林业科学 ›› 2020, Vol. 56 ›› Issue (3): 38-47.doi: 10.11707/j.1001-7488.20200305
周律,欧光龙,王俊峰,胥辉*
收稿日期:
2019-08-22
出版日期:
2020-03-25
发布日期:
2020-04-08
通讯作者:
胥辉
基金资助:
Lü Zhou,Guanglong Ou,Junfeng Wang,Hui Xu*
Received:
2019-08-22
Online:
2020-03-25
Published:
2020-04-08
Contact:
Hui Xu
摘要:
目的: 确定思茅松林生物量遥感估测的光饱和点,构建空间全局和局域遥感信息模型反演思茅松林生物量,为思茅松林生物量遥感估测提供参考。方法: 以云南省普洱市思茅松林为研究对象,基于Landsat8 OLI遥感影像数据和森林资源二类调查数据,运用二次项函数和幂函数求解思茅松林生物量光饱和点,采用普通最小二乘模型(OLS)、空间滞后模型(SLM)、空间误差模型(SEM)和地理加权回归模型(GWR)构建遥感信息模型,估测思茅松林地上生物量。结果: 1)普洱市思茅松林Landsat8 OLI遥感估测地上生物量的光饱和点为106.3 t·hm-2;2)空间回归模型拟合精度较高,尤其是GWR模型具有最高的R2(0.373)和最小的AIC(4 577.8),其拟合精度显著高于OLS、SLM和SEM模型;3)独立性样本检验结果表明,GWR模型的预估精度最高,且通过刀切法检验可知GWR模型在高值阶段(≥100 t·hm-2)和低值阶段(0~50 t·hm-2)的生物量估测能力强于OLS、SLM和SEM模型;4)GWR模型反演计算结果表明,思茅松林单位面积地上生物量为66.496 t·hm-2,与实测值偏差23.511%,估测误差低于OLS、SLM和SEM模型。结论: 对普洱市思茅松林生物量进行遥感估测时,GWR模型优于OLS模型和其他空间全局回归模型,且GWR模型可在一定程度上解决高值低估和低值高估问题,减小光饱和点对遥感估测精度的影响。
中图分类号:
周律,欧光龙,王俊峰,胥辉. 基于空间回归模型的思茅松林生物量遥感估测及光饱和点确定[J]. 林业科学, 2020, 56(3): 38-47.
Lü Zhou,Guanglong Ou,Junfeng Wang,Hui Xu. Light Saturation Point Determination and Biomass Remote Sensing Estimation of Pinus kesiya var. langbianensis Forest Based on Spatial Regression Models[J]. Scientia Silvae Sinicae, 2020, 56(3): 38-47.
表1
遥感变量①"
变量Variables | 公式或说明A formula or description |
植被指数Vegetation index | |
NDVI | (B5-B4)/(B5+B4) |
SRI | B5/B4 |
SAVI | 1.5×(B5-B4)/(B5+B4+0.5) |
PVI | 0.939B5-0.344B4+0.9 |
BVI | 0.272 8B2+0.249 3B3+0.480 6B4+0.556 8B5+0.443 8B6+0.170 6B7 |
GVI | -0.272 8B2-0.217 4B3-0.550 8B4+0.722 1B5+0.073 3B6-0.164 8B7 |
WVI | 0.144 6B2+0.176 1B3+0.332 2B4+0.339 6B5-0.621 0B6-0.418 6B7 |
IIVI | (B5-B6)/(B5+B6) |
DVI | B5-B4 |
ARVI | (B4-2B3+B1)/(B4+2B3-B1) |
TVI | |
MVI5 | (B5+B4-B2)/(B5+B4+B2) |
MVI7 | (B5-B7)/(B5+B7) |
Albedo | 0.356B1+0.130B3+0.373B4+0.85B5+0.072B7-0.0018 |
信息增强因子Information enhancement factor | |
KT1 | 0.304B2+0.279B3+0.474B4+0.559B5+0.508B6+0.186B7 |
KT2 | 0.285B2-0.244B3-0.212B4+0.787B5-0.421B6-0.372B7 |
KT3 | 0.151B2+0.197B3+0.328B4+0.341B5-0.711B6-0.457B7 |
PCA1 | 0.135B1-0.043B2+0.356B3-0.014B4+0.561B5+0.287B6+0.677B7 |
