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

基于遥感的高山松连清固定样地地上生物量估测模型构建

张加龙 胥辉

张加龙, 胥辉. 基于遥感的高山松连清固定样地地上生物量估测模型构建[J]. 北京林业大学学报, 2020, 42(7): 1-11. doi: 10.12171/j.1000-1522.20190394
引用本文: 张加龙, 胥辉. 基于遥感的高山松连清固定样地地上生物量估测模型构建[J]. 北京林业大学学报, 2020, 42(7): 1-11. doi: 10.12171/j.1000-1522.20190394
Zhang Jialong, Xu Hui. Establishment of remote sensing based model to estimate the aboveground biomass of Pinus densata for permanent sample plots from national forestry inventory[J]. Journal of Beijing Forestry University, 2020, 42(7): 1-11. doi: 10.12171/j.1000-1522.20190394
Citation: Zhang Jialong, Xu Hui. Establishment of remote sensing based model to estimate the aboveground biomass of Pinus densata for permanent sample plots from national forestry inventory[J]. Journal of Beijing Forestry University, 2020, 42(7): 1-11. doi: 10.12171/j.1000-1522.20190394

基于遥感的高山松连清固定样地地上生物量估测模型构建

doi: 10.12171/j.1000-1522.20190394
基金项目: 林业公益性行业科研专项(201404309),云南省唐守正院士专家工作站(2018IC066),云南省王广兴专家工作站(2018IC100),国家自然科学基金项目(31770677、31860207)
详细信息
    作者简介:

    张加龙,博士,副教授。主要研究方向:森林生物量遥感估测。Email:jialongzhang@swfu.edu.cn 地址:650024 云南省昆明市盘龙区白龙路300号西南林业大学林学院

    通讯作者:

    胥辉,博士,教授,博士生导师。主要研究方向:森林测计。Email:zyxy213@126.com 地址:同上

  • 中图分类号: S758.5

Establishment of remote sensing based model to estimate the aboveground biomass of Pinus densata for permanent sample plots from national forestry inventory

  • 摘要:   目的  研究利用遥感方法构建高山松固定样地地上生物量估测的参数模型,可以在今后前期样地的基础上直接快速、准确地估测生物量,或者开展少量的外业调查即可获取地上生物量。  方法  基于遥感因子与样地地上生物量变化量和线性混合模型提高生物量估测精度,以香格里拉市1987、1992、1997、2002、2007、2012、2017年7期国家森林资源清查固定样地和对应年份Landsat TM、OLI的Level-1数据为基础,首先对遥感数据进行预处理:包括辐射定标、大气校正、几何校正和地形校正,提取原始波段、比值因子、植被指数、图像增强信息、纹理指数、混合像元分解后的丰度、叶面积指数,计算5 ~ 30年间隔样地对应的遥感因子变化值。根据森林资源二类调查的高山松分布特征,选择地形因子作为线性混合模型的固定和随机效应,采用多元线性回归、非线性回归、地理加权回归、线性混合模型构建高山松地上生物量估测的静态模型,基于遥感光谱信息变化量构建了有树高和无树高参与的动态模型。最后对不同的建模方法和验证结果进行对比分析,选择最优结果作为估测模型并验证。  结果  (1)分析静态数据建模和验证的结果,采用样地号为固定因子、坡度等级为随机因子的线性混合模型的拟合R2最高,为0.75;但利用训练数据集和2017年数据验证,其精度都较低。(2)分析变化量数据建模和验证的结果,采用样地号为固定因子、坡度等级为随机因子、遥感因子变化量为自变量的线性混合模型拟合R2最高,为0.70,预测精度P值为(68.86 ± 11.93)%;增加平均树高变化量,拟合R2最高为0.79,预测P值为(73.39 ± 6.18)%。(3)无论是有、还是无树高参与的变化量模型其拟合和预测精度都达到80%,其预测精度达到了非参数模型预测精度。  结论  基于变化量的估测模型的拟合和预测精度较静态模型有所提高;综合遥感因子、地形因子构建的高山松地上生物量估测线性混合模型,其精度有较大提高;采用遥感因子变化量构建的高山松地上生物量估测模型,有效弥补了静态光学遥感数据估测生物量的不足,经检验可用于其他年期的估测。
  • 图  1  研究区及连清高山松固定样地分布图

    Figure  1.  Research area and distribution of Pinus densata of permanent sample plots from national forestry inventory

    图  2  多元回归分析拟合精度对比

    Figure  2.  Accuracy comparison of modeling with multiple regression analysis

    表  1  固定样地调查次数统计

    Table  1.   Statistics of investigation time of permanent sample plots

    样地编号 Sample plot No.162172183200212214255293298342371192306345
    调查次数 Investigation time77777777777666
    样地编号 Sample plot No.346231285165180300325365236199211232245
    调查次数 Investigation time6554444321111
    下载: 导出CSV

    表  2  获取的研究区Landsat Level-1 影像

    Table  2.   Collected images of Landsat Level-1 in the research area

    调查年份
    Investigation year
    ID日期
    Date
    云量
    Cloud cover/%
    2017 LC08_L1TP_132040_20171216_20171224_01_T1 2017−12−16 0.78
    LC08_L1TP_132041_20171216_20171224_01_T1 2017−12−16 0.45
    LC08_L1TP_131041_20171225_20180103_01_T1 2017−12−25 0.30
    2012 LT51320412011286BKT00 2011−10−13 19.52
    LT51320402011014BKT00 2011−01−14 18.15
    LT51310412011007BKT00 2011−01−07 0.22
    2007 LT51310412007060BJC00 2007−03−01 1.00
    LT51320402007003BJC01 2007−01−03 23.00
    LT51320412006288BJC00 2006−10−15 15.00
    2002 LT51310412002302BJC00 2002−10−29 0.13
    LT51320402002005BJC00 2002−01−05 0.15
    LT51320412002005BJC00 2002−01−05 2.80
    1997 LT51310411997320BKT01 1997−11−16 7.00
    LT51320401997279BKT00 1997−10−06 16.00
    LT51320411997311BKT00 1997−11−07 4.00
    1992 LT51310411991320BKT00 1991−11−16 8.05
    LT51320401991311BKT00 1991−11−07 2.44
    LT51320411991311BKT00 1991−11−07 5.24
    1987 LT51320411987364BKT00 1987−12−30 10.60
    LT51320401987364BKT00 1987−12−30 23.89
    下载: 导出CSV

    表  3  遥感光谱变量

    Table  3.   Remote sensing spectral variables

    类型 Type变量及方法 Variable and method
    原始单波段
    Original single band
    C,B1,B2,B3,B4,B5,B7
    简单比值植被指数
    Vegetation index of simple band ratio[3335]
    B43 = B4/B3,B42 = B4/B2,B54 = B5/B4,B3Albedo = B3/(B1 + B2 + B3 + B4 + B5 + B7),B437 = B4 × B3/B7
    植被指数
    Vegetation index[3637]
    NDVI = (B4 − B3)/(B4 + B3),ND32 = (B3 − B2)/(B2 + B3),ND54 = (B5 − B4)/(B5 + B4),ND53 = (B5 − B3)/(B5 + B3),ND57 = (B5 − B7)/(B5 + B7),ND452 = (B4 + B5 − B2)/(B5 + B4 + B2),DVI = B4 − B3
    图像增强
    Image enhancement[4, 38]
    主成分变换 Principal component transformation:VIS123 = B1 + B2 + B3,Albedo = B1 + B2 + B3 + B4 + B5 + B7,MID57 = B5 + B7
    纹理信息
    Texture information[39]
    均值、方差、均一性、反差、相异、熵、角二阶矩、相关性、偏斜。窗口有5 × 5和9 × 9,用R5和R9表示 Mean(ME), variance(VA), homogeneity(HO), contrast(CO), dissimilarity(DI), entropy(EN), second moment(SM), correlation(CC), skewness(SK). The window sizes are 5 × 5 and 9 × 9, represented by R5 and R9, respectively
    丰度信息
    Fraction information
    进行主成分分析,采用像元纯净指数法提取纯净端元,通过N-D可视化选取高山松、裸地、阴影端元样本,通过线性波谱分离法得到高山松丰度图 Principal component analysis is carried out, and the pure endmembers are extracted by the pixel pure index method. The endmember samples of Pinus densata, bare land and shades are selected by N-D visualization, and the fraction map of Pinus densata is obtained by linear spectral decomposition
    叶面积指数
    Leaf area index[40]
    ${\rm LAI} = (3.618 \times {\rm EVI} - 0.118)$
    注:C.海岸波段;B1、B2、B3、B4、B5和B7分别表示波段1、波段2、波段3、波段4、波段5和波段7;EVI表示植被增强指数。下同。Notes: C, coastal; B1, B2, B3, B4, B5 and B7 represent band 1, band 2, band 3, band 4, band 5 and band 7, respectively; EVI means enhanced vegetation index. The same below.
    下载: 导出CSV

