基于冪律分布的森林燃燒生物量衛星遙感估測方法*

祖笑鋒 覃先林 李增元 孫桂芬 劉樹超

(中國林業科學研究院資源信息研究所 北京 100091)

基于冪律分布的森林燃燒生物量衛星遙感估測方法*

祖笑鋒 覃先林 李增元 孫桂芬 劉樹超

(中國林業科學研究院資源信息研究所 北京 100091)

【目的】 利用長時間序列衛星遙感數據產品按森林類型建立大區域燃燒生物量估測模型，并按年生成不同森林類型的燃燒生物量，為我國年林火碳排放估測提供一種新的技術手段。【方法】 采用覆蓋我國陸地區域的2001—2014年MODIS火產品數據(MOD14A2)，按3種森林類型分析該數據產品中的火災輻射率(FRP)分布特性，并按森林類型構建基于冪律分布的燃燒生物量估測模型，對我國2001—2014年各年林火消耗的森林生物總量進行估測； 利用對數形式的概率分布函數線性回歸擬合方法求解模型冪參數m； 選取每年10場左右的典型森林火災建立回歸方程，修正每年的火災持續時間d，并以年為單位估測我國不同森林類型因燃燒消耗掉的生物量； 同時，利用林火排放物計算模型結合MODIS火燒跡地數據集(MCD45A1)，對估測的燃燒生物量進行對比分析。【結果】 闊葉林、針葉林和灌木林的FRP數據均呈冪律分布規律，在2001—2014年14年中，林火導致全國的闊葉林年消耗總生物量在0.94～1.37 Mt之間、針葉林在0.80～1.92 Mt之間、灌木林在0.37～0.53 Mt之間。通過與林火排放物計算模型對比分析發現，這2種方法的估測結果在某些年份差異顯著，甚至林火排放物計算模型估測的某些年份森林燃燒生物量超過本文研究方法估測的14年總結果。相比國家統計局公布的森林火災發生次數和森林過火面積，本文研究方法估測的結果和年際變化更符合我國森林火災發生規律。【結論】 基于長時間序列的MODIS火產品數據表明，我國闊葉林、針葉林和灌木林燃燒釋放的能量具有冪律分布特性； 基于該分布特性，構建按森林類型估測全國森林因燃燒消耗的年森林生物總量模型，并估測出逐年森林因燃燒消耗的森林生物總量，通過與林火排放物計算模型估測的全國同年林火消耗掉的森林生物總量進行對比，該方法比林火排放物計算模型的估測結果更準確。

衛星遙感數據； 森林火災； 燃燒生物量估測； FRP

森林燃燒生物量是指發生林火時，對應火燒跡地上消耗的森林生物總量。森林火災燃燒生物量的多少與碳排放密切相關，估測森林燃燒生物量對全球碳循環研究具有重要意義。以往森林燃燒生物量估測，大多利用Seiler等(1980)提出的林火排放物計算模型，如王效科等(2001)、田曉瑞等(2003； 2009)、胡海清等(2007)、楊國福等(2009)和魏書精等(2014)利用林火排放物計算模型，以一些典型林區或單個的省(縣)為主，開展了森林火災碳排放量估測，像東北地區的大小興安嶺，南方地區的浙江、安徽等，西南地區的云南、四川等。

