森林背景反射率对乔木层地上生物量遥感估算的影响研究——以大兴安岭林区为例

卢晓曼,郑 光,居为民,戴声佩,高 伦

(南京大学 国际地球系统科学研究所,南京 210023)

森林背景反射率对乔木层地上生物量遥感估算的影响研究
——以大兴安岭林区为例

卢晓曼,郑 光,居为民,戴声佩,高 伦

(南京大学 国际地球系统科学研究所,南京 210023)

遥感技术能够大面积覆盖和动态监测森林冠层叶片特征,森林乔木层地上生物量(AGB)与叶生物量之间存在良好的统计关系,根据遥感数据提取森林有效叶面积指数(LAIe)以估算叶生物量、进而估算AGB是可行的。然而,利用遥感数据提取森林LAIe时会受到林下植被等背景信息的影响。因此,论文以我国东北大兴安岭林区为研究区,利用中分辨率成像光谱仪(MODIS)数据和四尺度模型定量研究森林背景反射率对冠层LAIe和乔木层AGB遥感估算的影响。结果表明:背景反射率对森林LAIe遥感反演和 AGB估算影响显著,利用遥感数据提取的背景反射率对背景影响订正后,反演的LAIe与基于高分辨率专题制图仪(TM)影像反演出的LAIe之间的相关性明显提高,决定系数(R2)由0.32(n=25,p<0.10)增大到0.48(n=25,p<0.01),遥感估算的AGB与利用森林一类清查数据估算的AGB之间R2由0.52(n=10,p<0.05)上升到0.86(n=10,p<0.01),LAIe和AGB高估现象得到明显纠正。

背景反射率；叶面积指数；叶生物量；森林乔木层地上生物量

0 引言

森林乔木层地上生物量(AGB)是定量描述森林生态系统固碳能力的重要指标[1],对其准确地估算有助于定量评估森林生态系统固碳能力、认知森林生态系统对气候变化和人类活动的响应特征。森林乔木层AGB与森林叶生物量之间联系紧密[2],而遥感技术在大面积覆盖和动态监测森林冠层叶片特征方面的独特优势使其广泛应用于大尺度森林叶面积指数(LAI)估算和动态监测[3]。因此,可以根据遥感数据提取的森林LAI估算叶生物量,进而估算AGB。

然而,森林在垂直方向上具有复杂的分层结构,如大部分寒温带和温带森林在垂直方向上都具有两层结构:主要由乔木组成的森林冠层和主要由灌木、草本和苔藓等组成的林下植被层[4]。传感器获取的反射信号不仅来源于森林冠层,也有一部分来源于森林冠层下的背景地物。研究表明,森林背景反射率具有明显的时空变化[5-6],而在过去基于遥感数据反演LAI的研究中通常忽略背景反射率的时空变化,从而导致反演的LAI误差较大,在森林冠层郁闭度较低时,反演的LAI误差更大[7]。背景反射率对森林冠层LAI反演结果的影响,必然会导致根据冠层LAI估算的AGB结果存在较大的不确定性。

多角度遥感数据使森林背景反射率的遥感提取成为可能。Pisek等人将森林背景定义为森林冠层下的所有物质(如林下植被、土壤、岩石、雪、凋落物等),分别利用多角度成像光谱仪(MISR)遥感数据和中分辨率成像光谱仪(MODIS)双向反射分布函数(BRDF)产品,以四尺度几何光学模型为工具进行了北美和欧洲地区森林背景反射率的遥感制图[8-9]。马建德等人利用MODIS反射率产品合成了BRDF数据,进而提取背景反射率并分析其对森林冠层LAI的影响[6]。但是,森林背景反射率变化对森林乔木层AGB遥感估算的影响研究还有待开展。

因此,本文以大兴安岭典型寒温带森林为研究对象,利用四尺度几何光学模型和MODIS BRDF产品提取出具有时空变化的森林背景反射率；联合该数据和MODIS反射率数据反演森林冠层LAI；在此基础上,进行叶生物量和AGB的估算。最后,利用森林一类清查数据推算的AGB对遥感估算的AGB进行验证并评价森林背景反射率对乔木层AGB遥感估算的影响。

