基于Landsat 8-OLI的高山松叶面积指数采样尺度优化分析

赵洪莹 舒清态 罗文秀 罗洪斌 王柯人 袁梓健 谭德宏

（1. 西南林业大学林学院，云南 昆明 650233；2. 临沧市林业和草原局，云南 临沧 677000）

森林植被是陆地生态系统中最大的一部分，约占陆地面积的32.6%，对调节全球气候、维持生物圈内碳氧平衡起着不可替代的作用。叶面积指数（LAI）用于描述群体水平上叶片的生长和叶子密度的变化[1]。在植物光合、蒸腾、水分利用以及构建生产力基础都有重要影响，是反映植物生长状态的重要物理量[2-4]。现有的LAI测量方法大致可分为两种：直接法和间接法。直接测量LAI的方法耗费人力物力，对森林有一定的破坏作用，且测量范围有限[5]；间接测量通常直接使用LAI测量仪得到LAI值。上述所有方法只能获取有限的地面LAI值，不能满足大面积LAI监测的要求。随着遥感技术的发展，遥感反演已成为快速获得大尺度LAI的有效手段[6]。

遥感具有多空间分辨率的特点，其采用多平台、多遥感器的方法进行数据采集。遥感数据的观测尺度不同，相应的尺度特征也有所不同[7]。在以往的研究中，通常采用固定的空间分辨率进行LAI反演，但不同地物有其最佳观测尺度，而尺度研究是定量遥感研究的基础[8-9]，采样尺度的选择对LAI反演有着一定的影响，在植被定量遥感中，遥感反演模型与植被冠层相对应，即最佳观测尺度表现为目标植被冠幅的平均大小，在最佳观测尺度下，目标植被受地物背景值的影响越小，冠层反射率信息较丰富[10-11]。现如今已有学者对遥感尺度选择问题做了大量的研究。Chen[12]利用Landsat TM影像提取NDVI和RVI推导得到的LAI在不同尺度下的估测偏差最大达到45%。王强等[13]利用高分二号影像，利用变异函数和偏最小二乘回归模型，对龙竹（Dendrocalamus giganteus）LAI遥感估测最优尺度选择进行了分析，得出丛生龙竹的影像最优观测尺度为7 m；王冬玲等[14]为了研究不同尺度的光学影像在森林生物量遥感估测中的影响，以高山松（Pinus densata）为研究对象，构建不同尺度下偏最小二乘回归模型，发现空间尺度的变化影响高山松生物量的估测；师玉霞等[15]基于高分二号遥感影像，运用ESP尺度评价工具和目视判读技术，筛选出研究区各区域的最佳分割尺度，采用3种不同的分类法进行遥感分类。

虽然遥感尺度选择已有较多研究，但在高山松林LAI遥感估测中最佳尺度分析的研究较少。因此，本研究以香格里拉市高山松林为研究对象，基于Landsat 8-OLI遥感影像，结合样地实测数据构建SVR模型，分析不同观测尺度下的估测精度变化，确定最佳观测尺度，从而为提高LAI的估测精度提供参考。

1 研究区概况

研究区地处云南省迪庆藏族自治州香格里拉市境内，位于东经99°20′～100°19′，北纬26°52′～28°52′，全县总面积1 141 739 hm2，其中：林业用地面积950 911.7 hm2，约占土地总面积的83.3%；非林业用地面积190 827.3 hm2，约占土地总面积的16.7%[16]。由于地形复杂，海拔高低落差大，形成典型的立体气候，境内海拔高低落差大，干湿季分明，四季不明显，其年平均气温5.5 ℃，平均降雨量618.4 mm；森林面积大，覆盖率为74.99%[17]；高山松适应范围广，更新能力强，属喜光深根性树种，可生长在干旱贫瘠环境中。平均海拔2 800～3 500 m，林分整齐，占全市乔木林面积的22.7%[18]。

2 材料与方法

2.1 数据来源及处理

2.1.1 样地数据

研究区设置于云南省香格里拉市，数据获取时间为2018年2月，共设置了15 m的圆形样地32块，记录样地平均胸径、平均树高和GPS样地点坐标，样地均设置在高山松纯林或接近纯林的林分中央。样地LAI采用冠层分析仪LAI-2200进行测量，为了减少太阳光直射对LAI测量结果的影响，LAI数据采集时间为黎明或阴天。随机选取样地内的5个位置记录LAI值后，取平均值作为样地LAI实测值。数据通过LAI-2200冠层分析获取，测量过程中LAI-2200冠层分析仪处于距离地面1.3 m处，以此减少林下灌木和杂草对测量值造成的影响。样地LAI基本信息见表1。

