全 文 ：基于激光雷达数据的森林表层土壤
有机质空间格局反演*
李摇 超1 摇 刘兆刚1**摇 岳树峰1 摇 李凤日1 摇 董灵波1 摇 毕摇 猛2
( 1东北林业大学, 哈尔滨 150040; 2中国林业科学院资源昆虫研究所, 昆明 650224)
摘摇 要摇 森林土壤是陆地生态系统的主要碳库,其有机质含量是估算碳储量的基础数据,也
是评价土壤碳汇功能的重要指标. 利用 2009 年 8 月采集的凉水自然保护区激光雷达(Li鄄
DAR)数据和 55 块固定样地土壤有机质含量数据,结合偏最小二乘算法,反演森林表层土壤
有机质的空间格局,提取并筛选出与土壤有机质分布相关的变量,分析并确定变量(强度、点
数、高程、坡度和坡向)值与土壤有机质含量的相关关系,建立土壤有机质含量的预测模型并
检验.结果表明: 研究区域表层土壤有机质含量与强度、点数和高程 3 变量呈极显著相关
(r分别为0. 765、0. 423 和 0. 475);基于此 3 变量的预测模型对研究区域表层土壤有机质含量
的预测结果可靠(精度 83. 3% ,R2 = 0. 725,RMSE = 1. 955) .研究区林缘和郁闭度较小林分的
表层土壤有机质含量<100 g·kg-1;大部分区域表层土壤有机质含量为 100 ~ 150 g·kg-1,少
部分区域为 150 ~ 318. 4 g·kg-1 .
关键词摇 激光雷达摇 森林土壤有机质摇 偏最小二乘法摇 反演
文章编号摇 1001-9332(2012)09-2451-08摇 中图分类号摇 S153. 6; TP772. 6摇 文献标识码摇 A
Retrieval of forest topsoil organic matter爷s spatial pattern based on LiDAR data. LI Chao1,
LIU Zhao鄄gang1, YUE Shu鄄feng1, LI Feng鄄ri1, DONG Ling鄄bo1, BI Meng2 ( 1Northeast Forestry
University, Harbin 150040, China; 2 Institute of Resource Insects, Chinese Academy of Forestry Re鄄
search, Kunming 650224, China) . 鄄Chin. J. Appl. Ecol. ,2012,23(9): 2451-2458.
Abstract: Forest soil is one of the main carbon pools in terrestrial ecosystem. Its organic matter
content can provide basic information for estimating soil carbon storage, and also, is an important
index for evaluating the function of soil carbon sink. Based on the LiDAR data and the topsoil or鄄
ganic matter contents in 55 permanent plots at Liangshui National Nature Reserve, Heilongjiang
Province of Northeast China in August 2009, and by using partial least squares (PLS) method, this
paper retrieved the forest topsoil organic matter爷s spatial pattern in the Reserve, extracted and
screened the variables related to the distribution of the topsoil organic matter ( e. g. , intensity,
counts, elevation, slope, and aspect), and analyzed and defined the correlations between the
screened variables and topsoil organic matter content, with the prediction model of forest soil
organic matter content established and validated. In the Reserve, the forest topsoil organic matter
content was significantly and positively correlated with three variables ( intensity, r = 0. 765;
counts, r=0郾 423; and elevation r=0. 475; all P<0. 001). The model prediction on the topsoil or鄄
ganic matter content was reliable (precision =83. 3% , R2 = 0. 725, RMSE = 1. 955). In the areas
of forest edge and of low canopy stands, the topsoil organic matter content was less than 100
g·kg-1 . The majority of the study area had a topsoil organic matter content of 100-150 g·kg-1,
while a few areas had the topsoil organic matter content as high as 150-318. 4 g·kg-1 .
Key words: LiDAR; forest soil organic matter; partial least squares method; retrieval.
*东北碳汇林优化培育关键技术与示范项目(2011BAD37B02)和林业公益性行业项目(20100400207)资助.
**通讯作者. E鄄mail: lzg19700602@ 163. com
2011鄄11鄄10 收稿,2012鄄06鄄28 接受.
