吳發(fā)云,高顯連,周 蓉,王鵬杰,付安民

(1.國家林業(yè)和草原局調(diào)查規(guī)劃設(shè)計(jì)院,北京 100714；2.北京林業(yè)大學(xué),北京 100083；3.中國林業(yè)科學(xué)研究院資源信息研究所,北京 100091)

森林生態(tài)系統(tǒng)是陸地生物圈的主體,是陸地上物質(zhì)最豐富、結(jié)構(gòu)最復(fù)雜的生態(tài)系統(tǒng)[1-2]。森林生物量能夠直接反映森林碳儲量的大小,對減緩全球氣候變化有著極為重要的作用[3-4]。蓄積量是林分中所有林木的材積之和[5],不僅能夠反映森林資源的豐富程度,也是林業(yè)經(jīng)營的重要決策依據(jù)[6]。

激光雷達(dá)(light detection and ranging,LiDAR)作為一種主動式遙感技術(shù)被廣泛地應(yīng)用在林業(yè)中[7-8],其工作原理是利用激光的冠層穿透能力獲取森林高度的垂直結(jié)構(gòu)參數(shù)。目前,基于激光雷達(dá)技術(shù)獲取森林生物量、蓄積量等森林信息取得了大量的研究進(jìn)展[9-13]。如:穆喜云等[14]利用機(jī)載激光雷達(dá)數(shù)據(jù)提取的植被分位數(shù)高度變量及密度變量,構(gòu)建了基于LiDAR參數(shù)的生物量回歸模型,并生成了整個(gè)區(qū)域的地上生物量分布圖；羅洪斌等[15]采用不同采樣尺寸下的激光雷達(dá)參數(shù),建立了云南省橡膠林地上生物量模型,實(shí)驗(yàn)結(jié)果表明,采樣尺度對生物量的估測精度有一定的影響。

衛(wèi)星及航空影像立體觀測數(shù)據(jù)也被廣泛應(yīng)用于森林結(jié)構(gòu)參數(shù)的獲取中,其工作原理是通過獲取森林冠層頂部的高程信息,結(jié)合林下地形及實(shí)測數(shù)據(jù)等,以實(shí)現(xiàn)森林高度參數(shù)的獲取。Persson等[16]結(jié)合WorldView-2衛(wèi)星數(shù)據(jù)及瑞典Remningstorp地區(qū)、Krycklan地區(qū)的實(shí)測樣地?cái)?shù)據(jù),建立了胸高斷面積加權(quán)平均高樹高模型。實(shí)驗(yàn)結(jié)果表明:分別建立的兩個(gè)森林條件不同地區(qū)的模型,其R2均在0.9以上,WorldView-2衛(wèi)星數(shù)據(jù)能夠適用于估測樹高。倪文儉等[17]基于激光雷達(dá)數(shù)據(jù)獲取的DEM及CHM數(shù)據(jù),驗(yàn)證了高分二號立體觀測數(shù)據(jù)對森林高度估算可行性。實(shí)驗(yàn)結(jié)果表明,高分二號立體觀測數(shù)據(jù)可用于森林高度的估算。Neigh等[18]探究了IKONOS立體觀測數(shù)據(jù)測量森林冠層高度的可行性。分別獲取基于機(jī)載激光雷達(dá)、高光譜和熱成像儀獲得的CHM數(shù)據(jù)、冠層高度數(shù)據(jù),基于這3個(gè)不同角度的IKONOS立體觀測數(shù)據(jù)獲取DSM數(shù)據(jù),并進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明,IKONOS立體觀測數(shù)據(jù)在森林冠層高度模擬上具有一定的可行性。

如何通過地面樣地?cái)?shù)據(jù)建立林分平均高和郁閉度來準(zhǔn)確估測地上森林生物量和蓄積量的模型,從而為激光雷達(dá)和立體影像航天航空遙感技術(shù)反演大區(qū)域的森林蓄積量和生物量提供技術(shù)支撐,這是目前亟待解決的問題。本文將利用湖南湘西地區(qū)杉木地面樣地?cái)?shù)據(jù),分析杉木林分平均高、郁閉度、株數(shù)之間的相關(guān)關(guān)系,并采用不同的形式進(jìn)行因子變量組合,構(gòu)建多種函數(shù)形式的杉木地上生物量模型和蓄積量模型,以此為激光雷達(dá)和立體影像航天航空遙感技術(shù)在森林地上生物量、蓄積量估測方面提供有力支撐。

