基于機載lidar數(shù)據(jù)的森林生物量估測研究

基于機載lidar數(shù)據(jù)的森林生物量估測研究

森林是陸地生態(tài)系統(tǒng)的主體，是森林發(fā)展的物質(zhì)基礎(chǔ)。從《京都議定書》到“巴厘島路線圖”,都迫切需要世界各國實施應(yīng)對氣候變化的國家方案。2009年底在哥本哈根召開的《聯(lián)合國氣候變化框架公約》締約方第15次會議上,我國提出減排增匯舉措:到2020年,我國單位國內(nèi)生產(chǎn)總值(GDP)CO2排放量將比2005年下降40%–45%,增加森林碳匯,使森林面積比2005年增加4000萬hm2,森林蓄積量比2005年增加13億m3等。“巴厘島路線圖”明確規(guī)定,簽署《聯(lián)合國氣候變化框架公約》的所有發(fā)達國家締約方都要履行可測量、可報告、可核實的溫室氣體減排責任。在哥本哈根會議上,美國和歐洲許多發(fā)達國家要求我國減排指標接受這一規(guī)則。2007年6月5日,我國國家發(fā)展和改革委員會正式發(fā)布《中國應(yīng)對氣候變化國家方案》,該方案明確提出遙感信息的提取和反演技術(shù)是碳源匯觀測體系建設(shè)中所急需的。森林在全球碳循環(huán)中的貢獻,代表了森林經(jīng)營活動對全球生態(tài)系統(tǒng)功能的影響。而森林生物量及其生產(chǎn)力的大小是評價森林碳循環(huán)貢獻的基礎(chǔ)。因此,開展森林生物量的精確估算和評估具有重要意義,它不僅是估測森林碳儲量和評價森林碳循環(huán)貢獻的基礎(chǔ),而且也是森林生態(tài)功能評價的重要參數(shù)。傳統(tǒng)的森林參數(shù)測定需要外業(yè)實地測量,僅能獲得一些點上的數(shù)據(jù),很難及時地獲取區(qū)域或大范圍有空間分布信息的森林參數(shù)。激光雷達(lightdetectionandranging,Lidar)遙感獲得的高精度三維測量數(shù)據(jù),能夠大大地提高森林生物量的估測精度,從而更好地計算森林的碳儲量(龐勇等,2005)。激光雷達是一項通過由傳感器所發(fā)出的激光脈沖來測定傳感器與目標物之間距離的主動遙感技術(shù),20世紀80年代中期開始應(yīng)用于林業(yè)研究,早期的研究發(fā)現(xiàn)激光脈沖的穿透力與冠層郁閉度高度相關(guān),并指出激光雷達系統(tǒng)可以用于遙感森林垂直結(jié)構(gòu)并估測林木高度(Nelsonetal.,1984,1988)。MacLean和Krabill(1986)使用攝影測量和光密度測量的方法發(fā)現(xiàn)樹冠垂直剖面與森林蓄積量的對數(shù)呈線性關(guān)系,從而設(shè)想如果激光雷達可以精確地重建樹冠剖面,那么森林蓄積量可以被估測出來。隨后,許多研究證明激光雷達掃描數(shù)據(jù)能夠準確地估測森林參數(shù),如樹高、胸高斷面積、生物量等(N?sset,1997;Nelsonetal.,1997;Maltamoetal.,2004;Popescu,2007;龐勇等,2008;劉清旺等,2010;付甜等,2011)。與建立在高密度激光點云基礎(chǔ)上的單木生物量估測方式相比,更多的森林生物量估測研究是基于較低密度點云數(shù)據(jù)的空間分布情況來估計生物量。Nelson等(1997)應(yīng)用激光雷達數(shù)據(jù)估測了哥斯達黎加原始熱帶森林的胸高斷面積、蓄積量和生物量,研究采用多元回歸分析方法,結(jié)果表明:有用的激光雷達測量數(shù)據(jù)包括所有回波的平均高度、植被回波的平均高度以及它們各自的變動系數(shù),模型決定系數(shù)(R2)達0.4–0.6。