基于激光雷達的欽州灣典型紅樹林生物量反演

張振東, 田義超, 2, *, 鄧靜雯, 姚貴釗, 李尹伶

基于激光雷達的欽州灣典型紅樹林生物量反演

張振東1, 田義超1, 2, *, 鄧靜雯1, 姚貴釗1, 李尹伶1

1. 北部灣大學資源與環(huán)境學院, 欽州 535011 2. 北部灣海洋發(fā)展研究中心, 北部灣大學, 欽州 535011

試驗區(qū)的紅樹林生物總量對于研究區(qū)的生態(tài)系統(tǒng)保護至關重要。以地面實測樣地數(shù)據(jù)和激光雷達點云數(shù)據(jù)為基礎, 使用隨機森林方法估算研究區(qū)紅樹林生物量, 依據(jù)精度檢驗結(jié)果構建生物量估算模型, 通過反演獲得試驗區(qū)紅樹林生物總量。結(jié)果表明: (1)研究區(qū)樣地各樣方的無瓣海桑的生物量介于0.55 kg·m–2—13.57 kg·m–2, 平均值為5.40 kg·m–2。(2)采用隨機森林模型對紅樹林生物量計算的訓練集(2=0.9516、=0.8142、=0.1486), 及測試集(2=0.6598、=2.0276、=0.3983), 說明地表生物量估算模型計算的生物量與實測樣地采樣的數(shù)據(jù)計算的生物量基本吻合, 隨機森林算法擬合精度較高。(3)反演的研究區(qū)紅樹林生物總量為459.18 Mg, 平均生物量為4.15 kg·m–2。樹高較高、胸徑較大的單木紅樹林主要分布在潮溝附近以及研究區(qū)中南部。

激光雷達; 紅樹林; 生物量; 隨機森林; 欽州灣

0 前言

紅樹林是一種特殊的濕地沼澤類型, 它大多生長在熱帶、亞熱帶上部的低能海岸潮間帶[1], 是地球上生產(chǎn)力最高的四大海洋自然生態(tài)系統(tǒng)之一。紅樹林具有防風、保護堤岸等的作用, 為野生動、植物提供了棲息地及食物來源。它還具備凈化環(huán)境、保護生物多樣性等功能, 有著非常重要的生態(tài)價值[2-4]。

相較于傳統(tǒng)的測繪及光學遙感技術, 激光雷達(LightLaser Detection and Ranging, Lidar)具有定位準確、穿透率高、可直接量算高度等優(yōu)勢, 激光可以直接穿透植被冠層以獲得精確的植被結(jié)構信息, 有利于測定植被結(jié)構特征, 估算單木、林分生物量[5-6]。近年來, 歐洲幾國已經(jīng)開始使用機載Lidar來進行大面積的森林資源的調(diào)查[7]。Lidar技術對森林生物量反演主要依據(jù)回歸模型, 回歸方法主要有: 隨機森林(Random Forest, RF)、多元線性回歸(Multivarate Linear Regression, MLR)、支持向量機、主成分回歸法等。國內(nèi)外很多專家學者如 N?sset[8]、Gleason[9]通過這些方法對森林的生物量進行了很多具有參考意義的研究。Hickey 等[10]人利用Lidar對紅樹林進行林分層面上的平均高度測量, 得出平均林分高度, 并將其應用于Saenger和Snedaker開發(fā)的全球林分高度—生物量生長方程。洪奕豐[11]、劉峰[12]、李旺[13]、穆喜云[14]等人將Lidar數(shù)據(jù)作為數(shù)據(jù)源, 使用MLR和RF算法進行反演與預測取得了較為良好的結(jié)果。田義超[15]等使用紅樹林的植被指數(shù)、紋理特征以及激光點云數(shù)據(jù), 使用8種機器學習(Machine Learning, ML)算法對紅樹林進行地上生物量估計。通過上述對比可知RF算法對于計算紅樹林地上生物量具有較高的估計精度。因為植被生物量與植被的結(jié)構參數(shù)之間具有良好的相關信息, 所以可以使用Lidar估算植被生物量。生物量與結(jié)構參數(shù)間的關系被發(fā)展為異速生長方程[16]。

