结合影像纹理、光谱与地形特征的森林结构参数反演

谢士琴 赵天忠 王 威 孟京辉 史京京

(1.北京林业大学信息学院， 北京 100083； 2.国家林业局调查规划设计院， 北京 100714；3.北京林业大学林学院， 北京 100083)

结合影像纹理、光谱与地形特征的森林结构参数反演

谢士琴1赵天忠1王 威2孟京辉3史京京2

(1.北京林业大学信息学院， 北京 100083； 2.国家林业局调查规划设计院， 北京 100714；3.北京林业大学林学院， 北京 100083)

森林结构； 纹理特征； 光谱特征； 地形因子； 模型估测

引言

森林是陆地生态系统中最大的碳库，为我们提供生态服务的同时也带来了巨大的经济效益。大尺度森林结构参数的快速、准确估算是制定森林可持续经营措施的重要基础[1]。森林结构参数，如林分平均胸径、蓄积量、断面积、树高、林木数量和树种多样性等，在一定程度上为森林经营，特别是人工林经营提供了决策依据[2-3]，在森林资源管理规划中的应用潜力巨大。上述森林结构参数的获取，存在劳动强度大、人财物力耗费高、调查周期长等缺点，传统的样地调查方法，并不能及时准确地反映大尺度森林结构多样性的状态及动态变化。遥感技术由于具有监测范围广、数据采集快速和节约成本等优点，现已被大量应用于森林组成及结构参数的提取。利用高分辨率遥感数据纹理、光谱信息与林分因子间较强的相关性估算森林结构参数，一直是国内外研究的热点，这些研究主要集中在以下方面：①不同森林结构参数反演，应用较为广泛的包括林分株数、树高、断面积、蓄积量、生物量、树种多样性指数、角尺度和混交度等[4-10]。②不同遥感因子，主要包括遥感数据的纹理信息、光谱信息和衍生植被指数等[11-12]。③不同模型方法，目前主要包括多元线性回归模型[13]和人工神经网络模型[14]。国际上基于遥感影像纹理、光谱特征因子估测的森林结构参数模型已有很多，但国内大部分模型选择预测的森林结构参数较为单一，主要以蓄积量、生物量为主，利用遥感影像纹理光谱特征对多个森林结构参数同时进行预测的研究较少，且大部分研究未考虑地形起伏、树冠阴影以及林分结构异质性问题的影响，导致模型在大尺度的拓展上适用性不强等。

图1 研究区和样地点位置图Fig.1 Overview and zoomed map of study area and sample plots

本文利用研究区的SPOT5遥感影像纹理、光谱特征及对森林结构有影响的海拔高度、坡度、坡向、坡位等地形特征，以森林资源清查数据为数据源，采用多元逐步回归分析法，构建以SPOT5遥感影像纹理、光谱特征及地形因子为自变量，多个森林结构参数(林分平均直径、断面积、蓄积量和树种多样性指数)为因变量的估测模型，比较基于影像纹理、纹理光谱、纹理光谱地形特征3种不同模型因子反演多个森林结构参数模型的效果，筛选最优森林结构参数反演模型，探讨利用高分辨率遥感影像纹理、光谱特征和地形信息估测多个森林结构参数的方法，为森林资源调查提供新的途径。

1 研究区与实验数据

1.1 研究区概况

研究区位于黑龙江省东南部(图1)，影像主要覆盖牡丹江市及其周围的部分县市。牡丹江市位于黑龙江省与吉林省交界地区，总面积4.06×104km2，属温带大陆季风气候，年平均降水量579.7 mm，年平均气温6.1℃，地形以山地、丘陵为主，呈现出中山、低山、丘陵、河谷盆地4种地质形态，海拔高度在86～1 700 m之间。牡丹江市素有“林海”之称，林业用地3.25×106hm2，其中森林面积2.62×106hm2，活立木蓄积量达2.3亿m3，分别占全省和全国蓄积量的13.9%和2%，森林覆盖率达62.3%，森林类型及其组成成分多样，树种十分丰富，有25科百余种，主要树种有77种，包括红松、落叶松、樟子松、云杉、冷杉、水曲柳等。