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
Chinese Journal of Applied Ecology, Sep. 2012,23(9): 2451-2458
摇 摇 土壤是林业生产最基本的载体,准确、快速地获
取森林土壤信息是现代林业生产的保证. 土壤有机
质是土壤肥力的重要物质基础,也是全球碳循环和
气候变化研究的核心内容[1] . 揭示土壤有机质的时
空变异规律、掌握其分布状况是实现林业可持续发
展的前提.土壤各种营养物质空间格局研究主要通
过测定某个或多个尺度上土壤各种营养物质含量或
相关因子,借助尺度推演及相关模型实现目标尺度
上的土壤各种营养物质空间格局[2],尺度推演所使
用的方法主要包括地统计学和遥感反演等.其中,地
统计学以变异函数为核心理论,借助克里格插值实
现尺度上推[3-5] .地统计学理论比较详尽、计算方法
较可靠,且能提供尺度上推的估计方差,在土壤各种
营养物质空间格局研究中得到广泛应用,效果也较
理想.但地统计学通常要求采样规则化,数据量较大
的野外采样和室内分析导致负担和成本较高,且实
时性差、观测周期较长[6] . 而遥感技术是一门新兴
的综合性探测技术,能实现短时间内对同一地区进
行重复观测,并可获得大面积的同步数据,且遥感影
像记录的信息可反映土壤的多种特征,因而被广泛
应用于土壤调查和土地评价[7-10] .但由于技术的局
限性,上述研究都是针对农用土地在较少覆盖下
(如休闲期作物残茬、杂草等)进行,很少涉及植被
下的土壤调查及土壤分析.
激光雷达(light detection and ranging,LiDAR)是
近年来迅速发展的主动遥感技术,其脉冲信号能部
分穿透植被,可以快速、高精度和高空间分辨率地测
绘森林和山区的真实地形,在森林土壤参数估测中
具有极大的潜力和优势.高分辨率的 LiDAR 数据主
要用于自动生成高精度的数字高程模型(digital ele鄄
vation model,DEM)、数字表面模型 ( digital surface
model,DSM)和数字冠层模型(digital canopy model,
DCM),这为高效精准的森林监测和经营管理提供
了基础数据. LiDAR 数据是具有三维空间信息和回
波强度的点云数据.三维空间信息使 LiDAR 数据在
森林参数估测中成为可能. 经过 20 多年的发展,激
光雷达在林业中的应用技术已逐渐成熟. 国内外许
多研究证明,机载小光斑 LiDAR数据在森林资源调
查中具有重要作用,通过激光扫描数据可以准确估
测林分特征,如树高、生物量、蓄积量、碳储量
等[11-16] .而回波强度作为 LiDAR数据的另一组成部
分,却没有受到足够重视,关于回波强度在林业中的
应用也鲜有报道.回波强度是目标反射能量大小的
一个度量,其值因航高、大气状况、方向反射特性、目
图 1摇 研究技术路线图
Fig. 1摇 Technique flow of the research.
标反射特性及 LiDAR 系统设置等不同而变化[17] .
近年来的研究发现,LiDAR 回波强度值与目标物体
的光谱反射特性直接相关[18] . 因此,用数理统计方
法来研究 LiDAR数据与土壤参数的关系是可行的,
并且是一种新的发展趋势. 本文通过定量分析 Li鄄
DAR数据变量与土壤有机质含量的关系,用偏最小
二乘法建立凉水自然保护区森林表层土壤有机质含
量的估测模型(图 1),实现了对大范围森林土壤有
机质含量的快速估测,以期为林业经营中的土壤调
查提供一种新的、有效的方法和技术支持.
1摇 研究地区与研究方法
1郾 1摇 研究区概况
位于黑龙江省的凉水国家级自然保护区(47毅6忆
49义—47毅16忆10义 N,128毅47忆8义—128毅57忆19义 E)属森林
生态系统类型的自然保护区,总面积 12133 hm2,森
林总蓄积量 170. 0伊104 m3,森林覆被率 98% ,被誉
为“红松故乡冶和“天然生物实验室冶.该区属温带大
陆性季风气候,年均气温-0. 3 益,年均降水量 676
mm,年积雪期 130 ~ 150 d,年均相对湿度 78% ,年
均蒸发量 805 mm,年日照时数 1850 h. 地带性土壤
为山地暗棕壤,非地带性土壤为草甸土、沼泽土和泥
炭土.山地暗棕壤属于淋溶土纲,是温带湿润地区针
阔混交林下发育的土壤. 地带性植被是以红松(Pi鄄
nus koraiensis)为主的温带针阔叶混交林,属典型阔
叶 鄄红松林分布亚区.保护区内自然资源丰富、植被
2542 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
图 2摇 固定样地分布图
Fig. 2摇 Distribution of sample plots.
群落类型复杂多样,分布有大片较原始的红松针阔
混交林,是我国目前保存最典型和完整的原生红松
阔叶混交林分布区之一. 该保护区是保护和研究我
国红松针阔叶混交林生态系统及生物多样性的天然
基地.
