基于遥感的森林健康度分析*——以东莞桉树林为例

樊 晶 杨燕琼

（华南农业大学 林学与风景园林学院，广东 广州 510642）

基于遥感的森林健康度分析*
——以东莞桉树林为例

樊 晶 杨燕琼

（华南农业大学 林学与风景园林学院，广东 广州 510642）

以东莞市内桉树林为研究对象，2014年Landsat 8数据及森林资源调查数据作为主要信息源，通过相关分析和主成分分析，探讨TM光谱值、植被指数对东莞桉树健康度的解释作用。结果表明：公顷株数、郁闭度、TM11/TM10、TM7、TM11-TM10、EVI、平均胸径、坡向、坡位、PVI、TM5/TM4、坡度、海拔和NDVI是反映桉树林健康度的主要因子，利用遥感因子TM7、TM11-TM10、TM5/TM4、TM11/TM10、NDVI、EVI、PVI可快速判断桉树林的健康状况，判对率达92.00%。

森林健康；主成分分析；遥感；桉树

遥感技术可对森林资源状况进行实时动态分析，能克服传统森林资源调查代价高昂、时空局限性、整体结果可信度低的缺点[1-2]，利于较好地了解时空异质性和等级结构复杂的森林健康状况，被广泛应用于单木[3]、 林分[4-8]、 景观[9-15]和区域[16-19]4 个尺度的森林健康研究。为进一步推进森林城市建设科学规范有序开展，2012年2月23日，国家林业局批准公布了《国家森林城市评价指标林业行业标准》，并于2012年7月1日起正式实施[20]。该标准对东莞市森林城市建设以及城市森林健康指标体系提出了明确要求，为森林保护和可持续经营方案及措施的制定提供了参考。但当前森林健康研究偏重于生态水平，指标选择方面存在交叉重复现象，有较高的正、负关联性；指标独立性差，对特定森林类型的评价针对性不强，而利用3S技术在内的多尺度技术和方法进行森林健康研究，不仅能够克服这些缺点，而且能够实现长时间的森林健康监测和健康状况预测。本文以Landsat 8 TM图像为遥感数据源，采用非线性拉伸法处理遥感图像，提取、构建桉树林的光谱信息，利用主成分分析研究东莞市桉树林分的健康度和遥感因子及其他外业调查因子之间的关系，找出反映桉树林健康度最重要的因子，探讨快速判断森林健康状况的遥感方法，能为基于遥感技术的森林健康评价提供参考。

1 材料与方法

1.1 研究区概况

广东省东莞市国土面积24.6万hm2，地处113°31′～114°15′E， 22°39′～23°09′N，属亚热带季风气候，日照充足，雨量充沛。地势东南高、西北低，以丘陵台地、冲积平原为主，海拔200～600 m。东莞市地形复杂，气候条件优越，孕育了丰富的植物资源。该共有野生维管植物1 630种，其中蕨类植物125种，裸子植物7种，被子植物1 498种，被子植物中双子叶植物有1 135种，单子叶植物363 种[21-22]。

1.2 遥感数据获取与处理

综合考虑东莞市天气状况，卫星影像分辨率、性能和价格等因素，本文以2014年1月的Landsat-8数据为主要信息源，对东莞市桉树林健康度进行遥感分析。该数据共有11个波段，空间分辨率为30 m。利用ENVI的FLAASH模块对TM图像进行大气校正（除热红外波段外），以2008年美国Quickbird影像图和均匀分布的52个控制点为基准对TM图像进行几何精校正，地面分辨率均重采样到30 m，中误差均小于0. 386 7 m；用ERDAS图像处理软件对图像进行分段线性拉伸、裁剪、假彩色合成（图1）。

采用2 000个桉树林小班的外业调查数据，从中随机抽取1 100个小班进行相关分析和主成分分析，其余900个小班用于精度检验。根据外业调查数据，用ERDAS软件对每个桉树小班均匀读取3～5次，取平均值作为该桉树小班的光谱值。

