基于SPOT-7影像的馬尾松生物量估測模型研究

鄭冬梅，夏朝宗，王海賓，陳 健，侯瑞萍

（1.國家林業(yè)局 調查規(guī)劃設計院，北京 100714；2.北京林業(yè)大學 林學院，北京 100083）

森林生物量作為陸地生態(tài)系統(tǒng)的重要組成部分，是森林植被長勢監(jiān)測的一個重要因子[1-2]，是森林可持續(xù)經營和生態(tài)環(huán)境監(jiān)測的重要內容，在全球碳儲量估測、碳儲量循環(huán)以及碳收支平衡方面具有重要的地位[3-4]。準確地估測森林生物量對森林經營管理、生態(tài)環(huán)境保護建設以及全球碳儲量循環(huán)具有重要意義[5-6]。

森林生物量的估算主要有兩種方法[3,4,6]：一是以野外實際調查數(shù)據為基礎進行估算，這種方法調查勞動強度大，成本較高，只能獲得調查點上的數(shù)據，不具有空間連續(xù)性特點；二是采用遙感技術進行估算，此方法具有宏觀、快速以及可重復等特點，并且影像的光譜信息具有連續(xù)性，有利于估算和研究森林生物量及其空間分布特征，與傳統(tǒng)調查方法相比更具有優(yōu)勢。應用遙感技術估算森林生物量的研究大多是基于衛(wèi)星影像獲取的信息與樣地實測生物量之間構建數(shù)學模型來估算森林生物量[3,4,6,20-21]，其研究主要呈現(xiàn)兩個特點：一是采用不同遙感數(shù)據源進行估測（如光學遙感數(shù)據、微波和雷達數(shù)據）；二是研究方法的多樣性，主要分為參數(shù)（如多元回歸等）、非參數(shù)（如k近鄰、人工神經網絡等）和機理模型等方法。

法國SPOT-7衛(wèi)星于2014年6月30日在印度達萬發(fā)射中心用印度極軌運載火箭成功發(fā)射[10]，它將高空間分辨率、高時間分辨率等優(yōu)勢集合于一體，提供了高分辨率的多光譜（6 m）和全色波段（1.5 m）影像數(shù)據，為森林生物量估測提供了新的數(shù)據源。本研究選取廣東肇慶地區(qū)廣泛分布的馬尾松林為研究對象，基于SPOT-7多光譜影像構建馬尾松生物量估測模型，挖掘SPOT-7影像在生物量模型構建中的應用潛力，這對探討SPOT-7衛(wèi)星影像的應用、降低野外調查成本均具有重要意義。

1 研究材料

1.1 研究區(qū)概況

研究區(qū)域位于廣東省肇慶市懷集縣和廣寧縣，地理位置介于E111°58′～112°16′，N 23°29′～24°00′之間。該區(qū)屬南亞熱帶季風氣候，年平均氣溫21.2℃，1月份平均氣溫約12 ℃，7月份平均氣溫約28.7 ℃。年平均降水量為1 650 mm，主要集中在4—9月，年蒸發(fā)量1 300 mm以上，無霜期310～345 d。該區(qū)主要森林類型有桉樹林、馬尾松林、油杉林、針葉混交林、闊葉混交林、針闊混交林。主要喬木有桉樹Eucalyptus robusta、馬尾松Pinus massoniana、油杉Kereleeria fortune、濕地松Pinus elliottii等。本研究選取肇慶地區(qū)廣泛種植的馬尾松為研究對象，區(qū)內馬尾松林多為人工植苗造林，林齡為異齡結構，平均胸徑為16.2 cm，平均郁閉度為0.6，林下草本主要植被有芒萁Dicranopteris dichotoma和芒Miscanthus sinensis。

