基于ENVISAT ASAR數據的高山松林蓄積量估測模型研究

李 毅，徐天蜀，王曉寧

(西南林業大學林學院，昆明650224)

基于ENVISAT ASAR數據的高山松林蓄積量估測模型研究

李 毅，徐天蜀，王曉寧

(西南林業大學林學院，昆明650224)

以香格里拉縣南部為研究區，利用ENVISAT ASAR雙極化數據，基于數理統計方法對該地區的高山松林蓄積量估測模型進行研究。首先分析HH，HV，HV/HH值與高山松林樣地蓄積量之間的相關性，結果為HV極化數據與蓄積量相關性最高;然后建立簡單線性模型、指數模型以及加入地理因子的多元線性模型與非線性模型，得出指數模型為最優模型;利用獨立的檢驗樣本對最優模型進行精度評價，預測值與實測值基本相符合，平均相對誤差為14．41%。

ENVISAT ASAR;后向散射系數;高山松;蓄積量模型

引言

森林蓄積量是評價森林生產力的一個重要指標，單位面積蓄積量的大小標志著林地生產力的高低及經營措施的效果［1］。傳統的森林蓄積量調查方法是一、二類調查，存在著勞動強度大、調查周期長、人財物投入大等問題［2］。探討高效和高精度的森林蓄積量估測的新方法，可以減少地面調查的工作量，快速、準確地進行森林總蓄積量預測。遙感技術是估測大尺度空間森林蓄積量的有效手段。TM，AVHRR，SAR等數據以及多源數據在森林蓄積量估算方面廣泛應用，并取得了顯著效果。運用遙感技術進行森林蓄積量估算時，所采用的數據源不同，分析方法也不相同。

從上世紀90年代開始，很多學者利用雷達遙感數據對森林蓄積量估測進行了研究［3－5］。目前大量的理論和試驗結果都已證實，雷達后向散射系數與森林蓄積量和生物量有著密切的關系［6－7］。微波具有穿透樹冠的能力，能與樹葉發生作用，主要與森林的主體——枝和樹干發生作用［8］。雷達遙感為森林蓄積量全面而精確的估測提供了有效數據。

根據國內外的研究資料表明，ASAR數據可用于森林蓄積量的估測。T．Manninen［9］應用ASAR的極化比對葉面積指數進行估測，精度達到了應用水平。Julien等［10］使用ENVISAT ASAR數據提取西伯利亞的森林信息，結果顯示，HV極化數據可以用于林地和非林地的森林制圖。

朱海珍等［11］以東北大興安嶺地區的圖強林業局作為試驗區，基于統計方法對多時相ENVISAT ASAR數據進行森林蓄積量估測研究，最后利用獨立的檢驗樣本對估測結果進行評價，均方根誤差(RMSE)為16.526 m3/hm2，與實際情況基本相符。本文根據高山松林對微波信號相應的特點和ENVISAT ASAR APP數據的特點，探討利用ASAR數據建立高山松林蓄積量估測模型的潛力。

1 研究區概況

研究區地理位置 99°20'—100°29'E，27°52'—28°52'N，位于香格里拉縣南部，地處青藏高原南緣，橫斷山脈腹地，是滇、川、及西藏三省區交匯處。研究區處于云南亞熱帶闊葉林植被區向青藏高原高寒植被區過渡地帶，植被分布南北差異明顯，東、南、西三面山體垂直分部完整而典型。區內屬于山地寒溫帶季風氣候，年均溫度6．3℃，最高溫度25．6℃，最低溫度為 －20.1℃，表現出干濕季分明、夏秋多雨、冬春干旱、熱量不足、氣溫偏低的氣候特征。研究區內植被類型主要有溫涼性針葉林、寒溫性針葉林、暖性針葉林、落葉闊葉林、灌叢、草甸等，常見的森林類型有云冷杉林、高山松林、落葉松林、高山櫟林等。

2 數據來源

2．1ASAR 數據

本研究選取一景香格里拉南部地區的ASAR APP 1B級數據，獲取時間為2005年12月25日。影像參數見表1。

表1 ASAR數據相關參數

2．2 樣地蓄積量獲取

外業調查時間分別為2009年7月下旬和2010年7月下旬，采用典型選樣的方法布設樣地，利用角規控制檢尺的方法測算樣地公頃蓄積量，用GPS記錄角規點的坐標;另一部分數據來自2006年森林資源二類調查的抽樣控制樣地的數據，該數據也是采用角規測算樣地蓄積。由于外業數據來自不同的三個時期，而本文使用的遙感數據接近2006年，故把2009年和2010年的森林生長量數據統一換算為2006年的生長水平。本文用于研究的高山松林蓄積量數據有91組，其中69組用于建模，22組用于模型精度評價。

