亚热带地区马尾松林碳储量的遥感估算<br/>——以长汀河田盆地为例

亚热带地区马尾松林碳储量的遥感估算
——以长汀河田盆地为例

2013-12-16黄绍霖徐涵秋曾宏达刘智才陈文惠杨冉冉

生态学报 2013年10期

黄绍霖，徐涵秋，*，林娜，曾宏达，，刘智才，陈文惠，王琳，杨冉冉

(1.1.福州大学环境与资源学院，福州大学遥感信息工程研究所，福建省水土流失遥感监测评估与灾害防治重点实验室，福州 350108;2.福建师范大学地理科学学院，福州 350007)

森林生态系统是陆地生态系统的重要组成部分，它对全球的气候变化有着举足轻重的作用。随着全球气候变化影响的加剧，森林生态系统所具有的强大的碳汇能力日益受到国际社会的广泛关注。森林生态系统中植被所固定的碳量约占陆地植被总固碳量的82.5%［1］，是森林固碳能力的重要标志，也是评估森林碳收支的主要参数［2-3］。因此，准确估算森林碳储量对全球碳汇和碳循环的研究以及全球气候变化的理解有着举足轻重的作用。

当前，森林碳储量的估算主要以森林生物量为基础，国际上通常用生物量乘以含碳系数来计算碳储量［4］。传统的区域生物量估算通常采用样地清查法，但该方法费时费力，成本高昂，而且只限于小面积。因此，对于大面积的森林生物量估算，必须借助遥感手段，因为遥感影像的光谱信息具有良好的综合性和现势性，与森林的生物量之间存在较好的相关性［5-6］。联合国政府间气候变化专门委员会(IPCC)强调利用影像光谱信息与生物量的相关关系来估测森林的生物量［3］。因此，国内外学者对基于遥感技术的森林生物量、碳储量估算展开了较多的研究。Lefsky等利用激光雷达遥感数据估算了美国寒温带针叶林、温带针叶林和温带落叶林这3类森林生态系统的生物量，研究表明利用遥感技术估算森林生物量具有快速、准确的优势［7］。Foody等基于Landsat TM数据的10种植被指数，采用多元回归分析和神经网络方法估算了巴西、马来群岛和泰国3个区域的生物量，结果发现利用神经网络结合遥感技术估算森林生物量的方法精度最高［8］。Zheng等应用Landsat ETM+数据的植被指数估算了美国威斯康星州北部森林的地上生物量，研究表明将阔叶林与针叶林分开建模能提高生物量估算的精度［9］。Myeong等采用TM/ETM+影像的NDVI数据与对应样地的碳储量数据建立了美国雪城的森林碳储量预测模型，结果显示遥感技术在定量监测城市森林碳储量变化方面具有明显的优势［10］。方精云等利用GIMMS卫星的NDVI数据计算了1982—1999年间中国草地的碳汇及其时空变化，并将其与森林的碳汇进行比较，结果表明中国草地单位面积的碳汇能力实际上仅相当于森林的1/30［11］。Meng等利用样地调查数据和ETM+的NDVI数据，分别采用基于相对生长模型的线性固定影响模型和线性混合影响模型估算森林生物量，研究表明线性混合影响模型的效果最佳［12］。Anaya等利用MODIS的增强植被指数(EVI)数据和植被覆盖数据估算了哥伦比亚的植被生物量，结果显示次生林的生物量密度远低于原始林［13］。汪少华等利用临安市森林资源清查数据和TM影像数据对该市的森林碳储量及其分布进行了模拟，研究发现人工神经网络在对大范围森林碳估算与模拟上具有较好的效果［14］。可以看出，随着遥感技术的发展，多源遥感数据已经作为一种替代手段来定量分析森林碳储量。利用遥感技术估算森林生物量已成为当前大面积森林生物量/碳储量估算的首选方法。

尽管森林碳储量遥感估算已经开展了较多的研究，但是针对马尾松林的碳储量遥感估算模型还很少见。因此本次研究选择福建省长汀县河田盆地为研究区，开展马尾松林碳储量估算模型的研究。由于福建省是我国森林覆盖率最高的省份，而马尾松林又是我国南方最具代表性的森林类型之一。因此对其碳储量模型的研究，有助于福建省乃至我国森林碳储量的准确估算，并可以为我国森林碳汇研究提供马尾松林的基础数据。

