基于Landsat 8 OLI的滇西北高山亞高山針葉林地上生物量遙感估測模型構建及光飽和點確定

吳 勇，張海燕，盧騰飛，胥 輝，歐光龍

(西南林業大學 西南地區生物多樣性保育國家林業局重點實驗室，云南 昆明 650224)

森林生物量是反映森林生態系統變化規律的基礎數據，在維持全球碳氧平衡、調節生態平衡等方面起著極其重要作用，這使得森林生物量估測方法的可靠性和精度變得極其重要[1-2].傳統的生物量估測方法成本高、工作量大、周期長、代表性差以及不能實時反映實地情況等，因此眾多學者開始使用遙感技術對森林生物量進行估測和模型模擬[3-6].遙感估測具有實時、動態、大面積同步監測和信息豐富等特點[7-9]，被眾多學者廣泛應用于不同地區、不同林分的生物量遙感估測中.近年來在使用Landsat 8 OLI 影像估測時生物量光飽和點的問題普遍存在.由于森林生態系統自身及分布區地形變化，遙感生物量估測模型、遙感數據源及其空間分辨率等都會使得森林生物量飽和值產生誤差，估算誤差范圍多在5%～30%[10-11].生物量飽和現象是導致估測不確定性的重要因素，不同樹種組成、年齡、空間和垂直冠層結構組成的植被類型反射率值不同，也會影響生物量光飽和點[12-13]，這使得如何提高生物量估測精度[14]成為研究的熱點話題.

近年來，諸多學者對如何解決森林生物量數據飽和帶來的問題進行了研究，付元元等[15]利用高光譜數據，將波段深度分析與最小二乘回歸結合，結果能較好地克服生物量較大時存在的飽和問題，提高遙感估測生物量的精度.歐光龍等[16]、盧騰飛等[17]通過構建不同模型對森林生物量遙感進行估測以探索減少飽和現象造成的估測精度問題.趙盼盼等[18]、Zhao 等[19]基于Landsat TM 影像與地面樣本數據，利用分層理論和曲線擬合確定浙江省南部區域的6 類樹種的生物量估測所存在的飽和點的大致范圍，以及通過分層法降低了數據飽和對浙江中西部主要植被生物量的影響，研究表明分層方法能有效提高估測精度.

滇西北地區屬中國橫斷山脈，森林植被呈現明顯的垂直分布，生長著大量云杉、冷杉、高山松、落葉松等.高山松（Pinus densata）為中國西部高山地區的特有樹種，其主要分布在北緯27°～36°、東經92°～104°之間；云杉（Piceaspp.）和冷杉（Abiesspp.）均為高海拔地區特有樹種，高山松、云杉、冷杉在滇西北廣泛分布[20].目前對相關優勢樹種森林生物量光學遙感估測飽和點的研究及報道極少.

基于此，本文將以滇西北高山亞高山針葉林為研究對象，以森林資源二類調查數據和同期Landsat 8 OLI 遙感影像為數據源，利用分層理論構建遙感生物量估測模型，探索典型森林AGB 估算中的光學遙感數據源的飽和點閾值確定方法，并反演研究區高山松林和云冷杉林森林地上生物量.本研究可以實現對滇西北高山亞高山針葉林生物量的精確估測，減小森林生物量遙感估測中普遍存在的低值高估和高值低估問題的影響，提高生物量遙感估測精度，為滇西北森林生態效益、碳匯效益以及 科學經營與規劃提供科學依據.

1 材料與方法

1.1 研究區概況研究區位于云南省西北部，在行政區劃上涵蓋麗江市、迪慶州、怒江州3 個州市，涵蓋面積4.2 萬km2.地理位置為北緯25°30′～29°30′，東經98°7′～101°30′，海拔高度在738～6 743 m，海拔絕對高差懸殊，造成氣候顯著差別，垂直氣候變化十分明顯，擁有南亞亞熱帶至寒帶等多種氣候類型（圖1）.滇西北地區森林資源極其豐富，高山松、云杉、冷杉等作為滇西北地區優勢樹種在滇西北地區廣泛分布，森林面積占全云南省森林面積的18.7%，森林生物量占全云南省森林生物量的24.2%，森 林覆蓋率高達71.8%[20].

