基于Hyperion数据的滇西北高寒山区高山松典型森林生态系统健康分级研究

2016-12-15舒清态吴娇娇郎晓雪

西南林业大学学报 2016年6期

关键词：植被指数高山健康状况

洪娇舒清态吴娇娇郎晓雪

(西南林业大学林学院，云南昆明 650224)

基于Hyperion数据的滇西北高寒山区高山松典型森林生态系统健康分级研究

洪娇舒清态吴娇娇郎晓雪

(西南林业大学林学院，云南昆明 650224)

选取香格里拉高寒山区典型森林生态系统高山松纯林为研究对象，以Hyperion影像为数据源，在利用敏感性分析法筛选高山松林健康评价指标体系基础上，建立研究区基于像元的森林健康指数综合评判模型 (FHI)，运用层次分析法和德尔菲法确定FHI模型中的各项指标权重，并结合地面样地调查数据，将研究区森林健康指数划分为健康、亚健康、中等健康和不健康4个等级。结果表明：研究区遥感影像的森林健康指数为-0.25～75.34，平均值为33.23，研究区森林整体处于亚健康状态；其中不健康森林面积约占森林总面积的16.24%，中度健康面积约为31.60%，亚健康森林面约为25.80%，健康面积约为26.36%。

Hyperion数据；植被指数；森林健康；高山松；生态系统

森林作为陆地生态系统的主体，提供人类生产生活必不可少的自然资源，是生物圈中极其重要的一环。而森林健康是当前林业发展的新目标，直接关系到全球生态安全和人类社会的可持续发展。据联合国粮农组织 (FAO) 发布的《世界森林资源评估 (2015)：世界森林如何变化》分析显示，近年来世界森林面积日益减少，总面积由1990年的41.28亿hm2下降至39.99亿hm2，约占世界陆地总面积的30.6%[1]。

森林健康是森林生态系统健康和恢复 (forest ecosystem health/restoration) 的简称[2-4]，是森林健康状况评估和森林资源管理的标准，能够最充分地持续发挥森林的生态、社会和经济效益[5]，已经成为林业科学技术中一个新的发展方向与发展趋势，得到了社会各界的广泛认同与支持，是森林经营的现代化、国际化的必然产物，具有深刻的历史背景和广阔的发展前景[6-7]。因此，加强对森林生态系统健康的监测评价，维持和改善森林健康是现代林业发展的重中之重。

本研究选取香格里拉高寒山区典型森林生态系统高山松 (Pinusdensata) (原名西康油松(Pinasdensata)) 纯林为研究对象，基于Hyperion高光谱数据拟通过筛选出与森林生长健康状况密切相关的植被指数指标，结合相关资料和专家意见确定其在评估森林健康状况模型中所占的权重，由此建立基于植被指数评价森林生长健康状况的评价体系，并实现在遥感领域对森林健康大尺度的和高精度的评估。

1 研究区自然概况

研究区位于云南省西北部，地处滇、川、藏三省结合部的青藏高原南延地段的香格里拉市，地处东经99°20′～100°19′、北纬26°52′～28°52′[8-9]。该地区是 “三江并流” 核心区的一颗明珠，素有 “高山大花园” “动植物王国” 的美称。这里地势复杂且气候寒冷，属于寒温带气候区，年降雨量618.4 mm，年平均气温4.7～16.5 ℃，年极端最高气温25.1 ℃，最低气温-27.4 ℃。据统计，全州林业用地161.5万hm2，森林覆盖率达73.9%，高于云南省平均水平[10-11]。其中高山松以其耐寒、耐旱、耐贫瘠、天然更新良好等优点成为该地区的主要优势树种，在滇西北高寒山区占有特定的生态环境范围，扮演者着不可替代的角色[12-15]。因此，充分研究和利用高山松的优良特性，对于加快造林更新速度、增加研究区森林覆被率、发挥高山松的经济和社会等多重效益具有至关重要的现实意义。

