基于林分高度及郁闭度的森林生物量和蓄积量模型研究

doi:10.13466/j.cnki.lyzygl.2021.02.009

林业资源管理 ›› 2021›› Issue (2): 61-67.doi: 10.13466/j.cnki.lyzygl.2021.02.009

基于林分高度及郁闭度的森林生物量和蓄积量模型研究

吴发云¹(), 高显连¹(), 周蓉², 王鹏杰³, 付安民¹

1.国家林业和草原局调查规划设计院,北京 100714
2.北京林业大学,北京 100083
3.中国林业科学研究院资源信息研究所,北京 100091

收稿日期:2020-12-14 修回日期:2021-02-03 出版日期:2021-04-28 发布日期:2021-06-03
通讯作者: 高显连
作者简介:吴发云(1980-),男,江西永丰人,高工,主要从事林业信息技术、林业3S技术等方面的应用研究工作。Email: wufayun@sina.com
基金资助:
2020年行业管理专项业务经费“陆地碳卫星星机地综合实验”(2020-21-89**);国家林草局自主研发计划项目“航空和背包激光雷达空地耦合的森林资源调查监测关键技术研究及示范应用”(LC-1-01)

Research on Forest Biomass and Stock Volume Model Based on Stand Height and Canopy Density

WU Fayun¹(), GAO Xianlian¹(), ZHOU Rong², WANG Pengjie³, FU Anmin¹

1. Academy of Inventory and Planning,National Forestry and Glassland Administration,Beijing 100714,China
2. Beijing Forestry University,Beijing 100083,China
3. Institute of Forest Resource Information Techniques CAF,Beijing 100091,China

Received:2020-12-14 Revised:2021-02-03 Online:2021-04-28 Published:2021-06-03
Contact: GAO Xianlian

摘要/Abstract

摘要：

随着激光雷达和立体影像航天航空遥感技术的快速发展,目前,我国虽然具备了快速获得林分平均高、郁闭度等相关信息的能力,但缺少利用林分平均高和郁闭度来准确估测森林生物量和蓄积量的模型,这严重影响了激光雷达和立体影像航天航空遥感技术的推广应用。为了对模型的构建进行探研,利用湖南湘西地区地面调查数据中52块杉木样地的林分平均高、郁闭度、株数等数据,通过因子变量组合不同的自变量形式,并分别构建多个不同函数形式的杉木地上生物量、蓄积量反演模型,用决定系数R²对模型进行评价。结果表明,基于杉木林分平均高、郁闭度构建的因子变量组合与地上生物量、蓄积量之间有紧密的联系。其中:以e为底数的对数形式变量ln(C×HH²)作为解释变量的杉木地上生物量模型、蓄积量模型拟合效果最佳;指数函数模型能够精确地表达自变量与地上生物量、蓄积量之间的关系;与一次函数模型、幂函数模型、对数函数模型相比,指数函数模型的拟合效果更佳。对杉木林分平均高、林分郁闭度与地上生物量、蓄积量之间的关系进行了有效探究,构建了杉木地上生物量模型、蓄积量模型,以期为建立林分平均高和郁闭度因子估测其它树种的地上生物量和蓄积量模型提供参考依据。

关键词: 地上生物量, 蓄积量, 林分平均高, 郁闭度, 模型构建

Abstract:

With the rapid development of LiDAR and stereo image space aerial remote sensing technology,although China has the ability to quickly obtain the information of average stand height and canopy density,there is a lack of models to accurately estimate the biomass and volume of forest,which seriously affects the popularization and application of the technologies.In order to explore the construction of the model,the average stand height,canopy density and plant number of 52 Chinese fir sample plots from the ground survey data in Xiangxi area of Central China's Hunan Province are used to construct several inversion models of Chinese fir aboveground biomass and volume in different function forms through different independent variables,and the model is evaluated by the coefficient of determination R².The results show that the combination of factor variables based on average stand height and canopy density is closely related to aboveground biomass and volume.Among them,the above ground biomass model and volume model of Chinese fir with e as the base logarithmic variable ln(C×HH²)as the explanatory variable have the best fitting effect;the exponential function model can accurately show the relationship between the independent variable and aboveground biomass and volume.Compared with the linear function model,power function model and logarithmic function model,the exponential function model has better fitting effect.Such methods prove effective to explore the relationship among average stand height,canopy density and aboveground biomass and volume of Chinese fir.The aboveground biomass model and volume model of Chinese fir are constructed in order to provide reference for establishing the aboveground biomass and volume model for other tree species estimated by average stand height and canopy density factors.

