中国竹林遥感信息提取及NPP时空模拟研究

发布时间：2020-11-02 07:28

　　 竹林是我国亚热带森林生态系统中重要而特殊的资源,其在陆地碳循环/碳汇功能中扮演着重要的角色。截止第八次(2009-2013年)森林资源清查结果知,我国竹林面积已达601万公顷,占我国森林面积的3%,占世界竹林面积20%左右,是名副其实的“竹子王国”。目前,竹林面积信息主要是通过地面样地结合遥感影像并采用不同的分类方法获取,研究区多集中在县域或省域尺度上,缺乏全国范围竹林时空分布信息快速准确提取。森林生态系统碳循环在改善全球气候变化中具有重要意义,其中,植被净第一性生产力(Net Primary Productivity,NPP)是生态学中重要组成部分,是森林生态系统碳循环过程中重要的指示参数。然而,中国竹林NPP获取研究较少,本研究以中国竹林为研究对象,在林地遥感信息提取的基础上,首先通过构建竹林信息C5.0算法决策树获取初步竹林信息,其次,采用最小二乘混合像元分解方法获取竹林丰度信息,最后,将竹林丰度作为输入参数驱动适用于竹林碳循环研究的北部生态系统生产模拟模型(Boreal Ecosystem Productivity Simulator,BEPS),模拟了全国竹林生态系统的净初级生产力。主要研究内容包括以下三个方面:1、最大似然法提取林地信息。综合MODIS产品、地面调查数据等基础数据,结合目视解译、样地数据、Google earth等获取训练样本,采用最大似然法将全国土地利用类型分为水体、林地、耕地、城镇、裸地等,并通过掩膜获得全国林地MODIS产品。2、C5.0决策树结合混合像元方法获取竹林分布信息。首先,基于林地MODIS产品、Landsat8 OLI浙江省土地利用专题图及竹林样地数据获取竹林、阔叶林、针叶林林分样本;其次,利用C5.0算法决策树构建竹林信息提取模型,最后,通过最小二乘混合像元分解获得竹林丰度专题图。3、竹林生态系统净初级生产力估算及时空格局分析。将竹林丰度信息作为输入参数驱动BEPS模型估算中国竹林生态系统净初级生产力,其次,利用统计等方法分析全国竹林生态系统净初级生产力时空动态变化规律。通过研究,主要得到一下几个方面的结论:1、最大似然法提取林地信息精度高,2003年、2008年和2014年三期生产者精度与使用者精度均为90%以上,Kappa系数均大于0.9,为下一步获取竹林信息提供数据保障。2、基于林地信息采用C5.0决策树模型提取的竹林遥感信息,平均精度达80.07%,结果能够粗略反映我国竹林时空分布特征;然而C5.0决策树获取竹林信息仍是基于像元水平上,因此,利用最小二乘像元混合分解获取较为纯净的竹林信息,研究结果与竹林资源清查面积具有较高的一致性,判定系数均大于0.95,说明通过决策树模型结合混合像元分解提取的中国竹林面积精度较为理想,为精确估算竹林面积及为大尺度竹林生态系统时空动态碳循环研究提供了保障。3、将竹林丰度图作为参数驱动BEPS模型获得中国竹林生态系统年/月尺度NPP,与已有研究结果及样地调查数据进行对比分析显示:三期判定系数(R2)均值为0.73,说明两者具有较高的一致性。在空间分布上,竹林NPP高值主要聚集在浙江、福建、江西、湖南等地;云南、陕西等地分布较为分散。在时间尺度上,竹林NPP变化明显。在年尺度上,NPP总量呈上升趋势。在月尺度上,我国竹林NPP呈现先增加后减缓趋势,5月为最高值,12月为最低值。在季节尺度上,四季对全年的贡献率从大到小为春(32.94%)夏(26.72%)冬(22.19%)秋(21.64%)。
【学位单位】：浙江农林大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：S795;S771.8
【部分图文】：

