毛竹林碳储量遥感估算模型的构建及评价研究

第一章绪论

近年研究表明，从碳储量总量上看，其碳储量从 2.86 亿吨提高到 6.05 亿吨；60 年来，竹林碳储量翻了一番多，特别是近 15 年竹林碳储量增长最快；随着竹林面积的持续增长，竹林碳储量仍将继续增加[1]。在局部区域上，竹林也具有较强的固碳能力和碳贡献。以浙江省为例，1988 年全省竹林面积为 50 万 hm2[2]，到 2000 年增长到 62.4 万 hm2[3]，2005 年达到 80 万 hm2，全省竹林面积逐年增加，从2000 年到 2005 年每年以 3.5 万 hm2的惊人速度增加[4]；临安市从 1983 年到 2002 年的 20 年中竹林面积增加了 46.95 万亩，增幅达 101%[5]；安吉县每公顷毛竹生物量为44.228Mg/hm2，碳密度为 20.2965Mg C/hm2，据此推测浙江省毛竹地上总生物量碳储量约占全省林分总量的 18%，接近 20%[6]；杭州市余杭区森林碳库的动态研究结果表明，1985 年占全区森林面积 46%的竹林，却占该区当年森林碳储量总量的 66%；1998年占全区森林面积 49%的竹林，却占该区当年森林碳储量总量的 65%，而且竹林的碳密度高于该区的阔叶林，是松林、杉木林和经济林的 2 倍左右[7]；浙西天目山国家级自然保护区内，毛竹林面积正以每年 4.47hm2的速度自然扩张[8]；到 2009 年，我国竹林面积已增长到近 600 万 hm2，约占世界竹林面积的 30%，居世界首位，使我国成为名副其实的“世界竹子王国”。
据统计，我国竹林生态系统的碳储量约占整个森林生态系统碳储量的 4.05%，可见竹林在森林生态系统二氧化碳减量方面具有重要作用[10]。随着中国绿色碳基金(中国石油)浙江临安毛竹林碳汇项目基地 2008 年在临安市藻溪镇严家村的启动、国际竹滕网络中心 2009 年“竹林生态和经营学术论坛－竹林经营与生物多样性和气候变化”的召开等，竹林碳汇及其在全球变化中的作用得到更加重视。近年研究表明竹林资源特别是具有高效固碳能力的毛竹林，其具巨大的碳储量对全球碳平衡的贡献开始受到广泛关注并逐渐得到认可[11]，并且随着《Bambooand Climate Change Mitigation》一书的发表[12]，竹林在全球气候变化中的作用也在国际社会上产生了广泛的影响。在全球变化研究中，尤其是陆地生态系统碳储量和碳循环观测及过程研究中，遥感正日益成为有力的新兴研究手段[13]。遥感在地观测技术方面具有实时、动态、大面积同步监测和信息丰富的特点，使其在森林碳储量定量估算中的作用得到广泛的认可，是陆地植被碳储量定量研究的重要进展，也是目前和未来研究森林碳储量动态变化规律的重要手段之一[14][15][16]，各种生物量遥感估算模型也见诸报道[17]。模型的特点是简单，但结构多样，缺陷是模型易受植被类型、光照条件、观察位置、冠层结构等影响，对土壤背景等非植被因素也比较敏感[18][19]。往往在某研究区域内的估算精度很高的模型，一旦应用于其他区域，模型的预测效果会大打折扣。
针对该问题，人们做不同程度的探讨，如范文义等[20]应用黑龙江长白山地区的 TM 影像和 133 块森林资源一类清查样地的数据，选取地学参数、遥感反演参数等 71 个自变量分别构建多元逐步回归模型和 BP(back propagation)神经网络模型等，通过分析比较得出多元逐步回归模型估测的森林生物量预测精度为 75%，而 BP 神经网络模型估测森林生物量有显著提高；Foody 等[21]在巴西、新加坡、泰国选取三块样地，用各种植被指数、波段信息构建回归模型和神经网络模型，并进行模型移植，发现移植后精度均大幅下降。目前能够适应各个地区、各个时相、各种尺度的普适性模型未见报道。本文研究将以浙江省临安市、安吉县、龙泉市为研究区域，研究毛竹林地上生物量及碳储量遥感估算模型的可移植性，期望为毛竹林这一亚热带特殊的森林类型找到一种较为实用的生物量碳储量遥感估算模型。

1.1 生物量研究综述
一方面，全球气候环境日渐恶化，大量 CO2等温室气体的排放所带来的严重后果直接影响到人类的生存发展，森林生态系统通过光合作用吸收 CO2，是一个强大的碳汇。另一方面，在环境恶化的过程中，研究气候及环境变化的政府、非政府组织或机构提出一些新观念，制定了一系列计划、协议，推动了科学界对生物量及碳储量估算的研究。所以，研究生物量显得尤为重要。
1.1.1 生物量国内外研究综述
我国最早有关生物量的研究是潘维侍等[25]对杉木人工林的研究，其后是冯宗炜等[26]对马尾松人工林以及李文华等[27]对长白山温带天然林的研究。刘世荣[28]、陈灵芝等[29]、党承林等[30]先后建立了主要森林树种生物量测定相对生长方程，估算了其生物量。国外有关生物量的最早研究是 Ebermeryer错误！未找到引用源。于 1876 年在德国进行的几种森林的树枝落叶量和木材重量的测定。后来 Burger[24]于 1929-1953 年研究了树叶生物量和木材生产的关系。Boysen Jensen[23]在研究森林自然稀疏问题时，研究了森林的初级生产量。现已报道的相关研究资料比较丰富，但由于不同的研究者所选的研究地点、森林类型、研究尺度以及生物量测定方法的不同，碳储量的估算方法和结果也有很大差异。

