全 文 ：植物生态学报 2015, 39 (4): 309–321 doi: 10.17521/cjpe.2015.0030
Chinese Journal of Plant Ecology http://www.plant-ecology.com
——————————————————
收稿日期Received: 2014-10-11 接受日期Accepted: 2015-02-15
* 通讯作者Author for correspondence (E-mail: ghshe@njfu.com.cn)
基于机载激光雷达与Landsat 8 OLI数据的亚热带
森林生物量估算
徐 婷 曹 林 申 鑫 佘光辉*
南京林业大学南方现代林业协同创新中心, 南京 210037
摘 要 快速、定量、精确地估算区域森林生物量一直是森林生态功能评价以及碳储量研究的重要问题。该研究基于机载激
光雷达(LiDAR)点云与Landsat 8 OLI多光谱数据, 借助江苏省常熟市虞山地区55块调查样地数据, 首先提取并分析了87个特
征变量(53个OLI特征变量, 34个LiDAR特征变量)与森林地上、地下生物量的Pearson’s相关系数以进行变量优选, 然后利用多
元逐步回归法建立森林生物量估算模型(OLI生物量估算模型和LiDAR生物量估算模型), 并与基于两种数据建立的综合生物
量估算模型的结果进行比较, 讨论预测结果及其精确性。结果表明: 3种模型(OLI模型、LiDAR模型和综合模型)在所有样地
无区分分析时, 地上和地下生物量的估算精度均达到0.4以上, 基于不同森林类型(针叶林、阔叶林、混交林)分析时地上和地
下生物量的估算精度均有明显提高, 达到0.67及以上。利用分森林类型模型估算生物量, 综合生物量估算模型精度(地上生物
量: R2为0.88; 地下生物量: R2为0.92)优于OLI生物量估算模型(地上生物量: R2为0.73; 地下生物量: R2为0.81)和LiDAR生物量
估算模型(地上生物量: R2为0.86; 地下生物量: R2为0.83)。
关键词 森林生物量估算, 亚热带森林, OLI多光谱数据, 机载小光斑激光雷达数据, 逐步回归
引用格式: 徐婷, 曹林, 申鑫, 佘光辉 (2015). 基于机载激光雷达与Landsat 8 OLI数据的亚热带森林生物量估算. 植物生态学报, 39, 309–321. doi:
10.17521/cjpe.2015.0030
Estimates of subtropical forest biomass based on airborne LiDAR and Landsat 8 OLI data
XU Ting, CAO Lin, SHEN Xin, and SHE Guang-Hui*
Co-Innovation Center for Sustainable Forestry in Southern China, Nanjing Forestry University, Nanjing 210037, China
Abstract
Aims Estimating forest biomass at regional scale with high accuracy is among the pressing challenges in evalu-
ating ecosystem functions and characteristics (e.g., carbon storage).
Methods This study is based on airborne small-footprint discrete-return LiDAR data, Landsat 8 OLI multispec-
tral data, and in situ measurements from 55 forest plots in Yushan, Changshu, Jiangsu Province. A total of 87 in-
dependent variables (53 from OLI metrics and 34 from LiDAR metrics) were used in the Pearson correlation
analysis for estimating aboveground (WA) and belowground (WB) biomass by identifying the significant inde-
pendent variables. Three independent models by using OLI, LiDAR and their combinations (i.e., the combo
model) were established through stepwise regression analysis.
Important findings The correlation coefficients of determination (R2) for WA and WB models are greater than
0.4. The R2 seemed much higher when the estimations were type-specific (e.g., coniferous, broad-leaf and mixed
forest), with R2 of >0.67. The Combo model by forest type yielded an R2 of 0.88 for WA and 0.92 for WB, while
the OLI-based model had R2 of 0.73 and 0.81 for WA and WB, respectively. The LiDAR-based model has R2 of
0.86 and 0.83 for WA and WB, respectively.
Key words estimate of forest biomass, subtropical forest, OLI multispectral data, air borne small-footprint Li-
DAR data, stepwise regression
Citation: Xu T, Cao L, Shen X, She GH (2015). Estimates of subtropical forest biomass based on airborne LiDAR and Landsat 8
OLI data. Chinese Journal of Plant Ecology, 39, 309–321. doi: 10.17521/cjpe. 2015.0030
310 植物生态学报 Chinese Journal of Plant Ecology 2015, 39 (4): 309–321

