中国东北三省森林生物量及其空间格局

李 明，柴旭荣，张连芝

(1.山西师范大学现代文理学院，山西 临汾 041000； 2.山西师范大学地理科学学院，山西 临汾 041000； 3.山西师范大学图书馆，山西 临汾 041000)

中国东北三省森林生物量及其空间格局

李 明1，2，柴旭荣1，2，张连芝3

(1.山西师范大学现代文理学院，山西 临汾 041000； 2.山西师范大学地理科学学院，山西 临汾 041000； 3.山西师范大学图书馆，山西 临汾 041000)

以2012—2014年SPOT-VGT旬合成归一化植被指数(NDVI)为数据源，借助Dong模型和遥感物候学的方法，对东北三省森林生物量密度的空间分布格局进行了分析.结果表明：东北三省多数森林生物量在50～150 Mg/hm2之间，平均生物量密度为93.47 Mg/hm2，总量为3.24×109Mg.从空间分布上看，平均生物量密度最高的区域出现在以针阔混交林为主的长白山地区，大于100 Mg/hm2；北部以兴安落叶松为主的大兴安岭地区的生物量密度较低，约为40～100 Mg/hm2；以防护林网为主的吉林省西部地区森林生物量密度最低，小于40 Mg/hm2.东北三省森林生物量的空间分布格局与水热条件的下降是一致的.

生物量；遥感物候；SPOT/NDVI；空间格局；东北森林

IPCC第五次评估报告表明：1880—2012年全球海陆表面平均气温升高了0.85℃.气候的变暖必然会导致植物生长季长度的变化，从而影响到植物光合作用和呼吸作用，进而使全球植被生物量的空间格局发生改变.森林生态系统储存了全球陆地生态系统中50%～60%的碳，[1]并正以(2.4±0.4)Pg/a的速度起着碳汇作用[2].而森林生物量估算是评价森林生态系统碳汇潜力的前提，因此对于森林生物量及其变化的评估成为目前全球气候变化研究的热点之一.

传统森林生物量估算方法主要是基于小尺度的森林资源清查数据，[3-4]难以及时反映森林生物量分布格局的变化.随着遥感技术的发展，使得在大尺度上、动态地进行森林生物量估测成为可能[5].目前进行森林生物量估测主要有以下几种方法：遥感信息参数与生物量拟合方法、[6-7]遥感数据与过程模型融合方法、[8-9]基准样地法、[10-11]人工神经网络模型方法[12-13].中国东北森林是世界上3大温带森林之一，约占中国森林面积的31%，具有丰富的生物量，存储着大量的碳；再者，该区域也是气候敏感区，先前的研究表明，气候的变化对东北地区植被的生长产生了巨大的影响[14].因此研究该地区森林生物量的空间格局对于中国森林管理及对陆地碳循环的理解有着重要的意义.部分学者也已经使用不同的方法对该区域的森林生物量进行过评估，如方精云和陈安平[15]利用森林清样调查数据及森林生物量实测资料推算了中国森林植被碳库的动态变化，在省级尺度上进行了森林生物量密度差异的比较；谭琨等[16]利用森林清样调查数据和1982-1999年NOAA归一化植被指数(NDVI)数据建立了森林生物量的经验拟合公式，进而估算了中国东北地区在这20年里森林碳储量的时空变化；黄国胜和夏朝宗[8]利用2003年MODIS数据，结合Dong模型，分析了中国东北森林生物量密度及空间分布格局，但其对森林生长季开始和结束日期是以日平均气温为指标进行定义的，这可能会因气象站点的不足(尤其是山区)影响结果的精度.本文首先结合遥感物候学的方法，逐个像元进行森林生长季内NDVI累积值的计算，然后借助Dong模型估算了每个像元的森林生物量密度，并进一步分析了中国东北三省森林生物量密度的空间分布格局及其缘由，旨在探索一套适合中国东北地区的森林生物量遥感估测的技术方法，从而为森林资源的快速宏观监测和森林生物量遥感反演提供思路.