在過去的二三十年間, 北部灣地區(qū)的紅樹林面積由于人們的生產(chǎn)建設、水產(chǎn)養(yǎng)殖及沿海地區(qū)環(huán)境污染而大大減少[17]。近年來國家為了加強對紅樹林的保護, 從孟加拉國等地引進無瓣海桑樹種, 該樹種樹高葉大, 成活率高。相較于欽州灣當?shù)氐脑鷺浞N桐花樹更加高大, 防風防汛的能力也更加優(yōu)越。無瓣海桑在欽州地區(qū)的生長擴散展現(xiàn)出明顯的優(yōu)勢, 它可以侵入至原生紅樹林內(nèi)部, 逐漸改變當?shù)氐脑鷳B(tài)系統(tǒng)組成[18]。因此本研究以廣西壯族自治區(qū)欽州市欽州灣地區(qū)為研究區(qū), 以實地調(diào)查數(shù)據(jù)為基礎, 使用無瓣海桑異速生長方程計算樣地紅樹林生物量, 結(jié)合機載Lidar獲取的激光點云數(shù)據(jù), 將提取的高度變量、強度變量放入RF算法進行模型訓練、精度檢驗。依據(jù)精度檢驗結(jié)果獲得紅樹林生物量回歸模型, 從而實現(xiàn)對研究區(qū)紅樹林生物量反演的分析與研究。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)(圖1)位于廣西壯族自治區(qū)欽州灣康熙嶺片區(qū), 地理坐標位于(21°51′18″N—21°51′42″N, 108°29′22″E—108°29′47″E)范圍內(nèi),海拔0.6 m—115.3 m。欽州灣雖地處熱帶區(qū)域, 但區(qū)域亞熱帶季風氣候特征更為顯著, 全年平均溫度21 ℃, 年日照時1800 h, 受海洋影響大, 冬季多東北風, 夏季多西南風, 年降水量為1600 mm, 相對濕度高達84%。欽州灣適宜的水熱條件, 為紅樹林的生長提供了良好的支持條件。研究區(qū)紅樹林資源豐富, 面積占廣西紅樹林面積的三分之一。研究區(qū)主要的紅樹林樹種有無瓣海桑()與桐花樹()。

1.2 數(shù)據(jù)來源

1.2.1 獲取樣地數(shù)據(jù)

在經(jīng)過野外實地考察之后, 最終將獲取樣地數(shù)據(jù)區(qū)域定在廣西壯族自治區(qū)欽州市欽南區(qū)康熙嶺鎮(zhèn)的紅樹林片區(qū)。通過調(diào)查地面樣方的手段來獲取野外樣地數(shù)據(jù), 本次調(diào)查選擇紅樹林樹種無瓣海桑為研究對象, 設置10 m×10 m樣地66塊。樣木調(diào)查因子包括: 樹種、樹高、胸徑和地徑等數(shù)據(jù)。使用卷尺測量單木胸徑(距地高度1.3 m), 使用激光測距儀測量每木的樹高, 并且用全球定位系統(tǒng)(Global Positioning System, GPS)獲取每木、各個樣方中心點的地理坐標及高程數(shù)據(jù), 坐標采用地理坐標系GCS_ WGS_1984, 投影坐標系Albers。

1.2.2 Lidar數(shù)據(jù)獲取

研究使用DJI M600 Pro無人機搭載一臺普通攝影機和一臺HS400P激光傳感器, 硬件系統(tǒng)集成了激光雷達掃描儀、全球?qū)Ш叫l(wèi)星系統(tǒng)(Global Navigation Satellite System, GNSS)以及慣性傳感器(Inertial Measurement Unit, IMU)。研究于2021年1月19日, 選擇當日潮位較低、天氣晴朗、地面無持續(xù)風向且風力＜2級的時段對廣西欽州康熙嶺片區(qū)的紅樹林進行航拍。無人機平均飛行高度70 m, 垂直拍攝, 航向重疊率及旁向重疊率均為80%。利用Novatel Intertial Ecplorer軟件結(jié)合IMU及GNSS數(shù)據(jù)對原始的紅樹林回波信息進行解算, 可以得到研究區(qū)的三維激光點云信息。

