川西亞高山森林植被生物量遙感估算

賴家明， 楊武年， 黃從德， 胡庭興

(1. 成都理工大學 國土資源部地學空間信息技術重點實驗室，成都 610059;2.四川農業大學 林學院，雅安 625014)

?

川西亞高山森林植被生物量遙感估算

賴家明1,2， 楊武年1*， 黃從德2， 胡庭興2

(1. 成都理工大學 國土資源部地學空間信息技術重點實驗室，成都 610059;2.四川農業大學 林學院，雅安 625014)

以四川省道孚縣木茹林場亞高山森林為研究對象，在針葉林、闊葉林和灌木林3種森林類型中各設置15個標準樣地，利用標準地實測森林植被生物量數據建立了基于遙感信息的川西亞高山該三種森林的最佳森林植被生物量遙感估算模型，并估算了森林植被生物量。結果表明，在建立的一元線性回歸、一元非線性回歸和多元線形回歸生物量模型中，以多元線性回歸模型擬合度最高。

亞高山森林； 生物量； 遙感； 相關分析； 回歸模型

0 引言

在尋求全球“未知碳匯”(The Missing Carbon Sink)過程中，陸地生態系統被公認為是最大的未知區[1-2]。森林生態系統是陸地上最大的碳庫，生物量是測算森林生態系統碳匯的基礎，準確及時地獲取森林植被生物量已成為全球氣候變化與森林生態系統研究的關鍵環節[3]。我國森林植被生物量的研究始于上世紀70年代末，許多學者開展了大區域森林生物量的模擬研究[4-5]，做了大量工作，取得許多成功案例[6-12]，但因實測資料局限，制約了模擬結果的準確性[13],同時針對植被類型多、林分結構復雜、地形條件多變西南林區，利用遙感數據估算生物量的研究還不多見。

川西亞高山森林分布在我國西南氣候變化敏感、生態環境脆弱的地區，因保存相對完好，已成為研究森林植被動態過程的最佳實驗場所。這里運用3S技術，以四川道孚縣木茹林場亞高山森林為對象，基于遙感信息，利用地面實測生物量數據建立了川西亞高山3種森林類型(針葉林、闊葉林和灌木林)最佳森林植被生物量遙感估算模型，并估算了生物量，旨在為四川西部亞高山森林植被生物量的深入研究提參考。

1 材料與方法

1.1 研究區域概況

木茹林場位于川西北，甘孜州東北部道孚縣境內，地處青藏高原東南緣鮮水河斷裂帶，國土總面積為44 059.77 hm2，氣候屬寒溫帶大陸性季風氣候。本區域森林資源豐富，植物種類繁多，屬典型的亞高山森林，森林垂直分帶明顯。研究區內分布的亞高山常綠針葉林以冷杉屬(AbiesMill.)、云杉屬(PiceaDietr.)為主、山地硬葉常綠闊葉林以櫟類(QuerusLinn.)為主，灌木林分布以川滇高山櫟 (QuercusaquifolioidesRehd.etWils.)為主[14]。

1.2 研究方法

1.2.1 數據源

作者使用2007年9月25日的Landsat5 TM影像(圖1)；在 1∶50 000國家基本地形圖上提取地面控制點，對遙感影像進行幾何校正； 使用的DEM數據分辨率為30 m×30 m。

圖1 2007年遙感圖Fig.1 2007 remote sensing map

1.2.2 森林的分類

將木茹林場的森林植被劃分為三大基本類型，其中針葉林以川西云杉(PiceabalfourianaRehd.etWils.)、鱗皮冷杉(AbiessquamataMast.)、高山柏(Sabinasquamata(Buch.-Hamilt.)Ant)、紅杉(LarixpotaniniiBatalin)和高山松(PinusdensataMast.)等為優勢樹種的森林；闊葉林主要以櫟類、楊樹(PopulusLinn.)和樺木 (BetulaLinn.)等為優勢樹種的森林；灌木林包括川滇高山櫟、高山柳(SalixcupularisRehd. )和沙棘(HippophaerhamnoidesLinn.)等。