1 研究区和数据

1.1 研究区

研究区位于中国东北大兴安岭(包括内蒙古大兴安岭和黑龙江大兴安岭)林区(图1)。大兴安岭林区是全国面积最大的天然林区,也是重要的林业基地之一。它北起黑龙江畔,南至西林木河上游谷地,南北长1 200km,东西宽200～300km,海拔1 100～1 400m。大兴安岭东南坡较陡,西北坡向内蒙古高原和缓倾斜,东南坡夏季受海洋季风影响,雨水较多,西北坡却较干旱,是我国森林和草原的分界线。该地区受寒温带大陆季风气候影响,年均气温-5.0 ℃,年降雨量400～500mm,其中80%～90%的降雨集中在7—8月份,年雪覆盖天数200d左右,生长季为80～100d。研究区主要树种包括兴安落叶松(Larixgmelinii(Rupr.) Kuzen.)、白桦(BetulaplatyphyllaSuk)、樟子松(PinussylvestrisL.var.mongholicaLitv.)和杨树(PopulusL.)。林下植被以杜鹃(RhododendronsimsiiPlanch.)、越桔(Vacciniumvitis-idaeaLinn.)、杜香(LAIedumpalustreL.)为主[6]。

图1 研究区示意图及森林类型图

1.2 数据来源及预处理

1.2.1 遥感数据

该研究所用的遥感数据MODIS陆地标准产品[10],包括地表覆盖类型数据(MCD12Q1)、反射率数据(MOD09A1)和MODIS BRDF模型参数产品(MCD43A1)。分幅号为h25v03,时间段为2005,2008,2010,2011和2013共5年,分辨率为463.3 m。MODIS数据下载以后,利用重投影工具(MRT)将正弦(SIN)投影转化为通用横轴墨卡托投影(UTM)投影,在此基础上进行图幅拼接、影像裁切和地理校正等。

另外,本研究从美国地质调查局(USGS)网站[11]上下载了与塔河实测数据获取时间最接近、云量小于6 %的陆地资源卫星(Landsat)专题制图仪(TM)影像,分幅号为121/024,获取时间为2011年6月26日,分辨率为30 m。对其进行条带修复、几何校正和辐射校正处理。

1.2.2 野外实测数据

2011年8月7—12日、2012年8月12—16日分别在塔河和根河选择了有代表性的59个样方进行了野外观测。观测的变量包括:树冠高度、树冠密度、树冠半径、树干高度、胸径(DBH)、森林冠层有效叶面积指数(LAIe)和聚集度指数(Ω)。其中,树冠高度、树冠密度、树冠半径、树干高度和DBH利用激光测距仪(Leica-D2)和皮尺进行测量,LAIe和聚集度系数分别采用植物冠层分析仪LAI-2200[12]和TRAC[13]观测,并基于聚集度指数将LAIe转化为LAI(LAI=LAIe/Ω)。

表1 野外实测数据基本信息

注:针对每个样方、不同森林类型都是测量以上参数。

1.2.3 森林清查数据

所用的数据为第七次和第八次森林一类清查数据,主要参数包括森林面积、材积、林龄、森林类型等。研究区横跨内蒙古大兴安岭和黑龙江大兴安岭两部分,两个省份对应两次的森林清查时间分别为2008,2013和2005,2010(本文选择部分遥感数据获取时间的原因),利用该清查数据推算得到研究区内各县(市)森林乔木层AGB总量。

2 研究方法

研究分3步进行:1)森林背景反射率提取:基于MODIS BRDF数据和四尺度几何光学模型,提取森林背景反射率。2)冠层LAI遥感反演:利用获得的MODIS反射率数据反演生成两套LAI数据；生成第一套LAI数据时,利用第一步生成的具有时空变化的森林背景反射率对冠层反射率计算的植被指数进行订正后,再输入到LAI反演算法；生成第二套LAI数据时,将冠层反射率计算的植被指数直接输入到LAI反演算法。3)乔木层AGB估算:根据遥感反演的LAI数据和不同森林类型(常绿针叶林、落叶针叶林、落叶阔叶林和混交林)的比叶面积指数(SLA)估算叶生物量,结合基于实测数据建立的叶生物量与AGB关系方程进行AGB估算,利用由森林清查数据推算的AGB验证AGB遥感估算结果,评价森林背景反射率变化对AGB估算的影响。

