黑龙江省区小兴安岭森林生态系统碳密度遥感估算1)

肖湘 王西峰 范文义 卢伟 田甜

(东北林业大学，哈尔滨，150040) (陕西牛背梁国家级自然保护区管理局) (东北林业大学)

黑龙江省区小兴安岭森林生态系统碳密度遥感估算1)

肖湘 王西峰 范文义 卢伟 田甜

(东北林业大学，哈尔滨，150040) (陕西牛背梁国家级自然保护区管理局) (东北林业大学)

以黑龙江省区域小兴安岭地区遥感影像和130块2005年小兴安岭二类调查数据及土壤数据为基础，选择各个波段的灰度值、不同波段灰度值之间的线性和非线性波段组合、纹理信息以及非生物因子栅格化后所形成的辅助波段等为自变量，选择与碳密度相关性显著的自变量，采用郁闭度碳密度联立方程组模型，对黑龙江省区域小兴安岭森林生态系统的碳密度进行估算、精度评价。结果表明：黑龙江省区域小兴安岭的南部和中部地区，森林碳密度主要集中在200～250 t·hm-2；北部地区大部在250～300 t·hm-2。黑龙江省区域小兴安岭森林生态系统碳密度，具有从西向东、从南向北，逐步升高的趋势。模型平均拟合精度85.1%，均方根误差=31.27 t·hm-2；平均检验精度84.7%，均方根误差=33.61 t·hm-2。

森林生态系统；碳密度；遥感估算；小兴安岭；黑龙江省

森林生态系统碳密度，是森林碳循环的基础。在大中区域尺度的森林生态系统碳密度的估算研究中，国内外学者做过很多研究[1-2]。在该类研究中，目前存在两个主要问题：一是估算模型采用常规的多元统计模型，先估算森林郁闭度，然后把郁闭度当做自变量代入碳密度模型中，和其他自变量一起再估算碳密度，这样会导致误差的积累；二是多数研究者注重对地上植被碳密度的估算，忽略了地下、枯落物和土壤碳密度研究[3-4]，致使估算结果不能很好代表区域尺度上的森林生态系统碳密度的实际情况。

本研究以黑龙江省区域小兴安岭地区，遥感影像和收集的森林资源连续清查固定样地数据、根生物量调查数据、灌木草本和土壤实测数据为基础，在样地总的碳密度计算基础上，选择包括各个波段的灰度值、不同波段灰度值之间的线性和非线性波段组合(包括各种植被指数)、纹理信息以及非生物因子栅格化所形成的辅助波段——环境因子等遥感自变量，采用郁闭度碳密度联立方程组模型[5-6]，对黑龙江省区域小兴安岭地区进行森林生态系统碳密度的估算。消除或减少常规多元统计模型误差的累积效应，提高森林生态系统碳密度估算精度。

1 材料与方法

1.1 数据来源

收集2005年均匀分布在黑龙江省区域小兴安岭地区的130个森林资源连续清查固定样地数据，且样地碳密度从小到大均有分布。采用随机抽样方法，将130个样本按照大致3∶1分为100个建模样本和30个精度检验样本。在每个样地内补充灌草生物量测定；在固定样地周边，随机挖取1 m深的土壤剖面，收集土壤样本；并对主要树种的根生物量进行调查测定。遥感数据主要来源于2006—2007年的Landsat影像，数据采用的投影方式是UTM投影，WGS84，空间分辨率为30 m。处理后的遥感图像及样地见图1。

1.2 样地碳密度计算方法

每个样地总的碳密度包括：植被(地上植被以及根)的碳密度、土壤的碳密度和凋落物的碳密度3部分。其中：乔木生物量碳密度计算，主要采用文献[6]、[7]的计算方法；灌草生物量，采用文献[8]的计算方法。每个样地的总生物量乘以0.5的含碳率[9]，得到样地的总碳密度。

图1 黑龙江省区域小兴安岭地区遥感影像和样地分布

1.3 建模方法

用遥感数据估算区域森林生态系统碳密度较成熟和相对常用的方法，多采用多元回归模型。国内外研究者一致认为，植被在遥感影像上的反射光谱特征，反映了植物的总体生长状况，生物量与森林郁闭度高度相关，选择较完备的自变量集，能够估算区域森林生态系统的碳密度。常规方法，是先用遥感数据估算郁闭度，然后把郁闭度作为自变量代入碳密度估算模型中进行计算；这种方法会造成误差的累积，并影响碳密度估算的精度。为此，本研究采用联立方程组模型[5]：通过郁闭度模型和碳密度模型进行联立；碳密度和郁闭度两个变量为内生变量，其余变量为外生变量；用误差矩阵做总体控制解算模型参数，消除或减少误差的累积效应，减小郁闭度估算误差传递给碳密度估算带来的影响。为说明问题，研究中将两种模型分别对相同的样地数据进行建模和精度检验。

