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

HJ-1B CCD2与SPOT4 HRVIR数据在森林地上生物量反演中的比较分析

靳华安 李爱农 边金虎 雷光斌

靳华安, 李爱农, 边金虎, 雷光斌. HJ-1B CCD2与SPOT4 HRVIR数据在森林地上生物量反演中的比较分析[J]. 武汉大学学报 ● 信息科学版, 2016, 41(11): 1483-1490. doi: 10.13203/j.whugis20140594
引用本文: 靳华安, 李爱农, 边金虎, 雷光斌. HJ-1B CCD2与SPOT4 HRVIR数据在森林地上生物量反演中的比较分析[J]. 武汉大学学报 ● 信息科学版, 2016, 41(11): 1483-1490. doi: 10.13203/j.whugis20140594
JIN Hua'an, LI Ainong, BIAN Jinhu, LEI Guangbin. Comparative Analysis of HJ-1B CCD2 and SPOT4 HRVIR Data for Aboveground Biomass Estimation in Forest Stands[J]. Geomatics and Information Science of Wuhan University, 2016, 41(11): 1483-1490. doi: 10.13203/j.whugis20140594
Citation: JIN Hua'an, LI Ainong, BIAN Jinhu, LEI Guangbin. Comparative Analysis of HJ-1B CCD2 and SPOT4 HRVIR Data for Aboveground Biomass Estimation in Forest Stands[J]. Geomatics and Information Science of Wuhan University, 2016, 41(11): 1483-1490. doi: 10.13203/j.whugis20140594

HJ-1B CCD2与SPOT4 HRVIR数据在森林地上生物量反演中的比较分析

doi: 10.13203/j.whugis20140594
基金项目: 

国家自然科学基金 41301385

国家自然科学基金 41271433

国家自然科学基金 41571373

中国科学院“百人计划” 110900K242

中国科学院战略性先导科技专项 XDA05050105

详细信息
    作者简介:

    靳华安, 博士, 主要从事山地地表参数遥感反演研究。jinhuaan@imde.ac.cn

    通讯作者: 李爱农, 博士, 研究员。ainongli@imde.ac.cn
  • 中图分类号: P237.9

Comparative Analysis of HJ-1B CCD2 and SPOT4 HRVIR Data for Aboveground Biomass Estimation in Forest Stands

Funds: 

The National Natural Science Foundation of China 41301385

The National Natural Science Foundation of China 41271433

The National Natural Science Foundation of China 41571373

the "Hundred Talents" Project of Chinese Academy of Sciences (CAS) 110900K242

the Strategic Priority Research Program-Climate Change: Carbon Budget and Related Issues XDA05050105

More Information
    Author Bio:

    JIN Hua'an, PhD, specializes in land surface parameter retrieval using remote sensing data.E-mail:jinhuaan@imde.ac.cn

    Corresponding author: LI Ainong, PhD, professor. E-mail:ainongli@imde.ac.cn
  • 摘要: 以贡嘎山地区为研究区,选取HJ-1B CCD2和SPOT4 HRVIR为数据源,结合地面同步实测数据,分别采用植被指数法和主成分分析法对森林地上生物量进行估算,并基于交叉验证的方法对比分析了两种传感器估算贡嘎山森林地上生物量的效果:针对单一植被指数,基于比值植被指数构建的生物量反演模型明显优于其他植被指数,且HJ-1B CCD2的表现好于SPOT4 HRVIR;在联合多种植被指数建立的生物量反演模型方面,两种数据源的估算能力基本相当,交叉验证的相关系数分别为0.545 8和0.563 4,均方根误差分别为27.811 4 t·ha和27.169 6 t·ha;主成分分析法则为HJ-1B CCD2传感器的表现优于SPOT4 HRVIR。
  • 图  1  研究区

    Figure  1.  The Study Area

    图  2  预测生物量与实测生物量对比

    Figure  2.  Comparison Between Predicted AGB and Measured AGB

    图  3  贡嘎山区域森林地上生物量遥感估算结果

    Figure  3.  Spatial Distribution of AGB Estimation in Mt. Gongga

    表  1  森林样方内树木的基本参数统计

    Table  1.   The Statistical Description of Forest Parameters in 28 Plots

    编号优势树种株数/棵胸径/cm树高/m
    1高山栎5818.3310.96
    2高山栎8018.419.64
    3桦树10916.5915.96
    4桦树6218.8316.90
    5桦树4019.3916.86
    6槭树6716.789.73
    7槭树8716.809.16
    8槭树5617.559.18
    9其他阔叶3025.8915.72
    10高山松10418.1011.59
    11高山松5421.9211.51
    12高山松4114.637.16
    13高山松4518.8010.09
    14高山松5920.3910.63
    15云杉7019.7115.18
    16云杉7222.5018.03
    17峨眉冷杉8023.0414.61
    18峨眉冷杉6720.8712.91
    19峨眉冷杉25015.058.78
    20峨眉冷杉9817.4710.28
    21云杉4116.136.86
    22高山松10416.727.65
    23高山松17914.076.78
    24高山松23012.018.28
    25高山松26012.208.07
    26高山松12016.3111.28
    27高山松16716.2811.67
    28高山松8414.3111.52
    注:“株数”表示森林样方内树木的总棵数;“胸径”和“树高”分别表示样方内树木的平均胸径和树高。
    下载: 导出CSV

    表  2  SPOT与HJ数据基本信息

    Table  2.   The Basic Information About SPOT HRVIR and HJ CCD

    传感器波段波长/(nm)空间分辨率/m幅宽/km获取日期过境时间观测角度/(°)
    θsunφsunθviewφview
    HJ-1BCCD2蓝(Band1)430~520303602011-08-2711:3330.5124.333.196.9
    绿(Band2)520~600
    红(Band3)630~690
    近红外(Band4)760~900
    SPOT4HRVIR绿(Band1)500~59020602011-08-2711:3230.6124.05.9280.3
    红(Band2)610~680
    近红外(Band3)780~890
    短波红外(Band4)1 580~1 750
    注:θsunφsun分别代表太阳天顶角和方位角;θviewφview分别代表观测天顶角和方位角。
    下载: 导出CSV

