论文部分内容阅读
近些年来,森林锐减、土地退化、环境污染、生物多样性丧失,特别是人类活动产生的CO2浓度急剧上升和由此导致的温室效应等是目前人类面临的最严峻的全球环境变化问题,所以全球碳循环研究受到人类的普遍关注。为了正确评估森林在全球碳平衡中的作用,了解森林生态系统在碳循环中的作用,对森林的碳动态进行更为细致的研究正日益成为人们关注的重点。森林生物量估算是进行陆地生态系统碳循环和碳动态分析的基础,业已成为生态学和全球变化研究的重要内容之一。3S（RS、GIS和GPS）技术的出现和发展,为在大尺度上进行生物量研究提供了可能。 本研究适应这一需要,以吉林省汪清林区为实验基地,利用3S集成技术及时进行理论和方法研究,以期达到能够实时有效地对森林生物量做出精确估测,为我国今后开展此类项目提供实践经验。本研究主要研究内容为: （1） 基于森林调查的相容性森林生物量模型设计思想,采用联立方程组为不同森林群落构造了一系列引入林分蓄积因子的相容性生物量模型,并且得到了相当高的预估精度。其中针叶林、阔叶林和针阔混交林群落的森林生物量模型预估精度均在95%以上,基本上解决了森林生物量模型的相容性问题,是该领域一个较大的进展。利用该模型得到汪清林业局针叶林、阔叶林和针阔混交林的森林生物量密度分别为97.78、121.96和110.44 t·hm-2,其中乔木层生物量占三种森林群落森林生物量的比例分别为95.01%、93.89%和94.2%。无论是对乔木层、下层灌草还是整个森林群落,生物量密度都以阔叶林为最大,针阔混交林次之,针叶林为最小。下层灌草生物量占森林生物量的比例以阔叶林为最大,针阔混交林次之,针叶林为最小。 （2） 结合GIS技术,应用B-P神经网络建立了森林生物量非线性遥感模型系统。该系统除了采用遥感图像提供的各波段的灰度值、植被指数等信息作为模型自变量外,还引入了立地类型、海拔、坡度和坡向等定量与定性因子。通过压缩输入数据和增强网络训练学习算法等措施,对标准B-P神经网络进行了增强。结果证明增强型B-P神经网络具有收敛速度快和自学习自适应功能强的特点,能最大限度地利用已知数据遥感图像样本集的先验知识,自动提取合理的模型。因此最终采用增强型B-P神经网络构造了森林生物量模型系统。在研究中发现,基于几何精校正后的数据较几何精校正前的更为适合用于建立森林生物量模型。以75m为缓冲区提取的数据较15m和45m的更为适合用于建立森林生物量模型。对针叶林、阔叶林和针阔混交林的森林生物量模型系统,增强型算法仿真结果的平均相对误差分别为-1.47%、2.38%和3.56%,平均相对误差绝对值分别为6.33%、8.46%和8.91%,取得了理想的预估效果,并输出了森林生物量/碳贮量分布图。综合土地覆盖图的分类精度（90.47%）,增强型B-P神经网络森林生物量模型的最终预测精度为88.04%,满足生产精度要求。 （3） 以森林生物量分布图为基本图层进行了空间分析。研究区阔叶林生物量/碳贮量占总量的61%,在该地区占主导地位,为主要森林碳库。其次为针阔混交林和针叶林,森林生物量/碳贮量分别占总量22%和17%。1995～1999年间,我国遥感估计森林面积为142.60 Mhm2,平均碳贮量和碳库分别为25.77 t·hm-2和3.68 Gt C。本研究区的遥感估计