您好, 访客   登录/注册

基于遥感影像的森林质量评价方法研究

来源:用户上传      作者:王珠娜 胡月 张亚昊 佃袁勇 汪贻喜 袁琳

  摘要:森林|量评价服务于森林经营决策、监督管理和验收的全部流程。为克服地面调查林分质量中存在的成本高、时效性差等缺点,基于遥感数据形成一套林分质量评价体系,以提高评价效率,推动森林质量精准提升进程。本研究以河南省新密市2018年生长季哨兵二号数据为基础,辅以数字高程影像,构建了基于遥感影像森林质量评价方法。首先选取样本小班,然后基于哨兵影像提取植被指数、纹理指数和干扰指数三类与森林质量密切相关的指标,借助熵值法计算各指标权重,构建出遥感估算林分质量模型。并以基于当年小班调查数据评价的林分质量结果作为参照,检验模型可信度。最后将模型用于量化全市森林质量并提出后续经营对策。结果发现,遥感评价指标中二阶矩、对比度和方差三个指标的权重相对较大,遥感评价林分质量结果与小班数据所得林分质量线性拟合的决定系数R2可达0.986 1。结果表明:基于遥感数据的林分质量评价方法是可行的,该结果为大尺度区域范围森林质量评价提供了参考。
  关键词:林分质量;哨兵二号;熵值法;新密市
  中图分类号:S771.8文献标识码:A文章编号:1004-3020(2022)04-0033-06
  Evaluation of Forest Stand Quality Based on Remote Sensing Data
  Wang Zhuna(1)Hu Yue(2)Zhang Yahao(2)Dian Yuanyong(2,3)Wang Yixi(1)Yuan Lin(1)
  (1. Zhengzhou Forestry Industry Development CenterZhengzhou450015;
  2. College of Horticulture and Forestry Science, Huazhong Agricultural UniversityWuhan430070;
  3. Hubei Engineering Technology Research Centre for Forestry InformationWuhan430070)
  Abstract:
  Forest stand quality evaluation serves the entire process of forest management decision-making, supervision and management, and acceptance. In order to overcome the shortcomings of high cost and poor timeliness in the forest stand quality of the ground survey, a stand quality evaluation system was formed based on remote sensing data to improve the evaluation efficiency and promote the precise improvement of forest quality. This study is based on the Sentinel-2 data of the 2018 growing season in Xinmi, supplemented by digital elevation images. First, ground samples are selected. Then, the vegetation index, the texture index, and the disturbance index, three types of indicators closely related to forest quality, were extracted based on the Sentinel-2 images. The entropy method is used to calculate the weight of each indicator, and a remote sensing model for estimating forest stand quality is constructed. The stand quality results evaluated based on the survey data of samples were used as references to test the credibility of the model. Finally, the model is used to quantify Xinmi’s forest quality and propose follow-up management strategies. The weights of the second moment, contrast, and variance of the remote sensing evaluation indicators are relatively large. The stand quality results of the remote sensing evaluation are linearly fitted with the stand quality obtained from the samples, and the coefficient of determination R is 0.9861. The stand quality evaluation method based on remote sensing data is feasible, and in the stand quality evaluation system of remote sensing estimation, the three indexes of the second moment, contrast, and variance are the best for the classification of forest stand quality in Xinmi.

