基于紋理特征的香格里拉縣冷杉林郁閉度遙感估測(cè)研究

付虎艷，張 軍，舒清態(tài)*

(1.西南林業(yè)大學(xué) 林學(xué)院，云南 昆明 650224;2.云南大學(xué) 資源環(huán)境與地球科學(xué)學(xué)院，云南 昆明 650091)

0 引言

森林郁閉度是林業(yè)綜合評(píng)價(jià)的一個(gè)重要指標(biāo)，對(duì)森林資源的經(jīng)營(yíng)和管理以及森林生態(tài)系統(tǒng)的研究有著重要意義，它是指森林中喬木樹(shù)冠遮蔽地面的程度，是反映林分密度的重要指標(biāo)之一[1-3]。森林郁閉度的測(cè)量方法多種多樣，傳統(tǒng)通過(guò)野外實(shí)地測(cè)量的方法，如樣方法、目測(cè)法、樹(shù)冠投影法等，僅能獲得一些點(diǎn)上的數(shù)據(jù)，不利于大范圍、快速測(cè)定郁閉度的空間分布及變化[4]。而傳統(tǒng)遙感方法主要是依靠從遙感影像中提取各光譜特征，進(jìn)行線(xiàn)性及非線(xiàn)性組合，結(jié)合地形因子對(duì)郁閉度進(jìn)行遙感估測(cè)。但由于影像的光譜特征未能充分利用圖像的空間結(jié)構(gòu)、紋理等信息，且遙感影像中“同物異譜”和“異物同譜”現(xiàn)象普遍存在，僅依據(jù)光譜特征很難進(jìn)行郁閉度的準(zhǔn)確提取和分析[5]。當(dāng)前國(guó)內(nèi)外利用遙感數(shù)據(jù)對(duì)森林郁閉度的估測(cè)研究較多，并已取得一定成果，同時(shí)在利用遙感圖像紋理特征調(diào)查森林測(cè)樹(shù)因子(年齡、胸徑、平均樹(shù)高、生物量)方面的研究已展開(kāi)，但是國(guó)內(nèi)外結(jié)合遙感圖像紋理特征進(jìn)行森林郁閉度估測(cè)建模的研究還很少[6]。因此，研究以香格里拉縣遙感影像數(shù)據(jù)為數(shù)據(jù)源，提取并篩選影像的紋理特征，建立研究區(qū)冷杉(Abiesfabri(Mast.)Craib)林基于紋理特征的郁閉度估測(cè)模型并對(duì)其精度進(jìn)行檢驗(yàn)。

1 研究區(qū)概況及研究數(shù)據(jù)

1.1 研究區(qū)概況

香格里拉縣(99°20′～100°19′E，26°52′～28°52′N(xiāo))位于云南省西北部，青藏高原東南邊緣、橫斷山脈南段北端，是中國(guó)“三江并流”之腹地。地勢(shì)呈西北高、東南低，多為山地、高原、盆地、河谷，平均海拔3459m。香格里拉縣地處高海拔低緯度地帶，森林覆蓋率為74.99%，是云南亞熱帶常綠闊葉林植被區(qū)向青藏高原高寒植被區(qū)過(guò)渡地帶，植被分布南北差異明顯。其中主要林分有云南松(PinusarmandiiFranch)林、高山松(Pinusdensata)林和云杉(PiceaasperataMast)、冷杉林以及高山櫟(QuercussemicarpifoliaSmith)林等。其縣境內(nèi)主要的冷杉林多以長(zhǎng)苞冷杉林(AbiesgeorgeiOrr)(多為純林，是香格里拉縣分布面積最廣的冷杉林，郁閉度超過(guò)0.8)、蒼山冷杉林(AbiesdelavayiFranch)(常與其它寒溫性樹(shù)種混交，郁閉度0.6以上)為主[7]。

1.2 研究數(shù)據(jù)來(lái)源

1.2.1 冷杉林30m×30m標(biāo)準(zhǔn)地實(shí)測(cè)數(shù)據(jù)

香格里拉縣2013年冷杉林30m×30m標(biāo)準(zhǔn)地實(shí)測(cè)數(shù)據(jù)。共包括每個(gè)標(biāo)準(zhǔn)地GPS定位坐標(biāo)X、Y，冷杉林30m×30m樣地蓄積量，冷杉林齡級(jí)(共5個(gè)齡級(jí)：幼齡林、中齡林、近成熟林、成熟林、過(guò)熟林)，冷杉林樣地郁閉度、平均樹(shù)高、平均胸徑等樣地因子。

