基于人工神經網絡與空間仿真模擬的區域森林碳估算比較
——以龍泉市為例

秦立厚,張茂震,*,袁振花,楊海賓

1 浙江農林大學, 浙江省森林生態系統碳循環與固碳減排重點實驗室, 臨安 311300 2 浙江農林大學, 環境與資源學院, 臨安 311300

?

基于人工神經網絡與空間仿真模擬的區域森林碳估算比較
——以龍泉市為例

秦立厚1,2,張茂震1,2,*,袁振花1,2,楊海賓1,2

1 浙江農林大學, 浙江省森林生態系統碳循環與固碳減排重點實驗室, 臨安 311300 2 浙江農林大學, 環境與資源學院, 臨安 311300

森林是生態系統的重要組成部分,準確估算森林碳儲量及其分布對于評價森林生態系統的功能具有重要意義。以龍泉市為研究區,利用2009年99個森林資源清查樣地數據和同年度 Landsat TM 影像數據,采用高斯序列協同仿真(SGCS)與BP神經網絡方法(BPNN)分別模擬森林地上部分碳密度及其分布,并進行了對比分析。隨機將樣本數據分成70個建模樣本和29個檢驗樣本。通過模型檢驗,BP神經網絡預測值與實測值的相關性達到0.67,相對均方根誤差為0.63,空間仿真方法預測值與實測值的相關性為0.68,相對均方根誤差為0.63,空間仿真方法預測能力略高于神經網絡方法。仿真結果表明,基于BP神經網絡模擬的森林碳總量為11042990 Mg,平均碳密度為36.10 Mg/hm2,總體森林碳密度均值高于樣地平均值8.82%。基于空間仿真模擬的森林碳總量為11388657 Mg,平均碳密度為37.23 Mg/hm2,總體森林碳密度均值高于樣地平均值9.40%。對比分析可知：高斯協同仿真模擬和BP神經網絡雖然在碳總量估算值上與抽樣數據估計值相近,但兩種方法在估測值的頻率分布以及研究區碳分布上有較大的差異。與BP神經網絡相比,序列高斯協同模擬結果更接近系統抽樣樣地實測值,全部樣地預測值與實測值的相關性達到0.75,在估計區域森林碳空間分布上有明顯優勢。在碳密度值域與頻率分布方面,序列高斯協同模擬結果分布更合理。綜上所述,序列高斯協同模擬在森林碳空間估計方面要優于BP神經網絡。

森林碳儲量；高斯協同仿真模擬；BP神經網絡；森林資源清查數據；TM影像

森林是全球陸地生態系統中的最大有機碳庫[1],森林生態系統貯存了全球陸地植被碳庫的77%,全球土壤碳庫的39%[2],在維護區域生態環境和全球碳平衡中起著巨大的作用。準確估算區域森林碳儲量及其分布,對于評價森林生態系統的功能具有重要意義。但是,由于方法和數據的缺乏,不同學者估測的森林碳儲量相差較大,導致森林碳匯功能評價具有較大的不確定性[3]。

日益發展的遙感技術具有快速、準確、對森林無破壞性并能進行宏觀監測的優勢,使得遙感成為獲取森林地上生物量的主要途徑。目前基于遙感數據計算森林碳儲量的方法主要有：回歸估計法[4- 5],神經網絡法[6- 7],遙感數據與過程模型融合的方法[8]和空間仿真模擬[9- 10]等方法。與其余方法相比,神經網絡與空間仿真方法具有較高的估算精度[11- 12]。人工神經網絡(ANN)是通過模擬人腦神經系統建立起來的一類模型,在建模時不需要給出具體的數學函數,可以一次性引入多個解釋變量,并同時輸出多個估測量,適合復雜的非線性模型的模擬,被廣泛地應用于工學、天文學、生物學等領域。近年來,神經網絡也常被用來估算森林生物量。與其他模型相比神經網絡方法雖然可以提高森林的預測精度[13- 14],但是在模擬預測過程中易陷入局部最優,從而導致了部分區域模擬結果與實際值不相符[15]。而且在模擬過程中,由于隱含層個數和單元數的確定缺乏理論指導,學習與記憶具有不確定性[16],雖然使用相同方法、相同數據但是卻得出不同的結果,使研究結果不能重復。