2 结果与分析

2.1 模型变量的选择

为了模型自变量集合比较完备，首先选择各波段灰度值、不同波段灰度值之间的线性和非线性组合(λTM7/λTM3、λTM4·λTM3/λTM7、λTM(4+5-2)/λTM(4+5+2)、λTM4/λTM2)、派生出的植被指数(差值植被指数、简单比值指数、归一化植被指数、转换型植被指数、垂直植被指数、红外指数、土壤调整植被指数、优化的简单比值指数、重规一化植被指数、土壤调整植被指数2、非线性植被指数)、纹理信息(3×3窗口，步长1)、非生物因子栅格化所形成的辅助波段(如高程、坡度、坡向)等自变量因子作为自变量，然后计算碳密度与各个自变量的相关系数。通过相关系数显著性检验，确定出相关系数显著的自变量参加模型的建立。

2.2 模型的建立及精度检验

2.2.1 常规模型的建立及检验

郁闭度遥感模型，运用SAS 9.2在自变量相关系数显著性检验的基础上，选择相关性显著的自变量与样地郁闭度作逐步回归分析，建模结果如式(1)所示。模型的调整决定系数为0.754，均方根误差为0.21。

Yb=414.819 4+0.000 079 1x1-0.000 082 49x2+ 32.516 5x3-0.006 5x4-0.023x5+0.078 2x6+ 26.638 5x7+37.808 4x8-4.707x9+19.863 5x10。

(1)

式中：Yb为郁闭度；x1为x坐标；x2为y坐标；x3为归一化植被指数；x4为波段4对角线方向灰度共生矩阵的相关性；x5为波段5对角线方向灰度共生矩阵的相关性；x6为高程；x7为波段1水平方向灰度共生矩阵的均一性；x8为波段4水平方向灰度共生矩阵的均一性；x9为波段4垂直方向灰度共生矩阵的平均值；x10为波段7垂直方向灰度共生矩阵的相异性。

碳密度模型，运用SAS 9.2对筛选后的数据采用逐步回归法建模，共有5个变量进入森林生态系统碳密度估算模型中，加入郁闭度变量，碳密度(Cd)模型估算结果如式(2)所示。模型拟合精度为79.2%，均方根误差=33.16 t·hm-2；检验精度为77.3%，均方根误差=34.05 t·hm-2。

Cd=1 040.224 5+0.352 4Yb+0.425 9y1-1 067.545 8y2+ 221.275 9y3+11.333 8y4+4.166 2y5。

(2)

式中：y1波段1水平方向灰度共生矩阵的相关性；y2为波段3垂直方向灰度共生矩阵的均一性；y3为波段5垂直方向灰度共生矩阵的角二阶矩；y4为波段1垂直方向灰度共生矩阵的相关性；y5为波段7垂直方向灰度共生矩阵的相关性。

2.2.2 郁闭度碳密度联立方程组模型的建立及检验

联立方程组模型的标准形式为：

郁闭度碳密度联立方程组模型结果如式(3)、式(4)所示。

Yb=-0.014 1+0.000 162x1-0.000 008x2-0.087 894x3- 0.005 959x4-0.036 512x5-0.106 36x6-0.006 103x7- 0.006 013x8-2.257 305x9-0.082 531x10。

(3)

Cd=14.105 162+0.021 939Yb+0.016 144y1+ 11.423 842y2+6.026 339y3-2.947 019y4+ 0.035 743y5。

(4)

采用和常规模型相同的样地数据进行验证，联立方程组模型平均拟合精度85.1%，均方根误差=31.27 t·hm-2；平均检验精度84.7%，均方根误差=33.61 t·hm-2。模型估算的碳密度结果与样地实测结果的相关系数为0.799(见图2)，检验样地数据预测值与样地碳密度的相关系数为0.656(见图3)，说明郁闭度和碳密度联立方程组模型建模效果比较好。

图2 建模数据预测值与样地碳密度的相关性

图3 检验数据预测值与样地碳密度的相关性

2.3 碳密度的估算

把黑龙江省区域小兴安岭地区的自变量遥感影像数据，代入郁闭度和碳密度联立方程组模型，估算出森林生态系统的碳密度(见图4)，对估算的森林生态系统碳密度进行分级(<200、200～250、250～300、>300 t·hm-2)。由图4可见，黑龙江省区域小兴安岭的南部和中部地区森林碳密度比较低，主要集中在200～250 t·hm-2；北部地区森林生态系统碳密度较高，大部在250～300 t·hm-2。黑龙江省区域小兴安岭森林生态系统碳密度，具有从西向东、从南向北，逐步升高的趋势。

