林业科学  2017, Vol. 53 Issue (7): 94-104   PDF    
DOI: 10.11707/j.1001-7488.20170710
0

文章信息

张煜星, 王雪军, 黄国胜, 党永峰, 陈新云
Zhang Yuxing, Wang Xuejun, Huang Guosheng, Dang Yongfeng, Chen Xinyun
森林面积多阶遥感监测方法
Forest Area Remote Sensing Monitoring Using the Multi-Level Sampling Interpretation Approach
林业科学, 2017, 53(7): 94-104.
Scientia Silvae Sinicae, 2017, 53(7): 94-104.
DOI: 10.11707/j.1001-7488.20170710

文章历史

收稿日期:2016-01-08
修回日期:2016-06-29

作者相关文章

张煜星
王雪军
黄国胜
党永峰
陈新云

森林面积多阶遥感监测方法
张煜星, 王雪军, 黄国胜, 党永峰, 陈新云    
国家林业局调查规划设计院 北京 100714
摘要:【目的】从林业数据采集的迫切需求出发,采用遥感技术实现森林资源数据的快速年度出数,以及时掌握区域森林资源变化信息。【方法】建立遥感3阶抽样与地面调查技术相结合的森林资源遥感监测技术体系,并以辽宁省为例,利用2013-2014年高、中、低多源遥感数据,进行基于多阶抽样的省级森林面积监测方法实践。【结果】遥感结合地面样地实测,建立了地面样地与高分样地,高、中分样地以及中、低分样地的森林面积回归模型,其模型确定系数(R2)分别为0.99、0.91和0.70,模型精度较高;基于3阶分层抽样的遥感监测方法得到辽宁省2014年森林面积预测值为590.83×104hm2,森林覆盖率为40.54%,略高于清查结果(40.49%);从抽样精度来看,采用分层抽样方法得到的森林面积最为可靠,抽样精度达99%以上;通过精度分层控制,基于MODIS NDVI阈值法制作了辽宁省森林分布图,实现了辽宁省森林面积和空间分布的年度产出。【结论】基于遥感抽样与地面调查技术相结合的森林面积多阶遥感监测方法可行,既可提高监测成果的时效性,又能缩短成果产出周期,具有很好的应用前景,可为下一步建立全国遥感监测体系提供重要的技术支持。
关键词:多阶抽样    遥感监测    判读区划    森林面积    年度监测    
Forest Area Remote Sensing Monitoring Using the Multi-Level Sampling Interpretation Approach
Zhang Yuxing, Wang Xuejun , Huang Guosheng, Dang Yongfeng, Chen Xinyun    
Academy of Forest Inventory and Planning, State Forestry Administration Beijing 100174
Abstract: 【Objective】It is the urgent requirement for forestry that forest resources data and changing information are quickly and effectively acquired by using remote sensing.【Method】This study built forest resource monitoring approach by combining three levels sampling of remote sensing imagery and field surveying. We chose Liaoning Province as study area to assess our method by using multi-source remote sensing data with high, medium and low spatial resolution from 2013 to 2014.【Result】Firstly, we obtained the forest area estimating model by combining separately filed measured plots and high, middle and low resolution remote sensing data. The performance of these three forest area regress model were evaluated and showed high precision(R2=0.99, 0.91, 0.70, respectively). Secondly, we estimated the forest area (590.83 million hectares) and forest coverage(40.54%) of Liaoning Province, respectively. The value of forest coverage is similar to that determined by forest resources inventory(40.49%), which proved that the proposed method in this study could obtain forest area with high precision(more than 99%). In addition, the forest distribution map of Liaoning Province was produced based on MODIS NDVI threshold value method. This study proposed a forest resource monitoring approach which can obtain annual forest area and distribution map of Liaoning Province.【Conclusion】This research explored the method of remote sensing monitoring indices as an available technique. It would be helpful to monitoring forest resource because of the shortening forest monitoring result output cycle. The forest resource monitoring approach proposed in this paper should have a bright future of application and dissemination, and would provide important support for building remote sensing monitoring system of national forest resource.
Key words: multi level sampling    remote sensing monitoring    interpretation division    forest area    annual monitoring    