Key words: aboveground biomass, stock volume, average stand height, canopy closure, model building

中图分类号:

S711
S758.5

吴发云, 高显连, 周蓉, 王鹏杰, 付安民. 基于林分高度及郁闭度的森林生物量和蓄积量模型研究[J]. 林业资源管理, 2021,(2): 61-67.

WU Fayun, GAO Xianlian, ZHOU Rong, WANG Pengjie, FU Anmin. Research on Forest Biomass and Stock Volume Model Based on Stand Height and Canopy Density[J]. FOREST RESOURCES WANAGEMENT, 2021,(2): 61-67.

图/表 7

表1

表2

表3

表4

不同变量组合的地上生物量模型回归结果统计

函数类型	HD	R²	HH	R²
一次	C×HD²	0.562	C×HH²	0.626
	ln(C×HD²)	0.667	ln(C×HH²)	0.682
	log(C×HD²)	0.667	log(C×HH²)	0.682
	C²×HD²	0.415	C²×HH²	0.466
	ln(C²×HD²)	0.586	ln(C²×HH²)	0.590
	log(C²×HD²)	0.586	log(C²×HH²)	0.590
	C×HD²×N	0.428	C×HH²×N	0.408
	ln(C×HD²×N)	0.535	ln(C×HH²×N)	0.520
	log(C×HD²×N)	0.535	log(C×HH²×N)	0.520
	C²×HD²×N	0.306	C²×HH²×N	0.301
	ln(C²×HD²×N)	0.442	ln(C²×HH²×N)	0.432
	log(C²×HD²×N)	0.442	log(C²×HH²×N)	0.432
幂	C×HD²	0.843	C×HH²	0.861
	ln(C×HD²)	0.830	ln(C×HH²)	0.854
	log(C×HD²)	0.830	log(C×HH²)	0.854
	C²×HD²	0.764	C²×HH²	0.768
	ln(C²×HD²)	0.536	ln(C²×HH²)	0.679
	log(C²×HD²)	0.536	log(C²×HH²)	0.679
	C×HD²×N	0.693	C×HH²×N	0.673
	ln(C×HD²×N)	0.704	ln(C×HH²×N)	0.687
	log(C×HD²×N)	0.704	log(C×HH²×N)	0.687
	C²×HD²×N	0.587	C²×HH²×N	0.574
	ln(C²×HD²×N)	0.601	ln(C²×HH²×N)	0.591
	log(C²×HD²×N)	0.601	log(C²×HH²×N)	0.591
对数	C×HD²	0.667	C×HH²	0.682
	ln(C×HD²)	0.601	ln(C×HH²)	0.624
	log(C×HD²)	0.601	log(C×HH²)	0.624
	C²×HD²	0.586	C²×HH²	0.590
	ln(C²×HD²)	0.314	ln(C²×HH²)	0.435
	log(C²×HD²)	0.314	log(C²×HH²)	0.435
	C×HD²×N	0.535	C×HH²×N	0.520
	ln(C×HD²×N)	0.516	ln(C×HH²×N)	0.506
	log(C×HD²×N)	0.516	log(C×HH²×N)	0.506
	C²×HD²×N	0.442	C²×HH²×N	0.432
	ln(C²×HD²×N)	0.423	ln(C²×HH²×N)	0.417
	log(C²×HD²×N)	0.423	log(C²×HH²×N)	0.417
指数	C×HD²	0.581	C×HH²	0.647
	ln(C×HD²)	0.843	ln(C×HH²)	0.908
	log(C×HD²)	0.843	log(C×HH²)	0.908
	C²×HD²	0.441	C²×HH²	0.493
	ln(C²×HD²)	0.764	ln(C²×HH²)	0.768
	log(C²×HD²)	0.764	log(C²×HH²)	0.768
	C×HD²×N	0.422	C×HH²×N	0.404
	ln(C×HD²×N)	0.693	ln(C×HH²×N)	0.673
	log(C×HD²×N)	0.693	log(C×HH²×N)	0.673
	C²×HD²×N	0.316	C²×HH²×N	0.310
	ln(C²×HD²×N)	0.587	ln(C²×HH²×N)	0.574
	log(C²×HD²×N)	0.587	log(C²×HH²×N)	0.574

