Establishment of remote sensing based model to estimate the aboveground biomass of Pinus densata for permanent sample plots from national forestry inventory
-
摘要:目的 研究利用遥感方法构建高山松固定样地地上生物量估测的参数模型，可以在今后前期样地的基础上直接快速、准确地估测生物量，或者开展少量的外业调查即可获取地上生物量。方法 基于遥感因子与样地地上生物量变化量和线性混合模型提高生物量估测精度，以香格里拉市1987、1992、1997、2002、2007、2012、2017年7期国家森林资源清查固定样地和对应年份Landsat TM、OLI的Level-1数据为基础，首先对遥感数据进行预处理：包括辐射定标、大气校正、几何校正和地形校正，提取原始波段、比值因子、植被指数、图像增强信息、纹理指数、混合像元分解后的丰度、叶面积指数，计算5 ~ 30年间隔样地对应的遥感因子变化值。根据森林资源二类调查的高山松分布特征，选择地形因子作为线性混合模型的固定和随机效应，采用多元线性回归、非线性回归、地理加权回归、线性混合模型构建高山松地上生物量估测的静态模型，基于遥感光谱信息变化量构建了有树高和无树高参与的动态模型。最后对不同的建模方法和验证结果进行对比分析，选择最优结果作为估测模型并验证。结果 （1）分析静态数据建模和验证的结果，采用样地号为固定因子、坡度等级为随机因子的线性混合模型的拟合R2最高，为0.75；但利用训练数据集和2017年数据验证，其精度都较低。（2）分析变化量数据建模和验证的结果，采用样地号为固定因子、坡度等级为随机因子、遥感因子变化量为自变量的线性混合模型拟合R2最高，为0.70，预测精度P值为（68.86 ± 11.93）%；增加平均树高变化量，拟合R2最高为0.79，预测P值为（73.39 ± 6.18）%。（3）无论是有、还是无树高参与的变化量模型其拟合和预测精度都达到80%，其预测精度达到了非参数模型预测精度。结论 基于变化量的估测模型的拟合和预测精度较静态模型有所提高；综合遥感因子、地形因子构建的高山松地上生物量估测线性混合模型，其精度有较大提高；采用遥感因子变化量构建的高山松地上生物量估测模型，有效弥补了静态光学遥感数据估测生物量的不足，经检验可用于其他年期的估测。Abstract:Objective This study aims to establish a remote sensing based parametric model for estimation of aboveground biomass (AGB) of Pinus densata for permanent sample plots, which can be used for rapid and accurate biomass estimation in the future with previous sample plots, or obtaining biomass quickly with less field work.Method Based on the change of remote sensing images and permanent sample plots, linear mixed model was used to improve the accuracy of biomass estimation. Based on the permanent sample plots in the 7 survey years of 1987, 1992, 1997, 2002, 2007, 2012, 2017 from the national forest inventory and corresponding years of Landsat TM and OLI images, firstly the images were preprocessed including radiometric correction, atmospheric correction, geometric correction and topographic correction. The original bands, ratio factors, vegetation indices, image enhancement information, textures, fraction after spectral mixture analysis, leaf area index were extracted. Then, the changes of remote sensing spectral variables were derived. According to the distribution of Pinus densata from the forest management inventory, the topographic factors were selected as the fixed and random effects for the linear mixed model. The multiple linear regression, non-linear regression, geographically weighted regression, and linear mixed model were used to establish the static models of the AGB estimation for Pinus densata. The change models with and without tree height participation were developed based on the change of remote sensing spectral variables. Finally, the different modeling and validation results were compared and validated, and the optimal results were selected as the estimation model and validated.Result (1) Comparing the static data for modeling and validation, the linear mixed model with the plot number as fixed effect and the slope grade as random effect got the highest R2 of 0.75. The prediction result showed that either using the remaining 20 training datasets or the observed data in the year of 2017 for validation, the prediction accuracy was low. (2) Comparing the change data for modeling and validation, the linear mixed model with the plot number as fixed factor, slope grade as random factor and remote sensing change factors as independent variables performed the best with R2 of 0.70, the predicted P value was (68.86 ± 11.93)%. When increasing the change of average tree height, the fitting R2 was 0.79, the P value was (73.39 ± 6.18)%. (3) The change model with or without the participation of tree height got a fitting and prediction accuracy of 80%, and its prediction accuracy reached the prediction accuracy of non-parametric models.Conclusion The accuracy of fitting and prediction based on the change variables is improved compared with the static model. The accuracy for estimating AGB of Pinus densata has been greatly improved with linear mixed model, remote sensing and topographic factors. The developed model of estimating the AGB of Pinus densata with remote sensing change factors has effectively compensated the deficiency of the static optical images, and it can be used for estimation of other years after validation.
