森林蓄積量遙感估測的應用

肖赳夫

摘 要：森林蓄積量是林業資源調查的重要內容之一，傳統的森林資源調查是一項周期長、任務重、勞動強度大的工作。文章采用相關性分析的方法從大量的遙感特征中選取與生物量密切相關且獨立性強的變量，建立森林生物量遙感估測模型。遙感特征與生物量間因子存在明顯的非線性特征，某些與生物量相關性較低的特征與相關性較高的特征一起進入模型時，低特征會在很大程度上影響模型精度，所以，利用線性相關性大小選取特征因子的合理性存在質疑。隨機森林作為非參數模型，可以很好地彌補參數模型的不足，從而提高精度。

關鍵詞：森林;蓄積量;遙感估測;應用

中圖分類號：S771 文獻標識碼：A 文章編號：1674-1064（2022）04-0-03

DOI：10.12310/j.issn.1674-1064.2022.04.033

森林是陸地生態系統的重要組成部分，在全球碳循環和氣候變化中具有重要作用，隨著國民經濟的快速發展，森林資源及其生態作用日益凸顯。森林資源監測和森林經營活動中，森林蓄積量是衡量一個國家或地區森林質量的基本指標，也是評價森林生態環境和森林資源的重要依據。傳統的森林蓄積量依靠人工地面調查為主，需要耗費大量的人力、物力、財力，雖然可以獲得高精度的地面調查數據，但效率低、調查區域有限，無法快速實現區域尺度的森林蓄積量監測。遙感技術的出現極大地改善了傳統森林蓄積量監測效率低的問題，通過結合少量地面樣本數據和遙感變量，建立估測模型，快速高效地實現大區域的森林蓄積量監測。

20世紀中后期，R.Nelson、童慶禧等利用不同的遙感數據利用地面樣本與遙感數據間的關系估測森林參數，其研究結果為森林蓄積量的遙感監測奠定了基礎。隨著遙感技術的發展、傳感器的更新以及估測算法的進步，提高森林蓄積量的遙感估測精度逐漸成為當前的研究熱點之一。在光學遙感數據源中，Lansat 8 OLI以其較高的空間分辨率和光譜質量以及大區域覆蓋的優勢，為森林資源監測提供數據支撐。在此基礎上，目前的研究主要從估測算法的優化、多數據源的結合以及特征的優化選擇等方面進行探索[1]。

1 森林蓄積量遙感估測理論

1.1 森林蓄積量遙感估測的基本思想

運用遙感圖像能夠精準獲取監測范圍的GIS數據，基于非線性模型，構建以樣地規模為單位的蓄積量評估公式，科學評估監測地區蓄積水平，根據森林發展規劃將小班與林班蓄積量評估落到實處。

根據監測客體兩種樣地調研材料和遙感圖像，設定或許對森林蓄積量評估有一定影響的遙感與GIS因子。運用定位科技或依托1：10 000比例尺地形圖，得到樣地與地面監控位置的地理坐標，修正遙感圖像，設計對蓄積量評估有一定影響的遙感比例波段，選取對蓄積量有一定作用的遙感與GIS因子，把圖像轉變成與樣地規模一致的圖像，依托監測地區DEM模型等，梳理各個小班與林班包括樣地模塊在內的數量，核算小班與林班的蓄積數量。根據常規方法核算監測范圍的蓄積數量，剖析森林蓄積量遙感評估可以實現的精準度，并剖析其能夠創造的效益。

1.2 基礎數據的準備

根據森林蓄積量遙感評估的基礎理念，需要實施基于GIS與遙感的森林蓄積量評估，應先運用監測范圍一類與二類樣地相關的GIS與遙感信息，或在監測范圍內設定恰當數目的臨時樣地，得到與其相一致的遙感與GIS信息，構建以樣地為基礎的森林蓄積量評估公式與郁閉度評估方式，再評估監測范圍的蓄積量。所要使用的信息除了構建蓄積量評估公式樣地相關的GIS信息與遙感，還應把監測范圍的遙感圖像轉變成樣地規模相同的遙感圖像，明確將樣地規模作為基礎模塊的遙感圖像各個像元關聯的遙感與GIS信息。

