亞熱帶地區馬尾松林碳儲量的遙感估算
——以長汀河田盆地為例

黃紹霖，徐涵秋，*，林 娜，曾宏達，，劉智才，陳文惠，王 琳，楊冉冉

(1.1.福州大學環境與資源學院，福州大學遙感信息工程研究所，福建省水土流失遙感監測評估與災害防治重點實驗室，福州 350108;2.福建師范大學地理科學學院，福州 350007)

森林生態系統是陸地生態系統的重要組成部分，它對全球的氣候變化有著舉足輕重的作用。隨著全球氣候變化影響的加劇，森林生態系統所具有的強大的碳匯能力日益受到國際社會的廣泛關注。森林生態系統中植被所固定的碳量約占陸地植被總固碳量的82.5%［1］，是森林固碳能力的重要標志，也是評估森林碳收支的主要參數［2-3］。因此，準確估算森林碳儲量對全球碳匯和碳循環的研究以及全球氣候變化的理解有著舉足輕重的作用。

當前，森林碳儲量的估算主要以森林生物量為基礎，國際上通常用生物量乘以含碳系數來計算碳儲量［4］。傳統的區域生物量估算通常采用樣地清查法，但該方法費時費力，成本高昂，而且只限于小面積。因此，對于大面積的森林生物量估算，必須借助遙感手段，因為遙感影像的光譜信息具有良好的綜合性和現勢性，與森林的生物量之間存在較好的相關性［5-6］。聯合國政府間氣候變化專門委員會(IPCC)強調利用影像光譜信息與生物量的相關關系來估測森林的生物量［3］。因此，國內外學者對基于遙感技術的森林生物量、碳儲量估算展開了較多的研究。Lefsky等利用激光雷達遙感數據估算了美國寒溫帶針葉林、溫帶針葉林和溫帶落葉林這3類森林生態系統的生物量，研究表明利用遙感技術估算森林生物量具有快速、準確的優勢［7］。Foody等基于Landsat TM數據的10種植被指數，采用多元回歸分析和神經網絡方法估算了巴西、馬來群島和泰國3個區域的生物量，結果發現利用神經網絡結合遙感技術估算森林生物量的方法精度最高［8］。Zheng等應用Landsat ETM+數據的植被指數估算了美國威斯康星州北部森林的地上生物量，研究表明將闊葉林與針葉林分開建模能提高生物量估算的精度［9］。Myeong等采用TM/ETM+影像的NDVI數據與對應樣地的碳儲量數據建立了美國雪城的森林碳儲量預測模型，結果顯示遙感技術在定量監測城市森林碳儲量變化方面具有明顯的優勢［10］。方精云等利用GIMMS衛星的NDVI數據計算了1982—1999年間中國草地的碳匯及其時空變化，并將其與森林的碳匯進行比較，結果表明中國草地單位面積的碳匯能力實際上僅相當于森林的1/30［11］。Meng等利用樣地調查數據和ETM+的NDVI數據，分別采用基于相對生長模型的線性固定影響模型和線性混合影響模型估算森林生物量，研究表明線性混合影響模型的效果最佳［12］。Anaya等利用MODIS的增強植被指數(EVI)數據和植被覆蓋數據估算了哥倫比亞的植被生物量，結果顯示次生林的生物量密度遠低于原始林［13］。汪少華等利用臨安市森林資源清查數據和TM影像數據對該市的森林碳儲量及其分布進行了模擬，研究發現人工神經網絡在對大范圍森林碳估算與模擬上具有較好的效果［14］。可以看出，隨著遙感技術的發展，多源遙感數據已經作為一種替代手段來定量分析森林碳儲量。利用遙感技術估算森林生物量已成為當前大面積森林生物量/碳儲量估算的首選方法。

盡管森林碳儲量遙感估算已經開展了較多的研究，但是針對馬尾松林的碳儲量遙感估算模型還很少見。因此本次研究選擇福建省長汀縣河田盆地為研究區，開展馬尾松林碳儲量估算模型的研究。由于福建省是我國森林覆蓋率最高的省份，而馬尾松林又是我國南方最具代表性的森林類型之一。因此對其碳儲量模型的研究，有助于福建省乃至我國森林碳儲量的準確估算，并可以為我國森林碳匯研究提供馬尾松林的基礎數據。

