森林生态质量评估方法研究进展

韩皓爽, 万荣荣,*

森林生态质量评估方法研究进展

韩皓爽1,2, 万荣荣1,2,*

1. 中国科学院南京地理与湖泊研究所, 中国科学院流域地理学重点实验室, 江苏 南京 210008 2. 中国科学院大学, 北京 100049

森林具有水源涵养、气候调节、环境净化、水土保持、生物多样性保护等方面的生态功能, 开展森林生态质量评估对了解全球碳循环、能量循环和气候变化具有重大意义。文章在介绍森林生态质量概念和研究方法的基础上, 从森林生物量、森林生产力和森林结构三个综合性指标对森林生态质量评估进行分析与总结。着重陈述了评估指标体系构建、评估数据获取和关键的生态参数估算等方面的见解, 探讨了目前森林生态质量评估中存在的主要问题, 展望其发展前景, 包括评估指标统一标准化问题、高质量的数据、森林生存环境的影响、多源遥感数据获取森林水平、垂直结构参数的应用以及森林生态质量与生态功能的相互作用等。

森林生态质量; 生物量; 生产力; 森林结构; 遥感技术

0 前言

森林生态系统是影响生态环境优劣的关键因素, 对维持全球碳平衡和减缓温室效应起到了至关重要的作用[1]。减少毁林和森林退化造成的温室气体排放以增加碳储量(REDD+)战略着重强调了森林的碳汇作用, 《京都协定书》也已将森林列为解决节能减排和应对气候变化问题的重要举措[2]。近年, 大量天然林被人工林取代, 森林的树种和年龄结构普遍单一及幼龄化, 造成物种多样性降低和生态功能减弱等问题, 而各国开展的保护措施未能有效地遏制森林的损失, 森林生态质量明显退化[3-5]。在此背景下, 森林生态质量问题备受关注, 其评估成为国内外学者研究热点。

森林生态质量的监测和评估对定量化把握森林生态系统的碳源/汇特征、时空分布和动态变化具有重要意义, 也为森林自然资源资产评估和林业经营措施制定提供依据, 是认识森林生态质量的重要途经, 这将会促进森林生态质量的提升。由于森林的生物物理特征和环境条件在时空尺度上存在差异, 国内外学者在不同研究区域、不同侧重点、不同尺度上对森林生态质量进行评估, 其数据获取手段、评价指标体系和评估方法也有所区别[6-8]。基于国内外已有研究, 文章提出表征森林生态质量的关键生态参数, 系统梳理了各个生态参数的评估方法, 并对评估指标、高质量数据、森林环境影响因素、遥感手段等方面做出了展望, 以期对森林生态质量评估的深入研究提供参考。

1 森林生态质量内涵

森林是由木本植物为主所组成的生物群落, 具有物种丰富、结构复杂、稳定性较强、功能完善等特点, 能够改善和维护生态环境, 同时提供了人类必需的生物资源[9]。由森林、其他生物和环境相互影响构成的森林生态系统具有调节、维持生态安全的生态功能和生态服务, 其中, 森林生态服务是森林生态系统与其生态过程中形成及维持人类赖以生存的自然环境条件和直接或间接为人类提供的效用[10-11]。森林生态功能和生态服务能力是影响其质量水平的重要因子。

1992年Stolton首次提出“森林质量”一词, 随后同Dudley等在世界自然基金会(World Wide Fund for Nature, WWF)报告中定义其概念为“森林在生态、社会和经济效益方面的所有功能与价值总和”[3]。森林生态质量是从生态角度反映森林质量的内涵, 对森林的生态功能和生态服务、生长状况以及自我调节功能的综合测度, 反映森林改善生态环境、维护生态平衡的能力[4,9]。由于概念的抽象性, 对不同研究目标, 森林生态质量内涵会有所不同, 目前尚未达成统一的认识。综合已有研究, 此文将森林生态质量定义为森林具备涵养水源、调节气候、净化空气、固碳释氧、积累营养物质、维护生物多样性等多种生态功能, 为人类提供自然生存条件、生物资源、无形价值等多种生态服务, 并且在生物和非生物因素胁迫下体现稳定性、弹性和恢复力的状况。

2 森林生态质量评估研究概述

2.1 评估指标体系

学者通常在森林的生物物理属性、立地条件以及生长状况等方面, 选用易获取指标对其生态质量进行评估(表1)。综合而言, 森林生态质量的主要表征参数包括森林结构、森林生物量、森林生产力、森林生态服务效能、健康状况等方面。由于森林在地理环境、物种和空间尺度等方面具有多样性和复杂性, 因此评估指标选取会面临数目众多、因子间相关性高、数据获取难度大等问题。

2.2 评估数据来源

森林生态质量评估涉及的空间尺度有林场、区域、甚至全球等多个层次, 空间尺度的差异影响观测数据获取方式。传统获取表征森林生态质量的关键参数的手段主要为样地调查, 此类方法获取的数据较为精准, 但是需要耗费大量的时间以及人力和物力, 无法实现大区域和持续时间尺度的清查[14,16]。遥感技术的发展弥补了传统估测方法的不足, 可实现地方、区域、甚至全球尺度的森林生态参数的快速、持续、无损的估测, 能够满足森林调查和生物物理参数探测的需求, 为生态质量评估提供不同空间分辨率和时间序列的数据集(表2)。目前在区域层面上对森林生物量、生产力、碳储量动态变化反演的研究更多地将遥感影像与区域、国家森林清查数据结合起来, 生成森林状况的空间分布图[2,17-21], 从而实现对研究区森林生态质量长期、动态、精细的空间观测。

