結合影像紋理、光譜與地形特征的森林結構參數反演

謝士琴 趙天忠 王 威 孟京輝 史京京

(1.北京林業大學信息學院， 北京 100083； 2.國家林業局調查規劃設計院， 北京 100714；3.北京林業大學林學院， 北京 100083)

結合影像紋理、光譜與地形特征的森林結構參數反演

謝士琴1趙天忠1王 威2孟京輝3史京京2

(1.北京林業大學信息學院， 北京 100083； 2.國家林業局調查規劃設計院， 北京 100714；3.北京林業大學林學院， 北京 100083)

森林結構； 紋理特征； 光譜特征； 地形因子； 模型估測

引言

森林是陸地生態系統中最大的碳庫，為我們提供生態服務的同時也帶來了巨大的經濟效益。大尺度森林結構參數的快速、準確估算是制定森林可持續經營措施的重要基礎[1]。森林結構參數，如林分平均胸徑、蓄積量、斷面積、樹高、林木數量和樹種多樣性等，在一定程度上為森林經營，特別是人工林經營提供了決策依據[2-3]，在森林資源管理規劃中的應用潛力巨大。上述森林結構參數的獲取，存在勞動強度大、人財物力耗費高、調查周期長等缺點，傳統的樣地調查方法，并不能及時準確地反映大尺度森林結構多樣性的狀態及動態變化。遙感技術由于具有監測范圍廣、數據采集快速和節約成本等優點，現已被大量應用于森林組成及結構參數的提取。利用高分辨率遙感數據紋理、光譜信息與林分因子間較強的相關性估算森林結構參數，一直是國內外研究的熱點，這些研究主要集中在以下方面：①不同森林結構參數反演，應用較為廣泛的包括林分株數、樹高、斷面積、蓄積量、生物量、樹種多樣性指數、角尺度和混交度等[4-10]。②不同遙感因子，主要包括遙感數據的紋理信息、光譜信息和衍生植被指數等[11-12]。③不同模型方法，目前主要包括多元線性回歸模型[13]和人工神經網絡模型[14]。國際上基于遙感影像紋理、光譜特征因子估測的森林結構參數模型已有很多，但國內大部分模型選擇預測的森林結構參數較為單一，主要以蓄積量、生物量為主，利用遙感影像紋理光譜特征對多個森林結構參數同時進行預測的研究較少，且大部分研究未考慮地形起伏、樹冠陰影以及林分結構異質性問題的影響，導致模型在大尺度的拓展上適用性不強等。

圖1 研究區和樣地點位置圖Fig.1 Overview and zoomed map of study area and sample plots

本文利用研究區的SPOT5遙感影像紋理、光譜特征及對森林結構有影響的海拔高度、坡度、坡向、坡位等地形特征，以森林資源清查數據為數據源，采用多元逐步回歸分析法，構建以SPOT5遙感影像紋理、光譜特征及地形因子為自變量，多個森林結構參數(林分平均直徑、斷面積、蓄積量和樹種多樣性指數)為因變量的估測模型，比較基于影像紋理、紋理光譜、紋理光譜地形特征3種不同模型因子反演多個森林結構參數模型的效果，篩選最優森林結構參數反演模型，探討利用高分辨率遙感影像紋理、光譜特征和地形信息估測多個森林結構參數的方法，為森林資源調查提供新的途徑。

1 研究區與實驗數據

1.1 研究區概況

研究區位于黑龍江省東南部(圖1)，影像主要覆蓋牡丹江市及其周圍的部分縣市。牡丹江市位于黑龍江省與吉林省交界地區，總面積4.06×104km2，屬溫帶大陸季風氣候，年平均降水量579.7 mm，年平均氣溫6.1℃，地形以山地、丘陵為主，呈現出中山、低山、丘陵、河谷盆地4種地質形態，海拔高度在86～1 700 m之間。牡丹江市素有“林海”之稱，林業用地3.25×106hm2，其中森林面積2.62×106hm2，活立木蓄積量達2.3億m3，分別占全省和全國蓄積量的13.9%和2%，森林覆蓋率達62.3%，森林類型及其組成成分多樣，樹種十分豐富，有25科百余種，主要樹種有77種，包括紅松、落葉松、樟子松、云杉、冷杉、水曲柳等。