2.1 背景反射率提取

首先基于Pisek等人[8]的方法提取森林背景反射率。该方法假设遥感图像上每个像元的反射率是光照冠层、光照背景,阴影冠层和阴影背景4个分量反射率加权平均值:

Rn=RTKPTn+RGKPGn+RZTKZTn+RZGKZGn

(1)

式中,R为反射率；K为观测到的不同分量的百分比,利用四尺度几何光学模型进行模拟；而下标PT，PG，ZT和ZG分别指光照冠层、光照背景、阴影冠层和阴影背景。如假设森林冠层和背景反射率在给定的光照条件下随观测角度变化很小、阴影冠层和阴影背景的反射率可以表示为各自光照部分反射率与多次散射因子M的乘积,森林背景反射率可以利用在两个观测角度的冠层遥感反射率求出:

(2)

式中,RG为背景反射率；n为星下点方向,a为另一观测天顶角度(本文取40°),这两个角度的反射率利用MCD43A1数据和半经验核驱动模型[14]模拟生成。

2.2 森林冠层LAI遥感反演

2.2.1 基于TM数据的森林LAIe反演

为降低样方尺度的实测LAIe与基于MODIS数据反演的LAIe之间由于空间尺度不同带来的误差,本研究以Landsat TM图像反演的高分辨率LAIe作为实测LAIe与MODIS LAIe之间的桥梁,来验证基于MODIS数据的LAIe遥感反演结果。

在生成高分辨率LAI分布图时,是通过建立由Landsat图像求出的修正的归一化植被指数(MNDVI)[15]与实测LAIe之间的经验统计关系实现的。该指数能够有效地减少林下植被等背景信息对近红外波段的影响,从而减少背景反射率对高分辨率LAIe(TMLAIe)反演的影响。

2.2.2 基于MODIS数据的森林LAI反演

在生成森林背景反射率数据后,用其与MODIS反射率数据(MOD09A1)和地表覆盖类型数据(MCD12Q1)共同驱动Deng等人[16]于2006年提出的算法反演LAIe。该算法基于四尺度几何光学模型模拟的不同条件下比值植被指数(SR)和减小的比值植被指数(RSR)与LAIe之间关系分别建立查找表,进而反演LAIe。

本研究区内多山区,地形变化大,SR对地形影响的敏感性较RSR低[6]。另外,在Deng等人[16]发展的LAIe反演算法中,由于RSR对植被类型和背景不敏感,基于RSR进行LAIe反演的主要目的是为了减弱森林背景反射率变化对森林LAIe反演的影响,而本文是为了探究及消除森林背景反射率对LAIe反演的影响。因此,基于SR进行的LAIe反演更适合本研究。

利用方程3对冠层反射率计算的SR进行订正以消除背景反射率对LAIe反演造成的影响[17]:

(3)

将利用方程(3)计算的SR＇输入到LAIe反演算法得到去除林下背景反射率影响的森林冠层LAIe。相反,直接由SR反演的LAIe包含了林下背景的贡献。利用遥感反演的叶片聚集度指数[18],将LAIe转换为LAI,生成2012年8天一景的LAI时间序列数据。为了减少该LAI时间序列数据中的噪音,对其进行了平滑处理。在此基础上,生成每年生长季(第169—217天)内LAI平均值分布图。

2.3 森林乔木层AGB估算

2.3.1 基于实测数据(包括清查数据)的AGB估算

本研究采用生物量建模工作所研建的二元生物量模型[19]作为实测单木生物量计算的基础模型,并依据各省的样木表,利用DBH和树高等因子计算单木各器官生物量,进而求和得到单木AGB；然后,将单木AGB按样地进行汇总。对于森林一类清查数据,根据平均生物量法将样地AGB扩展到县(市)尺度,从而求出每个县(市)总森林乔木层AGB。

