袁振花，　張茂震，　郭含茹，　秦立厚（1.浙江農(nóng)林大學(xué) 浙江省森林生態(tài)系統(tǒng)碳循環(huán)與固碳減排重點(diǎn)實(shí)驗(yàn)室，浙江 臨安311300；2.浙江農(nóng)林大學(xué) 環(huán)境與資源學(xué)院，浙江 臨安 311300）

?

基于空間協(xié)同仿真模擬的開化縣森林碳估計(jì)

袁振花1，2，張茂震1,2，郭含茹1,2，秦立厚1，2
（1.浙江農(nóng)林大學(xué) 浙江省森林生態(tài)系統(tǒng)碳循環(huán)與固碳減排重點(diǎn)實(shí)驗(yàn)室，浙江 臨安311300；2.浙江農(nóng)林大學(xué) 環(huán)境與資源學(xué)院，浙江 臨安 311300）

摘要：森林碳儲(chǔ)量是反映森林生態(tài)系統(tǒng)生產(chǎn)力的重要指標(biāo)，也是區(qū)域森林碳匯計(jì)量的基礎(chǔ)。以浙江省開化縣為研究區(qū)，采用2013年資源3號(hào)遙感影像與2014年森林資源清查樣地?cái)?shù)據(jù)，結(jié)合序列高斯協(xié)同模擬方法對(duì)全縣地上部分森林碳儲(chǔ)量及其分布進(jìn)行估計(jì)，并以平均誤差、殘差平方和、平均相對(duì)誤差以及均方根誤差4個(gè)指標(biāo)為基礎(chǔ)對(duì)估計(jì)結(jié)果進(jìn)行精度評(píng)價(jià)。結(jié)果表明：開化縣2014年森林總碳儲(chǔ)量空間協(xié)同仿真估計(jì)結(jié)果為7.221 573 Tg，碳密度值分布為0～109.178 0 Mg·hm-2，均值為32.376 4 Mg·hm-2，基于15%檢驗(yàn)樣本的平均相對(duì)誤差為4.565%，仿真估計(jì)碳總量在實(shí)測(cè)樣地估算的置信區(qū)間內(nèi)。本研究發(fā)現(xiàn)，遙感影像與地面樣地森林碳密度的相關(guān)性隨遙感影像的空間分辨率變化而變化，這對(duì)于提高森林碳儲(chǔ)量估計(jì)精度有著重要意義，也是下一步研究的重點(diǎn)。圖5表3參29

關(guān)鍵詞：森林生態(tài)學(xué)；森林碳儲(chǔ)量；序列高斯協(xié)同模擬；資源3號(hào)；森林資源清查

森林是陸地生態(tài)系統(tǒng)的主體，也是生物碳的主要載體，每年固定的碳占整個(gè)陸地生態(tài)系統(tǒng)碳總量的2/3，對(duì)減緩溫室效應(yīng)起著決定性作用［1-2］。精確計(jì)量和監(jiān)測(cè)區(qū)域森林碳儲(chǔ)量及其分布，不僅是區(qū)域碳源匯功能評(píng)價(jià)的基礎(chǔ)，也對(duì)環(huán)境發(fā)展和相關(guān)決策有重要參考意義。目前，對(duì)森林生物量/碳儲(chǔ)量，傳統(tǒng)估算方法主要有收獲法、測(cè)樹學(xué)法、森林資源清查法。傳統(tǒng)估計(jì)方法以實(shí)測(cè)數(shù)據(jù)為基礎(chǔ)，需要進(jìn)行大量的實(shí)地調(diào)查，工作量大、周期性長(zhǎng)，在推測(cè)大面積林分生物量時(shí)，待測(cè)林分的每木檢尺數(shù)據(jù)往往難以獲得［3］。遙感技術(shù)作為一門綜合性探測(cè)技術(shù)，可以在短時(shí)間內(nèi)對(duì)同一地區(qū)進(jìn)行重復(fù)探測(cè)，獲取大面積同步觀測(cè)數(shù)據(jù)，并且不受地形阻隔等限制，彌補(bǔ)了傳統(tǒng)樣地調(diào)查方法的不足，具有良好的綜合性和現(xiàn)勢(shì)性［4］。在基于遙感的森林碳儲(chǔ)量估測(cè)過程中，根據(jù)光譜信息與森林植被關(guān)系構(gòu)造的不同遙感信息模型進(jìn)行分類，可概括為非參數(shù)模型和參數(shù)模型2種方法。非參數(shù)模型法主要包括：KNN（K-nearest neighbor）法，作為一種較早被國(guó)內(nèi)外學(xué)者使用的方法，主要用應(yīng)用于區(qū)域森林蓄積量和生物量的估計(jì)［5-7］；人工神經(jīng)網(wǎng)絡(luò)（ANN）模型估測(cè)法，在近幾十年中被應(yīng)用和發(fā)展，通過與遙感信息和野外調(diào)查數(shù)據(jù)結(jié)合對(duì)研究區(qū)的森林蓄積量和生物量估計(jì)，并在有效性和精確性上得到驗(yàn)證［8-10］。參數(shù)模型法有：線性模型估測(cè)法，該方法原理簡(jiǎn)單且應(yīng)用廣泛，以遙感影像信息和實(shí)測(cè)樣地生物量間的線性關(guān)系為依據(jù)，對(duì)森林生物量進(jìn)行估算［11-13］；非線性模型估測(cè)法則通過建立兩者的非線性模型實(shí)現(xiàn)對(duì)森林生物量的估計(jì)及其動(dòng)態(tài)變化［14-16］，也是森林生物量估算的常用方法之一；序列高斯仿真模型估測(cè)法，在過去的研究中主要運(yùn)用在土壤、采礦、油田等方面，近年來在林業(yè)應(yīng)用中有所發(fā)展，通過將模型與林業(yè)實(shí)際生產(chǎn)過程需求結(jié)合［17］，建立遙感信息及樣地清查數(shù)據(jù)之間的空間關(guān)系［18-19］，對(duì)區(qū)域森林碳儲(chǔ)量及其分布進(jìn)行探究。非參數(shù)估計(jì)中人工神經(jīng)網(wǎng)絡(luò)模型外延性較差，并需要依據(jù)大量的野外調(diào)查數(shù)據(jù)以及多次測(cè)算作為依據(jù)［5］，KNN法則在原理上過于依賴極限定理，致使在像元尺度上生物量估計(jì)的誤差較大［20-21］。參數(shù)估計(jì)方法中主要以回歸模擬為主導(dǎo)，采用最小二乘法以降低局部真實(shí)性使模擬結(jié)果達(dá)到整體最優(yōu)，具有較高的平滑效應(yīng)［22］。序列高斯協(xié)同仿真模擬不僅克服了回歸模型的平滑缺陷，真實(shí)再現(xiàn)區(qū)域森林碳分布的局部特征，還提供了估計(jì)結(jié)果的不確定性，通過對(duì)不確定性傳播模型的模擬分析實(shí)現(xiàn)對(duì)森林碳估計(jì)結(jié)果的評(píng)價(jià)［23］。目前，空間仿真方法在區(qū)域森林碳儲(chǔ)量估計(jì)方面的應(yīng)用研究較少。本研究以浙江省開化縣為研究區(qū)，基于2014年森林資源清查樣地?cái)?shù)據(jù)與2013年資源3號(hào)遙感影像數(shù)據(jù)（2 m×2 m分辨率融合影像），采用序列高斯協(xié)同仿真算法，對(duì)該區(qū)域地上部分森林碳儲(chǔ)量及其分布進(jìn)行空間估計(jì)，并對(duì)模擬誤差進(jìn)行分析。

