基于MNF變換的森林喬木地上碳儲量遙感估測模型

徐 定，劉書劍 ，彭道黎

基于MNF變換的森林喬木地上碳儲量遙感估測模型

徐 定1，劉書劍2，彭道黎1

（1．北京林業大學 林學院，北京 100083；2.貴州省黔西南州林業局，貴州 興義 562400）

森林碳儲量遙感監測是目前林業定量遙感的研究熱點之一。以沽源縣為研究對象，采用TM影像，對原始自變量進行MNF變換后得到新變量，建立森林喬木地上碳儲量遙感估測模型。模型相關系數R為0.708，通過實測樣地對估測結果進行檢驗，精度達到89.89﹪。結果表明，當自變量間存在顯著復相關性情況下，通過MNF變換能有效去除復相關性，用新變量建立的模型估測效果較好。

MNF；復相關性：碳儲量；遙感

森林是地球上最重要的陸地生態系統，在全球C循環中居重要地位，良好的森林經營還可減少大氣中的CO2含量[1]。森林碳儲量監測在現今全球氣候變暖的大環境下具有重要意義。當前森林碳儲量的估測通常是按照植物干有機物中含碳比重由生物量轉化為碳儲量，國際上常用轉化率為0.45和0.50。據馬欽彥[2]研究，我國森林普遍含碳率應高于0.45，故我國一般采用0.50為轉化率。目前，對于區域尺度森林生物量估計方法主要有兩類：基于森林資源清查數據的傳統估計方法和基于遙感信息技術的估計方法[3-6]。遙感圖像光譜信息具有良好的綜合性和現時性，與森林生物量之間存在相關性[7]，基于遙感信息的森林生物量估測比傳統方法更加優越[8]。郭志華等[9]以Landsat TM為數據源建立了粵西闊葉林和針葉林材積的遙感光譜估算模型；國慶喜等[10]采用多元回歸分析方法建立了TM各個波段以及部分植被指數與森林生物量的遙感光譜模型；范文義等[11]采用黑龍江長白山地區TM圖像和143塊森林資源連續清查固定樣地數據，分別采用逐步回歸分析法和偏最小二乘回歸法建立黑龍江長白山林區森林生物量遙感估測模型，結果顯示，偏最小二乘回歸法要優于逐步回歸法。

現有研究多采用部分遙感波段值及植被指數、地形因子等與森林生物量建立回歸模型，建模方法多采用傳統的多元回歸分析法。綜合考慮各種森林生物量相關因子并采用先進的建模方法是目前提高森林生物量反演精度的有效途徑之一[11-13]。針對建模過程中原始自變量間的復共線性易導致模型出現病態，本研究擬采用MNF變換結合多元回歸方法，以沽源縣為研究對象，選取2007年TM遙感圖像，結合樣地調查數據和地形圖，對原始自變量進行變換后建立新變量，將新變量與森林生物量、碳儲量進行回歸建模，探討基于遙感和地學信息的森林碳儲量遙感估測的新方法。

1 研究區域概況

河北省沽源縣地處內蒙古錫林郭勒盟大草原南面，是內蒙古高原向華北平原的過渡地帶，北京的上風頭、水源地，海拔1 300～2 400 m，中溫帶亞干旱氣候大區，大陸性季風氣候特征顯著，降水量為300～540 mm，年蒸發量平均為1 659.4 mm，年均溫1.4℃，1月最冷，平均-18.4℃；7月最熱，平均17.9℃，年積溫1 801℃，年平均大風日數66 d，土地及草場資源豐富，森林多集中于東南部山地。

2 數據選擇與預處理

本研究所用數據為沽源縣2007年TM遙感圖像、1∶50 000地形圖、40個10 m×20 m樣地數據。遙感圖像經過幾何校正、輻射定標及FLAASH大氣校正，再用沽源縣的邊界矢量圖進行裁剪，得到研究區地表反射率圖像。由1:50 000地形圖生成DEM，以便讀取海拔、坡度、坡向等地形因子。

樣地的喬木地上碳儲量數據來源于樣地每木調查胸徑，先計算出樣地平均胸徑，再利用各林型生物量相對生長式求得[14-16]，最后乘以轉換系數0.50得到樣地喬木地上碳儲量。所有自變量建模前經標準化處理，以消除量綱不同的影響。考慮到樣地有可能不在一個像元內，在TM圖像上提取樣地中心點所在的像元及其相鄰上下左右4個像元的灰度值，取其平均值作為樣地遙感波段信息值。

