基于GLAS和MODIS数据的森林生物量估算

来源:用户上传      作者:

　　摘要：森林植被在陆地上分布面积广泛，具有较高的生产力及生物量累计，在全球气候变化中起着重要的作用，已成为研究的热点之一。云南省作为中国的三大林区之一，对该地区的森林生物量进行研究具有较高的意义。本文利用GLAS和MODIS数据反演出连续的森林植被高度，并与实地测量的生物量数据建立多种生物量估算模型，最后选取效果最好的一元线性模型估算了云南省的森林生物量。结果表明GLAS与MODIS联合反演得到的森林平均高度结果较好，最终估算得到云南全省生物量。在检验时将估测的云南省香格里拉县生物量数据与实测生物量数据进行精度比较，估测精度为90.45%。对云南森林生物量研究，不仅可以丰富碳循环研究的理论与方法，也可促进东南亚和云南潜在的碳汇市场形成，并推进“森林云南”的建设。
　　关键词：GLAS;MODIS;云南;森林;生物量
　　中图分类号：S718 文献标识码：A 文章编号：1007-9416（2019）11-0229-04
　　随着全球工业经济的快速发展，CO2、CH4等温室气体大量排放，资源过度利用和植被破坏，导致全球变化问题日益凸显。森林是陆地生态的主体，生物量占陆地绿色植被总生物量的90%[1]，对研究生物生产力及全球变化具有重要的意义，同时也是估算碳收支的重要参数[2]。森林生物量不仅能为森林生态系统提供能量和营养物质，还可揭示森林生态系统有机质的循环变化规律[3，4]，在碳循环、全球气候变化研究中起到至关重要的作用[5，6]。目前各国已积极开展了本国森林碳储量的估测工作。
　　我国也在积极的对森林生物量进行调查，然而传统森林生物量调查方法需要费时费力，获得数据却相对有限。遥感技术具备的观测范围广、高时效性等特点为森林生物量估算提供了有力保障。然而，光學遥感数据受大气及植被覆盖度等影响较大，而且对植被穿透力不强，很难获取包括森林冠层高度在内的植被结构数据。
　　激光雷达遥感可精确获得森林垂直方向上的结构信息，为森林生物量估算提供了一种全新的方法。但星载激光雷达（Geosicence Laser Altimeter System，GLAS）数据的空间分辨率低且不连续分布，因此需要辅以光学遥感数据进行大面积的森林生物量准确估算，并研究其时空变化规律。本文将GLAS和MODIS数据联合估算云南生物量来提高遥感数据的利用潜力和生物量估算精度。
　　1 研究区域
　　云南省位于中国西南边陲，介于北纬21°8′22″～29°15′8″和东经97°31′39″～106°11′47″之间，东西、南北最大距离分别为864.9km和990km，全省总面积达39.4万km2（图1）。云南地势自西北向东南方向呈现阶梯状倾斜：一级阶梯为滇西北德钦、香格里拉一带，地势最高，滇中高原为第二阶梯层，东南、南部和西南部为第三阶梯层，海拔最低，平均每公里递降6m。全省山地占全省总面积的84%，丘陵和高原约占10%，河谷和盆地仅占6%。云南是一个森林资源大省，林业用地面积2424.76万hm2，森林面积约占全国总面积的10%。其中有林地面积为1501.50万hm2，有林地覆盖率39.24%;活立木蓄积达154759.0万m3，林分蓄积为139929.6万m3;非林业用地面积为1402.18万hm2，占36.63%。
　　2 数据
　　2.1 GLAS数据
　　冰、云和陆地高程卫星（Ice，Cloud and land Elevation satellite，简称ICESat）为搭载GLAS系统的卫星平台。该卫星是首颗也是目前唯一在轨运行的激光雷达搭载平台，2003年1月13日在加利福尼亚州范登堡空军基地发射。GLAS传感器数据的采样间隔为1ns（距离为15cm）。GLAS数据产品可分为3个级别（0-2级）共有15种产品，其中：0级产品是传感器电码数据包;1级产品又分为1A和1B， 1A级为卫星记录数据，1B为初级产品数据;2级产品为应用数据。本文采用2004/02-2008/02期间GLAS波形数据GLA01（1A级）和产品数据GLA14（2级），数据均从美国冰雪数据中心（http：//nsidc.org/data/icesat/index.html）网站下载。
　　2.2 MODIS数据
