基于3S技术的山东省森林蓄积量估测

第45卷第9期2009年9月

林

SCIE NTI A

业科

SI LVAE

学

SI NIC AE

V ol 145,N o 19Sep. ,2009

基于3S 技术的山东省森林蓄积量估测

李亦秋

1,2

　冯仲科　邓　欧

21,2

　张冬有

2,3

　张彦林　吴露露

(11四川省绵阳师范学院　绵阳621000; 21北京林业大学测绘与3S 技术中心　北京100083; 31哈尔滨师范大学　哈尔滨150025)

摘　要:　借助SPSS 统计软件和ERDAS I M AGI NE910ΠArcGIS912的建模及空间分析工具, 1∶100000地形图作为数据源, 从T M 影像提取野外G PS 采样点缓冲区内6子, 从地形图提取海拔、坡度、坡向等GIS 因子, 以各遥感因子和GIS , 内的蓄积量作为因变量建立多元线性回归模型。, 法、, 87135%。用2006年山东省T M , 。将各因子变量的掩膜图。经蓄积量灰度图像属性表统计得到山东省的有, 、。关键词:; ; 估测

中图分类号1S75712　　　文献标识码:A　　　文章编号:1001-7488(2009) 09-0085-09

Forest V olume Estimate B ased on 3S T echnologies in Shandong Province

Li Y iqiu 1,2　Feng Zhongke 2　Deng Ou 2　Zhang D ongy ou 2,3　Zhang Y anlin 2　Wu Lulu 2

(11Mianyang Normal Univer sity , Sichuan Province 　Mianyang 621000; 21Institute o f G IS , RS &GP S , Beijing Forestry Univer sity 　Beijing 100083;

31Harbin Normal Univer sity , H eilongjiang Province 　Harbin 150025)

Abstract :　Recurring to the SPSS and the m odel building and spatial analysis tools of ERDAS IM AG INE910&ArcGIS912, this paper adopted T M images and 1∶100000relief map as the data source , extracted RS factors such as pixel value of six wave bands and theirs linear &non 2linear combination from T M images using the bu ffer area of G PS points ,and extracted G IS factors such as elevation , slope and aspect from relief map. RS factors &G IS factors were set as independent variables and field investigated forest v olume data were set as dependent variable to build the multi 2regression m odel. Sam ple data were selected by standard deviation law and factor variables were selected by the method of principal com ponents analysis , stepw ise and enter regression analysis. The forecast precision of the m odel is 87135%.The grey images of each variable in the m odel were masked by the forest land extracted from the T M images of Shandong Province and g ot the masking image of each variable. The paper calculated the total forest v olume of Shandong Province by the com plicated operation of all the masking images using the multi 2regression m odel. The result shows that the total forest v olume of Shandong Province is 62035300m 31The study provided an effective way to estimate the forest v olume of large area.

K ey w ords :　3S technology ; Shandong Province ; forest v olume m odel ; estimation

　　森林资源动态监测过程中新技术的运用是实现森林资源可持续发展的必由之路, 利用地理信息系

统(GIS ) 、全球定位系统(G PS ) 、遥感(RS ) 及其集成技术, 科学地进行森林资源动态监测已经成为国内外有关专家、学者研究的热点之一(赵宪文,1997; 游先祥, 2003; 肖化顺, 2004; Mani et al . , 2007; Muukkonen et al . ,2007) 。林分蓄积量的增减变化是森林资源监测的一个重要内容, 是林业经营的重要决策依据。传统的森林蓄积量估测方法是对标准地

收稿日期:2008-03-27。

基金项目:国家自然基金项目(30872039) 。3冯仲科为通讯作者。

进行调查, 以标准木平均胸径、树高进行估测, 人为影响较大(琚存勇等,2006) 。近年来, 随着高空间分辨率遥感技术的发展, GIS 和G PS 技术在森林资源调查和管理中应用的不断深入和普及, 借助GIS , G PS ,RS 及其集成技术进行森林蓄积定量估测, 以期最大限度地减轻地面调查工作量, 国内外学者都做过不少研究(陈楚等,2004; 黄平等,2003; Lu ,2005; 袁凯先等,1996; 李春干等,2003) 。许多研究结果表明遥感影像灰度值及其经线性、非线性组合构成的

