基于不同立地质量的松树林分生物量遥感估测

刘 俊 ，孟 雪 ，高媛赟 ，温小荣 ，林国忠 ，佘光辉 ，刘雪慧

（南京林业大学 a.南方现代林业协同创新中心；b.林学院，江苏 南京 210037）

基于不同立地质量的松树林分生物量遥感估测

刘 俊a，b，孟 雪a，b，高媛赟a，b，温小荣a，b，林国忠a，b，佘光辉a，b，刘雪慧a，b

（南京林业大学 a.南方现代林业协同创新中心；b.林学院，江苏 南京 210037）

基于2007年建德市森林资源二类调查数据和TM影像数据，采用蓄积量—生物量换算因子连续函数法计算松树生物量，对松树树种分立地质量等级和不分地位等级2种类型建立生物量的遥感估测模型，并进行精度检验。结果表明：（1）以TM遥感影像主成分分析中第一主成分为自变量的模型拟合效果最好，决定系数R2均在0.6以上，最高0.773。（2）利用预留独立样本对模型精度进行验证，不分地位级总体估测精度为92.51%，分立地质量等级好、中、差3种类型总体估测精度分别为97.66%、96.56%、97.32%，分不同立地质量等级建模精度明显优于统一建模的精度。研究结果为森林生物量遥感估测提供一种改进的思路，且为提高森林生物量和碳储量遥感估测精度提供一种参考方法。

TM影像；森林生物量；立地等级；一元线性回归

森林生物量是森林在一定时期内森林群落所积累的干物质的总量，是评价森林生态系统生产力和陆地生态系统功能的重要指标，准确估算森林生态系统生物量对研究陆地生态系统碳循环及全球气候变化研究具有重要意义[1-3]。20世纪70年代，遥感技术被引进我国，随着遥感事业的长足发展，遥感技术很快被应用于林业领域，森林生物量的遥感定量估测也成为了研究的热点问题[4-6]。

基于遥感技术进行森林生物量估算研究时，主要是利用遥感影像数据、地形图结合少量样地调查数据，采用一元线性回归和逐步回归、偏最小二乘、岭估计的多元回归估计等方法建立生物量估测模型。张艳楠等[7]以各植被指数为自变量，通过一元线性回归模型和指数模型，对内蒙古锡林浩特市白音锡勒典型草原生物量遥感估测应用中的问题进行了探讨。王清梅等[8]以华北落叶松人工林为研究对象，基于TM遥感影像数据和野外实测样地生物量数据，利用一元回归和逐步多远回归分析法建立森林生物量的回归模型，并对二者进行了对比分析。王霓虹等[9]以孟家岗林场的三类小班清查数据为基础，选取与生物量水平相关的11个因子,利用C5.0算法和Apriori算法进行生物量决策树建模，结果表明生物量决策树模型的分类预测精度为88.78%。刘琼阁等[10]基于TM遥感影像和国家森林资源清查资料，选取遥感因子、地形因子在内的16个因子为自变量，利用偏最小二乘法对密云县森林生物量进行了遥感估测，精度达90.1%。徐婷等[11]基于Landsat8 OLI影像和样地调查数据，选取不同波段线性和非线性组合、纹理信息以及主成分分析、最小噪声分离变换等在内的53个特征变量，利用多元逐步回归法建立了森林生物量估测模型，结果表明分不同森林类型比不分类型估测精度有明显的提高。庞勇[12]用机载激光雷达点云数据和地面实测样地数据，估测了典型森林类型的树叶、树枝、树干、地上、树根和总生物量等组分的生物量。王红岩等[13]基于SPOT5遥感影像数据和野外调查样地数据，利用多元线性回归模型性、指数模型、一元线性回归模型分别建立丰宁县森林、灌丛、草地地上生物量。以上研究通常只针对遥感影像传感器、光谱和纹理特征组合、不同数学建模方法进行改进研究，很少区分森林类型和立地质量类型分别讨论反演精度。因此，本研究以2007年TM遥感影像数据和建德市森林资源二类小班数据为数据源，采用地位级法评定林分的立地质量，对松树林分不同立地质量等级和不分地位级两种类型建立森林生物量的一元线性遥感估测模型，并进行相关的精度评价，旨在为进一步提高和完善森林生物量遥感监测体系提供一种新的思路和方法。

