Pathway and method of forest health assessment using remote sensing technology
-
摘要: 近年来，随着气候变化和人类活动的加剧，全球森林面积持续减少、质量下降，生态环境事件频发，森林健康的问题受到前所未有的关注，已经成为生态文明战略的重要组成部分。我国森林资源持续增长，但同时也面临一些问题，如：造林结构单一、林分质量不高、生态稳定性弱等，如何系统准确评价其森林健康状况仍然是当前难点。相对于传统地面调查方法，遥感技术具有实时获取、重复监测以及多时空尺度等优势，并且随着高分遥感和人工智能等技术的飞速发展，大幅提高了解决森林健康评价难题的能力。为系统评估新型遥感技术应用于评价森林健康的潜力，本文在文献分析基础上，指出了现有路径和方法，具体包括：（1）通过文献计量学方法分析并明确了森林健康评价的4大核心内容（活力、组织结构、抵抗力和恢复力）和4大关键问题（树种分类、林木活力、林业有害生物、干旱胁迫）。（2）从不同尺度（单木−林分−生态系统−景观）、不同平台（近地面遥感−航空遥感−卫星遥感）和不同传感器（包括RGB相机、多/高光谱相机、激光雷达、热红外相机、微波雷达和叶绿素荧光扫描仪）3个角度，系统梳理现有遥感技术的优缺点。（3）围绕4个关键问题，阐述近年来应用遥感技术评价森林健康的路径和方法。进一步，本文指出了包括多数据源融合分析、森林健康监测网络与近地面遥感、森林健康大数据应用在内的挑战与机遇，以期为我国森林资源智慧管理提供参考。Abstract: In recent years, with the aggravation of climate change and human activities, the global forest area continues to reduce, forest quality keeps declining, and the ecological and environmental events occur frequently. Thus, forest health issues have received unprecedented attention, and have become an important part of the ecological civilization strategy. China’s forest resources continue to grow, but it also faces some problems, such as single afforestation structure, low stand quality and weak ecological stability. How to evaluate forest health systematically and accurately is still a difficult problem. Compared with the traditional ground survey methods, remote sensing technology has the advantages of macroscopic, timeliness and economic efficiency. With the rapid development of high-resolution remote sensing and artificial intelligence technology, it is possible to overcome the problem of forest health assessment. In order to systematically evaluate the potential of new remote sensing technology, this paper points out the existing paths and methods on the basis of literature analysis, including: (1) through bibliometric analysis, four core contents of forest health assessment (vitality, organizational structure, resistance and resilience) and four key issues (tree species classification, forest vitality, forest pests, drought threat) were identified. (2) Systematically interpreting the advantages and disadvantages of existing remote sensing technologies from three angles, namely, different scales (single tree stand ecosystem landscape), different platforms (near ground remote sensing, aerial remote sensing satellite remote sensing) and different sensors (including RGB cameras, multi/hyperspectral cameras, lidar, thermal infrared cameras, microwave radars and chlorophyll fluorescence scanners). (3) Focusing on four key issues, this paper expounds the application path and method of remote sensing technology to evaluate forest health in recent years. Furthermore, this paper points out the challenges and opportunities, including multi-source fusion analysis, forest health monitoring network and near ground remote sensing, forest health big data application, in order to provide reference for the intelligent management of forest resources in China.
-
Keywords:
- forest health /
- remote sensing /
- sensor /
- VOR system /
- forestry pest
-
森林碳储量及其变化已成为国内外研究CO2排放量和吸收量之间平衡的重要内容之一[1-2]，森林在减小碳收支平衡中起着关键作用[3-10]，是重要的碳汇源，但全球碳排放量与吸收量之间仍存在1.6 × 1012 ~ 2.0 × 1012 kg的不平衡[11-13]。
中国森林植被的CO2源汇功能对全球碳循环具有重要意义，自然也是国内外学者研究的热点。然而，中国森林资源分布范围较广，各地自然气候差异明显，大多树种分布的区域各有不同，因此，估测全国的森林碳储量的方法也各有差异，只研究一个省（区）或较小区域的森林碳储量，各种研究方法都具有较好的说服力[14-21]。但从国家级研究尺度来估算全中国的森林碳储量，采用生物量换算因子法，得到了较广泛的认可[10-13, 22-24]。
依据林木直径或蓄积量等因子建立分树种的单木生物量模型，进而估测碳储量的方法在区域碳储量研究中适用[25-26]。目前我国已建立了主要树种的单木胸径生物量模型，如何兼顾区域乃至各省的实际需求，在条件允许的前提下，建立区域或省级通用性模型，是我们需要考虑的一个问题[27]。
依据森林蓄积建立生物量模型的方法得到较多科学家的肯定，特别是利用森林资源清查资料建立生物量与蓄积量的回归模型，用以估测全国和区域生物量的方法[11, 13, 15, 28-30]，具有明显的优势。森林蓄积量测定方法和模型已经成熟且广泛被应用几十年，实质上树木蓄积量的大小也决定了其生物量的大小，无论是天然林还是人工林，也无论是混交林还是纯林。
中国森林分布在不同的气候区域，研究建立分区域的生物量模型，能够提高估计精度。因此，本文结合森林资源清查抽样总体和气候区差异的实际，利用全国森林资源清查22种主要树种的生物量建模实测数据，分别建立区域性单木生物量与材积回归模型，以满足各省森林生物量和碳储量监测和评估的需求，同时利用1949—2018年间11个时间段的森林资源统计数据，系统测算出了近70年全国及各个区域森林资源碳储总量和碳汇能力，以期揭示出70年来我国森林碳储量的变化规律和原因，为研究我国森林碳汇平衡和应对气候变化提供科学的支撑作用。
1. 研究方法
本文采用分区域建立的生物量与单木材积回归模型方法，对各类型森林资源生物量和碳储量进行测算。
1.1 区域划分
建立单木生物量与材积的回归模型应考虑不同的气候温、湿差异，建立分区域的单木生物量与材积回归模型是较为实际和可靠的森林生物量估测方法，这个区域单元划分的越小，生物量与材积的回归相关性越显著，但是需求的样本量也越大。按气候、自然地理区划建立生物量与材积的回归模型，还必须考虑中国森林资源清查的实际情况，因为中国气候区划还没有在实践中落实到山头地块上，而中国森林资源清查抽样体系是以省（区）为总体建立的，跨气候区或自然地理区域较大的省（区）森林资源清查数据若分小区进行统计，会降低清查结果的精度，如内蒙古自治区地理上跨中国东北、华北和西北3个区，气候上涉及暖温带、温带和寒温带3个区，清查数据不按地理区、气候区统计，只按全省（区、市）行政区进行森林资源统计。因此，在保证行政区（省、区、市）数据完整的条件下，将气候条件相近，自然地理区域相连的省（区、市）划分为一个森林生物量估测单元，建立生物量与蓄积量的回归模型比全国建立一个估测模型更可靠、更符合实际。当然，如果具有足够多的样本，也可以建立各省（区、市）的生物量估测模型。
本文将中国划分为7个区域，分别建立了生物量与材积、地下生物量与地上生物量的单木生物量回归模型。东北区（NE）包括黑龙江、吉林和辽宁3个省，华北区（NN）包括北京、天津、河北、内蒙古和山西5省（区、市），西北区（NW）包括陕西、甘肃、宁夏、青海和新疆5省（区），中南区（MS）包括江苏、上海、山东、安徽、河南、湖北和湖南7省（区、市），东南沿海区（ES）包括浙江、江西、福建、广东、广西和海南6省（区），西南区（WS）包括四川、重庆、贵州和云南4省（区、市），西藏区（XZ）包括西藏区，香港、澳门和台湾以及西藏控制线外地区的森林资源生物量由于样本数据不足，不包括在本文研究内。
1.2 材积与生物量模型的建立
本文所用建模数据为全国森林资源清查生物量建模项目所采集的实测数据。该项目根据《立木生物量建模样本采集技术规程》（LY/T 2259—2014）的要求，在全国选择22个主要树种（蓄积之和占全国森林蓄积的82%），共完成7 533株样木的地上生物量（分干、皮、枝、叶）数据采集和2 530株样木的地下生物量数据采集，同时完成了不同器官的含碳系数测定工作。该数据中样本选取综合考虑了建模树种（组）的地域分布（生态地理区域和行政区域）、立地条件、林分起源、龄组、密度等因素，确保了所采集的样本具有充分的代表性。每个建模树种样本单元数为150株左右，按10个左右的径阶组（如按2、4、6、8、12、16、20、26、32、38 cm以上10个径阶各分配15株）进行采集，且每个选定径阶内的样本单元数按不同树高级（按树高分布范围等分3 ~ 5个树高级）均匀分配，同时兼顾冠幅、冠长的差异。在保证每个建模树种具有足够150个地上生物量和材积样本的基础上，尽量划分更小的建模树种的适应范围。本文根据22个树种资料分区域共建立了42个树种单木地上生物量与材积、地下生物量与地上生物量的回归模型。通过对各个区域地上生物量与材积的模型关系分析，建模结果显示，以幂函数模型为最优，且明显优于指数模型、多项式模型和线性模型，其生物量与材积的模型拟合程度决定系数（R2）均在0.96以上，地下与地上生物量的模型决定系数（R2）均在0.94以上。
单木生物量与单木材积回归模型：
Y1=aXb1 (1) 式中：Y1为单木生物量（地上部分）（t），X1为单木材积（m3），a、b为模型参数。
地下生物量与地上生物量回归模型：
Y2=aXb2 (2) 式中：Y2为单木地下生物量（t），X2为单木地上生物量（t）。
各区域生物量回归模型、原始数据样本数（N）和模型决定系数（R2）详见表1。同时，为了全面测算各区域各森林类型其他树种的生物量，对建模所有树种的样本实测数据按针叶树、阔叶树和全部树种（针阔混）3个类型建立了分区域的21个地上生物量与材积、地下生物量与地上生物量的单木生物量回归模型，用以其他树种的生物量估算。生物量与材积的模型决定系数（R2）都在0.94以上，地下与地上生物量的模型的决定系数（R2）都在0.88以上（见表2）。
表 1 全国主要树种材积与生物量模型Table 1. Regression model of volume to biomass of main tree species in China建模范围
Modeling range建模树种(组)
Modeling tree species (group)地上生物量与材积
Aboveground biomass and volume地下与地上生物量
Underground biomass and aboveground biomass模型表达式
Model expressionN R2 模型表达式
Model expressionN R2 CH 柳杉 Cryptomeria fortunei Y1 = 0.917 2X10.872 5 150 0.991 9 Y2 = 0.224 5X21.061 0 47 0.962 7 马尾松 Pinus massoniana Y1 = 0.806 7X10.948 3 301 0.989 6 Y2 = 0.119 8X21.081 2 104 0.973 8 杉木 Cunninghamia lanceolata Y1 = 0.684 6X10.908 9 301 0.987 8 Y2 = 0.240 8X20.983 9 102 0.953 3 油松 Pinus tabuliformis Y1 = 0.840 0X10.958 4 149 0.983 9 Y2 = 0.189 2X21.041 2 49 0.965 2 黄山松 Pinus taiwanensis Y1 = 0.686 1X10.966 0 150 0.988 6 Y2 = 0.189 1X20.981 1 51 0.955 6 NE 落叶松 Larix dahurica Y1 = 0.762 9X10.947 7 150 0.994 2 Y2 = 0.199 9X21.091 1 50 0.979 1 云杉 Picea asperata Y1 = 0.799 1X10.952 0 150 0.986 4 Y2 = 0.270 4X20.970 7 50 0.964 6 冷杉 Abies fabri Y1 = 0.624 5X10.974 8 150 0.992 7 Y2 = 0.223 4X20.983 3 49 0.977 3 栎树 Quercus spp. Y1 = 0.851 7X11.009 0 160 0.989 2 Y2 = 0.545 7X20.864 4 53 0.948 2 白桦 Betula platyphylla Y1 = 0.668 2X11.005 9 150 0.994 9 Y2 = 0.362 2X20.956 1 53 0.966 8 桦树 Betula spp. Y1 = 0.514 6X11.046 7 150 0.985 3 Y2 = 0.438 1X20.895 4 51 0.941 1 山杨 Populus davidiana Y1 = 0.621 6X10.978 3 151 0.991 5 Y2 = 0.237 8X20.975 0 55 0.971 6 人工杨 Populus simonii Y1 = 0.692 5X10.947 2 150 0.988 1 Y2 = 0.284 3X20.949 9 50 0.943 6 樟子松 Pinus sylvestris var. mongolica Y1 = 0.578 3X10.956 1 151 0.981 7 Y2 = 0.335 3X21.121 9 49 0.939 6 椴树 Tilia tuan Y1 = 0.463 9X11.024 5 150 0.983 3 Y2 = 0.871 6X21.006 0 50 0.934 0 榆树 Ulmus pumila Y1 = 0.781 4X11.009 4 149 0.988 7 Y2 = 0.709 0X21.028 6 49 0.993 6 NN、NW 落叶松 Larix dahurica Y1 = 0.733 