全 文 ：第 50 卷 第 1 期
2 0 1 4 年 1 月
林 业 科 学
SCIENTIA SILVAE SINICAE
Vol. 50，No. 1
Jan．，2 0 1 4
doi:10．11707 / j．1001-7488．20140114
收稿日期: 2013 － 02 － 04; 修回日期: 2013 － 06 － 13。
基金项目: “十一五”科技支撑项目(2009BAD2B06) ; 林业公益性行业专项(201104006) ; 林业公益性行业专项重大项目(200804001) ; 国
家自然科学基金项目(41001310)。
* 王璐为通讯作者。
基于 CBERS数据的亚热带森林地上碳储量估算*
王长委1 胡月明1 沈德才2 黄胜利3 朱剑云2 王 璐1
(1．华南农业大学信息学院 广州 510642; 2．东莞市林业科学研究所 东莞 523106;
3．美国地质勘探局地球资源观测和科学数据中心 苏福尔斯 57198)
摘 要: 为探讨 CBERS-02B 星 CCD 数据在亚热带森林地上碳储量估算方面的能力，以东莞市范围内的亚热带
森林为研究对象，对比分析 CBERS-02B 星 CCD 数据的波段信息、植被指数、纹理信息和森林地上碳储量之间的相
关性，发现纹理信息的估算能力最强; 在此基础上，将波段信息、植被指数和纹理信息结合在一起，通过逐步回归策
略构建 CBERS-02B 星 CCD 数据的亚热带森林地上碳储量估算模型，其调整系数 R2 达到 0. 53，显著度水平 P 远远
小于 0. 05。这表明: 尽管 CBERS-02B 星 CCD 数据的近红外波段存在一定的漂移，但是将 CBERS-02B 星 CCD 数据
的波段信息、植被指数、纹理信息集成构建森林地上碳储量估算模型，在一定程度上可以克服波段信息、植被指数、
纹理信息各自单独估算森林地上碳储量的缺点，增强各自间的互补性，提高 CBERS-02B 星 CCD 数据估算森林地上
碳储量的能力; 而且基于 CBERS-02B 星 CCD 数据估算的东莞市碳储量空间分布和东莞市实际碳储量分布情况基
本一致，说明 CBERS-02B 星 CCD 数据用于亚热带的森林地上碳储量估算是可行的。
关键词: 中巴资源卫星; 地上碳储量; 亚热带森林; 估算
中图分类号:S771． 8 文献标识码: A 文章编号: 1001 － 7488(2014)01 － 0088 － 09
Assessing the Capability of CBERS-02B CCD for Estimating
Subtropical Forest above Ground Carbon Storage
Wang Changwei1 Hu Yueming1 Shen Decai2 Huang Shengli3 Zhu Jianyun2 Wang Lu1
(1 ． College of Information，South China Agricultural University Guangzhou 510642;
2 ． Dongguan Research Institute of Forestry Dongguan 523106;
3 ． ASRC Federal US Geological Survey Earth Resources Observation and Science Center Sioux Falls，USA，57198)
Abstract: Many remote sensing data have been applied to estimate forest above ground carbon storage(AGCS)，but the
estimation accuracy is varying． The capability of remotely sensed CBERS-02B CCD data for tropical and subtropical AGCS
estimation is unknown． In this paper，with Dongguan forest region as a case study area，the CBERS-02B CCD data，along
with the field survey data，were used to examine the relationship between forest biomass and band reflectance，vegetation
indices，and image texture． It was found image texture performed the best in biomass estimation． When the band
reflectance，vegetation indices，and image texture were combined in stepwise multiple regressions for biomass estimation，the
adjustment coefficient R2 was 0. 53，root mean square error was 15. 66，and P- level was less than 0. 05，indicating the
significance of the model． The results also showed that the shift of near-infrared band of the CBERS-02B CCD had negative
effect on biomass estimation，but the integration of band reflectance，vegetation indices，and image texture can improve the
capability of CBERS-02B CCD data for AGCS estimation，because the integration can reduce limitation and improve the
complementarity． Moreover，the spatial distribution of AGCS mapping by CBERS-02B CCD data is similar with the actual
distribution． We concluded that CBERS data are promising for estimating subtropical forest biomass．
Key words: CBERS; above ground carbon storage (AGCS); subtropical forest; estimation
森林生态系统在陆地生态系统碳循环中占有十
分重要的地位，特别是热带、亚热带森林生态系统，
其碳储量占陆地生态系统碳储量的 60%以上(Clark
et al．，2011; Dixon et al．，1994)，该区域碳储量的较
第 1 期 王长委等: 基于 CBERS 数据的亚热带森林地上碳储量估算
小波动都会对全球碳循环产生明显的影响(Englhart
et al．，2011; Phillips et al．，1998)，因此准确地估算
热带、亚热带森林生态系统碳储量备受关注。
估算森林碳储量方法很多(张骏等，2010; 马
