湖南省沅陵县乔木林地上生物量遥感估测方法研究.pdf

442024年2 月Feb.2024CENTRAL SOUTHFOREST INVENTORY AND PLANNINGVol.43No.1中南林业调查规划第43卷第1期湖南省沅陵县乔木林地上生物量遥感估测方法研究熊珂，李胜飞，邢元军2（1.湖南省林业资源调查监测评价中心，湖南长沙410 0 0 4；2.国家林业和草原局中南调查规划院，湖南长沙410 0 14)摘要：为了构建合适的乔木林地上生物量估测模型，以湖南省怀化市沅陵县为研究区域，选取Landsat8OLI卫星遥感影像数据，结合地面样地数据、DEM数据和土地利用数据，在提取遥感特征和皮尔逊相关性分析的基础上，分别构建了多元线性逐步回归模型、BP神经网络模型和随机森林模型，对沅陵县乔木林地上生物量进行估测，并评价了不同估测模型之间的精度差异。结果表明，基于随机森林模型（R=0.569）的估测精度远优于BP神经网络模型（R=0.255）和多元线性逐步回归模型(R=0.149)。关键词：乔木林地上生物量；BP神经网络；随机森林；Landsat8OLI；沅陵县中图分类号：S771.8文献标识码：A文章编号：10 0 3-6 0 7 5（2 0 2 4）0 1-0 0 44-0 7D0I:10.16166/43-1095.2024.01.010Research on the Method of Estimating Aboveground Biomass(AGB)inArbor Forests by Remote Sensing in Yuanling County,Hunan ProvinceXIONG Ke,LI Shengfei,XING Yuanjun(1.Hunan Provincial Center for Forestry Resources Surveying,Monitoring and Evaluating,Changsha 410004,Hunan,China;2.Central South Academy of Inventory and Planning of NFGA,Changsha 410014,Hunan,China)Abstract:In order to construct a suitable model of estimating aboveground Biomass in arbor forests,YuanlingCounty,Huaihua City,Hunan Province,was selected as the research area,and Landsat8 OLI satellite remotesensing image data were selected,combined with ground sample data,DEM data and land use data.Multiplelinear regression models,BP neural network models,and random forest algorithm models were respectively con-structed to estimate the aboveground biomass of Yuanling County,and the accuracy differences among differentestimation models were compared.The results showed that the accuracy of the forest biomass estimation modelbased on the random forest algorithm(R=0.569)was much better than that of the BP neural network model(R=0.255)and the multiple linear regression model(R=0.149)in Yuanling County.At the same time,the forest biomass in Yuanling County that was estimated by using the random forest algorithm model showed thebest accuracy after accuracy verification.Key words:aboveground organisms in arbor forest;BP neural network;random forest;Landsat8 OLI;Yuanling County森林生物量是地球生态环境和气候变化的关键影响因子，在碳循环研究中起着决定性的作用，对准确*收稿日期：2 0 2 4-0 1-0 8作者简介：熊珂（19 8 3一），女，湖南安化人，硕士研究生，高级工程师，主要从事林业工程咨询、林业信息化建设方面工作。