2 研究方法

2.1 数据采集

1) 高光谱数据：本研究采用成像于2015年3月12日的香格里拉北部的Hyperion高光谱影像数据作为研究对象。EO-Hyperion是美国NASA于2000年发射的第一个星载民用成像光谱仪，本研究使用的是L1R产品，传感器空间分辨率30 m，包含224个波段，具体特性见表1[16]。

表1 Hyperion具体特征介绍

2) 国家森林资源二类调查数据：香格里拉市2006年国家森林资源二类调查数据。

3) 数字高程模型栅格图 (DEM)：香格里拉市基本单元大小为25 × 25的数字高程模型栅格图 (DEM)。

4) 样地数据：香格里拉市高山松50块现地调查数据 (图1)。调查指标包括树高、胸径、年龄、坡向、坡度、郁闭度、GPS坐标、森林健康等级状况。

2.2 数据预处理

本研究所采用的Hyperion数据经过了辐射校正，但仍受传感器和大气等影响产生许多虚假信息，存在不正常像元。需要在ENVI下对所获取的数据进行条纹修复及坏线去除、未定标及水汽严重吸收波段剔除、D-Streak、Smile效应校正、大气校正、几何精校正等一系列处理，以排除虚假信息的影响[17-20]。基本流程见图2。

图1 研究区样地分布

Fig.1 Position of distribution of the sample

图2 Hyperion数据处理流程图

Fig.2 Flow diagram of Hyperion date process

Hyerion LI产品有242个波段，其中VNIR8-57以及SWIR77-224共198个波段经过了辐射定标处理。但由于VNIR56-57与SWIR77-78重叠，实际上只有196个独立的定标波段。此外，经测定光谱范围在1 356～1 417、1 820～1 932 nm和>2 395 nm的波段受水汽影响较为严重，相对应的波段分别为：121～127、167～178和224共20个波段，将这些波段剔除后剩余176个波段，分别为：8～57、79～120、128～166、179～223。

2.3 植被指标提取

植被指数是利用遥感信息监测地面植被生长状况和时空分布情况的一种简单、有效的方法，可以在一定程度上反映植被的演化信息，表明植被活力，是植被生态研究领域的基础[20-25]。经过近几十年的发展，植被指数已被广泛应用于作物预测预报、植被监测、植被分类等方面，目前已经定义了40多种植被指数[22,24,26]。本研究按独立性、代表性、科学性、系统性以及实用性等5个原则从绿度指数、光利用率指数、叶色素指数以及地形因子等4个方面确定14个评价指标，对高寒山区典型森林生态系统进行健康状况监测与评价[27](表2)。

表2 植被指数计算公式

依据上述计算公式，基于ENVI软件中的波段计算模块，计算相关14个相关指数，计算结果见图3。

图3 评价指标提取

2.4 指标赋权

植被指数表明了植被活力，反映了植被生长健康状况，对森林生态系统健康监测起着十分重要的作用[28-29]。在森林健康状况监测与评价过程中，指标权重的确定至关重要，赋权方法是否合理，权重结果是否客观，不仅能够直接影响森林健康监测结果的精确程度，而且对最后的森林健康状况评价的影响也十分巨大[30-31]。常用的指标权重确定的方法有很多，如层次分析法 (AHP)、专家打分法 (Delphi)、主成分分析法、熵值法等[32-33]。

本研究中采用层次分析法[29,34]，将其与该区域内各植被指数分析结果和地形因子相合 (图4)，在此基础上通过采用调查问卷的形式，广泛征求各方面专家的意见，进行定性定量分析，确定判断标度，得到判断矩阵以及各层次指标权重 (表3)[35-36]。

图4 森林健康评价指标层次

Fig.4 Indicator system of the FHI evaluation model

表3 指标权重汇总

2.5 判断矩阵一致性检验

专家打分存在一定的人为干扰因素，与理论上的判断矩阵存在一定误差，因此需要对分析结果进行一致性检验以判断矩阵是否合理，检验指标为CI[37-39]。

式中：n为矩阵阶数；λmax对应判断矩阵的最大特征根。

本研究为防止各专家因认识不同所引起的随机误差，故加入一致性检验指标RI。

CR=CI/RI

式中：CR为一致性比例，当CR < 0.10时，认为判断矩阵一致性是合理的；当CR ≥ 0.10时，认为判断矩阵的一致性不合理，应该加以修改。CI为一致性指标，当CI=0时，表明矩阵具有完全一致性[29,35]。由表4可知，各判断矩阵具有很好的一致性。