空間仿真模擬采用與地統計學方法相結合的隨機算法模擬森林碳分布,通過對局部森林碳分布特征量的分析,得到局部森林碳分布函數,再用蒙特卡洛方法實現對局部的估計[10]。它不像克里格方法,追求的是特定點位某個屬性的局部最優估值[17],也不像回歸方法那樣只考慮保證總體平均數的估計精度。空間仿真模擬追求的是森林碳儲量模擬的真實性,盡可能地接近真實的空間分布[9]。由于不同的方法對于同一地區碳儲量的估算結果是不同的,因此對同一地區使用不同方法進行碳儲量估算,可以對比各方法的優劣,為森林碳估算提供指導。本文以龍泉市為研究對象,采用BP神經網絡與空間仿真模擬方法對其地上部分碳儲量和碳分布進行仿真,并對兩種方法的估算能力進行對比分析。

1 研究區與數據

1.1 研究區概況

龍泉市(118°43′—119°26′E,27°42′—28°21′N)地處浙江省西南部,隸屬麗水市,東西長68.9 km,南北寬70.8 km,總面積3059 km2。

龍泉市在地貌上屬于浙南山地,地形復雜、海拔高低懸殊,因此氣候基本呈垂直變化分布,光、溫、水地域差異明顯。該市地處亞熱帶季風氣候區,溫暖濕潤,四季分明,雨水充沛,光熱較優,適宜各種林木生長,植物資源豐富。全市共有高等植物1800余種,其中木本植物1105種(含種下分類群),占全省3/4以上。

在全國森林資源經營管理分區方案中,龍泉市屬于南方山地丘陵區中的南方低山丘陵亞區,是重要的集體林區。全市林業用地面積265633 hm2,占總面積87.17%,森林蓄積量1 455.9萬m3,森林覆蓋率84.2%,喬木林年總生長量為101.9萬m3,生長率8.53%(2008年)。森林類型主要有常綠落葉闊葉混交林、針葉闊葉混交林、常綠闊葉林、黃山松林、馬尾松林、杉木林、毛竹林以及山地矮林、灌叢等類型。

1.2 研究數據預處理

1.2.1 地面樣地數據

研究區地面調查數據為2009年龍泉市森林資源連續清查樣地調查數據,全市共有按系統抽樣方法布設的固定樣地102個,樣地間距6 km×4 km,樣地形狀為正方形,樣地面積0.08 hm2。本研究采用的有效樣地個數為99個,樣地數據特征值見表1。由于現有的森林生物量模型有限,本研究將樹種分為杉木、馬尾松、硬闊和軟闊4個樹種組,根據已發表的生物量模型[18- 20]進行樣地內單株地上部分生物量計算。如果樣地含有毛竹,毛竹生物量根據文獻[21]的毛竹單株生物量模型計算。單木碳儲量由單木生物量乘以碳儲量轉換系數0.5[22]得到,最后累加求得樣地碳儲量。結合樣地碳儲量與遙感因子利用神經網絡和空間仿真方法來估計研究區森林地上部分碳儲量及其碳密度。

表1 樣地數據統計

1.2.2 遙感數據

遙感數據選用2009年龍泉市全境Landsat TM影像數據,由119/40和119/41兩景組成。并對其進行了幾何校正和輻射校正,總誤差小于一個像元。對于用于建模的遙感因子,通過ArcGIS提取樣地所對應的遙感圖像6個波段灰度值、相關植被指數以及其它波段組合等遙感變量。通過分析比較各樣地碳密度與對應遙感變量之間的相關性,選取其中與碳密度相關性較大的遙感變量進行碳儲量的估算。主要遙感變量與森林碳密度之間的關系見表2。

表2 主要遙感變量與碳密度之間的相關性

TM1: TM影像第1波段，TM2: TM影像第2波段，TM3: TM影像第3波段，TM4: TM影像第4波段，TM5: TM影像第5波段，TM7:TM影像第7波段NDVI：歸一化植被指數Normalized Difference Vegetation Index，MSAVI： 修正土壤調整植被指數Modified Soil Adjusted Vegetation Index，RSR：簡化比率指數Reduced Simple Ratio，TM5+TM7為TM影像第5波段與第7波段的和，TM4/TM5為TM影像第4波段與第5波段的比值;**表示在0.01水平上顯著

2 研究方法

2.1 BP神經網絡仿真建模

BP神經網絡是1種多層前饋神經網絡,該網絡的主要特點是信號前向傳遞,誤差反向傳遞。主要由3部分組成：輸入層、隱含層、輸出層。隱含層可以分為一層或多層,一個包含兩層隱含層的BP神經網絡的拓撲結構如圖1所示[23]。

