高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于Landsat TM数据的大兴安岭盘古林场森林健康评价

董灵波 高小龙 朱宇 刘兆刚

董灵波, 高小龙, 朱宇, 刘兆刚. 基于Landsat TM数据的大兴安岭盘古林场森林健康评价[J]. 北京林业大学学报. doi: 10.12171/j.1000-1522.20200067
引用本文: 董灵波, 高小龙, 朱宇, 刘兆刚. 基于Landsat TM数据的大兴安岭盘古林场森林健康评价[J]. 北京林业大学学报. doi: 10.12171/j.1000-1522.20200067
Lingbo Dong, Gao Xiaolong, Yu Zhu, Zhaogang Liu. Forest health assessment of Pangu forest farm based on Landsat TM in Great Xing’an Mountains, Northeast China[J]. Journal of Beijing Forestry University. doi: 10.12171/j.1000-1522.20200067
Citation: Lingbo Dong, Gao Xiaolong, Yu Zhu, Zhaogang Liu. Forest health assessment of Pangu forest farm based on Landsat TM in Great Xing’an Mountains, Northeast China[J]. Journal of Beijing Forestry University. doi: 10.12171/j.1000-1522.20200067

基于Landsat TM数据的大兴安岭盘古林场森林健康评价

doi: 10.12171/j.1000-1522.20200067
基金项目: 国家重点研发计划课题(2017YFC0504103)、国家自然科学基金(31700562)
详细信息
    作者简介:

    董灵波,博士,副教授。主要研究方向:森林可持续经营。Email:farrell0503@126.com 地址:哈尔滨和兴路26号东北林业大学林学院

    通讯作者:

    刘兆刚,博士,教授。主要研究方向:森林经理。Email:lzg1970602@163.com 地址:同上

  • 中图分类号: S771.8

Forest health assessment of Pangu forest farm based on Landsat TM in Great Xing’an Mountains, Northeast China

  • 摘要:   目的  健康评价是实施森林资源健康经营的前提和基础,但现有研究多从单一尺度开展,未充分考虑森林生态系统的层级结构。为此,该文以林木冠层特征为基础,结合Landsat TM数据和统计学方法实现森林健康评价的多尺度转换,为我国森林健康经营提供理论依据和技术支撑。  方法  以大兴安岭盘古林场50块固定样地单木健康调查数据为基础,采用熵值−AHP综合指数法构造单木健康评价模型,并汇总得到样地尺度健康得分的平均值Hm、标准差Hstd、变异系数Hcv、偏度Hpd和峰度Hfd 共5项统计指标,结合Landsat TM和地形数据并采用非线性度量误差联立方程组模型构造区域尺度森林健康评价综合反演模型,实现了森林健康从单木−林分−区域的多尺度综合评估。  结果  样地调查结果表明:盘古林场单木健康得分均值为0.663 8 ± 0.091 2,整体处于亚健康水平,其中亚健康树木所占比例最高(79.43%);区域内不同树种健康等级间差异显著,主要表现为云杉 > 白桦 > 兴安落叶松 > 山杨 > 樟子松;林分尺度健康得分的HmHstdHcvHpdHfd值分别为0.663 3、0.084 1、12.84、−0.607 6和0.846 0,表明该地区约78.43%的林分中单木健康得分呈明显左偏尖削状正态分布;遥感反演结果表明:区域内森林健康得分Hm均值约为0.619 4 ± 0.054 3,其主要受地形(DEM)、植被指数(RVI、DVI、EVI和Green)和原始波段(B1、B3)等多种因素的综合影响,所建模型的预估精度可达到75%以上,能够满足森林健康评价的需求;林场范围内林木健康得分整体呈现南低北高的格局,且Hm较高区域主要集中在居民点、道路沿线等交通便利地区。  结论  盘古林场森林整体以亚健康为主,亟待开展科学的健康经营;同时,该文提出的以林木冠层特征为基础并充分结合遥感数据和统计学方法,能够有效实现森林健康的多尺度评价。
  • 图  1  固定样地空间分布图

    Figure  1.  Spatial distribution of the plots

    图  2  盘古林场样地尺度健康评价结果

    Figure  2.  Health evaluation results of sample plots in Pangu Forest Farm, northeast China

    图  3  林分健康得分统计特征与地形、遥感因子间的关系

    Figure  3.  Relations between statistics of stand-level health evaluations and factors of terrain and remote sensing

    图  4  盘古林场林分尺度健康评价实测值与估计值拟合关系

    Figure  4.  Relations between the measured and predicted values of forest health evaluation in Pangu Forest Farm, northeast China

    图  5  盘古林场森林健康空间分布

    Figure  5.  Spatial distributions of forest health evaluation in Pangu Forest Farm, northeast China

    表  1  样地调查因子统计特征

    Table  1.   Statistical characteristics of sample plots in Pangu Forest Farm

    样地
    Plot
    面积/hm2
    Area/ha
    年龄/a
    Age/year
    树种组成
    Species
    郁闭度
    Canopy density
    平均胸径
    Mean DBH/cm
    平均树高
    Mean HT/m
    株数密度/(trees·hm−2
    Density/(trees·ha−1)
    蓄积/(m3·hm−2
    Volume/(m3·ha−1)
    P01 0.06 23 10Bp 0.5 6.5 8.3 1 000 14.9
    P02 0.06 21 7Lg2Bp1Pd 0.6 8.1 8.1 1 650 45.1
    P03 0.06 78 7Lg3Bp 0.3 12.2 12.4 583 75.1
    P04 0.06 83 9Lg1As 0.6 11.9 13.3 1 483 118.4
    P05 0.06 53 5Lg3As2Bp 0.6 10.0 9.0 1 450 96.4
    P06 0.06 81 8Lg2Bp 0.7 11.6 12.9 1 667 148.6
    P07 0.06 60 5Lg3Bp2Pd 0.5 14.9 14.7 1 167 173.6
    P08 0.06 48 5Lg3Bp1Ps1Pd 0.7 9.6 13.0 1 917 92.5
    P09 0.25 81 4Lg4Bp1Ps1Pa 0.6 12.7 10.3 892 121.6
    P10 0.06 43 6Lg3Bp1Pa 0.6 9.1 12.2 2 517 110.7
    P11 0.06 82 10Lg 0.5 14.8 17.9 1 267 176.5
    P12 0.06 53 5Lg3Pd1Bp1Ps 0.6 11.7 11.9 1 883 167.4
    P13 0.05 23 10Bp 0.4 6.3 7.6 1 660 22.3
    P14 0.06 21 7Lg2Ps1Bp 0.7 7.0 6.7 2 017 40.3
    P15 0.06 21 9Lg1Pd 0.7 9.3 9.7 1 733 67.4
    P16 0.12 68 5Lg2Pd1Ps1Bp1As 0.3 10.8 10.9 475 46.2
    P17 0.06 73 7Bp2Lg1As 0.4 7.5 10.6 1 167 40.0
    P18 0.06 83 5Lg4Bp1As 0.6 9.0 9.5 2 667 112.0
    P19 0.06 103 9Lg1Pa 0.5 13.1 11.8 1 550 197.6
    P20 0.06 53 6Bp2Pd2Lg 0.6 10.3 13.2 2 067 126.5
    P21 0.09 53 5Lg4Bp1Ps 0.6 8.8 9.5 1 111 40.0
    P22 0.06 83 9Lg1Bp 0.5 10.2 11.8 2 883 163.5
    P23 0.06 78 6Lg1Bp 0.4 10.0 11.7 1 667 107.7
    P24 0.06 62 3Bp3Pd3Lg1Pa 0.6 14.1 14.1 1 033 149.0
    P25 0.06 44 8Lg1Bp1Ps 0.6 10.5 11.8 1 933 114.2
    P26 0.06 50 5Lg5Ps 0.5 8.9 9.1 2 417 96.1
    P27 0.06 47 9Lg1Bp 0.4 12.6 12.7 1 533 167.4
    P28 0.06 71 10Lg 0.3 14.0 12.9 783 83.5
    P29 0.08 48 5Lg4Bp1Pa 0.7 10.5 11.3 1 120 77.1
    P30 0.06 75 7Lg2Bp1Pa 0.7 8.5 10.4 2 750 88.0
    P31 0.05 95 6Lg3Pa1Bp1Ps 0.8 9.6 11.1 1 960 103.7
    P32 0.06 96 6Lg2Bp2Pa 0.7 10.0 11.7 2 133 114.1
    P33 0.06 70 8Lg1Pa1Bp 0.8 11.1 10.9 1 500 121.3
    P34 0.06 45 6Lg2Ps2Bp 0.6 8.4 9.4 1 833 65.9
    P35 0.06 45 6Lg4Ps 0.7 9.0 9.1 2 067 87.0
    P36 0.06 55 10Lg 0.5 13.6 12.2 783 93.5
    P37 0.06 44 10Lg 0.6 13.7 13.8 1 000 132.9
    P38 0.06 44 8Lg1Bp1Pa 0.5 9.5 9.6 1 400 70.5
    P39 0.06 77 9Lg1Bp 0.5 9.1 10.9 1 500 78.0
    P40 0.06 65 8Lg2Pa 0.8 10.7 11.8 1 767 132.0
    P41 0.06 48 10Lg 0.6 9.5 12.3 1 967 99.4
    P42 0.06 42 9Lg1Bp 0.8 7.8 9.6 2 933 72.2
    P43 0.06 42 8Lg2Bp 0.6 8.6 10.2 1 917 72.9
    P44 0.06 37 9Lg1Ps 0.6 7.9 8.7 2 250 66.5
    P45 0.06 47 9Lg1Bp 0.5 9.0 9.4 1 517 66.5
    P46 0.25 48 7Lg2Bp1Ps 0.7 9.7 10.6 2 288 112.6
    P47 0.06 43 7Lg3Bp 0.8 8.4 11.2 3 950 126.9
    P48 0.25 43 9Lg1Bp 0.6 10.6 10.7 1 456 99.9
    P49 1.00 49 8Lg2Bp 0.6 10.5 10.1 1 385 85.4
    P50 0.25 22 7Lg3Bp 0.7 8.7 9.8 2 648 90.6
    注:树种组成一列“10”表示占10成的意思,如7Lg2Bp1Pd表示落叶松占7成、白桦占2成、山杨占1成。Lg:落叶松;Bp:白桦;Ps:樟子松;As:毛赤杨;Pd;山杨;Pa:云杉。
    Note: Lg: Larix gmelinii; Bp: Betula platphylla; Ps: Pinus sylvestris; As: Alnus sibirica; Pd: Populus davidiana; Pa: Picea asperata.
    下载: 导出CSV

