吳 恒,胥 輝

(1.西南林業(yè)大學,昆明 650224；2.國家林業(yè)和草原局昆明勘察設計院,昆明 650216)

森林植被生物量和碳儲量不僅是研究生態(tài)系統(tǒng)與大氣間碳循環(huán)的基本參數(shù),也是反映森林生態(tài)系統(tǒng)結構和功能特征的重要指標[1],在應對氣候變化中發(fā)揮著不可替代的重要作用,及時、準確、連續(xù)、動態(tài)的生物量和碳儲量監(jiān)測數(shù)據(jù)是世界各國應對氣候變化的行動的重要決策依據(jù),也是估算森林植被生態(tài)系統(tǒng)固碳經濟價值的關鍵因子。隨著生態(tài)產品價值實現(xiàn)機制的建立健全,建立生物量和碳儲量動態(tài)監(jiān)測制度,及時跟蹤掌握生物量和碳儲量數(shù)量分布、功能特點、權益歸屬等信息就顯得尤為迫切[2]。

傳統(tǒng)的森林資源連續(xù)清查生物量估算和基于規(guī)劃設計調查數(shù)據(jù)的生物量估算都需要耗費大量的人力、物力和財力,對于大尺度、長時間、落實到山頭地塊的連續(xù)監(jiān)測實現(xiàn)的可行性極小,采用遙感數(shù)據(jù)與地面調查數(shù)據(jù)建立反演模型是大區(qū)域尺度生物量和碳儲量估算的有效途徑[3-4]。森林植被生物量和碳儲量遙感信息提取是“3S”技術結合林學、生態(tài)學和信息科學等的一個綜合應用[5],尤其是MODIS,Landsat,Sentinel,GF,HJ,ZY等系列數(shù)據(jù)[6-7]在國內外林業(yè)、農業(yè)[8]和生態(tài)[9-10]等遙感方面都有廣泛的應用,利用衛(wèi)星遙感數(shù)據(jù)提取植被覆蓋類型面積的技術相對成熟,且精度不斷提高。本研究基于時序遙感衛(wèi)星數(shù)據(jù),以連續(xù)的地面觀測數(shù)據(jù)為基礎,利用遙感數(shù)據(jù)融合及數(shù)據(jù)同化等方法,解決大尺度森林植被生物量和碳儲量遙感信息提取過程中建模和校準的問題,并對影響森林植被生物量和碳儲量信息提取精度的原因進行分析研究,對生態(tài)系統(tǒng)生物量和碳儲量的連續(xù)、實時、動態(tài)監(jiān)測具有現(xiàn)實意義。

1 研究區(qū)概況

四川省(26°03′～34°19′N,97°21′～108°12′E)位于我國西南部長江上游地區(qū),位于中國大陸地勢三大階梯中的第一級和第二級,是青藏高原生態(tài)屏障和川滇生態(tài)屏障的重要“握手區(qū)”,地形復雜,氣候多樣,東部盆地,西部高原,幅員面積48.6萬km2。屬于全國第二大林區(qū)、第五大牧區(qū),森林資源以天然林為主,主要分布在川西高原和盆周山地,草地資源主要分布在川西北。濕地資源豐富,是我國高原泥炭沼澤最集中分布區(qū),泥炭儲量居全國前列。據(jù)第九次全國森林資源調查結果[11],四川省森林面積1 839.77萬hm2,森林覆蓋率38.03%?；盍⒛拘罘e197 201.77萬m3,森林蓄積186 099.00萬m3,每公頃蓄積139.67 m3。森林植被總生物量150 386.79萬t,總碳儲量71 582.45萬t。

