基于神经网络的开化县森林碳储量空间估计

徐超璇

摘要：本研究以浙江省开化县为研究对象，用2004年全县境内76个森林资源清查样地数据及同年Landsat TM遥感影像，将归一化植被指数NDVI、IND53和归一化绿色植被指数GNDVI融入BP神经网络，对开化县境内森林碳储量进行预测。结果显示：开化县平均碳密度为37.616Mg/hm2，碳密度最大值为144.691Mg/hm2，碳密度最小值为0.000Mg/hm2，标准差为26.685Mg/hm2。森林碳密度较高区域主要集中在西北和东部，整体呈现出沿东北方向的两边密集、中间稀疏的状态。

Abstract： This study takes Kaihua County in Zhejiang Province as the research object. Using the data of 76 forest resources inventory plots in the county in 2004 and Landsat TM remote sensing images of the same year， the normalized vegetation index NDVI， IND53 and normalized green vegetation index GNDVI is integrated into the BP neural network to predict the forest carbon storage in Kaihua County. The results show that the average carbon density of Kaihua County is 37.616 Mg/hm2， the maximum carbon density is 144.691 Mg/hm2， the minimum carbon density is 0.000 Mg/hm2， and the standard deviation is 26.685 Mg/hm2. The areas with higher forest carbon density are mainly concentrated in the northwest and east， and the two sides along the northeast are dense and the center is sparse.

关键词：森林碳储量;植被指数;BP神经网络

Key words： forest carbon storage;vegetation index;BP neural network

中图分类号：S718.5                                       文献标识码：A                                  文章编号：1006-4311（2020）03-0217-02

0  引言

森林生态系统在调节全球碳均衡和阻止气候变暖、改善气候等方面，具有无法替代的作用。在生态系统中，森林是最大的陆地碳源库，实现碳储量估计的基础在于首先要测定森林生态系统中的生物量。在国际生物学计划（IBP）的推动发展下，各项关于植被生物量的研究纷纷出现，发展势头迅猛，大量的研究数据为全方面地探究全球森林生物量和碳储量分布提供了理论依据[1]。张茂震等在分析比较了浙江省多年的森林资源连续清查数据的基础上，根据生物量和蓄积量之间的关系，对浙江省的森林碳汇生产力进行了定量预估分析[2]。徐新良等通过遥感影像获取波段信息，以此建立生物量与碳储量之间的关系来估算植被碳贮量的方法被广泛应用[3]。目前运用遥感技术进行森林碳储量估算时，因采用的数据源不同而使得相对应的分析方法截然不同。神经网络法就是其中一种分析方法，在预测森林碳储量方面，具有一定的优势，是当前热门的研究对象。

本文以浙江省开化县为例，利用一类森林资源清查数据，同时结合TM遥感影像，利用神经网络中的BP人工神经网络方法建模，设立先验样本和训练样本，预测研究区域的碳密度值，再获取研究区域内森林碳密度的全域分布图推算估计整个地区的碳储量，并将反归一化计算后获得的数据与实测样地值进行比较分析，最后进行精度评价。

1  研究区概况

浙江省衢州市开化县位于北纬28°54′-29°30′，东经118°01′-118°37′的浙江省西部边境区域，地处浙江、江西、安徽三省的交界处。全县总面积约为2236平方公里，整体地势西北高而东南低，属浙西中山丘陵地形。其气候属于亚热带季风气候，平均温度16.4℃，年平均降雨量在1800毫米左右，四季分明。开化县处中亚热带常绿阔叶林带北部亚地带、浙皖山丘青冈苦槠林植被区，是极具特色的植被区域，植被资源丰富。开化县生态环境优良，是浙江省森林碳汇的重要组成部分。

2  据准备与研究方法

2.1 数据准备

2.1.1 森林资源一类调查数据

本次设计采用2004年开化县森林资源一类调查清查数据即省级样地数据，使用系统抽样的方法在开化县区域范围内进行抽样调查，各个样地间间距为4km×6km，样地为28.28m×28.28m的正方形，面积223600hm，共计76个样地。

样地森林碳储量计算是通过地面样地调查所获取记录的数据（样地号、树种、胸径等），其中树种代码采用2004年之后的树种代码。根據已发表的生物量模型、各个树木种类的生长模型以及其生物参数，本实验只对杉木、马尾松、硬阔林和软阔林这四个树种进行生物量研究计算，依据生物量和碳储量的转换系数为0.50，计算出各树种的碳储量，以此计算得到各个样地上的碳储量和平均单位面积内的碳储量，即碳密度。

