基于Landsat長時間序列數據估算樹高和生物量

吳 迪，李 冰，楊愛玲

(國家測繪地理信息局黑龍江基礎地理信息中心，黑龍江 哈爾濱 150086)

基于Landsat長時間序列數據估算樹高和生物量

吳 迪，李 冰，楊愛玲

(國家測繪地理信息局黑龍江基礎地理信息中心，黑龍江 哈爾濱 150086)

以Landsat長時間序列數據為研究對象，旨在以光譜序列信息反演森林參數為視角，應用Landtrendr算法從時間序列數據中提取森林擾動變量，使用隨機森林計算方法建立擾動變量、反射率和GLAS激光點森林參數之間的關系模型，獲取樹高和生物量的空間分布信息。為多源遙感數據反演森林參數提供參考，研究證明基于Landsat長時間序列數據獲得的森林擾動變量能夠增強反射率和森林參數之間的相關性，可提高預測精度。

Landsat長時間序列數據；樹高；生物量；森林擾動變量；Landtrendr算法

森林在生長過程中會受到各種擾動(火災、病蟲害、砍伐)和非擾動(溫度、濕度和降水)因素的影響。導致林木中的碳以不同的形式流動于碳庫之中。森林擾動信息與碳儲量密切相關，對林木參數具有很好的解釋能力。NASA陸地衛星(Landsat)計劃自1972年以來共發射8顆衛星，對地球進行了長達40多年的觀測，積累了大量的對地觀測數據，它的高分辨率長時間序列信息為重構過去幾十年的森林擾動和修復歷史提供了獨一無二的資源。Li 等[1]使用VCT算法從Landsat時間序列中提取擾動信息，應用回歸樹模型對密西西比地區森林樹高進行了準確的估算(R2=0.91，RMSE=1.97 m)。Pflugmacher等[2]應用雷達數據和時間序列擾動因子準確獲取美國藍山保護區森林生物量。大量的實驗證明使用長時間序列數據估算森林樹高和生物量具有很大的潛力。

按計算方式可以將時間序列分析方法歸納為兩類：“求差異”和“求趨勢”，其中“求差異”是檢測時間序列中突變信號，從背景噪聲中分離微小變化[3-4]。“求趨勢”是從噪聲中分離出持續狀態較長的趨勢信號[5-6]，前者主要用于識別突發性的擾動事件如火災、風災、砍伐等，后者用于識別持續性的擾動事件如病蟲害，兩種技術只適用于特定的擾動類型，在應用上存在局限性。Kennedy[7-10]等提出了landtrendr(Landsat-based detection of Trends in Disturbance and Recovery)時間序列分析方法可以用于識別不同類型的擾動事件并且能夠提供擾動后的森林修復信息。

本研究嘗試使用Landtrendr方法獲取Landsat 長時間序列數據的森林擾動信息，利用這些信息對森林參數(樹高和地上生物量)進行解釋，協同GLAS波形數據建立森林參數空間擴展模型，獲取森林樹高和生物量的空間分布信息。

1 研究區域和數據準備

研究區域位于小興安嶺中心，地理坐標為(46°53′34″～48°03′40″N，127°28′05″～129°22′05″E)，森林類型以針闊葉混交林為主，見圖1。

圖1 研究區位圖

選用L3D(2005年10—11月)和L3G(2006年10—11月)2期版本號為33的GLA01、GLA05和GLA14產品計算森林參數(見圖1)，結合野外實測數據對ICESat/GLAS波形進行平滑濾波、分解擬合、噪聲估計、確定有效信息范圍、坡度校正處理，獲得激光點樹高和生物量。

使用1984～2006年33期條帶號為117/27的Landsat TM/ETM+影像計算森林擾動變量，所有影像均為經過LEDAPS系統預處理后的反射率數據，數據的獲取時間集中在森林生長期(7～8月)平均每年對應兩景影像，為擾動參數計算提供充足的數據。對影像進行纓帽變換、波段計算獲取TCA和TCD兩個擾動監測指數為識別擾動變量做準備(見表1)。

表1 擾動監測指數

注：TCB，TCW，TCG為纓帽變換三變量

2 研究方法和變量計算

2.1 研究方法

使用Landtrendr算法從Landsat長時間序列數據中提取森林擾動變量的計算過程包括提取光譜時間序列、移除噪聲、識別潛在頂點、擬合軌跡、簡化模型和確定最佳模型6個部分。