PCA2 | 0.163B1-0.062B2+0.392B3-0.019B4+0.470B5+0.237B6-0.733B7 |
PCA3 | 0.217B1-0.048B2+0.448B3-0.015B4+0.048B5-0.863B6+0.045B7 |
PCA4 | 0.290B1-0.149B2+0.563B3-0.024B4-0.677B5+0.339B6+0.055B7 |
PCA5 | 0.032B1+0.934B2+0.025B3+0.143B4-0.032B5+0.038B6-0.004B7 |
PCA6 | 0.667B1-0.122B2-0.361B3-0.639B4+0.035B5-0.001B6+0.006B7 |
PCA7 | 0.523B1-0.288B2-0.268B3+0.755B4+0.037B5-0.003B6+0.002B7 |
表2
遥感变量的相关性分析①"
序号 Number | 变量 Variables | 相关性 Correlation |
1 | B1 | -0.470** |
2 | B2 | -0.470** |
3 | B3 | -0.461** |
4 | B4 | -0.424** |
5 | B5 | -0.223** |
6 | B6 | -0.417** |
7 | B7 | -0.395** |
8 | SRI | 0.347** |
9 | GVI | -0.350** |
10 | BVI | -0.321** |
11 | WVI | 0.278** |
12 | PCA1 | -0.432** |
13 | PCA2 | -0.145** |
14 | PCA3 | 0.327** |
15 | PCA4 | -0.173** |
16 | PCA5 | -0.466** |
17 | PCA6 | 0.327** |
18 | PCA7 | -0.459** |
19 | KT1 | -0.447** |
20 | KT2 | 0.416** |
21 | KT3 | 0.247** |
22 | IIVI | 0.307** |
23 | MVI5 | 0.307** |
24 | SAVI | 0.311** |
25 | TVI | 0.351** |
26 | NDVI | 0.351** |
27 | MVI7 | -0.198** |
28 | DVI | 0.027 |
29 | PVI | -0.113** |
30 | Albedo | -0.456** |
31 | ARVI | -0.386** |
表9
刀切法残差检验"
模型Models | < 50 t·hm-2 | 50~100 t·hm-2 | >100 t·hm-2 | All | |||||||
ME | MRE | ME | MRE | ME | MRE | ME | MRE | ||||
OLS | -21.515 | -0.394 | 22.734 | 0.314 | 65.653 | 1.467 | 14.002 | 0.247 | |||
SLM | -24.388 | -0.402 | 7.247 | 0.124 | 40.787 | 0.578 | 2.116 | 0.025 | |||
SEM | -24.920 | -0.412 | 7.098 | 0.117 | 42.840 | 0.617 | 2.070 | 0.022 | |||
GWR | -19.755 | -0.335 | 5.275 | 0.105 | 39.862 | 0.556 | 2.172 | 0.031 |
陈庆, 郑征, 冯志立, 等. 云南普洱地区思茅松林生物量及碳储量研究. 云南大学学报:自然科学版, 2014. 36 (3): 439- 445. | |
Chen Q , Zheng Z , Feng Z L , et al. Study on biomass and carbon storage of Pinus kesiya var. langbianensis forest in Pu'er area of Yunnan Province. Journal of Yunnan University:Natural Sciences Edition, 2014. 36 (3): 439- 445. | |
杜华强. 竹林生物量碳储量遥感定量估算. 北京: 科学出版社. 2012. | |
Du H Q . Quantitative estimation of bamboo forest biomass carbon storage by remote sensing. Beijing: Science Press. 2012. | |
付琦, 卓乘风, 邓峰. 城市化、工业化与区域创新能力——基于空间计量模型的实证分析. 科技管理研究, 2018. 38 (1): 30- 34.