8X10.935 1 300 0.983 5 Y2 = 0.285 9X20.963 3 100 0.957 0 云杉 Picea asperata Y1 = 0.913 0X10.9128 300 0.978 6 Y2 = 0.300 5X20.958 7 100 0.940 7 冷杉 Abies fabri Y1 = 0.696 8X10.957 0 150 0.987 5 Y2 = 0.206 6 X21.013 4 50 0.968 4 柏木 Cupressus funebris Y1 = 1.133 7X10.9422 300 0.971 5 Y2 = 0.339 7X20.921 3 102 0.924 4 栎树 Quercus spp. Y1 = 0.719 3X11.029 6 210 0.972 3 Y2 = 0.495 5X20.869 8 72 0.936 6 桦树 Betula spp. Y1 = 0.855 1X10.979 1 240 0.969 1 Y2 = 0.335 9X20.941 4 79 0.961 1 人工杨 Populus simonii Y1 = 0.611 6X11.001 6 150 0.990 4 Y2 = 0.304 2X20.931 4 48 0.990 1 山杨 Populus davidiana Y1 = 0.631 0X10.998 7 150 0.988 5 Y2 = 0.281 6X20.951 6 55 0.974 9 WS 云杉 Picea asperata Y1 = 0.818 1X10.927 3 302 0.967 0 Y2 = 0.211 5X21.009 8 98 0.961 5 冷杉 Abies fabri Y1 = 0.690 1X10.939 9 301 0.985 5 Y2 = 0.282 5X20.948 3 101 0.950 8 XZ 云杉 Picea asperata Y1 = 0.943 8X10.919 1 149 0.961 7 Y2 = 0.196 3X20.983 1 47 0.960 4 冷杉 Abies fabri Y1 = 0.607 3X10.950 6 150 0.986 2 Y2 = 0.190 3X21.033 0 49 0.979 7 WS、XZ 落叶松 Larix dahurica Y1 = 0.716 8X10.929 3 152 0.982 4 Y2 = 0.190 1X21.006 6 49 0.946 2 栎树 Quercus spp. Y1 = 1.086 4X10.935 8 151 0.980 0 Y2 = 0.372 5X20.883 9 50 0.953 8 桦树 Betula spp. Y1 = 0.692 6X10.987 1 150 0.977 6 Y2 = 0.261 7X20.978 3 53 0.944 6 云南松 Pinus yunnanensis Y1 = 0.536 0X10.993 8 150 0.986 7 Y2 = 0.155 3X21.007 7 50 0.973 1 山杨 Populus davidiana Y1 = 0.642 3X10.977 2 150 0.994 1 Y2 = 0.275 0X20.912 3 50 0.974 5 思茅松 Pinus kesiya var. langbianensis Y1 = 0.391 8X11.060 3 150 0.994 7 Y2 = 0.170 1X20.984 2 49 0.986 4 高山松 Pinus densata Y1 = 0.786 5X10.958 5 150 0.982 6 Y2 = 0.156 2X21.030 6 49 0.934 9 柏木 Cupressus funebris Y1 = 1.020 3X10.931 2 150 0.991 7 Y2 = 0.232 6X20.936 4 51 0.973 0 MS、ES 湿地松 Pinus elliottii Y1 = 0.677 4X10.980 1 154 0.991 9 Y2 = 0.388 9X20.917 3 50 0.937 2 柏木 Cupressus funebris Y1 = 0.949 6X10.950 4 160 0.985 6 Y2 = 0.216 7X21.011 0 65 0.973 0 栎树 Quercus spp. Y1 = 1.228 2X10.934 1 149 0.982 8 Y2 = 0.324 2X20.921 9 53 0.905 9 木荷 Schima superba Y1 = 0.857 3X10.975 3 150 0.993 7 Y2 = 0.294 0X20.992 0 50 0.959 0 枫香 Liquidambar formosana Y1 = 0.793 6X10.993 1 152 0.991 0 Y2 = 0.463 2X20.933 9 50 0.966 6 人工杨 Populus simonii Y1 = 0.545 8X11.019 9 151 0.995 3 Y2 = 0.221 9X20.933 7 49 0.975 0 注：CH为全国；NE为东北区；NN为华北区；NW为西北区；MS为中南区；ES为东南沿海区；WS为西南区；XZ为西藏区；N为原始数据样本数量，R2为决定系数；Y1为单木生物量(地上部分)(t)，X1为单木材积(m3)；Y2为单木地下生物量(t)， X2为单木地上生物量(t)。下同。Notes: CH, whole country; NE, Northeast China; NN, North China; NW, Northwest China; MS, South Central China; ES, Southeast Coastal China; WS, Southwest China; XZ is Tibet; N, sample number of raw data; R2, coefficient of determination; Y1, biomass of a tree (aboveground) (t); X1, volume of single tree (m3); Y2, underground biomass of a tree (t); X2, aboveground biomass of a tree (t). The same below. 表 2 全国各区域按森林类型建立的材积与生物量回归模型Table 2. Regression models of volume to biomass by forest types in different regions of China适用范围
Scope of
application建模树种(组)
Modeling tree
species (group)地上生物量与材积
Aboveground biomass and volume地下与地上生物量
Underground biomass and aboveground biomass模型表达式 Model expression N R2 模型表达式 Model expression N R2 NE A Y1 = 0.683 9X10.965 7 600 0.987 5 Y2 = 0.257 9X21.035 3 199 0.938 9 B Y1 = 1.368 1X10.946 0 1 060 0.943 9 Y2 = 0.468 9X20.949 0 361 0.882 7 C Y1 = 1.114 3X10.941 8 1 660 0.940 7 Y2 = 0.382 1X20.977 9 560 0.898 6 NN A Y1 = 0.995 5X10.935 5 449 0.970 8 Y2 = 0.277 2X20.963 3 150 0.952 9 B Y1 = 0.745 0X11.001 2 600 0.972 7 Y2 = 0.373 0X20.941 9 199 0.957 0 C Y1 = 0.843 7X10.974 0 1 049 0.970 9 Y2 = 0.328 2X20.934 9 349 0.954 2 NW A Y1 = 0.880 3X10.920 6 600 0.974 1 Y2 = 0.293 8X20.960 6 201 0.936 7 B Y1 = 0.752 1X11.000 1 600 0.972 4 Y2 = 0.364 1X20.919 9 206 0.953 3 C Y1 = 0.821 5X10.957 1 1 200 0.970 0 Y2 = 0.329 5X20.938 3 407 0.944 8 MS A Y1 = 0.853 9X10.936 9 433 0.982 2 Y2 = 0.223 8X21.002 0 149 0.956 2 B Y1 = 0.829 7X10.977 4 320 0.978 3 Y2 = 0.229 2X20.919 7 109 0.924 3 C Y1 = 0.841 6X10.954 8 753 0.979 0 Y2 = 0.253 0X20.965 6 258 0.941 8 ES A Y1 = 0.737 4X10.951 1 774 0.981 5 Y2 = 0.220 5X20.998 8 255 0.956 7 B Y1 = 0.970 3X10.964 2 341 0.985 2 Y2 = 0.318 4X20.955 5 115 0.940 4 C Y1 = 0.800 6X10.955 6 1 115 0.977 8 Y2 = 0.245 3X20.987 4 370 0.949 7 WS A Y1 = 0.712 8X10.945 0 1 337 0.978 2 Y2 = 0.199 5X21.004 4 446 0.959 0 B Y1 = 0.803 0X10.968 0 501 0.980 0 Y2 = 0.310 7X20.931 7 171 0.944 9 C Y1 = 0.738 3X10.950 5 1 838 0.976 6 Y2 = 0.224 0X20.985 5 617 0.953 3 XZ A Y1 = 0.759 8X10.946 6 569 0.971 8 Y2 = 0.185 4X20.990 4 186 0.950 6 B Y1 = 0.642 3X10.977 2 150 0.994 1 Y2 = 0.275 0X20.912 3 50 0.974 5 C Y1 = 0.734 0X10.953 0 719 0.976 4 Y2 = 0.204 0X20.971 1 236 0.953 9 注：A为针叶树种；B为阔叶树种；C为针阔混交树种。下同。Notes: A, coniferous tree species; B, broadleaved tree species; C, coniferous and broadleaved mixed tree species. The same below. 1.3 森林资源生物量计算
1.3.1 根茎比
根茎比是林木地下生物量与地上生物量之比，也称根冠比，用RSR表示。依据该参数可由地上生物量MA推算地下生物量MB，从而得到全树生物量。其计算公式：
RSR=MB/MA (3) 式中：RSR为根茎比，一般可以取一个平均值，无单位；MA为地上生物量（kg）；MB为地下生物量（kg）。
1.3.2 林分生物量计算公式
林分生物量计算公式[25]为：
B=V×n∑i=1(Vi×m∑j=1Bj/m∑j=1Vj)n∑i=1Vi (4) 式中：B为林分生物量（t），V为林分各优势树种蓄积（m3），Vi为样地调查材积（m3），Bj为样地样木生物量（t），Vj为样地样木材积（m3），i为样地数，n为样地总数，m为样地内优势树种组的总个数。
样地调查材积是指样地因子表中的材积（m3），样地样木材积是指样地内样木根据材积公式按径阶计算的材积（m3），样地样木生物量是指样地内根据单木材积与生物量模型计算得到所有优势树种（组）的样木生物量（t）。即生物量转换因子（BEF）为：
BEF=n∑i=1(Vi×m∑j=1Bj/m∑j=1Vj)n∑i=1Vi (5) 1.3.3 散生木、四旁树、疏林生物量计算公式
分区、分省按对应乔木林树种的生物量转换因子进行计算，然后合计、累计得到全国的疏林、散生林和四旁树的总生物量。其计算公式为：
B′=n∑i=1Bi×(VSCi+VFi+VSi)n∑i=1V′i (6) 式中：B' 为生物量（t），Bi为树种i的生物量（t），VSCi为树种i散生木材积（m3），VFi为树种i四旁树材积（m3），VSi为树种i疏林材积（m3），
V′i 为树种i的蓄积（m3）。树种生物量是指按生物量模型计算的生物量，树种蓄积是指样地因子表中的材积。1.4 森林碳储量和碳密度计算
森林碳储量和碳密度计算公式为：
C0=B×Cc (7) CP=C0/S (8) 式中： C0为森林碳储量（109 kg）；B为森林生物量（109 kg）；S为森林面积（hm2）；Cp为森林碳密度（t/hm2）；Cc为含碳系数，取0.5，无单位。
2. 应用森林资源调查数据资料
本文利用的森林资源数据系列资料为1949年、1950—1962年、1973—1976年、1977—1981年、1984—1988年、1989—1993年、1994—1998年、1999—2003年、2004—2008年、2009—2013年和2014—2018年11个时段的数据[31-36]。
本文中的全国森林资源统计数据不含香港、澳门和台湾地区的森林资源数据。
3. 结果与分析
3.1 各区域生物量转换因子和根茎比
生物量转换因子和根茎比等参数是生物量测算中重要的因子。根据建模实测数据，对各区域按针、阔、混3类森林类型进行了统计计算，得到了各区域生物量转换因子和根茎比的平均值、最小值、最大值和标准差以及变动系数（表3），得到了各区域生物量转换因子和根茎比值的平均值（图1）。
表 3 各区域各森林类型的生物量转换因子（BEF）和根茎比（RSR）比较Table 3. Comparison of biomass expansion factor (BEF) and root-to-shoot ratio (RSR) of different forest types in different regions区域
Region类型
Type变量
Variable样本数
Sample number平均值
Average value最小值
Min. value最大值
Max. value标准差
SD变动系数
Coefficient of variation/%NE A BEF/(g·cm−3) 600 0.614 0.176 1.510 0.169 27.6 RSR 199 0.354 0.079 2.581 0.289 81.8 B BEF/(g·cm−3) 1 060 0.675 0.040 3.561 0.215 31.9 RSR 361 0.574 0.074 3.587 0.471 82.1 C BEF/(g·cm−3) 1 660 0.653 0.040 3.561 0.202 31.0 RSR 560 0.496 0.074 3.587 0.429 86.5 NN A BEF/(g·cm−3) 449 0.834 0.295 3.041 0.322 38.6 RSR 150 0.267 0.059 0.960 0.126 47.2 B BEF/(g·cm−3) 600 0.795 0.139 2.087 0.282 35.4 RSR 199 0.303 0.036 1.200 0.162 53.5 C BEF/(g·cm−3) 1 049 0.812 0.139 3.041 0.300 37.0 RSR 349 0.288 0.036 1.200 0.149 51.6 NW A BEF/(g·cm−3) 600 0.681 0.165 3.311 0.300 44.1 RSR 201 0.287 0.052 1.351 0.154 53.6 B BEF/(g·cm−3) 600 0.799 0.139 2.087 0.282 35.3 RSR 206 0.302 0.036 1.200 0.163 53.9 C BEF/(g·cm−3) 1 200 0.740 0.139 3.311 0.297 40.1 RSR 407 0.295 0.036 1.351 0.158 53.8 MS A BEF/(g·cm−3) 433 0.699 0.200 6.236 0.338 48.4 RSR 149 0.254 0.073 1.347 0.164 64.5 B BEF/(g·cm−3) 320 0.804 0.389 2.287 0.310 38.6 RSR 109 0.430 0.033 1.301 0.247 57.4 C BEF/(g·cm−3) 753 0.744 0.200 6.236 0.330 44.4 RSR 258 0.329 0.033 1.347 0.221 67.2 ES A BEF/(g·cm−3) 774 0.637 0.242 6.236 0.279 43.7 RSR 255 0.243 0.065 0.838 0.120 49.1 B BEF/(g·cm−3) 341 0.874 0.396 2.287 0.279 31.9 RSR 115 0.308 0.033 1.200 0.181 58.6 C BEF/(g·cm−3) 1 115 0.710 0.242 6.236 0.299 42.2 RSR 370 0.264 0.033 1.200 0.144 54.7 WS A BEF/(g·cm−3) 1 337 0.603 0.134 2.428 0.227 37.6 RSR 446 0.225 0.059 0.912 0.115 51.1 B BEF/(g·cm−3) 501 0.741 0.202 2.118 0.251 33.9 RSR 171 0.273 0.020 0.954 0.141 51.6 C BEF/(g·cm−3) 1838 0.641 0.134 2.428 0.242 37.8 RSR 617 0.238 0.020 0.954 0.125 52.3 XZ A BEF/(g·cm−3) 569 0.656 0.213 1.972 0.276 42.1 RSR 186 0.199 0.045 0.559 0.093 47.0 B BEF/(g·cm−3) 150 0.593 0.295 1.309 0.114 19.2 RSR 50 0.217 0.113 0.527 0.099 45.6 C BEF/(g·cm−3) 719 0.643 0.213 1.972 0.253 39.3 RSR 236 0.203 0.045 0.559 0.095 46.8 ![]()
