聯(lián)合LiDAR和多光譜數(shù)據(jù)森林地上生物量反演研究

巨一琳，姬永杰，黃繼茂，張王菲

(1.西南林業(yè)大學(xué)林學(xué)院，云南 昆明 650224;2.西南林業(yè)大學(xué)地理與生態(tài)旅游學(xué)院，云南 昆明 650224)

森林是陸地生態(tài)系統(tǒng)的主體，在生物圈的生物地球化學(xué)過(guò)程中發(fā)揮重要的“緩沖器”和“調(diào)節(jié)器”的功能，對(duì)改善生態(tài)環(huán)境、維護(hù)生態(tài)平衡有著重要的作用[1]。森林地上生物量(above ground biomass, AGB)作為森林生產(chǎn)力的重要評(píng)價(jià)指標(biāo)，是評(píng)估森林碳收支的重要參數(shù)，是系統(tǒng)發(fā)揮其他生態(tài)功能的物質(zhì)基礎(chǔ)，也是陸地生態(tài)系統(tǒng)進(jìn)行碳循環(huán)的重要內(nèi)容[2-3]。森林地上生物量的傳統(tǒng)調(diào)查方法是通過(guò)現(xiàn)地測(cè)量森林的胸徑及樹(shù)高等因子，使用異速生長(zhǎng)方程或蓄積量-生物量模型計(jì)算森林地上生物量?；谫Y源清查的人工調(diào)查方法可準(zhǔn)確估算森林地上生物量，但其需要花費(fèi)大量時(shí)間、人力和物力，還會(huì)對(duì)森林造成一定的干擾與損傷，且只適于較小區(qū)域的森林AGB估算。不同于傳統(tǒng)資源調(diào)查方法，使用遙感技術(shù)立足不同傳感器獲取影像，可快速準(zhǔn)確、連續(xù)、動(dòng)態(tài)、長(zhǎng)期地估算森林AGB，同時(shí)可在大區(qū)域范圍內(nèi)實(shí)現(xiàn)森林AGB的估算。基于遙感技術(shù)的森林AGB反演有光學(xué)遙感、激光雷達(dá)、微波遙感等方式，在不造成森林生態(tài)損傷的前提下可極大提高對(duì)森林AGB反演的效率和精度[4]。

多光譜遙感具有豐富的光譜特征及植被指數(shù)，但其穿透性差，難以獲取森林垂直結(jié)構(gòu)特征，并且估算森林生物量時(shí)容易出現(xiàn)易飽和、敏感性差的現(xiàn)象[5-6]。激光雷達(dá)(light delection and ranging, LiDAR)具有穿透植被葉冠，并能直接獲取目標(biāo)的三維坐標(biāo)，在地形、林木高度和植被空間結(jié)構(gòu)的探測(cè)方面具有極大優(yōu)越性[7]。將多光譜遙感與LiDAR數(shù)據(jù)相結(jié)合，進(jìn)行森林AGB反演是當(dāng)前研究的熱點(diǎn)之一。Popescu等[8]融合機(jī)載LiDAR數(shù)據(jù)和多光譜數(shù)據(jù)，結(jié)合地面調(diào)查數(shù)據(jù)建立森林生物量反演模型，結(jié)果顯示兩種數(shù)據(jù)的融合比單一數(shù)據(jù)反演AGB精度更高。徐婷等[9]借助LiDAR和Landsat8 OLI多光譜數(shù)據(jù)采用線性多元逐步回歸法分別建立森林生物量反演模型，結(jié)果表明兩種數(shù)據(jù)建立的綜合模型反演精度更高。卜帆[10]結(jié)合機(jī)載LiDAR和高光譜數(shù)據(jù)進(jìn)行生物量反演，結(jié)果表明兩種數(shù)據(jù)結(jié)合時(shí)采用支持向量機(jī)建立森林生物量反演模型精度較高，決定系數(shù)(R2)達(dá)到0.7。

