杉木人工林平均树高遥感反演模型研究

杉木人工林平均树高遥感反演模型研究
陈利;林辉;孙华;严恩萍
【摘要】以湖南攸县黄丰桥国有林场杉木人工林为研究对象,以高分辨率SPOT5
影像及1:10000地形图为数据源,提取海拔、坡度、坡向、郁闭度,B1(反射率)、
B2(反射率)、B3(反射率)、B4(反射率),B1/B4、B2/B4、B3/B1,EVI、NDVI、RVI
等14个因子,运用主成分分析法以及岭迹估计法剔除与平均树高相关性小的变量因子,确定影响平均树高估测的主要因子为:B2(反射率)、B4(反射率)、坡向、郁闭度、NDVI.基于最小二乘法建立遥感反演关系模型,用实地调查数据进行模型检验,平均
树高估测回归模型的相关系数、决定系数、调整相关系数以及标准估计的误差分别为0.8910、0.7930、0.7740、0.8422,树高估测模型达到较好的拟合效果,得到杉
木人工林的平均树高模型.%Taking the high resolution SPOT5 image and 1:10 000 topographic map as data sources, 14 factors including the elevation, slope gradient, slope aspect, canopy density, the reflectivity of B1, ( 1st band) , B2 (2nd band) , B3(3rd band) ,B4(4lh band) , B1/B4, B2/B4, B3/B1 EVI, NDVI and RVI that affected on the tree height estimation of Cunninghamia lanceolata plantation at Huangfengqiao State-owned Forest Farm, Youxian County , Hunan Province were extracted, and finally B2, B4 , slope aspect, canopy density and NDVI were determined as the 5 principal factors influencing on the tree height estimation by means of the Principal Component Analysis method and the Ridge Estimation method to eliminate the low-correlation variable factors. The inversion model was
built based on the Least Squares method, and the model was testified with field survey data, the correlation coefficient , coefficient of determination,
adjustment correlation coefficient and the error of standard assessment of the regression model were obtained respectively as 0. 891 0, 0. 793 0, 0. 774 0 and 0. 842 2. The results showed that the imitation effect of the tree height estimation model for C. lanceolata plantation was pretty good, and the average tree height estimation model was set up.
【期刊名称】《西南林业大学学报》
【年(卷),期】2012(032)002
【总页数】6页(P53-56,61,封3)
【关键词】杉木人工林;森林结构;最小二乘法;SPOT5
【作者】陈利;林辉;孙华;严恩萍
【作者单位】中南林业科技大学林业遥感信息工程研究中心,湖南长沙 410004;中
南林业科技大学林业遥感信息工程研究中心,湖南长沙 410004;中南林业科技大学
林业遥感信息工程研究中心,湖南长沙 410004;中南林业科技大学林业遥感信息工
程研究中心,湖南长沙 410004
【正文语种】中文
【中图分类】S757.2
测量树木高度是森林调查的一项重要工作，是评价立地质量和林木生长状况的重要依据。

在森林资源调查中，立木高度测量结果的精度直接影响调查的质量以及相关数表的准确性［1－3］。

杉木(Cunninghamia spp.)是我国南方重要的用材树种，其造林面积和林分蓄积均居我国人工林首位，在国民经济中占有极为重要的地位。

当前，世界工业用材林正朝着定向、速生、丰产、优质、稳定及高效的方向发展，研究杉木林分平均树高模型对于林分调查有很大帮助。

平均树高参数能够直观反应林分生长状况，因此，将高分辨率遥感数据用于森林结构的平均树高参数反演研究具有重要意义。

近年来，随着高光谱遥感以及SPOT5等高空间分辨率遥感数据图像的出现，对林分乃至单木的监测成为可能。

虽然国内外对平均树高模型作了大量研究，如利用林内立木地面阴影估算树高模型，但对于密度较大的林分来说，在遥感影像上很难获取林内立木的地面阴影;还有利用航片来估测树高模型，但精度不是很理想。