　　MODIS传感器具有36个光谱波段，波长范围分布在0.4～14.4μm之间，具有很强的地表类型识别能力。MODIS BRDF数据为MODIS四级产品数据，空间分辨率为500m（第五版本），以HDF格式存储。MODIS BRDF产品包含四类数据文件：MCD43A1为RTLSR核的三个反演参数;MCD43A2为产品的质量数据;MCD43A3为反照率产品数据;MCD43A4为MODIS 1-7波段的NBAR产品。本研究采用的是2006年2月份合成的500m分辨率MCD43A1产品数据。
　　2.3 实测数据
　　在本论文中将香格里拉藏族自治县、昆明市及西双版纳傣族自治州三地作为实测数据的采集区域，实测数据中主要包含了树高、蓄积量等信息。在2010年12月～2011年1月期间分别对昆明市和西双版纳傣族自治州的森林GLAS点进行验证，分别获取61个和38个实测数据。
　　3 方法
　　3.1 树高估测
　　GLAS全波形激光数据记录了光斑内地物的垂直结构信息。当激光传感器向地面发射激光脉冲后，入射脉冲部分信号接触森林冠层后被反射并被传感器所接收，形成信号的第一个回波点;未被反射的信号穿透冠层，期间不断被反射，最后到达地面的脉冲信号形成最后一个反射较大的反射峰（地面回波）。其中第一个回波点和最后一个反射峰之间信号能很好的反映植被结构信息。为提取森林植被高度数据，首先对GLAS数据进行格式转换、滤波等预处理，然后利用小波中不同尺度的离散小波基对植被部分的激光信号进行拟合，记录不同峰值的位置信息，通过计算第一个和最后一个峰值之间的距离来确定森林植被的平均高度（H）（图2）[7]。 　　3.2 GLAS和MODIS数据联合反演树高
　　在MCD43A1数据中提供了MODIS1-7波段和三个宽波段总共十个波段数据，每个波段包含有3个BRDF参数。BRDF模型中的参数包含了植被结构信息[8]，这些参数能够用来进行植被高度的估算[9]，在选择波段时采用了姜晓光等人提出的波段指数方法来选择最优波段组合[10]，最后选取了第2、5波段以及近红外波段。
　　利用土地利用/土地覆盖格单元数据[11，12]依据《中华人民共和国森林法》中划分标准（有林地：连续面积大于0.067hm2、郁闭度0.20以上、附着有森林植被的林地）将MODIS数据划分有林地和非有林地两种地类，在有林地范围内选取一定量的GLAS树高数据和9个BRDF参数作为训练样本，构建人工神经网络模型，估算森林生物量，最后应用该模型估算研究区内连续的植被高度数据[13]。
　　3.3 生物量估算
　　在利用森林高度与实测生物量数据建立模型时可以利用一个公式来进行估算森林生物量[14]，因为在本文中未将森林进行分类，不能利用不同林种的树高数据与生物量数据建立模型，但是根据Dirk Pflugmacher等人的研究，没有进行林种分类的森林也可以直接将高度数据与生物量建立模型[15]，因此文中直接利用未分类的树高数据与实测生物量数据建立生物量估测模型。回归模型在林业中的应用十分广泛，本文利用估算出来的连续植被高度与实测生物量数据建立六种模型（一元模型、二次模型、三次模型、对数模型、指数模型、S曲线模型），然后根据模型的相关系数R、复相关系数R2、及F统计量，选用回归系数最大、拟和度最优的各林种拟合方程作为最终各林种生物量遥感估算模型[16]。
　　表1为拟合出来的模型及相关判定检验结果，从相关性上来看，一元模型、二次模型、三次模型的相关性相近，对数模型、指数模型、S曲线模型的相关性与前面三种模型较低，则不予考虑。在一元模型、二次模型、三次模型三种模型中，一元三次模型的相关系数最高，但是其F值在三种模型中是最低的，显著性不如前两种模型，而一元线性模型相关性和一元二次模型一致，只比一元三次模型低0.006，但是其显著性是最好的，综上所述，采用表1中一元线性模型作为估算云南省生物量的模型。
　　4 结果分析
　　图3中可以看出神经网络模型估算的云南植被高度分布基本符合现实情况。大部分植被高度集中在9～20m之间，滇西北和滇南的植被较高。由于MODIS MCD43A1数据的空间分辨率是500m，则一个遥感图像的像元内则有可能不只一个实测点，在精度检验时，对一个像元内多个实测数据求均值，再与反演得到的平均植被高度数据进行对比。除此之外，除去异常点之后，香格里拉县一共有的42个点，昆明市35个点，西双版纳18个点。然后利用不同地区的实测树高与计算结果进行线性拟合后发现，香格里拉和昆明拟合出来的相关性相近，而西双版納的实测数据拟合出的结果相关性较低。另外香格里拉的RMSE是1.828，昆明是1.889，西双版纳是4.427，西双版纳比昆明和香格里拉的大，表明西双版纳的数据拟合时有较大的误差（表2）。这其中存在野外实测误差的影响，同时也有可能是GLAS与MODIS数据联合反演时植被高度样本数据选取有关。