圖1 人工神經網絡模型結構圖Fig.1 Schematic diagram of BPNN

BP網絡模型處理信息的基本原理是：輸入信號通過隱層節點作用于輸出層節點,經過非線形變換,產生輸出信號,網絡訓練的每個樣本包括輸入向量P和期望輸出量Y,網絡輸出值A與期望輸出值Y之間的偏差,通過調整輸入節點與隱層節點的聯接強度取值和隱層節點與輸出節點之間的聯接強度以及閾值,使誤差沿梯度方向下降,經過反復學習訓練,確定與最小誤差相對應的網絡參數(權值和閾值),訓練即告停止。此時經過訓練的神經網絡即能對類似樣本的輸入信息,自行處理輸出誤差最小的經過非線形轉換的信息。

設一個三層BP神經網絡,輸入節點xi；隱含節點yi,輸出節點zk,輸入節點與隱含層節點的網絡權值為wij,隱含層節點與輸出節點的網絡權值為wij,當輸出節點的期望輸出為tl時,BP模型的計算公式如下

隱含層節點的輸出

yj=f(∑wijxi-θj)

(1)

輸出節點的計算輸出為

(2)

輸出節點的誤差計算公式為：

(3)

2.2 序列高斯協同仿真

為了得到研究區碳密度分布圖,采用基于地統計學的序列高斯協同仿真模擬來進行仿真。該方法通過將研究區劃分成塊的方法進行仿真并假設每個單元的估計值是一個隨機函數在該位置的隨機變量Z(u)的實現,其概率分布假定為正態分布,并由該點周圍的樣地數據確定。地統計學中,半方差函數用來描述隨機函數空間關系,相交的半方差函數可以度量兩個隨機函數相互的空間相關關系。設變量Z為森林碳儲量,則Z(u)為定義在二維空間u處的隨機函數,其半方差函數γZZ(h)、空間協方差CZZ(h)通過關于距離h的方程式進行計算：

(4)

(5)

式中，α是變程范圍內第α個樣本；相距h的兩個樣本稱為一個樣本對；N為變程范圍內樣本對的數量；為了區分樣本對中的兩個樣本數據,分別稱為頭和尾,m-h和m+h分別為若干個樣本對的尾和頭數據的平均值。

采用序列高斯協同仿真模擬時,需要由一個統計平均數和方差來確定特定的概率密度函數,而這個統計平均數和方差可以用同位協同簡單克里格估計來獲得。

(6)

(7)

由平均數和方差確定的密度函數f[z(u)]可以用下式表示：

(8)

概率密度函數積分得到其條件累積分布,并假定這個分布符合正態分布,該分布中隨機抽取一個數作為待估位置u處的模擬實現。本文選取與碳儲量相關性最高的TM5參與仿真模擬。在仿真過程中,樣本半方差可以用下式模擬：

(9)

式中,c0為塊金值,c1為結構參數,a為變程,h為距離。

2.3 模型精度驗證

為了檢驗兩種模型的精度,本研究選取70個樣地數據(建模樣本)用來建模,剩余29個樣地數據(檢驗樣本)用來檢驗模型精度,兩種方法兩組數據保持一致。兩組數據的統計見表3。

表3 建模數據和檢驗數據的基本統計

模型確定后,以決定系數(R2)、均方根誤差(RMSE)以及相對均方根誤差(RRMSE)對模型擬合精度進行評價。

3 結果與分析

3.1 模型的確定

3.1.1 BP神經網絡建模

Funahashi[24]指出單隱含層 BP神經網絡模型能夠以任意精度逼近任意函數。鑒于本研究輸入輸出因子相對簡單,選取單隱含層進行模型構建。利用matlab2010b神經網絡工具箱及相關程序,以樣地所在位置對應的6個波段信息及相關性較高的MSAVI、RSR、TM5+TM7經歸一化處理后作為輸入層,通過多次訓練并調整神經網絡目標誤差以及隱含層神經元個數,從而選取較為理想的模型來估算研究區森林碳儲量,最后對神經網絡輸出結果進行反歸一化得到森林碳儲量的預測值。用前面提到的檢驗樣本數據集檢驗樣地位置的估計值與實測值的吻合程度。計算可知,檢驗樣本預測值與實測值的相關性為0.67,決定系數(R2)為0.45,均方根誤差(RMSE)為20.42 Mg/hm2,相對均方根誤差(RRMSE)為0.63。其中建模數據與檢驗數據的預測值基本統計見表4。

