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

多源遥感数据支持下的区域性森林冠层高度估测

胡凯龙 刘清旺 崔希民 庞勇 穆喜云

胡凯龙, 刘清旺, 崔希民, 庞勇, 穆喜云. 多源遥感数据支持下的区域性森林冠层高度估测[J]. 武汉大学学报 ● 信息科学版, 2018, 43(2): 289-296, 303. doi: 10.13203/j.whugis20160066
引用本文: 胡凯龙, 刘清旺, 崔希民, 庞勇, 穆喜云. 多源遥感数据支持下的区域性森林冠层高度估测[J]. 武汉大学学报 ● 信息科学版, 2018, 43(2): 289-296, 303. doi: 10.13203/j.whugis20160066
HU Kailong, LIU Qingwang, CUI Ximin, PANG Yong, MU Xiyun. Regional Forest Canopy Height Estimation Using Multi-source Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2018, 43(2): 289-296, 303. doi: 10.13203/j.whugis20160066
Citation: HU Kailong, LIU Qingwang, CUI Ximin, PANG Yong, MU Xiyun. Regional Forest Canopy Height Estimation Using Multi-source Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2018, 43(2): 289-296, 303. doi: 10.13203/j.whugis20160066

多源遥感数据支持下的区域性森林冠层高度估测

doi: 10.13203/j.whugis20160066
基金项目: 

国家高技术研究发展计划 2013AA12A302

国家重点基础研究发展计划 13CB733404

详细信息
    作者简介:

    胡凯龙, 博士生, 主要从事3S技术在林业方面的研究与应用。hklong_gis@163.com

    通讯作者: 刘清旺, 博士, 助理研究员。liuqw@caf.ac.cn
  • 中图分类号: P237.3

Regional Forest Canopy Height Estimation Using Multi-source Remote Sensing Data

Funds: 

he National High Technology Research and Development Program of China 2013AA12A302

the National Basic Research Program 13CB733404

More Information
    Author Bio:

    HU Kailong, PhD candidate, specializes in forest remote sensing and LiDAR. E-mail: hklong_gis@163.com

    Corresponding author: LIU Qingwang, PhD, assistant researcher. E-mail: liuqw@caf.ac.cn
  • 摘要: 结合机载LiDAR数据,提出了一种改进的GLAS光斑点冠层高度地形校正模型,以校正后的GLAS光斑点作为输入样本,结合MODIS遥感影像,利用支持向量回归(SVR)的方法对研究区森林冠层高度进行分生态区估测,并利用野外调查数据和机载LiDAR冠层高度结果对估测结果进行验证。结果显示:研究区的坡度等级直接影响GLAS光斑点森林冠层高度估测精度,改进的地形校正模型可以较好的减小坡度对GLAS光斑点森林冠层高度估测的影响,模型精度RMSE稳定在3.25~3.48 m;不同生态分区的SVR模型估测精度较为稳定,其RMSE=6.41~7.56 m;与算数平均高相比,样地的Lorey's高与制图结果拟合最好,不同生态分区平均估测精度为80.3%。机载LiDAR冠层高度结果的验证平均精度为79.5%,和Lorey's高验证结果呈现较好的一致性。
  • 图  1  研究区概况

    Figure  1.  Study Area Overview

    图  2  技术流程图

    Figure  2.  Flow Chart of the Methods

    图  3  不同坡度等级机载LiDAR冠层高度与GLAS冠层高度散点图

    Figure  3.  Scatter Plots of Airborne LiDAR Canopy Height and Based-GLAS Canopy Height in Different Slope Level

    图  4  样地胸高断面积加权高与估测结果对比

    Figure  4.  Accuracy Verification of Estimation Result by Lorey's Height

    图  5  机载LiDAR冠层高度与估测结果精度对比

    Figure  5.  Accuracy Verification of Estimation Results by ALS Canopy Height

    图  6  研究区森林冠层高度分布图

    Figure  6.  Forest Canopy Height Map of Study Area

    表  1  不同坡度等级地形校正精度对比

    Table  1.   Accuracy Comparison of Topographic Correction in Different Slope Levels

    坡度等级/(°) 决定系数R2 均方根误差/m
    校正前 校正后 校正前 校正后
    0~5 0.41 0.40 3.60 3.27
    5~10 0.42 0.41 4.58 3.25
    10~15 0.45 0.44 6.33 3.48
    15~20 0.33 0.33 8.17 3.26
    20~28 0.47 0.33 10.60 3.27
    下载: 导出CSV

    表  2  不同生态分区SVR模型精度对比/m

    Table  2.   Accuracy Comparison of SVR Models in Different Slope Levels/m

    模型精度 BM Ba TeBSK TeDc TeM
    建模RMSE 8.49 6.59 6.03 7.43 4.83
    估测RMSE 7.17 6.71 6.41 7.56 7.08
    下载: 导出CSV
  • [1] Morton D, Victoria D, Keller M. Tree Height and Tropical Forest Biomass Estimation[J]. Biogeosciences, 2013, 10(1):8385-8399 http://ntrs.nasa.gov/search.jsp?R=20160001382&qs=N%3D4294927712
    [2] Kohyama T, Suzuki E, Partomihardjo T, et al. Tree Species Differentiation in Growth, Recruitment and Allometry in Relation to Maximum Height in a Bornean Mixed Dipterocarp Forest[J]. Journal of Ecology, 2003, 91(5):797-806 doi:  10.1046/j.1365-2745.2003.00810.x
    [3] Ni X, Zhou Y, Cao C. Mapping Forest Canopy Height over Continental China Using Multi-Source Remote Sensing Data[J]. Remote Sensing, 2015, 7(7):8436-8452 doi:  10.3390/rs70708436
    [4] 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/abstract/abstract236.shtml

