景谷縣森林蓄積量遙感估測(cè)及其動(dòng)態(tài)變化分析

唐文靜，李 瑩，岳彩榮，曹順偉

(云南省林業(yè)調(diào)查規(guī)劃院，云南 昆明 650051)

森林是一種獨(dú)特的生態(tài)系統(tǒng)，是受環(huán)境制約并深刻影響環(huán)境的具有自身特征結(jié)構(gòu)和特征功能的有機(jī)體系[1]，森林蓄積量是調(diào)查森林資源的一個(gè)重要因子，是評(píng)價(jià)森林碳儲(chǔ)存能力的重要指標(biāo)[2]。森林蓄積量是指一定森林面積上存在著的喬木的樹(shù)干材積總和[3]，以數(shù)字值的方式反應(yīng)出森林豐富程度，并且可以用來(lái)很好地衡量森林生態(tài)系統(tǒng)狀況[4]。森林資源一類(lèi)、二類(lèi)調(diào)查是較早且較傳統(tǒng)的調(diào)查方法，勞動(dòng)強(qiáng)度大，調(diào)查周期長(zhǎng)，需要消耗大量的物力、財(cái)力，而且在調(diào)查中數(shù)據(jù)基本以紙質(zhì)記錄，記錄中偶爾會(huì)出現(xiàn)錯(cuò)誤，紙質(zhì)材料不便保存，對(duì)森林具有一定的破壞性，且測(cè)量范圍有限，后續(xù)需要大量的整理工作，同時(shí)存在誤差較大等問(wèn)題[5]。

計(jì)算機(jī)技術(shù)、遙感技術(shù)的發(fā)展與數(shù)字模型的結(jié)合應(yīng)用給大尺度的森林蓄積量估測(cè)提供了一種新的思路和手段。本研究主要基于Landsat5、Landsat8遙感數(shù)據(jù)，2012年及2017年兩期森林資源連續(xù)清查實(shí)地測(cè)量數(shù)據(jù)，以線(xiàn)性和非線(xiàn)性為主要數(shù)學(xué)建模方法，探討光學(xué)遙感數(shù)據(jù)比較，對(duì)不同森林蓄積量的估測(cè)潛力，對(duì)不同方法的結(jié)果進(jìn)行比較分析，進(jìn)一步為以后森林資源調(diào)查提供強(qiáng)有力的依據(jù)。結(jié)合Landsat5、Landsat8遙感數(shù)據(jù)，分析并研究光學(xué)遙感對(duì)森林蓄積量估測(cè)的效果，然后分別與當(dāng)年的森林蓄積量數(shù)據(jù)比較，對(duì)景谷縣森林蓄積量進(jìn)行動(dòng)態(tài)變化分析。

1 研究區(qū)概況

研究區(qū)位于云南省西南部景谷傣族彝族自治縣(以下簡(jiǎn)稱(chēng)景谷縣)，行政區(qū)劃屬于普洱市，居市境中部，介于北緯22°49′～23°52′，東經(jīng)100°02′～101°07′。北與鎮(zhèn)沅縣接壤，東與寧洱縣相連，南接思茅區(qū)，西與瀾滄、雙江、臨翔3縣(區(qū))隔江相望。景谷縣受西南季風(fēng)的影響和控制，為南亞熱帶季風(fēng)氣候。年均溫20.1℃，1月為最冷月，均溫13.0℃，6月為最熱月，均溫24.6℃，年溫差為11.6℃，年最高氣溫38.6℃，極端最低氣溫0.2℃，夏季周期可達(dá)164 d，年均無(wú)霜期353 d。降雨量充沛，年均降雨量 1 254.0 mm，多雨區(qū)最大降雨量達(dá) 2 244.8 mm。

根據(jù)2015年森林資源規(guī)劃設(shè)計(jì)調(diào)查報(bào)告，景谷縣土地總面積為 75 2494 hm2，其中：林業(yè)用地面積為 638 090.3 hm2，占土地總面積的84.80%；非林地面積為 114 403.7 hm2，占15.20%。景谷縣森林面積為 589 438.2 hm2，森林蓄積量為 57 893 610 m3。