2.1.2 TM遥感影像数据

研究数据为2004年获取的开化县全景Landsat TM影像，空间分辨率为30m×30m。影像通过大气校正、几何校正等系列处理，将精度控制在一个单元格内。

利用ENVI获取出TM影像中样地所对应的6个波段的灰度值，并通过波段间的组合，提取植被指数。本实验搜集了大量现有的植被指数资料，提取比较了四十一种植被指数与开化县样地碳储量相关性，在筛选分析之后，选取采用相关性高的归一化植被指数NDVI、归一化绿色植被指数GNDVI和归一化指数IND53。

在ArcGIS中将各个样地点在TM遥感影像上有关各个波段的波段信息以及植被指数的数值提取到一起，为上述拟定植被指数提供相关性分析依据，以及为神经网络预判估计提供输入层与输出层。

通过SPSS分析数据，对各样地中碳密度和各波段以及植被指数之间进行相关性分析，选取最优波段结果。结果如表1。

从表1分析的结果可以知道，碳密度跟各个波段及三个植被指数的相关性并不是特别高，范围在0.15到0.45之间，都不足0.5。分析比较，在六个波段中TM2与碳密度的相关性是最高的;碳密度与研究的三个植被指数相关性均超过了0.4，且其中具有最高相关性的是归一化绿色植被指数GNDVI。因此选取这三个植被指数结合到神经网络中，建立森林碳储量估计模型。

2.2 研究方法

人工神经网络简称为神经网络，它效仿动物的神经网络，尤其是行为特征。BP神經网络是一种多层前馈网络，沿着误差反方向传播的路径来算数训练，一般由三部分组成：输入层、隐含层、输出层。网络会按照研究者事先设定得方式，即函数，进行学习记忆，这种算法的实质是求误差函数的最小值。

2.3 检验方法

为了检验BP人工神经网络模型对森林碳密度的估算精度，本研究使用76个样地数据，其中选取61个作为神经网络的训练样本，剩余15个样地数据作为检验样本。通过反归一化获取预测数据。比较预测数据与样地实测值的最大值、最小值、平均值和标准差，以及数据的相关性。

3  结果与分析

3.1 BP神经网络模型确定

由于本文仅研究76个样地的碳密度值，设立训练样本为61个，检验样本个数为15个。使用Matlab2010，把之前确定的三个植被指数：归一化植被指数NDVI、归一化绿色植被指数GNDVI和归一化指数IND53进行归一化处理，作为输入层，将样地计算而得的碳密度放入网络的输出层，进行训练。结果显示检验样本的预测值与实测值的相关性为0.60，训练样本的预测值与实测值的相关性为0.65。

3.2 结果与分析

根据BP神经网络反归一化的预测值显示，开化县森林碳密度较高区域主要集中在西北和东部，整体呈现出沿东北方向的两边密集、中间稀疏的状态，全县碳密度分布较分散。通过神经网络模拟计算得到的开化县森林平均碳密度为27.616Mg/hm2，碳密度最大值为144.691Mg/hm2，碳密度最小值为0.000Mg/hm2，碳密度标准差为26.685Mg/hm2。如图1。

开化县森林调查的76个样地，计算统计碳储量得到平均碳密度为23.018Mg/hm2，碳密度最大值为128.632Mg/hm2，碳密度（表2）最小值为0.000Mg/hm2，碳密度标准差为25.006Mg/hm2。

比较两者平均值，预测碳密度平均值高于实测碳密度平均值1.665%，两组数据的相关性为99.927%，两者基本接近，证明通过BP人工神经网络的方法估计开化县森林碳储量精度高，准确性大，基本与实地现状吻合。

4  总结与讨论

文章利用开化县森林一类样地清查数据和TM遥感影像进行全县区域内的森林碳储量空间估计，采用了BP人工神经网络，得到了较合理的预测结果。无论是碳储量总量，平均碳密度，模拟得到的最大值以及标准差，通过BP神经网络预测的结果都要高一些。实验预测结果基本准确，精度高，能够较好地估计开化县森林碳储量。这说明人工神经网络是一种较好的数学模型，值得深入研究并加以运用，这对我国的森林资源监测、管理以及保护具有重要作用。目前尚未有研究用运神经网络法估测开化县森林碳储量。本研究利用BP人工神经网络，对开化县森林碳密度进行估计研究，是一大创新。但由于经验不足，综合各种影响因素，本次研究仍有发展进步的空间。

参考文献：

[1]续珊珊.森林碳储量估算方法综述[J].林业调查规划，2014，39（6）：28-33.

[2]张茂震，王广兴，刘安兴.基于森林资源连续清查资料估算的浙江省森林生物量及生产力[J].林业科学，2009（09）：13-17.

[3]徐新良，曹明奎，李克让.中国森林生态系统植被碳储量时空动态变化研究[J].地理科学进展，2007（06）：1-10.