基于CASA模型的福建省毛竹林NPP估算

以RS和GIS为技术支撑,基于改进的CASA模型为基础,利用MODIS数据、森林资源清查毛竹样地数据、气象数据及DEM数据等,估算了2012年福建省毛竹林NPP。结果表明,毛竹林最大光能利用率为2.399 6g C/MJ,2012年福建省毛竹林NPP平均值为1 169.10 g C/(m2!a),毛竹林碳积累总量为1.034 4×109t C。     

基于LandSat8 OLI数据的山区NPP遥感估算模型研究

指出了地形起伏对净初级生产力NPP的估算影响重大,提出了一种山区NPP快速简便的估算方法。以青海省尖扎县为实验区,利用LandSat8OLI数据获取的NDVI与实测NPP进行了回归分析,构建了以NDVI为驱动因子的NPP遥感估算模型:NPP=-349.03ln(1-NDVI)-33.336,R2=0.7325。通过检验,该模型能够运用于地形起伏较大区域的NPP估算,其方法简便快捷,能节约不少人力物力。     

基于CASA模型的香格里拉碳储量估算

随着全球环境问题的日益突出和人类环保观念的逐步普及,碳储量的研究已成为学术界研究的热点与前沿。文章以TM影像为信息源,在GIS软件、Matlab软件和相关气象数据支持下,对香格里拉县2010年碳储量进行估算。结果表明,基于CASA模型的碳储量估算方便快捷,结果真实可靠。对研究区的碳储量空间分布进行分析,发现其在水平方向、垂直方向、坡向、行政区域等方面均存在一定的分布规律。     

基于改进CASA模型的云南省植被NPP时空格局分析

植被净初级生产力(NPP)是衡量生态系统生产力水平的指标之一,利用生态遥感相结合的手段对其估算具有重要意义。运用改进的CASA模型,基于MODIS植被指数产品、气象数据、土地覆被数据,对云南省2000年、2005年、2010年、2015年、2020年的植被NPP进行估算,采用Moran′s I指数、Getis-Ord Gi^*热点分析探讨其空间分布特征,并与我国生态功能保护区进行叠加分析。研究表明：1)云南省近20年植被NPP呈先减少再增加的趋势,平均值为822.98 gc/(m²·a);月度植被NPP夏季达到最高,冬季最低;不同植被类型中,常绿阔叶林的NPP值最高。2)各年份植被NPP空间分布均由南向北减少,全局空间自相关Moran′s I指数均大于0.7,NPP热点区主要位于滇西南边境一带,冷点区位于滇西北、滇中城市化地区。3)植被净初级生产力热点区与生态功能保护区叠加相交于西双版纳生态功能保护区、西南喀斯特生态功能保护区,各年叠加面积占热点区域总面积的23%～26%。可见,云南省近20年NPP呈波动上升趋势,空间分布异质性明显。研究该结果...     

基于CASA模型的人工植被生物量的估算及特征分析

利用改进的CASA模型,结合Landsat TM遥感影像及气象数据,估算榆林飞播林2010年7月的植被净初级生产力。通过实测植被生物量,验证CASA模型在研究区的估算结果。结果表明:CASA模型适用于榆林飞播林植被净初级生产力估算;CASA模型估算的不同地区NPP区别明显,榆林市横山县与榆阳区交界处的植被NPP值最高,其值介233.21～414.15gC/m2之间;榆林飞播林生态系统属于较低生产力的生态系统;沙柳的NPP水平最高,以柠条+沙柳+沙蒿为播种模式的人工林地生物量最高;除沙柳、花棒和沙蒿外,其他飞播植物生物量与含水量无明显的相关性;不同飞播年代的同种植被生物量与含水量、土壤养分以及气候等因素之间具有密切的相关性。     

荒漠区人工林NPP估算模型比较研究

利用LANDSAT8遥感影像数据、结合气象数据和野外调查数据,采用CASA模型、C-FIX模型和GLO-PEM模型,分别估算和分析了2014年墨玉县森林植被净初生产力时空分布特征,并进行验证和比较。结果表明:植被净初生产力空间分布差异比较明显,主要集中于研究区中部和东南部;CASA模型的NPP平均值为70gC·m~(-2)、C-FIX模型的为56C·m~(-2),GLO-PEM模型的为28C·m~(-2),其中CASA模型模拟结果最接近于前人研究成果;通过实测值验证,各模型实测值和模拟值相当吻合,其中CASA模型的平均值最接近,相关系数R2=0.994 15,大部分样本点的误差小于5%。     

