Inversion of forest aboveground biomass from combined images of GF-1 and GF-3
-
摘要:目的 探索高分（GF）光学、合成孔径雷达（SAR）数据及其联合数据在森林地上生物量（AGB）及其组成部分反演中的可行性。方法 以云南省昆明市宜良县小哨林区的云南松为研究对象，结合实地调查数据，以GF-1光学数据和GF-3 SAR数据作为数据源，提取光学数据常用的植被指数和纹理特征，SAR数据的各极化后向散射系数、纹理特征以及极化分解等参数，利用KNN-FIFS方法分别进行森林AGB及其分量的反演；然后采用留一交叉验证法对反演结果进行精度评价，并在此基础上绘制森林AGB及其分量空间分布图。结果 联合GF-1和GF-3数据反演森林AGB及其分量的精度最高，R2均超过了0.710，RMSEr的值在22% ~ 27%之间，其中树叶的反演精度最优，模型的R2为0.714，RMSE为10.270 t/hm2，RMSEr为24.58%；除树叶生物量外，森林AGB和其他分量仅采用GF-1提取的特征进行反演时，精度均优于采用GF-3特征的反演结果。结论 联合GF-1光学数据和GF-3全极化SAR可以实现一定程度的互补，提高森林AGB及其分量的反演精度，此外KNN-FIFS方法在低生物量水平的云南松纯林的AGB及其分量的反演中具有一定的鲁棒性，且KNN-FIFS优选的重要参数多为SAR和光学的纹理特征。Abstract:Objective The objective of this study was to explore the feasibility of GF-1, GF-3, and combination of GF-1 and GF-3 for total forest aboveground biomass (AGB) and its component inversion.Method In this study, the vegetation indices, texture characterizations extracted from GF-1, backscattering coefficients, texture characterizations and polarimetric decomposition features extracted from GF-3 were used independently and in combination to estimate total AGB and component AGB of a pure forest of Yunnan pine (Pinus yunnanensis), located in Xiaoshao Forest Region in Yiliang County, Yunnan Province of southwestern China. A fast iterative features selection method for k-NN method (KNN-FIFS) was applied in forest total AGB and component AGB inversion and the leave one out cross validation (LOOCV) method was used to evaluate the model and the inversion results and the results were mapped and analyzed.Result The joint GF-1 and GF-3 data had the highest accuracy for inversion of forest AGB and each component AGB, and the R2 of each exceeded 0.710, and the values of RMSEr were between 22% and 27%, among which the inversion accuracy of foliage was the best, with the model’s R2 of 0.714, RMSE of 10.270 t/ha, and RMSEr of 24.58%; except for foliage component AGB, forest AGB and other components of AGB had better accuracy than the inversion results with GF-3 features when only the features extracted from GF-1 were used for the inversion.Conclusion Combining GF-1 optical data and GF-3 fully polarized SAR data can achieve a certain degree of complementarity to improve the inversion accuracy of forest AGB and fractional AGB. In addition, the KNN-FIFS method is robust in the inversion of AGB and fractional AGB of pure Yunnan pine forests at low biomass levels, and the important parameters preferred by KNN-FIFS mostly are texture features extracted form SAR and optics data.
-
Keywords:
- GF series satellite /
- forest AGB /
- forest AGB component /
- KNN-FIFS
-
