基于高分二號的旺業(yè)甸林場蓄積量估測模型研究

劉兆華，林 輝，龍江平，李新宇

（中南林業(yè)科技大學(xué) a.林業(yè)遙感的數(shù)據(jù)與生態(tài)安全湖南省重點實驗室；b.林學(xué)院，湖南 長沙 410004）

森林蓄積量調(diào)查是林業(yè)的一項重要工作[1]。隨著遙感技術(shù)的發(fā)展，將遙感數(shù)據(jù)與地面數(shù)據(jù)相結(jié)合進行建模，估測出森林蓄積量并繪制出其分布圖，是未來森林蓄積量的主要獲取方法。

森林蓄積量遙感估測目前國內(nèi)外已有大量的研究[2]，遙感數(shù)據(jù)源主要有兩個方面:一是光學(xué)遙感數(shù)據(jù)，主要有Landsat 系列，SPOT 系列、MODIS 以及國產(chǎn)的高分衛(wèi)星和資源三號衛(wèi)星等；二是微波遙感數(shù)據(jù)，包括激光雷達數(shù)據(jù)和合成孔徑雷達數(shù)據(jù)等。模型方法從偏最小二乘、逐步回歸等傳統(tǒng)參數(shù)模型，到近幾年逐漸興起的機器學(xué)習(xí)算法，包括隨機森林、神經(jīng)網(wǎng)絡(luò)、支持向量機等[3]。但普遍估測的精度較低，泛化能力較差，難以滿足生產(chǎn)要求。因此，如何構(gòu)建泛化能力強、精度高的森林蓄積量反演模型，是林業(yè)遙感領(lǐng)域中急需解決的問題[4]。

近年來，許多學(xué)者開始利用機器學(xué)習(xí)的方法對蓄積量進行估測，大多以TM、ETM、SPOT5等國外遙感衛(wèi)星數(shù)據(jù)為數(shù)據(jù)源，而國產(chǎn)遙感衛(wèi)星數(shù)據(jù)源的研究相對較少。本研究采用國產(chǎn)GF-2 衛(wèi)星數(shù)據(jù)作為數(shù)據(jù)源，使用BP-神經(jīng)網(wǎng)絡(luò)（BP-ANN）、隨機森林（RF）、K 鄰近算法（KNN）、支持向量機（SVM）和多元線性回歸（MLR）5 種方法，構(gòu)建森林蓄積量的反演模型，并進行精度評價。

1 研究材料

1.1 研究區(qū)概況

旺業(yè)甸林場位于內(nèi)蒙古赤峰市喀喇沁旗西南部（118°09′～118°30′E，41°21′～41°39′N），如圖1 所示。林場主要地貌為中山山地和低山山地，地勢西南高東北低，平均海拔800～1 890 m。旺業(yè)甸林場的人工林樹種以落葉松Larix gmelinii、油 松Pinus tabuliformis、樟子松Pinus sylvestrisvar.mongolica、云杉Picea asperata和紅松Pinus koraiensis為主，天然次生林樹種以白樺、山楊、蒙古櫟為主，林場森林蓄積的年平均年生長量為4.5 萬m3[5-6]。

圖1 研究區(qū)位置Fig.1 Location of the study area

1.2 據(jù)的獲取及處理

1.2.1 外業(yè)數(shù)據(jù)的獲取

在旺業(yè)甸林場內(nèi)設(shè)置90個25 m×25 m 樣地，2017年9月完成外業(yè)調(diào)查。其中，落葉松樣地42 塊，油松樣地39 塊，非林樣地9 塊，樣地分布如圖2所示。由于部分樣地在遙感影像中被云覆蓋，無法準(zhǔn)確的提取該樣地對應(yīng)的遙感因子，因此將其作為異常樣本剔除，最后得到合格樣地75 塊，其中32塊落葉松樣地、36 塊油松樣地及7個非林樣地。

