機載高分辨率遙感影像的傅氏紋理因子估測溫帶森林地上生物量

龐 勇 蒙詩櫟,2 李增元

(1.中國林業(yè)科學研究院資源信息研究所 北京100091； 2.北京師范大學信息科學與技術學院 北京100875)

?

機載高分辨率遙感影像的傅氏紋理因子估測溫帶森林地上生物量

龐 勇1蒙詩櫟1,2李增元1

(1.中國林業(yè)科學研究院資源信息研究所 北京100091； 2.北京師范大學信息科學與技術學院 北京100875)

【目的】從反映森林冠層大小的樹冠紋理結構出發(fā)，利用高空間分辨率遙感影像中樹冠紋理的周期性信息，提取基于傅里葉變換紋理序列的紋理指數(shù)(FOTO，F(xiàn)ourier-based textural ordination)估測森林地上生物量，探究FOTO紋理因子在溫帶森林生物量估測上的潛力，為提取新型紋理參數(shù)估算森林生物量提供新的參考途徑。【方法】以2009年9月獲取的小興安嶺地區(qū)涼水國家自然保護區(qū)(47°11′N，128°53′E)高分辨率機載航空影像(空間分辨率0.5 m)為例，通過提取CCD影像的FOTO紋理參數(shù)，采用多元逐步回歸方法對森林地上生物量進行參數(shù)反演，并對CCD 3個波段影像提取的9個FOTO紋理因子以及波段平均影像提取的3個FOTO紋理因子2種方法的生物量估測結果進行比較。同時，在研究中嘗試采用5種不同尺寸(60 m×60 m，80 m×80 m，100 m×100 m，120 m×120 m和150 m×150 m)的窗口，產(chǎn)生不同尺寸的FOTO因子與生物量進行回歸建模。最后，將FOTO紋理因子作為自變量與激光雷達反演的參考生物量進行擬合，利用多元逐步回歸方法建立生物量模型，并采用十折交叉驗證評估預測模型的泛化能力。【結果】FOTO紋理因子與森林生物量的相關性較高，CCD影像3個波段的9個FOTO紋理因子與生物量的R2均高于0.67，窗口60 m×60 m，80 m×80 m，100 m×100 m，120 m×120 m和150 m×150 m的估測精度分別為67.3%，73.4%，74.4%，78.3% 和 80.9%。CCD影像波段平均影像的3個FOTO紋理因子與生物量的R2均高于0.57，5種窗口尺寸的估測精度分別為58.2%，62.1%，64.3%，67.4%和70.9%。根據(jù)最優(yōu)預測模型獲得分辨率100 m的涼水試驗區(qū)全覆蓋生物量結果圖，精度為74.41%，RMSE為50.55 t·hm-2。【結論】基于FOTO算法提取的紋理因子與森林地上生物量密切相關且無明顯飽和現(xiàn)象，對我國北方溫帶混交林區(qū)的生物量反演有極大潛力。FOTO紋理因子與森林地上生物量的多元線性逐步回歸模型R2達0.81，RMSE為46.78 t·hm-2。

溫帶森林； 高分辨率遙感影像； 森林地上生物量； FOTO算法； 紋理因子

森林生態(tài)系統(tǒng)是森林群落及其環(huán)境在功能流作用下形成的一定結構、功能和自調控的自然綜合體，是陸地生態(tài)系統(tǒng)中面積最大、最重要的自然生態(tài)系統(tǒng)，在全球碳循環(huán)、控制溫室氣體以及維持地球生物圈穩(wěn)定等方面具有非常重要的地位(Houghton， 2005)。當前，溫室效應日益嚴峻，世界各國正加強國家之間、洲際之間的合作，擴大森林面積、促進森林可持續(xù)經(jīng)營增加碳匯以應對全球氣候變化。為尋求工業(yè)發(fā)展與生態(tài)平衡的折中點，精確地估算森林碳儲量和生物量顯得十分必要。近年來，隨著遙感技術的不斷進步,運用遙感技術進行森林生物量估算已成為一種新興的研究手段。與傳統(tǒng)的實地勘察測量方法不同，遙感技術可以實時、準確、無破壞地對森林生物量進行估算，進而推算碳儲量，且易于從小尺度推廣到大區(qū)域，尤其對一些地面測量難以開展的偏遠天然林來說，遙感估算的優(yōu)勢更加凸顯。

目前，在對森林生物量進行估測的遙感方法中，主要使用微波遙感、激光雷達以及光學遙感等技術。微波遙感具有一定的穿透能力，如合成孔徑雷達(synthetic aperture radar，SAR)可與森林生物量的主體即樹干和樹枝發(fā)生作用(陳爾學等， 2007)，但受地形起伏影響較大，且當生物量達到一定水平時后向散射系數(shù)趨于飽和。基于極化干涉SAR的極化相干層析技術通過提取森林相對反射率垂直分布，將擬合得到的層析測量樹高建立生物量模型，有助于克服高值生物量估測的信號飽和問題(李文梅等， 2014)，但目前由于數(shù)據(jù)源的局限，尚無法大面積應用。激光雷達技術(light detection and ranging，LiDAR)在林木高度測量和森林垂直結構信息獲取方面能實現(xiàn)更高效、更精準的監(jiān)測，具有其他遙感技術無可比擬的優(yōu)勢(龐勇等， 2005)； 同時，激光雷達反演的高精度森林結構參數(shù)還可用作其他遙感手段的訓練數(shù)據(jù)和驗證數(shù)據(jù)(龐勇等， 2005； 2012； 郭慶華等， 2014)。