表4 建模數據和檢驗數據預測值基本統計

3.1.2 半方差函數擬合

在進行半方差函數擬合時,通過反復調節塊金值、基臺值以及變程3個參數來選擇較好的組合。當塊金值為0.35,基臺值為0.65,變程為7560時達到最優值。此時半方差函數為：

式中,h為距離,rsph(h)為標準半方差。仿真完成后,提取檢驗樣本所對應的像元值對仿真結果進行精度驗證。計算可知,預測值與實測值的相關性為0.68,決定系數(R2)為0.47,均方根誤差(RMSE)為20.04 Mg/hm2,相對均方根誤差(RRMSE)0.63。建模數據與檢驗數據的預測值基本統計見表5。

表5 建模數據和檢驗數據預測值基本統計

3.2 模擬結果

從統計特征來看,基于BP神經網絡模擬的森林平均碳密度為36.10 Mg/hm2,碳密度最大值為130.92 Mg/hm2,最小值為-107.33 Mg/hm2,碳總量為11042990 Mg,標準差為20.09 Mg/hm2。基于空間仿真模擬的森林平均碳密度為37.23 Mg/hm2,碳密度最大值為116.78 Mg/hm2,最小值為0.18 Mg/hm2,碳總量為11388657 Mg,標準差為19.35 Mg/hm2。

在森林碳分布方面,由于神經網絡方法估測結果含有部分負值,與實際值不相符,而且由于負值的存在使得森林碳分布表現不明顯。因此在制作森林碳分布圖時,本研究將小于0的值賦值為0。圖2為兩種方法估測的碳密度分布圖。從碳分布來看,基于空間仿真模擬的森林碳儲量較高的區域主要分布在研究區南部,西北部以及北部。基于神經網絡模擬的森林碳儲量較高的區域主要分布在研究區東南部和西北部,整體上呈現出南北高中部低的趨勢。與神經網絡方法相比,基于空間仿真方法估算的森林碳儲量在分布上相對分散,未表現出明顯的南北多中間少的趨勢。兩者相差較大的地區在東南部,基于神經網絡估測的碳密度要高于空間仿真方法。

圖2 基于神經網絡方法(BPMN)與空間仿真方法(SGCS)的森林碳密度分布圖Fig.2 Estimated map of carbon density based on BPNN and SGCS

3.3 結果分析

為了對比兩種方法的估測精度,可將兩種方法的估測結果與抽樣統計估計結果對比,結果見表6。表6顯示,兩種方法估測的碳總量要高于系統抽樣估計結果,但神經網絡方法估測的碳總量更接近抽樣估計結果。與抽樣估計結果相比,基于空間仿真方法估計的碳總量要高9.40%；基于BP神經網絡估計的碳總量要高8.82%。兩種方法相比,BP神經網絡方法估算的平均碳密度要低1.13 Mg/hm2,最大碳密度高14.41 Mg/hm2,最小碳密度低107.51 Mg/hm2。兩種方法最小值相差較大是因為神經網絡方法在建設用地、水體等區域碳密度估算存在過度擬合的現象,使得估測值為負值。

判斷估測精度的另一種方法,是將估計結果與樣地實測值進行比較。將全部樣地實測數據與碳分布圖疊加得到森林碳密度對比圖(圖3)。從圖3可以看出,兩種方法均可以在一定程度體現森林碳密度的空間分布格局。但神經網絡方法在東南部森林碳密度估測值要高于樣地實測值,與實測樣地差距較大。這可能是由神經網絡算法本身的固有缺陷造成,本研究采用BP算法來訓練神經網絡,該算法在預測過程中易陷入局部最優,從而導致了部分區域模擬結果偏高[15]。

表6 2種估計結果與樣地數據統計結果比較

SGCS：高斯序列協同仿真Sequential Gaussian co-simulation；BPNN：BP神經網絡Error back-propagation neural network

