韓皓爽, 萬榮榮,*

森林生態(tài)質量評估方法研究進展

韓皓爽1,2, 萬榮榮1,2,*

1. 中國科學院南京地理與湖泊研究所, 中國科學院流域地理學重點實驗室, 江蘇 南京 210008 2. 中國科學院大學, 北京 100049

森林具有水源涵養(yǎng)、氣候調節(jié)、環(huán)境凈化、水土保持、生物多樣性保護等方面的生態(tài)功能, 開展森林生態(tài)質量評估對了解全球碳循環(huán)、能量循環(huán)和氣候變化具有重大意義。文章在介紹森林生態(tài)質量概念和研究方法的基礎上, 從森林生物量、森林生產力和森林結構三個綜合性指標對森林生態(tài)質量評估進行分析與總結。著重陳述了評估指標體系構建、評估數據獲取和關鍵的生態(tài)參數估算等方面的見解, 探討了目前森林生態(tài)質量評估中存在的主要問題, 展望其發(fā)展前景, 包括評估指標統一標準化問題、高質量的數據、森林生存環(huán)境的影響、多源遙感數據獲取森林水平、垂直結構參數的應用以及森林生態(tài)質量與生態(tài)功能的相互作用等。

森林生態(tài)質量; 生物量; 生產力; 森林結構; 遙感技術

0 前言

森林生態(tài)系統是影響生態(tài)環(huán)境優(yōu)劣的關鍵因素, 對維持全球碳平衡和減緩溫室效應起到了至關重要的作用[1]。減少毀林和森林退化造成的溫室氣體排放以增加碳儲量(REDD+)戰(zhàn)略著重強調了森林的碳匯作用, 《京都協定書》也已將森林列為解決節(jié)能減排和應對氣候變化問題的重要舉措[2]。近年, 大量天然林被人工林取代, 森林的樹種和年齡結構普遍單一及幼齡化, 造成物種多樣性降低和生態(tài)功能減弱等問題, 而各國開展的保護措施未能有效地遏制森林的損失, 森林生態(tài)質量明顯退化[3-5]。在此背景下, 森林生態(tài)質量問題備受關注, 其評估成為國內外學者研究熱點。

森林生態(tài)質量的監(jiān)測和評估對定量化把握森林生態(tài)系統的碳源/匯特征、時空分布和動態(tài)變化具有重要意義, 也為森林自然資源資產評估和林業(yè)經營措施制定提供依據, 是認識森林生態(tài)質量的重要途經, 這將會促進森林生態(tài)質量的提升。由于森林的生物物理特征和環(huán)境條件在時空尺度上存在差異, 國內外學者在不同研究區(qū)域、不同側重點、不同尺度上對森林生態(tài)質量進行評估, 其數據獲取手段、評價指標體系和評估方法也有所區(qū)別[6-8]?；趪鴥韧庖延醒芯? 文章提出表征森林生態(tài)質量的關鍵生態(tài)參數, 系統梳理了各個生態(tài)參數的評估方法, 并對評估指標、高質量數據、森林環(huán)境影響因素、遙感手段等方面做出了展望, 以期對森林生態(tài)質量評估的深入研究提供參考。

1 森林生態(tài)質量內涵

森林是由木本植物為主所組成的生物群落, 具有物種豐富、結構復雜、穩(wěn)定性較強、功能完善等特點, 能夠改善和維護生態(tài)環(huán)境, 同時提供了人類必需的生物資源[9]。由森林、其他生物和環(huán)境相互影響構成的森林生態(tài)系統具有調節(jié)、維持生態(tài)安全的生態(tài)功能和生態(tài)服務, 其中, 森林生態(tài)服務是森林生態(tài)系統與其生態(tài)過程中形成及維持人類賴以生存的自然環(huán)境條件和直接或間接為人類提供的效用[10-11]。森林生態(tài)功能和生態(tài)服務能力是影響其質量水平的重要因子。

1992年Stolton首次提出“森林質量”一詞, 隨后同Dudley等在世界自然基金會(World Wide Fund for Nature, WWF)報告中定義其概念為“森林在生態(tài)、社會和經濟效益方面的所有功能與價值總和”[3]。森林生態(tài)質量是從生態(tài)角度反映森林質量的內涵, 對森林的生態(tài)功能和生態(tài)服務、生長狀況以及自我調節(jié)功能的綜合測度, 反映森林改善生態(tài)環(huán)境、維護生態(tài)平衡的能力[4,9]。由于概念的抽象性, 對不同研究目標, 森林生態(tài)質量內涵會有所不同, 目前尚未達成統一的認識。綜合已有研究, 此文將森林生態(tài)質量定義為森林具備涵養(yǎng)水源、調節(jié)氣候、凈化空氣、固碳釋氧、積累營養(yǎng)物質、維護生物多樣性等多種生態(tài)功能, 為人類提供自然生存條件、生物資源、無形價值等多種生態(tài)服務, 并且在生物和非生物因素脅迫下體現穩(wěn)定性、彈性和恢復力的狀況。

2 森林生態(tài)質量評估研究概述

2.1 評估指標體系

學者通常在森林的生物物理屬性、立地條件以及生長狀況等方面, 選用易獲取指標對其生態(tài)質量進行評估(表1)。綜合而言, 森林生態(tài)質量的主要表征參數包括森林結構、森林生物量、森林生產力、森林生態(tài)服務效能、健康狀況等方面。由于森林在地理環(huán)境、物種和空間尺度等方面具有多樣性和復雜性, 因此評估指標選取會面臨數目眾多、因子間相關性高、數據獲取難度大等問題。