-
Keywords:
- aboveground biomass /
- linear mixed /
- Landsat /
- permanent sample plot /
- Pinus densata
-
樟子松（Pinus sylvestris var. mongolica）隶属于松科（Pinaceae）松属（Pinus），是欧洲赤松（P. sylvestris）的一个变种，该树种抗旱、耐寒、耐瘠薄、防风固沙、适应性强，能够在降水量低、土壤贫瘠的沙土上顽强生长，是我国北方干旱和半干旱沙区防风固沙和水土保持的重要树种[1-4]。自1964年樟子松在陕西榆林红石峡引种栽培成功后[5]，经过几十年的推广造林，已成为毛乌素沙区防风固沙造林的常用树种，对陕北沙区生态环境的改善发挥了重要作用[6-8]。营建樟子松种子园的主要目的是为造林绿化和林业生产提供遗传和品质优良的种子[6]，随着樟子松母树年龄和树体高度的增加，采种难度也随之增加，树冠中上部的优质种子难以采收，导致种子质量参差不齐，严重影响了种子的产量和质量[9-10]。因此，矮化樟子松母树已成为沙区樟子松种子园亟待解决的技术问题之一，对种子园母树优质高产和科学管理具有重要意义。
关于种子园母树矮化和结实方面的研究，国内外已有大量报道。地中海白松（P. halepensis）[11]、欧洲赤松[12]、火炬松（P. taeda）[13]、辐射松（P. radiate）[14-16]、红松（P. koraiensis）[17-18]、油松（P. tabulaeformis）[19]、长白落叶松（Larix olgensis）[20]、杏仁桉（Eucalyptus regnans）[21]经过修剪、摘心、截冠等矮化处理后，结实量和种子品质均有所提高。洪永辉等[22-23]和谭小梅等[24]对马尾松二代种子园内的61个无性系母树进行截干处理，发现马尾松母树经过处理后分枝角变大，枝下高降低，冠幅增加，侧枝结果率、球果产量和籽粒质量均提高，采种成本大幅度下降。黄开勇等[25]对杉木种子园大龄母树进行截杆矮化处理，发现大多数杉木无性系母树截杆处理后种子产量明显提高，种子质量明显改善。戴俊等[26]研究发现杉木种子园内经截杆处理后的大部分无性系母树种子的发芽率、发芽势和发芽指数明显提高，且用其种子繁殖的子代苗木地径和苗高均显著高于未截杆处理母树种子繁殖的子代苗木。
目前关于樟子松矮化处理方面的研究报道相对较少。王曼[27]研究发现对老龄樟子松母树进行疏枝、截顶、截轮枝3种修剪措施后，樟子松母树结实量下降；王福森等[10]研究发现幼龄樟子松母树截冠矮化处理后，樟子松母树的单果质量和单株结实量分别提高了46.7%和95.5%，种子的质量增加了107%，发芽率和发芽势分别提高了8.1%和3.1%。截冠处理对樟子松壮龄母树结实方面的影响尚未见报道。本试验以榆林市樟子松种子园的壮龄母树为研究对象，对其进行截冠处理，并以相同系号的未截冠樟子松母树作为对照，研究截冠前后球果产量、球果大小、种子产量及质量指标的变化情况，揭示截冠处理对樟子松壮龄母树结实的影响，探索樟子松壮龄母树管理的关键技术，为樟子松种子园壮龄母树的优质高产和科学管理提供基础资料。
1. 材料方法
1.1 试验地概况
研究区设在陕西省榆林市樟子松种子园（109°46′02″ ~ 109°46′30″E、38°09′06″ ~ 38°09′27″N），位于榆林市城南约15.2 km处，地处毛乌素沙地南缘与黄土丘陵区过渡地带，平均海拔1 024 m。该种子园为西北地区最大的樟子松种子园，属温带半干旱大陆性季风气候，园内年平均气温8.1 ~ 10.7 ℃，极端低温− 32.7 ℃，极端高温38.6 ℃，年平均降水量432 mm，降水主要集中于7—9月，蒸发量大于1 900 mm，年平均风速5.1 m/s，最大风速为28.1 m/s。土壤为沙土和盖沙黄土，通透性好，有机质含量低，为0.32% ~ 0.54%，pH值为6.9 ~ 7.6。研究样地内主要植物有角茴香（Hypecoum erectum）、虎尾草（Chloris virgata）、角蒿（Incarvillea sinensis）、沙打旺（Astragalus adsurgens）、醉马草（Achnatherum inebrians）、冰草（Agropyron cristatum）。目前樟子松种子园内有68个无性系母树，主要源自内蒙古红花尔基天然樟子松林和榆林当地。研究区域内有18个樟子松无性系，树龄均为24年，平均胸径17.16 cm，平均冠幅4.69 m，定植密度5.0 m × 5.0 m。
1.2 试验方法
2016年3月8日至3月11日，对研究区内的18个樟子松无性系母树，按照冠幅不超过10 cm、树高不超过20 cm和胸径不超过1.5 cm的标准，每个无性系挑选出6株樟子松母树用于试验，每个无性系随机选取3株母树进行截冠处理，截去顶部3轮枝，余下的轮枝在每枝距离树干2/3处进行拉枝垂吊处理，并以相同无性系未截冠母树作为对照，截冠处理与未截冠处理的母树均采用相同的抚育管理措施，每年进行正常的施肥和人工除草各1次。
2018年11月15日至20日，对樟子松母树所有球果进行采摘，分别装袋标记。对截冠处理和对照组樟子松的单果质量、单株球果质量、单株种子质量、出籽率、球果的长径和短径、种子千粒质量和优良度8个指标进行测定分析，以此研究截冠处理对樟子松壮龄母树结实的影响。
1.3 数据分析
数据采用Excel 2016和DPS 17.1软件进行处理。对截冠处理母树和未截冠处理母树的各项指标进行统计分析，出籽率（SY）、截冠处理母树各指标相对于未截冠处理母树单个无性系的增益值（Gn）及平均增益值（GA）按照如下公式计算。
SY=P/C×100%, (1) 式中：P为单株种子质量，C为单株球果质量。
Gn=(An−Bn)/Bn×100% (2) 式中：An是第n个无性系樟子松母树截冠处理的指标测定值，Bn为第n号无性系母树未截冠处理的指标测定值。
GA=(G1+G2+G3+⋅⋅⋅Gn)/n×100% (3) 式中：G1、G2、G3、···Gn代表第1、2、3···n个无性系的增益值，n为无性系数量。
采用两配对样本t检验法对单果质量、单株球果质量、单株种子质量、出籽率4个产量指标在截冠处理与对照之间的差异进行分析。
2. 结果与分析
2.1 截冠处理对樟子松壮龄母树球果和种子产量的影响
以截冠处理的18个无性系樟子松母树作为一个样本，以未截冠相对应系号樟子松母树作为另一个样本，进行配对t检验，截冠处理母树与未截冠母树各产量指标的t检验结果见表1。从表1可知，截冠处理母树与未截冠处理母树的单果质量和单株球果质量2个产量指标没有显著性差异（P > 0.05），说明截冠处理对单果质量和单株球果质量影响不显著。樟子松母树的单株种子质量和出籽率在截冠处理与对照之间存在显著差异（P < 0.05），说明截冠处理对种子产量具有显著影响。
表 1 截冠处理母树与未截冠母树各产量指标的配对t检验结果Table 1. Comparing sample t-test results on yield index of mother trees under top pruning and non-top pruning产量指标 Yield index 均值 Mean 标准差 Standard deviation t值 t value 自由度 df P值 P value 单果质量 Single cone mass − 1.022 5.286 0.820 17 0.423 3 单株球果质量 Cone mass per tree − 43.41 688.228 0.268 17 0.792 2 单株种子质量 Seed mass per tree − 5.448 10.492 2.203 17 0.041 7 出籽率 Seed-production rate − 0.408 0.595 2.910 17 0.009 8 2.2 截冠处理对樟子松壮龄母树球果产量的增益分析
截冠处理对樟子松壮龄母树的球果产量增益分析见表2。截冠处理后樟子松母树无性系单果质量增益值在− 62.41% ~ 235.04%之间，平均增益值为24.86%。其中10个无性系母树单果质量为正增益（1、6、28、47、29、13、60、46、34、21），其余8个无性系母树单果质量为负增益。樟子松壮龄母树无性系单株球果质量的增益值在− 61.82% ~ 189.47%之间，平均增益值为23.82%。7个无性系母树单株球果质量为正增益（1、6、47、29、60、34、21），11个无性系母树单株球果质量为负增益。从平均增益值来看，截冠后樟子松壮龄母树球果产量呈增长状态，说明截冠在一定程度上能提高樟子松壮龄母树球果产量。
表 2 截冠处理对樟子松壮龄母树的球果产量增益分析Table 2. Gain analysis on cone yield of aged Pinus sylvestris var. mongolica mother trees after top pruning无性系号
Clone No.对照
CK截冠处理
Top pruning treatment单个无性系截冠后球果产量增益值
Gain value of cone yield of single clone after top pruning/%单果质量