1 研究區概況

福建省長汀縣河田盆地位于福建省西部(東經 116°16'—116°34'，北緯 25°30'—25°44')，面積約 775.40 km2(圖1)。研究區屬亞熱帶季風氣候，年平均氣溫18.3℃，年降雨量1500—1700 mm。土壤類型以紅壤為主。研究區的植被主要為馬尾松林，占研究區森林面積的58%，其它的為木荷、楊梅、板栗和油茶等。

圖1 研究區位置圖Fig.1 Location of the study area

2 數據與方法

2.1 樣地數據獲取及樣地碳儲量計算

于2010年11月在野外實地調查馬尾松林樣地50塊。樣地選在地表覆蓋較均質的地段，大小均為2 0 m×20 m。使用差分GPS準確記錄樣地的中心位置。馬尾松林樣地采用每木測量法，觀測內容包括:樹種、胸徑和樹高(附錄)。

首先基于實測馬尾松的樹高和胸徑，利用福建省馬尾松二元立木材積表［15］計算出馬尾松的蓄積量，并計算出馬尾松林樣地的平均蓄積量:

根據方精云等［16］確立的馬尾松平均蓄積量與平均生物量之間的關系式，進一步計算馬尾松林樣地的單位面積平均地上生物量:

式中，B為平均地上生物量(t/hm2)。

馬尾松林碳儲量以馬尾松林生物量乘以含碳系數來計算:

式中，C為馬尾松林碳儲量(t/hm2);Cc為含碳系數。

國際上通常采用的含碳系數為0.5［4］，但李海奎等全面研究國內主要樹種提出的含碳系數［17］更有針對性，所以本研究選用其提出的馬尾松含碳系數(0.4596)來進行計算，以提高馬尾松林的碳儲量估算精度。

2.2 遙感數據預處理

本研究選用2010年12月29日的ALOS多光譜影像，其預處理包括:

(1)幾何校正 首先根據研究區的形狀和位置，選出47個地面控制點(GCP)，利用高精度的GPS通過差分求算出各控制點精確的坐標值，然后采用二次多項式進行坐標轉換，選擇能保持變換后影像光譜信息不失真的最鄰近插值法進行象元重采樣，校正后的均方根誤差小于0.5個象元。

(2)輻射校正 衛星傳感器所接收到的目標地物的反射會受到太陽高度、地形及大氣條件等因素的影響而導致光譜信號的失真［18］。Liang等的研究表明，輻射校正能有效提高植被參數的反演精度［19］。因此，需要對影像進行輻射校正。本研究采用美國地質調查局、美國宇航局采用的輻射校正技術將原始影像的灰度值(DN)轉換為象元在衛星傳感器處的反射率來進行輻射校正。徐涵秋［20］將這項技術歸納為日照差異校正模型(ICM)和日照大氣綜合校正模型(IACM)。二者的區別在于后者除了對日照、地形條件的差異進行了校正外，還進行了大氣校正。本次研究分別用這兩種模型對原始影像進行輻射校正，旨在考察大氣校正與否是否會真正影響生物量和碳儲量的估算。

對于ALOS影像，可以用以下公式將其DN值轉換為傳感器處的光譜輻射值［21］:

式中，Li為光譜輻射值(W·m－2·sr－1·μm－1);i為波段值;DN為象元的灰度值;A為波段i的增益值，B為波段i的偏置值。參數A和B參見文獻［22］。

分別采用ICM和IACM模型進一步計算象元在衛星傳感器處的反射率，ICM公式為［20］:

IACM模型是在ICM模型的基礎上，進一步引進了Chavez的COST模型［23］來進行大氣校正［24］，其公式為:

式中，ρi為象元在傳感器處的反射率;d為日地天文單位距離，參見文獻［25］中獲得;ESUNi為大氣頂部的平均太陽輻照度(W·m－2·μm－1)，參見文獻［22］;Lh就是大氣影響的修正值，即各波段對應的最暗象元在傳感器處的光譜輻射值;θ為太陽天頂角。

2.3 馬尾松林信息的提取

為獲得長汀河田盆地馬尾松林的分布位置和面積等信息，需要對影像進行分類。以野外實地調查資料和林業部門的森林小班圖為依據，采用最大似然法對研究區的土地利用類型進行分類，并對分類結果進行驗證和修正(Kappa系數為0.759，總分類精度達88.4%)，然后將分為馬尾松類別的信息提取出來，并進行統計，從而獲得研究區馬尾松林的分布位置和面積(圖2)。

