深圳市建成區(qū)森林碳分布估測(cè)方法比較研究

譚一凡 ，郄廣平，王敏姿 ，王廣興 ，，彭友貴 ，羅朝沁 ，孫 華 ，林 輝

（1.仙湖植物園，廣東 深圳 518000 ；2.Dept. of Geography and Environmental Resources, Southern Illinois University， Carbondale IL USA； 3.華南農(nóng)業(yè)大學(xué) 林學(xué)院，廣東 廣州 ；4.中南林業(yè)科技大學(xué) 林業(yè)遙感與信息工程研究中心，湖南 長(zhǎng)沙 410004）

深圳市建成區(qū)森林碳分布估測(cè)方法比較研究

譚一凡1，郄廣平2，王敏姿2，王廣興4，2，彭友貴3，羅朝沁4，孫 華4，林 輝4

（1.仙湖植物園，廣東 深圳 518000 ；2.Dept. of Geography and Environmental Resources, Southern Illinois University， Carbondale IL USA； 3.華南農(nóng)業(yè)大學(xué) 林學(xué)院，廣東 廣州 ；4.中南林業(yè)科技大學(xué) 林業(yè)遙感與信息工程研究中心，湖南 長(zhǎng)沙 410004）

城市森林是森林生態(tài)系統(tǒng)的重要組成部分，在改善城市生態(tài)環(huán)境方面發(fā)揮著重要作用。研究城市森林碳分布對(duì)于陸地生態(tài)系統(tǒng)碳循環(huán)的模擬和城市的生態(tài)建設(shè)規(guī)劃具有重要意義。以深圳市建成區(qū)森林為研究對(duì)象，分別采用逐步回歸、協(xié)同克里格和K個(gè)最靠近鄰居(KNN)3種方法對(duì)深圳市的森林碳分布進(jìn)行模擬。結(jié)果表明:3種方法估測(cè)結(jié)果各有其優(yōu)缺點(diǎn)。逐步回歸和KNN法能夠較準(zhǔn)確地反映森林碳分布的信息(如行道樹(shù)、公園等)，但逐步回歸的預(yù)測(cè)結(jié)果偏小，KNN法的預(yù)測(cè)結(jié)果偏大。協(xié)同克里格法則可以較準(zhǔn)確的反映建成區(qū)森林碳分布并能導(dǎo)出總體估測(cè)值，但對(duì)森林碳空間分布的細(xì)節(jié)反映不如逐步回歸和KNN。

城市森林；城市森林碳分布；估測(cè)方法；深圳

森林生態(tài)系統(tǒng)是陸地生態(tài)系統(tǒng)中最重要的一部分，其生物量約占全球陸地植被生物量的90%[1]，碳儲(chǔ)量占全球陸地碳庫(kù)總儲(chǔ)量的77%[2-3]。因此研究森林固碳能力和森林碳收支具有重要意義[4]。近年來(lái)中外學(xué)者對(duì)森林生態(tài)系統(tǒng)的碳儲(chǔ)量[5-12]、碳密度[12]以及碳匯功能[12-14]做了大量研究，但這些研究大多集中在自然森林生態(tài)系統(tǒng)中，而對(duì)受人類活動(dòng)干擾嚴(yán)重的城市森林生態(tài)系統(tǒng)研究較少。近年來(lái)全球人口的快速增長(zhǎng)和城市化進(jìn)程的不斷擴(kuò)張，導(dǎo)致土地利用與土地覆蓋植被的劇烈變化。森林的采伐和植被的破壞導(dǎo)致森林碳匯功能的下降和二氧化碳排放的增加，已經(jīng)引發(fā)了全球性的溫室效應(yīng)和環(huán)境變化。據(jù)預(yù)測(cè)，到2020年，中國(guó)將有60%的人口生活在城市。而植被在改善城市小氣候，防止水土流失，凈化及調(diào)節(jié)河流流量，減輕環(huán)境污染以及固碳等方面具有重要作用，因此，研究城市森林碳分布、碳儲(chǔ)量十分必要。深圳作為經(jīng)濟(jì)特區(qū)，近30年來(lái)城市森林景觀發(fā)生了巨大的變化。在城市面積高速擴(kuò)張的同時(shí)，注重城市綠化，在增加綠地面積的同時(shí)，保留了遠(yuǎn)郊的森林面積和城市公園，做到了建設(shè)與綠化同步，實(shí)現(xiàn)了區(qū)域陸地與生態(tài)廊道和城市綠地的結(jié)合。但是， 復(fù)雜的城市景觀格局給城市森林碳儲(chǔ)量的估計(jì)工作帶來(lái)了一定的困難?；诖?，本文采用Landsat8 遙感影像與野外樣地調(diào)查相結(jié)合，分別采用逐步回歸、協(xié)同克里格和K個(gè)最靠近鄰居(KNN)3種森林碳匯估測(cè)方法進(jìn)行深圳市建成區(qū)森林碳分布研究，并探討3種方法在城市森林碳匯估測(cè)應(yīng)用中的可行性。

