運用林分密度和平均高估測思茅松人工林地上生物量1)

張國飛 岳彩榮 趙勛 羅洪斌 谷雷

(西南林業大學,昆明，650224)

森林作為地球陸地生態系統的主體，有改善地球生態環境、調節全球碳平衡、減緩溫室氣體濃度上升等作用[1-2]。森林生物量能夠反映森林生態系統的狀態和變化規律，準確地獲取森林生物量時空分布信息是生態學和全球變化研究熱點之一。思茅松(Pinuskesiyavar.langbianensis) 作為喜陽速生樹種，是我國亞熱帶西南部山地的代表種，主要分布在云南省的景谷、思茅、普文等地區[3]。

目前，國內外思茅松地上生物量的估測，主要集中在單木地上生物量生長模型[3-9]，運用遙感影像，在林分尺度上，對思茅松地上生物量估測模型的研究較少。竇玉偉等[5]以墨江縣魚塘鎮的思茅松天然林132株單木數據為研究對象，采用Richards、Logistics、Gompertz、Korf、Weibull等5個經驗方程構建生物量生長模型；Ou et al.[8]在普洱市三個地區選擇128棵思茅松，通過最小二乘非線性模型(BM)、最小二乘非線性模型與地形因素(BMT)等8個模型反演思茅松地上生物量；歐光龍[9]在林分水平上,采用非線性混合效應模型技術，引入林分因子、地形因子和氣候因子構建了思茅松地上生物量估測模型。目前，林分尺度上思茅松地上生物量模型研究主要采用TM遙感影像，運用波段及相關植被指數構建思茅松地上生物量模型。吳嬌嬌等[10]以普洱市思茅松天然林為研究對象，從Landsat8 TM影像中提取14個自變量備選因子，利用BP神經網絡(BP)建立了思茅松天然林生物量估測模型(最優模型的決定系數為0.85、均方誤差為14 t·hm-2、預估精度為74.75%)；孫雪蓮等[11]以云南省景谷縣思茅松人工林為研究對象，提取9個植被指數作為備選自變量，建立了思茅松人工林隨機森林(RF)回歸遙感估測模型(最優模型的決定系數為0.97、均方根誤差為4.97 t·hm-2、預估精度為87.67%)。閭妍宇等[12]結合2005年景谷縣TM影像數據，采用普通最小二乘模型(OLS)和地理加權回歸模型(GWR)的方法構建思茅松生物量遙感估測模型。

Sentinel-2A/B衛星是歐洲空間局(ESA)的多光譜遙感成像衛星，包括3個植被紅邊波段、2個紅外波段、可見光和近紅外波段等13個波段，已廣泛應用于葉面積指數、葉片葉綠素含量、地上生物量、植被覆蓋度等反演[13-19]。周希勝等[14]利用sentinel-2影像數據反演玉米、紅樹林的地上生物量；Jin et al.[16]利用Sentinel 2A植被指數和葉面積指數(LAI)反演玉米生物量；Visús et al.[18]對SNAP平臺獲得的植被生物物理變量進行了驗證。

本研究選擇65塊云南省普洱地區思茅松人工林圓形樣地數據和Sentinel-2A/B多光譜影像數據，測算林分疏密度、每公頃株數、林分平均高、林分地上生物量等信息以及通過Sentinel 2多光譜影像和生物物理處理工具箱獲得植被覆蓋度、葉面積指數等植被生物物理變量。采用平均高和林分密度通過參數模型和非參數模型，探討估測單位面積思茅松人工林地上生物量的可行性和可靠性，為運用遙感技術構建、設計森林資源調查監測新體系提供參考依據。

1 研究區概況

研究區位于北回歸線附近的云南省普洱市思茅區，地處滇南熱帶與南亞熱帶的過渡位置，該地氣候干濕季分明，氣溫15.0～20.3 ℃，年降水量1 100～2 780 mm，海拔高度1 320 m，區內森林覆蓋率67%以上。主要樹種有思茅松、紅木荷(Schimawallichii(DC.) Choisy)、刺栲(Castanopsisspach)、小果栲(Castanopsismicrocarpa)、茶梨 (AnnesleafragransWall)和毛銀柴(Aporusavillosa(Lindl.) Baill)等[3]。

2 研究方法

2.1 樣地設置與調查

思茅松人工林進行典型樣地調查共設置65個半徑為12 m的圓形樣地。對于喬木樣地進行每木檢尺，記錄數據包括株樹、胸徑、樹高、樣地中心點坐標。樣地調查時間為2018年12月。思茅松人工林樣地地上生物量、林分疏密度、林分平均高和每公頃株數等變量是由樣地調查數據計算獲得。