    表  3  植被指数间的相关系数

    Table  3.   Correlation Coefficients Between Different Vegetation Indices

    指数HJ-1B CCD2SPOT4 HRVIR
    NDVISRSAVIDVINDVISRSAVIDVI
    NDVI1.000 00.961 00.720 00.557 01.000 00.958 00.518 00.550 0
    SR0.961 01.000 00.727 00.575 00.958 01.000 00.584 00.610 0
    SAVI0.720 00.727 01.000 00.976 00.518 00.584 01.000 00.022 0
    DVI0.557 00.575 00.976 01.000 00.550 00.610 00.022 01.000 0
    下载: 导出CSV

    表  4  森林地上生物量遥感估测模型

    Table  4.   Model for Forest AGB Estimation Using Remote Sensing Data

    传感器生物量估算方程/(t·ha)相关系数/r
    HJ-1B CCD2AGB=321.211 2×NDVI-142.69740.656 0
    AGB=9.461 8×SR+26.360 60.676 0
    AGB=381.922 2×SAVI-59.015 80.585 8
    AGB=468.444 3×DVI-3.355 30.496 9
    AGB=-171.432 5×NDVI+6.446 1×SR+1 202.722 4×SAVI-1 295.253 7×DVI-35.564 10.692 5
    AGB=9.953 5×PC1+100.125 60.704 2
    SPOT4 HRVIRAGB=213.590 0×NDVI-56.164 00.396 9
    AGB=10.459 8×SR+29.195 60.492 6
    AGB=210.020 0×SAVI+20.232 00.340 0
    AGB=115.110 0×DVI+65.027 00.306 9
    AGB=-744.294×NDVI+51.795 2×SR-422.665×SAVI-171.81 8×DVI+510.126 40.685 1
    AGB=7.762 1×PC1+3.178 7×PC2-1.439 3×PC3+9.131 6×PC4+10.951 6×PC5+100.125 50.672 5
    注:PC1、PC2、PC3、PC4、PC5分别为主成分分析中的第1、2、3、4、5主成分。
    下载: 导出CSV
  • [1] 李德仁, 王长委, 胡月明, 等.遥感技术估算森林生物量的研究进展[J].武汉大学学报·信息科学版, 2012, 37(6):631-635 http://ch.whu.edu.cn/CN/Y2012/V37/I6/631

    Li Deren, Wang Changwei, Hu Yueming, et al. General Review on Remote Sensing-based Biomass Estimation[J]. Geomatics and Information Science of Wuhan University, 2012, 37(6):631-635 http://ch.whu.edu.cn/CN/Y2012/V37/I6/631
    [2] Song C. Optical Remote Sensing of Forest Leaf Area Index and Biomass[J]. Progress in Physical Geography, 2013, 37(1):98-113 doi:  10.1177/0309133312471367
    [3] Xu X J, Du H Q, Zhou G M, et al. Estimation of Aboveground Carbon Stock of Moso Bamboo (Phyllostachys Heterocycla var Pubescens) Forest with a Landsat Thematic Mapper Image[J]. International Journal of Remote Sensing, 2011, 32(5):1431-1448 doi:  10.1080/01431160903551389
    [4] 浦瑞良, 宫鹏.高光谱遥感及其应用[M].北京:高等教育出版社, 2000

    Pu Ruiliang, Gong Peng. Hyperspectral Remote Senisng and Its Applications[M]. Beijing:Higher Education Press, 2000
    [5] 杨飞, 张柏, 宋开山, 等.大豆叶面积指数的高光谱估算方法比较[J].光谱学与光谱分析, 2008, 28(12):2951-2955 http://www.cnki.com.cn/Article/CJFDTOTAL-GUAN200812055.htm

    Yang Fei, Zhang Bai, Song Kaishan, et al. Comparison of Methods for Estimating Soybean Leaf Area Index[J]. Spectroscopy and Spectral Analysis, 2008, 28(12):2951-2955 http://www.cnki.com.cn/Article/CJFDTOTAL-GUAN200812055.htm
    [6] 刘睿, 孙九林, 王卷乐, 等.环境与灾害监测预报小卫星CCD数据质量评价[J].地球科学进展, 2011, 26(9):971-979 http://www.cnki.com.cn/Article/CJFDTOTAL-DXJZ201109011.htm

    Liu Rui, Sun Jiulin, Wang Juanle, et al. Data Quality Evaluation of Chinese HJ CCD Sensor[J]. Advances in Earth Science, 2011, 26(9):971-979 http://www.cnki.com.cn/Article/CJFDTOTAL-DXJZ201109011.htm
    [7] 杨飞, 王卷乐, 陈鹏飞, 等. HJ-1A CCD与TM数据及其估算草地LAI和鲜生物量效果比较分析[J].遥感学报, 2012, 16(5):1012-1023 http://www.cqvip.com/qk/92457a/201205/43166277.html

    Yang Fei, Wang Juanle, Chen Pengfei, et al. Comparison of HJ-1A CCD and TM Data and for Estimating Grass LAI and Fresh Biomass[J]. Journal of Remote Sensing, 2012, 16(5):1012-1023 http://www.cqvip.com/qk/92457a/201205/43166277.html
    [8] 程根伟, 王根绪.中国生态系统定位观测与研究数据集:森林生态系统卷(四川贡嘎山站)[M].北京:中国农业出版社, 2010

