Sentinel-2A红边波段森林蓄积量反演研究

doi:10.13466/j.cnki.lyzygl.2022.02.017

林业资源管理 ›› 2022›› Issue (2): 126-134.doi: 10.13466/j.cnki.lyzygl.2022.02.017

Sentinel-2A红边波段森林蓄积量反演研究

龙植豪¹(), 罗鹏²^,³(), 许等平⁴, 李振¹, 代华兵¹

1.广西壮族自治区林业勘测设计院,南宁 530011
2.中国林业科学研究院资源信息研究所,北京 100091
3.国家林业和草原局林业遥感与信息技术重点实验室,北京 100091
4.国家林业和草原局产业发展规划院,北京 100010

收稿日期:2022-02-08 修回日期:2022-04-13 出版日期:2022-04-28 发布日期:2022-06-13
通讯作者: 罗鹏
作者简介:龙植豪(1985-),男,湖南常德人,高工,硕士,主要从事森林资源调查监测与林业信息化方面的研究工作。Email: 251686187@qq.com
基金资助:
国家重点研发计划项目“森林资源激光雷达遥感动态监测与蓄积量估测技术联合研发”(2020YFE0200800-7)

Inversion Research of Forest Stock Volume Using the Red Edge Bands of Sentinel-2A

LONG Zhihao¹(), LUO Peng²^,³(), XU Dengping⁴, LI Zhen¹, DAI Huabin¹

1. Guangxi Forest Inventory and Planning Institute,Nanning 530011,China
2. Institute of Forest Resource Information Techniques,Chinese Academy of Forestry,Beijing 100091,China
3. Key Laboratory of Forestry Remote Sensing and Information System,National Forestry and Grassland Administration,Beijing,100091,China
4. Industrial Development Planning Institute of National Forestry and Grassland Administration,Beijing 100010,China

Received:2022-02-08 Revised:2022-04-13 Online:2022-04-28 Published:2022-06-13
Contact: LUO Peng

摘要/Abstract

摘要：

准确、高效地估测森林蓄积量有利于衡量森林健康状况和评价森林的固碳能力。红边波段对植被叶绿素变化敏感,但其在森林蓄积量估测上的有效性需要进一步验证。为了探讨红边波段估测森林蓄积量的可行性,以南宁市兴宁区作为研究区,基于Sentinel-2A影像提取普通波段反射率、红边波段反射率,以及普通植被指数和红边植被指数,构建不同的建模变量集,通过多元线性回归和随机森林算法对森林蓄积量进行估测,利用2019年森林资源二类调查数据库作为实测值对模型估测结果进行精度评价。通过对比不同模型和变量集的建模效果,分析红边波段对森林蓄积量估测精度的影响。结果表明:红边植被指数均与森林蓄积量显著相关(P<0.01);在不同变量集中,红边植被指数变量集森林蓄积量估测精度显著优于其他变量集;在两种蓄积量估测模型中,随机森林模型的估测效果更佳;所有变量集构建的随机森林模型精度均优于多元线性回归;在包含普通波段反射率、红边波段反射率、普通植被指数和红边植被指数变量集4中,随机森林模型实现了最高的估测精度,其R²,RMSE,RRMSE分别为0.66,28.63,23.54%。通过研究可知:Sentinel-2A的红边波段信息可有效应用于森林蓄积量遥感估测,能为森林资源遥感高效监测和管理提供信息数据支持。

关键词: 森林蓄积量, 随机森林, Sentinel-2A, 红边波段, 植被指数

Abstract:

Accurate and efficient estimation of forest stock volume is useful for measuring forest health and evaluating the carbon sequestration capacity of forests. The red-edge band is sensitive to vegetation chlorophyll changes,but its validity in forest stock volume estimation needs further verification. To explore the feasibility of red-edge band in estimating forest stock volume,the Xingning district of Nanning City was used as the study area,and different sets of modeling variables were constructed based on Sentinel-2A images to extract common band reflectance,red-edge band reflectance,common vegetation index and red-edge vegetation index,and the forest stock volume was estimated by multiple linear regression and random forest algorithm. The forest resources planning and design survey results data was used as the actual measurements for model accuracy evaluation. By comparing the modeling effects of the models and variable sets,the influence of the red-edge band on the estimation accuracy of the forest stock volume was analyzed. The results showed that the red-edge vegetation index was significantly correlated with the forest stock volume (P<0.01),and the forest stock volume estimation accuracy of the red-edge vegetation index variable set was significantly better than the other variable sets in different variable sets; among the two estimation models,the random forest model was more effective,and the accuracy of the random forest model was better than that of the multiple linear regression model in all variable sets. The random forest model using the variable set 4 achieved the highest estimation accuracy with R²,RMSE,and RRMSE of 0.66,28.63,and 23.54%,respectively. It can be concluded from the study that the red-edge band information of Sentinel-2A can be effectively used for remote sensing estimation of forest stock volume,which can provide a reference for efficient monitoring and management of forest resources by remote sensing.

Key words: forest stock volume, random forest, Sentinel-2A, red edge band, vegetation index

中图分类号:

龙植豪, 罗鹏, 许等平, 李振, 代华兵. Sentinel-2A红边波段森林蓄积量反演研究[J]. 林业资源管理, 2022,(2): 126-134.

LONG Zhihao, LUO Peng, XU Dengping, LI Zhen, DAI Huabin. Inversion Research of Forest Stock Volume Using the Red Edge Bands of Sentinel-2A[J]. FOREST RESOURCES WANAGEMENT, 2022,(2): 126-134.

图/表 9

图1

表1

表2

植被指数计算公式

植被指数	表达式
ARVI^[18]	$b a n d 8 - b a n d 4 + γ b a n d 2 - b a n d 4$ / $b a n d 8 + b a n d 4 + γ b a n d 2 - b a n d 4$
MSAVI^[19]	[2band8+1- $2 b a n d 8 + 1 2 - 8 b a n d 8 - b a n d 4$ ]/2
NDVI^[20]	$b a n d 8 - b a n d 4$ / $b a n d 8 + b a n d 4$
RECI^[21]	$b a n d 8 / b a n d 5$ -1
RENDVI^[22]	$b a n d 8 - b a n d 5$ / $b a n d 8 + b a n d 5$
RESR^[23]	band8/band5