Single cone mass/g单株球果质量
Cone mass per tree/g单果质量
Single cone mass/g单株球果质量
Cone mass per tree/g单果质量
Single cone mass单株球果质量
Cone mass per tree51 9.16 541.43 7.88 533.10 − 13.97 − 1.54 11 7.13 374.93 4.53 281.21 − 36.47 − 25.00 5 7.99 1 140.72 7.24 733.75 − 9.39 − 35.68 7 9.28 1 608.56 7.22 1 265.94 − 22.20 − 21.30 1 6.45 1 308.45 21.61 3 527.86 235.04 169.62 53 11.14 1 412.40 7.36 539.27 − 33.93 − 61.82 6 6.09 634.09 9.63 1 085.75 58.13 71.23 28 5.49 693.81 6.31 639.31 14.94 − 7.86 47 5.92 190.58 15.72 456.31 165.54 139.43 29 6.5 1 473.43 10.10 1 750.91 55.38 18.83 13 9.61 1 680.89 11.03 1 659.67 14.78 − 1.26 38 8.61 1 728.75 6.68 1 198.34 − 22.42 − 30.68 60 5.21 585.68 9.10 1 275.45 74.66 117.77 46 6.23 1 508.47 6.32 1 039.56 1.44 − 31.09 30 13.54 1 301.56 5.09 761.10 − 62.41 − 41.52 40 8.29 1 002.52 4.80 526.41 − 42.10 − 47.49 34 9.00 1 560.54 11.47 1 993.02 27.44 27.71 21 4.54 137.91 6.49 399.21 42.95 189.47 平均增益值
Average gain value/ / / / 24.86 23.82 注：“/”代表此项内容不存在。下同。Notes：“/” represents this content non-existents.The same below. 2.3 截冠处理对樟子松壮龄母树种子产量的增益分析
截冠处理对樟子松壮龄母树种子产量的增益分析见表3。截冠处理后樟子松单株种子质量的增益值在− 65.94% ~ 273.26%之间，其中仅有3个樟子松无性系单株种子质量为负增益（28、38、53），其余15个无性系为正增益。种子出籽率也出现了类似的结果，樟子松种子出籽率的增益值在− 39.33% ~191.38%之间，5个无性系母树种子出籽率为负增益（1、30、38、53、60），其余13个无性系为正增益。单株种子质量的平均增益值是81.38%，出籽率的平均增益值是55.94%，说明截冠处理能提高樟子松壮龄母树种子产量。
表 3 截冠处理对樟子松壮龄母树种子产量增益分析Table 3. Gain analysis on seed yield of aged Pinus sylvestris var. mongolica mother trees after top pruning无性系号
Clone No.对照
CK截冠处理
Top pruning treatment单个无性系截冠后种子产量增益值
Gain value of seed yield of single clone after top pruning/%单株种子质量
Seed mass per tree/g出籽率
Seed-production rate/%单株种子质量
Seed mass per tree/g出籽率
Seed-production rate/%单株种子质量
Seed mass per tree出籽率
Seed-production
rate51 5.11 0.94 10.88 2.04 112.92 117.02 11 3.80 1.01 13.14 1.12 245.79 10.89 5 9.19 0.81 16.85 2.30 83.35 183.95 7 22.36 1.39 22.42 1.77 0.27 27.34 1 13.05 1.00 30.61 0.87 134.56 − 13.00 53 15.21 1.08 5.18 0.96 − 65.94 − 11.11 6 4.86 0.77 16.31 1.5 235.6 94.81 28 11.66 1.68 11.04 1.73 − 5.32 2.98 47 4.77 0.6 7.97 1.09 67.09 81.67 29 20.19 1.37 29.48 1.68 46.01 22.63 13 21.36 1.27 33.17 2.00 55.29 57.48 38 41.35 2.39 17.43 1.45 − 57.85 − 39.33 60 8.34 1.42 14.93 1.17 79.02 − 17.61 46 17.26 1.14 19.63 1.89 13.73 65.79 30 16.08 1.24 19.35 1.23 20.34 − 0.81 40 12.98 1.29 19.96 1.89 53.78 46.51 34 9.05 0.58 33.78 1.69 273.26 191.38 21 7.26 0.51 19.82 1.46 173.00 186.27 平均增益值
Average gain value/%/ / / / 81.38 55.94 2.4 截冠处理对樟子松壮龄母树球果大小的影响
截冠处理对樟子松壮龄母树球果大小的影响见表4。从增益值分析可知，截冠后樟子松壮龄母树球果的平均短径增益值在− 29.36% ~ 42.23%之间，平均增益值为− 0.25%，其中有11个无性系为正增益，7个无性系为负增益。截冠后樟子松壮龄母树球果的平均长径增益值在− 31.59% ~ 43.31%之间，平均增益值为1.37%，其中有7个无性系为正增益，11个无性系为负增益。表5为截冠处理与未截冠处理母树的球果大小指标的配对t检验结果，不难看出，截冠处理与对照母树的球果长径和球果短径均无显著差异（P > 0.05），说明截冠对樟子松壮龄母树球果大小的影响不显著。
表 4 截冠处理对樟子松壮龄母树球果大小的影响Table 4. Effects of top pruning on cone size of aged Pinus sylvestris var. mongolica mother trees无性系号
Clone No.对照
CK截冠处理
Top pruning treatment单个无性系截冠后球果大小增益值
Gain value of cone size of single clone after top pruning/%球果短径
Cone short diameter/mm球果长径
Cone long diameter/mm球果短径
Cone short diameter/mm球果长径
Cone long diameter/mm球果短径
Cone short
diameter球果长径
Cone long
diameter51 19.17 ± 0.30 45.77 ± 1.72 19.81 ± 0.39 42.22 ± 1.43 3.34 -7.75 11 18.51 ± 0.16 40.21 ± 1.20 16.10 ± 0.75 35.78 ± 0.30 − 13.00 − 11.02 5 18.69 ± 0.57 42.66 ± 1.42 19.07 ± 0.45 35.84 ± 2.37 2.05 − 15.99 7 20.37 ± 0.62 45.18 ± 1.21 18.44 ± 0.14 43.86 ± 2.65 − 9.46 − 2.92 1 18.51 ± 0.55 35.45 ± 1.23 20.60 ± 0.07 38.31 ± 1.33 11.29 8.07 53 17.34 ± 0.67 47.49 ± 0.12 18.43 ± 0.50 40.58 ± 0.95 6.29 − 14.54 6 20.60 ± 0.07 38.13 ± 1.33 19.73 ± 0.27 45.19 ± 1.61 − 4.22 18.52 28 21.18 ± 0.47 31.94 ± 2.21 17.61 ± 0.22 35.92 ± 1.59 − 16.86 12.45 47 16.28 ± 0.61 40.08 ± 3.85 23.16 ± 0.41 57.44 ± 1.23 42.23 43.31 29 19.02 ± 0.20 35.32 ± 1.49 20.11 ± 0.98 40.80 ± 1.04 5.73 15.53 13 21.91 ± 0.44 43.40 ± 2.69 22.49 ± 0.73 36.11 ± 2.86 2.65 − 16.8 38 23.91 ± 0.46 40.94 ± 1.51 16.89 ± 0.28 34.57 ± 1.73 − 29.36 − 15.56 60 16.58 ± 0.70 29.48 ± 3.56 19.36 ± 0.30 41.77 ± 2.52 16.74 41.71 46 17.33 ± 0.41 40.45 ± 2.75 17.68 ± 0.51 37.08 ± 1.31 2.02 − 8.34 30 16.58 ± 1.21 51.69 ± 2.73 17.66 ± 0.43 35.36 ± 2.29 6.51 − 31.59 40 20.65 ± 0.17 36.50 ± 1.99 16.14 ± 0.88 35.50 ± 0.86 − 21.83 − 2.74 34 20.68 ± 0.29 42.58 ± 1.81 22.60 ± 0.48 52.22 ± 1.77 9.27 22.64 21 21.94 ± 0.39 33.54 ± 2.12 18.01 ± 0.30 32.80 ± 0.50 − 17.9 − 2.22 平均增益值
