免费文献传递   相关文献

Simulation of above ground biomass in Larix olgensis plantation.

长白落叶松林生物量的模拟估测


利用样木收获法收集了34个样地中长白落叶松林分地上部分生物量信息,选取其中29个样地生物量信息分别与样地林分因子信息和TM遥感影像信息拟合建立生物量模型,利用其余5个样地的生物量信息进行模型精度检验和误差分析.结果表明:长白落叶松地上部分生物量均可用林分因子和遥感因子进行线性拟合;林分因子线性模型对长白落叶松中幼林地上生物量的估测精度较高(林分P=94.33%,遥感P=92.32%),且检验误差较小(林分MRE=6%,遥感MRE=31%),模型模拟效果较好;若只考虑长白落叶松中龄林,这2种模型的估测效果相当(林分模型和遥感模型的误差分别为329.9和313.6 t).整体而言,林分因子模型估测长白落叶松树皮、干材和总生物量的效果优于遥感因子模型,对于中龄林来说,遥感模型估测叶花果、树枝和树冠生物量的效果较好.

By the method of harvesting sampling trees, the information of aboveground biomass in 34 plots of a Larix olgensis plantation were collected, of which, the information from 29 plots was selected and fitted with stand factors and TM image RS factors, respectively to establish biomass models, and the information from the rest 5 plots was used to verify the models accuracy. The aboveground biomass in the Larix olgensis plantation could be linearly fitted with either stand factors or RS factors. For the young-middle aged trees, the estimation accuracy of stand factors model was higher(Pstand=94.33%), and the test error was smaller (MREstand=6%), compared with RS factors model (PRS=92.32%, MRERS=31%). If only the middleaged trees were taken into account, the estimation effect of the two models had no significant different (error sum Estand=329.9 t, ERS=313.6 t). Overall, the stand factors model was better for the estimation of Larix olgensis cortex, wood, and stumpage biomass, while the RS factors model was better for the estimation of middle-aged trees leaf, flower, fruit, branch, and crown biomass.


全 文 :长白落叶松林生物量的模拟估测*
闵志强摇 孙玉军**
(北京林业大学省部共建森林培育与保护教育部重点实验室, 北京 100083)
摘摇 要摇 利用样木收获法收集了 34 个样地中长白落叶松林分地上部分生物量信息,选取其
中 29 个样地生物量信息分别与样地林分因子信息和 TM遥感影像信息拟合建立生物量模型,
利用其余 5 个样地的生物量信息进行模型精度检验和误差分析.结果表明:长白落叶松地上
部分生物量均可用林分因子和遥感因子进行线性拟合;林分因子线性模型对长白落叶松中幼
林地上生物量的估测精度较高(林分 P = 94郾 33% ,遥感 P = 92郾 32% ),且检验误差较小(林分
MRE=6% ,遥感 MRE=31% ),模型模拟效果较好;若只考虑长白落叶松中龄林,这 2 种模型
的估测效果相当(林分模型和遥感模型的误差分别为 329郾 9 和 313郾 6 t) .整体而言,林分因子
模型估测长白落叶松树皮、干材和总生物量的效果优于遥感因子模型,对于中龄林来说,遥感
模型估测叶花果、树枝和树冠生物量的效果较好.
关键词摇 长白落叶松摇 林分调查因子摇 TM影像遥感因子摇 生物量模型
文章编号摇 1001-9332(2010)06-1359-08摇 中图分类号摇 S718郾 5摇 文献标识码摇 A
Simulation of above ground biomass in Larix olgensis plantation. MIN Zhi鄄qiang, SUN Yu鄄jun
(Ministry of Education Key Laboratory for Silviculture and Conservation, Beijing Forestry University,
Beijing 100083, China) . 鄄Chin. J. Appl. Ecol. ,2010,21(6): 1359-1366.
Abstract: By the method of harvesting sampling trees, the information of aboveground biomass in
34 plots of a Larix olgensis plantation were collected, of which, the information from 29 plots was
selected and fitted with stand factors and TM image RS factors, respectively to establish biomass
models, and the information from the rest 5 plots was used to verify the models accuracy. The
aboveground biomass in the Larix olgensis plantation could be linearly fitted with either stand factors
or RS factors. For the young鄄middle aged trees, the estimation accuracy of stand factors model was
higher (Pstand =94郾 33% ), and the test error was smaller (MREstand =6% ), compared with RS fac鄄
tors model (PRS = 92郾 32% , MRERS = 31% ). If only the middle鄄aged trees were taken into ac鄄
count, the estimation effect of the two models had no significant different (error sum Estand = 329郾 9
t, ERS =313郾 6 t) . Overall, the stand factors model was better for the estimation of Larix olgensis
cortex, wood, and stumpage biomass, while the RS factors model was better for the estimation of
middle鄄aged trees leaf, flower, fruit, branch, and crown biomass.
Key words: Larix olgensis; stand survey factor; TM image RS factor; biomass model.
*国家自然科学基金项目(30940014,30571492)、高等学校博士学科
点专项科研基金项目(20060022009)、国家林业局引进国际先进林
业科学技术项目 ( 2008鄄4鄄48 )和林业公益性行业科研专项经费
(200904003)资助.
**通讯作者. E鄄mail: sunyj@ bjfu. edu. cn
2009鄄12鄄22 收稿,2010鄄03鄄28 接受.
