基于ENVISAT ASAR数据的高山松林蓄积量估测模型研究

李 毅，徐天蜀，王晓宁

(西南林业大学林学院，昆明650224)

基于ENVISAT ASAR数据的高山松林蓄积量估测模型研究

李 毅，徐天蜀，王晓宁

(西南林业大学林学院，昆明650224)

以香格里拉县南部为研究区，利用ENVISAT ASAR双极化数据，基于数理统计方法对该地区的高山松林蓄积量估测模型进行研究。首先分析HH，HV，HV/HH值与高山松林样地蓄积量之间的相关性，结果为HV极化数据与蓄积量相关性最高;然后建立简单线性模型、指数模型以及加入地理因子的多元线性模型与非线性模型，得出指数模型为最优模型;利用独立的检验样本对最优模型进行精度评价，预测值与实测值基本相符合，平均相对误差为14．41%。

ENVISAT ASAR;后向散射系数;高山松;蓄积量模型

引言

森林蓄积量是评价森林生产力的一个重要指标，单位面积蓄积量的大小标志着林地生产力的高低及经营措施的效果［1］。传统的森林蓄积量调查方法是一、二类调查，存在着劳动强度大、调查周期长、人财物投入大等问题［2］。探讨高效和高精度的森林蓄积量估测的新方法，可以减少地面调查的工作量，快速、准确地进行森林总蓄积量预测。遥感技术是估测大尺度空间森林蓄积量的有效手段。TM，AVHRR，SAR等数据以及多源数据在森林蓄积量估算方面广泛应用，并取得了显著效果。运用遥感技术进行森林蓄积量估算时，所采用的数据源不同，分析方法也不相同。

从上世纪90年代开始，很多学者利用雷达遥感数据对森林蓄积量估测进行了研究［3－5］。目前大量的理论和试验结果都已证实，雷达后向散射系数与森林蓄积量和生物量有着密切的关系［6－7］。微波具有穿透树冠的能力，能与树叶发生作用，主要与森林的主体——枝和树干发生作用［8］。雷达遥感为森林蓄积量全面而精确的估测提供了有效数据。

根据国内外的研究资料表明，ASAR数据可用于森林蓄积量的估测。T．Manninen［9］应用ASAR的极化比对叶面积指数进行估测，精度达到了应用水平。Julien等［10］使用ENVISAT ASAR数据提取西伯利亚的森林信息，结果显示，HV极化数据可以用于林地和非林地的森林制图。

朱海珍等［11］以东北大兴安岭地区的图强林业局作为试验区，基于统计方法对多时相ENVISAT ASAR数据进行森林蓄积量估测研究，最后利用独立的检验样本对估测结果进行评价，均方根误差(RMSE)为16.526 m3/hm2，与实际情况基本相符。本文根据高山松林对微波信号相应的特点和ENVISAT ASAR APP数据的特点，探讨利用ASAR数据建立高山松林蓄积量估测模型的潜力。

1 研究区概况

研究区地理位置 99°20'—100°29'E，27°52'—28°52'N，位于香格里拉县南部，地处青藏高原南缘，横断山脉腹地，是滇、川、及西藏三省区交汇处。研究区处于云南亚热带阔叶林植被区向青藏高原高寒植被区过渡地带，植被分布南北差异明显，东、南、西三面山体垂直分部完整而典型。区内属于山地寒温带季风气候，年均温度6．3℃，最高温度25．6℃，最低温度为 －20.1℃，表现出干湿季分明、夏秋多雨、冬春干旱、热量不足、气温偏低的气候特征。研究区内植被类型主要有温凉性针叶林、寒温性针叶林、暖性针叶林、落叶阔叶林、灌丛、草甸等，常见的森林类型有云冷杉林、高山松林、落叶松林、高山栎林等。

2 数据来源

2．1ASAR 数据

本研究选取一景香格里拉南部地区的ASAR APP 1B级数据，获取时间为2005年12月25日。影像参数见表1。

表1 ASAR数据相关参数

2．2 样地蓄积量获取

外业调查时间分别为2009年7月下旬和2010年7月下旬，采用典型选样的方法布设样地，利用角规控制检尺的方法测算样地公顷蓄积量，用GPS记录角规点的坐标;另一部分数据来自2006年森林资源二类调查的抽样控制样地的数据，该数据也是采用角规测算样地蓄积。由于外业数据来自不同的三个时期，而本文使用的遥感数据接近2006年，故把2009年和2010年的森林生长量数据统一换算为2006年的生长水平。本文用于研究的高山松林蓄积量数据有91组，其中69组用于建模，22组用于模型精度评价。

