我國高分遙感近十年林業應用研究進展

王本洋, 周雙云, 徐譽遠, 莫羅堅

(1.華南農業大學 林學與風景園林學院,廣東 廣州 510642;2.華南農業大學 森林經理研究室,廣東 廣州 510642;3.廣東省嶺南院勘察設計有限公司,廣東 廣州 510663;4.廣東省東莞市林業科學研究所,廣東 東莞 523106)

遙感是高新科技的重要內容之一,是國家科技實力的象征,也是衡量國家綜合實力的重要標志[1-3]。自20世紀80年代至今,我國經過40多年的發展,自主研發了氣象、資源、環境、高分以及小衛星等多種系列200多顆遙感衛星,現已躋身世界遙感科技的前列。

“高分”系列屬于《國家中長期科學和技術發展規劃綱要(2006—2020年)》中部署的“高分辨率對地觀測系統重大專項”(簡稱高分專項)[4]。自2013年高分一號成功發射至今,我國高分遙感已經發展了近十年時間。相比于其他衛星遙感,我國“高分”系列衛星的林業應用研究主要集中在哪些細分領域?響應了林業對遙感的哪些需求[5]?主要定量研究方法如何?應用效果如何?目前尚未見述評性報道。

本文基于林業需求,初步總結高分遙感林業應用研究的細分領域,重點介紹較為常用的6種定量分析方法及其應用特點,并對高分遙感的林業應用進行討論和展望,以期為相關研究者提供借鑒與參考,進一步推動高分遙感在林業中的應用。

1 我國高分遙感在林業中的細分應用領域

在我國,林業是最早引進并廣泛應用遙感技術的領域之一[6]。在高分遙感出現之前,林業領域采用的衛星遙感數據主要來自美國的Landsat 5—8[7]、QuickBird[8]、WorldView 1—4[9]、MODIS[10],歐空局Sentinel 1—2[11],法國SPOT 4/5[12]等,在森林火災監測[13]、病蟲害監測[14]、葉面積指數反演[15]、森林蓄積量和生物量估算[16]以及森林樹種識別[17]等多個方向都取得了豐富研究成果。

經文獻梳理發現,我國高分遙感的林業應用研究主要集中于森林資源調查、森林災害監測和森林參數提取3個細分領域。其中,森林參數提取進一步細分為森林郁閉度和植被覆蓋度估算、葉面積指數計算、森林蓄積量和生物量估算、林分高度提取以及森林類型/樹種識別等。這與黃華國[5]基于林業需求提出的林業遙感應用領域相一致。這些細分領域隨時間軸即發展階段不斷延伸、深化的關系如圖1所示。

圖1 高分遙感在林業中的應用發展態勢Figure 1 Development trends of Gaofen-series satellite imagery in forestry

1.1 森林參數提取

1.1.1 森林郁閉度和植被覆蓋度估算

近年來,遙感林業應用研究的熱點之一為不同空間、時間及光譜分辨率支持下的森林郁閉度和植被覆蓋度及其變化研究。采用高分遙感進行郁閉度研究的報道較少,且這些研究采用了多光譜數據。

為了高效處理不斷增加的大量遙感數據,Chen等[18]采用GF-1數據和實測數據,基于多元線性回歸(Multiple Linear Regression,MLR)和Spark算法構建了嶗山林場的森林郁閉度模型,發現兩種模型精度一致(R2為0.651),采用Spark算法的反演效率更高。Wang等[19]基于GF-1和ZY-3高空間分辨率數據,采用MLR、廣義加法模型(Generalized Additive Model,GAM)和隨機森林(Random Forest,RF)3個模型估算旺業甸林場和高峰林場的森林郁閉度,發現模型相同情況下,GF-1的估算效果更好;三種模型中GAM模型更穩定。

閆敏等[20]較早采用高分遙感影像開展植被覆蓋度變化研究,課題組以Landsat 5 TM、GF-1影像和野外調查數據,構建了大興安嶺根河森林保護區植被覆蓋度模型。結果發現,模型精度R2為0.52,還發現植被覆蓋度與高程存在較強正相關性(R2大于0.95),與坡度存在較弱正相關性(R2約0.37),與坡向有微弱的負相關性(R2約為-0.02)。Liu等[21]采用GF-2、Landsat 8和實地調查數據,基于機器學習算法估算中國三北防護林的植被覆蓋度,發現隨機森林模型的精度最優(R2=0.993)。

