基于序列高斯协同模拟的多尺度区域森林碳密度空间分布估计

以浙江省仙居县为例,基于2008年全县森林资源清查样地数据和2007年2月获取的Landsat TM影像数据,采用序列高斯协同模拟方法,分别在30 m×30 m和270 m×270 m空间分辨率水平上模拟森林地上部分碳密度及其分布,并对模拟结果进行对比分析。结果表明:仙居县森林地上碳密度分布具有空间连续变异性,四周为高碳密度有林地集中区,中间大部分为低碳密度无林地集中区,抽样估计研究区域地上森林碳储量为5 283 789.63 Mg。基于30 m×30 m分辨率的序列高斯协同模拟结果为5 692 875.69 Mg,模型确定系数为0.620 3;对比270 m×270 m像元大小基础上估计得到的森林碳储量5 030 871.79 Mg,模型确定系数0.238 3,小尺度上估计的碳储量总量更多,碳密度分布范围更广,模型精度更高。序列高斯协同模拟考虑了森林碳密度空间分布的差异性,模拟结果接近地面样地估计值,碳密度分布范围合理,能够很好地反映碳分布空间的连续变异性。

基于森林资源清查、卫星影像数据与随机协同模拟尺度转换方法的森林碳制图

当前,全球变暖对地球生态系统的影响正引起世界的广泛关注。为减缓其影响进程,让决策者获得准确的碳源/碳汇空间分布信息与动态至关重要。目前面临的重大挑战是如何准确估计森林碳的空间分布和分析估计结果的不确定性。本研究基于森林资源连续清查样地数据和遥感影像数据发展了一个森林碳制图的一般方法。基于序列高斯协同模拟算法,结合样地数据与卫星影像数据进行模拟,将森林碳汇分布图的尺度从30m×30m转换到900m×900m(区域、国家和全球森林碳制图单位大小)。以临安市为例,利用全市2004年森林资源清查样地数据和同年度LandsatTM影像数据,进行研究区森林碳(地上部分)模拟和尺度转换。结果显示,方法准确重现了森林碳空间分布和变异规律,在分布上模拟结果与地面样地属性具有较好的一致性,在数量上模拟结果的总体平均值较地面样地的总体平均值低约24.9%;模拟还提供了其估计结果的不确定性,包括估计值的方差和估计值大于一定阈值的概率,这些可用于不确定性传播模型的模拟分析,进而实现对森林碳估计结果的评价。

基于空间协同仿真模拟的开化县森林碳估计

森林碳储量是反映森林生态系统生产力的重要指标,也是区域森林碳汇计量的基础。以浙江省开化县为研究区,采用2013年资源3号遥感影像与2014年森林资源清查样地数据,结合序列高斯协同模拟方法对全县地上部分森林碳储量及其分布进行估计,并以平均误差、残差平方和、平均相对误差以及均方根误差4个指标为基础对估计结果进行精度评价。结果表明:开化县2014年森林总碳储量空间协同仿真估计结果为7.221 573 Tg,碳密度值分布为0~109.178 0 Mg·hm^(-2),均值为32.376 4 Mg·hm^(-2),基于15%检验样本的平均相对误差为4.565%,仿真估计碳总量在实测样地估算的置信区间内。本研究发现,遥感影像与地面样地森林碳密度的相关性随遥感影像的空间分辨率变化而变化,这对于提高森林碳储量估计精度有着重要意义,也是下一步研究的重点。

基于回归与随机模拟的区域森林碳分布估计方法比较

以临安市为例,利用2004年森林资源清查样地数据和同年度Landsat TM影像数据,采用一元二次非线性回归和序列高斯协同模拟方法分别模拟森林地上部分碳密度及其分布,并对模拟结果进行比较分析。结果表明:一元二次非线性回归估计得研究区森林碳储量为2365404.37t,碳密度平均值为9.0000t·hm-2,最大值为73.7144t·hm-2,最小值为0.7156t·hm-2;序列高斯协同模拟得研究区森林碳储量为3291659.83t,碳密度平均值为12.5233t·hm-2,最大值为78.9133t·hm-2,最小值为0.0833t·hm-2;根据2004年森林资源清查样地数据,按随机抽样方法估计研究区森林碳储量为2708897.90t,样地碳密度平均值为10.3065t·hm-2,其最大值为96.9625t·hm-2,最小值为0;序列高斯协同模拟结果更接近地面样地估计结果,而且碳密度分布范围更合理;一元二次非线性回归估计结果与地面样地估计结果之差的累积平方和为9857.4619,而序列高斯协同模拟结果与实测结果之差的累积平方和为8018.4625;序列高斯协同模拟较一元二次非线性回归在估计区域森林碳空间分布上有明显优势。

基于地统计学和多源遥感数据的森林碳密度估算

【目的】基于遥感影像空间分辨率和地面样地大小不一致的现象,采用地统计学和多源遥感数据进行森林碳密度估算,为MODIS数据在区域森林碳密度估算领域的应用提供参考。【方法】以湖南省攸县为试验区,首先利用基于块的序列高斯协同模拟算法,将25.8 m×25.8 m的样地数据分别上推到250 m×250 m、500 m×500 m和1 000 m×1 000 m;然后将上推后的样地数据分别与MOD13Q1、MOD09A1、MOD15A2数据结合,利用序列高斯协同模拟算法开展区域森林碳密度估算研究;最后将最优结果用于湖南省森林碳密度估算。【结果】Landsat5和MODIS数据与森林碳密度的敏感因子具有高度相似性,排在前3位的分别为1/TM3、1/TM2、1/TM1和1/Band1、1/Band4、1/Band3;与植被指数产品MOD13Q1和MOD15A2相比,多光谱数据Landsat5和MOD09A1在攸县森林碳密度估算方面显示出巨大潜力,估算精度分别为82.02%和75.64%;基于MOD09A1的序列高斯协同模拟算法具有很好的适用性,可用于湖南省森林碳密度的空间模拟,估算精度为74.07%。【结论】采用基于块的序列高斯协同模拟算法,可以实现由地面样地到不同空间分辨率MODIS像元之间的转换;由于空间分辨率的限制,MOD09A1数据在刻画空间细节方面不如Landsat5精细。该研究方法适用于地面调查样地大小和遥感影像空间分辨率不一致的区域森林碳密度估算。

基于MODIS混合像元分解的湖南省森林碳密度反演

随着遥感技术的快速发展,基于遥感影像和地面样地的方法成为目前森林碳密度估算的常用手段.然而由于混合像元的存在严重制约了区域森林碳密度反演精度的提高,特别是MODIS这种低空间分辨率影像.本研究以MODIS影像和固定样地为数据源,开展森林碳密度的反演研究.首先利用不带约束、带约束的线性分解和非线性分解3种方法进行混合像元分解,导出不同土地利用/覆盖类型的丰度图;然后采用结合和未结合丰度图的序列高斯协同模拟算法对湖南省森林碳密度进行反演.结果表明：3种混合像元分解模型中,带约束线性分解估计的地物丰度精度最高（平均均方根误差0.002）,明显优于不带约束线性分解和非线性分解模型;通过将混合像元分解模型和序列高斯协同模拟算法结合,森林碳密度反演精度从74.1%提高到81.5%,均方根误差从7.26减小到5.18;2009年湖南省森林碳密度的平均值为30.06 t·hm^-2,变化范围介于0.00-67.35 t·hm^-2之间.这表明混合像元分解在提高区域和全球尺度森林碳密度反演精度方面显示出巨大的潜力.