基于像元二分模型的森林郁闭度估测方法1)

2013-08-09彭道黎

东北林业大学学报 2013年2期

徐定彭道黎

(省部共建森林培育与保护教育部重点实验室(北京林业大学)，北京，100083)

森林郁闭度指森林中乔木树冠遮蔽地面的程度，以林地树冠垂直投影面积与林地面积之比来表示。它影响着林分内各个生态因子的变化，如风、光、温度的时空分布，降水的再分配等，影响着下层植被和林内动物、微生物的分布和生长状况，是反映林分生长状况、衡量森林资源优劣的一个重要指标，被广泛应用于植物保护、动物栖息地研究和生态模型研究等方面［1-2］。传统的郁闭度调查方法主要有目测法、树冠投影法、样线法、样点法等，但这些方法精度不高且费时费力［3-4］。近年来遥感技术的发展为森林郁闭度的估测带来极大便利，国内外学者对此进行了大量研究。

现有森林郁闭度估测方法主要有两种。回归模型法：该方法最为常用，在森林郁闭度遥感估测中占主导地位。主要是根据实测样地郁闭度与遥感信息之间的回归关系建立估测模型，然后将该模型应用到整个研究区域。虽然回归模型法在森林郁闭度估测中尤为重要，也取得了一定的研究成果，但该方法依赖特定区域的实测值，适合小区域研究，区域较大时会造成精度降低，难以推广使用［5-6］。

像元分解法：像元分解法的根据是单个像元可能含有多种地物信息，每种地物对该像元的遥感信息都有贡献，因此可将像元的遥感信息(波段或植被指数)分解，建立像元分解模型［7］。目前已开发出的像元分解模型主要有5种，按原理不同可分为线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型。线性模型假定像元反射率为其各端元组分反射率以其占像元面积比例为权重系数的线性组合，该模型应用最广，研究也最深入。线性模型中最为常用的是像元二分模型，它假定像元内地物仅由植被和裸地组成，即一个像元的光谱信息是由这两种成分的光谱信息线性组合而成［8］。本文以密云县为例，选用TM遥感影像，基于归一化植被指数(NDVI)建立像元二分模型，然后采用模型对密云县进行森林郁闭度估测的尝试，并通过实测数据进行精度验证。

1 研究区概况

密云县位于北京市东北部，属燕山山地与华北平原交接地，东、北、西三面群山环绕;中部是碧波荡漾的密云水库，西南是冲积平原，总地形为三面环山，中部低缓，西南开口的簸箕形。全县总面积2 229.45 km2，是北京市土地面积最大的区县。年均降水量661.3 mm，年均气温10.8℃。华北第一大水库密云水库位于县境中部，控制潮河、白河流域面积1.6 万 km2，总库容 43.8 亿 m3，最大水面面积188 km2，是首都重要饮用水源地。现存植被主要为人工林以及一些次生植被类型，主要成林树种有侧柏(Biota orientalis)、油松(Pinus tabulaeformis)、栎类(Quercus)、刺槐(Robinia pseucdoacacia)、杨树(Populus)、桦木(Betula spp)、核桃楸(Juglans mardshurica)、五角枫(Acer pictum Subsp.)等。

2 数据获取与预处理

本研究所用遥感影像来源于美国陆地卫星Landsat-5的TM传感器，成像时间为2006年7月12日，空间分辨率为30 m。该数据无云覆盖，成像质量较好。样地实测数据采用密云县2006年森林资源一类调查数据，与图像时间相符合。

TM影像经波段合成，基于1∶50 000地形图进行几何校正，误差在一个像元内。从文件中获取太阳高度角，对图像进行太阳高度角校正，根据增益、偏置值计算得到研究区域的反射率图像。再经裁剪、掩膜处理得到研究区域的林地归一化植被指数图像。针对样地可能横跨数个像元的情况，提取样地坐标(即样地西南角坐标)所在像元及其北面、东面和东北面三个方向的相邻像元共4个像元值，以其平均数作为样地像元值。

