基于Landsat 8-OLI的高山松葉面積指數(shù)采樣尺度優(yōu)化分析

趙洪瑩 舒清態(tài) 羅文秀 羅洪斌 王柯人 袁梓健 譚德宏

（1. 西南林業(yè)大學(xué)林學(xué)院，云南 昆明 650233；2. 臨滄市林業(yè)和草原局，云南 臨滄 677000）

森林植被是陸地生態(tài)系統(tǒng)中最大的一部分，約占陸地面積的32.6%，對(duì)調(diào)節(jié)全球氣候、維持生物圈內(nèi)碳氧平衡起著不可替代的作用。葉面積指數(shù)（LAI）用于描述群體水平上葉片的生長(zhǎng)和葉子密度的變化[1]。在植物光合、蒸騰、水分利用以及構(gòu)建生產(chǎn)力基礎(chǔ)都有重要影響，是反映植物生長(zhǎng)狀態(tài)的重要物理量[2-4]。現(xiàn)有的LAI測(cè)量方法大致可分為兩種：直接法和間接法。直接測(cè)量LAI的方法耗費(fèi)人力物力，對(duì)森林有一定的破壞作用，且測(cè)量范圍有限[5]；間接測(cè)量通常直接使用LAI測(cè)量?jī)x得到LAI值。上述所有方法只能獲取有限的地面LAI值，不能滿足大面積LAI監(jiān)測(cè)的要求。隨著遙感技術(shù)的發(fā)展，遙感反演已成為快速獲得大尺度LAI的有效手段[6]。

遙感具有多空間分辨率的特點(diǎn)，其采用多平臺(tái)、多遙感器的方法進(jìn)行數(shù)據(jù)采集。遙感數(shù)據(jù)的觀測(cè)尺度不同，相應(yīng)的尺度特征也有所不同[7]。在以往的研究中，通常采用固定的空間分辨率進(jìn)行LAI反演，但不同地物有其最佳觀測(cè)尺度，而尺度研究是定量遙感研究的基礎(chǔ)[8-9]，采樣尺度的選擇對(duì)LAI反演有著一定的影響，在植被定量遙感中，遙感反演模型與植被冠層相對(duì)應(yīng)，即最佳觀測(cè)尺度表現(xiàn)為目標(biāo)植被冠幅的平均大小，在最佳觀測(cè)尺度下，目標(biāo)植被受地物背景值的影響越小，冠層反射率信息較豐富[10-11]。現(xiàn)如今已有學(xué)者對(duì)遙感尺度選擇問題做了大量的研究。Chen[12]利用Landsat TM影像提取NDVI和RVI推導(dǎo)得到的LAI在不同尺度下的估測(cè)偏差最大達(dá)到45%。王強(qiáng)等[13]利用高分二號(hào)影像，利用變異函數(shù)和偏最小二乘回歸模型，對(duì)龍竹（Dendrocalamus giganteus）LAI遙感估測(cè)最優(yōu)尺度選擇進(jìn)行了分析，得出叢生龍竹的影像最優(yōu)觀測(cè)尺度為7 m；王冬玲等[14]為了研究不同尺度的光學(xué)影像在森林生物量遙感估測(cè)中的影響，以高山松（Pinus densata）為研究對(duì)象，構(gòu)建不同尺度下偏最小二乘回歸模型，發(fā)現(xiàn)空間尺度的變化影響高山松生物量的估測(cè)；師玉霞等[15]基于高分二號(hào)遙感影像，運(yùn)用ESP尺度評(píng)價(jià)工具和目視判讀技術(shù)，篩選出研究區(qū)各區(qū)域的最佳分割尺度，采用3種不同的分類法進(jìn)行遙感分類。

雖然遙感尺度選擇已有較多研究，但在高山松林LAI遙感估測(cè)中最佳尺度分析的研究較少。因此，本研究以香格里拉市高山松林為研究對(duì)象，基于Landsat 8-OLI遙感影像，結(jié)合樣地實(shí)測(cè)數(shù)據(jù)構(gòu)建SVR模型，分析不同觀測(cè)尺度下的估測(cè)精度變化，確定最佳觀測(cè)尺度，從而為提高LAI的估測(cè)精度提供參考。

