川西亚高山森林植被生物量遥感估算

赖家明， 杨武年， 黄从德， 胡庭兴

(1. 成都理工大学 国土资源部地学空间信息技术重点实验室，成都 610059;2.四川农业大学 林学院，雅安 625014)



川西亚高山森林植被生物量遥感估算

赖家明1,2， 杨武年1*， 黄从德2， 胡庭兴2

(1. 成都理工大学 国土资源部地学空间信息技术重点实验室，成都 610059;2.四川农业大学 林学院，雅安 625014)

以四川省道孚县木茹林场亚高山森林为研究对象，在针叶林、阔叶林和灌木林3种森林类型中各设置15个标准样地，利用标准地实测森林植被生物量数据建立了基于遥感信息的川西亚高山该三种森林的最佳森林植被生物量遥感估算模型，并估算了森林植被生物量。结果表明，在建立的一元线性回归、一元非线性回归和多元线形回归生物量模型中，以多元线性回归模型拟合度最高。

亚高山森林； 生物量； 遥感； 相关分析； 回归模型

0 引言

在寻求全球“未知碳汇”(The Missing Carbon Sink)过程中，陆地生态系统被公认为是最大的未知区[1-2]。森林生态系统是陆地上最大的碳库，生物量是测算森林生态系统碳汇的基础，准确及时地获取森林植被生物量已成为全球气候变化与森林生态系统研究的关键环节[3]。我国森林植被生物量的研究始于上世纪70年代末，许多学者开展了大区域森林生物量的模拟研究[4-5]，做了大量工作，取得许多成功案例[6-12]，但因实测资料局限，制约了模拟结果的准确性[13],同时针对植被类型多、林分结构复杂、地形条件多变西南林区，利用遥感数据估算生物量的研究还不多见。

川西亚高山森林分布在我国西南气候变化敏感、生态环境脆弱的地区，因保存相对完好，已成为研究森林植被动态过程的最佳实验场所。这里运用3S技术，以四川道孚县木茹林场亚高山森林为对象，基于遥感信息，利用地面实测生物量数据建立了川西亚高山3种森林类型(针叶林、阔叶林和灌木林)最佳森林植被生物量遥感估算模型，并估算了生物量，旨在为四川西部亚高山森林植被生物量的深入研究提参考。

1 材料与方法

1.1 研究区域概况

木茹林场位于川西北，甘孜州东北部道孚县境内，地处青藏高原东南缘鲜水河断裂带，国土总面积为44 059.77 hm2，气候属寒温带大陆性季风气候。本区域森林资源丰富，植物种类繁多，属典型的亚高山森林，森林垂直分带明显。研究区内分布的亚高山常绿针叶林以冷杉属(AbiesMill.)、云杉属(PiceaDietr.)为主、山地硬叶常绿阔叶林以栎类(QuerusLinn.)为主，灌木林分布以川滇高山栎 (QuercusaquifolioidesRehd.etWils.)为主[14]。

1.2 研究方法

1.2.1 数据源

作者使用2007年9月25日的Landsat5 TM影像(图1)；在 1∶50 000国家基本地形图上提取地面控制点，对遥感影像进行几何校正； 使用的DEM数据分辨率为30 m×30 m。

图1 2007年遥感图Fig.1 2007 remote sensing map

1.2.2 森林的分类

将木茹林场的森林植被划分为三大基本类型，其中针叶林以川西云杉(PiceabalfourianaRehd.etWils.)、鳞皮冷杉(AbiessquamataMast.)、高山柏(Sabinasquamata(Buch.-Hamilt.)Ant)、红杉(LarixpotaniniiBatalin)和高山松(PinusdensataMast.)等为优势树种的森林；阔叶林主要以栎类、杨树(PopulusLinn.)和桦木 (BetulaLinn.)等为优势树种的森林；灌木林包括川滇高山栎、高山柳(SalixcupularisRehd. )和沙棘(HippophaerhamnoidesLinn.)等。