1　材料與數(shù)據(jù)

1.1研究區(qū)概況

浙江省衢州市開化縣（28°53′25″～29°31′06″N，118°00′07″～118°39′04″E）是浙江主要河流——錢塘江的源頭，地處浙江省西北部，浙皖贛三省交界處，擁有多個(gè)國(guó)家森林公園、風(fēng)景區(qū)，是浙江省主要的林業(yè)縣之一。

開化縣屬亞熱帶季風(fēng)氣候，四季分明，溫暖濕潤(rùn)，年均降水量為1 814.0 mm，日照時(shí)數(shù)1 712.5 h，年平均氣溫16.4℃，晝夜溫差平均10.5℃，無霜期252 d。全境東西長(zhǎng)為63.4 km，南北寬69.5 km，總面積2 234.0 km2，其中85%為山地。

全縣屬浙西中山丘陵，物種豐富，植被類型多樣，其中森林植被主要以馬尾松Pinus massoniana，杉木Cunninghamia lanceolata，硬闊，軟闊和毛竹Phyllostachys edulis為主。開化全縣森林覆蓋率達(dá)79.6%，林業(yè)用地面積19萬hm2，林木蓄積840萬m3（2007年）。

1.2數(shù)據(jù)準(zhǔn)備

1.2.1資源3號(hào)遙感影像數(shù)據(jù)研究采用2013年11月資源3號(hào)衛(wèi)星空間分辨率為2 m×2 m的融合影像（圖1）為遙感數(shù)據(jù)源。影像數(shù)據(jù)在PCI GeoImaging Accelerator（GXL）軟件下自動(dòng)進(jìn)行正射校正、影像配準(zhǔn)、影像融合處理，正射校正誤差在1個(gè)像元之內(nèi)。為選出與實(shí)測(cè)樣地碳密度相關(guān)性較高的影像因子作為變量參與碳儲(chǔ)量估計(jì)建模，提取樣地位置對(duì)應(yīng)的各波段、波段比值及其植被指數(shù)等影像特征值，分析各個(gè)像元特征值與其對(duì)應(yīng)樣地森林碳之間的相關(guān)性，并通過相關(guān)性分析選擇相關(guān)性最好的波段參與序列高斯協(xié)同仿真模擬。

1.2.2森林資源清查樣地?cái)?shù)據(jù)本研究以開化縣全區(qū)域2014年森林資源清查固定樣地?cái)?shù)據(jù)為地面實(shí)測(cè)數(shù)據(jù)（圖1）。全縣有樣地95個(gè)，樣地為正方形，邊長(zhǎng)28.28 m，面積0.08 hm2，間距為4 km×6 km。優(yōu)勢(shì)樹種（組）包含馬尾松、杉木、硬闊、軟闊和毛竹，共5類，其中無林地22個(gè)，有林地73個(gè)。借助ArcGIS 9.3軟件，隨機(jī)抽取85%（80個(gè)）地面樣地?cái)?shù)據(jù)作為訓(xùn)練樣本參與模型模擬，剩余15%（15個(gè)）為檢驗(yàn)樣本對(duì)森林碳儲(chǔ)量模擬結(jié)果的精度進(jìn)行檢驗(yàn)。其中，實(shí)測(cè)地面樣地地上部分森林碳密度與從中隨機(jī)抽取作為訓(xùn)練樣本和檢驗(yàn)樣本的地上部分碳密度描述性統(tǒng)計(jì)如表1。

