全 文 ：毛竹林地上部分生物量遥感估算模型的可移植性*
余朝林1,2 摇 杜华强1,2**摇 周国模1,2 摇 徐小军1,2 摇 桂祖云3
( 1浙江农林大学浙江省森林生态系统碳循环与固碳减排重点实验室, 浙江临安 311300; 2浙江农林大学环境与资源学院, 浙
江临安 311300; 3安吉县林业局, 浙江安吉 313300)
摘摇 要摇 选择浙江省内临安、安吉、龙泉 3 个毛竹产区为研究区域,基于野外调查数据和
Landsat 5 TM影像,分别建立 3 个区域的毛竹林生物量遥感估算模型,包括一元线性模型、一
元非线性模型、逐步回归模型、多元线性模型和 Erf鄄BP神经网络模型,并对 3 个区域的模型进
行评价;最后,选择精度较好的模型进行移植并对其可移植性进行分析.结果表明: 在 3 个区
域,Erf鄄BP神经网络模型精度均最高,逐步回归模型和一元非线性模型次之. Erf鄄BP神经网络
模型的可移植性最佳.模型类型和模型自变量对统计模型的可移植性有较大影响.
关键词摇 地上生物量摇 遥感估算模型摇 移植性摇 毛竹
文章编号摇 1001-9332(2012)09-2422-07摇 中图分类号摇 S771. 8摇 文献标识码摇 A
Transferability of remote sensing鄄based models for estimating moso bamboo forest
aboveground biomass. YU Chao鄄lin1,2, DU Hua鄄qiang1,2, ZHOU Guo鄄mo1,2, XU Xiao鄄jun1,2,
GUI Zu鄄yun3 ( 1Zhejiang Province Key Laboratory of Carbon Cycling in Forest Ecosystems and Car鄄
bon Sequestration, Zhejiang A & F University, Lin爷an 311300, Zhejiang, China; 2School of Envi鄄
ronmental and Resources Science, Zhejiang A & F University, Lin爷 an 311300, Zhejiang, China;
3Anji County Forestry Bureau, Anji 313300, Zhejiang, China) . 鄄Chin. J. Appl. Ecol. ,2012,23(9):
2422-2428.
Abstract: Taking the moso bamboo production areas Lin爷 an, Anji, and Longquan in Zhejiang
Province of East China as study areas, and based on the integration of field survey data and Landsat
5 Thematic Mappr images, five models for estimating the moso bamboo (Phyllostachys heterocycla
var. pubescens) forest biomass were constructed by using linear, nonlinear, stepwise regression,
multiple regression, and Erf鄄BP neural network, and the models were evaluated. The models with
higher precision were then transferred to the study areas for examining the model爷s transferability.
The results indicated that for the three moso bamboo production areas, Erf鄄BP neural network model
presented the highest precision, followed by stepwise regression and nonlinear models. The Erf鄄BP
neural network model had the best transferability. Model type and independent variables had rela鄄
tively high effects on the transferability of statistical鄄based models.
Key words: aboveground biomass; remote sensing鄄based model; transferability; moso bamboo.
*浙江省自然科学基金项目(Y3100427)、国家自然科学基金项目
(31070564)、科技部“973冶项目(2011CB302705)、浙江省重点科技
创新团队项目(2012R10030鄄01)和国家林业局 948 项目(2008鄄4鄄49)
资助.
**通讯作者. E鄄mail: dhqrs@ 126. com
2011鄄11鄄02 收稿,2012鄄06鄄27 接受.
摇 摇 遥感在森林碳储量定量估算中的作用已得到广
泛认可.它是陆地植被碳储量定量研究的重要进展,
也是目前和未来森林碳估算及其动态变化规律研究
的重要手段之一[1-4] . 各种生物量遥感定量估算模
型已有较多报道[5],其中应用最广泛的是统计模
拟,这类模型比较简单,但其结构多样,易受植被类
型、光照条件、观察位置、冠层结构等影响,且模型对
土壤背景等非植被因素比较敏感[6] . 因此,普适性
即模型的时空可移植性较差是这类模型的一个主要
问题[7] .国际上已有研究者对该问题进行了探讨,
如 Foody等[7]在巴西、新加坡、泰国选取 3 块样地,
用各种植被指数、波段信息构建回归模型和神经网
络模型,并进行模型移植和评价,发现移植后模型精
度均大幅下降.在没有很好解决方案的前提下,需分
别在不同研究区域建模,这就大大增加了外业调查
的成本、数据处理的时间,造成了建模方案设置和模
应 用 生 态 学 报摇 2012 年 9 月摇 第 23 卷摇 第 9 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Sep. 2012,23(9): 2422-2428
型选择的困惑[7-8] .