表1 森林生态质量评价指标

2.3 森林生态质量研究方法

2.3.1 指标权重确定

森林生态质量评价可通过构建适宜的指标体系来实现, 各类指标对评估结果的贡献度不同, 因此需要被赋予不同的权重。权重确定方法主要有主观赋权法和客观赋权法, 前者操作简单, 可靠度、实用性较高, 但很大程度上依赖于决策者个人的经验, 主观性较强, 如层次分析法[9,14]; 后者客观性较强, 避免了人为因素带来的偏差, 但会存在样本量不足问题, 而且未考虑评价指标间的差异性, 可能会出现确定的权重与指标重要性不一致的情况, 常用的有均方差综合分析法[12]、主成分分析法[13]、因子分析法[8,15]、熵权法[29-30]。

2.3.2 研究方法

研究方法的选择是科学、准确地评价森林生态质量的关键环节, 综合而言, 森林生态质量的研究方法主要有调查法、遥感评估法、模型法、单项评价法、综合评价法等。区域、国家森林调查是获得森林碳储量、健康状况以及生态服务功能的基础, 长期监测可以获取森林生态质量动态变化情况。另外, 随着生态模型和3S技术的开发应用, 更多新方法用于森林生态质量变化模拟和评估, 如InVEST模型可量化森林生态系统的服务功能; GIS和遥感技术在森林生态质量评估的应用也备受关注[14,31]。

指示物种法是单项评价中具有代表性的方法, 通过确定森林生态中的关键物种、特有物种、濒危物种或环境敏感物种, 获取其数量、生产力、生物量、结构功能等指标, 从而建立模型来描述森林生态的健康状态, 侧面反映森林生态质量水平[32-33]。综合评价法是森林生态质量评估中使用较多的方法, 即运用多个评价指标、多方面地对研究对象进行评价, 常用的方法如表3。实际过程中, 往往整合多种方法以避免单一方法的弊端, 合理地解决问题[29-30]。

表2 森林观测中不同遥感传感器的应用特点

表3 森林生态质量评估中较常见的综合评价法比较

2.3.3 参数反演模型法

森林生态参数反演模型的选择直接影响结果精度和可信度[21], 模型方法主要包括两大类: 参数方法和非参数机器学习算法(Machine Learning Algorithm, MLA)。MLA相比线性模型会有一些优势: 可以处理非线性生态关系; 能从有限的训练数据中拟合反演模型; 可以解决难以区分的分类问题等[36]。MLA包括K最近邻算法(k-Nearest Neighbor, KNN)、人工神经网络(Artificial Neural Network, ANN)、随机森林(Random Forest, RF)、支持向量机(Support Vector Machine, SVM)等(表4)。

3 森林生态质量评价关键参数的研究

森林生物量和生产力是森林研究的两个广泛应用的指标[12,17]。森林生物量是监测森林碳储量、森林火灾、土地利用变化、全球气候变化等的重要参数之一, 可用来揭示森林生态系统能量平衡和物质循环等过程规律[2,46-47]。森林生产力亦能描述森林在积累有机质等方面的生态功能, 对表现森林生态质量水平具有重要意义[8]。此外, 森林结构反映森林动态变化过程中林木演化方式、生长状态等特征, 成为监测和管理森林生态系统的重要因素, 有助于人类了解森林现状、动态变化及发展趋势[48]。根据科学性、综合性、相对独立性、可行性、代表性和概括性等原则, 我们认为森林生物量、森林生产力、森林结构可以较为全面地测度森林特征、生长状况和生态功能等, 是评价森林生态质量的三个关键参数。

3.1 森林生物量遥感估算

森林生物量由地上、地下两部分构成, 多数研究常采用标准的根冠比从地上生物量(Aboveground Biomass, AGB)推算地下生物量(Belowground Biomass, BGB)[2,49-50]。相对来说, 森林AGB评估直观可行, 目前国内外学者对其研究较多。

森林AGB的估算有多种方法, 可分为非遥感方法和遥感法两大类, 非遥感方法主要包括实测法、模型估算法、蓄积量转换法等, 此类方法适用于小尺度生物量研究; 大尺度森林生物量估算需借助遥感手段, 即通过建立影像光谱信息与采样点生物量的线性或非线性模型, 反演森林生物量。

3.1.1 遥感特征参数

不同植被及同一类植被在不同生长阶段, 其反射波谱曲线形态和特征有所不同, 从而反映植被信息, 而植被生物量与植被的不同要素或某种特征状态具有相关性[22]。对于复杂的植被遥感, 植被指数相比单波段估算生物量有更好的敏感性和抗干扰性, 可用于去除由冠层几何形状、土壤背景、光照角度和大气条件造成的变化[51]。广泛使用的植被指数包括: 比值植被指数(RVI)、归一化植被指数(NDVI)、差值植被指数(DVI)等。随着相关研究的发展, 国内外学者提出一些修正型的植被指数(土壤调整指数(SAVI)、转换型土壤调整指数(TSAVI)、改进型土壤调整植被指数(MSAVI)等), 以弱化土壤背景和大气影响, 从而增强植被信息(表5)。