图 1 不同区域生物量转换因子（BEF）与根茎比（RSR）比较Figure 1. Comparison of BEF and RSR values in different regions由表3、图1a可知：各区域不同森林类型的生物量转换因子的值变化幅度较大，并存在地区差异；从针叶树来看，BEF值为华北区 > 中南区 > 西北区 > 西藏区 > 东南区 > 东北区 > 西南区；阔叶树的BEF值为东南区 > 中南区 > 西北区 > 华北区 > 西南区 > 东北区 > 西藏区。由表3、图1b可知：各区域不同森林类型的根茎比变化幅度较大，各区域间也存在着较大差异；从各区域来看，显然东北区无论针叶树的RSR值，还是阔叶树的RSR值，都明显要大于其他区域的值，而西藏区的RSR值则为最小。这就说明了各区域的生物量转换因子和根茎比存在较大变化幅度和地区差异，因此在测算生物量过程中，生物量转换因子的值和根茎比的值不能简单地采用固定值或平均值来测算，必须采用建立回归模型方法来测算这些参数，不然会存在较大的误差，同时也反映出了划分区域测算生物量的必要性和相对精确性。
3.2 单木生物量模型精度分析
目前，全国森林资源清查森林生物量测算方法主要采用通过全国生物量建模项目所建立的各树种（组）单木胸径生物量模型来测算，为了验证本文提出的基于样地样木实测数据的单木生物量与材积回归模型精度，通过与全国第九次清查发布各省森林林分生物量数据值比较。
与全国第九次森林资源清查（2014—2018年）公布数据相比，全国森林林分总生物量为15 938.68 × 109 kg, 比公布数据高出2.72%；地上生物量12 712.12 × 109 kg，高出2.37%；地下生物量3 226.51 × 109 kg，高出4.12%。总体上各省的各类结果相对误差均不超过10%。基于这两种方法测算结果总体上基本接近，两者相对误差均不超过10%（图2）。从两种方法对各省地上生物量估计比较来看，相差较大的省份为北京（−8.94%）、山东（−8.46%）、贵州（7.02%）等省（市）。因此，本文提出的单木材积生物量模型不但简便，能够为使用以往的蓄积量数据计算生物量提供方法，而且模型适用范围缩小，并且可以采用大量最新的样地样木实测数据进行检验、修正参数，可以方便地进行精度分析和区间估计，具有可重复性，精度较高，科学可行。
![]()
图 2 两种测算方法地上生物量结果对比BJ为北京；TJ为天津；HB为河北；SX为山西；NM为内蒙古；LN为辽宁；JL为吉林；HLJ为黑龙江；SH为上海；JS为江苏；ZJ为浙江；AH为安徽；FJ为福建；JX为江西；SD为山东；HN为河南；HUB为湖北；HUN为湖南；GD为广东；GX为广西；HNN为海南；CQ为重庆；SC为四川；GZ为贵州；YN为云南；XZ为西藏；SHX为陕西；GS为甘肃；QH为青海；NX为宁夏；XJ为新疆。BJ, Beijing City; TJ, Tianjing City; HB, Hebei Province; SX, Shanxi Province; NM, Inner Mongolia Autonomous Region; LN, Liaoning Province; JL, Jilin Province; HLJ, Heilongjiang Province; SH, Shanghai City; JS, Jiangshu Province; ZJ, Zhejiang Province; AH, Anhui Province; FJ, Fujian Province; JX, Jiangxi Province; SD, Shandong Province; HN, Henan Province; HUB, Hubei Province; HUN, Hunan Province; GD, Guangdong Province; GX, Guangxi Zhuang Autonomous Region; HNN, Hainan Province; CQ, Chongqing City; SC, Sichuan Province; GZ, Guizhou Province; YN, Yunnan Province, XZ, Tibet; SHX, Shaanxi Province; GS, Gansu Province; QH, Qinhai Province; NX, Ningxia Hui Autonomous Region; XJ, Xinjiang Uygur Autonomous Region.Figure 2. Comparison of aboveground biomass results by two calculating methods3.3 森林林分碳储量变化
从1949年到2018年全国林分碳储量分别为4.38 × 1012 kg（1949年）、3.98 × 1012 kg（1950—1962年）、3.79 × 1012 kg（1973—1976年）、3.69 × 1012 kg（1977—1981年）、3.71 × 1012 kg（1984—1988年）、4.08 × 1012 kg（1989—1993年）、4.56 × 1012 kg（1994—1998年）、5.43 × 1012 kg（1999—2003年）、6.10 × 1012 kg（2004—2008年）、6.81 × 1012 kg（2009—2013年）和7.97 × 1012 kg（2014—2018年）（表4、图3）。林分碳储量的变化与全国森林面积和蓄积结构的变化趋势基本相同[37]，主要受森林采伐的影响，但反映不出人工造林的影响。从1949年到1981年，森林采伐量大于森林生长量和造林成林蓄积之和，碳储量逐渐减少，1977—1981年段碳储量最低为3.69 × 1012 kg，这与社会经济发展对森林资源的大量消耗一致；但自20世纪70年代以来，我国政府相继实施了“三北”防护林建设、退耕还林、天然林保护等多个生态建设工程，1981—2018年碳储量不断增加，到2014—2018年段达到最大（7.97 × 1012 kg）；森林生长量和造林的成林蓄积大于森林采伐蓄积，碳储量在采伐中仍然继续增长。年均碳累积也由1984—1988年的0.003 × 1012 kg上升到2014—2018年的0.232 × 1012 kg，呈现出了快速增长的态势。人工林和天然林对碳累积或损失的贡献见表4。人工林自1970年代以来，碳累积逐年增加，由1977年每年的0.011 × 1012 kg增加到2018年的0.088 × 1012 kg，增速提高8.0倍；而天然林在1988年前碳是逐年损失的，但年均损失量在逐渐减缓，由1977—1981年的0.031 × 1012 kg下降到1984—1988年的0.014 × 1012 kg；自1989年以来，天然林逐渐开始由碳损失转为碳累积，由每年0.059 × 1012 kg逐渐增加到0.144 × 1012 kg，增速提高2.44倍。从增速上来看，天然林不及人工林，但仍然是我国森林碳逐年累积的主要贡献者。
表 4 1949—2018年不同时期森林面积、蓄积、碳储量及年均碳累积Table 4. Forest area, volume, carbon storage and annual average carbon sequestration in different periods from 1949 to 2018调查期
Investigating
period林分 Stand 人工林 Plantation 天然林 Natural forest FA FV FC AC FA FV FC AC FC FV FC AC 1949 94.23 92.23 4.38 — — — — — — — — — 1950—1962 95.85 83.67 3.98 −0.033 — — — — — — — — 1973—1976 119.78 84.70 3.79 −0.014 17.81 1.64 0.07 101.97 83.06 3.72 1977—1981 95.63 79.79 3.69 −0.020 12.73 2.73 0.13 0.011 82.90 77.06 3.56 −0.031 1984—1988 102.19 80.91 3.71 0.003 18.74 5.30 0.24 0.017 83.45 75.61 3.47 −0.014 1989—1993 108.64 90.87 4.08 0.074 21.37 7.12 0.32 0.015 87.27 83.75 3.76 0.059 1994—1998 129.20 100.86 4.56 0.096 19.14 10.13 0.46 0.028 110.06 90.73 4.10 0.068 1999—2003 142.79 120.98 5.43 0.174 32.29 15.05 0.68 0.044 110.50 105.93 4.75 0.130 2004—2008 155.59 133.63 6.10 0.134 40.00 19.61 0.90 0.044 115.59 114.02 5.20 0.090 2009—2013 164.60 147.79 6.81 0.142 47.07 24.83 1.14 0.050 117.53 122.96 5.67 0.092 2014—2018 179.89 170.58 7.97 0.232 57.13 33.88 1.58 0.088 122.76 136.70 6.39 0.144 注：1949年和1950—1962年两期资源数据不含西藏自治区的数据，1977—1981、1984—1988、1989—1993、1994—1998年4期数据统计不含西藏控制以外；FA为森林面积(106 hm2)，FV为森林蓄积(108 m3)，FC为碳储量(1012 kg)，AC为年均碳累积(1012 kg/a)；—表示没有调查统计数据。下同。Notes: The resource data for the periods of year 1949 and 1950−1962 do not include Tibet’s data, and data statistics for the periods of year 1977−1981, 1984−1988, 1989−1993 and 1994−1998 do not include data outside of Tibetan control; FA, forest area (106 ha); FV, forest volume (108 m3); FC, carbon storage (1012 kg); AC, annual average carbon sequestration (1012 kg/year); — indicates no survey statistic data. The same below. ![]()
图 3 各时期森林碳储量和碳密度变化数字1 ~ 11代表研究时间段，依次为：1949、1950—1962、1973—1976、1977—1981、1984—1988、1989—1993、1994—1998、1999—2003、2004—2008、2009—2013、2014—2018年。下同。The No. 1−11 represent the periods of year 1949, 1950−1962, 1973−1976, 1977−1981, 1984−1988, 1989−1993, 1994−1998, 1999−2003, 2004−2008, 2009−2013, 2014−2018, respectively. The same below.Figure 3. Changes of forest carbon storage and carbon density in different periods从1949年到2018年，全国森林林分碳储量由4.38 × 1012 kg增加到7.97 × 1012 kg（图3），增加81.97%；1977—1981年段最低为3.69 × 1012 kg。西北区、华北区、中南区和东南沿海区增长量超过全国平均值，分别为131.84%、127.08%、109.75%和100.38%；东北区、西南区和西藏区增加量低于全国平均值，分别为26.46%、35.09%和66.99%。
图4显示：西南区、东南沿海区、中南区和华北区林分碳储量变化都呈V型，最低值均出现在1973—1976年间；东北区林分碳储量呈W型变化，在1984—1988年间达到最低值；西北区因森林采伐资源较少，林分碳储量从1949到2018年一直不断增加；西藏区碳储量除1949年和1950—1962年没有调查数据外，其他时间段因调查因素影响表现出了一定的波动。
![]()
图 4 1949—2018年森林面积、蓄积量、碳储量、碳密度和碳储总量变化Figure 4. Changes of forest area, volume stock, carbon storage, carbon density and total carbon storage from 1949 to 20183.4 森林资源碳储总量变化
森林资源碳储总量主要包括林分、疏林、散生木和四旁树的碳储量之和（以下简称碳储总量）。1949—2018年，我国70年来森林资源碳储总量变化总体上呈现了先降低再逐步增加的态势，1977—1981年为最低点，而后逐渐增加，尤其是自20世纪末以来增加较快（图3a）。这主要是我国加强天然林森林资源保护、加大人工林造林力度，减少森林采伐所致，森林资源碳储总量由4.509 × 1012 kg增加到8.601 × 1012 kg，增加90.74%。
但各地区增加量极不均衡，造林多而且采伐少的地区，疏林、散生木和四旁树的碳储量增加比例较大。东北区增加34.55%，占全国碳储总量比例由27.48%下降到19.38%；华北区增加145.91%，所占比例由9.08%提高到11.71%；西北区增加82.19%，所占比例由7.77%下降到7.42%，但仍然是全国碳储量最少的区域；中南区增加130.40%，所占比例由8.23%提高到9.94%；东南沿海区增加116.63%，所占比例由16.78%提高到19.06%；西南区增加44.90%，所占比例由30.66%下降到23.29%；西藏区增加64.54%，所占比例由11.14%下降到9.19%。总体上，东北区和西南区虽然增幅低于全国平均水平，但仍然是全国碳储量集中地区，两区占全国总量的42.68%。
全国碳储总量变化不再呈V型，1949—1984年，呈W型变化，1950—1962年和1977—1981年分别为两个底部，最低值为4.303 × 1012 kg，1984年接近1949年的水平；从1984—2018年，碳储总量不断增加，呈单边上扬趋势，2018年最大为8.601 × 1012 kg，其中地上部分为6.861 × 1012 kg，地下部分为1.740 × 1012 kg。从区域分析看，全国采伐量主要集中的两个区域，西南区1973—1976年间碳储总量最低，东北区则最低值延续到1984—1988年间；采伐量较大的东南沿海区和中南区均出现两个低谷，碳储量变化形状与全国碳储总量变化接近。可采伐资源少的地区，碳储总量基本上是不断增加态势，如西北区碳储总量都不断增加，1949年值最低；华北区1973—1976年值最低；西藏区碳储总量因为调查因素误差影响显示波动，但总体为逐年增加。
对比森林林分碳储量和全国碳储总量的变化不难发现，考虑林分、疏林、散生木和四旁树的碳储总量变化更能客观反映中国森林经营、造林、采伐的综合结果，变化趋势更加与实际接近，与全国林木总蓄积量的变化相近（图3），是造林和采伐共同作用的结果，造林对森林碳储量的影响部分显现[38]。
