高山松地上生物量估测与尺度转换研究

doi:10.13466/j.cnki.lyzygl.2021.06.014

摘要/Abstract

摘要：

为研究遥感影像尺度上推对森林地上生物量估测的影响,以香格里拉市为研究区,基于Landsat-8,Sentinel-2A,和Spot-7影像,采用最邻近像元法、双线性内插法、三次卷积插值法、局部平均法以及像元聚合法将原始影像转换至低空间分辨率影像,结合外业调查的高山松样地地上生物量数据,分别建立随机森林(RF)和梯度提升回归树(GBRT)生物量估测模型,并与目标尺度真实影像的建模效果进行对比。结果表明:经最邻近像元法上推后,基于Spot-7影像的RF和GBRT建模的预估精度(P)分别为76.65%和75.55%,基于Sentinel-2影像的RF和GBRT建模的P值分别为81.78%和72.74%,均优于其余4种尺度转换方法;经5种方法尺度上推后的影像构建的RF预估精度(81.78%~63.94%)总体优于GBRT预估精度(75.55%~61.03%);采用Sentinel-2A影像更适合尺度上推进行森林生物量估测。研究结果可为尺度转换方法和生物量估测模型的选取提供参考。

关键词: 多源遥感数据, 地上生物量, 尺度转换, 随机森林, 梯度提升回归树

Abstract:

In order to study the impact of scaling up of remote sensing images for forest biomass estimation,this paperused the Nearest Neighbor method,Bilinear Interpolation,Cubic Convolution Interpolation,Local Average method and Pixel Aggregation method to convert original Landsat-8,Sentinel-2A and Spot-7 images to low spatial resolution images in Shangri-La City. Then,this paper combined the aboveground biomass data of Pinus densata Mast. obtained from field surveys and the real image of target scale to establish the biomass estimation models of Random Forest (RF) and Gradient Boosted Regression Trees (GBRT) respectively,and compared the modeling effects of the two models. The results showed that: after being scaled up by the Nearest Neighbor method,the estimation accuracy (P) of RF and GBRT modeling based on Spot-7 images were 76.65% and 75.55%,respectively.,the P values of the two models based on Sentinel-2 images were 81.78% and 72.74% respectively,which were better than the other four scale conversion methods;The estimation accuracy of the RF estimation (81.78%~63.94%) of the image constructed by the five scale conversion methods was better than the estimation accuracy of GBRT (75.55%~61.03%). Sentinel-2A images were more suitable for scaling up to estimate forest biomass. The study results can provide reference for the selection of scale conversion methods and biomass estimation models.

Key words: multisource remote sensing data, aboveground biomass, scale conversion, random forests, gradient boosting regression tree

中图分类号:

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,(6): 83-89.

TANG Jinhao, ZHANG Jialong, CHEN Liye, CHENG Tao. Research on Estimation of Aboveground Biomass and Scale Conversion for Pinus densata Mast[J]. FOREST RESOURCES WANAGEMENT, 2021,(6): 83-89.