1 研究区及数据源

图1 中国东北三省森林分布范围

1.1 研究区

本文以中国东北三省作为研究区，即黑龙江、吉林、辽宁三省.东北三省同属于大陆性季风气候区，气温由南向北降低，年均气温11.5℃～-4℃；年降水量从西到东为400～1 100 mm.东北三省的森林植被(见图1)大都分布在山地和丘陵区，包括寒温带落叶针叶林区、温带针阔叶混交林区.主要森林类型有以兴安落叶松(Larixgmelinii)、红松(Pinuskoraiensis)、樟子松(Pinussylvestris)、沙冷杉(Abiesholophylla)、紫杉(Taxuscuspidata)、长白侧柏(Thujakoraiensis)为主的针叶林；以蒙古栎(Quercusmongolica)、白桦(Betulaplatyphylla)、黑桦(Betuladavurica)、拧筋槭(Acertriflorum)、假色槭(Acerpseudo-sieboldianum)、水曲柳(Fraxinusmandshurica)、山槐(Albiziamacrophylla)、核桃楸(Juglansmandshurica)、黄檗(Phellodendronamurense)、大青杨(Populusussuriensis)和香杨(Populuskoreana)为主的阔叶林.

1.2 数据源

本文所用的数据主要包括：旬最大值合成的SPOT-VGT/NDVI、土地利用及数字高程数据.其中SPOT-VGT/NDVI来源于http：//free.vgt.vito.be/，空间分辨率1 km×1 km，投影方式为可利投影(plate-carree)；时间范围为2012年1月上旬至2014年12月下旬，共108期影像.土地利用数据为来源于http：//westdc.westgis.ac.cn的中国WESTDC1.0数据集，空间分辨率1 km×1 km，投影方式为阿尔伯斯投影(Albers)，用以提取中国东北三省的森林覆盖.数字高程数据为来源于http：//srtm.csi.cgiar.org的SRTM，空间分辨率90 m×90 m；坐标系统采用1984年世界大地坐标系统(WGS-84)，用以提取栅格的纬度信息.

1.3 数据预处理

(1) 空间参考.各类数据因空间投影方式和空间分辨率不一致，故在数据处理过程中将所有的数据转换成Albers投影格式(中央经线E105°，第一标准纬线N25°，第二标准纬线N47°)，并重采样成像元大小相同(1 km×1 km)的栅格.

(2) NDVI数据集.尽管旬最大值合成的SPOT-VGT/NDVI在一定程度上已经减少了云的影响，但仍然会有某些不可预测的噪声存在(因传感器观测角、太阳高度角、气溶胶和水汽的变化导致)，故采用时间序列谐波分析法[17]对NDVI数据的异常值进行了进一步处理.另外，东北三省地处中高纬地区，冬春季由于冰雪覆盖的影响，NDVI数据的值可能为负，因此本文将NDVI值小于零的值赋为0.

(3) 纬度栅格的获取.首先利用Arcgis10.2中的空间分析将栅格转换成点要素，再通过从http：//www.dataeast.com/en/XToolspro.asp获取的Xtools工具中的table operations添加各点的经纬度坐标，最后再利用空间分析将点要素的纬度字段转成栅格，并采样成与其他数据集一样大小的栅格.

2 研究方法

2.1 模型介绍

Dong模型[18]是由Dong和Kaufmann等学者针对北半球中高纬度森林和温带林区域，利用森林清查数据及同期的NOAA/NDVI生长季累计值建立的遥感参数模型.与一般的遥感参数模型不同，它同时把NDVI和纬度地带性这两个影响因素纳入到了森林生物量密度模型的构建中，具体模型如下：

1/λ=α+β*[1/(ρ*τ2)]+γ*τ.

