基于多源数据的内蒙古大兴安岭林区森林资源变化监测研究

摘要

森林资源变化监测既是林业调查的核心工作，也是林业建设的基础性工作，森林资源状况和动态变化信息是我国制定国家生态安全规划、林业发展规划以及可持续生产经营措施的重要依据。从森林资源变化因子来看，森林类型是森林资源调查的第一基础要素;植被覆盖度是林区植被覆盖状况的直观体现，是森林植被生态系统质量及其功能的重要指标;森林地上生物量(Above-Ground Biomass，AGB)和森林生产力则定量反映了森林植被的同碳能力。这四个参数均是衡量森林资源动态变化的重要因子，也是森林质量的重要指标。　　本文以内蒙古大兴安岭国有林区为大区域研究实验区，以研究区内所属的根河森林保护区为重点实验区用于验证分析，研究在前期森林调查分析的基础上，并根据主要的遥感数据源评价和测试分析，选择了具有代表性的主、被动遥感数据，以及其他辅助的观测手段，试图解决大区域森林类型、植被覆盖度、AGB以及生产力等森林资源参数遥感监测等关键技术瓶颈。本文研究创新点在于融合多源观测数据，利用时空连续的森林资源信息多模式遥感监测技术与机理模型，建立多源一体化监测方案，提高区域森林资源变化信息精准监测精度与时效性，为更加深入分析森林资源的变化规律提供保障。本研究具体获得如F主要结论:　　(1)以多源遥感数据和地面调查数据相结合开展林业地类快速动态精细监测　　研究分析了两期土地覆盖类型(包括林地细分类型)和整个区域类型变化。基于多种参考资料数据(包括外业调查数据、森林资源连续清查数据以及高分辨率星载多光谱、机载CCD影像等)进行了精度验证。结果表明:在像元尺度上，基于随机森林(RF)的林业地类精细识别结果精度优于支持向量机(SVM)，且GF-1数据(总体精度:88.06％;Kappa系数:0.87)略优于TM数据(总精度:84.44％;Kappa系数:O.83)，两者均能够有效进行地类识别。监测结果表明:从2009年到2014年，阔叶林、针叶林和混交林的面积都有增加，疏林地则略有减少。林地(特指本研究识别的阔叶林地、针叶林地、混交林地、灌木林地、疏林地总和)面积从961.997万公顷增加到973.688万公顷，增加了11.691万公顷;乔木林面积增加了9.422万公顷(1.215％)。　　(2)GF-1数据对森林植被覆盖度快速监测优于TM数据　　基于2009年TM以及2014年GF-1数据，构建了适用于大区域的像元二分法模型，实现森林植被覆盖度反演，并以植被覆盖度调查样地数据验证了2014年反演结粜，R2=0.766，均方根误差RMSE=0.051。针对两期结果进行分析监测区域植被覆盖度(分等级、分林地类型)变化反演结果表明:2009年覆盖度均值为72.73％(中等级的植被覆盖度占79.75％);2014年为82.78％(较高等级的植被覆盖度占森林区域的面积最高，为44.60％)。与环境等因子分析发现，两期覆盖度均显示出与地形高程因子相关，2009、2014年的皮尔逊相关系数R2分别为0.930、O.914。从监测效果来看，GF-1数据在提取植被覆盖度方面，非常有优势，可以作为一体化监测手段的重要数据源。　　(3)k-NN算法可以实现森林地上生物量快速预估　　基于植被覆盖度等特征信息及两种光学与P-波段SAR数据(2009年ALOS-1PALSAR、2014年ALOS-2PALSAR)，通过优化学习机(k Nearest Neighbor，k-NN)算法，重点解决最优特征融合快速提取技术，完善了适用于大区域、特征维度高的多源数据的森林AGB反演方法。结果表明:在样地尺度上，2009年的AGB反演结果R2=0.56，RMSE=25.95t/ha;2014年R2=0.64;RMSE=24.55t/ha。2009年反演均值较样地计算结果均值偏高(预测:81.59t/ha，实测:78.64t/ha);而2014年反演均值较样地计算结果偏低(预测:79.63t/ha;实测:82.48t/ha)。从区域尺度来看，2009年平均森林AGB为88.33t/ha;2014年的为94.61t/ha;平均AGB增长量为6.28t/ha。　　(4)Biome-BGC模型能够准确模拟NPP的变化　　在基于Biome-BGC模型和长时间序列(从2003年到2012年)多源数据的基础上，在进行了模型参数化方案优化，对森林生产力(Net Primary Productivity，NPP)进行了模拟，并以空间分布的树芯数据进行了NPP模拟结果验证。结果表明:Biome-BGC模型能够准确的模拟NPP的变化。研究区NPP呈现北高南低的空间差异，中东部由于受森林火灾的影响，NPP均值较低。不同森林类型NPP值差异明显，NPP年平均值大小依次为针叶林＞阔叶林＞混交林。生长季植被NPP年际变异对温度、太阳辐射量的响应程度高于对降水量、相对湿度的响应;进一步分析研究区生长季森林类型NPP与各气象凶子的年际变化可知，温度是对研究区NPP变化趋势起主导作用的气候因子;而针叶林的主导因子是太阳辐射量。　　本研究利用多种遥感数据和观测数据，针对森林的面积变化、植被覆盖度、地上生物量和森林NPP四个重要参数，构建厂快速、全方位的多源遥数据一体化监测的初步方案，达到了高效、准确的监测结果，为林业资源动态监测提供了关键参考方案。

