基于3S技術和SPSS軟件的香格里拉市森林蓄積量估測探析

華世明，羅燕彬，楊 華

(1.云南青松林業規劃設計有限公司，云南 昆明 650224；2.云南省林業調查規劃院大理分院，云南 大理 671000)

1 引言

森林蓄積量是指森林中全部樹木材積的總和，是評價森林數量的一個重要指標，目前森林蓄積量遙感估測中有很多的案例建立了相應的監測系統[1]。利用Landsat8衛星影像，將提取的全色波段的紋理特征與多光譜波段的光譜信息相結合，分析引入全色波段紋理特征能否提高蓄積量的預測精度[2]。

2 研究區概況

香格里拉市地跨處于東經99°22′23.79″～100°18′24.69″，北緯26°52′10.94″～28°50′57.91″，地處青藏高原東南緣橫斷山脈三江縱谷區東部，地形總趨勢為西北高、東南低，最高點巴拉格宗海拔5545 m，最低點洛吉吉函海拔1503 m，海拔高差4042 m，平均海拔3459 m。境內地貌按形態可分為山地、高原、盆地、河谷。香格里拉市屬高原型亞熱帶季風氣候，具有雨熱同季、干濕季節分明、冬無嚴寒、夏無酷暑、四季如春的氣候特征，年平均氣溫14.7 ℃，全年日照時數2210 h，無霜期227 d，年平均降水量891.5 mm，年平均蒸發量1968.3 mm，年均相對濕度72%。全市河流全屬金沙江水系，境內共有大小河流244條，流域面積8065.9 km2，分別在不同河段注入金沙江。2016年森林資源規劃設計調查成果顯示：全市森林面積867720.5 hm2，林業用地面積962159.3 hm2，活立木總蓄積量133224410 m3，森林覆蓋率76.00%，林木綠化率83.19%，公益林與商品林比例為89.47∶10.53[3]。

3 研究方法

3.1 數據來源

3.1.1 LANDSAT數據的獲取

使用Landsat8 OLI 傳感器的遙感影像，在地理空間數據云網站上獲取影像數據，成像時間是2017年，分辨率為30 m，其7個波段分別為氣溶膠波段(0.433～0.453 μm)藍光波段(0.450～0.515 μm)綠光波段(0.525～0.600 μm)紅光波段(0.630～0.680 μm)、近紅外波段(0.845～0.885 μm)、短波紅外1(1.560～1.660 μm)短波紅外2(1.000～2.300 μm)，分辨率為30 m，使用前對圖像進行了輻射校正和大氣校正。

3.1.2 樣地蓄積量實測數據來源

選擇2016年香格里拉市森林資源規劃設計調查野外角規控制調查樣地做為本次研究樣地實測數據參照，香格里拉市高山櫟林、云南松林、高山松林和云冷杉林共占到全縣喬木林面積的90%以上。調查樣地的抽取主要根據森林海拔、坡度、坡向、坡位、土壤等立地條件，以及樹種、齡組、林相、郁閉度等森林結構因子結合森林植被分布特征[4]和規律進行確定，做到樣地盡量分布均勻并具有代表性。

3.2 研究方法

Landsat是美國陸地探測衛星系統[5]，軌道高度為705 km，傾角為99.22°，重復周期是16 d，掃描帶寬185 km。TM(Thematic Mapper)是Landsat衛星上安裝的成像設備，以獲取地球表層豐富的信息。利用ENVI對Landsat8衛星影像預處理[6]，經過大氣輻射校正和幾何校正后的TM影像，消除大氣輻射造成的誤差，之后進行鑲嵌處理，得到完整的香格里拉市遙感圖像；之后將格式轉化為圖片(.TIFF)提取各類因子。根據各類植被指數[7]公式算出相應的植被指數；自變量的單波段遙感因子；紋理因子(均一性、差異性、熵)；信息增強因子(主成分變換和纓帽變換)。以森林樣地蓄積量因變量，以組合植被指數(DVI、RVI、ARVI)、歸一化植被指數(NDVI)、多波段線性組合指數(VIS123)，運用SPSS軟件進行相關性分析和反演建模以及精度驗證，實現森林蓄積量反演[8]。在ArcGIS軟件中將ENVI提取出的5個因子，進行多值提取至點。