Lim和Treitz(2004)利用點云數(shù)據(jù)統(tǒng)計分析計算四分位高度數(shù)據(jù)對5個樹種分別進行了生物量估測,針對不同生物量部分(包括地上總生物量、樹干生物量、樹皮生物量、樹枝生物量、樹葉生物量),將四分位高度變量h25、h50、h75、h100分別帶入對數(shù)變量線性回歸方程進行分析,得出的相關(guān)系數(shù)均高于0.8。N?sset和Gobakken(2008)考慮到森林生物量與郁閉度的關(guān)系,采用了激光雷達首回波數(shù)據(jù)的兩組自變量來估測生物量,一組為百分位高度變量,另一組為密度變量,同時引入立地、齡級等作為虛變量,樹種組成作為連續(xù)變量構(gòu)建了回歸模型,估計了地上生物量和地下生物量,其R2也達到了0.7以上。Zhao等(2009)提出兩種尺度不變模型(線性函數(shù)模型和等值的非線性模型)來估計生物量,利用激光雷達數(shù)據(jù)得到樹冠高度分布(CHD)和樹冠高度分位數(shù)函數(shù)(CHQ),實驗結(jié)果表明,這兩個模型能夠精確地估計生物量,并且預(yù)測結(jié)果在各種尺度的表現(xiàn)都基本一致,其中R2的范圍在0.80到0.95(均方根誤差RMSE從14.3t·hm–2到33.7t·hm–2)。Latifi等(2010)嘗試了非參數(shù)估計方法反演森林生物量的潛力,結(jié)果表明隨機森林的方法比其他最近鄰的方法要好。在過去采用類似激光雷達分位數(shù)變量和密度相關(guān)變量的估測森林參數(shù)的研究中,一般情況下都是逐步回歸選擇出植被首回波的80%–90%分位數(shù)或最大高度用于估測平均樹高或優(yōu)勢樹高,而胸高斷面積、蓄積量、平均胸徑或株數(shù)的預(yù)測回歸模型則多半既包含分位數(shù)變量又包含與密度相關(guān)的變量,20%或30%的分位數(shù)變量表現(xiàn)出很強的相關(guān)性,且關(guān)系顯著。有研究表明,森林參數(shù)與激光雷達數(shù)據(jù)之間的關(guān)系受地域、樹種構(gòu)成、立地質(zhì)量等條件的影響(Holmgren,2004;Halletal.,2005;N?sset&Gobakken,2008)。已有的一些研究多關(guān)注于地上的森林參數(shù)及地上部分的各組分生物量(Lim&Treitz,2004;付甜等,2011),N?sset和Gobakken(2008)首次利用Lidar估計了地下生物量。本文以黑龍江省小興安嶺涼水自然保護區(qū)的溫帶森林為研究對象,進行機載Lidar反演葉生物量(Wf)、活枝生物量(Wb)、樹干生物量(Ws)、地上總生物量(Wa)、根部生物量(Wr)和總生物量(Wt)等各組分生物量的試驗,評價這一技術(shù)在我國溫帶森林的適用性,探討反演森林各組分生物量的潛力,有助于科學(xué)準確地估算溫帶森林的碳儲量。1測試區(qū)和數(shù)據(jù)采集1.1氣候變化及植被群落特征研究區(qū)選在黑龍江省伊春市帶嶺區(qū)涼水國家級自然保護區(qū),位于47°10′50″N,128°53′20″E,森林覆蓋率為98%。保護區(qū)內(nèi)以山地為主,屬于小興安嶺南部達里帶嶺支脈的東坡。地形比較復(fù)雜,最高山峰為北部的嶺來東山,海拔為707m,由北向南逐漸降低至東南端的280m。山脈一般高100–200m,平均坡度為10°–15°,北坡緩而長,南坡陡而短,山嶺部分可以達到25°以上甚至40°的陡坡。年平均氣溫–0.3℃,年降水量676mm,年相對濕度78%,無霜期100–120天。境內(nèi)地帶性土壤為山地暗棕壤。氣候具有明顯的溫帶大陸性季風特征:春季風大;夏季氣溫較高,降雨集中;秋季降溫急劇;冬季漫長,寒冷干燥而多風雪。保護區(qū)面積為1.2萬hm2,森林總蓄積量170萬m3。