2.2 評估數據來源

森林生態(tài)質量評估涉及的空間尺度有林場、區(qū)域、甚至全球等多個層次, 空間尺度的差異影響觀測數據獲取方式。傳統獲取表征森林生態(tài)質量的關鍵參數的手段主要為樣地調查, 此類方法獲取的數據較為精準, 但是需要耗費大量的時間以及人力和物力, 無法實現大區(qū)域和持續(xù)時間尺度的清查[14,16]。遙感技術的發(fā)展彌補了傳統估測方法的不足, 可實現地方、區(qū)域、甚至全球尺度的森林生態(tài)參數的快速、持續(xù)、無損的估測, 能夠滿足森林調查和生物物理參數探測的需求, 為生態(tài)質量評估提供不同空間分辨率和時間序列的數據集(表2)。目前在區(qū)域層面上對森林生物量、生產力、碳儲量動態(tài)變化反演的研究更多地將遙感影像與區(qū)域、國家森林清查數據結合起來, 生成森林狀況的空間分布圖[2,17-21], 從而實現對研究區(qū)森林生態(tài)質量長期、動態(tài)、精細的空間觀測。

表1 森林生態(tài)質量評價指標

2.3 森林生態(tài)質量研究方法

2.3.1 指標權重確定

森林生態(tài)質量評價可通過構建適宜的指標體系來實現, 各類指標對評估結果的貢獻度不同, 因此需要被賦予不同的權重。權重確定方法主要有主觀賦權法和客觀賦權法, 前者操作簡單, 可靠度、實用性較高, 但很大程度上依賴于決策者個人的經驗, 主觀性較強, 如層次分析法[9,14]; 后者客觀性較強, 避免了人為因素帶來的偏差, 但會存在樣本量不足問題, 而且未考慮評價指標間的差異性, 可能會出現確定的權重與指標重要性不一致的情況, 常用的有均方差綜合分析法[12]、主成分分析法[13]、因子分析法[8,15]、熵權法[29-30]。

2.3.2 研究方法

研究方法的選擇是科學、準確地評價森林生態(tài)質量的關鍵環(huán)節(jié), 綜合而言, 森林生態(tài)質量的研究方法主要有調查法、遙感評估法、模型法、單項評價法、綜合評價法等。區(qū)域、國家森林調查是獲得森林碳儲量、健康狀況以及生態(tài)服務功能的基礎, 長期監(jiān)測可以獲取森林生態(tài)質量動態(tài)變化情況。另外, 隨著生態(tài)模型和3S技術的開發(fā)應用, 更多新方法用于森林生態(tài)質量變化模擬和評估, 如InVEST模型可量化森林生態(tài)系統的服務功能; GIS和遙感技術在森林生態(tài)質量評估的應用也備受關注[14,31]。

指示物種法是單項評價中具有代表性的方法, 通過確定森林生態(tài)中的關鍵物種、特有物種、瀕危物種或環(huán)境敏感物種, 獲取其數量、生產力、生物量、結構功能等指標, 從而建立模型來描述森林生態(tài)的健康狀態(tài), 側面反映森林生態(tài)質量水平[32-33]。綜合評價法是森林生態(tài)質量評估中使用較多的方法, 即運用多個評價指標、多方面地對研究對象進行評價, 常用的方法如表3。實際過程中, 往往整合多種方法以避免單一方法的弊端, 合理地解決問題[29-30]。

表2 森林觀測中不同遙感傳感器的應用特點

表3 森林生態(tài)質量評估中較常見的綜合評價法比較

2.3.3 參數反演模型法

森林生態(tài)參數反演模型的選擇直接影響結果精度和可信度[21], 模型方法主要包括兩大類: 參數方法和非參數機器學習算法(Machine Learning Algorithm, MLA)。MLA相比線性模型會有一些優(yōu)勢: 可以處理非線性生態(tài)關系; 能從有限的訓練數據中擬合反演模型; 可以解決難以區(qū)分的分類問題等[36]。MLA包括K最近鄰算法(k-Nearest Neighbor, KNN)、人工神經網絡(Artificial Neural Network, ANN)、隨機森林(Random Forest, RF)、支持向量機(Support Vector Machine, SVM)等(表4)。

3 森林生態(tài)質量評價關鍵參數的研究

森林生物量和生產力是森林研究的兩個廣泛應用的指標[12,17]。森林生物量是監(jiān)測森林碳儲量、森林火災、土地利用變化、全球氣候變化等的重要參數之一, 可用來揭示森林生態(tài)系統能量平衡和物質循環(huán)等過程規(guī)律[2,46-47]。森林生產力亦能描述森林在積累有機質等方面的生態(tài)功能, 對表現森林生態(tài)質量水平具有重要意義[8]。此外, 森林結構反映森林動態(tài)變化過程中林木演化方式、生長狀態(tài)等特征, 成為監(jiān)測和管理森林生態(tài)系統的重要因素, 有助于人類了解森林現狀、動態(tài)變化及發(fā)展趨勢[48]。根據科學性、綜合性、相對獨立性、可行性、代表性和概括性等原則, 我們認為森林生物量、森林生產力、森林結構可以較為全面地測度森林特征、生長狀況和生態(tài)功能等, 是評價森林生態(tài)質量的三個關鍵參數。

3.1 森林生物量遙感估算

森林生物量由地上、地下兩部分構成, 多數研究常采用標準的根冠比從地上生物量(Aboveground Biomass, AGB)推算地下生物量(Belowground Biomass, BGB)[2,49-50]。相對來說, 森林AGB評估直觀可行, 目前國內外學者對其研究較多。

森林AGB的估算有多種方法, 可分為非遙感方法和遙感法兩大類, 非遙感方法主要包括實測法、模型估算法、蓄積量轉換法等, 此類方法適用于小尺度生物量研究; 大尺度森林生物量估算需借助遙感手段, 即通過建立影像光譜信息與采樣點生物量的線性或非線性模型, 反演森林生物量。