表4 森林生态参数反演模型应用

表5 生物量估算中常用植被指数的特性

纹理是用于识别图像中感兴趣的对象或区域的重要特征之一[52], 植被的纹理特征对区分植被类型、更有效地反映遥感影像地物信息和调整反演模型方面具有很大的潜力[6,53-54]。

3.1.2 森林AGB遥感反演研究概述

学者在对森林生物量估测过程中采用不同的遥感数据源, 以求实现较好的反演结果, 遥感数据类型主要有被动光学遥感、主动或被动微波遥感和激光雷达遥感。

光学遥感是获取森林生物量信息常用的方法之一, 能够准确地获取森林冠层信息, 提取植被参数来估算森林生物量[39,64]。刘倩楠利用TM数据的植被指数、缨帽变换分量和主成分变量信息, 估算了重庆市的森林生物量[18]。Zhou通过高分辨率光学遥感影像生成植被指数(SVIs)与纹理因子, 然后结合地形因子与实地采样数据来量化刺槐人工林地上生物量[65]。考虑到单一季节NDVI对生物量估算精度不足且存在饱和问题, Zhu等利用Landsat影像不同季节的NDVI值进行森林AGB反演[39]。

微波(如合成孔径雷达)能够穿透树冠, 直接与森林生物量的主体——树叶、树干和树枝发生作用, 微波遥感的这一能力使其成为森林生物量精准估测的切实可行的方法。另一方面, LiDAR数据与地面实测数据结合可以获取更有效的森林碳资源和森林地上生物量分布图[27]。

多源遥感数据可以弥补单一数据源的不足, 提高生物量反演精度。常用的多源数据组合模式包括: 不同空间分辨率、光谱分辨率的光学遥感集合; 光学遥感与不同极化方式的SAR数据; 光学遥感与激光雷达遥感等。徐辉等以Landsat-8 OLI影像、GF-2影像为数据源, 采用单波段、植被指数等波谱信息以及森林资源调查固定样地数据对江西省吉水县森林生物量进行估测[66]。李明泽等采用全极化C波段SAR数据和Landsat5 TM光学数据以构建遥感信息模型, 对大兴安岭地区天然次生林的森林生物量进行定量反演[67]; Wang等融合合成孔径雷达(SAR、Sentinel-1)和光学遥感(Landsat-8、Sentinel-2)数据对草地生物量进行评估[68], 该方法仍适用于森林生物量估算; Minh等利用ALOS PALSAR和光学遥感生成的树木覆盖数据对马达加斯加森林生物量进行估算[25]。汤旭光基于激光雷达和多光谱遥感数据获取森林冠层高度、郁闭度等生态参数, 然后利用多元线性回归及BP神经网络模型建立森林AGB反演模型[43]; Li等通过分层抽样和地理统计建模, 并结合机载LiDAR数据、SPOT影像与野外采样数据, 从而估算温带森林AGB[69]; 池泓等融合了GLAS数据和Landsat/ETM+数据, 进而开展了森林AGB估算研究[70]。

3.2 森林生产力估算

植被生产力表示绿色植物积累或固定有机物质的速率, 主要包括总初级生产力(Gross Primary Productivity, GPP)和净初级生产力(Net Primary Productivity, NPP)[71]。其中, 森林NPP表示从GPP中去掉植物自养呼吸所消耗的有机物后剩余的部分, 反映了森林碳汇强度[71-72]。

3.2.1 NPP时空格局的影响因子

产生森林NPP时空差异的主导因子有所不同, 主要有环境因素、林龄和森林扰动等方面。

气候(如气温、降水、光照)对NPP的影响是通过改变生长季的长度和光合作用速率实现的, 充沛的雨热条件对植物生产力有显著影响。Fang等研究长白山松柏在长时间尺度上的NPP变化, 发现4月最低气温和6、7月降水量是影响NPP变化的主要原因[73]。也有研究发现气温升高会刺激植物的自养呼吸, 不同水热组合状况对研究区NPP的时空分异有着重要影响[74-75]。极端气候(干旱、极端高温或低温等)也对陆地生态系统产生深刻影响[73,76]。另外, 绿色植物细胞间的二氧化碳浓度增高可以提高植被光合作用效率, 使森林生产力有所增加; 氮沉降影响植被可吸收利用氮, 从而影响植被光合作用。除此之外, 地形、土壤和树种等也会影响NPP的时空格局。

林龄与NPP之间的关系越来越受关注, 对提高NPP估算精度具有重要意义。幼期树木的光合利用速率较高, 提高茎、枝、粗根对碳的吸收, NPP随之快速增加; 中期树木NPP达到最大值; 后期由于地上生物量增长量降低, 而NPP主要由叶片和细根周转有机质组成, 所以NPP会下降达到一个相对稳定的状态[77-78]。

人类活动(如采伐)、森林火灾、森林病虫害等扰动可以直接向大气释放碳和加速呼吸进程, 对碳循环产生强烈影响, 在特殊的时间段内甚至会是造成森林生态系统突变的主导因素[79]。干扰活动也可以改变森林的年龄结构和树种组成, 造成森林NPP时空差异[77]。