    Cheng Genwei, Wang Genxu. The Site-Specific Observation and Research Datasets of Chinese Ecosystem-Volume of Forest Ecosystem (Mt. Gongga Station in Sichuan Province)[M]. Beijing:China Agriculture Press, 2010
    [9] 周鹏, 朱万泽, 罗辑, 等.贡嘎山典型植被地上生物量与碳储量研究[J].西北植物学报, 2013, 33(1):162-168 http://www.cnki.com.cn/Article/CJFDTOTAL-DNYX201301027.htm

    Zhou Peng, Zhu Wanze, Luo Ji, et al. Aboveground Biomass and Carbon Storage of Typical Forest Types in Gongga Mountain[J]. Acta Botanica Boreali-Occidentalia Sinica, 2013, 33(1):162-168 http://www.cnki.com.cn/Article/CJFDTOTAL-DNYX201301027.htm
    [10] 刘兴良, 刘世荣, 宿以明, 等.巴郎山川滇高山栎灌丛地上生物量及其对海拔梯度的响应[J].林业科学, 2006, 42(2):1-7 http://www.cnki.com.cn/Article/CJFDTOTAL-LYKE200602000.htm

    Liu Xingliang, Liu Shirong, Su Yiming, et al. Aboveground Biomass of Quercus Aquifolioides Shrub Community and Its Responses to Altitudinal Gradients in Balangshan Mountain, Sichuan Province[J]. Scientia Silvae Sinicae, 2006, 42(2):1-7 http://www.cnki.com.cn/Article/CJFDTOTAL-LYKE200602000.htm
    [11] 罗天祥, 李文华, 罗辑, 等.青藏高原主要植被类型生物生产量的比较研究[J].生态学报, 1999, 19(6):823-831 http://www.cnki.com.cn/Article/CJFDTOTAL-STXB199906009.htm

    Luo Tianxiang, Li Wenhua, Luo Ji, et al. A Comparative Study on Biological Production of Major Vegetation Types on the Tibetan Plateau[J]. Acta Ecologica Sinica, 1999, 19(6):823-831 http://www.cnki.com.cn/Article/CJFDTOTAL-STXB199906009.htm
    [12] 郑光, 田庆久, 陈镜明, 等.结合树龄信息的遥感森林生态系统生物量制图[J].遥感学报, 2006, 10(6):932-940 http://www.cnki.com.cn/Article/CJFDTOTAL-YGXB200606014.htm

    Zheng Guang, Tian Qingjiu, Chen Jingming, et al. Combining Remote Sensing Imagery and Forest Age Inventory for Biomass Mapping[J]. Journal of Remote Sensing, 2006, 10(6):932-940 http://www.cnki.com.cn/Article/CJFDTOTAL-YGXB200606014.htm
    [13] 李明泽, 毛学刚, 范文义.基于郁闭度联立方程组模型的森林生物量遥感估测[J].林业科学, 2014, 50(2):85-91 http://www.cnki.com.cn/Article/CJFDTOTAL-LYKE201402013.htm

    Li Mingze, Mao Xuegang, Fan Wenyi. Forest Biomass Estimation Using Remote Sensing Based on Canopy Density Simultaneous Equations Model[J]. Scientia Silvae Sinicae, 2014, 50(2):85-91 http://www.cnki.com.cn/Article/CJFDTOTAL-LYKE201402013.htm
    [14] Matsushita B, Yang W, Chen J, et al. Sensitivity of the Enhanced Vegetation Index (EVI) and Normalized Difference Vegetation Index (NDVI) to Topographic Effects:A Case Study in High-Density Cypress Forest[J]. Sensors, 2007, 7(11):2636-2651 doi:  10.3390/s7112636
    [15] 李显风, 居为民, 陈姝, 等.地表覆盖分类数据对区域森林叶面积指数反演的影响[J].遥感学报, 2010, 14(5):982-989) http://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201005012.htm