1.1.2 葉面積指數計算

葉面積指數(LAI)是植被冠層結構最重要生物物理參數之一[22],GF-1數據具有較好的LAI估算能力[23],徐曉雨等[24]利用GF-1和Landsat 8影像數據,反演了河北省康?？h荒漠化地區LAI,結果發現,基于GF-1的反演模型具有更大的決定系數,效果優于基于Landsat 8的反演模型。Chen等[25]利用GF-5數據,采用特征選擇和機器學習算法反演了長春市的LAI,結果表明,隨機森林用于特征選擇,K-最鄰近用于回歸模型反演精度最高(R2=0.834)。

1.1.3 森林蓄積量和生物量估算

汪康寧等[26-27]較早、較系統地開展了基于高分遙感的森林蓄積量研究,先后采用單一尺度(8 m)和多尺度(8 m、16 m、24 m空間分辨率)的GF-1影像作為數據源,結合野外調查數據,構建和分析了黑龍江涼水自然保護區的RF反演模型和不同紋理特征變量下的森林蓄積量。劉兆華等[28]利用GF-2影像數據和內蒙古旺業甸林場的實地調查數據為數據源,評估了MLR、RF、BP神經網絡(Back Propagation Artificial Neural Networks,BP-ANN)、支持向量機(Support Vector Machine,SVM)和K—最鄰近模型(K-Nearest Neighbor,KNN)5個蓄積量估測模型,發現RF模型精度最高(R2為0.66),MLR模型精度最低(R2為0.47)。

Li等[29]采用GF-2、Sentinel 2數據,基于自適應特征變量優化算法和RF、KNN構建了內蒙古旺業甸實驗林場的森林蓄積量模型,發現基于自適應特征變量優化算法和兩種數據聯合均可提高模型精度(KNN和RF相對均方根誤差分別為24.20%和20.82%)。

在森林生物量研究方面,劉常瑜等[30]較早開展了利用高分影像構建森林生物量反演模型的研究。結合野外調查,分別以GF-1(16 m)和Landsat TM(30 m)影像構建的嶗山林場森林生物量反演模型表明,基于GF-1的模型精度(80.75%)高于TM(77.12%)[30]。Zhu等[31]基于GF-2、GF-3和無人機遙感數據,采用隨機森林構建了廣東省淇澳島紅樹林保護區的森林生物量模型,模型精度依次為GF-2和GF-3聯合(R2=0.43)、GF-2(R2=0.21)、GF-3(R2=0.12)。Li等[32]采用GF-2、Sentinel 2及兩者融合數據和實地調查數據,構建了湖南省黃豐橋林場的森林生物量模型,結果發現,基于NND融合算法的GF-2 B3波段和Sentinel 2融合影像(NND_B3)的堆疊泛化方法具有更高的估算精度(R2=0.6985)。

GF-3遙感作為合成孔徑雷達遙感,能夠獲取森林冠層、垂直結構等特征信息,是當前森林生物量估算的重要數據源之一。潘婧靚等[33]利用GF-3全極化數據、Landsat 8 OLI影像數據,結合樣地調查數據,采用KNN構建了南寧市高峰林場的生物量模型,結果表明,采用2種遙感因子的模型的精度(R2=0.75)略高于采用單一遙感因子的模型的精度(GF-3的R2=0.47,Landsat 8 OLI的R2=0.42)。

1.1.4 林分高度提取

現有研究多采用激光雷達提取森林樹高[34],但由具有超高空間分辨的航空數據或專業星載攝影測量系統獲取的立體觀測數據也可提取森林的高度信息[35]。因此,GF-2作為具有亞米級空間分辨率的、側擺能力為±35°的遙感衛星也具有提取森林高度的潛力。倪文儉等[36]利用GF-2(0.8 m)影像數據獲取點云數據,并進一步處理得到內蒙古自治區根河市大興安嶺林區的數字表面高程模型、森林高度模型;研究結果表明,GF-2的異軌立體觀測數據可較好地記錄森林冠層的垂直結構信息,GF-2與激光雷達的像素對像素的線性相關性R2為0.51。