表4

图1

表5

不同变量组合的蓄积量模型回归结果统计

函数类型	HD	R²	HH	R²
一次	C×HD²	0.645	C×HH²	0.700
	ln(C×HD²)	0.697	ln(C×HH²)	0.705
	log(C×HD²)	0.697	log(C×HH²)	0.705
	C²×HD²	0.478	C²×HH²	0.523
	ln(C²×HD²)	0.601	ln(C²×HH²)	0.600
	log(C²×HD²)	0.601	log(C²×HH²)	0.600
	C×HD²×N	0.414	C×HH²×N	0.388
	ln(C×HD²×N)	0.503	ln(C×HH²×N)	0.484
	log(C×HD²×N)	0.503	log(C×HH²×N)	0.484
	C²×HD²×N	0.299	C²×HH²×N	0.288
	ln(C²×HD²×N)	0.413	ln(C²×HH²×N)	0.401
	log(C²×HD²×N)	0.413	log(C²×HH²×N)	0.401
幂	C×HD²	0.878	C×HH²	0.893
	ln(C×HD²)	0.859	ln(C×HH²)	0.880
	log(C×HD²)	0.859	log(C×HH²)	0.880
	C²×HD²	0.782	C²×HH²	0.783
	ln(C²×HD²)	0.544	ln(C²×HH²)	0.687
	log(C²×HD²)	0.544	log(C²×HH²)	0.687
	C×HD²×N	0.679	C×HH²×N	0.657
	ln(C×HD²×N)	0.690	ln(C×HH²×N)	0.671
	log(C×HD²×N)	0.690	log(C×HH²×N)	0.671
	C²×HD²×N	0.571	C²×HH²×N	0.556
	ln(C²×HD²×N)	0.585	ln(C²×HH²×N)	0.572
	log(C²×HD²×N)	0.585	log(C²×HH²×N)	0.572
对数	C×HD²	0.697	C×HH²	0.705
	ln(C×HD²)	0.616	ln(C×HH²)	0.635
	log(C×HD²)	0.616	log(C×HH²)	0.635
	C²×HD²	0.601	C²×HH²	0.600
	ln(C²×HD²)	0.308	ln(C²×HH²)	0.430
	log(C²×HD²)	0.308	log(C²×HH²)	0.430
	C×HD²×N	0.503	C×HH²×N	0.484
	ln(C×HD²×N)	0.485	ln(C×HH²×N)	0.470
	log(C×HD²×N)	0.485	log(C×HH²×N)	0.470
	C²×HD²×N	0.413	C²×HH²×N	0.401
	ln(C²×HD²×N)	0.394	ln(C²×HH²×N)	0.386
	log(C²×HD²×N)	0.394	log(C²×HH²×N)	0.386
指数	C×HD²	0.627	C×HH²	0.690
	ln(C×HD²)	0.878	ln(C×HH²)	0.906
	log(C×HD²)	0.878	log(C×HH²)	0.906
	C²×HD²	0.474	C²×HH²	0.523
	ln(C²×HD²)	0.782	ln(C²×HH²)	0.783
	log(C²×HD²)	0.782	log(C²×HH²)	0.783
	C×HD²×N	0.415	C×HH²×N	0.395
	ln(C×HD²×N)	0.679	ln(C×HH²×N)	0.657
	log(C×HD²×N)	0.679	log(C×HH²×N)	0.657
	C²×HD²×N	0.311	C²×HH²×N	0.304
	ln(C²×HD²×N)	0.571	ln(C²×HH²×N)	0.556
	log(C²×HD²×N)	0.571	log(C²×HH²×N)	0.556