利用遙感數(shù)據(jù)進(jìn)行森林AGB反演通常采用參數(shù)模型和非參數(shù)模型兩類方法，多元線性逐步回歸為參數(shù)模型方法中反演森林AGB既常用又有效的算法。非參數(shù)模型中的KNN-FIFS(k-nearest neighbor with fast iterative features selection, KNN-FIFS)算法是韓宗濤[11]2017年基于馬氏距離K-NN算法，提出以迭代方式優(yōu)選遙感特征，并將特征因子優(yōu)化組合的反演模型。韓宗濤等[12]以Landsat8 OLI和SAR數(shù)據(jù)為數(shù)據(jù)源，采用KNN-FIFS算法對(duì)大興安嶺根河研究區(qū)森林AGB進(jìn)行估測(cè)，結(jié)果表明KNN-FIFS算法精度顯著優(yōu)于多元線性逐步回歸法(SMLR)及K-NN算法，R2達(dá)到0.77。張少偉等[13]采用KNN-FIFS算法結(jié)合2009年和2014年兩期主、被動(dòng)遙感數(shù)據(jù)，進(jìn)行特征組合及快速優(yōu)化構(gòu)建估測(cè)模型，結(jié)果表明KNN-FIFS算法可大幅度提升高維度、多模式遙感特征優(yōu)選效率。

本研究以LiDAR數(shù)據(jù)和Landsat8 OLI數(shù)據(jù)為數(shù)據(jù)源，結(jié)合地面實(shí)測(cè)數(shù)據(jù)，進(jìn)行數(shù)據(jù)源的不同組合，并篩選優(yōu)化特征，再以多元線性回歸及KNN-FIFS兩種算法建模，對(duì)研究區(qū)典型的寒溫帶落葉松林進(jìn)行森林AGB反演，最后，對(duì)各自模型的適宜性及精度及準(zhǔn)確性進(jìn)行對(duì)比分析，從而為推動(dòng)大興安嶺地區(qū)典型森林AGB動(dòng)態(tài)監(jiān)測(cè)提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古根河市大興安嶺森林生態(tài)系統(tǒng)國(guó)家野外科學(xué)觀測(cè)研究站(121°30′～121°31′E，50°49′～50°51′N(xiāo))，面積為102 km2，高程范圍為810～1 116 m，為我國(guó)目前緯度最高的森林生態(tài)系統(tǒng)野外科學(xué)觀測(cè)站。研究區(qū)屬寒溫帶大陸季風(fēng)氣候，年均氣溫-5.3 ℃，氣溫年較差47.4 ℃，為高緯度多年凍土、寒溫帶森林生態(tài)系統(tǒng)的典型區(qū)域。該生態(tài)站森林植被覆蓋度達(dá)75%以上，優(yōu)勢(shì)樹(shù)種有興安落葉松(Larixgmelinii)、樟子松(Pinussylvestrisvar.mongolica)、闊葉樹(shù)白樺(Betulaplatyphylla)和山楊(Populusdavidiana)等。研究區(qū)地理位置見(jiàn)圖1。

1.2 研究區(qū)數(shù)據(jù)獲取

1.2.1 機(jī)載LiDAR數(shù)據(jù)獲取

本研究使用的機(jī)載LiDAR數(shù)據(jù)以“運(yùn)-5”為機(jī)載平臺(tái)，載有Leica機(jī)載雷達(dá)系統(tǒng)，獲取時(shí)間為2012年8—9月，平均飛行高度2 700 m，共32個(gè)航帶，激光脈沖發(fā)射頻率為100～200 kHz，掃射角度為±35°。傳感器記錄了首次和末次激光返回信息，記錄點(diǎn)云數(shù)據(jù)的三維坐標(biāo)信息、高程值、強(qiáng)度信息以及返回類型等信息[14]。

1.2.2 Landsat8 OLI數(shù)據(jù)獲取

本研究使用的多光譜數(shù)據(jù)為L(zhǎng)andsat8 OLI數(shù)據(jù)中的B1—B7波段，從地理空間數(shù)據(jù)云官方平臺(tái)獲取?？紤]到2013年8—9月研究區(qū)光學(xué)遙感影像云層覆蓋比較嚴(yán)重，另選取成像時(shí)間為2013年10月19日、影像無(wú)云層覆蓋、航帶號(hào)為123/24的一景數(shù)據(jù)，具體參數(shù)見(jiàn)表1。

表1 Landsat8 OLI陸地成像儀參數(shù)