1.1.5 森林類型/樹種識別

森林類型/樹種的識別研究多基于無人機遙感數據,或者國外遙感數據,如中高空間分辨率的Landsat以及Sentinel等。研究表明,Landsat 8數據對針葉、闊葉樹種的識別具有較好效果,但對森林樹種的精細分類效果較差[37]。國產高分遙感因其具有較多的地物光譜特征、較高的空間分辨率而在森林類型與樹種識別研究中具有自身優勢。

當前高分遙感研究中,GF-1高空間分辨率數據是森林類型/樹種識別主要數據源。但在識別我國常見的亞熱帶常綠森林類型時,不僅需要考慮高空間分辨率影像,還要考慮其與光譜信息之間的關系[38]。呂杰等[39-40]較早開展了基于高分遙感的森林類型分類和優勢樹種分類研究。在黑龍江省涼水國家自然保護區的研究表明,基于GF-1(8 m)和濕地調查數據的森林類型分類精度可達91.68%[39],采用隨機森林分類模型得到的優勢樹種分類總精度最高為81.01%[40]。Li等[41]基于GF-2和森林資源二類調查數據,采用隨機森林方法構建了嶗山林場的森林類型識別模型;結果發現總體分類精度(83.16%)和Kappa系數(79.86%)均優于支持向量機分類模型。

高精度單木樹種識別是基于遙感技術的樹種識別研究的熱點之一。高空間分辨率影像是單木樹種識別主要數據源之一,采用GF-1、GF-2影像進行樹種精細分類時精度高于85%[42-43],尹凌宇等[44]基于GF-2數據和森林資源調查數據,采用最大似然法和SVM建立了四川省甘孜州道孚縣的樹種分類模型;與最大似然法相比,SVM的分類精度為86.75%,提升了5.96%。

高光譜數據具有較高的光譜分辨率(一般在10 nm左右),能識別森林植被的細微差異,為樹種精細識別提供了可能。將GF-5高光譜數據與其他高空間分辨率影像融合能充分發揮不同類型遙感影像的優點,提高森林樹種識別精度。同時,兩種不同數據源協同進行樹種識別可提高識別精度[45]。栗旭升等[46]基于GF-5、GF-6、DEM和野外調查數據,采用KNN、SVM、貝葉斯分類、分類回歸樹和RF等多種方法建立面向對象多源數據分類器自適應的樹種識別方法,總體分類精度為87.56%。研究結果表明,具有較好樹種識別能力的光譜特征因子主要集中在紅光和近紅外波段,紋理特征因子主要集中在均值、熵和角二階矩[46]。

1.2 森林資源調查

我國在第六次國家森林資源清查正式引入遙感技術[47]。目前,在森林資源規劃設計調查(二類調查)研究報道中,僅有少數采用了高分遙感,仍主要采用SPOT 5以確定單位邊界、地類屬性、蓄積量以及其他與森林資源密切相關的生態與環境因素等。

李新平[48]較早將國產高分遙感應用于森林資源調查中,主要是融合GF-2全色和多光譜影像,結合上期調查的矢量化數據,形成新一期野外調查數據。李旋等[49]采用GF-1和地面調查數據,建立了湖南省醴陵市的遙感判讀標志,通過目視解譯提取森林資源分布情況;結果發現,目視解譯的總體精度(93%)高于RF(86%)、SVM(75%)以及最大似然法(58%)等3種自動解譯方法的總體精度。

1.3 森林災害監測

森林災害監測主要包括火災監測和病蟲害監測。在森林火災方面,武晉雯等[50]利用GF-1和Himawari-8(H8)數據,構建高斯函數擬合模型,以2017年4月11日11—16時遼寧省丹東市森林火災為案例,進行了林火密集監測、火燒跡地和森林燃燒受害程度監測研究。Zhang等[51]提出了改進的多時相數據聯合空間屬性監測算法,并基于該方法和GF-4數據對2020年10月30日黑龍江省的火災進行監測研究,與MODIS數據相比,基于GF-4數據所得結果的準確率提高了62%。