在中国疏林、散生木、四旁树等资源对农村的生产和生活具有重要的作用，也是造林活动的部分体现，综合考虑这部分森林资源蓄积量，可以不受林分郁闭度从0.3降到0.2的影响，疏林从郁闭度0.1起算，对比口径一致；否则，计算生物量时必须分别标准计算，较为复杂。1949—2018年间，疏林、散生木和四旁树的碳储量占碳储总量的比例在2.89% ~ 16.13%之间（表5）。但就各个区域和各个时段来看，除西藏区外，其他各区疏林等资源的碳储量占碳储总量的比例变化较大，如中南区1984—1989年间这一比例达到34.44%，这一区域内上海市的疏林等的碳储量占整个森林资源碳储量的比例很高，在1993年前达到90%以上。近10多年来，随着上海城市森林的建设，园林绿化成效显现，到2014—2018年间，林分碳储量比例已上升到67.68%，疏林等碳储量比例降为32.32%。江苏、山东、河南等省（区）的疏林等碳储量比例也较大，分别为26.69%、29.75%、22.00%。可见，如果不研究疏林、散生木和四旁树等的碳储量，仅研究森林林分的碳储量，其结论将会有较大的偏差。
表 5 全国各区域林分、疏林等碳储量占碳储总量的百分比Table 5. Percentage of carbon storage in total carbon storage of forest and sparse forest in different regions of China% 区域
Region组分
Component1949 1950—1962 1973—1976 1977—1981 1984—1988 1989—1993 1994—1998 1999—2003 2004—2008 2009—2013 2014—2018 NE SF 0.97 5.91 6.20 7.48 9.49 10.59 10.55 10.20 6.51 6.15 6.93 FL 99.03 94.09 93.80 92.52 90.51 89.41 89.45 89.80 93.49 93.85 93.07 NN SF 0.66 10.87 15.20 13.83 15.84 22.07 21.39 17.14 13.87 10.45 8.27 FL 99.34 89.13 84.80 86.17 84.16 77.93 78.61 82.86 86.13 89.55 91.73 NW SF 28.78 9.27 14.11 11.92 14.94 16.87 13.04 12.22 9.11 9.70 9.37 FL 71.22 90.73 85.89 88.08 85.06 83.13 86.96 87.78 90.89 90.30 90.63 MS SF 3.95 11.46 28.04 28.94 31.47 34.44 32.01 22.02 15.75 16.35 12.56 FL 96.05 88.54 71.96 71.06 68.53 65.56 67.99 77.98 84.25 83.65 87.44 ES SF 0.00 11.41 21.59 21.78 22.60 18.44 14.85 12.47 9.38 9.39 7.51 FL 100.00 88.59 78.41 78.22 77.40 81.56 85.15 87.53 90.62 90.61 92.49 WS SF 0.00 7.78 13.46 15.21 15.58 29.34 10.93 11.54 8.70 8.84 6.77 FL 100.00 92.22 86.54 84.79 84.42 70.66 89.07 88.46 91.30 91.16 93.23 XZ SF — — 0.00 6.27 0.00 2.70 4.30 1.26 1.19 1.13 0.94 FL — — 100.00 93.73 100.00 97.30 95.70 98.74 98.81 98.87 99.06 CH SF 2.89 8.57 12.19 14.20 15.36 16.13 14.01 11.61 8.76 8.58 7.35 FL 97.11 91.43 87.81 85.80 84.64 83.87 85.99 88.39 91.24 91.42 92.65 注：SF为疏林等，FL为林分。Notes: SF, sparse forest, etc; FL, stand. 从林分碳储量占碳储总量的比重分析，1949—2018年，全国及各个区域的林分碳储量比重变化都呈U型，说明初期是因为林分蓄积比重较高，在不断的采伐后，其比重逐渐下降，在森林采伐实施采伐限额以后，特别是实施天然林保护工程后，林分蓄积比重增加，碳储量比重不断上升。
从1949—2018年不同时期森林资源碳储量及年均碳累积分析，1949—1981年，森林资源碳储总量变化程度较小，虽然这期间碳积累是负数，年均碳累积值也逐年在减小，由1950—1962年每年的0.013 × 1012 kg下降到1977—1981年的0.002 × 1012 kg，平均每年仅减少0.006 × 1012 kg。自1981年以来，碳累积逐年增加，由1984—1988年每年的0.011 × 1012 kg增加到2018年的0.230 × 1012 kg，年均增长3.09%，尤其近20年来年均碳累积进入了高速增长期，平均每年增加为0.165 × 1012 kg。
3.5 林分碳密度
从1949到2018年，全国林分平均碳密度变化较频繁，但基本呈现先减少再增加的趋势，在1973—1976年时段达到最低，为31.64 t/hm2（表6），2014—2018年段恢复到44.30 t/hm2。全国除西藏区外，其他6个区域从1949年到1973—1976年，碳密度都出现了急剧下降的情况。这主要是由于期间大量采伐成过熟天然林，导致林分单位面积蓄积量降低，碳密度也降低（图3b）。1981年以后，森林资源采伐与生长得到了相对平衡，采伐量基本小于或等于生长量，加之新造林地较多，幼龄林比例增加，人工林增加，森林资源逐步恢复，保留在地上的碳积累不断增加，但人工林林分单位面积蓄积量较低，碳密度仍然不高，同时，1994年起林分郁闭度由0.3降到0.2，也对碳密度降低有较大的影响。1994—1998年之后林分碳密度逐渐提高。
表 6 全国不同时期森林碳密度 t/hm2Table 6. Changes in forest carbon density in different periods of Chinat/ha 区域
Region1949 1950—1962 1973—1976 1977—1981 1984—1988 1989—1993 1994—1998 1999—2003 2004—2008 2009—2013 2014—2018 CH 46.48 42.20 31.64 38.61 36.30 37.60 35.26 38.04 39.19 41.38 44.30 NE 50.81 47.83 42.71 45.47 42.88 43.64 41.68 41.03 41.97 44.69 48.73 NN 40.37 39.81 27.27 31.42 31.53 31.43 31.62 30.92 31.12 34.57 37.89 NW 42.75 49.28 39.25 42.99 39.54 43.56 41.75 43.24 42.77 43.46 46.45 MS 28.18 21.54 10.95 17.94 18.44 19.23 18.54 22.30 24.68 27.82 31.83 ES 38.97 34.21 14.95 29.16 24.30 23.31 21.96 26.81 30.64 33.29 39.27 WS 62.59 54.12 45.30 52.91 48.51 47.50 43.25 43.79 45.03 46.78 46.39 XZ — — 76.05 58.89 58.89 96.75 95.97 90.88 92.10 91.87 88.65 4. 结 论
（1）碳储量变化
1949—2018年期间，林分碳储量在1977—1981年出现最低值，为3.693 × 1012 kg，这是由于1981年前的森林采伐量大于生长量所致；之后，林分碳储量逐年增长，到2014—2018年达最大值（7.969 × 1012 kg），显然，改革开放40年来森林资源的管理逐渐加强。中国森林资源碳储总量（林分和疏林等）在1949—2018年间出现一个低谷，即1977—1981年段出现最低值（4.304 × 1012 kg）；1981年后碳储总量持续增长，到2014—2018年段达到最大值（8.601 × 1012 kg）。林分碳储量和森林资源碳储总量的变化规律一致。全国碳汇的变化规律也与此基本相同，1981年之前，年均碳积累是负值，以碳源为主；1981年之后碳积累是正值，而且积累能力不断提高。建国初期全国林分碳储量占碳储总量的比例在90%以上，1988—1993年占比最低，但也达83%以上。我国森林资源碳储总量出现如此变化，是因为建国初期到70年代末中国森林资源以采伐成熟林分利用为主，森林资源过量消耗，期间森林资源碳储总量呈明显下降趋势；80年代后，国家开始注重森林资源总量的扩张并兼顾森林资源的综合利用，森林资源面积与蓄积持续增长，森林资源碳储总量持续增加。
（2）碳密度变化
从1949到2018年，在1973—1976年时段林分碳密度达到最低，为31.64 t/hm2，2014—2018年段恢复到44.30 t/hm2，但是仍然没有达到1949年的46.48 t/hm2。
（3）碳汇变化
从1949—2018年不同时期森林资源碳储总量及年均碳累积分析，与林分碳累积分析结果基本一致，1949—1981年的年均碳积累是负数，年均生物量碳减少0.006 × 1012 kg/a，1984年以后才开始有碳积累，年均生物量碳汇0.122 × 1012 kg/a，说明 1981年之前以碳源为主，1984年之后为碳汇。从人工林和天然林对森林碳汇能力的贡献来看，人工林从1973年就开始碳累积，年均生物量碳汇0.04 × 1012 kg/a，并呈现逐年持续增强的趋势；而天然林1989年之前，碳是损失的，年均损失0.013 × 1012 kg/a，但1989年之后，实现了碳汇累积，年均生物量碳汇0.093 × 1012 kg/a，天然林仍然是我国近20年来森林碳汇的主要贡献者。
（4）讨论
生物量模型不同，计算方法不同，结果必然不同是科学的、正常的。通过与方精云等[1, 12, 30]、朱永杰[39]、Zhang等[24]、郭兆迪等[40]、李妍等[41]等同期研究结果相比较，以此来验证本文的研究结果的可靠性，结果见表7。由表7可知：林分碳储量，在1994年前，本文的研究结果整体上低于同期其他学者的研究结果，这是由于这些学者均将1994年前的调查数据全部转换为了标准统一的郁闭度大于等于0.2的数据，而本文没有进行郁闭度统一标准，采用郁闭度大于等于0.3的数据，因此研究值整体偏小；从1994年以后，所有研究者采用的郁闭度指标均为0.2，本文的研究结果处于所有研究结果的中间值。
表 7 本文碳储量与其他研究结果的对比Table 7. Comparison of carbon storage results between this study and other research1012 kg 调查期
Investigating
period本文
This study方精云等[1]
Fang J Y, et al.[1]方精云等[12, 30]
Fang J Y, et al.[12, 30]郭兆迪等[40]
Guo Z D, et al.[40]Zhang C H, et al.[24] 朱永杰[39]
Zhu Y J[39]李妍等[41]
Li Y, et al.[41]林分
Stand森林资源
Forest
resource林分
Stand林分
Stand林分
Stand林分
Stand森林资源
Forest
resource林分
Stand林分
Stand1949 4.38 4.51 5.06 — — — — — — 1950—1962 3.98 4.35 4.58 — — — — — — 1973—1976 3.79 4.32 4.44 — — 4.11 4.38 — 3.85 1977—1981 3.69 4.30 4.38 4.30 4.72 4.21 4.75 4.09 3.70 1984—1988 3.71 4.38 4.45 4.46 4.89 4.18 4.82 4.04 3.76 1989—1993 4.08 4.87 4.63 4.93 5.40 4.52 5.25 4.76 4.11 1994—1998 4.56 5.30 4.75 5.01 5.39 4.50 5.12 5.25 4.66 1999—2003 5.43 6.15 — 5.85 5.86 5.41 5.97 6.49 5.51 2004—2008 6.10 6.68 — — 6.43 6.24 6.83 7.895 6.09 2009—2013 6.81 7.45 — — — — — — — 2014—2018 7.97 8.60 — — — — — — — 本文在森林资源碳储量的研究中增加了对疏林、散生、四旁树等资源的统计，这使得研究结果不受不同时期林分标准变更的影响，完全统一在同一标准下对比1949—2018年各个时期的全国森林资源碳储总量，更能客观地反映森林经营、造林、采伐的综合结果，更具科学性。
（5）存在问题
本文划分的7个区域中，西藏区建模样本较少，采用了部分西南区的建模样本，可能会存在模型适用性的问题。另外，1973年第一次森林资源清查以前，1949年的数据、1950—1962年森林资源普查数据存在统计标准的差异，并且西南、西藏等地区疏林等数据存在一定的缺失，对森林资源碳储量变化有微弱影响。
-
![]()
图 1 森林健康评价指标体系一级结构、准则层的词云图和词频分析
Figure 1. Word cloud and frequency analysis of primary structure and criterion layer of forest health assessment indicator system
![]()
图 2 多尺度、多平台遥感技术评价森林健康概念图
Figure 2. Concept map of multi-scale, multi-platform remote sensing assessment of forest health
表 1 不同传感器在森林健康评价中的技术优势和主要评价内容
Table 1 Advantages and application of different sensors in forest health assessment
传感器
Sensor技术优势
Technical advantage主要不足
Main shortcomings特征参量
Feature parameter评价内容
Assessment contentRGB高分相机
RGB high-resolution camera低成本、高空间分辨率
Low cost, high spatial resolution成像质量受光照条件影响大、光谱信息有限
Image quality is influenced by illumination conditions, limited spectral informationRGB图像、纹理
RGB image, texture普适性好，一般作为遥感底图或摄影测量数据
Widely used as RS base map or photogrammetric data多光谱成像仪
Multispectral sensor几个波段的反射率
Reflectance of several bands异物同谱、同物异谱问题使数据解译困难
Difficult data interpretation due to synonyms spectrum多光谱图像、多通道反射率
Multispectral image, multi-channel reflectance树种分类、主要生化组分、物候、胁迫
Tree species classification, main biochemical components, phenology, stress高光谱成像仪
Hyperspectral sensor上百个窄波段的反射率
Reflectance of hundreds of narrow bands观测条件严格、数据量大、分析难度大
Strict observation condition and difficult data analysis图谱立方体
Hyperspectral cube树种分类、多种生化组分、光合作用、物候、早期胁迫
Tree species classification, photosynthesis, various biochemical components, phenology, early stress热红外相机
Thermal camera全天候、穿透性、精细温差
All weather, penetrating, fine temperature difference温度变化易受周围环境影响
Temperature variation is easily affected by the surrounding environment方向亮度温度、热红外图像