1.2.3 樣地調(diào)查數(shù)據(jù)獲取

研究區(qū)樣地調(diào)查數(shù)據(jù)分別獲取于2012年37塊30 m×30 m固定樣地和2013年18塊45 m×45 m臨時(shí)樣地，共55塊。樣地位置采用差分GPS定位，精度控制在1 m以內(nèi)。樣地進(jìn)行每木調(diào)查，因子為胸徑、樹(shù)高、枝下高、冠幅、相對(duì)坐標(biāo)，同時(shí)記錄樣地林分特征，灌木、草本的種類以及高度等參數(shù)。樣地優(yōu)勢(shì)樹(shù)種包括興安落葉松和白樺兩種，樣地內(nèi)兩類樹(shù)單木生物量的計(jì)算采用式(1)和式(2)得到，樣地生物量采用陳傳國(guó)等[15]的冪指數(shù)異數(shù)生長(zhǎng)方程式(3)得到。

(1)

(2)

W樣地=∑W1+W2+……+Wn。

(3)

式中：W為森林生物量，DBH為實(shí)測(cè)胸徑。

1.3 遙感數(shù)據(jù)處理

1.3.1 LiDAR數(shù)據(jù)預(yù)處理

LiDAR數(shù)據(jù)處理前期部分由數(shù)據(jù)供應(yīng)商完成轉(zhuǎn)換、拼接及質(zhì)量檢測(cè)；后期部分主要借助于數(shù)字綠土LiDAR360軟件。主要包括以下步驟：點(diǎn)云數(shù)據(jù)定義坐標(biāo)系、點(diǎn)云去噪、提取地面點(diǎn)、提取植被點(diǎn)、提取DEM以及點(diǎn)云歸一化。歸一化后得到的冠層高度即去除地形高度影響得到的真實(shí)樹(shù)高，最后將點(diǎn)云特征提取到樣地尺度上。

1.3.2 Landsat8 OLI數(shù)據(jù)預(yù)處理

本研究獲取的Landsat8 OLI數(shù)據(jù)已完成地形的幾何校正，因此在預(yù)處理影像時(shí)不用做幾何校正。使用ENVI5.3軟件進(jìn)行輻射定標(biāo)和大氣校正，通過(guò)輻射定標(biāo)可以實(shí)現(xiàn)DN值與輻射亮度、反射率值等物理量之間的轉(zhuǎn)化；大氣校正消除大氣和光照等因素對(duì)地物反射的影響從而獲取其真實(shí)的地表反射率。

1.4 遙感影像特征提取

機(jī)載LiDAR第1次回波信息魯棒性較強(qiáng)，將第1次脈沖回波形成的參數(shù)應(yīng)用在森林AGB反演結(jié)果中效果較好[4,16]。

Landsat8 OLI影像提取4類變量因子，分別為單波段因子、植被指數(shù)、主成分分析因子、紋理因子。單波段因子包括B1—B7，植被指數(shù)包括歸一化植被指數(shù)(INDVI)、差值植被指數(shù)(IDVI)、比值植被指數(shù)(IRVI)、土壤調(diào)節(jié)植被指數(shù)(ISAVI)、增強(qiáng)植被指數(shù)(IEVI)、有效葉面積指數(shù)(ISLAVI)[4]、地表反照率(RAlbedo)、B4/RAlbedo、B547、B65、B74等變量。主成分分析因子提取了前3個(gè)波段(PCa1—PCa3)；紋理因子提取了B1—B7波段的8種紋理信息，包括均值(Me)、方差(variance，Var)、對(duì)比度(contrast，Con)、信息熵(entropy，En)、協(xié)同性(homogeneity、Homo)、相異性(dissimilarity,Dis)、二階矩(second order moment，Sec)、相關(guān)性(correlation，Cor)[17]。LiDAR和Landsat8 OLI變量含義及公式見(jiàn)表2。

表2 LiDAR和Landsat8 OLI特征變量匯總

1.5 變量篩選和建模分析

1.5.1 偏最小二乘法及變量投影重要性分析

偏最小二乘回歸是對(duì)多元線性回歸模型的一種擴(kuò)展，是在普通多元回歸的基礎(chǔ)上增加主成分分析、典型相關(guān)分析的思想[17], 很好地解決了只用一個(gè)線性模型來(lái)描述獨(dú)立變量Y與預(yù)測(cè)變量組X之間的關(guān)系。