3.1.1 遙感特征參數

不同植被及同一類植被在不同生長階段, 其反射波譜曲線形態(tài)和特征有所不同, 從而反映植被信息, 而植被生物量與植被的不同要素或某種特征狀態(tài)具有相關性[22]。對于復雜的植被遙感, 植被指數相比單波段估算生物量有更好的敏感性和抗干擾性, 可用于去除由冠層幾何形狀、土壤背景、光照角度和大氣條件造成的變化[51]。廣泛使用的植被指數包括: 比值植被指數(RVI)、歸一化植被指數(NDVI)、差值植被指數(DVI)等。隨著相關研究的發(fā)展, 國內外學者提出一些修正型的植被指數(土壤調整指數(SAVI)、轉換型土壤調整指數(TSAVI)、改進型土壤調整植被指數(MSAVI)等), 以弱化土壤背景和大氣影響, 從而增強植被信息(表5)。

表4 森林生態(tài)參數反演模型應用

表5 生物量估算中常用植被指數的特性

紋理是用于識別圖像中感興趣的對象或區(qū)域的重要特征之一[52], 植被的紋理特征對區(qū)分植被類型、更有效地反映遙感影像地物信息和調整反演模型方面具有很大的潛力[6,53-54]。

3.1.2 森林AGB遙感反演研究概述

學者在對森林生物量估測過程中采用不同的遙感數據源, 以求實現較好的反演結果, 遙感數據類型主要有被動光學遙感、主動或被動微波遙感和激光雷達遙感。

光學遙感是獲取森林生物量信息常用的方法之一, 能夠準確地獲取森林冠層信息, 提取植被參數來估算森林生物量[39,64]。劉倩楠利用TM數據的植被指數、纓帽變換分量和主成分變量信息, 估算了重慶市的森林生物量[18]。Zhou通過高分辨率光學遙感影像生成植被指數(SVIs)與紋理因子, 然后結合地形因子與實地采樣數據來量化刺槐人工林地上生物量[65]?？紤]到單一季節(jié)NDVI對生物量估算精度不足且存在飽和問題, Zhu等利用Landsat影像不同季節(jié)的NDVI值進行森林AGB反演[39]。

微波(如合成孔徑雷達)能夠穿透樹冠, 直接與森林生物量的主體——樹葉、樹干和樹枝發(fā)生作用, 微波遙感的這一能力使其成為森林生物量精準估測的切實可行的方法。另一方面, LiDAR數據與地面實測數據結合可以獲取更有效的森林碳資源和森林地上生物量分布圖[27]。

多源遙感數據可以彌補單一數據源的不足, 提高生物量反演精度。常用的多源數據組合模式包括: 不同空間分辨率、光譜分辨率的光學遙感集合; 光學遙感與不同極化方式的SAR數據; 光學遙感與激光雷達遙感等。徐輝等以Landsat-8 OLI影像、GF-2影像為數據源, 采用單波段、植被指數等波譜信息以及森林資源調查固定樣地數據對江西省吉水縣森林生物量進行估測[66]。李明澤等采用全極化C波段SAR數據和Landsat5 TM光學數據以構建遙感信息模型, 對大興安嶺地區(qū)天然次生林的森林生物量進行定量反演[67]; Wang等融合合成孔徑雷達(SAR、Sentinel-1)和光學遙感(Landsat-8、Sentinel-2)數據對草地生物量進行評估[68], 該方法仍適用于森林生物量估算; Minh等利用ALOS PALSAR和光學遙感生成的樹木覆蓋數據對馬達加斯加森林生物量進行估算[25]。湯旭光基于激光雷達和多光譜遙感數據獲取森林冠層高度、郁閉度等生態(tài)參數, 然后利用多元線性回歸及BP神經網絡模型建立森林AGB反演模型[43]; Li等通過分層抽樣和地理統計建模, 并結合機載LiDAR數據、SPOT影像與野外采樣數據, 從而估算溫帶森林AGB[69]; 池泓等融合了GLAS數據和Landsat/ETM+數據, 進而開展了森林AGB估算研究[70]。

3.2 森林生產力估算

植被生產力表示綠色植物積累或固定有機物質的速率, 主要包括總初級生產力(Gross Primary Productivity, GPP)和凈初級生產力(Net Primary Productivity, NPP)[71]。其中, 森林NPP表示從GPP中去掉植物自養(yǎng)呼吸所消耗的有機物后剩余的部分, 反映了森林碳匯強度[71-72]。

3.2.1 NPP時空格局的影響因子

產生森林NPP時空差異的主導因子有所不同, 主要有環(huán)境因素、林齡和森林擾動等方面。

氣候(如氣溫、降水、光照)對NPP的影響是通過改變生長季的長度和光合作用速率實現的, 充沛的雨熱條件對植物生產力有顯著影響。Fang等研究長白山松柏在長時間尺度上的NPP變化, 發(fā)現4月最低氣溫和6、7月降水量是影響NPP變化的主要原因[73]。也有研究發(fā)現氣溫升高會刺激植物的自養(yǎng)呼吸, 不同水熱組合狀況對研究區(qū)NPP的時空分異有著重要影響[74-75]。極端氣候(干旱、極端高溫或低溫等)也對陸地生態(tài)系統產生深刻影響[73,76]。另外, 綠色植物細胞間的二氧化碳濃度增高可以提高植被光合作用效率, 使森林生產力有所增加; 氮沉降影響植被可吸收利用氮, 從而影響植被光合作用。除此之外, 地形、土壤和樹種等也會影響NPP的時空格局。

林齡與NPP之間的關系越來越受關注, 對提高NPP估算精度具有重要意義。幼期樹木的光合利用速率較高, 提高莖、枝、粗根對碳的吸收, NPP隨之快速增加; 中期樹木NPP達到最大值; 后期由于地上生物量增長量降低, 而NPP主要由葉片和細根周轉有機質組成, 所以NPP會下降達到一個相對穩(wěn)定的狀態(tài)[77-78]。