1.2 遙感數據和樣地數據

本研究使用的遙感數據為SPOT5遙感影像，包括全色和多光譜數據。全色數據分辨率2.5 m，多光譜數據分辨率10 m；多光譜數據波段組成分別為近紅外波段(0.78～0.89 μm)、紅波段(0.61～0.68 μm)、綠波段(0.50～0.59 μm)、短波紅外波段(1.58～1.75 μm)。本研究所用覆蓋黑龍江省的遙感影像共5景，獲取時間均為2010年9月。SPOT5遙感影像的預處理包括：先經過輻射定標和FLAASH大氣校正將SPOT5影像DN值轉為地表真實反射率值后，再以1∶10 000比例尺的研究區地形圖為基準，對影像數據進行幾何精校正，校正模型采用三次多項式，重采樣采用最鄰近插值方法，校正后的影像都統一到高斯-克里格投影，5幅影像校正誤差都控制在0.5個像元以內，確保經校正后的像元位置誤差均處于亞像元水平。

本研究采用第八次全國森林資源清查的黑龍江省樣地數據，選取5景遙感影像覆蓋的84個有林地樣地點。根據這84個有林地樣地的森林資源清查數據獲得森林的林分變量信息。此外，根據研究區的數字高程模型(DEM)提取了84個樣地點的海拔、坡度、坡向、坡位等地形信息，結合SPOT5遙感影像提取的紋理、光譜信息，進行森林結構參數反演模型估測。研究中考慮到矢量樣地的邊界無法與SPOT5遙感影像及DEM像元間的邊界完全重合，在提取樣地點的紋理、光譜以及地形信息時，使所有和樣地邊界相交的像元都參與運算，雖然會造成樣地對應影像范圍內像元的增加，但這種增加對每個樣地都是一致的，對模型的擬合試驗不會構成大的影響。

2 研究方法

2.1 森林結構參數選擇

研究選取了6個森林結構參數，包括3個傳統的林分參數(林分平均直徑、斷面積、蓄積量)和3個樹種多樣性指數，森林結構參數分類及其描述如表1所示。

(1)林分參數：通過森林資源清查數據的樣地信息獲得各個樣地點的林分變量值(林分平均直徑、林分斷面積、林分蓄積量)，這些林分變量反映了森林結構的基本信息，為森林經營管理決策提供理論基礎。

(2)樹種多樣性指數：和一般的林分變量相比，樹種多樣性反映了森林結構更多的細節信息，揭示了森林客觀存在的樹種和結構的多樣性[15-16]。本研究采用Shannon-Wiener指數、Pielou均勻度指數和Simpson’s指數3種多樣性指數[17-19]來反映研究區林分的樹種多樣性。

表1 森林結構參數分類及其描述

2.2 SPOT5影像信息提取

研究提取的遙感影像信息包括影像紋理特征、各波段光譜值和光譜組合值以及4個地形因子，因子分類及其描述如表2所示。

(1)影像紋理特征：影像紋理特征反映了地表的粗糙程度，同時揭示了圖像中地物的結構信息及其與周圍環境的關系，是遙感影像的重要特征[20]。有關研究表明，遙感影像全色波段的紋理特征在森林組成和結構分析中取得了較好的試驗結果[21-22]。本研究采用灰度共生矩陣法提取了SPOT5影像全色波段8種最為常用的紋理特征(表2)，同時在固定紋理步長為1、方向為135°的前提下，分別采用3×3、5×5、7×7、9×9、11×11、13×13等6種窗口進行紋理特征提取，分析不同窗口對森林結構參數反演的影響。

