基于landset8遙感影像數(shù)據(jù)的森林蓄積量反演

馮 凱,劉昌華，彭詞清

(1.河南理工大學(xué) 測繪工程學(xué)院，河南 焦作 454150;2.廣東省嶺南綜合勘察設(shè)計院，廣東 廣州 510000)

森林作為林業(yè)產(chǎn)業(yè)基礎(chǔ)與生態(tài)系統(tǒng)主體，是地球上最大、最重要的陸地生態(tài)系統(tǒng)。它是地球上的碳儲庫、能源庫、蓄水庫和基因庫，在全球生態(tài)系統(tǒng)平衡中發(fā)揮著重要作用，是人類和多種物種賴以生存和發(fā)展的基礎(chǔ)，其數(shù)量與質(zhì)量是決定森林經(jīng)濟效益與生態(tài)系統(tǒng)服務(wù)功能的關(guān)鍵[1]。為了及時準確地掌握國家森林資源狀況，我國通過系統(tǒng)抽樣方法進行了每5年一次的森林資源連續(xù)清查(一類調(diào)查)、每10年1次的森林資源規(guī)劃設(shè)計調(diào)查(二類調(diào)查)以及作業(yè)設(shè)計調(diào)查(三類調(diào)查)等獲取森林資源數(shù)量現(xiàn)狀。[2]森林資源檢測不管是從生態(tài)角度考慮還是從林產(chǎn)品的角度看，傳統(tǒng)的檢測周期過長已經(jīng)無法滿足實際需求，為此，許多國家如美國，奧地利、芬蘭、法國、瑞典等從二十世紀90年代開始實施森林資源年度監(jiān)測(annual forest invenotyr)項目[3]。國外對于森林蓄積量的研究更傾向于應(yīng)用雷達數(shù)據(jù)進行反演建模，這種方法很有針對性，但是反演回歸的普適性不高[4]。隨著遙感技術(shù)的發(fā)展，基于遙感影像與少量樣地數(shù)據(jù)的森林蓄積量估測方法得到國內(nèi)外學(xué)者的廣泛研究如何提高森林蓄積量估測模型的準確度已經(jīng)成為林業(yè)遙感新的研究熱點[5]。在神經(jīng)網(wǎng)絡(luò)模型中，閾值和權(quán)值對于網(wǎng)絡(luò)的的準確性有重要的影響，基于此，選擇POS算法與神經(jīng)網(wǎng)絡(luò)結(jié)合的模型，粒子群算法(簡稱POS)主要是通過粒子的不斷迭代來找到粒子的最優(yōu)速度和位置，從而最后找到粒子的最優(yōu)解[6]。在POS算法中，每一個粒子代表神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，通過粒子尋優(yōu)找到網(wǎng)絡(luò)最佳的權(quán)值和閾值。POS算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合可以實現(xiàn)對一個復(fù)雜問題的擬合，得到更加精確的模型。經(jīng)過POS算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化初始權(quán)值和閾值，使神經(jīng)網(wǎng)絡(luò)得到的模型更加精確，通過神經(jīng)網(wǎng)絡(luò)得出的網(wǎng)絡(luò)參數(shù)，為研究區(qū)的蓄積量調(diào)查提供參考，倘若擬合度達到要求精度則可以減少外業(yè)調(diào)查工作量。經(jīng)過查閱相關(guān)資料，選擇landset8系列數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)反演的相關(guān)內(nèi)容相對較少，因此，通過將光譜指數(shù)和立地因子作為特征變量，一優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型為建模方式，建立特征變量和森林蓄積量的反演模型，對南雄市森林蓄積量的研究提供幫助，為林區(qū)經(jīng)營活動提供理論依據(jù)。