1.2.3 標準地設置與生物量的測定

按照典型選設法，在三個森林植被類型中各設置15個邊長30 m的正方形標準地，使用GPS測定實地坐標，實現與遙感數據(像素)在位置與形狀上的配準，45個標準地位置分布如圖2所示。在標準地內調查基本測樹因子。實測胸徑、樹高，擬合針葉林(云杉、冷杉)樹高曲線，依據四川省立木二元材積表，計算蓄積量，采用生物量-蓄積量方程w=2.137v0.7532計算針葉林樣地生物量[15]。采用平均標準木法測算闊葉林和灌木林生物量[16]。

圖2 標準地分布圖Fig.2 Sample plots map

1.2.4 遙感影像數據處理

ENVI 5.1環境下，在地形圖上選取地面控制點，采用Beijing 1954坐標系統、Gauss-KrugerN17投影參數，以Nearst Neighbor方法對TM影像進行幾何校正，位差不超過0.5個像元；采用非監督分類結合專家知識對研究區TM影像分類，劃分為針葉林、闊葉林、灌木林、草地、水域和裸地共6大類(見圖3)。隨機抽取180個結果樣點(每類別30個)，采用現場核實，計算出針葉林分類精度為89.5%，闊葉林為82.7%，灌木林為81.6%；利用ENVI5.1 Flassh模塊對TM影像大氣校正，轉化TM單波段像元DN值為表觀反射率，利用Transform模塊計算各類植被指數[14](表1)；利用ArcGIS10.0從30 m分辨率的DEM數據提取地形數據,內容包括海拔(ALTITUDE)、坡向(ASPECT)和坡度(SLOPE)[14]。

1.2.5 生物量模型的建立及驗證

在分析研究區TM影像單波段數據表觀反射率、各類植被指數和地形數據與森林植被生物量之間相關性的基礎上，利用SPSS 20.0分析研究區遙感數據與各類植被生物量之間的回歸關系。采用線性方法、非線性方法和多元回歸法分別建立研究區森林植被生物量的遙感估算模型。模型選擇中通常使用交叉驗證的方法來檢查估測數據與實測數據的一致性[17]，這里用平均誤差(ME)、平均絕對誤差(MAE)和均方根誤差(RMSE)進行檢驗，利用優選的各類森林植被生物量遙感估算模型對研究區森林植被生物量進行了測算[14]。

表1 植被指數計算方法

圖3 2007年遙感分類圖Fig.3 2007 remote sensing classification map

2 結果與分析

2.1 相關分析

對森林植被生物量與TM影像單波段的表觀反射率(TM1～TM5，TM7)、各類植被指數(DVI、RVI和NDVI等)和地形數據(ALTITUDE、SLOPE和ASPECT)進行相關性分析，結果表明，TM單波段數據與植被生物量普遍都在0.01水平上呈顯著負相關(表2)，TM1～TM4波段對植被信息的識別有不錯的效果，其中與TM 2、TM3波段的相關性較高，分別達到-0.863(針葉林)、-0.865(灌木林)和-0.725(闊葉林)；針葉林植被生物量和闊葉林植被生物量與BVI指數均在0.01的水平上呈顯著正相關；針葉林植被生物量與NDVI指數在0.01的水平上呈正相關(表3)；三種森林類型植被生物量與海拔(ALTITUDE)、坡度(SLOPE)和坡向(ASPECT)等地形因素均不存在呈顯著相關關系(表4)。

