基于遥感数据与森林详查估算林龄的空间分布
2018-03-20李凡李明泽史泽林姜宏宇安金鹏
李凡,李明泽,史泽林,姜宏宇,安金鹏
0 引言
林龄结构是分析干扰对森林碳循环影响的重要替代因子,同时也是评估区域尺度森林生态系统碳汇潜力的重要参数[1-3]。林龄不仅涉及森林生态系统不同生长阶段的碳源/碳汇功能,同时也反映了森林受到的自然干扰和森林管理等影响[4-5]。研究林龄的空间分布可以为林业、企业、事业单位制定经营计划提供依据;为生态方面碳循环的研究提供帮助;为全面开展以碳汇为目的的森林经营打好基础;同时还可以协助检查、评价森林经营效果和计划执行情况。
在已有的研究中,森林详查和遥感是现今获取林龄数据的主要手段。森林详查通过有限的样地数据获取较小尺度的林龄数据,很难获取大尺度区域上森林林龄空间分布。遥感具有较高的空间异质性监测能力,是监测区域尺度上森林变化信息的有效技术。戴铭等利用森林详查数据结合降尺度技术估算林龄的空间分布[1];Pan Y等利用森林清查数据、历史火灾数据,结合卫星遥感数据估算并绘制了北美森林林龄空间分布图[6];Zhang C等利用森林遥感高度和类型信息,绘制了分辨率为1 km的全国森林林龄分布图[7]。目前对森林林龄的研究几乎都是结合森林详查数据与遥感数据,但是鲜有通过直接构建林龄与其他林分因子的统计模型并结合多源遥感数据来估测森林林龄分布的研究。
本研究以森林清查数据、资源三号影像数据以及激光雷达数据为数据源,通过构建林龄与树高的模型关系,利用遥感数据获取区域尺度林分平均高和类型信息,通过模型拟合估算出区域尺度的林龄空间分布,并探讨其空间分布特征。
1 研究地区与研究方法
1.1 研究区概况
研究地区为黑龙江省东北林业大学帽儿山实验林场中林施业区。该林场地理坐标为东经127°30′~ 127°34′,北纬 45°20′~ 45°25′。总面积为26 496 hm2,南北长30 km,东西宽20 km,全场划分为10个施业区,即尖砬沟、老爷岭、新垦、跃进、中林、北林、东林、太平、密峰和老山施业区。植被属长白植物区系,原始地带性植被为阔叶红松林,现为东北东部山区较典型的天然次生林区[8],次生林类型多样且具有代表性,群落类型有硬阔叶林、软阔叶林、针叶林和针阔混交林,平均林龄为50 a。研究区主要阔叶树种有水曲柳、胡桃楸、椴树、榆树、色木、柞树、白桦、杨树和枫桦等,主要针叶树种为落叶松等。本次采用的是2014年国家森林资源二类调查的帽儿山林场中林施业区小班调查数据。
1.2 数据处理与研究方法
1.2.1 数据处理
选取资源三号卫星影像面积为2 500 km2单景全色波段影像以及面积为2 704 km2单景多光谱影像,获取时间为2014年9月。
根据影像数据特点对其做预处理,依次为:依靠RPC文件和DEM数据进行图像正射校正;使用FLAASH大气校正方法对多光谱影像进行大气校正;使用image to image方式进行图像配准,以全色波段影像为基准对多光谱图像进行配准,共生成匹配点76个,RMSE为0.237;采用适用于资源三号数据的Gram-Schmidt Pan Sharpening(GS)融合方法进行图像融合。
1.2.2 平均树高提取方法
激光雷达可以提供直接、准确的森林垂直结构测量数据。利用机载激光雷达点云数据可以获取研究区域范围内的树高值[9]。研究结果表明,雷达数据获取树高可以达到实地调查的精度,其误差绝对平均值均在1.4 m之内[10]。
提取树高方法往往与DEM和DSM的生成紧密相关,两者差分而生成的高度即地物绝对高度,是树高提取的直接依据[11]。冠层高度模型(Canopy Height Model,简称CHM)表达了林木高度和冠层的空间分布状态[12],数字表面模型(Digital Surface Model,简称DSM)是对地物表面的模拟,包括建筑和植被等的表面。由地面点内插生成DEM,非地面点生成DSM。在森林区域由DSM和DEM相减就能得到CHM,并可用于树高的提取[13-16]。
1.2.3 森林类型提取方法
ZY-3比较适合于森林植被信息的提取,特别是针叶林和阔叶林[17]。由于遥感图像大都是多波段图像,在提取信息特征值时,就会遇到波段的选取问题。如每个波段都计算其特征值并应用于分类,会导致信息冗余,反而使分类精度下降,而且时间开销比较大。可以采用将一些关键波段融合成一张含有多波段信息的合成图像并从图像中寻找特征值的方法[18]。本研究合成图像由资源三号影像数据四个波段、ISODATA非监督分类结果、NDVI和DEM组成。其中ISODATA非监督分类分类类别数量设置为10~20,迭代次数为10,并将分类结果通过对比遥感影像合并类别。NDVI(归一化植被指数)可以很好的分离出林地和非林地。计算公式为:
NDVI值的范围为-1~1,一般绿色植被区范围为0.2~0.8。
2 结果和分析
2.1 树高与林龄相关性分析
2014年国家森林资源二类调查的帽儿山林场中林施业区219个小班数据,提取每个小班平均林龄和平均树高数据做林龄-树高的相关性分析。经分析,林龄和树高的相关系数为0.852,可以看出,林龄-树高的相关性较强(图1)。
图1 林龄-树高相关性图Fig.1 Correlation between stand age and tree height
2.2 树高与林龄模型拟合