2.4 遙感因子的選擇

由于植被指數比單波段的光譜信息在探測生物量方面具有更高的靈敏性［26］，因此，為了考察遙感影像的光譜信息與馬尾松林碳儲量的關系，找出反映二者關系的最佳遙感因子來建立模型，本文選取了由ALOS影像多光譜波段構成的5種植被指數來作為遙感因子(表1)。

圖2 研究區馬尾松林分布圖Fig.2 Spatial distribution of Pinus massoniana in the study area

表1 所選用的植被指數Table 1 The used vegetation indices

2.5 馬尾松林碳儲量估算

利用公式(1)—(3)計算了50個樣地的馬尾松林的碳儲量，然后隨機選取了其中的45個樣地的碳儲量作為建模數據，剩余的5個樣地用以驗證模型精度。

分別用ALOS影像的原始DN數據和經ICM、IACM校正的數據對45個樣地的馬尾松林碳儲量就表1的5個遙感因子進行相關性分析。首先將各遙感因子與各樣地對應的象元提取出來，然后選用線性、對數、指數、乘冪、二次多項式等多種回歸模型來求出各遙感因子與馬尾松林碳儲量的最佳回歸方程和決定系數(表2，模型均通過0.001的顯著性檢驗)，從中選取最佳反演模型來估算研究區馬尾松林的碳儲量。

從表2可以看出，與未經輻射校正的原始DN影像數據相比，用ICM或IACM校正的影像數據建立的碳儲量最佳反演模型的擬合精度都有很明顯的提高，其中又以IACM數據的NDVI指數模型的擬合效果最好(圖3)，其R2值達到0.746，大于ICM數據NDVI指數模型的0.525和DN數據NDVI指數模型的0.496(表2)。這表明，植被碳儲量準確估算的前提是必須對影像進行輻射校正，不能使用未經校正的原始DN數據;而進行大氣校正后的IACM數據又比只做地形—日照校正的ICM數據的效果會更好。其原因是由于大氣對組成NDVI植被指數的紅光與近紅外波段有不同的衰減幅度，從而導致了NDVI發生變化［30］。而IACM模型引入了大氣校正因子，減弱了大氣效應的影響，所以其擬合精度得到了進一步提高。從所選的5個遙感指數因子來看，基于NDVI建立的模型的擬合精度總體上要好于基于其它4個因子建立的模型的擬合精度。因此本研究選用基于IACM的NDVI數據建立的模型作為最佳模型來反演研究區的馬尾松林的碳儲量:

表2 馬尾松林碳儲量反演模型Table 2 Models for retrieving the carbon storage of Pinus massoniana forest

2.5 反演模型的預測精度分析

為了檢驗反演模型的精度，利用建模時隨機抽取后剩余的5個樣地的馬尾松林碳儲量的實測值與模型預測值進行驗證，并用決定系數R2、相對誤差RE和均方根誤差RMSE這3個指標進行定量精度分析(圖4)。RE和RMSE的計算公式如下:

式中，CEst，i、CObs，i分別表示第i個樣地的馬尾松林碳儲量的預測值和實測值，n是樣本總量。

圖3 IACM校正影像的NDVI數據與馬尾松林碳儲量的回歸分析Fig.3 Regression analysis between the carbon storage of Pinus massoniana and the NDVI data derived from IACM-corrected data

圖4 馬尾松林碳儲量的實測值和預測值統計比較Fig.4 Comparison between measured and predicted carbon storage of Pinus massoniana

從圖4可以看出，所獲得的反演模型具有較高的精度。這表現在檢驗數據較為集中地分布于斜率為1的直線兩側，模型的決定系數R2達到0.979，RMSE為3.01 t/hm2，RE為－1.95%，預測值比實測值平均低估了不到2%。這說明所獲得的反演模型具有很高的精度，可以用于估算研究區馬尾松林的碳儲量。

3 結果分析

利用提取的馬尾松林(圖2)與建立的馬尾松林碳儲量最佳反演模型(式7)對2010年研究區的馬尾松林碳儲量進行反演，并將碳儲量反演結果劃分為5個等級進行統計，以揭示研究區馬尾松林碳儲量的空間分布變化情況(圖5，表3)。

圖5 研究區馬尾松林碳儲量分布Fig.5 Spatial variations of the carbon storage of Pinus massoniana forest in the study area

表3 研究區馬尾松林碳儲量分布統計表Table 3 The carbon storage of Pinus massoniana forest in the study area