3.2.2 森林NPP估算研究概述

森林NPP可由根(粗根、细根)、茎、枝净积累的有机质与凋零物、被食量、挥发的有机质、未观测的凋零物和死亡的树木有机质等成分组成[77,80]。

上世纪起就开展了对森林NPP研究, 而常用的直接收割法、碳通量观测法等研究方法适用于小范围内的森林NPP观测。随着遥感技术的发展, 利用遥感影像和森林清查数据进行大区域范围内森林NPP估算成为关注热点, 例如, 采用MODIS NPP数据和降尺度方法开展多尺度NPP研究[81]; 利用与叶面积指数显著相关的NDVI估算NPP[82]。总结学者常用的陆地生态系统NPP研究模型, 主要包括: 经验/统计模型、遥感模型和过程机理模型(表6)。

此外, 通过NPP与森林生物量之间的相关关系来估算森林NPP的方法也得到广泛运用和实践[73,77-78,80,88-89]。有研究表示部分NPP估算模型缺少对林龄的考虑, 而森林碳源/碳汇的空间分布相比环境因子更依赖林龄[72,80]。

3.3 森林结构参数遥感反演

森林结构体现了林木的结构要素及其属性的连接方式, 反映森林状况的结构参数主要包括: 树高、直径、林龄、树种组成、冠层高度、郁闭度、林分密度、森林起源等[90]。

遥感技术是提取森林结构参数的有效途径。李登秋等综合遥感数据、地形因子、地表覆盖、森林清查数据反演江西省林分平均年龄, 进而分析林龄对森林NPP的影响[72]。Hansen等利用回归树算法结合Landsat7和Landsat8综合数据绘制撒哈拉以南地区树高分布图, 反演精度较高[91]。邱赛和廖凯涛等均采用GLAS波形参数估测离散的森林最大树高、冠层高度、森林郁闭度等, 以光学影像及地面数据协助GLAS实现区域尺度上的森林参数的反演[20,92]。

LiDAR能够准确地获取森林垂直参数(如树高), 但在水平方向上的覆盖范围受限; 而光学遥感能够获取大范围的、丰富的森林冠层水平参数, 但对垂直高度的变化相对不敏感, 所以将LiDAR与光学遥感结合起来获取森林结构参数的研究越来越多。Hudak等结合LiDAR、ETM数据和5种统计方法估计冠层高度[26]。Jin等采用LiDAR提取的小区域植被冠层高度作为地面真值数据, 以此训练RF模型, 进而实现大范围植被冠层高度反演[93]。

4 存在问题与研究展望

4.1 存在问题

由于森林的多层次性、复杂性、统一性、动态变化性等特点, 其生态质量评估可能涵盖各个方面, 决定了评估过程会存在诸多问题。

4.1.1 评估指标选择问题

森林生态质量评估指标存在仅靠理论或经验筛选情况, 对评价指标的有效性、代表性考虑不足, 可能会造成不同研究区甚至同一区域的研究案例缺乏可比性, 使得研究成果不能有效利用和参考, 阻碍科研学术活动交流。

4.1.2 高质量的数据问题

利用遥感技术反演森林生态参数的过程中需要精确的、有代表性的地面测量数据进行算法训练和产品验证, 所以高质量的样本数据集是进行森林生态质量估算的前提。一般来说, 野外实地采样和涡度相关通量观测获取的验证数据精度较高, 但这类方法耗时较长且适用面积较小, 还会出现数据不能同步问题, 降低了反演精度。另外, 森林生物物理参数估测更多的是利用模型模拟, 不同模型会存在参数、阈值、运算条件和精度差异, 从而增加了不确定性因素, 例如, 样地的森林生物量不能直接测量, 需要一些生态参数(如树高、胸径、林龄)协助运算, 不同研究采用不同的回归模型计算地面点生物量, 即使对于同一区域而言所得结果也会有所差别。

4.1.3 环境影响问题

森林生态质量水平高低与其生存环境密切相关, 土壤、气候、大气成分、水文条件、地形等环境因子和生物活动、自然灾害等干扰因子都会对森林产生影响, 却很少有研究同时评估环境因子和干扰因子的相对影响, 导致对森林生态质量影响机理分析地不够充分。

4.1.4 遥感手段应用问题

遥感手段是获取区域森林生态参数、定量评估森林生态质量的一种实施可行的方法, 但多数研究选用易获取的森林水平结构参数, 而对森林垂直结构因素考虑不足, 不能够全面地评估具有复层结构特点的森林的生态质量状况。

4.2 发展前景

根据森林生态质量评估中存在的问题, 对其发展前景做出以下探讨和展望。

首先, 森林生态质量评估需要制定标准化、统一的指标体系, 合理的评价指标会提高评估的准确性和客观性, 每个指标选择要遵循科学性、代表性、综合性等原则, 避免出现含义不明、指标重复和强相关性等问题, 例如当为林地时, “植被盖度”和“郁闭度”存在一定的重复性。评估指标在不同地域、不同树种、不同立地条件下, 其阈值可以因地制宜地进行调整, 提高推广能力, 使得学者的研究成果可以被互相验证和借鉴, 促进学术交流。

其次, 高水平的森林生态质量估算需要对其进行长期的动态观测, 所以加强地面森林长期的网络化监测与管理, 不断更新和完善基础数据, 从而获取实时有效的样本数据。整合多源遥感数据、样本调查数据、实地采样数据、机器学习模型等多种数据和方法, 对森林生物物理参数进行估测, 以量化森林生态质量, 这种研究思路能够降低单一模型的不确定性, 提高估测精度, 实现不同尺度的森林评估。此外, 开展森林多尺度研究, 不局限于遥感数据的像元尺度, 也采用面向对象的方法进行森林生态参数估算和多尺度转换, 以提高估测模型的精度和推广、泛化能力。