1 研究区概况

福建省长汀县河田盆地位于福建省西部(东经 116°16'—116°34'，北纬 25°30'—25°44')，面积约 775.40 km2(图1)。研究区属亚热带季风气候，年平均气温18.3℃，年降雨量1500—1700 mm。土壤类型以红壤为主。研究区的植被主要为马尾松林，占研究区森林面积的58%，其它的为木荷、杨梅、板栗和油茶等。

图1 研究区位置图Fig.1 Location of the study area

2 数据与方法

2.1 样地数据获取及样地碳储量计算

于2010年11月在野外实地调查马尾松林样地50块。样地选在地表覆盖较均质的地段，大小均为2 0 m×20 m。使用差分GPS准确记录样地的中心位置。马尾松林样地采用每木测量法，观测内容包括:树种、胸径和树高(附录)。

首先基于实测马尾松的树高和胸径，利用福建省马尾松二元立木材积表［15］计算出马尾松的蓄积量，并计算出马尾松林样地的平均蓄积量:

根据方精云等［16］确立的马尾松平均蓄积量与平均生物量之间的关系式，进一步计算马尾松林样地的单位面积平均地上生物量:

式中，B为平均地上生物量(t/hm2)。

马尾松林碳储量以马尾松林生物量乘以含碳系数来计算:

式中，C为马尾松林碳储量(t/hm2);Cc为含碳系数。

国际上通常采用的含碳系数为0.5［4］，但李海奎等全面研究国内主要树种提出的含碳系数［17］更有针对性，所以本研究选用其提出的马尾松含碳系数(0.4596)来进行计算，以提高马尾松林的碳储量估算精度。

2.2 遥感数据预处理

本研究选用2010年12月29日的ALOS多光谱影像，其预处理包括:

(1)几何校正首先根据研究区的形状和位置，选出47个地面控制点(GCP)，利用高精度的GPS通过差分求算出各控制点精确的坐标值，然后采用二次多项式进行坐标转换，选择能保持变换后影像光谱信息不失真的最邻近插值法进行象元重采样，校正后的均方根误差小于0.5个象元。

(2)辐射校正卫星传感器所接收到的目标地物的反射会受到太阳高度、地形及大气条件等因素的影响而导致光谱信号的失真［18］。Liang等的研究表明，辐射校正能有效提高植被参数的反演精度［19］。因此，需要对影像进行辐射校正。本研究采用美国地质调查局、美国宇航局采用的辐射校正技术将原始影像的灰度值(DN)转换为象元在卫星传感器处的反射率来进行辐射校正。徐涵秋［20］将这项技术归纳为日照差异校正模型(ICM)和日照大气综合校正模型(IACM)。二者的区别在于后者除了对日照、地形条件的差异进行了校正外，还进行了大气校正。本次研究分别用这两种模型对原始影像进行辐射校正，旨在考察大气校正与否是否会真正影响生物量和碳储量的估算。

对于ALOS影像，可以用以下公式将其DN值转换为传感器处的光谱辐射值［21］:

式中，Li为光谱辐射值(W·m－2·sr－1·μm－1);i为波段值;DN为象元的灰度值;A为波段i的增益值，B为波段i的偏置值。参数A和B参见文献［22］。

分别采用ICM和IACM模型进一步计算象元在卫星传感器处的反射率，ICM公式为［20］:

IACM模型是在ICM模型的基础上，进一步引进了Chavez的COST模型［23］来进行大气校正［24］，其公式为:

式中，ρi为象元在传感器处的反射率;d为日地天文单位距离，参见文献［25］中获得;ESUNi为大气顶部的平均太阳辐照度(W·m－2·μm－1)，参见文献［22］;Lh就是大气影响的修正值，即各波段对应的最暗象元在传感器处的光谱辐射值;θ为太阳天顶角。

2.3 马尾松林信息的提取

为获得长汀河田盆地马尾松林的分布位置和面积等信息，需要对影像进行分类。以野外实地调查资料和林业部门的森林小班图为依据，采用最大似然法对研究区的土地利用类型进行分类，并对分类结果进行验证和修正(Kappa系数为0.759，总分类精度达88.4%)，然后将分为马尾松类别的信息提取出来，并进行统计，从而获得研究区马尾松林的分布位置和面积(图2)。