1.2.2 高分二號影像處理

研究所使用的GF-2 衛(wèi)星遙感數(shù)據(jù)獲取時間為2017年9月，包括4 景多光譜影像和4 景全色影像，在ENVI5.3 軟件中實現(xiàn)GF-2 影像的預(yù)處理，包括:輻射定標(biāo)、大氣校正、正射校正、幾何校正以及地形校正[7-8]。由于高分二號影像分辨率為1 m，而樣地大小為25 m×25 m，為了使樣地的DN 值與樣地的蓄積量一一對應(yīng)起來，利用ARCGIS 軟件生成樣地邊界的矢量文件，并統(tǒng)計每個樣地內(nèi)的所有像元DN 值的平均值作為樣地的遙感因子，這樣就建立了像元的DN 值與樣地蓄積量一一對應(yīng)的關(guān)系[9]。

2 研究方法

2.1 遙感因子的提取與篩選

研究所提取的遙感因子包括GF-2 的4個單波段因子、通過4個波段計算得到的植被指數(shù)以及每個波段的8 種紋理特征[10-11]在內(nèi)共43個遙感因子，分別計算各因子與蓄積量之間的Pearson 相關(guān)系數(shù)[12]，最后選擇出與蓄積量顯著相關(guān)的因子作為建模時的自變量，如表1 所示，其中B2 為GF-2影像綠色波段，DVI 為差值植被指數(shù)（Difference vegetation index），EVI 為增強型植被指數(shù)，NDVI為歸一化植被指數(shù)，B2_mean 和B3_mean 分別為綠色和紅色波段灰度共生矩陣的均值[13-14]。

圖2 樣地分布Fig.2 Sample plot distribution

表1 自變量與蓄積量的相關(guān)系數(shù)Table 1 Correlation coefficient between independent variable and accumulation

2.2 蓄積量估測模型的構(gòu)建

實驗中使用與蓄積量顯著相關(guān)的遙感因子，構(gòu)建了BP-ANN、SVM、RF、KNN4 種機器學(xué)習(xí)模型以及1 種多元線性回歸模型。BP 神經(jīng)網(wǎng)絡(luò)模型的基本原理是通過調(diào)整輸入節(jié)點與隱層節(jié)點的聯(lián)接強度取值W 和隱層節(jié)點與輸出節(jié)點之間的聯(lián)接強度T 以及閾值，使誤差沿梯度方向下降，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，找到預(yù)測結(jié)果誤差最小時的權(quán)值和閾值[15-16]；SVM 的主要思想是將低維空間中的x 用非線性函數(shù)拯射到一個高維特征空間cp(x)，在高維空間中尋求線性回歸超平面從而解決低維空間中的非線性問題，在構(gòu)建SVM 模型時，要考慮其內(nèi)核函數(shù)以及懲罰參數(shù)[17-18]；RF 是一種基于決策樹的集成算法，Breiman 在2001年對RF進行了一個詳細(xì)的描述，在構(gòu)建RF 時，要考慮到?jīng)Q策樹的數(shù)量以及節(jié)點[19-20]；KNN 是一種根據(jù)K個鄰居的加權(quán)平均值來預(yù)測樣本的方法，其關(guān)鍵點在于如何選擇最佳的K 值[21]。

本次實驗設(shè)置BP-ANN 模型的迭代次數(shù)為1 000 次，學(xué)習(xí)率為0.1，收斂目標(biāo)為0.000 1；SVM 模型的核函數(shù)為高斯核函數(shù)，其表達式為其中σ 為可調(diào)參數(shù)，懲罰參數(shù)C 為1 000，gamma 為0.000 2；RF 模型的ntree 為500；KNN 模型的K 值從2 開始循環(huán)到50，得到當(dāng)K 值為6 時，模型的精度最好，所以本次實驗的K 值為6，距離為歐式距離。

2.3 模型精度評價

模型檢驗使用留一交叉方法進行精度驗證，分別計算決定系數(shù)（R2）、均方根誤差（RMSE）、相對均方根誤差（RRMSE%）、3個指標(biāo)對模型進行評價[22]，3個評價指標(biāo)公式如下：