摇 摇 长白落叶松(Larix olgensis)是我国东北地区的
主要用材树种,具有易栽植、生长快等优点[1-2] . 作
为重要的森林生态类型,长白落叶松林是世界上受
全球气候变化影响最严重的森林植被类型之
一[3-4] .选择或建立合适的生物量模型,以精确估测
和模拟长白落叶松林生物量,对于正确评价森林生
态系统的生物生产力以及精确估算碳平衡具有重要
作用.
目前,建立模型估测森林生物量的方法主要有
生理生态模型法、样地实测建模法和遥感信息模型
法[5] .生理生态模型法主要利用植物生长的生态和
生理因子来建模,对全球和大尺度区域范围内生物
量和生产力进行估测. 样地实测建模法是目前国内
外普遍采用的估测方法,具体分为林分调查因子建
模法、生物量转换因子模型法和生物量因子连续函
数法,其中调查因子实测建模法对相同树种不同器
应 用 生 态 学 报摇 2010 年 6 月摇 第 21 卷摇 第 6 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Jun. 2010,21(6): 1359-1366
官的估测效果较好,也可对中小尺度范围的生物量
进行精准估测,精度较高. 如邢艳秋等[6]利用森林
调查数据,对长白山针阔混交林建模估测的精度达
到了 95%以上.基于植物光合作用原理的遥感信息
模型法主要包括遥感信息因子估测模型法、基准样
地法和人工神经网络模型法等,其中,遥感信息因子
估测模型法适合区域尺度估测,与人工神经网络法和
基准样地法相比,其机理简明、方法便捷. 如彭少麟
等[7]在研究粤西地区材积和生物量时,利用逐步回归
法建立的遥感因子估测模型中,各系数的显著水平都
在 0郾 05以上.为此,本文选取林分调查因子线性模型
法和遥感因子线性模型法对长白落叶松地上部分生
物量进行估测,旨在对比分析两种线性模型估测生物
量的精度差异和实用价值,以期为今后长白落叶松林
生物量及碳储量的研究提供借鉴和参考.
1摇 研究地区与研究方法
1郾 1摇 试验地概况
东折棱河林场(46毅31忆58义—46毅49忆38义 N,128毅
55忆30义—129毅15忆21义 E)位于小兴安岭南麓朗乡林业
局巴棱河流域,海拔 200 ~ 970 m. 研究区属于低山
丘陵区域,平均坡度约 12毅,局部地区最大坡度可达
45毅,以典型暗棕壤为主,平均厚度约 60 cm.该区属
典型的北温带大陆季风气候,年均气温 0郾 36 益,最
冷月平均气温-27郾 4 益,逸10 益年积温 1900 ~ 2200
益·d,年均降水量 618 mm.林场总面积 7039 hm2,
森林植被覆盖率为 92% ,主要树种有长白落叶松
(Larix olgensis)、兴安落叶松( Larix gmelinii)、红松
(Pinus koraiensis)、白桦 (Betula platyphylla)、枫桦
(Betula costata)、紫椴(Tilia amurensis)和山杨(Pop鄄
ulus davidiana)等,该区人工林以 20 世纪 60 年代以
后种植的长白落叶松为主,天然林以红松为主.
1郾 2摇 数据采集
根据试验区内长白落叶松胸径和年龄的差异,
分别于 2008 和 2009 年 7 月,在长白落叶松小班内
避开林缘建立了 22 个固定样地和 12 个临时样地,
样地大小均为 20 m伊30 m.对样地内胸径逸5 cm 的
树木进行每木调查,记录样地基本概况和林木的基
径(B,cm)、胸径(D,cm)、树高(H,m)、第一活枝高
(H1,m)、冠幅(C,m)、郁闭度(P)和林龄(A)等因
子,其中,冠幅分东南西北 4 个方向记录并计算,冠
幅面积(S,m2)的公式为:
S = 仔 伊 [(RE + RS + RW + RN) / 4] 2 (1)
式中:RE、RS、RW、RN 分别为冠幅正东、南、西和北面
的半径(m).
冠幅面积除以样地面积,得出树冠指数(CI).
根据直接收获法,在每个样地伐倒 1 株标准木,
共 34 棵,其中随机抽样选 5 棵用于生物量模型检
验.标准木以 1 m为 1 个区分段,先测定树皮、树干、
树枝(包括死枝)、叶(包括花和果)的湿质量,再烘
干(105 益),测定干质量,计算含水率[8];以 2 m 为
区分段做树干解析,计算标准木材积,从而估算样地
蓄积量.
1郾 3摇 遥感数据及地图信息的获取
遥感影像数据为 2008 年 7 月 14 日的 Landsat5
TM影像 (用于遥感信息的提取)和经过校正的
SPOT影像(用于几何校正 TM 影像),其中 Landsat5
TM轨道号为 116 / 028,分辨率为 30 m伊30 m,且林
场区域上空无云分布,图像质量良好.林场的高程图
和林班区划图均源于 1990 年黑龙江省森林资源二
类调查数据.
1郾 4摇 研究方法
1郾 4郾 1 TM影像的预处理摇 根据头文件信息,运用日
照差异纠正模型对影像进行大气纠正,然后采用
ERDAS 9郾 0 对由地形图生成的数字高程模型(digit鄄
al elevation model,DEM)高程图进行辐射校正[9-11] .
参考 SPOT 影像进行几何校正,并将样地中心的
GPS坐标与校正好的 TM 影像进行叠置,建立样地
信息矢量图层[12] .
植物的光谱特性在可见光波段主要受叶绿素支
配,叶绿素在光合作用时会吸收可见光中 0郾 6 ~ 0郾 7
滋m的蓝波段和红波段,而高反射和高透射 0郾 7 ~
1郾 1 滋m 的近红外波段[13] . 因此,本文采用 ERDAS
9郾 0 软件对选取的 TM 影像中位于近红外、红光、绿
光波段的 TM2、TM3 和 TM4 3 个通道进行融合.