在病蟲害監測方面,Huang等[52]利用GF-1、GF-2數據,基于深度卷積神經網絡對遼寧省大西山、鐵背山、南天門山等山地森林進行松材線蟲病的快速識別,準確率高(94.90%)。Zhan等[53]基于GF-2(1 m和4 m)和Sentienl-2數據,對朝陽市大河北鎮的有紅松節油甲蟲病的樹種進行識別,結果發現1 m分辨率的GF-2總體精度最高(77.7%)。

2 我國高分遙感林業應用的主要研究方法

根據現有文獻報道,高分遙感林業研究中采用的定量分析方法有近30種,它們服務于不同的研究目的,具體使用方法各有差異。其中,采用多元線性回歸分析、隨機森林、支持向量機、BP神經網絡、像元二分法、面向對象分類法等6種方法(表1)的文獻數量和涉及的高分遙感類型的較多,這些方法的適用范圍較廣、應用效果較好。

研究者往往綜合使用多種數據源、多種分析方法。如Li等[29]采用GF-2、Sentinel-2數據基于自適應特征變量優選算法和RF、KNN構建森林蓄積量模型。楊丹等[54]基于GF-1影像,結合U-Net、SegNET、DeepLab V3+等3種深度學習方法進行林分類型研究,并與最大似然法、RF方法比較?；贕F-2數據,劉兆華等[28]采用RF、MLR、BP-ANN、SVM、KNN等5個模型估測蓄積量;肖越等[55]分別采用RF、MLR、KNN、SVM、多層感知等5種模型估算森林蓄積量?；贕F-1和ZY-3數據,Wang等[19]采用MLR、GAM和RF 3個模型反演森林郁閉度。汪紅等[56]對比分析了RF、SVM、KNN、貝葉斯分類算法等4種方法的樹種識別能力?；贕F-1數據,劉伯濤等[57]分別采用BP-ANN、SVM、RF和MLR估算森林蓄積量。

2.1 多元線性回歸

多元線性回歸(Multiple Linear Regression,MLR)屬于經典多元分析方法,在森林生物量、蓄積量等森林參數定量反演中應用較多?；贕F-1(2 m)影像,張蘇等[58]對比分析了多元線性回歸和支持向量機兩種模型對森林蓄積量的估算能力,結果表明,在采用光譜特征和紋理特征作為特征變量的情況下,多元線性回歸模型(R2為0.45)的精度稍低于支持向量機(R2為0.58)。

2.2 隨機森林

隨機森林(Random Forest,RF)廣泛應用于森林資源調查、森林樹種識別和森林生物量研究中。隨機森林算法是由Breiman[59]提出的一種基于決策樹的機器學習算法,在運算量不變的前提下通過多個決策樹算法提高模型預測精度,對共線性問題不敏感[60]。隨機森林生成決策樹的樣本是隨機選擇的,可以很好地避免擬合問題,運算速率和精度都很高,對異常值和噪聲有很好的容忍性,對訓練數據的適應能力也很強[61]。

基于GF-1 WFV和GF-3 FS-Ⅱ雙極化SAR(Synthetic Aperture Radar,SAR)數據,王歡等[62]采用RF法進行濕地分類研究,結果表明在采用GF-1光譜特征和GF-3后向散射系數特征作為特征變量的條件下,濕地分類總體精度為86.23%,優于僅采用GF-1影像光譜特征作為特征變量總體精度?；贕F-2數據,劉兆華等[28]采用RF、MLR、BP-ANN、SVM、KNN等5個模型估測蓄積量;肖越等[55]分別采用RF、MLR、KNN、SVM、多層感知等5種模型估算森林蓄積量,結果表明,RF估算精度最高(74.60%,R2為0.51),其次為SVM模型(69.87%,R2為0.31)和KNN模型(60.46%,R2為0.28),MLR模型與多層感知器模型精度較差,分別為65.01%和63.94%,R2分別為0.06和0.05?；贕F-2和Landsat 8數據,Liu等[21]基于機器學習算法估算中國三北防護林的植被覆蓋度,結果發現,RF模型精度(R2=0.993)最優?；贕F-1和ZY-3數據,Wang等[19]采用RF、MLR、GAM等3個模型反演森林郁閉度?；贕F-6和Sentinel 2數據,Yu等[45]采用RF分類器構建了東南地區優勢樹種識別模型。

