基于遙感影像的森林質量評價方法研究

王珠娜 胡 月 張亞昊 佃袁勇 汪貽喜 袁 琳

(1.鄭州市林業產業發展中心 鄭州 450015；2.華中農業大學園藝林學學院 武漢 430070； 3.湖北林業信息工程技術研究中心 武漢 430070)

林分質量是森林生態、社會和經濟方面功能及價值的綜合體現[1]，及時進行林分質量的評價，不僅能反映出森林資源的變化趨勢，便于對過去經營管理工作做出總結，也是評估森林發展潛力，更好實現森林可持續經營和區域環境改善的決策基礎[2]。研究者們已在森林質量方面做出大量研究，主要基于地面調查數據，根據不同的研究目的[3-6]，和不同的研究尺度[7-8]，從林分結構、林分活力、立地質量、干擾程度等方面篩選相關指標并確定權重，構建了多種多樣的林分質量評價體系[9-11]。當前，基于地面調查數據開展森林質量評價是主流方法，雖然該方法能比較準確地描述森林資源狀況，但耗財耗力，并且調查和復測周期長，不能及時反映森林資源質量的空間分布變化。而遙感途徑因為具有容易重復獲取大范圍監測數據、成本低、估測便捷等優點[12-13]，現已廣泛應用于大范圍的森林資源的監測與評估[14-15]。遙感所得的數據在森林資源監測研究方面主要有定性和定量兩種應用方式，前者主要用于地表覆蓋或地物類型識別和變化檢測[16]，后者在林業中表現為對森林資源參數的定量反演，如對樹高、胸徑、郁閉度、生物量等森林結構參數的反演[17-18]。光譜和紋理特征常用來預測森林結構參數、碳儲量、生物量等林分變量，而這些林分變量也是森林質量評價體系的重要組成部分[17-18]。

新密市屬典型的溫帶季風氣候區，歷史上以煤都和農業生產聞名，存在采空區，還有部分石質土。經過農田防護林建設和荒山地造林植樹，新密市現已是鄭州市森林覆蓋率最高和喬木林面積最多的縣市。新密市森林的這種變化具有典型的代表性，因此，選擇該區域作為研究對象，探討基于遙感影像數據開展區域尺度森林質量評估的可行性。擬以小班為評估單元，通過提取小班對應的遙感指標，建立與林分質量密切相關的林地生產力、林分結構和干擾程度之間的關系，采用熵值法確定遙感評估試驗區的森林質量的方法，并通過線性擬合方法檢驗評估的結果比較各遙感指標在模型中的貢獻程度，為遙感數據在大尺度林分質量評價提供一種新的思路。

1 研究區概況

新密市(34°19′～34°40′N，113°09′～113°41′E)地處河南省中部，嵩山東麓，四季分明，年均溫14.5 ℃，年蒸發量1 730.3 mm，年無霜期200 d左右。地形復雜，西面、南面和北面屬于低山丘陵區，市中丘陵交替錯雜，東面為平原區，海拔在115～1 108.5 m之間。受氣候和地形影響，降水量分布不均，表現為北部和南部山區降水較多，中部與東部河谷平原較少。土壤以褐土為主，微堿性。新密市森林覆蓋率44%，是鄭州市西部生態屏障的重要組成部分。

2 數據源與研究方法

2.1 數據源

本研究主要使用2018年6～9月影像合成的新密市哨兵二號影像，控制云量低于5%，進行植被指數和紋理特征的提取。使用2017年和2018年生長季歸一化植被指數最大值的合成影像，計算干擾指數。輔助數據包括新密市2018年森林資源規劃設計調查數據、行政區劃數據和30 m分辨率數字高程數據。遙感數據從Google Earth Engine(GEE)平臺獲取，基礎數據來自鄭州市林業產業發展中心、地理國情監測云平臺和地理空間數據云。

2.2 研究方法

2.2.1 樣本篩選

基于森林資源規劃設計調查的林地變更數據的獲取時間跨度大，并且影像為保證無云而涵蓋整個生長季，因此遙感影像反映的地被情況與森林資源規劃設計調查結果并不能完全匹配，需要對森林小班進行篩選，作為驗證樣本。輔助數字高程模型(DEM)數據和高精度影像，使小班隨機散布在低海拔到高海拔、城市到城郊區域，重點核對郁閉度和混合像元小班的地被類型，刪除調查和影像對應不上的小班，最終確定523個樣本。各個小班的森林質量評價按照張會儒[4]等研究成果，在小班尺度上，選擇生產力、結構、健康水平、多樣性、更新等指標，衡量小班的健康程度，采用熵值法計算小班質量得分值，各個樣本小班的地面質量評價得分值如圖1。