通过统计分析结合资料去除了其中的45个异常点,最终用171个小班数据拟合模型。将数据按照森林类型分为针叶混交林、阔叶混交林和针阔混交林三类,分别拟合模型。其中,由于针阔混交林的样本量较小,采用交叉验证的方法来对数据进行拟合,择优选择,保证精度。交叉验证是没有任何前提假定直接估计泛化误差的模型选择方法,由于没有任何假定,可以应用于各种模型选择中[19]。具体做法是将数据随机等分为四份,选其中三份作为训练样本进行模型拟合,剩下一份作为检验样本进行精度检验,之后选训练样本中的一份数据作为检验样本,其他三份数据作为训练样本再次进行模型拟合。这个过程一直进行,直到所有的样本都有且仅有一次作为检验样本。最后,对比四个模型的精度,选择R2最大的模型。
针叶混交林,阔叶混交林,针阔混交林拟合模型的R2分别为0.83、0.81、0.90,均接近于1,模型精度分别为85.1%、91.2%、80.3%。说明林龄与树高模型拟合精度较高,可以通过树高较高精度的估算林龄。拟合模型见表1。
表1 林龄-树高模型拟合表Tab.1 Model of stand age and tree height
2.3 提取小班平均树高
进行点云数据的滤波处理,提取地面点,分离非地面点。利用地面点数据生成DEM,非地面点数据生成DSM。生成CHM:使用ARCGIS栅格计算器,用DSM减去DEM得到研究区域的CHM(图2)。利用CHM提取研究区域中的单木树高,然后计算小班的平均高。
单木树高的提取使用的是数字绿土公司的LiDAR360软件,主要步骤为:使用CHM Segmentation工具,设置树高阈值为5~40。处理 得 到 包 含 TreeLocationX,TreeLocationY、TreeHeight、CrownDiameter和 CrownArea 5个字段的.csv格式的表格文件。将表格文件加载到ArcGIS中,添加XY数据,X字段为TreeLocationX,Y字段为TreeLocationY,Z字段为TreeHeight,导出为shp文件。然后根据小班来剪裁生成的shp文件,再根据属性表计算出每个小班的平均树高。利用统计后的53个小班的实测平均树高对估算的平均树高进行精度检验,结果:RMSE为3.69,精度为80.46%。
图2 中林施业区冠层高度模型Fig.2 Canopy height mode of research area
2.4 基于资源三号数据提取森林类型
2.4.1 监督分类
根据卫星影像的可判性,结合森林二类清查资料将研究区划分为6个类别:阔叶混交林、针叶混交林、道路、水体、建筑物、耕地或裸地,其中研究区域针阔混交林极少,并不单独划分一类。生成一幅多元数据集的合成图像。
分别应用最小距离法、最大似然法和神经网络法进行监督分类。通过在图像上叠加分类结果,目视判断出最小距离法不能很好的区分道路、建筑物、水体与耕地,但对林地与非林地的区分效果好。最大似然法能很好的区分建筑物、水体、耕地和林地,但是对林地与云、阴影以及林地与道路的区分效果不是很理想。神经网络法运算速度慢,对林地与非林地的分离较为理想,但对林分类型的区分效果差。综合考虑土地类型的提取与林分类型的区分效果,最终选择采用最大似然法的分类结果,如图3所示。
图3 土地利用分类结果Fig.3 Land use classification results
2.4.2 分类精度评价
对最大似然法分类结果精度进行评价,使用的是根据地面实际ROIS来求混淆矩阵的方法。地面实际ROIS是根据2016年5月份的高分辨率航拍相片划定的。该相片空间分辨率为0.2 m,地物信息清晰可见。
评价结果为:林地与非林地能得到很好的分离,针叶混交林与阔叶混交林也可以较高精度的分离,针叶混交林生产者精度不高,主要原因是针叶混交林分类结果存在“胡椒盐”现象。通过对像元的手动归类消除“胡椒盐”。在本次分类中,很好的提取出林地,且对林地类型的分类精度也较为理想。评价检验见表2。
表2 研究区土地利用分类结果Tab.2 Land use classification results in the study area
2.4.3 估算林龄
将机载雷达数据提取的平均树高按照林班进行划分,计算出每个林班的平均树高。共获得18个林班的平均树高数据,根据森林分类信息将其分别带入统计模型,得到林龄的估算值。并将其划分成龄组。估计结果见表4。
利用实测林龄数据对估测的林龄进行精度检验,检验结果:平均相对误差的绝对值为0.125,估测精度为85.4%。在研究区的矢量图上添加估测的龄组信息,显示研究区林龄的空间分布,如图4所示。
图4 中林施业区龄组空间分布Fig.4 Spatial distribution of age group of research area
表3 林龄估计概况Tab.3 Introduction of estimates stand age
3 讨论
中林施业区林龄空间分布差异较小。森林平均林龄为51 a左右,从整体上来看林龄普遍偏低。靠近道路以及耕地旁的树种多为落叶松人工林,其林龄结构偏年轻,这是人为活动干扰较大造成的。
本研究通过有限的森林详查数据,构建了林龄与树高的统计模型。通过机载雷达数据和资源三号卫星影像在区域尺度上提取出森林的平均树高数据以及森林的类型信息。通过遥感获取的森林数据应用统计模型获得区域尺度上的林龄空间分布。事实证明这种研究方法是可行的。当林分平均高到达20 m及以上时,林龄与树高关系出现饱和。林龄增加树高不再发生变化。通过计算,估测林龄的一元线性模型中:针叶混交林,阔叶混交林,针阔混交林对应模型适用林龄范围分别为:50、70、100 a。
