基于序列高斯協(xié)同模擬的多尺度區(qū)域森林碳密度空間分布估計(jì)

基于序列高斯協(xié)同模擬的多尺度區(qū)域森林碳密度空間分布估計(jì)

沈高云1張茂震1，2

(1.浙江農(nóng)林大學(xué)環(huán)境與資源學(xué)院，浙江 臨安 311300；

2.浙江農(nóng)林大學(xué)浙江省森林生態(tài)系統(tǒng)碳循環(huán)與固碳減排重點(diǎn)實(shí)驗(yàn)室，浙江 臨安 311300；)

摘要：以浙江省仙居縣為例，基于2008年全縣森林資源清查樣地?cái)?shù)據(jù)和2007年2月獲取的Landsat TM影像數(shù)據(jù)，采用序列高斯協(xié)同模擬方法，分別在30m×30m和270m×270m空間分辨率水平上模擬森林地上部分碳密度及其分布，并對(duì)模擬結(jié)果進(jìn)行對(duì)比分析。結(jié)果表明：仙居縣森林地上碳密度分布具有空間連續(xù)變異性，四周為高碳密度有林地集中區(qū)，中間大部分為低碳密度無(wú)林地集中區(qū)，抽樣估計(jì)研究區(qū)域地上森林碳儲(chǔ)量為5283789.63Mg?；?0m×30m分辨率的序列高斯協(xié)同模擬結(jié)果為5692875.69Mg，模型確定系數(shù)為0.6203；對(duì)比270m×270m像元大小基礎(chǔ)上估計(jì)得到的森林碳儲(chǔ)量5030871.79 Mg ，模型確定系數(shù)0.2383，小尺度上估計(jì)的碳儲(chǔ)量總量更多，碳密度分布范圍更廣，模型精度更高。序列高斯協(xié)同模擬考慮了森林碳密度空間分布的差異性，模擬結(jié)果接近地面樣地估計(jì)值，碳密度分布范圍合理，能夠很好地反映碳分布空間的連續(xù)變異性。

關(guān)鍵詞：碳儲(chǔ)量；碳密度；碳分布；序列高斯協(xié)同模擬；多尺度

中圖分類(lèi)號(hào)：S757.2

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：2095-1914(2015)02-0055-08

Abstract:Based on Forest Inventory (plot) data in Xianju County， Zhejiang in 2008 and the Landsat TM image data collected in the same region in 2007，the above-ground forest carbon density and its distributions at 30m × 30m and 270m×270m resolution was estimated and the results analyzed comparatively by applying sequential gaussian co-simulation The results showed that the above-ground forest carbon density of Xianju County was continuously distributed， which was surrounded by high carbon density of forest land and the intermediate region was filled with the majority of low carbon density of non-forest land. The total carbon is 5283789.63Mg based on the estimation by rardomly sampling method. With the sequential gaussian co-simulation， the sum of the carbon is 5692875.69 Mg and the square R of model is 0.6203 in 30m×30m resolution. Comparing with the result in 270m × 270m resolution， the former total carbon is larger， the range of distribution is wider and the model′s precision is higher. The result showed that sequential gaussian co-simulation which considers the spatial distribution of carbon density is closer to the estimation from the plot data， the carbon density distribution is more reasonable and the ability to represent the continuous changes of carbon distribution is better.

Keywords:forest carbon storage; carbon density; carbon distribution; sequential gaussian co-simulation; mutli-scale

收稿日期：2015-09-11

基金項(xiàng)目：福建省水土保持試驗(yàn)站“福建省水土保持林生態(tài)效益評(píng)價(jià)模型研究”資助。

doi:10.11929/j.issn.2095-1914.2015.02.010

Multi-Scale Regional Forest Carbon Density Estimation Based on

Sequential Gaussian Co-Simulation

SHEN Gao-yun1， ZHANG Mao-zhen1，2

(1.College of Environmental & Resource Sciences，Zhejiang A&F University , Lin′an Zhejiang 311300,China；2.Zhejiang Provincial

Key Laboratory of Carbon Cycling in Ecosystems and Carbon Sequestration，Zhejiang A&F University , Lin′an Zhejiang 311300,China)