光能利用效率（LUE）是指植被通过光合作用将吸收的单位光合有效辐射转换成干物质的效率[1-2]。它不仅是植物光合作用的重要生态学概念，也是利用遥感参数模型在区域尺度监测植被生产力的关键参数。光能利用率的变化能够对植被有机物的积累过程产生直接影响。光能资源与水肥等资源相比，具有无限制性、瞬时性、不可存储性等特点，因此，在一定时空范围内，植被对光能的截获吸收和利用能力的高低直接决定了生态系统的生产潜力[2]。当前，LUE广泛应用于不同尺度陆地生态系统总初级生产力（GPP）或净初级生产力（NPP）模型估算，和全球碳循环的研究中[3-6]。一些模型的比较研究表明，基于LUE的遥感模型模拟的全球净初级生产力（NPP）的平均值与其他参考模型的平均值有很大差异[7]。模型模拟结果的不确定性主要来自植被光合作用吸收的光合有效辐射和LUE[7]两个方面。此外，由于参数本身的观测和尺度变化带来的不确定性，以及模型的建立和运用范围的扩大，对结果的认识将有很大的不确定性。因此，了解LUE的生理生态基础，对于优化LUE模型和评价模型的可靠性具有重要的意义[8]。目前，对光能利用效率的研究大多集中在农田、草地和森林生态系统中[9-11]，对荒漠生态系统LUE的变化特征以及影响因子的调节机理的认识非常有限[9]。因此，不同的时间尺度上环境因子对荒漠生态系统光能利用率的作用强度还需要根据实际的观测数据进一步研究探索。
已有学者研究了不同尺度（叶片、个体、种群）碳循环过程的时间动态及其调控机理，其中LUE作为量化辐射能在群落尺度上的行为参数，已受到广泛关注。研究表明在生长季保证养分充足且没有水分胁迫的条件下，LUE是一个常数[12]，同时也有研究证明LUE随着植被生长发育而改变[4,9]，不同植被类型的光能利用效率具有明显的时空差异[5,9]。不同时间尺度上，影响LUE的主要环境因子也有差异在不同时间尺度上其环境影响因子也变现的各不相同。在昼夜尺度上，LUE主要受到辐射、温度等[13-14]影响；季节时间尺度上，LUE主要受到LAI、温度、养分元素等[15-16]影响。
由于观测尺度的不同，光能利用效率的计算方法也各不相同。包括叶片尺度上常采用叶片光合作用仪观测法[17-18]，群落尺度上常采用生物量收获发和涡度协方差方法[3]，生态系统尺度上采用遥感观测法和模型反演法等[5,19]。叶片观测法一般用于控制实验，用于探究植物叶片光合作用光响应的机理过程，LUE用表观量子速率表示。生物量收获法破坏性大且耗费大量的人力物力，一般多用于农作物的研究，其缺点是不能反应短时期（小时或者日尺度）LUE的变化。遥感观测法和模型反演多用于长时间序列的大尺度研究。涡度协方差方法被许多科研工作者用来直接测量大面积生态系统物质和能量通量，而不扰动下垫面。同时，也为研究区域生态系统尺度的光合特征参数提供了途径，为估算GPP提供了一种方法，为提高区域尺度光能利用效率的准确度提供参考。涡度协方差法在时空尺度上可以与卫星遥感尺度转换相关联，使得从冠层尺度到景观水平估算LUE成为可能。
油蒿（Artemisia ordosica）广泛分布于中国西北干旱与半干旱地区，是荒漠灌木生态系统的建群种。现已有大量关于油蒿的光合作用和灌木生态系统碳水耦合的研究[20-21]，但是关于油蒿灌木荒漠LUE的季节动态变化及其对环境因子响应的研究相对较少。本文运用涡度协方差方法对宁夏盐池毛乌素沙地油蒿灌木荒漠进行了全年的连续性监测，结合同步观测的气象因子，分析油蒿灌木荒漠光能利用效率在日尺度和季节尺度的变化特征及其对环境因子的响应，了解油蒿灌木荒漠光能资源利用机理，为荒漠生态系统的永续管理和沙区植被恢复提供科学参考依据。
1. 研究区概况
该研究区于宁夏盐池毛乌素沙地生态系统国家定位观测研究站（37°42′31″ N、107°13′47″ E，海拔1 560 m）。位于毛乌素沙地南缘，是黄土高原向鄂尔多斯台地、半干旱区向干旱区、干草原区向荒漠草原区、农区向牧区过渡的重要生态交错带，属于典型中温带大陆性季风气候[22-23]。多年平均空气温度8.1 ℃（1954—2004年），全年无霜期165 d。年均降雨量287 mm，其中62%集中在7—10月之间[20]，年平均潜在蒸发散为2 024 mm。该区主要由活动沙丘、半固定沙丘和固定沙丘组成。主要土壤类型为灰钙土，土壤有机质含量在0.5% ~ 0.8%之间，土壤pH值在7.5 ~ 8.5之间，在土壤层1 m深度范围内的土壤总氮含量为0.15 g/kg[21]。研究区主要植被为油蒿灌木。
2. 研究方法
2.1 CO2通量和微气象因子观测
涡度相关观测系统以高度为4.2 m的观测塔为载体，主要观测仪器包括三维超声风速仪（WindMasterTM Pro，Gill Instruments Ltd，Lymington，England）和CO2/H2O闭路红外气体分析仪（IGRA；model LI-7200，LI-COR Biosciences，Lincoln，NE，USA）。
微气象数据测量仪器均设立在4.2 m的通量塔上，辐射数据由净辐射仪（CNR-4，Kipp and Zonen，Delft，the Netherlands）测量，空气温度由空气温湿度传感器（HMP45C，Campbell Scientific Ltd，USA）测量。土壤温度由安装在通量观测塔周围的土壤温度传感器（Campbell-109，Campbell Scientific Ltd，USA）测量，土壤热通量由分布在通量塔周围的5块10 cm深的土壤热通量板（HFP01，Campbell Scientific Ltd，USA）测量，土壤体积含水量分别用10、30、70和120 cm深的土壤温湿度探头（ECH2O-5TE，Decagon Devices，USA）测量，降雨量由翻斗式雨量筒（TE525MM，Campbell Scientific Inc.，USA）测量。涡度协方差系统的数据和微气象数据用CR3000（Campbell Scientific Ltd，USA）数据采集器以10 Hz频率记录，并生成30 min的平均值。
2.2 LAI与养分元素的测定
在通量塔贡献区内设置100 m × 100 m的样地，沿样地东西方向和南北方向每隔20 m设置1条样线，样地内共设置12条样线。每两条样线相交点为叶面积指数测量点，共36个点。2014年4—10月，用LAI-2000冠层分析仪每隔1周对油蒿灌木荒漠的LAI进行一次测定。样地叶面积指数计算公式为LAI = ΣLAIi/36，式中：i为第i个测量点[22]。
2014年4月，选取10个10 m × 10 m小样方，每个小样方分别选取油蒿5株，每隔一周从每株植物上取10片叶子，带回实验室，杀青并烘至恒量，将每株油蒿的取样叶子充分混合研磨，制成供试品。每隔15 d在小样方中用土钻取0 ~ 30 cm层土样，共3次重复，将每层土壤样品均匀混合并带回实验室。自然风干后，用2 mm筛过筛，制成土样进行试验。叶氮含量和土壤全氮含量均采用凯氏定氮法测定[23]。
2.3 数据处理
生态系统净碳交换（NEE）被定义为公式（1）[24]：
NEE=Fc+Fs+Vc (1) 式中：Fc是通量观测塔测得的植被上部CO2交换量，Fs是测得的冠层内部储存通量，Vc是指垂直和水平平流效应的通量。该研究区域有着均匀分布的植被下垫面，因此Vc可忽略不计。对于低矮的冠层Fs接近于0，因此Fs可忽略不计[20]。因此，
