基于Landsat TM数据的高山松林生物量研究

魏冉冉，徐天蜀

（西南林业大学 林学院，云南 昆明650224）

1 引言

森林是陆地生态系统的主体，森林生物量是反映森林生态系统功能的重要指标，约占陆地生态系统生物量的90%[1]。随着森林资源的不断消耗，生态环境的日益恶化，加之《京都议定书》国际协议的签订，促使人们加强对森林生物量的研究，并且更加深刻地认识森林生物量及其影响因子的重要性。

在森林生物量的研究中，利用遥感信息对较大尺度森林生物量进行估算是森林生物量研究的一种重要手段。高山松是横断山区高山地带的特有种，是中国松林中分布海拔最高的特有类型[2]，但是基于遥感手段的高山松林生物量研究比较少，尤其是复杂地形和气候条件下有地学信息参与的高山松林生物量估测模型，所以文章拟利用TM遥感数据和相关地学信息建立高山松林生物量估测模型，以期找出研究区域内高山松林生物量估测最优模型，并为在这种环境下高山松林的研究、开发利用和管理提供参考。

2 森林生物量估算的遥感机理

森林生物量估算的遥感机理主要表现在：植被的遥感图像信息是由其反射的光谱特征决定的，植物的光合作用表现为对红光和蓝紫光的强烈吸收而使其反射光谱曲线在该部分呈现波谷形态，所以，植物的反射光谱特征反映了植物的叶绿素含量和生长状况，而叶绿素含量和叶生物量相关，叶生物量又与群落生物量相关，因此，可根据植物反射光谱特征，利用遥感信息来估算陆地植被生物量[3，4]。本文根据该机理利用样地植被的遥感光谱信息、植被指数和相关地学信息建立高山松林生物量估算模型。

3 基础数据

3.1 研究区概况

本文以香格里拉县为研究区域，其地理坐标为东经99°20′～100°19′和北纬26°52′～28°52′。主要研究区域位于云南省西北部迪庆州的东北部。该区地处有“世界第三极”之称的青藏高原南端，地势由西北向东南倾斜，山脉、河流南北纵贯，相向并列，高差大，山高谷深，地形复杂，其中高山松林样地分布在3000m左右的亚高山地区。区域内气候主要为立体气候和高原气候，而且由于地形影响形成地形小气候，并且受西南季风和南支西风急流的交替控制，气候条件复杂。这些因素决定了该研究区域的遥感图像更容易受外界环境的干扰。

3.2 样地实测生物量

2011年香格里拉地区的高山松林为本文研究对象，利用角规控制检尺的方法对研究区域内的高山松林进行调查。在每块林分中随机布设角规点，记录每个角规点的GPS坐标，利用该方法对入选木进行每木测量，并以相关生长方程先求出样地蓄积量，再利用生物量—蓄积量模型求出样地生物量。本文采用黄从德在《生态学报》上发表的高山松林生物量和蓄积量的函数转换模型即W＝0.5272V1.0793来获得样地实测高山松林生物量，其中W 为生物量，V为蓄积量，该模型是在林分平均碳含量系数为51%～53%时得到的。

3.3 遥感因子的提取

3.3.1 波段光谱值的提取

遥感数据采用2009年Landsat－5TM影像，数据除去第6波段即热红外波段的几何分辨率为120m×120m外，其余波段的几何分辨率均为30m×30m。在对TM图像进行辐射校正和大气校正之后，利用1∶50000香格里拉地形图，选取50个明显的地物点对TM影像进行几何精校正，使得校正后的图像误差在一个像元以内。校正后的像元大小为30m×30m。利用ENVI和ArcGIS软件提取波段光谱值和每个样地对应的各个波段光谱值，作为生物量建模的因子。

3.3.2 植被指数的提取

不同的光谱通道所获得的植被信息有着各自的特点，仅用个别波段或多个单波段数据来提取植被信息是相当局限的，因而常常选用多光谱遥感数据经线性或非线性组合，产生对植被长势、生物量等有一定指示意义的植被指数加以分析[5，6]。在ENVI和ArcGIS软件的支持下，利用遥感图像提取植被的NDVI、RVI、EVI、GVI、BI和WI6个植被指数作为生物量建模的相关因子。