    表  4  高山松分布海拔、坡度分级

    Table  4.   Elevation and slope grades of Pinus densata distribution

    海拔
    Elevation/m
    海拔等级
    Elevation
    grade
    坡度
    Slope
    degree/(°)
    坡度等级
    Slope degree
    grade
    1 500 ~ 3 000 1 0 ~ 8 1
    3 000 ~ 3 200 2 8 ~ 15 2
    3 200 ~ 3 400 3 15 ~ 25 3
    3 400 ~ 3 600 4 25 ~ 35 4
    3 600 ~ 3 800 5 35 ~ 90 5
    3 800 ~ 4 000 6
    4 000 ~ 5 520 7
    下载: 导出CSV

    表  5  1987—2012年连清样地训练集线性混合模型精度对比

    Table  5.   Accuracy comparison using permanent sample plots of training datasets for national forestry inventory from 1987 to 2012 with linear mixed model

    序号
    No.
    模型形式
    Model form
    固定效应
    Fixed effect
    随机效应
    Random effect
    拟合精度R2
    Fitting accuracy R2
    1 lnAGB = R5B4CC + ND32 + ND54 样地号 Sample plot No. 海拔等级 Elevation grade 0.69
    2 lnAGB = R5B4CC + ND32 + ND54 样地号 Sample plot No. 坡度等级 Slope degree grade 0.75
    3 lnAGB = R5B4CC + ND32 + ND54 海拔等级 Elevation grade 坡度等级 Slope degree grade 0.47
    4 lnAGB = R5B4CC + ND32 + ND54 坡度等级 Slope degree grade 海拔等级 Elevation grade 0.46
    注:AGB. 地上生物量。R5B4CC 、ND32 、 ND54为遥感光谱变量 。下同。Notes: AGB, aboveground biomass. R5B4CC , ND32 , ND54 are remote sensing spectral variables. The same below.
    下载: 导出CSV

    表  6  多元回归分析的拟合方式

    Table  6.   Modeling way of multiple regression analysis

    序号 No.方式 Mode遥感光谱变量 Remote sensing spectral variable
    1 78组训练数据集
    78 groups of training datasets
    R5B4CC,ND32,ND54
    2 78组训练数据集增加234组变化量
    Increase 234 change datasets in 78 groups of training datasets
    R5B4CC,ND32,ND54
    3 78组训练数据和变化量为5 − 100 t/hm2共232组
    78 groups of training data and changes of 5 ~ 100 t/ha, totally 232 groups
    ND452,R9B4SK,R9B1VA,B54,R5B1SM,NDVI,R9B1ME,R5B7HO,R9B4DI,R5B4SK
    4 生物量变化量为1 ~ 200 t/hm2共178组数据
    Variation of 1−200 t/ha, totally 178 groups
    R9B7SK,R5B7SK,R9B5HO,R9B4DI,B3ALBEDO,R5B3SK,R5B7SM,LAI,R5B7CO, R5B5HO, R5B1ME, DVI, R5B4ME, R9B7CO, R5B1CR, B54, R9B7VA
    5 生物量变化量为5 ~ 100 t/hm2共153组数据
    A total of 153 groups with a variation of 5−100 t/ha
    R9B4SK,R9B1SM,B57,R5B2HO,R5B2SM,R5B7HO,B7,PCA_5
    6 每5年生物量变化量为正值的69组数据中相关性强的前3个因子
    The first three correlated factors in 69 groups with positive change every
    five years[23]
    R5B2EN,R5B1EN,R5B7SK
    7 相关性强的前10个遥感因子共234组数据
    234 groups of the top10 remote sensing factors with strong correlation
    DVI,R5B7EN,R9B7SK,B3ALBEDO,R9B1EN,R5B2EN,R5B1EN,R5B7SK,R9B4SK,R9B3EN
    8 上一步数据进行逐步回归
    Stepwise regression with the data of last step
    R5B7SK,R9B7SK,DVI,B3ALBEDO,R5B2EN,R5B7EN
    9 相关性强前10遥感因子,去除AGB负、小于1、异常值共178组
    Removal of negative, less than 1, abnormal AGB values of the top 10
    remote sensing factors with strong correlation, totally 178 groups
    DVI,R5B1EN,R9B7SK,B3ALBEDO,R9B1EN,R5B2EN,R5B7SK,R5B7EN,R9B4SK,R9B3EN
    下载: 导出CSV

    表  7  线性混合模型拟合精度对比

    Table  7.   Modeling accuracy comparison with LMM

    序号
    No.
    固定效应
    Fixed effect
    随机效应
    Random effect
    拟合精度R2
    Fitting accuracy R2
    1 样地号 Sample plot No. 坡度等级 Slope degree grade 0.70
    2 样地号 Sample plot No. 海拔等级 Elevation grade 0.67
    3 样地号 Sample plot No. 坡向等级 Slope aspect grade 0.64
    下载: 导出CSV
  • [1] 唐守正, 张会儒, 胥辉. 相容性生物量模型的建立及其估计方法研究[J]. 林业科学, 2000, 36(增刊 l): 19−27.

    Tang S Z, Zhang H R, Xu H. Study on establish and estimate method of compatible biomass model[J]. Scientia Silvae Sinicae, 2000, 36(Suppl. 1): 19−27.
    [2] 孟宪宇. 测树学[M]. 3版. 北京: 中国林业出版社, 2006: 295−300.

    Meng X Y. Forest mensuration[M]. 3rd ed. Beijing: China Forestry Publishing House, 2006: 295−300.
    [3] Lu D. Aboveground biomass estimation using Landsat TM data in the Brazilian Amazon[J]. International Journal of Remote Sensing, 2005, 26(12): 2509−2525. doi:  10.1080/01431160500142145
    [4] Powell S L, Cohen W B, Healey S P, et al. Quantification of live aboveground forest biomass dynamics with Landsat time-series and field inventory data: a comparison of empirical modeling approaches[J]. Remote Sensing of Environment, 2010, 114(5): 1053−1068. doi:  10.1016/j.rse.2009.12.018
    [5] Townsend P A, Singh A, Foster J R, et al. A general Landsat model to predict canopy defoliation in broadleaf deciduous forests[J]. Remote Sensing of Environment, 2012, 119(8): 255−265.
    [6] Carmona F, Rivas R, Caselles V. Development of a general model to estimate the instantaneous, daily, and daytime net radiation with satellite data on clear-sky days[J]. Remote Sensing of Environment, 2015, 171: 1−13. doi:  10.1016/j.rse.2015.10.003
    [7] Roy D, Zhang H, Ju J, et al. A general method to normalize Landsat reflectance data to nadir BRDF adjusted reflectance[J]. Remote Sensing of Environment, 2016, 176: 255−271. doi:  10.1016/j.rse.2016.01.023
    [8] West G B, Brown J H, Enquist B J. A general model for the origin of allometric scaling laws in biology[J]. Science, 1997, 276: 122−126. doi:  10.1126/science.276.5309.122
    [9] West G B, Brown J H, Enquist B J. A general model for the structure and allometry of plant vascular systems[J]. Nature, 1999, 400: 664−667. doi:  10.1038/23251
    [10] 曾伟生, 唐守正. 一个新的通用性相对生长生物量模型[J]. 林业科学, 2012, 48(1):48−52. doi:  10.11707/j.1001-7488.20120109

    Zeng W S, Tang S Z. A new general biomass allometric model[J]. Scientia Silvae Sinicae, 2012, 48(1): 48−52. doi:  10.11707/j.1001-7488.20120109
    [11] 符利勇, 唐守正, 张会儒, 等. 东北地区两个主要树种地上生物量通用方程构建[J]. 生态学报, 2015, 35(1):150−157.

    Fu L Y, Tang S Z, Zhang H R, et al. Generalized above-ground biomass equations for two main species in northeast China[J]. Acta Ecologica Sinica, 2015, 35(1): 150−157.
    [12] 汤旭光, 刘殿伟, 王宗明, 等. 森林地上生物量遥感估算研究进展[J]. 生态学杂志, 2012, 5(5):1311−1318.

