衡量区域森林质量的数据标准（论文推荐结合冠层密度的森林净初级生产力遥感估测）

原创 李 陶等 南京林业大学学报

论文推荐

结合冠层密度的森林净初级生产力遥感估测

李 陶，李明阳*，钱春花

南京林业大学林学院。

森林净初级生产力(net primary productivity ,NPP)是指森林在单位面积、单位时间内所积累的有机物数量,表现为光合作用固定的有机碳中扣除植物本身呼吸消耗的部分。NPP作为地表碳循环的组成部分,能够直接反映自然环境条件下森林的生产能力,是评价森林生态系统可持续发展的重要指标之一,是生态系统碳汇和调节生态过程判定的主要因子,在全球变化及碳平衡中有着重要的作用。森林净初级生产力的估算研究有助于了解全球碳循环,为合理利用自然资源、修复受损森林等提供科学依据。

利用遥感数据可以获得大区域尺度内的森林覆盖状况、森林光谱特征等信息,同时这些信息与森林生产力密切相关,光学传感器和主动传感器已经被广泛应用于森林净初级生产力估测中。由于Landsat系列遥感卫星像元的空间分辨率为30 m×30 m,像元大小与森林经营单位(小班)的最小区划面积接近,经常被用来进行区域森林生产力遥感估测。区域尺度森林生产力估测中结合地面调查数据的遥感估测已成为重要的手段之一,但是在过去的研究中发现仅仅采用Landsat系列遥感图像构建模型估测森林NPP,存在光饱和因子问题，为了更加准确地构建森林NPP遥感估测模型,本研究引入一个新的变量—森林冠层密度(canopy density)。森林生产力与年龄,植被生长状况有关，而采用传统方法提取的遥感特征变量却不包含这些信息,森林冠层密度是从空中观测到的森林植被与投影面积的比例,在数值上与郁闭度相同,是反映林分密度的指标,是决定林分结构的重要因子之一,可以用来表示光照、水分,温度等环境因子通过林冠进入林分的再分布状况。

本期论文推荐的作者以广东省重点林区韶关市为研究对象，结合森林冠层密度采用Landsat-8 OLI 数据和随机森林、多元线性回归、人工神经网络、K-最近邻分类法等4种模型,进行森林净初级生产力特征变量选取、参数建模、精度评价、空间制图,以期能在区域尺度上通过遥感反演较为准确地预估森林NPP,通过加入森林冠层密度这一变量以提高NPP遥感估测模型的估测精度。

下面跟学报君一探究竟！

作者简介

通讯作者

李明阳，1967年生，教授，博士生导师，主要研究方向是森林资源与生态环境监测、风景林调查规划、林业遥感与GIS应用。1992年以来，先后主持和参加国家十五攻关、国家自然科学基金、环保部重大公益项目、中欧天然林保护项目、国家林业局948国外引进项目等科研课题近20项，出版学术专著3部，发表学术论文100多篇，其中SCI论文18篇。

第一作者

李陶，1996年11月生，南京林业大学森林经理学硕士研究生。

关键词：森林净初级生产力；冠层密度；遥感反演；韶关市

基金项目：国家自然科学基金项目（31770679）。

引文格式：李陶,李明阳,钱春花.结合冠层密度的森林净初级生产力遥感估测[J].南京林业大学学报(自然科学版), 2021 ,45(5):153-160.LI T,LI M Y,QIAN C H. Combining erown density to estimate forest net primary productivity by using remote sensing data[J].Jourmal of Nanjing Forestry University (Natural Sciences Edition),2021,45(5):153-160.DOI：10.12302/j.issn.1000-2006.202008007.

1目的

森林冠层密度与林分年龄、植被生长状况有关,在区域森林净初级生产力遥感估测中,结合森林冠层密度以期提高估测精度。

2方法

以广东省韶关市为研究对象,选用2017年 Landsat-8 OLI 影像、2017年357块森林资源连续清查固定样地数据为主要信息源,分别采用随机森林、多元线性回归、人工神经网络和K最近邻分类法等4种模型,结合森林冠层密度制图器(FCD)进行区域森林净初级生产力特征变量的选取、参数建模、模型精度评价和森林净初级生产力空间制图。

2.1 试验材料

韶关市位于广东省北部,北接湖南,东邻江西，东南面、南面和西面分别与广东省河源、惠州、广州及清远等市接壤(112°53'~114°45'E,23°53'~25°31'N),全境直线距离东西跨度为186.3 km,南北跨度为173.4 km,全市土地面积1.84万km²。韶关地形以山地丘陵为主,河谷盆地分布其中,平原、台地面积约占20%。地势北高南低,北部石坑崆海拔1902 m,为广东第一高峰,南部最低处海拔仅35 m。河流主要为珠江水系北江流域,北江以o江为干流,主要支流有武江、墨江、锦江、溺江、南水。