1 研究區(qū)概況

研究區(qū)地處云南省迪慶藏族自治州香格里拉市境內(nèi)，位于東經(jīng)99°20′～100°19′，北緯26°52′～28°52′，全縣總面積1 141 739 hm2，其中：林業(yè)用地面積950 911.7 hm2，約占土地總面積的83.3%；非林業(yè)用地面積190 827.3 hm2，約占土地總面積的16.7%[16]。由于地形復(fù)雜，海拔高低落差大，形成典型的立體氣候，境內(nèi)海拔高低落差大，干濕季分明，四季不明顯，其年平均氣溫5.5 ℃，平均降雨量618.4 mm；森林面積大，覆蓋率為74.99%[17]；高山松適應(yīng)范圍廣，更新能力強(qiáng)，屬喜光深根性樹種，可生長(zhǎng)在干旱貧瘠環(huán)境中。平均海拔2 800～3 500 m，林分整齊，占全市喬木林面積的22.7%[18]。

2 材料與方法

2.1 數(shù)據(jù)來源及處理

2.1.1 樣地?cái)?shù)據(jù)

研究區(qū)設(shè)置于云南省香格里拉市，數(shù)據(jù)獲取時(shí)間為2018年2月，共設(shè)置了15 m的圓形樣地32塊，記錄樣地平均胸徑、平均樹高和GPS樣地點(diǎn)坐標(biāo)，樣地均設(shè)置在高山松純林或接近純林的林分中央。樣地LAI采用冠層分析儀LAI-2200進(jìn)行測(cè)量，為了減少太陽光直射對(duì)LAI測(cè)量結(jié)果的影響，LAI數(shù)據(jù)采集時(shí)間為黎明或陰天。隨機(jī)選取樣地內(nèi)的5個(gè)位置記錄LAI值后，取平均值作為樣地LAI實(shí)測(cè)值。數(shù)據(jù)通過LAI-2200冠層分析獲取，測(cè)量過程中LAI-2200冠層分析儀處于距離地面1.3 m處，以此減少林下灌木和雜草對(duì)測(cè)量值造成的影響。樣地LAI基本信息見表1。

表1 高山松各樣地LAI數(shù)據(jù)描述Table 1 Description of LAI data of various plots of P. densata

2.1.2 Landsat 8 OLI影像數(shù)據(jù)

本研究選用Landsat 8-OLI遙感影像進(jìn)行高山松林LAI反演，Landsat 8衛(wèi)星是由美國(guó)國(guó)家航空和航天局（NSNA）發(fā)射，是全球應(yīng)用最為廣泛的民用衛(wèi)星，主要攜帶陸地成像儀（OLI）和熱紅外傳感器（TIRS）。該影像采用UTM投影，WGS84橢球，共有11個(gè)波段，本次研究只使用海岸波段（B1）、可見光波段（B2～4）、近紅外波段（B5）、短紅外波段（B6～7）和全色波段（B8）來進(jìn)行研究。從地理空間數(shù)據(jù)云（http://www.gscloud.cn/）獲取3景覆蓋整個(gè)研究區(qū)的Landsat 8-OLI影像：2018年1月17日（2景），軌道號(hào)為132/041和132/040；2018年2月11日（1景），軌道號(hào)為131/041。

利用ENVI 5.3軟件對(duì)圖像進(jìn)行輻射定標(biāo)和FLAASH大氣校正，可以排除由于氣溶膠、地形等因素引起的反射信息誤差。將處理后的全色影像與多光譜影像用GS（Gram-Schmidt Pan Sharpening）進(jìn)行融合[19]。需要獲得多個(gè)觀測(cè)尺度。本研究對(duì)不同觀測(cè)尺度進(jìn)行設(shè)計(jì)，針對(duì)Landsat 8-OLI影像空間分辨率的特點(diǎn)，在ArcGIS 10.2軟件下，對(duì)Landsat 8-OLI影像采取最近鄰插值法進(jìn)行重采樣[20]，共設(shè)置7組正方形緩沖區(qū)，得到像元大小為15、30、45、60、75、90、105 m共7組觀測(cè)尺度。選取Landsat 8-OLI影像的紅波段（B4）分析樣地高山松在不同尺度下的冠層反射率變化，分析樣地像元的冠層反射率隨觀測(cè)尺度的變化規(guī)律，若某一尺度下樣地的冠層反射率突變，表示對(duì)應(yīng)樣地的植被類型改變；分別提取7組觀測(cè)尺度下各樣地所對(duì)應(yīng)的遙感變量，并分析遙感變量隨觀測(cè)尺度變化的規(guī)律。

