高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于ZY-3卫星多光谱影像估算浙江省乔木林地上碳密度

郑冬梅 王海宾 夏朝宗 陈健 侯瑞萍 郝月兰 安天宇

引用本文:
Citation:

基于ZY-3卫星多光谱影像估算浙江省乔木林地上碳密度

    作者简介: 郑冬梅,教授级高级工程师。主要研究方向:森林资源监测及遥感技术应用。Email:zhengdm2001@sina.com  地址:100714北京市东城区和平里东街18号国家林业和草原局调查规划设计院.
  • 中图分类号: S771.5; TP701

Estimation of above-ground carbon density of arbor forest based on ZY-3 satellite image

  • 摘要: 目的 基于覆盖浙江省的ZY-3卫星影像以及LULUCF碳汇监测样地数据,以浙江省乔木林地上碳密度为研究对象,尝试构建一个自动化提取浙江省乔木林地上碳密度的技术方法。方法 分别在矢量标志建立、光谱信息提取、解译标志提纯、ZY-3卫星影像分类、自变量优选、建模方法优选、碳密度图制作等方面开展相关研究测试。结果 本研究在解译标志提纯后对ZY-3影像进行分类的精度高于提纯前的影像分类精度;采用的kNN法对ZY-3影像进行分类的精度(平均总精度为80.31%,平均Kappa系数为0.69,乔木林平均用户精度为91.86%,乔木林平均生产者精度为80.85%)高于最大似然分类法(平均总精度为78.56%,平均Kappa系数为0.62,乔木林平均用户精度为89.68%,乔木林平均生产者精度为77.79%);在选用的建模方法中,kNN法构建的模型精度(平均RMSE为15.64 t/hm2,平均RRMSE为23.53%)优于稳健估计法(平均RMSE为17.63 t/hm2,平均RRMSE为25.11%)。最后,生成了浙江省乔木林地上碳密度分布图。结论 本研究可为省域或更大尺度范围的乔木林地上或森林碳密度估算提供一个新的路径,为实现自动化估算碳密度以及其他森林参数提供参考。
  • 图 1  研究技术路线

    Figure 1.  Technology roadmap of study

    图 2  LULUCF碳汇监测样地分布图和样地区划图

    Figure 2.  Distribution map of LULUCF carbon sink monitoring plots and plot division map

    图 3  基于单景ZY-3影像建立的矢量标志

    Figure 3.  The extraction result of vector signs from single-view ZY-3 image

    图 4  灰度值梯度法提纯解译标志示意图

    Figure 4.  Grayscale gradient method for purification interpretation signs

    图 5  乔木林解译标志提纯前和提纯后

    Figure 5.  Interpretation signs before and after purification

    图 6  单个解译标志的提纯结果

    Figure 6.  Purification results of single interpretation mark

    图 7  ZY-3影像的分类精度及Kappa系数变化趋势图(27景)

    Figure 7.  Classification accuracy and Kappa coefficient trend of ZY-3 images (27scenes)

    图 8  ZY-3影像的分类总精度及Kappa系数变化趋势图(27景)

    Figure 8.  Classification accuracy and Kappa coefficient trend of ZY-3 images (27scenes)

    图 9  两种不同估算方法的均方根误差和相对均方根误差变化趋势(27景)

    Figure 9.  RMSE and RRMSE trend of two different estimation methods (27 scenes)

    图 10  基于ZY-3影像反演的浙江省乔木林地上碳密度灰度图

    Figure 10.  Gray scale of arbor forest carbon density retrievaled by ZY-3 images in Zhejiang province

    表 1  ZY-3卫星参数

    Table 1.  Technical parameters for ZY-3 satellite

    波段序号 Band number波长范围 Wavelength range波段名称 Band name地面分辨率 Ground resolution/m
    10.42 ~ 0.52蓝光 Blue light band5.8
    20.52 ~ 0.59绿光 Green light band5.8
    30.63 ~ 0.69红光 Red light band5.8
    40.77 ~ 0.89近红外 Near infrared band5.8
    50.50 ~ 0.80全色波段 Panchromatic band2.1
    下载: 导出CSV

    表 2  解译标志数量与图班面积的关系

    Table 2.  The relationship between the number of interpretation signs and the area of subcompartments

    图斑面积/hm2
    the area of subcompartment/ha2
    < 22 ~ 34 ~ 78 ~ 1213 ~ 20 > 21
    解译标志个数
    the number of interpretation signs
    123456
    下载: 导出CSV

    表 3  矢量标志提取的光谱信息

    Table 3.  Spectral information extracted by vector signs

    变量类型
    Variable type
    变量
    Variables
    计算公式
    Calculation formula
    单波段
    Single band
    Blue
    Green
    Red
    NIR
    归一化植被指数 NDVI $\scriptstyle{\rm{NDVI}} = \frac{{{\rm{NIR}} - {\rm{RED}}}}{{{\rm{NIR}} + {\rm{RED}}}}$
    植被指数
    Vegetation index
    比值植被指数 RVI RVI = NIR/RED
    差值植被指数 DVI DVI = NIR− RED
    注:Blue、Green、Red、NIR为ZY-3影像的蓝、绿、红、近红外波段。Note: Blue, green, red and NIR are the blue, green, red and near infrared bands of ZY-3 image.
    下载: 导出CSV

    表 4  基于提纯前后解译标志的ZY-3影像平均分类精度(27景)

    Table 4.  ZY-3 image classification accuracy based on interpretation signs before and after purification (27 scenes)

    分类样本
    Classified samples
    分类总精度(平均)
    Total classification
    accuracy (average)/%
    Kappa(平均)
    Kappa (average)
    乔木林用户精度(平均)
    user accuracy of arbor
    forest (average)/%
    乔木林生产者精度(平均)
    Producer precision of arbor
    forest (average)/%
    提纯前 Before purification 79.70 0.67 85.28 77.31
    提纯后 After purification 80.31 0.69 91.86 80.85
    下载: 导出CSV

