基于3S技术和SPSS软件的香格里拉市森林蓄积量估测探析

华世明，罗燕彬，杨 华

(1.云南青松林业规划设计有限公司，云南 昆明 650224；2.云南省林业调查规划院大理分院，云南 大理 671000)

1 引言

森林蓄积量是指森林中全部树木材积的总和，是评价森林数量的一个重要指标，目前森林蓄积量遥感估测中有很多的案例建立了相应的监测系统[1]。利用Landsat8卫星影像，将提取的全色波段的纹理特征与多光谱波段的光谱信息相结合，分析引入全色波段纹理特征能否提高蓄积量的预测精度[2]。

2 研究区概况

香格里拉市地跨处于东经99°22′23.79″～100°18′24.69″，北纬26°52′10.94″～28°50′57.91″，地处青藏高原东南缘横断山脉三江纵谷区东部，地形总趋势为西北高、东南低，最高点巴拉格宗海拔5545 m，最低点洛吉吉函海拔1503 m，海拔高差4042 m，平均海拔3459 m。境内地貌按形态可分为山地、高原、盆地、河谷。香格里拉市属高原型亚热带季风气候，具有雨热同季、干湿季节分明、冬无严寒、夏无酷暑、四季如春的气候特征，年平均气温14.7 ℃，全年日照时数2210 h，无霜期227 d，年平均降水量891.5 mm，年平均蒸发量1968.3 mm，年均相对湿度72%。全市河流全属金沙江水系，境内共有大小河流244条，流域面积8065.9 km2，分别在不同河段注入金沙江。2016年森林资源规划设计调查成果显示：全市森林面积867720.5 hm2，林业用地面积962159.3 hm2，活立木总蓄积量133224410 m3，森林覆盖率76.00%，林木绿化率83.19%，公益林与商品林比例为89.47∶10.53[3]。

3 研究方法

3.1 数据来源

3.1.1 LANDSAT数据的获取

使用Landsat8 OLI 传感器的遥感影像，在地理空间数据云网站上获取影像数据，成像时间是2017年，分辨率为30 m，其7个波段分别为气溶胶波段(0.433～0.453 μm)蓝光波段(0.450～0.515 μm)绿光波段(0.525～0.600 μm)红光波段(0.630～0.680 μm)、近红外波段(0.845～0.885 μm)、短波红外1(1.560～1.660 μm)短波红外2(1.000～2.300 μm)，分辨率为30 m，使用前对图像进行了辐射校正和大气校正。

3.1.2 样地蓄积量实测数据来源

选择2016年香格里拉市森林资源规划设计调查野外角规控制调查样地做为本次研究样地实测数据参照，香格里拉市高山栎林、云南松林、高山松林和云冷杉林共占到全县乔木林面积的90%以上。调查样地的抽取主要根据森林海拔、坡度、坡向、坡位、土壤等立地条件，以及树种、龄组、林相、郁闭度等森林结构因子结合森林植被分布特征[4]和规律进行确定，做到样地尽量分布均匀并具有代表性。

3.2 研究方法

Landsat是美国陆地探测卫星系统[5]，轨道高度为705 km，倾角为99.22°，重复周期是16 d，扫描带宽185 km。TM(Thematic Mapper)是Landsat卫星上安装的成像设备，以获取地球表层丰富的信息。利用ENVI对Landsat8卫星影像预处理[6]，经过大气辐射校正和几何校正后的TM影像，消除大气辐射造成的误差，之后进行镶嵌处理，得到完整的香格里拉市遥感图像；之后将格式转化为图片(.TIFF)提取各类因子。根据各类植被指数[7]公式算出相应的植被指数；自变量的单波段遥感因子；纹理因子(均一性、差异性、熵)；信息增强因子(主成分变换和缨帽变换)。以森林样地蓄积量因变量，以组合植被指数(DVI、RVI、ARVI)、归一化植被指数(NDVI)、多波段线性组合指数(VIS123)，运用SPSS软件进行相关性分析和反演建模以及精度验证，实现森林蓄积量反演[8]。在ArcGIS软件中将ENVI提取出的5个因子，进行多值提取至点。

4 数据处理分析

样地蓄积量与各因子相关性分析，运用SPSS做相关性分析[9]，5个变量中有5个与蓄积量有显著相关性，随机选取的472个数据点的蓄积量进行回归分析并建模[10]。由分析结果可知，R的值为0.196，R方为0.038，调整后的R方0.028，说明模型的模拟效果较好(表1)。

表1 模型摘要

方差分析结果表明，蓄积估算的显著性为0.000小于0.05，该模型通过显著性检验，即蓄积与各变量之间存在显著的线性回归关系(表2、表3)。

表2 方差分析

表3 各变量相关性分析

续表3

由分析可知，T检验的结果表明，显著性为0.000小于0.05，说明在该模型中，即蓄积量与各变量之间具有显著的线性关系(表4)，该模型为最优模型。

表4 最优模型各变量和系数关系

5 结果与验证

5.1 蓄积量建模

采用多元逐步回归模型建立森林蓄积量与遥感因子的估算模型得到：一元线性回归模拟方程y=a+bx和多元回归模拟方程y=a+bx1+...bxn。

根据上述方程可得出回归模型(表5)。

表5 回归模型

5.2 模型的精度验证

第一步，相关系数(R方)评价：

相关系数平方值在0-1之间，值越大，模型预测精度越高。

第二步，相对误差(RE)评价：

RE(%)=(Yi-yi)/Yi×100

(1)

式(1)中：Yi和yi分别为实测值和理论值，取相对误差绝对值的平均值作为模型精度检验指标，值越小，模型精度越高。

第三步，均方根差(RMSE)评价：

(2)

式(2)中：Yi和yi分别为实测值和理论值，n为测定样本数。RMSE值越小，模型的精度水平越高。

结果显示，预估精度较高，表明模型对于蓄积量的估测是可行的。其中，提取出的蓄积量与预测蓄积量之间的关系用散点图表示可以看出，大部分呈现线性相关(表6)。

表6 模型精度检验预估结果

6 结论与讨论

6.1 结论

近年来随着“3S”(RS、GIS、GPS)技术的快速发展，在监测森林蓄积量中的作用日益显著[11]。利用“3S”技术估测森林蓄积量的研究主要集中于以下2个方面：一是趋向于利用光学遥感与微波遥感数据相结合的多源遥感数据建立模型；二是从经典的多元回归线性模型向非线性模型发展[12]。植被纹理分析方法的应用主要用于土地利用/覆盖变化研究，提高遥感影像分类精度以及生物量、叶面积指数估算方面，而很少用于森林蓄积量估算的研究中[13]。多光谱与全色波段的融合图像的纹理信息在某些窗口下与蓄积量之间存在明显的相关性，能够较好地估测森林蓄积量[14]。从结果与验证可以看出，利用Landsat8全色波段的纹理特征建模进行蓄积量估测是可行的[15]，能够达到对蓄积量估测的精度要求，具有良好的应用前景。

6.2 讨论

森林蓄积量估测比传统方法更加节约人力、物力和财力，本研究为森林资源监测技术的提高和改善提供了新的途径和方法。由于选用的是参数建模，数据处理中仍然存在一些问题，比如可能选择了不合适的变量，用软件处理数据时，对处理后的数据存在错分或漏分的现象需要手动编辑进行校正等，需要在进一步的研究中加以验证解决。在解决这些问题后，才能真正实现在林业建设数字化的大趋势下，充分利用信息化软件、智能手机作为移动终站设备的优势，提高工作效率、节约外业调查阶段的运营成本、提高调查成果质量和精度。