1郾 2摇 土样采集与分析
本研究的土壤样地包括 1989 年通过罗盘和地
形图设定的 1 km伊1 km 的 64 块方形固定样地(图
2),以及 1990 年设置的国家检测样地 2 块,这 2 块
样地分别距离 1989 年设置的样地点 12 和 22 较近,
不适合同 12 和 22 样地数据一同作为建模数据,故
而仅用于模型检验,样地总面积 0. 06 hm2 . 2009 年 8
月在每个样地内,用手持差分 GPS 对样地中心点进
行重新定位,并分别在样地中心和东、南、西、北四角
桩位置进行五点采样. 采样深度 0 ~ 20 cm,每样地
采集样品量 2. 5 kg,并对土样进行编号和记录.将采
集到的土样在阴凉通风处风干并去除植物残体及其
他侵入体后,将土样研磨并分别过 0. 15、0. 25、1、2
mm筛,按序号封存于棕色广口瓶中,采用重铬酸钾
氧化法测定土壤有机质含量. 本次共收集土壤样品
62 个(2 块样地数据丢失),剔除 7 个内业测定异常
数据,有效数据共 55 个. 其中,42 个用于建立土壤
有机质含量与 LiDAR变量的关系,13 个用于检验模
型(表 1).
1郾 3摇 研究方法
1郾 3郾 1 LiDAR数据获取与预处理 摇 本研究中的 Li鄄
DAR数据是 2009 年 9 月通过 Riegl LMS鄄Q560 获取
的离散回波数据,其频率为 1550 nm,激光脉冲的长
度 3. 5 ns,回波宽度的分辨率 0. 15 m,激光离散角
度 0. 5 mrad,垂直精度 0. 15 m,采样间隔 1 ns,采样
的点云密度为每平方米 4. 2 点,飞行相对航高 800
m,平均对地飞行速度 180 km·h-1 . 数据格式为
LAS(1. 0 版),坐标投影系统为 Universe Transverse
Mercator(UTM),参考椭球为 WGS84(World Global
System),每个激光点包含激光点三维坐标值、回波
强度值、类别值、回波类型等 16 个信息.采用 Terra鄄
Scan激光雷达数据处理软件的三角自适应算法对
点云数据进行预处理和分类. 图 3 为研究区域一块
激光雷达地面点云数据的高程图.
1郾 3郾 2 LiDAR变量的提取摇 本研究所用的 LiDAR变
量包括两部分:LiDAR点云数据变量和 LiDAR 点云
数据的衍生变量.依据研究区地形特征、土壤的反射
特性以及国内外相关研究结果,选用回波强度、样地
内点云密度、高程、坡度、坡向作为偏最小二乘回归
分析的入选变量.
利用 ArcGIS 9. 3 对分类后的 LiDAR 地面点云
数据进行处理,实现 LiDAR 与 GIS 矢量辅助数据
(林班、小班等)的地理匹配和生成高精度的 DEM.
并由 DEM生成坡度、坡向图,进一步提取地面点对
应的坡度、坡向值,生成新的坡度、坡向图(图 4).通
过地理编码实现 LiDAR 点云的坐标数据和样地边
界的矢量数据进行匹配,同时通过 ArcGIS 9. 3 建立
样地数据的矢量图层,在准确地理编码的基础上,实
现样地位置与 LiDAR数据的准确匹配,从而以样地
矢量图层为边界,提取样地内 LiDAR 点云数据,并
取其数据均值作为样地数据的对应值.利用 ArcGIS
9. 3 提取对应样地内的平均回波强度、点云密度、平
均高程、平均坡度、平均坡向值,各变量的统计特征
见表 2.
1郾 3郾 3 偏最小二乘( PLS)回归方法 摇 偏最小二乘
(partial least squares,PLS)可以很好地解决各变量
集合内部存在较高程度相关性时的模型稳定性问
题,用 PLS进行回归建模分析比对逐个因变量进行
多元回归更有效,其结论更可靠、整体性更强[19] .本
研究由于变量较多且变量间存在一定的相关性,因
表 1摇 土壤样品有机质含量的描述统计量
Table 1摇 Descriptive statistics for SOM of soil samples
组名
Group name
样品数
Number
最小值
Min. (g·kg-1)
最大值
Max. (g·kg-1)
平均值
Mean (g·kg-1)
标准差
SD (g·kg-1)
变异系数
CV (% )
建模组 Data for modeling 42 57. 10 174. 90 116. 56 24. 46 21. 0
检验组 Data for testing 13 62. 70 178. 00 109. 78 32. 03 29. 2
35429 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 李摇 超等: 基于激光雷达数据的森林表层土壤有机质空间格局反演摇 摇 摇 摇 摇 摇
图 3摇 LiDAR地面点云数据的高程分布
Fig. 3摇 Elevation distribution of LiDAR point clouds.