    Tang X G, Liu D W, Wang Z M, et al. Estimation of forest aboveground biomass based on remote sensing data: a review[J]. Chinese Journal of Ecology, 2012, 5(5): 1311−1318.
    [13] 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.20154108

    Liu 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
    [14] Cohen R, Kaino J, Okello J, et al. Propagating uncertainty to estimates of above-ground biomass for Kenyan mangroves: a scaling procedure from tree to landscape level[J]. Forest Ecology and Management, 2013, 310(1): 968−982.
    [15] Main-Knorn M, Cohen W B, Kennedy R E, et al. Monitoring coniferous forest biomass change using a Landsat trajectory-based approach[J]. Remote Sensing of Environment, 2013, 139(4): 277−290.
    [16] Woodcock C E, Richard A, Martha A, et al. Free access to Landsat imagery[J]. Science , 2008, 320: 1011.
    [17] Fassnacht F, Hartig F, Latifi H, et al. Importance of sample size, data type and prediction method for remote sensing-based estimations of aboveground forest biomass[J]. Remote Sensing of Environment, 2014, 154: 102−114. doi:  10.1016/j.rse.2014.07.028
    [18] Avitabile V, Baccini A, Friedl M A, et al. Capabilities and limitations of Landsat and land cover data for aboveground woody biomass estimation of Uganda[J]. Remote Sensing of Environment, 2012, 117(1): 366−380.
    [19] Chi H, Sun G, Huang J, et al. Estimation of forest aboveground biomass in Changbai Mountain region using ICESat/GLAS and Landsat/TM data[J]. Remote Sensing, 2017, 9(7): 707−732. doi:  10.3390/rs9070707
    [20] 宋丽楠. 帽儿山林场森林生物量估测及时空动态格局分析[D]. 哈尔滨: 东北林业大学, 2010.

    Song L N. Estimation of forest biomass and its temporal and spatial distribution patterns analysis in Maoershan Forest Farm[D]. Harbin: Northeast Forestry University, 2010.
    [21] 李凤凤. 泗阳县杨树生物量遥感估算及其动态变化分析[D]. 南京: 南京林业大学, 2011.

    Li F F. Remote sensing estimation of Siyang County polar biomass and dynamic analysis[D]. Nanjing: Nanjing Forestry University, 2011.
    [22] Pflugmacher D, Cohen W B, Kennedy R E, et al. Using Landsat-derived disturbance and recovery history and Lidar to map forest biomass dynamics[J]. Remote Sensing of Environment, 2014, 151(8): 124−137.
    [23] Gómez C, White J C, Wulder M A, et al. Historical forest biomass dynamics modelled with Landsat spectral trajectories[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 93: 14−28. doi:  10.1016/j.isprsjprs.2014.03.008
    [24] Brandt J S, Kuemmerle T, Li H M, et al. Using Landsat imagery to map forest change in southwest China in response to the national logging ban and ecotourism development[J]. Remote Sensing of Environment, 2012, 121: 358−369. doi:  10.1016/j.rse.2012.02.010
    [25] 胥辉, 岳彩荣.基于遥感技术的香格里拉县森林景观变化与森林生物量估测研究[M]. 昆明: 云南科技出版社, 2014: 1−10.

    Xu H, Yue C R. Study on forest landscape change and forest biomass estimation in Shangri-La based on remote sensing technology[M]. Kunming: Yunnan Science and Technology Press, 2014: 1−10.
    [26] 张加龙, 胥辉, 岳彩荣, 等. 基于CA-Markov的香格里拉县森林景观格局变化及预测[J]. 东北林业大学学报, 2013, 41(6):46−49, 65. doi:  10.3969/j.issn.1000-5382.2013.06.012

    Zhang J L, Xu H, Yue C R. Change and prediction of forest landscape pattern in Shangri-La County based on CA-Markov[J]. Journal of Northwest Forestry University, 2013, 41(6): 46−49, 65. doi:  10.3969/j.issn.1000-5382.2013.06.012
    [27] Chander G, Markham B L, Helder D L. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 all sensors[J]. Remote Sensing of Environment, 2009, 113(5): 893−903. doi:  10.1016/j.rse.2009.01.007
    [28] Yan E, Lin H, Wang G, et al. Multi-resolution mapping and accuracy assessment of forest carbon density by combining image and plot data from a nested and clustering sampling design[J]. Remote Sensing, 2016, 8(7): 571−592. doi:  10.3390/rs8070571
    [29] Berk A, Bernstein L, Anderson G, et al. Modtran cloud and multiple scattering upgrades with application to aviris[J]. Remote Sensing of Environment, 1998, 65(3): 367−375. doi:  10.1016/S0034-4257(98)00045-5
    [30] Adlergolden S M, Berk A, Richtsmeier S C, et al. Status of atmospheric correction using a MODTRAN4-based algorithm[J]. Proceedings of SPIE-the International Society for Optical Engineering, 2000, 4049: 11−21.
    [31] Nichol J, Hang L K, Sing W M. Empirical correction of low sun angle images in steeply sloping terrain: a slope-matching technique[J]. International Journal of Remote Sensing, 2006, 27(3): 629−635. doi:  10.1080/02781070500293414
    [32] Zhang J L, Lu C, Xu H, et al. Estimating aboveground biomass of Pinus densata-dominated forests using Landsat time series and permanent sample plot data[J]. Journal of Forestry Research, 2019, 30(5): 1689−1706. doi:  10.1007/s11676-018-0713-7
    [33] Foody G M, Boyd D S, Cutler M E. Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions[J]. Remote Sensing of Environment, 2003, 85(4): 463−474. doi:  10.1016/S0034-4257(03)00039-7
    [34] Huete A, Justice C, Liu H. Development of vegetation and soil indices for Modis-eos[J]. Remote Sensing of Environment, 1994, 49(3): 224−234. doi:  10.1016/0034-4257(94)90018-3
    [35] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127−150. doi:  10.1016/0034-4257(79)90013-0
    [36] Clark M L, Roberts D A, Ewel J J, et al. Estimation of tropical rain forest aboveground biomass with small-footprint lidar and hyperspectral sensors[J]. Remote Sensing of Environment, 2011, 115(11): 2931−2942. doi:  10.1016/j.rse.2010.08.029
    [37] Güneralp İ, Filippi A M, Randall J. Estimation of floodplain aboveground biomass using multispectral remote sensing and nonparametric modeling[J]. International Journal of Applied Earth Observations and Geoinformation, 2014, 33: 119−126. doi:  10.1016/j.jag.2014.05.004
    [38] Powell S L, Cohen W B, Yang Z, et al. Quantification of impervious surface in the snohomish water resources inventory area of western washington from 1972–2006[J]. Remote Sensing of Environment, 2008, 112(4): 1895−1908.
    [39] Haralick R M, Shanmugam K, Dinstein I. Textural features for image classification[J]. Studies in Media and Communication, 1973, 3(6): 610−621.
    [40] Boegh E, Soegaard H, Broge N, et al. Airborne multispectral data for quantifying leaf area index, nitrogen concentration, and photosynthetic efficiency in agriculture[J]. Remote Sensing of Environment, 2002, 81(2): 179−193.
    [41] 孙雪莲. 基于Landsat8-OLI的香格里拉高山松林生物量遥感估测模型研究[D]. 昆明: 西南林业大学, 2016.

    Sun X L. Biomass estimation model of Pinus densata forests in Shangri-La City based on Landsat8-OLI by remote sensing[D]. Kunming: Southwest Forestry University, 2016.
    [42] Cnaan A, Laird N M, Slasor P. Using the general linear mixed model to analyse unbalanced repeated measures and longitudinal data[J]. Statistics in Medicine, 1997, 16(20): 2349−2380.
    [43] Bolker B M, Brooks M E, Clark C J, et al. Generalized linear mixed models: a practical guide for ecology and evolution[J]. Trends in Ecology & Evolution, 2009, 24(3): 127−135.
    [44] 曾伟生, 唐守正, 夏忠胜, 等. 利用线性混合模型和哑变量模型方法建立贵州省通用性生物量方程[J]. 林业科学研究, 2011, 24(3):285−291.

    Zeng W S, Tang S Z, Xia Z S, et al. Using linear mixed model and dummy variable model approaches to construct generalized single: tree biomass equations in Guizhou[J]. Forest Research, 2011, 24(3): 285−291.
    [45] 张加龙, 胥辉, 陆驰. 应用Landsat8 OLI和GBRT对高山松地上生物量的估测[J]. 东北林业大学学报, 2018, 46(8):25−30. doi:  10.3969/j.issn.1000-5382.2018.08.005

    Zhang J L, Xu H, Lu C. Estimation of the above ground biomass of Pinus densata based on Landsat 8 OLI and gradient boost regression tree[J]. Journal of Northwest Forestry University, 2018, 46(8): 25−30. doi:  10.3969/j.issn.1000-5382.2018.08.005
    [46] 黄二辉, 潘德炉, 李淑菁, 等. 水下剖面光谱原始数据异常值的判断方法[J]. 海洋学研究, 2006, 24(1):91−96. doi:  10.3969/j.issn.1001-909X.2006.01.011

    Huang E H, Pan D L, Li S J, et al. Comparing methods for identifying the outliers in the in-water profile spectral data[J]. Journal of Marine Sciences, 2006, 24(1): 91−96. doi:  10.3969/j.issn.1001-909X.2006.01.011
    [47] Lu D S, Chen Q, Wang G X, et al. Aboveground forest biomass estimation with landsat and LiDAR data and uncertainty analysis of the estimates [J/OL]. International Journal of Forestry Research, 2012, 16[2019−11−13]. https://www.hindawi.com/journals/ijfr/2012/436537/.
    [48] Lu D, Chen Q, Wang G X, 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.
    [49] 傅煜.区域尺度森林地上生物量的不确定性度量研究[D]. 北京: 中国林业科学研究院, 2015.