NEE=Fc (2) 本研究所用数据从2014年1月1日至2014年12月31日，期间由于仪器故障等造成36.12%数据缺失。通过剔除异常值[25]、旋转二次坐标轴[26]、消除传感器延时影响[27]、频率响应校正[28]等方法来对10 Hz数据进行了校正和质量控制。由于在夜间稳定条件下涡流不明显，导致计算出的NEE值低于夜间实际CO2通量值，因此夜间NEE（NEEnight）数据应通过摩擦风速（u*）控制和筛选，剔除掉u* < 0.18 m/s的数据[22]。经筛选后得到47.7%的有效数据，然后用5倍标准差方法剔除掉异常值。缺失数据按照时长进行插补：不足2 h的数据间隙一般采用线性插值，对于2 h ~ 7 d的数据间隔，使用邻近7 d相同时段的观测平均值，对于大于7 d的数据缺口，采用Michaelis-Menten（3）和Lloyd-Taylor方程（4）通过区分白天和晚上的NEE和Re进行插值[29-30]，通过公式（5）计算出生态系统的NEP和GEP：
NEPnight=Re10Q10(Ts−10)/10 (3) NEEday=αPARAmax (4) {\rm{NEP}} = - {\rm{NEE}},\;{\rm{GEP}} = {\rm{NEP}} + {R_{\rm{e}}} (5) 式中：NEPnight为夜间生态系统净交换量，等于夜间生态系统的呼吸值Re（μmol/（m2·s）），Ts为10 cm 深的土壤温度（℃），Re10是Ts = 10 ℃时生态系统的呼吸值（μmol/（m2·s）），Q10是生态系统的呼吸敏感因子（μmol/（m2·s））。NEEday是白天生态系统净交换量（μmol/（m2·s）），α是表观量子效率（μmol/μmol），PAR是光合有效辐射，Amax是最大光合同化速率（μmol/（m2·s）），Rd是白天生态系统平均呼吸速率（μmol/（m2·s））。因为夜间测量出的NEE值就是生态系统夜间的呼吸值（自养呼吸和异养呼吸），因此通过公式（3）将Re与Q10的参数确定出来，根据白天的土壤温度计算出白天的生态系统呼吸值，考虑到植物的光合参数会受到物候和季节变化影响，因此在进行拟合和插补工作时应分别按月进行。gs运用彭曼公式计算得到：
g_{\rm{s}} = \frac{{\lambda E {\text{γ}} {g_{\rm{a}}}}}{{{\rm{\Delta }}\left( {{R_{\rm{n}}} - G} \right) - \lambda E\left( {{\rm{\Delta }} + {\text{γ}} } \right) + \rho {C_{\rm{p}}}{\rm{VPD}}{g_{\rm{a}}}}} (6) 式中：λ为汽化潜热（J/ kg）；E为测量的ET值（kg/（m2· s））；γ为干湿度常数（kPa/K，通常用0.066 5 kPa/℃表示）；∆为饱和蒸气压差和温度之间的斜率关系（kPa/K）；ga为空气动力学导度（mm/s）；Cp为空气的比热容（J/（kg·K））；ρ为干空气密度（kg/m3）；VPD是大气饱和水汽压差（kPa）；Rn是净辐射（W/m2）；G是土壤热通量（W/m2）。
\frac{1}{{{g_a}}} = \frac{u}{{{u^{*2}}}} + 6.2{u^{* - 0.67}} (7) 式中：u为冠层风度；u*为测量风速。
归一化植被指数（NDVI）的计算公式[31]：
{\rm{NDVI}} = \frac{{{{{R}}_{{\rm{NIR}}}} - {R_{{\rm{VIS}}}}}}{{{R_{{\rm{NIR}}}} + {R_{{\rm{VIS}}}}}} (8) 式中：RNIR表示近红外辐射（700 ~ 3 000 nm），RVIS表示可见光辐射（380 ~ 780 nm），本文分别用太阳辐射和光合有效辐射表示RNIR和RVIS。NDVI选用了每天11:00—14:00的辐射数据计算而得[32]。
LUE的估算结果很大程度上取决于GEP和PAR间的线性或非线性（例如直角双曲线方程）关系[33-34]。目前广泛使用的光能利用效率是指太阳辐射利用400 ~ 700 nm波长（PAR，μmol/（m2·s））范围内的光合有效辐射和植物通过吸收光合有效辐射将光能转化成生物量的速率。目前LUE的估算方法很多，但是在生态系统尺度上LUE的定义为：
{\rm{LUE}} = \frac{{{\rm{GEP}}}}{{{\rm{APAR}}}} (9) 式中：GEP为总生态系统生产力（g/（m2·d）），APAR为吸收光合有效辐射（MJ/（m2·d）），本文用散射PAR（PARdif）来代替吸收光合有效辐射[35-37]。
为研究生长季内（5—10月）不同时期LUE的主要影响因子，本文分析了GEP和LUE与环境因子之间的相关性。数据统计与分析使用Matlab2014（Version 7.12.0.，The Math Works，Natick，MA，USA），作图使用OriginPro-2015完成。
3. 结果与分析
3.1 环境因子与LUE的日变化
环境因子与LUE的日变化特征如图1所示。生长季内每日平均Ta的变化范围为11.0 ~ 28.4 ℃，每日平均Ts变化范围为8 ~ 29 ℃，VPD变化范围为0.8 ~ 2.1 kPa。VPD和Ta的最低值出现在08:00，最高值出现在16:00；Ts出现明显滞后现象，最低值出现在上午10:00左右，最高值出现在下午18:00左右；gs有一个单峰，峰值稳定在14:00左右，昼夜平均变化范围为0 ~ 4.2 mm/s。PAR呈现出明显的单峰，其中峰值稳定在14:00左右。GEP呈现出单峰趋势，其中7、8月峰值在12:00左右稳定，其余月份的峰值在10:00—16:00之间稳定，中午11:00的时候达到每日最大值，总体变化趋势表现为7月 > 8月 > 6月 > 9月 > 10月 > 5月；LUE在06:00—14:00逐渐减小，14:00—19:00逐渐增大，在14:00的时候达到每日最低值（0.000 8 ~ 0.002 4 μmol/μmol），整体的变化趋势表现为9月 > 8月 > 7月 > 6月 > 5月 > 10月。
![]()