1.2.2 遙感數(shù)據(jù)及輔助數(shù)據(jù)

本研究中采用2006年森林資源二類(lèi)調(diào)查小班數(shù)據(jù)對(duì)研究區(qū)冷杉林進(jìn)行提取，因此研究選取2006年航帶號(hào)分別為132/041，132/040，131/041的3景TM遙感影像數(shù)據(jù)，在遙感圖像處理軟件ENVI5.0下對(duì)其進(jìn)行輻射校正、幾何精校正、拼接、裁剪等預(yù)處理得到研究區(qū)TM遙感影像。

2 研究方法

2.1 冷杉林分布信息及標(biāo)準(zhǔn)地紋理特征提取

利用2006年森林資源二類(lèi)調(diào)查小班數(shù)據(jù)，提取出香格里拉縣冷杉林矢量分布圖層，結(jié)合2006年TM遙感影像數(shù)據(jù)，利用冷杉林矢量圖層掩膜提取出香格里拉縣冷杉林影像分布信息。

紋理特征是遙感影像中的重要信息，是指影像中大量規(guī)律性很強(qiáng)或很弱的相似元素或者圖形結(jié)構(gòu)，是對(duì)影像局部區(qū)域中像素間關(guān)系的度量，自然的紋理具有重復(fù)排列現(xiàn)象?；叶嚷?lián)合概率矩陣法(GrayLevelCo-occurrenceMatrix，GLCM)也稱(chēng)灰度共生矩陣，是1973年由Haralick提出，指按照影像灰度值的空間關(guān)系描述像元點(diǎn)對(duì)之間的空間結(jié)構(gòu)特征及其相關(guān)性，是目前最為常見(jiàn)、最為廣泛以及效果最好的紋理統(tǒng)計(jì)分析方法。因此，研究選取灰度共生矩陣(GLCM)，利用ENVI5.0提取研究區(qū)冷杉林遙感影像紋理特征因子。去除TM6熱紅外波段，研究中共選取6個(gè)波段(TM1～TM5、TM7波段)進(jìn)行紋理特征提取，其中每個(gè)波段包括8個(gè)紋理特征：均值(Mean)、方差(Variance)、協(xié)同性(Homogeneity)、相異性(Dissimilarity)、二階距(SecondMoment)、對(duì)比度(Contrast)、熵(Entropy)、相關(guān)性(Correlation)，共提取出48個(gè)紋理特征因子。圖1表示提取出的香格里拉縣冷杉林分布影像TM1波段的8個(gè)紋理特征圖像。

圖1 香格里拉縣冷杉林地紋理特征提取——以TM1波段為例

利用提取的香格里拉縣冷杉林地紋理特征影像，結(jié)合標(biāo)準(zhǔn)地實(shí)測(cè)數(shù)據(jù)，提取每個(gè)標(biāo)準(zhǔn)地的紋理特征因子作為郁閉度估測(cè)模型備選自變量。

2.2 紋理特征因子篩選

在進(jìn)行郁閉度估測(cè)模型建立時(shí)，自變量的選用是回歸模型好壞的重要步驟，如果將每個(gè)波段所包括的全部紋理特征都用于模型的建立，則會(huì)造成維數(shù)災(zāi)難。因此，在建模前，需要對(duì)每個(gè)標(biāo)準(zhǔn)地所包括的全部48個(gè)紋理特征因子進(jìn)行篩選。本研究借助SPSS統(tǒng)計(jì)分析軟件，對(duì)每個(gè)波段所包含的紋理特征進(jìn)行相關(guān)分析，以TM1波段的8個(gè)紋理因子為例，由表1中各紋理特征間相關(guān)系數(shù)可知，同一波段不同的紋理特征間存在明顯的相關(guān)關(guān)系；以TM1波段中對(duì)比度(Contrast)因子與TM2波段的所有紋理特征因子做相關(guān)分析為例，由表2可知，不同波段間的紋理特征因子也存在顯著的相關(guān)關(guān)系。

表1 TM1波段各紋理特征相關(guān)分析表

表2 TM1波段對(duì)比度(contrast)紋理特征與TM2波段各紋理特征相關(guān)分析表

注：表中C、COR、D、E、H、M、S、V代表對(duì)比度(Contrast)、相關(guān)性(Correlation)、相異性(Dissimilarity)、熵(Entropy)、協(xié)同性(Homogeneity)、均值(Mean)、二階距(SecondMoment)、方差(Variance)8個(gè)紋理特征，角標(biāo)1、2分別代表TM1、TM2波段.