其中yi為樣地蓄積量的估測值，y為樣地蓄積量的實測值，為樣地蓄積量實測值的平均值，N為樣地總數(shù)。

3 結(jié)果與分析

通過實測值和估測值散點圖以及殘差圖來檢驗?zāi)Ｐ偷臄M合效果，結(jié)果如圖3 所示。根據(jù)5 種模型的估測結(jié)果來看，其中機器學(xué)習(xí)模型都取得了較好的擬合結(jié)果（R2均達到0.6 左右），并對于非林樣地的估測值都比較準(zhǔn)確，但傳統(tǒng)的線性回歸模型擬合結(jié)果并不理想（R2僅為0.47），且對于非林樣地的估測偏差較大。為了進一步評價5種模型對蓄積量的估測結(jié)果，分別計算并統(tǒng)計各模型的R2、RMSE 和RRMSE%（表2）。

圖3 5 種模型的反演結(jié)果Fig.3 Inversion results of five models

表2 模型匯總Table 2 Model summary

由表2 可知，4 種機器學(xué)習(xí)模型相比于MLR模型，得到了更好的擬合關(guān)系，其中RF 模型的擬合度最高，其R2達到0.66；4 種機器學(xué)習(xí)模型的估測精度明顯高于MLR 模型，它們的相對均方根誤差要比MLR 模型低5%～10%，其中，RF 模型得到了最好的結(jié)果，其均方根誤差為55.2 m3/hm2， 相對均方根誤差為28.1%。

利用構(gòu)建的RF 模型對整個研究區(qū)的林分蓄積量進行反演，得到旺業(yè)甸林場蓄積量分布圖，如圖4 所示。從圖中可以看出，研究區(qū)中蓄積量最大值為359.6 m3/hm2，最小值為0，沒有出現(xiàn)負(fù)值，并且蓄積量主要分布在林場的東南部與西部地區(qū)，東北部與西北部地區(qū)蓄積量較少，符合實際調(diào)查結(jié)果。

圖4 旺業(yè)甸林場蓄積量分布Fig.4 Distribution of the accumulation volume of Wangyedian forest farm

4 結(jié)論與討論

本次研究以內(nèi)蒙古省旺業(yè)甸林場作為研究區(qū)，使用GF-2 遙感數(shù)據(jù)并結(jié)合地面調(diào)查的75個樣本，構(gòu)建了RF，KNN，SVM，ANN 和MLR5 種森林蓄積量估測模型，并采用留一交叉方法進行了精度檢驗，得到了以下結(jié)論:

1）本次實驗提取了GF-2 影像的6 種植被指數(shù)以及4個波段的8 種紋理特征用于構(gòu)建林分蓄積量模型，并得到了較好的擬合結(jié)果，說明使用GF-2 遙感數(shù)據(jù)進行林分蓄積量的估測是可行的。

2）由本文結(jié)果可知，在構(gòu)建林分蓄積量模型的過程中，機器學(xué)習(xí)的方法明顯優(yōu)于傳統(tǒng)的線性回歸方法，并且RF 模型取得了最好的估測結(jié)果，其均方根誤差為55.2 m3/hm2，相對均方根誤差為28.1%。

在本研究中，GF-2 數(shù)據(jù)在估測蓄積量中表現(xiàn)出了巨大的應(yīng)用潛力，實驗中選擇了RF、KNN、SVM 和ANN4 種機器學(xué)習(xí)算法進行了旺業(yè)甸林場的蓄積量反演并于傳統(tǒng)的線性回歸模型進行比較，為以后的蓄積量估測研究提供了一定的參考價值?？赡苡捎跇颖玖枯^少的原因，SVM 和ANN 模型還并未完全發(fā)揮出其預(yù)測能力，并且研究中僅僅使用單一模型進行蓄積量的估測，在后續(xù)的研究中可以將集成學(xué)習(xí)的思想加入進來，將幾種機器學(xué)習(xí)模型結(jié)合為一個集成學(xué)習(xí)器，使得每一種算法在估測蓄積量中均有所貢獻。與同類研究相比，本次實驗所選擇的回歸模型較多，并且模型驗證方法使用留一交叉驗證，因此本實驗的結(jié)果更具有說服力。但研究樣本僅為研究區(qū)的優(yōu)勢樹種油松和落葉松，所以本次實驗對于針葉林的蓄積量估測具有一定的參考價值，對于闊葉林和針闊混交林是否適用還有待進一步研究。