基于遙感數據的森林生產力評估方法研究進展

吳芳萍，岳彩榮，何云崗.基于遙感數據的森林生產力評估方法研究進展[J].南方農業，2023，17（23）：212-216.

摘 要 開展森林生產力評估對監測森林生態系統碳循環過程、評估人類活動對碳收支狀態的影響至關重要，可以通過遙感數據估算森林生產力。分析了目前世界運用遙感數據建立的經驗模型、過程模型和混合模型等3大類森林生產力評估方法，用于森林地表生物量（AGB）、森林生產力估算方面存在的優點和不足，總結了對不同森林植被類型所適用估算模型的應用成效，提出基于遙感數據估算森林生產力的遙感數據源、數據處理準確性和估算模型發展建議。

關鍵詞 遙感數據；AGB；森林生產力；過程模型；經驗模型；混合模型

中圖分類號：S771 文獻標志碼：C DOI：10.19415/j.cnki.1673-890x.2023.23.052

收稿日期：2023-05-09

作者簡介：吳芳萍（1998—），女，四川渠縣人，在讀碩士研究生，研究方向為林業遙感。E-mail：610512581@qq.com。

*為通信作者，E-mail：cryue@163.com。

碳達峰和碳中和是2020年9月召開的聯合國大會提出的戰略決策，要求全球各國推動實現，旨在減少溫室氣體排放，減輕對氣候變化的影響。森林作為全球最大的碳庫之一，在應對森林生態系統碳循環過程及研究碳中和目標具有重要作用。為提升對森林資源的評估及合理利用森林生態中的各種資源，同時為緩解氣候變化、應對全球變暖、減緩土壤侵蝕，森林生產力的量化應用到了森林碳循環研究、生物多樣性保護和氣候變化減緩行動當中。目前，學者對森林生產力的指標研究，包括森林生物量、初級生產力、森林結構及森林碳循環研究[1]。開展森林生產力的準確估算和評估，不僅有水源涵養、氣候調節、環境凈化、水土保持、生物多樣性保護的作用，還對森林生態系統總體評價及響應碳達峰、碳中和政策具有重要意義[2]。

1" 現狀

隨著碳中和目標的提出和廣泛實踐，森林生產力的評估方法對監測森林生態系統碳循環過程和評估人類活動對碳收支狀態的影響至關重要。對于森林生產力評估最初的開展方式是地面調查，但是該方法測量昂貴、勞動密集、覆蓋空間尺度小及測量時間長，時效性低，此外一些國家通過建立通量塔的方式對碳變化進行計算，但是這種方法的運用推廣面積小，建立的技術體系還不夠成熟。

森林生產力評估以遙感數據為基礎，以地理空間數據庫為支撐，與過程模型相耦合或與具有數學規律的經驗模型進行參數分析來反演森林地表生物量（AGB），從而有效地對森林生態系統碳變化過程進行時空變換判斷及動態過程分析，進而對碳中和目標提供有效的檢測數據。因此，通過遙感數據估算森林生產力已被推廣到學術研究中。遙感數據種類主要有光學遙感數據（ORS）、激光雷達數據（SAR）和微波雷達數據（LiDAR）。ORS覆蓋面積廣泛，為估算AGB提供了水平結構的信息，但是缺少森林垂直結構的信息，容易受到天氣云層信息及地形地貌的影響；SAR具有穿透力強、可提供垂直結構信息并且不受天氣影響的優點，但是易受到地形的影響；LiDAR具有很強的穿透能力，為生物量估算提供垂直結構的信息，但缺少光譜信息，不具有成像能力。

2" 森林生產力遙感評估方法

森林生產力評估可通過單一遙感數據或者整合多源遙感數據來提取相關參數，然后通過建立模型的方式估算對比，進而選擇適宜該范圍或該森林類型的估算AGB模型。其評估方法主要包含經驗模型、過程模型和混合模型3大類[3]。

2.1" 經驗模型

經驗模型最早用于估算生物量，該方法的原理是根據樣地實測生物量與遙感數據所提取的變量因子所存在的相關性關系，然后按像元數量估算生物量。常用的遙感估算AGB經驗模型主要有線性回歸、非線性回歸、K-最近鄰分類法、人工神經網絡、支持向量機、隨機森林等[4]。