归一化植被指数：NDVI＝（TM4－TM3）/（TM4＋TM3）

比值植被指数：RVI＝TM4/TM3

增强植被指数：EVI＝2.5×（（TM4－TM3）/（TM4＋6×TM3－7.5×TM1＋1）），它通过加入蓝波段以增强植被信号，矫正土壤背景和气溶胶散射的影响。

TM图像在可见光～红外7个波段的数据中富含很丰富的植被信息，经过缨帽变换之后数据的前3个因子就反映了植被的土壤亮度BI、湿度WI和绿度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 地学因子的提取

以经过几何精校正的TM图像为底图，矢量化等高线生成数字高程图DEM，并在ArcGIS中生成不规则三角形格网（TIN），然后转化成规则格网（Grid），提取各样地包括海拔、坡度在内的地学因子参与生物量的估算。

4 高山松林生物量模型

4.1 基于逐步回归分析的生物量模型

在自变量很多时，其中很多因子可能对因变量的影响不是很大，而且自变量之间会存在各种相互关系，在这种情况下可以选用逐步回归分析方法对自变量进行筛选分析，并筛选出有显著影响的因子作为自变量，这样建立的多元回归模型的估测效果会比较好。

在SPSS软件的支持下，对参与生物量估算的14个因子进行筛选，得到6个生物量逐步回归估算模型。从模型汇总表格给出的6个模型的拟合结果可以看出，模型6的R值是6个模型中最大的，也就是说模型6的拟合程度最高，所以选择模型6作为生物量逐步回归分析的模型，其因子作为参与建立生物量模型的变量。

如表1所示，系数表格给出了模型6的回归系数估计值。根据模型6各个自变量的回归系数估计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 为高山松林生物量（t·hm－2）。

表1 模型6回归系数

4.2 基于主成分分析的生物量模型

在生物量的定量评价中，通常采用多元线性回归或逐步回归方法建立生物量与遥感及地学因子回归模型。这种方法简便易行，但回归模型中的变量可能存在多重相关性，从而影响模型的精度，甚至出现病态模型[7]。为了解决变量之间信息的高度重叠和高度相关性带来的障碍，削减变量个数、保持信息完整性并避免信息丢失的主成分分析方法应运而生。

采用主成分分析方法提取14个因子的主成分，再建立主成分与生物量的回归模型，由于主成分之间具有相互正交的特性，多个主成分之间相互独立，这样既可保留遥感及地学信息的主要特征，又可避免变量之间多重相关[8]。

4.2.1 生物量建模因子的相关性分析

从45个样地的14个因子的相关系数矩阵分析可知B1和B2、B2和B3、B2和BI、B3和BI、B5和B7、B5和WI、B7和WI这些因子之间存在显著的相关性，其相关性都在0.95以上。若利用这14个因子直接建模，则存在着严重的多重相关问题。如果直接剃除显著相关的变量，可能会造成信息损失。因此，拟采用提取主成分的方法，建立基于主成分的森林生物量估测模型。

4.2.2 提取主成分

对原始数据进行主成分分析，当主成分满足以下条件之一：①累积方差贡献率到达85%～95%；②累计特征值乘积≥1[9]，就可以认为这n个主成分代表了原来m个因子的主要信息，至此主成分分析结束。

从总方差解释表中得出前5个主成分的累积方差累积贡献率达到96.764%，并且涵盖了原始变量的主要信息，符合主成分提取要求，所以提取前5个主成分作为高山松林生物量建模的输入变量，并根据因子载荷矩阵建立主成分的特征向量矩阵，建立各个主成分分量模型。