本文
以SPOT5遥感数据为信息源，研究杉木人工林的平均树高模型，提高估测精度，以期为杉木人工林的林分生长状况及可持续经营提供参考。

1 研究区概况
黄丰桥国有林场位于湖南攸县东西部，呈带状分布，地处北纬27°06'～27°04'，
东经113°04'～113°43'，东西长63 km，南北宽42 km。

林场地貌以中低山为主。

东部由海拔800 m以上的中山构成重叠山群，地形复杂，山峦起伏，地势由东向西，由中山向丘陵递降。

林场内最高海拔为1 270 m，最低为115 m，坡度20°～35°。

林场属以保护为主的生态公益型林场，森林茂盛，覆盖率达90%。

林
分类型以杉木人工林为主，广泛分布着杉木幼龄、中龄以及成熟林，交通便利，为本次研究提供了良好的条件。

2 数据来源
研究数据为2009年11月4日接收的SPOT5影像，1∶10 000地形图。

地面数
据采集以角规测树法为主，六株木测树法为辅［4－6］。

布设样地95个，数据采集的因子包括:地理坐标、土壤类型、土层厚度、林种、郁闭度、树高、胸径、主
冠幅直径和冠幅高等。

3 研究方法
SPOT5遥感数据处理［7］过程主要包括:正射校正，数据融合，假彩色合成，几
何校正［8］，截取研究区的影像，以半径为20 m的缓冲区域提取样地点的灰度值、归一化植被指数等遥感因子。

利用地形图制作研究区1∶10 000 DEM数据，提取高程、坡度和坡向等地形因子。

将这些信息作为定量反演森林结构平均树高参数的影响因子，利用主成分分析法及岭迹估计分析［9］进行变量筛选，剔除异常及相关性小的变量因子，基于最小二乘［10］法建立线性回归模型。

遥感影像校
正后及样地点的分布见图1，研究的技术路线见图2。

3.1 初始变量设置
在森林结构参数估测研究中，变量设置要充分考虑森林的生物学特征和环境特征。

具体设置方法如下。

1)反射率。

由于遥感影像植物光谱反射特征与植被分布密度及植被长势等因素有关，所以研究中设置遥感数据的反射率作为变量［11］。

计算公式为:
式中:X是校正后的图像像元值;A是辐射校正后图像产品绝对定标增益，
(m2·sr·μm)/W;B是图像产品的定标偏置，W/(m2·sr·μm)。

在SPOT数据产品中，参数A和B在辅助文件中给出。

2)植被指数与波段比值。

植被指数可以反映植物生长状况和分布特征。

植被被监测的物理基础是由于植物对红外波段和近红外波段光的吸收和反射特性不同。

植被指数与植物的长势、生物量、覆盖度及季相变动等都有很强的相互关连性，因此，植被指数是研究植被的重要指标。

所以，研究中把归一化植被指数、比值植被指数、环境植被指数设置为变量。

计算公式如下:
比值植被指数为:RVI=B3/B2
归一化植被指数计算公式:
环境植被指数为:EVI=B3－B2
式中:B2为红外波段的灰度值;B3为近红外波段的灰度值。

波段比值可以有效消除辐射噪音以及地形因子等因素的影响，并且能够有效改善同物异谱和同谱异物现象。

在研究中可利用多波段信息，增大信息量和类间方差，所以选用SPOT5的多光谱数据波段比值 B1/B4、B2/B4、B3/B1 作为变量。

3)地理环境因子。

地理环境因子如海拔、坡度、坡向等不仅对林木的生长有影响，而且对林木的反射光谱成像也会产生影响。

因此，研究也将海拔、坡度和坡向设置为变量构建森林结构参数估测模型。

3.2 自变量优选方法
研究采用主成分分析以及岭迹分析法对变量因子进行筛选，以克服变量间多重共线性对参数的不利影响，简化估测模型［12］。

多重共线性是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。

研究运用SPSS软件求出相关矩阵，看矩阵中自变量的相关系数是否都＜0.75，若有＞0.75的值，则说明存在多重共线性。

岭迹回归分析法是从根本上消除复共线性影响的统计方法，是一种专门用于共线性数据分析的有偏估计方法，它实际上是一种改良的最小二乘法，是以放弃最小二乘的无偏性，放弃部分精确度为代价来寻求效果稍差但更符合实际的回归过程。

