基于激光雷达的钦州湾典型红树林生物量反演

张振东, 田义超, 2, *, 邓静雯, 姚贵钊, 李尹伶

基于激光雷达的钦州湾典型红树林生物量反演

张振东1, 田义超1, 2, *, 邓静雯1, 姚贵钊1, 李尹伶1

1. 北部湾大学资源与环境学院, 钦州 535011 2. 北部湾海洋发展研究中心, 北部湾大学, 钦州 535011

试验区的红树林生物总量对于研究区的生态系统保护至关重要。以地面实测样地数据和激光雷达点云数据为基础, 使用随机森林方法估算研究区红树林生物量, 依据精度检验结果构建生物量估算模型, 通过反演获得试验区红树林生物总量。结果表明: (1)研究区样地各样方的无瓣海桑的生物量介于0.55 kg·m–2—13.57 kg·m–2, 平均值为5.40 kg·m–2。(2)采用随机森林模型对红树林生物量计算的训练集(2=0.9516、=0.8142、=0.1486), 及测试集(2=0.6598、=2.0276、=0.3983), 说明地表生物量估算模型计算的生物量与实测样地采样的数据计算的生物量基本吻合, 随机森林算法拟合精度较高。(3)反演的研究区红树林生物总量为459.18 Mg, 平均生物量为4.15 kg·m–2。树高较高、胸径较大的单木红树林主要分布在潮沟附近以及研究区中南部。

激光雷达; 红树林; 生物量; 随机森林; 钦州湾

0 前言

红树林是一种特殊的湿地沼泽类型, 它大多生长在热带、亚热带上部的低能海岸潮间带[1], 是地球上生产力最高的四大海洋自然生态系统之一。红树林具有防风、保护堤岸等的作用, 为野生动、植物提供了栖息地及食物来源。它还具备净化环境、保护生物多样性等功能, 有着非常重要的生态价值[2-4]。

相较于传统的测绘及光学遥感技术, 激光雷达(LightLaser Detection and Ranging, Lidar)具有定位准确、穿透率高、可直接量算高度等优势, 激光可以直接穿透植被冠层以获得精确的植被结构信息, 有利于测定植被结构特征, 估算单木、林分生物量[5-6]。近年来, 欧洲几国已经开始使用机载Lidar来进行大面积的森林资源的调查[7]。Lidar技术对森林生物量反演主要依据回归模型, 回归方法主要有: 随机森林(Random Forest, RF)、多元线性回归(Multivarate Linear Regression, MLR)、支持向量机、主成分回归法等。国内外很多专家学者如 Næsset[8]、Gleason[9]通过这些方法对森林的生物量进行了很多具有参考意义的研究。Hickey 等[10]人利用Lidar对红树林进行林分层面上的平均高度测量, 得出平均林分高度, 并将其应用于Saenger和Snedaker开发的全球林分高度—生物量生长方程。洪奕丰[11]、刘峰[12]、李旺[13]、穆喜云[14]等人将Lidar数据作为数据源, 使用MLR和RF算法进行反演与预测取得了较为良好的结果。田义超[15]等使用红树林的植被指数、纹理特征以及激光点云数据, 使用8种机器学习(Machine Learning, ML)算法对红树林进行地上生物量估计。通过上述对比可知RF算法对于计算红树林地上生物量具有较高的估计精度。因为植被生物量与植被的结构参数之间具有良好的相关信息, 所以可以使用Lidar估算植被生物量。生物量与结构参数间的关系被发展为异速生长方程[16]。

在过去的二三十年间, 北部湾地区的红树林面积由于人们的生产建设、水产养殖及沿海地区环境污染而大大减少[17]。近年来国家为了加强对红树林的保护, 从孟加拉国等地引进无瓣海桑树种, 该树种树高叶大, 成活率高。相较于钦州湾当地的原生树种桐花树更加高大, 防风防汛的能力也更加优越。无瓣海桑在钦州地区的生长扩散展现出明显的优势, 它可以侵入至原生红树林内部, 逐渐改变当地的原生生态系统组成[18]。因此本研究以广西壮族自治区钦州市钦州湾地区为研究区, 以实地调查数据为基础, 使用无瓣海桑异速生长方程计算样地红树林生物量, 结合机载Lidar获取的激光点云数据, 将提取的高度变量、强度变量放入RF算法进行模型训练、精度检验。依据精度检验结果获得红树林生物量回归模型, 从而实现对研究区红树林生物量反演的分析与研究。