本研究存在的不足之处:未采用多元线性以及非线性模型,今后工作中应该尝试构建林龄与多个森林调查因子的统计关系,使模型的精确度更高;在提取树高的过程中,今后应该进一步提高CHM的提取精度;在遥感分类方面,可以加入更多辅助信息作为评判参数,或者采用决策树,面向对象分类等方法,提高森林类型划分的精度。
[1]戴铭,周涛,杨玲玲,等.基于森林详查与遥感数据降尺度技术估算中国林龄的空间分布[J]. 地理研究,2011, 30(1):172-184.
[2]Deng F, Chen J M, Pan Y, et al. The use of forest stand age information in an atmospheric CO2 in-version applied to North America[J]. Biogeosciences, 2013, 10(8), 5335-5348.
[3]Christiansen J R, Gundersen P. Stand age and tree species affect N2O and CH4 exchange from afforested soils[J].Biogeosciences, 2011, 8(9), 2535-2546.
[4]周蕾,王绍强,周涛,等. 1901~2010年中国森林碳收支动态:林龄的重要性[J].科学通报,2016,61(18):2064-2074.
[5]徐冰,郭兆迪,朴世龙,等. 2000~2050年中国森林生物量碳库:基于生物量密度与林龄关系的预测[J]. 中国科学:生命科学,2010,40(7):587-594.
[6]Pan Y, Chen J M, Birdsey R, et al. Age structure and disturbance legacy of North American forests[J]. Biogeosciences, 2011, 8(3),715-732.
[7]Zhang C, Ju W, Chen J M, et al. Mapping forest stand age in China using remotely sensed forest height and observation data[J].Journal of Geophysical Research Biogeosciences, 2014, 119(6):1163-1179.
[8]丰绪霞,刘兆刚,张海玉,等. 基于RS和GIS帽儿山林场森林立地分类及质量评价[J]. 东北林业大学学报,2010,38(8):27-30+56.
[9]吴迪,范文义.激光雷达协同多角度光学遥感数据反演树高[J].北京林业大学学报,2014,36(4):8-15.
[10]刘东起,范文义,李明泽.利用小光斑激光雷达估测林分参数和生物量[J]. 东北林业大学学报,2012,40(1):39-43.
[11]庞勇,赵峰,李增元,等. 机载激光雷达平均树高提取研究[J]. 遥感学报,2008(1):152-158.
[12]邢艳秋,尤号田,霍达,等. 小光斑激光雷达数据估测森林树高研究进展[J]. 世界林业研究,2014,27(2):29-34.
[13]范凤云,陈尔学,刘清旺,等. 基于低密度机载LiDAR和CCD数据的林分平均高提取[J].林业科学研究,2010,23(2):151-156.
[14]Zhen Z, Quackenbush L J, Zhang L. Impact of tree-oriented growth order in marker controlled region growing for individual tree crown delineation using airborne laser scanner(ALS) data[J].Remote Sensing, 2014, 6(1): 555-579.
[15]Zhen Z, Quackenbush L J, Stehman S V, et al. Agent-based region growing for individual tree crown delineation from airborne laser scanning ALS data[J]. International Journal of Remote Sensing, 2015, 36(7): 1965-1993.
[16]Zhen Z, Quackenbush L, Zhang L. Trends in automatic individual tree crown detection and delineation evolution of LiDAR data[J].Remote Sensing, 2016, 8(4): 333.
[17]张雨,林辉. 资源3号卫星影像的植被信息提取[J]. 中南林业科技大学学报,2014,34(11):130-134.
[18]陈敏. 基于纹理特征的遥感图像分类技术研究[D].福州:福州大学,2005.
[19]范永东. 模型选择中的交叉验证方法综述[D].太原:山西大学,2013.