1.2 研究數(shù)據及預處理

1.2.1 地面數(shù)據及輔助數(shù)據

本研究依據土地利用、土地利用變化與林業(yè)碳匯計量監(jiān)測技術指南，以抽樣調查理論為基礎，在研究區(qū)范圍內從碳匯監(jiān)測樣地中獲取馬尾松建模樣本共計67個，其中樣本形狀為正方形，面積大小為600 m2，獲取時間為2014年5月。樣本屬性包括優(yōu)勢樹種（組）、公頃蓄積（活立木）、喬木林每公頃生物量等內容，其中喬木林每公頃生物量包括地上和地下兩部分，地上生物量通過樣本公頃蓄積（活立木）乘以生物量轉換因子計算獲取，地下生物量采用地上生物量和喬木林根莖比計算獲取。

輔助數(shù)據包括數(shù)字高程模型（DEM），采用覆蓋研究區(qū)的1∶50 000等高線數(shù)據生成柵格DEM模型，用于提取研究區(qū)的海拔、坡度、坡向信息，作為構建馬尾松生物量模型的地形因子。

1.2.2 SPOT-7影像及預處理

研究采用的是2014年5月12日獲取的SPOT-7衛(wèi)星影像數(shù)據，基本無云，影像質量較好，其衛(wèi)星參數(shù)詳見表1。本研究使用ENVI軟件，參照已校正過的航片數(shù)據（0.5 m），對SPOT-7影像進行預處理，具體過程包括輻射定標、大氣校正、正射校正與裁剪，校正誤差控制在1個像元以內。

2 研究方法

2.1 建模變量設置及優(yōu)選

遙感影像的植被信息是通過綠色植物葉片和植被冠層光譜特性及其變化差異反映的[12]。不同光譜通道所獲得的植被信息與植被的要素或某種特征狀態(tài)存在相關性，這種相關性可以定性和定量的估測植被覆蓋、生長活力以及生物量等信息。以往的研究[12,17-18]表明，高分辨率影像的光譜特征、比值波段以及地形因子等信息對生物量的估測存在不同程度的影響，因此本研究選擇SPOT-7多光譜數(shù)據的單波段、比值波段[16]、坡度、坡向等因子作為構建馬尾松生物量模型的自變量因子。選取的變量見表2。

影像紋理特征在估算森林生物量方面也顯示出較好的適用性[17-18]。紋理是一個非常復雜的空間屬性，易受到傳感器觀測角度以及觀測對象所處環(huán)境的不同而產生較大的變化[17]，此外紋理特征的度量易受到窗口大小、方向以及步長的影響。為探究SPOT-7多光譜波段紋理特征的應用潛力，本研究分別設置步長和紋理方向為1和135?，提 取 了 9種 窗 口（3×3、5×5、7×7、9×9、11×11、13×13、15×15、17×17、19×19） 下的8種影像紋理特征（見表2），并與馬尾松生物量進行相關性分析，確定最優(yōu)的紋理特征和提取窗口，用于構建馬尾松生物量模型。

在參與構建馬尾松生物量估測模型的變量因子中，有些因子往往對模型構建無顯著影響，因此需要對變量進行篩選，優(yōu)選出貢獻較大的變量因子用于模型構建。本研究利用SPSS20.0軟件，采用皮爾森相關系數(shù)法進行篩選，根據各變量與樣地生物量的相關系數(shù)和顯著性確定建模變量。

基于變量優(yōu)選結果，分別生成光譜特征、紋理特征、光譜和紋理特征3種自變量集，作為馬尾松模型構建的自變量因子集，綜合分析對比3種自變量集的估測效果。

2.2 建模方法

本研究采用偏最小二乘回歸法建立馬尾松生物量估測模型。偏最小二乘回歸法是伍德（S. Wold）和阿巴諾（C. Albano）于1983年提出的一種新型的多元統(tǒng)計方法，它集多元回歸分析、典型相關分析和主成分分析的優(yōu)點于一體，可以有效地解決多元回歸分析中的變量多重相關性及噪聲問題[24-26]，近年來被逐漸地應用到森林參數(shù)的估計上[3,27-28]。

