基于PCA與SPOT-5的森林碳儲(chǔ)量估測

涂云燕，彭道黎

(北京林業(yè)大學(xué), 北京100083)

基于PCA與SPOT-5的森林碳儲(chǔ)量估測

涂云燕，彭道黎

(北京林業(yè)大學(xué), 北京100083)

以北京市延慶縣為研究對象，利用遙感和地學(xué)數(shù)據(jù)，分析其與地面碳儲(chǔ)量的相關(guān)關(guān)系，探討基于遙感和地學(xué)信息的森林碳儲(chǔ)量遙感估測。利用森林資源二類調(diào)查數(shù)據(jù)和2004年SPOT-5遙感影像，選取B1、B2、B3、B44個(gè)單波段，IDVI、 IRVI、INDVI3種植被指數(shù)以及海拔、坡度共9個(gè)因子，對這9個(gè)因子進(jìn)行降維，并提取主成分，建立基于主成分回歸的森林碳儲(chǔ)量估測方程。結(jié)果表明：模型復(fù)相關(guān)系數(shù)為0.892; 用30個(gè)獨(dú)立樣本檢驗(yàn)?zāi)Ｐ偷目煽啃耘c精度，相關(guān)系數(shù)為0.769，精度達(dá)到91.60%。該方程可用于森林地上部分碳儲(chǔ)量估測。

森林；遙感信息；森林碳儲(chǔ)量；主成分回歸法; 估測

森林生物量對評(píng)價(jià)森林生態(tài)系統(tǒng)生產(chǎn)力和陸地生態(tài)系統(tǒng)功能的都有重要的指標(biāo)性意義，準(zhǔn)確估算森林生態(tài)系統(tǒng)生物量對研究陸地生態(tài)系統(tǒng)碳循環(huán)及全球氣候變化研究具有重要意義[1-2]，森林生物量監(jiān)測技術(shù)有傳統(tǒng)的樣地實(shí)測法（直接收獲法，生物量轉(zhuǎn)換因子法，生物量轉(zhuǎn)換因子連續(xù)函數(shù)法）[3-5]與以遙感技術(shù)和地理信息系統(tǒng)等先進(jìn)手段估測森林生物量的遙感信息模型法。遙感信息模型方法有遙感信息參數(shù)與生物量擬合關(guān)系法、遙感數(shù)據(jù)與過程模型融合方法、基準(zhǔn)樣地法、人工神經(jīng)網(wǎng)絡(luò)模型法[6]。估算森林碳儲(chǔ)量的方法主要有生物量法、蓄積量法、渦度相關(guān)法、箱式法及遙感估算法等。本文應(yīng)用遙感估算的方法，即通過衛(wèi)星獲得監(jiān)測區(qū)的遙感信息，結(jié)合地學(xué)信息，并與森林碳儲(chǔ)量進(jìn)行相關(guān)性分析的基礎(chǔ)上，通過建立兩者的擬合方程來估算森林碳儲(chǔ)量。大大提高了碳儲(chǔ)量估算的準(zhǔn)確性和快捷性，且不會(huì)對生態(tài)系統(tǒng)產(chǎn)生不必要的干擾及擾動(dòng)。在碳儲(chǔ)量定量評(píng)價(jià)中有線性回歸估測，非線性的KNN與神經(jīng)網(wǎng)絡(luò)法[7-8]。線性模型主要解決自變量間共線性問題，非線性系統(tǒng)應(yīng)用相對復(fù)雜。主成分回歸方法能有效解決自變量間共線性問題。本文以北京市延慶縣為研究對象，選取SPOT-5影像，在主成分分析的基礎(chǔ)上，利用多元線性回歸建立碳儲(chǔ)量遙感估算模型，對延慶縣喬木林地上部分碳儲(chǔ)量進(jìn)行定量估測。

1 研究區(qū)概況

延慶縣地理坐標(biāo)為 N40°16′～ 40°47′，E115°44′～116°34′。東臨懷柔，南連昌平，西、北兩面與河北懷來、赤誠接壤，西南是官廳水庫，三面環(huán)山，一面臨水，是連接內(nèi)蒙、河北壩上以及北京平原地區(qū)的過渡地帶，是華北地區(qū)五大風(fēng)廊之一，也是風(fēng)沙進(jìn)入北京城的咽喉要道。該縣總面積1 992.7 km2，屬于大陸性季風(fēng)氣候，是暖溫帶與中溫帶、半濕潤與半干旱氣候的過渡帶，年平均氣溫8.8℃，年平均降水量為493 mm。地勢平坦寬闊，局部有低山和丘陵。山區(qū)多為中山，平均海拔1 000 m。原始植被類型為暖溫帶落葉闊葉林和溫帶針葉林。該地區(qū)廣泛分布著以側(cè)柏Platycladus orientalis(Linn.)Franco、刺槐 Robinia pseudoacacia L.、油松Pinus tabuliformis、柞樹Xylosma racemosum、楊樹Populus spp.等為建群種的森林。