圖1 研究區位置及優勢樹種分布圖Fig.1 Location of the study area and the dominant species

1.2 數據收集與處理

1.2.1 森林資源二類調查數據收集與處理

（1）小班單位面積AGB 計算 本研究依據2016 年研究區的森林資源二類調查數據，并選擇優勢樹種為高山松和云冷杉的林分（圖1），參考胥輝等[20]采用生物量轉換因子法計算小班單位面積AGB[21]（表1）.其計算公式為：

表1 生物量轉換因子法計算參數[21]Tab.1 The parameters using biomass conversion factor method

式中：B為小班單位面積地上生物量（t/hm2），V為小班單位面積蓄積量（m3/hm2），SVD 為基本木材密度（t/m3），BEF 為生物量轉換因子（無量綱）.

（2）樣本小班的確定 首先據二類調查數據提取出優勢樹種為高山松和云冷杉的小班斑塊，優勢樹種在研究區分布如圖1 所示，剔除小班平均樹高、平均胸徑、林木蓄積和林木株樹為零的異常數據，篩出林木平均胸徑大于等于5 cm 的小班.利用ArcGIS 的“子集要素”工具，等比例保留小班數據，再利用3 倍標準差法刪除異常離群值，最終選出小班樣本高山松1 094 塊，云冷杉948 塊，分別取80%小班進行建模，20%小班作為檢驗樣本（表2）.

表2 樣本小班單位面積地上生物量基本統計Tab.2 The basic information of the sampling sub-compartments

本研究選取坡向與齡組用不同分層方法（無分層、坡向分層、齡組分層以及坡向齡組結合）構建遙感生物量估測逐步回歸模型，并統計計算了各分層 下的森林單位面積地上生物量值（圖2）.

圖2 分層數據統計Fig.2 Data analysis according to the different stratification

1.2.2 遙感數據收集與處理 本研究遙感數據（與二類調查數據同期）從地理空間數據云網站（http://www.gscloud.cn/）下載得到，其空間分辨率為30 m，平均云量都低于2%（表3）.對遙感影像數據進行地理配準、FLAASH 大氣校正、地形校正、輻射定標等預處理，最后對研究區衛星影像進行圖像 融合、鑲嵌及裁剪（圖1）.

表3 研究區Landsat 8 OLI 影像基本信息Tab.3 The basic information of Landsat 8 OLI images in study area

1.2.3 遙感因子提取與篩選 根據高山松林、云冷杉林小班面狀矢量數據為單位，利用ArcGIS10.4軟件的“分區統計”功能，將小班面狀矢量數據和156 個遙感特征因子數據層相疊加，統計小班內各個遙感因子的平均值[22].光學遙感估測AGB 的關鍵在于確定自變量因子，一般采用統計檢驗的方法來確定影響因子[23].本研究提取了4 類遙感因子，分別為原始單波段因子、植被指數因子、K-T 和KL 因子、紋理特征.

（1）原始單波段[10]為b1、b2、b3、b4、b5、b6、b7；

（2）植被指數[22]為NDVI、ND43、ND67、ND563、DVI、SAVI、RVI、PVI、B、G、W、ARVI、MV15、MV17、SARV、II、MSAVI、VIS234、ALBEDO、b4/ALBEDO、SR、TVI、SAV12、NLI、MSR；

（3）K-T 和K-L 因 子[22]為KT1、KT2、KT3；PC1-A、PC2-A、PC3-A、PC1-B、PC2-B、PC3-B、PC1-P、PC2-P、PC3-P；（4）紋理特征[22]（提取分為3×3 和5×5 窗口，共計112 個遙感因子）：Mean、Variance、Homogeneity、Contrast、Dissimilarity、Entropy、Second Moment、C orrelation.