    Fu Y. Uncertainty assessment for regional-level forest above-ground biomass estimates[D]. Beijing: Chinese Academy of Forestry, 2015.
    [50] Antonova S, Thiel C, Höfle B, et al. Estimating tree height from TanDEM-X data at the northwestern Canadian treeline[J/OL]. Remote Sensing of Environment, 2019, 231:111251 [2019−12−15]. https://doi. org/10.1016/j. rse. 2019. 111251.
    [51] 张巍巍, 冯仲科, 汪笑安, 等. 基于TM影像的林木参数提取和树高估测[J]. 中南林业科技大学学报, 2013, 33(9):27−31. doi:  10.3969/j.issn.1673-923X.2013.09.007

    Zhang W W, Feng Z K, Wang X A, et al. Trees parameter extraction and tree height estimation based on TM images[J]. Journal of Central South University of Forestry & Technology, 2013, 33(9): 27−31. doi:  10.3969/j.issn.1673-923X.2013.09.007
    [52] 吴迪, 范文义. 激光雷达协同多角度光学遥感数据反演树高[J]. 北京林业大学学报, 2014, 36(4):8−15.

    Wu D, Fan W Y. Forest canopy height estimation using LiDAR and optical multi-angler data[J]. Journal of Beijing Forestry University, 2014, 36(4): 8−15.
  • [1] 徐奇刚, 雷相东, 国红, 李海奎, 李玉堂.  基于多层感知机的长白落叶松人工林林分生物量模型 . 北京林业大学学报, 2019, 41(5): 97-107. doi: 10.13332/j.1000-1522.20190035
    [2] 李鑫, 李昆, 段安安, 崔凯, 高成杰.  不同地理种源云南松幼苗生物量分配及其异速生长 . 北京林业大学学报, 2019, 41(4): 41-50. doi: 10.13332/j.1000-1522.20180371
    [3] 张爱因, 张晓丽.  Landsat-8地表温度反演及其与MODIS温度产品的对比分析 . 北京林业大学学报, 2019, 41(3): 1-13. doi: 10.13332/j.1000-1522.20180234
    [4] 尉文, 庞荣荣, 彭潔莹, 张硕新, 闫琰.  太白山锐齿栎林地上生物量分布 . 北京林业大学学报, 2019, 41(12): 69-76. doi: 10.12171/j.1000-1522.20190440
    [5] 李明泽, 于欣彤, 高元科, 范文义.  基于SAR极化分解与Landsat数据的森林生物量遥感估测 . 北京林业大学学报, 2018, 40(2): 1-10. doi: 10.13332/j.1000-1522.20170284
    [6] 毛学刚, 王静文, 范文义.  基于遥感与地统计的森林生物量时空变异分析 . 北京林业大学学报, 2016, 38(2): 10-19. doi: 10.13332/j.1000-1522.20150214
    [7] 高琼, 王维有, 孟景祥, 刘灏, 邢震, 毛建丰, 王晓茹, 李悦.  油松×云南松杂种与亲本种和高山松的光合特性比较 . 北京林业大学学报, 2016, 38(2): 37-43. doi: 10.13332/j.1000-1522.20140477
    [8] 欧光龙, 胥辉, 王俊峰, 肖义发, 陈科屹, 郑海妹.  思茅松天然林林分生物量混合效应模型构建 . 北京林业大学学报, 2015, 37(3): 101-110. doi: 10.13332/j.1000-1522.20140316
    [9] 刘琼阁, 彭道黎, 黄国胜, 曾伟生, 王雪军.  东北云杉相容性立木材积和地上生物量模型研建 . 北京林业大学学报, 2015, 37(2): 8-15. doi: 10.13332/j.cnki.jbfu.2015.02.005
    [10] 代剑峰, 孟景祥, 毛建丰, 赵伟, 刘灏, 邢震, 张华, 王晓茹, 李悦.  油松伊云南松人工杂种与亲本种在高山松生境下的苗期指标对比分析 . 北京林业大学学报, 2014, 36(1): 8-14.
    [11] 盛后财, 蔡体久, 郎燕, 柴汝杉, 高德武.  凉水自然保护区猴腿蹄盖蕨分布特征及其可持续利用 . 北京林业大学学报, 2013, 35(1): 77-82.
    [12] 郑冬梅, 曾伟生.  用哑变量方法构建东北落叶松和栎类分段地上生物量模型 . 北京林业大学学报, 2013, 35(6): 23-27.
    [13] 康乐, 李卫忠, 张晓芳.  秦岭南坡松栎混交林乔木层生物量沿海拔梯度的变化 . 北京林业大学学报, 2012, 34(5): 75-79.
    [14] 张立沙, 代剑峰, 高琼, 刘灏, 张华, 赵伟, 毛建丰, 李悦.  高山松与亲本种多种群在高海拔生境下的苗期适应性研究 . 北京林业大学学报, 2012, 34(5): 15-24.
    [15] 曾伟生, 唐守正.  东北落叶松和南方马尾松地下生物量模型研建 . 北京林业大学学报, 2011, 33(2): 1-6.
    [16] 张志, 田昕, 陈尔学, 何祺胜.  森林地上生物量估测方法研究综述 . 北京林业大学学报, 2011, 33(5): 144-150.
    [17] 曾伟生, 夏忠胜, 朱松, 罗洪章.  贵州人工杉木相容性立木材积和地上生物量方程的建立 . 北京林业大学学报, 2011, 33(4): 1-6.
    [18] 罗云建, 张小全, 王效科, 朱建华, 张治军, 孙贵生, 高峰, .  华北落叶松人工林生物量及其分配模式 . 北京林业大学学报, 2009, 31(1): 13-18.
    [19] 贺窑青, 欧阳杰, 孙青, 曲红, 雷庆哲, 李莉, 李艳华, 熊丹, 胡海英, 王丰俊, 乔海莉, 张玲, 姚娜, 石娟, 刘美芹, 孙月琴, 李在留, 隋金玲, 周章义, 程堂仁, 郝晨, 金莹, 范丙友, 王莉, 陈佳, 段旭良, 胡晓丹, 刘丽, 孙爱东, 冯菁, 沈昕, 郑彩霞, 阎伟, 尹伟伦, 冯秀兰, 周燕, 张艳霞, 续九如, 康向阳, 陆海, 王建中, 赵亚美, 李凤兰, 武彦文, 路端正, 张香, 骆有庆, 尹伟伦, 陈发菊, 李云, 陈晓阳, 张志毅, 骆有庆, 田呈明, 郭锐, 张德权, 吴晓成, 孙爱东, 马钦彦, 安新民, 史玲玲, 沈繁宜, 阎晓磊, 武海卫, 蒋湘宁, 胡晓丹, 胡德夫, 赵蕾, 李忠秋, 王晓东, 骆有庆, 高述民, 梁华军, 卢存福, 王百田, 王华芳, 姜金仲, 郑永唐, 梁宏伟, 郝俊, 骆有庆, 严晓素, 王瑛, 郭晓萍, 王冬梅, 骈瑞琪, 刘玉军, 王建中, 王晓楠, 冯仲科, 冯晓峰, 赵兵, 王华芳, 高荣孚, 张志翔, 崔彬彬
    , 尹伟伦, 温秀凤3, 王玉兵, 吴坚, 谢磊, 于京民2, 李凯, 邹坤, 刘玉军, 张庆, 张兴杰, 丁霞, 陈卫平, 林善枝, 呼晓姝, 陶凤杰, 王民中, 杨伟光, 沈应柏, 孙建华, 李镇宇, 刘艳, 王玉春, 李凤兰, 付瑞海, 汪植, 马建海, 赵新丽, 蒋平.  基于森林资源清查资料的林分生物量相容性线性模型 . 北京林业大学学报, 2007, 29(5): 110-113.
    [20] 孙志蓉, 高克昌, 张志山, 李黎, 金则新, 武林, 雷妮娅, 郑景明, 周艳萍, 李俊, 周睿, 邵杰, 于文吉, 吴家兵, 郎璞玫, 宋先亮, 张春晓, 陆平, 刘足根, 索安宁, 吕文华, 于海霞, 张建军, 马玲, 奚如春, 焦雯珺, 许景伟, 韦方强, 翟明普, 陈勇, 葛剑平, Kwei-NamLaw, 朱教君, 习宝田, 陈少良, 余养伦, 纳磊, 饶兴权, 张小由, 戴伟, 于志明, 赵文喆, 郑红娟, 关德新, 赵广杰, 盖颖, 李传荣, 朱清科, 赵秀海, 蔡锡安, 毕华兴, 李钧敏, 马履一, 杨永福, 谭会娟, 袁小兰, 李笑吟, 曾小平, 于波, ClaudeDaneault, 张弥, 马履一, 张宇清, 李增鸿, 夏良放, 江泽慧, 王瑞刚, 王文全, 李俊清, 朱艳燕, 崔鹏, 贾桂霞, 方家强, 张春雨, 王天明, 樊敏, 赵平, 王卫东, 李丽萍, 李庆卫, 殷宁, 袁飞, 郭孟霞, 韩士杰, 陈雪梅, 何明珠, 张欣荣, 吴秀芹, 王贺新, 刘丽娟, 邓宗付, 唐晓军, 贺润平, 毛志宏, 王娜, 刘鑫, 吴记贵, 郑敬刚, 孔俊杰, 蒋湘宁, 王月海, 江杰, 于贵瑞, 熊颖, 王旭琴, 林靓靓, 王贵霞, 葛剑平, 李新荣, 孙晓敏, 王瑞辉, 聂立水, 董治良, 郭超颖.  建立在固定样地上的林分生长线性联立方程组模型研究 . 北京林业大学学报, 2007, 29(1): 37-41.
  • 加载中
图(2) / 表ll (7)
计量
  • 文章访问数:  178
  • HTML全文浏览量:  167
  • PDF下载量:  35
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-10-15
  • 修回日期:  2019-11-27
  • 网络出版日期:  2020-07-04
  • 刊出日期:  2020-07-25