竹林资源特别是具有高效固碳能力的毛竹林对
全球碳平衡的贡献开始受到广泛关注并逐渐得到认
可[9] . 随着 《 Bamboo and Climate Change Mitiga鄄
tion》 [10]一书的发表,竹林在全球气候变化中的作用
在国际社会上产生了广泛影响. 本文研究了浙江省
临安市、安吉县、龙泉市毛竹林地上部分生物量遥感
估算模型的可移植性,以期为毛竹林这一亚热带特
殊的森林类型找到一种较适用的生物量遥感估算
模型.
1摇 研究地区与研究方法
1郾 1摇 研究区概况
临安市(29毅56忆—30毅23忆 N,118毅51忆—119毅52忆
E)位于浙江省西北部,东临杭州市余杭区,南连富
阳、桐庐和淳安,西接安徽歙县、宁国和绩溪,北靠安
吉.该区属亚热带季风性湿润型气候,雨水充沛,其
森林植被属亚热带东部常绿阔叶林,全市毛竹面积
2. 18伊104 hm2,是全国十大“竹子之乡冶之一.
摇 摇 安 吉 县 ( 30毅 23忆—30毅 53忆 N, 119毅 14忆—
119毅53忆 E)地处浙江省西北部,东邻湖州市郊区、德
清县,南接余杭区、临安市,西与安徽省宁国市、广德
县交界,北连长兴县. 该区属亚热带海洋性季风气
候,光照充足、气候温和,适宜农作物生长,竹林面积
6. 53伊104 hm2,毛竹蓄积量居全国之冠,是著名的
“中国竹乡冶.
龙泉市(28毅04忆 N,119毅07忆 E)地处浙江省西南
部 ,东邻云和、景宁县,南连庆元县,西界福建浦城
图 1摇 研究区位及毛竹林样地分布示意图
Fig. 1摇 Sketch map of the study area and Moso bamboo sample
plots.
县,北接遂昌、松阳县. 该区属亚热带海洋性季风气
候,自然资源丰富,森林茂密,是浙江省的毛竹中心
产区之一,竹林面积仅次于安吉,居浙江省第 2 位.
1郾 2摇 研究方法
1郾 2郾 1 样地调查及数据处理摇 2008 年 8 月下旬到 9
月上旬,对 3 个研究区样地进行调查,样地大小为
30 m伊30 m. 根据典型和随机抽样原则,在临安、安
吉)、龙泉分别调查 37、55 和 50 个样地.调查因子包
括样地经纬度、海拔、坡度、郁闭度、毛竹胸径和龄
级. 由式 (1 ) 计算单株毛竹林地上部分生物量
(aboveground biomass,AGB),并累计得到样地 AGB
总量:
AGB=[747郾 787DBH2郾 771( 0郾 148A0郾 028+A)
5郾 555+
3郾 772]伊0郾 5042 (1)
式中:DBH为胸径;A为年龄. 该模型决定系数 R2 =
0. 937,在 0. 05 置信水平下,模型的预估精度为
96郾 4% ,总系统误差为-0. 02% [11] .
1郾 2郾 2 遥感数据及预处理摇 临安和安吉遥感数据均
为 2008 年 7 月 5 日获取的 Landsat 5 TM影像;龙泉
遥感数据为 2009 年 6 月 6 日获取的 Landsat 5 TM
影像.为了使建模及其移植后的结果具有可比性,对
3 个区域的遥感数据采用相同的预处理方法:从
1 颐 5万地形图上采集地面控制点,用二次多项式对
影像进行几何精校正,误差在 0. 5 个像元内,灰度重
采样方法为最近邻法;辐射校正采用 DOS3 模
型[12-13];地形校正采用 SCS 方法[14] .对处理好的数
据,采用最大似然法进行监督分类,提取毛竹林信
息[15] .
1郾 2郾 3 遥感变量设置 摇 采用原始波段(不包括第 6
波段即热红外波段)、原始波段的派生波段(包括植
被指数、主成分变换、缨帽变换、纹理信息)以及地
学信息等共 83 个变量作为建模的初始变量[16-21] .
为了降低样地坐标与影像的配准误差,采用 3伊3 即
采样点周围 9 个像元的平均值作为遥感变量的取
值[9,20,22] .