3 影像预处理

本研究使用的ASAR APP 1B影像为地距影像，保存的是振幅值。为了降低相干斑点噪声、地形引起的辐射与几何畸变，需要对该影像进行一系列的预处理。利用GAMMA软件对ASAR APP 1B级数据进行预处理。首先对影像数据进行辐射定标，将影像记录的振幅数据转换为反映能量值的后向散射系数;然后借助空间分辨率为100 m×100 m的SRTM DEM数据和ASAR卫星轨道参数重建成像时的几何观测条件，生成雷达模拟影像，以模拟影像为参考，对ASAR 1B级数据进行地理编码，将影像转化为多视正射投影影像;其后对正射影像进行滤波处理，采用Gamma-Map滤波，窗口大小为5×5;最后对影像进行地形辐射校正。最终预处理结果影像像元大小为25 m×25 m。预处理结果如图1所示。

图1 图像预处理结果

4 研究方法

4．1 遥感因子和地学因子与蓄积量的相关性

采用经过预处理的影像上记录的后向散射系数(σHV，σHH)，极化比值 HV/HH(σHV/HH)以及地理因子(海拔、坡度、坡向)，建立高山松蓄积量估测模型。该6个因子与对应的样地蓄积量的相关性分析结果见表2。

由表2可以看出，后向散射系数、海拔与蓄积量显著相关。后向散射系数对蓄积量的影响较大，呈正相关，其中HV极化值与蓄积量的相关性最显著;在地学因子中，海拔与蓄积量的相关性最显著，呈负相关;坡度和坡向对蓄积量的影响较小。

4．2 蓄积量模型的建立

在91组地面样地数据中，用69组数据与对应的遥感因子和地学因子构建模型，另22组数据进行模型精度评价分析。利用SPSS软件，用回归分析方法构建简单线性模型、自然指数模型、多元线性回归模型和非线性模型。模型拟合结果见表3。

表2 高山松林蓄积量与变量因子的相关系数(n=91)

表3 蓄积量估测模型

将简单线性模型(A)、指数模型(B)和加入地理因子的其他模型相比较，从建模的确定系数(R2)来看，模型B的R2值最高;从标准差S来看，模型B的标准差比其他模型的小;模型 B的 F=28．46＞F0．01(1，67)=7．04，在0．01水平下该回归模型是显著的。从以上指标的分析可以看出，模型B是估测该地区高山松林蓄积量的最佳模型，即使是加入了地理因子，模型的拟合效果也没有提高，R2反而降低。产生这种情况的原因，在图像预处理的过程中已经做了地形辐射校正，消除了地形对后向散射系数的影响，后向散射系数的变化已经能反应出蓄积量的变化了。

4．3 模型精度的检验

将预留样地实测数据与最优模型的估测值进行比较，结果表明，B模型对该研究区的高山松林蓄积量的模拟效果较好，预测值均大体接近对角线，见图2，估测值与实测值的相关性R=0．677，均方根误差RMSE=20．36，最大相对误差为30．15%，最小相对误差为1．99%，平均相对误差为14．41%。

图2 B模型预测值与实测值的关系

图2显示了B模型回归方程估测得到的高山松林蓄积量与野外实地测量值之间的关系。估测值与实测值比较一致，有些值也存在较大偏差:蓄积量在100 m3/hm2水平以下时出现高估;在140 m3/hm2水平以上出现明显低估;蓄积量水平在100～140 m3/hm2水平时低、高估都有。存在误差的原因:①外业数据的收集，高中低蓄积量水平的样地数量分布不均匀，低蓄积量的样地数量较少，样地的蓄积量大多集中在100～160 m3/hm2，回归模型并不能完全反应后向散射系数与蓄积量之间的关系;②ASAR传感器获得的是C波段雷达数据，蓄积量饱和点较低，而研究区蓄积量水平较高，模拟出的模型会存在误差。

5 结语

本文就ASAR双极化数据建立香格里拉南部地区高山松蓄积量估测模型，得出以下结论:①对该地区ASAR数据经过了地形辐射校正，模型中加入地理因子并没有多大的作用，反而降低了模型的确定系数。该研究区属于山区，地形起伏较大，后向散射系数很大程度上受地形影响，对ASAR数据经过地形辐射校正之后能消除地形对信号的影响，所以模型中加入地理因子之后作用也不大。②该地区原始森林较多，蓄积量较高，林分结构复杂，C波段雷达信号穿透性不强，未能全面反映出该地区植被的立体信息，若利用该地区的L波段雷达数据构建模型，精度可能会提升。

