森林地上生物量遥感估测研究进展

森林地上生物量遥感估测研究进展娄雪婷;曾源;吴炳方【摘要】Above -ground biomass of forest has great research and application value in the forest ecological system.There are mainly three types of models for estimating above - ground biomass of forest, i. e. , forest measuring method, remote sensing method and integrated method. Remote sensing technique has become an important means for obtaining above - ground biomass of forest at the regional scale. There are mainly four types of remote sensing models, namely empirical, ANN, physical and NPP based models. This paper has analyzed and discussed the present methods for estimating above - ground biomass of forest based on remote sensing as well as their advantages and disadvantages. Finally, this paper points out that the integrated method combining remote sensing technique and forest succession model can be generally used to estimate above - ground biomass of forest at the regional scale in future.%森林生物量是衡量生态系统生产力的重要指标,也是研究森林生态系统物质循环的重要基础,其估测方法可以分为传统地面实测法、遥感监测法和综合模型法.随着生物量估测从样地研究发展到区域应用,空间尺度的增大导致宏观资料和参数的获取存在很多困难.在深入分析目前应用遥感技术估算森林生物量的方法及原理基础上,系统评述了统计模型、物理模型、基于植被净初级生产力(NPP)模型的估算方法以及综合模型法的优缺点,分析了各种方法在不同森林植被及遥感数据源下的适用性及不确定性,探讨了此领域的研究方向.【期刊名称】《国土资源遥感》【年(卷),期】2011(000)001【总页数】8页(P1-8)【关键词】森林地上生物量;遥感;模型估算【作者】娄雪婷;曾源;吴炳方【作者单位】中国科学院遥感应用研究所农业与生态遥感研究室,北京,100101;中国科学院遥感应用研究所农业与生态遥感研究室,北京,100101;中国科学院遥感应用研究所农业与生态遥感研究室,北京,100101【正文语种】中文【中图分类】TP79森林分布面积广,在陆地生物圈层和大气圈层之间的碳循环交换过程中起着重要作用[1]。

森林生物量约占陆地生态系统生物量的 90%[2],是整个森林生态系统运行的能量基础和营养物质来源,对陆地生物圈和其他地表过程有着重要影响。

森林生物量不仅反映森林的生态演替和人为干扰过程,还能充分体现森林生态系统环境的质量,是衡量森林生态系统生产力、生态系统结构功能的最好指标[3]。

森林生物量按来源的部位不同可分为根、干、枝和叶生物量。

其中,干、枝、叶生物量合称为森林地上生物量。

森林地上生物量因其寿命长、体积大而长期、大幅度地影响碳库,是研究森林碳循环、评估森林碳收支的基础,对全球气候变化研究具有重要意义。

本文在总结传统地面实测法的基础上,详细探讨了基于遥感技术估算森林地上生物量的方法,分别讨论了各种方法的适用性及其不确定性,特别提出了综合模型法,为选择估算森林地上生物量方法提供参考。

提取森林地上生物量的研究工作经过简单测定阶段,从 20世纪 60年代起,以统计模型法研究森林地上生物量渐呈主流,即以易测因子作为自变量,生物量为因变量,通过回归分析方法建立起相对生长方程,以此来推算、预测整体的生物量[4-8]。

此后,随着国际生物学计划和人与生物圈计划的开展,遥感监测技术成为研究森林地上生物量的新工具。

虽然该技术在探索影响植物光谱特征的植物生理本质方面还有待完善,但其诸多优势使其成为当前及今后的研究热点。

1.1 传统地面实测法传统地面实测法以测量研究区内单位面积林木重量为主,主要有皆伐实测法、随机抽样法、平均木生物量法、材积源生物量法、相对生长模型法及气体交换法6种。

各种方法的原理、优缺点和适用性如表 1所示。

然而,传统地面实测法通常只能获得点上的数据,且劳动强度大、成本高,不利于研究生物量的空间分布和变化,且在实际应用中存在着林业测量仪器误差、样地空间分布的代表性不足等问题,这些均增加了研究区域尺度森林地上生物量的难度。

尽管如此,将传统地面实测法获得的数据作为生物量遥感提取模型的输入参数来验证数据,仍十分重要。

近年来,传统地面实测法又不断与遥感技术、空间定位技术结合,为遥感监测森林地上生物量奠定了基础。

王志杰[11]尝试利用全站仪和掌上电脑获取监测样地内每棵树木的定位数据,同时采集树木物种信息、形态信息及立地环境数据,建立样地植物监测数据库系统,实时、详细的样地植物信息更易于与高空间分辨率遥感数据接轨。

陈春祥[12]采用 FoxPro及 ArcView GIS改进了大范围林业抽样样地布点方案的修改方法,提高了抽样设计的工作效率。

3S技术发展了传统地面实测法的样地布设和抽样调查方法,为其注入了新活力。

1.2 基于遥感的监测方法遥感作为日趋成熟的对地观测技术,不仅可以为快速、定量获取区域尺度森林地上生物量及其变化提供大范围、多尺度的数据,更可实现对地表参数的实时监测,适用于分析和评价森林生物量的时空格局和变化趋势。

