基于纹理信息的森林蓄积量估计1)

房秀凤 谭炳香 刘清旺 王怀警

(中国林业科学研究院资源信息研究所，北京,100091)

基于纹理信息的森林蓄积量估计1)

房秀凤 谭炳香 刘清旺 王怀警

(中国林业科学研究院资源信息研究所，北京,100091)

以河北省秦皇岛市山海关公益林为研究对象，结合Landsat TM数据和森林资源二类调查数据，运用灰度共生矩阵分析法提取纹理信息，采用逐步回归法建立多元线性回归模型，进行森林蓄积量的估算。结果表明：选取纹理因子参与建模，建立的线性回归方程的拟合效果较好，估测模型的R2值达0.766，估计值的标准误差最小，标准误差最小值为28.036，说明纹理因子对提高森林蓄积量的估测精度有重要影响。

森林蓄积量；遥感数据；灰度共生矩阵；纹理因子

森林蓄积量是表征森林数量的重要指标之一，森林蓄积的估测也是国家掌握森林资源的重要依据。国内从20世纪70年代开始利用遥感技术对森林蓄积量进行估测[1]。我国于1954年建立了“森林航空测量调查大队”，将遥感技术应用到林业调查中[2]。随着科学技术的发展，如何利用高新技术快速便捷的完成以往需要耗时费力的林业调查(如森林蓄积量的估测)，已成为当今林业的热点之一。而把遥感(RS)技术和地理信息系统技术应用于森林蓄积量的估测，有效的解决了传统森林蓄积量调查的难题[3-6]。纹理信息是遥感影像重要的视觉线索之一，纹理分析可用于图像处理中探测识别不同地物特征，利用纹理的差异识别林木、灌丛等光谱特征相似的植被[7-9]。因此，本研究以山海关公益林为研究对象，结合TM影像和二类森林资源调查数据，在前人对森林蓄积量的经验研究基础上，对于建模因子的选择加入了表征纹理信息的灰度共生矩阵，并结合统计学原理对多个建模因子进行逐步优选，从而建立最适宜森立蓄积量估测的模型。

1 研究区概况

研究区位于秦皇岛市山海关区境内，自然条件优越，森林资源丰富[10]。根据2007年森林资源二类调查资料显示，研究区域所在的山海关林场总面积3 133 hm2，其中，天然林面积为1 846.1 hm2，活立木蓄积41 104.2 m3，人工林面积为1 285 hm2，活立木蓄积为78 982.9 m3。山海关林场小班地理位置如图1所示。

图1 山海关林场地理位置及小班示意图

2 研究方法

2.1 数据获取

本研究使用的遥感数据是在地理空间数据云网站上下载的覆盖秦皇岛市山海关林场2007年9月19日的LandsatTM影像，影像空间分辨率为30 m。因TM6为热红外波段常用于探测温度，土壤水分识别和热制图，在本研究不予使用，因此在影像处理中将其剔除。

除遥感数据外，还收集到山海关地区行政边界数据，用以裁剪原始影像数据生成研究区影像；山海关林场2007年森林资源二类调查小班数据，用以提取林分因子，并与遥感影像叠加提取建模所需的其他自变量值。

遥感估测蓄积量需要提取遥感影像上的像元信息，把像元信息作为构建模型的自变量。遥感影像上原始像元值是灰度值，在进行蓄积量遥感估测时，真实的地物反射率需经过大气校正后才能获得，因此，建立蓄积量估测模型需要对研究区数据进行预处理，主要是对获取的遥感影像进行辐射校正(包括辐射定标和大气校正)。进行大气校正采用的是Flaash大气校正模块，通过矫正消除由传感器本身产生的内部误差和由大气、地形引起的外部误差的影响[11-13]。

图2 山海关区遥感影像

2.2 技术路线

本研究将影响森林蓄积量的建模因子主要分为3类，第1类是通过森林资源二类调查数据得到的郁闭度因子；第2类是从遥感影像上获取的反射率值、波段比值和相关的植被指数；第3类则是为了更有效的反映遥感影像地物信息，整体把握影像中森林与周围环境关系，从空间上全面的分析森林信息，结合遥感影像采用灰度共生矩阵分析法提取纹理因子。