泽清等，2007; Fang et al．，2001)。传统的野外样地
调查方法尽管精度高，但是比较耗时耗力，在估算大
范围热带、亚热带森林地上碳储量时不太实用(Tian
et al．，2012; Englhart et al．，2011; Sarker et al．，
2011)。遥感具有宏观、综合、动态、快速、重复获取
数据等特点，特别是遥感对植被光合有效辐射吸收
的测定为估算植被的碳储量 /生物量提供了基础，目
前已经成为热带、亚热带碳储量估算的主要方法。
森林碳储量通常分为地下和地上 2 部分。地下
部分是指树根系的干物质质量，地上部分主要包括树
干、枝和叶的干物质质量和。遥感很难估算地下部分
的碳储量，多数遥感都是估算地上部分的碳储量(简
称森林地上碳储量，AGCS)。近年来不同学者分别探
讨了 MODIS(Baccini et al．，2008)、TM(Foody et al．，
2003)、IKONOS(Clark et al．，2004)、SAR (Kuplich et
al．，2005)和 Lidar(Clark et al．，2011)等遥感数据估算
热带、亚热带森林地上碳储量的能力，获得了不同的
估算精度。然而热带、亚热带森林一般比较高，植被
生长比较茂盛，树木种类多，内部结构复杂，多数遥感
数据研究估算该区域森林地上碳储量的结果不是很
理想(Lu et al．，2005)。
中巴资源地球卫星是由中国、巴西两国共同投
资、联合研制的卫星(代号 CBERS)，其 02B 卫星于
2007 年 9 月 19 日发射成功。CBERS-02B 星携带 3
种传感器: 电荷耦合器件摄像机(CCD)、红外多光
谱扫描仪( IRMSS)、宽视场相机(WFI)，可提供20 ～
256 m 分辨率的 11 个波段、不同幅宽的遥感数据。
自从中巴资源卫星实施免费分发政策后，中国资源
卫星数据广泛地应用于环境监测、灾害预警、资源勘
查等众多领域，但 CBERS 对热带、亚热带森林生物
量的估算能力不是特别清楚。
广东省东莞市是我国经济高速发展的区域，其
碳排放压力大，森林碳汇问题令人关注。因此，为了
进一步拓展我国资源卫星的应用范围，本文以东莞
市的森林区域为例，探讨我国 CBERS-02B 星 CCD
数据估算亚热带森林地上碳储量的能力。
1 材料与方法
1. 1 研究区概况
东莞市位于广东省中南部，地理坐标为 113°
31—114°15 E，22°39—23°09 N，陆地面积 2 465
km2。地处南亚热带，年平均气温 22. 1 ℃，年平均
降水量 1 800 mm，地貌以丘陵台地、冲积平原为主，
山地土壤以赤红壤为主，少量红、黄壤。历史上的东
莞是森林茂密的地区，地带性森林植被类型为季风
常绿阔叶林，组成种类多样而富于热带性，主要由壳
斗 科 ( Fagaceae )、樟 科 ( Lauraceae )、山 茶 科
( Theaceae )、大戟科 ( Euphorbiaceae )、桃金 娘科
(Myrtaceae )、杜 英 科 ( Elaeocarpaceae )、山 矾 科
(Symplocaceae)、梧桐科( Sterculiaceae)等的一些种
类为优势种所组成。由于近代人口剧增，干扰频繁，
大量的毁林种果，使东莞原生性森林被破坏殆尽，现
状植被以人工种植的果林、桉树(Eucalyptus)林、相
思(Acacia)林、针叶林和竹林等为主，天然次生林甚
少(朱剑云等，2011)。
1. 2 样地森林地上碳储量计算方法
2007 年 9—12 月，东莞市林业科学研究所按照
森林二类调查的要求对东莞市境内的 191 个样地进
行实地调查。样地面积为 60 m × 20 m，由 12 个
10 m × 10 m 子样地构成，如图 1 所示。其中只对 2，
4，9 和 11 等 4 个子样地的树高、胸径、年龄、数量、
树种、优势树种、郁密度等植物群落数据进行了实地
调查，然后换算成整个样地调查数据 (朱剑云等，
2011)。
图 1 样地的设置示意
Fig． 1 Illustration of the ground sample plots
根据广东省林业调查规划院提供的二元立木材
积式求算各样地蓄积量; 再通过蓄积量与生物量之
间的转换公式计算森林地上生物量; 接着采用生物
量转换因子连续函数法计算每个样地森林地上碳储
量(方精云等，1996)，转换系数采用 0. 5; 最后将每
个样地的森林地上碳储量值换算成每公顷的碳储量。
该研究区样地每公顷碳储量最大值是91. 56 t·hm － 2，
最小值是 0. 33 t·hm － 2，平均值是16. 05 t·hm － 2。
1. 3 遥感数据
本研究选用 CBERS-02B 星 CCD 的数据，时间是
2007 年 12月 1 日，正好和地面调查数据同步; 而该研
究区近几年只有这个时间段的 CBERS-02B 星 CCD 有
效数据。CBERS-02B 星 CCD 数据包含 5 个波段，分别
是蓝色波段、绿光波段、红光波段、近红外波段和一个
98
林 业 科 学 50 卷
全色波段，空间分辨率都是 20 m，数据来源于中国资源
卫星应用中心网站。
CBERS-02B 星 CCD 数据预处理包括辐射纠正和
几何纠正，其中辐射纠正包含辐射定标和大气纠正。
辐射定标根据中国资源卫星应用中心网站提供的 2007
年 CBERS-02B 星 CCD 数据定标公式进行; 大气纠正
采用 ENVI提供的 QUAC快速大气校正工具，其自动从
图像上收集不同物质的波谱信息，获取经验值后完成
图像的快速大气纠正。几何纠正则是根据东莞市已经
纠正过的高分辨率遥感影像作为参考图像，以桥梁、水
库大坝、十字路口、水渠等不变的标志为控制点，在影
像中选择了 30 个控制点均匀分布于图像，选择二次多
项式纠正模型对 CBERS-02B 星 CCD 数据进行几何纠
正，纠正误差小于 0. 5个像元。
1. 4 遥感因子的选择
1) 波段信息 波段信息是最早用于估算森林
地上碳储量的遥感因子。本文将 CBERS-02B 星
CCD 数据 5 个波段信息作为遥感因子，分别讨论其
估算森林地上碳储量的能力。
2) 植被指数 植被指数是光学遥感数据估算
森林地上碳储量最常用的遥感因子 ( Foody et al．，
2003)，而且大量的研究也证明植被指数和森林地
上碳储量之间的关系比较密切(Moreau et al．，2003;
Sannier et al．，2002; Diallo et al．，1991; Tucker et al．，
1985)。目前大约有 150 种植被指数用于生态研究，
但是只有少数的植被指数可以用于森林地上碳储量
的估算 ( Potter et al．，2012 )。在参考前人研究
(Wijaya et al．，2010; Lu et al．，2004; 赵宪文等，
2001)的基础上，考虑研究区域和 CBERS-02B 星
CCD 数 据 的 特 点，分 别 选 择 band4 /3 ( Tucker，
1979)，band4 /2，band4 /1，band3 /2，band3 /1，band2 /
1，NDVI ( Rouse et al．，1974a )，ND32 ( Lu et al．，
2004)，ND21，EVI(Huete et al．，2002; Miura et al．，
2001)，ARVI(Kaufman et al．，1996)，TVI( Rouse et
al．，1974b )，PVI ( Richardson et al．，1977 )，SAVI