(2)影像光譜波段值及其組合值：利用遙感影像光譜信息提取的植被指數能較好地反映綠色植物的植被類型、生長情況、空間分布狀況[23]。有關研究表明，森林植被指數在森林參數(蓄積量、生物量等)反演中，取得了較高的精度[24-25]。本研究提取了光譜波段值和多波段組合值參與森林結構參數模型估測：各波段光譜值為B1、B2、B3和B4，分別對應近紅外波段、紅波段、綠波段和短波紅外波段4個光譜波段值；在借鑒前人研究的基礎上，本研究光譜組合值選取了能反映植物生長狀態的經纓帽變換產生的亮度指數(Bright)[26]及6個在林業研究中常用的植被指數：歸一化植被指數NDVI[27]、 簡單比值植被指數SR[28]、 紅綠比值指數GR[29]、綠紅比值指數VI[30]、土壤調整植被指數SAVI[31]、全球環境監測指數GEMI[32]，參與模型的構建。

(3)地形特征：地形因子包括海拔高度、坡度、坡向和坡位。

表2 紋理、光譜和地形因子分類及其描述

2.3 模型構建與驗證

3 結果與分析

3.1 基于不同窗口紋理特征的森林結構參數回歸

圖2 不同窗口紋理特征預測模型變化曲線Fig.2 Changing curves of texture feature prediction model in different windows

表3 基于9×9窗口紋理特征的森林結構參數回歸模型結果

這2個預測模型包含2個相同的紋理變量均值和同質性。在引入的所有紋理特征變量中，均值是最常用的獨立變量，參與了所有森林結構參數模型的預測。

3.2 基于紋理和光譜特征的森林結構參數回歸

基于紋理和光譜特征對所有森林結構參數進行多元逐步回歸分析，試驗結果(表4)表明：

(2)在引入的所有光譜因子變量中，紅波段、綠波段和纓帽變換亮度指數是林分因子模型預測使用最多的光譜變量，同時參與了林分因子斷面積、平均直徑和蓄積量3個模型預測；綠波段也是樹種多樣性指數模型預測使用最多的光譜因子，參與了Shannon-Wiener指數和Simpson’s指數模型的預測。

3.3 基于紋理、光譜和地形特征的森林結構參數回歸

基于紋理、光譜和地形特征的森林結構參數進行多元逐步回歸分析，得到試驗結果如表5所示。綜合比較表3～5，3種方法得到的森林結構參數回歸模型顯著性P值均小于0.001，模型在引入不同特征因子時擬合優度都有了明顯提高(圖3，圖中BA、QMD、SV、SHI、SII、PI分別為：斷面積、平均直徑、蓄積量、Shannon-Wiener指數、Pielou均勻度指數、Simpson’s指數)，而同時基于3個特征因子預測的森林結構參數模型擬合效果最優。

表4 基于紋理和光譜特征的森林結構參數回歸模型結果

(2)在引入的所有地形因子變量中，海拔是模型預測使用最多的地形變量，參與了所有森林結構參數模型的預測，坡度和坡位分別參與了3個樹種多樣性指數模型預測；在光譜特征變量中，近紅外波段、紅波段和全球環境監測指數是使用最多的光譜特征變量，參與了大部分森林結構參數模型預測；在紋理特征變量中，均值是模型預測的主要紋理變量，參與了3個樹種多樣性指數模型預測。

3.4 模型精度驗證

本文對基于紋理、光譜和地形特征的森林結構參數模型估測結果進行精度驗證，圖4是利用21個檢驗樣本生成的模擬值與實測值之間的散點圖。研究結果表明：各模型的模擬值和實測值的擬合直線斜率接近1，構建的森林結構參數模型用于實際值預測效果較好。樹種多樣性指數估測中，Shannon-Wiener指數模型估測的均方根誤差最高(RMSE為0.126)，Pielou均勻度指數模型估測的均方根誤差最低(RMSE為0.002)；林分變量估測中，林分蓄積量模型估測的均方根誤差最高(RMSE為11.339 m3/hm2)，林分平均直徑模型估測的均方根誤差最低(RMSE為0.769 cm)。