圖1 研究區(qū)實測樣本的地理位置

Figure 1 The geographical location of the measured samples in the study area

1.3 研究方法

1.3.1 生物量測定方法

由于樣地位于紅樹林自然保護區(qū), 對紅樹林的保護較為嚴格, 且砍伐具有一定的破壞性, 因此使用異速生長方程[19](表1)計算樣地實測的每個樣方無瓣海桑的生物量, 最終確定采用地上部分的無瓣海桑的異速生長方程, 如下式(1)所示:

1.3.2 激光點云數(shù)據(jù)提取

使用Lidar360對點云數(shù)據(jù)進行點云去噪、點云分類、歸一化等預處理, 隨后提取1 m分辨率的數(shù)字高程模型(DEM)和數(shù)字表面模型(DSM), 對DSM與DEM取差值得到冠層高度模型(CHM)。使用Fusion軟件對激光點云數(shù)據(jù)進行處理, 利用CHM提取得到樣地的高度變量參數(shù)和樣地的強度變量參數(shù)(表2)。此次實驗共提取了48個森林指標變量參數(shù), 提取的森林指標變量參數(shù)將用于紅樹林地表生物量的反演。

1.3.3 地表生物量估算模型的構建

RF算法由Leo Breiman[20]提出。其原理為從訓練樣本中隨機有放回的抽取N個樣本, 從所有特征變量中隨機抽取K個變量, 對上述選出的樣本和特征變量實施無需剪枝的CART方法建立決策樹。將以上步驟重復M次, 即生成M棵決策樹, 構成隨機森林。在對數(shù)據(jù)進行預測時, 由M棵樹分別預測, 最終進行投票確定分到哪一類。由于RF算法建立的模型可靠, 目前RF算法被廣泛的應用于分類及回歸問題, 其被廣泛應用于森林等林地的生物量、碳儲量反演研究中, 并且有著相當高的模型精度。使用boot-strap采樣和bagging集成樹算法, 從弱學習者集合中獲得最準確的決策。在本實驗中以66個實測生物量數(shù)據(jù)作為因變量, 以48個森林指標變量參數(shù)為自變量, 使用70%的樣本用于模型的訓練, 30%的樣本用于模型的測試。將46個樣本放入RF算法建立模型, 使用20個樣本進行模型的精度驗證。為保證預測結(jié)果的準確性, 研究參數(shù)選擇ntree=1000, mtry=44。

1.3.4 評估標準

實驗基于有限的實測樣本數(shù)據(jù), 借助RStudio軟件建立紅樹林生物量的RF算法估算模型。將實測的66個樣本數(shù)據(jù)分為46個訓練樣本和20個檢驗樣本, 前者為模型建立的輸入數(shù)據(jù), 后者為模型驗證的輸入數(shù)據(jù)。我們使用決定系數(shù)(R)(公式(2))均方根誤差()公式(3)、相對均方根誤差[()公式(4)]對模型進行模型擬合度評價,R越大越接近于1代表模型的性能越好, 表示實測值

表1 無瓣海桑生物量模型[19]

注:: 生物量;: 距地1.3m處的胸徑;: 樹高;、: 模型參數(shù)。

與估算值之間的擬合程度更高; 均方根誤差和相對均方根誤差越小表示模型的估計效果更好, 但與被估計變量自身變量的數(shù)量級有關系,與被估計變量自身變量的數(shù)量級無關。

2 結(jié)果與分析

2.1 實測數(shù)據(jù)統(tǒng)計結(jié)果

在樣地選取了66個樣方, 共對577棵無瓣海桑測定了樹高和胸徑。結(jié)果表明(表3), 樣方單木紅樹林樹高范圍1.55 m—13.58 m, 野外測得的胸徑范圍為0.77 cm—41 cm。依據(jù)實測樹高與胸徑, 通過異速生長方程計算可得樣地各樣方紅樹林的生物量范圍為0.55 kg·m–2—13.57 kg·m–2, 平均值為5.40 kg·m–2。