2.4 遥感因子的选择

由于植被指数比单波段的光谱信息在探测生物量方面具有更高的灵敏性［26］，因此，为了考察遥感影像的光谱信息与马尾松林碳储量的关系，找出反映二者关系的最佳遥感因子来建立模型，本文选取了由ALOS影像多光谱波段构成的5种植被指数来作为遥感因子(表1)。

图2 研究区马尾松林分布图Fig.2 Spatial distribution of Pinus massoniana in the study area

表1 所选用的植被指数Table 1 The used vegetation indices

2.5 马尾松林碳储量估算

利用公式(1)—(3)计算了50个样地的马尾松林的碳储量，然后随机选取了其中的45个样地的碳储量作为建模数据，剩余的5个样地用以验证模型精度。

分别用ALOS影像的原始DN数据和经ICM、IACM校正的数据对45个样地的马尾松林碳储量就表1的5个遥感因子进行相关性分析。首先将各遥感因子与各样地对应的象元提取出来，然后选用线性、对数、指数、乘幂、二次多项式等多种回归模型来求出各遥感因子与马尾松林碳储量的最佳回归方程和决定系数(表2，模型均通过0.001的显著性检验)，从中选取最佳反演模型来估算研究区马尾松林的碳储量。

从表2可以看出，与未经辐射校正的原始DN影像数据相比，用ICM或IACM校正的影像数据建立的碳储量最佳反演模型的拟合精度都有很明显的提高，其中又以IACM数据的NDVI指数模型的拟合效果最好(图3)，其R2值达到0.746，大于ICM数据NDVI指数模型的0.525和DN数据NDVI指数模型的0.496(表2)。这表明，植被碳储量准确估算的前提是必须对影像进行辐射校正，不能使用未经校正的原始DN数据;而进行大气校正后的IACM数据又比只做地形—日照校正的ICM数据的效果会更好。其原因是由于大气对组成NDVI植被指数的红光与近红外波段有不同的衰减幅度，从而导致了NDVI发生变化［30］。而IACM模型引入了大气校正因子，减弱了大气效应的影响，所以其拟合精度得到了进一步提高。从所选的5个遥感指数因子来看，基于NDVI建立的模型的拟合精度总体上要好于基于其它4个因子建立的模型的拟合精度。因此本研究选用基于IACM的NDVI数据建立的模型作为最佳模型来反演研究区的马尾松林的碳储量:

表2 马尾松林碳储量反演模型Table 2 Models for retrieving the carbon storage of Pinus massoniana forest

2.5 反演模型的预测精度分析

为了检验反演模型的精度，利用建模时随机抽取后剩余的5个样地的马尾松林碳储量的实测值与模型预测值进行验证，并用决定系数R2、相对误差RE和均方根误差RMSE这3个指标进行定量精度分析(图4)。RE和RMSE的计算公式如下:

式中，CEst，i、CObs，i分别表示第i个样地的马尾松林碳储量的预测值和实测值，n是样本总量。

图3 IACM校正影像的NDVI数据与马尾松林碳储量的回归分析Fig.3 Regression analysis between the carbon storage of Pinus massoniana and the NDVI data derived from IACM-corrected data

图4 马尾松林碳储量的实测值和预测值统计比较Fig.4 Comparison between measured and predicted carbon storage of Pinus massoniana

从图4可以看出，所获得的反演模型具有较高的精度。这表现在检验数据较为集中地分布于斜率为1的直线两侧，模型的决定系数R2达到0.979，RMSE为3.01 t/hm2，RE为－1.95%，预测值比实测值平均低估了不到2%。这说明所获得的反演模型具有很高的精度，可以用于估算研究区马尾松林的碳储量。

3 结果分析

利用提取的马尾松林(图2)与建立的马尾松林碳储量最佳反演模型(式7)对2010年研究区的马尾松林碳储量进行反演，并将碳储量反演结果划分为5个等级进行统计，以揭示研究区马尾松林碳储量的空间分布变化情况(图5，表3)。