1)提取光譜時間序列：使用移動窗口求平均值的方法從擾動監測指數影像中提取光譜信息，獲取每個像元的時間序列軌跡。

2)移除噪聲，根據相似度閾值迭代刪除軌跡中具有噪聲特征的突起，每次迭代刪除最差的突起直到滿足閾值要求。

3)識別潛在頂點：使用時間序列分割方法確定頂點，將軌跡上起止年份對應的光譜值作為初始頂點進行最小二乘回歸計算，再根據擬合結果對每一年的光譜值預測，將真實值與預測值相差最大的那個年份設置為新頂點。新頂點將時間序列軌跡分割成兩部分，再分別對這兩部分執行回歸計算獲取均方誤差，針對均方誤差值相對較大的部分重復上面的操作尋找新頂點。反復進行迭代運算直到獲取的頂點和分段數量滿足控制文件中的相應設置為止。為了防止過度擬合還需要根據角度準則對分段結果做收斂判斷，計算各分段之間的角度，迭代剔除角度最淺的頂點和線段直到滿足閾值設定。

4)軌跡擬合：確定頂點后使用回歸和點對點兩種連接方式進行時間序列擬合，從第一個頂點開始對比兩種連接方式的擬合結果，使用均方誤差小的連接方式擬合線段，第二條線段的起點是第一條線段的終點，使用兩種方法分別計算，對回歸連接法和點到點連接法的計算結果進行比較擇優擬合。對所有頂點依次計算，最后得到一組前后連接的線段代替原始時間序列軌跡。計算擬合結果p值，如果滿足控制文件中的閾值要求則進行下一步計算，否則需要對軌跡進行重新擬合。

5)簡化模型，上述步驟計算得到最復雜的分割模型，對模型進行簡化。根據控制文件中的修復率閾值和均方誤差準則迭代計算，每次移除最弱的頂點對剩下的頂點重新進行軌跡擬合直到分段數等于1時停止。

6)確定最佳模型。簡化模型的過程中每刪除一個頂點就會重新擬合一次軌跡產生一個F統計的p值，對這些p值進行對比，選取最優的模型得到最終的時間序列重構結果。

2.2 變量計算

使用Landtrendr算法描繪林地像元光譜變化趨勢，通過Landtrendr時間序列分割計算對光譜響應做分段和線性擬合可以獲得一系列首尾連接的線段，根據線段的變化趨勢可以捕獲擾動年份和森林修復信息。用下降趨勢線表示擾動，上升趨勢線表示擾動后的修復，水平線表示未受到干擾(見圖2)。為了對軌跡進行定量化描述，研究從擬合曲線上提取了一系列擾動參數(見表2)，以圖2為例DBYEA和DBVAL變量分別對應圖中點A的年份和光譜值；DDUR變量對應A、B兩點之間的時間差；DMAG對應a值；RBYEAR和RBVAL變量分別對應點B的年份和光譜值；RMAG對應b值；RDUR對應A、C兩點之間的時間差。每個像元的時間序列可能會出現多個擾動修復事件，只研究有林地類像元計算最大的擾動信息。通過計算可以得到4種類型的時間序列擬合軌跡，分別為擾動后修復、擾動后未修復、只修復和沒有受到擾動影響。對所有類型的軌跡按以下規則進行參數設置。

1)如果一個像元的時間序列只包含修復信息，那么將DBYEA設置為時間序列的起始年；DBVAL設置為起始年對應的光譜值；DDUR和DMAG定義為0。

2)如果一個像元的時間序列只包含擾動信息，那么將RBYEAR設置為時間序列截止年份；RBVAL設置為截止年份對應的光譜值；RMAG和RDUR定義為0。

3)如果一個像元的時間序列不包含擾動和修復信息，那么將所有參數設置為0。

圖2 TCA擬合軌跡(像元坐標：128.15486E，47.41262N)

表2 擾動修復參數

3 樹高和生物量模型

為了評價擾動參數估算能力，研究使用兩組預測變量建立森林參數模型(見表3)。其中一組預測變量是與GLAS數據獲取時間(L3G：2006年10～11月)最接近的一景Landsat光譜數據。另一組預測變量是在單時相光譜信息的基礎上添加了擾動和修復信息。

使用隨機森林計算方法(Random Forest，RF)建立森林參數(樹高、地上生物量)與預測變量(見表3)之間的關系模型。通過遍歷分析找到每個RF模型的最優模型參數組合，根據訓練集均方誤差MSEOOB確定反演模型。從表4可知增加擾動信息可以提高森林樹高和地上生物量模型的擬合精度。

表3 模型預測變量

表4 模型擬合驗證

4 結果與討論

使用隨機森林反演模型對試驗區的森林參數進行估算，應用實測樣地數據對反演結果進行檢驗。圖3從上到下依次顯示了樣地數據驗證樹高和生物量的結果，通過對兩組變量的預測結果進行對比可知，使用單時相光譜信息可以估算森林參數，但是精度不高，其中地上生物量預測值與實測值之間的相關性較差(R2=0.305),增加擾動信息可以增強光譜反射率和森林參數之間的相關性，提高森林樹高和地上生物量模型的預測精度(樹高的預測精度從82.72%提高到88.27%，地上生物量的預測精度從37.63%提高到69.39%)。由圖4可知研究區域生物量范圍介于0～150 t/ha之間，集中分布在50～80 t/ha范圍；研究區樹高范圍介于0～27 m之間，大部分樹木高于12 m。