经过相关性分析，3类建模因子间存在复线性相关，且存在与蓄积量相关性小的因子。由于逐步回归是根据所选因子要素重要性的大小确定的，每步选一个重要变量进入回归方程，第一步使选择的要素有大于其他要素的偏回归平方和；第二步在未选的要素中选一个要素，使它与已选的要素构成二元回归方程，比其它要素组成的二元回归方程有更大的回归平方和。以此类推，每选一次都进行显著性检验。同时，考虑后选要素影响，已选要素显著性降低，把其中回归平方和最小的要素进行显著性检验，把不显著的加以剔除。如此循环进行到无不显著要素可剔除，又无显著要素可选入为止[14]。

林分因子：在森林资源二类调查数据资料中，小班的调查因子很多，它们都应在构建蓄积量估测模型构建过程中予以考虑。对于利用TM数据估测森林蓄积量，有些因子是无法引入估测模型的。为了提高估测效率，本研究只选取与蓄积量极相关的郁闭度因子参与模型的建立，将调查的小班与研究区影像在ARCGIS中叠加，使得影像(面图层)具有相应属性，完成将郁闭度的属性值赋给影像。

遥感因子的提取：对植被的遥感研究主要是植被的光谱信息特征。选取的遥感因子如表1所示。

表1 提取的遥感因子

提取纹理因子：纹理是遥感影像重要的视觉线索之一，一般把局部不规则而宏观有规律的特性叫做纹理特性。灰度共生矩阵是研究图像灰度的空间相关性的一种方法。这种方法是基于像元灰度为某一值的像素，研究灰度共生矩阵中图像像元在不同方向、不同间隔等空间上的关系，常作为分析纹理特性的重要依据[15-16]。通过灰度共生矩阵分析法，提取的8个特性因子分别为：对比度、熵、逆差距、相关性、能量(二阶矩)、均值、协方差、差异性。将二类调查数据进行整理，并抽取了490个样本，将这490个样地的小班区划图与TM影像、灰度共生矩阵影像进行叠加，提取出对应的因子值。对于TM影像数据选取的6个波段，每个波段提取8个特性因子，共提取48个特性因子。

取图像(N×N)中任意一点(x，y)其灰度值为i，及偏离它的另一点(x+Δx，y+Δy)，设该点对应的灰度值为j，对应灰度级为k，G表示灰度共生矩阵。

对比度是反映图像的清晰度和纹理沟纹的深浅。对比度越大，图像越清晰，对比度越小，沟纹越浅，图像越不清晰。对比度计算公式为：

熵是反映了图像中纹理的复杂程度和非均匀程度。当熵的值比较大时，图像分布不均匀，图像的随机因素或噪声会比较大，当熵的值比较小时，图像的灰度值分布均匀，纹理较简单。熵的计算公式为：

逆差距是反映图像纹理的同质性，值越大局部越均匀。当逆差距的值较大时，灰度像元对角元素值越大。逆差距的计算公式为：

能量(又称二阶矩)是反映了图像灰度分布的均匀程度和粗细程度。当灰度共生矩阵的元素集中分布时，能量的值较大，反之则较小。能量的计算公式为：

相关性是反映了灰度共生矩阵的像素的相似程度。计算公式为：

其中：

除上述5种灰度共生矩阵的特征因子外，对于研究区的遥感影像还提取了均值、协方差、差异性。

3 结果与分析

3.1 逐步回归结果

在统计软件SPSS中再将提取的三类变量用逐步回归的方法进行探索分析。本研究以回归系数显著性检验中各自变量的F统计量的相伴概率值Sig≤0.05和Sig≥0.10作为自变量是否引入模型或者从模型剔出的标准。当自变量的F统计量的相伴概率值Sig≤0.05，认为该变量对因变量的影响是显著的，应被引入回归方程；当自变量的F统计量的相伴概率值Sig≥0.10时，则认为该变量对因变量的影响不显著，应从回归方程剔除。由2表可知，入选变量有郁闭度、第7波均值、第4波段差异性、RVI(比值植被指数)、第2波段均值。当显著水平为0.05时，入选的变量在T检验下概率值均小于0.05，因而通过T检验。说明这几个因子间不相互关联，且对蓄积量的影响很大，可参与估测方程的模拟。