表2 遙感單波段數據與森林植被生物量間的相關系數

注：*在0.05的水平上相關顯著；**在0.01的水平上相關顯著。

表3 植被指數與森林植被生物量間的相關系數

注：*在0.05的水平上相關顯著；**在0.01的水平上相關顯著。

表4 地形數據與森林植被生物量間的相關系數

2.2 生物量遙感模型

利用標準地實測的植被生物量數據與遙感各波段數據表觀反射率分別進行線性和非線性回歸，回歸方程擬合結果如表5所示，線性估測方法是無偏的，ME為0，以TM3與生物量線性回歸擬合度最高，R2為0.745，有較低的誤差，MAE為 0.285，RMSE為0.308；TM7與生物量擬合度最低，R2為0.129，MAE為0.519，RMSE為0.561，誤差較大。對于非線性回歸方程，以TM5與生物量非線性回歸擬合效果最優(R2為0.865，ME=0.001，MAE=0.260，RMSE=0.283)，擬合模型為Y=-271.644TM5+1806.444TM52+25.581；TM7與生物量擬合度最低，擬合模型為Y=1.001TM7-0.008TM72+73.730，R2為0.151。

表5 針葉林生物量一元線性與非線性估算模型(n=15)

注：Y:森林生物量 下同。

利用SPSS 20.0進行逐步回歸，自變量篩選，然后進行多元回歸分析，結果如下表6。對針葉林生物量的自變量因子進行逐步回歸，得到模型1和2，用強迫引入法，篩選出模型3；據相關性分析，選擇變量間的相關系數絕對值較大的自變量分為TM數據1、2、3、5波段和WVI、V13、TVI、RVI、NDVI、BVI指數兩組，對影響針葉林生物量的因子用強迫引入法，篩選出模型4；最后選擇自變量與因變量間相關系數顯著的自變量(TM2、3、5、WVI、V13和BVI)，用強迫引入法進行回歸，得出模型5。綜合比較決定系數、平均絕對誤差和均方根誤差，確定回歸模5(Y=127.340TM2+93.835TM3+344.518TM5-75.505WVI+0.339V13-226.322 BVI+9.664(R2=0.888，MAE=0.115，RMSE=0.120)為研究區針葉林最優生物量遙感估算模型。

用相同方法獲得闊葉林森林植被生物量數據與遙感單波段數據表觀反射率的線性、非線性回歸估算模型(表7)和多元線性回歸模型(表8)。結果表明，非線性回歸擬合度比線性回歸的高，多元線性回歸又比非線性回歸的高。模型6(Y=-204.723TM2+105.448TM3-58.121WVI-37.948DVI+57.346BVI+13.325)(R2=0.620，MAE=0.310，RMSE=0.345)為闊葉林最優生物量遙感估算模型。

表6 針葉林生物量的多元線性回歸模型(n=15)

表7 闊葉林生物量一元線性與非線性估算模型(n=15)

續表7

自變量模型類別模型決定系數R2平均誤差ME平均絕對誤差MAE均方根誤差RMSETM1TM2TM3TM4TM5TM7WVINDVIBVITVIV13RVI非線性Y=794.229TM1-7683.721TM12-11.4330.3980.0020.3970.426Y=-106.353TM2+2103.986TM23+12.2580.5260.0020.3140.336Y=-227.503TM3+37502.506TM33+13.9450.4710.0020.3770.404Y=46.178TM4-515.793TM42+1317.436TM43+7.880.5070.0020.3870.415Y=-74.982TM5+2288.37TM53+12.1360.5060.0020.4180.449Y=e(1.9+0.003/TM7)0.3490.0030.4500.482Y=-99.241WVI+2970.449WVI3+14.0530.5140.0020.3450.370Y=-331.01NDVI+272.539NDVI3+147.6770.3620.0030.4600.493Y=-43.617BVI+350.12BVI3+12.9960.4980.0020.3350.359Y=-2337.033TVI+685.224TVI3+1668.5010.3580.0030.4500.482Y=3.985PVI-0.3140.5030.0020.3240.348Y=3.973DVI-0.3030.5040.0020.3240.348

表8 闊葉林生物量的多元線性回歸模型(n=15)