nlc202209301021



  Key words:stand quality;Sentinel-2;Entropy method;Xinmin
  林分质量是森林生态、社会和经济方面功能及价值的综合体现[1],及时进行林分质量的评价,不仅能反映出森林资源的变化趋势,便于对过去经营管理工作做出总结,也是评估森林发展潜力,更好实现森林可持续经营和区域环境改善的决策基础[2]。研究者们已在森林质量方面做出大量研究,主要基于地面调查数据,根据不同的研究目的[3-6],和不同的研究尺度[7-8],从林分结构、林分活力、立地质量、干扰程度等方面筛选相关指标并确定权重,构建了多种多样的林分质量评价体系[9-11]。当前,基于地面调查数据开展森林质量评价是主流方法,虽然该方法能比较准确地描述森林资源状况,但耗财耗力,并且调查和复测周期长,不能及时反映森林资源质量的空间分布变化。而遥感途径因为具有容易重复获取大范围监测数据、成本低、估测便捷等优点[12-13],现已广泛应用于大范围的森林资源的监测与评估[14-15]。遥感所得的数据在森林资源监测研究方面主要有定性和定量两种应用方式,前者主要用于地表覆盖或地物类型识别和变化检测[16],后者在林业中表现为对森林资源参数的定量反演,如对树高、胸径、郁闭度、生物量等森林结构参数的反演[17-18]。光谱和纹理特征常用来预测森林结构参数、碳储量、生物量等林分变量,而这些林分变量也是森林质量评价体系的重要组成部分[17-18]。
  新密市属典型的温带季风气候区,历史上以煤都和农业生产闻名,存在采空区,还有部分石质土。经过农田防护林建设和荒山地造林植树,新密市现已是郑州市森林覆盖率最高和乔木林面积最多的县市。新密市森林的这种变化具有典型的代表性,因此,选择该区域作为研究对象,探讨基于遥感影像数据开展区域尺度森林质量评估的可行性。拟以小班为评估单元,通过提取小班对应的遥感指标,建立与林分质量密切相关的林地生产力、林分结构和干扰程度之间的关系,采用熵值法确定遥感评估试验区的森林质量的方法,并通过线性拟合方法检验评估的结果比较各遥感指标在模型中的贡献程度,为遥感数据在大尺度林分质量评价提供一种新的思路。
  1研究区概况
  新密市(34°19′~34°40′N,113°09′~113°41′E)地处河南省中部,嵩山东麓,四季分明,年均温14.5 ℃,年蒸发量1 730.3 mm,年无霜期200 d左右。地形复杂,西面、南面和北面属于低山丘陵区,市中丘陵交替错杂,东面为平原区,海拔在115~1 108.5 m之间。受气候和地形影响,降水量分布不均,表现为北部和南部山区降水较多,中部与东部河谷平原较少。土壤以褐土为主,微碱性。新密市森林覆盖率44%,是郑州市西部生态屏障的重要组成部分。
  2数据源与研究方法
  2.1数据源
  本研究主要使用2018年6~9月影像合成的新密市哨兵二号影像,控制云量低于5%,进行植被指数和纹理特征的提取。使用2017年和2018年生长季归一化植被指数最大值的合成影像,计算干扰指数。辅助数据包括新密市2018年森林资源规划设计调查数据、行政区划数据和30 m分辨率数字高程数据。遥感数据从Google Earth Engine(GEE)平台获取,基础数据来自郑州市林业产业发展中心、地理国情监测云平台和地理空间数据云。
  2.2研究方法
  2.2.1样本筛选
  基于森林资源规划设计调查的林地变更数据的获取时间跨度大,并且影像为保证无云而涵盖整个生长季,因此遥感影像反映的地被情况与森林资源规划设计调查结果并不能完全匹配,需要对森林小班进行筛选,作为验证样本。辅助数字高程模型(DEM)数据和高精度影像,使小班随机散布在低海拔到高海拔、城市到城郊区域,重点核对郁闭度和混合像元小班的地被类型,删除调查和影像对应不上的小班,最终确定523个样本。各个小班的森林质量评r按照张会儒[4]等研究成果,在小班尺度上,选择生产力、结构、健康水平、多样性、更新等指标,衡量小班的健康程度,采用熵值法计算小班质量得分值,各个样本小班的地面质量评价得分值如图1。
  2.2.2评价因子选择与提取
  为达到评价需求,参考小班评价体系相关研究,考虑可及性和可靠性,选取植被指数、纹理特征和干扰指数三类遥感指标,分别对应林地生产力、林分结构和干扰程度。
  (1)植被指数。
  林地生产力水平一般可由单位面积林木蓄积量反映,参考遥感估测森林蓄积量相关研究,选取全球环境监测指数(GEMI)[19]、归一化植被指数(NDVI)[20]、增强型植被指数(EVI)[20]、比值植被指数(SR)[21]、叶绿素红边模型(CRM)[21]和叶绿素绿光模型(CGM)[21]等6个与森林蓄积量相关性较高的植被指数,参与遥感估算林分质量模型的构建。植被指数由对绿色植被理化性质敏感的波段组成,特别是叶绿素红边模型,利用到植被反射光谱斜率很大的红边位置,能够很好地描述叶绿素浓度及林分生产能力。
  (2)纹理特征。
  能够反映影像自身属性,因此增强了对异物同谱、同物异谱对象的识别。众多纹理分析方法中,灰度共生矩阵(GLCM)方法由于适应性和鲁棒性强、计算量小,近年来被广泛应用于林分结构反演[22]。
  由于哨兵二号波段数较多,选择与植被监测密切相关的10个波段(除B1、B9、B10波段),重采样到20m分辨率,进行主成分转换,并提取第一主成分,在3×3窗口下计算常用的八个纹理特征。分别是均值(Mean)、方差(Variance)、协同性(Homogeneity)、对比度(Contrast)、相异性(Dissimilarity)、信息熵(Entropy)、二阶矩(Second Moment)和相关性(Correlation)[23]。