1郾 4郾 2 植被的遥感指数计算和监督分类 摇 使用
spatial modeler功能模块计算归一化植被指数(ND鄄
VI)、比值植被指数(RVI)、差值植被指数(DVI)、土
壤调整比值植被指数(SAVI)、修正的土壤调节植被
指数(MSAVI),这些指数为生物量监测的常用指
数,可以反映森林生物量[14-16],其算式分别如下:
NDVI = (TM4 - TM3) / (TM4 + TM3) (2)
SAVI = (TM4 - TM3) 伊 (1 + L) / (TM4 + TM3 + L)
(3)
DVI = TM4 - TM3 (4)
RVI = TM4 / TM3 (5)
MSAVI = {2TM4 + 1 - SQR[(2TM4 + 1) 2 - 8 伊
(TM4 - TM3)]} / 2 (6)
0631 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 21 卷
式中:TM3和 TM4分别为 Landsat5卫星的3波段和4
波段;L为土壤调节参数,本文中 L = 0郾 5.
由于试验区的长白落叶松小班内还有其他针阔
林存在,因此采取根据训练区进行监督分类的方法,
将长白落叶松的影像信息准确提取出来.
1郾 5摇 数据处理
采用 SPSS 16郾 0 软件 analyze 功能将 29 个样地
的落叶松地上部分生物量与林分因子和遥感信息因
子分别进行逐步线性回归,建立模型;将剩下 5 个样
地的数据带入模型估测,与样地实测数据进行误差
分析.在 5 个用于模型验证的样地中,长白落叶松的
平均年龄分别为 8、19、24、33 和 36 a,其中 1 号样地
长白落叶松的平均年龄在所有调查样地中最小,3
号样地为长白落叶松纯林样地,其他均为混交林.根
据《森林测树学》 [17]中对北方人工落叶松龄组的划
分标准,将 1 和 2 号检验样地划分为幼龄林,3、4、5
号检验样地划分为中龄林. 以收获法实测的生物量
为参考,比较两种模型的估测效果. 其中,林分因子
选取样地的平均基径、胸径、树高、第一活枝高、树冠
指数、林龄以及样地蓄积(V,m3·hm-2)7 个因子,
遥感因子选取 TM3 灰度值、 TM4 灰度值、 NDVI、
RVI、DVI、SAVI、MSAVI 7 个因子. 样地地上部分生
物量由树皮生物量、干材生物量、活枝生物量、树枝
生物量(包括活枝和死枝)、叶花果生物量、树冠生
物量(包括叶花果生物量和活枝生物量)6 部分构
成.
2摇 结果与分析
2郾 1摇 长白落叶松生物量与林分因子的模型拟合
研究区长白落叶松林样地属于人工林,人为间
伐和干扰的影响较大,林分密度比较随机,因此林分
密度因子在建模时不予考虑. 调查中的郁闭度信息
主要采用十分法进行目测获得,随意性较大,尤其在
各样地郁闭情况差异不大时受调查人员主观影响较
大,故建模时用树冠指数代替郁闭度来表征林分密
度.在逐步回归筛选最优模型时应考虑因子间多重
共线性的干扰,一般认为容差( tolerance) <0郾 1 时,
存在严重的多重共线性[18] .
摇 摇 研究区各林分因子与长白落叶松各器官生物量
的逐步线性回归见表 1,从中可见,研究区长白落叶
松各器官生物量主要与胸径、基径、材积、树冠指数
和年龄相关.其中,干材和树皮部分生物量模型的预
表 1摇 长白落叶松各器官生物量与林分因子逐步回归的拟合结果
Tab. 1摇 Fitted results of the stepwise regression between each organ biomass of Larix olgensis and the stand factors
生物量
Biomass
自变量
Independent
variable
回归系数
Regression
coefficient
标准误
Standard
error
共线性容差
Collinearity
tolerance
相关系数
Correlation
coefficient
剩余方差
Residual
variance
预估精度
Prediction accuracy
(% )
树皮 Cons 2郾 399 0郾 854 0郾 789 2郾 398 92郾 43
Cortex V 0郾 040 0郾 006 1郾 000
干材 Cons -19郾 166 7郾 343 0郾 915 47郾 807 93郾 97
Wood D 1郾 632 1郾 042 0郾 173
V 0郾 139 0郾 049 0郾 292
B 1郾 473 0郾 686 0郾 384
活枝 Cons -5郾 568 3郾 201 0郾 780 15郾 091 85郾 80
Alive branch D 1郾 004 0郾 279 0郾 805
CI 2郾 355 0郾 758 0郾 805
树枝 Cons -27郾 072 10郾 359 0郾 717 30郾 762 86郾 58
Branch D 1郾 302 0郾 390 0郾 839
A 1郾 400 0郾 591 0郾 839
叶、花、果 Cons -4郾 494 1郾 872 0郾 834 1郾 005 91郾 57
Leaf, flower, fruit V 0郾 024 0郾 004 0郾 916
A 0郾 304 0郾 102 0郾 916
树冠 Cons -6郾 304 3郾 930 0郾 791 22郾 758 87郾 85
Crown D 1郾 392 0郾 343 0郾 805
CI 2郾 662 0郾 931 0郾 805
地上总生物量 Cons -8郾 556 9郾 388 0郾 914 116郾 687 94郾 33
Aboveground biomass D 3郾 468 1郾 352 0郾 265
V 0郾 230 0郾 077 0郾 301
CI 4郾 946 2郾 131 0郾 788
Cons: 常数 Constant; A: 年龄 Age; V: 林分蓄积 Forest volume; CI: 树冠指数 Crown index; B: 基径 Basal diameter; D: 平均胸径 Average DBH.
