遥感技术在竹林监测中的应用研究进展

黄兰鹰 官凤英

(国际竹藤中心 国家林业和草原局竹藤科学与技术重点实验室 北京 100102)

竹子是木质茎的禾本科植物，广泛分布在46°N到47°S的热带和亚热带地区[1]，覆盖面积约3 200万hm2，约占世界森林总面积的1%[2-3]，竹林分布的最大区域是亚洲东部和东南部[4]，大约15%的竹林集中分布于中国[1]。中国第8次森林资源清查结果显示，我国竹林面积已达601万hm2，其中毛竹面积占70%。竹林具有生长快速、生物量高的特性，尤其是毛竹具有较高的固碳能力，使得竹林在森林生态系统碳循环中具有重要地位，其巨大的碳储量在全球碳平衡中发挥着重要的作用，可以为区域的生态、环境以及全球碳循环提供关键数据。竹子的生长模式与树木有明显的不同，其新秆的形成可通过水平根茎系统得到补充[5]，在生长期间，大多数竹种的生长速率可达7.5～100.0 cm/d[6]，约2～4个月达到高生长最大值。

为准确掌握竹林资源的变化动态，传统的资源调查方式因耗时、费力已无法满足现代竹林经营管理的需要，遥感技术(包括光学遥感技术和主动遥感技术)具有实时、动态、周期短、大面积同步观测、信息丰富、自动化和成本低等特点，已广泛应用于森林资源监测、地质和环境的调查和研究中[7]。Nishikawa等[8]利用多时相的航空像片研究了日本福冈地区竹林的扩鞭特点，认为竹林的扩张导致了阔叶林的减少。Xu等[9]利用Landsat TM影像估计了毛竹地上碳储量，并比较了不同拟合方法的精度。国内许多学者也利用美国陆地卫星进行了竹林信息提取的研究，杜华强等[10]利用Landsat 5-TM数据，结合野外调查数据，采用不同的分类方法提取了浙江省安吉县毛竹林信息并达到较高的精度。施拥军等[11]采用BP神经网络法从ETM+遥感影像中提取竹林信息，其结果精度较高。在主动遥感技术方面，Cao[12]等利用机载激光雷达研究了竹林冠层结构，估计了竹林生物量。Yan[13]等利用地基激光雷达对竹阔混交林中的竞争进行了研究。本文重点概述了遥感技术在竹林资源监测和竹林相关参数提取方面的研究现状，并对其在竹林中的应用前景进行展望，旨在为遥感技术在竹林资源管理方面的深度应用提供参考。

1 竹资源监测研究现状

竹资源监测主要是了解竹林资源的分布和动态变化，通过不同时期的遥感数据可获得同一区域竹林资源的动态变化信息，包括竹林面积的增减、竹林用地性质的变化等。Dure[14]等利用1962年和1998年的航空相片对比分析了日本西南部竹林面积的变化，发现在过去的36年中，研究区域内的竹林面积几乎增加了2倍。Somyot[15]利用1991年Landsat TM数据，通过目视解译估测了泰国北部和西部的竹资源产量。通过利用LISS多光谱遥感影像和地理信息系统，Nair等[16]估算了印度喀拉拉邦的竹资源分布；Goswami等[17]提取了印度东北地区的竹林信息；Menon[18]研究了印度Wayanad地区竹资源分布，并综合评价了竹林的分布格局。任国业[19-20]通过彩红外遥感技术结合FUZZY聚类分析方法研究了四川省平武县摩天岭山系大熊猫主食竹的分布以及竹资源信息的判读技术。丁丽霞等[21]利用1985年、1991年和2003年3个时期天目山国家级自然保护区的TM和SPOT遥感影像，通过目视解译法得到了该地区3个时期竹林的空间分布和面积信息。为研究福建北部山区20年来竹林分布及变化状况，范少辉等[22]等利用RS和地理信息系统技术，结合地形图、DEM、森林资源分布图和地面调查等资料，对1988、1992、2007年的TM影像和2001年的ETM+遥感影像进行分析，研究表明，近20年来顺昌县的竹林增长迅速，面积扩大了1.59倍。官凤英等[23]基于福建省顺昌县的TM多光谱遥感影像数据，采用最大似然法、子像元分类法和非监督分类法对该区域典型地物提取进行研究和精度评价，结果表明，子像元分类方法是提取竹林信息的有效方法。崔瑞蕊等[24]基于浙江安吉县不同时期的Landsat-5影像数据，采用最大似然法提取该地区竹林信息，监测安吉县近30年来毛竹林面的积时空动态，并利用变化幅度和动态度2个指标评价动态变化，研究表明安吉县毛竹林总面积逐年增加。Zhao等[25]利用2016年的Landsat影像数据绘制了埃塞俄比亚、肯尼亚和乌干达的竹子分布图，生产者精度和用户精度分别达到79.2%和84.0%。