圖1 開化縣樣地分布圖Figure 1 Location and distribution of plots of Kaihua County

1.2.3數(shù)據(jù)匹配處理由于樣地?cái)?shù)據(jù)與資源3號(hào)影像采用的地理坐標(biāo)系統(tǒng)不同，通過對(duì)樣地坐標(biāo)參數(shù)的轉(zhuǎn)換將兩者統(tǒng)一為CGCS_2000國(guó)家地理坐標(biāo)系統(tǒng)。同時(shí)，分辨率不同會(huì)導(dǎo)致數(shù)據(jù)匹配誤差，影響模型模擬的效果，因此對(duì)遙感影像重采樣至30 m×30 m分辨率與樣地匹配。

2　研究方法

2.1實(shí)測(cè)樣地森林植被碳儲(chǔ)量估計(jì)

地面實(shí)測(cè)數(shù)據(jù)包含樣地?cái)?shù)據(jù)和樣木數(shù)據(jù)（含單株毛竹數(shù)據(jù)）2個(gè)部分，每個(gè)樣地的森林生物量、碳儲(chǔ)量由每株樣木（或毛竹）的生物量和碳儲(chǔ)量累加而來。以97個(gè)地面樣地每木檢尺記錄為基礎(chǔ)，按照研究區(qū)主要樹種的立木胸徑—生物量模型（表2）計(jì)算單株樣木地上部分生物量，因而選擇不含樹高的一元模型計(jì)算單株生物量。最后根據(jù)廣泛接受的生物量—碳儲(chǔ)量轉(zhuǎn)換系數(shù)0.5，將累加樣地內(nèi)所有樣木生物量得到的樣地森林地上部分生物量轉(zhuǎn)換為樣地地上部分碳儲(chǔ)量。其中，扣除檢尺類型為采伐木、多測(cè)木以及枯倒木的部分，由于樣木調(diào)查不包含樹高。

表1 地面樣地森林碳密度估計(jì)描述性統(tǒng)計(jì)Table 1 Statistical description of the aboveground plot carbon density

2.2序列高斯協(xié)同仿真模型模擬估計(jì)

序列高斯協(xié)同仿真模擬（sequential Gaussian co-simulation），以地統(tǒng)計(jì)學(xué)中變異函數(shù)為基礎(chǔ)，將已知點(diǎn)x處的觀測(cè)值Z（x）作為隨機(jī)變量構(gòu)造一個(gè)概率空間，并依照區(qū)域內(nèi)距離觀測(cè)點(diǎn)為h（有方向、大小的向量）的所有值Z（x+h），計(jì)算此概率空間內(nèi)隨機(jī)變量的期望和方差，可得到與該隨機(jī)變量Z（x）相符的高斯分布概率密度函數(shù)以及條件累積分布函數(shù)。進(jìn)而根據(jù)Monto-Carlo原理隨機(jī)抽取累積分布函數(shù)中一個(gè)值作為服從該分布的一次模擬結(jié)果。該模擬方法不但能保持變量的空間相關(guān)性不變，還能使觀測(cè)數(shù)據(jù)條件化，參與模擬點(diǎn)越多，模擬結(jié)果越接近客觀實(shí)際。

表2 研究區(qū)樣地地上部分生物量與碳儲(chǔ)量計(jì)算Table 2 Carbon density and biomass calculated in the aboveground of the study area

針對(duì)森林的分布和自身地理特征，序列高斯模擬可以很好地對(duì)區(qū)域森林碳儲(chǔ)量結(jié)構(gòu)性和隨機(jī)性進(jìn)行描述和分析。其中，協(xié)方差函數(shù)和半變異函數(shù)是以區(qū)域化變量為理論基礎(chǔ)的地統(tǒng)計(jì)學(xué)基本函數(shù)，用這2個(gè)模型對(duì)森林碳儲(chǔ)量進(jìn)行描述能夠兼顧其結(jié)構(gòu)性與隨機(jī)性。同時(shí)，2個(gè)相交的半變異函數(shù)可以度量其對(duì)應(yīng)的2個(gè)隨機(jī)變量Z（xα）與Z（xα+h）的空間相關(guān)性。隨機(jī)函數(shù)的半變異函數(shù)γZ（h）和協(xié)方差CZ（h）表示為：

在區(qū)域森林碳估計(jì)中，僅采用實(shí)測(cè)樣地?cái)?shù)據(jù)信息相對(duì)單一。王廣興等［18］則在此基礎(chǔ)上引入信息豐富的遙感影像數(shù)據(jù)。假設(shè)遙感影像的光譜變量為Y，則Y（x）為空間x處的一個(gè)隨機(jī)函數(shù)，通過樣地與影像相應(yīng)位置的交叉半變異函數(shù)γZY（h）和交叉協(xié)方差函數(shù)CXY（h）更加精確地描述出森林碳儲(chǔ)量的分布和空間變異情況。2個(gè)函數(shù)分別表示為：

