数字表面模型(DSM)参数指示林窗特征的有效性研究
1.
2.
3.
The Efficiency of Parameters Derived from the Digital Surface Model (DSM) in Indicating the Forest Gap Features
1.
2.
3.
通讯作者:
收稿日期: 2019-12-04 修回日期: 2021-02-25 网络出版日期: 2021-05-24
基金资助: |
|
Received: 2019-12-04 Revised: 2021-02-25 Online: 2021-05-24
作者简介 About authors
赵亮(1991-),男,四川南充人,博士研究生,主要从事生态环境遥感研究Email:
关键词:
Keywords:
本文引用格式
赵亮, 刘宇, 罗勇.
Zhao Liang, Liu Yu, Luo Yong.
1 引 言
林窗是森林生态系统中小尺度干扰事件的产物,以及调控森林结构、林下物种多样性、碳收支的生态变量[1-3],也是促进森林更新、养分循环、水源涵养的重要推动力[4]。林窗的演变经历复杂的冠层动力学模式[1,5-6],即干扰因素按特定频率和方向驱动林窗周期性地收缩、扩张,直至达到平衡态[7-10]。复杂的演化过程导致林窗的大小、形状、结构以及空间分布具有复杂性和多样性。林窗的形态和空间结构复杂度影响林下植物物种的竞争或促进关系,决定了生物多样性和木本再生[2,11],目前已有大量研究表明,林窗大小和形状复杂度与林下物种多样性有显著相关关系[11-14]。此外,林窗对森林结构异质性、树种数量动态、树种组成、地表微地形等森林生态特征的形成和变化也具有显著影响[15]。因此,精细的林窗测量对监测森林健康状况、林下物种丰富度及解决生态学问题非常重要。
为此,实验采用基于高精度无人机航拍获得RGB影像进行三维建模,提出基于相对高差模型分布特征参数来量化林窗空间形状结构和分布格局。以黄土高原天然林和人工林样地为测试区,将该方法获得的森林高差特征参数与基于林窗斑块的景观指数进行比较,以检验林高差分布参数反映林窗结构特征的有效性。
2 研究区
实验选择了陕西省富县任家台林区子午岭林场(109°11′E、36°5′N)和安塞区大南沟小流域(109°17′E、36°56′N)两个试验区。两地相距约90 km,地形气温、降水量等差异较小。两地地貌类型均为梁状黄土丘陵沟壑区,土壤类型主要为黄绵土,气候属于暖温带中温带过渡区大陆性半干旱季风气候。
子午岭林场历史时期人类活动频繁,经过近200 a来的自然恢复成为今日的林区景观[26]。子午岭林场海拔920~1 680 m,年均气温9 ℃,年均降雨量576.7 mm。乔木主要为山杨(Populus davidiana)、白桦(Betula platyphylla)、辽东栎(Quercus liaotungensis)等。灌木主要为绒线菊(Spiraca sp.)、酸枣刺(Ziziphus guguba)、狼牙刺(Sophora viciif olia)、虎榛子(Ostryopsis davidiana)等;草本有大披针苔草(Carex lenceolata)、黄菅草(Themeda japonica)、铁杆蒿(Artemisia gmelinii)等;林下草灌多为虎榛子、绒线菊和大披针苔草。
大南沟小流域海拔1 075~1 370 m,年平均气温9 ℃,年均降雨量549 mm,6~9月集中了全年降雨量的75%,且以暴雨居多。流域内垦殖指数高,自然植被破坏殆尽,土地利用类型以农地、果园、林地、灌木地和荒草地为主[27]。该流域是退耕还林还草工程的典型小流域,森林类型主要为人工刺槐林(Robinia pseudoacacia),分布有少量柳树(Salix spp.)、杨树(Populus spp.),灌木以柠条(Caragana microphylla)等本土物种为主。
3 研究方法
3.1 无人机影像采集和三维建模
采用大疆Inspire 1无人机采集影像,采集时间为2017年9月。起飞位置选在区内视野开阔的位置,飞行高度100 m,属于低空拍摄,获取影像不受大气因素干扰。航向重叠设置为90%和旁向重叠率60%,获取的影像具为RGB数字影像。分别获得了任家台700 m×700 m样区192张照片和大南沟样区383张照片,使用Agisoft photoScan 1.2软件处理数据。经过照片对齐(Align Photos)、生成密集点云处理(Build Dense cloud ),生成正射影像图(DOM)和数字表面模型(DSM)。任家台DOM分辨率0.04 m,DSM分辨率0.08 m。大南沟DOM分辨率为0.05 m,DSM分辨率为0.09 m。大南沟和任家台各选取12块林木生长状况较好、地势平缓的网格单元作为分析样方,网格单元的大小为40 m×40 m,各样地DSM和DOM的分布如图1和图2。