    表  2  单木健康监测指标的定义、调查方式及评分标准

    Table  2.   The definition, survey method and scoring standard of single wood health monitoring indicators

    指标
    Variable
    根部状态
    Root state
    树冠落叶程度
    Crown deciduous
    树冠透视度
    Crown transmittance
    树冠重叠度
    Crown overlaps
    树冠枯梢比质量
    Crown dieback
    定义 Definition 树木根部受损或裸露
    程度
    Degree of root damage or exposure
    林木冠层受病虫害、火灾等影响后的落叶程度
    Degree of crown defoliation affected by diseases, pests and fires
    林木树冠扣除侧枝及主干后,有叶部分的透光百分比
    Percentage of crown transmittance within the foliage, without considering the effects of branches and trunks
    树木与其周围四株最近相邻木的树冠重叠比例
    Percentage of crown overlaps between the reference tree and its four nearest neighboring trees
    树冠枯死部分占整个树冠的比例
    Percentage of dead crowns with respect to total crowns
    调查方式 Method 目视判断
    Visual interpretation
    目视判断
    Visual interpretation
    目视判断
    Visual interpretation
    目视判断
    Visual interpretation
    目视判断
    Visual interpretation
    等级 Level 3-根部无损伤或裸露
    No damage or exposure of roots;
    2-根部裸露无伤
    Root exposure,
    but no damage;
    1-根部裸露有伤
    Root exposure and damage;
    0-根部死亡
    Root dead
    6-无落叶 None
    5-(0%,25%)
    4-[25%,50%)
    3-[50%,75%)
    2-[75%,90%)
    1-[90%,100%)
    0-枯死 Dead
    10-[0%,15%)
    9-[15%,25%)
    8-[25%,35%)
    7-[35%,45%)
    6-[45%,55%)
    5-[55%,65%)
    4-[65%,75%)
    3-[75%,85%)
    2-[85%,95%)
    1-[95%,100%)
    0-树冠枯死 Crown dead

    6-无重叠 None
    5-(0%,25%)
    4-[25%,50%)
    3-[50%,75%)
    2-[75%,90%)
    1-[90%,100%)
    0-树冠枯死Crown dead

    7-枯死Dead
    6-(0%,15%)
    5-[15%,30%)
    4-[30%,45%)
    3-[45%,60%)
    2-[60%,75%)
    1-[75%,90%)
    0-[90%,100%)
    下载: 导出CSV

    表  3  盘古林场单木健康评价结果

    Table  3.   Health evaluation results of individual trees in Pangu Forest Farm, northeast China

    树种
    Species
    株数
    Number
    最小值
    Min.
    最大值
    Max.
    平均值*
    Mean
    标准差
    Std.
    变异系数
    CV/%
    健康等级 Health level/%
    不健康
    Unhealth
    中健康
    Mid-health
    亚健康
    Sub-health
    健康
    Health
    白桦 B. platyphylla 1 810 0.326 1 0.889 2 0.672 0 a 0.083 8 12.47 0.00 3.26 81.93 14.81
    落叶松 L. gmelinii 5 497 0.130 9 0.913 8 0.664 0 b 0.088 0 13.25 0.05 4.11 79.99 15.85
    山杨 P. davidiana 234 0.307 9 0.880 1 0.647 9 c 0.099 1 15.29 0.00 4.70 76.92 18.38
    云杉 P. koraiensis 226 0.378 8 0.904 6 0.703 3 d 0.093 9 13.34 0.00 3.98 61.06 34.96
    樟子松 P. sylvestris 266 0.204 6 0.819 7 0.560 8 e 0.123 9 22.09 1.13 27.07 68.80 3.01
    合计 Total 8 033 0.130 9 0.915 4 0.663 8 0.091 2 13.74 0.07 4.69 79.43 15.80
    *不同字母表示差异显著(P < 0.05);Different character represents significant difference among the tree species (P < 0.05).
    下载: 导出CSV

    表  4  盘古林场林分尺度健康评价模型拟合和检验结果

    Table  4.   Model fitting and verification of forest health evaluation in Pangu Forest Farm, northeast China

    项目 Item拟合优度 Goodness-of-fit检验结果 Validation result
    确定系数 R2均方根误差 RMSE预估精度 P/%确定系数 R2均方根误差 RMSE预估精度 P/%
    平均值 Hm 0.4427 0.0245 96.87 0.4727 0.0250 97.75
    标准差 Hstd 0.5494 0.0073 96.37 0.5849 0.0088 96.02
    变异系数 Hcv 0.9935 0.1599 99.54 0.9938 0.1914 99.48
    偏度 Hpd 0.4297 0.2118 87.52 0.4095 0.2019 88.12
    峰度 Hfd 0.5888 0.6364 75.29 0.5531 0.6754 73.59
    下载: 导出CSV
  • [1] 李金良, 郑小贤. 北京地区水源涵养林健康评价指标体系的探讨[J]. 林业资源管理, 2004, 1:31−34.

    Li J L, Zheng X X. The forest health assessment indicator system for the water conservation forests in Beijing area[J]. Forest Resources Management, 2004, 1: 31−34.
    [2] Woodall C W, Amacher M C, Bechtold W A, et al. Status and future of the forest health indicators program of the USA[J]. Environmental Monitoring & Assessment, 2011, 177(1−4): 419−436.
    [3] 肖风劲, 欧阳华, 傅伯杰, 等. 森林生态系统健康评价指标及其在中国的应用[J]. 地理学报, 2003, 58(6):803−809.

    Xiao F J, OuYang H, Fu B J, et al. Forest ecosystem health assessment indicators and application in China[J]. Acta Geographica Sinica, 2003, 58(6): 803−809.
    [4] Jain P, Ahmed R, Sajjad H. Assessing and monitoring forest health using a forest fragmentation approach in Sariska Tiger Reserve, India[J]. Norwegian Journal of Geography, 2016, 70(5): 306−315.
    [5] 姜孟竹, 刘兆刚, 李元. 大兴安岭盘古林场森林健康评价与分析[J]. 中南林业科技大学学报, 2014, 7:73−79.

    Jiang M Z, Liu Z G, Li Y. Assessment and analysis on forest health of Pangu forest farm in Daxing’anling mountains of China[J]. Journal of Central South University of Forestry and Technology, 2014, 7: 73−79.
    [6] 韩鑫, 刘传胜, 胡江玲, 等. 新疆天山自然遗产地景观格局动态演化及其生态健康评价[J]. 干旱区地理, 2019, 42(1):197−207.

    Han X, Liu C S, Hu J L, et al. Dynamic evolution of landscape pattern and ecological health assessment of Tianshan Natural Heritage Site in Xinjiang[J]. Arid Land Geography, 2019, 42(1): 197−207.
    [7] 高志亮, 余新晓, 岳永杰, 等. 北京市松山自然保护区森林健康评价研究[J]. 北京林业大学学报, 2008, 30(S2):127−131.

    Gao Z L, Yu X X, Yue Y J, et al. Forest health assessment in Songshan Natural Reserve of Beijing[J]. Journal of Beijing Forestry University, 2008, 30(S2): 127−131.
    [8] 胡焕香, 佘济云, 张敏, 等. 基于小班尺度的宁远河流域森林健康评价研究[J]. 西北林学院学报, 2013, 28(2):182−186.

    Hu H X, She J Y, Zhang M, et al. Assessment on the health of the forests in Ningyuan River Basin[J]. Journal of Northwest Forestry University, 2013, 28(2): 182−186.
    [9] 王彦辉, 肖文发, 张星耀. 森林健康监测与评价的国内外现状和发展趋势[J]. 林业科学, 2007, 43(7):78−85.