1.3 研究方法

1.3.1 相關性分析 本研究采用的是皮爾遜相關性分析，通過SPSS 軟件對AGB 與遙感因子進行相關性分析，選擇相關性顯著（P≤0.05）的遙感因 子作為建模備選變量.

1.3.2 AGB 遙感估測的生物量飽和點確定 本文以生物量為自變量，以波段反射率為因變量，基于盧騰飛[17]、劉剛[9]等的研究發現，三次項模型擬合曲線方程的決定系數R2最高，故本研究采用三次項模型擬合曲線并求得其拐點的值，其拐點所對應的值即為云冷杉林與高山松林遙感估測AGB 飽和 值.

1.3.3 生物量估測模型構建 在森林生物量遙感估測模型中，線性回歸模型是最常見的方法之一[7]，本文采用線性逐步回歸進行模擬，其計算公式如下：

式中：Y為生物量，β0為常數項，β1,β2,···,βn為模型系數，x1,x2,···,xn為相關遙感因子，ε 為模型滿足隨機正態分布下的隨機殘差，n為自變量個數.

分層模型采取分別擬合不同坡向、不同齡組、坡向結合齡組3 種分層方式對生物量進行逐步回歸分析.齡組分為幼齡林、中齡林、近熟林、成熟林和過熟林，由于云冷杉林幼齡林和中齡林樣本數極少，將其就近歸入近熟林；高山松林中過熟林樣本數極少，將其歸入成熟林.劃分坡向時一般根據坡向所受日照時長和太陽輻射強度，將坡向劃分為陽坡（南坡）、半陰坡（東坡、東北坡、西北坡）、陰坡（北坡）、半陽坡（西坡、東南坡、西南坡）[23]，本研究區處于高山峽谷地區，無無坡向小班.坡向和齡組結合分為幼齡林半陽坡/陽坡/半陰坡/陰坡、中齡林半陽坡/陽坡/半陰坡/陰坡、近熟林半陽坡/陽坡/半陰坡/陰坡、成熟林半陽坡/陽坡/半陰坡/陰坡、過熟林半陽坡/陽坡/半陰坡/陰坡.

以優選出的遙感因子作為解釋變量，采用線性逐步回歸法分別構建高山松林和云冷杉林不分層及3 種分層的森林生物量遙感估測模型，為消除多重共線性的影響，采用方差膨脹因子（VIF＜10）進行 變量篩選.

1.3.4 模型評價與檢驗 本研究采用調整決定系數（Radj2）和均方根誤差（RMSE）評價擬合情況，選取相對均方根誤差（rRMSE）、平均相對絕對誤差值（MARE）和平均絕對誤差（MAE）3 個指標作為模型的獨立性檢驗指標.調整決定系數（Radj2）：

1.3.5 不同生物量段模型估測能力評價 本文對小班面積單位生物量進行分段，檢驗各模型對生物量高值和低值的估測能力，著力于探索改善數據飽和引起的生物量估測誤差方法，采用的評價指標公式如下：

平均殘差（ME）：

1.3.6 高山松林、云冷杉林生物量反演 依據森林資源二類調查數據獲取高山松林以及云冷杉林的空間分布位置，基于Landsat 8 OLI 影像采用像元法計算各小班內云冷杉林及高山松林生物量值，再根據分層所構建的不同模型對高山松林、云冷杉林進行生物量反演，進而分析不同分層模型的反 演和預估表現.