Average gain value/ / / / − 0.25 1.37 表 5 截冠处理母树与未截冠母树球果大小指标的配对t检验结果Table 5. Comparing sample t-test results on cone size index of mother trees under top pruning and non-top pruning球果大小指标 Cone size index 均值 Mean 标准差 Standard deviation t值 t value 自由度 df P值 P value 球果短径 Cone short diameter 0.297 8 3.201 0.395 17 0.698 0 球果长径 Cone long diameter − 0.030 0 8.227 0.016 17 0.987 8 2.5 截冠处理对樟子松壮龄母树种子质量的影响
截冠处理对樟子松壮龄母树种子质量的影响见表6，对增益值进行分析可知，樟子松母树无性系截冠后种子千粒质量增益值范围为− 41.8% ~ 68.60%，平均增益值为7.43%，其中仅有6个负增益（5、7、11、28、38、51），其余12个都为正增益；单个无性系截冠后种子优良度增益值为6.25% ~ 45.00%之间，平均增益值为24.96%，且优良度增益全为正增益。截冠处理母树与未截冠母树的种子质量指标的配对t检验结果（见表7），截冠处理母树与对照母树种子千粒质量无显著差异（P > 0.05），截冠处理与对照母树种子优良度有显著差异（P < 0.05），截冠处理对种子千粒质量无明显影响，对种子优良度有明显影响。说明截冠处理可以提高樟子松母树种子质量。
表 6 截冠处理对樟子松壮龄母树种子质量的影响Table 6. Effects of top pruning on seed quality of aged Pinus sylvestris var. mongolica mother trees无性系号
Clone No.对照
CK截冠处理
Top pruning treatment单个无性系截冠后种子质量增益值
Gain value of seed quality of single clone after top pruning/%种子千粒质量
Thousand seed mass/g优良度
Seed soundness /%种子千粒质量
Thousand seed mass/g优良度
Seed soundness/%种子千粒质量
Thousand seed
mass优良度
Seed soundness51 10.48 ± 0.02 45 ± 1.28 8.72 ± 0.02 54 ± 1.56 − 16.79 20.00 11 9.45 ± 0.07 48 ± 1.35 7.95 ± 0.04 55 ± 1.78 − 15.87 14.58 5 7.89 ± 0.04 55 ± 1.02 7.04 ± 0.04 62 ± 1.87 − 10.77 12.73 7 8.36 ± 0.06 54 ± 1.32 6.11 ± 0.07 67 ± 1.71 − 26.91 24.07 1 9.10 ± 0.08 44 ± 1.09 13.2 ± 0.03 57 ± 2.43 45.05 29.55 53 7.04 ± 0.08 49 ± 1.43 9.57 ± 0.01 62 ± 2.10 35.94 26.53 6 7.42 ± 0.06 55 ± 1.52 8.50 ± 0.04 61 ± 1.37 14.56 10.91 28 7.56 ± 0.13 47 ± 1.76 4.40 ± 0.04 57 ± 1.56 − 41.80 21.28 47 7.62 ± 0.05 38 ± 1.24 9.86 ± 0.01 53 ± 1.62 29.40 39.47 29 5.86 ± 0.06 40 ± 1.31 9.88 ± 0.02 58 ± 2.02 68.60 45.00 13 8.83 ± 0.03 51 ± 1.27 11.13 ± 0.03 61 ± 1.74 26.05 19.61 38 9.73 ± 0.03 48 ± 1.42 7.39 ± 0.06 51 ± 2.48 − 24.05 6.25 60 7.18 ± 0.08 38 ± 1.24 7.90 ± 0.03 50 ± 1.91 10.03 31.58 46 8.85 ± 0.11 41 ± 1.44 8.96 ± 0.02 53 ± 2.13 1.24 29.27 30 7.96 ± 0.03 39 ± 1.09 8.03 ± 0.02 53 ± 1.53 0.88 35.90 40 7.75 ± 0.03 53 ± 1.53 8.86 ± 0.01 59 ± 1.41 14.32 11.32 34 6.41 ± 0.06 47 ± 1.43 7.69 ± 0.04 66 ± 2.66 19.97 40.43 21 7.84 ± 0.03 52 ± 1.47 8.15 ± 0.03 68 ± 1.73 3.95 30.77 平均增益值
Average gain value/ / / / 7.43 24.96 表 7 截冠处理与未截冠母树种子质量指标的配对t检验结果Table 7. Comparing sample t-test results on seed quality index of mother trees under top pruning and non-top pruning种子质量指标 Seed quality index 均值 Mean 标准差 Standard deviation t值 t value 自由度 df P值 P value 种子千粒质量 Thousand seed mass − 0.445 2.133 0.885 17 0.388 5 种子优良度 Seed soundness − 11.278 4.390 10.900 17 0.000 1 3. 讨 论
樟子松无性系种子园母树的矮化技术，既能降低樟子松母树结实高度便于球果采集，又能促进樟子松结实和提高种子的产量和质量，近年来成为种子园母树科学经营管理的研究热点[10,28-29]。本研究对樟子松种子园18个无性系壮龄母树进行截冠处理，发现截冠处理母树和未截冠处理母树的单果质量和单株球果质量的统计学未达到显著水平，但二者的增益值分别达24.84%和23.82%，说明截冠在一定程度上能提高樟子松壮龄母树球果产量；这和辐射松[14]、油松[19]、大龄杉木[25]的研究结果一致。本研究发现，樟子松壮龄母树截冠处理后单株种子质量和种子出籽率明显提高，平均增益值分别达81.38%、55.94%，配对t检验显示差异显著，说明截冠处理对种子产量有明显促进作用。这和幼龄樟子松[10]、红松[18]、油松[19]、大龄杉木[25]、马尾松[30]的研究结果一致。一般来说，截冠处理消除了顶端优势，营养物质向母树中下部运输，同时冠幅增加，通风透光条件得到改善，树势增强，从而提高了母树的产量。
目前关于樟子松矮化处理和种子结实方面的研究报道不多。王福森等[10]研究发现截冠处理后樟子松母树的单果质量增加了46.7%，单株结实量增加了95.5%，种子产量增加了1.07倍。本研究发现截冠处理后樟子松母树的单果质量、单株结实量和种子的产量增加值均低于王福森等[10]的研究结果。原因可能是前者的试验研究区位于黑龙江省龙江县错海林场，降水量相对较高、蒸发量相对低；而本研究的试验区域位于毛乌素沙地，降雨量少、蒸发量大[31]，生长环境较前者相对恶劣；另一个原因可能是，前者在幼龄期对樟子松母树进行截冠处理，而本研究是壮龄期对樟子松母树进行截冠处理，幼龄樟子松的恢复能力比壮龄樟子松的恢复能力强。这和王玉光等[18]的研究结果一致，即红松母树在幼龄截干矮化后结实量比在壮龄期截干矮化结实量大。本研究发现截冠处理后12个无性系母树种子千粒质量增加，全部无性系母树种子优良度提高，说明截冠处理能明显提高樟子松母树的种子优良度和种子质量。这和王福森等[10]对幼龄樟子松母树的研究结果一致。
截冠处理对松科和杉科（Taxodiaceae）树种球果大小的影响的研究报道较少。谭小梅等[24]研究发现马尾松经截冠处理后球果的长径和短径分别增加了8.02%和7.44%。黄开勇等[25]研究发现，截冠处理对杉木球果大小有一定影响，对球果长径和球果短径在同一无性系之间影响一致。本研究发现，截冠处理对樟子松母树球果大小也有一定的影响，但对球果长径和球果短径在同一无性系之间影响不一致。分析原因可能是不同树种的生物学特性导致的差异，或者是截冠处理影响了球果长径和短径的变化，具体原因需进一步研究。
