運(yùn)用林分密度和平均高估測思茅松人工林地上生物量1)

張國飛 岳彩榮 趙勛 羅洪斌 谷雷

(西南林業(yè)大學(xué),昆明，650224)

森林作為地球陸地生態(tài)系統(tǒng)的主體，有改善地球生態(tài)環(huán)境、調(diào)節(jié)全球碳平衡、減緩溫室氣體濃度上升等作用[1-2]。森林生物量能夠反映森林生態(tài)系統(tǒng)的狀態(tài)和變化規(guī)律，準(zhǔn)確地獲取森林生物量時(shí)空分布信息是生態(tài)學(xué)和全球變化研究熱點(diǎn)之一。思茅松(Pinuskesiyavar.langbianensis) 作為喜陽速生樹種，是我國亞熱帶西南部山地的代表種，主要分布在云南省的景谷、思茅、普文等地區(qū)[3]。

目前，國內(nèi)外思茅松地上生物量的估測，主要集中在單木地上生物量生長模型[3-9]，運(yùn)用遙感影像，在林分尺度上，對(duì)思茅松地上生物量估測模型的研究較少。竇玉偉等[5]以墨江縣魚塘鎮(zhèn)的思茅松天然林132株單木數(shù)據(jù)為研究對(duì)象，采用Richards、Logistics、Gompertz、Korf、Weibull等5個(gè)經(jīng)驗(yàn)方程構(gòu)建生物量生長模型；Ou et al.[8]在普洱市三個(gè)地區(qū)選擇128棵思茅松，通過最小二乘非線性模型(BM)、最小二乘非線性模型與地形因素(BMT)等8個(gè)模型反演思茅松地上生物量；歐光龍[9]在林分水平上,采用非線性混合效應(yīng)模型技術(shù)，引入林分因子、地形因子和氣候因子構(gòu)建了思茅松地上生物量估測模型。目前，林分尺度上思茅松地上生物量模型研究主要采用TM遙感影像，運(yùn)用波段及相關(guān)植被指數(shù)構(gòu)建思茅松地上生物量模型。吳嬌嬌等[10]以普洱市思茅松天然林為研究對(duì)象，從Landsat8 TM影像中提取14個(gè)自變量備選因子，利用BP神經(jīng)網(wǎng)絡(luò)(BP)建立了思茅松天然林生物量估測模型(最優(yōu)模型的決定系數(shù)為0.85、均方誤差為14 t·hm-2、預(yù)估精度為74.75%)；孫雪蓮等[11]以云南省景谷縣思茅松人工林為研究對(duì)象，提取9個(gè)植被指數(shù)作為備選自變量，建立了思茅松人工林隨機(jī)森林(RF)回歸遙感估測模型(最優(yōu)模型的決定系數(shù)為0.97、均方根誤差為4.97 t·hm-2、預(yù)估精度為87.67%)。閭妍宇等[12]結(jié)合2005年景谷縣TM影像數(shù)據(jù)，采用普通最小二乘模型(OLS)和地理加權(quán)回歸模型(GWR)的方法構(gòu)建思茅松生物量遙感估測模型。

Sentinel-2A/B衛(wèi)星是歐洲空間局(ESA)的多光譜遙感成像衛(wèi)星，包括3個(gè)植被紅邊波段、2個(gè)紅外波段、可見光和近紅外波段等13個(gè)波段，已廣泛應(yīng)用于葉面積指數(shù)、葉片葉綠素含量、地上生物量、植被覆蓋度等反演[13-19]。周希勝等[14]利用sentinel-2影像數(shù)據(jù)反演玉米、紅樹林的地上生物量；Jin et al.[16]利用Sentinel 2A植被指數(shù)和葉面積指數(shù)(LAI)反演玉米生物量；Visús et al.[18]對(duì)SNAP平臺(tái)獲得的植被生物物理變量進(jìn)行了驗(yàn)證。

本研究選擇65塊云南省普洱地區(qū)思茅松人工林圓形樣地?cái)?shù)據(jù)和Sentinel-2A/B多光譜影像數(shù)據(jù)，測算林分疏密度、每公頃株數(shù)、林分平均高、林分地上生物量等信息以及通過Sentinel 2多光譜影像和生物物理處理工具箱獲得植被覆蓋度、葉面積指數(shù)等植被生物物理變量。采用平均高和林分密度通過參數(shù)模型和非參數(shù)模型，探討估測單位面積思茅松人工林地上生物量的可行性和可靠性，為運(yùn)用遙感技術(shù)構(gòu)建、設(shè)計(jì)森林資源調(diào)查監(jiān)測新體系提供參考依據(jù)。