    表 5  土地利用类型划分表

    Table 5.  Land use type classification table of study area

    一级地类名称
    First-class land name
    一级地类代码
    First-class land code
    二级地类名称
    Secondary land name
    二级地类代码
    Secondary land code
    林地 Forestland 1 乔木林地 Arbor forestand 11
    竹林地 Bamboo forestland 12
    灌木林地 Shrubland 13
    其他林地 Other forestland 14
    农地 Framland 2 农地 Framland
    草地 Grassland 3 草地 Grassland
    湿地 Wetland 4 湿地 Wetland
    聚居地 Settlement 5 聚居地 Settlement
    其他土地 Other land 6 其他土地 Other land
    下载: 导出CSV

    表 6  基于两种分类方法的ZY-3影像平均分类精度(27景)

    Table 6.  ZY-3 image classification accuracy based on MLC and kNN methods (27 scenes) %

    分类方法C
    lassificaton method
    分类总精度(平均)
    Total classification
    accuracy (average)
    Kappa(平均)
    Kappa (average)
    乔木林用户精度(平均)
    user accuracy of arbor
    forest (average)
    乔木林生产者精度(平均)
    Producer precision of
    arbor forest (average)
    最大似然法
    Maximum likelihood method
    78.56 0.62 89.68 77.79
    kNN法 kNN method 80.31 0.69 91.86 80.85
    下载: 导出CSV

    表 7  两种估算方法的平均估算精度(27景ZY-3影像)

    Table 7.  Average estimation accuracy of two estimation methods (27 ZY-3 images)

