基于Landsat 8卫星光谱与纹理信息的森林蓄积量估算

王月婷，张晓丽，杨慧乔，王书涵，白金婷

（1.北京林业大学 省部共建森林培育与保护教育部重点实验室，北京 100083;2.北京林业大学 林学院，北京100083）

基于Landsat 8卫星光谱与纹理信息的森林蓄积量估算

王月婷1，张晓丽1，杨慧乔2，王书涵1，白金婷1

（1.北京林业大学 省部共建森林培育与保护教育部重点实验室，北京 100083;2.北京林业大学 林学院，北京100083）

以福建省将乐县国有林场为研究对象，通过外业实地调查得到样地蓄积量：以Landsat 8卫星遥感图像为数据源，对遥感图像进行处理，获取多光谱影像的波段光谱值、植被指数和波段组合值，并筛选出全色波段的最优纹理生成窗口与纹理特征；通过多元回归分析方法，分别建立仅以光谱因子为自变量和结合光谱信息和纹理特征的蓄积量估测模型，并比较两者之间的精度。实验结果表明：光谱因子的多元线性回归方程的相关系数为0.853，联合光谱和纹理特征因子反演的多元回归方程的相关系数为0.926。同时利用检验数据，得出模型的预测精度：光谱因子蓄积量的估算方程精度为79.81%，联合反演蓄积量的估算方程精度为85.98%。研究表明：引入纹理特征后蓄积量的预测精度得到一定程度的提高，利用Landsat 8全色波段的纹理特征进行蓄积量估测具有良好的应用前景。图3表6参22

森林测计学；蓄积量；Landsat 8；波段光谱；纹理信息；估测模型

森林蓄积量是指森林中全部树木材积的总和，是评价森林数量的一个重要指标［1］。由于传统的一类、二类森林资源调查法存在调查周期长、人力物力财力消耗大等缺陷，近年来随着 “3S”技术（遥感技术、地理信息系统和全球定位系统）的发展，遥感技术在监测森林蓄积量中的作用日益显著［2］。目前，利用 “3S”技术估测森林蓄积量的研究主要集中于以下2个方面：一是趋向于利用光学遥感与微波遥感数据相结合的多源遥感数据建立模型；二是从经典的多元回归线性模型向非线性模型，如人工神经网络、k近邻分类（KNN）算法发展［3］。纹理通常被定义为图像的某种局部性质，或是对局部区域中像素之间关系的一种度量［4］。目前，植被纹理分析方法的应用主要用于土地利用/覆盖变化研究，提高遥感影像分类精度以及生物量、叶面积指数估算方面，而很少用于森林蓄积量估算的研究中［5－12］。已有研究表明：多光谱与全色波段的融合图像的纹理信息在某些窗口下与蓄积量之间存在明显的相关性，可以较好地估测森林蓄积量［13］。Landsat 8卫星的陆地成像仪（OLI）传感器不仅增加了1个波段，而且对波段范围进行了重新调整，比较大的调整是在第5波段（0.845~0.885 μm）去除了0.825 μm处水汽吸收特征，并且在全色波段波段8收窄了波段范围等。因此，本研究以福建三明将乐林场为研究对象，利用Landsat 8卫星影像，将提取的全色波段的纹理特征与多光谱波段的光谱信息相结合，联合反演建立蓄积量估测模型，分析引入全色波段纹理特征能否提高蓄积量的预测精度，为将纹理特征应用到森林蓄积量的研究提供依据。

1 研究区与研究方法

1.1 研究区概况

将乐县国有林场位于福建三明市西北部，地处武夷山脉东南麓，扼闽江支流金溪中下游，是三明市重点林场之一。地理位置介于26°26′~27°04′N，117°05′~117°40′E，属中亚热带季风气候区。四季分明，雨热同期，干湿明显，受季风及地形影响，常有灾害性天气。平均年降水量为1 600~1 800 mm，多集中在7－8月。将乐县森林覆盖率达85.2%。森林以针叶林为主，主要树种为马尾松Pinus massoniana和杉木 Cunninghamia lanceolata，也有小范围的阔叶林，主要树种为木荷 Schima superba和枫香 Liquidambar formosana等。

