农田防护林防风效能的遥感评价

于 颖，杨曦光，范文义



农田防护林防风效能的遥感评价

于 颖1，杨曦光2，范文义1※

（1. 东北林业大学林学院，哈尔滨 150040； 2. 东北油田盐碱植被恢复与重建教育部重点实验室，东北林业大学盐碱地生物资源环境研究中心，哈尔滨 150040）

防护林是农田生态系统的重要组成部分，在农田生态系统中扮演着重要的角色。疏透度是一个重要的森林结构参数，被广泛应用于农田防护林防风效能的评价研究。遥感技术具有高空间分辨率和重复对地连续观测的特点，可以弥补野外调查工作的不足。该研究以疏透度为研究对象，利用高空间分辨率遥感数据实现农田防护林疏透度的定量估算，得到研究区防护林网疏透度的空间分布。然后根据估算的疏透度，将研究区防护林网分成紧密型，疏适型和稀疏型3类，以此对其防风效能进行评价。研究结果表明，林带结构参数中平均冠高、叶面积指数和林带宽度的变量组合与防护林疏透度相关性最好，相关系数达到−0.941。利用此变量建立的估算防护林疏透度的统计模型平均精度达到85.413%。疏透度分类统计结果表明，研究区内防护林网多以疏适型防护林为主，占研究区防护林网面积的60.733%，疏适型防护林具有最优的防风效能。相关研究可以为利用遥感手段进行农田防护林的防风效能评价提供参考依据。

疏透度；估算；遥感；结构参数；防护林

0 引 言

农田防护林是农林生态系统的重要组成部分[1-2]，用于防止自然灾害对农业生产的危害，增强农田生态系统的抗干扰能力。农田防护林最主要的功能就是降低风速，减弱土壤风蚀，防风固沙，它是保护区域农业生态系统的屏障，对维护农田小气候生态平衡具有极其重要的意义[3-4]。

国内外学者利用风洞试验、野外观测和数值模拟等方法开展农田防护林体系的防风效能研究[5-8]。曹文生等[9]利用野外观测的林网迎风面和背风面风速、空气温湿度、农田表土层的风蚀深度和积沙厚度数据，分析了章古台沙地防护林体系防风效能，结果表明，防护林防止风蚀沙化的作用明显，可降低风蚀和积沙2.5～5.0 cm；改善农田小气候，促进作物增产。刘钰华等[10]利用观测的林网迎风面背风面风速和气象数据，研究了新疆和田地区防护林防风效能，结果表明，农田防护林在改善农田小气候和农作物增产方面都发挥了巨大的积极作用。王建勋[11]的研究表明，防护林的防风效能与其林带结构、林带宽度、林带高度、林网的面积和形状、林缘距离、林带有无缺口等因子有关。林带结构不同，其防护效益也有明显差异[12]。

疏透度是描述林带结构的一个重要技术参数，不同疏透度的林带具有不同的有效防护距离和总防风度[13]。因此，疏透度是评价农田防护林体系防风效能的指标之一[14-15]。疏透度测量多采用目测法、方格景框法、概率估测法以及间接模型测度方法，但因测量精度或操作不便等问题的限制，这些方法不能满足实际应用需求[15-16]。20世纪末，国外学者将数字化扫描方法进一步发展，形成了“光学相机”与“数字图像处理”软件相结合的林带疏透度测定方法，并得到进一步的改善，实现了对林带疏透度较为精确的定量化测定[15-16]。农田防护林林带疏透度的准确快速测定，为研究农田防护林林带结构的优化和防护效能评价提供方法和手段。

疏透度作为农田防护林体系研究的重要指标，虽然已经实现了精确的定量化测定，但是面对大时间尺度和空间尺度上防护林系统的研究，繁重的野外工作无法避免。高成本、长时间的野外数据获取工作，成为大区域防护林网研究的瓶颈。遥感技术作为一种快速、低廉的对地观测手段，以其高空间分辨率和重复对地连续观测的特点，已经被应用到防护林的相关研究中，如防护林带的识别[17]、防护林连续性诊断[18]以及结合GIS的防护林对作物产量影响的评价[19]。遥感技术以其多分辨率、多尺度、连续观测的特点，不仅降低了防护林研究外业调查成本，并且为大区域防护林网的研究提供可靠数据，弥补了野外工作的不足，因此，利用遥感技术进行农田防护林防风效能的评价研究具有重要意义。

