靳 莉，李 旭，张 超

(1.云南省林业调查规划院营林分院，昆明 650021； 2.西南林业大学,昆明 650224)



云南省思茅区思茅松蓄积量与植被指数关系研究

靳 莉1，李 旭2，张 超2

(1.云南省林业调查规划院营林分院，昆明 650021； 2.西南林业大学,昆明 650224)

以普洱市思茅区2005年森林资源规划设计调查 (二类调查) 数据为基础，基于Landsat TM遥感影像，开展对普洱市思茅区思茅松蓄积量与各类植被指数的定量研究。结果表明:当郁闭度为29%～40%时，蓄积量与环境植被指数EVI的拟合效果最好，相关性最强，拟合优度指数R2=0.42；郁闭度为40%～70%时，蓄积量与归一化植被指数NDVI的拟合优度最好，相关性最强，拟合优度指数R2=0.561；郁闭度大于70%时，蓄积量与RVI的拟合优度最好，相关性最强，拟合优度指数R2=0.568。坡向对蓄积量与植被指数的关系条件要求不严格，在估测蓄积量的时候可以忽略坡向的影响权重。就蓄积量与植被指数拟合模型的效果来看，三次多项式拟合模型效果最佳，较适用于蓄积量与植被指数关系的定量研究。

思茅松；蓄积量；植被指数；思茅区

思茅松(Pinuskeasyavar.langbianensis)为松科松属常绿乔木针叶树种，自然分布于云南中南部和西南部，是中国西南部南亚热带特有的暖热性针叶树种。集中分布于哀牢山西坡以西的南部地区，是这一区域最重要的森林类型，具有极高的生态价值及用材价值[1]。

测定森林蓄积量是林分调查工作的主要目的之一。20世纪70年代，航天遥感技术逐步应用于森林资源调查工作中[2]，自2000年后林分蓄积量的遥感定量估测研究成为林业遥感研究的一个重要领域[3]。植被指数(Vegetation Index)是对植被长势、生物量等具有一定指示意义的数值，是由若干波段经过数学运算得到的一种简单而有效的光谱信号。近年来，植被指数已广泛用来定性和定量评价植被覆盖情况[4]。然而，针对植被指数与森林蓄积量之间的(分段)线性/非线性关系，目前仍未有较为系统研究的相关报道[5, 6]。

以普洱市思茅区2005年森林资源规划设计调查 (二类调查) 数据为基础，基于Landsat TM遥感影像，开展普洱市思茅区思茅松蓄积量与各类植被指数的相关性研究，建立思茅松植被指数与蓄积量之间的数量化拟合模型，旨在为今后基于遥感手段的思茅松蓄积量估测提供借鉴和依据。

1 材料与方法

1.1 研究区概况

思茅区位于云南省南部，隶属普洱市，是普洱市政府所在地。东沿曼老江与江城县毗邻，南与景洪市接壤，西沿澜沧江与澜沧县、勐海县隔江相望，西北与景谷县以小黑江为界，北与宁洱县相连。全区东西长118 km，南北宽72 km，土地总面积39.45万hm2。全区东西长而南北窄，地势西北高、东南低，由西北分别向东南、西南倾斜。所属地理单元为高原亚热带南部季风常绿阔叶林地带、滇西南中山山原河谷季风常绿阔叶林区的澜沧江、把边江中游山原刺栲、小果栲林、思茅松林亚区[7]。全区林业用地总面积为32.95万hm2，占全区土地总面积的83.51%，其中林地面积为25.09万hm2，活立木蓄积量为 2 105.4万m3。

1.2 数据及来源

a.普洱市思茅区2005年森林资源二类调查数据，来源于普洱市林业局。b.覆盖思茅区的Landsat TM数据来源于USGS数据共享平台，空间分辨率为30 m，成像于2005年1月31日。c.覆盖思茅区的数字高程模型DEM数据来源于USGS数据共享平台，空间分辨率为30 m，成像于2009年。