1.2 遥感数据与预处理

本研究使用Landsat 8 OLI传感器的遥感影像。影像数据为http://www.glovis.usgs.gov网站上获取，成像时间是2013年08月11日、条带号为122-041和122-042。数据采用UTM WGS-84投影，1级标准产品。波段1~7和波段9为多光谱波段，空间分辨率为30 m，波段8为全色波段，空间分辨率为15 m。由于波段1为深蓝波段，用于观测海岸带的气溶胶；波段9为短波波段，用于观测卷云，所以本研究不考虑这2个波段，只研究波段2~7和波段8与蓄积量的相关性。

采用的Landsat 8 OLI数据已经做过辐射校正和几何粗校正，根据本研究的研究需求需对影像进行辐射定标、大气校正、几何精校正、裁剪、拼接等处理。首先，对数据进行辐射定标，利用Landsat定标线性模型对各波段的辐射亮度值进行求解，将图像的象元灰度值（DN）转化为辐射亮度值。其次，采用ENVI4.8中的FLAASH工具进行大气校正，得到地表反射率，主要的输入参数包括成像日期及时间、中心经纬度、海拔高度、大气模型、气溶胶模型、初始能见度等。最后，利用已进行过几何校正的2009年同时期的将乐县Landsat 5数据作为基准影像，通过选取道路、河流等交叉点来对实验所用的OLI影像进行几何精校正。本实验共选取了分布均匀的40个地面控制点，并采用二次多项式模型进行校正。几何校正误差控制在1个像元内，投影为UTM WGS-84。然后，将两景影像裁剪拼接完整，得到研究区范围（图1）。

1.3 野外调查数据与处理

外业地面实测数据采用福建三明将乐国有林场数据。样地数据采集于2013年7月中旬到8月初，选取林木整齐、地理条件良好的地段布设固定样地，样地大小为20 m×30 m。首先，利用手持全球定位仪对样地的4个角点进行精确定位，记录角点的坐标以及样地的环境因子，如海拔、坡度、坡向、郁闭度、林分健康状况等；其次，对样地的树木进行每木检尺，记录胸径、树高、冠幅、枝下高等信息。本研究共采用样地数据36块（图2），选取其中的24块作为建模的实验数据，其余的12块作为检验数据。

林分蓄积量的计算方法主要有标准木法、材积表法、3P样木法、标准表法和实验形数法等。本研究采用平均实验形数法，根据相应树种的平均实验形数计算每一实测样地的蓄积量，并将每块样地蓄积量的单位统一转化为m3·hm－2。以计算出的样地蓄积量作为建立模型的因变量。计算蓄积量的公式如下：M=G1.3×（HD+3）×f。其中：M为样地蓄积量，G1.3为总胸高断面积，HD为树木平均高，f为树木平均实验形数。

图1 将乐国有林场覆盖区域Landsat_8影像Figure 1 Landsat_8 image of Jiangle Forest Farm

图2 将乐国有林场地区样地点Figure 2 Plots of Jiangle State Forest Farm

1.4 遥感变量设置

1.4 ．1 纹理变量设置与筛选 目前常用的提取纹理特征的方法较多。本研究选取了应用最为广泛的是基于灰度共生矩阵方法。根据Haralick等［14］的定义提取最常用的8个纹理特征统计量，即均值（Mean，ME），方差（variance，VA），协同性（homogeneity，HO），对比度（contrast，CO），相异性（dissimilarity，DI），熵（entropy，EN），二阶矩（second moment，SM）和相关性（correlation，CC）。