隨著遙感及其應用技術的發展，長時間序列衛星火監測產品數據為估測大區域森林燃燒生物量提供了一種新的、有效的技術手段。Kaufman等(1996)首次提出了利用衛星數據測量火災輻射能(fire radiative energy, FRE)的概念。Andreae等(2001)基于對1999年12月和2002年5月的Terra/Aqua衛星的MODIS數據分析，首次提出了構建FRE的估測模型。Wooster等(2003)通過分析FRE的物理原理，也提出了估測FRE的模型，以火災發生時亮溫的4次方減去火周圍背景值亮溫的4次方再乘以燃燒面積等系數獲得FRE。Wooster等(2004)利用MODIS火產品數據中的火災輻射率(fire radiative power，FRP)數據，統計不同森林覆蓋百分比中FRP出現的頻數，監測了俄羅斯和北美寒帶森林火災。Heward等(2013)利用TM數據建立歸一化燃燒植被指數(normalized burn ratio, NBR)與FRP數據進行對比，由于FRP數據在時空上采樣比較稀疏，每個FRP像元與NBR計算的結果并不完全對應，通過分析16場火災后得出，FRP在中位數或第90百分位時二者的相關系數最高，此時FRP可有效反映火災燃燒植被的情況。Newman(2005)基于統計學的原理和知識，發現FRP服從冪律分布規律。Roberts等(2005； 2008)進一步研究了FRP的冪律分布特性，推導出梯度數值積分法求解FRE的方法，為估測森林燃燒生物量提供了一種新的途徑。Kumar等(2011)在梯度數值積分法求解FRE方法的基礎上進行改進，提出無需考慮FRP采樣因素，只需火災持續時間和FRP最大、最小值以及冪參數即可求解FRE的新方法。Wooster等(2005)研究發現，森林燃燒生物量和FRE二者具有線性關系，從而將FRE轉換為森林燃燒生物量。由于不同森林類型的燃燒特性不盡相同，因此相同環境條件下其燃燒的森林生物總量是不同的，但現有文獻在估測模型構建時并未考慮森林類型的影響。鑒于此，本文利用我國陸地區域2001—2014年MODIS火產品(MOD14A2)數據，在按森林類型分析FRP具備冪律分布特性的基礎上，探討按森林類型構建森林燃燒生物量估測模型、求解和修正不同森林類型模型參數的技術方法，進而對我國2001—2014年14年逐年森林因燃燒而消耗掉的生物總量進行估測，以期為我國年林火碳排放估測提供一種新的技術手段。

1 研究區概況與研究方法

1.1研究區概況和數據來源

1.1.1 研究區概況 選取我國陸地區域作為研究區。我國陸地植被氣候帶類型主要包括寒溫帶針葉林區、溫帶針闊葉混交林區、暖溫帶落葉闊葉林區、亞熱帶常綠闊葉林區、熱帶雨林季雨林區、溫帶草原區、溫帶荒漠化區和青藏高原高寒植被區8種氣候帶，森林種類繁多，地區差異較大，森林資源分布不均。如我國大部分森林資源集中分布在東北暖溫帶落葉闊葉林區和內蒙古溫帶草原區、西南青藏高原高寒植被區等邊遠山區以及東南亞熱帶常綠闊葉林區的丘陵地帶，而西北地區的溫帶荒漠化區森林資源嚴重貧乏。

1.1.2 數據來源 選取2001—2014年MODIS火產品數據集MOD14A2(a daily level 2 gridded 1 km fire active product)作為按森林類型構建燃燒生物量估測模型的衛星數據源， 該數據產品以天為單位合成，空間分辨率為1 km，其屬性信息主要包括經度、緯度、日期、時間、火災輻射率(FRP)等； 森林過火面積數據以2001—2014年火燒跡地數據集MCD45A1(a monthly level 3 gridded 500 m burned area product)數據為主，結合各植被氣候帶的森林生物載荷量和燃燒效率參數計算年森林燃燒生物量， 該數據產品以月為單位合成，空間分辨率為500 m，其屬性信息主要包括著火日期、置信度、火燒跡地面積等；同時引用國家統計局公布的近14年森林火災次數和過火面積等統計數據進行對比分析。

1.2研究方法

1.2.1 數據預處理 首先分別對2001—2014年的MODIS火產品數據集(MOD14A2)和MODIS火燒跡地產品數據集(MCD45A1)進行拼接、轉投影等工作， 然后用1∶25萬中國邊界裁剪出全國范圍內的數據。由于這2種MODIS數據集各像元沒有所屬地物類型信息，因此通過空間分析方法，將MOD14A2火產品數據與中國植被類型圖對應植被類型屬于闊葉林、針葉林、針闊混交林和灌木林4種類型的火點像元分類型生成4個數據文件； 同時采用相同的方法，結合中國植被類型圖和植被氣候帶類型圖，將MCD45A1火燒跡地產品像元按8種不同氣候帶和對應植被類型屬于闊葉林、針葉林、針闊混交林和灌木林4種類型分別生成火燒跡地數據。

