遙感技術在竹林監測中的應用研究進展

黃蘭鷹 官鳳英

(國際竹藤中心 國家林業和草原局竹藤科學與技術重點實驗室 北京 100102)

竹子是木質莖的禾本科植物，廣泛分布在46°N到47°S的熱帶和亞熱帶地區[1]，覆蓋面積約3 200萬hm2，約占世界森林總面積的1%[2-3]，竹林分布的最大區域是亞洲東部和東南部[4]，大約15%的竹林集中分布于中國[1]。中國第8次森林資源清查結果顯示，我國竹林面積已達601萬hm2，其中毛竹面積占70%。竹林具有生長快速、生物量高的特性，尤其是毛竹具有較高的固碳能力，使得竹林在森林生態系統碳循環中具有重要地位，其巨大的碳儲量在全球碳平衡中發揮著重要的作用，可以為區域的生態、環境以及全球碳循環提供關鍵數據。竹子的生長模式與樹木有明顯的不同，其新稈的形成可通過水平根莖系統得到補充[5]，在生長期間，大多數竹種的生長速率可達7.5～100.0 cm/d[6]，約2～4個月達到高生長最大值。

為準確掌握竹林資源的變化動態，傳統的資源調查方式因耗時、費力已無法滿足現代竹林經營管理的需要，遙感技術(包括光學遙感技術和主動遙感技術)具有實時、動態、周期短、大面積同步觀測、信息豐富、自動化和成本低等特點，已廣泛應用于森林資源監測、地質和環境的調查和研究中[7]。Nishikawa等[8]利用多時相的航空像片研究了日本福岡地區竹林的擴鞭特點，認為竹林的擴張導致了闊葉林的減少。Xu等[9]利用Landsat TM影像估計了毛竹地上碳儲量，并比較了不同擬合方法的精度。國內許多學者也利用美國陸地衛星進行了竹林信息提取的研究，杜華強等[10]利用Landsat 5-TM數據，結合野外調查數據，采用不同的分類方法提取了浙江省安吉縣毛竹林信息并達到較高的精度。施擁軍等[11]采用BP神經網絡法從ETM+遙感影像中提取竹林信息，其結果精度較高。在主動遙感技術方面，Cao[12]等利用機載激光雷達研究了竹林冠層結構，估計了竹林生物量。Yan[13]等利用地基激光雷達對竹闊混交林中的競爭進行了研究。本文重點概述了遙感技術在竹林資源監測和竹林相關參數提取方面的研究現狀，并對其在竹林中的應用前景進行展望，旨在為遙感技術在竹林資源管理方面的深度應用提供參考。

1 竹資源監測研究現狀

竹資源監測主要是了解竹林資源的分布和動態變化，通過不同時期的遙感數據可獲得同一區域竹林資源的動態變化信息，包括竹林面積的增減、竹林用地性質的變化等。Dure[14]等利用1962年和1998年的航空相片對比分析了日本西南部竹林面積的變化，發現在過去的36年中，研究區域內的竹林面積幾乎增加了2倍。Somyot[15]利用1991年Landsat TM數據，通過目視解譯估測了泰國北部和西部的竹資源產量。通過利用LISS多光譜遙感影像和地理信息系統，Nair等[16]估算了印度喀拉拉邦的竹資源分布；Goswami等[17]提取了印度東北地區的竹林信息；Menon[18]研究了印度Wayanad地區竹資源分布，并綜合評價了竹林的分布格局。任國業[19-20]通過彩紅外遙感技術結合FUZZY聚類分析方法研究了四川省平武縣摩天嶺山系大熊貓主食竹的分布以及竹資源信息的判讀技術。丁麗霞等[21]利用1985年、1991年和2003年3個時期天目山國家級自然保護區的TM和SPOT遙感影像，通過目視解譯法得到了該地區3個時期竹林的空間分布和面積信息。為研究福建北部山區20年來竹林分布及變化狀況，范少輝等[22]等利用RS和地理信息系統技術，結合地形圖、DEM、森林資源分布圖和地面調查等資料，對1988、1992、2007年的TM影像和2001年的ETM+遙感影像進行分析，研究表明，近20年來順昌縣的竹林增長迅速，面積擴大了1.59倍。官鳳英等[23]基于福建省順昌縣的TM多光譜遙感影像數據，采用最大似然法、子像元分類法和非監督分類法對該區域典型地物提取進行研究和精度評價，結果表明，子像元分類方法是提取竹林信息的有效方法。崔瑞蕊等[24]基于浙江安吉縣不同時期的Landsat-5影像數據，采用最大似然法提取該地區竹林信息，監測安吉縣近30年來毛竹林面的積時空動態，并利用變化幅度和動態度2個指標評價動態變化，研究表明安吉縣毛竹林總面積逐年增加。Zhao等[25]利用2016年的Landsat影像數據繪制了埃塞俄比亞、肯尼亞和烏干達的竹子分布圖，生產者精度和用戶精度分別達到79.2%和84.0%。

