基于Landsat8 OLI遥感因子的思茅松地上生物量二阶抽样估测

doi:10.13466/j.cnki.lyzygl.2022.06.011

林业资源管理 ›› 2022›› Issue (6): 68-75.doi: 10.13466/j.cnki.lyzygl.2022.06.011

基于Landsat8 OLI遥感因子的思茅松地上生物量二阶抽样估测

聂靖¹^,²(), 陆驰¹^,²^,³, 欧光龙¹^,², 胥辉¹^,²()

1.西南林业大学林学院,昆明 650224
2.西南林业大学西南山地资源保育与利用教育部重点实验室,昆明 650224
3.西南林业大学学报编辑部,昆明 650224

收稿日期:2022-06-28 修回日期:2022-10-08 出版日期:2022-12-28 发布日期:2023-01-16
通讯作者: 胥辉
作者简介:聂靖(1997-),女,云南保山人,在读硕士,主要从事森林生物量测计研究。Emial:2501542241@qq.com
基金资助:
国家自然科学基金项目(31770677);国家自然科学基金项目(31760206);云南省万人计划青年拔尖人才专项(YNWR-QNBJ-2018-184)

Two-Stage Sampling Estimation of Above-Ground Biomass of Pinus kesiya var.langbianensis Based on Remote Sensing Factors from Landsat8 OLI

NIE Jing¹^,²(), LU Chi¹^,²^,³, OU Guanglong¹^,², XU Hui¹^,²()

1. Faculty of Forestry,Southwest Forestry University,Kunming 650224,China
2. Key Laboratory of Southwest Mountain Forest Resources Conservation and Utilization,Ministry of Education,Southwest Forestry University,Kunming 650224,China
3. Editorial Department of Journal,Southwest Forestry University,Kunming 650224,China

Received:2022-06-28 Revised:2022-10-08 Online:2022-12-28 Published:2023-01-16
Contact: XU Hui

摘要/Abstract

摘要：

基于Landsat8 OLI遥感影像和森林资源二类调查数据,选择云南省普洱市镇沅县为研究区,在90%的抽样精度(E)与95%的可靠性指标(t_α)的条件下,应用二阶抽样技术,以镇沅县思茅松单位面积AGB、单位面积地上蓄积量、7个单波段及5个植被指数作为抽样标志,对不同抽样方案的抽样总体方差、变动系数、标准误差、绝对误差、估测精度、AGB估测值及估测误差进行分析,并与简单随机抽样、系统抽样对比,分析不同抽样方法应用不同抽样标志的综合效率。结果表明:1)二阶抽样综合效率远远高于简单抽样和系统抽样;2)基于单波段和植被指数的二阶抽样效率普遍优于基于二调数据的,二阶抽样效率最好的抽样标志是ARVI与NDVI,2种植被指数仅需154个样本,较基于二调数据的二阶抽样降低60%的样本量,精度能达到最高,分别为97.50%和97.67%。研究结果说明基于遥感因子的二阶抽样可以大幅提高抽样效率。

关键词: 遥感因子, 二调数据, 二阶抽样, 森林地上生物量, 思茅松

Abstract:

Based on Landsat8 OLI remote sensing imagery and the second class survey data of forest resources,taking Zhenyuan County,Pu'er City,Yunnan Province as the study area,with sampling accuracy (E) of 90% and reliability index (t_α) of 95%,the two-stage sampling technique was applied,using AGB per unit area,above-ground accumulation per unit area,seven single bands and five vegetation indices of Simao pine in Zhenyuan County as the sampling markers,so that the overall sampling variance,coefficient of variation,standard error,absolute error,estimation accuracy,AGB estimation value and estimation error of different sampling schemes were analyzed and compared with simple random sampling and systematic sampling to analyze the comprehensive efficiency of different sampling methods applying different sampling marks.The results showed that:1) the comprehensive efficiency of the two-stage sampling was much higher than that of simple sampling and systematic sampling,2) The efficiency of the two-stage sampling based on single band and vegetation indices was generally better than which was based on the 2nd-class survey data,and the best sampling signs of the two-stage sampling efficiency were ARVI and NDVI,and only 154 samples were required for the two vegetation indices,which reduced the sample size by 60% compared with the two-stage sampling based on the 2nd-class survey data,and the precision could reach the highest,which were 97.50% and 97.67%,respectively.The two-stage sampling based on remote sensing factors could significantly improve the sampling efficiency.

Key words: remote sensing factor, 2nd-class survey, two-stage sampling, forest above-ground biomass, Pinus kesiya var. langbianensis

中图分类号:

S771.8

聂靖, 陆驰, 欧光龙, 胥辉. 基于Landsat8 OLI遥感因子的思茅松地上生物量二阶抽样估测[J]. 林业资源管理, 2022,(6): 68-75.

