基于Landsat影像的梭磨乡冷杉林地上碳储量估测及其时空动态

乌迪, 巫明焱, 陈佳丽, 董光, 程武学,*



基于Landsat影像的梭磨乡冷杉林地上碳储量估测及其时空动态

乌迪1,2, 巫明焱1,2, 陈佳丽1,2, 董光1,2, 程武学1,2,*

1. 四川师范大学地理与资源科学学院中心实验室, 成都 610101 2. 四川师范大学西南土地资源评价与监测教育部重点实验室, 成都 610068

森林碳储量研究对森林质量评价、林业资源科学管理及森林生态结构保护具有重要意义。以四川省马尔康县梭磨乡冷杉林为研究对象, 以2010年森林资源调查实测数据和同年Landsat遥感影像数据为基础, 采用逐步线性回归方法, 构建2010年地面冷杉林地上碳储量和遥感因子的多元线性回归模型。然后, 基于伪不变特征原理的相对辐射校正法计算2010年冷杉林地上碳储量估测模型与1995年、2000年、2005年和2015年四期影像数据的相关关系, 分别估测了1995年、2000年、2005年、2010年和2015年研究区冷杉林地上碳储量, 从而揭示出近20年来马尔康县梭磨乡冷杉林地上碳储量的时空动态变化特征。研究结果表明: 从空间分布看, 研究区冷杉林地上碳储量主要分布在贯穿全区东西方向且海拔3000—4000 米的区域; 从时间分布看, 1995—2015年间, 研究区冷杉林地上碳储量总量和碳密度呈持续上升趋势, 森林碳储量结构处于良性发展阶段。该研究结果对高山峡谷地区森林碳储量的后续研究有一定参考价值。

Landsat影像; 碳储量; 生物量; 冷杉; 多元回归; 时空动态

0 前言

森林碳储量的研究起始于1876年Ebermeryer对森林树种不同部位重量的测定[1]。从20世纪50年代开始, 森林碳储量的研究逐渐开始受到关注, 如日本、美国等[2-3]。到20世纪70年代, 全球碳循环的研究引起人类的普遍关注[4]。中国在森林碳储量研究领域起步相对较晚, 起始于20世纪70年代后期, 李克让与陈冠雄共同完成的土壤利用的改变与主要温室气体净排放和对策研究, 为我国森林碳储量研究打下基础[5]。后来, 方精云等建立了我国主要森林类型的林木蓄积量与生物量之间的相关式, 提高了我国森林碳储量的估算精度[6]。近年, 李雷达等结合材积源生物量法估算了湖南省现有森林植被碳储量、碳密度及其区域空间分布格局, 表明我国森林碳储量的相关研究已比较广泛[7]。

纵观现有研究, 空间研究尺度单一、估算精度有待提高、多源数据需标准化等碳储量研究的现实问题还需进一步完善解决[8]。随遥感技术的不断成熟, 特别是Landsat卫星数据独特的优势以及其与森林碳储量之间存在相关性[9], 使其作为一种新兴手段, 高效获取多种环境因子信息, 进而估算森林植被碳储量比传统方法对森林碳储量估测更加优越[10]。本文拟采用2010年森林资源调查实测数据和同年Landsat遥感影像数据, 采用逐步线性回归方法, 构建地面冷杉林碳储量和遥感因子的多元线性回归模型, 并依据伪不变特征原理的相对辐射校正法, 以建立的2010年的模型推演1995年、2000年、2005年和2015年的研究区冷杉林地上碳储量, 并研究其时空变化特征。研究有助于推进遥感数据在森林信息提取和冷杉遥感定量估测方面应用的深度和广度, 提高遥感数据的应用价值; 更有利于管控和维持林区良好的自然环境, 保护森林生态结构, 对社会的可持续发展有着重要的理论和现实意义[11]。