1.2.3 标准地设置与生物量的测定

按照典型选设法，在三个森林植被类型中各设置15个边长30 m的正方形标准地，使用GPS测定实地坐标，实现与遥感数据(像素)在位置与形状上的配准，45个标准地位置分布如图2所示。在标准地内调查基本测树因子。实测胸径、树高，拟合针叶林(云杉、冷杉)树高曲线，依据四川省立木二元材积表，计算蓄积量，采用生物量-蓄积量方程w=2.137v0.7532计算针叶林样地生物量[15]。采用平均标准木法测算阔叶林和灌木林生物量[16]。

图2 标准地分布图Fig.2 Sample plots map

1.2.4 遥感影像数据处理

ENVI 5.1环境下，在地形图上选取地面控制点，采用Beijing 1954坐标系统、Gauss-KrugerN17投影参数，以Nearst Neighbor方法对TM影像进行几何校正，位差不超过0.5个像元；采用非监督分类结合专家知识对研究区TM影像分类，划分为针叶林、阔叶林、灌木林、草地、水域和裸地共6大类(见图3)。随机抽取180个结果样点(每类别30个)，采用现场核实，计算出针叶林分类精度为89.5%，阔叶林为82.7%，灌木林为81.6%；利用ENVI5.1 Flassh模块对TM影像大气校正，转化TM单波段像元DN值为表观反射率，利用Transform模块计算各类植被指数[14](表1)；利用ArcGIS10.0从30 m分辨率的DEM数据提取地形数据,内容包括海拔(ALTITUDE)、坡向(ASPECT)和坡度(SLOPE)[14]。

1.2.5 生物量模型的建立及验证

在分析研究区TM影像单波段数据表观反射率、各类植被指数和地形数据与森林植被生物量之间相关性的基础上，利用SPSS 20.0分析研究区遥感数据与各类植被生物量之间的回归关系。采用线性方法、非线性方法和多元回归法分别建立研究区森林植被生物量的遥感估算模型。模型选择中通常使用交叉验证的方法来检查估测数据与实测数据的一致性[17]，这里用平均误差(ME)、平均绝对误差(MAE)和均方根误差(RMSE)进行检验，利用优选的各类森林植被生物量遥感估算模型对研究区森林植被生物量进行了测算[14]。

表1 植被指数计算方法

图3 2007年遥感分类图Fig.3 2007 remote sensing classification map

2 结果与分析

2.1 相关分析

对森林植被生物量与TM影像单波段的表观反射率(TM1～TM5，TM7)、各类植被指数(DVI、RVI和NDVI等)和地形数据(ALTITUDE、SLOPE和ASPECT)进行相关性分析，结果表明，TM单波段数据与植被生物量普遍都在0.01水平上呈显著负相关(表2)，TM1～TM4波段对植被信息的识别有不错的效果，其中与TM 2、TM3波段的相关性较高，分别达到-0.863(针叶林)、-0.865(灌木林)和-0.725(阔叶林)；针叶林植被生物量和阔叶林植被生物量与BVI指数均在0.01的水平上呈显著正相关；针叶林植被生物量与NDVI指数在0.01的水平上呈正相关(表3)；三种森林类型植被生物量与海拔(ALTITUDE)、坡度(SLOPE)和坡向(ASPECT)等地形因素均不存在呈显著相关关系(表4)。