變量投影重要性(VIP)是基于偏最小二乘法基礎(chǔ)上進(jìn)行變量篩選的過(guò)程，用來(lái)判斷單個(gè)自變量在解釋因變量的重要性，如果自變量對(duì)因變量的重要性越大，則VIP值越大；如果各自變量對(duì)y的解釋作用一樣，所有的VIP值均為1；有學(xué)者建議用0.8作為臨界值來(lái)區(qū)分重要變量與不重要變量[18]，其計(jì)算公式為：

(4)

式中：k為自變量個(gè)數(shù)，ch為相關(guān)自變量提取的主成分，r(y,ch)為因變量和主成分的相關(guān)系數(shù)，表示主成分對(duì)y的解釋能力，whj為自變量在主成分上的權(quán)重。

1.5.2 線性多元逐步回歸

線性多元逐步回歸是一種線性多元回歸模型進(jìn)行變量篩選的算法[19]，其回歸模型為：

Y=β0+β1x1+β2x2+……+βmxm+ε。

(5)

式中：Y是生物量的值；x1、x2……xm是預(yù)測(cè)變量，β0為常數(shù)項(xiàng)，β1、β2……βm為回歸方程的系數(shù)；ε是隨機(jī)誤差值。

1.5.3 KNN-FIFS方法

本研究采用韓宗濤提出的KNN-FIFS方法，是在K-NN方法的基礎(chǔ)上進(jìn)行特征因子優(yōu)化組合，提高森林參數(shù)反演效率[11]。KNN-FIFS組合優(yōu)化基本原理如下：

1)設(shè)樣地?cái)?shù)為n，特征數(shù)為m，由樣地?cái)?shù)據(jù)和遙感特征提取訓(xùn)練數(shù)據(jù)，即樣地對(duì)應(yīng)特征所在像元的值；

2)初始化最優(yōu)特征子集為空集，因此最優(yōu)模型均方根誤差理論上為最大值；基于K-NN法, 依次利用特征建立森林AGB反演模型，得到最優(yōu)特征子集個(gè)數(shù)的K-NN反演模型及每個(gè)模型對(duì)應(yīng)的均方根誤差(RMSE)；

3)得到的最優(yōu)RMSE, 即RMSE最小值, 設(shè)該值為σ(RMSEb), 將研究區(qū)RMSE最大值設(shè)為RMSE0[σ(RMSE)]。若σ(RMSEb)<σ(RMSE0)則將σ(RMSEb)賦給σ(RMSE0), 并將RMSEb對(duì)應(yīng)的特征子集賦給特征子集，反之迭代結(jié)束。

KNN-FIFS算法在迭代運(yùn)行中，當(dāng)距離度量標(biāo)準(zhǔn)確定時(shí),K值將影響反演結(jié)果，而K值則受樣地信息以及參數(shù)等因素影響[12]。其中K值默認(rèn)為1～11，光譜特征信息提取窗口為1～11。

1.5.4 精度驗(yàn)證評(píng)價(jià)方法

反演精度評(píng)價(jià)采用決定系數(shù)(R2)和均方根誤差[RMSE，式中記為σ(RMSE)]，以及相對(duì)均方根誤差[RMSEr，式中記為σ(RMSEr)]來(lái)檢驗(yàn)，R2越接近1，代表著模型精度越高；精度驗(yàn)證采用留一交叉驗(yàn)證方法。RMSE值越低，說(shuō)明回歸模型更準(zhǔn)確[20]。計(jì)算公式如下：

(6)

(7)

(8)

2 結(jié)果與分析

本研究先采用偏最小二乘法對(duì)不同的遙感數(shù)據(jù)源組合方式提取的參數(shù)進(jìn)行信息重要性排序，再依據(jù)其重要性排序確定最優(yōu)參數(shù)組合，最后使用線性多元逐步回歸和KNN-FIFS算法構(gòu)建森林AGB反演模型。

2.1 遙感影像參數(shù)優(yōu)選

采用偏最小二乘法回歸算法進(jìn)行參數(shù)優(yōu)選，依據(jù)變量投影的重要性(VIP)做變量篩選，選擇0.8以上的變量后續(xù)分析建模。將LiDAR和Landsat8 OLI所提取的參數(shù)作為自變量輸入SIMCA 14.1中進(jìn)行偏最小二乘法回歸算法的建模和VIP值排序，篩選VIP>0.8的影像參數(shù)進(jìn)行后續(xù)森林AGB反演模型構(gòu)建。單一LiDAR遙感數(shù)據(jù)時(shí)篩選得出18個(gè)參數(shù)；單一Landsat8 OLI遙感數(shù)據(jù)時(shí)篩選得出38個(gè)參數(shù)；LiDAR、Landsat8 OLI兩種遙感數(shù)據(jù)組合時(shí)篩選得出33個(gè)參數(shù)(圖2)。