1 研究区概况

建德市地处浙江省西部，钱塘江水系中上游，杭州—黄山黄金旅游线中段。地理位置为东经118°54'～ 119°45'，北纬 29°13'～ 29°46'。该区属亚热带季风气候区，具温暖湿润、雨量充沛、四季分明的亚热带季风气候特点。年平均气温16.9 ℃，最低月（一月）均温4.8 ℃，最高月（七月）均温35.1℃。土壤类型主要有红壤、黄壤、岩性土、潮土和水稻土5类，森林植被类型主要有常绿阔叶林、针叶林、落叶阔叶林、竹林、经济林等。

2 数据来源与研究方法

2.1 数据获取

建德市森林生物量遥感定量估测研究的基础资料如下。

1）森林资源二类调查数据：获取建德市2007年森林资源二类规划调查小班矢量数据，属性表中包括小班优势树种、处理年份、地类、林种起源、树种组成、优势树种、年龄、龄组、平均胸径、平均高、郁闭度、单位株数、计株数、单位蓄积、计蓄积、坡度、坡向、海拔等。其中优势树种为松树且蓄积量大于0的小班7 505个，各小班平均年龄在5～60 a之间，平均高4～21 m，平均胸径4～42 cm，各小班平均每公顷蓄积量为4.5～316.5 m3。

2）遥感数据：本研究使用Landsat TM遥感影像。影像数据为http：//www.glovis.usgs.gov网站上获取，综合考虑时相和云量等因素选取成像时间为2007年03月29日，条带号为119～040和119～039，覆盖建德市的2景TM遥感影像。波段1～5和波段7空间分辨率为30 m，波段6分辨率为120 m。由于波段6为热红外波段，用于感应发出热辐射的目标，所以本研究不考虑该波段，只研究波段1～5和波段7与生物量的相关性。利用ENVI5.1和ArcGIS10.1对影像进行辐射定标、大气校正、裁剪与镶嵌，并利用已经校正过的地形图，选取地面控制点50个，采用二次多项式模型，平均误差控制在1个像元对影像数据进行几何精校正，以满足森林生物量遥感定量估测分析需要。

2.2 蓄积量与生物量转换方法

根据建德市2007年森林资源二类调查数据、林相图以小班为单位算出优势树种为松树的面积和蓄积，采用基于生物量与蓄积量之间关系的生物量换算因子连续函数法，对建德市优势树种为松树的小班森林生物量和生产力进行估算，其中树种类型为松树的转换模型参数计算方法见公式（1）[14]。

式中：B为每公顷生物量（t/hm2）；V为每公顷蓄积量（m3/hm2）。

把优势树种为松树的各小班每公顷平均蓄积量代入公式（1），算出对应各小班每公顷的平均生物量，再根据各小班的面积得出各小班的总生物量。

2.3 立地质量评价方法

本文中采用地位级法进行立地质量的评价。地位级法是反映林地生产力的一种相对度量指标，它是依据林分平均高与林分平均年龄的关系，按相同年龄时林分平均高的变动幅度划分为若干个级数，通常为5～7级，以罗马数字Ⅰ、Ⅱ、Ⅲ…符号依次表示立地质量的高低，将每一地位级所对应的各个年龄时的平均高列成表即为地位级表[15]。导向曲线的选定是编制地位级表的关键。本文中基于建德市森林资源二类小班调查数据，对优势树种为松树且郁闭度0.5以上的小班，依据平均高和平均年龄建立一条代表中等立地等级条件下的地位级导向曲线[16]。通过不同数学模型比较选出对数曲线H=a+bln(A)作为松树地位级导向曲线的最优模型，方程如下：