    Li Xianfeng, Ju Weimin, Chen Shu, et al. Influence ofLand Cover Data on Regional Forest Leaf Area Index Inversion[J]. Journal of Remote Sensing, 2010, 14(5):982-989 http://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201005012.htm
  • [1] 沈维青, 张丰, 刘仁义, 杜震洪.  利用SARA结合高分一号数据反演气溶胶光学厚度 . 武汉大学学报 ● 信息科学版, 2020, 45(6): 914-922. doi: 10.13203/j.whugis20190034
    [2] 韩谷怀, 秦其明, 任华忠, 汪子豪.  利用AB算法进行高分四号卫星数据反照率反演 . 武汉大学学报 ● 信息科学版, 2020, 45(4): 542-549. doi: 10.13203/j.whugis20180291
    [3] 罗玲, 毛德华, 张柏, 王宗明, 杨桄.  基于Landsat OLI影像的典型湿地芦苇植被光能利用率遥感反演方法初探 . 武汉大学学报 ● 信息科学版, 2020, 45(4): 524-533. doi: 10.13203/j.whugis20180294
    [4] 魏雪梅.  多源数据支持下的森林地上生物量估算方法 . 武汉大学学报 ● 信息科学版, 2019, 44(9): 1385-1390. doi: 10.13203/j.whugis20190149
    [5] 李营, 陈云浩, 陈辉, 王晨.  GF-1 WFV影像的翅碱蓬植被指数构建 . 武汉大学学报 ● 信息科学版, 2019, 44(12): 1823-1831. doi: 10.13203/j.whugis20180105
    [6] 魏然, 单杰.  城市地表温度影像时空融合方法研究 . 武汉大学学报 ● 信息科学版, 2018, 43(3): 428-435. doi: 10.13203/j.whugis20150489
    [7] 徐剑波, 肖志峰, 钟林忆, 蔡德楠, 钟德福, 朱晓强.  HJ-1B热红外LST反演及利用偏微分对其误差精度分析 . 武汉大学学报 ● 信息科学版, 2016, 41(11): 1505-1511. doi: 10.13203/j.whugis20140475
    [8] 段祝庚, 赵旦, 曾源, 赵玉金, 吴炳方, 朱建军.  基于遥感的区域尺度森林地上生物量估算研究 . 武汉大学学报 ● 信息科学版, 2015, 40(10): 1400-1408. doi: 10.13203/j.whugis20140709
    [9] 杨曦光, 黄海军, 严立文, 刘艳霞, 马立杰.  近岸水体表层悬浮泥沙平均粒径遥感反演 . 武汉大学学报 ● 信息科学版, 2015, 40(2): 164-169.
    [10] 方圣辉, 乐源, 梁琦.  基于连续小波分析的混合植被叶绿素反演 . 武汉大学学报 ● 信息科学版, 2015, 40(3): 296-302.
    [11] 李德仁, 王长委, 胡月明, 刘曙光.  遥感技术估算森林生物量的研究进展 . 武汉大学学报 ● 信息科学版, 2012, 37(6): 631-635.
    [12] 陈莉琼, 田礼乔, 邱凤, 陈晓玲.  HJ-1A/B卫星CCD影像的武汉市东湖水色三要素遥感研究 . 武汉大学学报 ● 信息科学版, 2011, 36(11): 1280-1283.
    [13] 刘海, 陈晓玲, 宋珍, 殷守敬.  MODIS影像雪深遥感反演特征参数选择与模型研究 . 武汉大学学报 ● 信息科学版, 2011, 36(1): 113-116.
    [14] 卢远, 华璀, 杨小雄, 韦燕飞.  基于ASTER数据的城市热环境效应定量分析 . 武汉大学学报 ● 信息科学版, 2008, 33(3): 297-301.
    [15] 岑奕, 张良培, 村松加奈子.  纪伊半岛地区植被净初级生产力的遥感应用研究 . 武汉大学学报 ● 信息科学版, 2008, 33(12): 1221-1224.
    [16] 赵红蕊, 唐中实, 李小文.  线性正则化遥感反演中正则化参数的确定方法 . 武汉大学学报 ● 信息科学版, 2007, 32(6): 531-535.
    [17] 邬国锋, 刘耀林, 纪伟涛.  利用Landsat 5 TM影像估算沉水植物地上生物量的研究——以江西省鄱阳湖国家自然保护区为例 . 武汉大学学报 ● 信息科学版, 2006, 31(11): 953-957.
    [18] 陈云浩, 杜培军, 李晓兵, 史培军.  基于卫星遥感数据的地表信息特征——NDVI-Ts空间描述 . 武汉大学学报 ● 信息科学版, 2005, 30(1): 11-14.
    [19] 张立福, 张良培, 村松加奈子, 藤原昇.  利用MODIS数据计算陆地植被指数VIUPD . 武汉大学学报 ● 信息科学版, 2005, 30(8): 699-702.
    [20] 刘良明, 梁益同, 马慧云, 黄靖.  MODIS和AVHRR植被指数关系的研究 . 武汉大学学报 ● 信息科学版, 2004, 29(4): 307-310.
  • 加载中
图(3) / 表(4)
计量
  • 文章访问数:  2330
  • HTML全文浏览量:  34
  • PDF下载量:  341
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-05-19
  • 刊出日期:  2016-11-05

HJ-1B CCD2与SPOT4 HRVIR数据在森林地上生物量反演中的比较分析

doi: 10.13203/j.whugis20140594
    基金项目:

    国家自然科学基金 41301385

    国家自然科学基金 41271433

    国家自然科学基金 41571373

    中国科学院“百人计划” 110900K242

    中国科学院战略性先导科技专项 XDA05050105

    作者简介:

    靳华安, 博士, 主要从事山地地表参数遥感反演研究。jinhuaan@imde.ac.cn

    通讯作者: 李爱农, 博士, 研究员。ainongli@imde.ac.cn
  • 中图分类号: P237.9

摘要: 以贡嘎山地区为研究区,选取HJ-1B CCD2和SPOT4 HRVIR为数据源,结合地面同步实测数据,分别采用植被指数法和主成分分析法对森林地上生物量进行估算,并基于交叉验证的方法对比分析了两种传感器估算贡嘎山森林地上生物量的效果:针对单一植被指数,基于比值植被指数构建的生物量反演模型明显优于其他植被指数,且HJ-1B CCD2的表现好于SPOT4 HRVIR;在联合多种植被指数建立的生物量反演模型方面,两种数据源的估算能力基本相当,交叉验证的相关系数分别为0.545 8和0.563 4,均方根误差分别为27.811 4 t·ha和27.169 6 t·ha;主成分分析法则为HJ-1B CCD2传感器的表现优于SPOT4 HRVIR。

