基于中巴资源卫星数据的森林蓄积量估测研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于中巴资源卫星数据的森林蓄积量估测研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘 要：用中巴资源卫星遥感数据，经过图像处理（包括图像的校正、图像的增强和图像的分类等），获取所需要的数据，结合少量地面实测样地资料，通过多元线性回归来建立森林蓄积量的数学模型，并用数学方法进行检验，使估测的精度达到要求，为林业生产和建设提供依据。
关键词：中巴资源卫星；遥感；图像处理；森林蓄积量；回归分析
中图分类号：S771 文献标识码：A
森林蓄积量是指一定面积上存在的林木树干部分的总材积[1]，它是反映一个国家或地区森林资源总规模的基本指标之一，也是反映森林资源的丰富度、衡量森林生态环境优劣的重要依据。在众多的蓄积量测定方法中，传统的调查方法有目测法、点抽样法、林分材积表法、平均木塔里夫法和单株木抽样法。这些调查方法不仅费时、费力，而且需要大量的工作经费。
用航天遥感和地理信息为基础，估测森林蓄积，主要目的是在保证森林资源调查精度的前提下，最大限度地减少地面调查工作量，已有专家和学者用美国陆地资源卫星的TM遥感图像进行了分析[2，3]。本研究探索用中巴资源卫星（CBERS）遥感数据的灰度值和地理信息因子结合少量实测样地数据建立数学模型，直接估测森林蓄积量，从而最大限度地减少森林资源调查中的外业工作量，达到精度高、成本低的目的，同时为CBERS数据在国内的推广应用奠定基础，间接推动我国航天工业的发展。
1 材料与方法
1.1 研究区域概况
研究区域为位于E108°31′04″～109°07′56″，N25°45′05″～26°14′02″，属贵州省黔东南州的黎平、从江、榕江3县，是贵州省的主要林区和木材主产区。总面积为10962.57km2，平均山地区域面积比例为75.6%，平均森林覆盖率达到71.6%，属中亚热带季风湿润气候区，气候条件优越，光热充足，年平均气温15～25℃，雨量充沛，适宜森林植物生长，保持着良好的生态环境。境内最高海拔1698m，位于榕江县西北部的平阳乡高岳山主峰，最低海拔148m，位于黎平县东南部的地坪乡水口河出省界处[4]。境内共辖66个乡镇，总人口约113.41万。
1.2 软硬件配置
系统硬件：计算机（2GB内存，200G硬盘）；Contex A0扫描仪；HP Designjet 500plus绘图仪；HP激光打印机。系统软件：MAPGIS6.7；ERDAS IMAGINE 8.7；PHOTOSHOP7.0；SSPS11.5 for Windows；OFFICE2003等。
1.3 基础数据
贵州省黎平县、从江县、榕江县的中巴卫星遥感数据（2009年12月CCD相机B1～B5波段数据）、实地调查取得的森林蓄积量、1：1万比例尺地形图、DEM等。
1.4 CBERS数据蓄积量估测因子的选择
影响蓄积估测的因子很多，传统的调查方法有郁闭度、龄组、树高、胸径、树种等因子，这些因子从地形图和遥感数据中不能直接提取，因此不考虑。只考虑能够从遥感影像和地形图以及DEM上可以直接提取的信息。
1.4.1 遥感信息
遥感信息包括CBERS数据各波段的灰度值及灰度比值。研究采用的是19.5m空间分辨率的CBERS-CCD遥感图像，从CBERS-CCD波段特征及植物波谱反射特性看，可能影响蓄积估测的遥感因子包括CCD数据的所有波段。
植被指数又称绿波指数，是由多光谱数据经线性或非线性组合构成能反映绿色植物生长状况及分布特征的指数[5]。根据植物的波谱反射曲线，绿色植物对可见光和近红外谱段截然不同的吸收和反射特性是植被监测的物理基础，可用于构造植被指数。近红外波段对植被差异和长势反映敏感，指示植物光合作用能否正常进行；可见光波段被植被叶绿素强吸收，进行光合作用，是光合作用的代表性波段[6]。植被指数与植物长势、生物量、覆盖度、季相变动都有很好的相关性，在构造比值波段时，可以将植被指数作为比值波段考虑。
通过比较分析，采用归一化植被指数、比值植被指数和环境植被指数作为蓄积量估测的因子，对CBERS-CCD数据其组合波段分别为：B（4-3）/（4+3）、B4/3、B（4-3）。
1.4.2 地理信息
植物的生长离不开水分和热量，而水热条件又和海拔、坡向、坡度和坡位等地理位置密切相，因此参加森林蓄积量估测模型的主要地理因子应包括海拔、坡向、坡度和坡位等。这些因子的信息可以从地形图上或DEM获得。
1.4.2.1 海拔
海拔对林分生长有大的影响，在山区通常温度随海拔升高而降低、雨量随海拔升高而升高，因此应把海拔作为森林蓄积量估测的主要地理因子。由于研究区域海拔在148～1698m间，高差200m水热条件将有明显变化，按200m一个分段，分为9个梯级，并按1～9分别赋值。
