基于光学和微波遥感数据的森林蓄积量估测模型研究

王宗梅，岳彩荣，刘 琦，胡振华，柴凡一

(西南林业大学 西南地区生物多样性保育国家林业局重点实验室, 云南 昆明 650224)

【研究意义】森林生态系统是地球上最大的有机碳储存库[1]，对维持全球碳循环平衡和减缓CO2引起的温室效应起到了至关重要的作用，因此掌握森林资源实时动态变化信息意义重大。森林蓄积量则是衡量国家森林资源的重要指标，传统基于地面的蓄积量调查需耗费大量人力、物力并且持续周期长，因此，人们迫切希望能找到快速、准确获取地区大范围森林蓄积量的方法[2-3]，遥感技术在林业领域的应用为实现这一目标提供了可能。传统光学遥感的回波信号主要来源于森林冠层，对森林空间结构信息不敏感，而微波具有穿透树冠的能力[4]，可以提取森林垂直结构参数，因此，结合光学遥感和微波遥感的多源遥感方式可发挥两者优点，实现对森林蓄积量更为准确地估测[5-6]。【前人研究进展】目前，国内外学者对遥感技术应用在森林蓄积量估测方面做了大量研究，并取得了一定的进展[7-12]。Holmstrõm H等[13]采用k近邻法估测蓄积量，结果表明多源数据(CARABAS-II VHF SAR和Spot-4 XS)的估测结果精度比任意单一源数据的都高。杨铭等[14]将资源3号多光谱高分影像和ALOS PALSAR影像结合，协同反演森林蓄积量，结果也证实基于多源数据的森林蓄积量反演精度更高。【本研究切入点】虽然文献资料中基于多源数据估测森林蓄积量取得了一定的成果，但对于不同植被类型和立地条件下的蓄积量估测效果仍有待继续研究。【拟解决的问题】因此结合前人的经验，文章基于日本宇宙航空研究开发机构JAXA的ALOS PALSAR L波段全极化数据和Landast TM多光谱数据，试验多源数据的森林蓄积量估测；提取传统光学遥感因子和极化特征因子，采用多元线性回归的方式估测云南省迪庆自治州香格里拉市部分地区的森林蓄积量，对比地面实测样地验证蓄积量估测精度，进一步分析探讨了多源数据在森林蓄积量估测方面的优势和特点。

1 材料与方法

1.1 研究区概况

研究区位于云南省迪庆自治州香格里拉市境内的洛吉乡和三坝乡。洛吉乡地处香格里拉市东部，位于27°38′ ～ 28°06′N，99°55′ ～ 100°19′E，全乡总面积为104 114.7 hm2，其中林地面积8 718.6 hm2，整体地势东南低，西北高，海拔高差悬殊，气候差异较大[15]。三坝乡位于香格里拉市东南部，27°17′ ～27°43′N，99°56′ ～ 100°19′E，面积97 625.2 hm2，海拔1440～ 4770 m，森林资源种类丰富，森林覆盖率65 %以上，主要树种有冷杉(Abiesfabri)、栎类(Quercus)、云南松(Pinusyunnanensis)、高山松(Pinusdensata)、落叶松(Larixgmellini)、云杉(Piceaasper)等[16]。研究区具有河谷亚热带、山地暖带等5种气候类型，四季不分明，年平均气温13 ℃，得天独厚的地理位置和气候形成了独特的自然景观，使得三坝乡几乎包罗了香格里拉市所有的植被类型[17～18]。

1.2 数据获取与采集

研究以Landsat TM影像、ALOS PALSAR L波段全极化数据为遥感数据源，选取地面实测样地数据为验证样本。

1.2.1 遥感数据获取 光学遥感数据为香格里拉市两景Landsat TM影像，获取时间为2008年12月和2009年11月；微波数据为ALOS PALSAR传感器获取的L波段全极化影像(HH、HV、VH和VV)，数据级为1.1级别的单视复图(Single Look Complex, SLC，表1)。

图1 研究区位置与样地点分布图Fig.1 Geographic location of study area and sample location distribution

1.2.2 样地数据采集 样地数据为2010年8-9月在试验区采集的蓄积量实测数据，样地主要根据香格里拉市的坡度、坡向、海拔和森林立地条件等因子进行选择，并在空间上尽量做到样地均匀分布且具有代表性[19-20]。