式（3）和（4）中：Y（xα）, Y（xα+h）分別表示在xα和xα+h這2個(gè)位置的光譜值。

序列高斯協(xié)同仿真模擬的程序運(yùn)行步驟可概括為：①采用隨機(jī)抽樣法抽取一個(gè)像元作為待估點(diǎn)并設(shè)置影像像元的估算順序；②對(duì)已知樣點(diǎn)擬合得到半變異函數(shù)，以確定模型模擬的變程、基臺(tái)值、塊金值參數(shù)；③根據(jù)點(diǎn)協(xié)同克里格法得到變程內(nèi)已知樣本的均值和方差，以此得到待估像元對(duì)應(yīng)的條件累積分布函數(shù)；④在累積分布函數(shù)中隨機(jī)抽取一個(gè)值作為該像元的碳密度模擬值；⑤重復(fù)步驟③～④遍歷整個(gè)影像直至得出研究區(qū)內(nèi)每個(gè)像元的估計(jì)值，即可獲得一幅研究區(qū)森林碳分布圖；⑥重復(fù)③～⑤步驟N次，得到N幅森林碳密度分布圖，通過計(jì)算碳分布圖對(duì)應(yīng)像元N次模擬的均值和方差，進(jìn)而得到用于不確定性分析的森林碳分布方差圖和概率圖。在本研究中，N的經(jīng)驗(yàn)值為200。

2.3精度驗(yàn)證

根據(jù)以下幾種誤差衡量指標(biāo)來進(jìn)行統(tǒng)計(jì)描述［28-29］。

2.3.1平均誤差EME（mean error，ME）所有測(cè)量值估計(jì)誤差的平均值，用來衡量估值結(jié)果的準(zhǔn)確性。

2.3.2殘差平方和ERSS（residual square sum，RSS）真實(shí)值與估測(cè)值之差的平方和，表示隨機(jī)誤差的效應(yīng)。

2.3.3平均相對(duì)誤差EMRE（mean relative error，MRE）是一種比較常用的指標(biāo)，但是需要與其他指標(biāo)相結(jié)合共同完成模型精度的評(píng)估。

2.3.4均方根誤差ERMSE（root mean square error，RMSE）衡量估計(jì)值與真實(shí)值之間的偏差，能夠很好的反映出估測(cè)的精度。

2.3.5相對(duì)均方根誤差ERRMSE（relative root mean square error，RRMSE）通過相對(duì)均值的離散程度來反映模型的模擬精度。

3　結(jié)果與分析

3.1理論模型結(jié)果及分析

基于開化縣全國(guó)森林資源清查樣地以及資源三號(hào)遙感影像融合數(shù)據(jù)第3波段（用Band3表示），借助統(tǒng)計(jì)軟件VARIOWIN，采用球狀模型進(jìn)行序列高斯協(xié)同仿真模擬樣地森林碳密度及其分布，獲得Spherical標(biāo)準(zhǔn)化模型：

如圖2所示的變異函數(shù)，在變程為7 740 m的范圍內(nèi)，各個(gè)測(cè)量值相關(guān)，而當(dāng)超出變程時(shí)，測(cè)量值的相關(guān)性消失，可認(rèn)為其相互獨(dú)立。

3.2碳儲(chǔ)量模擬結(jié)果及分析

在全縣區(qū)域總量上，序列高斯協(xié)同仿真模擬總體總量完全落入按照實(shí)測(cè)樣地?cái)?shù)據(jù)及其相關(guān)模型估算總量的置信區(qū)間內(nèi)，且在分布上與實(shí)際的森林碳密度一致。

從圖3A森林碳密度均值分布來看，開化全縣整體森林碳密度分布呈中間低周邊高趨勢(shì)，且高密度分布范圍集中于全縣四周。由于研究區(qū)北部和西北部集中了“錢江源森林公園”和“古田山國(guó)家自然保護(hù)區(qū)”等森林公園、自然保護(hù)區(qū)，森林覆蓋面積達(dá)到80.4%，因此北部和西北部區(qū)域森林碳密度較高。南部及西南部也有部分區(qū)域分布較高密度森林，東部森林碳密度相對(duì)偏低。在研究區(qū)中南部和東部部分區(qū)域覆蓋了大量的居民區(qū)、道路、河流等地物，因而森林覆蓋率低，其余區(qū)域森林碳密度中等。

圖2 樣地森林碳空間標(biāo)準(zhǔn)化變異函數(shù)Figure 2　 Standardized semi variogram function of sample forest carbon

從圖3B來看，空間仿真模擬的碳分布與樣地實(shí)測(cè)值的高低走勢(shì)基本一致，樣地實(shí)測(cè)值高處則模擬值高，樣地實(shí)測(cè)值低處則模擬值低。全區(qū)域森林碳密度最高達(dá)109.178 Mg·hm-2，此結(jié)果在森林資源清查樣地碳密度范圍以內(nèi)（最大142.11 Mg·hm-2）。

圖4A為空間仿真模擬森林碳密度估計(jì)值的方差分布圖，表示每一個(gè)像元多次（200次）仿真的估計(jì)方差，體現(xiàn)了每個(gè)位置上估計(jì)值的變化程度，同時(shí)代表在該位置森林碳密度不確定性大小。從圖中分布可以看出，森林碳密度方差與均值的趨勢(shì)基本一致，北部、西北部和南部、西南部的森林覆蓋多，碳密度變化大，空間變異性強(qiáng)，中部、中南部碳密度變化小，空間變異性較弱，表明森林碳密度高的區(qū)域均值的變化幅度較大，森林分布不均勻。