2.2 森林AGB反演模型構(gòu)建

將在單一LiDAR、單一Landsat8 OLI及LiDAR & Landsat8 OLI聯(lián)合遙感數(shù)據(jù)3種組合形式下的優(yōu)選參數(shù)及地面實(shí)測(cè)樣地?cái)?shù)據(jù)，分別作為自變量和因變量輸入線性多元逐步回歸和KNN-FIFS模型，使用R2和RMSE分析各模型反演的結(jié)果，并分析各模型精度和適宜性。

2.2.1 線性多元逐步回歸模型建立

在多源遙感數(shù)據(jù)分別是單一LiDAR、單一Landat8 OLI、LiDAR & Landat8 OLI 3種組合時(shí)，將使用偏最小二乘法篩選而得的18、38、33個(gè)參數(shù)輸入線性多元逐步回歸模型，最后進(jìn)一步篩選得出以下特征和形成最優(yōu)模型。模型結(jié)果及最優(yōu)參數(shù)見(jiàn)表3和圖3。

表3 多元逐步回歸參數(shù)方程

2.2.2 KNN-FIFS模型建立

在兩種遙感數(shù)據(jù)源及3種組合方式下，將以偏最小二乘算法篩選出的參數(shù)輸入KNN-FIFS模型。KNN-FIFS算法的最佳模型參數(shù)見(jiàn)表4，進(jìn)一步特征篩選結(jié)果見(jiàn)圖4。在單一Landat8 OLI、LiDAR & Landat8 OLI兩種數(shù)據(jù)組合方式下，均篩選得出B65參數(shù),說(shuō)明該參數(shù)對(duì)于森林AGB相關(guān)性較大且較為敏感。這是因?yàn)橹脖辉诩t光波段有著很強(qiáng)的吸收特性,同時(shí)在近紅外波段有著很強(qiáng)的反射特性，故選擇近紅外和紅光波段進(jìn)行植被遙感監(jiān)測(cè)效果最佳。另在兩種數(shù)據(jù)組合最后篩選參數(shù)中分別包含了冠層密度和高度分位參數(shù)，說(shuō)明這兩種體現(xiàn)森林水平和垂直結(jié)構(gòu)因子的參數(shù)，在反演森林AGB中發(fā)揮著關(guān)鍵性的作用。

表4 KNN-FIFS特征組合

2.3 森林地上生物量反演結(jié)果對(duì)比

由模型評(píng)價(jià)結(jié)果(表5)可知模型反演精度如下：①單一LiDAR數(shù)據(jù)的線性多元逐步回歸模型和KNN-FIFS模型反演精度相差不大，R2、RMSE以及RMSEr僅相差0.02、2.05 t/hm2和1.57%，總體上線性多元回歸模型的精度更好，對(duì)于數(shù)據(jù)的適宜性更好。②單一Landsat8 OLI數(shù)據(jù)的線性多元逐步回歸模型和KNN-FIFS模型反演精度相差較大，R2、RMSE以及RMSEr已相差0.36、9.64 t/hm2以及15.42%，KNN-FIFS模型明顯具有較高的精度及對(duì)Landsat8 OLI數(shù)據(jù)的適宜性。③LiDAR & Landsat8 OLI數(shù)據(jù)組合的兩種模型反演精度均較高，分別為線性多元逐步回歸模型和KNN-FIFS模型在各種數(shù)據(jù)組合方式的最高。兩種模型的反演精度也相差較小，R2、RMSE和RMSEr相差只有0.04、2.99 t/hm2和2.36%。