在最近20多年，雷达遥感在森林蓄积量和生物量估测中取得了较大发展，受理论与技术的限制，至今也没有摸索出一套很好的方法，估测精度偏低。今后应借助新型模型对森林的后向散射机制进行深入研究，如采用非线性回归模型、BP神经网络模型等，深入研究林分结构对后向散射系数的影响，可以深入了解蓄积量与后向散射系数的关系，以提高估测精度。光学遥感数据反映冠层信息，雷达信号主要反映森林的立体结构，单纯采用雷达或光学数据均有局限，将二者结合，优势互补，将是今后森林蓄积量和生物量研究工作的重点［12］。

［1］孟宪宇．测树学(3版)［M］．北京:中国林业出版社，2006:122．

［2］李崇贵，赵宪文，李春干．森林蓄积量遥感估测理论与实现［M］．北京:科学出版社，2006:1．

［3］Beaudoin A，Le Toan T，Goze S，et al．Retrieval of Forest Biomass from SAR Data［A］．Proceedings of the Final Workshop of the MAESTRO/AGRISCATT Campaigns［C］．Noordwijk，1992:123 －130．

［4］Le Toan T，Beaudoin A，Riom J．Relating Forest Biomass to SAR data［J］．IEEE Transactions on Geoscience and Remote Sensing，1992，30(2):403－411．

［5］Israelsson H，Ulander L，Askne J，et al．Retrieval of Forest Stem volume using VHF SAR［J］．IEEE Transactions on Geoscience and Remote Sensing，1997，35(1):36 －40．

［6］Kasischke E S，Melack J M，Dobsonm C．The use of Imaging Radar for Ecological Applications:A review［J］．Remote Sensing of Environment，1997，59:141 －156．

［7］Imhoff M L．Radar Backscatter and Biomass Saturation:Ramifications for Global Biomass Inventory［J］．IEEE Transactions on Geoscience and Remote Sensing，1995，33:511 －518．

［8］陈尔学．合成孔径雷达森林蓄积量估测研究进展［J］．世界林业研究，1999，12(06):18 －21．

［9］T Manninen，P Stenberg，M Rautiainen，P Voipio．Estimation of Boreal Forest LAI Using C-band SAR［R］．International Geoscience and Remote Sensing Symposium，2003．

［10］Julien L’Hermitte，Thuy Le Toan，Manuela Grippa．Monitoring the Siberian Boreal Forest Using ENVISAT/ASAR data［R］．International Geoscience and Remote Sensing Symposium，2005．

［11］朱海珍，庞勇，杨飞，等．基于 ENVISAT ASAR数据的森林蓄积量估计研究［J］．地理与地理信息科学，2007，23(2):51 －55．

［12］宋茜，范文义．大兴安岭植被蓄积量的 ALOS PALSAR估算［J］．应用生态学报，2011，22(2):303 －308．

Study on the Volume Estimation Model of Pinus Densata Forest Based on ENVISAT ASAR Data

LI Yi，XU Tianshu，WANG Xiaoning

(School of Forestry，Southwest Forestry University，Kunming 650224，Yunnan，China)

Abstyact:Based on the statistics method，the Pinus Densata forest volume estimation mode was studied by ENVISAT ASAR dual polarization data in the southern of Shangri-la county．First，the correlations between forest volume and backscattering coefficient(HH，HV，HV/HH)were analyzed，it can be found that the correlation between HV backscattering coefficient and volume was highest．And then，a simple linear model，exponential model，multiple regression model and nonlinear model with terrain factors were established．It found that the exponential model was optimal．Last，the precision of the optimal model had been verified by using the independent checking samples．The result showed that the predicting values corresponded with the measured values and the average relative error was 14．41% ．

ENVISAT ASAR;backscattering coefficient;Pinus Densata;volume model

TP 79;S 757．2

A

1003—6075(2012)01—0040—04

2011—10—12

2011—11—22

国家自然基金项目(30960302);国家自然基金项目(40861009)。

李毅(1986—)，男，硕士研究生，研究方向:3S技术在林业中的应用。E-mail:w5764@sohu．com

* 通讯作者:徐天蜀(1964－)，女，教授，主要从事3S技术应用与研究。E-mail:tsxue64@163．com