表 2摇 LiDAR变量的描述统计量
Table 2摇 Descriptive statistics for variables of LiDAR data
(n=55)
变量
Variable
回波强度
Intensity
点云密度
Counts
高程
Elevation
(m)
坡度
Slope
(毅)
坡向
Aspect
(毅)
最小值 Min. 8. 51 80. 00 331. 13 0. 83 51. 44
最大值 Max. 32. 06 1070. 00 638. 79 20. 95 331. 90
平均值 Mean 15. 44 428. 22 447. 68 8. 76 186. 10
标准差 SD 4. 33 214. 18 82. 70 4. 95 84. 67
变异系数 CV (% ) 28. 0 50. 0 18. 5 56. 5 45. 5
此,采用 PLS回归分析方法进行建模.
使用 PLS方法建立模型的核心问题是如何确
定建立模型所使用的主成分数. 主成分数增加会提
高模型精度,但主成分过多又会造成过度拟合现象,
使模型的预测能力下降. 本研究使用交互验证
法[20-22]( cross validation)来计算预测残差平方和
( predictive residual error sum of square, PRESS),
PRESS值越小,说明模型的预测能力越强 . 依据
PRESS的最小值可以确定最佳主成分数. 如果提取
的主成分之间 PRESS相差不大,还应参考拟合误差
平方和(sum of square error,SS)来综合选取主成分.
PRESS和 SS计算公式如下:
PRESSA =移
n
i = 1
(yi - y^A( -i)) 2
SSA =移
n
i = 1
(yi - y^Ai) 2
式中:A为提取的主成分个数;PRESSA为提取 A 个
主成分的 PRESS 值;SSA为提取 A 个主成分的 SS
值;yi 为第 i个样本的实测值;y^Ai为用前 A个综合变
量回归建模计算的 yi 拟合值;y^A(-i)为建模时去掉第
i个样本点后,用剩下的 n-1 个样本点依然提取前 A
个综合变量(即 A个主成分)重新建立回归模型,然
后重新计算的 yi 拟合值.
1郾 3郾 4 变量投影重要性指标的计算摇 本研究通过各
变量的变量投影重要性( variable importance in pro鄄
jection,VIP)指标来考察参数的有效性. VIP 指自变
量 x j在解释因变量 Y时的重要性. VIP>1 时,说明自
变量在解释因变量时有更重要的作用;VIP 在 0. 5 ~
1 时,解释作用的重要性还不明确,需要增加样本或
根据别的条件进行判断;VIP<0. 5,说明自变量对因
变量的解释基本没有意义[20] . VIP计算公式如下:
VIP j =
p
Rd(Y;t1,t2,…,tm)
移
m
h = 1
Rd(Y;th)w2hj
式中:p 为自变量个数;m 为 PLS 提取的成分个数;
Rd(Y;t1,t2,…,tm) =移
m
h = 1
Rd(Y;th) 为 m个成分对 Y
的累计解释能力;R(Y;th)代表成分 th对 Y的解释能
力,为二者相关系数的平方;whj是轴wh的第 j个分
图 4摇 研究区 DEM(a)、坡度(b)和坡向(c)分布图
Fig. 4摇 Distribution of DEM (a), slope (b) and aspect (c) in the study area.
4542 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
量,wh是矩阵 XTh-1Yh-1YTh-1Xh-1的特征向量[21] .
1郾 3郾 5 模型精度评价 摇 利用独立检验样本数据,通
过决定系数(R2)和均方根误差(RMSE)对所建模型
进行独立性检验;并利用数据点到拟合曲线垂直距
离的标准差(Sy·x)来评价数据拟合的好坏. 评价指
标的计算公式如下:
R2 =
[移(yi - 軃yi)( y^i 寛- yi)] 2
移(yi - 軃yi) 2移( y^i 寛- yi) 2
RMSE = 1n移(yi - y^i)
2
Sy·x =
移(yi - y^i) 2
n - p
P = 1 -
t0郾 05S軇y
y^( )- 伊 100%
式中:yi 为观测值;y^i 为预测值;軃yi 为实测值的平均
值;軇yi 为预测值的平均值; 軃y =移yi / n;y^- = 移 y^i / n;
S軃y =
移(yi - y^i) 2
n(n - p) ;n为检验样本个数;p 为参数
个数;P为检验结果可信程度的指标.
1郾 4摇 数据处理
本研究通过 TerraScan、SAS 9. 1 和 ArcGIS 9. 3
软件分别对 LiDAR数据进行处理和分析,主要包括
点云数据的滤波处理、分类、变量的描述性统计、
Pearson 相关性分析、主成分分析和 PLS 建模、DEM
生成、LiDAR变量提取及成图等(图 1).