再次, 森林生态质量评估过程中需考虑环境因子(气候、地形、土壤等)、干扰因子(干旱、洪水、虫灾、火灾等)和人为活动的影响, 这些因素会造成森林变化, 从而产生生态质量水平差异。另外, 不同林龄结构的同类物种和同一林龄结构的异类物种的参数有所不同, 量化评估参数时考虑树种年龄、物种结构可以提高反演结果精度, 推动森林资源成图精细化和系统化。

最后, 多源遥感数据有望提高大尺度森林生物物理参数反演精度, 主要是将不同遥感平台、传感器的不同光谱、分辨率的波段进行融合以充分发挥多种遥感影像的优势, 获取较为精确和全面的森林水平和垂直结构生态参数。另外, 研究尺度的扩大和数据源的多样化造成数据量增大, 采用适宜的、高效的运算方法也值得探索和深究。

值得一提的是森林生态质量的优劣会影响森林生态功能和效益的发挥, 随着森林开发利用程度加深, 其生态功能会受到损害, 甚至发生转变, 势必会对森林生态质量水平产生影响, 因此, 对森林生态功能与其生态质量的相互关系的研究在接下来的工作中应该受到关注。

[1] ACHARD F, EVA H D, STIBIG H J, et al. Determination of deforestation rates of the world's humid tropical forests[J]. Science, 2002, 297(5583): 999–1002.

[2] CHAVE J, DAVIES S J, PHILLIPS O L, et al. Ground data are essential for biomass remote sensing missions[J]. Surveys in Geophysics, 2019, 40(4): 863–880.

[3] DUDLEY N, SCHLAEPFER R, JACKSON W, et al. Forest quality: assessing forests at a landscape scale[M]. London: Routledge, 2012.

[4] 石春娜, 王立群. 浅析森林资源质量内涵[J]. 林业经济问题, 2007, 27(3): 221–224.

[5] BULL G Q, BOEDHIHARTONO A K, BUENOUENO G, et al. Global forest discourses must connect with local forest realities[J]. International Forestry Review, 2018, 20(2): 160–166.

[6] SARKER L R, NICHOL J E. Improved forest biomass estimates using ALOS AVNIR-2 texture indices[J]. Remote Sensing of Environment, 2011, 115(4): 968–977.

[7] RIEDLER B, PERNKOPF L, STRASSER T, et al. A composite indicator for assessing habitat quality of riparian forests derived from earth observation data[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 37(9): 114–123.

[8] ZHAO Qingxia, YU Shichuan, ZHAO Fei, et al. Comparison of machine learning algorithms for forest parameter estimations and application for forest quality assessments[J]. Forest Ecology and Management, 2019, 434(12): 224–234.

[9] 武高洁. 县级森林资源质量评价指标体系及评价方法的研究[D]. 北京: 北京林业大学, 2010.

[10] 赵同谦, 欧阳志云, 郑华, 等. 中国森林生态系统服务功能及其价值评价[J]. 自然资源学报, 2004, 19(4): 480– 491.

[11] 冯继广, 丁陆彬, 王景升, 等. 基于案例的中国森林生态系统服务功能评价[J]. 应用生态学报, 2016, 27(5): 1375–1382.

[12] 郭雪艳. 上海城市森林多尺度生态质量评价研究[D]. 上海: 华东师范大学, 2017.

[13] 贺丹. 湖南省醴陵市森林生态质量评价[D]. 湖南: 中南林业科技大学, 2017.

[14] FENG Jiguang, WANG Jingsheng, YAO Shuaichen, et al. Dynamic assessment of forest resources quality at the provincial level using AHP and cluster analysis[J]. Computers and Electronics in Agriculture, 2016, 124(4): 184–193.

[15] 杜志, 甘世书, 胡觉. 全国森林资源质量综合评价[J]. 中南林业调查规划, 2018, 37(3): 1–5.

[16] 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.

[17] ZHAO Min, ZHOU Guangsheng. Estimation of biomass and net primary productivity of major planted forests in China based on forest inventory data[J]. Forest Ecology and Management, 2005, 207(3): 295–313.

[18] 刘倩楠, 欧阳志云, 李爱农, 等. 重庆市森林植被生物量和碳储量的空间分布特征研究[J]. 水土保持研究, 2016, 23(06): 221–226.

[19] DU Huaqiang, CUI Ruirui, ZHOU Guomo, et al. The responses of Moso bamboo (var.) forest aboveground biomass to Landsat TM spectral reflectance and NDVI[J]. Acta Ecological Sinica, 2010, 30(5): 257–263.

[20] 邱赛. ICESat-GLAS波形与HJ-1A高光谱影像联合反演森林地上生物量的研究[D]. 哈尔滨: 东北林业大学, 2016.

[21] ZHANG Caiyun, DENKA S, COOPER H, et al. Quantification of sawgrass marsh aboveground biomass in the coastal Everglades using object-based ensemble analysis and Landsat data[J]. Remote Sensing of Environment, 2018, 204(10): 366–379.

[22] 赵英时. 遥感应用分析原理与方法[M]. 北京: 科学出版社, 2013: 36–163.

