首页 > 分享 > 遥感技术在森林树种多样性监测中的应用研究进展

遥感技术在森林树种多样性监测中的应用研究进展

花匠小妙招
2024-10-05 13:10

杨泽至，硕士研究生，研究方向为资源环境遥感。舒清态，博士，副教授，研究方向为“3S”技术在林业中的应用。中国林业科学研究院林业科技信息研究所《世界林业研究》2022年第4期 2023-01-12 09:54:06 阅读量：1331

摘要：树种多样性的快速、有效监测能够促进生物多样性保护与研究以及森林可持续管理。遥感技术正逐渐成为森林生物多样性大面积快速监测的新兴手段，为树种多样性空间格局信息的快速提取提供了有力保证。以数据源为线索，文中系统阐述了近年来多光谱遥感、高光谱遥感、激光雷达、微波遥感及多源遥感协同方法在树种多样性监测中的应用研究现状，并从数据源、数据平台、遥感异质性指数、数据时间特征和监测模型等5个方面讨论了森林生物多样性遥感监测研究的发展趋势，旨在为生物多样性遥感监测研究提供有益启示。

森林生物多样性作为生物多样性的重要组成部分，是森林生态系统维持其功能及稳定性并提供生态服务的物质基础，深刻影响着经济社会的可持续发展。乔木作为森林植被的主体，其多样性表征了林分尺度上的森林生物多样性水平，对于维持和发挥森林生态系统功能具有重要作用，是影响森林生态系统稳定性、生产力和碳储量的关键因素。树种多样性的快速有效监测是森林生物多样性保护工作的重要内容，对促进生物多样性保护与研究以及森林可持续管理具有重要意义。传统的以人工地面调查为主的树种多样性监测方法尽管能够取得较高的监测精度，但存在投入大、成本高、效率低和时空机动性差等明显缺点，不利于获得森林生物多样性的空间格局信息及其变化规律。遥感技术以其快速获取大范围、连续性、长时间序列空间数据的技术优势为森林植被多样性的大范围实时监测提供了可能，与地面调查方法相比，在快速获取森林生物多样性空间分布信息方面具有不可比拟的显著优势。近年来，随着遥感传感器的持续发展，多光谱、高光谱、微波、激光雷达和多源遥感协同技术先后应用于森林植被多样性监测研究中，为森林生物多样性大范围、高精度监测带来了新的契机，展示出巨大潜力。目前，森林植被多样性遥感监测主要基于4个理论假说，即生产力假说、生境异质性假说、光谱异质性假说和高度变异假说,这4个理论假说分别从森林生态系统生产力、群落环境异质性、树冠光谱多样性和树高变异等4个要素与生态位的关系为森林树种多样性遥感监测提供了理论基础。本文将总结回顾近5年来（2016—2021年）多光谱遥感、高光谱遥感、激光雷达和微波遥感以及多源遥感协同方法在森林树种多样性监测中的应用，并对遥感技术在森林植被多样性监测中的应用发展趋势进行分析与展望，以期为森林生物多样性遥感监测研究提供参考。

1 多光谱遥感在森林树种多样性监测中的应用

多光谱遥感是最早应用于包括树种多样性在内的生物多样性监测的遥感技术，为早期区域尺度的树种多样性遥感估测提供了信息来源。目前，基于多光谱数据的树种多样性监测研究以航天平台为主，其研究方法或内容主要包括归一化植被指数(Normalized Vegetation Index,NDVI)及其他植被指数法、纹理特征法及空间与光谱分辨率对树种多样性估测精度的影响探究等。