波段 5(1230-1250nm)、6(1628-1652nm)是近红外波段，反映了植被覆盖度和生物量，此外，因为近红外波段对粘土具有强吸附性，对沙土和盐碱土具有强反射性，可用来描述土地沙化和盐碱化程度；波段 7(2105-2155nm)相当 Landsat4/5 的 TM7波段，即可监测植物生长状况，又可为监测土壤退化、识别土壤质地类型提供参考依据[97]。MODIS 反射率其空间分辨率低、覆盖范围广，受云、雪及其他异常气候影响非常明显，给数据使用带来不便，选择数据受气候条件影响较小。本研究通过目视法分别选择 MODIS 反射率产品三期的第 305、113、273 天数据(MODISRef)。MOD13A2 包括红光波段(Red)、近红外(Nir)、蓝光(Blue)、EVI 和 NDVI 等多层数据，数据受云层的覆盖、大气气溶胶、雪覆盖等异常气候条件、低太阳高度角和传感器故障等因素影响，数据质量较差。本研究通过目视的方法分别剔除三期 MODIS NDVI 数据中受气候条件影响较大的数据，并利用最大值合成法(Maximum Value Composite, MVC)[98]获取 NDVI 月最大值，每个时期得到 10 组(MODIS-NDVImax)。

2 研究区概况及数据预处理4 个浙江省森林资源清查数据、157 个 30m×30m 的样地调查数据，以及来自献资料的 136 个样点数据(2003 年 20 个、2008 年 35 个、2014 年 81 个)，各省本量如表 2.2 所示，样本数据分布如图 2.3 所示。另外，以 2014 年浙江全省基Landsat系列影像的土地利用分类图[99]及竹林分布信息作为局部区域的辅助数，参与分类训练样本的选择。本研究采用随机不重复抽样从所有竹林样地中选 50%作为决策树模型构建的训练样本，剩余样本用作精度检验。表 2.2 各省竹林样地数量Table2.2 Number of bamboo forest sample plots in each province城市 个数 城市 个数 城市 个数 城市 个数浙江 391 湖南 12 江苏 4 广东 3福建 53 四川 11 湖北 4 贵州 3江西 21 台湾 5 陕西 3 云南 2安徽 15

图 4.2 中国气象站点分布图Figure.4.2 China Meteorological Site Distribution Map4.3 中国竹林 NPP 估算结果分析4.3.1 模型精度评价模型评价是模型运用中非常重要的一步，本研究通过实测的浙江省竹林样地NPP 值与基于 BEPS 模型模拟值进行相关关系比较分析，并采用判定系数、均方根误差等评价指标来分析模型估算精度,如图 4.3，从图中可以看出 NPP 模型估计值与实测值相关趋势线斜率均在 1 左右，说明二者具有较好的一致性，其中 2003年和 2008 年趋势线在 1:1 线上方，说明这两期竹林 NPP 模型估计值与实测值存在高估的现象；此外，2014 年趋势线斜率接近 1，说明 2014 年竹林 NPP 估测值与实测值吻合最好。R2的最高是 2014 年，为 0.775；最低是 2003 年，为 0.691；R2均值为 0.73。然而，尽管模型估计值与实测值之间存在一定误差，但是 RMSE较小，均在 50g C m-2yr-1左右，最大值出现在 2003 年，为 52.28g C m-2yr-1，最小值为 2008 年的 48.66g C m-2yr-1。
【参考文献】

相关期刊论文 前10条

1 方精云;于贵瑞;任小波;刘国华;赵新全;;中国陆地生态系统固碳效应——中国科学院战略性先导科技专项“应对气候变化的碳收支认证及相关问题”之生态系统固碳任务群研究进展[J];中国科学院院刊;2015年06期

