基于Landsat影像的梭磨鄉冷杉林地上碳儲量估測及其時空動態

烏迪, 巫明焱, 陳佳麗, 董光, 程武學,*

?

基于Landsat影像的梭磨鄉冷杉林地上碳儲量估測及其時空動態

烏迪1,2, 巫明焱1,2, 陳佳麗1,2, 董光1,2, 程武學1,2,*

1. 四川師范大學地理與資源科學學院中心實驗室, 成都 610101 2. 四川師范大學西南土地資源評價與監測教育部重點實驗室, 成都 610068

森林碳儲量研究對森林質量評價、林業資源科學管理及森林生態結構保護具有重要意義。以四川省馬爾康縣梭磨鄉冷杉林為研究對象, 以2010年森林資源調查實測數據和同年Landsat遙感影像數據為基礎, 采用逐步線性回歸方法, 構建2010年地面冷杉林地上碳儲量和遙感因子的多元線性回歸模型。然后, 基于偽不變特征原理的相對輻射校正法計算2010年冷杉林地上碳儲量估測模型與1995年、2000年、2005年和2015年四期影像數據的相關關系, 分別估測了1995年、2000年、2005年、2010年和2015年研究區冷杉林地上碳儲量, 從而揭示出近20年來馬爾康縣梭磨鄉冷杉林地上碳儲量的時空動態變化特征。研究結果表明: 從空間分布看, 研究區冷杉林地上碳儲量主要分布在貫穿全區東西方向且海拔3000—4000 米的區域; 從時間分布看, 1995—2015年間, 研究區冷杉林地上碳儲量總量和碳密度呈持續上升趨勢, 森林碳儲量結構處于良性發展階段。該研究結果對高山峽谷地區森林碳儲量的后續研究有一定參考價值。

Landsat影像; 碳儲量; 生物量; 冷杉; 多元回歸; 時空動態

0 前言

森林碳儲量的研究起始于1876年Ebermeryer對森林樹種不同部位重量的測定[1]。從20世紀50年代開始, 森林碳儲量的研究逐漸開始受到關注, 如日本、美國等[2-3]。到20世紀70年代, 全球碳循環的研究引起人類的普遍關注[4]。中國在森林碳儲量研究領域起步相對較晚, 起始于20世紀70年代后期, 李克讓與陳冠雄共同完成的土壤利用的改變與主要溫室氣體凈排放和對策研究, 為我國森林碳儲量研究打下基礎[5]。后來, 方精云等建立了我國主要森林類型的林木蓄積量與生物量之間的相關式, 提高了我國森林碳儲量的估算精度[6]。近年, 李雷達等結合材積源生物量法估算了湖南省現有森林植被碳儲量、碳密度及其區域空間分布格局, 表明我國森林碳儲量的相關研究已比較廣泛[7]。

縱觀現有研究, 空間研究尺度單一、估算精度有待提高、多源數據需標準化等碳儲量研究的現實問題還需進一步完善解決[8]。隨遙感技術的不斷成熟, 特別是Landsat衛星數據獨特的優勢以及其與森林碳儲量之間存在相關性[9], 使其作為一種新興手段, 高效獲取多種環境因子信息, 進而估算森林植被碳儲量比傳統方法對森林碳儲量估測更加優越[10]。本文擬采用2010年森林資源調查實測數據和同年Landsat遙感影像數據, 采用逐步線性回歸方法, 構建地面冷杉林碳儲量和遙感因子的多元線性回歸模型, 并依據偽不變特征原理的相對輻射校正法, 以建立的2010年的模型推演1995年、2000年、2005年和2015年的研究區冷杉林地上碳儲量, 并研究其時空變化特征。研究有助于推進遙感數據在森林信息提取和冷杉遙感定量估測方面應用的深度和廣度, 提高遙感數據的應用價值; 更有利于管控和維持林區良好的自然環境, 保護森林生態結構, 對社會的可持續發展有著重要的理論和現實意義[11]。