1.2.2 FRP分布規律分析 經上述處理后， 2001—2014年覆蓋我國的MOD14A2火產品中共有274 199個點屬于森林類型，其中闊葉林71 520個、針葉林109 368個、針闊混交林304個、灌木林93 007個。對每種森林類型火點中的FRP，以0.1間隔為取值點，統計FRP出現的頻數并繪制散點圖(圖1)。由圖1可知， 利用MODIS數據監測到的闊葉林、針葉林和灌木林的FRP頻數均呈顯著的冪律分布趨勢； 而針闊混交林的火點數較少，其FRP在這14年間不具備冪律分布特性。因此，本文僅采用冪律分布方法對闊葉林、針葉林和灌木林的燃燒生物量估測模型進行研究，并利用構建的模型按森林類型估測全國近14年逐年因燃燒消耗掉的森林生物總量。

由圖1還可知，當FRP小于11時，符合冪律分布的3種森林類型的FRP頻數呈“直線分布”，而只有大于11時的FRP數據才滿足冪律分布，因此本文對FRP數據采用分段形式，選取FRP小于11的數據重新統計，分析3種森林類型的FRP頻數是否呈直線分布。由圖2可知， 當FRP小于6時，明顯存在一個拐點，所以當FRP小于11時，其頻數并不符合直線分布特征。

1.2.3 基于FRP冪律分布特性估測森林燃燒生物量 基于闊葉林、針葉林和灌木林的FRP冪律分布特性，采用Kumar等(2011)利用冪指數概率分布函數結合其數學期望推導出計算火災輻射能(FRE)的模型如下：

圖1 不同森林類型的FRP頻數分布結果Fig.1 The results of FRP frequence distribution according to forest types

圖2 不同森林類型 FRP小于11的頻數分布結果Fig.2 The results of FRP frequence less than 11 distribution according to forest types

(1)

式中： FRE為火災輻射能(MJ)；d為火災持續時間(s)；m為冪參數； FRPmax和FRPmin分別為FRP的最大和最小值(MW)。

計算出FRE后，采用Wooster等(2005)提出的式(2)計算森林燃燒生物量(burned biomass,BB)：

(2)

式中： BB為森林燃燒生物量(kg)； 轉換系數0.368并不依賴于森林類型，不同森林類型間的轉換系數是相同的。

Kumar等(2011)進一步利用轉換后的森林燃燒生物量與實際消耗量進行對比，發現其精度在80%以上。

1.2.4 采用LR+PDF方法估測冪參數m森林燃燒生物量估測模型中冪參數m通過引入冪指數的概率密度分布函數求解：

(3)

式中：c為常量。

采用對數形式的概率分布函數線性回歸擬合方法(the linear regression fit to probability distribution function in log scales，LR+PDF)求解m(Newman, 2005； Clausetetal., 2009)，即對式(3)等式兩邊取對數進行線性化處理并用FRP代替x，結果如下：

(4)

圖3 LR+PDF方法回歸擬合3種森林類型冪參數mFig.3 Three scaling parameters m for different forest types dervived from LR+PDF regression

根據2001—2014年闊葉林、針葉林和灌木林的FRP數據，以0.1間隔為取值點，統計FRP出現的頻數，對其進行概率計算，并統計出每年的FRP最大值(FRPmax)和FRP最小值(FRPmin)，回歸估計得到每種森林類型的冪參數m；再獲得火災持續時間d，即可利用式(1)和式(2)按年為單位計算森林燃燒生物量。

1.2.5 火災持續時間d修正 理想狀態的火災持續時間應是每場森林火災開始著火到火災撲滅的時間。由于2001—2014年全國范圍內4種主要森林類型發生不同程度的森林火災數以萬計，若以單場森林火災為單位進行估測，實現大區域、長時間序列的森林燃燒生物量估測比較困難，因此，將全年森林燃燒生物量作為一個整體，以全年的FRP數據進行燃燒生物量估測。這樣火災持續時間d應該是全年時間，但也會帶來一定誤差，所以對持續時間d進行了修正。