1.1 NDVI及其他植被指数法

基于光谱变异假说，以NDVI指数的变异特征（标准差、方差和变异系数）作为树种多样性建模的主要预测因子在早期树种多样性遥感监测研究中得到广泛应用。Gould利用Landsat-5的NDVI标准差解释了植物物种丰富度65%的方差。Mohammadi等以方差为光谱异质性度量，利用ETM+数据的波段反射率、NDVI等植被指数及缨帽变换特征，采用多元线性回归方法，分别建立了乔木物种的丰富度模型及其Simpson指数的倒数模型，首次实现了伊朗北部赫卡尼亚森林树种多样性的遥感监测。靖传宝等基于GeoEye-1数据，采用BP 神经网络模型分析Shannon指数和Simpson指数与NDVI标准差等光谱变异特征的关系，进而量化了北京市五环内的城市树种多样性水平。Torresani等研究发现，基于卫星多光谱数据（Sentinel-2 和Landsat-8）的NDVI变异系数与实测Shannon指数具有较显著关系，其与实测Shannon指数线性回归的拟合优度R2最大为0.61。此外，为了减少对星载光学数据NDVI指数的依赖，充分挖掘卫星光学遥感估测树种多样性的潜力，Madonsela等利用Landsat-8图像波段反射率、植被指数与纹理特征对研究区树种多样性进行估算，结果表明，比值植被指数SRI(Simple Ratio Index)的变异特征对Shannon、Simpson和物种丰富度3个多样性指数的拟合优度均不低于NDVI，对树种多样性的综合解释能力优于NDVI。

1.2 纹理特征法

纹理特征能够反映图像亮度的空间变化，在一定程度上揭示了生境异质性，具有解释物种多样性的潜力，在近年来的植被多样性遥感监测中受到关注。Madonsela等利用主成分分析法融合了基于Landsat-8影像的纹理特征、植被指数和波段反射率进行树种多样性估测，结果显示，相较于仅使用植被指数或波段反射率估算树种多样性，引入纹理特征后使多样性模型的精度得到了提高。Fundisi等基于WorldView-2，利用不同窗口大小（3×3、5×5和7×7）的GLCM纹理特征对热带草原生境的树种多样性进行估测，发现各窗口的信息熵在解释树种多样性方面均优于其他纹理指标；3×3窗口下纹理特征估测树种多样性的整体精度低于5×5和7×7；而3个窗口的二阶矩与均值GLCM的估测精度相当。刘鲁霞等基于GF-2提取了多光谱影像的光谱特征、纹理特征和全色波段纹理特征，利用RF算法对华东地区亚热带天然林的进行了3种α多样性指数建模（Shannon、Simpson和Pielou指数),R2为0.47～0.61。

1.3 空间及光谱分辨率对树种多样性估测精度的影响

多光谱数据的光谱分辨率与空间分辨率对树种多样性遥感模型的性能与精度有着重要影响，是树种多样性遥感监测研究的重要内容之一。Mallinis等借助RF算法，比较了不同空间分辨率卫星多光谱图像的反射率数据对树种多样性估测精度的影响，发现WorldView-2数据对研究区树种多样性指数的估算效果最好，Sentinel-2 MSI模型优于Landsat-8 OLI数据，仅次于WorldView-2；RapidEye数据的整体估算精度最低。Gyamfi-Ampadu等讨论了4种卫星多光谱图像的光谱和空间分辨率如何影响树种多样性模型的性能，结果显示，除了空间分辨率较低的landsat-8模型（R2为0.529 )以外，其余3种卫星多光谱数据对3种树种多样性指数的预测精度均较高，以Shannon指数为例，Sentinel-2、RapidEye和PlanetScope模型的决定系数分别为0.926、0.902和0.898；在Simpson多样性的预测中RapidEye数据的表现优于PlanetScope和Landsat-8。由此可见，Sentinel-2是兼顾获取成本、空间分辨率和光谱分辨率的最佳数据源选择。

2 高光谱遥感在森林树种多样性监测中的应用

高光谱遥感能够获取非常窄的、光谱连续的图像数据，在捕获不同地物间细微的光谱差异方面具有显著优势，因而具有充分挖掘光谱变异信息的潜力，在植被多样性遥感监测研究中的作用日益突出。目前基于高光谱遥感技术监测树种多样性的研究以机载平台为主，其主要方法包括无监督分类法、经验统计法2大类。