同樣的方法獲得灌木林森林植被生物量數據與遙感單波段數據表觀反射率的線性、非線性回歸估算模型(表9)和多元線性回歸模型(表10)。根據森林生物量回歸模型的決定系數、平均絕對誤差和均方根誤差確定出的最佳灌木林生物量模型：Y=-49.469 TM2-141.236 TM3+0.056 BVI+16.468(R2=0.790，MAE=0.170，RMSE=0.192)

2.3 森林植被生物量估算

根據選擇的最佳森林植被生物量模型估算出研究區三大植被類型生物量，在ArcGIS10.0中疊加針葉林、闊葉林和灌木林生物量圖層，制作研究區森林植被總生物量圖層(圖4)。研究區森林植被總面積為24 522.3 hm2，森林總生物量為3.67×106t，平均生物量為149.66 t/hm-2。其中，針葉林面積15 080.13 hm2，占植被總面積的61.50%，生物量以2.68×106t位居首位，占總生物量的73.0%，平均生物量為177.71 t/hm-2；灌木林面積6 858.27 hm2，占總面積的27.97%，生物量為7.64×105t，占總生物量的20.8%，平均生物量為111.40 t/hm-2；闊葉林面積為2 583.9 hm2，占總面積的10.53%，生物量最小，為2.28×105t，占總生物量的6.1%，平均生物量為88.23 t/hm-2。從數據比較上看出針葉林植被類型是研究區的主要森林植被生物量庫，其重要原因是針葉林面積分布比例占據主導地位，因而其生物量數值和比例都占首位。

表9 灌木林生物量一元線性與非線性估算模型(n=15)

表10 灌木林森林生物量的多元線性回歸模型(n=15)

圖4 森林生物量分布圖Fig.4 Forest biomass distribution map

3 結論與討論

3.1 結論

本研究利用一元線性和非線性以及多元線性回歸的森林植被生物量遙感估算模型，以多元線性回歸模型精度最高，根據決定系數、平均絕對誤差和均方根誤差確定了研究區域的最佳針葉林生物量遙感估算模型(Y=127.340TM2+93.835TM3+344.518TM5-75.505WVI+0.339V13-226.322 BVI+9.66)、闊葉林生物量遙感模型(Y=-204.723TM2+105.448TM3-58.121WVI-37.948DVI+57.346BVI+13.325)和灌木林生物量遙感模型(Y=-49.469 TM2-141.236 TM3+0.056 BVI+16.468)。根據確定的最佳森林生物量模型估算出研究區針葉林、闊葉林和灌木林生物量分別為2.68×106t、2.28×105t和7.64×105t，研究區森林植被總生物量為3.67×106t，其中針葉林生物量最大，是研究區域的主要森林植被生物量庫。

3.2 討論

以地形復雜和氣候變化多樣的川西亞高山森林為研究對象，在建立森林植被生物量遙感估算模型時，森林植被類型和林分結構對建模精度有較大的影響，針葉林在植被類型與林分結構都較闊葉林更加簡單，所以在與遙感因子相關性和建模精度上都比闊葉林類型高；利用優選的森林植被生物量遙感估算模型,估算出研究區木茹林場森林植被總生物量和平均生物量，其結果與其他學者采用傳統方法對同類型區域的估算結果存在差異，這種差異可能是研究尺度不同、植被類型劃分差異造成的。

[1] 陳泮勤, 黃耀, 于貴瑞. 地球系統碳循環[M]. 北京: 科學出版社,2004.

CHEN P Q, HUANɡ Y, YU G R. Carbon of the Earth System[M].Beijing:Science Press,2004.(In Chinese)

[2] 葉篤正, 符淙斌. 全球變化科學領域的若干研究進展[J].中國科學院院刊, 2004, 19 (5): 336-341.

YE D Z, FU C B. Some advance in global change scievce study[J].Chinese Science Bulletin, 2004, 19 (5): 336-341. (In Chinese)

[3] 湯旭光,劉殿偉,王宗明，等. 森林地上生物量遙感估算研究進展[J].生態學雜志,2012,31( 5) :1311-1318.

