徐超璇

摘要：本研究以浙江省開(kāi)化縣為研究對(duì)象，用2004年全縣境內(nèi)76個(gè)森林資源清查樣地?cái)?shù)據(jù)及同年Landsat TM遙感影像，將歸一化植被指數(shù)NDVI、IND53和歸一化綠色植被指數(shù)GNDVI融入BP神經(jīng)網(wǎng)絡(luò)，對(duì)開(kāi)化縣境內(nèi)森林碳儲(chǔ)量進(jìn)行預(yù)測(cè)。結(jié)果顯示：開(kāi)化縣平均碳密度為37.616Mg/hm2，碳密度最大值為144.691Mg/hm2，碳密度最小值為0.000Mg/hm2，標(biāo)準(zhǔn)差為26.685Mg/hm2。森林碳密度較高區(qū)域主要集中在西北和東部，整體呈現(xiàn)出沿東北方向的兩邊密集、中間稀疏的狀態(tài)。

Abstract： This study takes Kaihua County in Zhejiang Province as the research object. Using the data of 76 forest resources inventory plots in the county in 2004 and Landsat TM remote sensing images of the same year， the normalized vegetation index NDVI， IND53 and normalized green vegetation index GNDVI is integrated into the BP neural network to predict the forest carbon storage in Kaihua County. The results show that the average carbon density of Kaihua County is 37.616 Mg/hm2， the maximum carbon density is 144.691 Mg/hm2， the minimum carbon density is 0.000 Mg/hm2， and the standard deviation is 26.685 Mg/hm2. The areas with higher forest carbon density are mainly concentrated in the northwest and east， and the two sides along the northeast are dense and the center is sparse.

關(guān)鍵詞：森林碳儲(chǔ)量;植被指數(shù);BP神經(jīng)網(wǎng)絡(luò)

Key words： forest carbon storage;vegetation index;BP neural network

中圖分類號(hào)：S718.5? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1006-4311（2020）03-0217-02

0? 引言

森林生態(tài)系統(tǒng)在調(diào)節(jié)全球碳均衡和阻止氣候變暖、改善氣候等方面，具有無(wú)法替代的作用。在生態(tài)系統(tǒng)中，森林是最大的陸地碳源庫(kù)，實(shí)現(xiàn)碳儲(chǔ)量估計(jì)的基礎(chǔ)在于首先要測(cè)定森林生態(tài)系統(tǒng)中的生物量。在國(guó)際生物學(xué)計(jì)劃（IBP）的推動(dòng)發(fā)展下，各項(xiàng)關(guān)于植被生物量的研究紛紛出現(xiàn)，發(fā)展勢(shì)頭迅猛，大量的研究數(shù)據(jù)為全方面地探究全球森林生物量和碳儲(chǔ)量分布提供了理論依據(jù)[1]。張茂震等在分析比較了浙江省多年的森林資源連續(xù)清查數(shù)據(jù)的基礎(chǔ)上，根據(jù)生物量和蓄積量之間的關(guān)系，對(duì)浙江省的森林碳匯生產(chǎn)力進(jìn)行了定量預(yù)估分析[2]。徐新良等通過(guò)遙感影像獲取波段信息，以此建立生物量與碳儲(chǔ)量之間的關(guān)系來(lái)估算植被碳貯量的方法被廣泛應(yīng)用[3]。目前運(yùn)用遙感技術(shù)進(jìn)行森林碳儲(chǔ)量估算時(shí)，因采用的數(shù)據(jù)源不同而使得相對(duì)應(yīng)的分析方法截然不同。神經(jīng)網(wǎng)絡(luò)法就是其中一種分析方法，在預(yù)測(cè)森林碳儲(chǔ)量方面，具有一定的優(yōu)勢(shì)，是當(dāng)前熱門的研究對(duì)象。

本文以浙江省開(kāi)化縣為例，利用一類森林資源清查數(shù)據(jù)，同時(shí)結(jié)合TM遙感影像，利用神經(jīng)網(wǎng)絡(luò)中的BP人工神經(jīng)網(wǎng)絡(luò)方法建模，設(shè)立先驗(yàn)樣本和訓(xùn)練樣本，預(yù)測(cè)研究區(qū)域的碳密度值，再獲取研究區(qū)域內(nèi)森林碳密度的全域分布圖推算估計(jì)整個(gè)地區(qū)的碳儲(chǔ)量，并將反歸一化計(jì)算后獲得的數(shù)據(jù)與實(shí)測(cè)樣地值進(jìn)行比較分析，最后進(jìn)行精度評(píng)價(jià)。

1? 研究區(qū)概況

浙江省衢州市開(kāi)化縣位于北緯28°54′-29°30′，東經(jīng)118°01′-118°37′的浙江省西部邊境區(qū)域，地處浙江、江西、安徽三省的交界處。全縣總面積約為2236平方公里，整體地勢(shì)西北高而東南低，屬浙西中山丘陵地形。其氣候?qū)儆趤啛釒Ъ撅L(fēng)氣候，平均溫度16.4℃，年平均降雨量在1800毫米左右，四季分明。開(kāi)化縣處中亞熱帶常綠闊葉林帶北部亞地帶、浙皖山丘青岡苦櫧林植被區(qū)，是極具特色的植被區(qū)域，植被資源豐富。開(kāi)化縣生態(tài)環(huán)境優(yōu)良，是浙江省森林碳匯的重要組成部分。