2摇 结果与分析
2郾 1摇 LiDAR变量与土壤有机质含量的相关性分析
研究区域 LiDAR 变量存在较大的标准差和极
差(表 2),说明这些数据的离散程度较大,可以有效
地反映土壤有机质含量的差异性.建模数据集中,42
个样本的土壤有机质含量与回波强度、高程和点云
密度间都存在较高的相关性(表3) . 但LiDAR变量
间也存在较高的相关性,如高程与坡度呈极显著相
关,回波强度与高程呈显著相关,说明这些变量间存
在较严重的多重共线性. 因此,用 PLS 算法建立模
型比用传统统计算法和普通最小二乘法更合理.
2郾 2摇 森林表层土壤有机质的偏最小二乘模型
2郾 2郾 1 最佳主成分个数摇 PLS 将多元校正的目标直
接定位在预测上,所以确定 PLS 主成分数量的原则
就是使 PRESS值最小. 从图 5 可以看出,随主成分
数的增加,PRESS 值不断减小,说明因主成分数偏
少模型拟合不充分;直至主成分数为 3 时,PRESS值
最小为 105. 86;之后在主成分数为 4 和 5 时,PRESS
和 SS值没有明显变化,说明引进新的成分对减少方
程的反演误差无显著改善作用;随着主成分数的继
续增大,PRESS和 SS 值都明显增加,说明由于主成
分数过多而出现了过拟合现象. 从自变量中提取的
前 3 个成分可分别解释变差的 69. 8% 、10. 7%和
2郾 4% ,前 3 个主成分累积解释了自变量信息的
82郾 9% .因此,本文采用 3 个主成分进行 PLS建模.
2郾 2郾 2 SOM影响因子的 VIP值摇 构建模型的 PLS分
析过程中,自变量集对解释因变量的作用大小依次
为:回波强度>高程>点云密度>坡度>坡向(图 6).
其中,回波强度在解释因变量时具有更重要的作用;
高程、点云密度和坡度的 VIP 值在 0. 5 ~ 1. 0,说明
这些自变量对解释因变量的重要性还不明确,有待
图 5摇 PRESS和 SS随主成分个数的变化
Fig. 5摇 Changes in PRESS and SS with the number of principal
components.
表 3摇 土壤有机质含量与 LiDAR变量的相关系数
Table 3摇 Correlation coefficients of SOM and variables of LiDAR data (n=42)
有机质
SOM
回波强度
Intensity
点云密度
Counts
高程
Elevation
坡度
Slope
坡向
Aspect
有机质 SOM 摇 1
回波强度 Intensity 摇 0. 765** 摇 1
点云密度 Counts 摇 0. 423** 摇 0. 324* 摇 1
高程 Elevation 摇 0. 475** 摇 0. 422* 摇 0. 251 摇 1
坡度 Slope 摇 0. 130 摇 0. 182 摇 0. 152 摇 0. 529** 摇 1
坡向 Aspect -0. 0142 -0. 103 摇 0. 151 -0. 006 摇 0. 093 1
* P<0. 05; ** P<0. 01.
55429 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 李摇 超等: 基于激光雷达数据的森林表层土壤有机质空间格局反演摇 摇 摇 摇 摇 摇
图 6摇 SOM预测变量的 VIP值
Fig. 6摇 VIP value of the predictors of SOM.
A:回波强度 Intensity; B:高程 Elevation; C: 坡度 Slope; D:点云密度
Counts; E:坡向 Aspect.
进一步验证;坡向的 VIP 值<0. 5,说明该变量对因
变量的解释基本没有意义. 本文综合考虑各变量的
VIP值和各变量与 SOM 的相关性,选取回波强度、
高程和点云密度 3 个 LiDAR 变量建立森林表层土
壤有机质含量的 PLS反演模型.
2郾 2郾 3 反演模型的建立 摇 因各变量的量纲不同,为
使数据间具有可比性,采用简单线性拉伸对数据进
行归一化处理.以回波强度、高程和点云密度为自变
量,以森林表层土壤 SOM为因变量,通过 42 个固定
样地土壤有机质含量数据,进行 PLS 迭代运算,得
到森林表层土壤有机质含量的反演模型:
SOM = - 12郾 2324 + 0郾 4087int + 0郾 8091ln cou +
2郾 0968ln ele
式中:SOM 为森林表层土壤有机质含量; int、ele 和
cou分别为土壤样品采集样地的点云强度、高程、点
云密度.
利用独立样本检验数据对上述模型进行精度检
验,结果表明,土壤 SOM 实测值与反演值间存在斜
率为 0. 7246 的线性关系(图 7);其 RMSE 和 Sy·x值
分别为1郾 955、2郾 349,表明模型估计效果较可靠;模
图 7摇 SOM模型评价
Fig. 7摇 Evaluation of SOM model.
图 8摇 研究区域 SOM空间分布
Fig. 8摇 Spatial distribution of SOM in the study area.