[23] ZHANG Linjing, SHAO Zhenfeng, DIAO Chunyuan. Synergistic retrieval model of forest biomass using the integration of optical and microwave remote sensing[J]. Journal of Applied Remote Sensing, 2015, doi:10.1117/1.JRS.9.096069.

[24] 陈尔学. 合成孔径雷达森林生物量估测研究进展[J]. 世界林业研究, 1999, 12(6): 18–23.

[25] MINH D H T, NDIKUMANA E, VIEILLEDENT G, et al. Potential value of combining ALOS PALSAR and Landsat-derived tree cover data for forest biomass retrieval in Madagascar[J]. Remote Sensing of Environment, 2018, 213(4): 206–214.

[26] HUDAK A T, LEFSKY M A, COHEN W B, et al. Integration of lidar and Landsat ETM+ data for estimating and mapping forest canopy height[J]. Remote sensing of Environment, 2002, 82(2/3): 397–416.

[27] CHEN Qi, MCROBERTS R E, WANG Changwei, et al. Forest aboveground biomass mapping and estimation across multiple spatial scales using model-based inference[J]. Remote Sensing of Environment, 2016, 184(7): 350–360.

[28] 王鹏, 万荣荣, 杨桂山. 基于多源遥感数据的湿地植物分类和生物量反演研究进展[J]. 湿地科学, 2017, 15(1): 117–127.

[29] 刘婷婷, 孔越, 吴叶, 等. 基于熵权模糊物元模型的我国省域森林生态安全研究[J]. 生态学报, 2017, 37(15): 4946–4955.

[30] 余健, 房莉, 仓定帮, 等. 熵权模糊物元模型在土地生态安全评价中的应用[J]. 农业工程学报, 2012, 28(5): 267– 273.

[31] 谢余初, 巩杰, 齐姗姗, 等. 基于综合指数法的白龙江流域生物多样性空间分异特征研究[J]. 生态学报, 2017, 37(19): 6448–6456.

[32] 王义平, 吴鸿, 徐华潮. 以昆虫作为指示生物评估森林健康的生物学与生态学基础[J]. 应用生态学报, 2008, 19(7): 1625–1630.

[33] 周静, 万荣荣. 湿地生态系统健康评价方法研究进展[J]. 生态科学, 2018, 37(6): 209–216.

[34] 吴易雯, 李莹杰, 张列宇, 等. 基于主客观赋权模糊综合评价法的湖泊水生态系统健康评价[J]. 湖泊科学, 2017, 29(5): 1091–1102.

[35] 檀菲菲, 张萌, 李浩然, 等. 基于集对分析的京津冀区域可持续发展协调能力评价[J]. 生态学报, 2014, 34(11): 3090–3098.

[36] COONER A J, SHAO Y, CAMPBELL J B. Detection of urban damage using remote sensing and machine learning algorithms: Revisiting the 2010 Haiti earthquake[J]. Remote Sensing, 2016, 8(10): 851–868.

[37] CROWTHER T W, GLICK H B, COVEY K R, et al. Mapping tree density at a global scale[J]. Nature, 2015, 525(7568): 201–205.

[38] WERE K, BUI D T. A comparative assessment of support vector regression, artificial neural networks, and random forests for predicting and mapping soil organic carbon stocks across an Afromontane landscape[J]. Ecological Indicators, 2015, 52(12): 394–403.

[39] ZHU Xiaolin, LIU Desheng. Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 102(8): 222–231.

[40] RODRIGUEZ-VEIGA P, QUEGAN S, CARREIRAS J, et al. Forest biomass retrieval approaches from earth observation in different biomes[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 77(12): 53–68.

[41] WANG Ying, LU Cuijie, ZUO Cuiping. Coal mine safety production forewarning based on improved BP neural network[J]. International Journal of Mining Science and Technology, 2015, 25(2): 319–324.

[42] MA Dongliang, ZHOU Tao, CHEN Jie, et al. Supercritical water heat transfer coefficient prediction analysis based on BP neural network[J]. Nuclear Engineering and Design, 2017, 320(06): 400–408.

[43] 汤旭光. 基于激光雷达与多光谱遥感数据的森林地上生物量反演研究[D]. 哈尔滨: 中国科学院东北地理与农业生态研究所, 2013.

[44] DUBE T, MUTANGA O. Evaluating the utility of the medium-spatial resolution Landsat 8 multispectral sensor in quantifying aboveground biomass in uMgeni catchment, South Africa[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 101(11): 36–46.

[45] SRINET R, NANDY S, PATEL N R. Estimating leaf area index and light extinction coefficient using Random Forest regression algorithm in a tropical moist deciduous forest, India[J]. Ecological Informatics, 2019, 52(5): 94–102.

[46] HOUGHTON R A, HALL F, GOETZ S J. Importance of biomass in the global carbon cycle[J]. Journal of Geophysical Research: Biogeosciences, 2009, 114: 1–13.

[47] LE TOAN T, QUEGAN S, DAVIDSON M W J, et al. The biomass mission: mapping global forest biomass to better understand the terrestrial carbon cycle[J]. Remote Sensing of Environment, 2011, 115(11): 2850–2860.

[48] 惠刚盈. 基于相邻木关系的林分空间结构参数应用研究[J]. 北京林业大学学报, 2013, 10(4): 1–8.