圖1 小班樣本林分質量得分統計直方圖

2.2.2 評價因子選擇與提取

為達到評價需求，參考小班評價體系相關研究，考慮可及性和可靠性，選取植被指數、紋理特征和干擾指數三類遙感指標，分別對應林地生產力、林分結構和干擾程度。

(1)植被指數。林地生產力水平一般可由單位面積林木蓄積量反映，參考遙感估測森林蓄積量相關研究，選取全球環境監測指數(GEMI)[19]、歸一化植被指數(NDVI)[20]、增強型植被指數(EVI)[20]、比值植被指數(SR)[21]、葉綠素紅邊模型(CRM)[21]和葉綠素綠光模型(CGM)[21]等6個與森林蓄積量相關性較高的植被指數，參與遙感估算林分質量模型的構建。植被指數由對綠色植被理化性質敏感的波段組成，特別是葉綠素紅邊模型，利用到植被反射光譜斜率很大的紅邊位置，能夠很好地描述葉綠素濃度及林分生產能力。

(2)紋理特征。能夠反映影像自身屬性，因此增強了對異物同譜、同物異譜對象的識別。眾多紋理分析方法中，灰度共生矩陣(GLCM)方法由于適應性和魯棒性強、計算量小，近年來被廣泛應用于林分結構反演[22]。

由于哨兵二號波段數較多，選擇與植被監測密切相關的10個波段(除B1、B9、B10波段)，重采樣到20m分辨率，進行主成分轉換，并提取第一主成分，在3×3窗口下計算常用的八個紋理特征。分別是均值(Mean)、方差(Variance)、協同性(Homogeneity)、對比度(Contrast)、相異性(Dissimilarity)、信息熵(Entropy)、二階矩(Second Moment)和相關性(Correlation)[23]。

(3)干擾指數(D)。新密市森林景觀與農田、建筑鑲嵌分布，易受人為活動影響。借助Zurlini提出的干擾程度量化公式，以一定年份間隔下相同或相近月份歸一化植被指數的變化值來反映森林覆蓋度的變化[24]。指數絕對值越大，說明變化越劇烈；越接近0，說明變化越小。具體公式如下：

2.2.3 指標權重確定及評價模型的構建

熵值法是一種客觀而深刻反映指標區分能力并賦以權重的算法，可信度高且簡單易實現。一個系統有序程度的高低可以用熵值來表示，若該系統無序程度高，則系統熵值小，包含的信息量多，權重大，反之則無序程度低，權重小[25]，確定權重的具體步驟參見文獻[26]。

基于2.2.2中的遙感因子構建林分質量(SQ)評價體系(圖2)，將篩選后樣本的遙感指標得分值作為輸入數據，通過熵值法確定各指標權重，得到遙感估算林分質量模型。利用線性回歸方法的決定系數評估遙感森林質量能夠解釋的變異性。

圖2 遙感估算林分質量評價體系

3 結果與分析

3.1 遙感指標與小班質量得分的相關性分析

除紋理指標中的相關性和均值外，其他所有遙感指標都和小班質量得分呈極顯著相關(P<0.001)。其中植被指數和小班質量得分呈極顯著正相關，并且相關系數都在0.7以上。干擾指數和紋理特征同小班質量得分的相關系數較低，分布在-0.21～0.19之間，其中對比度、相異性、信息熵和方差同小班質量得分呈極顯著負相關(圖3)。

圖3 遙感指標與小班質量得分之間的相關性

3.2 指標權重

遙感林分質量評價指標的權重(表1)，整體權重按從大到小排序依次是紋理特征>植被指數>干擾指數。紋理特征中，對比度和二階矩的權重較大，均值、信息熵和相關性的權重較小。植被指數中，比值植被指數和葉綠素紅邊模型的權重較大，歸一化植被指數的權重較小。干擾指數的權重最小。