為了更準確地體現兩種方法與樣地實測值的一致性,提取全部樣地所在像元的預測值,通過對比分析從數值上來體現兩種方法與實測值的差異。從兩種方法估計結果中分別提取與地面樣地位置對應像元的碳密度估計結果,以地面樣地數據為真值,分別就兩種方法的估計結果進行比較。圖4為兩種方法碳密度估測值與實測值的關系圖。圖中顯示,基于空間仿真估測的結果與樣地實測數據的擬合程度較好,相關性達到0.75,R2= 0.56。而基于神經網絡估測的結果與樣地實測數據的相關性為0.63,R2= 0.39。圖5為兩種方法森林碳密度預測誤差曲線圖,顯示空間仿真方法的估算結果與實際值更相符,最小絕對差值為0.07 Mg/hm2,最大絕對差值為52.78 Mg/hm2,均方根誤差為14.23 Mg/hm2。基于神經網絡方法的最小絕對差值為0.29 Mg/hm2,最大絕對差值為63.01 Mg/hm2,均方根誤差為22.59 Mg/hm2。由此可見,空間仿真方法對于樣地位置的估算結果與實測值更接近,更能表現森林碳密度的分布。

圖3 基于神經網絡方法(BPNN)和空間仿真方法(SGCS)模擬森林碳密度與樣地實測值比較Fig.3 Forest carbon density from SGCS and BPNN compared with the plot data

圖4 兩種方法森林碳密度預測值與實測值的關系Fig.4 The relationship between the predicted values and measured values of forest carbon density

以上分析僅對樣地實測數據與預測數據進行了對比分析,不能從全部像元值上體現兩種方法估測結果的差異。表6顯示,BP神經網絡含有部分負值,但碳總量卻與空間仿真方法相差不多。這可能與兩種方法估測值的頻率分布有關,頻率分布曲線和累積頻率分布曲線在揭示各值頻率分布上具有明顯優勢。圖6和圖7分別為兩種方法預測值的頻率分布曲線和累積頻率分布曲線。由圖6和圖7可見,兩種方法頻率較高的值都集中在20—40 Mg/hm2的值域范圍內,累積頻率都為40%。在此值域范圍內神經網絡平均值為29.43 Mg/hm2,空間仿真方平均值為29.73 Mg/hm2。與空間仿真方法相比,BP神經網絡在40—70 Mg/hm2之間有一個明顯的突起,在此值域范圍內累積頻率百分比為31.5%,均值為53.13 Mg/hm2,而空間仿真方法頻率百分比為34.5%,均值為51.09 Mg/hm2,BP神經網絡在此值域的頻率分布低于空間仿真方法但均值高于空間仿真方法。兩種方法在大于70 Mg/hm2的值相對較少,累積頻率百分比分別為5.88%和7.2%,神經網絡方法也低于空間仿真方法。由此可見,神經網絡方法在估算森林碳密度時,低值的估計要多于空間仿真方法,再加上神經網絡方法含有部分負值(所占比例為2.23%),使得神經網絡方法估算得的碳總量要低于空間仿真方法,也使得神經網絡估計的碳總量更接近抽樣估計值。但空間仿真方法值域分布更為合理,極值與樣地數據更接近,而且估計結果沒有負值。

圖5 兩種方法森林碳密度預測誤差曲線Fig.5 Deviation curves of forest carbon by SGCS and BPNN

圖6 神經網絡方法估測值頻率分布圖與累積頻率圖分布圖Fig.6 Frequency and cumulative frequency of BPNN

圖7 空間仿真方法估測值頻率分布圖與累積頻率圖分布圖Fig.7 Frequency and cumulative frequency of SGCS

為了體現兩種方法在碳密度分布上的差異,將兩種方法估測結果進行差值運算,圖8為空間仿真結果減去BP神經網絡模擬結果得到的碳密度差值圖,該圖由兩種方法對應像元位置的森林碳密度估計值相減得到。由圖8可知,空間仿真方法在森林碳密度較高的區域要高于神經網絡方法,在研究區東南部卻低于神經網絡方法。通過前面分析可知,空間仿真方法與樣地實測值更接近,更能表示研究區真實的碳分布。若以空間仿真方法為標準,說明BP神經網絡方法低估了森林碳密度較高區域的值,高估了部分森林碳密度較低的值。在像元尺度上對差值圖進行統計分析可得,兩種方法估測結果最大差值為89.68 Mg/hm2,最小差值為-74.39 Mg/hm2,均值為1.25 Mg/hm2,標準差18.09。說明兩種方法總體上差距不大,但正負方向上的極值差距較大。由差值頻率分布圖和累積頻率分布圖(圖9)可知,兩種方法估算結果的差值基本以0為對稱軸呈左右分布,值域在-40—40 Mg/hm2的范圍內,而那些差值較大的點,只是個別像元的影響。

