基于Landsat8 OLI遥感因子的思茅松地上生物量二阶抽样估测

聂 靖,陆 驰,3,欧光龙,胥 辉

(1.西南林业大学 林学院,昆明 650224；2.西南林业大学 西南山地资源保育与利用教育部重点实验室,昆明 650224；3.西南林业大学 学报编辑部,昆明 650224)

森林生物量的精准估测是研究森林生态系统结构和功能、减小碳储量估测不确定性的关键[1-2]。高效精确估测森林地上生物量(AGB)是森林资源调查的研究热点和技术难点[3]。传统森林AGB估测工作量大、效率低、成本高,对森林生态系统有破坏性,不适应当今森林资源调查的要求[4-5],抽样技术的发展可以弥补传统估测方法的不足[6-7],成本与精度反映出抽样效能的优劣[8]。目前国内外对于森林资源调查主要采用随机、系统、整群和分层等抽样方法[9],但这些方法都存在局限性。随机抽样样本单元分散,不利于实际开展；系统抽样误差来源不确定,估测精度难把握；整群抽样代表性差；分层抽样成本高[10]。相较而言,应用较少的二阶抽样成本低、精度可控、有利于实际调查开展等优点得以显现[11]。张宗秀等[12]基于2007年四川省森林资源连续清查数据,对比得出二阶抽样能明显提高各类土地面积的成数估计精度。应用二阶抽样在东南亚和非洲进行森林调查取得了良好效果,在我国人烟稀少、交通困难的西南地区也有广阔前景[13-14]。

遥感技术的发展实现了森林资源实时监测,但地物光谱特性变化复杂,易受环境、地域影响,遥感估测森林资源一直存在精度不高等缺陷[15],遥感与抽样技术结合,既可以显著提高精度、效率,又能提供详细的抽样框信息。早在1986年,美国国家农业局(NASS)就将两者结合,辅以农业普查,实现了多样框抽样[16]；朱磊[17]借助遥感影像进行分层抽样,外业调查286个样地便达到94.6%的精度；葛宏力等[18]构造的三相抽样估计方法,提高了年度监测的面积估计精度；王雪军等[19]实践了大样地双重抽样,结果表明基于大样地区划调查的森林面积监测方法可充分发挥遥感的优势,提高数据应用效率,提升动态监测能力。遥感和抽样调查结合是建立科学森林资源监测体系的必然[17],目前两者结合的估测方法在森林AGB方面仍有较大空白。高效利用遥感技术、找到联系样地数据和二阶抽样的最优遥感因子,从而实现高精准低成本大尺度的森林AGB估测,对于监测毁林、分析森林的固碳能力、缓解全球气候变化有重要意义。

本文选用2016年Landsat8 OLI遥感影像和同年二调数据,对云南省普洱市镇沅县思茅松单位面积AGB,单位面积地上蓄积量及12种遥感指数进行二阶抽样。从成本与精度两方面与随机抽样、系统抽样对比,分析不同抽样标志的综合性能,探索联系样地信息与二阶抽样的最优遥感指数,以期为森林碳汇估算、提高森林经营水平及制定林业方针政策提供数据指导及理论参考。

1 研究区概况

镇沅县是云南省普洱市下辖县之一,国土总面积4 136.81 km2,海拔774～3 137.6 m,位于云南省西南部,地理位置为23°34′～24°22′N,100°21′～101°31′E,属亚热带季风区。地处四河(者干河、恩乐河、勐统河、景谷河)、两山下(哀牢山、无量山),造就其北高南低、山高谷深的复杂地貌。地貌基本轮廓导致气候垂直差异突出而水平变化微小,具典型的“立体气候”特点,呈现出热带、亚热带、暖温带3种气候类型[20]。据2016年镇沅县二调成果数据,镇沅县有林地面积292 823.6 hm2,森林覆盖率达70.64%,主要优势树种思茅松(Pinuskesiyavar.langbianensis)的面积为186 528.71 hm2。

