寻找代表物种多样性的生态变量，对于不同尺度(局部、区域和全球)的森林管理和保护策略具有重要意义(Rocchini et al., 2010)。基于一些热带及亚热带森林物种多样性与环境之间的假说，如生产力假说、环境异质性假说和光谱异质性假说，使用遥感技术监测物种多样性越来越受到重视(解潍嘉等，2015)。根据物种-生产力理论(Evans et al., 2005)，很多研究发现与生产力相关的植被指数和物种多样性之间具有显著关系(Cayuela et al., 2006；Chambers et al., 2007；Saatchi et al., 2008)，其中最常用的植被指数为归一化差分植被指数(normalized difference vegetation index, NDVI)，其他一些植被指数也常被使用，如比值植被指数(ratio vegetation index, RVI)用于直接估测叶面积指数，增强植被指数(enhanced vegetation index，EVI)可以消除背景反射率如土壤的一些影响(Rocha et al., 2009)等。物种多样性与环境异质性之间的关系研究表明，环境异质性越高，其包含的潜在生态位越多(Gaston，2000；Hortal et al., 2005；Loarie et al., 2007)，根据环境异质性假说，基于遥感数据获取的土地利用分类数据和环境异质性参数可以用于估测物种多样性(Levin et al., 2007；Oindo et al., 2003)，其中，遥感信号中的光谱变异或光谱异质性也可间接反映环境异质性，因此其也被作为估测物种多样性的有用工具。

Landsat长时间序列遥感数据对森林物种多样性估测做出了重大贡献，根据生产力和环境异质性假说，很多研究学者探索了Landsat卫星遥感数据对森林物种多样性的估测能力。Mohammadi等(2011)评估了Landsat ETM+数据估测伊朗北部Hyrcanian森林物种多样性的能力，模型对物种丰富度和Simpson多样性指数估测的R²和RMSE分别为59%、45.9%和1.51、1.15。Gillespie等(2009)使用ETM+和雷达后向散射数据估测热带森林物种丰富度，得出NDVI均值和标准差在物种多样性预测中分别解释了39%和37%的变异。地面样地调查数据与遥感数据间的尺度匹配是影响基于遥感数据估测物种多样性的重要因素，寻找一个匹配遥感数据与地面数据的完美尺度十分困难，但是一般来说，遥感数据的空间分辨率即像素大小要小于样地大小(Rocchini et al., 2010)。Rocchini(2007)比较了不同空间分辨率遥感数据对生态系统α多样性的估测能力，结果发现较粗的空间分辨率遥感数据面临更多的混合像元问题，导致其对生态系统α多样性的估测能力更差。很多基于遥感数据的物种多样性估测使用1 hm²样地中胸径>10 cm的乔木树种计算物种多样性(Fricker et al., 2015)，也有一些研究使用更大(如50 hm²)样地中胸径>1 cm的乔木树种计算物种多样性(Saatchi et al., 2008)；然而，在物种丰富度大于每公顷100种的区域进行大量大样地调查是十分困难的，少量样地数据又存在空间取样不均匀问题。因此，高分辨率遥感数据在估测区域森林物种多样性中发挥着不可替代的作用。

使用高分辨率遥感数据估测森林物种多样性一般可分为2种类型：一是直接利用遥感数据对树种进行分类并统计树种分布；二是根据生产力和环境异质性假说建立遥感数据与地面调查物种多样性指数之间的统计关系(徐文婷等，2005)。在物种丰富度较高的热带或亚热带区域，直接利用遥感数据对物种多样性制图具有一定限制，大多研究根据生产力和环境异质性假说，利用遥感数据提取的光谱信息、植被指数和纹理信息建立与物种多样性之间的关系(Dalmayne et al., 2013；Gairola et al., 2013)。较之光谱信息，纹理信息可以最大限度提高空间信息的识别度，区分不同的林分结构(Regniers et al., 2015)。除了遥感数据提取的光谱信息、植被指数和纹理信息外，也有研究对物种多样性进行建模时加入了海拔、坡度和地形湿度指数等地形相关数据(Fricker et al., 2015)。