Email:o通信作者：邢元军（19 8 2 一），男，山东文登人，硕士研究生，高级工程师，主要从事林草资源调查监测、林草信息技术开发及应用研究工作。Email：z n y _x y j f o x m a i l.c o m。45第43 卷熊珂，等：湖南省沅陵县乔木林地上生物量遥感估测方法研究2024年第1期且直接地估算目标样地内森林生物量具有重大意义森林生物量的测定是林业、生态、气候变化等研究的基础和前提2 。传统的森林生物量估测以地面调查为主，但效率低下，劳动强度和经济成本较高，无法满足大区域森林生物量的快速估测需求。随着空间信息技术和人工智能的迅速发展，不同空间和时间分辨率的遥感影像数据日趋丰富，为大区域的森林生物量快速估算提供了契机。目前，遥感影像数据结合少量地面样地的森林生物量估测方法逐渐成为研究热点近年来，JENSEN等3 估测南卡罗来纳松树林生物量的结果表明利用遥感数据估测的生物量与样区的实测生物量具有显著的相关性；FOODY等4 利用TM数据，基于多元线性回归模型和BP神经网络模型，研究了光谱波段与热带森林生物量间的相关性；OU-MA5利用半变异函数分析了肯尼亚森林生物量与QuickBird光谱特征及纹理特征的相关性，结果表明纹理特征中的方差与平均值对生物量估测效果最佳。AHMED等(6 以加拿大哥伦比亚温哥华为研究区，结合Landsat影像，利用随机森林算法等模型对研究区冠层结构进行估算，结果表明基于随机森林算法模型的估算精度更高。DANG等7 以越南国家森林公园为研究区，以Sentinel-2影像数据为数据源，提取了大量特征变量，构建森林生物量反演模型，取得了较高的精度。在国内的研究中，王平8 基于Boruta算法，利用线性回归等模型极大地提高了遥感特征筛选的准确性及其生物量模型的估测精度。孙雪莲9 以香格里拉的高山松为研究对象，研究结果表明不同模型的估测精度存在差异。刘彦枫等10 采用分层方法建立森林生物量估测模型，研究表明分层建模对生物量估测的精度有很大提升。徐志扬 利用多元线性回归模型反演了华安县桉树的生物量，研究发现传统的线性回归模型对遥感特征、森林类型和环境的复杂程度等因素的适应能力有限，无法充分发挥遥感影像在森林生物量估测中的潜力。近年来，随着人工智能算法的广泛应用，以K最近邻分类算法（k-Nearest Neighbor，K NN）、随机森林和支持向量机等为代表的机器学习算法逐步应用于森林生物量的遥感估测，并获得了较好的精度。肖越等12 以内蒙古旺业甸林场为研究区，结合地面实测数据，采用多种模型进行生物量反演，结果表明随机森林模型的精度高于多元线性回归与KNN等模型的精度，误差最小。蒋馥根等13 以旺业甸林场为研究区，通过将原有的KNN模型进行方差优化，建立的蓄积量反演模型精度大大提高。宋亚斌等14 利用湖南2 0 14年森林资源二类调查数据，结合陆地卫星8号（Landsat8OLI）数据，建立了KNN、D W-K NN等多种蓄积量估测模型，并对湘潭县的森林蓄积量进行反演与精度对比，研究表明DW-KNN模型对研究区森林蓄积量的估测优于其他模型。此外，多源遥感数据与机器学习模型的融合为森林生物量的遥感估测提供更大的潜力15。张雨田等16 以内蒙古的落叶松和油松样地调查数据为基础，采用了多层感知器、支持向量机回归、KNN以及多元线性回归等4种森林蓄积量反演模型，结果表明联合Sentinel-1与Sentinel-2数据有助于提高森林蓄积量反演精度。蒋馥根等17 利用CF-6和Sentinel-2两个数据源构建生物量反演模型，结果表明联合了CF-6和Sentinel-2双数据源相较于单一的数据源模型估测效果更好。龙依等18 以内蒙古旺业甸林场为研究区，分别以HLS（H a r m o n i z e d L a n d s a t Se n t i n e l-2）与Landsat8OLI两个数据来源为基础，构建线性逐步回归（LSR）与逐步随机森林（SRF）蓄积量反演模型，结果表明HLS与Landsat8OLI作为数据来源在进行蓄积量估测时精度没有明显差异。已有的研究结果表明，传统的多元线性回归算法和机器学习算法具备森林生物量反演的能力。在处理多源遥感数据和大量的遥感特征时，多元线性回归模型和不同的机器学习模型的估测能力是不同的。此外，森林类型的差异、地形差异和遥感特征多样性等因素导致选择合适的森林生物量估测模型更为困难。