型的预估精度为 83. 3% ,说明利用 PLS 算法建立的
多元回归分析模型能较好地反演研究区森林表层土
壤有机质含量.
2郾 3摇 研究区土壤有机质含量的空间格局
利用研究区域的 LiDAR 地面点云数据、DEM
数据叠加矢量化的林相图去掉非林地区域后,基于
PLS估测模型,得到研究区域森林表层土壤有机质
含量的空间分布.研究区域内森林表层土壤有机质
含量的变化范围在 84. 9 ~ 318. 4 g·kg-1, < 100
g·kg-1的变异系数显示研究区域森林表层土壤有
机质含量属较弱程度的空间变异性[23] .研究区域的
地貌类型以山地、丘陵为主,同时存在大量植被,为
消除这些因素对反演结果的干扰,将研究区域土壤
有机质含量分为 5 个等级:较低(<100 g·kg-1)、中
等(100 ~ 150 g·kg-1)、较高(150 ~ 200 g·kg-1)、高
(200 ~250 g·kg-1)、极高(>250 g·kg-1).由图 8 可
以看出,去除建筑物、道路、水体等非森林因素,研究
区土壤有机质含量主要分布在较低和中等级;研究
区域森林表层土壤有机质平均含量达 111郾 3
g·kg-1,远高于全国土壤养分含量的极丰富阈值
(>40 g·kg-1).
3摇 讨摇 摇 论
激光雷达是近年来迅速发展的主动遥感技术,
其脉冲信号能部分穿透植被,可以快速、高精度和高
空间分辨率地测绘森林和山区的真实地形,在森林
土壤理化性估测中具有极大的潜力和优势. 本文对
于 LiDAR变量与土壤参数关系的研究结果表明,土
壤有机质含量与 LiDAR变量间存在较强的相关性,
6542 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
这为森林表层土壤有机质含量的反演提供了可能.
然而,LiDAR变量之间存在多重共线性,导致一般回
归算法难以建立有效的目标参数估测模型. 本文采
用 PLS算法构建了以回波强度、高程和点云密度为
自变量的 SOM 预估模型,模型的预估精度为
83郾 3% ,对研究区域 SOM的反演结果与实际情况吻
合度较高,说明利用该 PLS 模型反演森林表层土壤
有机质含量是有效、可行的.本研究结果为利用激光
雷达数据进行森林表层土壤有机质含量的调查提供
了一种有效的方法和技术支持.
尽管 Ahokas 等[18]研究发现,LiDAR 回波强度
值与目标物体的光谱反射特性直接相关,但其内部
机理还不是很清晰,需要进一步研究和分析.基于本
研究结果可对其可能的机理进行如下探讨:1)激光
雷达的回波强度与地物的光谱特性密切相关[18],即
不同地物对不同波长的吸收、反射等特性不同,从而
造成地物光谱差异;而激光雷达的回波强度与这种
差异的相关性显著,可能由于所含元素种类的不同
影响了地物的颜色、表面粗糙程度等因素,成为影响
激光雷达回波强度的主因. 2)土壤有机质含量极大
地影响土壤的结构特征(如颗粒大小、粗糙程度、团
聚状态和颜色等) [24],可能在土壤颗粒的微观尺度
上影响其对 LiDAR点的反射角度,从而影响回波点
的接收,进而影响回波的点云密度. 3)土壤有机质
含量影响土壤的亲水性,而土壤水分含量与遥感特
定波段的相关性明显[24],但土壤有机质含量、水分
含量和激光雷达具体相关波段间的关系非常复杂,
而激光雷达波的回波强度与土壤含水量之间的关系
也较复杂,且土壤有机质含量的差异使激光雷达回
波强度与土壤水分含量的关系进一步复杂化,其内
在机理还有待进一步研究. 4)高程与回波强度间的
相关性明显(P=0. 422),可能的原因是回波路程越
短,LiDAR波在传播过程中其他因素(如大气衰减、
水汽吸收、粒子散射等)的影响越小,衰减程度也越
小. 5)地形因素(坡度和坡向等)可能从较大尺度上
影响 LiDAR回波的反射角度及回波强度等因子,但
坡度、坡向等变量与土壤有机质含量的关系不显著.
6)地面高程与点云密度间存在可能相关性,即相同
的回波接收高度上,不同高程回波点的接收角度不
同.但激光雷达接收仪器的接收范围一定,因此即便
地面反射率相同,当地面反射面积相同时,激光雷达
接收仪器接收到来自不同高程反射点的数目不同,
即高程越高,激光雷达接收仪器所接收到的点越少,
从而影响点云密度.