2 試驗(yàn)數(shù)據(jù)與處理

2.1 遙感、地學(xué)數(shù)據(jù)及處理

選取2004年5月23日SPOT-5遙感影像數(shù)據(jù)，該數(shù)據(jù)多光譜分辨率為10 m，全色波段分辨率為2.5 m。用1∶5萬的地形圖對其進(jìn)行幾何精校正，校正誤差范圍在0.5個(gè)像元以內(nèi)，并利用延慶縣行政區(qū)界進(jìn)行不規(guī)則剪切得到延慶縣2004年SPOT-5影像。將GPS定位樣點(diǎn)與DEM、SPOT-5多光譜影像及三種植被指數(shù)影像進(jìn)行疊加，提取樣地的遙感與地學(xué)因子。其中地形因子包括坡度、海拔，光譜因子包括 IDVI、IRVI、INDVI及 B1、B2、B3、B44個(gè)原始波段值。

2.2 樣地碳儲(chǔ)量

利用二類調(diào)查樣地的每木檢尺數(shù)據(jù)和相對生長式[9]計(jì)算樹干、樹枝、樹葉、樹根生物量，最后，得出地面樣地每公頃生物量。用不同樹種中的碳密度與生物量相乘可以得到不同樹種的碳含量，實(shí)現(xiàn)生物量與碳密度及碳儲(chǔ)量之間的轉(zhuǎn)換，即可以將現(xiàn)有數(shù)據(jù)轉(zhuǎn)變成森林植被碳儲(chǔ)量，從而得到樣地地上部分的每公頃碳儲(chǔ)量[10-11]。利用2005年北京市延慶縣森林資源二類調(diào)查樣地?cái)?shù)據(jù)，采用系統(tǒng)抽樣抽取60個(gè)樣地，用遙感與地學(xué)因子為自變量，碳儲(chǔ)量為因變量建立主成分回歸模型。用30個(gè)樣地?cái)?shù)據(jù)作為獨(dú)立檢驗(yàn)樣本。

3 研究方法及結(jié)果分析

3.1 相關(guān)性與主成分分析

首先進(jìn)行碳儲(chǔ)量與自變量間相關(guān)性分析，坡度、海拔、IDVI、IRVI、INDVI及 B1、B2、B3、B4與碳儲(chǔ)量都存在較好的相關(guān)性。但各自變量間存在共線性。由于線性回歸中自變量系數(shù)是Xi的每單位增量而引起的因變量均值的變化。如果自變量間存在多重共線性，回歸系數(shù)對樣本數(shù)據(jù)的微小變化將變得非常敏感，如利用這9個(gè)因子直接建模，會(huì)存在嚴(yán)重多重相關(guān)性，不僅使模型穩(wěn)定性變差，還會(huì)出現(xiàn)病態(tài)特征[12]。但直接剔出顯著相關(guān)的變量，可能會(huì)造成信息損失，建立模型精度會(huì)受影響。因此，需要利用相關(guān)性對這些變量加以“改造”，用為數(shù)較少的新變量來反映原變量所提供的大部分信息，通過對新變量的分析達(dá)到解決問題的目的。主成分分析能很好地消除自變量之間的共線性，且在不丟失自變量信息的條件下，剔除冗余信息，將原始自變量轉(zhuǎn)化為互相獨(dú)立的幾個(gè)新變量。

在SPSS18.0環(huán)境下，導(dǎo)入用于建模的60個(gè)樣地?cái)?shù)據(jù)。利用因子分析模塊進(jìn)行主成分分析，按累積方差貢獻(xiàn)率≥85%的準(zhǔn)則，建立前k個(gè)主成分[13]。

表1 主成分矩陣及方差Table 1 Principal component matrix and variance

由表1可知，前3個(gè)主成分累積的貢獻(xiàn)率為92.125%，涵蓋了原始變量的主要信息，符合主成分提取要求。由因子載荷分析表明，第一主成分主要是反映了遙感信息，第二、三主成分主要反映坡度與海拔信息。

3.2 主成分回歸模型的建立

保存前3個(gè)主成分的得分值，將其因子得分值作為自變量，碳儲(chǔ)量作為因變量引入模型。利用統(tǒng)計(jì)軟件SPSS擬合得到主成分多元線性回歸模型：