本研究以疏透度作为研究对象，借助高空间分辨率遥感数据，使用定量遥感技术，反演农田防护林林带疏透度，并以此作为农田防护林体系防风效能评价指标，分析研究区农田防护林林带结构及其防风效能，实现防护林防风效能的遥感评价。相关的研究可以为利用遥感技术进行防护林参数提取和防风效能评价的研究提供参考。

1 研究地区与研究方法

1.1 研究区概况

研究区选择在黑龙江省克山县境内，研究区面积约20 km×20 km（图1）。该区域属于干旱与半干旱季风气候，受季风气候影响，风蚀灾害严重。为了保护农田不受风蚀灾害影响，20世纪50年代开始，该区域就已经开始建立防护林网络，防护林类型主要以杨树为主，另有樟子松、落叶松农田防护林。农田防护林在该区域扮演着重要的角色。

1.2 数据采集

1.2.1 野外数据

野外数据采集时间为2014年8月。在研究区随机选取11条典型防护林带，林带类型分别为杨树林、落叶松林、樟子松林。株行距分别为1.5m×2.0 m，1.5m×3.0 m和1.5m×2.0 m。首先进行林带宽度的测量，然后在每个林带内设置了0.06 hm2的样地，记录样地内树种组成和株数，测量样地内样木树高、胸径、枝下高、东-西和南-北2个方向的冠幅、叶面积指数（leaf area index，LAI）以及光学疏透度。光学疏透度的测量和数据处理参考文献[15, 20]。LICOR-2200用来测量LAI。LAI的测量时间选择阴天或者是太阳天顶角大于75°的早晨或黄昏，测量时用90°的遮光板以减少测量人员对测量结果的影响[21-22]。

1.2.2 遥感数据

高分一号(GF-1)卫星于2013年4在酒泉卫星发射中心由长征二号丁运载火箭成功发射，是高空间分辨率对地观测系统国家科技重大专项的首发星，配置了2台2 m分辨率全色/8 m分辨率多光谱相机，4台16 m分辨率多光谱宽幅相机。本研究采用GF-1 PMS相机2 m全色/8 m多光谱数据，获取于2014年10月7日，稍晚于野外调查，主要受限于卫星重访周期和数据质量问题。高分一号数据处理主要包括：大气校正和几何校正。使用ENVI的FLAASH校正模块对影像进行大气校正以获取真实地表反射率。使用1:10 000比例尺地形图进行几何精校正。最后，使用eCognition软件进行防护林带的识别以及林带宽度、长度属性的提取，具体方法可参考相关文献[17,23-24]。

1.3 研究方法

疏透度是从水平角度描述林带特征的变量，而遥感数据是垂直角度观测数据，因此使用垂直角度观测的遥感数据直接估算水平角度的疏透度并不恰当。前人的研究表明，疏透度可以利用林带结构参数估算[12, 25]，而林带结构参数又可以通过遥感数据获取。因此，可以利用林带结构参数作为中间变量，连接疏透度和遥感数据，间接地实现疏透度的遥感估算。本研究选取平均树高(average tree height)、平均冠高(average tree crown length)、平均冠幅(average crown breadth)、林带宽度(width of windbreak)、地上生物量(aboveground biomass) Biomass、蓄积量(stem volume above stump height and measured in cubic metres per hectare)Volume、生物量体密度(Density of biomass volume) DBV、LAI和孔隙度(Gap fraction)作为描述林带结构的参数，经统计分析选取与疏透度相关性高的林带结构参数，建立统计模型，再利用遥感方法估算对应的林带结构参数，实现遥感手段估算防护林疏透度。最后，以疏透度作为评价指标，将反演的疏透度按照稀疏结构、紧密结构、疏适结构分成3类，并以此评价研究区防护林林带结构及其防风效能特征。

2 结果与分析

2.1 疏透度与林带结构参数建模

利用统计分析的方法分析了疏透度与林带结构参数的相关性（表1）。结果表明，疏透度与、Biomass、DBV、LAI在0.05的显著水平无明显线性关系。疏透度与、Volume以及LAI在0.05的显著水平线性相关，而与、LAI在0.01的显著水平线性相关。LAI与疏透度的相关系数可以达到-0.941。因此，选择LAI作为估算疏透度的自变量，建立线性统计模型。

表1 疏透度与林带结构参数相关系数

注：*表示0.05的显著水平，** 表示0.01的显著水平。

Note: * indicates correlation is significant at 0.05 level, ** indicates correlation is significant at 0.01 level.