2.2 模型精度評估

基于Lidar數(shù)據(jù), 在Rstudio中隨機數(shù)選取70%平均樣方生物量數(shù)據(jù)作為訓練集, 30%平均樣方生物量數(shù)據(jù)作為測試集, 使用RF算法進行回歸運算得到Lidar采樣方法反演地表生物量估算模型, 結(jié)果如表4所示。訓練集測試結(jié)果2=0.9537、=0.8142、=0.1486, 測試集測試結(jié)果2=0.6598、=2.0276、=0.3983表明, 使用Lidar采樣方法反演地表生物量估算模型(AGBLidar模型)計算的生物量與實測樣地采樣的數(shù)據(jù)計算的生物量基本吻合, 擬合度較高。因此, 可以使用RF算法表示AGBLidar模型, 將Lidar數(shù)據(jù)提取的紅樹林森林指標變量與RF算法結(jié)合可對研究區(qū)進行生物量反演。測試結(jié)果見圖2。

2.3 研究區(qū)紅樹林生物量空間分布

由于RF算法具有較高的擬合精度, 因此可以用它來預測研究區(qū)的生物量。將研究區(qū)的森林指標變量參數(shù)(高度變量參數(shù)和強度變量參數(shù))的柵格文件通過ArcGIS進行柵格轉(zhuǎn)點處理, 共獲得110551個柵格像元點。將得到的柵格像元點作為自變量代入建立的紅樹林生物量回歸方程中, 便可得到整個研究區(qū)域的紅樹林生物量分布圖, 如圖3所示。將紅樹林生物量按照分位數(shù)劃為5段, 大部分紅樹林生物量集中在2.08 kg·m–2—2.27 kg·m–2范圍內(nèi), 樹齡較大的紅樹林生物量較高, 大致位于7.54 kg·m–2—11.9 kg·m–2的范圍內(nèi)。經(jīng)計算, 研究區(qū)紅樹林生物量為0.82 kg·m–2—11.99 kg·m–2, 平均生物量為4.15 kg·m–2。

表3 實測數(shù)據(jù)基本統(tǒng)計信息

表4 地表生物量估算模型評價指標運算結(jié)果

注: (a)、(b)分別為隨機森林算法的訓練集及測試集。

Figure 2 Graph of test results for all variable parameters

圖3 紅樹林地上生物量分布

Figure 3 Aboveground biomass distribution of mangroves

3 討論

3.1 研究區(qū)無瓣海桑分布

樹高較高、胸徑較大的單木紅樹林主要分布在研究區(qū)中南部以及潮溝附近。無瓣海桑原為欽州地區(qū)紅樹林造林樹種, 雖在2009年后不再作為造林樹種, 但原有的無瓣海桑在欽州沿海表現(xiàn)出了一定的入侵性[18]。位于潮溝附近的無瓣海桑逐漸向東北、東南側(cè)的原生樹種桐花樹種群入侵, 逐漸成為區(qū)域的優(yōu)勢樹種。從研究結(jié)果來看, 由于潮溝地區(qū)容易聚集更多的營養(yǎng)物質(zhì), 對局部紅樹林的生長具有促進作用, 致使該區(qū)域紅樹林生長旺盛。無瓣海桑的樹高、胸徑由研究區(qū)中南部以及潮溝附近向東北、東南方向遞減。