圖4B為碳密度大于均值的概率圖，表示每個(gè)位置上多次（200次）仿真結(jié)果大于均值的次數(shù)與總的仿真系數(shù)之比，反映了森林碳密度大于均值的概率分布情況。從圖中分布可以看出，大于均值的概率分布與均值分布基本一致。

3.3模型模擬精度分析

在模型模擬之后，基于15%以及全部樣地抽樣數(shù)據(jù)，采用平均誤差、殘差平方和、平均相對(duì)誤差以及均方根誤差4個(gè)指標(biāo)對(duì)空間仿真模擬結(jié)果進(jìn)行綜合評(píng)估（表3），并以檢驗(yàn)樣本與實(shí)測(cè)樣地碳密度值的吻合程度作為模擬精度的參考標(biāo)準(zhǔn)（圖5）。

表3 空間仿真模擬誤差分析表Table 3 Analysis in the error of spatial simulation

經(jīng)統(tǒng)計(jì)，15%抽樣樣地和全部樣地作對(duì)空間仿真估計(jì)結(jié)果檢驗(yàn)的平均誤差分別是9.702 2和5.702 3，平均相對(duì)誤差分別為4.565%和0.558%，表明序列高斯協(xié)同仿真模擬是一種精度較高的估計(jì)方法，隨著檢驗(yàn)樣本的增加，模型的模擬精度提高。

圖3 開化縣森林碳估計(jì)均值圖及其與樣地實(shí)測(cè)值對(duì)比圖Figure 3 Distribution of forest carbon estimation in Kaihua County and contrast with the plots measurements

均方根誤差能夠很好地反映真值和估計(jì)值之間變化的劇烈程度。數(shù)據(jù)顯示，15%抽樣檢驗(yàn)以及全部樣地檢驗(yàn)的均方根誤差為22.608 6和18.780 0，根據(jù)2種檢驗(yàn)樣本碳均值26.402 5 Mg·hm-2，26.653 2 Mg·hm-2，得出兩者對(duì)應(yīng)的相對(duì)均方根誤差（RRMSE）分別是0.856和0.705，相對(duì)均方根誤差越小，相對(duì)均值的離散程度越小，模型的精度也就越高。

圖4 空間仿真碳密度方差圖和碳密度大于均值的概率圖Figure 4 Variances distribution of space simulation and probabilities for estimates greater than mean values

圖5 空間仿真模擬檢驗(yàn)Figure 5 Inspection of spatial simulated values

相比較，2種檢驗(yàn)樣本除殘差平方和外，其余誤差均隨檢驗(yàn)樣本的增加而減小，主要因?yàn)闅埐钪笜?biāo)是所有參與檢驗(yàn)樣本的誤差之和，樣本越大，帶來的隨機(jī)誤差就會(huì)越大。按照2次檢驗(yàn)樣本所占比例15%和100%，可發(fā)現(xiàn)總體誤差的增加程度遞減，說明模型的模擬精度提高。

圖5模型模擬檢驗(yàn)的結(jié)果發(fā)現(xiàn)，檢驗(yàn)樣本仿真估計(jì)的結(jié)果與實(shí)測(cè)樣地的結(jié)果趨勢(shì)基本一致。通過觀察得出，當(dāng)采用15%檢驗(yàn)樣本時(shí)，由于樣本個(gè)數(shù)較少，造成個(gè)別誤差明顯（圖5A），而全部樣本作為檢驗(yàn)樣本時(shí)，誤差降低（圖5B）。

4　結(jié)論與討論

本研究以森林資源清查數(shù)據(jù)與資源三號(hào)遙感影像數(shù)據(jù)為基礎(chǔ)，對(duì)開化縣2014年森林碳儲(chǔ)量及其分布進(jìn)行序列高斯協(xié)同仿真模擬，得到總碳儲(chǔ)量估計(jì)結(jié)果7.221 573 Tg，碳密度模擬值為0～109.178 0 Mg· hm-2，碳密度平均值為32.376 4 Mg·hm-2。以實(shí)測(cè)樣地?cái)?shù)據(jù)估計(jì)結(jié)果作為真實(shí)參考，總碳儲(chǔ)量為5.953 610 Tg，樣地碳密度值為0～142.112 2 Mg·hm-2，碳密度均值26.650 0 Mg·hm-2，總體估計(jì)精度達(dá)78.7%。

由于開化縣擁有森林資源豐富的國(guó)家森林公園和自然保護(hù)區(qū)，因此估計(jì)得到較高的碳儲(chǔ)量。受人類活動(dòng)范圍的影響，其碳分布主要集中在研究區(qū)北部、西北部以及南部、西南部地區(qū)，與碳分布的估計(jì)結(jié)果基本吻合。根據(jù)精度分析得出空間仿真模擬對(duì)區(qū)域碳儲(chǔ)量估計(jì)具有滿意結(jié)果，仿真估計(jì)的碳總量落在實(shí)測(cè)樣地估算總值的置信區(qū)間內(nèi)。