下同 The same below.
16316 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 闵志强等: 长白落叶松林生物量的模拟估测摇 摇 摇 摇 摇 摇
估精度分别为 93郾 97%和 92郾 43% ,而树枝、叶花果、
树冠部分生物量模型的预估精度则相对较小,分别
为 91郾 57% 、86郾 58% 、87郾 85% ,造成这种结果的原
因在于:模型因子选取了与树干部分生物量相关性
紧密的平均胸径和样地蓄积量;加之在长白落叶松
样地生物量收集时,树枝、树叶部分生物量的收集较
树干部分困难,且称量时误差较大,导致树冠部分的
生物量模型精度低于树干部分.
摇 摇 通过对研究区各林分因子之间(表 2)及其与长
白落叶松各器官生物量(表 3)进行相关分析,可以
明确建立生物量林分因子模型的机理. 虽然树高因
子与样地总生物量的相关性较高( r = 0郾 724,表 3),
但由于树高因子与胸径、材积、年龄等林分因子的相
关性较大( r逸0郾 64,表 2),为避免多重共线性造成
的信息冗余和模型干扰,林分因子模型中排除了树
高(表 1).活枝下高是衡量林分结构和生长情况的
重要指标,但由于人工林样地进行了人为整枝,导致
其与各器官生物量的相关性较差( r<0郾 51),所以建
模时该因子也被排除(表 1). 基径和树冠指数分别
是指示干材和树冠生长情况的指标,其与生物量的
相关性均较好,所以这 2 个因子出现在干材生物量
模型和树冠生物量模型中.
2郾 2摇 长白落叶松生物量与遥感因子的模型拟合
植被指数具有明显的地域性和时效性,不同植
被指数的适用条件亦有所差异. 本文选取 7 个有代
表性的植被指数,将其与落叶松各器官生物量进行
逐步线性回归,当有多个自变量因子模型时,选取模
型相关系数较大且容差范围合理的最优模型.
摇 摇 研究区长白落叶松各器官生物量主要与 MSA鄄
VI、RVI 和 NDVI 相关,且 NDVI、RVI、DVI、 SAVI、
MSAVI 5 个植被指数未同时出现在一个模型中;除
了干材生物量模型外,其他器官均建立了一元线性
生物量模型,且不同模型选择的相关因子亦有所差
异(表 4).叶花果部分生物量模型的相关系数最大
( r=0郾 859),预估精度最高(92郾 33% ),地上总生物
量、树皮和干材的生物量模型预估精度分别为
92郾 32% 、91郾 19% 、91郾 34% ,活枝、树枝和树冠预估
精度则相对较小.一般而言,利用遥感因子估测生物
量时树冠部分的估测效果最好;但收获法人工采集
生物量时,枯枝、活枝和叶部分的损失最难控制,在
一定程度上会造成树冠部分生物量模型精度略低于
干材部分.
摇 摇 本文所选 7 个植被指数与长白落叶松各器官的
生物量明显相关,且 MSAVI、SAVI、DVI、RVI、NDVI
之间的相关性均较大,TM4 与 DVI 的相关性甚至达
到了 0郾 991(表 5),故建模时这些相关性较大的因
子没有同时出现.长白落叶松叶花果部分生物量与
遥感因子相关性依次为:MSAVI>SAVI = NDVI>RVI
>DVI>TM4>TM3(表 6),而各植被指数间的相关性
又较大,因此本文建立了以 MSAVI为自变量的一元
表 2摇 研究区样地林分因子间的相关系数
Tab. 2摇 Correlation coefficient among the stand factors in plots of the study area
A D H B AH V CI
A 1
D 0郾 400 1
H 0郾 643 0郾 763 1
B 0郾 497 0郾 774 0郾 701 1
AH 0郾 270 0郾 381 0郾 600 0郾 399 1
V 0郾 290 0郾 830 0郾 683 0郾 564 0郾 533 1
CI 0郾 375 0郾 442 0郾 354 0郾 500 0郾 114 0郾 297 1
H: 平均树高 Average height;AH: 第一活枝高 /活枝高 The first alive branch height / alive branch height. 下同 The same below.