圖8 空間仿真模擬與BP神經網絡碳密度差值圖Fig.8 Carbon density difference from SGCS and BPNN

圖9 兩種方法預測結果差值頻率分布圖和累積頻率分布圖Fig.9 Frequency and cumulative frequency of difference

4 結論與討論

本研究基于BP神經網絡方法和空間仿真模擬法對龍泉市森林碳儲量及碳分布進行了估算,并對兩種方法進行了對比分析。通過對比分析可知空間仿真模擬和神經網絡方法在碳總量上與抽樣數據估計結果相差不多,BP神經網絡方法估算的森林碳總量更接近抽樣估計結果,但在值域分布上空間仿真方法更合理。兩種方法在森林碳分布上相差較大,空間仿真方法與實測值更接近,更能反映真實的碳分布。這主要是因為空間仿真模擬是基于圖像的地統計條件模擬技術,以區域化變量理論為基礎,通過量化隨機函數的空間關系,得到其條件累積分布函數進而取得區域碳密度。它追求的是森林碳儲量分布的真實性,盡可能的接近碳分布的真實情況。而BP神經網絡在進行網絡訓練時追求的是誤差最小,并沒有考慮到變量間的空間關系,在反應局部特征上可能會有一定的差異。

利用神經網絡模型模擬森林碳儲量分布已有相關學者進行了研究,但是,目前的研究內容主要是生物量建模[6,25],關于碳分布的研究區域主要為林場、濕地等小區域[26-28],對于縣級以上碳分布還少有研究[15]。小區域森林碳估算,由于研究區用地類型單一,植被類型簡單,測結果較為精確,如翟曉江等[29]利用神經網絡方法對黃龍山林區森林生物量進行可估算預測精度達到87.49%,相關性達到0.738；李丹丹等[26]利用BP神經網絡建立了旺業甸林場森林生物量模型仿真檢驗結果的平均相對誤差為15.7%,相對系數達0.8022。大區域森林碳估算時,土地覆蓋與土地利用類型的多樣性以及植被的復雜性會對估算精度有一定的影響,沒有小區域森林碳估算精度高,汪少華等[15]利用BP神經網絡方法估算了臨安市森林碳儲量,檢驗樣本與實測值得相關性為0.61,決定系數為0.37；陳蜀蓉等[30]利用Erf-BP神經網絡對縉云縣公益林森林生物量進行了估算,預測數據的決定系數為0.513。此外,Cutler等[31]利用多源遙感數據估算了3個不同研究區的森林地上部分生物量。研究表明,只使用單一研究區數據進行生物量估算,預測值與實測值的相關性在0.79以上。若將3個研究區數據結合使用,相關性僅為0.55,因此不同研究區間的差異也會對生物量估測精度產生一定的影響。

與空間仿真方法相比,神經網絡方法仿真得出的森林碳密度較高的區域較多,部分地區碳密度預測值小于0。這可能由2方面的原因造成：第一,神經網絡本身的缺陷,使用誤差反向傳播算法來訓練神經網絡,容易使訓練結果陷入局部最優,從而導致了部分區域模擬結果與實際值不相符。第二,本文所使用的有效樣地數僅為99個,研究指出如果森林生物量建模野外實測數據的分布和代表性不足,對應用神經網絡估算森林碳密度的估算精度有一定影響[32],再加上神經網絡外延性較差[33],因此對于缺少樣地信息的河流等區域的預測能力較差,使預測值與實際值差別較大。

[1] Dixon R K, Solomon A M, Brown S, Houghton R A, Trexler M C, Wisniewski J. Carbon pools and flux of global forest ecosystems. Science, 1994, 263(5144): 185- 190.

[2] Bousquet P, Peylin P, Ciais P, Le Quéré C, Friedlingstein P, Tans P P. Regional changes in carbon dioxide fluxes of land and oceans since 1980. Science, 2000, 290(5495): 1342- 1347.

[3] Tans P P, Fung I Y, Takahashi T. Observational constraints on the global atmospheric CO2budget. Science, 1990, 247(4949): 1431- 1438.

[4] 蔣蕊竹, 李秀啟, 朱永安, 張治國. 基于MODIS黃河三角洲濕地NPP與NDVI相關性的時空變化特征. 生態學報, 2011, 31(22): 6708- 6716.

[5] 王長委, 胡月明, 沈德才, 黃勝利, 朱劍云, 王璐. 基于CBERS數據的亞熱帶森林地上碳儲量估算. 林業科學, 2014, 50(1): 88- 96.