1 研究區(qū)數(shù)據(jù)及數(shù)據(jù)預(yù)處理

本文以湖南省湘西地區(qū)為研究區(qū)域,其地理坐標(biāo)為北緯27°44.5′～29°38′,東經(jīng)109°10′～110°22.5′。在研究區(qū)內(nèi)設(shè)置半徑為15m的圓形樣地,開展地面樣地調(diào)查。本文擬探究林分高度、郁閉度與林分蓄積量、地上生物量之間的關(guān)系,因此從地面調(diào)查數(shù)據(jù)中篩選出林分郁閉度C、林分優(yōu)勢木算術(shù)平均高HH、林分優(yōu)勢木斷面積加權(quán)平均高HD、蓄積量V、地上生物量AGB等5類因子進(jìn)行模型的研建。根據(jù)林分郁閉度對樣地?cái)?shù)據(jù)進(jìn)行分類統(tǒng)計(jì),52個(gè)樣地實(shí)測數(shù)據(jù)中包含了7個(gè)不同的郁閉度。樣地?cái)?shù)據(jù)的統(tǒng)計(jì)結(jié)果如表1所示。

表1 樣地?cái)?shù)據(jù)情況統(tǒng)計(jì)表Tab.1 Statistical table of plot data

2 方法

2.1 相關(guān)因子組合

盧振龍等[19]認(rèn)為不同因子的變量組合具有一定的實(shí)際意義,能夠彌補(bǔ)單一因子在建模過程中帶來的不足；符利勇等[20]從胸徑、樹高、枝下高等林分變量中選取不同的變量,分別構(gòu)建多種形式的南方馬尾松地上生物量模型；王文棟等[21]分別構(gòu)建了基于D2×H變量的天山林區(qū)6種灌木林生物量估測模型；羅永開等[22]基于單木的樹高、冠幅等因子,分別建立了各器官、地上及總生物量的估算模型,實(shí)驗(yàn)結(jié)果表明冪函數(shù)、線性函數(shù)具有較好的表現(xiàn)。

因此,為了更詳細(xì)地探究林分郁閉度、林分高度對蓄積量、地上生物量模型構(gòu)建的影響,以林分郁閉度C、優(yōu)勢木平均高HH、優(yōu)勢木斷面積加權(quán)平均高HD為基礎(chǔ),對因子進(jìn)行變量組合,并引入林分株樹N以豐富組合形式。具體變量組合如表2所示。

表2 變量組合表Tab.2 The table of variables combination

2.2 異常數(shù)據(jù)篩選

為了避免異常數(shù)據(jù)對實(shí)驗(yàn)結(jié)果的影響,分別將表2中各組合因子作為自變量,將地上生物量、蓄積量作為因變量,構(gòu)建因變量與自變量的散點(diǎn)圖,對偏差較大的點(diǎn)進(jìn)行相關(guān)原因分析。其中:蓄積量作為因變量的數(shù)據(jù)中,篩選出2個(gè)異常值；地上生物量作為因變量的數(shù)據(jù)中,篩選出3個(gè)異常值。

2.3 模型構(gòu)建

基于前述因子組合變換及異常數(shù)據(jù)篩選的基礎(chǔ)上,采用SPSS軟件分別構(gòu)建基于郁閉度和林分樹高組合因子的地上生物量和蓄積量的線性回歸模型、冪函數(shù)回歸模型、指數(shù)函數(shù)回歸模型及對數(shù)函數(shù)回歸模型,各模型的原始表達(dá)式如表3所示。

表3 模型原始表達(dá)式Tab.3 The original models expression

2.4 模型評價(jià)指標(biāo)

為了更加直觀地對各模型的精度進(jìn)行評價(jià),本研究采用決定系數(shù)R2作為各模型的評價(jià)指標(biāo)。

決定系數(shù)(R2):

(1)