1.3 数据处理

1.3.1 郁闭度及坡向等级划分

基于思茅区2005年ASTER-DEM数字高程模型，利用空间分析中的坡向分析，生成研究区坡向栅格数据。基于2005年思茅区森林资源二类调查小班数据，提取各思茅松小班的坡向数据及郁闭度信息。对郁闭度、坡向两个因子，参照国家林业局2011年《森林资源规划设计调查技术规程》[8]进行等级划分，其中，郁闭度分高、中、低三个等级，坡向分阳坡和阴坡两个等级。

1.3.2 小班属性信息提取

在ENVI软件下通过在Basic Tools→Band Math下输入各类植被指数的计算公式，提取思茅区Landsat TM影像的植被指数数据，包括NDVI、RVI、EVI等[9, 10]。利用arctoolbox模块→Convert Shapes To Centroids，提取各思茅松小班的中心点；通过ArcToolbox→Spatial Analyst→区域分析-分区统计工具，提取思茅松各个小班内的平均植被指数；利用ArcToolbox→Spatial Analyst→提取分析→值提取点工具，将平均植被指数赋值于小班中心点，获得小班中心点上的蓄积量、郁闭度、坡向等信息[9]。

1.3.3 蓄积量与植被指数关系方程的拟合以及检验

对不同等级郁闭度以及坡向分类在SPSS软件下进行回归分析以及相关分析[11]，并拟合出蓄积量与植被指数之间的最优方程，并对方程的最终结果进行拟合优度检验、显著性检验、回归系数的显著性检验[12]，获取检验系数包括Pearson相关系数[11]。

2 结果与分析

2.1 蓄积量与各类植被指数的相关性

2.1.1 不同郁闭度等级

郁闭度分别为低 (20%～39%，R2=0.05) 和中等 (40%～70%，R2=0.52) 两个级别时，蓄积量与NDVI在0.01显著性水平上呈显著相关。低郁闭度情况下蓄积量与NDVI虽然呈现正相关关系，但关系比较微弱，相关性不强。中等郁闭度情况下蓄积量与NDVI相关性较强，蓄积量越大，NDVI值越大，即植被生长状态较好，分布比较密集。高郁闭度 (大于70%，R2=0.23) 时，蓄积量与NDVI在0.05显著性水平上呈显著相关，蓄积量与NDVI呈现正相关，但相关系数R2=0.23，相关关系比较微弱。

低郁闭度等级下，蓄积量与RVI的决定系数R2=0.049，决定系数相对较小，相关性不强。中郁闭度等级下，蓄积量与RVI的决定系数R2=0.104，相对低郁闭度等级，显著性提高，相关性相应增强。高郁闭度等级下，蓄积量与RVI的决定系数R2=0.57，相对于中、低郁闭度等级情况决定系数陡然增加，增加幅度分别达到91.4%和81.7%。这说明在高郁闭度等级下，RVI对植被十分敏感。即蓄积量越大，RVI指数越高，能够很好检测出绿色植被的覆盖区域。

低郁闭度等级下，蓄积量与EVI的决定系数R2=0.42，相关性比较强。中郁闭度等级下，蓄积量与EVI的决定系数R2=0.005，决定系数偏小，相关性微弱。高郁闭度等级下，蓄积量与EVI呈现负相关关系，即蓄积量越大，EVI指数越小，决定系数R2=0.02说明EVI对绿色植被的敏感性差，不能够监测出该地区的植被覆盖情况。即在低郁闭度自然环境下，EVI植被指数能够很好地估测出蓄积量大小。

2.1.2 不同坡向等级

阳坡下蓄积量与NDVI在0.01水平上呈显著正相关关系，但决定系数R2=0.12，相关关系微弱。阴坡下蓄积量与NDVI在0.01水平上呈显著正相关关系，但决定系数R2=0.05。在阳坡下，蓄积量与RVI的决定系数R2=0.093，相关性不强。阴坡下蓄积量与RVI的决定系数R2=0.072，相关关系不强。阳坡、阴坡下蓄积量与EVI的决定系数R2=0.01，相关性微弱。

2.2 蓄积量与各类植被指数的曲线拟合

2.2.1 不同郁闭度等级

回归模型只有一个自变量，因此，模型的检验就等价与系数的检验。

低郁闭度下，NDVI与蓄积量的最佳拟合模型为三次方模型，R2=0.052，但结果值远小于1，说明低郁闭度等级下郁闭度与NDVI不能够很好的拟合。中郁闭度下，拟合优度指数最大的为三次方模型，R2=0.516，呈现较强的正相关关系。高郁闭度等级下，蓄积量与NDVI的最佳拟合模型为S模型，拟合优度指数为R2=0.312，即蓄积量与植被指数的拟合关系效果一般。

