森林背景反射率对乔木层地上生物量遥感估算的影响研究-以大兴安

林业资源管理

FOREST RESOURCES MANAGEMENT

August 2017

No. 4

森林背景反射率对乔木层地上生物量遥感估算的影响研究

—

以大兴安岭林区为例

卢晓曼，郑光，居为民，戴声佩，高伦

(南京大学国际地球系统科学研究所，南京21〇〇23)

摘要:遥感技术能够大面积覆盖和动态监测森林冠层叶片特征，森林乔木层地上生物量（AGB)与叶生物量之间 存在良好的统计关系，根据遥感数据提取森林有效叶面积指数（LAIe)以估算叶生物量、进而估算AGB是可行 的。然而，利用遥感数据提取森林LAIe时会受到林下植被等背景信息的影响。因此，论文以我国东北大兴安岭 林区为研究区，利用中分辨率成像光谱仪（M0DIS)数据和四尺度模型定量研究森林背景反射率对冠层LAIe和 乔木层AGB遥感估算的影响。结果表明：背景反射率对森林LAIe遥感反演和AGB估算影响显著，利用遥感数 据提取的背景反射率对背景影响订正后，反演的LAIe与基于高分辨率专题制图仪（TM)影像反演出的LAIe之 间的相关性明显提高，决定系数（fl2)由0.32 (™ = 25, p<0.10)增大到0.48 (™=25, p<0.01)，遥感估算 的AGB与利用森林一类清查数据估算的AGB之间fl2由0.52 (n = 10, p<0.05)上升到0.86 (n = 10, p<0. 01 )，LAIe和AGB高估现象得到明显纠正。

关键词：背景反射率；叶面积指数;叶生物量;森林乔木层地上生物量中图分类号:S757.2;TP79文献标识码:ADOI：10. 13466/j. cnki. lyzygl.2017. 04. 010

文章编号= 1002 -6622(2017)04 -0059 -10

Assessing the Impacts of Forest Background

Reflectance on Estimating Aboveground Biomass

—a case study of forest area in Great Khingan

LU Xiaoman,ZHENG Guang,JU Weimin,DAI Shengpei,GAO Lun

{International Institute for Earth System Science, Nanjing University, Nanjing 210023 , China)Abstract ： Remote sensing technology is of great importance to estimating large - scale forest canopy leaf

characteristics dynamically, and there is a good statistical relationship between forest aboveground biomass

(AGB) and leaf biomass. It is feasible to estimate leaf biomass and then AGB based on canopy effective leaf area index ( LAIe) estimated from remotely sensed data. However, the forest background information,

收稿日期=2017 -04 -22;修回日期:2017 -06 -06基金项目：“全球变化及应对”重点研发专项(2016YFA0600202)作者筒介:卢晓曼（1991 -)，女，河南周口人，硕士，研究生，主要从事森林结构参数定量遥感反演研究。

Email ：luxmnju@ 163. com

通讯作者:郑光（1982 -)，副教授，硕导，主要从事利用光学和LIDAR遥感定量反演植被结构、物理和生化参数研究

Email ： zhengguangl982@ gmail. com

60林业资源管理第4期

such as understory vegetation,has a negative influence on LAIe and AGB retrieval by this way. Therefore, this paper focused on exploring the impacts of forest background reflectance on LAIe and AGB inversion in the Great Khingan forest area using moderate resolution imaging spectroradiometer (MODIS) data and a four scale model. The results showed that both LAIe and AGB were sensitive to the forest background re­flectance. The determinate coefficient ( R2) between MODIS - and Landsat thematic mapper (TM)- based LAIe increased from 0. 32 (zi =25 ,/? <0. 1) to 0. 48 ( n = 25 ,p <0. 01) when eliminating the in­fluence of background reflectance on LAI inversion. Also, the AGB estimates were more related to the na­tional forest inventory (NFI) - based AGB after considering the effects of forest background ( R2 =0. 86, n=10,p <0. 01). Forest LAI and AGB overestimation could be put right in this research.Key words ： background reflectance, LAI, foliage biomass, forest AGB