2 研究方法

2.1 數(shù)據(jù)來源

遙感數(shù)據(jù)根據(jù)精度要求和獲取的可行性決定,高精度的影像獲取受時相、成本和衛(wèi)星重返周期等限制。本研究為了建立時序數(shù)據(jù)的基準,降低精度選擇重返周期最短的MODIS數(shù)據(jù),確保所有的影像數(shù)據(jù)均為3月,以消除季節(jié)變化對遙感指標NDVI和NPP的影響。遙感NDVI數(shù)據(jù)[12]涵蓋了2002—2017年共16幅影像,空間分辨率均為1km；NPP數(shù)據(jù)[13]涵蓋了2002—2017年共16幅影像,空間分辨率均為1km。地面監(jiān)測數(shù)據(jù)包括四川省第六次(2002年)、第七次(2007年)、第八次(2012年)和第九次(2017年)森林資源連續(xù)清查數(shù)據(jù),樣地總數(shù)10 098個,全為機械布設的固定樣地,樣地形狀為正方形,面積為0.066 7hm2。按照《森林資源連續(xù)清查技術規(guī)程》[10]對齡組、起源、樹種(組)的劃分方式,將優(yōu)勢樹種進行歸并處理,得到森林植被分齡組、起源、樹種(組)的面積、蓄積量等數(shù)據(jù)。

2.2 儲量估算與模型構建

2.2.1儲量估算

基于森林資源連續(xù)清查樣地調查的優(yōu)勢樹種、齡組和蓄積量,采用林木生物量擴展因子法進行蓄積-生物量轉換,分優(yōu)勢樹種和齡組計算樣地生物量和碳儲量,本文所采用的BEF與單位面積優(yōu)勢樹種(組)分齡組蓄積倒數(shù)方程,其參數(shù)來源于《全國林業(yè)碳匯計量監(jiān)測技術指南》(試行)(1)國家林業(yè)局.全國林業(yè)碳匯計量監(jiān)測技術指南.2011.中的擬合結果,及相關地區(qū)的森林優(yōu)勢樹種及樹種組的生物量轉換因子,竹林和灌木林采用全國林業(yè)碳匯計量監(jiān)測技術方法估算。在ArcGIS 10.2中運用Raster Calculator工具提取48km2區(qū)域內的遙感指標。

2.2.2反演模型構建

參數(shù)模型根據(jù)遙感時序數(shù)據(jù)與地面連續(xù)觀測值之間相關性與差異性,考慮各遙感因子間的交互作用和共線性關系,分析生物量密度、碳密度與遙感指標間線性函數(shù)、多項式函數(shù)等關系的基礎上[14],按照以下備選方程(1)和(2)構建遙感反演模型,根據(jù)模型擬合決定系數(shù)等綜合確定模型擬合結果。

(1)

(2)

采用2002年、2007年、2012年和2017年4期數(shù)據(jù)集為訓練樣本,以遙感樣地代表區(qū)域內NPP,NDVI均值和標準差作為輸入變量,以生物量密度和碳密度地面觀測值為目標變量,運用Matlab R2014b構建不同結構BP人工神經網絡模型[15-16],人工神經網絡模型神經元結構分別采用4-2-1,4-3-1,4-4-1,4-5-1,4-5-3-1,4-5-4-1,4-5-5-1,4-5-6-1的形式,輸入層到隱層的傳遞函數(shù)均為tansig,隱層到輸出層的傳遞函數(shù)為tansig或者purelin,訓練方法為trainlm,學習率為0.01,訓練的最大次數(shù)為1 000。篩選結果得出4個時期生物量密度和碳密度的BP人工神經網絡模型。

2.2.3校準與動態(tài)分析

基于建立的參數(shù)模型和BP人工神經網絡模型,采用2002—2017年的NPP,NDVI柵格數(shù)據(jù),在ArcGIS 10.2中運用Raster Calculator工具,連接參數(shù)模型和BP人工神經網絡計算模塊,利用GPS精準定位,加權計算得到各年度生物量密度和碳儲量密度分布圖。其中,2002年模型用于2002—2004年的影像估算；2007年模型用于2005—2009年的影像估算；2012年模型用于2010—2014年的影像估算；2017年模型用于2015—2017年的影像估算,并基于基準進行計算矯正。

2.3 影響遙感反演精度的因素分析

為了分析月度、季度、年度影像的時相和估算尺度對碳密度反演精度的影響,本研究采用相對誤差(RE)作散點圖進行各密度區(qū)間的影響因素分析,采用平均誤差(ME)、平均絕對誤差(MAE)和均方根誤差(RMSE)進行定量各因子的影響程度,各誤差的計算公式如下:

(3)

(4)

(5)

(6)