图1
图1
任家台各样方正射影像和数字表面模型
Fig.1
Digital Surface Model and orthographic images of each study plot in Renjiatai
图2
图2
大南沟各样方正射影像和数字表面模型
Fig.2
Digital Surface Model and orthographic images of each study plot in Danangou
3.2 基于分类的森林林窗斑块格局定量
基于类型尺度选择了边界/斑块密度指数、形状指数、聚集度指数3种景观指数描述林窗形态和分布。目视解译大南沟和任家台24块样地的正射影像获取林窗斑块数据。各样地的林窗景观指数采用Fragstats4.2软件计算,选取的景观指数如表1。
表1 选择景观指数及其计算公式
Table 1
指数类型 | 指数名称 | 计算公式 |
---|---|---|
边界/斑块密度指数 Edge/patch density | 斑块面积比(PLAND) | PLAND=Ai/A Ai为景观类型i的总面积,A为景观面积(m2 ) |
边界密度(ED) | ED=(E/A)×100 E为景观中或景观类型边界总长度(m);A 为整个景观面积(m2 ) | |
斑块密度(PD) | PD=N/A N为景观类型的斑块数量,A为景观总面积 | |
形状指数 Shape indices | 邻近指数(CONTIG) | Cijr为景观类型i中斑块j的像元r的邻接值;aij为斑块ij的面积;V是3×3窗口内全部栅格邻接值之和;窗口中心和对角线上邻接栅格赋值1,与其上下左右相邻的栅格赋值为2 |
景观形状指数(LSI) | E为景观中或景观类型边界总长度(m);A 为整个景观面积(m2 ) | |
聚集度指数 Aggregation indices | 欧式最近邻距离(ENN) | hij为从斑块ij到它最近同类斑块之间的距离,N为斑块数量 |
聚集度指数(AI) | N为斑块数量,pij为斑块类型i第j个斑块的周长(m) |
3.3 数字表面高差模型特征量化
DSM反映森林冠层表面分布状况,然而地形起伏对冠层表面模型产生干扰,无法有效量化森林表层特征。为了消除地形干扰,对DSM进行如下处理:对DSM计算5 m×5 m邻域的最大值,所得邻域最大值(DSMc)与原始DSM相减得到相对高差(DSMr)数据,对每块样的DSMr进行标准化处理,计算各样地DSMr的分布参数。选择纹理(GLCM,GLDV)、信息熵(H)、偏度峰度(SK,EK)和标准差(STD)作为量化DSMr的分布参数。
空间上DN值的反复出现表现为纹理特征。采用灰度共生矩阵(GLCM,Gray Level Co-occurrence Matrix)、灰度差分矢量(GLDV,Gray Level Difference Vector)两种纹理提取算法计算DSMr的纹理。GLCM表示在给定窗口范围内根据设定的间隔和方向统计相邻灰度出现的频数。GLDV基本思路来源于GLCM,它描述的是在给定窗口范围内相邻灰度值的绝对差值的概率分布[28]。
信息熵(H)由美国数学家Shannon于1948年提出,定义为离散随机事件出现的概率,用来测度系统的复杂性和均衡性[29]。系统越有序,H越低;反之,系统越混乱,H就越高。H公式定义如下:
其中:H为信息熵,将DSMr的值从小到大等间距分为50段,Pi为第i段高差的所占的频率。
偏度系数(SK)是体现分布对称、偏离程度的指标,SK为正值表示左偏,SK为负值表示右偏,SK的绝对值越大则偏离程度越大。峰度系数(EK)是体现离散程度,曲线陡峭程度的指标,EK为正值表示高差分布较集中,为尖峰态,EK为负值表示高差分布较分散,为低峰态。SK、EK计算公式如下:
其中:X为样本DSMr每个单元格的值,μ为X的均值,σ为X的标准差。
DSM最大邻域采用ArcGIS10.6软件的邻域分析工具计算。GLCM、GLDV由eCognition8.7软件的纹理特征工具计算,将DSMr按样地边界分割,然后把计算每块样的灰度共生矩阵的信息熵(GLCM__Entropy)、灰度差分矢量的信息熵(GLCM__Entropy)。各块样地DSMr的H、SK、EK和STD由MATLAB R2014a软件编写脚本语言计算。