图5 研究区马尾松林碳储量分布Fig.5 Spatial variations of the carbon storage of Pinus massoniana forest in the study area

表3 研究区马尾松林碳储量分布统计表Table 3 The carbon storage of Pinus massoniana forest in the study area

图5和表3揭示了研究区马尾松林的碳储量分布具有以下特点:(1)研究区内以低碳储量的马尾松林为主，碳储量低于50 t/hm2的马尾松林的面积(1—2级)占马尾松林总面积的76.56%，碳储量高于50 t/hm2的马尾松林面积(3—5级)仅占23.44%，而占面积64.17%的马尾松林(1级)的碳储量却只占研究区马尾松林总碳储量的15.51%。(2)从空间分布来看，高碳储量的马尾松林主要分布在河田盆地外围地区，而盆地内的马尾松林因受人类活动影响强烈，其碳储量明显较低。从估算的碳储量结果来看，2010年研究区的马尾松林碳储量总量为 114.58 ×104t，碳密度为 34.92 t/hm2，明显低于全国森林植被的碳密度水平(41.00 t/hm2)［11］。究其原因在于:长汀地区一直是福建省水土流失严重的地区。2000年，福建省委、省政府把长汀水土流失治理列入为民办实事项目，开始对水土流失区实行封山育林，严禁采伐，并大力种植马尾松以恢复植被。因此，研究区内马尾松林面积不断增加，马尾松林碳储量总量得到逐步恢复。但由于植被破坏最严重的盆地内部有很大一部分都是新种植的幼龄马尾松，其碳储量远低于成熟林的碳储量［31］。因此，研究区马尾松林总体碳密度偏小。但可以看出，随着马尾松林林龄结构的改善，该区在碳积累上还具有较大的潜力。

从现有研究看，马尾松林碳储量的估算主要采用的都是传统的方法(表4)，而采用遥感的方法还鲜有报道。从表4可见，已有研究所获得的马尾松平均碳储量数据并不十分一致，而其中吴丹等研究江西中南部红壤区马尾松林的估算结果与本文的研究结果最为接近。由于长汀与江西南部直接接壤，因此二者结果的接近表明，用遥感估算的结果和实测方法所获得的结果具有较好的可比性。

表4 不同研究的马尾松林平均碳储量比较Table 4 Comparison of the different research results about the average carbon storage of Pinus massoniana forest

4 结论与讨论

(1)利用遥感技术可以对大面积马尾松林的碳储量进行快速估算，采用基于野外实地调查数据和ALOS影像光谱信息建立的马尾松林碳储量反演模型精度较高，其反演结果可以合理地反映出研究区马尾松林的碳储量及其空间分异特征。

(2)在利用遥感影像的光谱信息建立碳储量反演模型时，采用经大气校正后的遥感影像数据可提高模型反演的精度。

(3)河田研究区的马尾松林的总碳储量为114.58×104t，碳密度为34.92 t/hm2，明显低于全国森林植被碳密度水平，这与目前河田盆地的幼龄马尾松林所占比重很大有关。但随着林龄结构的改善，成熟度的增加，可以预见该区的马尾松林碳汇还具有较大的潜力。

由于本研究是基于河田盆地的影像和野外实测数据建立的反演模型，其在时间和空间上的普适性还有待于进一步的研究。

致谢:课题组张清林、陈淑桂和田浩等同志参与了野外调查工作，特此致谢。

［1］ Sabine C L，Heimann M，Artaxo P，Bakker D C E，Chen C T A，Field C B，Gruber N，Le Quere C，Prinn R G，Richey J E，Lankao P R，Sathaye J A，Valentini R.Current status and past trends of the global carbon cycle//Field C B，Raupach M R，eds.The Global Carbon Cycle.Washington:Island Press，2004:17-43.

［2］ Penman J，Gytarsky M，Hiraishi T，Krug T，Kruger D，Pipatti R，Buendia L，Miwa K，Ngara T，Tanabe K，Wagner F.Good practice guidance for land use，Land-Use Change and Forestry.Japan:IPCC，2003.

［3］ Eggleston S，Buendia L，Miwa K，Ngara T，Tanabe K.2006 IPCC guidelines for national greenhouse gas inventories.Japan:Institute for Global Environmental Strategies，2006.