图 1 环境因子、GEP和LUE昼夜变化趋势Ta.空气温度；Ts.10 cm深土壤温度；VPD.饱和水汽压差；gs.气孔导度；PARtot.总入射光合有效辐射；PARdif.散射光合有效辐射；GEP.生态系统总生产力；LUE.光能利用效率。下同。Ta, air temperature; Ts, soil temperature of 10 cm depth; VPD, vapor pressure deficit; gs, stomatal conductance; PARtot, total incident photosynthetically active radiation; PARdif, diffuset photosynthetically active radiation; GEP, gross ecosystem productivity; LUE, light use efficiency. The same below.Figure 1. Mean diurnal variation in environmental factors and gross ecosystem production（GEP）and light use efficiency3.2 环境因子与LUE的季节变化
图2为2014年生长季环境因子和生物因子的季节变化。油蒿灌木的日平均气温变化范围为3.4 ~ 27.6 ℃，日平均土壤温度变化范围为8.5 ~ 28.6 ℃。NDVI的变化范围为0.2 ~ 0.4。PAR从春季到夏季逐渐增加，随后降低，峰值出现在6月9日（56.6 mol/（m2·d））。年降雨总量341.9 mm，观测期降雨具有明显的季节变异，月累计降雨量9月（76.2 mm） > 7月（74.9 mm） > 8月（67.1 mm） > 6月（43.5 mm） > 10月（26.8 mm） > 5月（5.3 mm），在5月前的累计降雨量仅36.6 mm，降雨集中在7、8、9这3个月。VPD季节变化明显，在6月达到最大值，总体表现为夏季高、冬季低，变化范围为0.05 ~ 2.8 kPa。
![]()
图 2 环境和生物因子季节动态变化图NDVI. 归一化植被指数；LAI. 叶面积指数；leaf_N. 叶片N含量；soil_N. 土壤N含量；SWC10、SWC30、SWC70分别表示10、30、70 cm土壤含水量。下同。NDVI, normalized differential vegetation index; LAI, leaf area index. leaf_N, leaf N content; soil_N, soil N content. SWC10, SWC30, SWC70, represent 10, 30, 70 cm soil water content, respectively. The same below.Figure 2. Seasonal dynamics of environmental factors and biological factorsGEP在7月达到最大值（图3），此时油蒿进入完全展叶期，叶面积指数达到最大，光合速率增加并达到最大，因此在7月生态系统总初级生产力达到最大值。PAR在5月达到最大值，此时油蒿处于展叶期，LAI迅速增大（图2）并随着生长季呈现递增的趋势，由于7月份以后PAR的下降速率比GEP的下降速率大，从而导致LUE在9月份达到最大值0.002 5 g/MJ，月平均LUE介于0.000 9 ~ 0.002 5 g/MJ之间，平均值为0.002 g/MJ（图3）。8月份的总生态系统生产力总值达到最大23.19 g/（m2·d）（图4），对应的LUE月总值在9月份达到最大值0.179 g/MJ，出现这种不对等增长趋势的原因主要是由于辐射的变化所导致的（图4）。
![]()
图 3 光合有效辐射、GEP和LUE季节动态变化图Figure 3. Seasonal dynamics of photosynthetically active radiation, gross ecosystem production (GEP) and light use efficiency (LUE)![]()
图 4 GEP、LUE月变化Figure 4. Monthly sum dynamics of gross ecosystem production (GEP) and light use efficiency (LUE)3.3 季节尺度上油蒿GEP和LUE对环境因子的响应
GEP与Ta、Ts和降雨量之间呈现出较好的正相关关系（图5），随着温度的增加，GEP呈现明显的递增趋势，降雨量的增加也会提高GEP的大小，SWC对GEP的变化有着72%的贡献率。随着Nsoil含量的增大，LUE表现出先减小后增大的趋势，在Nsoil达到0.24 g/kg时达到最低，Nsoil对LUE的变化有着90%的贡献率，LUE的变化还随着gs的增大呈现先减小后增大的趋势，gs对LUE的变化有着64%的贡献率，LUE的季节变化主要受到Nsoil和gs的影响。
![]()
图 5 环境因子对GEP与LUE的影响Figure 5. Relationship between light use efficiency and environmental factors at seasonal scale4. 讨 论
4.1 LUE的日变化以及对环境因子的响应
生长季（5—10月）LUE昼夜变化基本保持一致，呈现出先减小后增大的趋势，在14:00达到最小值，这与呼伦贝尔贝加针茅草甸草原生态系统中的光能利用效率的昼夜变化趋势基本一致[34]。LUE的昼夜变化一般受GEP和PAR昼夜变化的驱动，其中GEP的昼夜变化趋势为先增大后趋于稳定最后变小，而PAR的昼夜变化是先增大后减小的单峰趋势，并在14:00点时PAR达到最大值。光合作用是植物生长和物质积累的基础，其中光是光合作用的主导因子[38]，午后高PAR常常限制植物光合作用，从而导致在昼夜尺度上LUE的变化与GEP的变化趋势正好相反。此外，夏季LUE的昼夜变化也受生态系统冠层导度（gs）的影响，夏季植物在中午时遭受高温、高辐射胁迫，此时gs达到最小，引起气孔关闭，空气阻力增加，光合作用受阻导致叶片光合速率降低[39-40]，从而降低了生态系统LUE。
4.2 LUE的季节变化以及对环境因子的响应
研究区油蒿灌木荒漠光能利用效率动态随着环境变化和植被本身的生理特征的变化而变得复杂，但是LUE有着显著的季节动态特征。LUE的季节变化呈现出先增加后下降的单峰趋势，在9月份达到最大值0.002 5 g/MJ，10月份达到最低值0.000 9 g/MJ。这与内蒙古荒漠草原的光能利用效率的变化趋势一致，在8月份达到最大值0.355 g/MJ，同时最低值出现在4月份0.219 g/MJ[41]。卫亚星等[42]对青海省稀疏灌木的研究发现LUE介于0.026 ~ 0.049 g/MJ之间，最大值出现在7月份。由于7、8月份是植被的生长旺季，水热条件充足，植被覆盖率最大，此时植被的累积光物质质量也较多，吸收光合有效辐射量最大，LUE达到最大值。