修正方法為每年選取10場左右典型的森林火災，對每場火災持續時間d加上全年時間，計算隨增加時間而增加的消耗森林生物量(BBZ)，與原來的消耗森林生物量(BBY)進行差值計算，用得到的差值除以原森林燃燒生物量獲得增量比(ΔBB)：

(5)

最后用增量比(ΔBB)和衛星真實監測時間d擬合方程，獲得二者關系式，并假設全年為真實時間，代入該方程求出增量比后，即可得到BBZ和BBY的比例關系，從而修正估測結果。

2 結果與分析

2.1冪參數m

采用LR+PDF擬合方法，計算每種森林類型FRP出現頻數的概率，并對其概率進行對數運算。由于現有針闊混交林FRP數據并不具備冪律分布特性，因此只回歸估計闊葉林、針葉林和灌木林3種森林類型的冪參數m，對應結果分別為1.707 9、1.718 9和1.986 1(圖3)。 由于每種森林類型的m是14年FRP數據回歸擬合的結果，因此以年為單位計算森林燃燒生物量時，只需對應每種森林類型的m回代即可。

2.2火災持續時間d修正示例

利用FRP冪律分布特性估測單場森林火災消耗森林生物量，無需對火災持續時間d進行修正，但以年為單位估測森林燃燒生物量時，需對每年的火災持續時間d進行修正，以消除其帶來的誤差。 本文分別以2001年闊葉林、2009年針葉林和2005年灌木林3種森林類型各9場典型火災為例，計算參數和結果如表1所示。得到增量比(ΔBB)與衛星真實監測火災持續時間d一組數據，對數據進行回歸擬合，闊葉林、針葉林和灌木林的擬合結果如圖4所示。

以全年作為衛星監測的真實時間，分別代入方程求解出2001年闊葉林、2009年針葉林和2005年灌木林的ΔBB后，代入式(5)即可獲得闊葉林、針葉林和灌木林全年森林燃燒生物量時間修正系數。以此為例分別對其余各森林類型每年的火災持續時間d進行修正，結果如表2所示。

表1 火災持續時間d修正示例Tab.1 Illustration of correction fire duration d

圖4 火災持續時間d的修正關系式Fig.4 Correction relationships of the fire duration d

2.3FRP最值選取對估測年森林燃燒生物量結果的影響

由于MODIS火產品數據僅包含覆蓋明火瞬時的觀測數據，因此森林燃燒時釋放的最大和最小FRP與實際上MODIS數據的監測結果存在差異。本文通過選取典型火災，分析FRP最值對估測結果的影響。具體方法為： 先假設其他參數不變，只分析選取FRP最大值的不同對估測結果的影響。按最大值每10%進行遞增，計算每次遞增森林燃燒生物量，最終形成FRP最大值遞增差值與森林燃燒生物量遞增差值(ΔBB%)的關系如圖5所示； 依照此方法，對最小值的影響分析結果如圖6所示。由圖5和圖6可知，FRP最值選取與估測誤差間呈正相關關系。

圖5 FRPmax對估測燃燒生物量精度的影響Fig.5 The FRPmax impact on the accuracy of burned biomass estimation

圖6 FRPmin對估測燃燒生物量精度的影響Fig.6 The FRPmin impact on the accuracy of burned biomass estimation

2.4年森林燃燒生物量估測結果

以年為單位統計每年FRP最值以及對應每種森林類型的冪參數m、時間修正系數和FRE轉換森林燃燒生物量系數，利用式(1)和式(2)計算每年森林燃燒生物量，結果如表2所示。

闊葉林因燃燒消耗的生物總量為15.84 Mt，年消耗量在0.94～1.37 Mt之間，年際變化相差不大，消耗森林生物量較大的年份是2003、2006和2010年，分別為1.36、1.37和1.36 Mt； 消耗較小的年份是2011和2014年，均為0.94 Mt。針葉林因燃燒消耗的生物總量為16.31 Mt，年消耗量在0.80～1.92 Mt之間，2009年變化較大，突然增加到1.92 Mt，這與2009年黑龍江地區發生重大森林火災有直接關系；從其余年份看，2001與2002年較小，其他年份都在1 Mt以上。灌木林因燃燒消耗的生物總量為6.47 Mt，年消耗量在0.37～0.53 Mt之間，年際變化無較大差異。