4 討論

通過研究黑龍江省SPOT5遙感影像紋理、光譜和地形特征對森林結構參數林分平均直徑、斷面積、蓄積量和樹種多樣性指數估測的能力，得出以下結論：

(1)利用SPOT5遙感影像紋理、光譜特征建立的研究區域多個森林結構參數回歸模型，參與擬合的因子與森林結構參數具有較好的線性關系，如林分因子蓄積量多元逐步回歸模型的相關系數為0.884，決定系數為0.763；樹種多樣性指數Shannon-Wiener指數、Simpson’s指數和Pielou均勻度指數的相關系數都大于0.75，決定系數在0.55以上。同時各個回歸模型均通過了顯著性檢驗，回歸方程具有較高的顯著性。說明利用高分辨率遙感影像特征估測森林結構參數具有很好的應用前景，可以為森林資源調查提供參考。

表5 基于紋理、光譜和地形特征的森林結構參數回歸模型結果

圖3 基于不同特征因子的森林結構參數模型對比Fig.3 Comparison of forest structure parameter models based on different characteristic factors

(3)在參與森林結構參數模型估測的所有因子中，地形因子海拔對森林結構參數模型估測影響最大，參與了所有模型的預測，其原因可能為：隨著海拔高度的增加，溫度逐漸下降，森林植被類型也發生了連續變化，從而導致不同海拔高度下的森林結構參數差異明顯，說明海拔因子反映了豐富的森林結構信息，對于預測林分變量十分重要。光譜因子中可見光紅波段對林分參數模型估測影響最為顯著，參與了林分斷面積、平均直徑、蓄積量模型的預測，其原因可能為：紅波段為葉綠素的主要吸收波段，信息量較大，是可見光的最佳波段，可以反映不同植物的健康狀況，在本研究中表現為對不同林分參數估測影響顯著，說明可見光紅波段包含了豐富的森林植被信息。紋理因子中均值對森林結構參數模型的估測也非常重要，參與了3個樹種多樣性指數模型的預測，其原因可能為：紋理均值反映了影像紋理的規則程度，而不同樹種的影像紋理規則差異較大，因此影像紋理均值能較好地反映研究區的樹種多樣性，說明紋理均值包含了豐富的樹種信息，可用于森林樹種多樣性預測。

圖4 模型估測值與樣本實測值比較Fig.4 Comparison of model estimated value and measured value of the sample

本研究探討了基于遙感影像光譜、紋理和地形3種不同特征因子預測森林結構參數最優模型的問題，對使用高分辨率遙感數據反演森林結構參數紋理窗口的選擇、模型特征因子的篩選具有一定的參考價值和指導意義。為了控制模型變量，本次試驗選取了應用較為廣泛的多元逐步回歸模型法，其他模型方法是否可以提高森林結構參數反演精度尚不可知，篩選預測森林結構參數的最佳模型方法將成為下一階段的研究方向。此外森林結構十分復雜，除了傳統林分參數和樹種多樣性以外，林木多樣性以及林木空間分布多樣性也是反映森林結構多樣性的重要指標。基于已獲得的代表森林結構復雜度的定量指標，進一步對林分結構及其生長狀況進行定量分析也將成為后續研究的重點方向。

5 結論

(1)利用SPOT5影像紋理、光譜和地形特征能夠對多個森林結構參數進行較為精確的估測。

(3)聯合SPOT5影像紋理和光譜2個特征建立的森林結構參數回歸模型，比僅用影像紋理特征建立的模型擬合精度要高；聯合SPOT5影像紋理、光譜和地形3個特征建立森林結構參數回歸模型，模型擬合精度再次得到提升，成為最優估測模型。

1 趙明瑤, 劉會云, 張曉麗, 等. 基于林分結構響應的PALSAR森林結構參數估測[J]. 北京林業大學學報, 2015, 37(6): 62-69. ZHAO Mingyao, LIU Huiyun, ZHANG Xiaoli, et al. Estimation of forest structural parameters based on stand structure response and PALSAR data [J]. Journal of Beijing Forestry University, 2015, 37(6): 62-69. (in Chinese)