基于以上相關(guān)分析可知由于各因子間存在著顯著的相關(guān)關(guān)系，它們所表達(dá)的信息有大量重復(fù)的現(xiàn)象，若將全部因子用于估測(cè)模型的建立，則將增大計(jì)算量以及建模精度將受到較大的影響。因此，在建立回歸估測(cè)模型前，本研究選用主成分分析共提取出8個(gè)主成分，采用因子分析按照方差極大法對(duì)因子載荷矩陣進(jìn)行旋轉(zhuǎn)，選取每個(gè)主成分中載荷系數(shù)達(dá)到0.9以上的因子(共13個(gè)，見(jiàn)表3)作為自變量加入估測(cè)模型中。

表3 旋轉(zhuǎn)成分矩陣——因子載荷系數(shù)

2.3 郁閉度估測(cè)模型建立

偏最小二乘回歸方法是Wold和Albano于1983 年提出的一種新型的多元統(tǒng)計(jì)分析方法，它將多元線(xiàn)性回歸分析、主成分分析和典型相關(guān)分析的優(yōu)點(diǎn)結(jié)合在一起，可以較好地解決多元線(xiàn)性回歸分析中自變量間存在較高程度的相關(guān)性這一問(wèn)題[8，9]。它通過(guò)提取概括原數(shù)據(jù)信息的綜合變量(新成分)，建立新變量與因變量的回歸關(guān)系，最后再表達(dá)成原變量的回歸方程[10]。一般情況下，利用偏最小二乘法時(shí)并不需要提取全部的成分來(lái)建立回歸模型，采用截尾的方式，通過(guò)交叉有效性檢驗(yàn)來(lái)確定選取的成分個(gè)數(shù)。本研究借助SPSS統(tǒng)計(jì)分析軟件平臺(tái)采用偏最小二乘法建立郁閉度估測(cè)模型。

Y=61.427+0.04×C1+1.459×D1+0.213×V1-0.133×C2-0.511×D2+0.031×V2-0.165×C3-0.401×V3+9.068×S4+0.003×C5-0.015×V5+0.083×C6-0.228×V6

3 研究結(jié)果

3.1 模型檢驗(yàn)

本研究共103個(gè)標(biāo)準(zhǔn)地?cái)?shù)據(jù)，選取73個(gè)建模，30個(gè)用于模型精度的檢驗(yàn)。用郁閉度估測(cè)值的誤差平均值(AE)、均方誤差(RMSE)、相對(duì)誤差(RE)和標(biāo)準(zhǔn)誤(SE)、估測(cè)精度(EA)評(píng)價(jià)模型的精度，分別定義為：

(1)

(2)

(3)

(4)

(5)

表4 模型精度檢驗(yàn)表

3.2 郁閉度反演

利用ERDAS軟件空間建模模塊，將提取出的香格里拉縣冷杉林各紋理特征圖層代入郁閉度估測(cè)模型中，進(jìn)行各因子間的復(fù)合運(yùn)算，生成研究區(qū)冷杉林郁閉度分布圖像(圖2)。根據(jù)聯(lián)合國(guó)糧農(nóng)組織規(guī)定，郁閉度在0.20以下(不含0.20)為疏林地，在0.20以上(含0.20)的為郁閉林地，其中0.20～0.69為中度郁閉，0.70以上為密郁閉[11]。由圖2可知，研究區(qū)冷杉林郁閉度多分布在0.60～0.70范圍內(nèi)，以中度郁閉林地為主，少部分在0.70以上。

4 結(jié)論與討論

4.1 結(jié)論

本研究對(duì)遙感影像的灰度共生矩陣紋理特征進(jìn)行提取，利用相關(guān)分析、主成分分析以及正交旋轉(zhuǎn)法對(duì)各個(gè)紋理特征因子進(jìn)行篩選，提取出13個(gè)綜合因子在SPSS平臺(tái)下利用偏最小二乘法對(duì)香格里拉縣冷杉林郁閉度進(jìn)行模型建立，最后得出：