1 研究区概况

梭磨乡地处青藏高原南缘, 四川盆地西北部, 阿坝州南部, 马尔康县境东南端, 介于102°21′E—102°40′E和31°35′N—32°07′N之间(图1)。海拔2900—5500 m, 面积约为1093 km2, 人口约0.2万。其气候属低纬度、高海拔的高原大陆季风气候与高山峡谷立体气候, 冬干夏湿、雨热同季、四季不分明, 大部分地区无夏季, 日照充足、昼夜温差大。年均气温8—9 ℃, 年降水量753 mm, 年均日照2000 h以上, 绝对无霜期120 d。空气质量达到中国Ⅰ级标准。全乡地处深山峡谷区, 群山环抱, 植被分布广泛, 可分为阔叶林、针叶林、箭竹林、灌丛、草甸及流石滩植被等六大类型。其中, 冷杉、云杉、落叶松以及桦、高山栎等分布较广。天然林场和原始森林林区主要分布于海拔2400—4000 m之间, 以亚高山暗针叶林为主, 优势树种为岷江冷杉。林区植被垂直地带性明显, 类型和生境随海拔变化及坡向不同而分异, 海拔在4000 m以上多为牧草。梭磨乡境内植被资源丰富, 是大渡河上游重要的生态屏障[12]。

2 研究数据与研究方法

2.1 研究数据

研究区矢量数据主要是矢量行政边界, 数据来源于研究区林业部门; 栅格数据是1995年、2000年、2005年、2010年及2015年8月的五期Landsat卫星影像和SRTM1 30米DEM数据, 数据来源于美国卫星遥感数据网站USGS(https: //glovis.usgs.gov/); 样地数据主要是实地调查采样收集及2010年梭磨乡冷杉林业小班数据。实测数据主要在研究区1: 5万地形图上以1000 m×1000 m进行系统样点布设[13], 共满幅均匀布设117个面积为30 m×30 m的样地。在保证优选样地空间位置分布均匀的条件下, 遵从随机抽样原则, 从中筛选出地表覆盖均质、林分未经间伐、生长正常并具有代表性的90个样地作为研究样本。依据满足建模与精度检验需要的3: 1比例将90块样地分为两组, 前者共68块样地, 用于建立模型; 后者共22块样地, 用于验证模型精度。

图1 梭磨乡地理位置图

Figure 1 The geographical location of Suomo township

2.2 研究处理与因子提取

2.2.1 遥感数据预处理

以2010年已校正的Landsat影像产品为参照, 选取地面控制点, 用二次多项式模型, 对其余四期Landsat待校正影像进行几何精校正, 使像元误差保持在一个像元范围内, 以满足研究需要。接着, 对几何精校正后的影像进行地形校正, 用来消除地形起伏给传感器接受信号所带来的影响。然后对上步结果进行辐射定标, 使原始像元值转化为辐射亮度值(Radiance), 单位: µW·cm-2·sr·nm。再对结果进行FLAASH大气校正。由图2表明: FLAASH大气校正有效的修正了影像因大气而造成的辐射误差, 使校正过的数据更趋近于真实植被波谱曲线特征。

最后, 叠加大气校正后的Landsat遥感影像与研究区矢量边界, 对Landsat遥感影像和DEM数据进行研究区裁剪。

2.2.2 冷杉林地上生物量建模相关因子选取

影响植被生长的因素复杂多样, 参考生物量相关定量遥感研究[14], 本文共选取三类相关性显著且信息独立性好的建模因子。即: 遥感影像7个波段(蓝波段、绿波段、红波段、近红外波段、短波红外1波段、长波红外波段、短波红外2波段); 7个植被指数(比值植被指数: RVI、差值植被指数: DVI、归一化植被指数: NDVI、绿度植被指数: GVI、亮度植被指数: BVI、湿度植被指数: WBI、中红外植被指数: VI3), 其计算公式见表1; 3个地学因子(坡度、坡向、海拔), 由DEM数据生成; 3个生长因子(郁闭度、盖度、林龄), 由地面实测林业小班数据获得。再使用ArcGIS软件的“提取至点”工具, 针对90个有效样地, 分别提取上述20个建模所需相关因子信息。研究区建模样本的基本统计量见表2。

注: 前图纵坐标为大气校正前的原始图像像元DN值(无量纲), 横坐标为波长(单位: μm); 后图纵坐标是大气校正后的地表反射率值, 横坐标为波长(单位: μm)