2? 據(jù)準(zhǔn)備與研究方法

2.1 數(shù)據(jù)準(zhǔn)備

2.1.1 森林資源一類調(diào)查數(shù)據(jù)

本次設(shè)計(jì)采用2004年開(kāi)化縣森林資源一類調(diào)查清查數(shù)據(jù)即省級(jí)樣地?cái)?shù)據(jù)，使用系統(tǒng)抽樣的方法在開(kāi)化縣區(qū)域范圍內(nèi)進(jìn)行抽樣調(diào)查，各個(gè)樣地間間距為4km×6km，樣地為28.28m×28.28m的正方形，面積223600hm，共計(jì)76個(gè)樣地。

樣地森林碳儲(chǔ)量計(jì)算是通過(guò)地面樣地調(diào)查所獲取記錄的數(shù)據(jù)（樣地號(hào)、樹(shù)種、胸徑等），其中樹(shù)種代碼采用2004年之后的樹(shù)種代碼。根據(jù)已發(fā)表的生物量模型、各個(gè)樹(shù)木種類的生長(zhǎng)模型以及其生物參數(shù)，本實(shí)驗(yàn)只對(duì)杉木、馬尾松、硬闊林和軟闊林這四個(gè)樹(shù)種進(jìn)行生物量研究計(jì)算，依據(jù)生物量和碳儲(chǔ)量的轉(zhuǎn)換系數(shù)為0.50，計(jì)算出各樹(shù)種的碳儲(chǔ)量，以此計(jì)算得到各個(gè)樣地上的碳儲(chǔ)量和平均單位面積內(nèi)的碳儲(chǔ)量，即碳密度。

2.1.2 TM遙感影像數(shù)據(jù)

研究數(shù)據(jù)為2004年獲取的開(kāi)化縣全景Landsat TM影像，空間分辨率為30m×30m。影像通過(guò)大氣校正、幾何校正等系列處理，將精度控制在一個(gè)單元格內(nèi)。

利用ENVI獲取出TM影像中樣地所對(duì)應(yīng)的6個(gè)波段的灰度值，并通過(guò)波段間的組合，提取植被指數(shù)。本實(shí)驗(yàn)搜集了大量現(xiàn)有的植被指數(shù)資料，提取比較了四十一種植被指數(shù)與開(kāi)化縣樣地碳儲(chǔ)量相關(guān)性，在篩選分析之后，選取采用相關(guān)性高的歸一化植被指數(shù)NDVI、歸一化綠色植被指數(shù)GNDVI和歸一化指數(shù)IND53。

在ArcGIS中將各個(gè)樣地點(diǎn)在TM遙感影像上有關(guān)各個(gè)波段的波段信息以及植被指數(shù)的數(shù)值提取到一起，為上述擬定植被指數(shù)提供相關(guān)性分析依據(jù)，以及為神經(jīng)網(wǎng)絡(luò)預(yù)判估計(jì)提供輸入層與輸出層。

通過(guò)SPSS分析數(shù)據(jù)，對(duì)各樣地中碳密度和各波段以及植被指數(shù)之間進(jìn)行相關(guān)性分析，選取最優(yōu)波段結(jié)果。結(jié)果如表1。

從表1分析的結(jié)果可以知道，碳密度跟各個(gè)波段及三個(gè)植被指數(shù)的相關(guān)性并不是特別高，范圍在0.15到0.45之間，都不足0.5。分析比較，在六個(gè)波段中TM2與碳密度的相關(guān)性是最高的;碳密度與研究的三個(gè)植被指數(shù)相關(guān)性均超過(guò)了0.4，且其中具有最高相關(guān)性的是歸一化綠色植被指數(shù)GNDVI。因此選取這三個(gè)植被指數(shù)結(jié)合到神經(jīng)網(wǎng)絡(luò)中，建立森林碳儲(chǔ)量估計(jì)模型。

2.2 研究方法

人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)，它效仿動(dòng)物的神經(jīng)網(wǎng)絡(luò)，尤其是行為特征。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò)，沿著誤差反方向傳播的路徑來(lái)算數(shù)訓(xùn)練，一般由三部分組成：輸入層、隱含層、輸出層。網(wǎng)絡(luò)會(huì)按照研究者事先設(shè)定得方式，即函數(shù)，進(jìn)行學(xué)習(xí)記憶，這種算法的實(shí)質(zhì)是求誤差函數(shù)的最小值。