在依據并不充足的地面樣地調研材料與遙感信息，構建將樣地作為單位的森林蓄積量評估公式后，為了解監測范圍的蓄積水平，還應根據林班與小班調研材料、DEM模型等，得到蓄積量評估公式中GIS因子的實際數據、遙感的實際數據。參加構建蓄積量評估公司樣地的GIS信息應通過地面調研方式，具體包含郁閉度、坡度、海拔、齡組等。在構建蓄積量評估公式之后，確定監測范圍內蓄積量具體數值時，應把監測范圍的遙感圖像轉化成以樣地規模作為基礎模塊的遙感圖像，轉化之后所有像元的GIS數據，大多依托小班與林班分布圖、DEM模型等得到有關信息[2]。

1.3 影響蓄積量估測最優變量的選擇

為實現以遙感和GIS為基礎的森林蓄積量定量估測，針對監測區域少量地面調查樣地對應的遙感和GIS因子，以遙感和GIS為基礎的森林蓄積量估測，主要的關鍵問題是科學合理地構建蓄積量估測模型，即在大多數對影響蓄積量估測的遙感和GIS因子中，選擇影響蓄積量估測的主因子，去除對蓄積量估測影響較小或沒有影響的因子[3]。

2 實例分析

2.1 研究區概況

某縣位于地處北緯24°30′36″～25°17′02″、東經102°58′22″～103°28′75″，該地區地勢北高南低，山地與盆地相間，境內山脈多為東北至西南走向，全縣平均海拔在1 500 m～1 800 m。該縣氣候屬北亞熱帶季風氣候區。夏秋多雨濕潤，冬無嚴寒，夏無酷暑，每年旱季為11月至次年4月，雨季為5月～10月，氣溫年差較小，日差較大，年平均溫度16.3 ℃。

目前對森林資源、生態環境和多樹種分布等方面已有研究，但對該區域某單一樹種分布變化的研究較少。本研究圍繞該縣森林植物空間分布變化展開。特別是該地區的荒山綠化造林先鋒樹種，多分布于海拔1 000 m～3 200 m地區，常形成大面積純林。

2.2 數據來源

2.2.1 Landsat 8 OLI數據源

本研究使用Landsat 8 OLI的大氣校正表面反射率（SR）數據，SR數據由原始影像亮度值轉換為地球表面的光譜輻射值，再轉換為地球表面反射率值。

2.2.2 樣地實測數據

該縣2007年森林資源二類調查數據，樣地信息包括蓄積、樹種、樹齡、樹高、胸徑、郁閉度等。

2.3 數據處理

2.3.1 遙感影像處理

由于GEE平臺提供的遙感影像范圍是按衛星的飛行軌道顯示，顯示范圍是正方形，因此，分析處理遙感影像，達到滿足研究要求的精度，保證后期信息數據的真實性。

2.3.2 遙感特征因子提取

森林的構成不相同，則提取的植被參數就有差異，導致不同群落的生物量也各不相同，反映在遙感影像上表現出不同的色調、結構和紋理特征。同時，Landsat 8 OLI影像含有不同的波段，需要通過處理、波段計算、變換、主成分提取等步驟，獲取遙感特征信息指數，結合地面生物量調查數據建立一定的關系，計算或反演大尺度森林生物量，由此，反映遙感影像特征的因子都能夠作為遙感估測思茅松林生物量模型的備選變量。本研究將選取Landsat 8 OLI影像的紋理特征和光譜特征因子，構建某一樹種的蓄積量反演模型[4]。

紋理特征反映的是圖像或圖像區域對應地物的表面性質，同時能體現地物的各種結構與周圍不同環境信息的關系，反映地表所有空間變化信息，從遙感影像中提取紋理特征，獲得紋理信息因子定性或定量的描述。紋理是以灰度值的空間共生特性衡量，紋理的粗細是評價空間變化的一種方法，紋理越細說明變化越快，隨著距離的增大，紋理會出現一定的變化。本研究共應用了6種紋理特征，即均一性（Homogeneity，HO）、相異性（Dissimilarity，DI）、均值（Mean，ME）、角二階矩（Angular second moment，SM）、熵（Entropy，EN）、相關性（Correlation，CC）。

從遙感影像的可見光和近紅外波段中進行不同波段的重組，得到研究中常用的植被指數，是對植被狀況的量化。從植被指數中可以清楚了解植被的生長、葉片的發育情況等。近年來，大量研究通過對植被指數的定性和定量評價判定植被覆蓋度和生長的活力，同時對森林生物量變化作出靈敏反應。因此，本研究共選取8種類型，包括VIS234、SAV12、比值植被指數、MV17、MSR、差值植被指數、大氣阻抗植被指數、地表反照率植被指數。