    Wang Y H, Xiao W F, Zhang X Y. Current status and development tendency of forest health monitoring and evaluation[J]. Scientia Silvae Sinicae, 2007, 43(7): 78−85.
    [10] Applegate J R, Steinman J. A comparison of tree health among forest types and conditions at Fort A. P. Hill, Virginia[J]. Southern Journal of Applied Forestry, 2005, 29(3): 143−147. doi:  10.1093/sjaf/29.3.143
    [11] Randolph K C, Jwjr M. An evaluation of changes in tree crown characteristics to assess forest health in two Indiana state parks[J]. Northern Journal of Applied Forestry, 2004, 21(1): 50−55. doi:  10.1093/njaf/21.1.50
    [12] 刘玲华. 台湾北中部海岸保安林健康指标评估法[D]. 屏东: 屏东科技大学, 2005.

    Liu L H. The assessment method of health indicators for coastal protection forests- a study in northern and central Taiwai[D]. Pingtung: National Pingtung University of Science and Technology, 2005.
    [13] 朱宇, 刘兆刚, 金光泽. 大兴安岭天然落叶松林单木健康评价[J]. 应用生态学报, 2013, 24(5):1320−1328.

    Zhu Y, Liu Z G, Jin G Z. Health assessment of individual trees in natural larix gmelinii forest in Great Xing’an Mountains of China[J]. Chinese Journal of Applied Ecology, 2013, 24(5): 1320−1328.
    [14] Pernar R, Seletković A, Ančić, M, et al. Assessing the health status of beech-fir forests using remote sensing methods[J]. Periodicum Biologorum, 2008, 110(2): 157−161.
    [15] 陈望雄. 东洞庭湖区域森林生态系统健康评价与预警研究[D]. 长沙: 中南林业科技大学, 2012.

    Chen W X. The research on forest ecosystem health evaluation and early warning in east Dongting lake area[D]. Changsha: Central South University of Forestry and Technology, 2012.
    [16] 郭菊兰, 朱耀军, 武高洁, 等. 海南省清澜港红树林湿地健康评价[J]. 林业科学, 2015, 51(10):17−25.

    Guo J L, Zhu Y J, Wu G J, et al. Health assessment of Mangrove wetland in Qinglangang, Hainan[J]. Scientia Silvae Sinicae, 2015, 51(10): 17−25.
    [17] 樊晶, 杨燕琼. 基于遥感的森林健康度分析——以东莞桉树林为例[J]. 林业与环境科学, 2017, 33(1):40−45.

    Fan J, Yang Y Q. Analysis of forest health based on remote sensing technology-a case study of Eucalyptus in Dongguan[J]. Forestry and Environment Science, 2017, 33(1): 40−45.
    [18] 贾大鹏, 王新杰, 刘雨. 金沟岭林场森林健康评价[J]. 东北林业大学学报, 2019, 47(8):47−52, 57.

    Jia D P, Wang X J, Liu Y. Forest health assessment of Jingouling Forest Farm[J]. Journal of Northeast Forestry University, 2019, 47(8): 47−52, 57.
    [19] 胡雪凡, 张会儒, 张晓红. 中国代表性森林经营技术模式对比研究[J]. 森林工程, 2019, 35(4):32−38.

    Hu X F, Zhang H R, Zhang X H. Contrastive research on practice and application of forest management technology mode in China[J]. Forest Engineering, 2019, 35(4): 32−38.
    [20] 张国祯, 甘敬, 朱建刚. 北京山区森林健康的多尺度评价[J]. 林业科学, 2011, 47(6):143−151.

    Zhang G Z, Gan J, Zhu J G. Multi-scale health assessment of forests in mountainous regions of Beijing[J]. Scientia Silvae Sinicae, 2011, 47(6): 143−151.
    [21] 唐守正, 郎奎建, 李海奎. 统计和生物数学模型计算: ForStat教程[M]. 北京: 科学出版社, 2009.

    Tang S Z, Lang K J, Li H K. Statistical and biological mathematical model calculation (ForStat)[M]. Beijing: Science Press, 2009.
    [22] 姬文元, 邢韶华, 郭宁, 等. 川西米亚罗林区云冷杉林健康状况评价[J]. 林业科学, 2009, 45(3):13−18.

    Ji W Y, Xing S H, Guo N, et al. Health evaluation on spruce and fir forests in Miyaluo of the Western Sichuan[J]. Scientia Silvae Sinicae, 2009, 45(3): 13−18.
    [23] 张少昂. 兴安落叶松天然林林分生长模型和可变密度收获表的研究[J]. 东北林业大学学报, 1986, 14(3):17−26.

    Zhang S A. Study on natural Dahurian larch stand growth model and variable density yield table[J]. Journal of Northeast Forestry University, 1986, 14(3): 17−26.
    [24] 蒋伊尹, 李凤日. 兴安落叶松天然林生长与收获的研究[J]. 林业科学, 1989, 25(5):477−482.

    Jiang Y Y, Li F R. A study on the growth and yield of natural Dahurian larch stands[J]. Scientia Silvae Sinicae, 1989, 25(5): 477−482.
    [25] 曾伟生, 唐守正. 利用度量误差模型方法建立相容性立木生物量方程系统[J]. 林业科学研究, 2010, 23(6):797−803.

    Zeng W S, Tang S Z. Using measurement error modeling method to establish compatible singe-tree biomass equations system[J]. Forest Research, 2010, 23(6): 797−803.
    [26] 刘忠, 万炜, 黄晋宇, 等. 基于无人机遥感的农作物长势关键参数反演研究进展[J]. 农业工程学报, 2018, 34(24):60−71.

    Liu Z, Wan W, Huang J Y, et al. Progress on key parameters inversion of crop growth based on unmanned aerial vehicle remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(24): 60−71.
    [27] 罗亚, 徐建华, 岳文泽. 基于遥感影像的植被指数研究方法述评[J]. 生态科学, 2005, 24(1):75−79.

    Luo Y, Xu J H, Yue W Z. Research on vegetation indices based on the remote sensing images[J]. Ecologic Science, 2005, 24(1): 75−79.
    [28] 邱赛, 邢艳秋, 徐卫华, 等. 星载大光斑LiDAR与HJ-1A高光谱数据联合估测区域森林地上生物量[J]. 生态学报, 2016, 36(22):7401−7411.

    Qiu S, Xing Y Q, Xu W H, et al. Estimation of regional forest aboveground biomass combining spaceborne large footprint LiDAR and HJ-1A hyperspectral images[J]. Acta Ecological Sinica, 2016, 36(22): 7401−7411.
  • [1] 秦倩倩, 王海燕, 郑永林, 雷相东.  温带云冷杉混交林凋落物养分的空间分布特征 . 北京林业大学学报, doi: 10.12171/j.1000-1522.20200065
    [2] 王飞, 满秀玲, 段北星.  春季冻融期寒温带主要森林类型土壤氮矿化特征 . 北京林业大学学报, doi: 10.12171/j.1000-1522.20190359
    [3] 孙振静, 赵慧颖, 朱良军, 李宗善, 张远东, 王晓春.  大兴安岭北部不同降水梯度下兴安落叶松生长对升温的响应差异 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20190007
    [4] 张颖, 丁昱菲.  我国森林灾害的空间分布分析 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20180254
    [5] 陈贝贝, 王凯, 倪瑞强, 程艳霞.  长白山针阔混交林乔木幼苗组成与空间分布 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20170370
    [6] 张韫, 李传波, 崔晓阳.  大兴安岭北部试验林火干扰下土壤密度的时空变化 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20170318
    [7] 杨光, 宁吉彬, 舒立福, 何诚, 邸雪颖.  黑龙江大兴安岭卫星热点预报森林火灾准确性研究 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20170147
    [8] 毛学刚, 王静文, 范文义.  基于遥感与地统计的森林生物量时空变异分析 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20150214
    [9] 任清胜, 辛, 颖, 赵雨森.  重度火烧对大兴安岭落叶松天然林土壤团聚体有机碳和黑碳的影响 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20150098
    [10] 刘琼阁, 彭道黎, 黄国胜, 曾伟生, 王雪军.  东北云杉相容性立木材积和地上生物量模型研建 . 北京林业大学学报, doi: 10.13332/j.cnki.jbfu.2015.02.005
    [11] 王丽红, 辛颖, 邹梦玲, 赵雨森, 刘双江, 任清胜.  大兴安岭火烧迹地植被恢复中植物多样性与生物量分配格局 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20150025
    [12] 刘玉杰, 满秀玲.  大兴安岭主要林型土壤Zn、Mn形态及潜在生态风险分析 . 北京林业大学学报, doi: 10.13332/j.1000-1522.20140482
    [13] 崔巍, 牟长城, 卢慧翠, 包旭, 王彪.  排水造林对大兴安岭湿地生态系统碳储量的影响 . 北京林业大学学报,
    [14] 张玉红, 覃炳醒, 孙铭隆, 周志强.  林火对大兴安岭典型林型林下植被与土壤的影响 . 北京林业大学学报,
    [15] 曾伟生, 唐守正.  东北落叶松和南方马尾松地下生物量模型研建 . 北京林业大学学报,
    [16] 骆宗诗, 向成华, 章路, 谢大军, 罗晓华.  花椒林细根空间分布特征及椒草种间地下竞争 . 北京林业大学学报,
    [17] 李瑞, 张克斌, 刘云芳, 王百田, 杨晓晖, 侯瑞萍.  西北半干旱区湿地生态系统植物群落空间分布特征研究 . 北京林业大学学报,
    [18] 毛磊, 王冬梅, 杨晓晖, 喻泓, .  樟子松幼树在不同林分结构中的空间分布及其更新分析 . 北京林业大学学报,
    [19] 周宇峰, 周国模, 余树全, 徐小军, 金伟.  木荷林分可燃物载量空间分布的研究 . 北京林业大学学报,
    [20] 冯夏莲, 程占红, 吴斌, 匡文慧, 齐春辉, 邹大林, 李雪萍, 张求慧, 段爱国, 李贤军, 徐文铎, 鲁绍伟, 郑凌凌, 赵燕东, 王云琦, 刘金福, 
    ZHAOGuang-jie, 张灿, 温俊宝, 王玉涛, 李雪峰, 刘常富, 常德龙, 李吉跃, 谭炳香, 吴斌, 李吉跃, 余新晓, 白陈祥, 何正权, 张建国, 何友均, LUOWen-sheng, 翟洪波, 何兴元, 宋湛谦, 洪伟, 温俊宝, 朱天辉, 吴庆利, 赵广杰, 韩士杰, 何承忠, 张路平, 韩烈保, 李增元, 张树文, 王玉杰, 匡秋明, 刘凤芹, ]魏晓霞, 骆有庆, 郭忠玲, 李俊清, 黄文豪, 姜伟, 骆有庆, ]陈玮, 张志毅, 童书振, FurunoTakeshi, 林秦文, 梁小红, 陈发菊, 张养贞, 何静, 陈尔学, 梁宏伟, 崔国发, 赵桂玲, 张璧光, 李颖, 许志春, 胡伟华, 曾会明, 张振明, 张军, RENQian, 许志春, 安新民, 郑兴波, 庞勇, 曹川健, 赵广亮, 杨凯, 宋国正, 郑杰, PaulWolfgang, 雷渊才, 侯伟, 李福海, 李凤兰, 刘君, 张全来, 张有慧, 董建生, 李考学, 田桂芳, 姚永刚, 李永波, 赫万成, 李长明, 张世玺.  北京八达岭林场森林燃烧性及防火措施研究 . 北京林业大学学报,
  • 加载中
图(5) / 表 (4)
计量
  • 文章访问数:  132
  • HTML全文浏览量:  42
  • PDF下载量:  40
  • 被引次数: 0
出版历程