2.3.2 基于遥感数据的AGB估算

森林乔木层AGB根据DBH和树高估算[20]:

AGB=α1×(D2H)β1

(4)

式中,D和H分别代表DBH和树高；α1和β1为系数。

叶生物量Mf估算为:

Mf=α2×(D2H)β2

(5)

式中,α2和β2为系数。

将方程(5)代入方程(4)可以得到:

AGB=δ×Mfγ

(6)

式中,δ和γ分别为系数,根据野外观测数据确定。

叶生物量Mf又可表示为:

Mf=LAI/SLA

(7)

式中,SLA是比叶面积指数,根据文献数据确定[21]。

利用方程(6—7),结合年最大LAI数据和SLA指数可以估算每个像元的森林乔木层AGB。

2.4 结果验证

该研究区由于缺乏系统的森林背景反射率实地观测数据,鉴于林下植被与周围草地具有相似的气候条件和组成结构,利用邻近草地的MODIS反射率结果间接验证背景反射率提取结果的季节变化趋势[9]；利用塔河地区由Landsat影像反演出的高分辨率森林LAIe对MODIS反演的低分辨率LAIe进行验证；利用基于森林一类清查数据推算的县(市)AGB总量对基于遥感数据反演的AGB进行验证。

3 结果与分析

3.1 背景反射率结果与分析

图2是利用方程(2)和MCD43A1数据提取的森林背景反射率与邻近草地MOD09A1反射率平均值的季节变化趋势比较。在冬季(第1—89天以及297—361天),由于地面积雪的覆盖,提取的红光和近红外波段背景反射率都处于高值,与邻近草地反射率的变化趋势一致,但比草地反射率略低；从第89天开始,草地和背景的反射率都呈现下降趋势,这是由于随着温度升高,地面积雪开始融化；生长季开始后(第121天以后),随着林下植被的生长,近红外波段的背景反射率上升；第241天后,随着气温的下降,林下植被开始枯黄,近红外波段的背景反射率下降。总体来看,背景与邻近草地反射率具有相似的季节变化特征。

图2 提取的森林背景反射率与邻近草地反射率平均值全年变化比较

通过将求出的背景反射率季节变化曲线与邻近草地反射率季节变化曲线相比较,我们求出的森林背景反射率相对可靠。但是从理论上讲,如果背景反射率与总的冠层反射率并无差别,那么林下背景信息对森林冠层LAIe及其他结构参数的影响无足轻重。为了探究背景反射率与总反射率值是否近似,我们从研究区裁剪出一景150×150像元大小的图像分别从红光波段和近红外波段对两者进行比较。从图3a中可以看出,总反射率在红光波段和近红外波段的值都远远小于林下背景在红光和近红外波段的反射率,且两者在红光波段比近红外波段反射率差异更大。这也直接导致一般情况下在林分尺度由背景反射率计算出的SR值小于冠层总反射率计算出的SR值(图3b)。尽管本研究区还没有实测数据验证区域尺度背景反射率与总反射率的关系,但是从图3中两者之间反射率关系以及由反射率求出的SR值相对于1∶1线的明显偏移进一步证明了背景反射率在森林结构参数反演中的影响不容忽视,且为消除森林LAI遥感反演时的高估效应提供依据。

3.2 反演的冠层LAI验证

图4a是基于Landsat图像求出的MNDVI与实测LAIe建立的统计关系,根据该关系可以反演出高分辨率TM LAIe。利用该TM LAIe对利用MODIS数据在去除和未去除背景影响两种情况下反演的2012年第169天的森林冠层LAI与塔河实测森林冠层LAI进行验证(图4b)。结果表明:不去除背景反射率时,反演的LAI比TM LAIe系统偏高；去除背景反射率影响后,反演的LAIe与TM LAIe的一致性明显增强,R2从0.32提升至0.48,置信水平由90 %提高到99 %。这表明,对森林背景反射率的影响进行订正,可提高LAI遥感反演结果的可靠性。

