纹理特征对森林蓄积量反演模型的影响

叶子林，周普良，林 辉，李新宇

（1.中南林业科技大学 林业遥感信息工程研究中心，湖南 长沙 410004；2.林业遥感大数据与生态安全湖南省重点实验室，湖南 长沙 410004；3.南方森林资源经营与监测国家林业和草原局重点实验室，湖南 长沙 410004）

森林是地球上重要的陆地生态系统，也是生物圈中最大的碳库，对于维持整个地球的生态平衡有着至关重要的作用。而森林蓄积量则是衡量森林质量的一个重要指标。如果能够精准地估测出森林蓄积量，对于生态建设有着重要意义。传统的森林蓄积量估测方法多采用人工调查，通过测定周期性的固定样地的蓄积量，估测出总体蓄积量。这种方法需要大量的人力物力，效率不高[1-4]。随着遥感技术的发展，通过遥感技术，特别是高分辨率遥感技术估测森林蓄积量，成为可能[5-7]。

采用遥感技术估测森林蓄积量的方法比较多，如经典的多元线性回归模型、非线性回归模型、BP神经网络、k近邻分类（KNN）、空间地理加权等[8-9]。线性回归模型建模时，其光谱信息与植被指数间存在一定的自相关性和共线性，导致模型估测精度不稳定。BP神经网络估测时存在太多的不确定性，如学习效率、隐含层神经元个数、训练函数的选择等，因其隐含层存在黑箱操作，对于输入和输出间的关系无法准确表达和具体分析。KNN方法影响因素较多，如最邻近k的大小、距离度量函数的选择、影像波段的选取，且计算量大。随机森林模型在遥感影像分类上应用较多，在森林蓄积量估测上应用相对较少，这些模型各有其优缺点，但总体上森林蓄积量估测的精度在逐步提高[10-11]。

遥感数据源也比较多样化，常见的有Landsat TM/ETM/OLI、Modis、SPOT5、IKONOS等。光学遥感数据具有多分辨率、多时相、多平台的特点，也是目前遥感数据中最为普遍和最容易获取的数据[11]。激光雷达和极化SAR遥感数据出现后，许多研究开始探索其估测森林蓄积量的能力。由于激光雷达在估测林分高度及空间结构方面具有独特优势，基于激光雷达数据的森林蓄积量估计显示了较大潜力，特别是机载激光雷达在树高、冠层高、郁闭度等参数估测方面有明显优势，很好地解决了小区域和困难山区蓄积量估测问题，且估测精度较好，但成本较高。极化SAR数据具有全天候、全天时、不受云雾影响的特点，也被学者广泛应用于森林蓄积量的估测[12-15]，但估测精度普遍不高。

森林蓄积量建模的遥感因子主要有遥感数据各波段的光谱信息及其衍生因子、植被指数因子、地理因子和纹理因子，其中纹理因子使用较少，且其对建模的作用、贡献和影响也不是很清楚，因为森林蓄积量估测基本上不使用纹理特征参与建模，在分辨率不高的情况下，纹理因子对于模型精度提升并不明显，但随着遥感数据分辨率不断提高，纹理因子的重要性不可忽视[16-17]。

森林蓄积量精准估测是森林资源监测的重点内容。随着遥感影像空间分辨率的提高，纹理特征的优势越来越明显，也越来越受到重视。因此，在目前基于纹理特征的遥感估测机理尚不明确的情况下，系统开展遥感影像纹理特征分析与处理的相关研究十分必要。本研究以黄丰桥林场为研究区，以GF-1卫星数据为研究对象，采用多元逐步回归的方法，构建森林蓄积量反演模型，探讨纹理因子及其窗口大小对森林蓄积量估测的影响。

1 研究区与研究方法

1.1 研究区概况

黄丰桥国有林场位于湖南省东部，地处113°04′～113°43′E、27°04′～27°06′N之 间。境内以中低山为主，最高海拔1 270 m，最低海拔115 m，坡度20°～35°。林场地处中亚热带湿润季风气候区，年平均气温17.8 ℃，无霜期约为290 d，年降水量为1 410.8 mm，春、夏两季降水最为频繁，研究区位置如图1所示。

1.2 遥感数据获取与处理

图1 研究区位置Fig.1 Location of study area

研究涉及到两景GF-1卫星影像，获取时间为2016年1月，影像包含4个多光谱波段，空间分辨率为8 m；1个全色波段，空间分辨率为2 m。

对两景影像按遥感数据处理流程，分别进行了辐射定标、大气校正、几何精校正、融合镶嵌、拉伸和增强等处理，根据研究区边界进行裁剪，得到研究区精校正后的遥感影像，结果如图2所示。

1.3 地面样地调查与数据处理

2016年6月在黄丰桥林场开展外业调查，共设置了35块样地，样地大小为30 m×30 m，分别调查样地起源、地理位置（GPS坐标）、地理因子（海拔高度、坡向、坡度等）、树高、优势木平均高，并进行每木检尺。在每块样地内选择部分树木测定GPS坐标及南北和东西两个方向的冠幅值，样地分布如图2所示。