国产高分2号卫星空间分辨率优于1 m，标志着我国遥感卫星进入了亚米级的“高分时代”。根据森林物种多样性遥感估测现状，本研究探索国产高分2号卫星遥感数据对古田山区域亚热带天然林木本植物物种多样性的估测潜力，并寻找纹理特征对亚热带天然林木本植物物种多样性估测的最佳窗口，以期为森林经营管理和保护策略提供参考。

1 研究区概况和数据 1.1 研究区概况

古田山自然保护区位于浙江省开化县境内西北部(29°10′—29°17′N，118°03′—118°11′E)，与江西省德兴市、婺源县接壤，属中亚热带湿润季风区，一年中气候变化明显。该区年均降水量1 963.7 mm，相对湿度92.4%，年均温15.3 ℃，生长期总积温5 221.5 ℃，无霜期约为250天(徐学红等，2005)。土壤基本属中亚热带山地红黄壤类型，海拔700 m以下为红壤，700~1 000 m为黄红壤，海拔更高处有黄壤出现(于明坚等，2001)。常绿阔叶林是该区面积最大的植被类型，主要分布在海拔350~800 m的山坡和山麓地带，其中，在海拔450 m的沟谷和800~950 m的山脊和山坡地带，落叶成分比例增加，形成局部分布的常绿落叶阔叶混交林类型。在海拔720~1 100 m之间大片分布着黄山松(Pinus taiwanensis)针阔叶混交林，海拔1 100 m以上为黄山松林(金毅，2015；胡正华等，2003；祝燕等，2008)。保护区内主要优势种依次为甜槠(Castanopsis eyrei)、木荷(Schima superba)和马尾松(Pinus massoniana)。

1.2 样地调查及多样性指数计算

2015年5—10月和2016年5—10月，依托中国科学院植物研究所古田山生物多样性与气候变化研究站，对分布于古田山自然保护区西北区域的41个样地(图 1)进行群落调查，样地大小为20 m × 20 m。测量样地内所有胸径>1 cm的木本植物个体的胸径，并鉴定到种；样地边界为正南北方向，采用高精度GPS测定样地西南角地理坐标。

本研究计算了41个样地的物种丰富度、Shannon-Wiener指数和Simpson指数3种α多样性指数及Pielou均匀性指数。样地多样性指数汇总如表 1所示。

Shannon-Wiener多样性指数:

$ H = - \sum\limits_{i = 1}^{n = s} {{p_i}} \lg {p_i}; $

(1)

Simpson多样性指数：

$ D = 1 - \sum\limits_{i = 1}^{n = s} {p_i^2} ; $

(2)

Pielou均匀性指数:

$ {J_{{\rm{sw}}}} = \left({ - \sum\limits_{i = 1}^{n = s} {{p_i}} \lg {p_i}} \right)/\lg S。$

(3)

式中：p_i为S个物种群落中第i个物种的个体数占所有物种总个体数的比例。

1.3 高分2号遥感数据及Aster DEM数据

本研究选取包含试验区的两景高分2号卫星影像，拍摄时间为2016年11月3日，与地面调查数据时间差异较小。多光谱数据包含4个波段，谱段范围分别为0.45~0.52、0.52~0.59、0.63~0.69和0.77~0.89 μm，空间分辨率为4 m；全色数据包含1个波段，谱段范围为0.45~0.90 μm，空间分辨率为1 m。

除了高分2号遥感数据外，本研究还下载了研究区30 m分辨率Aster DEM数据，用于提取海拔、坡度、坡向、地形曲率、地形湿度指数等地形因子。

2 方法 2.1 遥感数据预处理

使用ENVI 5.3对高分2号多光谱影像进行辐射校正、Flaash大气校正及以几何校正后资源3号(ZY-3)卫星遥感数据为参考影像的正射校正；对高分2号全色影像进行辐射校正及以预处理后高分2号多光谱影像为参考影像的正射校正。经过一系列预处理后，按照图 2所示流程进行古田山地区木本植物物种多样性估测。