3.4 数据统计分析
对任家台天然林、大南沟人工林林窗的景观指数与DSMr的分布参数进行相关性分析,验证DSMr的分布参数反映林窗特征的有效性。将DSMr分布参数与景观指数应的相关关系作为其有效性的测度。选择H、STD、SK、EK来衡量DSMr值分布的参数,H、STD主要描述DSMr值的差异性特征,SK、EK主要描述DSMr值分布的聚散性特征,林窗的边界/斑块密度指数主要度量林窗的面积、边长、数量的特征。因此实验中主要考虑H、STD、SK、EK与边界/斑块密度指数的相关关系。GLCM、GLDV用于度量DSMr的空间分布特征,因此选择GLCM、GLDV与LSI和AI进行相关分析。
4 结果分析
4.1 林窗空间分布格局
任家台和大南沟各样地林窗空间分布如图3所示。各样地林窗分布均匀且无明显的聚集特征,近似随机分布,但样地间林窗的形状和大小有明显差异。两样地林窗均以小林窗为主(图4),任家台和大南沟面积小于2 m2的林窗数量分别达林窗总数的57.87%、58.45%。任家台林窗总面积和林窗斑块平均面积均略大于大南沟,两地林窗总面积分别占样地总面积的6.62%和5.74%,斑块平均面积分别为3.08 m2和2.66 m2。由图4可看出任家台和大南沟的林窗以8 m2为界线:当林窗面积小于8 m2时,随面积增加两地林窗累积面积基本一致;当林窗面积大于8 m2时,随面积增加任家台林窗累积面积大于大南沟。因此,任家台和大南沟的林窗分布格局具有差异,量化林窗格局特征还应综合考虑两地的情况。
图3
图3
任家台天然林样地(1~12)、大南沟人工林样各样方(13~24)林窗
Fig.3
Spatial distribution of forest gaps of plots in Renjiatai (1~12) and Danangou (13~24)
图4
4.2 高差模型信息熵、标准差与林窗格局的相关关系
任家台和大南沟的信息熵(H)、标准差(STD)与边界/斑块密度指数的相关关系如图5所示。两地的H、STD与PLAND、PD相关关系均不显著,H和STD与ED仅在任家台林场显著正相关。因此,H和STD不能有效指示林窗的边界/斑块密度指数。
图5
图5
H、STD与边界/斑块密度指数的相关关系
Fig.5
Correlation between information entropy, standard deviation and edge/patch density indices
4.3 高差分布偏度、峰度与林窗格局的相关关系
任家台和大南沟的DSMr均为右偏(SK>0),峰度均呈尖峰态(EK>0),SK和EK与各边界/斑块密度指数的相关关系具有较好的一致性(图6)。SK和EK与两地的ED均有显著(p<0.01)负相关关系,即SK与EK在两地均能用于指示林窗的ED。两地的SK均与PD指数显著负相关关系,而EK仅与大南沟样地的PD显著负相关,因此仅有SK能有效指示两地PD。两地的SK、EK与林窗的PLAND相关关系均较差,仅有EK与任家台的PLAND相关性显著,因此SK和EK不能用于指示林窗的PLAND。
图6
图6
SK、EK与边界/斑块密度指数的相关关系
Fig.6
Correlation between skewness coefficient, kurtosis coefficient and edge/patch density indices
SK和EK越大表示DSMr的小值数量越多且集中程度越高,而较大的值分布越稀疏。DSMr的高值主要源于林窗区域,因此SK和EK与林窗的面积、边界、数量为负相关关系。边界/斑块密度指数PLAND、ED、PD分别代表林窗的面积、边界、数量特征,因此SK和EK与边界/斑块密度指数的相关性符号符合SK和EK的特征。
4.4 高差模型纹理与林窗格局的相关性
纹理参数与形状指数的相关关系如图7,任家台和大南沟的GLCM、GLDV与LSI均显著正相关,任家台的GLCM、GLDV与ENN显著负相关,但大南沟的GLCM、GLDV与ENN均无显著相关关系。表明GLCM、GLDV在任家台和大南沟均能有效指示LSI。
图7
图7
纹理参数与形状指数相关关系
Fig.7
Correlation between texture parameters and shape indices