图/表 5

表1

表2

表3

表4

表5

参考文献 29

[1]	刘茜, 杨乐, 柳钦火, 等. 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.
[2]	吴田军, 骆剑承, 沈占锋, 等. 高分辨率遥感土地覆盖分类技术的应用研究——以重庆市黔江贫困区为例[J]. 地球信息科学学报, 2016, 18(3):353-361. doi: 10.3724/SP.J.1047.2016.00353
[3]	赵鑫. 基于机载激雷达的森林地上生物量估测研究[D]. 西安:西安科技大学, 2020.
[4]	许振宇, 李盈昌, 李明阳, 等. 基于Sentinel-1A和Landsat 8数据的区域森林生物量反演[J]. 中南林业科技大学学报, 2020, 40(11):147-155.
[5]	张加龙, 胥辉, 陆驰. 应用Landsat8 OLI和GBRT对高山松地上生物量的估测[J]. 东北林业大学学报, 2018, 46(8):25-30.
[6]	陆驰, 张加龙, 王爱芸, 等. 基于森林小班的香格里拉市高山松生物量遥感建模[J]. 西南林业大学学报:自然科学, 2017, 37(3):152-158.
[7]	李明泽. 东北林区森林生物量遥感估算及分析[D]. 哈尔滨:东北林业大学, 2010.
[8]	Foody G M., Cutler M E, Mcmorrow, et al. Mapping the biomass of Bornean tropical rain forest from remotely sensed data[J]. Global Ecology & Biogeography, 2001, 10(4):379-387.
[9]	胡凯龙, 刘清旺, 李世明, 等. 运用融合纹理和机载LiDAR特征模型估测森林地上生物量[J]. 东北林业大学学报, 2018, 46(1):52-57.
[10]	Persson H J, Jonzén J, Nilsson M. Combining TanDEM-X and Sentinel-2 for large-area species-wise prediction of forest biomass and volume[J/OL]. https://doi.org/10.1016/j.jag.2020.102275 .
[11]	徐凯健, 田庆久, 朱小波, 等. 空间尺度上推转换对影像信息的影响分析[J]. 测绘科学, 2019, 44(5):117-125.
[12]	李小文, 王祎婷. 定量遥感尺度效应刍议[J]. 地理学报, 2013, 68(9):1163-1169. doi: 10.11821/dlxb201309001
[13]	吴田军, 骆剑承, 沈占锋, 等. 高分辨率遥感土地覆盖分类技术的应用研究——以重庆市黔江贫困区为例[J]. 地球信息科学学报, 2016, 18(3):353-361. doi: 10.3724/SP.J.1047.2016.00353
[14]	栾海军, 田庆久, 余涛, 等. 定量遥感升尺度转换研究综述[J]. 地球科学进展, 2013, 28(6):657-664.
[15]	陆驰, 张加龙, 王爱芸, 等. 基于Landsat TM的香格里拉市高山松生物量估测重建[J]. 林业调查规划, 2016, 41(6):1-7.
[16]	岳彩荣. 香格里拉县森林生物量遥感估测研究[D]. 北京:北京林业大学, 2012.
[17]	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, 2016.
[18]	张毅, 陈成忠, 吴桂平, 等. 遥感影像空间分辨率变化对湖泊水体提取精度的影响[J]. 湖泊科学, 2015, 27(2):335-342.
[19]	全斌, 刘二洋. 金字塔影像结构在影像匹配中的应用[J]. 测绘通报, 2010, 396(3):10-12.
[20]	姚远, 陈曦, 钱静. 定量遥感尺度转换方法研究进展[J]. 地理科学, 2019, 39(3):367-376. doi: 10.13249/j.cnki.sgs.2019.03.002
[21]	周觅, 张杰林. 遥感影像尺度转换及最优尺度选择探讨[J]. 世界核地质科学, 2011, 28(2):94-98.
[22]	Breiman L. Random Forests[J]. Machine Learning, 2001, 45(1):5-32. doi: 10.1023/A:1010933404324
[23]	王森森. 基于图像样例的人脸检测算法研究[D]. 南昌:南昌大学, 2016.
[24]	Friedman J H. Greedy Function Approximation:a Gradient Boosting Machine[J]. The Annals of Statistics, 2001, 29(5):1189-1232. doi: 10.1214/aos/1013203450
[25]	Tian Yuhong, Wang Yujie, Zhang Yu, et al. Radiative Transfer Based Scaling of Lai Retrievals From Reflectance Data of Different Resolutions[J]. Remote Sensing of Environment, 2003, 84(1):143-159. doi: 10.1016/S0034-4257(02)00102-5
[26]	田庆久, 金震宇. 森林叶面积指数遥感反演与空间尺度转换研究[J]. 遥感信息, 2006(4):5-11.
[27]	范闻捷, 盖颖颖, 徐希孺, 等. 遥感反演离散植被有效叶面积指数的空间尺度效应[J]. 中国科学:地球科学, 2013, 43(2):280-286.
[28]	吴迪, 范文义. 激光雷达协同多角度光学遥感数据反演树高[J]. 北京林业大学学报, 2014, 36(4):8-15.
[29]	孙雪莲, 舒清态, 欧光龙, 等. 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.