圖1 研究區位于我國云南省普洱市(左圖)，研究區的樣地(右圖)

林分地上生物量(B)：由每木檢尺數據和思茅松地上生物量公式計算獲得[3]。

式中：B表示林分每公頃地上生物量;N為樣地思茅松株數;DBH為思茅松單株胸徑;H為思茅松單株樹高;S為樣地面積。

林分疏密度(P)：林分疏密度是林分胸高斷面積(G)與標準林分胸高斷面積(GB)比值。依據調查數據計算林分平均高和林分胸高斷面積(G)，從思茅松人工林標準表[9]中查出對應調查所得林分平均高的標準林分胸高斷面積(GB)。即P=G/GB。式中：G為調查林分的每公頃斷面積,GB為標準林分的每公頃斷面積。

每公頃株數(NZ)：由樣地內每木檢尺實測記錄數除以樣地面積。

2.2 遙感數據

研究中使用的Sentinel-2多光譜遙感圖像的基本信息：衛星Sentinel-2B、Multispectral image level-1c產品、日期為2019-2-24、分辨率10 m、圖像幅寬100 km。預處理步驟包括大氣校正、裁剪等，其中大氣校正由歐洲航天局開發的Sen2cor工具箱軟件處理完成的；Sentinel 2多光譜遙感圖像冠層頂部(TOC)歸一化反射率數據通過神經網絡反演植被生物物理變量，由SNAP的生物物理處理工具箱完成，葉面積指數和植被覆蓋度[13，16-19]。在本研究中，將被覆蓋度、葉面積指數作為林分密度指標。

表1 思茅松人工林樣地的主要林分參數

2.3 模型的建立

(1)

式中：a0、a1、ε為參數。

(2)

式中：b0、b1、b2、ε為參數。

林分平均胸徑通過林分平均高估計。

(3)

式中：c0、c1、ε為參數。

將公式(1)、(2)(3)整理可得基礎模型。

(4)

在思茅松人工林中，當林分密度增大，林分平均高、胸徑會減小，且胸徑比樹高更受林分密度的影響[21]。基礎模型中，參數c隨ρ的變化而變化，可將基礎模型變換為兩種形式，即變參數模型-1 (公式5)和變參數模型-2(公式6)。

(5)

(6)

式中：a、b、c、d、e為參數。變參數模型中，d/ρ和e/ρ表示胸徑和樹高受到密度ρ的影響。

對于(4)、(5)和(6)式3個模型結構，4個密度指標(植被覆蓋度、每公頃株樹、林分疏密度和葉面積指數)建立基于林分平均高和密度的思茅松人工林地上生物量估計模型，合計12個模型。

非參數模型：非參數模型包括支持向量機(SVM)、隨機森林(RF)、BP神經網絡(BP)，4個密度指標(植被覆蓋度、每公頃株樹、疏密度和葉面積指數)，合計12個模型。

隨機選擇50個樣地作為訓練樣地，剩余15個樣地作為檢驗樣本。所有模型擬合統計量包括決定系數(R2)、均方根誤差(RMSE)和預估精度(P)。

3 結果與分析

3.1 林分密度與思茅松林分地上生物量的相關性

由表2可知，林分密度與林分地上生物量都呈顯著正相關(r>0.5)，按相關性高低順序分別為：每公頃株數、林分疏密度、葉面積指數和植被覆蓋度。

表2 林分密度與思茅松林分地上生物量的相關性

3.2 地上生物量估測

由圖2、圖3和表3可知，在林分平均高和林分密度(每公頃株數、林分疏密度)構建的思茅松地上生物量模型中，林分平均高-每公頃株數構建的地上生物量最優模型(訓練樣本的R2、RMSE、P最優值分別為0.966 0、10.05、92.63%，測試樣本的R2、RMSE、P最優值分別為0.965 8、11.90、88.58%)優于林分平均高-林分疏密度構建的地上生物量模型(訓練樣本的R2、RMSE、P最優值分別為0.915 6、19.37、89.33%，測試樣本的R2、RMSE、P最優值分別為0.838 7、24.87、82.98%)，說明每公頃株數對林分地上生物量變動的解釋能力好于林分疏密度。

