景谷縣森林蓄積量遙感估測及其動態變化分析

唐文靜，李 瑩，岳彩榮，曹順偉

(云南省林業調查規劃院，云南 昆明 650051)

森林是一種獨特的生態系統，是受環境制約并深刻影響環境的具有自身特征結構和特征功能的有機體系[1]，森林蓄積量是調查森林資源的一個重要因子，是評價森林碳儲存能力的重要指標[2]。森林蓄積量是指一定森林面積上存在著的喬木的樹干材積總和[3]，以數字值的方式反應出森林豐富程度，并且可以用來很好地衡量森林生態系統狀況[4]。森林資源一類、二類調查是較早且較傳統的調查方法，勞動強度大，調查周期長，需要消耗大量的物力、財力，而且在調查中數據基本以紙質記錄，記錄中偶爾會出現錯誤，紙質材料不便保存，對森林具有一定的破壞性，且測量范圍有限，后續需要大量的整理工作，同時存在誤差較大等問題[5]。

計算機技術、遙感技術的發展與數字模型的結合應用給大尺度的森林蓄積量估測提供了一種新的思路和手段。本研究主要基于Landsat5、Landsat8遙感數據，2012年及2017年兩期森林資源連續清查實地測量數據，以線性和非線性為主要數學建模方法，探討光學遙感數據比較，對不同森林蓄積量的估測潛力，對不同方法的結果進行比較分析，進一步為以后森林資源調查提供強有力的依據。結合Landsat5、Landsat8遙感數據，分析并研究光學遙感對森林蓄積量估測的效果，然后分別與當年的森林蓄積量數據比較，對景谷縣森林蓄積量進行動態變化分析。

1 研究區概況

研究區位于云南省西南部景谷傣族彝族自治縣(以下簡稱景谷縣)，行政區劃屬于普洱市，居市境中部，介于北緯22°49′～23°52′，東經100°02′～101°07′。北與鎮沅縣接壤，東與寧洱縣相連，南接思茅區，西與瀾滄、雙江、臨翔3縣(區)隔江相望。景谷縣受西南季風的影響和控制，為南亞熱帶季風氣候。年均溫20.1℃，1月為最冷月，均溫13.0℃，6月為最熱月，均溫24.6℃，年溫差為11.6℃，年最高氣溫38.6℃，極端最低氣溫0.2℃，夏季周期可達164 d，年均無霜期353 d。降雨量充沛，年均降雨量 1 254.0 mm，多雨區最大降雨量達 2 244.8 mm。

根據2015年森林資源規劃設計調查報告，景谷縣土地總面積為 75 2494 hm2，其中：林業用地面積為 638 090.3 hm2，占土地總面積的84.80%；非林地面積為 114 403.7 hm2，占15.20%。景谷縣森林面積為 589 438.2 hm2，森林蓄積量為 57 893 610 m3。

2 數據獲取與研究方法

2.1 數據獲取

2.1.1遙感數據

本研究使用Landsat TM遙感影像，影像數據在“地理空間數據云”網站下載，綜合考慮時相和云量等因素，2012年采用的Landsat5遙感數據成像時間分別為2011年8月、3月、7月，包含3景TM遙感影像，條代號和行編號分別是130/44、131/43和131/44；2017年采用的Landsat8遙感數據成像時間為2017年9月和3月，包含2景TM遙感影像，條代號和行編號分別是130/44和131/44。在Landsat5數據中波段6為熱紅外波段，而且是用于感應發出熱輻射的目標，空間分辨率為120 m，不適合用于本次研究；其余波段1～5和波段7空間分辨率為30 m，均較好地具備了本次研究提取遙感數據的基礎和價值。Landsat8的空間分辨率為30 m，其中一個全色波段的分辨率可達15 m，其搭載的是熱紅外傳感器(Thermal Infrared Sensor，TIRS)和陸地成像儀(Operational Land Imager，OLI)。OLI陸地成像儀包括9個波段，成像寬幅為185 km×185 km。本次研究涉及的條帶號詳見表1。