English Abstract

靳华安, 李爱农, 边金虎, 雷光斌. HJ-1B CCD2与SPOT4 HRVIR数据在森林地上生物量反演中的比较分析[J]. 武汉大学学报 ● 信息科学版, 2016, 41(11): 1483-1490. doi: 10.13203/j.whugis20140594
引用本文: 靳华安, 李爱农, 边金虎, 雷光斌. HJ-1B CCD2与SPOT4 HRVIR数据在森林地上生物量反演中的比较分析[J]. 武汉大学学报 ● 信息科学版, 2016, 41(11): 1483-1490. doi: 10.13203/j.whugis20140594
JIN Hua'an, LI Ainong, BIAN Jinhu, LEI Guangbin. Comparative Analysis of HJ-1B CCD2 and SPOT4 HRVIR Data for Aboveground Biomass Estimation in Forest Stands[J]. Geomatics and Information Science of Wuhan University, 2016, 41(11): 1483-1490. doi: 10.13203/j.whugis20140594
Citation: JIN Hua'an, LI Ainong, BIAN Jinhu, LEI Guangbin. Comparative Analysis of HJ-1B CCD2 and SPOT4 HRVIR Data for Aboveground Biomass Estimation in Forest Stands[J]. Geomatics and Information Science of Wuhan University, 2016, 41(11): 1483-1490. doi: 10.13203/j.whugis20140594
  • 森林生物量是森林生态系统固碳能力的重要指标,快速而准确地估算区域森林生物量对研究陆地生态系统碳循环及全球气候变化等具有重要意义[1]。遥感技术以其大尺度观测的优势,为估算区域尺度森林地上生物量提供了强有力的手段。研究人员针对森林地上生物量遥感反演进行了大量卓有成效的研究[1-2]。目前,人们可以通过光学遥感、微波雷达和激光雷达等对森林生物量进行估算,其中传统的光学遥感生物量估算技术相对比较成熟,并且光学传感器能够获取森林水平分布的详细信息,便于森林生物量的遥感制图。

    森林生物量是森林植被光合作用产物的积累,对于光学遥感而言,植被的反射光谱特征能够反映植物的叶绿素含量、生长状况以及光合作用情况等,由此可以根据森林植被反射光谱特征,建立遥感观测信号与实测森林地上生物量之间的数学模型,利用光学遥感信息估算森林地上生物量[2]。基于各种光学植被指数构建经验性的生物量估测模型是森林地上生物量光学遥感估算研究的常用方法,该方法简单而且运算效率高,但时空外延性不强。物理模型法虽能得到较好的地上生物量估算结果,但物理模型需要输入较多的参数,算法复杂,运算速度慢,限制了其广泛应用。随着多源传感器的发射升空,研究人员能够获取到不同来源、丰富的光谱信息,同时也对数据处理及建模提出了挑战。为了充分利用光谱信息,一些新的技术手段(如神经网络技术)在森林地上生物量光学遥感估算中逐步得到应用[3]。主成分分析方法具有降低数据维数和压缩数据量的功能,在地学应用中多集中在光谱差异显著的矿物和岩性识别等方面[4]。目前,该方法也被应用于植被生理参数(如叶面积指数(leaf area index, LAI))遥感反演[5],但还鲜见其在森林地上生物量遥感估算方面的研究。

    我国自行研制的环境与灾害监测预报小卫星星座(HJ-1A/B)于2008-09-06发射升空,其A、B双星搭载的4部宽覆盖CCD(charge coupled device)传感器(HJ-1A CCD1、HJ-1A CCD2、HJ-1B CCD1、HJ-1B CCD2)具备视场宽、时间分辨率高等观测能力,在我国陆地资源遥感监测领域拥有广阔的应用前景[6]。研究人员利用HJ-1A/B CCD数据反演植被生理参数,并比较了其与Landsat TM数据对LAI及草地生物量的估算效果[7]。然而利用HJ-1A/B CCD多光谱数据估算森林地上生物量的研究还鲜有报道,该数据与其他中高分辨率数据(如SPOT)在森林生物量反演方面的对比研究更是鲜有涉及,在一定程度上影响了HJ-1A/B CCD数据应用潜力及价值的科学评估。

    基于贡嘎山地区同步获取的HJ-1B CCD2、SPOT4 HRVIR传感器数据以及地面实测数据,本文以森林生态系统为研究对象,引入植被指数法和主成分分析方法,分别选取过境日期一致的HJ-1B CCD2和SPOT4 HRVIR传感器为遥感数据源,估算贡嘎山地区的森林地上生物量,定量评估并对比分析两种传感器的估算能力,以期推动国产环境与灾害监测预报小卫星数据在森林生态系统生理参数反演中的应用。

    • 本文研究区选择在贡嘎山地区(图 1)。贡嘎山地处青藏高原东南缘,介于29°20′N~30°20′N和101°30′E~102°15′E之间,面积约104km2。区域内生物气候带垂直分布清晰,有十分完整的植被垂直带谱和大面积的原始森林,具有从农业区-阔叶林-针叶林-高山灌丛-高寒草甸-永冻荒漠带完整的生态景观[8]

      图  1  研究区

      Figure 1.  The Study Area

    • 2011-09-06~22日对研究区进行了实地考察和野外观测,共布设了28个森林样方,其中针叶林和阔叶林样方分别为19和9个(图 1),每个样方大小为30 m×30 m,且样方周围一定范围内优势树种比较单一。样方的植被类型包括高山松、峨眉冷杉、云杉、栎、槭、桦树等(表 1)。考虑到研究区的实际情况,样方的选取主要遵循空间代表性和采样可达性原则。实验期间对每个森林样方开展了立地调查和相关参数(胸径、树高、冠幅、树龄、LAI、郁闭度等)的测量工作,并利用高精度差分GPS获取样方中心及4个角点的经纬度坐标,同时记录下每个森林样方内树木的总数。表 1列出了每个森林样方内树木的基本参数信息。此外,对样方内林下灌木和草本层也进行了调查,在每个森林样方内随机选取两个小样方(灌木层为2 m×2 m,草本层1 m×1 m),将样方内所有灌木和草本收获后取样品带回实验室,在60℃下烘至恒重并测定干重。

