利用高光谱数据估算城市植被碳储量

李军吉,费佳宁,周 婷,高 广,赵珏晶,吴 敦

(1. 绍兴市勘察测绘院,浙江 绍兴 312000; 2. 宝略科技(浙江)有限公司,浙江 宁波 315000)

全球气候变暖、自然灾害频发及能源危机等环境问题严重影响人类的生产和生活,如何减少环境污染、低碳环保逐渐成为国内外的研究热点。作为碳排放的主体,中国城市实现“双碳”目标面临严峻挑战[1-3]。城市植被具有直接增汇、间接减排作用[4],通过分析不同植被固碳能力,科学估算植被碳储量,可以有效促进城市低碳发展。

国内外在碳汇量、碳储量方面的研究主要集中在森林、草地和湿地等方面[5],对于城市植被的固碳能力研究较少。现有的城市植被研究方法主要分为两个阶段,第一个阶段是生物量测算法,具体细分为平均生物量法、生物量转换因子法、模型测算法[6-7]。如文献[8]采用平均标准木法测算北京城区园林绿地总生物量;文献[9—10]通过样地实际测量数据和树木生物量方程分别估算出沈阳和南京城市森林的碳储量;文献[11]将野外调研与定位试验相结合,研究毛竹林分碳储量和空间分布。上述研究深入现场采集数据时会对环境产生一定的影响,整个流程耗时费力,速度慢效率低,不适合大面积和多尺度植物碳储量研究。

第二个阶段为基于遥感技术的大范围、大尺度、高精度估算植被碳储量[12]。如文献[13]通过遥感图像和GIS技术分析树木、植被、土壤和水体4种地物类型的碳汇情况;文献[14]通过拟合生物初级生产力GPP和植物指数,建立回归统计模型;文献[15]以北京海淀区城市绿地为研究区域,估算4种绿地碳储量;还有其他学者凭借遥感技术研究分析西安、义乌、温州[16-18]等地区的碳储量分布情况。上述研究仍需要人工方法配合验证,耗费一定的时间和人力。

本文以绍兴市上虞区的3个街道为研究区域,采用珠海一号高光谱遥感数据进行城市植被碳储量估算分析。通过植被固碳指数(carbon sequestration index,CSI)对植被固碳能力进行定性分析,采用单位面积生物量法定量计算碳储量,将两者拟合,得到高光谱植被碳储量估算模型,以期实现远距离植被碳储量高效估算,为高光谱数据在植被碳储量估算研究方面提供一种新思路。

1 研究区与数据简介

1.1 研究区概况

上虞区位于浙江东北部,属于北亚热带南缘季风气候区,其林木绿化率为37.92%,林地种类包括乔木地、竹林地、灌木林地、苗圃地等。本文主要围绕上虞区百官街道、曹娥街道、崧厦街道的中心城区展开研究,区域内植被属亚热带常绿阔叶林区,天然植被以次生常绿阔叶林、针叶林、针阔混交林和竹林为主,人工栽培以杉类和经济林树种为主[19]。针对研究区植被分布情况,选择乔木、灌木、竹林和草地4种类型作为研究对象。

1.2 数据源与预处理

1.2.1 数据源

采用的高光谱遥感数据来源于“珠海一号”03组卫星。每景遥感影像包含32个波段信息,空间分辨率为10 m,光谱分辨率为2.5 m,波长范围为400～1000 nm。其中上虞区3个街道使用的影像成像时间为2020年2月17日。

选择飞马无人机D200、D2000采集并制作1∶500 DOM数据,采集流程包括资料收集、空域申请、技术设计、检校和测区航飞。

1.2.2 数据预处理

遥感参数反演研究数据应包含准确几何定位的反射率信息,通过ENVI软件将32个单独的高光谱波段组合在一起,同时赋以中心波长、定标系数等字段信息。使用辐射定标工具自动从数据文件中读取定标参数,完成辐射定标。采用QUAC快速大气校正方法,通过ENVI 中的校正工具自动从图像上收集不同物质的波谱信息,获取经验值完成高光谱的大气校正。将校正后的图像与对应的一景DOM图像配准,从而获得地理坐标。

2 研究方法

研究的整体流程如图1所示。

图1 研究流程

2.1 监督分类

结合2021年《第三次全国国土调查主要数据公报》发布的数据库,选取上虞区3个街道的中心城区数据作为分类参考。根据高光谱图像的波谱特征及分类的复杂度,选择采用光谱角制图(spectral angle mapper,SAM)[20]对4种植被进行分类,计算公式为

(1)

式中,ρri为参考波谱;ρti为未知光谱;L为光谱曲线数。

高光谱图像的每个像元均可以获取一条连续的波谱曲线,以此作为参考波谱ρr,未知光谱为ρt,通过余弦计算两者间的夹角,夹角越小,相似性越大,即最小光谱角对应的类别即为未知波谱的类别。利用ERDAS软件进行评估,4种植被总体分类精度为88.10%,Kappa系数为0.84。

2.2 城市植被碳储量估算模型构建

2.2.1 固碳指数

由于NDVI能够反映植被长势和营养信息,PRI能够反映光能利用率或碳吸收效率,将两者有效结合可用于植被固碳能力的定性分析,因此本文提出固碳指数CSI用于衡量植被固碳能力强弱,相关计算公式为

CSI=100×NDVI×fPRI

(2)

(3)

式中,ρNIR代表近红外波段的反射率值,ρRED代表红光波段的反射率值。

(4)