1 研究區概況

梭磨鄉地處青藏高原南緣, 四川盆地西北部, 阿壩州南部, 馬爾康縣境東南端, 介于102°21′E—102°40′E和31°35′N—32°07′N之間(圖1)。海拔2900—5500 m, 面積約為1093 km2, 人口約0.2萬。其氣候屬低緯度、高海拔的高原大陸季風氣候與高山峽谷立體氣候, 冬干夏濕、雨熱同季、四季不分明, 大部分地區無夏季, 日照充足、晝夜溫差大。年均氣溫8—9 ℃, 年降水量753 mm, 年均日照2000 h以上, 絕對無霜期120 d。空氣質量達到中國Ⅰ級標準。全鄉地處深山峽谷區, 群山環抱, 植被分布廣泛, 可分為闊葉林、針葉林、箭竹林、灌叢、草甸及流石灘植被等六大類型。其中, 冷杉、云杉、落葉松以及樺、高山櫟等分布較廣。天然林場和原始森林林區主要分布于海拔2400—4000 m之間, 以亞高山暗針葉林為主, 優勢樹種為岷江冷杉。林區植被垂直地帶性明顯, 類型和生境隨海拔變化及坡向不同而分異, 海拔在4000 m以上多為牧草。梭磨鄉境內植被資源豐富, 是大渡河上游重要的生態屏障[12]。

2 研究數據與研究方法

2.1 研究數據

研究區矢量數據主要是矢量行政邊界, 數據來源于研究區林業部門; 柵格數據是1995年、2000年、2005年、2010年及2015年8月的五期Landsat衛星影像和SRTM1 30米DEM數據, 數據來源于美國衛星遙感數據網站USGS(https: //glovis.usgs.gov/); 樣地數據主要是實地調查采樣收集及2010年梭磨鄉冷杉林業小班數據。實測數據主要在研究區1: 5萬地形圖上以1000 m×1000 m進行系統樣點布設[13], 共滿幅均勻布設117個面積為30 m×30 m的樣地。在保證優選樣地空間位置分布均勻的條件下, 遵從隨機抽樣原則, 從中篩選出地表覆蓋均質、林分未經間伐、生長正常并具有代表性的90個樣地作為研究樣本。依據滿足建模與精度檢驗需要的3: 1比例將90塊樣地分為兩組, 前者共68塊樣地, 用于建立模型; 后者共22塊樣地, 用于驗證模型精度。

圖1 梭磨鄉地理位置圖

Figure 1 The geographical location of Suomo township

2.2 研究處理與因子提取

2.2.1 遙感數據預處理

以2010年已校正的Landsat影像產品為參照, 選取地面控制點, 用二次多項式模型, 對其余四期Landsat待校正影像進行幾何精校正, 使像元誤差保持在一個像元范圍內, 以滿足研究需要。接著, 對幾何精校正后的影像進行地形校正, 用來消除地形起伏給傳感器接受信號所帶來的影響。然后對上步結果進行輻射定標, 使原始像元值轉化為輻射亮度值(Radiance), 單位: μW·cm-2·sr·nm。再對結果進行FLAASH大氣校正。由圖2表明: FLAASH大氣校正有效的修正了影像因大氣而造成的輻射誤差, 使校正過的數據更趨近于真實植被波譜曲線特征。

最后, 疊加大氣校正后的Landsat遙感影像與研究區矢量邊界, 對Landsat遙感影像和DEM數據進行研究區裁剪。

2.2.2 冷杉林地上生物量建模相關因子選取

影響植被生長的因素復雜多樣, 參考生物量相關定量遙感研究[14], 本文共選取三類相關性顯著且信息獨立性好的建模因子。即: 遙感影像7個波段(藍波段、綠波段、紅波段、近紅外波段、短波紅外1波段、長波紅外波段、短波紅外2波段); 7個植被指數(比值植被指數: RVI、差值植被指數: DVI、歸一化植被指數: NDVI、綠度植被指數: GVI、亮度植被指數: BVI、濕度植被指數: WBI、中紅外植被指數: VI3), 其計算公式見表1; 3個地學因子(坡度、坡向、海拔), 由DEM數據生成; 3個生長因子(郁閉度、蓋度、林齡), 由地面實測林業小班數據獲得。再使用ArcGIS軟件的“提取至點”工具, 針對90個有效樣地, 分別提取上述20個建模所需相關因子信息。研究區建模樣本的基本統計量見表2。

