传统地面实测法以测量研究区内单位面积林木重量为主, 主要有皆伐实测法、随机抽样法、平均木生物量法、材积源生物量法、相对生长模型法及气体交换法6种。各种方法的原理、优缺点和适用性如表1所示。

表1

Tab.1

表1(Tab.1)

表1 6种地面实测法比较 Tab.1 The Comparison of traditional methods for estimating forest above ground biomass 提取方法 原理及其描述 优点 缺点 适用性 皆伐实测法[1] 全部伐倒样地内的林木, 分不同器官收获称重, 并烘干测干重率 测定精度高 工作量巨大, 同时对林分产生负面影响 检验其他测定方法的精度 随机抽样法[1] 生物量=随机样木重量× 样地单位面积株数 工作量小, 可行性高 精度无法得到保证 天然林、复层林 平均木生物量法[5] 生物量=∑ 径阶数(样木重× 株数) 基于分层抽样理论, 保证了森林生物量的测量精度 需要在样地内先进行每木检尺 所有区域 材积源生物量法[9] 生物量=(林分生物量/林分木材材积)× 蓄积量[5] 对于人工林, 林分生物量/林分木材材积的平均值较稳定, 且易于得到 对于天然林、复层林不适用 人工林、单层林 相对生长模型法[10] 以地面实测单木胸径、树高、冠幅等测树因子与单株木生物量建立回归关系, 计算单木生物量, 累加每木生物量即得样地总生物量 推算的树干生物量和皆伐法相比, 误差不超过5%[3] 模型形式多种多样、易受植被类型影响 所有区域 气体交换法[1] 用红外CO2测定仪结合其他微气象学技术, 通过测定森林群落的光合作用和呼吸作用的CO2交换量, 计算森林生物量[1] 完成用测树学方法无法反映的短期森林生产力 测定设备昂贵, 且只能单点测定 小尺度的科研实验

表1 6种地面实测法比较 Tab.1 The Comparison of traditional methods for estimating forest above ground biomass

然而, 传统地面实测法通常只能获得点上的数据, 且劳动强度大、成本高, 不利于研究生物量的空间分布和变化, 且在实际应用中存在着林业测量仪器误差、样地空间分布的代表性不足等问题, 这些均增加了研究区域尺度森林地上生物量的难度。

尽管如此, 将传统地面实测法获得的数据作为生物量遥感提取模型的输入参数来验证数据, 仍十分重要。近年来, 传统地面实测法又不断与遥感技术、空间定位技术结合, 为遥感监测森林地上生物量奠定了基础。王志杰^[11]尝试利用全站仪和掌上电脑获取监测样地内每棵树木的定位数据, 同时采集树木物种信息、形态信息及立地环境数据, 建立样地植物监测数据库系统, 实时、详细的样地植物信息更易于与高空间分辨率遥感数据接轨。陈春祥^[12]采用FoxPro及ArcView GIS改进了大范围林业抽样样地布点方案的修改方法, 提高了抽样设计的工作效率。3S技术发展了传统地面实测法的样地布设和抽样调查方法, 为其注入了新活力。

遥感作为日趋成熟的对地观测技术, 不仅可以为快速、定量获取区域尺度森林地上生物量及其变化提供大范围、多尺度的数据, 更可实现对地表参数的实时监测, 适用于分析和评价森林生物量的时空格局和变化趋势。目前主要有统计模型、物理模型和综合模型3类方法。