2.1 无监督分类法

非监督分类即聚类分析，能够在不知类别知识的条件下，由计算机自主根据给定的识别特征实现包括树种识别在内的图像分类，适应了基于航空遥感等高空间分辨率数据源的分类或定量应用。基于机载高光谱数据，Schafer等通过提取树冠光谱和空间特征，在图像分割的基础上采用k-means聚类算法进行热带山地森林树种识别，并根据聚类结果进行α多样性制图；研究发现，当只考虑树冠最大的50%树木时，树种丰富度的预测值与实测值最为接近。董文雪在单木分割的基础上，通过提取最优高光谱指数和最优林冠结构参数，利用自适应C均值模糊聚类算法进行树种识别分类，实现了中亚热带乔木多样性的区域制图。Paz-Kagan等利用经优选的波段反射率和纹理特征，借助SVM算法进行树种识别，并基于树种识别结果以30 m为格网大小计算了乔木Shannon多样性指数，进而实现树种多样性制图。

2.2 经验统计法

经验统计模型因其所需参数少、简明易用的特性在地学参数定量反演领域中得到了广泛应用，树种多样性遥感估测亦不例外。基于机载高光谱数据，Lucas等采用波段反射率的比值对美国密西西比州Horn岛维管植物物种丰富度进行估测，结果显示，R951/R1100比值的变异系数与树种丰富度呈负相关，对树种丰富度的估测精度R2为0.9。Laurin等分别利用波段反射率、光谱导数和窄波段植被指数，借助RF算法对热带雨林的乔木Shannon多样性进行建模，结果表明，绿光波段反射率的标准差和红外波段导数的标准差对热带树种的Shannon多样性具有较强的解释能力，其可决系数R2分别为0.849和0.714。吴倩基于主成分特征、主成分分析后的纹理特征和窄波段植被指数，分别利用多元线性回归、RF和SVM支持向量回归模型对中亚热带常绿阔叶落叶混交林的α多样性指数进行反演，结果表明，RF模型的表现优于SVM模型和多元线性回归模型，泛化能力强，估测精度最高。

此外，基于星载平台，Kalacska等基于小波变换后的Hyperion高光谱数据探究了高光谱图像季节变化(旱季、雨季和过渡季节）对热带季雨林冠层物理参数和多样性估测效果的影响；结果表明，旱季图像为Shannon多样性建模提供了最佳效果。Kayet等基于Hyperion数据，利用窄波带植被指数评估了山地采矿区的树种多样性，试验表明，NDVI705（红边归一化差异植被指数）在Shannon多样性估测中具有最高的R2（0.76）和最低的RMSE（0.04）。

3 激光雷达在森林树种多样性监测中的应用

利用光学遥感能够基于树冠光谱异质性与树种多样性之间的关系实现树种多样性监测。然而，冠层光谱特征与树种多样性的关系不够稳定，具有时空差异性，且无法反映植被垂直结构异质性对树种多样性的影响。研究表明，森林结构及其变异通过形成生态因子的垂直分异，增强了环境异质性，为物种提供了更多的生态位，从而显著影响森林物种多样性。因此，森林结构及其异质性是今后森林物种多样性遥感监测研究中应引起重视的一个关键因素。激光雷达作为一种新兴的主动遥感技术，通过获取目标地物的高精度三维坐标，提取单木或林分尺度的结构参数，为基于结构异质性与物种多样性间的关系监测树种多样性提供了有力手段，是对基于光学遥感的植被多样性监测研究的一个重要补充。目前，激光雷达在森林物种多样性监测中的应用研究采用近地面平台，主要包括2个方面的内容：一是森林结构类型划分和结构多样性表征；二是树种多样性指数建模。

3.1 森林结构类型划分和结构多样性表征

激光雷达凭借全天时、全天候快速、精准获取研究对象三维坐标的优势，成为森林结构分类和结构多样性信息提取的有力工具。Guo等采用聚类分析法，以冠层高度标准差等6个与植被结构及其变异相关的激光雷达指标为聚类因子，进而把亚寒带针阔混交林的结构特征分为8类。刘鲁霞提取了点云比例、高度分布标准差、高度分布变异系数等LiDAR变量,利用K-均值算法将菜阳河激光雷达飞行区域内森林垂直结构划分为5类；并以冠层高度、冠层覆盖度和点云峰度值为指标，通过阈值设置计算了森林垂直结构指数，从而刻画了森林垂直结构的水平分布。Listopad等根据LiDAR高程数据和α多样性指数计算方法，构建了基于激光雷达的高度多样性指数和高度均匀度指数，以表征林分结构复杂度。

