遥感技术在宜丰县森林资源调查中的应用

陈昆，柳昇平

（1.宜丰县林业局，江西宜丰 336300；2.宜春市林业局，江西宜春 336000）

在“十三五”规划期间，江西省紧紧围绕“加快林业信息化，带动林业现代化”这一总体目标，构建林业云数据中心，以大数据平台为支撑，打造“四横两纵”的总体架构，助力当地林业快速发展，使当地智慧林业建设迈向新台阶。基于此，以遥感技术为例，分析该技术在森林资源调查中的具体应用，并详细介绍利用遥感技术集成图层数据，实时监测森林资源状态，反映该地区森林资源生态指标的应用流程，为实现林业发展的智能化与信息化提供参考。

1 遥感技术概述

遥感技术是“3S”技术之一，主要应用于远距离探测[1]。在森林资源调查中，可以在不接触目标物体的前提下，探测目标地物，利用遥感器和传感器，通过对物体反射特性的变化分析，探测得到森林资源基本信息。

2 应用优势

与实地调查有所不同的是，遥感技术主要利用空间平台上的传感器，在不接触目标地物的情况下，调查、整理并处理相关区域信息，如今已被广泛应用于森林3D 结构图绘制、森林生态系统分布图绘制、森林空间变化图绘制、森林病虫害暴发程度调查、森林退化和侵占现象研究、森林覆盖类型研究和森林密度调查等多个项目中。通过应用该技术，营林技术人员可以利用各种变量信息与数据，对森林间的生物多样性、植被结构等进行调查，实现森林生态系统功能的动态研究，有助于后续识别并评估森林总面积、自然灾害受损面积，有助于做好森林资源的日常监测。尤其是在二类调查过程中，通过跟踪反馈，遥感技术可以直接测得森林植被生长因子，反映出整体森林健康程度，便于后期对森林资源进行消防管理、病虫害管理、间伐管理，为遏制森林退化和森林资源非法侵占提供技术支持。

3 应用方法

宜丰县位于江西省西北部，境内诸山属九岭山脉的余脉，以低山丘陵地貌为主，四季分明，植物种类繁多，树种资源丰富。包含矮林、落叶阔叶林、针叶林、针阔混交林、常绿阔叶林等多种森林植被类型，森林蓄积量10764501 m3。在林业现代化建设背景下，宜丰县将“数据资源整合共享”作为工作关键点，搭建智慧林业专题地图架构，构建智慧林业决策分析平台，同时对各类林业数据进行分析与挖掘，将实时森林资源数据状态进行图表化与动态化展示。在这一过程中，主要是通过利用遥感技术，获得矢量数据并进行预处理，最终总结出该地区森林资源时空动态变化，应用效果显著。具体应用方法如下：

3.1 数据获取

利用Sentinel-2A 卫星获取基础数据，该卫星携带多光谱成像仪，重访周期为10 d，空间分辨率分别为10 m、20 m 和60 m，在监测森林资源长势数据时，主要利用到3 个植被红边波段，波段参数信息如表1所示。

表1 波段参数信息

为了提高遥感数据监测精准性，还可以利用其他辅助数据[2]。比如，利用上一年度二类调查成果图，用来反映森林优势树种组别信息；利用林相图和森林类型分布图，判定混交林内森林资源状况，为后续森林植被生长因子监测打下坚实基础，同时为森林资源应急救灾、病虫害监测等提供重要数据基础。在矢量化数据收集过程中，利用1 ∶5000 地形图，结合数字高程模型，通过航空摄影测量，整理地形图及其矢量成果，在绘图编制过程中等高距约为20 m。还可以结合外业调查样本，重点获取各典型地类样本元素，考虑到各类别森林资源分布状况，对重点区域类型进行精细识别，以此保证数据收集的全面性与准确性，在扩充样本容量的同时提高容量均匀性。

3.2 数据预处理

1）影像数据恢复。利用机载扫描行校正器提高影像数据信息质量，如果存在影像数据丢失问题，可以利用条带修复进行补充[3]。比如，可以利用局部回归分析法，以回归区域面积作为固定值，将不同时期遥感数据进行填缝补充，在充分考虑到雨雪天气、缝隙位置之后，对影像进行条带修复。这一过程耗费时间较长，但是效果明显，可以方便技术人员后续对信息数据进行提取。