注: 前圖縱坐標為大氣校正前的原始圖像像元DN值(無量綱), 橫坐標為波長(單位: μm); 后圖縱坐標是大氣校正后的地表反射率值, 橫坐標為波長(單位: μm)

Figure 2 The original image, vegetation pop curve and FLASSH vegetation image after atmospheric correction

表1 植被指數計算公式

2.3 碳儲量研究方法

選取野外樣地實測的梭磨鄉冷杉植株的胸徑和樹高等信息, 以二元材積表為依據, 計算冷杉植株的材積, 其公式[15]為:

G= C0×DC1×HC2

式中G為材積(m3); D為平均胸徑(cm); H為樹高(m); C0為0.0000711712520; C1為1.9327326; C2為0.91161229。

在計算冷杉材積的基礎上, 進而來求得樣地冷杉的蓄積量, 然后利用材積源生物量法, 選取適合本地區的蓄積—生物量模型, 計算出樣地冷杉的生物量[16]。

W=2.137×V0.7532

式中: W為生物量(t·hm-2); V為蓄積量(m3·hm-2)。

通過資料查找, 研究區冷杉生物量和碳儲量之間的轉換系數為50.50%[12], 以此計算出樣地區森林植被的碳儲量。再依據樣地相關因子與碳儲量的相關性, 建立多元線性回歸模型, 實現整個研究區森林植被碳儲量的估算。最后, 再基于偽不變特征原理的相對輻射校正法計算2010年梭磨鄉冷杉林地上碳儲量估測模型與1995年、2000年、2005年和2015年四期影像數據的相關關系, 推演其他四個年份的冷杉林地上碳儲量估測模型, 實現研究區森林植被碳儲量的時空動態研究。

3 結果與分析

3.1 冷杉林地上碳儲量模型構建

3.1.1 因子相關性分析

以樣地生物量為因變量, 其它因子為自變量, 做雙變量相關性分析, 計算相關系數矩陣[17]。從分析結果中可得, 由Landsat遙感數據和實測數據提取的相關因子與生物量有很好的相關性。其中有B(藍光波段)、BVI、海拔、林齡和郁閉度等多個因子與生物量在0.01水平上呈現顯著相關, 說明各因子中包含了大量的植被生長信息(見表3)。

表2 研究區建模樣本的基本統計量

表3 因子與生物量相關性分析

*在0.05水平上顯著相關, **在0.01水平上顯著相關。

3.1.2 冷杉林地上碳儲量模型建立

在SPSS統計分析軟件中, 將120個相關因子, 作為多元線性回歸方程的自變量代入方程。利用逐步多元線性回歸方法對以上所有樣地數據進行回歸分析, 構建冷杉林地上生物量多元線性回歸模型[18], 再依據生物量與碳儲量的轉換系數, 獲得研究區冷杉林地上碳儲量估算模型:

C=2.754L+0.623F+0.362G—76.319B—33.010

式中: C為碳儲量(t·hm-2); L為林齡(a); F為植被蓋度(%); G為坡度(°); B為藍光波段地表反射率。

3.1.3 冷杉林地上碳儲量模型精度驗證

對梭磨鄉冷杉林地上碳儲量模型進行方差分析, 模型的R2值為0.837, 調整后的R2值為0.825。研究中的碳儲量和建模因子顯著相關, 所構建的模型具有統計學意義[19], 能較好的篩選出相關性因子, 并依據因子構建合適的碳儲量估算模型。

然后, 再對模型預測值與實測值進行配對樣本T檢驗, 結果表明: 模型預測值與實測值在0.01水平上顯著相關, 相關性達到0.869, 兩者之間差異性不顯著。說明模型擬合度較好, 在估測生物量時有著較高的可靠性, 見表4。

最后利用22個精度驗證樣地數據, 計算與該模型的擬合效果, 評價建立多元線性回歸模型的精度。結果表明生物量模型的預測值與實測值的擬合趨勢一致性較高(圖3), 擬合率滿足精度要求, 該估算模型的估測結果可信度較強。