3 結果與分析

3.1 時序數(shù)據(jù)相關性與差異性

根據(jù)生物量密度和碳密度平均值與遙感時序數(shù)據(jù)的Pearson相關性分析(表1)表明,2002—2017年生物量密度與NPP和NDVI的Pearson相關系數(shù)平均值分別為-0.385 3和0.112 0,2017年生物量密度與NPP的Pearson相關系數(shù)最小,2012年生物量密度與NDVI的Pearson相關系數(shù)最小。2002—2017年碳密度與NPP和NDVI的Pearson相關系數(shù)平均值分別為-0.388 0和0.109 5,2017年碳密度與NPP的Pearson相關系數(shù)最小,2012年碳密度與NDVI的Pearson相關系數(shù)最小。生物量密度和碳密度與遙感時序指標NPP和NDVI的線性相關性較弱,且生物量密度、碳密度與遙感時序指標的相關性呈現(xiàn)一致性規(guī)律。

表1 2002—2017年生物量密度 碳密度平均值與NPP,NDVI的Pearson相關性Tab.1 Pearson correlation between biomass,carbon densities and NPP,NDVI from 2002 to 2017

方差齊性檢驗表明,不同時期生物量密度、碳密度、NPP和NDVI的Levene統(tǒng)計量分別為5.388 0,5.382 0,400.390 0和122.108 0,顯著性值均小于0.01,不同時期各指標總體的方差存在顯著差異。根據(jù)生物量密度、碳密度平均值、NDVI平均值和NPP平均值單因素方差分析(表2)表明,2002—2017年生物量密度、碳密度、NDVI和NPP均值間存在極顯著性差異(P<0.01),生物量密度和碳密度的均值差異呈現(xiàn)一致性規(guī)律。

表2 2002—2017年生物量密度 碳密度平均值 NPP,NDVI的單因素方差分析Tab.2 Results of ANOVA for biomass,carbon densities and NPP NDVI from 2002 to 2017

3.2 遙感反演結果及動態(tài)分析

3.2.1參數(shù)模型擬合結果

采用模型1以NPP均值及標準差作為自變量,擬合不同時期生物量密度的決定系數(shù)均值為0.228 7,碳密度的決定系數(shù)均值為0.229 8；采用模型2以NPP均值及標準差作為自變量,擬合不同時期生物量密度的決定系數(shù)均值為0.221 0,碳密度的決定系數(shù)均值為0.222 8。采用模型1以NDVI均值及標準差作為自變量,擬合不同時期生物量密度的決定系數(shù)均值為0.102 2,碳密度決定系數(shù)均值為0.101 9；采用模型2以NDVI均值及標準差作為自變量,擬合不同時期生物量密度的決定系數(shù)均值為0.087 6,碳密度的決定系數(shù)均值為0.087 2。模型1相較于模型2具有更好的擬合效果,增加指標的標準差作為自變量不能有效提高模型擬合效果,NPP和NDVI具有對模型具有不同的解釋效能,采用精度較低的遙感數(shù)據(jù)反演森林生物量密度和碳儲量密度具有局限性。因此,采用模型1以NPP和NDVI均值為自變量擬合生物量密度和碳儲量密度(表3)。

表3 生物量密度和碳密度遙感反演參數(shù)模型擬合結果Tab.3 Fitting results of parameter model for biomass,carbon densities with remote sensing indicators

3.2.2BP人工神經網絡模型反演結果

根據(jù)BP人工神經網絡訓練結果(表4)可知,相較于參數(shù)模型生物量密度擬合決定系數(shù)平均提高了0.070 5,碳密度擬合決定系數(shù)平均提高了0.076 2,差異最大的為2017年的擬合結果由不到0.05提高到0.20,采用人工神經網絡能有效提高模型擬合決定系數(shù)。相較于1個隱層,2個隱層模型擬合決定系數(shù)提高了0.009 9,增加隱層數(shù)和神經元數(shù)量會提高BP網絡的擬合決定系數(shù),但是也可能導致過度擬合。同時,轉換函數(shù)的選擇也影響著生物量密度和碳密度的遙感反演模型結果。參數(shù)模型和BP人工神經網絡擬合結果綜合分析表明,擬合決定系數(shù)均小于0.50,精度較低的遙感數(shù)據(jù)反演生物量和碳儲量密度的信息有限,實際生產運用中應盡可能采用高精度影像輔助地面調查,從而提高遙感估測的精度。

