基于地理加權回歸模型的思茅松生物量遙感估測

閭妍宇，李 超，歐光龍，熊河先，魏安超，張 博，胥 輝

(西南林業(yè)大學西南地區(qū)生物多樣性保育國家林業(yè)局重點實驗室，昆明650224)

基于地理加權回歸模型的思茅松生物量遙感估測

閭妍宇，李 超，歐光龍，熊河先，魏安超，張 博，胥 輝

(西南林業(yè)大學西南地區(qū)生物多樣性保育國家林業(yè)局重點實驗室，昆明650224)

通過調查云南省景谷縣思茅松林120株單木數(shù)據(jù)，構建思茅松單木生物量模型。結合2005年景谷縣TM影像數(shù)據(jù)及2006年森林資源二類調查小班數(shù)據(jù)，采用普通最小二乘模型 (OLS)和地理加權回歸模型 (GWR)的方法構建思茅松生物量遙感估測模型。結果表明:地理加權回歸模型比普通最小二乘模型具有更好的擬合效果，其決定系數(shù) (R2)顯著高于OLS模型，Akaike信息指數(shù) (AIC)相比降低7.832;兩種模型通過獨立樣本檢驗可以看出，模型預估精度從OLS模型的72.70%提高至GWR模型的75.06%;通過GWR模型反演計算，研究區(qū)內(nèi)思茅松林單位面積生物量為49.02t/hm2，比實測數(shù)據(jù)低1.229%，與實測數(shù)據(jù)基本吻合，且估算誤差優(yōu)于OLS模型;基于GWR模型估算的景谷縣思茅松林總生物量為2.101×107t?？梢娀诘乩砑訖嗷貧w方法估測森林地上生物量的方法是有效的，能提高森林生物量遙感估測模型的擬合和預估精度，可以用于思茅松林的生物量的遙感估算。

思茅松;生物量;遙感;普通最小二乘;地理加權回歸

森林是最大的陸地生態(tài)系統(tǒng)，森林生物量是評價森林生態(tài)系統(tǒng)的碳循環(huán)的重要載體及指標參數(shù)［1］。傳統(tǒng)的森林生物量調查方法有:樣地清查法、生理生態(tài)模型法和遙感估算法［2］。隨著技術手段的不斷發(fā)展，現(xiàn)今廣泛應用遙感(RS)、地理信息系統(tǒng)(GIS)和全球衛(wèi)星定位系統(tǒng)(GPS)等3S技術結合的手段，調查區(qū)域森林生物量。國慶喜等［3］以小興安嶺南坡為研究對象，結合TM影像和森林資源一類清查樣地數(shù)據(jù)，討論環(huán)境因子、生物因子和遙感因子與生物量的相關關系，構建了森林生物量的回歸方程，獲得了較好的估測精度;曾晶等［4］利用高分一號遙感影像，建立生物量的多元線性模型，反演精度為80.75%;李明詩等［5］結合光譜、紋理以及地形特征等信息來研究森林生物量，發(fā)現(xiàn)紋理特征可以提高森林生物量的估測精度，并且不同樹種與不同特征之間存在不同的相關性。孫雪蓮等［6］應用隨機森林方法結合遙感因子研究思茅松人工林生物量，估測出人工林單位面積生物量59.09t/hm2，總生物量為3.644×106t。