1 材料与方法

1.1 研究区概况

研究区(图1)位于广西壮族自治区钦州湾康熙岭片区, 地理坐标位于(21°51′18″N—21°51′42″N, 108°29′22″E—108°29′47″E)范围内,海拔0.6 m—115.3 m。钦州湾虽地处热带区域, 但区域亚热带季风气候特征更为显著, 全年平均温度21 ℃, 年日照时1800 h, 受海洋影响大, 冬季多东北风, 夏季多西南风, 年降水量为1600 mm, 相对湿度高达84%。钦州湾适宜的水热条件, 为红树林的生长提供了良好的支持条件。研究区红树林资源丰富, 面积占广西红树林面积的三分之一。研究区主要的红树林树种有无瓣海桑()与桐花树()。

1.2 数据来源

1.2.1 获取样地数据

在经过野外实地考察之后, 最终将获取样地数据区域定在广西壮族自治区钦州市钦南区康熙岭镇的红树林片区。通过调查地面样方的手段来获取野外样地数据, 本次调查选择红树林树种无瓣海桑为研究对象, 设置10 m×10 m样地66块。样木调查因子包括: 树种、树高、胸径和地径等数据。使用卷尺测量单木胸径(距地高度1.3 m), 使用激光测距仪测量每木的树高, 并且用全球定位系统(Global Positioning System, GPS)获取每木、各个样方中心点的地理坐标及高程数据, 坐标采用地理坐标系GCS_ WGS_1984, 投影坐标系Albers。

1.2.2 Lidar数据获取

研究使用DJI M600 Pro无人机搭载一台普通摄影机和一台HS400P激光传感器, 硬件系统集成了激光雷达扫描仪、全球导航卫星系统(Global Navigation Satellite System, GNSS)以及惯性传感器(Inertial Measurement Unit, IMU)。研究于2021年1月19日, 选择当日潮位较低、天气晴朗、地面无持续风向且风力＜2级的时段对广西钦州康熙岭片区的红树林进行航拍。无人机平均飞行高度70 m, 垂直拍摄, 航向重叠率及旁向重叠率均为80%。利用Novatel Intertial Ecplorer软件结合IMU及GNSS数据对原始的红树林回波信息进行解算, 可以得到研究区的三维激光点云信息。

图1 研究区实测样本的地理位置

Figure 1 The geographical location of the measured samples in the study area

1.3 研究方法

1.3.1 生物量测定方法

由于样地位于红树林自然保护区, 对红树林的保护较为严格, 且砍伐具有一定的破坏性, 因此使用异速生长方程[19](表1)计算样地实测的每个样方无瓣海桑的生物量, 最终确定采用地上部分的无瓣海桑的异速生长方程, 如下式(1)所示:

1.3.2 激光点云数据提取

使用Lidar360对点云数据进行点云去噪、点云分类、归一化等预处理, 随后提取1 m分辨率的数字高程模型(DEM)和数字表面模型(DSM), 对DSM与DEM取差值得到冠层高度模型(CHM)。使用Fusion软件对激光点云数据进行处理, 利用CHM提取得到样地的高度变量参数和样地的强度变量参数(表2)。此次实验共提取了48个森林指标变量参数, 提取的森林指标变量参数将用于红树林地表生物量的反演。