人類活動(如采伐)、森林火災、森林病蟲害等擾動可以直接向大氣釋放碳和加速呼吸進程, 對碳循環(huán)產生強烈影響, 在特殊的時間段內甚至會是造成森林生態(tài)系統突變的主導因素[79]。干擾活動也可以改變森林的年齡結構和樹種組成, 造成森林NPP時空差異[77]。

3.2.2 森林NPP估算研究概述

森林NPP可由根(粗根、細根)、莖、枝凈積累的有機質與凋零物、被食量、揮發(fā)的有機質、未觀測的凋零物和死亡的樹木有機質等成分組成[77,80]。

上世紀起就開展了對森林NPP研究, 而常用的直接收割法、碳通量觀測法等研究方法適用于小范圍內的森林NPP觀測。隨著遙感技術的發(fā)展, 利用遙感影像和森林清查數據進行大區(qū)域范圍內森林NPP估算成為關注熱點, 例如, 采用MODIS NPP數據和降尺度方法開展多尺度NPP研究[81]; 利用與葉面積指數顯著相關的NDVI估算NPP[82]?？偨Y學者常用的陸地生態(tài)系統NPP研究模型, 主要包括: 經驗/統計模型、遙感模型和過程機理模型(表6)。

此外, 通過NPP與森林生物量之間的相關關系來估算森林NPP的方法也得到廣泛運用和實踐[73,77-78,80,88-89]。有研究表示部分NPP估算模型缺少對林齡的考慮, 而森林碳源/碳匯的空間分布相比環(huán)境因子更依賴林齡[72,80]。

3.3 森林結構參數遙感反演

森林結構體現了林木的結構要素及其屬性的連接方式, 反映森林狀況的結構參數主要包括: 樹高、直徑、林齡、樹種組成、冠層高度、郁閉度、林分密度、森林起源等[90]。

遙感技術是提取森林結構參數的有效途徑。李登秋等綜合遙感數據、地形因子、地表覆蓋、森林清查數據反演江西省林分平均年齡, 進而分析林齡對森林NPP的影響[72]。Hansen等利用回歸樹算法結合Landsat7和Landsat8綜合數據繪制撒哈拉以南地區(qū)樹高分布圖, 反演精度較高[91]。邱賽和廖凱濤等均采用GLAS波形參數估測離散的森林最大樹高、冠層高度、森林郁閉度等, 以光學影像及地面數據協助GLAS實現區(qū)域尺度上的森林參數的反演[20,92]。

LiDAR能夠準確地獲取森林垂直參數(如樹高), 但在水平方向上的覆蓋范圍受限; 而光學遙感能夠獲取大范圍的、豐富的森林冠層水平參數, 但對垂直高度的變化相對不敏感, 所以將LiDAR與光學遙感結合起來獲取森林結構參數的研究越來越多。Hudak等結合LiDAR、ETM數據和5種統計方法估計冠層高度[26]。Jin等采用LiDAR提取的小區(qū)域植被冠層高度作為地面真值數據, 以此訓練RF模型, 進而實現大范圍植被冠層高度反演[93]。

4 存在問題與研究展望

4.1 存在問題

由于森林的多層次性、復雜性、統一性、動態(tài)變化性等特點, 其生態(tài)質量評估可能涵蓋各個方面, 決定了評估過程會存在諸多問題。

4.1.1 評估指標選擇問題

森林生態(tài)質量評估指標存在僅靠理論或經驗篩選情況, 對評價指標的有效性、代表性考慮不足, 可能會造成不同研究區(qū)甚至同一區(qū)域的研究案例缺乏可比性, 使得研究成果不能有效利用和參考, 阻礙科研學術活動交流。

4.1.2 高質量的數據問題

利用遙感技術反演森林生態(tài)參數的過程中需要精確的、有代表性的地面測量數據進行算法訓練和產品驗證, 所以高質量的樣本數據集是進行森林生態(tài)質量估算的前提。一般來說, 野外實地采樣和渦度相關通量觀測獲取的驗證數據精度較高, 但這類方法耗時較長且適用面積較小, 還會出現數據不能同步問題, 降低了反演精度。另外, 森林生物物理參數估測更多的是利用模型模擬, 不同模型會存在參數、閾值、運算條件和精度差異, 從而增加了不確定性因素, 例如, 樣地的森林生物量不能直接測量, 需要一些生態(tài)參數(如樹高、胸徑、林齡)協助運算, 不同研究采用不同的回歸模型計算地面點生物量, 即使對于同一區(qū)域而言所得結果也會有所差別。

4.1.3 環(huán)境影響問題

森林生態(tài)質量水平高低與其生存環(huán)境密切相關, 土壤、氣候、大氣成分、水文條件、地形等環(huán)境因子和生物活動、自然災害等干擾因子都會對森林產生影響, 卻很少有研究同時評估環(huán)境因子和干擾因子的相對影響, 導致對森林生態(tài)質量影響機理分析地不夠充分。

4.1.4 遙感手段應用問題

遙感手段是獲取區(qū)域森林生態(tài)參數、定量評估森林生態(tài)質量的一種實施可行的方法, 但多數研究選用易獲取的森林水平結構參數, 而對森林垂直結構因素考慮不足, 不能夠全面地評估具有復層結構特點的森林的生態(tài)質量狀況。

4.2 發(fā)展前景

根據森林生態(tài)質量評估中存在的問題, 對其發(fā)展前景做出以下探討和展望。

首先, 森林生態(tài)質量評估需要制定標準化、統一的指標體系, 合理的評價指標會提高評估的準確性和客觀性, 每個指標選擇要遵循科學性、代表性、綜合性等原則, 避免出現含義不明、指標重復和強相關性等問題, 例如當為林地時, “植被蓋度”和“郁閉度”存在一定的重復性。評估指標在不同地域、不同樹種、不同立地條件下, 其閾值可以因地制宜地進行調整, 提高推廣能力, 使得學者的研究成果可以被互相驗證和借鑒, 促進學術交流。