3.2 生物量模型

本實驗將機載Lidar數(shù)據(jù)與康熙嶺紅樹林實測數(shù)據(jù)相結(jié)合, 通過RF算法確定研究區(qū)紅樹林總生物量。洪奕豐[11]、穆喜云[14]等通過對比RF與MLR算法的精度, 發(fā)現(xiàn)RF在計算森林碳儲量及進行生物量反演具有明顯的精度優(yōu)勢。同時RF算法在處理多自變量的問題時具有一定的優(yōu)勢, 可以根據(jù)變量的重要性, 對變量進行排序、篩選放入模型, 提高模型計算效率。因為RF算法對植被的參數(shù)預測具有較高的擬合精度, 所以可對研究區(qū)進行反演研究。本研究采用的RF算法精度R=0.66, 訓練精度較高。由于研究區(qū)選在康熙嶺片區(qū), 試驗區(qū)較小, 用以模型訓練的樣本數(shù)目不夠多, 導致個別樣點的實測值與估測值偏差較大。由于個別樣地內(nèi)紅樹林單木株數(shù)較少, 機載Lidar在獲取樣地點云信息時錯失了冠頂數(shù)據(jù), 因此進行樣地內(nèi)分位高度統(tǒng)計時會出現(xiàn)偏差。并且實驗區(qū)內(nèi)存在其它樹種, 并不是單一的無瓣海桑群落, 在使用無瓣海桑異速生長方程進行RF模型訓練時勢必會產(chǎn)生誤差。同時產(chǎn)生差異的原因與模型精度直接相關, 模型的精度將直接影響地區(qū)的反演質(zhì)量, 因此反演結(jié)果與實地生物量并不嚴格相同。由于測量誤差的原因, 研究區(qū)實測單木樹高、胸徑可能不夠準確, 也會影響生物量的反演結(jié)果。

3.3 無瓣海桑生物量密度

研究區(qū)紅樹林生物總量為459.1823773 Mg, 平均生物量為4.15 kg·m–2。研究結(jié)果要低于Wang等[21]估算的海南島東北部的清瀾港自然保護區(qū)和東寨港國家保護區(qū)等地的平均生物量119.26 Mg·ha–2; 低于深圳地區(qū)紅樹林生物量93.0 Mg·ha–2[22], 略低于廣東無瓣海桑生物量50.81 t·ha–2[19]。由于各地區(qū)的地理區(qū)位、水熱條件、區(qū)域CO2濃度及地區(qū)人為干擾因素不同, 對各地區(qū)的紅樹林的生長都會造成一定的影響, 對紅樹林的生物總量產(chǎn)生直接影響。研究區(qū)的無瓣海桑林樹齡較低, 相比其它區(qū)域研究區(qū)的水熱條件均有不足, 對紅樹林生長的促進作用較弱, 因此研究區(qū)紅樹林平均樹高較低,所得結(jié)果與海南島、深圳、廣東等地的紅樹林生物量相比均較低。本實驗選取欽州灣小區(qū)域研究區(qū)進行生物量反演研究, 由于康熙嶺地區(qū)的無瓣海桑總體生物量偏低, 紅樹林單木樣本較少, 相較于欽州灣總體平均生物量[23]實驗所得結(jié)果偏低, 所以該計算結(jié)果具有一定的區(qū)域性。

3.4 不足與展望

實驗中由于RF算法屬于暗箱操作, 其回歸模型并不可見, 因此參與建模的樣本隨機性較大; 同時由于本實驗是對小尺度范圍進行研究, 選取的紅樹林品種也較為單一, 且僅以無瓣海桑為例進行了相關研究。后續(xù)可以選取多個ML算法、擴大研究區(qū)范圍以及紅樹林的品種數(shù)量, 以做出對廣西欽州灣地區(qū)紅樹林生物量反演更有說服力的研究成果。

4 結(jié)論

研究以欽州茅尾海康熙嶺紅樹林濕地為研究片區(qū), 利用無人機低空遙感獲取的激光點云數(shù)據(jù), 結(jié)合實測單木結(jié)構信息, 使用隨機森林算法對研究區(qū)無瓣海桑的生物量進行估算。主要結(jié)論如下:

(1)研究區(qū)樣地各樣方的無瓣海桑的生物量范圍介于0.55 kg·m–2—13.57 kg·m–2, 平均值為5.40 kg·m–2。

(2)基于機載雷達數(shù)據(jù), 隨機森林算法的訓練集R=0.9516、=0.8142、=0.1486; 測試集R=0.6598 、=2.0276、=0.3983。總體來看RF模型所預測的生物量與實測樣地采樣的數(shù)據(jù)計算的生物量相吻合, 隨機森林算法擬合精度較高。