國內(nèi)外對森林生物量進行了很多研究，但林木生長并非一個獨立的過程，會與周圍樹木產(chǎn)生相互影響，即林木生長表現(xiàn)出一定的空間效應。在進行森林調查中獲取的數(shù)據(jù)都與地理位置有關，地理位置間的鄰近關系使得觀測數(shù)據(jù)具有空間關系［7－8］，經(jīng)典統(tǒng)計學模型往往忽視這種空間關系，往往導致分析的結果是有偏的［9－10］。Fotheringham等在局域光滑理論的基礎上提出了一種局域模型方法，他將空間信息考慮到回歸參數(shù)中，在每一個點上都用權函數(shù)來回歸參數(shù)，直觀顯示了空間的非平穩(wěn)性，之后，利用這種方法提出了地理加權回歸模型(Geographically Weighted Regression Model，GWR)［11－12］，該模型現(xiàn)在經(jīng)濟學，氣象學，生態(tài)學以及林學等學科得到廣泛應用。劉暢等應用普通最小二乘模型，線性混合效應模型和地理加權回歸模型分析了不同尺度下黑龍江省森林碳儲量空間分布，結果表明，地理加權回歸模型能夠很好地解決空間效應問題并提高擬合精度［13］。戚玉嬌通過遙感信息和實測數(shù)據(jù)相結合，構建地理加權回歸模型來分析大興安嶺森林地上碳儲量，結果表明，GWR模型解決了空間非平穩(wěn)性、提高了估測精度［14］。郭含茹等［15］通過構建不同權函數(shù)的地理加權回歸模型分析遙感因子與碳儲量的相關性，表明GWR模型在區(qū)域碳儲量估測上是合理且精度較高的。

基于此，本研究以云南省景谷傣族彝族自治縣為研究區(qū)，利用實測樣地數(shù)據(jù)，森林資源二類調查數(shù)據(jù)和TM影像數(shù)據(jù)建立回歸模型，在考慮空間效應的基礎上，估測思茅松森林生物量，對比普通最小二乘模型(Ordinary Least Square，OLS)與地理加權回歸模型(GWR)的估測精度，選擇最優(yōu)的估測模型來反演景谷縣思茅松林生物量，為豐富估測區(qū)域森林生物量/碳儲量提供一定的研究案例與方法。

1 研究區(qū)概況

本研究區(qū)域位于云南省景谷傣族彝族自治縣，總面積7 550km2。景谷位于橫斷山脈無量山西南端，瀾滄江以東，地處東經(jīng)100°02'～101°07'，北緯22°49'～23°52'。地勢以山地高原為主，谷壩鑲嵌其中，山地、高原、盆地相間分布，總體地勢由北向南傾斜，漸向東西兩翼擴展，最高海拔2 920m，最低海拔600m;屬亞熱帶山原季風氣候，境內(nèi)山高谷深，海拔差異大，氣候呈明顯的垂直變化。

全縣地形以山區(qū)半山區(qū)為主，年平均氣溫22.1℃，年降水量1 354mm。景谷縣擁有林業(yè)用地58.36萬hm2，占總面積的77.5%，森林覆蓋率達到74.7%，其主要樹種為思茅松。思茅松不僅是當?shù)刂饕貌臉浞N，也是主要的造林樹種。

2 數(shù)據(jù)收集與處理

2.1 基礎數(shù)據(jù)

本研究的基礎數(shù)據(jù)是2006年森林資源二類調查小班數(shù)據(jù)，2006年二類森林資源實測樣地數(shù)據(jù)及補充調查的思茅松樣地數(shù)據(jù)共計90塊，如圖1 (右)。依據(jù)隨機抽樣方法將樣地分為模型構建樣地71塊與獨立性檢驗樣地19塊，樣地大小為30m× 30m;樣地調查因子包括:坐標、齡組、株數(shù)、蓄積量、平均樹高、平均胸徑等。

樣木數(shù)據(jù)是2012年的實測樣木數(shù)據(jù)。在結合樣地進行實地調查，考慮徑階分布的基礎上，總計調查120株樣木，記錄各樣木的基本信息，包含GPS坐標、海拔、坡度、坡向、胸徑、樹高等因子。

圖1 景谷縣遙感影像(左)和思茅松樣地分布圖(右)Fig.1 Remote sensing image and distribution of Simao Pine forest and the sample distribution in Jinggu County

2.2 遙感數(shù)據(jù)處理

本研究采用2005年行帶號分別為130/44，131/43，131/44的3景TM5遙感影像數(shù)據(jù)，對3景影像分別在ENVI 5.1軟件下進行輻射定標，大氣校正，幾何校正和地形校正，之后在此基礎上進行裁剪、拼接，獲得景谷縣TM影像圖，如圖1(左)。