www.plant-ecology.com
森林生态系统是陆地生物圈的主体, 其生物量
约占整个陆地生态系统的85% (方精云等, 2002), 森
林储存了80%的地表碳及40%的地下碳, 而森林碳
储量的大小与森林生物量直接相关(张志等, 2011),
森林生物量在减缓全球气候变化中具有不可替代的
作用(Post et al., 1982)。亚热带树种丰富且森林生产
力高, 不仅对区域生态环境有很大影响, 而且对维
持全球碳平衡也具有重要作用(Cao et al., 2014b)。
传统的生物量调查方法耗时费力, 且只能获得有限
的“点”上信息(曹林等, 2014)。而遥感技术能够准
确、快速地获取各个尺度的森林参数(董立新, 2008;
马利群和李爱农, 2011), 在森林资源动态监测及森
林碳储量定量估算方面具有重要作用。
Landsat系列卫星已获取了42年的对地连续观测
数据, 可获取中等和大尺度上的森林资源信息。其最
新的Landsat 8 OLI传感器在波段的设置及对植被的敏
感性上比之前的TM等传感器有较大提升(徐涵秋和唐
菲, 2013)。然而光学遥感仍难以穿透森林冠层获得其
垂直结构信息, 且在森林覆盖度高(植被生长旺盛)的
区域获取森林生物量信息时易饱和。激光雷达
(LiDAR)是近年来迅速发展的主动遥感技术, 其发射
的激光脉冲可以穿透植被冠层获得其三维结构和能
量信息(Lefsky et al., 2002)。以往研究表明LiDAR在精
确估算不同森林类型的生物物理和结构特性方面具
有较大潜力(Dubayah & Drake, 2000)。针对多光谱影
像与LiDAR数据各自的特性, 将两者信息综合并应用
于森林参数提取已成为当前研究的热点。Popescu等
(2004)融合小光斑LiDAR数据和多光谱数据进行小样
区水平的材积和生物量的估测, 结果表明融合数据比
仅用LiDAR数据进行森林参数估测精度高; Guo等
(2010)利用环境卫星多光谱数据和ICESat/GLAS波形
数据, 以塔河林场为研究区反演了地上生物量, 结果
表明80%的验证点生物量误差在20 t·hm–2以内。但以
上研究大多只涉及郁闭度、地上生物量, 而对地下生
物量的反演和对Landsat 8 OLI新特性的发掘少。
本文以江苏南部丘陵地区的北亚热带天然次生
林为研究对象, 借助Landsat 8 OLI多光谱数据和机
载小光斑LiDAR数据, 首先对2种数据进行了预处
理, 然后分别提取特征变量并进行敏感性分析实现
变量优选, 最后结合地面实测的典型森林类型样地
数据构建了3种地上和地下生物量反演模型(即OLI
生物量估算模型、LiDAR生物量估算模型以及综合
生物量估算模型); 其次, 每个模型又根据是否分森
林类型分为所有样地无区分分析模型(地上和地
下)、针叶林模型(地上和地下)、阔叶林模型(地上和
地下)和混交林模型(地上和地下), 最后比较分析其
估算精度(技术路线见图1)。
1 材料和方法
1.1 研究区概况
研究区位于江苏省常熟市国营虞山林场
(120.70° E, 31.67° N), 面积约1 103 hm2, 海拔高度
为20–261 m。属亚热带季风气候, 气候温和, 平均
年降水量1 054 mm。虞山林场属于北亚热带次生混
交林, 主要森林类型为针叶林、阔叶林和混交林, 其
中主要针叶树种有马尾松(Pinus massoniana)、杉木
(Cunninghamia lanceolata)、湿地松(Pinus elliottii)和
黑松 (Pinus thunbergii)等 ; 主要阔叶树种有麻栎
(Quercus acutissima)、枫香(Liquidambar formosana)
及部分常绿阔叶树种, 如壳斗科植物、樟科植物和
山茶科植物。研究区及样地分布见图2。
1.2 地面调查数据
根据历史调查数据(1995, 2012)中的森林类型、
年龄和立地指数等指标在研究区范围内设置55个方
形样地(30 m × 30 m, 设置时间: 2012年7–8月及
2013年8月)。根据树种组成比例将样地划分为针叶
林(n = 13)、阔叶林(n = 16)和混交林(n = 26) 3种类
型。样地调查过程中, 对于胸径大于5 cm的树木, 逐
一测定单木的树种、胸径(用围尺测量)、树高和枝
下高(利用Vertex IV激光测高器测量)以及冠幅(即两
个主方向上的投影距离, 用皮尺测量), 对于胸径小
于5 cm的树木和枯死木进行计数, 但不参与生物量
的计算。样地西南角坐标使用差分GPS (Trimble
GeoXH6000, Trimble, Sunnyvale, USA)测定, 通过
接收JSCORS广域差分信号定位, 精度优于0.5 m。
根据单木调查数据汇总样地尺度的相关森林参
数 , 包括每块样地单位面积的胸高断面积 (m3 x
hm–2); 胸高断面积加权的平均树高(Lorey’s mean
height, 即以单木胸高断面积为权重汇总的样地平
均高); 样地尺度上的单位面积地上、地下生物量
(t·hm–2)。生物量信息通过异速生长方程(遵从就近原
则)计算单木的生物量, 并汇总得到每块样地的单
位面积地上生物量(WA)和地下生物量(WB)(冯宗炜
等, 1999)。3种森林类型样地生物量信息汇总于表1。
徐婷等: 基于机载激光雷达与 Landsat 8 OLI 数据的亚热带森林生物量估算 311

doi: 10.17521/cjpe.2015.0030


图1 基于小光斑离散点云LiDAR和OLI多光谱数据估算森林生物量技术路线图。
Fig. 1 Methodological flowchart for estimating forest biomass using small-footprint discrete-return LiDAR data and OLI multis-
pectral data. DTM, digital terrain model; WA, above-ground biomass; WB, below-ground biomass.


表1 地面调查样地信息汇总
Table 1 Summary of the forests from field sampling plots
针叶林 Coniferous forest (n = 13) 阔叶林 Broad-leaf forest (n = 16) 混交林 Mixed forest (n = 26) 森林参数
Forest metrics 数值范围
Range
平均值
Mean
标准偏差
SD
数值范围
Range
平均值
Mean
标准偏差
SD
数值范围
Range
平均值
Mean
标准偏差
SD
地上生物量 WA (t·hm-2) 47.66–102.76 76.52 18.44 32.03–151.45 91.02 31.74 49.65–192.22 87.28 28.22
地下生物量 WB (t·hm–2) 14.42–32.59 22.81 5.34 10.31–37.39 26.27 6.08 15.69–61.89 25.82 8.41
SD, standard deviation; WA, above-ground biomass; WB, below-ground biomass.


1.3 OLI多光谱数据获取及预处理
研究采用2013年7月19日的Landsat 8 OLI影像
(条带号119/38)中的2–7波段, 影像空间分辨率为30
m, 辐射分辨率为12 bit, 光谱范围覆盖11个波段。
首先借助OLI传感器的辐射定标参数对原始影像进
行辐射定标。将原始影像灰度值(DN值)转化为像元
辐射亮度值。再以FLAASH模型对影像进行大气校
正(大气模型: Tropical; 气溶胶模型: Urban; 气溶胶
反演法: 2-Band (K-T); 初始能见度: 40; 波谱响应
函数: ldcm_oli.sli), 从而将辐射亮度值转化为地表
实际反射率。然后对影像进行几何精校正, 选取40
个同名地物点, 采用二次多项式进行校正, 校正误
差控制在0.1个像元以内, 并采用最邻近像元法进行
重采样。
1.4 LiDAR数据获取及预处理
研究采用Riegl LMS-Q680i LiDAR传感器
(RIEGL, Horn, Austria)获取数据(2013年8月17日)。
激光传感器的脉冲发射频率为400 kHz (扫描角
±30°), 遥感平台的飞行高度900 m, 旁向重叠度≥
60%, 平均点距为0.74 m。传感器记录了完整的全波
形信息 , 通过高斯分解方法获得离散点云信息
(RIEGL, Horn, Austria)。每个激光返回点内包含三
312 植物生态学报 Chinese Journal of Plant Ecology 2015, 39 (4): 309–321

www.plant-ecology.com


图2 研究区真彩色航空像片及55块样地分布图。
Fig. 2 Aerial photo of the study site and distribution of 55
sampling plots.


