基于Landsat时间序列影像和AHTC算法的高山松地上生物量估测.pdf

Vol.44 No.2Feb.2024第 44 卷 第 2 期2024 年 2 月中 南 林 业 科 技 大 学 学 报 Journal of Central South University of Forestry&Technologyhttp:/收稿日期：2023-04-12基金项目：国家自然科学基金项目（32260390，31860207）；云南省高层次人才培养支持计划“青年拔尖人才”专项（YNWR-QNBJ-2020-164）。第一作者：滕晨凯（），硕士研究生。通信作者：张加龙（），教授，博士研究生导师。引文格式：滕晨凯,张加龙,陈朝情,等.基于 Landsat 时间序列影像和 AHTC 算法的高山松地上生物量估测 J.中南林业科技大学学报,2024,44(2):41-52.TENG C K,ZHANG J L,CHEN C Q,et al.Above-ground biomass estimation of Pinus densata based on Landsat time series images and AHTC algorithmJ.Journal of Central South University of Forestry&Technology,2024,44(2):41-52.基于 Landsat 时间序列影像和 AHTC 算法的 高山松地上生物量估测滕晨凯1，张加龙1，陈朝情1，鲍 瑞2，黄 凯1（1.西南林业大学 林学院，云南 昆明 650224；2.国家林业和草原局西南调查规划院，云南 昆明 650031）摘 要：【目的】为了提高高山松地上生物量估测的精度，开发一种滤波算法，减少 Landsat 时间序列数据的噪声。【方法】基于 1987、1992、1997、2002、2007、2012、2017 年国家森林资源连续清查固定样地的数据以及 19872017 年的 Landsat 时间序列影像，利用谷歌地球引擎（Google earth engine,GEE）以及 Python，通过LandTrendr 滤波、Savitzky-Golay 滤波、Horn 卷积以及基于空间卷积理论开发的自适应霍恩地形卷积（Adaptive horn topography convolution,AHTC）算法对 Landsat 时间序列数据进行滤波，应用随机森林回归算法（Random forest regression,RFR）构建香格里拉市高山松地上生物量估测模型，并选择最优估测模型对 1987、1992、1997、2002、2007、2012、2017 年高山松地上生物量进行反演制图。【结果】1）从图像的直接评价指标均方根误差（Root mean square error,RMSE）以及峰值信噪比（Peak signal-to-noise ratio,PSNR）来看，经过 AHTC 算法滤波后的图像质量最好；2）在使用 RFR 方法的情况下，滤波后的数据均表现出比原始数据更高的估测精度；3）经 过 AHTC 算法滤波后的时间序列数据对高山松地上生物量的估测效果最优，其决定系数 R2为 0.885、均方根误差 RMSE为 34.63 t/hm2、预测精度 P 为 60.75%、相对均方根误差 rRMSE 为 43.59%；4）采用 AHTC 和 RFR 方法反演结果分别为 1 236 万 t（1987 年）、1 155 万 t（1992 年）、1 455 万 t（1997 年）、1 330 万 t（2002 年）、1 314 万 t（2007 年）、1 345 万 t（2012 年）、1 654 万 t（2017 年）。【结论】使用 AHTC 滤波方法在一定程度消除了时间序列影像自身所携带的大量噪声和不确定性，有效地提高了时间序列影像的质量，同时也为提高高山松地上生物量遥感估测精度提供了一种新思路。关键词：滤波；Landsat 时间序列；高山松；生物量；AHTC中图分类号：S758；S771.8 文献标志码：A 文章编号：1673-923X(2024)02-0041-12Above-ground biomass estimation of Pinus densata based on Landsat time series images and AHTC algorithmTENG Chenkai1,ZHANG Jialong1,CHEN Chaoqing1,BAO Rui2,HUANG Kai1(1.College of Forestry,Southwest Forestry University,Kunming 650224,Yunnan,China;2.Southwest Survey and Planning Institute of National Forestry and Grassland Administration,Kunming 650031,Yunnan,China)Abstract:【Objective】To improve the accuracy of above-ground biomass estimation of Pinus Densata,a filter algorithm was developed to reduce the noise image of Landsat time series data.