根据二元材积表计算每块样地的蓄积量，其中30块样地有蓄积量，5块样地位于道路、建筑、水体等区域，蓄积量为0。

1.4 基于灰度共生矩阵的纹理特征提取

基于灰度共生矩阵提取纹理信息是目前使用最为广泛的方式，研究共提取了8种参数，具体参数特征计算如表1所示。

图2 研究区样地分布Fig.2 Plots in study area

已有研究表明，不同窗口大小计算出的纹理值有差异，对建模反演出的森林蓄积量精度有较大影响[18-19]。纹理窗口设置过小时，会造成纹理特征内部产生错误分割现象；当纹理窗口设置过大时，会导致纹理特征的边界产生错误分割现象。根据研究区的实际情况并结合GF-1的影像特征，窗口大小分别采用3×3、5×5、7×7、9×9、11×11，分别计算其纹理特征值。

表1 纹理特征Table 1 Texture information illustration

1.5 基于GF-1影像的改进纹理特征及植被指数

植被指数能够有效减少遥感图像中的噪声干扰，在生物量、森林覆盖率等参数反演中常常用到[20-21]。但也有研究发现，有些植被指数在植被覆盖情况较为极端的地区偏差较大，而多个植被指数进行反演时易出现共线性问题。而刘俊等[22]在针阔混交林蓄积量反演时，利用了纹理的衍生指数作为自变量，也取得了较好的结果。本研究提出基于纹理特征的改进植被指数和改进波段指数，也就是利用GF-1的各个波段生成的纹理特征，替代原始波段参与植被指数计算和波段计算，得到相应的改进指数，参与森林蓄积量反演。

1.5.1 纹理光谱均值

纹理光谱均值是一种改进的纹理特征，其利用GF-1遥感影像4个多光谱波段计算得到，共8个纹理特征，以Mean纹理因子为例，计算方法为：

式 中：MeanBlue、MeanGreen、MeanRed和MeanNIR分别为各波段的纹理均值。依照纹理均值的计算方法可以分别得到方差纹理均值（Average_Variance）、对比度纹理均值（Average_Contrast）、熵纹理均值（Average_Entropy）、相关性纹理均值（Average_Correlation）、同质性纹理均值（Average_Homogeneity）、相异性纹理均值（Average_Dissimilarity）和角二阶矩纹理均值（Average_ASM）。

1.5.2 基于波段纹理均值的改进植被指数

波段纹理均值是利用GF-1遥感影像4个多光谱波段计算得到的，蓝光波段纹理均值计算方法为：

式中：MeanBlue为蓝光波段均值纹理特征；VARBlue为蓝光波段方差纹理特征；CONBlue为蓝光波段对比度纹理特征；ENTBlue为蓝光波段熵纹理特征；RELBlue为蓝光波段相关性纹理特征；HOMOBlue为蓝光波段同质性纹理特征；DISBlue为蓝光波段相异性纹理特征；ASMBlue为蓝光波段角二阶矩纹理特征。

根据计算出的各个波段纹理均值，进一步得到相应的改进植被指数。

根据归一化植被指数的计算方法，得到基于纹理波段均值特征的归一化植被指数，计算模型为：

根据差值植被指数的计算方法，得到基于纹理波段均值的差值植被指数，计算模型为：

根据比值植被指数的计算方法，得到基于纹理波段均值的比值植被指数，计算模型为：

式中：AverageBlue、AverageGreen、AverageRed和AverageNIR分别为蓝光、绿光、红光和近红外的纹理波段均值改进植被指数。

1.6 模型建立与精度评价

1.6.1 多元逐步回归分析

多元逐步回归分析是比较常用的建模方法，通过建立自变量和因变量之间的关系模型估测因变量[11-12]。提取研究区内森林在GF-1遥感影像上各波段的光谱值、纹理值和植被指数，根据纹理均值改进指数、波段纹理均值改进植被指数和均值改进植被指数分别构建森林蓄积量的回归模型。构建森林蓄积量反演模型时，一共获取研究区样地数据35组，随机选取其中25组数据用于蓄积量模型的构建，余下10组数据作为模型的验证数据。利用多元逐步回归分析方法，构建不同大小窗口时的纹理特征及其改进指数的森林蓄积量反演模型。

1.6.2 模型精度评价

反演模型的精度采用决定系数R2与均方根误差RMSE进行评价，其数学表达式为：

式中：yi为样地蓄积量实测值；为样地蓄积量估测值；为样地蓄积量平均值；n为样地数。

2 结果与分析

2.1 基于纹理、植被衍生指数和地形的森林蓄积量反演模型的构建

本研究以3×3、5×5、7×7、9×9、11×11这5种窗口提取的纹理特征、以纹理特征为基础的改进植被指数以及地形因子为自变量对研究区森林蓄积量采用多元逐步回归的方法进行建模，并对模型进行精度验证，得到结果如下。

在3×3的纹理窗口下，相关性最高的因子分别是纹理均值改进指数（AverageMean）、蓝光波段角二阶矩（ASMBlue）和海拔（Altitude），森林蓄积量反演模型结果为：、