1.3.3 地表生物量估算模型的构建

RF算法由Leo Breiman[20]提出。其原理为从训练样本中随机有放回的抽取N个样本, 从所有特征变量中随机抽取K个变量, 对上述选出的样本和特征变量实施无需剪枝的CART方法建立决策树。将以上步骤重复M次, 即生成M棵决策树, 构成随机森林。在对数据进行预测时, 由M棵树分别预测, 最终进行投票确定分到哪一类。由于RF算法建立的模型可靠, 目前RF算法被广泛的应用于分类及回归问题, 其被广泛应用于森林等林地的生物量、碳储量反演研究中, 并且有着相当高的模型精度。使用boot-strap采样和bagging集成树算法, 从弱学习者集合中获得最准确的决策。在本实验中以66个实测生物量数据作为因变量, 以48个森林指标变量参数为自变量, 使用70%的样本用于模型的训练, 30%的样本用于模型的测试。将46个样本放入RF算法建立模型, 使用20个样本进行模型的精度验证。为保证预测结果的准确性, 研究参数选择ntree=1000, mtry=44。

1.3.4 评估标准

实验基于有限的实测样本数据, 借助RStudio软件建立红树林生物量的RF算法估算模型。将实测的66个样本数据分为46个训练样本和20个检验样本, 前者为模型建立的输入数据, 后者为模型验证的输入数据。我们使用决定系数(R)(公式(2))均方根误差()公式(3)、相对均方根误差[()公式(4)]对模型进行模型拟合度评价,R越大越接近于1代表模型的性能越好, 表示实测值

表1 无瓣海桑生物量模型[19]

注:: 生物量;: 距地1.3m处的胸径;: 树高;、: 模型参数。

与估算值之间的拟合程度更高; 均方根误差和相对均方根误差越小表示模型的估计效果更好, 但与被估计变量自身变量的数量级有关系,与被估计变量自身变量的数量级无关。

2 结果与分析

2.1 实测数据统计结果

在样地选取了66个样方, 共对577棵无瓣海桑测定了树高和胸径。结果表明(表3), 样方单木红树林树高范围1.55 m—13.58 m, 野外测得的胸径范围为0.77 cm—41 cm。依据实测树高与胸径, 通过异速生长方程计算可得样地各样方红树林的生物量范围为0.55 kg·m–2—13.57 kg·m–2, 平均值为5.40 kg·m–2。

2.2 模型精度评估

基于Lidar数据, 在Rstudio中随机数选取70%平均样方生物量数据作为训练集, 30%平均样方生物量数据作为测试集, 使用RF算法进行回归运算得到Lidar采样方法反演地表生物量估算模型, 结果如表4所示。训练集测试结果2=0.9537、=0.8142、=0.1486, 测试集测试结果2=0.6598、=2.0276、=0.3983表明, 使用Lidar采样方法反演地表生物量估算模型(AGBLidar模型)计算的生物量与实测样地采样的数据计算的生物量基本吻合, 拟合度较高。因此, 可以使用RF算法表示AGBLidar模型, 将Lidar数据提取的红树林森林指标变量与RF算法结合可对研究区进行生物量反演。测试结果见图2。

2.3 研究区红树林生物量空间分布

由于RF算法具有较高的拟合精度, 因此可以用它来预测研究区的生物量。将研究区的森林指标变量参数(高度变量参数和强度变量参数)的栅格文件通过ArcGIS进行栅格转点处理, 共获得110551个栅格像元点。将得到的栅格像元点作为自变量代入建立的红树林生物量回归方程中, 便可得到整个研究区域的红树林生物量分布图, 如图3所示。将红树林生物量按照分位数划为5段, 大部分红树林生物量集中在2.08 kg·m–2—2.27 kg·m–2范围内, 树龄较大的红树林生物量较高, 大致位于7.54 kg·m–2—11.9 kg·m–2的范围内。经计算, 研究区红树林生物量为0.82 kg·m–2—11.99 kg·m–2, 平均生物量为4.15 kg·m–2。