【Method】Based on the data of national forest resources consecutive inventory fixed samples in 1987,1992,1997,2002,2007,2012 and 2017,and the Landsat time series images from 1987 to 2017,using Google Earth Engine(GEE)and Python,the LandTrendr filter,Savitzky-Golay filter,horn convolution and adaptive horn topography convolution(AHTC)algorithm based on spatial convolution theory were used to filter Landsat time series data.Random forest regression(RFR)was used to construct the above-ground biomass estimation model of P.densata in Shangri-la city,and select the optimal estimation model to invert and map the aboveground biomass of P.densata in 1987,1992,1997,2002,2007,2012 and 2017.【Result】1)According to the root mean square error(RMSE)and peak signal-to-noise ratio(PSNR)of the direct evaluation index of the image,the image quality after filtering by AHTC algorithm was the best;2)In the case of using the RFR method,the filtered data showed Doi:10.14067/ki.1673-923x.2024.02.005滕晨凯，等：基于 Landsat 时间序列影像和 AHTC 算法的高山松地上生物量估测42第 2 期森林地上生物量（Aboveground forest biomass，AGB）是反映森林生态系统结构和功能的重要指标，AGB 是分析和了解森林碳储量以及森林生态系统碳循环的基础，对研究全球气候变化和陆地碳循环具有重要意义1。光学数据获取森林垂直结构信息的能力较差，但随着图像处理算法的更新与应用，使用光学数据来进行 AGB 估测的精度也在不断提高2。随着 Landsat 卫星数据的免费开放，由于可使用数据的时间周期长、分辨率较高、覆盖率广，已经获得了科研人员的高度关注和广泛研究3-4，使得利用光学遥感时间序列数据进行大尺度范围的研究成为可能。但是，由于 Landsat 卫星时间跨度长、传感器种类多，并且多种传感器的数据在成像时受到各种因素的影响较大。因此，对于时间序列数据来说，数据存在严重的噪声和大量的不确定性，限制了其深入应用，故需要使用多种方法对数据序列进行重构，以获得高质量的数据集。目前，被广泛应用于遥感影像去噪的滤波方法有 LandTrendr（L-T）算法5、Savitzky-Golay（S-G）算法6、Whittaker 算法7、谐波分析法（HANTS）8、Double-Logistic（D-L）算法9、差分整合移动平均自回归模型（ARIMA）10、Asymmetric-Gaussian（AG）算法11等。以上滤波方法对于遥感时间序列数据的应用更多出现在对植被指数的处理并用于植被提取与分类上，对于AGB 的遥感估测反演研究仍然较少12，而且已有方法存在不可避免的理论或技术缺陷13，因此，需要根据不同应用选择或者开发适宜该领域的最佳算法。本研究开发了自适应霍恩地形卷积算法（Adaptive horn topography convolution，AHTC），该算法基于 Horn 卷积模板，采用空间卷积理论，考虑到地形因素对于遥感图像质量的影响，并以地形位置指数（Topographic position index，TPI）作为卷积运算的权重影响因子。Savitzky-Golay 算法是 Savitzky 和 Golay 提出的一种基于最小二乘法的多项式拟合法，通过一定长度的窗口对待处理数据进行加权拟合，不受数据时空尺度和传感器的 影响14；LandTrendr 是一组频谱时间分割算法，可用于检测中等分辨率卫星图像（如 Landsat）的时间序列中的变化，能有效去除时间序列中的异常值15。