86林业科学45卷　

能反映绿色植物生长状况和分布特征的指数, 与长势、蓄积量、覆盖度、季相变动都有很好的相关关系, 可作为定量因子直接参与方程估测森林蓄积量。T M 影像由包括可见光、近红外和热红外在内的7个谱段组成, 每幅图像的信息量达300Mbit , 能提供大量的光谱信息, 非常适合用于森林蓄积量估测。基于3S 技术的山东省森林蓄积量估测研究采用T M 影像作为RS 数据源, 结合少量G PS 地面调查数据, 借助SPSS 多元统计软件和ERDAS I M AG I NE ΠArcG IS 建模及空间分析工具, 为快速、1　研究的方法和技术路线

　　基于3S 技术的山东省森林蓄积量估测研究利

用T M 影像灰度值、T M 影像灰度值线性与非线性组合等遥感因子和海拔、坡度、坡向等GIS 因子, 结合少量地面G PS 模型, GIS 因子图层之, 像, , 总的技术路线如图1

。

图1　山东省森林蓄积量估测技术路线

Fig. 1　M ethodology of forest v olume estimate in Shandong Province

2　数据获取与处理

211　TM 影像遥感解译

本技术流程(图1) , 获得山东省森林资源分布图(图

2) , 并将其运用于山东省森林总蓄积量的计算。212　外业调查与业内整理在GIS 的支持下, 将地面与卫星影像的相应位置经过坐标系转换很好配准, 在GIS ,DE M 的参与下解决任一点位的卫星影像灰度值的读取问题(赵宪文等,2002) , 为蓄积量估计的自动化提供依据。

本研究外业调查样点电子角规测树参数包括径

选取山东省2006年共15景T M 数据, 借助山东省地形图、道路河流矢量图和其他辅助解译资料, 采用ERDAS I MAGI NE910遥感图像处理软件对T M 影像进行几何粗校正、几何精校正、图像增强与镶嵌、监督分类、人机交互解译、面积量算与机助制图等基

　第9期李亦秋等:基于3S 技术的山东省森林蓄积量估测87

图2　山东省森林资源分布

Fig. 2　F orest res ource distribution of Shandong

Province

图3　山东省外业调查样点分布

Fig. 3　Field sam ple points of Shandong

Province

图4　山东省DE M 影像

Fig. 4　DE M gray image of Shandong

Province

图5　山东省坡向分布

Fig. 5　Aspect distribution of Shandong

Province

图6　山东省坡度分布

Fig. 6　S lope distribution of Shandong Province

88林业科学45卷　

阶(d ) 和各树种计数株数, 通过径阶计算单株断面

π2

积s =×d , 各树种每公顷株数k =d , 角规

4s 计数S =s 1+s 2+…+s n , 平均胸径G =g ×

111284(其中g =k ΠS ) , 蓄积量计算公式:M =G ×(H +3) ×0141, 式中M 表示蓄积量, G 表示平均胸径, H 表示平均树高,0141表示平均试验形数。外业调查统计资料经业内整理汇总, 通过坐标系转换将外业点G PS 定位坐标展绘到T M 影像上, 并将外业调查样点蓄积量换算成与T M 影像30m ×30m 像元内的蓄积量。元、, 数据, 运用标准差分析方法进行筛选, 剔除掉离群值较大的样本点。具体做法是剔除各个遥感、GIS 因

x j >2σ子中x ij - j 的样本数据, 其中σj 为变量j 的样本标准差。最后选取200个样本点数据参与建

模, 选取65个样本点数据作为检验样本。经过筛选得到的参与建模的20030m 缓冲区内的T M 、坡度、坡向及65个地面M 、。自变量的筛选

回归自变量的选用是建立回归模型一个极为重要的问题。一个好的回归模型, 并不是考虑的自变量越多越好。在建立回归模型时, 选择自变量的基本指导思想是少而精, 哪怕丢掉了一些对因变量还有些影响的自变量。如果保留下来的自变量有些对因变量无关紧要, 那么方程中包括这些变量会导致参数估计和预测的有偏性和精度降低。因此, 在建立生物量的遥感模型时, 应尽可能剔除那些可有可无的自变量。