　　采用拟合出的一元线性模型估算出了云南省平均生物量分布数据（图4）。从图中可以看出，云南省平均生物量主要集中在90t/hm2至170t/hm2之间，生物量在滇西北和滇南最为丰富，滇东南比较其他地方也比较丰富，而在滇中这样的经济较为发达的区域，生物量相对较少。为了验证结果是否正确，需要进一步利用实测数据点来验证最后估算得出的生物量。
　　验证过程中采用昆明、香格里拉、西双版纳三地共计43个样点的实测生物量数据对估算结果进行验证，相关性较拟合模型时低，但相关系数也达到了0.708（表3），从图中可以看出拟合的结果分布较好，显示估算的结果达到了预期的效果。
　　根据拟合出来的云南省平均生物量，接着将云南省总的生物量数据计算出来，共3334805009.866t。因为未能获取云南全省的生物量的实测数据，不能直接对计算出来的云南总的生物量数据进行直接验证，为了进一步验证数据的准确性，则验证了云南省的某一部分估算结果的正确性。之前获取了云南香格里拉县在森林进行调查规划中的森林蓄积量数据，将其计算获取香格里拉县的生物量数据与本文中估算的得到的值进行比较。
　　根据模型估算得出香格里拉县的生物量为125639261.975t，而森林调查得到的生物量为113645483.710t，二者相差11993778.265t，估测精度达到了90.45%（表4），这从另一个侧面也证明了基于GLAS和MODIS数据估算生物量的模型的可靠性。
　　5 结论与讨论
　　云南位于我国西南边疆，森林资源丰富，然而云南又是一个多山地的省份，地形复杂，仅仅依靠野外调查的方法是不可能获得全省生物量数据，因此采用遥感手段，估算全省生物量显得尤为重要。通常利用遥感方法估算生物量采用的方法只是利用传感器接收的光谱等信息来建立估算生物量模型，达到估算森林生物量的目的，这些仅仅都是停留在二维的基础上，这样就造成了森林植被在垂直方向上很多信息的丢失，增加了模型估算的误差。然而激光雷达的出现，改变了这一现状，GLAS数据能获取森林植被垂直方向上的信息，最主要就是能获取植被高度数据。我们知道森林生物量与蓄积量是高度相关的，然而蓄积量又是与胸径、树高等要素高度相关，因此能获取植被垂直方向上的高度为估算精确的生物量提供很好的基础数据，由原来估算生物量的二维数据发展到三维空间上，估算结果更为准确。
　　GLAS和MODIS联合反演得到的连续植被高度，从直观上看反映了云南植被分布的特征，用实测数据验证得到的结果也达到了预期效果，由此可以看出，GLAS数据估算的出的植被高度分布特征通过联合反演能反映到连续植被高度数据上。 　　在估算的云南連续植被高度的基础上利用植被高度与实测生物量数据建立回归模型，根据相关关系等要素最后选择一元线性回归模型。通过拟合出来的模型估算出云南全省的生物量，总计3334805009.866t，最后估算了香格里拉县的生物量为125639261.975t，森林调查得到的生物量为113645483.710t，估算精度为90.45%，效果较好。
　　本文只利用与生物量高度相关的树高信息和实测生物量建立模型，但是生物量不仅仅与树高相关，与胸径、LAI等要素同样高度相关，而光学一些遥感数据（如TM）则获取其中一些参数较为容易一些，如果结合光谱信息，则会获取更丰富的信息源。激光雷达能获取垂直方向上的植被结构信息，而光学传感器能获取平面上的植被信息，由此估算得出的结果也会更可靠，为以后更为精确的估算森林生物量提供新方法。
　　本次估算云南全省的生物量没有划分林种，而是将所有林木的植被高度与生物量建立模型，不同的树种的树高与生物量之间的关系还是存在一些差异的。在以后的研究中可以更进一步的去研究不同林种之间GLAS数据计算的树高与生物量之间的关系，建立更为精确的生物量估算模型。
　　参考文献
　　[1] Yang H X，Wu B，Zhang J T，et al.Progress of research into carbon fixation and storage of forest ecosystems[J]. Journal of Beijing Normal University （Natural Science），2005，41（2）：172-177.