相對于微波遙感、激光雷達而言，光學遙感技術發(fā)展時間更長、數(shù)據(jù)源更豐富。隨著國內外各類星載與機載傳感器技術平臺的不斷更新與發(fā)展，高分辨率光學影像的獲取更加便捷。高分辨率遙感影像可以充分利用豐富的光譜信息、植被指數(shù)信息、紋理信息以及空間信息等特征反映更詳細的森林遙感信息(李德仁等， 2012)。基于光學遙感影像估算生物量通常有2種方式： 一是直接以遙感波段作為自變量，使用單波段或多波段與生物量建立估算模型； 二是將遙感影像的各波段經(jīng)過數(shù)學運算組合成不同形式的遙感指數(shù)，以這些遙感指數(shù)直接或間接參與建模(徐新良等， 2006)。紋理信息作為遙感影像的派生特征，可揭示圖像內容的水平結構信息并反映圖像內容的空間變化規(guī)律，逐漸被加入到生物量估算模型中參與反演。Lu等(2005)對巴西亞馬遜流域熱帶森林的TM影像數(shù)據(jù)與灰度共生矩陣(gray level co-occurrence matrix，GLCM)的8個紋理參數(shù)進行相關性分析，結果顯示GLCM中的均值與相關性因子對森林生物量預測貢獻度較高。Sarker等(2011)利用ANVIR-2數(shù)據(jù)對中國香港地區(qū)森林生物量進行預測，并比較5種參量(波段反射率、波段比、植被指數(shù)、紋理指數(shù)和紋理指數(shù)比)對生物量的預測效果，結果顯示紋理指數(shù)比方法對香港地區(qū)亞熱帶、熱帶森林的生物量估算效果最優(yōu)。盡管紋理信息在預測生物量上很有潛力，但是實際應用中卻不超過60%，甚至在對結構簡單的溫帶森林的應用上也很少(Sarkeretal.， 2011)。法國學者Couteron等(2005)在估算法屬圭亞那地區(qū)熱帶雨林生物量時提出了FOTO(Fourier-based textural ordination)紋理方法，該方法是一種基于傅里葉變換思想的新型紋理提取技術，研究顯示其在對高密度熱帶植被的生物量估算中沒有出現(xiàn)飽和現(xiàn)象。Proisy等(2007a)利用FOTO方法對法屬圭亞那地區(qū)的紅樹林生物量進行了估算，從影像上提取出森林結構參數(shù)與垂直參數(shù)并構建了紅樹林的生物量模型(Proisyetal.， 2011)。Singh(2012)在估測馬來西亞婆羅洲森林生物量時指出，由于大氣和信號飽和的影響，用樹冠頂層的反射值對生物量進行預測其有較大不確定性，利用紋理信息則更加有效，并發(fā)現(xiàn)FOTO紋理因子對生物量的估算精度優(yōu)于GLCM紋理因子。

圖1 涼水研究區(qū)機載航拍影像真彩色合成圖及4個局部圖Fig.1 Airborne CCD true color image and four inset maps of Liangshui study area

FOTO紋理參數(shù)提取研究在國外的典型熱帶林區(qū)陸續(xù)得到了不同程度的應用，而在國內尚未對該方法展開相應的研究與探討。本研究以黑龍江省小興安嶺地區(qū)涼水國家自然保護區(qū)為研究區(qū)，開展FOTO紋理參數(shù)估算溫帶森林生物量的嘗試，以期為提取新型紋理參數(shù)估算森林生物量提供新的參考途徑。

1 研究區(qū)概況與研究數(shù)據(jù)

1.1 研究區(qū)概況

黑龍江省涼水國家自然保護區(qū)(47°11′N，128°53′E)地處我國東北東部山地小興安嶺南坡達里帶嶺支脈的東坡，黑龍江省伊春市帶嶺區(qū)境內(圖1)。保護區(qū)內地形復雜，以山地為主，森林覆蓋率98%，海拔280～707 m，平均坡度10°～15°，為典型的低山丘陵地貌，具有明顯的溫帶大陸性季風氣候特征。年平均氣溫-0.3℃，年平均降水量676 mm，年平均相對濕度78%，無霜期100～120天。境內地帶性土壤為山地暗棕壤。氣候特點： 春季風大； 夏季氣溫較高，降雨集中； 秋季降溫急劇； 冬季漫長，寒冷干燥而多風雪(劉麗娟等， 2013)。保護區(qū)自然資源豐富，植被群落類型復雜多樣，既有處于演替頂極狀態(tài)的原始闊葉紅松(Pinuskoraiensis)林、魚鱗云杉(Piceajezoensisvar.microsperma)林和興安落葉松(Larixgmelinii)林，又有處于不同演替階段的次生林。保護區(qū)內有大片較原始的紅松針闊混交林，是我國目前保存下來最為典型和完整的原生紅松針闊混交林分布區(qū)，也是我國和亞洲東北部很具代表性的溫帶原始紅松針闊混交林區(qū)(龐勇等， 2012)。