维坐标值(x, y, z)、强度值(intensity)和返回类型(return
type)等信息。离散点云LiDAR数据最终均以LAS 1.3
格式保存。
首先将离散点云回波点分成地面点和非地面
点 , 去除地面以上的回波点(Kraus and Pfeifer算
法)(Kraus & Pfeifer, 1998), 然后基于地面点计算每
个像元内激光点的平均高程生成数字高程模型
(DEM), 再利用DEM对植被回波点的高程进行归一
化处理, 即使植被点的高度值转化为相对于地面的
高度值, 并通过左下角和右上角的坐标对每块样地
进行裁切(Cao et al., 2014a)。最后通过GIS分析工具
提取55个样地对应坐标位置的归一化点云数据。
1.5 特征变量提取
1.5.1 OLI特征变量
通过对OLI影像进行波段组合、缨帽变换、纹
理信息提取、主成分分析、最小噪声分离变换以及
多种植被指数变换, 提取5组(共53个)特征变量, 6个
原始单波段变量、10个波段组合变量、10个信息增
强组变量、18个植被指数变量以及9个纹理信息变
量, 其中纹理分析针对主成分分析的第一主成分进
行, 窗口大小为3 × 3, 滞后距离为1个像元。53个变
量的含义及计算公式见附录1。
1.5.2 LiDAR特征变量
LiDAR特征变量是基于三维归一化LiDAR点云
值计算了4组(34个)特征变量: 10个高度变量、13个
高度百分位数变量、10个冠层密度变量、1个冠层覆
盖度变量。34个变量的含义及计算公式见附录2。
1.5.3 特征变量优化提取
将提取的共87个(34个LiDAR特征变量及53个
OLI特征变量)变量与需要预测的参数进行Pearson
相关性分析, 选取Pearson’s相关系数的绝对值高于
0.2的特征变量作为建模候选变量。研究选出了34个
候选变量, 这些候选变量及其与需要预测的参数的
Pearson’s相关系数的绝对值如图3所示。可以看出,
OLI特征变量中, 纹理信息与生物量的相关性较高。
具体来看, 纹理信息对比度(contrast, CO)以及植被
指数中的修正型简单比值植被指数(modified simple
ratio vegetation index, MSR)与所需估测的森林参数
之间的Pearson’s相关系数最高。LiDAR特征变量中,
高度变量和高度百分位数与生物量的相关性较高。
这34个变量与生物量的Pearson’s相关系数较高且关
系显著, 说明它们之间有较好的线性关系。因此把
这34个特征变量作为最终建模候选变量。
1.6 统计分析
将地面实测汇总的生物量信息作为因变量, 遥
感方法提取的特征变量作为自变量, 建立多元回归
模型。运用逐步进入法(stepwise)和检验决定系数
(R2)的变化情况来选择进入模型的合适变量(Næsset
& Gobakken, 2008)。如果有自变量使统计量F值过
小并且t检验达不到显著水平(p > 0.1), 则予以剔除;
F值较大且t检验达到显著水平(p < 0.05)则得以进入
(付甜等, 2011)。
采用决定系数(R2)、均方根误差(RMSE)和相对
均方根误差(rRMSE)评价回归模型的精度。rRMSE
作为一个相对量, 与评价量本身的数量级水平无关,
能够更好地体现总体值域差别较大的模型的预测精
度(庞勇和李增元, 2012)。
首先分别利用OLI特征变量和LiDAR特征变量构
建OLI生物量估算模型(以下简称OLI模型)和LiDAR
生物量估算模型(以下简称LiDAR模型), 再基于这两
类特征变量构建综合生物量估算模型(以下简称综合
模型)。构建这3种模型时, 均分两种情况进行分析, 首
先是对所有样地无区分的统计分析, 再将样地按树种
组成分成针叶林、阔叶林和混交林分别进行分析。针
对不同森林类型的各模型精度评价如表2。
2 研究结果
表2汇总了各个模型的精度评价情况, 利用OLI
徐婷等: 基于机载激光雷达与 Landsat 8 OLI 数据的亚热带森林生物量估算 313

doi: 10.17521/cjpe.2015.0030


图3 特征变量与样地地上生物量(A)和地下生物量(B) Pearson’s相关系数。各特征变量的含义及计算公式见附录。
Fig. 3 Pearson correlation coefficient of determination (R2) between the metrics and above-ground biomass (A), below-ground
biomass (B) in study area. The meaning and calculation of the metrics see appendixes.



表2 针对不同森林类型的3种模型的精度评价表
Table 2 Assessment accuracy of three empirical models by forest type
OLI模型 OLI model LiDAR模型 LiDAR model 综合模型 Combo model
R2 RMSE rRMSE (%) R2 RMSE rRMSE (%) R2 RMSE rRMSE (%)
所有样地 All plots 0.41 21.89 26 0.65 16.96 20 0.65 16.95 20
针叶林 Coniferous forest 0.67 12.89 17 0.82 9.61 13 0.86 8.59 11
阔叶林 Broad-leaf forest 0.74 19.02 20 0.93 9.52 10 0.93 9.52 10
地上生物量
Above-ground
biomass
混交林 Mixed forest 0.77 14.70 17 0.80 13.74 16 0.83 12.84 15
所有样地 All plots 0.57 4.90 19 0.64 4.47 17 0.69 4.17 16
针叶林 Coniferous forest 0.70 3.59 16 0.75 3.24 14 0.91 2.00 9
阔叶林 Broad-leaf forest 0.80 3.11 12 0.86 2.69 10 0.92 2.03 8
地下生物量
Below-ground
biomass
混交林 Mixed forest 0.84 3.71 14 0.83 3.74 14 0.92 2.55 10
R2, 决定系数; RMSE, 均方根误差; rRMSE, 相对均方根误差。
R2, determinant coefficient; RMSE, root-mean-square error; rRMSE, relative root-mean-square error.