doi: 10.3969/j.issn.1000-7695.2018.01.005 |
|
Fu Q , Zhuo C F , Deng F . Urbanization, industrialization and regional innovation capability:an empirical analysis based on spatial econometric model. Science and Technology Management Research, 2018. 38 (1): 30- 34.
doi: 10.3969/j.issn.1000-7695.2018.01.005 |
|
付元元, 王纪华, 杨贵军, 等. 应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算. 光谱学与光谱分析, 2013. 33 (5): 1315- 1319.
doi: 10.3964/j.issn.1000-0593(2013)05-1315-05 |
|
Fu Y Y , Wang J H , Yang G J , et al. Hyperspectral estimation of winter wheat biomass using band depth analysis and partial least squares regression. Spectroscopy and Spectral Analysis, 2013. 33 (5): 1315- 1319.
doi: 10.3964/j.issn.1000-0593(2013)05-1315-05 |
|
黄秋兰, 唐咸艳, 周红霞, 等. 四种空间回归模型在疾病空间数据影响因素筛选中的比较研究. 中国卫生统计, 2013. 30 (3): 334- 338. | |
Huang Q L , Tang X Y , Zhou H X , et al. Comparative study of four kinds of spatial regression models in screening influencing factors of spatial data of diseases. Chinese Journal of Health Statistics, 2013. 30 (3): 334- 338. | |
刘畅, 李凤日, 贾炜玮, 等. 基于局域统计量的黑龙江省多尺度森林碳储量空间分布变化. 应用生态学报, 2014. 25 (9): 2493- 2500. | |
Liu C , Li F R , Jia W W , et al. Multiple-scale analysis on spatial distribution changes of forest carbon storage in Heilongjiang Province, northeast China based on local statistics. Chinese Journal of Applied Ecology, 2014. 25 (9): 2493- 2500. | |
刘茜, 杨乐, 柳钦火, 等. 森林地上生物量遥感反演方法综述. 遥感学报, 2015. 19 (1): 62- 74. | |
Liu Q , Yang L , Liu Q H , et al. Review of forest above ground biomass inversion methods based on remote sensing technology. Journal of Remote Sensing, 2015. 19 (1): 62- 74. | |
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. 林业资源管理, 2017. (1): 82- 90. | |
Lü Y Y , Li C , Ou G L , et al. Remote sensing estimation of biomass of Pinus kesiya var. langbianensis by geographically weighted regression models. Forest Resources Mangement, 2017. (1): 82- 90. | |
梅安新, 彭望禄, 秦其明. 遥感导论. 北京: 高等教育出版社. 2001. | |
Mei A X , Peng W L , Qin Q M . An introduction to remote sensing. Beijing: Higher Education Press. 2001. | |
欧光龙, 王俊峰, 肖义发, 等. 思茅松天然林单木生物量地理加权回归模型构建. 林业科学研究, 2014. 27 (2): 213- 218. | |
Ou G L , Wang J F , Xiao Y F , et al. Modeling individual biomass of Pinus kesiya var. langbianensis natural forests by geographically weighted regression. Forest Research, 2014. 27 (2): 213- 218. | |
欧光龙, 胥辉, 王俊峰, 等. 思茅松天然林林分生物量混合效应模型构建. 北京林业大学学报, 2015. 37 (3): 101- 110. | |
Ou G L , Xu H , Wang J F , et al. Building mixed effect models of stand biomass for Pinus kesiya var. langbianensis. Journal of Beijing Forestry University, 2015. 37 (3): 101- 110. | |
陶长琪, 杨海文. 空间计量模型选择及其模拟分析. 统计研究, 2014. 31 (8): 88- 96.
