南方紅壤典型水土流失區馬尾松林地上林木碳儲量的遙感監測
——以長汀縣河田鎮為例

師吉紅,項 佳,劉 健,鄧洋波,李明慧,余坤勇,*

1 福建農林大學林學院,福州 350002 2 3S技術與資源優化利用福建省高校重點實驗室,福州 350002 3 福建省資源環境監測與可持續經營利用重點實驗室,福州 350002

南方紅壤區是我國重要的林木產區。由于侵蝕性降雨集中、土壤抗蝕性差、林下植被匱乏[1]以及強烈的人為干擾[2],南方紅壤區已成為僅次于黃土高原的中國第二大水土流失區[3]。長汀縣是我國南方水土流失最嚴重的地區之一[4],該地區通過人工植樹種草[5]、封山育林[6]等措施,水土流失勢頭得到了初步控制。森林碳儲量不僅能夠維持生態平衡[7]、反映森林質量[8],也對水土流失治理成效有一定的指示作用。因此,森林碳儲量可為區域生態環境評價、區域水土流失治理成效評估提供輔助[9]。

馬尾松(Pinusmassoniana)作為長汀水土流失區生態恢復和重建的先鋒樹種[10],具有耐貧瘠、成活率高的特點[11]。馬尾松林地上林木碳儲量的變化直接反映區域森林總碳儲量的狀況。傳統的碳儲量測量方法多采用樣地清查法[12],該方法成本高,工作量大,僅適用于較小的區域,并且人為選擇樣地,主觀因素強,導致結果具有不確定性。針對大面積的碳儲量估算,遙感技術具有明顯的優勢。遙感技術可以對大面積的森林進行動態監測[13],更好地了解森林碳儲量的變化。眾多學者利用遙感技術對森林碳儲量進行估算。Fauzi 等[14]對馬來西亞吉蘭丹熱帶森林不同海拔梯度碳儲量進行估算。覃連歡[15]使用生物量換算因子法估算廣西省森林植被的碳儲量。馬尾松單木生物量模型是準確測算馬尾松林碳儲量不可缺少的工具,對馬尾松林生物量、碳儲量的研究多采用福建省通用模型估算[16- 17]。但眾多研究表明,不同起源[18]、不同生態環境[19]、不同林齡[20]的同一樹種的生長存在較大差異。長汀水土流失區馬尾松所處的生態環境比福建其他地區馬尾松林特殊,土壤極度貧瘠,造成該區域馬尾松生長狀況較差,同年生馬尾松的胸徑、樹高通常達不到正常生長水平,導致通用模型并不適用于該區馬尾松生長預測。

基于此,研究以長汀縣河田鎮馬尾松林為對象,利用項佳等[21]提出的長汀紅壤侵蝕區馬尾松林生物量估算模型,結合地面樣地碳儲量數據和河田鎮2017年11月1日Landsat 8 OLI遙感影像,構建馬尾松林地上林木碳儲量遙感反演模型。基于偽不變特征原理的線性歸一化法((pseudo-invariant features, PIF)),實現反演模型在2003年、2010年同期影像上的適用性校正,反演3期馬尾松林地上林木碳儲量,進一步分析區域馬尾松林地上林木碳儲量時空分異特征,以期為我國南方水土流失區下一步生態恢復重建工作提供重要依據。

圖1 研究區樣地分布圖Fig.1 The distribute of standard plot

1 材料與方法

1.1 研究區概況

河田鎮(東經116°16′—116°34′,北緯25°30′—25°44′)位于福建省長汀縣中部地區,總面積約296 km2(圖1)。該地區屬亞熱帶海洋性季風氣候,年均溫17—19.5℃,年降雨量1700 mm[22],降雨強度大。全鎮低山高丘陵環繞,屬于河谷盆地,平均海拔為390 m,以山地丘陵紅壤為主,侵蝕嚴重,土壤貧瘠、地表含沙量大,屬于強水土流失區。以河田鎮為中心的紅壤侵蝕劣地,原有地帶性植被常綠闊葉林被次生馬尾松林代替,稀疏矮小、生長緩慢的“小老頭馬尾松”眾多,林下分布以芒萁(Dicranopterisdichotoma)為主,形成以馬尾松-芒萁為主的植被群落結構[19]。在大力開展封山育林、種植水保林草、改造低效林等工程措施的綜合治理下,河田鎮水土流失治理取得初步成效,但林分結構不穩定、地表徑流頻發的背景下其生態環境仍十分脆弱。