〇引言

森林乔木层地上生物量（AGB)是定量描述森 林生态系统固碳能力的重要指标[1]，对其准确地估 算有助于定量评估森林生态系统固碳能力、认知森 林生态系统对气候变化和人类活动的响应特征。 森林乔木层AGB与森林叶生物量之间联系紧密[2]， 而遥感技术在大面积覆盖和动态监测森林冠层叶 片特征方面的独特优势使其广泛应用于大尺度森 林叶面积指数（LAI)估算和动态监测[3]。因此，可 以根据遥感数据提取的森林LAI估算叶生物量，进 而估算AGB。

然而，森林在垂直方向上具有复杂的分层结 构，如大部分寒温带和温带森林在垂直方向上都具 有两层结构:主要由乔木组成的森林冠层和主要由 灌木、草本和苔蘚等组成的林下植被层[4]。传感器 获取的反射信号不仅来源于森林冠层，也有一部分 来源于森林冠层下的背景地物。研究表明，森林背 景反射率具有明显的时空变化，而在过去基于 遥感数据反演LAI的研究中通常忽略背景反射率的 时空变化，从而导致反演的LAI误差较大，在森林冠 层郁闭度较低时，反演的LAI误差更大[7]。背景反 射率对森林冠层LAI反演结果的影响，必然会导致 根据冠层LAI估算的AGB结果存在较大的不确 定性。

多角度遥感数据使森林背景反射率的遥感提取 成为可能。Pisek等人将森林背景定义为森林冠层 下的所有物质（如林下植被、土壤、岩石、雪、凋落物

等），分别利用多角度成像光谱仪（MISR)遥感数据 和中分辨率成像光谱仪（MODIS)双向反射分布函 数(BRDF)产品，以四尺度几何光学模型为工具进 行了北美和欧洲地区森林背景反射率的遥感制 图[8_9]。马建德等人利用MODIS反射率产品合成 了 BRDF数据，进而提取背景反射率并分析其对森 林冠层LAI的影响[6]。但是，森林背景反射率变化 对森林乔木层AGB遥感估算的影响研究还有待 开展。

因此，本文以大兴安岭典型寒温带森林为研究 对象，利用四尺度几何光学模型和MODIS BRDF产 品提取出具有时空变化的森林背景反射率;联合该 数据和MODIS反射率数据反演森林冠层LAI;在此 基础上，进行叶生物量和AGB的估算。最后，利用 森林一类清查数据推算的AGB对遥感估算的AGB 进行验证并评价森林背景反射率对乔木层AGB遥 感估算的影响。11.1

研究区和数据 研究区

研究区位于中国东北大兴安岭（包括内蒙古大 兴安岭和黑龙江大兴安岭)林区（图1)。大兴安岭林 区是全国面积最大的天然林区，也是重要的林业基地 之一。它北起黑龙江畔，南至西林木河上游谷地，南 北长 1 200km，东西宽 200 ~ 300km，海拔 1 100 ~ 1 400m。大兴安岭东南坡较陡，西北坡向内蒙古高 原和缓倾斜，东南坡夏季受海洋季风影响，雨水较

第4期

卢晓曼等:森林背景反射率对乔木层地上生物量遥感估算的影响研究61

多，西北坡却较干旱，是我国森林和草原的分界线。 该地区受寒温带季风气候影响，年均气温 -5.0 °C，年降雨量400 ~500mm，其中80% ~90%的降 雨集中在7—8月份，年雪覆盖天数200d左右，生长季 为80 ~ 100d。研究区主要树种包括兴安落叶松(iara;

gmelinii ( Rupr. ) Kuzen. ) N ^ ^ ( Betula plat^hylla

Suk) ^^.-^^(Pinus sylvestris L. var. mongholica Litv. )^n simsii Planch. ) ( Vaccinium vitis-idaea Linn. )(LAIedum palustre L.)为主[6]〇

120°

杨树（

L. ) 〇

林下植被以杜鹡（欣〇也&7^厂〇7i

E

122°

E

124°

E

126°

E

森林覆盖类型

漠河县

塔河县呼玛县

河市^

图例

高程（

-156

m)