采用灰度共生矩阵的方法对Landsat 8影像的全色波段提取8个纹理测度，其中移动窗口大小分别为3×3，5×5，7×7和9×9。分别将提取的3×3，5×5，7×7，9×9窗口下的8个纹理特征值为自变量，以实测样地的蓄积量为因变量，采用逐步回归的方法建立模型。3×3窗口的方程剔除了相异性、均值、相关性变量，5×5窗口的方程剔除了相异性、协同性、均值等3个变量，7×7窗口的方程剔除了相异性、均值、对比度、协同性变量，9×9窗口的方程只有相关性变量进入到回归方程中。表明在不同窗口下纹理特征相异性与蓄积量的相关性都不大。各方程模型精度、方差精度如表1和表2所示。从表1中看出：4个窗口的模拟方程的相关系数都在0.65以上，决定系数都在0.4以上，参与建模的变量可以较好地解释蓄积量，并且随着窗口的增大，相关系数和决定系数都先增大后减小，在5×5窗口时达到最大值。表2中，模型的方差分析都达到P＜0.05的要求，模型成立。综合2个表的数据，以及参与建模的变量数量，选择5×5窗口下对比度、熵、方差、相关性和二阶矩这5个纹理因子作为自变量参与蓄积量估算模型构建。如图3为5×5窗口下部分纹理特征提取图像。

表1 模型精度表Table 1 Precision of multiple linear model

表2 模型方差分析表Table 2 Variance analysis of multiple linear model

图3 样地点纹理信息提取图像Figure 3 Parts of RS images of sampling locations’texture factors extracted

1.4.2 光谱变量设置与筛选 在借鉴前人的基础上，设置波段2、波段3、波段4、波段5、波段6和波段7等波段地表反射率，（波段5-波段4）/（波段5+波段4）即归一化植被指数（normalized difference vegetation index，NDVI）、波段5/波段4即比值植被指数（ratio vegetation index，RVI），以及（波段4-波段3）/波段5、波段5/波段3、波段7/波段4等波段的地表反射率的比值组合，（波段5-波段4）即差值植被指数（difference vegetation index，DVI）的波段地表反射率差值作为备选变量。建立备选变量与蓄积量的逐步回归方程对12个备选变量进行筛选，剔除了波段2、波段5和波段7下地表反射率，比值植被指数、波段5/波段3下地表反射率比值这5个因子，因此波段3、波段4、波段6等波段地表反射率，归一化植被指数、（波段4-波段3）/波段5、波段7/波段4、差值植被指数等波段的地表反射率的比值和差值组合将作为光谱因子参与建模。

1.5 蓄积量估算模型构建与评价方法

1.5.1 多元回归估算模型构建 在SPSS 17.0中分析筛选后的7个光谱因子和5×5窗口下的纹理特征值与蓄积量的相关性。结果表明：所有自变量与蓄积量的相关性都在0.2以上，可以参与到建模分析中。首先，将波段3、波段4和波段6的波段地表反射率，归一化植被指数、（波段4-波段3）/波段5和波段7/波段4、差值植被指数等地表反射率的比值和差值这7个光谱因子作为自变量，实测样地蓄积量为因变量，得到光谱因子蓄积量模拟方程：

式（1）中：ρ1为在波段3下地表反射率，ρ2为在波段4下地表反射率，ρ3为在波段5下地表反射率，ρ4为在波段6下地表反射率，ρ5为在波段7下地表反射率。其次，由于光谱因子强调地物光谱的特征，纹理特征主要强调地物空间特征，若将两者结合起来估算蓄积量，可能会提高预测精度。考虑先前筛选出的5×5窗口下对比度、相关性、熵、方差和二阶矩纹理因子。以筛选的光谱因子波段3、波段4和波段6的波段地表反射率，归一化植被指数、差值植被指数、（波段4-波段3）/波段5和波段7/波段4的地表反射率的比值和差值，5×5窗口下的纹理因子对比度、相关性、熵、方差和二阶矩为自变量，样地蓄积量为因变量，得到光谱因子和纹理特征因子联合反演模拟方程［15－18］：

式（2）中：ρ1为在波段3下地表反射率，ρ2为在波段4下地表反射率，ρ3为在波段5下地表反射率，ρ4为在波段6下地表反射率，ρ5为在波段7下地表反射率。

1.5.2 精度评价 为了有效验证模型精度，以及分析结合纹理特征能否提高蓄积量的预估精度，本研究用12块样地数据进行验证。首先将检验样本代入2个模型方程中得到预测蓄积量，与实测蓄积量进行配对样本的T检验，评估预测值与实测值之间是否存在显著性差异，以验证模型的适用性。其次，将预测蓄积量与实际测得的蓄积量进行比较，得到预测精度［19］。公式如下：

