img

官方微信

遥感技术与应用, 2019, 34(5): 959-969 doi: 10.11873/j.issn.1004-0323.2019.5.0959

林业遥感专栏

基于KNN-FIFS的内蒙古根河森林郁闭度遥感估测研究

孙珊珊,1, 田昕,1, 谷成燕2, 韩宗涛1, 王崇阳1, 张兆鹏3

1. 中国林业科学研究院资源信息研究所 北京100091

2. 国家林业和草原管理局林业产品工业规划设计研究院 北京 100010

3. 自然资源部第一大地测量队 陕西 西安 710054

Estimation of Forest Canopy Closure by the KNN-FIFS Method in the Genhe of Inner Mongolia

Sun Shanshan,1, Tian Xin,1, Gu Chengyan2, Han Zongtao1, Wang Chongyang1, Zhang Zhaopeng3

1. Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China

2. Planning and Design Institute of Forestry Product Industry, National Forestry and Grassland Administrition, Beijing 100010, China

3. The First Geodetic Surveying Brigade of MNR, Xi'an 710054, China

通讯作者: 田昕(1979-),男,贵州黔东南人,研究员,主要从事林业遥感研究。E⁃mail: tianxin@ifrit.ac.cn

收稿日期: 2019-02-21   修回日期: 2019-09-28   网络出版日期: 2019-11-28

基金资助: 中央级公益性科研院所基金青年人才项目“森林资源动态变化时空连续监测方法研究”.  CAFYBB2017QC005
国家自然科学基金项目“森林地上生物量动态信息时空协同分析及建模”.  41871279

Received: 2019-02-21   Revised: 2019-09-28   Online: 2019-11-28

作者简介 About authors

孙珊珊(1994-),女,山东青岛人,硕士研究生,主要从事遥感技术应用研究E⁃mail:shanss_caf@163.com , E-mail:shanss_caf@163.com

摘要

为探索国产高分一号宽幅(GF-1 Wide Field of View,GF-1 WFV)数据以及具有宽覆盖、红边波段(Red-Edge band,RE)的高分六号(GF-6)卫星数据在森林郁闭度(Forest Canopy Closure,FCC)定量反演中的潜力,本研究以GF-1 WFV多光谱数据为基础,添加哨兵2号(Sentinel-2A)红边波段,模拟GF-6红边波段特性,并提取相关纹理信息(Texture Information,TI)、植被指数(Vegetation Index,VI)和红边指数(Red- edge Index,RI),同时添加太阳入射角的余弦值cosi和1/cosi进一步探究了地形因素(Topographic Factors,TF)对FCC估测的影响,利用快速迭代特征选择的k-NN(k-Nearest Neighbor with Fast Iterative Features Selection,KNN-FIFS)模型,实现了内蒙古大兴安岭根河研究区FCC的定量反演,并对比逐步多元线性回归(Stepwise Multiple Linear Regressions,SMLR)和支持向量机(Support Vector Machine,SVM)估测结果。通过44块调查样地实测数据验证发现:基于GF-1 WFV估测的FCC与实测数据具有很好的一致性,R2=0.52,RMSE=0.08;GF-1 WFV+VI+TI估测结果为R2=0.56,RMSE=0.08;GF-1 WFV+RE+RI+TI的精度明显提高,R2=0.63,RMSE=0.07;GF-1 WFV+RE+RI+TI+TF的精度最高,R2=0.68,RMSE=0.07,并高于SMLR(R2=0.39,RMSE=0.10)和SVM(R2=0.49,RMSE=0.10)方法。KNN-FIFS方法比SMLR和SVM方法更适用于FCC遥感估测,且添加红边信息经地形校正后,能有效提高FCC的估测精度。

关键词: 森林郁闭度 ; 高分一号 ; 高分六号 ; 红边 ; KNN-FIFS ; 根河森林

Abstract

Aiming at exploring the potentials of Gaofen-1 (GF-1) WFV data and Gaogen-6 (GF-6) satellite data in quantitative inversion of Forest Canopy Closure (FCC), based on GF-1data, the simulated GF-6 data by adding two Sentinel-2A red-edge bands (RE) into GF-1 WFV multispectral data and the extracted relevant Texture Information (TI) ,Vegetation Index (VI) and Red edge Index (RI) , a k- Nearest Neighbor with Fast Iterative Features Selection( KNN-FIFS) method, was used to estimate the Forest Canopy Closure (FCC) in the Genhe of the Great Khingan, Inner Mongolia. Besides that, the impact of terrain was further explored by adding Topographic Factors (TF) into the feature compositions. The verification using 44 field samples and the Leave-One-Out (LOO) method showed that: FCC estimation based on GF-1 WFV is in good agreement with measured data, with R2 = 0.52, RMSE = 0.08; the GF-1 WFV+VI+TI’s has R2 = 0.56, RMSE = 0.08; the GF-1 WFV+RE+RI+TI’s has been significantly improved with R2=0.63 and RMSE=0.07; and highest accuracy from the GF-1 WFV+RE+RI+TI+TF composition with R2=0.68 and RMSE=0.07 was superior to the results from both stepwise multiple linear regressions (SMLR) (R2=0.39, RMSE=0.10) and support vector machine (SVM) (R2=0.49, RMSE=0.10) methods. It indicated that the KNN-FIFS method is more reliable for FCC estimation than both SMLR and SVM methods, and the simulated GF-6 data with red-edge information can effectively improve the estimation accuracy of FCC, especially after topographic correction.