樟子松壮龄母树截干后单果质量、单株球果质量、单株种子质量、出籽率和种子千粒质量5个指标，在不同无性系之间差异较大，不同指标间规律性不强，原因可能是樟子松不同无性系截冠处理后表现不同，也可能是截冠处理选择样本的重复数过少造成的，具体原因尚需进一步探索。本研究还发现7个无性系（1、6、21、28、34、47、60）母树的单果质量和单株球果质量增益值均为正值，8个无性系（5、7、11、28、30、40、51、53）母树的单果质量和单株球果质量增益值均为负值。在今后的研究中，根据本试验的研究结果分别对截冠处理后单果质量和单株球果质量增益值为正值和负值的母树进行挑选，重新配置样地，然后进行截冠处理，同时增加无性系母树的重复株数，以此得到更为科学客观的结果。
值得一提的是，对于樟子松种子园壮龄母树来说，经过多次截冠处理来降低母树高度，不一定符合生产实际，主要原因是多次截干处理会造成樟子松树势衰弱，病虫害频发等问题[6,10]，此外也增加了成本。在实际的樟子松种子园经营管理中，最好的方法是对壮龄母树一次截冠使其降低到合理高度，且截冠处理以后要对樟子松母树进行科学和精心的管护。因此，樟子松母树截冠处理后，对其进行4个方向的拉枝垂吊处理，改变枝条的生长方向，缓和枝条长势，建立良好的冠形结构。这样处理会增加樟子松母树的空间利用率，改善母树的光照条件，增加樟子松对病虫害的抵抗能力，也可以促进花芽分化，增加有效结实部位，同时促进营养物质在树体合理分配，提高结实的产量和种子质量。
4. 结 论
对种子园18个无性系樟子松壮龄母树进行截冠处理，对比分析截冠处理和未截冠处理对樟子松壮龄母树球果产量、种子产量、球果大小及种子质量的影响，主要结论如下：
（1）截冠处理对母树单果质量和单株球果质量2个指标影响不显著，其平均增益值分别达24.84%和23.82%；说明截冠处理在一定程度上能提高樟子松壮龄母树球果产量。截冠处理对母树单株种子质量和种子出籽率有明显影响，说明截冠处理能明显提高樟子松壮龄母树种子产量。截冠处理对球果长和短径均无明显影响，截冠处理对樟子松壮龄母树球果大小影响不显著。
（2）截冠处理后大部分无性系母树种子千粒质量为正增益，全部无性系母树种子优良度为正增益。说明截冠处理可以提高樟子松壮龄母树种子质量。总之，本研究证明截冠可以提高樟子松壮龄母树产量和种子质量。
-
![]()
图 1 研究区及连清高山松固定样地分布图
Figure 1. Research area and distribution of Pinus densata of permanent sample plots from national forestry inventory
![]()
图 2 多元回归分析拟合精度对比
Figure 2. Accuracy comparison of modeling with multiple regression analysis
表 1 固定样地调查次数统计
Table 1 Statistics of investigation time of permanent sample plots
样地编号 Sample plot No. 162 172 183 200 212 214 255 293 298 342 371 192 306 345 调查次数 Investigation time 7 7 7 7 7 7 7 7 7 7 7 6 6 6 样地编号 Sample plot No. 346 231 285 165 180 300 325 365 236 199 211 232 245 调查次数 Investigation time 6 5 5 4 4 4 4 3 2 1 1 1 1 
下载: 导出CSV
表 2 获取的研究区Landsat Level-1 影像
Table 2 Collected images of Landsat Level-1 in the research area
调查年份
Investigation yearID 日期
Date云量
Cloud cover/%2017 LC08_L1TP_132040_20171216_20171224_01_T1 2017−12−16 0.78 LC08_L1TP_132041_20171216_20171224_01_T1 2017−12−16 0.45 LC08_L1TP_131041_20171225_20180103_01_T1 2017−12−25 0.30 2012 LT51320412011286BKT00 2011−10−13 19.52 LT51320402011014BKT00 2011−01−14 18.15 LT51310412011007BKT00 2011−01−07 0.22 2007 LT51310412007060BJC00 2007−03−01 1.00 LT51320402007003BJC01 2007−01−03 23.00 LT51320412006288BJC00 2006−10−15 15.00 2002 LT51310412002302BJC00 2002−10−29 0.13 LT51320402002005BJC00 2002−01−05 0.15 LT51320412002005BJC00 2002−01−05 2.80 1997 LT51310411997320BKT01 1997−11−16 7.00 LT51320401997279BKT00 1997−10−06 16.00 LT51320411997311BKT00 1997−11−07 4.00 1992 LT51310411991320BKT00 1991−11−16 8.05 LT51320401991311BKT00 1991−11−07 2.44 LT51320411991311BKT00 1991−11−07 5.24 1987 LT51320411987364BKT00 1987−12−30 10.60 LT51320401987364BKT00 1987−12−30 23.89
下载: 导出CSV
表 3 遥感光谱变量
Table 3 Remote sensing spectral variables
类型 Type 变量及方法 Variable and method 原始单波段
Original single bandC，B1，B2，B3，B4，B5，B7 简单比值植被指数
Vegetation index of simple band ratio[33−35]B43 = B4/B3，B42 = B4/B2，B54 = B5/B4，B3Albedo = B3/(B1 + B2 + B3 + B4 + B5 + B7)，B437 = B4 × B3/B7 植被指数
Vegetation index[36−37]NDVI = (B4 − B3)/(B4 + B3)，ND32 = (B3 − B2)/(B2 + B3)，ND54 = (B5 − B4)/(B5 + B4)，ND53 = (B5 − B3)/(B5 + B3)，ND57 = (B5 − B7)/(B5 + B7)，ND452 = (B4 + B5 − B2)/(B5 + B4 + B2)，DVI = B4 − B3 图像增强
Image enhancement[4, 38]主成分变换 Principal component transformation：VIS123 = B1 + B2 + B3，Albedo = B1 + B2 + B3 + B4 + B5 + B7，MID57 = B5 + B7 纹理信息
Texture information[39]均值、方差、均一性、反差、相异、熵、角二阶矩、相关性、偏斜。窗口有5 × 5和9 × 9，用R5和R9表示 Mean（ME）, variance（VA）, homogeneity（HO）, contrast（CO）, dissimilarity（DI）, entropy（EN）, second moment（SM）, correlation（CC）, skewness（SK）. The window sizes are 5 × 5 and 9 × 9, represented by R5 and R9, respectively 丰度信息
Fraction information进行主成分分析，采用像元纯净指数法提取纯净端元，通过N-D可视化选取高山松、裸地、阴影端元样本，通过线性波谱分离法得到高山松丰度图 Principal component analysis is carried out, and the pure endmembers are extracted by the pixel pure index method. The endmember samples of Pinus densata, bare land and shades are selected by N-D visualization, and the fraction map of Pinus densata is obtained by linear spectral decomposition 叶面积指数
Leaf area index[40]LAI=(3.618×EVI−0.118) 注：C.海岸波段；B1、B2、B3、B4、B5和B7分别表示波段1、波段2、波段3、波段4、波段5和波段7；EVI表示植被增强指数。下同。Notes: C, coastal; B1, B2, B3, B4, B5 and B7 represent band 1, band 2, band 3, band 4, band 5 and band 7, respectively; EVI means enhanced vegetation index. The same below.
