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

多源数据支持下的森林地上生物量估算方法

魏雪梅

魏雪梅. 多源数据支持下的森林地上生物量估算方法[J]. 武汉大学学报 ● 信息科学版, 2019, 44(9): 1385-1390. doi: 10.13203/j.whugis20190149
引用本文: 魏雪梅. 多源数据支持下的森林地上生物量估算方法[J]. 武汉大学学报 ● 信息科学版, 2019, 44(9): 1385-1390. doi: 10.13203/j.whugis20190149
WEI Xuemei. Estimation of Forest Aboveground Biomass Based on Multi-source Data[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1385-1390. doi: 10.13203/j.whugis20190149
Citation: WEI Xuemei. Estimation of Forest Aboveground Biomass Based on Multi-source Data[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1385-1390. doi: 10.13203/j.whugis20190149

多源数据支持下的森林地上生物量估算方法

doi: 10.13203/j.whugis20190149
基金项目: 

2017年安徽省地理国情监测专项经费 201788

详细信息
    作者简介:

    魏雪梅, 硕士, 高级工程师, 主要从事基础性地理信息公共服务平台建设与地理国情监测工作。1394609345@qq.com

  • 中图分类号: P208

Estimation of Forest Aboveground Biomass Based on Multi-source Data

Funds: 

Anhui Provincial Funds for Geographical Situation Monitoring of 2017 201788

More Information
    Author Bio:

    WEI Xuemei, master, senior engineer, specializes in basic geospatial data for constructing public geographic information service platform and geography national condition monitoring. E-mail:1394609345@qq.com

图(2) / 表(4)
计量
  • 文章访问数:  973
  • HTML全文浏览量:  273
  • PDF下载量:  150
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-04-08
  • 刊出日期:  2019-09-05

多源数据支持下的森林地上生物量估算方法

doi: 10.13203/j.whugis20190149
    基金项目:

    2017年安徽省地理国情监测专项经费 201788

    作者简介:

    魏雪梅, 硕士, 高级工程师, 主要从事基础性地理信息公共服务平台建设与地理国情监测工作。1394609345@qq.com

  • 中图分类号: P208

摘要: 以Landsat8 OLI(operational land imager)为遥感数据源,森林资源二类调查和地理国情数据为主要辅助数据,对森林地上生物量(aboveground biomass,AGB)进行了反演和估算。以安徽省金寨县的天然林为研究对象,通过计算覆盖研究区Landsat8 OLI的光谱、纹理和地形特征,利用森林资源二类调查、地理国情普查与监测和外业调查数据建立AGB定量反演模型,以此为基础分析了不同特征对于AGB估算的影响。结果表明,基于所采用的方法得到的金寨县的森林地上生物量,最优反演模型的实测值与估算值相对误差为0.708 718,均方根误差为1.318 983,精度较高。依据该模型计算得到金寨县的生物总量为4 723 728 530 t,结果与实际情况符合。该研究对AGB定量反演和研究所采用的方法对于大范围监测森林资源具有可用性。

English Abstract

魏雪梅. 多源数据支持下的森林地上生物量估算方法[J]. 武汉大学学报 ● 信息科学版, 2019, 44(9): 1385-1390. doi: 10.13203/j.whugis20190149
引用本文: 魏雪梅. 多源数据支持下的森林地上生物量估算方法[J]. 武汉大学学报 ● 信息科学版, 2019, 44(9): 1385-1390. doi: 10.13203/j.whugis20190149
WEI Xuemei. Estimation of Forest Aboveground Biomass Based on Multi-source Data[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1385-1390. doi: 10.13203/j.whugis20190149
Citation: WEI Xuemei. Estimation of Forest Aboveground Biomass Based on Multi-source Data[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1385-1390. doi: 10.13203/j.whugis20190149
  • 森林地上生物量(aboveground biomass,AGB)是描述森林生态系统物质循环、能量流动、评价森林生态功能及其健康程度的重要指标之一。传统的森林地上生物量统计主要是以实测数据为依据,对人力和物力的依赖性非常大[1]。遥感以其快速高效的特征,为反演森林地上生物量提供了可靠的影像资源和技术手段[2]。当前,基于遥感技术的生物量反演研究主要是通过构建遥感影像多光谱波段特征与森林地上生物量之间的函数关系,反映森林地上生物量的特点[3-4],因其往往仅选取光谱及其衍生特征参数而具有一定的局限性。对于森林类型丰富且生长状况好、郁闭度高的森林地区,因光谱信息达到过饱和而难以对所预测的对象实现高精度的估算[5-6]。另外,在依据遥感技术识别地物和信息提取时,借助影像的纹理特征可以抑制同物异谱和异物同谱现象[7],并将光谱表达过饱和的影响控制在最小,从而提高信息提取的精度[8-9]。地理国情监测是我国对土地利用类型、土地资源利用现状进行统计的重要手段[10],为弥补样地数据不足提供了保障。基于上述现状,本文综合遥感影像的纹理和光谱特征,对森林地上生物量进行反演,以森林资源调查和地理国情数据为辅助数据源,对反演结果进行修正[11]。以安徽省金寨县为例,利用2017年森林资源二类调查、地理国情监测及样地调查成果为主要数据源,结合Landsat8 OLI(operational land imager)遥感影像,采用多元逐步回归的方法,构建金寨县森林地上生物量的最优遥感反演模型,估算研究区的森林地上生物量。

