基于机载lidar数据的森林生物量估测研究

基于机载lidar数据的森林生物量估测研究

森林是陆地生态系统的主体，是森林发展的物质基础。从《京都议定书》到“巴厘岛路线图”,都迫切需要世界各国实施应对气候变化的国家方案。2009年底在哥本哈根召开的《联合国气候变化框架公约》缔约方第15次会议上,我国提出减排增汇举措:到2020年,我国单位国内生产总值(GDP)CO2排放量将比2005年下降40%–45%,增加森林碳汇,使森林面积比2005年增加4000万hm2,森林蓄积量比2005年增加13亿m3等。“巴厘岛路线图”明确规定,签署《联合国气候变化框架公约》的所有发达国家缔约方都要履行可测量、可报告、可核实的温室气体减排责任。在哥本哈根会议上,美国和欧洲许多发达国家要求我国减排指标接受这一规则。2007年6月5日,我国国家发展和改革委员会正式发布《中国应对气候变化国家方案》,该方案明确提出遥感信息的提取和反演技术是碳源汇观测体系建设中所急需的。森林在全球碳循环中的贡献,代表了森林经营活动对全球生态系统功能的影响。而森林生物量及其生产力的大小是评价森林碳循环贡献的基础。因此,开展森林生物量的精确估算和评估具有重要意义,它不仅是估测森林碳储量和评价森林碳循环贡献的基础,而且也是森林生态功能评价的重要参数。传统的森林参数测定需要外业实地测量,仅能获得一些点上的数据,很难及时地获取区域或大范围有空间分布信息的森林参数。激光雷达(lightdetectionandranging,Lidar)遥感获得的高精度三维测量数据,能够大大地提高森林生物量的估测精度,从而更好地计算森林的碳储量(庞勇等,2005)。激光雷达是一项通过由传感器所发出的激光脉冲来测定传感器与目标物之间距离的主动遥感技术,20世纪80年代中期开始应用于林业研究,早期的研究发现激光脉冲的穿透力与冠层郁闭度高度相关,并指出激光雷达系统可以用于遥感森林垂直结构并估测林木高度(Nelsonetal.,1984,1988)。MacLean和Krabill(1986)使用摄影测量和光密度测量的方法发现树冠垂直剖面与森林蓄积量的对数呈线性关系,从而设想如果激光雷达可以精确地重建树冠剖面,那么森林蓄积量可以被估测出来。随后,许多研究证明激光雷达扫描数据能够准确地估测森林参数,如树高、胸高断面积、生物量等(Næsset,1997;Nelsonetal.,1997;Maltamoetal.,2004;Popescu,2007;庞勇等,2008;刘清旺等,2010;付甜等,2011)。与建立在高密度激光点云基础上的单木生物量估测方式相比,更多的森林生物量估测研究是基于较低密度点云数据的空间分布情况来估计生物量。Nelson等(1997)应用激光雷达数据估测了哥斯达黎加原始热带森林的胸高断面积、蓄积量和生物量,研究采用多元回归分析方法,结果表明:有用的激光雷达测量数据包括所有回波的平均高度、植被回波的平均高度以及它们各自的变动系数,模型决定系数(R2)达0.4–0.6。Lim和Treitz(2004)利用点云数据统计分析计算四分位高度数据对5个树种分别进行了生物量估测,针对不同生物量部分(包括地上总生物量、树干生物量、树皮生物量、树枝生物量、树叶生物量),将四分位高度变量h25、h50、h75、h100分别带入对数变量线性回归方程进行分析,得出的相关系数均高于0.8。Næsset和Gobakken(2008)考虑到森林生物量与郁闭度的关系,采用了激光雷达首回波数据的两组自变量来估测生物量,一组为百分位高度变量,另一组为密度变量,同时引入立地、龄级等作为虚变量,树种组成作为连续变量构建了回归模型,估计了地上生物量和地下生物量,其R2也达到了0.7以上。Zhao等(2009)提出两种尺度不变模型(线性函数模型和等值的非线性模型)来估计生物量,利用激光雷达数据得到树冠高度分布(CHD)和树冠高度分位数函数(CHQ),实验结果表明,这两个模型能够精确地估计生物量,并且预测结果在各种尺度的表现都基本一致,其中R2的范围在0.80到0.95(均方根误差RMSE从14.3t·hm–2到33.7t·hm–2)。