下载: 导出CSV
表 4 高山松分布海拔、坡度分级
Table 4 Elevation and slope grades of Pinus densata distribution
海拔
Elevation/m海拔等级
Elevation
grade坡度
Slope
degree/（°）坡度等级
Slope degree
grade1 500 ~ 3 000 1 0 ~ 8 1 3 000 ~ 3 200 2 8 ~ 15 2 3 200 ~ 3 400 3 15 ~ 25 3 3 400 ~ 3 600 4 25 ~ 35 4 3 600 ~ 3 800 5 35 ~ 90 5 3 800 ~ 4 000 6 4 000 ~ 5 520 7
下载: 导出CSV
表 5 1987—2012年连清样地训练集线性混合模型精度对比
Table 5 Accuracy comparison using permanent sample plots of training datasets for national forestry inventory from 1987 to 2012 with linear mixed model
序号
No.模型形式
Model form固定效应
Fixed effect随机效应
Random effect拟合精度R2
Fitting accuracy R21 lnAGB = R5B4CC + ND32 + ND54 样地号 Sample plot No. 海拔等级 Elevation grade 0.69 2 lnAGB = R5B4CC + ND32 + ND54 样地号 Sample plot No. 坡度等级 Slope degree grade 0.75 3 lnAGB = R5B4CC + ND32 + ND54 海拔等级 Elevation grade 坡度等级 Slope degree grade 0.47 4 lnAGB = R5B4CC + ND32 + ND54 坡度等级 Slope degree grade 海拔等级 Elevation grade 0.46 注：AGB. 地上生物量。R5B4CC 、ND32 、 ND54为遥感光谱变量 。下同。Notes: AGB, aboveground biomass. R5B4CC , ND32 , ND54 are remote sensing spectral variables. The same below.
下载: 导出CSV
表 6 多元回归分析的拟合方式
Table 6 Modeling way of multiple regression analysis
序号 No. 方式 Mode 遥感光谱变量 Remote sensing spectral variable 1 78组训练数据集
78 groups of training datasetsR5B4CC，ND32，ND54 2 78组训练数据集增加234组变化量
Increase 234 change datasets in 78 groups of training datasetsR5B4CC，ND32，ND54 3 78组训练数据和变化量为5 − 100 t/hm2共232组
78 groups of training data and changes of 5 ~ 100 t/ha, totally 232 groupsND452，R9B4SK，R9B1VA，B54，R5B1SM，NDVI，R9B1ME，R5B7HO，R9B4DI，R5B4SK 4 生物量变化量为1 ~ 200 t/hm2共178组数据
Variation of 1−200 t/ha, totally 178 groupsR9B7SK，R5B7SK，R9B5HO，R9B4DI，B3ALBEDO，R5B3SK，R5B7SM，LAI，R5B7CO, R5B5HO, R5B1ME, DVI, R5B4ME, R9B7CO, R5B1CR, B54, R9B7VA 5 生物量变化量为5 ~ 100 t/hm2共153组数据
A total of 153 groups with a variation of 5−100 t/haR9B4SK，R9B1SM，B57，R5B2HO，R5B2SM，R5B7HO，B7，PCA_5 6 每5年生物量变化量为正值的69组数据中相关性强的前3个因子
The first three correlated factors in 69 groups with positive change every
five years[23]R5B2EN，R5B1EN，R5B7SK 7 相关性强的前10个遥感因子共234组数据
234 groups of the top10 remote sensing factors with strong correlationDVI，R5B7EN，R9B7SK，B3ALBEDO，R9B1EN，R5B2EN，R5B1EN，R5B7SK，R9B4SK，R9B3EN 8 上一步数据进行逐步回归
Stepwise regression with the data of last stepR5B7SK，R9B7SK，DVI，B3ALBEDO，R5B2EN，R5B7EN 9 相关性强前10遥感因子，去除AGB负、小于1、异常值共178组
Removal of negative, less than 1, abnormal AGB values of the top 10
remote sensing factors with strong correlation, totally 178 groupsDVI，R5B1EN，R9B7SK，B3ALBEDO，R9B1EN，R5B2EN，R5B7SK，R5B7EN，R9B4SK，R9B3EN
下载: 导出CSV
表 7 线性混合模型拟合精度对比
Table 7 Modeling accuracy comparison with LMM
序号
No.固定效应
Fixed effect随机效应
Random effect拟合精度R2
Fitting accuracy R21 样地号 Sample plot No. 坡度等级 Slope degree grade 0.70 2 样地号 Sample plot No. 海拔等级 Elevation grade 0.67 3 样地号 Sample plot No. 坡向等级 Slope aspect grade 0.64
下载: 导出CSV
-
[1] 唐守正, 张会儒, 胥辉. 相容性生物量模型的建立及其估计方法研究[J]. 林业科学, 2000, 36(增刊 l): 19−27. Tang S Z, Zhang H R, Xu H. Study on establish and estimate method of compatible biomass model[J]. Scientia Silvae Sinicae, 2000, 36(Suppl. 1): 19−27.
[2] 孟宪宇. 测树学[M]. 3版. 北京: 中国林业出版社, 2006: 295−300. Meng X Y. Forest mensuration[M]. 3rd ed. Beijing: China Forestry Publishing House, 2006: 295−300.
[3] Lu D. Aboveground biomass estimation using Landsat TM data in the Brazilian Amazon[J]. International Journal of Remote Sensing, 2005, 26(12): 2509−2525. doi: 10.1080/01431160500142145
[4] Powell S L, Cohen W B, Healey S P, et al. Quantification of live aboveground forest biomass dynamics with Landsat time-series and field inventory data: a comparison of empirical modeling approaches[J]. Remote Sensing of Environment, 2010, 114(5): 1053−1068. doi: 10.1016/j.rse.2009.12.018
[5] Townsend P A, Singh A, Foster J R, et al. A general Landsat model to predict canopy defoliation in broadleaf deciduous forests[J]. Remote Sensing of Environment, 2012, 119(8): 255−265.