2.1.1" 線性回歸、非線性回歸模型

線性回歸模型分為一元線性回歸模型（SCRM模型）和多元線性回歸模型（MLRM模型）。SCRM模型基本原理是以單一植被指數或單一波段反射率為自變量，采用函數關系擬合植被指數與遙感影像波段反射率和生物量之間的曲線關系。MLRM模型為保證更高的生物量估算精度，嘗試將多種植被指數作為自變量，建立多個自變量的AGB估算模型。例如Eckert基于WorldView-2數據提取了植被指數、主成分及紋理特征等因子作為自變量，建立多元線性回歸方程式進行生物量估算[5]。王柯人等以人工林為例，分析龍竹地上部分各器官的生物量配比及含水率，構建龍竹地上部分各器官生物量冪函數回歸模型來估算其生物量[6]。

非線性回歸模型利用數理統計方法建立因變量與自變量之間的函數關系，分為一元回歸分析和多元回歸分析。Lu利用多元遙感數據對巴西亞馬孫地區建立多元回歸分析模型進行森林AGB估算[7]。張加龍等利用光學數據為基礎建立多元線性回歸和非線性回歸模型估算高山松地上生物量[8]。對比發現線性回歸模型和非線性回歸模型都存在提取植被指數過程的度量誤差，使得估算精度存在很多考慮不周的地方，但是多數情況下非線性回歸模型預測精度高于線性回歸模型[9]。

2.1.2" K-最近鄰分類法、人工神經網絡

最近鄰分類法（NN）是一種監督分類方式，是一個對標記的數據進行模型訓練和對新數據進行預測的過程。Chirici等人基于光學數據，建立K-NN模型對大尺度區域進行材積精度估算[10]。Katila等利用K-NN算法將研究區域劃分為若干個圖層類別來估算森林AGB[11]。K-NN雖能夠保持參數間的一致性，避免了樣本的不平衡問題，但存在計算量大、實際應用機理不明確的缺點。

人工神經網絡（ANN）指大量神經元相互連接構成一種特有的輸出函數，是一個黑箱模型。王軼夫等人建立反向傳播（BP）神經網絡估算馬尾松立木生物量，通過12種算法的篩選輸入、輸出變量及選擇隱層節點數，確定最優的模型拓撲結構來構建神經網絡模型[12]。ANN不需要假設數據具有正態分布和生物量與自變量之間的線性關系，因此用于各種復雜的數學函數進行近似處理不同的數據，如遙感數據和地形數據，但若在使用過程中參數沒有適當優化選擇，估計精度可能很差。

2.1.3" 支持向量機、隨機森林

支持向量機（SVM）是一種統計學習算法，采用結構風險最小化原則，同時優化性能和泛化，有效緩解過擬合問題。Chen等人基于多源數據和少量的實測樣本，建立SVM和多元統計回歸兩種模型對加拿大溫哥華島的森林參數進行了估算，得出SVM估算效果更優的結論[13]。Englhart等人對比了多元線性回歸、人工神經網絡和支持向量機，得出向量機回歸（SVR）模型復相關指數估算精度最高，但是卻不能很好地反映出低生物量和高生物量變化的結論，因此不能準確區分森林類型及其退化程度[14]。

隨機森林（RF）是一種基于無參數回歸算法的集成學習策略，其中通過從離散或連續數據集中選擇隨機自舉樣本來構造大量回歸樹。鄭偉楠等利用遙感影像對昆明市12種優勢樹種分別構建多元線性回歸模型、BP神經網絡模型及隨機森林模型3種模型進行生物量反演，發現隨機森林模型精度相對較高[15]。RF訓練過程不復雜，并且估算速度快，模型容易表達，過度擬合訓練樣本，物理機理不明確，只適用于部分范圍的生物量估算。

2.2" 過程模型

由于經驗模型存在易受植被類型及非植被因素的影響，模型參數需要不斷地重新擬合和調整，每個模型的建立只用于部分地區生物量的估算，且它沒有考慮到森林生態系統碳循環過程的復雜性，缺乏實際的生理生態理論基礎。為此過程模型基于植被生理生態理論，綜合考慮碳循環的動力學特點被運用到了AGB估算。過程模型是通過地球物理、化學及生物過程可被劃分為地球化學過程模型、陸面物理過程模型和生物過程模型3類[16]。