表1 高山松各样地LAI数据描述Table 1 Description of LAI data of various plots of P. densata

2.1.2 Landsat 8 OLI影像数据

本研究选用Landsat 8-OLI遥感影像进行高山松林LAI反演，Landsat 8卫星是由美国国家航空和航天局（NSNA）发射，是全球应用最为广泛的民用卫星，主要携带陆地成像仪（OLI）和热红外传感器（TIRS）。该影像采用UTM投影，WGS84椭球，共有11个波段，本次研究只使用海岸波段（B1）、可见光波段（B2～4）、近红外波段（B5）、短红外波段（B6～7）和全色波段（B8）来进行研究。从地理空间数据云（http://www.gscloud.cn/）获取3景覆盖整个研究区的Landsat 8-OLI影像：2018年1月17日（2景），轨道号为132/041和132/040；2018年2月11日（1景），轨道号为131/041。

利用ENVI 5.3软件对图像进行辐射定标和FLAASH大气校正，可以排除由于气溶胶、地形等因素引起的反射信息误差。将处理后的全色影像与多光谱影像用GS（Gram-Schmidt Pan Sharpening）进行融合[19]。需要获得多个观测尺度。本研究对不同观测尺度进行设计，针对Landsat 8-OLI影像空间分辨率的特点，在ArcGIS 10.2软件下，对Landsat 8-OLI影像采取最近邻插值法进行重采样[20]，共设置7组正方形缓冲区，得到像元大小为15、30、45、60、75、90、105 m共7组观测尺度。选取Landsat 8-OLI影像的红波段（B4）分析样地高山松在不同尺度下的冠层反射率变化，分析样地像元的冠层反射率随观测尺度的变化规律，若某一尺度下样地的冠层反射率突变，表示对应样地的植被类型改变；分别提取7组观测尺度下各样地所对应的遥感变量，并分析遥感变量随观测尺度变化的规律。

2.1.3 辅助数据

为了实现“基础厚、口径宽、能力强、素质高”的人才培养目标，在课程内容设置上应充分考虑到石油类高校非焊接专业学生相应的基础知识和专业应用特点，如石油化工机械主要涉及到各种化工容器、反应塔、加热炉和换热器的制造与安装。油气储运专业涉及到各种储油罐、油气管道、油槽车和油轮等制造工程。因此，需要从《金属焊接》课程本身出发，使课程内容与相应支持课程内容相融合，从而构成“学有基础、用有对象”的课程知识体系。

辅助数据包括香格里拉市森林资源规划设计调查（森林资源二类调查）小班、香格里拉行政区划矢量和通过地理空间数据云下载空间分辨率为30 m的数字高程模型（DEM）。

2.2 空间重采样尺度选择

通常遥感观测尺度即遥感建模样地大小，与遥感图像的像元大小相对应，参考相关的研究，为了分析不同观测尺度下的LAI估测模型精度，

2.3 建模因子选择

虽然遥感图像在LAI的估测中具有广泛的应用，但并不能直接测定LAI信息。对LAI的反演或估算，需要对处理后遥感数据进行遥感变量的转换和筛选，并结合现场调查数据来建立LAI和遥感数据之间的评估模型。参考相关研究，本研究基于Landsat 8 OLI光学遥感影像提取与LAI相关的波段值、植被指数及DEM数据提取的地形因子等17个遥感变量因子作为建模因子备选参数[21-22]（表2）。

表2 LAI遥感变量Table 2 LAI characteristic variables

2.4 统计模型与精度评价

支持向量机回归模型（SVR）是一种基于计算机科学和统计学理论的机器学习算法，广泛应用于数据分类和回归分析[23]。相比于传统方法，SVR拥有泛化能力强、实际风险最小、全局最优、对维数不敏感等优点。采用结构风险最小化准则，其学习理论涉及较少的大数定律、概率等相关数学问题，很好地避免了BP神经网络算法中的过学习、欠学习、确定网络结构、局部拥有极小值等问题；在进行非线性问题的求解时展示出了极大优势，通过寻求结构化风险最小来提高学习机泛化能力，从而可以在样本较少的情况下获得较好的统计规律。SVR模型包括了4种不同的核函数，分别是线性核函数（Line）、径向基核函数（RBF）、多层感知机核函数（Sigmoid）、多项式核函数（Polynomial）等。选取RBF核函数作为建模核函数，采用LIBSVM工具箱在MATLAB软件中利用多种寻参方法对模型中的参数进行寻优[24-25]。

通过决定系数（R2）和均方根误差（RMSE），对不同尺度下LAI模型的拟合效果进行评估。采用留一交叉验证法（LOOCV）来预测LAI估测模型。LOOCV的原理：使用全部样本中的1个作为验证样本，其余作为测试样本，直到每个样本全部都被验证为止。通过交叉验证结果来计算估计精度（P）和均方根误差（RMSEcv），作为预测结果的评估指标。R2反映了估测值与相应实测值的趋势拟合程度，其取值范围为0到1，即回归平方和在总平方和中所占比例，其值越接近1，模型估测精度的可靠性就越高；RMSE反映了基于回归模型估测值与实际值的平均误差之和的统计平均结果，其拟合程度决定了估测精度。样本容量和变量数对均方根误差的大小有一定的影响，其值越小，模型估测的可靠性越高；使用总体估测精度（P）评价生物量估测模型的总体精度。