模型估算生物量时, 混交林模型(地上生物量R2为
0.77; 地下生物量R2为0.84)的估算精度高于阔叶林
(地上生物量R2为0.74; 地下生物量R2为0.80), 阔叶
林高于针叶林(地上生物量R2为0.67; 地下生物量R2
为0.70), 针叶林高于所有样地无区分分析(地上生
物量R2为0.41; 地下生物量R2为0.57)的精度。利用
LiDAR模型和综合模型估算生物量时, 阔叶林模型
的估算精度最高 (LiDAR模型 : 地上生物量R2为
0.93; 地下生物量R2为0.86, 综合模型: 地上生物量
R2 为 0.93; 地下生物量R2 为 0.92), 高于针叶林
(LiDAR模型: 地上生物量R2为0.82; 地下生物量R2
为0.75, 综合模型: 地上生物量R2为0.86; 地下生物
量R2为0.91)和混交林(LiDAR模型: 地上生物量R2
为0.80; 地下生物量R2为0.83, 综合模型: 地上生物
314 植物生态学报 Chinese Journal of Plant Ecology 2015, 39 (4): 309–321

www.plant-ecology.com
量R2为0.83; 地下生物量R2为0.92)。如图4所示, 基
于不同森林类型估算森林生物量, 综合模型(地上
生物量R2为0.88; 地下生物量R2为0.92)比OLI模型
(地上生物量R2为0.73; 地下生物量R2为0.81)和
LiDAR模型(地上生物量R2为0.86; 地下生物量R2为
0.83)散点图更贴近1:1线, 模型估算精度更高。图5
描述的是分别3种模型(OLI模型、LiDAR模型以及综
合模型)下应用总体模型(利用所有样地无区分模型
估算森林生物量)和分森林类型模型(利用分森林类
型模型估算森林生物量, 以下简称分类模型)估测
不同森林类型生物量的预测值和样地实测值的差
值, 总体看来, 总体模型和分类模型均表现为地下
生物量估算精度高于地上生物量估算精度, 分类模
型估算精度高于总体模型估算精度。
如表3和表4所示, 建立3种(共24个)模型估算地
上和地下生物量部分, 将所有候选变量均带入方程
进行了逐步回归分析, 总体来看, 在OLI模型和
LiDAR模型里表现较敏感的纹理信息和高度百分位
数在综合模型中表现也较敏感。其中, OLI模型中,
纹理信息与生物量的相关性较强, 在估算所有样


表3 基于不同森林类型的OLI模型和LiDAR模型变量的选择及参数和置信区间
Table 3 Selected independent variables, R2, and confidence interval values for the OLI and LiDAR model by forest type
所有样地
All plots
针叶林
Coniferous forest
阔叶林
Broad-leaf forest
混交林
Mixed forest



WA WB WA WB WA WB WA WB
截距 Intercept 2 409.14 864.48 1.04E+09 2.85E+08 187.60 36.70 2446.32 914.45
B3 0.37
B547 –0.035 –0.007 –0.15 –0.06 –0.009
VIS234 0.01 0.0065
PC3 –0.04
MNF4 –96.44 –36.26
MSR 4.10
CO 218.01 80.05 1.04E+08 28 480 530 219.33 84.60
DI –1 335.77 –491.58 –6.3E+08 –1.7E+08 –1 338.25 –520.93
HO –2 273.01 –829.24 –1E+09 –2.8E+08 –2 271.07 –875.005
VA 273.39 58.36
置信区间
Confidence interval (t·hm–2)
[47.50–
192.26]
[11.56–
61.86]
[55.48–
96.23]
[16.03–
29.58]
[39.10–
135.24]
[12.32–
35.68]
[52.64–
192.38]
[19.05–
61.92]
OLI模型
OLI
model
截距 Intercept –32.81 –2.17 –21.61 13.50 –115.94 9.48 –60.81 –9.77
hmode 13.94 3.49 –5.87 2.73
hmax –7.31
h30 –120.56 138.36
h40 235.50 –218.91 –87.73
h50 325.85 21.61
h60 –284.52
h70 –12.92 –41.51
h75 –228.71
h80 –93.72 –27.86 16.68
h90 123.51
h95 81.22 23.80 162.76 19.67 55.78 20.99
h99 –73.61 –8.65
d7 0.89 0.36 0.31
d9 –13.79
LiDAR模型
LiDAR
model
置信区间
Confidence interval (t·hm–2)
[36.84–
162.70]
[13.74–
47.48]
[50.83–
100.67]
[15.71–
32.93]
[34.84–
144.47]
[10.90–
34.27]
[50.67–
173.34]
[15.24–
56.67]

WA, 地上生物量; WB, 地下生物量。表中各特征变量的含义及计算公式见附录; 灰色表示该特征变量在模型中被选中, 数字代表该变量的系数。
WA, above-ground biomass; WB, below-ground biomass. The meanings and calculation formulas of metrics are showed in appendixes; Grey color shows that the
metric is selected by the model, number is the coefficient of the metric in the model.
徐婷等: 基于机载激光雷达与 Landsat 8 OLI 数据的亚热带森林生物量估算 315

doi: 10.17521/cjpe.2015.0030
表4 基于不同森林类型的综合模型变量的选择及参数情况和置信区间
Table 4 Selected independent variables and associated statistics in our combo model by forest type
所有样地
All plots
针叶林
Coniferous forest
阔叶林
Broad-leaf forest
混交林
Mixed forest

WA WB WA WB WA WB WA WB
截距 Intercept –34.93 785.68 1.32E+09 –9.94 –115.94 65.97 78.07 748.99
B3 0.02
B547 –0.05
CO 10.31 76.24 1.32E+08 35.53 75.10
DI –462.14 –7.9E+08 –31.68 –448.39
HO –776.42 –1.3E+09 –743.58
VA 17.21 55.73
hmode 10.53
hmean 8.57
hvar 7.42
hstd 8.76
h30 138.36
h40 –218.91 2.27
h50 1.58
h70 112.63
h80 –49.47 –114.51
h95 45.75 162.76
h99 –73.61
d7 –1.80 –0.25
置信区间
Confidence interval (t·hm–2)
[37.59–
169.87]
[16.16–
61.90]
[51.46–
99.03]
[13.44–
32.78]
[34.84–
144.47]
[12.17–
34.96]
[46.16–
184.05]
[19.59–
61.90]
WA, 地上生物量; WB, 地下生物量。表中各特征变量的含义及计算公式见附录; 灰色表示该特征变量在模型中被选中, 数字代表该变量的系数。
WA, above-ground biomass; WB, below-ground biomass. The meanings and calculation formulas of metrics are showed in Appendixes; Grey color shows that the
metric is selected by the model, number is the coefficient of the metric in the model.