3 影像預處理

本研究使用的ASAR APP 1B影像為地距影像，保存的是振幅值。為了降低相干斑點噪聲、地形引起的輻射與幾何畸變，需要對該影像進行一系列的預處理。利用GAMMA軟件對ASAR APP 1B級數據進行預處理。首先對影像數據進行輻射定標，將影像記錄的振幅數據轉換為反映能量值的后向散射系數;然后借助空間分辨率為100 m×100 m的SRTM DEM數據和ASAR衛星軌道參數重建成像時的幾何觀測條件，生成雷達模擬影像，以模擬影像為參考，對ASAR 1B級數據進行地理編碼，將影像轉化為多視正射投影影像;其后對正射影像進行濾波處理，采用Gamma-Map濾波，窗口大小為5×5;最后對影像進行地形輻射校正。最終預處理結果影像像元大小為25 m×25 m。預處理結果如圖1所示。

圖1 圖像預處理結果

4 研究方法

4．1 遙感因子和地學因子與蓄積量的相關性

采用經過預處理的影像上記錄的后向散射系數(σHV，σHH)，極化比值 HV/HH(σHV/HH)以及地理因子(海拔、坡度、坡向)，建立高山松蓄積量估測模型。該6個因子與對應的樣地蓄積量的相關性分析結果見表2。

由表2可以看出，后向散射系數、海拔與蓄積量顯著相關。后向散射系數對蓄積量的影響較大，呈正相關，其中HV極化值與蓄積量的相關性最顯著;在地學因子中，海拔與蓄積量的相關性最顯著，呈負相關;坡度和坡向對蓄積量的影響較小。

4．2 蓄積量模型的建立

在91組地面樣地數據中，用69組數據與對應的遙感因子和地學因子構建模型，另22組數據進行模型精度評價分析。利用SPSS軟件，用回歸分析方法構建簡單線性模型、自然指數模型、多元線性回歸模型和非線性模型。模型擬合結果見表3。

表2 高山松林蓄積量與變量因子的相關系數(n=91)

表3 蓄積量估測模型

將簡單線性模型(A)、指數模型(B)和加入地理因子的其他模型相比較，從建模的確定系數(R2)來看，模型B的R2值最高;從標準差S來看，模型B的標準差比其他模型的小;模型 B的 F=28．46＞F0．01(1，67)=7．04，在0．01水平下該回歸模型是顯著的。從以上指標的分析可以看出，模型B是估測該地區高山松林蓄積量的最佳模型，即使是加入了地理因子，模型的擬合效果也沒有提高，R2反而降低。產生這種情況的原因，在圖像預處理的過程中已經做了地形輻射校正，消除了地形對后向散射系數的影響，后向散射系數的變化已經能反應出蓄積量的變化了。

4．3 模型精度的檢驗

將預留樣地實測數據與最優模型的估測值進行比較，結果表明，B模型對該研究區的高山松林蓄積量的模擬效果較好，預測值均大體接近對角線，見圖2，估測值與實測值的相關性R=0．677，均方根誤差RMSE=20．36，最大相對誤差為30．15%，最小相對誤差為1．99%，平均相對誤差為14．41%。

圖2 B模型預測值與實測值的關系

圖2顯示了B模型回歸方程估測得到的高山松林蓄積量與野外實地測量值之間的關系。估測值與實測值比較一致，有些值也存在較大偏差:蓄積量在100 m3/hm2水平以下時出現高估;在140 m3/hm2水平以上出現明顯低估;蓄積量水平在100～140 m3/hm2水平時低、高估都有。存在誤差的原因:①外業數據的收集，高中低蓄積量水平的樣地數量分布不均勻，低蓄積量的樣地數量較少，樣地的蓄積量大多集中在100～160 m3/hm2，回歸模型并不能完全反應后向散射系數與蓄積量之間的關系;②ASAR傳感器獲得的是C波段雷達數據，蓄積量飽和點較低，而研究區蓄積量水平較高，模擬出的模型會存在誤差。

5 結語

本文就ASAR雙極化數據建立香格里拉南部地區高山松蓄積量估測模型，得出以下結論:①對該地區ASAR數據經過了地形輻射校正，模型中加入地理因子并沒有多大的作用，反而降低了模型的確定系數。該研究區屬于山區，地形起伏較大，后向散射系數很大程度上受地形影響，對ASAR數據經過地形輻射校正之后能消除地形對信號的影響，所以模型中加入地理因子之后作用也不大。②該地區原始森林較多，蓄積量較高，林分結構復雜，C波段雷達信號穿透性不強，未能全面反映出該地區植被的立體信息，若利用該地區的L波段雷達數據構建模型，精度可能會提升。