8682

I I非森林

_____^常绿针叶林

^■落叶针叶林

落叶阔叶林

^■混交林

year:2013

120°

E

122°

E

124°

E

126°

E

图1研究区示意图及森林类型图

Fig. 1 The sketch maps of the study area and forest types

1.2数据来源及预处理

( TM)影像，分幅号为121/024,获取时间为2011年 6月26日，分辨率为30 m。对其进行条带修复、几 何校正和辐射校正处理。1.2.2野外实测数据

2011 年 8 月 7—12 日、2012 年 8 月 12—16 日分别在塔河和根河选择了有代表性的59个样方进 行了野外观测。观测的变量包括:树冠高度、树冠 有效叶面积指数( M/e)和聚集度指数(/2)。其中， 树冠高度、树冠密度、树冠半径、树干高度和DBH利 用激光测距仪(Leka-D2)和皮尺进行测量，LAIe和 聚集度系数分别采用植物冠层分析仪LAI-2200[12] 和TRAC[13]观测，并基于聚集度指数将LAIe转化为

l. 2.1

遥感数据

该研究所用的遥感数据M0DIS陆地标准产 品[1°]，包括地表覆盖类型数据(MCD12Q1)、反射率 数据（MOD09A1)和

MODIS BRDF模型参数产品

(MCD43 A1)。分幅号为h25 v03，时间段为2005，

2008,2010,2011 和 2013 共 5 年，分辨率为 463. 3

树冠半径、树干高度、胸径(DSi/)、森林冠层 m。 M0DIS数据下载以后，利用重投影工具(MRT) 密度、

将正弦（SIN)投影转化为通用横轴墨卡托投影 和地理校正等。

另外，本研究从美国地质调查局(USGS)网

(UT M)投影，在此基础上进行图幅拼接、影像裁切

站[11 ]上下载了与塔河实测数据获取时间最接近、云 量小于6 %的陆地资源卫星（Landsat)专题制图仪

LAI(.LA! = LAIe/n)。62

表1野外实测数据基本信息

林业资源管理第4期

Tab. 1 The basic information of field measurement data

参数 树冠高度树冠密度树冠半径树干高度

单位

测量工具

化的森林背景反射率对冠层反射率计算的植被指

DBHLAIe

〇m株/hm2mmcmm2/ m2

1

Leica-D2

皮尺

Leica-D2

Leica-D2LAI-2200TRAC

皮尺

LAI数据时，将冠层反射率计算的植被指数直接输 入到LAI反演算法。3)乔木层AGB估算:根据遥感 反演的LAI数据和不同森林类型（常绿针叶林、落

叶针叶林、落叶阔叶林和混交林）的比叶面积指数 (SLA)估算叶生物量，结合基于实测数据建立的叶 生物量与AGB关系方程进行AGB估算，利用由森 林清查数据推算的AGB验证AGB遥感估算结果， 评价森林背景反射率变化对AGB估算的影响。

数进行订正后，再输入到LAI反演算法;生成第二套

注:针对每个样方、不同森林类型都是测量以上参数。

1.2.3森林清查数据

所用的数据为第七次和第八次森林一类清查 数据，主要参数包括森林面积、材积、林龄、森林类 型等。研究区横跨内蒙古大兴安岭和黑龙江大兴 安岭两部分，两个省份对应两次的森林清查时间分 别为2008，2013和2005，2010 (本文选择部分遥感 数据获取时间的原因），利用该清查数据推算得到

研究区内各县（市）森林乔木层总量。2于

研究方法

研究分3步进行:1)森林背景反射率提取:基

2.1

背景反射率提取

首先基于P1Sek等人[8]的方法提取森林背景反

射率。该方法假设遥感图像上每个像元的反射率 是光照冠层、光照背景，阴影冠层和阴影背景4个分 量反射率加权平均值：

= RtK.pTti + RcK.PCn + RZTKZTn + RzcKZCn (1)式中，R为反射率；K为观测到的不同分量的 百分比，利用四尺度几何光学模型进行模拟；而下 标PT，PG，ZT和ZG分别指光照冠层、光照背景、阴 影冠层和阴影背景。如假设森林冠层和背景反射 率在给定的光照条件下随观测角度变化很小、阴影 冠层和阴影背景的反射率可以表示为各自光照部 分反射率与多次散射因子M的乘积，森林背景反射 率可以利用在两个观测角度的冠层遥感反射率 求出：