2.1 像元二分模型

近30 a来，遥感学家已经提出了40多个植被指数，主要有两种类型：一类以斜率为基础，如垂直植被指数(IPV);另一类以距离为基础，如归一化植被指数(INDV)。IPV涉及复杂的土壤斜率测定，使用时限制较大;归一化植被指数计算简单，不涉及复杂的参数确定，应用最广泛，研究也最深入［8］。本研究采用归一化植被指数构建像元二分模型。

由于图像已经过林地范围提取，像元可假设为有树冠覆盖地表与无树冠覆盖地表两部分组成，所得的光谱值也只由这两个组分线性合成。对于混合像元，其遥感信息可表示为树冠覆盖部分(Sv)信息和无覆盖部分信息(Ss)之和。

式中：S为混合像元的遥感信息量，Sveg为全由树冠覆盖的像元的遥感信息量，Ssoil为无树冠覆盖的像元的遥感信息量，fc为郁闭度。

式(2)转化得：

将归一化植被指数代入模型，像元的归一化植被指数值可表达为有树冠覆盖部分所贡献的信息INDVv与由无树冠覆盖部分所贡献的信息INDVs两部分组成，公式如下：

式中：INDVv为全覆盖像元的归一化植被指数值;INDVs为无覆盖像元的归一化植被指数值。

可见，只要确定了INDVv和INDVs的值，fc便可求算出来。INDVv表示全覆盖像元的归一化植被指数值，由于植被类型的不同，以及植被覆盖随季节变化，叶冠背景的干扰等因素，INDVv值会随着时间和空间而改变。INDVs值理论上应是0左右，然而由于大气影响以及地表湿度的变化，INDVs值会随着时间而变化。此外，由于地表湿度、粗糙度、土壤类型、土壤颜色等条件的不同，INDVs值也会随着空间而变化。因此，采用一个确定的INDVv和INDVs值是不可取的。如何确定INDVs和INDVv的取值以及取值是否准确是像元二分模型的关键。

2.2 郁闭度参数的计算

当前像元二分模型研究中，确定INDVs和INDVv的取值主要有以下4种方法。

(1)通过目视解译或端元提取，在图像上寻找多个无覆盖和全覆盖像元，取其平均值，作为INDVs和 INDVv的取值［9-11］。

(2)采用研究区域内归一化植被指数的最大值和最小值或在置信区间内取归一化植被指数的最大值和最小值［12-15］。方法(1)和(2)都适用于图像分辨率较高，研究区域内能找到符合条件像元的情况。

(3)结合土地利用类型数据和土壤分类图，在土地利用类型单元内取累积频率为95%的归一化植被指数值为INDVv，在土壤分类图单元内取累积频率为5%的归一化植被指数值为INDVs［16-19］。

(4)结合样地调查数据，通过对实测数据和对应像元植被指数的关系，求解 INDVs和 INDVv［6，20］。

由于本研究采用的是30 m×30 m的TM影像，分辨率较低，很难直接在图像上确定纯像元。但在实测数据中存在郁闭度为0和1的样地，所以可结合实测郁闭度，在图像上各随机选择10个符合条件的样点，读取归一化植被指数值，如表1。

取平均值得：INDVv=0.766 14;INDVs=0.003 91。

代入式(4)，以此为模型对研究区域归一化植被指数图像进行运算并划分等级，得到密云县森林郁闭度等级图，如图1。

3 精度验证

为验证像元二分模型在森林郁闭度估测中的准确度和可行性，从得到的郁闭度图像上提取样地估测郁闭度值与实测值进行比较验证。同样，为减弱样地横跨多个像元造成的误差，以样地坐标所在像元及其北面、东面和东北面三个方向的相邻像元共4个像元值的平均数作为遥感估测值。

对估测值和实测值进行线性回归分析，相关系数为0.73，显著性接近于0，说明回归关系极显著，不存在系统偏差。根据误差=(估测值-实测值)/(实测值)计算估测值相对实测值的误差，得到郁闭度估测均值与实测均值相对误差为14.40%，精度较高。实测值与估测值对比如图2。