基于Landsat TM数据的大兴安岭盘古林场森林健康评价

doi: 10.12171/j.1000-1522.20200067
    基金项目:  国家重点研发计划课题(2017YFC0504103)、国家自然科学基金(31700562)
    作者简介:

    董灵波,博士,副教授。主要研究方向:森林可持续经营。Email:farrell0503@126.com 地址:哈尔滨和兴路26号东北林业大学林学院

    通讯作者: 刘兆刚,博士,教授。主要研究方向:森林经理。Email:lzg1970602@163.com 地址:同上
  • 中图分类号: S771.8

摘要:   目的  健康评价是实施森林资源健康经营的前提和基础,但现有研究多从单一尺度开展,未充分考虑森林生态系统的层级结构。为此,该文以林木冠层特征为基础,结合Landsat TM数据和统计学方法实现森林健康评价的多尺度转换,为我国森林健康经营提供理论依据和技术支撑。  方法  以大兴安岭盘古林场50块固定样地单木健康调查数据为基础,采用熵值−AHP综合指数法构造单木健康评价模型,并汇总得到样地尺度健康得分的平均值Hm、标准差Hstd、变异系数Hcv、偏度Hpd和峰度Hfd 共5项统计指标,结合Landsat TM和地形数据并采用非线性度量误差联立方程组模型构造区域尺度森林健康评价综合反演模型,实现了森林健康从单木−林分−区域的多尺度综合评估。  结果  样地调查结果表明:盘古林场单木健康得分均值为0.663 8 ± 0.091 2,整体处于亚健康水平,其中亚健康树木所占比例最高(79.43%);区域内不同树种健康等级间差异显著,主要表现为云杉 > 白桦 > 兴安落叶松 > 山杨 > 樟子松;林分尺度健康得分的HmHstdHcvHpdHfd值分别为0.663 3、0.084 1、12.84、−0.607 6和0.846 0,表明该地区约78.43%的林分中单木健康得分呈明显左偏尖削状正态分布;遥感反演结果表明:区域内森林健康得分Hm均值约为0.619 4 ± 0.054 3,其主要受地形(DEM)、植被指数(RVI、DVI、EVI和Green)和原始波段(B1、B3)等多种因素的综合影响,所建模型的预估精度可达到75%以上,能够满足森林健康评价的需求;林场范围内林木健康得分整体呈现南低北高的格局,且Hm较高区域主要集中在居民点、道路沿线等交通便利地区。  结论  盘古林场森林整体以亚健康为主,亟待开展科学的健康经营;同时,该文提出的以林木冠层特征为基础并充分结合遥感数据和统计学方法,能够有效实现森林健康的多尺度评价。

English Abstract

董灵波, 高小龙, 朱宇, 刘兆刚. 基于Landsat TM数据的大兴安岭盘古林场森林健康评价[J]. 北京林业大学学报. doi: 10.12171/j.1000-1522.20200067
引用本文: 董灵波, 高小龙, 朱宇, 刘兆刚. 基于Landsat TM数据的大兴安岭盘古林场森林健康评价[J]. 北京林业大学学报. doi: 10.12171/j.1000-1522.20200067
Lingbo Dong, Gao Xiaolong, Yu Zhu, Zhaogang Liu. Forest health assessment of Pangu forest farm based on Landsat TM in Great Xing’an Mountains, Northeast China[J]. Journal of Beijing Forestry University. doi: 10.12171/j.1000-1522.20200067
Citation: Lingbo Dong, Gao Xiaolong, Yu Zhu, Zhaogang Liu. Forest health assessment of Pangu forest farm based on Landsat TM in Great Xing’an Mountains, Northeast China[J]. Journal of Beijing Forestry University. doi: 10.12171/j.1000-1522.20200067
  • 随着人类社会的日益发展以及当代森林经营理念和技术的提升,森林健康研究的重点已从传统的抵御病虫害、火灾、干旱等自然干扰以及森林补植、采伐等人为干扰,逐渐转变到如何更好地创建和维护森林生态系统食物链的完整性、物种的多样性、结构的稳定性、功能的多样性以及自我调节能力等层面上[1-2]。因此,森林健康不仅是森林经营的一种新理念,也是新时期实现森林可持续经营的重要途径。

    森林健康评价是实施森林健康经营的重要前提。现阶段,国内外学者已经针对不同的区域特征、评价对象和评价目标等要素分别从区域[3-4]、景观[5-6]和林分[7-8]尺度开展了大量研究。树冠是林木进行光合作用、呼吸作用等一系列生理活动的重要场所,其不仅能够反映树木的生长活力和发展潜力,同时对林下更新、物种组成等也具有重要影响,因此如何将树冠状态纳入到森林健康评价中一直是森林健康评价研究的难点和热点。20世纪90年代,美国林务局在森林健康监测(forest health monitoring, FHM)项目中首次引入了树叶损失率、林冠透光度、树叶变色情况等林木冠层指标[9],此后该套指标在林分尺度健康评价中得到广泛应用[10-11],但在国内外单木尺度的健康评价中还少有涉及。仅刘玲华[12]以台湾北部沿海防护林为对象,构建了以根部损伤、树皮损伤、枝条虫食以及树冠活力等为指标的单木健康评价指标体系;朱宇等[13]以根部状态、树冠落叶程度、树冠透视程度、树冠重叠程度、树冠枯梢比质量、活冠层比质量、树冠偏斜程度和垂直竞争指数为基础构建了大兴安岭天然落叶松(Larix gmelinii)林单木健康评价指标体系。这些指标虽然能有效反映林分中树木个体的生长状态和差异,但其均存在定义比较抽象且野外调查难度高、工作量大等问题,同时调查结果也仅局限于样本点或样本区域,难以推广到区域尺度上,这无疑限制了此类评价方法在林业生产实践中的应用。

    遥感数据具有范围广、时效性强、信息客观准确等优点,既是区域尺度资源调查、灾害监测等应用的重要途径,也是森林健康评价的重要数据源。Pernar等[14]采用遥感技术建立了水青冈(Fagus longipetiolata)−杉木(Cunninghamia lanceolata)混交林林分健康评价体系;陈望雄[15]借助景观生态学指标从要素构成、形状特征、多样性和空间分布4个方面选取了14项指标,构造了东洞庭湖区域森林景观健康评价指标体系;郭菊兰等[16]采用TM影像构建了海南省红树林湿地健康评价模型;樊晶等[17]采用Landsat 8数据构建包含植被指数、原始波段和地形因子等7个变量的广东桉树(Eucalyptus robusta)林的健康评价体系;贾大鹏等[18]结合二类调查数据(11个指标)和遥感数据(2个指标)实现了金沟岭林场的森林健康评价。但现阶段这些研究均停留在景观和林分尺度的健康评价中,未能有效反映出林分中不同单木的健康水平及其分布情况。随着近自然经营、结构化经营等新思想的提出[19],单木信息在森林经营中正受到越来越多的重视,因此如何通过遥感数据实现区域尺度上单木健康信息的提取是当前森林健康经营研究的重点。