1郾 2郾 4 模型构建及可移植性评价摇 将样地按生物量
从高到低排序,每隔 3 个数据抽取 1 个数据,按照
1 颐 3的比例划分成两部分:75%的样地用于模型构
建(建模样本),25%的样地用于模型精度评价(检
验样本).选用一元线性回归、一元非线性回归、多
元线性回归、逐步回归和 Erf鄄BP 神经网络建模方法
分别估算毛竹林地上部分生物量. 为评价模型的可
移植性,首先在上述 3 个县市分别采用不同方法建
32429 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 余朝林等: 毛竹林地上部分生物量遥感估算模型的可移植性摇 摇 摇 摇 摇 摇
立毛竹林生物量遥感估算模型,然后选取精度较高
的模型进行移植,最后对模型移植后的结果进行评
价,分析影响模型可移植性的具体因素,如模型类
型、变量选取、数据预处理(样地调查数据和遥感图
像数据)、毛竹林空间分布等.采用相关系数(R)、平
均相对误差(MRE)和均方差根(RMSE)作为评价指
标,计算公式如下[23-25]:
RE=(预测值-实测值) /实测值伊100% (2)
MRE = 1n 伊 移
n
i = 1
| RE i | (3)
RMSE = 1n移
n
i = 1
(实测值i - 预测值i) 2 (4)
式中:i和 n分别表示验证样本的序号和总数.
2摇 结果与分析
2郾 1摇 模型构建
2郾 1郾 1 一元线性回归模型 摇 从 83 个自变量中选取
与毛竹林地上部分生物量线性相关系数最大的变量
建立一元线性回归模型.临安(LA)选取海拔(H)为
自变量,模型的 R为 0. 699;安吉(AJ)选取第 7 波段
灰度共生矩阵中的相关性( corr7)为自变量,模型的
R为 0. 414;龙泉(LQ)选取 H 为自变量,模型的 R
为 0. 765.各区域一元线性模型表达式如下:
AGBLA =4651郾 04-2郾 47H (5)
AGBAJ =1772郾 10-29郾 38corr7 (6)
AGBLQ =6391郾 10-6郾 71H (7)
2郾 1郾 2 一元非线性回归模型 摇 通过比较可知,临安
最优模型是以 H为自变量的三次多项式模型,模型
的 R为 0. 730;安吉选取以第 5 主分量(Prin5)为自
变量的三次多项式模型,模型的 R 为 0郾 420;龙泉选
取以 H为自变量的指数型模型,模型的 R为 0郾 825.
各区域的一元非线性模型表达式如下:
AGBLA =5590郾 93+(-15郾 42H)+(0郾 0461H2)+
(-0郾 0000453H3) (8)
AGBAJ =1788郾 80+12郾 19prin5+3郾 82prin52+
0郾 069prin53 (9)
AGBLQ =9004郾 45伊(0郾 998H) (10)
2郾 1郾 3 多元线性模型摇 以 6 个原始波段作为自变量
建立多元线性回归模型.临安市、安吉县和龙泉市毛
竹林生物量估算模型的 R 分别为 0. 740、0郾 542、
0郾 510.各区域多元线性模型的表达式如下:
AGBLA = 3404 + 95763B1 - 58810B2 + 18224B3 -
6414B4+55938B5-99310B7 (11)
AGBAJ = 722 - 34965B1 + 14633B2 - 8511B3 +
1209B4-9668B5+34172B7 (12)
AGBLQ = -475 +115643B1 -15333B2 -26154B3 +
5731B4-7899B5+11416B7 (13)
式中:B1 ~ B5 和 B7分别为 TM影像的 6 个波段.
2郾 1郾 4 逐步回归模型 摇 对所有 83 个变量采用逐步
回归法建模,各区域的模型如下:
AGBLA = -14523+0郾 0113X+65cont4+
19938semo4+3439entr4-0郾 89H (14)
AGBAJ =105446-0郾 0314Y+656mean7-
289mean2-4699semo5-179diss4 (15)
AGBLQ =396527+0郾 16Y-0郾 13X-2郾 9H+
2235homo5-10郾 6corr1+362mean1 (16)
式中:X、Y 为地理坐标;corr1 为第 1 波段灰度共生
矩阵的相关性;diss4 为第 4 波段灰度共生矩阵的相
异性;entr4 为第 4 波段灰度共生矩阵的熵;cont4 为
第 4 波段灰度共生矩阵的对比度;semo4 和 semo5 分
别为第 4、5 波段灰度共生矩阵的角二阶矩;homo5
为第 5 波段灰度共生矩阵的均一性;mean1、mean2
和 mean7 分别为第 1、2、7 波段灰度共生矩阵的平
均值.