保護區(qū)內(nèi)自然資源豐富,植被群落類型復(fù)雜多樣,既有處于演替頂極狀態(tài)的原始闊葉紅松(Pinuskoraiensis)林、魚鱗云杉(Piceajezoensisvar.microsperma)林和興安落葉松(Larixgmelinii)林,又有處于不同演替階段的次生林。大片較原始的紅松針闊混交林是我國目前保存下來的最為典型和完整的原生紅松針闊混交林,也是我國和亞洲東北部很具代表性的溫帶原始紅松針闊混交林。主要樹種有紅松、魚鱗云杉、興安落葉松、白樺(Betulaplatyphylla)、水曲柳(Fraxinusmandschurica)、紫椴(Tiliaamurensis)、山楊(Populusdavidiana)、蒙古櫟(Quercusmongolica)、黃檗(Phellodendronamurense)、胡桃楸(Juglansmandshurica)等。1.2系統(tǒng)方法和系統(tǒng)集成系統(tǒng)于2009年9月4日和13日利用激光雷達傳感器在涼水自然保護區(qū)進行機載實驗數(shù)據(jù)采集。使用國產(chǎn)運-5小型多用途飛機作為飛行平臺,飛行時地面相對速度約180km·h–1,總覆蓋面積約200km2。獲取數(shù)據(jù)時天氣以晴為主,有少量高云分布,對激光雷達的數(shù)據(jù)采集沒有影響。此次飛行使用的激光雷達系統(tǒng)為LiteMapper5600(LiteMapper5600,Ingenieur-GesellschaftfuerInterfacesmbH,Kreuztal,Germany),激光掃描儀采用LMS-Q560(RIEGLLaserMeasurementSystemsGmbH,Horn,Austria),CCD相機采用DigiCAM-H/22(DigiCAM-H/22,Ingenieur-GesellschaftfuerInterfacesmbH,Kreuztal,Germany)。該系統(tǒng)集激光測距、全球定位系統(tǒng)(GPS)和慣性導(dǎo)航系統(tǒng)(INS)于一體,包括一個單束窄帶激光器和一個接收系統(tǒng)。激光器工作波長為1550nm,激光束發(fā)散角為0.5mrad,波形數(shù)據(jù)記錄間隔為1ns。獲得的平均點云密度約2點·m–2,小范圍精細飛行區(qū)達5點·m–2(相對航高約650m)。為確保低反射率目標的有效接收,脈沖重復(fù)頻率為50kHz。記錄全波形數(shù)據(jù),地表定位精度為水平0.2m,垂直0.15m(平地)。此外,CCD相機同步獲取了該區(qū)域的航空影像數(shù)據(jù),空間分辨率為0.2m。經(jīng)過與差分GPS實測高程的比較,本實驗獲取的Lidar數(shù)據(jù)的高程精度優(yōu)于0.3m,平面精度優(yōu)于0.5m。1.3統(tǒng)計分析和測量木的測量2009年8月進行了為期18天的外業(yè)樣地調(diào)查,對飛行區(qū)域進行樣地數(shù)據(jù)的地面調(diào)查。選擇涼水林場典型森林類型(紅松闊葉林、落葉松林、白樺林)為對象,按蓄積量大小分高、中、低3個梯度,每個梯度抽取3–4個森林區(qū)劃小班布設(shè)樣地。共設(shè)置78塊樣地進行調(diào)查,并使用TrimbleGeoXTGPS(GeoXT,TrimbleNavigationLimited,Sunnyvale,USA)進行差分定位。其中4塊樣地的GPS坐標未能進行差分處理,本研究僅使用有差分GPS坐標的74塊樣地,包括27塊闊葉林樣地(主要為白樺林)、23塊針葉林樣地(主要為落葉松)、24塊針闊葉混交林樣地(主要為紅松闊葉混交林)。樣地為圓形樣地,半徑為13.8m,面積為0.06hm2。進行每木檢尺調(diào)查,起測胸徑為5cm,對每株被測木測量樹種、胸徑、樹高和冠幅等測樹因子。