2）辐射校正。一般来讲，对森林资源变量的监测多为动态监测，需要考虑归一化植被指数，但是由于受到大气环境因素影响，植被指数和其他指标因子信息差异微弱，尤其可能存在因为辐射而导致的误差，在量变动态检测过程中可能出现灰度失真现象，因此需要通过大气校正和辐射定标，消除传感器本身存在的误差。其中，辐射定标主要确定辐射亮度值和图像象元灰度值之间的关系，通过相关参数计算波段反射率图像[4]；大气校正主要指消除大气云层等外在影响因素，避免在评估森林资源信息时出现辐射失真现象。因此该方法的作用为消除地物信息在传输过程中可能存在的影响因素，主要利用辐射传输方程法对多光谱遥感数据和高光谱遥感数据进行校正。其中，植物中含有大量叶绿素，受云层影响，其波段值小于蓝波段值，经过相关数据校正之后，绿波段值大于蓝波段值。

3）几何精校正。在大气校正之后，由于象元所对应的实际目标定位在遥感影像成像时会发生偏移、挤压和拉伸等情况，造成图像象元坐标和实际坐标有所出入，技术人员应对其进行几何精校正将遥感图像变形最小化。在几何校正过程中，常见的数学模型为三角形变换和多项式法，通过灰度重采样、三次卷积法、最近邻法计算出校正多项式系数。几何精校正操作流程为打开遥感影像；启动校正模型；采集地面数据和控制点，并输入控制点坐标；判断精度是否符合调查要求，符合要求时直接进行影像重采，不符合要求时应删除误差较大的控制点或者新设控制点。在这一过程中，为提高几何精度，可以在前期多进行几次粗校正，便于后续工作开展。

3.3 监测指标提取与分析

在森林资源二类调查中，一般对林木资源生长因子进行提取与分析，遵循系统性、科学性、经济性和实用性原则，充分利用遥感影像数据信息，选用多光谱遥感数据叠加，以此测算树龄、树种、蓄积量、空间分布、树高、胸径和郁闭度等植被指数。

1）在调查树种分布时，可以利用遥感影像分析森林光谱特征，以此作为地物分类的主要依据[5]。其中耕地和牧草在近红外波段中表现出“峰谷”特征，但森林植被的光谱特征呈“波动状”，红边效应急剧上升。2）可以利用遥感影像的不同波段，判断地表植被覆盖率。近红外波段和红波段反射率比值为植被指数，植被指数越高，说明植被生长情况越好，覆盖度越高；也可以利用近红外波段反射率与红波段反射率的差值来判定植被指数大小，一般来讲，差值越大植被指数越大，说明土壤对植被覆盖更为敏感。3）利用高空间分辨率遥感图像研究地物覆盖整体上的空间异质性。越是地形复杂的地区，“同谱异物”现象就越严重，因此可以根据地表覆盖和影像特点，结合辅助信息，对二级类建设用地、苗圃地和未利用地进行信息提取，也可以对苗圃地、牧草地、耕地、成林地进行信息提取。在提取林分因子之后，利用模型进行定量计算[6]。结合样地数据、遥感影像和坡向、坡度等地形数据，构建林分因子空间分布专题图，提取小班属性信息，利用积分法或均值法将数据信息和空间分布图提取到属性字段中，将精度计算结果以文本格式输出，就可以得出森林资源平均树高、蓄积量、密度、郁闭度等相关参数。

3.4 仿真结果与精度分析

通过以上方法，得出森林类型精细分类图，以二类调查小班数据为标准，创建小班蓄积量空间分布专题图、郁闭度分布图、平均树高分布图、平均胸径分布图，之后在影像覆盖范围内按照5%比例抽取林地小班，评估遥感影像技术应用精度。在本次调查过程中，对整个县域内246 个小班进行验证，发现在遥感技术应用下，各林分因子估测精度较高，具体如下：

1）小班蓄积量实际为58346 m3，遥感技术估测值为58297 m3。2）小班平均树高实际为16.24 m，遥感技术估测值为16.73 m。3）小班平均胸径实际为52.37 cm，遥感技术估测值为51.04 cm。4）小班郁闭度实际为0.7，遥感技术估测值为0.7。

由此可知，遥感技术的估测精度较高，均为95%以上，尤其是小班郁闭度这一指标估测值与实际值完全吻合，证明该技术可以满足森林资源二类调查实际应用需求，应用价值较高。在本次调查中，利用小班尺度林分参数进行遥感预估，可以有效提高遥感数据精准性；利用参数化方法建立评估模型，利用森林资源二类调查林分因子估测软件进行辅助性数据信息处理，能进一步提高工作效率，可以反映出林分和地力结构特征，有助于森林资源情况的精准调查。

4 结语

遥感技术的应用为后续森林植被生长因子监测打下坚实基础，同时在森林资源应急救灾、病虫害监测等方面具有较大应用潜力。在森林资源调查工作中，技术人员应重点获取各典型地类样本元素数据，之后进行辐射校正和大气校正，采集地面数据和控制点，提高遥感影像成像精度，利用参数化方法建立评估模型进行辅助性数据信息处理，以此得出森林资源平均树高、蓄积量、密度、郁闭度等相关参数，提高工作效率。