1.2 數據的獲取與預處理

1.2.1樣地的設置

根據典型取樣原則,于2017年7月在全鎮范圍內隨機但空間上又具有一定均勻性和代表性設置45個20 m×20 m的樣地,采用UG905高精度手持GPS準確定位。考慮到研究區馬尾松林木林分質量相對較弱,故本次調查起測胸徑為3 cm。對45個樣地內達到起測胸徑的馬尾松進行每木檢尺,測量并記錄胸徑、樹高和冠幅。

1.2.2樣地碳儲量的計算

基于馬尾松林樣地每木檢尺的胸徑、樹高信息,利用項佳等[21]提出的長汀紅壤侵蝕區馬尾松林生物量估算模型(見表1),計算各樣地蓄積量、生物量。

表1 馬尾松生物量模型

采用李海奎[23]提出的馬尾松含碳系數(0.4596)計算各樣地地上林木碳儲量值：

C=B×CC

(1)

式中,C為平均碳儲量(t/hm2)；B為平均生物量(t/hm2)；CC為含碳系數。

1.2.3遙感數據獲取及預處理

利用遙感影像定量反演時,理論上外業調研時間應與影像獲取時間保持一致或接近。但區域可獲取的2017年7月份左右有效衛星影像缺失,考慮到本研究時間跨度長、馬尾松生長指標相同年份內變化相對較小,最終選定2017年11月1日的Landsat 8 OLI影像作為同期模型構建的基礎數據,2003年、2010年則選擇的2003年12月29日、2010年1月14日Landsat 5 TM影像,以上數據均來源于地理空間數據云(http://www.gscloud.cn/)。在此基礎上采用2017年分辨率更高的Spot 6影像和Eco Drone-UAS八旋翼無人機獲取的無人機影像作為參考影像,對3期基礎影像進行匹配校準,配準精度在0.5個柵格以內,并對影像進行輻射定標、大氣校正、影像裁剪等預處理。

1.3 模型自變量的選擇

研究區馬尾松林下以芒萁等耐旱瘠草為主。曾宏達[24]在對比馬尾松與芒萁的光譜曲線后,發現芒萁反射率高于馬尾松,特別是在綠光、紅光等波段差異明顯。而植被指數是光譜反射率的組合運算,可以突出影像中的植被信息。為此,研究選取植被指數(表2)、紅光波段、綠光波段參與建模。

表2 植被指數

多元回歸常用于多變量模型的構建,多變量的引入可以提高模型的決定系數(R2)。通過對各植被指數進行相關性分析后發現,各植被指數間均存在極顯著正相關,如果直接進行多元回歸可能造成模型的“估計不穩定”。主成分分析可在保留原指標信息的同時避免了多元變量的共線性問題。基于此,為減少變量相關性對模型估測的影響,研究通過主成分分析(Principal Component Analysis, PCA)選取主成分因子(Principal Component Factor, PCF)(式2)參與建模。

PC=0.902NDVI+0.977GNDVI+0.906WDRVI+0.976NRI+0.907RVI+0.894DVI+0.890PVI+

0.952MSAVI

(2)

1.4 基于偽不變特征原理的線性歸一化法

研究區模型是基于2017年11月1日Landsat 8 OLI影像構建的,為更好的將模型反演于2003年12月9日、2010年1月14日 Landsat 5 TM影像,研究基于偽不變特征原理(PIF),實現三期影像的數據匹配校正。偽不變特征原理(PIF)是從多幅影像中選取不變特征點,提取這些點的灰度值,建立參考影像與目標影像特征間的回歸方程,達到目標影像校正的目的。由于研究時序長,且研究區屬于山區,2003年至2017年間不變地物特征點相對難尋,故通過分析在確定不變地物點上采取間接的方法更加合適。