　　[2] Brown S，Sathaye J，Cannell M，et al.Mitigation of carbon emissions to the atmosphere by forest management[J].The Commonwealth Forestry Review，1996：80-91.
　　[3] Brown S L，Schroeder P，Kern J S.Spatial distribution of biomass in forests of the eastern USA[J].Forest Ecology and Management，1999，123（1）：81-90.
　　[4] Bungart R，Hüttl R F.Production of biomass for energy in post-mining landscapes and nutrient dynamics[J].Biomass and Bioenergy，2001，20（3）：181-187.
　　[5] Dixon R K，Solomon A M，Brown S，et al.Carbon pools and flux of global forest ecosystems[J].Science，1994，263（5144）：185-190.
　　[6] Fang J Y，Wang G G，Liu G H，et al.Forest biomass of China： an estimate based on the biomass volume relationship[J].Ecological Applications，1998，8（4）：1084-1091.
　　[7] Wang C，Tang F，Li L，et al.Wavelet analysis for ICESat/GLAS waveform decomposition and its application in average tree height estimation[J].IEEE Geoscience and Remote Sensing Letters，2012，10（1）：115-119.
　　[8] Gao F，Schaaf C B，Strahler A H，et al.Detecting vegetation structure using a kernel-based BRDF model[J].Remote Sensing of Environment，2003，86（2）：198-205.
　　[9] Wang Z，Schaaf C B，Lewis P，et al.Retrieval of canopy height using moderate-resolution imaging spectroradiometer（MODIS） data[J].Remote Sensing of Environment，2011，115（6）：1595-1601.
　　[10] Jiang X，Tang L，Wang C，et al.Spectral characteristics and feature selection of hyperspectral remote sensing data[J].International Journal of Remote Sensing，2004，25（1）：51-59.
　　[11] Jiyuan L，Mingliang L，Xiangzheng D，et al.The land use and land cover change database and its relative studies in China[J].Journal of Geographical Sciences，2002，12（3）：275-282.
　　[12] Liu J，Liu M，Tian H，et al.Spatial and temporal patterns of China's cropland during 1990-2000： an analysis based on Landsat TM data[J].Remote sensing of Environment，2005，98（4）：442-456.
　　[13] Cheng F，Wang C，Jiang X.The inversion of average vegetation height using ICESat GLAS and MODIS data：a case study of three provinces in Northeastern China[C]//Remote Sensing of the Environment：The 17th China Conference on Remote Sensing.International Society for Optics and Photonics，2011，8203：82030M.
　　[14] Lefsky M A，Hudak A T，Cohen W B，et al.Geographic variability in lidar predictions of forest stand structure in the Pacific Northwest[J].Remote Sensing of Environment，2005，95（4）：532-548.
　　[15] Pflugmacher D，Cohen W，Kennedy R，et al.Regional applicability of forest height and aboveground biomass models for the geoscience laser altimeter system[J].Forest Science，2008，54（6）：647-657.
　　[16] Payandeh B.Choosing regression models for biomass prediction equations[J].The Forestry Chronicle，1981，57（5）：229-232.
转载注明来源:https://www.xzbu.com/8/view-15115492.htm