(1)

式中：λ为生物量密度(Mg/hm2)；ρ为森林生长季内的NDVI累积值；τ是纬度；α，β，γ是回归系数.考虑到东北三省森林分布的生态区不同，本文中α，β，γ参数取值依据黄国胜和夏朝宗[8]的研究结果，即：大兴安岭北端分别为-0.038 6±0.004 61，3 946.15±231.25和0.000 56±0.000 048；小兴安岭及以南区域分别为-0.039 3±0.008 9，3 152.76±403.02和0.000 59±0.000 097.

2.2 NDVI生长季累积值

图2 森林物候参数的提取示意图

NDVI是植被类型、植株密度、植物个体叶面积指数和叶绿素浓度的复杂函数，从生长季开始到结束这一时间段内的NDVI 累积值代表了植被在年内生长与分布的综合状况，选取它作森林生物量的估算指标更加稳定.利用遥感数据划分植物物候生长季节已被许多学者[19-20]证明是可行的，本文中森林的物候期参数是在改进后的Timesat程序[21]中计算的，采用的是双逻辑斯蒂(double Logistic)模型拟合算法.基于Timesat程序，使用n年的影像数据往往只能提取n-1个完整年份的物候参数，故本文以提取的2013年森林物候期参数为探讨对象.原模型是采用主观自定义的比例阈值法提取植被生长季参数的，而森林的开始生长和结束生长是两个不同的生物物理过程，在开始日期和结束日期设置相同的NDVI阈值是不合理的.基于此，本文采用动态比例阈值替代原模型主观定义的比例阈值，具体来讲，是将给定像元的NDVI生长曲线中斜率最大的点所对应的NDVI与曲线左边振幅之间的比值，定为该像元生长季开始的比例阈值；类似地，将斜率最小点所对应的NDVI值与曲线右边振幅之间的比值定为该像元生长季结束的比例阈值，这将更加符合森林实际的生长规律.具体的物候参数见图2.

图3 2013年研究区森林生长季长度及生长季NDVI累积值

3 结果与分析

3.1 东北三省森林生长季长度及生长季NDVI累积值空间格局

利用Matlab语言对研究区森林逐个像元进行双逻辑斯蒂拟合，获得相应的森林生长季长度和生长季内NDVI的累积值，结果见图3.由图3可见：大兴安岭北端森林生长季长度较短，约为120～140 d，小兴安岭森林生长季长度约为140～160 d，长白山地区约为150～180 d.森林生长季NDVI累积值的空间分布格局与森林生长季长度分布有着较大的相似性，小兴安岭、长白山地区较高，平均为75，个别地区甚至达到120；大兴安岭北部地区稍低，平均为68.因为大兴安岭北部地处寒温带，年均温较低，使得森林生长期开始的日期较晚，结束的日期较早，故相应的生长季NDVI累积值也较小.在小兴安岭、长白山等温带针阔混交林区，由于降水量相对丰富、温度相对较高，该区域的森林生长季较长，故NDVI累积值也较大[19]；另外，松辽平原因降水量稀少，致使植被稀疏，NDVI累积值最小.

3.2 东北三省森林生物量

图4 2013年研究区森林生物量密度

由于纬度地带性及气候因素对东北三省森林分布类型及森林生长季长度的影响，导致森林生物量在区域上存在明显的差异.图4反映了研究区森林生物量的空间格局，结果表明：研究区多数森林生物量在50～150 Mg/hm2之间，平均生物量密度达93.47 Mg/hm2，森林生物量总量达3.24×109Mg.从区域来看，平均生物量密度最高的区域出现在以针阔混交林为主的长白山地区，大于100 Mg/hm2，这是由于长白山地区生长季NDVI累积值较大，所处纬度相对较低，且潮湿和温暖的夏季气候有利于森林生长的缘故；北部以兴安落叶松为主的大兴安岭地区生物量密度较低，约为40～100 Mg/hm2，这是因为该区域森林生长季较短，生长季的NDVI累积值较小，且所处纬度较高；吉林省西部地区森林多呈带状分布，分布稀疏，以防护林网为主，生长季NDVI累积值在东北三省的森林中最小，再加上降水因子的影响，共同导致该区域的生物量密度最低，小于40 Mg/hm2.总的来说，生物量密度在东部较高、西部和北部较低，这与水热条件的下降是一致的.