地、针叶林和阔叶林生物量时CO、DI和HO较敏感
(在6个模型中均被选中), 其次B547也比较敏感(8个
模型中被选中5次); LiDAR模型中, 高度百分位数
与生物量的相关性较强, 其中h95表现最为敏感(8个
模型中被选中6次); 在综合模型中, 纹理信息对生
物量的估算较敏感, 其中CO对生物量的敏感度最
高(8个模型中均被选中了5次)。表3和表4还列出了
OLI模型、LiDAR模型和综合模型下所有样地无区
分分析模型、针叶林模型、阔叶林模型和混交林模
型中地上和地下生物量各模型的置信区间。
3 讨论
OLI传感器对ETM+的近红外波段的设置进行
了优化, 波段范围由ETM+的0.775–0.900 μm缩减到
0.845–0.885 μm, 有效避开0.825 μm附近水汽吸收
特征, 提高了近红外波段的灵敏度。另外, 在数据量
化级别与传感器扫描方式上, 采用了12 bit的数据
量化级, 增强了影像数据的辐射分辨能力, 并避免
了8 bit数据在高反射地区出现的数据饱和现象, 采
用线阵“推扫式”扫描方式, 这种平行轨道的扫描方
式能够获得更高的信噪比和几何定位精度, 使影像
数据产品更加准确有效(姜高珍等, 2013)。Landsat 8
OLI数据的这些特性对本研究生物量估算具有积极
意义。
Lu等(2003)应用TM影像针对热带森林研究发
现, 纹理特征值结合波段值或植被指数来估测森林
生物量时, 精度比单独用遥感影像的波段值或植被
指数精度有较大提高, 该结论在本研究中也得到了
验证。如表3所示, 在OLI模型和综合模型里, CO、
DI、HO纹理特征在估算所有样地、针叶林、混交林
生物量时都被模型选中, 说明纹理信息在估算这几
种森林类型生物量时具有很强的解释作用, 敏感度
较好。但是在阔叶林生物量估测模型中, 纹理信息
的解释能力明显降低。这主要是由于阔叶林树冠形
状不规整, 空间的可重复性差, 因而用纹理测度(强
调纹理基元的空间重复出现与规则排列)来再现阔
316 植物生态学报 Chinese Journal of Plant Ecology 2015, 39 (4): 309–321

www.plant-ecology.com


图4 基于不同森林类型地上和地下生物量样地实测值与模型(OLI模型、LiDAR模型和综合模型)预测值的对比散点图及1:1
线图。A, OLI模型:地上生物量。B, OLI模型:地下生物量。C, LiDAR模型:地上生物量。D, LiDAR模型:地下生物量。E, 综合
模型:地上生物量。F, 综合模型:地下生物量。
Fig. 4 Scatter plots and 1:1 line of between observed and estimated biomass using three different models by forest type. A, OLI
model for WA. B, OLI model for WB. C, LiDAR model for WA. D, LiDAR model for WB. E, Combo model WA. F, Combo model for
WB. WA, above-ground biomass; WB, below-ground biomass.


叶林的空间形态特征时表达能力下降(李明诗等,
2006)。
应用高度百分位数变量来估测森林参数的方法
在激光雷达反演森林参数中广泛应用。Næsset和
Gobakken (2008)对挪威北部森林公园的1 395块样
地做了地上和地下生物量估测研究, 将样地按照树
种组成、龄级和立地等级进行分类, 把高度百分位
数和冠层密度作为独立变量, 立地和龄级等作为虚
变量, 树种组成作为连续变量构建了回归模型, 其
决定系数也达到了0.7以上。类似的变量在本研究中
利用LiDAR数据估算森林生物量的过程中也表现出
了较好的敏感度, 如表3所示。基于3种森林类型分
别进行LiDAR特征变量的筛选, 3种森林类型筛选出
的LiDAR高度变量和密度变量均有一定差异, 这与
相应的森林类型的垂直结构、各组分的分布特点是
相关的。
利用分森林类型的LiDAR模型和综合模型估算
生物量, 阔叶林模型的估算精度高于混交林, 这可
能是受森林群落结构复杂程度的影响, 阔叶林往往
森林结构较单一, 而混交林结构相对较复杂, 因而
徐婷等: 基于机载激光雷达与 Landsat 8 OLI 数据的亚热带森林生物量估算 317

doi: 10.17521/cjpe.2015.0030


图5 分别3种模型(OLI模型、LiDAR模型以及综合模型)下应用总体模型和分类模型估测不同森林类型生物量的预测值和样
地实测值的差值对比图。A, 总体模型:地上生物量。B, 总体模型:地下生物量。C, 分类模型:地上生物量。D, 分类模型:地下
生物量。
Fig. 5 Difference between Observed and predicted biomass by using the general model and type-specific model. A, General model
for WA. B, General model for WB. C, Type-specific model for WA. D, type-specific model for WB. WA, above-ground biomass; WB,
below-ground biomass.