长期以来，青藏高原地区的气候变化被认作是全球气候变化的放大器与驱动机16，研究香格里拉市森林植被的生物量和碳储量，对进一步开展高原陆地生态碳循环研究以及提高社会对于森林生态价值的认识等都具有重要意义17。高山松 Pinus densata作为香格里拉市的主要森林植被类型，在水土保持、涵养水源和维护生物多样性等方面都发挥着重大作用18。时间序列数据重构在提高生物量估测精度方面已经表现出了可行性19，本研究使用自开发的 AHTC 滤波算法、Horn 卷积算法、S-G 滤波算法以及 L-T 滤波算法对香格里拉地区的 Landsat 时间序列数据集进行重构，以提高高山松地上生物量估测的精度。1 材料与方法1.1 研究区概况香格里拉市位于云南省西北部（9920 10019E，2652 2852N），为青藏高原横断山区腹地，处在云南、四川和西藏的交接地带。香格里拉地处高海拔、低纬度地带，气候随海拔升高而变化，垂直立体气候特征明显。夏秋两季多雨水，冬春两季气候较为干旱且降水稀少，干湿季分明，四季不明显。地势西北高、东南低，最高点海拔 5 545 m，最低点海拔 1 503 m，海拔高差 4 042 m，平均海拔 3 459 m。其优势树种有云杉 Picea asperata、冷杉 Abies fabri 和高山松等。1.2 数据来源与处理1.2.1 样地数据样地数据来自于在香格里拉进行的国家森林资 源 连 续 清 查 项 目（National forest inventory，higher estimation accuracy than the original data;3)The time series data filtered by AHTC algorithm had the best effect on estimating the above-ground biomass of P.densata,with the decision factor R2 of 0.885,root mean square error RMSE of 34.63 t/hm2,prediction accuracy P of 60.75%,and relative root mean square error rRMSE of 43.59%;4)The inversion results using AHTC and RFR methods are:12 million 360 thousand tons(1987),11 million 550 thousand tons(1992),14 million 550 thousand tons(1997),13 million 330 thousand tons(2002),13 million 140 thousand tons(2007),13 million 450 thousand tons(2012),16 million 540 thousand tons(2017).【Conclusion】The use of AHTC filtering method can eliminate a lot of noise and uncertainty carried by the time series image itself to a certain extent,effectively improving the quality of time series images,and also providing a new approach to improve the accuracy of remote sensing estimation of above-ground biomass of P.densata.Keywords:filtering;Landsat time series;Pinus densata;biomass;AHTC43中 南 林 业 科 技 大 学 学 报第 44 卷NFI）。时 间 分 布 为 19872017 年，共 7 期。抽取了均匀分布在香格里拉全市范围内的高山松固定样地，如图 1 所示，每块样地的面积约为 0.08 hm2（28.28 m28.28 m）。根据国家森林资源清查技术规定（2014）和第九次全国森林资源清查云南省技术方案，NFI 固定样地数据的获取方法为：1）按前期样地记录寻找固定样地位置；2）固定样地复位；3）样 木复位。精度评估方法为：1）8 cm 样木株数无 误，8 cm 的误差小于 5%；2）胸径 20 cm 的树 木，测量误差小于 1.5%，胸径 20 cm 的树木，测量误差小于 0.3 cm；3）树高 10 m 时，测量误差小于 3%，树高 10 m，测量误差小于 5%。将单木胸径以及单木树高代入高山松单木生物量模型20，并乘以每块样地的株数，结合公式（1）得到样地生物量的近似值，再计算与 Landsat 影像分辨率相匹配的样地生物量。