3.2 冷杉林地上碳儲量反演

依據上述建立的2010年梭磨鄉冷杉林地上碳儲量估測模型, 使用基于偽不變特征原理的相對輻射校正法, 計算該估測模型與1995年、2000年、2005年和2015年四期影像的相關關系, 繼而求得這四個年份梭磨鄉冷杉林地上碳儲量估測模型。該方法主要通過對比多時相遙感影像上的不隨時間變化而改變的固定特征地物象元, 并對其進行回歸分析, 尋找模型間的相關關系。各年份相同自變量之間的回歸關系方程見表5。

上表公式中B2010為2010年樣地藍光波段表觀反射率值, B1995、B2000、B2005和B2015分別是1995年、2000年、2005年與2015年樣地藍光波段表觀反射率值。

表4 預測值&實測值配對T檢驗統計

圖3 模型預測值和實測值擬合圖

Figure 3 The fitting graph of predicted and measured values

表5 相同自變量之間的回歸關系方程

將上述回歸關系方程代入2010年梭磨鄉冷杉林地上碳儲量模型, 可獲得另外四個年份的梭磨鄉冷杉林地上碳儲量估算模型(表6)。

其中C1995、 C2000、C2005和 C2015分別是1995年、2000年、2005年與2015年梭磨鄉冷杉林地上碳儲量(t·hm-2); L為林齡(a); F為植被蓋度(%); G為坡度(°); B為藍光波段地表反射率。

3.3 1995—2015年梭磨鄉冷杉林地上碳儲量時空動態變化分析

3.3.1 1995—2015年梭磨鄉冷杉林地上碳儲量時間動態變化分析

通過構建的冷杉林地上碳儲量估算模型, 估算各年份冷杉林地上碳儲量, 結果表明: 梭磨鄉冷杉林地上碳儲量從1995年的591339.68 t增長至2015年的992845.88 t(圖4), 而平均碳密度由1995年的30.03 t·hm-2, 變化至2015年的50.41 t·hm-2。其冷杉林的碳儲量值呈持續增長狀態, 年均碳儲量增長20075.31 t。

分析1995年、2000年、2005年、2010年和2015年五年估測的地上碳儲總量和平均碳密度變化速率信息(圖5), 梭磨鄉冷杉林地上碳儲量增長量和平均碳密度增長量分別從1995年的81710.66 t和4.15 t·hm-2, 變為2015年的127728.91 t和6.49 t·hm-2。1995—2015年間的20年間的碳儲量增長量和碳密度增長量變化總趨勢均為: 整體增加, 局部呈現先上升, 后下降, 再上升的波動式狀態。

表6 1995、2000、2005與2015年的梭磨鄉冷杉林地上碳儲量模型

圖4 1995—2015年梭磨鄉冷杉林地上碳儲量變化

Figure 4 The changes of aboveground carbon storage of fir forest in Suomo township from 1995 to 2015

圖5 1995—2015年梭磨鄉冷杉林地上碳儲量增長量變化

Figure 5 The changes in growth quantity of aboveground carbon storage of fir forest in Suomo township from 1995 to 2015

把冷杉林碳儲量分為≤20、20—30、30—40、40—50和>50五個等級, 依次為低密度、較低密度、中等密度、較高密度和高密度。低密度和較低密度等級碳儲量冷杉林面積比重由1995年的46.25%下降到2015年的10.06%; 中密度等級碳儲量冷杉林面積由1995年的53.32%下降到2015年的31.28%; 較高密度和高密度等級碳儲量冷杉林面積由1995年的0.44%上升到2015年的58.66%。由此表明: 這 20年間, 受天然林保護和退耕還林政策影響, 且受外界干擾較小, 梭磨鄉較高密度和高密度冷杉林的面積比重不斷增加, 冷杉林碳儲量結構進入良性發展, 見表7。

3.3.2 1995—2015年梭磨鄉冷杉林地上碳儲量空間動態變化分析

森林碳儲量的空間動態變化受自然和人類活動的共同影響, 由于梭磨鄉人口密度小, 破壞性經濟開發活動較少。多年來, 當地保存了相對原始的森林群落結構。在水平空間上, 梭磨鄉冷杉林分布范圍穩定, 生長在河谷兩側。碳儲量分布區域大致以東西向貫穿梭磨鄉全境的梭磨河谷為中心, 并沿梭磨河各南北向支流河谷向上游延展。其整體依托梭磨河流域, 呈樹枝狀分布(圖6)。