(Huete，1988)，SAVI2 (Major et al．，1990)，MSAVI2
(Qi et al．，1994)，MSR(Chen，1996)，GEMI(Pinty et
al．，1992)18 个比较常用的植被指数，探讨 CBERS-
02B 星 CCD 数据的植被指数和森林地上碳储量之
间的关系。
3) 纹理信息 纹理是图像的重要属性信息
(Haralick et al．，1973)，常用于区分图像中不同的对
象和提取感兴趣的区域，在遥感影像分类、定量遥感
研究等领域中具有重要作用。由于纹理可以最大限
度地利用空间信息，近年来越来越多的学者采用纹
理信息估算森林地上碳储量 ( Sarker et al．，2011;
Kuplich et al．，2005)。本文采用 ENVI 4. 7 提供的
纹理计算工具提取了 CBERS-02B 星 CCD 数据每个
波段的纹理信息，根据研究区的森林特性选择了
3 × 3的窗口，具体见表 1。
表 1 纹理信息①
Tab． 1 Texture information used in this study
纹理信息
Texture information
计算公式
Formula
描述
Description
mean1-mean5 mean = ∑
N －1
i = 0
∑
N －1
j = 0
ip( i，j) 平均值 Mean
var1- var 5 var = ∑
N －1
i = 0
∑
N －1
j = 0
( i － mean) 2 p( i，j) 方差 Variance
hom1-hom5 hom = ∑
N －1
i = 0
∑
N －1
j = 0
p( i，j)
1 + ( i － j) 2
均一性 Homogeneity
con1-con5 con = ∑
N －1
i = 0
∑
N －1
j = 0
( i － j) 2 p( i，j) 对比度 Contrast
dis1-dis 5 dis = ∑
N －1
| i － j| = 0
| i － j | ∑
N
i = 1
∑
N
j = 1
p( i，j{ }) 相异性 Dissimilarity
ent1-ent 5 ent = ∑
N －1
i = 0
∑
N －1
j = 0
p( i，j) lg［p( i，j)］ 熵 Entropy
sec1- sec5 sec = ∑
N －1
i = 0
∑
N －1
j = 0
p ( i，j) 2 角二阶矩 Second moment
cor1- cor5
cor =
∑
N －1
i = 0
∑
N －1
j = 0
ip( i，j) － μxμy
σ xσ y
相关性 Correlation
①N 为灰度共生矩阵行或列数，p( i，j)为灰度共生矩阵标准化后的第 i 行第 j 列数值。Where N is the number of row or column of the gray
level co-occurrence matrix，and p( i，j) is the element at row i and column j． μx = ∑
N －1
i = 0
i∑
N －1
j = 0
p( i，j) ; μy = ∑
N －1
j = 0
j∑
N －1
i = 0
p( i，j) ; σ x = ∑
N －1
i = 0
(1 － μx )
2∑
N －1
j = 0
p( i，
j) ; σ y = ∑
N －1
j = 0
(1 － μy )
2∑
N －1
i = 0
p( i，j) ．
09
第 1 期 王长委等: 基于 CBERS 数据的亚热带森林地上碳储量估算
1. 5 多元回归模型
不同的学者采用不同的模型或者解析式研究
遥感数据和森林地上碳储量之间的关系，如多元回
归分析法、人工神经网络模型法、基准样地法以及
遥感机制模型法。部分研究表明，多元回归模型比
较适合中分辨率遥感卫星估算森林地上碳储量
(Lu，2005; Rahman et al．，2005; 2008)。因此，本
文将选择波段信息、植被指数和纹理信息等遥感因
子为自变量，以样地计算的森林地上碳储量为因变
量，采用逐步回归策略下的多元回归模型探讨
CBERS-02B 星 CCD 数据估算亚热带森林地上碳储
量的能力。
2 结果与分析
2. 1 波段信息和森林地上碳储量的相关性
表 2 反映了 CBERS-02B 星 CCD 数据波段信息
和样地森林地上碳储量之间的相关性。在 CBERS-
02B 星 CCD 数据 5 个波段中，和森林地上碳储量相
关性相对较强的是绿色波段，且为正相关，这主要是
因为该波段 550 nm 波长附近是叶绿素的强反射峰
区(翁强等，2006)，而其他波段和森林地上碳储量
的相关性较弱。
表 2 CBERS-02B 星 CCD 数据波段信息和森林地上碳储量的相关性
Tab． 2 Correlation coefficients between CBERS-02B CCD band reflectance and AGCS
波段
Band
蓝色波段
Band 1( blue)
绿色波段
Band 2( green)
红色波段
Band 3( red)
近红外波段
Band 4(NIR)
全色波段
Band 5(PAN)
波段范围 Band range /μm 0. 45 ～ 0. 52 0. 52 ～ 0. 59 0. 63 ～ 0. 69 0. 77 ～ 0. 89 0. 51 ～ 0. 73
相关系数 Correlation coefficient(R) － 0. 11 0. 42＊＊ － 0. 18 － 0. 06 － 0. 11
2. 2 植被指数和森林地上碳储量的相关性
表 3 显示了 CBERS-02B 星 CCD 数据植被指数
和森林地上碳储量之间的相关性。在 18 个 CBERS-
02B 星 CCD 数据的植被指数中，与森林地上碳储量
在 0. 05 水平上显著的有 13 个，在 0. 01 水平上显著
的有 5 个; 其中和森林地上碳储量关系最强的是修
改型土壤调整植被指数 (MSAVI2)，其相关系数 R
为 0. 46; 而 NDVI，EVI 等比较常用的植被指数和森
林地上碳储量的相关性则一般。
表 3 CBERS-02B 星 CCD 数据植被指数和森林地上碳储量的相关性①
Tab． 3 Correlation coefficients between CBERS-02B CCD vegetation indices and AGCS
变量名
Variable
相关系数
Correlation coefficient(R)
变量名
Variable
相关系数
Correlation coefficient(R)
变量名
Variable
相关系数
Correlation coefficient(R)
RVI_4_3 0. 25 * NDVI 0. 24 * PVI 0. 19
RVI_4_2 － 0. 41＊＊ RI － 0. 34＊＊ SAVI 0. 24 *
RVI_4_1 0. 11 ND21 0. 30 * SAVI2 0. 23
RVI_3_2 － 0. 34＊＊ EVI 0. 29 * MSAVI2 0. 46＊＊
RVI_3_1 － 0. 41＊＊ ARVI 0. 34 * MSR 0. 25 *
RVI_2_1 0. 31 * TVI 0. 24 GEMI 0. 03