低郁闭度下，RVI与蓄积量的最佳拟合模型为三次方模型，拟合优度指数R2=0.056，说明RVI与蓄积量在低郁闭度下拟合关系不好。中郁闭度下蓄积量与RVI最佳拟合模型为三次方模型，拟合优度指数R2=0.269。高郁闭度等级下蓄积量与RVI的拟合优度指数R2=0.568，最佳拟合模型为三次方拟合。说明在郁闭度比较高的自然环境下，RVI对植被的灵敏性增强，能够准确估测出该区域的蓄积量大小。

低郁闭度下EVI与蓄积量的拟合优度指数为R2=0.649，三次方模型的拟合度最高，说明EVI在低郁闭度下能够准备监测出自然环境的植被覆盖情况。中郁闭度环境下三次方模型的拟合度最大，拟合优度指数R2=0.007。高郁闭度下三次方拟合和二次拟合的最大拟合优度指数R2=0.146。

2.2.2 不同坡向等级

阳坡下，NDVI与蓄积量的最佳拟合模型为三次方模型，拟合优度指数R2=0.119。阴坡下，NDVI与蓄积量的最佳拟合模型为三次方拟合和二次拟合，R2=0.06。阳坡下，RVI与蓄积量的最佳拟合模型为三次方模型，拟合优度指数R2=0.1。阴坡下，RVI与蓄积量的最佳拟合模型为三次方模型，拟合优度指数R2=0.088。阳坡下，EVI与蓄积量的最佳拟合模型为二次、三次、线性、三次方模型，拟合优度指数R2=0.011。阴坡下，EVI与蓄积量的最佳拟合模型为三次方模型，拟合优度指数为R2=0.022。

3 结论与讨论

3.1 不同郁闭度等级与植被指数拟合度存在差异

在低郁闭度等级下，森林蓄积量与环境植被指数EVI的拟合效果最好，相关性最强，拟合优度指数R2=0.42。EVI虽能很好地反映植被覆盖度的变化，但对土壤背景的变化较敏感。当植被覆盖度在20%～39%时，EVI随蓄积量的增加而增加，植被覆盖度大于40%时，EVI对植被的灵敏度有所下降。

在中郁闭度等级下，森林蓄积量与归一化植被指数NDVI的拟合优度最好，相关性最强，拟合优度指数R2=0.561。在植被覆盖度较低的情况下，NDVI容易受到大气状况等因素以及土壤背景的影响，导致不能真实反应地表植被生长以及覆盖的情况。对于同一观测冠层，暗土壤背景使冠层整体的反射率下降，亮土壤背景使冠层反射率较强，随着背景土壤亮度的由暗到亮，冠层NDVI值表现出由高到低的趋势。

在高郁闭度等级下，森林蓄积量与RVI的拟合优度最好，相关性最强，拟合优度指数R2=0.568。RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量。绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖地面(裸土、人工建筑、水体、植被枯死或严重虫害)的RVI在1附近。植被的RVI通常大于2。当郁闭度大于70%的时候，即在植被覆盖比较大的自然环境下，用RVI来估测蓄积量比较准确。而当郁闭度小于50%的时候，则不适用于估测蓄积量。

3.2 坡向对蓄积量与植被指数关系的影响可以忽略

无论与何种植被指数做相关性分析，阳坡的决定系数均大于阴坡。即在阳坡条件下，蓄积量与不同植被指数的关系较阴坡下的相关性要强。即在光照充沛的自然环境下，蓄积量越大，植被生长状态较好，较光照不足的环境下植被密度更大。但是，坡向对蓄积量与植被指数的关系影响不大，在估测蓄积量的时候可以对坡向的影响权重忽略。

3.3 三次多项式拟合模型效果最佳

虽然在高郁闭度等级下，蓄积量与NDVI的最佳拟合模型为S形曲线，但拟合优度指数为R2=0.312，代表蓄积量与植被指数的拟合关系效果一般。在阳坡下，二次、三次、线性、三次方模型均是EVI与蓄积量的最佳拟合模型，但拟合优度指数R2=0.011，拟合效果并不理想。因此，综合整体模型的拟合结果，从蓄积量与植被指数的拟合模型效果来看，三次方的拟合模型效果最好，适用于蓄积量与植被指数关系的研究。

[1] 李浩，张超，许彦红. 思茅松空间分布特征研究[J]. 西南林业大学学报，2015，35(01)：47-51.