纹理参数与聚集度指数的相关关系如图8,任家台的GLCM、GLDV与ENN和AI均显著负相关,大南沟GLCM、GLDV与ENN和AI的相关关系均不显著。因此,GLCM、GLDV指示ENN和AI不具有普遍有效性,GLCM、GLDV不能用于指示ENN和AI。
图8
图8
纹理参数与聚集度指数相关关系
Fig.8
Correlation between texture parameters and Aggregation indices
5 讨 论
任家台林场是长时间发育形成的天然林,大南沟林地是近年来营造的人工林。天然林兼具物种丰富度高、结构稳定、人为干扰小等特点,而人工林往往林相单一、结构简单、生物多样性较低、抗逆性较差、自然和人为干扰剧烈[38]。由于两地森林的发育的方向和时间迥异,导致林窗的空间分布和形态结构产生差异,因此本研究采用两地的DSMr参数指示林窗格局更可靠。
实验验证了DSMr参数指示林窗格局的有效性,但仍有许多问题需要进一步深入探索。由于三维的林窗景观指数应用较少,在此仍采用二维林窗景观指数来指示DSMr参数,这可能限制了DSMr参数指示林窗的表达效果。因此,在今后的相关研究中需要进一步发展量化林窗的DSMr参数,并与林下生物多样性、小气候等相结合定量研究林窗的生态效应。
6 结 论
研究发现SK、EK、纹理因子对林窗的景观指数有积极的指示作用,任家台和大南沟样地的SK和EK均与ED显著负相关,SK均与PD指数显著负相关关系,纹理参数均与LSI显著正相关。因此,DSMr参数能有效指示林窗的结构和分布特征。林窗三维结构的量化为林窗的生态过程及效应的研究提供了更加丰富的变量。
参考文献
Landscape-scale Forest Disturbance Regimes in Southern Peruvian Amazonia
[J]. ,
Using Unmanned Aerial Vehicles (UAV) to Quantify Spatial Gap Patterns in Forests
[J]. ,
Environmental and Vegetation Studies of the Gaps of Secondary Forests on Zijin Mountain
[J]. ,
紫金山次生林林窗植被和环境的研究
[J]. ,
Advances in Studies of Forest Gap Ecology
[J]. ,
林窗生态学研究进展
[J]. ,
Canopy Gap Dynamics and Development Patterns in Secondary Quercus Stands on the Cumberland Plateau, Alabama, USA
[J]. ,
Quantification of Repeated Gap Formation Events and Their Spatial Patterns in Three Types of Old-growth Forests: Analysis of Long-term Canopy Dynamics Using Aerial Photographs and Digital Surface Models
[J]. ,
Methods for Studying Treefall Gaps: A Review
[J]. ,
Effects of Biotic Disturbances on Forest Carbon Cycling in the United States and Canada
[J]. ,
Disentangling the Effects of Climate,Topography,Soil and Vegetation on Stand-scale Species Richness in Temperate Forests
[J]. ,
Topographic and Compositional Influences on Disturbance Patterns in a Northern Maine Old-growth Landscape
[J].,
Assessing Biodiversity in Forests Using very High-resolution Images and Unmanned Aerial Vehicles
[J].,
UAV Remote Sensing for Biodiversity Monitoring: Are Forest Canopy Gaps Good Covariates?
