別的建立闊葉林、針葉林、混交林森林平均冠層高度-生物量估測模型及結果見表3。

表3 森林平均冠層高度-生物量估測模型建模結果

從表3可以看出，研究所建立的3種森林平均冠層高度-生物量估測模型效果均很好，針葉林森林平均冠層高度-生物量估測模型決定系數R2=0.802，RMSE=0.731；闊葉林森林平均冠層高度-生物量估測模型決定系數R2=0.826，RMSE=0.613；混交林森林平均冠層高度-生物量估測模型決定系數R2=0.794，RMSE=0.334。3種模型的決定系數R2均在0.8左右，說明該模型擬合3種林分的森林平均冠層高度與生物量的效果較好，證明該模型適用于當前數據的應用場景，達到建模要求。

圖3依次顯示了針葉林、闊葉林、混交林森林平均冠層高度-生物量模型的回歸分析，橫坐標表示森林平均冠層高度，縱坐標表示林分生物量。

圖3 森林平均冠層高度-生物量模型回歸分析

從圖3可以看出，模型數據點均勻分布在預測回歸線的兩側，變遷沒有殘差值過大的異常點，整體樣本點的分布大致滿足預測回歸線的走勢，呈現指數分布。利用森林資源二類調查數據(2013年)計算的森林生物量數據，驗證模型的準確性。從其散點圖(圖4)可見，針葉林生物量精度R2為0.761，闊葉林生物量R2為0.692，混交林生物量R2為0.781，模型精度總體比較滿意。結合表2模型評價參數，說明模型擬合效果良好，因此，研究中建立的3種森林平均冠層高度-生物量估測模型可用于估算本研究區內的森林生物量，得到帶嶺各區域森林生物量估測值如表4所示。

圖4 研究區森林生物量精度驗證

表4 森林各區域生物量估測值

由表4可以看出，研究區森林生物量為47.40～190.66 t/hm2，全區域平均值在90 t/hm2左右，在研究區的西北部和西南部森林生物量較高，而在中部以及東南部的地區生物量較低與森林平均冠層高度分布類似。由生物量分布圖上整體可以看出，生物量分布較為均勻，過渡自然符合正常生物分布規律。綜上可知，本研究建立的生物量估測模型具有較高可行性，可以實現對研究區內連續生物量進行較高精度的估測。

4 結束語

為了彌補僅使用GLAS數據無法估算區域內連續森林平均冠層高度的缺陷，提高估算森林生物量的準確性，研究聯合GLAS波形數據和MODIS多光譜數據，從GLAS波形數據中提取波形參數W和TS，結合樣地實測森林平均冠層高度，建立GLAS森林冠層高度估算模型，進而聯合MODIS數據，基于BP神經網絡算法建立區域連續森林平均冠層高度估算模型，對沒有GLAS光斑覆蓋點的區域進行平均冠層高度估算，同時基于野外實測數據建立了區域生物量-森林平均冠層高度估算模型，實現連續生物量估算。通過分析，得出以下結論。

1)基于波形長度W和地形坡度參數TS的GLAS森林平均冠層高度估算模型能夠有效減少地形指數計算引起的誤差，提高模型的準確性。模型決定系數R2=0.801，RMSE=0.614，模型驗證的決定系數R2=0.802，RMSE=0.974。

2)聯合GLAS波形數據和MODIS多光譜數據建立的基于BP網絡算法的森林平均冠層高度估算模型，彌補了GLAS數據因光斑點分布離散且呈條帶狀而無法估算連續平均林冠高度的不足。模型決定系數R2為0.886 7，均方根誤差RMSE為0.794，模型驗證的決定系數R2為0.797 0，均方根誤差RMSE為1.520。

3)利用野外實測樣地生物量、實測平均冠層高度分別建立針葉林、闊葉林、混交林的森林平均冠層高度-生物量估算模型，實現研究區內不同林分類型的連續生物量估算。針葉林、闊葉林、混交林的生物量模型決定系數R2分別為0.802、0.826、0.794，RMSE分別為0.731、0.613、0.344，驗證的決定系數R2分別為0.761、0.692、0.781。

研究聯合GLAS和MODIS數據建立森林平均冠層高度模型，解決GLAS光斑點條帶分布的問題，實現森林平均冠層高度的連續估算；選擇森林平均冠層高度與森林生物量建模，可以解決常用異速生長模型中胸徑參數在較大區域內難以獲取的問題，對運用遙感數據進行東北地區大范圍的生物量估測起到一定的參考和借鑒作用。

由于實驗采用的數據類型較多，導致不同數據之間存在無法消除的時間差，并且研究區內生物量的估測也是經過多個模型綜合計算的結果，因而會產生一定的誤差，影響結果的準確性，后續將綜合考慮多種因素對生物量估算的影響，進而使得研究區內的生物量估算更加準確。