基于遥感的高山松连清固定样地地上生物量估测模型构建

doi: 10.12171/j.1000-1522.20190394
    基金项目:  林业公益性行业科研专项(201404309),云南省唐守正院士专家工作站(2018IC066),云南省王广兴专家工作站(2018IC100),国家自然科学基金项目(31770677、31860207)
    作者简介:

    张加龙,博士,副教授。主要研究方向:森林生物量遥感估测。Email:jialongzhang@swfu.edu.cn 地址:650024 云南省昆明市盘龙区白龙路300号西南林业大学林学院

    通讯作者: 胥辉,博士,教授,博士生导师。主要研究方向:森林测计。Email:zyxy213@126.com 地址:同上
  • 中图分类号: S758.5

摘要:   目的  研究利用遥感方法构建高山松固定样地地上生物量估测的参数模型,可以在今后前期样地的基础上直接快速、准确地估测生物量,或者开展少量的外业调查即可获取地上生物量。  方法  基于遥感因子与样地地上生物量变化量和线性混合模型提高生物量估测精度,以香格里拉市1987、1992、1997、2002、2007、2012、2017年7期国家森林资源清查固定样地和对应年份Landsat TM、OLI的Level-1数据为基础,首先对遥感数据进行预处理:包括辐射定标、大气校正、几何校正和地形校正,提取原始波段、比值因子、植被指数、图像增强信息、纹理指数、混合像元分解后的丰度、叶面积指数,计算5 ~ 30年间隔样地对应的遥感因子变化值。根据森林资源二类调查的高山松分布特征,选择地形因子作为线性混合模型的固定和随机效应,采用多元线性回归、非线性回归、地理加权回归、线性混合模型构建高山松地上生物量估测的静态模型,基于遥感光谱信息变化量构建了有树高和无树高参与的动态模型。最后对不同的建模方法和验证结果进行对比分析,选择最优结果作为估测模型并验证。  结果  (1)分析静态数据建模和验证的结果,采用样地号为固定因子、坡度等级为随机因子的线性混合模型的拟合R2最高,为0.75;但利用训练数据集和2017年数据验证,其精度都较低。(2)分析变化量数据建模和验证的结果,采用样地号为固定因子、坡度等级为随机因子、遥感因子变化量为自变量的线性混合模型拟合R2最高,为0.70,预测精度P值为(68.86 ± 11.93)%;增加平均树高变化量,拟合R2最高为0.79,预测P值为(73.39 ± 6.18)%。(3)无论是有、还是无树高参与的变化量模型其拟合和预测精度都达到80%,其预测精度达到了非参数模型预测精度。  结论  基于变化量的估测模型的拟合和预测精度较静态模型有所提高;综合遥感因子、地形因子构建的高山松地上生物量估测线性混合模型,其精度有较大提高;采用遥感因子变化量构建的高山松地上生物量估测模型,有效弥补了静态光学遥感数据估测生物量的不足,经检验可用于其他年期的估测。

English Abstract

张加龙, 胥辉. 基于遥感的高山松连清固定样地地上生物量估测模型构建[J]. 北京林业大学学报, 2020, 42(7): 1-11. doi: 10.12171/j.1000-1522.20190394
引用本文: 张加龙, 胥辉. 基于遥感的高山松连清固定样地地上生物量估测模型构建[J]. 北京林业大学学报, 2020, 42(7): 1-11. doi: 10.12171/j.1000-1522.20190394
Zhang Jialong, Xu Hui. Establishment of remote sensing based model to estimate the aboveground biomass of Pinus densata for permanent sample plots from national forestry inventory[J]. Journal of Beijing Forestry University, 2020, 42(7): 1-11. doi: 10.12171/j.1000-1522.20190394
Citation: Zhang Jialong, Xu Hui. Establishment of remote sensing based model to estimate the aboveground biomass of Pinus densata for permanent sample plots from national forestry inventory[J]. Journal of Beijing Forestry University, 2020, 42(7): 1-11. doi: 10.12171/j.1000-1522.20190394
  • 森林是陆地生态系统的主体,森林生物量是森林生态系统最基本的数量特征和评价森林生态系统结构和功能的重要指标[1]。从不同的调查数据来看,乔木层生物量地上部分通常占到树木总生物量80%左右[2]。因此,对森林典型乔木地上生物量(aboveground biomass,AGB)进行调查统计,可以确定森林的演替、人类活动、自然干扰、气候变化的影响等。

    由于现有遥感估测手段建立的参数型模型依赖外业样地调查数据,拟合和预测精度较低,计算较为复杂[3],非参数模型虽然精度较高[4],但模型可移植性差,导致推广应用困难。遥感估测生物量参数模型的构建将改进传统单纯依靠经验模型的空间可移植性差的特点,为生物量动态监测提供方便、快捷途径和一套模型框架。目前基于Landsat构建的通用的参数型模型有:冠层落叶比例的模型[5],基于可见光、近红外、热红外波段的即时、每日、白天净辐射模型[6],将Landsat反射率数据转换为调整后的BRDF反射率的模型[7]。以上均未涉及到森林生物量的估测,已建立的一般通用的森林生物量参数型模型基本是基于测树因子的,如West等分别于1997年[8]和1999年[9]推导了林木生物量与直径关系的模型。另外,还有新的林木生物量与直径关系的模型[10]、反映不同树种间生物量差异程度的落叶松生物量方程[11]

    而遥感技术具有快速、准确、对森林无破坏性并具有长期、动态、连续宏观监测的优势[12-13]。在所有利用光学数据估测森林生物量的研究中,Landsat数据覆盖范围广、覆盖时间长、中等光谱和时间分辨率[14-15]、免费下载[16]。光学数据记录了树木冠层的光谱反射率[17],获取了森林的水平结构信息,其包含了植被的光合吸收[18-19]且与AGB存在相关性。然而,估测的精度随着反射率对冠层结构的敏感程度而异,而时间序列遥感数据可以提取变化特征,降低单期数据建模未曾考虑的数据饱和、物候、太阳高度角等误差的影响[4]。在使用多期数据的研究中,遥感生物量建模多采用对应时期地面数据或单期构建的模型推算其他年期的生物量[20-21]。然而地面数据往往很难获取,且采用单期地面数据建立的方程估测其他期的生物量误差较大。分析最近的代表性文献[4, 22]可以看出,在进行森林AGB动态变化研究中,多采用国家森林连续清查(简称连清)和Landsat数据,并辅助机载多光谱或雷达数据以提高模型的精度,Landsat光谱轨迹特征[15, 23]在森林AGB变化研究中起到了重要作用,研究者已开始利用基于遥感的模型来估测其他年期的AGB,结果和实测数据对比具有一定的一致性。

    为此,本研究以高山松(Pinus densata)为研究对象,基于时间序列的Landsat和连清数据构建森林地上生物量估测模型。通过多期样地观测数据和遥感光谱变量,采用逐步回归、地理加权回归、线性混合模型等方法,一是对比不同的建模方法,研究哪一种建模方法可以获得较高的生物量估测精度。另外,计算遥感因子变化量,研究基于变化量构建的遥感估测模型是否能够提高生物量估测的精度。最终,选择合理的建模因子和函数形式作为基于固定样地的高山松地上生物量估测模型,为今后固定样地地上生物量快速获取提供测算方法和依据。