1 數(shù)據(jù)來源與研究區(qū)概況

1.1 數(shù)據(jù)來源

數(shù)據(jù)來源于第四次森林資源二類調(diào)查數(shù)據(jù)，研究區(qū)為廣東省韶關(guān)市南雄市，調(diào)查內(nèi)容涉及面積，公頃蓄積，胸徑等。因為二類調(diào)查持續(xù)時間長，因此本研究選擇的遙感數(shù)據(jù)是在地理空間數(shù)據(jù)云下載的2016年的landset 8 OLI數(shù)據(jù)。landset 8 OLI共有11個波段，1～7、9波段為多光譜波段(30 m分辨率)，8為全色波段(15 m分辨率)，10和11為熱紅外傳感器波段(30 m分辨率)。30 m×30 m的DEM用于提取高程，坡度等信息。

1.2 研究區(qū)概況

南雄市位于廣東省東部，1996年撤縣設(shè)市，市境位于東經(jīng)113°55′3″～114°44′38″,北緯24°56′59″～25°25′20″，南北兩面群山連綿，中部丘陵沿湞江伸展，形成一狹長盆地，全省面積2 361.4 km2，17個鎮(zhèn)，1個街道，24個居委會，208個村委會，人口46萬。亞熱帶季風(fēng)濕潤氣候，森林覆蓋率達63.4%，活立木蓄積量580萬m3。

2 數(shù)據(jù)處理

2.1 圖像預(yù)處理

選取2016年12月份的Landset 8 OLI影像數(shù)據(jù)，選取Landset 8 OLI的原因有兩方面：其一landset系列衛(wèi)星的所有數(shù)據(jù)都可以非常方便地免費從網(wǎng)上獲取，對于可用經(jīng)費較少的林業(yè)調(diào)查而言非常合適；其二是光譜分辨率較高，特別是在植被探測的紅外波段具有大量的數(shù)據(jù)，非常適合森林的各種分析[7]。為了避免因為云量過多造成不必要的影響，在數(shù)據(jù)下載中篩選出云量低于0.5的影像，從中篩選出連續(xù)的覆蓋研究區(qū)的影像，影像由四幅組成，得到的原始圖像經(jīng)過輻射定標，大氣校正，幾何校正。

輻射定標：是用戶需要計算地物的光譜反射率或光譜輻射亮度時，或者需要對不同時間、不同傳感器獲取的圖像進行比較時，都必須將圖像的亮度灰度值轉(zhuǎn)換為絕對的輻射亮度，這個過程就是輻射定標。國際地球觀測衛(wèi)星委員會將定標定義為：定量的確定系統(tǒng)對已知的、可控制的信號輸入響應(yīng)的過程[8]。遙感系統(tǒng)需要定標的主要內(nèi)容是對其電磁輻射的響應(yīng)與光譜響應(yīng)，輻射響應(yīng)等的函數(shù)關(guān)系。對Landsat OLI 的輻射定標可以通過 ENVI 5.2 中輻射定標功能完成。

大氣校正：為了消除或減弱大氣中氣溶膠，云層及其陰影等的影響得到精確的地表反射率，需要進行大氣校正。

幾何校正由行政矢量邊界為矯正依據(jù)。

表1是大氣校正基本參數(shù)。

表1 大氣校正基本參數(shù)

下面為矯正前后植物波譜的變化以及校正后影像全貌：

圖1 大氣校正前后植被波譜曲線

從圖中可看出，校正后在1.5 μm處的走向更加符合植物波譜曲線的走勢，且總體走勢也符合植物波普曲線的走勢，因此可以認為，校正后的影像是正確的。最終得到的南雄市的影像如圖2所示。

圖2 南雄市遙感影像

2.2 立地因子預(yù)處理

林業(yè)二類調(diào)查將調(diào)查區(qū)分為若干個小的區(qū)域，區(qū)域劃分一般按相同樹種，同一行政區(qū)，同一類地貌等原則劃分，因此劃分的區(qū)域都有相同的地類地貌，相同的優(yōu)勢樹種便于調(diào)查記錄，劃分的區(qū)域稱為小班，小班為調(diào)查的基本單位。

2.2.1 要素處理

基于預(yù)處理得到的影像，需要提取其中所需的變量因子用于模型建立，提取的依據(jù)是森林二類調(diào)查得到的小班shape文件，小班數(shù)據(jù)布設(shè)滿足受干擾少，遠離林緣等原則，分別用GPS記錄樣地點的樣本點，樣本點滿足具有代表性原則。蓄積量分布圖如圖3所示。