Directional brightness temperature, thermal infrared image森林火灾、森林干旱、光合作用、早期胁迫
Forest fire, drought, photosynthesis, early stress激光雷达
LiDAR穿透性、精细的地形和森林三维信息
Penetrating, fine terrain and 3D forest information缺少光谱、纹理信息
Lack of spectral and texture information点云廓线、波形
Point cloud profile, waveform地形、位置、生物量、蓄积量、冠层结构、叶面积指数
Topography, location, biomass, volume, canopy structure, LAI微波雷达
Microwave radar全天候，一定穿透性，可达地下
All weather, limited penetrating, reaching underground斑点噪声大、受地形影响
严重
Speckle noise and seriously affected by terrain后向散射、干涉系数、极化雷达图像
Backscattering, interference coefficient, polarimetric radar image地形、生物量、蓄积量、水分、土壤
Topography, biomass, volume, moisture, soil叶绿素荧光扫描仪
Chlorophyll fluorescence scanner获取日光诱导的叶绿素信息
Capturing chlorophyll information induced by sunlight受大气影响大、时空连续性有限
Affected by atmosphere, limited space-time continuity荧光参数、光化学效率
Fluorescence parameters, photochemical efficiency初级生产力、碳循环、物候、早期胁迫
Primary productivity, carbon cycle, phenology, early stress
下载: 导出CSV
-
[1] 许勤. 绿色就是固碳造林等于减排:记国家林业局造林司司长魏殿生[J]. 林业经济, 2003(2):10−11. Xu Q. Green means carbon sequestration and afforestation equals emission reduction: Wei Diansheng, director of afforestation department of State Forestry Administration[J]. Forestry Economy, 2003(2): 10−11.
[2] 高均凯. 深入研究森林健康积极探索中国森林健康之路[J]. 北京林业管理干部学院学报, 2005(1):22−25. Gao J K. Research on the implementation of forest health strategy in China[J]. State Academy of Forestry Administration Journal, 2005(1): 22−25.
[3] 王云霖. 我国人工林发展研究[J]. 林业资源管理, 2019(1):6−11. Wang Y L. Research on plantation development in China[J]. Forestry Resource Management, 2019(1): 6−11.
[4] 胡爽, 徐誉远, 王本洋. 我国森林健康评价方法综述[J]. 林业与环境科学, 2017, 33(1):90−96. doi: 10.3969/j.issn.1006-4427.2017.01.017 Hu S, Xu Y Y, Wang B Y. Review of forest health monitoring and assessment in China[J]. Forestry and Environmental Science, 2017, 33(1): 90−96. doi: 10.3969/j.issn.1006-4427.2017.01.017
[5] 王秋燕, 陈鹏飞, 李学东, 等. 森林健康评价方法综述[J]. 南京林业大学学报(自然科学版), 2018, 42(2):177−183. Wang Q Y, Chen P F, Li X D, et al. Review of forest health assessment methods[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2018, 42(2): 177−183.
[6] Pause M, Schweitzer C, Rosenthal M, et al. In situ/remote sensing integration to assess forest health: a review[J/OL]. Remote Sensing, 2016, 8(6): 471 [2021−01−12]. https://doi.org/10.3390/rs8060471.
[7] 金瑞华, 张宏名, 林培. 浅谈生物灾害遥感监测[J]. 遥感信息, 1991(3):35−37. Jin R H, Zhang H M, Lin P. Discussion on remote sensing monitoring of biological disasters[J]. Remote Sensing Information, 1991(3): 35−37.
[8] 高广磊, 信忠保, 丁国栋, 等. 基于遥感技术的森林健康研究综述[J]. 生态学报, 2013, 33(6):1675−1689. doi: 10.5846/stxb201112011838 Gao G L, Xin Z B, Ding G D, et al. Forest health studies based on remote sensing: a review[J]. Acta Ecologica Sinica, 2013, 33(6): 1675−1689. doi: 10.5846/stxb201112011838
[9] 何兴元, 任春颖, 陈琳, 等. 森林生态系统遥感监测技术研究进展[J]. 地理科学, 2018, 38(7):997−1011. He X Y, Ren C Y, Chen L, et al. The progress of forest ecosystems monitoring with remote sensing techniques [J]. Scientia Geographica Sinica, 2018, 38(7): 997−1011.
[10] 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):84−91. 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): 84−91.
[11] 马有国, 杜学惠. 森林健康评价的遥感技术研究[J]. 森林工程, 2019, 35(2):37−44. Ma Y G, Du X H. Remote sensing technology for forest health assessment[J]. Forest Engineering, 2019, 35(2): 37−44.
[12] Lausch A, Borg E, Bumberger J, et al. Understanding forest health with remote sensing, part III: requirements for a scalable multi-source forest health monitoring network based on data science approaches[J/OL]. Remote Sensing, 2018, 10(7): 1120 [2021−01−15]. https://doi.org/10.3390/rs10071120.
[13] Lausch A, Stefan E, Douglas K, et al. Understanding forest health with remote sensing (I): a review of spectral traits, processes and remote sensing characteristics[J/OL]. Remote Sensing, 2016, 8(10): 1029 [2020−12−19]. https://doi.org/10.3390/rs8121029.
[14] Lausch A, Stefan E, Douglas K, et al. Understanding forest health with remote sensing (II): a review of approaches and data models[J/OL]. Remote Sensing, 2017, 9(2): 129 [2020−12−28]. https://doi.org/10.3390/rs10071120.
[15] 高均凯. 森林健康基本理论及评价方法研究[D]. 北京: 北京林业大学, 2007. Gao J K. Basic theory and evaluation method of forest health[D]. Beijing: Beijing Forestry University, 2007.
[16] Costanza R. Toward an operational definition of ecosystem health [M]//Costanza R, Norton B G, Haskell B D, eds. Ecosystem health: new goals for environmental management. Washington D C: Island Press, 1992: 239−256.
[17] Senf C, Seidl R, Hostert P. Remote sensing of forest insect disturbances: current state and future directions[J]. International Journal of Applied Earth Observation & Geoinformation, 2017, 60: 49−60.
[18] Felbermeier B, Hahn A, Schneider T. Study on user requirements for remote sensing applications in forestry[C/OL]. ISPRS TC VII Symposium – 100 Years ISPRS. 2010 [2021−02−13]. https://www.researchgate.net/profile/Thomas-Schneider-10/publication/266412426_STUDY_ON_USER_REQUIREMENTS_FOR_REMOTE_SENSING_APPLICATIONS_IN_FORESTRY/links/55b6566a08ae092e9655d92c/STUDY-ON-USER-REQUIREMENTS-FOR-REMOTE-SENSING-APPLICATIONS-IN-FORESTRY.pdf.
[19] Fabian E, Hooman L, Krzysztof S, et al. Review of studies on tree species classification from remotely sensed data[J]. Remote Sensing of Environment, 2016, 186: 64−97. doi: 10.1016/j.rse.2016.08.013
[20] 孔嘉鑫, 张昭臣, 张健. 基于多源遥感数据的植物物种分类与识别: 研究进展与展望[J]. 生物多样性, 2019, 27(7):796−812. doi: 10.17520/biods.2019197 Kong J X, Zhang Z C, Zhang J. Classification and identification of plant species based on multi-source remote sensing data: research progress and prospect[J]. Biodiversity Science, 2019, 27(7): 796−812. doi: 10.17520/biods.2019197
[21] Ferreira M, Zortea M, Zanotta D, et al. Mapping tree species in tropical seasonal semi-deciduous forests with hyperspectral and multispectral data[J]. Remote Sensing of Environment, 2016, 179: 66−78. doi: 10.1016/j.rse.2016.03.021
[22] Asner G. Biophysical and biochemical sources of variability in canopy reflectance[J]. Remote Sensing of Environment, 1998, 64(3): 234−253. doi: 10.1016/S0034-4257(98)00014-5
[23] Clark M, Roberts D, Clark B. Hyperspectral discrimination of tropical rain forest tree species at leaf to crown scales[J]. Remote Sensing of Environment, 2005, 96(3−4): 375−398. doi: 10.1016/j.rse.2005.03.009
[24] Leckie D, Tinis S, Nelson T, et al. Issues in species classification of trees in old growth conifer stands[J]. Canadian Journal of Remote Sensing, 2005, 31(2): 175−190. doi: 10.5589/m05-004
[25] 马鸿伟, 刘海, 姚顺彬, 等. 基于林业遥感的树种分类应用分析与展望[J]. 林业资源管理, 2020(3):118−121. Ma H W, Liu H, Yao S B, et al. Application and prospect of tree species classification based on forest remote sensing[J]. Forestry Resource Management, 2020(3): 118−121.
[26] Cao J, Leng W, Liu K, et al. Object-based mangrove species classification using unmanned aerial vehicle hyperspectral images and digital surface models[J/OL]. Remote Sensing, 2018, 10(2): 89 [2021−01−16]. https://doi.org/10.3390/rs10010089.
[27] Franklin S, Hall R, Moskal L, et al. Incorporating texture into classification of forest species composition from airborne multispectral images[J]. International Journal of Remote Sensing, 2000, 21(1): 61−79. doi: 10.1080/014311600210993
[28] Sayn-Wittgenstein L. Recognition of tree species on aerial photographs[J/OL]. Forest Management Institute Information Report, 1978, FMR-X-118 [2021−01−19]. https://cfs.nrcan.gc.ca/pubwarehouse/pdfs/29443.pdf.