表7 1995—2015年梭磨鄉冷杉林地上碳儲總量等級分布統計

為研究梭磨鄉冷杉林地上碳儲量在垂直空間上的分布變化特征, 把海拔劃分為≤3000、3000—3500、3500—4000、4000—4500和≥4500五個等級, 再將五期碳儲量分布圖與DEM進行疊加分析。結果表明: 梭磨鄉冷杉林地上碳儲量在垂直空間上呈現出整體分布一致, 中間大, 兩頭小的空間分布特征, 即: 梭磨鄉冷杉林地上碳儲量總體分布于海拔2900—5000 m之間的區域, 但主要集中分布于海拔3000—4000 m的范圍內, 而海拔在3000 m以下和4000 m以上的區域則相對分布較少。

對比20年梭磨鄉冷杉林地上碳儲量在垂直空間上隨時間變化的特征, 結果表明冷杉林碳儲量總量整體持續增長, 中間核心區持續上升, 邊緣區持續下降。即: 梭磨鄉冷杉林碳儲量在海拔2900—5000 m范圍內總量整體持續增長, 在海拔3000—4000 m的范圍內碳儲量持續增長, 而在海拔3000 m以下和海拔4000 m以上的區域碳儲量則呈多年連續下降趨勢。究其原因: 梭磨鄉的自然地理環境適宜冷杉的生長且實施了天然林保護等森林保護措施, 冷杉林地上碳儲量總量多年持續增長; 海拔3000—4000 m的核心區域, 森林植被群落完備使其結構穩定, 對外界干擾抵抗力較強, 此區域冷杉林長勢良好, 地上碳儲量持續增長; 3000 m以下的下邊緣區域, 受到人類活動影響較大, 地上碳儲量持續減少; 在海拔4000 m以上的上邊緣區域, 地上碳儲量也持續減少, 雖此區域人類活動較少, 但氣候變化會導致的冷杉林退化, 見表8。

圖6 1995—2015年碳儲量空間分布

Figure 6 The spatial distribution of carbon storage from 1995 to 2015

坡度的變化調控著物質和能量的分布, 控制了植被生長的水熱要素, 進而影響森林碳儲量。把梭磨鄉坡度劃分為平坡(≤5°)、緩坡(5—15°)、斜坡(15—25°)、陡坡(25—35°)、急坡(35—45°)和險坡(>45°)六個梯度, 再將五期碳儲量分布圖與DEM進行疊加分析。結果表明: 梭磨鄉冷杉林地上碳儲量在坡度45°內呈現出隨著坡度的上升而增加, 到45°后碳儲量呈現下降的空間分布特征。梭磨鄉冷杉林地上碳儲量在坡度3—88°的區域均有分布, 但相對集中分布于25—45°的坡度范圍內, 平均約占當年總碳儲量的69.04%, 而在坡度26°以下和45°以上的區域則相對分布較少, 平均約占當年總碳儲量的30.96%。

對比20年梭磨鄉冷杉林地上碳儲量在坡度上隨時間變化的特征, 結果表明冷杉林碳儲量整體持續增長, 碳儲量在小坡度區域受人類活動影響較為顯著, 而在大坡度區域與自然因素關系更為密切。即: 在坡度25—45°間碳儲量先略有增加, 隨后維持平穩; 在坡度大于45°時, 碳儲量變化不大, 但略有下降; 而坡度小于25°時, 碳儲量先減少后略有增加。探其原因: 梭磨鄉的自然地理環境適宜冷杉的生長且實施了天然林保護政策, 所以冷杉林地上碳儲量總量多年持續增長; 坡度為25—45°的高碳儲量區域, 由于坡度逐漸不適于人類的生產開發活動, 減少了對森林的人為擾動, 森林生長發育進入良性發展, 所以碳儲量在這個坡度區間上持續增長后日趨穩定。坡度在45°以上的區域, 由于坡度較大同樣不利于人類活動, 但其相對不穩定地表易產生更多的滑坡等自然災害, 所以碳儲量在這個坡度區間的積累受自然因素的干擾大于人為因素; 坡度在25°以下的區域, 受到人類活動影響較大, 但隨著近些年天然林保護和退耕還林等政策的實施以及公民環保意識的提升, 森林得到有效保護, 故碳儲量在這個坡度區間上先減少后略有增加, 見表9。