利用与疏透度相关性最高的×LAI×作为模型自变量，建立疏透度的统计模型为

式中porosity 代表防护林疏透度，为平均冠高，LAI为叶面积指数，为林带宽度，ÍLAIÍ为3者的乘积。模型的RMSE、标准差和平均精度分别为0.054，0.127和85.413%。在95%的可靠性水平下，疏透度估计值的置信区间见表2。其中，杨树防护林疏透度估算误差为32.202%，落叶松防护林估算误差为7.471%，樟子松防护林估算误差为6.950%。从估算误差来看，樟子松林和落叶松林估算精度最好，杨树防护林的估算精度最低。其原因主要是由于调查样地中有2个林地进行了人工更新，而更新的树苗达不到样地调查尺寸，使得调查数据与实际情况产生偏差，造成估算误差偏低。图2为实测疏透度与模型估算疏透度之间的散点图。从图中可以看出，预测的疏透度与实测结果有较好的一致性。另外，LAI和的乘积正好描述树冠所有叶子的总面积，而总面积越大，疏透度越小；总面积越小，其疏透度越大，与疏透度的线性关系符合物理意义。

表2 疏透度估计值的置信区间

2.2 林带结构参数估算

2.2.1 平均冠高的估算

描述的是防护林的平均冠高，单位以米计算。经统计分析发现，与GF-1数据的第一个主成分（PCA1）相关性最高，在0.01的显著水平下，其相关系数可以达到−0.913。利用该变量建立的相关性模型如下

式中为防护林的平均冠高，PCA1为GF-1数据第一主成分。模型的RMSE，标准差和平均精度分别为：1.123 m，3.433 m和82.788%。

2.2.2 叶面积指数LAI的估算

叶面积指数往往与植被指数相关性较高，经统计分析发现，在0.01的显著水平下，比值植被指数与LAI相关性最好，其相关系数为0.850，建立的回归方程为

式中LAI为叶面积指数，为GF-1数据计算的比值植被指数。模型的RMSE，标准差和平均精度分别为：0.395 m2/m2，0.641 m2/m2和84.159%。

2.2.3 林带宽度的识别

商业化软件eCognition在面向对象识别方面有明显的优势。因此，本研究利用该软件实现防护林带的识别及其相关属性提取（图3）。

经过面向对象的分类识别和处理后，研究区共提取出1608条防护林带，防护林识别精度达到90%。经统计，研究区防护林总面积达到33.242 km2，占研究区总面积的8.311%。利用eCognition软件提取防护林带的宽度数据，平均精度和RMSE分别为72.428%和1.903 m，提取的林带宽度属性与实测林带宽度具有良好的一致性。

2.3 研究区防护林防风效能评价

通过遥感手段完成防护林平均冠高和叶面积指数的估算，以及防护林带的识别和宽度属性提取，利用公式（1）实现疏透度的遥感估算，从而得到研究区农田防护林疏透度空间分布，并以此作为评价防护林防风效能指标。

本研究将防护林按照疏透度分为3级，分别为：紧密型（疏透度小于20%），疏适型（疏透度介于20%至50%）和稀疏型（疏透度大于50%），结果如图3所示。防护林疏透度分级标准依据前人的研究结果，Perera[5]研究发现非常浓密的防护林会发生分流现象（疏透度小于20%），增加背风面的湍流再循环，使得防护林的背风面仍然保持很高的风速。相比之下，中等疏透度（疏透度介于20%至50%）的防护林具有更好的防风效能[7]。Vigiak等[4]的研究指出疏透度介于35%至45%之间的防护林具有最佳防护效果。

将反演的疏透度数据按照紧密型，疏适型和稀疏型进行分类统计（图4）。统计结果表明，紧密型防护林占研究区防护林总量的32.508%，疏适型防护林占总防护林面积的60.733%，而稀疏型防护林占总防护林面积的5.685%。另外，由于估算偏差，产生了1.074%无效数据。研究区60%的防护林疏透度都介于20%至50%之间，这种类型的防护林具有最优的防风效能。统计结果反映出研究区在防护林网建设和维护上做了大量的工作，经过几十年工作的积累和三北防护林工程的支持，已经建立起一个较好的防护林网体系，有效地阻隔季节性的风蚀灾害，保护农田系统，提高农业产量。同时，从结果中可以发现研究区32.508%的防护林呈现紧密型结构，可以通过合理间伐抚育，合理密植，以提高防护林的整体防风能力。对于5.685%的稀疏型防护林应采取相应的保护措施，增加防护林密度，提高其防风能力。