    大兴安岭林区由于长期的过度采伐,森林资源消耗严重,其质量已发生严重退化,因此对该地区森林进行健康评价,并提出有针对性的经营建议,对提升区域内森林质量具有重要意义。鉴于单木尺度健康评价难以有效推广到区域尺度,因此本文尝试由单木健康评价结果汇总到林分尺度并结合遥感数据进行区域尺度森林健康水平反演,为该地区森林健康经营提供理论依据和技术支持。本文基本假设包括:(1)不同健康等级树木冠层内的物质组成、含量以及特性等均各不相同,从而呈现出不同的冠层状态外在特征(如树冠落叶程度、树冠透视度),进而形成了不同目标物独特的光谱曲线;(2)林分中不同健康等级树木的配置及其比例会显著影响森林的结构,从而影响遥感数据中各波段的反射值、甚至光谱曲线。

    • 研究区位于大兴安岭塔河林业局盘古林场,地理坐标为52°41′57″N, 123°51′57″E。林场总面积15.2 × 104 hm2,森林覆盖率88.86%,其中天然林约占总面积的88.08%。受西伯利亚冷空气和蒙古高压控制,区内冬季漫长、严寒而干燥,春秋季凉爽而短暂,植被生长季相对较短,年平均气温−5 ℃,年平均降水量428 mm,冬季林内平均积雪深度30 ~ 50 cm,积雪期长达5个月。地形属典型低山丘陵地貌,平均海拔700 m,平均坡度11.86°。区内顶级群落为兴安落叶松林,其主要伴生树种包括白桦(Betula platyphylla)、山杨(Populus davidiana)、樟子松(Pinus sylvestris var. mongolica Litv.)、云杉(Picea koraiensis)等。

    • 在对全区森林资源全面踏查的基础上,分别于2011—2013年的7—8月在该地区不同立地、不同林龄、不同密度的典型林分中设置固定样地50块(图1)。样地面积一般为20 m × 30 m,但依据不同生境特征和试验目的有所差别,其中最小为20 m × 25 m,最大为100 m × 100 m,分别记录各样地GPS坐标、地形(坡度、坡向、坡位和海拔等)和林分因子(年龄、郁闭度等),其中平均年龄由各样地中优势树种平均木的解析数据确定。所有样地均采用5 m × 5 m的相邻格网进行调查,调查内容包括样地内所有胸径 ≥ 5 cm乔木的树种、胸径、冠幅、坐标、死枝高、活枝高、状态(是否存活、是否火灾、病虫害等)等传统指标(表1)。统计结果表明,50块样地中幼龄林7块、中龄林30块、近熟林10块、成熟林3块,各龄组所占面积比例与该地区二类调查结果基本一致。

      图  1  固定样地空间分布图

      Figure 1.  Spatial distribution of the plots

      表 1  样地调查因子统计特征

      Table 1.  Statistical characteristics of sample plots in Pangu Forest Farm

      样地
      Plot
      面积/hm2
      Area/ha
      年龄/a
      Age/year
      树种组成
      Species
      郁闭度
      Canopy density
      平均胸径
      Mean DBH/cm
      平均树高
      Mean HT/m
      株数密度/(trees·hm−2
      Density/(trees·ha−1)
      蓄积/(m3·hm−2
      Volume/(m3·ha−1)
      P01 0.06 23 10Bp 0.5 6.5 8.3 1 000 14.9
      P02 0.06 21 7Lg2Bp1Pd 0.6 8.1 8.1 1 650 45.1
      P03 0.06 78 7Lg3Bp 0.3 12.2 12.4 583 75.1
      P04 0.06 83 9Lg1As 0.6 11.9 13.3 1 483 118.4
      P05 0.06 53 5Lg3As2Bp 0.6 10.0 9.0 1 450 96.4
      P06 0.06 81 8Lg2Bp 0.7 11.6 12.9 1 667 148.6
      P07 0.06 60 5Lg3Bp2Pd 0.5 14.9 14.7 1 167 173.6
      P08 0.06 48 5Lg3Bp1Ps1Pd 0.7 9.6 13.0 1 917 92.5
      P09 0.25 81 4Lg4Bp1Ps1Pa 0.6 12.7 10.3 892 121.6
      P10 0.06 43 6Lg3Bp1Pa 0.6 9.1 12.2 2 517 110.7
      P11 0.06 82 10Lg 0.5 14.8 17.9 1 267 176.5
      P12 0.06 53 5Lg3Pd1Bp1Ps 0.6 11.7 11.9 1 883 167.4
      P13 0.05 23 10Bp 0.4 6.3 7.6 1 660 22.3
      P14 0.06 21 7Lg2Ps1Bp 0.7 7.0 6.7 2 017 40.3
      P15 0.06 21 9Lg1Pd 0.7 9.3 9.7 1 733 67.4
      P16 0.12 68 5Lg2Pd1Ps1Bp1As 0.3 10.8 10.9 475 46.2
      P17 0.06 73 7Bp2Lg1As 0.4 7.5 10.6 1 167 40.0
      P18 0.06 83 5Lg4Bp1As 0.6 9.0 9.5 2 667 112.0
      P19 0.06 103 9Lg1Pa 0.5 13.1 11.8 1 550 197.6
      P20 0.06 53 6Bp2Pd2Lg 0.6 10.3 13.2 2 067 126.5
      P21 0.09 53 5Lg4Bp1Ps 0.6 8.8 9.5 1 111 40.0
      P22 0.06 83 9Lg1Bp 0.5 10.2 11.8 2 883 163.5
      P23 0.06 78 6Lg1Bp 0.4 10.0 11.7 1 667 107.7
      P24 0.06 62 3Bp3Pd3Lg1Pa 0.6 14.1 14.1 1 033 149.0
      P25 0.06 44 8Lg1Bp1Ps 0.6 10.5 11.8 1 933 114.2
      P26 0.06 50 5Lg5Ps 0.5 8.9 9.1 2 417 96.1
      P27 0.06 47 9Lg1Bp 0.4 12.6 12.7 1 533 167.4
      P28 0.06 71 10Lg 0.3 14.0 12.9 783 83.5
      P29 0.08 48 5Lg4Bp1Pa 0.7 10.5 11.3 1 120 77.1
      P30 0.06 75 7Lg2Bp1Pa 0.7 8.5 10.4 2 750 88.0
      P31 0.05 95 6Lg3Pa1Bp1Ps 0.8 9.6 11.1 1 960 103.7
      P32 0.06 96 6Lg2Bp2Pa 0.7 10.0 11.7 2 133 114.1
      P33 0.06 70 8Lg1Pa1Bp 0.8 11.1 10.9 1 500 121.3
      P34 0.06 45 6Lg2Ps2Bp 0.6 8.4 9.4 1 833 65.9
      P35 0.06 45 6Lg4Ps 0.7 9.0 9.1 2 067 87.0
      P36 0.06 55 10Lg 0.5 13.6 12.2 783 93.5
      P37 0.06 44 10Lg 0.6 13.7 13.8 1 000 132.9
      P38 0.06 44 8Lg1Bp1Pa 0.5 9.5 9.6 1 400 70.5
      P39 0.06 77 9Lg1Bp 0.5 9.1 10.9 1 500 78.0
      P40 0.06 65 8Lg2Pa 0.8 10.7 11.8 1 767 132.0
      P41 0.06 48 10Lg 0.6 9.5 12.3 1 967 99.4
      P42 0.06 42 9Lg1Bp 0.8 7.8 9.6 2 933 72.2
      P43 0.06 42 8Lg2Bp 0.6 8.6 10.2 1 917 72.9
      P44 0.06 37 9Lg1Ps 0.6 7.9 8.7 2 250 66.5
      P45 0.06 47 9Lg1Bp 0.5 9.0 9.4 1 517 66.5
      P46 0.25 48 7Lg2Bp1Ps 0.7 9.7 10.6 2 288 112.6
      P47 0.06 43 7Lg3Bp 0.8 8.4 11.2 3 950 126.9
      P48 0.25 43 9Lg1Bp 0.6 10.6 10.7 1 456 99.9
      P49 1.00 49 8Lg2Bp 0.6 10.5 10.1 1 385 85.4
      P50 0.25 22 7Lg3Bp 0.7 8.7 9.8 2 648 90.6
      注:树种组成一列“10”表示占10成的意思,如7Lg2Bp1Pd表示落叶松占7成、白桦占2成、山杨占1成。Lg:落叶松;Bp:白桦;Ps:樟子松;As:毛赤杨;Pd;山杨;Pa:云杉。
      Note: Lg: Larix gmelinii; Bp: Betula platphylla; Ps: Pinus sylvestris; As: Alnus sibirica; Pd: Populus davidiana; Pa: Picea asperata.