2 研究方法

2.1 数据来源与处理

1) 调查数据。基于2016年云南省森林资源二类调查小班数据(二调数据),在ArcGIS 10.6中用镇沅县行政边界对其进行裁剪,选取优势树种为思茅松的林分,进行数据分析。

2) 遥感数据。Landsat8 OLI数据从地理空间数据云网站(http://www.gscloud.cn/)获得,空间分辨率为30m,利用ENVI 5.3对遥感影像(表1)进行辐射定标、大气校正、地形校正等预处理,最后通过融合、镶嵌及裁剪得到研究区影像。在ArcGIS 10.6中用思茅松AGB密度分布图对提取出来的遥感影像进行掩膜提取,进行遥感因子提取步骤。利用ENVI 5.3提取这2类遥感因子(表2),而后利用ArcGIS 10.6“多值提取到点”工具将遥感因子数据赋值予二调数据。

表1 研究区遥感影像信息Tab.1 Remote sensing image information of the study area

表2 参与镇沅县思茅松AGB估算的遥感因子Tab.2 Remote sensing factors involved in AGB estimation of Simao pine in Zhenyuan County

3) 生物量数据。由于小班属性表里没有AGB数据,所以本研究参考胥辉等[24]的林木生物量扩展因子法计算思茅松小班单位面积AGB。

B=V×SVD×BEF

(1)

式中:B为小班单位面积AGB(t/hm2)；V为小班单位面积林分蓄积(m3/hm2)；SVD为思茅松的木材密度(t/m3),本研究中,SVD=0.454；BEF为生物量转换因子,本研究中,BEF=1.304。

2.2 二阶抽样设计

1) 一阶抽样单元设计。不同尺寸一阶单元的变异系数不同,变异系数的大小会影响抽样成本,而抽样比的增大,精度也随之提高并趋于稳定[10]。阳帆等[25]在60%抽样比的情况下,重复30次试验,计算的精度满足《国家森林资源连续清查技术规定》[26]。综合考虑抽样精度、抽样效率及方案可靠性,本研究在60%的一阶抽样比基础上增加10%的保险系数,以70%作为本研究最适宜抽样比。选取一阶抽样尺寸时,综合考虑一阶抽样比接近70%且一阶变异系数较小的尺寸作为一阶抽样框的大小,重复100次抽样以减小抽值的极端。利用ArcGIS 10.6“渔网”工具将提取出的研究区数据划分为1～8 km的一阶抽样单元,在95%的可靠性指标和90%抽样精度下,采用单位面积地上蓄积量作为依据计算一阶变动系数、样本一阶样本单元数、一阶抽样比,具体计算方法参考《抽样调查技术》[10]。

一阶变动系数:

(2)

样本一阶单元个数:

n=(tαC1/E)2

(3)

式中:E=0.1为相对误差;tα=1.96,为可靠性指标。

一阶抽样比:

f1=n/N

(4)

2) 二阶抽样单元设计。在一阶抽样单元的基础上,为匹配Landsat8遥感数据像素,利用ArcGIS 10.6渔网工具,将二阶单元大小设置为30m×30m的单元,通过计算不同抽样指标(单位面积AGB,单位面积蓄积量,B1,B2,B3,B4,B5,B6,B7,NDVI,ARVI,SAVI,DVI,RVI)的二阶单元变动系数,得出不同抽样指标对应的二阶变动系数、二阶样本单元数。

样本第i个一阶单元内二阶单元平均数:

(5)

式中:m为一阶内二阶样本单元数,yij表示第i个一阶单元中第j个二阶单元的标志值。

二阶样本单元平均数:

(6)

二阶变动系数:

(7)

式中:M为总体二阶单元数；yi为样本第i个一阶单元值。

二阶样本单元数:

(8)

3) 方差及精度计算。二阶抽样中,方差分为一阶间方差和一阶内二阶间方差,根据下列公式,计算相对误差(E)和总体抽样精度(P)。

样本一阶间方差:

(9)

样本一阶内二阶间平均方差:

(10)

二阶单元抽样比:

f2=m/M

(11)

标准误差:

(12)

估计误差限:

(13)