單株木的胸徑用圍尺測量,樹高和枝下高使用激光測高儀(TruPulse360B,LaserTechnologyInc.,CentennialCO,USA)、超聲波測高儀(VERTEXIII,HAGLOFCompany,L?ngsele,Sweden)進行測量,冠幅的兩個主方向使用皮尺測量。使用差分GPS定位樣地中心地理坐標,差分處理后的位置精度在1m以內(nèi),差分基站與機載Lidar的基站相同,可以確保外業(yè)測量數(shù)據(jù)與機載飛行數(shù)據(jù)在位置上有很好的重合。2方法2.1異速生長方程根據(jù)調(diào)查數(shù)據(jù)計算相關(guān)森林參數(shù),應(yīng)用分樹種的異速生長方程計算每株檢尺樹木的Wf、Wb、Ws、Wa、Wr和Wt。然后將所有檢尺樹木的組分生物量累加得到該樣地的組分生物量,進而換算為單位面積(本研究采用hm2)的組分生物量。異速生長方程使用了陳傳國和朱俊鳳(1989)的冪函數(shù)形式的方程和Wang(2006)對數(shù)形式的方程,為了計算方便,我們將Wang(2006)的方程轉(zhuǎn)換為冪函數(shù)形式的方程,即公式(1):式中,W為待計算的各組分生物量,DBH為胸徑,a和b為方程系數(shù)。所使用的各樹種異速生長方程系數(shù)見附錄1,模型擬合的R2都大于0.8。2.2納米tin算法為了進行森林參數(shù)反演,首先需要將地面點與地物點分離。在本研究中將激光點分為3類:地面點、植被點和其他。地面點指來自地面的激光回波,植被點則指植被的激光回波,其他點是指除植被點以外的非地面點。Lidar數(shù)據(jù)在空間的分布為不規(guī)則的離散三維點云,每個點具有精確的三維坐標,即水平方向的地理坐標(x,y)及垂直方向的高程值z。對于植被,激光脈沖可以通過孔隙穿透植被,通過透射或多次散射形成多次回波,點云分布呈團狀聚集等不規(guī)則形狀。在植被密集的地方,激光回波的情況比較復(fù)雜,有些來自于植被頂部,有些來自于下層的樹枝,還有一些來自于植被覆蓋下的地表。本文采用基于不規(guī)則三角網(wǎng)(TIN)的過濾方法(Axelsson,2001),TIN算法是一個從粗放到精細的過程,等效于三角網(wǎng)逐步加密的過程。算法首先在粗放的尺度尋找地面點,并根據(jù)這些地面點建立粗尺度的TIN網(wǎng)絡(luò)表面。隨后逐一判斷其余的三維點與TIN表面的垂直距離及角度,當距離與角度小于閾值,就將該點納入并重構(gòu)新的TIN表面,否則就將該點刪除。如此往復(fù),逐步納入新的地面點,直至所有點判斷完成,將所有的激光雷達點云數(shù)據(jù)分為地面點和非地面點。進一步利用高程閾值法結(jié)合人工編輯,將非地面點分為植被點和其他類型的激光回波點。將分類后的地面激光點數(shù)據(jù)使用TIN插值方法生成數(shù)字高程模型(DEM)。然后利用DEM的高程值對植被回波點的高度進行歸一化處理,即去除地形的高程,使植被點的高度值為相對于地面的高度值。對于不同的激光器構(gòu)造和飛行高度而言,第一回波更趨于穩(wěn)定,因此多采用第一回波來計算森林參數(shù)(N?sset&Gobakken,2008)。一般情況下,植被點是取高于地面2m的回波點(Nilsson,1996)。百分位數(shù)能很好地體現(xiàn)激光點數(shù)據(jù)的分布情況(龐勇等,2008)。因此,提取一組變量取每塊樣地中的激光雷達植被回波點的百分位高度5%(h5),10%(h10),…95%(h95),以及最大高度hmax。然后將激光雷達對應(yīng)高度分位數(shù)內(nèi)的點在所有點中所占的比例定義為密度變量組,即d5,d10,…d95。另外,再提取密度變量c,定義為高于1.8m的回波點在所有回波點中所占的比例。