表5

图2

参考文献 22

[1]	何祺胜, 陈尔学, 曹春香, 等. 基于LIDAR数据的森林参数反演方法研究[J]. 地球科学进展, 2009,24(7):748-755.
[2]	方精云, 陈安平, 赵淑清, 等. 中国森林生物量的估算:对Fang等Science一文(Science,2001,291:2320~2322)的若干说明[J]. 植物生态学报, 2002(2):243-249.
[3]	Post W M, Emanuel W R, Zinke P J. Soil carbon pools and world life zones[J]. Nature, 1982(298):156-159.
[4]	张志, 田昕, 陈尔学, 等. 森林地上生物量估测方法研究综述[J]. 北京林业大学学报, 2011,33(5):144-150.
[5]	张凝, 冯仲科, 冯跃文, 等. 旺业甸实验林场针叶林蓄积量估测模型的研究[J]. 中南林业科技大学学报, 2013,33(11):83-87.
[6]	赵匡记, 王利东, 王立军, 等. 华北落叶松蓄积量及生产力研究[J]. 北京林业大学学报, 2015,37(2):24-31.
[7]	赵峰, 李增元, 王韵晟, 等. 机载激光雷达(LiDAR)数据在森林资源调查中的应用综述[J]. 遥感信息, 2008(1):106-110.
[8]	庞勇, 李增元, 陈尔学, 等. 激光雷达技术及其在林业上的应用[J]. 林业科学, 2005(3):129-136.
[9]	Hu Yang, Wu Fayun, Sun Zhongqiu, et al. The Laser Vegetation Detecting Sensor:A Full Waveform,Large-Footprint,Airborne Laser Altimeter for Monitoring Forest Resources[J]. Sensors, 2019,19(7):1699;doi: 10.3390/S19071699. doi: 10.3390/s19071699
[10]	吴发云, 高显连, 潘超, 等. 机载林业探测大光斑激光雷达系统的设计与应用[J]. 林业资源管理, 2018(4):125-132.
[11]	庞勇, 李增元. 基于机载激光雷达的小兴安岭温带森林组分生物量反演[J]. 植物生态学报, 2012,36(10):1095-1105.
[12]	马利群, 李爱农. 激光雷达在森林垂直结构参数估算中的应用[J]. 世界林业研究, 2011,24(1):41-45.
[13]	邢艳秋, 尤号田, 霍达, 等. 小光斑激光雷达数据估测森林树高研究进展[J]. 世界林业研究, 2014,27(2):29-34.
[14]	穆喜云, 张秋良, 刘清旺, 等. 基于激光雷达的大兴安岭典型森林生物量制图技术研究[J]. 遥感技术与应用, 2015,30(2):220-225.
[15]	罗洪斌, 舒清态, 庞勇, 等. 运用机载LiDAR数据对橡胶林地上生物量估测的采样尺度效应分析[J]. 林业资源管理, 2020(1):136-142.
[16]	Persson H J, Perko R. Assessment of boreal forest height from WorldView-2 satellite stereo images[J]. Remote Sensing Letters, 2016,7(12):1150-1159. doi: 10.1080/2150704X.2016.1219424
[17]	倪文俭, 张大凤, 汪垚, 等. 高分二号异轨立体数据的森林高度提取[J]. 遥感学报, 2018,22(3):392-399.
[18]	Neigh C, Masek J, Bourget P, et al. Deciphering the Precision of Stereo IKONOS Canopy Height Models for US Forests with G-LiHT Airborne LiDAR[J]. Remote Sensing, 2014,6(3):1762-1782. doi: 10.3390/rs6031762
[19]	卢振龙, 龚孝生. 灌木生物量测定的研究进展[J]. 林业调查规划, 2009,34(4):37-40.
[20]	符利勇, 雷渊才, 孙伟, 等. 不同林分起源的相容性生物量模型构建[J]. 生态学报, 2014,34(6):1461-1470.
[21]	王文栋, 白志强, 阿里木·买买提, 等. 天山林区6种优势种灌木林生物量比较及估测模型[J]. 生态学报. 2016,36(9):2695-2704.
[22]	罗永开, 方精云, 胡会峰. 山西芦芽山14种常见灌木生物量模型及生物量分配[J]. 植物生态学报, 2017,41(1):115-125. doi: 10.17521/cjpe.2016.0131

郁闭度	样地数	变量	平均值	最小值	最大值	标准差
0.2	2	优势木平均高D/m	11.35	5.20	17.50	8.70
		优势木平均高H/m	11.75	6.00	17.50	8.13
		蓄积量/m³	1.55	0.40	2.70	1.63
		地上生物量/kg	1047.63	367.14	1728.13	962.36
0.3	16	优势木平均高D/m	16.82	6.80	31.30	8.11
		优势木平均高H/m	17.71	6.80	32.20	8.54
		蓄积量/m³	4.91	0.40	17.10	5.13
		地上生物量/kg	3655.05	426.54	10442.31	2930.78
0.4	3	优势木平均高D/m	8.20	6.80	9.20	1.02
		优势木平均高H/m	8.83	7.30	9.90	1.11
		蓄积量/m³	12.37	9.70	17.10	3.36
		地上生物量/kg	1001.5059	705.6651	1262.4485	228.64
0.5	6	优势木平均高D/m	15.22	7.30	24.90	5.40
		优势木平均高H/m	16.18	8.60	25.20	5.23
		蓄积量/m³	11.38	2.10	22.20	7.75
		地上生物量/kg	5339.15	771.29	10771.98	3254.68
0.6	8	优势木平均高D/m	20.80	16.10	25.20	2.90
		优势木平均高H/m	23.20	21.10	27.10	1.98
		蓄积量/m³	7.08	2.10	12.30	3.77
		地上生物量/kg	8430.84	3015.95	12193.98	2930.74
0.7	14	优势木平均高D/m	15.44	7.90	27.80	6.29
		优势木平均高H/m	16.31	8.10	27.90	6.14
		蓄积量/m³	8.58	0.80	17.20	4.99
		地上生物量/kg	4193.21	1561.99	7759.64	2154.89
0.8	3	优势木平均高D/m	16.77	14.90	20.10	2.36
		优势木平均高H/m	17.87	15.90	20.50	1.94
		蓄积量/m³	12.00	10.70	13.00	0.96
		地上生物量/kg	7147.82	7047.85	7325.79	126.16