表2

图2

表3

图3

图4

表4

图5

参考文献 28

[1]	Nichol J E, Sarker M L R. Improved biomass estimation using the texture parameters of two high-resolution optical sensors[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 49(3):930-948. doi: 10.1109/TGRS.2010.2068574
[2]	孙雪莲, 舒清态, 欧光龙. 基于随机森林回归模型的思茅松人工林生物量遥感估测[J]. 林业资源管理, 2015(1):71-76.
[3]	Gleason C J, Im J. A review of remote sensing of forest biomass and biofuel:options for small-area applications[J]. GIScience & Remote Sensing, 2011, 48(2):141-170.
[4]	闾妍宇, 李超, 欧光龙, 等. 基于地理加权回归模型的思茅松生物量遥感估测[J]. 林业资源管理, 2017(1):82-90.
[5]	王佳, 宋珊芸, 刘霞, 等. 结合影像光谱与地形因子的森林蓄积量估测模型[J]. 农业机械学报, 2014, 45(5):216-220.
[6]	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, 2021, 41(20):8222-8236.
[7]	刘欢, 王雅倩, 王晓明, 等. 基于近红外高光谱成像技术的小麦不完善粒检测方法研究[J]. 光谱学与光谱分析, 2019, 39(1):223-229.
[8]	吴静, 吕玉娜, 李纯斌, 等. 基于多时相Sentinel-2A的县域农作物分类[J]. 农业机械学报, 2019, 50(9):194-200.
[9]	蔡文婷, 赵书河, 王亚梅, 等. 结合Sentinel-2光谱与纹理信息的冬小麦作物茬覆盖度估算[J]. 遥感学报, 2020, 24(9):1108-1119.
[10]	谢巧云. 考虑红边特性的多平台遥感数据叶面积指数反演方法研究[D]. 北京: 中国科学院大学(中国科学院遥感与数字地球研究所), 2017.
[11]	Filho M G, Kuplich T M, Quadros F L F D. Estimating natural grassland biomass by vegetation indices using Sentinel 2 remote sensing data[J]. International Journal of Remote Sensing, 2020, 41(8):2861-2876. doi: 10.1080/01431161.2019.1697004
[12]	罗亚, 徐建华, 岳文泽, 等. 植被指数在城市绿地信息提取中的比较研究[J]. 遥感技术与应用, 2006(3):212-219.
[13]	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, 2021, 41(6):620-628.
[14]	Dong Taifeng, Meng Jihua, Shang Jiali, et al. Evaluation of chlorophyll-related vegetation indices using simulated Sentinel-2 data for estimation of crop fraction of absorbed photosynthetically active radiation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(8):4049-4059. doi: 10.1109/JSTARS.2015.2400134
[15]	蒋馥根. 植被叶面积指数kNN优化方法反演研究[D]. 长沙: 中南林业科技大学, 2020.
[16]	刘茜, 杨乐, 柳钦火. 森林地上生物量遥感反演方法综述[J]. 遥感学报, 2015, 19(1):62-74.
[17]	张雷, 王琳琳, 张旭东, 等. 随机森林算法基本思想及其在生态学中的应用——以云南松分布模拟为例[J]. 生态学报, 2014, 34(3):650-659.
[18]	Kaufman Y J, Tanre D. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS[J]. IEEE transactions on Geoscience and Remote Sensing, 1992, 30(2):261-270. doi: 10.1109/36.134076
[19]	Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote sensing of environment, 1994, 48(2):119-126. doi: 10.1016/0034-4257(94)90134-1
[20]	Rouse J W, Haas R H, Schell J A, et al. Monitoring vegetation systems in the Great Plains with ERTS[J]. NASA special publication, 1974, 351(1974):309.
[21]	Gitelson A A, Gritz Y, Merzlyak M N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves[J]. Journal of plant physiology, 2003, 160(3):271-282. pmid: 12749084
[22]	张磊, 宫兆宁, 王启为, 等. Sentinel-2影像多特征优选的黄河三角洲湿地信息提取[J]. 遥感学报, 2019, 23(2):313-326.
[23]	Erdle K, Mistele B, Schmidhalter U. Comparison of active and passive spectral sensors in discriminating biomass parameters and nitrogen status in wheat cultivars[J]. Field Crops Research, 2011, 124(1):74-84. doi: 10.1016/j.fcr.2011.06.007
[24]	郑阳, 吴炳方, 张淼. Sentinel-2数据的冬小麦地上干生物量估算及评价[J]. 遥感学报, 2017, 21(2):318-328.
[25]	陈妙金, 汪小钦, 吴思颖. 基于随机森林算法的水土流失影响因子重要性分析[J]. 自然灾害学报, 2019, 28(4):209-219.
[26]	Breiman L. Random Forests[J]. Machine Learning, 2001, 45:5-32. doi: 10.1023/A:1010933404324
[27]	朱婉雪, 李仕冀, 张旭博, 等. 基于无人机遥感植被指数优选的田块尺度冬小麦估产[J]. 农业工程学报, 2018, 34(11):78-86.
[28]	Lin Shangrong, Li Jing, Liu Qinhuo, et al. Evaluating the effectiveness of using vegetation indices based on red-edge reflectance from Sentinel-2 to estimate gross primary productivity[J]. Remote Sensing, 2019, 11(11):1303. doi: 10.3390/rs11111303

波段	描述	中心波长/nm	空间分辨率/m
蓝波段band2	Blue	490	10
绿波段band3	Green	560	10
红波段band4	Red	665	10
红边波段band5	Red Edge1	705	20
红边波段band6	Red Edge2	740	20
红边波段band7	Red Edge3	783	20
近红外波段band8	NIR	842	10
红边波段band8A	Red Edge4	865	20
短波红外band11	SWIR1	1610	20
短波红外band12	SWIR2	2190	20

变量	相关系数	变量	相关系数
band2	0.499^**	band11	0.426^**
band3	0.438^**	band12	0.579^**
band4	0.509^**	ARVI	-0.637^**
band5	0.481^**	MSAVI	-0.525^**
band6	-0.13	NDVI	-0.629^**
band7	-0.213^**	RECI	-0.565^**
band8	-0.251^**	RENDVI	-0.616^**
band8A	-0.213^**	RESR	-0.594^**