1 研究區(qū)概況與數(shù)據(jù)收集及處理

1.1 研究區(qū)概況

深 圳 市 介 于 東 經(jīng) 113°46′～ 114° 37′， 北 緯22°27′～ 22°52′之間。連接南海和太平洋，毗鄰香港，北部與東莞、惠州接壤。屬熱帶季風(fēng)性氣候，年平均氣溫22.5℃，年降雨量為1 924.3 mm。東西跨度81.4 km，南北約45 km[15]。研究所涉及范圍主要為深圳市的建成區(qū)，如圖1。

圖1 研究區(qū)范圍及樣地空間分布Fig. 1 Study area and spatial distribution of sample plots

1.2 研究數(shù)據(jù)獲取及外野布點(diǎn)方法

研究所使用的遙感數(shù)據(jù)為美國(guó)陸地衛(wèi)星的最新數(shù)據(jù)Landsat8，接收時(shí)間為2013年10月28日，空間分辨率為30m，共有11波段。根據(jù)研究需求，此次研究只選取了空間分辨率(30 m × 30 m)與地面樣地相近的第1-7波段。利用ATCOR 2013軟件進(jìn)行大氣校正后，再使用ERDAS imagine 2013 對(duì)選定的波段進(jìn)行合成和裁剪。

樣地布設(shè)采用分層隨機(jī)抽樣的方法。即，首先在ERDAS imagine 2013 中對(duì)影像進(jìn)行分類。 結(jié)合研究目標(biāo)和地物分布狀況，將深圳市地類劃分為4類：森林、城市用地、裸地和水體。將分類結(jié)果作為分層數(shù)據(jù)，利用ArcGIS 10.2統(tǒng)計(jì)各地類面積，然后按各地類面積比例來(lái)確定布設(shè)樣點(diǎn)的數(shù)目，各地類布設(shè)樣點(diǎn)數(shù)目如表1。

表1 各地類按面積比例布設(shè)樣點(diǎn)數(shù)目Table 1 Numbers of sample plots selected based on proportions of areas for different land use and land cover (LULC) types

樣點(diǎn)數(shù)目確定后， 再利用ArcGIS 10.2的隨機(jī)布點(diǎn)函數(shù)在各地類圖層中進(jìn)行隨機(jī)布點(diǎn)，并提取各樣點(diǎn)的X，Y坐標(biāo)和波段1至波段7的像元灰度值。

野外樣地調(diào)查中，將喬木林樣方大小設(shè)置為25.82 m×25.82 m。該樣地大小基本與Landsat8 影像數(shù)據(jù)像元大小一致。喬木林樣方內(nèi)進(jìn)行每木檢尺， 記錄每木胸徑、樹(shù)高、冠幅、枝下高?？萘⒛緞t測(cè)定胸徑和樹(shù)高度，記錄枯立木分解狀態(tài)；枯倒木則測(cè)定區(qū)分段直徑和長(zhǎng)度，按1 m區(qū)分進(jìn)行材積計(jì)算。對(duì)于無(wú)喬木樣方，只記錄地類類型。