① * 表示 0. 05 水平上显著; ＊＊表示 0. 01 水平上显著。* was significant at the level of α = 0. 05 and ＊＊was significant at the level of α =
0. 01． 下同。The same below．
2. 3 纹理信息和森林地上碳储量的相关性
表 4 显示了 CBERS-02B 星 CCD 数据的纹理
信息和森林地上碳储量之间的相关性。在 40 个
CBERS-02B 星 CCD 数据的纹理信息中，和森林
地上碳储量在 0. 05 水平上显著的有 7 个，在
0. 01 水平上显著的有 4 个。其中绿色波段的平
均值(mean2)纹理值和森林地上碳储量的相关性
最强，其相关系数 R 为 0. 43，蓝色波段和近红外
波段的对比度( con1，con4)纹理值以及 红色波段
方差( var3 )纹理值与森林地上碳储量的相关性
最弱，仅为 0. 01。同时，对比 8 个纹理信息和森
林地上碳储量之间的相关性，发现角二阶矩纹理
值要比其他纹理信息和森林地上碳储量的相关
性强，而对比度纹理值和森林地上碳储量相关性
比较弱。
2. 4 基于 CBERS-02B 星 CCD 数据的森林地上碳
储量估算模型
在相关性分析的基础上，分别以 CBERS-02B 星
CCD 数据的波段信息、植被指数、纹理信息等遥感
因子为自变量，以研究区域内的样地森林地上碳储
量为因变量，以显著水平 0. 05 作为挑选变量的条
件，并以显著水平 0. 1 作为剔除变量的条件，采用逐
19
林 业 科 学 50 卷
步回归策略分别构建 CBERS-02B 星 CCD 数据的波
段信息、植被指数、纹理信息等遥感因子的多元回归
森林地上碳储量估算模型，具体见表 5。
表 4 CBERS-02B 星 CCD 数据纹理信息和森林地上碳储量的相关性
Tab． 4 Correlation coefficient between CBERS-02B CCD texture and AGCS
变量名
Variable
相关系数
Correlation coefficient
(R)
变量名
Variable
相关系数
Correlation coefficient
(R)
变量名
Variable
相关系数
Correlation coefficient
(R)
变量名
Variable
相关系数
Correlation coefficient
(R)
mean1 － 0. 11 hom2 0. 01 dis3 － 0. 12 sec4 0. 28 *
var1 0. 04 con2 0. 22 ent3 － 0. 32＊＊ cor4 － 0. 02
hom1 0. 16 dis2 0. 14 sec3 0. 39＊＊ mean5 － 0. 10
con1 0. 01 ent2 － 0. 03 cor3 0. 23 var5 0. 24 *
dis1 － 0. 07 sec2 0. 14 mean4 － 0. 07 hom5 0. 03
ent1 － 0. 24 cor2 － 0. 06 var4 0. 06 con5 0. 08
sec1 0. 32＊＊ mean3 － 0. 19 hom4 0. 15 dis5 0. 02
cor1 0. 06 var3 0. 01 con4 － 0. 01 ent5 － 0. 09
mean2 0. 43＊＊ hom3 0. 24 * dis4 － 0. 07 sec5 0. 11
var2 0. 19 con3 － 0. 05 ent4 － 0. 23 cor5 － 0. 15
表 5 CBERS-02B 星 CCD 数据构建的森林地上碳储量估算模型
Tab． 5 Regression models to estimate AGCS using band reflection，vegetation indices，
and image texture of CBERS-02B CCD data
遥感因子
Remote sensing variables
多元回归估算模型
Regression models R
2 RMSE P F D-W
波谱反射率
Band reflection
0. 02 × band2 － 9. 36 0. 18 20. 32 0. 00 13. 93 1. 66
植被指数
Vegetation indices
0. 02 × MSAVI2 + 129. 19 × ARVI － 227. 08 0. 31 18. 69 0. 00 9. 67 1. 68
纹理信息
Texture information
1. 12 × mean2 + 230. 82 × sec3 + 7. 20 × var5 － 41. 17 0. 48 16. 41 0. 00 22. 85 1. 70
所有遥感因子
All remote sensing variables
0. 02 × MSAVI2 + 97. 03 × ARVI + 7. 17 × var5 +
184. 60 × sec3 － 201. 73
0. 53 15. 66 0. 00 20. 34 1. 90
在 CBERS-02B 星 CCD 数据 5 个波段中，只有
绿色波段和森林地上碳储量的相关性较强，其他波
段和森林地上碳储量之间的相关性较弱。因此，只
有绿色波段参与了构建 CBERS-02B 星 CCD 数据波
段信息的森林地上碳储量估算模型，其调整系数 R2
仅为 0. 18。
在 18 个 CBERS-02B 星 CCD 数据的植被指数
中，有 13 个植被指数和森林地上碳储量显著相关，
因此以这 13 个植被指数为自变量，经逐步回归策略
最后选择了修改型土壤调整植被指数(MSAVI2)和
大气阻抗植被指数 ( ARVI)构建了 CBERS-02B 星
CCD 数据植被指数的森林地上碳储量估算模型，其
调整系数 R2 为 0. 31，明显高于波段信息的森林地
上碳储量估算模型。
在 40 个 CBERS-02B 星 CCD 数据的纹理信息
中，有 7 个纹理信息和森林地上碳储量显著相关，因
此以这 7 个纹理信息为自变量，经逐步回归策略最
后选择了绿色波段的平均纹理值(mean2)、红色波
段的角二阶矩纹理值( sec3)和全色波段的方差纹理
值( var5)构建了 CBERS-02B 星 CCD 数据纹理信息
的森林地上碳储量估算模型，其调整系数 R2 为
0. 48，明显高于波段信息和植被指数的森林地上碳
储量估算模型。
在 5 个波段信息、18 个植被指数和 40 个纹理
信息中，有 1 个波段信息、13 个植被指数和 7 个纹
理信息与森林地上碳储量比较显著相关，将这 21 个
CBERS-02B 星 CCD 数据的遥感因子作为自变量，经
逐步回归策略最后选择了修改型土壤调整植被指数
(MSAVI2)、大气阻抗植被指数 (ARVI)、全色波段
的方差纹理值( var5)、红色波段的角二阶矩纹理值
( sec3)4 个遥感因子构建 CBERS-02B 星 CCD 数据
的森林地上碳储量估算模型，其调整系数 R2 为
0. 53，也明显高于波段信息、植被指数和纹理信息各
自 构 建 的 森 林 地 上 碳 储 量 估 算 模 型。而 且
MSAVI2，ARVI，var5，sec3 和常数项的 t 值都大于显
著性水平 = 0. 05 的临界值，即 4 个遥感因子和常数
项都在 95% 的水平下显著，通过了变量显著性
检验。
29
第 1 期 王长委等: 基于 CBERS 数据的亚热带森林地上碳储量估算