[2] Huete A R. A soil adjusted vegetation index (SAVI) [J]. Remote Sens Environ，1988 ，(25)：295-309.

[3] 侯长谋，杨燕琼,黄平，等.基于RS、GIS的马尾松林分蓄积量判读模型研究[J]. 林业资源管理，2002，(05): 55-78.

[4] 仝慧杰. 基于多项植被指数的景观生态类型遥感解释与分类-以额济纳天然绿洲景观为例[J].自然资源学报，2007， 6(08): 52 - 64.

[5] 余坤勇，林芳，刘健，等.基于RS的闽江流域马尾松林分蓄积量估测模型研究[J].福建林业科技，2007，33(01): 22-33.

[6] 刘峰.基于遥感技术的植被分类研究现状与发展趋势[J].林业研究学报，2007，12(06): 16 -18.

[7] 温庆忠，赵元藩，陈晓鸣，等. 中国思茅松林生态服务功能价值动态研究[J].林业科学研究，2010，23(05): 671-677.

[8] GB/T26424-2010. 森林资源规划设计调查技术规程[S].北京: 中国国家标准化管理委员会，2011.

[9] 廖靖，覃先林，周汝良.利用2种植被指数监测中国6种典型森林生长期的比较研究[J]. 西南林业大学学报，2014，34(03): 57-61.

[10] 徐天蜀，岳彩荣，章皖秋，等.基于多源遥感数据的森林生物量定量评价研究[J].西南林业大学学报，2016，36(03): 126-130.

[11] Fowler J， Cohen L，Jarvis P. Practical Statistics for Field Biology (2nd) [M]. West Sussex: Open University Press，1998.

[12] Noy-Meir I，Walker D，Williams WT. Date transformation in ecological ordination. II. On the meaning of date standardization [J]. J Ecology，1975，(63)：779-800.

Research on the correlation between stocking volume and vegetation indexes of Pinus keasya var. langbianensis in Simao, Yunnan

JIN Li1, LI Xu2, ZHANG Chao2

(1.Yunnan Institute of Forest Inventory and Planning, Kunming 650021, China; 2.Southwest Forestry University, Kunming 650224, China)

Based on the data of the second class investigation of the 2005 Planning and Desining of Forest Resources in Simao District, Puer City and the Landsat TM RS Image, this study carries out the quantitative research of the stocking volume of Pinus Khasys and all kinds of vegetation index in Simao District, Puer City. The results of the research have shown that the stocking volume and the invironmental vegetation index yield the best fitting effects with the strongest correlation of R2=0.42 when the crown density is 29%-40%; the stocking volume and the normalized differential vegetation index (NDVI) yield the best fitting effects with the strongest correlation of R2=0.561 when the crown density is 40%-70%; the stocking volume and the RVI yield the best fitting effects with the strongest correlation of R2=0.568 when the crown density is above 70%. The relationship between the aspect and the stocking volume as well as the vegetation index is not strict, and the influential weightings of the aspect can be ignored when estimating the stocking volume. From the perspective of the effects of the fitting model on the stocking volume and vegetation index, the cubic polynomial fitting model yields the best effects, and it is suitable for the quantitative research of the relation between the stocking volume and the vegetation index.

Pinus keasya var. langbianensis; Stocking volume; Vegetation index; Simao

2017-01-10

云南省林学一流学科建设项目 (No.51600625) 资助；云南省重点学科野生动植物保护与利用 (XKZ200904) 支持完成

靳莉(1969-)，女，学士，工程师， e-mail: 351881880@qq.com。

张超(1980-)，男，博士，副教授， e-mail: zhchgis@126.com。

S791.2

A

1674-8646(2017)04-0182-03