本研究选取200个样本点对应的遥感因子和GIS 因子进行分析, 计算各因子与蓄积量之间的相关性(Pears on 简单相关系数) 、信息量(遥感因子样本方差) 及方差扩大因子, 计算结果如表1所示。分析表1可知, 森林蓄积量与各波段的灰度值、灰度值之间的线性和非线性组合, 以及森林蓄积量与海拔、坡度、坡向等GIS 因子之间存在较好的相关性, 如T M4与蓄积量之间的相关系数达到01473, 坡度与蓄积量之间的相关系数达到-01449, 所以选择合适的变量进行各种探索性回归分析, 能够较好地估测森林蓄积量; 在所设置的17个遥感因子中, T M435ΠT M7,T M433ΠT M7,T M5,T M4的信息量较大,T M3ΠT M (1+2+3+4+5+7) ,T M (4+5-2) ΠT M (4+5+2) , T M7ΠT M3等其他因子的信息量较小; 除了海拔、坡度、坡向等GIS 因子以外, 所有遥感因子的方差扩大因子都大于10, 表明遥感因子之间存在显著的多重相关关系, 若将这些遥感因子全部用于蓄积量的估测, 估测方程的精度将无法保证。

在模型自变量筛选过程中, 本研究采用主成分因子分析方法, 按照方差极大法对因子载荷矩阵进行旋转后的结果(表2) , 将20个因子变量在各主成分中载荷较高的变量分成4组, 第1组变量包括:T M4, T M (4-3) ΠT (4+3) (NDVI , 归一化植被指数) , T M4ΠT 3(RVI , 比值植被指数) ,T M4-T M3(DVI , 差值植被指数) ,T M4ΠT M 2,T M 435Π7等, 是与T M4密切

3　　　以T M 影像各波段的灰度值、灰度值之间的线

性、非线性组合等遥感因子和海拔、坡度、坡向等GIS 因子作为模型的自变量, 以地面样点森林蓄积量的测定值作为因变量, 建立森林蓄积量估测模型。建模前, 需对可能影响模型预测精度的因素进行分析, 尽量克服不利因素。根据遥感机制及相关文献(李崇贵等, 2006; 蔡会德等, 2001; Andre et al . , 2006; Muinonen et al . ,2001) , 可能影响蓄积量模型预测精度的因素包括:遥感数据的几何校正精度, 地形(如阴影等) 的影响, 地面样地点的几何坐标精度等, 同时也涉及到样本数据和自变量的筛选等问题。311　地面样点遥感、GIS 因子信息提取

为了削弱不利因素对模型预测精度的影响,T M 影像的几何校正在粗校正的基础上, 采集30个以上的控制点并叠加DE M 进行精校正。各波段之间线性、非线性组合, 尤其是各种比值植被指数可在一定程度上消除地形阴影的影响。针对G PS 地面采点可能存在的误差, 在进行遥感影像灰度值提取时, 先建立采样点(图3) 周围30m 范围的缓冲区, 以缓冲区内的平均灰度值作为采样点像元的灰度值, 以在一定程度上消除G PS 定位可能存在的误差。本研究的海拔、坡度和坡向等GIS 因子均从山东省1∶25万等高线数据获取:先将山东省1∶25万等高线内插并生成DE M 影像图(图4) , 再分别从DE M 影像图中用ArcGIS 工具提取出山东省的坡向图(图5) 和坡度图(图6) , 并赋予它们与精校正T M 影像相同投影和大小相同的栅格单元, 最后分别从DE M 影像图、坡向图和坡度图中读取30m 缓冲区多边形内样点的平均海拔、坡度和坡向。312　样本数据的筛选

通过上述方法获取的遥感因子和GIS 因子样点

　第9期李亦秋等:基于3S 技术的山东省森林蓄积量估测

表1　遥感ΠGIS 因子及其相关信息表

T ab. 1　RS &GIS factors and correlated inform ation 变量序号

Variables serial N o.