森林资源变化的精准快速监测,长期以来一直是学术界的研究焦点。现今,国内外广泛采用遥感技术和地面抽样相结合的方法来监测森林资源(Scott,1998Rogan et al., 2002Tuominen et al., 2005Röder et al., 2008Fraser et al., 2009),遥感可为地面抽样调查提供详细的抽样框和分层信息,提高抽样调查效率,而地面抽样调查可为遥感提供充分的地面数据和验证依据。如美国国家农业统计局(NASS)实践了空间统计抽样方法与遥感监测技术相结合的多样框抽样调查,欧盟MARS计划利用分层系统抽样方法选择遥感影像(Chhikara et al., 1985MacDonald et al., 1980胡如忠等,2002),结果发现遥感技术和抽样相结合不仅可以减小调查难度,快速获取地类信息,而且还可以降低调查成本,对提高监测精度和效率具有重大意义(李连发等,2004Muukkonen et al., 2007)。

在森林资源调查与监测方法研究方面,美国利用航空照片、卫星图像与3阶抽样设计相结合的方法来获取全国森林资源数据,加拿大利用遥感大样地结合森林经营档案和其他辅助信息源分层抽样的方式以达到清查森林资源的目的(Gillis et al., 2005)。巴西、澳大利亚等国也提出了基于多阶抽样设计的全国森林资源监测体系框架。联合国粮农组织(FAO)在2010年全球森林资源评估中,采用大样地设计和遥感区划调查相结合的方式获取地类面积等因子(Smith,2002Gillis et al., 2005)。我国也有很多学者利用遥感技术进行森林资源监测方法的探索研究(孙玉军,2007曾伟生等,2012),如利用遥感数据、不同时间调查地面样地数据之间的关系,构造三相抽样估计方法,以提高年度面积监测的估计精度(葛宏立等,2007);采用大样地双重抽样调查方法开展森林资源监测研究,探索森林资源监测的新途径与协同不同森林资源数据的新方法(陈振雄等,2014王雪军等,2015);采用多源、多级分辨率、多时相遥感数据结合地面调查数据,开展基于PPS抽样技术的多级遥感监测方法研究,为建立区域森林资源年度出数提供了方法支持(王雪军,2013)。目前,虽然国内在有关森林资源年度监测方法等方面取得了进展,但是省级乃至全国性的森林资源年度遥感监测技术框架至今仍未建立。

近年来,我国提出实现国家和地方森林资源监测工作“一盘棋”、森林资源“一套数”、森林分布“一张图”的管理目标(国家林业局,2014),不论是国家决策层面还是社会公众层面,对及时掌握全国森林资源变化信息的需求愈加迫切。鉴于此,本文利用辽宁省2013—2014年多源遥感数据,探讨建立以省(市、区)为总体的森林资源多阶抽样监测方法,以期实现全国和省(市、区)森林面积和空间分布的年度监测,进而为建立全国森林资源年度监测技术框架提供技术支持。

1 研究区概况与研究方案 1.1 研究区概况

辽宁省位于我国东北地区的南部(118°50′—125°46′E,38°43′—43°29′N),属暖温带季风大陆性气候,年均降水量为714.9 mm,年均气温4~10 ℃。陆地总面积14.59万km2,其中山地丘陵占62%、平原占30%、其他占8%。辽宁省土壤多为草甸土、褐色土、棕色森林土,植被兼有长白、蒙古和华北3种植物区系。