2 結果與分析

2.12017年馬尾松林地上林木碳儲量反演模型的確定

2.1.12017年馬尾松林地上林木碳儲量遙感估測模型的構建

利用公式(1)計算了45個樣地的馬尾松林地上林木碳儲量。在對45個樣地點進行初步回歸擬合和殘差分析的基礎上,去掉3個異常點。按照建模集樣本80%的選取原則,隨機選取34個樣本作為建模集,8個樣本作為檢驗集。

利用SPSS軟件對34個建模樣本進行指數回歸模型的擬合,采用決定系數(R2)和F統計量、顯著性水平(Sig.)、估算標準誤差等指標比較模型擬合效果。各模型及擬合指標見表3。

表3 指數回歸模型的參數結果

由表3可知,除綠光波段反射率和紅光波段反射率外,其余植被指數建模Sig.值均為0.00,模型具有顯著性。其中以GNDVI、NRI、PCF為自變量擬合的回歸模型R2大于0.5,F統計值分別為42.08、41.60、34.60,估算標準誤差分別為0.42、0.42、0.44。初步選擇這三組指數模型為較優模型。

2.1.2模型精度檢驗

圖2 3種優選模型反演結果Fig.2 Results of three optimal model inversions

采用均方根誤差、平均相對精度兩個指標對上述3種較優模型的估算精度進行檢驗。由圖2可知,三組模型對馬尾松林地上林木碳儲量整體估算效果均較好。結合表4可知,以GNDVI構建的指數模型(C2017=0.006e14.357GNDVI2017)均方根誤差較低、平均相對精度較高,最終選定該模型為估算長汀縣河田鎮馬尾松林地上林木碳儲量的反演模型。

表4 3種優選模型反演精度檢驗結果

2.2 2003年、2010年模型的確定及3期林木碳儲量的反演

基于偽不變特征原理的線性歸一化法(PIF),在提取三期不變地物點GNDVI值基礎上,以校正之后的2010年GNDVI影像校正2003年的GNDVI影像,最終得到三期影像GNDVI值間的校正關系(表5)。兩個模型擬合R2均達到0.85以上,整體表明擬合效果可以滿足不同時期影像校正需求。采用均方根誤差檢驗待校正影像(2003年、2010年)與參考影像的相似性關系,檢驗結果見表6。校正后影像GNDVI值的均方根誤差均小于校正前。

表5 3期影像對應不變象元GNDVI值線性關系

將表5中2017年GNDVI與2003年、2010年GNDVI值轉換關系式分別代入構建的馬尾松林地上林木碳儲量遙感反演模型y=0.006e14.357x中,得到三個時期的長汀縣河田鎮馬尾松林地上林木碳儲量遙感反演模型見表7。利用構建的遙感估算模型反演2003年、2010年及2017年長汀縣河田鎮馬尾松林地上林木碳儲量。

表6 校正前后影像與2017年影像GNDVI值均方根誤差

表7 馬尾松林地上林木碳儲量遙感反演模型

根據區域碳儲量數值分布范圍,將碳儲量劃分為0—10 t/hm2、10—20 t/hm2、20—30 t/hm2、30—40 t/hm2、40—50 t/hm2、>50 t/hm2這6個等級進行統計,得到馬尾松林地上林木碳儲量等級分布專題圖(見圖3)。

圖3 2003—2017年馬尾松林地上林木碳儲量分布圖Fig.3 Aboveground forest carbon storage of Masson pine forests from 2003 to 2017

圖4 2003—2017年馬尾松林地上林木碳儲量變化圖 Fig.4 Change of aboveground forest carbon storage for Masson pine forests from 2003 to 2017