本文以湖南省怀化市沅陵县为研究区，结合部分地面样地和Landsat8OLI遥感数据，采用多元线性逐步回归、BP神经网络和随机森林三种回归模型对沅陵县的乔木林地上生物量进行遥感估测，并对比评价不同模型的乔木林地上生物量估测精度，以进一步明确沅陵县乔木林地上生物量遥感估测的最优模型研究区概况与基础数据1.1研究区概况湖南省西北部、怀化市北端的沅陵县，位于沅水中游，地处武陵山南麓与雪峰山东北尾端交会处。该县总面积为58 32 km，特殊的地理位置、良好的气候条件孕育了这里优越的生态环境。沅陵县的森林资46中南林业调查规划第43 卷2024年第1期源丰富，森林覆盖率高达7 6.19%，远高于全国的平均水平。1.2研究区数据1.2.1Landsat8 OLI数据Landsat8OLI是一颗中等分辨率的资源类遥感卫星，它的主要任务是为全球的陆地表面提供高分辨率、多光谱的影像数据，以支持地球监测、自然资源管理、环境保护等方面的应用。Landsat8OLI传感器共有9 个波段。这些波段的覆盖范围广泛，可以用于监测植被生长、土地利用类型、水资源管理、气候变化等诸多领域。此外，Landsat8OLI还配备了热红外传感器TIRS，可以获取高精度的地表温度数据，进一步扩展了其应用范围。本文以怀化市沅陵县为研究区，在地理空间数据云中选择了2 0 2 1年的云量小于5%的 Landsat8 OLI 数据。1.2.2地面调查数据随机选取了湖南省沅陵县第一次全国森林火灾风险普查数据中的12 0 个乔木林样地数据作为地面调查数据。将所有样本按照7：3分成训练集和验证集，即8 4个乔木林样地作为训练集参与模型构建，36 个乔木林样地数据作为验证集参与模型精度验证。1.2.3数字高程模型和土地利用数据数字高程模型（DigitalElevationModel，D EM）是通过有限的地形高程数据实现对地面地形的数字化模拟，它是在不同分辨辩率的地理空间数据（如遥感影像、GPS测量数据等）基础上，通过计算或插值等算法生成的离散、连续的三维地形表面模型。在地理空间数据云中选取GDEMV330m的DEM数据集，按行政区选择至湖南省怀化市沅陵县，下载研究区DEM数据。此外，本研究还从中国科学院资源环境科学与数据中心数据平台（http：/w w w.r e s d c.c n）下载了沅陵县2020年30 m的土地利用数据，用于提取研究区的植被类型数据。2数据预处理、建模因子的分析与提取2.1数据预处理2.1.1Landsat8OLI数据的预处理先下载覆盖研究区的Landsat8OLI数据。对下载的原始数据一般要经过辐射定标、大气校正、几何校正、裁剪镶嵌等步骤，获取可以用于乔木林地上生物量特征提取的预处理数据。2.1.2DEM数据和土地利用数据预处理将下载的3景DEM数据通过镶嵌得到研究区的完整DEM数据。将下载的土地利用数据导人Arcgis，利用沅陵县行政边界矢量文件提取沅陵县的土地利用数据，利用Arcgis提取沅陵县有林地数据。2.1.3地面调查数据的预处理基于湖南省沅陵县第一次全国森林火灾风险普查样地调查数据中的活立木蓄积数据，利用蓄积量一生物量转化公式计算生物量，采用方精云等19 提出的生物量转换因子函数法，生物量公式如下：B=aV+b(1)式中：B代表单位面积生物量，t/hm；V 为单位蓄积量，m/hm；a、b 均为常数19-2 1。各林分类型对应参数如表1所示。表1生物量和蓄积量转换模型参数表编号林分类型ab1阔叶混0.625 591.001 32针阔混0.813 618.466 03针叶混0.516 833.237 84其他硬阔类1.035 78.05915马尾松0.510 11.045 16杉木0.399 922.541 07樟树1.035 78.05912.2建模因子的分析与提取2.2.1光谱波段遥感波段信息反映了植被冠层的光谱特征，可以用于植被分类。Landsat8OLI包含了9 个波段，其中Band2至Band7这6 个波段可以作为建模因子2.2.2植被指数利用ENVI提取了NDVI、RV I、D V I、G RV I、SA-VI、O SA V I 植被指数，这6 个植被指数可参与建模，2.2.3波段组合因子波段组合在一定程度上能更好地反映植被类型的特征。研究提取了8 个可能对森林生物量建模估测有影响的波段组合参与森林生物量建模反演，其表达式分别为：Band4/Band2;Ba n d 7/Ba n d 3;Ba n d l -Ba n d 7;4(Band4 Band3)/Band7;(Band4 Band5)/Band7;47第43 卷熊珂，等：湖南省沅陵县乔木林地上生物量遥感估测方法研究2024年第1期(Band4+Band5-Band2)/(Band4+Band5+Band2);(Ba n d 7 +Ba n d 5-Ba n d 2)/(Ba n d 7 +Ba n d 5+Band2);Band3/(Band1+Band2+Band3+Band4+Band5+Band7)2.2.4地形特征选取高程、坡向和坡度3个地形因子参与建模。