2.1.3 輔助數(shù)據(jù)

為了實(shí)現(xiàn)“基礎(chǔ)厚、口徑寬、能力強(qiáng)、素質(zhì)高”的人才培養(yǎng)目標(biāo)，在課程內(nèi)容設(shè)置上應(yīng)充分考慮到石油類高校非焊接專業(yè)學(xué)生相應(yīng)的基礎(chǔ)知識(shí)和專業(yè)應(yīng)用特點(diǎn)，如石油化工機(jī)械主要涉及到各種化工容器、反應(yīng)塔、加熱爐和換熱器的制造與安裝。油氣儲(chǔ)運(yùn)專業(yè)涉及到各種儲(chǔ)油罐、油氣管道、油槽車和油輪等制造工程。因此，需要從《金屬焊接》課程本身出發(fā)，使課程內(nèi)容與相應(yīng)支持課程內(nèi)容相融合，從而構(gòu)成“學(xué)有基礎(chǔ)、用有對(duì)象”的課程知識(shí)體系。

輔助數(shù)據(jù)包括香格里拉市森林資源規(guī)劃設(shè)計(jì)調(diào)查（森林資源二類調(diào)查）小班、香格里拉行政區(qū)劃矢量和通過地理空間數(shù)據(jù)云下載空間分辨率為30 m的數(shù)字高程模型（DEM）。

2.2 空間重采樣尺度選擇

通常遙感觀測(cè)尺度即遙感建模樣地大小，與遙感圖像的像元大小相對(duì)應(yīng)，參考相關(guān)的研究，為了分析不同觀測(cè)尺度下的LAI估測(cè)模型精度，

2.3 建模因子選擇

雖然遙感圖像在LAI的估測(cè)中具有廣泛的應(yīng)用，但并不能直接測(cè)定LAI信息。對(duì)LAI的反演或估算，需要對(duì)處理后遙感數(shù)據(jù)進(jìn)行遙感變量的轉(zhuǎn)換和篩選，并結(jié)合現(xiàn)場(chǎng)調(diào)查數(shù)據(jù)來建立LAI和遙感數(shù)據(jù)之間的評(píng)估模型。參考相關(guān)研究，本研究基于Landsat 8 OLI光學(xué)遙感影像提取與LAI相關(guān)的波段值、植被指數(shù)及DEM數(shù)據(jù)提取的地形因子等17個(gè)遙感變量因子作為建模因子備選參數(shù)[21-22]（表2）。

表2 LAI遙感變量Table 2 LAI characteristic variables

2.4 統(tǒng)計(jì)模型與精度評(píng)價(jià)

支持向量機(jī)回歸模型（SVR）是一種基于計(jì)算機(jī)科學(xué)和統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)算法，廣泛應(yīng)用于數(shù)據(jù)分類和回歸分析[23]。相比于傳統(tǒng)方法，SVR擁有泛化能力強(qiáng)、實(shí)際風(fēng)險(xiǎn)最小、全局最優(yōu)、對(duì)維數(shù)不敏感等優(yōu)點(diǎn)。采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，其學(xué)習(xí)理論涉及較少的大數(shù)定律、概率等相關(guān)數(shù)學(xué)問題，很好地避免了BP神經(jīng)網(wǎng)絡(luò)算法中的過學(xué)習(xí)、欠學(xué)習(xí)、確定網(wǎng)絡(luò)結(jié)構(gòu)、局部擁有極小值等問題；在進(jìn)行非線性問題的求解時(shí)展示出了極大優(yōu)勢(shì)，通過尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來提高學(xué)習(xí)機(jī)泛化能力，從而可以在樣本較少的情況下獲得較好的統(tǒng)計(jì)規(guī)律。SVR模型包括了4種不同的核函數(shù)，分別是線性核函數(shù)（Line）、徑向基核函數(shù)（RBF）、多層感知機(jī)核函數(shù)（Sigmoid）、多項(xiàng)式核函數(shù)（Polynomial）等。選取RBF核函數(shù)作為建模核函數(shù)，采用LIBSVM工具箱在MATLAB軟件中利用多種尋參方法對(duì)模型中的參數(shù)進(jìn)行尋優(yōu)[24-25]。