區(qū)域森林碳分布作為森林生態(tài)系統(tǒng)研究和相關(guān)決策中的關(guān)鍵信息，近年來(lái)已成為森林生態(tài)學(xué)及其相關(guān)領(lǐng)域研究的熱點(diǎn)[1]。目前，針對(duì)森林生態(tài)系統(tǒng)的植被碳儲(chǔ)量和碳密度等進(jìn)行了大量的研究[2-4]，但多數(shù)研究集中在森林整體碳儲(chǔ)量估算方面[3-6]，有關(guān)森林碳分布的研究仍然很少[7]。及時(shí)準(zhǔn)確地獲取區(qū)域森林碳儲(chǔ)量及其分布信息對(duì)評(píng)價(jià)森林CO2源匯能力具有重要意義[8]。

對(duì)于區(qū)域森林碳分布的估計(jì)是一個(gè)空間估計(jì)問(wèn)題。傳統(tǒng)的統(tǒng)計(jì)學(xué)提供了總體特征值的估計(jì)方法，隨機(jī)抽樣得到的結(jié)果只有總量估計(jì)值、估計(jì)值的方差和由方差計(jì)算的抽樣精度，碳的空間分布狀況無(wú)法獲得。然而具有高精度的區(qū)域森林碳分布數(shù)據(jù)，對(duì)于森林資源管理、區(qū)域碳源匯評(píng)估、碳交易等有著十分重要的意義。地統(tǒng)計(jì)學(xué)通過(guò)其空間自相關(guān)理論提供了描述這些特征量空間分布的方法，在理論上解決了空間估計(jì)基礎(chǔ)層面的問(wèn)題[9]。近年來(lái)，土壤學(xué)、生態(tài)學(xué)等領(lǐng)域中對(duì)克里格插值(Kriging)與序列高斯條件模擬(sequential gaussian co-simulation，SGCS)進(jìn)行了較多的對(duì)比研究[10-13]。分析結(jié)果表明，森林碳估計(jì)值是一個(gè)區(qū)域化變量，而克里格方法對(duì)其具有較強(qiáng)的平滑效應(yīng)，普通克里格作為克里格插值方法的一種，也存在這一問(wèn)題。而地統(tǒng)計(jì)學(xué)的空間隨機(jī)模擬法能夠克服克里格法的缺陷[14],它將數(shù)據(jù)作為一個(gè)整體來(lái)復(fù)原其整體的空間結(jié)構(gòu)，追求的是模擬的真實(shí)性，盡可能地接近真實(shí)的空間分布，不像克里格方法，追求的是特定點(diǎn)位某個(gè)屬性的局部最優(yōu)估值[15-16]。同時(shí)，空間隨機(jī)模擬還可直接用于空間不確定性研究，這也是克里格插值法欠缺的[17]。本研究以仙居縣森林調(diào)查數(shù)據(jù)為依據(jù)，為比較不同尺度上估計(jì)結(jié)果的精度，分別在30m×30m和270m×270m尺度上利用序列高斯協(xié)同模擬對(duì)研究區(qū)森林地上部分碳儲(chǔ)量和碳密度進(jìn)行空間估計(jì)，并對(duì)照地面樣地調(diào)查結(jié)果對(duì)模擬結(jié)果在空間上的差異性進(jìn)行分析，進(jìn)而做出評(píng)價(jià)。

1研究區(qū)概況

仙居縣地處東經(jīng)120°17′16″～120°55′51″，北緯28°28′14″～28°59′48″，浙江省東南部，位于浙江第3大水系——椒江水系的源頭，東西長(zhǎng)63.6km，南北寬57.3km。全縣總面積2013.18km2。丘陵山地面積占總面積的80.6%，平原占11.1%。該縣屬典型的亞熱帶季風(fēng)氣候，溫暖濕潤(rùn)，四季分明，年平均氣溫17.2 ℃，年均降雨量1444mm，年均蒸發(fā)量1190mm，年平均日照時(shí)數(shù)1786h。

根據(jù)2008年仙居縣森林資源清查樣地?cái)?shù)據(jù)，全縣林業(yè)用地面積1.64583×105hm2。林業(yè)用地中，有林地1.53369×105hm2(其中竹林面積占6.73%)，灌木林地6.289×105hm2，未成林造林地2.579×103hm2，無(wú)立木林地1.889×103hm2，森林覆蓋率77.9%，森林總蓄積5.555×106m3。