2.3 單木生物量模型構建

按照胥輝、張會儒的生物量測定和建模方法［16］，冪函數(shù)在模型擬合過程中容易收斂，且模型擬合效果較好，故本研究思茅松單木生物量模型選擇冪函數(shù)，選擇變量胸徑(D)、樹高(H)或者組合變量(D2H)來進行模型構建。

表1 單木生物量模型擬合結果Tab.1 Estimation parameters of the individual tree biomass equations

本研究采用表1模型構建思茅松單木生物量模型并估算單木生物量，選擇決定系數(shù)(R2)最高的模型，故模型2為單木生物量最優(yōu)擬合模型。估算樣地地上生物量采用單木生物量數(shù)據(jù)和平均標準木法計算樣地林分單位面積生物量，見公式(1)。

式中:Wabv為樣地思茅松地上總生物量;a，b，c為單木生物量模型估算參數(shù);D為每個樣地標準木平均胸徑;H每個樣地標準木平均樹高;N為每個樣地株數(shù)。

2.4 遙感特征信息提取

本研究利用ENVI 5.1軟件提取景谷縣TM影像6個單波段、植被指數(shù)(NDVI，RVI，DVI，Albedo，VIS123，SAVI等)，紋理特征(窗口大小分別為5× 5，7×7，9×9，15×15)、主成分變換和K－T變換等共計219個波段信息。

2.5 變量篩選

將提取的219個遙感特征波段導入 ArcGIS 10.2軟件，與樣地點疊加，提取每個樣地點對應的遙感特征值，最后分析樣地生物量與各個遙感因子的相關性。利用SPSS軟件進行生物量與遙感因子的相關性分析，共計36個有遙感因子與生物量相關性顯著(p≤0.05)，如表2。將36個顯著遙感因子進行逐步篩選，變量選進的顯著性水平設定為進入p≤0.05，剔除p≥0.1，在SPSS軟件中，僅有ME7_7因子通過篩選。

表2 思茅松生物量與遙感因子相關性分析Tab.2 Correlation between Pinus kesiya biomass and the remote sensing factors

3 研究方法

3.1 普通最小二乘模型

普通最小二乘模型，其自變量與因變量的關系可以通過最小二乘方法來表示:

式中:β是利用數(shù)據(jù)估計出的模型系數(shù)，ε是模型殘差，且服從N(0，σ2)分布。參數(shù)β采用因變量與預測值之間的離差平方和為最小的方法來估計，可以表示為矩陣形式:

3.2 地理加權回歸模型

林業(yè)數(shù)據(jù)普遍存在空間非平穩(wěn)性，回歸參數(shù)在不同地理位置上都是變化的，如果采用傳統(tǒng)全局回歸模型，會導致生物量估算結果有偏［19］。地理加權回歸模型是基于普通全局回歸模型的擴展，將空間影響考慮到模型構建中，以距離權重的形式加入到模型之中，故地理加權回歸模型的基本形式為［8］:

式中:(ui，vi)表示i點處坐標，y(ui，vi)表示i點處的因變量，n表示樣本個數(shù)，xni表示第n個變量在i的值，β0表示截距，βn表示第n個變量的回歸參數(shù)，εi表示誤差項，通常假定其服從N(0，σ2)。

在此模型中，每個樣地點的回歸參數(shù)都是不同的，可使用空間距離權重函數(shù)的方法解決，其基本形式為［7］:

式中:Wi是點i處的空間權重對角線矩陣，Wi=diag(Wi0，Wi1，…，Win)。

由上式可以看出，解決GWR的參數(shù)估計問題，關鍵之處在于如何定義空間權重矩陣，也就是如何選擇空間權重函數(shù)。一般選擇廣泛應用的Guass函數(shù)法，其基本形式為［13］:

式中:b是bandwidth，即帶寬，是一個非負衰減參數(shù)用來表示權重與距離之間函數(shù)關系。

帶寬的過小或者過大，都會影響擬合精度。故在模型擬合過程中要不斷進行帶寬的選擇以確定最佳帶寬，常用的帶寬確定方法包括:交叉驗證法(CV)，Akaike準則(AIC)和貝葉斯信息準則(BIC)。本研究主要采用AIC方法來確定最佳帶寬。