1.7390.8800.073ADH=。（1）式中：A 为单木地上生物量，kg；D 为胸径，cm；H 为树高，m。由于 NFI 数据的时间跨度长，受到各种因素的影响，在本研究中使用三倍标准差法（3）21对异常值进行了去除，最终得到 135 份可用的调查记录。图 1 研究区高山松固定样地分布Fig.1 Distribution of P.densata plots in the research area1.2.2 Landsat 时间序列数据Landsat 数据为经过大气校正的地表反射率数据，使用谷歌地球引擎（Google earth engine，GEE）对其进行处理。Landsat 7 因为传感器故障导致获取的影像出现了数据条带丢失，所以尽量采用 Landsat 5 和Landsat 8 的数据。所使用的 Landsat 7 数据对条带进行了掩膜去除。为了使 Landsat 时间序列影像在光谱特征上拥有更好的一致性，研究参考了 Roy等22撰写的文档对Landsat不同传感器进行协调。在 GEE 平台上，数据使用了 CFMASK 制作的云、阴影、水和冰雪掩膜并生成了对应的波段（波段名为“pixel_qa”），所使用的时间序列数据。因为筛选数据的时间范围处于冬季，此外研究区范围内存在被降雪或常年积雪覆盖的区域，所以需要“pixel_qa”波段去除云、雾、雪、冰和阴影。滕晨凯，等：基于 Landsat 时间序列影像和 AHTC 算法的高山松地上生物量估测44第 2 期由于气候原因，香格里拉市夏秋两季雨水过于集中，难以构建以月和季度为时间间隔的时间序列数据，所以选择用年度间隔的时间序列作为研究数据集。冬季初春时节影像质量较好，且植被在冬季生长状态稳定，在时间上选择了当年 13 月的影像19。将各年度筛选出来的高质量影像采用中值合成的方式对香格里拉市全面覆盖。1.2.3 数字高程模型数据数 字 高 程 模 型（Digital elevation model，DEM）来自于航天飞机雷达地形测绘任务（Shuttle radar topography mission，SRTM）项 目 提 供 的SRTM Version 3 产品（SRTM Plus），分辨率为 1角秒（约 30 m）。1.3 LandTrendr 频谱分割算法LandTrendr 是一组频谱-时间分割算法，能够识别时间序列中发生突变的年份并将其与持久稳定的光谱轨迹分割开。核心算法主要包括 3 个部 分：轨迹分割、模型简化迭代以及噪声去除。该算法将复杂的光谱变化特征进行简化的同时去除了影像中的噪声。研究参考了俄勒冈州立大学eMapR 实验室的 Kennedy 等15在 GEE 中发布的开源代码。本研究利用 GEE 平台计算得到了基于 L-T 滤波的时间序列数据。1.4 Savitzky-Golay 滤波算法Savitzky-Golay 算 法 是 Savitzky 和 Golay 于1964 年提出的一种简化最小平方拟合卷积，用于平滑和计算一组连续值的导数，主要用来对数据进行平滑除噪23。可以随着指定的时域窗口的范围不同而满足多种不同的需求，时域窗口越小，拟合的结果越接近真实值，窗口越大，拟合后的曲线越平滑。如公式（2）所示：01 12 211.nnyaa xa xax=+。（2）式中：y 为滤波后的值，an为多项式权重值，xn为滤波前的值。本研究利用 Python 平台，使用公式（2）计算得到了基于 S-G 滤波的时间序列数据。1.5 AHTC 滤波算法1.5.1 算法描述对于海拔较高的研究区域所获取到的初春季节的时间序列数据，其噪声的主要来源可能是雪。新方法与其他减少噪声和构建高质量时间序列数据集的方法相比，主要基于如下的假设：对于高海拔地区的山谷山脊，考虑将其视作噪声点并对其进行处理。传统的滤波方法如均值滤波，虽然能够有效地去除遥感图像中存在的噪声，但在去除噪声的同时也模糊了图像的细节。有学者提出了基于权重的卷积运算，能够在去除噪声的同时最大限度地保留图像的细节24。本研究基于空间卷积理论中的 Horn 算法模板，考虑到空间自相关性，采用线性方法提出了 AHTC 算法。AHTC 算法的核心思想是以 TPI 作为卷积运算的权重影响因子，根据重分类后的不同 TPI 值选择不同的卷积核进行运算，最终完成整幅图像的滤波重构。TPI 作为 DEM 的衍生产品，可以更加准确地反映一个点与邻域内其他点在地形上的相对位置关系25，该指数通常被用于地形的形态分类，如山脊山谷、上中下坡位以及平坡等。山谷山脊由于其所处海拔的缘故，相比其他区域来说更容易受到雪的影响，可以近似将其看作是噪声点，此时中心点的权重值降为零，通过邻域内其他像元点来填充中心点；其他区域相对来说受到雪的影响较小，赋予较高的权重值。Landsat 影像属于栅格图像，其本质是由一个个规则排列在点阵上的像元点所构成。从数学的角度出发，对于 33 邻域窗口，与中心像元点最近的像元有 4 个，同时根据地理学第一定律可知任何事物都是与其他事物相关的，且相近的事物关联更紧密26。