1 研究區(qū)概況

研究區(qū)位于北回歸線附近的云南省普洱市思茅區(qū)，地處滇南熱帶與南亞熱帶的過渡位置，該地氣候干濕季分明，氣溫15.0～20.3 ℃，年降水量1 100～2 780 mm，海拔高度1 320 m，區(qū)內(nèi)森林覆蓋率67%以上。主要樹種有思茅松、紅木荷(Schimawallichii(DC.) Choisy)、刺栲(Castanopsisspach)、小果栲(Castanopsismicrocarpa)、茶梨 (AnnesleafragransWall)和毛銀柴(Aporusavillosa(Lindl.) Baill)等[3]。

2 研究方法

2.1 樣地設(shè)置與調(diào)查

思茅松人工林進(jìn)行典型樣地調(diào)查共設(shè)置65個(gè)半徑為12 m的圓形樣地。對(duì)于喬木樣地進(jìn)行每木檢尺，記錄數(shù)據(jù)包括株樹、胸徑、樹高、樣地中心點(diǎn)坐標(biāo)。樣地調(diào)查時(shí)間為2018年12月。思茅松人工林樣地地上生物量、林分疏密度、林分平均高和每公頃株數(shù)等變量是由樣地調(diào)查數(shù)據(jù)計(jì)算獲得。

圖1 研究區(qū)位于我國云南省普洱市(左圖)，研究區(qū)的樣地(右圖)

林分地上生物量(B)：由每木檢尺數(shù)據(jù)和思茅松地上生物量公式計(jì)算獲得[3]。

式中：B表示林分每公頃地上生物量;N為樣地思茅松株數(shù);DBH為思茅松單株胸徑;H為思茅松單株樹高;S為樣地面積。

林分疏密度(P)：林分疏密度是林分胸高斷面積(G)與標(biāo)準(zhǔn)林分胸高斷面積(GB)比值。依據(jù)調(diào)查數(shù)據(jù)計(jì)算林分平均高和林分胸高斷面積(G)，從思茅松人工林標(biāo)準(zhǔn)表[9]中查出對(duì)應(yīng)調(diào)查所得林分平均高的標(biāo)準(zhǔn)林分胸高斷面積(GB)。即P=G/GB。式中：G為調(diào)查林分的每公頃斷面積,GB為標(biāo)準(zhǔn)林分的每公頃斷面積。

每公頃株數(shù)(NZ)：由樣地內(nèi)每木檢尺實(shí)測記錄數(shù)除以樣地面積。

2.2 遙感數(shù)據(jù)

研究中使用的Sentinel-2多光譜遙感圖像的基本信息：衛(wèi)星Sentinel-2B、Multispectral image level-1c產(chǎn)品、日期為2019-2-24、分辨率10 m、圖像幅寬100 km。預(yù)處理步驟包括大氣校正、裁剪等，其中大氣校正由歐洲航天局開發(fā)的Sen2cor工具箱軟件處理完成的；Sentinel 2多光譜遙感圖像冠層頂部(TOC)歸一化反射率數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)反演植被生物物理變量，由SNAP的生物物理處理工具箱完成，葉面積指數(shù)和植被覆蓋度[13，16-19]。在本研究中，將被覆蓋度、葉面積指數(shù)作為林分密度指標(biāo)。

表1 思茅松人工林樣地的主要林分參數(shù)

2.3 模型的建立

(1)

式中：a0、a1、ε為參數(shù)。

(2)

式中：b0、b1、b2、ε為參數(shù)。

林分平均胸徑通過林分平均高估計(jì)。

(3)

式中：c0、c1、ε為參數(shù)。

將公式(1)、(2)(3)整理可得基礎(chǔ)模型。

(4)

在思茅松人工林中，當(dāng)林分密度增大，林分平均高、胸徑會(huì)減小，且胸徑比樹高更受林分密度的影響[21]?；A(chǔ)模型中，參數(shù)c隨ρ的變化而變化，可將基礎(chǔ)模型變換為兩種形式，即變參數(shù)模型-1 (公式5)和變參數(shù)模型-2(公式6)。

(5)

(6)