AIC信息準則是在對最大似然原理進行修正的基礎上得到的。在一般情況下，假設模型的似然函數(shù)為L(θ，x)，θ的維數(shù)為p，x為隨機樣本，故AIC的定義為［13］:

式中:θ^

L為θ的最大似然估計，q為未知參數(shù)的個數(shù)。在帶寬判斷中，AIC值最小處的帶寬是最優(yōu)模型帶寬。

3.3 平穩(wěn)性檢驗

GWR模型是一種解決空間效應的方法模型，將模型更好地應用于實際問題時，還需要進行平穩(wěn)性統(tǒng)計檢驗。平穩(wěn)性檢驗包括:回歸關系的全局平穩(wěn)性檢驗和各回歸參數(shù)的平穩(wěn)性檢驗［18］。

1)全局平穩(wěn)性檢驗

檢驗GWR模型的擬合精度對比OLS模型有顯著提高，即檢驗假設:

若H0為真時，則認為對所給定數(shù)據(jù)集GWR模型和OLS模型無顯著差異，數(shù)據(jù)可用OLS模型進行擬合，從而回歸關系關于空間位置的變化是全局平穩(wěn)的。若H0為假，則拒絕該假設，GWR模型在擬合上顯著優(yōu)于OLS模型。

2)各回歸參數(shù)的平穩(wěn)性檢驗

該檢驗應用置信區(qū)間檢驗的方法，檢驗各回歸參數(shù)平穩(wěn)性。將GWR模型的局部參數(shù)與普通回歸模型的全局固定參數(shù)作對比，若局部估計的參數(shù)四分位值波動大于全局估計參數(shù)的兩倍標準誤值，則認為模型的參數(shù)是顯著非平穩(wěn)的。若某個參數(shù)變化不顯著，則應把該參數(shù)當作常數(shù)來處理和解釋。

3.4 模型評價與獨立性樣本檢驗

本研究模型評價主要是通過計算模型的決定系數(shù)(R2)、均方根誤差(RMSE)和AIC信息準則對構建的兩種模型(OLS和GWR)進行評價。

通過選取總體相對誤差(RS)、平均相對誤差(EE)、總體相對誤差絕對值(RMA)和預估精度(P) 4個指標進行模型的獨立性樣本檢驗。

式中:yi為實測值;y^i為估計值;n為樣本容量。

3.5 生物量反演

根據(jù)景谷縣2006年小班調查數(shù)據(jù)，提取思茅松小班分布圖，利用OLS和GWR模型確定的回歸參數(shù)和自變量特征值進行估算景谷縣思茅松林生物量數(shù)據(jù)。

4 結果分析

4.1 模型擬合

本研究借助SPSS軟件和GWR 4.0軟件分別對OLS和GWR模型進行擬合，選擇訓練樣本(71塊)對兩種模型進行擬合。在最優(yōu)自變量篩選時，采用逐步回歸方法，對選取與樣地生物量顯著相關的36個遙感因子進行逐步回歸和多重共線性分析，最后確定模型自變量為ME7_7。

在進行生物量建模時，將自變量與因變量進行對數(shù)變換，即假設模型為:

對數(shù)轉換后的數(shù)據(jù)容易進行統(tǒng)計處理，且經(jīng)對數(shù)轉換后的數(shù)據(jù)能滿足線性化的假設，可用線性模型理論估計生物量，使問題簡化。將確定的遙感因子參與建模，分別構建OLS和GWR模型。

圖2所示，GWR 4.0軟件選擇的GWR模型最佳帶寬，AIC值最小的點，帶寬最佳(b=15346.59m)