其次, 高水平的森林生態(tài)質量估算需要對其進行長期的動態(tài)觀測, 所以加強地面森林長期的網絡化監(jiān)測與管理, 不斷更新和完善基礎數據, 從而獲取實時有效的樣本數據。整合多源遙感數據、樣本調查數據、實地采樣數據、機器學習模型等多種數據和方法, 對森林生物物理參數進行估測, 以量化森林生態(tài)質量, 這種研究思路能夠降低單一模型的不確定性, 提高估測精度, 實現不同尺度的森林評估。此外, 開展森林多尺度研究, 不局限于遙感數據的像元尺度, 也采用面向對象的方法進行森林生態(tài)參數估算和多尺度轉換, 以提高估測模型的精度和推廣、泛化能力。

再次, 森林生態(tài)質量評估過程中需考慮環(huán)境因子(氣候、地形、土壤等)、干擾因子(干旱、洪水、蟲災、火災等)和人為活動的影響, 這些因素會造成森林變化, 從而產生生態(tài)質量水平差異。另外, 不同林齡結構的同類物種和同一林齡結構的異類物種的參數有所不同, 量化評估參數時考慮樹種年齡、物種結構可以提高反演結果精度, 推動森林資源成圖精細化和系統化。

最后, 多源遙感數據有望提高大尺度森林生物物理參數反演精度, 主要是將不同遙感平臺、傳感器的不同光譜、分辨率的波段進行融合以充分發(fā)揮多種遙感影像的優(yōu)勢, 獲取較為精確和全面的森林水平和垂直結構生態(tài)參數。另外, 研究尺度的擴大和數據源的多樣化造成數據量增大, 采用適宜的、高效的運算方法也值得探索和深究。

值得一提的是森林生態(tài)質量的優(yōu)劣會影響森林生態(tài)功能和效益的發(fā)揮, 隨著森林開發(fā)利用程度加深, 其生態(tài)功能會受到損害, 甚至發(fā)生轉變, 勢必會對森林生態(tài)質量水平產生影響, 因此, 對森林生態(tài)功能與其生態(tài)質量的相互關系的研究在接下來的工作中應該受到關注。

[1] ACHARD F, EVA H D, STIBIG H J, et al. Determination of deforestation rates of the world's humid tropical forests[J]. Science, 2002, 297(5583): 999–1002.

[2] CHAVE J, DAVIES S J, PHILLIPS O L, et al. Ground data are essential for biomass remote sensing missions[J]. Surveys in Geophysics, 2019, 40(4): 863–880.

[3] DUDLEY N, SCHLAEPFER R, JACKSON W, et al. Forest quality: assessing forests at a landscape scale[M]. London: Routledge, 2012.

[4] 石春娜, 王立群. 淺析森林資源質量內涵[J]. 林業(yè)經濟問題, 2007, 27(3): 221–224.

[5] BULL G Q, BOEDHIHARTONO A K, BUENOUENO G, et al. Global forest discourses must connect with local forest realities[J]. International Forestry Review, 2018, 20(2): 160–166.

[6] SARKER L R, NICHOL J E. Improved forest biomass estimates using ALOS AVNIR-2 texture indices[J]. Remote Sensing of Environment, 2011, 115(4): 968–977.

[7] RIEDLER B, PERNKOPF L, STRASSER T, et al. A composite indicator for assessing habitat quality of riparian forests derived from earth observation data[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 37(9): 114–123.

[8] ZHAO Qingxia, YU Shichuan, ZHAO Fei, et al. Comparison of machine learning algorithms for forest parameter estimations and application for forest quality assessments[J]. Forest Ecology and Management, 2019, 434(12): 224–234.

[9] 武高潔. 縣級森林資源質量評價指標體系及評價方法的研究[D]. 北京: 北京林業(yè)大學, 2010.

[10] 趙同謙, 歐陽志云, 鄭華, 等. 中國森林生態(tài)系統服務功能及其價值評價[J]. 自然資源學報, 2004, 19(4): 480– 491.

[11] 馮繼廣, 丁陸彬, 王景升, 等. 基于案例的中國森林生態(tài)系統服務功能評價[J]. 應用生態(tài)學報, 2016, 27(5): 1375–1382.

[12] 郭雪艷. 上海城市森林多尺度生態(tài)質量評價研究[D]. 上海: 華東師范大學, 2017.

[13] 賀丹. 湖南省醴陵市森林生態(tài)質量評價[D]. 湖南: 中南林業(yè)科技大學, 2017.

[14] FENG Jiguang, WANG Jingsheng, YAO Shuaichen, et al. Dynamic assessment of forest resources quality at the provincial level using AHP and cluster analysis[J]. Computers and Electronics in Agriculture, 2016, 124(4): 184–193.

[15] 杜志, 甘世書, 胡覺. 全國森林資源質量綜合評價[J]. 中南林業(yè)調查規(guī)劃, 2018, 37(3): 1–5.

[16] 李?？? 雷淵才, 曾偉生. 基于森林清查資料的中國森林植被碳儲量[J]. 林業(yè)科學, 2011, 47(7): 7–12.

[17] ZHAO Min, ZHOU Guangsheng. Estimation of biomass and net primary productivity of major planted forests in China based on forest inventory data[J]. Forest Ecology and Management, 2005, 207(3): 295–313.

[18] 劉倩楠, 歐陽志云, 李愛農, 等. 重慶市森林植被生物量和碳儲量的空間分布特征研究[J]. 水土保持研究, 2016, 23(06): 221–226.