表 3摇 长白落叶松各器官生物量与各林分因子的相关系数
Tab. 3摇 Correlation coefficient between each organ biomass of Larix olgensis and the stand factors
地上总生物量
Aboveground biomass
树皮生物量
Cortex
biomass
干材生物量
Wood
biomass
活枝生物量
Alive branch
biomass
树枝生物量
Branch
biomass
叶花果生物量
Leaf, flower,
fruit biomass
树冠生物量
Crown
biomass
A 0郾 440 0郾 287 0郾 329 0郾 474 0郾 554 0郾 531 0郾 501
D 0郾 866 0郾 741 0郾 875 0郾 679 0郾 639 0郾 732 0郾 711
H 0郾 724 0郾 546 0郾 727 0郾 569 0郾 556 0郾 661 0郾 607
B 0郾 750 0郾 556 0郾 756 0郾 609 0郾 586 0郾 625 0郾 630
AH 0郾 490 0郾 339 0郾 507 0郾 382 0郾 345 0郾 488 0郾 418
V 0郾 843 0郾 789 0郾 838 0郾 616 0郾 613 0郾 769 0郾 670
CI 0郾 522 0郾 393 0郾 478 0郾 639 0郾 498 0郾 473 0郾 619
2631 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 21 卷
表 4摇 长白落叶松各器官生物量与遥感因子逐步回归的拟合结果
Tab. 4摇 Fitted results of the stepwise regression between each organ biomass of Larix olgensis and the RS factors
生物量
Biomass
自变量
Independent
variable
回归系数
Regression
coefficient
标准误
Standard
error
共线性容差
Collinearity
tolerance
相关系数
Correlation
coefficient
剩余方差
Residual
variance
预估精度
Prediction
accuracy (% )
树皮 Cons -34郾 438 8郾 308 0郾 699 3郾 248 91郾 19
Cortex MSAVI 58郾 906 11郾 586 1郾 000
干材 Cons 106郾 491 125郾 597 0郾 837 102郾 339 91郾 34
Wood TM3 -7郾 793 2郾 367 0郾 447
MSAVI 221郾 943 97郾 245 0郾 447
活枝 Cons -32郾 761 7郾 188 0郾 758 15郾 790 85郾 47
Alive branch RVI 12郾 060 1郾 998 1郾 000
树枝 Cons -72郾 249 15郾 944 0郾 729 28郾 621 87郾 06
Branch NDVI 156郾 965 28郾 401 1郾 000
叶、花、果 Cons -32郾 089 4郾 209 0郾 859 0郾 833 92郾 33
Leaf, flower, fruit MSAVI 51郾 092 5郾 869 1郾 000
树冠 Cons -42郾 325 8郾 297 0郾 800 21郾 037 88郾 31
Crown RVI 15郾 996 2郾 307 1郾 000
地上总生物量 Cons -252郾 325 43郾 599 0郾 821 214郾 021 92郾 32
Aboveground biomass NDVI 579郾 505 77郾 663 1郾 000
MSAVI: 土壤修正植被指数 Modified soil鄄adjusted vegetation index; RVI: 比值植被指数 Ratio vegetation index; NDVI: 归一化差值植被指数 Nor鄄
malized difference vegetation index; TM3: TM3灰度值 The gray value of TM3 . 下同 The same below.
表 5摇 研究区样地遥感因子间的相关系数
Tab. 5摇 Correlation coefficient among the RS factors in plots of the study area
TM3 TM4 NDVI RVI DVI SAVI MSAVI
TM3 1
TM4 -0郾 466 1
NDVI -0郾 750 0郾 934 1
RVI -0郾 766 0郾 924 0郾 996 1
DVI -0郾 580 0郾 991 0郾 973 0郾 966 1
SAVI -0郾 748 0郾 934 1郾 000 0郾 996 0郾 973 1
MSAVI -0郾 743 0郾 935 1郾 000 0郾 994 0郾 973 1郾 000 1
TM4: TM4灰度值 The gray value of TM4; DVI:差值植被指数 Difference vegetation index; SAVI:土壤调整比值植被指数 Soil鄄adjusted vegetation in鄄
dex. 下同 The same below.
表 6摇 长白落叶松各器官生物量与遥感因子间的相关系数
Tab. 6摇 Correlation coefficient between each organ biomass of Larix olgensis and the RS factors
生物量
Biomass
TM3 TM4 NDVI RVI DVI SAVI MSAVI
地上总生物量 Aboveground biomass -0郾 791 0郾 667 0郾 821 0郾 819 0郾 733 0郾 820 0郾 820
树皮 Cortex -0郾 613 0郾 589 0郾 696 0郾 679 0郾 635 0郾 695 0郾 699
干材 Wood -0郾 800 0郾 578 0郾 760 0郾 761 0郾 653 0郾 760 0郾 759
活枝 Alive branch -0郾 651 0郾 659 0郾 752 0郾 758 0郾 705 0郾 752 0郾 749
树枝 Branch -0郾 587 0郾 660 0郾 729 0郾 725 0郾 697 0郾 728 0郾 728
叶花果 Leaf, flower, fruit -0郾 644 0郾 798 0郾 857 0郾 846 0郾 832 0郾 857 0郾 859
树冠 Crown -0郾 668 0郾 710 0郾 798 0郾 800 0郾 755 0郾 798 0郾 796
线性模型(表 4). MSAVI 适用于不同植被覆盖度、
不同土壤背景的下垫面,它能够消除或减弱土壤背
景的噪声,因此在估测对光谱信息敏感的叶花果部
分生物量时效果较好.