通過決定系數(shù)（R2）和均方根誤差（RMSE），對(duì)不同尺度下LAI模型的擬合效果進(jìn)行評(píng)估。采用留一交叉驗(yàn)證法（LOOCV）來預(yù)測(cè)LAI估測(cè)模型。LOOCV的原理：使用全部樣本中的1個(gè)作為驗(yàn)證樣本，其余作為測(cè)試樣本，直到每個(gè)樣本全部都被驗(yàn)證為止。通過交叉驗(yàn)證結(jié)果來計(jì)算估計(jì)精度（P）和均方根誤差（RMSEcv），作為預(yù)測(cè)結(jié)果的評(píng)估指標(biāo)。R2反映了估測(cè)值與相應(yīng)實(shí)測(cè)值的趨勢(shì)擬合程度，其取值范圍為0到1，即回歸平方和在總平方和中所占比例，其值越接近1，模型估測(cè)精度的可靠性就越高；RMSE反映了基于回歸模型估測(cè)值與實(shí)際值的平均誤差之和的統(tǒng)計(jì)平均結(jié)果，其擬合程度決定了估測(cè)精度。樣本容量和變量數(shù)對(duì)均方根誤差的大小有一定的影響，其值越小，模型估測(cè)的可靠性越高；使用總體估測(cè)精度（P）評(píng)價(jià)生物量估測(cè)模型的總體精度。

式中：Xi為有效LAI；為有效LAI平均值；為模型估測(cè)值；n為樣本數(shù)量。

3 結(jié)果與分析

3.1 不同觀測(cè)尺度下光譜變化分析

冠層的反射率變化分析，能夠有效確定隨著觀測(cè)尺度的增加，對(duì)應(yīng)的不同尺度下地物是否發(fā)生變化。選取Landsat 8-OLI 影像的紅波段（B4）分析LAI在不同尺度下的冠層反射率變化，結(jié)果見圖1；不同觀測(cè)尺度下冠層反射率統(tǒng)計(jì)結(jié)果見表3。

表3 不同觀測(cè)尺度下冠層反射率統(tǒng)計(jì)Table 3 Statistics of canopy reflectance under different observation scales

3.2 相關(guān)性分析及遙感變量的篩選

在SPSS 25軟件中，采用Pearson雙變量相關(guān)性分析方法，將單位LAI與提取的遙感變量建立相關(guān)性檢驗(yàn)。通過分析相關(guān)系數(shù)和顯著性水平，篩選出與LAI相關(guān)性較好的變量結(jié)果（表4）。根據(jù)相關(guān)性分析結(jié)果，當(dāng)觀測(cè)尺度為15 m時(shí)，顯著相關(guān)的變量有11個(gè)，相關(guān)系數(shù)的大小介于-0.381至0.736之間；隨觀測(cè)尺度的增大，LAI與遙感變量的相關(guān)性變小，具有相關(guān)性的變量也逐漸減少至5個(gè)；短波紅外波段B6、B7與LAI呈顯著負(fù)相關(guān)（P＜0.05），植被指數(shù)ARVI、EVI、RDVI與LAI呈顯著正相關(guān)（P＜0.05）。

表4 遙感變量的相關(guān)性分析結(jié)果Table 4 Correlation analysis results of variable factors