2.2.1" 地球化學過程模型

地球化學過程模型綜合考慮氣候、土壤條件和干擾因素，側重于分析植被、地面凋落物和土壤有機質內部及其相互之間碳、氮、氧的循環機制，可應用于模擬森林碳收支、植被生產力及養分利用等。代表性模型有CENTURY模型、Biome-BGC模型、InTEC模型、DLEM模型等。

1）CENTURY模型是基于過程的陸地生態系統生物地球化學循環模型，是在DOS界面操作的集成模塊，主要用于模擬不同土壤植被系統中碳、氮、磷和硫的長期動態。Paerton用該模型模擬氣候變化和CO2濃度變化對美國自然生態系統的影響[17]；此外我國黃忠良運用CENTURY模型，基于光合作用及土壤水分比例兩個方面計算光合作用強度和NPP含量[18]。

2）Biome-BGC模型是利用站點描述數據、氣象數據和植被生理生態參數，模擬日尺度碳、水和氮通量的有效模型，其研究的空間尺度可以從點尺度擴展到陸地生態系統，重點從動力學角度出發用于模擬生態系統中碳、氮、水的流動和存儲的過程模型。張越等為了解秦嶺北坡太白紅杉的碳源、碳匯動態，運用Biome-BGC模型模擬1959—2016年太白紅杉生產力、碳儲量和碳利用效率[19]。由于沒有考慮現實生活中的各種擾動因子對森林生態系統生產力的影響，并且對水的依賴性大，不適用于干旱或半干旱的森林類型。

3）InTEC模型是陸地生態系統碳循環綜合集成模型，主要用來模擬加拿大北方森林生態系統碳匯/源在過去100年的時空變化特征，它是所見到的唯一考慮了林分年齡及森林擾動（火災和伐木）影響的模型，適用于研究各種森林管理措施對森林碳吸收的影響，也是目前唯一同時考慮氣候、林分年齡及森林擾動對碳循環影響的過程模型。孫靜等在綜合考慮InTEC模型的干擾和非干擾因子基礎上，重新模擬不同立地指數下NPP-林齡關系[20]。

4）DLEM模型是新一代多因子驅動的陸地生態系統動態模型，綜合考慮了地球化學過程和植被動態過程，使用過程需要大量不同類型的參數代入，例如通過遙感數據、野外調查數據及通量塔觀測數據。DLEM模型已被應用到中國、北美、亞馬孫流域乃至全球尺度的多種生態系統中進行碳循環過程的模擬。例如Zhang運用DLEM模型估算了大煙山國家公園的碳儲量，并分析了環境變化對碳動態的影響[21]。

2.2.2" 陸面物理過程模型

陸面物理過程模型是在一定生態條件下植被與大氣之間的能量交換過程，可揭示森林生態系統覆蓋變化和區域氣候之間的密切關系。其代表性模型有ACRM模型、IBIS集成生物圈模型[22]。ACRM模型是大氣-植被相互作用模式，耦合了陸面物理過程和植被生理生態過程，用質量守恒理論模擬植被冠層、土壤的水分變化。在中國長白山森林生態系統模擬試驗中，通過在區域尺度上將衛星觀測納入VFSA框架中的ACRM模型來提高LAI估計的準確性。IBIS模型整合地球化學、地球物理和植被動力學過程及大氣環流模型，經常被用來模擬復雜的碳循環過程，時間尺度跨越較大，所以它適用于全球尺度的AGB估算。楊延征等利用IBIS模型對中國陸地生態系統進行氣候、CO2濃度變化條件下碳收支時空變異特征和發展趨勢進行了模擬分析[23]。

2.2.3" 生物過程模型

生物過程模型以植被為中心模擬森林生態系統的碳循環過程，側重于研究不同環境因子對生態系統的生產力分布特征、植被的結構組成及動態變化等。代表性模型有CASA模型和MAPSS模型。CASA模型是光能利用率模型的代表類型，耦合了生態系統生產力、土壤碳和氮通量，以遙感植被指數數據集驅動，通過應用植被吸收的光合有效輻射和光能轉化率兩個變量。陳曉杰基于CASA模型計算時間序列下大尺度的植被NPP[24]。劉文瑞利用CASA模型進行分析，判定生態系統質量狀況和碳匯的影響因子[25]。MAPSS模型通過植被的輻射傳輸和水傳輸等過程模擬葉片形態、葉片壽命、生命類型等來定義植被類型，該模型運用相對較少。