2.2 特征提取

基于遥感数据估测研究区天然林木本植物物种多样性，本研究提取高分2号卫星影像以下4类特征：1)波段反射率，包括多光谱波段(B1、B2、B3、B4)及全色波段(B5)；2)多光谱第一主成分(MSS_PC)；3)灰度共生矩阵(GLCM)纹理特征，包括多光谱第一主成分GLCM纹理和全色波段GLCM纹理；4)植被指数，如表 2所示。

除此之外，基于Aster DEM数据，使用ArcGIS软件计算各样地所处位置的海拔、坡度、坡向、地形曲率和地形湿度指数等地形因子。

GLCM纹理特征包括均值、方差、均匀性、对比度、差异性、熵、二阶矩和相关性，计算公式如表 3所示。

考虑多光谱第一主成分和全色波段反射率将参与到下一步的特征统计中，只提取其GLCM纹理特征的均匀性、对比度、差异性、熵、二阶矩和相关性。为了考察不同纹理窗口对天然林木本植物物种多样性建模精度的影响，本研究提取多光谱及全色数据3×3、5×5、7×7、9×9共4种不同窗口的GLCM纹理特征。

2.3 特征选择及统计

由于提取的特征之间相关性较高，因此在对特征进行统计前需去除相关性较高的特征，本研究保留相关系数R≤0.8的特征。

根据生产力和环境异质性假说，本研究除了统计41个样地上述特征的均值外，还统计了特征的变异系数(coefficient of variation, CV)、标准差(standard deviation，SD)和方差(variance)。而且，尽管在对样地遥感特征统计之前已经去除相关性较高的特征，但是由于这些特征的统计值之间也有可能具有较高相关性，因此在下一步多样性指数建模之前需要再次去除相关性较高的变量。

2.4 基于随机森林模型的多样性指数建模及精度评价和预测

随机森林(random forest，RF)模型是由Breiman(2001)提出的一种基于分类树的算法，通过对大量分类树的汇总以提高模型的预测精度。随机森林的随机性首先体现在从原始训练集中随机且有放回地抽取k个样本，每次重抽样大约1/3的记录没有被抽取而形成对照数据集，没有被抽到的数据集组成袋外数据(out-of-bag，OOB)，可用于预测正确率或属性的重要性；其次体现在随机选取分裂属性集，每次均会从M个属性中挑选出m个属性(m M)，然后用m个属性中最具有区分能力的某个属性使节点分裂。分裂终止后，根据所有分类树可以计算每个属性对节点纯度的影响，进而对变量重要性进行排序。由于随机森林具有在每个分类树节点上随机选择特征进行分枝的特点，因此能在一定程度上简化各分类树之间的相关性，且其高效处理高维特征的能力较强，能够给出特征重要性排序，具有参数调整较少等优点。随机森林给出的变量重要性排序在遥感应用中尤为重要，可简化遥感数据中海量变量的筛选，快速得到对目标应用有用的变量集(Belgiu et al., 2016)

由于本研究中变量较多，而样本个数较少，因此在执行随机森林建模前，根据随机森林算法中递归特征去除(recursive feature elimination, RFE)方法去除对模型精度没有显著贡献的变量(Granitto et al., 2006)。RFE方法的基本思路为：根据变量重要性，参考交叉验证的模型精度，从最重要变量到最不重要变量，迭代考察加入每个变量对模型交叉验证精度的影响。在随机森林回归中，考察指标为RMSE，随着一些变量的加入，模型的RMSE没有明显降低，这些变量最终被剔除。

本研究采用随机森林方法，以实测的物种多样性和均匀性指数为因变量、以REF方法选择出的变量为自变量建立模型，并以R²和RMSE作为模型精度评价指标。

最后，利用建立的模型估测研究区内木本植物物种多样性和均匀性指数分布。由于研究区内植被覆盖度较高，结合GF-2影像和谷歌地图以及地面调查数据分析后发现，森林区域和非植被区域NDVI差异较大。为了消除居民区、水体、裸地等对天然林木本植物物种多样性估测的影响，选择NDVI>0.5从GF-2影像中提取森林区域后可以很好地去除非植被区域。