表4 生物量密度和碳密度遙感反演BP人工神經網絡訓練結果Tab.4 Results of BP artificial neural network training for biomass,carbon densities with remote sensing indicators

3.2.3生物量密度和碳密度動態(tài)演變趨勢

2002—2017年,四川省森林植被生物量密度和碳密度呈現(xiàn)不斷增大的趨勢(圖1)。各年間生物量密度與碳密度的Pearson相關性系數(shù)為0.958 3。高碳密度主要集中于甘孜州、阿壩州、涼山州等盆周區(qū)域,應與天然林保護等活動有關,原始林區(qū)的天然林分得到進一步的恢復。盆地內碳密度呈現(xiàn)出面積不斷擴大的趨勢,應與國土綠化等活動有關。

圖1 2002—2017年期間四川省植被生物量密度和碳密度時空演變趨勢Fig.1 Trend of biomass and carbon storage density change in Sichuan Province from 2002 to 2017

3.3 遙感數(shù)據(jù)和估算尺度對反演精度的影響

3.3.1遙感數(shù)據(jù)

采用遙感數(shù)據(jù)反演生物量密度和碳密度均存在明顯的高估和低估區(qū)間,其中低估區(qū)間為生物量密度和碳密度達到光飽和點以后,遙感指標不隨生物量密度和碳密度的增加而增加,導致遙感反演結果低于實際值。高估區(qū)間則是由于遙感指標不能區(qū)分不同植被覆蓋類型而導致對草地、灌木林地和竹林地等非喬木林分的遙感反演結果高于實際值。不同月份數(shù)據(jù)間遙感反演的相對誤差存在顯著性差異,2月(圖2(b))和3月(圖2(c))遙感數(shù)據(jù)反演的相對誤差分布呈現(xiàn)合理的正態(tài)分布型,但仍然存在明顯的光飽和區(qū)間。低密度期間相對誤差由低到高的順序為12月(圖2(l))、1月(圖2(a))、4月(圖2(d))、5月(圖2(e))、11月(圖2(k))、10月(圖2(j))、9月(圖2(i))、6月(圖2(f))、7月(圖2(g))、8月(圖2(h))。結果表明,在未能準確區(qū)分植被覆蓋類型的情況下,采用2月或3月的遙感NDVI指標估計生物量密度和碳密度更為合理。

圖2 不同月份數(shù)據(jù)遙感反演相對誤差分布圖Fig.2 Relative error distribution of remote sensing modeling by different monthly data

采用月度數(shù)據(jù)(1—12月)估測森林碳密度與清查樣地實測值的平均誤差(ME)分別為-19.8,-19.6,-12.1,-8.5,-2.2,8.1,11.1,10.2,3.8,0.5,-9.7和-16.2t/hm2；平均絕對誤差(MAE)分別為26.9,29.0,32.1,32.0,33.1,37.0,38.2,37.1,34.7,32.2,29.6和27.0t/hm2；均方根誤差(RMSE)分別為46.5,49.2,50.1,48.8,47.6,47.7,48.1,47.2,46.6,45.6和47.4,46.7t/hm2。

不同季度數(shù)據(jù)間遙感反演的相對誤差存在差異,1季度(圖3(a))遙感數(shù)據(jù)反演的相對誤差分布較為合理,其次為4季度(圖3(d))、3季度(圖3(c))和2季度(圖3(b))。采用1月的遙感NDVI指標估計生物量密度和碳密度更為合理,但沒有月度數(shù)據(jù)的估計效果好。采用季度數(shù)據(jù)(1—4季度)估測森林碳密度與清查樣地實測值的平均誤差(ME)分別為-0.3,13.0,6.2和-12.4t/hm2；平均絕對誤差(MAE)分別為103.3,141.8,116.4和55.9t/hm2；均方根誤差(RMSE)分別為47.9,48.3,45.9和46.3t/hm2。

圖3 不同季度數(shù)據(jù)遙感反演相對誤差分布圖Fig.3 Relative error distribution of remote sensing modeling by different quarterly data

不同年度數(shù)據(jù)間遙感反演的相對誤差無差異,但沒有月度數(shù)據(jù)和季度數(shù)據(jù)的估計效果好。采用年度數(shù)據(jù)2002年(圖4(a))、2007年(圖4(b))、2012年(圖4(c))和2017年(圖4(d))估測森林碳密度與清查樣地實測值的平均誤差(ME)分別為13.4,39.3,78.1和32.1t/hm2；平均絕對誤差(MAE)分別為38.9,34.4,36.6和32.8t/hm2；均方根誤差(RMSE)分別為48.1,46.2,47.8和43.8 t/hm2。