圖3 模型預測值與實測值之間的相關性

圖4 研究區域模型反演結果(地理坐標：46°53′34″～48°03′40″N，127°28′05″～129°22′05″E，時間：2006年7月)

5 結束語

使用時間軌跡分析方法(Landtrendr)對33期Landsat TCA和TCD影像進行時間序列重構提取森林擾動參數，再分別使用單時相的Landsat光譜信息和單時相光譜信息加擾動參數兩組變量對森林參數進行估算，對比結果顯示增加擾動信息可以增強光譜反射率和森林參數之間的相關性，提高樹高和生物量的預測精度，使用含有擾動參數的Landsat光譜信息對GLAS波形數據進行空間擴展可以獲得準確的森林參數信息。

使用Landsat長時間序列數據可以準確的估算森林參數，但這其中存在著很大的不確定性，因為受森林擾動歷史資料缺失的限制人們無法對擾動變量進行準確的驗證，目前常用的檢驗方法都是基于高分辨率影像進行目視解譯和人工判讀，由于面向的對象是大量的時間序列數據，使擾動參數的驗證工作充滿了挑戰。

[1] LI A, HUANG C, SUN G, et al. Modeling the height of young forests regenerating from recent disturbances in Mississippi using Landsat and ICESat data[J] Remote Sensing of Environment, 2011, 115(8): 1837-1849.

[2] PFLUGMACHER D, COHEN W B, KENNEDY R E. Using Landsat-derived disturbance history (1972～2010) to predict current forest structure[J].Remote Sensing of Environment, 2012, 122: 146-165.

[3] 鄧超, 程鋼, 孫震輝. 基于 TM 影像的焦作市城市擴張與驅動力分析[J]. 測繪工程, 2015,24(8):57-64.[4] HUANG C, GOWARD S N, MASEK J G, et al. An automated approach for reconstructing recent forest disturbance history using dense Landsat time series stacks[J]Remote Sensing of Environment, 2010, 114(1): 183-198.

[5] Hostert P, R?DER A, HILL J. Coupling spectral unmixing and trend analysis for monitoring of long-term vegetation dynamics in Mediterranean rangelands[J]Remote sensing of environment, 2003, 87(2): 183-197.

[6] VOGELMANN J E, KOST J R, TOLK B, et al. Monitoring landscape change for Landfire using multi-temporal satellite imagery and ancillary data[J] Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(2): 252-264.

[7] 王海君，許捍衛，金文韜.基于Landsat-8遙感影像的鄱陽湖水邊線提取方法研究[J].測繪與空間地理信息，2016,39(1)：144-146.

[8] 劉利.國際地理信息經濟效益定量估算初步研究[J].測繪與空間地理信息，2016,39(5)：4-7.

[9] 張飛，王建強，羅寒.基于時間序列的鄱陽湖水位分析與預測[J].測繪與空間地理信息，2016,39(8)：35-37.

[10] KENNEDY R E, BRAATEN J, YANG Z Q, et al. Land Trendr Users Guide[C]The Laboratory for Applications of Remote Sensing in Ecology (LARSE),2011.

[責任編輯：李銘娜]

Estimation of tree height and biomass based on long time series data of landsat

WU Di, LI Bing, YANG Ailing

(Heilongjiang Geomatics Center,China Bureau of Surveying and Maping, Harbin 150086,China)

This paper, taking the long time series data of Landsat as the research object, aims at retrieving forest parameters from spectral sequence information. The variables of forest disturbance are extracted from the time series data using the Landtrendr algorithm. With the random forest method to establish the model of the relationship among the disturbance variables, the reflectivity and the GLAS laser point, the spatial distribution information of the tree height and biomass is obtained, which provides a reference for retrieving forest parameters from multi source remote sensing data. The research proves that the forest disturbance variables obtained from the Landsat long time series data can enhance the correlation between the reflectance and forest parameters to improve the prediction accuracy.

long time series data of Landsat；tree height；biomass；forest disturbance variables；Landtrendr algorithm

引用著錄：吳迪，李冰，楊愛玲.基于Landsat長時間序列數據估算樹高和生物量[J].測繪工程，2017，26(6)：1-5.

10.19349/j.cnki.issn1006-7949.2017.06.001

2016-03-28

地理空間信息工程國家測繪地理信息局重點實驗室贊助項目

吳 迪(1987-),女，工程師,博士.

P237

A

1006-7949(2017)06-0001-05