所以从空间相关性的角度来说，与中心点像元最相似的点是其邻域窗口内上下左右的 4 个点，对这 4 个点赋予相对较高的权重能够更加真实地反映受到噪声污染前的中心点像元。1.5.2 算法步骤步 骤 1：利 用 33 模 板 从 DEM 中 提 取 出TPI。步骤 2：TPI 重分类。根据提取出来的 TPI 数值进行重分类并赋值，共分为 3 类，第一类是当TPI 的值远小于零时，这部分区域为山谷，赋值为1；第二类是当 TPI 的值接近于零时，这部分区域为平缓区域；第三类是当 TPI 的值远大于零时，为山脊，赋值为 3。步骤 3：TPI 与影像匹配。按照空间位置将重分类后的 TPI 值与遥感影像的像元值进行匹配。步骤 4：根据 TPI 判断使用不同的卷积模板。1）当 TPI=1、3 时，此时为山谷和山脊，使用原始 Horn 算法模板，依据公式（3）计算得到新的中心点像元值，公式如下所示：45中 南 林 业 科 技 大 学 学 报第 44 卷 12346789111111261266111 12612yxxxxxxxx=+。（3）式中：y 为新中心点像元值，x 为原始像元值。2）当 TPI=2 时，此时为平缓区域，采用改进的 Horn 算法模板，依据公式（4）计算得到新的中心点像元值，公式如下：1234567891111114714771111 714714yxxxxxxxxx=+。（4）式中：y 为新中心点像元值，x 为原始像元值。步骤 5：完成 AHTC 算法的滤波重构。具体算法流程如图 2 所示：图 2 AHTC 滤波算法示意Fig.2 Sketch of AHTC filtering algorithm1.6 滤波后图像质量评价1.6.1 均方根误差测量滤波后的图像与原始图像之间的偏差，采用均方根误差（Root mean square error，RMSE）计算，公式为：21MSE()nijiyyRn=。（5）式中：yi表示经过滤波算法滤波过后的值，yj表示原始图像的值，n 为样本个数。滕晨凯，等：基于 Landsat 时间序列影像和 AHTC 算法的高山松地上生物量估测46第 2 期1.6.2 峰值信噪比峰值信噪比（Peak signal-to-noise ratio，PSNR）通常用来评价滤波后图像与原始图像的质量，但不能反映人眼的主观感受。计算 PSNR时，分别取滤波前后一定大小的图像。PSNR值越大，代表滤波后的图像失真越少，滤波效果越好27。PSNR如公式（6）所示，用均方误差（Mean square error，MSE）值来计算PSNR值。MSE可以用公式（7）来定义，Maxf为图像中像素的最大值，可以用公式（8）来表示。2NSRSE10log()axfMPM=（6）112SE001(,)(,)WHxyMf x yo x yWH=（7）(0,0)(1,1):axfWHMff=（8）式中：f 为滤波后图像，o 为滤波前图像，（x,y）为像元位置，W 为图像宽度，H 为图像高度。2 结果分析2.1 AHTC 算法滤波后影像质量评价研究选取了部分年份使用 AHTC 算法滤波前后的图像进行展示，如图 3 4 所示。为了对滤波后的影像质量进行评价，本研究选取了 2 个指标,分别是 RMSE和 PSNR。研究选用了均匀分布在香格里拉全境的 19872017 年的135 个样地点来提取基于像素的数据并计算原始影像与滤波后影像的均方根误差，具体计算结果如表 1 所示。从表中的 RMSE可以看出滤波后的数据相对原始数据来说，偏差较大，其中 2007 年滤波后的图像是变化最大的。从滤波前后图像的目视判读来看，经过 AHTC 滤波后，图像的部分噪声被明显地去除掉了。对于滤波前后的数据，分别裁剪了长度为 162像素，宽度为 90 像素的图像用于计算 PSNR。由计算结果（表 2）可以看出，除了 2017 年 B1 波段和 1987 年的 B4 波段，其余年份所有波段的 PSNR均大于 30 dB，说明使用 AHTC 算法滤波后的图像质量相对较好。2.2 香格里拉高山松地上生物量估测随机森林回归算法（Random forest regression，RFR）是当前生物量遥感估测中应用较多的一种非参数模型。核心思想为在构建随机森林模型时，利用 Bootsrap 重抽样方法从训练样本中抽取多个样本，对每个 Bootsrap 重抽样的样本进行决策树建模，并对决策树模型的值进行预测，将多棵决策树的预测值进行组合，通过投票得出最终预测结果28。