岭迹回归模型通过在相关矩阵中引入一个很小的岭迹参数K(1＞K＞0)，并将它加到主对角线元素上，从而降低参数的最小二乘估计中复共线性特征向量的影响，减小复共线变量系数最小二乘估计的方法，以保证参数估计更接近真实情况［13－17］。

岭迹回归分析将所有变量引入模型中，比逐步回归分析提供更多的信息。

然后再利用主成分分析法进行因子筛选，主成分分析法就是要对自变量进行剔除，
剔除原则是先求出自变量矩阵的特征根和特征向量，剔除最后一个近似为0的特征根所对应的特征向量中最大的分量。

变量筛选方法首先是求出所有特征根和特征向量，按照上述变量剔除原则剔除变量后，再对剩余变量进行主成分分析。

不断重复此过程，直到特征根不是很多为止。

4 模型建立与精度分析
建立用于估算平均树高的多元线性回归［12］模型。

借助SPSS 19.0完成此模型的建立，设定F分布的概率为进入≤0.05，移除≥0.10，进行回归分析。

方差分析见表1。

表1 方差分析F Sig.回归平方和 df 均方149.658 5 29.932 42.197 0.000残差39.013 55 0.709总计188.671 60
由表1可知，当Sig.≤0.05，则通过F检验。

该模型通过了总体显著性检验。

回归系数如表2所示。

表2 回归系数模型非标准化系数B 标准误差标准系数t Sig.13.126 1.198
10.958 0.000 B2(反射率)－155.670 25.446 －1.434 －6.118 0.000 B4(反射率) 28.971 7.194 0.780 4.027 0.000坡向－0.686 0.124 －0.386 －5.533 0.000郁闭度 8.726 0.976 0.597 8.943 0.000(常量)NDVI －11.647 1.873 －0.694 －6.219 0.000
由表2可知，当Sig.≤0.05，则通过t检验。

该模型的每个回归系数均通过了t检验。

最优模型统计参数如表3所示。

表3 树高估测逐步回归最优模型统计参数自由度相关系数R 决定系数R2P 调整相关系数R2α标准估计误差55 0.891 0 0.793 0 0.774 0 0.842 2
由表3可看出，树高估测回归模型的相关系数、决定系数、调整相关系数以及标准估计误差分别为0.891 0，0.793 0，0.774 0，0.842 2，说明树高估测模型达到了较好的拟和效果。

综合分析可知，在16个变量中只有5个变量入选，用于估算平均树高的多元线性回归模型。

式中:x1为B2(反射率);x2为B4(反射率);x3为坡向;x4为郁闭度;x5为NDVI。

其中，坡向的取值标准是:阳坡为1，阴坡为－1，无坡向为0;东坡、北坡、东北坡和西北坡为阴坡值－1，南坡、西坡、东南坡和西南坡为阳坡值1。

以随机选取60块样地数据为基础，以树高为因变量，以海拔、坡度、坡向、郁闭度，B1(反射率)、B2(反射率)、B3(反射率)、B4(反射率)，B1/B4、B2/B4、
B3/B1，EVI、NDVI、RVI等 14 个因子为自变量，通过主成分分析以及岭迹分析剔除异常及相关性小的变量。