基于CASA模型的瓦屋山林场植被净初级生产力估算

在地理信息系统和遥感技术支持下,利用改进的CASA模型,并结合Landsat TM遥感影像、气象数据和林班数据,估算出瓦屋山林场2008—2009年的植被净初级生产力(PNPP),并通过实测植被生物量和生产力的关系,验证CASA模型在研究地区估算结果。结果表明:CASA模型估测植被PNPP与实测结果有较好的一致性,能够适用于瓦屋山林场植被净生产力估算;CASA模型估算结果主要植被类型年均PNPP区别明显,从高到低依次是:中国山杨、麻栎、板栗、马尾松、湿地松、灌木、杉木和池杉;瓦屋山林场植被PNPP季节变化显著,夏季贡献率最大,其次是春季和秋季,冬季最少,主要由于不同季节环境因素不同,其中又以太阳辐射最为重要。     

利用不同时相遥感影像估算大兴安岭北部火干扰后NPP

森林火灾是森林生态系统中重要的干扰,对碳循环和碳平衡具有影响。林火作为大兴安岭森林生态系统中主要的干扰因子,直接影响区域的净初级生产力NPP(net primary productivity)。林火的发生使NPP迅速下降,改变了区域碳平衡。以多时相遥感数据为基础,利用CASA(Carngie-Ames-stanford-Approach)模型估算大兴安岭北部地区未过火区和过火区植被NPP变化。结果表明:1987年6月,未过火区植被NPP为145 g C m-2,轻度过火区为74 g C m-2,中度过火区为58 g C m-2,重度过火区植被NPP为38 g C m-2,火干扰后NPP分别降低了49%、60%、73%;1999年8月,火干扰12 a后,过火区NPP是未过火区NPP的96%以上,NPP恢复迅速,基本达到未过火区水平。2009年8月,火干扰22 a后,过火区NPP是未过火区93%以上,与火干扰12 a时相比,下降3%。虽然NPP增速下降,但是NPP总量增加,生产力也与未过火区基本处于同水平。     

基于CASA模型的内蒙古地区草地生产力估测

草地生产力水平估测是草地生态健康诊断和地区草地可持续发展规划制定的基础工作之一。有鉴于此,此次研究利用CASA模型,综合考虑气温和水分对植被生长的影响,对内蒙古地区草地初级净生产力进行估算。该模型估算结果和使用MOD17A3H数据计算的结果相关系数可达0.935,说明模型估测结果具有较高的准确性。使用该模型估测内蒙古草地生产力可知,草地NPP呈现出自西向东、由南向北递增的趋势。使用Hurst指数法分析可知,SNPP由增加变为减小占比最高的类型为低地盐化草甸类,其次为温性草甸草原类,分别为19.43%和17.59%。     

基于C-FIX模型的黑龙江省森林植被净初级生产力遥感估算

以黑龙江省森林资源为研究对象,利用ETM+、DEM和气象数据等资料,以C-FIX模型为基础,估算黑龙江省2000年5—9月的森林植被NPP,并将估算结果与MODIS的NPP产品进行对比分析。结果表明:5—9月林地总NPP为69.75×1012gC,最大值出现在6月,占5—9月NPP总量的27.23%,6—8月是NPP的主要积累月份;有林地NPP占林地总量的87.44%,灌木林地占10.41%,疏林地占1.63%,其他林地占0.52%;MODIS的NPP产品与模型估算值之间的均方差根为17.12,模型模拟值误差为MODISNPP产品值的3.92%～5.85%,模型估算精度较高。     

基于UAV遥感的单木冠幅提取及胸径估算模型研究

在森林资源调查中冠幅和胸径是重要的测树因子,自动获取冠幅和胸径值可以提高森林资源调查效率。以云南松为研究对象,基于无人机影像自动提取单木冠幅参数,拟合不同密度等级样地的单木冠幅和树冠面积与胸径的关系以估测单株胸径。首先利用标记控制分水岭分割算法对样地冠层高度模型(CHM)中的单株树冠进行分割,获取最大、最小冠幅和树冠面积,并与实测数据进行精度评价,然后将提取冠幅与树冠面积与实测胸径进行拟合,建立不同密度等级样地的一元回归模型和二元回归模型。结果表明:单木树冠分割准确率为86.26%,冠幅相对误差平均值为6.04%,冠幅面积的相对误差平均值为11.23%;在拟合的模型中,冠幅树冠面积-胸径模型的拟合效果最好,决定系数均在0.7以上,该模型验证数据相对误差均不超过5%,符合A类森林资源调查胸径误差值低于5%的要求。提出的基于无人机影像提取冠幅及预测树木胸径的方法较为准确,可推动森林资源调查自动化发展。     

川西亚高山针叶林生物量遥感估算模型研究

利用野外实测68个样地的森林生物量数据、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个自变量建立了川西亚高山针叶林生物量的回归估算模型。研究表明: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,以多元线性回归模型在森林生物量估算中有较好的精度。     