    Li Deren, Wang Changwei, Hu Yueming, et al. General Review on Remote Sensing-Based Biomass Estimation[J]. Geomatics & Information Science of Wuhan University, 2012, 37(6):631-635 http://ch.whu.edu.cn/CN/abstract/abstract236.shtml
    [5] Chopping M, Nolin A, Moisen G G, et al. Forest Canopy Height from the Multiangle Imaging SpectroRadiometer (MISR) Assessed with High Resolution Discrete Return Lidar[J]. Remote Sensing of Environment, 2009, 113(10):2172-2185 doi:  10.1016/j.rse.2009.05.017
    [6] 吴红波. 基于星载大光斑LiDAR数据反演森林冠层高度及应用研究[D]. 哈尔滨: 东北林业大学, 2011

    Wu Hongbo. Study on Retrieval and Application of Forest Canopy Height Based on Spaceborne Large-footprint LiDAR Data[D]. Haerbin: Northeast Forestry University, 2011
    [7] Baltsavias E P. Airborne Laser Scanning:Basic Relations and Formulas[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 1999, 54(S 2/3):199-214 https://www.sciencedirect.com/science/article/pii/S0924271699000155
    [8] Nelson R, Krabill W, Maclean G. Determining Forest Canopy Characteristics Using Airborne Laser Data[J]. Remote Sensing of Environment, 1984, 15(3):201-212 doi:  10.1016/0034-4257(84)90031-2
    [9] Clark M L, Clark D B, Roberts D A. Small-Footprint LiDAR Estimation of Sub-canopy Elevation and Tree Height in a Tropical Rain Forest Landscape[J]. Remote Sensing of Environment, 2004, 91(1):68-89 doi:  10.1016/j.rse.2004.02.008
    [10] 段祝庚, 赵旦, 曾源, 等.基于遥感的区域尺度森林地上生物量估算研究[J].武汉大学学报·信息科学版, 2015, 40(10):1400-1408 http://ch.whu.edu.cn/CN/abstract/abstract3355.shtml

    Duan Zhugeng, Zhao Dan, Zeng Yuan, et al. Estimation of the Forest Aboveground Biomass at Regional Scale Based on Remote Sensing[J]. Geomatics & Information Science of Wuhan University, 2015, 40(10):1400-1408 http://ch.whu.edu.cn/CN/abstract/abstract3355.shtml
    [11] Pang Y, Lefsky M, Andersen H E, et al. Validation of the ICEsat Vegetation Product Using Crown-area-weighted Mean Height Derived Using Crown Delineation with Discrete Return Lidar Data[J]. Canadian Journal of Remote Sensing, 2008, 34(sup2):471-484 doi:  10.5589/m08-074
    [12] Lefsky M, Harding D, Keller M. Estimates of Forest Canopy Height and Aboveground Biomass Using ICESat[J]. Geophysical Research Letters, 2005, 32, L22S02 doi:  10.1029/2004GL021684
    [13] Lefsky. M A. A Global Forest Canopy Height Map from the Moderate Resolution Imaging Spectroradiometer and the Geoscience Laser Altimeter System[J]. Geophysical Research Letters, 2010, 37(15):1-10 http://www.cabdirect.org/abstracts/20103278680.html
    [14] Simard M, Pinto N, Fisher J B, et al. Mapping Forest Canopy Height Globally with Spaceborne LiDAR[J]. Journal of Geophysical Research, 2011, 116(G4):2156-2202 doi:  10.1029/2011JG001708
    [15] Gleason C J, Im J. Forest Biomass Estimation from Airborne LiDAR Data Using Machine Learning Approaches[J]. Remote Sensing of Environment, 2012, 125:80-91 doi:  10.1016/j.rse.2012.07.006
    [16] Lucht W, Prentice I C, Myneni R B, et al. Climatic Control of the High-latitude Vegetation Greening Trend and Pinatubo Effect[J]. Science, 2002, 296(5573):1687-1689 doi:  10.1126/science.1071828
    [17] Zeng B, Yang T B. Impacts of Climate Warming on Vegetation in Qaidam Area from 1990 to 2003[J]. Environmental Monitoring & Assessment, 2008, 144(1-3):403-417 doi:  10.1007/s10661-007-0003-x
    [18] 李海奎, 法蕾.基于分级的全国主要树种树高-胸径曲线模型[J].林业科学, 2011, 47(10):83-90 doi:  10.11707/j.1001-7488.20111013

    Li Haikui, Fa Lei. Height-Diameter Model for Major Tree Species in China Using the Classified Height Method[J]. Scientia Silvae Sinicae, 2011, 47(10):83-90 doi:  10.11707/j.1001-7488.20111013
    [19] FAO. Global Ecological Zones for FAO Forest Reporting[R]. Global Forest Resources Assessment, Rome, 2010
    [20] 鄂栋臣, 徐莹, 张小红. ICESat卫星及其在南极Dome A地区的应用[J].武汉大学学报·信息科学版, 2007, 32(12):1139-1142 http://ch.whu.edu.cn/CN/abstract/abstract2044.shtml