MODIS BRDF数据和四尺度几何光学模型，提取 森林背景反射率。2)冠层LAI遥感反演:利用获得 的M0DIS反射率数据反演生成两套LAI数据;生成 第一套LAI数据时，利用第一步生成的具有时空变

_______________________R,(KTa + KZTa x M) - Ra(KZTn x M + KTn)_______________________-KTnKGa + KGnKTa + - KTnKZGa + KGnKZTa - KGaKZTa + KTaKZGn) + M- KZTnKZGa + KZGnKZTa)(2)

式中，A为背景反射率;》为星下点方向，a为

另一观测天顶角度（本文取40°)，这两个角度的反 射率利用MCD43A1数据和半经验核驱动模型[14]模 拟生成。2. 22. 2.1

森林冠层LAI遥感反演

基于TM数据的森林LAIe反演

为降低样方尺度的实测LAIe与基于M0DIS数 据反演的LAIe之间由于空间尺度不同带来的误差，

本研究以Landsat TM图像反演的高分辨率LAIe作 为实测LAIe与MODIS LAIe之间的桥梁，来验证基 于M0DIS数据的LAIe遥感反演结果。

在生成高分辨率LAI分布图时，是通过建立由

Landsat图像求出的修正的归一化植被指数（MND-

VI)[15]与实测LAIe之间的经验统计关系实现的。

该指数能够有效地减少林下植被等背景信息对近 红外波段的影响，从而减少背景反射率对高分辨率

第4期卢晓曼等:森林背景反射率对乔木层地上生物量遥感估算的影响研究63

L4/e(TM L4/e)反演的影响。

2.2.2基于MODIS数据的森林LAI反演

在生成森林背景反射率数据后，用其与MODIS

反射率数据（

MOD09A1)和地表覆盖类型数据 (MQ512Q1)共同驱动Deng等人[16]于2006年提出 的算法反演LAIe。该算法基于四尺度几何光学模 型模拟的不同条件下比值植被指数（SR)和减小的 比值植被指数（RSR)与L4/e之间关系分别建立查 找表，进而反演M/e。

本研究区内多山区，地形变化大，SR对地形影响 的敏感性较RSR低[6]。另外，在Deng等人[16]发展的 M/e反演算法中，由于RSR对植被类型和背景不敏感， 基于进行L4/e反演的主要目的是为了减弱森林 背景反射率变化对森林M/e反演的影响，而本文是为 了探究及消除森林背景反射率对M/e反演的影响。因 此，基于SR进行的L4/e反演更适合本研究。

利用方程3对冠层反射率计算的SR进行订正 以消除背景反射率对M/e反演造成的影响[17]:

SR'= (2.4 -SRb)cs(0v)

SRm〇maxax —_ SRt

T +SRt

(3)式中，s/r

是订正后的冠层sr; 为某种植

被类型在观测天顶角久条件下的

SR最大值；

是利用冠层反射率遥感数据计算的SR(包含冠层和

背景信息）；C〇S

(艮）

:•表示观测天顶角

久条件下观测到背景的概率；是利用林下背景

近红外和红光反射率计算的

SR。

将利用方程(3)计算的SRlf入到LAIe反演算 法得到去除林下背景反射率影响的森林冠层M/e。 相反，直接由SR反演的L4/e包含了林下背景的贡 献。利用遥感反演的叶片聚集度指数[18]，将M/e 转换为M/，生成2012年8天一景的L4/时间序列 数据。为了减少该M/时间序列数据中的噪音，对

其进行了平滑处理。在此基础上，生成每年生长季 (第169 — 217天）内L4/平均值分布图。2.3森林乔木层估算 2. 3.1

基于实测数据（包括清查数据）的估算 本研究采用生物量建模工作所研建的二元生

物量模型[19]作为实测单木生物量计算的基础模型， 并依据各省的样木表，利用和树高等因子计算

单木各器官生物量，进而求和得到单木然后， 将单木按样地进行汇总。对于森林一类清查 数据，根据平均生物量法将样地扩展到县（市） 尺度，从而求出每个县（市）总森林乔木层MB。

2.3.2基于遥感数据的估算

森林乔木层根据和树高估算[2°]:

AGB = ai x (D2HYl

(4)

式中，i)和分别代表和树高；％和A

为系数。

叶生物量叫估算为：

Mf = a2x (D2H)^

(5)