    估算方法
    Estimation methods
    RMSE(平均)/(t·hm− 2
    Average RMSE/ (t·ha− 1)
    RRMSE(平均)
    Average RRMSE/%
    稳健估计
    Robust estimation
    17.63 25.11
    kNN法
    kNN method
    15.64 23.53
    下载: 导出CSV
  • [1] 王海宾, 侯瑞萍, 郑冬梅, 等. 基于地理加权回归模型的亚热带地区乔木林生物量估算[J]. 农业机械学报, 2018, 49(6):184−190. doi: 10.6041/j.issn.1000-1298.2018.06.021Wang H B, Hou R P, Zheng D M, et al. Biomass estimation of arbor forest in subtropical region based on geographically weighted regression model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(6): 184−190. doi: 10.6041/j.issn.1000-1298.2018.06.021
    [2] Lu D, Chen Q, Wang G, et al. A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems[J]. International Journal of Digital Earth, 2014, 9(1): 63−105.
    [3] 刘茜, 杨乐, 柳钦火, 等. 森林地上生物量遥感反演方法综述[J]. 遥感学报, 2015, 19(1):62−74. doi: 10.11834/jrs.20154108Liu Q, Yang L, Liu Q H, et al. Review of forest above ground biomass inversion methods based on remote sensing technology[J]. Journal of Remote Sensing, 2015, 19(1): 62−74. doi: 10.11834/jrs.20154108
    [4] Du H Q, Zhou G M, Ge H L, et al. Satellite-based carbon stock estimation for bamboo forest with a non-linear partial least square regression technique[J]. International Journal of Remote Sensing, 2012, 33(6): 1917−1933. doi: 10.1080/01431161.2011.603379
    [5] 王海宾, 彭道黎, 范应龙, 等. 基于辅助信息的森林蓄积量空间模拟[J]. 农业机械学报, 2016, 47(6):283−289. doi: 10.6041/j.issn.1000-1298.2016.06.037Wang H B, Peng D L, Fan Y L. Spatial modeling of forest stock volume based on auxiliary information[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(6): 283−289. doi: 10.6041/j.issn.1000-1298.2016.06.037
    [6] Gleason C J, Im J. A review of remote sensing of forest biomass and biofuel: options for small-area applications[J]. Giscience & Remote Sensing, 2011, 48(2): 141−170.
    [7] 戚玉娇. 大兴安岭森林地上碳储量遥感估算与分析[D]. 哈尔滨: 东北林业大学, 2014.Qi Y J. Estimation of forest above ground carbon storage using remote sensing in Daxing' an Mountains[D]. Harbin: Northeast Forestry University, 2014.
    [8] 李德仁. 我国第一颗民用三线阵立体测图卫星:资源三号测绘卫星[J]. 测绘学报, 2012, 41(3):317−322.Li D R. First civilian three-line-array stereo mapping satellite: ZY-3[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(3): 317−322.
    [9] 李芬. 资源三号卫星数据在土地利用遥感监测中的应用研究[D]. 长春: 吉林大学, 2013.Li F. Application study of ZY-3 satellite data to landuse dynamic monitoring[D]. Changchun: Jinlin University, 2013.
    [10] 朱汤军, 沈楚楚, 季碧勇, 等. 基于LULUCF温室气体清单编制的浙江省杉木林生物量换算因子[J]. 生态学报, 2013, 33(13):3925−3932.Zhu T J, Shen C C, Ji B Y, et al. Research on biomass expansion factor of chinese fir forest in Zhejiang Province based on LULUCF greenhouse gas inventory[J]. Acta Ecologica Sinica, 2013, 33(13): 3925−3932.
    [11] 张煜星, 王祝雄. 遥感技术在森林资源清查中的应用研究[M]. 北京:中国林业出版社, 2007.Zhang Y X, Wang Z X. Application research of remote sensing technology in forest resources inventory[M]. Beijing: China Forestry Publishing House, 2007.
    [12] Du P, Xia J, Zhang W, et al. Multiple Classifier System for Remote Sensing Image Classification: A Review[J]. Sensors, 2012, 12(4): 4764−4792. doi: 10.3390/s120404764
    [13] 郑刚. 基于KNN法的森林蓄积量的遥感估计和反演[D]. 南京: 南京林业大学, 2009.Zheng G. Estimation and retrieval of forest volume by remote sensing based on KNN: a case study in wengyuan county of Guangdong province[D]. Nanjing: Nanjing Forestry University, 2009.
    [14] 邓书斌. ENVI遥感图像处理方法[M]. 北京:高等教育出版社, 2014.Deng S B. ENVI remote sensing image processing method[M]. Beijing: High Education Press, 2014.
    [15] 琚存勇, 邸雪颖, 蔡体久. 变量筛选方法对郁闭度遥感估测模型的影响比较[J]. 林业科学, 2007, 43(12):33−38. doi: 10.3321/j.issn:1001-7488.2007.12.006Ju C Y, Di X Y, Cai T J. Comparing impact of two Sselecting variables methods on canopy closure estimation[J]. Scientia Silvae Sinicae, 2007, 43(12): 33−38. doi: 10.3321/j.issn:1001-7488.2007.12.006
    [16] 李崇贵, 赵宪文, 李春干. 森林蓄积量遥感估测理论与实现[M]. 北京: 科学出版社, 2006.Li C G, Zhao X W, Li C G. Theory and realization of estimating forest stock volume by remote sensing[M]. Beijing: China Science Publishing, 2006.
    [17] Chirici G, Mura M, McInerney D, et al. A meta-analysis and review of the literature on the k-Nearest Neighbors technique for forestry applications that use remotely sensed data[J]. Remote Sensing of Environment, 2016, 176: 282−294. doi: 10.1016/j.rse.2016.02.001
    [18] Gjertsen A K. Accuracy of forest mapping based on Landsat TM data and a kNN-based method[J]. Remote Sensing of Environment, 2007, 110(4): 420−430. doi: 10.1016/j.rse.2006.08.018
    [19] McRoberts R E, Nelson M D, Wendt D G. Stratified estimation of forest area using satellite imagery, inventory data, and the k-Nearest Neighbors technique[J]. Remote Sensing of Environment, 2002, 82(2-3): 457−468. doi: 10.1016/S0034-4257(02)00064-0
    [20] Tomppo E, Katila M. Satellite image-based national forest inventory of finland for publication in the igarss'91 digest[C]//Proceedings of IGARSS'91. Remote Sensing: Global Monitoring for Earth Management. Finland: IEEE, 1991: 1141-1144.
    [21] Tomppo E, Nilsson M, Rosengren M, et al. Simultaneous use of Landsat-TM and IRS-1C WiFS data in estimating large area tree stem volume and aboveground biomass[J]. Remote Sensing of Environment, 2002, 82(1): 156−171. doi: 10.1016/S0034-4257(02)00031-7
    [22] 郑刚, 彭世揆, 戎慧, 等. 基于KNN方法的森林蓄积量遥感估计和反演概述[J]. 遥感技术与应用, 2010, 25(3):430−437. doi: 10.11873/j.issn.1004-0323.2010.3.430Zheng G, Peng S K, Rong H, et al. A general introduction to estimation and retrieval of forest volume with remote sensing based on KNN[J]. Remote Sensing Technology and Application, 2010, 25(3): 430−437. doi: 10.11873/j.issn.1004-0323.2010.3.430
    [23] 刘俊, 毕华兴, 朱沛林, 等. 基于ALOS遥感数据纹理及纹理指数的柞树蓄积量估测[J]. 农业机械学报, 2014, 45(7):245−254. doi: 10.6041/j.issn.1000-1298.2014.07.038Liu J, Bi H X, Zhu P L, et al. Estimating stand volume of Xylosma racemosum forest based on texture parameters and derivative texture indices of ALOS imagery[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(7): 245−254. doi: 10.6041/j.issn.1000-1298.2014.07.038
    [24] Beguet B, Guyon D, Boukir S, et al. Automated retrieval of forest structure variables based on multi-scale texture analysis of VHR satellite imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 96: 164−178. doi: 10.1016/j.isprsjprs.2014.07.008
    [25] Eckert S. Improved forest biomass and carbon estimations using texture measures from WorldView-2 satellite data[J]. Remote Sensing, 2012, 4(4): 810−829. doi: 10.3390/rs4040810
    [26] Jin X L, Ma J H, Wen Z D, et al. Estimation of maize residue cover using Landsat-8 OLI image spectral information and textural features[J]. Remote Sensing, 2015, 7(11): 14559−14575. doi: 10.3390/rs71114559
    [27] Meng J H, Li S M, Wang W, et al. Estimation of forest structural diversity using the spectral and textural information derived from SPOT-5 satellite images[J]. Remote Sensing, 2016, 8(2): 125−148. doi: 10.3390/rs8020125
  • [1] 解潍嘉黄侃李瑞平孙浩扈晶晶黄华国 . 应用高分辨率卫星数据估算阔叶红松林乔木多样性. 北京林业大学学报, doi: 10.13332/j.1000-1522.20140306
    [2] 刘诗琦贾黎明杨军辛建华 . 基于Landsat TM 数据估算山东菏泽区域杨树人工林碳储量. 北京林业大学学报,
    [3] 聂敏莉冯仲科杨利民隋宏大 , . 用间接平差模型估算木材密度. 北京林业大学学报,
    [4] 庞琪伟贾黎明郑士光 . 基于多谱辐射仪的柠条地上干生物量估算模型研究. 北京林业大学学报,
    [5] 张颖张莉莉金笙 . 基于分类分析的中国碳交易价格变化分析——兼对林业碳汇造林的讨论. 北京林业大学学报, doi: 10.13332/j.1000-1522.20180198
    [6] 张颖吴丽莉苏帆杨志耕 . 我国森林碳汇核算的计量模型研究. 北京林业大学学报,
    [7] 武三安胡建忠杜晓莫秋云陈玮贾黎明刁一伟李成茂刘晓丽张丽丽韩烈保张建军张厚江郭惠红石娟赵博光王昌俊申世杰梁波马履一李文彬姜笑梅徐文铎邢长山骆有庆李镇宇王安志清水晃宋菲张峻萍金昌杰苏德荣崔英颖壁谷直记王小平曾凡勇李海林李景锐赵林果石碧殷亚方沉昕延廣竜彦徐梅蒋艳灵韩瑞东苗毅陈卫平2韦艳葵胡青关德新王瀛坤裴铁璠赵永利严晓素高述民徐君李凤兰周军蒋平蒋平 . 确定监测区域建立森林郁闭度估测方程最优样地的研究. 北京林业大学学报,
    [8] 韩士杰袁志友方运霆王智平 . 中国北方森林和草地生态系统碳氮耦合循环与碳源汇效应研究. 北京林业大学学报, doi: 10.13332/j.1000-1522.20160384
    [9] 杨伯钢董明祝晓坤冯仲科 , . 基于遥感影像的北京林地动态监测应用研究. 北京林业大学学报,
    [10] 郝朝运卜崇峰旷远文刘海军李贤军王安志程万里王发国陈永亮宋瑞清李艳华张占宽徐秋芳王鸿斌杨丽韫赵廷宁张志罗辑吴娟毕华兴明军谭秀英叶华谷姜培坤陈天全郭卫东马洁朱金兆张启翔张璧光骆有庆马忠明刘建梅刘国彬曹子龙张真李文华习宝田程根伟温达志冀瑞卿刘一星李文军敏朗康向阳郑翠玲朱清科兰彦平李伟温俊宝孔祥波周国逸裴铁沈泉陈玉福刘鹏程放李笑吟邢福武张宇清金昌杰马其侠则元京张志明孙保平沈佐锐刘世忠李延军何祖慰丁国栋陈红锋张德强冯继华金幼菊姚爱静曹刚陶万强魏铁 . 灌木林与阔叶林土壤有机碳库的比较研究. 北京林业大学学报,
    [11] 张学霞朱清科吴根梅孙丹珠 . 数码照相法估算植被盖度. 北京林业大学学报,
    [12] 宋艳冬金爱武金晓春张启良陈焕伟 . 毛竹叶片光合色素的光谱估算模型. 北京林业大学学报,
    [13] 贾炜玮李凤日董利虎赵鑫 . 基于相容性生物量模型的樟子松林碳密度与碳储量研究. 北京林业大学学报,
    [14] 涂成龙刘丛强武永锋王毅 . 应用δ13C值探讨林地土壤有机碳的分异. 北京林业大学学报,
    [15] 郭晓楠查天山杨强穆家伟刘鹏 . 典型沙生灌木生态系统凝结水量估算. 北京林业大学学报, doi: 10.13332/j.1000-1522.20160017
    [16] 牛丽岳广阳赵哈林张铜会赵学勇刘新平赵玮 , . 利用液流法估算樟子松和小叶锦鸡儿人工林蒸腾耗水. 北京林业大学学报,
    [17] 宋现锋段峥牛海山河野泰之 . 土壤侵蚀模型中植被管理因子的遥感估算. 北京林业大学学报,
    [18] 姚玉刚张一平于贵瑞宋清海谭正洪赵俊斌 . 热带森林植被冠层CO2储存项的估算方法研究. 北京林业大学学报,
    [19] 史东梅陈正发蒋光毅江东 . 紫色丘陵区几种土壤可蚀性K值估算方法的比较. 北京林业大学学报,
    [20] 郭鑫吴鹏韩威李巧燕杨蕾安海龙王襄平 . 演替和气候对阔叶红松林土壤有机碳密度的影响. 北京林业大学学报, doi: 10.13332/j.1000-1522.20160060
  • 加载中
图(10)表(7)
计量
  • 文章访问数:  81
  • HTML全文浏览量:  73
  • PDF下载量:  8
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-10-25
  • 录用日期:  2019-01-31
  • 网络出版日期:  2019-11-13