以导线曲线为基础，采用比例法确定地位等级的上下界线，以导向曲线的1.8倍高处为上界线，0.3倍为下界线[17]。用f(A)表示导向曲线方程，则上下界模型分别为1.8f(A)和0.3f(A)。把松树分为5个地位级数，各等分高度间隔为(1.8-0.3)f(A)/5=0.3f(A)，各等级下界限曲线表达式为：H=f(A)(1.80-0.3K)，K=1，2，…，5，K值等于地位级值，即Ⅰ地位级的K=1，Ⅱ地位级K=2，…，Ⅴ地位级的K=5，相邻两地位级下界限就是各地位级不同年龄时的H上下限值，按不同年龄列成表就是地位级表（见表1）。

表1 松树地位级表Table 1 The site class table of pine

2.4 特征变量的选取

根据已有的研究，对单波段进行线性和非线性组合，可以在不同程度上增强植被信息或抑制非植被信息，选取包括单波段、植被指数、波段运算、第一主成分等在内的13个遥感因子作为备选自变量[18]，其中第一主成分为TM影像各波段（TM1～5、TM7）做主成分分析中得到的第一主成分，包含了原数据99.81%的信息。利用ENVI5.1和ArcGIS10.1提取对应小班的各遥感因子，然后再筛选出与森林生物量密切相关的特征参数，进而完成对森林生物量的遥感估测。

以森林资源二类调查数据中各小班的生物量总量为因变量，以各小班单遥感因子的信息总量为自变量，把松树分为不分地位级和分不同立地质量等级两类，其中把地位级为Ⅱ、Ⅰ的立地质量评价为好，地位级为Ⅲ的立地质量评为中等，地位级为Ⅴ、Ⅳ的立地质量评为差，剔除郁闭度、计蓄积为0的小班数据，并依据生物量与各遥感因子的散点图剔除明显异常的数据以及运用标准差分析法进行筛选，剔除各遥感因子中＞2Sj的样本数据，其中xij为第i个立地质量类型样本的第j个变量的测量数据，为第j个变量的样本平均值，Sj为第j个变量的样本标准差。剔除异常样本数据后松树全体和分不同质量类型的建模和验证样本数见表2。

表2 松树不同立地质量等级的建模、验证样本数Table 2 Modeling and validation samples of different site quality of pine

3 结果与分析

3.1 特征变量与生物量的相关分析及优选结果

回归自变量的筛选是建立回归模型的关键之处。对松树分不同立地质量等级和不分地位级两种类型计算各因子与生物量之间的相关性及方差扩大因子，选取与生物量相关性强的因子，分析结果如表3所示。

从表3可以看出，生物量与TM影像第一主成 分、NDVI、DVI、RVI、TM4、TM2/TM4、TM5/TM4决定系数R2均较高，其中分不同立地质量等级和不分地位级两种类型的第一主成分决定系数R2均最高，其它因子决定系数较低。可见遥感因子中与植被有关的红外、近红外、植被指数、和第一主成分对生物量的解释能力较强。所选变量的方差扩大因子均大于100，可知变量因子之间存在强相关性，多项式模型容易过度拟合，且生物学意义不明确[19]。因此本研究将采用以TM影像主成分分析中小班的第一主成分因子信息量总和为自变量，各小班的总生物量为因变量，采用一元线性回归建立森林生物量估测模型，降低变量之间的相关性。

3.2 生物量估测模型的建立

本研究利用SPSS统计软件，采用一元线性回归方法, 以小班的生物量为因变量，小班提取的第一主成分遥感因子为自变量，对松树分不同立地质量等级和不分地位级两种类别分别建立生物量估测模型，结果见表4。

表4 松树不同立地质量等级建模结果Table 4 The models of different site quality types of pine

从表4可知，各类模型拟合决定系数R2均在0.6以上，最高为0.773。对不同立地质量类型建模方程进行F检验，通过查F分布表可知在显著水平0.01的水平上，林分生物量估测模型的F值均＞F0.01且P=0.000，F检验均达到极显著水平，表明一元线性方程拟合度好，线性相关性显著。