1.2 研究方案 1.2.1 体系框架

在全国森林资源遥感监测中,全部使用高分辨率影像数据,需求数量巨大,大面积数据获取能力有限,而且数据处理工作量大、效率低,难以大规模生产应用;而低、中分辨率数据具有重访周期短、覆盖面宽、获取数据容易等优势。因此,为提高监测的时效性和效率,有必要综合应用高、中、低分辨率遥感数据。根据对遥感数据源空间分辨率的需求和国内外常用卫星数据源情况,可分为高、中、低3个级别:高分遥感分辨率在亚米级左右,即1 m以下;中分遥感分辨率一般在2~30 m之间;低分遥感分辨率一般为100 m以上。遥感结合地面样地实测,建立基于地面调查的森林资源高分辨率遥感监测模型,进而以地面调查控制高分辨率遥感监测精度,以高分辨率数据精度控制中分辨率遥感监测精度,以中分辨率遥感监测控制低分辨率遥感监测精度,提高森林遥感监测的整体精度。本文即按这一技术思路提出了多阶遥感监测与地面调查相结合的森林资源遥感监测技术框架(图 1),用低分辨率遥感数据快速监测森林资源空间分布及变化信息,用中分辨遥感数据监测总体(以全国或省为总体)的森林资源变化,用高分辨率遥感数据监测区域森林资源主要类型的变化数据。一个总体(全国或省区)可以根据地理要素和森林资源分布区划几个副总体,分别副总体建立遥感监测模型,再采用分层抽样技术进而建立总体的森林资源监测模型。具体为:在副总体内,中、高分辨率数据遥感样地和地面调查样地采用机械抽样方式布设,各阶样地面积相同、数量不等,精准匹配一定数量的样地,分别建立森林资源的高分辨率遥感与地面实测、中与高、低与中分辨率遥感的监测回归模型,实现精度分层控制,提高中、低分遥感数据的分类识别精度,对区域等大尺度快速获取森林资源宏观监测信息,对局部地区获取精细分类信息,实现从全国、区域、地块的多尺度森林资源遥感监测,为森林面积年度出数提供技术支撑。

图 1 森林资源多阶抽样遥感监测技术框架 Fig.1 The framework of multi-level sampling approach remote sensing monitoring for forest resources
1.2.2 抽样框架与样地布设

本文提出基于3阶抽样的森林资源年度遥感监测体系,全国布设20 km×20 km网格23 638个,全国可以作为一个总体,分3阶抽样建立遥感监测体系,也可以省(直辖市、区)为总体,网格仍为20 km×20 km。本文以辽宁省为监测总体建立遥感监测体系如下:第1阶为覆盖辽宁省的250 m MODIS低分辨率遥感数据,包括遥感制图和网格抽样,网格按20 km×20 km布设,辽宁省共376个网格,以获取总体内森林资源空间分布信息和变化趋势,并进行森林资源遥感制图;第2阶为2~5 m(优于5 m)的中分辨率遥感样地(以下简称中分样地),其建立在系统分布的20 km×20 km网格中心,按4 km×4 km布设遥感样地,共376个进行判读解译;第3阶为亚米级的高分辨率遥感样地(以下简称高分样地),同样建立在20 km×20 km网格内,按4 km×4 km布设遥感样地,机械抽取不少于1/6的遥感样地作为判读解译样地,并同时布设坐标相匹配的地面调查遥感验证样地(地面样地),样地面积仍为4 km×4 km,进行全样地实测调查,或在样地内设置小样地进行验证调查, 小样地数量和大小(如26 m×26 m、100 m×100 m等)可以根据各类总体的情况按所需调查抽样精度研究确定。辽宁省共抽取66个亚米级高分样地,相应设置66个4 km×4 km地面样地,并全部进行森林资源地面核实调查;同时,鉴于辽宁省地形特征和森林资源分布特点,采取分层抽样方式,提高抽样效率,具体分为东部山区和中西部平原2个副总体(图 2),2个副总体抽样方法相同,分别建立森林资源监测模型。

图 2 辽宁省大样地布设方案 Fig.2 Sample layout scheme in Liaoning Province
1.3 森林面积估计方法及精度计算

本文森林面积估计通过建立中分样地判读数据、高分样地判读数据和地面样地调查数据三者的二步回归方法来实现。

第1步:建立地面验证样地判读数据与高分遥感样地判读数据之间的回归方程。以地面样地的某地类实测面积数z为因变量,对应高分样地数据的某地类判读面积数x为自变量,建立回归方程:

$z = a + bx + \varepsilon 。$ (1)

式中:ab为参数,下同。

通过

$\hat z = a + bx,$ (2)

以地面样地的某地类实测面积为单位,计算出高分样地某地类判读面积的估计值$\hat z$

第2步:以高分样地的某地类判读面积y为因变量,对应中分样地数据的某地类判读面积$\hat z$为自变量,建立回归方程:

$y = a + b\hat z + \varepsilon 。$ (3)

根据

$\hat y = a + b\hat z,$ (4)

计算总体某地类的面积估计值:

$\hat B = \sum\limits_{i = 1}^N {{{\hat y}_i}} = aN + b\sum\limits_{i = 1}^N {{{\hat z}_i}} 。$ (5)