    • 金寨县位于安徽省西南部,地处皖西边陲、大别山腹地,跨东经115°22′~ 116°11′,北纬31°06′~ 31°48′,总面积约3 918.84 km2。境内多山峰,其中大别山山脉自西南向东北方向呈阶梯状下降,地形具有明显垂直地势特征。金寨县森林资源分布较为均匀,覆盖率高达72.75%,面积约为28.5万hm2

    • 本研究采用的遥感影像数据为Landsat8 OLI遥感影像,获取时间为2017-07。Landsat8影像共有11个波段,其中1~9波段为OLI成像波段,包括8个30 m分辨率的多光谱波段(波段1~7、9)和1个15 m分辨率的全色波段(波段8);波段10~11为100 m分辨率的热红外波段。

    • 本研究所采用的样地数据为2017年7月—8月野外实测数据,由30个大小为30 m×30 m的样地构成。共分为阔叶林、针叶林和针阔混交林3种林分类型,调查内容包括坐标、林分类型、海拔、胸径、树高等,基本信息见表 1

      表 1  样地基本信息表

      Table 1.  Information for Study Data

      林分类型 胸径/cm 树高/m 海拔/m 样地数量
      针叶林 5.4~32.6 6.3~27.8 254~886 8
      阔叶林 5.3~40.3 5.2~19.7 207~813 12
      针阔混交林 5.2~43.6 4.7~23.5 289~916 10

      由于研究区的森林主要分布在地形复杂的山地,实测大量样地数据的代价过高,故采用金寨县森林资源二类调查成果和地理国情监测为补充数据源,以提高获取的研究区内森林蓄积量等重要参数的精度。其数据核准时间为2017-07,具体数据类型前者为林业小班数据,后者为DEM数据和地表覆盖数据,用于提取地形特征因子及补充林业小班数据,从而提高森林地上生物量的反演精度。

    • 对金寨县范围内Landsat8 OLI原始影像进行预处理,具体包括定标、大气校正、几何精校正、影像剪裁等环节。

      在影像大气校正环节,将影像灰度值转化为地表反射率值,基本去除了空气中水汽颗粒等因子的影响,植被的波谱曲线趋于正常;在几何精校正环节,采用四边形点位布设法,选取均匀分布的控制点,确保误差控制在1个像元内。

    • 1)地理国情监测数据的预处理。首先提取出地表覆盖数据中的林地图斑;然后提取出与森林资源二类调查具有差异性的图斑,融合至森林资源二类调查数据预处理成果中。由于地理国情监测数据的采集精度要高于森林资源二类调查数据,因此,地理国情监测是森林资源二类调查数据的有效补充,如图 1所示。

      图  1  森林资源二类调查数据融合前后分布图

      Figure 1.  Distribution Maps Before and After Fusion of the Secondary Survey Data of Forest Resources

      2)森林资源二类调查数据的预处理。基于“优势树种”字段,提取阔叶林、针叶林和针阔混交林3类图斑,获得研究区内各林地小斑的森林蓄积量;提取林地小斑的中心点,记录蓄积量信息,并按照Landsat8 OLI遥感影像的分辨率,将中心点对应的森林蓄积量换算至单位像元上的蓄积量(像元大小为30 m×30 m)。