最后确定的影响平均树高估测的主要因子为:B2(反射率)、B4(反射率)、坡向、郁闭度、NDVI，建立常规回归线性模型，并进行建模精度检验。

然后用剩余的35块样地数据进行模型适应性检验，并将其估测结果与实测结果相比较，验证估测方程的可行性。

模型精度检验曲线如图3，残差分布图如图4。

由图3～4可以看出，估测平均树高与实测平均树高拟合的效果比较好，残差基本上在标准差范围内，估测模型精度较高，能够用于生产实际。

5 结论与讨论
1)通过主成分分析以及岭迹回归分析，筛选出影响平均树高估测的主要影响因子为:B2(反射率)、B4(反射率)、坡向、郁闭度、NDVI，与传统方法相比省时省力而且效率高。

2)用60个样地数据建立多元线性回归模型，树高估测回归模型的相关系数、决定系数、调整相关系数以及标准估计误差分别为0.891 0，0.793 0，0.774 0，
0.842 2，说明树高估测模型达到了比较好的拟和效果。

3)用35个样地对建立的估测模型进行验证，结果表明:平均树高的总体估测精度为84.22%，说明平均树高的估测模型精度较高，能够用于生产实际。

4)通过建立模型检验曲线以及残差分布，可以发现实测的平均树高与估测的树高拟合效果较好，且残差的变动范围基本上在－1.0～1.5，虽存在个别样点估测偏大或偏小的情况，但不影响总体精度。

本模型只针对杉木人工林，对于混交林以及天然林等其他林分有待后续进一步研究。

［参考文献］
【相关文献】
［1］王卫安，竺幼定.高分辨率卫星遥感图像及其应用［J］.测绘通报，2000(6):1 －5.
［2］冯益明，唐守正，李增元.空间统计学在林业中的应用［J］.林业科学，2004，40(3):76 －83. ［3］冯仲科，余新晓.“3S”技术及其应用［M］.北京:中国林业出版社，2001.
［4］郑天水.SPOT5卫星遥感信息在森林资源调查中的应用现状与解决思路［J］.林业调查规划，2006，31(5):24－28.
［5］官凤英.基于IKONOS影像和GPS技术的森林调查因子估测方法研究［D］.北京:北京林业大学，2004.
［6］孟宪宇.测树学［M］.2版.北京:中国林业出版社，1996.
［7］阮秋琦.数字图像处理学［M］.北京:电子工业出版社，2001.
［8］李崇贵，李春干.森林资源监测SPOT－5遥感图像几何精校正方法研究［J］.北京林业大学学报，2004，26(5):22－25.
［9］俞善贤，汪铎.试用最优子集与岭迹分析相结合的方法确定回归方程［J］.大气科学，1988，12(4):382－388.
［10］曾伟生.再论加权最小二乘法中权函数的选择［M］//骆期邦.林业数表模型:理论、方法与实践.长沙:湖南科学技术出版社，2001.
［11］刘宇光，金明，杨华，等.SPOT数据反演地物辐射亮度和反射率的基础研究［J］.地球信息
科学，2005，7(2):111－115.
［12］章文波，陈红艳.实用数据统计分析及SPSS 12.0应用［M］.北京:人民邮电出版社，2006. ［13］Wikinson G G.Recent Development in Remote Sensing Technology and the
Importance of Computer Vrsion［R］.Analysis Techniques，1999:2 －6.
［14］Zeng Y，Michael E S，Wu B F，et al.Forest structural variables retrieval using EO-1 hyperion data in combination with linear spectral unmixing and an inverted geometric-optical model［J］.Journal of Remote Sensing，2007，11(5):2 －6.
［15］Woodcock C E.Estimation of Forest Stand Structure from LandsatTM Through Inversion of the Li-Strahler Model［R］.International Geoscience and Remote Sensing Symposium，1994:3－6.
［16］张永生，巩丹超.高分辨率遥感卫星应用［M］.北京:科学出版社，2004.
［17］段爱国，张建国.杉木人工林优势高生长模拟及多形地位指数方程［J］.林业科学，2004，40(6):13－18.。