图 3 香格里拉市滤波前后图像Fig.3 Unfiltering and filtering image of Shangri-La47中 南 林 业 科 技 大 学 学 报第 44 卷表 1 均方根误差Table 1 Root mean square error年份YearB1B2B3B4B5B7201722.44928.54440.621112.100124.97989.490201226.52223.25345.51358.473115.099100.5712007180.938165.311202.103291.564276.974231.310200238.04352.43548.566111.884110.44578.955199737.84539.73137.580108.90986.59165.878199223.59730.83346.580149.840169.910120.886198728.22434.60740.18186.944167.410114.076表 2 峰值信噪比Table 2 Peak signal-to-noise ratio年份YearB1(dB)B2(dB)B3(dB)B4(dB)B5(dB)B7(dB)201721.82838.16539.34232.89840.81141.633201233.68437.13142.14435.44943.48542.282200748.74547.65350.66441.94536.90236.073200239.27243.04642.72431.16441.75544.765199730.52631.24632.69332.24738.87137.653199248.44548.16549.79246.40434.32838.165198733.95332.25431.79828.79837.70238.592随机森林回归算法在训练过程中伴随着一定数量运行参数的调整。建模过程中的调整的参数主要有 4 个，分别为：n_estimators：参与运算的弱学习器的最大迭代次数。max_depth：决策树最大深度，默认设置为10。min_samples_leaf：叶节点最小样本数。min_samples_split：内部节点再划分所需的最小样本数，默认是 2。Landsat 时间序列合集中，每幅影像都保留了6 个波段，分别是 B1（BLUE）、B2（GREEN）、B3（RED)）、B4（NIR）、B5（SWIR1）和B7（SWIR2），6 个波段的空间分辨率都为 30 m。长期以来，学者们认为遥感因子与AGB之间存在一定的相关性，相较于使用单期数据的生物量估测，时间序列遥感数据可以降低单期数据建模时不确定性因素的影响29。同时，对时间序列影像进行滤波可以协调多年期的影像，增加训练样本的可用量，提高地上生物量估测精度19。对滤波前后的 Landsat 时间序列数据提取的遥感因子如表 3 所示。图 4 4 块样地对应影像滤波前后对比Fig.4 Comparison of four sample plots before and after filtering滕晨凯，等：基于 Landsat 时间序列影像和 AHTC 算法的高山松地上生物量估测48第 2 期利用随机森林回归算法对提取出的遥感因子进行了特征筛选，按照特征在随机森林回归模型中的贡献度选择前15的特征用于最后的模型构建，如表 4 所示。表 3 遥感因子Table 3 Remote sensing factor因子类型 Factor type因子 Factor单波段光谱因子 Single bands factorB1、B2、B3、B4、B5、B7比值因子 Band ratios factorNIR/Green、SWIR1/Red、SWIR1/NIR、SWIR1/SWIR2、SWIR2/Red、B3/Albedo、B4B3/B7植被指数Vegetation indicesNDVI、RVI、DVI、EVI、ARVI、LAI、NBR、Albedo、ND32、ND57、ND452、ND53、ND54、SAVI、OSAVI、EVI2表 4 用于随机森林建模的特征因子Table 4 Variables for RFR modeling数据类型Data type遥感因子Remote sensing factor累计贡献度Cumulative contribution/%未滤波UnfilteredB1、B3、B5、NDVI、EVI、ARVI、LAI、NIR/Green、SWIR1/NIR、SWIR1/SWIR2、B3/Albedo、ND57、ND452、ND54、EVI289基于 L-T 滤波Based on L-T filteringB1、B4、B7、DVI、EVI、LAI、Albedo、NIR/Green、SWIR1/SWIR2、SWIR2/Red、B3/Albedo、B4B3/B7、ND57、ND53、SAVI86基于 S-G 滤波Based on S-G filteringNDVI、EVI、LAI、NBR、SWIR1/Red、SWIR1/NIR、SWIR1/SWIR2、SWIR2/Red、B3/Albedo、B4B3/B7、ND32、ND57、ND452、ND53、ND5486基于 AHTC 滤波Based on AHTC filteringB5、B7、DVI、EVI、ARVI、LAI、NIR/Green、SWIR1/NIR、SWIR1/SWIR2、SWIR2/Red、B3/Albedo、B4B3/B7、ND32、ND57、ND5487基于 Horn 滤波Based on Horn filteringB4、B5、B7、EVI、LAI、NIR/Green、SWIR1/SWIR2、B3/Albedo、ND32、B4B3/B7、ND54、SWIR1/NIR、ND57、NBR、SWIR2/Red88研究比较了未滤波的遥感数据、基于 L-T 滤波的遥感数据、基于 S-G 滤波的遥感数据、基于Horn 卷积的遥感数据和基于 AHTC 滤波的遥感数据在香格里拉高山松地上生物量估测方面的表现。