3.2 树种多样性指数建模

近年来，为探究森林垂直结构与树种多样性的内在联系，激光雷达成为基于森林结构多样性监测物种多样性的全新手段。Simonson等提取了基于机载激光雷达的平均树高变量，利用线性回归方法建立了地中海亚热带常绿硬叶林植被Shannon多样性模型，其拟合优度R2为0.50。Martins-Neto等比较了4种机器学习模型在基于激光雷达数据的树种α多样性水平及林分结构参数估测中的表现，研究发现人工神经网络ANN是林分结构参数和树种多样性的最佳估测模型，其中含有3个隐藏层的ANN对树种多样性的预测精度最高。Laurin等从激光雷达数据中提取了树高均值、二次树高均值、树高标准差、偏度和峰度等结构变量，采用多元自适应回归模型（MARS）对热带森林树种丰富度进行了估算，其预测值与地面实测值的拟合优度R2为0.64，高于多元线性回归模型的0.62。

4 多源遥感协同技术在森林树种多样性监测中的应用

多源遥感协同能够发挥各遥感数据源的性能优势，有利于克服单一数据源的局限性。融合光学与激光雷达或微波遥感数据，可以实现从水平光谱和垂直结构2个维度充分解释森林生物多样性变异，为森林生物多样性遥感监测带来了重大契机。因此，如何有效融合多源遥感数据进行物种多样性的高精度建模逐渐成为森林生物多样性监测的研究热点。目前，运用多源遥感协同技术进行树种多样性监测或制图的研究方法主要包括协同光学遥感与机载激光雷达和协同光学数据与微波遥感2类。

4.1 协同光学遥感与机载激光雷达

基于光谱异质性和结构多样性与物种多样性间的关系，有关学者结合光学数据和激光雷达开展森林生物多样性建模以期提高树种多样性的估测精度、改进树种多样性的制图方法。刘鲁霞为发挥多源遥感数据在森林生态参数提取中的优势，将机载激光雷达数据分别与GF-2多光谱数据和机载高光谱数据融合对季风性常绿阔叶林4种树种α多样性（物种丰富度、Shannon 指数、Simpson 指数和 Pielou 均匀度指数）进行估测，结果显示，多源遥感协同提高了多样性建模的精度：协同机载激光雷达与GF-2对α多样性指数的估测精度较高（0.69～0.79），高于基于单一激光雷达数据的0.54～0.77和单一GF-2数据的0.53～0.63；结合机载激光雷达与高光谱对4种多样性指数的估测精度均在0.7以上，其中Simpson指数的估测精度可达0.81，显著高于单一高光谱数据的0.62～0.65。George-Chacon等结合卫星光学影像的纹理特征和机载LiDAR的百分位高度及激光回波强度变量，通过多元回归方法对热带干旱森林的树种多样性进行了估测，结果表明，对于树种丰富度，协同卫星光学数据和激光雷达数据的估测模型精度达0.89，高于卫星多光谱模型和激光雷达模型；对于exp-Shannon指数，结合卫星光学数据和激光雷达数据的估测精度为0.81，比仅使用卫星光学数据和激光雷达单一数据集的预测精度分别提高了0.16和0.07。Mohammadi等融合机载激光雷达和航空多光谱数据，提取了具有代表性的高度特征、回波强度特征和光谱纹理特征，采用RF算法进行了树种多样性建模，发现与单一数据建模相比，机载激光雷达与航空多光谱数据融合模型具有最高的R2和最低的RSME。