[6] Carmona F, Rivas R, Caselles V. Development of a general model to estimate the instantaneous, daily, and daytime net radiation with satellite data on clear-sky days[J]. Remote Sensing of Environment, 2015, 171: 1−13. doi: 10.1016/j.rse.2015.10.003
[7] Roy D, Zhang H, Ju J, et al. A general method to normalize Landsat reflectance data to nadir BRDF adjusted reflectance[J]. Remote Sensing of Environment, 2016, 176: 255−271. doi: 10.1016/j.rse.2016.01.023
[8] West G B, Brown J H, Enquist B J. A general model for the origin of allometric scaling laws in biology[J]. Science, 1997, 276: 122−126. doi: 10.1126/science.276.5309.122
[9] West G B, Brown J H, Enquist B J. A general model for the structure and allometry of plant vascular systems[J]. Nature, 1999, 400: 664−667. doi: 10.1038/23251
[10] 曾伟生, 唐守正. 一个新的通用性相对生长生物量模型[J]. 林业科学, 2012, 48(1):48−52. doi: 10.11707/j.1001-7488.20120109 Zeng W S, Tang S Z. A new general biomass allometric model[J]. Scientia Silvae Sinicae, 2012, 48(1): 48−52. doi: 10.11707/j.1001-7488.20120109
[11] 符利勇, 唐守正, 张会儒, 等. 东北地区两个主要树种地上生物量通用方程构建[J]. 生态学报, 2015, 35(1):150−157. Fu L Y, Tang S Z, Zhang H R, et al. Generalized above-ground biomass equations for two main species in northeast China[J]. Acta Ecologica Sinica, 2015, 35(1): 150−157.
[12] 汤旭光, 刘殿伟, 王宗明, 等. 森林地上生物量遥感估算研究进展[J]. 生态学杂志, 2012, 5(5):1311−1318. Tang X G, Liu D W, Wang Z M, et al. Estimation of forest aboveground biomass based on remote sensing data: a review[J]. Chinese Journal of Ecology, 2012, 5(5): 1311−1318.
[13] 刘茜, 杨乐, 柳钦火, 等. 森林地上生物量遥感反演方法综述[J]. 遥感学报, 2015, 19(1):62−74. doi: 10.11834/jrs.20154108 Liu Q, Yang L, Liu Q H, et al. Review of forest above ground biomass inversion methods based on remote sensing technology[J]. Journal of Remote Sensing, 2015, 19(1): 62−74. doi: 10.11834/jrs.20154108
[14] Cohen R, Kaino J, Okello J, et al. Propagating uncertainty to estimates of above-ground biomass for Kenyan mangroves: a scaling procedure from tree to landscape level[J]. Forest Ecology and Management, 2013, 310(1): 968−982.
[15] Main-Knorn M, Cohen W B, Kennedy R E, et al. Monitoring coniferous forest biomass change using a Landsat trajectory-based approach[J]. Remote Sensing of Environment, 2013, 139(4): 277−290.
[16] Woodcock C E, Richard A, Martha A, et al. Free access to Landsat imagery[J]. Science , 2008, 320: 1011.
[17] Fassnacht F, Hartig F, Latifi H, et al. Importance of sample size, data type and prediction method for remote sensing-based estimations of aboveground forest biomass[J]. Remote Sensing of Environment, 2014, 154: 102−114. doi: 10.1016/j.rse.2014.07.028
[18] Avitabile V, Baccini A, Friedl M A, et al. Capabilities and limitations of Landsat and land cover data for aboveground woody biomass estimation of Uganda[J]. Remote Sensing of Environment, 2012, 117(1): 366−380.
[19] Chi H, Sun G, Huang J, et al. Estimation of forest aboveground biomass in Changbai Mountain region using ICESat/GLAS and Landsat/TM data[J]. Remote Sensing, 2017, 9(7): 707−732. doi: 10.3390/rs9070707
[20] 宋丽楠. 帽儿山林场森林生物量估测及时空动态格局分析[D]. 哈尔滨: 东北林业大学, 2010. Song L N. Estimation of forest biomass and its temporal and spatial distribution patterns analysis in Maoershan Forest Farm[D]. Harbin: Northeast Forestry University, 2010.
[21] 李凤凤. 泗阳县杨树生物量遥感估算及其动态变化分析[D]. 南京: 南京林业大学, 2011. Li F F. Remote sensing estimation of Siyang County polar biomass and dynamic analysis[D]. Nanjing: Nanjing Forestry University, 2011.
[22] Pflugmacher D, Cohen W B, Kennedy R E, et al. Using Landsat-derived disturbance and recovery history and Lidar to map forest biomass dynamics[J]. Remote Sensing of Environment, 2014, 151(8): 124−137.
[23] Gómez C, White J C, Wulder M A, et al. Historical forest biomass dynamics modelled with Landsat spectral trajectories[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 93: 14−28. doi: 10.1016/j.isprsjprs.2014.03.008
[24] Brandt J S, Kuemmerle T, Li H M, et al. Using Landsat imagery to map forest change in southwest China in response to the national logging ban and ecotourism development[J]. Remote Sensing of Environment, 2012, 121: 358−369. doi: 10.1016/j.rse.2012.02.010
[25] 胥辉, 岳彩荣.基于遥感技术的香格里拉县森林景观变化与森林生物量估测研究[M]. 昆明: 云南科技出版社, 2014: 1−10. Xu H, Yue C R. Study on forest landscape change and forest biomass estimation in Shangri-La based on remote sensing technology[M]. Kunming: Yunnan Science and Technology Press, 2014: 1−10.
[26] 张加龙, 胥辉, 岳彩荣, 等. 基于CA-Markov的香格里拉县森林景观格局变化及预测[J]. 东北林业大学学报, 2013, 41(6):46−49, 65. doi: 10.3969/j.issn.1000-5382.2013.06.012 Zhang J L, Xu H, Yue C R. Change and prediction of forest landscape pattern in Shangri-La County based on CA-Markov[J]. Journal of Northwest Forestry University, 2013, 41(6): 46−49, 65. doi: 10.3969/j.issn.1000-5382.2013.06.012
[27] Chander G, Markham B L, Helder D L. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 all sensors[J]. Remote Sensing of Environment, 2009, 113(5): 893−903. doi: 10.1016/j.rse.2009.01.007
[28] Yan E, Lin H, Wang G, et al. Multi-resolution mapping and accuracy assessment of forest carbon density by combining image and plot data from a nested and clustering sampling design[J]. Remote Sensing, 2016, 8(7): 571−592. doi: 10.3390/rs8070571
[29] Berk A, Bernstein L, Anderson G, et al. Modtran cloud and multiple scattering upgrades with application to aviris[J]. Remote Sensing of Environment, 1998, 65(3): 367−375. doi: 10.1016/S0034-4257(98)00045-5
[30] Adlergolden S M, Berk A, Richtsmeier S C, et al. Status of atmospheric correction using a MODTRAN4-based algorithm[J]. Proceedings of SPIE-the International Society for Optical Engineering, 2000, 4049: 11−21.