2 數(shù)據(jù)獲取與研究方法

2.1 數(shù)據(jù)獲取

2.1.1遙感數(shù)據(jù)

本研究使用Landsat TM遙感影像，影像數(shù)據(jù)在“地理空間數(shù)據(jù)云”網(wǎng)站下載，綜合考慮時(shí)相和云量等因素，2012年采用的Landsat5遙感數(shù)據(jù)成像時(shí)間分別為2011年8月、3月、7月，包含3景TM遙感影像，條代號(hào)和行編號(hào)分別是130/44、131/43和131/44；2017年采用的Landsat8遙感數(shù)據(jù)成像時(shí)間為2017年9月和3月，包含2景TM遙感影像，條代號(hào)和行編號(hào)分別是130/44和131/44。在Landsat5數(shù)據(jù)中波段6為熱紅外波段，而且是用于感應(yīng)發(fā)出熱輻射的目標(biāo)，空間分辨率為120 m，不適合用于本次研究；其余波段1～5和波段7空間分辨率為30 m，均較好地具備了本次研究提取遙感數(shù)據(jù)的基礎(chǔ)和價(jià)值。Landsat8的空間分辨率為30 m，其中一個(gè)全色波段的分辨率可達(dá)15 m，其搭載的是熱紅外傳感器(Thermal Infrared Sensor，TIRS)和陸地成像儀(Operational Land Imager，OLI)。OLI陸地成像儀包括9個(gè)波段，成像寬幅為185 km×185 km。本次研究涉及的條帶號(hào)詳見(jiàn)表1。

表1 波段信息

2.1.2實(shí)測(cè)數(shù)據(jù)

實(shí)測(cè)樣地?cái)?shù)據(jù)采用2012年和2017年兩期全國(guó)森林資源連續(xù)清查(簡(jiǎn)稱(chēng)“一類(lèi)調(diào)查”)實(shí)地調(diào)查樣地?cái)?shù)據(jù)，調(diào)查因子主要包括樣地周界測(cè)量、樣地位置圖、樣地因子調(diào)查(樣地編號(hào)、地理坐標(biāo)、樣地類(lèi)型、海拔、地貌特征、坡位、坡向、坡度、地表形態(tài)、土壤類(lèi)別、植被類(lèi)型、地類(lèi)、權(quán)屬等)、每木檢尺記錄、樣木位置示意圖等。

云南省范圍內(nèi)樣地按6 km×8 km布設(shè)邊長(zhǎng)28.28 m、面積0.08 km2的正方形，在樣地設(shè)置時(shí)充分考慮了具有代表性的在空間上分布均勻的樣地，調(diào)查方法分為復(fù)測(cè)樣地和其他樣地確定檢尺類(lèi)型(可詳見(jiàn)《全國(guó)第九次森林資源清查云南省操作細(xì)則》)。通過(guò)研究區(qū)樣地外業(yè)調(diào)查，可以獲取樹(shù)高、郁閉度、胸徑、優(yōu)勢(shì)樹(shù)種、林種等數(shù)據(jù)，取得實(shí)測(cè)樣地?cái)?shù)據(jù)，再根據(jù)“云南省一元材積表”計(jì)算樣地森林蓄積量數(shù)據(jù)，推算出每公頃蓄積量。全縣樣地?cái)?shù)共計(jì)155塊，其中，有林地125塊作為本次研究樣地，非林地30塊不采用。本次研究涉及實(shí)測(cè)樣地包括闊葉林、針葉林和混交林3種森林類(lèi)型，利用Excel軟件將樣地?cái)?shù)據(jù)進(jìn)行有序排列，但劃分建模樣地?cái)?shù)據(jù)和檢驗(yàn)數(shù)據(jù)采用隨機(jī)抽取法，且按 7∶3 的比例進(jìn)行劃分使用，整理出的樣地?cái)?shù)據(jù)的基本信息統(tǒng)計(jì)如表2所示。

表2 樣地?cái)?shù)據(jù)信息統(tǒng)計(jì)