Y=23.127+0.783X1-2.225X2+4.438X3。 （1）式（1）中：Y森林碳儲(chǔ)量 (t/hm2)，X1～ X3分別為3個(gè)主成分值(PCA1, PCA2, PCA3)。相關(guān)統(tǒng)計(jì)數(shù)據(jù)結(jié)果表明：模型經(jīng)方差分析，F(xiàn)值為189.641，SSig.f=0.001，證明了因變量和自變量之間線性關(guān)系的存在，回歸效果顯著；模型擬合數(shù)據(jù)顯示主成分回歸模型的復(fù)相關(guān)系數(shù)（R）是0.892，擬合情況好，可用于延慶縣森林碳儲(chǔ)量估測。

3.3 模型可靠性與精度檢驗(yàn)

對模型的可靠性檢驗(yàn)采用F檢驗(yàn)[14]。

F檢驗(yàn)是用實(shí)測值與預(yù)測值組成成對值，建立線性回歸方程y=a+bx，如果模型擬合的很好，常數(shù)項(xiàng)(a)和回歸系數(shù)(b)就分別趨近于0和1。隨機(jī)抽取30個(gè)獨(dú)立樣地計(jì)算林分地上部分碳儲(chǔ)量并將其作為自變量，本研究建立的模型所計(jì)算出來的碳儲(chǔ)量為因變量，建立二者的線性回歸方程：y=0.763+0.854x，相關(guān)系數(shù)R2為0.802，擬合效果好。通過F檢驗(yàn)，SSig.f=0.000小于0.01，結(jié)果表明：在α=0.01可靠性條件下，模型估測林分蓄積量理論值與外業(yè)調(diào)查實(shí)測值無顯著差異。

精度=1-[實(shí)測值-估測值]/實(shí)測值。碳儲(chǔ)量擬合值為25.51 t/hm2，實(shí)測的碳儲(chǔ)量為27.85 t/hm2，估測精度為91.60%。

在相同條件下用所抽取的60個(gè)樣地進(jìn)行逐步回歸，得到的判讀模型為：

Y=-6.832+1.903B3+3.091INDVI+1.216H海拔高。（2）式（2）中：Y森林碳儲(chǔ)量（t/hm2）。相關(guān)統(tǒng)計(jì)數(shù)據(jù)結(jié)果表明：模型經(jīng)方差分析，SSig.f=0.001，證明了因變量和自變量之間線性關(guān)系的存在，回歸效果顯著；模型擬合數(shù)據(jù)顯示主成分回歸模型的復(fù)相關(guān)系數(shù)（R）是0.719，擬合情況較好。對逐步回歸模型的可靠性與精度進(jìn)行驗(yàn)證，其可靠性與精度都沒有主成分回歸模型的好。

3.4 地上部分碳儲(chǔ)量的估測

在ERDAS里把處理好的圖層與DEM模型、IDVI、IRVI、INDVI疊加，采用目視解譯提取常綠闊植被圖層，提取前3主成分圖像。利用已建立的主成分方程，在ERDAS的model里進(jìn)行代數(shù)運(yùn)算從而對延慶縣2004年的SPOT-5影像進(jìn)行反演，計(jì)算每個(gè)像元碳儲(chǔ)量，把所有像元相加得到延慶縣地上部分碳儲(chǔ)量估測值。

4 結(jié)論與討論

以延慶縣森林為研究對象，選取與森林碳儲(chǔ)量相關(guān)的多個(gè)遙感及樣地因子進(jìn)行主成分分析，提取主成分，再利用主成分值與森林碳儲(chǔ)量建立估測模型，既消除了原始變量的共線性，還起到了降維與簡化模型的作用，是估測碳儲(chǔ)量的一種有效方法。利用SPOT-5數(shù)據(jù)和森林資源清查資料結(jié)合建立的森林碳儲(chǔ)量估測模型，用隨機(jī)抽樣的30個(gè)樣本檢驗(yàn)了模型的適用性，驗(yàn)證了模型的精度。結(jié)果表明模型的適用性強(qiáng)，精度達(dá)到91.60%。用該模型對延慶縣碳儲(chǔ)量進(jìn)行反演，有效地解決了大區(qū)域森林碳儲(chǔ)量估測。

由于SPOT-5遙感影像不能穿透植被提取林下植被及土壤信息，因此本研究的森林碳儲(chǔ)量估測只是針對喬木林的碳儲(chǔ)量。對于土壤、地下植被的碳儲(chǔ)量李素敏等采用傳統(tǒng)實(shí)測法對楊樹林生態(tài)系統(tǒng)植被和土壤碳貯量及其空間分布進(jìn)行了定量研究，得到了楊樹人工林生態(tài)系統(tǒng)的碳貯量及其空間分布的規(guī)律[15]。伴隨國家對林業(yè)工程的投入，更高分辨率、更廣泛的遙感數(shù)據(jù)將引入林業(yè)應(yīng)用中，森林整個(gè)生態(tài)系統(tǒng)碳儲(chǔ)量估測有望從傳統(tǒng)的實(shí)測法轉(zhuǎn)向大面積的遙感估測。

[1] 李海奎,雷淵才.中國森林植被生物量和碳儲(chǔ)量評(píng)估[M].北京：中國林業(yè)出版社,2010.