圖3 蓄積量分布圖

2.2.2 數(shù)據(jù)規(guī)范化

因為數(shù)量級的關(guān)系，影響模型的擬合效果和結(jié)果分析。因此對特征變量和蓄積量進行規(guī)范化處理，規(guī)范化在matlab2016年中進行，歸一化用mapminmax函數(shù)。

2.2.3 數(shù)據(jù)完整性

外業(yè)調(diào)查中，有些幼林以及某些地類由森林用地變?yōu)槠渌仡?，所以蓄積量為空或者0，為了滿足數(shù)據(jù)的完整性要求，應(yīng)用excel中對數(shù)據(jù)的篩選操作，對于一些數(shù)據(jù)缺失的值進行篩選淘汰。

3 特征變量選取及分析處理

3.1 光譜指數(shù)是通過特定的波段進行線性或非線性組合得到的一種光譜參數(shù)，建立時考慮了部分植物內(nèi)部的理化機制[9]。對于圖像的處理在Arcgis和ENVI中進行，獲得了校正后的南雄遙感圖像，對應(yīng)小班的NDVI，以及波段信息等，同時經(jīng)過計算，得到比值指數(shù)以及差值指數(shù)。從調(diào)查表獲得坡度，坡向，海拔，樹齡，郁閉度，地貌，A層土壤層厚度(當有AB層時應(yīng)為(A+AB)/2)，腐殖質(zhì)厚度，影響因分為立地因子，遙感因子。對于數(shù)據(jù)的分析相關(guān)性分析在SPSS中實現(xiàn)，POS算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型在Matlab2016a中實現(xiàn)。DEM如圖4所示。

圖4 DEM圖

為充分模擬地表情況，可在DEM的表面覆蓋上遙感影像[10]。通過將得到的數(shù)據(jù)的高程信息疊加在landset8影像上進行皮膚覆蓋，將波段組合設(shè)置為真彩色，為了處理單位的影響，設(shè)置拉伸比例系數(shù)，最終得到原始影像的3D表現(xiàn)形式。下圖為得到的DEM影像的高程通過ArcSense處理與原始遙感影像結(jié)合并且三維顯示的圖像如圖5所示。

圖5 研究區(qū)三維顯示

3.2 首先通過相關(guān)性分析各因子與蓄積量關(guān)系的置信程度，選取置信度為‘*’及以上的因子參與建模：通過雙變量相關(guān)性皮爾森雙尾檢驗，變量因子與公頃蓄積之間線性相關(guān)關(guān)系不強說明自變量與因變量之間具有強非線性關(guān)系。

3.3 為了解決自變量因子之間的相關(guān)性影響分析結(jié)果，對自變量因子進行逐步回歸法剔除具有顯著相關(guān)性的因子。最終指標選擇腐殖質(zhì)厚度，齡組，郁閉度，平均年齡，NDVI,b4,坡度7個自變量構(gòu)建線性回歸模型。

4 結(jié)果展示

4.1 線性回歸模型

最后得到的反演模型如下：

V=0.263X1+0.048X2-0.266X3+0.419X4-0.206X5-1.654X6-0.05X7+0.095

(1)

式中，X1，X2，X3，X4，X5分別代表腐殖質(zhì)厚度，齡組，郁閉度，平均年齡，NDVI,b4,坡度7個自變量，V為蓄積量，表2是相關(guān)系數(shù)，從中可以得到模型的擬合度信息。

表2 反演結(jié)果

為了直觀看出模型的擬合度，使用未歸一化的數(shù)據(jù)制作的蓄積量的預(yù)測值和原始蓄積量之間的差值圖像如圖6所示。

圖6 預(yù)測值實際值差值

從線性回歸結(jié)果來看，預(yù)測值與真實值之間還有一定的差距且兩者之間的差值沒有明顯的規(guī)律，但是基本上穩(wěn)定在15左右，誤差在蓄積量很大的森林中影響不大，但在年份不高，蓄積量偏低的地區(qū)模型還需要優(yōu)化。