由表2可知，研究樣地共計(jì)125塊，其中，因自然因素或人為因素闊葉林和混交林樣地?cái)?shù)量有所變動(dòng)，闊葉林2012年為30塊，2017年為34塊，混交林2012年為68塊，2017年為64塊，針葉林2012年和2017年均為27塊。

2.1.3其他相關(guān)數(shù)據(jù)

論文中涉及的數(shù)據(jù)還包括矢量格式的景谷縣行政區(qū)劃圖，景谷縣地形圖和數(shù)字高程模型等相關(guān)數(shù)據(jù)資料。

2.2 研究方法

2.2.1多元逐步回歸法

回歸分析方法是多元統(tǒng)計(jì)分析中應(yīng)用最廣泛，也是數(shù)理統(tǒng)計(jì)中最為常用的方法，其使用條件是因變量和自變量存在相關(guān)的線(xiàn)性條件。在存在有線(xiàn)性相關(guān)的情況下可以使用此方法來(lái)分析數(shù)據(jù)的相關(guān)性和統(tǒng)計(jì)規(guī)律[6]，另一方面也可以用于因果關(guān)系分析、區(qū)域規(guī)劃、聚類(lèi)分析、綜合評(píng)價(jià)等方面。在遙感地學(xué)參數(shù)建模方面也是較為合適的方法。運(yùn)用多元逐步回歸模型算法進(jìn)行建模，從中尋找到一種規(guī)律，選擇一些相關(guān)性較高的因子與因變量進(jìn)行建模，從而得到較為理想的估測(cè)模型[7]。多元逐步回歸的一般表達(dá)式為：

Y=a0+a1x1+a2x2+…+anxn+e

(1)

式中：Y為解釋變量，a0為常數(shù)項(xiàng)，a1，a2……an為回歸系數(shù)，X1，X2，……Xn為自變量，n為自變量個(gè)數(shù)。

2.2.2隨機(jī)森林法

1984年Breiman等人提出回歸樹(shù)模型，之后該方法便在決策樹(shù)學(xué)習(xí)方法中得到了廣泛應(yīng)用[8]。啟發(fā)式是回歸樹(shù)中運(yùn)用的方法。Breiman(2001)把回歸樹(shù)組合成一種新的組合算法——隨機(jī)森林算法(Random Forests,RF)，該方法可以克服回歸樹(shù)容易過(guò)度擬合的缺點(diǎn)，其把回歸樹(shù)組合成隨機(jī)森林，即在變量(列)和數(shù)據(jù)(行)的使用上進(jìn)行隨機(jī)化，生成很多回歸，再通過(guò)求均值，匯總回歸樹(shù)的結(jié)果。在運(yùn)算量沒(méi)有明顯增加的基礎(chǔ)上，隨機(jī)森林可以提高運(yùn)算的預(yù)測(cè)精度，且由于多元共線(xiàn)性不敏感，所以該方法可以有效地預(yù)測(cè)多達(dá)上千個(gè)解釋變量的作用，是當(dāng)前最好的算法之一[9]。

作為回歸樹(shù)的集成算法，隨機(jī)森林優(yōu)勢(shì)包括：幾乎不需要輸入的準(zhǔn)備，訓(xùn)練速度快，準(zhǔn)確性和通用性。

隨機(jī)森林回歸算法是基于回歸樹(shù)的集成算法?；貧w樹(shù)運(yùn)用的原則是最小均方差，即作為任意劃分特征A，任意劃分點(diǎn)的對(duì)應(yīng)點(diǎn)為s，兩邊劃分成的D1和D2為數(shù)據(jù)集，然后得到D1和D2集合的最小均方差值，對(duì)應(yīng)的特征和特征值劃分點(diǎn)D1和D2的均方差之和最小值。計(jì)算公式如下：

(2)

式中：c1為D1數(shù)據(jù)集樣本輸出的平均值，c2為D2數(shù)據(jù)集的樣本輸出的平均值。從葉子結(jié)點(diǎn)的均值出發(fā)，就可以得到一個(gè)預(yù)測(cè)值，因此所有預(yù)測(cè)值的平均數(shù)是隨機(jī)森林的預(yù)測(cè)值。