[19] DU Huaqiang, CUI Ruirui, ZHOU Guomo, et al. The responses of Moso bamboo (var.) forest aboveground biomass to Landsat TM spectral reflectance and NDVI[J]. Acta Ecological Sinica, 2010, 30(5): 257–263.

[20] 邱賽. ICESat-GLAS波形與HJ-1A高光譜影像聯合反演森林地上生物量的研究[D]. 哈爾濱: 東北林業(yè)大學, 2016.

[21] ZHANG Caiyun, DENKA S, COOPER H, et al. Quantification of sawgrass marsh aboveground biomass in the coastal Everglades using object-based ensemble analysis and Landsat data[J]. Remote Sensing of Environment, 2018, 204(10): 366–379.

[22] 趙英時. 遙感應用分析原理與方法[M]. 北京: 科學出版社, 2013: 36–163.

[23] ZHANG Linjing, SHAO Zhenfeng, DIAO Chunyuan. Synergistic retrieval model of forest biomass using the integration of optical and microwave remote sensing[J]. Journal of Applied Remote Sensing, 2015, doi:10.1117/1.JRS.9.096069.

[24] 陳爾學. 合成孔徑雷達森林生物量估測研究進展[J]. 世界林業(yè)研究, 1999, 12(6): 18–23.

[25] MINH D H T, NDIKUMANA E, VIEILLEDENT G, et al. Potential value of combining ALOS PALSAR and Landsat-derived tree cover data for forest biomass retrieval in Madagascar[J]. Remote Sensing of Environment, 2018, 213(4): 206–214.

[26] HUDAK A T, LEFSKY M A, COHEN W B, et al. Integration of lidar and Landsat ETM+ data for estimating and mapping forest canopy height[J]. Remote sensing of Environment, 2002, 82(2/3): 397–416.

[27] CHEN Qi, MCROBERTS R E, WANG Changwei, et al. Forest aboveground biomass mapping and estimation across multiple spatial scales using model-based inference[J]. Remote Sensing of Environment, 2016, 184(7): 350–360.

[28] 王鵬, 萬榮榮, 楊桂山. 基于多源遙感數據的濕地植物分類和生物量反演研究進展[J]. 濕地科學, 2017, 15(1): 117–127.

[29] 劉婷婷, 孔越, 吳葉, 等. 基于熵權模糊物元模型的我國省域森林生態(tài)安全研究[J]. 生態(tài)學報, 2017, 37(15): 4946–4955.

[30] 余健, 房莉, 倉定幫, 等. 熵權模糊物元模型在土地生態(tài)安全評價中的應用[J]. 農業(yè)工程學報, 2012, 28(5): 267– 273.

[31] 謝余初, 鞏杰, 齊姍姍, 等. 基于綜合指數法的白龍江流域生物多樣性空間分異特征研究[J]. 生態(tài)學報, 2017, 37(19): 6448–6456.

[32] 王義平, 吳鴻, 徐華潮. 以昆蟲作為指示生物評估森林健康的生物學與生態(tài)學基礎[J]. 應用生態(tài)學報, 2008, 19(7): 1625–1630.

[33] 周靜, 萬榮榮. 濕地生態(tài)系統健康評價方法研究進展[J]. 生態(tài)科學, 2018, 37(6): 209–216.

[34] 吳易雯, 李瑩杰, 張列宇, 等. 基于主客觀賦權模糊綜合評價法的湖泊水生態(tài)系統健康評價[J]. 湖泊科學, 2017, 29(5): 1091–1102.

[35] 檀菲菲, 張萌, 李浩然, 等. 基于集對分析的京津冀區(qū)域可持續(xù)發(fā)展協調能力評價[J]. 生態(tài)學報, 2014, 34(11): 3090–3098.

[36] COONER A J, SHAO Y, CAMPBELL J B. Detection of urban damage using remote sensing and machine learning algorithms: Revisiting the 2010 Haiti earthquake[J]. Remote Sensing, 2016, 8(10): 851–868.

[37] CROWTHER T W, GLICK H B, COVEY K R, et al. Mapping tree density at a global scale[J]. Nature, 2015, 525(7568): 201–205.

[38] WERE K, BUI D T. A comparative assessment of support vector regression, artificial neural networks, and random forests for predicting and mapping soil organic carbon stocks across an Afromontane landscape[J]. Ecological Indicators, 2015, 52(12): 394–403.

[39] ZHU Xiaolin, LIU Desheng. Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 102(8): 222–231.

[40] RODRIGUEZ-VEIGA P, QUEGAN S, CARREIRAS J, et al. Forest biomass retrieval approaches from earth observation in different biomes[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 77(12): 53–68.

[41] WANG Ying, LU Cuijie, ZUO Cuiping. Coal mine safety production forewarning based on improved BP neural network[J]. International Journal of Mining Science and Technology, 2015, 25(2): 319–324.

[42] MA Dongliang, ZHOU Tao, CHEN Jie, et al. Supercritical water heat transfer coefficient prediction analysis based on BP neural network[J]. Nuclear Engineering and Design, 2017, 320(06): 400–408.

[43] 湯旭光. 基于激光雷達與多光譜遙感數據的森林地上生物量反演研究[D]. 哈爾濱: 中國科學院東北地理與農業(yè)生態(tài)研究所, 2013.

[44] DUBE T, MUTANGA O. Evaluating the utility of the medium-spatial resolution Landsat 8 multispectral sensor in quantifying aboveground biomass in uMgeni catchment, South Africa[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 101(11): 36–46.

[45] SRINET R, NANDY S, PATEL N R. Estimating leaf area index and light extinction coefficient using Random Forest regression algorithm in a tropical moist deciduous forest, India[J]. Ecological Informatics, 2019, 52(5): 94–102.