Keywords: Forest canopy closure ; GF-1 WFV ; GF-6 ; Red-edge ; KNN-FIFS ; Forest of Genhe

PDF (4036KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

孙珊珊, 田昕, 谷成燕, 韩宗涛, 王崇阳, 张兆鹏. 基于KNN-FIFS的内蒙古根河森林郁闭度遥感估测研究. 遥感技术与应用[J], 2019, 34(5): 959-969 doi:10.11873/j.issn.1004-0323.2019.5.0959

Sun Shanshan, Tian Xin, Gu Chengyan, Han Zongtao, Wang Chongyang, Zhang Zhaopeng. Estimation of Forest Canopy Closure by the KNN-FIFS Method in the Genhe of Inner Mongolia. Remote Sensing Technology and Application[J], 2019, 34(5): 959-969 doi:10.11873/j.issn.1004-0323.2019.5.0959

1 引 言

森林郁闭度(Forest Canopy Closure,FCC)是乔木树冠投影覆盖面积与林地总面积之比[1,2],是反映森林成效和林分空间利用度的基本指标,可为森林经营决策和森林生态系统管理提供重要依据[3,4]

传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6]。遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7]。在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8,9,10]k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12,13],在森林参数遥感估测中应用广泛[9,14,15,16,17]。快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18]。模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法。

FCC遥感反演所采用的遥感数据源基本涵盖了目前所能用到的各种遥感数据源,如美国陆地卫星(Landsat)系列遥感数据具有很好的时空连续性与承接性,被广泛应用于区域FCC估算[20,21,22]。近年来,国产高分1~6系列卫星的发射,有效弥补了国内外卫星资源在行业中空间分辨率、幅宽等指标的不足,提升了中高分辨率国产遥感卫星数据的自给率,因此在区域森林参数如郁闭度、地上生物量反演中广泛应用[23,24],GF-6卫星继承了GF-1宽视场(GF-1 wide field of view,GF-1 WFV)成像能力,是我国首颗具备8谱段宽视场成像能力的多光谱遥感卫星。红边部分植被冠层反射率变化较快,红边信息对叶绿素含量变化具有明显的响应[25,26,27],使得红边区域包含更多用于对森林冠层参数进行探测的信息。因此GF-6新增的红边谱段(Red-Edge band,RE)对于大区域的森林、农作物等植被生长状况具有独到的优势。GF-6数据能够作为重要的基础数据源,广泛应用于森林参数估算,可极大提高中高分辨率遥感数据的保障,为我国森林资源保护和生态建设提供更加科学、翔实的数据[28]

由于地形的影响,相同地物因山区阴坡和阳坡接收到的光照强度的不同产生“同物异谱”现象,影响参数反演的结果[29]。为消除地形对植被反射率的影响,国内外学者提出了地形校正模型,其中基于DEM的朗伯体反射率模型使用较为广泛。但是校正模型均存在不确定性误差,对反演结果产生的影响也不同。太阳入射角是表征起伏地表接收太阳直射辐射的参量[30],太阳入射角的余弦值(cosi)作为朗伯体反射率模型中的关键因子,参与到大部分现有的校正模型中,在地形校正中起到重要的作用。

考虑到研究阶段GF-6卫星仍处于在轨测试,本研究以GF-1 WFV数据为主要数据源,并选用哨兵2A(Sentinel-2A)数据中与GF-6卫星红边波段相近的两个红边波段进行模拟GF-6数据,并结合实验区样地实测数据,利用KNN-FIFS算法实现多维遥感特征快速优选;以LOO法交叉验证估测结果的精度,并通过添加太阳入射角的余弦值cosi和1/cosi进一步探究地形因素(Topographic Factors,TF)对FCC估测的影响。

2 研究区与数据

2.1 研究区概况

研究区位于内蒙古自治区呼伦贝尔北部(120°56'~121°44' E,50°3'~50°27' N)(如图1),海拔约550~1 200 m,地处寒温带大陆性季风气候区,冬季长夏季短,无霜期平均为90 d,年均日照时长2 594 h,平均气温-5.3 ℃,气温日较差大,年较差约为47.4 ℃;降水主要集中在7、8月份,年降水量约450~500 mm。研究区森林覆盖率较高,具有复杂的森林植被类型及垂直结构,主要森林类型为针叶林,优势树种为兴安落叶松(Larix gemelinii),伴生树种为白桦(Betula platylla)、樟子松(Pinus sylvestnis var)、山杨(Polulus davidaana)等。研究区生态环境脆弱,遭受人为或自然灾害后恢复较慢。

图1

图1   研究区地理位置及野外调查样地分布

(图中影像为GF-1 WFV,R:band 3,G:band 2,B:band 1)

Fig.1   Location of the study area and the field plots


2.2 数据及预处理

2.2.1 森林样地调查数据

于2016年8月份对实验区内外44块森林资源样地进行调查(图1),包括37个30 m×30 m以及7个45 m×45 m大小的两种样地,样地形状均为正方形,边界沿东西南北向分布。森林资源调查包括样地内森林类型、地表覆盖情况、优势树种以及样地地形情况等,并对样地内活立木进行每木检尺(包括胸径、树高和冠幅等)。在样地内用鱼眼相机观测森林冠层的半球影像,进而使用Hemiview冠层分析系统得到FCC。为使郁闭度测量结果尽量准确,使用自平衡架保持相机平衡,对天空和冠层进行垂直观测,并尽量选择阴天时进行观测,防止因过度曝光或阴影而造成对林冠或是天空开放度的误判。在样地对角线的四角以及中心位置设置5个采样点进行拍摄并对拍摄结果进行处理,取几个拍摄点平均值作为样地最终郁闭度,用于郁闭度估算建模以及验证模型据反演精度。统计森林郁闭度样地实测值,最大值为0.84,最小值为0.27,方差为0.12。