因此，采用 CBERS-02B 星 CCD 数据估算亚热带
森林地上碳储量时，不仅要采用波段信息和植被指
数，而且纹理信息也是重要的遥感因子，只有将波段
信息、植被指数、纹理信息结合才能提高 CBERS-02B
星 CCD 数据估算亚热带森林地上碳储量的能力。
图 2 为 CBERS-02B 星 CCD 数据估算东莞森林
地上碳储量的分布图。从图 2 中可以看出，东莞市
绝大部分地区的森林地上碳储量较低，主要是因为
东莞市的果树种植区较多，其地上碳储量一般都较
低; 森林地上碳储量较高的区域主要集中在东莞市
几个森林公园区域，这些区域主要是以阔叶混交林、
桉树林和相思林为主，其地上碳储量一般都较高，如
森林碳储量估算的最高值 89. 89 t·hm － 2，该林斑位
于大岭山林场，优势树种是桉树，林斑是平地，郁闭
度达到 0. 9，且种植时间较长，其附近的实测值是
91. 56 t·hm － 2，基本吻合。因此，将波段信息、植被
指数、纹理信息集成构建的 CBERS-02B 星 CCD 数
据森林地上碳储量估算模型反映了东莞市森林地上
碳储量的实际分布情况，其精度可以满足东莞市森
林碳储量的估算要求。
图 2 CBERS-02B 星 CCD 数据估算东莞市森林地上碳储量分布
Fig． 2 AGCS estimation map of Dongguan city using CBERS-2B data
3 讨论
遥感数据估算森林地上碳储量最初是采用波段
信息，而且有研究表明光学遥感影像的波段信息和
碳储量之间有很强的相关性 ( Jakubauskas et al．，
1997; Roy et al．， 1996; Franklin，1986 )。但 是
CBERS-02B 星 CCD 数据中，除了绿色波段，其他波
段和碳储量的相关性都不是很强，限制了 CBERS-
02B 星 CCD 数据波段信息估算碳储量的能力。这
主要原因有: 一是 CBERS-02B 星 CCD 数据近红外
波段可能存在波段漂移(潘志强等，2008)，影响了
该波段信息和森林地上碳储量之间的关系，通常情
况下对于健康的植被，不仅绿色波段和森林地上碳
储量的相关性较强，近红外波段和森林地上碳储量
的相关性也较强 (Muukkonen et al．，2005; Ard，
1992)，然而 CBERS-02B 星 CCD 数据的近红外波段
和碳储量的相关性却最低，相关系数 R 仅为 －
0. 06; 二是波段信息易受大气、土壤、传感器性能、
太阳角度等一系列因素的影响(Lu et al．，2004)，影
响了其估算森林地上碳储量的能力;此外本文研究
所用的 CBERS-02B 星 CCD 数据是 12 月份的数据，
正好是亚热带森林植物生长缓慢时期，对波段信息
估算森林地上碳储量也有一定的影响。
植被指数是光学遥感估算森林地上碳储量比较
常用的遥感因子，特别是多数植被指数是由红色波
段和近红外波段的波谱反射率不同组合得到，不仅
增强了遥感光谱信息和植被生长的关系，而且还减
少了大气、土壤、传感器性能、太阳角度等对估算森
林地 上 碳 储 量 的 影 响 ( Karnieli et al．， 2001;
Blackburn et al．，1999; Huete et al．，1985; Tucker，
1979)，在估算温带和寒带地区的森林地上碳储量
中取得不错的效果( Fuchs et al．，2009; Madugundu
39
林 业 科 学 50 卷
et al．，2008; Zheng et al．，2004)。但是由于研究区
是亚热带森林，其森林结构复杂、树种较多、郁闭度
较高，以及 CBERS-02B 星 CCD 数据的近红外波段
可能存在一定的漂移，CBERS-02B 星 CCD 数据的植
被指数估算森林地上碳储量还存在一定的局限性
(Sarker et al．，2011; Foody et al．，2001)。
尽管纹理信息是近几年才开始应用在森林地上
碳储量估算的遥感因子，但是还是表现出极大的估
算森林地上碳储量的能力 ( Kuplich et al．，2005;
Luckman et al．，1997)。这可能主要是由于纹理可
以减少树冠中阴影等细小噪声对植被指数等遥感因
子的影响，从而可以最大限度地利用空间信息去估
算森林地上碳储量，但是纹理信息和森林地上碳储
量之间的具体关系还在进一步探讨中(Champion et
al．，2008; Kuplich et al．，2003; 2005; Luckman et
al．，1997)。CBERS-02B 星 CCD 数据纹理信息构建
的森林地上碳储量估算模型精度也明显高于波段信
息和植被指数构建的森林地上碳储量估算模型精
度。但是纹理信息是非常复杂的属性，它会因为对
象的不同、自然条件的不同以及选择窗口大小的不
同而发生变化; 而且在计算纹理信息时会产生大量
的数据，比较难以管理(Chen et al．，2004; Franklin
et al．，1996)，在估算森林地上碳储量时还有一定的
限制。
4 结论
长久以来我国主要依赖国外遥感数据开展各种
应用研究。自 1999 年成功发射中巴一号星，中巴资
源系列卫星就开始提供多级分辨率遥感数据，特别
是 CBERS-02B 星 CCD 数据实施免费分发政策后，
开创了我国遥感数据应用的新局面。本文以国产
CBERS-02B 星 CCD 数据为研究对象，开展针对亚热
带森林地上碳储量的估算研究，发现将 CBERS-02B
星 CCD 数据的波段信息、植被指数、纹理信息集成
构建亚热带森林地上碳储量估算模型，模型的估算
精度 R2 达到了 0. 53，明显高于各自单独估算森林
地上碳储量的模型精度，在一定程度上可以克服波
段信息、植被指数、纹理信息各自单独估算亚热带森
林地上碳储量的缺点，增强各自间的互补性，提高了
CBERS-02B 星 CCD 数据估算亚热带森林地上碳储
量的能力。尽管 CBERS-02B 星 CCD 数据的近红外
波段发生了漂移，对 CBERS-02B 星 CCD 数据估算
亚热带森林地上碳储量的能力也有一定的影响，但
是基于 CBERS-02B 星 CCD 数据估算的东莞市碳储
量空间分布和东莞市实际碳储量分布情况基本一
致，说明 CBERS-02B 星 CCD 数据用于亚热带的森
林地上碳储量估算是可行的。
通过本文的研究，为国产遥感卫星估算亚热带
森林地上碳储量的研究提供了借鉴，有助于推动我
国国产遥感卫星数据在林业行业的应用，提高国产
遥感卫星数据的应用水平，进一步构建基于国产遥
感卫星的我国森林资源监测体系，提高森林资源监
测体系中国产遥感技术运用水平具有十分重大的
意义。
参 考 文 献
方精云，徐嵩龄 ． 1996． 我国森林植被的生物量和净生产量 ． 生态
学报，16(5) : 497 － 508．
马泽清，刘琪璟，徐雯佳，等 ． 2007． 江西千烟洲人工林生态系统的
碳蓄积特征 ． 林业科学，43(11) : 1 － 7．
潘志强，傅俏燕，张浩平 ． 2008． CBERS-02 星 CCD 波段平均太阳辐
照度反演及应用 ． 地球信息科学，10(1) : 109 － 113．
翁 强，卢昌义 ． 2006． 红树植物地面反射光谱特征研究 ． 福建林
业科技，33(3) : 14 － 19．
张 骏，葛 滢，江 波，等 ． 2010． 浙江省杉木生态公益林碳储量
效益分析 ． 林业科学，46(6) : 22 － 26．
赵宪文，李崇贵，斯 林，等 ． 2001． 森林资源遥感估测的重要进