2.5年森林燃燒生物量估測結果對比分析

利用林火排放物計算模型和基于冪律分布方法估測的年森林燃燒生物量進行對比分析。林火排放物計算模型(Seileretal., 1980)為：

M=A×B×E。

(6)

式中：M為森林燃燒生物量估計值(t)；A為火燒跡地面積(hm2)；B為平均森林可燃物載量(t·hm-2)；E為燃燒效率。

由式(6)可知，在計算森林燃燒生物量時，需計算各森林類型面積并確定火災燃燒的可燃物載量和燃燒系數。本文以8種植被氣候帶和4種森林類型提取MCD45A1時間序列數據集森林火燒跡地面積，同時引用田曉瑞等(2006)提出的以不同植被氣候帶計算森林生物載荷量和燃燒效率2個參數乘積的平均值代替B×E，如表3所示。該組數據在國際上也是比較公認的研究成果，IPCC和一些全球林火排放模型都有所引用(Carvalhoetal., 1998; Robinson, 1989; Fearnsideetal., 1999; Levineetal., 2000; Streetsetal., 2003)。

8種不同植被氣候帶統計的森林類型火燒跡地面積，如闊葉林、針葉林和灌木林與表3中5種森林類型不完全一致。根據森林類型和燃燒特點，將熱帶季雨林區和亞熱帶常綠闊葉林區植被氣候帶統計的針葉林和闊葉林火燒跡地面積，分別結合熱帶天然林和熱帶次生林B×E的平均值估測森林燃燒生物量； 暖溫帶落葉闊葉林區、溫帶荒漠區、溫帶針闊混交林區和溫帶草原區4種植被氣候帶統計的針葉林和闊葉林火燒跡地面積，結合溫帶森林B×E的平均值估測森林燃燒生物量； 寒溫帶和青藏高原高寒植被區植被氣候帶統計的針葉林和闊葉林火燒跡地面積，結合北方林B×E的平均值估測森林燃燒生物量； 灌木林單獨計算。林火排放物計算模型(MCD45A1)和基于冪律分布(MOD14A2)方法估測的年森林燃燒生物量結果對比如表4所示。

表2 全國年森林燃燒生物量估測結果Tab.2 Results of national burned forest biomass estimate

表3 不同森林類型火災消耗的生物量計算參數(公式中B×E)Tab.3 Parameters for burned forest biomass estimate(the formula B×E) t·hm-2

表4 2種方法估測的年森林燃燒生物量結果對比Tab.4 Results of burned forest biomass estimates by using different models Mt

由表4可知，基于林火排放物計算模型(MCD45A1)的估測結果多數比基于冪律分布(MOD14A2)方法的估測結果偏高。有些年份2種方法的估測結果差異顯著，如2003年針葉林林火排放物計算模型的估測結果為34.58 Mt，基于冪律分布方法的估測結果為1.39 Mt，相差幾十倍以上，且比冪律分布方法估測14年結果總和(16.31 Mt)還要高； 闊葉林在2003、2007、2008、2009和2011年采用這2種方法的估測結果相差也較大，且都比基于冪律分布方法估測14年結果總和(15.84 Mt)高很多； 灌木林在2004、2007和2014年也是偏高許多。出現上述結果的原因首先在于林火排放物計算模型使用可燃物載量和燃燒系數2個參數乘積的平均值代替每年2個參數的實際變化值，這樣會帶來一定的誤差； 其次是基于MCD45A1獲得的森林火燒跡地面積遠比國家統計局公布的數據大，這也是造成結果偏大的原因之一。而本文提出的方法對于單場或長時間序列森林火災，只要獲取FRP最值即可，模型中的火災持續時間d、冪參數m都可作為已知量，因此計算結果的誤差相對較小，估測結果的準確性更高。

圖7 3種森林類型的燃燒生物量年際變化Fig.7 Annual changes of burned forest biomass of three forest type year 2001—2014