由于序列高斯協(xié)同仿真算法在森林碳儲(chǔ)量估計(jì)過程中要求樣地?cái)?shù)據(jù)和遙感數(shù)據(jù)尺度的一致性，因此需要將2 m分辨率的遙感影像重采樣至30 m與樣地匹配，然而將高分辨率影像降至低分辨率會(huì)使信息量減少，并產(chǎn)生一定誤差。本研究中，2 m和30 m分辨率遙感影像信息與實(shí)測(cè)樣地碳儲(chǔ)量相關(guān)性分別為0.352和0.402，表明重采樣可以增加影像與樣地的匹配度，從而可以提高兩者相關(guān)性；對(duì)重采樣前后2種影像進(jìn)行一元二次回歸驗(yàn)證得出，2 m分辨率影像模擬研究區(qū)森林碳總量為631.102 8 Mg，平均碳密度28.249 9 Mg·hm-2，30 m分辨率影像模擬得到的森林碳總量為627.296 0 Mg，平均碳密度28.079 5 Mg·hm-2，表明30 m分辨率影像模擬得到的森林碳密度均值和碳總量更接近于樣地實(shí)測(cè)值。重采樣后回歸模型的擬合優(yōu)度高于重采樣前40.7%，進(jìn)一步說明對(duì)遙感影像重采樣的合理性。本研究還發(fā)現(xiàn)，將融合影像以5 m為一個(gè)間隔重采樣至5，10，15，20，25，30 m分辨率影像，地面樣地森林碳儲(chǔ)量與影像的相關(guān)性隨空間分辨率的變化而變化，表明樣地與影像分辨率不統(tǒng)一對(duì)森林碳儲(chǔ)量的精確估計(jì)有一定阻礙，因此，如何使不同尺度的2種數(shù)據(jù)有效結(jié)合，是下一步需要完善和改進(jìn)的重點(diǎn)。此外，空間協(xié)同仿真模擬依賴于參與模擬的樣地?cái)?shù)量，樣地的多少?zèng)Q定了模型參數(shù)量，對(duì)模擬結(jié)果會(huì)造成一定影響，對(duì)樣地多少的控制也值得進(jìn)一步探索和研究。

5　參考文獻(xiàn)

［1］方精云，陳安平.中國(guó)森林植被碳庫的動(dòng)態(tài)變化及其意義［J］.植物學(xué)報(bào), 2001, 43（9）：967 - 973. FANG Jingyun, CHEN Anping. Dynamic forest biomass carbon pools in China and their significance［J］. Acta Bot Sin, 2001, 43（9）：967 - 973.

［2］SCHIMEL D S, HOUSE J I, HIBBARD K A, et al. Recent patterns and mechanisms of carbon exchange by terrestrial ecosystems［J］. Nature, 2001, 414（6860）：169 - 172.

［3］湯旭光，劉殿偉，王宗明，等.森林地上生物量遙感估算研究進(jìn)展［J］.生態(tài)學(xué)雜志, 2012, 31（5）：1311 - 1318. TANG Xuguang, LIU Dianwei, WANG Zongming, et al. Estimation of forest aboveground biomass based on remote sensing data：a review［J］. Chin J Ecol, 2012, 31（5）：1311 - 1318.

［4］徐小軍，杜華強(qiáng)，周國(guó)模，等.基于遙感植被生物量估算模型自變量相關(guān)性分析綜述［J］.遙感技術(shù)與應(yīng)用, 2008, 23（2）：123 - 131. XU Xiaojun, DU Huaqiang, ZHOU Guomo, et al. Review on correlation analysis of independent variables in estimation models of vegetation biomass based on remote sensing［J］. Remote Sens Technol Appl, 2008, 23（2）：123 - 131.

［5］FAZAKAS Z, NILSSON M, OLSSON H. Regional forest biomass and wood volume estimation using satellite data and ancillary data［J］. Agric For Meteorol, 1999, 98（1）：417 - 425.

［6］MAKELA H, PEKKARINEN A. Estimation of forest stands volumes by Landsat TM imagery and stand level field inventory data［J］. For Ecol Manage, 2004, 196（2/3）：245 - 255.

［7］曹慶先，徐大平，鞠洪波.基于TM影像紋理與光譜特征和KNN方法估算5種紅樹林群落生物量［J］.林業(yè)科學(xué)研究，2011，24（2）：144 - 150. CAO Qingxian, XU Daping, JU Hongbo. Biomass estimation of five kinds of mangrove community with the KNN method based on the spectral information and textural features of TM images［J］. For Res, 2011, 24（2）：144 - 150.

［8］王淑君，管東生.神經(jīng)網(wǎng)絡(luò)模型森林生物量遙感估測(cè)方法的研究［J］.生態(tài)環(huán)境, 2007, 16（1）：108 - 111. WANG Shujun, GUAN Dongsheng. Remote sensing method of forest biomass estimation by artificial neural network models［J］. Ecol Environ, 2007, 16（1）：108 - 111.

［9］劉志華，常禹，陳宏偉.基于遙感、地理信息系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)的呼中林區(qū)森林蓄積量估測(cè)［J］.應(yīng)用生態(tài)學(xué)報(bào)，2008，19（9）：1891 - 1896. LIU Zhihua, CHANG Yu, CHEN Hongwei. Remote sensing method of forest biomass estimation by artificial neuralnetwork models［J］. Chin J Appl Ecol, 2008, 19（9）：1891 - 1896.