式（3~5）中：S为相对误差，S′为平均相对误差，P为方程精度，N为样地个数，Y′为拟合方程的估测蓄积量，Y为实测的样地蓄积量。

2 结果与分析

应用建模数据计算得到的光谱因子模拟方程和联合反演的模拟方程的模型精度见表3。方差分析见表4。

表3表明：光谱因子的多元线性回归方程的相关系数为0.835，决定系数为0.669，联合反演的多元回归方程的相关系数为0.926，决定系数为0.858。说明利用Landsat 8卫星的光谱信息和纹理信息建立的针对研究区的蓄积量模型中，参与建模的自变量因子与蓄积量之间有较好的相关性，所拟合的方程具有一定的实用性，并且引入全色波段5×5窗口下的纹理信息后，使得模拟方程的相关系数及决定系数都得到提高，说明纹理信息提高了蓄积量回归模型的拟合优度。

表3 模型精度表Table 3 Precision of multiple linear model

表4 模型方差分析表Table 4 Variance analysis of multiple linear model

如表4所示：光谱因子多元线性回归模型F显著性检验小于0.05，可以通过置信度为95%的显著性检验，而联合反演模型F显著性检验小于0.01，可以通过置信度为99%的显著性检验。综合来看，2个模型均可以通过显著性检验，表明回归方程具有较高的显著性，但联合反演模型的显著性更高，表明纹理特征对估算蓄积量有一定的意义。

将12块样地实测数据分别代入式（1）和式（2）中，得到预测蓄积量，分别与实测蓄积量进行配对样本T检验，结果如表5所示。2个模型反演的蓄积量与实测蓄积量的值之间的相关系数都很高，均大于0.9；但联合反演的模型的相关系数更高些，并且所有模型的P＜0.05，因而认为所有反演方程的蓄积量估算值与实测值都存在一定的相关性，所建模型具有较强的适用性；相比之下联合反演的模型的适用性更好些。表明引入5×5窗口下的5个纹理特征在一定程度上提高了预测蓄积量的精度。

表5 模型配对样本T检验Table 5 Paired samples T-test of the model

将用样地检验数据得到的预测蓄积量，代入式（3）中，得到每块样地的相对误差；根据式（4）和式（5），得到2个模拟方程的平均相对误差和方程精度，如表6所示。结果表明：除4号样地的蓄积量相对误差增大外，其他检验样地蓄积量的相对误差都减小；求得的光谱因子模拟方程的平均相对误差20.19%，方程精度为79.81%，联合反演模拟方程的平均相对误差为14.02%，方程精度为85.98%。本研究所构建的2个蓄积量估算方程精度均达到要求，并且全色波段的纹理特征与光谱信息相结合会提高蓄积量的估算精度，能更为准确的预估将乐国有林场蓄积量。

表6 森林蓄积量预测值与实测值比较Table 6 Comparison between predicted results and measured results for forest volume

3 结论与讨论

光谱因子的多元线性回归方程的相关系数为0.853，决定系数为0.669，估算蓄积量的平均相对误差为20.19%，方程精度为79.81%；联合反演的多元回归方程的相关系数为0.926，决定系数为0.858，估算蓄积量的平均相对误差为14.02%，方程精度为85.98%。表明利用Landsat 8提取的光谱信息和纹理信息构建的研究区的多元回归模型具有一定的代表性，参与建模的因子与蓄积量具有较好的相关性，所建模型具有较高的显著性并有一定实用性。此外，引入全色波段纹理特征信息后，估算的蓄积量的相对误差显著减小，平均精度达到80%以上。因此，全色波段的纹理信息能够提高蓄积量的预测精度，利用其全色波段纹理特征与光谱信息对将乐国有林场进行森林蓄积量的估测能够满足生产要求，具有良好的应用前景。

利用光谱信息和纹理特征信息联合反演构建模型可以提高蓄积量的预测精度。因为阴影对光谱信息影响大，但对纹理特征的影响比较小，并且纹理特征能最大限度地提取与蓄积量有关的信息。可以考虑将光学影像与全色波段融合后提取纹理特征，建立蓄积量的估算方程，研究这种光谱与空间相结合的方式预测蓄积量的精度。

全色波段不同窗口下的不同纹理特征与蓄积量的相关性不是一成不变的，不是所有的纹理特征值都能预测蓄积量，即使是同一纹理特征值也会因为窗口大小、研究区地理位置、影像波段等因素发生变化，因此选择合适的纹理特征估算蓄积量需要大量对比实验［20-22］。

［1］ 孟宪宇.测树学［M］.北京：中国林业出版社,1996:58,128.