    • 滇西北为中国最大的世界自然和文化遗产保护地,拥有丰富的森林资源[24]及较高的生物量和生产力,这些森林资源在维护地区生态平衡和碳平衡中起着巨大作用[25]。研究区香格里拉市(图1)隶属迪庆藏族自治州,位于云南省西北部。香格里拉地形起伏较大,海拔高差4 042 m(最低海拔1 503 m),平均海拔3 459 m。下辖4镇7乡,全市土地面积11 420.64 km2,其森林覆盖率较高,达到75%[26]。其主要植被类型为寒温性针叶林,优势树种为云杉(Picea asperata)、冷杉(Abies ferreana)、高山松、云南松(Pinus yunnanensis)、高山栎(Quercus aquifolioides)等。据2016年的森林资源二类调查统计,高山松总面积1 848.18 km2,占全市国土总面积的16.18%。高山松主要分布在格咱乡、建塘镇、洛吉乡、东旺乡、尼西乡5个乡镇,为高山松分布总面积的76.01%。

      图  1  研究区及连清高山松固定样地分布图

      Figure 1.  Research area and distribution of Pinus densata of permanent sample plots from national forestry inventory

    • 共收集到1987—2017年7期国家森林资源连续清查数据,样地采用6 km × 8 km格网布设,每个样地大小为28.28 m × 28.28 m。样地分布如图1所示,包括1987年调查的19个,1992年22个,1997年23个,2002年16个,2007年16个,2012年17个,2017年23个,共计136个。样地调查次数如表1所示,复测6、5、4、3、2、1、0次的分别有11、4、2、4、1、1、4个样地,其中不是复测样地的之后未用来计算变化量。

      表 1  固定样地调查次数统计

      Table 1.  Statistics of investigation time of permanent sample plots

      样地编号 Sample plot No.162172183200212214255293298342371192306345
      调查次数 Investigation time77777777777666
      样地编号 Sample plot No.346231285165180300325365236199211232245
      调查次数 Investigation time6554444321111
    • Landsat影像从http://glovis.usgs.gov/下载,使用的数据见表2,大多数影像无云或云量少于10%,集中在10月份之后到次年3月份前,总共有7期20景数据。

      表 2  获取的研究区Landsat Level-1 影像

      Table 2.  Collected images of Landsat Level-1 in the research area

      调查年份
      Investigation year
      ID日期
      Date
      云量
      Cloud cover/%
      2017 LC08_L1TP_132040_20171216_20171224_01_T1 2017−12−16 0.78
      LC08_L1TP_132041_20171216_20171224_01_T1 2017−12−16 0.45
      LC08_L1TP_131041_20171225_20180103_01_T1 2017−12−25 0.30
      2012 LT51320412011286BKT00 2011−10−13 19.52
      LT51320402011014BKT00 2011−01−14 18.15
      LT51310412011007BKT00 2011−01−07 0.22
      2007 LT51310412007060BJC00 2007−03−01 1.00
      LT51320402007003BJC01 2007−01−03 23.00
      LT51320412006288BJC00 2006−10−15 15.00
      2002 LT51310412002302BJC00 2002−10−29 0.13
      LT51320402002005BJC00 2002−01−05 0.15
      LT51320412002005BJC00 2002−01−05 2.80
      1997 LT51310411997320BKT01 1997−11−16 7.00
      LT51320401997279BKT00 1997−10−06 16.00
      LT51320411997311BKT00 1997−11−07 4.00
      1992 LT51310411991320BKT00 1991−11−16 8.05
      LT51320401991311BKT00 1991−11−07 2.44
      LT51320411991311BKT00 1991−11−07 5.24
      1987 LT51320411987364BKT00 1987−12−30 10.60
      LT51320401987364BKT00 1987−12−30 23.89
    • 使用Landsat长时间序列的数据进行森林地上生物量的估测,需要将所有的影像进行辐射和几何归一化[15, 22]。首先,像元亮度值(digital number,DN)需要转换成辐射值[27-28],本文使用ENVI 5.3的辐射校正工具进行DN值到辐射值的转换。然后,采用光谱超立方体快速视线大气分析(fast line of sight atmospheric analysis of spectral hypercubes,FLAASH)模块进行大气校正[29-30]。接着,参考已经校正好的SPOT-5影像,将所有影像校正到北京1954坐标系,每景图像选择至少30个以上的地面控制点,采用二项式方法来校正图像,使用双线性内插法将影像重采样为30 m × 30 m,误差控制在一个像元内。香格里拉地形起伏明显,坡度匹配法[31]在该区域应用较好,利用收集到的该区域由地形图转换的DEM栅格数据,通过二次校正后南坡和北坡的平均值接近,阴影部分的反射率值得到了阳坡部分值的补偿。

    • 除了原始波段,提取了如下遥感因子和信息:简单比值、植被指数、图像增强、纹理信息,目的是获取森林冠层结构特征并找到与森林AGB最为相关的因子;获取了混合像元分解后的丰度、叶面积指数[32]。遥感因子变量如表3所示。

      表 3  遥感光谱变量

      Table 3.  Remote sensing spectral variables

      类型 Type变量及方法 Variable and method
      原始单波段
      Original single band
      C,B1,B2,B3,B4,B5,B7
      简单比值植被指数
      Vegetation index of simple band ratio[3335]
      B43 = B4/B3,B42 = B4/B2,B54 = B5/B4,B3Albedo = B3/(B1 + B2 + B3 + B4 + B5 + B7),B437 = B4 × B3/B7
      植被指数
      Vegetation index[3637]
      NDVI = (B4 − B3)/(B4 + B3),ND32 = (B3 − B2)/(B2 + B3),ND54 = (B5 − B4)/(B5 + B4),ND53 = (B5 − B3)/(B5 + B3),ND57 = (B5 − B7)/(B5 + B7),ND452 = (B4 + B5 − B2)/(B5 + B4 + B2),DVI = B4 − B3
      图像增强
      Image enhancement[4, 38]
      主成分变换 Principal component transformation:VIS123 = B1 + B2 + B3,Albedo = B1 + B2 + B3 + B4 + B5 + B7,MID57 = B5 + B7
      纹理信息
      Texture information[39]
      均值、方差、均一性、反差、相异、熵、角二阶矩、相关性、偏斜。窗口有5 × 5和9 × 9,用R5和R9表示 Mean(ME), variance(VA), homogeneity(HO), contrast(CO), dissimilarity(DI), entropy(EN), second moment(SM), correlation(CC), skewness(SK). The window sizes are 5 × 5 and 9 × 9, represented by R5 and R9, respectively
      丰度信息
      Fraction information
      进行主成分分析,采用像元纯净指数法提取纯净端元,通过N-D可视化选取高山松、裸地、阴影端元样本,通过线性波谱分离法得到高山松丰度图 Principal component analysis is carried out, and the pure endmembers are extracted by the pixel pure index method. The endmember samples of Pinus densata, bare land and shades are selected by N-D visualization, and the fraction map of Pinus densata is obtained by linear spectral decomposition
      叶面积指数
      Leaf area index[40]
      ${\rm LAI} = (3.618 \times {\rm EVI} - 0.118)$
      注:C.海岸波段;B1、B2、B3、B4、B5和B7分别表示波段1、波段2、波段3、波段4、波段5和波段7;EVI表示植被增强指数。下同。Notes: C, coastal; B1, B2, B3, B4, B5 and B7 represent band 1, band 2, band 3, band 4, band 5 and band 7, respectively; EVI means enhanced vegetation index. The same below.
    • 单木生物量公式根据项目组的研究而得,具体的构建方法及精度如下[41]

      $$ W = 0.073 \; {{\rm DBH}^{1.739}} \; {H^{0.880}} $$ (1)

      式中:W表示单木生物量(kg),DBH为胸径(cm),H为树高(m)。根据收集到的样地平均树高、平均胸径、株数,对样地生物量进行近似估计。

    • 采用样地两年期AGB变化值来计算变化量值[23],连清数据间隔期为5年的有6类(1992—1987年、1997—1992年、2002—1997年、2007—2002年、2012—2007年、2017—2012年),间隔期为10年的有5类(1997—1987年、2002—1992年、2007—1997年、2012—2002年、2017—2007年),15年期的有4类(2002—1987年、2007—1992年、2012—1997年、2017—2002年),20年期的有3类(2007—1987年、2012—1992年、2017—1997年),25年期的有2类(2012—1987年、2017—1992年),30年期的有1类(2017—1987年),总共有21类。

      生物量的变化值用如下公式计算:

      $$\Delta y = {y_n} - {y_m}$$ (2)

      式中:y表示高山松地上生物量,$\Delta y$为两期生物量的变化值,nm分别表示两个不同的年份。对应的遥感因子变化采用下式:

      $$\Delta x = {x_n} - {x_m}$$ (3)

      式中:x表示某遥感因子的数值,$\Delta x$为两期遥感因子的变化值。

      1987—2012年共有234组变化量数据,其中5年变化间隔的变化量数据有86组,5年变化量地上生物量为增量的数据有69组。234组数据中,生物量变化量为1 ~ 200 t/hm2的值有179组,生物量变化量为5 ~ 100 t/hm2的数据有153组。

