基于遥感技术竹资源监测与管理

（一）基于HJ-1HI高光谱数据的毛竹林专题信息提取研究。

受目标地物分布地形影响和高光谱的可达10－2λ 的光谱敏感性响应等因素影响，高光谱影像中存在严重的信息重叠现象，增加地物的识别难度。项目采用HJ-1 高光谱遥感影像，以中国福建省永安市的毛竹分布区为研究对象(图6、图7)，对阳光可直接照射区，利用5 种光谱响应特征，开展毛竹林在HJ-1 HIS 影像上的光谱响应及最佳识别波段选择研究。通过分析毛竹林与马尾松、杉木、硬阔、经济林等主要森林类型在HJ－1 HIS 影像中的光谱相似性、可分性，确定出可适用于毛竹信息提取的高光谱波段，并比对毛竹专题信息提取精度。结果表明，毛竹与马尾松、杉木、硬阔、经济林4 种森林类型的原始光谱曲线规律基本一致，光谱差异较小; 光谱变换后，在波长753～ 765 nm 和908～ 917 nm 处，各森林类型间光谱差异明显，毛竹与其他森林类型在第1、2、5、9、10、45、59、60、61、109、110、111、112、113、114、115 等波段具有较好的可分性，这些波段可用于毛竹专题信息的提取，所选特征波段组合的图像较原始图像的分类总精度提高12． 61%，提取竹林面积共计34 117 hm2。

图4 研究区

图5 永安市HJ-1A HSI 影像去云结果

毛竹与其他森林类型在HJ-1A HSI 影像上的光谱响应分析：统计各森林类型光谱值，结果见图6。从图7可以看出，各个森林类型具有相似的光谱曲线形状，在波长460～550 nm 范围各森林类型波动比较大，在550 ～ 950 nm 范围整体走向一致，尤其在680～750nm。

图6  各森林类型HJ-1 HIS 影像光谱曲线

结合永安市同期小班地面资料，选择毛竹、马尾松、杉木、硬阔、经济林5 种森林类型的训练样本，采用填图分类法( SAM) 对光谱数据的空间矢量维度和波段总数比较分析，对原始图像和选择确定的毛竹与其他森林类型可分性相对较好的波段影像进行分类，以比较确定波段的可分性效果，结果见图8、图9。

图7原始图像分类结果

图8特征波段组合图像分类结果

图9毛竹林分布

竹林地土壤肥力及空间制图

（1）研究了基于环境因子和混合插值的林地土壤有机质预测模型。首先应用数字地形与遥感影像分析技术获取地形因子与遥感指数，然后分析土壤有机质与环境因子的相关性，最后用环境因子对土壤有机质进行空间预测。针对回归克里格法( RK) 需要计算半变异函数的缺陷，提出了一种空间插值方法，即回归-光滑薄板样条插值法( R-STPS) 。将这2 种插值方法用于顺昌县土壤有机质的空间预测。结果表明，RK 与R-STPS 的预测精度、计算效率、预测的研究区土壤有机质空间分布的总体趋势相近，见土壤有机质质量比见图7。R-STPS 无需计算半变异函数，使用方便，因此更有优势。

图10  2 种方法预测的林地土壤有机质空间分布 ( a) RK、 ( b) R-STPS

（2）土壤物理性质空间分布。采用地统计学与GIS 分析方法，分析闽西永安市6 个乡镇的毛竹林地的土壤含水量、土壤密度、最大持水量、最小持水量和土壤总孔隙度等6 个物理性质的空间变异规律与分布格局。6 个土壤物理指标变异系数介于0．12～0．30，均属中等变异; 土壤含水量、最大持水量和毛管持水量最佳半方差函数模型均为球状模型，变程依次为3 970、4 360、4 710 m，土壤密度、最小持水量和毛管总孔隙度最佳半方差函数模型均为指数模型，变程分别为5 490、5 310、6 690 m，均大于1 000 m 采样距离，且各指标随机性变异占总变异比例低于25%，分形维数趋近2，均呈现强空间相关性; 除土壤密度呈各向同性且以0°方向( 西—东) 为优势格局外，其余5 个指标呈各向异性且均以45°方向( 西南—东北) 为优势格局。土壤含水量与土壤密度的分布呈相反趋势，最大持水量、最小持水量和毛管总孔隙度分布格局相似，毛管持水量分布与研究区海拔密切相关，6个物理性质空间变异呈显著相关。采用Kriging 最优插值法对毛竹林6 个土壤物理性质进行插值并交叉验证，各土壤物理性质的均方根误差均与平均标准误差相接近，标准平均值均趋近于0，标准均方根预测误差均趋近于1（表4）。结果表明，各土壤水分指标Kriging 插值精度均较高，可用于预测分析6 个土壤物理性质的空间分布特征，并绘制各指标空间分布格局图( 图11)

由图4a 可知，土壤含水量呈片状及条带状分布，呈现出随纬度升高而上升的趋势。

图11 土壤物理属性的空间分布图

竹林叶面积指数LAI的研究

叶面积指数（leaf area index,LAI）是体现林分冠层结构的一项重要参数，其准确估测对于精准林业的实施具有重要意义。为了快速、无损地监测毛竹林LA，采用ISI921VF-256野外地物光谱辐射计和LAI-2200冠层分析仪获取福建省西北部毛竹林分冠层光谱反射率和LAI值，通过敏感波段的选取，新建了8类植被指数，分析了LAI值与对应植被指数的相关性,进而利用随机森林回归、支持向量回归和反向传播神经网络法构建了毛竹林分冠层LAI高光谱估测模型,以决定系数（R2）、均方根误差（ERMS）、平均绝对误差（EMA）和估测值与实测值的回归线斜率为指标评价并比较了模型预测精度。结果表明:新建的NDVI674、NDVI687、GNDVI563、GRVI563、RVI674、RVI687、DVI674、DVI687八类植被指数与LAI均呈极显著相关（P<0.01）。建立的RFR模型中，决定系数R2达到0.732 3，分别比SVR模型和BP模型提高了0.106 6和0.247 0，其EMA为0.406 2,分别比SVR模型和BP模型减少了0.044 8和0.481 1;其ERMS为0.646 3，略高于SVR模型,但远小于BP模型；其实测值与估测值的回归线斜率接近1，优于SVR模型和BP模型的回归线斜率。RFR模型对毛竹林分冠层LAI的高光谱估测效果优于SVR模型和BP模型，可用于大区域范围毛竹林冠LAI的高光谱估测。

图12不同ＬＡＩ 水平下毛竹林分冠层光谱反射率

图13不同模型竹林LAI实测值与预测值回归分析