3 结果与分析 3.1 特征选择

由于波段反射率、植被指数和多光谱第一主成分之间具有很高相关性，故本研究只选择相关系数R≤0.8的特征与多光谱第一主成分纹理特征、全色波段纹理特征按照样地进行统计分析。选择的多光谱数据特征如图 3所示。

3.2 RFE冗余变量去除

根据选择出的多光谱特征，统计CRI、NDVI、GRVI、多光谱第一主成分、多光谱第二个波段和不同窗口大小的多光谱第一主成分、全色波段的纹理特征共17个特征在样地范围内的均值、变异系数、标准差和方差。

以3×3窗口为例，图 4展示了使用多光谱提取特征的RFE冗余变量去除结果。去除相关性较高(R>0.8)的变量后，共有25个变量参与到RFE变量选择中。按照随机森林算法给出的变量重要性排序，随着变量个数增加，随机森林模型十折交叉验证中RMSE先大幅下降后保持低值甚至小幅增加。因此，对模型精度没有显著贡献或降低模型精度的一些变量被去除，如对Shannon-Wiener多样性指数、Simpson多样性指数和Pielou均匀性指数的建模中，只需分别选择前5、6、8个变量即可代表所有25个变量。

3.3 不同纹理窗口和方向对多样性指数建模的影响

基于41个样地的变量集，建立高分2号遥感数据变量集与木本植物物种多样性和均匀性指数之间的关系模型，以RFE给出的最低RMSE为评价指标比较不同纹理窗口大小和纹理方向对建模精度的影响。

GLCM用于表示纹理的参数是影像灰度级之间的联合条件概率密度，该联合概率需要事先确定空间距离(纹理窗口大小)和方向。纹理方向取值一般为0°、45°、90°、135°，其中45°方向应用最为广泛，因此本研究首先比较4种不同窗口(3×3、5×5、7×7、9×9)在45°方向下对多样性指数建模精度的影响。

由于多光谱数据比全色单波段数据更能区分森林内树种分布差异，因此，在CRI、NDVI、GRVI、多光谱第一主成分、多光谱第二个波段的基础上，首先比较多光谱第一主成分不同纹理窗口对多样性指数建模精度的影响，如表 4左所示，3×3窗口对3种多样性指数均具有最好的建模精度。然后在CRI、NDVI、GRVI、多光谱第一主成分、多光谱第二个波段、多光谱第一主成分3×3窗口纹理特征的基础上，比较全色波段不同纹理窗口对多样性指数建模精度的影响，如表 4右所示，7×7窗口对Shannon-Wiener多样性指数、Pielou均匀性指数具有最好的建模精度，而5×5窗口对Simpson多样性指数具有最好的建模精度。与植被指数和多光谱数据纹理特征建立的模型相比，全色波段纹理特征的加入轻微提高了多样性指数估测模型精度。3×3窗口全色波段纹理特征的加入甚至降低了Shannon-Wiener和Simpson多样性指数估测模型精度。

多光谱数据像素尺寸(4 m)较大，在样地范围(20 m×20 m)内较小的窗口计算的纹理特征更能体现光谱异质性。而全色数据的像素尺寸(1 m)较小，中等大小窗口(5×5或7×7)比小窗口(3×3)更能反映树冠间而不是树冠内部的差异。