2.3數(shù)值積分與相關(guān)系數(shù)本研究是在假設(shè)激光雷達數(shù)據(jù)與所要估測的內(nèi)容存在相關(guān)性的情況下,對所得到的高度歸一化后的激光雷達數(shù)據(jù)進行變量的提取。將“2.2”中得到的變量與需要預(yù)測的參數(shù)進行了Pearson相關(guān)分析,結(jié)果顯示大部分激光雷達變量與所需估測的森林參數(shù)之間的Pearson相關(guān)系數(shù)均高于0.6,且相關(guān)關(guān)系顯著,說明它們之間有較好的線性關(guān)系。為了克服變量的非線性問題,對變量進行對數(shù)變換,用對數(shù)變量線性回歸來估測地上生物量,見公式(2)。式中,Wi為根據(jù)地面實測數(shù)據(jù)計算的Wa、Ws、Wb、Wf、Wr或Wt;β0,β5,…,β40為待定的回歸系數(shù);ε為誤差項。多元線性回歸是研究多個變量之間因果關(guān)系的最常用方法,并且每個自變量與因變量之間的關(guān)系都應(yīng)該是線性的。建立回歸模型的過程中,運用逐步回歸法和觀察R2的變化情況來選擇進入模型的合適變量(N?sset&Gobakken,2008)。如果有自變量使統(tǒng)計量F值過小并且t檢驗達不到顯著水平(p>0.1),則予以剔除;F值較大且t檢驗達到顯著水平(p<0.05)則可以進入。這樣重復(fù)進行,直到回歸方程中所有的自變量均符合進入模型的要求,方程外的自變量均不符合進入模型的要求為止。2.4計算各組分生物量的大小回歸模型的評價采用最常用的R2、RMSE和相對均方根誤差(rRMSE)進行。(1)R2。R2值越大,則因變量與自變量之間的相關(guān)性越強,這是對回歸直線擬合優(yōu)度的檢驗。計算公式為:(2)實際值與預(yù)測值之間的RMSE。RMSE越小,則表明模型預(yù)測的效果越好。計算公式為:(3)rRMSE。定義為RMSE與估測結(jié)果算術(shù)平均值的比值,rRMSE越小,表明模型預(yù)測的效果越好。計算公式為:RMSE數(shù)值的高低與所評價對象的數(shù)量級關(guān)系很大,如本文研究的森林各組分生物量在數(shù)值上變化很大,RMSE值在各組分生物量間的變化范圍很大,不能很好地比較不同估測模型的誤差情況。rRMSE作為一個相對量,與評價量本身的數(shù)量級水平無關(guān),能夠更好地體現(xiàn)總體值域差別較大的模型的預(yù)測精度。由于生物量反演模型(公式2)是對數(shù)形式,在計算每個估計模型的R2、RMSE和rRMSE時,利用建立的模型計算出預(yù)測的生物量,然后利用公式(3)–(5)計算。2.5森林類型的統(tǒng)計分析在統(tǒng)計分析過程中,按照是否分別森林類型進行建模分成兩種情況進行了分析。即:(1)對所有樣地無區(qū)分的統(tǒng)計分析,即將74塊樣地一起進行“2.3”中描述的變量篩選和模型建立。(2)區(qū)分森林類型的統(tǒng)計分析,即將樣地按樹種組成分成針葉林、闊葉林和混交林3種森林類型分別進行分析。我們分析了兩種情形,一是用步驟(1)中所有樣地建立的模型分別3種森林類型進行參數(shù)估計;二是對27塊闊葉林樣地、23塊針葉林樣地、24塊針闊混交林樣地分別進行“2.3”中描述的變量篩選和模型建立,由于第二種情形針對每種森林類型進行了變量篩選和建模,估測精度有可能進一步提高,本文中稱為“最大相關(guān)系數(shù)回歸方法”。針對每種模型對樣地各組分生物量的預(yù)測值,我們分別計算了R2、RMSE和rRMSE作為評價Lidar反演各組分生物量精度的標準。3結(jié)果和分析3.1組分生物量的相關(guān)性特征估測各組分生物量及總生物量時,將所有高度變量和密度變量帶入方程進行了逐步回歸分析,結(jié)果表明激光雷達數(shù)據(jù)與各部分生物量的相關(guān)性較高。