图3 背景反射率与森林冠层总反射率的比较

图4 实测LAIe与MNDVI之间的统计关系图(a)和利用TM LAIe对MODIS LAIe进行验证图(b)

3.3 叶生物量与乔木层AGB之间关系

图5给出了根据样方观测数据推算的不同类型森林叶生物量与乔木层AGB之间的关系。可以看出,对于针叶林、阔叶林和混交林而言,叶生物量与乔木层AGB之间相关性都达到0.01的显著水平,说明根据叶生物量估算AGB是可行的。但是,应该注意的是,对于针叶林和混交林,在3个AGB较大的样方(图中圆圈处),叶生物量与AGB相关性变差,这与已有的研究结论类似[22]。叶生物量与乔木层AGB之间关系呈现较弱的非线性,拟合的方程(6)中的δ和γ系数在不同森林类型之间存在较为明显的差异。

图5 根据样方观测数据推算的不同森林类型叶生物量与地上生物量密度AGB之间关系

3.4 遥感估算的生物量空间分布

图6是利用去除背景反射率影响后反演的2013年LAI估算的叶生物量和森林乔木层AGB空间分布图。大部分地区叶生物量密度分布为4～6 t/hm2左右,研究区中部的叶生物量密度(0～4t/hm2)低于研究区周边的叶生物量密度(4～8 t/hm2)(图6a)。大部分地区的AGB密度变化范围为60～80t/hm2,这与毛学刚等人[23]在小兴安岭以及范文义等人[24]在长白山研究结果相似。针叶林的AGB密度(110t/hm2左右)高于阔叶林(50 t/hm2左右)和混交林(70 t/hm2左右)的AGB密度。有研究表明:在大兴安岭林区,除了幼龄林外,其它龄组(中龄林、近熟林和成熟林)的落叶松林(主要的针叶林树种)生物量都高于白桦(主要的阔叶林树种)的生物量[25],与本文的研究结果较为一致。

图6 生物量空间分布图

3.5 森林乔木层AGB遥感估算结果验证

图7为利用森林清查数据推算出的各行政区森林乔木层AGB总量对基于遥感数据估算的各行政区乔木层AGB总量验证的散点图。从图7中可以看出,去除背景信息影响后估算出的各行政区AGB总量与基于清查数据估算出的AGB各行政区总量相关性(R2=0.86)较未去除背景影响估算出的各行政区AGB总量与之相关性(R2=0.52)更高；均方根误差(RMSE)前者为53.6 Tg,也远远低于后者 117.0 Tg；去除背景影响后,置信水平从95 %提高到99 %,且散点的分布更接近于1:1线,趋势线的截距从38.75 Tg降低到15.41 Tg,AGB高估现象得到有效纠正。从研究区AGB总量来看,第七次森林清查数据期间,去除背景信息影响估算出的研究区内AGB总量为469.6 Tg,相对于未去除背景信息影响估算出的研究区内AGB总量554.1 Tg,前者更接近基于第七次森林清查数据估算出的研究区内AGB总量(408.7 Tg)。同样,对于第八次清查数据,未去除背景影响估算出的研究区内AGB总量为675.3 Tg,相对于去除背景影响后基于遥感数据估算出的研究区内AGB总量(531.1 Tg),前者更接近基于第八次森林清查数据估算出的研究区内AGB总量(428.2 Tg)。

图7 遥感估算的AGB与一类清查数据推算的AGB比较

4 结论与讨论

论文利用MODIS BRDF数据提取了森林背景反射率,联合该数据和MODIS反射率数据反演了森林冠层LAI,进而估算了森林乔木层AGB,用森林一类清查数据推算的AGB对遥感估算结果进行验证,评价背景反射率对森林地上生物量遥感估算的影响。主要结论如下:

1) 林下植被等背景反射率的干扰会影响冠层LAI遥感反演的精度,用遥感提取的背景反射率信息对背景影响订正后,反演的LAI与实测数据之间的相关性明显提高,R2由0.32(n=25,p<0.1)增大到0.48(n=25,p<0.01)。