圖2 GWR模型最佳帶寬確定Fig.2 Selection of the optimal bandwidth for GWR model

表3 OLS和GWR模型擬合統(tǒng)計量Tab.3 Fitting statistics of both models by OLS and GWR

圖3 兩種模型殘差分布圖Fig.3 Distribution of the residuals

表3給出了2個模型4個評價指標，可以看出GWR模型的AIC值比OLS模型小7.832。根據(jù)經(jīng)驗，當GWR模型的AIC與OLS模型的AIC之差大于2時，則GWR模型相比于OLS模型更可靠，且GWR模型對比OLS模型的RMSE更小，R2更高，說明GWR模型的解釋能力優(yōu)于OLS模型。通過這些指標對比分析，GWR模型在模型擬合精度和預估上較OLS模型有一定程度改善。

表4 GWR模型方差分析Tab.4 Variance analysis of GWR

通過表4方差分析結果可以看出，GWR模型的殘差平方和由10.952降低到8.008，均方殘差降低了0.288，F(xiàn)值為2.113，表明GWR和OLS模型擬合效果顯著的不同。GWR模型要優(yōu)于OLS模型。

分別繪制了OLS模型和GWR模型的殘差分布圖(圖3)，GWR模型的殘差分布區(qū)間小于OLS模型的殘差分布，且GWR模型殘差絕對值大于1的只有一個點，OLS模型則有4個。說明GWR模型比OLS模型有更好的擬合效果。

4.2 平穩(wěn)性分析

GWR模型參數(shù)波動的劇烈程度是判斷模型參數(shù)在整個研究區(qū)內(nèi)是否有顯著變化的標準。若模型參數(shù)非平穩(wěn)性顯著，則表明該模型能更多地反應空間異質性。如表5和表6所示，根據(jù)置信區(qū)間檢驗方法，GWR模型截距上下四分位數(shù)值的差值(0.127)大于全局回歸模型截距的標準誤一倍范圍，波段ME7_7上下四分位數(shù)值的差值(0.056)小于全局回歸模型ME7_7回歸參數(shù)標準誤一倍范圍。說明截距回歸參數(shù)存在明顯的空間非平穩(wěn)性，ME7_7變量回歸參數(shù)雖然存在一定的空間非平穩(wěn)性，但并不顯著，ME7_7的回歸參數(shù)被考慮為常數(shù)項，β=－0.155。如圖4所示，截距回歸參數(shù)存在顯著的空間非平穩(wěn)性，故在進行局部回歸估計時，與OLS的全局參數(shù)對比，有劇烈波動。

表5 OLS模型全局回歸參數(shù)描述Tab.5 Descriptive statistics of the global regression parameters of OLS

表6 GWR模型回歸參數(shù)描述Tab.6 Descriptive statistics of the local regression parameters of GWR

圖4 兩種模型截距回歸參數(shù)曲線Fig.4 Regression parameter curve for GWR and OLS

4.3 獨立性樣本檢驗

從模型的擬合過程來看，地理加權回歸模型在估測研究區(qū)內(nèi)思茅松森林地上生物量空間分布上表現(xiàn)出較為明顯的優(yōu)勢。本文應用隨機抽樣的19個樣本對OLS和GWR模型進行獨立性樣本檢驗，進一步對比檢驗地理加權回歸模型與最小二乘模型的預測能力。從表7檢驗結果對比顯示:GWR模型在總相對誤差、平均相對誤差、總體相對誤差絕對值3個指標上對比OLS模型都有一定的降低，其預估精度則提高2.36%。說明GWR模型在擬合效果上優(yōu)于OLS模型，對森林生物量分布估測也更為精確。

表7 兩種模型獨立性檢驗Tab.7 The sample test of independence for the OLS and GWR models

4.4 景谷縣思茅松生物量反演

如表8所示:OLS模型估測思茅松單位面積生物量為45.77t/hm2，地上總生物量為1.962×107t; GWR模型估測單位面積生物量為49.02t/hm2，思茅松地上總生物量為2.101×107t，兩種模型思茅松地上生物量分布如圖5所示。依據(jù)樣地數(shù)據(jù)統(tǒng)計分析，景谷縣單位面積思茅松生物量為49.63t/hm2，OLS模型估測的單位面積生物量低于實測數(shù)據(jù)7.778%;GWR模型估測的單位面積生物量低于實測數(shù)據(jù)1.229%，GWR單位面積生物量估測值與實測值基本吻合。