TANG X G, LIU D W, WANG Z M, et al. Estimation of forest aboveground biomass based on remote sensing data: A review [J]. Chinese Journal of Ecology, 2012,31( 5) :1311-1318. (In Chinese)

[4] 康惠寧, 馬欽彥, 袁嘉祖. 中國森林C匯功能基本估計[J].應用生態學報, 1996, 7(3): 230-234.

KANG H N, MA Q Y, YUAN J Z. Estimation of carbon sink function of forests in China[J]. Chinese Journal of Applied Ecology, 1996,7(3): 230-234. (In Chinese)

[5] 方精云. 北半球中高緯度的森林碳庫可能遠小于目前的估算[J].植物生態學報, 2000, 24 (5): 635-638.

FANG J Y. Forest miomass carbon pool of middle and high latitudes in the north hemisphere is probably much smaller Than present estimates[J]. Acta Phytoecologica Siniea, 2000, 24 (5): 635-638. (In Chinese)

[6] 劉詩琦，賈黎明，楊軍,等. 基于Landsat TM 數據估算山東菏澤區域楊樹人工林碳儲量[J].北京林業大學學報,2013,35(6):36-41.

LIU S Q, JIA L M ,YANG J, et al.Estimation of carbon storage of regional poplar plantations based on Landsat thematic mapper image in Heze of Shandong Province,eastern China[J]. Jouranal of Beijing Forestry University,2013,35(6):36-41. (In Chinese)

[7] 劉雙,阮宏華. 基于地統計學的廣東省和廣西省森林生物量和NPP 空間格局分析[J].生態學雜志, 2013,32( 9) : 2502-2509.

LIU S，RUAN H H. Spatial pattern analysis of forest biomass and NPP in Guangdong and Guangxi provinces of South China based on geostatistics [J]. Chinese Journal of Ecology, 2013,32( 9) : 2502-2509. (In Chinese)

[8] 閔志強, 孫玉軍. 長白落葉松林生物量的模擬估測[J]. 應用生態學報, 2010, 21 (6): 1359-1366.

MIN Z Q, SUN Y J. Simulation of above ground biomass inLarix olgensisplantation[J]. Chinese Journal of Applied Ecology, 2010,21(6): 1359-1366. (In Chinese)

[9] 崔瑞蕊, 杜華強, 周國模, 等. 近30 a安吉縣毛竹林動態遙感監測及碳儲量變化[J].浙江農林大學學報, 2011, 28 (3): 422-431.

CUI R R, DU H Q , ZHOU G M, et al. Remote sensing-based dynamic monitoring of moso bamboo forest and its carbon stock change in Anji County [J]. Journal of Zhejiang A & F University, 2011, 28 (3): 422 - 431. (In Chinese)

[10]董德進, 周國模, 杜華強, 等. 6種地形校正方法對雷竹林地上生物量遙感估算的影響[J].林業科學, 2011, 47 (2): 1-8.

DONɡ D J, ZHOU G M, DU H Q, et al. Effects of Topographic Correction with 6 Correction Models on Phyllostachys praecox Forest Aboveground Biomass Estimation[J]. Scientia Silvae Sinicae, 2011, 47 (2): 1-8. (In Chinese)

[11]劉雙娜, 周濤, 舒陽, 等. 基于遙感降尺度估算中國森林生物量的空間分布[J].生態學報, 2012, 32 (8): 2320-2330.

LIU S N, ZHOU T, SHU Y, et al. The estimating of the spatial distribution of forest biomass in China based on remote sensing and downscaling techniques[J]. Acta Ecologica Sinica，2012, 32 (8) : 2320-2330. (In Chinese)

[12]李仁東, 劉紀遠. 應用Landsat ETM 數據估算鄱陽湖濕生植被生物量[J].地理學報, 2001, 56(5): 532-540.

LI R D, LIU J Y. An Estimation of Wetland Vegetation Biomass in the Poyang Lake Using Landsat ETM Data[J]. Acta Geographica Sinica, 2001, 56(5): 532-540. (In Chinese)

[13]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[J].生態學報,2000,20 (5):733-740.