基于ZY-3卫星多光谱影像估算浙江省乔木林地上碳密度

    作者简介: 郑冬梅,教授级高级工程师。主要研究方向:森林资源监测及遥感技术应用。Email:zhengdm2001@sina.com  地址:100714北京市东城区和平里东街18号国家林业和草原局调查规划设计院
  • 1. 国家林业和草原局调查规划设计院,北京 100714
  • 2. 国家林业和草原局林产工业规划设计院,北京 100010

摘要: 目的基于覆盖浙江省的ZY-3卫星影像以及LULUCF碳汇监测样地数据,以浙江省乔木林地上碳密度为研究对象,尝试构建一个自动化提取浙江省乔木林地上碳密度的技术方法。方法分别在矢量标志建立、光谱信息提取、解译标志提纯、ZY-3卫星影像分类、自变量优选、建模方法优选、碳密度图制作等方面开展相关研究测试。结果本研究在解译标志提纯后对ZY-3影像进行分类的精度高于提纯前的影像分类精度;采用的kNN法对ZY-3影像进行分类的精度(平均总精度为80.31%,平均Kappa系数为0.69,乔木林平均用户精度为91.86%,乔木林平均生产者精度为80.85%)高于最大似然分类法(平均总精度为78.56%,平均Kappa系数为0.62,乔木林平均用户精度为89.68%,乔木林平均生产者精度为77.79%);在选用的建模方法中,kNN法构建的模型精度(平均RMSE为15.64 t/hm2,平均RRMSE为23.53%)优于稳健估计法(平均RMSE为17.63 t/hm2,平均RRMSE为25.11%)。最后,生成了浙江省乔木林地上碳密度分布图。结论本研究可为省域或更大尺度范围的乔木林地上或森林碳密度估算提供一个新的路径,为实现自动化估算碳密度以及其他森林参数提供参考。

English Abstract

  • 区域森林碳储量的准确估算一直以来是陆地生态系统生物量和碳储量研究的热点之一[1-2]。遥感技术因其即时、快速和成本低的优势,在森林生物量和碳储量的估算中得到了广泛应用[3-4]。根据全国和区域大尺度监测的需要,应用光学遥感技术结合地面样地数据对森林生物量和碳储量进行估算成为必要的手段[5-7]