      由于补充数据类型多、数据量大,如果完全使用,会导致反演结果异常的问题,因此,本研究采用三倍标准差方法剔除异常数据。方法如下:当$\left| {{x_i} - \bar X} \right| > 3\sigma $,则${x_i}$为异常值;当$\left| {{x_i} - \bar X} \right| \le 3\sigma $,则${x_i}$为正常值。其中,${x_i}$为样本容量第i个数据的值;${\bar X}$为样本容量的算术平均值,$\bar X = \frac{1}{n}\mathop {\mathop {\mathop \sum \nolimits^{}{} }\limits_{i = 1} }\limits^n {x_i}$,n为测量次数;σ为标准偏差,

      $$\sigma = \sqrt {\frac{1}{{n - 1}}\mathop {\mathop {\mathop \sum \nolimits^{}{} }\limits_{i = 1} }\limits^n {{({x_i} - \bar X)}^2}} $$ (1)

      本研究基于补充数据,共选取了120组样本数据,对金寨县森林地上生物量进行反演建模和精度验证,基于SPSS软件, 随机从120组样本数据中选择85%作为样本数据,构建森林地上生物量的反演模型,余下的15%作为验证数据。

    • 1)纹理特征因子

      本研究采用灰度共生矩阵(gray level co-occurrence matrix,GLCM)方法提取遥感影像的纹理特征。GLCM算法的核心思想是通过设定间隔和方向,基于不同栅格点组合的出现频率,形成一个共生矩阵,并基于这个矩阵提取不同的纹理特征。

      虽然在图像表达中实际可能出现的点对组合方向有8种,但由于相隔180°的点对的共生矩阵具有对称性,因此,对GLCM算法的实际应用中往往只考虑点对角度在0°、45°、90°、135° 4个方向的共生矩阵。相应的计算公式如下:

      $$\begin{array}{l} P\left( {i,j,d,0^\circ } \right) = \# \left\{ {((k,l),(m,n)) \in \left( {{L_X} \times } \right.} \right.\\ \left. {\left. {{L_Y}} \right)|k - m = 0,|l - n| = d,G(k,l) = i,G(m,n) = j} \right\} \end{array}$$ (2)
      $$\begin{array}{l} P\left( {i, j, d, {{45}^\circ }} \right) = \# \left\{ {((k, l), (m, n)) \in \left( {{L_X} \times {L_Y}} \right)|} \right.\\ (k - m = d, l - n = - d) or (k - m = - d, l - n = d) \\G(k, l) = i, G(m, n) = j{\rm{\} }} \end{array}$$ (3)
      $$\begin{array}{*{20}{c}} {P\left( {i, j, d, {{90}^\circ }} \right) = \# \left\{ {((k, l), (m, n)) \in \left( {{L_X} \times } \right.} \right.}\\ {\left. {{L_Y}} \right){\rm{||}}k - m| = d, l - n = 0, G(k, l) = i}\\ {G(m, n) = j\} } \end{array}$$ (4)
      $$\begin{array}{*{20}{c}} {P\left( {i, j, d, {{135}^\circ }} \right) = \# \left\{ {((k, l), (m, n)) \in \left( {{L_X} \times {L_Y}} \right)|} \right.}\\ {(k - m = d, l - n = d){\rm{ or }}(k - m = - d, }\\ {l - n = - d), G(k, l) = i, G(m, n) = j\} } \end{array}$$ (5)

      式中,LXLY分别是图像在X轴、Y轴方向上的空间域;G是图像取值函数;(k, l)和(m, n)分别表示符合点对要求的栅格。

      基于GLCM共选取了8个典型的纹理特征,即均值、同质性、方差、对比度、二阶矩、熵、相关性和差异性。基于参数(灰度级为32,步长为3,窗口大小为3×3)提取多光谱影像数据的纹理特征因子值。

      2)光谱特征因子

      本研究选用的Landsat8 OLI影像含有9个多光谱波段,光谱特征因子基于其中的7个可见光波段数据(波段1~7)进行提取,最终获得的光谱特征因子类型主要包括波段反射率、波段比数据以及7项植被指数(即比值植被指数(ratio vegetation index,RVI)、改进型土壤调节植被指数(modified soil adjusted vegetation index,MSAVI)、增强植被指数(enhanced vegetation index,EVI)、归一化植被指数(normalized difference vegetation index,NDVI)、土壤调节植被指数(soil adjusted vegetation index,SAVI)、优化土壤植被指数(optimization soil adjusted vegetation index,OSAVI)、大气阻抗植被指数(atmospherically resistant vegetation index,ARVI))。