2.3 支持向量機

支持向量機(Support Vector Machine,SVM)被廣泛用于森林資源調查、森林生物量、森林郁閉度等林業研究中?？捎糜诜诸惢蚧貧w研究。

支持向量機是一種按監督學習方式對像元進行二分類的機器學習方法,其原理是在線性可分時,在原空間尋找兩類樣本的最優分類超平面;線性不可分時,在線性通過確定適當的核函數將原始數據從低維輸入空間變為高維空間,從而在高維空間內求解最優線性分類超平面[63]。

基于不同時間分辨率GF-1影像,徐凱健等[64]提取了不同時間尺度下樹種生長階段的林分冠層光譜歸一化植被指數(NDVI),結果表明光譜信息經過微分處理,有效提高了利用逐旬或逐月尺度的時序光譜數據構建的SVM樹種識別模型的精度?；贕F-1 WFV和時間序列數據,Xu等[42]采用SVM對內蒙古喀喇沁旗森林進行森林樹種識別研究?；贕F-2數據,尹凌宇等[44]采用SVM和最大似然法建立了四川省甘孜州道孚縣的樹種分類模型;汪紅等[56]對比分析了RF、SVM、KNN、貝葉斯分類算法等4種方法的樹種識別能力,結果表明,SVM模型總體分類精度(81.68%)低于RF模型(93.35%),高于貝葉斯分類模型(80.05%)和KNN模型(67.75%)。

2.4 BP神經網絡

BP神經網絡(Back Propagation Artificial Neural Networks,BP-ANN)是一種向后傳播的多層前向神經網絡,一般由輸入層、隱藏層和輸出層組成[65],其中輸入層接受外部輸入數據,輸出層為網絡輸出,采用線性函數作為傳遞函數連接各神經元[66]。

在林業遙感中,通常將遙感信息作為輸入層,通過BP神經網絡的計算經由輸出層得到期望的輸出結果?；贕F-1數據,劉伯濤等[57]分別采用BP-ANN、SVM、RF和MLR估算森林蓄積量,結果表明三種非參數模型的精度均優于MLR模型,依次為RF(0.534)、SVM(0.534)、BP-ANN(0.534)和MLR(0.534);劉賽賽等[67]利用二類調查等數據源,采用BP-ANN和MLR建了新疆布爾津林場落葉松林分的郁閉度模型,決定系數R2分別為0.713和0.692?；贕F-2數據,徐夢伶等[68]采用BP-ANN、偏最小二乘回歸和主成分回歸模型構建了湖南黃豐橋林場的3種森林生物量模型。

2.5 像元二分法

像元二分法主要用于森林郁閉度的計算。其原理是假定一個像元的光譜信息由兩個組分因子的光譜信息線性組合而成,并且傳感器所獲取的光譜值是每個組分對光譜值的貢獻之和,每個組分所占比例即為該組分因子所貢獻信息的權重[69-70]。進行森林郁閉度計算時,兩個組分因子分別是林冠覆蓋部分和非林冠覆蓋部分,喬木層林冠覆蓋地表部分所貢獻的權重即為該像元的森林郁閉度。

基于GF-1的16 m和SPOT 6的6 m空間分辨率影像和內蒙古自治區呼倫貝爾市伊敏露天煤礦周邊10 km典型草甸草原的實地調查數據,蔡宗磊等[71]分別采用像元二分法、支持向量機和偏最小二乘法估算植被覆蓋度,結果表明支持向量模型的精度在2種影像中均為最高?；贕F-1 WFV 16 m數據,彭繼達等[72]提取植被指數作為植被覆蓋度指示因子,采用像元二分法建立了廈門市植被覆蓋度模型。

2.6 面向對象分類法

面向對象分類法是在影像分割獲取對象基礎上,利用不同分類模型對遙感影像典型特征進行分類的方法,包括影像分割、建立分類規則和信息提取三部分[3]。面向對象法綜合利用了遙感影像的光譜、紋理、空間結構分析,可提高影像分類精度[73],被廣泛應用于森林資源監測和森林樹種識別等領域。

基于具有紅邊波段的GF-6數據,王子彥等[74]利用光譜信息、植被指數因子和紅邊特征,采用面向對象多尺度分割法提取廣西鹿寨縣的桉樹人工林信息,結果表明加入紅邊波段的分類方案的總體精度為91.75%,提高了11.25%,優于僅采用光譜信息或植被指數的分類方案。