2 結果與分析

2.1 生物量與遙感因子相關性分析本文共提取156 個遙感因子分別與高山松林和云冷杉林AGB進行皮爾遜相關性分析.從波段反射率與AGB 的相關性看，Band 4 波段與生物量有最強的相關性，高山松林、云冷杉林與Band 4 波段相關系數分別為0.616、0.672，因此本研究基于Band 4 波段進行分析和確定高山松林、云冷杉林的生物量飽和值.據相關性分析發現，有141 個遙感變量與高山松林生物量之間存在顯著的相關性，包括107 個紋理特征因子，16 個植被指數因子，11 個纓帽特征和主成分變換特征，7 個原始單波段，其中135 個遙感變量在0.01 水平上顯著相關.有146 個遙感變量與云冷杉林生物量之間存在顯著的相關性，包括112 個紋理特征因子，16 個植被指數因子，11 個纓帽特征和主成分變換特征，7 個原始單波段，其中144 個遙感變量在0.01 水平上顯著相關.由于遙感因子變量數量較多，限于篇幅原因，本研究不列出遙 感因子與生物量相關性系數表.

2.2 生物量光學遙感估測飽和值分析本研究基于Band 4 波段反射率與森林地上單位生物量擬合高山松林、云冷杉林生物量飽和曲線（圖3），其拐點所對應的值即為該波段所對應的高山松林、云冷杉林生物量飽和值，分別為149.09 t/hm2和1 62.30 t/hm2.

圖3 研究區針葉林地上部分生物量光飽和值擬合曲線Fig.3 Aboveground biomass saturation curves of the coniferous forests in the study area

2.3 森林生物量遙感估測模型構建及檢驗本研究采用線性逐步回歸基于分層建立生物量回歸模型，對遙感特征因子與不同植被類型生物量作相關性分析，以VIF 為檢驗指標進行多重共線性診斷，篩選出符合目標條件的遙感因子構建線性逐步回歸模型.用Radj2評估預測值和實測值的符合程度，用RMSE 衡量預測值與實測值之間的偏差大小.

從回歸模型的獨立性檢驗看，高山松林與云冷杉林分層模型檢驗指標值總體優于無分層模型.其中坡向分層模型各檢驗指標值與無分層模型相差不大，總體預估水平相近.齡組分層整體估測精度優于不分層模型，高山松林各檢驗指標數值明顯降低，擬合精度顯著提高（表4），云冷杉林各檢驗指標值均 低于無分層，在一定程度上提高了擬合精度（表5）.

表4 高山松林線性逐步回歸擬合結果Tab.4 Fitting results of Pinus densata forests using linear stepwise regression

表5 云冷杉林線性逐步回歸擬合結果Tab.5 Fitting results of Picea -Abies forests using linear stepwise regression

2.4 不同生物量分段殘差檢驗經分段殘差分析發現，2 類森林的4 種模型都存在低值高估和高值低估的情況（表6）.高山松林與云冷杉林線性逐步回歸模型在低生物量段（0～30 t/hm2）時，高山松林坡向分層ME（19.724）、MRE（-1.141）與云冷杉林坡向分層ME（10.680）、MRE（-0.609）最低，與無分層的模型比較，ME 絕對值分別降低了4.938 和2.525，MRE 絕對值分別降低了0.234 和0.135.高山松林與云冷杉林齡組分層模型在生物量段（30～90 t/hm2）有較好的表現.坡向齡組結合對于高山松林與云冷杉林高生物量段（＞150 t/hm2）的估測誤差值最小，高山松林與云冷杉林高生物量段（＞150 t/hm2）ME絕對值分別降低了10.291 和24.322，MRE 絕對值分別降低了0.05 和0.148，且云冷杉林在生物量段（30～150 t/hm2）的估測誤差絕對值均為最小.由此可見，考慮齡組和坡向分層在一定程度上降低了AGB 遙感估測中低值高估和高 值低估問題的影響.