Figure 2 The original image, vegetation pop curve and FLASSH vegetation image after atmospheric correction

表1 植被指数计算公式

2.3 碳储量研究方法

选取野外样地实测的梭磨乡冷杉植株的胸径和树高等信息, 以二元材积表为依据, 计算冷杉植株的材积, 其公式[15]为:

G= C0×DC1×HC2

式中G为材积(m3); D为平均胸径(cm); H为树高(m); C0为0.0000711712520; C1为1.9327326; C2为0.91161229。

在计算冷杉材积的基础上, 进而来求得样地冷杉的蓄积量, 然后利用材积源生物量法, 选取适合本地区的蓄积—生物量模型, 计算出样地冷杉的生物量[16]。

W=2.137×V0.7532

式中: W为生物量(t·hm-2); V为蓄积量(m3·hm-2)。

通过资料查找, 研究区冷杉生物量和碳储量之间的转换系数为50.50%[12], 以此计算出样地区森林植被的碳储量。再依据样地相关因子与碳储量的相关性, 建立多元线性回归模型, 实现整个研究区森林植被碳储量的估算。最后, 再基于伪不变特征原理的相对辐射校正法计算2010年梭磨乡冷杉林地上碳储量估测模型与1995年、2000年、2005年和2015年四期影像数据的相关关系, 推演其他四个年份的冷杉林地上碳储量估测模型, 实现研究区森林植被碳储量的时空动态研究。

3 结果与分析

3.1 冷杉林地上碳储量模型构建

3.1.1 因子相关性分析

以样地生物量为因变量, 其它因子为自变量, 做双变量相关性分析, 计算相关系数矩阵[17]。从分析结果中可得, 由Landsat遥感数据和实测数据提取的相关因子与生物量有很好的相关性。其中有B(蓝光波段)、BVI、海拔、林龄和郁闭度等多个因子与生物量在0.01水平上呈现显著相关, 说明各因子中包含了大量的植被生长信息(见表3)。

表2 研究区建模样本的基本统计量

表3 因子与生物量相关性分析

*在0.05水平上显著相关, **在0.01水平上显著相关。

3.1.2 冷杉林地上碳储量模型建立

在SPSS统计分析软件中, 将120个相关因子, 作为多元线性回归方程的自变量代入方程。利用逐步多元线性回归方法对以上所有样地数据进行回归分析, 构建冷杉林地上生物量多元线性回归模型[18], 再依据生物量与碳储量的转换系数, 获得研究区冷杉林地上碳储量估算模型:

C=2.754L+0.623F+0.362G—76.319B—33.010

式中: C为碳储量(t·hm-2); L为林龄(a); F为植被盖度(%); G为坡度(°); B为蓝光波段地表反射率。

3.1.3 冷杉林地上碳储量模型精度验证

对梭磨乡冷杉林地上碳储量模型进行方差分析, 模型的R2值为0.837, 调整后的R2值为0.825。研究中的碳储量和建模因子显著相关, 所构建的模型具有统计学意义[19], 能较好的筛选出相关性因子, 并依据因子构建合适的碳储量估算模型。

然后, 再对模型预测值与实测值进行配对样本T检验, 结果表明: 模型预测值与实测值在0.01水平上显著相关, 相关性达到0.869, 两者之间差异性不显著。说明模型拟合度较好, 在估测生物量时有着较高的可靠性, 见表4。

最后利用22个精度验证样地数据, 计算与该模型的拟合效果, 评价建立多元线性回归模型的精度。结果表明生物量模型的预测值与实测值的拟合趋势一致性较高(图3), 拟合率满足精度要求, 该估算模型的估测结果可信度较强。

3.2 冷杉林地上碳储量反演

依据上述建立的2010年梭磨乡冷杉林地上碳储量估测模型, 使用基于伪不变特征原理的相对辐射校正法, 计算该估测模型与1995年、2000年、2005年和2015年四期影像的相关关系, 继而求得这四个年份梭磨乡冷杉林地上碳储量估测模型。该方法主要通过对比多时相遥感影像上的不随时间变化而改变的固定特征地物象元, 并对其进行回归分析, 寻找模型间的相关关系。各年份相同自变量之间的回归关系方程见表5。