3 讨 论

疏透度作为一个重要的防护林结构参数，可以反映林带结构特点和林带防护效能。疏透度不同，林带的防护效能也不相同，并且疏透度与林带透风系数存在显著的相关关系。因此，疏透度也可以用来判定林带结构的好坏和确定不同的林业技术措施[26]。疏透度虽然重要，但获取方法往往通过传统的野外调查，调查周期长、成本高，而且只能获取离散的点数据[15-16]。因此，学者也开展了一些疏透度与林带结构参数相关关系的研究，但也仅局限于野外调查数据[12,31]。遥感技术具有多尺度、多时相特征，比较适用于大区域地表特征的调查研究，也被应用到与防护林有关的研究中[17-18,27-30]。前人的研究使得利用遥感技术进行防护林疏透度的估算也成为可能。

经过统计筛选，选取了平均冠高、叶面积指数和林带宽度作为衔接遥感数据与疏透度的中间变量，一方面这些结构参数与疏透度线性相关，另一方面这些结构参数也可以从遥感影像中获取，因此，利用遥感数据获取研究区防护林的疏透度信息成为可能。在整个遥感估算过程中尽量选择简单的一元模型以简化计算过程，使技术方法简单可行，虽然模型精度和结果较好，但多步迭代运算必然会产生累积误差问题，在95%的可靠性水平下，疏透度估计值的置信区间见表2。

将反演的疏透度数据按照紧密型，疏适型和稀疏型进行分类统计，得到研究区防护林结构特征，并以此作为评价研究区防护林防风效能的指标。结果表明，研究区域60.733%的防护林具有最优的防风效能，并对不合理的防护林网提出了相应技术措施。疏透度可以作为评价防护林防风效能的指标，虽然它还与造林密度、树种组成、搭配形式有关，但是本研究选取的变量为LAI和的乘积，无论是什么树种组成和造林密度，此变量描述的均是树冠内所有类型叶子的总面积，而总面积越大，疏透度越小；总面积越小，其疏透度越大，与疏透度的线性关系符合物理意义。因此，研究解决了用较少变量估算防护林疏透度的问题。

4 结 论

疏透度是研究防护林网空气动力和评价防护林防风效能的一个重要指标。本研究利用高空间分辨率遥感数据实现了疏透度的遥感估算，并以此作为评价标准，对研究区防护林网防风效能进行评价。研究得到以下几个结论：

1）林带结构参数中防护林的平均冠高、叶面积指数和林带宽度的变量组合与防护林疏透度相关性较好，相关系数达到−0.941，建立的相关性模型平均精度达到85.413%。在林带结构参数遥感估算和识别基础上，利用该模型实现疏透度遥感估算并得到研究区防护林网疏透度的空间分布。

2）研究区防护林网的林带结构良好，具有很好的防风效能，可以有效地削弱风蚀灾害对农田的影响，保护农田系统。对于紧密型和稀疏型防护林提出了有效的经营管护措施，改善林带结构，提高其防风能力，最大程度的发挥其社会、经济和生态效益。

致谢：感谢温一博博士、张智超硕士、王宇航硕士在野外数据采集工作中做出的贡献。

[1] Brandle J R, Hodges L, Zhou X H. Windbreaks in North American Agricultural Systems[M]. New Vistas in Agroforestry, Springer Netherlands, 2004: 65－78.

[2] 朱廷曜，关德新，周广胜. 农田防护林生态工程学[M]. 北京：中国林业出版社，2001：39－55.

[3] 范志平，宋轩，孔正红，等. 农田防护林多样性结构配置方式研究[J]. 河南农业大学学报，2004，38(1)：73－76.

Fan Zhiping, Song Xuan, Kong Zhenghong, et al. Diversity structure distribution of shelterbelts[J]. Journal of Henan Agricultural University, 2004, 38(1): 73－76. (in Chinese with English abstract)

[4] Vigiak O, Sterk G, Warren A, et al. Spatial modeling of wind speed around windbreaks[J]. Catena, 2003, 52(3/4): 273－288.

[5] Perera M D A E S. Shelter behind two-dimensional solid and porous fences[J]. Journal of Wind Engineering & Industrial Aerodynamics, 1981, 8(1/2): 93－104.

[6] Wilson J D. Oblique, Stratified winds about a shelter fence. Part I: Measurements[J]. Journal of Applied Meteorology, 2010, 43(8): 1149－1167.

[7] Wang H, Takle E S. On three-dimensionality of shelterbelt structure and its influences on shelter effects[J]. Boundary- Layer Meteorology, 1996, 79(1): 83－105.