1.2.1 统计模型法

1.2.1.1 统计模型

统计模型法是根据实验区内样地生物量与遥感图像上植被的物理参数、反射光谱特征或不同通道雷达数据间存在的相关关系进行回归拟合, 按像元计算生物量的方法。

研究表明, 基于植被特殊的光谱特性, 多波段光学遥感信息组合成的植被指数能包含90%以上的植被信息^[14], 以光学遥感的不同波段组合提取生物量已经被广泛应用^{[14, 15, 16]}。高光谱遥感数据能记录下地物完整的光谱曲线, 为我们提供了更多的可选波段来表征植被信息。其中“ 红边” 是植被高光谱曲线最明显的特征, 相比植被指数不易受土壤和大气环境的影响^[17]。激光雷达(LiDAR)在林木高度测量与林分垂直结构信息获取方面具有其他遥感技术无可比拟的优势。何祺胜^[18]等采用高密度LiDAR小脚印点云数据建立冠层高度模型, 估测单株木结构参数树的位置、树高、冠幅, 然后采用多元逐步回归分析法建立LiDAR估测的平均树高、冠幅等与实测森林地上生物量之间的关系, 估测方程精度较高, R²=0.738。文献Holmgren^[19]以LiDAR数据估测树高、冠幅等参数, 计算10 m半径样地的蓄积量, 估测精度达到应用要求。随着遥感数据源的多元化发展, 为了集合不同数据源的优势以提高森林生物量的估算精度, 越来越多的学者致力于用数学方法和技术工具融合不同传感器、不同波段的数据。例如高分辨率数据可校正低分辨率数据的误差, 提高森林生物量的估算精度。张宏斌^[20]检验了TM、MODIS、NOAA数据之间的精度校正关系, 并以气候因素(气温、降雨)和遥感植被指数之间的关系模型监测了1982~2006年内蒙古草原植被的变化趋势。

应用统计模型的突出优点是可以宏观、连续地监测植被生物量。在遥感影像光谱或空间分辨率足够高的情况下, 此类模型简单易用。但它的局限性也不可忽视: 一方面, 由于大气、遥感器定标、太阳几何照明、土壤湿度、亮度和颜色在不同的区域每时每刻变化着, 统计关系的适用性常常不稳定^{[21, 22, 23]}, 需要根据应用区域的不同来选择适合的数据源及其波段组合^{[24, 25]}; 另一方面, 由于树木的生长受温度、光照及水分等因子限制, 不同季节的树干、树枝及树冠生物量之间的统计关系也会发生变化。总之, 基于统计关系估算林地整体地上生物量, 增加了结果的不确定性。

1.2.1.2 人工神经网络模型

尽管不同的波段组合与森林地上生物量在理论上有明显的相关性, 但森林环境的复杂性使各种统计函数无法表达所有的不确定性。应用人工神经网络估算森林地上生物量, 开辟了一条方便快捷且可靠的途径。人工神经网络(ANN)系统是以模拟人脑神经系统的结构和功能为基础而建立的一种数据分析处理系统。在进行知识获取时, 由研究者提供样本和相应的解, 通过特定的学习算法对样本进行训练, 通过网络内部自适应算法不断修改权值分布以达到应用要求^[26]。目前, 提取森林生物量神经网络模型很多, 如线性网络、回归网络、后向(BP)神经网络、感知器神经网络(MLP)及径向基函数神经网络(RBF)等^[27]。

有实验表明, 在生物量估测与实测数据的计算中, 人工神经网络法估测的相对误差较小, 约小于15%^[29], 引入海拔、坡度、坡向和立地类型作为神经网络模型的自变量, 有助于提高生物量的估算精度^[29]。同时, 在多元遥感协同估测生物量方面, 韩爱惠^[30]结合地理气象因子, 采用多元回归和神经网络的方法, 研建了以CBERS WFI数据和MODIS数据为主要信息源的森林生物量估测模型, 估测精度达到了85%以上。

在森林生物量与遥感因子相关性不显著的情况下, 神经网络是建立森林生物量非线性遥感模型的可靠方法。但其缺点是“ 黑箱操作” , 模型缺乏生物物理意义。

1.2.2 物理模型法

物理模型法是指借助二向性反射与生物量之间的关系由遥感信息反演估算生物量的方法。自然界绝大部分的物体均具有各向异性的反射特性, 投射到地物表面上的辐射能量往往由来自太阳的直射辐射与天空散射辐射两部分组成, 传感器接收的辐射亮度受辐射环境的影响, 称之为二向性反射, 可用二向性反射率分布函数BRDF来描述^[31]。

物理模型有明确的物理意义, 模型稳定度和普适性好。目前, 应用于提取森林地上生物量的模型主要有辐射传输模型(Radiative Transfer Model)和几何光学模型(Geometric Optical Model)。