2.2.2 遥感数据及其处理

本研究使用的遥感数据包括GF-1 WFV数据和哨兵2A多光谱数据中B5(694 nm~715 nm)和B6(731 nm~749 nm)两个与GF-6波段相近的红边波段。其中GF-1数据来源于中国资源卫星应用中心(http://www.cresda.com/CN/),成像时间为2016年8月27日,分辨率为16 m。哨兵2A数据成像时间为2016年8月28日,数据来源于欧空局(https://scihub.copernicus.eu/dhus/#/home),产品等级为L1C,是经过几何精校正的大气表观反射率产品。

对GF-1 WFV遥感影像进行正射校正,并将影像灰度值定标为辐亮度值,随后采用FLAASH(Fast Line-of-sight Atmospheric Analysis of Hypercubes)大气校正模型[31]对影像进行大气校正。同样将哨兵2A数据影像值转换为辐亮度,随后进行FLAASH大气校正。哨兵2A数据为13波段,辐射校正时将数据输出分辨率为20 m的9个波段定标,即B2、B3、B4、B5、B6、B7、B8A、B11、B12。因30 m×30 m大小样地占大多数,因此将遥感影像空间分辨率采样到30 m。

2.2.3 辅助数据

ASTER GDEM V2数据产品是目前唯一覆盖全球陆地表面的高分辨率高程影像数据(数据来源:http://www.gscloud.cn),具有较高的空间分辨率精度和高程精度,且对个别区域的数据异常现象做了很好的矫正。该数据主要用于地形因子计算以及GF-1 WFV遥感影像地形正射校正,并以此校正结果对哨兵2A数据进行配准,相对配准精度控制在1个像元,研究区高程分布情况如图2所示。

图2

图2   研究区高程图

Fig.2   ASTER GDEM of the study area


3 研究方法

3.1 特征提取

利用 ENVI 5.3对遥感影像进行运算,得到归一化植被指数[32](Normalized Difference Vegetation Index,NDVI)、简单比值指数[33](Simple Ratio Index,SR)、差值植被指数[34](Difference Vegetation Index,DVI)和归一化红边指数[35](Normalized Difference Red Edge Vegetation Index,NDRE)等植被指数(Vegetation Index,VI),红边指数(Red-Edge Index,RI)以及纹理信息[36](Texture Information,TI)。其中影像纹理采用灰度共生矩阵(GLCM)计算得到,提取窗口大小为5×5。

除了4种植被指数,还计算了红边波段间的比值(SRr)和差值(DVIr)以及太阳高度角的余弦值cosi(图3)及其倒数1/cosi作为相关地形因素(To-pographic Factors,TF)参与实验,见式(1)~(3):

SRr=ρRE2ρRE1
DVIr=ρRE2-ρRE1
cosi=cosθcosβ+sinθsinβcosλ-ω

其中:β 为太阳天顶角, λ为太阳方位角,θ为坡度,ω为坡向。

图3

图3   研究区cosi值分布图

Fig.3   The cosi value of the study area


利用ENVI5.3对获取的遥感数据以及植被指数进行叠加,得到不同的波段组合,如表2所示。

表1   遥感数据纹理信息

Table1  Textures of remote sensing data

名称简称说明
均值(Mean)Mi

i=1,2,…6,分别对应

GF-1WFV数据中的

4个多光谱波段和哨兵

2A数据的B5和B6红

边波段

方差(Variance)Vi
均一性(Homogeneity)Hi
对比度(Contrast)Coi
相异性(Dissimilarity)Di
熵(Entropy)Ei
二阶矩(Second moment)Si
相关性(Correlation)Cri

新窗口打开| 下载CSV


表2   KNN-FIFS实验不同波段组合

Table 2  Different bands combination in KNN-FIFS experiment

序号波段组合
1GF-1 WFV
2GF-1 WFV、VI、TI
3GF-1 WFV、RE、RI、TI
4GF-1 WFV、RE、RI、TI、TF

新窗口打开| 下载CSV


3.2 KNN-FIFS方法

k-NN方法能够灵活的定量估测森林参数,因其不依赖特定的函数分布,适用于多模式遥感的特征融合以及缺失值的估算。通过搜索相似单元,由k个样地的值Vpi(1ik)加权得到待估像元的属性值VP(如FCC),如式(4):

Vp=i=1kWp,piVpi

其中:Wp,pi为权重,与待估像元特征向量(Xp)到样地像元特征向量(Xpi)的距离(Dp,pi)成反比,Dp,pi为待估测像元特征向量到样地所在像元特征向量间的距离,实验采用马氏距离表示。

KNN-FIFS方法(图4)在k-NN方法的基础上进行特征因子优化组合,提高森林参数估测效率。KNN-FIFS的特征因子组合优化基本原理如下(设样地数为n,特征数为m):