式中：a、b、c、d、e為參數(shù)。變參數(shù)模型中，d/ρ和e/ρ表示胸徑和樹高受到密度ρ的影響。

對(duì)于(4)、(5)和(6)式3個(gè)模型結(jié)構(gòu)，4個(gè)密度指標(biāo)(植被覆蓋度、每公頃株樹、林分疏密度和葉面積指數(shù))建立基于林分平均高和密度的思茅松人工林地上生物量估計(jì)模型，合計(jì)12個(gè)模型。

非參數(shù)模型：非參數(shù)模型包括支持向量機(jī)(SVM)、隨機(jī)森林(RF)、BP神經(jīng)網(wǎng)絡(luò)(BP)，4個(gè)密度指標(biāo)(植被覆蓋度、每公頃株樹、疏密度和葉面積指數(shù))，合計(jì)12個(gè)模型。

隨機(jī)選擇50個(gè)樣地作為訓(xùn)練樣地，剩余15個(gè)樣地作為檢驗(yàn)樣本。所有模型擬合統(tǒng)計(jì)量包括決定系數(shù)(R2)、均方根誤差(RMSE)和預(yù)估精度(P)。

3 結(jié)果與分析

3.1 林分密度與思茅松林分地上生物量的相關(guān)性

由表2可知，林分密度與林分地上生物量都呈顯著正相關(guān)(r>0.5)，按相關(guān)性高低順序分別為：每公頃株數(shù)、林分疏密度、葉面積指數(shù)和植被覆蓋度。

表2 林分密度與思茅松林分地上生物量的相關(guān)性

3.2 地上生物量估測

由圖2、圖3和表3可知，在林分平均高和林分密度(每公頃株數(shù)、林分疏密度)構(gòu)建的思茅松地上生物量模型中，林分平均高-每公頃株數(shù)構(gòu)建的地上生物量最優(yōu)模型(訓(xùn)練樣本的R2、RMSE、P最優(yōu)值分別為0.966 0、10.05、92.63%，測試樣本的R2、RMSE、P最優(yōu)值分別為0.965 8、11.90、88.58%)優(yōu)于林分平均高-林分疏密度構(gòu)建的地上生物量模型(訓(xùn)練樣本的R2、RMSE、P最優(yōu)值分別為0.915 6、19.37、89.33%，測試樣本的R2、RMSE、P最優(yōu)值分別為0.838 7、24.87、82.98%)，說明每公頃株數(shù)對(duì)林分地上生物量變動(dòng)的解釋能力好于林分疏密度。

圖2 每公頃株數(shù)-林分平均高構(gòu)建的思茅松地上生物量模型估測結(jié)果

圖3 林分疏密度-林分平均高構(gòu)建的思茅松地上生物量模型估測結(jié)果

由圖4、圖5和表3可知，在林分平均高和植被生物物理變量(植被覆蓋度和葉面積指數(shù))構(gòu)建的思茅松地上生物量模型，從相關(guān)性、精度和預(yù)估精度等方面看，林分平均高-葉面積指數(shù)構(gòu)建的地上生物量變參數(shù)模型(訓(xùn)練樣本的R2、RMSE、P最優(yōu)值分別為0.855 1、24.59、82.84%，測試樣本的R2、RMSE、P最優(yōu)值分別為0.667 2、29.86、78.28%)優(yōu)于林分平均高和植被覆蓋度構(gòu)建的地上生物量模型(訓(xùn)練樣本的R2、RMSE、P最優(yōu)值分別為0.748 4、33.36、75.90%，測試樣本的R2、RMSE、P最優(yōu)值分別為0.637 6、63.30、73.29%)，葉面積指數(shù)能夠反映植物葉面數(shù)量、冠層結(jié)構(gòu)變化、植物群落生命活力及其環(huán)境效應(yīng)等信息，比植被覆蓋度對(duì)林分地上生物量變動(dòng)有更好的解釋能力。

圖4 葉面積指數(shù)-林分平均高構(gòu)建的思茅松地上生物量模型估測結(jié)果

3.3 模型評(píng)價(jià)

由圖6和表4可知，在構(gòu)建的所有思茅松地上生物量模型中，從模型決定系數(shù)來看，以每公頃株數(shù)-林分平均高構(gòu)建的模型效果最好，林分平均高-林分疏密度構(gòu)建的模型次之，林分平均高-葉面積指數(shù)構(gòu)建的模型第三，林分平均高-植被覆蓋度構(gòu)建的模型最差。