式中:N为总体单元总数(N=总体面积/单个遥感样地面积),单元的大小就是遥感样地的大小。$\hat B$的方差为:

$\begin{array}{l} D\left( {\hat B} \right) = D\left( {aN + b\sum\limits_{i = 1}^N {{{\hat z}_i}} } \right) = D\left[ {\left( {N\;\sum\limits_{i = 1}^N {{{\hat z}_i}} } \right)\left( {\begin{array}{*{20}{c}} a\\ b \end{array}} \right)} \right] = \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\left( {N\;\sum\limits_{i = 1}^N {{{\hat z}_i}} } \right)D\left( {\begin{array}{*{20}{c}} a\\ b \end{array}} \right)\left( {\begin{array}{*{20}{c}} N\\ {\sum\limits_{i = 1}^N {{{\hat z}_i}} } \end{array}} \right); \end{array}$ (6)
$D\left( {\begin{array}{*{20}{c}} a\\ b \end{array}} \right) = s_{\rm{e}}^2{\left( {\begin{array}{*{20}{c}} n&{\sum\limits_{i = 1}^n {{{\hat z}_i}} }\\ {\sum\limits_{i = 1}^n {{{\hat z}_i}} }&{\sum\limits_{i = 1}^n {\hat z_i^2} } \end{array}} \right)^{ - 1}};$ (7)
$s_{\rm{e}}^2 = \frac{1}{{n - 2}}\sum\limits_{i = 1}^n {{{\left( {{z_i} - {{\hat z}_i}} \right)}^2}} 。$ (8)

式(7)、(8) 中的${\hat z}$同(3)、(4) 中的对应变量。

面积估计值的抽样精度为:

${P_r} = \left( {1 - \frac{{{u_{0.05}}\sqrt {D\left( {\hat B} \right)} }}{{\hat B}}} \right) \times 100\% 。$ (9)

用成数表示,该省某地类的成数估计值为:

$\hat P = \frac{{\hat B}}{A}。$ (10)

式中:A为该省的国土总面积,其方差为:

$D\left( {\hat P} \right) = D\left( {\frac{{\hat B}}{A}} \right) = \frac{{D\left( {\hat B} \right)}}{{{A^2}}}。$ (11)

如总体分层,则采用以下公式计算抽样精度。设有t个层,各层的面积权重为w1, w2, …, wt。计算各层样本均值、标准误:

${\bar y_i} = \frac{1}{{{n_i}}}\sum\limits_{j = 1}^{{n_i}} {{y_{ij}}} ,{s_{{{\bar y}_i}}} = \sqrt {\frac{{\sum\limits_{j = 1}^{{n_i}} {{{\left( {{y_{ij}} - {{\bar y}_i}} \right)}^2}} }}{{{n_i}\left( {{n_i} - 1} \right)}}} ,i = 1,2, \cdots ,t。$ (12)

总体面积均值的估计为:

$\hat{\bar{Y}}=\sum\limits_{i=1}^{t}{{{w}_{i}}{{{\bar{y}}}_{i}}},$ (13)

其方差为:

$D\left( {\hat{\bar{Y}}} \right)=\sum\limits_{i=1}^{t}{w_{i}^{2}D}\left( {{{\bar{y}}}_{i}} \right)=\sum\limits_{i=1}^{t}{w_{i}^{2}s_{{{{\bar{y}}}_{i}}}^{2}},$ (14)

估计值的抽样精度为:

${{P}_{r}}=\left( 1-\frac{{{u}_{0.05}}\sqrt{D\left( {\hat{\bar{Y}}} \right)}}{{\hat{\bar{Y}}}} \right)\times 100%。$ (15)
1.4 森林分布遥感制图

本文利用辽宁省2014年全年生长季(5—10月)合成MODIS NDVI产品,通过NDVI阈值法提取辽宁省森林空间分布信息,因此,NDVI阈值的确定,是能否有效提取森林资源空间分析的关键。本文通过计算森林指数(FIp)和中分样地内森林面积与低分样地回归模型的确定系数(R2)来综合确定MODIS NDVI阈值。