1.2 遥感数据和样地数据

本研究使用的遥感数据为SPOT5遥感影像，包括全色和多光谱数据。全色数据分辨率2.5 m，多光谱数据分辨率10 m；多光谱数据波段组成分别为近红外波段(0.78～0.89 μm)、红波段(0.61～0.68 μm)、绿波段(0.50～0.59 μm)、短波红外波段(1.58～1.75 μm)。本研究所用覆盖黑龙江省的遥感影像共5景，获取时间均为2010年9月。SPOT5遥感影像的预处理包括：先经过辐射定标和FLAASH大气校正将SPOT5影像DN值转为地表真实反射率值后，再以1∶10 000比例尺的研究区地形图为基准，对影像数据进行几何精校正，校正模型采用三次多项式，重采样采用最邻近插值方法，校正后的影像都统一到高斯-克里格投影，5幅影像校正误差都控制在0.5个像元以内，确保经校正后的像元位置误差均处于亚像元水平。

本研究采用第八次全国森林资源清查的黑龙江省样地数据，选取5景遥感影像覆盖的84个有林地样地点。根据这84个有林地样地的森林资源清查数据获得森林的林分变量信息。此外，根据研究区的数字高程模型(DEM)提取了84个样地点的海拔、坡度、坡向、坡位等地形信息，结合SPOT5遥感影像提取的纹理、光谱信息，进行森林结构参数反演模型估测。研究中考虑到矢量样地的边界无法与SPOT5遥感影像及DEM像元间的边界完全重合，在提取样地点的纹理、光谱以及地形信息时，使所有和样地边界相交的像元都参与运算，虽然会造成样地对应影像范围内像元的增加，但这种增加对每个样地都是一致的，对模型的拟合试验不会构成大的影响。

2 研究方法

2.1 森林结构参数选择

研究选取了6个森林结构参数，包括3个传统的林分参数(林分平均直径、断面积、蓄积量)和3个树种多样性指数，森林结构参数分类及其描述如表1所示。

(1)林分参数：通过森林资源清查数据的样地信息获得各个样地点的林分变量值(林分平均直径、林分断面积、林分蓄积量)，这些林分变量反映了森林结构的基本信息，为森林经营管理决策提供理论基础。

(2)树种多样性指数：和一般的林分变量相比，树种多样性反映了森林结构更多的细节信息，揭示了森林客观存在的树种和结构的多样性[15-16]。本研究采用Shannon-Wiener指数、Pielou均匀度指数和Simpson’s指数3种多样性指数[17-19]来反映研究区林分的树种多样性。

表1 森林结构参数分类及其描述

2.2 SPOT5影像信息提取

研究提取的遥感影像信息包括影像纹理特征、各波段光谱值和光谱组合值以及4个地形因子，因子分类及其描述如表2所示。

(1)影像纹理特征：影像纹理特征反映了地表的粗糙程度，同时揭示了图像中地物的结构信息及其与周围环境的关系，是遥感影像的重要特征[20]。有关研究表明，遥感影像全色波段的纹理特征在森林组成和结构分析中取得了较好的试验结果[21-22]。本研究采用灰度共生矩阵法提取了SPOT5影像全色波段8种最为常用的纹理特征(表2)，同时在固定纹理步长为1、方向为135°的前提下，分别采用3×3、5×5、7×7、9×9、11×11、13×13等6种窗口进行纹理特征提取，分析不同窗口对森林结构参数反演的影响。

(2)影像光谱波段值及其组合值：利用遥感影像光谱信息提取的植被指数能较好地反映绿色植物的植被类型、生长情况、空间分布状况[23]。有关研究表明，森林植被指数在森林参数(蓄积量、生物量等)反演中，取得了较高的精度[24-25]。本研究提取了光谱波段值和多波段组合值参与森林结构参数模型估测：各波段光谱值为B1、B2、B3和B4，分别对应近红外波段、红波段、绿波段和短波红外波段4个光谱波段值；在借鉴前人研究的基础上，本研究光谱组合值选取了能反映植物生长状态的经缨帽变换产生的亮度指数(Bright)[26]及6个在林业研究中常用的植被指数：归一化植被指数NDVI[27]、 简单比值植被指数SR[28]、 红绿比值指数GR[29]、绿红比值指数VI[30]、土壤调整植被指数SAVI[31]、全球环境监测指数GEMI[32]，参与模型的构建。

(3)地形特征：地形因子包括海拔高度、坡度、坡向和坡位。

表2 纹理、光谱和地形因子分类及其描述

2.3 模型构建与验证

3 结果与分析

3.1 基于不同窗口纹理特征的森林结构参数回归

图2 不同窗口纹理特征预测模型变化曲线Fig.2 Changing curves of texture feature prediction model in different windows