相对误差:

(14)

抽样精度:

P=1-E

(15)

2.3 AGB估计值及相对误差计算

以2016年森林资源二调数据作为真值,计算不同抽样体系下研究区思茅松AGB估计值及相对误差。当抽样指标为单位面积AGB时,思茅松AGB估计值及相对误差按照抽取的样本值直接计算；其他抽样指标的AGB估计值及相对误差,需要先找到抽取样本对应的单位面积地上蓄积量,而后按照林木扩展因子法[24]转换为AGB后计算。

总体估计值:

(16)

2.4 抽样设计及计算

为了便于比较,随机抽样与系统抽样的样地尺寸与二阶抽样单元尺寸一致,皆为30m×30m的正方形样地。参考应用单位面积AGB与单位面积蓄积量的二阶样本单元数,应用随机抽样、系统抽样对研究区的单位面积AGB和单位面积蓄积进行抽样估计,计算抽样精度、AGB估计值及相对误差。

3 结果与分析

3.1 二阶抽样设计分析

在95%的可靠性指标和90%的抽样精度下,采用单位面积地上蓄积量作为依据的1～8km一阶抽样尺寸,其对应的一阶变动系数及样本单元数如表3所示。

综合考量变动系数较小且满足最适宜抽样比的5 km作为一阶抽样单元尺寸,划分出226个5km网格。多次试验证明,边缘不完整的网格变动系数不规律,因此保留完整的108个网格作为总体一阶单元,样本一阶单元数为77。以森林蓄积量作为抽样指标进行二阶抽样试验,重复抽样100次后,抽样精度随着重复次数增加趋于稳定且收敛,可见100次重复抽样的精度可靠。

3.2 不同抽样体系综合效能比较

3.2.13种抽样方法综合效能

由表4可看出,简单随机抽样与系统抽样均采取和二阶抽样相同的抽样样本数情况下,二阶抽样精度均高于其他2种抽样方法。采用单位面积蓄积量时,3种抽样方法精度大小为二阶抽样精度(95.96%)>系统抽样精度(95.55%)>简单随机抽样精度(95.44%)；采用单位面积AGB时,3种抽样方法精度大小为二阶抽样精度(96.10%)>系统抽样精度(95.63%)>简单随机抽样精度(95.53%)。

表3 一阶抽样单元变动系数及样本计算Tab.3 First-order sampling unit coefficient of variation and sample calculation

表4 3种抽样方法综合效能比较Tab.4 Comparison of the combined effectiveness of the 3 sampling methods

3种抽样方法的其中1次样本分布如图1所示。图中每1个抽样点均表示1块30m×30m的正方形样地。3种抽样方法随机点的布设均应用ArcGIS 10.6软件实现,从3种抽样方法的样本分布图可看出,相同样本个数(385),二阶抽样样本分布更为集中,实际操作过程中,二阶抽样相较于其他2种抽样方法更为便捷。

3.2.2不同抽样指标的二阶抽样效能

从表4中可以看出,二阶抽样中,在一阶框固定的情况下,抽样成本取决于二阶变动系数,两者表现出正相关关系,即成本随着二阶变动系数的增大而增大。二阶变动系数最大的是B4波段(20.43%),NDVI和SAVI的变动系数最小,均为6.08%。在95%可靠性指标和90%抽样精度下,所有抽样指标的二阶抽样精度均达到高精度抽样范畴,除B7波段抽样精度(94.63%)在95%以下,其余所有抽样指标的二阶抽样精度均高于95%。

图1 3种抽样方法样本分布图Fig.1 Sample distribution of the three sampling methods

基于二调数据的二阶抽样中,2个抽样指标的成本相同(385个),但基于单位面积AGB的抽样精度(96.10%)高于基于单位面积蓄积量的(95.96%)。基于7个单波段的二阶抽样中,B4波段的抽样成本是所有抽样指标中最高的,为462个；B7波段的抽样精度是所有抽样指标中最低的,仅为94.63%。抽样精度从高到低为B1(97.10%)>B2(96.76%)>B3(96.46%)>B5(96.32%)>B6(95.19%)>B4(95.17%)>B7(94.63%),抽样成本从低到高为B5(231个)=B6(231个)SAVI(97.57%)>ARVI(97.50%)>RVI(97.15%)>DVI(96.03%),抽样成本从低到高为NDVI(154个)=SAVI(154个)