式中,ρ531、ρ570分别表示波长为531、570 nm对应的反射率值。

(5)

NDVI与PRI数值区间在[-1,1],绿色植被的NDVI值通常大于0,为了避免PRI出现负数,利用数学方法将其调整为正值fPRI,其数值范围为[0,1]。鉴于NDVI和fPRI乘积得到的数值量级较小,不利于定性分析,因此增加系数100以扩大数量级。

2.2.2 生物量经验公式

为了进一步确定城市植被的碳储量,采用经验公式进行推算。通过结合乔木、灌木、竹林和草地的生物量与平均含碳率,利用单位面积生物量法计算4种植被的碳储量。表达式为

CBj=Bj×CFj

(6)

式中,j∈[1,4]表示乔木、灌木、竹林和草地4种植被类别;Bj表示j类植被的单位面积生物量;CFj表示j类植被的平均含碳率。结合浙江省内及宁波周边城市,包括杭州、台州、义乌等城市植被分布情况[21-22],得到4类植被单位面积生物量和平均含碳率参考值,见表1。

表1 4种植被单位面积生物量与平均含碳率参考值

2.2.3 高光谱碳储量估算模型建立与精度评价

根据固碳指数的定性分析结果及碳储量定量估算结果,分析两者间的关系,并建立拟合模型。固碳指数与碳储量均与植物光合作用能力呈正相关,但两者相关程度不同,因此需要结合数学中的非线性最小二乘法进行拟合,调用Python中的curve＿fit函数,寻找最优拟合曲线,本文将拟合数据与验证数据比例设置为4∶1。

回归模型的精度评价采用拟合优度R2和均方根误差(root mean square error,RMSE),计算公式为

(7)

(8)

(9)

(10)

(11)

式中,i为数据个数;Xobs,i为预测值;Xmodel,i为真值。

3 结果分析

通过上述固碳指数的定性分析和单位面积生物量方法的定量计算,分别得到4种植被类型的碳储量相关指标,共20组数据。由表2可知,竹林的固碳指数平均值最高,乔木次之,而草地最低,说明上虞区3个街道中的城市植被固碳能力存在明显差异,其中竹林与乔木固碳能力较强,草地固碳能力较弱。就碳储量而言,在单位面积范围内,4种植被的碳储量大小顺序为竹林>乔木>灌木>草地,这与固碳指数反映的结果一致。

表2 4种植被的固碳指数与单位面积碳储量

选取16组植被固碳指数与单位面积碳储量数值进行拟合,得到高光谱碳储量估算模型Y=3.5×10-3×1.86X+1.38,模型曲线如图2所示。X轴表示固碳指数,Y轴表示碳储量,R2值为0.937,说明两者拟合较好。利用其余4组数据进行模型验证,根据估算值和真实值得到均方根误差为1.733,证明模型估算结果较准确(见表3)。

表3 模型精度验证

图2 高光谱碳储量估算模型

该模型可用于上虞区、宁波等浙江省内城市植被的碳储量估算,如结合高光谱数据得到固碳指数,再代入模型得到碳储量估计值,但此模型适用的植被类型主要为乔木、灌木、竹林和草地。

为了分析碳储量估算的合理性和可靠性,进一步对比植被分布、单位面积碳储量分布及CSI分布结果。由图3可知,图3(a)为城市植被监督分类的结果,包含灌木、乔木、草地、竹林4类,其中乔木分布相对集中,灌木、竹林和草地分布相对分散,他们的面积分别为5.96 、15.30、3.62、20.86 km2。图3(b)为植被碳储量分布结果,4种植被的碳储量范围为1.5～22 Mg C/hm2,颜色越深表明碳储量越多,结合图3(a)不难发现,图3(b)深颜色分布的区域与植被分布区域基本一致,说明碳储量估算结果具备一定的可信度。图3(c)为植被固碳指数分布,取值区间为[-1,1],数值越大、颜色越浅代表固碳能力越强,且浅色区域基本处于植被的覆盖范围内,符合植被的固碳特征。

图3 碳储量分析

由图3可知,竹林的碳储量最大,固碳能力最强,其次分别为乔木、灌木、草地。根据每种植被的面积与碳储量,得到上虞区百官街道、曹娥街道、崧厦街道的中心城区植被碳储量总量分别为乔木12 546 Mg、灌木6426 Mg、竹林11 262 Mg、草地3296 Mg。

上述结论也为城市的绿化建设方面提供了参考思路,在合理范围内,可以将固碳能力较强的植被(如竹林)种植范围适当扩大,在不增加额外成本的情况下实现固碳效益最大化,助力城市的“双碳”建设。

4 结 语

本文提出了高光谱植被碳储量估算模型,在缺少人工测量数据的情况下,该模型能够快速高效地估算出城市植被的碳储量,在一定程度上实现了远程环保的碳储量研究,也为浙江省内相似地域的城市植被碳储量估算研究提供了新思路。此外,该模型的变量为植被固碳指数,仅与高光谱图像的光谱信息有关,因此在使用该模型进行估算时,无需样本分类,简化研究的流程并缩短时间。

接下来的研究工作可以分为两个方向,一是从时间维度切入,获取一个区域长时间连续的高光谱数据,进而分析植被固碳能力的变化及影响变化的因素,从而更好地指导城市绿地建设;二是从样本容量的丰富度切入,将高光谱数据与其他地理数据结合,从多个维度进行分析,实现模型的进一步细化和精准化。