表8 兩種模型反演結果Tab.8 Model reversion results for OLS and GWR models

圖5 景谷縣思茅松地上生物量分布圖Fig.5 Distribution of Simao Pine forest biomass in Jinggu county

5 結論與討論

通過擬合兩種模型進行對比，GWR模型的決定系數(shù)(R2)大于OLS模型，且GWR模型的AIC值較OLS模型有了一定的改善;通過獨立性樣本檢驗的4個指標可以看出，GWR模型在生物量估測精度上優(yōu)于OLS模型;GWR模型反演景谷縣思茅松地上總生物量為 2.101×107t，單位面積生物量為49.02t/hm2，同實測單位面積生物量基本吻合。GWR模型在模型擬合和預估精度上與劉暢［13］，戚玉嬌［14］，郭含茹等［15］通過GWR模型擬合林木地上生物量/碳密度時得到的結論是一致的。地理加權回歸模型考慮了數(shù)據(jù)集的空間位置信息，為分析回歸關系的空間特性創(chuàng)造了條件［8］。林業(yè)數(shù)據(jù)本身存在明顯的空間效應，通過地理加權回歸的方法擬合森林生物量，克服了空間異質性，擬合精度高于普通最小二乘模型。

本研究僅有一個遙感因子參與模型構建，主要因為:ME7_7因子與生物量的相關性達到－0.349，在0.01的顯著水平下呈最大負相關。同時在逐步回歸篩選中，也僅有ME7_7因子通過篩選。本研究在模型擬合過程中試圖引入其他顯著因子進行聯(lián)合構建，但多個聯(lián)合建模因子間存在多重共線性問題，使得GWR模型的擬合精度低于單因子建模精度，故在建模過程中只選取ME7_7。

地理加權回歸模型在估測森林生物量時，帶寬是影響估測精度的重要指標。本研究通過GWR 4.0軟件選擇Akaike信息準則和Gaussian函數(shù)法尋找最優(yōu)帶寬，在帶寬表現(xiàn)形式上有最佳固定距離和最佳臨近點，帶寬選擇方法上還有截尾bi-square函數(shù)法，在最佳帶寬驗證上還有交叉驗證準則(CV)等，不同的方法選擇的帶寬大小也不盡相同，而帶寬影響擬合精度。針對不同的研究區(qū)域，不同的研究數(shù)據(jù)選擇合適的方法和驗證指標確保GWR模型估測精度，將是進一步研究的方向。

［1］Brown S，Sathaye J，Cannell M，et al．Mitigation of carbon emissions to the atmosphere by forest management［C］//Proceedings of the IEICE General Conference．Japan:The Institute of Electronics，Information and Communication Engineers，1996:9735－9746．

［2］岳彩榮．香格里拉縣森林生物量遙感估測研究［D］．北京林業(yè)大學，2012．

［3］國慶喜，張鋒．基于遙感信息估測森林的生物量［J］．東北林業(yè)大學學報，2003，31(2):13－16．

［4］曾晶，張曉麗．高分一號遙感影像下嶗山林場林分生物量反演估算研究［J］．中南林業(yè)科技大學學報，2016(1):46－51．

［5］李明詩，譚瑩，潘潔，等．結合光譜、紋理及地形特征的森林生物量建模研究［J］．遙感信息，2006(6):6－9．

［6］孫雪蓮，舒清態(tài)，歐光龍，等．基于隨機森林回歸模型的思茅松人工林生物量遙感估測［J］．林業(yè)資源管理，2015(1):71－76．

［7］玄海燕，羅雙華，王大斌．GWR模型中權函數(shù)的選取與窗寬參數(shù)的確定［J］．甘肅聯(lián)合大學學報:自然科學版，2008，22(3):10－12．

［8］玄海燕，黎鎖平，劉樹群．地理加權回歸模型及其擬合［J］．甘肅科學學報，2007，19(1):51－52．

［9］Zhang L，Shi H．Local modeling of tree growth by geographically weighted regression［J］．Forest Science，2004，50(2):225－244．