[***********]6181920

RS ΠGIS 因子RS ΠGIS factors

与蓄积量的相关系数

C orrelation coefficient with forest v olume [***********][***********][***********]-0110101348

信息量

In formation content

方差扩大因子

Variance in flation factor 1681010

相关的一组变量; 第2组变量包括:T M5, T M7, T M7Π3,T M (5+7-2) ΠT M (5+7+2) ,T M (1-7) 等, 是与T M7密切相关的一组变量; 第3组变量包括:T M1,T M2,T M3等, 是可见光相关的一组变量; 第4组变量包括:海拔(E LE VATI ON ) 、坡度(S LOPE ) 、坡

T M1T M2T M3T M4T M5T M7

T M (4-3) ΠT M (4+3)

T M4ΠT T M4T M433ΠT M7T M7ΠT M3T M4ΠT M2T M1-T M7T M435ΠT M7E LE VATION ASPECT S LOPE

11812146

向(ASPECT ) 等, 是GIS 。经过, 。其中逐步回归的, 从众多的自变量中, 根据这些, 逐次地选入到回归方程中, 在这个过程中, 先前被选入回归方程的变量, 有些由于其后新引入的变量而失去了重要性, 这时就应从回归方程中将它们淘汰掉。引入一个变量或从回归方程中剔除一个变量, 为逐步回归的一步。每一步都要进行F 检验, 以确保每次引入新的变量之前回归方程中只包含显著的变量。偏F 统计量是逐步回归法中增加或删除一个自变量时所用的基本统计量。这个过程反复进行, 直到回归方程不再有可淘汰的变量, 也没有再可引入的变量为止。最后所得到的就是选定的回归方程。

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 ≤0105和F 统计量的相伴概率值Sig ≥0110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 ≤0105, 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 ≥0110时, 则认为该变量对因变量的影响是不显著的, 应从回归方程剔除。314　模型构建及精度检验

31411　模型构建　令自变量x 1为T M1, x 2为T M2,

x 3为T M3, x 4为T M4, x 5为T M5, x 6为T M7, x 7为

[***********][***********][***********][***********][***********][***********][1**********]290

8961336

[***********][**************]6

2641977

[***********][1**********]9

[**************]

[**************]71

10T M (4+5-2) +2)

14T M (5+7-2) ΠT M (5+7+2)

17T M 3ΠT M (1+2+3+4+5+7) -01189

01109-01449

-[**************]

表2　主成分因子载荷旋转矩阵

T ab. 2　R otated component m atrix

变量

序号

Variables serial N o.

[***********]6181920

RS ΠG IS

因子

RS ΠG IS factors T M1T M2T M3T M4T M5T M7

T M (4-3) ΠT M (4+3)

T M4ΠT M3T M4-T M3T M433ΠT M7T M7ΠT M3T M4ΠT M2T M1-T M7T M435ΠT M7E LE VATION ASPECT S LOPE

第一主

成分第二主成分第三主成分第四主成分

First S econd T hird F ourth principal principal principal principal com ponent com ponent com ponent com ponent -01230-01137-[**************]-[***********][***********]1113-[***********]54-01210

-[***********][1**********]0

[***********][1**********]1

-01107-0105901018-01012-0100401027-01039-01042-0102101016-[***********]27-01037-[**************]-0158101775

T M (4-3) ΠT M (4+3) , x 8为T M4ΠT M3, x 9为T M4-T M3, x 10为T M (4+5-2) ΠT M (4+5+2) , x 11为T M (4

-01042-01377-01052-0136901029-0122601692-01356-01681

01326

01978-0113801181-0132001970-01178-01977-01028-01166-01264

0102901565

33) ΠT M7, x 12为T M7ΠT M3, x 13为T M4ΠT M2, x 14为T M (5+7-2) ΠT M (5+7+2) , x 15为T M 1-T M7, x 16为T M (435) ΠT M7, x 17为T M3ΠT M (1+2+3+4+5+7) ,

x 18为海拔(E LE VATI ON ) , x 19为坡向(ASPECT ) , x 20为

10T M (4+5-2) ΠT M (4+5+2) 01609

14T M (5+7-2) ΠT M (5+7+2)