1.3 研究方法

根据国家森林资源连续清查森林健康等级评定标准，把森林划分为健康、亚健康、中健康、不健康 4 个等级[23]，因中健康与不健康的桉树林光谱值差异微小，所以将中健康和不健康放在一起研究。利用数量化理论I对地形、坡位、坡向、龄组和健康度共5个非量化因子进行数量化[24]。

图1 2014年东莞市假彩色合成

表1 桉树林健康度指标因子

用IBM SPSS22.0统计分析软件，对98个遥感因子与22个外业调查因子（表1）进行相关分析，筛选出0.05以上显著水平的遥感因子和外业调查因子，然后用主成分分析法选出解释桉树林健康度的最重要的遥感因子，并进行精度检验。

2 结果与分析

2.1 相关分析

通过对1 100个桉树林分的遥感因子与外业调查因子的相关分析，得到遥感因子和外业调查因子中与桉树林健康显著相关的因子，见表2。坡位、坡向、海拔、郁闭度、林龄、平均高、平均胸径、公顷株数、TM7、TM10、TM11、TM10-TM4、TM10-TM7、TM11-TM5、TM11-TM6、TM11-TM7、TM11-TM10、TM10/TM5、TM10/TM6、TM11/ TM10、NDVI、EVI、PVI、公顷蓄积、乔木生物量、下木生物量共27个因子与桉树林健康度极显著相关（P＜ 0.01）。坡度、TM5、TM6、TM9、TM5-TM4、TM7-TM5、TM7-TM6、TM9-TM7、TM10-TM3、TM11-TM1、TM11-TM4、TM5/TM3、TM6/TM5、TM9/TM7、TM10/TM3、TM10/TM4、TM11/TM3、TM11/TM4、TM11/ TM5、TM11/TM6、TM11/TM7、TM11/TM9、 GNDVI、TVI、SAVI、OSAVI、干生物、枝生物量、叶生物量、根生物量、草本生物量、灌木生物量共32个因子与桉树林健康度显著相关（P＜0.05）。其中，与桉树林健康度相关性较高的遥感因子有TM11-TM10、TM11/TM10、TM7、NDVI 和PVI；与桉树林健康度相关性较高的外业调查因子有郁闭度、坡向、海拔、坡位、坡度。这说明绿色波段（第3波段）、红色波段（第4波段）、近红外波段（第5波段）、中红外波段（第7波段）和热红外波段（第10、11波段）直接或间接反映了桉树林健康度。

2.2 主成分分析

为减少信息冗余，探讨遥感因子对桉树林健康度的解释作用，用相关分析筛选出的与桉树健康度相关度较高的因子和健康度进行主成分分析，结果抽样适度测定值KMO为0.627（大于0.5），表明主成分分析结果有效[25-26]。由主成分分析的累积误差知，前4个主成分可以反映59个因子的94%信息，且健康度的系数较大，故取4个主成分来分析，各主分量的表达式如下：

第1主成分：F1 = 0.458公顷株数-0.334健康度+ 0.276坡向-0.262坡位-0.219坡度-0.212海拔 + 0.174 TM7-0.167DBH+ ……

表 2 桉树林健康度相关分析

第2主成分：F2 = 0.456郁闭度-0.338 DBH + 0.253PVI+ 0.249公顷株数+0.247 (TM11/TM10 )+ 0.230健康度 + 0.171坡位 + 0.158海拔+ 0.151 （TM11-TM10）+ ……

第3主成分：F3 = 0.371TM7+ 0.344 EVI + 0.220 （TM5/TM4）+ 0.209 PVI+ 0.204 NDVI+ 0.180健康度+ ……

第4主成分：F4 = 0.446（ TM11/TM10） + 0.363 （TM11-TM10）+ 0.213健康度 + 0.195坡位-0.120公顷株数 + ……

这说明第1主成分主要反映了桉树林的公顷株数和健康度，公顷株数、健康度、坡位、坡度、坡向、海拔和平均胸径之间关系密切。从桉树的生物学特性可知，坡位、坡度、坡向、海拔这4个地形因素与水热条件息息相关，因而对桉树林的公顷株数和健康度造成影响。