圖2 每公頃株數-林分平均高構建的思茅松地上生物量模型估測結果

圖3 林分疏密度-林分平均高構建的思茅松地上生物量模型估測結果

由圖4、圖5和表3可知，在林分平均高和植被生物物理變量(植被覆蓋度和葉面積指數)構建的思茅松地上生物量模型，從相關性、精度和預估精度等方面看，林分平均高-葉面積指數構建的地上生物量變參數模型(訓練樣本的R2、RMSE、P最優值分別為0.855 1、24.59、82.84%，測試樣本的R2、RMSE、P最優值分別為0.667 2、29.86、78.28%)優于林分平均高和植被覆蓋度構建的地上生物量模型(訓練樣本的R2、RMSE、P最優值分別為0.748 4、33.36、75.90%，測試樣本的R2、RMSE、P最優值分別為0.637 6、63.30、73.29%)，葉面積指數能夠反映植物葉面數量、冠層結構變化、植物群落生命活力及其環境效應等信息，比植被覆蓋度對林分地上生物量變動有更好的解釋能力。

圖4 葉面積指數-林分平均高構建的思茅松地上生物量模型估測結果

3.3 模型評價

由圖6和表4可知，在構建的所有思茅松地上生物量模型中，從模型決定系數來看，以每公頃株數-林分平均高構建的模型效果最好，林分平均高-林分疏密度構建的模型次之，林分平均高-葉面積指數構建的模型第三，林分平均高-植被覆蓋度構建的模型最差。

圖5 植被覆蓋度-林分平均高構建的思茅松地上生物量模型估測結果

表3 應用林分平均高和林分密度對思茅松地上生物量估測模型建模

由表4可知，模型反演的均方根誤差值差異比較明顯的(10.05～33.36 t·hm-2)，林分平均高-每公頃株樹的地上生物量模型反演誤差(RMSE)值最低，林分平均高-植被覆蓋度反演生物量模型均方根誤差最大。

由表3可知，在參數模型中，可變參數模型擬合效果總體要好于不變參數模型，且可變參數-2模型擬合效果都好于可變參數-1。在參數模型的參數穩定性方面，每公頃株數、林分疏密度與林分平均高兩組變量構建的模型參數變動系數小于20%，穩定性較好；但植被覆蓋度、葉面積指數與林分平均高兩組變量構建的參數模型中，都至少有一個參數的變動系數大于30%，模型略欠穩定。

表4 最優模型的估測值與實測地上生物量的決定系數和均方根誤差

在非參數模型中，在林分平均高和每公頃株數變量組合中，SVM模型擬合效果好于RF模型和BP神經網絡。但在其他3個變量組合中，RF模型擬合效果遠好于支持向量機和BP神經網絡。

參數模型與非參數模型比較，從相關性來看，只有基于每公頃株數和林分平均高變量構建的地上生物量模型中，參數模型(變參2模型)較非參數模型要好。其他3組變量構建的生物量模型則相反，非參數模型(RF模型)較參數模型要好。

圖6 思茅松地上生物量模型估測值與實測值的散點圖

4 結論

本研究中，林分密度(每公頃株樹、林分疏密度、植被覆蓋度、葉面積指數)和林分平均高通過參數模型(不變參數模型和可變參數模型)和非參數模型(支持向量機、隨機森林、BP神經網絡)估測思茅松人工林林分地上生物量，獲得了地上生物量與之間的高相關性(決定系數為0.748 5～0.966 0)，模型的預測誤差小于34 t·hm-2(均方根誤差為10.05～33.36 t·hm-2)；每公頃株樹和林分平均高的思茅松人工林地上生物量變參數模型-2最優(R2=0.966 0，RMSE=10.05 t·hm-2)，可在思茅松人工林樣地調查時，快速估計樣地地上生物量，具有實際意義。思茅松地上生物量與葉面積指數和植被覆蓋度的都呈現顯著正相關(r>0.5)，能夠很好反演思茅松地上生物量(相應的模型決定系數R2分別為0.748 5、0.855 1，RMSE分別為10.05、33.36 t·hm-2)，為大面積繪制思茅松人工林地上生物量提供了可能。

葉面積指數和植被覆蓋度是對sentinel-2多光譜遙感影像處理獲得的生物物理變量，用于反演生物量時依然繼承了光學遙感面臨的局限性，即生物量反演飽和度問題，當地上生物量超過150 t·hm-2時，模型相關性與精度都會變差。后續研究通過LiDAR激光雷達數據或利用全極化SAR數據進行極化干涉測量(PolInSAR)獲取森林樹高信息，并結合Sentinel-2的植被指數和植被生物物理變量等信息，以測試其生物量反演和制圖能力。此外，還應采用各種數據轉換技術，以及非線性多元回歸形式，以找出預測和觀測值的最高相關性，并與當前值相比降低預測誤差。

致謝：本次部分樣地調查數據由中國林業科學院提供，在此表示衷心感謝。