      单木健康调查依据美国国家森林健康监测(forest health monitoring, FHM)计划中对树冠状态的描述进行[4, 10-11],具体包括根部状态、树冠落叶程度、树冠透视度、树冠重叠程度和树冠枯梢比质量5项指标。在测定过程中,首先分别树种(落叶松、樟子松、云杉、白桦、山杨)在全区内选择生长旺盛的树木各10株,以建立不同树种的目视判断标准,然后据此基准判定50块样地中每株树木各项调查指标的得分;在调查过程中,为避免不同调查人员主观误差的影响,所有样地单木健康指标的调查均由同一人完成。各指标具体定义、测试方法及评价等级如表2所示,具体参见Woodall等[2]、刘玲华等[12]和朱宇等[13],此处不再赘述。

      表 2  单木健康监测指标的定义、调查方式及评分标准

      Table 2.  The definition, survey method and scoring standard of single wood health monitoring indicators

      指标
      Variable
      根部状态
      Root state
      树冠落叶程度
      Crown deciduous
      树冠透视度
      Crown transmittance
      树冠重叠度
      Crown overlaps
      树冠枯梢比质量
      Crown dieback
      定义 Definition 树木根部受损或裸露
      程度
      Degree of root damage or exposure
      林木冠层受病虫害、火灾等影响后的落叶程度
      Degree of crown defoliation affected by diseases, pests and fires
      林木树冠扣除侧枝及主干后,有叶部分的透光百分比
      Percentage of crown transmittance within the foliage, without considering the effects of branches and trunks
      树木与其周围四株最近相邻木的树冠重叠比例
      Percentage of crown overlaps between the reference tree and its four nearest neighboring trees
      树冠枯死部分占整个树冠的比例
      Percentage of dead crowns with respect to total crowns
      调查方式 Method 目视判断
      Visual interpretation
      目视判断
      Visual interpretation
      目视判断
      Visual interpretation
      目视判断
      Visual interpretation
      目视判断
      Visual interpretation
      等级 Level 3-根部无损伤或裸露
      No damage or exposure of roots;
      2-根部裸露无伤
      Root exposure,
      but no damage;
      1-根部裸露有伤
      Root exposure and damage;
      0-根部死亡
      Root dead
      6-无落叶 None
      5-(0%,25%)
      4-[25%,50%)
      3-[50%,75%)
      2-[75%,90%)
      1-[90%,100%)
      0-枯死 Dead
      10-[0%,15%)
      9-[15%,25%)
      8-[25%,35%)
      7-[35%,45%)
      6-[45%,55%)
      5-[55%,65%)
      4-[65%,75%)
      3-[75%,85%)
      2-[85%,95%)
      1-[95%,100%)
      0-树冠枯死 Crown dead

      6-无重叠 None
      5-(0%,25%)
      4-[25%,50%)
      3-[50%,75%)
      2-[75%,90%)
      1-[90%,100%)
      0-树冠枯死Crown dead

      7-枯死Dead
      6-(0%,15%)
      5-[15%,30%)
      4-[30%,45%)
      3-[45%,60%)
      2-[60%,75%)
      1-[75%,90%)
      0-[90%,100%)
    • 采用接收于2012年7月3日的Landsat 5 TM影像,其轨道号为P122/R23。选取的影像为L1级产品(下载地址为:地理空间数据云http://www.gscloud.cn/),在ENVI5.3软件中进行辐射定标、大气校正和几何精校正。几何精校正以研究区1∶50 000地形图为基准,将校正精度控制在1个像元以内,重采样后像元大小为30 m × 30 m。为了降低实测样地与影像的匹配误差,将实测样地中心点坐标与其最近邻的9个像元中心点坐标间欧式距离的倒数进行加权,以此作为对应样地的像元变量值。通过目视解译,提取区域内林地范围。根据研究区域特点,并参考国内外相关研究[9,14-15],选取差值植被指数DVI、比值植被指数RVI、归一化植被指数NDVI、增强型植被指数EVI、土壤调节指数SAVI、缨帽变换结果(亮度Bright、绿度Green和湿度Wet指数)以及6个波段值(B1-B6)。基于研究区域DEM数据,利用ArcMap 10.2提取研究区域坡度SLP、坡向ASP、坡位POS和曲率CUR数据,其中对坡位和坡向数据以等级制表示:将坡向以45°为单位,以正北为起点按顺时针方向将其划分为8个等级,即1表示北坡(0° ~ 22.5°, 337.5° ~ 360°)、2表示东北坡(22.5° ~ 67.5°)、3表示西北坡(292.5° ~ 337.5°)、4表示东坡(67.5° ~ 112.5°)、5表示西坡(247.5° ~ 292.5°)、6表示东南坡(112.5° ~ 157.5°)、7表示西南坡(202.5° ~ 247.5°)、8表示南坡(157.5° ~ 202.5°),数字越大表示坡向越向阳;坡位划分为5级,1表示谷地、2表示下坡位、3表示中坡位、4表示上坡位、5表示山脊,数值越大海拔越高、土壤含水率越低。据此,共建立了包括6个原始波段值、8个综合指数和4个地形因子的自变量候选集。

    • 除上述5项目视调查因子外,还利用样地调查数据派生出2项单木健康评价指标,即单木冠长率和树冠偏斜程度。其中,单木冠长率表示冠长与树高的比值,可直接反映出林木的生长活力;而树冠偏斜程度则指树冠东西冠幅与南北冠幅偏差的绝对值之和与平均冠幅的比值,可反应出树木生长过程中的竞争压力。2项指标的计算公式分别为:

      $$ {\mathrm{C}\mathrm{L}}_{r}=\left(\mathrm{H}\mathrm{T}-\mathrm{H}\mathrm{C}\mathrm{B}\right)/\mathrm{H}\mathrm{T} $$ (1)
      $$ {\mathrm{C}\mathrm{W}}_{\mathrm{p}}=(\left|{\mathrm{C}\mathrm{W}}_{\mathrm{e}}-{\mathrm{C}\mathrm{W}}_{\mathrm{w}}\right|+\left|{\mathrm{C}\mathrm{W}}_{\mathrm{s}}-{\mathrm{C}\mathrm{W}}_{\mathrm{n}}\right|)/\overline{\mathrm{C}\mathrm{W}} $$ (2)

      式中:CLr为冠长率;HT为单木树高;HCB为活枝高;CWp为树冠偏斜程度;CWe、CWw、CWs和CWn分别树木在东、西、南和北4个方向上的冠幅;$ \overline{\mathrm{C}\mathrm{W}} $为平均冠幅。显然,CLr值越大表示树木生长活力越高,而CWp值越大表示树木所遭受的竞争压力也越大。

      基于上述7项指标,采用熵权法-AHP法构造单木健康评价综合指标[20],即运用主观赋权法和客观赋权法相结合的方式来确定各项指标的权重,公式为:

      $$ H=\sum\limits_{i=1}^{N} w_{i} x_{i} \\ $$ (3)
      $$ w_{i}=\frac{w_{i}^{S} w_{i}^{A}}{\displaystyle \sum\limits_{i=1}^{N} w_{i}^{S} w_{i}^{A}} $$ (4)

      式中:H为单木健康综合得分;N为评价指标数量;xi为第i项指标的得分值;wi为第i项指标的综合权重值;wiS为熵值法确定的第i项指标的权重;wiA为AHP法确定的第i项指标权重;最终确定的各指标权重分别为:冠长率=0.364 7、树冠偏斜程度=0.097 4、根部状态=0.032 6、树冠落叶程度=0.084 1、树冠透视度=0.232 1、树冠重叠度=0.047 5和树冠枯梢比=0.141 7。计算过程中,为消除各指标方向和量纲上的差异,分别采用正向化和归一化方式进行处理[13]

      在单木健康评价的基础上,分别样地汇总得到各林分健康水平的平均值Hm、标准差Hstd、变异系数Hcv、偏度Hpd和峰度Hfd等统计指标,这些指标能够反映林分层面健康评价结果的平均水平、离散程度及分布状况等特征。根据朱宇等[13]建议,同时参考《国家森林资源连续清查技术规定》中森林健康监测等级划分标准,采用等距划分法将单木和林分尺度健康评价结果划分为4个等级,即健康(0.75, 1.00]、亚健康(0.50, 0.75]、亚健康(0.25, 0.50]和不健康[0.00, 0.25]。

    • 与传统林业回归模型相同,在遥感经验模型中,通常假定自变量的观测值(即波段值)不含误差,而因变量的观测值含有误差,这种误差一般统称为度量误差(如抽样误差、测量误差等)。但由于混合地物、辐射传输以及几何校正等因素的影响,遥感波段信息中同样含有度量误差。此外,林业中的各种变量均存在显著的相关性,因此将各变量进行单独估计而不考虑彼此间的关系也不符合实际。如上所述,本研究中模型因变量为各样地中单木健康评价结果的汇总数据,因此其存在着一定的测量误差和累计误差,同时各项指标间也存在着一定的相关性。为此,本文借鉴林业中相容性生物量模型构建的思想,采用唐守正等[21]提出的非线性度量误差联立方程组模型来解决该问题,其标准形式可表示为:

      $$ \left\{\begin{array}{c}f\left({{y}}_{i},{{x}}_{i},{c}\right)=0\\ {{Y}}_{i}={{y}}_{i}+{{e}}_{i}, i=1,\cdots,n\\ E\left({{e}}_{i}\right)=0, cov\left({{e}}_{i}\right)={\sigma }^{2}\psi \end{array}\right. $$ (5)

      式中:f ()为m维向量函数;Yip维的向量真值;yi为向量Yi的估计值;xiq维无误差变量观测值;ck维向量参数;E(ei)为模型误差的期望;cov(ei) = σ2Ψ为误差的协方差矩阵,其中Ψei的误差结构矩阵,σ2为估计误差。