1.3 樣地森林碳計(jì)算

首先，為了計(jì)算樣地的單位面積蓄積量， 把野外調(diào)查樣地中的主要樹(shù)種進(jìn)行分類。 根據(jù)廣東主要樹(shù)種和軟硬闊樹(shù)種二元立方材積表計(jì)算每塊樣地的單位面積蓄積量。再根據(jù)《全國(guó)林業(yè)碳匯計(jì)量與監(jiān)測(cè)技術(shù)指南》的生物量與蓄積量關(guān)系參數(shù)值表，分別計(jì)算各樣地的單位面積生物量及總生物量。生物量擴(kuò)展因子及單位面積生物量計(jì)算公式如下：

式中B為單位面積生物量，BEF為生物量轉(zhuǎn)換系數(shù)，M為單位面積蓄積量，a和b為常數(shù)。

得到樣方單位面積森林生物量之后，依據(jù)優(yōu)勢(shì)樹(shù)種(組)碳含率表計(jì)算各樣地的森林碳。外業(yè)調(diào)查共209個(gè)樣地，單位面積森林碳平均值、標(biāo)準(zhǔn)差和變動(dòng)系數(shù)分別是15.83 (Mg/hm2)、36.47(Mg/hm2)和230.4%。深圳市建城區(qū)內(nèi)森林碳的變動(dòng)是非常大的。

2 樣地森林碳與遙感影像的相關(guān)分析

除原有的1～7個(gè)波段外，還計(jì)算了波段運(yùn)算值，并利用Excel對(duì)實(shí)測(cè)樣地的森林碳和各波段像元值（或波段組合像元值）進(jìn)行相關(guān)性分析。選取相關(guān)性最強(qiáng)的13個(gè)波段值（或波段組合值）作為自變量（如表2），以森林碳為因變量，用R 3.1.1統(tǒng)計(jì)軟件進(jìn)行逐步回歸分析，剔除不顯著的變量。

由表2可知，13個(gè)變量在95%可靠性下，從統(tǒng)計(jì)分析的結(jié)果來(lái)看這些相關(guān)系數(shù)在統(tǒng)計(jì)上是顯著的，但相關(guān)性不高，這可能是由于單位面積森林碳儲(chǔ)量的變動(dòng)較大所致。

3 基于遙感影像的城市森林碳分布模擬

遙感影像信息是對(duì)植被反射光譜特征的反映。而植被在紅光和藍(lán)紫光區(qū)有強(qiáng)烈的吸收效應(yīng)以促進(jìn)植物的光合作用，其反射光譜曲線在該波段范圍就表現(xiàn)為波谷形態(tài)。因此，植物的反射光譜特征在一定程度上可以反映出該區(qū)域的生物量信息。通過(guò)分析樣地森林碳與遙感影像波段值之間的相互關(guān)系，提取出其中的顯著變量作為自變量，以森林碳作為因變量，采用逐步回歸、協(xié)同克里格空間和K個(gè)最靠近鄰居(KNN)方法進(jìn)行估測(cè)。

表2 波段與森林碳相關(guān)性統(tǒng)計(jì)Table 2 Correlation of Landsat 8 derived spectral variables with forest carbon

3.1 逐步回歸

基于樣點(diǎn)實(shí)測(cè)數(shù)據(jù)建立遙感影像各波段像元值與森林碳之間的擬合關(guān)系。利用R3.1.1統(tǒng)計(jì)軟件，確定波段或波段組合的像元值與森林碳之間是否有顯著相關(guān)性，利用提取出的顯著相關(guān)性的波段或其組合作為自變量，以森林碳為因變量，建立回歸模型來(lái)估計(jì)森林碳分布。

3.2 協(xié)同克里格空間模擬

協(xié)同克里格(Cokriging)是用一個(gè)或多個(gè)協(xié)變量對(duì)主變量進(jìn)行差值估算的算法。該算法前提是協(xié)變量與主變量之間存在相互關(guān)系，并假設(shè)它們之間的相互關(guān)系能用來(lái)提高主要預(yù)測(cè)值的精度。將森林碳設(shè)為主變量，將逐步回歸所獲的3個(gè)顯著相關(guān)波段組合Band5/Band6，Band5/Band7，Band5/Band6+Band5/Band7設(shè)為協(xié)變量進(jìn)行森林碳的空間模擬。

