基于资源三号卫星遥感影像的森林蓄积量估测

张翔雨 王瑞瑞

摘要：以宁波市北仑区新路林场作为研究区域，选用主成分回归法、偏最小二乘法和逐步回归法3种不同方法，基于资源三号卫星影像建立蓄积量反演模型，并对比不同估测模型的精度得出逐步回归模型为最优模型，相对精度为95.2%，满足林业调查的需要。

关键词：资源三号影像;蓄积量;估测模型;模型精度

中图分类号：S771.8;S758.5+1         文献标识码：A

文章编号：0439-8114（2019）12-0074-05

DOI：10.14088/j.cnki.issn0439-8114.2019.12.017           开放科学（资源服务）标识码（OSID）：

Abstract： Three different methods， principal component regression method， partial least squares method and stepwise regression method are used to establish the volume inversion model based on the satellite image of ZY-3. The stepwise regression model is the optimal model by comparing the accuracy of different estimation models， and the relative accuracy is 95.2%， which meets the needs of forestry investigation.

Key words： ZY-3 image; volume; estimation model; model accuracy

森林蓄积量是指森林树干部分的总材积，它是体现一个地区森林资源整体水平的一个重要指标，也是体现一个地区森林资源的丰硕程度、一个地区森林环境好坏的直观体现，在国民经济生产和保护森林资源等方面有着广泛的应用。森林质量评价也离不开蓄积量，它是评价一个地区森林资源质量优劣的重要标准之一。传统的森林蓄积量调查依赖于人工测量，主要是使用测量工具对大范围样地区域林木的树高和胸径进行测量，利用所调查树木的整体平均树高和胸径作为研究区蓄积量的基础估测值[1]。这样的测量技术不但人工成本高，需要大量的人力物力，其所需测量周期长，一次蓄积量的调查可能会持续几年的时间， 随着对蓄积量研究的深入，这一技术效率较差。随着卫星遥感技术日趋完善，使用卫星拍摄的遥感影像调查森林蓄积量，只需要对所研究区域内样地的蓄积量进行人工调查，获得样地林木的树高和胸径，然后将采集的数据进行数学模型计算，利用遥感影像， 提取分析影像表现出的与森林蓄积有关联的波段因子、纹理因子及地形因子，利用这些因子建立蓄积量估测模型[2]。并依据估测模型反演出森林蓄积量，极大地节省了人力物力，缩短了调查周期。本研究以北仑区资源三号卫星影像为主要数据源，并结合北仑区森林调查数据，建立森林蓄积量估测模型， 为北仑区森林资源合理规划开发提供依据和参考。

1  国内外研究现状

最初关于森林蓄积量和生产力的报道是在1876年，由德国的生物学家Ebermeryer测定了多种森林树种的落叶量，并对林木干材重量进行了测定。1910年，Boysen根据有机物的生产量与消耗量对森林的耐阴性进行了研究，并初步研究了森林的初级生产量。从20世纪90年代开始，大量国外的学者通过过程模拟碳的储量来达到准确估测森林碳储量和碳汇功能，并得出森林的蓄积量有近50%都是碳素含量的结论[3]。

利用卫星遥感影像估测森林蓄积量的方法有很多，其中以K-近邻法、神经网络法、随机森林法、多元回归分析法最为常见[4]。

在国内关于这一方面的研究也在逐步发展，并研究出了各种不同的建立模型的方法。刘琼阁等[5]、包盈智等[6]以TM影像为数据基础，将坡度、海拔、郁闭度、湿度、绿度等作为模型的自变量，构建了偏最小二乘的蓄积量反演模型。李崇贵等[7]选用像元作为研究的基本单位，利用灰度值、郁闭度和比值波段建立了蓄积量估测模型。杨燕琼等[8]利用TM影像，选用波段的密度值和比值、地形因子和土壤类型作为自变量，应用逐步回归的方法反演了森林蓄积量。马瑞兰等[9]利用SPOT数据挑选比值波段和遥感波段作为自变量，建立了蓄积量估测模型。这些研究成果均促进了国内基于遥感影像的森林蓄积量反演模型研究領域的进步，并在实践中得到了很好地应用。综合国内的研究现状，在建立森林蓄积量反演模型时，主要的研究细节有4个方面：一是对于研究中使用的实际蓄积量单位的选择。如样地和像元;二是对于遥感影像的选择。目前普遍使用TM影像作为蓄积量反演的遥感信息源，但使用SPOT、QuickBird等遥感影像的研究也很多;三是对于影像建模因子的选择。这些因子有坡度、坡向、郁闭度等GIS因子，RVI、NDVI等波段组合因子以及植被的纹理因子;四是关于建立模型方法的研究。目前常用的建模方法有偏最小二乘法、K-近邻法和多元线性回归法等多种方法。