[31] Nichol J, Hang L K, Sing W M. Empirical correction of low sun angle images in steeply sloping terrain: a slope-matching technique[J]. International Journal of Remote Sensing, 2006, 27(3): 629−635. doi: 10.1080/02781070500293414
[32] Zhang J L, Lu C, Xu H, et al. Estimating aboveground biomass of Pinus densata-dominated forests using Landsat time series and permanent sample plot data[J]. Journal of Forestry Research, 2019, 30(5): 1689−1706. doi: 10.1007/s11676-018-0713-7
[33] Foody G M, Boyd D S, Cutler M E. Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions[J]. Remote Sensing of Environment, 2003, 85(4): 463−474. doi: 10.1016/S0034-4257(03)00039-7
[34] Huete A, Justice C, Liu H. Development of vegetation and soil indices for Modis-eos[J]. Remote Sensing of Environment, 1994, 49(3): 224−234. doi: 10.1016/0034-4257(94)90018-3
[35] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127−150. doi: 10.1016/0034-4257(79)90013-0
[36] Clark M L, Roberts D A, Ewel J J, et al. Estimation of tropical rain forest aboveground biomass with small-footprint lidar and hyperspectral sensors[J]. Remote Sensing of Environment, 2011, 115(11): 2931−2942. doi: 10.1016/j.rse.2010.08.029
[37] Güneralp İ, Filippi A M, Randall J. Estimation of floodplain aboveground biomass using multispectral remote sensing and nonparametric modeling[J]. International Journal of Applied Earth Observations and Geoinformation, 2014, 33: 119−126. doi: 10.1016/j.jag.2014.05.004
[38] Powell S L, Cohen W B, Yang Z, et al. Quantification of impervious surface in the snohomish water resources inventory area of western washington from 1972–2006[J]. Remote Sensing of Environment, 2008, 112(4): 1895−1908.
[39] Haralick R M, Shanmugam K, Dinstein I. Textural features for image classification[J]. Studies in Media and Communication, 1973, 3(6): 610−621.
[40] Boegh E, Soegaard H, Broge N, et al. Airborne multispectral data for quantifying leaf area index, nitrogen concentration, and photosynthetic efficiency in agriculture[J]. Remote Sensing of Environment, 2002, 81(2): 179−193.
[41] 孙雪莲. 基于Landsat8-OLI的香格里拉高山松林生物量遥感估测模型研究[D]. 昆明: 西南林业大学, 2016. Sun X L. Biomass estimation model of Pinus densata forests in Shangri-La City based on Landsat8-OLI by remote sensing[D]. Kunming: Southwest Forestry University, 2016.
[42] Cnaan A, Laird N M, Slasor P. Using the general linear mixed model to analyse unbalanced repeated measures and longitudinal data[J]. Statistics in Medicine, 1997, 16(20): 2349−2380.
[43] Bolker B M, Brooks M E, Clark C J, et al. Generalized linear mixed models: a practical guide for ecology and evolution[J]. Trends in Ecology & Evolution, 2009, 24(3): 127−135.
[44] 曾伟生, 唐守正, 夏忠胜, 等. 利用线性混合模型和哑变量模型方法建立贵州省通用性生物量方程[J]. 林业科学研究, 2011, 24(3):285−291. Zeng W S, Tang S Z, Xia Z S, et al. Using linear mixed model and dummy variable model approaches to construct generalized single: tree biomass equations in Guizhou[J]. Forest Research, 2011, 24(3): 285−291.
[45] 张加龙, 胥辉, 陆驰. 应用Landsat8 OLI和GBRT对高山松地上生物量的估测[J]. 东北林业大学学报, 2018, 46(8):25−30. doi: 10.3969/j.issn.1000-5382.2018.08.005 Zhang J L, Xu H, Lu C. Estimation of the above ground biomass of Pinus densata based on Landsat 8 OLI and gradient boost regression tree[J]. Journal of Northwest Forestry University, 2018, 46(8): 25−30. doi: 10.3969/j.issn.1000-5382.2018.08.005
[46] 黄二辉, 潘德炉, 李淑菁, 等. 水下剖面光谱原始数据异常值的判断方法[J]. 海洋学研究, 2006, 24(1):91−96. doi: 10.3969/j.issn.1001-909X.2006.01.011 Huang E H, Pan D L, Li S J, et al. Comparing methods for identifying the outliers in the in-water profile spectral data[J]. Journal of Marine Sciences, 2006, 24(1): 91−96. doi: 10.3969/j.issn.1001-909X.2006.01.011
[47] Lu D S, Chen Q, Wang G X, et al. Aboveground forest biomass estimation with landsat and LiDAR data and uncertainty analysis of the estimates [J/OL]. International Journal of Forestry Research, 2012, 16[2019−11−13]. https://www.hindawi.com/journals/ijfr/2012/436537/.
[48] Lu D, Chen Q, Wang G X, et al. A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems[J]. International Journal of Digital Earth, 2014, 9(1): 63−105.
[49] 傅煜.区域尺度森林地上生物量的不确定性度量研究[D]. 北京: 中国林业科学研究院, 2015. Fu Y. Uncertainty assessment for regional-level forest above-ground biomass estimates[D]. Beijing: Chinese Academy of Forestry, 2015.
[50] Antonova S, Thiel C, Höfle B, et al. Estimating tree height from TanDEM-X data at the northwestern Canadian treeline[J/OL]. Remote Sensing of Environment, 2019, 231:111251 [2019−12−15]. https://doi. org/10.1016/j. rse. 2019. 111251.
[51] 张巍巍, 冯仲科, 汪笑安, 等. 基于TM影像的林木参数提取和树高估测[J]. 中南林业科技大学学报, 2013, 33(9):27−31. doi: 10.3969/j.issn.1673-923X.2013.09.007 Zhang W W, Feng Z K, Wang X A, et al. Trees parameter extraction and tree height estimation based on TM images[J]. Journal of Central South University of Forestry & Technology, 2013, 33(9): 27−31. doi: 10.3969/j.issn.1673-923X.2013.09.007
[52] 吴迪, 范文义. 激光雷达协同多角度光学遥感数据反演树高[J]. 北京林业大学学报, 2014, 36(4):8−15. Wu D, Fan W Y. Forest canopy height estimation using LiDAR and optical multi-angler data[J]. Journal of Beijing Forestry University, 2014, 36(4): 8−15.
-
期刊类型引用(6)
1. 林秀云，孙圆，刘晨曦，姚睿涵，周春国，曹林，曹福亮. 依据地面激光扫描数据的杉木材积建模与造材. 东北林业大学学报. 2022(01): 33-39 . 
百度学术
2. 李沛婷，赵庆展，田文忠，马永建. 结合无人机载LiDAR点云法向量的K-means++聚类精简. 国土资源遥感. 2020(02): 103-110 . 百度学术
3. 程子阳，任国全，张银. 扫描线段特征用于三维点云地面分割. 光电工程. 2019(07): 111-120 . 百度学术
4. 蔡越，徐文兵，梁丹，邓愫愫，李翀. 基于激光回波强度判别毛竹年龄. 中国激光. 2018(01): 272-280 . 百度学术
5. 曾碧，黄文. 一种融合多特征聚类集成的室内点云分割方法. 计算机工程. 2018(03): 281-286 . 百度学术
6. 田青华，白瑞林，李杜. 基于改进欧氏聚类的散乱工件点云分割. 激光与光电子学进展. 2017(12): 316-324 . 百度学术
其他类型引用(7)
计量
- 文章访问数: 1754
- HTML全文浏览量: 638
- PDF下载量: 100
- 被引次数: 13