表1 I NDVv和I NDVs的样地数据

图1 密云县森林郁闭度等级图

对得到的郁闭度图像进行等级划分，如表2。经验证，90个样本有25个被错分，错分率为27.78%。其中，0.3以下和0.3～0.5郁闭度等级错分率分别为33.33%和37.50%，0.5～0.7 以及0.7 以上高郁闭度等级错分率分别为28.95%和10.53%。就此表明，本研究基于像元二分模型得到的森林郁闭度估测数据与实测数据间仍存在一定差距。这种差距一方面是由于随着郁闭度降低，无树冠覆盖的地表灌草等植被对归一化植被指数指数造成影响变大;另一方面可能是由于样地情况多变，可能横跨几个像元也可能只位于一个像元内，本研究只进行简单的多像元平均。不过，考虑到本研究作为一项遥感影像自动化分类方法研究，60%以上精度即可认为满足要求［11］。

图2 实测值与估测值对比

表2 郁闭度等级划分

4 结论与讨论

结合森林资源一类调查样地实测郁闭度，推导像元二分模型的纯像元植被指数，进而应用像元二分模型对整个研究区域进行郁闭度估测。此方法技术路线简单，可操作性强，精度能满足需要。将像元分解后进行郁闭度估测，弥补了TM影像分辨率低的不足，具有一定的推广价值。但在实际应用中，模型仍存在一些问题：

(1)样地情况多变，可能横跨几个像元也可能只位于一个像元内，本研究只进行简单的多像元平均，有可能影响精度。若能根据每个样地所占相邻像元面积比例进行遥感信息加权平均，应能进一步提高估测精度。

(2)郁闭度较低情况下，估测结果偏高。可能是因为郁闭度较低时，树冠层空隙处生长的灌草植被较多，导致像元归一化植被指数中掺入的灌草植被归一化植被指数比例较大，估测结果偏高。这是由归一化植被指数指数本身和植被的光谱反射特点所决定的，从一定意义上说是无法逾越的。如何消除或减弱灌草植被对森林郁闭度估测的影响，可能需要采用更复杂的像元分解模型或植被指数，这也是笔者今后研究的方向。

［1］杜晓明，蔡体久，琚存勇.采用偏最小二乘回归方法估测森林郁闭度［J］.应用生态学报，2008，19(2)：273-277.

［2］曾涛，琚存勇，蔡体久，等.利用变量投影重要性准则筛选郁闭度估测参数［J］.北京林业大学学报，2010，32(6)：37-41.

［3］李永宁，张宾兰，秦淑英，等.郁闭度及其测定方法研究与应用［J］.世界林业研究，2008，21(1)：40-46.

［4］杜文峰，王凤臻，李庆.提高郁闭度调查精度的几点建议［J］.林业资源管理，1999(3)：63-65.

［5］吴见，彭道黎.高光谱遥感林业信息提取技术研究进展［J］.光谱学与光谱分析，2011，31(9)：2305-2312.

［6］江淼，张显峰，孙权，等.不同分辨率影像反演植被覆盖度的参数确定与尺度效应分析［J］.武汉大学学报：信息科学版，2011，30(3)：311-315.

［7］李苗苗.植被覆盖度的遥感估算方法研究［D］.北京：中国科学院研究生院遥感应用研究所，2003.

［8］刘广峰，吴波，范文义，等.基于像元二分模型的沙漠化地区植被覆盖度提取：以毛乌素沙地为例［J］.水土保持研究，2007，14(2)：268-271.

［9］廖春华，张显峰，孙权，等.基于HJ-1高光谱数据的植被覆盖度估测方法研究［J］.遥感信息，2011(5)：65-70.

［10］李萌，白中科，文乐琴，等.基于像元二分模型榆神府矿区植被覆盖度研究［C］.北京：中国农业工程学会，2011：2078-2082.

［11］娜马，胡云锋，庄大方，等.基于遥感和像元二分模型的内蒙古正蓝旗植被覆盖度格局和动态变化［J］.地理科学，2012(2)：126-131.

［12］李晓锦.基于混合像元分解的植被覆盖度估算及动态变化分析［D］.西安：西北大学，2011.