在国外，建立森林蓄积量反演模型的研究时间比较久，建立模型的方法也较多，Fazakas等[10]在1999年使用TM影像全波段数据，构建了蓄积量估测模型反演了瑞典中部森林的蓄积量。Gemmell[11]利用TM遥感数据，分析了郁闭度、波段、地形等因素与蓄积量的相关性，得到与蓄积量相关性大的因子，并建立了模型。M？覿kel？覿等[12]基于高分辨率遥感数据获取建模因子与调查的少量样地数据结合起来构建了森林蓄积量反演模型。Popescu等[13]使用LIDAR数据建立单个树木林冠基部高的线性模型，并进行了傅立叶变换。

本研究采用多元回归分析法，分别选取了逐步回归模型、主成分回归模型和偏最小二乘模型3种不同的模型对新路林场进行森林蓄积量反演，对比不同模型的相对精度，挑选出逐步回归模型作为最优蓄积量反演模型，使得蓄积量估测的精度进一步提升。

2  研究区概况

北仑区隶属于浙江省宁波市，位于宁波市东部。地理坐标为东经121°27′40″—122°10′22″，北纬29°41′44″—29°58′48″。北仑区东面和北面与东海相邻，与定海和普陀县交界，南部接壤鄞州，西面与镇海区隔江相望。北仑区地处亚热带季风气候区，全年气候温和湿润，春夏秋冬四季分明，降雨量足，无霜期长，有时会出现台风、暴雨、冰雹等恶劣天气。新路林场位于北仑区西侧大碶街道，占地面积3 671 hm2，主要树种有油松、杨树、桦树、银杏、南方红杏杉、杜仲等， 其中油松、杨树和桦树是优势树种。新路林场是由不同龄级的林木组成的人工林，既有林分未完全郁闭的幼龄林，又有林木已发育成熟的成熟林。

3  研究方法

3.1  数据来源

采用2013年北仑区资源三号遥感影像数据，并利用北仑区森林资源二类调查数据进行后续分析。资源三号遥感影像的多光谱数据空间分辨率为5.8 m，全色数据为2.1 m。资源三号卫星轨道参数如下：其轨道形式为太阳同步圆轨道，轨道高度为505.984 km，轨道倾角为97.421°，回归周期为59 d，重访周期为5 d，降交点地方时为上午10：30。该卫星提供的高分辨率遥感影像数据已被应用于国家自然灾害防治与评价及相关的基础设施建设等，同时也为国家的基础测绘工作提供主要数据来源，对保障中国测绘事业长久发展具有深远影响。

本研究的建模样本采用北仑区2013年森林资源二类调查数据结果中的样地数据，样地为30 m×30 m的正方形样地，将样本中心点的所在位置选为坐标采集点。研究区内的样地总数为85个。

3.2  数据预处理

利用ENVI软件对影像数据进行预处理。为消除影像拍摄过程中发生的几何畸变和由于大气散射产生的误差，对图像数据进行了几何校正和大气校正。校正完毕后，以研究区范围为边界将北仑区的影像数据和DEM数据裁剪，结果见图1。

3.3  森林信息提取

采用ENVI 软件将预处理后的遥感影像数据进行建模因子的分析与提取，包括地形因子、植被指数和纹理因子等。

3.3.1  紋理因子  资源三号遥感图像数据的纹理因子包含8个，分别为：①均值（Mean），度量图像灰度共生矩阵元素灰度值的平均程度;②方差（Variance），反映图像灰度值的变化程度;③协同性（Homogeneity），反映图像的局部同质性大小;④信息熵（Entropy），表示图像中纹理的非均匀程度或复杂程度;⑤对比度（Contrast），反映了图像的清晰度和纹理沟纹深浅的程度;⑥相异性（Dissimilarity），度量图像纹理信息的相似性;⑦二阶矩（Second moment），度量图像中纹理信息的粗细程度以及纹理信息灰度分布的均匀程度;⑧相关性（Correlation），反映图像中局部灰度相关性。