以單因變量為例闡述其基本建模思想：設有因變量Y和k個自變量{X1，X2，…，Xk}，樣本個數(shù)為n，構成因變量和自變量的矩陣[u]n×1和X[X1，X2，…，Xk]n×k，在Y與X相關矩陣中提取第一個主成分t1，t1是X1，X2，…，Xk的線性組合，要求t1盡可能多地攜帶X中的變異信息，同時與Y的相關性最大。這就要求有個能夠度量X信息、又能最好地解釋Y的準則。此時采用交叉有效性原則，采用度量因子進行評價：

2.3 模型評價

采用隨機抽樣方法，選取馬尾松樣本中的70%為建模樣本，與優(yōu)選的3種自變量集分別構建馬尾松生物量模型，30%為檢驗樣本，進行模型評價。模型精度采用決定系數(shù)（R2）、誤差平均值（AE）、均方根誤差（RMSE）和總預報偏差的相對誤差（RE）4個指標來評價。指標計算公式如下：式中：yi為蓄積量實測值；i為蓄積量預測值；為蓄積量實測值平均值；n為樣本個數(shù)。

3 研究結果

3.1 自變量的篩選

依據皮爾森相關系數(shù)分析法中的相關系數(shù)和顯著性分析，在本研究提取的26個變量因子中，與馬尾松生物量存在極顯著相關的變量因子有10個（P＜ 0.01），包括光譜特征因子9個（X1、X2、X3、X4、X6、X8、X11、X14、X15）和紋理特征1個（X16，包括不同窗口下的各波段紋理特征），地形因子與生物量在研究區(qū)域內未顯示出顯著相關性（P＞0.05），因此未參與模型的構建。提取的自變量與馬尾松生物量的相關系數(shù)情況見表3。

表3 自變量與馬尾松生物量的相關系數(shù)?Table3 Correlation coefficients between independent variables and biomass

由表3可知，提取的均值紋理特征（Mean）在4個波段9種窗口下與馬尾松生物量均顯示出極顯著的負相關關系，為優(yōu)選最佳估測窗口，本文中進一步對紋理窗口進行分析，結果見圖1。由圖1可知，隨著紋理窗口的增大，藍、綠、紅三個波段的相關系數(shù)呈現(xiàn)增大的趨勢，近紅外波段的相關系數(shù)呈現(xiàn)減小的趨勢。以往的研究[19]表明，紋理窗口大小與樣地面積大小相近時，估測效果較好，而本文中，除近紅外波段以外，生物量與紋理特征的相關系數(shù)隨窗口的增大而變小，考慮到4個波段紋理窗口與馬尾松生物量相關系數(shù)的變化趨勢，本研究確定3×3窗口（大小與樣地面積相近）為最優(yōu)估測窗口，篩選出X16B-3、X16G-3、X16R-3、X16NIR-34個紋理特征因子，用于構建馬尾松生物量模型。

圖1 相關系數(shù)隨紋理窗口的變化趨勢Fig.1 Correlation coef ficient changes trend with the size of the texture window

3.2 馬尾松生物量估測模型的構建

3.2.1 基于光譜特征的模型構建

使用MATLAB軟件，利用總體樣本的70%構建模型，依據優(yōu)選的光譜特征因子（X1、X2、X3、X4、X6、X8、X11、X14、X15），采 用偏最小二乘回歸方法構建馬尾松生物量估測模型，模型的表達式為B1=74.645 3-0.037 7X1-0.019 7X2-0.030 2X3+0.028 6X4-0.032 8X6+0.011 5X8-0.010 2X11-0.032 9X14-0.007 9X15。利用剩余的30%樣本對生成的模型進行精度驗證，結果見表4和圖2。模型經驗證分析可知，基于光譜特征構建的馬尾松生物量估測模型的R2為0.81，RMSE為15.30 t/hm2，AE為-5.65%，RE為9.30%。

表4 3種建模方法的精度比較Table4 Comparisons of precision by three models

圖2 馬尾松生物量預測值與實測值的擬合曲線Fig.2 Fitting curves of predicted and measured values of Masson pine biomass