同理,将4 km×4 km的中分样地森林面积数据作为主要变量,即因变量y,将同范围内低分(MODIS数据)样地采用阈值法提取的森林面积数据作为辅助变量,即自变量x,设样地数为n,根据数据(yi, xi)(i=1, 2, …, n),建立线性回归方程:

${y_i} = a + b{x_i}。$ (16)

森林指数(FIp)计算公式为:

${\rm{F}}{{\rm{A}}_{{\rm{p}}i}} = {y_i} - {x_i};$ (17)
${\rm{F}}{{\rm{I}}_{\rm{p}}} = \sqrt {\frac{1}{{N - 1}}\sum\limits_{i = 1}^N {{{\left( {{\rm{F}}{{\rm{A}}_{{\rm{p}}i}}} \right)}^2}} 。} $ (18)

式中:FIp为森林指数,值越小,说明阈值法提取的森林面积越接近区域估计值;FApi为每个遥感样地中中分样地和低分样地森林面积的差值;N为样地个数。

2 数据收集与处理 2.1 数据收集与处理

数据收集(表 1)与处理包括:对辽宁省范围内的中、高分辨率遥感影像,以控制点数据和DEM为基础,对全色影像和多光谱影像进行正射纠正,经融合、镶嵌、整饰生成正射影像;从全国森林植被宏观监测项目中收集2014年全年MODIS数据合成植被生长季(6—10月)NDVI数据集。该数据集根据MODIS第1、2波段记录的地物波谱反射率,利用NDVI反演模型,估算NDVI值,采用最大值合成法(MVC),形成逐日MODIS NDVI数据。再运用LMF滤波算法(王雪军等, 2011),根据NDVI年内呈正弦变化规律,通过分析比较相邻连续多期同一像元的植被指数值,确定云、雾等对像元NDVI的影响时间,并采用内插或外延法去除异常值,对全年以10天1个周期合成NDVI作进一步去云、雾处理,形成每月3次1年共计36次逐旬NDVI数据集,按每月3旬数据合成全年12个月产品。

表 1 不同时间多源遥感影像数量 Tab.1 Images of different used data sources
2.2 遥感判读及核查 2.2.1 判读区划

对已裁切的中、高大样地遥感影像,采用面向对象方法,借助遥感影像区划软件,按照影像的色彩、纹理、地势地貌等特征进行区划图斑解译,提取主要土地覆盖类型和森林分布初步结果(具体技术流程见图 3)。在此基础上,利用相关地学资料、固定样地调查和林地“一张图”等方面资料,结合专家经验,建立不同森林类型和非森林解译标志,采用“双轨制”目视判读或计算机辅助对比分析方法,判读区划出大样地范围内森林和非森林等地类(森林图斑块最小面积为0.067 hm2),通过图斑归并、分割、重新区划等手段,经现地反复核实调查后,再认真分析、综合考虑,最终形成森林地块判读区划结果数据库。

图 3 影像分割与分类流程 Fig.3 Flow chart of image segmentation and classification
2.2.2 现地核实调查

按66块亚米级高分样地设置相同面积的地面样地,在样地内进行逐图斑地块地类核实调查,根据现地核实情况对大样地内遥感判读区划各地类图斑界线以及变化图斑的位置、界线进行确认或修改,并转录或填写各图斑核实调查属性记录表,构建地面样地调查数据库,以此作为高分样地与地面样地之间回归模型研建的基础。

3 结果与分析 3.1 模型建立 3.1.1 高分样地与地面调查样地的回归模型

根据66块高分样地解译的森林面积与地面调查样地数据,分别按全省、东部山区总体和中西部平原总体建立回归估计模型(图 4)。由图 4可知,高分样地森林面积与地面调查样地森林面积的相关性较高,回归模型确定系数(R2)均在0.97以上。

图 4 地面验证样地与高分样地的回归模型 Fig.4 Regression model of filed measured plots and high resolution plots
3.1.2 中分与高分样地的回归模型

根据66块高分样地与中分样地数据,分别按全省、东部山区总体和中西部平原总体建立回归估计模型(图 5)。由图 5可知,高分样地与中分样地森林面积的相关性较高,尤其是东部山区总体,回归模型确定系数(R2)最高,达0.91以上。这是因为东部山区与中西部相比,大样地内森林覆盖率较高,分布较为集中,加上东部山区各种遥感影像判读的一致率要明显高于中西部,所以回归模型确定系数(R2)东部山区要高于中西部。