表3 实测数据基本统计信息

表4 地表生物量估算模型评价指标运算结果

注: (a)、(b)分别为随机森林算法的训练集及测试集。

Figure 2 Graph of test results for all variable parameters

图3 红树林地上生物量分布

Figure 3 Aboveground biomass distribution of mangroves

3 讨论

3.1 研究区无瓣海桑分布

树高较高、胸径较大的单木红树林主要分布在研究区中南部以及潮沟附近。无瓣海桑原为钦州地区红树林造林树种, 虽在2009年后不再作为造林树种, 但原有的无瓣海桑在钦州沿海表现出了一定的入侵性[18]。位于潮沟附近的无瓣海桑逐渐向东北、东南侧的原生树种桐花树种群入侵, 逐渐成为区域的优势树种。从研究结果来看, 由于潮沟地区容易聚集更多的营养物质, 对局部红树林的生长具有促进作用, 致使该区域红树林生长旺盛。无瓣海桑的树高、胸径由研究区中南部以及潮沟附近向东北、东南方向递减。

3.2 生物量模型

本实验将机载Lidar数据与康熙岭红树林实测数据相结合, 通过RF算法确定研究区红树林总生物量。洪奕丰[11]、穆喜云[14]等通过对比RF与MLR算法的精度, 发现RF在计算森林碳储量及进行生物量反演具有明显的精度优势。同时RF算法在处理多自变量的问题时具有一定的优势, 可以根据变量的重要性, 对变量进行排序、筛选放入模型, 提高模型计算效率。因为RF算法对植被的参数预测具有较高的拟合精度, 所以可对研究区进行反演研究。本研究采用的RF算法精度R=0.66, 训练精度较高。由于研究区选在康熙岭片区, 试验区较小, 用以模型训练的样本数目不够多, 导致个别样点的实测值与估测值偏差较大。由于个别样地内红树林单木株数较少, 机载Lidar在获取样地点云信息时错失了冠顶数据, 因此进行样地内分位高度统计时会出现偏差。并且实验区内存在其它树种, 并不是单一的无瓣海桑群落, 在使用无瓣海桑异速生长方程进行RF模型训练时势必会产生误差。同时产生差异的原因与模型精度直接相关, 模型的精度将直接影响地区的反演质量, 因此反演结果与实地生物量并不严格相同。由于测量误差的原因, 研究区实测单木树高、胸径可能不够准确, 也会影响生物量的反演结果。

3.3 无瓣海桑生物量密度

研究区红树林生物总量为459.1823773 Mg, 平均生物量为4.15 kg·m–2。研究结果要低于Wang等[21]估算的海南岛东北部的清澜港自然保护区和东寨港国家保护区等地的平均生物量119.26 Mg·ha–2; 低于深圳地区红树林生物量93.0 Mg·ha–2[22], 略低于广东无瓣海桑生物量50.81 t·ha–2[19]。由于各地区的地理区位、水热条件、区域CO2浓度及地区人为干扰因素不同, 对各地区的红树林的生长都会造成一定的影响, 对红树林的生物总量产生直接影响。研究区的无瓣海桑林树龄较低, 相比其它区域研究区的水热条件均有不足, 对红树林生长的促进作用较弱, 因此研究区红树林平均树高较低,所得结果与海南岛、深圳、广东等地的红树林生物量相比均较低。本实验选取钦州湾小区域研究区进行生物量反演研究, 由于康熙岭地区的无瓣海桑总体生物量偏低, 红树林单木样本较少, 相较于钦州湾总体平均生物量[23]实验所得结果偏低, 所以该计算结果具有一定的区域性。

3.4 不足与展望

实验中由于RF算法属于暗箱操作, 其回归模型并不可见, 因此参与建模的样本随机性较大; 同时由于本实验是对小尺度范围进行研究, 选取的红树林品种也较为单一, 且仅以无瓣海桑为例进行了相关研究。后续可以选取多个ML算法、扩大研究区范围以及红树林的品种数量, 以做出对广西钦州湾地区红树林生物量反演更有说服力的研究成果。

4 结论

研究以钦州茅尾海康熙岭红树林湿地为研究片区, 利用无人机低空遥感获取的激光点云数据, 结合实测单木结构信息, 使用随机森林算法对研究区无瓣海桑的生物量进行估算。主要结论如下:

(1)研究区样地各样方的无瓣海桑的生物量范围介于0.55 kg·m–2—13.57 kg·m–2, 平均值为5.40 kg·m–2。

(2)基于机载雷达数据, 随机森林算法的训练集R=0.9516、=0.8142、=0.1486; 测试集R=0.6598 、=2.0276、=0.3983。总体来看RF模型所预测的生物量与实测样地采样的数据计算的生物量相吻合, 随机森林算法拟合精度较高。

(3)研究区红树林生物总量为459.1823773 Mg, 平均生物量为4.15 kg·m–2。由于康熙岭地区的无瓣海桑总体生物量偏低, 相较于钦州湾总体平均生物量实验所得结果偏低, 所得结果具有一定的区域性。

[1] 朱可峰, 廖宝文, 章家恩, 等. 广州市南沙红树植物无瓣海桑、木榄人工林生物量的研究[J]. 林业科学研究, 2011, 24(4): 531–536.

[2] 石莉. 中国红树林的分布状况、生长环境及其环境适应性[J]. 海洋信息, 2002, 17(4): 14–18.

[3] 生农, 辛琨, 廖宝文, 等. 红树林湿地生态功能及其价值研究文献学分析[J]. 湿地科学与管理, 2021, 17(1): 47–50.

[4] CLAUDIA K, ANDREA B, STEFFEN G, et al. Remote Sensing of Mangrove Ecosystems: A Review[J]. Remote Sensing, 2011, 3(5): 878–928.

[5] NELSON R F, KRABILL W, TONELLI J, et al. Estimating forest biomass and volume using airborne laser data[J]. Remote Sensing of Environment, 1988, 24(2): 247–267.

[6] MACLEAN G A, KRABILL W B. Gross-merchantable timber volume estimation using an airborne Lidar system[J]. Canadian Journal of Remote Sensing, 1986, 12(1): 7–18.

[7] Næsset E, Gobakken T, Holmgren J, et al. Laser scanning of forest resources: the Nordic experience[J]. Scandinavian Journal of Forest Research, 2004, 19(6): 482–499.

[8] NÆsset E, Gobakken T. Estimation of above-and below-ground biomass across regions of the boreal forest zone using airborne laser[J]. Remote Sensing of Environment, 2008, 112(6): 3079–3090.

[9] GLEASON C J, JUNGHO I. Forest biomass estimation from airborne LiDAR data using machine learning approaches[J]. Remote Sensing of Environment, 2012, 125: 80–91.

[10] HICKEY S M, CALLWO N J, PHINN S, et al. Spatial complexities in aboveground carbon stocks of a semi-arid mangrove community: A remote sensing height-biomass- carbon approach[J]. Estuarine Coastal & Shelf Science, 2018, 200: 194–201.

[11] 洪奕丰, 张守攻, 陈伟, 等. 基于机载激光雷达的落叶松组分生物量反演[J]. 林业科学研究, 2019, 32(5): 83–90.

[12] 刘峰, 谭畅, 张贵, 等. 长白落叶松单木参数与生物量机载LiDAR估测[J]. 农业机械学报, 2013, 44(9): 219–224+242.

[13] 李旺, 牛铮, 王成, 等. 机载LiDAR数据估算样地和单木尺度森林地上生物量[J]. 遥感学报, 2015, 19(4): 669–679.

[14] 穆喜云, 刘清旺, 庞勇, 等. 基于机载激光雷达的森林地上碳储量估测[J]. 东北林业大学学报, 2016, 44(11): 52–56.

[15] TIAN Yichao, HUANG Hu, ZHOU Guoqing, et al. Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing[J]. Science of The Total Environment, 2021, 781(3): 146816.

[16] WANG Chuankuan. Biomass allometric equations for 10 co-occurring treespecies in Chinese temperate forests[J]. Forest Ecology and Management, 2006, 222(1/3): 9–16.

[17] DUARTE L, MORENE J B, CATHARINO M, et al. Mangrove metal pollution induces biological tolerance to Cd on a crab sentinel species subpopulation[J]. Science of The Total Environment, 2019, 687: 768–779.