上表公式中B2010为2010年样地蓝光波段表观反射率值, B1995、B2000、B2005和B2015分别是1995年、2000年、2005年与2015年样地蓝光波段表观反射率值。

表4 预测值&实测值配对T检验统计

图3 模型预测值和实测值拟合图

Figure 3 The fitting graph of predicted and measured values

表5 相同自变量之间的回归关系方程

将上述回归关系方程代入2010年梭磨乡冷杉林地上碳储量模型, 可获得另外四个年份的梭磨乡冷杉林地上碳储量估算模型(表6)。

其中C1995、 C2000、C2005和 C2015分别是1995年、2000年、2005年与2015年梭磨乡冷杉林地上碳储量(t·hm-2); L为林龄(a); F为植被盖度(%); G为坡度(°); B为蓝光波段地表反射率。

3.3 1995—2015年梭磨乡冷杉林地上碳储量时空动态变化分析

3.3.1 1995—2015年梭磨乡冷杉林地上碳储量时间动态变化分析

通过构建的冷杉林地上碳储量估算模型, 估算各年份冷杉林地上碳储量, 结果表明: 梭磨乡冷杉林地上碳储量从1995年的591339.68 t增长至2015年的992845.88 t(图4), 而平均碳密度由1995年的30.03 t·hm-2, 变化至2015年的50.41 t·hm-2。其冷杉林的碳储量值呈持续增长状态, 年均碳储量增长20075.31 t。

分析1995年、2000年、2005年、2010年和2015年五年估测的地上碳储总量和平均碳密度变化速率信息(图5), 梭磨乡冷杉林地上碳储量增长量和平均碳密度增长量分别从1995年的81710.66 t和4.15 t·hm-2, 变为2015年的127728.91 t和6.49 t·hm-2。1995—2015年间的20年间的碳储量增长量和碳密度增长量变化总趋势均为: 整体增加, 局部呈现先上升, 后下降, 再上升的波动式状态。

表6 1995、2000、2005与2015年的梭磨乡冷杉林地上碳储量模型

图4 1995—2015年梭磨乡冷杉林地上碳储量变化

Figure 4 The changes of aboveground carbon storage of fir forest in Suomo township from 1995 to 2015

图5 1995—2015年梭磨乡冷杉林地上碳储量增长量变化

Figure 5 The changes in growth quantity of aboveground carbon storage of fir forest in Suomo township from 1995 to 2015

把冷杉林碳储量分为≤20、20—30、30—40、40—50和>50五个等级, 依次为低密度、较低密度、中等密度、较高密度和高密度。低密度和较低密度等级碳储量冷杉林面积比重由1995年的46.25%下降到2015年的10.06%; 中密度等级碳储量冷杉林面积由1995年的53.32%下降到2015年的31.28%; 较高密度和高密度等级碳储量冷杉林面积由1995年的0.44%上升到2015年的58.66%。由此表明: 这 20年间, 受天然林保护和退耕还林政策影响, 且受外界干扰较小, 梭磨乡较高密度和高密度冷杉林的面积比重不断增加, 冷杉林碳储量结构进入良性发展, 见表7。

3.3.2 1995—2015年梭磨乡冷杉林地上碳储量空间动态变化分析

森林碳储量的空间动态变化受自然和人类活动的共同影响, 由于梭磨乡人口密度小, 破坏性经济开发活动较少。多年来, 当地保存了相对原始的森林群落结构。在水平空间上, 梭磨乡冷杉林分布范围稳定, 生长在河谷两侧。碳储量分布区域大致以东西向贯穿梭磨乡全境的梭磨河谷为中心, 并沿梭磨河各南北向支流河谷向上游延展。其整体依托梭磨河流域, 呈树枝状分布(图6)。