在高分辨数据的应用方面，孙晓艳等[26]基于浙江省安吉县的SPOT 5遥感影像数据，采用面向对象的多尺度分割方法，研究了毛竹林信息提取技术，研究表明，增加纹理信息的多尺度分割方法效果最好，分类总精度、Kappa系数分别为92.16%和88.14%。在对混合像元解混上，徐小军等[27]基于林区TM影像数据，采用Erf-BP算法对混合像元分解，分解精度达到89.2%，为碳储量等竹林参数的提取提供了精度保证。范渭亮等[28]研究认为，基于模拟端元的混合像元解混结果比基于影像端元和参考端元更加准确，且具有良好的鲁棒性。缪丽娟[29]基于Hyperion EO高光谱遥感影像数据和TM遥感影像数据，在最佳波段组合的基础上，采用支持向量机分类的方法提取了毛竹林信息，该方法提高了毛竹林的分类精度。

遥感技术在竹林资源监测方面的应用已经逐步趋于成熟，但是提取的精度还需要进一步提高，应集成利用互联网+和“3S”技术以及相关技术手段，建立完善的竹林资源监测体系，提高数据资源的利用率和实现数据的实时更新。

2 遥感技术在竹林相关参数提取中的应用

2.1 提取竹林叶面积指数

叶面积指数(LAI)是指单位地表面积上方植物单面叶面积之和。作为表征植被生长状况的关键物理量，叶面积指数是分析植被冠层结构最常用的参数之一，也是描述植物光合作用和物质能量交换不可缺少的参数。叶面积指数的准确提取不仅有助于理解植被的整个生态过程，而且也是许多生态模型的输入参数。当前对竹林叶面积指数的提取多是光学遥感数据，反演的主要理论依据是基于冠层间隙率，结合比尔定律和Miller原理进行。陆国富[30]利用便捷式野外光谱测量仪(ASD)获取了5组毛竹林光谱数据，通过对冠层参数的研究建立了叶绿素、叶面积指数和郁闭度等参数的定量反演模型。Zhang等[31]基于IRS P6 LISS 3影像数据比较了竹林叶面积指数的估算方法，认为SR、MSR、NDVI 3种估算方法的精度依次降低。Mao等[32]等分析了2种数据同化法对于提高竹林叶面积指数时间序列数据质量的作用，结果显示使用双集合卡尔曼滤波器(DEnKF)和粒子滤波器(PF)2种方法都能减少毛竹和雷竹MODIS叶面积指数产品的浮动，且粒子滤波器算法比双集合卡尔曼滤波器的精度高，因此粒子滤波器算法能有效地提高MODIS叶面积产品精度，为竹林碳循环的大规模模拟提供了可靠的关键参数。Du等[33]使用一种受限的线性光谱解混方法，从Landsat TM数据提取了毛竹林叶面积指数和郁闭度，结果表明预测的郁闭度与观测的郁闭度具有良好的一致性(R2=0.725)，叶面积指数与阴影背景有最高的相关系数，并且可以通过指数模型拟合(R2=0.497)。但当叶面积指数大于3时[34]，光谱反射与冠层结构指标的关系倾向于非线性关系且饱和，导致LAI的低估。

激光雷达作为一种主动遥感技术，可以对树冠表面进行非破坏性测量调查，不仅可以获取植被冠层的水平分布信息，还能够获取被动光学遥感技术无法获得的植被冠层的三维结构信息，因此在获取叶面积指数上具有很大的优势。目前利用激光雷达数据对竹林LAI的反演，主要是基于机载激光雷达回波强度信息来估测叶面积指数[35]，以及通过对地基激光雷达点云数据“体元化”求取间隙率，进而计算得到叶面积指数。Cao等[12]等利用机载激光雷达数据研究了竹林冠层垂直分布的特性以及毛竹林中生物量的大小和分布。