3.3 KNN方法

K個(gè)最近鄰居法(K-Nearest Neighbors)即KNN 法，是一種系統(tǒng)學(xué)習(xí)方法，思路簡(jiǎn)單直觀。利用遙感數(shù)據(jù)測(cè)定每一個(gè)未知位置的目標(biāo)變量與已知地面數(shù)據(jù)位置在光譜特征空間中的距離即相似性，用最靠近的K個(gè)樣地?cái)?shù)據(jù)來(lái)估計(jì)這個(gè)未知位置，并不要求大量的地面數(shù)據(jù)，也較少受限于地面樣地?cái)?shù)據(jù)的空間分布，非常適合于復(fù)雜性的城市森林景觀。

將森林碳設(shè)置為Y，與森林碳相關(guān)性最強(qiáng)的3個(gè)波段組合的影像像元值設(shè)置為Xi，j(i=1，2，…，K，j=1，2，m，K意味著K個(gè)最近鄰居-樣地，m=3是所用的3個(gè)波段組合)。

4 結(jié)果與分析

采用R3.1.1 統(tǒng)計(jì)軟件對(duì)13組與森林碳相關(guān)性最強(qiáng)的波段組合像元值和森林碳做逐步回歸分析，結(jié)果表明，與森林碳顯著相關(guān)的波段組合有3個(gè)：Band5/Band6，Band5/Band7，Band5/Band6+Band5/Band7，最后得到的最優(yōu)回歸方程為：

Y=-50.62-112 553.96×(Band5/Band6)-112 657.18×(Band5/Band7)+112 637.48×(Band5/Band6+Band5/Band7)

其中Y為森林碳。應(yīng)用得到的回歸方程在ERDAS imagine 2013下建模，得到回歸擬合森林碳分布圖 （見(jiàn)圖2-a）。回歸分析得到的森林碳估測(cè)最小值為0 ， 最大值為165 Mg/hm2。最大估測(cè)值小于實(shí)測(cè)樣地中的最大值。通過(guò)對(duì)估測(cè)圖的解譯，發(fā)現(xiàn)此森林碳分布估測(cè)圖能較好的反映行道樹(shù)及生物量密集處的森林碳分布，而對(duì)于零散植被分布的森林碳估測(cè)效果較差。

協(xié)同克里格法則以森林碳為主變量，3個(gè)顯著波段組合的像元值為協(xié)變量，利用ArcGIS10.2 進(jìn)行分析，得到深圳市建成區(qū)的森林碳分布圖（見(jiàn)圖2-b）。該預(yù)測(cè)結(jié)果中有負(fù)值出現(xiàn)，負(fù)值主要分布于密集建筑用地且植被覆蓋較少或無(wú)植被覆蓋處，最大預(yù)測(cè)值為245 Mg/hm2，小于實(shí)測(cè)樣地中的最大值。建成區(qū)大部分地區(qū)的森林碳預(yù)測(cè)值區(qū)間為1 Mg/hm2至30 Mg/hm2，森林碳較高值出現(xiàn)在城市公園或植被覆蓋較大的地方，能較好的反映深圳市建成區(qū)森林的整體碳分布情況。但其結(jié)果未能較好反映森林碳分布的細(xì)節(jié)信息，如行道樹(shù)碳分布以及對(duì)城建用地上無(wú)森林碳地區(qū)的反映。

KNN方法分別計(jì)算K=5和K=10時(shí)的森林碳估測(cè)值并繪圖（見(jiàn)圖2-c和圖2-d）。K=5和K=10時(shí)的森林碳預(yù)測(cè)結(jié)果繪圖效果差異不明顯，且最小值都為0，最大值都為309，與實(shí)測(cè)數(shù)據(jù)的變動(dòng)區(qū)間保持一致。KNN法同樣能夠較好的反映生物量密集地區(qū)的森林碳分布，且能夠顯示行道樹(shù)類的森林碳分布，但由于草地與林地的光譜特征接近，導(dǎo)致草地密集處(如高爾夫球場(chǎng))的森林碳預(yù)測(cè)值偏高。