展 ． 中国工程科学，(8) : 15 － 24．
朱剑云，莫罗坚，叶永昌，等 ． 2011． 东莞森林生态系统碳储量研
究 ． 广东林业科技，27(2) : 22 － 29．
Ard J． 1992． Volume quantification of coniferous forest compartments
using spectral radiance recorded by Landsat Thematic Mapper．
International Journal of Remote Sensing，13(9) : 1779 － 1786．
Baccini A，Laporte N，Goetz S J，et al． 2008． A first map of tropical
Africa’s above-ground biomass derived from satellite imagery．
Environmental Research Letters，3(4) : 45011．
Blackburn G A，Steele C M． 1999． Towards the remote sensing of
matorral vegetation physiology: relationships between spectral
reflectance，pigment， and biophysical characteristics of semiarid
bushland canopies． Remote Sensing of Environment，70(3) : 278 －
292．
Champion I，Dubois-Fernandez P，Guyon D，et al． 2008． Radar image
texture as a function of forest stand age． International Journal of
Remote Sensing，29(6) : 1795 － 1800．
Chen D，Stow D A，Gong P． 2004． Examining the effect of spatial
resolution and texture window size on classification accuracy: an
urban environment case． International Journal of Remote Sensing，
25(11) : 2177 － 2192．
Chen J M． 1996． Evaluation of vegetation indices and a modified simple
ratio for boreal applications． Canadian Journal of Remote Sensing，
22(3) : 229 － 242．
Clark D B，Castro C S，Alvarado L D A，et al． 2004． Quantifying
mortality of tropical rain forest trees using high-spatial-resolution
satellite data． Ecology Letters，7(1) : 52 － 59．
Clark M L，Roberts D A，Ewel J J，et al． 2011． Estimation of tropical
rain forest aboveground biomass with small-footprint lidar and
49
第 1 期 王长委等: 基于 CBERS 数据的亚热带森林地上碳储量估算
hyperspectral sensors． Remote Sensing of Environment，115 (11 ) :
2931 － 2942．
Diallo O，Diouf A，Hanan N P，et al． 1991． AVHRR monitoring of
savanna primary production in Senegal，West Africa: 1987 － 1988．
International Journal of Remote Sensing，12(6) : 1259 － 1279．
Dixon R K，Solomon A M，Brown S，et al． 1994． Carbon pools and flux
of global forest ecosystems． Science，263(5144) : 185 － 190．
Englhart S，Keuck V，Siegert F． 2011． Aboveground biomass retrieval in
tropical forests—The potential of combined X-and L-band SAR data
use． Remote Sensing of Environment，115(5) : 1260 － 1271．
Fang J，Chen A，Peng C，et al． 2001． Changes in forest biomass carbon
storage in China between 1949 and 1998． Science，292 ( 5525 ) :
2320 － 2322．
Foody G M，Boyd D S，Cutler M E J． 2003． Predictive relations of
tropical forest biomass from Landsat TM data and their transferability
between regions． Remote Sensing of Environment， 85 ( 4 ) :
463 － 474．
Foody G M，Cutler M E，McMorrow J， et al． 2001． Mapping the
biomass of Bornean tropical rain forest from remotely sensed data．
Global Ecology and Biogeography，10(4) : 379 － 387．
Franklin J． 1986． Thematic mapper analysis of coniferous forest structure
and composition． International Journal of Remote Sensing，7(10) :
1287 － 1301．
Franklin S E，Wulder M A，Lavigne M B． 1996． Automated derivation
of geographic window sizes for use in remote sensing digital image
texture analysis． Computers ＆ Geosciences，22(6) : 665 － 673．
Fuchs H，Magdon P，Kleinn C，et al． 2009． Estimating aboveground
carbon in a catchment of the Siberian forest tundra: combining
satellite imagery and field inventory． Remote Sensing of