2 彭舜磊, 王得祥, 趙輝, 等. 我國人工林現狀與近自然經營途徑探討[J]. 西北林學報, 2008, 23(2): 184-188. PENG Shunlei, WANG Dexiang, ZHAO Hui, et al. Discussion the status quality of plantation and near nature forestry management in China[J]. Journal of Northwest Forestry University, 2008, 23(2): 184-188. (in Chinese)

3 林思祖, 黃世國. 論中國南方近自然混交林營造[J]. 世界林業研究, 2001, 14 (2): 73-78. LIN Sizu, HUANG Shiguo. An establishment and management of nature-approximating mixed forests in south China [J]. World Forestry Research, 2001, 14 (2): 73-78. (in Chinese)

4 MORA B, WULDER M A, WHITE J C, et al. Modeling stand height, volume, and biomass from very high spatial resolution satellite imagery and samples of airborne LiDAR[J]. Remote Sensing, 2013, 5(5): 2308-2326.

5 COUTERON P, PELISSIER R, NICOLINI E A, et al. Predicting tropical forest stand structure parameters from fourier transform of very high-resolution remotely sensed canopy images[J]. Journal of Applied Ecology, 2005, 42(6): 1121-1128.

6 WALLNER A, ELATAWNEH A, SCHNEIDER T, et al. Estimation of forest structural information using rapid eye satellite data[J]. Forestry, 2015, 88(1): 96-107.

7 ANDERSON J E, PLOURDE L C, MARTIN M E, et al. Integrating waveform LiDAR with hyperspectral imagery for inventory of a northern temperate forest[J]. Remote Sensing of Enviroment, 2008, 112(4): 1856-1870.

8 CHO M A, SKIDMORE A K, SOBHAN I. Mapping beech (FagussylvaticaL.) forest structure with airborne hyperspectral imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2009, 11(3): 201-211.

9 OZDEMIR I, KARNIELI A. Predicting forest structural parameters using the image texture derived from worldview-2 multispectral imagery in a dryland forest[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(5): 701-710.

10 劉峰, 譚暢, 張貴, 等. 長白落葉松單木參數與生物量機載LiDAR估測[J/OL]. 農業機械學報， 2013, 44(9): 219-242.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130939&flag=1. DOI: 10.6041/j.issn.1000-1298.2013.09.039. LIU Feng, TAN Chang, ZHANG Gui, et al. Estimation of forest parameter and biomass for individual pine trees using airborne LiDAR[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(9): 219-242. (in Chinese)

11 劉俊, 畢華興, 朱沛林, 等. 基于ALOS遙感數據紋理及紋理指數的柞樹蓄積量估測[J/OL]. 農業機械學報, 2014, 45(7): 245-254.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140738&flag=1. DOI：10.6041/j.issn.1000-1298.2014.07.038. LIU Jun, BI Huaxing, ZHU Peilin, et al. Estimating stand volume ofXylosmaracemosumforest based on texture parameters and derivative texture indices of ALOS imagery[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(7): 245-254. (in Chinese)

12 曹慶先, 徐大平, 鞠洪波. 基于TM影像紋理與光譜特征的紅樹林生物量估算[J]. 林業資源管理, 2010(6): 102-108. CAO Qingxian, XU Daping, JU Hongbo. The biomass estimation of mangrove community based on the textural features and spectral information of TM images [J]. Forest Resources Management, 2010(6):102-108. (in Chinese)

13 王佳, 宋珊蕓, 劉霞, 等. 結合影像光譜與地形因子的森林蓄積量估測模型[J/OL]. 農業機械學報， 2014, 45(5): 216-220. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140533&flag=1. DOI：10.6041/j.issn.1000-1298.2014.05.033. WANG Jia, SONG Shanyun, LIU Xia, et al. Forest volume estimation model using spectra and topographic factors of ZY-3 image[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(5): 216-220. (in Chinese)