圖2 深圳市建城區(qū)森林碳分布模擬方法的比較 (a)回歸擬合， (b) 協(xié)同克里格， (c) KNN (K=5) 和(d)KNN (K=10)Fig. 2 Comparison of spatial distributions of forest carbon among three methods for Shenzhen urbanized areas:(1) regression, (b) Cokriging, (c) KNN (K=5), and (d) KNN (K=10)

為了更進(jìn)一步比較3種方法的優(yōu)劣，利用ArcGIS 10.2 提取樣地所在位置的估測(cè)值，并將其與實(shí)測(cè)值之間進(jìn)行比較，以計(jì)算出3種估測(cè)方法的均方根誤差。計(jì)算結(jié)果如表3。

表3 不同森林碳分布估測(cè)方法均方根誤差Table 3 Root mean square errors (RMSE) of forest carbon estimation from three methods

通過(guò)比較可以發(fā)現(xiàn)，3種森林碳估測(cè)方法中逐步回歸的均方根誤差最大，為36.58，而KNN法在k=5和k=10時(shí)的均方根誤差差異不大，但誤差值都偏大，分別為35.90和34.40。協(xié)同克里格法的均方根誤差最小，為8.64， 估測(cè)值與真實(shí)值之間比較接近。

分別計(jì)算3種方法的平均值與實(shí)測(cè)值的差異，結(jié)果如表4。

表4 樣地平均值比較分析Table 4 Comparison of sample plots average values

從表4說(shuō)明：3種估測(cè)方法的平均值與實(shí)測(cè)值之間的差異各不相同，KNN法(K=5和K=10)的預(yù)測(cè)結(jié)果明顯大于實(shí)測(cè)值，回歸分析的預(yù)測(cè)值又明顯小于實(shí)測(cè)值，協(xié)同克里格法的預(yù)測(cè)值最接近實(shí)測(cè)值。

5 結(jié)論與討論

逐步回歸分析法和KNN分析法能夠較好的展現(xiàn)城市森林碳分布的細(xì)節(jié)信息，如行道樹(shù)，公園綠地以及建設(shè)用地等。但逐步回歸分析法對(duì)森林碳的預(yù)測(cè)值總體偏小，這主要是因?yàn)榛貧w模型對(duì)建城區(qū)內(nèi)的森林和公園綠地碳的偏小估計(jì)造成的。而KNN方法對(duì)建城區(qū)內(nèi)的建筑區(qū)，森林和公園綠地的碳普遍產(chǎn)生了偏大的估計(jì)值，從而導(dǎo)致了總體森林碳的偏大估計(jì)，逐步回歸和KNN分析法都不能很好的反映深圳市建成區(qū)森林碳的總體估計(jì)。協(xié)同克里格法獲得了與樣地平均值接近的森林碳的總體估計(jì)。其缺點(diǎn)就在于不能有效地反映行道樹(shù)及森林碳為0的小范圍內(nèi)的森林碳的空間分布，且在少數(shù)區(qū)域出現(xiàn)了不合理的負(fù)值。這可能是由于建城區(qū)內(nèi)單位面積上森林碳儲(chǔ)量變動(dòng)較大及地面樣地的不均勻分布所致。

[1] 楊洪曉,吳 波,張金屯,等.森林生態(tài)系統(tǒng)的固碳功能和碳儲(chǔ)量研究進(jìn)展[J].北京師范大學(xué)學(xué)報(bào):自然科學(xué)版,2005,41(2): 172-177.

[2] 陳泮勤.地球系統(tǒng)碳循環(huán)[M].北京: 科學(xué)出版社,2004.

[3] Fang J Y, Guo Z D, Piao S L,et al. Terrestrial vegetation carbon sinks in China, 1981-2000[J]. Beijing: Science Press,2004.

[4] Brown S, Sathaye J, Canell M,et al.Mitigation of carbon emission to the atmosphere by forest management[J]. Com. For.Research, 1996, 75: 80-91.

[5] Alexeyev V, Birdsy R, Stakanov V,et al.Carbon in vegetation of Russian forests: Methods to estimate storage and geographical distribution[J]. Water Air Soil Poll, 1995, 82: 271-282.