表1 波段信息

2.1.2實測數據

實測樣地數據采用2012年和2017年兩期全國森林資源連續清查(簡稱“一類調查”)實地調查樣地數據，調查因子主要包括樣地周界測量、樣地位置圖、樣地因子調查(樣地編號、地理坐標、樣地類型、海拔、地貌特征、坡位、坡向、坡度、地表形態、土壤類別、植被類型、地類、權屬等)、每木檢尺記錄、樣木位置示意圖等。

云南省范圍內樣地按6 km×8 km布設邊長28.28 m、面積0.08 km2的正方形，在樣地設置時充分考慮了具有代表性的在空間上分布均勻的樣地，調查方法分為復測樣地和其他樣地確定檢尺類型(可詳見《全國第九次森林資源清查云南省操作細則》)。通過研究區樣地外業調查，可以獲取樹高、郁閉度、胸徑、優勢樹種、林種等數據，取得實測樣地數據，再根據“云南省一元材積表”計算樣地森林蓄積量數據，推算出每公頃蓄積量。全縣樣地數共計155塊，其中，有林地125塊作為本次研究樣地，非林地30塊不采用。本次研究涉及實測樣地包括闊葉林、針葉林和混交林3種森林類型，利用Excel軟件將樣地數據進行有序排列，但劃分建模樣地數據和檢驗數據采用隨機抽取法，且按 7∶3 的比例進行劃分使用，整理出的樣地數據的基本信息統計如表2所示。

表2 樣地數據信息統計

由表2可知，研究樣地共計125塊，其中，因自然因素或人為因素闊葉林和混交林樣地數量有所變動，闊葉林2012年為30塊，2017年為34塊，混交林2012年為68塊，2017年為64塊，針葉林2012年和2017年均為27塊。

2.1.3其他相關數據

論文中涉及的數據還包括矢量格式的景谷縣行政區劃圖，景谷縣地形圖和數字高程模型等相關數據資料。

2.2 研究方法

2.2.1多元逐步回歸法

回歸分析方法是多元統計分析中應用最廣泛，也是數理統計中最為常用的方法，其使用條件是因變量和自變量存在相關的線性條件。在存在有線性相關的情況下可以使用此方法來分析數據的相關性和統計規律[6]，另一方面也可以用于因果關系分析、區域規劃、聚類分析、綜合評價等方面。在遙感地學參數建模方面也是較為合適的方法。運用多元逐步回歸模型算法進行建模，從中尋找到一種規律，選擇一些相關性較高的因子與因變量進行建模，從而得到較為理想的估測模型[7]。多元逐步回歸的一般表達式為：

Y=a0+a1x1+a2x2+…+anxn+e

(1)

式中：Y為解釋變量，a0為常數項，a1，a2……an為回歸系數，X1，X2，……Xn為自變量，n為自變量個數。

2.2.2隨機森林法

1984年Breiman等人提出回歸樹模型，之后該方法便在決策樹學習方法中得到了廣泛應用[8]。啟發式是回歸樹中運用的方法。Breiman(2001)把回歸樹組合成一種新的組合算法——隨機森林算法(Random Forests,RF)，該方法可以克服回歸樹容易過度擬合的缺點，其把回歸樹組合成隨機森林，即在變量(列)和數據(行)的使用上進行隨機化，生成很多回歸，再通過求均值，匯總回歸樹的結果。在運算量沒有明顯增加的基礎上，隨機森林可以提高運算的預測精度，且由于多元共線性不敏感，所以該方法可以有效地預測多達上千個解釋變量的作用，是當前最好的算法之一[9]。

作為回歸樹的集成算法，隨機森林優勢包括：幾乎不需要輸入的準備，訓練速度快，準確性和通用性。

隨機森林回歸算法是基于回歸樹的集成算法。回歸樹運用的原則是最小均方差，即作為任意劃分特征A，任意劃分點的對應點為s，兩邊劃分成的D1和D2為數據集，然后得到D1和D2集合的最小均方差值，對應的特征和特征值劃分點D1和D2的均方差之和最小值。計算公式如下：

(2)

式中：c1為D1數據集樣本輸出的平均值，c2為D2數據集的樣本輸出的平均值。從葉子結點的均值出發，就可以得到一個預測值，因此所有預測值的平均數是隨機森林的預測值。