激光雷达返回信号的变化也较大, 从而降低了生物
量的估测精度(庞勇和李增元, 2012)。通过本研究还
可以看出, 综合模型估算生物量的结果与单独使用
OLI模型和LiDAR模型的估算结果相比, 精度有明
显的提高。多光谱数据能够通过地物对光谱的响应
实现森林水平结构参数的提取; 激光雷达技术则通
过主动向研究对象发射脉冲, 并接收反射回波的方
式, 获取传统光学遥感所不能获取的森林垂直结构
信息(刘丽娟, 2011), 主、被动遥感技术的协同理论
上可以实现数据的优势互补, 一定程度上能够提高
参数提取的精度。本研究也验证了此理论。
储存在枯枝落叶和土壤中的碳占生态系统碳储
量的30%–90% (方精云和王娓, 2007), 森林生物量
的20%–40%由地下生物量组成(Dixon et al., 1994),
因此, 地下生物量的研究是进一步阐述全球陆地生
态系统物质循环和能量流动的基础。森林地下生物
量的测定由于根系难以取得而成为研究的难点, 传
统实地测定地下生物量的挖掘收获法很难获取较大
区域的地下生物量, 需要高强度的劳动且对样地的
破坏性较大(朱桂林等, 2008)。本研究选择了利用模
型法估算地下生物量, 基于Landsat 8 OLI遥感数据
和LiDAR数据, 结合样地实测的地下生物量值, 对
地下生物量进行遥感法估算, 精度达到了0.69以上,
在估算混交林地下生物量时精度达到了0.92, 取得
了较好的结果, 说明遥感方法建模估测地下生物量
具有必要性以及准确性。
4 结论
以常熟虞山林场为研究对象, 通过对OLI多光
谱影像和机载小光斑LiDAR数据的处理分析以及外
业样地的调查, 进行了利用多元回归方法进行森林
生物量反演的试验。研究结果表明: OLI模型估算生
物量时, 混交林估算精度相对较高, 针叶林和阔叶
林估算精度相对较低; LiDAR模型和综合模型估算
生物量时, 阔叶林估算精度相对较高, 针叶林和混
交林估算精度相对较低。综合模型生物量估算精度
高于OLI模型和LiDAR模型。分类模型生物量的估
算精度高于总体模型的估算精度。在OLI模型和
LiDAR模型里表现较敏感的纹理信息和高度百分位
数变量, 在综合模型中表现也较敏感。本研究基于
OLI多光谱和机载小光斑LiDAR数据估算北亚热带
森林地上和地下生物量取得了较好的结果, 为估算
318 植物生态学报 Chinese Journal of Plant Ecology 2015, 39 (4): 309–321

www.plant-ecology.com
森林生物量提供了一个切实可行的思路。
基金项目 国家自然科学基金青年科学基金项目
(31400492)、“863”国家高技术研究发展计划子课题
(2013AA12A302)和江苏高校优势学科建设工程资
助项目(PAPD)。
致谢 感谢常熟虞山国家森林公园的林业工作者在
样地调查中提供的帮助以及传授的经验和知识, 并
感谢所有的外业工作者。
参考文献
Cao L, Coops NC, Innes J, Dai JS, She GH (2014a). Mapping
above- and below-ground biomass components in sub-
tropical forests using small-footprint LiDAR. Forests, 5,
1356–1373.
Cao L, Coops NC, Hermosilla T, Innes J, Dai JS, She GH
(2014b). Using small-footprint discrete and full-waveform
airborne LiDAR metrics to estimate total biomass and
biomass components in subtropical forests. Remote Sens-
ing, 6, 7110–7135.
Cao L, Dai JS, Xu JX, Xu ZQ, She GH (2014). Optimized ex-
traction of forest parameters in subtropical forests based
on airborne small footprint LiDAR technology. Journal of
Beijing Forestry University, 36(5), 13–21. (in Chinese
with English abstract) [曹林, 代劲松, 徐建新, 许子乾,
佘光辉 (2014). 基于机载小光斑LiDAR技术的亚热带
森林参数信息优化提取 . 北京林业大学学报 , 36(5),
13–21.]
Dixon RK, Solomon AM, Brown S, Houghton RA, Trexier
MC, Wisniewski J (1994). Carbon pools and flux of global
forest ecosystems. Science, 263, 185–190.
Dong LX (2008). Estimation of Forest Canopy Height and
Biomass in Three Gorges Reservoir Area Based on
Multi-source Remote Sensing Data. PhD dissertation,
Graduate University of Chinese Academy of Sciences,
Beijing. (in Chinese) [董立新 (2008). 基于多源遥感数
据的三峡库区森林冠层高度与生物量估算方法研究.
博士学位论文, 中国科学院研究生院, 北京.]
Dubayah RO, Drake JB (2000). Lidar remote sensing for for-
estry. Journal of Forestry, 98(6), 44–46.
Fang JY, Chen AP, Zhao SQ, Ci LJ (2002). Estimating biomass
carbon of China’s forests: Supplementary notes on report
published in Science (291: 2320–2322) by FANG et al.
(2001). Acta Phytoecologica Sinica, 26, 243–249. (in
Chinese with English abstract) [方精云, 陈安平, 赵淑清,
慈龙俊 (2002). 中国森林生物量的估算 : 对Fang等
Science一文(Science, 2001, 291: 2320–2322)的若干说明.
植物生态学报, 26, 243–249.]
Fang JY, Wang W (2007). Soil respiration as a key below
ground process: issues and perspectives. Journal of Plant
Ecology (Chinese Version), 31, 345–347. (in Chinese with
English abstract) [方精云, 王娓 (2007). 作为地下过程
的土壤呼吸 : 我们理解了多少? 植物生态学报 , 31,
345–347.]
Feng ZW, Wang XK, Wu G (1999). The Forest Ecosystem
Biomass and Productivity in China. Science Press, Bei-
jing. 99–187. (in Chinese) [冯宗炜 , 王效科 , 吴刚
(1999). 中国森林生态系统的生物量和生产力. 科学出
版社, 北京. 99–187.]
Fu T, Pang Y, Huang QF, Liu QW, Xu GC (2011). Prediction
of subtropical forest parameters using airborne laser scan-
ner. Journal of Remote Sensing, 15, 1092–1104. (in Chi-
nese with English abstract) [付甜, 庞勇, 黄庆丰, 刘清
旺, 徐光彩 (2011). 亚热带森林参数的机载激光雷达估
测. 遥感学报, 15, 1092–1104.]
Guo ZF, Chi H, Sun GQ (2010). Estimating forest aboveground
biomass using HJ-1 satellite CCD and ICESat GLAS
waveform data. Science China Earth Sciences, 53, 16–25.
Jiang GZ, Han B, Gao YB, Yang CJ (2013). Review of 40-year
earth observation with landsat series and prospects of
LDCM. Journal of Remote Sensing, 17, 1033–1048. (in
Chinese with English abstract) [姜高珍, 韩冰, 高应波,
杨崇俊 (2013). Landsat系列卫星对地观测40年回顾及
LDCM前瞻. 遥感学报, 17, 1033–1048.]
Kraus K, Pfeifer N (1998). Determination of terrain models in
wooded areas with airborne laser scanner data. ISPRS
Journal of Photogrammetry and Remote Sensing, 53,
193–203.
Lefsky MA, Cohen WB, Parker GG, Harding DJ (2002). Lidar
remote sensing for ecosystem studies. Bioscience, 52,
19–30.
Li MS, Tan Y, Pan J, Peng SK (2006). Modeling forest above-
ground biomass by combining the spectrum, textures with
topographic features. Remote Sensing Information, (6),
6–9. (in Chinese with English abstract) [李明诗, 谭莹, 潘
洁, 彭世揆 (2006). 结合光谱、纹理及地形特征的森林
生物量建模研究. 遥感信息, (6), 6–9.]
Liu LJ (2011). Forest Parameters Inversion Using Airborne
LiDAR and Hyperspectral Data Fusion. PhD dissertation,
Northeast Forestry University, Harbin. (in Chinese) [刘丽
娟 (2011). 基于机载LIDAR和高光谱融合的森林参数
反演研究. 博士学位论文, 东北林业大学, 哈尔滨.]
Lu DS, Mausel P, Brondzio E, Moran E (2003). Estimation of
forest stand parameters using Landsat TM images in the
brazilian amazon basin. International Symposium on Re-
mote Sensing of Environment: Information for Risk Man-
agement and Sustainable Development, 423–426.
Ma LQ, Li AN (2011). Review of application of LiDAR to
estimation of forest vertical structure parameters. World
Forestry Research, 24(1), 41–45. (in Chinese with English
abstract) [马利群, 李爱农 (2011). 激光雷达在森林垂
直结构参数估算中的应用. 世界林业研究, 24(1), 41–
徐婷等: 基于机载激光雷达与 Landsat 8 OLI 数据的亚热带森林生物量估算 319