      表 1  森林样方内树木的基本参数统计

      Table 1.  The Statistical Description of Forest Parameters in 28 Plots

      编号优势树种株数/棵胸径/cm树高/m
      1高山栎5818.3310.96
      2高山栎8018.419.64
      3桦树10916.5915.96
      4桦树6218.8316.90
      5桦树4019.3916.86
      6槭树6716.789.73
      7槭树8716.809.16
      8槭树5617.559.18
      9其他阔叶3025.8915.72
      10高山松10418.1011.59
      11高山松5421.9211.51
      12高山松4114.637.16
      13高山松4518.8010.09
      14高山松5920.3910.63
      15云杉7019.7115.18
      16云杉7222.5018.03
      17峨眉冷杉8023.0414.61
      18峨眉冷杉6720.8712.91
      19峨眉冷杉25015.058.78
      20峨眉冷杉9817.4710.28
      21云杉4116.136.86
      22高山松10416.727.65
      23高山松17914.076.78
      24高山松23012.018.28
      25高山松26012.208.07
      26高山松12016.3111.28
      27高山松16716.2811.67
      28高山松8414.3111.52
      注:“株数”表示森林样方内树木的总棵数;“胸径”和“树高”分别表示样方内树木的平均胸径和树高。

      结合森林参数信息,利用不同优势树种的单木生物量相对生长方程[9-11]计算每株单木的地上生物量,将样方内所有树木的地上生物量累加,再加上林下灌木和草本层的地上生物量,最终得到每个观测样方内森林群落的地上生物量(above ground biomass, AGB)总量。

    • 遥感数据源包括SPOT4 HRVIR和HJ-1B CCD2影像,其基本信息如表 2所示,获取时间均为2011-08-27,与地面实测数据获取时间基本同步。结合数字化后的1:1万地形数据,对两景遥感影像分别进行地形和大气校正。考虑到两种传感器得到的影像空间分辨率不一致,在此将SPOT4 HRVIR数据重采样到30 m,与HJ-1B CCD2影像分辨率保持一致,便于在森林地上生物量遥感估算方面开展两种数据源之间的对比分析。

      表 2  SPOT与HJ数据基本信息

      Table 2.  The Basic Information About SPOT HRVIR and HJ CCD

      传感器波段波长/(nm)空间分辨率/m幅宽/km获取日期过境时间观测角度/(°)
      θsunφsunθviewφview
      HJ-1BCCD2蓝(Band1)430~520303602011-08-2711:3330.5124.333.196.9
      绿(Band2)520~600
      红(Band3)630~690
      近红外(Band4)760~900
      SPOT4HRVIR绿(Band1)500~59020602011-08-2711:3230.6124.05.9280.3
      红(Band2)610~680
      近红外(Band3)780~890
      短波红外(Band4)1 580~1 750
      注:θsunφsun分别代表太阳天顶角和方位角;θviewφview分别代表观测天顶角和方位角。
    • 本文引入植被指数法和主成分分析法,建立经验性生物量估算模型,分别利用这两种传感器对森林生物量进行估算,并通过对比生物量估测模型的精度来评价不同传感器的反演效果。

    • 植被指数法是光学遥感估算植被生物物理参数(如生物量、LAI、覆盖度)常用的经验方法。考虑到SPOT4 HRVIR和HJ-1B CCD2传感器的波段设置(两种数据源均包括红光和近红外波段),分别选择应用最为广泛的归一化差值植被指数(normalized difference vegetation index, NDVI)、比值植被指数(simple ratio vegetation index, SR)、土壤调整植被指数(soil adjusted vegetation index, SAVI)、差值植被指数(difference vegetation index, DVI)等与森林地上生物量进行相关性分析,并建立一元线性和多元线性回归模型估算森林地上生物量。

    • 除植被反射光谱信息以外,森林生物量与地学因子(如海拔、坡度、坡向)、LAI、郁闭度等也有紧密关系[12-13],本研究选取反射率(绿波段、红波段、近红外波段光谱值)、植被指数(NDVI、SR、SAVI、DVI)、地形因子(海拔、坡度、坡向)、生理参数(LAI、郁闭度)等,作为构建森林地上生物量估测模型的变量因子。为减少变量维数,避免输入变量之间所具有的相关性对模型预测精度的影响,对上述变量进行主成分提取,并建立基于主成分的森林地上生物量反演模型。鉴于SPOT4 HRVIR和HJ-1B CCD2均包含绿、红和近红外波段,因此,本文仅涉及这3个波段的反射率数据,而不考虑其他波段的信息(如HJ卫星的蓝波段、SPOT卫星的中红外波段)。

    • 本研究使用留一法交叉验证法(leave-one-out cross validation, LOOCV)对森林地上生物量估测模型进行评价。具体步骤如下:首先从实测生物量数据集中选择一个数据作为验证数据,然后使用其他样方的观测数据构建生物量估算模型,并用最先被选择的实测生物量数据验证该模型的精度,如此重复28次,得到28个模型预测结果,然后和相对应的地面实测数据进行相关分析,其中模型的预测能力由均方根误差RMSE(root-mean-square error)和验证数据与模型预测值之间的相关系数r来评价。通过该方法评估森林地上生物量估算模型的预测精度,并对比分析SPOT4 HRVIR和HJ-1B CCD2传感器之间的差异。

    • 本文对比了基于HJ-1B CCD2和SPOT4 HRVIR传感器构建的贡嘎山森林地上生物量估测模型的精度以及实测生物量与预测生物量之间的散点图,如图 2所示。

    • 图 2可以看出,HJ-1B CCD2传感器植被指数的表现为SR>NDVI>SAVI>DVI;SPOT4 HRVIR植被指数的表现与HJ-1B CCD2保持一致,即SR表现最好(r=0.395 4, RMSE=29.917 9 t·ha),DVI表现最差(r=0.016 9, RMSE=33.278 9 t·ha),NDVI和SAVI表现居中。SR的表现优于其他植被指数,这是由于研究区植被覆盖度普遍较高,与其他植被指数相比,SR对高覆盖植被区域更为敏感,与生物量的相关性最好。此外,在山区比值型植被指数(如NDVI、SR)能够消除大量的地形影响,地形效应通常可以忽略,而非比值型植被指数(如DVI、包含有常数项L的SAVI)对地形起伏变化更敏感[14],由此可能造成了SAVI和DVI的表现要比SR和NDVI差。总体来说基于HJ-1B CCD2的植被指数在估测贡嘎山森林地上生物量时表现明显优于SPOT4 HRVIR传感器;对这两种传感器而言,以SR为自变量的一元线性模型预测精度最高,如图 2(d)所示。