Environment，113(3) : 518 － 531．
Haralick R M，Shanmugam K，Dinstein I H． 1973． Textural features for
image classification． Systems， Man and Cybernetics， IEEE
Transactions，3(6) : 610 － 621．
Huete A R． 1988． A soil-adjusted vegetation index ( SAVI) ． Remote
Sensing of Environment，25(3) : 295 － 309．
Huete A R，Jackson R D，Post D F． 1985． Spectral response of a plant
canopy with different soil backgrounds． Remote Sensing of
Environment，17(1) : 37 － 53．
Huete A，Didan K，Miura T，et al． 2002． Overview of the radiometric
and biophysical performance of the MODIS vegetation indices．
Remote Sensing of Environment，12(83) : 195 － 213．
Jakubauskas M E，Price K P． 1997． Emperical relationships between
structural and spectral factors of yellowstone lodgepole pine forests．
Photogrammetric Engineering and Remote Sensing，63 (12 ) : 1375
－ 1380．
Karnieli A，Kaufman Y J，Remer L，et al． 2001． AFRI-Aerosol free
vegetation index． Remote Sensing of Environment， 77 ( 1 ) :
10 － 21．
Kaufman Y J，Tanré D． 1996． Strategy for direct and indirect methods
for correcting the aerosol effect on remote sensing: from AVHRR to
EOS-MODIS． Remote Sensing of Environment，55(1) : 65 － 79．
Kuplich T M，Curran P J． 2003． Estimating texture independently of
tone in simulated images of forest canopies． Proc Brazilian Remote
Sensing Symposium，2209 － 2216．
Kuplich T M，Curran P J，Atkinson P M． 2005． Relating SAR image
texture to the biomass of regenerating tropical forests． International
Journal of Remote Sensing，26(21) : 4829 － 4854．
Lu D． 2005． Aboveground biomass estimation using Landsat TM data in
the Brazilian Amazon． International Journal of Remote Sensing，26
(12) : 2509 － 2525．
Lu D，Batistella M，Moran E． 2005． Satellite estimation of aboveground
biomass and impacts of forest stand structure． Photogrammetric
Engineering and Remote Sensing，71(8) : 967．
Lu D，Mausel P，Brondizio E，et al． 2004． Relationships between forest
stand parameters and Landsat TM spectral responses in the Brazilian
Amazon Basin． Forest Ecology and Management， 198 ( 1 ) :
149 － 167．
Luckman A J，Frery A C，Yanasse C，et al． 1997． Texture in airborne
SAR imagery of tropical forest and its relationship to forest
regeneration stage． International Journal of Remote Sensing，18
(6) : 1333 － 1349．
Madugundu R，Nizalapur V，Jha C S． 2008． Estimation of LAI and
above-ground biomass in deciduous forests: Western Ghats of
Karnataka， India． International Journal of Applied Earth
Observation and Geoinformation，10(2) : 211 － 219．
Major D J，Baret F，Guyot G． 1990． A ratio vegetation index adjusted for
soil brightness． International Journal of Remote Sensing，11 ( 5 ) :
727 － 740．
Miura T，Huete A R，Yoshioka H，et al． 2001． An error and sensitivity
analysis of atmospheric resistant vegetation indices derived from dark
target-based atmospheric correction． Remote Sensing of
Environment，78(3) : 284 － 298．
Moreau S，Bosseno R，Gu X F，et al． 2003． Assessing the biomass
dynamics of Andean bofedal and totora high-protein wetland grasses
from NOAA /AVHRR． Remote Sensing of Environment，85 ( 4 ) :
516 － 529．
Muukkonen P，Heiskanen J． 2005． Estimating biomass for boreal forests
using ASTER satellite data combined with standwise forest inventory
