结合Landsat 8与PALSAR-2影像的龙南县针叶林蓄积量遥感估测研究

罗凯健,许晓东,龙江平,徐聪荣,林 辉,和晓风,4

(1.中南林业科技大学 林学院 林业遥感信息工程研究中心,长沙 410004； 2.林业遥感大数据与生态安全湖南省重点实验室,长沙 410004；3.江西省林业调查规划研究院,南昌 330000 ；4.长沙市长长林业技术咨询有限责任公司,长沙 410004)

森林蓄积量是森林经营方案和森林资源管理的重要依据,也是森林资源状况的重要指标之一。传统的森林蓄积量估测主要通过森林资源一类清查和二类调查[1],这些方法不仅效率低下,而且需要消耗大量的时间、人力和物力。因此,如何更高效地估测森林蓄积量受到越来越多的关注[2]。随着遥感技术的发展,利用遥感技术来估测森林蓄积量已逐渐成为国内外学者研究的热点,为森林蓄积量估测带来新的发展方向。受制于地形、云雾和光谱饱和等因素影响,限制了光学遥感技术在多云雾及其地形复杂的山区的应用,特别是蓄积量较高的针叶林。合成孔径雷达(SAR)数据具有受云雨影响小、穿透性强的特点,结合光学遥感影像和SAR遥感联合估测林分蓄积量有助于更准确地反映蓄积量信息[3]。

国内外已经开始采用光学遥感数据和SAR数据联合估测森林蓄积量。Van等[4]通过研究发现纹理特征能显著提高森林蓄积量的估计精度,特别是对于复杂森林结构下的高分辨率影像；Currans等[5]研究红外和近红外波段与蓄积量的关系,最终得出红外和近红外波段与蓄积量存在较强相关性；刘兆华等[6]利用高分二号影像对旺业甸蓄积量进行估测的研究中发现,机器学习模型明显优于传统线性模型,随机森林模型精度达71.9%。光学遥感数据的运用主要通过不同的地物在遥感影像上的光谱曲线不同,根据植被特定的光谱特征,利用不同的波段组合、植被指数和叶面积指数与实测蓄积量建立回归模型就可以进行蓄积量的估算。Delbart等[7]用SAR数据的L波段的HH极化、VV极化、HV极化方式的后向散射系数以及SAR数据的干涉相干性,分别与实测样地的蓄积量构建蓄积量估算模型,从而估算了当地森林蓄积量；Askne等[8]利用SAR的HH,HV,VV,VH极化的后向散射系数构建“水云模型”对美国北方森林蓄积量进行估算。合成孔径雷达(SAR)数据避免了云雾和雨水等天气的影响,并根据微波的波长不同,对植被的作用范围也不同,例如,P波段主要作用于植被冠层,而L波段可以穿透植被冠层直接作用于树枝、树干。基于研究的侧重点可以选择合适的波段开展林业调查。但SAR数据也存在局限性,例如,在进行蓄积量估算时可利用的波段比较单一,受地形的影响较大,在多山的区域会发生叠掩现象,而且SAR数据的后向散射系数易受地物介电常数和地表粗糙度的影响,在土壤含水量较大或地表较粗糙的情况下会造成估算误差[9]。

本文基于郁闭度分级的基础上,结合Landsat 8和PALSAR-2双极化SAR数据,通过提取光谱因子、纹理因子、植被指数和后向散射系数等遥感因子[10],采用Pearson相关系数法和多元逐步回归法筛选因子,研究不同郁闭度等级下结合Landsat 8和PALSAR-2双极化SAR数据对森林蓄积量估测能力和响应过程。

1 研究区概况

龙南县位于江西省最南端，地理位置为北纬24°29′00″～25°01′00″,东经114°23′01″～114°59′00″。该研究区面积1 641km2,地势西南高东北低。龙南县原植被为典型的亚热带常绿阔叶林,森林覆盖率达80.3%,针阔叶混交林占龙南山地植被面积的40%以上,针叶林分布于海拔800m以下的低山、丘陵。研究区样点分布如图1所示。

图1 研究区样点分布图

2 研究方法

2.1 地面样地数据

研究区内的样地数据来源于2019年7月的龙南县森林资源固定样地复查,样地采用系统网格布点,样点分布密度为2km×2km,样地大小为28.28m×28.28m。在固定样地调查中,通过样地复位精确确定了样地的角点和中心点位置,然后每木检尺,采集了树种、胸径、树高、郁闭度和坡度等数据。本次研究的针叶林样地为108块,由于定位和测量误差,剔除了部分不合理样地及其坡度较大的样地,得到有效的针叶林样地共88块。