    近年来,我国自主研发的高分辨率光学传输型民用立体测图卫星资源三号(ZY-3)成功发射,它具有连续、稳定、长期地获取覆盖全国的高分辨率立体影像和多光谱影像的能力,在国家基础设施建设、森林资源及动态变化监测、自然灾害防治与监控等方面得到了较为广泛的应用,为我国测绘事业的长期发展提供强有力的保障和支撑[8-9]。研究和推广应用ZY-3卫星影像数据估算区域尺度的森林碳储量,有助于提升监测工作效率,减少监测工作经费压力,对推广国产高分ZY-3卫星影像数据在森林资源监测中的应用具有重要的实践意义。

    2009年,国家林业局启动了全国林业碳汇计量与监测体系建设,在全国范围内建立了土地利用、土地利用变化和林业(Land use,Land use change and forestry,简称LULUCF)碳汇监测样地,用于开展土地利用变化与林业碳汇计量监测,研究和应用LULUCF碳汇监测样地数据进行全国或区域森林碳储量遥感估测具有重要意义。

    本研究以浙江省为研究区,以乔木林地上碳密度为研究对象,基于研究区内的LULUCF碳汇监测样地数据和覆盖研究区的ZY-3卫星影像数据,通过详细研究采用的理论方法,提取出研究区的乔木林信息,构建乔木林地上碳密度估算模型,用于估算浙江省乔木林地上碳密度分布。通过方法研究,解决区域尺度乔木林地上碳密度遥感快速估测的关键技术,形成一套可行的乔木林地上碳密度遥感估算的技术方法,为全国及区域尺度的森林碳密度及碳储量遥感估算提供参考。

    • 本研究基于LULUCF碳汇监测样地数据和覆盖浙江省的多景ZY-3卫星影像数据,估算浙江省乔木林地上碳密度。研究思路如下:(1)以单景正射校正的ZY-3影像为研究单元,利用分布在影像上的样地数据,建立解译标志;(2)对影像进行监督分类,并分景建立乔木林地上碳密度估算模型;(3)利用模型反演,估测单景影像的乔木林地上碳密度分布;(4)采用批量处理方式,估测浙江省乔木林地上碳密度分布;(5)对乔木林地上碳密度反演结果进行镶嵌处理,生成浙江省乔木林地上碳密度分布图。

      经过测试、分析和验证,形成了乔木林地上碳密度估算的技术流程体系,应用ArcGIS二次开发,研发了多源遥感森林碳储量估测系统软件,通过软件运算,完成了浙江省乔木林地上碳密度分布的测算工作。本研究的技术路线见图1

      图  1  研究技术路线

      Figure 1.  Technology roadmap of study

    • 浙江省地理位置界于118°01´ ~ 123°10´E、N 27°06´ ~ 31°11´之间,位于中国东南沿海,长江三角洲南部。全省陆地面积10.55 × 104 km2,占全国面积的1.1%。省内地形较为复杂,地势从西南向东北呈阶梯式下降的变化趋势,西南部分以山地丘陵为主,平均海拔在100 m以上,中部多为500 m以下的丘陵,大小盆地相间分布,东北部为海拔10 m以下的冲积平原,河网密布。研究区属亚热带季风性气候区,该区四季分明,雨热同季,夏季高温多雨,冬季温和少雨。年平均气温在15 ~ 18 ℃之间,极端最高气温44.1 ℃,极端最低气温− 17.4 ℃,无霜期230 ~ 270 d。区内光照较多,年平均日照时数1 710 ~ 2 100 h。年均降水量在980 ~ 2 000 mm之间,5—6月为集中降雨期。研究区内土壤类型多样,主要有红壤、黄壤、石灰土、水稻土、紫色土等类型,其中红壤的分布范围最广,几乎遍布研究区内海拔500 ~ 900 m以下的丘陵山地。依据浙江省2009年(第8次)森林资源连续清查资料[10]显示,全省土地面积10.18 × 104 km2,其中林地面积6.61 × 104 km2,占64. 91%;非林地面积3.57 × 104 km2,占35. 09%。林地面积中,森林面积6.01 × 106 hm2,森林覆盖率59. 07%。活立木蓄积2.42 × 108 m3,其中森林蓄积2.17 × 108 m3

    • 地面数据采用的是LULUCF碳汇监测样地,样地面积大小为4 km × 4 km,样地间隔为24 km × 24 km,浙江省样地分布及单个样地区划结果见图2。样地属性主要包括样地编号、小班土地利用类型(地类)、乔木层每公顷地上生物量等30多项因子。本研究用到的属性因子有样地编号、图斑号、土地利用类型、优势树种(组)、乔木层每公顷地上生物量共计5个因子。乔木林每公顷地上生物量通过样本公顷蓄积(活立木)乘以生物量转换因子计算获取,每公顷生物量乘以对应的树种含碳率可得到碳密度(每公顷碳储量)。本研究采用的生物量转换因子和树种含碳率均来自《土地利用、土地利用变化与林业碳汇计量监测技术指南》,指南中的生物量转换因子和树种含碳率可基本覆盖研究区内的各个优势树种(组),未覆盖部分按其自身属性归并到相应树种(组)。

      图  2  LULUCF碳汇监测样地分布图和样地区划图

      Figure 2.  Distribution map of LULUCF carbon sink monitoring plots and plot division map

      采用的辅助数据包括浙江省森林资源调查数据、1:5万数字高程模型(Digitial elevation model,DEM)数据等。

    • ZY-3卫星影像包含多光谱波段和全色波段,其中多光谱波段空间分辨率为5.8 m,全色波段空间分辨率为2.1 m。本研究选择ZY-3影像的多光谱波段估算乔木林地上碳密度,共计使用影像237景,影像获取时间为2015年,影像云量小于10%。获取的影像已经过辐射定标、大气校正和正射校正处理,校正误差控制在1个像元以内。ZY-3卫星的参数见表1

