张广才岭及完达山森林生物量遥感估测及变化驱动力分析

论文摘要

森林是地球上最重要的资源之一,是人类赖以生存的自然资源,是陆地上面积最大、分布最广、组成结构最复杂、物质资源最丰富的生态系统,是陆地生态系统的主要碳汇。然而,七十年代、八十年代人们对森林进行了大量的采伐,导致生态系统环境的严重破坏。随着天然林保护工程的启动,从根本上遏制了生态环境恶化,保护了生物多样性,促进了社会、经济的可持续发展。在天然林保护期间,森林生物量碳储量发生了很大的变化,对森林生态系统有着积极的作用。因此,研究森林生物量变化特别是天然林保护期间森林生物量及变化意义重大。我国东北森林是世界上3大块温带森林之一,占全国森林面积和森林蓄量积的1/3以上,在我国和全球碳循环、林业和生态环境建设中起着举足轻重的作用。然而东北森林碳循环的研究尚不全面,在我国和全球碳循环评估、建模和预测中还急需来自该区域的研究成果。本研究结合遥感技术和地理信息系统技术,分析和探讨了张广才岭和完达山地区森林生物量的估算方法和森林生物量时空变化规律。本研究采用各种与生物量相关的遥感因子、GIS因子、气象因子、社会经济因子建立估算张广才岭和完达山地区的生物量模型,并且分析生物量的时空变化信息。研究生物量变化的自然驱动因子、人为驱动因子和社会经济驱动因子,并作定量的研究,分析各因子对生物量变化的驱动贡献量。与以往的定性分析和线性定量分析比较,找出最适合模拟这种驱动模型的方法,对生物量变化及驱动因子做非线性的定量分析。为研究此区域的森林产量、森林碳收支及碳循环模型等提供参考依据。针对上述问题展开了如下研究并得出相应的主要结论：1、大区域和大时间尺度的遥感影像由于受大气条件、光照条件、地表起伏等因素的影响,造成同一地区所成的影像具有较大的辐射差异。这种差异对于后续定量提取信息具有重要影响。只有在进行生物量定量反演以及时空变化规律分析之前进行几何校正、辐射校正、大气校正、太阳高度角的校正以及多时相遥感影像的辐射归一化,才能保证精度要求。2、通过研究多元逐步回归方法、线性和非线性偏最小二乘方法、BP神经网络及改进Erf-BP神经网络建模方法,发现以改进的Erf-BP神经网络模型模拟和预测结果最好,预测精度达到了84.91%,列于几种方法之首。其次是非线性偏最小二乘模型,模拟精度达到85.8%,预测精度为83.08%,线性偏最小二乘模型模拟精度为83.08%,预测精度为83.09%;传统的BP神经网络位于其后,网络预测精度为80.97%；传统的多元逐步回归分析建立的生物量模型模拟精度仅为76%,而预测精度为75%。但受制于运算时间,导致偏最小二乘模型和神经网络模型很难推广应用。3、分析70年代到现在森林生物量变化受自然因素、人为因素的影响,并做定量研究。利用偏最小二乘的线性和非线性方法计算了气候变量、经营措施变量和经济因素变量的VIP值,通过VIP值的大小进行森林生物量变换的驱动力和驱动机制的分析。森林生物量变化在70—80年代经营措施是主要驱动因子,80—90年代3类因子都起到重要的影响作用,90年代末到现在经营措施类因子的重要性大幅度降低,自然因素和社会经济因素的影响升高,说明天然林保护工程初见成效。结果表明,本文所使用的方法正确,能够准确预算出研究区域的四期生物量,并且对于研究生物量的变化、变化机制和驱动力作出正确的分析和判断。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究目的和意义
• 1.2 国内外研究现状
• 1.2.1 生物量估算的研究现状
• 1.2.2 驱动因子分析的研究现状
• 1.3 本文研究内容和方法
• 1.3.1 本论文的研究内容
• 1.3.2 研究方法及技术路线
• 2 研究区域介绍和数据获取与处理
• 2.1 研究区域概况
• 2.1.1 地形地貌特征
• 2.1.2 水文气象
• 2.1.3 林木资源
• 2.2 森林资源清查数据获取及处理
• 2.2.1 森林资源清查数据的收集
• 2.2.2 样地的初步筛选
• 2.3 野外数据的收集及处理
• 2.3.1 乔木生物量的测定方法
• 2.3.2 样地单木生物量模型
• 2.3.3 灌木生物量的测定
• 2.3.4 草本生物量的测定
• 2.4 遥感数据获取及处理
• 2.4.1 遥感数据收集
• 2.4.2 遥感数据处理
• 2.5 小结
• 3 森林生物量估算
• 3.1 生物量估算遥感基础
• 3.1.1 植被遥感原理
• 3.1.2 叶面积指数的估算
• 3.1.3 森林类型识别
• 3.1.4 森林郁闭度信息提取
• 3.2 生物量多元统计模型估算方法
• 3.2.1 遥感变量的提取
• 3.2.2 样地对应的遥感因子提取
• 3.2.3 自变量因子相关性分析
• 3.2.4 多元统计模型的建立
• 3.3 森林生物量偏最小二乘模型估算方法
• 3.3.1 偏最小二乘理论
• 3.3.2 非线性偏最小二乘算法
• 3.3.3 Bootstrap变量筛选方法
• 3.3.4 偏最小二乘模型的建立
• 3.4 森林生物量神经网络模型估算方法
• 3.4.1 神经网络原理
• 3.4.2 森林生物量神经网络模型
• 3.5 生物量反演
• 3.6 小结
• 4 驱动力分析
• 4.1 驱动力分析方法
• 4.2 森林生物量变化驱动因子线性偏最小二乘分析
• 4.2.1 70-80年代变化分析
• 4.2.2 80-90年代变化分析
• 4.2.3 90-00年代变化分析
• 4.3 森林生物量变化驱动因子非线性偏最小二乘分析
• 4.3.1 70-80年代变化分析
• 4.3.2 80-90年代变化分析
• 4.3.3 90-00年代变化分析
• 4.4 森林生物量变化的驱动机制分析
• 4.4.1 70-80年代变化驱动机制分析
• 4.4.2 80-90年代变化驱动机制分析
• 4.4.3 90-00年代变化驱动机制分析
• 4.5 森林生物量变化的综合分析
• 4.6 小结
• 结论
• 参考文献
• 附录
• 攻读学位期间发表的学术论文
• 致谢