第2主成分主要反映了桉树的郁闭度、平均胸径、生物量、公顷株数和健康度，可用PVI、TM11/TM10 和TM11-TM10来解释桉树的郁闭度、平均胸径、生物量、公顷株数和健康度。TM10和TM11为热红外波段，垂直植被指数PVI与光合作用有关。这说明桉树林健康度受热环境的影响，桉树的光合作用也影响其健康度，植被指数TM11/TM10、TM11-TM10和PVI能够较好地反映桉树林健康度。

第3主成分主要反映了植被指数TM5/TM4、NDVI、EVI、PVI和TM7的信息。中红外波段TM7可指示土壤湿度；TM5/TM4是绿色植物的灵敏指示参数，与叶面积指数（LAI）和叶干生物量(DM)相关性高；NDVI和EVI可用来检测植被生长状态、植被覆盖度。这说明土壤、生物量等对桉树林健康度有一定的影响，TM5/TM4、NDVI、EVI、TM7、PVI是桉树健康度的最佳遥感反映因子。

第4主成分主要反映了第11、10波段的比值植被指数和差值植被指数信息，这说明热环境对桉树健康的影响不容忽视，TM11/TM10、TM11-TM10能够较好地反映桉树林健康状况。

从这4个主成分得分模型来看，反映桉树林健康度的主要因子分别是公顷株数、郁闭度、TM11/TM10、TM7、TM11-TM10、EVI、平均胸径、坡向、坡位、PVI、TM5/TM4、坡度、海拔和NDVI。其中，TM7、TM11-TM10、TM5/TM4、TM11/TM10、EVI、NDVI和PVI是快速判断东莞市桉树林健康度的遥感因子。

2.3 桉树林健康度的遥感因子分析

结合相关分析和主成分分析的结果可知，在卫星影像上，森林健康度主要由TM7、TM11-TM10、TM5/TM4（RVI）、TM11/TM10、归一化植被指数、增强型植被指数、垂直植被指数反映。平均值反映了数据的集中程度，标准差反映了数据的分散程度，极差反映了数据的可取值范围。健康与亚健康桉树林的遥感因子取值范围基本无重叠，中健康和不健康桉树林遥感因子取值范围重叠部分较多，故将中健康和不健康桉树林遥感因子特征放在一起研究。

从表3可见，健康桉树林光谱值TM7和植被指数TM11-TM10、TM5/TM4、TM11/TM10、NDVI、EVI、PVI的响应范围分别为46～56、-32～4、6.037 0～12.285 7、0.750 0～1.164 2、0.456 0～0.729 2、0.463 8～0.844 4、18.926 7 ～26.415 3；亚健康桉树林遥感因子响应范围分别为 41～48、-3～23、4.024 4～8.740 7、0.800 0 ～1.274 5、0.356 5～0.781 4、0.385 7～0.772 7、9.772 5～19.379 8； 中健康和不健康桉树林遥感因子响应范围分别为35～43、23～30、2.292 7～4.764 7、1.086 7～1.371 7、0.281 4～0.329 5、0.272 7～0.472 7、2.176 3～9.688 0。可利用遥感因子TM7、TM11-TM10、TM5/TM4、TM11/TM10、NDVI、EVI、PVI的取值范围快速判读桉树林健康度状况。

表3 各健康等级桉树林遥感因子特征

2.4 森林健康评价的精度检验

为了检验遥感因子指示森林健康度的可靠性，对900个样地进行精度分析。通过TM7、TM5/ TM4、TM11/TM10、TM11-TM10、EVI、NDVI、PVI遥感因子不同等级健康度的取值范围来判读桉树林的健康度，然后与外业调查的健康度数据进行比较，以检验其精度。

从表4可见，健康桉树林的判对率为91.96%，亚健康桉树林的判对率为93.26%，中健康和不健康桉树林判对率为92.31%，总体平均判对率为92.00%。这说明可利用遥感因子TM7、TM5/ TM4、TM11/TM10、TM11-TM10、EVI、NDVI、PVI快捷判读东莞市桉树林的健康状况。