图 5 高分与中分样地的回归模型 Fig.5 Regression model of high resolution plots and medium resolution plots
3.1.3 低分与中分遥感样地的回归模型

通过计算森林指数(FIp)和中分样地内的森林面积与低分样地回归模型的确定系数(R2)来确定NDVI阈值。全省不分层时,当森林指数(FIp)最小和确定系数(R2)最大,MODIS阈值为0.47左右,见图 6

图 6 全省不分层森林指数(FIp)和确定系数(R2)分布 Fig.6 Distribution of FIp and R2 in the whole province

分层抽样时,当森林指数(FIp)最小和确定系数(R2)最大,东部山区总体的MODIS阈值为0.50左右,见图 7;中西部平原总体的MODIS阈值为0.46左右,见图 8

图 7 东部山区总体森林指数(FIp)和确定系数(R2)分布 Fig.7 Distribution of FIp and R2 in the eastern mountain area
图 8 中西部平原总体森林指数(FIp)和确定系数(R2)分布 Fig.8 Distribution of FIp and R2 in the central and western plain area

通过以上对MODIS数据NDVI阈值的确定,分别统计各阈值下覆盖辽宁省376块4 km×4 km低分样地的森林面积数据,与同范围内中分样地的森林面积建立回归模型,见图 9

图 9 中分与低分样地的回归模型 Fig.9 Regression model of medium resolution plots and low resolution plots
3.2 森林面积估计

通过系统抽样和分层计算,分别统计出高、中、低遥感数据辽宁省森林面积的估计值和抽样精度,见表 2。从抽样精度来看,采用分层抽样明显优于系统机械抽样。

表 2 森林面积估计值及抽样精度统计 Tab.2 Estimation of forest area and sampling precision

因最新的辽宁省森林资源清查数据是2010年发布的,森林覆盖率为38.24%,森林面积为557.31万hm2,森林面积(2005—2010年)年均增长率为1.34%,而本文为2014年结果,因此为了便于比较分析,根据张煜星(2007)的研究,以2010年森林面积为底数,根据2010—2014年造林面积总和与2006—2010年造林总面积之比,再乘以2005—2010年森林面积增长率,以此计算得到2014的森林面积。据统计,2010—2014年和2006—2010年人工造林保存合格面积总和之比为1.1,因此2014年森林面积预测值为557.31×(1+1.1×4×1.34%)=590.17万hm2,森林覆盖率为40.49%。

本文通过高、中、低遥感数据得到的森林面积结果与2014年森林面积预测值相比(表 3),中分样地分层得到的森林面积为590.83万hm2,与2014年森林面积预测值最为接近,二者仅相差0.11%。通过低分遥感数据反演得到的森林面积也较为可靠,与2014年森林面积预测值相差不超过5%。总体来说,通过分层多阶抽样的遥感监测方法得到的森林面积结果较为可靠。

表 3 不同调查体系下森林面积比较统计 Tab.3 Comparison and statistics of forest area at different survey system
3.3 森林分布图制作

根据以上阈值分别对辽宁省森林空间分布信息进行提取,制作辽宁省森林分布图,结果见图 10。与2010年辽宁省第八次森林资源清查产生的森林分布图(图 11)相比,本文得到的森林分布图与其基本一致,通过分层控制阈值法提取的辽宁省森林分布信息结果与2010年森林分布图空间分布一致率为88.1%,而全省不分层提取的结果一致率为84.7%,因此采用分层抽样方式得到的结果要优于不分层抽样提取的结果。

图 10 通过阈值法提取森林分布 Fig.10 Extraction of forest distribution map by threshold method
图 11 辽宁省森林分布 Fig.11 Forest distribution map of Liaoning Province
4 讨论

