川西亚高山森林植被生物量及碳储量遥感估算研究

论文摘要

森林生物量是监测全球变化的关键因素之一,而遥感技术能够快速、无破坏地对森林生物量进行估算。川西亚高山森林是我国西部目前相对保存良好的天然森林,也是全球气候变化最敏感的地区之一。本文以四川省道孚县的亚高山森林为例,利用野外112个（阔叶林44个和针叶林68个）实测样地的森林生物量数据和陆地卫星TM影像数据分析了遥感信息与实测森林生物量的相关关系,分别建立了基于遥感信息的川西亚高山针叶林和阔叶林的最佳森林生物量遥感估算模型,估算了该区域森林生物量及碳储量,并对森林碳储量进行了空间分析。（1）经过地形校正的TM影像遥感信息的相关性明显高于未经地形校正的影像,表明经地形校正后的遥感数据更适合用于建立森林生物量遥感模型。（2）通过森林生物量经与遥感单波数据（TM1～7）、植被指数（DVI、RVI和NDVI等）和地形数据（DEM、SLOPE和ASPECT）相关性分析表明:①除波段TM6外,其他各波段与生物量普遍都在0.01水平上呈显著正相关,其中与波段TM1的相关性最高,分别达到0.620（针叶林）和0.514（阔叶林）;②针叶林和阔叶林生物量与植被指数PVI和BVI都在0.01的水平上呈显著正相关,针叶林生物量与植被指数NDVI在0.04的水平上呈负相关;③针叶林生物量与海拔（ALTITUDE）和坡度（SLOPE）在0.01的水平上呈显著正相关,而阔叶林生物量只与坡向（ASPECT）在0.01的水平上呈显著正相关。这表明针叶林和阔叶林生物量与遥感信息变量之间的相关性差异很大,总体表现为针叶林生物量与遥感变量间的相关性高于阔叶林。这意味着森林类型对遥感生物量模型精度有较大的影响。（3）利用野外实测的森林生物量数据与TM影像的单波段数据、植被指数数据以及地形数据在内的18个自变量分别建立了川西亚高山针叶林和阔叶林生物量的回归估算模型。在建立的一元线性回归、一元非线性回归和多元线性回归生物量模型中,无论是针叶林还是阔叶林,都以多元线性回归模型在森林生物量估算中有较好的精度。针叶林生物量最优回归模型为Y=2.511TM1-1.366TM3+0.057DEM-1.021SLOPE-239.107（R=0.700）,阔叶林生物量最优模型为Y=19.103+0.027ASP-0.863TM5+1.093TM7+0.485BVI（R=0.592）。（4）利用建立的针叶林和阔叶林最优遥感生物量模型估算出研究区域森林总生物量为56.243 Tg,森林总碳储量为26.434 TgC,平均碳密度为87.153 t·hm-2。其中针叶林生物量为45.842 Tg,占总生物量的81.507%,碳储量为21.546 TgC,占总碳储量的88.180%,碳密度为98.564 t·hm-2;阔叶林生物量为10.401 Tg,占总生物量的18.493%,碳储量为4.888 TgC,占总碳储量的11.820%,碳密度为75.724 t·hm-2,表明针叶林是该区域的最大森林植被碳库。（5）研究区域森林植被碳储量随海拔变化表现为以海拔3800-4200m为中心向两极递减,海拔3800-4800m区域的森林植被碳储量最大,占总储量的39.328%;森林植被碳储量随坡度变化表现为陡坡＞急坡＞斜坡＞缓坡＞险坡＞平坡;森林植被碳储量随坡向变化表现为半阴坡＞半阳坡＞阳坡＞阴坡＞无坡向。

论文目录

• 中文摘要
• 英文摘要
• 1 文献综述
• 1.1 森林生物量估算方法
• 1.1.1 生物量估算的传统方法
• 1.1.2 基于遥感技术的生物量估算方法
• 1.2 植被指数
• 1.3 森林植被碳储量
• 1.4 遥感技术对森林生物量估算的研究现状
• 1.4.1 国外的研究现状
• 1.4.2 国内的研究现状
• 1.5 存在的问题
• 2 研究区域概况和研究方法
• 2.1 研究区域概况
• 2.2 研究目的与意义
• 2.3 研究内容
• 2.4 研究方法
• 2.4.1 森林资源基础数据的收集
• 2.4.2 森林的分类
• 2.4.3 样地的设置
• 2.4.4 森林生物量测定
• 2.4.5 基于遥感的森林生物量遥感模型研究
• 2.4.5.1 遥感影像预处理
• 2.4.5.2 图像分类
• 2.4.5.3 研究区植被指数提取与分析
• 2.4.5.4 地形因子的提取
• 2.4.5.5 模型的建立
• 2.4.5.6 生物量及碳储量估算
• 2.4.5.7 专题图的制作
• 2.4.5.8 海拔梯度、坡度等级和坡向等级碳储量估算
• 3 结果与分析
• 3.1 森林生物量与各遥感因子的相关性分析
• 3.1.1 针叶林生物量与遥感数据之间的相关性分析
• 3.1.2 阔叶林生物量与遥感数据之间的相关性分析
• 3.2 森林生物量遥感模型的建立
• 3.2.1 针叶林生物量遥感模型建立
• 3.2.1.1 生物量数据与单波段数据之间的回归分析
• 3.2.1.2 生物量数据与植被指数以及地形数据之间的回归分析
• 3.2.1.3 生物量与各遥感数据之间的多元回归分析
• 3.2.2 阔叶林生物量遥感模型建立
• 3.2.2.1 生物量数据与短波段数据之间的回归分析
• 3.2.2.2 生物量数据与植被指数以及地形数据之间的回归分析
• 3.2.2.3 生物量与各数据之间的多元回归分析
• 3.3 森林生物量及碳储量估算结果
• 3.4 森林碳储量分布空间分析
• 3.4.1 海拔梯度分布特征
• 3.4.2 坡度的分布特征
• 3.4.3 坡向的分布特征
• 4 讨论
• 4.1 影响森林生物量遥感模型精度的因素
• 4.1.1 地形校正
• 4.1.2 遥感指示因子
• 4.1.3 森林结构
• 4.2 基于遥感信息森林生物量最优模型的确定
• 4.3 基于遥感信息的森林碳储量和碳密度估算结果
• 4.4 碳储量空间分布特征
• 4.4.1 碳储量海拔分布特征
• 4.4.2 碳储量坡度分布特征
• 4.4.3 碳储量坡向分布特征
• 5 结论
• 6 有待进一步研究的问题
• 参考文献
• 致谢
• 硕士学位期间发表文章目录