表4 东莞市桉树林健康遥感评价精度

3 结论与讨论

利用3S技术对广州市森林健康进行了分析。对于林分尺度的健康研究还是主要通过传统的外业调查获取。本文利用Landsat 8影像数据信息和森林资源调查数据，采用相关性分析和主成分分析对东莞市桉树林健康度进行遥感分析，研究遥感因子对桉树林健康度解释作用，研究获取林分健康状况的便捷方法，并对研究区内桉树林进行精度分析，得出如下结论。

3.1 反映桉树林健康度的主要因子分别是郁闭度、公顷株数、平均胸径、坡位、坡度、坡向、海拔、TM7、TM11-TM10 、TM5/TM4、TM11-TM10、TM11/TM10、NDVI、EVI和PVI，而坡位、坡度、坡向、海拔和郁闭度可由遥感影像直接提取。

3.2 可利用遥感因子TM7、TM11-TM10、TM5/ TM4、TM11/TM10、NDVI、EVI、PVI的取值范围快速判读桉树林的健康度，且判对率为92.00%。

3.3 本文仅针对单一桉属树种进行了多重因素对健康度的影响研究，然而在实际应用中，森林往往是多种树种组成，并且天然林和人工林共存，从而对桉树林健康度准确判断造成了很大影响。如何结合野外实测和遥感手段，在充分考虑外业调查因子和遥感因子对森林健康状况影响的前提下，为不同尺度森林健康度的准确估测提供参考和验证，是未来可持续森林管理研究的趋势。

森林作为一个具有时空异质性和等级结构的复杂系统，其健康状况很难通过单一尺度上的评价得以全面揭示。而目前利用3S技术的森林健康研究较少[27-28]，仅有杨超裕等[29]基于区域尺度，

参考文献

[1] BENNETT D D, TKACZ B M. Forest health monitoring in the United States: a program overview[J]. Australian Forestry,2008, 71(3): 223-228.

[2] 高广磊，信忠保，丁国栋，等. 基于遥感技术的森林健康研究综述[J]. 生态学报，2013, 33(6):1675-1689.

[3] 程志楚，曹迎春. 国家森林资源连续清查森林健康监测方法的探讨[J]. 河北林果研究，2008, 23(2): 142-145.

[4] 姬文元，刑韶华，郭宁，等. 川西米亚罗林区云冷杉林健康状况评价[J]. 林业科学，2009, 45( 3) : 13-18.

[5] 陈高，代力民，姬兰柱，等. 森林生态系统健康评估Ⅰ.模式、计算方法和指标体系[J]. 应用生态学报，2004, 15(10): 1743-1749.

[6] 高志亮，余新晓，陈国亮，等. 北京市八达岭林场森林健康评价研究[J]. 林业资源管理，2008(4): 77-82.

[7] 李金良，郑小贤. 北京地区水源涵养林健康评价指标体系的探讨[J]. 林业资源管理，2004(1): 31-34.

[8] 鲁少波，杨晓菲，鲁绍伟，等. 河北省小五台山森林生态系统健康评价研究[J]. 林业资源管理，2011(1)106-110.

[9] 马向前，王兵，郭浩，等. 江西大岗山森林生态系统健康研究[J]. 江西农业大学学报，2008, 30(1): 59-64.

[10] 鲁绍伟，刘凤芹，余新晓，等. 北京市八达岭林场森林生态系统健康性评价[J]. 水土保持学报，2006, 20(3): 79-82.

[11] 谢春华. 北京密云水库集水区森林景观生态健康研究[D]. 北京：北京林业大学，2005.

[12] 李静锐. 基于人工神经网络模型的森林生态系统健康评价[D]. 北京：北京林业大学, 2007.

[13] BROUWERS N, MATUSICK G, RUTHROF K, et al. Landscape scale assessment of tree crown dieback following extreme drought and heat in a Mediterranean eucalypt forest ecosystem[J]. Landscape Ecology, 2013, 28(1):69 - 80.