doi: 10.17521/cjpe.2015.0030
45.]
Næsset E, Gobakken T (2008). Estimation of above- and
below-ground biomass across regions of the boreal forest
zone using airborne laser. Remote Sensing of Environment,
112, 3079–3090.
Pang Y, Li ZY (2012). Inversion of biomass components of the
temperate forest using airborne lidar technology in
Xiaoxing’an mountains, northeastern of China. Chinese
Journal of Plant Ecology, 36, 1095–1105. (in Chinese with
English abstract) [庞勇, 李增元 (2012). 基于机载激光
雷达的小兴安岭温带森林组分生物量反演. 植物生态
学报, 36, 1095–1105.]
Popescu SC, Wynne RH, Scrivani JA (2004). Fusion of small
footprint LiDAR and multispectral data to estimate
plot-level volume and biomass in deciduous and pine for-
ests in Virginia, USA. Forest Sciences, 50, 551–565.
Post WM, Emanuel WR, Zinke PJ, Stangenberger AG (1982).
Soil carbon pools and world life zones. Nature, 298,
156–159.
Xu HQ, Tang F (2013). Analysis of new characteristics of the
first Landsat 8 image and their eco-environmental signifi-
cance. Acta Ecologica Sinica, 33, 3249–3257. (in Chinese
with English abstract) [徐涵秋 , 唐菲 (2013). 新一代
Landsat系列卫星: Landsat 8遥感影像新增特征及其生态
环境意义. 生态学报, 33, 3249–3257.]
Zhang Z, Tian X, Chen EX, He QS (2011). Review of methods
on estimating forest above ground biomass. Journal of
Beijing Forestry University, 33(5), 144–150. (in Chinese
with English abstract) [张志, 田昕, 陈尔学, 何祺胜
(2011). 森林地上生物量估测方法研究综述. 北京林业
大学学报, 33(5), 144–150.]
Zhu GL, Wei WS, Zhang SM, Wu DX (2008). An overview of
methods of measuring underground-biomass and introduc-
tion of new technique. Chinese Journal of Grassland,
30(3), 94–99. (in Chinese with English abstract) [朱桂林,
韦文珊, 张淑敏, 吴冬秀 (2008). 植物地下生物量测
定方法概述及新技术介绍. 中国草地学报, 30(3), 94–
99.]


责任编委: 曹 敏 责任编辑: 李 敏


附录1 OLI特征变量汇总
Appendix 1 Summary of metrics computed from OLI multispectral data
特征变量 Metrics 变量描述 Description
原始单波段
Initial bands
B2-B7
OLI第2–7波段(经过大气校正和几何精校正)
Second to seventh band from OLI (after atmospheric correction and geometric
exact correction)
波段组合
Band combination
Albedo Albedo = B2 + B3 + B4 + B5 + B6 + B7
B4/Albedo B4/Albedo = B4 / (B2 + B3 + B4 + B5 + B6 + B7)
B24 B24 = B2 / B4
B74 B74 = B7 / B4
B76 B76 = B7 / B6
B547 B547 = B5 · B4 / B7
B65 B65 = B6 / B5
B345 B345 = B3 · B4 / B5
B53 B53 = B5 / B3
VIS234 VIS234 = B2 + B3 + B4
信息增强组
Information enhance
绿度
Greenness (TCG)
提取缨帽变换绿度波段
Extract greenness from tasseled cap transform
亮度
Brightness (TCB)
提取缨帽变换亮度波段
Extract brightness from tasseled cap transform
湿度
Wetness (TCW)
提取缨帽变换湿度波段
Extract wetness from tasseled cap transform
第一主成分
First principal component (PC1)
提取主成分分析第一波段
Extract first band from principal component analysis