Latifi等(2010)尝试了非参数估计方法反演森林生物量的潜力,结果表明随机森林的方法比其他最近邻的方法要好。在过去采用类似激光雷达分位数变量和密度相关变量的估测森林参数的研究中,一般情况下都是逐步回归选择出植被首回波的80%–90%分位数或最大高度用于估测平均树高或优势树高,而胸高断面积、蓄积量、平均胸径或株数的预测回归模型则多半既包含分位数变量又包含与密度相关的变量,20%或30%的分位数变量表现出很强的相关性,且关系显著。有研究表明,森林参数与激光雷达数据之间的关系受地域、树种构成、立地质量等条件的影响(Holmgren,2004;Halletal.,2005;Næsset&Gobakken,2008)。已有的一些研究多关注于地上的森林参数及地上部分的各组分生物量(Lim&Treitz,2004;付甜等,2011),Næsset和Gobakken(2008)首次利用Lidar估计了地下生物量。本文以黑龙江省小兴安岭凉水自然保护区的温带森林为研究对象,进行机载Lidar反演叶生物量(Wf)、活枝生物量(Wb)、树干生物量(Ws)、地上总生物量(Wa)、根部生物量(Wr)和总生物量(Wt)等各组分生物量的试验,评价这一技术在我国温带森林的适用性,探讨反演森林各组分生物量的潜力,有助于科学准确地估算温带森林的碳储量。1测试区和数据采集1.1气候变化及植被群落特征研究区选在黑龙江省伊春市带岭区凉水国家级自然保护区,位于47°10′50″N,128°53′20″E,森林覆盖率为98%。保护区内以山地为主,属于小兴安岭南部达里带岭支脉的东坡。地形比较复杂,最高山峰为北部的岭来东山,海拔为707m,由北向南逐渐降低至东南端的280m。山脉一般高100–200m,平均坡度为10°–15°,北坡缓而长,南坡陡而短,山岭部分可以达到25°以上甚至40°的陡坡。年平均气温–0.3℃,年降水量676mm,年相对湿度78%,无霜期100–120天。境内地带性土壤为山地暗棕壤。气候具有明显的温带大陆性季风特征:春季风大;夏季气温较高,降雨集中;秋季降温急剧;冬季漫长,寒冷干燥而多风雪。保护区面积为1.2万hm2,森林总蓄积量170万m3。保护区内自然资源丰富,植被群落类型复杂多样,既有处于演替顶极状态的原始阔叶红松(Pinuskoraiensis)林、鱼鳞云杉(Piceajezoensisvar.microsperma)林和兴安落叶松(Larixgmelinii)林,又有处于不同演替阶段的次生林。大片较原始的红松针阔混交林是我国目前保存下来的最为典型和完整的原生红松针阔混交林,也是我国和亚洲东北部很具代表性的温带原始红松针阔混交林。主要树种有红松、鱼鳞云杉、兴安落叶松、白桦(Betulaplatyphylla)、水曲柳(Fraxinusmandschurica)、紫椴(Tiliaamurensis)、山杨(Populusdavidiana)、蒙古栎(Quercusmongolica)、黄檗(Phellodendronamurense)、胡桃楸(Juglansmandshurica)等。1.2系统方法和系统集成系统于2009年9月4日和13日利用激光雷达传感器在凉水自然保护区进行机载实验数据采集。使用国产运-5小型多用途飞机作为飞行平台,飞行时地面相对速度约180km·h–1,总覆盖面积约200km2。获取数据时天气以晴为主,有少量高云分布,对激光雷达的数据采集没有影响。