[46] HOUGHTON R A, HALL F, GOETZ S J. Importance of biomass in the global carbon cycle[J]. Journal of Geophysical Research: Biogeosciences, 2009, 114: 1–13.

[47] LE TOAN T, QUEGAN S, DAVIDSON M W J, et al. The biomass mission: mapping global forest biomass to better understand the terrestrial carbon cycle[J]. Remote Sensing of Environment, 2011, 115(11): 2850–2860.

[48] 惠剛盈. 基于相鄰木關系的林分空間結構參數應用研究[J]. 北京林業(yè)大學學報, 2013, 10(4): 1–8.

[49] PAUL K I, LARMOUR J, SPECHT A, et al. Testing the generality of below-ground biomass allometry across plant functional types[J]. Forest Ecology and Management, 2019, 432(8): 102–114.

[50] PAUL K I, ROXBURGH S H, CHAVE J, et al. Testing the generality of above-ground biomass allometry across plant functional types at the continent scale[J]. Global Change Biology, 2016, 22(6): 2106–2124.

[51] FRAMPTON W J, DASH J, WATMOUGH G, et al. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 82(4): 83–92.

[52] HARALICK R M. Statistical and structural approaches to texture[J]. Proceedings of the IEEE, 1979, 67(5): 786–804.

[53] ECKERT S. Improved forest biomass and carbon estimations using texture measures from WorldView-2 satellite data[J]. Remote Sensing, 2012, 4(4): 810–829.

[54] ZHAO Panpan, LU Dengsheng, WANG Guangxing, et al. Forest aboveground biomass estimation in Zhejiang Province using the integration of Landsat TM and ALOS PALSAR data[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 53(8): 1–15.

[55] JORDAN C F. Derivation of Leaf-Area Index from Quality of Light on the Forest Floor[J]. Ecology, 1969, 50(4): 663– 666.

[56] 王正興, 劉闖, ALFREDO H. 植被指數研究進展: 從AVHRR-NDVI到MODIS-EVI[J]. 生態(tài)學報, 2003, 23(5): 979–987.

[57]張喜旺, 吳炳方. 基于中高分辨率遙感的植被覆蓋度時相變換方法[J]. 生態(tài)學報, 2015, 35(4): 1155– 1164.

[58] TUCKER C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing and Environment, 1979, 8(2): 127–150.

[59] HUETE A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295–309.

[60] BARET F, GUYOT G. Potentials and limits of vegetation indices for LAI and APAR assessment[J]. Remote Sensing of Environment, 1991, 35(2/3): 161–173.

[61] QI Jiaguo, CHEHBOUNI A, HUETE A R, et al. A modified soil adjusted vegetation index (MSAVI)[J]. Remote Sensing of Environment, 1994, 48(2): 119–126.

[62] VENANCIO L P, MANTOVANI E C. Forecasting corn yield at the farm level in Brazil based on the FAO-66 approach and soil-adjusted vegetation index (SAVI)[J]. Agricultural Water Management, 2019, 225(20): 1–16.

[63] HUETE A R, DIDAN K, MIURA T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1/2): 195–213.

[64] RICHARDSON A J, WIEGAND C L. Distinguishing vegetation from soil background information[J]. Photogram-metric Engineering and Remote Sensing, 1977, 43(12): 1541–1552.

[65] ZHOU Jingjing, ZHAO Zhong, ZHAO Qingxia, et al. Quantification of aboveground forest biomass using Quickbird imagery, topographic variables, and field data[J]. Journal of Applied Remote Sensing, 2013, doi:10.1117/1.JRS.7.073484.

[66] 徐輝, 潘萍, 寧金魁, 等. 多元線性回歸與神經網絡模型在森林地上生物量遙感估測中的應用[J]. 東北林業(yè)大學學報, 2018, 46(1): 63–67.

[67] 李明澤, 王斌, 范文義,等. 東北林區(qū)凈初級生產力及大興安嶺地區(qū)林火干擾影響的模擬研究[J]. 植物生態(tài)學報, 2015, 39(4): 322–332.

[68] WANG Jie, XIAO Xiangming, BAIGAIN R, et al. Estimating leaf area index and aboveground biomass of grazing pastures using Sentinel-1, Sentinel-2 and Landsat images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 154(6): 189–201.

[69] LI Wang, NIU Zheng, LIANG Xinlian, et al. Geostatistical modeling using LiDAR-derived prior knowledge with SPOT-6 data to estimate temperate forest canopy cover and above-ground biomass via stratified random sampling[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 41(4): 88–98.

[70] 池泓, 黃進良, 邱娟, 等. GLAS星載激光雷達和Landsat/ETM+數據的森林生物量估算[J]. 測繪科學, 2018, 43(4): 9–16.

[71] 袁文平, 蔡文文, 劉丹, 等. 陸地生態(tài)系統植被生產力遙感模型研究進展[J]. 地球科學進展, 2014, 29(5): 541– 550.

[72] 李登秋, 張春華, 居為民, 等. 江西省森林凈初級生產力動態(tài)變化特征及其驅動因子分析[J]. 植物生態(tài)學報, 2016, 40(7): 643–657.

[73] FANG Ouya, WANG Yang, SHAO Xuemei. The effect of climate on the net primary productivity (NPP) of Pinus koraiensis in the Changbai Mountains over the past 50 years[J]. Trees, 2016, 30(1): 281–294.

[74] KRUSE J, RENNENBERG H, ADAMS M A. Three physiological parameters capture variation in leaf respiration of, as elicited by short-term changes in ambient temperature, and differing nitrogen supply[J]. Plant, cell & environment, 2018, 41(6): 1369–1382.

[75] 潘洪義, 黃佩, 徐婕. 基于地理探測器的岷江中下游地區(qū)植被NPP時空格局演變及其驅動力研究[J]. 生態(tài)學報, 2019, 39(20): 1–11.