NIE Jing, LU Chi, OU Guanglong, XU Hui. Two-Stage Sampling Estimation of Above-Ground Biomass of Pinus kesiya var.langbianensis Based on Remote Sensing Factors from Landsat8 OLI[J]. FOREST RESOURCES WANAGEMENT, 2022,(6): 68-75.

图/表 6

表1

表2

表3

表4

图1

表5

参考文献 26

[1]	Lisboa S N, Guedes B S, Ribeiro N, et al. Biomass allometric equation and expansion factor for a mountain moist evergreen forest in Mozambique[J]. Carbon Balance and Management, 2018, 13(1):23. doi: 10.1186/s13021-018-0111-7 pmid: 30478717
[2]	Dyderski M K, PawlikŁ. Drivers of forest above-ground biomass and its increments in the Tatra Mountains after 15 years[J]. CATENA, 2021, 205:105468. doi: 10.1016/j.catena.2021.105468
[3]	谢进金. 基于遥感抽样技术的平南县森林蓄积量估测[D]. 长沙: 中南林业科技大学, 2011.
[4]	张加龙, 胥辉. 基于遥感的森林生物量估测样地调查方法的研究动态[J]. 西南林业大学学报:自然科学, 2019, 39(4):166-173.
[5]	吴恒, 胥辉. 抽样技术在森林生物量调查中的应用综述[J]. 西南林业大学学报:自然科学, 2021, 41(3):183-188.
[6]	李明阳, 菅利荣. 森林资源调查空间抽样与数据分析[M]. 北京: 中国林业出版社, 2013.
[7]	徐延鑫, 李明阳, 郝思宇. 基于GIS的城市森林生物量抽样方法研究[J]. 林业资源管理, 2018(5):123-127.
[8]	孙华, 林辉, 石军南, 等. 湖南省森林资源连续清查遥感抽样技术的对比分析[J]. 中南林业科技大学学报, 2010, 30(11):26-31.
[9]	金瑛. 事后分层抽样技术在森林资源二类调查中的应用[J]. 林业调查规划, 2008, 33(3):19-22.
[10]	宋新民, 李金良. 抽样调查技术[M]. 2版. 北京: 中国林业出版社, 2007.
[11]	苏华, 张明慧, 李静, 等. 基于光学与SAR因子的森林生物量多元回归估算——以福建省为例[J]. 遥感技术与应用, 2019, 34(4):847-856.
[12]	张宗秀, 高天雷, 张文. 双重二阶抽样提高森林资源抽样精度的研究[J]. 四川林业科技, 2013, 34(5):8-12.
[13]	张煜星, 王雪军, 黄国胜, 等. 森林面积多阶遥感监测方法[J]. 林业科学, 2017, 53(7):94-104.
[14]	杨沁雨, 王瑞, 胥辉. 基于森林资源二类调查数据的香格里拉市森林生物量二阶抽样优化[J]. 西南林业大学学报:自然科学, 2021, 41(6):160-167.
[15]	魏东升, 周晓光. 遥感影像变化检测样本自动抽样[J]. 遥感学报, 2019, 23(3):464-475.
[16]	杨娜. 美国国家农业统计体系及其启示[J]. 世界农业, 2012(7):27-31.
[17]	朱磊. 基于高清影像分层抽样技术在森林资源二类调查中的应用探索[J]. 林业资源管理, 2018(3):129-132.
[18]	葛宏立, 周国模, 张国江, 等. 遥感、地面三相抽样及其在森林资源年度监测面积估计中的应用[J]. 林业科学, 2007, 43(6):77-82.
[19]	王雪军, 马炜, 黄国胜, 等. 基于遥感大样地抽样调查的森林面积监测[J]. 北京林业大学学报, 2015, 37(11):1-9.
[20]	云南森林编写委员会. 云南森林[M]. 昆明: 云南科技出版社,1986.
[21]	陈俊, 沈润平, 李博伦, 等. 基于Logistic回归分析的塑料大棚遥感指数构建[J]. 国土资源遥感, 2019, 31(3):43-50.
[22]	Huete A R. A soil-adjusted vegetation index(SAVI)[J]. Remote Sensing of Environment, 1988, 25(3):295-309. doi: 10.1016/0034-4257(88)90106-X
[23]	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
[24]	胥辉, 张子翼, 欧光龙. 云南省森林生物量和碳储量估算及分布研究[M]. 昆明: 云南科技出版社, 2019.
[25]	阳帆, 王海宾, 胡晟, 等. 基于群团抽样技术的森林资源监测方案研究[J]. 农业机械学报, 2019, 50(2):212-217.
[26]	陈雪峰, 曾伟生, 熊泽彬, 等. 关于国家森林资源连续清查技术规定的修订[J]. 林业资源管理, 2004(5):40-45.