1.2.2.1 辐射传输模型

辐射传输模型描述了太阳辐射在植被生产力形成生理过程中的吸收、反射、透射以及大气中的传输^[32]。其基本原理是, 把植被冠层看成一个水平均匀散射的整体介质, 按高度切分成许多层, 并测定每层中的叶面积和光强, 建立光线辐射传输与植被冠层结构参数的联系^[33], 据此反演冠层内的结构(包括树高、密度和LAI)并输出生物量。学者们根据植被冠层结构在空间上的异质性建立了一系列复杂的辐射传输模型, 特别是处理特定冠层结构的模型^[34], 典型的有Nilson-Kuusk^[35]、Hape^[36]、SAIL^[37]和PROSAIL^[38]等模型。此类模型对植被反射过程的描述很接近于实际, 但计算复杂, 应用时常常需从事先编制好的反射率查找表中搜索和测量值最接近的值作为输入参量。

由于光合有效辐射是生物量的基本能量来源, 辐射传输模型所输出的光合有效辐射(在不受水分、养分、温度限制情况下)与植被生物量的增长量成正比, 模型具有较好的理论意义。Koetz^[39]以激光雷达数据结合光学遥感数据的不同波段组合, 修正了GeoSAIL模型的自由参数, 反演植被冠层LAI、植被覆盖度及树高等参数, 以此估算森林地上生物量。

以辐射传输模型反演生物量, 奠定了模拟冠层光合生产力研究的基础。但它的不足是假设植被冠层为水平均匀散射的介质。众所周知, 森林植被在遥感像元尺度上, 多表现为非连续分布。目前, 辐射传输模型只应用在小范围内提取森林地上生物量。

1.2.2.2 几何光学模型

为了建立适用于森林植被生物量估算的物理模型, 李小文与Strahler^[40]在此领域开展了研究工作。他们抓住了影响不连续植被BRDF的关键因素, 即像元在一定光照条件下的4分量, 提出了强调界面几何光学影响的几何光学模型。经过引入孔隙率及多次散射的改进, 几何光学模型已经发展成为一种融合了辐射传输过程的混合模型^[41]。近年来, 新发展的五尺度几何光学模型在群落分布、树冠形态、树冠分枝结构、树叶分布及枝芽分布特征5个尺度上, 探讨其对BRDF形成的影响。

目前, 利用几何光学模型估算森林地上生物量已有研究先例。Peddle^[42]用5尺度几何光学模型划分森林类型并估算了LAI, 曾源^{[43, 44]}在三峡库区用Li-Strahler模型反演森林冠层平均郁闭度及冠幅, 这些森林结构参数可用于估算森林地上生物量。Mark^[45]2008年在亚利桑那州及墨西哥首次将多角度遥感数据用于简单几何光学模型(Simple Geometric Optical Model)反演森林冠层平均郁闭度和植被高度, 通过线性变化尺度推算森林地上生物量, 结果与美国农业部林业调查数据相关系数达0.81。2009年, Mark^[46]又在美国科罗拉多州将LiDAR数据用于简单几何光学模型, 以树高、冠层郁闭度回归拟合森林地上生物量, 与美国林业调查数据关系数达0.84。这些实验表明, 几何光学模型估算森林地上生物量的精度基本能达到应用要求。

在实际监测中, 由于冠层结构、大气条件、太阳角度、目视形状和地形坡度的影响, 几何光学模型还需要充分利用微波、激光雷达、高光谱和多角度遥感数据来提高森林结构参数的反演精度。

1.2.2.3 基于NPP的模型

生物量是生态系统累积的活有机质总量, 而植被净初级生产力(NPP)是一段时间内自养生物产生的净有机物重量, 包括枯死、脱落损失量和被植食性动物吃掉的消耗量的总和(通常被植食性动物吃掉的消耗量忽略不计)。因此, 累加某一时刻以前的长时间序列NPP, 减去枯死、脱落损失的生物量即可得出森林地上生物量。目前, 估算NPP的模型已经比较成熟, 常用模型可以分为以下3类^[47]:

(1)气候相关模型。该模型有Chikugo模型^[48]、Thornthwaite Memorial模型^[49]等, 其中最著名的是全球第一个植被NPP估算Miami模型^[50]。这类模型的原理是以降水量、年平均气温及土壤水分等因子预测不同地带的NPP。其缺点是假设植被随气候进行变化, 而没有考虑植被本身的生物学特性, 更无法预测NPP, 目前常用于与其他模型结果的对比。

(2)生理生态过程模型。该模型有SiB2模型^[51]、BIOME-BGG模型及BEPS模型等。这类模型使用遥感数据提供的地表植被覆盖度、土壤水分等信息, 结合生物物理和生物地球化学形成混合模型, 不但以环境因子为变量, 还加入了植物进行光合作用的生物化学反应机制, 在系统尺度上模拟冠层的光合作用、蒸腾作用及碳氮变化等, 有效地区分了植被类型以及其生长情况。

Prieto-Blanco^[52]运用最全面、复杂的BIOME-BGG模型与JULES模型对比估算NPP。分析表明, 相比JULES模型设定LAI为常数参数, BIOME-BGC模型以观测有效LAI驱动模型、以不同的植被类型进行区分计算, 减小了NPP误差, 拓展了模型使用范围。但以上实验也说明, 繁多的输入参数使这类模型难以应用。

生理生态过程包括生物地球化学循环之间、生物地球化学和水循环之间、以及各种物种之间复杂的相互作用, 无论模型如何精细和复杂, 也无法包括以上过程的所有机制。生理生态过程模型目前主要用于检验限制生态系统生物产量的环境因子^[53]。

(3)光利用率模型。该模型利用NPP与植物吸收的光合有效辐射及其转化为有机物转化率的关系来实现估算植被净初级生产力NPP。目前主要有CASA模型和GLO-PEM模型^[15]。模型认为, 在非理想状况下, 植被的光合作用受最短缺资源的限制, 最大光能转化率既可以通过一个调节模型来模拟, 也可以是一个简单的比率常数。在不同模型中, 不同学者对全球植被最大光能转化率的取值从0.09~2.16 gC/MJ不等^{[54, 55]}, 对NPP的估算结果影响很大, 此方面仍有待进一步开展基础研究。

光利用率模型的光合有效辐射比例等输入参数可以通过遥感手段获得, 无需野外实验测定, 模型形式也比较简单, 又比气候相关模型多考虑了环境条件和植被的本身特征, 是目前应用较多的基于NPP的模型。

1.2.3 综合模型法

在森林生态系统稳定的情况下, 林分生物量呈周期性波动^{[56, 57]}。但在遥感像元尺度下, 即使建立复杂的模型, 也无法充分体现这种规律。Smith^[47]用3种方法估算了欧洲北部森林的NPP, 其中以气候因子、土壤因子、CO₂驱动的气候相关模型、光能利用率模型均高估了NPP; 而以遥感数据估计林地生物物理参数, 驱动森林动态模拟模型得出的NPP结果与地面调查数据最相符。因此, 选择具有生态意义的估算模型并与遥感数据相结合的方式将成为遥感估算森林地上生物量的研究方向。

林窗模型以生态演替为理论基础动态模拟森林植被变化, 引起学者的广泛关注。模型以两个子模块模拟现实森林生长动态: 一是森林中各树种本身的生物学特征; 二是影响树种生长的环境因素。生物学特征子模型包括3部分: 林木更新状况以受光照和微立地影响的随机函数表示; 生长模型状况用直径生长量或生长效率表示; 死亡模型以呈指数分布的概率函数或受压死亡概率表示。环境因素子模型包括4部分: 光照、降水/土壤水分、温度和土壤养分状况对林木生长的限制, 以0~1之间的函数表示。林木的最优生长乘以环境资源条件限制, 就是林木现实的生物量数值。但传统林窗模型在空间范围上只能模拟1/12 hm^{2 [58]}, 不同学者提出了林窗模型与其他模型的耦合方法。