表7 1995—2015年梭磨乡冷杉林地上碳储总量等级分布统计

为研究梭磨乡冷杉林地上碳储量在垂直空间上的分布变化特征, 把海拔划分为≤3000、3000—3500、3500—4000、4000—4500和≥4500五个等级, 再将五期碳储量分布图与DEM进行叠加分析。结果表明: 梭磨乡冷杉林地上碳储量在垂直空间上呈现出整体分布一致, 中间大, 两头小的空间分布特征, 即: 梭磨乡冷杉林地上碳储量总体分布于海拔2900—5000 m之间的区域, 但主要集中分布于海拔3000—4000 m的范围内, 而海拔在3000 m以下和4000 m以上的区域则相对分布较少。

对比20年梭磨乡冷杉林地上碳储量在垂直空间上随时间变化的特征, 结果表明冷杉林碳储量总量整体持续增长, 中间核心区持续上升, 边缘区持续下降。即: 梭磨乡冷杉林碳储量在海拔2900—5000 m范围内总量整体持续增长, 在海拔3000—4000 m的范围内碳储量持续增长, 而在海拔3000 m以下和海拔4000 m以上的区域碳储量则呈多年连续下降趋势。究其原因: 梭磨乡的自然地理环境适宜冷杉的生长且实施了天然林保护等森林保护措施, 冷杉林地上碳储量总量多年持续增长; 海拔3000—4000 m的核心区域, 森林植被群落完备使其结构稳定, 对外界干扰抵抗力较强, 此区域冷杉林长势良好, 地上碳储量持续增长; 3000 m以下的下边缘区域, 受到人类活动影响较大, 地上碳储量持续减少; 在海拔4000 m以上的上边缘区域, 地上碳储量也持续减少, 虽此区域人类活动较少, 但气候变化会导致的冷杉林退化, 见表8。

图6 1995—2015年碳储量空间分布

Figure 6 The spatial distribution of carbon storage from 1995 to 2015

坡度的变化调控着物质和能量的分布, 控制了植被生长的水热要素, 进而影响森林碳储量。把梭磨乡坡度划分为平坡(≤5°)、缓坡(5—15°)、斜坡(15—25°)、陡坡(25—35°)、急坡(35—45°)和险坡(>45°)六个梯度, 再将五期碳储量分布图与DEM进行叠加分析。结果表明: 梭磨乡冷杉林地上碳储量在坡度45°内呈现出随着坡度的上升而增加, 到45°后碳储量呈现下降的空间分布特征。梭磨乡冷杉林地上碳储量在坡度3—88°的区域均有分布, 但相对集中分布于25—45°的坡度范围内, 平均约占当年总碳储量的69.04%, 而在坡度26°以下和45°以上的区域则相对分布较少, 平均约占当年总碳储量的30.96%。

对比20年梭磨乡冷杉林地上碳储量在坡度上随时间变化的特征, 结果表明冷杉林碳储量整体持续增长, 碳储量在小坡度区域受人类活动影响较为显著, 而在大坡度区域与自然因素关系更为密切。即: 在坡度25—45°间碳储量先略有增加, 随后维持平稳; 在坡度大于45°时, 碳储量变化不大, 但略有下降; 而坡度小于25°时, 碳储量先减少后略有增加。探其原因: 梭磨乡的自然地理环境适宜冷杉的生长且实施了天然林保护政策, 所以冷杉林地上碳储量总量多年持续增长; 坡度为25—45°的高碳储量区域, 由于坡度逐渐不适于人类的生产开发活动, 减少了对森林的人为扰动, 森林生长发育进入良性发展, 所以碳储量在这个坡度区间上持续增长后日趋稳定。坡度在45°以上的区域, 由于坡度较大同样不利于人类活动, 但其相对不稳定地表易产生更多的滑坡等自然灾害, 所以碳储量在这个坡度区间的积累受自然因素的干扰大于人为因素; 坡度在25°以下的区域, 受到人类活动影响较大, 但随着近些年天然林保护和退耕还林等政策的实施以及公民环保意识的提升, 森林得到有效保护, 故碳储量在这个坡度区间上先减少后略有增加, 见表9。