1.2 遙感數(shù)據(jù)

遙感數(shù)據(jù)采用2009年9月4日和13日拍攝的機載航空影像(圖1)，搭載國產(chǎn)運-5小型多用途飛機，攜帶激光掃描儀(LMS-Q560)和CCD相機(DigiCAM-H/22)進行同步數(shù)據(jù)采集。獲取數(shù)據(jù)總覆蓋面積約200 km2。CCD相機拍攝的南北航向航片經(jīng)過正射校正和拼接處理后，得到完整覆蓋研究區(qū)的高分辨率遙感影像。遙感數(shù)據(jù)空間分辨率為0.5 m，含紅(700 nm)、綠(540 nm)和藍(480 nm)3個可見光波段。

1.3 生物量數(shù)據(jù)

高精度機載激光雷達反演的生物量數(shù)據(jù)可作為其他遙感數(shù)據(jù)反演時的驗證數(shù)據(jù)。本研究所用的森林地上生物量參考數(shù)據(jù)是由與航片同步獲取的機載激光雷達數(shù)據(jù)與地面樣地調查數(shù)據(jù)聯(lián)合反演得到的(圖2)，生物量影像空間分辨率為10 m，反演精度高于90%，因此可以作為可靠的參考生物量。機載CCD影像與激光雷達反演的生物量數(shù)據(jù)是經(jīng)過同步飛行得到的，二者經(jīng)過實驗室系統(tǒng)檢校和測區(qū)檢校場檢校，位置匹配精度優(yōu)于0.3 m(龐勇等， 2012)。

2 FOTO紋理計算方法和生物量建模

2.1 技術路線

如圖3所示，本研究基于FOTO紋理方法從高分辨率航片中提取FOTO紋理因子，使用機載LiDAR反演的森林地上生物量作為參考值進行建模，對比分析不同波段、不同計算窗口下FOTO紋理因子的生物量反演能力。采取以下2種方法估算生物量：

圖2 機載激光雷達反演的研究區(qū)地上生物量Fig.2 Estimated aboveground biomass map from airborne LiDAR data in the study area

1) 對CCD影像的3個單波段影像，即紅、綠、藍波段分別采用FOTO算法，3個波段影像共提取得到9個紋理因子(每個波段影像的PC1、PC2、PC3)用于建立回歸方程，并對森林生物量進行預測。

2) 對紅、綠、藍3個波段取平均生成一幅單波段灰度影像，通過FOTO算法從該波段平均影像中提取出3個紋理因子(波段平均影像的PC1、PC2、PC3)，與生物量建立回歸方程并對生物量進行預測。

2.2 FOTO紋理指數(shù)算法

FOTO紋理指數(shù)是一組將快速傅里葉變換算法與主成分分析結合提取的指數(shù)，包含森林冠層的周期信息及空間異質性。根據(jù)FOTO紋理指數(shù)算法原理，首先選擇一個固定的窗口尺寸遍歷整幅影像，將影像分割成若干方形小塊。窗口大小WS定義為(單位：m)：

(1)

式中：N為X或Y方向上的像素點個數(shù)；S為圖像的分辨率。

圖3 FOTO紋理因子提取及生物量反演流程Fig.3 The workflow of FOTO texture indices calculation and forest biomass estimation

再對分割產(chǎn)生的每一小塊影像進行二維快速傅里葉變換(2D-FFT)處理，傅里葉變換提供了一種將圖像從空間域轉換到頻率域進行頻譜分析的方法，將復雜信號看作不同頻率、不同方向和不同振幅的正余弦信號的疊加。圖像經(jīng)過2D-FFT變換后得到的頻譜是復數(shù)矩陣，復數(shù)的實部apq與虛部bpq統(tǒng)稱為傅里葉分解系數(shù)，是復雜的圖像信號經(jīng)過傅里葉變換后變成簡單余弦信號和正弦信號的幅值：

(2)

(3)

對于一個固定的正余弦振動方向，頻率p或q分別代表正余弦波形在影像內的重復次數(shù)。假設給定的影像為n×n維灰度影像，根據(jù)奈奎斯特頻率可得到最高正余弦頻率為pmax=n/2和qmax=n/2。FOTO中計算的傅里葉徑向頻譜(Fourierradialspectra，簡稱r-spectra)(Couteron, 2002;Couteronetal.， 2006)用來表征影像頻率環(huán)內各方向的平均能量，r表示給定某一范圍的影像內正余弦波在該范圍內擬合出的樹冠周期次數(shù)。在本研究中，選擇前29個傅里葉諧波能量(Plotonetal.， 2012)。隨著諧波頻率逐漸趨于奈奎斯特頻率，幅值越來越小并趨近于0。