表6 分段殘差分析結果Tab.6 Segmented residual analysis

2.5 森林生物量反演由圖4、5 可知，滇西北高山松林與云冷杉林生物量主要集中在范圍30～150 t/hm2和60～150 t/hm2，少部分處在30 t/hm2以下和150 t/hm2以上.圖4 中（b）、（c）、（d）與（a）以及圖5 中（b）、（c）、（d）與（a）分別比較后發現，各分層模型生物量反演高值數量明顯增加，高山松林與云冷杉林坡向分層模型在低生物量段值（0～30 t/hm2）數量增加，高山松林坡向齡組結合分層模型低生物量值（0～30 t/hm2）和高生物量值（大于150 t/hm2）數量都有所增加，云冷杉林坡向齡組結合分層模型高生物量段（120～150 t/hm2）值數量顯著增加.總體來說，分層模型相較于無分層模型在低生物量值（0～30 t/hm2）和高生物量值（大于150 t/hm2）區間具有較多的分布.這使得生物量估測范圍增大，在一定程度上能夠反映出分層估計可以減小生物量遙感估測中低值高估和高值低估的影響.

圖4 高山松林不同建模方案生物量反演圖Fig.4 Biomass inversion map of Pinus densata forests with different modeling schemes

圖5 云冷杉林不同建模方案的生物量反演圖Fig.5 Biomass inversion map of Picea– Abies forests with different modeling schemes

3 討論與結論

3.1 討論光學影像對于冠層結構復雜、AGB 值較大的森林，其反射率出現飽和現象往往導致對高生物量值的低估.此外，由于冠層密度較低，幼林的反射率值也可能受到灌木、草、裸地等林下植被的影響，導致低生物量值被高估.目前，數據飽和被認為是影響森林生物量估測精度的主要原因，大量的遙感估測生物量均出現了數據飽和現象[12,24-25].在不同區域、不同類型的森林植被中，因林分因子與地形因子的不同，其生物量飽和值也會有所變化，通常還會受到遙感數據本身空間和光譜輻射分辨率差異的影響[9,20].本文基于滇西北地區森林資源二類調查數據計算AGB 值與遙感影像所提取小班面狀數據和遙感因子進行曲線擬合，求得高山松林、云冷杉林生物量飽和值為149.09 t/hm2和162.3 t/hm2；此外，通過無分層模型的分段殘差檢驗也可以看出，高山松林在120～150 t/hm2以及＞150 t/hm2的ME值較高，而云冷杉林生物量在120～150 t/hm2區間的ME 值低于12.772 t/hm2，且MRE 為0.093，但在＞150 t/hm2區間段ME 值達到40 t/hm2以上，這在一定程度上也說明了云冷杉林的生物量光學遙感估測的光飽和值高于高山松林.Ou 等[26]通過LM、LMC、RF 和ANN 4 種模型對高山松林AGB 進行范圍估算，并得到了大致的高值低估區間，其區間閾值略高于趙盼盼[10]等通過半變異函數計算的針葉林生物量飽和值.這可能是由于滇西北地區高山松林和云冷杉林及其分布環境的異質性高，從而使得高山松林、云冷杉林的森林生物量遙感估測的光飽和值較高，也符合Lu 等[12]和Zhao 等[19]森林異質性程度在一定程度上影響森林生物量遙感估測的飽和值的解釋.

