国产高分辨率遥感数据在城市森林资源监测中的应用

2019-06-05谭耀华王长委

测绘通报 2019年5期

谭耀华,王长委

(1. 广东省国土资源技术中心，广东广州 510075； 2. 华南农业大学资源环境学院，广东广州 510642)

影响生态环境、气候变化及生物多样性的因素具有多样性和复杂性，而森林资源的变化是主要因素之一。具有自净功能的城市森林是城市生态系统重要的组成部分，及时准确地获取城市森林资源变化信息，对城市森林科学管理与可持续发展具有重要意义[1]。

森林资源信息的调查和监测的传统手段主要以地表人工调查为主，精度比较高，但是对于大区域的森林资源调查和监测，传统手段存在效率低和时效性差等问题，难以满足当今森林资源变化监测和管理的需要[1-3]。城市森林具有碎度高、分布零散、整片连续性弱的特点，而且多数为人工种植，树木的种类较少，受人类活动影响比较明显，采用高分辨率遥感技术取代人工测量对城市森林资源进行监测成为必然[4]。而近年来，随着航空航天遥感技术的发展和遥感成像分辨率的不断提高，其在林业中的应用从低空间分辨率要求的大尺度野外森林资源监测已经逐步发展到对空间分辨率和纹理特性均有较高要求的城市森林应用[1-3]，但是目前针对国产高分辨率遥感卫星数据的研究还比较少。

随着高分一号卫星(简称GF-1)的成功发射，我国将逐步建成自主研制的高分辨率遥感监测体系。我国高分辨率遥感卫星可以提供空间分辨率≤5 m的遥感数据，可以满足对林斑、小斑乃至单木等森林资源信息监测的精度要求[4-5]，而且国产高分辨率遥感卫星数据成本低，获取快，将会很快成为我国城市森林资源监测的主要遥感数据源。

本文对国产高分辨率遥感卫星数据进行真实性检验并分析其数据特性，并以广东省东莞市为研究区域，开展基于国产高分辨率遥感卫星数据的城市森林资源监测的应用研究，开发相应的软件系统，对于采用国产高分辨率遥感数据实现城市森林资源的高效率自动化监测，具有较强的实用价值和研究意义。

1 关键技术

1.1 国产高分辨率遥感数据的城市森林反射率真实性检验

国产高分辨率遥感数据目前在城市森林的应用较少，为了分析其数据的特性，需要进行地表反射率的真实性检验。但是由于华南地区天气条件限制，很难开展场地外定标方法试验。因此，本文采用无场地定标技术，即无需建立地面校正场，进行多传感器、多时相卫星数据的交叉定标[6-7]。以2013年12月31日定标精度较高的美国Landsat-8 OLI数据为参考，对2013年12月25日GF-1数据8 m的PMS相机多光谱数据进行交叉定标。各样地和各波段最后的平均相对差异为8.4%，其中草地、裸土在波段2的交叉检验精度达到95%。

1.2 少量样地的遥感参数反演

为克服样地较少的困难，本文将混合线性模型用于城市森林参数的提取，可以有效地解决样地少的问题。混合线性模型是一种方差分量模型，即在方差分量模型中含有固定效应和随机效应的模型[8]，常用表达式为

Y=Xβ+Zμ+ε

式中，Y为测量值向量；X为方差分量模型中的固定效应；β为与X对应的固定效应参数向量；Z为方差分量模型中的随机效应；μ为与Z对应的随机效应参数向量；ε为剩余残差向量矩阵。

2 系统应用及验证

2.1 研究区域

大岭山森林公园位于东莞市西南部，是珠江三角洲的中心地带，占地面积74 km2，邻接厚街镇、虎门镇、长安镇、大岭山镇及大岭山林场。公园内水资源和森林资源丰富，公园属低山、丘陵地貌，最高点茶山顶海拔530.1 m。

2.2 数据源

采用GF-1卫星遥感影像图，GF-1的PMS相机可以获取包括8 m的多光谱图像和2 m的全色图像。其中8 m的多光谱包括蓝、绿、红、近红外4个波段。另外还配置4台分辨率为16 m的多光谱中分辨率宽幅相机，拥有800 km幅宽[9-10]。

对GF-1影像要进行预处理，主要是使用ENVI 5.0软件进行辐射定标、大气校正、DEM、正射校正、波段融合和地理配准[11-13]等处理。

2.3 样地设计

根据东莞市森林资源二类调查资料，目前大岭山林场的主要森林分布类型为龙眼、南洋楹、针阔混、杉木、荷木、针叶混、阔叶混、马尾松、荔枝、桉树和速相思等[14]。

将高分一号的8 m多光谱和2 m的全色图像融合后，考虑邻近效应的影响，样地设置应大于8 m多光谱数据空间分辨率，参照遥感地表反射率样地设置的要求，选择不小于3×3像元的地块，因此本次试验的样地大小选择为24 m×24 m。为保证取样的科学性，本次试验设定每100 hm2设一个样地，样地共选定27个，如图1所示。在ArcGIS中，查找符合条件的公顷生物量值所在的细斑并将其设定24 m×24 m的样地。

2.4 城市森林提取

本研究的城市森林提取采用支持向量机分类(SVM)方法，而且设计SVM分类器时的核函数选择径向基函数(radial basis functions,RBF)。这是由于RBF函数能够将样本的非线性规划到更高维度的空间中，并且能够解决类标签、属性间非线性的关系问题[15-16]。

为了更好地提取森林信息，将该区域分为林地、不透水层和水域。分别选择50个林地样本、150个不透水层样本、50个水域样本,采用SVM分类的算法进行分类,提取大岭山森林分布状况,如图2所示。

从图2可以看出，分类效果比较理想，Kappa系数为0.80，整体精度达到88.78%。几条高速路已经划分为不透水层，特别是高速路通过隧道的地方也表示了出来，整体分类结果基本反映了该地区的土地覆盖分类现状，特别是对于森林信息提取的效果较好。

2.5 森林郁闭度提取

本研究的27个调查样地中，有1个样地在采用GF-1数据提取森林郁闭度中存在问题。因此在采用GF-1数据提取森林郁闭度的研究中，以26个样地的森林郁闭度作为因变量建立随机效应为森林分布类型的线性混合效应模型，提取了研究区域的森林郁闭度(见表1)，R2精度达到0.71，解决了少量样地估算遥感参数的困境。

表1 提取的研究区域26个样地的城市森林郁闭度

2.6 基于国产高分辨率遥感数据的城市森林资源监测系统

2.6.1 地表反射率真实性检验模块

在对GF-1地表反射率真实性检验充分调研的基础上，完成了系统的结构设计和功能设计，最后采用VS.NET语言和Access数据库开发了GF-1数据地表反射率真实性检验系统，实现了地表反射率真实性检验网采集数据的集中存储、查询和检索。系统数据管理界面如图3所示。

2.6.2 森林参数提取模块

根据国产高分辨率遥感数据的城市森林资源监测技术流程，通过需求分析和系统设计，在国产卫星产品基础共性产品一体化处理系统软件的基础上，采用Matlab实现无缝接口，开发了基于国产高分辨率遥感数据的城市森林资源监测系统，充分利用Matlab分类和统计算法，极大提高了系统的实用性，可满足城市森林资源监测的精细化管理和自动化管理的需要。