2.2 内业数据整理

由外业调查得到的88块针叶林样地数据,通过龙南县提供的当地一元材积表计算各样地的蓄积量,得到样地蓄积量分布如图2所示。

图2 样地蓄积量分布图

由图2可以看出样地蓄积量在各个区间分布较为均匀。为了更好地研究不同郁闭度等级的林分蓄积量与遥感因子的响应过程,依据样地的郁闭度把样地分为3个等级:郁闭度分布在0.20～0.39之间的样地为低郁闭度样地；郁闭度分布在0.4～0.69之间的样地为中郁闭度样地；郁闭度大于或者等于0.70的为高郁闭度样地。

2.3 光学遥感数据

研究采用光学影像为Landsat 8,数据获取时间为2019-09-20和2019-09-27,在经过辐射定标,大气校正等预处理后,得到了研究区的Landsat 8影像,如图3所示。

图3 Landsat 8影像

2.4 PALSAR-2双极化SAR数据

研究采用Alos-palsar 2传感器获得的双极化SAR数据,数据获取时间为2019-05-10和2019-07-05,在经过辐射校正、几何校正和地理编码等预处理后,提取HH和HV极化的向后散射系数。Alos-palsar 2影像的HH和HV极化的强度图如图4所示。

图4 Alos-palsar 2强度图

2.5 遥感因子提取

预处理后的Landsat 8遥感数据提取光学遥感因子233个,包括7个波段灰度值,提取的NDVI,EVI等植被指数共32个[11],提取的3×3,5×5,7×7窗口大小的纹理因子[12]共168个,对7个波段做主成分变换[13]、最小噪声分离变换[14],得到图像变换因子26个。预处理后的PALSAR-2双极化SAR数据提取了遥感因子12个,包括HH,HV极化的后向散射系数[15],以及两个极化的后向散射系数值进行相关运算。结合Landsat 8和PALSAR-2影像的各类遥感因子共计245个,具体如表1所示。

2.6 遥感建模因子筛选

经提取光学遥感数据和PALSAR-2双极化SAR数据的遥感因子共245个,与蓄积量相关性高的因子参与建模可以有效提高蓄积量估测模型的精度,因此,以各遥感因子与蓄积量相关性为准则进行筛选,以建立最优蓄积量估测模型。实验通过Pearson相关系数[16]和多元逐步回归方法进行筛选,筛选后的遥感因子参与林分蓄积量估测模型的建立。经过筛选,有65个遥感因子参与林分蓄积量的估测模型,具体如表2所示。

由表2可知,在不进行郁闭度分级的情况下,Landsat 8提取的遥感因子中有9个因子入选建模因子,Landsat 8低郁闭度有6个因子入选建模因子,Landsat 8中郁闭度共7个因子入选建模因子,Landsat 8高郁闭度共8个因子入选建模因子,Landsat 8加SAR不分级有9个因子入选建模因子,Landsat 8加SAR低郁闭度有6个因子入选建模因子,Landsat 8加SAR中郁闭度有11个因子入选建模因子,Landsat 8加SAR高郁闭度共9个因子入选建模因子。共有65个遥感因子参与模型的建立。

2.7 估测模型与精度检验

为了估测林分蓄积量,本研究采用多元线性回归、多重感知机[17-18]、随机森林[19-20]、KNN[21-22]和支持向量机[23]等方法建立估测模型,在林分郁闭度分级的基础上探讨最优的蓄积量估测模型。MLP,RF,KNN,SVM模型的估测结果均以留一交叉验证的方法来评估模型的预测性能,具体的指标为决定系数R2、均方根误差RMSE和相对均方根误差rRMSE(%)[24]。

3 结果与分析

结合林分郁闭度分级,用筛选后的遥感因子建立林分蓄积量的估测模型,分析Landsat 8和PALSAR-2数据估测林分蓄积量的响应过程,获取龙南县针叶林的最优估测模型,并绘制龙南县针叶林蓄积量分布图。

3.1 估测模型精度结果与分析

通过各郁闭度分级筛选的建模因子分别建立多元线性模型,MLP,RF,KNN和SVM模型,分别对比各个郁闭度级别情况下模型的精度,估测模型结果如表3所示,不同郁闭度分级的林分蓄积量结果的rRMSE分布图如图5所示。