圖5和表3揭示了研究區馬尾松林的碳儲量分布具有以下特點:(1)研究區內以低碳儲量的馬尾松林為主，碳儲量低于50 t/hm2的馬尾松林的面積(1—2級)占馬尾松林總面積的76.56%，碳儲量高于50 t/hm2的馬尾松林面積(3—5級)僅占23.44%，而占面積64.17%的馬尾松林(1級)的碳儲量卻只占研究區馬尾松林總碳儲量的15.51%。(2)從空間分布來看，高碳儲量的馬尾松林主要分布在河田盆地外圍地區，而盆地內的馬尾松林因受人類活動影響強烈，其碳儲量明顯較低。從估算的碳儲量結果來看，2010年研究區的馬尾松林碳儲量總量為 114.58 ×104t，碳密度為 34.92 t/hm2，明顯低于全國森林植被的碳密度水平(41.00 t/hm2)［11］。究其原因在于:長汀地區一直是福建省水土流失嚴重的地區。2000年，福建省委、省政府把長汀水土流失治理列入為民辦實事項目，開始對水土流失區實行封山育林，嚴禁采伐，并大力種植馬尾松以恢復植被。因此，研究區內馬尾松林面積不斷增加，馬尾松林碳儲量總量得到逐步恢復。但由于植被破壞最嚴重的盆地內部有很大一部分都是新種植的幼齡馬尾松，其碳儲量遠低于成熟林的碳儲量［31］。因此，研究區馬尾松林總體碳密度偏小。但可以看出，隨著馬尾松林林齡結構的改善，該區在碳積累上還具有較大的潛力。

從現有研究看，馬尾松林碳儲量的估算主要采用的都是傳統的方法(表4)，而采用遙感的方法還鮮有報道。從表4可見，已有研究所獲得的馬尾松平均碳儲量數據并不十分一致，而其中吳丹等研究江西中南部紅壤區馬尾松林的估算結果與本文的研究結果最為接近。由于長汀與江西南部直接接壤，因此二者結果的接近表明，用遙感估算的結果和實測方法所獲得的結果具有較好的可比性。

表4 不同研究的馬尾松林平均碳儲量比較Table 4 Comparison of the different research results about the average carbon storage of Pinus massoniana forest

4 結論與討論

(1)利用遙感技術可以對大面積馬尾松林的碳儲量進行快速估算，采用基于野外實地調查數據和ALOS影像光譜信息建立的馬尾松林碳儲量反演模型精度較高，其反演結果可以合理地反映出研究區馬尾松林的碳儲量及其空間分異特征。

(2)在利用遙感影像的光譜信息建立碳儲量反演模型時，采用經大氣校正后的遙感影像數據可提高模型反演的精度。

(3)河田研究區的馬尾松林的總碳儲量為114.58×104t，碳密度為34.92 t/hm2，明顯低于全國森林植被碳密度水平，這與目前河田盆地的幼齡馬尾松林所占比重很大有關。但隨著林齡結構的改善，成熟度的增加，可以預見該區的馬尾松林碳匯還具有較大的潛力。

由于本研究是基于河田盆地的影像和野外實測數據建立的反演模型，其在時間和空間上的普適性還有待于進一步的研究。

致謝:課題組張清林、陳淑桂和田浩等同志參與了野外調查工作，特此致謝。

［1］ Sabine C L，Heimann M，Artaxo P，Bakker D C E，Chen C T A，Field C B，Gruber N，Le Quere C，Prinn R G，Richey J E，Lankao P R，Sathaye J A，Valentini R.Current status and past trends of the global carbon cycle//Field C B，Raupach M R，eds.The Global Carbon Cycle.Washington:Island Press，2004:17-43.

［2］ Penman J，Gytarsky M，Hiraishi T，Krug T，Kruger D，Pipatti R，Buendia L，Miwa K，Ngara T，Tanabe K，Wagner F.Good practice guidance for land use，Land-Use Change and Forestry.Japan:IPCC，2003.

［3］ Eggleston S，Buendia L，Miwa K，Ngara T，Tanabe K.2006 IPCC guidelines for national greenhouse gas inventories.Japan:Institute for Global Environmental Strategies，2006.

［4］ Olson J S，Watts J A，Allison L J.Carbon in live vegetation of major world ecosystem.Technical Report.U.S.Washington:Department of Energy，1983.