      非线性度量误差联立方程组模型中各因变量模型的具体形式采用逐步回归过程进行确定。在此过程中,为了避免模型自变量间的多重共线性问题,还进一步参考了方差膨胀因子(variance inflation factor, VIF)。当VIF > 5时,认为自变量间有严重的共线性问题,需要剔除共线性严重的自变量、保留共线性弱而对因变量贡献大的自变量。只有参数估计结果显著、且VIF < 5的变量才能进入最终模型。

      采用五折交叉检验方法进行精度评价,即建模过程采用全部样本数据,而检验过程则将数据随机分为5份,每份单独进行评价,以其平均值作为最终结果。采用确定系数(R2)、均方根误差(RMSE)和预估精度(P)对模型拟合和检验效果进行评价。

      $$ {R}^{2}=1-\frac{\displaystyle \sum {({y}_{i}-{\widehat{y}}_{i})}^{2}}{\displaystyle \sum {({y}_{i}-\bar{y})}^{2}} $$ (6)
      $$ \mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}=\sqrt{\frac{\displaystyle \sum {({y}_{i}-{\widehat{y}}_{i})}^{2}}{n}} $$ (7)
      $$ P=\left[1-\frac{{t}_{0.05}\sqrt{\frac{\displaystyle \sum {({y}_{i}-{\widehat{y}}_{i})}^{2}}{n(n-k)}}}{\widehat{\overline{y}}}\right] $$ (8)

      式中:yi为各因变量实测值(即样地尺度健康评价结果);$ {\widehat{y}}_{i} $为各因变量估计值;$ \bar{y} $为实测值的平均值;$ {\widehat{\overline{y}} }$为模型预估值的平均值;n为样本数量;k为模型参数个数;t0.05α = 0.05水平的t分布值。

    • 在8 033株单木中,亚健康树木所占比例最高,约为79.43%,其次为健康数据(15.79%),而不健康树木所占比例最低(0.07%);所有样木健康得分的平均值为0.663 8 ± 0.091 2,表明区域内林木整体处于亚健康水平(表3)。各树种平均健康得分依次为云杉(0.703 3 ± 0.093 9)> 白桦(0.672 0 ± 0.083 8)> 兴安落叶松(0.664 0 ± 0.088 0)> 山杨(0.647 9 ± 0.099 1)> 樟子松(0.560 8 ± 0.123 9),表明各树种整体上也处于亚健康水平。双样本t检验结果表明,各树种健康得分均显著差异(P < 0.01)。除樟子松外(71.80%),其余各树种亚健康和健康水平树木所占比例均达到95%以上。

      表 3  盘古林场单木健康评价结果

      Table 3.  Health evaluation results of individual trees in Pangu Forest Farm, northeast China

      树种
      Species
      株数
      Number
      最小值
      Min.
      最大值
      Max.
      平均值*
      Mean
      标准差
      Std.
      变异系数
      CV/%
      健康等级 Health level/%
      不健康
      Unhealth
      中健康
      Mid-health
      亚健康
      Sub-health
      健康
      Health
      白桦 B. platyphylla 1 810 0.326 1 0.889 2 0.672 0 a 0.083 8 12.47 0.00 3.26 81.93 14.81
      落叶松 L. gmelinii 5 497 0.130 9 0.913 8 0.664 0 b 0.088 0 13.25 0.05 4.11 79.99 15.85
      山杨 P. davidiana 234 0.307 9 0.880 1 0.647 9 c 0.099 1 15.29 0.00 4.70 76.92 18.38
      云杉 P. koraiensis 226 0.378 8 0.904 6 0.703 3 d 0.093 9 13.34 0.00 3.98 61.06 34.96
      樟子松 P. sylvestris 266 0.204 6 0.819 7 0.560 8 e 0.123 9 22.09 1.13 27.07 68.80 3.01
      合计 Total 8 033 0.130 9 0.915 4 0.663 8 0.091 2 13.74 0.07 4.69 79.43 15.80
      *不同字母表示差异显著(P < 0.05);Different character represents significant difference among the tree species (P < 0.05).
    • 汇总各样地单木健康评价结果,进而得到样地尺度的林木健康评价统计指标(图2)。可以看出,样地尺度Hm介于[0.535 4, 0.798 8],平均值为0.663 3,其变异系数为7.77%,其中仅3个样地达到健康水平;样地尺度Hstd介于[0.055 3, 0.125 1],平均值为0.084 1,其变异系数达为16.94%;样地尺度Hcv介于[6.93%, 22.93%],平均值为12.84%,其变异系数达到22.57%;样地尺度Hpd均为负值(即[−1.83,−0.07]),平均值为−0.607 6,其变异系数高达54.03%,表明所有样地中单木健康得分均呈显著的左偏正态分布,即林分中健康和亚健康林木占多数;样地尺度Hfd则有正、有负,介于[−0.35, 3.71],平均值为0.846 0,变异系数高达108.83%,其中40个样地的峰度值大于0,表明约78.43%的样地中单木健康得分呈尖削状正态分布。

      图  2  盘古林场样地尺度健康评价结果

      Figure 2.  Health evaluation results of sample plots in Pangu Forest Farm, northeast China

    • 相关性分析结果表明:各因子间均存在一定的相关性,其中共有86对因子间存在显著相关性,约占总数(即253对)的33.99%(图3);其中,14个因子间呈显著正相关关系(P < 0.05),8个因子间呈极显著正相关关系(P < 0.01),28个因子间呈极显著正相关关系(P < 0.001),而分别有6个(P < 0.05)、16个(P < 0.01)和14个(P < 0.002)因子间呈显著负相关关系;其余因子间的相关性则不显著(图3)。5个因变量间,林分尺度HmHstdHcvHpdHfd间均呈显著负相关关系,其相关系数分别达到0.401 7、0.687 7和0.938 0,而HstdHcv间则呈显著正相关关系(R2=0.580 2),表明采用非线性度量误差联立方程组模型来构建森林健康综合评价模型是极为必要的。

      图  3  林分健康得分统计特征与地形、遥感因子间的关系

      Figure 3.  Relations between statistics of stand-level health evaluations and factors of terrain and remote sensing

      在相关性分析基础上,采用SAS 9.2软件PROC REG模块中的多元逐步回归和VIF指标确定林木健康得分各项统计指标的基础模型。结果表明,各基础模型中所有参数均能通过α = 0.05水平的显著检验,且F检验表明各模型整体均可达到α = 0.001显著性水平,表明所确定的模型具有一定的统计学意义。因此,在Forstat2.2软件中进一步采用非线性度量误差联立方程组模块对5个基础模型的参数进行联合估计,结果为:

      $$ \left\{ {\begin{array}{*{20}{c}} {\begin{array}{*{20}{c}} {{H_m} = 0.675\;3 - 0.071\;3 \times {\rm{EVI}} - 0.000\;2 \times {\rm{DEM}}}\\ {{H_{std}} = 0.138\;3 - 0.086\;2 \times {H_m} + 0.000\;1 \times {\rm{Green}} - 0.003\;2 \times {\rm{RVI}} - 1.114\;7 \times {\rm{DVI}}} \end{array}}\\ {\begin{array}{*{20}{c}} {{H_{cv}} = 11.909\;2 - 16.809\;0 \times {H_m} + 144.812\;3 \times {H_{std}} - 0.001\;6 \times B1}\\ {\begin{array}{*{20}{c}} {{H_{pd}} = 1.536\;2 - 1.992\;2 \times {H_m} - 0.003\;2 \times B3}\\ {{H_{fd}} = 2.908\;4 - 4.979\;2 \times {H_m} - 2.133\;3 \times {H_{pd}}} \end{array}} \end{array}} \end{array}} \right.$$ (9)

      拟合结果表明,各变量实测值和估计值间均具有较好的线性关系(图4),其确定系数R2分别为0.442 7、0.549 4、0.993 5、0.429 7和0.588 8,而均方根误差RMSE分别为0.024 5、0.007 3、0.159 9、0.211 8和0.636 4,且各模型预估精度P也分别达到96.87%、96.37%、99.54%、87.52%和75.29%。独立样本检验结果也表明所建模型具有较高精度,能够满足森林健康评价的要求。

      图  4  盘古林场林分尺度健康评价实测值与估计值拟合关系

      Figure 4.  Relations between the measured and predicted values of forest health evaluation in Pangu Forest Farm, northeast China

      表 4  盘古林场林分尺度健康评价模型拟合和检验结果

      Table 4.  Model fitting and verification of forest health evaluation in Pangu Forest Farm, northeast China

