植物生态学报 2011, 35 (4): 402–410 doi: 10.3724/SP.J.1258.2011.00402Chinese Journal of Plant Ecology ——————————————————收稿日期Received: 2010-09-15 接受日期Accepted: 2010-11-26 * E-mail: fanwy@三种森林生物量估测模型的比较分析范文义* 张海玉 于 颖 毛学刚 杨金明东北林业大学林学院, 哈尔滨 150040摘 要 森林生物量的定量估算为全球碳储量、碳循环研究提供了重要的参考依据。
该研究采用黑龙江长白山地区的TM 影像和133块森林资源一类清查样地的数据, 选取地学参数、遥感反演参数等71个自变量分别构建多元逐步回归模型、传统BP (back propagation)神经网络模型和基于高斯误差函数的BP 神经网络改进模型(Gaussian error function, Erf-BP), 进而估算该地区的森林生物量, 并进行比较分析。
结果表明, 多元逐步回归模型估测的森林生物量预测精度为75%, 均方根误差为26.87 t ·m –2; 传统BP 神经网络模型估测森林生物量的预测精度为80.92%, 均方根误差为21.44 t ·m –2; Erf-BP 估测森林生物量的预测精度为82.22%, 均方根误差为20.83 t ·m –2。
可见, 改进后的Erf-BP 能更好地模拟生物量与各个因子之间的关系, 估算精度更高。
关键词 生物量, BP 神经网络模型, 基于高斯误差函数的BP 神经网络改进模型, 多元逐步回归Comparison of three models of forest biomass estimationFAN Wen-Yi *, ZHANG Hai-Yu, YU Ying, MAO Xue-Gang, and YANG Jin-MingSchool of Forestry, Northeast Forestry University, Harbin 150040, ChinaAbstractAims Quantitative estimation of forest biomass is significant to studies of global carbon storage and carbon cy-cle. Our objective is to develop models to estimate forest biomass accurately.Methods Multi-stepwise regression model, traditional back propagation (BP) neutral network model and BP neutral network model based on Gaussian error function (Erf-BP) were developed to estimate forest biomass in Changbai Mountain of Heilongjiang, China according to TM imagery and 133 plots of forest inventory data. There were 71 dependent variables of geoscience and remote sensing.Important findings The precisions and root mean square errors of multi-stepwise regression model, traditional BP neutral network model and Erf-BP were 75%, 26.87 t·m –2; 80.92%, 21.44 t·m –2 and 82.22%, 20.83 t·m –2, re-spectively. Therefore, the relations between forest biomass and various factors can be better modeled and de-scribed by the improved Erf-BP.Key words biomass, back propagation (BP) neural network model, BP neutral network model based on Gaus-sian error function (Erf-BP), multi-stepwise regression森林是地球上最重要的资源之一, 是陆地上面积最大、分布最广、组成结构最复杂、物质资源最丰富的生态系统, 是陆地生态系统的主要碳汇(庞勇等, 2005)。
森林生物量则是整个森林生态系统运行的能量基础和营养物质来源, 是研究生物生产力、净第一性生产力、碳循环以及全球变化的基础(国庆喜和张锋, 2003)。
因此, 准确估算森林生物量对全球碳汇、碳循环、碳平衡的研究以及全球变化的理解有举足轻重的作用(Brown et al ., 1996)。
森林生物量的估算方法主要有现地调查法、模型模拟法和遥感估算法(薛立和杨鹏, 2004)。