    E Dongchen, Xu Ying, Zhang Xiaohong. ICESat's Performance and Its Application in Dome A Area in Antarctica[J]. Geomatics & Information Science of Wuhan University, 2007, 32(12):1139-1142 http://ch.whu.edu.cn/CN/abstract/abstract2044.shtml
    [21] 郭颖. 森林地上生物量的非参数化遥感估测方法优化[D]. 北京: 中国林业科学研究院, 2011

    Guo Ying. Optimum Non-parametric Method for Forest Above Ground Biomass Estimation Based on Remote Sensing Data[D]. Beijing: Chinese Academy of Forestry, 2011
    [22] Park T, Kennedy R, Choi S, et al. Application of Physically-Based Slope Correction for Maximum Forest Canopy Height Estimation Using Waveform Lidar across Different Footprint Sizes and Locations:Tests on LVIS and GLAS[J]. Remote Sensing, 2014, 6(7):6566-6586 doi:  10.3390/rs6076566
    [23] Lee S, Nimeister W, Yang W. Physically Based Vertical Vegetation Structure Retrieval from ICESat Data:Validation Using LVIS in White Mountain National Forest, New Hampshire, USA[J]. Remote Sensing of Environment, 2011, 115(11):2776-2785 doi:  10.1016/j.rse.2010.08.026
    [24] Selkowitz D J, Green G, Peterson B, et al. A Multi-sensor Lidar, Multi-spectral and Multi-angular Approach for Mapping Canopy Height in Boreal Forest Regions[J]. Remote Sensing of Environment, 2012, 121(2):458-471 https://www.sciencedirect.com/science/article/pii/S0034425712001137#!
    [25] Yang W, Nimeister W, Lee S. Assessment of the Impacts of Surface Topography, Off-nadir Pointing and Vegetation Structure on Vegetation Lidar Waveforms Using an Extended Geometric Optical and Radiative Transfer Model[J]. Remote Sensing of Environment, 2011, 115(11):2810-2822 doi:  10.1016/j.rse.2010.02.021
    [26] Mountrakis G, Im J, Ogole C. Support Vector Machines in Remote Sensing:A Review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(3):247-259 doi:  10.1016/j.isprsjprs.2010.11.001
    [27] 邢艳秋, 王立海.基于ICESat-GLAS完整波形的坡地森林冠层高度反演研究:以吉林长白山林区为例[J].武汉大学学报·信息科学版, 2009, 34(6):696-700 http://ch.whu.edu.cn/CN/abstract/abstract1334.shtml

    Xing Yanqiu, Wang Lihai. ICESat-GLAS Full Waveform-based Study on Forest Canopy Height Retrieval in Sloped Area:A Case Study of Forests in Changbai Mountains, Jilin[J]. Geomatics & Information Science of Wuhan University, 2009, 34(6):696-700 http://ch.whu.edu.cn/CN/abstract/abstract1334.shtml
  • [1] 胡羽丰, 李振洪, 王乐, 陈博, 朱武, 张双成, 杜建涛, 张雪松, 杨璟, 周美玲, 刘振江, 王丝丝, 苗晨, 张连翀, 彭建兵.  2022年汤加火山喷发的综合遥感快速解译分析 . 武汉大学学报 ● 信息科学版, 2022, 47(2): 242-251. doi: 10.13203/j.whugis20220050
    [2] 张立强, 李洋, 侯正阳, 李新港, 耿昊, 王跃宾, 李景文, 朱盼盼, 梅杰, 姜颜笑, 李帅朋, 辛奇, 崔颖, 刘素红.  深度学习与遥感数据分析 . 武汉大学学报 ● 信息科学版, 2020, 45(12): 1857-1864. doi: 10.13203/j.whugis20200650
    [3] 李平湘, 刘致曲, 杨杰, 孙维东, 黎旻懿, 任烨仙.  利用随机森林回归进行极化SAR土壤水分反演 . 武汉大学学报 ● 信息科学版, 2019, 44(3): 405-412. doi: 10.13203/j.whugis20160531
    [4] 孙文川, 暴景阳, 金绍华, 肖付民, 崔杨.  多波束海底地形畸变校正与声速剖面反演 . 武汉大学学报 ● 信息科学版, 2016, 41(3): 349-355. doi: 10.13203/j.whugis20140142
    [5] 刘爱利, 丁浒, 田丹, 王丽, 王少峰.  基于坡度和坡向分析的DCT域DEM数字水印算法 . 武汉大学学报 ● 信息科学版, 2016, 41(7): 903-910. doi: 10.13203/j.whugis20140363
    [6] 孔博, 邓伟, 李爱农, 杨勇.  多源数据的面向对象国际河流土地覆被分类研究 . 武汉大学学报 ● 信息科学版, 2015, 40(7): 943-949. doi: 10.13203/j.whugis20130107
    [7] 陈楠.  DEM分辨率变化对坡度误差的影响 . 武汉大学学报 ● 信息科学版, 2013, 38(5): 594-598.
    [8] 曹丽琴, 李平湘, 张良培, 许雄.  Fuzzy ARTMAP算法在城市不透水面估算中的应用研究 . 武汉大学学报 ● 信息科学版, 2012, 37(10): 1236-1239.
    [9] 杜劲松, 陈超, 梁青, 张毅.  月球重力异常及其计算方法 . 武汉大学学报 ● 信息科学版, 2012, 37(11): 1369-1373.
    [10] 严瑞, 龙毅, 郑玥, 余明朗.  顾及地形起伏的步行最优路径分析算法 . 武汉大学学报 ● 信息科学版, 2012, 37(5): 564-568.
    [11] 秦慧平, 易维宁, 黄红莲, 潘邦龙.  山区地表太阳辐照度随时空变化的模拟分析 . 武汉大学学报 ● 信息科学版, 2011, 36(7): 793-796.
    [12] 陈传法, 岳天祥.  基于条件模拟的DEM误差曲面实现研究 . 武汉大学学报 ● 信息科学版, 2010, 35(2): 197-200.
    [13] 刘繁明, 钱东, 郭静.  卡尔曼滤波地形反演算法的系统方程建模 . 武汉大学学报 ● 信息科学版, 2010, 35(10): 1179-1183.
    [14] 张路, 高志宏, 廖明生, 李新延.  利用多源遥感数据进行城市不透水面覆盖度估算 . 武汉大学学报 ● 信息科学版, 2010, 35(10): 1212-1216.
    [15] 李斐, 王殊伟, 柯宝贵.  应用聚类分析方法进行实测重力数据的选点优化 . 武汉大学学报 ● 信息科学版, 2009, 34(3): 257-260.
    [16] 陈楠, 王钦敏.  基于地形因子信息量的数字高程模型分辨率的选择——以黄土高原的研究为例 . 武汉大学学报 ● 信息科学版, 2009, 34(6): 692-695.
    [17] 刘学军, 张平.  DEM坡度、坡向的有效尺度范围 . 武汉大学学报 ● 信息科学版, 2008, 33(12): 1254-1258.
    [18] 边少锋, 孙凤华.  非奇变换与地形校正中央区积分 . 武汉大学学报 ● 信息科学版, 1995, 20(1): 62-65.
    [19] 张克非.  几种地形校正方法的研究 . 武汉大学学报 ● 信息科学版, 1990, 15(4): 54-62,53.
    [20] 程朋根, 岳琛, 朱欣焰.  多源数据支持下的城市生态环境评价及其与人类活动关系的研究 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200382
  • 加载中
图(6) / 表(2)
计量
  • 文章访问数:  1817
  • HTML全文浏览量:  96
  • PDF下载量:  382
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-05-11
  • 刊出日期:  2018-02-05