4 讨论

本文对东北三省森林生物量的估算高于黄国胜等[8](2.34×109Mg)和方精云等[15](2.57×109Mg)的估算.黄国胜等是利用分类的方法来提取森林面积，而MODIS数据的分辨率又较粗，使得统计的东北三省森林面积(2.92×105km2)少于本文中利用中国土地利用集提取的森林面积(3.47×105km2)；而方精云等是把林冠覆盖度>30%才定义为森林，因此统计的面积(2.75×105km2)也小于本文.本文对生物量密度的估算约为93.47 Mg/hm2，与谭琨等[16](89.30 Mg/hm2)及方精云等[15](95.80 Mg/hm2，1994—1998年统计结果)的估算结果相近，但高于黄国胜等的估算(80.18 Mg/hm2)，这可能是由黄国胜等对森林生长季开始和结束日期的定义与本文采用的方法不一致引起的.

另外，本文旨在提供一种森林生物量的估算思路和方法，其结果仍具有一定的不确定性.比如，NDVI饱和可能会致使部分树冠覆盖稠密地区生物量密度被低估；再如，Dong模型中没有考虑到海拔和森林类型的影响，而海拔的变化会使得森林植被的类型、结构及生物量均随之发生变化.在未来的研究中，应进一步对Dong模型进行改进，并探讨该区域森林生物量随时间变化的趋势及驱动力.

5 结论

利用遥感方法进行森林生物量的估算，改变了在区域尺度生物量研究中严重依赖地面测树因子的现状，为森林生长过程的模拟与监测提供了精确且连续的测量手段，能够进一步推动区域及全球碳循环研究.本文以SPOT-VGT/NDVI为数据源，结合遥感物候的方法，估测了东北三省2013年的森林生物量，结果表明：东北森林平均生物量密度为93.47 Mg/hm2，总量为3.24×109Mg；空间分布上，长白山、小兴安岭地区生物量密度较高，大兴安岭北部较低，最小值区域为松辽平原.

[1] GOODALE C L，APPS M J，BIRDSEY R A，et al.Forest carbon sinks in the Northern Hemisphere[J]. Ecological Applications，2002，12(3)：891-899.

[2] PAN Y，BIRDSEY R A，FANG J，et al.A large and persistent carbon sink in the world’s forests[J]. Science，2011，333(6045)：988-993.

[3] 伏鸿峰，闫伟，陈晶晶.内蒙古大兴安岭林区森林碳储量及其动态变化研究[J]. 干旱区资源与环境，2013，27(9)：167-170.

[4] 曹扬，陈云明，晋蓓，等.陕西省森林植被碳储量、碳密度及其空间分布格局[J]. 干旱区资源与环境，2014，28(9)：70-73.

[5] 黎夏，刘凯，王树功.珠江口红树林湿地演变的遥感分析[J]. 地理学报，2006，61(1)：26-34.

[6] 徐天蜀.基于遥感信息的森林生物量、碳储量估测技术研究[J]. 林业调查规划，2008，33(3)：11-13.

[7] 范文义，李明泽，杨金明.长白山林区森林生物量遥感估测模型[J]. 林业科学，2011，47(10)：16-20.

[8] 黄国胜，夏朝宗.基于MODIS的东北地区森林生物量研究[J]. 林业资源管理，2005(4)：40-44.

[9] CHIESI M，MASELLI F，BINDI M，et al.Modelling carbon budget of Mediterranean forests using ground and remote sensing measurements[J]. Agricultural and Forest Meteorology，2005，135(1/4)：22-34.

[10] 曹庆先，徐大平，鞠洪波.基于TM影像纹理与光谱特征和KNN方法估算5种红树林群落生物量[J]. 林业科学研究，2011，24(2)：144-150.

[11] CHIRICI G，BARBATI A，CORONA P，et al.Non-parametric and parametric methods using satellite images for estimating growing stock volume in alpine and Mediterranean forest ecosystems[J]. Remote Sensing of Environment，2008，112(5)：2686-2700.