(4)

(5)

式中：r=1,2,…,29；θ=0°～360°；k為每個頻率圓環(huán)內點的個數(shù)；σ2為圖像方差。

圖像r-spectra反映了圖像頻率域中每一諧波頻率環(huán)內的能量大小，r-spectra曲線可作為描述森林中樹冠周期的指標。

在一定區(qū)域內，如果該區(qū)域中樹冠較大的成熟林木占主要成分，則在圖像中表現(xiàn)為樹冠紋理周期長，其對應的r-spectra曲線會在中低頻區(qū)域有較高的數(shù)值，高頻區(qū)域的數(shù)值較低，曲線呈陡峭鋸齒狀；若窗口內以樹冠較小的幼年林木為主，則影像中樹冠的紋理周期較短，r-spectra的低頻和高頻區(qū)域數(shù)值無明顯起伏，曲線略顯平緩(Couteronetal.， 2006； Singh， 2012； Plotonetal.， 2013)。采用120 m×120 m窗口從原影像中隨機選出4種不同尺寸的樹冠圖像(圖4)，從計算所得的r-spectra曲線可看出，當林木樹冠較大時，波峰會在中低頻區(qū)域出現(xiàn)，當林木樹冠較小時，則會在中高頻區(qū)域有較高值，符合上述描述規(guī)律。

圖4 4個不同場景的r-spectra曲線以及場景圖像(120 m×120 m)Fig.4 The r-spectra lines for four forest scenes with different canopy size and their corresponding aerial images (120 m × 120 m)

根據(jù)FOTO算法得出所有窗口影像的r-spectra值后放入同一矩陣內，對該r-spectra矩陣進行標準主成分分析(principle component analysis, PCA)。結果顯示，前3個主成分分量占總體變量成分的84%以上，故最終采用前3個主成分作為從圖像中提取的紋理因子。

2.3 基于FOTO紋理指數(shù)的生物量建模分析

將基于FOTO算法從影像中提取的紋理因子作為自變量，激光雷達反演的參考生物量作為因變量，采用多元逐步回歸方法建立生物量模型。進行生物量建模時采取十折交叉驗證，即每次取其中9份樣本與生物量進行多元逐步回歸分析，剩余1份樣本進行反演精度檢驗，該過程進行10次直至遍歷全部樣本(Picardetal.， 1984)。在某些復雜情況下，交叉驗證可獲得預測誤差的近似無偏估計(Efronetal.， 1983)，十折交叉驗證可充分利用樣本有效信息獲得穩(wěn)定可靠的估測模型，并可在一定程度上避免過擬合問題。

模型評價指標通常采用R2與RMSE，十次交叉驗證結果的R2與RMSE平均值作為最終模型評價指標。R2為決定系數(shù)，值在0～1之間，當自變量對因變量的解釋能力越強時，R2越接近于1； RMSE為均方根誤差值，RMSE越小，表示模型預測能力越好。

3 結果與分析

3.1 FOTO紋理因子的提取

根據(jù)FOTO原理，可從每個單波段影像中提取得到3個紋理因子，圖5為CCD影像中紅波段提取到的FOTO因子PC1、PC2和PC3(窗口尺寸選擇100 m×100 m)，其余波段提取的紋理影像類似于紅波段。將CCD影像的9個FOTO紋理因子和波段平均影像的3個FOTO紋理因子分別與森林生物量進行相關性分析，統(tǒng)計結果如表1所示，所有統(tǒng)計值都在0.01水平上顯著。從表1可看出，F(xiàn)OTO方法提取的紋理因子與生物量的相關性高低排序為PC2、PC1、PC3，且相關系數(shù)均大于0.3，其中藍波段的PC2與生物量的相關系數(shù)最高，為0.636，紅波段的PC3與生物量的相關系數(shù)最低，為0.309。PC1與森林生物量在0.01水平上呈顯著負相關，而PC2和PC3與森林生物量在0.01水平上呈顯著正相關。

3.2 紋理窗口尺寸選擇

FOTO紋理因子計算時首先需要選擇計算窗口尺寸，且窗口尺寸的選擇直接影響最終生成的生物量圖的空間分辨率。本文在FOTO方法基礎上分析采用5種不同窗口尺寸(60 m×60m，80m×80m，100m×100m，120m×120m和150m×150m)對生物量建模與反演的影響。通過對激光雷達生物量圖進行相似性區(qū)域分割，將分割斑塊均值作為提取的生物量結果。CCD影像中提取出的9個紋理因子經(jīng)過多元逐步回歸與生物量建立估測模型，結果如表2所示。