      3)地形特征因子

      基于覆盖研究区的数字高程模型数据,提取相应的海拔、坡度和坡向等地形特征因子。

    • 构建反演模型前,需要分析建模因子与蓄积量的相关性。相关性是分析两个或多个变量之间密切程度的重要指标。本研究利用Pearson相关系数来衡量蓄积量与特征因子之间的相关性,其计算公式如下:

      $$R = \frac{{\mathop \sum \nolimits^{}{} \left( {X - \bar X} \right)\left( {Y - \bar Y} \right)}}{{\sqrt {\mathop \sum \nolimits^{}{} {{\left( {X - \bar X} \right)}^2}\mathop \sum \nolimits^{}{} {{\left( {Y - \bar Y} \right)}^2}} }}$$ (6)

      根据相关性大小对特征因子进行筛选,优先利用蓄积量相关程度较高的特征因子作为变量来构建反演模型。

    • 回归分析在诸多研究领域都得到了广泛的应用,这种分析方法用来分析若干相关对象之间的变化规律[11],利用回归方程描述这种关系的响应,为相应的对象估测提供了依据[12-13]

      在SPSS中对生物量进行建模估算前,需要对光谱特征、纹理特征和地形特征3类备选参数与森林地上生物量的相关性进行分析。基于分析结果选取与生物量显著相关的自变量,采用多元逐步回归分析的方法,构建金寨县森林地上生物量的反演模型。

      基于不同参数建立的生物量预测回归分析模型的拟合程度存在差异,进而导致实测数据同预估数据之间存在差异[14],因此要对构建得到的森林地上生物量反演结果计算均方根误差(root mean square error,RMSE)和相对误差(σ),用于评价构建的反演模型的精度。计算公式为:

      $${\rm{RMSE}} = \sqrt {\mathop {\mathop {\mathop \sum \nolimits^{} }\limits_{i = 1} }\limits^n {{({{\hat y}_i} - {y_i})}^2}/n} $$ (7)
      $$\sigma = \frac{{\left| {{x_i} - x} \right|}}{x} \times 100{\rm{\% }}$$ (8)

      式中,${y_i}$、$x$表示森林地上生物量实测值;${{\hat y}_i}$、${x_i}$表示森林地上生物量估算值;n表示验证样本的数量。

    • 国内外诸多研究表明,森林蓄积量和生物量之间具有显著的回归关系,本研究采用方精云等[15]建立的生物量-蓄积量估计回归方程及参数估测森林生物量。回归方程为:

      $$B = aV + b$$ (9)

      式中,B为单位面积生物量(t/hm2);V为单位面积蓄积量(m3/hm2);ab为参数。根据3种林分类型,对应的ab参数值如表 2所示[16]

      表 2  生物量-蓄积量换算模型参数

      Table 2.  Model Parameters for AGB-Growing Stock Volume

      林分类型 a b
      针叶林 0.589 4 24.515 1
      阔叶林 0.839 2 9.415 7
      针阔混交林 0.714 3 16.965 4

      在从蓄积量向生物量换算的过程中,需要确定不同乔木类型的分布范围,不同乔木类型采用不同的ab参数值,进而计算出准确的生物量。不同乔木类型的分布范围在补充数据预处理环节完成。

    • 分别获取样本数据的光谱特征因子、纹理特征因子、多特征因子与蓄积量的相关性,优先选取各类特征因子中与蓄积量相关程度较高的特征因子进入回归分析,最终通过多元逐步回归获得构建反演模型的特征变量。3种蓄积量反演模型的优选变量及其显著性如表 3所示。表 3中,基于光谱特征的反演模型中,B6为波段6的反射率,B2/3、B1/6、B3/6分别为波段2与波段3、波段1与波段6、波段3与波段6的反射率比值;基于纹理特征的反演模型中,WL_6为波段1的熵,WL_7为波段1的角二阶矩,WL_17为波段3的均值,WL_36为波段5的对比度,WL_52为波段7的对比度;基于多特征融合的反演模型中,A为坡向,ARVI为大气阻抗植被指数,B4/3、B6/3分别为波段4与波段3、波段6与波段3的反射率比值,WL_30、WL_31分别为波段4的熵和角二阶矩。

      表 3  3种反演模型的优选变量及其显著性

      Table 3.  Variables and Significance of Three Inversion Models

      反演模型 变量及显著性
      V1 显著性 V2 显著性 V3 显著性 V4 显著性 V5 显著性 V6 显著性
      基于光谱特征 B6 0 B2/3 0.001 B1/6 0 B3/6 0
      基于纹理特征 WL_6 0 WL_7 0 WL_17 0.002 WL_36 0 WL_52 0.045
      基于多特征融合 A 0.013 ARVI 0.001 B4/3 0.001 B6/3 0 WL_30 0.005 WL_31 0.003
    • 光谱特征主要包括了Landsat8 OLI原始影像的多光谱波段的反射率数据、基于原始多光谱波段计算得到的植被指数和波段比指数等共56个特征因子,利用SPSS进行多元逐步回归分析,得到蓄积量的估算方程为:

      $$\begin{array}{l} Y = 32.314 - B6 \times 0.005 - B2/3 \times 11.367 + \\ \;\;\;B1/6 \times 3.534 - B3/6 \times 4.065 \end{array}$$ (10)