影像ID	条带号	成像时间	太阳高度角/(°)	太阳方位角/(°)	平均云量/%
LC81310432016325LGN00	131/43	2016-11-20	41.79256015	155.10582343	0.81
LC81300442016046LGN00	130/44	2016-02-15	45.37108095	141.04481134	0.01
LC81300432016046LGN01	130/43	2017-03-29	44.38163279	142.21191947	2.13

遥感因子	遥感指数	数据或算法介绍	参考源
Landsat8波段信息	B1(海岸波段)	海岸带环境监测	陈俊^[21]
	B2(蓝波段)	可见光波段,合成模拟真彩色影像用于地物识别
	B3(绿波段)
	B4(红波段)
	B5(近红外波段)	植被信息提取
	B6(短波红外波段1)	植被旱情监测、强火监测和部分矿物信息提取
	B7(短波红外波段2)	植被旱情监测、强火监测和部分矿物信息提取
植被指数	RVI	B5/B3	陈俊^[21]
	DVI	B5-B4	陈俊^[21]
	NDVI	(B5-B4)/(B5+B4)	Huete^[22]
	SAVI	(1+L)(B5-B4)/(B5+B4+L)	Huete^[22]
	ARVI	(B5-(2B4-B2))/(B5+(2B4-B2))	Kaufman^[23]

一阶抽样单元尺寸/km	C₁/%	网格数/个	一阶单元数	一阶样本单元数	f₁/%
1	57.49	4475	3818	127	3.33
2	53.07	1194	874	108	12.38
3	51.39	562	361	101	28.11
4	47.21	335	184	86	46.52
5	44.78	226	108	77	71.34
6	39.20	161	66	59	89.46
7	40.21	121	44	62	141.18
8	37.05	102	33	53	159.78

抽样方法	数据来源	抽样标志	C₂/%	一阶内二阶样本单元数	抽样成本	抽样精度/%
简单随机抽样	二调数据	单位面积蓄积			385	95.44
简单随机抽样	二调数据	单位面积AGB			385	95.53
系统抽样	二调数据	单位面积蓄积			385	95.55
系统抽样	二调数据	单位面积AGB			385	95.63
二阶抽样	二调数据	单位面积蓄积	16.78	5	385	95.96
	二调数据	单位面积AGB	16.79	5	385	96.10
	遥感因子	B1	6.08	2	385	97.10
		B2	10.65	3	385	96.76
		B3	11.37	3	308	96.46
		B4	6.08	2	462	95.17
		B5	9.33	3	231	96.32
		B6	16.52	5	231	95.19
		B7	15.41	5	385	94.63
		NDVI	13.02	4	154	97.67
		RVI	20.43	6	231	97.15
		DVI	9.19	3	231	96.03
		SAVI	11.00	3	154	97.57
		ARVI	18.23	5	231	97.50

类别			思茅松AGB/t	与2016年二调AGB真实值相差/t	相对误差/%
2016年二调AGB预测值			17035025.43		0.00
简单随机抽样	二调数据	单位面积蓄积	17521189.02	486163.59	2.85
简单随机抽样	二调数据	单位面积AGB	17142992.91	107967.47	0.63
系统抽样	二调数据	单位面积蓄积	17225648.29	190622.86	1.12
系统抽样	二调数据	单位面积AGB	17249570.82	214545.38	1.26
二阶抽样	二调数据	单位面积蓄积	17272957.37	237931.94	1.40
	二调数据	单位面积AGB	17141635.05	106609.62	0.63
	遥感因子	B1	16918440.33	116585.11	0.68
		B2	16675480.71	359544.72	2.11
		B3	16776073.53	258951.90	1.52
		B4	16605339.08	429686.35	2.52
		B5	16322920.72	712104.72	4.18
		B6	17367823.04	332797.61	1.95
		B7	17017802.13	17223.31	0.10
		NDVI	16263743.31	771282.12	4.53
		RVI	16481122.27	553903.16	3.25
		DVI	16281355.12	753670.31	4.42
		SAVI	16225166.64	809858.79	4.75
		ARVI	16558523.19	476502.24	2.80

基于Landsat8 OLI遥感因子的思茅松地上生物量二阶抽样估测

Two-Stage Sampling Estimation of Above-Ground Biomass of Pinus kesiya var.langbianensis Based on Remote Sensing Factors from Landsat8 OLI

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 26

相关文章 5

编辑推荐

Metrics

本文评价

[1]	任晓琦, 侯鹏, 陈妍. 森林地上生物量遥感反演研究进展[J]. 林草资源研究, 2023, 0(6): 146-158.
[2]	闾妍宇, 李超, 欧光龙, 熊河先, 魏安超, 张博, 胥辉. 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, 0(1): 82-90.
[3]	徐婷婷, 舒清态, 欧光龙, 胥辉. 思茅松天然林乔木生物量空间分异研究[J]. 林业资源管理, 2015, 0(4): 39-44.
[4]	师君, 田昕, 闫敏. 森林地上生物量多模式遥感信息动态分析及建模框架[J]. 林业资源管理, 2015, 0(2): 125-132.
[5]	孙雪莲, 舒清态, 欧光龙, 胥辉. 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, 0(1): 71-76.