此次飞行使用的激光雷达系统为LiteMapper5600(LiteMapper5600,Ingenieur-GesellschaftfuerInterfacesmbH,Kreuztal,Germany),激光扫描仪采用LMS-Q560(RIEGLLaserMeasurementSystemsGmbH,Horn,Austria),CCD相机采用DigiCAM-H/22(DigiCAM-H/22,Ingenieur-GesellschaftfuerInterfacesmbH,Kreuztal,Germany)。该系统集激光测距、全球定位系统(GPS)和惯性导航系统(INS)于一体,包括一个单束窄带激光器和一个接收系统。激光器工作波长为1550nm,激光束发散角为0.5mrad,波形数据记录间隔为1ns。获得的平均点云密度约2点·m–2,小范围精细飞行区达5点·m–2(相对航高约650m)。为确保低反射率目标的有效接收,脉冲重复频率为50kHz。记录全波形数据,地表定位精度为水平0.2m,垂直0.15m(平地)。此外,CCD相机同步获取了该区域的航空影像数据,空间分辨率为0.2m。经过与差分GPS实测高程的比较,本实验获取的Lidar数据的高程精度优于0.3m,平面精度优于0.5m。1.3统计分析和测量木的测量2009年8月进行了为期18天的外业样地调查,对飞行区域进行样地数据的地面调查。选择凉水林场典型森林类型(红松阔叶林、落叶松林、白桦林)为对象,按蓄积量大小分高、中、低3个梯度,每个梯度抽取3–4个森林区划小班布设样地。共设置78块样地进行调查,并使用TrimbleGeoXTGPS(GeoXT,TrimbleNavigationLimited,Sunnyvale,USA)进行差分定位。其中4块样地的GPS坐标未能进行差分处理,本研究仅使用有差分GPS坐标的74块样地,包括27块阔叶林样地(主要为白桦林)、23块针叶林样地(主要为落叶松)、24块针阔叶混交林样地(主要为红松阔叶混交林)。样地为圆形样地,半径为13.8m,面积为0.06hm2。进行每木检尺调查,起测胸径为5cm,对每株被测木测量树种、胸径、树高和冠幅等测树因子。单株木的胸径用围尺测量,树高和枝下高使用激光测高仪(TruPulse360B,LaserTechnologyInc.,CentennialCO,USA)、超声波测高仪(VERTEXIII,HAGLOFCompany,Långsele,Sweden)进行测量,冠幅的两个主方向使用皮尺测量。使用差分GPS定位样地中心地理坐标,差分处理后的位置精度在1m以内,差分基站与机载Lidar的基站相同,可以确保外业测量数据与机载飞行数据在位置上有很好的重合。2方法2.1异速生长方程根据调查数据计算相关森林参数,应用分树种的异速生长方程计算每株检尺树木的Wf、Wb、Ws、Wa、Wr和Wt。然后将所有检尺树木的组分生物量累加得到该样地的组分生物量,进而换算为单位面积(本研究采用hm2)的组分生物量。异速生长方程使用了陈传国和朱俊凤(1989)的幂函数形式的方程和Wang(2006)对数形式的方程,为了计算方便,我们将Wang(2006)的方程转换为幂函数形式的方程,即公式(1):式中,W为待计算的各组分生物量,DBH为胸径,a和b为方程系数。所使用的各树种异速生长方程系数见附录1,模型拟合的R2都大于0.8。2.2纳米tin算法为了进行森林参数反演,首先需要将地面点与地物点分离。在本研究中将激光点分为3类:地面点、植被点和其他。地面点指来自地面的激光回波,植被点则指植被的激光回波,其他点是指除植被点以外的非地面点。Lidar数据在空间的分布为不规则的离散三维点云,每个点具有精确的三维坐标,即水平方向的地理坐标(x,y)及垂直方向的高程值z。对于植被,激光脉冲可以通过孔隙穿透植被,通过透射或多次散射形成多次回波,点云分布呈团状聚集等不规则形状。在植被密集的地方,激光回波的情况比较复杂,有些来自于植被顶部,有些来自于下层的树枝,还有一些来自于植被覆盖下的地表。本文采用基于不规则三角网(TIN)的过滤方法(Axelsson,2001),TIN算法是一个从粗放到精细的过程,等效于三角网逐步加密的过程。