[6] Turner D P, Koerper G J, Harmon M E,et al.A carbon budget for forests of the conterminous United States [J].Ecological Application, 1995, 5(2): 421-436.

[7] Fang J Y, Chen A P. Changes in forest biomass carbon storage in China between 1949 and 1998 [J].Science,2001,292:2320-2322.

[8] Fang J Y, Wang G G, Liu G,et al.Forest biomass of China: an estimate based on the biomass-volume relationship[J]. Ecological Application,1998,8(4):1084-1091.

[9] 陳 利,林 輝,孫 華.基于決策樹(shù)分類的森林信息提取研究[J].中南林業(yè)科技大學(xué)報(bào),2013,33(1):46-57.

[10] Zhao M, Zhou G S. Carbon Storage of forest Vegetation in China and its Relationship with Climatic Factors[J].Climatic Change,2006, 74: 175-189.

[11] 應(yīng)天玉,李明澤,范文義. 哈爾濱城市森林碳儲(chǔ)量的估算[J].東北林業(yè)大學(xué)學(xué)報(bào),2009,37(9):33-35.

[12] 張 雨, 林 輝,臧 卓,等.高光譜遙感影像森林信息提取方法比較[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2013,33(1):75-79.

[13] 呂勁文,樂(lè) 群,王 錚,等.福建省森林生態(tài)系統(tǒng)碳匯潛力[J].生態(tài)學(xué)報(bào),2010,30(8):2188-2196.

[14] 曹吉鑫,田赟,王小平,等.森林碳匯的估算方法及其發(fā)展趨勢(shì)[J].生態(tài)學(xué)報(bào),2009,18(5):2001-2005.

[15] 葉 果.深圳植物名錄[M].北京:中國(guó)林業(yè)出版社, 2007.

Comparison of Landsat 8 images based city forest carbon modeling for Shenzhen built-up area

TAN Yi-fan1, QIE Guang-ping2, WANG Min-zi2, WANG Guang-xing4,2, PENG You-gui3, LUO Chao-qin4, SUN Hua4, LIN Hui4
(1. Xianhu Botanic Garden of Shenzhen, Guangdong; 2. Dept. of Geography and Environmental Resources, Southern Illinois University,Carbondale IL USA; 3. College of Forestry, South China Agricultural University, Guangzhou of Guangdong; 4.The Research Centre of Remote Sensing and Information Engineering, College of Forestry, Central South University of Forestry & Technology, Changsha, Hunan)

City forest is one of important components of terrestrial ecosystems and plays a critical role in improving city ecosystem and environment. Thus, it is very signif i cant to study urban forest carbon distribution for simulating carbon cycling in terrestrial ecosystem and setting out urban ecological construction. By taking Shenzhen built-up area as studied object, the urban forest carbon distribution of the area were simulated with the methods of stepwise regression modeling, Cokriging and K-nearest neighbors (KNN). The results show that these three methods had their own advantages and disadvantages; The stepwise regression and KNN can more accurately revealed the detailed information of forest carbon spatial distribution (such as trees along streets, parks, and so on) than Cokriging; However, the regression led to underestimation, while KNN resulted in overestimation; The Cokring produced more accurate estimation value of forest carbon for Shenzhen city urbanized areas, but the obtained spatial distribution of forest carbon was less detailed compared to those from the regression and KNN.

city forest; urban forest carbon distribution; assessing method; Shengzhen city

S718.5

A

1673-923X(2014)11-0140-05

2014-01-12

國(guó)家十二五高技術(shù)研究發(fā)展計(jì)劃（863計(jì)劃）課題：“數(shù)字化森林資源監(jiān)測(cè)關(guān)鍵技術(shù)研究”（2012AA102001）；國(guó)家自然科學(xué)基金項(xiàng)目（31370639）；湖南省高校產(chǎn)業(yè)化培育項(xiàng)目（13CY011）

譚一凡（1961-），男，湖南衡陽(yáng)人，副研究員，主要從事城市生態(tài)研究

[本文編校：吳 毅]