基于地理加权回归模型与林火遥感数据估算森林年龄

【目的】通过地理加权回归(GWR)模型估算非干扰林龄,利用遥感数据和林火发生历史数据,获取过火区域信息,进而对林火烈度分级,讨论林火烈度与森林类型的交互作用,估算干扰林龄,最终获得黑龙江省森林年龄的空间分布。【方法】以黑龙江森林为研究区域,基于研究区域的多光谱数据结合地面森林资源清查数据,通过逐步回归方法提取了包括遥感因子绿度指数(Greeness)、湿度指数(Wetness)、林分平均胸径(ADBH)、林分平均树高(ASH)及海拔(Altitude)在内的5个显著因子作为自变量,采用GWR模型建立非干扰林龄估算模型。采用全局Moran I来描述模型残差的空间自相关性。绘制研究区非干扰林龄空间分布图并探究林龄的空间分布状态。[JP+1]结合林火位置与面积记录对多光谱数据目视解译提取过火区域,根据dNBR将过火区域火烈度分级。将火烈度图与植被类型图叠加分析,讨论不同森林类型在不同火烈度下的演替情况。定义干扰林龄时,未发生树种更替的森林林龄不变,树种发生更替的森林在林火发生年将其林龄归为0,并在新的优势树种萌发时从1开始累加,以此类推干扰后森林的林龄。【结果】黑龙江省非干扰森林平均林龄为48年,标准差为16年。GWR模型的 Radj^2 为0.68,RMSE为16.171 7。使用Moran I来检验模型的残差,发现GWR模型可很好地消除残差的空间自相关性。研究区林龄整体空间分布状态不均匀,大兴安岭地区林龄普遍高于黑龙江林区。黑龙江省2000―2010年林火主要发生在大兴安岭及小兴安岭地区,根据dNBR将已提取的过火区域林火烈度分为:未过火、轻度过火、中度过火和重度过火4类,总过火面积为527 932 hm^2,其中重度29 157 hm^2、中度180 268 hm^2、轻度318 507 hm^2。兴安落叶松林和蒙古栎林在整个研究区中过火面积最大,分别占总过火面积的28.63%和47.23%。根据不同森林类型在不同火烈度下的演替情况,估算干扰森林的林龄并绘制干扰林龄空间分布图。【结论】 GWR模型能较有效地估算黑龙江省非干扰林龄,成功地降低了残差的空间自相关性。在估算林龄的过程中加入林火干扰因素,以获取更真实的林龄空间分布数据,可为黑龙江地区森林NPP、NEP以及森林碳储量、森林生物量等相关研究提供数据支持。     

基于地理加权回归模型与林火遥感数据估算森林年龄

【目的】通过地理加权回归(GWR)模型估算非干扰林龄,利用遥感数据和林火发生历史数据,获取过火区域信息,进而对林火烈度分级,讨论林火烈度与森林类型的交互作用,估算干扰林龄,最终获得黑龙江省森林年龄的空间分布。【方法】以黑龙江森林为研究区域,基于研究区域的多光谱数据结合地面森林资源清查数据,通过逐步回归方法提取了包括遥感因子绿度指数(Greeness)、湿度指数(Wetness)、林分平均胸径(ADBH)、林分平均树高(ASH)及海拔(Altitude)在内的5个显著因子作为自变量,采用GWR模型建立非干扰林龄估算模型。采用全局Moran I来描述模型残差的空间自相关性。绘制研究区非干扰林龄空间分布图并探究林龄的空间分布状态。[JP+1]结合林火位置与面积记录对多光谱数据目视解译提取过火区域,根据dNBR将过火区域火烈度分级。将火烈度图与植被类型图叠加分析,讨论不同森林类型在不同火烈度下的演替情况。定义干扰林龄时,未发生树种更替的森林林龄不变,树种发生更替的森林在林火发生年将其林龄归为0,并在新的优势树种萌发时从1开始累加,以此类推干扰后森林的林龄。【结果】黑龙江省非干扰森林平均林龄为48年,标准差为16年。GWR模型的 Radj^2 为0.68,RMSE为16.171 7。使用Moran I来检验模型的残差,发现GWR模型可很好地消除残差的空间自相关性。研究区林龄整体空间分布状态不均匀,大兴安岭地区林龄普遍高于黑龙江林区。黑龙江省2000―2010年林火主要发生在大兴安岭及小兴安岭地区,根据dNBR将已提取的过火区域林火烈度分为:未过火、轻度过火、中度过火和重度过火4类,总过火面积为527 932 hm^2,其中重度29 157 hm^2、中度180 268 hm^2、轻度318 507 hm^2。兴安落叶松林和蒙古栎林在整个研究区中过火面积最大,分别占总过火面积的28.63%和47.23%。根据不同森林类型在不同火烈度下的演替情况,估算干扰森林的林龄并绘制干扰林龄空间分布图。【结论】 GWR模型能较有效地估算黑龙江省非干扰林龄,成功地降低了残差的空间自相关性。在估算林龄的过程中加入林火干扰因素,以获取更真实的林龄空间分布数据,可为黑龙江地区森林NPP、NEP以及森林碳储量、森林生物量等相关研究提供数据支持。     