320 植物生态学报 Chinese Journal of Plant Ecology 2015, 39 (4): 309–321

www.plant-ecology.com
附录1 (续) Appendix 1 (continued)
特征变量 Metrics 变量描述 Description
第二主成分
Second principal component (PC2)
提取主成分分析第二波段
Extract second band from principal component analysis
第三主成分
Third principal component (PC3)
提取主成分分析第三波段
Extract third band from principal component analysis
最小噪声分离变换第一波段
First band of minimum noise fraction rotation (MNF1)
提取MNF变换第一波段
Extract first band from minimum noise fraction rotation
最小噪声分离变换第二波段
Second band of minimum noise fraction rotation (MNF2)
提取MNF变换第二波段
Extract second band from minimum noise fraction rotation
最小噪声分离变换第三波段
Third band of minimum noise fraction rotation (MNF3)
提取MNF变换第三波段
Extract third band from minimum noise fraction rotation
最小噪声分离变换第四波段
Forth band of minimum noise fraction rotation (MNF4)
提取MNF变换第四波段
Extract forth band from minimum noise fraction rotation
植被指数
Vegetation index
增强型植被指数
Enhanced vegetation index (EVI)
5 4
5 4 2
2.5
6 7.5 1
B BEVI
B B B
⎛ ⎞−= ⎜ ⎟+ − +⎝ ⎠
归一化植被指数
Normalized difference vegetation index (NDVI) ( )( )5 4 5 4NDVI B B B B= − +
土壤调整植被指数
Soil-adjusted vegetation index (SAVI)
( )( ) ( )5 4
5 4
1
0.5
L B B
SAVI L
B B L
+ −= =+ +
有效叶面积指数
Specific leaf area vegetation index (SLAVI)
5
4 7
BSLAVI
B B
= +
简单比值植被指数
Ratio vegetation index (RVI)
5
4
BRVI
B
=

中红外植被指数
Mid-infrared vegetation index (VI3)
5 6
5 6
3 B BVI
B B
−= +
垂直植被指数
Perpendicular vegetation index (PVI) ( ) ( )2 25 4 4 50.355 0.149 0.355 0.852PVI B B B B= − + −
土壤调整比值植被指
Soil-adjusted ratio vegetation index (SARVI)
5
4 0.084726 / 0.96916
BSARVI
B
= +
差值植被指数
Difference vegetation index (DVI) 5 4DVI B B= −
转换型植被指数
Transformed normalized difference vegetation index (TNDVI) 0.5TNDVI NDVI= +
大气阻抗植被指数
Atmospherically resistant vegetation index (ARVI)
5 4 2
5 4 2
2
2
B B BARVI
B B B
− += + −
修正型土壤调整植被指数
Modified soil-adjusted vegetation index (MSAVI) ( ) ( )25 5 5 40.5 0.5 2MSAVI B B B B= + + − −
修正型简单比值植被指数
Modified simple ratio vegetation index (MSR)
5 4
5 4
/ 1
/ 1
B BMSR
B B
−= +
非线性指数
Nonlinear index (NLI)
2
5 4
2
5 4
B BNLI
B B
−= +
重归一化植被指数
Renormalized difference vegetation index (RDVI)
5 4
5 4
B BRDVI
B B
−= +

归一化植被指数
Normalized difference vegetation index (ND43)
( ) ( )43 4 3 4 3ND B B B B= − +
归一化植被指数
Normalized difference vegetation index (ND67)
( )( )67 6 7 6 7ND B B B B= − +
归一化植被指数
Normalized difference vegetation index (ND563)
( )( )563 5 6 3 5 6 3ND B B B B B B= + − + +
纹理信息
Texture information
相关度
Correlation (CR)
( )( )1
,
, 0
N
i j
i j i j
i ME j ME
CR i P
VA VA
−
=
− −= ⋅ ⋅∑

徐婷等: 基于机载激光雷达与 Landsat 8 OLI 数据的亚热带森林生物量估算 321

doi: 10.17521/cjpe.2015.0030
附录1 (续) Appendix 1 (continued)
特征变量 Metrics 变量描述 Description
对比度
Contrast (CO)
1
,
, 0
N
i j
i j
CO i P
−
=
= ⋅∑

相异性
Dissimilarity (DI)
1
,
, 0
N
i j
i j
DI i P i j
−
=
= ⋅ −∑
信息熵
Entropy (EN) ( )1 , ,
, 0
ln
N
i j i j
i j
EN i P P
−
=
= ⋅ −∑

均匀度
Homogeneity (HO)
均值
Mean (ME)
1
,
, 0
N
i j
i j
ME i P
−
=
= ⋅∑

二阶矩
Second moment (SM)
1
2
,
, 0
N
i j
i j
SM i P
−
=
= ⋅∑

偏斜度
Skewness (SK)
( )
( )( )
2
,
3
2 21
i jP ME
SK
N VA
−
=
−
∑

方差
Variance (VA)
( )1 2,
, 0
N
i j
i j
VA i P i ME
−
=
= ⋅ −∑



附录2 LiDAR特征变量汇总
Appendix 2 Summary of metrics computed from LiDAR
特征变量 Metrics 变量描述 Description
高度百分位数 Percentile height
h10, h20, h25, h30, h40, h50, h60, h70,
h75, h80, h90, h95, h99
第一回波返回点的冠层高度分布百分位数(10th, 20th, 25th, 30th, 40th, 50th, 60th, 70th, 75th, 80th, 90th, 95th, 99th)
The percentiles of the canopy height distributions (10th, 20th,…99th) of first returns
高度变量 Height metrics
hmin 激光雷达树高的最小值 Minimum height above ground of all first returns
hskew 激光雷达树高的偏斜度 Skewness of heights of all first returns
hkur 激光雷达树高的峰度 Kurtosis of heights of all first returns
hiq 激光雷达树高的75%和25%分位数的差值 Difference between 75% and 25% of canopy height of first returns
hmean 激光雷达树高的平均值 Mean height above ground of all first returns
hmax 激光雷达树高的最大值 Maximum height above ground of all first returns
hcv 激光雷达树高的高度变异系数 Coefficient of variation of heights of all first returns
hmode 激光雷达树高的众数 Mode of heights of all first returns
hvar 激光雷达树高的方差 Variance of heights of all first returns
hstd 激光雷达树高的标准差 Standard deviation of heights of all first returns
冠层密度 Canopy density
d0, d1, d2, d3, d4, d5, d6, d7, d8, d9 高于一定范围相对高度的冠层返回密度, 即第一回波中高于(0、10、20、…90)分位数的点占第一回波所有点的百
分比(0–100%)
The canopy return density over a range of relative heights, i.e., percentage (0%–100%) of first returns above the quan-
tiles (0, 10, 20…90) to total number of first returns
覆盖度 Cover
c 取高于2 m的冠层返回点在所有激光返回点中所占的比例 Percentages of first returns above 2 m