      图  2  预测生物量与实测生物量对比

      Figure 2.  Comparison Between Predicted AGB and Measured AGB

    • 以NDVI、SR、SAVI和DVI为输入变量,利用多元回归模型估算研究区的森林地上生物量。从模型交叉验证的结果(图 2(e))可以看出,HJ-1B CCD2与SPOT4 HRVIR多元回归模型的表现差别不明显,r分别为0.545 8和0.563 4,RMSE分别为27.811 4和27.169 6 t·ha。与一元线性模型精度相比,HJ-1B CCD2的多元回归模型精度并未提高,甚至不如NDVI和SR的表现,主要原因在于HJ-1B CCD2植被指数之间高度相关(表 3),在多元线性建模过程中并未引入有效信息。不过,SPOT4 HRVIR的多元回归模型则在精度上有明显提高,与基于SR构建的一元线性最优模型相比,r提高了0.168 0,RMSE下降了2.748 3 t·ha。从表 3可以看出,与HJ-1B CCD2传感器相比,除SR-DVI之间的相关系数略微偏高以外,SPOT4 HRVIR植被指数之间的相关性均要比HJ-1B CCD2传感器差,尤其在NDVI-SAVI、SR-SAVI、DVI-SAVI的相关性方面,两种传感器之间的差异更大。SPOT4 HRVIR植被指数之间“弱”的相关关系有利于引入更多的有用信息参与多元线性模型构建,具有潜在改善精度的能力。

      表 3  植被指数间的相关系数

      Table 3.  Correlation Coefficients Between Different Vegetation Indices

      指数HJ-1B CCD2SPOT4 HRVIR
      NDVISRSAVIDVINDVISRSAVIDVI
      NDVI1.000 00.961 00.720 00.557 01.000 00.958 00.518 00.550 0
      SR0.961 01.000 00.727 00.575 00.958 01.000 00.584 00.610 0
      SAVI0.720 00.727 01.000 00.976 00.518 00.584 01.000 00.022 0
      DVI0.557 00.575 00.976 01.000 00.550 00.610 00.022 01.000 0
    • 通过SPSS对选取的12个变量(绿、红、近红外波段光谱值、NDVI、SR、SAVI、DVI、海拔、坡度、坡向、LAI、郁闭度)进行主成分提取,其中前7个变量分别来源于HJ-1B CCD2和SPOT4 HRVIR传感器;海拔、坡度及坡向数据均来源于数字化后的1:1万地形图;LAI和郁闭度则源于地面实测样方数据。经分析可知,对于HJ-1B CCD2和SPOT4 HRVIR传感器,前7个主成分的累积贡献率分别达到了99.345%和97.669%,几乎包含了原始输入数据的所有信息,并且各主成分之间呈相互正交的关系。为降低建模变量维数,可以使用前7个主成分代替原来的12个变量。

      基于前7个主成分,采用多元逐步回归分析方法构建贡嘎山地区森林地上生物量反演模型,其交叉验证结果如图 2(f)所示。HJ-1B CCD2主成分分析法的精度(r=0.654 1, RMSE=24.526 9 t·ha)优于SPOT4 HRVIR(r=0.545 8, RMSE=28.078 5 t·ha)。对于HJ-1B CCD2传感器,主成分分析法的表现优于植被指数法。主成分除了包含植被指数的信息,还包括地形因子、生理参数以及波段反射率的贡献,与单一植被指数相比,主成分包含的信息量更为丰富。与基于单一植被指数构建的一元线性模型相比,基于主成分构建的森林地上生物量估测模型能够有效反映贡嘎山森林地上生物量的变化;而与多元线性模型相比,主成分分析法对自变量进行了降维处理,在减少运算量的同时也防止了自变量之间的相关性对模型估算精度的影响。对于SPOT4 HRVIR传感器,基于主成分构建的多元逐步回归模型的表现好于植被指数的一元线性模型,其原因同HJ-1B CCD2传感器类似;而与植被指数的多元线性模型相比,这两种方法的表现差别不显著,交叉验证的相关系数r仅相差0.017 6,RMSE仅差0.908 9 t·ha。通过§2.1.2的分析可知,SPOT4 HRVIR传感器各植被指数之间“弱”相关性保证了基于植被指数构建的多元线性模型估测贡嘎山森林地上生物量的可靠性,而主成分分析方法的主要目的是挖掘各输入变量信息,实现各变量之间的信息互补,两种方式均确保了生物量估测模型的稳健性。

    • 基于上述交叉验证的结果分析,在确定反演模型类型的基础上,利用所有样方的数据参与模型构建,得到贡嘎山地区森林地上生物量遥感估测模型(表 4)。对于HJ-1B CCD2传感器,贡嘎山森林地上生物量的最佳估测模型由主成分分析法得到,模型的相关系数r为最大(0.704 2);SPOT4 HRVIR传感器的最优模型则为植被指数的多元线性形式,其生物量估测方程的相关系数为0.685 1。对比两种传感器的生物量最优估测方程的相关系数,可以发现HJ-1B CCD2的表现略好于SPOT4 HRVIR,两者相差0.019 1。