(1)對(duì)提取出的所有紋理特征因子進(jìn)行相關(guān)分析時(shí)可知，同一波段不同的紋理信息之間、不同波段間同一紋理特征間以及不同波段不同紋理特征間存在著極顯著的相關(guān)關(guān)系，說(shuō)明各個(gè)不同的紋理特征因子間包含著大量重復(fù)的信息。

(2)對(duì)各個(gè)不同的紋理特征因子進(jìn)行主成分因子分析時(shí)，共提取出13個(gè)特征因子，其中方差(Variance)、對(duì)比度(Contrast)因子對(duì)郁閉度反演的貢獻(xiàn)率最大。

圖2 2013年香格里拉縣冷杉林郁閉度分布圖像

Fig.2Shangri-La’sfirforestcanopydensitydistributionimagein2013

(3)利用PLS法建立香格里拉縣冷杉林郁閉度遙感估測(cè)模型，經(jīng)驗(yàn)證，模型的相對(duì)誤差RE=13.8%，RMSE=10.39，精度為83.3%，擬合效果較理想。由估測(cè)模型對(duì)研究區(qū)郁閉度進(jìn)行反演得到，研究區(qū)冷杉林郁閉度絕大部分在0.6～0.7，多為中度郁閉林地。

4.2 討論

本研究?jī)H對(duì)香格里拉縣冷杉林郁閉度進(jìn)行估測(cè)，因此所建立的估測(cè)模型對(duì)其他森林類(lèi)型郁閉度的估測(cè)并不適合。同時(shí)，由于在建模中遙感影像數(shù)據(jù)、小班數(shù)據(jù)和標(biāo)準(zhǔn)樣地?cái)?shù)據(jù)非同一年份，會(huì)對(duì)研究區(qū)郁閉度估測(cè)造成一定程度的影響，因此在以后的研究中可建立研究區(qū)同一年份下不同森林類(lèi)型、不同的回歸方法進(jìn)行郁閉度估測(cè)模型比較。

參考文獻(xiàn)：

[1]譚炳香，李增元，陳爾學(xué)，等.Hyperion高光譜數(shù)據(jù)森林郁閉度定量估測(cè)研究[J].北京林業(yè)大學(xué)學(xué)報(bào)，2006，28(3)：95-101.

[2]谷金英，馮仲科，葛忠強(qiáng)，等.基于TM影像數(shù)據(jù)的林分冠層郁閉度反演技術(shù)研究[J].山東林業(yè)科技，2014，210：9-12.

[3]鄭冬梅，曾偉生，智長(zhǎng)貴，等.三峽庫(kù)區(qū)森林郁閉度的遙感定量估測(cè)[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2013，9(33)：1-4.

[4]李崇貴，蔡體久.森林郁閉度對(duì)蓄積量估測(cè)的影響規(guī)律[J].東北林業(yè)大學(xué)學(xué)報(bào)，2006，34(1)：15-17.

[5]吳飏，張登榮，張漢奎，等.結(jié)合圖像紋理特征的森林郁閉度遙感估測(cè)[J].林業(yè)科學(xué)，2012，48(2)：48-53.

[6]彭佳明.新疆昆侖圓柏自然保護(hù)區(qū)森林資源分類(lèi)及其郁閉度估測(cè)研究[D].烏魯木齊：新疆師范大學(xué)，2012.

[7]岳彩榮.香格里拉縣森林生物量遙感估測(cè)研究[D].北京：北京林業(yè)大學(xué)，2011.

[8]QINSJ.RecursivePLSalgorithmsforadaptivedatamodeling[J].Computers&ChemicalEngineering，1998，22(4/5)：503-514.

[9]王惠文，吳載斌，孟潔.偏最小二乘回歸的線(xiàn)性與非線(xiàn)性方法[M].北京：國(guó)防工業(yè)出版社，2006：97-127.

[10]杜曉明，蔡體久，琚存勇.采用偏最小二乘回歸方法估測(cè)森林郁閉度[J].應(yīng)用生態(tài)學(xué)報(bào)，2008，19(2)：273-277.

[11]蔡學(xué)成，楊永彰.基于中巴資源衛(wèi)星數(shù)據(jù)的森林郁閉度估測(cè)研究[J].安徽農(nóng)業(yè)科學(xué)，2007，35(34)：10961-10962.