17T M 3ΠT M (1+2+3+4+5+7) -01714

坡度(S LOPE ) , 将上述4组变量中的第1,2,3组变量用逐步回归的方法, 第4组变量用强行进入的方法进行探索分析, 拟合得到的回归方程为:

y =321293-01111x 4-141945x 13+

-01028-01153-01103-01148-01022-01118

01716x 9+01564x 6-461746x 14+01005x 18+01005x 19-01110x 20。

90林业科学45卷　

31412　精度检验　建立模型后, 对模型精度进行评

估, 主要是通过相关系数及F 值检验, 表3反映的是模型精度情况。

从表3中可以看出, 山东省遥感估测蓄积多元回归模型的相关系数为01634, 能够较好地反映出

蓄积量与遥感因子和GIS 因子之间的关系, F (8, 191) 值为81664, 通过查F 分布表可知在显著性01005的水平上F 值为2193, 小于81664, 故可以通过显著性检验, 即此模型在置信度为95%的水平上具有显著性。

表3　回归模型摘要

T ab. 3　R egression model summ R

R square

Adjusted R

square 01377

S td. error of

the estimate R square change 61271

018

191

S ig. F change

01000

Durbin 2wats on

11067

[**************]3　模型预测精度评价　将() , x 20(S LOPE ) 。通过栅格数据实现山东省

, :65个实测样

点总蓄积量820m , 预测总蓄积量为

8481419m , 预测数据的总体精度达到87135%, 预测效果较为理想。315　蓄积量估测根据前面建立的多元回归模型, 参与蓄积量估测的变量包括:x 4(T M4) , x 5(T M5) , x 6(T M7) , x 9(T M4-T M3) , x 13(T M4ΠT M2) , x 18(E LE VATI ON ) , x 19

森林蓄积量的定量估测, 并建立研究区森林蓄积量

的定量估测数据库, 具体步骤包括:

) 在ERDAS 软件图像解译模块中, 通过Layer stack 提取T M4,T M7(图7) ; 在ERDAS 软件模型模块中编译提取模型, 进行T M4-T M3(DVI , 差值植被指数

) ; T M4ΠT M2,T M (5+7-2) ΠT M (5+7+2) 等灰度图像的提取, 并赋予它们与精校正T M 影像相同投影和大小相同的栅格单元(图8～10) 。

图7　T M4(左) 和T M7(右) 灰度图像

Fig. 7　G ray images of T M4(left ) and T M7(right )

图8　T M4-T M3(DVI , 差值植被指数) 计算模型及其灰度图像

Fig. 8　M odel and gray images of T M4-T M3(DVI )

　第9期李亦秋等:基于3S 技术的山东省森林蓄积量估测91

9T on 2m odel and gray images of T M4ΠT

图10　T M (5+7-2) ΠT M (5+7+2) 非线性比模型计算模型及其灰度图像

Fig. 10　N on 2linear m odel and gray images of T M (5+7-2) ΠT M (5+7+2)

　　2) 在ERDAS 软件图像解译模块中用山东省有林地掩膜裁剪步骤1中所得到的各个灰度图像, 得

到上述各个灰度图像的有林地掩膜图(图11,12)

。

图11　有林地模型变量掩膜图

Fig. 11　W oodland masking images of m odel variables

92林业科学45卷　

图12　有林地模型变量掩膜图

Fig. 12　W oodland masking images of m odel variables

　　3) 在ERDAS 软件图像解译模块中将步骤1中

所得到的建模变量掩膜图层代入拟合回归模型y =321293-01111x 4-141945x 13+01716x 9+01564x 6-461746x 14+01005x 18+01005x 19-01110x 20中, 进行

各因子层的复合运算, 其运算过程示意图如图13所示, 运算的结果生成了一个新的图层, 该图层上的每个网格值即为网格对应的地面森林蓄积量, 所得到的新图像即是山东省有林地蓄积量灰度图像(图14) 。

4) 运算结果统计。从ERDAS 软件中导出山东省有林地蓄积量灰度图像的属性表, 经统计得到的

山东省有林地蓄积量为6203153万m 。

图14　森林蓄积量估测模型及有林地蓄积量灰度图像

Fig. 14　Estimate m odel and gray image of forest v olume

4　结论与讨论

　　综上所述, 本研究从样本数据的提取-样本数据的筛选-建模变量的筛选-多元线性回归模型的研建-森林蓄积量的估测等各个环节, 取得了以下成绩:

1) 在样本数据的提取过程中, 首先建立了野外G PS 采样点30m 的缓冲区, 以缓冲区为基础提取缓

图13　蓄积量估测模型运算过程示意图

Fig. 13　M odel operational sketch map of forest v olume

estimate

冲区内的平均灰度值和平均海拔、坡度、坡向作为建

模样本数据, 在一定程度上消除G PS 定位可能存在的误差。

　第9期李亦秋等:基于3S 技术的山东省森林蓄积量估测

模型研究. 中南林业调查规划,22(1) :25-27.