3.3 不同抽样体系AGB预测值比较分析

不同调查类别得出的镇沅县思茅松AGB的估计值和2016年思茅松二调真实值相比(表5),3种抽样方法基于单位面积蓄积和基于单位面积AGB相对误差相比,抽样效能不存在明显优劣之分。基于二调数据的3种抽样方法,二阶抽样的估计值更接近2016年二调AGB预测值。各类别抽样方法与2016年的二调AGB预测值相比,相差都小于5%。总体来说,依靠二阶抽样方法估测思茅松AGB结果可靠。

表5 不同调查类别下思茅松AGB估测值比较Tab.5 Comparison of estimated AGB values of Simao Pine under different survey

4 讨论与结论

1) 该试验所有抽样指标预测值的相对误差都小于5%,总体看来,试验高效且真实可靠。其中,NDVI的抽样效能最好,抽样精度能达到97.67%,SAVI(97.57%)次之,这2个抽样指标仅需最低成本(154个)便能达到最优抽样精度。较基于二调数据的二阶抽样,减少231块样地,减幅达到60%,对比基于单位面积AGB和单位面积蓄积量的二阶抽样精度,分别提升1.57、1.71个百分点。NDVI对于植被覆盖度检测幅度较宽,与其线性相关,植被覆盖度大于80%时,NDVI的灵敏度降低,不再随生物量增加而显著增加。由于镇沅县多数地区处于高盖度植被区,NDVI的二阶变动系数较小的原因可能是在较高覆盖度的地区,NDVI的值不再显著增加,所以样地之间的变动系数较小。SAVI是修正了NDVI对土壤背景的敏感的指数,变动系数较小的原因同上。

2) 基于植被指数的二阶抽样优势十分明显,与传统抽样方法或基于二调数据单波段等抽样指标应用二阶抽样相比,调查工作量大幅减少,效率显著提升,精度明显提高。在追求高精度低成本大尺度的高覆盖度森林生物量估测中,基于NDVI,SAVI等植被指数的二阶抽样方法是最优的选择。本试验只对普洱市镇沅县的思茅松进行了遥感二阶抽样,该试验结果可能只适用于高覆盖度森林,同时,植被指数受地形影响也较大,NDVI与SAVI这2个植被指数对中低覆盖度森林的适用性以及不同地形适用何种植被指数,这些问题都有待继续研究。

3) 本研究基于研究区2016年Landsat8 OLI遥感影像和同年森林资源二类调查数据,通过合理的二阶抽样设计,对森林资源的不同指标进行抽样调查,对比得出基于植被指数的二阶抽样设计可以在大幅减少成本的情况下,获得高精度的森林生物量信息。传统对于森林资源的估测一般通过模型和常见的几种抽样方法实现,遥感技术与二阶抽样结合,可以弥补传统森林资源估测缺乏精度保障及工作量大的缺陷,并且遥感影像具有时效性强、方便获取的特点,与二阶抽样方法结合可以快速且精准地获取大尺度森林生物量。

4) 本研究中,基于14种抽样指标,二阶抽样方法均远超预期效果,无论是基于二调数据还是遥感影像信息,均能够有效估测森林AGB,且都在高精度范畴内。其中基于植被指数的二阶抽样综合效能优于其他抽样指标,NDVI和SAVI是能够让二阶抽样与镇沅县思茅松样地信息联系的最优遥感指数,两者能在最少样本数(154个)的情况下,达到最高精度,分别为97.67%,97.57%。应用NDVI和SAVI植被指数进行二阶抽样能够使抽样综合效能最优,达到高效高精度估测森林AGB的目标。对于目前的森林资源调查,可以采用本研究建议的技术路线,这对提高森林资源调查效率及精度具有较大意义。