由表3可知:1)未加SAR因子也未进行郁闭度分级的情况下,精度最高为多重感知机模型(R2=0.57,RMSE=34.49,rRMSE=40.98%),郁闭度分级后,低郁闭度精度最高为线性模型(R2=0.92,RMSE=4.43,rRMSE=21.16%),中郁闭度精度最高为多重感知机模型(R2=0.71,RMSE=22.80,rRMSE=32.95%),高郁闭度精度最高为线性模型(R2=0.46,RMSE=33.92,rRMSE=29.85%),可以得出郁闭度分级可以提高模型估测精度的结论；2)加入SAR因子后,低郁闭度分级的模型精度未发生改变,中郁闭度分级的模型精度由多重感知机的67.05%提高至69.39%,高郁闭度分级的模型精度由线性的70.15%提高至多重感知机的72.47%,可以得出郁闭度分级以及加入SAR因子可以提高模型估测精度的结论；3)郁闭度分级在不同的模型下有着不同的影响,对于低郁闭度分级的样地来说,线性模型和多重感知机可以提高模型的估测精度,线性模型精度最高(R2=0.92,RMSE=4.43,rRMSE=21.16%),对于中郁闭度分级的样地来说,多重感知机模型估测效果最好(R2=0.75,RMSE=21.18,rRMSE=30.61%),对于高郁闭度分级的样地来说,多重感知机模型估测效果最好(R2=0.54,RMSE=31.28,rRMSE=27.53%)。

由图5可看出5种模型中,多重感知机模型拟合效果较好,郁闭度分级后精度有明显的提升。

3.2 模型拟合结果分析

通过模型精度结果的对比与分析可知郁闭度分级且加入SAR数据可以显著提高模型的估测精度,因此得到各郁闭度级别结合Landsat 8与PALSAR-2影像的最优估测模型,估测模型拟合结果如图6所示。

由图6可知,结合Landsat 8与PALSAR-2影像在未进行郁闭度分级的情况下,估测精度只有59.02%,郁闭度分级后,精度都明显提高。其中,低郁闭度区域的估测精度达78.84%,中郁闭度区域的估测精度为69.39%,但是部分样地出现低估,高郁闭度区域的估测精度为72.47%。

利用龙南县森林资源调查的小班数据提取出龙南县针叶林分布图,根据估测模型的拟合结果,采用最优模型对龙南县针叶林的蓄积量进行反演,结果如图7所示。

由图7可以看出,龙南县针叶林的蓄积量在高蓄积量范围分布较少,蓄积量主要分布在250m3/hm2以下,原因是龙南县的针叶林大部分为幼龄,成熟林、过熟林较少。反演结果与我们实地样地调查发现的针叶林林分年龄偏小相符。

4 结论与讨论

4.1 结论

研究以Landsat 8以及Alos-palsar 2卫星数据为数据源,以江西省龙南县作为研究区域,探究了光学数据结合SAR数据以及郁闭度分级对森林蓄积量反演的影响。

1)郁闭度分级后能有效提高蓄积量反演模型的精度。与未进行郁闭度分级相比,将郁闭度分为低、中、高3个等级并分别建立估测模型,能有效提高反演精度。未进行郁闭度分级情况下精度最高为59.02%,郁闭度分级后,低郁闭度精度为78.84%,中郁闭度精度为67.05%,高郁闭度为70.15%。

2)Landsat 8结合SAR数据在郁闭度分级后能提高蓄积量反演模型的精度。在郁闭度分级情况下,Landsat 8数据加入SAR数据后中郁闭度和高郁闭度蓄积量反演模型的精度能提升约2个百分点。低郁闭度精度为78.84%；中郁闭度精度为69.39%,精度提升2.34%；高郁闭度精度为72.47%,精度提升2.32%。

4.2 讨论

1)实验样地调查数据来源于森林资源固定样地调查,不同于科研样地,样地存在很多不确定因素,可能落在水域、非林地等。样地也可能涉及各种龄组,郁闭度的林分,由于多种不同林分的存在,对所有样地统一建模可能会因缺乏对真实情况的反映而导致反演精度的不足。研究发现,对不同郁闭度的样地进行分级后再分别进行蓄积量的估测，能明显提高模型的估测精度。

2)使用光学遥感影像进行林分蓄积量的估测时,影像获取时研究区域是否是云雨天气,对蓄积量的反演精度影响很大,而SAR数据具有受云雨影响小,穿透性强的特点。研究中,在光学遥感数据加入Alos-palsar 2遥感数据的情况下,可以提高蓄积量的反演精度。

研究区域位于亚热带区域,对其他地区适应性或许会有所不同,但对于固定样地的针叶林蓄积量反演,研究结果证明,结合光学和SAR遥感数据以及郁闭度的分级能有效提高蓄积量的反演精度。