遥感对地观测手段具有覆盖地区全面、即时获取变化信息、宏观性、近实时性和综合性的特点,能够实现森林资源实时快速监测、分析和评价。本文认为,高分辨率遥感数据处理工作量大,数据获取难,不宜全覆盖总体;如在条件许可的情况下,用高分辨率数据全面覆盖总体,遥感监测可不再需求中、低分辨率数据。部分使用高分辨率数据的主要作用在于控制中分调查精度,降低调查成本,提高调查效率,逐步通过几年的实践,建立一个大样本模型并逐渐稳定,以实现建立遥感监测技术体系。同时认为,建立全国统一的遥感监测技术体系势在必行,本文提出的基于遥感3阶抽样与地面调查技术相结合的森林资源监测方法科学、经济,充分发挥了遥感技术的优势,提高了遥感数据的应用效率,提升了森林资源变化的快速精准监测能力,也在一定程度上弥补了地面实测法调查时间长、工作量大、存在特殊对待风险等缺陷,为下一步建立全国遥感监测技术体系提供了重要的技术支持。因本方法尚未涉及森林资源年度动态变化监测结果测试对比,因此如何提高森林动态变化监测精度,真正实现时间序列的年度出数,将是下一步的研究重点。此外,改进采用单一NDVI阈值提取森林植被宏观信息方法,并克服大尺度低分遥感数据因存在混合像元和同物异谱、异物同谱(排除农作物的干扰)等而带来的森林类型识别误差,提高大尺度森林类型的空间分布精度,也是下一步有待解决的问题。

5 结论

本文以满足及时、快速、精准获取森林资源信息的需求,研究建立了多阶遥感监测与地面调查相结合的森林资源遥感年度监测技术体系,并以辽宁省为例,利用2013—2014年高、中、低多源遥感数据,进行了基于多阶抽样的省级森林面积监测方法实践,得到如下结论:

1) 遥感结合地面样地实测,建立了地面样地与高分样地,高、中分样地以及中、低分样地的森林面积回归模型,其模型确定系数(R2)分别为0.99、0.91和0.70,模型精度较高。

2) 基于3阶分层抽样的遥感监测方法得到辽宁省2014年森林面积预测值为590.83万hm2,森林覆盖率为40.54%;同时通过精度分层控制,基于MODIS NDVI阈值法制作了辽宁省森林分布图,实现了辽宁省森林面积和空间分布的年度产出,提高了监测成果的时效性,缩短了成果产出周期。

3) 与清查结果相比,本研究高、中、低遥感数据估测结果均存在一些“高估”现象,但都在控制精度要求之内;从抽样精度来看,采用分层抽样方法得到的森林面积最为可靠,抽样精度可达到99%以上。