表1 遙感林分質量評價指標的權重

續表

3.3 遙感量化模型驗證

為評價模型的適用性，將遙感預測結果與小班評價結果進行線性擬合，得到線性回歸方程y=1.030 3x，決定系數R2=0.986 1。結果表明：對于小班質量得分較低的樣地，遙感預測質量偏高，在小班質量得分較高的樣地，遙感預測質量偏低，但是從總體趨勢上看，樣點在回歸線兩側均勻分布，且按質量由低到高，每一區段的樣本數基本相等，說明遙感反演模型能夠較好的反映林分質量狀態(圖4)。

圖4 遙感量化模型精度驗證

3.4 全市林分質量等級空間分布

由于遙感量化模型精度較高，依照樣本各指標取值范圍，將模型應用到全市森林小班，并采用自然斷點法將樣本林分質量劃分為優(0.615 991～0.851 743)、良(0.511 082～0.615 990)、中(0.405 818～0.511 081)、差(0.165 533～0.405 817)4個等級(圖5)。新密市森林總面積413.742 km2，整體森林質量良好。其中質量優良的林分面積為265.381 km2，占總面積的64.14%，主要分布在北部、西北和西南的山崗地區；質量為中等的林分面積為115.154 km2；質量為差的林分有33.207 km2,占總面積的8.03%，主要分布在新密市中部建筑和道路附近。

圖5 新密市林分質量等級空間分布圖

4 結論與討論

4.1 結論

基于遙感數據的林分質量評價方法是可行的，采用小班調查所得林分質量進行驗證，遙感林分質量反演模型的決定系數達到0.986 1，說明遙感量化林分質量得分能夠在一定程度上反映地面林分真實狀態和經營管理水平。植被指數、紋理特征和干擾指數等遙感指標確實能夠反映森林植被生產力、林分結構和所受干擾等狀況。其中，二階矩、對比度和方差能明顯反映小班間林分質量差別，而干擾指數和歸一化植被指數的作用相對較小。

4.2 討論

(1)基于遙感數據的林分質量評價方法簡單可行。首先本研究采用的樣本數據來源于二類小班調查資料，屬底層資料，廣泛且易獲取。其次，在大數據背景下，隨著遙感技術的發展以及在林業中應用的深入，全面的林業遙感統計資料已經可以滿足樣本的需求。再者，熵值法可以很好地挖掘數據本身蘊含的信息，基于完整的樣本數據，通過指標的變異系數反應區分能力。本方法涉及的數理知識簡單易懂，操作和計算簡單，僅需替換原始數據，通過模型中權重的變化，即可獲得評價結果，適用于不同區域的森林，易于在基層推廣。

(2)遙感指標在森林質量評價的作用存在一定的差異。在本次試驗中，紋理特征作用較大，較好地反應了森林空間結構特征[16-18]。干擾指數作用相對較小，這與林麗麗[19]等用層次分析法研究得到的結果一致。一方面是因為研究區森林整體受到較好保護，或不同小班間的干擾程度本身沒有差異；另一方面是因為1年的時間間隔太短，干擾活動范圍小、強度低，把時間間隔拉長到3～5或5～10年才能使歸一化植被指數變化值達到顯著水平。

(3)評價指標的選擇和指標提取過程中的參數設置直接影響林分質量評價的精確度。本研究將各類林分作為一個整體，未區分森林類型和優勢樹種，若要考慮樹種生長特性并滿足森林多功能經營的需求，后續可根據不同的經營目的，增加水源涵養、水土保持和碳匯功能等新型指標[32]，多方位呈現森林質量。另外，本研究遙感評價模型中，紋理特征權重最大。窗口大小、像元間距、方向和量化等級等參數影響紋理特征值的計算，其中又以窗口大小的影響程度最大。當窗口大小與空間自相關分析的結果相對應時[33-34]，評價精度可能會進一步提高。

(4)與地面的森林質量對比，遙感評估的森林質量呈現出在森林質量水平較低時評估偏高，在森林質量水平較高時，評估偏低的現象。高估現象可能是因為在開闊林分和幼齡林中，樹冠之間相對獨立分離，灌木、草本等林下植被以及裸地影響林分反射率。低估現象可能是因為在茂密林分中，樹冠重疊度高，生物量高，達到了光學影像反演森林質量的飽和點，若增加冠層密度建模，可能有效緩解飽和現象[28]。高值低估和低值高估現象也出現在遙感估算地上生物量[29]、冠層蓋度[30]、林分密度和胸徑[31]等諸多研究中。