doi: 10.3969/j.issn.1002-4565.2014.08.013 |
|
Tao C Q , Yang H W . Spatial econometric model selection and its simulation analysis. Statistical Research, 2014. 31 (8): 88- 96.
doi: 10.3969/j.issn.1002-4565.2014.08.013 |
|
温海珍, 张之礼, 张凌. 基于空间计量模型的住宅价格空间效应实证分析:以杭州市为例. 系统工程理论与实践, 2011. 31 (9): 1661- 1667. | |
Wen H Z , Zhang Z L , Zhang L , et al. An empirical analysis on spatial effects of the housing price based on spatial econometric models:evidence from Hangzhou City. Systems Engineering-Theory & Practice, 2011. 31 (9): 1661- 1667. | |
伍劲屹, 周艺彪, 姜庆五. 空间回归模型在公共卫生中的应用. 中华流行病学杂志, 2013. 34 (11): 1151- 1153. | |
Wu J Y , Zhou Y B , Jiang Q W . Application of spatial regression model in public health. Chinese Journal of Epidemiology, 2013. 34 (11): 1151- 1153. | |
王维枫, 雷渊才, 王雪峰, 等. 森林生物量模型综述. 西北林学院学报, 2008. 23 (2): 58- 63. | |
Wang W F , Lei Y C , Wang X F , et al. A review of forest biomass models. Journal of Northwest Forestry University, 2008. 23 (2): 58- 63. | |
王雪军, 项海兵. 基于不同尺度样地的森林面积估算对比分析——以鞍山市为例. 东北林业大学学报, 2014. 42 (11): 153- 157.
doi: 10.3969/j.issn.1000-5382.2014.11.035 |
|
Wang X J , Xiang H B . Forest area estimation on different scales-taking Anshan as an example. Journal of Northeast Forestry University, 2014. 42 (11): 153- 157.
doi: 10.3969/j.issn.1000-5382.2014.11.035 |
|
王烁, 李凤日, 赵颖慧, 等. 基于空间模型的白河林业局天然红松分布. 北京林业大学学报, 2015. 37 (10): 73- 85. | |
Wang S , Li F R , Zhao Y H , et al. Distribution of natural Korean pines in Baihe Forestry Bureau based in spatial models. Journal of Beijing Forestry University, 2015. 37 (10): 73- 85. | |
薛巍, 张秋良, 赵鹏翔, 等. 基于遥感技术的森林生物量估算应用. 水土保持研究, 2009. 16 (2): 209- 211. | |
Xue W , Zhang Q L , Zhao P X , et al. Review of the estimation of forest biomass by remote sensing. Research of Soil and Water Conservation, 2009. 16 (2): 209- 211. | |
于艳梅, 徐俊增, 彭世彰, 等. 不同水分条件下水稻光合作用的光响应模型的比较. 节水灌溉, 2012. (10): 30- 33. | |
Yu Y M , Xu J Z , Peng S Z , et al. Evaluation of photosynthesis light response model for rice leaf under different water conditions. Water-Saving Irrigation, 2012. (10): 30- 33. | |
张博, 欧光龙, 孙雪莲, 等. 空间效应及其回归模型在林业中的应用. 西南林业大学学报, 2016. 36 (3): 144- 152. | |
Zhang B , Ou G L , Sun X L , et al. Application of spatial effect and regression model on forestry research. Journal of Southwest Forestry University, 2016. 36 (3): 144- 152. | |
朱丽梅, 胥辉. 思茅松单木生物量模型研究. 林业科技, 2009. 34 (3): 19- 23. | |
Zhu L M , Xu H . Study on biomass model of single tree of Pinus kesiya var. langbianensis. Forestry Science and Technology, 2009. 34 (3): 19- 23. | |
Fotheringham A S , Brunsdon C , Charlton M . Geographically weighted regression:the analysis of spatially varying relationships. American Journal of Agricultural Economics, 2004. 86 (2): 554- 556.