[29] Mallinis G, Koutsias N, Tsakiri-Strati M, et al. Object-based classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2008, 63(2): 237−250.
[30] Chuine I, Beaubien E. Phenology is a major determinant of tree species range[J]. Ecology Letters, 2001, 4: 500−510. doi: 10.1046/j.1461-0248.2001.00261.x
[31] Gärtner P, Förster M, Kleinschmit B. The benefit of synthetically generated RapidEye and Landsat 8 data fusion time series for riparian forest disturbance monitoring[J]. Remote Sensing of Environment, 2016, 177: 237−247. doi: 10.1016/j.rse.2016.01.028
[32] Signoroni A, Savardi M, Baronio A, et al. Deep learning meets hyperspectral image analysis: a multidisciplinary review[J/OL]. Journal of Imaging, 2019, 5(5): 52 [2021−02−13]. https://doi.org/10.3390/jimaging5050052.
[33] 徐岩, 张聪伶, 降瑞娇, 等. 无人机高光谱影像与冠层树种多样性监测[J]. 生物多样性, 2021, 29(5):647−660. doi: 10.17520/biods.2021013 Xu Y, Zhang C L, Xiang R J, et al. UAV-based hyperspectral images and monitoring of canopy tree diversity[J]. Biodiversity Science, 2021, 29(5): 647−660. doi: 10.17520/biods.2021013
[34] Asner G, Knapp D, Kennedy-Bowdoin T, et al. Invasive species detection in Hawaiian rainforests using airborne imaging spectroscopy and LiDAR[J]. Remote Sensing of Environment, 2008, 112(5): 1942−1955. doi: 10.1016/j.rse.2007.11.016
[35] Riaño D, Chuvieco E, Condés S. Generation of crown bulk density for Pinus sylvestris L. from lidar[J]. Remote Sensing of Environment, 2004, 92: 345−352. doi: 10.1016/j.rse.2003.12.014
[36] Coops N, Hilker T, Wulder M, et al. Estimating canopy structure of douglas-fir forest stands from discrete-return LiDAR[J]. Trees, 2007, 21: 295−310. doi: 10.1007/s00468-006-0119-6
[37] Suratno A, Seielstad C, Queen L. Tree species identification in mixed coniferous forest using airborne laser scanning[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2009, 64(6): 683−693.
[38] Korpela I, Orka H, Hyyppae J, et al. Range and AGC normalization in airborne discrete-return LiDAR intensity data for forest canopies[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2010, 65(4): 369−379.
[39] Kim S, McGaughey R, Andersen H, et al. Tree species differentiation using intensity data derived from leaf-on and leaf-off airborne laser scanner data[J]. Remote Sensing of Environment, 2009, 113(8): 1575−1586. doi: 10.1016/j.rse.2009.03.017
[40] 黄华国. 激光雷达技术在林业科学研究中的进展分析[J]. 北京林业大学学报, 2013, 35(3):134−143. Huang H G. Progress analysis of LiDAR research on forestry science studies[J]. Journal of Beijing Forestry University, 2013, 35(3): 134−143.
[41] 郭庆华, 刘瑾, 李玉美, 等. 生物多样性近地面遥感监测: 应用现状与前景展望[J]. 生物多样性, 2016, 24(11):1249−1266. doi: 10.17520/biods.2016059 Guo Q H, Liu J, Li Y M, et al. A near-surface remote sensing platform for biodiversity monitoring: perspectives and prospects[J]. Biodiversity Science, 2016, 24(11): 1249−1266. doi: 10.17520/biods.2016059
[42] Michez A, Piegay H, Lisein J, et al. Classification of riparian forest species and health condition using multi-temporal and hyperspatial imagery from unmanned aerial system[J/OL]. Environmental Monitoring & Assessment, 2016, 188: 146 [2021−01−19]. https://link.springer.com/article/10.1007/s10661-015-4996-2.
[43] Lu D, Weng Q. A survey of image classification methods and techniques for improving classification performance[J]. International Journal of Remote Sensing, 2007, 28: 823−870. doi: 10.1080/01431160600746456
[44] Cheng J, Bo Y, Zhu Y, et al. A novel method for assessing the segmentation quality of high-spatial resolution remote-sensing images[J]. International Journal of Remote Sensing, 2014, 35: 3816−3839. doi: 10.1080/01431161.2014.919678
[45] Aguirre-Gutiérrez J, Seijmonsbergen A, Duivenvoorden J. Optimizing land cover classification accuracy for change detection, a combined pixel-based and object-based approach in a mountainous area in Mexico[J]. Applied Geography, 2012, 34: 29−37. doi: 10.1016/j.apgeog.2011.10.010
[46] Larsen M, Eriksson M, Descombes X, et al. Comparison of six individual tree crown detection algorithms evaluated under varying forest conditions[J]. International Journal of Remote Sensing, 2011, 32(20): 5827−5852. doi: 10.1080/01431161.2010.507790
[47] 肖风劲, 欧阳华, 孙江华, 等. 森林生态系统健康评价指标与方法[J]. 林业资源管理, 2004(1):27−30. doi: 10.3969/j.issn.1002-6622.2004.01.007 Xiao F J, Ouyang H, Sun J H, et al. Forest ecosystem health assessment indicators and methods[J]. Forest Resources Management, 2004(1): 27−30. doi: 10.3969/j.issn.1002-6622.2004.01.007
[48] Schlemmer M, Gitelson A, Schepers J, et al. Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 25: 47−54.
[49] Inoue Y, Sakaiya E, Zhu Y, et al. Diagnostic mapping of canopy nitrogen content in rice based on hyperspectral measurements[J]. Remote Sensing of Environment, 2012, 126: 210−221. doi: 10.1016/j.rse.2012.08.026
[50] Xie Q, Huang W, Liang D, et al. Leaf area index estimation using vegetation indices derived from airborne hyperspectral images in winter wheat[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(8): 3586−3594. doi: 10.1109/JSTARS.2014.2342291
[51] 黄华国. 林业定量遥感研究进展和展望[J]. 北京林业大学学报, 2019, 41(12):1−14. doi: 10.12171/j.1000-1522.20190326 Huang H G. Progress and prospect of quantitative remote sensing in forestry[J]. Journal of Beijing Forestry University, 2019, 41(12): 1−14. doi: 10.12171/j.1000-1522.20190326
[52] 黄华国. 三维遥感机理模型RAPID原理及其应用[J]. 遥感技术与应用, 2019, 34(5):901−913. Huang H G. Principles and applications of the three-dimensional remote sensing mechanism model RAPID[J]. Remote Sensing Technology and Application, 2019, 34(5): 901−913.
[53] Paul J. Remote sensing of foliar chemistry[J]. Remote Sensing of Environment, 1989, 30(3): 271−278. doi: 10.1016/0034-4257(89)90069-2
[54] Daughtry C, Walthall C, Kim M, et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment, 2000, 74: 229−239. doi: 10.1016/S0034-4257(00)00113-9
[55] Datt B. Remote sensing of chlorophyll a, chlorophyll b, chlorophyll a+b, and total carotenoid content in eucalyptus leaves[J]. Remote Sensing of Environment, 1998, 66: 111−121. doi: 10.1016/S0034-4257(98)00046-7
[56] Asner G, Martin R. Airborne spectranomics: mapping canopy chemical and taxonomic diversity in tropical forests[J]. Frontiers in Ecology and the Environment, 2009, 7: 269−276. doi: 10.1890/070152
[57] Ustin S, Gitelson A, Jacquemoud S, et al. Retrieval of foliar information about plant pigment systems from high resolution spectroscopy[J]. Remote Sensing of Environment, 2009, 113: 67−77. doi: 10.1016/j.rse.2008.10.019
[58] Malenovský Z, Homolová L, Zurita-Milla R, et al. Retrieval of spruce leaf chlorophyll content from airborne image data using continuum removal and radiative transfer[J]. Remote Sensing of Environment, 2013, 131: 85−102. doi: 10.1016/j.rse.2012.12.015
[59] McManus K, Asner G, Martin R, et al. Phylogenetic structure of foliar spectral traits in tropical forest canopies[J/OL]. Remote Sensing, 2016, 8(3): 196 [2021−01−18]. https://doi.org/10.3390/rs8030196.
[60] Serrano L, Penuelas J, Ustin S. Remote sensing of nitrogen and lignin in Mediterranean vegetation from AVIRIS data: decomposing biochemical from structural signals[J]. Remote Sensing of Environment, 2002, 81: 355−364. doi: 10.1016/S0034-4257(02)00011-1
[61] Thenkabail P, Lyon J, Huete A. Hyperspectral remote sensing of vegetation[M]. Boca Raton: CRC Press, 2016.
[62] Assal T, Anderson P, Sibold J. Spatial and temporal trends of drought effects in a heterogeneous semi-arid forest ecosystem[J]. Forest Ecology and Management, 2016, 365: 137−151. doi: 10.1016/j.foreco.2016.01.017
[63] Klosterman S, Hufkens K, Gray J, et al. Gray J, et al. Evaluating remote sensing of deciduous forest phenology at multiple spatial scales using PhenoCam imagery[J]. Biogeosciences, 2014, 11: 4305−4320. doi: 10.5194/bg-11-4305-2014
[64] van Wittenberghe S, Verrelst J, Rivera J, et al. Gaussian processes retrieval of leaf parameters from a multi-species reflectance, absorbance and fluorescence dataset[J]. Journal of Photochemistry and Photobiology B-Biology, 2014, 134: 37−48. doi: 10.1016/j.jphotobiol.2014.03.010
[65] Asner G, Knapp D, Anderson C, et al. Large-scale climatic and geophysical controls on the leaf economics spectrum[J]. PNAS, 2016, 113: 4043−4051. doi: 10.1073/pnas.1604863113
[66] Schlerf M, Atzberger C, Hill J, et al. Retrieval of chlorophyll and nitrogen in Norway spruce (Picea abies, L. Karst.) using imaging spectroscopy[J]. International Journal of Applied Earth Observation and Geoinformation, 2010, 12: 17−26. doi: 10.1016/j.jag.2009.08.006
[67] 章钊颖, 王松寒, 邱博, 等. 日光诱导叶绿素荧光遥感反演及碳循环应用进展[J]. 遥感学报, 2019, 23(1):37−52. Zhang Z Y, Wang S H, Qiu B, et al. Remote sensing retrieval of sunlight induced chlorophyll fluorescence and application of carbon cycle[J]. Acta Remote Sensing, 2019, 23(1): 37−52.
[68] Potter C, Randerson J, Field C, et al. Terrestrial ecosystem production-A process model-based on global satellite and surface data[J]. Global Biogeochemical Cycles, 1993, 7: 811−841. doi: 10.1029/93GB02725
[69] Li X, Xiao J, He B, et al. Chlorophyll fluorescence observed by OCO-2 is strongly related to gross primary productivity estimated from flux towers in temperate forests[J]. Remote Sensing of Environment, 2018, 204: 659−671. doi: 10.1016/j.rse.2017.09.034
[70] 郭庆华, 胡天宇, 马勤, 等. 新一代遥感技术助力生态系统生态学研究[J]. 植物生态学报, 2020, 44(4):418−435. doi: 10.17521/cjpe.2019.0206 Guo Q H, Hu T Y, Ma Q, et al. Advances for the new remote sensing technology in ecosystem ecology research[J]. Chinese Journal of Plant Ecology, 2020, 44(4): 418−435. doi: 10.17521/cjpe.2019.0206
[71] Frydenvang J, Maarschalkerweerd M, Carstensen A, et al. Sensitive detection of phosphorus deficiency in plants using chlorophyll a fluorescence[J]. Plant Physiology, 2015, 169: 353−361. doi: 10.1104/pp.15.00823
[72] Sun Y, Frankenberg C, Wood J, et al. OCO-2 advances photosynthesis observation from space via solar-induced chlorophyll fluorescence[J]. Science, 2017, 358: 747.
[73] Wolanin A, Rozanov V, Dinter T, et al. Global retrieval of marine and terrestrial chlorophyll fluorescence at its red peak using hyperspectral top of atmosphere radiance measurements: feasibility study and first results[J]. Remote Sensing of Environment, 2015, 166: 243−261. doi: 10.1016/j.rse.2015.05.018
[74] Köhler P, Guanter L, Joiner J. A linear method for the retrieval of sun-induced chlorophyll fluorescence from GOME-2 and SCIAMACHY data[J]. Atmospheric Measurement Techniques, 2015, 8(6): 2589−2608. doi: 10.5194/amt-8-2589-2015
[75] Mcroberts R, Næsset E, Gobakken T. Inference for lidar-assisted estimation of forest growing stock volume[J]. Remote Sensing of Environment, 2013, 128: 268−275. doi: 10.1016/j.rse.2012.10.007
[76] Cartus O, Kellndorfer J, Rombach M. Mapping canopy height and growing stock volume using airborne lidar, ALOS PALSAR and Landsat ETM+[J]. Remote Sensing, 2012, 4: 3320−3345. doi: 10.3390/rs4113320
[77] 李增元, 赵磊, 李堃, 等. 合成孔径雷达森林资源监测技术研究综述[J]. 南京信息工程大学学报, 2020, 12(2):150−158. Li Z Y, Zhao L, Li K, et al. A survey of developments on forest resources monitoring technology of synthetic aperture radar[J]. Journal of Nanjing University of Information Technology, 2020, 12(2): 150−158.