nlc202209301021



  (3)干扰指数(D)。
  新密市森林景观与农田、建筑镶嵌分布,易受人为活动影响。借助Zurlini提出的干扰程度量化公式,以一定年份间隔下相同或相近月份归一化植被指数的变化值来反映森林覆盖度的变化[24]。指数绝对值越大,说明变化越剧烈;越接近0,说明变化越小。具体公式如下:
  Dx,y=ft1x,y-ft2x,y-mS2T1+S2T2-2COVT1T2
  式中:D(x,y)代表干扰指数,fti(x,y)是第i年的NDVI,m是两时相影像像元差异的均值,S2Ti是基于一张遥感影像上所有栅格第i年NDVI的方差,COVT1T2是两年NDVI的协方差。
  2.2.3指标权重确定及评价模型的构建
  熵值法是一种客观而深刻反映指标区分能力并赋以权重的算法,可信度高且简单易实现。一个系统有序程度的高低可以用熵值来表示,若该系统无序程度高,则系统熵值小,包含的信息量多,权重大,反之则无序程度低,权重小[25],确定权重的具体步骤参见文献[26]。
  基于2.2.2中的遥感因子构建林分质量(SQ)评价体系(图2),将筛选后样本的遥感指标得分值作为输入数据,通过熵值法确定各指标权重,得到遥感估算林分质量模型。利用线性回归方法的决定系数评估遥感森林质量能够解释的变异性。
  3结果与分析
  3.1遥感指标与小班质量得分的相关性分析
  除纹理指标中的相关性和均值外,其他所有遥感指标都和小班质量得分呈极显著相关(P<0001)。其中植被指数和小班质量得分呈极显著正相关,并且相关系数都在0.7以上。干扰指数和纹理特征同小班质量得分的相关系数较低,分布在-0.21~0.19之间,其中对比度、相异性、信息熵和方差同小班质量得分呈极显著负相关(图3)。
  3.2指标权重
  遥感林分质量评价指标的权重(表1),整体权重按从大到小排序依次是纹理特征>植被指数>干扰指数。纹理特征中,对比度和二阶矩的权重较大,均值、信息熵和相关性的权重较小。植被指数中,比值植被指数和叶绿素红边模型的权重较大,归一化植被指数的权重较小。干扰指数的权重最小。
  3.3遥感量化模型验证
  为评价模型的适用性,将遥感预测结果与小班评价结果进行线性拟合,得到线性回归方程y=1030 3x,决定系数R2=0.986 1。结果表明:对于小班质量得分较低的样地,遥感预测质量偏高,在小班质量得分较高的样地,遥感预测质量偏低,但是从总体趋势上看,样点在回归线两侧均匀分布,且按质量由低到高,每一区段的样本数基本相等,说明遥感反演模型能够较好的反映林分质量状态(图4)。
  3.4全市林分|量等级空间分布
  由于遥感量化模型精度较高,依照样本各指标取值范围,将模型应用到全市森林小班,并采用自然断点法将样本林分质量划分为优(0.615 991~0.851 743)、良(0.511 082~0.615 990)、中(0.405 818~0.511 081)、差(0.165 533~0.405 817)4个等级(图5)。新密市森林总面积413.742 km2,整体森林质量良好。其中质量优良的林分面积为265381 km2,占总面积的64.14%,主要分布在北部、西北和西南的山岗地区;质量为中等的林分面积为115.154 km2;质量为差的林分有33.207 km2,占总面积的8.03%,主要分布在新密市中部建筑和道路附近。
  4结论与讨论
  4.1结论
  基于遥感数据的林分质量评价方法是可行的,采用小班调查所得林分质量进行验证,遥感林分质量反演模型的决定系数达到0.986 1,说明遥感量化林分质量得分能够在一定程度上反映地面林分真实状态和经营管理水平。植被指数、纹理特征和干扰指数等遥感指标确实能够反映森林植被生产力、林分结构和所受干扰等状况。其中,二阶矩、对比度和方差能明显反映小班间林分质量差别,而干扰指数和归一化植被指数的作用相对较小。
  4.2讨论
  (1)基于遥感数据的林分质量评价方法简单可行。首先本研究采用的样本数据来源于二类小班调查资料,属底层资料,广泛且易获取。其次,在大数据背景下,随着遥感技术的发展以及在林业中应用的深入,全面的林业遥感统计资料已经可以满足样本的需求。再者,熵值法可以很好地挖掘数据本身蕴含的信息,基于完整的样本数据,通过指标的变异系数反应区分能力。本方法涉及的数理知识简单易懂,操作和计算简单,仅需替换原始数据,通过模型中权重的变化,即可获得评价结果,适用于不同区域的森林,易于在基层推广。
  (2)遥感指标在森林质量评价的作用存在一定的差异。在本次试验中,纹理特征作用较大,较好地反应了森林空间结构特征[16-18]。干扰指数作用相对较小,这与林丽丽[19]等用层次分析法研究得到的结果一致。一方面是因为研究区森林整体受到较好保护,或不同小班间的干扰程度本身没有差异;另一方面是因为1年的时间间隔太短,干扰活动范围小、强度低,把时间间隔拉长到3~5或5~10年才能使归一化植被指数变化值达到显著水平。
  (3)评价指标的选择和指标提取过程中的参数设置直接影响林分质量评价的精确度。本研究将各类林分作为一个整体,未区分森林类型和优势树种,若要考虑树种生长特性并满足森林多功能经营的需求,后续可根据不同的经营目的,增加水源涵养、水土保持和碳汇功能等新型指标[32],多方位呈现森林质量。另外,本研究遥感评价模型中,纹理特征权重最大。窗口大小、像元间距、方向和量化等级等参数影响纹理特征值的计算,其中又以窗口大小的影响程度最大。当窗口大小与空间自相关分析的结果相对应时[33-34],评价精度可能会进一步提高。