[J]. ,
Species Diversity, Regeneration and Dominance as Influenced by Canopy Gaps and Their Characteristics in Tropical Evergreen Forests of Western Ghats,India
[J].,
Correlation between Spatial Distribution of Forest Canopy Gaps and Plant Diversity Indices in Xishuangbanna Tropical Forests
[J]. ,
西双版纳热带雨林林窗空间分布格局及其特征数与林窗下植物多样性的相关性
[J]. ,
Quantifying the Spatial Properties of Forest Canopy Gaps Using LiDAR Imagery and GIS
[J]. ,
Measures of Structural Complexity in Digital Images for Monitoring the Ecological Signature of an Old-growth Forest Ecosystem
[J].,
Detection of Subpixel Treefall Gaps with Landsat Imagery in Central Amazon Forests
[J]. ,
The Amazon basin in Transition
[J]. ,
The Amazon Basin in Transition Increased Intermale Aggression and Neuroendocrine Response in Mice Deficient for the Neural Cell Adhesion Molecule (NCAM)
[J]. ,
Gap Distribution Patterns in the South Subtropical Evergreen Broad-leaved Forest of Dinghushan
[J]. ,
鼎湖山南亚热带常绿阔叶林林窗分布格局及其成因
[J]. ,
Spatially Explicit Characterization of Boreal Forest Gap Dynamics Using Multi-temporal Lidar Data
[J]. ,
Forest Plots Gap and Canopy Structure Analysis based on Two UAV Images
[J]. ,
基于两种无人机航拍影像的林窗和林冠提取分析
[J]. ,
A Research Review on Forest Gap Disturbance
[J]. ,
林窗干扰研究
[J]. ,
Effects of Gap Size on Regeneration of Pinus tabulaeformis Plantation in the Yanshan Mountain
[J]. ,
燕山山地油松人工林林隙大小对更新的影响
[J]. ,
Effect of Gap Thinning on the Regeneration and Plant Species Diversity in Larix Olgensis Plantation
[J]. ,
长白落叶松人工林林隙间伐对林下更新及植物多样性的影响
[J]. ,
Physiological-ecological Effects of Populus Davidiana-Quercus Liaotungensis Mixed Forest in Ziwuling Forest Area
[J]. ,
子午岭林区山杨-辽东栎混交林的生理生态效应
[J]. ,
Effect Simulations of Land Use Change on the Runoff and Erosion for a Gully Catchment of the Loess Plateau, China
[J]. ,
黄土丘陵小流域土地利用变化对水土流失的影响
[J]. ,
Estimation of Aboveground Biomass in a Temperate Forest Using Texture Information from WorldView-2
[J]. ,
WorldView-2纹理的森林地上生物量反演
[J]. ,
A Mathematical Theory of Communication
[J]. ,
Determination of the Tridimensional Shape of Canopy Gaps Using two Hemispherical Photographs
[J]. ,
A Photogrammetric Workflow for the Creation of a Forest Canopy Height Model from Small Unmanned Aerial System Imagery
[J]. ,
Accuracy Analysis for DSM and Orthoimages Derived from SPOT HRS Stereo Data Using Direct Georeferencing
[J]. ,
Forest Assessment Using High Resolution SAR Data in X-band
[J]. ,
An Object-based Approach for Mapping Forest Structural Types based on Low-density LiDAR and Multispectral Imagery
[J]. ,
Automatic Recognition of Loess Landforms Using Random Forest Method
[J]. ,
A New Approach with DTM-independent Metrics for Forest Growing Stock Prediction Using UAV Photogrammetric Data
[J]. ,
Differences in Fragmentation Processes between Western Natural Forests and Southeastern Forest Plantations in the United States: A Case Study Comparing the States Washington and Mississippi State
[J]. ,
人工林与天然林破碎化过程差异对比——以美国华盛顿州和密西西比州为例
[J]. ,
Advanced Canopy Regeneration: An Unrecognized Mechanism of Rorest Dynamics
[J]. ,
/
〈 | 〉 |