如表 5所示，多光谱数据和全色数据在45°方向下GLCM纹理对多样性指数的估测误差均较小，而且45°方向一般作为计算GLCM的默认方向(如ENVI)。

3.4 变量重要性

基于选择出的最佳纹理特征窗口和方向，使用RFE方法选取对Shannon-Wiener多样性指数、Simpson多样性指数及Pielou均匀性指数具有最好建模精度的少数变量。在对3种指数建模过程中，均选择8个变量，分别为类胡萝卜素反射率指数均值(mean. CRI)、多光谱第一主成分3×3窗口GLCM纹理对比度方差(var. MSS.Contrast)、多光谱第一主成分3×3窗口GLCM纹理对比度变异系数(cv. MSS.Contrast)、多光谱第一主成分3×3窗口GLCM纹理均匀性变异系数(cv. MSS.Homogeneity)、全色波段7×7窗口GLCM纹理对比度均值(mean. PAN.Contrast)、类胡萝卜素反射率指数方差(var. CRI)、红绿比值植被指数均值(mean. RGRI)和全色波段7×7窗口GLCM纹理对比度标准差(sd. PAN.Contrast)。由表 6可知，除了类胡萝卜素反射率均值外，其余变量对被解释变量的影响并不显著，大多变量与物种多样性指数之间没有显著的线性关系。这说明使用GF-2提取变量对研究区物种多样性进行建模时，线性回归模型并不适合。随机森林方法在遥感生态研究中应用广泛(Pal, 2005)，在RFE方法特征选择的前提下，本研究使用随机森林方法对研究区天然林林木本植物物种多样性进行建模分析。

随机森林模型使用袋外交叉验证中各变量对模型精度均方误差(mean squared error，MSE)增加的大小(%IncMSE)以及每个变量对节点纯度的影响(InNodePurity)对变量进行排序。以随机森林建模中%IncMSE为评价指标，对3种多样性指数建模具有最大贡献的前3个变量均为mean. CRI、var. MSS.Contrast和cv. MSS.Contrast(图 5)，这3个变量均来自多光谱数据，而且在所有8个变量中有6个来自多光谱数据。这说明高分2号多光谱数据对亚热带地区常绿阔叶林木本植物物种多样性制图具有很大的应用潜力。在所有变量中，有5个来自GLCM纹理特征，较之光谱信息，纹理特征扩大了原始影像亮度的空间信息识别度，基于纹理特征的木本植物物种多样性建模精度可以大幅提高。在所有变量中，类胡萝卜素反射率指数均值均为最重要变量。类胡萝卜素反射率指数可反映叶片中类胡萝卜素含量相对于叶绿素含量的多少，更高的类胡萝卜素反射率指数意味着叶片中含有较多的类胡萝卜素和较少的叶绿素。由于本研究使用的高分2号遥感数据获取时间为11月，在秋冬季时相下，不同树种尤其是常绿树种与落叶树种之间类胡萝卜素相对于叶绿素的含量可能不同，因此类胡萝卜素反射率指数对研究区木本植物物种多样性具有较高的估测能力。

图 6为Pielou均匀性指数模型中8个变量的部分依赖图，部分依赖图以图形化方式给出了一个变量对类的概率(分类)或响应(回归)的边际效应。mean. CRI、mean. RGRI随着模型拟合值降低而增加，而var. MSS.Contrast、cv. MSS.Contrast、sd. PAN.Contrast、var. CRI、cv. MSS.Contrast、mean. PAN.Contrast随着模型拟合值增加而增加。类胡萝卜素反射率指数、红绿比值植被指数均能体现森林中叶绿素的相对含量，随着叶绿素含量减少即类胡萝卜素反射率指数、红绿比值植被指数均值增加，模型拟合值(Pielou均匀性指数)降低。由于影像获取时间为秋冬季，森林中叶绿素含量越多说明常绿树种比例越大，我国亚热带常绿阔叶林物种多样性丰富，研究区内落叶树种数远小于常绿树种(祝燕等，2008)，因此在特定时相下获取的与森林冠层色素相关的植被指数对研究区木本植物物种多样性具有很好的估测能力。与2种植被指数均值不同，纹理特征或植被指数的变异如方差、变异系数、标准差等更能体现与物种多样性的正相关关系。本研究结果也验证了环境异质性假说。