表4 一致性检验

2.6 评价模型的建立

根据前文中计算出来的14个植被指标建立森林健康状况评价模型。

在该森林健康状况评价模型FHI中，va、vb、vc分别表示绿度指数、叶色素指数、光利用率指数等3方面涉及的植被指数，vd表示地形因子；W1、W2、W3、W4表示以上4个方面的权重，且W1+W2+W3+W4=1；wa、wb、wc、wd表示每个指数指标方面所占的权重，且

基于上述判断矩阵给各指标权重赋值，得到关于本研究的森林生态系统健康模型：

FHI=(0.5×VPRI+0.157 1×VSIPI+0.249 5×VRGI)×0.136 4+(0.332 5×VCRI1+0.527 8×VCRI2+0.139 6×VARI1)×0.136 4+(0.332 5×VNDVI+0.075 9×VEVI+0.075 7×VRVI+0.148 7×VSGI+0.238 4×VNDVI705+0.128 0×VVOGI1)×0.232 2+(0.666 7×V坡度+0.333 3×V坡向)×0.495 0

3 结果与分析

3.1 森林健康分级标准

基于ENVI软件中的band math运算模块并结合Arcgis中的叠加分析模块，对影像逐像元进行处理，得到研究区森林生态系统健康评价模型。为了使显示结果与国家森林资源连续清查森林健康监测的评定标准相一致，本研究采用样点实地调查法将森林健康评价结果划分成健康、亚健康、中健康和不健康4个等级。样地点调查指标评判分级标准见表5。

表5 样地点调查指标评判分级标准

3.2 森林健康分级结果

将野外实地调查获取的50个样地点GPS坐标数据叠加到研究区高山松森林健康等级评价分布图上，提取各样点的森林健康指数值，并基于实地调查评判标准将其分级，得出每一级的平均值、最大值与最小值。实测样地数据选取树高、森林郁闭度、龄级、单位面积蓄积、坡度、坡向以及高山松受灾害程度等，并对数据进行综合调查筛选，最终选取具有代表性的50个纯林样地数据，其中包括：被火烧林地3块、病虫害林地1块、幼龄林5块、中龄林10块、近熟林10块、成熟林13块以及过熟林8块，各林地空间分布均匀。调查分析结果见表6。

由表6的调查结果显示，研究区域遥感影像的森林健康指数 (FHI) 为-0.25～75.34，平均值为33.23，研究区森林整体处于亚健康状态。从等级分析可以看出，不健康森林面积约占森林总面积的16.24%；中度健康面积为1 643.31 hm2，约占森林总面积的31.60%；亚健康森林面约为25.80%；健康面积约为26.36%最终筛选的50个纯林样地中，3块火烧林地、1块病虫害林地以及其他部分林地处于不健康状态，占研究区总面积的16.24%。

表6 森林健康等级划分

与不健康状态相关的主要是胡萝卜素指数1、胡萝卜素指数2、花青素指数1等与森林健康状况呈负相关的植被指数，此外也包括可以敏感反应叶片内胡萝卜素含量的光化学植被指数等；而与健康状态相关的植被指数为归一化植被指数、比值植被指数、增强型植被指数等，这些指数与森林健康状况均呈正相关关系。

通过前文公式计算，最终得到研究区精确的高山松森林健康等级分布图，见图5。

图5 森林健康等级分布图

Fig.5 Distribution of forest health level

4 结论与讨论

本研究选取香格里拉高寒山区典型森林生态系统高山松纯林为研究对象，在对Hyperion数据进行预处理的前提下，提取14个能敏感反应森林健康状况的植被指数，并通过计算健康指数得到研究区遥感影像的森林健康指数为-0.25～75.34，平均值为33.23，研究区森林整体处于亚健康状态。其中不健康森林面积约占森林总面积的16.24%，中度健康面积约为31.60%，亚健康森林面约为25.80%，健康面积约为26.36%。