      项目 Item拟合优度 Goodness-of-fit检验结果 Validation result
      确定系数 R2均方根误差 RMSE预估精度 P/%确定系数 R2均方根误差 RMSE预估精度 P/%
      平均值 Hm 0.4427 0.0245 96.87 0.4727 0.0250 97.75
      标准差 Hstd 0.5494 0.0073 96.37 0.5849 0.0088 96.02
      变异系数 Hcv 0.9935 0.1599 99.54 0.9938 0.1914 99.48
      偏度 Hpd 0.4297 0.2118 87.52 0.4095 0.2019 88.12
      峰度 Hfd 0.5888 0.6364 75.29 0.5531 0.6754 73.59
    • 利用式-9在ArcMap10.2软件平台中对盘古林场森林健康状况的各项指标进行反演,并生成森林健康状况等级分布图(图5)。可以看出,研究区域内森林健康得分Hm值相对较高,但整体表现出由北向南逐渐降低的格局;Hm平均值为0.619 4 ± 0.054 3,变异系数为8.77%;健康林分所占比例较小,仅为0.04%,而亚健康林分所占比例则高达99.54%,其中Hm∈[0.60, 0.65]的比例最大(54.34%);健康得分Hstd值则均相对较小,其平均值仅为0.175 9 ± 0.055 4,变异系数为31.50%,多数集中在[0.16, 0.20]范围内(96.70%);健康得分Hcv很大程度上取决于HmHstd的值,但仍受波段B1的影响,平均值为29.86% ± 3.02%,其变异系数为10.11%,多数集中在[25, 35]范围内(96.50%)。对森林健康得分Hpd而言,除0.45%的林分为正值外(即右偏),其余均为负值,表明区域内约99.12%的林分中健康和亚健康树木占多数;Hpd平均值为−0.473 3 ± 0.278 9,变异系数为58.93%,且主要集中在[−0.6, −0.2]之间,约占总体的68.41%。同样,对森林健康Hfd而言,仅0.98%的林分为负值,即正态分布的峰态较为平缓,而其余均98.57%的林分Hfd为正值,即林分中单木健康分布的峰态较为尖削;Hfd平均值为0.672 6 ± 0.508 7,变异系数为75.63%,多集中在[0.4, 0.8]之间(52.33%)。林分健康得分各统计变量均具有明显的空间分布特征,即HmHfd值相对较大的林分主要集中分布在居民点、林区道路周边等交通较为便利的区域,但在交通不便的区域则相对较小,而HstdHcvHpd的分布格局则完全相反。

      图  5  盘古林场森林健康空间分布

      Figure 5.  Spatial distributions of forest health evaluation in Pangu Forest Farm, northeast China

    • 森林健康水平很大程度上决定了森林生态系统各项功能的发挥,因此如何客观评价森林资源的健康性是当前森林健康经营领域研究的热点和难点。对森林健康评价的研究,国内外学者长期以来主要集中在林分、景观和区域尺度上,而很少涉及单木尺度。与区域尺度关注自然环境、森林结构、社会因素和经济因素[15],景观尺度关注其结构、功能、格局和过程[5],林分尺度关注林分(或小班)完整性、稳定性和可持续性等不同[8],单木尺度更多关注林木根部、干形、树冠等特征要素[11,13]。因此,本文选用根部状态、树冠落叶程度、树冠透视度、树冠重叠程度和树冠枯梢比质量5项目视因子和冠长率、树冠偏斜程度2项组合指标,并结合熵值−AHP法构造出了大兴安岭地区主要树种的单木健康评价模型,结果表明该地区亚健康林木所占比例最高,达到79.43%,健康林木次之(15.80%),而不健康林木最少(0.07%),这与朱宇等[13]采用模糊综合评价法的研究结果基本一致。但本文还进一步发现,区域内不同树种健康水平存在显著差异,即云杉 > 白桦 > 兴安落叶松 > 山杨 > 樟子松,这可能与各树种的分枝特性、落叶习性以及自然整枝等因素有关。虽然该地区森林整体以健康和亚健康为主,但林分蓄积量仍显著低于20世纪50年代,表明该地区森林经过严重采伐后,林分的结构和功能均发生了显著退化[22-23]。需要特别说明的是,兴安落叶松和白桦为研究区域主要的优势种和建群种,因此在后续经营中建议适当保留云杉,而非进行彻底的林分改造。

      由单木汇总得到的样地尺度健康评价结果表明:在50块样地中,林分尺度健康得分Hm为0.663 3 ± 0.084 1,其中亚健康林分占多数(约94%),健康林分相对较少(约6%),而未发现中健康和不健康林分,这可能与样地选择有关。但该结论与其他学者直接采用二类调查数据或固定样地数据进行的林分尺度健康评价结果基本一致[8,24],这可能是因为单木冠层状态可直接决定林木的生长活力和生产潜力,进而影响林分的结构、功能和质量,因此二者在评价结果上表现出一致性。除此之外,本文还可根据样地尺度健康得分的偏度和峰度统计量估计出各林分中单木健康得分的整体分布情况。结果表明,所有样地健康得分Hpd均为负值(平均为−0.607 6),而健康得分Hfd则正值和负值均有(分别占总体的78.43%和21.57%;平均为0.846 0),表明该地区约78.43%的林分中单木健康得分呈明显左偏尖削状正态分布,即健康和亚健康林木占多数。显然,该方法较其他健康评价体系更符合森林经营的实际需求。

      相关性分析和逐步回归结果均表明林分尺度健康得分的各项统计指标均与TM遥感波段、植被指数和地形因子间均存在一定的相关性(图4),其中Hm与Green、RVI和DVI显著相关,Hstd与B1 ~ B3、RVI、NDVI和SAVI显著相关,Hcv与B3、RVI、NDVI和SAVI显著相关,Hpd与B2显著相关,且其相关系数最高可达0.55,能够支撑本文提出的2项基本假设。在后续研究中,若能进一步增加样本点的数量及其代表性(如健康等级较低和较高的林分),则各变量间的相关系数仍有可能进一步提高。为了消除模型因变量和自变量中的各种度量误差,同时解决模型中各因变量间的相关性,本文借鉴林业统计模型中的非线性度量误差联立方程组模型[25],构建了森林健康评价综合反演模型。模型拟合和检验结果表明,各分项预估模型的确定系数R2均相对较高,而均方根误差RMSE相对较小,且模型预估精度均达到75%以上,表明所建模型能够满足森林健康评价的要求。

      林分尺度健康得分各项指标反演结果表明,区域内森林以亚健康为主,约占总体的99.54%,表明区域内森林亟需开展科学合理的经营以提升森林健康水平。各林分(即像元)上健康得分的变异程度均相对较小,平均值约为29.86%,表明区域尺度内森林健康水平的空间变异程度不大。研究区域内林分尺度上单木健康得分的分布参数表明:约99.12%林分中单木健康得分Hpd为负值,约98.57%林分健康得分Hfd为正值,据此推算整个盘古林场约有97.70%的林分中单木健康得分呈明显的左偏尖削状正态分布。显然,该结果大于样地实测结果(即78.43%),可能是由于样本点空间分布不均匀,且代表性较差所致。因此,在后续研究中应根据现有结果继续补充适量样地健康调查数据。此外,研究区域内健康得分较高、峰度值较大的林分主要集中分布在居民区、道路周边等交通便利区域,而健康得分标准差、变异系数和偏度较大的值则集中分布在交通不便的区域。随着森林采伐限额和天保工程的顺利实施,研究区域内森林采伐量日益减小,逐渐转变为以抚育、补植、改造等培育性经营为主,而这些营林措施通常选择在交通条件较为便利的区域实施。因此,结合区域内森林健康分布情况,可认为适当的森林经营有助于提升森林健康水平。

      需要说明的是,本文虽对由单木尺度健康评价结果汇总到样地尺度,进而再通过遥感数据进行区域尺度健康评价进行了有益探索,但限于数据原因仍存在一定缺陷,主要表现在:1)由于样本数量较少,本文在建立区域尺度森林健康评价模型时,未考虑不同林型、龄组、坡向等因素的差异;随着后续数据的收集,可分别不同要素构造模型,进而提升健康反演模型的预估和检验精度;此外数据的代表性也有待提高,如增加不健康和健康林分的比例;2)林木冠层状态的变化除了文中5项目视判别因子外,许多生理指标也会发生显著变化,如水分含量、叶绿素含量、氮含量等,因此可借助高光谱数据(如Hyperion数据)进一步计算光利用率指数、冠层氮指数、叶绿素指数、冠层水分含量指数等[26-27],进而有助于提高模型精度;3)本文采用非线性度量误差联立方程组模型得到了林分尺度中健康得分的分布参数(即偏度和峰度),可粗略估计对应林分中单木健康的整体分布情况,但仍无法满足现阶段高集约度森林经营的需要;因此,需要借助无人机影像和激光雷达数据来提升单木尺度信息参数的获取能力[28],从而提高单木健康水平的评价精度。

    • 1)大兴安岭盘古林场单木健康得分均值为0.663 8 ± 0.091 2,林木整体处于亚健康水平,其中亚健康树木所占比例最高,达到79.43%;区域内不同树种健康等级间差异显著,主要表现为云杉 > 白桦 > 兴安落叶松 > 山杨 > 樟子松;

      2)样地尺度健康得分平均值、标准差、变异系数、偏度和峰度分别为0.663 3、0.084 1、12.84、−0.607 6和0.846 0,表明该地区约78.43%的林分中单木健康得分呈明显左偏尖削状正态分布,即健康和亚健康林木占多数;

      3)林分尺度健康得分的各项统计指标受地形(DEM)、植被指数(RVI、DVI、EVI和Green)、原始波段(B1、B3)等多种因素的综合影响,所建模型预估精度均可达到75%以上,能够满足森林健康监测的需求。

      4)全区森林健康得分平均值为0.619 4,变异系数为29.86%,区域内森林整体以亚健康为主;林木健康得分较高区域主要集中在居民点、道路沿线等交通便利地区,表明适当的经营有助于提升森林健康水平。

参考文献 (28)

目录

    /

    返回文章
    返回