图4

图4   KNN-FIFS算法流程图

Fig. 4   The KNN-FIFS algorithm flowchart


基于k-NN法,依次利用特征{f1,Fs},{f2,Fs},

…,{fi-1,Fs},{fi+1,Fs},,{fm,Fs} (其中F={f1,f2

…, fj=[xj1,xj2,,xjn]T1jm),xji为第i个样地对应第j个特征所在像元的值;fi=FsF)并不断变换k值建立估测模型,共得到m-ss为最优特征子集的特征个数)个k-NN估测模型及每个模型对应的均方根误差(Root Mean Square Error,RMSE)。以LOO法作为验证,经运算选取得到的最小均方根误差,即RMSE最小值为RMSEb时,完成特征组合优化,结束运算。RMSE计算公式见式(5):

RMSE=1ni=1n(yi-ŷi)2

其中:yi表示第i个样地的FCC实测值,ŷi表示第i个样地的FCC的估测值。

KNN-FIFS方法通过LOO法交叉验证,即每次验证过程中都使用n-1个样本(n为原始样本个数)进行模型训练,使得训练样本接近原始样本分布,排除了实验过程中分配训练/检验样本带来的随机误差,进而保证了KNN-FIFS特征选择结果的稳定性,使得到的估测结果更为可信。

因估测结果受到k值的影响,且研究表明,k值越大,估测结果越容易向平均值的方向平衡并呈现集中分布趋势,虽然估测结果可能依然具有较高的精度,但原有的森林参数统计分布特征并不能维持[37],本研究设置研究区FCC估算k值的范围为1~11。

除了RMSE,另选取决定系数(Coefficient of Determination,R2)来度量估测值与样地测量值间的拟合程度。

4 结 果

4.1 KNN-FIFS森林郁闭度估测

为了减小样地点定位以及样地大小不一产生的误差,本文以3×3窗口提取像元特征信息, 基于KNN-FIFS方法、GF-1 WFV数据、哨兵2A数据红边波段、植被指数、红边指数以及地形因素等特征进行建模运算并验证,结果如图5所示。

图5

图5   不同特征组合估测FCC交叉验证结果

Fig.5   The cross-validation of forest canopy closure using different features combination


基于KNN-FIFS方法估测和交叉验证结果,①以GF-1 WFV 数据为实验数据时:当k值为3,特征为R、G、B和NIR时,估测结果最优,R2 =0.52,RMSE=0.08;②GF-1 WFV+VI+TI:当k值为3,特征为M2、M4、E2、H2、E3、NDVI时,估测结果最优,R2=0.56,RMSE=0.08;③GF-1 WFV+RE+RI+TI:当k值为3,特征为M2、M4、S3、DVIr和Cr2时,估测结果最优,R2=0.63,RMSE=0.07;④GF-1 WFV+RE+RI+TI+TF:当k值为3,特征为M2、M4、S3、DVIr和cosi时,估测结果最优,R2=0.68,RMSE=0.07。

总体来说,基于KNN-FIFS方法,GF-1 WFV 数据估测FCC结果与实测数据具有很好的一致性;增加VI和TI的反演结果精度高于原始数据反演结果精度,R2提高了0.04,但RMSE值相同,均为0.08;添加RE以及RI的数据建模运算结果精度有所提高,R2 增加,RMSE降低为0.07,说明红边信息的增加对FCC估测具有一定的积极效应。加入TF后,R2 有所提高,RMSE值不变(均为0.07)。

4.2 森林郁闭度的不同方法估测结果对比

使用上述最优结果的特征组合4(GF-1 WFV+RE+RI+TI+TF),分别利用多元逐步线性回归模型(Stepwise Multiple Linear Regressions,SMLR)[38,39,40]与SVM模型 [41,42,43]进行实验区FCC建模估测,并使用LOO方法进行交叉验证。其中SVM模型使用径向基核函数(RBF),并以绝对平均误差(Mean Absolute Error,MAE)为模型精度评价指标依次选取与当前组合精度最优的特征进入,至模型精度不再提升则停止,得到该模型的最优特征。SMLR与SVM模型估测结果精度分别为R2=0.39,RMSE=0.10和R2=0.49,RMSE=0.10。显然,SVM方法较SMLR方法估测结果更优,但与KNN-FIFS方法相比仍有差距(R2=0.68,RMSE=0.07)。

SMLR、SVM和FNN-FIFS估测FCC交叉验证结果如图6所示,由图可知,SMLR方法估测得到的FCC分布较SVM和FNN-FIFS方法更为离散,估测值偏离实测值更大。SMLR估测FCC需要样本数目达到一定数目,同时,森林生长状况复杂,FCC与遥感数据间并非单纯的线性关系,因此SMLR并不能很好地表达。SVM方法引入核函数,有效解决数据非线性等问题,但也是基于统计值进行估测建模。KNN-FIFS方法的估测参数与相邻的k个样本有关,利用k个样地点加权求值来减小影像噪声等误差,能有效避免样本不平衡的问题并更好地描述森林参数与遥感影像间复杂多变的非线性关系。

图6

图6   估测FCC交叉验证结果

Fig.6   The cross-validation of forest canopy closure using


4.3 森林郁闭度制图

对比验证采用不同数据组合的反演结果,利用最优KNN-FIFS估测模型(窗口为3 ,组合为GF-1 WFV+RE+RI+TF),反演生成研究区FCC分布图(图7)。