[6] 王淑君, 管東生. 神經網絡模型森林生物量遙感估測方法的研究. 生態環境, 2007, 16(1): 108- 111.

[7] Foody G M, Cutler M E, McMorrow J, Pelz D, Tangki H, Boyd D S, Douglas I. Mapping the biomass of Bornean tropical rain forest from remotely sensed data. Global Ecology and Biogeography, 2001, 10(4): 379- 387.

[8] 耿君, 阮宏華, 涂麗麗, 吳國訓. 基于CASA模型的瓦屋山林場植被凈初級生產力估算. 林業科技開發, 2012, 26(3): 90- 96.

[9] Wang G X, Oyana T, Zhang M Z, Adu-Prah S, Zeng S Q, Lin H, Se J Y. Mapping and spatial uncertainty analysis of forest vegetation carbon by combining national forest inventory data and satellite images. Forest Ecology and Management, 2009, 258(7): 1275- 1283.

[10] 張茂震, 王廣興, 葛宏立, 徐麗華. 基于空間仿真的仙居縣森林碳分布估算. 林業科學, 2014, 50(11): 13- 22.

[11] 張超, 彭道黎. 基于PCA-RBF神經網絡的森林碳儲量遙感反演模型研究. 中國農業大學學報, 2012, 17(4): 148- 153.

[12] 沈希, 張茂震, 祁祥斌. 基于回歸與隨機模擬的區域森林碳分布估計方法比較. 林業科學, 2011, 47(6): 1- 8.

[13] Vahedi A A. Artificial neural network application in comparison with modeling allometric equations for predicting above-ground biomass in the Hyrcanian mixed-beech forests of Iran. Biomass and Bioenergy, 2016, 88: 66- 76.

[14] 范文義, 張海玉, 于穎, 毛學剛, 楊金明. 三種森林生物量估測模型的比較分析. 植物生態學報, 2011, 35(4): 402- 410.

[15] 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.

[16] 宰松梅, 郭冬冬, 韓啟彪, 溫季. 基于人工神經網絡理論的土壤水分預測研究. 中國農學通報, 2011, 27(8): 280- 283.

[17] 史舟, 李艷, 程街亮. 水稻土重金屬空間分布的隨機模擬和不確定評價. 環境科學, 2007, 28(1): 209- 214.

[18] 國家林業局森林資源管理司. LY/T 2263—2014 立木生物量模型及碳計量參數—馬尾松. 北京: 中國標準出版社, 2014.

[19] 國家林業局森林資源管理司. LY/T 2264—2014 立木生物量模型及碳計量參數—杉木. 北京: 中國標準出版社, 2014.

[20] 沈楚楚. 浙江省主要樹種(組)生物量轉換因子研究[D]. 杭州: 浙江農林大學, 2013: 3- 3.

[21] 陳輝, 洪偉, 蘭斌, 鄭郁善, 何東進. 閩北毛竹生物量與生產力的研究. 林業科學, 1998, 34(S1): 60- 64.

[22] 王效科, 馮宗煒, 歐陽志云. 中國森林生態系統的植物碳儲量和碳密度研究. 應用生態學報, 2001, 12(1): 13- 16.

[23] 聞新, 李新, 張興旺. 應用MATLAB實現神經網絡. 北京: 國防工業出版社, 2015: 95- 105.

[24] Funahash K I. On the approximate realization of continuous mappings by neural networks. Neural Networks, 1989, 2(3): 183- 192.

[25] 王軼夫, 孫玉軍, 郭孝玉. 基于BP神經網絡的馬尾松立木生物量模型研究. 北京林業大學學報, 2013, 35(2): 17- 21.

[26] 李丹丹, 馮仲科, 汪笑安, 張凝, 張巍巍. BP神經網絡反演森林生物量模型研究. 林業調查規劃, 2013, 38(1): 5- 8.

[27] 王立海, 邢艷秋. 基于人工神經網絡的天然林生物量遙感估測. 應用生態學報, 2008, 19(2): 261- 266.

[28] Ingram J C, Dawson T P, Whittaker R J. Mapping tropical forest structure in southeastern Madagascar using remote sensing and artificial neural networks. Remote Sensing of Environment, 2005, 94(4): 491- 507.

[29] 翟曉江, 郝紅科, 麻坤, 李鵬, 楊延征. 基于TM的陜北黃龍山森林生物量模型. 西北林學院學報, 2014, 29(1): 41- 45.