表5 模型評(píng)價(jià)結(jié)果

通過(guò)以上反演結(jié)果分析表明：①采用LiDAR和Landsat8 OLI兩種數(shù)據(jù)相結(jié)合，構(gòu)建線性多元逐步回歸和KNN-FIFS模型均可達(dá)到最高的反演精度，機(jī)載激光雷達(dá)和多光譜遙感數(shù)據(jù)的多源數(shù)據(jù)結(jié)合可發(fā)揮各自數(shù)據(jù)優(yōu)勢(shì)，能表征森林水平和垂直結(jié)構(gòu)，最大程度反演森林的三維結(jié)構(gòu)，進(jìn)而提高森林AGB反演精度和準(zhǔn)確度。②采用參數(shù)優(yōu)選技術(shù)可有效提高森林AGB反演精度。首先采用偏最小二乘算法對(duì)兩種數(shù)據(jù)源3種組合方式時(shí)總體參數(shù)篩選，后又在兩種模型構(gòu)建的同時(shí)進(jìn)行了特征優(yōu)選，兩次的參數(shù)優(yōu)選過(guò)程去除了和森林AGB相關(guān)性低、敏感性差的參數(shù)。③在單一LiDAR和LiDAR&Landsat8 OLI兩種組合下，針對(duì)該研究區(qū)典型寒溫帶落葉松林森林AGB，使用兩種模型的反演精度幾乎相差不大，說(shuō)明模型在該數(shù)據(jù)組合及森林類型模型適宜性相似。而在單一Landsat8 OLI時(shí)，KNN-FIFS反演精度明顯高于線性多元回歸模型，KNN-FIFS模型的適宜性更強(qiáng)。

由散點(diǎn)圖(圖5)分析可知，兩種模型在兩種數(shù)據(jù)源的3種組合方式下的估測(cè)值均出現(xiàn)不同程度的高估和低估現(xiàn)象，其中單一LiDAR數(shù)據(jù)源時(shí)，兩種模型反演的結(jié)果均出現(xiàn)明顯的低估現(xiàn)象，而LiDAR & Landsat8 OLI組合下高估與低估現(xiàn)象卻不明顯。關(guān)于估測(cè)值與實(shí)測(cè)值的線性擬合性上，森林AGB值約80 t/hm2以下時(shí)，兩種模型在兩種數(shù)據(jù)3種組合方式下總體上均表現(xiàn)出較好的線性擬合性，實(shí)測(cè)值與估測(cè)值之間相關(guān)性較高；但隨著森林AGB數(shù)值的增加，擬合性表現(xiàn)得較為離散。這是因?yàn)闄C(jī)載LiDAR對(duì)森林的穿透能力，能夠提供準(zhǔn)確的樹(shù)高和直觀的冠層垂直結(jié)構(gòu)信息，結(jié)合反應(yīng)森林水平結(jié)構(gòu)的光譜信息，表現(xiàn)得在單一機(jī)載LiDAR數(shù)據(jù)和兩種數(shù)據(jù)結(jié)合反演森林AGB中精度為較高，線性擬合性較好。而在單一Landsat8 OLI數(shù)據(jù)時(shí)，整體擬合性均低于LiDAR擬合結(jié)果，尤其在線性多元逐步回歸模型反演時(shí)表現(xiàn)最差，低于KNN-FIFS反演效果。這是因?yàn)樵贙NN-FIFS擬合方法中，估測(cè)參數(shù)只與相鄰的k個(gè)樣本有關(guān)，因此樣地點(diǎn)的加權(quán)求值可以減少樣本不平衡問(wèn)題，能更好地描述各參數(shù)與影像之間的非線性關(guān)系[12]。對(duì)于整體擬合結(jié)果較差，這與多光譜數(shù)據(jù)具有豐富的光譜特征及植被指數(shù)，但穿透性差，難以獲取對(duì)森林垂直結(jié)構(gòu)特征參數(shù)，對(duì)森林AGB反演具有較大的結(jié)構(gòu)性局限性有關(guān)。

2.4 森林地上生物量空間分布

基于3種數(shù)據(jù)源采用線性多元逐步回歸算法和KNN-FIFS算法進(jìn)行單一反演以及聯(lián)合反演得到航飛區(qū)森林地上生物量制圖(圖6)。