表8 1995—2015年梭磨乡冷杉林地上碳储量在不同海拔上的分布特征

表9 1995年—2015年梭磨乡冷杉林地上碳储量在不同坡度上的分布特征

4 讨论

植被的碳储量值是衡量地区生态环境质量的重要指标, 研究植被碳储量对全球生态环境的保护意义重大。本文通过多元线性回归方法构建冷杉林地上碳储量模型, 并反演20年冷杉林地上碳储量估算模型, 结果表明梭磨乡冷杉林碳储量呈现持续增长的状态, 该结果与四川省森林碳储量多年变化趋势一致, 且在不同海拔、坡度的分布特征与已有学者的研究结论较一致[20]。说明本文构建的冷杉林地上碳储量估算模型对高山峡谷区冷杉林碳储量的估算结果较可靠; 大范围大尺度的碳储量研究为评价宏观尺度下森林植被的生态价值提供了依据[21-22], 而小范围碳储量的研究估算的精度则更准确, 能更好的估算区域碳汇价值及其影响因素[23-24]。本文针对梭磨乡特定冷杉树种的研究, 为该区域冷杉林地上碳储量估算建立了恰当的模型, 能较准确的反映高山峡谷地区该树种的固碳能力, 并估算大渡河上游流域该类型树种的碳汇价值, 对生态环境质量的评价具有重要意义。

在绝大多数的植被碳储量遥感研究中, 红光和近红外波段对植被更为敏感。但在本研究中, 蓝光波段却是梭磨乡冷杉林地上碳储量估测模型的主导因素之一, 且排除了红光波段和近红外波段。经过查阅大量国内外相关资料发现, 在针叶林植被遥感中, 有多位研究者的研究结果中也得出了相似的结论, 即: 相对于针叶林的碳储量估算模型来说, 红光波段和近红外波段并不一定占主导地位[25-26]。而这种情况是由于当地特殊地理环境造成的, 还是针叶林本身的叶片及生理结构造成的, 有待依据针叶林与Landsat遥感影像各波段之间相互作用的独特机理进行深入研究。

气象因子和土壤因子也会一定程度的影响森林碳储量的分布与变化。由于本文缺乏研究区实测气象数据和土壤数据, 使梭磨乡冷杉林地上碳储量估测研究局限于地表空间, 不能将研究空间延展到研究区森林生态系统的上层空间和下层空间, 实现对冷杉林地下碳储量及冷杉林植被总碳储量的完整估算是日后进一步研究的重点。

5 结论及建议

5.1 结论

依据Landsat影像数据和森林调查实测数据, 建立研究区冷杉林地上碳储量估测模型, 精度达到86.9%, 可较准确的反映研究区冷杉林地上碳储量时空动态变化特征。通过本文研究, 可得出以下结论:

(1)梭磨乡冷杉林地上碳储量的空间分布特征表现为: 在水平方向上, 碳储量整体依托梭磨河流域, 东西贯穿梭磨乡全境并向南北延伸, 呈树枝状分布。垂直方向上, 碳储量主要集中分布于海拔3000—4000 m之间, 呈现出中间大, 两头小的空间分布特征; 从坡度特征角度看, 碳储量集中分布于25—45°的坡度区间上, 坡度从0—45°区间碳储量呈上升趋势, 坡度在45°以上的区间碳储量呈下降趋势。

(2)梭磨乡冷杉林地上碳储量的时间变化特征表现为: 1995—2015年, 梭磨乡冷杉林地上碳储量总量和碳密度在时间上呈持续增长的特征。碳储量增长速度整体略微下降, 局部呈现先上升, 后下降, 再上升的波动式状态。在海拔特征上, 碳储量总量整体持续增长, 中间核心区持续上升, 边缘区持续下降; 从坡度特征角度看, 碳储量总量整体持续增长, 其在小坡度区域受人类活动影响较为显著, 而在大坡度区域则与自然因素关系更为密切。梭磨乡冷杉林碳储量结构发育趋向合理, 碳汇作用显著, 其所蕴藏的经济效益和生态价值巨大。