多源遥感数据支持下的区域性森林冠层高度估测

doi: 10.13203/j.whugis20160066
    基金项目:

    国家高技术研究发展计划 2013AA12A302

    国家重点基础研究发展计划 13CB733404

    作者简介:

    胡凯龙, 博士生, 主要从事3S技术在林业方面的研究与应用。hklong_gis@163.com

    通讯作者: 刘清旺, 博士, 助理研究员。liuqw@caf.ac.cn
  • 中图分类号: P237.3

摘要: 结合机载LiDAR数据,提出了一种改进的GLAS光斑点冠层高度地形校正模型,以校正后的GLAS光斑点作为输入样本,结合MODIS遥感影像,利用支持向量回归(SVR)的方法对研究区森林冠层高度进行分生态区估测,并利用野外调查数据和机载LiDAR冠层高度结果对估测结果进行验证。结果显示:研究区的坡度等级直接影响GLAS光斑点森林冠层高度估测精度,改进的地形校正模型可以较好的减小坡度对GLAS光斑点森林冠层高度估测的影响,模型精度RMSE稳定在3.25~3.48 m;不同生态分区的SVR模型估测精度较为稳定,其RMSE=6.41~7.56 m;与算数平均高相比,样地的Lorey's高与制图结果拟合最好,不同生态分区平均估测精度为80.3%。机载LiDAR冠层高度结果的验证平均精度为79.5%,和Lorey's高验证结果呈现较好的一致性。

English Abstract

胡凯龙, 刘清旺, 崔希民, 庞勇, 穆喜云. 多源遥感数据支持下的区域性森林冠层高度估测[J]. 武汉大学学报 ● 信息科学版, 2018, 43(2): 289-296, 303. doi: 10.13203/j.whugis20160066
引用本文: 胡凯龙, 刘清旺, 崔希民, 庞勇, 穆喜云. 多源遥感数据支持下的区域性森林冠层高度估测[J]. 武汉大学学报 ● 信息科学版, 2018, 43(2): 289-296, 303. doi: 10.13203/j.whugis20160066
HU Kailong, LIU Qingwang, CUI Ximin, PANG Yong, MU Xiyun. Regional Forest Canopy Height Estimation Using Multi-source Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2018, 43(2): 289-296, 303. doi: 10.13203/j.whugis20160066
Citation: HU Kailong, LIU Qingwang, CUI Ximin, PANG Yong, MU Xiyun. Regional Forest Canopy Height Estimation Using Multi-source Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2018, 43(2): 289-296, 303. doi: 10.13203/j.whugis20160066
  • 森林垂直结构能够准确地反映整个森林树木的生长状况、地上生物量和森林植被多样性[1]。森林冠层高度作为森林垂直结构参数的重要部分,其分布状况对整个森林生态系统研究有着重要的意义[2]。但是,对区域性森林冠层高度分布进行持续和精确地估测仍然存在很大挑战[3-4]

    Chopping等应用几何光学模型和MISR数据对森林冠层高度进行250 m分辨率成图,并用14个测站的高分辨率回波机载激光雷达进行精度验证,其均方根误差为2.5~3.7 m[5]。虽然几何光学模型可以从辐射传输机理上描述森林冠层分布,但其并不能直接地反映森林垂直结构。