[8] Wilson J D. Oblique, Stratified winds about a shelter fence. Part II: Comparison of Measurements with Numerical Models[J]. Journal of Applied Meteorology, 2010, 43(10): 1392－1409.

[9] 曹文生，邢兆凯. 风沙区农田防护林效益的研究[J]. 防护林科技，1999(1)：5－6.

[10] 刘钰华，文华，狄心志，等. 新疆和田地区农田防护林效益的研究[J]. 防护林科技，1994，4：9－13.

[11] 王建勋. 防护林在改善农田生态环境中的作用[J]. 新疆环境保护，1998，20(1)：23－26.

[12] 朱廷曜，关德新，吴家兵，等. 论林带防风效应结构参数及其应用[J]. 林业科学，2004，40(4)：9－14.

Zhu Yanhui, Guan Dexin, Wu Jiabing, et al. Structural parameters of wind protection of shelterbelts and their application[J]. Scientia silvae sinicae, 2004, 40(4): 9－14. (in Chinese with English abstract)

[13] 范志平，余新晓. 农田防护林生态作用特征研究[J]. 水土保持学报，2002，16(4)：130－133.

Fan Zhiping, Yu Xinxiao. Advance in characteristics of ecological effects of farmland shelterbelts[J]. Journal of Soil and Water Conservation, 2002, 16(4): 130－133. (in Chinese with English abstract)

[14] Heisler G M, Dewalle D R. 2. Effects of windbreak structure on wind flow[J]. Agriculture Ecosystems & Environment, 1988, 22–23(7): 41－69.

[15] 关文彬，李春平，李世锋，等. 林带疏透度数字化测度方法的改进及其应用研究[J]. 应用生态学报，2002，13(6)：651－657.

Guan Wenbin, Li Chunping, Li Shifeng, et al. Improvement and application of digitized measure on shelterbelt porosity[J]. Chinese Journal of Applied Ecology, 2002, 13(6): 651－657. (in Chinese with English abstract)

[16] 万猛，潘存德，王梅，等. 农田防护林林带疏透度数字化测定方法及其应用[J]. 干旱区地理，2005，28(1)：120－123.

Wan Meng, Pan Cunde, Wang Mei, et al. Application of the digitized measurement on windbreak porosity of farmland shelter-forests[J]. Arid Land Geography, 2005, 28(1): 120－123. (in Chinese with English abstract)

[17] Wiseman G, Kort J, Walker D. Quantification of shelterbelt characteristics using high-resolution imagery[J]. Agriculture Ecosystems & Environment, 2009, 131(1/2): 111－117.

[18] Deng R X, Li Y, Wang W J, et al. Recognition of shelterbelt continuity using remote sensing and waveform recognition[J]. Agroforestry Systems, 2013, 87(4): 827－834.

[19] 史晓亮，李颖，邓荣鑫. 基于RS和GIS的农田防护林对作物产量影响的评价方法[J]. 农业工程学报，2016，32(6)：175－181.

Shi Xiaoliang, Li Ying, Deng Rongxin. Evaluation method for effect of farmland shelterbelts on crop yield based on RS and GIS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(6): 175－181. (in Chinese with English abstract)

[20] Kenney W A. A method for estimating windbreak porosity using digitized photographic silhouettes[J]. Agricultural & Forest Meteorology, 1987, 39(2/3): 91－94.

[21] Chen J M, Black T A. Defining leaf area index for non-flat leaves[J]. Plant Cell & Environment, 1992, 15(4): 421－429.

[22] Yang X, Yu Y, Fan W. Chlorophyll content retrieval from hyperspectral remote sening imagery[J]. Environmental Monitoring and Assessment, 2015, 187(7): 1-13.

[23] Aksoy S, Akcay H G, Wassenaar T. Automatic mapping of linear woody vegetation features in agricultural landscapes using very high resolution imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48: 511－522.

[24] Meneguzzo D M, Liknes G C, Nelson M D. Mapping trees outside forests using high-resolution aerial imagery: A comparison of pixel and object-based classification approaches[J]. Environmental monitoring and assessment, 2013, 185: 6261－6275.

[25] Torita H, Satou H. Relationship between shelterbelt structure and mean wind reduction[J]. Agricultural & Forest Meteorology, 2007, 145(3/4): 186－194.

[26] Loeffler A E, Gordon A M, Gillespie T J. Optical porosity and windspeed reduction by coniferous windbreaks in Southern Ontario[J]. Agroforestry Systems, 1992, 17(2): 119－133.