2.3 馬尾松林地上林木碳儲量的時空分異特征

2.3.1馬尾松林地上林木碳儲量的時間分異特征

河田鎮馬尾松林地上林木碳儲量統計結果見圖4。2003、2010及2017年地上林木碳儲量分別為8.24 t/hm2、11.34t/hm2、16.14 t/hm2,整體呈上升趨勢。

分別對2003、2010及2017年馬尾松林各等級地上林木碳儲量像元數進行統計,由表8可知,2003—2017年地上林木碳儲量在0—10 t/hm2的林分面積不斷減少,地上林木碳儲量大于10t/hm2的林分面積不斷增加。2010年地上林木碳儲量在0—10 t/hm2的區域比2003年減少了7.43個百分點；2017年地上林木碳儲量在0—10 t/hm2的區域比2010年減少了27.84個百分點。2010年地上林木碳儲量在10—20 t/hm2、20—30 t/hm2、30—40 t/hm2、40—50 t/hm2和>50 t/hm2的區域比2003年分別增加了3.45、1.68、0.71、0.34和1.25個百分點；2017年地上林木碳儲量在10—20 t/hm2、20—30 t/hm2、30—40 t/hm2、40—50 t/hm2和>50 t/hm2的區域比2010年分別增加了17.28、6.05、2.77、1.07和0.67個百分點。

2.3.2馬尾松林地上林木碳儲量的空間分異特征

由圖5可知,2003年、2010年和2017年馬尾松林地上林木碳儲量在海拔<300m的區域碳儲量最少、在海拔>500m的區域碳儲量最大,碳儲量隨海拔的升高而增加。2003—2010年,各海拔梯度上地上林木碳儲量增長率分別為107.82%、59.94%、27.92%、37.78%、26.08%、5.77%和-9.90%;2010—2017年,各海拔梯度上地上林木碳儲量增長率分別為123.22%、84.35%、34.26%、16.51%、20.44%、24.85%和21.16%,整體表現出隨海拔增加碳儲量增長率降低的特征。

由圖6可知,2003年、2010年和2017年馬尾松林地上林木碳儲量在坡度0—5°的區域碳儲量最少、在坡度>45°的區域碳儲量最大,碳儲量隨坡度的增加而增加。2003—2010年間,各坡度地上林木碳儲量增長率分別為53.71%、46.09%、37.99%、25.94%、16.36%、14.56%;2010—2017年,各坡度地上林木碳儲量增長率分別為81.52%、70.27%、41.86%、28.51%、8.31%、4.27%,表現出隨坡度增加碳儲量增長率降低的特征。

圖7表明,向陽坡(67.5°—247.5°)碳儲量高于背陰坡(0—67.5°,247.5°—360°)。2003—2010年間,向陽坡和背陰坡地上林木碳儲量增長率分別為35.06%、53.96%;2010—2017年間,向陽坡和背陰坡地上林木碳儲量增長率分別為28.02%、119.39%,表現出背陰坡地上林木碳儲量增長率高于向陽坡。

表8 2003—2017年馬尾松林地上林木碳儲量分級統計表

圖5 不同海拔梯度馬尾松林地上林木碳儲量及碳儲量增長率Fig.5 Aboveground forest carbon storage and aboveground forest carbon storage growth rate of Masson pine forests at different altitudes

圖6 不同坡度等級馬尾松林地上木碳儲量碳及儲量增長率Fig.6 Aboveground Carbon storage and aboveground carbon storage growth rate of Masson pine forests at different slope

圖7 不同坡向馬尾松地上林木碳儲量及碳儲量增長率Fig.7 Aboveground Carbon storage and aboveground carbon storage growth rate of Masson pine forests at different aspect

3 結論與討論

本研究以長汀縣河田鎮馬尾松林為研究對象,基于2017年Landsat 8 OLI遙感影像,充分提取與碳儲量潛在相關的信息,構建馬尾松林地上林木碳儲量遙感反演模型,并基于偽不變特征原理的線性歸一化法(PIF)實現該遙感反演模型在2003年、2010年Landsat 5 TM影像上的適用性校正轉換。實現對長汀縣河田鎮馬尾松林地上林木碳儲量的遙感估測和時空分異特征研究。