对于森林生态系统健康状况评价的研究，国内外相关领域在理论方面探讨的较多，但总体来说，仍然缺乏一个完善的评价指标体系和技术手段。因此，在对香格里拉高寒山区典型森林生态系统健康监测与评价过程中，仍然存在一些亟待解决的问题。首先在评价指标的选取上，受研究条件等方面的影响和限制，一些重要的指标没有考虑进来，因此削弱了评价的完整性与精度；其次无论是在指标选取和指标赋权过程中，都是依靠个人经验和相关领域专家帮助，带有较大的主观成分；最后，对于计算结果的精度还有待进一步推敲验证。

[1] Chirici G, Corona P, Portoghesi L. Global forest resources assessment[J]. Italian Journal of Forest & Mountain Environments, 2013.

[2] 薛沛沛, 王兵, 牛香, 等. 森林生态系统健康评估方法的现状与前景[J]. 中国水土保持科学, 2012, 10(5): 109-115.

[3] 谷建才, 陆贵巧, 白顺江, 等. 森林健康评价指标及应用研究[J]. 河北农业大学学报, 2006, 29(2): 68-71.

[4] 陈高, 代力民, 范竹华, 等. 森林生态系统健康及其评估监测[J]. 应用生态学报, 2002, 13(5): 605- 610.

[5] Dayle D. Bennett, Borys M. Tkacz. Forest health monitoring in the United States: a program overview[J]. Australian Forestry, 2008, 71(3): 223-228.

[6] 徐世芳, 李小英, 夏静, 等. 昆明海口林场森林健康状况评价[J]. 西南林业大学学报, 2015, 35(2): 68-72.

[7] 王懿祥, 陆元昌, 张守攻, 等. 森林生态系统健康评价现状及展望[J]. 林业科学, 2010, 46(2): 134- 140.

[8] 宋发荣. 香格里拉县的森林资源及其特点分析[J]. 西部林业科学, 2008, 37(1): 124-128.

[9] 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, 2012.

[10] 杨学光. 香格里拉县林业志[M]. 昆明: 云南民族出版社, 2006.

[11] 单之蔷. 大香格里拉序篇: 八大重合横断山[J]. 中国国家地理, 2004(7): 38-41.

[12] 刘建帮, 曾启相, 罗文礼. 高山松 (PiunsdensataMast) 生物学特性及人工直播更新试验观察[J]. 四川林业科技, 1981(4): 25-28.

[13] 曾平江, 陈全春. 米亚罗林区高山松的更新特性和生长状况的初步调查[R]. 1979年四川高山林业研究资料集刊, 1979.

[14] 郭立群. 滇西北地区高山松的林学特性及更新过程的研究[J]. 云南林业科技, 1982(1)： 1-19.

[15] 中国植被编辑委员会. 中国植被[M]. 北京: 科学出版社, 1980.

[16] Richard Beck. EO-1 User Guide v.2.3.2003[R/OL]. http://eol.usgs.gov & http://eol.gsfs.nasa, gov.[17] 谭炳香, 李增元, 陈尔学, 等. 高光谱遥感森林信息提取研究进展[J]. 林业科学研究, 2008, 21(S1): 105-111.

[18] 杨玲莉, 张廷斌, 何菊红, 等. 基于ENVl的Hyperion数据预处理方法[J]. 河南科技, 2015(9): 39- 42.

[19] 梁继, 王建. Hyperion高光谱影像的分析与处理[J]. 冰川冻土, 2009, 31(2): 247-253.

[20] 李晓松, 李增元, 高志海, 等. 基于Hyperion植被指数的干旱地区稀疏植被覆盖度估测[J]. 北京林业大学学报, 2010, 32(3): 95-100.

[21] 胡晓雯, 曹爽, 赵显富. 基于植被指数的绿地信息提取的比较[J]. 南京信息工程大学学报, 2012, 4(5): 420-425.