3 自變量分析

綜合前人研究，本研究選取了多個常用波段、植被指數和地學因子，共10個自變量，即：TM2、TM3、TM4、TM5、NDVI、DVI、RVI、海拔、坡度、坡向。對選取的自變量因子進行相關性分析，結果見表1。

由表1可得，部分自變量間相關性顯著，尤其是TM2與TM3、TM5，TM3與TM5、NDVI、RVI等，相關系數皆在0.9以上。若直接用于建模，則存在嚴重的復共線性問題，導致模型呈現病態。為了消除自變量之間復共線性，本研究擬采用MNF變換對各自變量進行降維和噪聲分離，得出互不相關的幾個新變量，用于回歸建模。

通過matlab7.0編程，將25個建模樣地的TM2、TM3、TM4、TM5、NDVI、RVI、DVI 以及坡向、坡度、海拔10個自變量組成的矩陣進行MNF變換。

第一步，利用高通濾波器模板對自變量矩陣進行濾波處理，得到噪聲協方差矩陣ΣN,并將其對角化為矩陣DN：

式（1）中：DN是ΣN的特征值按降序排列的對角矩陣；U是由特征向量組成的正交矩陣。進一步變換式(1)，得：

式(2)中：I為單位矩陣；P為變換矩陣， P=UDN-1/2。

第二步，對白噪聲數據進行標準主成分變換：

式（3）中：ΣD為自變量矩陣的協方差矩陣；ΣD-adj是經過P變換后的矩陣，可以進一步將其對角化為矩陣DD-adj：

式（4）中：DD-adj是ΣD-adj的特征值按降序排列的對角矩陣；V是由特征向量組成的正交矩陣。通過以上兩個步驟得到MNF的變換矩陣TMNF:

TMNF= PV。

由上可知，MNF變換具有主成分分析變換的性質，是一種正交變換，變換后得到的向量中的各元素互不相關，第一分量集中了大量的信息，隨著波段數的增加，影像質量逐漸下降數據噪聲增多，按照信噪比從大到小排列，通常用于噪聲去除、特征提取、變化檢測、數據減維等[17-18]。

表2 建模樣地的MNF矩陣及方差解釋Table 2 Explanation of MNF matrix and variance of modeling sample

由表2可得，當提取到前4個MNF成分，樣本方差累積貢獻率達到96.403 6﹪＞95﹪，包含了原始變量的絕大部分信息，而變量降為4個，既保留了樣本的主要信息，又起到了降維及簡化模型的作用。

4 遙感建模及檢驗

4.1 模型建立

利用已建立的4個MNF成分方程，計算25個樣本的4個MNF成分值。以MNF成分值為自變量，樣地碳儲量為因變量，運用SPSS18.0進行多元回歸建模。

得出回歸模型為：

式（5）中：C為喬木地上碳儲量， t/hm2；xMNF1～xMNF4為各MNF成分值。

4.2 方差分析

模型的方差分析及回歸顯著性檢驗見表3。根據方差分析表，Sig.＜0.05，各MNF成分與森林喬木地上碳儲量顯著相關，相關系數R為0.708，可用于森林喬木地上碳儲量估測。

表3 方差分析Table 3 variance analysis

4.3 模型精度評價

用未參與建模的15個樣地數據來對模型進行檢驗，擬合效果如圖1。

圖1 模型估測值及實測值Fig.1 The estimation value and the measured value of the model

經計算，檢驗樣地模型估測的喬木地上碳儲量平均值為90.22 t/hm2，實測喬木地上碳儲量平均值為100.36 t/hm2，估測精度達到89.89﹪，估測效果較好。

5 結 論

以沽源縣為研究對象，對與森林喬木地上碳儲量相關的多個遙感及地形因子進行MNF變換，選取涵蓋大部分原始自變量信息的MNF成分與森林喬木地上碳儲量建立多元回歸估測模型，模型通過顯著性檢驗，估測精度達到89.89﹪。因此，MNF變換對于消除原始自變量復共線性，降維及簡化模型是一種有效的方法，在森林碳儲量監測的應用中效果較好。本文樣地碳儲量計算以每木調查胸徑為基礎，因此可結合大量森林資源調查資料開展碳儲量估算，快速有效獲取區域尺度森林碳儲量數據。

[1] Moffat A S. Resurgent forests can be greenhouse gas sponges[J].Science, 1997, 277: 315-316.