3森林地上生物量模型建立选择多元线性逐步回归模型、BP神经网络模型与随机森林估测模型三种常用回归模型对沅陵县乔木林地上生物量进行估测。为了评估各个回归模型的精度，采用均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R）3个指标来对模型进行评价。3.1建模因子的筛选采用皮尔逊相关系数评价遥感因子与生物量的相关程度，最终筛选出8 个相关性极为显著的因子作为建模因子，结果如表2 所示，表2变量因子筛选结果变量因子相关系数SigBand20.381*0.000Band3-0.315*0.000Band4-0.2720.000*(Band4 Band3)/Band7-0.315*0.000(Band4 Band5)/Band70.276*0.000*Band3/(Band1+Band2+Band3+Band4+Band5+0.1910.000Band7)GRVI0.183*0.009DEM0.316*0.000注：*在0.0 1级别呈显著相关性3.2多元线性逐步回归模型多元线性逐步回归模型是将所有可能的自变量逐步加到回归模型中，并通过逐步比较各模型的表现来确定哪些自变量对目标变量有重要影响，进而选择最佳的建模因子。多元线性逐步回归模型分为两种类型：前向选择和后向消元。前向选择的过程是从一个空模型开始，逐步往其中添加自变量。每次添加一个自变量，并计算加入该自变量后模型的性能提高了多少。根据提高量选择加人的自变量，直到无法再引人更多自变量或者性能提高的增幅已经很小。与前向选择不同，后向消元是从一个全模型开始，逐步删除自变量。每次删除一个自变量，并计算删除该自变量后模型的性能损失了多少。根据损失量选择删除的自变量，直到无法再删除更多自变量或者性能损失已经变得很大。多元线性逐步回归模型相较于传统多元线性回归模型具有更好的解释性和稳定性。3.2.1多元线性逐步回归估测模型的建立将8 4个训练样本中的乔木林地上生物量通过特征筛选，最终筛选出8 个变量作为建模特征，利用SPSS软件中的多元线性回归分析工具进行建模，自变量输人方式设置为逐步，最后得到基于多元线性逐步回归的乔木林地上生物量估测模型，如下：AGB=114.85-165.046 Band2+106.62 Band4(2)从公式（2）可以看出来，利用多元线性逐步回归模型进行乔木林地上生物量估测时，Band2蓝光波段与Band4红光波段两个变量参与多元线性逐步回归模型进行计算。3.2.2多元线性逐步回归模型精度验证利用建立好的多元线性逐步回归模型计算验证集36个乔木林样地的AGB，与其实际AGB进行比较，结果如图1、图2。12010080/)/6040y=0.1844x+56.83620R=0.149002040 6080100120140160180实测值/（t/hm）图1多元线性逐步回归模型精度验证180一实测值160-o-估测值140(叫/)/鲁12010080604020016111621263136样地号图2多元线性逐步回归模型估测值与实测值对比48中南林业调查规划2024年第1期第43 卷从图1和图2 中可以看出，利用多元线性逐步回归模型进行估测的R为0.149。将实测值与估测值进行分析得到MAE为2 4.11hm，RM SE为31.34/hm3.3BP神经网络模型BP神经网络模型包含输人层、隐含层和输出层三个部分，并通过不断地调整网络中每个神经元之间的连接权重，以提高模型的准确性和泛化能力。BP神经网络模型的训练过程主要分为两个阶段：前向传播和误差反向传播。在前向传播阶段，BP神经网络根据输入数据和当前的权重值计算输出结果，并将结果与实际值进行比较，得到误差值。在误差反向传播阶段，BP神经网络按照反向传播方式，将误差从输出层向输人层传递，调整每个神经元之间的连接权重。这个过程需要重复多次，直到误差达到预设的最小值或者训练次数达到预设的上限为止。相对于其他机器学习算法，BP神经网络可以学习和建模非线性关系，因此可以应用于更加复杂的问题中3.3.1BP神经网络模型的建立利用MATLAB中的BP神经网络模型对12 0 个乔木林样地数据进行模型构建，隐层节点数是影响神经网络性能的重要因素之一，合适的隐层节点数可以提高网络的学习能力和泛化能力。但是隐层节点数过多或过少都会影响网络的性能，经过多次尝试，当隐层节点数为2 时，生物量估测模型效果最好，精度最高，如图3所示。