当参与模型构建的自变量只有郁闭度、纹理因子时，入选的变量有郁闭度、第7波段均值、第4波段差异和第2波段均值，在显著性水平0.05下，入选的因子在t检验下，统计量分析结果如表3所示。

表2 5个入选变量的t检验结果

表3 4个入选变量的t检验结果

当参与模型构建的自变量只有郁闭度、遥感因子时，在显著性水平0.05下，入选的因子经t检验的结果见表4。

表4 2个入选变量的t检验结果

3.2 模型构建与检验

(1)郁闭度、遥感因子和纹理因子都参与建模并对选入的变量重新编号，令自变量x1为郁闭度，x2为第7波段均值，x3为第4波段差异性，x4为RVI(比值植被指数)，x5为第2波段均值，y为小班单位蓄积量，经上述逐步回归拟合得到的方程为：y=16.808x1+4.098x2+0.04x3-2.616x4-3.781x5-38.511。回归模型的相关系数为0.766，拟合线性回归的确定性系数为0.587，能够较好地反映出蓄积量与入选的遥感因子、纹理因子以及与林分立地因子郁闭度之间的关系，最终估计值的标准误差为28.036，回归方程的显著性检验对应的F统计量的值为63.034，显著水平为0小于0.05，达到显著性水平检验。如图3和图4可知，累计概率在0.5～0.8拟合程度较低，但是对应的标准化残差大于4的频率较低，因此，回归方程具有显著的线性回归关系。

(2)郁闭度和纹理因子都参与建模，对选入的变量重新编号，令自变量x1为郁闭度，x2为第7波段均值，x3为第四波段差异性，x4为第二波段均值，y为小班单位蓄积量，经上述逐步回归拟合得到的方程为：y=16.417x1+3.82x2+0.049x3-3.168x4-57.357。

由图5、图6可知，回归模型的相关系数为0.724，拟合线性回归的确定性系数为0.525，且最终估计值的标准误差为29.895大于第一个方程，可见，其拟合效果不如第一个方程好，回归方程的显著性检验统计量作F检验，对应的F统计量的值为109.003，显著水平为0小于0.05，达到显著性水平检验，也具有显著的线性回归关系。

图3 观测值与期望值累积概率拟合关系

图4 回归标准化残差正态分布图

(3)郁闭度和遥感因子参与建模，选入的变量重新编号，令自变量x1为郁闭度，x2为第7波段值，y为小班单位蓄积量，经上述逐步回归拟合得到的方程为：y=17.717x1+166.335x2-74.205。

由图7、图8可知，回归模型的相关系数为0.541，最终估计值的标准误差为40.907都大于前两个方程，回归方程的显著性检验统计量作F检验，显著水平小于0.05，虽然达到显著性水平检验，具有显著的线性回归关系，但是拟合程度低于前两个模型。

图5 观测值与期望值累积概率拟合关系

图6 回归标准化残差正态分布图

图7 观测值与期望值累积概率拟合关系

图8 回归标准化残差正态分布图

3.3 蓄积量估测精度评价

根据上述公式计算得到的蓄积量估测分布图如图9所示，模型的精度评价分析如表5所示。

图9 研究区山海关林场蓄积量预测分布图

小班编号单位蓄积量/m3·hm-2估测蓄积量/m3·hm-2残差/m3·hm-2相对残差/% 16672.3176.3179.5725869.66911.66920.1234763.67016.67035.4745862.8654.8658.3955772.20315.20326.6765866.7268.72615.0575351.1691.8313.4585264.63812.63824.3095334.40418.59635.09104443.1880.8121.85︙︙︙︙︙1155771.90714.90726.151162526.9461.9467.781175257.0705.0709.751183850.91512.91533.991195136.03314.96729.351205573.64018.64033.89

注：平均相对残差19.01%；平均相对精度80.99%。

在本研究中剔除异常小班后，选取的样本为490块，除去用于模型构建的370块小班，用余下的120个小班进行估测方程精度的验证。仅对建立的第一个估测方程进行验证，由表5可知估测的相对精度为80.99%，估测效果良好。

4 结论

对于建模因子的选取，本研究通过灰度共生矩阵方法提取的纹理信息参与到建模中，经过比较分析可知纹理因子有助于提高森林蓄积量的估算精度。

由于选择的灰度共生矩阵提取的纹理因子较多，且选取的各因子间存在一定的相关性，而逐步回归分析的优点是可以在众多的建模因子中筛选出较为重要的因子。因此，采用逐步回归进行探索分析，根据因子对蓄积量影响程度的大小筛选出适宜因子进行建模，使得建立的估测方程，能通过F检验，说明估测方程有效，其线性关系较显著。