韶关属于中亚热带湿润季风气候区,气候宜人。年平均气温21 ℃,冬季各地气温自北向南递增,夏季各地气温较接近。雨量充沛,年均降雨1 700 mm,3—8月为雨季,9—2月为旱季,冬季北部有雪。Landsat-8 OLI 遥感图像受云量过多的限制,为保证研究质量,本研究仅选取条带号122、行编号43、云量0.7%。2017年10月下旬的一景图像进行研究,研究区域面积占韶关市总面积的94.5%。

韶关是全国重点林区,为广东省用材林、水源林和重点毛竹林基地,被誉为华南生物基因库和珠江三角洲的生态屏障。全市林业用地面积144.8万hm²,森林覆盖率为73.8%,林木绿化率为74.6% ,森林蓄积量8 917万m³。省级以上生态公益林面积占林业用地面积比达45.6% ,其中,国家级公益林占46.3%,省级公益林占53.7%。韶关市森林阔叶混交林和阔叶纯林居多,阔叶纯林主要有栎类(Quercus spp.)、桉树(Eucalyptus spp.)、樟树(Cinnamomum camphora)等树种;其次是以马尾松(Pinus massoniana)、杉木(Cunningha mialanceolata)等为代表的针叶纯林﹑针阔混交林以及以毛竹(Phyllostachys edulis)等为代表的竹林等。

2.2 研究方法

本研究主要数据包括:①自地理空间数据云网站( http:// www. gscloud. cn/)下载的广东省韶关市2017年10月 Landsat-8 OLI 遥感影像,条带号122,行编号43,云量0.7% ,多光谱波段空间分辨率为30 m×30 m;②地理空间数据云网站下载的韶关地区数字高程模型(DEM),空间分辨率为30 m×30 m;③韶关市2017年357块森林资源连续清查固定样地数据,样地间距为6 km×8 km ,每块样地面积为0.06 hm²,样地属性包括地形、地貌、土壤名称、优势树种、平均胸径、平均树高﹑龄组、郁闭度等60多个调查因子。

2.2.1 影像数据预处理

1 ) Landsat-8 OLI 影像预处理。使用 ENVI 5.3 软件对 Landsat-8 OLI 影像进行预处理。为消除大气和光照等因素对地物反射的影响,首先对影像进行辐射定标,然后使用 ENVI 软件下的 FLAASH 模块进行快速大气校正。研究区内地形以山地丘陵为主,南北海拔差异较大,遥感影像受传感器方位与太阳高度、方位等影响,造成因阴坡、阳坡接受的照度不同而引起亮度值出现差异,因此采用基于余弦校正模型的C校正算法对遥感图像进行地形校正,消除由于地形起伏而引起的影像辐射亮度值的变化,使影像更好地反映地物的光谱特征。

2)特征变量的提取。图像预处理结束后,根据肖兴威的研究,森林生产力与林分、土壤、地形等状况密切相关,所以使用ENVI软件提取归一化植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)、增强型植被指数(EVI)、绿度植被指数(GVI)、垂直植被指数(PVI)等6种植被指数以及叶面积指数(LAI)。对遥感图像进行缨帽变换,提取前3个分别反映土壤岩石、植被及土壤和植被中水分信息的分量。基于DEM提取地形因子——坡度作为变量之一。依据Li等的研究结果,本研究提取纹理特征时窗口大小选择3×3,灰度量化等级为64,计算对比度、相异性、平均值、均一性、角二阶矩、嫡、偏度﹑嫡相关性等。预测变量类型、名称、个数见表1。

▼表 1 NPP遥感估测模型备选自变量

注：Bi表示原始波段;INDVI为归一化植被指数;lRVI为比值植被指数;,lDVI为差值植被指数;lEVI为增强型植被指数;lGVI为绿度植被指数;lPVI为垂直植被指数;lLAI为叶面积指数;IBright表示亮度指数;IGreen表示绿度指数;lWet表示湿度指数;ISlope表示坡度;Bi表示Landsat-8波段2至波段7的纹理特征;Bcon表示对比度;Bdis表示相异性;Bmea表示平均值;Bhom表示均一性;Basm表示角二阶矩;Bent表示嫡;Bske表示偏度skewness;Bcor表示相关性。