3 个区域具有共同的特征,即变量均为纹理信
息和地学信息,但变量不同. 其中,以临安市毛竹林
生物量估算模型的 R 最高 (0. 979),龙泉市次之
(0郾 951),安吉县最低(0. 736).
2郾 1郾 5 Erf鄄BP神经网络模型摇 在逐步回归变量筛选
的基础上,采用基于高斯误差函数作为隐含层激活
函数的 BP 神经网络 ( Erf鄄BP) 估算毛竹林生物
量[26] .模型的数学表达式如下:
AGBErf-BP = (Ymax - Ymin) / {1 + exp[ - (erf(X 伊
IW + ones(N,1) 伊 b1) 伊 LW +
ones(N,1) 伊 b2)]} + Ymin (17)
式中:Ymax和 Ymin分别为输出变量(生物量)的最大值
和最小值;X 为输入变量(自变量),其矩阵形式为
列数等于输入变量个数、行数等于样本个数;IW 和
b1 分别为隐含层与输入层之间的连接权值和阈值
(表 1),其中 IW以输入变量个数为行,以隐含层个
数为列;LW和 b2 分别为输出层与隐含层之间的连
接权值和阈值(表 2),其中 LW 以隐含层个数为行,
以输出层个数为列;N为样本个数.
2郾 2摇 模型精度评价
由表 3可以看出,在上述模型中,临安、安吉和龙
泉 Erf鄄BP神经网络模型的建模样本(R 为 0. 993 ~
0郾 998)和检验样本(R 为 0. 71 ~ 0. 93)估算精度均
最高,模型具有最好的估算能力和稳定性;逐步回
4242 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
表 1摇 隐含层与输入层之间的连接权值和阈值
Table 1摇 Connection weights and threshold values from input layer to hidden layer
地区
Region
输入层变量
Variables of
input layer
隐含层权重 Weights of hidden layer
IW1 IW2 IW3 IW4 IW5 IW6 IW7 IW8 IW9 IW10
临安 X -0. 70 0. 22 0. 48 0. 61 0. 12 -0. 32 -0. 47 0. 40 -0. 44 -0. 91
Lin爷an cont4 0. 69 0. 06 0. 29 -0. 33 0. 33 -0. 19 0. 12 -1. 49 -0. 24 -0. 19
semo4 -1. 11 0. 33 -0. 37 -0. 45 -0. 62 -0. 33 0. 18 0. 88 0. 18 -1. 24
entr4 -0. 43 -0. 17 0. 53 -0. 59 -1. 41 -0. 11 0. 61 0. 37 -0. 11 0. 12
H 0. 49 -0. 15 -0. 53 -0. 36 1. 45 -0. 02 -0. 40 -0. 08 0. 42 -1. 25
b1 0. 24 0. 13 0. 09 0. 30 -0. 85 -0. 30 -0. 89 0. 19 0. 13 0. 23
安吉 Y -0. 01 -0. 37 0. 16 0. 35 -0. 92 -1. 28 -0. 47 -0. 13 0. 13 0. 01
Anji mean7 -1. 73 -0. 30 -0. 01 -1. 24 0. 22 -2. 03 2. 19 -1. 00 -0. 42 1. 52
mean2 0. 52 -0. 64 -0. 08 -1. 27 0. 62 0. 68 -1. 43 0. 28 -0. 42 0. 30
semo5 0. 56 0. 08 -0. 44 -0. 31 1. 16 -1. 87 1. 90 -0. 66 2. 75 1. 20
diss4 -1. 08 1. 24 -0. 18 0. 31 -1. 87 0. 63 0. 79 0. 05 -0. 86 1. 36
b1 0. 55 1. 61 0. 36 -1. 76 -0. 03 -0. 44 1. 16 -0. 04 -0. 30 -1. 94
龙泉 Y 1. 13 -2. 02 0. 07 -1. 10 -2. 00 -1. 11 -0. 16
Longquan X -0. 83 3. 74 0. 38 0. 60 -1. 42 1. 51 -2. 03
H -0. 83 -4. 45 0. 26 -1. 11 0. 45 0. 32 1. 52
homo5 1. 06 1. 12 0. 48 -0. 38 1. 22 -1. 24 -0. 40
corr1 -2. 12 0. 18 -0. 87 0. 77 -1. 23 -0. 28 0. 04
mean1 1. 77 0. 70 -0. 09 -1. 07 -0. 04 -0. 07 0. 14
b1 -1. 07 -0. 06 -0. 76 1. 74 0. 25 -0. 99 -0. 32
IW:输入层到隐含层的权重 Weights from input layer to hidden layer; b1:输入层到隐含层的阈值 Threshold value from input layer to hidden layer;
X:地理坐标 X Geographic coordinates X; Y:地理坐标 Y Geographiec coordinates Y; H:海拔 Altitude. cont4:第 4 波段对比度 Contrast band 4;
semo4:第 4 波段对比度角二阶矩 Angular second moment band 4; entr4:第4 波段熵 Entropy band 4; mean7:第7 波段均值 Mean band 7; mean2:第
2 波段均值 Mean band 2; semo5:第 5 波段角二阶矩 Angular second moment band 5; diss 4:第 4 波段相异性 Dissimilarity band 4; homo5:第 5 波段
均一性 Homogeneity band 5; corr1:第 1 波段相关性 Correlation band 1; mean1:第 1 波段均值 Mean band 1.