4 數據處理分析

樣地蓄積量與各因子相關性分析，運用SPSS做相關性分析[9]，5個變量中有5個與蓄積量有顯著相關性，隨機選取的472個數據點的蓄積量進行回歸分析并建模[10]。由分析結果可知，R的值為0.196，R方為0.038，調整后的R方0.028，說明模型的模擬效果較好(表1)。

表1 模型摘要

方差分析結果表明，蓄積估算的顯著性為0.000小于0.05，該模型通過顯著性檢驗，即蓄積與各變量之間存在顯著的線性回歸關系(表2、表3)。

表2 方差分析

表3 各變量相關性分析

續表3

由分析可知，T檢驗的結果表明，顯著性為0.000小于0.05，說明在該模型中，即蓄積量與各變量之間具有顯著的線性關系(表4)，該模型為最優模型。

表4 最優模型各變量和系數關系

5 結果與驗證

5.1 蓄積量建模

采用多元逐步回歸模型建立森林蓄積量與遙感因子的估算模型得到：一元線性回歸模擬方程y=a+bx和多元回歸模擬方程y=a+bx1+...bxn。

根據上述方程可得出回歸模型(表5)。

表5 回歸模型

5.2 模型的精度驗證

第一步，相關系數(R方)評價：

相關系數平方值在0-1之間，值越大，模型預測精度越高。

第二步，相對誤差(RE)評價：

RE(%)=(Yi-yi)/Yi×100

(1)

式(1)中：Yi和yi分別為實測值和理論值，取相對誤差絕對值的平均值作為模型精度檢驗指標，值越小，模型精度越高。

第三步，均方根差(RMSE)評價：

(2)

式(2)中：Yi和yi分別為實測值和理論值，n為測定樣本數。RMSE值越小，模型的精度水平越高。

結果顯示，預估精度較高，表明模型對于蓄積量的估測是可行的。其中，提取出的蓄積量與預測蓄積量之間的關系用散點圖表示可以看出，大部分呈現線性相關(表6)。

表6 模型精度檢驗預估結果

6 結論與討論

6.1 結論

近年來隨著“3S”(RS、GIS、GPS)技術的快速發展，在監測森林蓄積量中的作用日益顯著[11]。利用“3S”技術估測森林蓄積量的研究主要集中于以下2個方面：一是趨向于利用光學遙感與微波遙感數據相結合的多源遙感數據建立模型；二是從經典的多元回歸線性模型向非線性模型發展[12]。植被紋理分析方法的應用主要用于土地利用/覆蓋變化研究，提高遙感影像分類精度以及生物量、葉面積指數估算方面，而很少用于森林蓄積量估算的研究中[13]。多光譜與全色波段的融合圖像的紋理信息在某些窗口下與蓄積量之間存在明顯的相關性，能夠較好地估測森林蓄積量[14]。從結果與驗證可以看出，利用Landsat8全色波段的紋理特征建模進行蓄積量估測是可行的[15]，能夠達到對蓄積量估測的精度要求，具有良好的應用前景。

6.2 討論

森林蓄積量估測比傳統方法更加節約人力、物力和財力，本研究為森林資源監測技術的提高和改善提供了新的途徑和方法。由于選用的是參數建模，數據處理中仍然存在一些問題，比如可能選擇了不合適的變量，用軟件處理數據時，對處理后的數據存在錯分或漏分的現象需要手動編輯進行校正等，需要在進一步的研究中加以驗證解決。在解決這些問題后，才能真正實現在林業建設數字化的大趨勢下，充分利用信息化軟件、智能手機作為移動終站設備的優勢，提高工作效率、節約外業調查階段的運營成本、提高調查成果質量和精度。