      利用GLCM方法提取得到Landsat8 OLI遥感影像7个波段(波段1~7)共56个纹理特征因子,基于纹理特征因子得到蓄积量的估算方程为:

      $$\begin{array}{*{20}{l}} {Y = - 21.526 + {\rm{WL\_}}6 \times 20.510 + {\rm{WL\_}}7 \times }\\ {34.313 - {\rm{WL\_}}17 \times 2.245 + {\rm{WL\_}}36 \times 0.275 - }\\ {{\rm{WL\_}}52 \times 0.243} \end{array}$$ (11)

      为了验证单一类别特征因子对森林地上生物量的反演是否具有局限性,将光谱特征、纹理特征和地形特征等共115个特征因子均作为备选自变量,在SPSS中构建基于多特征的森林地上生物量多元逐步回归模型,得到蓄积量的估算方程为:

      $$\begin{array}{l} Y = 45.361 - A \times 26.809 - {\rm{ARVI}} \times 8.584 - \\ B4/3 \times 16.059 - B6/3 \times 0.005 - {\rm{W}}{{\rm{L}}_ - }30 \times \\ 87.709 + {\rm{W}}{{\rm{L}}_ - }31 \times 15.253 \end{array}$$ (12)

      式(10)、(11)、(12)中,各变量含义同表 3

    • 依据建模前预留的验证数据分别对基于光谱特征、纹理特征和多特征融合获得的蓄积量反演模型进行精度验证,结果见表 4

      表 4  3种反演模型的精度比较

      Table 4.  Accuracy Comparison of Three Inversion Models

      反演模型 复相关系数R2 相对误差σ RMSE
      基于光谱特征 0.177 0 1.017 5 2.159 6
      基于纹理特征 0.130 4 0.875 3 2.079 3
      基于多特征融合 0.777 5 0.708 7 1.319 0

      将研究区蓄积量的反演统计值与2017年森林蓄积量统计数据进行对比,进一步验证多源回归模型的精度。最终验证结果为:蓄积量反演值精度为13 444 426 m3/m2,林业二调统计值精度为13 786 707 m3/m2,(反演值/统计值)×100%=97.52%。

    • 基于上述3种反演模型的比较,以融合多特征的森林地上生物量反演模型的估算精度最高,复相关系数达到0.777 5,相对误差及均方根误差都比单一特征的反演结果表现好,这说明任意单一的信息源和特征变量都不能满足更高精度的森林地上蓄积量反演模型的构建,也无法得到更符合实际情况的森林地上蓄积量的反演研究。而结合多特征的森林地上蓄积量反演模型的精度较好,更能真实地反演研究区的森林地上蓄积量。因此,在多特征融合的蓄积量反演模型基础上,利用生物量-蓄积量估计回归方程对金寨县的森林地上生物量进行估算,得到金寨县的森林地上生物量为4 723 728 530 t,如图 2所示。

      图  2  金寨县森林地上估算生物量分布图

      Figure 2.  Estimated AGB Map of Jinzhai County

    • 本研究利用遥感技术,以Landsat8 OLI为遥感数据源,以森林资源二类调查数据、地理国情监测和样地调查成果为补充数据,对安徽省金寨县的森林地上生物量进行反演研究。研究结果表明,使用单一类型的特征因子反演森林地上生物量精度较低。对于高植被覆盖地区,由于遥感影像光谱波段易饱和的特性,单一的光谱特征无法实现对森林生物量的精确判定和估算。

      在构建森林地上生物量反演模型之初,有多个不同的备选参数,但在回归模型构建的过程中发现,如果引入所有参数,不仅会导致计算量急剧增大,而且会使反演模型的估算精度明显降低。因此,采用逐步回归的方法,优选出对构建模型有正面影响的参数。

      本研究着眼于探讨多源数据对于森林地上生物量反演的影响,在构建森林地上生物量反演模型的过程中,忽略了对生物量进行树种类型尺度上的分类环节。后期将基于现有研究成果和数据,结合实地调查,开展相关模型的研究工作,以期进一步深化成果的可用性。

参考文献 (16)

目录

    /

    返回文章
    返回