目前主要有统计模型、物理模型和综合模型 3类方法。

1.2.1 统计模型法1.2.1.1 统计模型统计模型法是根据实验区内样地生物量与遥感图像上植被的物理参数、反射光谱特征或不同通道雷达数据间存在的相关关系进行回归拟合,按像元计算生物量的方法。

研究表明,基于植被特殊的光谱特性,多波段光学遥感信息组合成的植被指数能包含90%以上的植被信息[14],以光学遥感的不同波段组合提取生物量已经被广泛应用[14-16]。

高光谱遥感数据能记录下地物完整的光谱曲线,为我们提供了更多的可选波段来表征植被信息。

其中“红边”是植被高光谱曲线最明显的特征,相比植被指数不易受土壤和大气环境的影响[17]。

激光雷达 (LiDAR)在林木高度测量与林分垂直结构信息获取方面具有其他遥感技术无可比拟的优势。

何祺胜[18]等采用高密度L i-DAR小脚印点云数据建立冠层高度模型,估测单株木结构参数树的位置、树高、冠幅,然后采用多元逐步回归分析法建立 LiDAR估测的平均树高、冠幅等与实测森林地上生物量之间的关系,估测方程精度较高,R2=0.738。

文献 Holmgren[19]以 L iDAR数据估测树高、冠幅等参数,计算 10m半径样地的蓄积量,估测精度达到应用要求。

随着遥感数据源的多元化发展,为了集合不同数据源的优势以提高森林生物量的估算精度,越来越多的学者致力于用数学方法和技术工具融合不同传感器、不同波段的数据。

例如高分辨率数据可校正低分辨率数据的误差,提高森林生物量的估算精度。

张宏斌[20]检验了 TM、MOD IS、NOAA数据之间的精度校正关系,并以气候因素 (气温、降雨)和遥感植被指数之间的关系模型监测了 1982～2006年内蒙古草原植被的变化趋势。

应用统计模型的突出优点是可以宏观、连续地监测植被生物量。

在遥感影像光谱或空间分辨率足够高的情况下,此类模型简单易用。

但它的局限性也不可忽视:一方面,由于大气、遥感器定标、太阳几何照明、土壤湿度、亮度和颜色在不同的区域每时每刻变化着,统计关系的适用性常常不稳定[21-23],需要根据应用区域的不同来选择适合的数据源及其波段组合[24,25];另一方面,由于树木的生长受温度、光照及水分等因子限制,不同季节的树干、树枝及树冠生物量之间的统计关系也会发生变化。

总之,基于统计关系估算林地整体地上生物量,增加了结果的不确定性。

1.2.1.2 人工神经网络模型尽管不同的波段组合与森林地上生物量在理论上有明显的相关性,但森林环境的复杂性使各种统计函数无法表达所有的不确定性。

应用人工神经网络估算森林地上生物量,开辟了一条方便快捷且可靠的途径。

人工神经网络 (ANN)系统是以模拟人脑神经系统的结构和功能为基础而建立的一种数据分析处理系统。

在进行知识获取时,由研究者提供样本和相应的解,通过特定的学习算法对样本进行训练,通过网络内部自适应算法不断修改权值分布以达到应用要求[26]。

目前,提取森林生物量神经网络模型很多,如线性网络、回归网络、后向 (BP)神经网络、感知器神经网络 (MLP)及径向基函数神经网络 (RBF)等 [27]。

有实验表明,在生物量估测与实测数据的计算中,人工神经网络法估测的相对误差较小,约小于15%[29],引入海拔、坡度、坡向和立地类型作为神经网络模型的自变量,有助于提高生物量的估算精度[29]。

同时,在多元遥感协同估测生物量方面,韩爱惠[30]结合地理气象因子,采用多元回归和神经网络的方法,研建了以 CBERSWFI数据和 MODIS数据为主要信息源的森林生物量估测模型,估测精度达到了 85%以上。

在森林生物量与遥感因子相关性不显著的情况下,神经网络是建立森林生物量非线性遥感模型的可靠方法。

但其缺点是“黑箱操作”,模型缺乏生物物理意义。

1.2.2 物理模型法物理模型法是指借助二向性反射与生物量之间的关系由遥感信息反演估算生物量的方法。

自然界绝大部分的物体均具有各向异性的反射特性,投射到地物表面上的辐射能量往往由来自太阳的直射辐射与天空散射辐射两部分组成,传感器接收的辐射亮度受辐射环境的影响,称之为二向性反射,可用二向性反射率分布函数 BRDF来描述[31]。

物理模型有明确的物理意义,模型稳定度和普适性好。

目前,应用于提取森林地上生物量的模型主要有辐射传输模型 (Radiative Transfer Model)和几何光学模型(Geometric Optical Model)。