表3 基于9×9窗口纹理特征的森林结构参数回归模型结果

这2个预测模型包含2个相同的纹理变量均值和同质性。在引入的所有纹理特征变量中，均值是最常用的独立变量，参与了所有森林结构参数模型的预测。

3.2 基于纹理和光谱特征的森林结构参数回归

基于纹理和光谱特征对所有森林结构参数进行多元逐步回归分析，试验结果(表4)表明：

(2)在引入的所有光谱因子变量中，红波段、绿波段和缨帽变换亮度指数是林分因子模型预测使用最多的光谱变量，同时参与了林分因子断面积、平均直径和蓄积量3个模型预测；绿波段也是树种多样性指数模型预测使用最多的光谱因子，参与了Shannon-Wiener指数和Simpson’s指数模型的预测。

3.3 基于纹理、光谱和地形特征的森林结构参数回归

基于纹理、光谱和地形特征的森林结构参数进行多元逐步回归分析，得到试验结果如表5所示。综合比较表3～5，3种方法得到的森林结构参数回归模型显著性P值均小于0.001，模型在引入不同特征因子时拟合优度都有了明显提高(图3，图中BA、QMD、SV、SHI、SII、PI分别为：断面积、平均直径、蓄积量、Shannon-Wiener指数、Pielou均匀度指数、Simpson’s指数)，而同时基于3个特征因子预测的森林结构参数模型拟合效果最优。

表4 基于纹理和光谱特征的森林结构参数回归模型结果

(2)在引入的所有地形因子变量中，海拔是模型预测使用最多的地形变量，参与了所有森林结构参数模型的预测，坡度和坡位分别参与了3个树种多样性指数模型预测；在光谱特征变量中，近红外波段、红波段和全球环境监测指数是使用最多的光谱特征变量，参与了大部分森林结构参数模型预测；在纹理特征变量中，均值是模型预测的主要纹理变量，参与了3个树种多样性指数模型预测。

3.4 模型精度验证

本文对基于纹理、光谱和地形特征的森林结构参数模型估测结果进行精度验证，图4是利用21个检验样本生成的模拟值与实测值之间的散点图。研究结果表明：各模型的模拟值和实测值的拟合直线斜率接近1，构建的森林结构参数模型用于实际值预测效果较好。树种多样性指数估测中，Shannon-Wiener指数模型估测的均方根误差最高(RMSE为0.126)，Pielou均匀度指数模型估测的均方根误差最低(RMSE为0.002)；林分变量估测中，林分蓄积量模型估测的均方根误差最高(RMSE为11.339 m3/hm2)，林分平均直径模型估测的均方根误差最低(RMSE为0.769 cm)。

4 讨论

通过研究黑龙江省SPOT5遥感影像纹理、光谱和地形特征对森林结构参数林分平均直径、断面积、蓄积量和树种多样性指数估测的能力，得出以下结论：

(1)利用SPOT5遥感影像纹理、光谱特征建立的研究区域多个森林结构参数回归模型，参与拟合的因子与森林结构参数具有较好的线性关系，如林分因子蓄积量多元逐步回归模型的相关系数为0.884，决定系数为0.763；树种多样性指数Shannon-Wiener指数、Simpson’s指数和Pielou均匀度指数的相关系数都大于0.75，决定系数在0.55以上。同时各个回归模型均通过了显著性检验，回归方程具有较高的显著性。说明利用高分辨率遥感影像特征估测森林结构参数具有很好的应用前景，可以为森林资源调查提供参考。

表5 基于纹理、光谱和地形特征的森林结构参数回归模型结果

图3 基于不同特征因子的森林结构参数模型对比Fig.3 Comparison of forest structure parameter models based on different characteristic factors

(3)在参与森林结构参数模型估测的所有因子中，地形因子海拔对森林结构参数模型估测影响最大，参与了所有模型的预测，其原因可能为：随着海拔高度的增加，温度逐渐下降，森林植被类型也发生了连续变化，从而导致不同海拔高度下的森林结构参数差异明显，说明海拔因子反映了丰富的森林结构信息，对于预测林分变量十分重要。光谱因子中可见光红波段对林分参数模型估测影响最为显著，参与了林分断面积、平均直径、蓄积量模型的预测，其原因可能为：红波段为叶绿素的主要吸收波段，信息量较大，是可见光的最佳波段，可以反映不同植物的健康状况，在本研究中表现为对不同林分参数估测影响显著，说明可见光红波段包含了丰富的森林植被信息。纹理因子中均值对森林结构参数模型的估测也非常重要，参与了3个树种多样性指数模型的预测，其原因可能为：纹理均值反映了影像纹理的规则程度，而不同树种的影像纹理规则差异较大，因此影像纹理均值能较好地反映研究区的树种多样性，说明纹理均值包含了丰富的树种信息，可用于森林树种多样性预测。