植物冠层光合作用主要受冠层吸收的太阳辐射控制，植被叶片在截获入射太阳光合有效辐射进行光合作用时也具有光保护机制。植被在环境胁迫条件下（如极端高温、水分或养分亏缺、高光强等）通过降低光合作用效率[43]实现光保护过程。氮元素不仅参与植物光合作用而且是维持植物生长的重要元素，与生物圈的演替和发展紧密相关[37]，Green等[15]证实了冠层总氮含量与光能利用效率之间存在显著正相关性。在低覆盖率的地表，降雨会增加土壤含水量，改变Ts，通过影响PAR[24,41]从而改变LUE的大小。VPD会通过影响植被叶片的伸展、改变叶片气孔导度从而改变光合速率来影响LUE的变化。在本研究区域内已经被证实VPD会通过影响该生态系统的碳交换过程[44]，同时土壤水分的补给不足会限制半干旱草原和灌木生态系统的生产力[44-45]，从而导致LUE降低。苏培玺等[46]对荒漠植物梭梭（Haloxylon ammodendron）和沙拐枣（Calligonum mongolicum）的光合作用过程研究发现，在水分条件好时光合速率明显增大，LUE明显提高。
朱文泉等[39]结合遥感数据、气象数据和实测NPP数据，系统的模拟了中国典型植被的最大光能利用效率LUEmax，得到中国灌木类型的最大光能利用效率为0.429 g/MJ。本文估算出的光能利用效率值远远低于前人的研究，可能与荒漠生态系统较小的生产力、较大的辐射值紧密相关。实际光能利用效率与环境条件的关系非常复杂，植被类型、地理位置、气候条件、植被营养状况（叶氮含量）和植被生长阶段都会影响光能利用效率的变化。
5. 结 论
本文通过研究油蒿灌木荒漠光能利用效率的昼夜和季节动态变化，明确了在不同时间尺度上LUE的主要影响因子。
（1） 在日尺度上，LUE呈现出先降低后增加的趋势，在14:00时达到最低值；LUE的日变化主要受gs和PAR的影响。
（2） 在季节尺度上，LUE呈现出先增加后降低的趋势，在9月份达到最大值，LUE的季节变化主要受土壤N含量和gs的影响。
研究还发现，LUE的大小主要取决于GEP与PAR的比值关系，在长时间尺度上通过增加土壤的养分元素，可以提高植被的光合生产能力，从而提高光能利用效率。此外，本研究主要集中在季节和生态系统尺度上，对于毛乌素沙地油蒿灌木荒漠的最大光能利用效率的定量研究还应结合卫星遥感数据与当地多年的地面实测数据相结合进行多时空多尺度的研究。
-
![]()
图 1 研究区地理位置及样地分布
Figure 1. Location of the study area and distribution of sample plots
![]()
图 3 利用GF-1数据反演森林AGB与实测值对比散点图
实线为1∶1验证线。The solid line is 1∶1 verification line.
Figure 3. Scatter plots between forest AGB inversion results using GF-1 data and field collected sample values
![]()
图 4 利用GF-3数据反演森林AGB与实测值对比散点图
实线为1∶1验证线。The solid line is 1∶1 verification line.
Figure 4. Scatter plots between forest AGB inversion results using GF-3 data and field collected sample values
![]()
图 5 利用GF-1、GF-3数据联合反演森林AGB与实测值对比散点图
实线为1∶1验证线。The solid line is 1∶1 verification line.
Figure 5. Scatter plots between forest AGB inversion results using combination of GF-1, GF-3 data and field collected sample values
表 1 GF-1卫星传感器参数
Table 1 GF-1 satellite sensor parameters
波段号
Band No.波段
Band频谱范围
Spectral range/μm分辨率
Spatial resolution/mPan1 Pan 0.45 ~ 0.90 2 Band1 Blue 0.45 ~ 0.52 8 Band2 Green 0.52 ~ 0.59 8 Band3 Red 0.63 ~ 0.69 8 Band4 NIR 0.77 ~ 0.89 8 
下载: 导出CSV
表 2 GF-3 PolSAR数据详细参数
Table 2 Detailed information of the acquired GF-3 PolSAR data
成像时间
Acquisition time极化方式
Polarization way入射角
Incidence angle/(°)波长
Wave length/m距离向分辨率
Range resolution/m方位向分辨率
Azimuth resolution/m经纬度
Latitude & Longitude2018−05−18 HH、HV、VH、VV 39.104 0.055 5 2.248 5.12 103°01′48″E、
24°40′12″N注：HH.发射和接收的都为水平极化的电磁波；HV.发射的电磁波为水平极化，接收的电磁波为垂直极化；VH.发射的电磁波为垂直极化，接收的电磁波为水平极化；VV.发射和接收的都为垂直极化的电磁波。Notes: HH, both the transmitted and received electromagnetic waves are horizontally polarized; HV, the transmitted electromagnetic wave is horizontally polarized and the received electromagnetic wave is vertically polarized. VH, the transmitted electromagnetic wave is vertically polarized and the received electromagnetic wave is horizontally polarized. VV, transmitted and received electromagnetic waves that are vertically polarized.
