引入环境变量的香格里拉市高山松碳储量估测

森林碳储量是森林固碳能力的重要参考指标,准确估算森林碳储量对陆地碳循环具有重要意义。以香格里拉市1987—2017年Landsat TM/OLI遥感影像、森林资源连续清查数据和地形数据为主要数据源,利用Pearson相关性法、Spearman相关性法、Kendall’sτ相关性法、距离相关性法和决策树法筛选预测变量,并引入不同环境变量结合随机森林(RF)模型估测香格里拉市高山松碳储量。结果显示:(1)在不同方法筛选出的预测变量中,偏度、角二阶矩等纹理因子与高山松碳储量相关性最高;(2)通过决策树法筛选出的变量组合所构建的RF模型效果最优,其R^(2)为0.845,RMSE为10.076 t/hm^(2),rRMSE为29.254%,P为0.747;(3)引入环境变量后,精度都有不同程度提升,其中地表温度对模型精度的提升最高,其R^(2)提高了4.80%,RMSE降低了1.71 t/hm^(2),rRMSE降低了5.391%,P提高了6.60%;(4)1987—2017年,香格里拉市高山松碳储量时空变化较明显,高山松碳储量增加了651.266×10^(4)t。因此,不同的变量筛选方法会影响碳储量估测的准确性,同时引入环境变量能够提高模型估测精度,研究结果可为后续基于遥感的碳储量估测提供参考。

基于地统计模型的林分蓄积量空间异质性研究

基于云南省昭通市大关县天星镇林分二调数据,以林分蓄积量作为因变量,将郁闭度、平均胸径、平均海拔和坡度作为自变量,采用最小二乘法模型(OLS)和地理加权回归模型(GWR),对林分蓄积量的空间效应进行分析。结果表明:1)距离在6 075 m以内,林分蓄积量在总体上呈现出显著的空间自相关性,且随距离的增大自相关性逐渐减小最后趋于稳定;2)随着间隔距离的增加,基台值逐渐减小,块金值逐渐增加,在距离达到6 075 m时趋于稳定;3)平均胸径、郁闭度和平均海拔与林分蓄积量呈现出正相关性,而坡度与林分蓄积量具有负相关性;4)GWR模型的R2(0.73)和预测精度P(0.60)均大于OLS模型R2(0.34)和预测精度P(0.54)。林分蓄积量在空间尺度上具有异质性,且GWR模型能很好地描述林分蓄积量的空间异质性,采用合理的经营方式以促进林木胸径、郁闭度的生长,同时考虑海拔和坡度的影响,从而促进林分蓄积量的增长。

基于Landsat时间序列数据和ATC滤波算法的高山松碳储量估测

借助遥感技术准确估测森林碳储量对于森林生态系统的保护和可持续发展具有重要意义。由于遥感时间序列数据存在大量的噪声,因此,为了提高森林碳储量的估测精度,有必要开发一种滤波算法,以减少高海拔地区Landsat时间序列数据噪声的干扰。基于1987年、1992年、1997年、2002年、2007年、2012年、2017年云南省香格里拉市国家森林资源连续清查固定样地的数据以及1987年—2017年的Landsat时间序列影像,本研究利用Python开发了自适应地形卷积ATC(Adaptive Topography Convolution)算法,该算法考虑到地形因素对于图像质量的影响,在尽可能保留图像细节的情况下去除图像的噪声,并使用Savitzky-Golay滤波、中值滤波对Landsat时间序列数据进行滤波。应用随机森林回归算法RFR(Random Forest Regression)构建香格里拉市高山松碳储量估测模型,选择最优估测模型对香格里拉市高山松碳储量进行反演制图。结果表明:(1)从图像的质量评价指标平均绝对误差MAE(Mean Absolute Error)来看,经过ATC算法滤波后的图像质量最好;(2)在使用RFR方法的情况下,滤波后的数据均表现出比原始数据更高的估测精度;(3)在使用RFR方法的情况下,基于贡献度前10的特征因子和累积贡献度达到70%的特征因子建模时,经过ATC算法滤波后的时间序列数据均表现出了最优的估测精度;(4)基于ATC算法和贡献度前10的特征因子对高山松碳储量的建模效果最优,其决定系数R^(2)为0.867、均方根误差RMSE为15.527(/t/hm^(2))、预测精度P为73.54%、相对均方根误差rRMSE为41.14%;(5)基于最优估测模型的高山松碳储量反演结果分别为:677万t(1987年)、716万t(1992年)、722万t(1997年)、436万t(2002年)、720万t(2007年)、711万t(2012年)、753万t(2017年)。综上,使用ATC滤波算法能够有效去除高海拔地区时间序列影像中的噪声,从而降低时间序列影像的不确定性,提高了高山松碳储量遥感估测精度。