優(yōu)點(diǎn)：龐大的數(shù)據(jù)集能夠高維度(feature)的處理，不需要?dú)w一化，且可以并行實(shí)現(xiàn)；實(shí)現(xiàn)比較簡(jiǎn)單，算法綜合性能較好，是目前公認(rèn)的比較熱門(mén)的機(jī)器學(xué)習(xí)算法。

缺點(diǎn)：由于訓(xùn)練數(shù)據(jù)是隨機(jī)選擇的，所以不能像決策樹(shù)一樣生成穩(wěn)定的規(guī)則。

2.2.3模型的評(píng)價(jià)與檢驗(yàn)方法

本次研究根據(jù)多元逐步回歸原理建立蓄積量估測(cè)模型，用70%的樣地?cái)?shù)據(jù)作為模型的訓(xùn)練集，將余下30%的樣地?cái)?shù)據(jù)對(duì)模型進(jìn)行檢驗(yàn)評(píng)價(jià)。本次采用評(píng)價(jià)標(biāo)準(zhǔn)包括推廣精度(P)、相對(duì)均方根誤差(rRMSE)、均方根誤差(RMSE)、以及尤為重要的決定系數(shù)(R2)。

2.3 光學(xué)遙感數(shù)據(jù)處理

2.3.1遙感影像處理

遙感圖像處理可分為光學(xué)處理和遙感數(shù)字圖像處理2類(lèi)。本研究采用遙感數(shù)字圖像處理方法，目的是為了使圖像可以真實(shí)地反饋地表的光譜屬性、提高圖像信息量；處理的步驟為輻射定標(biāo)、大氣校正、幾何校正、利用行政矢量邊界進(jìn)行裁剪，從而得到景谷縣2012年和2017年的遙感影像圖(圖1)。

圖1 景谷縣遙感影像Fig.1 RS image of Jinggu City

2.3.2遙感特征變量獲取

一般情況下，遙感影像數(shù)據(jù)上的各類(lèi)特征，因不同植被環(huán)境以不同形式表現(xiàn)出來(lái)。在對(duì)Landsat TM遙感數(shù)據(jù)預(yù)處理的基礎(chǔ)上，為獲得建立森林蓄積量指數(shù)估測(cè)模型的自變量因子，需提取含有豐富植被信息的植被指數(shù)、紋理特征及地形等單波段相關(guān)因子。同時(shí)，對(duì)具有植被生長(zhǎng)勢(shì)、蓄積量等表征意義的紋理特征、地形特征加以分析?；诟饕蜃佑跋?，結(jié)合樣地點(diǎn)數(shù)據(jù)，在A(yíng)rcGIS 10.2軟件下進(jìn)行景谷縣建模因子的提取。

3 結(jié)果與分析

3.1 建模特征變量的選取和確定

3.1.1多元逐步回歸模型自變量的確定

本文基于Landsat TM 影像圖對(duì)景谷縣實(shí)測(cè)125塊樣地進(jìn)行各項(xiàng)因子提取后，使用SPSS 26.0軟件分別對(duì)闊葉林、針葉林、混交林的預(yù)選變量和樣地森林蓄積量進(jìn)行相關(guān)性分析。這些變量全部用于建模，會(huì)使數(shù)據(jù)量計(jì)算增加，導(dǎo)致模型不穩(wěn)定，甚至估測(cè)失敗原因也可能存在多重共線(xiàn)性。為此，在研究時(shí)運(yùn)用逐步剔除的方法解決了多重共線(xiàn)性問(wèn)題，變量經(jīng)過(guò) 3 次篩選，最終保留 9個(gè)參與建模因子，分別是：均值(ME)、歸一化植被指數(shù)(NDVI)、信息熵(EN)、轉(zhuǎn)換型植被指數(shù)(TNDVI)、二階矩(SM)、差值植被指數(shù)(DVI)、比值植被指數(shù)(RVI)、方差(VA)和協(xié)同性(HO)。2012年和2017年TM自變量相關(guān)系數(shù)如表3所示。

表3 TM自變量相關(guān)系數(shù)