参考文献(References)
[] 陈振雄, 熊智平, 曾伟生, 等. 2014. 基于大样地双重抽样方法的广东省森林资源监测研究. 中南林业调查规划, 33(3): 28–33.
( Chen Z X, Xiong Z P, Zeng W S, et al. 2014. Forest resources monitoring based on double sampling with large plot in Guangdong. Central South Forest Inventory and Planning, 33(3): 28–33. [in Chinese] )
[] 李连发, 王劲峰, 刘纪远. 2004. 国土遥感调查的空间抽样优化决策. 地球科学:中国科学D辑, 34(10): 975–982.
( Li L F, Wang J F, Liu J Y. 2004. Optimization decision of spacial sampling in remote sensing survey. Science in China Ser: D Earth Sciences, 34(10): 975–982. [in Chinese] )
[] 胡如忠, 刘海启. 2002. 遥感技术应用与欧美农作物估产. 北京, 气象出版社: 69-82.
( Hu R Z, Liu H Q. 2002. Application of remote sensing technology for crop yield estimation in Europe and US. Beijing, China Meteorological Press: 69-82. [in Chinese] )
[] 葛宏立, 周国模, 张国江, 等. 2007. 遥感地面三相抽样及其在森林资源年度监测面积估计中的应用. 林业科学, 43(6): 77–82.
( Ge H L, Zhou G M, Zhang G J, et al. 2007. RS-land three-phase sampling technique and its application to area estimation in annual forest inventory. Scientia Silvae Sinicae, 43(6): 77–82. [in Chinese] )
[] 国家林业局. 2014. 我院助力安徽省开展2014年度森林资源一体化监测. http://www.forestry.gov.cn//portal/hdy/s/1517/content-680149.html.
( State Forestry Administration.2014. Helping the integrated monitoring of forest resources for Anhui Province in 2014.http://www.forestry.gov.cn//portal/hdy/s/1517/content-680149.html.[in Chinese])
[] 孙玉军. 2007. 资源环境监测与评价. 北京, 高等教育出版社: 142.
( Sun Y J. 2007. Monitoring and assessment of resources and environment. Beijing, Higher Education Press: 142. [in Chinese] )
[] 王雪军, 孙玉军. 2011. 基于遥感地学模型的辽宁省森林生物量和碳储量估测. 林业资源管理(1): 100–105.
( Wang X J, Sun Y J. 2011. Study on forest biomass and carbon sequestration survey in Liaoning Province based on RS and genomic models. Forest Resources Management(1): 100–105. [in Chinese] )
[] 王雪军. 2013. 基于多源数据源的森林资源年度动态监测研究. 北京: 北京林业大学博士学位论文.
( Wang X J. 2013. Annual forest resources dynamic monitoring research based on multi-data source in the case of Anshan City.Beijing: PhD thesis of Beijing Forestry University. [in Chinese]) http://cdmd.cnki.com.cn/Article/CDMD-10022-1014150339.htm
[] 王雪军, 马炜, 黄国胜, 等. 2007. 基于遥感大样地抽样调查的森林面积监测. 北京林业大学学报, 37(11): 1–10.
( Wang X J, Ma W, Huang G S, et al. 2007. Estimation of forest area by large plot interpretation and division based on remote sensing. Journal of Beijing Forestry University, 37(11): 1–10. [in Chinese] )
[] 曾伟生, 程志楚, 夏朝宗. 2012. 一种衔接森林资源一类清查和二类调查的新方案. 中南林业调查规划, 31(3): 1–4.
( Zeng W S, Cheng Z C, Xia C Z. 2012. A new scheme for coordinating continuous forest inventory with forest management inventory. Central South Forest Inventory and Planning, 31(3): 1–4. [in Chinese] )
[] 张煜星. 2007. 人工造林对森林覆盖率的贡献分析. 东北林业大学学报, 35(3): 76–78.
( Zhang Y X. 2007. Analysis on contribution of artificial afforestation to forest coverage. Journal of Northeast Forestry University, 35(3): 76–78. [in Chinese] )
[] Chhikara R S, Lundgren J C, Houston A G. 1985. Corp acreage estimation using aLandsat-based estimator as an auxiliary variable. IEEE Transactions on Geoscience and Remote Sensing, 24(1): 158–172.
[] Fraser R H, Olthof I, Pouliot D. 2009. Monitoring land cover change and ecological integrity in Canada's national parks. Remote Sensing of Environment, 113(7): 1397–1409. DOI:10.1016/j.rse.2008.06.019
[] Gillis M D, Omule A Y, Brieriey T. 2005. Monitoring Canada forests: the national forest inventory. The Forestry Chronicle, 81(2): 214–221. DOI:10.5558/tfc81214-2
[] MacDonald R B, Hall F G. 1980. Global crop forecasting. Science, 208(4445): 670–679. DOI:10.1126/science.208.4445.670
[] Muukkonen P, Heiskanen J. 2007. Biomass estimation over a large area based on standwise forest inventory data and ASTER and MODIS satellite data: a possibility to verify carbon inventories. Remote Sensing of Environment, 107(4): 617–624. DOI:10.1016/j.rse.2006.10.011
[] Röder A, Udelhoven T, Hill J, et al. 2008. Trend analysis of Landsat-TM and -ETM+ imagery to monitor grazing impact in a rangeland ecosystem in northern Greece. Remote Sensing of Environment, 112(6): 2863–2875. DOI:10.1016/j.rse.2008.01.018
[] Rogan J, Franklin J, Roberts D A. 2002. A comparison of methods for monitoring multi-temporal vegetation change using thematic mapper imagery. Remote Sensing of Environment, 80(1): 143–156. DOI:10.1016/S0034-4257(01)00296-6
[] Smith W B. 2002. Forest inventory and analysis: a national inventory and monitoring program. Environmental Pollution, 116(S1): 233–242.
[] Scott C T. 1998. Sampling method for estimating change in forest resources. Ecological Applications, 8(2): 228–233. DOI:10.1890/1051-0761(1998)008[0228:SMFECI]2.0.CO;2
[] Tuominen S, Penkkarinen P. 2005. Performance of different spectraland textural aerial photograph features in multi-source forest inventory. Remote Sensing of Environment, 94(2): 256–268. DOI:10.1016/j.rse.2004.10.001