優點：龐大的數據集能夠高維度(feature)的處理，不需要歸一化，且可以并行實現；實現比較簡單，算法綜合性能較好，是目前公認的比較熱門的機器學習算法。

缺點：由于訓練數據是隨機選擇的，所以不能像決策樹一樣生成穩定的規則。

2.2.3模型的評價與檢驗方法

本次研究根據多元逐步回歸原理建立蓄積量估測模型，用70%的樣地數據作為模型的訓練集，將余下30%的樣地數據對模型進行檢驗評價。本次采用評價標準包括推廣精度(P)、相對均方根誤差(rRMSE)、均方根誤差(RMSE)、以及尤為重要的決定系數(R2)。

2.3 光學遙感數據處理

2.3.1遙感影像處理

遙感圖像處理可分為光學處理和遙感數字圖像處理2類。本研究采用遙感數字圖像處理方法，目的是為了使圖像可以真實地反饋地表的光譜屬性、提高圖像信息量；處理的步驟為輻射定標、大氣校正、幾何校正、利用行政矢量邊界進行裁剪，從而得到景谷縣2012年和2017年的遙感影像圖(圖1)。

圖1 景谷縣遙感影像Fig.1 RS image of Jinggu City

2.3.2遙感特征變量獲取

一般情況下，遙感影像數據上的各類特征，因不同植被環境以不同形式表現出來。在對Landsat TM遙感數據預處理的基礎上，為獲得建立森林蓄積量指數估測模型的自變量因子，需提取含有豐富植被信息的植被指數、紋理特征及地形等單波段相關因子。同時，對具有植被生長勢、蓄積量等表征意義的紋理特征、地形特征加以分析。基于各因子影像，結合樣地點數據，在ArcGIS 10.2軟件下進行景谷縣建模因子的提取。

3 結果與分析

3.1 建模特征變量的選取和確定

3.1.1多元逐步回歸模型自變量的確定

本文基于Landsat TM 影像圖對景谷縣實測125塊樣地進行各項因子提取后，使用SPSS 26.0軟件分別對闊葉林、針葉林、混交林的預選變量和樣地森林蓄積量進行相關性分析。這些變量全部用于建模，會使數據量計算增加，導致模型不穩定，甚至估測失敗原因也可能存在多重共線性。為此，在研究時運用逐步剔除的方法解決了多重共線性問題，變量經過 3 次篩選，最終保留 9個參與建模因子，分別是：均值(ME)、歸一化植被指數(NDVI)、信息熵(EN)、轉換型植被指數(TNDVI)、二階矩(SM)、差值植被指數(DVI)、比值植被指數(RVI)、方差(VA)和協同性(HO)。2012年和2017年TM自變量相關系數如表3所示。

表3 TM自變量相關系數

3.1.2基于遙感影像的隨機森林模型自變量相關分析

本文隨機森林用Python代碼在Pycharm軟件中進行處理，將提取的變量導入軟件參與建模。根據隨機森林自帶的特征選擇算法，得到自變量在建模中的重要程度。根據分析得出，2012年土壤調節植被指數SAVI影響樣地森林蓄積量的重要性最高達到0.38，對比度CO重要性最低為0.02；2017年信息熵EN影響樣地森林蓄積量的重要性最高達0.13，協同性HO重要性最低為0.016，將重要程度高的因子參與模型訓練。

3.2 蓄積量模型建立

3.2.1多元逐步回歸模型的建立

在SPSS 26.0中利用TM遙感影像提取的遙感因子為自變量，以樣地森林蓄積量為因變量，運用回歸顯著性對參數進行檢驗，通過回歸系數的顯著性關系分析，最終獲取回歸模型的方程參數。基于光學遙感數據，獲得闊葉林、針葉林、混交林3種森林類型的方程參數，相關模型信息如表4所示。

表4 基于光學遙感數據的模型及其檢驗結果

3.2.2隨機森林模型的建立

在本次算法測試過程中，2012年和2017年均用89塊樣地數據作為訓練集建立隨機森林模型，36塊樣地數據作為測試集。訓練集用于創建隨機森林模型，測試集用于對模型檢驗評估。根據隨機森林自帶的特征選擇算法，得到自變量影響因變量重要程度；通過對回歸樹等重要模型參數設置分類器得到因子；最后建立隨機森林模型。根據訓練好的隨機森林模型，用測試集進行檢驗，結果如表5所示。