3.2.2 基于紋理特征的模型構建

根據優(yōu)選的3×3窗口下4個波段的紋理特征因子（X16B-3、X16G-3、X16R-3、X16NIR-3）， 利 用MATLAB軟件，采用偏最小二乘回歸方法構建馬尾松生物量估測模型，其表達式為B2=73.313 7-0.053 8X16B-3-0.048 9X16B-3-0.046 4X16B-3+0.030 4X16B-3，利用驗證樣本對模型進行驗證，模型精度評價見表4和圖2。由表4和圖2可知，基于紋理特征構建的馬尾松生物量估測模型的R2為0.84，RMSE為 15.69 t/hm2，AE為 -4.43%，RE為7.78%。

3.2.3 基于光譜和紋理特征的模型構建

基于構建的光譜和紋理特征因子，利用MATLAB軟件，建立基于偏最小二乘回歸法構建的馬尾松生物量估測模型，并對構建的模型進行驗證。模型表達式為B3=74.391 6-0.023 9X1-0.013 1X2- 0.017 8X3+0.015 9X4-0.022 2X6+0.004 0X8-0.009 2X11-0.020 7X14-0.005 8X15-0.018 5X16B-3-0.014 9X16B-3-0.018 6X16B-3+0.017 1X16B-3。模型的精度評價結果見表4和圖2。由表4和圖2可知，基于光譜和紋理特征構建的馬尾松生物量估測模型的R2為0.83，RMSE為15.24 t/hm2，AE為-5.27%，RE為8.67%。

3.2.4 3種模型的比較分析

基于3種自變量集構建的馬尾松生物量估測模型的驗證結果見表4和圖3。由表4和圖3可知，基于光譜特征構建的模型R2最小，為0.81，RMSE為15.30 t/hm2，處于居中，AE和RE最大，分別為-5.65 t/hm2、9.30%；基于紋理特征構建的模型R2和RMSE最大，AE和RE最小，分別為0.84、15.69 t/hm2、-4.73 t/hm2、7.78%；基于光譜和紋理特征構建的模型R2、AE、RE分別為0.83、-5.27 t/hm2、8.67%，處于居中，RMSE最小，為15.24 t/hm2。由以上分析可知，基于紋理特征構建的模型精度最好，基于光譜特征構建的模型精度最低，而結合光譜和紋理特征所構建的模型并未出現(xiàn)較大程度的改善，由此可知，綜合考慮評價指標的情況，基于紋理特征構建的模型效果最佳。

圖3 3種模型的評價指標對比Fig.3 Comparison of three model evaluation indexes

4 結論與討論

本研究基于SPOT-7多光譜影像和碳匯監(jiān)測樣地中的馬尾松生物量數(shù)據，采用皮爾森相關系數(shù)法提取出相關性極顯著的因子，建立基于光譜特征、紋理特征、光譜與紋理特征相結合的3種自變量集，并采用偏最小二乘回歸法構建馬尾松生物量估測模型并進行了對比分析，結論及討論如下。

（1）在采用3種自變量集構建的模型中，3種模型均獲得了較好的估測效果，其中基于紋理特征構建的馬尾松生物量估測模型最好，結合光譜和紋理特征所構建的模型次之，基于光譜特征構建的模型精度最低。這說明SPOT-7多光譜影像的光譜及紋理特征在估測馬尾松生物量方面具有較好的應用潛力。

（2）在本文中構建的馬尾松生物量模型中，基于光譜特征構建的模型估測精度最低，當加入紋理特征后，所構建的模型估測精度提高，這說明紋理特征具有改善估測模型的作用。

（3）相關研究[17,18]表明，遙感影像的光譜信息可以較好反映地面的植被生物量信息，但估測效果易受到地形以及樹冠陰影的影響，尤其是在生物量飽和的情況下難以獲取較為準確的估測，紋理特征則不受以上限制因素的影響，在一定程度上可以保證模型的估測精度。

（4）影像全色波段的紋理特征在一定程度上能夠提高森林結構參數(shù)的估測精度[7,9,17]，而本研究未采用SPOT-7影像全色波段的紋理特征來參與構建馬尾松生物量模型，在后續(xù)的研究中可考慮全色波段紋理特征來構建生物量模型并驗證其是否適用。