      表 1  ZY-3卫星参数

      Table 1.  Technical parameters for ZY-3 satellite

      波段序号 Band number波长范围 Wavelength range波段名称 Band name地面分辨率 Ground resolution/m
      10.42 ~ 0.52蓝光 Blue light band5.8
      20.52 ~ 0.59绿光 Green light band5.8
      30.63 ~ 0.69红光 Red light band5.8
      40.77 ~ 0.89近红外 Near infrared band5.8
      50.50 ~ 0.80全色波段 Panchromatic band2.1
    • 在碳汇监测样地的区划图斑内,依据图斑面积大小布设不同数量的矢量标志。采用多源遥感森林碳储量估测系统软件建立矢量标志,具体是基于碳汇监测样地中的区划图斑,根据图斑面积大小及属性中的地类信息进行布设,矢量标志建立的具体要求如下:

      (1)在碳汇监测大样地中的区划图斑中,采用分景影像的方式,依据实际地类情况建立各地类的矢量标志,形状为正方形,面积大小为0.06 hm2

      (2)依碳汇监测大样地区划图斑面积大小,设置数量不等的矢量标志。矢量标志间中心点间距不得低于100 m,中心点距离小班边界不得低于50 m。区划图斑面积和矢量标志数量的关系见表2。单个碳汇监测样地内的矢量标志分布如图3所示,黄色的点为建立的矢量标志。

      表 2  解译标志数量与图班面积的关系

      Table 2.  The relationship between the number of interpretation signs and the area of subcompartments

      图斑面积/hm2
      the area of subcompartment/ha2
      < 22 ~ 34 ~ 78 ~ 1213 ~ 20 > 21
      解译标志个数
      the number of interpretation signs
      123456

      图  3  基于单景ZY-3影像建立的矢量标志

      Figure 3.  The extraction result of vector signs from single-view ZY-3 image

      矢量标志建立后,提取对应位置的光谱信息,建立解译标志。提取的光谱信息包括ZY-3卫星影像的蓝、绿、红、近红外4个多光谱波段以及NDVI、RVI、DVI共3个植被指数。详细的光谱信息见表3

      表 3  矢量标志提取的光谱信息

      Table 3.  Spectral information extracted by vector signs

      变量类型
      Variable type
      变量
      Variables
      计算公式
      Calculation formula
      单波段
      Single band
      Blue
      Green
      Red
      NIR
      归一化植被指数 NDVI $\scriptstyle{\rm{NDVI}} = \frac{{{\rm{NIR}} - {\rm{RED}}}}{{{\rm{NIR}} + {\rm{RED}}}}$
      植被指数
      Vegetation index
      比值植被指数 RVI RVI = NIR/RED
      差值植被指数 DVI DVI = NIR− RED
      注:Blue、Green、Red、NIR为ZY-3影像的蓝、绿、红、近红外波段。Note: Blue, green, red and NIR are the blue, green, red and near infrared bands of ZY-3 image.
    • 在建立的解译标志中,由于“同谱异物,同物异谱”的原因,存在由异常像元产生的异常值问题,因此,需要对这部分异常的像元做进一步处理,以提高乔木林信息提取精度和乔木林地上碳密度模型精度。本研究采用二倍标准差法进行控制,结合灰度值梯度法剔除非乔木林的解译标志。具体方法如下。

      (1)二倍标准差法剔除异常像元

      对建立的单景ZY-3影像的解译标志,运用二倍标准差分析方法进行筛选,剔除各光谱信息(蓝、绿、红、近红、NDVI、RVI、DVI)中$\left| {{x_{ij}} - {{\bar x}_i}} \right| > 2{\sigma _i}$的光谱值,式中xij为第i个样本第j个波段光谱灰度值,${\bar x_i}$σi分别为第j个波段光谱灰度值的均值和标准差。

      (2)灰度值梯度法

      植被发射波谱受植物叶绿素的影响呈现有规律的变化,叶绿素对蓝光和红光的吸收作用强,对绿光反射作用强,从而在绿光处出现一个小的反射峰,在绿光两侧出现两个吸收带[11]。基于以上特征,本文采用灰度值梯度法对解译标志进行提纯。灰度值梯度法是基于绿色波段,以解译标志为中心,统计其绿色波段灰度值与周边相邻区域(在3 × 3像元范围内,见图4)光谱灰度值差的绝对值。经过测试分析,确定当梯度(绝对值)大于20的数量超过3个时,为非目标地类解译标志,需进行剔除处理。

      图  4  灰度值梯度法提纯解译标志示意图

      Figure 4.  Grayscale gradient method for purification interpretation signs

      以单个LULUCF碳汇监测样地(4 km × 4 km)内解译标志的提纯为例,提纯前后变化见图5,其中左图中的蓝色解译标志代表提纯前的解译标志,右图中的红色解译标志代表提纯后剩余的解译标志。单个解译标志的提纯结果见图6。由图6可知,质量较差(左)的解译标志被剔除,质量好(右)的解译标志被保留。

      图  5  乔木林解译标志提纯前和提纯后

      Figure 5.  Interpretation signs before and after purification

      图  6  单个解译标志的提纯结果

      Figure 6.  Purification results of single interpretation mark

      为对比解译标志提纯前后对影像分类效果的影响,本研究选取kNN法,分别利用单景影像提纯前和提纯后的解译标志对27景影像进行分类,对比分析影像分类精度,结果见表4图7。由表4图7可知,解译标志提纯后,27景ZY-3影像的平均分类精度有所提高,说明解译标志提纯可以改善ZY-3影像总体分类精度。

      表 4  基于提纯前后解译标志的ZY-3影像平均分类精度(27景)

      Table 4.  ZY-3 image classification accuracy based on interpretation signs before and after purification (27 scenes)

      分类样本
      Classified samples
      分类总精度(平均)
      Total classification
      accuracy (average)/%
      Kappa(平均)
      Kappa (average)
      乔木林用户精度(平均)
      user accuracy of arbor
      forest (average)/%
      乔木林生产者精度(平均)
      Producer precision of arbor
      forest (average)/%
      提纯前 Before purification 79.70 0.67 85.28 77.31
      提纯后 After purification 80.31 0.69 91.86 80.85