［5］ Spencer R D，Green M A，Blggs P H.Integrating eucalypt forest inventory and GIS in western Australia.Photogrammetric Engineering and Remote Sensing，1997，63(12):1345-1351.

［6］ Fried M A，Davis F W，Michaelsen J，Moritz M A.Scaling and uncertainty in the relationship between the NDVI and land surface biophysical variables:an analysis using a scene simulation model and data from FIFE.Remote Sensing of Environment，1995，54(3):233-246.

［7］ Lefsky M A，Cohen W B，Harding D J，Parker G G，Acker S A，Gower S T.Lidar remote sensing of aboveground biomass in three biomes.Global Ecology and Biogeography，2002，11(5):393-399.

［8］ Foody G M，Boyd D S，Cutler M E.Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions.Remote Sensing of Environment，2003，85(4):463-474.

［9］ Zheng D，Rademacher J，Chen J，Crow T，Bresee M，Le M J，Ryu S R.Estimating aboveground biomass using Landsat 7 ETM+data across a managed landscape in northern Wisconsin，USA.Remote Sensing of Environment，2004，93(3):402-411.

［10］ Myeong S，Nowak J D，Duggin M J.A temporal analysis of urban forest carbon storage using remote sensing.Remote Sensing of Environment，2006，101(2):277-282.

［11］ Fang J Y，Guo Z D，Piao S L，Chen A P.Terrestrial vegetation carbon sinks in China，1981—2000.Science in China Series D:Earth Sciences，2007，50(9):1341-1350.

［12］ Meng Q M，Cieszewski C J，Madden M，Borders B.A linear mixed-effects model of biomass and volume of trees using Landsat ETM+images.Forest Ecology and Management，2007，244(1/3):93-101.

［13］ Anaya J A，Chuvieco E，Palacios-Orueta A.Aboveground biomass assessment in Colombia:a remote sensing approach.Forest Ecology and Management，2009，257(4):1237-1246.

［14］ Wang S H，Zhang M Z，Zhao P A，Chen J X.Modelling the spatial distribution of forest carbon stocks with artificial neural network based on TM images and forest inventory data.Acta Ecologica Sinica，2011，31(4):998-1008.

［15］ Fujian Forestry Survey and Design Institute.Forest Survey Tables.1978.

［16］ Fang J Y，Chen A P，Peng C H，Zhao S Q，Ci L.Changes in forest biomass carbon storage in China between 1949 and 1998.Science，2001，292(5525):2320-2322.

［17］ Li H K，Lei Y C.Forest biomass and carbon stocks of vegetation assessment in China.Beijing:China Forestry Publishing House，2010.

［18］ Xu H Q，Zhang T J.Cross comparison of ASTER and Landsat ETM+multispectral measurements for NDVI and SAVI vegetation indices.Spectroscopy and Spectral Analysis，2011，31(7):1902-1907.

［19］ Liang S L，Fang H L，Chen M Z.Atmospheric correction of Landsat ETM+land surface imagery.IEEE Transactions on Geoscience and Remote Sensing，2001，39(11):2490-2498.

［20］ Xu H Q.Image-based normalization technique used for Landsat TM/ETM+imagery.Geomatics and Information Science of Wuhan University，2007，32(1):62-66.

［21］ Tadono T，Shimada M，Murakami H，Junichi T.Calibration of PRISM and AVNIR-2 onboard ALOS‘Daichi’.IEEE Transactions on Geoscience and Remote Sensing，2009，47(12):4042-4050.

［22］ Bouvet M，Chander G，Goryl P.Preliminary radiometric calibration assessment of ALOS AVNIR-2//IEEE International Geoscience and Remote Sensing Symposium.Boston:IEEE，2007:2673-2676.

［23］ Chavez P S Jr.Image-based atmospheric corrections-revisited and improved.Photogrammetric Engineering and Remote Sensing，1996，62(9):1025-1036.

［24］ Ramsey R D，Wright D L Jr，McGinty C.Evaluating the use of Landsat 30m enhanced thematic mapper to monitor vegetation cover in shrub-steppe environments.Geocarto International，2004，19(2):39-47.

［25］ Chander G，Markham B L，Helder D L.Summary of current radiometric calibration coefficients for Landsat MSS，TM，ETM+，and EO-1 ALI sensors.Remote Sensing of Environment，2009，113(5):893-903.