圖5 植被覆蓋度-林分平均高構(gòu)建的思茅松地上生物量模型估測結(jié)果

表3 應(yīng)用林分平均高和林分密度對(duì)思茅松地上生物量估測模型建模

由表4可知，模型反演的均方根誤差值差異比較明顯的(10.05～33.36 t·hm-2)，林分平均高-每公頃株樹的地上生物量模型反演誤差(RMSE)值最低，林分平均高-植被覆蓋度反演生物量模型均方根誤差最大。

由表3可知，在參數(shù)模型中，可變參數(shù)模型擬合效果總體要好于不變參數(shù)模型，且可變參數(shù)-2模型擬合效果都好于可變參數(shù)-1。在參數(shù)模型的參數(shù)穩(wěn)定性方面，每公頃株數(shù)、林分疏密度與林分平均高兩組變量構(gòu)建的模型參數(shù)變動(dòng)系數(shù)小于20%，穩(wěn)定性較好；但植被覆蓋度、葉面積指數(shù)與林分平均高兩組變量構(gòu)建的參數(shù)模型中，都至少有一個(gè)參數(shù)的變動(dòng)系數(shù)大于30%，模型略欠穩(wěn)定。

表4 最優(yōu)模型的估測值與實(shí)測地上生物量的決定系數(shù)和均方根誤差

在非參數(shù)模型中，在林分平均高和每公頃株數(shù)變量組合中，SVM模型擬合效果好于RF模型和BP神經(jīng)網(wǎng)絡(luò)。但在其他3個(gè)變量組合中，RF模型擬合效果遠(yuǎn)好于支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)。

參數(shù)模型與非參數(shù)模型比較，從相關(guān)性來看，只有基于每公頃株數(shù)和林分平均高變量構(gòu)建的地上生物量模型中，參數(shù)模型(變參2模型)較非參數(shù)模型要好。其他3組變量構(gòu)建的生物量模型則相反，非參數(shù)模型(RF模型)較參數(shù)模型要好。

4 結(jié)論

本研究中，林分密度(每公頃株樹、林分疏密度、植被覆蓋度、葉面積指數(shù))和林分平均高通過參數(shù)模型(不變參數(shù)模型和可變參數(shù)模型)和非參數(shù)模型(支持向量機(jī)、隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò))估測思茅松人工林林分地上生物量，獲得了地上生物量與之間的高相關(guān)性(決定系數(shù)為0.748 5～0.966 0)，模型的預(yù)測誤差小于34 t·hm-2(均方根誤差為10.05～33.36 t·hm-2)；每公頃株樹和林分平均高的思茅松人工林地上生物量變參數(shù)模型-2最優(yōu)(R2=0.966 0，RMSE=10.05 t·hm-2)，可在思茅松人工林樣地調(diào)查時(shí)，快速估計(jì)樣地地上生物量，具有實(shí)際意義。思茅松地上生物量與葉面積指數(shù)和植被覆蓋度的都呈現(xiàn)顯著正相關(guān)(r>0.5)，能夠很好反演思茅松地上生物量(相應(yīng)的模型決定系數(shù)R2分別為0.748 5、0.855 1，RMSE分別為10.05、33.36 t·hm-2)，為大面積繪制思茅松人工林地上生物量提供了可能。

葉面積指數(shù)和植被覆蓋度是對(duì)sentinel-2多光譜遙感影像處理獲得的生物物理變量，用于反演生物量時(shí)依然繼承了光學(xué)遙感面臨的局限性，即生物量反演飽和度問題，當(dāng)?shù)厣仙锪砍^150 t·hm-2時(shí)，模型相關(guān)性與精度都會(huì)變差。后續(xù)研究通過LiDAR激光雷達(dá)數(shù)據(jù)或利用全極化SAR數(shù)據(jù)進(jìn)行極化干涉測量(PolInSAR)獲取森林樹高信息，并結(jié)合Sentinel-2的植被指數(shù)和植被生物物理變量等信息，以測試其生物量反演和制圖能力。此外，還應(yīng)采用各種數(shù)據(jù)轉(zhuǎn)換技術(shù)，以及非線性多元回歸形式，以找出預(yù)測和觀測值的最高相關(guān)性，并與當(dāng)前值相比降低預(yù)測誤差。

致謝：本次部分樣地調(diào)查數(shù)據(jù)由中國林業(yè)科學(xué)院提供，在此表示衷心感謝。