表1 航空影像各波段提取的FOTO紋理因子與森林生物量的相關性

圖5 紅波段影像生成的3個FOTO紋理圖像(PC1、PC2、PC3)Fig.5 Three FOTO texture indices (PC1，PC2，PC3)derived from red band aerial image

表2 CCD三波段影像5種不同紋理計算窗口的生物量建模結果比較

從表2可看出，5種窗口尺寸下得到的紋理自變量與生物量的R2均達到0.67以上，選入模型的變量均在0.01水平顯著。這表明FOTO紋理因子對生物量的解釋能力較強，且R2隨著窗口尺寸變大從0.67增加到0.81，RMSE從66.98 t·hm-2減少至46.78 t·hm-2。圖6顯示了5種窗口尺寸下FOTO預測生物量值與實際生物量值的十折精度檢驗結果，窗口尺寸為60 m×60 m，80 m×80 m，100 m×100 m，120 m×120 m和150 m×150 m時對生物量的估測精度分別為67.3%，73.4%，74.4%，78.3%和80.9%。圖6顯示對于生物量值小于100 t·hm-2的區(qū)域出現(xiàn)高估現(xiàn)象，在生物量大于400 t·hm-2時開始存在不同程度的低估，60 m×60 m和80 m×80 m窗口尺寸下的預測精度低于100 m×100 m以上窗口尺寸的結果，低值高估與高值低估的情況更多。

圖6 對CCD影像采用5種窗口的精度檢驗結果Fig.6 Scatter plots of biomass regression models from FOTO indices using five window sizes over three bands of aerial image

同時，利用上述5種不同窗口尺寸對波段平均影像進行FOTO處理，經(jīng)過多元逐步回歸將3個紋理因子與生物量建立估測模型并得出模型表達式。從表3可知，模型R2在0.57～0.71之間，RMSE從77.12 t·hm-2減少至58.51 t·hm-2，選入模型的變量與生物量在0.01水平上顯著。圖7顯示了5種窗口尺寸下的反演精度檢驗結果，其預估精度分別為58.2%，62.1%，64.3%，67.4%和70.9%，同樣顯示出當窗口尺寸為60 m×60 m與80 m×80 m時，模型擬合精度較低，易出現(xiàn)更多的錯誤估算情況。

表3 CCD波段平均影像在5種不同紋理計算窗口的生物量建模結果比較

圖7 對波段平均影像采用5種窗口的精度檢驗結果Fig.7 Scatter plots of biomass regression models from FOTO indices using five window sizes over the average image of aerial image

3.3 森林生物量反演結果

綜合考慮生物量反演尺度與反演精度等因素，80 m×80 m～120 m×120 m之間為溫帶森林的最優(yōu)FOTO窗口尺寸。利用提取的9個紋理因子參與多元逐步回歸模型對試驗區(qū)機載CCD影像進行反演，100 m×100 m窗口生成的反演公式為：

式中：R_PC*，G_PC*，B_PC*分別表示紅、綠、藍波段的FOTO紋理因子。

生物量反演效果如圖8所示。涼水國家自然保護區(qū)平均生物量大于260 t·hm-2，回歸以及驗證結果表明，F(xiàn)OTO方法提取的紋理因子與生物量相關性較好，預測精度為74.41%，RMSE為50.55 t·hm-2。3.4 結果分析

本研究對高分辨率航空CCD影像的3個波段以及波段平均影像分別采用FOTO算法提取紋理因子參與生物量建模并反演，分析了5種FOTO窗口尺寸對生物量反演結果的影響。結果顯示，F(xiàn)OTO紋理參數(shù)均與森林生物量在0.01水平顯著，且在5種不同窗口尺寸下，3個波段CCD影像提取的9個紋理因子對生物量的估測精度分別67.3%，73.4%，74.4%，78.3%和80.9%，波段平均影像提取的3個FOTO紋理因子對生物量的估測精度分別為58.2%，62.1%，64.3%，67.4%和70.9%。對本研究而言，CCD影像的9個FOTO紋理因子與生物量進行模型回歸并參與反演的統(tǒng)計精度優(yōu)于波段平均影像的3個紋理因子的結果。

圖8 航片F(xiàn)OTO因子反演的森林地上生物量Fig.8 Estimated aboveground biomass map using FOTO indices from aerial image in the study area

CCD影像紅、綠、藍波段間存在的相關性使得提取的紋理參數(shù)在參與建模時會導致多重共線性問題，模型的預測功能減弱。經(jīng)統(tǒng)計回歸分析，模型自變量存在方差膨脹因子VIF>10的情況，即存在多重共線性關系。因參數(shù)估計量皆顯著，且回歸分析的目的僅用于預測，因此對此多重共線性可不做處理(林清泉， 2009)。波段平均影像則對紅、綠、藍波段進行光譜數(shù)值平均，生成的“擬全色”影像弱化了波段間的相關性，得到3個紋理因子參與回歸，統(tǒng)計結果顯示VIF接近1即所有解釋變量幾乎完全無關，生成的模型較穩(wěn)定。在實際應用中，在滿足精度評價指標RMSE與擬合程度R2的要求時，選擇單波段進行FOTO運算能兼具精度與效率，同時預測模型比較穩(wěn)定。對多波段進行FOTO運算能得到更好的統(tǒng)計精度，但伴隨著更高的計算復雜度，且由于可能存在多重共線性關系會導致預測模型不穩(wěn)定。3.5 結果討論