图4 黑龙江省小兴安岭碳密度估算结果

3 结论与讨论

常规统计模型，由于分步估算郁闭度和碳密度，导致误差积累。将碳密度估算模型与郁闭度估算模型建立联立方程求解参数后，能够有效的减小误差的累积效应，使最终的碳密度估算模型精度得到提高。结果表明：在使用相同样地数据进行建模和进度检验的情况下，联立方程组模型，平均拟合精度85.1%，均方根误差=31.27 t·hm-2；平均检验精度84.7%，均方根误差=33.61 t·hm-2。比常规方法精度提高了7.4%。

从估算结果图中可知，黑龙江省区域小兴安岭的南部和中部地区森林碳密度比较低，主要集中在200～250 t·hm-2；北部地区森林生态系统碳密度，主要集中在250～300 t·hm-2。黑龙江省区域小兴安岭的森林生态系统碳密度，具有从西向东、从北向南，逐步升高的趋势。

本研究将联立方程组模型引入到森林生态系统碳密度的遥感估算中，一方面，考虑了郁闭度估算的可实现性，探索了新的遥感估算模型；另一方面，为多传感器的联合估算专题信息提供了新的方法。联立方程组模型，估算森林生态系统碳密度，是新型统计方法在遥感提取地物参数方面的一种新思路，比常规统计方法更具合理性。在以后的研究中，可以研究物理模型与统计模型相结合的算法，提高森林生态系统碳密度的估算精度。

[1] 王效科，冯宗炜，欧阳志云.中国森林生态系统的植物碳储量和碳密度研究[J].应用生态学报，2001，12(1)：13-16.

[2] 周玉荣，于振良，赵士洞.我国主要森林生态系统碳贮量和碳平衡[J].植物生态学报，2000，24(5)：518-522.

[3] 黄从德，张健，杨万勤，等.四川森林植被碳储量的时空变化[J].应用生态学报，2007，18(12)：2687-2692.

[4] 王新闯，齐光，于大炮，等.吉林省森林生态系统的碳储量、碳密度及其分布[J].应用生态学报，2011，22(8)：2013-2020.

[5] 唐守正，张会儒，胥辉.相容性生物量模型的建立及其估计方法研究[J].林业科学，2000，36(专刊1)：19-27.

[6] 邢艳秋.基于RS和GIS东北天然林区域森林生物量及碳贮量估测研究[D].哈尔滨：东北林业大学，2005.

[7] 范文义，张海玉，于颖，等.三种森林生物量估测模型的比较分析[J].植物生态学报，2011，35(4)：402-410.

[8] 于颖，范文义，李明泽.东北林区不同尺度森林的含碳率[J].应用生态学报，2012，23(2)：341-346.

[9] 方精云，刘国华，朱彪.北京东灵山三种温带森林生态系统的碳循环[J].中国科学：D辑：地球科学，2006，36(6)：533-543.

Forest Ecosystem Carbon Density in Xiaoxing’an Mountains of Heilongjiang Province Based on the Remote Sensing

Xiao Xiang(Northeast Forestry University, Harbin 150040, P. R. China); Wang Xifeng(Administration of Niubeiliang National Nature Reserve); Fan Wenyi, Lu Wei, Tian Tian(Northeast Forestry University)/Journal of Northeast Forestry University，2015,43(4)：127-130.

With the remote sensing images of Xiaoxing’an Mountains and 130 plots of the forest inventory in 2005 and soil data, we selected the variables including the bands of gray value, linear and nonlinear combination of bands between the different bands of gray value, texture information and auxiliary band formed by abiotic factors of the grid and the independent variables significantly related to the carbon density to estimate the forest ecosystem carbon density of Xiaoxing’an Mountains by using the simultaneous equation models. In the south region of Xiaoxing’an Mountains, forest carbon density was 200-250 t·hm-2, and 250-300 t·hm-2in the north region with the rising trend from west to east and from south to north. Average model fitting precision was 85.1% with RMSE of 31.27 t·hm-2. The average test accuracy of the model was 84.7% with RMSE of 35.61 t·hm-2.

Forest ecosystem; Carbon density; Remote sensing estimation; Xiaoxing’an Mountains; Heilongjiang Province

1)“十二五”国家科技支撑项目(2011BAD37B01)。

肖湘，女，1989年6月生，东北林业大学林学院，硕士研究生。E-mail：xiangzi0616@163.com。

范文义，东北林业大学林学院，教授。E-mail：fanwy@163.com。

2014年11月28日。

S718.5

责任编辑：张 玉。