目前,激光雷达仪器的回波接收方法存在相当
程度的误差,其可能影响反演精度的干扰因素如下:
1)土壤水分含量是影响土壤有机质含量的一个重
要因素.两者在机理上存在已知的相关性[24],而且
土壤水分含量与红外遥感和可见光遥感的特定波段
相关性明显.因此,激光雷达数据反演土壤有机质含
量者必然受土壤水分含量的影响,但影响程度需进
一步研究. 2)森林地面的枯枝落叶厚度是影响 Li鄄
DAR数据反演土壤有机质含量精度的又一重要因
素.枯枝落叶层属于森林地面最上层,其厚度、粗糙
度、含水量及不同落叶类型的有机质含量等因素可
能影响 LiDAR的穿透性、回波强度、反射角等,从而
对土壤有机质反演精度构成影响. 3)航测当时的气
象条件(如空气湿度、颗粒物含量等)及大气本身
(如大气散射、衰减等)对 LiDAR数据的采集产生影
响,从而影响土壤有机质含量的反演精度. 4)森林
表层的郁闭度及底层的植被盖度影响 LiDAR 波的
穿透性,其间存在的多重反射也必然影响回波强度
和反射角. 因此,这是影响土壤有机质含量 LiDAR
反演精度的又一重要因素. 5)土壤有机质含量的实
验室测定必然存在一定误差,尽管这类误差属于偶
然误差,但依然是影响土壤有机质含量精确反演的
一个因素. 6)在 LiDAR 数据处理过程中,存在一定
误差,尤其是用三角自适应算法的地面点云分离过
程存在一定误差,该误差将通过误差传播,影响土壤
有机质含量的精确反演. 7)其他因素如飞机飞行的
平稳程度、激光雷达系统的稳定性等因素也会通过
影响 LiDAR数据的精度影响反演精度.
限于方法、数据和技术等方面的原因,有关 Li鄄
DAR反演森林表层土壤参数的相关研究还有待深
入:1)本研究运用的 LiDAR发射频率为 1550 nm,这
部分频率的数据与土壤有机质含量之间并非简单的
线性相关,反演模型的效果一般;但随着激光雷达技
术的发展,更高频率的激光雷达设备将投入使用,土
壤有机质含量最敏感波段(550 ~ 700 nm) [25] LiDAR
数据的获取将成为可能,预计这部分数据用于土壤
有机质含量反演的效果会更理想. 2)研究区域为以
原始红松为主的针阔混交林,郁闭度较高,约 0. 75,
导致地面点的获取数量受到影响,预计 LiDAR 数据
用于研究郁闭度较低的森林或群落结构较简单的农
田或草原生态系统的土壤有机质空间格局时,效果
会较好. 3)LiDAR数据与土壤其他重要参数如含氮
量、有效磷含量等的关系有待进一步研究. 4)尽管
LiDAR数据已经在森林结构参数的估测研究中取得
75429 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 李摇 超等: 基于激光雷达数据的森林表层土壤有机质空间格局反演摇 摇 摇 摇 摇 摇
了一些成果,且已凸显出优势,但目前 LiDAR 技术
和数据处理算法仍处于不断的发展和完善中. 随着
各种算法和处理技术的应用,更精确地分离地面点
云数据层将成为可能,可为更精确地估测土壤参数
提供有力支撑.
参考文献
[1]摇 Zhang C鄄H (张春华), Wang Z鄄M (王宗明), Ren C鄄
Y (任春颖), et al. Temporal and spatial variations of
soil organic and total nitrogen in the Songnen Plain
maize belt. Geographical Research (地理研究), 2011,
30(2): 256-268 (in Chinese)
[2]摇 Leemans R. Scientific challenges for anthropogenic re鄄
search in the 21th century: Problems of scale / / Ehlers
E, Krafft T, eds. Earth System Science in the Anthro鄄
pogenic. Berlin: Springer, 2006: 249-262
[3]摇 Wang Z鄄Q (王政权). Geo鄄statistics and Its Application
in Ecology Science. Beijing: Science Press, 1999 ( in
Chinese)
[4]摇 Goovaerts P. Geo鄄statistics in soil science: State鄄of鄄the
art and perspectives. Geoderma, 1999, 89: 1-45
[5]摇 Iqbal J, Thomasson JA, Jenkins JN, et al. Spatial vari鄄
ability analysis of soil physical properties of alluvial
soils. Soil Science Society of America Journal, 2005,
69: 1338-1350
[6]摇 Zhang F鄄S (张法升), Liu Z鄄X (刘作新), Shen Y鄄J
(沈业杰), et al. Spatial variability of soil organic mat鄄
ter in small scale across a cropland. Ecological Science
(生态科学), 2009, 28(6): 532-536 (in Chinese)
[7]摇 Zhang F鄄C (张法升), Qu W (曲摇 威), Yin G鄄H (尹
光华), et al. Spatial pattern of surface soil organic mat鄄
ter based on remotely sensed multispectral image. Chi鄄
nese Journal of Applied Ecology (应用生态学报),
2010, 21(4): 883-888 (in Chinese)
[8]摇 Wu Y鄄K (吴亚坤), Yang J鄄S (杨劲松), Li X鄄M (李
晓明). Study on spatial variability of soil salinity based
on spectral indices and EM38 readings. Spectroscopy and
Spectral Analysis (光谱学与光谱分析), 2009, 29
(4): 1023-1027 (in Chinese)
[9]摇 Fox GA, Sabbagh GJ. Estimation of soil organic matter
from red and near鄄infrared remotely sensed data using a