式中，a

2和佐为系数。

将方程(5)代入方程(4)可以得到：

AGB = 8 x Mf7

(6)

式中，5和7分别为系数，根据野外观测数据

确定。

叶生物量^又可表示为：

Mf = LAI/SLA

(7)

式中，SL

4是比叶面积指数，根据文献数据确定[21]。

利用方程（6 —7)，结合年最大L4/数据和SL4

指数可以估算每个像元的森林乔木层 2. 4

结果验证

该研究区由于缺乏系统的森林背景反射率实 地观测数据，鉴于林下植被与周围草地具有相似的 气候条件和组成结构，利用邻近草地的MODIS反射

率结果间接验证背景反射率提取结果的季节变化

趋势[9];利用塔河地区由Landsat影像反演出的高

分辨率森林对

MODIS反演的低分辨率L4/e进

行验证;利用基于森林一类清查数据推算的县（市）

总量对基于遥感数据反演的进行验证。3

结果与分析

3.1背景反射率结果与分析

图2是利用方程（2)和MCD43A1数据提取 的森林背景反射率与邻近草地MOD09A1反射率

平均值的季节变化趋势比较。在冬季（第1

一

天以及297 —361天），由于地面积雪的覆盖，提

林业资德管德

第4期

取的红光和近红外波段背景反射率都处于高值， 与邻近草地反射率的:变化趋势一致，但比草地反 射率略低；从第天开始，韋地和背景的反射率 都呈现下降趋势，这最由于随着温度升高5地面 积雪开始融化；生长季开始后（第121天以后），

-------背景反射率

邻近草地反射率

随着林下植被的生长，近红外波段的背景反射率 上升；第241天后，随着气温的下降，林下植被开 始枯黄，近红外波段的背景反射率下降。总体来 看，背景与邻近尊地反射率具有相似的季节变化特征。

背景反射率

邻近草地反射率

1 25 49 73 97 121 145 169 193 217 241 265 2 313 337 361 1 25 49 73 97 121 145 169 193 217 241 265 2 313 337 361

日序

(a)近红外波段

日序（b)红光波段

图2提取的森林背景反射率与邻近草地反射率平均值全年变化比较

Fig. 2 Comparison of average of retrieved forest background reflectance in near

infrared band ( a) and red band ( b) with MODIS reflectance over nearby grassland

通过将求出的背景反射率季节变化曲线与 邻近草地反射率季节变化曲线相比较，我们求出 的森林背景反射率相对可靠$但是从理论上讲， 如果背景反射率与总的冠层反射率并无差别，那 么林下背景信息对森林冠层数的影响无足轻重。为

射率求出的

SR值相对予1:1线的明显偏移进一

LAI遥感反演时的

步证明了背景反射率在森林结构参数反演中的

f

响不容忽视，且为消除森林

高估敫应提供依据。

LAIe及其他结构参 3. 2 .反廣的冠层LM验证

If探究背景反射率与总

a

中对以看

反射率值.是否近似，我们从研究区裁剪出一景 150 150像元大小的图像分别从红光波段和近 红外波段对两者进行比较。从图3

出，总反射率在红光波段和近红外波段的值都远 远小于林下背景在红光和近红外波段的反射率， 且两者在红光波段比近红外波段反射率差异更 大。这也直接导致一般情况下在林分尺度由背 景反射率计算出的值小宁冠层总反射率计算 出的

x

SR值（图3h)。尽管本研究区还没有实测

.4a :是:基:于Laiidsat _图像求出的.MND¥1_与实

测LA_Ie建立.的统计关系，裉据该关系_育:以反演出 高分辨率TM LAIe。利用该TM LAIe对利用MO­MS 数据在去除和未去除背景影响两种情况下反 演的2〇12年第169天的森林冠层LAI与塔河实测 森林冠层LAI进行验证（图4h) D结果表明：不去 除背景反射率时，反演的LAI比TM LAIe系统偏 高法除背景反射率影响后，反演的LAIe if TM LAIe的一致性明显增强，7?2从0. 32提升至0. 48，.