［10］Zhang L，Ma Z，Guo L．Spatially assessing model errors of four regression techniques for three types of forest stands［J］．Forestry: Oxford，2008，81(2):209－225．

［11］Fotheringham A S，Brunsdon C，Charlton M．Geographically Weighted Regression:the analysis of spatially varying relationships［J］．American Journal of Agricultural Economics，2004，86(7): 554－556．

［12］Brunsdon C，F(xiàn)otheringham A S，Charlton M．Geographically Weighted Regression:a method for exploring spatial nonstationarity［J］．Stata Technical Bulletin，1996，28(4):281－298．

［13］劉暢．黑龍江省森林碳儲量空間分布研究［D］．哈爾濱:東北林業(yè)大學，2014．

［14］戚玉嬌．大興安嶺森林地上碳儲量遙感估算與分析［D］．哈爾濱:東北林業(yè)大學，2014．

［15］郭含茹，張茂震，徐麗華，等．基于地理加權回歸的區(qū)域森林碳儲量估計［J］．浙江農(nóng)林大學學報，2015，32(4):497－508．

［16］胥輝，張會儒．林木生物量模型研究［M］．云南科技出版社，2002．

［17］胥輝，岳彩榮，基于遙感技術的香格里拉縣森林景觀變化與森林生物量估測研究［M］．云南科技出版社，2014．

［18］玄海燕，王靜．地理加權回歸模型的平穩(wěn)性檢驗［J］．甘肅聯(lián)合大學學報:自然科學版，2006，20(5):10－12．

［19］張博，歐光龍，孫雪蓮，等．空間效應及其回歸模型在林業(yè)中的應用［J］．西南林業(yè)大學學報，2016，36(3):144－152．

Remote Sensing Estimation of Biomass of Pinus kesiya var.langbianensis by Geographically Weighted Regression Models

LYanyu，LI Chao，OU Guanglong，XIONG Hexian，WEI Anchao，ZHANG Bo，XU Hui
(Key Laboratory of State Forestry Administration on Biodiversity Conservation in Southwest China，Southwest Forestry University，Kunming 650224，Yunnan China)

The Biomass model of Simao pine(Pinus kesiya var.langbianensis)was built based on the data collected from 120 Simao pine sampling trees，Landsat TM images in 2005 and the data of forest resource inventory in 2006 in Jinggu County，Yunnan Province.Then the remote sensing biomass estimation Model of Simao Pine were built by the ordinary least square(OLS)and geographically weighed regression(GWR) .The results showed that:GWR model had a better fitting effect than OLS，in which coefficient of determination(R2)was significantly bigger than the OLS model，Akaike information index(AIC)reduced by 7.832;It was obviously depicted from the sample test of independence that model prediction accuracy was improved from 72.70%(OLS)to 75.06%(GWR).The unit-area biomass was 49.02t/hm2by inversion，and basically consistent with the measured data;it was lower than the measured data 1.229%，and less than the estimation value of OLS.The total biomass of Simao pine in Jinggu County was 2.101×107t based on GWR model.The study indicated that forest aboveground biomass estimation based on geographically weighed regression(GWR)model could improve effectively the fitting accuracy of forest biomass estimation model，and could be used to estimate the biomass of Simao pine forest by remote sensing.

Pinus kesiya var.langbianensis，biomass，remote sensing，ordinary least square(OLS)，Geographically Weighted Regression(GWR)

S718.55;S771.8

A

1002－6622(2017)01－0082－09

10．13466/j．cnki．lyzygl．2017．01．015

2016－11－15;

2016－12－09

國家林業(yè)公益性行業(yè)科研專項項目(201404309);國家自然科學基金項目(31560209);西南林業(yè)大學博士科研啟動基金(111416)

閭妍宇(1991－)，男，湖北監(jiān)利人，在讀碩士，主要研究方向:3S技術在林業(yè)中的應用。Email:395778724@qq.com

胥輝(1960－)，男，博士，教授，主要從事森林計測學方面的研究。Email:zyxy213@126.com