[12] 汪少华，张茂震，赵平安，等.基于TM影像、森林资源清查数据和人工神经网络的森林碳空间分布模拟[J]. 生态学报，2011，31(4)：998-1008.

[13] STÜMER W，KENTER B，KÖHL M.Spatial interpolation of in situ data by self-organizing map algorithms (neural networks) for the assessment of carbon stocks in European forests[J]. Forest Ecology and Management，2010，260(3)：287-293.

[14] PIAO S，FANG J，ZHOU L，et al.Changes in vegetation net primary productivity from 1982 to 1999 in China[J]. Global Biogeochemical Cycles，2005，19(2)：1-16.

[15] 方精云，陈安平.中国森林植被碳库的动态变化及其意义[J]. 植物学报，2001，43(9)：967-973.

[16] TAN K，PIAO S，PENG C，et al.Satellite-based estimation of biomass carbon stocks for northeast China’s forests between 1982 and 1999[J]. Forest Ecology and Management，2007，240(1/3)：114-121.

[17] JAKUBAUSKAS M E，LEGATES D R，KASTENS J H.Harmonic analysis of time-series AVHRR NDVI data[J]. Photogrammetric Engineering and Remote Sensing，2001，67(4)：461-470.

[18] DONG J，KAUFMANN R K，MYNENI R B，et al.Remote sensing estimates of boreal and temperate forest woody biomass：carbon pools，sources，and sinks[J]. Remote Sensing of Environment，2003，84(3)：393-410.

[19] 于信芳，庄大方.基于MODIS NDVI数据的东北森林物候期监测[J]. 资源科学，2006，28(4)：111-117.

[20] LI M，WU Z，QIN L，et al.Extracting vegetation phenology metrics in Changbai Mountains using an improved logistic model[J]. Chinese Geographical Science，2011，21(3)：304-311.

[21] JöNSSON P，EKLUNDH L.TIMESAT—a program for analyzing time-series of satellite sensor data[J]. Computers & Geosciences，2004，30(8)：833-845.

(责任编辑：方林)

ForestbiomassanditsspatialpatterninNortheastThreeProvincesofChina

LI Ming1，2，CHAI Xu-rong1，2，ZHANG Lian-zhi3

(1.Modern College of Arts and Sciences，Shanxi Normal University，Linfen 041000，China： 2.School of Geographical Sciences，Shanxi Normal University，Linfen 041000，China； 3.Library of Shanxi Normal University，Linfen 041000，China)

Using the Dong model and remote sensed phenology driven by SPOT-VGT normalized difference vegetation index (NDVI) data from 2012 to 2014，this study quantified the spatial distribution of forest biomass density in Northeast China.The result suggested that the biomass of most forests in the study area values from 50～150 Mg/hm2with the average biomass density of 93.47 Mg/hm2and the total biomass of 3.24×109Mg.Spatially，the Changbai Mountainous area that is mainly distributed with mixed broadleaf-conifer forest achieves the highest average biomass density，higher than 100 Mg/hm2.The Greater Khingan Mountain area in the northern region that mainly distributed withLarixgmeliniirepresents lower biomass density，valuing about 40～100 Mg/hm2.Western regions of Jilin Province where is mainly distributed with shelterbelts represent the lowest biomass density，less than 40 Mg/hm2.The spatial pattern of forest biomass in Northeast Three Provinces of China is consistent with the descending of water and temperature conditions.

biomass；remote phenology；SPOT/NDVI；spatial pattern；forest in Northeast China

1000-1832(2017)03-0131-05

10.16163/j.cnki.22-1123/n.2017.03.027

2016-07-26

国家自然科学基金资助项目(41171038)；山西省科技创新项目(20161113)；山西师范大学自然科学基金资助项目(ZR1213).

李明(1982—)，男，博士，讲师，主要从事遥感物候和区域气候研究.

S 771.8 [学科代码] 220·2530

A