表1 高分遙感在林業應用中的常用研究方法表Table 1 Popular quantitative methods employed in forestry application of Gaofen-series imagery

3 討 論

回顧我國高分遙感的十年建設發展之路,數據自給率達90%,不僅在我國林業、環保、國土、測繪等行業領域得到廣泛應用,在“一帶一路”國家和地區也取得了顯著應用效果[76]。

高分遙感數據波段多、光譜分辨率高,在多元線性回歸分析、隨機森林、支持向量機、BP神經網絡、像元二分法、面向對象分類法等方法支持下,在森林資源調查、災害監測、郁閉度和覆蓋度估算、蓄積量和生物量估算、葉面積指數計算、森林類型識別和樹種識別方面具有一定優勢和較大應用潛力。

目前,在林業領域的高分遙感相關研究成果主要來自國內研究者,主要以GF-1和GF-2為數據源,相比于Landsat或Sentinel,文獻數量偏少。

3.1 反演精度不高

高分遙感采用傳統的參數和非參數模型反演森林參數時的精度較低。與傳統遙感反演相比,傳統機器學習方法經過多年發展、不斷改進,與傳統遙感影像更加匹配,而高分遙感反演還在摸索階段。高分遙感影像自身的特點,如光譜、空間、輻射分辨率等,也決定了在提取光譜波段、植被指數、紋理信息等特征變量時與傳統遙感影像有所不同。

3.2 模型發展問題

大量新研究方法被應用到林業遙感研究中,但是在森林蓄積量和生物量等定量反演時存在精度偏低、大尺度反演適用性較差等問題。因此需要發展針對高分遙感影像的方法。如何充分挖掘高分影像特點,改進和發展機器學習算法,以進一步發揮高分遙感影像在上述細分領域中的應用能力,以及提升樹種識別等能力,應是未來研究方法發展的一個重點。

4 研究展望

(1)充分挖掘高分影像數據源優勢。國產高分在林業研究中的作用越來越重要?；诙嘣催b感的林業研究可以充分發揮各類遙感影像的優勢。相比于常用的Landsat、Sentinel等和SPOT 5、IKONOS、QuickBird、WorldView等,我國高分遙感在空間和光譜分辨率上具有一定優勢,并且GF-5具有更高光譜分辨率,填補了高光譜遙感在星載方面的空缺。應進一步探索高分遙感與其他遙感數據的協同處理方法,充分挖掘高分遙感數據的可用光譜信息,提取與森林類型/樹種、蓄積量/生物量、葉面積指數等森林參數有關的光譜特征,植被指數特征以及紋理信息等多種遙感特征,深入研究森林結構參數在高分遙感中的反射機制,研究具有物理意義和機理基礎的機理模型在森林參數的可用性,明確各機理模型在森林參數反演與樹種識別等方面的精度和適用范圍。

(2)構建不同數據源間回歸模型。長時間序列研究是未來熱點之一?？砷_展“高分”系列數據自身可比性及其與其他傳統遙感數據源可比性的研究。GF-1、GF-2、GF-4、GF-6遙感均為多光譜遙感,但在輻射分辨率、光譜波段范圍和信噪比特性等方面存在差異。因此,在植被指數等定量反演結果間也存在一定差異?？赏ㄟ^定量研究建立它們彼此之間的回歸模型,定量刻畫數量關系,以增強數據的可比性。Roy等[77]已建立Landsat數據間的回歸模型。進一步地,可建立高分遙感系列與包括Landsat在內的其他遙感數據的關系模型,以更好地參與長時間序列有關研究。

(3)豐富針對性算法。伴隨著遙感技術在林業中的應用不斷向縱深發展(圖1),3S技術、物聯網和模型逐漸成為森林監測和數據分析的常規手段,而新興的對地觀測技術包括高分辨傳感器、無人機和近地觀測,尤其是激光雷達,有望成為解決森林監測中一些困難問題和加強森林生態監測的有力手段[78]。充分挖掘高分影像特點,改進和發展機器學習算法,發展針對高分遙感影像的數據分析方法,以進一步發揮高分遙感影像在上述細分領域中的應用能力。