基于Landsat8的霍山县森林蓄积量反演估算

2019-07-16厉香蕴

智能城市 2019年11期

厉香蕴孔丽

（1．安徽省基础测绘信息中心，安徽合肥 230031；2．安徽省智慧城市与地理国情监测重点实验室，安徽合肥 230031）

森林蓄积量的消长动态不仅是林业经济效益的重要标志，也是林业资源调查的重要内容之一。传统的森林蓄积量估测方法是对标准地进行调查，以标准木平均胸径、树高进行估测，人为影响较大[1]。近年来，随着高空间分辨率遥感技术的发展，GIS和GPS技术在森林资源调查和管理中应用的不断深入和普及，借助GIS、GPS、RS及其集成技术与少量地面样地资料，建立森林蓄积量遥感估测方程，已成为林业上的热点问题[2]。

本研究以安徽省霍山县为例，利用2017年森林资源二类调查成果和数字高程模型数据为主要数据源，结合Landsat8 OLI遥感影像，采用多元逐步回归的方法构建霍山县森林蓄积量的反演估算模型，估算研究区的森林蓄积量，为大范围监测森林资源提供一种可靠的方法。

1 数据获取与处理

1.1 Landsat8 OLI影像预处理

利用ENVI软件对所获取的Landsat8 OLI影像进行包括定标、大气校正、几何精校正等预处理。由于霍山县境内多山，地形起伏较大，因此在使用之前仍需要对影像进行正射校正。经过上述预处理之后得到覆盖霍山县的Landsat8 OLI遥感影像。

1.2 样地数据及参考数据的获取和处理

本研究采用霍山县2017年森林资源二类调查数据为主要参考数据，共获取120组样本数据，并以此数据为基础进行森林蓄积量的反演估测建模和精度验证，基于SPSS软件随机选择100组数据作为样本构建森林蓄积量的反演模型，其余数据作为验证数据。

2 研究方法

依据遥感技术手段对森林蓄积量的估算通常选择遥感影像的原始波段反射率、基于原始光谱波段计算得到的波段比和植被指数等。现有的研究证明，随着纹理特征的引入，相关模型的反演精度可以得到有效地提升[3]。因此，本研究引入纹理特征，分别从OLI影像中提取采样点7个波段的光谱、纹理特征、植被指数及波段比等遥感因子，从数字高程模型数据提取高程、坡度、坡向等地形因子，建立多元逐步回归模型，对森林蓄积量进行反演估算。

2.1 反演模型参数的选取

本研究选用的Landsat8 OLI影像含有9个多光谱波段，选取其中的Band1～Band 7，共7个多光谱波段的反射率作为模型参数之一。依据多光谱波段计算得到各个波段比和多个植被指数（比值植被指数、改进型土壤调节植被指数、增强植被指数、归一化植被指数、土壤调节植被指数、优化土壤植被指数、大气阻抗植被指数）作为光谱衍生特征进入模型构建。

本研究选择基于灰度共生矩阵GLCM（Gray Level Cooccurrence Matrix）算法提取遥感影像的8个典型纹理特征：均值、同质性、方差、对比度、二阶矩、熵、相关性和差异性[4]。纹理特征提取基于ENVI 5.3软件完成。

除此之外，根据研究区的数字高程模型数据提取相应的高程、坡度和坡向等地形因子。综上，本研究对霍山县森林蓄积量反演估测选取的模型参数共有3类，分别是光谱特征及衍生特征、纹理特征及地形特征。

2.2 多元逐步回归分析

回归分析在诸多研究领域都有广泛的应用，这种分析方法可以用来分析若干可能相关对象之间的变化规律[5]。影响森林蓄积量的因素不是唯一的，在构建反演模型的多特征中可能有多个参数都会对森林蓄积量有影响。

本研究依据光谱特征及衍生特征、纹理特征和地形特征三类不同的参数对霍山县的森林蓄积量进行估算。在SPSS中以从2017年森林资源二类调查数据中获取的样地森林蓄积量作为因变量，以三种不同类型的特征参数作为自变量进行多重相关性分，分析前已完成对备选参数与森林蓄积量的显著相关性分析，选择与蓄积量显著相关的自变量，采用多元逐步回归分析的方法构建霍山县森林蓄积量的反演模型。

3 结果与分析

经过逐步回归，得到霍山县的森林蓄积量估算反演方程为：Y=8.299- Slope*0.035- EVI *6.435+ Band3/2*6.844+Band6/2*1.059- B9_WL *1.225，其中，Y为蓄积量，Slope为坡度，EVI为增强植被指数，Band3/2和Band6/2为波段比，B9_WL为波段2的均值。按照反演方程得到霍山县森林蓄积量估算分布如图1所示。

依据建模前预留的验证数据对该反演模型进行精度验证，验证结果显示相对误差为0.728 9，RMSE 为1.591 2，依据该模型计算得到霍山县有林地总蓄积量为6 474 709 m3。