LIU G H, FU B J, FANG J Y. Garbon dynamics of Chinese forest and its contribution to global carbon balance[J]. Acta Ecologica Sinica,2000， 20(5): 733-740. (In Chinese)

[14]賴家明,黃從德,胡庭興,等.基于遙感信息的道孚縣亞高山森林植被地上碳儲量估算及其空間分布特征[J].應用與環境生物學報, 2013,19(4):593-597.

LAI J M, HUANG C D, HU T X,et al. aboveground carbon storage and its spatial distribution in the subalpine forest of daofu county based on remote sensing model[J]. Chin J Appl Environ Biol,2013,19(4):593-597. (In Chinese)

[15]黃從德, 張健, 楊萬勤, 等.四川省及重慶地區森林植被碳儲量動態[J].生態學報, 2008, 28 (3): 966-975.

HUANG C D, ZHANG J, YANG W Q, et al.Dynamics on forest carbon stock in Sichuan province and Chongqing City[J]. Acta Ecol Sin,2008, 28 (3): 966-975. (In Chinese)

[16]劉迎春, 王秋鳳, 于貴瑞, 等. 黃土丘陵區兩種主要退耕還林樹種生態系統碳儲量和固碳潛力[J].生態學報, 2011,31(15): 4277-4286.

LIU Y C, WANG Q F, YU G R, et al. Ecosystems carbon storage and carbon sequestration potential of two main tree species for the grain for green project on China’s hilly loess plateau[J]. Acta Ecologica Sinica，2011,31( 15) : 4277-4286. (In Chinese)

[17] HENGL,T.A Practical Guide to Geostatistical Mapping,2nded[M].Amsterdam:University of Amsterdam,2009.

Application of remote sensing model in subalpine forest biomass estimation in western Sichuan

LAI Jia-ming1,2, YANG Wu-nian1*, HUANG Cong-de2, HU Ting-xing2

(1.State Key Laboratory of Geo-hazard Prevention and Geo-environment Protection,Chengdu University of Technology,Chengdu 610059,China; 2.College of Forestry, Sichuan Agricultural University,Yaan 625014,China)

The study site is located in the subalpine forest in Muru forest farm, Daofu county, western Sichuan in China. Fifteen plots (30 m × 30 m) were established in coniferous forest, broad-leaved forest and shrubbery, respectively. Based on actual investigation values and remote sensing information, the optimal fitting-models of biomass were established for coniferous forest, broad-leaved forest and shrubbery, respectively. Furthermore, vegetation biomasses were calculated using these models. Multiple linear regression models were found to be more suitable in assessing the forest biomass than the non-linear regression and monadic linear models. The following models were the optimal fitting-models of biomass were established for coniferous forest, broad-leaved forest and shrubbery, respectively:Y=127.3TM2+93.8TM3+344.5TM5-75.5WVI+0.339V13-226.3BVI+9.7,Y=-204.7TM2+105.4TM3-58.1WVI-37.9DVI+57.3BVI+13.3,Y=-49.5TM2-141.2 TM3+0.056 BVI+16.5. The total forest biomass was 3.67×106 t in the study region. Coniferous forest biomass is the dominant component of forest biomass in this region, which reached 2.68×106 t, accounted for 73.0% of the total regional forest biomass.

sub-alpine forest; biomass; remote sensing; correlation analysis; multi-regression model

2016-05-08 改回日期：2016-06-27

“十一五”國家科技支撐計劃課題(2006BAD23B05)

賴家明(1972-)，男，博士，研究方向為地球探測與信息技術，E-mail：ljm4936@aliyun.com。

*通信作者：楊武年(1954-)男，博士，教授, 主要研究方向為3S技術在國土資源勘查、生態環境監測與評價中的應用,E-mail：ywn@cdut.edu.cn。

1001-1749(2016)05-0699-09

S 771.8

A

10.3969/j.issn.1001-1749.2016.05.21