论文部分内容阅读
随着全球气候变暖的影响,碳循环成为全球气候变化研究的热点,森林是陆地生态系统中最大的碳库,在全球碳循环中具有极其重要的作用。而被称为“城市之肺”的城市森林是城市生态系统碳循环中的一个重要贮存库,因此,研究城市森林碳储量的空间分布特征具有极其重要的意义。随着遥感技术在精准林业当中的运用,利用国内外多种遥感数据源反演森林碳储量,尤其是建立高精度的城市森林碳储量估算模型已经成为有效、快捷的方法。本文以深圳市为研究区,以2014年Landsat 8和GF-1遥感数据为数据源,采用分层随机抽样的方式布设168个样地,结合外业样地数据,分别基于两种遥感影像提取了 55个建模因子,其中包括各种植被指数、纹理信息因子以及地形因子作为自变量,通过碳储量与各因子之间的相关性分析后筛选合适变量,分别基于Landsat 8和GF-1遥感数据构建了偏最小二乘回归模型、Radical Basis Function(RBF)径向基函数神经网络模型和Random Forest随机森林模型,进而估算该地区的森林碳储量,并得到研究区森林碳储量空间分布图。通过多个模型的建立与分析,对进一步分析森林碳储量遥感获取更高精度的模型提供了确切依据。主要研究内容与结果如下:(1)建立了 Landsat 8的深圳市碳储量遥感最佳反演模型。基于Landsat 8遥感影像建立的三种碳储量反演模型中,RBF神经网络模型拟合效果最优,模型的拟合决定系数R~2为0.972,随机森林模型预测精度最高,预测均方根误差为9.541(t/hm~2),偏最小二乘回归模型的拟合和预测精度均最低,模型拟合的决定系数R~2分别0.438,预测均方根误差为12.871(t/hm~2)。(2)建立了 GF-1的深圳市碳储量遥感最佳反演模型。基于GF-1遥感影像建立的三种碳储量反演模型拟合和预测精度变化与Landsat 8呈现相同的规律,其中随机森林模型预测精度最高,预测均方根误差为7.221(t/hm~2),适合应用于城市区域的碳储量估算;RBF神经网络模型拟合效果最优,模型的拟合决定系数R~2为和0.974,偏最小二乘回归模型的拟合和预测精度均最低,模型拟合的决定系数R~2为0.667,预测均方根误差为10.410(t/hm~2)。(3)基于Landsat 8的深圳市碳储量空间分布与分析。三种模型估算结果所反映的深圳市植被碳储量空间分布趋势基本一致,植被覆盖度越高的地方,碳储量越大。东南沿海森林分布较广的地区碳储量大,中西部城市经济开发区碳储量小,与深圳市森林分布基本一致,说明碳储量与森林面积相关,可以通过扩大城市生态林面积,来提高城市的森林碳汇功能,对城市生态系统碳循环研究和城市生态建设规划具有重要意义。(4)基于GF-1的深圳市碳储量空间分布与分析。空间分布特征与基于Landsat 8建立的三种模型的估算结果所反映的一致,但这三种模型估算的碳储量值大小和等级分布存在差异,偏最小二乘回归模型总体估算值最低,碳储量估计结果集中分布在0-60(t/hm~2)范围内,且估算结果中有负值出现,负值主要分布于中部建筑用地密集且植被覆盖较少或无植被覆盖处。(5)Landsat 8和GF-1遥感影像反演碳储量的结果比较。GF-1遥感影像的三种模型拟合决定系数R~2均高于Landsat 8,拟合效果更优,均方根误差分别比Landsat 8 低 1.461(t/hm~2)、1.140(t/hm~2)和 2.320(t/hm~2),表明 GF-1 遥感影像在反演城市森林碳储量的应用上优于Landsat 8影像。所以,GF-1遥感影像可以在城市森林碳汇定量遥感监测中应用。