传统的现地调查法需要很多实测数据, 消耗大量的人力、财力和物力, 且很难在区域上推广。
模型模拟法的问题之一是各分量模型间不相容, 即木材、树皮、枝、叶4部分干重之和不等于总量的问题, 唐守正等(2000)以长白落叶松(Larix olgensis )为例建立了相容性立木生物量模型, 解决了此问题。
问题之二是模型的指标体系和模型精度各异, 无法在区域上推广。
遥感信息模型的出现使得大范围高精度地估算森林生物量成为可能, 比起传统方法有很大的优越范文义等: 三种森林生物量估测模型的比较分析 403doi: 10.3724/SP.J.1258.2011.00402性。
很多学者根据植被光谱信息, 利用原始波段、植被指数、地形因子和气象因子与生物量建立回归模型, 估测森林生物量(郭志华等, 2002; 杨存建等, 2004)。
郭志华等(2002)利用TM 数据6个波段的线性和非线性组合与蓄积量建立回归, 得到模型的R 2为0.8, 再代入到生物量与蓄积量的模型中估算生物量; 杨存建等(2004)利用遥感数据、气象数据和地形数据建立回归模型估算森林生物量, 模型R 2为0.589; Holben 等(1980)利用叶片的光谱信息成功地估算了大豆(Glycine max )叶片生物量; Hall (2006)采用ETM +数据统计估算森林地上生物量和蓄积量。
这些方法通用性不强, 只适用于一定的区域范围, 参数会随着时空变化而变化, 预测的精度不理想, 所以研究者提出了人工神经网络模型。
人工神经网络模型的兴起解决了生物量与各因子之间的非线性映射关系, 提高了估测精度。
国庆喜和张锋(2003)采用人工神经网络模型, 选取包括环境因子、生物因子和遥感信息因子在内的13个变量估算了黑龙江东北部地区的森林生物量, Ingram 等(2005)运用人工神经网络模型估算了马达加斯加岛东南部热带森林的地上生物量, 均得到了较高的精度, 精度达80%以上。
但是初期的BP (back propagaction)神经网络模型存在易陷入局部最小点、收敛速度慢、泛化能力差的缺点，因此基于高斯误差函数的BP 神经网络改进模型(Gaussian error function, Erf-BP)受到重视。
张海燕和冯天瑾(2002)将高斯函数的局部性和sigmoid 函数的全局性良好地结合在一起, 对几个典型试验进行仿真, 结果这一模型在学习能力和泛化能力上有明显的提高, 而且仿真精度也有显著提高。
但这种改进的神经网络模型在大尺度森林生物量估算方面的研究还很少。
本研究采用地学参数和遥感参数, 用TM 影像和该地区2005年的森林资源一类清查数据, 建立生物量与各因子的多元逐步回归模型、传统BP 神经网络模型及改进的Erf-BP 估测森林生物量, 比较分析了多元逐步回归模型与神经网络模型、传统BP 神经网络模型与改进的Erf-BP 在估算生物量上的精度, 以寻求高效、准确的生物量遥感估测模型, 为区域尺度生物量的估算提供参考。
1 研究区域概况研究采用2005年8月24日的Landsat 陆地资源卫星TM 数据, 其轨道号是115/29 (图1), TM 影像覆盖区域位于黑龙江长白山区域。
黑龙江长白山(126.7°–129.7° E, 43.7°–46.0° N), 位于黑龙江省东南部, 南起吉林省敦化县, 北接小兴安岭南麓, 平均海拔800多米。
林区森林茂密, 树种较多。
有林地面积204万hm 2, 森林覆被率为67.6%, 蓄积量2.1亿m 3。
森林类型是以红松(Pinus koraiensis )为主的针阔混交林, 主要树种有红松、云杉(Picea asperata )、山杨(Populus davidiana )、冷杉(Abies fabri )、白桦(Betula platyphylla )、樟子松(Pinus sylvestris var. mongolica )、水曲柳(Fraxinus mandschurica )、黄菠萝(Phelloden- dron amurens e)和胡桃楸(Juglans mandshurica )等。
图1 研究区域TM 影像及样地分布图。
Fig. 1 TM imagery and distribution of plots in study area.404 植物生态学报Chinese Journal of Plant Ecology 2011, 35 (4): 402–4102 研究方法2.1 TM 影像及样地数据处理采用ENVI 4.3遥感图像处理软件(ITT Visual Information Solutions, Colorado, America)对TM 影像进行几何校正、辐射校正、地形校正及大气校正,得到地表真实的反射率值, TM 数据处理几何精度在一个像素之内。
从黑龙江省林业设计研究院收集研究区域TM 影像上2005年森林资源一类清查的数据(共133个样地) (图1), 包括样地号、样地类别、经纬度、造林年度、公顷株数、郁闭度、优势树种、平均树高、平均胸径、地形、坡位、坡向、坡度、海拔、样地面积、龄组、灌木盖度、灌木高度、草本盖度、草本高度和植被总盖度等, 与样地点对应的影像灰度值的提取方法采用四邻域法, 然后将所有属性数据输入到GIS 中进行管理。