3.1.2基于遙感影像的隨機(jī)森林模型自變量相關(guān)分析

本文隨機(jī)森林用Python代碼在Pycharm軟件中進(jìn)行處理，將提取的變量導(dǎo)入軟件參與建模。根據(jù)隨機(jī)森林自帶的特征選擇算法，得到自變量在建模中的重要程度。根據(jù)分析得出，2012年土壤調(diào)節(jié)植被指數(shù)SAVI影響樣地森林蓄積量的重要性最高達(dá)到0.38，對(duì)比度CO重要性最低為0.02；2017年信息熵EN影響樣地森林蓄積量的重要性最高達(dá)0.13，協(xié)同性HO重要性最低為0.016，將重要程度高的因子參與模型訓(xùn)練。

3.2 蓄積量模型建立

3.2.1多元逐步回歸模型的建立

在SPSS 26.0中利用TM遙感影像提取的遙感因子為自變量，以樣地森林蓄積量為因變量，運(yùn)用回歸顯著性對(duì)參數(shù)進(jìn)行檢驗(yàn)，通過(guò)回歸系數(shù)的顯著性關(guān)系分析，最終獲取回歸模型的方程參數(shù)?；诠鈱W(xué)遙感數(shù)據(jù)，獲得闊葉林、針葉林、混交林3種森林類(lèi)型的方程參數(shù)，相關(guān)模型信息如表4所示。

表4 基于光學(xué)遙感數(shù)據(jù)的模型及其檢驗(yàn)結(jié)果

3.2.2隨機(jī)森林模型的建立

在本次算法測(cè)試過(guò)程中，2012年和2017年均用89塊樣地?cái)?shù)據(jù)作為訓(xùn)練集建立隨機(jī)森林模型，36塊樣地?cái)?shù)據(jù)作為測(cè)試集。訓(xùn)練集用于創(chuàng)建隨機(jī)森林模型，測(cè)試集用于對(duì)模型檢驗(yàn)評(píng)估。根據(jù)隨機(jī)森林自帶的特征選擇算法，得到自變量影響因變量重要程度；通過(guò)對(duì)回歸樹(shù)等重要模型參數(shù)設(shè)置分類(lèi)器得到因子；最后建立隨機(jī)森林模型。根據(jù)訓(xùn)練好的隨機(jī)森林模型，用測(cè)試集進(jìn)行檢驗(yàn)，結(jié)果如表5所示。

表5 隨機(jī)森林模型精度檢驗(yàn)

3.2.3景谷縣森林蓄積量遙感影像圖反演

在ENVI 5.3軟件中，將用于建模的遙感影像因子圖導(dǎo)入，利用波段計(jì)算，再通過(guò)ArcGIS10.2.2軟件進(jìn)行制圖，最終得到景谷縣2012年和2017年的森林蓄積量反演圖(圖2)。

圖2 森林蓄積量反演圖Fig.2 Inversion map of forest volume

3.3 景谷縣森林蓄積量建模估測(cè)結(jié)果分析

根據(jù)建立的兩期隨機(jī)森林模型計(jì)算結(jié)果可知，景谷縣2012年森林總蓄積量為 54 202 470.44 m3，每公頃蓄積量為94.26 m3；2017年森林總蓄積量為 57 688 038.66 m3，每公頃蓄積量為100.32 m3。根據(jù)景谷縣2012年云南省林地保護(hù)利用規(guī)劃資料，景谷縣林地面積為 502 074 hm2，森林蓄積量為48 450 142 m3，每公頃森林蓄積量為96.5 m3；根據(jù)2017年云南省林地變更數(shù)據(jù)，景谷縣林地面積為575 018.6 hm2，森林蓄積量為57 893 610 m3，每公頃森林蓄積量為100.68 m3(表6)。

表6 景谷縣森林蓄積量對(duì)比分析

估測(cè)結(jié)果與林地保護(hù)利用規(guī)劃和林地變更數(shù)據(jù)結(jié)果相比較，隨機(jī)森林法估測(cè)值接近真實(shí)值，說(shuō)明模型估測(cè)精度較高。根據(jù)數(shù)據(jù)對(duì)比分析，表明所得估測(cè)模型能實(shí)現(xiàn)對(duì)森林蓄積量的有效估測(cè)。