2.2.2 样地森林净初级生产力计算

森林净初级生产力由群落生长量和年凋落量组成。根据2017年森林资源连续清查数据中样地林木蓄积量数据及余超等提供的中国不同森林类型生物量与蓄积量、生物量与群落生长量和年凋落量之间的函数关系,以蓄积量为基础计算不同森林类型的生物量,依据生物量分别计算群落生长量与凋落量,求得每块样地的森林净初级生产力(NPP) 。

2.2.3 森林冠层密度的计算

引用森林冠层密度制图器(FCD)进行森林冠层密度的提取。根据Joshi等的研究可知,森林冠层密度的提取有人工神经网络(ANN)、多元线性回归技术(MLR)、森林冠层密度制图器(FCD)、最大似然分类(MLC)4种方法。在4种方法中，FCD在3个东南亚国家获得的森林冠层密度准确率平均值为92%。FCD模型以森林生长现象为基础,能够检测森林冠层密度时间上的变化。FCD模型基于 Landsat-8 提取植被指数(Iv)、裸土指数(IB)、阴影指数(IS)3个指数来计算森林冠层密度,绘制森林冠层密度图。与NDVI相比,I v对植被数量的反应更为敏感,I B随地表裸露程度的增加而增大，I S随森林密度的增加而增大。3个指数及FCD(式中记为FCD)计算公式如下:

式中:B2—B6分别表示蓝、绿、红、近红外和短波红外波段的亮度值;当(B5-B4)小于0时,I v=0;VD表示植被密度值,由I v和I B利用主成分分析合成得到;I SS表示尺度阴影指数,通过I S的线性变换得到。

3结果

特征变量中,红光波段(B4)、归一化植被指数(NDVI)、比值植被指数(RVI)、叶面积指数(LAI)、缨帽变换土壤植被因子,纹理特征和地形特征在森林净初级生产力反演中有重要作用。将森林冠层密度因子加入反演模型后,4种遥感估测模型精度均有大幅度提高。对4种遥感估测模型进行性能比较,随机森林模型精度最高,其次是多元线性回归模型、人工神经网络模型,K最近邻分类模型精度最低。研究区内森林净初级生产力平均值为10.689 t/(hm²·a) ,高森林净初级生产力[≥18 t/(hm².a)]林分面积仅占研究区的19.61% ,主要分布在海拔较高的西北部。

3.1 不同森林类型NPP比较分析

不同森林类型的NPP对比见图1。从图1可看出:2017年研究区内风景林的NPP最高[16.95t/ (hm².a)],原因为风景林主要位于研究区人口密集、经济发达的城镇及周边地区,投资力度大,经营强度高;自然保护林的 NPP为16.91 t/ (hm².a),排名第2,与远离城镇、保护力度大、人为干扰少存在密切联系;而水土保持林的NPP最低[ 10.64 t/ (hm²·a)],原因在于水土保持林大多地处海拔较高、坡度较陡、立地条件较差的地段;短轮伐期用材林的NPP[ 14.49 t/ (hm²·a)]高于一般用材林[13.69 t/ (hm²·a)],原因在于短轮伐期的树种以速生丰产的桉树为主,而一般用材林则以轮伐期较长生长较慢的杉木、马尾松为主。

▲图 1 不同森林类型的NPP比较

不同林型的NPP比较见图2。从图2可看出，2017年研究区内竹林的 NPP最高[26.35t/(hm²·a)],这与竹类生长迅速的特性相吻合;阔叶林的NPP[12.39 t/(hm²·a)]高于针叶林的[11.41 t/(hm²·a)];阔叶混交林的 NPP[17.71t/(hm²·a)]高于针叶混交林的[17.50 t/(hm²·a)]。针阔混交林的NPP[12.56 t/(hm²·a)]低于针叶混交林的原因是针阔混交林以天然次生林为主,由于经济效益差,经营强度低,林木生长缓慢。而针叶混交林以人工营造的水源涵养林和一般用材林为主,经营强度较高,受人为不良干扰较少,林木生长状况较好,生长速度较快。

▲图 2 不同林型的NPP比较

3.2 森林冠层密度的精度验证

在357块样地中，筛选出林地中郁闭度不为0的233块样地,对FCD模型估测的森林冠层密度进行验证,郁闭度与森林冠层密度的相关系数为0.87,RMSE为0.12,由此可见FCD模型估测精度较高,可用此模型对森林冠层密度进行估测。

依据FCD模型计算得到研究区森林冠层密度图(图3)。从图3可以看出, FCD的空间分布与海拔、人口密度等地形条件及经济发展水平存在密切的关系:研究区中部,西部及东北部,地形以河谷盆地为主,坡度平缓,城镇密集,经济较为发达,人口密度大,森林覆盖率低,森林冠层密度较低;研究区北部、南部及西南部,海拔较高,坡度较陡,人口密度较低,森林覆盖率高,人为干扰少,林木生长状况良好,森林冠层密度较高。