2) 根据样方数据推算的森林叶生物量与乔木层AGB之间具有较好的相关性(R2>0.75,p<0.01),通过遥感数据反演LAI估算叶生物量,进而估算AGB是可行的。

3) 验证表明,去除森林背景反射率影响后,可提高遥感估算的AGB与利用森林一类清查数据估算的AGB之间的一致性,R2由0.52(n=10,p<0.05)上升到0.86(n=10,p<0.01),AGB高估现象得到明显纠正。

由于资料和方法等方面的限制,本研究还存在以下不确定性:

1) 在利用森林清查和调查数据验证遥感数据估算的森林乔木层AGB结果时,由于两者空间分辨率、调查时间的不同,势必会对验证结果带来一定的影响。另外,由森林清查和调查数据推算的AGB也存在一定的误差,也会影响验证结论。

2) 根据冠层LAI推算叶生物量时,SLA是关键参数,现有的遥感技术还不能对其进行制图。直接将罗天祥等人[21]实测的不同树种SLA用于落叶针叶林、常绿针叶林、落叶阔叶林和混交林,会导致估算的叶生物量和AGB的误差。

3) 根据样地观测数据推算的叶生物量和乔木层AGB具有显著的相关性,但是随着生物量的增大,两者之间相关性变差,会影响AGB的估算结果。

本文利用遥感提取的背景反射率对背景影响进行订正,取得了一定的效果。但是,反演的LAI和估算的AGB还存在高估现象,是背景影响仍然存在还是其他原因还有待深入研究。

志谢

本研究实测森林结构参数数据来自于南京大学国际地球系统科学研究所,森林清查数据来自于国家林业局调查规划设计院。

[1]Houghton R.Aboveground forest biomass and the global carbon balance[J].Global Change Biology,2005,11(6):945-958.

[2]黄金龙.基于BEPS模型和遥感的森林地上生物量更新方法研究[D].南京:南京大学,2014:1-60.

[3]朱高龙.帽儿山地区森林冠层叶面积指数的地面观测与遥感反演[J],2010,21(8):17-24.

[4]焦桐,刘荣高,刘洋,等.林下植被遥感反演研究进展[J].地球信息科学,2014,16(4):602-608.

[5]李登秋.亚热带森林碳收支变化特征及其成因模拟分析[D].南京:南京大学,2014:1-83.

[6]马建德.基于MODIS数据的森林背景反射率提取方法研究[D].南京:南京大学,2014:1-45.

[7]Garrigues S,Lacaze R,Baret F,et al.Validation and intercomparison of global Leaf Area Index products derived from remote sensing data[J].Journal of Geophysical Research:Biogeosciences,2008,113(G2):1-20.

[8]Pisek J,Rautiainen M,Heiskanen J,et al.Retrieval of seasonal dynamics of forest understory reflectance in a Northern European boreal forest from MODIS BRDF data[J].Remote Sensing of Environment,2012,117:464-468.

[9]Pisek J,Chen J M.Mapping forest background reflectivity over North America with Multi-angle Imaging SpectroRadiometer (MISR) data[J].Remote Sensing of Environment,2009,113(11):2412-2423.

[10]NASA.Data[EB/OL].[2017-07-01].http://modis.gsfc.nasa.gov/.

[11]美国地质调查局.USGE[EB/OL].[2017-07-01].http://earthexplorer.usgs.gov.

[12]Chen J,Black T.Measuring leaf area index of plant canopies with branch architecture[J].Agricultural and Forest Meteorology,1991,57(1-3):1-12.

[13]Chen J,Cihlar J.Plant canopy gap-size analysis theory for improving optical measurements of leaf-area index[J].Applied Optics,1995,34(27):6211-6222.

[14]Roujean J L,Leroy M,Deschamps P Y.A bidirectional reflectance model of the earth’s surface for the correction of remote sensing data[J].Journal of Geophysical Research-Atmospheres,1992,97:55-68.