表 2摇 输出层(单株毛竹林地上部分生物量)与隐含层之间的连接权值和阈值
Table 2摇 Connection weights and threshold values from hidden layer to output layer (AGC)
地区
Region
隐含层权重摇 Weights of hidden layer
LW1 LW2 LW3 LW4 LW5 LW6 LW7 LW8 LW9 LW10
b2
临安 Lin爷an 0. 95 -0. 55 0. 02 -0. 26 -0. 24 -1. 27 -0. 04 0. 62 -0. 82 0. 08 -0. 70
安吉 Anji -1. 16 1. 49 -0. 89 -0. 01 -1. 52 0. 85 0. 92 -1. 70 -0. 32 -1. 24 0. 70
龙泉 Longquan -0. 01 -0. 39 2. 50 0. 71 0. 70 -2. 10 0. 49 - - - 1. 05
表 3摇 毛竹林地上部分生物量遥感估算模型的精度评价
Table 3 摇 Accuracy evaluation of AGB estimation models
for Moso bamboo forests
地区
Region
模型类型
Model
type
建模样本
Training sets
R MRE (% ) RMSE
检验样本
Validation sets
R MRE (% ) RMSE
临安 A 0. 70 11. 3 559. 16 0. 67 12. 8 764. 17
Lin爷an B 0. 73 11. 2 534. 04 0. 67 12. 9 752. 41
C 0. 74 9. 6 525. 69 0. 45 18. 1 983. 64
D 0. 98 3. 8 161. 34 0. 76 17. 9 762. 33
E 0. 99 2. 0 93. 56 0. 82 16. 5 835. 08
安吉 A 0. 41 21. 8 461. 46 0. 03 98. 6 5337. 73
An爷ji B 0. 42 23. 6 510. 67 0. 09 23. 6 620. 91
C 0. 54 21. 9 476. 40 0. 32 28. 1 639. 43
D 0. 74 17. 2 343. 56 0. 57 22. 7 584. 07
E 1. 00 1. 8 36. 43 0. 71 21. 4 533. 67
龙泉 A 0. 76 15. 5 640. 62 0. 77 18. 0 723. 48
Longquan B 0. 83 14. 0 633. 32 0. 80 9. 6 401. 84
C 0. 51 23. 8 855. 11 0. 21 25. 7 1133. 47
D 0. 95 7. 7 317. 98 0. 90 14. 4 493. 89
E 1. 00 3. 1 117. 22 0. 93 10. 4 411. 72
A:一元线性 Linear; B:一元非线性 Non鄄linear; C:多元线性 Multi鄄regression;
D:逐步回归 Stepwise regression; E:Erf-BP.
归模型的精度和稳定性也较好,建模和检验样本平
均相对误差 ( MRE) 分别在 3. 8% ~ 17郾 2% 和
14郾 4% ~22郾 7% ;其他 3 个模型的精度和稳定性都
较差.龙泉市构建模型的精度最高,安吉县样本所构
建模型的精度最差,明显低于龙泉和临安.
为此,本文选择精度和稳定性相对较好的 Erf鄄
BP神经网络模型、逐步回归模型和一元非线性模型
来分析统计模型在毛竹林地上部分生物量遥感估算
上的可移植性.