如圖1所示,在不區(qū)別樣地類型的預(yù)測結(jié)果中,各組分生物量模型的R2均高于0.6,即除根生物量外的各組分生物量的模型相關(guān)系數(shù)r均高于0.8(根生物量的相關(guān)系數(shù)為0.79),可解釋的變異占總變異的比例均在75%以上;總的樹葉、樹枝、樹干、地上、樹根和總生物量的RMSE分別為1.4、2.7、44.8、43.9、5.3和47.1t·hm–2。3.2森林類型的估計精度分別森林類型(闊葉林、針葉林、針闊葉混交林)進行了樹葉、樹枝、樹干、地上、樹根和總生物量等組分生物量反演模型建立(表1),總體上表現(xiàn)為針葉林優(yōu)于闊葉林,闊葉林優(yōu)于紅松針闊葉混交林。其中針葉林的R2都在0.8以上;闊葉林的R2都在0.4以上;而紅松針闊葉混交林的R2變化較大,從葉生物量模型的0.20變動到總生物量模型的0.63。相對而言,3種森林類型在總生物量、樹干生物量、地上生物量上都表現(xiàn)出了較好的一致性,3種森林類型聯(lián)合建立的這3種生物量模型對各類型都能進行很好的估計。由RMSE和rRMSE可以看出,不區(qū)分森林類型建立的模型對針葉林各組分生物量的估計精度最高,闊葉林和混交林的精度相當,其中闊葉林的葉生物量估計最差(rRMSE為0.36)。如表2所示,如果使用最大相關(guān)系數(shù)的回歸方法,分別森林類型單獨進行變量篩選、建立回歸模型,R2都有所提高,尤其是闊葉林和紅松針闊混交林提高得更加明顯,如闊葉林葉生物量的R2從0.44提高到0.96(rRMSE也由0.36提高到0.10),紅松針闊混交林生物量的R2從0.20提高到0.82。這表明如果詳細地區(qū)分森林類型,分別進行變量篩選、建立回歸模型,可以進一步提高精度。但這同時也要求在遙感反演各組分生物量時要知道森林類型的信息。森林類型可以通過高光譜遙感等手段分析獲得。4森林集結(jié)系統(tǒng)中l(wèi)ida的變量篩選利用聯(lián)合建立的模型分別森林類型進行生物量估計時,針葉林的精度提高較多,闊葉林的精度變化不大,而紅松針闊葉混交林的精度降低較多(表1)。對3種森林類型分別建立回歸模型時,各組分生物量反演的精度都有很大的提高(表2)。這與實驗區(qū)中這3類森林的生長狀況有關(guān)。針葉林主要是落葉松林,由于落葉松不是該區(qū)域的天然樹種,全部為人工林,表現(xiàn)為林相整齊,均質(zhì)度高,生物量估計時,無論是遙感觀測數(shù)據(jù)還是地面實測數(shù)據(jù)都能很好地代表林分水平的狀態(tài)。闊葉林主要是天然更新的白樺林和少量的人工楊樹林,林分的均質(zhì)度也較好。而闊葉紅松混交林為小興安嶺南部的典型地帶性植被,也是試驗區(qū)森林演替的頂級群落,不同闊葉樹的構(gòu)成往往有著不同的生物量水平,如柞樹(Quercussp.)紅樹林>灌木闊葉紅松林>闊葉紅松林>紅松闊葉林(馮宗煒等,1999)。本研究測量的闊葉紅松林樣地中闊葉樹的樹種和成數(shù)都有很大變化,林內(nèi)異質(zhì)性較大,結(jié)構(gòu)復(fù)雜,因而激光雷達返回信號的變化也較大,從而降低了生物量的估測精度。而對3種森林類型分別進行Lidar的變量篩選,3種森林類型篩選出的Lidar高度變量和密度變量均有一定差異,這與相應(yīng)的森林類型的垂直結(jié)構(gòu)、各組分的分布特點是相關(guān)的。由于Lidar進行生物量反演多采用對數(shù)形式的統(tǒng)計模型,已有的大多數(shù)研究僅給出了對數(shù)形式下的模型統(tǒng)計結(jié)果(N?sset&Gobakken,2008;付甜等,2011),不便于模型精度的直接比較。就