    激光雷达技术作为一种主动遥感技术,其激光束可以穿透冠层到达地面。通过对其波形进行高斯分解,得到树木冠顶与地面位置,进而可以估测森林冠层高度[6]。机载激光雷达系统(airborne laser scanners,ALS)属于小光斑LiDAR系统,Baltsavias指出根据传感器的飞行高度,其光斑半径可达0.25~0.6 m,光斑点密度可达0.5~3点/m2[7]。Nelson等利用ALS技术对美国宾利法尼亚州的森林冠层高度进行了估测,与摄影测量得到的冠层高度相比,其平均高度误差小于1 m[8]。Clark等对ALS所获得的点云进行插值栅格化,发现克里金插值算法可以更好地平滑高密度地面点,从而得到更加精确的数字地形模型(digital terrain model,DTM); 并利用DTM与数字表面模型(digital surface model,DSM)解算出的数字冠层模型(digital canopy model,DCM)对幼龄林与老龄林的冠层高度进行了估测[9]。虽然ALS系统可以得到更高的点云密度和更小的光斑半径,但其数据获取成本高,很难应用于大区域森林冠层高度估测[10]。星载激光雷达系统,由于其激光传感器被安置在卫星上,数据观测范围广,为大区域森林垂直结构参数研究提供了便利[11]。Lefsky等利用星载GLAS数据与SRTM数据分别对不同森林类型进行了最大冠层高度估测,通过与地面实测数据进行回归分析,得出其估测均方根误差为4.85~12.66 m,波动范围较大[12]。GLAS光斑点直径约为70 m,地表起伏状况直接影响估测精度。Lefsky对250 m分辨率的MODIS影像进行分割,全球共分割为440万个斑块,并结合GLAS数据进行了全球尺度的森林冠层高度估测[13]。Simard等认为影像分割不适用于粗分辨率为500 m的MODIS影像,并且简单的线性回归不具有区域代表性。其利用基于统计原理的随机森林方法外加气象数据对全球森林冠层高度进行制图,制图精度为6.1 m[14]。随着机器学习技术的成熟,越来越多定量反演开始应用此技术来增加反演精度。Gleason等对比不同机器学习的方法,得出支持向量回归(support vector regression,SVR)模型估测森林生物量精度最高且模型稳定性较好[15]

    目前很少有研究考虑气象生态条件对森林冠层高度估测的影响,而大区域的森林植被生长受生态气象条件影响较大。Lucht等认为不同生态类型,植被种类与气候类型也不尽相同,反映到树木生长状况上也有所差异[16]。Zeng等认为在低海拔地区,植被生长主要受到降雨量的限制,降雨量增加会促进植被生长;而在高海拔地区,植被生长与热量条件有很大关系,温度的上升将直接促使植被生长[17]。综上所述,本文通过引入生态分区的概念,并结合多源遥感数据,对区域性森林冠层高度进行估测。

    • 研究区位于中国东北部大兴安岭山脉,北纬50°11'~53°33'、东经121°12'~127°00',见图 1。平均海拔573 m,年平均气温-2.6℃,年平均降水量428.6~526.8 mm,森林覆盖率为79.83%。截止2008年末,研究区林地面积665.1万km2,活立木总蓄积5.14亿m3。植物种类以针叶林为主,包括兴安落叶松、樟子松;少量阔叶树以白桦、山杨为主。按照中国植被区域划分标准,大兴安岭地区为寒温带针叶和中温带针叶林区,其向西北延伸与东西伯利亚的明亮针叶林相连。林分空间结构具有较好的区域代表性,优劣表现依次为天然落叶松林、针叶混交林、针阔混交林和天然白桦林。

      图  1  研究区概况

      Figure 1.  Study Area Overview

    • 研究分别收集了黑龙江省与内蒙古自治区两个省级森林一类清查数据。其中,位于黑龙江省的样地共有1 051个,调查时间为2010年;位于内蒙古自治区的样地有1 254个,调查时间为2008年。样地形状均为10 m×60 m的长方形,通过调查3~5株平均木的树高,得到样地的平均树高。另外研究团队分别于2012年8~9月在研究区实地调查了80块半径为15 m的圆形样地,于2013年8月调查了18块边长为45 m的方形样地,调查因子主要包括样地位置、森林类型、胸径、树高和冠幅等,每木检尺起测胸径为5 cm。

      国家森林一类清查并没有对每木树高进行测量,为了对冠层高度估测结果进行验证,研究利用2012年实地测量样地的胸径与树高数据对Richard树高-胸径(D-H)模型进行曲线拟合[18],得

      $$ H = 1.3 + a{\left( {1 - {{\rm{e}}^{ - bD}}} \right)^c} $$ (1)

      式中, H为估测树高; D为实测胸径; 参数abc分别表示树高的上渐进值、生长速度因子和形状参数。考虑到不同树种生长情况的差异性以及研究区树种分布情况,针叶树种和阔叶树种需区别对待。其中针叶树种样本共3 363个,拟合R2=0.71;阔叶树种样本共1 337个,拟合R2=0.60。

    • 联合国粮农组织(food and agriculture organization of the United Nations,FAO)2011年发布的最新全球生态区划矢量数据,将研究区划分为5个生态分区,分别为:北方山地系统(boreal mountains system,BM)、北方针叶林(boreal coniferous forest,Ba)、温带草原(temperate steppe,TeBSK)、温带大陆森林(temperate continental forest,TeDc)和温带山地系统(temperate mountain system,TeM)。除了“山地系统”,其他分区根据Köppen-Trewartha气候类型,按照不同的温度与降雨进行分区[19]