2郾 3摇 林分因子模型与遥感因子模型估测效果的比

由表 7 可以看出,研究区 1 号检验样地中林分
因子模型预测长白落叶松生物量的效果明显优于遥
感因子模型,林分因子模型的平均相对误差(MRE)
值为 15% ,原因在于该样地林分正处于幼龄林阶
段、覆盖率仅为 30% 、林冠间的空隙较大,草本和灌
木的光谱信息严重干扰遥感因子模型的估测精度,
加之地上部分生物量的遥感因子模型选取了受土壤
背景影响明显的NDVI(该植被指数证明在植被覆
36316 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 闵志强等: 长白落叶松林生物量的模拟估测摇 摇 摇 摇 摇 摇
表 7摇 林分因子模型法与遥感因子模型法估测效果的比较
Tab. 7摇 Comparision of estimate effects between stand factors and RS factors model ( t·hm-2)
器官
Organ
生物量
Biomass
样地 1
Plot 1
样地 2
Plot 2
样地 3
Plot 3
样地 4
Plot 4
样地 5
Plot 5
器官 MRE
Organ MRE (% )
树皮 玉 0郾 51 7郾 26 8郾 30 10郾 18 9郾 58
Cortex 域 2郾 51 5郾 99 5郾 18 11郾 05 11郾 39 1
芋 -1郾 90 7郾 49 5郾 46 9郾 83 11郾 22 10
干材 玉 2郾 00 26郾 79 37郾 08 76郾 72 89郾 94
Wood 域 -5郾 07 39郾 93 41郾 24 63郾 67 70郾 70 9
芋 -28郾 08 38郾 49 46郾 40 70郾 66 75郾 90 13
活枝 玉 1郾 47 7郾 00 10郾 12 13郾 35 14郾 77
Alive branch 域 -0郾 26 10郾 45 13郾 32 14郾 45 12郾 48 8
芋 -5郾 72 9郾 24 4郾 76 15郾 94 21郾 05 3
树枝 玉 1郾 47 12郾 71 13郾 75 24郾 08 16郾 76
Branch 域 -12郾 21 15郾 20 23郾 41 39郾 42 33郾 21 44
芋 -12郾 10 14郾 69 8郾 35 22郾 41 27郾 24 12
叶花果 玉 2郾 74 3郾 62 3郾 65 5郾 57 6郾 71
Leaf, flower, fruit 域 -2郾 15 3郾 59 4郾 32 10郾 88 11郾 69 27
芋 -3郾 87 4郾 28 2郾 51 6郾 31 7郾 51 25
树冠 玉 4郾 21 10郾 61 12郾 97 18郾 91 21郾 48
Crown 域 0郾 55 14郾 76 18郾 52 20郾 19 17郾 57 5
芋 -6郾 46 13郾 39 7郾 44 22郾 27 29郾 04 4
总生物量 玉 6郾 72 50郾 38 62郾 77 116郾 54 122郾 98
Total biomass 域 7郾 76 61郾 38 65郾 44 103郾 71 99郾 38 6
芋 -65郾 85 56郾 65 56郾 74 99郾 30 100郾 88 31
样地 MRE 域 15 22 4 11 19
Plot MRE (% ) 芋 108 12 10 15 18
玉: 实测生物量 Observed biomass; 域: 林分因子模型估测的生物量 Estimated biomass of stand factors model; 芋: 遥感因子模型估测的生物量
Estimated biomass of RS factors model; MRE: 生物量平均相对误差 Mean relative error for biomass.
盖度较小时由土壤变化带来的影响较大[19] ),所以
相对于覆盖度较高的中龄林而言,其误差较大. 2、3、
4、5 号检验样地的长白落叶松林接近中龄林,这 4
个调查样地的植被覆盖率大于 75% ,可以认为土壤
对植被指数的影响消失(当植被覆盖度大于 40% ,
土壤对 NDVI 的影响逐渐消失[20-21] ),此时这 4 个
中龄林样地的林分因子模型 MRE 值均远小于 1 号
样地.其中,遥感模型和林分因子模型的 MRE 值分
别在 4% ~22%和 10% ~ 18% ,误差值之和分别为
329郾 9 t和 313郾 6 t,说明这 2 种模型对长白落叶松中
龄林生物量的估测效果相当. 3 号检验样地虽然属
于中龄林,但该样地为落叶松纯林,对林分因子调查
和样地总蓄积的测定精度较高,因而该样地林分因
子模型的估测效果(MRE 值为 4% )好于其他样地;
遥感因子模型在估测中龄纯林时,受其他树种、灌草
和土壤的干扰较少,所以模型估测误差(MRE 值为
10% )比其他样地低.
在长白落叶松各器官的生物量估测中,林分因
子线性模型估测树皮、干材和地上部分总生物量的
精度优于遥感因子模型,林分因子线性模型的 MRE
最小值为 1% 、最大值为 9% .其中林分因子线性模
型估测地上部分总生物量的误差为 6% ,而遥感因
子模型则达到了 31% ,导致这种结果的主要原因在
于:1)由于本文的遥感模型中使用了 NDVI 等植被
指数,当植被覆盖度较高时,红光通道易饱和以及自
身公式算法等影响,NDVI 并不呈现简单的线性关
系,造成模型估测误差较大,如植被覆盖度较高的 4
和 5 号样地的遥感模型估测值明显小于实际值;2)
利用遥感因子模型估测树皮、干材和地上部分生物
量时,其原理是基于不进行光合作用的树皮、干材以
及枯枝等器官生物量与参加光合作用的树冠部分生
物量具有线性相关关系,通过嵌套式双重线性相关
进行回归建立模型,该方法受树皮、干材与树冠的线
性相关精度影响,产生误差积累,造成树皮、干材估
测的精度下降.
在研究区长白落叶松活枝、叶花果、树枝和树冠
部分的生物量估测中,采用遥感因子模型所估测的
误差相对小于其他器官,整体上略优于林分因子线
性模型,遥感因子模型 MRE 最小值为 3% 、最大值
为 25% .由于树叶是光谱反射和吸收差异最大的器
官,获取的遥感因子数据误差较小,而林分因子模型
所采用的材积、年龄、胸径等林分调查因子不能直接
4631 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 21 卷
反映活枝和叶花果的信息;且叶花果遥感因子模型
采用 MSAVI作为唯一因子,减小了对裸露土地较多
的幼龄林生物量估测的误差,因此遥感因子模型估
测叶花果的精度相对高于其他器官. 人工林中有不
同程度的人为整枝干扰,林分因子模型估测枝叶生
物量会产生误差,而遥感模型估测中,遥感信息主要
源于树叶部分的吸收和反射,所以一定程度上避开
了整枝等树冠下层的人为干扰.