表5 隨機森林模型精度檢驗

3.2.3景谷縣森林蓄積量遙感影像圖反演

在ENVI 5.3軟件中，將用于建模的遙感影像因子圖導入，利用波段計算，再通過ArcGIS10.2.2軟件進行制圖，最終得到景谷縣2012年和2017年的森林蓄積量反演圖(圖2)。

圖2 森林蓄積量反演圖Fig.2 Inversion map of forest volume

3.3 景谷縣森林蓄積量建模估測結果分析

根據建立的兩期隨機森林模型計算結果可知，景谷縣2012年森林總蓄積量為 54 202 470.44 m3，每公頃蓄積量為94.26 m3；2017年森林總蓄積量為 57 688 038.66 m3，每公頃蓄積量為100.32 m3。根據景谷縣2012年云南省林地保護利用規劃資料，景谷縣林地面積為 502 074 hm2，森林蓄積量為48 450 142 m3，每公頃森林蓄積量為96.5 m3；根據2017年云南省林地變更數據，景谷縣林地面積為575 018.6 hm2，森林蓄積量為57 893 610 m3，每公頃森林蓄積量為100.68 m3(表6)。

表6 景谷縣森林蓄積量對比分析

估測結果與林地保護利用規劃和林地變更數據結果相比較，隨機森林法估測值接近真實值，說明模型估測精度較高。根據數據對比分析，表明所得估測模型能實現對森林蓄積量的有效估測。

3.4 景谷縣森林蓄積量動態變化分析

根據2012年云南省林地保護利用規劃資料和2017年云南省林地變更數據統計出景谷縣兩期有林地面積和森林蓄積量(表7)。

表7 景谷縣林地面積和蓄積量統計

其中，2012年景谷縣有林地面積為 502 074 hm2，森林蓄積量為 48 450 142 m3，每公頃森林蓄積量為96.5 m3；2017年景谷縣有林地面積為 575 018.6 hm2，森林蓄積量為 57 893 610 m3，每公頃森林蓄積量為100.68 m3。5年間景谷縣有林地面積增加了 72 944.6 hm2，增長率為14.53%；森林蓄積量增加了 9 443 468 m3，增長率為19.49%；每公頃森林蓄積量增加了4.18 m3，增長率為4.33%。

4 討論與結論

4.1 討論

1)在遙感建模時發現，遙感影像獲取的數據與森林蓄積量相關性較大的是第四波段的紋理特征，植被指數與之相關性較低。經研究與查閱文獻初步認為：在對遙感影像圖預處理后，影像提取有所偏差，在相關性分析時，造成植被指數低于其他因子。另一方面，可能是與地形、坡度和海拔有關，增加了紋理特征對森林蓄積量的相關性特征。在今后研究中，應多在遙感影像與實地測量中發現問題，繼續研究紋理特征對森林蓄積量的影響。

2)使用兩期數據建模時，參與的建模數量有變化，進入回歸方程的變量也不一樣；在建立隨機森林模型時，兩期數據中參與回歸方程變量也不一樣，模型優化參數差別也較大；建模時選擇了不同的參數，對蓄積量的估測結果對比分析時可能有一定的影響，這些原因都有待進一步研究和探討。

3)遙感技術發展較快，新的遙感數據不斷出現與應用，大數據分析和人工智能發展日新月異，如何充分融合多數據源和利用現代數據挖掘方法、機器學習等新興技術手段進行森林蓄積量遙感估測是林業遙感面臨的機遇和挑戰。在以后的研究工作中需要不斷更新和改進并大面積推廣運用操作簡便易行、效率高且能大區域范圍獲得森林蓄積量數據的測量和監測方法。

4.2 結論

本文以景谷縣為研究區，針對遙感技術對大范圍森林蓄積量精確估測問題，利用2012年和2017年兩期全國森林資源連續清查實地調查數據，結合Landsat5和Landsat8遙感影像提取的植被指數、紋理特征因子和DEM數據提取的地形因子，分別建立多元逐步回歸模型和隨機森林模型，并進行大區域尺度模型估測和模型結果精度驗證。結合建模精度來看，建立的隨機森林模型明顯優于多元逐步回歸，為蓄積量估測提供了低成本的研究方法，在今后的林業工作中，具有一定的參考和借鑒價值。