1.3 数据处理

1.3.1 光学遥感数据预处理 为减少大气、地形以及传感器姿态等因素的影响，减少蓄积量估测模型误差，需要对光学影像进行预处理，包括影像的镶嵌、裁剪、几何校正等流程。考虑到光学影像和实测样地数据坐标参数差异带来的地理位置和形状的变形，以经过几何精校正的SPOT5影像为基准，对Landsat TM进行几何校正，把矫正后的误差控制在1个象元内。最后用研究区矢量边界进行裁剪，得到样地点的光学遥感影像(图1)。

1.3.2 微波遥感数据预处理 试验采用ALOS PALSAR 1.1级别单视复图，没有经过辐射定标和正射校正等处理，同时，考虑到合成孔径雷达的侧视成像方式，造成微波影像存在叠掩、阴影和透视收缩等问题，地物后向散射受到地形影响，因此需要对微波数据进行预处理。本研究利用ASF MapReady软件[21-23]对ALOS PALSAR数据进行预处理，主要有辐射定标、地形校正、滤波和地理编码等处理。辐射定标把微波强度图像(Amplitude)转换为后向散射系数σ0，单位为分贝(dB)，采用ASTER GDEM数字高程模型对后向散射系数图像进行地形校正和地形辐射校正，生成地理编码的后向散射系数影像。辐射定标根据以下公式进行，并提取后向散射系数。

表1 ALOS PALSAR卫星部分参数

σ0[dB]=10log10|DNi|2+KdB

(1)

式中，σ0[dB]为后向散射系数，DN为强度值，KdB为定标常数，在这里KdB为-83dB[24]。

1.3.3 外业数据处理 研究区的优势树种主要有云南松、高山松、冷杉等针叶树种，以及少量栎类。地面实测数据包括蓄积量、郁闭度、平均胸径、优势树种、平均树高等信息。此次获取了39块地面实测样地，随机抽取其中的28块样地作为建模数据，剩下的11块样地作为检验样本。

1.4 蓄积量反演模型构建

1.4.1 遥感特征因子提取 经过预处理的Landsat TM影像中，提取植被信息丰富的3、4、5波段值作为波段因子参与建模。同时，为了充分挖掘光学遥感信息和全面反映植被的多寡、状态和分布特征[25]，采用对植被长势、生物量等具有指示意义的植被指数加以分析[26-27]，以NDVI、PVI和ARVI作为植被指数因子，参与建模。

微波影像的特征提取，基于经过预处理的4种极化方式(HH、HV、VH、VV)的后向散射系数σ0影像，以实测样地记录作为最小单元，分别提取不同极化方式下每块样地的后向散射系数，并将四者做比值，得到不同极化的σ°HH、σ°HV、σ°VH和σ°VV，以及极化比值σ°HH/HV、σ°HV/VV、σ°VH/HH和σ°VH/VV。

红色(R)：VV极化后向散射系数，绿色(G)：VH极化后向散射系数，蓝色(B)：HH极化后向散射系数图2 研究区ALOS PALSAR数据预处理后RGB彩色合成图Fig.2 Color composite image of ALOS PALSAR data

1.4.2 多元线性回归分析 多元线性回归模型具有良好的可解释性，是遥感地学参数建模普遍采用的数学方法，文章采用的多元线性回归方法为向后型(backward)，检验蓄积量估测模型的估测效果以比较模型的决定系数R2和均方根误差RMSE为准[28]。研究表明，适量的指标因子使得模型精度高，稳定性好，以Landsat TM影像波段因子、植被指数因子和ALOS PALSAR影像提取的后向散射系数为自变量，以实测样地蓄积量为因变量，在SPSS 18.0中建立多元线性回归模型。

1.4.3 模型的评价与检验方法 为了检验森林蓄积量多元线性回归模型的可靠程度[29]，对预留的11个检验样本分别计算样地蓄积量预测值，以均方根误差RMSE评价模型精度，计算公式如下：

1.4.4 最优森林蓄积量模型选取 利用ALOS PALSAR数据HH、HV、VH、VV的后向散射系数σ0和HV/HH、VH/HH、HV/VV、VH/VV极化比值与实测蓄积量建立多元线性回归模型，结合Landsat TM影像的波段因子和植被指数因子，采用多元线性回归方法反演蓄积量，通过对比决定系数、标准估计误差、显著性等参数，比较光学遥感、微波遥感、光学与微波协同的3种蓄积量估测模型效果，探讨不同建模方法的特征，筛选出最适宜研究区的蓄积量估测模型。