圖4 不同年度數(shù)據(jù)遙感反演相對誤差分布圖Fig.4 Relative error distribution of remote sensing modeling by different annual data

3.3.2估算尺度

不同估算尺度對遙感反演的相對誤差具有顯著性的影響,采用清查樣地估算1km2(圖5(a))碳密度相對誤差分布呈現(xiàn)合理的正態(tài)分布型,其次為6km2(圖5(b))、24km2(圖5(c))和48km2(圖5(d)),可能與遙感影像的精度為1km有關。不同估算尺度(1,6,24,48km2)森林碳密度與清查樣地實測值的平均誤差(ME)分別為-4.4,13.7,10.0和2.7t/hm2；平均絕對誤差(MAE)分別為34.6,25.4,24.8和24.8t/hm2；均方根誤差(RMSE)分別為46.6,38.8,38.3和38.5t/hm2。

圖5 不同估算尺度遙感反演相對誤差分布圖Fig.5 Relative error distribution of remote sensing modeling by different scale of estimation

4 討論與結論

4.1 討論

森林、草原、濕地等自然生態(tài)系統(tǒng)在增加碳匯中發(fā)揮著不可替代的重要作用[17],是爭取實現(xiàn)碳達峰碳中和的有效途徑。采用精度較低的遙感數(shù)據(jù)反演森林生物量密度和碳儲量密度具有局限性,遙感數(shù)據(jù)反映的信息有限,故本研究中的模型擬合決定系數(shù)較低。由于不同月份NDVI和NPP等差異較大,對基準矯正和年度的時序分析具有較大的影響,這要求建立時序數(shù)據(jù)校準的遙感數(shù)據(jù)的時相相對統(tǒng)一,確保時序數(shù)據(jù)校準實驗的合理性和可行性。隨著遙感數(shù)據(jù)的豐富,對比不同精度的遙感影像對生物量和碳儲量估測影響是本研究后期需要改進的地方。在生產中也應根據(jù)實際需求盡可能采用高精度影像輔助地面調查,利用GPS技術建立地面連續(xù)監(jiān)測的基準對不同時期的遙感影像反演值進行校準,運用智能算法建立反演模型[18],從而提高遙感估測的精度。同時,基于遙感數(shù)據(jù)的生物量和碳儲量估算具有不確定性問題,其中光飽和點的不確定性更為突出[19],在實際調查監(jiān)測中需要注意和飽和矯正。同時,由于遙感指標不能區(qū)分不同植被覆蓋類型而導致對草地、灌木林地和竹林地等非喬木林分的遙感反演結果高于實際值,在實際生產和運用中應增加森林植被區(qū)劃因子,從而提高遙感反演的精度。

4.2 結論

生物量密度、碳密度與遙感時序指標NPP和NDVI的線性相關性較弱,不同年份間生物量密度、碳密度、NDVI和NPP均值存在極顯著性差異(P<0.01),NPP和NDVI對模型具有不同的解釋效能。相較于參數(shù)模型,采用BP人工神經網絡生物量密度擬合決定系數(shù)平均提高了0.070 5,碳密度擬合決定系數(shù)平均提高了0.076 2。輔助GPS精準定位進行時序數(shù)據(jù)校準,2002—2017年期間四川省森林植被生物量密度、碳密度呈不斷增大的趨勢。采用遙感數(shù)據(jù)反演生物量密度和碳密度均存在明顯的高估和低估區(qū)間,在生產過程中應進行矯正。在未能準確區(qū)分植被覆蓋類型的情況下,采用2月或3月的遙感NDVI指標估計生物量密度和碳密度更為合理,季度數(shù)據(jù)和年度數(shù)據(jù)均沒有月度數(shù)據(jù)的估計效果好,不同估算尺度對遙感反演的相對誤差具有顯著性的影響。采用“3S”技術和模型技術,結合高精度時序遙感衛(wèi)星數(shù)據(jù)能為大區(qū)域尺度生物量和碳儲量估算提供快速途徑[20-21]。