目录

声明

摘要

第一章绪论

1．1．1研究背景

1．1．2国内外研究现状及评述

1．2研究目标和研究内容

1．2．1研究目标

1．2．2关键科学问题

1．2．3主要研究内容

1．3研究技术路线

2．1实验区概况

2．1．1内蒙古大兴安岭林区

2．1．2内蒙古根河重点实验区

2．2实验数据

2．2．1实验数据总体情况

2．2．2卫星遥感数据

2．2．3森林样地结构参数调查数据

2．2．4森林生产力调查数据

2．2．5国家森林资源连续清查数据

2．2．6植被覆盖度

2．2．7林业地类调查

2．2．8其他辅助数据

2．3小结

第三章林业地类精细识别及变化监测

3．1数据预处理

3．2研究方法

3．2．1支持向量机(SVM)

3．2．2随机森林(RF)

3．3模型训练

3．3．1训练样本选取

3．3．2训练样本分离度

3．3．3模型参数化

3．4林业地类精细识别结果

3．4．1根河森林保护区

3．4．2内蒙古大兴安岭林区

3．5类型变化监测及分析

3．5．1根河森林保护区

3．5．2内蒙古大兴安岭林区

3．6讨论

3．7小结

第四章森林植被覆盖度估算及变化监测

4．1数据预处理

4．2研究方法

4．2．1归一化植被指数

4．2．2像元二分模型

4．2．3 NDVIsoil与NDVIvege参数确定

4．3覆盖度估算结果

4．3．1根河森林保护区森林植被覆盖度估算

4．3．2内蒙古大兴安岭地区植被覆盖度估算

4．4植被覆盖度变化监测及分析

4．4．1根河森林保护区植被覆盖度变化

4．4．2内蒙古大兴安岭林区植被覆盖度变化

4．5讨论

4．6小结

第五章森林地上生物量反演及变化监测

5．1数据预处理

5．1．1 SAR影像预处理

5．1．2影像配准

5．1．3遥感特征提取

5．1．4样地数据抽取

5．2研究方法

5．2．1快速迭代特征选择的k-NN方法

5．2．2 KNN-FIFS优化

5．3森林地上生物量反演

5．3．1根河森林保护区森林地上生物量反演

5．3．2内蒙古大兴安岭地区森林地上生物量反演

5．4森林地上生物量时空变化格局

5．4．1根河森林保护区森林地上生物量变化

5．4．2内蒙古大兴安岭地区森林地上生物量变化

5．5讨论

5．6小结

第六章时间序列森林净生产力动态模拟

6．1．1模型简介

6．1．2模型主要过程及作用

6．1．3模型驱动参数

6．1．4模型运行

6．2时间序列NPP模拟

6．2．1 NPP整体动态变化

6．2．2内蒙古大兴安岭地区乔木林动态变化

6．2．3研究区森林NPP验证

6．3 NPP与气候因子的相关性

6．3．1总体NPP与气候因子的相关性

6．3．2各植被类型NPP与气候因子的相关性

6．3．3研究区NPP与气候因子的偏相关分析

6．4讨论

6．5小结

7．1结论

7．2创新点

7．3讨论

参考文献

在读期间的学术研究

致谢