3.4 景谷縣森林蓄積量動(dòng)態(tài)變化分析

根據(jù)2012年云南省林地保護(hù)利用規(guī)劃資料和2017年云南省林地變更數(shù)據(jù)統(tǒng)計(jì)出景谷縣兩期有林地面積和森林蓄積量(表7)。

表7 景谷縣林地面積和蓄積量統(tǒng)計(jì)

其中，2012年景谷縣有林地面積為 502 074 hm2，森林蓄積量為 48 450 142 m3，每公頃森林蓄積量為96.5 m3；2017年景谷縣有林地面積為 575 018.6 hm2，森林蓄積量為 57 893 610 m3，每公頃森林蓄積量為100.68 m3。5年間景谷縣有林地面積增加了 72 944.6 hm2，增長(zhǎng)率為14.53%；森林蓄積量增加了 9 443 468 m3，增長(zhǎng)率為19.49%；每公頃森林蓄積量增加了4.18 m3，增長(zhǎng)率為4.33%。

4 討論與結(jié)論

4.1 討論

1)在遙感建模時(shí)發(fā)現(xiàn)，遙感影像獲取的數(shù)據(jù)與森林蓄積量相關(guān)性較大的是第四波段的紋理特征，植被指數(shù)與之相關(guān)性較低。經(jīng)研究與查閱文獻(xiàn)初步認(rèn)為：在對(duì)遙感影像圖預(yù)處理后，影像提取有所偏差，在相關(guān)性分析時(shí)，造成植被指數(shù)低于其他因子。另一方面，可能是與地形、坡度和海拔有關(guān)，增加了紋理特征對(duì)森林蓄積量的相關(guān)性特征。在今后研究中，應(yīng)多在遙感影像與實(shí)地測(cè)量中發(fā)現(xiàn)問(wèn)題，繼續(xù)研究紋理特征對(duì)森林蓄積量的影響。

2)使用兩期數(shù)據(jù)建模時(shí)，參與的建模數(shù)量有變化，進(jìn)入回歸方程的變量也不一樣；在建立隨機(jī)森林模型時(shí)，兩期數(shù)據(jù)中參與回歸方程變量也不一樣，模型優(yōu)化參數(shù)差別也較大；建模時(shí)選擇了不同的參數(shù)，對(duì)蓄積量的估測(cè)結(jié)果對(duì)比分析時(shí)可能有一定的影響，這些原因都有待進(jìn)一步研究和探討。

3)遙感技術(shù)發(fā)展較快，新的遙感數(shù)據(jù)不斷出現(xiàn)與應(yīng)用，大數(shù)據(jù)分析和人工智能發(fā)展日新月異，如何充分融合多數(shù)據(jù)源和利用現(xiàn)代數(shù)據(jù)挖掘方法、機(jī)器學(xué)習(xí)等新興技術(shù)手段進(jìn)行森林蓄積量遙感估測(cè)是林業(yè)遙感面臨的機(jī)遇和挑戰(zhàn)。在以后的研究工作中需要不斷更新和改進(jìn)并大面積推廣運(yùn)用操作簡(jiǎn)便易行、效率高且能大區(qū)域范圍獲得森林蓄積量數(shù)據(jù)的測(cè)量和監(jiān)測(cè)方法。

4.2 結(jié)論

本文以景谷縣為研究區(qū)，針對(duì)遙感技術(shù)對(duì)大范圍森林蓄積量精確估測(cè)問(wèn)題，利用2012年和2017年兩期全國(guó)森林資源連續(xù)清查實(shí)地調(diào)查數(shù)據(jù)，結(jié)合Landsat5和Landsat8遙感影像提取的植被指數(shù)、紋理特征因子和DEM數(shù)據(jù)提取的地形因子，分別建立多元逐步回歸模型和隨機(jī)森林模型，并進(jìn)行大區(qū)域尺度模型估測(cè)和模型結(jié)果精度驗(yàn)證。結(jié)合建模精度來(lái)看，建立的隨機(jī)森林模型明顯優(yōu)于多元逐步回歸，為蓄積量估測(cè)提供了低成本的研究方法，在今后的林業(yè)工作中，具有一定的參考和借鑒價(jià)值。