此外，一些研究从改善树种多样性制图效果出发，结合多源遥感数据开展基于聚类分析的树种多样性制图研究。例如，董文雪提出一种基于单木水平的最佳植被指数和最佳结构参数的树种多样性遥感监测方法，该方法分别基于机载激光雷达和高光谱提取单木尺度的最佳结构参数和最佳植被指数作为聚类指标，采用自适应C均值模糊聚类算法进行聚类分析，最后基于聚类结果，以30 m为网格大小实现了树种多样性分布制图。Sun等提出一种基于深度学习分类方法的树种多样性估测和制图方法，该方法首先融合无人机激光雷达与RGB数据，利用深度学习算法进行树种分类，形成若干个单木水平的图斑，随后基于图斑结果，采用30 m大小的网格单元进行树种多样性制图。然而，上述方法仅适用于小尺度范围的树种多样性制图，不利于获取树种多样性的宏观空间格局信息，且数据获取成本高，技术推广受到制约。

4.2 协同光学数据与合成孔径雷达

合成孔径雷达与激光雷达同属于主动遥感，对植被、土壤具有一定的穿透性，并能够全天时、全天候工作，因而在获取植被垂直结构信息方面具有一定优势。近年来，一些学者结合传统光学影像和主动微波图像的技术优势，探讨协同光学数据与合成孔径雷达图像在森林乔木多样性建模中的潜力。例如，Madonsela等从Landsat-8 OLI图像和L波段ALOS PALSAR数据中分别提取不同物候期（植被生长末期、过渡期、衰老期和旱季）的NDVI和树冠覆盖度,采用因子回归模型对南非干热森林树种多样性进行估测，发现树冠覆盖度与树种多样性呈正相关，与其他物候期相比，结合植被衰老期获取的NDVI与树冠覆盖度提高了对树种多样性的估测精度。Andres-Mauricio等提取基于Sentinel- 2的光谱特征和纹理特征与基于ALOS-PALSAR微波图像的纹理特征和归一化差异后向散射指数NDBI融合，利用RF算法进行树种丰富度估算，其估测精度高于单一数据集模型。Attarchi等结合ETM+数据和ALOS/PALSAR微波数据，辅以地形参数，利用PLSR模型对伊朗Hyrcanian森林树种Shannon多样性进行监测，研究发现缓坡区域的R2高于陡坡区域，与单一数据集相比，融合数据具有最高的估测精度（R2为0.87）和最小的均方根误差（RMSE为0.74)。

5 研究展望

综上所述，随着遥感传感器的不断发展，人类对各时空尺度植被空间数据的获取能力日益增强，遥感技术已经成为以树种多样性为主的森林生物多样性快速监测分析的新兴手段。多光谱遥感、高光谱遥感、微波遥感、激光雷达和多源遥感协同技术在森林植被物种多样性建模、估测和制图应用中均取得了一系列进展，拓展了遥感技术在资源环境监测中的应用。经文献分析，森林植被多样性遥感监测研究从数据源到异质性指数再到监测模型，呈现以下发展趋势：

5.1 数据多元化

近年来，应用遥感数据进行森林生物多样性监测的研究受到越来越多的关注。目前，结合遥感数据源和平台2方面来看，森林生物多样性遥感监测研究的信息源主要包括星载多光谱、机载高光谱和机载激光雷达，而基于微波遥感的森林生物多样性监测研究较为少见，以星载激光雷达为数据源的研究更是未见到公开刊物的有关报道。具体而言，尽管微波遥感应用于物种多样性监测的研究相对较少，但近年来逐渐受到有关学者的关注。例如，Gillespie等利用机载合成孔径达AIRSAR数据进行树种丰富度建模研究，发现C波段和L波段的后向散射系数均值分别解释了44%（p<0.001）和33%(p<0.002)的树种丰富度方差。值得注意的是，迄今为止，星载激光雷达大光斑数据在森林生物多样性监测中的应用潜力和作用尚未得到探讨。已有学者指出协同星载激光雷达和高分辨率卫星光学遥感将成为大范围森林物种多样性监测的有力工具，为今后树种多样性监测研究提供了有益启发。因此，充分挖掘星载激光雷达在森林生物多样性监测中的应用潜力，实现大范围物种多样性信息的高精度提取将是今后森林树种多样性遥感建模的一个努力方向。