［26］ Tian Q J，Min X J.Advances in study on vegetation indices.Advance in Earth Sciences，1998，13(4):327-333.

［27］ Lyon J G，Yuan D，Lunetta R S，Enidge C D.A change detection experiment using vegetation indices.Photogrammetric Engineering and Remote Sensing，1998，64(2):143-150.

［28］ Rouse J W Jr，Haas R H，Schell J A，Deering D W.Monitoring vegetation systems in the great plains with ERTS.Third ERTS Symposium，Washington D.C.:NASA，1973:309-317.

［29］ Huete A R.A soil-adjusted vegetation index(SAVI).Remote Sensing of Environment，1988，25(3):295-309.

［30］ Jensen J R.Remote sensing of the environment:an earth resource perspective.Upper Saddle River:Prentice-Hall Inc.，2007.

［31］ Liu G H，Fu B J，Fang J Y.Carbon dynamics of Chinese forests and its contribution to global carbon balance.Acta Ecologica Sinica，2000，20(5):733-740.

［32］ Huang C D，Zhang J，Yang W Q，Tang X，Zhao A J.Dynamics on forest carbon stock in Sichuan Province and Chongqing City.Acta Ecologica Sinica，2008，28(3):965-975.

［33］ Wang P C，Xing L J，Xiao W F，Huang Z L，Pan L，Zeng L X.Organic carbon density and storage of forest ecosystems in Three Gorges Reservoir Area.Acta Ecologica Sinica，2009，29(1):97-107.

［34］ Zhang J，Yuan W G，Ge Y，Zhu J R，Shen A H，Chang J.Carbon storage and its sequestration potential by ecological service forest in Zhejiang.Acta Ecologica Sinica，2010，30(14):3839-3848.

［35］ Li X，Ouyang X Z，Liu Q J.Carbon storage of forest vegetation and its geographical pattern in China's Jiangxi Province during 2001—2005.Journal of Natural Resources，2011，26(4):655-665.

［36］ Wu D，Shao Q Q，Li J，Liu J Y.Carbon fixation estimation for the main plantation forest species in the red soil hilly region of southern-central Jiangxi Province，China.Acta Ecologica Sinica，2012，32(1):142-150.

參考文獻:

［11］ 方精云，郭兆迪，樸世龍，陳安平.1981—2000年中國陸地植被碳匯的估算.中國科學D輯:地球科學，2007，37(6):804-812.

［14］ 汪少華，張茂震，趙平安，陳金星.基于TM影像、森林資源清查數據和人工神經網絡的森林碳空間分布模擬.生態學報，2011，31(4):998-1008.

［15］ 福建省林業勘察設計院.森林調查用表.1978.

［17］ 李海奎，雷淵才.中國森林植被生物量和碳儲量評估.北京:中國林業出版社，2010.

［18］ 徐涵秋，張鐵軍.ASTER與Landsat ETM+植被指數的交互比較.光譜學與光譜分析，2011，31(7):1902-1907.

［20］ 徐涵秋.基于影像的Landsat TM/ETM+數據正規化技術.武漢大學學報:信息科學版，2007，32(1):62-66.

［26］ 田慶久，閔祥軍.植被指數研究進展.地球科學進展，1998，13(4):327-333.

［31］ 劉國華，傅伯杰，方精云.中國森林碳動態及其對全球碳平衡的貢獻.生態學報，2000，20(5):733-740.

［32］ 黃從德，張健，楊萬勤，康宵，趙安玖.四川省及重慶地區森林植被碳儲量動態.生態學報，2008，28(3):965-975.

［33］ 王鵬程，刑樂杰，肖文發，黃志霖，潘磊，曾立雄.三峽庫區森林生態系統有機碳密度及碳儲量.生態學報，2009，29(1):97-107.

［34］ 張駿，袁位高，葛瀅，江波，朱錦茹，沈愛華，常杰.浙江省生態公益林碳儲量和固碳現狀及潛力.生態學報，2010，30(14):3839-3848.

［35］ 李鑫，歐陽勛志，劉琪璟.江西省2001—2005年森林植被碳儲量及區域分布特征.自然資源學報，2011，26(4):655-665.

［36］ 吳丹，邵全琴，李佳，劉紀遠.江西中南部紅壤丘陵區主要造林樹種碳固定估算.生態學報，2012，32(1):142-150.

附錄 河田盆地馬尾松樣地觀測列表Appendix The field-measured data of Pinus massoniana of in the Hetian Basin