变量集	模型	决定系数 (R²)	均方根误差 (RMSE)/ (m³/hm²)	相对均方根误差 (RRMSE) /%
变量集1	多元线性回归	0.31	37.23	30.37
变量集2	多元线性回归	0.36	36.51	29.78
变量集3	多元线性回归	0.40	35.82	29.23
变量集4	多元线性回归	0.40	35.82	29.23
变量集1	随机森林	0.22	38.59	33.06
变量集2	随机森林	0.59	31.19	25.65
变量集3	随机森林	0.62	30.28	24.90
变量集4	随机森林	0.66	28.63	23.54

Sentinel-2A红边波段森林蓄积量反演研究

Inversion Research of Forest Stock Volume Using the Red Edge Bands of Sentinel-2A

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 28

相关文章 15

编辑推荐

Metrics

本文评价

[1]	唐佳俊, 柴宗政. 基于机载激光雷达和机器学习的林分平均胸径遥感估测[J]. 林草资源研究, 2024, 0(1): 56-64.
[2]	张国丽, 慈雪伦, 杨雪清, 蒋春颖, 孙志超, 孟海丁. 森林火灾时空分布特征及易发性分析研究[J]. 林草资源研究, 2023, 0(5): 48-55.
[3]	焦全军, 郑焰锋, 黄文江, 张兵, 张鹤译, 史宜梦, 吴发云, 付安民. 陆地生态系统碳监测卫星松材线虫病变色木识别指数研究[J]. 林业资源管理, 2023, 0(4): 123-131.
[4]	梁立成, 傅晓强, 张滨, 程谷栒, 李佐晖. 基于GEE与随机森林的象山港互花米草动态监测[J]. 林业资源管理, 2023, 0(3): 38-45.
[5]	王晓慧, 张会儒, 庞勇, 覃先林, 李海奎, 蒙诗栎, 余涛. 天然林保护工程区森林植被类型遥感监测[J]. 林业资源管理, 2023, 0(2): 96-103.
[6]	高金萍, 于慧娜, 翟召坤. 高分多模卫星林业地类及树种识别应用研究[J]. 林业资源管理, 2023, 0(1): 127-132.
[7]	邱洁, 李倩楠, 虞瑶. 机载激光雷达数据估测森林资源蓄积量研究[J]. 林业资源管理, 2023, 0(1): 153-160.
[8]	王晓洋, 姜友谊, 黎晓, 胡亚轩, 张家政, 刘博伟. 基于GF-1影像的多时相多特征落叶松人工林提取研究[J]. 林业资源管理, 2022, 0(4): 109-118.
[9]	曾伟生, 杨学云, 孙乡楠, 刘樯漪, 张宇超. 森林资源调查监测中各级储量数据的一体化方法研究[J]. 林业资源管理, 2022, 0(4): 13-19.
[10]	黄冰倩, 岳彩荣, 朱泊东. 基于GF-1数据多尺度遥感特征的森林蓄积量估测研究[J]. 林业资源管理, 2022, 0(3): 54-59.
[11]	黄锦程, 刘洪生, 宁金魁, 欧阳勋志, 臧颢. 基于随机森林算法的江西省崇义县主要造林树种适生性研究[J]. 林业资源管理, 2022, 0(2): 117-125.
[12]	杨丹, 李崇贵, 张家政. 基于深度学习的多时相GF-1影像林分类型分类研究[J]. 林业资源管理, 2022, 0(1): 142-149.
[13]	曾伟生. 森林蓄积量和生物量多元混合模型研建[J]. 林业资源管理, 2021, 0(6): 23-28.
[14]	相莹莹. 2009—2018年京冀生态水源保护林区生态系统变化特征[J]. 林业资源管理, 2021, 0(6): 65-68.
[15]	唐金灏, 张加龙, 陈立业, 程滔. 高山松地上生物量估测与尺度转换研究[J]. 林业资源管理, 2021, 0(6): 83-89.