圖7更直觀地反映了2種方法對近14年森林燃燒生物量估測結果的差異和年際變化情況。從3種森林類型的變化趨勢上可以看出； 2種方法估測結果的年際變化規律比較明顯，能夠反映每年森林燃燒生物量的波動情況，但本文研究方法估測的2014年3種森林類型燃燒生物量都是下降的，符合國家統計局公布的2014年森林過火面積和發生次數同比2013年下降或基本持平的情況(圖8)； 而林火排放物計算模型估測的結果都是上升的，說明本文研究方法估測結果的年際變化更符合我國森林火災消耗森林生物量的年際變化規律。基于冪律分布方法估測結果的年際變化都在同一數量級內波動，而林火排放物計算模型估測結果有些年份的森林燃燒生物量變化并不在同一數量級內； 通過對比國家統計局公布的每年森林火災發生次數和過火面積，相鄰年份森林燃燒生物量從百萬噸到千萬噸的變化也不符合我國森林火災消耗森林生物量的情況。

圖8 基于國家統計局公布的森林火災數據年際變化Fig.8 Annual change of forest fire using the data published by the National Bureau of Statistics of the People’s Republic of China

3 討論

通過對林火排放物計算模型和基于冪律分布方法估測森林燃燒生物量的結果進行對比分析，可以得出： 基于冪律分布方法估測結果的年際變化在同一數量級內波動，年際變化規律符合2001—2014年14年我國森林火災發生的特點； 但林火排放物計算模型估測結果波動范圍較大，有些年際變化是相鄰年份變化的幾十倍，同比基于冪律分布方法估測14年總量還要大。另外，利用林火排放物計算模型估測大區域年森林燃燒生物量很難準確獲取每年的火燒跡地面積、森林可燃物載量和燃燒系數等參數； 大區域、長時間的森林火燒跡地面積調查工作量較大，一些高山峻嶺測量起來也較困難。

利用森林可燃物載量和燃燒系數乘積的平均值代替每年2個參數的實際變化值估測長時間序列的森林燃燒生物量，其結果往往會出現較大誤差。本文利用熱紅外遙感具有探測地物發射能量的特性，以及火產品數據的FRP具有冪律分布的規律，按森林類型構建基于冪律分布的估測模型，從而實現對大區域、長時間序列的森林燃燒生物量估測， 與林火排放物計算模型參數獲取相比，該方法的參數直接來源于衛星數據，無需開展外業調查，可減少人為因素帶來的誤差，具有省時省力的特點。

目前熱紅外遙感衛星數量較少，獲取森林火災數據還存在局限性，如針闊混交林的火點數據較少，其FRP并未呈現出冪律分布規律，本文還未形成相應的估測模型； 但隨著時間序列的增長和衛星不斷發射升空，這些不足會慢慢解決。

4 結論

本文利用闊葉林、針葉林和灌木林的FRP具有冪律分布的規律，按森林類型構建了森林燃燒生物量模型，求解并分析了模型中涉及的參數。分析了FRP小于11時，3種森林類型FRP頻數看似符合“直線分布”，但FRP小于6時，明顯存在一個拐點，所以FRP小于11時，其頻數并不符合直線分布特征。同時統計分析了3種森林類型的FRP各占其總量的比例并不是很高，且對應擬合方程的相關系數R2都在0.90以上，說明擬合效果較好，擬合的冪參數m未對估測結果產生較大的高估現象；并選取每年10場左右典型的森林火災修正火災持續時間d，以降低對估測大區域、長時間序列森林燃燒生物量結果的影響等。最終對我國近14年逐年森林燃燒消耗的生物量進行了估算，其中，闊葉林年消耗量在0.94～1.37 Mt之間、針葉林在0.80～1.92 Mt之間、灌木林在0.37～0.53 Mt之間。通過與林火排放物計算模型估測的全國同年林火消耗掉的森林生物總量進行對比，森林燃燒生物量模型比林火排放物計算模型的估測結果更準確。

胡海清, 張 喆, 吳學偉. 2007. 基于遙感的塔河林業局森林可燃物類型劃分. 東北林業大學學報，35(7): 20-21.

(Hu H Q, Zhang Z,Wu X W.2007. Type classification of forest fuel in Tahe Forestry Bureau based on remote sensing. Journal of Northeast Forestry University, 35(7): 20-21. [in Chinese])

田曉瑞, 舒立福, 王明玉. 2003. 1991—2000年中國森林火災直接釋放碳量估算. 火災科學，12(1)： 6-10.