FOTO方法的應用始于解決熱帶地區(qū)高密度生物量的估算飽和問題，并在全球典型熱帶地區(qū)的生物量估算研究中取得了較好的估測效果，如準確估測了法屬圭亞那地區(qū)的熱帶紅樹林和陸地熱帶雨林(Proisyetal.， 2007a; 2007b； 2011)、南美亞馬遜盆地的熱帶雨林(Barbieretal.， 2010)、中非地區(qū)的熱帶雨林、馬來西亞婆羅洲地區(qū)的熱帶森林(Singh， 2012)以及印度南部的西高止山脈熱帶植被(Plotonetal.， 2012)的森林生物量以及其他森林結構參數(shù)，在某些樣地生物量大于450 t·hm-2的地區(qū)并未出現(xiàn)估值飽和的現(xiàn)象，且根據(jù)估算模型得出的預測精度較高，多數(shù)情況R2達到0.8以上(Proisyetal.， 2011)。

FOTO方法本質上是FFT與PCA的有效結合(Singh， 2012)。FFT提供了從頻域角度分析信號的方法，尤其當影像中存在明顯的樹冠周期信息時，通過FFT方法分析影像的周期特征非常具有優(yōu)勢；PCA將r-spectra變量提取前N個重要特征量表征樹冠大小信息。FOTO紋理因子通過將二者巧妙結合，把林木的樹冠大小通過其在影像上表現(xiàn)出的紋理特征與森林生物量緊密結合起來，成為一種有效估算生物量的新方法。

FOTO運算過程中選擇的窗口尺寸大小會影響生物量反演結果。Ploton等(2012)指出，F(xiàn)OTO選擇的最佳窗口尺寸應大于影像中最大樹冠尺寸的5倍，因此該研究在估算熱帶森林時采用125 m(文中最大冠層估測為25 m)的窗口。對涼水試驗區(qū)樣地調查結果分析顯示(Mengetal.， 2016)，樣地冠層平均尺寸為(4.36±1.64)m，影像目視判讀結果顯示研究區(qū)內尚存在冠層直徑為7.6～13.2 m的林木，且由于林木疏密度呈現(xiàn)的林木冠層與間隙的紋理表現(xiàn)不同，綜合考慮選取80～120 m作為溫帶林試驗區(qū)的FOTO窗口尺寸。與單木和林分追求的精準反演結果不同，F(xiàn)OTO是一種大尺度的生物量反演，當選擇的窗口尺寸不同，F(xiàn)OTO輸出結果的分辨率會隨著窗口尺寸發(fā)生變化，并對反演精度產(chǎn)生影響： 當窗口尺寸太小時，如果區(qū)域內存在特大冠幅林木，則會影響樹冠結構周期性的分析結果； 當窗口尺寸過大時，則會產(chǎn)生較大的估測尺度使得生成的生物量結果圖的空間分辨率降低，并納入冗余的地形紋理信息等(Couteronetal.， 2006)。在平衡建模精度與產(chǎn)品輸出空間分辨率因素后，研究最終選擇生成100 m分辨率的生物量預測圖。

森林樹冠結構的周期性越明顯，則紋理參數(shù)與生物量的相關性越強(Eckert， 2012)。當森林中存在較大的林窗、林分間隙或者因自然干擾因素形成的倒木或斜木，則在分析影像時會出現(xiàn)樹冠紋理的“偽周期”，給估算結果帶來一定影響。且不同的太陽高度角、傳感器拍攝角度以及地形起伏的影響，使得樹冠間的陰影歪曲了真實的樹冠周期，也會降低估算精度。

4 結論

本研究利用FOTO方法從高分辨率機載影像提取紋理參數(shù)，與森林生物量進行相關性分析，并采用多元逐步回歸建立黑龍江省涼水國家自然保護區(qū)的森林生物量遙感估測模型。結果如下：

1) FOTO紋理對溫帶針闊混交林區(qū)的生物量反演精度較高，R2達0.81，RMSE為46.78 t·hm-2，表明從影像中獲取的FOTO紋理因子對北方溫帶混交林區(qū)的生物量反演有極大潛力。

2) 對于溫帶森林反演，可根據(jù)估算精度需求選擇80～120 m作為FOTO窗口尺寸。

3) CCD影像3個波段的反演精度優(yōu)于波段平均影像的反演精度，波段平均影像的自變量因子少且模型較前者更穩(wěn)定。

FOTO方法具有入選變量少、不需利用其他多源數(shù)據(jù)(如氣象、地形數(shù)據(jù)和植被信息等)協(xié)同反演且利用多元線性回歸即能得到較高精度的反演結果等優(yōu)點，隨著我國高分辨率對地觀測計劃(高分-2號影像的空間分辨率為0.8 m)和國內外一些商業(yè)高分辨率遙感衛(wèi)星數(shù)據(jù)(高景一號分辨率為0.5 m、WorldView-3的為0.3 m)的廣泛獲取，F(xiàn)OTO紋理指數(shù)對提高生物量的估算精度和效率具有十分重要的意義。

陳爾學，李增元，龐 勇，等．2007．基于極化合成孔徑雷達干涉測量的平均樹高提取技術．林業(yè)科學，43(4)： 66-70.