3摇 讨摇 摇 论
本研究中林分因子线性模型预测长白落叶松幼
龄林生物量的效果明显优于遥感因子模型,而两种
模型对中龄林(除纯林外)生物量的模拟效果则相
近,但林分因子模型对树皮、干材和总生物量估测的
效果在整体上优于遥感因子模型.许俊利[22]在相同
试验区采用 7 种非线性模型对兴安落叶松生物量进
行估测,利用胸径和树高为自变量建立的地上生物
量、树干生物量、树冠生物量、树枝生物量和叶花果
生物量非线性模型精度分别为 92郾 28% ~ 94郾 78% 、
91郾 16% ~ 95郾 49% 、84郾 74% ~ 87郾 49% 、84郾 34% ~
87郾 03%和 84郾 07% ~ 87郾 73% . 与许俊利[22]的研究
结果相比,本文中林分因子线性模型对叶花果和树
冠生物量的估测精度略高,其余器官的生物量估测
精度均处于非线性模型的精度范围内,可以推断:
1)本试验中林分因子线性模型的生物量估测效果
比较理想;2)林分因子线性模型在估测树叶和树冠
部分生物量时,其精度高于由胸径和树高所建立的
非线性模型.造成非线性模型精度较低的主要原因
是非线性模型采用了胸径和树高作为自变量,这 2
个因子与树干、树枝的关系更紧密;而林分因子线性
模型中的年龄、冠幅指数等因子则可以更好地反映
叶花果和树冠的信息. 目前大部分非线性模型主要
利用胸径、树高或其多次方作为自变量,虽然模型因
子较少,对多个器官生物量的估测比较容易,但对叶
花果和树冠的估测效果相对较差.相比之下,在获得
丰富的二类调查数据基础上,采用林分因子线性模
型估测生物量的效果更佳. 但随着生物量模型的发
展,在估测不同器官生物量时,选择合适的林分因子
拟合非线性模型将会大大提高估测精度.
本文采用 TM3 灰度值、 TM4 灰度值、 NDVI、
RVI、DVI、SAVI、MSAVI 7 个遥感因子对长白落叶松
各器官和地上总生物量进行估测,得出遥感因子模
型对中龄林(特别是纯林)叶花果、树冠生物量的估
测效果最佳,这与马泽清等[23]基于 TM 影像建立遥
感模型对南方湿地松生物量估测的结果相似. 遥感
因子模型估测生物量时,使用 NDVI 所建立的线性
模型在估测生物量时容易造成饱和现象,必须分割
土壤背景的影响,才能观测真实的植被指数.
遥感因子模型与林分因子线性模型对生物量进
行估测均遵循线性拟合建模的原理,后者依据林木
生长和结构特点选择了年龄、胸径、基径、材积和树
冠等林分因子,所建立的不同器官生物量模型的代
表性较好,精度也高于遥感线性模型,但该模型需要
获得实测林分因子信息,在大范围内使用时,即使以
一类清查数据为基础,也会由于数据的 5 年清查周
期而制约其在动态监测方面的效率.
今后在使用模型估测森林生物量时,需要注意
区分不同的试验目的、精度要求,并参考采用的数据
类型和试验区域的环境等,综合考虑和选择适合的
模型.
通过本次长白落叶松生物量模型的研究,总结
出今后在生物量模型估测过程中应注意以下几方
面:1)由于人工林受人为干扰较大,建立林分因子
模型时应尽量避免选择林分密度等受影响较大的因
子;2)树枝、树叶部分在标准木砍伐时有一定损失,
特别是枯枝部分,实际调查时应考虑树枝部分损失
的生物量;3)由于手工剥离落叶松的针叶容易产生
误差,特别是对于部分一年生新枝与叶剥离时很容
易混淆,应尽量避免或采取更好的方法采集树叶;
4)由于实地工作时,一般都选取生长较好的区域进
行样地调查,其结果往往高于实际的森林生物量,因
此,样地的选择要具有代表性和典型性;5)遥感因
子建模时,尽管利用高分辨率的 SPOT影像对 TM影
像进行了精确校正,但当样地面积小于 TM 影像的
象元大小(30 m伊30 m)时,像素与样地的对应关系
有可能错位,所以调查的样地不仅要尽量在均质范
围内,还应选用精度较高的定位设备.
参考文献
[1]摇 Pan P (潘摇 攀), Mu C鄄C (牟长城), Sun Z鄄H (孙志
虎). Biomass of shrub and herb layers in Larix olgensis
plantations. Journal of Northeast Forestry University (东
北林业大学学报), 2007, 35(4): 1-2 (in Chinese)
[2]摇 Pan J鄄Z (潘建忠), Sun Z鄄H (孙志虎), Zhu Y鄄J (朱
元金), et al. Effect of site condition on biological char鄄
acteristics of the nutrients in Larix olgensis. Journal of
Northeast Forestry University (东北林业大学学报),
2007, 35(12): 4-8 (in Chinese)
[3]摇 Tian H, Melillo JM, Kicklighter DW, et al. The sensi鄄
56316 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 闵志强等: 长白落叶松林生物量的模拟估测摇 摇 摇 摇 摇 摇
tivity of terrestrial carbon storage to historical climate
variability and atmospheric CO2 in the United States.