    • 美国国家宇航局于2003年1月13日发射了用于测量冰盖物质质量平衡、云和气溶胶的高度以及陆地地形的ICESat激光测高卫星。ICESat/GLAS激光器发射的激光脉冲到达地面的光斑直径约为70 m,同一轨道光斑间隔约170 m[20]。本研究从美国国家冰雪数据中心网站下载GLAS激光器L2E和L2F在时间范围为2009-03-09-2009-10-11的GLAH14数据。利用GDAL开源库,把GLAH14文件转换为ESRI ShapeFile格式的点文件,相应的位置、高度和波形信息写入到属性表。

      为了对GLAS光斑点进行地形校正和估测结果精度验证,本研究收集了机载LiDAR数据。数据获取时间为2012年8-9月,采用Leica公司的ALS60机载激光雷达系统,平均飞行高度约2 700 m,覆盖范围为3 099.28 km2,其中点云密度为2点/m2。利用Terrasolid软件对点云进行滤波,得到地面点与植被点,分别对这两类点云进行插值栅格化得到相应的数字高程模型(digital elevation model,DEM)与DSM,再利用差值算法求得研究区森林冠层高度。与2012年80块实测样地树高进行精度对比,机载LiDAR冠层高度的均方根误差为2.1 m。

    • 中分辨率成像光谱仪MODIS是美国Terra和Aqua卫星上搭载的主要传感器。本研究应用其陆地标准产品主要包括植被指数产品(MOD13A1)、土地覆盖产品(MCD12Q1)和植被覆盖度产品(MOD44B)等。产品空间分辨率为500 m,投影坐标为MODIS正弦投影。本研究分别从上述产品中选择归一化植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(enhanced vegetation index,EVI)、近红外波段反射率(near infrared reflectivity,NIR)、红光波段反射率和植被覆盖度(vegetation continuous fields,VCF)作为模型输入因子,土地覆盖类型(land cover type,LCT)作为制图掩模因子。

      由于过大范围的MODIS遥感特征值会导致SVR非线性转换时计算量增大,影响建模速度。因此对遥感特征值进行归一化处理可以在保证不影响遥感影像特征分布的情况下缩小特征值范围[21]。可应用式(2)将遥感特征值缩放到范围内。

      $$ {V_i} = 2 \times \frac{{{v_i} - {v_{\min }}}}{{{v_{\max }} - {v_{\min }}}} - 1 $$ (2)

      式中,Vi为归一化后像元值;vi为初始像元值;vmax为像元最大值;vmin为像元最小值。

      由于研究区森林地形复杂且GLAS光斑点直径较大,本研究应用SRTM3地形数据对光斑点森林冠层高度进行地形校正。SRTM3空间分辨率为90 m,研究区包含6个数据单元,坐标系统为WGS-84。

    • 研究总体技术流程如下, 技术路线如图 2所示。

      图  2  技术流程图

      Figure 2.  Flow Chart of the Methods

      1) 对GLAS数据进行预处理,分类出研究区森林光斑点,提取相关波形参数,求得GLAS光斑点森林冠层高度。

      2) 结合SRTM3地形数据,对GLAS光斑点森林冠层高度进行地形校正。

      3) 对不同生态分区结合MODIS相关产品,利用SVR算法进行分生态区森林冠层高度估测;

      4) 辅以机载LiDAR冠层高度结果与地面实测数据进行结果精度验证。

    • GLAH14数据中每个光斑点都包含有波形信号开始、信号结束和6个高斯波峰等波形参数。这些波形参数可以间接反映森林的垂直结构信息,能够用于估测森林冠层高度[22]。但是,并不是所有GLAS光斑点都落在森林覆盖区且存在噪声,故对光斑点筛选十分必要。本研究结合野外样地调查情况,遵循Lee和Selkowitz等所用的标准,通过以下原则对GLAS点进行筛选:①对GLAS光斑点中DEM高程数据(d_DEM_elv)与光斑的地面高程数据求差,差值大于85 m的光斑点定义为云覆盖区点;②只拟合了一个高斯波峰的光斑点(i_numPk=1),定义为建筑物或裸露地表点;③GLAS光斑点回波信号开始范围增量与信号结束范围增量的距离差值(d_SigEndOff-d_SigBegOff)小于1.8 m或大于80 m,定义为噪声点[23-24]

      通常把RH100定义为植被冠顶的返回信号与最后一个高斯波峰或地面返回信号的距离差。在平坦地面,RH100可以近似代表光斑点植被冠层高度;在地形起伏较大的区域,由于地面高差在一定程度上会展宽高斯波形,导致RH100与真实冠层高度存在一个偏差值。Yang等把地形高差的变化用坡度来描述,综合考虑光斑直径与地面粗糙度的影响,建立基于物理几何的地形校正模型[25]。但是,正是由于山区地形条件复杂,这种简单的几何模型并不能精确地描述复杂地表下的森林冠层高度。本文在Yang等研究的基础上,通过引入倾斜参数s,平移参数t,建立方程式为:

      $$ B = s \cdot \left( {D \cdot \tan \theta \times 0.5 + C} \right) + t $$ (3)
      $$ {H_C} = {H_{{\rm{GLAS}}}} - B $$ (4)