［4］ Olson J S，Watts J A，Allison L J.Carbon in live vegetation of major world ecosystem.Technical Report.U.S.Washington:Department of Energy，1983.

［5］ Spencer R D，Green M A，Blggs P H.Integrating eucalypt forest inventory and GIS in western Australia.Photogrammetric Engineering and Remote Sensing，1997，63(12):1345-1351.

［6］ Fried M A，Davis F W，Michaelsen J，Moritz M A.Scaling and uncertainty in the relationship between the NDVI and land surface biophysical variables:an analysis using a scene simulation model and data from FIFE.Remote Sensing of Environment，1995，54(3):233-246.

［7］ Lefsky M A，Cohen W B，Harding D J，Parker G G，Acker S A，Gower S T.Lidar remote sensing of aboveground biomass in three biomes.Global Ecology and Biogeography，2002，11(5):393-399.

［8］ Foody G M，Boyd D S，Cutler M E.Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions.Remote Sensing of Environment，2003，85(4):463-474.

［9］ Zheng D，Rademacher J，Chen J，Crow T，Bresee M，Le M J，Ryu S R.Estimating aboveground biomass using Landsat 7 ETM+data across a managed landscape in northern Wisconsin，USA.Remote Sensing of Environment，2004，93(3):402-411.

［10］ Myeong S，Nowak J D，Duggin M J.A temporal analysis of urban forest carbon storage using remote sensing.Remote Sensing of Environment，2006，101(2):277-282.

［11］ Fang J Y，Guo Z D，Piao S L，Chen A P.Terrestrial vegetation carbon sinks in China，1981—2000.Science in China Series D:Earth Sciences，2007，50(9):1341-1350.

［12］ Meng Q M，Cieszewski C J，Madden M，Borders B.A linear mixed-effects model of biomass and volume of trees using Landsat ETM+images.Forest Ecology and Management，2007，244(1/3):93-101.

［13］ Anaya J A，Chuvieco E，Palacios-Orueta A.Aboveground biomass assessment in Colombia:a remote sensing approach.Forest Ecology and Management，2009，257(4):1237-1246.

［14］ Wang S H，Zhang M Z，Zhao P A，Chen J X.Modelling the spatial distribution of forest carbon stocks with artificial neural network based on TM images and forest inventory data.Acta Ecologica Sinica，2011，31(4):998-1008.

［15］ Fujian Forestry Survey and Design Institute.Forest Survey Tables.1978.

［16］ Fang J Y，Chen A P，Peng C H，Zhao S Q，Ci L.Changes in forest biomass carbon storage in China between 1949 and 1998.Science，2001，292(5525):2320-2322.

［17］ Li H K，Lei Y C.Forest biomass and carbon stocks of vegetation assessment in China.Beijing:China Forestry Publishing House，2010.

［18］ Xu H Q，Zhang T J.Cross comparison of ASTER and Landsat ETM+multispectral measurements for NDVI and SAVI vegetation indices.Spectroscopy and Spectral Analysis，2011，31(7):1902-1907.

［19］ Liang S L，Fang H L，Chen M Z.Atmospheric correction of Landsat ETM+land surface imagery.IEEE Transactions on Geoscience and Remote Sensing，2001，39(11):2490-2498.

［20］ Xu H Q.Image-based normalization technique used for Landsat TM/ETM+imagery.Geomatics and Information Science of Wuhan University，2007，32(1):62-66.

［21］ Tadono T，Shimada M，Murakami H，Junichi T.Calibration of PRISM and AVNIR-2 onboard ALOS‘Daichi’.IEEE Transactions on Geoscience and Remote Sensing，2009，47(12):4042-4050.

［22］ Bouvet M，Chander G，Goryl P.Preliminary radiometric calibration assessment of ALOS AVNIR-2//IEEE International Geoscience and Remote Sensing Symposium.Boston:IEEE，2007:2673-2676.

［23］ Chavez P S Jr.Image-based atmospheric corrections-revisited and improved.Photogrammetric Engineering and Remote Sensing，1996，62(9):1025-1036.

［24］ Ramsey R D，Wright D L Jr，McGinty C.Evaluating the use of Landsat 30m enhanced thematic mapper to monitor vegetation cover in shrub-steppe environments.Geocarto International，2004，19(2):39-47.