[78] 李亚东, 冯仲科, 明海军, 等. 无人机航测技术在森林蓄积量估测中的应用[J]. 测绘通报, 2017(4):63−66. Li Y D, Feng Z K, Ming H J, et al. Application of UAV aerial survey technology in forest volume estimation[J]. Surveying and Mapping Bulletin, 2017(4): 63−66.
[79] 黄麟, 张晓丽, 石韧. 森林病虫害遥感监测技术研究的现状与问题[J]. 遥感信息, 2006(2):71−75. doi: 10.3969/j.issn.1000-3177.2006.02.020 Huang L, Zhang X L, Shi R. Current status and problems in monitoring forest damage caused by diseases and insects based on remote sensing[J]. Remote Sensing Information, 2006(2): 71−75. doi: 10.3969/j.issn.1000-3177.2006.02.020
[80] 王蕾, 骆有庆, 张晓丽, 等. 遥感技术在森林病虫害监测中的应用研究进展[J]. 世界林业研究, 2008, 21(5):37−43. Wang L, Luo Y Q, Zhang X L, et al. Application development of remote sensing technology in the assessment of forest pest disaster[J]. World Forestry Research, 2008, 21(5): 37−43.
[81] Stone C, Mohammed C. Application of remote sensing technologies for assessing planted forests damaged by insect pests and fungal pathogens: a review[J]. Current Forestry Reports, 2017, 3(2): 1−18.
[82] Hall R J, van der Sanden J J, Freeburn J T, et al. Remote sensing of natural disturbance caused by insect defoliation and dieback: a review[R]. Edmonton: Natural Resources Canada, 2016.
[83] Coops N, Johnson M, Wulder M, et al. Assessment of QuickBird high spatial resolution imagery to detect red attack damage due to mountain pine beetle infestation[J]. Remote Sensing of Environment, 2006, 103(1): 67−80. doi: 10.1016/j.rse.2006.03.012
[84] Bright B, Hudak A, McGaughey R, et al. Predicting live and dead tree basal area of bark beetle affected forests from discrete-return lidar[J]. Canadian Journal of Remote Sensing, 2013, 39: 99−111. doi: 10.5589/m13-027
[85] Carter G, Knapp A. Leaf optical properties in higher plants: linking spectral characteristics to stress and chlorophyll concentration[J]. American Journal of Botany, 2001, 88: 677−684. doi: 10.2307/2657068
[86] Ustin S, Roberts D, Gamon J, et al. Using imaging spectroscopy to study ecosystem processes and properties[J]. Bioscience, 2004, 54: 523−534. doi: 10.1641/0006-3568(2004)054[0523:UISTSE]2.0.CO;2
[87] Niemann K, Quinn G, Stephen R, et al. Hyperspectral remote sensing of mountain pine beetle with an emphasis on previsual assessment[J]. Canadian Journal of Remote Sensing, 2015, 41(3): 191−202. doi: 10.1080/07038992.2015.1065707
[88] Hernández-Clemente R, Hornero A, Mottus M, et al. Early diagnosis of vegetation health from high-resolution hyperspectral and thermal imagery: lessons learned from empirical relationships and radiative transfer modelling[J]. Current Forestry Reports, 2019, 5: 169−183. doi: 10.1007/s40725-019-00096-1
[89] Abdullah H, Darvishzadeh R, Skidmore A, et al. European spruce bark beetle (Ips typographus L.) green attack affects foliar reflectance and biochemical properties[J]. International Journal of Applied Earth Observation & Geoinformation, 2018, 64: 199−209.
[90] Peterson D, Aber J, Matson P, et al. Remote sensing of forest canopy and leaf biochemical contents[J]. Remote Sensing of Environment, 1988, 24: 85−108. doi: 10.1016/0034-4257(88)90007-7
[91] 徐华潮, 骆有庆, 张廷廷, 等. 松材线虫自然侵染后松树不同感病阶段针叶光谱特征变化[J]. 光谱学与光谱分析, 2011, 31(5):1352−1356. doi: 10.3964/j.issn.1000-0593(2011)05-1352-05 Xu H C, Luo Y Q, Zhang T T, et al. Changes of reflectance spectra of pine needles in different stage after being infected by pine wood nematode[J]. Spectroscopy and Spectral Analysis, 2011, 31(5): 1352−1356. doi: 10.3964/j.issn.1000-0593(2011)05-1352-05
[92] Liu Y J, Zhan Z Y, Ren L L, et al. Hyperspectral evidence of early-stage pine shoot beetle attack in Yunnan pine[J]. Forest Ecology and Management, 2021, 497: 1118−1127.
[93] Yu L, Zhan Z, Ren L, et al. Evaluating the potential of worldview-3 data to classify different shoot damage ratios of Pinus yunnanensis[J/OL]. Forests, 2020, 11: 417 [2021−01−14]. https://doi.org/10.3390/f11040417.
[94] Zhan Z, Yu L, Ren L, et al. Combining GF-2 and Sentinel-2 images to detect tree mortality caused by red turpentine beetle during the early outbreak stage in north China[J]. Forests, 2020, 11(2): 172. doi: 10.3390/f11020172
[95] Senf C, Pflugmacher D, Hostert P, et al. Using Landsat time series for characterizing forest disturbance dynamics in the coupled human and natural systems of Central Europe[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 453−463. doi: 10.1016/j.isprsjprs.2017.07.004
[96] Yu L, Huang J, Zong S, et al. Detecting shoot beetle damage on Yunnan pine using Landsat time-series data[J/OL]. Forests, 2018, 9: 39 [2021−01−19]. https://doi.org/10.3390/f9010039.
[97] Gašparović M, Jurjević L. Gimbal influence on the stability of exterior orientation parameters of UAV acquired images[J/OL]. Sensors, 2017, 17(2): 401 [2021−01−15]. https://doi.org/10.3390/s17020401.
[98] Näsi R, Honkavaara E, Paivi L, et al. Using UAV-based photogrammetry and hyperspectral imaging for mapping bark beetle damage at tree-level[J]. Remote Sensing, 2015, 7: 15467−15493. doi: 10.3390/rs71115467
[99] Yu R, Luo Y Q, Zhou Q, et al. A machine learning algorithm to detect pine wilt disease using UAV-based hyperspectral imagery and LiDAR data at the tree level[J/OL]. International Journal of Applied Earth Observation and Geoinformation, 2021, 101(1): 102363 [2021−01−21]. https://doi.org/10.1016/j.jag.2021.102363.
[100] 鲁芮伶, 杜莹, 晏黎明, 等. 森林树木死亡的判定方法及其应用综述[J]. 科学通报, 2019, 64(23):2395−2409. Lu R L, Du Y, Yan L M, et al. A review of forest tree death determination methods and their application[J]. Scientific Bulletin, 2019, 64(23): 2395−2409.
[101] Parker J, Patton R. Effects of drought and defoliation on some metabolites in roots of black oak seedlings[J]. Canadian Journal of Forest Research, 1975, 5: 457−463. doi: 10.1139/x75-063
[102] Hartmann H, Ziegler W, Trumbore S. Lethal drought leads to reduction in nonstructural carbohydrates in Norway spruce tree roots but not in the canopy[J]. Functional Ecology, 2013, 27: 413−427. doi: 10.1111/1365-2435.12046
[103] Adams H, Zeppel M, Anderegg W, et al. A multi-species synthesis of physiological mechanisms in drought-induced tree mortality[J]. Nature Ecology and Evolution, 2017, 1: 1285−1291. doi: 10.1038/s41559-017-0248-x
[104] 周国逸, 李琳, 吴安驰. 气候变暖下干旱对森林生态系统的影响[J]. 南京信息工程大学学报(自然科学版), 2020, 12(1):81−88. Zhou G Y, Li L, Wu A C. Effect of drought on forest ecosystem under warming climate[J]. Journal of Nanjing University of Information Technology (Nature Science Edition), 2020, 12(1): 81−88.
[105] Bowman W. The relationship between leaf water status, gas exchange, and spectral reflectance in cotton leaves[J]. Remote Sensing of Environment, 1989, 30(3): 249−255. doi: 10.1016/0034-4257(89)90066-7
[106] 郝增超, 侯爱中, 张璇, 等. 干旱监测与预报研究进展与展望[J]. 水利水电技术, 2020, 51(11):30−40. Hao Z C, Hou A Z, Zhang X, et al. Study progresses and prospects of drought monitoring and prediction[J]. Water Conservancy and Hydropower Technology, 2020, 51(11): 30−40.
[107] 周磊, 武建军, 张洁. 以遥感为基础的干旱监测方法研究进展[J]. 地理科学, 2015, 35(5):630−636. Zhou L, Wu J J, Zhang J. Remote sensing-based drought monitoring approach and research progress[J]. Scientia Geographica Sinica, 2015, 35(5): 630−636.
[108] Li X, Xiao J, He B. Higher absorbed solar radiation partly offset the negative effects of water stress on the photosynthesis of Amazon forests during the 2015 drought[J/OL]. Environmental Research Letters, 2018, 13(4): 044005 [2020−10−12]. https://iopscience.iop.org/article/10.1088/1748-9326/aab0b1.
[109] Reddy A, Chaitanya K, Vivekanandan M. Drought-induced responses of photosynthesis and antioxidant metabolism in higher plants[J]. Journal of Plant Physiology, 2004, 161(11): 1189−1202. doi: 10.1016/j.jplph.2004.01.013
[110] Lambers H, Chapin F, Chapin F, et al. Plant water relations in plant physiological ecology[M]. New York: Springer, 2008: 163−217.
[111] Breshears D, Cobb N, Rich P, et al. Regional vegetation die-off in response to global change-type drought[J]. PNAS, 2005, 102(42): 15144−15148. doi: 10.1073/pnas.0505734102
[112] Running S, Nemani R, Heinsch F, et al. A continuous satellite-derived measure of global terrestrial primary production[J]. Bioscience, 2004, 54(6): 547−560. doi: 10.1641/0006-3568(2004)054[0547:ACSMOG]2.0.CO;2
[113] Huang C, Asner G, Barger N, et al. Regional aboveground live carbon losses due to drought-induced tree dieback in Pinyon-Juniper ecosystems[J]. Remote Sensing of Environment, 2010, 114(7): 1471−1479. doi: 10.1016/j.rse.2010.02.003
[114] Clifford M, Cobb N, Buenemann M. Long-term tree cover dynamics in a Pinyon-Juniper woodland: climate-change-type drought resets successional clock[J]. Ecosystems, 2011, 14(6): 949−962. doi: 10.1007/s10021-011-9458-2
[115] Suárez L, Zarco-Tejada P, Sepulcre-Cantó G, et al. Assessing canopy PRI for water stress detection with diurnal airborne imagery[J]. Remote Sensing of Environment, 2008, 112(2): 560−575. doi: 10.1016/j.rse.2007.05.009
[116] 黄华国. 森林病虫害定量遥感模型进展[C]//第一届植被病虫害遥感大会. 北京: 中国科学院空天信息创新研究院, 2020. Huang H G. Advances in quantitative remote sensing models of forest diseases and insect pests[C]//The first congress on remote sensing of plant diseases and insect pests. Beijing: Aerospace Information Research Institute, Chinese Academy of Sciences, 2020.
[117] 李树涛, 李聪妤, 康旭东. 多源遥感图像融合发展现状与未来展望[J]. 遥感学报, 2021, 25(1):148−166. Li S T, Li C Y, Kang X D. Development status and future prospects of multi-source remote sensing image fusion[J]. National Remote Sensing Bulletin, 2021, 25(1): 148−166.
[118] 武士翔. “科技蓝 + 森林绿”助力雄安生态格局: 基于雄安新区植树造林项目的研究[J]. 城市建筑, 2019, 16(26):149−150. doi: 10.3969/j.issn.1673-0232.2019.26.049 Wu S X. “Science and technology blue + forest green” helps Xiong’an ecological pattern based on the afforestation project in Xiong’an new district[J]. Urban Architecture, 2019, 16(26): 149−150. doi: 10.3969/j.issn.1673-0232.2019.26.049
[119] Gorelick N, Hancher M, Dixon M, et al. Google earth engine: planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202: 18−27. doi: 10.1016/j.rse.2017.06.031
-
期刊类型引用(62)
1. 张聪，刘琪，李海奎，刘鹏举，詹思颖. 我国尺度兼容和树种分类的材积源森林碳储量模型. 林业科学. 2025(01): 57-69 . 