1.4.2.2 坡向
植物生长离不开光和作用，光热条件与坡向密切相关，对树木生长有很大的作用，所以把坡向也作为森林蓄积量估测的一个因子。具体分类为2类：阴坡、阳坡。其中阴坡包括东坡、北坡、东北坡和西北坡，取值1；阳坡包括西坡、南坡、东南坡和西南坡，取值2。
1.4.2.3 坡度
土层厚度与坡度有关，森林蓄积量估测应该考虑它的影响。将坡度按0°～5°、5°～15°、15°～25°、25°～35°、35°以上划分为5级并分别赋值1～5。
1.4.2.4 坡位
土壤养分、土层厚度与坡位有关，植物分布和生长应该考虑它的影响。将坡位按山顶、山腰、山脚、和全坡位划分为四级并分别赋值1～4。
1.5 研究方法
1.5.1 样地蓄积量测定
在1：1万地形图上随机布设样地，并读取样地坐标。根据样地坐标，野外利用GPS定位，准确找到样地位置，由于CBERS数据的空间分辨率是19.5m，为了和像元对应，样地采用19.5m×19.5m的方形样地。对样地内林木采用每木检尺调查，测定胸径、树高和树种等数据，计算出样地蓄积量。
1.5.2 样地在遥感影像上的配准
根据1：1万地形图的坐标系，利用地形图和遥感影像上的公共特征点，对遥感影像进行几何精校正；在校正后的遥感影像上根据样地坐标确定样地对应的像元。
1.5.3 样地遥感及地理信息的提取
在ERDAS IMAGANE8.7下，在输入/输出功能中，确定输出距离后，可将整幅图像按ASCII格式输出，在表中即可查得每个样地的坐标值和对应的各波段灰度值。在地形图上和DEM上读取各样地对应的海拔、坡向、坡度、坡位。
1.5.4 建立蓄积量估测模型
根据研究区域的中巴卫星遥感数据和实地调查取得的森林蓄积量，以蓄积量为因变量，可能影响森林蓄积量的遥感和地理信息因子为自变量，采用多元线性回归方法，建立蓄积量估测方程；检查验证森林蓄积量估测方程的有效性和准确性；方程建立之后，用实际的样地的蓄积量和方程所计算的蓄积量进行比较，分析森林蓄积量估测方程所能达到的精度。
2 蓄积量估测模型与估测精度
2.1 回归方程的提出
采用多元线性回归方法，以50个野外调查样地的蓄积量为因变量，遥感信息和地理信息为自变量，建立了基于遥感信息和地理信息的蓄积量估测模型，对回归模型显著性检验（F检验）、回归参数的显著性检验、模型拟和优度检验以及模型预报能力检验，得出最优的估测模型如下：
式中 ——蓄积量估测值；
、、、——CBERS-CCD一、二、三、五波段对应的像元灰度值；
——归一化植被指数的值；
——比值植被指数；
——环境植被指数；
H、X、D、W——海拔、坡向、坡度、坡位。
2.2 模型拟和优度检验
表1 模型综合分析表
调整 估计值的 变化统计量 线性
Model R R2 的R2 标准误差 R2 F 第一自由度 第二自由度 F值显著性概率 检验值
1 .774a 0.599 0.507 1.39026 0.599 6.51 11 48 0 2.098
a.Predictors： （Constant）， 坡度， B4-3/4+3， 海拔， 坡向， B3， B5， B1， B2， B4-3， B4/3。
b.Dependent Variable： 蓄积量。
通过表1可以看出，回归模型的决定系数、修正决定系数和复相关系数分别为0.599，0.507和0.774，模型达到较好的拟和效果。
2.3 模型预报能力检验
利用44个检验样地对模型预报能力进行检验，分析其预报误差；并定义均方预报残差MSPR：
式中 n——检验样地数；
——第i个检验样地实测蓄积量值；
——第i个检验样地蓄积量预报值。
若模型具有较好的稳定性和预报能力，MSPR与回归方程的均方残差MSE偏离值应不大。
表2 模型预报检验结果
样地编号 实测值
/m3 预报值
/m3 残差
/m3 标准化残差 样地编号 实测值
/m3 预报值
/m3 残差
/m3 标准化残差
1 3.94 3.40 -0.54 -0.47 23 7.32 8.11 0.79 0.56
2 2.92 2.71 -0.21 -0.12 24 5.55 5.36 -0.19 -0.16
3 2.46 2.57 0.11 -0.08 25 1.35 2.24 0.89 0.53
4 4.23 4.70 0.47 0.31 26 4.52 4.88 0.36 0.26
5 4.72 3.85 -0.87 -0.71 27 2.45 2.85 0.40 0.15
6 3.14 3.33 0.19 -0.01 28 3.33 2.87 -0.46 -0.35
7 3.08 3.03 -0.05 -0.19 29 4.36 4.98 0.62 0.39
8 5.02 5.88 0.86 0.50 30 3.52 3.50 -0.02 -0.01