[30] 陳蜀蓉, 張超, 鄭超超, 張偉, 伊力塔, 余樹全. 公益林生物量估算方法研究——以浙江省縉云縣公益林為例. 浙江林業科技, 2015, 35(5): 20- 28.

[31] Cutler M E J, Boyd D S, Foody G M, Vetrivel A. Estimating tropical forest biomass with a combination of SAR image texture and Landsat TM data: an assessment of predictions between regions. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 70: 66- 77.

[32] 許等平, 李暉, 智長貴, 韓愛惠. 基于CEBERS-WFI遙感數據的森林生物量估測方法研究. 林業資源管理, 2010, (3): 104- 109.

[33] 陳文烯. 基于遙感數據的森林生物量測定理論與方法. 亞熱帶水土保持, 2013, 25(2): 41- 43, 55- 55.

Comparison of regional forest carbon estimation methods based on back-propagation neural network and spatial simulation: A case study in Longquan County

QIN Lihou1,2, ZHANG Maozhen1,2,*, YUAN Zhenhua1,2, YANG Haibin1,2

1ZhejiangProvincialKeyLaboratoryofCarbonCyclinginForestEcosystemsandCarbonSequestration,ZhejiangAgriculture&ForestryUniversity,Lin′an311300,China2SchoolofEnvironmental&ResourceSciences,ZhejiangAgriculture&ForestryUniversity,Lin′an311300,China

Quantifying the carbon stocks of forest is critical for understanding the dynamics of carbon fluxes in terrestrial ecosystems and the atmosphere as well as monitoring ecosystem responses to environmental changes. However, due to the lack of methods and data, results of forest carbon estimation from different studies shown large difference, which presents a great uncertainty in the evaluation of forest carbon sink. Different methods can be used to estimate the carbon storage in the same study area, which can be compared with the advantages and disadvantages of each method and provides guidance for forest carbon estimation. On the basis of National Forest Inventory (NFI) data and the Land-sat TM image data collected in Longquan County, Zhejiang Province in 2009, we applied two methods, namely error back-propagation neural network (BPNN) and sequential Gaussian co-simulation (SGCS) to reproduce the distribution of above-ground forest carbon. We randomly divided plots into two sets, a 70-plot set for modeling and a 29-plot set for testing. For the model test, the correlation coefficient of predictive value and the plot data was 0.67 and 0.68 for BPNN and SGCS, respectively. Both of the two methods have the same RRMSE value (0.63). The predictive ability of SGCS was slightly higher than that of BPNN. The estimation results using BPNN showed that the sum of above-ground carbon is 11042990 Mg and the mean carbon density was 36.10 Mg/hm2which was higher than the average from the sample plots with a relative error of 8.82%. The SGCS showed that the sum of above-ground carbon was 11388657 Mg with a mean carbon density 37.23 Mg/hm2which was higher than the average from the sample plots with a relative error of 9.4%. Comparative analysis showed the carbon densities estimated using these two methods are both close to that calculated from the NFI data. However, there were some differences between the two methods with respect to the estimation of the frequency distribution and the carbon distribution in the study area. Predictive value of sample plot obtained using the SGCS method was closer to the plot data value than that obtained using the BPNN. And the correlation between predictive value and the plot data was 0.75, which proved that there were obvious advantages in estimating the spatial distribution of forest carbon. In addition, in terms of carbon density range and frequency distribution, SGCS was more reliable. This study further verifies the effectiveness of the SGSC which could provide effective methods for the estimation of regional forest carbon storage.

forest carbon storage; sequential Gaussian co-simulation; back-propagation neural network; National Forest Inventory; TM image

國家自然科學基金項目(30972360,41201563); 浙江農林大學農林碳匯與生態環境修復研究中心預研基金; 浙江省林業碳匯與計量創新團隊項目(2012R10030-01); 浙江省林學一級重中之重學科學生創新計劃項目資助(201515)

2016- 03- 01; 網絡出版日期:2017- 02- 17

10.5846/stxb201603010352

*通訊作者Corresponding author.E-mail: zhangmaozhen@163.com

秦立厚,張茂震,袁振花,楊海賓.基于人工神經網絡與空間仿真模擬的區域森林碳估算比較——以龍泉市為例.生態學報,2017,37(10):3459- 3470.Qin L H, Zhang M Z, Yuan Z H, Yang H B.Comparison of regional forest carbon estimation methods based on back-propagation neural network and spatial simulation: A case study in Longquan County.Acta Ecologica Sinica,2017,37(10):3459- 3470.