2.2 提取竹林生物量和碳储量

竹林生物量是指竹林在一定时间内积累的有机质总量，在生物量基础上乘以碳转化系数便得到竹林的碳储量。许多研究表明，植物体生物量中的碳含量变化不大，多数国家和学者估测竹林碳储量的做法是假设竹林植物体中碳含量不变，并选择0.5作为竹林植物体生物量中的碳比例。竹林生物量是竹林生态系统维持能量交换和养分循环的基础，对于竹林生态系统、森林生态系统和陆地生态系统的功能评价具有重要的指标性意义。

由于利用传统的地面实测法和依赖森林资源清查数据的间接法调查森林生物量耗费人力、物力、财力，难以估算大尺度森林生物量并研究其空间分布和动态变化，同时在现场样地调查时，还存在仪器误差、样地分布代表性不足等问题，使得生物量及其碳储量的估算精度降低。近年来，随着遥感技术的发展，出现了利用遥感手段估算生物量的新方法。遥感以电磁信息快速记录环境因子、植被分布与活动以及土地利用等动态变化，使其在估算大规模森林碳储量方面具有独特的优势。通过提取的植被指数、叶面积指数等遥感变量与现场样地调查的生物量数据来构建生物量模型，通过反演模型来估计竹林生物量，不仅为估算大规模区域碳储量提供有效的技术支持，而且为管理部门决策提供了依据，更加有利于精准林业政策的实施。Nair等[16]通过使用印度遥感卫星影像及1∶15000的航空相片对喀拉拉邦的竹林生物量进行了估计。唐娇萍[36]等采用地理信息系统软件建立多元线性回归遥感模型，研究了四川省洪雅县退耕还林区域竹林碳储量的时空格局。崔瑞蕊[24]基于Landsat-5 TM影像数据，估算了近30年来浙江省安吉县毛竹林地上各时期的碳储量并研究了其时空格局，发现毛竹林地上部分的碳储量逐年增加。Du等[37]基于Landsat TM影像数据，通过采用非线性偏最小二乘回归法并结合留一法和交叉验证构建模型来估计毛竹林碳储量，研究表明优化的非线性偏最小二乘回归模型可以显著提高毛竹林碳储量的估算精度。Xu等[38]基于Landsat TM影像数据和实地调查调查数据，评估了采用线性回归、偏最小二乘回归和人工神经网络反向传播3种方法提取浙江省安吉县毛竹林地上碳储量的精度，发现人工神经网络反向传播模型提供了最佳预测性能，线性回归模型表现最差。Francesco等[39]基于遥感影像评估了阿拉山2005―2011年毛竹生产力的变化及其与野火的关系，结果表明竹子的生产力与野火蔓延之间存在明显的相互关系，可能产生潜在的社会经济和环境影响。有研究表明[31,33]，在生物量高于100 Mg/hm2时，光谱反射与冠层结构指标或者生物量的关系倾向于非线性关系且会饱和。

自20世纪90年代以来，激光雷达技术也开始用于研究生物量。利用机载激光雷达数据提取生物量的研究主要集中于2个方面：一是基于低密度点云数据的空间分布来估算生物量；二是根据高密度点云基础上的单木分割计算单木生物量[35]。在利用地基激光雷达点云数据方面，先进行3D重建，然后采用标准几何模型估算其材积，进而转化得到生物量[40]。同时激光雷达获取的小样地生物量数据可以作为大尺度生物量反演的地面验证数据，有效减少了地面调查时间，且提高了大尺度反演的精度。

3 展望

随着遥感数据采集技术的不断发展，遥感数据源也正朝着更加多元化的方向发展，遥感技术的应用会更加快速、高效和准确。目前，应用遥感技术在竹林资源监测和相关参数提取方面已经取得众多成果，但随着应用需求的变化，利用高分辨率遥感数据和以激光雷达为平台，为精准林业、智慧林业提供便捷的数据已展现出巨大优势和发展前景。如何充分利用深度学习和人工智能科技将光学遥感数据与激光雷达数据结合起来，实现海量数据的自动分类、检测和分析，提高森林资源监测和相关参数准确提取的能力，将是今后需要持续研究的重点。