2.3" 混合模型

過程模型缺乏提供森林生物量空間變異性的能力，存在模擬整個生態過程很難精確表達的缺點，只能通過模擬過程簡單化來實現。混合模型是基于經驗模型和過程模型相結合得到的半經驗半過程模型，兩者相互彌補，大大提高森林生產力的估算精度。20世紀下期混合模型被廣泛應用于生態系統結構和功能研究中，該方法可分為2類：1）將經驗模型連接到過程模型上，對生理生態過程做一定的簡化。2）將遙感數據作為一個參數輸入到過程模型中，以遙感反演得到的LAI作為機理模型輸入參數。最具代表性的混合模型主要包括森林管理模型（TRIPLEX模型）、陸地生態系統與氣候協同模型（EALCO模型）。TRIPLEX模型是3個過程模型的綜合應用，綜合模擬了立地的平均特性，可以填補森林生態系統經驗模型存在預測生長與模型生態過程產生的變量上的不足。TRIPLEX模型已經成功運用于加拿大安大略省北方針葉林中的12個加拿大短葉松永久樣地[26]。EALCO模型深入考慮植被的碳氮過程，在一定時間范圍內將植物水平衡方程和能量平衡方程耦合，監測植物冠層溫度、水分及結合特定的數學函數來描繪相關變量參數的應用。

3" 未來利用植被遙感數據建立估算模型的建議

利用遙感數據建立的模型過程的不確定性和不準確性都會影響對生物量估算的精度，因此對植被遙感數據評估森林生產力提出以下3點建議。

3.1" 對遙感數據源的考慮

森林生產力的研究需要提供新的研究平臺和更加可靠的衛星遙感觀測數據，未來AGB研究首先應著力于構建多尺度、高分辨率、全方位生態系統監測系統和綜合評估體系；此外對遙感數據的運用應結合多元遙感數據對生物量進行估算。

3.2" 對數據處理準確性的建議

由于森林具有垂直結構、水平結構及季節變化三維視角的變化，所以在遙感數據處理過程中，對垂直結構參數例如樹高、林分結構等信息和水平結構所得到的光譜信息的提取，必須建立明確相關聯系性及提高提取參數的精確性，同時考慮季節變化引起的誤差。

3.3" 對估算模型發展的建議

目前對于遙感數據所構建的生物量估算模型仍存適用區域的限制，經驗模型的建立存在只能用于部分地區生物量估算的弊端，過程模型的建立還存在難以完全模擬生態過程的缺點。針對全球區域范圍生物量估算模型的構建還需要進一步研究。碳中和目標的提出是受益全球人類的，它是一個長時間序列的過程，在每個時間維度進行生物量變化的監測是很有必要的，為建立一個時間序列的碳變化過程，需要該領域人士繼續參與。

參考文獻：

[1] 魏智海，張樂藝，李霞.森林地上生物量遙感估算研究進展[J].農業與技術，2021，41（11）：78-84

[2] CHEN L， MSIGWA G， YANG M Y， et al. Strategies to achieve a carbon neutral society： a review [J]. Environmental Chemistry Letters， 2022， 20（4）： 2277-2310.

[3] 歐光龍，胥輝.森林生物量模型研究綜述[J].西南林業大學學報（自然科學），2020，40（1）：1-11.

[4] 令狐大智，羅溪，朱幫助.森林碳匯測算及固碳影響因素研究進展[J].廣西大學學報（哲學社會科學版），2022，44（3）：142-155.

[5] SANDRA E. Improved forest biomass and carbon estimations using texture measures from WorldView-2 satellite data[J]. Remote sensing， 2012， 4（4）： 810-829.

[6] 王柯人，羅文秀，舒清態，等.龍竹人工林的含水率分析及地上生物量回歸模型構建[J].西南林業大學學報（自然科學），2021，41（6）：168-174.