2 苏伟;姜方方;朱德海;展郡鸽;马鸿元;张晓东;;基于决策树和混合像元分解的玉米种植面积提取方法[J];农业机械学报;2015年09期

3 王聪;杜华强;周国模;徐小军;孙少波;高国龙;;基于几何光学模型的毛竹林郁闭度无人机遥感定量反演[J];应用生态学报;2015年05期

4 郑丽;;端元提取算法的研究综述[J];湖北第二师范学院学报;2015年02期

5 林晓扬;蔡雄飞;王济;梅再美;戴凌骏;;2000～2010年贵州省植被净初级生产力时空变化研究[J];环境保护科学;2015年02期

6 杨清培;杨光耀;宋庆妮;施建敏;欧阳明;祁红艳;方向民;;竹子扩张生态学研究:过程、后效与机制[J];植物生态学报;2015年01期

7 王修信;孙涛;朱启疆;刘馨;陈声海;;利用BEPS模型估算城区植被净初级生产力的时空变化[J];干旱区资源与环境;2014年11期

8 张丽景;葛宏立;;利用MODIS数据估测毛竹林总初级生产力[J];浙江农林大学学报;2014年02期

9 刘洋;刘荣高;陈镜明;程晓;郑光;;叶面积指数遥感反演研究进展与展望[J];地球信息科学学报;2013年05期

10 孙晓艳;杜华强;韩凝;葛宏立;谷成燕;;面向对象多尺度分割的SPOT5影像毛竹林专题信息提取[J];林业科学;2013年10期

相关博士学位论文 前10条

1 毛方杰;毛竹林生态系统碳循环时空模型构建及应用研究[D];浙江农林大学;2016年

2 卢伟;小时步长森林碳循环模型（BEPS）参数优化及应用研究[D];东北林业大学;2016年

3 戚玉娇;大兴安岭森林地上碳储量遥感估算与分析[D];东北林业大学;2014年

4 张存厚;内蒙古草原地上净初级生产力对气候变化响应的模拟[D];内蒙古农业大学;2013年

5 许菡;遥感影像混合像元分解新方法及应用研究[D];首都师范大学;2013年

6 于颖;基于InTEC模型东北森林碳源/汇时空分布研究[D];东北林业大学;2013年

7 毛学刚;东北森林碳循环日步长模型与遥感综合应用研究[D];东北林业大学;2011年

8 邓旺华;竹林地面光谱特征及遥感信息提取方法研究[D];中国林业科学研究院;2009年

9 张明伟;基于MODIS数据的作物物候期监测及作物类型识别模式研究[D];华中农业大学;2006年

10 周国模;毛竹林生态系统中碳储量、固定及其分配与分布的研究[D];浙江大学;2006年

相关硕士学位论文 前10条

1 李雪建;竹林MODIS LAI时间序列同化及在碳通量模拟中的应用研究[D];浙江农林大学;2017年

2 高国龙;面向对象的高分辨率遥感影像竹林多尺度碳储量估算方法研究[D];浙江农林大学;2016年

3 孙少波;亚热带典型森林冠层参数及碳储量定量估算研究[D];浙江农林大学;2016年

4 黄汝根;融合GF-1与MODIS数据生成高时空分辨率LAI产品[D];华南农业大学;2016年

5 孙晓艳;面向对象的毛竹林分布遥感信息提取及调查因子估算[D];浙江农林大学;2014年

6 王飞红;基于决策树和混合像元分解的城市绿地信息的提取[D];中北大学;2014年

7 陈利;基于混合像元分解方法的MODIS森林类型识别研究[D];中南林业科技大学;2014年

8 黄金龙;基于BEPS模型和遥感的森林地上生物量更新方法研究[D];南京大学;2014年

9 王晓军;基于C5.0数据挖掘算法的大区域地表覆盖分类关键技术研究[D];山东农业大学;2013年

10 商珍珍;基于多源遥感毛竹林信息提取及地上部分碳储量估算研究[D];浙江农林大学;2012年

本文编号：2866747