函数表达式	函数释义
y=ax+b	一次线性函数
y=x^α	幂函数
y=a^x	指数函数
y=log_ax	对数函数

基于林分高度及郁闭度的森林生物量和蓄积量模型研究

Research on Forest Biomass and Stock Volume Model Based on Stand Height and Canopy Density

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 22

相关文章 15

编辑推荐

Metrics

本文评价

[1]	吴莎, 边更战, 易烜, 吕勇. 青冈栎次生林林分形高模型构建[J]. 林草资源研究, 2024, 0(1): 134-142.
[2]	张方兰, 吴少忠, 徐建辉, 沙林华, 黎肇家, 方发之. 不同郁闭度橡胶林对套种土沉香幼树生长特性的影响[J]. 林草资源研究, 2024, 0(1): 143-150.
[3]	任晓琦, 侯鹏, 陈妍. 森林地上生物量遥感反演研究进展[J]. 林草资源研究, 2023, 0(6): 146-158.
[4]	白星雯, 胡晟, 布日古德, 阳帆. 一类调查与二类调查森林蓄积量数据对接方案分析研究[J]. 林草资源研究, 2023, 0(5): 142-147.
[5]	张绘芳, 朱雅丽, 张景路, 高健, 地力夏提·包尔汉. 基于高分遥感数据的阿尔泰山乔木林地上生物量预测[J]. 林业资源管理, 2023, 0(2): 104-110.
[6]	邱洁, 李倩楠, 虞瑶. 机载激光雷达数据估测森林资源蓄积量研究[J]. 林业资源管理, 2023, 0(1): 153-160.
[7]	蔡会德, 卢峰, 徐占勇, 潘黄儒, 孟想, 曾伟生. 桉树相容性可加性立木生物量模型系统研建[J]. 林业资源管理, 2023, 0(1): 87-93.
[8]	聂靖, 陆驰, 欧光龙, 胥辉. 基于Landsat8 OLI遥感因子的思茅松地上生物量二阶抽样估测[J]. 林业资源管理, 2022, 0(6): 68-75.
[9]	朱雅丽, 张景路, 张绘芳, 地力夏提·包尔汉, 廉佳佳. 天山中部锦鸡儿生物量分析及模型构建[J]. 林业资源管理, 2022, 0(5): 129-135.
[10]	曾伟生, 杨学云, 孙乡楠, 刘樯漪, 张宇超. 森林资源调查监测中各级储量数据的一体化方法研究[J]. 林业资源管理, 2022, 0(4): 13-19.
[11]	黄冰倩, 岳彩荣, 朱泊东. 基于GF-1数据多尺度遥感特征的森林蓄积量估测研究[J]. 林业资源管理, 2022, 0(3): 54-59.
[12]	龙植豪, 罗鹏, 许等平, 李振, 代华兵. Sentinel-2A红边波段森林蓄积量反演研究[J]. 林业资源管理, 2022, 0(2): 126-134.
[13]	周辰琴, 余拥军, 方陆明, 刘雨真, 胡建锦. 飞行高度与郁闭度对水杉冠幅提取影响的研究[J]. 林业资源管理, 2022, 0(1): 150-156.
[14]	曾伟生. 森林蓄积量和生物量多元混合模型研建[J]. 林业资源管理, 2021, 0(6): 23-28.
[15]	唐金灏, 张加龙, 陈立业, 程滔. 高山松地上生物量估测与尺度转换研究[J]. 林业资源管理, 2021, 0(6): 83-89.