簡

置信水平由9〇 %提高到99 %。这表明，对森林 背景反射率的影响迸行订正,可提禽演结果的可靠性^

数据验证区域尺度背景反射率与总反射率的关 系，但是从图3中两者之间反射率关系以及由反

LAI遥感反

0

1

15

第4期

#晓曼筹;森林背景反射率对乔木层她上II物量逵感估算梅影响研露 65

0.8

20

25

蠢mM0

0.00

0.05

0.10

0.15

0.20

0

5

10

15

2025

红光波段反射率

背景狀

(a)红光和近红外波段反射率

图3

背景反射率与森林冠层总反射率的比较

(»5H

Fig. 3 The comparison between forest background reflectance and canopy total reflectance

Fig. 4 The statistical relationship between measured LAIe and MNDVI ( a) and the validation of MODIS-based LAIe with TM LAIe ( b)

3.3叶生物羞与乔木层森林叶生物量与乔木层

AGB之间关系

注意的是，对于针叶林和混交林，在3个

图5给出了根据样方观测数据推算的不同类型

AGB较大 的样方（图中圆圈处），叶生物量与AGB相关性变

AGB之间的关系。可以看 差，这与已有的研究结论类似[22]。叶生物量与乔木 MAGB之间关系是现较弱的非线性，拟合的方程 出，对于针叶林、.阔叶林和混交林而賣，叶ft梅量与

乔木层AGB之间相关性都达到0. 01的显著水平， (6)中的5和7系数在不同森林类型之间存在较为 说明根据叶生物量估算AGB是可行的。但是.，应该明显的差异a

66

21

林业资嫘管理

0

第4期

1

Q

6

f)/

碧

_f

2

8

茕

-H

4

0 0.2 0.4 0.6 〇 〇.2 0.4

（b)阔叶林

0.6 0 0.2 0.4 0.6

叶生物量密度

(a)针叶林

图5

Akg/m2)

（c)混交林

根据样方观测数据推算的不同森林类型叶生物量与地上生物量密度AGB之间关系

Fig. 5 The statistical relationships between forest foliage biomass and AGB for needle leaf forest (a) ,broadleaf forest (b) and mixed forests (c)

3.4遥感估算的生物量空间分布

图6是利用去除背景反射率影响后反演的

小兴安岭以及范文义等人[24]在长白山研究结果 相似。针叶林的AGB密度（

2013年LAI估算的叶生物量和森林乔木层AGB 空间分布图&大部分地区叶生物量密度分布为

llOVhm1怠右）商于

阔叶林(.50 t/hnJ左右）_和混交林（70 t/hm2左 右）的AGB密度。有研究表明：在大兴安岭林

区，除了幼龄林外，其它龄组（中龄林、近熟林和

4 ~ 6 t/hm2左右，研究区中部的叶生;物量密度 (0 ~ 4tAm2)低擎研究K周边的叶歲物量密度 (4 ~ 8 t/hm2)(图6a)。大部分地区的AGB密度 变化范围为60 -SOt/hm2,这与毛学刚等人™在

成熟林）的落叶松林(主要的针叶林树种）生物 量:都龕予白桦

ft要的阔叶林树种）的生物

量12，,与本文的研究结果较为一致。

C32〜4

(a)叶生物量

图6

生物量空间分布图

()乔木层地上生物量

b

Fig. 6 The spatial distribution maps of foliage biomass ( a) and forest AGB (b)

第4期卢晓曼等:森林背景反射率对乔木层地上生物量遥感估算的影响研究67

3. 5

森林乔木屋AGB遥感估算结果验证图

7为利用森林清查数据推算出的各行政区森 林乔木层AGB总量对基于遥感数据估算的各行政 区乔木层AGB总量验证的散点图。从图7中可以 看出，去除背景信息影响后估算出的各行政区AGBAGB 总量与基于清查数据估算出的各行政区总量

相关性=〇.86)较未去除背景影响估算出的各

行政区

AGB总量与之相关性（/?2 =0.52)更高;均

方根误差（爾5£)前者为53. 6 Tg,也远远低后者 117. 0 Tg;去除背景影响替肩信水平从95 %提高 到99 % #置散点的分布更接近于1:1线，趋势线的 截距从38. 75 Tg降低到15. 41 Tg jGB高估现象得