2郾 3摇 模型移植性及评价
当模型移植后,如果各县市的建模和检验样本
生物量估算值与实测值的相关系数没有明显降低或
有所增加,说明该模型具有较好的可移植性.据此标
准进行比较,Erf鄄BP神经网络模型的可移植性较好,
对于建模样本,Erf鄄BP 模型在移植后的 R 基本保持
不变;对于检验样本,在 3 个县市相互移植中,相应
的R值未出现明显降低现象,从临安移植到龙泉还
52429 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 余朝林等: 毛竹林地上部分生物量遥感估算模型的可移植性摇 摇 摇 摇 摇 摇
图 2摇 一元非线性模型(B)、逐步回归模型(D)和 Erf鄄BP 神
经网络模型(E)的可移植性对比分析
Fig. 2摇 Transferability analysis of non鄄linear (B), stepwise re鄄
gression (D) and Erf鄄BP models (E).
a)建模样本 Training set; b)检验样本 Validation set.
有所增加(图 2).无论是建模样本还是检验样本,在
某个县市构建的逐步回归模型和一元非线性模型移
植到不同县市后的精度明显低于被移植模型的原先
精度.从模型移植后的精度变化来看,Erf鄄BP神经网
络模型的移植性优于逐步回归模型和一元非线性模
型.
摇 摇 某个县市的模型移植到其他 2 个县市后,精度
变化存在较大差异. 3 个模型中,从临安移植到龙泉
优于从临安移植到安吉,从安吉移植到龙泉大部分
优于从安吉移植到临安,从龙泉移植到临安优于从
龙泉移植到安吉.不同县市之间模型移植后的精度
不一致,与模型类型、模型变量、当地气候和土壤条
件、毛竹林经营状况等因素有关系.
模型移植后,建模样本和检验样本的精度变化
差异很大.如对于逐步回归模型,从安吉移植到临安
后,建模样本的 R 从 0. 74 降到 0. 01,降幅明显;而
检验样本的 R则从 0. 57 降到 0. 49,降幅并不明显.
当将采用安吉样本构建的逐步回归模型移植到临安
市时,临安的建模和检验样本都属于被预测样本,精
度差异不应该很大,而结果出现精度差异较大的原
因可能与建模和检验的样本数有关,因为样本数将
显著影响精度评价结果.因此,在评价模型可移植性
时,应尽量选择足够多的样本,以确保评价结果的可
靠性.
3摇 讨摇 摇 论
在临安、安吉和龙泉分别建立毛竹林地上部分
生物量统计模型,并将精度较高的 Erf鄄BP 神经网络
模型、逐步回归模型和一元非线性模型在 3 个县市
之间相互移植后,得出 Erf鄄BP 神经网络模型在估算
毛竹林生物量和可移植性上都优于其他统计模型.
从模型类型来看,以误差逆传播算法训练的多
层前馈 Erf鄄BP神经网络模型优于以最小二乘法为
参数估计的逐步回归模型和一元非线性模型. Erf鄄
BP神经网络模型具有较好的估算能力和可移植性.
这可能与神经网络模型具有自组织自学习能力、高
度鲁棒性和容错能力及能充分逼近复杂的非线性关
系等特点有关. Erf鄄BP 神经网络模型可将输入变量
通过隐含层非线性映射到更高维特征空间,从而更
好地解释非线性关系及降低噪声的影响[26-29] .而逐
步回归和一元非线性模型的精度,在很大程度上取
决于因变量与自变量之间的相关性.另外,Erf鄄BP神
经网络模型对输入变量进行标准化处理后,降低了
不同县市之间自变量的差异程度.
从模型变量来看,不同自变量对逐步回归模型
和一元非线性模型可移植性有较大影响,而对 Erf鄄
BP 神经网络模型的影响不明显. 对于逐步回归模
型,临安选择了地理坐标 X、高程和纹理信息,安吉
选了地理坐标 Y和纹理信息,龙泉模型的自变量为
X、Y、高程和纹理信息.纹理信息的数值大小通常与
毛竹林结构和阴影影响有一定关系,而与不同县市
(地区)关系不大,地学信息与不同县市有直接关
系.因此,可以认为模型移植性差( LA寅AJ、LA寅
LQ、AJ寅LA和 LQ寅AJ)的可能原因在于逐步回归
模型将地学信息作为自变量.然而,LA寅AJ和 AJ寅
LA移植后的精度分别低于临安寅龙泉和安吉寅龙
泉(图 2)从地学信息上解释不通,因为临安和安吉
的地理位置较接近,这可能与模型自变量对 AGC 估
算误差正负相互抵消有关,因此很难从机理上来解
释.对于一元非线性模型,临安和龙泉模型选择高程
为自变量,而安吉选择第 5 主分量(Prin5)为自变
量.临安(R= -0郾 699)和龙泉(R= -0. 765)毛竹林生
物量与高程呈显著相关,而安吉毛竹生物量与高程
的相关性(R = -0郾 414)不明显,可能是由于安吉毛
6242 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
竹林高度经营管理降低了毛竹生物量与高程之间的
相关性. 以 Prin5 为自变量的安吉一元非线性模型
移植到临安和龙泉的变化相对不明显,可能由于
Prin5 与毛竹林遥感信息相关,而与不同县市地理位
置关系不明显.