［2］ 刘志华，常禹，陈宏伟.基于遥感、地理信息系统和人工神经网络的呼中林区森林蓄积量估测［J］.应用生态学报，2008,19（9）：1891－1896.

LIU Zhihua,CHANG Yu,CHEN Hongwei,et al.Estimation of forest volume in Huzhong forest area based on RS,GIS and ANN［J］.Chin J Appl Ecol,2008,19（9）：1891-1896.

［3］ 王佳,宋珊芸,刘霞,等.结合影像光谱与地形因子的森林蓄积量估测模型［J］.农业机械学报，2014,45（5）:216－220.

WANG Jia,SONG Shanyun,LIU Xia,et al.Forest volume estimation model using spectra and topographic factors of ZY-3 image［J］.Trans Chin Soc Agric Mach,2014,45（5）:216-220.

［4］ 韦玉春，汤国安，杨昕，等.遥感数字图像处理教程［M］.北京：科学出版社，2007：52－57.

［5］ 王昆，张晓丽，王珊，等.鹫峰地区QuickBird影像纹理特征与生物量估测关系初探［J］.地理与地理信息科学，2013,29（3）:52－55.

WANG Kun,ZHANG Xiaoli,WANG Shan,et al.Study on the relationship between texture of QuickBird image and biomass estimation in area of Jiufeng［J］.Geogr Geo-Inform Sci,2013,29（3）:52-55.

［6］ 曹庆先,徐大平,鞠洪波.基于TM影像纹理与光谱特征的红树林生物量估算［J］.林业资源管理,2010（6）:102－108.

CAO Qinxian,XU Daping,JU Hongbo.The biomass estimation of mangrove community based on the textural features and spectral information of TM images［J］.For Resour Manage,2010（6）:102-108.

［7］ LATIFUR RAHMAN S,NICHOL J E.Improved forest biomass estimates using ALOS AVNIR-2 texture indices［J］. Remote Sens Environ,2011,115（4）：968－977.

［8］ KAYITAKIRE F,HAMEL C,DEFOURNY P.Retrieving forest structure variables based on image texture analysis and IKONOS-2 imagery［J］.Remote Sens Environ,2006,102（3/4）：390－401.

［9］ WOLTER P T,TOWNSEND P A,STURTEVANT B R.Estimation of forest structural parameters using 5 and 10 meter SPOT-5 satellite data［J］.Remote Sens Environ,2009,113（9）：2019－2036.

［10］ AUGUSTEIJN M F,CLEMENS L E,SHAW K A.Performance evaluation of texture measures for ground cover identification in satellite images by means of a neural network classifier［J］.IEEE Trans Geosci Remote Sens,1995,33（3）:616－626.

［11］ NYOUNGUI A N,TONYE E,AKONO A.Evaluation of speckle filtering and texture analysis methods for land cover classification from SAR images［J］.Int J Rem Sens,2002,23（9）:1895－1925.

［12］ MARCEAU D J,HOWARTH P J,DUBOIS J M M,et al.Evaluation of the grey-level co-occurrence matrix method for land-cover classification using SPOT imagery［J］.IEEE Trans Geosci Remote Sens,1990,28（4）:513－519.

［13］ 刘俊,毕华兴,朱沛林,等.基于ALOS遥感数据纹理及纹理指数的柞树蓄积量估测［J］.农业机械学报,2014,57（4）:89－103.

LIU Jun,BI Huaxing,ZHU Peilin,et al.Estimating stand volume of xylosma racemosum forest based on texture parameters and derivative texture indices of ALOS imagery［J］.Transa Chin Soc Agric Mach,2014,57（4）:89-103.

［14］ HARALICK R,SHANMUGAN K,DINSTEIN I.Textural features for image classification［J］.IEEE Trans Sys Man Cybern,1973,3（6）：610－621.