到有效纠正。从研究区总量来看，第七次森林 清查数据期间，去除背#信息影响估算出的研究区

内

4CS总量为469. 6 Tg，相对于未去除背景信息影 响估算出的研究区内总量554. 1 Tg，前者更

接迪_于第七次森林潦查数据估箕出的研究風内

总量(408. 7 Tg) a

同样，对于第八次清查数据,

SI./_^§F-t-g:s聛

栽莺顇H袖

-/1C40

60 80 100 120

140 160

基于森林清査数据的各县总量/Tg (圆形:第七次清査；三角形:第八次清査，

实心：去除背景影响；空心：未去除背景影响）

图7遥感估算的与一类清查数据推算的^^比较

Fig. 7 Comparison of inversed AGB with NFI-based AGB

(The circle and triangle represented the seventh and eighth NFI data, respectively ； The solid and open graphics represented AGB after and before removing the influence of background reflectance, respectively)

未去除背景影响估算出的研究区内总量为 675. 3

Tg，相对宁去除背景影响后基宁，遥感数据估 算出的研究区内乂总量（531. 1 Tg)，

前者更接近

基于第八次森林清查数据估算出的研究区内 总量（428.2 Tg)s

4结论与讨论论文利用MODIS B

RDF

数据提取了森林背景反射率,联合该数据和M0DIS

反射率数据反演了森

林冠;m: .Lai,进爾愤算了森林-乔木层a

g

b

，用森林一•

类清盡数据推算的AGB

对遥感估算结果进行验证s

评价背景反射率对森林地上生物量遥感估算的影

响。.塗戀结论如下s:

1) 林下植被等背景反射率的干扰会影响冠层

LAI

遥感反演的精度,用遥感提取的背景反射率信

息对曹景影响订正后,反演的LAI

与实测数据之间

的相关性明显提高，炉由〇. 32 ( k = 25，P

< 〇. 1)增

大到 0.48(n 二25,p <0.01:)。

2) 根据样方数据推算的森林叶生物量与乔木

层A

GB

之间具有较好的相关性（炉>0.75,户<

〇. 〇1)，通过遥感数据反演L

AI

估算叶生物量，进而

估算A

GB

是可行的。

3) 验证表明，去除森林背景反射率影响后，提高遥感估算的AGB与利用森林一类清查数据估 算的A

GB

之间的一致性，/?2由0. 52 ( n. = 10^ <

〇. 05上升到 0. 86 (» = 10，p < 0. 01)，AGB

高估现

象得到明显纠正》

由f

資料和方法寿方两的，本研究述存在 以下不确定性：

1)

在利用森林清查和调查数据验证遥感数据

估算的森林乔木层AGB

结果时，由于两着空间分辨

率s调查时间的不同，势必会对验怔结果带来一定

的影响。另外，由森林清查和调查数据推算的AGB 也存在一窺的.误差，也会影响验证结论。

2)

根据冠层L

AI

推算叶生物量时,S

LA

是关键

参数，现有的遥感技术还不能对其进行制图。:直接 将罗天祥等人[21]实测的不同树种SLA

用子落叶针

叶林、常绿针叶林、落叶阔叶林和混交林，会导致估

算的叶生物量和A

GB

的误差^

6

8

o

2

4

ooooo6o

、可

68林业资源管理第4期

3)根据样地观测数据推算的叶生物量和乔木 层

AGB具有显著的相关性，但是随着生物量的增 大，两者之间相关性变差，会影响AGB的估算

结果。

本文利用遥感提取的背景反射率对背景影响

进行订正，取得了一定的效果。但是，反演的LAI和 估算的AGB还存在高估现象，是背景影响仍然存在 还是其他原因还有待深入研究。志谢

本研究实测森林结构参数数据来自于南京大 学国际地球系统科学研究所，森林清查数据来自于 国家林业局调查规划设计院。参考文献：

[1 ]

Houghton R. Aboveground forest biomass and the global carbon bal­

ance [ J] .Global Change Biology ,2005,11(6) ：945 -958.[2] 黄金龙.基于BEPS模型和遥感的森林地上生物量更新方法研

究[D]•南京:南京大学，2014:1 -60.

[3] 朱高龙.帽儿山地区森林冠层叶面积指数的地面观测与遥感反

演[J

]，2010,21(8) :17 -24.