2研究方法

2.1數(shù)據(jù)來(lái)源

2.1.1Landsat TM 遙感影像數(shù)據(jù)研究數(shù)據(jù)為2007年2月2日獲取的Landsat TM影像，由于Landsat TM傳感器第6波段為熱紅外波段，主要接收地物熱輻射信息，所以常不被用于森林碳密度的估計(jì)，本研究采用TM 影像的6個(gè)波段，即波段1～5和7，空間分辨率均為30m×30m。首先對(duì)影像進(jìn)行幾何校正和輻射校正，在獲得質(zhì)量較好的影像基礎(chǔ)上，提取樣地位置所對(duì)應(yīng)的6個(gè)波段影像亮度值，并進(jìn)行不同的組合比值運(yùn)算，在SPSS 20.0中進(jìn)行相關(guān)性分析后,選取影像亮度值與樣地實(shí)測(cè)碳密度值相關(guān)系數(shù)最高的波段4、5和7，用波段比值TM4/(TM5+TM7)參與序列高斯模型的模擬。

2.1.2地面抽樣調(diào)查數(shù)據(jù)本研究采用2008年仙居縣森林資源清查樣地?cái)?shù)據(jù)。該調(diào)查以整個(gè)縣域范圍為總體，按機(jī)械抽樣方法，以2km×3km的網(wǎng)格間距設(shè)置正方形樣地，樣地面積為0.08hm2(28.28m×28.28m)?？倶拥?02個(gè)，其中：有林地251個(gè)，占總樣地比例的83.11%。

2.2數(shù)據(jù)預(yù)處理

2.2.1重采樣為研究多尺度下森林碳密度的估計(jì)結(jié)果，參照MODIS影像最小空間分辨率250m×250m，將空間分辨率為30m×30m的Landsat TM影像重采樣成270m×270m的模擬MODIS影像，與30m×30m分辨率原始影像共同作為不同尺度上碳密度估計(jì)研究的影像數(shù)據(jù)。

2.2.2樣地森林碳儲(chǔ)量估算通過(guò)地面302個(gè)有效樣地的每木檢尺記錄，參考已有文獻(xiàn)，用單株生物量模型計(jì)算樣地單株地上部分生物量，累加獲得樣地森林總生物量，按照碳/生物量的平均轉(zhuǎn)換系數(shù)0.5將樣地總生物量轉(zhuǎn)換為碳儲(chǔ)量，即得樣地森林地上部分碳儲(chǔ)量，根據(jù)樣地面積將其轉(zhuǎn)換為碳密度[18]。

2.2.3數(shù)據(jù)正態(tài)分布性檢驗(yàn)序列高斯協(xié)同模擬要求數(shù)據(jù)近似服從正態(tài)分布。通過(guò)研究區(qū)樣地森林碳密度的頻率分布直方圖(圖1)，可以檢驗(yàn)數(shù)據(jù)是否服從正態(tài)分布。由于研究區(qū)樣地森林碳密度數(shù)據(jù)不服從正態(tài)分布，因而對(duì)其進(jìn)行立方根轉(zhuǎn)換(圖2)[19]，并剔除0值位置(無(wú)林木樣地)，使其趨于正態(tài)分布。

2.3森林碳分布估計(jì)方法

序列高斯協(xié)同模擬以研究區(qū)地統(tǒng)計(jì)變異函數(shù)為基礎(chǔ)，結(jié)合地面樣地和TM遙感數(shù)據(jù)，用隨機(jī)模擬方法估計(jì)森林碳密度，即導(dǎo)出每個(gè)像元的森林碳密度估計(jì)值。

序列高斯協(xié)同模擬以Monto-Carlo方法為基礎(chǔ)。用Monto-Carlo方法解算的一般過(guò)程是：首先，構(gòu)建一個(gè)概率空間；然后，在該概率空間中確定一個(gè)依賴(lài)隨機(jī)變量x(可以為任意維)的統(tǒng)計(jì)量g(x)，其數(shù)學(xué)期望E(g)=?g(x)dF(x)正好等于所要求的值G，其中：F(x)為x的概率密度函數(shù)。統(tǒng)計(jì)量是樣本x的函數(shù)，它不含任何未知量，一旦函數(shù)確定，可通過(guò)x的一系列觀測(cè)值確定g(x)。

序列高斯協(xié)同模擬算法假設(shè)：每個(gè)像元的碳密度估計(jì)值是一個(gè)隨機(jī)函數(shù)在該位置的隨機(jī)變量Z(u)的實(shí)現(xiàn)，這個(gè)實(shí)現(xiàn)或估計(jì)值是從一個(gè)由周?chē)臉拥財(cái)?shù)據(jù)以及已有的估計(jì)值所確定的條件累積分布中通過(guò)隨機(jī)抽樣而獲得，并假設(shè)這個(gè)分布是正態(tài)分布的，且被估計(jì)位置的遙感影像數(shù)據(jù)也被用來(lái)確定這個(gè)條件分布[8]。