3.3 生物量估测模型验证及精度分析

为了验证模型的精度，将预留样本中的自变量值代入式（1）～式（4），得到松树不分地位级和分3种不同立地质量等级的样地生物量估测值，并与真实值进行精度检验。由表5可知，其总体估计精度分别如下：松树不分地位级为92.51%，立地质量好为97.66%，立地质量中等为96.56%，立地质量差为97.32%，估测精度均较高，且分不同立地质量等级的估测精度要比不分地位级的估测精度有明显提高。对估测值和实测值进行线性拟合，结果如图1、2所示，二者决定系数R2均在0.7以上，通过查F分布表可知在显著水平0.01的水平上，林分生物量估测模型的F值均＞F0.01且P=0.000，F检验均达到极显著水平，表明生物量样本估测值与实测值拟合较好，线性相关性显著。

表5 松树不同立地质量类型生物量估测及精度结果Table 5 Biomass estimation and accuracy of different site quality types of pine

图1 不分地位级小班生物量预测值与实测值的拟合曲线(t)Fig.1 The fi tting curve of forecast value and actual value of sample of non status

4 结 论

本研究以森林资源二类调查数据和TM影像为基础，基于生物量与蓄积量之间关系的生物量换算因子连续函数法算出每个小班对应的生物量，以各小班总生物量为因变量，各遥感因子小班面积提取信息总量为自变量，研究了松树分不同立地质量等级和不分地位级的两种类型分别建立一元线性回归的森林生物量估测模型。得到的主要结论如下。

(1)通过对遥感因子与生物量的相关性比较分析，得出TM影像主成分分析得到的第一主成分相关性最好，并以此作为自变量。

(2)按树种类型和立地质量类型建立一元线性回归模型，模型分别为：

松树(不分地位级)，Y=0.000 78×XPC1+5.984，R2=0.628；

松树(立地质量好)，Y=0.000 12×XPC1+5.501，R2=0.714；

松树(立地质量中等)，Y=0.000 84×XPC1+0.970，R2=0.720；

松树(立地质量差)，Y=0.000 73×XPC1-7.805，R2=0.773。

模型决定系数R2均在0.6以上,最高0.773，且F显著性检验概率P值均小于0.001，线性拟合度好，线性相关性显著。

（3）经过验证样本的检验，松树分不同立地质量等级比不分地位级估测精度有明显提高。各类别一元线性回归样本总体估测精度分别如下：松树（不分地位级）92.51%，立地质量好97.66%，立地质量中等96.56%，立地质量差97.32%。并对实测生物量与模型反演生物量进行线性拟合，得到的决定系数R2均在0.7以上，两者F检验线性相关性显著（P＜0.001)。研究结果基于树种类型和不同立地质量类型的小班组合为森林生物量遥感估测提供一种改进的思路，且为提高森林生物量和碳储量遥感估测精度提供一种参考方法。

图2 不同立地质量等级小班生物量预测值与实测值的拟合曲线Fig.2 Fitting curve of forecast value and actual value of sample of different site quality

[1]李海奎,雷渊才.中国森林植被生物量和碳储量评估[M].北京:中国林业出版社,2010.

[2]冯宗炜,王效科,吴 刚.中国森林生态系统的生物量和生产力[M].北京:科学出版社,1999.

[3]Brown S, Sathaye J, Canell M, et al. Mitigationof carbon emission to the atmosphere by forest management [J].Common For. Review, 1996, 75(1):80-91,109,111-112.

[4]赵宪文,李崇贵,斯 林,等.森林资源遥感估测的重要进展[J].中国工程科学,2001,3(8):15-24.

[5]Andre T C D, Eduardo A M.SimoneAparecida aboveground biomass stock of native woodland on a Brazilian sandy coastal plain: Estimates based on the dominant tree species [J]. Forest Ecology and Management,2006,226:364-367.

[6]WIJAY A, KUSNADI S, GLOAGUEN R, et al. Improved strategy for estimating stem volume and forest biomass using moderate resolution remote sensing data and GIS[J]. Journal of Forestry Research,2010, 21(1):1-12.

[7]张艳楠,张 庆,杨 艳,等.植被指数在典型草原生物量遥感估测应用中的问题探讨[J].草业学报,2012,21(1):229-238.