表2 遥感单波段数据与森林植被生物量间的相关系数

注：*在0.05的水平上相关显著；**在0.01的水平上相关显著。

表3 植被指数与森林植被生物量间的相关系数

注：*在0.05的水平上相关显著；**在0.01的水平上相关显著。

表4 地形数据与森林植被生物量间的相关系数

2.2 生物量遥感模型

利用标准地实测的植被生物量数据与遥感各波段数据表观反射率分别进行线性和非线性回归，回归方程拟合结果如表5所示，线性估测方法是无偏的，ME为0，以TM3与生物量线性回归拟合度最高，R2为0.745，有较低的误差，MAE为 0.285，RMSE为0.308；TM7与生物量拟合度最低，R2为0.129，MAE为0.519，RMSE为0.561，误差较大。对于非线性回归方程，以TM5与生物量非线性回归拟合效果最优(R2为0.865，ME=0.001，MAE=0.260，RMSE=0.283)，拟合模型为Y=-271.644TM5+1806.444TM52+25.581；TM7与生物量拟合度最低，拟合模型为Y=1.001TM7-0.008TM72+73.730，R2为0.151。

表5 针叶林生物量一元线性与非线性估算模型(n=15)

注：Y:森林生物量 下同。

利用SPSS 20.0进行逐步回归，自变量筛选，然后进行多元回归分析，结果如下表6。对针叶林生物量的自变量因子进行逐步回归，得到模型1和2，用强迫引入法，筛选出模型3；据相关性分析，选择变量间的相关系数绝对值较大的自变量分为TM数据1、2、3、5波段和WVI、V13、TVI、RVI、NDVI、BVI指数两组，对影响针叶林生物量的因子用强迫引入法，筛选出模型4；最后选择自变量与因变量间相关系数显著的自变量(TM2、3、5、WVI、V13和BVI)，用强迫引入法进行回归，得出模型5。综合比较决定系数、平均绝对误差和均方根误差，确定回归模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)为研究区针叶林最优生物量遥感估算模型。

用相同方法获得阔叶林森林植被生物量数据与遥感单波段数据表观反射率的线性、非线性回归估算模型(表7)和多元线性回归模型(表8)。结果表明，非线性回归拟合度比线性回归的高，多元线性回归又比非线性回归的高。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)为阔叶林最优生物量遥感估算模型。

表6 针叶林生物量的多元线性回归模型(n=15)

表7 阔叶林生物量一元线性与非线性估算模型(n=15)

续表7

自变量模型类别模型决定系数R2平均误差ME平均绝对误差MAE均方根误差RMSETM1TM2TM3TM4TM5TM7WVINDVIBVITVIV13RVI非线性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 阔叶林生物量的多元线性回归模型(n=15)

同样的方法获得灌木林森林植被生物量数据与遥感单波段数据表观反射率的线性、非线性回归估算模型(表9)和多元线性回归模型(表10)。根据森林生物量回归模型的决定系数、平均绝对误差和均方根误差确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

根据选择的最佳森林植被生物量模型估算出研究区三大植被类型生物量，在ArcGIS10.0中叠加针叶林、阔叶林和灌木林生物量图层，制作研究区森林植被总生物量图层(图4)。研究区森林植被总面积为24 522.3 hm2，森林总生物量为3.67×106t，平均生物量为149.66 t/hm-2。其中，针叶林面积15 080.13 hm2，占植被总面积的61.50%，生物量以2.68×106t位居首位，占总生物量的73.0%，平均生物量为177.71 t/hm-2；灌木林面积6 858.27 hm2，占总面积的27.97%，生物量为7.64×105t，占总生物量的20.8%，平均生物量为111.40 t/hm-2；阔叶林面积为2 583.9 hm2，占总面积的10.53%，生物量最小，为2.28×105t，占总生物量的6.1%，平均生物量为88.23 t/hm-2。从数据比较上看出针叶林植被类型是研究区的主要森林植被生物量库，其重要原因是针叶林面积分布比例占据主导地位，因而其生物量数值和比例都占首位。

表9 灌木林生物量一元线性与非线性估算模型(n=15)

表10 灌木林森林生物量的多元线性回归模型(n=15)