由表 5 可以看出，AHTC 滤波方法拥有最高的决定系数和最低的均方根误差；在模型预测精度方面，AHTC 滤波方法拥有最高的预测精度和最低的相对均方根误差。由此可见，相比于 L-T 滤波方法，S-G 滤波方法，原始 Horn 卷积方法，AHTC 滤波方法在提高高山松地上生物量估测精度方面有着最优的表现。表 5 基于滤波前后生物量估测模型精度评价Table 5 Accuracy evaluation of biomass estimation models based on before and after filtering数据类型Data type拟合效果 Imitative effect预测效果 Prediction effectR2RMSE/(thm-2)P/%rRMSE/%未滤波 Unfiltered0.84839.7054.6164.42基于 L-T 滤波 Based on L-T filtering0.85938.4258.8359.08基于 S-G 滤波 Based on S-G filtering0.86437.6756.6755.03基于 Horn 滤波 Based on Horn filtering0.85339.1257.6353.35基于 AHTC 滤波 Based on AHTC filtering0.88534.6360.7543.592.3 高山松地上生物量反演结果并与已有研究成果的对比基于 AHTC 滤波算法滤波后的数据，使用遥感特征（15 个）训练的最优随机森林估测模型用于 1987、1992、1997、2002、2007、2012 和 2017年香格里拉高山松地上生物量的估测，该 15 个特征变量分别为：B5、B7、DVI、EVI、ARVI、LAI、NIR/Green、SWIR1/NIR、SWIR1/SWIR2、SWIR2/Red、B3/Albedo、B4B3/B7、ND32、ND57 和 ND54。由此得到对应年份的生物量反演数据如表 6 所示。1987、1992、1997、2002、2007、2012 和 2017 年的高山松平均地上生物量分 别为57.106、53.314、67.612、61.747、59.741、61.952 和 70.867 thm-2。表 6 总结了历年来各研究者对于香格里拉高山松生物量的反演结果。岳彩荣17的研究对象为乔木层生物量和森林生物量，无法直接比较，根据 Assefa30在森林碳库和碳储量评估方面的研究，地上生物量约占森林生物量的 15%30%，49中 南 林 业 科 技 大 学 学 报第 44 卷地下生物量约占森林生物量的 4%8%，由此推算岳彩荣研究中的 2008 年香格里拉高山松地上生物量大致在 913 1235 万 t 之间，王金亮等31研究的 2009 年香格里拉高山地上生物量大致为在300 600 万 t 之间。对比生物量反演结果可以看到，岳彩荣17、孙雪莲32和谢福明33的反演结果与本研究相近年份（2007 年和 2012 年）的结果较为接近。廖易等34虽然与本研究反演年份一致，但生物量反演结果差异较大。除此之外，研究还使用 2016 年的香格里拉森林二类调查数据，利用平均胸径、平均树高和每块森林小班的高山松株数，通过高山松地上生物量模型计算得到每块森林小班的生物量，最终得到 2016 年高山松地上生物总量大致为 1 490 万 t，与本研究相近年份（2017年）的反演结果相差 164 万 t。从表 6 中可以看出，每个研究者对于香格里拉高山松地上生物量反演结果的差异都很大，森林遥感估测生物量的过程中误差来源很多，较多的主观因素以及客观因素难以克服，这也导致了不同研究者的研究结果存在巨大差异。表 6 不同研究者对于高山松地上生物量反演结果比较Table 6 Results of biomass estimation of P.Densata Mast in Shangri-La by different researchers研究者Researcher发表年份 Publication year高山松生物量类型Biomass type of P.densata反演数据年份Inverse data year反演结果Inversion result/万 t生物量反演结果差异Differences in biomass inversion results/万 t岳彩荣2011乔木层生物量20081 417.98579 401（2007 年）王金亮等2013森林生物量20092 000.000714 1 014（2007 年）孙雪莲2016