[8]王清梅,包 亮,周 梅,等.华北落叶松人工林生物量及碳储量遥感模型研究[J].林业资源管理,2014,(4):52-57.

[9]王霓虹,高 萌,李 丹,等.基于C5.0与Apriori算法的森林生物量等级评价与因子关联分析[J].中南林业科技大学学报,2015,3(35):1-6.

[10]刘琼阁,彭道黎,涂云燕,等.基于偏最小二乘的森林生物量遥感估测[J].东北林业大学学报,2014,42(7):44-47.

[11]徐 婷,曹 林,佘光辉.基于Landsat8OLI的特征变量优化提取及森林生物量反演[J].遥感技术与应用,2015,30(2):226-234.

[12]庞 勇,李增元.基于机载激光雷达的小兴安岭温带森林组分生物量反演[J].植物生态学报,2012,36(10):1095-1105.

[13]王红岩,高志海,王琫瑜,等.基于SPOT5遥感影像丰宁县植被地上生物量估测研究[J].遥感技术与应用,2010, 25(5):639-646.

[14]刘 磊.基于多源数据的森林生物量与生产力估算研究[D].南京:南京林业大学,2010.

[15]孟宪宇.测树学[M].北京:中国林业出版社,2006: 99-111.

[16]周春国,徐雁南.地位级表编制的新方法[J].华东森林经理,1997, (11):11-13.

[17]林昌庚,周春国,林俊钦,等.关于地位级表[J].林业资源管理,1997,(5):30-33.

[18]张 超,彭道黎,涂云燕,等.利用TM影像和偏最小二乘回归方法估测三峡库区森林蓄积量[J].北京林业大学学报,2013, 35(3): 11-17.

[19]Gao J. Quanti fi cationof grassland properties :how it can bene fi t from geoinformatic technologies [J].International Journal of Remote Sensing, 2006, 27(7):1351-1365.

Remote sensing estimation of pinestand biomass based on different site quality

LIU Juna,b, MENG Xuea,b, GAO Yuan-yuna,b, WEN Xiao-ronga,b, LIN Guo-zhonga,b, SHE Guang-huia,b, LIU Xue-huia,b
(a. Co-Innovation for Sustainable Forestry in Southern China; b. College of Forestry, Nanjing Forestry University, Nanjing 210037,Jiangsu, China)

Based on the forest resource survey data of Jiande and TM image data in 2007, pine biomass was calculated by the expansion factor function method which was derived from the relationship between biomass and volumeto establish and evaluate the precise of the volume remote sensing estimation model, which is on pine trees with or without the discrete quality grades. Site quality grade according to the average height of the small class and the average age of the establishment of the status table is divided into good, medium and poor three types.Total volume of the sub-compartment is the dependent variable, andeach individual remote sensing contentis the independent variable.As the results showed: (1) the fi rst principal component analysis of R2Landsat TM image is the best, the coef fi cient of determination is 0.6, the highest is 0.773.(2) The reserved independent sample on the accuracy of the model is validated, not separate the overall level of quality estimation accuracy was 92.51%, discrete to the overall level of quality estimation accuracy was 97.66%,96.56%, 97.32% respectively, the classi fi cation modeling precision is much better than the uni fi ed modeling accuracy. The research results provide an improved method for the estimation of forest volume, and provide a reference for improving the accuracy of forest biomass and carbon storage estimation.

TM image; forest biomass; site class; linear regression

S757

A

1673-923X(2016)05-0041-06

10.14067/j.cnki.1673-923x.2016.05.008

2015-03-10

国家948计划项目（2013-4-63）；南京林业大学科技创新基金项目（CX2011-24）；江苏省林业三新工程（LYSX[2015]19）；江苏高校优势学科建设工程资助项目（PAPD）

刘 俊，硕士研究生 通讯作者：温小荣，副教授；E-mail：njw9872e@163.com

刘 俊，孟 雪，高媛赟，等.基于不同立地质量的松树林分生物量遥感估测[J].中南林业科技大学学报,2016,36(5):41-46.

[本文编校：谢荣秀]