(3)研究區(qū)紅樹林生物總量為459.1823773 Mg, 平均生物量為4.15 kg·m–2。由于康熙嶺地區(qū)的無瓣海桑總體生物量偏低, 相較于欽州灣總體平均生物量實驗所得結(jié)果偏低, 所得結(jié)果具有一定的區(qū)域性。

[1] 朱可峰, 廖寶文, 章家恩, 等. 廣州市南沙紅樹植物無瓣海桑、木欖人工林生物量的研究[J]. 林業(yè)科學研究, 2011, 24(4): 531–536.

[2] 石莉. 中國紅樹林的分布狀況、生長環(huán)境及其環(huán)境適應性[J]. 海洋信息, 2002, 17(4): 14–18.

[3] 生農(nóng), 辛琨, 廖寶文, 等. 紅樹林濕地生態(tài)功能及其價值研究文獻學分析[J]. 濕地科學與管理, 2021, 17(1): 47–50.

[4] CLAUDIA K, ANDREA B, STEFFEN G, et al. Remote Sensing of Mangrove Ecosystems: A Review[J]. Remote Sensing, 2011, 3(5): 878–928.

[5] NELSON R F, KRABILL W, TONELLI J, et al. Estimating forest biomass and volume using airborne laser data[J]. Remote Sensing of Environment, 1988, 24(2): 247–267.

[6] MACLEAN G A, KRABILL W B. Gross-merchantable timber volume estimation using an airborne Lidar system[J]. Canadian Journal of Remote Sensing, 1986, 12(1): 7–18.

[7] N?sset E, Gobakken T, Holmgren J, et al. Laser scanning of forest resources: the Nordic experience[J]. Scandinavian Journal of Forest Research, 2004, 19(6): 482–499.

[8] N?sset E, Gobakken T. Estimation of above-and below-ground biomass across regions of the boreal forest zone using airborne laser[J]. Remote Sensing of Environment, 2008, 112(6): 3079–3090.

[9] GLEASON C J, JUNGHO I. Forest biomass estimation from airborne LiDAR data using machine learning approaches[J]. Remote Sensing of Environment, 2012, 125: 80–91.

[10] HICKEY S M, CALLWO N J, PHINN S, et al. Spatial complexities in aboveground carbon stocks of a semi-arid mangrove community: A remote sensing height-biomass- carbon approach[J]. Estuarine Coastal & Shelf Science, 2018, 200: 194–201.

[11] 洪奕豐, 張守攻, 陳偉, 等. 基于機載激光雷達的落葉松組分生物量反演[J]. 林業(yè)科學研究, 2019, 32(5): 83–90.

[12] 劉峰, 譚暢, 張貴, 等. 長白落葉松單木參數(shù)與生物量機載LiDAR估測[J]. 農(nóng)業(yè)機械學報, 2013, 44(9): 219–224+242.

[13] 李旺, 牛錚, 王成, 等. 機載LiDAR數(shù)據(jù)估算樣地和單木尺度森林地上生物量[J]. 遙感學報, 2015, 19(4): 669–679.

[14] 穆喜云, 劉清旺, 龐勇, 等. 基于機載激光雷達的森林地上碳儲量估測[J]. 東北林業(yè)大學學報, 2016, 44(11): 52–56.

[15] TIAN Yichao, HUANG Hu, ZHOU Guoqing, et al. Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing[J]. Science of The Total Environment, 2021, 781(3): 146816.

[16] WANG Chuankuan. Biomass allometric equations for 10 co-occurring treespecies in Chinese temperate forests[J]. Forest Ecology and Management, 2006, 222(1/3): 9–16.

[17] DUARTE L, MORENE J B, CATHARINO M, et al. Mangrove metal pollution induces biological tolerance to Cd on a crab sentinel species subpopulation[J]. Science of The Total Environment, 2019, 687: 768–779.

[18] 鄧必玉. 廣西欽州沿海無瓣海桑入侵性初探[J]. 湖北林業(yè)科技, 2020, 49(5): 46–49+52.