综上,统计模型的可移植性与模型自身的复杂
程度、自变量、移植地区之间差异性等因素有关. 优
越的统计模型(Erf鄄BP 神经网络模型)能够克服其
他因素的影响,具有较好的可移植性. 在变量设置
上,应尽量综合考虑影响模型的各类变量,为最终选
出的模型的适应性奠定基础. 统计模型在可移植上
仍然存在较大的障碍,今后应发展基于生物物理机
理的毛竹林生物量反演模型,克服统计模型的缺陷,
构建具有强可移植性的基于遥感的毛竹林生物量估
算模型.
参考文献
[1]摇 Brown S. Measuring carbon in forests: Current status
and future challenges. Environmental Pollution, 2002,
116: 363-372
[2]摇 Qin X鄄G (秦小光), Cai B鄄G (蔡炳贵), Zhang P (张
鹏), et al. The strategic suggestions on remote sensing鄄
based biogeochemical dynamic estimating of carbon鄄ni鄄
trogen cycles in terrestrial ecosystems of China. Science
& Technology Review (科 技 导 报 ), 2002 ( 8 ):
51-54 (in Chinese)
[3]摇 Cao M鄄K (曹明奎), Yu G鄄R (于贵瑞), Liu J鄄Y (刘
纪远), et al. The multi鄄scale testing observation of ter鄄
restrial ecosystem carbon cycle and cross鄄scale mecha鄄
nism of simulation. Science in China Series D Earth Sci鄄
ences (中国科学 D 辑:地球科学), 2004, 34( suppl.
域): 1-14 (in Chinese)
[4]摇 Niu Z (牛摇 铮), Wang C鄄Y (王长耀). Remote Sens鄄
ing Applications for Carbon Cycle. Beijing: Sciences
Press, 2008 (in Chinese)
[5]摇 Xu X鄄J (徐小军), Du H鄄Q (杜华强), Zhou G鄄M (周
国模), et al. Review on correlation analysis of inde鄄
pendent variables in estimation models of vegetation bio鄄
mass based on remote sensing. Remote Sensing Technol鄄
ogy and Application (遥感技术与应用), 2008, 23
(2): 239-247 (in Chinese)
[6]摇 Qi J, Kerr YH, Moran MS, et al. Leaf area index esti鄄
mates using remotely sensed data and BRDF models in a
semiarid region. Remote Sensing of Environment, 2000,
73: 18-30
[7]摇 Foody GM, Doreen S, Boyd DS, et al. Predictive rela鄄
tions of tropical forest biomass from Landsat TM data and
their transferability between regions. Remote Sensing of
Environment, 2003, 85: 463-474
[8]摇 Du HQ, Zhou GM, Ge HL, et al. Satellite鄄based car鄄
bon stock estimation for bamboo forest with a non鄄linear
partial least square regression technique. International
Journal of Remote Sensing, 2012, 33: 1917-1933
[9]摇 Du HQ, Cui RR, Zhou GM, et al. The responses of
Moso bamboo (Phyllostachys heterocycla var. pubescens)
forest aboveground biomass to Landsat TM spectral re鄄
flectance and NDVI. Acta Ecologica Sinica, 2010, 30:
257-263
[10]摇 Lou YP, Li YX, Buckingham K, et al. Bamboo and
Climate Change Mitigation. Beijing: INBAR, 2010
[11] 摇 Zhou G鄄M (周国模). Carbon Storage, Fixation and
Distribution in Mao Bamboo (Phyllostachys pubescens)
Stands Ecosystem. PhD Thesis. Hangzhou: Zhejiang
University, 2006 (in Chinese)
[12] 摇 Song C, Woodcock CE, Seto KC, et al. Classification
and change detection using Landsat TM data: When and
how to correct atmospheric effects. Remote Sensing of
Environment, 2001, 75: 230-244
[13]摇 Schroeder TA, Cohen WB, Song C, et al. Radiometric
correction of multi鄄temporal Landsat data for character鄄
ization of early successional forest patterns in western
Oregon. Remote Sensing of Environment, 2006, 103:
16-26
[14]摇 Gu D, Gillespie A. Topographic normalization of Land鄄
sat TM images of forest based on subpixel sun鄄canopy鄄
sensor geometry. Remote Sense of Environment, 1998,
64:166-175
[15] 摇 Cui R鄄R (崔瑞蕊), Du H鄄Q (杜华强), Zhou G鄄M
(周国模), et al. Remote sensing鄄based dynamic moni鄄