data． Remote Sensing of Environment，99(4) : 434 － 447．
Phillips O L，Malhi Y，Higuchi N，et al． 1998． Changes in the carbon
balance of tropical forests: evidence from long-term plots． Science，
282(5388) : 439 － 442．
Pinty B，Verstraete M M． 1992． GEMI: a non-linear index to monitor
global vegetation from satellites． Plant Ecology，101(1) : 15 － 20．
Potter C，Li S，Huang S， et al． 2012． Analysis of sapling density
regeneration in Yellowstone National Park with hyperspectral remote
sensing data． Remote Sensing of Environment，121: 61 － 68．
Qi J，Chehbouni A，Huete A R，et al． 1994． A modified soil adjusted
vegetation index． Remote Sensing of Environment， 48 ( 2 ) :
119 － 126．
Rahman M M，Csaplovics E，Koch B． 2005． An efficient regression
strategy for extracting forest biomass information from satellite sensor
data． International Journal of Remote Sensing， 26 ( 7 ) :
1511 － 1519．
Rahman M M，Csaplovics E，Koch B． 2008． Satellite estimation of forest
carbon using regression models． International Journal of Remote
59
林 业 科 学 50 卷
Sensing，29(23) : 6917 － 6936．
Richardson A J，Weigand C L． 1977． Distinguishing vegetation from soil
background information． Photogrammetric Engineering and Remote
Sensing，43(12) : 1541 － 1552．
Rouse J W，Haas R H，Schell J A，et al． 1974a． Monitoring vegetation
systems in the Great Plains with ERTS∥Stanley C F，Enrico P M，
Margaret A B． Third Earth Resources Technology Satellite-1
Symposium， volume I: Technical Presentations． NASA SP-351
NASA，Washington，DC，1974，309 － 317．
Rouse J W，Haas R H，Schell J A，et al． 1974b． Monitoring the vernal
advancement of retrogradation of natural vegetation． Greenbelt，MD，
USA，NASA /GSFC． Type III，Final Report，1 － 371．
Roy P S，Ravan S A． 1996． Biomass estimation using satellite remote
sensing data—an investigation on possible approaches for natural
forest． Journal of Biosciences，21(4) : 535 － 561．
Sannier C A D，Taylor J C，Du Plessis W． 2002． Real-time monitoring
of vegetation biomass with NOAA-AVHRR in Etosha National Park，
Namibia，for fire risk assessment． International Journal of Remote
Sensing，23(1) : 71 － 89．
Sarker L R，Nichol J E． 2011． Improved forest biomass estimates using
ALOS AVNIR-2 texture indices． Remote Sensing of Environment，
115(4) : 968 － 977．
Tian X，Su Z，Chen E，et al． 2012． Estimation of forest above-ground
biomass using multi-parameter remote sensing data over a cold and
arid area． International Journal of Applied Earth Observation and
Geoinformation，14(1) :160 － 168．
Tucker C J． 1979． Red and photographic infrared linear combinations for
monitoring vegetation． Remote Sensing of Environment， 8(2) :
127 － 150．
Tucker C J，Vanpraet C L，Sharman M J，et al． 1985． Satellite remote
sensing of total herbaceous biomass production in the Senegalese
Sahel: 1980 － 1984． Remote Sensing of Environment，17 ( 3 ) :
233 － 249．
Wijaya A，Kusnadi S，Gloaguen R，et al． 2010． Improved strategy for
estimating stem volume and forest biomass using moderate resolution
remote sensing data and GIS． Journal of Forestry Research，21(1) :
1 － 12．
Zheng D L， Rademacher J， Chen J Q， et al． 2004． Estimating
aboveground biomass using Landsat 7 ETM + data across a managed
landscape in northern Wisconsin， USA． Remote Sensing of
Environment，93(3) : 402 － 411．
(责任编辑 石红青)
69