森林郁閉度（FCC）是指單位面積上立木樹冠投影面積與該地面積的比值，郁閉度不僅僅是森林防蟲害、主伐更新，同時也是反映森林經營措施的主要指標。在森林經營管理中郁閉度是封山育林、確定撫育采伐強度的重要指標，并成為通過遙感圖像進行森林蓄積量估測不可缺少的因素。郁閉度同時也可以用來反映林分的疏密程度，我們可以根據林分疏密程度，可有效的區別有林地、稀疏林地和無林地等。森林郁閉度也是影響森林生物量和森林蓄積量的重要因素。所以對森林郁閉度的測量必不可少，這也是對森林經營的一種很大幫助。

傳統的郁閉度森林測量方法有很多，主要是目測法、樹冠投影法、樣線法、樣點法、抬頭望法等，以上這些方法都是在小范圍中進行的郁閉度測量，雖然獲得的郁閉度精度可能會高一點，但是人力、物力的耗費都比較大，而且對人員的要求比較高，工作量大，并且效果沒有保證。隨著森林調查技術的不斷發展，郁閉度的測量方法也是越來越多，同時，人們對郁閉度的要求也是越來越多。其中，成本低，耗費少，技術要求低等要求也是不斷被提出。所以我們需要更加準確，簡單快捷的方法來對郁閉度進行測量。

隨著衛星技術的不斷進步，從衛星得到的遙感圖像也是不斷在變化，我們可以通過對高分辨率的衛星圖像以及航空像片等方法來進行大面積的郁閉度調查。我們在使用衛星拍攝得到的圖像進行郁閉度估測時,都是利用人工地面測量來得到郁閉度數據作為檢驗的標準，利用與郁閉度相關性高的波段或變量,建立多元回歸模型來估測郁閉度。

技術路線

本次使用參數建模的方法對郁閉度進行建模分析，其主要內容是：

（1）Landsat8影像數據預處理

使用ENVI5.3軟件，對landsat8多光譜遙感影像進行輻射定標、大氣校正以及裁剪等操作。

（2）數字高程數據（DEM）處理

使用二類調查數據對DEM進行裁剪。

（3）影響因子提取、建模

使用ENVI5.3軟件對遙感影像進行處理，提取出與森林郁閉度有關的影響因子（NDVI、RVI、紋理參數因子等），使用Arcgis10.3軟件對DEM數據進行處理，提取出坡度坡向等地形因子。然后使用分區統計工具對各個影響因子進行均值提取，最后形成以小班為單位的數據。以郁閉度為因變量，其他參數為自變量，使用SPSS統計軟件建立郁閉度估測模型。

（4）模型對比與分析

對比兩種方法得到的模型，使用之前抽樣的數據進行精度驗證。

技術路線

數據處理

1.大氣校正是為了消除大氣對衛星或機載傳感器拍攝的圖像反射率值的影響的過程。這些影響多為大氣散射、 氣溶膠等。為了消除這些影響，使我們得到更加精確的地物輻射值，達到所進行的實驗的要求，所以我們要對影像數據進行大氣校正。

大氣校正前后影像對比 大氣校正前后影像對比

在經過大氣校正后，遙感圖像的光譜變化曲線明顯，在未經過大氣校正之前的波譜變化曲線受大氣影響較為嚴重，可以看出不符合植被變化曲線的規律。而在經過大氣校正后的遙感影像的波譜變化曲線較為符合植被變化曲線的規律。如下圖所示：

大氣校正前后波譜變化曲線

2.歸一化植被指數（NDVI）是指近紅外波段和可見光紅色波段的差與這兩個波段的和的比值。利用NDVI，我們可以很直觀的看出地面植被的覆蓋程度。經過比值處理后的NDVI圖像，可以消除部分輻照度條件變化（大氣輻射）的影響[1]。利用植物反射率的強烈差異來確定它們在這些衛星圖像中的空間分布是很自然的，所以NDVI能很直接的反映出植被的覆蓋程度。

NDVI提取圖

數字高程模型（DEM）通常表示地表區域上地形的三維向量的有限序列。地形因子可以通過植被所需要的熱量以及水分等來對植被的分布進行影響。由于植被在不同條件下的光譜反射特征是不同的，例如光照不同、空氣濕度不同等條件下其反射的光譜特征也就會不一樣。所以我們可以使用DEM數據來進行一些專題圖分析，用來分析海拔、坡度、坡向等影響因子對植被分布的影響。

坡向圖、坡度圖

4.紋理反映的是象元灰度的空間變化特征，分布在整個影像中某一區域具有規律性排列的圖形，代表的是物體的表面特性，這種特性就是組織特征。紋理特征考慮像素之間的關系，有助于提高圖像解析和特征提取的精度。此次紋理提取，主要提取紅光波段和近紅外兩個波段，此步驟運用到的工具是基于 Envi 5.3 軟件下的 co-occurrence Measure（要求：紅光波段-Mean 近紅外波段-Contrast）Filter—co-occurrence Measure。以下是從遙感圖像中提取出來的信息圖：

紋理波段信息提取圖

郁閉度估測建模方法

向前線性回歸是線性回歸的模型中的一種方法，其基本思想是將變量依次引入，把經過F檢驗后表現顯著的變量留下，不顯著的變量被剔除，然后在每個步驟都會進行變量的檢測，把原先的變量與后來導入的變量進行篩選，將表現不顯著的變量剔除，然后重復此過程直到沒有任何方法可以在統計上顯著改善模型。

我們首先采用SPSS中的線性回歸功能的向前線性回歸方法來對數據進行建模。

在進行建模時，我們以郁閉度為因變量，而其他的影響因子作為自變量進行線性回歸，得到以下結果：

在模型計算中一共加入了兩個變量，分別是比值植被指數RVI和歸一化植被指數NDVI，其他變量在經過多重共線性檢驗后基本排除，所以只有這兩個變量進入向前線性回歸。

由上圖中我們可以知道，我們最終得到的模型是模型2，模型2的復相關系數為0.615，模型2的決定系數為0.378，它的標準估算的錯值要小于模型1的標準估算的錯值，我們可以認為郁閉度與參數中的兩個變量相關，所以我們可以使用模型2可以更好的估測郁閉度的值。

在上圖中，我們可以知道sig=0<0.05,所以我們可以認為模型中的偏回歸系數至少有一個不為0，說明因變量郁閉度與全部的自變量的線性關系是顯著的，所以我們可以建立線性方程，此模型可以成立。

我們由圖可以得到，最終的模型為FCC=-44.863+225.673*RVI+77.544*NDVI。

清研成果

清研集團自然資源園林部致力于為自然資源、林草園林行業的政府決策、行業管理提供專業的解決方案。部門持續與部、省、市、縣各級政府委辦局開展深度合作，形成了自然資源、林草園林兩大核心業務板塊體系，前者涵蓋調查監測、確權登記、所有者權益、衛片執法、智慧耕地保護、國土空間生態修復、國土空間用途管制等；后者涵蓋政策研究、調查監測、監管檢查、規劃設計、系統開發等。經過多年的發展，部門目前擁有自然資源、遙感、地理信息、林業、園林、草業科學等學科背景的專業人才40余人，70%以上員工具備碩士及以上學歷。業務范圍遍布北京、福建、山東、安徽、新疆、寧夏、云南、貴州等地，完成精品項目100余個。

撰稿 | 孫江正 清研集團自然資源園林部研究員

編輯 | 張婧云

圖片 | 網絡