4.2.3 建立主成分生物量模型

根据主成分特征向量矩阵建立以下5个主成分分量模型：

利用已建立的5个主成分分量方程，计算45个样本的5个主成分值。以主成分值作为自变量，样地生物量为因变量，建立森林生物量线性回归估测模型：

该生物量估测模型中，Y为高山松林生物量（t·hm－2），Y1～Y5为5个主成分值。

5 模型结果及检验

对建立的基于逐步回归分析和主成分分析的高山松林生物量模型分别进行方差分析和线性回归关系的显著性检验，其结果见表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：从F分布统计表中可以查出在0.01的显著性水平下，F检验达到显著水平，Sig＜0.05，两个高山松林生物量模型和参与模型的因子之间具线性相关关系，相关系数R分别为0.519和0.581。根据建立的生物量估算模型计算生物量拟合值，结果见图1。

6 结果与讨论

（1）本文利用逐步回归分析和主成分分析两种方法分别建立高山松林生物量估测模型，从模型结果中可以看出，基于主成分分析的生物量估测模型消除了逐步回归模型变量的多重相关性，同时尽可能保留了变量信息的完整性，并提高了模型的估测精度。

图1 实测生物量与模型拟合值

（2）本文采用的两种建模方法得到的结果中，高山松林生物量模型的精度分别为0.519和0.581，估测精度较低，如何提高模型的估测精度有待进一步研究。

影响估测精度的原因有以下几点：①样地的坐标、高程定位采用手持式GPS，由于GPS定位精度的影响，像元会出现偏移；②样地生物量是利用生物量－蓄积量的转化模型计算得出的，该模型不完全适应研究区域，因而计算出的数据较之实际数据存在误差；③样地调查方法采用角规检尺的方法，样地大小不确定，与TM图像像元大小有较大出入，加之样地位于高山峡谷之间导致遥感图像的变形，使得地面实测数据和像元空间位置的平配性降低；④样地数量较少，不是均匀分布于研究区域，并且样地分布区域的环境有很大差别，例如小区域干热河谷和湿度相对较大的地区，或者海拔较高地区阴坡和阳坡，其森林生长程度及各种反映在TM图像上的光谱特征如湿度、绿度，甚至植被分布的高度都有差别；⑤在实际样地调查中，存在森林人工破坏和自然破坏的影响，这种情况下的样地生物量和其他样地有较大差别；⑥TM光学影像只能获取样地森林的表层光谱信息，缺少立体垂直信息，进而影响生物量的估测精度[10]。

（3）本研究以角规检尺为调查方法，在每木胸径调查的基础上进行基于光学遥感数据的生物量估算，能快速地对复杂的地形和气候条件下的高山松林生物量进行定量评价，并为以后香格里拉县高山松林的研究、开发利用和保护、管理，以及动态监测研究提供参考。

[1]徐新良，曹明奎.森林生物量遥感估算与应用分析[J].地理信息科学，2006，8（4）：122～128.

[2]吴兆录，党乘林，王崇云，等.滇西北高山松林生物量的初步研究[J].云南大学学报，1994，9（3）：220～224.

[3]张佳华，符淙斌.生物量估测模型中遥感信息与植被光合参数的关系研究[J].测绘学报，1999，28（2）：128～129.

[4]国庆喜，张 锋.基于遥感信息估测森林的生物量[J].东北林业大学学报，2003，31（2）：13～16.

[5]杨存建，刘纪远，张增祥.热带森林植被生物量遥感估算探讨[J].地理与地理信息科学，2004，20（6）：22～25.

[6]赵英时.遥感应用分析原理与方法[M].北京：科学出版社，2003.

[7]徐文科，蔡体久，琚存勇.基于RS和GIS的毛乌素沙地荒漠化程度定量估测[J].林业科学，2007，43（5）：48～53.

[8]徐天蜀，张王菲，岳彩荣.基于PCA的森林生物量遥感信息模型研究[J].生态环境，2007，16（6）：1759～1762.

[9]吴晓丽.滇中地区云南松林生物量及碳储量遥感估测模型研究[D].昆明：西南林业大学，2009.

[10]岳彩荣.香格里拉县森林生物量遥感估测研究[D].北京：北京林业大学，2011.