5.2 平台小型化

无人机凭借其成本低、机动灵活性强以及更易获取高精度遥感数据等技术优势在提取森林生态参数方面的作用日益突出，为精细尺度的物种多样性监测提供了平台支撑。Getzin等提出一种基于无人机RGB图像的林隙参数反演生物多样性指数的方法，并证明了成本效益高的高分辨率RGB图像在生物多样性制图中的应用潜力。de Almeida等探讨了融合无人机激光雷达和高光谱数据以评估森林物种多样性的潜力，发现冠层高度与物种丰富度呈正相关。可以相信无人机技术的进一步成熟和普及必将为包括树种多样性在内的生物多样性监测研究提供更加高质量的数据，并协同星载遥感数据在树种多样性估测中发挥重要作用。

5.3 遥感异质性指数的发展

遥感异质性指数是一定尺度内物种多样性的度量，同时是影响遥感特征异质性与物种多样性关系强弱的关键因素，在很大程度上决定着生物多样性遥感模型的预测精度。目前，遥感异质性指数的发展主要表现在计算方法的改进和数据源的完善2个方面。

1）计算方法的改进。由当前常用的、基于移动窗口法计算的离散度统计量，如遥感变量的标准差、方差和变异系数向二次熵指数Rao's Q发展，以更好地量化遥感图像特征的变异性，以期更有效地反映物种多样性。Torresani等在高寒针叶林中进行光谱异质性假说验证研究时发现二次熵指数Rao's Q对树种多样性的解释能力优于变异系数CV（基于NDVI指数)，且与样地实测多样性指数具有显著相关性。

2）数据源的完善。由基于光学遥感数据的光谱异质性指数向基于激光雷达数据的结构异质性指数发展，即不仅要表征水平方向上的冠层多样（变异）性，而且还要能够定量描述植被垂直结构的多样性。因此可以肯定，遥感异质性指数的发展有利于深入挖掘遥感变量与物种多样性的内在关系，促进森林生物多样性遥感监测模型的完善。

5.4 数据时间特征受到重视

近年来，光谱异质性与物种多样性关系的时间特征（效应）在生物多样性遥感监测研究中逐渐受到重视。Torresani等研究发现，光谱异质性指数（二次熵指数Rao's Q和NDVI的变异系数)与Shannon多样性指数的关系具有显著的季节特征。Rao's Q指数和CVNDVI与Shannon指数的拟合优度R2均随季节变化，均在夏季（6月份）达到最大值，而在冬春季节达到最小值；呈现出夏季高，春冬低的单峰型曲线时间特征。Kalacska等分别利用3个不同物候时期（旱季、雨季和过渡季节）的Hyperion窄波段植被指数进行木本植物Shannon多样性估测，研究发现旱季获取的Hyperion数据为多样性建模提供了最佳效果。Chrysafis等分析了不同季节（4月、7月、9月和10月）Sentinel-2数据对树种多样性预测精度的影响，结果显示，与单季节模型相比，多季节模型对树种Shannon和Simpson多样性具有更高的预测精度和更小的模型误差；在单季节模型中，基于光合作用高峰期的7月获取的遥感数据对树种多样性建模具有最佳效果。总之，光谱异质性与物种多样性关系的时间效应有待深入研究，并将是今后植被多样性研究的重要趋势之一。

5.5 监测模型的完善

目前，拟合遥感特征变量与植被多样性指数的关系或进行单木水平的树种识别的模型方法主要为经验统计模型，包括参数模型和非参数模型。其中参数模型的应用以多元线性回归和直线回归模型为主，而非参数模型主要为经典机器学习算法，如RF、SVM和K-NN模型，其中以RF模型应用最为常见，相关研究案例较多。相比之下，处在飞速发展和广泛应用阶段的深度学习模型在森林生物多样性建模中的潜力缺少探究，鲜见相关报道。此外，应用机理模型，如辐射传输模型RTM，从机理上揭示光谱异质性或结构异质性与物种多样性的内在联系，以克服光谱异质性与树种多样性之间关系对传感器、试验区和森林类型的依赖。总之，如何进一步提高森林生物多样性遥感模型的预测精度和普适性，如深度学习模型潜力的探讨将是一个具有重要价值的努力方向。