表8 1995—2015年梭磨鄉冷杉林地上碳儲量在不同海拔上的分布特征

表9 1995年—2015年梭磨鄉冷杉林地上碳儲量在不同坡度上的分布特征

4 討論

植被的碳儲量值是衡量地區生態環境質量的重要指標, 研究植被碳儲量對全球生態環境的保護意義重大。本文通過多元線性回歸方法構建冷杉林地上碳儲量模型, 并反演20年冷杉林地上碳儲量估算模型, 結果表明梭磨鄉冷杉林碳儲量呈現持續增長的狀態, 該結果與四川省森林碳儲量多年變化趨勢一致, 且在不同海拔、坡度的分布特征與已有學者的研究結論較一致[20]。說明本文構建的冷杉林地上碳儲量估算模型對高山峽谷區冷杉林碳儲量的估算結果較可靠; 大范圍大尺度的碳儲量研究為評價宏觀尺度下森林植被的生態價值提供了依據[21-22], 而小范圍碳儲量的研究估算的精度則更準確, 能更好的估算區域碳匯價值及其影響因素[23-24]。本文針對梭磨鄉特定冷杉樹種的研究, 為該區域冷杉林地上碳儲量估算建立了恰當的模型, 能較準確的反映高山峽谷地區該樹種的固碳能力, 并估算大渡河上游流域該類型樹種的碳匯價值, 對生態環境質量的評價具有重要意義。

在絕大多數的植被碳儲量遙感研究中, 紅光和近紅外波段對植被更為敏感。但在本研究中, 藍光波段卻是梭磨鄉冷杉林地上碳儲量估測模型的主導因素之一, 且排除了紅光波段和近紅外波段。經過查閱大量國內外相關資料發現, 在針葉林植被遙感中, 有多位研究者的研究結果中也得出了相似的結論, 即: 相對于針葉林的碳儲量估算模型來說, 紅光波段和近紅外波段并不一定占主導地位[25-26]。而這種情況是由于當地特殊地理環境造成的, 還是針葉林本身的葉片及生理結構造成的, 有待依據針葉林與Landsat遙感影像各波段之間相互作用的獨特機理進行深入研究。

氣象因子和土壤因子也會一定程度的影響森林碳儲量的分布與變化。由于本文缺乏研究區實測氣象數據和土壤數據, 使梭磨鄉冷杉林地上碳儲量估測研究局限于地表空間, 不能將研究空間延展到研究區森林生態系統的上層空間和下層空間, 實現對冷杉林地下碳儲量及冷杉林植被總碳儲量的完整估算是日后進一步研究的重點。

5 結論及建議

5.1 結論

依據Landsat影像數據和森林調查實測數據, 建立研究區冷杉林地上碳儲量估測模型, 精度達到86.9%, 可較準確的反映研究區冷杉林地上碳儲量時空動態變化特征。通過本文研究, 可得出以下結論:

(1)梭磨鄉冷杉林地上碳儲量的空間分布特征表現為: 在水平方向上, 碳儲量整體依托梭磨河流域, 東西貫穿梭磨鄉全境并向南北延伸, 呈樹枝狀分布。垂直方向上, 碳儲量主要集中分布于海拔3000—4000 m之間, 呈現出中間大, 兩頭小的空間分布特征; 從坡度特征角度看, 碳儲量集中分布于25—45°的坡度區間上, 坡度從0—45°區間碳儲量呈上升趨勢, 坡度在45°以上的區間碳儲量呈下降趨勢。

(2)梭磨鄉冷杉林地上碳儲量的時間變化特征表現為: 1995—2015年, 梭磨鄉冷杉林地上碳儲量總量和碳密度在時間上呈持續增長的特征。碳儲量增長速度整體略微下降, 局部呈現先上升, 后下降, 再上升的波動式狀態。在海拔特征上, 碳儲量總量整體持續增長, 中間核心區持續上升, 邊緣區持續下降; 從坡度特征角度看, 碳儲量總量整體持續增長, 其在小坡度區域受人類活動影響較為顯著, 而在大坡度區域則與自然因素關系更為密切。梭磨鄉冷杉林碳儲量結構發育趨向合理, 碳匯作用顯著, 其所蘊藏的經濟效益和生態價值巨大。