6.2 梭磨乡冷杉林保护管理对策及建议

森林生态系统变迁的主要驱动力可分为两大类: 自然驱动力和人为驱动力。从自然驱动力的角度看, 火灾、干旱和病虫害对当地冷杉林的影响较为显著[27]。所以, 要积极研究当地冷杉林的特征特点, 加强上述自然灾害的监测预报管理, 建立森林灾害评估体系, 实施综合防治, 提升当地冷杉林应对自然灾害的应对能力。从人为驱动力的角度讲, 人类的开发利用活动、经济发展和政策因素对当地冷杉林的影响最为明显。所以, 首先要协调好作为森林管理主体的政府、森林经营者和公众的利益和诉求, 多元化共同参与以形成合力; 政府制定、完善并严格执行相关森林保护法律与政策, 森林经营者要充分了解当地森林特点后作出合理的开发经营决策, 公众积极参与森林保护工作并享有相关权益; 制定科学的森林生态区划, 划分不同的功能区, 便于合理规划开发; 加强森林保护政策宣传, 提高公众环保意识, 减少滥砍滥伐; 继续推进各项林业生态保护工程建设, 保证当地冷杉林可持续经营。

[1] Ebermeryer E. Die gesammte Lehre der Waldstreu mit Rücksicht auf die chemische Statik des Waldbaues[M]. Berlin: J Springer, 1876: 116.

[2] Zianis D, Mencuccini M. Aboveground net primary productivity of a beech (Fagus moesiaca) forest: a case study of Naousa forest, northern Greece.[J]. Tree Physiology, 2005, 25(6):713-722.

[3] Birdsey R, Pregitzer K, Lucier A. Forest Carbon Management in the United States[J]. Journal of Environ­mental Quality, 2006, 35(4): 1461–1469.

[4] 陶玉华. 森林生态系统碳储量研究的意义及国内外研究进展[J]. 现代农业科技, 2012, (9): 205–212.

[5] 韩爱惠. 森林生物量及碳储量遥感监测方法研究[D]. 北京: 北京林业大学, 2009.

[6] 谷勇, 殷瑶, 齐泮伦, 等. 森林碳储量研究进展[A]. 经济发展方式转变与自主创新–第十二届中国科学技术协会年会, 2010.

[7] 李雷达, 方晰, 李斌, 等. 湖南省2014年森林植被碳储量、碳密度及其区域空间分布格局[J]. 中南林业科技大学学报, 2017, (01): 69–77.

[8] 杨洪晓, 吴波, 张金屯, 等. 森林生态系统的固碳功能和碳储量研究进展[J]. 北京师范大学学报(自然科学版), 2005, 41(2): 172–177.

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

[10] Friedl M A, Davis F W, Michaelsen J, et al. 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[J]. Remote Sensing, 1995, 54: 233–246.

[11] 陆新. 保护森林资源改善生态环境[J]. 自然科学: 全文版, 2016(1): 17.

[12] 兰斯安, 杜虎, 曾馥平, 等. 不同林龄杉木人工林碳储量及其分配格局[J]. 应用生态学报, 2016, 27(04): 1125– 1134.

[13] 郭焱, 周旺明. 长江上游天然林资源保护工程区森林植被碳储量研究[J]. 长江流域资源与环境, 2015, 24(1): 222–228.

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

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

[16] 黄从德, 张健. 四川省及重庆地区森林植被碳储量动态[J]. 生态学报, 2008, (3): 966–975.

[17] 施鹏程, 彭道黎. 三峡库区乔木林生物量和碳储量的估算[J]. 长江流域资源与环境, 2015, 24(6): 1053–1059.

[18] 李涛, 李曼. 多元线性回归与logistic回归分析的正确应用[J]. 临床荟萃, 2009, 24(15): 6.

[19] 刘常瑜, 冯仲科, 葛忠强, 等. 崂山林场林分生物量遥感反演估算研究[J]. 山东林业科技, 2014(3): 1–5.

[20] 黄从德. 四川森林生态系统碳储量及其空间分异特征[D].成都: 四川农业大学, 2008.