FOREST模型^[59]是第一个增加树种更新模块的林窗模型, Running^[60]提出其与生物地球化学循环结合的FOREST-BGG模型。这种模型以遥感易于探测的LAI表示森林生态系统中重要的能量流动和物质循环, 拓展了林窗模型适用的空间范围。ZELIG模型^[61]是第一个考虑树木空间定位的林窗模型。Friend^[62]在ZELIG模型中加入了FOREST-BGC模型的光合作用、呼吸作用和水分循环等树木的生理过程, 建立了更复杂的Hybrid模型, 其详细程度更适合研究森林生态系统结构的动态发展。

综合模型机制符合逻辑, 结构修改灵活, 估计参数简单, 不一定需要使用遥感数据。但在监测森林地上生物量时, 若能结合机理模型与遥感技术的空间定位功能, 将更易于分析森林生态系统的地域变化及水平结构。因此宜选择考虑树木空间定位的林窗模型, 先模拟单个样地上植被动态过程, 再加形成整个林分的植被动态。用遥感手段提取每个像元光照、水分、土壤养分及温度数据, 计算环境限制函数, 再与林木最优生长量耦合, 这样的模型最易于与遥感数据结合, 也利于充分发挥遥感技术优势。模型流程如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 区域尺度遥感监测森林地上生物量综合模型流程Fig.1 Flow chart of models for estimating forest above ground biomass at regional scale

目前, 多光谱遥感数据已经被广泛用于估算森林植被生物量, 而高光谱遥感数据和SAR数据凭借自身的种种优势, 在这一研究领域的应用也正逐步扩大。大量新的遥感数据源不仅为生物量提取提供了更多的信息, 也带来了许多不确定性。

高光谱遥感数据在精确获取植被各类生物物理参量的同时, 在大气辐射传输、仪器结构与性能、植被光谱的角度效应等方面产生了一些误差。研究表明, 高光谱植被指数由于过于经验化, 冠层结构和观测方向对其影响很大, 甚至叶片空间伸展姿态也能改变冠层光谱反射率^[63], 因此, 构建稳定高光谱植被指数的研究还需要进一步深入。

LiDAR数据能记录森林复杂的三维结构特征, 有效地提高了生物量的估测精度^[64]。但数据成本较高、不易区分树冠和地面回波, 以及森林结构和LiDAR回波间的理论联系不完善等问题还有待解决。

结合多源遥感数据的同时, 提取生物量的模型本身也存在着一定的不确定性, 包括模型输入参数、模型适用尺度及物理过程模拟等一系列问题。

统计模型尽管形式简便多样, 精度较高, 但其准确性建立在地面数据与遥感光谱信息准确匹配的基础上。在实际应用中, 常面临几何纠正不够准确的问题, 使得遥感数据与地面数据无法精确匹配, 建立的统计关系需要仔细验证才能应用; 物理模型不仅要对每块样地测算不同的输入参数, 还要针对不同的树冠形状选择不同的模型^[34]; 几何光学模型虽然在形式上有了很大简化, 但只适用于稀疏规则形状的冠层, 这使得结构复杂的次生林、天然林生物量不易于估算。

连续累加长时间序列NPP计算生物量方法以成熟的NPP模型为基础, 多应用于估算大尺度生物量。但是, 高时间分辨率的遥感数据源, 空间分辨率普遍偏低, 影像中的混合像元降低了土地覆盖分类精度。朱文泉^[65]以NOAA/AVHRR NDVI数据估算全国NPP时, 小面积分布的水体、冰川、裸岩被误分为植被, 而高估了部分NPP值。光利用率模型虽然应用最为广泛, 但有2点不足: 第一, 模型只考虑了植物光合作用的有机物积累量, 忽略了植物的呼吸过程中有机物流失量^[47], 而遥感探测植物呼吸作用的研究目前还有待深入; 第二, 模型中的最大光能转换率受植被类型、覆盖均匀程度等因素的影响不易确定^[53]。

综合模型以生态演替理论为基础, 形式多种多样。但当遥感数据的空间分辨率较低时, 信息的空间分布将无法体现森林生态演替规律。综合模型需要输入大量树种生物学特征参数, 其准确性不仅依赖遥感数据, 还取决于参数的准确性, 这在树种生物学特征参数资料不完备的地区难以实现。