训练验证140数据数据拟合线拟合线150120Y=TY=T100100880QO2Q060O5040y=0.4x+3808y=0.35x+43R2=0.641 920R2=0.60375010015050100150目标目标测试总体数据数据200拟合线200拟合线Y=TY=T150150出100100DOO（O50y=0.33x+42y=0.18x+4850R2=0.5644R2=0.373 75010015020050100150200目标目标图3建模因子集49第43 卷2024年第1期熊珂，等：湖南省沅陵县乔木林地上生物量遥感估测方法研究3.3.2BP神经网络模型精度验证计算验证集36 个乔木林样地AGB，并与实测值进行比较，结果如图4和图5。180160y=0.2828x+45.326R=0.255W/)/140120100806040200020406080100120140160180实测值/(t/hm)图4神经网络模型精度验证180160一实测值-0-估测值14012010080604020016111621263136样地号图5神经网络模型估测值与对应实测值对比从图4和图5中可以看出，利用BP神经网络模型进行估测的R为0.2 55，实测值与估测值进行数据分析得到MAE为2 0.59 Vhm，RM SE为2 9.19/hmO3.4随机森林模型随机森林模型是基于集成学习的算法。原理是从原始数据中随机抽取样本和特征，构建多个决策树，并将各个决策树的结果进行平均或投票，实现高精度的分类和回归。随机森林模型的特点包括：1）随机抽样。随机森林在训练每个决策树时，不使用全部样本和所有特征，而是对样本和特征进行随机抽样，以增加模型的多样性，减少过拟合风险。2）随机森林广泛应用于分类、回归和特征选择等问题中，在多个领域和任务中都取得了很好的效果。相较于其他机器学习算法，随机森林具有更好的鲁棒性和泛化能力，并且易于实现、解释和调参，广泛用于森林参数的反演。3.4.1随机森林模型的建立将训练集8 4个乔木林样地数据导入Python3.6中，得到随机森林模型3.4.2随机森林模型精度验证将验证集36 个乔木林样地数据导入随机森林模型，并与实测值进行比较，结果如图6 和图7。140120w/1)/100806040y=0.4717x+32.7220R=0.5690020406080 100120140160180实测值/(t/hm)图6随机森林模型精度验证180160一实测值-估测值14012010080604020016111621263136样地号图7随机森林模型估测值与对应实测值对比从图6 和图7 可以看出，利用随机森林模型进行估测的R为0.56 9，将实测值与估测值进行分析得到MAE为14.54t/hm，RM SE为2 2.6 3/hm。3.4.3模型的精度比较由表3可知，在所有的精度评价指标中，随机森林模型都优于BP神经网络模型和多元线性逐步回归模型，说明随机森林模型在乔木林地上生物量估测中具有较好优势表3模型精度指标对比MAE/RMSE/回归模型R2(t/hm)(tVhm)多元线性逐步回归0.14924.1131.34BP神经网络0.25520.5929.19随机森林0.56914.5422.634结论本文以湖南省怀化市沅陵县为研究区域，选取Landsat8卫星遥感影像数据，结合地面实测数据、DEM50第43 卷中南林业调查规划2024年第1期和土地利用数据，分别构建多元线性逐步回归模型、BP神经网络模型与随机森林模型，对沅陵县乔木林地上生物量遥感估测方法进行比较，结论如下：1）Ba n d 2、Ba n d 3、Ba n d 4、（Ba n d 4Ba n d 3）/Band7、（Ba n d 4 Ba n d 5)/Ba n d 7、Ba n d 3/（Ba n d l +Band2+Band3+Band4+Band5+Band7)、G RVI、D EM8个特征与乔木林地上生物量显著相关，可用于乔木林地上生物量估测2）利用构建的估测模型对沅陵县乔木林地上生物量进行估测，其中，随机森林模型在估测精度、MAE和RMSE中表现最好。通过多元线性逐步回归模型、BP神经网络模型与随机森林模型比较，结果显示随机森林模型精度最高，R达到了0.56 9，MAE和RMSE值最小，分别为14.54hm和2 2.6 3t/hm。该研究结果表明，在森林生物量反演时可以优先考虑随机森林模型。