[21] 徐新良, 曹明奎, 李克让. 中国森林生态系统植被碳储量时空动态变化研究[J]. 地理科学进展, 2007, 26(6): 1– 10.

[22] 李海奎, 雷渊才, 曾伟生. 基于森林清查资料的中国森林植被碳储量[J]. 林业科学, 2011, 47(7): 7–12.

[23] 刘建泉, 李进军, 邸华. 祁连山森林植被净生产量、碳储量和碳汇功能估算[J]. 西北林学院学报, 2017, 32(02): 1–7.

[24] 杨传金, 杨帆, 梅浩, 等. 区域森林碳储量估算方法概述[J]. 中南林业调查规划, 2012, 31(3): 62–66.

[25] Hame T, Salli A, Andersson K, et al. Anew methodology for the estimation of biomass of conifer– dominated boreal forest using NOAA AVHRR data[J]. Int. J. Remote Sensing, 1997, 18(15): 3211–3243.

[26] 徐婷, 曹林, 佘光辉. 基于Landsat 8 OLI的特征变量优化提取及森林生物量反演[J]. 遥感技术与应用, 2015, (02): 226–234.

[27] 王新云, 郭艺歌, 何杰. 基于HJ1B和ALOS/PALSAR数据的森林地上生物量遥感估算[J]. 生态学报, 2016, 36(13): 2–13.

Estimation of upper carbon storage in Abies Forestland in Suomo Township based on Landsat images and their dynamic changes

WU Di1,2, WU Mingyan1,2, CHEN Jiali1,2, DONG Guang1,2, CHENG Wuxue1,2,*

1. Central Laboratory, Faculty of Geography and Resources Science, Sichuan Normal University, Chengdu 610101, China 2. Key Laboratory of Land Resources Evaluation and Monitoring in Southwest, Ministry of Education, Sichuan Normal University, Chengdu 610068, China

Study on the forest carbon storage is significant for evaluating the quality of forest resources, scientific management of forest resources and protection of forest ecological structure. This paper took fir forest in Suomo Township of Sichuan province as an example. Based on forest resources survey data in 2010 and Landsat remote sensing data in the same year, using step wise linear regression, multiple linear regression model, we built a new estimation model especially for obtaining carbon storage above the fir forest ground in 2010. Then, based on the estimation model, we used Pseudo invariant feature principle to search the relationship between estimation model in 2010 with remote sensing image in other 4 years, and respectively estimated the carbon storage of fir forest land in 1995, 2000, 2005, 2010 and 2015 in study area, thus revealed the temporal and spatial variation characteristics above the fir forest ground in Barkam County Suomo Township. The results showed that from the perspective of spatial distribution, the carbon storage of fir forest land was mainly distributed in the east-west direction of the study area whose altitude was between 3000 and 4000 meters. From the perspective of temporal distribution, the total carbon storage and carbon density of the fir forest land increased continuously from 1995 to 2015, and the forest carbon storage structure was in the stage of benign development. The results could provide some reference for further study on forest carbon storage in alpine gorge region.

Landsat image; carbon storage; biomass; fir; regression; Spatio-temporal change

10.14108/j.cnki.1008-8873.2019.01.015

SS771.8; TP79; S758; S718.55

A

1008-8873(2019)01-111-12

2017-08-01;

2017-09-22

四川省科技厅项目(2017JY0155), 四川省教育厅重点项目(13ZA0148), 国家自然科学基金项目(41371125)

乌迪(1990—), 男, 内蒙古赤峰市人,硕士, 主要从事遥感与测绘技术及应用研究, E-mail: 656320449@qq.com

程武学, 男, 博士后, 教授, 主要从事生态遥感及应用, E-mail: 398000938@qq.com

乌迪, 巫明焱, 陈佳丽, 等. 基于Landsat影像的梭磨乡冷杉林地上碳储量估测及其时空动态[J]. 生态科学, 2019, 38(1): 111-122.

WU Di, WU Mingyan, CHEN Jiali, et al. Estimation of upper carbon storage in Abies Forestland inSuomo Township based on Landsat images and their dynamic changes[J]. Ecological Science, 2019, 38(1): 111-122.