[7] LU D S， CHEN Q， WANG G X， et al. A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems[J]. International Journal of Digital Earth， 2016， 9（1）： 63-105.

[8] 張加龍，胥輝.基于遙感的高山松連清固定樣地地上生物量估測模型構建[J].北京林業大學學報，2020，42（7）：1-11.

[9] DAVID R M， ROSSER N.J， DONOGHUE D N M. Improving above ground biomass estimates of Southern Africa dryland forests by combining Sentinel-1 SAR and Sentinel-2 multispectral imagery [J]. Remote Sensing of Environment： An Interdisciplinary Journal， 2022，282： 113-117.

[10] CHIRICI G， BARBATI A， CORONA P， et al. Non-parametric and parametric methods using satellite images for estimating growing stock volume in alpine and Mediterranean forest ecosystems [J]. Remote Sensing of Environment， 2008， 112（5）： 2686-2700.

[11] KATILA M， TOMPPO E. Stratification by ancillary data in multisource forest inventories employing k-nearest-neighbour estimation [J]. Canadian Journal of Forest Research， 2002， 32（9）： 1548-1561.

[12] 王軼夫，孫玉軍，郭孝玉.基于BP神經網絡的馬尾松立木生物量模型研究[J].北京林業大學學報，2013，35（2）：17-21.

[13] CHEN G， HAY G J， ZHOU Y. Estimation of forest height， biomass and volume using support vector regression and segmentation from lidar transects and Quickbird imagery [C]//2010 18th International Conference on Geoinformatics. IEEE.

[14] ENGLHART S， KEUCK V， SIEGERT F. Modeling aboveground biomass in tropical forests using multi-frequency SAR data—A comparison of methods [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2011， 5（1）： 298-306.

[15] 鄭偉楠，吳勇，歐光龍.基于Landsat 8 OLI的昆明市主要森林類型生物量遙感估測與反演[J].西南林業大學學報（自然科學）：2023，43（6）：107-116.

[16] 謝馨瑤，李愛農，靳華安.大尺度森林碳循環過程模擬模型綜述[J].生態學報，2018，38（1）：41-54.

[17] PARTON W J， SCURLOCK J M O， OJIMA D S， et al. Impact of climate change on grassland production and soil carbon worldwide [J]. Global Change Biology， 1995， 1（1）： 13-22.

[18] 黃忠良，孔國輝，何道泉.鼎湖山植物群落多樣性的研究[J].生態學報，2000（2）：193-198.

[19] 張越，劉康，張紅娟，等.基于BIOME-BGC模型的秦嶺北坡太白紅杉林碳源/匯動態和趨勢研究[J].熱帶亞熱帶植物學報，2019，27（3）：235-249.

[20] 孫靜，范文義，于穎，等.基于InTEC模型的塔河森林凈初級生產力影響因子定量分析[J].應用生態學報，2019，30（3）：793-804.

[21] ZHANG C， TIAN H Q， ARTHUR H. Chappelka， et al. Impacts of climatic and atmospheric changes on carbon dynamics in the Great Smoky Mountains National Park [J]. Environmental Pollution， 2007， 149（3）： 336-347.

[22] JIN H A， LI A N， WANG J D， et al. Improvement of spatially and temporally continuous crop leaf area index by integration of CERES-Maize model and MODIS data [J]. European Journal of Agronomy， 2016， 78： 1-12.

[23] 楊延征，馬元丹，江洪，等.基于IBIS模型的1960—2006年中國陸地生態系統碳收支格局研究[J].生態學報，2016，36（13）：3911-3922.

[24] 陳曉杰，張長城，張金亭，等.基于CASA模型的植被凈初級生產力時空演變格局及其影響因素——以湖北省為例[J].水土保持研究，2022，29（3）：253-261.

[25] 劉文瑞，李曉婷，李彤，等.基于MODIS和CASA模型的伊春市森林植被NPP變化特征及其影響因子分析[J].生態學雜志，2022，41（1）：150-158.

[26] BAO G， BAO Y H， QIN Z H， et al. Modeling net primary productivity of terrestrial ecosystems in the semi-arid climate of the Mongolian Plateau using LSWI-based CASA ecosystem model [J]. International Journal of Applied Earth Observation and Geoinformation， 2016， 46：84-93.

（責任編輯：易" 婧）