参考文献：1李洋，彭道黎，袁钰娜应用XCBoost算法对森林地上生物量的机载LiDAR反演J东北林业大学学报，2 0 2 3，51(5):106 112,129.2郑伟楠，吴勇，欧光龙基于Landsat8OLI的昆明市主要森林类型生物量遥感估测与反演J：西南林业大学学报（自然科学），2 0 2 3，43（6）：10 7-116.3 JENSEN J,HODGSON M E.Remote sensing forest biomass:An e-valuation using high resolution remote sensor data and loblolly pineplots J.The Professional Geographer,1985,37(1):46-56.4 FOODY G,BOYD D,CUTLER M.Predictive relations of tropicalforest biomass from landsat tm data and their transferability betweenregions J.Remote Sensing of Environment,2003,85（4):463-474.5 OUMA Y.Optimization of second-order grey-level texture in high-res-olution imagery for statistical estimation of above-ground biomass J.Journal of Environmental Informatics,2006,8(2):70-85.6 AHMEDO S,FRANKIIN SE,WULDERM A,et al.Charac-terizing stand-level forest canopy cover and height using landsat timeseries,samples of airborne LiDAR,and the random forest algo-rithm J.ISPRS Journal of Photogrammetry and Remote Sensing,2015,101:89-101.7DANG A T N,NANDY S,SRINET R,et al.Forest abovegroundbiomass estimation using machine learning regression algorithm inYok Don National Park,Vietnam J.Ecological Informatics,2018,50（12):2 4-32.8王平：基于改进Boruta算法的森林地上生物量遥感估测研究D长沙：中南林业科技大学，2 0 2 2.9孙雪莲基于Landsat8-OLI的香格里拉高山松林生物量遥感估测模型研究D昆明：西南林业大学，2 0 16.10刘彦枫，李紫荆，吴勇，等。西双版纳栎林和思茅松林地上生物量遥感估测J：西部林业科学，2 0 2 3（1)：147-155.11徐志扬，冯仲科，胡建全，等基于TM影像的华安县桉树林生物量遥感估测J林业资源管理，2 0 16（4：8 3-8 7.12肖越，许晓东，龙江平，等。基于国产高分数据的森林蓄积量反演研究J林业资源管理，2 0 2 1（3）：10 1-10 7.13】蒋馥根，孙华，林辉，等旺业甸林场人工林生物量遥感反演研究J中南林业科技大学学报，2 0 19，39（10）：88-94.14宋亚斌，邢元军，江腾宇，等基于距离相关系数和KNN回归模型的森林蓄积量估测研究J中南林业科技大学学报，2 0 2 0（4)：2 2-2 7,33.15邹泽林，刘紫薇，文敏，等基于多源遥感数据的森林蓄积量估测研究：以北方孟家岗林场为例J：中南林业调查规划，2 0 2 3，42(3)：2 9-35.16 张雨田，许晓东，石军南，等联合Sentinel-1和Sentinel-2数据反演森林蓄积量J四川林业科技，2 0 2 2（2)：7 1-8 0.17 蒋馥根，孙华，李成杰，等联合GF-6和Sentinel-2红边波段的森林地上生物量反演J生态学报，2 0 2 1（2 0）：8 2 2 2-8236.18龙依，蒋馥根，孙华，等基于HLS数据的森林蓄积量遥感反演J森林与环境学报，2 0 2 1（6）：6 2 0 6 2 8.【19 方精云，陈安平，赵淑清，等中国森林生物量的估算：对Fang等Science一文（Science，2 0 0 1，2 9 1：2 32 0-2 32 2）的若千说明J植物生态学报，2 0 0 2，2 6（2）：2 43-2 49.20】李海奎，雷渊才中国森林植被生物量和碳储量评估【D.北京：中南林业出版社，2 0 10.21张超城步苗族自治县林地碳储量及碳密度研究J中南林业调查规划，2 0 19，38（3）：52-56.