由于掌握的数据的全面性不是很理想，对估测精度有一定的影响，通过分析本研究的缺陷有：①本研究对森林蓄积量的估测是基于整体的小班数据，存在针叶林和阔叶林的反射光谱特征存在差异性，二者混合建模降低了最终的估测精度。②由于数据全面性不是很理想，比如缺乏对地形的全面性考虑导致不能完全剔除异常数据，使得最终估测精度降低，这些问题都需要再进一步的研究完善。

[1] 于楠楠.基于TM数据的森林蓄积量估测模型研究[D].呼和浩特：内蒙古农业大学,2012.

[2] 孙司衡.迈进新世纪的我国林业遥感[J].卫星应用,2000,8(2):43-45.

[3] 包盈智,袁凯先,赵宪文,等.森林二类调查中蓄积量遥感估测方法应用实例[J].林业科学研究,1996,9(3):234-238.

[4] 赵宪文.林业遥感定量估测[M].北京：中国林业出版社,1997.

[5] 黄平,侯长谋,杨燕琼.基于RS、GIS的杉木林分蓄积量判读模型研究[J].中南林业调查规划,2003,22(1):25-27.

[6] POPESCU S C, ZHAO K G. A voxel-based lidar method for estimating crown base height for deciduous and pine trees[J]. Remote Sensing of Environment,2008,112(3):767-781.

[8] 韩晶,邓喀中,李北城.基于灰度共生矩阵纹理特征的SAR影像变化检测方法研究[J].大地测量与地球动力学,2012,32(4):94-98.

[9] 刘舒,姜琦刚,邵永社,等.应用灰度共生矩阵的纹理特征描述的研究[J].科学技术与工程,2012,12(33):8909-8914.

[10] 韩丹丹,乔秀荣.浅谈山海关林场森林资源的利用与[J].河北林业科技,2006,34(4):45-46.

[11] 王雪军.基于多源数据源的森林资源年度动态监测研究：以鞍山市为例[D].北京：北京林业大学,2013.

[12] 赖日文.基于RS与GIS技术闽江流域森林资源利用评价研究[D].北京：北京林业大学,2007.

[13] 张彦林.基于3S技术的山东省森林蓄积量定量估测研究[D].北京：北京林业大学,2008.

[14] 张超.计量地理学基础[M].北京：高等教育出版社,1991.

[15] 冯建辉,杨玉静.基于灰度共生矩阵提取纹理特征图像的研究[J].北京测绘,2007,21(3):19-22.

[16] 李慧娜,郭超峰,平源.灰度共生矩阵在指纹图像分割中的应用[J].数据采集与处理,2012,27(1):63-67.

EstimationofForestStockVolumebyTextureInformation//

Fang Xiufeng, Tan Bingxiang, Liu Qingwang, Wang Huaijing

(Institution of Forest Resources Information Technique, Chinese Academy of Forestry, Beijing 100091, P. R. China)//

Forest stock volume; Remote sensing data; GLCM; Texture factors

1)国家重点研发计划项目(2017YFD0600904)；国家高分专项(30-Y20A37-9003-15/17-3)。

房秀凤，女，1991年6月生，中国林业科学研究院资源信息研究所，硕士研究生。E-mail：1156807749@qq.com。

谭炳香，中国林业科学研究院资源信息研究所，研究员。E-mail：tan@caf.ac.cn。

2017年3月22日。

责任编辑：王广建。

TP79

Journal of Northeast Forestry University，2017,45(11)：21-25.

With Shanhaiguan Public Welfare Forest of Qinhuangdao City in Hebei Province as the research area, we extracted texture features by gray level co-occurrence matrix (GLCM) based on the forest resource inventory data for management and Landsat TM images, and the multiple linear regression model was established by stepwise regression method to estimate the forest volume. The fitting result was better if selected texture factors to establish model withR2of 0.766, the smallest standard error of the estimated value, and the minimum error of standard error of 28.036. Therefore, the texture factor has important influence on the estimation precision of forest volume.