    • 线性模型中总是假设模型的参数全是固定参数,实际上,许多情况下的模型变量可能是随机变量,待估参数可能为固定参数和随机参数的混合。线性混合模型可以分析多种结构类型的数据[42],能够处理非正态分布的数据[43],功能较为强大。

      统计2016年森林资源二类调查的高山松小班数据,按照分布规律,将海拔和坡度分成如下等级,如表4所示。坡向等级分成标准的9类。

      表 4  高山松分布海拔、坡度分级

      Table 4.  Elevation and slope grades of Pinus densata distribution

      海拔
      Elevation/m
      海拔等级
      Elevation
      grade
      坡度
      Slope
      degree/(°)
      坡度等级
      Slope degree
      grade
      1 500 ~ 3 000 1 0 ~ 8 1
      3 000 ~ 3 200 2 8 ~ 15 2
      3 200 ~ 3 400 3 15 ~ 25 3
      3 400 ~ 3 600 4 25 ~ 35 4
      3 600 ~ 3 800 5 35 ~ 90 5
      3 800 ~ 4 000 6
      4 000 ~ 5 520 7

      考虑到高山松分布特征,将海拔等级、坡度等级、坡向等级几个指标作为构建混合模型的随机或固定变量,考虑误差是由不同的地理环境差异造成的,如区域分布[44],故将以上3个指标作为随机变量,寻求提高模型精度的方法。

    • 为了评价高山松AGB预测结果,对比了观测值与预测值之间的差异,从拟合和预测精度两个方面来评价[22]。分别计算了决定系数(R2),相对均方根误差(relative root mean square error,rRMSE),计算方法见[45],预估精度(P)如下:

      $$ {P}=\frac{1}{n} \sum\limits_{i=1}^{n}\left(1-\left|\frac{y_{i}-\hat{y}_{i}}{\hat{y}_{i}}\right|\right) \times 100 \%$$ (4)

      式中:$ {y}_{i} $为实测值,${\hat{y}}_{i}$为模型预测值。

    • 1987—2012年共113组有效样地,含不同年度的样地复测数据。去除了7个小于1 t/hm2的数据,由于其平均胸径小于5 cm,树高1.5 m以下,幼龄且郁闭度较小,影像上裸地覆盖较多。接着在剩下的106个中,采用三倍标准差[46]剔除了8个,最后剩下了98个。其中,最小值为7.23 t /hm2,最大值为151.93 t/hm2,平均值为50.23 t/hm2,标准差为35.08 t/hm2

      取80%的样本数据(78个)作为训练集,用于模型的拟合,剩余20%的样本数据(20个)作为检验集,对模型进行检验;另外,采用2017年调查的数据进行检验。在建模前将所有的自变量因子数值进行了数据标准化处理。

    • 首先,进行相关性分析,选用相关性最强的前8个因子进行线性逐步分析,R2为0.28,模型包含3个因子R5B4CC、ND32、ND54。然后采用这3个因子构建的非线性模型拟合R2未提高。将上述3个遥感因子作为建模因子,GPS横纵坐标作为X、Y坐标构建地理加权回归模型,R2为0.51。R2得到提高,但是模型较为复杂。

    • 将78个训练数据集作为输入数据,分别以样地号、海拔等级、坡度等级为固定因子或随机因子,R5B4CC、ND32、ND54为连续变量,构建线性混合模型。结果表明当样地号为固定效应(作为分组变量)、坡度等级为随机效应的拟合R2最高,为0.75(表5)。

      表 5  1987—2012年连清样地训练集线性混合模型精度对比

      Table 5.  Accuracy comparison using permanent sample plots of training datasets for national forestry inventory from 1987 to 2012 with linear mixed model

      序号
      No.
      模型形式
      Model form
      固定效应
      Fixed effect
      随机效应
      Random effect
      拟合精度R2
      Fitting accuracy R2
      1 lnAGB = R5B4CC + ND32 + ND54 样地号 Sample plot No. 海拔等级 Elevation grade 0.69
      2 lnAGB = R5B4CC + ND32 + ND54 样地号 Sample plot No. 坡度等级 Slope degree grade 0.75
      3 lnAGB = R5B4CC + ND32 + ND54 海拔等级 Elevation grade 坡度等级 Slope degree grade 0.47
      4 lnAGB = R5B4CC + ND32 + ND54 坡度等级 Slope degree grade 海拔等级 Elevation grade 0.46
      注:AGB. 地上生物量。R5B4CC 、ND32 、 ND54为遥感光谱变量 。下同。Notes: AGB, aboveground biomass. R5B4CC , ND32 , ND54 are remote sensing spectral variables. The same below.

      接着,采用上述精度最高的模型2,分别采用剩余的检验数据集和2017年的数据来进行验证。当采用剩余的20个检验数据集验证,预估精度P的平均值为35.5%,最大值为99.4%,最小值为(− 88.5%)。采用2017年数据验证,P平均值为55.1%,最大值为98.2%,最小值为12.2%。

    • 分别按照不同的方式进行逐步回归分析,对比拟合精度,如表6所示。表中的变量当为静态数据时对应某期静态数据的变化量,如为变化量数据对应为变量的变化值。变量包含高山松地上生物量和遥感因子和信息的变化量,遥感因子和信息变量的含义如表2所示,表中的变量为逐步回归分析后模型包含的变量。变量选择的方式主要是根据变化值的分布来选择的,如变化量小于5 t/hm2和大于100 t/hm2的较少,所以先选择集中在5 ~ 100 t/hm2的加上原始数据集进行回归分析,然后将绝大多数变化量为1 ~ 200 t/hm2的进行回归分析。

      表 6  多元回归分析的拟合方式

      Table 6.  Modeling way of multiple regression analysis

      序号 No.方式 Mode遥感光谱变量 Remote sensing spectral variable
      1 78组训练数据集
      78 groups of training datasets
      R5B4CC,ND32,ND54
      2 78组训练数据集增加234组变化量
      Increase 234 change datasets in 78 groups of training datasets
      R5B4CC,ND32,ND54
      3 78组训练数据和变化量为5 − 100 t/hm2共232组
      78 groups of training data and changes of 5 ~ 100 t/ha, totally 232 groups
      ND452,R9B4SK,R9B1VA,B54,R5B1SM,NDVI,R9B1ME,R5B7HO,R9B4DI,R5B4SK
      4 生物量变化量为1 ~ 200 t/hm2共178组数据
      Variation of 1−200 t/ha, totally 178 groups
      R9B7SK,R5B7SK,R9B5HO,R9B4DI,B3ALBEDO,R5B3SK,R5B7SM,LAI,R5B7CO, R5B5HO, R5B1ME, DVI, R5B4ME, R9B7CO, R5B1CR, B54, R9B7VA
      5 生物量变化量为5 ~ 100 t/hm2共153组数据
      A total of 153 groups with a variation of 5−100 t/ha
      R9B4SK,R9B1SM,B57,R5B2HO,R5B2SM,R5B7HO,B7,PCA_5
      6 每5年生物量变化量为正值的69组数据中相关性强的前3个因子
      The first three correlated factors in 69 groups with positive change every
      five years[23]
      R5B2EN,R5B1EN,R5B7SK
      7 相关性强的前10个遥感因子共234组数据
      234 groups of the top10 remote sensing factors with strong correlation
      DVI,R5B7EN,R9B7SK,B3ALBEDO,R9B1EN,R5B2EN,R5B1EN,R5B7SK,R9B4SK,R9B3EN
      8 上一步数据进行逐步回归
      Stepwise regression with the data of last step
      R5B7SK,R9B7SK,DVI,B3ALBEDO,R5B2EN,R5B7EN
      9 相关性强前10遥感因子,去除AGB负、小于1、异常值共178组
      Removal of negative, less than 1, abnormal AGB values of the top 10
      remote sensing factors with strong correlation, totally 178 groups
      DVI,R5B1EN,R9B7SK,B3ALBEDO,R9B1EN,R5B2EN,R5B7SK,R5B7EN,R9B4SK,R9B3EN

      拟合精度对比见图2,将AGB变化量数据组全部增加到之前的78组数据中,变量仍然为R5B4CC、ND32、ND54时,拟合R2较低,直接增加变化量数据到之前的数据组中的方式没有提高拟合精度。然后,选取了变化量为5 ~ 100 t/hm2的数据增加到之前的数据组中(序号3),当变量为10个因子时的逐步回归拟合R2最高为0.32。随后,只选取了变化量为1 ~ 200 t/hm2共178组数据(序号4),当因子为17个时的逐步回归的拟合R2最高为0.53,但是因子过多。变化量为5 ~ 100 t/hm2共153组数据(序号5),拟合R2为0.31。参考文献[23]利用每5年变化量为正值的数据(序号6)共有69组数据,采用相关性强的前3个因子(此时的数据组相关性分析时,第4个因子开始相关性较低),拟合R2为0.18。之后,选择相关性强的前10个遥感因子和生物量变化值组成数据集,分别采用序号为7 ~ 9共3种方式建模,去除负值、小值、异常值的方式精度降低,采用6个因子的逐步回归(序号8)的拟合R2为0.33,其公式为:

      图  2  多元回归分析拟合精度对比

      Figure 2.  Accuracy comparison of modeling with multiple regression analysis

      $$ \begin{split} \Delta {\rm AGB} =& 14.574 + 0.000\;012\;59 \Delta {\rm R5B7SK} +\\ & 0.000\;026\;39 \Delta {\rm R9B7SK} + 193.833 \Delta {\rm DVI} - \\ &170.792 \Delta {\rm B3ALBEDO} -518.733 \Delta {\rm R5B2EN} + \\ & 607.087 \Delta {\rm R5B7EN} \end{split} \!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!$$ (5)

      式中:R5B7SK为窗口5第7波段偏斜因子,R9B7SK为窗口9第7波段偏斜因子,R5B2EN为窗口5第2波段熵因子,R5B7EN为窗口5第7波段熵因子,DVI 和B3ALBEDO 因子计算见表3。利用上述公式预测AGB变化量,再利用1987—2012年的调查值加上对应的变化量值,得到2017年的预测值并与调查值进行对比。其精度P值最高为69.66%,平均值为60.92%,虽然不是特别理想,但较之前的静态方法P值有所提高,预测的准确性有所提高。

    • 根据上节拟合精度的对比,采用表6中序号为8的遥感光谱变量R5B7SK、R9B7SK、DVI、B3ALBEDO、R5B2EN、R5B7EN构建线性混合模型,其中ID为固定效应作为模型分组的变量,坡度、海拔、坡向3个地理因子作为随机效应来参与建模,精度对比如表7所示。

      表 7  线性混合模型拟合精度对比

      Table 7.  Modeling accuracy comparison with LMM

      序号
      No.
      固定效应
      Fixed effect
      随机效应
      Random effect
      拟合精度R2
      Fitting accuracy R2
      1 样地号 Sample plot No. 坡度等级 Slope degree grade 0.70
      2 样地号 Sample plot No. 海拔等级 Elevation grade 0.67
      3 样地号 Sample plot No. 坡向等级 Slope aspect grade 0.64

      从表中来看,采用样地号为固定因子,坡度等级为随机因子的拟合R2最高,为0.70,故采用此方式。其模型形式为:

      $$ \begin{split} \!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\! \Delta {\rm AGB} =& ({\rm ID}) + {b_1} \Delta {\rm R5B7SK} + {b_2} \Delta {\rm R9B7SK} + \\ & {b_3} \Delta {\rm DVI} + {b_4} \Delta {\rm B3ALBEDO} + {b_5} \Delta {\rm R5B2EN}+\\ & {b_6} \Delta {\rm R5B7EN} + {b_7} {\rm SLOPE}{\rm{G}}{\rm RADE } \end{split} \!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!$$ (6)

      式中:ID为固定效应,SLOPEGRADE为随机效应。(ID)表示不同的样地号对应的常数,bii = 1,2,3,···)为模型系数。采用上述线性混合模型1估算AGB变化量,再利用1987—2012年的调查值加上对应的变化量值,得到2017年的预测值并与调查值进行对比。结果表明,P值为(68.86 ± 11.93)%,即(56.93%,80.79%),较之前逐步回归方法的P值有所提高,预测的准确性有提高。总体拟合的精度较高,可用于其他年期的估测。

    • 还是采用上表6序号为8的形式的6个遥感光谱变量R5B7SK、R9B7SK、DVI、B3ALBEDO、R5B2EN、R5B7EN,根据表7中的结果,采用样地号为固定因子、坡度等级为随机因子、增加平均树高变化因子($\Delta H$:两期样地的平均树高值的变化),模型拟合R2为0.79,增加平均树高,拟合精度有所提高。其模型形式为:

      $$ \begin{split} \!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\! \Delta {\rm AGB} =& ({\rm ID}) + {b_1} \Delta H + {b_2} \Delta {\rm R5B7SK} + \\ & {b_3} \Delta {\rm R9B7SK} \!+\! {b_4} \Delta {\rm DVI} + {b_5} \Delta {\rm B3ALBEDO} \!+\! \\ & {b_6} \Delta {\rm R5B2EN} + {b_7} \Delta {\rm R5B7EN} + \\ &{b_8} {\rm SLOPEGRADE} \end{split} \!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\! $$ (7)

      式中:$\Delta H$为平均树高的变化量。采用上述线性混合模型估算AGB变化量,再利用1987—2012年的调查值加上对应的变化量值,得到2017年的预测值并与调查值进行对比。预测P值为(73.39 ± 6.18)%,即(67.21%,79.57%),较之前无平均树木因子方法P值有所提高。

      对比之前非参数建模的结果[45],梯度提升回归树模型(gradient boost regression tree,GBRT)构建的模型其预测精度最高为73.88%,无论是有、还是无树木因子参与的变化量模型其预测精度都达到了非参数模型的预测精度。

    • (1)基于1987—2017年香格里拉市森林资源连续清查高山松样地和对应遥感因子的静态和变化量数据构建的地上生物量模型对比表明:基于变化量的模型其拟合和预测精度都较静态模型有所提高,其中拟合精度R2由0.75提高为0.79;预测精度P平均值由55.1%提高到73.39%。

      (2)基于变化量模型当增加平均树高因子后,预测精度P平均值由69.81%提高到73.39%,其预测P值最高达到80%,两者的预测精度相差不大,故采用线性混合模型建立的生物量变化量模型构建了有平均树高参与、无平均树高参与的高山松地上生物量固定样地遥感估测生物量模型。

      (3)遥感生物量的估测模型往往基于传统的多元回归模型,本文在分析纹理窗口对生物量估测贡献的基础上,综合遥感因子、地形因子构建了高山松地上生物量估测的线性混合模型,从一定程度上提高了采用遥感参数型模型进行估测生物量的精度。

      (4)本文考虑了遥感因子与样地生物量变化之间的关系,构建了基于变化量的生物量估测模型,降低了单期数据建模未曾考虑的生物量计算、数据饱和、物候、太阳高度角等误差的影响,一定程度上弥补了静态光学遥感对生物量估测的某些不足,但是变化量模型依赖于前期样地数据。

    • 以上结果表明采用变化量因子的线性混合模型其预测P值最高;当增加平均树高变化量因子时,其预测P值最高达到80%,可作为该地区高山松地上生物量的模型。但是存在以下不足:

      (1)基于固定样地的模型包含有样地号,无法应用到整个研究区,故在本文中无法对整个区域进行模型检验。但是,如果获取了2017年之后现有或将有的遥感影像后,可以根据公式(7)、(8)对固定样地进行快速估测。

      (2)遥感数据估测生物量的光饱和是指随着生物量的增大,光谱反射值和后向散射系数对生物量的敏感性逐渐减小,不能有效反映生物量的变化情况,降低了高生物量地区森林的估测精度[3]。对于Landsat遥感影像数据,在潮湿的热带雨林地区,当生物量达到100 ~ 150 t/hm2时,会出现饱和现象,取决于生物物理环境决定的森林立地结构[47];复杂的生物物理环境包括物候、物种组成、生长阶段、健康程度、云层覆盖程度等[48]。本论文虽然采用3倍标准差剔除了一些生物量较大的样地点来建模,但是,高山松地上生物量在遥感图像上的光饱和值未计算,可能导致建模过程中选取的变量存在一定的误差。

      (3)森林生物量估计的不确定性度量是《联合国气候变化框架公约》中所有缔约国定期报告的重要内容之一[49],从数据采集、模型建立到单木、样地、区域尺度上推导过程中都存在不确定性[14]。遥感估测高山松地上生物量的误差来源较多,虽然在各个阶段都严格控制,但很多的客观和主观因素都很难克服。如样地测树因子的误差,尤其是连清数据间隔30年,这期间发生的变化包含调查方案、地点、人员、技术手段等,导致了估算的样地地上生物量本身存在一定的不连贯性;另外,构建生物量变化量的生物量估算方程,应考虑到林分生长方程的误差;此外,遥感因子的提取、地形因子、模型等不确定性都是构成误差的来源。今后的建模过程中,需要分析不同来源的误差导致的模型的可信度范围,从而实现模型预测的准确性。

      (4)本研究基于遥感光谱变量构建了有树高和无树高参与的高山松地上生物量估测模型,平均树高的获取今后可以在方便测定的条件下,在和遥感匹配的样地中选择代表性样木进行快速实测计算,或者采用遥感数据(如TanDEM-X[50]、Landsat[51]、ICESat/GLAS[52]等)进行估测,以便统一到遥感模型上。

参考文献 (52)

目录

    /

    返回文章
    返回