图4 模型估测值与样本实测值比较Fig.4 Comparison of model estimated value and measured value of the sample

本研究探讨了基于遥感影像光谱、纹理和地形3种不同特征因子预测森林结构参数最优模型的问题，对使用高分辨率遥感数据反演森林结构参数纹理窗口的选择、模型特征因子的筛选具有一定的参考价值和指导意义。为了控制模型变量，本次试验选取了应用较为广泛的多元逐步回归模型法，其他模型方法是否可以提高森林结构参数反演精度尚不可知，筛选预测森林结构参数的最佳模型方法将成为下一阶段的研究方向。此外森林结构十分复杂，除了传统林分参数和树种多样性以外，林木多样性以及林木空间分布多样性也是反映森林结构多样性的重要指标。基于已获得的代表森林结构复杂度的定量指标，进一步对林分结构及其生长状况进行定量分析也将成为后续研究的重点方向。

5 结论

(1)利用SPOT5影像纹理、光谱和地形特征能够对多个森林结构参数进行较为精确的估测。

(3)联合SPOT5影像纹理和光谱2个特征建立的森林结构参数回归模型，比仅用影像纹理特征建立的模型拟合精度要高；联合SPOT5影像纹理、光谱和地形3个特征建立森林结构参数回归模型，模型拟合精度再次得到提升，成为最优估测模型。

1 赵明瑶, 刘会云, 张晓丽, 等. 基于林分结构响应的PALSAR森林结构参数估测[J]. 北京林业大学学报, 2015, 37(6): 62-69. ZHAO Mingyao, LIU Huiyun, ZHANG Xiaoli, et al. Estimation of forest structural parameters based on stand structure response and PALSAR data [J]. Journal of Beijing Forestry University, 2015, 37(6): 62-69. (in Chinese)

2 彭舜磊, 王得祥, 赵辉, 等. 我国人工林现状与近自然经营途径探讨[J]. 西北林学报, 2008, 23(2): 184-188. PENG Shunlei, WANG Dexiang, ZHAO Hui, et al. Discussion the status quality of plantation and near nature forestry management in China[J]. Journal of Northwest Forestry University, 2008, 23(2): 184-188. (in Chinese)

3 林思祖, 黄世国. 论中国南方近自然混交林营造[J]. 世界林业研究, 2001, 14 (2): 73-78. LIN Sizu, HUANG Shiguo. An establishment and management of nature-approximating mixed forests in south China [J]. World Forestry Research, 2001, 14 (2): 73-78. (in Chinese)

4 MORA B, WULDER M A, WHITE J C, et al. Modeling stand height, volume, and biomass from very high spatial resolution satellite imagery and samples of airborne LiDAR[J]. Remote Sensing, 2013, 5(5): 2308-2326.

5 COUTERON P, PELISSIER R, NICOLINI E A, et al. Predicting tropical forest stand structure parameters from fourier transform of very high-resolution remotely sensed canopy images[J]. Journal of Applied Ecology, 2005, 42(6): 1121-1128.

6 WALLNER A, ELATAWNEH A, SCHNEIDER T, et al. Estimation of forest structural information using rapid eye satellite data[J]. Forestry, 2015, 88(1): 96-107.

7 ANDERSON J E, PLOURDE L C, MARTIN M E, et al. Integrating waveform LiDAR with hyperspectral imagery for inventory of a northern temperate forest[J]. Remote Sensing of Enviroment, 2008, 112(4): 1856-1870.

8 CHO M A, SKIDMORE A K, SOBHAN I. Mapping beech (FagussylvaticaL.) forest structure with airborne hyperspectral imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2009, 11(3): 201-211.

9 OZDEMIR I, KARNIELI A. Predicting forest structural parameters using the image texture derived from worldview-2 multispectral imagery in a dryland forest[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(5): 701-710.