      式中,B表示误差值;HC表示校正后GLAS光斑点冠层高度值;HGLAS表示RH100;D表示GLAS光斑直径,由于GLAS光斑直径不是固定值,本研究近似取值为70;θ表示从SRTM高程数据中求得的光斑点坡度值;C表示脉冲宽度和地表粗糙度因子(默认值为1.8)。通过LM+通用全局优化算法,结合机载LiDAR的冠层高度结果HALS、RH100和θ,对st进行参数估计。得到最优参数st后,即可对所有GLAS光斑点森林冠层高度进行地形校正。

    • 每个GLAS光斑点输入样本都存在于一个由MODIS遥感特征因子组成的多维数据空间中。在此多维空间中,存在唯一的响应变量来描述MODIS遥感特征因子与GLAS样本之间的关系[26]。对于多个给定的GLAS样本集(xiyi),此响应变量就对应到了一个函数关系y=f(x)。不同函数预测变量值在此多维空间中构成一些组,SVR就是要建立一个超平面去分类这些组,并通过“支持向量”把每一个样本分配到相应的分割空间。每个样本点都会逐步地进入到多维空间中,SVR根据每个点误差值,反复选择超平面,直到所有样本都引入到模型中。

      把样本数据转化到多维空间中,需要通过非线性变换,利用恰当的核函数来实现。SVR主要包括多项式核函数、径向基核函数(radial basis function, RBF)和多层感知机核函数。应用到遥感定量反演方向上,RBF核函数可以得到更高的精度并且建模时间相对较短,其核函数表达式为:

      $$ K\left( {{x_i}, {y_i}} \right) = {{\rm{e}}^{\left( {\gamma {{\left\| {{x_i} - {y_i}} \right\|}^2} + r} \right)}} $$ (5)

      式中,γr均为方程系数。

      SVR模型中决定建模精度的参数主要有惩罚系数G值和核函数中的γ值。过大的G值会导致过高的回归精度,从而出现过拟合现象;过小的G值会降低模型对训练样本的拟合能力,从而导致模型精度降低。γ反映样本数据转换到高维空间数据的可分离程度。由于SVR模型参数不具有普适性,不同样本数据的最优模型参数差别较大。格网搜索通过设置不同参数最大值、最小值,格网搜索的步长以及交叉验证矩阵可以对模型参数进行寻优,根据均方差最小原则来确定最优参数。

      不同生态分区所代表的气候类型、降雨条件以及海拔高低均不相同,同一个SVR模型对于整个研究区的森林冠层高度不具有代表性。本研究通过把GLAS样本按生态分区进行分类,每个生态分区随机抽取70%样本作为建模训练样本,剩余30%作为独立验证数据。最后,结合MOIDS遥感数据,利用RBF核函数进行分生态区森林冠层高度估测。

    • 对研究区24 704个GLAS光斑点与机载LiDAR飞行区域相匹配,共有1 708个GLAS光斑点可参与对式(3)参数st的曲线拟合,得出s=0.68,t=-1.17。由图 3可以看出,通过对比分析地形校正前后GLAS光斑点冠层高度RH100和HC,发现GLAS光斑点由于受到坡度的影响,RH100产生了正偏差。经过地形校正的GLAS光斑点HC减小了地形坡度的影响,使得HC更加接近机载LiDAR冠层高度HALS,且拟合结果更接近于1: 1拟合直线。由表 1可以看出,校正前的RMSE=5.12 m,大于校正后的RMSE=3.30 m。

      图  3  不同坡度等级机载LiDAR冠层高度与GLAS冠层高度散点图

      Figure 3.  Scatter Plots of Airborne LiDAR Canopy Height and Based-GLAS Canopy Height in Different Slope Level

      表 1  不同坡度等级地形校正精度对比

      Table 1.  Accuracy Comparison of Topographic Correction in Different Slope Levels

      坡度等级/(°) 决定系数R2 均方根误差/m
      校正前 校正后 校正前 校正后
      0~5 0.41 0.40 3.60 3.27
      5~10 0.42 0.41 4.58 3.25
      10~15 0.45 0.44 6.33 3.48
      15~20 0.33 0.33 8.17 3.26
      20~28 0.47 0.33 10.60 3.27

      为了更好地说明不同坡度范围对地形校正结果的影响,研究把GLAS光斑点以5°间隔分成6个等级[27],由于最后一个等级25°~30°只有1个GLAS光斑点,坡度为26.05°,故把最后两个等级合并为20°~28°。每个坡度等级分别为:0°~5°(N=495)、5°~10°(N=764)、10°~15°(N=332)、15°~20°(N=89)和20°~28°(N=27),其中N表示为GLAS光斑点个数。由表 1可以看出,虽然校正后的R2相比于校正前有所减小,但减小幅度并不明显。对于均方根误差(RMSE),随着坡度等级的提高,未进行地形校正的RMSE从3.60 m增加到10.60 m,经过地形校正后,RMSE则稳定在3.25~3.48 m之间。说明改进后的地形校正模型适应性较好,不会出现随着坡度升高模型精度降低的现象。