典型的序列高斯協(xié)同模擬過(guò)程為：

1)隨機(jī)選取第一個(gè)模擬值位置，以已知數(shù)據(jù)為條件，根據(jù)聯(lián)合分布F(x)和Monto-carlo 方法算出該點(diǎn)的條件期望值。

2) 根據(jù)隨機(jī)路徑依次訪(fǎng)問(wèn)第u個(gè)格網(wǎng)點(diǎn)(u=1，2，…，m)，在第u個(gè)訪(fǎng)問(wèn)節(jié)點(diǎn)，根據(jù)前面的n個(gè)原始數(shù)據(jù)和前面(u-1)個(gè)訪(fǎng)問(wèn)節(jié)點(diǎn)獲得的模擬數(shù)據(jù)建立條件概率密度函數(shù)。并根據(jù)條件概率密度函數(shù)，進(jìn)行Monto-carlo隨機(jī)模擬，隨機(jī)產(chǎn)生該節(jié)點(diǎn)的一個(gè)模擬值。

3)重復(fù)第1)～2)步驟。直到所有節(jié)點(diǎn)均得到一個(gè)隨機(jī)模擬值，最后獲得整個(gè)研究區(qū)森林碳密度分布圖。

4)將這一個(gè)過(guò)程重復(fù)執(zhí)行L次，就可以得到L幅分布圖，最后計(jì)算森林碳密度分布圖的均值圖[20]。

序列高斯協(xié)同模擬中訓(xùn)練樣本選用經(jīng)立方根轉(zhuǎn)換后大致符合正態(tài)分布的所有有效樣地碳密度數(shù)據(jù)(即保留0值樣地?cái)?shù)據(jù))。該模擬中最重要的參數(shù)之一是變異函數(shù)，本研究采用VARIOWIN軟件來(lái)分析樣地森林碳密度。其Spherical標(biāo)準(zhǔn)化模型為：

γs(|h|)=0.63+0.37[1.5|h|/8198.63-0.5(|h|/8198.63)3]

式中：γs(|h|)為標(biāo)準(zhǔn)半方差；h為距離。

如圖3所示。模型的變程為8198.63m。變程代表區(qū)域化變量空間自相關(guān)的最大距離。在此范圍之內(nèi)，觀測(cè)值具有空間相關(guān)性，而在此范圍之外，觀測(cè)值在本質(zhì)上相互獨(dú)立。在序列高斯協(xié)同模擬過(guò)程中，以每個(gè)待估像元為中心的搜索半徑大小可以參考變異函數(shù)模型中的變程值。

根據(jù)變異函數(shù)模型和地面樣地地上部分碳密度，分別在TM影像像元30m×30m和270m×270m水平上進(jìn)行序列高斯協(xié)同模擬，得到縣域范圍內(nèi)森林碳密度及其分布。

3結(jié)果與分析

3.1多尺度序列高斯協(xié)同模擬與樣地實(shí)測(cè)估計(jì)的對(duì)比分析

在不同尺度上，基于序列高斯協(xié)同模擬的森林地上部分碳分布見(jiàn)圖4～5。

從圖中可以明顯地看出，研究區(qū)域周邊森林碳密度值較高，中間區(qū)域偏低，與仙居縣的地物分布特征一致。

圖4中，影像像元大小為30m×30m，基于仿真模擬方法得到的研究區(qū)森林地上部分碳儲(chǔ)量為5692875.69Mg，最大碳密度73.9782Mg/hm2，最小碳密度為0.0344Mg/hm2，平均碳密度為15.8850Mg/hm2，標(biāo)準(zhǔn)差為8.8878。

圖5中，影像像元大小為270m×270m，基于仿真模擬方法得到的研究區(qū)森林地上部分碳儲(chǔ)量為5030871.79Mg，最大碳密度54.0033 Mg/hm2，最小碳密度為0.4284Mg/hm2，平均碳密度為14.0378Mg/hm2，標(biāo)準(zhǔn)差為7.5184。