10 刘峰, 谭畅, 张贵, 等. 长白落叶松单木参数与生物量机载LiDAR估测[J/OL]. 农业机械学报， 2013, 44(9): 219-242.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130939&flag=1. DOI: 10.6041/j.issn.1000-1298.2013.09.039. LIU Feng, TAN Chang, ZHANG Gui, et al. Estimation of forest parameter and biomass for individual pine trees using airborne LiDAR[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(9): 219-242. (in Chinese)

11 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/OL]. 农业机械学报, 2014, 45(7): 245-254.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140738&flag=1. DOI：10.6041/j.issn.1000-1298.2014.07.038. LIU Jun, BI Huaxing, ZHU Peilin, et al. Estimating stand volume ofXylosmaracemosumforest based on texture parameters and derivative texture indices of ALOS imagery[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(7): 245-254. (in Chinese)

12 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 Qingxian, XU Daping, JU Hongbo. The biomass estimation of mangrove community based on the textural features and spectral information of TM images [J]. Forest Resources Management, 2010(6):102-108. (in Chinese)

13 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/OL]. 农业机械学报， 2014, 45(5): 216-220. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140533&flag=1. DOI：10.6041/j.issn.1000-1298.2014.05.033. WANG Jia, SONG Shanyun, LIU Xia, et al. Forest volume estimation model using spectra and topographic factors of ZY-3 image[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(5): 216-220. (in Chinese)

14 王淑君, 管东生. 神经网络模型森林生物量遥感估测方法的研究[J]. 生态环境学报, 2007, 16(1): 108-111. WANG Shujun, GUAN Dongsheng. Remote sensing method of forest biomass estimation by artificial neural network models[J]. Ecology and Environment, 2007, 16(1):108-111. (in Chinese)

15 赵中华, 惠刚盈, 胡艳波, 等. 树种多样性计算方法的比较[J]. 林业科学, 2012, 48(11): 1-8. ZHAO Zhonghua, HUI Gangying, HU Yanbo, et al. Comparison of tree species diversity calculated[J]. Scientia Silvae Sinicae, 2012, 48(11): 1-8. (in Chinese)

16 姜萍, 叶吉, 王绍先, 等. 长白山南坡森林群落组成、结构以及树种多样性的垂直分布[J].北京林业大学学报, 2008, 30(1): 258-262. JIANG Ping, YE Ji, WANG Shaoxian, et al. Vertical distribution of floristic composition, structure and biodiversity of forest communities along an altitudinal gradients on south slope of the Changbai Mountain, northeastern China[J].Journal of Beijing Forestry University, 2008, 30(1): 258-262. (in Chinese)

17 郭忠玲, 马元丹, 郑金萍, 等. 长白山落叶阔叶混交林的物种多样性、种群空间分布格局及种间关联性研究[J]. 应用生态学报, 2004, 15(11): 2013-2018. GUO Zhongling, MA Yuandan, ZHENG Jinping, et al. Biodiversity of tree species, their populations’ spatial distribution pattern and interspecific association in mixed deciduous broadleaved forest in Changbai Mountains[J].Chinese Journal of Applied Ecology, 2004, 15(11): 2013-2018. (in Chinese)

18 李宗善, 唐建维, 郑征, 等. 西双版纳热带山地雨林群落乔木树种多样性研究[J]. 应用生态学报, 2005, 16(7): 1183-1188. LI Zongshan, TANG Jianwei, ZHENG Zheng, et al. Tree species diversity of tropical montane rain forest in Xishuangbanna, Yunnan[J].Chinese Journal of Applied Ecology, 2005, 16(7): 1183-1188. (in Chinese)

19 JINGHUI M, SHIMING L, WEI W, et al. Estimation of forest structural diversity using the spectral and textural information derived from SPOT-5 satellite images[J]. Remote Sensing, 2016,8(2):125-149.

20 李明诗, 谭莹, 潘洁, 等. 结合光谱、纹理及地形特征的森林生物量建模研究[J]. 遥感信息, 2006(6): 6-9. LI Mingshi, TAN Ying, PAN Jie, et al. Modeling forest aboveground biomass by combining the spectrum, textures with topographic features [J]. Remote Sensing, 2006(6): 6-9. (in Chinese)

21 OTA T, MIZOUE N, YOSHIDA S. Influence of using texture information in remote sensed data on the accuracy of forest type classification at different levels of spatial resolution[J]. Journal of Forest Research, 2011, 16(6): 432-437.

22 FRANKLIN S, HALL R, MOSKAL L, et al. Incorporating texture into classification of forest species composition from airborne multispectral images[J]. International Journal of Remote Sensing, 2000, 21(1): 61-79.