toring of moso bamboo forest and its carbon stock change
in Anji County. Journal of Zhejiang Forestry College
(浙江农林大学学报), 2011, 28(3): 422-431 ( in
Chinese)
[16]摇 Xu X鄄J (徐小军). Study on Estimation of Aboveground
Carbon Storage of Moso Bamboo Forest Based on LAND鄄
SAT TM Image. Master Thesis. Linan: Zhejiang Forest鄄
ry University, 2009 (in Chinese)
[17]摇 Huete AR, Hua G, Qi J, et al. Normalization of multi鄄
directional red and near鄄infrared reflectances with the
SAVI. Remote Sensing of Environment, 1992, 40: 1-20
[18] 摇 Huete AR, Liu H. An error and sensitivity analysis of
the atmospheric and soil鄄correcting variants of the NDVI
for the MODIS鄄EOS. IEEE Transaction on Geoscience
and Remote Sensing, 1994, 32: 897-905
[19]摇 Haralick RM. Statistical and structural approaches to
texture. Proceeding of the IEEE, 1979, 67: 786-804
[20]摇 Lu D, Batistella M. Exploring TM image texture and its
relationship with biomass estimation in Rondonia, Bra鄄
zilian Amazon. Acta Amazonica, 2005, 35: 249-257
[21]摇 St鄄Louis V, Pidgeon AM, Radeloff VC. High鄄resolution
image texture as a predictor of bird species richness. Re鄄
mote Sensing of Environment, 2006, 105: 299-312
[22]摇 Hall RJ, Skakun RS, Arsenault EJ, et al. Modeling for鄄
est stand structure attributes using Landsat ETM+ data:
Application to mapping of aboveground biomass and
stand volume. Forest Ecology and Management, 2006,
225: 378-390
[23]摇 Myeong S, Nowak DJ, Duggin MJ. A temporal analysis
of urban forest carbon storage using remote sensing. Re鄄
72429 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 余朝林等: 毛竹林地上部分生物量遥感估算模型的可移植性摇 摇 摇 摇 摇 摇
mote Sensing of Environment, 2006, 101:277-282
[24]摇 N覸sset E, Bollands覽 SOM, Gobakken T. Comparing re鄄
gression methods in estimation of biophysical properties
of forest stands from two different inventories using laser
scanner data. Remote Sensing of Environment, 2005,
94: 541-553
[25]摇 Muukkonen P, Heiskanen J. Estimating biomass for bo鄄
real forests using ASTER satellite data combined with
standwise forest inventory data. Remote Sensing of Envi鄄
ronment, 2005, 99: 434-447
[26]摇 Xu XJ, Du HQ, Zhou GM, et al. Estimation of
aboveground carbon stock of moso bamboo (Phyllostach鄄
ys heterocycla var. pubescens) forest with a Landsat The鄄
matic Mapper Image. International Journal of Remote
Sensing, 2011, 32: 1431-1448
[27]摇 Liu X鄄F (刘晓芬), Huang Y鄄X (黄义雄), Ye G鄄F
(叶功富), et al. Simulation of vegetation landscape in
Pingtan Island based on BP neural network model. Chi鄄
nese Journal of Applied Ecology (应用生态学报),
2011, 22(8): 2098-2104 (in Chinese)
[28]摇 Wang L鄄H (王立海), Xing Y鄄Q (邢艳秋). Remote
sensing estimation of natural forest biomass based on an
artificial neural network. Chinese Journal of Applied
Ecology (应用生态学报), 2008, 19(2): 261 -266
(in Chinese)
[29]摇 Liu Z鄄H (刘志华), Chang Y (常 摇 禹), Chen H鄄W
(陈宏伟). Estimation of forest volume in Huzhong for鄄
est area based on RS, GIS and ANN. Chinese Journal of
Applied Ecology (应用生态学报), 2008, 19 (9):
1891-1896 (in Chinese)
作者简介摇 余朝林,男,1986 年生,硕士研究生.主要从事林
业遥感研究. E鄄mail: yuzhendao923@ 163. com
责任编辑摇 杨摇 弘
8242 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