    • 不同生态分区分布范围的差异性可能会导致不同生态分区建模结果差异性。研究对比了不同生态分区下SVR建模RMSE以及估测RMSE。由表 2可知,不同生态分区的建模RMSE差异较大,其值的变化范围为4.83~8.49 m,由小到大依次为TeM、TeBSK、Ba、TeDC和BM。由于不同生态分区的覆盖面积不同,其所包含的GLAS点的数量差别较大,BM覆盖面积最小且所包含GLAS点的数量最少为269个(占所有GLAS建模点的1%),这就导致此区域的MODIS遥感特征不能准确反映生态分区内植被的生长状况,从而使模型的建模精度较低。用30%的独立验证数据对模型进行估测RMSE评定,得出估测RMSE的最小值为6.41 m, 出现在TeBSK生态分区,最大值为7.56 m, 出现在TeDc生态分区,并且不同生态分区的估测RMSE没有出现建模RMSE波动较大的现象,数据浮动相对较小。

      表 2  不同生态分区SVR模型精度对比/m

      Table 2.  Accuracy Comparison of SVR Models in Different Slope Levels/m

      模型精度 BM Ba TeBSK TeDc TeM
      建模RMSE 8.49 6.59 6.03 7.43 4.83
      估测RMSE 7.17 6.71 6.41 7.56 7.08
    • 本研究采用样地的胸高断面积加权高(Lorey's高)和算数平均高对制图结果进行评估。其中与样地Lorey's高相比,制图结果估测精度在40.1%~98.3%,平均估测精度为80.3%;与样地算数平均高相比,制图结果的估测精度在35.9%~96.3%,平均估测精度为74.1%,由此可知,对于整个研究区而言,制图结果更加趋近于Lorey's高,造成这种结果是由于Lorey's高是根据树木的胸径对树高进行加权,对不同树龄组成的样地代表性较好,且胸径测量精度较高,可以很好弥补单木树高测量的误差。而算数平均高只是简单地对树高进行求平均计算,没有考虑样地树龄对样地冠层高度的影响。由于研究区内不同生态分区所应用的SVR模型不同,研究分别对不同生态分区的森林冠层高度制图精度进行比较,由图 4可知,不同生态分区制图精度中位数和上下四分位数比较接近,基本位于上下四分位数中间,没有出现左右偏态分布。由此说明各个模型的估测精度相对稳定,制图结果没有明显边界效应。

      图  4  样地胸高断面积加权高与估测结果对比

      Figure 4.  Accuracy Verification of Estimation Result by Lorey's Height

      相比于野外测量样地点,机载LiDAR冠层高度结果也具有很好的区域连续分布性,可以为本研究的制图结果提供精确的精度参考。本研究所得到的机载LiDAR冠层高度结果分布在Ba生态分区内,其空间分辨率为20 m。为了与本研究的制图结果进行像元匹配,对机载LiDAR冠层高度结果重采样到500 m,并统计两个制图结果对应像元值的偏差。由图 5可知,制图结果像元偏差范围为0.01~16.12 m,平均偏差为3.84 m。其中偏差范围在0~2 m和2~4 m的像元数占总像元数的59%。在Ba生态分区内,与机载LiDAR冠层高度和样地Lorey's高相比,本研究制图结果的平均估测精度分别为79.5%、78.9%,结果呈现较好的一致性。制图结果见图 6

      图  5  机载LiDAR冠层高度与估测结果精度对比

      Figure 5.  Accuracy Verification of Estimation Results by ALS Canopy Height

      图  6  研究区森林冠层高度分布图

      Figure 6.  Forest Canopy Height Map of Study Area

    • 本研究所存在的误差主要包含以下3个方面:空间尺度误差、模型估测误差和人为测量误差。空间尺度误差主要包含两方面,其一为研究所应用的SRTM3地形数据空间分辨率为90 m,由于山区地形条件较为复杂,90 m范围内地形变化较大,而GLAS光斑点的直径约为70 m,故应用较低分辨率的地形数据对GLAS光斑点冠层高度进行校正存在一定不确定性;其二野外调查样地面积小于制图结果的空间分辨率,这将导致样地范围内的森林冠层高度不能精确地代表制图结果所对应的像元值,故用野外调查样地的冠层高度评估估测结果也会产生不确定性。模型估测误差主要指SVR建模误差,由于不同生态分区分布范围不同,导致MODIS遥感特征不能准确地反映生态分区内植被的生长状况,从而使得估测模型精度存在差异。人为误差主要指的是进行单木树高测量时,由于树木遮挡测量人员不能准确地确定树的冠顶,造成测量的树高往往低于实际树高,这种不确定性误差可以通过增加测量经验来减小。

    • 本文以大兴安岭地区为例,结合多源遥感数据,采用SVR建模方法,对区域性森林冠层高度进行估测,得到以下结论。

      1) 随着研究区坡度等级的升高,未校正的GLAS光斑点森林冠层高度估测RMSE由3.59 m增加到10.60 m。利用改进后的地形校正模型对光斑点进行校正,得到校正后的GLAS光斑点森林冠层高度估测RMSE稳定在3.25~3.48 m。

      2) 由于生态分区分布范围的差异性,使得一些生态分区的MODIS遥感特征不能准确反映此分区的森林生长状况,导致不同生态分区SVR模型建模RMSE相差较大(RMSE=4.83~8.49 m),但是估测RMSE相差较小(RMSE=6.41~7.56 m),且不同生态分区数据浮动较小。

      3) 样地Lorey's高与估测结果拟合最好,不同生态分区估测精度较为接近,平均估测精度为80.3%;机载LiDAR结果的验证平均估测精度为79.5%,与Lorey's高的验证结果呈现较好的一致性。

参考文献 (27)

目录

    /

    返回文章
    返回