在高分辨數據的應用方面，孫曉艷等[26]基于浙江省安吉縣的SPOT 5遙感影像數據，采用面向對象的多尺度分割方法，研究了毛竹林信息提取技術，研究表明，增加紋理信息的多尺度分割方法效果最好，分類總精度、Kappa系數分別為92.16%和88.14%。在對混合像元解混上，徐小軍等[27]基于林區TM影像數據，采用Erf-BP算法對混合像元分解，分解精度達到89.2%，為碳儲量等竹林參數的提取提供了精度保證。范渭亮等[28]研究認為，基于模擬端元的混合像元解混結果比基于影像端元和參考端元更加準確，且具有良好的魯棒性?？婝惥闧29]基于Hyperion EO高光譜遙感影像數據和TM遙感影像數據，在最佳波段組合的基礎上，采用支持向量機分類的方法提取了毛竹林信息，該方法提高了毛竹林的分類精度。

遙感技術在竹林資源監測方面的應用已經逐步趨于成熟，但是提取的精度還需要進一步提高，應集成利用互聯網+和“3S”技術以及相關技術手段，建立完善的竹林資源監測體系，提高數據資源的利用率和實現數據的實時更新。

2 遙感技術在竹林相關參數提取中的應用

2.1 提取竹林葉面積指數

葉面積指數(LAI)是指單位地表面積上方植物單面葉面積之和。作為表征植被生長狀況的關鍵物理量，葉面積指數是分析植被冠層結構最常用的參數之一，也是描述植物光合作用和物質能量交換不可缺少的參數。葉面積指數的準確提取不僅有助于理解植被的整個生態過程，而且也是許多生態模型的輸入參數。當前對竹林葉面積指數的提取多是光學遙感數據，反演的主要理論依據是基于冠層間隙率，結合比爾定律和Miller原理進行。陸國富[30]利用便捷式野外光譜測量儀(ASD)獲取了5組毛竹林光譜數據，通過對冠層參數的研究建立了葉綠素、葉面積指數和郁閉度等參數的定量反演模型。Zhang等[31]基于IRS P6 LISS 3影像數據比較了竹林葉面積指數的估算方法，認為SR、MSR、NDVI 3種估算方法的精度依次降低。Mao等[32]等分析了2種數據同化法對于提高竹林葉面積指數時間序列數據質量的作用，結果顯示使用雙集合卡爾曼濾波器(DEnKF)和粒子濾波器(PF)2種方法都能減少毛竹和雷竹MODIS葉面積指數產品的浮動，且粒子濾波器算法比雙集合卡爾曼濾波器的精度高，因此粒子濾波器算法能有效地提高MODIS葉面積產品精度，為竹林碳循環的大規模模擬提供了可靠的關鍵參數。Du等[33]使用一種受限的線性光譜解混方法，從Landsat TM數據提取了毛竹林葉面積指數和郁閉度，結果表明預測的郁閉度與觀測的郁閉度具有良好的一致性(R2=0.725)，葉面積指數與陰影背景有最高的相關系數，并且可以通過指數模型擬合(R2=0.497)。但當葉面積指數大于3時[34]，光譜反射與冠層結構指標的關系傾向于非線性關系且飽和，導致LAI的低估。

激光雷達作為一種主動遙感技術，可以對樹冠表面進行非破壞性測量調查，不僅可以獲取植被冠層的水平分布信息，還能夠獲取被動光學遙感技術無法獲得的植被冠層的三維結構信息，因此在獲取葉面積指數上具有很大的優勢。目前利用激光雷達數據對竹林LAI的反演，主要是基于機載激光雷達回波強度信息來估測葉面積指數[35]，以及通過對地基激光雷達點云數據“體元化”求取間隙率，進而計算得到葉面積指數。Cao等[12]等利用機載激光雷達數據研究了竹林冠層垂直分布的特性以及毛竹林中生物量的大小和分布。