2) 样本数据通过标准差法进行了筛选, 在因子

变量的筛选问题上先通过主成分因子分析方法进行分组, 经过主成分因子分析方法提取的各分组变量之间仅存在少量相关, 提高了拟合得到的多元线性回归模型的稳定性。

3) 利用T M 影像灰度值、T M 影像灰度值线性与非线性组合等17个遥感因子和海拔、坡度、坡向等3个GIS 因子, 结合经过筛选的200个地面调查样点蓄积量数据建立了遥感因子和GIS 因子与森林蓄积量之间的多元回归模型, 将65该模型进行模型精度的预测, 达到87135%, 。

4) 膜图, , 很好地估测了山东省的森林蓄积量, 估测得到的山东省的森林总蓄积

量为6203153万m 。

本研究同时也还存在着以下不足和需要进一步研究的方面:

1) 本研究对森林蓄积量的估计, 仅建立在蓄积量与遥感因子和GIS 因子之间的线性相关分析上, 缺乏对非线性遥感、GIS 森林蓄积量模型的研究。

2) 对森林立地因子和生态因子重视程度不够, 以后应加强引用这些方面的因子, 特别是对结合地理信息数据库的定性因子引用。

参考

文

献

琚存勇, 蔡体久. 20061用泛化改进的BP 神经网络估测森林蓄积量.

林业科学,42(12) :59-62.

李春干, 谭必增. 20031历史调查数据参与森林调查因子遥感定量估

测的研究. 林业资源管理, (1) :58-61.

李崇贵, 赵宪文, 李春干, 等. 20061森林蓄积量遥感估测理论与实

现. 北京:科学出版社,15-26.

肖化顺. 20041. 林

, (2) :. 1. 北京:中国林业出

, , , 等. 19961森林蓄积量的遥感估测. 林业资

, (3) :13-17.

赵宪文. 19971林业遥感定量估测. 北京:中国林业出版社,1-16. 赵宪文, 李崇贵. 20011基于“3S ”的森林资源定量估测. 北京:中国

科学技术出版社,5-13.

赵宪文, 李崇贵, 斯　林, 等. 20021基于信息技术的森林资源调查新

体系. 北京林业大学学报,24(5Π6) :147-155.

Andre T C D , Eduardo A M. 20061S im one aparecida aboveground biomass

stock of native w oodland on a Brazilian sandy coastal plain :Estimates based on the dom inant tree species. F orest Ecology and M anagement , 226:364-367.

Lu D. 20051Aboveground biomass estimation using Landsat T M data in the

Brazilian Amaz on. International Journal of Rem ote Sensing ,26(12) :2509-2525.

M ani S , Parthasarathy N. 20071Above 2ground biomass estimation in ten

tropical dry evergreen forest sites of peninsular India. Biomass and Bioenergy ,31:284-290.

Muinonen E , M altam o M , Hyppa H. 20011F orest stand characteristics

estimation using a m ost sim ilar neighbor approach and image spatial structure in formation. Rem ote Sensing of Environment , 78:223-228. Muukkonen P , Heiskanen J. 20071Biomass estimation over a large area

based on standwise forest inventory data and ASTER and M ODIS satellite data:A possibility to verify carbon inventories. Rem ote Sensing of Environment ,107:617-624.

蔡会德, 农胜奇, 吕郁彪. 20011GIS 支持下的林业遥感蓄积估测技

术. 林业科技开发,15(1) :34-36.

陈　楚, 关泽群, 张鹏林, 等. 20041利用RS 和GIS 的森林蓄积量偏

最小二乘估测研究. 湖北林业科技, (4) :5-28.

黄　平, 杨燕琼, 侯长谋. 20031基于RS 、GIS 的杉木林分蓄积量判读

(责任编辑　石红青)