图7

图7   研究区FCC分布图

Fig.7   Distribution of forest canopy closure of the study area


研究区西北部、西部边缘、中部、南部部分区域以及森林保护区部分FCC较高,属于高FCC区域,而山谷以及道路两旁等生态脆弱、易受环境和人为干扰的区域则相对较低,但就研究区总体而言,FCC较高。将研究区域FCC分为 5 个等级:较低(<0.2)、低(0.2~0.4)、中等(0.4~0.6)、高(0.6~0.8)和较高(>0.8),研究区FCC分级情况如图8所示。

图8

图8   研究区FCC分级图

Fig.8   Classification diagram of forest canopy closure of the study area


研究区大部分区域FCC在中等以上,占研究区总面积90%以上。其中,中等、高、较高FCC分别占研究区总面积的32.86%、53.10%和4.72%,以高FCC为最多。对比研究区FCC反演结果与高程分布图,明显可以看出,高程低处郁闭度较低,随着高程增加,FCC也在升高。原因可能是海拔较高处,生态保护状况较好,不易受到人为和动物的破坏,森林生长稳定,但仍有如研究区南部边缘等部分高海拔地区郁闭度并没有随之增加,可能是海拔到达一定程度后,水源不宜存储,且易受大风影响,生长状况相对海拔较低处差,由此造成研究区FCC反演所得分布状况。

5 讨 论

红边是指示绿色植被生长状况的敏感性波段[44],红边范围内的光谱数据与植被生长状况关系密切[45];植被指数能反映植物冠层的背景影响,常用于检测植被生长状态、植被覆盖度和消除部分辐射误差等;太阳入射角的余弦值(cosi)与影像亮度值之间具有高度的相关性,入射角的确定使像素亮度值得以修正[46] ;纹理信息可以更好地表达影像的空间信息,抑制“同物异谱”现象[42]。以上在一定程度上解释模型特征优选的组合结果。

分别对比GF-6数据以及Sentinel-2A数据红边波段光谱范围(图9)。可以看出,Sentinel-2A数据的红边波段光谱范围较GF-6数据窄,且Sentinel-2A数据的两个红边波段光谱范围均在GF-6的红边波段光谱范围之内。由此可见,Sentinel-2A数据红边波段包含的光谱信息GF-6数据均能获得,且GF-6数据的红边波段光谱范围较Sentinel-2A数据宽,能够获得更多的信息,因此可以认为GF-6数据的红边波段同样对森林郁闭度反演具有积极作用。

图9

图9   光谱响应曲线

Fig.9   The spectral response curve


对组合4(GF-1 WFV+RE+RI+TI+TF)特征优选结果进行统计,输出模型中RMSE<0.08的最优特征组合(表3),7个优选组合中有6个包含了红边参与的植被指数或者红边波段,其中有6个组合最优特征均包括了红边参与的植被指数,分别对比序号1和3、4和5,可以发现在有植被指数参与的情况下,加入太阳高度角的余弦值,模型精度有所提高,说明红边参与的植被指数和与地形校正相关因素参与建模对FCC估算具有积极作用。

表3   KNN-FIFS实验运算结果

Table 3  Experimental results in KNN-FIFS experiment

排序k值优选特征RMSE
13M2、M4、S3、DVIr、cosi0.067 260
23M2、M4、S3、DVIr、Cr20.067 262
33M2、M4、S3、DVIr0.069 961
45E2、NDRE、S3、V1、cosi0.075 287
55E2、NDRE、S3、V10.076 796
65M5、B、M4、S3、V10.077 759
74E4、G、S2、NDRE、SRr、Cr20.078 086

新窗口打开| 下载CSV


研究表明地形对植被指数的影响与坡度相关,虽然波段比形式的植被指数利用不同波段反射率相除在一定程度上缓解了地形效应,地形校正对其作用有限,但非波段比形式的植被指数地形效应明显,地形校正可以减小地形对其影响[47]。研究使用植被指数中包括波段比形式的植被指数和非波段波比形式的植被指数。因此,在加入地形因素后,植被指数参与建模,反演精度有所提高。统计研究区样地点的坡度值(图10),可见样地点坡度高低不一,部分样地点坡度在20°以上,经过地形校正后,添加的植被指数特征对反演结果仍起到积极效应。

图10

图10   研究区样地坡度值

Fig.10   The slope values of the field samples in the study area


实验使用的红边信息由哨兵数据获取,虽然经过校正,但由于太阳入射角不同不能保证两种数据波段间完全匹配;ASTER GDEM V2数据虽然较V1版本有所提高,但空间分辨率低于高分数据和哨兵数据,部分地形起伏区域并不能很好地表达,因此实验将结合GF-6数据与激光雷达数据获取的高精度的DEM数据进一步研究。

在FCC较低的情况下,受林地灌草的影响,导致FCC估测值偏高,而在FCC较高的情况下,植被指数在植被覆盖度较高时数值趋近于饱和导致FCC估测值偏低;同时,由于研究区地理位置的原因导致野外调查样地数量有限,参与建模数据不足,特别是SMLR模型估算结果受到限制。激光雷达数据不仅能够提供林冠水平和垂直结构信息,也可弥补野外数据的不足, 获取较多的样本数据。因此,下一步会尝试结合激光雷达数据提高FCC反演精度,为森林资源调查提供更为客观的数据支持。

GF-6数据的红边波段光谱范围较Sentinel-2A数据宽,获取的信息较Sentinel-2A数据更多,但也可能产生多余的信息,影响到参数反演的结果,因此后续实验将使用GF-6数据进一步研究。

