图/表详细信息

卫星遥感监测产品在中国森林生态系统的验证和不确定性分析——基于海量无人机激光雷达数据

刘兵兵, 魏建新, 胡天宇, 杨秋丽, 刘小强, 吴发云, 苏艳军, 郭庆华

植物生态学报 2022, 46 (10): 1305-1316. DOI: 10.17521/cjpe.2022.0158

摘要（1275）

HTML （53）

PDF（pc）（6095KB）（1158）

准确获取森林结构参数对森林生态系统研究及其保护有着重要意义。卫星遥感数据作为获取大尺度森林结构参数的重要数据源, 已被制作成各种植被监测产品并被应用于森林质量状况变化评估、森林生物量估算以及森林干扰和生物多样性监测等研究。然而, 这些卫星遥感植被监测产品针对中国复杂多样的森林区域缺乏有效验证, 在不同林况和地形条件下的不确定性也不明确。激光雷达具备高精度三维信息采集的优势, 在国内外已被广泛用于森林生态系统监测和卫星遥感产品验证。为此, 该研究利用在中国114个样地收集的153 km²的无人机激光雷达数据, 构建了我国森林结构参数验证数据集, 并以此为基础对3套全球遥感监测产品(全球叶面积指数(GLASS LAI)、全球冠层覆盖度(GLCF TCC)、全球冠层高度(GFCH))进行了像元尺度的验证, 并分析了其在不同坡度、覆盖度和林型条件下的不确定性。研究结果表明: 与无人机激光雷达获取的叶面积指数、覆盖度以及冠层高度相比, GLASS LAI、GLCF TCC、GFCH在中国森林区域均存在一定的不确定性, 且受林况和地形因素影响的程度不一致。对GLASS LAI和GLCF TCC影响的最大因素分别为林型和覆盖度; 而GFCH则更易受地形坡度和覆盖度的影响。

产品 Product		林型 Forest type			坡度 Slope (°)				冠层覆盖度 Canopy cover (%)
产品 Product		a	b	c	0-10	10-20	20-30	≥30	0-30	30-60	60-80	≥80
GLCF TCC	R²	0.64	0.29	0.60	0.39	0.54	0.48	0.52	0.10	0.03	0.02	0.05
	Bias (%)	18.13	19.96	21.37	22.81	21.72	19.54	14.49	-4.78	11.55	25.39	33.35
	RMSE (%)	28.40	34.16	29.45	31.70	31.17	31.63	28.69	17.02	25.72	32.57	36.87
	像元数量 N	15 584	37 167	51 969	39 301	23 792	23 441	18 186	21 231	16 446	23 837	43 206
GLASS LAI	R²	0.73	0.15	0.36	0.29	0.38	0.28	0.34	0.17	0.3	0.04	0.11
	Bias (m²·m^-2)	-1.46	-1.39	-1.86	-1.81	-1.98	-1.63	-0.72	-1.22	-1.68	-2.05	-1.45
	RMSE (m²·m^-2)	1.76	2.01	2.23	2.16	2.30	2.11	1.62	1.44	2.12	2.35	2.03
	像元数量 N	52	196	204	136	87	162	67	24	64	112	252
GFCH	R²	0.35	0.40	0.34	0.45	0.37	0.31	0.37	0.09	0.14	0.27	0.25
	Bias (m)	0.64	2.87	1.23	1.67	0.79	2.09	3.22	-1.73	0.20	1.36	2.72
	RMSE (m)	3.91	6.29	4.22	4.10	4.40	5.84	6.72	5.16	4.83	4.40	5.61
	像元数量 N	16 794	85 571	74 047	58 565	34 454	41 776	41 617	9 291	19 420	32 156	115 545

View table in article

表3 不同因子对3种卫星遥感监测产品精度的影响分析

正文中引用本图/表的段落

式中, $\dot{y}_{i}$表示各个产品的像元值,

y_{i}

表示基于激光雷达点云估算的森林结构参数的像元值,

\overset{ˉ}{y}

为这些像元值的平均值。

GLCF TCC产品的不确定性结果能够很好地指示该产品的精度。随着不确定性的增加, GLCF TCC产品的精度呈逐渐降低的趋势, R2从0.59降低到0.08; RMSE呈现轻微的上升趋势, 从31.56%增加到36.01%; 但是Bias未表现出明显的增加趋势(图3)。因此, 本研究只选择不确定性为0-10%的GLCF TCC产品像元进行后续分析。

林型、坡度以及覆盖度对GLCF TCC的影响如表3所示。随着覆盖度的增加, GLCF TCC的RMSE从17.02%逐渐增大到36.87%, 其精度逐渐降低。不同林型中也观测到GLCF TCC产品精度的显著差异: 在阔叶林中, GLCF TCC产品精度最低, RMSE高达34%; 针叶林GLCF TCC精度最高, R2达到0.64, RMSE也有所降低, 约为28%, Bias为18.13%。混交林精度略低于针叶林, R2为0.60, RMSE约为29%, Bias为21.37%。不同坡度下, GLCF TCC的R2和RMSE相差不大, 并未观测到坡度增加对该产品精度产生明显影响。

林型、坡度以及覆盖度对GLASS LAI产品精度表现出不同影响(表3)。不同林型中的R2差异较大, 但是Bias和RMSE差异较小, 其中针叶林精度最高(RMSE = 1.76 m2·m-2), 阔叶林次之(RMSE = 2.01 m2·m-2), 混交林精度最低(RMSE = 2.23 m2·m-2)。随着坡度增加, GLASS LAI产品的精度没有表现出显著变化, 当坡度大于30°时, RMSE为最小。随着覆盖度的增加, GLASS LAI产品精度未表现出明显变化趋势。当覆盖度小于30%时, R2、Bias和RMSE均为最小。坡度和覆盖度对产品精度影响不明显可能与分级后的样本数量较少有关。

不同林型下GFCH与点云估测的冠层高度相关性较为一致, R2均在0.3-0.4。GFCH在针叶林(RMSE = 3.9 m)和混交林(RMSE = 4.2 m)有更高的精度和准确度, 在阔叶林精度最低(RMSE = 6.3 m)。随着坡度的增加, GFCH的R2先降低后保持相对稳定, 但是RMSE和Bias呈上升趋势; 随着覆盖度增加, GFCH的R2呈现上升趋势, Bias和RMSE呈现明显变化(表3)。

卫星遥感监测产品是开展大尺度森林生态系统研究不可缺少的数据源。本研究利用无人机激光雷达构建的验证数据集对GLASS LAI、GLCF TCC、GFCH 3套卫星遥感植被监测产品进行精度验证。结果表明3套产品在中国区域均有一定的不确定性, 且均存在饱和现象。其中GLASS LAI与激光雷达点云数据估算的LAI相比, R2为0.29, RMSE为2.10 m2·m-2; 而GLCF TCC产品和GFCH产品精度相对较高, 与激光雷达估算的冠层覆盖度和冠层高度相比, R2分别达到0.47和0.37, 对应的RMSE为31%和5 m。

本文的其它图/表