9 3.25 3.65 0.40 0.27 31 3.13 3.17 0.04 -0.12
10 4.64 5.21 0.57 0.28 32 0.61 2.41 1.80 1.23
11 3.31 2.57 -0.74 -0.72 33 2.53 2.83 0.30 0.08
12 2.55 1.69 -0.86 -0.81 34 2.87 2.97 0.10 -0.06
13 8.96 8.22 -0.74 -0.52 35 1.02 0.68 -0.34 -0.28
14 2.90 2.32 -0.58 -0.59 36 1.96 1.79 -0.17 -0.15
15 1.85 2.32 0.47 0.31 37 1.83 1.62 -0.21 -0.13
16 7.13 7.93 0.80 0.46 38 3.13 2.88 -0.25 -0.19
17 3.45 2.88 -0.57 -0.59 39 5.67 5.57 -0.10 -0.07
18 2.51 3.02 0.51 0.24 40 2.66 2.53 -0.13 -0.12
19 4.20 4.73 0.53 0.25 41 2.99 3.70 0.71 0.39
20 2.05 1.41 -0.64 -0.58 42 1.73 1.35 -0.38 -0.29
21 7.93 6.66 -1.27 -1.10 43 1.68 1.49 -0.19 -0.14
22 3.47 2.64 -0.83 -0.74 44 1.83 1.24 -0.59 -0.19
MSPR 36.47 MSPR偏差 0.36
从表2中可以看出，样地5、12、21、32的预报残差都比较大，但都在2倍标准残差以内；MSPR偏差为0.36，说明模型预报均方残差小，整体预报能力较好。
3 结论与讨论
采用CBERS数据估测蓄积量，自变量选择的遥感信息为B1、B2、B3、B5波段的灰度值和归一化植被指数（NDVI）B（4-3）/（4+3）、比值植被指数（RVI）B4/3、环境植被指数（EVI）B（4-3）；地理信息因子应包括海拔、坡向、坡度和坡向，这些因子都可以直接从遥感数据、地形图或DEM上获取。
利用CBERS数据估测蓄积量的最优方程为：
通过多元线性回归建立的方程，经检验，对蓄积量具有较好的预报效果。各个样地蓄积量预报残差均在2倍标准以内，均方预报残差MSPR偏差为0.36，说明模型整体预报能力较好。
利用CBERS数据配合少量的地面实测样地，采用多元回归分析的方法，对县一级进行森林蓄积量估测，是可行的。根据有关的规定，县一级进行森林蓄积量估测的精度应该达到90%，而利用数据配合少量的地面实测样地进行森林蓄积量的估测精度达到了93.32%，达到了要求的精度。采用这种方法进行蓄积量的调查，可以极大地减少外业调查的工作量，达到成本低、效率高的目的。
但目前模型的检验还存在着一定的问题，检验的次数还应提高，以后在实际应用过程中，还应加强模型的检验。本模型是根据贵州山地的实际情况模拟，对其它立地条件森林蓄积量的估算还未加预测，在考虑本模型的模拟时，应该考虑其他立地条件的实际情况。
参考文献
[1] 孟宪宇.测树学[M].北京：中国林业出版社，1996.
[2] 赵宪文.林业遥感定量估测[M].北京：中国林业出版社，1996.
[3] Carpenter， Gaila. ART neural networks for remote sensing vegetation classification from landsat TM and terrain data [J].IEEE Transactions on Geoscience and Remote Sensing， 1997，35（2）：308-325.
[4] 贵州省区域地理信息项目领导小组，贵州省地理信息数据集[M]，贵州：贵州人民出版社，1996.
[5] Frederic Achard and Christine Estreguil. Forest Classification of Southeast Asia Using NOAA /AVHRR Data[J].REMOTE SENS. ENVIRON 54：198-208 （1995）.
[6] Nemani，Ramakrishna.Land cover characterization using multitemporal red，near-IR from NOAA/AVHRR[J].Ecological Application，Temper AZ，1997，7（1）：79-90.
作者简介：蔡学成（1967-），男，云南昆明人，硕士，副教授，研究方向：“3S”技术应用研究。