下载: 导出CSV
表 3 植被指数
Table 3 Vegetation indexes
植被指数 Vegetation index 计算公式 Calculation formula 归一化植被指数
Normalized difference vegetation index (NDVI){\rm{NDVI}} = \dfrac{{{\rho _{\rm{NIR}}} - {\rho _{\rm{red}}}}}{{{\rho _{\rm{NIR}}} + {\rho _{\rm{red}}}}} 简单植被指数
Simple ratio index (SR){\rm{SR} } = {\rho _{\rm{red} } }/{\rho _{{\text{NIR} } } } 可见光大气阻抗植被指数
Visible atmospherically resistant index (VARI){\rm{VARI}} = \dfrac{{{\rho _{\rm{{green}}}} - {\rho _{\rm{red}}}}}{{{\rho _{{\text{green}}}} + {\rho _{\rm{red}}} - {\rho _{{\rm{blue}}}}}} 差值植被指数
Difference vegetation index (DVI){\rm{DVI} } = {\rho _{{\rm{NIR}}} } - {\rho _{\rm{red} } } 垂直植被指数
Perpendicular vegetation index (PVI){\rm{PVI} } = 0.939 \times {\rho _{{\text{NIR} } } } - 0.344 \times {\rho _{\rm{red} } } + 0.09 土壤调节植被指数
Soil-adjusted vegetation index (SAVI){\rm{SAVI} } = \dfrac{ {1.5 \times \left( { {\rho _{\rm{NIR} } } - {\rho _{{\rm{red}} } }} \right)} }{ { {\rho _{\rm{NIR} } } + {\rho _{\rm{red} } } + 0.5} } 增强植被指数
Enhanced vegetation index (EVI){\rm{EVI} } = \dfrac{ {2.5 \times \left( { {\rho _{ {\text{NIR} } } } - {\rho _{ {\text{red} } } }} \right)} }{ {1 + {\rho _{\rm{NIR} } } + 6 \times {\rho _{\rm{red} } } - 7.5 \times {\rho _{{\rm{blue}}} } } } 修正土壤调节植被指数
Modified soil-adjusted vegetation index (MSAVI){\rm{MSAVI}} = \dfrac{{2{\rho _{\rm{NIR}}} + 1 - \sqrt {{{\left( {2{\rho _{{\text{NIR}}}} + 1} \right)}^2} - 8\left( {{\rho _{{\text{NIR}}}} - {\rho _{\rm{red}}}} \right)} }}{2} 注：表中的 \;{\rho }_{\rm{NIR}}、{\rho }_{\rm{red}}、{\rho }_{\text{green}}、{\rho }_{{\rm{blue}}} 分别为GF-3影像的近红外、红光、绿光和蓝光波段。Notes: \;{\rho }_{\rm{NIR}},\;{\rho }_{\rm{red}},\;{\rho }_{\text{green}},\;{\rho }_{{\rm{blue}}}\; are the near-infrared, red, green and blue bands of GF-3 images.
下载: 导出CSV
表 4 GF-1的重要参数及反演精度
Table 4 Important parameters of GF-1 and inversion accuracy
生物量
Biomass最近邻样本数量取值
Number of nearest
neighbor samples (K)窗口
Window决定系数
Coefficient of
determination (R2)均方根误差/（t·hm−2）
Root mean
square error
(RMSE)/(t·ha−1)相对均方根误差
Relative root mean
square error
(RMSEr)/%重要参数
Major parameter森林地上生物量
Forest AGB1 5 0.634 11.310 30.61 Me_b2、Con_pan、Var_b3、
Con_b1、Con_3干材生物量
Stem biomass1 5 0.609 6.971 32.76 Me_b2、Con_pan、Var_b3、
Con_b1、Con_3树皮生物量
Bark biomass4 1 0.595 1.119 30.37 Me_b1、Var_b1、Cor_b3 树枝生物量
Branch biomass1 5 0.646 2.663 30.01 Me_b2、Var_pan、Var_b1、
Con_b2树叶生物量
Leaf biomass4 1 0.598 0.976 30.01 Me_b1、Var_b1、Cor_b3 注：Con_pan、Var_pan为GF-1全色波段纹理的对比度和方差；Me_b1、Con_b1、Var_b1为GF-1蓝光波段的均值、对比度、方差；Me_b2为GF-1绿光波段的均值；Var_b3、Con_3、Cor_b3为红光波段的方差、对比度、相关性。Notes: Con_pan, Var_pan are the contrast and variance of GF-1 panchromatic band texture; Me_b1, Con_b1, Var_b1 are the mean, contrast, and variance of GF-1 blue band; Me_b2 is the mean of GF-1 green band; Var_b3, Con_3, Cor_b3 are the variance, contrast, and correlation of red band, respectively.
下载: 导出CSV
表 5 GF-3的重要参数及反演精度
Table 5 Important parameters and inversion accuracies based on GF-3
生物量 Biomass K 窗口
WindowR2 RMSE/(t·hm−2)
RMSE/(t·ha−1)RMSEr/% 重要参数
Major parameter森林地上生物量 Forest AGB 1 7 0.500 14.110 37.17 T23_im、VHDB、T13_re 干材生物量 Stem biomass 2 7 0.464 8.522 38.53 T23_im、T13_re、Fre_Vol 树皮生物量 Bark biomass 7 7 0.372 1.495 37.99 T23_im、Sp_con135 树枝生物量 Branch biomass 1 7 0.515 3.243 35.89 T23_im、VHDB、T13_re 树叶生物量 Leaf biomass 2 11 0.630 0.993 29.13 Sp_ent135、T23_re、Sp_ent0、T12_re、HHUTM、Sp_con0 注：Sp_con135和Sp_con0、Sp_ent135和Sp_ent0分别为GF-3的SPAN特征纹理的135°和0°的对比度、135°和0°的熵；VHDB为GF-3交叉极化的后向散射系数分贝化结果；HHUTM为GF-3同极化的后向散射系数；T23_im、T13_re、T23_re为相干矩阵（T）中的元素；Fre_Vol为Freeman2分解的体散射分量。Notes: Sp_con135, Sp_con0, Sp_ent135, Sp_ent0 are the 135° and 0° contrast, 135° and 0° entropy of the SPAN feature texture of GF-3; VHDB is the decibelized result of backscattering coefficient of GF-3 cross-polarization. HHUTM is the backscattering coefficient of GF-3 co-polarization; T23_im, T13_re, T23_re are the elements in the coherence matrix (T); Fre_Vol is the body scattering component of the Freeman2 decomposition.