Tellus, 1999, 51: 414-452
[4]摇 Wang Y鄄H (王玉辉), Zhou G鄄S (周广胜), Jiang Y鄄L
(蒋延玲), et al. Estimating biomass and NPP of Larix
forests using inventory date (FID). Acta Phytoecologica
Sinica (植物生态学报), 2001, 25(4): 4202 -4251
(in Chinese)
[5]摇 Han A鄄H (韩爱惠). Study on Monitoring Method of
Forest Biomass and Carbon Storage Based on Remote
Sensing. PhD Thesis. Beijing: Beijing Forestry Univer鄄
sity, 2009 (in Chinese)
[6]摇 Xing Y鄄Q (邢艳秋), Wang L鄄H (王立海). Compati鄄
ble biomass estimation models of natural forests in
Changbai Mountains based on forest inventory. Chinese
Journal of Applied Ecology (应用生态学报), 2007, 18
(1): 1-8 (in Chinese)
[7]摇 Peng S鄄L (彭少麟), Guo Z鄄H (郭志华), Wang B鄄S
(王伯荪). Applications of RS and GIS on terrestrial
vegetation ecology. Chinese Journal of Ecology (生态学
杂志), 1999, 18(5): 52-64 (in Chinese)
[8]摇 Sun Y鄄J (孙玉军), Zhang J (张摇 俊), Han A鄄H (韩
爱惠), et al. Biomass and carbon pool of Larix gmelinii
young and middle age forest in Xing爷 an Mountains in
Inner Mongolia. Acta Ecologica Sinica (生态学报),
2007, 27(5): 1756-1762 (in Chinese)
[9]摇 Fan W鄄L (范渭亮), Du H鄄Q (杜华强), Zhou G鄄M
(周国模), et al. Effects of atmospheric calibration on
remote sensing estimation of Moso bamboo forest bio鄄
mass. Chinese Journal of Applied Ecology (应用生态学
报), 2010, 21(1): 1-8 (in Chinese)
[10]摇 Wei Y鄄C (韦玉春), Huang J鄄Z (黄家柱). The gains /
biases values and their effects on the calculation results
of planetary reflectance in Landsat鄄5 Image. Geo鄄Infor鄄
mation Science (地球信息科学学报), 2006, 8(1):
111-113 (in Chinese)
[11]摇 Bao C鄄G (鲍晨光), Fan W鄄Y (范文义), Li M鄄Z (李
明泽), et al. Effects of topographic correction on re鄄
mote sensing estimation of forest biomass. Chinese Jour鄄
nal of Applied Ecology (应用生态学报), 2009, 20
(11): 2750-2756 (in Chinese)
[12]摇 Li J (李 摇 净), Wang J (王 摇 建). Estimating plant
biomass in Jun Ma Chang of Shandan County using
Landsat TM data. Remote Sensing Technology and Appli鄄
cation (遥感技术与应用), 2004, 19(5): 343 -347
(in Chinese)
[13]摇 Huete A, Didan K, Miura T, et al. Overview of the ra鄄
diometric and biophysical performance of the MODIS
vegetation indexes. Remote Sensing of Environment,
2002, 83: 195-213
[14]摇 Zhang Z鄄D (张志东), Zang R鄄G (臧润国). Modelling
the spatial distribution of aboveground biomass based on
vegetation index in a tropical forest in Bawangling,
Hainan Island, south China. Chinese Journal of Plant
Ecology (植物生态学报), 2009, 33(5): 833 -841
(in Chinese)
[15]摇 Feng L (冯摇 露), Yue D鄄P (岳德鹏), Guo X (郭摇
祥). A review on application of normal different vegeta鄄
tion index. Forest Inventory and Planning (林业调查规
划), 2009, 34(2): 48-52 (in Chinese)
[16]摇 Luo Y (罗摇 亚), Xu J鄄H (徐建华), Yue W鄄Z (岳文
泽). Research on vegetation indices based on the re鄄
mote sensing images. Ecological Science (生态科学),
2005, 24(1): 75-79 (in Chinese)
[17]摇 Meng X鄄Y (孟宪宇). Forest Measuration. Beijing:
China Forestry Press, 2006 (in Chinese)
[18]摇 Hu Y鄄C (胡援成), Tian M鄄W (田满文). A compari鄄
son of models for the prediction of financial distress in
Chinese stock market. China Economic Quarterly (经济
学), 2005, 4(10): 173-188 (in Chinese)
[19] 摇 Guo N (郭摇 铌). Vegetation index and its advances.
Arid Meteorology (干旱气象), 2003, 21(4): 71-75
(in Chinese)
[20]摇 Tian Q鄄J (田庆久), Min X鄄J (闵祥军). Advances in
study on vegetation indices. Advance in Earth Sciences
(地球科学进展), 1998, 8 (4): 327 -331 ( in Chi鄄
nese)
[21]摇 Wang Z鄄X (王正兴 ), Liu C (刘 摇 闯 ). From
AVHRR鄄NDVI to MODIS鄄EVI: Advances in vegetation
index research. Acta Ecologica Sinica (生态学报),
2003, 23(5): 979-987 (in Chinese)
[22]摇 Xu J鄄L (许俊利). Study on Larix Biomass Model and
Biomass Estimation in Dongzhelenghe. Master Thesis.
Beijing: Beijing Forestry University, 2009 (in Chinese)
[23]摇 Ma Z鄄Q (马泽清), Liu Q鄄J (刘琪璟), Xu W鄄J (徐
雯佳), et al. Study on biomass of Pinus elliottii forest
in subtropical China assisted with remote sensing. Jour鄄
nal of Natural Resources (自然资源学报), 2008, 23
(3): 476-478 (in Chinese)
作者简介摇 闵志强,男,1985 年生,硕士研究生.主要从事林
业 3S监测研究. E鄄mail: natureqiang@ yahoo. com. cn
责任编辑摇 杨摇 弘
6631 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 21 卷