(Chen E X, Li Z Y, Pang Y,etal. 2007. Polarimetric SAR interferometry based mean tree height extraction technique. Scientia Silvae Sinicae, 43(4): 66-70. [in Chinese])

郭慶華，劉 瑾，陶勝利，等．2014．激光雷達在森林生態(tài)系統(tǒng)監(jiān)測模擬中的應用現(xiàn)狀與展望．科學通報，59(6): 459-478.

(Guo Q H, Liu J, Tao S L,etal. 2014. Perspectives and prospects of LiDAR in forest ecosystem monitoring and modeling. Chinese Science Bulletin, 59(6): 459-478. [in Chinese])

李德仁，王長委，胡月明，等．2012．遙感技術估算森林生物量的研究進展．武漢大學學報： 信息科學版，37(6): 631-635.

(Li D R, Wang C W, Hu Y M,etal. 2012. General review on remote sensing-based biomass estimation. Geomatics and Information Science of Wuhan University, 37(6): 631-635. [in Chinese])

李文梅，陳爾學，李增元，等．2014．森林地上生物量的極化干涉SAR相干層析估測方法．林業(yè)科學，50(2):70-77．

(Li W M, Chen E X, Li Z Y,etal. 2014. Forest aboveground biomass estimation using polarimetric interferometry SAR coherence tomography. Scientia Silvae Sinicae, 50(2):70-77. [in Chinese])

林清泉．2009．計量經(jīng)濟學.2版．北京： 中國人民大學出版社，170-190.

(Lin Q Q. 2009. Econometrics. 2nd ed. Beijing： China Renmin University Press, 170-190. [in Chinese])

劉麗娟，龐 勇，范文義，等．2013．機載 LiDAR 和高光譜融合實現(xiàn)溫帶天然林樹種識別．遙感學報，17(3): 679-695．

(Liu L J, Pang Y, Fan W Y,etal. 2013. Fused airborne LiDAR and hyperspectral data for tree species identification in a natural temperate forest. Journal of Remote Sensing, 17(3): 679-695. [in Chinese])

龐 勇，李增元，陳爾學，等．2005．激光雷達技術及其在林業(yè)上的應用．林業(yè)科學，41(3): 129-136．

(Pang Y, Li Z Y, Chen E X,etal. 2005. LiDAR remote sensing technology and its application in forestry. Scientia Silvae Sinicae, 41(3): 129-136. [in Chinese])

龐 勇，李增元．2012．基于機載激光雷達的小興安嶺溫帶森林組分生物量反演．植物生態(tài)學報，36(10): 1095-1105．

(Pang Y, Li Z Y. 2012. Inversion of biomass components of the temperate forest using airborne LiDAR technology in Xiaoxing’an Mountains, Northeastern of China. Chinese Journal of Plant Ecology, 36(10): 1095-1105. [in Chinese])

徐新良，曹明奎．2006．森林生物量遙感估算與應用分析．地球信息科學，8(4)： 122-128．

(Xu X L, Cao M K. 2006. An analysis of the applications of remote sensing method to the forest biomass estimation. Geo-information Science, 8(4): 122-128. [in Chinese])

Barbier N, Couteron P, Proisy C,etal. 2010. The variation of apparent crown size and canopy heterogeneity across lowland Amazonian forests. Global Ecology and Biogeography, 19(1): 72-84.

Couteron P. 2002. Quantifying change in patterned semi-arid vegetation by Fourier analysis of digitized aerial photographs. International Journal of Remote Sensing, 23(17): 3407-3425.

Couteron P, Pelissier R, Nicolini E A,etal. 2005. Predicting tropical forest stand structure parameters from Fourier transform of very high resolution remotely sensed canopy images. Journal of Applied Ecology, 42(6): 1121-1128.

Couteron P, Barbier N, Gautier D. 2006. Textural ordination based on Fourier spectral decomposition: a method to analyze and compare landscape patterns. Landscape Ecology, 21(4): 555-567.

Eckert S. 2012. Improved forest biomass and carbon estimations using texture measures from WorldView-2 satellite data. Remote Sensing, 4(4): 810-829.

Efron B, Gong G. 1983. A leisurely look at the bootstrap, the jackknife, and cross-validation. The American Statistician, 37(1): 36-48.

Houghton R A. 2005. Aboveground forest biomass and the global carbon balance. Global Change Biology, 11(6): 945-958.