[27] Mohammadian Behbahani A, Hikel H, Fister W, et al. Estimation of the porosity of wind breaks by using GIS-based ortho-image analysis[C]//EGU General Assembly Conference, 2013: 14112.

[28] Ghimire K, Dulin M W, Atchison R L, et al. Identification of windbreaks in Kansas using object-based image analysis, GIS techniques and field survey[J]. Agroforestry Systems, 2014, 88(5): 1－11.

[29] Coltri P P, Junior J Z, Dubreuil V, et al. Empirical models to predict LAI and aboveground biomass ofunder full sun and shaded plantation: a case study of South of Minas Gerais, Brazil[J]. Agroforestry Systems, 2015, 89(4): 621－636.

[30] Shi X, Li Y, Deng R. A method for spatial heterogeneity evaluation on landscape pattern of farmland shelterbelt networks:A case study in midwest of Jilin Province, China[J]. Chinese Geographical Science, 2011, 21(1): 48－56.

[31] Ozawa H, Sakamoto T, Hagino H. Influence of thinning on the shelter effect of windbreaks as clarified by a wind tunnel experiment[J]. Journal of Forest Research, 2007, 12(3): 222－229

Efficiency evaluation of wind protection of windbreaks by remote sensing

Yu Ying1, Yang Xiguang2, Fan Wenyi1※

(1.,,150040,; 2.(),,(),150040)

As a major part of agroforestry ecosystem, windbreaks play an important role in agroforestry ecosystem. Porosity is one of the most important structural parameters and usually used to the study of the wind protection of windbreaks. However, a small amount of investigation data and the high cost limit the extension of the related studies. It is desired to have a rapid and cost-effective method of identifying and mapping structural parameters of windbreaks on a large field scale. With the characteristics of high spatial resolution and repetition observation, remote sensing technology helps to fill in gaps of field investigation. In this paper, the porosity was described and estimated by using high-resolution satellite imagery. First, 11 parameters describing windbreaks structure characteristics were summarized. They were average tree height, average tree crown length, average crown breadth, width of windbreak, aboveground biomass, volume, density of biomass volume, leaf area index, gap fraction, the product of average tree crown length and leaf area index, and the product of average tree crown length, leaf area index and width of windbreak. A variable with the highest correlation with the porosity was selected by using statistical analysis and then the porosity estimation model was established. The results indicated that variable combining the average tree crown length, leaf area index and width of windbreaks was highly related to the porosity and the correlation coefficient was -0.941. The average prediction accuracy of statistical model was 85.413%. First, the average tree crown length, leaf area index and width of windbreaks were estimated by using remote sensing data, respectively. The average tree crown length was estimated by using the first principal component of GF-1 data with the average prediction accuracy of 82.788%. The leaf area index was estimated by using the ratio vegetation index with the prediction accuracy of 84.159%. The width of windbreaks was identified by using the object-based image analysis (OBIA) approach. Then, the porosity was calculated by using these 3 variables obtained from the high-resolution satellite imagery. The estimated results indicated that there was a good agreement between the estimated values and the measured data. Following this method, the porosity of windbreaks was estimated, and at the same time its spatial distribution in the study area was obtained. Generally, the windbreaks with a high porosity have more pores, and it indicates that more wind can pass through the windbreak and wind reduction is less effective. According to this, the porosity as a good indicator was used to evaluate the barrier shelter effect. According to the estimated porosity value, the windbreaks were grouped into 3 types, i.e. dense (porosity less than 20%), medium (porosity ranging from 20% to 50%) and sparse (porosity larger than 50%), and the efficiency of wind protection was evaluated. The result showed that the main type of windbreaks was the medium and its area occupied 60.733% of the total area of the windbreaks in study area. Medium type windbreaks usually have the optimum efficiency of wind protection. This study can provide useful guide to wind protection of windbreaks based on remote sensing technology.

porosity; estimation; remote sensing; structure parameter; windbreak

10.11975/j.issn.1002-6819.2016.24.023

TP79

A

1002-6819(2016)-24-0177-06

2016-04-23

2016-10-25

林业公益性行业科研专项（201404202），东北黑土区林业生态工程构建技术集成与示范项目资助。

于颖，副教授，主要从事碳循环模型及林业遥感研究。哈尔滨 东北林业大学林学院，150040。Email：yuying4458@163.com

范文义，教授，博士，博士生导师，主要从事定量遥感及GIS研究。哈尔滨 东北林业大学林学院，150040。Email：fanwy@163.com