    1.2 森林生物量估算模型研究综述 ...................12-16
        1.2.1 物理遥感估算模型研究 ...................13
        1.2.2 经验遥感估算模型研究 ...................13-16
        1.2.3 半经验遥感估算模型研究 ...................16
    1.3 估算模型可移植性研究 ...................16-17
    1.4 研究内容及技术路线 ...................17-20
        1.4.1 研究内容 ...................17-18
        1.4.2 研究步骤及方法 ...................18-19
        1.4.3 技术路线 ...................19-20
第二章数据与方法 ...................20-25
    2.1 研究区域概况 ...................20-21
    2.2 样地调查数据及处理 ...................21
    2.3 遥感数据及预处理 ...................21-24
        2.3.1 几何校正 ...................22
        2.3.2 大气校正 ...................22-23
        2.3.3 地形校正 ...................23-24
        2.3.4 毛竹林信息提取 ...................24
    2.4 小结 ...................24-25
第三章遥感估算模型的构建及评价 ...................25-39
    3.1 遥感变量设置 ...................25-27
    3.2 模型构建 ...................27-36
    3.3 模型精度评价 ...................36-37
    3.4 模型结果分析 ...................37
    3.5 小结 ...................37-39
第四章模型移植性 ...................39-43
    4.1 不同模型移植结果分析 ...................39-41
        4.1.1 一元非线性模型 ...................39
        4.1.2 逐步回归模型 ...................39
        4.1.3 BPANN 神经网络模型 ...................39-41
    4.2 可移植性评价 ...................41-42
    4.3 小结 ...................42-43

结论

本文选取 5 种具代表性的数学统计模型，在浙江省内选取临安、安吉、龙泉三个毛竹林分布较多的区域分别建立基于遥感的毛竹林地上部分碳储量统计模型，评价各模型并选取精度较好模型进行可移植性分析。主要得出以下 3 方面的结论：(1) 三个区域，Erf-BP 神经网络模型精度最高、逐步回归模型和一元非线性模型次之。(2) Erf-BP 神经网络模型的可移植性优于逐步回归模型和一元非线性模型，具有较强的可移植性。(3) 模型类型和模型自变量对统计模型的可移植性有较大的影响。
本文开展对基于遥感的毛竹林地上部分碳储量估算模型的可移植性进行分析，评价了统计模型在毛竹林地上部分碳储量估算上的可移植性，为统计模型的可移植性研究提供了参考资料。
在临安、安吉和龙泉分别建立毛竹林地上部分生物量统计模型，并将较好的Erf-BP 神经网络模型、逐步回归模型和一元非线性模型 3 个模型在 3 个县市之间相互移植后得出：Erf-BP 神经网络模型在估算毛竹林生物量和可移植性上都优于其它统计模型。
统计模型的可移植性受模型自身的复杂程度、选取的自变量、移植地区之间差异性等因素有关。优越的统计模型(Erf-BP 神经网络模型)能够克服其它因素的影响，具有较好的可移植性。在变量设置上，应尽量综合考虑影响模型的各类变量，为最终选出的模型的适应性奠定基础。当然，统计模型在可移植上仍然存在较大的障碍，今后要发展基于生物物理机理的毛竹林生物量反演模型，克服统计模型的缺陷，构建具有强可移植性的基于遥感的毛竹林生物量估算模型。

参考文献

[1]陈先刚，张一平，张小全，等．过去 50 年中国竹林碳储量变化[J]．生态学报，2008，8(11)：5218–5227．
[2]黄伯惠．浙江省竹林概况及今后发展的建议[J]．浙江林业科技，1988，8(4)：47–52．
[3]戚连忠，朱杭瑞，蔡琳，等．从文献分析看浙江省竹类研究进展[J]．浙江林业科技，2000，20(6)：68–72．
[4]吴鸿 编．“十五”浙江林业科技发展报告[M]．北京：中国农业出版社，2005．
[5]朱永军，程爱兴，何钧潮．临安竹产业实现跨越式发展的目标和对策[J]．竹子研究汇刊，2003，22(3)：8–12．
[6]DU H Q, ZHOU G. M, FAN W Y, et al. http://sblunwen.com/ygjslw  Spatial Heterogeneity and Carbon Contribution ofAboveground Biomass of Moso Bamboo by Using Geostatistical Theory (a)[J]. Plant Ecology,2010(207): 131–139.
[7]李惠敏，陆帆，唐仕敏，等．城市化过程中余杭市森林碳汇动态[J]．复旦学报(自然科学版)，2004，43(6)：1044–1050．
[8]丁丽霞，王祖良，周国模，等．天目山国家级自然保护区毛竹林扩张遥感监测[J]．浙江林学院学报，2006，23(3)：297–300．
[9]林华．毛竹林生态系统生物量动态变化规律研究[J]．林业科技开发，2002, 16(S1): 26–27．
[10]李正才，傅懋毅，徐德全.竹林生态系统与大气二氧化碳减量[J]．竹子研究汇刊，2003，22(4)：1–6．