6 结 语

本文所采用的基于快速迭代的KNN-FIFS方法,通过迭代特征选择,以LOO法交叉验证,最大程度地利用样地数据,结合GF-1 WFV数据、哨兵2A数据的红边波段、纹理信息、植被指数、红边指数以及地形因素建立郁闭度估测模型,为内蒙古根河FCC遥感估测提供了一种有效方法,并且得出以下结论:

(1)国产GF-1 WFV遥感数据在定量反演根河FCC上结果较为可靠。仅使用GF-1 WFV数据估测根河FCC得到R2=0.52,RMSE=0.08的估测结果,且添加植被指数能够有效提高估测结果。

(2)红边波段参与的植被指数利于郁闭度的估测。在根河研究区估测FCC时,使用KNN-FIFS模型估测郁闭度进行特征优选时,添加红边以及红边参与的植被指数对反演结果起到促进作用,且添加与地形校正相关的特征后反演精度有所提高。说明携带“红边”信息的遥感影像和地形校正相关因素对植被指数参与反演森林参数结果具有积极作用,为发射不久的国产GF-6 卫星数据在森林参数定量反演和精准监测研究打下坚实的基础。

(3)KNN-FIFS比SMLR和SVM方法更适用于FCC估测。从估测结果看,KNN-FIFS优于SMLR和SVM方法。虽然SVM方法与SMLR方法相比,较好地解决了数据之间的非线性关系,但KNN-FIFS方法估测参数与近邻的k个样本有关,不依赖于特定的函数分布,同时使用LOO方法进行估测验证,为在样本数量较少的情况下提供了一种估测FCC的有效方法。

(4)内蒙古大兴安岭根河研究区FCC整体较高。虽然存在空间分布不均的问题,部分区域FCC较低,但大部分地区FCC为高和较高郁闭情况,自天然林保护工程实施以来,整体森林资源保护状况较为良好。

参考文献

Jennings S B, Brown N D, Sheil D.

Assessing Forest Canopies and Understorey Illumination: Canopy Closure, Canopy Cover and Other Measures

[J]. Forestry, 1999, 72(1):59-74.

[本文引用: 1]

Penman J, Gytarsky M, Hiraishi T, et al. Good Practice Guidance for Land Use, Land- Use Change and Forestry,

Intergovernmental Panel on Climate Change: IPCC National Greenhouse Gas Inventories Program

[C]∥ Institute for Global Environmental Strategies (IGES) for the IPCC, Kanagawa Japan, 2003.

[本文引用: 1]

Li Chonggui, Cai Tijiu.

Effect of Forest Canopy Density on Stock Volume Estimation

[J]. Journal of Northeast Forestry University,2006,34(1):15-17

李崇贵, 蔡体久

森林郁闭度对蓄积量估测的影响规律

[J].东北林业大学学报,2006,34(1):15-17.

[本文引用: 1]

Alike S, Samanta S.

Land Use/Land Cover and Forest Canopy Density Monitoring of Wafi-Golpu Project Area, Papua New Guinea

[J]. Journal of Geoscience and Environment Protection, 2016, 4: 1-14.

[本文引用: 1]

Li Yuhao, Shi Tian.

Estimating the Canopy Density through Color Features of Aerial Digital Images

[J]. Journal of Northwest Forestry University, 2014,29(1):148-154.

李宇昊, 石 田

利用航空数码影像的色彩特征估测森林郁闭度

[J]. 西北林学院学报,2014,29(1):148-154.

[本文引用: 1]

Wang Qiang, SiQinbilige, Xiao Haitao, et al.

Prospect and Discussion on Measuring Methods of Forest Canopy Density

[J]. Inner Mongolia Forestry Investigation and Design, 2014, 37(1):82-83.

王强

斯琴毕力格, 肖海涛,.

森林郁闭度测定方法探讨与展望

[J].内蒙古林业调查设计, 2014, 37(1):82-83.

[本文引用: 1]

Wang Cong, Du Huaqiang, Zhou Guomo, et al.

Retrieval of Crown Closure of Moso Bamboo Forest Using Unmanned Aerial Vehicle(UAV) Remotely Sensed Imagery based on Geometric-optical Model

[J]. Chinese Journal of Applied Ecology, 2015, 26(5):1501-1509.

王聪

杜华强, 周国模,.

基于几何光学模型的毛竹林郁闭度无人机遥感定量反演

[J]. 应用生态学报, 2015, 26(5):1501-1509.

[本文引用: 1]

Tian X, Su Z, Chen E, et al.

Estimation of Forest above-ground Biomass Using Multi-parameter Remote Sensing Data over a Cold and Arid Area

[J].International Journal of Applied Earth Observation and Geoinformation,2012,14(1): 160-168.

[本文引用: 1]

Qi Yujiao, Li Fengri.

Remote Sensing Estimation of Aboveground Forest Carbon Storage in Daxing’an Mountains based on KNN Method

[J]. Scientia Silvae Sinicae, 2015,51(5): 46-55.

戚玉娇, 李凤日

基于KNN方法的大兴安岭地区森林地上碳储量遥感估算

[J]. 林业科学, 2015,51(5): 46-55.

[本文引用: 2]

Zhang Jin, Li Xiaosong, Wu Bingfang.

Forest Cover Estimation based on Classification and Regression Trees of Miyun Reservoir Upstream Area

[J]. Remote Sensing Technology and Application, 2014, 29(3):394-400.