根據(jù)2008年仙居縣縣域范圍內(nèi)森林資源清查樣地?cái)?shù)據(jù)，按隨機(jī)抽樣的方法估計(jì)研究區(qū)域森林碳儲(chǔ)量為5283789.63Mg，樣地平均碳密度值為14.7435Mg/hm2，其最大值為86.9138Mg/hm2，最小值為0.0000Mg/hm2。從總體估計(jì)結(jié)果上看，雖然現(xiàn)有樣地可以直接估計(jì)森林碳儲(chǔ)量，但是隨機(jī)抽樣只能估計(jì)碳總量值，無(wú)法得到碳儲(chǔ)量的空間分布，而序列高斯協(xié)同模擬能在考慮碳儲(chǔ)量空間分布的基礎(chǔ)上更好地估計(jì)森林碳儲(chǔ)量。

現(xiàn)分別在像元大小30m×30m和270m×270m水平上對(duì)序列高斯協(xié)同模擬結(jié)果進(jìn)行特征數(shù)統(tǒng)計(jì)，并與基于樣地按隨機(jī)抽樣方法估計(jì)(抽樣估計(jì))的結(jié)果對(duì)比，結(jié)果見(jiàn)表1。

表1　2種分辨率下序列高斯協(xié)同模擬結(jié)果與實(shí)測(cè)數(shù)據(jù)

項(xiàng)目碳總量/Mg碳平均值最大碳密度最小碳密度(Mg·hm-2)準(zhǔn)差(SD)仿真模擬30m×30m5692875.6915.885073.97820.03448.8878仿真模擬270m×270m5030871.7914.037854.00330.42847.5184抽樣估計(jì)5283789.6314.743586.91380.000015.2728

由表1可知，像元大小為30m×30m影像上的估計(jì)結(jié)果和270m×270m影像上的估計(jì)結(jié)果在碳總量估計(jì)上分布于基于樣地實(shí)測(cè)數(shù)據(jù)估計(jì)結(jié)果的兩邊。在以樣地實(shí)測(cè)數(shù)據(jù)的估計(jì)結(jié)果為參照的基礎(chǔ)上，30m×30m影像上的碳總量估計(jì)結(jié)果增加了7.74%，而270m×270m影像上的碳總量估計(jì)結(jié)果較參照值減少了4.79%。同時(shí)，兩種尺度下的估計(jì)結(jié)果在最大碳密度上各自減少了12.9356Mg/hm2和32.9105Mg/hm2，又在最小碳密度上分別增加了0.0344Mg/hm2和0.4284Mg/hm2。

由此說(shuō)明不同尺度下序列高斯協(xié)同模擬方法對(duì)研究區(qū)域森林碳密度分布范圍的估計(jì)均有著不同程度的縮小。其中小尺度30m×30m分辨率上的碳密度估計(jì)范圍變化相對(duì)較小，且總量增加，與實(shí)際較為接近，而大尺度270m×270m分辨率上估計(jì)的碳密度分布范圍明顯變窄，上限下移，下限上移，碳總量估計(jì)較實(shí)際偏小，這在一定程度上影響了碳密度空間分布的估計(jì)結(jié)果。這可能與原數(shù)據(jù)的分布狀態(tài)有關(guān)，仙居縣森林資源主要分布在四周的高山地區(qū)，中部集中了大量碳密度較小的無(wú)林區(qū)，使得在30m×30m分辨率上估計(jì)得到的碳密度分布變化程度較270m×270m分辨率上的突出，對(duì)空間連續(xù)變異更敏感。而且270m×270m分辨率的遙感影像是由小尺度30m×30m影像上的像元灰度值最鄰近法插值而來(lái)，新產(chǎn)生的塊內(nèi)像素值受到了一定的“平滑”作用，使得估計(jì)得到的碳密度空間分布情況在整體上顯得較為平坦，其反映無(wú)林地、非林地等無(wú)森林生物量地類(lèi)空間分布的連續(xù)變化能力下降?？傮w而言，在小尺度上，序列高斯協(xié)同模擬的模擬結(jié)果能夠更好地反應(yīng)碳密度空間分布的連續(xù)變化情況。從表中還可以看出，序列高斯協(xié)同模擬在兩種尺度上的標(biāo)準(zhǔn)差均與抽樣估計(jì)的標(biāo)準(zhǔn)差15.2728相差較大，其主要原因是兩種標(biāo)準(zhǔn)差計(jì)算的樣本數(shù)不同，用于抽樣估計(jì)的地面樣地?cái)?shù)大大少于像元數(shù)。