研究表明，分層模型預估效果整體上優于無分層模型.當生物量過低或過高時，這兩種模型都存在較大的估測誤差，分層模型相對于無分層模型降低了估測誤差，增大了生物量估測范圍，在一定程度上提高了生物量估測精度，減小了森林生物量飽和所造成的低值高估和高值低估的影響.坡向和齡組作為影響森林生物量分布的兩個重要因素[27-29].本研究選用坡向與齡組因子，采用分層法（齡組分層、坡向分層、坡向與齡組結合分層）構建模型以期解決AGB 估測飽和問題.研究發現研究區坡向分層森林生物量均值差異較小（圖2），但是由于滇西北地處高山峽谷，地形差異較大，不同坡向光譜反射率不同，使得光譜差異大，從而對森林生物量估測誤差產生影響[3].研究表明坡向分層對低生物量段（0～30 t/hm2）有更好的預估效果.高山松林、云冷杉林平均殘差（ME）絕對值分別降低了4.938和2.525，平均相對殘差（MRE）絕對值分別降低了0.234 和0.135；齡組分層模型在高山松林生物量值30～150 t/hm2與云冷杉林生物量值60～150 t/hm2時預估效果較好；齡組分層后可以在一定程度上提高估測精度[26]，但不同齡組間的森林生物量均值差異較大，使得采用平均模型預估不同齡組森林生物量時產生較大誤差[22,30].坡向齡組結合分層模型在高生物量段（120～150 t/hm2）對AGB 估測效果最好，高山松林、云冷杉林ME 絕對值分別降低了10.291 和24.322，平均相對殘差（MRE）絕對值分別降低了0.05 和0.148.通過分段殘差檢驗可以看出，分層估計的方法在一定程度上降低了遙感估測AGB 飽和值的影響，獲得了較好的擬合和預估效果，該方法對相似地區及針葉林進行遙感生物量估測及降低森林生物量飽和值的影響提供參考和借鑒作用，為滇西北森林生態效益、碳匯效益以及科學經營與規劃提供科學依據.此外，研究還發現考慮不同坡向分層，從陽坡到陰坡，高山松林模型決定系數變大，云冷杉林模型決定系數變小，其原因可能是與優勢樹種的生長特性有關.高山松是陽性樹種而云杉和冷杉是陰性樹種，樹種的耐蔭性會影響到其分布區差異[31-32]，這將有待進一步探索和研究.

當然，由于本研究采用的都是參數模型，分層法雖提高了擬合精度，但總體估測精度依然不高.參數之間通常會存在比較復雜的非線性關系，本研究所采用的模型不足以描述其非線性關系，且當樣本量不足或森林生物量與選擇變量之間的相關性較弱時，多元逐步回歸模型不能解釋森林生物量與變量之間的復雜關系，從而使得模型估測精度降低[8,33].在今后的研究中將進一步探索基于分層的非線性參數模型與非參數模型估測方法.

另外，由于缺乏足夠多的樣地信息，尤其是在高海拔、多山地的滇西北地區，不易開展外業，測量森林生物量因子不易獲取[34].本文基于滇西北地區森林資源二類調查數據，二類調查數據的統計數據精度與各小班的調查允許誤差直接相關[35].利用充分的樣本信息以及二類調查數據具有分布范圍廣、數據量大等優點，采用二類調查數據作為森林生物量遙感估測的地面調查數據可以在一定程度上解決樣本數量不足的問題.周律等[9]利用森林資源二類調查數據作為基本地面調查數據，構建遙感生物量估測模型，取得了較好的估計精度，這在一定程度上說明了森林資源二類調查數據作為地面調查數據的可用性.本研究采用二類調查數據作為地面調查數據，構建的估測模型，并進行森林生物量的反演，其反演結果較好地反映了研究區高山松林和云冷杉林的森林生物量分布，這也再次驗證了二類調查的小班數據作為森林生物量遙感估測 地面調查數據源的可靠性.

3.2 結論本文通過皮爾遜相關系數比較篩選出Landsat 8 OLI Band 4 波段變量與AGB 進行曲線擬合，求得高山松林與云冷杉林遙感生物量估測飽和值分別為149.09 t/hm2和162.3 t/hm2.通過對研究區高山松林和云冷杉林地上單位面積生物量與提取遙感因子進行皮爾遜相關性及共線性分析，并考慮齡組和坡向分層，據優選出的遙感因子進行線性逐步回歸分析，發現分層模型相較于無分層模型有著較好的估測結果.坡向分層對低生物量段（0～30 t/hm2）、齡組分層對中生物量段（30～90 t/hm2）和坡向齡組結合分層模型對高生物量段（＞150 t/hm2）有更好的預估效果，坡向齡組結合分層模型在整體上估測AGB 效果較好.總體來說，考慮齡組和坡向分層可在一定程度上降低AGB 遙感估測中低值高估和高值低估問題的影響.