通过 ENVI软件利用资源三号影像全色波段，3×3窗口、5×5窗口、7×7窗口3种纹理因子提取窗口，依次提取出3×8=24个纹理因子。

3.3.2  植被指数  植被指数主要用来检验植被覆盖度的指标，基于资源三号遥感影像提取各类植被指数，利用ENVI软件中band math功能进行影像波段间的运算与分析，从而提取4种代表性的植被指数，分别为RVI、EVI、NDVI、DVI。

1）归一化植被指数（NDVI）。NDVI是植被覆盖度的重要评价指标，一般是利用遥感影像的可见光和近红外波段之间的关系来表示， 也就是利用两者之间的差与两者之间的和的比值来表示，关系式如下：

式中，pNIR表示近红外波段;pR表示红波段。

2）比值植被指数（RVI）。RVI就是将植被指数以比值关系的形式表达出来，由于植被中的叶绿素在红光是吸收的， 而在近红外是反射的，那么可以通过他们之间的比值运算，并增大两者之间的反射率差异来区分植被与土壤， 为植被的提取提供重要的信息。关系式如下：

式中，pNIR表示近红外波段;pR表示红波段。

3）差值植被指数（DVI）。DVI是指红波段与近红外波段之间的差值关系，常被用来表达植物的生长状态。关系式如下：

式中，pNIR表示近红外波段;pR表示红波段。

4）增强型植被指数（EVI）。增强型植被指数

式中，pNIR表示近红外波段;pRED表示红波段;pBLUE表示蓝波段。

3.3.3  地形因子  地形因子包括坡度和坡向。北仑区新路林场的坡向划分为9个方位，分别是东、南、西、北、东北、东南、西北、西南。其中，北、东北为阴坡;南、西南为阳坡;东、西北为半阴坡; 西、东南为半阳坡。基于已有的数字高程模型（DEM）数据，利用ArcGIS对DEM数据进行分析处理，可以获得坡向（图2a）和坡度（图2b）。通过坡度图的颜色变化确定坡度的大致走向。

3.4  蓄积量估测模型

利用SPSS软件将提取到的纹理因子、地形因子和植被指数信息进行相关性分析，筛选出相关性较高的遥感因子参与建模，建立北仑区新路林场蓄积量的反演模型，并分析模型精度与适用性。

3.4.1  相关性分析  利用SPSS软件对提取因子信息的相关性进行分析，从中筛选出相关系数较高的因子参与建立蓄积量估测模型。

由表1可以看出，森林蓄积量与遥感影像的纹理信息具有一定的相关性，且与坡度也存在较高的相关性。分析表1中数据，选取相关性系数较大的9个因子用来构建森林蓄积量估测模型，相关性分析结果及选取的建模因子见表2。

3.4.2  逐步回归模型  采用逐步回归法，把森林蓄积量作为因变量，9个相关性系数较大的因子作为自变量，进行回归分析，得到新路林场的森林蓄积量反演模型为：

3.4.3  主成分回歸模型  主成分分析法的本质就是降低维度，在保证损失信息很少的前提下用几个互不相关的综合指标代替原来指标的方法， 将上述9个自变量信息进行降维处理，结果见表3。

由于前4个主成分贡献率达到90.08%，因此用这4个因子代替9个原始自变量，损失的信息很少。本次选取前4个指标作为自变量用来建立主成分回归模型。利用SPSS软件构建的模型如下：

3.4.4  偏最小二乘回归模型  偏最小二乘法首先采用Z-score标准化方法对自变量数据进行标准化处理，之后进行主成分提取，得到前4个主成分与蓄积量的回归模型如下：