14 王淑君, 管東生. 神經網絡模型森林生物量遙感估測方法的研究[J]. 生態環境學報, 2007, 16(1): 108-111. WANG Shujun, GUAN Dongsheng. Remote sensing method of forest biomass estimation by artificial neural network models[J]. Ecology and Environment, 2007, 16(1):108-111. (in Chinese)

15 趙中華, 惠剛盈, 胡艷波, 等. 樹種多樣性計算方法的比較[J]. 林業科學, 2012, 48(11): 1-8. ZHAO Zhonghua, HUI Gangying, HU Yanbo, et al. Comparison of tree species diversity calculated[J]. Scientia Silvae Sinicae, 2012, 48(11): 1-8. (in Chinese)

16 姜萍, 葉吉, 王紹先, 等. 長白山南坡森林群落組成、結構以及樹種多樣性的垂直分布[J].北京林業大學學報, 2008, 30(1): 258-262. JIANG Ping, YE Ji, WANG Shaoxian, et al. Vertical distribution of floristic composition, structure and biodiversity of forest communities along an altitudinal gradients on south slope of the Changbai Mountain, northeastern China[J].Journal of Beijing Forestry University, 2008, 30(1): 258-262. (in Chinese)

17 郭忠玲, 馬元丹, 鄭金萍, 等. 長白山落葉闊葉混交林的物種多樣性、種群空間分布格局及種間關聯性研究[J]. 應用生態學報, 2004, 15(11): 2013-2018. GUO Zhongling, MA Yuandan, ZHENG Jinping, et al. Biodiversity of tree species, their populations’ spatial distribution pattern and interspecific association in mixed deciduous broadleaved forest in Changbai Mountains[J].Chinese Journal of Applied Ecology, 2004, 15(11): 2013-2018. (in Chinese)

18 李宗善, 唐建維, 鄭征, 等. 西雙版納熱帶山地雨林群落喬木樹種多樣性研究[J]. 應用生態學報, 2005, 16(7): 1183-1188. LI Zongshan, TANG Jianwei, ZHENG Zheng, et al. Tree species diversity of tropical montane rain forest in Xishuangbanna, Yunnan[J].Chinese Journal of Applied Ecology, 2005, 16(7): 1183-1188. (in Chinese)

19 JINGHUI M, SHIMING L, WEI W, et al. Estimation of forest structural diversity using the spectral and textural information derived from SPOT-5 satellite images[J]. Remote Sensing, 2016,8(2):125-149.

20 李明詩, 譚瑩, 潘潔, 等. 結合光譜、紋理及地形特征的森林生物量建模研究[J]. 遙感信息, 2006(6): 6-9. LI Mingshi, TAN Ying, PAN Jie, et al. Modeling forest aboveground biomass by combining the spectrum, textures with topographic features [J]. Remote Sensing, 2006(6): 6-9. (in Chinese)

21 OTA T, MIZOUE N, YOSHIDA S. Influence of using texture information in remote sensed data on the accuracy of forest type classification at different levels of spatial resolution[J]. Journal of Forest Research, 2011, 16(6): 432-437.

22 FRANKLIN S, HALL R, MOSKAL L, et al. Incorporating texture into classification of forest species composition from airborne multispectral images[J]. International Journal of Remote Sensing, 2000, 21(1): 61-79.