百度学术
2. 衣娜娜，毕力格，史金丽，蔡敏，许志丽，郑凤杰，丽娜. 内蒙古大兴安岭飞机冷云增雨潜势预报模型. 干旱区研究. 2025(03): 409-419 . 百度学术
3. 王伟武，伏添乐，陈欢. 基于PLUS-InVEST模型的长三角城市群碳储量时空演变与预测. 环境科学. 2025(04): 1937-1950 . 百度学术
4. 徐思若，成志影，那雪迎，张栩嘉，马大龙，张鹏. 黑龙江省森林碳汇及其经济价值的变化分析与潜力预测. 生态学杂志. 2024(01): 197-205 . 百度学术
5. 张圆圆，龙勤. 云南省森林净碳储量估算及影响因素分析——基于碳源和碳汇双重角度. 绿色科技. 2024(01): 227-231 . 百度学术
6. 汪宗顺，张海鹏，岳超，杨红强，张寒. 造林增汇是实现碳中和的成本有效途径吗？——以西北地区为例. 自然资源学报. 2024(03): 731-748 . 百度学术
7. 田震，高凡，赛硕，杨之恒，丁国栋. 清水河县森林生态系统碳储量、碳密度分布特征. 干旱区资源与环境. 2024(06): 166-173 . 百度学术
8. 杨俊豪，张皓东，李永昌，刘书敏. 基于可加性模型的云南松和华山松碳储量模型构建. 昆明理工大学学报(自然科学版). 2024(02): 140-150 . 百度学术
9. 于鲁冀，张亚慧，樊雷，王莉，刘莹莹. 河南省森林固碳量与碳汇价值评估. 郑州大学学报(工学版). 2024(03): 7-13 . 百度学术
10. 袁慧兰，郑甜甜，林佳敏，鲍雪莲，闵凯凯，朱雪峰，解宏图，梁超. 农林土壤置换对植物残体分解过程的影响. 生态学杂志. 2024(04): 1017-1024 . 百度学术
11. 李林，赵毅，温智峰，刘佳润，魏识广，周景钢，冯嘉谊. 南亚热带常绿阔叶林地上碳储量空间分布特征及其影响因素. 生态学报. 2024(11): 4687-4697 . 百度学术
12. 马振华. 基于第7至9次森林资源清查的宁夏森林碳储量动态变化特征. 陕西林业科技. 2024(03): 39-45 . 百度学术
13. 郭同方，吴水荣，张超，苏秦. 重点国有林区森林碳储量动态变化及增汇策略分析——以龙江森工为例. 江西农业大学学报. 2024(03): 582-596 . 百度学术
14. 贺晨瑞，庞丽峰，谭炳香，黄逸飞，孙学霞. 基于遥感的北京市森林地上碳储量监测. 西北林学院学报. 2024(03): 162-170+265 . 百度学术
15. Zhencan ZHENG，Liuwen ZHUANG，Guofang MIAO，Han LIU，Zhiqiang CHENG，Wenyu LI，Rong SHANG，Peng GONG，Jing Ming CHEN. Elevational distribution of forests and its spatiotemporal dynamics in subtropical China from 2000 to 2019. Science China Earth Sciences. 2024(08): 2563-2582 . 必应学术
16. 郑振灿，庄留文，缪国芳，刘涵，程志强，李纹宇，商荣，宫鹏，陈镜明. 中国亚热带地区2000～2019年森林海拔分布特征及其时空动态. 中国科学:地球科学. 2024(08): 2604-2624 . 百度学术
17. 张亮. 韶关市森林植被碳储量与碳密度动态研究. 林业与环境科学. 2024(05): 88-94 . 百度学术
18. 范彩慧，段成波，龙德增，赵润华. 保山市森林生物质碳储量分析. 绿色科技. 2024(20): 68-73 . 百度学术
19. 胡兴波，张月，胡长江，李慧波，王光鑫. 西南地区常见林木的固碳经济效益分析. 农村科学实验. 2024(23): 114-116 . 百度学术
20. 曹爱平，罗雷，王晓荣，徐立，郑晓敏. 基于湖北第五次森林资源普查数据的森林碳储量研究. 湖北林业科技. 2024(06): 1-6 . 百度学术
21. 王媛媛，刘可欣，张湘婕，王艺璇，赵俊玮，徐连杰，郭婷婷，王天意，任志彬，代新竹. 城市森林碳汇估算计量——以长春市为例. 中国城市林业. 2024(06): 116-122 . 百度学术
22. 张翔，刘洋，玉山，苏日娜，阿茹汗. 基于无人机激光雷达和多光谱数据的森林树高提取方法研究. 森林工程. 2023(01): 29-36 . 百度学术
23. 胡勐鸿，李万峰，吕寻. 日本落叶松自由授粉家系选择和无性繁殖利用. 温带林业研究. 2023(01): 7-16 . 百度学术
24. 陈宏福，韦体，敏正龙，妥永华，高丹丹，蔡勇，杨具田，白日霞，郭鹏辉. 黄河上游太子山国家级自然保护区森林碳储量及碳增汇潜力研究. 西北民族大学学报(自然科学版). 2023(01): 63-70 . 百度学术
25. 朱建华，田宇，李奇，刘华妍，郭学媛，田惠玲，刘常富，肖文发. 中国森林生态系统碳汇现状与潜力. 生态学报. 2023(09): 3442-3457 . 百度学术
26. 张煜星，王雪军. 1973—2018年我国桉树人工林生产力及碳汇能力. 林业科学. 2023(03): 54-64 . 百度学术
27. 简尊吉，朱建华，王小艺，肖文发. 我国陆地生态系统碳汇的研究进展和提升挑战与路径. 林业科学. 2023(03): 12-20 . 百度学术
28. 刘川. 利用森林资源一类清查数据计算活立木蓄积量的方法及应用研究. 山东林业科技. 2023(03): 69-72 . 百度学术
29. 冯源，王连晶. 县域尺度乔木林碳储量及碳汇特征分析——以马关县为例. 西部林业科学. 2023(03): 152-159 . 百度学术
30. 罗佩文，熊小雨，刘冰琳. 基于机器学习和生长预测的森林固碳分析和多目标规划管理策略. 科技风. 2023(19): 156-159 . 百度学术
31. 汤浩藩，季巍，周卫平，欧阳希，王华，张文晶，许彦红. 主要乔木树种碳储量与碳密度分布特征——以昆明市海口林场为例. 南方林业科学. 2023(03): 6-10+29 . 百度学术
32. 王迎辉，孙浩然，解华臻，张岩，卢振生. 小型树苗扦插机的设计. 南方农机. 2023(22): 35-37+57 . 百度学术
33. 江晓雨，刘康桢，徐帅. 基于LCA的合肥滨湖国家森林公园的环境评估. 合肥学院学报(综合版). 2023(05): 70-76 . 百度学术
34. 李放，孙红召，黄新峰，曹文昱，冯东阳，冯瑞琦. 基于河南省第九次森林资源清查的乔木林碳储量研究. 绿色科技. 2023(17): 151-157 . 百度学术
35. 陈晨，时军霞，刘光武. 河南省乔木林碳储量和碳密度研究. 安徽农业科学. 2023(22): 108-111 . 百度学术
36. 韩艺，张峰. 北京市不同功能分区的乔木林储碳功能对比研究. 林业调查规划. 2023(05): 26-31 . 百度学术
37. 朱昳橙. 海寨林场主要乔木树种碳储量和碳密度特征研究. 宁夏农林科技. 2023(12): 24-28 . 百度学术
38. 张颖，李晓格. 碳达峰碳中和目标下北京市森林碳汇潜力分析. 资源与产业. 2022(01): 15-25 . 百度学术
39. 徐明锋，苏永新，龚益广，王锋，张少杰，何春梅. 粤西桉阔林乔木层碳密度及其影响因子研究. 林业与环境科学. 2022(01): 1-8 . 百度学术
40. 张全斌，周琼芳. “双碳”目标下中国能源CO_2减排路径研究. 中国国土资源经济. 2022(04): 22-30 . 百度学术
41. 付晓，张煜星，王雪军. 2060年前我国森林生物量碳库及碳汇潜力预测. 林业科学. 2022(02): 32-41 . 百度学术
42. 尹海龙，张乃暄，许中旗. 冀北坝上及坝下地区华北落叶松林土壤碳储量的比较. 林业与生态科学. 2022(02): 164-168 . 百度学术
43. 刘华超，任春颖，王宗明，张柏. 大兴安岭生态功能区生态系统服务功能动态及权衡协同关系研究. 生态与农村环境学报. 2022(05): 587-598 . 百度学术
44. 胡忠宇，苏建兰. 森林植被碳储量研究综述与展望. 农业与技术. 2022(12): 58-62 . 百度学术
45. 肖水寒，张驭骁，张佳栋，周甲佳. 基于碳存储量预测的森林经营计划决策模型. 科学技术创新. 2022(23): 165-168 . 百度学术
46. Menghong HU，Jiying LI，Man SUN. Strong Seedlings of Improved Varieties and High-efficiency Cultivation of Artificial Forests Promotes the Early Realization of "Carbon Neutrality". Agricultural Biotechnology. 2022(04): 136-141 . 必应学术
47. 曾丽，吕寻，胡勐鸿. 良种是加速实现“碳中和”的有效保障措施——以甘肃省地方良种为例. 林业科技通讯. 2022(08): 35-39 . 百度学术
48. 周静，吕晓琪. 北京大兴区森林植被碳储量计算及价值分析. 绿色科技. 2022(16): 49-52 . 百度学术
49. 薛春泉，陈振雄，杨加志，曾伟生，林丽平，刘紫薇，张红爱，苏志尧. 省市县一体化森林碳储量估测技术体系——以广东省为例. 林业资源管理. 2022(04): 157-163 . 百度学术
50. 雷海清，孙高球，郑得利. 温州市森林生态系统碳储量研究. 南京林业大学学报(自然科学版). 2022(05): 20-26 . 百度学术
51. 肖君. 福建省天然乔木林碳储量动态变化及增汇策略. 南京林业大学学报(自然科学版). 2022(05): 27-32 . 百度学术
52. 范春楠，刘强，郑金萍，郭忠玲，张文涛，刘英龙，谢遵俊，任增君. 采伐强度对阔叶红松林生态系统碳密度恢复的影响. 北京林业大学学报. 2022(10): 33-42 . 本站查看
53. 张颖，孟娜，姜逸菲. 中国森林碳汇与林业经济发展耦合及长期变化特征分析. 北京林业大学学报. 2022(10): 129-141 . 本站查看
54. 陈科屹，王建军，何友均，张立文. 黑龙江大兴安岭重点国有林区森林碳储量及固碳潜力评估. 生态环境学报. 2022(09): 1725-1734 . 百度学术
55. 荀文会. “碳中和”视角下的沈阳市国土空间规划路径. 规划师. 2022(10): 88-92 . 百度学术
56. 王飞平，张加龙. 基于碳卫星的森林碳储量估测研究综述. 世界林业研究. 2022(06): 30-35 . 百度学术
57. 侯瑞萍，陈健，夏朝宗，宋佳庚，黄翔，郑芊卉，安天宇，郝月兰. 2020年京津冀地区林地和其他生物质碳汇量研究. 林业资源管理. 2022(05): 42-52 . 百度学术
58. 郭学媛，朱建华，刘华妍，田惠玲，李春蕾，刘常富，肖文发. 林业活动对区域森林生物量碳源汇格局的影响——以南平市为例. 生态学报. 2022(23): 9548-9559 . 百度学术
59. 侯瑞萍，夏朝宗，陈健，郑芊卉，李海奎，黄金金，黄翔，邓继峰，韩旭，安天宇，郝月兰，苟丽晖. 长江经济带林地和其他生物质碳储量及碳汇量研究. 生态学报. 2022(23): 9483-9498 . 百度学术
60. 韩光荣，赵琦，邵长城. 优化施肥对樟子松幼苗生长和抗逆生理的影响. 林业调查规划. 2022(06): 49-54 . 百度学术
61. 刘丽，彭琛. 宁强县森林资源变化分析. 绿色科技. 2021(19): 97-99 . 百度学术
62. 张峰，彭祚登. 北京市森林碳储量和碳汇经济价值研究. 林业资源管理. 2021(06): 52-58 . 百度学术
其他类型引用(41)
计量
- 文章访问数: 3505
- HTML全文浏览量: 803
- PDF下载量: 635
- 被引次数: 103