[22] 冯露, 岳德鹏, 郭祥. 植被指数的应用研究综述[J]. 林业调查规划, 2009, 34(2): 48-52.

[23] 马春林. 基于植被指数NDVI的遥感信息提取[J]. 中国高新技术企业, 2008(10): 114.

[24] 郭凯, 孙培新, 刘卫国. 利用遥感影像软件ENVI提取植被指数[J]. 红外, 2005(5): 10-12.

[25] 田庆久, 闵祥军. 植被指数研究进展[J]. 地球科学进展, 1998, 13(4): 327-333.

[26] 郭铌. 植被指数及其研究进展[J]. 干旱气象, 2003, 21(4): 71-75.

[27] 彭涛, 高旺盛, 隋鹏. 农田生态系统健康评价指标体系的探讨[J]. 中国农业大学学报, 2004, 9(1): 21-25.

[28] 许明祥, 刘国彬, 赵允格. 黄土丘陵区土壤质量评价指标研究[J]. 应用生态学报, 2005, 16(10): 1843-1848.

[29] 王琦, 杜燕, 郑小贤. 将乐林场常绿阔叶林健康评价指标体系构建[J]. 西南林业大学学报, 2014, 34(5): 74-78.

[30] 庞彦军, 刘开第, 张博文. 综合评价系统客观性指标权重的确定方法[J]. 系统工程理论与实践, 2001, 21(8): 37-42.

[31] 郭颖杰, 张树深, 陈郁. 生态系统健康评价研究进展[J]. 城市环境与城市生态, 2002(5): 11-13.

[32] 王靖, 张金锁. 综合评价中确定权重向量的几种方法比较[J]. 河北工业大学学报, 2001, 30(2): 52-57.

[33] 朱方霞, 陈华友. 确定区间数决策矩阵属性权重的方法: 熵值法[J]. 安徽大学学报 (自然科学版), 2006, 30(5): 4-6.

[34] 聂力. 东钱湖区域森林生态系统健康评价研究[D]. 上海: 华东师范大学, 2008.

[35] 李艳萍, 乔琦, 柴发合, 等. 基于层次分析法的工业园区环境风险评价指标权重分析[J]. 环境科学研究, 2014, 27(3): 334-340.

[36] 姜孟竹, 刘兆刚, 李元. 大兴安岭盘古林场森林健康评价与分析[J]. 中南林业科技大学学报, 2014, 34(7): 73-79.

[37] 张金屯. 植被数量生态学方法[M]. 北京: 中国科学出版社, 1995.

[38] 李秀英. 森林健康评价指标体系初步研究与应用[D]. 北京: 中国林业科学研究院, 2006.

[39] 陈美球, 黄靓, 蔡海生, 等. 鄱阳湖区土地健康评价[J]. 自然资源学报, 2004, 19(2): 170-175.

(责任编辑曹龙)

The Health Classification ofPinusdensataTypical Forest Ecosystem in Alpine Region of Northwestern Yunnan Based on Hyperion Data

Hong Jiao, Shu Qingtai, Wu Jiaojiao, Lang Xiaoxue

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

The purePinusdensataforest of the typical forest ecosystem in the alpine region of Shangri-La is selected as the research subject and Hyperion images are taken as the data source. Based on using the sensitivity analysis method to screen out thePinusdensataforest′s health evaluation index system, the forest health index comprehensive evaluation model of the research zone is set up based on image elements. By using the analytic hierarchy process method and the Delphi method, this paper determines various indexes′ weighted values and combines the investigated data of the ground surface to classify the research zone′s forest health indexes into four levels, including healthy, sub-healthy, moderately healthy and unhealthy. Results have shown that the forest health index of the research zone′s remote images is in the range of -0.25～75.34,and the average value is 33.23, the research zone′s forest is generally in the sub-healthy state. The unhealthy area, moderately healthy area,sub-healthy area and healthy area occupies of the forest′s total area is 16.24%, 31.60%, 25.80% and 26.36%, respectively.

Hyperion data, vegetation index, forest health,Pinusdensata, ecosystem