4.2 神經(jīng)網(wǎng)絡(luò)擬合模型結(jié)果

神經(jīng)網(wǎng)絡(luò)的構(gòu)建：首先將樣本分為兩部分，一部分用于模型的訓(xùn)練，另一部分精度驗證，訓(xùn)練樣本的容量越大，訓(xùn)練的精度越高。訓(xùn)練以及擬合得到的散點圖，如圖7所示。

圖中training對相應(yīng)的表為訓(xùn)練樣本得到的散點圖，test為驗證精度得到的散點圖，從圖中可看出，訓(xùn)練精度高于驗證精度，對于原始樣本的擬合精度達到0.812，應(yīng)用訓(xùn)練后的模型，得到驗證樣本的擬合度，精度達到0.700，總體精度達到0.785。

圖7 (BP神經(jīng)網(wǎng)絡(luò)結(jié)果)

從精度上來看。神經(jīng)網(wǎng)絡(luò)的擬合精度高于逐步回歸模型精度，但逐步回歸分析剔除了很多有相關(guān)性的因子，而神經(jīng)網(wǎng)絡(luò)是對原始樣本的擬合。

5 結(jié)果分析與展望

(1)對蓄積量的反演圖像預(yù)處理，外業(yè)數(shù)據(jù)的獲取精度以及反演模型的選擇是提升建模精度的關(guān)鍵手段，不同建模方法的建模精度有所差異。對比本文兩種反演方法整體上相關(guān)性基本趨于一致。由于這些森林參數(shù)受氣候，地形，種植密度等因素的影響對蓄積量的估計產(chǎn)生偏差，研究中使用的各項指數(shù)對于該地區(qū)蓄積量的估測可給予指導(dǎo)，對外業(yè)工作也有指導(dǎo)作用。

(2)對比相關(guān)系數(shù)來看，多元線性回歸相關(guān)系數(shù)為0.714，神經(jīng)網(wǎng)絡(luò)的相關(guān)系數(shù)為0.785，因此相關(guān)系數(shù)關(guān)系為神經(jīng)網(wǎng)絡(luò)>多元線性回歸，其次，神經(jīng)網(wǎng)絡(luò)對于數(shù)據(jù)量的要求很大，這正好滿足森林調(diào)查數(shù)據(jù)的特性，綜合考慮，機器學(xué)系中的神經(jīng)網(wǎng)絡(luò)對于蓄積量的反演有更好的效果。兩種建模方法對比，神經(jīng)網(wǎng)絡(luò)優(yōu)于逐步回歸。多元線性的逐步回歸建模方法雖然可以快速建模，特別適用于所要建模的關(guān)系不是特別復(fù)雜并且數(shù)據(jù)量不大，易于解決數(shù)據(jù)變量之間的重相關(guān)性等問題，但也會損失部分有效信息，對于非線性數(shù)據(jù)進行回歸設(shè)計可能比較困難，在建立線性回歸模型解決非線性問題時表現(xiàn)能力較弱。神經(jīng)網(wǎng)絡(luò)建模方法需要大量數(shù)據(jù)樣本的支持，但是從訓(xùn)練精度上來看其精度R可達到0.812，且林業(yè)數(shù)據(jù)的樣本容量很大，很適合神經(jīng)網(wǎng)絡(luò)的反演要求，因此在大面積多樣本的蓄積量反演中，神經(jīng)網(wǎng)絡(luò)有明顯的優(yōu)勢，因此實際應(yīng)用中可更好的為未來蓄積量的精確估計提供實時高效的技術(shù)服務(wù)。

(3)經(jīng)過后期分析發(fā)現(xiàn)，平均蓄積量在70～80之間的樣地信息對于模型的擬合度更高。

(4)對于特定林場的蓄積量估計可以結(jié)合準確的樹木類型以及年齡信息建立樹木生長模型同時結(jié)合神經(jīng)網(wǎng)絡(luò)反演模型可以得到更加準確的蓄積量信息。