nlc202209301021



  (4)与地面的森林质量对比,遥感评估的森林质量呈现出在森林质量水平较低时评估偏高,在森林质量水平较高时,评估偏低的现象。高估现象可能是因为在开阔林分和幼龄林中,树冠之间相对独立分离,灌木、草本等林下植被以及裸地影响林分反射率。低估现象可能是因为在茂密林分中,树冠重叠度高,生物量高,达到了光学影像反演森林质量的饱和点,若增加冠层密度建模,可能有效缓解饱和现象[28]。高值低估和低值高估现象也出现在遥感估算地上生物量[29]、冠层盖度[30]、林分密度和胸径[31]等诸多研究中。
  参考文献
  [1]Dudley N. Forest quality: assessing forests at a landscape scale[M]. London: Routledge, 2006: 1-26.
  [2]T继广,王景升,姚帅臣,等. 基于因子分析的森林资源质量综合评价[J]. 中南林业科技大学学报, 2017, 37(1): 27-32, 42.
  [3]莫可,赵天忠,蓝海洋,等. 基于因子分析的小班尺度用材林森林质量评价――以福建将乐国有林场为例[J]. 北京林业大学学报, 2015, 37(1): 48-54.
  [4]张会儒,雷相东,张春雨,等. 森林质量评价及精准提升理论与技术研究[J]. 北京林业大学学报, 2019, 41(5): 1-18.
  [5]石春娜,王立群. 我国森林资源质量评价体系研究进展[J]. 世界林业研究, 2007(2): 68-72.
  [6]王乃江,张文辉,同金霞,等. 黄土高原蔡家川林场森林质量评价[J]. 林业科学, 2010, 46(9): 7-13.
  [7]郭雪艳. 上海城市森林多尺度生态质量评价研究[D]. 上海:华东师范大学, 2017.
  [8]董灵波,刘兆刚. 森林健康评价及其多尺度转换方法[J]. 南京林业大学学报(自然科学版): 1-16.
  [9]党普兴,侯晓巍,惠刚盈,等. 区域森林资源质量综合评价指标体系和评价方法[J]. 林业科学研究, 2008(1): 84-90.
  [10]张岗岗,惠刚盈. 基于累加性和均衡性的林分质量综合评价方法[J]. 林业科学, 2021, 57(1): 77-84.
  [11]郭宁,邢韶华,姬文元,等. 森林资源质量状况评价方法及其在川西米亚罗林区的应用[J]. 生态学报, 2010, 30(14): 3784-3791.
  [12]惠刚盈,张弓乔,赵中华,等. 天然混交林最优林分状态的π值法则[J]. 林业科学, 2016, 52(5): 1-8.
  [13]安慧君,王硕,常峥,等. 森林质量模糊评价模型中赋权方法的选择――以红花尔基为例[J]. 西北林学院学报, 2018, 33(5): 167-171.
  [14]梅浩,彭泰来,桂来庭. 广东省国家级公益林质量评价[J]. 林业资源管理, 2019(2): 15-20.
  [15]刘庆生. 斑块状植被遥感检测研究进展[J]. 遥感技术与应用, 2021, 36(1): 1-8.
  [16]佃袁勇,杨光,方圣辉. 傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类[J]. 武汉大学学报(信息科学版), 2017, 42(3): 362-368.
  [17]李晗. 基于SPOT-5遥感影像的湘西林分参数及碳储量预估模型研究[D]. 北京:北京林业大学, 2019.
  [18]刘亚男. 基于多源遥感数据的森林地上生物量及净初级生产力估算研究[J]. 测绘学报, 2020, 49(12): 1641.