算法首先在粗放的尺度寻找地面点,并根据这些地面点建立粗尺度的TIN网络表面。随后逐一判断其余的三维点与TIN表面的垂直距离及角度,当距离与角度小于阈值,就将该点纳入并重构新的TIN表面,否则就将该点删除。如此往复,逐步纳入新的地面点,直至所有点判断完成,将所有的激光雷达点云数据分为地面点和非地面点。进一步利用高程阈值法结合人工编辑,将非地面点分为植被点和其他类型的激光回波点。将分类后的地面激光点数据使用TIN插值方法生成数字高程模型(DEM)。然后利用DEM的高程值对植被回波点的高度进行归一化处理,即去除地形的高程,使植被点的高度值为相对于地面的高度值。对于不同的激光器构造和飞行高度而言,第一回波更趋于稳定,因此多采用第一回波来计算森林参数(Næsset&Gobakken,2008)。一般情况下,植被点是取高于地面2m的回波点(Nilsson,1996)。百分位数能很好地体现激光点数据的分布情况(庞勇等,2008)。因此,提取一组变量取每块样地中的激光雷达植被回波点的百分位高度5%(h5),10%(h10),…95%(h95),以及最大高度hmax。然后将激光雷达对应高度分位数内的点在所有点中所占的比例定义为密度变量组,即d5,d10,…d95。另外,再提取密度变量c,定义为高于1.8m的回波点在所有回波点中所占的比例。2.3数值积分与相关系数本研究是在假设激光雷达数据与所要估测的内容存在相关性的情况下,对所得到的高度归一化后的激光雷达数据进行变量的提取。将“2.2”中得到的变量与需要预测的参数进行了Pearson相关分析,结果显示大部分激光雷达变量与所需估测的森林参数之间的Pearson相关系数均高于0.6,且相关关系显著,说明它们之间有较好的线性关系。为了克服变量的非线性问题,对变量进行对数变换,用对数变量线性回归来估测地上生物量,见公式(2)。式中,Wi为根据地面实测数据计算的Wa、Ws、Wb、Wf、Wr或Wt;β0,β5,…,β40为待定的回归系数;ε为误差项。多元线性回归是研究多个变量之间因果关系的最常用方法,并且每个自变量与因变量之间的关系都应该是线性的。建立回归模型的过程中,运用逐步回归法和观察R2的变化情况来选择进入模型的合适变量(Næsset&Gobakken,2008)。如果有自变量使统计量F值过小并且t检验达不到显著水平(p>0.1),则予以剔除;F值较大且t检验达到显著水平(p<0.05)则可以进入。这样重复进行,直到回归方程中所有的自变量均符合进入模型的要求,方程外的自变量均不符合进入模型的要求为止。2.4计算各组分生物量的大小回归模型的评价采用最常用的R2、RMSE和相对均方根误差(rRMSE)进行。(1)R2。R2值越大,则因变量与自变量之间的相关性越强,这是对回归直线拟合优度的检验。计算公式为:(2)实际值与预测值之间的RMSE。RMSE越小,则表明模型预测的效果越好。计算公式为:(3)rRMSE。定义为RMSE与估测结果算术平均值的比值,rRMSE越小,表明模型预测的效果越好。计算公式为:RMSE数值的高低与所评价对象的数量级关系很大,如本文研究的森林各组分生物量在数值上变化很大,RMSE值在各组分生物量间的变化范围很大,不能很好地比较不同估测模型的误差情况。rRMSE作为一个相对量,与评价量本身的数量级水平无关,能够更好地体现总体值域差别较大的模型的预测精度。由于生物量反演模型(公式2)是对数形式,在计算每个估计模型的R2、RMSE和rRMSE时,利用建立的模型计算出预测的生物量,然后利用公式(3)–(5)计算。2.5森林类型的统计分析在统计分析过程中,按照是否分别森林类型进行建模分成两种情况进行了分析。即:(1)对所有样地无区分的统计分析,即将74块样地一起进行“2.3”中描述的变量筛选和模型建立。(2)区分森林类型的统计分析,即将样地按树种组成分成针叶林、阔叶林和混交林3种森林类型分别进行分析。