3.5 多样性指数建模和预测结果

如图 7所示，高分2号遥感数据对Pielou均匀性指数具有最好的估测精度，其R²和RMSE分别为0.61和0.051；对Shannon-Wiener和Simpson多样性指数估测精度较差，但是R²仍然能达到0.45以上。该结果与其他相关研究相似，如Hashemi等(2013)基于卫星遥感数据获取的植被指数估测伊朗地区北部森林Shannon-Wiener物种多样性，模型R²为0.47。本研究所有指数估测结果中，均出现对低多样性或均匀性样地高估的现象，说明高分2号遥感数据对低物种多样性的森林区域估测精度较差。这是因为在低物种多样性情况下，基于卫星遥感数据获取的光谱和纹理信息对物种多样性变化不敏感，这些信息很有可能与较高物种多样性地区获取的信息相似。

图 8为研究区内木本植物物种多样性和均匀性指数估测结果，根据各指数分布的直方图对3种多样性指数进行分级显示。由图 8可知，3种多样性指数在空间中的分布差异轻微，一致性很高。在研究区东北方向山脊、山谷和山坡部分有2处连续的低多样性区域，该区域植被绿度与影像下部分相比较低，其原因一是森林覆盖度较低，二是研究区中存在一些落叶树且影像获取时间为秋冬季节。由于亚热带常绿阔叶林森林覆盖度、物种多样性均较高，低森林覆盖度或者常绿树种比例较少区域的物种多样性和均匀性更趋于较低水平。

研究区内样地海拔300~1 000 m，常绿阔叶林面积最大，主要分布在海拔350~800 m的山坡和山麓地带。随着海拔升高，如800~950 m范围的山脊和山坡地带，落叶成分比例增加，形成局部分布的常绿落叶阔叶混交林类型，海拔450 m的沟谷地带落叶成分比例也较大。植物群落物种多样性的空间分布是各种生态因子梯度变化的综合反映(Kaboli et al., 2006)，海拔等地形因子对物种分布和多样性影响较大(任学敏等，2012)。本研究中，地形因子对古田山中亚热带天然林木本植物物种多样性的影响如表 7所示。海拔对Simpson多样性指数和Pielou均匀性指数的分布具有显著影响，除此之外，地形因子对研究区物种多样性、均匀性指数的的分布影响不显著。坡度与物种多样性、均匀性指数间具有一定正相关关系，其原因有2个：一是较高坡度下森林受人为干扰较少；二是较高坡度为森林内树木提供了更多的垂直空间。海拔则与物种多样性、均匀性指数的分布具有一定负相关关系，这是因为在一定海拔范围内，研究区内常绿树种减少、落叶树种增加。

4 讨论

植物群落多样性的空间分布是各种生态因子梯度变化的综合反映，地形因子在景观或更小尺度常常导致生境差异，如海拔对温度的影响、坡度坡向对湿度和光照的影响等。在区域乃至全球尺度上，气候则是植物群落多样性空间分布的主导因子(Bai et al., 2011)。基于遥感数据可以获取影响植物群落多样性空间分布的生态因子(如地形因子)，也可以获取植物群落自身分布的变异(如光谱、纹理的异质性)。

本研究使用全球30 m分辨率Aster DEM数据提取的坡度、坡向、海拔、地形曲率、地形湿度指数等地形因子在物种多样性、均匀性指数建模时没有被选入模型变量中，但是海拔因子对Simpson多样性指数和Pielou均匀性指数的分布具有较显著影响，其他因子则对3种多样性指数的分布影响不显著。尽管研究区范围较小，但是海拔跨度较大，在一定范围内随着海拔升高森林内落叶成分增加，物种多样性和均匀性与海拔具有一定负相关关系。