soil line Euclidean distance technique. Soil Science Soci鄄
ety of America Journal, 2002, 66: 1922-1929
[10]摇 Hill J, Sch俟tt B. Mapping complex patterns of erosion
and stability in dry Mediterranean ecosystems. Remote
Sensing of Environment, 2000, 74: 557-569
[11]摇 Koukoulas S, Blackburn GA. Mapping individual tree
location, height and species in broad leaved deciduous
forest using air borne LiDAR and multi鄄spectral remotely
sensed data. International Journal of Remote Sensing,
2005, 26: 431-455
[12]摇 Zhao F (赵摇 峰), Pang Y (庞摇 勇), Li Z鄄Y (李增
元), et al. Extraction of individual tree height using a
combination of aerial digital camera imagery and Li鄄
DAR. Scientia Silvae Sinicae (林业科学), 2009, 45
(10): 81-87 (in Chinese)
[13]摇 Holmgren J, Nilsson M, Olsson H. Estimation of tree
height and stem volume on plots using airborne laser
scanning. Forest Science, 2003, 49: 419-422
[14] 摇 Feng Z鄄K (冯仲科), Yang B鄄G (杨伯钢), Luo X
(罗摇 旭), et al. Predicting stand volume with LiDAR
technology. Journal of Beijing Forestry University (北京
林业大学学报), 2007, 29(suppl. 2): 25-51 (in Chi鄄
nese)
[15]摇 Nelson R, Short A, Valenti M. Measuring biomass and
carbon in Delaware using an airborne profiling LiDAR.
Scandinavian Journal of Forest Research, 2004, 19:
500-511
[16]摇 Kim SR, Kwar DA, Lee WK, et al. Estimation of car鄄
bon storage based on individual tree detection in Pinus
densiflora stands using a fusion of aerial photography and
LiDAR data. Science China Life Sciences, 2010, 53:
885-897
[17]摇 Baltsavias EP. Airborne laser scanning: Basic relations
and formulas. ISPRS Journal of Photogrammetry & Re鄄
mote Sensing, 1999, 54: 199-214
[18]摇 Ahokas E, Kaasalainen S, Hyypp覿 J, et al. Calibration
of the Optech ALTM 3100 laser scanner intensity data
using brightness targets. ISPRS Commission I Symposi鄄
um, Marne鄄la鄄Vallee, France, 2006: 230-253
[19]摇 N覸sset E, Bollands覽s OM, 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
[20]摇 Umetrics AB Inc. Tutorial SIMCA鄄P Version 11郾 5.
Umea, Sweden: U鄄metrics AB Company, 2007
[21]摇 Wang H鄄W (王惠文), Wu Z鄄B (吴载斌), Meng J
(孟 摇 洁). The Linear and Nonlinear Approach for
PLS. Beijing: National Defense Industry Press, 2006
(in Chinese)
[22]摇 Malthouse EC, Tamhane AC, Mah RSH. Nonlinear par鄄
tial least squares. Computers and Chemical Engineering,
1997, 21: 875-890
[23]摇 Lei Z鄄D (雷志栋), Yang S鄄X (杨诗秀), Xu Z鄄R (许
志荣), et al. Research on spatial variability of soil
properties. Journal of Hydraulic Engineering (水利学
报), 1985(9): 10-21 (in Chinese)
[24]摇 Zhao Y鄄S (赵英时). Principle and Method of Analysis
of Remote Sensing Application. Beijing: Science Press,
2003 (in Chinese)
[25]摇 Galv觔o LS,Vitorello I. Variability of laboratory meas鄄
ured soil lines of soils from southeastern Brazil. Remote
Sensing of Environment, 1998, 63: 166-181
作者简介摇 李摇 超,男,1985 年生,硕士研究生.主要从事遥
感和地理信息系统在林业、土壤及生态等方面的应用研究,
发表论文 6 篇. E鄄mail: lichaoletter0501@ hotmail. com
责任编辑摇 杨摇 弘
8542 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