3 結(jié)果

將湖南湘西地區(qū)52塊樣地?cái)?shù)據(jù)分為訓(xùn)練集及測試集。其中,70%作為訓(xùn)練數(shù)據(jù)集,30%作為測試數(shù)據(jù)集。采用SPSS軟件開展模型構(gòu)建。

3.1 地上生物量模型

以不同的因子組合形式分別構(gòu)建了一次函數(shù)地上生物量模型、冪函數(shù)地上生物量模型、對數(shù)函數(shù)地上生物量模型和指數(shù)函數(shù)地上生物量模型,各模型擬合結(jié)果如表4所示。

從表4可以看出:

表4 不同變量組合的地上生物量模型回歸結(jié)果統(tǒng)計(jì)Tab.4 Statistics of regression results of aboveground biomass model with different variable combinations

1)以林分郁閉度C、林分優(yōu)勢木算術(shù)平均高HH、株數(shù)N作為因子的自變量組合變量,其構(gòu)建的一次函數(shù)、冪函數(shù)、對數(shù)函數(shù)、指數(shù)函數(shù)的各模型的決定系數(shù)R2的范圍分別為0.301～0.682,0.574～0.861,0.417～0.682,0.310～0.908。其中,以ln(C×HH2)、log(C×HH2)為自變量構(gòu)建的指數(shù)函數(shù)模型表現(xiàn)最佳,其R2均為為0.908。

2)以林分郁閉度C、林分優(yōu)勢木斷面積加權(quán)平均高HD、株數(shù)N作為因子的自變量組合變量,其構(gòu)建的一次函數(shù)、冪函數(shù)、對數(shù)函數(shù)、指數(shù)函數(shù)的各模型的決定系數(shù)R2的范圍分別為0.306～0.667,0.536～0.843,0.314～0.667,0.316～0.843。其中,冪函數(shù)模型中以C×HD2為自變量的模型,指數(shù)函數(shù)模型中以ln(C×HD2)、log(C×HD2)為自變量的模型擬合效果最佳,決定系數(shù)R2均為0.843。

總體來說,以林分郁閉度C、林分優(yōu)勢木算術(shù)平均高HH作為自變量構(gòu)建的組合因子ln(C×HH2)、log(C×HH2)擬合的指數(shù)函數(shù)地上生物量模型表現(xiàn)最佳。其中,ln(C×HH2)是以e為底的特殊的log(C×HH2)變量的表現(xiàn)形式,因此選用ln(C×HH2)作為最佳組合因子,具體表達(dá)形式為:

y=55.566e0.8728×ln(C×HH2)

(2)

圖1表示,當(dāng)ln(C×HH2)作為自變量時(shí),測試數(shù)據(jù)集的實(shí)際地上生物量與預(yù)測值的對比分析結(jié)果。

圖1 地上生物量模型預(yù)測值與實(shí)測值回歸分析Fig.1 Regression analysis of aboveground biomass model predicted values and measured values

3.2 蓄積量模型

以不同的因子組合形式分別構(gòu)建的一次函數(shù)、冪函數(shù)、對數(shù)函數(shù)、指數(shù)函數(shù)等不同函數(shù)形式的蓄積量模型的擬合統(tǒng)計(jì)結(jié)果,具體情況如表5所示。

從表5可知:1)以林分郁閉度C、林分優(yōu)勢木算術(shù)平均高HH、株數(shù)N作為因子的自變量組合變量,其構(gòu)建的一次函數(shù)、冪函數(shù)、對數(shù)函數(shù)、指數(shù)函數(shù)各模型的決定系數(shù)R2的范圍分別為0.288～0.705,0.556～0.893,0.386～0.705,0.304～0.906。其中:以C2×HH2×N為自變量構(gòu)建的一次函數(shù)蓄積量模型擬合效果最差,決定系數(shù)R2為0.288；以ln(C×HH2)、log(C×HH2)為自變量的指數(shù)函數(shù)蓄積量模型表現(xiàn)最佳,決定系數(shù)R2均為0.906。2)以林分郁閉度C、林分優(yōu)勢木斷面積加權(quán)平均高HD、株數(shù)N作為因子的自變量組合變量,其構(gòu)建的一次函數(shù)、冪函數(shù)、對數(shù)函數(shù)、指數(shù)函數(shù)各模型的R2范圍分別為0.299～0.697,0.544～0.878,0.308～0.697,0.311～0.878。其中:以C2×HD2×N為自變量構(gòu)建的一次函數(shù)蓄積量模型表現(xiàn)最差,決定系數(shù)R2為0.299；以ln(C×HD2)、log(C×HD2)為自變量的模型擬合效果最佳,決定系數(shù)R2均為0.878。