[2] 馬欽彥，陳遐林，王 娟，等. 華北主要森林類型建群種的含碳率分析[J]. 北京林業大學學報, 2002, (Z1): 100-104.

[3] 方精云，劉國華，徐嵩齡. 我國森林植被生物量和生產力[J].生態學報, 1996, 16(6): 497-508.

[4] 徐新良，曹明奎. 森林生物量遙感估算與應用分析[J]. 地球信息科學, 2006, (4): 122-128.

[5] Hame T, Salli A, Anderson K, et al. A new methodology for the estimation of biomass of conifer-dominated boreal forest using NOAA AVHRR data[J]. International Journal of Remote Sensing,1997, 18(15): 3211-3243.

[6] Dong J R, Kaufmann R K, Myneni R B, et al. Remote sensing estimations of boreal and temporate forest woody biomass:carbon pools，sources，and sinks[J]. Remote Sensing of Environment,2003, 84(3): 393-410.

[7] Spencer R D, Green M A, Blggs P H. Integrating Eucalypt Forest Inventory and GIS In Western Australia[J]. Photogrammetric Engineering & Remote Sensing, 1997, 63(12): 1345-1351.

[8] Friedl M A, Davis F W, Michaelsen J. Scaling and Uncertainty in the Relationship between the NDVI and Land Surface Biophysical Variables: An Analysis Using a Scene Simulation Model and Data from FIFE[J]. Remote Sensing, 1995, 54: 233-246.

[9] 郭志華，彭少麟，王伯蓀. 利用TM數據提取粵西地區的森林生物量[J]. 生態學報, 2002, (11): 1832-1839.

[10] 國慶喜，張 鋒. 基于遙感信息估測森林的生物量[J]. 東北林業大學學報, 2003, (2): 13-16.

[11] 范文義，李明澤，楊金明. 長白山林區森林生物量遙感估測模型[J]. 林業科學, 2011, (10): 16-20.

[12] 袁傳武，張 華，張家來，等. 武漢市江夏區碳匯造林基線碳儲量的計量[J]. 中南林業科技大學學報, 2010, 30(2): 10-15.

[13] 陳仕棟，方 晰. 湖南省土壤有機碳庫及其空間分布格局[J].中南林業科技大學學報, 2011, 31(5): 146-151.

[14] 徐天蜀，張王菲，岳彩榮. 基于PCA的森林生物量遙感信息模型研究[J]. 生態環境, 2007, (6): 1759-1762.

[15] 王 宏，康文星，楊文龍. 永州市1年生生物質能源林生物量及固碳量研究[J]. 中南林業科技大學學報, 2011, 31(5):207-212.

[16] 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量研究[J]. 中南林業科技大學學報, 2011,31(5): 135-139.

[17] 李海濤，顧海燕，張 兵，等. 基于MNF和SVM的高光譜遙感影像分類研究[J]. 遙感信息, 2007, (5): 12-15.

[18] 紀 娜，李 銳，李 靜. MNF和SVM在遙感影像計算機分類中的應用[J]. 水土保持通報, 2009, (6): 153-158.

Estimation model of tree aboveground carbon storage in forest based on minimum noise fraction transformation

XU Ding1，LIU Shu-jian2，PENG Dao-li1
（1.College of Forestry , Beijing Forestry University, Beijing 100083，China; 2. Forestry Administration Bureau of Guizhou Southwestern City, Xingyi 562400, Guizhou, China）

Remote sensing monitoring of forest carbon storage is one of the research hotspot in the forestry quantitative remote sensing at present. By taking Guyuan county as the research object, using the TM image, getting new variables after MNF transformation, the forest tree aboveground carbon storage remote sensing estimation model was established. The correlation was 0.708, and the estimating results were inspected through the measured sample, the accuracy reached 89.89﹪. The results show that when there were significantly complex correlation among the independent variables, the MNF transformation can effectively remove the multiple correlation, the predicting effects of the model established with new variables was very good.

MNF；multiple correlation；carbon storage；remote sensing

S718.55+6

A

1673-923X (2012)07-0054-04

2012-03-04

國家“十一五”林業科技支撐項目（2006BAD23B05）；國家級林業推廣項目（201145）

徐 定（1988—），男，湖南衡陽人，碩士研究生，主要從事森林資源監測與評價的研究； E-mail：110748708@qq.com

彭道黎（1963—），男，湖南常德人，博士，教授，主要從事森林資源監測與評價的研究； E-mail：dlpeng@bjfu.edu.cn

[本文編校：歐陽欽 ]