(Tian R X, Shu L F, Wang M Y. 2003.Direct carbon emissions from Chinese forest fires, 1991—2000. Fire Safety Science, 12(1)： 6-10. [in Chinese])

田曉瑞, 舒立福, 王明玉,等. 2006. 衛星遙感數據在林火排放模型中的應用. 安全與環境學報，6(4): 104-108.

(Tian R X, Shu L F, Wang M Y,etal. 2006.An emission model for the use of satellite data to the forest fire evaluation. Journal of Safety and Environment, 6(4): 104-108. [in Chinese])

田曉瑞, 殷 麗, 劉景雙，等. 2009. 2005—2007年大興安嶺林火釋放碳量. 應用生態學報， 20(12): 2877-2883.

(Tian X R, Yin L, Liu J S,etal. 2009. Carbon emission from forest fires in Daxing’ anling region in 2005—2007. Chinese Journal of Applied Ecology, 20(12): 2877-2883. [in Chinese])

王效科, 馮宗煒, 歐陽志云. 2001. 中國森林生態系統的植物碳儲量和碳密度研究. 應用生態學報，12(1): 13-16.

(Wang X K, Feng Z W, Ouyang Z Y. 2001.Vegetation carbon storage and density of forest ecosystems in China. Acta Ecologica Sinica, 12(1): 13-16. [in Chinese])

楊國福, 江 洪, 余樹全, 等. 2009. 浙江省1991—2006森林火災直接碳釋放量的估算. 應用生態學報， 20(5): 1038-1043.

(Yang G F, Jiang H, Yu S Q，etal.2009.Black carbon emission from forest fires of Zhejiang Province during 1991—2006. Acta Ecologica Sinica, 20(5): 1038-1043. [in Chinese])

魏書精, 羅碧珍, 孫 龍, 等. 2014. 黑龍江省溫帶森林火災碳排放的計量估算. 生態學報，34(11): 3048-3063.

(Wei S J, Luo B Z, Sun L,etal. 2014. Estimates of carbon emissions caused by forest fires in the temperate climate of Heilongjiang Province，China，from 1953 to 2012. Acta Ecologica Sinica, 34(11): 3048-3063. [in Chinese])

Andreae M O, Merlet P. 2001. Emission of trace gases and aerosols from biomass burning. Global Biogeochemical Cycles, 15(4): 955-966.

Carvalho J A, Higuchi N, Araújo T M,etal. 1998. Combustion completeness in a rainforest clearing experiment in Manaus, Brazil. Journal of Geophysical Research, 103(13): 195-213.

Clauset A, Shalizi C R, Newman M E J. 2009. Power law distributions in empirical data. SIAM Rev, 51(4)： 661-703.

Fearnside P M, de Alencastro Gra?a P M L, Leal Filho N,etal. 1999. Tropical forest burning in Brazilian Amazonia: measurement of biomass loading, burning efficiency and charcoal formation at Altamira, Pará. Forest Ecology and Management, 123(1): 65-79.

Heward H, Smith A M S, Roy D P,etal. 2013. Is burn severity related to fire intensity? Observations from landscape scale remote sensing. International Journal of Wildland Fire, 22(7): 910-918.

Kaufman Y J, Remer L, Ottmar R,etal.1996. Relationship between remotely sensed fire intensity and rate of emission of smoke: SCAR-C experiment∥Levine J. Global biomass burning. MIT Press: Cambridge, MA, 685-696.

Kumar S S, Roy D P, Boschetti L,etal. 2011. Exploiting the power law distribution properties of satellite fire radiative power retrievals: a method to estimate fire radiative energy and biomass burned from sparse satellite observations. Journal of Geophysical Research: Atmospheres,116(D19): 1-18.

Levine J S, Cofer III W R. 2000. Boreal forest fire emissions and the chemistry of the atmosphere∥Fire, climate change, and carbon cycling in the boreal forest. Springer New York，31-48.

Newman M E. 2005. Power laws, Pareto distributions and Zipf’s law. Contemporary Physics, 46(5): 323-351.