      图  7  ZY-3影像的分类精度及Kappa系数变化趋势图(27景)

      Figure 7.  Classification accuracy and Kappa coefficient trend of ZY-3 images (27scenes)

      本研究采用开发的多源遥感森林碳储量估测系统软件对覆盖全省的影像做批量处理,分景建立和提纯解译标志,生成单景影像的解译标志集,作为ZY-3影像分类的样本和构建乔木林地上碳密度模型的样本。

    • 在对ZY-3影像分类时,需要构建土地利用类型分类体系,依据《土地利用、土地利用变化与林业碳汇计量监测技术指南》给出的分类依据,将土地利用类型划分为林地、农地、草地、湿地、聚居地和其他土地6大类。基于LULUCF的分类标准,结合浙江省土地利用类型情况,本研究将土地利用类型分为两个级别,一级土地利用类型分为林地、农地、草地、湿地、聚居地和其他土地6大地类,二级地类是对一级地类中林地进行细分,划分为乔木林地、竹林地、灌木林、其他林地4个地类。土地利用类型的具体划分见表5

      表 5  土地利用类型划分表

      Table 5.  Land use type classification table of study area

      一级地类名称
      First-class land name
      一级地类代码
      First-class land code
      二级地类名称
      Secondary land name
      二级地类代码
      Secondary land code
      林地 Forestland 1 乔木林地 Arbor forestand 11
      竹林地 Bamboo forestland 12
      灌木林地 Shrubland 13
      其他林地 Other forestland 14
      农地 Framland 2 农地 Framland
      草地 Grassland 3 草地 Grassland
      湿地 Wetland 4 湿地 Wetland
      聚居地 Settlement 5 聚居地 Settlement
      其他土地 Other land 6 其他土地 Other land
    • 本研究采用了较为常用的最大似然法和kNN法,分类原理及介绍详见文献[12]和[13]。分类结果的评价采用误差矩阵法(混淆矩阵)和Kappa系数法,详细介绍可参考文献[14]。研究选取27景影像,分别采用最大似然法和kNN法进行分类测试,测试平台采用ENVI 5.3软件和多源遥感森林碳储量估测系统中的遥感影像分类模块。

    • 采用系统抽样方法,结合浙江省森林资源二类调查数据,生成检验点。具体是由ArcGIS10.1系统布设抽样点,样点间距为5 km × 5 km,共获得检验样点1 502个,将浙江省的二类调查数据与检验样点叠加,记录检验点所对应的地类,用于乔木林地提取结果的验证。

    • 本文选取了常用的稳健估计和kNN法作为碳密度模型的建模方法。研究选择了27景影像进行分析测试,基于提纯后的单景影像的解译标志,使用随机抽样方法将其中的70%作为训练数据,其余的30%作为验证数据,来构建乔木林地上碳密度模型,通过对比两种建模方法的效果来确定最优的建模方法。

    • 在构建模型时,自变量对所构建模型的稳定性有很大影响,有些因子对碳密度估算的影响很小,甚至没有影响,就有必要从自变量因子集中剔除,将剩余的因子组成最优自变量集。本文选择应用较多的平均残差平方和准则筛选自变量因子,其原理见文献[15]。

    • 稳健估计主要是针对最小二乘估计不具备抵抗异常值这一缺点提出来的。构造稳健估计的目的有两方面,一方面是当所选择的碳密度模型与实际模型有微小差异时,待定参数的性能只能受到微小影响,确保构造出的碳密度模型具有一定的“稳定性”;另一方面是在抽取用于建立碳密度模型的样地中,当有的样地碳密度明显出现异常时,待定参数的求解受其影响不应很大,稳健估计解算出的模型具有一定的“抗干扰性”[16]。稳健估计原理见参考文献[16]。

    • kNN是一种典型的非参数方法,基于观测点和预测点之间的空间相似性关系进行单变量或多变量预测(如蓄积量、生物量等森林结构参数),在欧洲和北美得到了广泛地应用[17-19]

      kNN方法用于森林参数估计的最大优点在于它不仅能同时估计若干个森林参数,而且它还能够维持参数之间的自然依赖结构,保持参数之间的一致性,同利用遥感自变量和森林参数建立的回归模型相比,kNN方法更多地考虑森林参数同自变量间的非线性依赖关系[20-21]。此外,kNN方法不受建模变量间的多重共线性的影响,由于每个样地单元碳密度使用k个近邻样地碳密度进行估算,对异常样地具有一定的抵抗作用,相比传统多元回归估测模型,能有效提高估测精度,被广泛的用于分类以及森林结构参数的估测上,具有一定的应用优势。KNN法的原理见参考文献[13]。

    • 将解译标志的70%作为建模样本,剩余的30%作为验证样本,构建模型并进行评价。模型精度采用均方根误差(RMSE)、相对均方根误差(RRMSE)两个指标来评价,两种评价指标越小,表明模型精度越高。指标计算公式如下:

      $RMSE = \sqrt {\sum\limits_{i = 1}^n {{{{{\left( {{{\hat y}_i} - {y_i}} \right)}^2}} / n}} } $

      (1)

      $RRMSE = \frac{{RMSE}}{{{{\bar y}_i}}}$

      (2)

      式中:${y_i}$为碳储量观测值,${\hat y_i}$为碳储量模型预测值,${\bar y_i}$为样本碳储量观测值的平均值,n为检验样本个数。

    • 采用最大似然法和kNN法提取乔木林地的精度见表6图8。应用最大似然法分类的平均总精度为78.56%,平均Kappa系数为0.62,乔木林平均用户精度为89.68%,乔木林平均生产者精度为77.79%,应用kNN法分类平均总精度为80.31%,平均Kappa系数为0.69,乔木林平均用户精度为91.86%,乔木林平均生产者精度为80.85%。从测试结果及数据统计对比来看,kNN法的分类结果要好于最大似然法。

      表 6  基于两种分类方法的ZY-3影像平均分类精度(27景)