［10］汪少華，張茂震，趙平安，等.基于TM影像森林資源清查數(shù)據(jù)和人工神經(jīng)網(wǎng)絡(luò)的森林碳空間分布模擬［J］.生態(tài)學(xué)報(bào)，2011，31（4）：998 - 1008. WANG Shaohua, ZHANG, Maozhen, ZHAO Pingan, et al. Modelling the spatial distribution of forest carbon stocks with artificial neural network based on TM images and forest inventory data［J］. Acta Ecol Sin, 2011, 31（4）：998 -1008.

［11］LEE N J, NAKANE K. Forest vegetation classification and biomass estimation based on Landsat TM data in a mountainous region of west Japan［M］//GHOLZ, H L, NAKANE K, HIMODA H. The Use of Remote Sensing in the Modeling of Forest Productivity［J］.［s. l.］：Springer Netherlands, 1997：159 - 171.

［12］楊存建,劉紀(jì)遠(yuǎn),張?jiān)鱿?熱帶森林植被生物量遙感估算探討［J］.地理與地理信息科學(xué), 2004, 20（6）：22 - 25. YANG Cunjian, LIU Jiyuan, ZHANG Zengxiang. Study on the estimation of the tropical forest vegetation biomass by using remote sensing data ,meteorological data and topographical data［J］. Geogr Geo-Inf Sci, 2004, 20（6）：22 - 25.

［13］王光華，劉琪瞡.基于TM影像和森林資源二類調(diào)查數(shù)據(jù)的北京森林碳匯估算［J］.應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào), 2013, 21（2）：224 - 235. WANG Guanghua, LIU Qijing. Estimating carbon sequestration of Beijing’s forests based on TM images and forest inventory data［J］. J Basic Sci Eng, 2013, 21（2）：224 - 235.

［14］牛志春，倪紹祥.青海湖環(huán)湖地區(qū)菜地植被生物量遙感監(jiān)測(cè)模型［J］.地理學(xué)報(bào)，2003, 58（5）：695 - 702. NIU Zhichun, NI Shaoxiang. Study on models for monitoring of grassland biomass around Qinghai Lake assisted by remote sensing［J］. Acta Geogr Sin, 2003, 58（5）：695 - 702.

［15］李健，舒曉波，陳水森.基于Landsat-TM數(shù)據(jù)鄱陽湖濕地植被生物量遙感監(jiān)測(cè)模型的建立［J］.廣州大學(xué)學(xué)報(bào)：自然科學(xué)版, 2005, 4（6）：494 - 498. LI Jian, SHU Xiaobo, CHEN Shuisen. Establishment of wetland vegetation biomass model by in-situ and remote sensing observation in Poyang Lake area［J］. J Guangzhou Univ Nat Sci Ed, 2005, 4（6）：494 - 498.

［16］MYEONG S, NOWAK D J, DUGGIN M J. A temporal analysis of urban forest carbon storage using remote sensing ［J］. Remote Sens Environ, 2006, 101（2）：277 - 282.

［17］馮益明，唐守正，李增元.應(yīng)用序列指示條件模擬算法模擬森林類型空間分布［J］.生態(tài)學(xué)報(bào)，2004，24（5）：946 - 952. FENG Yiming, TANG Shouzheng, LI Zengyuan. Simulation of spatial distribution pattern of forest types by using sequential indicator simulation［J］. Acta Ecol Sin, 2004, 24（5）：946 - 952.

［18］WANG Guangxing, OYANA T, ZHANG Maozhen, et al. Mapping and spatial uncertainty analysis of forest vegetation carbon by combining national forest inventory data and satellite images［J］. For Ecol Manage, 2009, 258（7）：1275 -1283.

［19］張茂震，王廣興，葛宏立，等.基于空間仿真的仙居縣森林碳分布估算［J］.林業(yè)科學(xué), 2014, 50（11）：13 - 22. ZHANG Maozhen, WANG Guangxing, GE Hongli, et al. Estimation of forest carbon distribution for Xianju County based on spatial simulation［J］. Sci Silv Sin, 2014, 50（11）：13 - 22.

［20］REESE H, NILSSON M, SANDSTROM P, et al. Applications using estimates of forest parameters derived from satellite and forest inventory data［J］. Comp Elect Agric，2002, 37（2）：37 - 55.

［21］徐新良，曹明奎.森林生物量遙感估算與應(yīng)用分析［J］.地球信息科學(xué), 2006, 8（4）：122 - 128. XU Xinliang, CAO Mingkui. An analysis of the applications of remote sensing method to the forest biomass estimation［J］. Geo-Inf Sci, 2006, 8（4）：122 - 128.

［22］沈希，張茂震，祁祥斌.基于回歸于隨機(jī)模擬的區(qū)域森林碳分布估計(jì)方法比較［J］.林業(yè)科學(xué), 2011, 47（6）：1 - 8. SHEN Xi, ZHANG Maozhen, QI Xiangbin. Comparison of regional forest carbon estimation methods based on regression and stochastic simulation［J］. Sci Silv Sin, 2011, 47（6）：1 - 8.

［23］張茂震，王廣興，周國(guó)模，等.基于森林資源清查、衛(wèi)星影像數(shù)據(jù)與隨機(jī)協(xié)同模擬尺度轉(zhuǎn)換方法的森林碳制圖［J］.生態(tài)學(xué)報(bào), 2009, 29（6）：2919 - 2928. ZHANG Maozhen, WANG Guangxing, ZHOU Guomo, et al. Mapping of forest carbon by combining forest inventory data and satellite images with co-simulation based up-scaling method［J］. Acta Ecol Sin, 2009, 29（6）：2919 - 2928.