1901-2008年小兴安岭森林NPP估算

根据黑龙江省森林收获表、生物量相容性相对生长方程及叶片与细根周转率数据,估算小兴安岭林区森林主要树种净初级生产力( NPP)与年龄的关系,并结合森林生态系统碳循环模型 InTEC 模型和 NPP 与年龄的关系,估算1901—2008年间小兴安岭森林 NPP的时空变化。结果表明：幼龄林 NPP随林分年龄的增长而迅速增加,进入成熟年龄 NPP达到最大,随后逐渐减少,直至达到稳定值;小兴安岭人工林的 NPP大于天然林,天然针叶林的固碳能力大于天然阔叶林与针阔混交林;1901—2008年间小兴安岭森林NPP整体呈现增加趋势,与工业前期1901年相比,2008年小兴安岭森林NPP增加了30%;森林NPP受海拔影响,呈现出中部偏高、北部与南部偏低的趋势。     

基于遥感的植被覆盖度估算方法研究进展

指出了随着遥感技术的发展,植被覆盖度作为定量描述地表植被覆盖情况的重要参数、生长状况的指标、植被覆盖的直观指示因子,已广泛应用在自然地理空间的土壤圈、大气圈、水圈、生物圈范围及这些圈层相互作用的各类研究中。基于目前常用的遥感数据,从植被指数、数据挖掘技术两方面分类归纳了植被覆盖度的估算方法及遥感数据源,对比分析了其优缺点及存在问题,并对基于遥感的植被覆盖度今后的研究方向及发展趋势进行了展望。     

基于高分辨率遥感林分树高的估算研究

该文以QuickBird影像为例,提出了一种通过高分辨率遥感影像上树影投影模型估算树高的方法。首先分析了太阳高度角、方位角以及卫星高度角、方位角对立木阴影成像的影响。然后进一步研究并建立了在一定卫星高度角、方位角的条件下,以坡度、坡向、太阳高度角、方位角为影响因子的山地立木阴影在高分辨率影像上的树高估算模型。最后利用森林资源调查数据证明了此方法的有效性。     

樟树幼林叶绿素含量的高光谱遥感估算模型

高光谱遥感的快速发展使得定量估算植被叶绿素含量成为可能.采用美国ASD公司生产的野外光谱辐射仪测量樟树幼林的冠层光谱,并对观测叶片进行同步叶绿素含量的测定;采用统计相关分析法,分析樟树冠层光谱与叶绿素含量之间的相关关系,并建立相应的估算模型.结果表明:樟树幼林叶绿素含量的敏感波段位于400、556、621 nm;通过建立各敏感段与叶绿素含量之间的估算模型并进行精度检验,得出了叶绿素含量估算的高光谱模型分别为y=exp(1.191 1458.912x)和y=3.29×exp(1458.912x).说明利用高光谱遥感数据可以估测樟树幼林的叶绿素含量.     

基于3-PGS模型的中国陆地植被NPP格局

利用光能利用效率模型(3-PGS)估算2003-2007年中国陆地植被NPP,并分析不同气候类型和植被类型的时空分布特征.结果表明:2003-2007年中国陆地植被NPP年均总量为2.98 PgC,NPP年均值约为315.99gC·m-2a-1;中国陆地植被NPP的主要分布特点为沿水热梯度从东向西、从南向北递减,以海南中南部的热带林最高,而高原气候区最低;全国植被NPP季节变化明显,不同气候区植被NPP均在7或8月达到峰值,12月或1月降至全年最低.     

森林叶绿素含量的高光谱遥感估算模型的建立

高光谱遥感提供一个通过窄波段的地物光谱反射率、诊断和检测植被叶绿素光谱特征波段的手段,为精确反演森林叶绿素含量提供更高光谱分辨率的数据。利用Epp-2000地物光谱仪测量叶片的反射光谱,并用SPAD-502对观测叶片进行叶绿素含量的同步测量;采用统计相关分析方法,分析叶片反射光谱、光谱特征参数及其各种植被指数与叶片叶绿素含量的相关关系,并建立相应的估算模型。结果表明：叶绿素含量的敏感性参数分别为Diff（R749）、Log（R466）、红边参数RVP以及比值叶绿素指数PSSR。通过多元统计回归分析,剔除不相关和存在共线性的参数后,得到叶绿素含量的估算模型为：SPAD=54．559—0．865×PSSR＋65．146×Diff（R749）-6．030×Log（R466）-0．238×RVP模型及其参数均通过统计检验,模型的决定系数砰达到0．812,均方根误差RMSE=13．35379,模型精度为88．743258％。