[19] 胡懿凱, 徐耀文, 薛春泉, 等. 廣東省無瓣海桑和林地土壤碳儲量研究[J]. 華南農(nóng)業(yè)大學學報, 2019, 40(6): 95–103.

[20] BREIMAN L. Random forests[J]. Machine Learning, 2001, 45(1): 5–32.

[21] WANG Dezh, WAN Bo, LIU Jing, et al. Estimating aboveground biomass of the mangrove forests on northeast Hainan Island in China using an upscaling method from field plots, UAV-LiDAR data and Sentinel-2 imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 85: 101986.

[22] LI Zhen, ZAN Qijie, YANG Qiong, et al. Remote Estimation of Mangrove Aboveground Carbon Stock at the Species Level Using a Low-Cost Unmanned Aerial Vehicle System[J]. Remote Sensing, 2019, 11(9): 1018.

[23] 曹慶先. 北部灣沿海紅樹林生物量和碳貯量的遙感估算[D]. 北京: 中國林業(yè)科學研究院, 2010.

Biomass inversion of typical mangrove forests in Qinzhou Bay based on LiDAR

ZHANG Zhendong1, TIAN Yichao1, 2, *, DENG Jingwen1, YAO Guizhao1, LI Yinling1

1. College of Resources and Environment, Beibu Gulf University, Qinzhou 535011, China 2. Beibu Gulf Ocean Development Research Center, Beibu Gulf University, Qinzhou 535011, China

The total mangrove biomass in the test area is critical to the conservation of the ecosystem in the study area. In combination with the measured sample plot data and LiDAR point cloud data, random forest method was employed to estimate the mangrove biomass in the study area. A biomass estimation model was then built based on the subsequent accuracy test to invert the entire mangrove biomass in the test area. The results showed that: (1) The biomass of Sonneratia apetala in the sample plots of the study area ranged from 0.55 kg·m–2to 13.57 kg·m–2, averaging 5.40 kg·m–2. (2) The training set obtained by calculating mangrove biomass through the random forest model wasR=0.9516,=0.8142, and=0.1486; and the test set wasR=0.6598,=2.0276, and=0.3983. These indicated that the biomass calculated by the surface biomass estimation model was basically consistent with that calculated based on the measured sample plot data, thereby verifying the accuracy of the random forest algorithm. (3) In the study area, the total mangroves biomass was 459.18 Mg, averaging 4.15 kg·m–2. The single-tree mangroves with higher heights and larger DBHs were mainly distributed near the tidal creek as well as the central and southern parts of the study area.

lidar; mangroves; biomass; random forest; Qinzhou Bay

10.14108/j.cnki.1008-8873.2024.01.024

TP79

A

1008-8873(2024)01-203-08

2021-09-06;

2021-11-15

國家自然科學基金(42261024); 廣西高校人文社會科學重點研究基地“北部灣海洋發(fā)展研究中心”項目; 廣西創(chuàng)新驅(qū)動發(fā)展專項(AA18118038); 廣西基地和人才項目(2019AC20088); 廣西自治區(qū)大學生創(chuàng)新創(chuàng)業(yè)訓練項目(1707402429)

張振東(1999—), 男, 山東青州人, 本科, 主要從事資源環(huán)境遙感方面的研究, E-mail: 1394648468@qq.com

通信作者:田義超(1986—), 男, 陜西西安人, 中國科學院地球化學研究所博士, 教授, 碩士生導師, 主要從事資源環(huán)境遙感與GIS及海岸帶生態(tài)環(huán)境監(jiān)測的相關研究, E-mail: tianyichao1314@yeah.net

張振東, 田義超, 鄧靜雯, 等. 基于激光雷達的欽州灣典型紅樹林生物量反演[J]. 生態(tài)科學, 2024, 43(1): 203–210.

ZHANG Zhendong, TIAN Yichao, DENG Jingwen, et al. Biomass inversion of typical mangrove forests in Qinzhou Bay based on LiDAR[J]. Ecological Science, 2024, 43(1): 203–210.