[18] 邓必玉. 广西钦州沿海无瓣海桑入侵性初探[J]. 湖北林业科技, 2020, 49(5): 46–49+52.

[19] 胡懿凯, 徐耀文, 薛春泉, 等. 广东省无瓣海桑和林地土壤碳储量研究[J]. 华南农业大学学报, 2019, 40(6): 95–103.

[20] BREIMAN L. Random forests[J]. Machine Learning, 2001, 45(1): 5–32.

[21] WANG Dezh, WAN Bo, LIU Jing, et al. Estimating aboveground biomass of the mangrove forests on northeast Hainan Island in China using an upscaling method from field plots, UAV-LiDAR data and Sentinel-2 imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 85: 101986.

[22] LI Zhen, ZAN Qijie, YANG Qiong, et al. Remote Estimation of Mangrove Aboveground Carbon Stock at the Species Level Using a Low-Cost Unmanned Aerial Vehicle System[J]. Remote Sensing, 2019, 11(9): 1018.

[23] 曹庆先. 北部湾沿海红树林生物量和碳贮量的遥感估算[D]. 北京: 中国林业科学研究院, 2010.

Biomass inversion of typical mangrove forests in Qinzhou Bay based on LiDAR

ZHANG Zhendong1, TIAN Yichao1, 2, *, DENG Jingwen1, YAO Guizhao1, LI Yinling1

1. College of Resources and Environment, Beibu Gulf University, Qinzhou 535011, China 2. Beibu Gulf Ocean Development Research Center, Beibu Gulf University, Qinzhou 535011, China

The total mangrove biomass in the test area is critical to the conservation of the ecosystem in the study area. In combination with the measured sample plot data and LiDAR point cloud data, random forest method was employed to estimate the mangrove biomass in the study area. A biomass estimation model was then built based on the subsequent accuracy test to invert the entire mangrove biomass in the test area. The results showed that: (1) The biomass of Sonneratia apetala in the sample plots of the study area ranged from 0.55 kg·m–2to 13.57 kg·m–2, averaging 5.40 kg·m–2. (2) The training set obtained by calculating mangrove biomass through the random forest model wasR=0.9516,=0.8142, and=0.1486; and the test set wasR=0.6598,=2.0276, and=0.3983. These indicated that the biomass calculated by the surface biomass estimation model was basically consistent with that calculated based on the measured sample plot data, thereby verifying the accuracy of the random forest algorithm. (3) In the study area, the total mangroves biomass was 459.18 Mg, averaging 4.15 kg·m–2. The single-tree mangroves with higher heights and larger DBHs were mainly distributed near the tidal creek as well as the central and southern parts of the study area.

lidar; mangroves; biomass; random forest; Qinzhou Bay

10.14108/j.cnki.1008-8873.2024.01.024

TP79

A

1008-8873(2024)01-203-08

2021-09-06;

2021-11-15

国家自然科学基金(42261024); 广西高校人文社会科学重点研究基地“北部湾海洋发展研究中心”项目; 广西创新驱动发展专项(AA18118038); 广西基地和人才项目(2019AC20088); 广西自治区大学生创新创业训练项目(1707402429)

张振东(1999—), 男, 山东青州人, 本科, 主要从事资源环境遥感方面的研究, E-mail: 1394648468@qq.com

通信作者:田义超(1986—), 男, 陕西西安人, 中国科学院地球化学研究所博士, 教授, 硕士生导师, 主要从事资源环境遥感与GIS及海岸带生态环境监测的相关研究, E-mail: tianyichao1314@yeah.net

张振东, 田义超, 邓静雯, 等. 基于激光雷达的钦州湾典型红树林生物量反演[J]. 生态科学, 2024, 43(1): 203–210.

ZHANG Zhendong, TIAN Yichao, DENG Jingwen, et al. Biomass inversion of typical mangrove forests in Qinzhou Bay based on LiDAR[J]. Ecological Science, 2024, 43(1): 203–210.