［15］ 刘琼阁，彭道黎，涂云燕.基于偏最小二乘回归的森林蓄积量遥感估测［J］.中南林业科技大学学报，2014, 34（2）:81－84.

LIU Qiongge,PENG Daoli,TU Yunyan.Estimation of forest stock volume based on partial least squares regression［J］.J Cent South Univ For&Technol,2014,34（2）:81-84.

［16］ 董斌,冯仲科,杜林芳,等.山东省黄河流域森林蓄积量遥感定量估测模型研究［J］.遥感技术与应用，2010, 25（4）:520－524.

DONG Bin,FENG Zhongke,DU Linfang,et al.Study on quantitative estimation modeling of forest volume based on remote sensing in the Yellow River Basin of Shandong Province［J］.Remote Ssens Techool Appl,2010,25（4）:520 -524.

［17］ 杨永恬.基于多源遥感数据的森林蓄积量估测方法研究［D］.北京：中国林业科学研究院，2010.

YANG Yongtian.Study on Estimating Methods of Forest Stem Volume Based on Multi-source Remote Sensing Image［D］.Beijing:Chinese Academy of Forestry,2010.

［18］ 张凝，冯仲科，冯跃文,等.旺业甸实验林场针叶林蓄积量估测模型的研究［J］.中南林业科技大学学报，2013,33（11）:83－87.

ZHANG Ning,FENG Zhongke,FENG Yuewen,et al.Research on coniferous forest volume estimation model for Wangyedian experimental forest farm［J］.J Cent South Univ For&Technol,2013,33（11）:83-87.

［19］ 何晓群.多元统计分析［M］.北京：中国人民大学出版社,2008:137－145.

［20］ FRANKLIN S E,WULDER M A,LAVIGNE M B.Automated derivation of geographic window sizes for use in remote sensing digital image texture analysis［J］.Comput Geosci,1996,22（6）:665－673.

［21］ CHEN D,STOW D A,GONG P.Examining the effect of spatial resolution and texture window size on classification accuracy,an urban environment case［J］.Int J Remote Sens,2004,25（11）:2177－2192.

［22］ LU Dengsheng,BATISTELLA M.Exploring TM image texture and its relationships with biomass estimation in Rondonia,Brazilian Amazon［J］.Acta Amazon,2005,35（2）:261－268.

Forest volume estimation based on spectral and textural information from the Landsat 8 satellite

WANG Yueting1,ZHANG Xiaoli1,YANG Huiqiao2,WANG Shuhan1,BAI Jinting1
（1.Key Laboratory for Silviculture and Conservation of Ministry of Education,Beijing Forestry University,Beijing
100083,China;2.Forestry College,Beijing Forestry University,Beijing 100083,China）

On the Jiangle State Forest Farm of Fujian Province forest volume was obtained by field investigation and by Landsat 8 observations that utilized band spectral values,vegetation indexes,derivatives of bands,and optimal textural measurements derived from the panchromatic band using varied window sizes.Through multiple regression analysis,volume estimation models were produced with independent variables of 1）only spectral factors and 2）combined spectral factors and textural volume.Then,validation was conducted using field survey data to test and compare model prediction accuracy.Experimental results showed R2=0.727 6 for the spectrally based volume estimation model and R2=0.857 5 for the combined model.Model prediction accuracy was 79.8%for the single spectral based volume estimation model and 86.0%for the combined model.Therefore,the improved prediction accuracy using textural information from the panchromatic band with images of Landsat 8 for forest volume estimation and application of this procedure should be considered when determining forest volume.［Ch,3 fig.6 tab.22 ref.］

forest mensuration;forest volume;Landsat 8 images;band spectra;texture information;estimation models

S758.4

A

2095-0756（2015）03-0384-08

10.11833/j.issn.2095-0756.2015.03.008

2014-07-17；

2014-11-03

国家高技术研究发展计划（“863”计划）项目（2012AA102001）

王月婷，从事 “3S”技术在资源环境中的应用。E-mail：285942042@qq.com。通信作者：张晓丽，教授，博士生导师，从事林业遥感与信息系统等方面研究。E-mail：zhang-xl@263.net