本研究使用高分2号遥感数据提取的植被指数和纹理特征估测古田山区域亚热带天然林木本植物物种多样性，取得了较为满意的结果，其中类胡萝卜素反射率指数贡献度最大。类胡萝卜素反射率指数对类胡萝卜素和叶绿素之间相对含量较敏感，由于影像获取时间为秋冬季节，随着落叶树种比例增加，类胡萝卜素反射率指数增大。我国亚热带常绿阔叶林物种多样性丰富，研究区内落叶树种远小于常绿树种，随着落叶树种比例增加，物种多样性趋于减少，因此类胡萝卜素反射率指数对研究区木本植物物种多样性具有最好的指示作用。虽然海拔对落叶树种分布也具有一定影响，但是通过高分辨率多光谱数据获取的类胡萝卜素反射率指数间接指示了落叶树种分布比例。从落叶树种比例方面考虑，类胡萝卜素反射率指数对物种多样性分布的解释程度有可能包含了海拔对物种多样性分布的解释能力，因此在变量筛选时海拔等地形因子并未被选入最终的物种多样性估测模型。

国内外使用高分辨率卫星遥感数据估测森林物种多样性的研究并不多，大多研究使用中等分辨率遥感数据如Landsat系列遥感数据估测森林物种多样性，由于研究区森林物种多样性分布差异、遥感特征提取差异以及估测模型差异等原因，不同研究对对物种多样性的估测结果差异较大。Kalbi等(2014)基于随机森林(RF)和分类回归树(CART)方法使用空间分辨率为10 m的SPOT-HRG卫星遥感数据估测了伊朗南部Hyrcanian森林的物种多样性，RF和CART方法对Shannon-Wiener物种多样性指数的估测结果分别为0.61(R²)、0.56(RMSE)和0.53(R²)、0.68(RMSE)，对Simpson物种多样性的估测结果分别为0.56(R²)、0.15(RMSE)和0.43(R²)、0.19(RMSE)。RF模型对Shannon-Wiener和Simpson多样性指数的拟合能力好于本研究结果，但是本研究结果的RMSE要小于Kalbi等(2014)结果。与Kalbi等(2014)相比，本研究区森林物种多样性整体较高，物种多样性指数分布范围较小。本研究使用的遥感数据空间分辨率更高，且增加了纹理特征的提取，除了类胡萝卜素反射率指数外，GF-2多光谱数据对研究区物种多样性分布解释能力较好的变量大多来自纹理特征。因此，尽管中等分辨率多光谱遥感数据提取的植被指数在森林物种多样性估测方面应用广泛，但使用高分辨率遥感数据获取的纹理特征协同植被指数对我国亚热带森林物种多样性估测具有重要意义。

森林物种多样性的形成机制极其复杂，受众多因素影响，遥感数据仅能解释其中一部分变异。本研究低物种多样性区域森林冠层也具有较大变异，因此GF-2遥感数据对中低物种多样性区域森林木本植物物种多样性估测结果较差。使用多源遥感数据，如加入激光雷达(LiDAR)或雷达(Radar)等主动遥感数据获取森林垂直结构信息，可能对低物种多样性区域具有更好的区分能力。使用高分辨率星载遥感数据预测的物种多样性和均匀性指数分布可以有效监测大区域森林木本植物物种多样性变化，为森林经营管理和保护策略提供参考。

5 结论

亚热带森林具有丰富的木本植物物种多样性，遥感数据被认为在大尺度上监测森林木本植物物种多样性的有效工具。本研究考察了国产高分2号遥感数据对古田山区域亚热带常绿阔叶林木本植物物种多样性的监测潜力，得出以下结论：

1) 面对大量遥感变量时，使用随机森林方法可以快速寻找对建模结果最有贡献的少量变量。

2) 较之光谱信息，纹理特征扩大了基于原始影像亮度的空间信息识别度，可使森林木本植物物种多样性建模精度大幅提高。

3) 在研究区内，多光谱数据3×3窗口纹理特征和全色数据7×7窗口纹理特征对森林木本植物物种多样性具有最好的估测结果。

4) 类胡萝卜素反射率指数体现了森林中类胡萝卜素相对于叶绿素的含量，在秋冬季节作为反映常绿树种与落叶树种分布的指数，对森林木本植物物种多样性估测具有最大贡献。

5) 通过RF模型给出的变量重要性，本研究结果支持环境异质性假说。