[76] PIAO Shilong, ZHANG Xinping, CHEN Anping, et al. The impacts of climate extremes on the terrestrial carbon cycle: A review[J]. Science China Earth Sciences, 2019, 62(10): 1551–1563.

[77]YU Ying, CHEN Jingm, YANG Xiguang, et al. Influence of site index on the relationship between forest net primary productivity and stand age[J]. PloS one, 2017, 12(5): 1–20.

[78] 吳文躍, 姚順彬, 徐志揚. 基于森林資源清查數據的江西省主要森林類型凈生產力研究[J]. 南京林業(yè)大學學報 (自然科學版), 2019, 43 (5): 193–198.

[79] RIUTTA T, MALHI Y, KHO L K, et al. Logging disturbance shifts net primary productivity and its allocation in Bornean tropical forests[J]. Global Change Biology, 2018, 24(7): 2913–2928.

[80] 王斌, 劉某承, 張彪. 基于森林資源清查資料的森林植被凈生產量及其動態(tài)變化研究[J]. 林業(yè)資源管理, 2009, (1): 35–43.

[81] 成方妍, 劉世梁, 張月秋, 等. 基于MODIS序列的北京市土地利用變化對凈初級生產力的影響[J]. 生態(tài)學報, 2017, 37(18): 5924–5934.

[82]鄭元潤, 周廣勝. 基于NDVI的中國天然森林植被凈第一性生產力模型[J]. 植物生態(tài)學報, 2000, 24(1): 9–12.

[83] LIETH H. Modeling the primary productivity of the world[J]. Nature and Resources, 1972, 8(2): 5–10.

[84] 周廣勝, 張新時. 自然植被凈第一性生產力模型初探[J]. 植物生態(tài)學報, 1995, 19(3): 193–200.

[85] 陳曉玲, 曾永年. 亞熱帶山地丘陵區(qū)植被NPP時空變化及其與氣候因子的關系——以湖南省為例[J]. 地理學報, 2016, 71(1): 35–48.

[86] YAN Hao, WANG Shaoqiang, BILLESBACH D, et al. Improved global simulations of gross primary product based on a new definition of water stress factor and a separate treatment of C3 and C4 plants[J]. Ecological Modelling, 2015, 297(11): 42–59.

[87] BEHERA S K, TRIPATHI P, BEHERA M D, et al. Modeling net primary productivity ofin North India using bio-geochemical model[J]. Biodiversity and Conservation, 2019, 28(8/9): 1–17.

[88] 方精云, 劉國華, 徐嵩齡. 我國森林植被的生物量和凈生產量[J]. 生態(tài)學報, 1996, 16(5): 497–508.

[89] ZHOU Guangsheng, WANG Yuhui, JIANG Yanling, et al. Estimating biomass and net primary production from forest inventory data: a case study of China’s[J]. Forest Ecology and Management, 2002, 169(1/2): 149– 157.

[90] 沈國舫, 翟明普. 森林培育學[M]. 北京: 中國林業(yè)出版社, 2011.

[91] HANSEN M C, POTAPOY P V, GOETZ S J, et al. Mapping tree height distributions in Sub-Saharan Africa using Landsat 7 and 8 data[J]. Remote Sensing of Environment, 2016, 185(2): 221–232.

[92] 廖凱濤, 齊述華, 王成, 等. 結合 GLAS 和 TM 衛(wèi)星數據的江西省森林高度和生物量制圖[J]. 遙感技術與應用, 2018, 33(4): 713–720.

[93] JIN Shichao, SU Yanjun, GAO Shang, et al. The Transferability of Random Forest in Canopy Height Estimation from Multi-Source Remote Sensing Data[J]. Remote Sensing, 2018, 10(8): 1008–1183.

A review on the methods of ecological evaluation of forest quality

HAN Haoshuang1,2, WAN Rongrong1,2,*

1.Key Laboratory of Watershed Geographic Sciences, Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 210008, China 2. University of Chinese Academy of Sciences, Beijing 100049, China

Forest provides a wide range of ecosystem functions including water conservation, climate regulation, environmental purification, water and soil conservation, and biodiversity protection, quantification of which is vital for understanding the processes of global carbon cycle, energy cycle and climate change. Based on extensive literature at home and abroad, this paper provided a thorough review of the progress in forest ecosystem quality quantification and assessment. Thus, the forest ecological quality assessment framework was summarized, and data acquisition and estimation algorithms for key indicators including forest biomass, forest productivity, and forest structure were elaborated. The latest progress and limitations existing in the quality evaluation of forest resources were discussed. Finally, this study put forward some prospects from the perspective of the standardization of evaluation indicators, the consideration of high-quality data, the impact of forest living environment, the applications on obtaining forest horizontal and vertical structural parameters by multi-source remote sensing data, and the interaction between forest quality and function.

forest ecological quality; biomass; productivity; forest structure; remote sensing technology

韓皓爽, 萬榮榮. 森林生態(tài)質量評估方法研究進展[J]. 生態(tài)科學, 2021, 40(4): 212–222.

HAN Haoshuang, WAN Rongrong. A review on the methods of ecological evaluation of forest quality[J]. Ecological Science, 2021, 40(4): 212–222.

10.14108/j.cnki.1008-8873.2021.04.024

S718.5; TP79

A

1008-8873(2021)04-212-11

2020-2-15;

2020-03-14

中國科學院“美麗中國生態(tài)文明建設科技工程”專項(XDA23020201); 國家自然科學基金(42071146)

韓皓爽(1995—), 女, 河南商丘人, 研究生, 主要從事資源利用與環(huán)境效應方向研究, E-mail: 1051081038@qq.com

萬榮榮, 女, 博士, 研究員, E-mail: rrwan@niglas.ac.cn