Lu D, Batistella M. 2005. Exploring TM image texture and its relationships with biomass estimation in Rondnia, Brazilian Amazon. Acta Amazonica, 35(2): 249-257.

Meng S, Pang Y, Zhang Z,etal. 2016. Mapping aboveground biomass using texture indices from aerial photos in a temperate forest of northeastern China. Remote Sensing, 8(3): 230.

Picard R R, Cook R D. 1984. Cross-validation of regression models. Journal of the American Statistical Association, 79(387):575-583.

Ploton P, Pélissier R, Barbier N,etal. 2013. Canopy texture analysis for large-scale assessments of tropical forest stand structure and biomass. Springer New York, 237-245.

Ploton P, Pélissier R, Proisy C,etal. 2012. Assessing aboveground tropical forest biomass using google earth canopy images. Ecological Applications, 22(3): 993-1003.

Proisy C, Couteron P, Fromard F. 2007a. Predicting and mapping mangrove biomass from canopy grain analysis using Fourier-based textural ordination of IKONOS images. Remote Sensing of Environment, 109(3): 379-392.

Proisy C, Couteron P, Pélissier R,etal. 2007b. Monitoring canopy grain of tropical forest using Fourier-based textural ordination of veryhigh resolution images. IEEE Geoscience and Remote Sensing Symposium, 4324-4326.

Proisy C, Barbier N, Guéroult M,etal. 2011. Biomass prediction in tropical forests: the canopy grain approach. Remote Sensing of Biomass: Principles and Applications, 1-18.

Sarker M, Rahman L. 2011. Estimation of forest biomass using remote sensing. Doctor of Philosophy thesis, Hong Kong Polytechnic University.

Singh M. 2012. Forest structure and biomass in a mixed forest-oil palm landscape in Borneo. Master of Philosophy (MPhil), University of Oxford.

(責任編輯 石紅青)

Temperate Forest Aboveground Biomass Estimation Using Fourier-Based Textural Ordination (FOTO) Indices from High Resolution Aerial Optical Image

Pang Yong1Meng Shili1, 2Li Zengyuan1

(1.InstituteofForestResourceInformationTechniques,CAFBeijing100091；2.CollegeofInformationScienceandTechnology,BeijingNormalUniversityBeijing100875)

【Objective】 The periodical information of forest areas in the high spatial resolution remote sensing image contains the structural and spatial distribution of forest canopy grains.We used the Fourier-based textural ordination (FOTO) indices for estimating forest aboveground biomass (AGB). This research explored FOTO textural indices as a potential technique to estimate forest AGB of temperate forest.【Method】 The study area is located in the Liangshui Natural Reserve (47°11′N, 128°53′E), northeast of China. Based on the high spatial resolution airborne CCD data (0.5 m spatial resolution) acquired in September 2009, we derived the FOTO indices from CCD data and established the AGB regression model with multiple stepwise regression. The airborne LiDAR-derived AGB map was used as reference value. We compared the model performances of FOTO indices derived from three spectral reflection bands of CCD data with those from the average spectral reflection band of the CCD data. The window sizes for FOTO method were set as 60 m×60 m, 80 m×80 m, 100 m×100 m, 120 m×120 m and 150 m×150 m. Then the FOTO indices derived from different size windows were used as independent variables to build regression model with LiDAR-derived biomass. Ten-fold validation was performed to verify the generalization capability of the estimation model.【Result】 The results showed that texture indices derived from FOTO method had a high correlation with forest AGB. The determination coefficientR2between the FOTO indices (9 FOTO indices from three spectral reflection bands) and LiDAR derived AGB were all above 0.67 for five windows sizes. The estimation accuracies were 67.3%, 73.4%, 74.4%, 78.3% and 80.9% for window size 60 m×60 m, 80 m×80 m, 100 m×100 m, 120 m×120 m and 150 m×150 m, respectively. The determination coefficientR2between the FOTO indices (3 FOTO indices from the average band) and LiDAR derived AGB were all above 0.57 for five windows sizes. The estimation accuracies were 58.2%, 62.1%, 64.3%, 67.4% and 70.9% for five windows sizes, respectively. We produced a wall-to-wall forest AGB map with the accuracy of 74.41% and the RMSE of 50.55 t·hm-2.【Conclusion】 This study results indicated that texture indices derived from FOTO method have great potential in estimating forest AGB without significant saturation phenomenon in temperate forests. FOTO indices have great potential for estimating AGB of temperate forests. The forest biomass derived from FOTO indices with the multiple stepwise regression showed a good relationship with the LiDAR-derived AGB, withR2=0.81, RMSE=46.78 t·hm-2.

temperate forest; high spatial resolution data; forest AGB; FOTO; texture indices

10.11707/j.1001-7488.20170311

2016-01-20；

2016-08-01。

中國林業(yè)科學研究院中央級公益性科研院所基本科研業(yè)務費專項資金項目(CAFYBB2016ZD004)； 國家高技術研究發(fā)展計劃(863計劃)(2012AA12A306)。

S757

A

1001-7488(2017)03-0094-11