下载: 导出CSV
表 6 联合GF-1 + GF-3的重要参数及反演精度
Table 6 Important parameters and inversion accuracies based on the combination of GF-1 + GF-3
生物量
BiomassK 窗口
WindowR2 RMSE/(t·hm−2)
RMSE/(t·ha−1)RMSEr/% 重要参数
Major parameter森林地上生物量 Forest AGB 2 3 0.714 10.270 26.61 B2、Sp_dis90、HVUTM、VHUTM、Sp_hom45、Me_b2、
Sp_con90干材生物量
Stem biomass2 1 0.713 6.285 26.53 Dis_b3、Sp_con90、Me_b2、Sp_con45、Hom_b3、
Sp_ent135、Var_b1、VH树皮生物量
Bark biomass2 3 0.757 0.931 22.54 B3、Sp_dis90、HVUTM、VHUTM、Sp_hom45、Var_b1、
Sp_hom90、Me_b3树枝生物量
Branch biomass2 3 0.711 2.419 26.58 B3、Sp_dis90、HVUTM、VHUTM、Sp_hom45、Me_b2、
Sp_con90树叶生物量
Leaf biomass3 11 0.770 0.820 24.58 Dis_b3、Sec_b2、Me_b3、T12_re、Var_b2、Var_b1 注：在GF-1光学数据中，B2、B3为绿光和红光的光谱信息；Me_b2、Sec_b2为绿光波段的均值和二阶矩；Dis_b3、Hom_b3、Me_b3为红光波段的相异性、均匀性、均值。在GF-3PolSAR数据中，HVUTM、VHUTM为交叉极化的后向散射系数；Sp_dis90、Sp_hom45和Sp_hom90、Sp_con90和Sp_con45分别为SPAN特征的90°的相异性、45°和90°的均匀性、90°和45°的对比度。Notes: in GF-1 optical data, B2 and B3 are spectral information of green and red light; Me_ b2, Sec_ B2 are the mean and second-order moment of the green band; Dis_ b3, Hom_ b3, Me_ B3 are the difference, uniformity and mean value of red light band. In gf-3polsar data, HVUTM and VHUTM are backscattering coefficients of cross polarization; Sp_ dis90, Sp_ hom45, Sp_ hom90, Sp_ con90, Sp_ Con45 are the 90° non similarity, 45° and 90° uniformity, 90° and 45° contrast of span characteristics.
下载: 导出CSV
-
[1] 菅永峰, 韩泽民, 黄光体, 等. 基于高分辨率遥感影像的北亚热带森林生物量反演[J]. 生态学报, 2021, 41(6): 2161−2169. Jian Y F, Han Z M, Huang G T, et al. Estimation of forest biomass using high spatial resolution remote sensing imagery in north subtropical forests[J]. Acta Ecologica Sinica, 2021, 41(6): 2161−2169.
[2] 胥辉, 张会儒. 林木生物量模型研究[M]. 昆明: 云南科学技术出版社, 2002. Xu H, Zhang H R. Study on forest biomass model[M]. Kunming: Yunnan Science and Technology Press, 2002.
[3] 李德仁, 王长委, 胡月明, 等. 遥感技术估算森林生物量的研究进展[J]. 武汉大学学报·信息科学版, 2012, 37(6): 631−635. doi: 10.13203/j.whugis2012.06.001 Li D R, Wang C W, Hu Y M, et al. Research progress of forest biomass inversion by remote sensing technology[J]. Geomatics and Information Science of Wuhan University, 2012, 37(6): 631−635. doi: 10.13203/j.whugis2012.06.001
[4] 魏晶昱, 范文义, 于颖, 等. GF-3全极化SAR数据极化分解估算人工林冠层生物量[J]. 林业科学, 2020, 56(9): 174−183. doi: 10.11707/j.1001-7488.20200919 Wei J Y, Fan W Y, Yu Y, et al. Polarimetric decomposition parameters for artificial forest canopy biomass inversion using GF-3 fully polarimetric SAR data[J]. Scientia Silvae Sinicae, 2020, 56(9): 174−183. doi: 10.11707/j.1001-7488.20200919
[5] 曾晶, 张晓丽. 高分一号遥感影像下崂山林场林分生物量反演估算研究[J]. 中南林业科技大学学报, 2016, 36(1): 46−51. doi: 10.14067/j.cnki.1673-923x.2016.01.008 Zeng J, Zhang X L. Laoshan forest biomass estimation based on GF-1 images with inversion algorithm[J]. Journal of Central South University of Forestry & Technology, 2016, 36(1): 46−51. doi: 10.14067/j.cnki.1673-923x.2016.01.008
[6] 丁家祺, 黄文丽, 刘迎春, 等. 基于机器学习和多源数据的湘西北森林地上生物量估测[J]. 林业科学, 2021, 57(10): 36−48. doi: 10.11707/j.1001-7488.20211004 Ding J Q, Huang W L, Liu Y C, et al. Estimation of forest aboveground biomass in northwest Hunan Province based on machine learning and multi-source data[J]. Scientia Silvae Sinicae, 2021, 57(10): 36−48. doi: 10.11707/j.1001-7488.20211004
[7] 李春梅, 张王菲, 李增元, 等. 基于多源数据的根河实验区生物量反演研究[J]. 北京林业大学学报, 2016, 38(3): 64−72. doi: 10.13332/j.1000-1522.20150209 Li C M, Zhang W F, Li Z Y, et al. Retrieval of forest above-ground biomass using multi-source data in Genhe, Inner Mongolia[J]. Journal of Beijing Forestry University, 2016, 38(3): 64−72. doi: 10.13332/j.1000-1522.20150209
[8] 李云, 张王菲, 崔鋆波, 等. 参数优选支持的光学与SAR数据森林地上生物量反演研究[J]. 北京林业大学学报, 2020, 42(10): 11−19. Li Y, Zhang W F, Cui J B, et al. Inversion exploration on forest aboveground biomass of optical and SAR data supported by parameter optimization method[J]. Journal of Beijing Forestry University, 2020, 42(10): 11−19.