23 陳明華, 柴鵬, 陳文祥, 等. 不同植被指數估算植被覆蓋度的比較研究[J]. 亞熱帶水土保持, 2016, 28(1): 1-4. CHEN Minghua, CHAI Peng, CHEN Wenxiang, et al. Comparative study on the estimation of the vegetation coverage by different vegetation indexes [J]. Subtropical Soil and Water Conservation, 2016, 28(1): 1-4. (in Chinese)

24 王靖, 吳見. 干旱半干旱區森林蓄積量高光譜遙感估測技術[J]. 東北林業大學學報, 2014(1): 65-70. WANG Jing, WU Jian. Forest stock volume estimation by hyper spectral remote sensing in arid and semi-arid area [J]. Journal of Northeast Forestry University, 2014(1): 65-70. (in Chinese)

25 劉占宇，黃敬峰，吳新宏, 等. 草地生物量的高光譜遙感估算模型[J]. 農業工程學報, 2006, 22(2): 111-115. LIU Zhanyu, HUANG Jingfeng, WU Xinhong, et al. Hyperspectral remote sensing estimation models for the grassland biomass [J]. Transactions of the CSAE, 2006, 22(2):111-115. (in Chinese)

26 蔣云姣, 胡曼, 李明陽, 等. 縣域尺度森林地上生物量遙感估測方法研究[J]. 西南林業大學學報, 2015(6): 53-59. JIANG Yunjiao, HU Man, LI Mingyang, et al. Remote sensing based estimation of forest aboveground biomass at county level[J]. Journal of Southwest Forestry University, 2015(6): 53-59. (in Chinese)

27 ROUSE J W, HAAS R, SCHELL J, et al. Monitoring vegetation systems in the great plains with erts[J]. NASA Special Publication, 1974, 351: 309.

28 JORDAN C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4): 663-666.

29 LYON J G, YUAN D, LUNETTA R S, et al. A change detection experiment using vegetation indices[J]. Photogrammetric Engineering and Remote Sensing, 1998, 64(2): 143-150.

30 KANEMASU E. Seasonal canopy reflectance patterns of wheat, sorghum, and soybean[J]. Remote Sensing of Environment, 1974, 3(1): 43-47.

31 HUETE A R. A soil-adjusted vegetation index (SAVI) [J].Remote Sensing of Environment, 1988, 25(3): 295-309.

32 VERSTRAETE M M, PINTY B. Designing optimal spectral indexes for remote sensing applications[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(5): 1254-1265.

33 趙紅平. EViews6軟件的逐步回歸分析模塊在多重共線性教學中的應用[J]. 貴州教育學院學報, 2009, 20(12): 31-34. ZHAO H P. The application of the stepwise regression program of EViews6 in the teaching of multi-collinearity[J]. Journal of Guizhou Education Institute, 2009, 20(12):31-34. (in Chinese)

34 DOUGLAS C M, PECK E A, VINING G G. Introduction to linear regression analysis[M]. 4th ed. New Jersey: Wiley & Sons Publication, 2006: 323-368.

35 向東進. 實用多元統計分析[M]. 北京: 中國地質大學出版社, 2005.

36 黃博, 徐麗華. 基于改進型Minnaert地形校正模型的應用研究[J]. 遙感技術與應用, 2012, 27(2): 183-188. HUANG Bo, XU Lihua. Applied research of topographic correction based on the improved Minnaert model[J]. Remote Sensing Technology and Application, 2012, 27(2): 183-188. (in Chinese)

Forest Structure Parameters Inversion Based on Image Texture and Spectral and Topographic Features

XIE Shiqin1ZHAO Tianzhong1WANG Wei2MENG Jinghui3SHI Jingjing2

(1.CollegeofInformation,BeijingForestryUniversity,Beijing100083,China2.StateForestryAdministrationSurveyPlanningandDesignInstitute,Beijing100714,China3.CollegeofForestry,BeijingForestryUniversity,Beijing100083,China)

forest structure; texture features; spectral features; topographic factors; model estimation

10.6041/j.issn.1000-1298.2017.04.016

2016-12-05

2017-01-24

國家高分辨率對地觀測系統重大專項(21-Y30B05-9001-13/15-4)

謝士琴(1992—)，女，博士生，主要從事林業信息工程研究，E-mail： shiqinxie@126.com

趙天忠(1961—)，男，教授，博士生導師，主要從事林業系統工程研究，E-mail： ztz@bjfu.edu.cn

S758.5; TP79

A

1000-1298(2017)04-0125-10