表5 不同變量組合的蓄積量模型回歸結(jié)果統(tǒng)計(jì)Tab.5 Statistics of regression results of accumulation model of different variable combinations

綜上所述,在蓄積量模型中,表現(xiàn)最佳的為以ln(C×HH2)、log(C×HH2)為自變量的指數(shù)函數(shù)蓄積量模型,這與前文中地上生物量模型的結(jié)果一致。由于ln(C×HH2)、log(C×HH2)兩個(gè)變量組合之間具有一定的聯(lián)系,且ln(C×HH2)是以e為底的特殊的log(C×HH2)變量的表現(xiàn)形式,因此,采用以ln(C×HH2)為自變量的指數(shù)函數(shù)蓄積量模型表現(xiàn)最佳。其表達(dá)式為:

y=0.05e0.979×ln(C×HH2)

(3)

圖2表示,當(dāng)自變量為ln(C×HH2)時(shí),測試集數(shù)據(jù)的實(shí)測蓄積量與預(yù)測蓄積量之間的對比結(jié)果。

圖2 蓄積量模型預(yù)測值與實(shí)測值回歸分析Fig.2 Regression analysis of accumulation model predicted values and the measured value

4 結(jié)論與討論

本文以湖南省湘西地區(qū)的地面調(diào)查數(shù)據(jù)為基礎(chǔ),探究了地面樣地調(diào)查數(shù)據(jù)中林分郁閉度C、林分優(yōu)勢木算術(shù)平均高HH、林分優(yōu)勢木斷面積加權(quán)平均高HD及株數(shù)N與林分蓄積量、林分地上生物量之間的關(guān)系,構(gòu)建了一次線性函數(shù)、冪函數(shù)、對數(shù)函數(shù)、指數(shù)函數(shù)多種森林結(jié)構(gòu)參數(shù)估測模型,主要結(jié)論如下:

1)綜合對比各模型的擬合結(jié)果可知,以指數(shù)函數(shù)為基本模型結(jié)構(gòu)的地上生物量模型、蓄積量模型的表現(xiàn)優(yōu)于其它函數(shù)結(jié)構(gòu)模型。從模型擬合的平均R2來看,冪函數(shù)模型具有一定的優(yōu)勢,其平均決定系數(shù)R2較高,但從R2最大值來看,擬合效果最佳的為指數(shù)函數(shù)模型。

2)基于林分郁閉度C、林分優(yōu)勢木算術(shù)平均高HH,以及基于林分郁閉度C、林分優(yōu)勢木斷面積加權(quán)平均高HD構(gòu)建的對數(shù)形式的組合變量——ln(C×HD2)、log(C×HD2)、ln(C×HH2)、log(C×HH2)對地上生物量、蓄積量有很好的解釋,基于對數(shù)形式的組合變量的地上生物量模型、蓄積量模型的擬合效果最佳。

3)基于對數(shù)形式的指數(shù)函數(shù)模型對變量具有更好的解釋。對比24種不同變量組合形式構(gòu)建的4種不同函數(shù)形式的96種地上生物量模型和96種蓄積量模型可知,以ln(C×HD2)和ln(C×HH2)作為自變量構(gòu)建的指數(shù)函數(shù)模型對數(shù)據(jù)具有最佳解釋性。

本研究所構(gòu)建的模型,雖然能夠較好地估測地上生物量及蓄積量,但實(shí)驗(yàn)數(shù)據(jù)不夠充分,未能深入地探究冪函數(shù)與指數(shù)函數(shù)模型之間的優(yōu)劣性。如何將其它地面調(diào)查數(shù)據(jù)與林分平均高、郁閉度相結(jié)合,進(jìn)一步提升估測精度,并對其它森林結(jié)構(gòu)參數(shù)進(jìn)行估測,這是今后應(yīng)研究的內(nèi)容。