[15]Nemani R,Pierce L,Running S,et al.Forest ecosystem processes at the watershed scale:sensitivity to remotely-sensed leaf area index estimates[J].International Journal of Remote Sensing,1993,14(13):2519-2534.

[16]Deng F,Chen J,Plummer S,et al.Algorithm for global leaf area index retrieval using satellite imagery[J].IEEE,2006,44(8):2219-2229.

[17]Pisek J,Chen J,Alikas K,et al.Impacts of including forest understory brightness and foliage clumping information from multiangular measurements on leaf area index mapping over North America[J].Journal of Geophysical Research,2010,115:1-13.

[18]柳艺博,居为民,陈镜明,等.2000—2010年中国森林叶面积指数时空变化特征[J].科学通报,2012,57(16):1435-1445.

[19]碳汇林.全国优势树种(组)异速生长方程[EB/OL].[2017-06-01]http://www.carbontree.com.cn/NewsShow.asp?Bid=6538.

[20]Wirth C,Schumacher J,Schulze E-D.Generic biomass functions for Norway spruce in Central Europe—a meta-analysis approach toward prediction and uncertainty estimation[J].Tree Physiology,2004,24(2):121-139.

[21]罗天祥.中国主要森林类型生物生产力格局及其数学模型[D].北京:中国科学院地理科学与资源研究所,1996:1-197.

[22]Zhang X.Estimating forest biomass in the USA using generalized allometric models and MODIS land products[J].Geographical Rearch letter,2006,33(9):1-5.

[23]毛学刚,李明泽,范文义,等.近30年来小兴安岭地区生物量变化及地统计分析[J].地理研究,2011,30(6):1110-1120.

[24]范文义,李明泽,杨金明.长白山林区森林生物量遥感估测模型[J].林业科学,2011,47(10):16-20.

[25]胡海清,罗碧珍,魏书精,等.大兴安岭 5 种典型林型森林生物碳储量[J].生态学报,2015,35(17):5745-5760.

Assessing the Impacts of Forest Background Reflectance on Estimating Aboveground Biomass—a case study of forest area in Great Khingan

LU Xiaoman,ZHENG Guang,JU Weimin,DAI Shengpei,GAO Lun

(InternationalInstituteforEarthSystemScience,NanjingUniversity,Nanjing210023,China)

Remote sensing technology is of great importance to estimating large-scale forest canopy leaf characteristics dynamically,and there is a good statistical relationship between forest aboveground biomass (AGB) and leaf biomass.It is feasible to estimate leaf biomass and then AGB based on canopy effective leaf area index (LAIe) estimated from remotely sensed data.However,the forest background information,such as understory vegetation,has a negative influence on LAIe and AGB retrieval by this way.Therefore,this paper focused on exploring the impacts of forest background reflectance on LAIe and AGB inversion in the Great Khingan forest area using moderate resolution imaging spectroradiometer (MODIS) data and a four scale model.The results showed that both LAIe and AGB were sensitive to the forest background reflectance.The determinate coefficient (R2) between MODIS-and Landsat thematic mapper (TM)-based LAIe increased from 0.32 (n=25,p<0.1) to 0.48 (n=25,p<0.01) when eliminating the influence of background reflectance on LAI inversion.Also,the AGB estimates were more related to the national forest inventory (NFI)-based AGB after considering the effects of forest background (R2=0.86,n=10,p<0.01).Forest LAI and AGB overestimation could be put right in this research.

background reflectance,LAI,foliage biomass,forest AGB

2017-04-22；

2017-06-06

“全球变化及应对”重点研发专项(2016YFA0600202)

卢晓曼(1991-)，女，河南周口人，硕士，研究生，主要从事森林结构参数定量遥感反演研究。 Email:luxmnju@163.com

郑光(1982-)，副教授，硕导，主要从事利用光学和LIDAR遥感定量反演植被结构、物理和生化参数研究。 Email:zhengguang1982@gmail.com

S757.2；TP79

A

1002-6622(2017)04-0059-10

10.13466/j.cnki.lyzygl.2017.04.010