在最近20多年，雷達遙感在森林蓄積量和生物量估測中取得了較大發展，受理論與技術的限制，至今也沒有摸索出一套很好的方法，估測精度偏低。今后應借助新型模型對森林的后向散射機制進行深入研究，如采用非線性回歸模型、BP神經網絡模型等，深入研究林分結構對后向散射系數的影響，可以深入了解蓄積量與后向散射系數的關系，以提高估測精度。光學遙感數據反映冠層信息，雷達信號主要反映森林的立體結構，單純采用雷達或光學數據均有局限，將二者結合，優勢互補，將是今后森林蓄積量和生物量研究工作的重點［12］。

［1］孟憲宇．測樹學(3版)［M］．北京:中國林業出版社，2006:122．

［2］李崇貴，趙憲文，李春干．森林蓄積量遙感估測理論與實現［M］．北京:科學出版社，2006:1．

［3］Beaudoin A，Le Toan T，Goze S，et al．Retrieval of Forest Biomass from SAR Data［A］．Proceedings of the Final Workshop of the MAESTRO/AGRISCATT Campaigns［C］．Noordwijk，1992:123 －130．

［4］Le Toan T，Beaudoin A，Riom J．Relating Forest Biomass to SAR data［J］．IEEE Transactions on Geoscience and Remote Sensing，1992，30(2):403－411．

［5］Israelsson H，Ulander L，Askne J，et al．Retrieval of Forest Stem volume using VHF SAR［J］．IEEE Transactions on Geoscience and Remote Sensing，1997，35(1):36 －40．

［6］Kasischke E S，Melack J M，Dobsonm C．The use of Imaging Radar for Ecological Applications:A review［J］．Remote Sensing of Environment，1997，59:141 －156．

［7］Imhoff M L．Radar Backscatter and Biomass Saturation:Ramifications for Global Biomass Inventory［J］．IEEE Transactions on Geoscience and Remote Sensing，1995，33:511 －518．

［8］陳爾學．合成孔徑雷達森林蓄積量估測研究進展［J］．世界林業研究，1999，12(06):18 －21．

［9］T Manninen，P Stenberg，M Rautiainen，P Voipio．Estimation of Boreal Forest LAI Using C-band SAR［R］．International Geoscience and Remote Sensing Symposium，2003．

［10］Julien L’Hermitte，Thuy Le Toan，Manuela Grippa．Monitoring the Siberian Boreal Forest Using ENVISAT/ASAR data［R］．International Geoscience and Remote Sensing Symposium，2005．

［11］朱海珍，龐勇，楊飛，等．基于 ENVISAT ASAR數據的森林蓄積量估計研究［J］．地理與地理信息科學，2007，23(2):51 －55．

［12］宋茜，范文義．大興安嶺植被蓄積量的 ALOS PALSAR估算［J］．應用生態學報，2011，22(2):303 －308．

Study on the Volume Estimation Model of Pinus Densata Forest Based on ENVISAT ASAR Data

LI Yi，XU Tianshu，WANG Xiaoning

(School of Forestry，Southwest Forestry University，Kunming 650224，Yunnan，China)

Abstyact:Based on the statistics method，the Pinus Densata forest volume estimation mode was studied by ENVISAT ASAR dual polarization data in the southern of Shangri-la county．First，the correlations between forest volume and backscattering coefficient(HH，HV，HV/HH)were analyzed，it can be found that the correlation between HV backscattering coefficient and volume was highest．And then，a simple linear model，exponential model，multiple regression model and nonlinear model with terrain factors were established．It found that the exponential model was optimal．Last，the precision of the optimal model had been verified by using the independent checking samples．The result showed that the predicting values corresponded with the measured values and the average relative error was 14．41% ．

ENVISAT ASAR;backscattering coefficient;Pinus Densata;volume model

TP 79;S 757．2

A

1003—6075(2012)01—0040—04

2011—10—12

2011—11—22

國家自然基金項目(30960302);國家自然基金項目(40861009)。

李毅(1986—)，男，碩士研究生，研究方向:3S技術在林業中的應用。E-mail:w5764@sohu．com

* 通訊作者:徐天蜀(1964－)，女，教授，主要從事3S技術應用與研究。E-mail:tsxue64@163．com