3.2多尺度序列高斯協(xié)同模擬與樣地實(shí)測(cè)數(shù)據(jù)的對(duì)比分析

為了更加準(zhǔn)確地判斷序列高斯協(xié)同模擬方法在不同尺度上估計(jì)結(jié)果的正確性，現(xiàn)將碳密度估計(jì)結(jié)果與樣地實(shí)測(cè)數(shù)據(jù)進(jìn)行逐像元對(duì)比分析。分別將30m×30m和270m×270m分辨率下的序列高斯協(xié)同模擬碳密度估計(jì)圖與樣地碳密度實(shí)際分布圖疊加，結(jié)果見(jiàn)圖6～7。

圖中空心圓半徑越大代表實(shí)測(cè)樣地碳密度值越高，此時(shí)對(duì)應(yīng)影像上的像素灰度值也普遍越高。因此,從圖中可以看出,序列高斯協(xié)同模擬與樣地實(shí)測(cè)碳密度數(shù)值有著很好的一致性，對(duì)于碳密度空間分布趨勢(shì)的估計(jì)較符合實(shí)際情況，即碳密度較高的地區(qū)集中在仙居縣周?chē)母呱降貐^(qū)，碳密度較小的地區(qū)集中在仙居縣中部人口密集區(qū)域。圖例中還顯示碳密度估計(jì)結(jié)果的值域范圍，在30m×30m像元大小的影像下，序列高斯協(xié)同模擬估計(jì)的碳密度分布范圍為0.0344～73.9782Mg/hm2。在270m×270m像元大小影像下的估計(jì)結(jié)果中碳密度分布范圍為0.0428～54.0033Mg/hm2。小尺度上仿真模擬估計(jì)的碳密度區(qū)間跨度大于大尺度上仿真模擬結(jié)果，即隨著尺度的增大，序列高斯協(xié)同模擬對(duì)于碳密度值分布連續(xù)變化的估計(jì)能力有所下降，區(qū)分程度降低。

提取樣地點(diǎn)的仿真模擬估計(jì)數(shù)值，將其與地面樣地實(shí)測(cè)碳密度值進(jìn)行統(tǒng)計(jì)分析，以分析不同尺度下序列高斯協(xié)同模擬對(duì)森林碳密度估計(jì)的特點(diǎn)。以地面樣地?cái)?shù)據(jù)為參照值，分別對(duì)兩種尺度下的估計(jì)結(jié)果進(jìn)行比較，以離差平方和來(lái)反映兩種估計(jì)結(jié)果與相同位置上地面樣地?cái)?shù)據(jù)的差異。結(jié)果見(jiàn)表2。

表2　2種分辨率估計(jì)結(jié)果與樣地?cái)?shù)據(jù)逐

表2顯示，小尺度30m×30m影像下的仿真模擬結(jié)果在最大值與最小值之間的分布區(qū)間較大尺度270m×270m影像下的仿真模擬結(jié)果有明顯上移。其差值平方和顯示不同尺度上的估計(jì)結(jié)果有明顯差異，小尺度上的仿真模擬相對(duì)于大尺度上模擬結(jié)果的RMSE更小，估計(jì)結(jié)果更接近樣地實(shí)測(cè)值。

為了更好地對(duì)各模型進(jìn)行對(duì)比分析，采用R2(確定系數(shù))、SEE(估計(jì)值的標(biāo)準(zhǔn)誤差)、MPSE(平均百分標(biāo)準(zhǔn)誤差)。其計(jì)算公式如下[21-24]：

不同尺度下模型精度檢驗(yàn)結(jié)果見(jiàn)表3。

表3　不同尺度下模型精度檢驗(yàn)