2.2 提取竹林生物量和碳儲量

竹林生物量是指竹林在一定時間內積累的有機質總量，在生物量基礎上乘以碳轉化系數便得到竹林的碳儲量。許多研究表明，植物體生物量中的碳含量變化不大，多數國家和學者估測竹林碳儲量的做法是假設竹林植物體中碳含量不變，并選擇0.5作為竹林植物體生物量中的碳比例。竹林生物量是竹林生態系統維持能量交換和養分循環的基礎，對于竹林生態系統、森林生態系統和陸地生態系統的功能評價具有重要的指標性意義。

由于利用傳統的地面實測法和依賴森林資源清查數據的間接法調查森林生物量耗費人力、物力、財力，難以估算大尺度森林生物量并研究其空間分布和動態變化，同時在現場樣地調查時，還存在儀器誤差、樣地分布代表性不足等問題，使得生物量及其碳儲量的估算精度降低。近年來，隨著遙感技術的發展，出現了利用遙感手段估算生物量的新方法。遙感以電磁信息快速記錄環境因子、植被分布與活動以及土地利用等動態變化，使其在估算大規模森林碳儲量方面具有獨特的優勢。通過提取的植被指數、葉面積指數等遙感變量與現場樣地調查的生物量數據來構建生物量模型，通過反演模型來估計竹林生物量，不僅為估算大規模區域碳儲量提供有效的技術支持，而且為管理部門決策提供了依據，更加有利于精準林業政策的實施。Nair等[16]通過使用印度遙感衛星影像及1∶15000的航空相片對喀拉拉邦的竹林生物量進行了估計。唐嬌萍[36]等采用地理信息系統軟件建立多元線性回歸遙感模型，研究了四川省洪雅縣退耕還林區域竹林碳儲量的時空格局。崔瑞蕊[24]基于Landsat-5 TM影像數據，估算了近30年來浙江省安吉縣毛竹林地上各時期的碳儲量并研究了其時空格局，發現毛竹林地上部分的碳儲量逐年增加。Du等[37]基于Landsat TM影像數據，通過采用非線性偏最小二乘回歸法并結合留一法和交叉驗證構建模型來估計毛竹林碳儲量，研究表明優化的非線性偏最小二乘回歸模型可以顯著提高毛竹林碳儲量的估算精度。Xu等[38]基于Landsat TM影像數據和實地調查調查數據，評估了采用線性回歸、偏最小二乘回歸和人工神經網絡反向傳播3種方法提取浙江省安吉縣毛竹林地上碳儲量的精度，發現人工神經網絡反向傳播模型提供了最佳預測性能，線性回歸模型表現最差。Francesco等[39]基于遙感影像評估了阿拉山2005―2011年毛竹生產力的變化及其與野火的關系，結果表明竹子的生產力與野火蔓延之間存在明顯的相互關系，可能產生潛在的社會經濟和環境影響。有研究表明[31,33]，在生物量高于100 Mg/hm2時，光譜反射與冠層結構指標或者生物量的關系傾向于非線性關系且會飽和。

自20世紀90年代以來，激光雷達技術也開始用于研究生物量。利用機載激光雷達數據提取生物量的研究主要集中于2個方面：一是基于低密度點云數據的空間分布來估算生物量；二是根據高密度點云基礎上的單木分割計算單木生物量[35]。在利用地基激光雷達點云數據方面，先進行3D重建，然后采用標準幾何模型估算其材積，進而轉化得到生物量[40]。同時激光雷達獲取的小樣地生物量數據可以作為大尺度生物量反演的地面驗證數據，有效減少了地面調查時間，且提高了大尺度反演的精度。

3 展望

隨著遙感數據采集技術的不斷發展，遙感數據源也正朝著更加多元化的方向發展，遙感技術的應用會更加快速、高效和準確。目前，應用遙感技術在竹林資源監測和相關參數提取方面已經取得眾多成果，但隨著應用需求的變化，利用高分辨率遙感數據和以激光雷達為平臺，為精準林業、智慧林業提供便捷的數據已展現出巨大優勢和發展前景。如何充分利用深度學習和人工智能科技將光學遙感數據與激光雷達數據結合起來，實現海量數據的自動分類、檢測和分析，提高森林資源監測和相關參數準確提取的能力，將是今后需要持續研究的重點。