  [19]林丽丽,郝振帮,戴姗霖,等. 南方集体林区典型毛竹经营区林分质量遥感量化研究[J]. 林业资源管理, 2019(6): 84-90.
  [20]曹霖. 基于Sentinel-2影像的延庆区森林蓄积量遥感估测研究[D]. 北京:北京林业大学, 2019.
  [21]吴平. 基于Rapideye影像的森林生物量估测[D]. 合肥:安徽农业大学, 2015.
  [22]王建军,孟京辉. 林分结构多样性参数与纹理信息相关分析中最优窗口的确定[J]. 南京林业大学学报(自然科学版), 2017, 41(3): 112-116.
  [23]陈玲,郝文乾,高德亮. 光学影像纹理信息在林业领域的最新应用进展[J]. 北京林业大学学报, 2015, 37(3): 1-12.
  [24]陈国荣. 沿海防护林建设防护效益的遥感监测研究[D]. 福州:福建农林大学, 2010.
  [25]郝辑,张少杰. 基于熵值法的我国省际生态数据评价研究[J]. 情报科学, 2021, 39(1): 157-162.
  [26]贾海发,邵磊,罗珊. 基于熵值法与耦合协调度模型的青海省生态文明综合评价[J]. 生态经济, 2020, 36(11): 215-220.
  [27]樊晶. 基于RS的东莞森林健康评价研究[D]. 广州:华南农业大学, 2017.
  [28]李陶,李明阳,钱春花,等. 结合冠层密度的森林净初级生产力遥感估测[J]. 南京林业大学学报(自然科学版), 2021, 45(5): 153-160.
  [29]Avitabile, V.,Camia, A.. An assessment of forest biomass maps in Europe using harmonized national statistics and inventory plots[J]. For. Ecol. Manag., 2018, 409: 489-498.
  [30]Guio Blanco, C.M., Brito Gomez, V.M., Crespo, P., Lie, M.. Spatial prediction of soil water retention in a Páramo landscape: Methodological insight into machine learning using random forest[J]. Geoderma, 2018, 316: 100-114.
  [31]Zhao Qingxia, Yu Shichuan, Zhao Fei, et al. Comparison of machine learning algorithms for forest parameter estimations and application for forest quality assessments[J]. For. Ecol. Manag., 2019, 434: 224-234.
  [32]邓成,张守攻,陆元昌,等. 森林多功能监测现状及发展建议[J]. 世界林业研究, 2015, 28(4): 39-43.
  [33]陈华,林华忠,靳爱仙,等. 基于物元分析法的将乐国有林场用材林质量评价研究[J]. 林业资源管理, 2018(5): 82-89.
  [34]刘鲁霞. 基于多源遥感数据亚热带森林乔木物种多样性估测研究[D]. 北京:中国林业科学研究院, 2017.
  (责任编辑:唐岚)

nlc202209301021




转载注明来源:https://www.xzbu.com/1/view-15440556.htm

相关文章