從理論上講，確定系數(shù)值越接近于1，標(biāo)準(zhǔn)誤差和相對(duì)誤差值越小，則模型的估計(jì)精度越高。因此，由表3可知，當(dāng)尺度為30m×30m時(shí)，模型的確定系數(shù)為0.6203，尺度放大后，估計(jì)方法的確定系數(shù)變小，估計(jì)結(jié)果與樣地實(shí)測(cè)值的擬合程度有所降低，而估計(jì)值的標(biāo)準(zhǔn)誤與平均標(biāo)準(zhǔn)誤差增大。說(shuō)明像元大小為270m×270m時(shí)，估計(jì)量與其樣地真實(shí)碳密度值的近似誤差越大。原因之一是像元大小增大導(dǎo)致了塊內(nèi)像素值發(fā)生均值平滑。另外對(duì)原始TM影像進(jìn)行非監(jiān)督分類(lèi)，計(jì)算整幅圖像的林地平均斑塊大小，得平均斑塊面積為57018.9m2(約為238.8m×238.8m)，斑塊大小小于270m×270m像元大小，地面破碎程度增大，從而導(dǎo)致誤差增加。從標(biāo)準(zhǔn)差上看，小尺度30m×30m影像上序列高斯協(xié)同模擬估計(jì)結(jié)果的標(biāo)準(zhǔn)差為11.8707，與原始數(shù)據(jù)的標(biāo)準(zhǔn)差15.2738相比只低了3.4031，說(shuō)明序列高斯協(xié)同模擬能較好地反映出研究區(qū)域?qū)嵉靥济芏确植嫉牟淮_定性。在像元大小為270m×270m的估計(jì)結(jié)果中，序列高斯協(xié)同模擬的結(jié)果方差有所變小，說(shuō)明尺度變大后，估計(jì)結(jié)果反映的區(qū)域碳密度分布情況更穩(wěn)定，與實(shí)際的碳密度空間連續(xù)變化情況偏差變大。總體而言，序列高斯協(xié)同模擬能夠在保證估計(jì)精度的基礎(chǔ)上在小尺度上更好地保持全局的空間變異強(qiáng)度。

4結(jié)論與討論

序列高斯協(xié)同模擬方法具有很好的空間格局重現(xiàn)能力，基于遙感影像數(shù)據(jù)和森林資源清查樣地?cái)?shù)據(jù)可以準(zhǔn)確地獲取較大區(qū)域內(nèi)森林碳密度的分布情況。

序列高斯協(xié)同模擬結(jié)果精度隨尺度增大、遙感影像分辨率降低而以較快速度降低。在小尺度上，序列高斯協(xié)同模擬的碳總體總量及空間分布更接近抽樣估計(jì)結(jié)果，能夠更好地反映碳密度空間分布。

像元大小由30m×30m轉(zhuǎn)換為大尺度270m×270m后，采用序列高斯協(xié)同模擬方法估計(jì)的碳密度區(qū)間上限下移，分布范圍明顯變窄，總量估計(jì)值較小尺度呈下降趨勢(shì)，對(duì)應(yīng)樣地估計(jì)值與樣地實(shí)測(cè)碳密度值的擬合程度降低。通過(guò)最鄰近法將遙感影像重采樣成大尺度，像元值在一定程度上被平滑，使得估計(jì)結(jié)果呈現(xiàn)空間連續(xù)變異的能力降低，并且當(dāng)?shù)孛嫫扑槌潭仍龃蟆邏K大小小于像元大小時(shí)，誤差也會(huì)隨之增加?？傮w而言，序列高斯協(xié)同模擬在小尺度上對(duì)碳密度空間分布和不確定性的估計(jì)有著明顯的優(yōu)勢(shì)。

2種尺度上的序列高斯協(xié)同模擬估計(jì)均用到了樣地實(shí)測(cè)數(shù)據(jù)與遙感影像數(shù)據(jù)。為了獲得正確結(jié)果，需要地面樣地與遙感影像有準(zhǔn)確的位置匹配，而且所選特征的亮度值要與目標(biāo)特征屬性有一定關(guān)系[10]。而仙居縣森林資源清查過(guò)程中，樣地大小為28.28m×28.28m，而Landsat TM影像的分辨率為30m×30m，使得匹配存在誤差，估計(jì)結(jié)果與真實(shí)值存在一定的偏差。

[參考文獻(xiàn)]

[1]王效科，馮宗煒，歐陽(yáng)志云．中國(guó)森林生態(tài)系統(tǒng)的植物碳儲(chǔ)量和碳密度研究[J]．應(yīng)用生態(tài)學(xué)報(bào)，2001，12(1)：13-16．

[2]Bartel P. Soil Carbon sequestration and its role in economic development: a donor perspective[J]. Journal of Arid Environments, 2004, 59(3): 643-644.