2.3 檢驗(yàn)方法

為了檢驗(yàn)BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)森林碳密度的估算精度，本研究使用76個(gè)樣地?cái)?shù)據(jù)，其中選取61個(gè)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，剩余15個(gè)樣地?cái)?shù)據(jù)作為檢驗(yàn)樣本。通過(guò)反歸一化獲取預(yù)測(cè)數(shù)據(jù)。比較預(yù)測(cè)數(shù)據(jù)與樣地實(shí)測(cè)值的最大值、最小值、平均值和標(biāo)準(zhǔn)差，以及數(shù)據(jù)的相關(guān)性。

3? 結(jié)果與分析

3.1 BP神經(jīng)網(wǎng)絡(luò)模型確定

由于本文僅研究76個(gè)樣地的碳密度值，設(shè)立訓(xùn)練樣本為61個(gè)，檢驗(yàn)樣本個(gè)數(shù)為15個(gè)。使用Matlab2010，把之前確定的三個(gè)植被指數(shù)：歸一化植被指數(shù)NDVI、歸一化綠色植被指數(shù)GNDVI和歸一化指數(shù)IND53進(jìn)行歸一化處理，作為輸入層，將樣地計(jì)算而得的碳密度放入網(wǎng)絡(luò)的輸出層，進(jìn)行訓(xùn)練。結(jié)果顯示檢驗(yàn)樣本的預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)性為0.60，訓(xùn)練樣本的預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)性為0.65。

3.2 結(jié)果與分析

根據(jù)BP神經(jīng)網(wǎng)絡(luò)反歸一化的預(yù)測(cè)值顯示，開(kāi)化縣森林碳密度較高區(qū)域主要集中在西北和東部，整體呈現(xiàn)出沿東北方向的兩邊密集、中間稀疏的狀態(tài)，全縣碳密度分布較分散。通過(guò)神經(jīng)網(wǎng)絡(luò)模擬計(jì)算得到的開(kāi)化縣森林平均碳密度為27.616Mg/hm2，碳密度最大值為144.691Mg/hm2，碳密度最小值為0.000Mg/hm2，碳密度標(biāo)準(zhǔn)差為26.685Mg/hm2。如圖1。

開(kāi)化縣森林調(diào)查的76個(gè)樣地，計(jì)算統(tǒng)計(jì)碳儲(chǔ)量得到平均碳密度為23.018Mg/hm2，碳密度最大值為128.632Mg/hm2，碳密度（表2）最小值為0.000Mg/hm2，碳密度標(biāo)準(zhǔn)差為25.006Mg/hm2。

比較兩者平均值，預(yù)測(cè)碳密度平均值高于實(shí)測(cè)碳密度平均值1.665%，兩組數(shù)據(jù)的相關(guān)性為99.927%，兩者基本接近，證明通過(guò)BP人工神經(jīng)網(wǎng)絡(luò)的方法估計(jì)開(kāi)化縣森林碳儲(chǔ)量精度高，準(zhǔn)確性大，基本與實(shí)地現(xiàn)狀吻合。

4? 總結(jié)與討論

文章利用開(kāi)化縣森林一類樣地清查數(shù)據(jù)和TM遙感影像進(jìn)行全縣區(qū)域內(nèi)的森林碳儲(chǔ)量空間估計(jì)，采用了BP人工神經(jīng)網(wǎng)絡(luò)，得到了較合理的預(yù)測(cè)結(jié)果。無(wú)論是碳儲(chǔ)量總量，平均碳密度，模擬得到的最大值以及標(biāo)準(zhǔn)差，通過(guò)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的結(jié)果都要高一些。實(shí)驗(yàn)預(yù)測(cè)結(jié)果基本準(zhǔn)確，精度高，能夠較好地估計(jì)開(kāi)化縣森林碳儲(chǔ)量。這說(shuō)明人工神經(jīng)網(wǎng)絡(luò)是一種較好的數(shù)學(xué)模型，值得深入研究并加以運(yùn)用，這對(duì)我國(guó)的森林資源監(jiān)測(cè)、管理以及保護(hù)具有重要作用。目前尚未有研究用運(yùn)神經(jīng)網(wǎng)絡(luò)法估測(cè)開(kāi)化縣森林碳儲(chǔ)量。本研究利用BP人工神經(jīng)網(wǎng)絡(luò)，對(duì)開(kāi)化縣森林碳密度進(jìn)行估計(jì)研究，是一大創(chuàng)新。但由于經(jīng)驗(yàn)不足，綜合各種影響因素，本次研究仍有發(fā)展進(jìn)步的空間。

參考文獻(xiàn)：

[1]續(xù)珊珊.森林碳儲(chǔ)量估算方法綜述[J].林業(yè)調(diào)查規(guī)劃，2014，39（6）：28-33.

[2]張茂震，王廣興，劉安興.基于森林資源連續(xù)清查資料估算的浙江省森林生物量及生產(chǎn)力[J].林業(yè)科學(xué)，2009（09）：13-17.

[3]徐新良，曹明奎，李克讓.中國(guó)森林生態(tài)系統(tǒng)植被碳儲(chǔ)量時(shí)空動(dòng)態(tài)變化研究[J].地理科學(xué)進(jìn)展，2007（06）：1-10.