從圖 6a—6c可以看出，基于多元逐步回歸算法的LiDAR數(shù)據(jù)的制圖結(jié)果中，生物量分布<40、≥40～70以及≥160～200 t/hm2的森林區(qū)域各占30%，其余占10%；采用Landsat8 OLI數(shù)據(jù)的制圖結(jié)果中生物量≥40～70 t/hm2的區(qū)域約占研究區(qū)的40%，≥100～130 t/hm2的區(qū)域約占研究區(qū)的40%，<40 t/hm2的區(qū)域約占研究區(qū)的20%；采用融合LiDAR & Landsat8 OLI數(shù)據(jù)的制圖結(jié)果中生物量≥40～70 t/hm2的區(qū)域約占研究區(qū)的50%，≥130～160 t/hm2的區(qū)域約占研究區(qū)的30%，<40 t/hm2的區(qū)域約占研究區(qū)的20%。另外結(jié)合實(shí)際土地利用現(xiàn)狀(圖6b)可發(fā)現(xiàn)Landsat8 OLI數(shù)據(jù)的森林地上生物量結(jié)果中的高值區(qū)出現(xiàn)在了林區(qū)主干道附近，有明顯的錯(cuò)估現(xiàn)象。

從圖6d—6f中可以看出，基于KNN-FIFS算法的LiDAR數(shù)據(jù)的制圖結(jié)果中，生物量分布<40 t/hm2、≥40～70 t/hm2的區(qū)域各占研究區(qū)的40%，其余占20%；采用Landsat8 OLI數(shù)據(jù)的制圖結(jié)果中生物量≥40～70 t/hm2的區(qū)域占50%，<40 t/hm2的區(qū)域約占研究區(qū)的20%，≥130～160 t/hm2約占30%；采用融合數(shù)據(jù)的制圖結(jié)果中生物量≥40～70 t/hm2約占研究區(qū)的50%，<40 t/hm2約占研究區(qū)的30%，其余占20%。結(jié)合地面調(diào)查信息來(lái)看，基于KNN-FIFS算法反演出的生物量制圖與調(diào)查信息基本相符，<40 t/hm2的區(qū)域和≥40～70 t/hm2的區(qū)域占比較大。另外結(jié)合根河生態(tài)站航飛區(qū)森林地上生物量高值區(qū)主要分布在航飛區(qū)北部以及山脊線附近，低值區(qū)主要分布在海拔較低的林區(qū)主干道。航飛區(qū)域森林地上生物量的空間分布趨勢(shì)與實(shí)際的地貌特征相符。航飛區(qū)北部處于山坡的陰坡處，可以較好地存留水分，因此森林地上生物量較高；在航飛區(qū)域的林區(qū)主干道附近，由于修建主干道這種工程可以改變土層結(jié)構(gòu)以及條件，因此類似的人為干擾破壞植被活動(dòng)會(huì)導(dǎo)致森林地上生物量偏低。

3 討 論

1)森林地上生物量的監(jiān)測(cè)對(duì)區(qū)域生態(tài)植被保護(hù)及生態(tài)系統(tǒng)平衡都有著重要的意義，相比采用傳統(tǒng)人工地面調(diào)查森林AGB方法，使用遙感技術(shù)可快速獲取大區(qū)域尺度、實(shí)時(shí)及經(jīng)濟(jì)的森林AGB分布情況。本研究以LiDAR和Landsat8 OLI影像為數(shù)據(jù)源結(jié)合地面實(shí)測(cè)數(shù)據(jù)，對(duì)不同組合形式下的遙感參數(shù)進(jìn)行篩選，并采用線性多元逐步回歸和KNN-FIFS算法，對(duì)航飛區(qū)森林AGB進(jìn)行反演及分析研究。

研究結(jié)果中采用單一LiDAR數(shù)據(jù)的線性多元回歸和KNN-FIFS模型反演結(jié)果的R2為0.76和0.74。龐勇等[21]將機(jī)載LiDAR數(shù)據(jù)劃分為針葉林、闊葉林和針闊混交林3個(gè)類型進(jìn)行森林AGB反演，決定系數(shù)可達(dá)0.82以上，優(yōu)于筆者的建模結(jié)果。本研究采用的機(jī)載LiDAR數(shù)據(jù)雖能準(zhǔn)確獲取森林垂直結(jié)構(gòu)信息，但仍受真實(shí)地形起伏的影響，使歸一化的點(diǎn)云高度產(chǎn)生誤差，又未考慮森林類型的影響，在一定程度上影響了本研究在單一LiDAR數(shù)據(jù)情況下的精度。