[49] PAUL K I, LARMOUR J, SPECHT A, et al. Testing the generality of below-ground biomass allometry across plant functional types[J]. Forest Ecology and Management, 2019, 432(8): 102–114.

[50] PAUL K I, ROXBURGH S H, CHAVE J, et al. Testing the generality of above-ground biomass allometry across plant functional types at the continent scale[J]. Global Change Biology, 2016, 22(6): 2106–2124.

[51] FRAMPTON W J, DASH J, WATMOUGH G, et al. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 82(4): 83–92.

[52] HARALICK R M. Statistical and structural approaches to texture[J]. Proceedings of the IEEE, 1979, 67(5): 786–804.

[53] ECKERT S. Improved forest biomass and carbon estimations using texture measures from WorldView-2 satellite data[J]. Remote Sensing, 2012, 4(4): 810–829.

[54] ZHAO Panpan, LU Dengsheng, WANG Guangxing, et al. Forest aboveground biomass estimation in Zhejiang Province using the integration of Landsat TM and ALOS PALSAR data[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 53(8): 1–15.

[55] JORDAN C F. Derivation of Leaf-Area Index from Quality of Light on the Forest Floor[J]. Ecology, 1969, 50(4): 663– 666.

[56] 王正兴, 刘闯, ALFREDO H. 植被指数研究进展: 从AVHRR-NDVI到MODIS-EVI[J]. 生态学报, 2003, 23(5): 979–987.

[57]张喜旺, 吴炳方. 基于中高分辨率遥感的植被覆盖度时相变换方法[J]. 生态学报, 2015, 35(4): 1155– 1164.

[58] TUCKER C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing and Environment, 1979, 8(2): 127–150.

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

[60] BARET F, GUYOT G. Potentials and limits of vegetation indices for LAI and APAR assessment[J]. Remote Sensing of Environment, 1991, 35(2/3): 161–173.

[61] QI Jiaguo, CHEHBOUNI A, HUETE A R, et al. A modified soil adjusted vegetation index (MSAVI)[J]. Remote Sensing of Environment, 1994, 48(2): 119–126.

[62] VENANCIO L P, MANTOVANI E C. Forecasting corn yield at the farm level in Brazil based on the FAO-66 approach and soil-adjusted vegetation index (SAVI)[J]. Agricultural Water Management, 2019, 225(20): 1–16.

[63] HUETE A R, DIDAN K, MIURA T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1/2): 195–213.

[64] RICHARDSON A J, WIEGAND C L. Distinguishing vegetation from soil background information[J]. Photogram­metric Engineering and Remote Sensing, 1977, 43(12): 1541–1552.

[65] ZHOU Jingjing, ZHAO Zhong, ZHAO Qingxia, et al. Quantification of aboveground forest biomass using Quickbird imagery, topographic variables, and field data[J]. Journal of Applied Remote Sensing, 2013, doi:10.1117/1.JRS.7.073484.

[66] 徐辉, 潘萍, 宁金魁, 等. 多元线性回归与神经网络模型在森林地上生物量遥感估测中的应用[J]. 东北林业大学学报, 2018, 46(1): 63–67.

[67] 李明泽, 王斌, 范文义,等. 东北林区净初级生产力及大兴安岭地区林火干扰影响的模拟研究[J]. 植物生态学报, 2015, 39(4): 322–332.

[68] WANG Jie, XIAO Xiangming, BAIGAIN R, et al. Estimating leaf area index and aboveground biomass of grazing pastures using Sentinel-1, Sentinel-2 and Landsat images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 154(6): 189–201.

[69] LI Wang, NIU Zheng, LIANG Xinlian, et al. Geostatistical modeling using LiDAR-derived prior knowledge with SPOT-6 data to estimate temperate forest canopy cover and above-ground biomass via stratified random sampling[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 41(4): 88–98.

[70] 池泓, 黄进良, 邱娟, 等. GLAS星载激光雷达和Landsat/ETM+数据的森林生物量估算[J]. 测绘科学, 2018, 43(4): 9–16.

[71] 袁文平, 蔡文文, 刘丹, 等. 陆地生态系统植被生产力遥感模型研究进展[J]. 地球科学进展, 2014, 29(5): 541– 550.

[72] 李登秋, 张春华, 居为民, 等. 江西省森林净初级生产力动态变化特征及其驱动因子分析[J]. 植物生态学报, 2016, 40(7): 643–657.

[73] FANG Ouya, WANG Yang, SHAO Xuemei. The effect of climate on the net primary productivity (NPP) of Pinus koraiensis in the Changbai Mountains over the past 50 years[J]. Trees, 2016, 30(1): 281–294.

[74] KRUSE J, RENNENBERG H, ADAMS M A. Three physiological parameters capture variation in leaf respiration of, as elicited by short-term changes in ambient temperature, and differing nitrogen supply[J]. Plant, cell & environment, 2018, 41(6): 1369–1382.

[75] 潘洪义, 黄佩, 徐婕. 基于地理探测器的岷江中下游地区植被NPP时空格局演变及其驱动力研究[J]. 生态学报, 2019, 39(20): 1–11.

[76] PIAO Shilong, ZHANG Xinping, CHEN Anping, et al. The impacts of climate extremes on the terrestrial carbon cycle: A review[J]. Science China Earth Sciences, 2019, 62(10): 1551–1563.