[2] Brown S, Sathaye J, Canell M, et al. Mitigation of carbon emission to the atmosphere by forest management[J].Common For. Review, 1996, 75(1):80-91,109,111-112.

[3] 曹 娟,田大倫,閆文德,等.喀斯特城市刺槐梓木混交林生物量與碳儲(chǔ)量研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2011,5(3):135-139.

[4] Brown S, Lugo A E. Biomass of tropical forests :A new estimate based on forest volumes [J].Science,1984,223:1290-1293.

[5] Brown S L, Schroeder P, Kern J S. Spatial distribution of biomass in forests of the eastern USA[J].Fr. Ecol. Man.,1999,123:81-90.

[6] 徐新良,曹明奎.森林生物量遙感估算與應(yīng)用分析[J].地理信息科學(xué),2006,8(4):122-128.

[7] Fazakas Z,Nillsson M, Olsson H. Regional forest biomass and wood volume estimation using satellite data and ancillary data[J].Agricultural and Forest Meteorology,1999,99: 417-425.

[8] 王淑君,管東生.神經(jīng)網(wǎng)絡(luò)模型森林生物量遙感估測方法的研究[J].生態(tài)環(huán)境,2007,16(1):108-111.

[9] 馮宗煒,王效科,吳 剛.中國森林生態(tài)系統(tǒng)的生物量和生產(chǎn)力[M].北京:科學(xué)出版社,1999:117-129.

[10] 吳慶標(biāo),王效科,段曉男,等.中國森林生態(tài)系統(tǒng)植被固碳現(xiàn)狀和潛力[J].生態(tài)學(xué)報(bào),2008,2(28):517-524.

[11] 王讓會(huì),衣懷峰,寧虎森,等.基于NDVI的人工植被碳儲(chǔ)量估算[J].遙感技術(shù)與應(yīng)用[J].2011,4(22):399-404.

[12] 王力賓,顧光同.多元統(tǒng)計(jì)分析模型、案例及SPSS應(yīng)用[M].北京:經(jīng)濟(jì)科學(xué)出版社,2010.

[13] 何曉群.多元統(tǒng)計(jì)分析第二版[M].北京:中國人民大學(xué)出版社,2008: 161-162.

[14] 余坤勇,林 芳,劉 健,等.基于RS的閩江流域馬尾松林分蓄積量估測模型研究[J].福建林業(yè)科技,2006,1(33):16-23.

[15] 李素敏,田大倫,閆文德,等.喀斯特地區(qū)城市楊樹人工林碳貯量及其空間分布[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2011,5(31):140-145.

Forest carbon storage estimation based on PCA and SPOT-5

TU Yun-yan, PENG Dao-li
(Beijing Forestry University, Beijing 100083, China)

∶ A study of remote sensing estimation of aboveground forest carbon storage was conducted in Yanqing county of Beijing by using the remote sensing and geo-science data, and the relationship between remote sensing and geosciences information and the ground forest carbon storage was analyzed, investigate forest carbon storage estimation method based on remote sensing and geosciences information. By using forest resource inventory data and SPOT5 images taken in 2004, and selecting 9 factors, which included 4 multispectral bands of B1，B2，B3，B4, 3 vegetation indexes of IDVI, IRVI, INDVI, and slope and elevation, firstly the dimension reduction of the 9 factors were executed, then the principal components were extracted out, and finally a forest carbon storage model based on the analysis and the SPOT5 images was set up by regression method. The results show that the multiple correlation coefficient R2was 0.892；the reliability and accuracy of the model were examined with 30 independent samples, the correlation coefficient was 0.769,the accuracy reached 91.60%。The model can be used to estimate forest carbon stocks in aboveground. Under the same conditions,principal component regression is superior to stepwise regression estimation.

∶ forest; information of remote sensing; forest carbon storage; principal component regression method; estimation

S718.55

A

1673-923X (2012)06-0101-03

2012-01-10

國家“十一五”林業(yè)科技支撐計(jì)劃(2006BAD23B05)

涂云燕(1986—)，女，貴州省仁懷人，碩士研究生，主要從事森林資源監(jiān)測與評(píng)價(jià)研究； E-mail：yunyantu@163.com

彭道黎(1963—)，男，湖南衡陽人，教授，博士研究生導(dǎo)師，主要從事森林環(huán)境監(jiān)測與評(píng)價(jià)研究；E-mail:dlpeng@bjfu.edu.cn

[本文編校：文鳳鳴]