Landsat8 OLI數(shù)據(jù)的兩種模型的反演精度R2為0.24和0.60，反演精度結(jié)果相比LiDAR數(shù)據(jù)結(jié)果較低。Foody等[22]研究表明體現(xiàn)光學(xué)特征的光譜信息在不同的地物之間存在較大差異，地形存在起伏較大區(qū)域或郁閉度較低區(qū)域，光譜信息受到地形等影響較大導(dǎo)致不能準(zhǔn)確表述植被特征，使得森林AGB數(shù)值產(chǎn)生10～15 t/hm2的反演誤差。羅洪斌等[4]同樣結(jié)合Landsat8 OLI和LiDAR兩種數(shù)據(jù)采用偏最小二乘法對(duì)橡膠林地上生物量進(jìn)行遙感反演中，采用單一Landsat8 OLI數(shù)據(jù)建模精度為0.56，同樣比單一LiDAR數(shù)據(jù)時(shí)建模精度低。上述學(xué)者在采用單一Landsat8 OLI數(shù)據(jù)進(jìn)行森林AGB反演時(shí)精度與本研究結(jié)果大致相當(dāng)，多光譜數(shù)據(jù)反演精度低的原因多與光譜信息不能反映森林垂直結(jié)構(gòu)、受地形影響較大及采用數(shù)據(jù)分辨率低等密切相關(guān)。

本研究融合LiDAR & Landsat8 OLI兩種數(shù)據(jù)源采用兩種模型反演森林AGB，反演精度R2分別0.84和0.80。胡凱龍等[23]利用光學(xué)數(shù)據(jù)的紋理特征和機(jī)載激光雷達(dá)的點(diǎn)云特征進(jìn)行森林地上生物量反演分析，在不區(qū)分森林類型的情況下，建模精度低于本研究的建模結(jié)果，分別為0.73和0.79。徐婷等[9]基于機(jī)載LiDAR和光學(xué)數(shù)據(jù)進(jìn)行建模，分析在不同森林類型的情況下估算綜合森林地上生物量，得到的R2可以達(dá)到0.88，證實(shí)了將典型森林類型劃分為不同森林類型會(huì)提高建模精度。本研究在未考慮森林類型的情況下，聯(lián)合兩種數(shù)據(jù)源建模總體上提高了反演的精度，這說(shuō)明LiDAR數(shù)據(jù)和多光譜數(shù)據(jù)聯(lián)合、參數(shù)組及特征優(yōu)選對(duì)我國(guó)寒溫帶森林AGB反演精度提高是行之有效的，另采用兩種模型也是適宜的。

2)本研究通過(guò)對(duì)LiDAR數(shù)據(jù)和Landsat8 OLI數(shù)據(jù)提取出的特征變量，采用偏最小二乘法進(jìn)行特征優(yōu)選，再通過(guò)線性多元逐步回歸算法和KNN-FIFS算法反演森林地上生物量形成結(jié)論如下：LiDAR和Landsat8 OLI兩種數(shù)據(jù)源的融合相比單一數(shù)據(jù)源對(duì)森林AGB的反演精度更高；在兩種數(shù)據(jù)3種組合方式下進(jìn)行特征的優(yōu)選，采用偏最小二乘法算法進(jìn)行篩選對(duì)反演精度的提高是有效的；線性多元回歸及KNN-FIFS兩個(gè)模型在不同組合下，對(duì)本研究區(qū)的森林類型反演是適宜的。

在未來(lái)的研究中可將光譜分辨率高的高光譜數(shù)據(jù)納入，加大不同數(shù)據(jù)的優(yōu)勢(shì)互補(bǔ)，深刻反饋森林三維結(jié)構(gòu)的細(xì)化特征；還可嘗試參數(shù)及非參數(shù)其他模型的算法研究，尋找最優(yōu)模型。另在加大特征提高的同時(shí)，應(yīng)深入其他篩選算法，去除冗余特征降維提取相關(guān)性最大特征；對(duì)于熱帶森林等不同森林類型也應(yīng)加大樹(shù)種、模型適宜性研究及精度和飽和點(diǎn)提高的研究。

根據(jù)本研究結(jié)果看，采用偏最小二乘法進(jìn)行特征變量的篩選，可以為后續(xù)的森林地上生物量建模提高精度。從特征變量VIP值排序上看，LiDAR百分位高度變量特征在排序中較靠前，反映了其在森林地上生物量有一定優(yōu)勢(shì)。此外，在紋理因子的提取中，可以考慮設(shè)置窗口的大小以便更好地進(jìn)行特征選擇。