植被指數是遙感影像可見光和近紅外波段的各種組合運算，是對地表植被狀況的簡單、有效和經驗的度量。在遙感應用領域，植被指數被用來定性和定量評價植被覆蓋及生長活力，同時反映森林生物量的變化。因此，本研究在參考國內外生物量遙感估測中采用的植被指數的基礎上，選取包括多波段線性組合植被指數、歸一化植被指數、簡單比值植被指數和復雜植被指數等類型。

2.4 模型構建

2.4.1 變量篩選

特征選擇是指通過一定的方法選取一個特征子集建立新模型的過程，這個子集包含的特征變量更少，篩選變量前，變量集合中存在大量特征變量，這些變量間可能存在相關性，造成冗余，降低模型的運行效率和擬合精度。為提高模型性能，獲得對模型更重要的變量，需要處理變量得到最優變量，本研究通過SPSS.22的皮爾遜相關系數（Pearson correlation cofficient，PCCs）分析該地區樹種遙感特征因子的相關性，選取與蓄積量相關性p<0.05的遙感特征因子進行建模[5]。

2.4.2 蓄積量模型構建

本研究根據該縣Landsat 8 OLI遙感影像分布提取光譜特征和紋理特征，通過皮爾遜相關系數篩選后，獲取最優的遙感變量參與構建基于遙感變量的生物量估測模型，對比分析多元線性回歸的擬合效果和精度。

遙感圖像綜合記錄了森林的各種特征，如森林的光譜特征、結構紋理特征等。這些特征取決于森林的類型、生長情況和場地條件。因此，可以利用統計建模技術，分析森林蓄積量與遙感影像特征之間的相關性。在此基礎上，利用多元線性回歸技術，森林體積遙感模型可以根據遙感因素的特征間接估計森林體積。

3.2 多元線性回歸模型構建

多元線性回歸模型中，某一樹種遙感變量的決定性系數R為0.259，調整后R為0.236，標準估算錯誤為34.5579，擬合效果一般。

由模型系數顯著性結果可知，如表1所示，模型最終保留變量B、DVI、Albedo、B、B、B、B、WLTZ、WLTZ，建立某一樹種多元線性回歸蓄積量估測最優模型表達式，如公式（4）所示：

Y= 91.654+0.007 B-0.09 DVI-0.076 Abedo+0.095 B+0.138 B+0.087 B+0.104 B+0.016 WLTZ-0.275 WLTZ

（4）

4 結語

本研究以森林二類調查數據為基礎，遙感數據源來自Landsat 8 OLI影像，結合地面角規控制樣地調查數據，提取紋理特征、植被因子、地形因子和K—T變換四類遙感特征因子，利用多元線性回歸模型和隨機森林模型，建立基于遙感特征因子的森林蓄積量估測模型，分析模型精度，獲得最優估測模型的自變量，以期尋找較為理想的建模方法，為區域蓄積量遙感估測提供一定的理論參考。本研究中多元線性回歸模型的R為0.236，RMSE為34.5579，擬合精度有待提高。經過模型檢驗，該模型擬合誤差較大，精度較低，擬合效果不佳，原因可能存在于數據采集和模型選擇上。該研究區地形地勢復雜，在影像數據獲取過程中存在一定程度的誤差，導致在數據獲取和處理中存在問題，此外，建模模型選擇多元線性回歸模型，忽略了森林數據的空間效應，導致有偏估計的產生。隨機森林模型的R為0.887，RMSE為1.1954，擬合精度極高，可以將其作為理想的建模方法。

參考文獻

[1] 王雪，衛發興，崔志新.3S技術在林業中的應用[J].世界林業研究，2005（2）：44-47.

[2] 李崇貴，趙憲文，李春干.森林蓄積量遙感估測理論與實現[M].北京：中國科學出版社，2006.

[3] 龍依，蔣馥根，孫華，等.基于HLS數據的森林蓄積量遙感反演[J].森林與環境學報，2021（6）：620-628.

[4] 唐文靜，李瑩，岳彩榮，等.景谷縣森林蓄積量遙感估測及其動態變化分析[J].林業調查規劃，2021（2）：1-7.

[5] 李坤.區域森林資源蓄積量建模及其普適性研究[D].杭州：浙江農林大學，2020.