      表 4  森林地上生物量遥感估测模型

      Table 4.  Model for Forest AGB Estimation Using Remote Sensing Data

      传感器生物量估算方程/(t·ha)相关系数/r
      HJ-1B CCD2AGB=321.211 2×NDVI-142.69740.656 0
      AGB=9.461 8×SR+26.360 60.676 0
      AGB=381.922 2×SAVI-59.015 80.585 8
      AGB=468.444 3×DVI-3.355 30.496 9
      AGB=-171.432 5×NDVI+6.446 1×SR+1 202.722 4×SAVI-1 295.253 7×DVI-35.564 10.692 5
      AGB=9.953 5×PC1+100.125 60.704 2
      SPOT4 HRVIRAGB=213.590 0×NDVI-56.164 00.396 9
      AGB=10.459 8×SR+29.195 60.492 6
      AGB=210.020 0×SAVI+20.232 00.340 0
      AGB=115.110 0×DVI+65.027 00.306 9
      AGB=-744.294×NDVI+51.795 2×SR-422.665×SAVI-171.81 8×DVI+510.126 40.685 1
      AGB=7.762 1×PC1+3.178 7×PC2-1.439 3×PC3+9.131 6×PC4+10.951 6×PC5+100.125 50.672 5
      注:PC1、PC2、PC3、PC4、PC5分别为主成分分析中的第1、2、3、4、5主成分。

      分别利用HJ-1B CCD2和SPOT4 HRVIR的生物量最优估测方程,计算得到研究区森林地上生物量空间分布结果(图 3)。从图 3可以看出,SPOT4 HRVIR的生物量估算结果普遍高于HJ-1B CCD2,不过两种传感器的估算值在空间分布格局上大体一致。沿河谷分布的森林区域地上生物量反演结果普遍偏低,经实地调查发现,河谷附近多分布人工林,且种植年限短,树木还未积累过高的生物量,由此导致生物量偏低。需要指出的是,图 3中灰色部分代表掩膜区域,包括了非森林区、地形阴影区、云及其阴影覆盖区域。

      图  3  贡嘎山区域森林地上生物量遥感估算结果

      Figure 3.  Spatial Distribution of AGB Estimation in Mt. Gongga

    • 前人的研究和本文的研究结果已经表明,基于光学遥感数据建立经验模型反演森林地上生物量是可行的,只是模型的形式及精度因研究区、数据及方法的不同会有所差异。光学遥感信号只是记录了森林冠层信息(如LAI),其与森林地上生物量之间并不存在直接的物理关系[2]。LAI可以通过植被指数反演得到,不过随着树木生长,LAI逐渐变大,植被指数增加延缓而呈现饱和状态,对植被的灵敏度下降,此时由于树木生长依然积累的生物量部分无法通过光学数据反映出来[12]。此外,森林群落地上生物量估测可能还会受到林下灌木和草本等因素的影响,导致光学遥感信号对森林群落的生物量反映较差,从而也会增加光学数据反演生物量的不确定性。

      本文所选研究区位于复杂山区,受地形及野外观测条件的限制,导致研究区内不能均匀布设森林样方,且获取的样方数量有限。因此,本文并未区分针叶林和阔叶林,而是将两者作为一个整体构建地上生物量估测模型。针叶林和阔叶林具有不同的冠层结构和立地条件,在光学遥感影像中的光谱信息差异比较明显,由此可能造成这两种森林类型的地上生物量遥感估算效果不一致。在今后的研究中还需增加森林野外观测样方,针对不同的森林覆被类型分别评价地上生物量的遥感估算效果。

      在森林地上生物量遥感建模过程中,除森林冠层反射率及其衍生的植被指数数据分别来自于HJ-1B CCD2和SPOT4 HRVIR传感器外,参与建模的其他数据(如地形因子、生理参数、地面实测生物量)对两种传感器而言均是一致的。因此,两种传感器森林地上生物量估算结果的差异主要是由于两种传感器在相同波段得到了不一样的反射率造成的。卫星过境时的天气状况、研究区地形条件、传感器的观测角度以及光谱响应函数等均会影响HJ-1B CCD2和SPOT4 HRVIR传感器接收到的森林反射辐射能量,由此可能造成基于不同传感器光谱反射率计算的植被指数值会有所差异,进而可能影响到两种传感器的森林地上生物量遥感估算的效果。未来的研究应定量化这些因素对不同传感器估算贡嘎山森林地上生物量的影响。

      考虑到SPOT4 HRVIR和HJ-1B CCD2数据的波段设置,为便于两种传感器的对比分析,本研究只用到了绿、红和近红外波段及其计算得到的植被指数数据。已有研究表明,短波红外波段在识别森林树种与树龄方面有着较为突出的作用[12],在计算植被指数时引入该波段信息,能够有效抑制背景信息的影响,降低对土地覆被类型变化的敏感性[15]。SPOT4 HRVIR传感器包括短波红外波段,而在评价HJ-1B CCD2和SPOT4 HRVIR数据估算贡嘎山森林地上生物量的能力时,并未考虑该波段信息,由此可能影响了SPOT4 HRVIR传感器在该地区的估算效果。

    • 本文基于同时段获取的多传感器遥感数据与地面测量数据,对比分析了HJ-1B CCD2与SPOT4 HRVIR数据估算贡嘎山地区森林地上生物量的能力与差异。

      研究结果表明,HJ-1B CCD2传感器的数据质量可靠,与SPOT4 HRVIR数据相比,HJ-1B CCD2数据更适合反演贡嘎山地区的森林地上生物量。然而,该传感器在估算其他地区森林生物量或者其他生理参数中的应用效果还有待于进一步研究。此外,不同传感器在光谱、空间、辐射、时间分辨率方面各有优势,亦有其不足,今后应充分发挥多源遥感数据的优势,结合生态、地学、环境等因子,提取有用信息,构建基于多源数据的森林地上生物量估算模型,提高森林生物量估算精度。

参考文献 (15)

目录

    /

    返回文章
    返回