[9] 潘婧靓, 邢艳秋, 黄佳鹏, 等. 联合 GF-3 PolSAR 数据与Landsat-8 OLI 数据的森林地上生物量估测[J]. 中南林业科技大学学报, 2020, 40(8): 83−90. Pan J J, Xing Y Q, Huang J P, et al. Estimation of forest above-ground biomass based on GF-3 PolSAR data and Landsat-8 OLI data[J]. Journal of Central South University of Forestry & Technology, 2020, 40(8): 83−90.
[10] 许振宇, 李盈昌, 李明阳. 基于Sentinel-1A和Landsat8数据的区域森林生物量反演[J]. 中南林业科技大学学报, 2020, 40(11): 147−155. Xu Z Y, Li Y C, Li M Y, et al. Forest biomass retrieval based on Sentinel-1A and Landsat 8 image[J]. Journal of Central South University of Forestry & Technology, 2020, 40(11): 147−155.
[11] 边瑞. 基于多源遥感数据的祁连山国家公园森林生物量估算研究[D]. 兰州: 兰州大学, 2021. Bian R. Estimation of forest aboveground biomass in the Qilian Mountain National Park based on multi-source remote sensing data[D]. Lanzhou: Lanzhou University, 2021.
[12] 韩宗涛, 江洪, 王威, 等. 基于多源遥感的森林地上生物量KNN-FIFS估测[J]. 林业科学, 2018, 54(9): 70−79. doi: 10.11707/j.1001-7488.20180909 Han Z T, Jiang H, Wang W, et al. Forest above-ground biomass estimation using KNN-FIFS method based on multi-source remote sensing data[J]. Scientia Silvae Sinicae, 2018, 54(9): 70−79. doi: 10.11707/j.1001-7488.20180909
[13] 巨一琳, 姬永杰, 黄继茂, 等. 联合LiDAR和多光谱数据森林地上生物量反演研究[J]. 南京林业大学学报(自然科学版), 2022, 46(1): 58−68. Ju Y L, Ji Y J, Huang J M, et al. Inversion of forest aboveground biomass using combination of LiDAR and multispectral data[J]. Journal of Nanjing Forestry University (Natural Science Edition), 2022, 46(1): 58−68.
[14] 黄从德, 张健, 杨万勤, 等. 四川省及重庆地区森林植被碳储量动态[J]. 生态学报, 2008, 28(3): 966−975. doi: 10.3321/j.issn:1000-0933.2008.03.008 Huang C D, Zhang J, Yang W Q, et al. Dynamics on forest carbon stock in Sichuan Province and Chongqing City[J]. Acta Ecologica Sinica, 2008, 28(3): 966−975. doi: 10.3321/j.issn:1000-0933.2008.03.008
[15] 国家林业局. 立木生物量模型及碳计量参数−云南松: LY/T 2262—2014[S]. 北京: 中国标准出版社, 2014. National Forestry Administration. Tree biomass models and related parameters to carbon accounting for Pinus yunnannensis: LY/T 2262−2014[S]. Beijing: Chinese Standard Publishing House, 2014.
[16] 张庆君. 高分三号卫星总体设计与关键技术[J]. 测绘学报, 2017, 46(3): 269−277. doi: 10.11947/j.AGCS.2017.20170049 Zhang Q J. System design and key technologies of gaogao-3 satellite[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(3): 269−277. doi: 10.11947/j.AGCS.2017.20170049
[17] Lal P, Kumar A, Saikia P, et al. Effect of vegetation structure on above ground biomass in tropical deciduous forests of Central India[J]. Geocarto International, 2022, 37(21): 6294−6310.
[18] 魏晶昱. 基于GF-3全极化SAR数据估算森林冠层生物量[D]. 哈尔滨: 东北林业大学, 2019. Wei J Y. Polarimetric decomposition parameters for artificial forest canopy biomass inversion using GF-3 fully polarimetric SAR data[D]. Harbin: Northeast Forestry University, 2019
[19] Yamaguchi Y, Moriyama T, Ishido M, et al. Four-component scattering model for polarimetric SAR image decomposition[J]. IEEE Trans. Geosci Remote Sens, 2005, 43(8): 1699−1706. doi: 10.1109/TGRS.2005.852084
[20] 苏彩霞, 胡娟, 欧卫华, 等. 基于SPAN与NDVI的全极化SAR数据喀斯特地区土地类型划分[J]. 农业工程学报, 2020, 36(24): 265−272. doi: 10.11975/j.issn.1002-6819.2020.24.031 Su C X, Hu J, Ou W H, et al. Land type classification of full polarization SAR data using SPAN and NDVI in karst areas, China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(24): 265−272. doi: 10.11975/j.issn.1002-6819.2020.24.031
[21] Tsui O W, Coops N C, Wulder M A, et al. Using multi-frequency radar and discrete-return LiDAR measurements to estimate above-ground biomass and biomass components in a coastal temperate forest[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 69: 121−133. doi: 10.1016/j.isprsjprs.2012.02.009
[22] Gao Y, Lu D, Li G, et al. Comparative analysis of modeling algorithms for forest aboveground biomass inversion in a subtropical region[J]. Remote Sensing (Basel, Switzerland), 2018, 10(4): 627−649.
[23] 王昆. 基于Quickbird和极化雷达数据的森林生物量估测方法研究[D]. 北京: 北京林业大学, 2013. Wang K. Study on the estimation method of forest biomass using Quickbird and polarimetric SAR data[D]. Beijing: Beijing Forestry University, 2013.
[24] 刘龙飞, 陈云浩, 李京. 遥感影像纹理分析方法综述与展望[J]. 遥感技术与应用, 2003, 18(6): 441−447. doi: 10.3969/j.issn.1004-0323.2003.06.015 Liu L F, Chen Y H, Li J. Review and prospect of texture analysis methods of remote sensing images[J]. Remote Sensing Technology and Application, 2003, 18(6): 441−447. doi: 10.3969/j.issn.1004-0323.2003.06.015
计量
- 文章访问数: 887
- HTML全文浏览量: 396
- PDF下载量: 124