6.2 梭磨鄉冷杉林保護管理對策及建議

森林生態系統變遷的主要驅動力可分為兩大類: 自然驅動力和人為驅動力。從自然驅動力的角度看, 火災、干旱和病蟲害對當地冷杉林的影響較為顯著[27]。所以, 要積極研究當地冷杉林的特征特點, 加強上述自然災害的監測預報管理, 建立森林災害評估體系, 實施綜合防治, 提升當地冷杉林應對自然災害的應對能力。從人為驅動力的角度講, 人類的開發利用活動、經濟發展和政策因素對當地冷杉林的影響最為明顯。所以, 首先要協調好作為森林管理主體的政府、森林經營者和公眾的利益和訴求, 多元化共同參與以形成合力; 政府制定、完善并嚴格執行相關森林保護法律與政策, 森林經營者要充分了解當地森林特點后作出合理的開發經營決策, 公眾積極參與森林保護工作并享有相關權益; 制定科學的森林生態區劃, 劃分不同的功能區, 便于合理規劃開發; 加強森林保護政策宣傳, 提高公眾環保意識, 減少濫砍濫伐; 繼續推進各項林業生態保護工程建設, 保證當地冷杉林可持續經營。

[1] Ebermeryer E. Die gesammte Lehre der Waldstreu mit Rücksicht auf die chemische Statik des Waldbaues[M]. Berlin: J Springer, 1876: 116.

[2] Zianis D, Mencuccini M. Aboveground net primary productivity of a beech (Fagus moesiaca) forest: a case study of Naousa forest, northern Greece.[J]. Tree Physiology, 2005, 25(6):713-722.

[3] Birdsey R, Pregitzer K, Lucier A. Forest Carbon Management in the United States[J]. Journal of Environ-mental Quality, 2006, 35(4): 1461–1469.

[4] 陶玉華. 森林生態系統碳儲量研究的意義及國內外研究進展[J]. 現代農業科技, 2012, (9): 205–212.

[5] 韓愛惠. 森林生物量及碳儲量遙感監測方法研究[D]. 北京: 北京林業大學, 2009.

[6] 谷勇, 殷瑤, 齊泮倫, 等. 森林碳儲量研究進展[A]. 經濟發展方式轉變與自主創新–第十二屆中國科學技術協會年會, 2010.

[7] 李雷達, 方晰, 李斌, 等. 湖南省2014年森林植被碳儲量、碳密度及其區域空間分布格局[J]. 中南林業科技大學學報, 2017, (01): 69–77.

[8] 楊洪曉, 吳波, 張金屯, 等. 森林生態系統的固碳功能和碳儲量研究進展[J]. 北京師范大學學報(自然科學版), 2005, 41(2): 172–177.

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

[10] Friedl M A, Davis F W, Michaelsen J, et al. 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[J]. Remote Sensing, 1995, 54: 233–246.

[11] 陸新. 保護森林資源改善生態環境[J]. 自然科學: 全文版, 2016(1): 17.

[12] 蘭斯安, 杜虎, 曾馥平, 等. 不同林齡杉木人工林碳儲量及其分配格局[J]. 應用生態學報, 2016, 27(04): 1125– 1134.

[13] 郭焱, 周旺明. 長江上游天然林資源保護工程區森林植被碳儲量研究[J]. 長江流域資源與環境, 2015, 24(1): 222–228.

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

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

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

[17] 施鵬程, 彭道黎. 三峽庫區喬木林生物量和碳儲量的估算[J]. 長江流域資源與環境, 2015, 24(6): 1053–1059.

[18] 李濤, 李曼. 多元線性回歸與logistic回歸分析的正確應用[J]. 臨床薈萃, 2009, 24(15): 6.

[19] 劉常瑜, 馮仲科, 葛忠強, 等. 嶗山林場林分生物量遙感反演估算研究[J]. 山東林業科技, 2014(3): 1–5.

[20] 黃從德. 四川森林生態系統碳儲量及其空間分異特征[D].成都: 四川農業大學, 2008.

