基于Landsat8的霍山縣森林蓄積量反演估算

厲香蘊 孔 麗

（1．安徽省基礎測繪信息中心，安徽 合肥 230031；2．安徽省智慧城市與地理國情監測重點實驗室，安徽 合肥 230031）

森林蓄積量的消長動態不僅是林業經濟效益的重要標志，也是林業資源調查的重要內容之一。傳統的森林蓄積量估測方法是對標準地進行調查，以標準木平均胸徑、樹高進行估測，人為影響較大[1]。近年來，隨著高空間分辨率遙感技術的發展，GIS和GPS技術在森林資源調查和管理中應用的不斷深入和普及，借助GIS、GPS、RS及其集成技術與少量地面樣地資料，建立森林蓄積量遙感估測方程，已成為林業上的熱點問題[2]。

本研究以安徽省霍山縣為例，利用2017年森林資源二類調查成果和數字高程模型數據為主要數據源，結合Landsat8 OLI遙感影像，采用多元逐步回歸的方法構建霍山縣森林蓄積量的反演估算模型，估算研究區的森林蓄積量，為大范圍監測森林資源提供一種可靠的方法。

1 數據獲取與處理

1.1 Landsat8 OLI影像預處理

利用ENVI軟件對所獲取的Landsat8 OLI影像進行包括定標、大氣校正、幾何精校正等預處理。由于霍山縣境內多山，地形起伏較大，因此在使用之前仍需要對影像進行正射校正。經過上述預處理之后得到覆蓋霍山縣的Landsat8 OLI遙感影像。

1.2 樣地數據及參考數據的獲取和處理

本研究采用霍山縣2017年森林資源二類調查數據為主要參考數據，共獲取120組樣本數據，并以此數據為基礎進行森林蓄積量的反演估測建模和精度驗證，基于SPSS軟件隨機選擇100組數據作為樣本構建森林蓄積量的反演模型，其余數據作為驗證數據。

2 研究方法

依據遙感技術手段對森林蓄積量的估算通常選擇遙感影像的原始波段反射率、基于原始光譜波段計算得到的波段比和植被指數等。現有的研究證明，隨著紋理特征的引入，相關模型的反演精度可以得到有效地提升[3]。因此，本研究引入紋理特征，分別從OLI影像中提取采樣點7個波段的光譜、紋理特征、植被指數及波段比等遙感因子，從數字高程模型數據提取高程、坡度、坡向等地形因子，建立多元逐步回歸模型，對森林蓄積量進行反演估算。

2.1 反演模型參數的選取

本研究選用的Landsat8 OLI影像含有9個多光譜波段，選取其中的Band1～Band 7，共7個多光譜波段的反射率作為模型參數之一。依據多光譜波段計算得到各個波段比和多個植被指數（比值植被指數、改進型土壤調節植被指數、增強植被指數、歸一化植被指數、土壤調節植被指數、優化土壤植被指數、大氣阻抗植被指數）作為光譜衍生特征進入模型構建。

本研究選擇基于灰度共生矩陣GLCM（Gray Level Cooccurrence Matrix）算法提取遙感影像的8個典型紋理特征：均值、同質性、方差、對比度、二階矩、熵、相關性和差異性[4]。紋理特征提取基于ENVI 5.3軟件完成。

除此之外，根據研究區的數字高程模型數據提取相應的高程、坡度和坡向等地形因子。綜上，本研究對霍山縣森林蓄積量反演估測選取的模型參數共有3類，分別是光譜特征及衍生特征、紋理特征及地形特征。

2.2 多元逐步回歸分析

回歸分析在諸多研究領域都有廣泛的應用，這種分析方法可以用來分析若干可能相關對象之間的變化規律[5]。影響森林蓄積量的因素不是唯一的，在構建反演模型的多特征中可能有多個參數都會對森林蓄積量有影響。

本研究依據光譜特征及衍生特征、紋理特征和地形特征三類不同的參數對霍山縣的森林蓄積量進行估算。在SPSS中以從2017年森林資源二類調查數據中獲取的樣地森林蓄積量作為因變量，以三種不同類型的特征參數作為自變量進行多重相關性分，分析前已完成對備選參數與森林蓄積量的顯著相關性分析，選擇與蓄積量顯著相關的自變量，采用多元逐步回歸分析的方法構建霍山縣森林蓄積量的反演模型。

3 結果與分析

經過逐步回歸，得到霍山縣的森林蓄積量估算反演方程為：Y=8.299- Slope*0.035- EVI *6.435+ Band3/2*6.844+Band6/2*1.059- B9_WL *1.225，其中，Y為蓄積量，Slope為坡度，EVI為增強植被指數，Band3/2和Band6/2為波段比，B9_WL為波段2的均值。按照反演方程得到霍山縣森林蓄積量估算分布如圖1所示。

依據建模前預留的驗證數據對該反演模型進行精度驗證，驗證結果顯示相對誤差為0.728 9，RMSE 為1.591 2，依據該模型計算得到霍山縣有林地總蓄積量為6 474 709 m3。

圖1 霍山縣森林蓄積量估算分布圖

4 結語

本研究利用遙感技術，以Landsat8 OLI為遙感數據源，以森林資源二類調查數據和數字高程模型為主要的輔助數據，對安徽省霍山縣的森林蓄積量進行反演研究，結論及討論如下。

（1）利用Landsat8 OLI影像灰度值、影像灰度值線性組合的衍生特征、基于GLCM的典型紋理特征等遙感因子，以及高程、坡度、坡向等GIS因子，構建了遙感因子和GIS因子與森林蓄積量之間的多元回歸模型，精度驗證結果理想，達到了較好的預測效果。

（2）通過影像屬性值累加計算，獲得霍山縣的森林蓄積量，估測得到的霍山縣森林蓄積量為6 474 709 m3。

（3）本研究在構建反演模型的過程中僅考慮了線性回歸，并未涉及非線性模型，在以后的研究中需要進一步探討。