影像类型	ID	获取时间
Landsat-8	LC08_L1TP_132040_20180322_20180403_01_T1	2018/03/22
	LC08_L1TP_132041_20180322_20180403_01_T1	2018/03/22
	LC08_L1TP_131041_20180315_20180320_01_T1	2018/03/15
Sentinel-2A	S2A_MSIL1C_20181124T040051_N0207_R004_T47RPL_20181124T064905	2018/11/24
	S2A_MSIL1C_20181124T040051_N0207_R004_T47RPM_20181124T064905	2018/11/24
	S2A_MSIL1C_20181124T040051_N0207_R004_T47RNL_20181124T064905	2018/11/24
	S2A_MSIL1C_20181124T040051_N0207_R004_T47RNM_20181124T064905	2018/11/24
Spot-7	DS_SPOT6_201801170338099_FR1_FR1_SV1_SV1_E100N27_01871	2018/01/17
Spot-7	DS_SPOT6_201802170348087_YZ1_YZ1_YZ5_YZ5_E100N28_01546	2018/02/17

因子类型	遥感因子
原始单波段	Blue,Green,Red,NIR
植被指数	NDVI,DVI,ND32,ND53
纹理	均一性、相异性、均值、角二阶矩、熵、相关性、方差、对比度

影像	尺度上推模型	估测模型	分辨率 /m	决定系数 R²	均方根误差 RMSE /(t/hm²)	预测精度 P /%	相对均方根误差 rRMSE /%
Landsat-8	—	RF	30	0.92	8.99	84.20	21.33
Landsat-8	—	GBRT	30	0.85	14.68	79.03	25.82
Spot-7	最邻近像元法	RF	30	0.86	13.67	76.65	25.96
	最邻近像元法	GBRT	30	0.85	14.80	75.55	29.74
	双线性内插法	RF	30	0.86	13.89	63.94	43.90
	双线性内插法	GBRT	30	0.79	17.68	69.78	31.01
	三次卷积插值法	RF	30	0.84	15.23	68.69	38.47
	三次卷积插值法	GBRT	30	0.81	16.92	69.06	36.59
	局部平均法	RF	30	0.83	15.86	66.81	37.26
	局部平均法	GBRT	30	0.74	19.39	69.74	38.30
	像元聚合法	RF	30	0.82	16.24	68.20	34.50
	像元聚合法	GBRT	30	0.83	15.50	61.43	51.27

影像	尺度上推模型	估测模型	分辨率 /m	决定系数 R²	均方根误差 RMSE /(t/hm²)	预测精度 P /%	相对均方根误差 rRMSE /%
Landsat-8	—	RF	30	0.92	8.99	84.20	21.33
Landsat-8	—	GBRT	30	0.85	14.68	79.03	25.82
Sentinel-2A	最邻近像元法	RF	30	0.86	13.24	81.78	23.66
	最邻近像元法	GBRT	30	0.63	21.88	72.74	35.74
	双线性内插法	RF	30	0.83	14.60	73.92	32.98
	双线性内插法	GBRT	30	0.60	22.55	69.42	39.73
	三次卷积插值法	RF	30	0.84	14.50	79.14	26.59
	三次卷积插值法	GBRT	30	0.39	27.94	64.78	45.27
	局部平均法	RF	30	0.81	15.60	77.27	28.75
	局部平均法	GBRT	30	0.40	27.59	61.03	49.61
	像元聚合法	RF	30	0.77	17.30	73.46	31.04
	像元聚合法	GBRT	30	0.41	27.43	61.42	50.99