张瑾, 李晓松, 吴炳方

基于分类回归树的密云水库上游森林覆盖度遥感估算

[J]. 遥感技术与应用, 2014, 29(3):394-400.

[本文引用: 1]

Franco-Lopez H, Ek A R, Bauer M E.

Estimation and Mapping of Forest Stand Density, Volume, and Cover Type Using the k-nearest Neighbors Method

[J]. Remote Sensing of Environment, 2001, 77(3): 251-274.

[本文引用: 1]

Crookston N L, Finley A O.

yaImpute: An R Package for kNN Imputation

[J]. Journal of Statistical Software, 2008, 23(16):1-16.

[本文引用: 1]

Troyanskaya O, Cantor M, Sherlock G, et al.

Missing Value Estimation Methods for DNA Microarrays

[J]. Bioinformatics, 2001, 17(6): 520-525.

[本文引用: 1]

Tian X, Yan M, Christiaan V D T, et al.

Modeling Forest above-ground Biomass Dynamics Using Multi-source Data and Incorporated Models: A Case Study over the Qilian Mountains

[J]. Agricultural and Forest Meteorology, 2017, 246:1-14.

[本文引用: 1]

Wilson B T, Lister A J, Riemann R I.

A Nearest-neighbor Imputation Approach to Mapping Tree Species over Large Areas Using Forest Inventory Plots and Moderate Resolution Raster Data

[J]. Forest Ecology and Management, 2012, 271: 182-198.

[本文引用: 1]

Reese H, Nilsson M, Sandström P, et al.

Applications Using Estimates of Forest Parameters Derived from Satellite and Forest Inventory Data

[J]. Computers and Electronics in Agriculture, 2002, 37(1): 37-55.

[本文引用: 1]

Tian X, Li Z, Su Z, et al.

Estimating Montane Forest above-ground Biomass in the Upper Reaches of the Heihe River Basin Using Landsat-TM Data

[J]. International Journal of Remote Sensing, 2014, 35(21): 7339-7362.

[本文引用: 1]

Han Zongtao, Jiang Hong, Wang Wei, et al.

Forest above-ground Biomass Estimation Using KNN-FIFS Method based on Multi-Source Remote Sensing Data

[J]. Scientia Silvae Sinicae,2018, 54(9):70-79.

韩宗涛

江洪, 王威,.

基于多源遥感的森林地上生物量KNN-FIFS估测

[J]. 林业科学, 2018, 54(9):70-79.

[本文引用: 1]

Breiman L. 1996.

Heuristics of Instability and Stabilization in Model Selection

[J]. The Annals of Statistics, 24(6): 2350-2383.

[本文引用: 1]

Zhang Ruiying, Pang Yong, Li Zengyuan, et al.

Canopy Closure Estimation in a Temperate Forest Using Airborne LiDAR and Landsat ETM+ Data

[J]. Acta Phytoecologica Sinica, 2016, 40(2):102-115.

张瑞英

庞勇, 李增元, .

结合机载LiDAR和Landsat ETM+数据的温带森林郁闭度估测

[J]. 植物生态学报, 2016, 40(2):102-115.

[本文引用: 1]

Xu Ding, Peng Daoli.

Estimation of Forest Canopy Closure based on Dimidiate Pixel Model

[J]. Journal of Northeast Forestry University, 2013,41(2):119-122.

徐 定, 彭道黎

基于像元二分模型的森林郁闭度估测方法

[J]. 东北林业大学学报,2013,41(2):119-122.

[本文引用: 1]

Kahriman A, Günlü A, Karahalil U.

Estimation of Crown Closure and Tree Density Using Landsat TM Satellite Images in Mixed Forest Stands

[J]. Journal of the Indian Society of Remote Sensing, 2014, 42(3):559-567.

[本文引用: 1]

Yan Min, Li Zengyuan, Chen Erxue, et al.

Vegetation Fractional Coverage Change in Daxinganling Genhe Forest Reserve of Inner Mongolia

[J]. Chinese Journal of Ecology, 2016, 35 (2): 508-515.

闫敏

李增元, 陈尔学,.

内蒙古大兴安岭根河森林保护区植被覆盖度变化

[J]. 生态学杂志, 2016, 35(2):508-515.

[本文引用: 1]

Jia K, Liang S, Gu X, et al.

Fractional Vegetation Cover Estimation Algorithm for Chinese GF-1 Wide Field View Data

[J]. Remote Sensing of Environment, 2016, 177:184-191.

[本文引用: 1]

Viña A, Gitelson A A, Nguy-Robertson, et al.

Comparison of Different Vegetation Indices for the Remote Assessment of Green Leaf Area Index of Crops

[J]. Remote Sensing of Environment, 2011, 115(12): 3468-3478

[本文引用: 1]

Nguy-Robertson A, Gitelson A, Peng Y, et al.

Green Leaf area Index Estimation in Maize and Soybean: Combining Vegetation Indices to Achieve Maximal Sensitivity

[J]. Agronomy Journal, 2012, 104(5): 1336-1347

[本文引用: 1]

Yan Wei, Zhou Wen, Yi Lilong, et al.

Research Progress of Remote Sensing Classification and Change Monitoring on Forest Types

[J]. Remote Sensing Technology and Application, 2019, 34(3): 445-454.

[本文引用: 1]

颜伟, 周雯, 易利龙, .