[4] 焦桐，刘荣高，刘洋，等.林下植被遥感反演研究进展[J

].地球

信息科学，2014，16 (4) : 602 - 608.

[5] 李登秋.亚热带森林碳收支变化特征及其成因模拟分析[D

].

南京:南京大学，2014:1 -83.[6] 马建德.基于M0

DIS数据的森林背景反射率提取方法研究

[D

]•南京:南京大学，2〇14:1 _45.[7 ] Garrigues S, Lacaze R, Baret F, et al. Validation and intercomparison of global Leaf Area Index products derived from remote sensing data [J]. Journal of Geophysical Research： Biogeosciences, 2008,113 (G2) ：1 -20.

[8] Pisek J,Rautiainen M,Heiskanen J,et al. Retrieval of seasonal dy­

namics of forest understory reflectance in a Northern European bore­al forest from MODIS BRDF data [ J ]. Remote Sensing of Environ- ment,2012,117：4 -468.[9] Pisek J,Chen J M. Mapping forest background reflectivity over North America with Multi-angle Imaging SpectroRadiometer (MISR) data [J ]. Remote Sensing of Environment, 2009, 113 ( 11 )：

2412 -2423.[10]

NASA. Data[EB/OL], [2017 - 07 - 01 ], http ：//modis. gsfc.

nasa. gov/.

[11] 美国地质调查局•

USGE[EB/OL]. [2〇l7 -〇7 -01]. http://

earthexplorer. usgs. gov.[12] Chen J,Black T. Measuring leaf area index of plant canopies with

branch architecture [ J ]. Agricultural and Forest Meteorology,

1991,57(1 -3) ：1 -12.[13]

Chen J, Cihlar J. Plant canopy gap-size analysis theory for impro­ving optical measurements of leaf-area index[ J]. Applied Optics,

1995,34(27) ：6211 -6222.

[14]

Roujean J L, Leroy M, Deschamps P Y. A bidirectional reflectance model of the earth 5 s surface for the correction of remote sensing data[ J]. Journal of Geophysical Research-Atmospheres, 1992,97 ：

55 -68.

[15] Nemani R, Pierce L, Running S,et al. Forest ecosystem processes at the watershed scale ： sensitivity to remotely-sensed leaf area index estimates[ J]. International Journal of Remote Sensing, 1993,14

(13) ：2519 -2534.

[16 ]

Deng F, Chen J, Plummer S, et al. Algorithm for global leaf area in­

dex retrieval using satellite imagery [ J ]. IEEE, 2006,44 ( 8 )：

2219 -2229.

[17]

Pisek J,Chen J,Alikas K,et al. Impacts of including forest under­story brightness and foliage clumping information from multiangular measurements on leaf area index mapping over North America[ J]. Journal of Geophysical Research ,2010,115 ： 1 -13.

[18] 柳艺博，居为民,陈镜明，等.2000—2010年中国森林叶面积指

数时空变化特征[J

].科学通报,2012,57(16) :1435 -1445.

[19 ]碳汇林.全国优势树种（组)异速生长方程[

EB/OL ]. [ 2017 - 06 -

01 ] http ：//www. carbontree. com. cn/NewsShow. asp? Bid = 6538.[20 ] Wirth C, Schumacher J, Schulze E-D. Generic biomass functions for

Norway spruce in Central Europe——a meta-analysis approach to­ward prediction and uncertainty estimation [ J ]. Tree Physiology,

2004,24(2) ：121 -139.

[21] 罗天祥.中国主要森林类型生物生产力格局及其数学模型

[D].北京：中国科学院地理科学与资源研究所，1996:1 -197.[22] Zhang X. Estimating forest biomass in the USA using generalized

allometric models and MODIS land products [ J ]. Geographical Rearch letter,2006,33 (9) ：1 - 5.

[23] 毛学刚，李明泽，范文义，等.近30年来小兴安岭地区生物量

变化及地统计分析[】].地理研究，2011，30(6):1110 -1120.[24] 范文义，李明泽，杨金明.长白山林区森林生物量遥感估测模

型[】].林业科学，2011，47(10):16 -20.

[25] 胡海清，罗碧珍，魏书精，等.大兴安岭5种典型林型森林生物

碳储量[J

] •生态学报，2015，35 (17) :5745 - 5760.