［24］曾偉生，肖前輝，胡覺，等.中國(guó)南方馬尾松立木生物量模型研建［J］.中南林業(yè)科技大學(xué)學(xué)報(bào)，2010, 30 （5）：50 - 55. ZENG Weisheng, XIAO Qianhui, HU Jue, et al. Establishment of single-tree biomass equations for pinus massoniana in southern China［J］. J Cent South Univ For Technol, 2010, 30（5）：50 - 55.

［25］朱湯軍，沈楚楚，季碧勇，等.基于LULUCF溫室氣體清單編制的浙江省杉木林生物量換算因子［J］.生態(tài)學(xué)報(bào), 2013, 33（13）：3925 - 3932. ZHU Tangjun, SHEN Chuchu, JI Biyong, et al. Research on biomass expansion factor of chinese fir forest in Zhejiang Province based on LULUCF greenhouse gas Inventory［J］. Acta Ecol Sin, 2013, 33（13）：3925 - 3932.

［26］沈楚楚.浙江省主要樹種組生物量轉(zhuǎn)換因子的研究［D］.臨安：浙江農(nóng)林大學(xué), 2013. SHEN Chuchu. The Research on Biomass Expansion Factors of The Dominant Tree Species in ZheJiang Province ［D］. Lin’an：Zhejiang A & F University, 2013.

［27］陳輝，洪偉，蘭斌，等.閩北毛竹生物量與生產(chǎn)力的研究［J］.林業(yè)科學(xué), 1998, 34（1）：60 - 64. CHEN Hui, HONG Wei, LAN Bin, et al. Study on biomass and productivity of Phyllostachys heterocycla cv. pubescens forest in the north of Fujian［J］. Sci Silv Sin, 1998, 34（1）：60 - 64.

［28］熊秋芬，黃玫，熊敏詮，等.基于國(guó)家氣象觀測(cè)站逐日降水格點(diǎn)數(shù)據(jù)的交叉檢驗(yàn)誤差分析［J］.高原氣象, 2011, 30（6）：1615 - 1625. XIONG Qiufen, HUANG Mei, XIONG Minquan, et al. Cross-validation error analysis of daily gridded precipitation based on China meteorological observation［J］. Plateau Meteorol, 2011, 30（6）：1615 - 1625.

［29］宋永康，舒曉，王兵杰.基于交叉檢驗(yàn)法的地質(zhì)預(yù)測(cè)模型優(yōu)選［J］.石油化工應(yīng)用, 2013, 32（12）：65 - 88. SONG Yongkang, SHU Xiao, WANG Bingjie. Selection and assessment of geological prediction models based on cross validation［J］. Petrochem Ind Appl, 2013, 32（12）：65 - 88.

A spatial co-simulation based forest carbon estimation for Kaihua County

YUAN Zhenhua1,2, ZHANG Maozhen1,2, GUO Hanru1,2, QIN Lihou1,2
（1. Zhejiang Provincial Key Laboratory of Carbon Cycling in Forest Ecosystems and Carbon Sequestration, Zhejiang A & F University, Lin’an 311300, Zhejiang, China；2. School of Environmental and Resources Science, Zhejiang A & F University, Lin’an 311300, Zhejiang, China）

Abstract:To estimate the spatial distribution of aboveground forest carbon storage, an important index of forest ecosystem productivity and the foundation of regional forest carbon sink measurements, and carbon density in Kaihua County, Zhejiang Province, ZY-3 image data from 2013, National Forest Inventory data from 2014, and the Sequential Gaussian Co-simulation Method were used. Estimated results of above ground forest carbon were analyzed by four indicators：mean error（ME）, residual square sum（RSS）, mean relative error（MRE）, and root mean square error（RMSE）. A correlation analysis between sample plots of remote sensing and forest carbon density was also conducted. Results showed that the above ground carbon was 7.221 573 Tg, estimated values of spatial co-simulation ranged from 0 to 109.178 Mg·hm-2, mean carbon density was 32.376 4 Mg·hm-2, mean relative error based on the 15%test sample was 4.565%, and forest carbon estimated by simulation was in the confidence interval range measured by sample plots. Also, the correlation analysis varied with the resolution of remote sensing image changes. Thus, a key point of further research would be to improve the estimation accuracy of forest carbon reserves.［Ch, 5 fig. 3 tab. 29 ref.］

Key Words:forest ecology；forest carbon storage；Sequential Gaussian Co-simulation；ZY-3 image；forest resource inventory

中圖分類號(hào)：S718.5

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：2095-0756（2016）-03-0384-10

收稿日期：2015-05-13；修回日期：2015-07-08

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（30972360）；浙江省林業(yè)碳匯與計(jì)量創(chuàng)新團(tuán)隊(duì)資助項(xiàng)目（2010R50030）；浙江省林學(xué)重中之重一級(jí)學(xué)科研究生創(chuàng)新項(xiàng)目資助項(xiàng)目（201515）

作者簡(jiǎn)介：袁振花，從事森林碳匯計(jì)量和監(jiān)測(cè)技術(shù)等研究。E-mail：1192633826@qq.com。通信作者：張茂震，教授，博士，從事森林資源監(jiān)測(cè)、森林碳匯計(jì)量等研究。E-mail：zhangmaozhen@163.com