2017年遙感估算的平均碳儲量值與研究布設的42個樣地實測碳儲量平均值接近,表明研究構建的遙感模型對碳儲量的估算結果具有可靠性。2003、2010、2017年長汀縣河田鎮馬尾松林地上林木碳儲量超過50 t/hm2的面積分別占3.33%、4.58%、5.26%,表明了以河田鎮為代表的南方水土流失區雖然森林覆蓋度恢復顯著,但林木生長質量并不佳、森林碳匯功能的發揮仍較弱,這與劉政等[3]的研究結果大體一致。2010—2017年這7年間各級碳儲量變化幅度大于前7年,說明研究區在水土流失治理工作中采取的封山育林、種植水保林草及低效林改造等措施是成功的。

研究區馬尾松林碳儲量空間分布與海拔、坡度、坡向的空間分布密切相關。馬尾松林碳儲量隨海拔升高而增加,這一結果與黃紹霖[30]的研究結果大體一致。海拔變化間接造成局地氣候條件變化,且隨海拔增高人為干擾強度減小,馬尾松分布相對密集,而低海拔區除人類活動頻繁外,地面原生植被覆蓋較少,多以補植的幼齡林為主,林分固碳能力差。平均碳儲量增長率隨海拔升高而降低,產生這種空間分異規律的原因可能是：低海拔區域生態治理強度大,馬尾松林生長快速,高海拔區域多以封山育林為主,且部分結構不合理、立地質量差的林分存在倒退的可能。馬尾松林地上林木碳儲量隨著坡度增加而增加,分析原因可能有兩方面：一方面是坡面增加了林冠層接受光照的面積,有利于馬尾松林木的生長和吸收固定CO2；另一方面,與人類活動密不可分,隨坡度上升,雖然土壤養分流失增多,但森林采伐利用難度也增加,人為干擾活動較少,使得這部分馬尾松林分生長健康穩定。碳儲量增長率隨坡度升高而降低,主要原因可能是早期水土流失治理主要選擇在森林覆蓋較低、生長質量較差的緩坡區,該部分區域補植造林強度較大,隨著樹木生長到一定年齡,生物量碳儲量會顯著增加,而陡峭區域更多采取封山育林等保護政策,自然更新能力低于人為治理下林木生長更新。向陽坡的馬尾松地上林木碳儲量高于背陰坡,主要原因可能有兩方面：一是河田鎮位于北半球,向陽坡受到的太陽輻射強度和日照時長遠高于背陰坡,且馬尾松具有喜光喜溫的特性,光照充足的條件有利于馬尾松生長和干物質的積累；二是在水、肥、氣、熱的影響下,陽坡和半陽坡土壤養分和土壤碳儲量的積累增強了馬尾松生長能力,同時,山地不同坡向迎風、背風效果不同,迎風坡容易造成地形雨,局部降水分配強度不同也會影響馬尾松碳儲量的積累。背陰坡碳儲量增長率遠高于向陽坡,產生這種背陰坡碳儲量總值低但增長率高的原因可能和水土流失治理密不可分,補植的馬尾松處于生長初期,胸徑、樹高在一定年齡內生長較快,而隨著年齡的增長,馬尾松生長速度會減緩至平穩狀態。

本研究的研究對象為馬尾松地上喬木層部分的碳儲量,未進一步考慮林下芒萁對碳儲量的影響。在選擇植被指數作為遙感反演模型自變量時,雖然參考了前人研究中能有效區分芒萁和馬尾松的光譜信息,但尚未實現芒萁和馬尾松的剝離,而研究時段內林下芒萁覆蓋度的變化,可能會對模型反演的結果產生誤差。因此,可以考慮從像元尺度剝離芒萁的影響。