[21] 徐新良, 曹明奎, 李克讓. 中國森林生態系統植被碳儲量時空動態變化研究[J]. 地理科學進展, 2007, 26(6): 1– 10.

[22] 李海奎, 雷淵才, 曾偉生. 基于森林清查資料的中國森林植被碳儲量[J]. 林業科學, 2011, 47(7): 7–12.

[23] 劉建泉, 李進軍, 邸華. 祁連山森林植被凈生產量、碳儲量和碳匯功能估算[J]. 西北林學院學報, 2017, 32(02): 1–7.

[24] 楊傳金, 楊帆, 梅浩, 等. 區域森林碳儲量估算方法概述[J]. 中南林業調查規劃, 2012, 31(3): 62–66.

[25] Hame T, Salli A, Andersson K, et al. Anew methodology for the estimation of biomass of conifer– dominated boreal forest using NOAA AVHRR data[J]. Int. J. Remote Sensing, 1997, 18(15): 3211–3243.

[26] 徐婷, 曹林, 佘光輝. 基于Landsat 8 OLI的特征變量優化提取及森林生物量反演[J]. 遙感技術與應用, 2015, (02): 226–234.

[27] 王新云, 郭藝歌, 何杰. 基于HJ1B和ALOS/PALSAR數據的森林地上生物量遙感估算[J]. 生態學報, 2016, 36(13): 2–13.

Estimation of upper carbon storage in Abies Forestland in Suomo Township based on Landsat images and their dynamic changes

WU Di1,2, WU Mingyan1,2, CHEN Jiali1,2, DONG Guang1,2, CHENG Wuxue1,2,*

1. Central Laboratory, Faculty of Geography and Resources Science, Sichuan Normal University, Chengdu 610101, China 2. Key Laboratory of Land Resources Evaluation and Monitoring in Southwest, Ministry of Education, Sichuan Normal University, Chengdu 610068, China

Study on the forest carbon storage is significant for evaluating the quality of forest resources, scientific management of forest resources and protection of forest ecological structure. This paper took fir forest in Suomo Township of Sichuan province as an example. Based on forest resources survey data in 2010 and Landsat remote sensing data in the same year, using step wise linear regression, multiple linear regression model, we built a new estimation model especially for obtaining carbon storage above the fir forest ground in 2010. Then, based on the estimation model, we used Pseudo invariant feature principle to search the relationship between estimation model in 2010 with remote sensing image in other 4 years, and respectively estimated the carbon storage of fir forest land in 1995, 2000, 2005, 2010 and 2015 in study area, thus revealed the temporal and spatial variation characteristics above the fir forest ground in Barkam County Suomo Township. The results showed that from the perspective of spatial distribution, the carbon storage of fir forest land was mainly distributed in the east-west direction of the study area whose altitude was between 3000 and 4000 meters. From the perspective of temporal distribution, the total carbon storage and carbon density of the fir forest land increased continuously from 1995 to 2015, and the forest carbon storage structure was in the stage of benign development. The results could provide some reference for further study on forest carbon storage in alpine gorge region.

Landsat image; carbon storage; biomass; fir; regression; Spatio-temporal change

10.14108/j.cnki.1008-8873.2019.01.015

SS771.8; TP79; S758; S718.55

A

1008-8873(2019)01-111-12

2017-08-01;

2017-09-22

四川省科技廳項目(2017JY0155), 四川省教育廳重點項目(13ZA0148), 國家自然科學基金項目(41371125)

烏迪(1990—), 男, 內蒙古赤峰市人,碩士, 主要從事遙感與測繪技術及應用研究, E-mail: 656320449@qq.com

程武學, 男, 博士后, 教授, 主要從事生態遙感及應用, E-mail: 398000938@qq.com

烏迪, 巫明焱, 陳佳麗, 等. 基于Landsat影像的梭磨鄉冷杉林地上碳儲量估測及其時空動態[J]. 生態科學, 2019, 38(1): 111-122.

WU Di, WU Mingyan, CHEN Jiali, et al. Estimation of upper carbon storage in Abies Forestland inSuomo Township based on Landsat images and their dynamic changes[J]. Ecological Science, 2019, 38(1): 111-122.