doi: 10.1111/j.0002-9092.2004.600_2.x |
|
Kasischke E S , Melack J M , Dobson M C . The use of imaging radars for ecological applications-a review. Remote Sensing of Environment, 1997. 59 (2): 141- 156.
doi: 10.1016/S0034-4257(96)00148-4 |
|
Zhao P , Lu D , Wang G X , et al. Examining spectral reflectance saturation in Landsat imagery and corresponding solutions to improve forest aboveground biomass estimation. Remote Sensing, 2016. 8 (6): 469.
doi: 10.3390/rs8060469 |
[1] | 曾伟生, 贺东北, 蒲莹, 肖前辉. 含地域和起源因子的马尾松立木生物量与材积方程系统[J]. 林业科学, 2019, 55(2): 75-86. |
[2] | 韩宗涛, 江洪, 王威, 李增元, 陈尔学, 闫敏, 田昕. 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. |
[3] | 庞勇, 蒙诗栎, 李增元. 机载高分辨率遥感影像的傅氏纹理因子估测温带森林地上生物量[J]. 林业科学, 2017, 53(3): 94-104. |
[4] | 李兰, 陈尔学, 李增元, 任冲, 赵磊, 谷鑫志. 森林地上生物量的多基线InSAR层析估测方法[J]. 林业科学, 2017, 53(11): 85-93. |
[5] | 何季, 吴波, 鲍芳, 李嘉竹, 姚斌, 叶静芸, 刘建康, 辛智鸣. 人工模拟增雨对乌兰布和沙漠白刺生物量分配的影响[J]. 林业科学, 2016, 52(5): 81-91. |
[6] | 冯琦, 陈尔学, 李增元, 李兰, 赵磊. 基于机载P-波段全极化SAR数据的复杂地形森林地上生物量估测方法[J]. 林业科学, 2016, 52(3): 10-22. |
[7] | 白玉锋, 陈超群, 徐海量, 张广朋, 张沛, 凌红波. 塔里木河下游荒漠植被地上生物量空间分布与地下水埋深关系[J]. 林业科学, 2016, 52(11): 1-10. |
[8] | 韩新生, 邓莉兰, 王彦辉, 熊伟, 李振华, 刘千, 王艳兵, 孙浩. 六盘山叠叠沟华北落叶松人工林地上生物量的坡面变化[J]. 林业科学, 2015, 51(3): 132-139. |
[9] | 郭云, 李增元, 陈尔学, 田昕, 凌飞龙. 甘肃黑河流域上游森林地上生物量的多光谱遥感估测[J]. 林业科学, 2015, 51(1): 140-149. |
[10] | 李文梅, 陈尔学, 李增元, 赵磊. 森林地上生物量的极化干涉SAR相干层析估测方法[J]. 林业科学, 2014, 50(2): 70-77. |
[11] | 贺鹏;张会儒;雷相东;徐广;高祥. 基于地统计学的森林地上生物量估计[J]. , 2013, 49(5): 101-109. |
[12] | 赵春燕, 李际平, 马文俊, 袁晓红, 郑柳. 顾及耦合作用的森林景观多尺度分类[J]. 林业科学, 2013, 49(11): 183-188. |
[13] | 徐小军;周国模;杜华强;董德进;崔瑞蕊;周宇峰;沈振明. 基于Landsat TM数据估算雷竹林地上生物量[J]. 林业科学, 2011, 47(9): 1-6. |
[14] | 曾伟生;夏忠胜;朱松;罗洪章. 贵州省人工马尾松立木材积和地上生物量方程研建[J]. 林业科学, 2011, 47(3): 96-101. |
[15] | 钟全林 胡松竹 贺利中 唐承财. 刨花楠不同种源主要光响应指标分析[J]. 林业科学, 2008, 44(7): 118-123. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||