森林类型遥感分类及变化监测研究进展

[J]. 遥感技术与应用, 2019, 34(3): 445-454.

[本文引用: 1]

Ren Chong.

Forest Types Precise Classification and Forest Resources Change Monitoring based on Medium and High Spatial Resolution Remote Sensing Images

[D]. Beijing:Chinese Academy of Forestry,2016.

任冲

中高分辨率遥感影像森林类型精细分类与森林资源变化监测技术研究

[D]. 北京:中国林业科学研究院, 2016.

[本文引用: 1]

Dong Dejin, Zhou Guomo, Du Huaqiang, et al.

Effects of Topographic Correction with Six Correction Models on Phyllostachys Praecox Forest Aboveground Biomass Estimation

[J]. Scientia Silvae Sinicae, 2011, 47(12):1-8.

董德进

周国模, 杜华强,.

6种地形校正方法对雷竹林地上生物量遥感估算的影响

[J]. 林业科学, 2011, 47(12):1-8.

[本文引用: 1]

Yao Chen, Huang Wei, Li Xianhua.

Evaluation of Topographical Influence on Vegetation Indices of Rugged Terrain

[J]. Remote Sensing Technology and Application, 2009,24(4):496- 501.

姚晨, 黄微, 李先华

地形复杂区域的典型植被指数评估

[J]. 遥感技术与应用,2009,24(4):496-501.

[本文引用: 1]

Anderson G P, Felde G W, Hoke M L, et al.

MODTRAN4-based Atmospheric Correction Algorithm: FLAASH (Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes)

[J]∥ AeroSense 2002. International Society for Optics and Photonics, 4725:65-71.

[本文引用: 1]

Rouse J W J, Haas R H, Schell J A, et al.

Monitoring Vegetation Systems in the Great Plains with ERTS

[R]. NASA Special Publication,1973, 351: 309.

[本文引用: 1]

Birth G S, Mcvey G R.

Measuring the Color of Growing Turf with a Reflectance Spectrophotometer

[J]. Agronomy Journal, 1968, 60(6):640-643.

[本文引用: 1]

Tucker C J.

Red and Photographic Infrared Linear Combinations for Monitoring Vegetation

[J]. Remote Sensing of Environment, 1979, 8(2):127-150.

[本文引用: 1]

Gitelson A A, Keydan G P, Merzlyak M N.

Three‐band Model for Noninvasive Estimation of Chlorophyll, Carotenoids, and Anthocyanin Contents in Higher Plant Leaves

[J]. Geophysical Research Letters, 2006, 33(11):431-433.

[本文引用: 1]

Haralick R M, Shanmugam K.

Textural Features for Image Classification

[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973, (6): 610-621.

[本文引用: 1]

Tokola T, Pitkänen J, Partinen S, et al.

Point Accuracy of a Non-parametric Method in Estimation of Forest Characteristics with Different Satellite Materials

[J]. International Journal of Remote Sensing, 1996,17(12): 2333-2351.

[本文引用: 1]

Cortes C, Vapnik V.

Support-vector Networks

[J]. Machine Learning, 1995, 20(3): 273-297.

[本文引用: 1]

Burges C J C.

A Tutorial on Support Vector Machines for Pattern Recognition

[J]. Data Mining and Knowledge Discovery, 1998, 2(2): 121-167.

[本文引用: 1]

Chang C C, Lin C J.

LIBSVM: A Library for Support Vector Machines

[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2011, 2(3): 27.

[本文引用: 1]

Lawrence R L, Ripple W J.

Comparisons among Vegetation Indices and Bandwise Regression in a Highly Disturbed, Heterogeneous Landscape: Mount St. Helens, Washington

[J]. Remote Sensing of Environment, 1998, 64(1):91-102.

[本文引用: 1]

Foody G M, Cutler M E, Mcmorrow J, et al.

Mapping the Biomass of Bornean Tropical Rain Forest from Remotely Sensed Data

[J]. Global Ecology & Biogeography, 2001, 10(4):379-387.

[本文引用: 2]

Næsset, Erik, Gobakken T.

Estimation of above- and Below-ground Biomass Across Regions of the Boreal Forest Zone Using Airborne Laser

[J]. Remote Sensing of Environment, 2008, 112(6):3079-3090.

[本文引用: 1]

Filella I, Peñuelas J.

The Red Edge Position and Shape as Indictors of Plant Chlorophyll Content, Biomass and Hydric Status

[J]. International Journal of Remote Sensing,1994,15(7):1459-1470

[本文引用: 1]

Hansen P M, Schjoerring J K.

Reflectance Measurement of Canopy Biomass and Nitrogen Statue in Wheat Crops Using Normalized Difference Vegetation Indices and Partial Least Squares Regression

[J]. Remote Sensing of Environment,2003,86(4):542-553

[本文引用: 1]

Holben B N, Justice C O.

The Topographic Effect on Spectral Response from Nadir-pointing Sensors

[J]. 1980,46(9):1191-1200.

[本文引用: 1]

Zhu Gaolong, Liu Yibo, Ju Weimin, et al.

Evaluation of Topographic Effects on Four Commonly Used Vegetation Indices

[J]. Journal of Remote Sensing, 2013,17(1):210-234.

[本文引用: 1]

朱高龙,柳艺博,居为民,.

4 种常用植被指数的地形效应评估

[J].遥感学报,2013,17(1):210-234.

[本文引用: 1]

/