我们分析了两种情形,一是用步骤(1)中所有样地建立的模型分别3种森林类型进行参数估计;二是对27块阔叶林样地、23块针叶林样地、24块针阔混交林样地分别进行“2.3”中描述的变量筛选和模型建立,由于第二种情形针对每种森林类型进行了变量筛选和建模,估测精度有可能进一步提高,本文中称为“最大相关系数回归方法”。针对每种模型对样地各组分生物量的预测值,我们分别计算了R2、RMSE和rRMSE作为评价Lidar反演各组分生物量精度的标准。3结果和分析3.1组分生物量的相关性特征估测各组分生物量及总生物量时,将所有高度变量和密度变量带入方程进行了逐步回归分析,结果表明激光雷达数据与各部分生物量的相关性较高。如图1所示,在不区别样地类型的预测结果中,各组分生物量模型的R2均高于0.6,即除根生物量外的各组分生物量的模型相关系数r均高于0.8(根生物量的相关系数为0.79),可解释的变异占总变异的比例均在75%以上;总的树叶、树枝、树干、地上、树根和总生物量的RMSE分别为1.4、2.7、44.8、43.9、5.3和47.1t·hm–2。3.2森林类型的估计精度分别森林类型(阔叶林、针叶林、针阔叶混交林)进行了树叶、树枝、树干、地上、树根和总生物量等组分生物量反演模型建立(表1),总体上表现为针叶林优于阔叶林,阔叶林优于红松针阔叶混交林。其中针叶林的R2都在0.8以上;阔叶林的R2都在0.4以上;而红松针阔叶混交林的R2变化较大,从叶生物量模型的0.20变动到总生物量模型的0.63。相对而言,3种森林类型在总生物量、树干生物量、地上生物量上都表现出了较好的一致性,3种森林类型联合建立的这3种生物量模型对各类型都能进行很好的估计。由RMSE和rRMSE可以看出,不区分森林类型建立的模型对针叶林各组分生物量的估计精度最高,阔叶林和混交林的精度相当,其中阔叶林的叶生物量估计最差(rRMSE为0.36)。如表2所示,如果使用最大相关系数的回归方法,分别森林类型单独进行变量筛选、建立回归模型,R2都有所提高,尤其是阔叶林和红松针阔混交林提高得更加明显,如阔叶林叶生物量的R2从0.44提高到0.96(rRMSE也由0.36提高到0.10),红松针阔混交林生物量的R2从0.20提高到0.82。这表明如果详细地区分森林类型,分别进行变量筛选、建立回归模型,可以进一步提高精度。但这同时也要求在遥感反演各组分生物量时要知道森林类型的信息。森林类型可以通过高光谱遥感等手段分析获得。4森林集结系统中lida的变量筛选利用联合建立的模型分别森林类型进行生物量估计时,针叶林的精度提高较多,阔叶林的精度变化不大,而红松针阔叶混交林的精度降低较多(表1)。对3种森林类型分别建立回归模型时,各组分生物量反演的精度都有很大的提高(表2)。这与实验区中这3类森林的生长状况有关。针叶林主要是落叶松林,由于落叶松不是该区域的天然树种,全部为人工林,表现为林相整齐,均质度高,生物量估计时,无论是遥感观测数据还是地面实测数据都能很好地代表林分水平的状态。阔叶林主要是天然更新的白桦林和少量的人工杨树林,林分的均质度也较好。而阔叶红松混交林为小兴安岭南部的典型地带性植被,也是试验区森林演替的顶级群落,不同阔叶树的构成往往有着不同的生物量水平,如柞树(Quercussp.)红树林>灌木阔叶红松林>阔叶红松林>红松阔叶林(冯宗炜等,1999)。本研究测量的阔叶红松林样地中阔叶树的树种和成数都有很大变化,林内异质性较大,结构复杂,因而激光雷达返回信号的变化也较大,从而降低了生物量的估测精度。而对3种森林类型分别进行Lidar的变量筛选,3种森林类型筛选出的Lidar高度变量和密度变量均有一定差异,这与相应的森林类型的垂直结构、各组分的分布特点是相关的。由于Lidar进行生物量反演多采用对数形式的统计模型,已有的大多数研究仅给出了对数形式下的模型统计结果(Næsset&Gobakken,2008;付甜等,2011),不便于模型精度的直接比较。就