23 陈明华, 柴鹏, 陈文祥, 等. 不同植被指数估算植被覆盖度的比较研究[J]. 亚热带水土保持, 2016, 28(1): 1-4. CHEN Minghua, CHAI Peng, CHEN Wenxiang, et al. Comparative study on the estimation of the vegetation coverage by different vegetation indexes [J]. Subtropical Soil and Water Conservation, 2016, 28(1): 1-4. (in Chinese)

24 王靖, 吴见. 干旱半干旱区森林蓄积量高光谱遥感估测技术[J]. 东北林业大学学报, 2014(1): 65-70. WANG Jing, WU Jian. Forest stock volume estimation by hyper spectral remote sensing in arid and semi-arid area [J]. Journal of Northeast Forestry University, 2014(1): 65-70. (in Chinese)

25 刘占宇，黄敬峰，吴新宏, 等. 草地生物量的高光谱遥感估算模型[J]. 农业工程学报, 2006, 22(2): 111-115. LIU Zhanyu, HUANG Jingfeng, WU Xinhong, et al. Hyperspectral remote sensing estimation models for the grassland biomass [J]. Transactions of the CSAE, 2006, 22(2):111-115. (in Chinese)

26 蒋云姣, 胡曼, 李明阳, 等. 县域尺度森林地上生物量遥感估测方法研究[J]. 西南林业大学学报, 2015(6): 53-59. JIANG Yunjiao, HU Man, LI Mingyang, et al. Remote sensing based estimation of forest aboveground biomass at county level[J]. Journal of Southwest Forestry University, 2015(6): 53-59. (in Chinese)

27 ROUSE J W, HAAS R, SCHELL J, et al. Monitoring vegetation systems in the great plains with erts[J]. NASA Special Publication, 1974, 351: 309.

28 JORDAN C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4): 663-666.

29 LYON J G, YUAN D, LUNETTA R S, et al. A change detection experiment using vegetation indices[J]. Photogrammetric Engineering and Remote Sensing, 1998, 64(2): 143-150.

30 KANEMASU E. Seasonal canopy reflectance patterns of wheat, sorghum, and soybean[J]. Remote Sensing of Environment, 1974, 3(1): 43-47.

31 HUETE A R. A soil-adjusted vegetation index (SAVI) [J].Remote Sensing of Environment, 1988, 25(3): 295-309.

32 VERSTRAETE M M, PINTY B. Designing optimal spectral indexes for remote sensing applications[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(5): 1254-1265.

33 赵红平. EViews6软件的逐步回归分析模块在多重共线性教学中的应用[J]. 贵州教育学院学报, 2009, 20(12): 31-34. ZHAO H P. The application of the stepwise regression program of EViews6 in the teaching of multi-collinearity[J]. Journal of Guizhou Education Institute, 2009, 20(12):31-34. (in Chinese)

34 DOUGLAS C M, PECK E A, VINING G G. Introduction to linear regression analysis[M]. 4th ed. New Jersey: Wiley & Sons Publication, 2006: 323-368.

35 向东进. 实用多元统计分析[M]. 北京: 中国地质大学出版社, 2005.

36 黄博, 徐丽华. 基于改进型Minnaert地形校正模型的应用研究[J]. 遥感技术与应用, 2012, 27(2): 183-188. HUANG Bo, XU Lihua. Applied research of topographic correction based on the improved Minnaert model[J]. Remote Sensing Technology and Application, 2012, 27(2): 183-188. (in Chinese)

Forest Structure Parameters Inversion Based on Image Texture and Spectral and Topographic Features

XIE Shiqin1ZHAO Tianzhong1WANG Wei2MENG Jinghui3SHI Jingjing2

(1.CollegeofInformation,BeijingForestryUniversity,Beijing100083,China2.StateForestryAdministrationSurveyPlanningandDesignInstitute,Beijing100714,China3.CollegeofForestry,BeijingForestryUniversity,Beijing100083,China)

forest structure; texture features; spectral features; topographic factors; model estimation

10.6041/j.issn.1000-1298.2017.04.016

2016-12-05

2017-01-24

国家高分辨率对地观测系统重大专项(21-Y30B05-9001-13/15-4)

谢士琴(1992—)，女，博士生，主要从事林业信息工程研究，E-mail： shiqinxie@126.com

赵天忠(1961—)，男，教授，博士生导师，主要从事林业系统工程研究，E-mail： ztz@bjfu.edu.cn

S758.5; TP79

A

1000-1298(2017)04-0125-10