式中：Xi为有效LAI；为有效LAI平均值；为模型估测值；n为样本数量。

3 结果与分析

3.1 不同观测尺度下光谱变化分析

冠层的反射率变化分析，能够有效确定随着观测尺度的增加，对应的不同尺度下地物是否发生变化。选取Landsat 8-OLI 影像的红波段（B4）分析LAI在不同尺度下的冠层反射率变化，结果见图1；不同观测尺度下冠层反射率统计结果见表3。

表3 不同观测尺度下冠层反射率统计Table 3 Statistics of canopy reflectance under different observation scales

3.2 相关性分析及遥感变量的筛选

在SPSS 25软件中，采用Pearson双变量相关性分析方法，将单位LAI与提取的遥感变量建立相关性检验。通过分析相关系数和显著性水平，筛选出与LAI相关性较好的变量结果（表4）。根据相关性分析结果，当观测尺度为15 m时，显著相关的变量有11个，相关系数的大小介于-0.381至0.736之间；随观测尺度的增大，LAI与遥感变量的相关性变小，具有相关性的变量也逐渐减少至5个；短波红外波段B6、B7与LAI呈显著负相关（P＜0.05），植被指数ARVI、EVI、RDVI与LAI呈显著正相关（P＜0.05）。

表4 遥感变量的相关性分析结果Table 4 Correlation analysis results of variable factors

3.3 不同观测尺度高山松LAI估测模型对比分析

以15、30、45、60 m观测尺度所对应的高山松LAI作为因变量，以筛选后的遥感变量作为自变量。采用支持向量机回归（SVR）模型，在MATLAB 2017b软件下分别建立4组不同观测尺度下的高山松LAI估测模型；采用LOOCV对模型进行精度验证，模型拟合与交叉验证的结果见表5。从不同观测尺度下建模和交叉验证结果可以看出，随观测尺度的上升，交叉验证的RMSE与拟合的RMSE变化趋势一致。估测模型决定系数介于0.400～0.554；预测均方根误差介于0.318～0.377；预测精度介于83.51%～86.10%。当采样尺度为15 m时，拟合的R2和交叉验证P达到最大，分别为0.554、86.10%。不同观测尺度大小下的估测精度变化与自变量的相关性分析结果一致，因此观测尺度的选择可以在一定程度上提高LAI的估测精度。

表5 模型拟合结果与验证结果Table 5 Model fitting results and verification results

3.4 高山松LAI空间分布

以估测精度最高的15 m观测尺度对香格里拉高山松LAI进行估测，结合森林资源二类调查数据提取的香格里拉高山松分布范围，得到香格里拉高山松LAI空间分布图（图2）。由图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之间。低叶面积指数区域主要分布在北部，高叶面积指数主要集中在中部，少量分布于南部；高山松覆盖度高的地方，叶面积指数越大，香格里拉高山松LAI的估测结果与实际情况基本一致。

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

4 结论与讨论

本研究开展了Landsat 8-OLI遥感影像采样尺度对高山松LAI估测精度的比较分析。通过对Landsat 8-OLI遥感影像重新采样，确定观测尺度范围，提取不同采样尺寸下的遥感特征变量，建立不同观测尺度上高山松LAI的SVR估测模型，对高山松林LAI遥感估算的观测尺度进行优化分析，得出以下结果：

1）观测尺度大于60 m时，冠层反射率突变，无法反映样地的林分实际情况，因此选取观测尺度为15、30、45、60 m的影像进行遥感特征变量提取。

2）随观测尺度增加，LAI与遥感变量的相关性减小，且有相关性的变量也减少至5个，说明了Landsat 8-OLI遥感影像数据对高山松LAI的估测精度受采样尺度的影响；所有观测尺度中，B6、B7、ARVI、EVI和RDVI变量因子与所有尺度都有显著性相关。

3）估测结果表明随观测尺度的上升，估测精度随着采样尺寸的增大而减小。当观测尺度为15 m时，模型估测效果最佳，决定系数（R2）为0.554，估测精度（P）为86.10%。

本研究分析了基于SVR模型估测不同尺度精度，发现利用Landsat 8-OLI遥感影像来反演高山松LAI进行估测时，空间采样的选择在一定程度上影响估测精度，但本研究优化选择的观测尺度与王强等[13]、王冬玲等[14]的研究结果并不一致。一方面由于样地大小的不同和LAI地面测量真值的差异，导致研究结果有一定差异；另一方面本研究仅采用SVR模型对LAI进行不同尺度遥感估测，估测模型较为单一，预测结果精度有一定的提升空间。在今后的研究中将考虑采用更加精确的样地LAI测量并引入其他估测模型进一步分析，从而提高针叶林LAI遥感估算的估测精度。