图4 森林生物量分布图Fig.4 Forest biomass distribution map

3 结论与讨论

3.1 结论

本研究利用一元线性和非线性以及多元线性回归的森林植被生物量遥感估算模型，以多元线性回归模型精度最高，根据决定系数、平均绝对误差和均方根误差确定了研究区域的最佳针叶林生物量遥感估算模型(Y=127.340TM2+93.835TM3+344.518TM5-75.505WVI+0.339V13-226.322 BVI+9.66)、阔叶林生物量遥感模型(Y=-204.723TM2+105.448TM3-58.121WVI-37.948DVI+57.346BVI+13.325)和灌木林生物量遥感模型(Y=-49.469 TM2-141.236 TM3+0.056 BVI+16.468)。根据确定的最佳森林生物量模型估算出研究区针叶林、阔叶林和灌木林生物量分别为2.68×106t、2.28×105t和7.64×105t，研究区森林植被总生物量为3.67×106t，其中针叶林生物量最大，是研究区域的主要森林植被生物量库。

3.2 讨论

以地形复杂和气候变化多样的川西亚高山森林为研究对象，在建立森林植被生物量遥感估算模型时，森林植被类型和林分结构对建模精度有较大的影响，针叶林在植被类型与林分结构都较阔叶林更加简单，所以在与遥感因子相关性和建模精度上都比阔叶林类型高；利用优选的森林植被生物量遥感估算模型,估算出研究区木茹林场森林植被总生物量和平均生物量，其结果与其他学者采用传统方法对同类型区域的估算结果存在差异，这种差异可能是研究尺度不同、植被类型划分差异造成的。

[1] 陈泮勤, 黄耀, 于贵瑞. 地球系统碳循环[M]. 北京: 科学出版社,2004.

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

[2] 叶笃正, 符淙斌. 全球变化科学领域的若干研究进展[J].中国科学院院刊, 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] 汤旭光,刘殿伟,王宗明，等. 森林地上生物量遥感估算研究进展[J].生态学杂志,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] 康惠宁, 马钦彦, 袁嘉祖. 中国森林C汇功能基本估计[J].应用生态学报, 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. 北半球中高纬度的森林碳库可能远小于目前的估算[J].植物生态学报, 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] 刘诗琦，贾黎明，杨军,等. 基于Landsat TM 数据估算山东菏泽区域杨树人工林碳储量[J].北京林业大学学报,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] 刘双,阮宏华. 基于地统计学的广东省和广西省森林生物量和NPP 空间格局分析[J].生态学杂志, 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] 闵志强, 孙玉军. 长白落叶松林生物量的模拟估测[J]. 应用生态学报, 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, 杜华强, 周国模, 等. 近30 a安吉县毛竹林动态遥感监测及碳储量变化[J].浙江农林大学学报, 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]董德进, 周国模, 杜华强, 等. 6种地形校正方法对雷竹林地上生物量遥感估算的影响[J].林业科学, 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]刘双娜, 周涛, 舒阳, 等. 基于遥感降尺度估算中国森林生物量的空间分布[J].生态学报, 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]李仁东, 刘纪远. 应用Landsat ETM 数据估算鄱阳湖湿生植被生物量[J].地理学报, 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]刘国华,傅伯杰,方精云.中国森林碳动态及其对全球碳平衡的贡献[J].生态学报,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]赖家明,黄从德,胡庭兴,等.基于遥感信息的道孚县亚高山森林植被地上碳储量估算及其空间分布特征[J].应用与环境生物学报, 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]黄从德, 张健, 杨万勤, 等.四川省及重庆地区森林植被碳储量动态[J].生态学报, 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]刘迎春, 王秋凤, 于贵瑞, 等. 黄土丘陵区两种主要退耕还林树种生态系统碳储量和固碳潜力[J].生态学报, 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”国家科技支撑计划课题(2006BAD23B05)

赖家明(1972-)，男，博士，研究方向为地球探测与信息技术，E-mail：ljm4936@aliyun.com。

*通信作者：杨武年(1954-)男，博士，教授, 主要研究方向为3S技术在国土资源勘查、生态环境监测与评价中的应用,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