3×3纹理窗口对应的模型决定系数R2=0.568，RMSE为36.825 1 m3/hm2。

在5×5的纹理窗口下，相关性最高的因子分别是蓝光波段均值纹理特征（MeanBlue）、蓝光波段纹理波段均值改进植被指数（AverageBlue）和海拔（Altitude），森林蓄积量反演模型结果为：

5×5纹理窗口对应的模型决定系数R2=0.588，RMSE为32.525 4 m3/hm2。

在7×7的纹理窗口下，相关性最高的因子分别是蓝光波段相关性纹理特征（RELBlue）、蓝光波段角二阶矩（ASMBlue）和海拔（Altitude），森林蓄积量反演模型结果为：

7×7纹理窗口对应的模型决定系数R2=0.602，RMSE为27.582 5 m3/hm2。

在9×9的纹理窗口下，相关性最高的因子分别是红光波段的纹理波段均值改进植被指数（AverageRed）、蓝光波段角二阶矩（ASMBlue）和海拔（Altitude），森林蓄积量反演模型结果为：

9×9纹理窗口对应的模型决定系数R2=0.652，RMSE为25.354 5 m3/hm2。

在11×11的纹理窗口下，相关性最高的因子是纹理均值改进指数（AverageMean），森林蓄积量反演模型结果为：

11×11纹理窗口对应的模型决定系数R2=0.635，RMSE为26.886 5 m3/hm2。

这说明当纹理计算窗口大小为9×9时，模型的决定系数最高，均方根误差最低，此时的模型最优。

2.2 精度评价

将5种不同窗口大小的灰度共生矩阵反演森林蓄积量的决定系数和均方根误差进行比较，结果如图3所示。

由图3可知，在5种不同窗口下的森林蓄积量反演模型中，R2和RMSE值与窗口大小有关。森林蓄积量反演模型的精度随着窗口大小的变化也发生了较大的变化，说明生成纹理特征的窗口大小对森林蓄积量反演模型有较大的影响。通过综合比较可知，在这5种窗口模式下，窗口大小为9×9时，取得较高的决定系数与较低的均方根误差，说明此时的窗口是森林蓄积量反演模型的最优窗口。

图3 不同窗口大小下反演模型的决定系数与均方根误差Fig.3 R2 and RMSE of inversion model by different window size

窗口大小为9×9时，得到的纹理特征所建立的森林蓄积量估测模型，通过10块样地的检验，森林蓄积量估测均值为126.2 m3/hm2，实测均值为148.3 m3/hm2，RMSE为25.354 5 m3/hm2，模型预测结果较为理想。

采用该模型对研究区森林蓄积量进行反演，得到研究区森林蓄积量分布，结果如图4所示。

图4 森林蓄积量反演结果Fig.4 Inversion mapof forest growing stock volume

3 结论与讨论

3.1 结 论

论文以国产GF-1号卫星数据为数据源，选择攸县黄丰桥国有林场为研究区，探讨不同窗口大小下纹理特征及其改进指数对森林蓄积量反演的影响。

1）改进纹理特征能有效提高蓄积量反演模型的精度。通过计算出遥感影像纹理均值改进指数、波段纹理均值改进植被指数和均值改进植被指数，结合地形因子，采用多元逐步回归方法构建森林蓄积量反演模型，结果精度有较大改善。

2）纹理窗口大小为9×9时，森林蓄积量反演模型精度最高。采用3×3、5×5、7×7、9×9、11×11这5种窗口大小模式，分别计算纹理特征参与建立森林蓄积量估测模型，并进行精度检验。当窗口为9×9时模型效果最好，R2最大，达到0.652，RMSE值最小，说明此时的窗口大小是最优模型窗口。但是对于不同研究区在同一数据源下使用9×9窗口模型并不一定效果是最好的，纹理因子在建模中仍需根据研究区实际情况进行使用。

3.2 讨 论

在森林蓄积量估测时，无论是经典的多元线性回归模型和非线性回归模型，还是新出现的BP神经网络、空间地理加权、机器学习等方法中，都离不开建模因子的筛选和参与，这些因子主要有遥感数据的各波段光谱信息及其衍生因子、植被指数因子、地理因子和纹理因子。建模时并不是因子越多越好，因子之间有时有一定的干扰，如在线性回归建模时，光谱因子与植被指数因子间存在自相关性和共线性，导致模型估测精度不稳定。

在遥感空间分辨率较低时，纹理特征往往被忽略，因为在空间分辨率较低的情况下，纹理特征不明显，且对于模型精度影响也较弱。但在高分辨率遥感应用中，纹理特征有着重要作用，并对建模精度产生较大影响。国产高分数据大量涌现，其在林业中的应用越来越广，充分挖掘纹理特征，达到提高森林估测指标包括森林蓄积量指标的精度非常有必要。但将纹理特征引入到森林指标包括森林蓄积量的估测时，必须结合其它相关因子，而不是独立实现的；另外，纹理特征对不同模型（如BP神经网络、KNN、机器学习）的贡献，以及众多纹理特征中不同因子的贡献，还需要进一步加强研究。