[14] 王前，蒲凌奎，姚爱静，等. 北京八达岭国家森林公园森林健康评价[J]. 福建林业科技，2014, 41(4):83-88.

[15] 楚春晖，佘济云，陈冬洋. 基于SOM神经网络的五指山市森林健康评价[J]. 中南林业科技大学学报，2015, 35(10): 69-73.

[16] 郭凤芝. 试论森林安全的评价指标和评价方法[J]. 统计与咨询，2004(4): 26-27.

[17] 周立江. 森林健康内涵及评价指标探讨[J]. 四川林业科技，2008, 29(1): 27-30.

[18] DOBBS C, ESCOBEDO F J, ZIPPERER W C. A framework for developing urban forest ecosystem services and goods indicators[J]. Landscape and Urban Planning, 2011, 99(3):196 -206.

[19] ESCOBEDO F J, KROEGER T, WAGNER J E. Urban forests and pollution mitigation: analyzing ecosystem services and disservices[J]. Environmental Pollution, 2011, 159(8):2078 - 2087.

[20] 中华人民共和国国家林业局. 国家森林城市评价指标:LY/T2004—2012 [S]. 北京：中国标准出版社，2012.

[21] 沈德才,杨燕琼,陈跃洲，等. 基于RS与GIS的东莞市热岛效应动态变化分析[J]. 林业与环境科学,2016,32(1):36-40.

[22] 沈德才,杨燕琼,吴振彪，等. 基于Landsat8的东莞市热岛效应研究[J]. 广东林业科技,2014,30(6):20-24.

[23] 中华人民共和国国家林业局. 森林资源数据采集技术规范：森林资源连续清查：LY/T 2188.1—2013[S]. 北京：中国标准出版社，2013.

[24] 唐守正. 多元统计分析方法[M]. 北京:中国林业出版社,1989.

[25] 林伟桦，杨燕琼，侯长谋. 用主成分法进行林分及相关因子光谱特征研究[J]. 华南农业大学学报(自然科学版)，2004,25(2): 22-25.

[26] 杨燕琼，谭曦光，罗富和. 森林调查因子与植被指数关系的研究[J]. 中南林业调查规划，1998, 17(4): 57-61.

[27] 刘君昂，刘红娟. 森林健康评价方法与应用[J]. 中南林业科技大学学报, 2009, 29(6): 197-200.

[28] 张国祯，甘敬，朱建刚. 北京山区森林健康的多尺度评价[J]. 林业科学, 2011, 47(6):143-151.

[29] 杨超裕，杨燕琼，罗富和，等. 基于遥感的广州市森林健康分析与恢复对策研究[J]. 林业资源管理, 2013(5):85-90.

Analysis of Forest Health Based on Remote Sensing Technology——A Case Study of Eucalyptus in Dongguan

FAN Jing YANG Yanqiong
(College of Forestry and Landscape Architecture, South China Agricultural University, Guangzhou,Guangdong 510642, China)

Based on the data of Landsat 8 and forest resources investigation, the paper discusses TM spectral values and vegetation indices how to interpret the health degree of the eucalyptus forests in Dongguan. Through the correlation analysis and principal component analysis, the result showed that the main factors that reflect the health of eucalyptus forests are the number of plants per hectare, canopy density, TM11/TM10, TM7, TM11-TM10, EVI, mean DBH, slope aspect, slope position, PVI, TM5/TM4, slope degree, elevation, and NDVI. The health status of eucalyptus forests can be determined quickly through the remote sensing factors of TM7, TM11-TM10, TM5/TM4, TM11/TM10, NDVI, EVI, PVI, and the precision rate is 92.00%.

forest health；principal component analysis；remote sensing；eucalyptus

S771.8

A

2096-2053（2017）01-0040-06

*第一作者：樊晶（1991— ），女，在读硕士研究生，研究方向为森林资源动态监测，E-mail :990052340@qq.com。

杨燕琼（1964— ），女，副教授，主要从事3S技术在农林方面的应用研究与教学，E-mail:lik@scau.edu.cn。