2 结果与分析

2.1 遥感自变量因子与蓄积量相关性分析

为探讨波段因子、植被指数因子与森林蓄积量之间的关系，了解微波遥感不同极化方式与森林蓄积量的响应机制，运用SPSS 18.0对自变量因子与森林蓄积量进行相关性分析，如表2，红光波段和近红外波段与估测蓄积量表现出最强的相关性，中红外波段和垂直植被指数因子对蓄积量估测的相关性较强，相关系数均大于0.300，而大气阻抗植被指数和极化比值HV/HH、VH/HH对森林蓄积量估测的相关性较差，其他指数因子、后向散射系数和极化比值对估测蓄积量有一定的相关性，因此，为充分利用光学遥感的光谱信息和微波遥感的极化散射特征，将所有自变量因子参与建模，结合实测森林蓄积量数据，加以分析，获取最适宜研究区的森林蓄积量估测模型。

表2 遥感自变量因子与森林蓄积量相关系数

表3 基于多源遥感的森林蓄积量遥感预测模型

注：*为0.05显著水平；**为0.01显著水平。

Note:* correlation was significant at the 0.05 level, and ** correlation was significant at the 0.01 level.

2.2 光学遥感结合微波遥感结果分析

2.2.1 基于各自变量因子与森林蓄积量回归模型建立 在SPSS 18.0中，将光学遥感的波段因子、植被指数因子和微波遥感影像不同极化的后向散射系数及极化比值作为自变量，实测样地蓄积量为因变量，分别建立光学数据、微波数据和多源数据回归模型。如表3所示，光学遥感森林蓄积量估测模型的决定系数为0.459，标准估计误差为10.20；引入微波数据的后向散射系数，模型的决定系数明显增高，达到0.674，标准估计误差为8.46，总体显著性水平(P< 0.01)为极显著，说明光学遥感因子协同微波遥感的后向散射特征对森林蓄积量具有极强的响应，适用于森林蓄积量的估测。

2.2.2 模型验证与最优模型选取 基于ALOS PALSAR影像和Landsat TM影像，结合样地实测蓄积量，通过多元线性回归建立森林蓄积量模型，比较分析决定系数等参数指标，得到最优森林蓄积量遥感估测模型，如下所示：

V=-0.631B3+6.365σ°HV-6.439σ°VH+27.596σ°HV/HH-28.545σ°VH/HH+0.436σ°VH/VV+20.577

(3)

与单一数据源的光学遥感模型或微波遥感模型相比，两者协同建立的多源数据模型对森林蓄积量有较好的反演效果，与前人在多源数据反演蓄积量/生物量方面的研究结果相一致[30-31]。如表3所示，通过精度检验，光学遥感模型的均方根误差为14.33 m3/hm2，微波遥感模型的均方根误差为14.30 m3/hm2，而多源数据蓄积量预估模型的均方根误差最低，为13.38 m3/hm2，进一步说明多源遥感数据森林蓄积量估测模型较单一数据源遥感模型有更好的估测效果。

3 讨 论

利用光学遥感的光谱特征和微波遥感的极化散射特征，探讨香格里拉市洛吉乡、三坝乡森林蓄积量反演情况，探索光学遥感数据和微波遥感数据对森林蓄积量估测的潜力。通过开展光学遥感、微波遥感以及二者结合的多源遥感森林蓄积量模型研究，对比分析得出多源遥感森林蓄积量估测模型为最佳模型，为全面和准确了解森林资源提供理论依据。

图3 森林蓄积量估算值与实测值折线图Fig.3 Line graphs of forest volume between predicted value and observed value

(1)传统光学遥感受到穿透性制约，植被指数为代表的特征因子易出现饱和状态，特别是对于阔叶类型植被分布的森林区域，郁闭度高，影响了蓄积量估测效果。

(2)微波遥感数据可穿透森林冠层，获取植被垂直结构参数，对枝、干部分的信息十分敏感。大量文献显示[30-31]，微波数据的引入对基于光学数据的估测手段起到了有效补充；文章的试验结果同样显示多源数据的估测模型在决定系数R2和均方根误差RMSE等指标上相比单一数据源的估测模型效果更好，提高了蓄积量估测精度。

(3)基于多源遥感数据，结合检验样本对森林蓄积量进行预测，对比实测蓄积量，存在低估或高估的情况，因此建立的蓄积量估测方程需要进一步完善，借助新的建模方法对森林的后向散射机制进行深入研究。

4 结 论

光学遥感和微波遥感结合能提高森林蓄积量估测模型精度，L波段的微波对树冠具有穿透性，能在一定程度上与树干发生作用，从而获取林木的表面散射信息和体散射信息。因此，利用光学遥感所获取的光谱信息和微波遥感的极化特征因子更加全面地反映出森林生长状况，相比于单一数据源反演森林蓄积量更具优势。