3.3 不同觀測(cè)尺度高山松LAI估測(cè)模型對(duì)比分析

以15、30、45、60 m觀測(cè)尺度所對(duì)應(yīng)的高山松LAI作為因變量，以篩選后的遙感變量作為自變量。采用支持向量機(jī)回歸（SVR）模型，在MATLAB 2017b軟件下分別建立4組不同觀測(cè)尺度下的高山松LAI估測(cè)模型；采用LOOCV對(duì)模型進(jìn)行精度驗(yàn)證，模型擬合與交叉驗(yàn)證的結(jié)果見表5。從不同觀測(cè)尺度下建模和交叉驗(yàn)證結(jié)果可以看出，隨觀測(cè)尺度的上升，交叉驗(yàn)證的RMSE與擬合的RMSE變化趨勢(shì)一致。估測(cè)模型決定系數(shù)介于0.400～0.554；預(yù)測(cè)均方根誤差介于0.318～0.377；預(yù)測(cè)精度介于83.51%～86.10%。當(dāng)采樣尺度為15 m時(shí)，擬合的R2和交叉驗(yàn)證P達(dá)到最大，分別為0.554、86.10%。不同觀測(cè)尺度大小下的估測(cè)精度變化與自變量的相關(guān)性分析結(jié)果一致，因此觀測(cè)尺度的選擇可以在一定程度上提高LAI的估測(cè)精度。

表5 模型擬合結(jié)果與驗(yàn)證結(jié)果Table 5 Model fitting results and verification results

3.4 高山松LAI空間分布

以估測(cè)精度最高的15 m觀測(cè)尺度對(duì)香格里拉高山松LAI進(jìn)行估測(cè)，結(jié)合森林資源二類調(diào)查數(shù)據(jù)提取的香格里拉高山松分布范圍，得到香格里拉高山松LAI空間分布圖（圖2）。由圖2可知，高山松主要分布在香格里拉中部，香格里拉高山松LAI值集中在2～4之間。低葉面積指數(shù)區(qū)域主要分布在北部，高葉面積指數(shù)主要集中在中部，少量分布于南部；高山松覆蓋度高的地方，葉面積指數(shù)越大，香格里拉高山松LAI的估測(cè)結(jié)果與實(shí)際情況基本一致。

圖2 香格里拉高山松LAI分布Fig. 2 LAI distribution of P. densata in Shangri-La

4 結(jié)論與討論

本研究開展了Landsat 8-OLI遙感影像采樣尺度對(duì)高山松LAI估測(cè)精度的比較分析。通過對(duì)Landsat 8-OLI遙感影像重新采樣，確定觀測(cè)尺度范圍，提取不同采樣尺寸下的遙感特征變量，建立不同觀測(cè)尺度上高山松LAI的SVR估測(cè)模型，對(duì)高山松林LAI遙感估算的觀測(cè)尺度進(jìn)行優(yōu)化分析，得出以下結(jié)果：

1）觀測(cè)尺度大于60 m時(shí)，冠層反射率突變，無法反映樣地的林分實(shí)際情況，因此選取觀測(cè)尺度為15、30、45、60 m的影像進(jìn)行遙感特征變量提取。

2）隨觀測(cè)尺度增加，LAI與遙感變量的相關(guān)性減小，且有相關(guān)性的變量也減少至5個(gè)，說明了Landsat 8-OLI遙感影像數(shù)據(jù)對(duì)高山松LAI的估測(cè)精度受采樣尺度的影響；所有觀測(cè)尺度中，B6、B7、ARVI、EVI和RDVI變量因子與所有尺度都有顯著性相關(guān)。

3）估測(cè)結(jié)果表明隨觀測(cè)尺度的上升，估測(cè)精度隨著采樣尺寸的增大而減小。當(dāng)觀測(cè)尺度為15 m時(shí)，模型估測(cè)效果最佳，決定系數(shù)（R2）為0.554，估測(cè)精度（P）為86.10%。

本研究分析了基于SVR模型估測(cè)不同尺度精度，發(fā)現(xiàn)利用Landsat 8-OLI遙感影像來反演高山松LAI進(jìn)行估測(cè)時(shí)，空間采樣的選擇在一定程度上影響估測(cè)精度，但本研究?jī)?yōu)化選擇的觀測(cè)尺度與王強(qiáng)等[13]、王冬玲等[14]的研究結(jié)果并不一致。一方面由于樣地大小的不同和LAI地面測(cè)量真值的差異，導(dǎo)致研究結(jié)果有一定差異；另一方面本研究?jī)H采用SVR模型對(duì)LAI進(jìn)行不同尺度遙感估測(cè)，估測(cè)模型較為單一，預(yù)測(cè)結(jié)果精度有一定的提升空間。在今后的研究中將考慮采用更加精確的樣地LAI測(cè)量并引入其他估測(cè)模型進(jìn)一步分析，從而提高針葉林LAI遙感估算的估測(cè)精度。