[77]YU Ying, CHEN Jingm, YANG Xiguang, et al. Influence of site index on the relationship between forest net primary productivity and stand age[J]. PloS one, 2017, 12(5): 1–20.

[78] 吴文跃, 姚顺彬, 徐志扬. 基于森林资源清查数据的江西省主要森林类型净生产力研究[J]. 南京林业大学学报 (自然科学版), 2019, 43 (5): 193–198.

[79] RIUTTA T, MALHI Y, KHO L K, et al. Logging disturbance shifts net primary productivity and its allocation in Bornean tropical forests[J]. Global Change Biology, 2018, 24(7): 2913–2928.

[80] 王斌, 刘某承, 张彪. 基于森林资源清查资料的森林植被净生产量及其动态变化研究[J]. 林业资源管理, 2009, (1): 35–43.

[81] 成方妍, 刘世梁, 张月秋, 等. 基于MODIS序列的北京市土地利用变化对净初级生产力的影响[J]. 生态学报, 2017, 37(18): 5924–5934.

[82]郑元润, 周广胜. 基于NDVI的中国天然森林植被净第一性生产力模型[J]. 植物生态学报, 2000, 24(1): 9–12.

[83] LIETH H. Modeling the primary productivity of the world[J]. Nature and Resources, 1972, 8(2): 5–10.

[84] 周广胜, 张新时. 自然植被净第一性生产力模型初探[J]. 植物生态学报, 1995, 19(3): 193–200.

[85] 陈晓玲, 曾永年. 亚热带山地丘陵区植被NPP时空变化及其与气候因子的关系——以湖南省为例[J]. 地理学报, 2016, 71(1): 35–48.

[86] YAN Hao, WANG Shaoqiang, BILLESBACH D, et al. Improved global simulations of gross primary product based on a new definition of water stress factor and a separate treatment of C3 and C4 plants[J]. Ecological Modelling, 2015, 297(11): 42–59.

[87] BEHERA S K, TRIPATHI P, BEHERA M D, et al. Modeling net primary productivity ofin North India using bio-geochemical model[J]. Biodiversity and Conservation, 2019, 28(8/9): 1–17.

[88] 方精云, 刘国华, 徐嵩龄. 我国森林植被的生物量和净生产量[J]. 生态学报, 1996, 16(5): 497–508.

[89] ZHOU Guangsheng, WANG Yuhui, JIANG Yanling, et al. Estimating biomass and net primary production from forest inventory data: a case study of China’s[J]. Forest Ecology and Management, 2002, 169(1/2): 149– 157.

[90] 沈国舫, 翟明普. 森林培育学[M]. 北京: 中国林业出版社, 2011.

[91] HANSEN M C, POTAPOY P V, GOETZ S J, et al. Mapping tree height distributions in Sub-Saharan Africa using Landsat 7 and 8 data[J]. Remote Sensing of Environment, 2016, 185(2): 221–232.

[92] 廖凯涛, 齐述华, 王成, 等. 结合 GLAS 和 TM 卫星数据的江西省森林高度和生物量制图[J]. 遥感技术与应用, 2018, 33(4): 713–720.

[93] JIN Shichao, SU Yanjun, GAO Shang, et al. The Transferability of Random Forest in Canopy Height Estimation from Multi-Source Remote Sensing Data[J]. Remote Sensing, 2018, 10(8): 1008–1183.

A review on the methods of ecological evaluation of forest quality

HAN Haoshuang1,2, WAN Rongrong1,2,*

1.Key Laboratory of Watershed Geographic Sciences, Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 210008, China 2. University of Chinese Academy of Sciences, Beijing 100049, China

Forest provides a wide range of ecosystem functions including water conservation, climate regulation, environmental purification, water and soil conservation, and biodiversity protection, quantification of which is vital for understanding the processes of global carbon cycle, energy cycle and climate change. Based on extensive literature at home and abroad, this paper provided a thorough review of the progress in forest ecosystem quality quantification and assessment. Thus, the forest ecological quality assessment framework was summarized, and data acquisition and estimation algorithms for key indicators including forest biomass, forest productivity, and forest structure were elaborated. The latest progress and limitations existing in the quality evaluation of forest resources were discussed. Finally, this study put forward some prospects from the perspective of the standardization of evaluation indicators, the consideration of high-quality data, the impact of forest living environment, the applications on obtaining forest horizontal and vertical structural parameters by multi-source remote sensing data, and the interaction between forest quality and function.

forest ecological quality; biomass; productivity; forest structure; remote sensing technology

韩皓爽, 万荣荣. 森林生态质量评估方法研究进展[J]. 生态科学, 2021, 40(4): 212–222.

HAN Haoshuang, WAN Rongrong. A review on the methods of ecological evaluation of forest quality[J]. Ecological Science, 2021, 40(4): 212–222.

10.14108/j.cnki.1008-8873.2021.04.024

S718.5; TP79

A

1008-8873(2021)04-212-11

2020-2-15;

2020-03-14

中国科学院“美丽中国生态文明建设科技工程”专项(XDA23020201); 国家自然科学基金(42071146)

韩皓爽(1995—), 女, 河南商丘人, 研究生, 主要从事资源利用与环境效应方向研究, E-mail: 1051081038@qq.com

万荣荣, 女, 博士, 研究员, E-mail: rrwan@niglas.ac.cn