      Table 6.  ZY-3 image classification accuracy based on MLC and kNN methods (27 scenes) %

      分类方法C
      lassificaton method
      分类总精度(平均)
      Total classification
      accuracy (average)
      Kappa(平均)
      Kappa (average)
      乔木林用户精度(平均)
      user accuracy of arbor
      forest (average)
      乔木林生产者精度(平均)
      Producer precision of
      arbor forest (average)
      最大似然法
      Maximum likelihood method
      78.56 0.62 89.68 77.79
      kNN法 kNN method 80.31 0.69 91.86 80.85

      图  8  ZY-3影像的分类总精度及Kappa系数变化趋势图(27景)

      Figure 8.  Classification accuracy and Kappa coefficient trend of ZY-3 images (27scenes)

    • 本研究采用稳健估计和kNN法构建乔木林地上碳密度模型的平均估算精度结果见表7图9。由表7图9可知,在采用上述两种方法构建的乔木林地上碳密度模型,kNN法构建的模型平均RMSE为15.64 t/hm2,平均RRMSE为23.53%,稳健估计法构建的模型的平均RMSE为17.63 t/hm2,平均RRMSE为25.11%。由测试结果来看,kNN法构建的模型精度要优于稳健估计法。因此,本研究选择kNN法来估测乔木林地上碳密度。

      表 7  两种估算方法的平均估算精度(27景ZY-3影像)

      Table 7.  Average estimation accuracy of two estimation methods (27 ZY-3 images)

      估算方法
      Estimation methods
      RMSE(平均)/(t·hm− 2
      Average RMSE/ (t·ha− 1)
      RRMSE(平均)
      Average RRMSE/%
      稳健估计
      Robust estimation
      17.63 25.11
      kNN法
      kNN method
      15.64 23.53

      图  9  两种不同估算方法的均方根误差和相对均方根误差变化趋势(27景)

      Figure 9.  RMSE and RRMSE trend of two different estimation methods (27 scenes)

    • 依据本文优选的kNN建模方法、覆盖研究区的237景ZY-3影像、LULUCF碳汇监测样地数据以及乔木林地提取结果,使用多源遥感森林碳储量估测软件来估测浙江省的乔木林地上碳密度。浙江省遥感估测乔木林地上碳密度分布图如图10所示。

      图  10  基于ZY-3影像反演的浙江省乔木林地上碳密度灰度图

      Figure 10.  Gray scale of arbor forest carbon density retrievaled by ZY-3 images in Zhejiang province

    • 本研究基于ZY-3卫星影像和LULUCF碳汇监测样地数据,通过光谱信息提取、解译标志建立及提纯、分类方法、自变量以及建模方法优选、乔木林地上碳密度估测的测试、分析及运算,形成了一套快速估算乔木林地上碳密度的技术流程和方法,为省级和更大区域范围应用影像数据估算乔木林和森林地上碳密度提供了可行的参考,生成乔木林和森林地上碳密度分布图,更加直观的展示碳密度的空间分布情况。

      本文实现了自动提取光谱信息以及建立和提纯解译标志,尤其是在解译标志的提纯上,提出了二倍标准差法结合灰度值梯度法对乔木林解译标志进行提纯。二倍标准差法可以剔除异常像元的影响,灰度值梯度法可有效的剔除布设在乔木林地范围内的道路、林窗上的解译标志,解决少量解译标志与地类不匹配的问题,在一定程度上可改善影像提取乔木林地的精度,并为构建乔木林地上碳密度模型提供较好的样本,增加所构建模型的稳定性,减小碳密度估算的不确定性。作为整个研究环节的关键部分,此方法对乔木林地上碳密度估算起着非常重要的作用。本研究采用了提纯前后的解译标志对27影像进行分类测试,由图7可知,部分影像提纯前后的分类精度变化很小,这是因为这部分影像上的乔木林地占比较少,解译标志提纯前后的数量变化很小,所以对影像分类精度的提高影响较小,在后续的研究中,可以考虑对其他地类做提纯处理,综合考虑各个地类解译标志,测试其是否能够改善分类精度。

      在自变量因子的确定上,本文只设置了7个变量因子,包括4个单波段和3个植被指数,这对建模工作来说,缺少更好的遥感因子,应补充更多能够反映植被生长状况和土壤背景的植被指数。此外,还可以引进多光谱波段和全色波段的纹理特征,相关的研究文献[22-27]表明,影像的纹理特征可有效的改善影像分类效果和模型构建的精度。因此,在后续的研究中,可考虑引入更多的遥感因子、纹理特征、地形因子、气候等因子,将其作为影像分类或模型构建的因子,测试分析其适用性。

      在分类方法的测试中,最大似然分类法分类效果不如kNN法。但kNN法的聚集分类效应,使得当单景影像上某个地类的解译标志较多时,更倾向于将影像像元分为这个地类,使得优势地类会在分类结果中更加聚集。在后期的分类研究中,可选择决策树分类法、机器学习和随机森林等方法对影像进行分类,提高乔木林地信息提取精度。此外,可根据实际需要,对乔木林做进一步的细化分类,生成不同类型的乔木林分布图,进一步挖掘其应用价值。

      在建模方法的测试中,kNN法要优于稳健估计方法。kNN法虽能取得较好的估算效果,但其估测值往往向均值方向移动,虽然可获得较小的误差,但其低值高估和高值低估问题往往不能保留估算结果的空间异质性。在后续的研究中,可尝试更多的建模方法进行测试分析,获取更优的建模方法,提高碳密度估算的准确性。

      本研究形成的乔木林地上碳密度估算的技术方法及流程,为乔木林地上碳密度估算提供了一种新的尝试,但仍有诸多方面可以进行优化及改进。在后期的研究中,可在新的遥感数据源、分类方法及建模方法等方面做进一步测试分析,完善估算系统软件,为后续的乔木林或森林地上碳密度估算提供强有力的支撑。

参考文献 (27)

目录

    /

    返回文章
    返回