▲图 3 研究区森林冠层密度图

3.3 模型精度评价

模型精度评价分为是否加入森林冠层密度两种情形,将表2中的特征变量,分别代入随机森林、人工神经网络、多元线性回归、K-最近邻分类法4种模型中,建立NPP遥感估测模型,使用十折交叉验证法进行验证。具体遥感预测精度评价结果见表3。

▼表 3 加入森林冠层密度前后模型精度对比分析

表3显示,在4种遥感估测模型中,无论是否加入森林冠层密度,随机森林算法预测精度最高，其次是人工神经网络、多元线性回归,K-最近邻分类法预测精度最低。随机森林是进行两次取样,首先是有放回的随机抽样得到训练样本的采样集,然后从所有特征中随机选择特征,并选择最佳分割特征作为节点构建分类回归树,这使得最终建立的模型有较强的泛化性。研究区海拔差异大,地形复杂,因变量与大多数特征变量线性相关程度较低，因此在加入森林冠层密度之前多元线性回归在4种估测模型中估测精度最低。在多元线性回归模型中,加入冠层密度之后,由于冠层密度与NPP相关系数较高,并且冠层密度与NPP直接相关的年龄﹑胸径,树高相关系数较高,较大幅度提升了多元线性回归模型的预测精度。人工神经网络相对于传统的机器学习算法来说,需要更多的数据,本研究仅有样地数据357块,因此预测精度较低。K-最近邻分类法预测精度最差的原因是分类预测时一般选择多数表决法,当样本容量较小时较容易产生误分。从表3还可以看出,森林冠层密度加入4种遥感估测模型后预测精度明显提升,这是由于森林冠层密度与年龄、林分密度、林分结构等有关,而以上因素均会影响森林NPP的大小。

3.3 NPP空间制图

通过以上建模方式的对比,最终在4种遥感估测模型中选择最优的结合森林冠层密度的随机森林模型进行研究区内NPP制图(图4)。

▲图 4 研究区森林净生产力分级图

从图4可以看出, NPP较高的区域主要分布在海拔较高的北部、南部、西南部,NPP较低的林分主要分布在中部、西部、东北部海拔较低的丘陵、河谷盆地。海拔较高的山地人口密度小,人为干扰活动少,森林植被能够较好地进行自然生长;海拔低的丘陵河谷地带人口密度大,森林覆盖率低,人为干扰活动多,林分质量差。由此可以看出,NPP的空间分布趋势与研究区的地貌特征、社会经济状况吻合度较高。

计算结果显示,研究区内森林NPP平均值为10.689 t/(hm²·a) ,标准差为7.389 t/(hm²·a)。为进一步了解研究区内各地区NPP情况,采用平均值±标准差的方法,将NPP划分为低[<3 t/(hm²·a)]、中[≥3~11 t/(hm²·a)]、较高[≥11~18 t/(hm²·a)]和高[≥18 t/(hm²·a)]4个等级。结果表明,研究区内森林 NPP以低级(面积占比39.22%) 、较高级(面积占比 24.09%)为主,其次是高级(面积占比19.61%) ,最低的是中级(面积占比17.08%)。

研究区内森林NPP平均值为10.689t/ (hm²·a),其他研究中广州市NPP平均值为6.95 t/ (hm²·a),这与姜春的研究中珠江三角区森林NPP年均值要明显低于粤北地区的研究结果相吻合。同期中国森林NPP平均值为9.50t/ (hm²·a),广西的 NPP为6.62 t/ (hm²·a)福建的NPP为5.87 t/ (hm²·a),江西的NPP为5.23 t/ (hm²·a)。研究区森林NPP稍高于全国森林NPP,这与韶关为全国重点林区有关;明显高于邻近省份,原因是研究区内森林以中幼林为主，生长速度较快,同时韶关为全国重点林区,林地质量较好,森林经营强度较高,对于森林保护较为重视。

预测变量的选取包括原始波段、植被指数、纹理特征、地形特征﹑森林冠层密度等多方面特征因子,但是4种遥感估测模型均出现预测精度小于拟合精度的现象,说明反演过程中依然存在过拟合现象。这可能与地形、林种、林种结构等有关,如何将林种、树种分类特征引入特征变量,从而提高遥感估测模型精度,需要进一步研究。

4结论

结合冠层密度进行森林净初级生产力的建模,可有效提高模型估测精度。

关注我们，更多精彩

,