[3]王秀云，孫玉軍．森林生態(tài)系統(tǒng)碳儲(chǔ)量估測(cè)方法及其研究進(jìn)展[J]． 世界林業(yè)研究，2008，31(5)：103-105．

[4]劉爽．森林生態(tài)系統(tǒng)碳儲(chǔ)量研究進(jìn)展[J]． 武漢生物工程學(xué)院學(xué)報(bào)，2009，5(3)：231-234．

[5]李克讓?zhuān)踅B強(qiáng)，曹明奎．中國(guó)植被和土壤碳貯量[J]．中國(guó)科學(xué)D輯，2003，33(1)：72-80．

[6]周玉榮，于振良，趙士洞．我國(guó)主要森林生態(tài)系統(tǒng)碳貯量和碳平衡[J]．植物生態(tài)學(xué)報(bào)，2000，24(5)：518-522．

[7]吳仲民，李意德，曾慶波，等．尖峰嶺熱帶山地雨林C素庫(kù)及皆伐影響的初步研究[J]．應(yīng)用生態(tài)學(xué)報(bào)，1998，9(4)：6-9．

[8]張茂震，王廣興，周?chē)?guó)模，等．基于森林資源清查、衛(wèi)星影像數(shù)據(jù)與隨機(jī)協(xié)同模擬尺度轉(zhuǎn)換方法的森林碳制圖[J]．生態(tài)學(xué)報(bào)，2009，29(6)：2919-2928．

[9]Wang R D. Linear geostatistics[M]. Beijing: Geological Publishing House, 1993: 123-163.

[10]Goovaerts P. Geostatistics for Natural at Resources Evaluation[M]. New York : Oxford University Press, 1997.

[11]Castrignanò A, Buttafuoco G. Geostatistical stochastic simulation of Soil water content in a forested area of South Italy[J]. Biosystems Engineering, 2004, 87(2): 257-266.

[12]趙永存，黃標(biāo)，孫維俠，等．張家港土壤表層銅含量空間預(yù)測(cè)的不確定性評(píng)價(jià)研究[J]．土壤學(xué)報(bào)，2007，44(6)：974-981．

[13]Delbari M, Afrasiab P, Loiskandl W. Using sequential Gaussian simulation to assess the field-scale spatial uncertainty of soil water content[J]. Catena, 2009, 79(2): 163-169.

[14]Peter M, Cliftom A, Shlomo P. Effects of kriging and inverse modeling on conditional simulation of the avralalley aquifer in southern Arizona[J]. Water Resources Research, 1982, 8(4): 813-833.

[15]Zhu H, Journel A. G. Indicator conditioned estimator[J].Trans Soc Mining Engineering,1989, 286: 1880-1886.

[16]史舟，李艷，程街亮．水稻土重金屬空間分布的隨機(jī)模擬和不確定評(píng)價(jià)[J]．環(huán)境科學(xué)，2007，28(1)：209-214．

[17]柴旭榮，黃元仿，苑小勇．用高程輔助提高土壤屬性的空間預(yù)測(cè)精度[J]．中國(guó)農(nóng)業(yè)科學(xué)，2007，40(12)：2766-2773．

[18]沈希，張茂震，祁祥斌．基于回歸與隨機(jī)模擬的區(qū)域森林碳分布估計(jì)方法比較[J]．林業(yè)科學(xué)，2011，47(6)：1-8．

[19]金雨菲，張茂震，郭含茹，等．基于克里格插值與序貫高斯協(xié)同模擬的森林碳密度空間估計(jì)[J]．西南林業(yè)大學(xué)學(xué)報(bào)，2013，33(6)：32-37, 45．

[20]趙彥鋒，孫志英，陳杰．Kriging插值和序貫高斯條件模擬算法的對(duì)比分析[J]．地球信息科學(xué)學(xué)報(bào)，2010，12(6)：767-776．

[21]Parresol B R. Assessing tree and stand biomass: A review with examples and critical comparisons[J]. Forest Science, 1999, 45(4): 573-593.

[22]Parresol B R. Additivity of nonlinear biomass equations [J]. Canadian Journal of Forest Research,2001, 31(14) : 865-878.

[23]曾偉生，駱期邦，賀東北．論加權(quán)回歸與建模[J]．林業(yè)科學(xué)，1999，35(5)：5-11．

[24]Zabek L M, Prescott C E. Biomass equations and Carbon content of aboveground leafless biomass of hybrid poplar in Coastal British Columbia[J]. Forest Ecology and Management, 2006, 223(1/3): 291-302.

(責(zé)任編輯趙粉俠)

第1作者：張巧(1990—)，女，碩士生。研究方向：生態(tài)與環(huán)境。Email：geo_zq@163.com。

通信作者：黃義雄(1960—)，男，教授，碩士生導(dǎo)師。研究方向：景觀生態(tài)學(xué)。Email：yxhuang@fjnu.edu.cn。