还原为自变量与蓄积量如下：

对上述模型进行初步精度检验，得出模型的拟合精度如表4所示。

3.4.5  新路林场的总蓄积量  将3种模型反演到整个研究区可估算出新路林场的总蓄积量，以森林资源二类调查数据中的北仑区新路林场的蓄积量作为实际蓄积量，计算出3种森林蓄积量反演模型的相对精度（表5）。由表5可知，采用逐步回归法进行森林蓄积量反演相对精度最高，偏最小二乘法的相对精度略高于主成分回归法。

4  小结与讨论

分别基于逐步回归法、主成分回归法和偏最小二乘法构建了北仑区新路林场的蓄积量反演模型，对比3种不同反演模型的相对精度，发现基于逐步回归模型反演森林蓄积量的精度最高。利用此模型估测整个研究区的蓄积量，得到新路林场的蓄积量估测值为611万m3。本研究以森林资源二类调查数据中新路林场的蓄积量调查结果作为实测蓄积量，实测蓄积量为583万m3，估测精度为95.2%。

随着遥感技术的发展，以往的森林蓄积量调查过程过于繁琐且需要耗费较多人力物力资源。因此，利用卫星遥感影像数据进行森林蓄积量反演具有重大研究意义。本研究利用资源三号卫星遥感影像的纹理因子、植被指数信息和地形因子信息等相关的遥感因子， 其中借助了纹理因子作为反演因子的一部分，分析其相关性，发现纹理因子对蓄积量的估测具有一定的作用， 选取了相关性较高的9个因子，建立了北仑区新路林场的蓄积量估测模型，将模型反演到整个研究区得出精度为95.2%， 满足林业调查的需要。表明基于卫星遥感影像数据对森林的蓄积量进行反演是可行的。

参考文献：

[1] 亢新刚.森林资源经营管理[M].北京：中国林业出版社，2001.

[2] 王  雪，卫发兴，崔志新.3S技术在林业中的应用[J].世界林业研究，2005（2）：45-47.

[3] 李延峰.东北典型区芦苇分布提取与地上生物量遥感估算[D].北京：中国科学院大学，2014.

[4] 陈尔学，李增元，武红敢，等.基于k-NN和Landsat数据的小面积统计单元森林蓄积估测方法[J].林业科学研究，2008，21（6）：745-750.

[5] 刘琼阁，彭道黎，涂云燕.基于偏最小二乘回归的森林蓄积量遥感估测[J].中南林业科技大学学报，2014，34（2）：81-84，132.

[6] 包盈智，袁凯先，赵宪文，等.森林资源二类调查中蓄积量遥感估测方法的应用实例[J].林业科学研究，1996，9（3）：234-238.

[7] 李崇贵，赵宪文.森林郁闭度定量估测遥感比值波段的选择[J].林业科学，2005，41（4）：72-77.

[8] 杨燕琼，吴奕敏，黄  平，等.基于RS、GIS的林分蓄积量估测[J].华南农业大学学报（自然科学版），2003，24（3）：73-77.

[9] 马瑞兰，李卫忠.基于SPOT5遥感影像选择森林蓄积估测因子

——以火地塘教学实验林场为例[J].东北林业大学学报，2011， 39（7）：111-112，137.

[10] FAZAKAS Z，NILSSON M，OLSSON H. Regional forest biomass and wood volume estimation using satellite data and ancillary data[J].Agricultural and forest meteorlogy，1999（98-99）：417-425.

[11] GEMMELL F M. Effects of forest cover，terrain， and scale on timber volume estimation with Thematic Mapper data in a Rocky Mountain site[J].Remote sensing of environment，1995， 51（2）：291-305.

[12] M？魧KEL？魧 H，PEKKARINEN A. Estimation of forest stand volumes by Landsat TM imagery and stand-level field-inventory data[J].Forest ecology and management，2004，196（2-3）：245-255.

[13] POPESCU S C，ZHAO K G. A voxel-based lidar method for estimating crown base height fordeciduous and pine trees[J].Remote sensing of environment，2008，112（3）：767-781.

收稿日期：2019-03-27

作者简介：张翔雨（1993-），男，河北唐山人，在读硕士研究生，研究方向为林分蓄积量反演，（电话）13121938866（电子信箱）1193073502@qq.com;