Robinson J M. 1989. On uncertainty in the computation of global emissions from biomass burning. Climatic Change, 14(3): 243-261.

Roberts G, Wooster M J, Perry G L W,etal. 2005. Retrieval of biomass combustion rates and totals from fire radiative power observations: application to southern Africa using geostationary SEVIRI imagery. Journal of Geophysical Research: Atmospheres,110(D21):1-19.

Roberts G J, Wooster M J. 2008. Fire detection and fire characterization over Africa using Meteosat SEVIRI. IEEE Transactions on Geoscience and Remote Sensing, 46(4): 1200-1218.

Seiler W, Crutzen P J. 1980. Estimates of gross and net fluxes of carbon between the biosphere and the atmosphere from biomass burning.Climatic Change,2(3): 207-247.

Streets D G, Bond T C, Carmichael G R,etal. 2003. An inventory of gaseous and primary aerosol emissions in Asia in the year 2000. Journal of Geophysical Research: Atmospheres, 108(D21):8809-8809.

Wooster M, Zhang Y. 2004. Boreal forest fires burn less intensely in Russia than in North America. Geophysical Research Letters, 31(20): L20505.

Wooster M J, Zhukov B, Oertel D. 2003. Fire radiative energy for quantitative study of biomass burning: derivation from the BIRD experimental satellite and comparison to MODIS fire products. Remote Sensing of Environment, 86(1): 83-107.

Wooster M J, Roberts G, Perry G L W,etal. 2005. Retrieval of biomass combustion rates and totals from fire radiative power observations: FRP derivation and calibration relationships between biomass consumption and fire radiative energy release. Journal of Geophysical Research: Atmospheres,110(D24):1-24.

(責任編輯 石紅青)

MethodforBurnedForestBiomassEstimationUsingSatelliteRemoteSensingBasedonPowerLawDistribution

Zu Xiaofeng Qin Xianlin Li Zengyuan Sun Guifen Liu Shuchao

(InstituteofForestResourceInformationTechniques,CAFBeijing100091)

【Objective】 Exploring the burned biomass estimation method by using the long time series of satellite remote sensing data products according to forest types at large scale, and getting the burned biomass estimation result by annual for different forest types, were the major objective of the current work.【Method】 The MODIS satellite active fire detection products(MOD14A2)covering the land of P. R. China in 2001—2014 have been selected as the datasets, the feature of power law distribution of FRP(fire radiative power)has been analyzed on three forest types; meanwhile, the burned forest biomass estimation models have been developed on the forest types. To get the scaling parameterm, the linear regression fit to probability distribution function in log scales has been applied, and about 10 times forest fire every year have been selected to modify the annual fire durationd. The national burned forest biomass has been estimated on an annual basis. At the same time, the study result calculated from MODIS burned dataset(MCD45A1)were compared with those derived from forest fire emissions calculation model to validate the efficacy of the current estimation method .【Result】 The value of FRP of broadleaf forest, coniferous forest and shrub forest follow the power law distribution. In the 14 years, the annual burned biomass of broadleaf forest was in 0.94-1.37 Mt, with a burned biomass in 0.80-1.92 Mt for coniferous forest, shrub forest’s burns in 0.37-0.53 Mt. The result of the two methods were significantly different in some years, even certain values derived from forest fire emissions model were far beyond the total burned biomass of the observed 14 years calculated from the method developed in the current work. The result and inter annual variation were more consistent with the statistics of fire numbers and burned area issued by the National Bureau of Statistics.【Conclusion】 The value of FRP of the broadleaf forest, coniferous forest and shrub forest follow the power-law distribution characteristics, the national burned forest biomass estimation models have been developed based on the feature by forest type in the 14 years. The method based on power law distribution is more accurate than the result of fire emissions model estimation method.

satellite remote sensing data； forest fires； biomass burning estimation； FRP

10.11707/j.1001-7488.20171010

2016-02-22；

2016-06-14。

國防科工局重大專項項目(21-Y30B05-9001-13/15)； “十三五”民用航天預研課題“基于數據挖掘機制的森林擾動信息衛星遙感監測與評價技術”。

*覃先林為通訊作者。

S757

A

1001-7488(2017)10-0090-10