［25］ Chander G，Markham B L，Helder D L.Summary of current radiometric calibration coefficients for Landsat MSS，TM，ETM+，and EO-1 ALI sensors.Remote Sensing of Environment，2009，113(5):893-903.

［26］ Tian Q J，Min X J.Advances in study on vegetation indices.Advance in Earth Sciences，1998，13(4):327-333.

［27］ Lyon J G，Yuan D，Lunetta R S，Enidge C D.A change detection experiment using vegetation indices.Photogrammetric Engineering and Remote Sensing，1998，64(2):143-150.

［28］ Rouse J W Jr，Haas R H，Schell J A，Deering D W.Monitoring vegetation systems in the great plains with ERTS.Third ERTS Symposium，Washington D.C.:NASA，1973:309-317.

［29］ Huete A R.A soil-adjusted vegetation index(SAVI).Remote Sensing of Environment，1988，25(3):295-309.

［30］ Jensen J R.Remote sensing of the environment:an earth resource perspective.Upper Saddle River:Prentice-Hall Inc.，2007.

［31］ Liu G H，Fu B J，Fang J Y.Carbon dynamics of Chinese forests and its contribution to global carbon balance.Acta Ecologica Sinica，2000，20(5):733-740.

［32］ Huang C D，Zhang J，Yang W Q，Tang X，Zhao A J.Dynamics on forest carbon stock in Sichuan Province and Chongqing City.Acta Ecologica Sinica，2008，28(3):965-975.

［33］ Wang P C，Xing L J，Xiao W F，Huang Z L，Pan L，Zeng L X.Organic carbon density and storage of forest ecosystems in Three Gorges Reservoir Area.Acta Ecologica Sinica，2009，29(1):97-107.

［34］ Zhang J，Yuan W G，Ge Y，Zhu J R，Shen A H，Chang J.Carbon storage and its sequestration potential by ecological service forest in Zhejiang.Acta Ecologica Sinica，2010，30(14):3839-3848.

［35］ Li X，Ouyang X Z，Liu Q J.Carbon storage of forest vegetation and its geographical pattern in China's Jiangxi Province during 2001—2005.Journal of Natural Resources，2011，26(4):655-665.

［36］ Wu D，Shao Q Q，Li J，Liu J Y.Carbon fixation estimation for the main plantation forest species in the red soil hilly region of southern-central Jiangxi Province，China.Acta Ecologica Sinica，2012，32(1):142-150.

参考文献:

［11］方精云，郭兆迪，朴世龙，陈安平.1981—2000年中国陆地植被碳汇的估算.中国科学D辑:地球科学，2007，37(6):804-812.

［14］汪少华，张茂震，赵平安，陈金星.基于TM影像、森林资源清查数据和人工神经网络的森林碳空间分布模拟.生态学报，2011，31(4):998-1008.

［15］福建省林业勘察设计院.森林调查用表.1978.

［17］李海奎，雷渊才.中国森林植被生物量和碳储量评估.北京:中国林业出版社，2010.

［18］徐涵秋，张铁军.ASTER与Landsat ETM+植被指数的交互比较.光谱学与光谱分析，2011，31(7):1902-1907.

［20］徐涵秋.基于影像的Landsat TM/ETM+数据正规化技术.武汉大学学报:信息科学版，2007，32(1):62-66.

［26］田庆久，闵祥军.植被指数研究进展.地球科学进展，1998，13(4):327-333.

［31］刘国华，傅伯杰，方精云.中国森林碳动态及其对全球碳平衡的贡献.生态学报，2000，20(5):733-740.

［32］黄从德，张健，杨万勤，康宵，赵安玖.四川省及重庆地区森林植被碳储量动态.生态学报，2008，28(3):965-975.

［33］王鹏程，刑乐杰，肖文发，黄志霖，潘磊，曾立雄.三峡库区森林生态系统有机碳密度及碳储量.生态学报，2009，29(1):97-107.

［34］张骏，袁位高，葛滢，江波，朱锦茹，沈爱华，常杰.浙江省生态公益林碳储量和固碳现状及潜力.生态学报，2010，30(14):3839-3848.